APLIKASI MOBILE IDENTIFIKASI PENYAKIT DAUN

KUBIS DENGAN FAST FOURIER TRANSFORM DAN

PROBABILISTIC NEURAL NETWORK

ALRASYID TRIO

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

INSTITUT PERTANIAN BOGOR

BOGOR

2014

PERNYATAAN MENGENAI SKRIPSI DAN

SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA

Dengan ini saya menyatakan bahwa skripsi berjudul Aplikasi Mobile

Identifikasi Penyakit Daun Kubis dengan Fast Fourier Transform dan

Probabilistic Neural Network adalah benar karya saya dengan arahan dari komisi

pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi

mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan

maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan

dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini.

Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut

Pertanian Bogor.

Bogor, Februari 2014

Alrasyid Trio

NIM G64104042

ABSTRAK

ALRASYID TRIO. Aplikasi Mobile Identifikasi Penyakit pada Daun Kubis

dengan Probabilistic Neural Network dan Fast Fourier Transform. Dibimbing

oleh YENI HERDIYENI dan AUNU RAUF.

Penyakit pada daun kubis dapat mengakibatkan penurunan kualitas dan

kuantitas hasil panen atau gagal panen. Tujuan penelitian ini adalah membuat

aplikasi mobile dengan menerapkan teknik ekstraksi fitur menggunakan Fast

Fourier Transform (FFT) dan teknik klasifikasi Probabilistic Neural Network

(PNN) untuk pengenalan penyakit daun kubis. Aplikasi mobile identifikasi

penyakit pada daun kubis ini berjalan pada platform android. Akurasi ekstraksi

fitur FFT dan klasifikasi PNN dengan bias 0.03 sebesar 58.33%. Akurasi yang

dihasilkan masih belum memuaskan, masih terdapat kesalahan dalam mengenali

penyakit daun kubis.

Kata kunci: Fast Fourier Transform, Penyakit daun kubis, Probabilistic Neural

Network

ABSTRACT

ALRASYID TRIO. Mobile application for the identification of cabbage leaf

diseases with Probabilistic Neural Network and Fast Fourier Transform.

Supervised by YENI HERDIYENI and AUNU RAUF.

Disease in cabbage leaves can lead to a decrease in the quality and

quantity of crop yields or crop failure. The purpose of this research is to develop a

mobile application by applying the Fast Fourier Transform feature extraction

technique and Probabilistic Neural Network classification technique to identify

the cabbage leaf disease. This mobile application runs on android platform. It is

found that the accuracy of FFT feature extraction and PNN classification with bias

0.03 is 58.33%. The obtained accuracy is still not satisfactory since there are some

errors in identifying the cabbage leaf disease.

Key words: Cabbage leaf disease, Fast Fourier Transform, Probabilistic Neural

Network

Skripsi

sebagai salah satu syarat untuk memperoleh gelar

Sarjana Komputer

pada

Departemen Ilmu Komputer

APLIKASI MOBILE IDENTIFIKASI PENYAKIT DAUN

KUBIS DENGAN FAST FOURIER TRANSFORM DAN

PROBABILISTIC NEURAL NETWORK

ALRASYID TRIO

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

INSTITUT PERTANIAN BOGOR

BOGOR

2014

Penguji : Aziz Kustiyo SSi, MKom

Judul Skripsi : Aplikasi Mobile Identifikasi Penyakit Daun Kubis dengan Fast

Fourier Transform dan Probabilistic Neural Network Nama : Alrasyid Trio

NIM : G64104042

Disetujui oleh

Dr Yeni Herdiyeni SSi, MKom

Pembimbing I

Prof Dr Ir Aunu Rauf, MSc

Pembimbing II

Diketahui oleh

Dr Ir Agus Buono, MSi, MKom

Ketua Departemen

Tanggal Lulus:

PRAKATA

Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas

segala karunia-Nya sehingga karya ilmiah dengan judul Mobile Application

Identifikasi Penyakit Tanaman kubis dengan Probabilistic Neural Network dan

Fast Fourier Transform ini berhasil diselesaikan. Adapun penulis mengucapkan

terima kasih kepada:

1 Ibu Dr Yeni Herdiyeni SSi, MKom dan Prof Dr Ir Aunu Rauf MSc selaku

pembimbing yang telah banyak memberi saran.

2 Kedua Orang Tua Ilalia Syukri dan Dahlia; Saudara sekandung, Ayuk Olia

Sari, Kakak Epro Barades dan Adik Aji Ispatrika; Serta seluruh keluarga yang

telah memberikan dukungan, perhatian, dan doa sehingga penulis dapat

menyelesaikan penelitian ini.

3 Teman-teman bimbingan selama penulis menyelesaikan penelitian, Kholis,

Mega, Kak Desta, Kak Rahmat, Dedi, Muchlis, Yusrizal, Hanung dan teman-

teman lainnya.

4 Teman-teman Ekstensi ILKOM angkatan 5, atas kerjasamanya selama

perkuliahan.

5 Ipit yang selalu ada setiap dibutuhkan.

6 Teman-teman di PT AMN Indonesia.

7 Semua pihak yang telah memberikan bantuan selama pengerjaan penelitian ini

yang tidak dapat penulis tuliskan satu persatu.

Semoga penelitian ini bermanfaat bagi semua pihak yang membutuhkan.

Bogor, Februari 2014

Alrasyid Trio

DAFTAR ISI

DAFTAR TABEL viii DAFTAR GAMBAR viii DAFTAR LAMPIRAN viii PENDAHULUAN 1

Latar Belakang 1 Tujuan Penelitian 2 Manfaat Penelitian 2 Ruang Lingkup Penelitian 2

TINJAUAN PUSTAKA 2 Kubis 2 Fourier Transform 4 Probabilistic Neural Network 6

METODE 7 Client 8 Server 8 Klasifikasi dengan PNN 10 Identifikasi Penyakit 10 Evaluasi atau Pengujian 10 Lingkungan Pengembangan 10

HASIL DAN PEMBAHASAN 10 Hasil Praproses 10 Ekstraksi Ciri 11 Model Klasifikasi Citra 12 Evaluasi 14 Identifikasi Citra 14 Hasil Antarmuka Sistem 15

SIMPULAN DAN SARAN 16 Simpulan 16 Saran 16

DAFTAR PUSTAKA 17 LAMPIRAN 18

DAFTAR TABEL

1 Skenario percobaan dengan k-fold 13

2 Hasil akurasi setiap fold 13

3 Hasil klasifikasi penyakit kubis 13

4 Nilai akurasi setiap kelas penyakit 14

DAFTAR GAMBAR

1 Tanaman kubis 3

2 Bercak daun alternaria 3

3 Penyakit busuk hitam 3

4 Penyakit embun bulu 4

5 Tranformasi fourier 4

6 Spektrum fourier 5

7 Magnitude dan phase 5

8 Struktur PNN 6

9 Metodologi penelitian 7

10 Praproses data (a) data citra asli (b) data citra dipotong pada bagian penyakit

dengan ukuran 500x500 pixel (c) data citra yang di-grayscale 8

11 Ekstraksi ciri FFT (a) citra grayscale penyakit daun (b) cpektrum fourier (c)

spektrum frekuensi 9

12 Pembentukan vektor ciri 9

13 Hasil praproses data. (a) data citra asli. (b) data citra dipotong pada bagian

penyakit dengan ukuran 500x500 pixel. (c) data citra yang di-grayscale 11

14 Penyakit bercak daun Alternaria dengan spektrum frekuensi 11

15 Penyakit busuk hitam dan spektrum frekuensi 12

16 Penyakit embun bulu dan spektrum hasil 12

17 Citra penyakit busuk hitam yang blur dan citra yang tidak terpotong dengan

tepat 14

18 Tampilan Home 15

19 (a) Tampilan menu jenis penyakit dan (b) tampilan detail jenis penyakit 15

20 Antar muka identifikasi citra 16

DAFTAR LAMPIRAN

1 Penyakit bercak daun alternaria 18

2 Penyakit busuk hitam 18

3 Penyakit embun bulu 18

PENDAHULUAN

Latar Belakang

Indonesia merupakan salah satu negara penghasil kubis akan tetapi dalam

kurun waktu lima tahun terakhir (2007-2011) Indonesia mengalami penurunan

produktivitas kubis. Tahun 2007 produktivitas kubis mencapai 21.23 ton/ha,

sementara tahun 2011 hanya sebesar 20.88 ton/ha (BPS 2012). Volume ekspor

kubis juga mengalami penurunan. Pada tahun 2007 ekspor kubis mencapai

45.323 ton. Angka ini jauh lebih besar dibandingkan dengan tahun 2011 yang

hanya mencapai 23.941 ton (Deptan 2012). Kubis atau kol merupakan salah satu

komoditas utama sayuran Indonesia. Serangan penyakit pada tanaman kubis

merupakan faktor pembatas pertumbuhan dan hasil produktivitas kubis. Serangan

yang hebat bisa menyebabkan gagal panen, sehingga dibutuhkan pengetahuan

untuk mengenali penyakit-penyakit pada tanaman kubis. Penyakit tanaman

adalah kondisi sel dan jaringan tanaman tidak dapat berfungsi secara normal, yang

disebabkan adanya gangguan secara terus menerus oleh gen patogenik (biotik)

atau faktor lingkungan (abiotik) dan akan menghasilkan perkembangan gejala.

Penyakit tanaman terjadi bila salah satu atau beberapa fungsi fisiologis tanaman

menjadi abnormal karena adanya gangguan patogen atau kondisi lingkungan

tertentu. Penyakit yang menyerang tanaman kubis di antaranya bercak daun

alternaria, busuk hitam, dan embun bulu. Penyakit tersebut dapat mengakibatkan

penurunan kualitas dan kuantitas hasil pertanian secara signifikan sehingga secara

ekonomis dapat menyebabkan kerugian bagi petani.

Petugas Pengendali Organisme Penganggu Tanaman (POPT) melakukan

kegiatan penghitungan dan pengumpulan informasi tingkat serangan Organisme

Pengganggu Tanaman (OPT) (Deptan 2007). OPT merupakan kendala dan risiko

yang harus diperhitungkan dalam setiap usaha budidaya tanaman, karena

mengakibatkan kehilangan hasil yang cukup tinggi (Deptan DJTP 2010).

Tindakan POPT dimaksudkan untuk mencegah kerugian ekonomi berupa

kehilangan hasil (kuantitas) dan penurunan mutu (kualitas) produk (Deptan

Ditsayur 2011). Untuk itu diperlukan identifikasi dini terhadap penyakit yang

menyerang tanaman agar mudah dilakukan pencegahan. Gejala dan pengendalian

penyakit menjadi hal yang penting untuk diketahui. Pengetahuan ini diharapkan

dapat membantu petani yang akan menanam kubis.

Penerapan pengolahan citra di bidang pertanian seperti teknik pencitraan,

deteksi gulma, dan penyortiran buah telah dilakukan oleh Vibhute dan Bodhe

(2012). Pengolahan citra terbukti sebagai alat yang efektif untuk analisis di sektor

pertanian. Parameter hasil dan kualitas produk menjadi ukuran penting bagi

petani. Seringkali saran dari pakar tidak terjangkau karena ketersediaan pakar dan

pelayanan yang memakan waktu. Pengolahan citra serta ketersediaan jaringan

komunikasi dapat digunakan untuk mendapatkan saran pakar dengan baik dalam

waktu dan biaya yang terjangkau. Hasil analisis dengan pengolahan citra telah

terbukti akurat dan memakan sedikit waktu dibandingkan dengan metode

tradisional.

Penelitian sebelumnya terkait dengan identifikasi penyakit pada daun

antara lain Irfansyah (2011) yang telah menerapkan metode jaringan syaraf tiruan.

2

Penelitian tersebut melakukan proses pembentukan cluster data citra. Dari proses

tersebut, pengukuran kemiripan untuk tipe citra kueri dilakukan terhadap cluster

citra yang telah terbentuk. Pada penelitian tersebut diterapkan metode KNN

sebagai model klasifikasi.

Pada penelitian ini Fast Fourier Transform (FFT) digunakan untuk

mendapatkan ekstraksi ciri. Penelitian ini mengidentifikasi penyakit daun pada

tanaman kubis dengan menerapkan FFT untuk ekstraksi cirinya, kemudian

dilakukan klasifikasi hasil ekstraksi yang telah didapat sebelumnya dengan

menggunakan Probabilistic Neural Network (PNN). Diharapkan identifikasi

penyakit daun dengan metode PNN akan meningkatkan akurasi klasifikasi,

sehingga identifikasi yang dihasilkan dapat lebih akurat.

Tujuan Penelitian

Tujuan penelitian ini adalah membuat aplikasi mobile dengan menerapkan

teknik ekstraksi fitur menggunakan Fast Fourier Transform dan teknik klasifikasi

Probabilistic Neural Network untuk pengenalan penyakit daun kubis.

Manfaat Penelitian

Manfaat dari penelitian ini adalah membantu identifikasi jenis penyakit

kubis berdasarkan citra daun yang terkena serangan, sehingga memudahkan

klasifikasi jenisnya.

Ruang Lingkup Penelitian

Ruang lingkup dalam penelitian ini adalah data citra daun kubis yang

terkena penyakit. Terdapat 3 jenis penyakit kubis yang digunakan yaitu bercak

daun alternaria, penyakit busuk hitam dan penyakit embun bulu.

TINJAUAN PUSTAKA

Kubis

Kubis merupakan salah satu tanaman sayuran yang cukup dikenal di

Indonesia yang dapat dikonsumsi baik dalam keadaan segar maupun olahan.

Tanaman kubis merupakan tanaman semusim. Tanaman kubis banyak ditanam di

daerah pegunungan dengan ketinggian ±800m di atas permukaan laut (dpl) dan

mempunyai penyebaran hujan yang cukup setiap tahunnya. Sebagian kubis

tumbuh baik pada ketinggian 100-200 m dpl, tetapi jumlah varietasnya tidak

banyak dan tidak dapat menghasilkan biji. Pada daerah yang ketinggiannya di

bawah 100 m, tanaman kubis tumbuh kurang baik (Parmadi dan Sastrosiswojo

1993). Nama kubis diduga berasal dari bahasa Inggris yaitu cabbage. Di

Indonesia, kubis sering juga disebut sebagai kol. Tanaman kubis (Brassicae

oleraceae) termasuk famili Cruciferae, kelas Dicotyledoneae, subdivisi

Angiospermae dan divisi Embriophyta (Pracaya 2001). Salah satu contoh gambar

tanaman kubis dapat dilihat pada Gambar 1.

3

Penyakit kubis yang terjadi di daerah Cipanas antara lain bercak daun

alernaria (dark leaf spot), busuk hitam (black rot), dan embun bulu (downy

mildew). Penyakit bercak daun alternaria dicirikan dengan timbulnya bercak-

bercak bulat konsentris berwama hitam dan kelabu. Penyebaran kedua patogen ini

dapat melalui udara dan benih (Semangun 2000). Bercak bulat tersebut

merupakan kumpulan spora patogen. Serangan bercak daun pada musim hujan

lebih tinggi dibandingkan dengan musim kemarau dan bila kelembaban tinggi

cendawan terlihat sebagai bulu-bulu halus kebiruan di tengah bercak (DPH 2002).

Salah satu contoh gambar bercak daun alternaria dapat dilihat pada Gambar 2,

sedangkan gambar-gambar penyakit bercak daun alternaria dapat dilihat pada

Lampiran 1.

Penyakit busuk hitam dicirikan dengan adanya bercak kuning menyerupai

huruf V di sepanjang pinggir daun mengarah ke tengah daun. Tulang-tulang daun

berwarna cokelat tua atau hitam. Penyaluran air pada bagian yang bergejala

terhambat sehingga daun membusuk dan berwarna hitam. Serangan patogen

terjadi mulai dari persemaian kemudian di lapangan, hingga pada pascapanen.

Gambar 1 Tanaman kubis

Gambar 2 Bercak daun alternaria

Gambar 3 Penyakit busuk hitam

4

Bakteri masuk ke dalam tanaman kubis melalui pori air (hidatoda) pada ujung-

ujung berkas pembuluh di tepi daun (Semangun 2000). Salah satu contoh penyakit

busuk hitam dapat dilihat pada Gambar 3, sedangkan gambar-gambar penyakit

busuk hitam dapat dilihat pada Lampiran 2.

Penyakit embun bulu dicirikan dengan adanya bercak abu-abu sampai

hitam kemudian membusuk. Penyakit embun bulu merupakan penyakit yang

banyak terjadi di lingkungan yang panas dengan kelembaban yang tinggi. Salah

satu contoh penyakit embun bulu dapat dilihat pada Gambar 4, sedangkan

gambar-gambar penyakit embun bulu dapat dilihat pada Lampiran 3.

Fourier Transform

Fourier transform (FT) adalah metode analisis sinyal yang paling banyak

digunakan. Ditemukan oleh matematikawan Perancis Joseph Fourier Pada tahun

1807, bahwa fungsi periodik dapat diwakili oleh jumlah eksponensial kompleks

yang tak terbatas. Pada tahun 1965 FT menjadi semakin populer dengan Fast

Fourier Transform (FFT) (Merry 2005). FT digunakan untuk mengubah domain

spasial pada citra digital menjadi domain frekuensi. Dengan menggunakan FT,

citra dapat dilihat sebagai suatu objek dalam domain frekuensi, seperti yang

diilustrasikan pada Gambar 5.

Citra adalah gambar dua dimensi yang dihasilkan dari gambar analog dua

dimensi yang kontinu menjadi gambar diskret melalui proses sampling. Gambar

analog dibagi menjadi N baris dan M kolom sehingga menjadi gambar diskret.

Persilangan antara baris dan kolom tertentu disebut dengan piksel. Contohnya

adalah gambar atau titik diskret pada baris n dan kolom m disebut dengan

Gambar 4 Penyakit embun bulu

Gambar 5 Tranformasi fourier

5

piksel[n,m]. Transformasi fourier merupakan representasi dari sebuah citra

sebagai penjumlahan eksponensial kompleks dari beragam magnitude, frekuensi

dan fasa. FT akan menghasilkan Spektrum Fourier. Spektrum fourier dapat

memberikan informasi tentang tinggi rendah frekuensi citra.

Discrete fourier transform (DFT) 2D adalah suatu algoritma FFT yang

efesien untuk menghitung tranformasi diskret. Jumlah frekuensi sesuai dengan

jumlah piksel pada gambar domain spasial, yaitu ukuran gambar domain spasial

dan domain fourier sama. Contoh dari implementasi DFT 2D dapat dilihat pada

Gambar 6.

Perhitungan DFT 2D :

(k l) ∑ ∑ f(i j) e-i (ki

lj

) -

j

-

i (1)

DFT menghasilkan bilangan kompleks yang di tampilkan dalam dua

gambar, yaitu unsur real dan imaginary atau magnitude dan phase. Magnitude

mempresentasikan jumlah komponen frekuensi dalam citra tersebut, sedangkan

phase mempresentasikan letak frekuensi dalam citra tersebut. Ilustrasi dari

magnitude dan phase dapat dilihat pada Gambar 7.

Spektrum fourier dapat memberikan informasi tentang tinggi rendahnya

frekuensi citra. Dari spektrum fourier dapat dilihat hampir semua informasi

mendekati pusat gambar yang merupakan frekuensi rendah. Proses FFT adalah

proses DFT yang dibagi menjadi 2 bagian. Hal ini masih bisa dilanjutkan dengan

Gambar 6 Spektrum fourier

Gambar 7 Magnitude dan phase

6

memperhatikan kembali sifat dari fungsi sinus dan cosinus pada setengah bagian,

seperempat bagian dan seterusnya, sehingga prosesnya menjadi lebih cepat.

Probabilistic Neural Network

Probabilistic Neural Network (PNN) diusulkan oleh Donald Specht pada

tahun 1990 sebagai alternatif dari back-propagation neural network. PNN

memiliki beberapa kelebihan yaitu, pelatihan yang hanya memerlukan satu kali

iterasi, dan solusi umumnya diperoleh dengan menggunakan pendekatan Bayesian

(Ramakrishnan 2008).

PNN merupakan jaringan syaraf tiruan yang menggunakan radial basis

function (RBF). RBF adalah fungsi yang berbentuk seperti bel yang menskalakan

variabel nonlinear (Wu et al. 2007). Keuntungan utama menggunakan PNN

adalah pelatihannya yang mudah dan cepat. Bobot bukan merupakan hasil

pelatihan melainkan nilai yang akan menjadi masukan.

PNN terdiri atas empat lapisan, yaitu lapisan masukan, lapisan pola,

lapisan penjumlahan, dan lapisan keluaran. Struktur PNN selengkapnya

ditunjukkan pada Gambar 8. Lapisan-lapisan yang menyusun PNN sebagai

berikut:

1 Lapisan input (input layer)

Lapisan masukan merupakan input x yang terdiri atas nilai yang akan

diklasifikasikan pada salah satu kelas dari kelas.

2 Lapisan pola (pattern layer)

Pada lapisan pola dilakukan perkalian titik (dot product) antara input dan

vektor bobot ij, yaitu i ij, kemudian dibagi dengan bias tertentu σ dan

selanjutnya dimasukkan ke dalam fungsi radial basis, yaitu radbas(n) e -n . Dengan demikian, persamaan yang digunakan pada lapisan pola sebagai

berikut:

( ) (- - ij

- ij

σ ) (1)

dengan xij menyatakan vektor bobot atau vektor latih kelas ke-i urutan ke-j.

Gambar 8 Struktur PNN

7

3 Lapisan penjumlahan (summation layer)

Pada lapisan penjumlahan setiap pola pada masing-masing kelas

dijumlahkan sehingga dihasilkan population density function untuk setiap

kelas. Persamaan yang digunakan pada lapisan ini adalah:

( )

k σk t

∑ e - - ij

- ij

σ t

i (2)

4 Lapisan keluaran (output layer)

Pada lapisan keluaran input x akan diklasifikasikan ke kelas I jika nilai

( ) paling besar dibandingkan kelas lainnya.

METODE

Penelitian ini dilakukan dengan beberapa tahapan proses, yaitu

pengambilan data, praproses yang meliputi pemotongan citra yang terfokus pada

penyakit daun kubis serta pengubahan mode warna menjadi grayscale, ekstraksi

ciri pada penyakit daun kubis, klasifikasi data dengan PNN, dan perhitungan

tingkat akurasi.

Gambar 9 Metodologi penelitian

8

Penelitian ini dilakukan dengan beberapa tahapan proses, yaitu

pengumpulan data citra daun, praproses data, pembagian data latih dan data uji,

ekstraksi dengan FFT, klasifikasi menggunakan PNN, identifikasi penyakit dan

evaluasi atau pengujian. Proses akan berlangsung pada dua sisi yaitu pada sisi

server dan sisi client. Pada sisi server akan berlangsung tahapan praproses,

ekstraksi fitur ciri, pembentukan model klasifikasi hingga proses identifikasi,

sedangkan pada proses client berlangsung proses akuisisi citra yang akan

diidentifikasi. Tahapan yang dilakukan diilustrasikan dalam Gambar 9.

Client

Pada sisi client, aplikasi yang dibuat berjalan pada platform android. Citra

yang terdapat pada gallery ponsel yang diambil dengan menggunakan kamera dan

telah dilakukan cropping kemudian dikirim ke server dengan menggunakan

jaringan internet untuk dilakukan identifikasi. Hasil identifikasi citra yang

dilakukan di server akan dikembalikan pada client dan dapat ditampilkan pada

layar ponsel client.

Server

Pada sisi server, pemrosesan dibagi menjadi dua bagian yaitu training dan

testing. Training citra adalah proses mendapatkan model klasifikasi penyakit daun

kubis yang didapat dari pengolahan citra dengan menggunakan transformasi

fourier dan testing adalah proses untuk menguji data latih dengan data uji untuk

mendapatkan keakuratan sistem.

Praproses Data

Sebelum melakukan ekstraksi ciri, citra yang digunakan diambil langsung

di lahan petani di daerah Cipanas. Hasil citra yang didapat pada lapangan, yaitu

dari tanaman kubis para petani yang terdapat di daerah Cipanas difoto

menggunakan kamera digital dengan beragam resolusi. Citra tersebut dipotong

pada daun yang terkena penyakit. Kemudian, citra yang merupakan komponen

warna RGB terlebih dahulu diubah ke menjadi grayscale. Dari ukuran citra yang

beragam, untuk melakukan proses training semua ukurannya disamakan menjadi

500x500 piksel. Alur praproses dapat dilihat pada Gambar 10.

Gambar 10 Praproses data (a) data citra asli (b) data citra dipotomg pada bagian

penyakit dengan ukuran 500x500 pixel (c) data citra yang di-

grayscale

9

Pembagian Citra Latih dan Citra Uji

Citra yang digunakan yaitu citra daun kubis yang diambil dari tanaman

kubis milik petani di Cipanas, Bogor. Pengambilan citra menggunakan kamera

digital. Data yang digunakan sebanyak 300 citra penyakit kubis yang terdiri atas

tiga kelas, yaitu busuk hitam (black rot), embun bulu (downey mildew), dan

bercak daun alternaria (dark leaf spot).

Data dibagi menjadi dua bagian yaitu data latih dan data uji. Data latih

digunakan sebagai masukan untuk pelatihan menggunakan PNN dan Data Uji

digunakan untuk menguji klasifikasi kubis. Pembagian data latih ini menggunakan

perbandingan 80% data latih dan 20% data uji.

Ekstraksi Ciri

Pada tahap ini, citra grayscale yang telah melalui tahap praproses

digunakan sebagai masukan untuk ekstraksi tekstur. Adakalanya suatu citra

diubah dari satu domain ke domain lainnya. Perubahan ini bertujuan

mempermudah pengkodean yang dikenal sebagai proses transformasi.

Transformasi fourier akan mengubah citra dari domain spatial ke domain

frekuensi, Transformasi fourier juga akan menghasilkan spektrum fourier.

Spektrum fourier diproses melalui beberapa tahap yaitu menghitung log spektrum

yang digunakan untuk menyesuaikan besarnya frekuensi spektrum, kemudian

direpresentasikan dalam bentuk sinyal sehingga dapat dijadikan sebagai ekstraksi

ciri. Tahapan ekstraksi ciri dapat dilihat pada Gambar 11.

Vektor ciri diperoleh dari spektrum hasil yang diubah kedalam bentuk

array 1 dimensi. Dari hasil vektor dianalisis penyakit dengan melihat pola dari

spektrum. Spektrum direpresentasikan dalam bentuk frekuensi. Representasi dari

spektrum dapat dilihat pada Gambar 12.

Gambar 11 Ekstraksi ciri FFT (a) citra grayscale penyakit daun (b) spektrum

fourier (c) spektrum frekuensi

Gambar 12 Pembentukan vektor ciri

10

Klasifikasi dengan PNN

Klasifikasi dilakukan dengan menggunakan PNN yang memiliki empat

lapisan yaitu lapisan masukkan, pola, penjumlahan, dan keluaran. Vektor ciri hasil

ekstraksi data uji menjadi masukan pada PNN. Lapisan pola menggunakan nilai

bias σ teta yang dicari secara trial and error sehingga mendapatkan akurasi

terbaik.

Identifikasi Penyakit

Identifikasi akan dicoba untuk seluruh data uji untuk mengetahui kinerja

identifikasi pada setiap penyakit. Identifikasi citra dilakukan dengan klasifikasi

menggunakan PNN.

Evaluasi atau Pengujian

Akurasi yang digunakan untuk menentukan hasil klasifikasi PNN yaitu

dengan persamaan berikut:

kurasi ∑ data uji benar diklasifikasikan

∑ data uji

Lingkungan Pengembangan

Sistem ini diimplementasikan dengan menggunakan perangkat keras dan

perangkat lunak sebagai berikut:

1 Perangkat Keras

Pentium(R) Dual-Core CPU T4300 @1.73GHz(2CPUs).

Memori 4 GB.

Harddisk kapasitas 160 GB.

2 Perangkat Lunak

Windows 7 Ultimate 32-bit.

Matlab 7.7(R2008b).

Open CV 2.1.

Eclipse Indigo Service Release 2.

XAMPP Version 1.8.1.

CodeBlocks 12.11.

HASIL DAN PEMBAHASAN

Hasil Praproses

Pada tahap awal praproses, citra RGB dilakukan pemotongan (cropping)

untuk mendapatkan objek tanaman berpenyakit. Citra hasil pemotongan

(cropping) kemudian dilakukan perubahan dari mode RGB menjadi grayscale.

11

Perubahan warna citra dilakukan dengan mengubah mode warna RGB (Red-

Green-Blue) yang terdiri atas 3 layer yakni layer R, layer G, dan layer B menjadi

mode warna grayscale yang terdiri atas 1 layer. Perubahan mode warna menjadi

grayscale disebabkan fourier mempelajari bentuk pola alih-alih warna. tahapan

praproses dapat dilihat pada Gambar 13.

Ekstraksi Ciri

Tahap ekstraksi ciri menggunakan citra yang telah melalui tahapan

praproses, yaitu citra grayscale yang berukuran 500x500 piksel. Citra hasil

praproses dilakukan pemodelan dengan menggunakan transformasi fourier dan

akan menghasilkan spektrum. Vektor ciri diperoleh dari spektrum hasil yang

diubah ke dalam bentuk array 1 dimensi.

Analisis penyakit dilakukan dengan melihat pola dari spektrum yang

terbentuk, yang kemudian akan ditandai dengan warna merah sebagai penanda

letak penyakit pada citra. Penentuan letak kotak merah dilakukan dengan cara

konvensional, yaitu melihat posisi penyakit berdasarkan letak piksel pada citra

terhadap posisi nilai spektrum. Pola spektrum yang dihasilkan berbeda-beda untuk

setiap jenis penyakit tanaman kubis.

Gambar 13 Hasil praproses data. (a) data citra asli. (b) data citra dipotong pada

bagian penyakit dengan ukuran 500x500 piksel. (c) data citra yang

di-grayscale

Gambar 14 Penyakit bercak daun Alternaria dengan spektrum frekuensi

12

Pada Gambar 14, penyakit bercak daun alternaria ditandai dengan pola

bercak-bercak pada daun jika dilihat dari gambar asli, sedangkan pada spektrum

sinyal yang dihasilkan memiliki pola menyebar antara sinyal frekuensi rendah dan

frekuensi tinggi. Pada spektrum frekuensi pola bercak-bercak pada daun ditandai

dengan frekuensi tingkat rendah.

Pada Gambar 15, penyakit busuk hitam didominasi oleh sinyal frekuensi

tinggi ditunjukkan spektrum frekuensi, bercak kuning pada busuk hitam ditandai

dengan huruf ‘V’. amun pada data citra tidak semua penyakit busuk hitam

ditandai dengan huruf ‘V’, disebabkan penyakit busuk hitam yang terus

berkembang dan pemotongan citra yang beragam. Pada Gambar 16, penyakit

embun bulu juga didominasi dengan sinyal frekuensi tinggi yang dapat terlihat

pada spektrum frekuensi.

Model Klasifikasi Citra

Pada penelitian ini digunakan 3 jenis penyakit pada daun kubis yaitu

penyakit busuk hitam, penyakit embun bulu, dan bercak daun alternaria. Masing-

masing 3 jenis penyakit kubis tersebut memiliki 100 data citra. Data latih dan data

uji dibagi menjadi 80% dan 20%. Dengan demikian, data latih sebanyak 80 citra

dan data uji sebanyak 20 citra untuk masing-masing jenis penyakit daun kubis,

sehingga total data latih sebanyak 240 citra dan 60 citra sebagai data uji.

Untuk memenuhi persentase 80% dan 20% dari data yang tersedia sebagai

data latih dan uji, penelitian ini menggunakan metode 5-fold cross validation

Gambar 16 Penyakit embun bulu dan spektrum hasil

Gambar 15 Penyakit busuk hitam dan spektrum frekuensi

13

untuk pembagian data tersebut. Skenario percobaan yang dilakukan seperti

ditunjukkan pada Tabel 1.

Tabel 1 Skenario percobaan dengan k-fold

Percobaan Data Subset

Fold 1 Data latih , , , Data uji

Fold 2 Data latih , , , Data uji

Fold 3 Data latih , , , Data uji

Fold 4 Data latih , , , Data uji

Fold 5

Data latih , , , Data uji

Tabel 2 Hasil akurasi setiap fold

Percobaan Akurasi

Fold 1 51.7 %

Fold 2 58.3 %

Fold 3 35 %

Fold 4 28.3 %

Fold 5 53.3 %

Tabel 3 Hasil klasifikasi penyakit kubis

Kelas Keterangan Bercak daun

alternaria

Busuk hitam Embun bulu

1 Bercak daun alternaria 14 1 5

2 Busuk hitam 5 10 5

3 Embun bulu 8 1 11

Pada Tabel 2 dapat dilihat akurasi pada setiap fold, akurasi terbesar terdapat

pada fold 2 sedangkan akurasi terkecil terdapat pada fold 3. Dari Tabel 3 dapat

dilihat bahwa kelas bercak daun alternaria terdapat 14 data yang benar

terklasifikasi pada kelasnya sementara 1 di antaranya terklasifikasi sebagai

penyakit busuk hitam, sedangkan 5 di antaranya terklasifikasi sebagai penyakit

embun bulu.

Pada kelas 2 yaitu penyakit busuk hitam terdapat 10 citra yang benar

terklasifikasi pada kelasnya, 5 di antaranya terklasifikasi pada penyakit bercak

daun alternaria, sedangkan 5 lainnya terklasifikasi sebagai penyakit embun bulu.

Pada kelas 3 yaitu embun terdapat 11 citra yang terklasifikasi dengan benar,

sedangkan 8 di antaranya terklasifikasi sebagai penyakit bercak daun alternaria

dan 1 citra terklasifikasi sebagai penyakit busuk hitam.

14

Evaluasi

Nilai akurasi sistem dapat dihitung berdasarkan hasil klasifikasi penyakit

kubis yang diperoleh dari tahapan sebelumnya. Nilai akurasi didapatkan dengan

menghitung banyaknya data uji yang terklasifikasikan dengan benar dibagi

dengan jumlah banyaknya data uji. Nilai akurasi pada Tabel 4 merupakan nilai

akurasi berdasarkan hasil klasifikasi pada Tabel 3.

Tabel 4 Nilai akurasi setiap kelas penyakit

Kelas Keterangan Akurasi

1 Bercak daun alternaria 70%

2 Busuk hitam 50%

3 Embun bulu 55.6%

Rata-rata akurasi 58.34%

Pada kelas bercak daun alternaria nilai akurasi yang diperoleh adalah 50%

nilai tersebut merupakan nilai klasifikasi terkecil di antara kelas penyakit yang

lain. Nilai tersebut dihasilkan karena data uji tidak terklasifikasi dengan benar.

Citra yang tidak terklasifikasi dengan benar dapat dipengaruhi dari teknik

pengambilan citra yang kurang tepat dan hasil pemotongan citra yang kurang

tepat. Contoh citra yang blur dan pemotongan citra yang kurang tepat dapat dilihat

pada Gambar 17.

Identifikasi Citra

Identifikasi citra dilakukan dengan klasifikasi menggunakan PNN. Hasil

ekstraksi berjumlah sembilan puluh citra yang terdiri atas tiga jenis penyakit

tanaman. Fitur FFT menghasilkan vektor-vektor histogram citra penyakit tanaman

kubis. Vektor-vektor tersebut yang menjadi masukan untuk klasifikasi citra pada

PNN. Klasifikasi dilakukan dengan membagi data latih dan data uji, masing-

masing pembagian persentase untuk data latih dan data uji yaitu 80% dan 20%.

Untuk setiap jenis penyakit tanaman, 20 citra dari data uji digunakan untuk

melihat akurasi dari klasifikasi PNN.

Gambar 17 Citra penyakit busuk hitam yang blur dan citra yang tidak

terpotong dengan tepat

15

Hasil Antarmuka Sistem

Sistem ini diberi nama yaitu I-PEDIS. Antarmuka sistem ini terdiri atas

menu Home, Jenis Penyakit, Identifikasi, dan Petunjuk. Pada menu Home, user

dapat melihat semua tampilan dari sistem yang dikembangkan. Tampilan menu

Home dapat dilihat pada Gambar 18.

Gambar 18 Tampilan Home

Gambar 19 (a) merupakan tampilan pada menu Jenis Penyakit. Pada menu

ini, user dapat melihat semua jenis penyakit daun kubis, user harus memilih salah

satu citra kemudian akan masuk ke halaman detail dari citra tersebut. Gambar 19

(b) merupakan tampilan halaman detail dari salah satu penyakit daun kubis.

Menu Identifikasi merupakan menu inti pada sistem dan penelitian ini.

Pada menu ini, user dapat mengambil citra langsung dari kamera ponsel atau

memilih citra daun yang telah disimpan dalam gallery ponsel. Citra kueri tersebut

kemudian akan dikirimkan ke server melalui jaringan internet untuk dilakukan

proses identifikasi. Hasil identifikasi di server akan dikirimkan kembali ke ponsel

user. Gambar 20 merupakan antarmuka sistem pada saat identifikasi citra.

(a) (b)

Gambar 19 (a) Tampilan menu jenis penyakit dan (b) tampilan

detail jenis penyakit

16

Hasil yang ditampilkan pada menu identifikasi merupakan kelas citra yang

mirip dengan citra kueri yang dimasukkan yang diurutkan berdasarkan besar nilai

peluang pada masing-masing kelas.

SIMPULAN DAN SARAN

Simpulan

Penelitian mengenai identifikasi penyakit tanaman kubis dengan Fast

Fourier Transform dan Probabilistic Neural Network berhasil diimplementasikan.

Hasil ekstraksi fitur transformation fourier dan klasifikasi dengan PNN. Bias (s)

PNN yang digunakan sebesar 0.03. Akurasi yang dihasilkan dari ekstraksi fourier

belum memuaskan, karena masih terdapat kesalahan dalam mengenali penyakit

daun kubis. Penyakit daun busuk hitam jika dilihat dari spektrum frekuensi tidak

jauh berbeda dengan spektrum frekuensi bercak daun alternaria, demikian halnya

penyakit embun bulu juga memiliki frekuensi yang hampir sama dengan frekuensi

bercak daun alternaria. Dibutuhkan metode yang lebih baik untuk mendapatkan

akurasi yang lebih baik.

Saran

Beberapa hal yang perlu dikembangkan lebih lanjut dari penelitian ini

antara lain:

Gambar 20 Antar muka identifikasi citra

17

1 Penambahan data dengan akuisisi citra yang lebih baik dengan

memperhatikan penggunaan kamera yang lebih besar pikselnya,

pencahayaan, resolusi, dan sudut pengambilan yang lebih beragam.

2 Melakukan segmentasi otomatis pada saat praproses citra dan menambah

jenis penyakit yang dapat diidentifikasi.

DAFTAR PUSTAKA

[BPS] Badan Pusat Statistik dan Direktorat Jenderal Hortikultura. 2012.

Produktivitas Kol/Kubis Menurut Provinsi 2007-2011. Jakarta (ID): BPS.

[Deptan] Kementrian Pertanian. 2007. Peraturan Menteri Pertanian Republik

Indonesia Nomor 73 Tahun 2007 tentang Pedoman Pembinaan Tenaga

Harian Lepas (THL) Tenaga Bantu Pengendali Organisme Penggangu

Tumbuhan Pengamat Hama dan Penyakit (POPT-PHP). Jakarta

(ID):Deptan.

[Deptan] Kementerian Pertanian. 2012. Perkembangan Volume Ekspor Komoditas

Sayuran 2007-2011. Jakarta (ID): Deptan.

[Deptan DJTP] Kementrian Pertanian, Direktorat Jenderal Tanaman Pangan.

2010. Pedoman Pelaksanaan Perlindungan Tanaman Pangan Tahun 2010.

Jakarta (ID): Deptan.

[Deptan Ditsayur] Kementrian Pertanian, Direktorat Jenderal Holtikultura,

Direktorat Budidaya dan Pascapanen Sayuran dan Tanaman Obat. 2011.

Buku SOP Kubis. Jakarta (ID): Deptan.

[DPH]. 2002. Metode Pengamatan Organisme Pengganggu Tumbuhan (OPT)

Tanaman Sayur. Jakarta (ID): Direktorat Perlindungan Hortikultura.

Irfansyah M. 2011. Pengukuran kinerja k-nearest neighbors dan self organizing

maps menggunakan fitur fast fourier transform [skripsi]. Bogor (ID): Institut

Pertanian Bogor.

Merry RJE. 2005. Wavelet theory and applications [Internet]. [diunduh 2013 Jan

21]. Tersedia pada: http://alexandria.tue.nl/repository/books/612762.pdf

Parmadi AH. Sastrosiswojo S. 1993. Kubis. Jakarta: Balai Penelitian dan

Pengembangan Pertanian Balai Penelitian Hortikultura Lembang dengan

Program Nasional PHT Badan Perencanaan Pembangunan Nasional.

Pracaya. 2001. Bertanam Sayuran Organik. Jakarta: Penebar Swadaya.

Ramakrishnan S, Emary I. 2008. Comparative Study Between Traditional and

Modified Probabilistic Neural Network. India: Springer Science.

Semangun H. 2000. Penyakit-Penyakit Penting Tanaman Hortikultura di

Indonesia. Ed ke-4.Yogyakarta: Gajah Mada University Press.

Vibhute A, Bodhe SK. 2012. Applications of image processing in agriculture: a

survey. International Journal of Computer Applications. 52(2): 34-40.

Wu SG, Bao FS, Xu EY, Wang YX, Chang YF, Xiang QL. 2007. A leaf

recognition algorithm for plant classification using probabilistic neural

network [Internet]. [diunduh 2013 Jan 21]. Tersedia pada:

http://arxiv.org/pdf/0707.4289.pdf

18

Lampiran 1 Penyakit bercak daun alternaria

19

Lampiran 2 Penyakit busuk hitam

20

Lampiran 3 Penyakit embun bulu

21

RIWAYAT HIDUP

Penulis dilahirkan pada tanggal 26 Juli 1989 di Baturaja. Penulis merupakan

anak ketiga dari empat bersaudara dari pasangan Bapak Ilalia Syukri dan Ibu

Dahlia. Pada tahun 2007, penulis lulus dari SMA Negeri 4 Baturaja. Pada tahun

yang sama, penulis lulus seleksi masuk IPB melalui jalur Undangan Seleksi

Masuk IPB. Pada Tahun 2010, penulis lulus dari program Diploma Jurusan

Manajemen Informatika Institut Pertanian Bogor. Pada tahun yang sama, penulis

melanjutkan program studi Sarjana di Departemen Ilmu Komputer, Institut

Pertanian Bogor, Program Studi Ilmu Komputer.