identifikasi citra hama tanaman tomat … · sarjana komputer pada departemen ilmu komputer...

IDENTIFIKASI CITRA HAMA TANAMAN TOMAT MENGGUNAKAN

GRAY LEVEL CO-OCCURRENCE MATRIX DAN KLASIFIKASI

PROBABILISTIC NEURAL NETWORK

RIZKIA HANNA AMALIA

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

INSTITUT PERTANIAN BOGOR

BOGOR

2013

PERNYATAAN MENGENAI SKRIPSI DAN

SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA

Dengan ini saya menyatakan bahwa skripsi berjudul Identifikasi Citra Hama

Tomat Menggunakan Gray Level Co-occurrence Matrix dan Klasifikasi

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, Juli 2013

Rizkia Hanna Amalia

NIM G64090040

ABSTRAK

RIZKIA HANNA AMALIA. Identifikasi Citra Hama Tomat Menggunakan Gray

Level Co-occurrence Matrix dan Klasifikasi Probabilistic Neural Network.

Dibimbing oleh TOTO HARYANTO dan NINA MARYANA.

Serangan hama pada tanaman tomat merupakan salah satu penyebab utama

kegagalan panen. Untuk mengendalikan hama ini diperlukan identifikasi hama

yang dapat dilakukan dengan berbagai cara. Seiring dengan perkembangan

teknologi, identifikasi suatu objek dapat dilakukan menggunakan citra digital.

Pada penelitian ini, Gray Level Co-occurrence Matrix (GLCM) digunakan untuk

mengidentifikasi tiga kelas hama tanaman tomat, yaitu Helicoverpa armigera,

Spodoptera litura dan Chrysodeixis chalcites. Identifikasi hanya dilakukan pada

fase dewasa tiga jenis hama tersebut. Identifikasi menggunakan lima unsur citra

grayscale yaitu energi, homogenitas, kontras, korelasi dan entropi. Teknik

klasifikasi Probabilistic Neural Network (PNN) menghasilkan rata-rata akurasi

sebesar 78.89%.

Kata Kunci: Level Co-occurrence Matrix, hama tomat, identifikasi, Probabilistic

Neural Network

ABSTRACT

RIZKIA HANNA AMALIA. Identification of Tomato Pest using Gray Level Co-

occurrence Matrix and Probabilistic Neural Network. Supervised by TOTO

HARYANTO and NINA MARYANA.

Pests cause a major failures in harvesting tomato plants. Identification of

tomato pests can be done in various ways. Nowadays, objects can be performed

by processing digital images. In this research, Gray Level Co-occurrence Matrix

(GLCM) is used to identify three classes of plant pests of tomato, namely

Helicoverpa armigera, Spodoptera litura and Chrysodeixis chalcites. For

identification, only three types of pests in adults phase was used. Identification is

conducted using the five elements of grayscale image: energy, homogeneity,

contrast, correlation and entropy. The identification result using Probabilistic

Neural Network (PNN) produces average accuracy of 78.89%.

Keywords: Level Co-occurrence Matrix, object identification, Probabilistic Neural

Network, tomato pest

Skripsi

sebagai salah satu syarat untuk memperoleh gelar

Sarjana Komputer pada

Departemen Ilmu Komputer

IDENTIFIKASI CITRA HAMA TANAMAN TOMAT MENGGUNAKAN

GRAY LEVEL CO-OCCURRENCE MATRIX DAN KLASIFIKASI

PROBABILISTIC NEURAL NETWORK

RIZKIA HANNA AMALIA

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

INSTITUT PERTANIAN BOGOR

BOGOR

2013

Penguji: Dr Imas S. Sitanggang

Judul Skripsi : Identifikasi Citra Hama Tomat Menggunakan Gray Level Co-

occurrence Matrix dan Klasifikasi Probabilistic Neural Network

Nama : Rizkia Hanna Amalia

NIM : G64090040

Disetujui oleh

Toto Haryanto, SKom MSi

Pembimbing I

Dr Ir Nina Maryana, MSi

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 tugas akhir ini berhasil diselesaikan. Tema yang

dipilih dalam penelitian yang dilaksanakan sejak bulan Desember 2012 ini ialah

hama tanaman tomat, dengan judul Identifikasi Citra Hama Tomat Menggunakan

Gray Level Co-occurrence Matrix dan Klasifikasi Probabilistic Neural Network.

Terima kasih penulis ucapkan kepada pihak-pihak yang telah membantu

dalam penyelesaian tugas akhir ini, yaitu:

1 Ayahanda Akhmad Saefudin dan Ibunda Siti Maesaroch serta adik Daffa

Rakha Prayoga yang selalu memberikan kasih sayang, semangat dan doa.

2 Bapak Toto Haryanto, SKom MSi dan Ibu Dr Ir Nina Maryana, MSi selaku

dosen pembimbing yang telah memberikan arahan dan bimbingan kepada

penulis dalam menyelesaikan tugas akhir ini.

3 Ibu Dr Imas S Sitanggang, SSi MKom selaku dosen penguji dalam tugas akhir

ini.

4 Ibu Aisyah dan Bapak Wawan yang telah membantu penulis dalam

menyediakan hama tanaman tomat.

5 Rini Windyastuti, Kak Cut Malisa Irwan dan M. Luthfi Fajar sebagai teman

satu bimbingan yang selalu memberikan masukan dan semangat kepada

penulis.

6 Rekan-rekan di Departemen Ilmu Komputer angkatan 46 atas segala

kebersamaan.

7 Teman-teman kontrakan Luksie Wipriyance, Annisa Noyara Rahmasary dan

Wahyu Retno Savitri.

8 Teman-teman seperjuangan Dina, Niken, Marlisa dan Revita.

Semoga karya ilmiah ini bermanfaat.

Bogor, Juli 2013

Rizkia Hanna Amalia

DAFTAR ISI

DAFTAR TABEL vii

DAFTAR GAMBAR vii

DAFTAR LAMPIRAN vii

PENDAHULUAN 1

Latar Belakang 1

Tujuan Penelitian 2

Manfaat Penelitian 2

Ruang Lingkup Penelitian 2

METODE 2

Pengambilan Data 2

Praproses Citra 4

Ekstraksi Ciri Citra 4

K-fold Cross Validation 5

Model Klasifikasi Citra 6

Pengujian 6

HASIL DAN PEMBAHASAN 7

Pengambilan Data 7

Praproses Citra 7

Ekstraksi Ciri Citra 8

Model Klasifikasi Citra 8

Analisis Kesalahan 10

Pengujian 12

SIMPULAN DAN SARAN 13

Simpulan 13

Saran 13

DAFTAR PUSTAKA 14

LAMPIRAN 16

RIWAYAT HIDUP 24

DAFTAR TABEL

1 Hasil akurasi (%) klasifikasi pada jarak 1 9 2 Hasil akurasi (%) klasifikasi pada jarak 2 9 3 Hasil akurasi (%) klasifikasi pada jarak 3 9 4 Hasil akurasi (%) klasifikasi pada jarak 4 10 5 Hasil akurasi (%) klasifikasi pada jarak 5 10 6 Confusion matrix jarak 2 sudut 135° fold 5 12 7 Hasil selisih ciri tekstur citra uji dan citra latih fold 5 12 8 Confusion matrix pengujian 13 9 Hasil selisih ciri tekstur citra uji dan citra latih pengujian 13

DAFTAR GAMBAR

1 Metode penelitian 3 2 Citra hama 4 3 Struktur PNN 7 4 Tahapan praproses citra 8 5 Grafik perbandingan sudut 11 6 Sudut GLCM 11 7 Perbandingan citra uji dan citra latih S. litura pada fold 5 12

DAFTAR LAMPIRAN

1 Hasil ekstraksi ciri pada C. chalcites, S. litura dan H. armigera

pada jarak 1 16 2 Hasil perbandingan rata-rata citra uji dan citra latih S. litura fold

5 22 3 Antarmuka sistem identifikasi citra hama tanaman tomat 23

PENDAHULUAN

Latar Belakang

Tomat merupakan salah satu jenis sayuran buah yang sangat dikenal oleh

masyarakat. Rasa tomat yang manis segar memberikan kesegaran pada tubuh.

Karena cita rasanya yang khas ini, tomat banyak digemari oleh banyak orang. Cita

rasa dan kelezatan tomat yang khas ini juga dapat menambah cita rasa dan

kelezatan berbagai macam masakan dan minuman (Cahyono 2008). Tanaman

tomat banyak tumbuh di dataran tinggi. Dari data Dirjen Hortikultura Deptan

(2011) setiap tahunnya produktivitas tomat mengalami naik turun. Naik turunnya

produktivitas tomat ini dapat disebabkan oleh berbagai hal, salah satunya serangan

hama dan penyakit. Hama adalah organisme yang merusak tanaman dan secara

ekonomis merugikan manusia (Tjahjadi 1989). Antara (2010) melaporkan adanya

serangan hama tomat yang menyebabkan petani mengalami kerugian 3 juta rupiah

per hektar.

Untuk mengendalikan suatu hama diperlukan berbagai informasi, di

antaranya adalah informasi mengenai hama apa yang menyerang. Saat ini

identifikasi hama umumnya dilakukan secara manual, misalnya dengan merujuk

pada panduan gambar spesimen, spesimen pembanding di laboratorium atau kunci

identifikasi. Teknologi semakin berkembang, salah satunya di bidang pengolahan

citra digital. Pengolahan citra digital adalah pemrosesan citra, khususnya dengan

menggunakan komputer sehingga kualitas citra menjadi baik dan akan

memberikan informasi warna (Hermantoro 2007). Adanya pengolahan citra digital

membantu mempermudah identifikasi hama secara otomatis. Dalam bidang

pengolahan citra digital, citra dapat dianalisis dari warna, tekstur maupun

bentuknya.

Wen dan Guyer (2012) melakukan identifikasi serangga kebun buah

berbasis citra menggunakan global feature extraction yang di dalamnya memuat

ciri tekstur Gray Level Co-occurrence Matrix (GLCM) dengan akurasi 85.3%.

Teknik ekstraksi ciri GLCM juga menghasilkan akurasi yang paling baik yaitu

99% pada citra tekstur Brodatz dibandingkan dengan teknik yang lain seperti

Linear Regression Model, Wavelet dan Gabor (Suresh dan Shunmuganathan

2012). Hartadi (2011) mengidentifikasi potensi kanker payudara pada

mammogram menggunakan ekstraksi ciri GLCM dengan baik. Identifikasi pada

penelitian ini dilakukan dengan mengambil tujuh unsur citra grayscale yaitu

entropi, kontras, energi, homogenitas, korelasi, mean dan standar deviasi dengan

akurasi tertinggi 86%. Penelitian lain yang dilakukan oleh Gasim (2006) untuk

mengidentifikasi jenis kayu berbasis citra menggunakan enam unsur citra

grayscale yaitu entropi, kontras, energi, homogenitas, level dan standar deviasi

menghasilkan akurasi di atas 76%. Teknik ekstraksi ciri GLCM dengan model

klasifikasi Probabilistic Neural Network (PNN) menghasilkan akurasi 78%

dengan hanya menggunakan tiga ciri tekstur GLCM yaitu energi, entropi dan

kontras (Mishra 2013).

Tanaman tomat dapat diserang oleh berbagai hama dari berbagai ordo dan

famili serangga. Ciri dan bentuk berbagai hama tersebut cukup berbeda satu sama

lain sehingga tidak terlalu sulit untuk mengidentifikasinya. Pada tahap awal

2

pengembangan, sistem identifikasi berbasis citra digital ini dipilih tiga jenis hama

saja pada fase dewasa. Fase dewasa ketiga jenis hama berupa ngengat yang

hampir sama namun berbeda pada pola sayap. Hama tersebut berada pada ordo

Lepidoptera, famili Noctuidae yaitu Chrysodeixis chalcites Esper, Spodoptera

litura Fabricius, dan Helicoverpa armigera (Hübner). Penelitian ini mencoba

untuk menghasilkan sistem identifikasi hama tanaman tomat berbasis citra digital

menggunakan teknik ekstraksi ciri GLCM dengan lima ciri tekstur dan teknik

klasifikasi PNN dengan menggunakan tiga jenis hama tomat pada fase dewasa

dalam famili Noctuidae.

Tujuan Penelitian

Tujuan penelitian ini adalah sebagai berikut:

1 Membuat model identifikasi tiga jenis hama tanaman tomat berbasis citra.

2 Membandingkan kinerja GLCM pada sudut dan jarak berbeda.

Manfaat Penelitian

Penelitian ini diharapkan dapat menjadi acuan dalam pengembangan

identifikasi citra otomatis untuk hama lainnya dan selanjutnya dapat dimanfaatkan

oleh berbagai kalangan khususnya dalam penanggulangan hama tomat.

Ruang Lingkup Penelitian

Ruang lingkup penelitian ini adalah sebagai berikut:

1 Data penelitian ini ditentukan hanya tiga jenis hama tanaman tomat fase

dewasa yang berada pada famili yang sama dan mempunyai kemiripan.

2 Background yang digunakan pada saat pengambilan citra harus berwarna putih.

3 Posisi hama pada saat pengambilan citra adalah posisi ideal, yaitu posisi hama

direntang.

METODE

Metode penelitian yang digunakan dapat dilihat pada Gambar 1. Tahapan

penelitian ini meliputi pengambilan data, praproses citra, k-fold cross validation,

ekstraksi ciri citra, model klasifikasi PNN dan pengujian.

Pengambilan Data

Data yang diambil adalah tiga jenis hama fase dewasa yang menyerang

tanaman tomat. Ketiga jenis hama pada fase dewasa ini termasuk ke dalam ordo

Lepidoptera, famili Noctuidae yang memiliki bentuk serupa dengan tekstur sayap

hampir mirip seperti terlihat pada Gambar 2. Data diambil menggunakan kamera

digital dengan ukuran citra 2488×2120 piksel. Data penelitian didapat dari

Laboratorium Biosistematika Serangga, Departemen Proteksi Tanaman, Fakultas

Pertanian, Institut Pertanian Bogor.

3

a Chrysodeixis chalcites

Telur C. chalcites berwarna agak putih. Larva berwarna hijau dan biasanya

membentuk kepompong pada bagian bawah daun. Ngengat berwarna gelap dan

terdapat bintik-bintik keemasan berbentuk Y pada sayap depan (Rukmana 1994).

C. chalcites menyerang daun sehingga daun tinggal epidermis atau tinggal tulang

daunnya pada fase larva dan juga menyerang buah tomat (Open 2008).

b Spodoptera litura

Telur S. litura berwarna putih dan berbulu halus seperti diselimuti kain

laken. Saat keluar dari telur, larva berwarna hijau muda kemudian akan berubah

menjadi hitam kecokelatan dan memiliki kalung hitam pada segmen abdomen

yang ke empat dan ke sepuluh. Pupa S. litura berwarna coklat gelap dan terdapat

di dalam tanah. Sayap ngengat di bagian depan berwarna coklat atau keperakan

sedangkan sayap bagian belakang berwarna keputihan-putihan dengan bercak

hitam. Gejala serangan S. litura pada daun ialah terdapat sisa-sisa epidermis

bagian atas dan tulang-tulang daun saja. Gejala serangan pada buah ditandai

dengan timbulnya lubang tidak beraturan pada buah tomat (Setiawati et al. 2001).

c Helicoverpa armigera

Serangan hama H. armigera dapat menyebabkan kerusakan pada buah tomat

sebesar 80% (Uhan dan Suriaatmadja 1993). Telur H. armigera berwarna kuning

muda dan berubah menjadi abu-abu dan hitam ketika akan menetas menjadi larva.

Larva berwarna kekuningan dan akan berubah menjadi kuning, hijau, kemerahan,

Gambar 1 Metode penelitian

Gambar 1 Metode penelitian

4

atau kecoklatan. Setelah fase pupa, H. armigera mengalami fase dewasa atau

ngengat. Ngengat H. armigera memiliki sayap depan berwarna coklat dengan satu

bintik hitam, sayap belakang memiliki tepi berwarna hitam dan pangkal sayap

berwarna kecoklatan. Hama ini bersifat polifagus. Gejala serangan hama ini yaitu

larva melubangi buah-buah tomat, menyerang pucuk tanaman dan melubangi

cabang-cabang buah tomat (Herlinda 2005).

Praproses Citra

Pada tahap praproses citra hama asli dilakukan cropping secara manual

sehingga background tidak mendominasi. Setelah cropping, setiap citra akan

diubah menjadi grayscale dan difilter menggunakan operator Sobel karena

operator ini mampu mengurangi noise. Operator Sobel merupakan matriks

konvolusi yang meninjau pengaturan piksel di sekitar piksel (x,y):

[

( )

]

Operator Sobel adalah magnitudo dari gradien yang dihitung dengan rumus:

√s s

Turunan parsial dihitung dengan rumus:

s ( ) s ( )

dengan:

c = 2

sx = hasil filter sumbu x

sy = hasil filter sumbu y (Gasim 2006).

Ekstraksi Ciri Citra

Pada tahap ekstraksi ciri ini digunakan teknik ekstraksi GLCM. GLCM

adalah matriks derajat keabuan yang merepresentasikan hubungan suatu derajat

keabuan dengan derajat keabuan lain. GLCM merupakan dasar dari teknik tekstur

Haralick, GLCM digunakan untuk analisis pasangan piksel yang bersebelahan

tergantung dengan sudut yang digunakan. Apabila citra yang digunakan adalah

citra biner maka yang digunakan adalah GLCM dua level. Setelah itu matriksnya

Gambar 2 Citra hama

5

dinormalisasi dengan menghitung peluang nilai piksel berdekatan dibagi dengan

jumlah semua peluang nilai piksel berdekatan, sehingga hasil penjumlahan piksel

dalam matriks tersebut 1 (Suresh dan Shunmuganathan 2012).

Teknik GLCM mencakup perhitungan kontras, korelasi, energi,

homogenitas, standar deviasi, entropi, dan rata-rata sebagai ciri tekstur. Pada

penelitian ini yang dijadikan ciri tekstur pada GLCM yaitu kontras, energi,

korelasi, homogenitas dan entropi berdasarkan pada hasil penelitian Purnomo

(2009). Purnomo (2009) menyebutkan bahwa kelima ciri tekstur GLCM tersebut

dapat dijadikan variabel untuk pengklasifikasian jenis parket kayu jati. GLCM

yang telah dinormalisasi jumlah elemennya sama dengan 1. Setiap elemen (i,j)

dalam GLCM yang sudah dinormalisasi menunjukkan terjadinya peluang

gabungan pasangan piksel dengan hubungan spasial yang didefinisikan memiliki

tingkat keabuan i dan j pada citra. Misalkan p adalah GLCM yang sudah

dinormalisasi dari masukan tekstur citra (Suresh dan Shunmuganathan 2012).

Kontras mengukur intensitas kontras di antara piksel dan tetangganya dalam

keseluruhan citra dan korelasi mengukur seberapa berkorelasi piksel dengan

tetangganya yang dihitung dengan rumus:

∑| | ( )

∑ ∑ ( )( )

Energi adalah jumlah elemen kuadrat dalam GLCM yang dinormalisasi,

homogenitas adalah nilai yang mengukur kedekatan distribusi elemen dalam

GLCM dengan diagonal GLCM, sedangkan entropi menyatakan tingkat keacakan

tekstur. Ketiganya dihitung dengan rumus:

∑

∑

| |

∑ ( )

dengan:

µi = nilai rata-rata baris ke-i matriks p

µj = nilai rata-rata kolom ke-j matriks p

= standar deviasi baris ke-i matriks p

= standar deviasi kolom ke-j matriks p.

K-fold Cross Validation

K- fold cross validation mudah diterapkan dan semua data digunakan untuk

pelatihan dan pengujian. Mekanisme untuk membuat partisi k-fold dari seluruh

data adalah mengulangi sebanyak k kali percobaan dengan menggunakan k-1 fold

untuk pelatihan dan sisanya untuk pengujian. Akurasi didapat dari rata-rata

seluruh k percobaaan (Zhang dan Wu 2011). Pada penelitian ini digunakan k

sebesar 5. Citra latih sebanyak 4/5 dan citra uji sebanyak 1/5 dari jumlah citra.

Citra yang digunakan pada penelitian ini sebanyak 90 citra sehingga setiap

6

percobaan terdapat 72 citra latih dan 18 citra uji sehingga matriks citra latih

berukuran 72×5 dan matriks citra uji berukuran 18×5.

Model Klasifikasi Citra

Citra dibagi menjadi citra uji dan citra latih dengan teknik k- fold cross

validation dan dilakukan klasifikasi menggunakan model PNN. PNN merupakan

teknik klasifikasi dengan empat lapisan yang dapat dilihat pada Gambar 3. PNN

merupakan adaptasi dari back propagation dan Bayes. Lapisan pertama adalah

lapisan masukan (input units) yang terdiri atas matriks hasil ekstraksi ciri citra uji

yang akan diklasifikasikan ke dalam suatu kelas.

Lapisan kedua adalah lapisan pola (pattern units). Pada lapisan ini dihitung

jarak antara vektor hasil ekstraksi citra uji dengan vektor hasil ekstraksi ciri citra

latih di semua kelas kemudian dibagi dengan faktor penghalus, pada penelitian ini

faktor penghalus yang digunakan ialah 0.1. Faktor penghalus merupakan

parameter yang digunakan untuk menghaluskan fungsi kernel, kernel yang dipakai

adalah fungsi Gauss. Hasil perhitungan jarak dibagi faktor penghalus dimasukkan

ke dalam fungsi Parzen yang merupakan prosedur non parametric untuk menduga

Probabalistic Density Function. Lapisan ketiga adalah lapisan penjumlahan

(summation units) semua pola dari masing-masing kelas, pada lapisan ini

digunakan persamaan:

( ) ( | )

∑

dengan :

p(A) = peluang kelas A

p(x|A) = peluang bersyarat x jika masuk ke dalam kelas A

xAi = vektor data latih kelas A urutan ke-i

d = dimensi vektor masukan

N = jumlah pola pelatihan seluruh kelas

NA = jumlah pola pelatihan pada kelas A

= faktor penghalus

Lapisan terakhir adalah lapisan keluaran (output units). Pada lapisan ini

masukan data uji akan diklasifikasikan ke dalam suatu kelas berdasarkan nilai

peluang tertinggi, Kelebihan PNN adalah pelatihan dalam PNN hanya melibatkan

satu kali iterasi dibandingkan dengan menggunakan pendekatan Bayesian yang

melibatkan lebih dari satu kali iterasi (Specht 1990).

Pengujian

Pada tahap pengujian, citra uji akan diidentifikasi menggunakan hasil

klasifikasi citra latih. Hasil akurasi akhir merupakan akurasi rata-rata dari

keseluruhan fold.

7

Kelas yang ditentukan ada tiga kelas, yaitu kelas C. chalcites fase dewasa,

S. litura fase dewasa dan H. armigera fase dewasa. Hasil identifikasi akan

dihitung akurasinya menggunakan rumus:

∑

∑

HASIL DAN PEMBAHASAN

Pengambilan Data

Data dibawa ke laboratorium untuk kemudian diambil citranya

menggunakan kamera digital. Citra yang terkumpul sebanyak 90 citra dengan

masing-masing sebanyak 30 citra untuk setiap kelas.

Praproses Citra

Citra yang terkumpul dalam bentuk citra Red Green Blue (RGB) dengan

format fail JPEG. Tahapan praproses yang pertama adalah dilakukan cropping

secara manual sesuai citra sehingga piksel citra berbeda satu dengan yang lainnya.

Citra hasil cropping diubah menjadi citra grayscale. Hasil citra grayscale ini yang

difilter menggunakan operator Sobel. Tahapan praproses citra dapat dilihat pada

Gambar 4.

Gambar 3 Struktur PNN (Sumber: Specht 1990)

Gambar 2 Struktur PNN (Sumber: Specht 1990)

8

Ekstraksi Ciri Citra

Hasil citra Sobel tersebut diekstraksi ciri menggunakan GLCM. Matriks

co-occurrence dari setiap citra dibuat berdasarkan sudut dan jarak yang ditentukan.

Sudut yang digunakan yaitu 0, 45, 90 dan 135º dengan jarak 1, 2, 3, 4, dan 5.

Misalkan matriks co-occurrence sudut 0º dengan jarak 1, akan dihitung peluang

nilai-nilai piksel yang berdekatan secara horizontal pada jarak 1 yang berarti tepat

di sebelahnya. Dari hasil matriks yang sudah dinormalisasi dihitung entropi,

energi, korelasi, homogenitas dan kontras. Masing-masing dari citra tersebut

disimpan kelima cirinya untuk dihitung jaraknya pada tahap klasifikasi. Hasil

ekstraksi ciri citra GLCM pada semua citra pada jarak 1 dapat dilihat pada

Lampiran 1. Sebagian besar entropi bernilai 0 di seluruh sudut, ini membuktikan

bahwa entropi tidak terlalu berpengaruh pada citra hama ini karena selalu

menghasilkan angka yang serupa yaitu 0. Entropi mengukur kompleksitas dari

citra yang berarti citra yang entropinya bernilai 0 tidak memiliki tekstur yang acak.

Citra hama pada penelitian memiliki range entropi yang besar antara 0-0.99 yang

menunjukkan citra yang sangat bervariasi dari yang paling teracak hingga citra

konstan. Energi mengukur keseragaman tekstur, semakin mendekati nilai 1 berarti

semakin konstan yang berarti teksturnya seragam. Nilai energi berkisar antara

0.23–0.61, hal tersebut menandakan bahwa citra ketiga hama memiliki range

cukup jauh dalam keseragaman teksturnya (Lampiran 1). Homogenitas mengukur

keseragaman nilai keabuan, nilainya semakin meningkat apabila perbedaan antara

nilai keabuan kecil. Homogenitas pada ketiga citra memiliki nilai berkisar antara

0.81-0.95 yang menandakan nilai keabuan termasuk memiliki perbedaan yang

tidak jauh. Korelasi mengukur abu-abu nada linear dependensi dalam suatu citra.

Nilai korelasi pada ketiga citra hama berkisar antara 0.43-0.88 sedangkan nilai

kontras pada ketiga citra hama berkisar antara 0.13-0.86. Kontras mengukur

frekuensi spasial. Kontras pada ketiga hama memiliki frekuensi spasial dengan

range cukup jauh, dari frekuensi rendah hingga frekuensi cukup tinggi.

Model Klasifikasi Citra

Pembagian citra uji dan citra latih menggunakan k-fold cross validation

dengan fold 5. Total citra sebanyak 90 buah, jadi setiap percobaan terdapat 18

citra uji dan 72 citra latih. Klasifikasi menggunakan PNN berlaku untuk semua

sudut, yaitu 0, 45, 90, dan 135º. Jarak yang digunakan pada penelitian ini yaitu 1,

2, 3, 4, dan 5. Hasil klasifikasi sudut 0, 45, 90, dan 135º pada jarak 1 terlihat pada

Gambar 4 Tahapan praproses citra

Gambar 3 Tahapan praproses citra

Citra asli Citra cropping Citra grayscale Citra sobel

9

Tabel 1. Rata-rata fold terkecil terdapat pada fold 5 dan terbesar pada fold 4. Nilai

akurasi sama dengan rata-rata fold, nilai akurasi terendah 44.44% terdapat pada

fold 5 dan tertinggi 94.44% pada fold 4. Pada Tabel 1 ini akurasi rata-rata tertinggi

terdapat pada sudut 45°. Hasil klasifikasi sudut 0, 45, 90, dan 135º pada jarak 2

terlihat pada Tabel 2. Keseluruhan rata-rata akurasi mengalami peningkatan

kecuali sudut 45 dan rata-rata akurasi tertinggi terdapat pada sudut 135°. Rata-

rata tiap fold juga meningkat kecuali pada fold 4. Hasil klasifikasi sudut 0, 45, 90,

dan 135º pada jarak 3 terlihat pada Tabel 3. Nilai akurasi rata-rata tertinggi pada

sudut 135º. Pada jarak 3 ini rata-rata akurasi menurun dari jarak sebelumnya

kecuali pada sudut 45. Rata-rata tiap fold juga menurun secara keseluruhan

kecuali pada fold 5. Hasil klasifikasi sudut 0, 45, 90, dan 135º pada jarak 4

terlihat pada Tabel 4. Secara keseluruhan rata-rata akurasi menurun daripada jarak

3. Hasil klasifikasi sudut 0, 45, 90, dan 135º pada jarak 5 terlihat pada Tabel 5.

Tabel 1 Hasil akurasi (%) klasifikasi pada jarak 1

Sudut (º) Fold

Rata-rata 1 2 3 4 5

135 72.22 77.78 88.89 94.44 44.44 75.56

90 72.22 77.78 50.00 88.89 44.44 66.67

45 77.78 77.78 88.89 88.89 61.11 78.89

0 77.78 66.67 66.67 94.44 55.56 72.22


Sudut (º) Fold

Rata-rata 1 2 3 4 5

135 94.44 77.78 83.33 88.89 50.00 78.89

90 88.89 77.78 83.33 77.78 44.44 74.44

45 77.78 83.33 83.33 77.78 61.11 76.67

0 77.78 83.33 66.67 88.89 50.00 73.33


Sudut (º) Fold

Rata-rata 1 2 3 4 5

135 88.89 77.78 77.78 83.33 55.56 76.67

90 88.89 72.22 77.78 83.33 50.00 74.44

45 77.78 77.78 77.78 72.22 61.11 73.33

0 72.22 77.78 61.11 83.33 50.00 68.89

10

Rata-rata akurasi tetap pada sudut 135 dan 90º dari jarak 4 (Tabel 5). Rata-

rata akurasi tertinggi masih terdapat pada sudut 135º. Rata-rata setiap fold Tabel 5,

akurasi mengalami peningkatan pada fold 1 dan 3 daripada jarak 4. Hasil

klasifikasi GLCM berdasarkan jarak tidak mempengaruhi kinerja akurasi, hal ini

membuktikan bahwa peluang nilai keabuan bersebelahan pada jarak tertentu

bervariasi. Semakin bertambahnya jarak tidak membuat akurasi meningkat di

seluruh sudut. Akurasi cenderung naik hingga jarak 2 lalu menurun di jarak 3 dan

seterusnya kecuali pada sudut 45°. Semakin bertambahnya jarak, akurasi rata-rata

sudut 45° semakin menurun. Terlihat dari keseluruhan jarak, sudut yang

menunjukkan akurasi terbesar yaitu sudut 135° yang terlihat pada Gambar 5.

Gambar 5 menunjukkan rata-rata besarnya akurasi setiap sudut di semua jarak.

Secara keseluruhan akurasi rata-rata sudah mencapai lebih dari 70%. Sudut 135º

berarti yang dihitung jaraknya yaitu piksel dengan piksel tetangganya berada di

serong kiri atas seperti pada Gambar 6 yang dilingkari. Hal ini menyatakan bahwa

peluang piksel bertetangga pada diagonal kiri ini memiliki peluang yang tinggi.

Akurasi rata-rata terendah secara keseluruhan terjadi pada sudut 90. Sudut ini

menghitung jarak piksel dengan piksel tetangga yang berada pada sebelah vertikal.

Berarti pada citra ketiga kelas hama sebagian besar peluang nilai keabuan citra

serong dari bidang datar tinggi dan masih banyak background di atas objek citra

sendiri.

Analisis Kesalahan

Hasil identifikasi tiga kelas hama tomat menggunakan ekstraksi ciri GLCM

dan klasifikasi PNN menghasilkan akurasi tertinggi 94.44% sedangkan akurasi

terendah 44.44%. Akurasi rata-rata tertinggi pada semua fold menghasilkan

78.89% pada jarak 1 sudut 45° dan jarak 2 sudut 135.


Sudut (º) Fold

Rata-rata 1 2 3 4 5

135 88.89 77.78 77.78 77.78 55.56 75.56

90 88.89 61.11 72.22 72.22 50.00 68.89

45 77.78 77.78 77.78 72.22 55.56 72.22

0 72.22 77.78 61.11 83.33 50.00 68.89


Sudut (º) Fold

Rata-rata 1 2 3 4 5

135 88.89 77.78 77.78 77.78 55.56 75.56

90 88.89 66.67 72.22 72.22 44.44 68.89

45 77.78 77.78 77.78 72.22 44.44 70.00

0 77.78 72.22 66.67 83.33 55.56 71.11

11

Pada sudut 135, 90 dan 0 rata-rata akurasi meningkat sampai pada jarak 2

lalu pada jarak 3 menurun hingga pada jarak 5 kecuali pada sudut 90º. Sudut 45

mengalami penurunan akurasi seiring dengan bertambahnya jarak. Pada akurasi

tertinggi sudut 135º jarak 2 terlihat bahwa akurasi paling kecil yaitu 50% pada

fold 5. Confusion matrix pada fold 5 jarak 2 sudut 135° terlihat pada Tabel 6.

Kelas sl terklasifikasi benar hanya 2, yang lain teridentifikasi masuk ke dalam

kelas cc. Kelas cc terklasifikasi benar sebanyak 3 dan kelas ha hanya dua yang

terklasifikasi salah. Kelas sl merupakan kelas yang paling banyak tidak

terklasifikasikan benar, hal ini disebabkan citra pada kelas ini memiliki

pencahayaan berbeda antara citra uji dan citra latih sehingga nilai kontrasnya

berbeda jauh seperti terlihat pada Gambar 7. Perbedaan nilai lima ciri tekstur pada

citra uji dan citra latih dapat dilihat pada Tabel 7. Kontras mempunyai selisih nilai

paling tinggi di antara empat ciri tekstur lain. Selisih nilai kontras mencapai 0.31.

Rata-rata lima tekstur citra uji dan citra latih S. litura pada fold 5 dapat dilihat

pada Lampiran 2. Kontras adalah perbedaan dari dua warna yang berlawanan.

Pencahayaan pada citra latih lebih jelas daripada citra uji (Gambar 7). Dapat

dilihat sayap citra uji pada Gambar 7 lebih gelap daripada citra latih yang terlihat

terang dan dari selisih Tabel 7 kelima tekstur GLCM kontras memiliki selisih

terbesar antara citra latih dan citra uji. Dilihat dari Tabel 1 sampai Tabel 5, fold 5

memiliki nilai akurasi yang paling rendah hanya berkisar 50% dibandingkan

dengan fold yang lain. Hal ini terjadi karena citra uji dan citra latih berbeda

pencahayaan seperti pada Gambar 7. Oleh karena itu, dalam pengolahan citra

digital sangat perlu diperhatikan pencahayaan dalam proses pengambilan citra.

Gambar 5 Grafik perbandingan sudut

76.44 70.67 74.22 70.89

0

20

40

60

80

100

135 90 45 0

Ak

ura

si (

%)

Sudut (°)

Gambar 6 Sudut GLCM

Gambar 4 Sudut GLCM

12

keterangan: cc = Chrysodeixis chalcites sl = Spodoptera litura

ha = Helicoverpa armigera

Pengujian

Model klasifikasi yang menghasilkan akurasi tertinggi digunakan untuk

citra latih pengujian, yaitu pada sudut 135° jarak 2 fold 1. Oleh karena itu pada

penelitian ini akan digunakan model tersebut untuk pengujian. Adapun antarmuka

sistem identifikasi dengan model dapat dilihat pada Lampiran 3. Citra uji yang

digunakan pada pengujian adalah citra baru yang tidak digunakan pada saat model

klasifikasi. Setiap kelas diuji 6 citra dengan akurasi 61.11%. Hasil confusion

Tabel 6 Confusion matrix jarak 2

sudut 135 fold 5

Kelas cc sl ha

cc 3 2 1

sl 4 2 0

ha 2 0 4

Tabel 7 Hasil selisih ciri tekstur citra uji

dan citra latih pengujian

Ciri tekstur Selisih

Kontras 0.311866

Energi 0.117366

Homogenitas 0.045294

Korelasi 0.017655

Entropi 0.000000

Gambar 7 Perbandingan citra uji dan citra latih

S. litura pada fold 5

Gambar 5 Perbandingan citra uji dan citra

latih S. litura pada fold 5

13

matrix pengujian dapat dilihat pada Tabel 8. Kelas sl merupakan kelas yang paling

sedikit teridentifikasi benar, namun secara keseluruhan pengujian kelas lainnya

juga belum cukup teridentifikasi benar. Dari perbandingan citra uji dengan model

klasifikasi citra latih pada kelas sl terlihat yang memiliki selisih paling tinggi

terdapat pada ciri tekstur kontras (Tabel 9). Hal ini sama halnya dengan hasil

perbandingan selisih model klasifikasi bahwa kontras memiliki selisih tertinggi

dibandingkan dengan ciri tekstur lain (Tabel 6).

keterangan: cc = Chrysodeixis chalcites sl = Spodoptera litura

ha = Helicoverpa armigera

SIMPULAN DAN SARAN

Simpulan

Model identifikasi hama tanaman tomat menggunakan ekstraksi ciri GLCM

dengan PNN berhasil dilakukan. Akurasi tertinggi yang dihasilkan sebesar

78.89% pada sudut 45° jarak 1 dan sudut 135º jarak 2. Semakin besar jarak yang

digunakan dalam GLCM tidak memberi dampak signifikan terhadap nilai akurasi

karena akurasi di setiap jarak mengalami peningkatan dan penurunan tergantung

sudut yang digunakan. Ciri GLCM entropi tidak terlalu memberi dampak

signifikan terhadap nilai akurasi pada citra hama tanaman tomat dan hampir selalu

menghasilkan nilai 0. Hasil akurasi pengujian menggunakan model klasifikasi

akurasi tertinggi menghasilkan akurasi sebesar 61.11%. Ciri tekstur GLCM

kontras memberi dampak signifikan terhadap akurasi dan kontras mempunyai

selisih cukup tinggi antara citra uji dengan citra latih pada model klasifikasi dan

pengujian.

Tabel 8 Confusion matrix pengujian

Kelas cc sl ha

cc 4 1 1

sl 2 3 1

ha 1 1 4

Tabel 9 Hasil selisih ciri tekstur citra uji dan citra latih

fold 5

Ciri tekstur Selisih

Kontras 0.154605

Energi 0.042503

Homogenitas 0.011241

Korelasi 0.149833

Entropi 0.141037

14

Saran

Diharapkan untuk penelitian selanjutnya dilakukan pembuatan model

identifikasi untuk seluruh hama yang menyerang tanaman tomat. Cropping pada

citra dilakukan secara otomatis dengan memanfaatkan deteksi yang mengambil

nilai terluar atau dengan segmentasi citra agar citra yang diekstraksi tidak

memperhitungkan nilai background. Saat pengambilan citra, pencahayaan harus

diatur agar sama antara citra satu dengan citra lainnya karena hal tersebut sangat

mempengaruhi nilai kontras. Posisi hama saat pengambilan citra tidak hanya pada

posisi ideal. Selain itu dapat juga dikembangkan GLCM yang tidak hanya

memakai satu sudut saja tapi kombinasi beberapa sudut untuk ekstraksi ciri.

DAFTAR PUSTAKA

[Antara] Antara Sulawesi Selatan. 2010. Petani Gowa keluhkan serangan hama

tomat. Antara News Makassar [Internet]. [diunduh 2013 Mei 28]. Tersedia

pada: http://www.antarasulsel.com/print/17114/profil-antara.

Cahyono B. 2008. Tomat, Usaha Tani dan Penanganan Pascapanen. Yogyakarta

(ID): Kanisius.

[Dirjen Hortikultura Deptan] Direktorat Jenderal Hortikultura Departemen

Pertanian. 2011. Produksi tanaman tomat menurut provinsi, 2007-2011.

Kementerian Pertanian Republik Indonesia [Internet]. [diunduh 2012 Nov 10].

Tersedia pada: http://www.deptan.go.id/infoeksekutif/horti/isi_dt5thn_horti.

php.

Gasim. 2006. Jaringan syaraf tiruan untuk pengenalan jenis kayu berbasis citra

[Tesis]. Bogor (ID): Institut Pertanian Bogor.

Hartadi. 2011. Deteksi potensi kanker payudara pada mammogram menggunakan

metode gray level co-occurrence matrix [Skripsi]. Semarang (ID): Universitas

Diponegoro.

Herlinda S. 2005. Bioekologi Helicoverpa armigera (Hübner) (Lepidoptera:

Noctuidae). Agria. 2(1): 32-36.

Hermantoro. 2007. Aplikasi pengolahan citra digital dan jaringan syaraf tiruan

untuk prediksi kadar bahan organik dalam tanah. Di dalam: Wardhani NK et al,

Editor. Prosiding Seminar Inovasi Teknologi dan Kelembagaan Pertanian dan

Upaya Pemberdayaan Masyarakat; 24-25 Agustus 2007; Yogyakarta,

Indonesia. Yogyakarta (ID): BP2TP. hlm 215-221.g

Mishra R. 2013 . Scene image analysis using GLCM and Gabor filter. IJERA.

3(2): 237-241.

[Open] Open Natur. 2008. Tomato looper (Chrysodeixis chalcites Esper)

[Internet]. [diunduh 2013 Juli 27]. Tersedia pada: http://opennatur.com/en_plu

sia_chalcites_chrysodeixis_chalcites_esper.html

Purnomo A. 2009. Aplikasi pemrograman C# untuk analisis tekstur kayu parquet

dengan menggunalan metode grey level co-occurrence matrix. Depok (ID):

Universitas Gunadarma.

Rukmana R. 1994. Bertanam Kubis. Yogyakarta (ID): Kanisius.

http://www.antarasulsel.com/print/17114/profil-antara

http://www.deptan.go.id/infoeksekutif/horti/isi_dt5thn_horti

http://opennatur.com/en_plu

15

Setiawati W, Sulastrini I, Gunaeni N. Penerapan Teknologi PHT pada Tanaman

Tomat. Bandung (ID): Balitsa.

Specht DF. 1990. Probabilistic Neural Networks. Neural Network. 3: 109-118.

Suresh A, Shunmuganathan KL. 2012. Image texture classification using Gray

Level Co-occurrence Matrix based statistical features. Euro J Sci Res. 75(4):

591-597.

Tjahjadi N. 1989. Hama dan Penyakit Tanaman. Yogyakarta (ID): Kanisius.

Uhan TS, Suriaatmadja RE. 1993. Pengendalian ulat buah tomat (Helicoverpa

armigera Hubn.) dengan insektisida organophosphate dan pirethroid buatan.

Bul Penel Hort 25(4): 29-34.

Wen C, Guyer D. 2012. Image-based orchard insect automated identification and

classification method. Comp Elec Agr. 89: 110-115.

Zhang Y, Wu L. 2011. Crop classification by Forward Neural Network with

adaptive chaotic Particle Swarm Optimization. Sensors. 11: 4721-4743. doi:

10.3390/s11050472.

16

Lampiran 1 Hasil ekstraksi ciri pada C. chalcites, S. litura dan H. armigera pada jarak 1

su C. chalcites S. litura H. armigera

dut (°) entropi kontras

homo

genitas energi korelasi entropi kontras

homo


homo

genitas energi korelasi

0 0.00 0.36 0.89 0.33 0.80 0.00 0.32 0.89 0.40 0.84 0.00 0.22 0.92 0.49 0.78

0.00 0.37 0.89 0.33 0.79 0.27 0.21 0.93 0.50 0.88 0.34 0.21 0.93 0.48 0.79

0.00 0.34 0.89 0.32 0.77 0.00 0.19 0.94 0.56 0.81 0.12 0.19 0.95 0.62 0.75

0.00 0.45 0.88 0.35 0.82 0.20 0.21 0.92 0.48 0.83 0.12 0.21 0.93 0.50 0.81

0.00 0.38 0.89 0.33 0.79 0.12 0.26 0.91 0.44 0.84 0.20 0.21 0.93 0.53 0.79

0.00 0.48 0.87 0.29 0.77 0.00 0.22 0.93 0.53 0.82 0.00 0.22 0.93 0.54 0.80

0.00 0.49 0.87 0.30 0.76 0.00 0.20 0.94 0.58 0.83 0.00 0.27 0.91 0.43 0.78

0.00 0.46 0.87 0.30 0.75 0.84 0.16 0.95 0.60 0.84 0.27 0.22 0.92 0.46 0.79

0.00 0.40 0.89 0.32 0.77 0.12 0.19 0.95 0.61 0.83 0.00 0.23 0.93 0.51 0.78

0.00 0.42 0.87 0.30 0.76 0.20 0.23 0.94 0.52 0.78 0.12 0.29 0.91 0.45 0.72

0.00 0.34 0.90 0.41 0.78 0.12 0.31 0.91 0.49 0.80 0.12 0.33 0.89 0.39 0.72

0.27 0.24 0.92 0.42 0.83 0.00 0.23 0.93 0.51 0.83 0.12 0.20 0.93 0.52 0.81

0.00 0.32 0.90 0.36 0.84 0.00 0.28 0.91 0.46 0.82 0.20 0.17 0.94 0.57 0.78

0.00 0.29 0.90 0.34 0.82 0.34 0.23 0.92 0.49 0.80 0.12 0.23 0.91 0.42 0.81

0.00 0.30 0.90 0.36 0.82 0.12 0.20 0.94 0.54 0.84 0.12 0.23 0.92 0.45 0.80

0.00 0.27 0.92 0.41 0.81 0.20 0.15 0.95 0.60 0.86 0.45 0.18 0.94 0.52 0.82

0.00 0.40 0.89 0.33 0.79 0.00 0.19 0.94 0.55 0.87 0.20 0.24 0.92 0.44 0.80

0.00 0.41 0.89 0.31 0.81 0.27 0.20 0.93 0.49 0.89 0.66 0.22 0.94 0.52 0.72

0.20 0.28 0.90 0.39 0.81 0.12 0.27 0.92 0.45 0.84 0.73 0.16 0.94 0.54 0.78

0.00 0.54 0.84 0.25 0.80 0.20 0.27 0.91 0.42 0.85 0.40 0.18 0.94 0.53 0.76

16

17

Lampiran 1 Hasil ekstraksi ciri pada C. chalcites, S. litura dan H. armigera pada jarak 1 (Lanjutan)


dut (°) entropi kontras

homo


homo


homo

genitas energi korelasi

0 0.00 0.54 0.84 0.25 0.80 0.20 0.27 0.91 0.42 0.85 0.40 0.18 0.94 0.53 0.76

0.34 0.24 0.94 0.48 0.76 0.00 0.39 0.89 0.40 0.83 0.00 0.25 0.91 0.42 0.79

0.00 0.33 0.90 0.36 0.81 0.00 0.57 0.84 0.27 0.77 0.12 0.26 0.91 0.44 0.78

0.00 0.50 0.87 0.27 0.79 0.20 0.26 0.92 0.41 0.88 0.12 0.27 0.90 0.38 0.81

0.00 0.36 0.90 0.40 0.80 0.00 0.34 0.90 0.38 0.85 0.12 0.25 0.91 0.42 0.81

0.00 0.30 0.91 0.39 0.84 0.00 0.35 0.89 0.37 0.85 0.27 0.21 0.92 0.42 0.80

0.00 0.37 0.90 0.39 0.81 0.00 0.43 0.89 0.40 0.83 0.40 0.17 0.94 0.51 0.81

0.00 0.34 0.90 0.40 0.81 0.27 0.19 0.93 0.47 0.86 0.12 0.28 0.89 0.34 0.77

0.00 0.40 0.89 0.38 0.81 0.12 0.29 0.90 0.39 0.85 0.20 0.21 0.93 0.51 0.76

0.00 0.33 0.90 0.38 0.82 0.00 0.26 0.93 0.50 0.85 1.00 0.13 0.96 0.61 0.76

0.00 0.34 0.90 0.38 0.81 0.00 0.24 0.93 0.51 0.82 0.63 0.16 0.95 0.56 0.80

45 0.00 0.51 0.87 0.32 0.71 0.00 0.58 0.86 0.38 0.69 0.00 0.35 0.90 0.47 0.63

0.00 0.53 0.86 0.31 0.69 0.00 0.43 0.90 0.48 0.73 0.20 0.33 0.91 0.46 0.63

0.12 0.45 0.87 0.30 0.68 0.00 0.30 0.93 0.55 0.69 0.00 0.29 0.93 0.60 0.59

0.00 0.70 0.86 0.34 0.70 0.00 0.36 0.90 0.46 0.68 0.00 0.37 0.91 0.48 0.63

0.00 0.51 0.87 0.31 0.71 0.00 0.45 0.88 0.42 0.70 0.00 0.35 0.92 0.51 0.64

0.00 0.64 0.84 0.28 0.68 0.12 0.32 0.92 0.52 0.73 0.00 0.34 0.92 0.52 0.67

0.00 0.69 0.84 0.28 0.66 0.12 0.27 0.93 0.58 0.75 0.00 0.42 0.89 0.40 0.65

0.00 0.59 0.85 0.28 0.67 0.00 0.27 0.93 0.58 0.70 0.00 0.35 0.90 0.44 0.63

0.00 0.50 0.87 0.31 0.70 0.00 0.29 0.94 0.60 0.73 0.00 0.32 0.92 0.50 0.66

17

18



dut (°) entropi kontras homo

genitas

energi korelasi entropi kontras homo

genitas


genitas

energi korelasi

45 0.00 0.57 0.85 0.28 0.67 0.00 0.32 0.92 0.50 0.66 0.00 0.40 0.89 0.44 0.61

0.00 0.48 0.89 0.40 0.68 0.00 0.37 0.91 0.49 0.75 0.00 0.45 0.87 0.37 0.60

0.12 0.40 0.90 0.40 0.70 0.00 0.38 0.91 0.49 0.71 0.00 0.33 0.91 0.50 0.66

0.00 0.57 0.87 0.33 0.70 0.00 0.47 0.88 0.44 0.69 0.34 0.27 0.93 0.55 0.61

0.00 0.45 0.88 0.33 0.71 0.00 0.38 0.89 0.46 0.66 0.00 0.42 0.88 0.39 0.63

0.00 0.50 0.88 0.34 0.69 0.00 0.33 0.92 0.52 0.72 0.00 0.38 0.90 0.43 0.64

0.00 0.43 0.89 0.39 0.69 0.40 0.26 0.94 0.59 0.73 0.00 0.32 0.91 0.49 0.67

0.00 0.55 0.87 0.32 0.71 0.00 0.37 0.92 0.53 0.73 0.00 0.38 0.89 0.41 0.66

0.00 0.65 0.85 0.28 0.69 0.00 0.45 0.90 0.47 0.74 0.20 0.28 0.93 0.51 0.62

0.00 0.50 0.88 0.37 0.63 0.00 0.39 0.90 0.44 0.76 0.73 0.26 0.93 0.53 0.63

0.00 0.85 0.82 0.24 0.67 0.00 0.41 0.89 0.40 0.77 0.54 0.28 0.92 0.50 0.58

0.40 0.34 0.93 0.47 0.62 0.00 0.54 0.88 0.38 0.76 0.00 0.43 0.88 0.39 0.63

0.00 0.50 0.87 0.33 0.70 0.00 0.76 0.82 0.26 0.69 0.00 0.39 0.89 0.41 0.65

0.00 0.75 0.83 0.25 0.68 0.00 0.53 0.88 0.38 0.74 0.00 0.49 0.87 0.35 0.64

0.00 0.52 0.88 0.39 0.70 0.00 0.56 0.87 0.35 0.75 0.00 0.45 0.88 0.39 0.65

0.00 0.49 0.88 0.38 0.73 0.00 0.57 0.86 0.34 0.75 0.00 0.39 0.88 0.38 0.60

0.00 0.54 0.88 0.38 0.71 0.00 0.54 0.88 0.38 0.78 0.12 0.31 0.92 0.49 0.64

0.00 0.48 0.88 0.39 0.73 0.00 0.35 0.91 0.44 0.72 0.00 0.46 0.86 0.31 0.59

0.00 0.62 0.87 0.37 0.71 0.00 0.45 0.88 0.37 0.75 0.00 0.33 0.91 0.48 0.59

0.00 0.47 0.88 0.37 0.74 0.00 0.38 0.91 0.49 0.77 0.93 0.26 0.93 0.57 0.48

18

19




genitas


genitas


genitas

energi korelasi

45 0.00 0.49 0.88 0.37 0.73 0.00 0.32 0.92 0.50 0.76 0.20 0.28 0.92 0.53 0.63

90 0.20 0.29 0.90 0.34 0.84 0.12 0.39 0.89 0.40 0.80 0.27 0.22 0.93 0.50 0.78

0.00 0.30 0.90 0.33 0.83 0.00 0.32 0.92 0.50 0.81 0.27 0.25 0.92 0.47 0.73

0.40 0.27 0.90 0.33 0.82 0.45 0.19 0.95 0.57 0.81 0.34 0.16 0.95 0.62 0.80

0.00 0.42 0.89 0.35 0.83 0.20 0.25 0.92 0.48 0.79 0.00 0.27 0.92 0.50 0.74

0.27 0.27 0.90 0.34 0.85 0.00 0.33 0.90 0.44 0.79 0.00 0.24 0.93 0.52 0.77

0.00 0.33 0.88 0.30 0.84 0.40 0.22 0.93 0.53 0.82 0.20 0.22 0.94 0.54 0.79

0.00 0.35 0.88 0.30 0.83 0.40 0.18 0.95 0.59 0.84 0.00 0.30 0.91 0.42 0.76

0.34 0.28 0.89 0.31 0.85 0.12 0.20 0.94 0.58 0.80 0.00 0.27 0.92 0.46 0.73

0.34 0.25 0.91 0.33 0.86 0.27 0.17 0.95 0.61 0.85 0.12 0.23 0.93 0.52 0.77

0.12 0.28 0.89 0.31 0.84 0.40 0.16 0.94 0.53 0.84 0.34 0.21 0.93 0.47 0.81

0.59 0.22 0.93 0.43 0.86 0.27 0.20 0.93 0.51 0.87 0.12 0.26 0.91 0.40 0.78

0.40 0.27 0.92 0.42 0.80 0.12 0.24 0.93 0.51 0.82 0.20 0.24 0.93 0.52 0.77

0.00 0.39 0.89 0.35 0.80 0.00 0.28 0.91 0.46 0.82 0.40 0.19 0.95 0.57 0.75

0.00 0.32 0.90 0.34 0.80 0.12 0.24 0.92 0.48 0.79 0.00 0.31 0.90 0.41 0.74

0.00 0.31 0.91 0.36 0.81 0.40 0.21 0.94 0.54 0.83 0.20 0.26 0.92 0.45 0.76

0.00 0.28 0.91 0.41 0.81 0.12 0.20 0.95 0.60 0.81 0.00 0.25 0.92 0.50 0.75

0.00 0.29 0.90 0.34 0.85 0.00 0.28 0.93 0.54 0.81 0.00 0.30 0.90 0.42 0.74

0.12 0.36 0.88 0.30 0.84 0.00 0.34 0.92 0.48 0.81 0.27 0.18 0.94 0.52 0.78

0.12 0.35 0.91 0.41 0.75 0.00 0.25 0.92 0.45 0.85 0.63 0.21 0.93 0.53 0.72

19

20




genitas


genitas


genitas

energi korelasi

90 0.00 0.56 0.86 0.27 0.79 0.00 0.33 0.90 0.41 0.82 0.88 0.19 0.94 0.53 0.72

0.81 0.18 0.95 0.49 0.82 0.00 0.36 0.90 0.40 0.84 0.00 0.31 0.90 0.41 0.74

0.00 0.30 0.90 0.36 0.83 0.20 0.37 0.88 0.30 0.85 0.00 0.29 0.90 0.43 0.76

0.00 0.41 0.87 0.27 0.83 0.00 0.39 0.90 0.40 0.81 0.00 0.41 0.88 0.36 0.72

0.00 0.25 0.92 0.41 0.86 0.00 0.41 0.89 0.37 0.82 0.00 0.35 0.90 0.40 0.73

0.00 0.31 0.91 0.40 0.84 0.00 0.44 0.88 0.36 0.82 0.20 0.31 0.90 0.40 0.70

0.00 0.27 0.91 0.40 0.86 0.00 0.37 0.90 0.40 0.86 0.27 0.23 0.93 0.50 0.75

0.12 0.26 0.91 0.41 0.85 0.12 0.26 0.92 0.46 0.80 0.00 0.36 0.88 0.33 0.69

0.00 0.33 0.90 0.38 0.85 0.00 0.33 0.90 0.39 0.82 0.50 0.19 0.94 0.51 0.78

0.00 0.30 0.91 0.38 0.84 0.00 0.24 0.93 0.50 0.86 0.90 0.21 0.93 0.58 0.61

0.20 0.29 0.91 0.39 0.84 0.54 0.17 0.95 0.53 0.88 0.27 0.19 0.94 0.55 0.77

135 0.00 0.51 0.87 0.31 0.71 0.00 0.54 0.87 0.38 0.72 0.00 0.33 0.91 0.47 0.65

0.00 0.50 0.87 0.31 0.71 0.00 0.43 0.90 0.48 0.73 0.00 0.37 0.90 0.45 0.58

0.00 0.47 0.87 0.30 0.67 0.00 0.32 0.92 0.55 0.67 0.00 0.27 0.94 0.60 0.62

0.00 0.64 0.86 0.34 0.73 0.12 0.36 0.90 0.46 0.68 0.00 0.37 0.90 0.48 0.62

0.00 0.50 0.87 0.31 0.71 0.00 0.46 0.88 0.42 0.70 0.00 0.36 0.91 0.50 0.63

0.00 0.62 0.85 0.28 0.69 0.00 0.36 0.91 0.51 0.69 0.00 0.36 0.92 0.52 0.65

0.00 0.60 0.85 0.28 0.70 0.00 0.33 0.92 0.57 0.69 0.00 0.45 0.88 0.40 0.62

0.00 0.56 0.85 0.28 0.68 0.00 0.30 0.93 0.57 0.67 0.00 0.39 0.89 0.43 0.59

0.00 0.52 0.87 0.31 0.69 0.00 0.30 0.94 0.60 0.73 0.00 0.38 0.91 0.49 0.60

0.00 0.53 0.86 0.28 0.69 0.20 0.29 0.93 0.51 0.70 0.12 0.38 0.90 0.44 0.62

20

21




genitas


genitas


genitas

energi korelasi

135 0.00 0.42 0.90 0.40 0.72 0.00 0.44 0.90 0.48 0.70 0.00 0.45 0.87 0.37 0.60

0.00 0.42 0.90 0.40 0.68 0.00 0.35 0.91 0.50 0.73 0.00 0.35 0.91 0.50 0.64

0.00 0.54 0.87 0.34 0.72 0.00 0.40 0.89 0.45 0.73 0.00 0.29 0.92 0.55 0.58

0.00 0.48 0.86 0.31 0.69 0.00 0.35 0.90 0.47 0.69 0.00 0.42 0.88 0.39 0.63

0.00 0.45 0.88 0.34 0.71 0.12 0.33 0.92 0.53 0.72 0.00 0.38 0.89 0.43 0.64

0.00 0.42 0.89 0.39 0.69 0.00 0.31 0.94 0.59 0.69 0.00 0.36 0.91 0.49 0.63

0.00 0.55 0.87 0.31 0.71 0.00 0.39 0.92 0.53 0.72 0.00 0.44 0.88 0.40 0.60

0.00 0.58 0.86 0.29 0.72 0.00 0.45 0.90 0.47 0.74 0.00 0.34 0.91 0.49 0.54

0.00 0.51 0.88 0.37 0.62 0.00 0.45 0.89 0.43 0.72 0.34 0.31 0.91 0.51 0.56

0.00 0.87 0.81 0.24 0.67 0.00 0.51 0.88 0.39 0.71 0.34 0.29 0.92 0.50 0.56

0.20 0.35 0.92 0.47 0.61 0.00 0.65 0.87 0.38 0.71 0.00 0.43 0.88 0.39 0.63

0.00 0.48 0.88 0.34 0.71 0.00 0.73 0.82 0.26 0.70 0.00 0.44 0.88 0.41 0.62

0.00 0.68 0.84 0.25 0.71 0.00 0.52 0.88 0.39 0.75 0.00 0.55 0.86 0.34 0.61

0.00 0.45 0.89 0.39 0.74 0.00 0.64 0.86 0.35 0.72 0.00 0.48 0.88 0.39 0.62

0.00 0.46 0.88 0.38 0.75 0.00 0.68 0.85 0.34 0.71 0.12 0.40 0.88 0.38 0.59

0.00 0.47 0.88 0.38 0.75 0.00 0.71 0.86 0.37 0.71 0.12 0.32 0.92 0.48 0.62

0.00 0.47 0.88 0.38 0.73 0.12 0.35 0.91 0.44 0.72 0.00 0.48 0.85 0.31 0.58

0.00 0.53 0.87 0.37 0.75 0.00 0.52 0.87 0.36 0.72 0.20 0.28 0.92 0.50 0.65

0.00 0.51 0.88 0.36 0.72 0.00 0.41 0.91 0.48 0.75 0.90 0.28 0.92 0.56 0.43

0.00 0.50 0.88 0.37 0.72 0.00 0.36 0.92 0.50 0.73 0.00 0.27 0.93 0.54 0.64

21

22

Lampiran 2 Hasil perbandingan rata-rata citra uji dan citra latih S. litura fold 5

Data citra uji Kontras Entropi Homogenitas Energi Korelasi

1 0.689587 0 0.861747 0.404126 0.577307

2 0.788089 0 0.844920 0.366721 0.551454

3 1.009197 0 0.833925 0.356036 0.551800

4 1.113774 0 0.780738 0.238523 0.541685

5 0.823868 0 0.847337 0.359881 0.602537

6 0.996505 0 0.826198 0.327502 0.561753

Rata-rata 0.903503 0 0.832477 0.342132 0.564423

Data citra latih Kontras Entropi Homogenitas Energi Korelasi

1 1.048885 0 0.819314 0.318952 0.550634

2 1.082465 0 0.832195 0.355251 0.561413

3 0.478701 0 0.878334 0.415634 0.617801

4 0.796563 0 0.835911 0.339839 0.568851

5 0.653752 0 0.880724 0.460188 0.607504

6 0.533156 0 0.890439 0.476069 0.597681

7 0.795319 0 0.835977 0.356941 0.582689

8 0.644617 0 0.878028 0.461843 0.595985

9 0.432000 0 0.900427 0.527347 0.554298

10 0.504025 0 0.873825 0.434377 0.555507

11 0.684133 0 0.849601 0.395596 0.552107

12 0.517621 0 0.884115 0.488612 0.558075

13 0.471277 0 0.902866 0.548615 0.559104

14 0.416233 0 0.904741 0.548499 0.545537

15 0.440749 0 0.914962 0.579687 0.601443

16 0.385554 0 0.899238 0.484485 0.601110

17 0.659880 0 0.871031 0.45654 0.555361

18 0.494368 0 0.888397 0.480365 0.613256

19 0.582260 0 0.864961 0.423624 0.610359

20 0.475478 0 0.875736 0.441161 0.572081

21 0.450412 0 0.898041 0.505602 0.616684

22 0.406738 0 0.917308 0.567724 0.590593

23 0.559034 0 0.896113 0.510358 0.601469

24 0.686082 0 0.874230 0.450640 0.600320

Rata-rata 0.591638 0 0.877771 0.459498 0.582077

23

Lampiran 3 Antarmuka sistem identifikasi citra hama tanaman tomat

24

RIWAYAT HIDUP

Penulis dilahirkan di Kebumen pada tanggal 11 Januari 1992 dari ayah

Akhmad Saefudin dan ibu Siti Maesaroch. Penulis adalah putri pertama dari dua

bersaudara. Pada tahun 2009, penulis lulus dari SMA Negeri 1 Purwokerto dan

pada tahun yang sama penulis lulus seleksi masuk Institut Pertanian Bogor (IPB)

melalui jalur Undangan Seleksi Masuk IPB dan diterima di Departemen Ilmu

Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam.

Selama mengikuti perkuliahan, penulis pernah menjadi asisten praktikum

Basis Data pada tahun ajaran 2011/2012, asisten Penerapan Komputer pada tahun

ajaran 2011/2012 dan 2012/2013. Penulis juga pernah aktif sebagai staf Divisi

Internal Himpunan Mahasiswa Ilmu Komputer (Himalkom) dan menjadi panitia

IT Today 2010-2011 serta Pesta Sains 2011. Bulan Juni – Agustus 2012 penulis

melaksanakan Praktik Lapangan di Balai IPTEKNET BPPT Serpong.

identifikasi citra hama tanaman tomat … · sarjana komputer pada departemen ilmu komputer...

Documents