PENGENALAN POLA CITRA PENYAKIT TANAMAN PADI PADA … · mengenali jenis-jenis penyakit pada tanaman padi mereka. Banyak sekali penyakit-penyakit pada tanaman padi, sehingga membuat

i

PENGENALAN POLA CITRA PENYAKIT TANAMAN PADI PADA

DAUN MENGGUNAKAN GABOR WAVELET DAN ALGORITMA K-

MEANS

JUDUL SKRIPSI

SKRIPSI

Diajukan Untuk Memenuhi Salah Satu Syarat

Memperoleh Gelar Sarjana Komputer

Program Studi Teknik Informatika

Oleh:

DHIAH RUSDIANA PRIINDARYANTI

NIM. 115314037

PROGRAM STUDI TEKNIK INFORMATIKA

JURUSAN TEKNIK INFORMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

YOGYAKARTA

2017

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

ii

IMAGE PATTERN RECOGNITION IN LEAVES OF RICE PLANT

DISEASES USING GABOR WAVELET AND K-MEANS ALGORITHM

HALAMAN JUDUL (Bahasa Inggris)

THESIS

Presented as Partitial Fulfilment of The Requirements

To Obtain Sarjana komputer degree

In Informatics Engineering Department

By :

DHIAH RUSDIANA PRIINDARYANTI

Student Number : 115314037

INFORMATICS ENGINEERING STUDY PROGRAM

INFORMATICS ENGINEERING DEPARTMENT

FACULTY OF SCIENCE AND TECHNOLOGY

SANATA DHARMA UNIVERSITY

YOGYAKARTA

2017


iii


iv


v

PERNYATAAN KEASLIAN KARYA

Saya menyatakan dengan sesungguhnya bahwa skripsi yang saya tulis tidak memuat karya

atau bagian karya orang lain, kecuali yang telah disebutkan dalam kutipan dan daftar pustaka,

sebagaimana layaknya karya ilmiah.


vi

LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI

KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS

Saya yang bertanda tangan di bawah ini, mahasiswa Universitas Sanata Dharma

nama : Dhiah Rusdiana Priindaryanti

nomor mahasiswa : 115314037

Demi pengembangan ilmu pengetahuan, saya memberikan kepada Perpustakaan Universitas

Sanata Dharma karya ilmiah saya yang berjudul:

PENGENALAN POLA CITRA PENYAKIT TANAMAN PADI PADA DAUN

MENGGUNAKAN GABOR WAVELET DAN ALGORITMA K-MEANS

Dengan demikian saya memeberikan kepada Perpustakaan Universitas Sanata Dharma hak

untuk menyimpan, mengalihkan dalam bentuk media lain, mengelolanya dalam bentuk

pangkalan data, mendistribusikan secara terbatas, dan mempublikasikannya di internet atau

media lain untuk kepentingan akademik tanpa perlu meminta ijin dari saya maupun memberi

royalti kepada saya selama mencantumkan nama saya sebagai penulis.

Demikian pernyataan ini saya buat dengan sebenarnya.

Dibuat di Yogyakarta

Pada tanggal 31 Januari 2017

Yang menyatakan,

Dhiah Rusdiana Priindaryanti


vii

ABSTRAK

Penelitian ini bertujuan membuat sistem untuk mengelompokkan penyakit yang

menyerang daun padi. Penelitian ini menggunakan dua jenis penyakit, yaitu : Cochliobolus

Miyabeanus dan Xanthomonas oryzae pv. Oryzae. Penelitian ini menggunakan 20 data

berupa citra. Setiap citra dirubah menjadi data vektor menggunakan filter gabor wavelet.

Penelitian ini menggunakan metode K-Means Clustering untuk pengelompokan

penyakit. Data pada penelitian ini berupa data vektor. Proses penelitian ini melalui tahap

preprocessing, clustering, dan uji akurasi. Preprocessing meliputi filter gabor wavelet untuk

mengambil data vektor dari citra asli. Clustering menggunakan K-Means dengan menentukan

titik awal secara manual dan menghitung kemiripan dengan menggunakan Euclidean

Distance. Pengujian akurasi secara mandiri dengan membandingkan sistem dan manual.

Akurasi tertinggi sebesar 70% dan akurasi terendah 55% dari 100 uji akurasi. Data

yang digunakan sebanyak 20 data. Hasil akurasi tertinggi dengan perbandingan antara sistem

dan manual.

Kata Kunci: Penyakit padi pada daun, Filter Gabor Wevelet, K-Means Clustering, Euclidean

Distance, Akurasi.


viii

ABSTRACT

This research aims to create a system to clustering diseases that attacked in rice

leaves. This research used two types of

diseases: Cochliobolus Miyabeanus and Xanthomonas oryzae pv. Oryzae. This research used

20 data in the form of images. Each image is converted into vector data

using filter Gabor wavelet.

This research used K-Means Clustering method to clustering of the disease. The data

on this research in the form of vector data. This research process through stages of

preprocessing, clustering, and test the accuracy. Preprocessing included

Gabor wavelet filters for vector data from the original image. The Clustering used K-

Means by choosing the start point and manually calculate the similarities by using

Euclidean Distance. Accuracy Test independently compare between systems and manual.

Highest accuracy of 70% and accuracy of the lowest 55% of the 100 test accuracy.

The data used as many as 20 data. The results of highest accuracy with comparison between

systems and manual.

Keywords: Rice disease on the leaves, Filter Gabor Wavelet, K-Means Clustering, Euclidean

Distance, Accuracy.


ix

KATA PENGANTAR

Dengan mengucap puji syukur kepada Tuhan Yang Maha Esa atas kasih dan anugerah-

Nya yang telah memberi kesempatan bagi penulis untuk dapat menyelesaikan laporan tugas

akhir dengan judul “Pengenalan Pola Citra Penyakit Tanaman Padi Pada Daun Menggunakan

Gabor Wavelet Dan Algoritma K-Means”. Laporan tugas akhir merupakan salah satu

persyaratan bagi para mahasiswa/mahasiswi untuk dapat menyelesaikan jenjang pendidikan

S1 pada Program Studi Teknik Mesin, Fakultas Sains dan Teknologi, Universitas Sanata

Dharma Yogyakarta. Dalam laporan tugas akhir ini membahas mengenai perancangan,

pembuatan kincir angin sumbu horizontal jenis propeler, dan perbandingan daya.

Dalam kesempatan ini, penulis ingin mengucapkan banyak terima kasih kepada:

1. Bapak Sudi Mungkasi,S.Si.,M.Math.Sci.,PhD., selaku Dekan Fakultas Sains dan

Teknologi, Universitas Sanata Dharma Yogyakarta.

2. Ibu Dr. Anastasia Rita Widiarti, S.Si., M.Kom selaku Ketua Program Studi Teknik

Informatika.

3. Ibu Sri Hartati Wijono, S.Si., M.Kom selaku Dosen Pembimbing Tugas Akhir.

4. Bapak J.B. Budi Darmawan, S.T., M.Sc. selaku Dosen Pembimbing Akademik.

5. Seluruh dosen program studi Teknik Informatika yang telah mendidik dan memberikan

ilmu pengetahuan kepada penulis.

6. Seluruh staf Fakultas Sains dan Teknologi atas kerja sama dan dukungan kepada penulis

untuk dapat menyelesaikan laporan tugas akhir.

7. Bapak Suyana dan Ibu Eka Mardayanti sebagai orang tua dari penulis, serta Rahmad

Anwar Rhomadhoni sebagai saudara dari penulis yang selalu berdoa, mendukung secara

material dan yang lain – lain kepada penulis.

8. Sisil, Vina, Pasca, Simeon, Enda, temen-temenku seperjuangan yang selalu memberi

semangat dan hiburan.

9. Teguh, Bianca dan Zahra Squad sebagai teman, sahabat dan keluarga baru yang selalu

memberi semangat dan dukungan.


x

10. Teman-teman Teknik Informatika, angkatan 2011, yang telah memberi saran, kritik, dan

dukungan kepada penulis dalam menyelesaikan tulisan ini.

Penulis menyadari bahwa masih ada kekurangan yang perlu diperbaiki. Oleh karena

itu, penulis mengharapkan saran dan kritik yang membangun untuk menyempurnakan

laporan tugas akhir. Semoga bermanfaat bagi semua pihak.

Yogyakarta, 31 Januari 2017

Penulis


xi

DAFTAR ISI

JUDUL SKRIPSI ..................................................................................................................................... i

HALAMAN JUDUL (Bahasa Inggris) ................................................................................................... ii

HALAMAN PERSETUJUAN .............................................................. Error! Bookmark not defined.

HALAMAN PENGESAHAN................................................................................................................ iv

PERNYATAAN KEASLIAN KARYA ................................................................................................. v

LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI................................................................. vi

ABSTRAK ............................................................................................................................................ vii

ABSTRACT ......................................................................................................................................... viii

KATA PENGANTAR ........................................................................................................................... ix

DAFTAR ISI .......................................................................................................................................... xi

DAFTAR GAMBAR ........................................................................................................................... xiv

DAFTAR TABEL ................................................................................................................................. xv

BAB I ...................................................................................................................................................... 1

PENDAHULUAN .................................................................................................................................. 1

1.1 Latar Belakang .............................................................................................................................. 1

1.2 Rumusan Masalah ......................................................................................................................... 2

1.3 Tujuan ........................................................................................................................................... 2

1.4 Batasan Masalah ........................................................................................................................... 2

1.5 Manfaat Penelitian ........................................................................................................................ 2

1.6 Metodologi Penelitian ................................................................................................................... 2

1.7 Luaran Penelitian .......................................................................................................................... 3

1.8 Sistematika Penulisan ................................................................................................................... 4

2.1 Teori Pola ................................................................................................................................ 6

2.1.1 Pengertian Pola ...................................................................................................................... 6

2.1.2 Ciri-Ciri Pola .......................................................................................................................... 6

2.1.3 Sistem pengenalan pola ................................................................................................... 6

2.2 Distance (Jarak) ...................................................................................................................... 8

a. Euclidean Distance .................................................................................................................. 8

b. Normalized Euclidean Distance .............................................................................................. 8

2.3 Citra......................................................................................................................................... 9

2.3.1 Pengertian .............................................................................................................................. 9

2.3.2 Macam-macam Citra .............................................................................................................. 9


xii

2.3.3 Jenis-jenis Citra Digital ........................................................................................................ 10

2.4 Format File Citra ................................................................................................................... 11

a. Bipmap (.bmp) ...................................................................................................................... 11

b. Portable Network Graphics (.png) ........................................................................................ 11

c. JPEG (.jpg) ............................................................................................................................ 11

2.5 Teori Warna dan Texture ............................................................................................................ 12

2.5.1 Warna ................................................................................................................................... 12

2.5.2 Tekstur ................................................................................................................................. 13

2.6 Filter Gabor Wavelet ................................................................................................................... 13

2.7 Algoritma K-Means Clustering ................................................................................................... 15

BAB III ................................................................................................................................................. 19

PERANCANGAN SISTEM ................................................................................................................. 19

3.1 DATA ......................................................................................................................................... 19

3.1.2 Data vektor ........................................................................................................................... 21

3.2 DESKRIPSI SISTEM ................................................................................................................. 21

3.3 MODEL ANALISIS ................................................................................................................... 21

3.3.1 Preprocessing Citra .............................................................................................................. 22

3.3.2 K-Means Clustering ............................................................................................................. 22

3.3.3. Perancangan hitung akurasi ................................................................................................ 23

3.4 KEBUTUHAN HARDWARE DAN SOFTWARE.................................................................... 23

3.4.1 Hardware .............................................................................................................................. 23

3.4.2 Software ............................................................................................................................... 23

BAB IV ................................................................................................................................................. 24

IMPLEMENTASI SISTEM .................................................................................................................. 24

4.1 IMPLEMENTASI ....................................................................................................................... 24

4.1.1 Preprocessing ....................................................................................................................... 24

4.1.2 K-Means Clustering ...................................................................................................... 26

4.1.3 Hitung akurasi ...................................................................................................................... 37

BAB V .................................................................................................................................................. 42

PENGUJIAN DAN ANALISA HASIL ................................................................................................ 42

5.1 ANALISIS HASIL ...................................................................................................................... 42

5.1.1 UJI AKURASI ..................................................................................................................... 42

PENUTUP ............................................................................................................................................ 47

5.1 Kesimpulan ................................................................................................................................. 47

DAFTAR PUSTAKA ........................................................................................................................... 49

LAMPIRAN .......................................................................................................................................... 50


xiii

LAMPIRAN I ....................................................................................................................................... 51

I. Data vektor .................................................................................................................................... 51

LAMPIRAN II .................................................................................................................................. 56

II. PROGRAM .................................................................................................................................. 57


xiv

DAFTAR GAMBAR

Gambar 3. 1 Penyakit Cochliobolus Miyabeanus (Bercak Coklat) ...................................................... 20

Gambar 3. 2 Penyakit Xanthomonas oryzae pv. Oryzae (Hawar Bakteri) ........................................... 20

Gambar 3. 3 Model Analisis ................................................................................................................. 21

Gambar 4. 1 Contoh Citra Penyakit ...................................................................................................... 24

Gambar 4. 2 Tampilan Antarmuka ....................................................................................................... 26

Gambar 4. 3 Tampilan Cari .................................................................................................................. 27

Gambar 4. 4 Mencari Data dalam File .................................................................................................. 28

Gambar 4. 5 Menampilkan File data1 ................................................................................................... 28

Gambar 4. 6 Mencari File data2............................................................................................................ 29

Gambar 4. 7 Menampilkan File data2 ................................................................................................... 29

Gambar 4. 8 Tampilan Proses ............................................................................................................... 30

Gambar 4. 9 Tampilan Memilih Titik Awal ......................................................................................... 34

Gambar 4. 10 Tampilan Proses dan Hasil K-Means ............................................................................. 35


xv

DAFTAR TABEL

Tabel 5. 1 Hasil Uji Akurasi ................................................................................................................. 42


1

BAB I

PENDAHULUAN

1.1 Latar Belakang

Pada zaman globalisasi ini masih banyak petani padi yang tidak

mengenali jenis-jenis penyakit pada tanaman padi mereka. Banyak sekali

penyakit-penyakit pada tanaman padi, sehingga membuat petani sulit

mengetahui tanaman padi yang terkena penyakit. Dengan begitu banyak juga

yang tidak bisa mengelompokan penyakit tanaman padi pada daun yang

terkena penyakit, misalnya disebabkan fungi(jamur) dan bakteri.

Pengetahuan tentang penyakit-penyakit padi dan pengelompokan

penyakit hanya berdasarkan pengalaman, penyuluhan dan belum bersifat

komputerisasi yang dalam sewaktu-waktu dapat dengan mudah menambah

data baru tentang penyakit dan hama terbaru dengan mengelompokan

penyakit padi yang baru dimasukan dalam sistem, sehingga petani dapat

mengetahui dan memahami kelompok penyakit tersebut. Pengelompokan

penyakit ini berdasarkan jenis penyakit dan bentuk bercak pada daun padi.

Dalam hal ini diperlukan suatu metode untuk merumuskan masalah tersebut.

Metode yang dipakai adalah citra digital dengan mengolah gambar penyakit

tanaman padi pada daun menggunakan Gabor Wavelet dan K-Means

Clustering. Masalah yang dibahas meliputi pada tanaman padi pada daun

yaitu Cochliobolus Miyabeanus dan Xanthomonas oryzae pv. Oryzae.

Dari masalah tersebut penulis akan membuat sistem pengenalan pola

citra penyakit tanaman padi pada daun menggunakan Gabor Wavelet dengan

algoritma K-Means Clustering, untuk mengelompokan penyakit pada

tanaman padi. Sistem ini juga dapat membantu petani padi mengelompokan

penyakit pada tanaman padi dengan cara mengambil gambar pada padi yang

terserang penyakit agar gambar dapat diproses untuk di masukkan pada

sistem tersebut.


2

Dengan begitu petani dapat mengelompokan penyakit pada tanaman padi

dengan memasukkan citra tanaman padi yang sedang terkena penyakit, yaitu

pada daun, kemudian akan didapatkan sebuah vektor dengan menggunakan

Gabor Wavelet kemudian akan dikelompokkan menggunakan algoritma K-

Means Clustering sehingga mengetahui kelompok penyakit tanaman padi.

1.2 Rumusan Masalah

1. Bagaimana mengelompokan penyakit Cochliobolus Miyabeanus dan

Xanthomonas oryzae pv. Oryzae pada daun tanaman padi?

2. Bagaimana membuat fitur vector Gabor Wavelet dari citra asli?

1.3 Tujuan

1. Untuk membantu petani mengelompokan dan mengenali penyakit

Cochliobolus Miyabeanus dan Xanthomonas oryzae pv. Oryzae pada daun

tanaman padi.

1.4 Batasan Masalah

Dalam tugas akhir ini penulis menentukan beberapa batasan masalah untuk

mempersempit lingkup permasalahan, antara lain:

1. Data citra yang dipakai hanya berupa citra berwarna RGB

2. Tipe data citra yang dipakai hanya bertipe .JPG dan.JPEG

3. Penyakit dibatasi yang disebabkan oleh bakteri dan jamur yaitu

Cochliobolus Miyabeanus dan Xanthomonas oryzae pv. Oryzae

4. Hanya diproses melalui citra foto daun.

1.5 Manfaat Penelitian

Manfaat yang didapat dari penelitian ini :

1. Membantu memudahkan masyarakat untuk mengetahui penyakit

Cochliobolus Miyabeanus dan Xanthomonas oryzae pv. Oryzae pada

tanaman padi.

1.6 Metodologi Penelitian

Metodologi yang digunakan yaitu:


3

1. Studi pustaka menegenai metode pengolahan citra

2. Pengembangan program menggunakan

Langkah-langkah:

System Engineering dan analysis.

Mengumpulkan data menentukan semua kebutuhan elemen sistem

Software Requirement Analysis.

Melakukan analisis terhadap permasalahan yang dihadapi dan

menetapkan kebutuhan software. Kebutuhan tersebut meliputi

Netbeans 7.3 dan Matlab

Design.

Proses menterjemahkan kebutuhan sistem kedalam sebuah gambaran

program. Desain akan menjadi dokumen dari program.

Coding.

Pengkodean merupakan proses penterjemahan desain ke dalam

bentuk yang dapat dieksekusi.

Testing.

Proses pengujian memastikan apakah semua fungsi-fungsi program

berjalan dengan baik dan menghasilkan output yang sesuai dengan

yang dibutuhkan.

1.7 Luaran Penelitian

Luaran penelitian ini adalah sebuah aplikasi yang mampu mengelompokan

penyakit pada tanaman padi.


4

1.8 Sistematika Penulisan

BAB I. PENDAHULUAN

Bab ini menjelaskan tentang latar belakang masalah, rumusan

masalah, batasan masalah, tujuan penulisan, manfaat penelitian,

metodologi penelitian yang digunakan dan sistematika penulisan dari

tugas akhir ini.

BAB II. LANDASAN TEORI

Bab ini membahas tentang landasan teori yang digunakan dalam

tugas akhir ini, yaitu: pengertian pola, pengertian citra, jenis-jenis citra,

sistem pencitraan, dan teori texture dengan menggunakan Gabor

Wavelet

BAB III. PERANCANGAN SISTEM

Bab ini membahas membahas analisis masalah yang

mempermudah dalam menyusun rancangan disain. Analisis ini terdiri

dari spesifikasi perangkat lunak, spesifikasi perangkat keras dan sistem

yang akan dikembangkan. Hasil rancangan program terdiri dari

rancangan antarmuka grafis yang akan diterapkan dalam pembuatan

aplikasi.

BAB IV. IMPLEMENTASI

Bab ini membahas tentang langkah-langkah implementasi dan hasil

program yang terdiri dari tampilan program, alur program dan

penjelasan program.

BAB V. PENGUJIAN DAN ANALISA HASIL

Bab ini membahas tentang uji akurasi dan menganalisa hasil akhir.

Hasil dari implementasi di bab iv akan di uji dan di analisa lebih lanjut.

BAB VI. KESIMPULAN DAN SARAN


5

Bab ini menjelaskan tentang kesimpulan dari uji coba perangkat

lunak dan saran untuk pengembangan, perbaikan serta penyempurna

terhadap aplikasi yang telah dibuat.


6

BAB II

LANDASAN TEORI

2.1 Teori Pola

2.1.1 Pengertian Pola

Pengenalan pola adalah suatu ilmu untuk mengklasifikasikan atau

menggambarkan sesuatu berdasarkan pengukuran kuantitatif fitur (ciri)

atau sifat utama dari suatu obyek.Pola adalah entitas yang terdefinisi

dan dapat diidentifikasi melalui ciri-cirinya. Ciri-ciri tersebut digunakan

untuk membedakan suatu pola dengan pola lainnya. Ciri yang bagus

adalah ciri yang memiliki daya pembeda yang tinggi, sehingga

pengelompokan pola berdasarkan ciri yang dimiliki dapat dilakukan

dengan keakuratan yang tinggi.

2.1.2 Ciri-Ciri Pola

Ciri pada suatu pola diperoleh dari hasil pengukuran terhadap objek

uji. Khusus pada pola yang terdapat di dalam citra, ciri-ciri yang dapat

diperoleh berasal dari informasi:

a. Spasial: intensitas pixel, histogram

b. Tepi: arah, kekuatan

c. Kontur: garis, elips, lingkaran

d. Wilayah/bentuk: keliling, luas, pusat massa

e. Hasil transformasi Fourier: frekuensi.

2.1.3 Sistem pengenalan pola

Pengenalan pola bertujuan menentukan kelompok atau kategori pola

berdasarkan ciri-ciri yang dimiliki oleh pola tersebut. Dengan kata lain,

pengenalan pola membedakan suatu objek dengan objek lain. Terdapat


7

dua pendekatan yang dilakukan dalam pengenalan pola, yaitu

pendekatan secara statistik dan pendekatan secara sintaktik atau

struktural.

Pendekatan ini menggunakan teori-teori ilmu peluang dan statistik.

Ciri-ciri yang dimiliki oleh suatu pola ditentukan distribusi statistiknya.

Pola yang berbeda memiliki distribusi yang berbeda pula. Dengan

menggunakan teori keputusan di dalam statistik, kita menggunakan

distribusi ciri untuk mengklasifikasikan pola.

Gambar 2. 1 Sistem Pengenalan Pola dengan Pendekatan Statistik

a. Pengenalan pola secara Sintaktik

Pendekatan ini menggunakan teori bahasa formal. Ciri-ciri yang

terdapat pada suatu pola ditentukan primitif dan hubungan struktural

antara primitif kemudian menyusun tata bahasanya. Dari aturan

produksi pada tata bahasa tersebut kita dapat menentukan kelompok

pola.

Gambar 2. 2 Sistem pengenalan pola dengan pendekatan sintaktik


8

2.2 Distance (Jarak)

Jarak digunakan untuk menentukan tingkat kesamaan (similarity degree)

atau ketidaksamaan (dissimilarity degree) dua vektor fitur. Tingkat kesamaan

berupa suatu nilai dan berdasarkan sekor tersebut dua vektor fitur akan

dikatakan mirip atau tidak. Metode jarak yang dapat digunakan untuk

mengukur tingkat kemiripan dua vektor fitur adalah :

a. Euclidean Distance

Euclidean Distance adalah metrika yang paling digunakan untuk

menghitung kesamaan 2 vektor. Euclidean Distance menghitung akar

dari kuadrat perbedaan 2 vektor.

Rumus dari Euclidean distance:

.............................................. 2.1

b. Normalized Euclidean Distance

Jarak Euclidean ternomalisasi dari dua vektor ciri u dan v adalah:

............................................ 2.2

dengan:

.............................................. 2.3

disebut norm dari v yang dinyatakan sebagai:

.............................................2.4

Semakin kecil skor maka semakin mirip kedua vektor fitur

yang di cocokkan. Sebaliknya semakin besar skor maka


9

semakin berbeda kedua vektor ciri. Sifat dari jarak Euclidean

ternomalisasi adalah hasilnya berada pada rentang

Normalized Euclidean distance dari vektor A dan B diatas adalah:

............... 2.5

................2.6

...............2.7

................2.8

.................2.10

.................2.11

2.3 Citra

2.3.1 Pengertian

Citra adalah suatu representasi (gambaran), kemiripan atau imitasi

dari suatu objek. Citra sebagai keluaran suatu sistem perekaman data

dapat bersifat optic berupa foto, bersifat analog berupa sinyal-sinyal

video seperti gambar pada monitor televise, atau bersifat digital yang

dapat langsung disimpan pada suatu media penyimpan.

2.3.2 Macam-macam Citra

2.3.2.1 Citra Analog

Citra analog adalah citra yang bersifat kontinu, seperti

gambar pada monitor televise, fotosinar X, foto yang di cetak di

kertasfoto, lukisan, pemandangan alam, hasil CT scan, gambar-

gambar yang terekam pada pita kaset, dan lain sebagai. Citra


10

analog tidak dapat direpresentasikan dalam komputer sehingga

tidakbisa diproses di komputer secara langsung.

2.3.2.1 Citra Digital

Citra digital adalahcitra yang dapat diolah oleh komputer.

Sebuah citra grayscale ukuran 150x150 piksel (elemen terkecil

dari sebuah citra) diambil sebagai (kotak kecil) berukuran 9x9

piksel.Maka, monitor akan menampilkan sebuah kotak kecil.

Namun, yang disimpan dalam memori komputer hanyalah

angka-angka yang menunjukan besar intensitas pada masing-

masing piksel tersebut.

2.3.3 Jenis-jenis Citra Digital

2.3.3.1Citra Biner (Monokrom)

Banyaknya warna 2, yaitu hitam dan putih. Dibutuhkan 1

bit di memori untuk menyimpan kedua warna ini.

Gradiasi warna:

0 1

bit 0 : warna hitam

bit 1 : warna putih

2.3.3.2 Citra Grayscale (Skala Keabuan)

Banyak warna tergantung pada jumlah bit yang

disediakan di memori untuk menampung kebutuhan warna ini.

Citra 2 bit mewakili dengan gradiasi warna berikut:

0 1 2 3

Citra 3 bit mewakili 8 warna dengan gradiasi warna berikut:

0 1 2 3 4 5 6 7


11

2.3.3.3 Citra Warna (True Color)

Setiap pixel pada citra warna yang merupakan kombinasi

dari tiga warna dasar, yaitu RGB (Red Green Blue). Setiap

warna dasar menggunakan penyimpanan 8 bit =1 byte, yang

berarti setiap warna mempunyai gradiasi sebanyak 255 warna.

Setiap pixel mempunyai kombinasi warna sebanyak

28.2

8.2

8=2

24= 16 juta warna lebih. Dengan begitu maka

dinamakan true color karena mempunyai jumlah warna yang

cukup besar sehingga bisa dikatakan hamper mencakup semua

di alam.

2.4 Format File Citra

Format file citra standar yang digunakan saat ini terdiri dari beberapa

jenis. Format-format ini digunakan dalam menyimpan citra dalam sebuah file.

Setiap format memiliki karakteristik masing-masing. Berikut ini beberapa

format umum yang digunakan saat ini:

a. Bipmap (.bmp)

Format .bmp adalah format penyimpanan standar tanpa kompresi

yang umum dapat digunakan untuk menyimpan citra biner hingga

citra warna. Format ini terdiri dari beberapa jenis yang setiap jenisnya

ditentukan dengan jumlah bit digunakan untuk menyimpan nilai pixel.

b. Portable Network Graphics (.png)

Format .png adalah format penyimpanan citra terkompresi. Format

ini dapat digunakan pada citra grayscale, citra dengan palet warna, dan

juga citra fullcolor.

c. JPEG (.jpg)


12

Format .jpg adalah format yang sangat umum digunakan saat ini

khususnya untuk transmisi citra. Format ini digunakan untuk

menyimpan citra hasil kompresi dengan metode JPEG.

2.5 Teori Warna dan Texture

2.5.1 Warna

Citra berdasarkan warna yang dikandungnya adalah salah satu

teknik yang paling banyak digunakan. Secara umum feature warna

hanya memperhatikan distribusi warna piksel-piksel dalam citra tanpa

memperhatikan ukuran dan orientasi posisi citra.. Berikut merupakan

proses pengklasifikasian dengan menghitung rata-rata nilai Red, Green,

dan Blue (RGB) :

...................................... 2.12

........................................ 2.13

........................................ 2.14

........................................ 2.15

......................................... 2.16

………………................... 2.17

Keterangan:

= rata-rata Red

= rata-rata Green

= rata-rata Blue


13

= nilai piksel Red

= nilai piksel Green

= nilai piksel Blue

M = lebar citra (kolom matriks)

N = tinggi citra (baris matriks)

2.5.2 Tekstur

Tekstur adalah tampilan permukaan (corak) dari suatu benda

yang dapat dinilai dengan cara dilihat atau diraba. Yang pada

prakteknya, tekstur sering dikategorikan sebagai corak dari suatu

permukaan benda, misalnya permukaan karpet, baju, kulit kayu, dan

lain sebagainya. Pada suatu citra, tekstur merupakan komponen dasar

pembentuk citra. Sehingga tekstur kerap kali digunakan sebagai

pembeda antara satu citra dengan citra lainnya.

2.6 Filter Gabor Wavelet

Filter Gabor merupakan sekelompok wavelet, dan setiap wavelet

menyimpan energi pada frekuensi dan arah/ruang tertentu. Reprentasi Gabor

Wavelet dari sebuah citra merupakan konvolusi citra dengan filter Gaboor

gmn.

Untuk setiap citra I(x,y) dengan ukuran PxQ, maka transformasi

Gabor Wavelet Wmn didefinisikan (Manjunath, 1996) :

gmn* merupakan complex conjugate dari gmn. gmn adalah fungsi self similar

yang dibentuk dari proses dilasi dan rotasi terhadap mother wavelet G(x,y).

Wmn merupakan hasil complex conjugate terhadap filter Gabor pada orientasi

n dan skala m. Filter Gabor akan dihitung untuk S skala dan K orientasi

................2.18


14

..................2.19

.................2.20

...................2.21

..................2.22

..................2.23

..................2.24

Dengan :

m : skala =0,1,2,.......(S-1)

n : orientasi =0,1,2,.......(K-1)

Uh : Batas atas pusat frekuensi

Ul : Batas bawah pusat frekuensi

Self similar Gabor Wavelet adalah :

gmn (x,y) = aS-m

G(x’ , y

’ )

x’=x cos +y sin

y’=-x sin + y cos

=


15

Setelah filter Gabor di konvolusi terhadap citra dengan skala m dan

orientasi n, maka akan didapat energi citra pada skala dan orientasi yang

berbeda :

.................2.25

Untuk mendapatkan tekstur ciri dapat sebuah area atau citra, maka

digunakan mean dan standar deviasi dari energi Emn tersebut.

.................2.26

................2.27

Vektor ciri f dari sebuah citra atau area dibuat menggunakan dan

sebagai komponen ciri.

..................2.28

2.7 Algoritma K-Means Clustering

Algoritma K-means merupakan algoritma pengelompokan iteratif yang

melakukan partisi set data ke dalam sejumlah K cluster yang sudah ditetapkan

di awal. Algoritma K-Means sederhana untuk diimplimentasikan dan

dijalankan, relatif cepat, mudah beradaptasi, umum penggunaannya dalam

praktek. Secara historis, K-Means menjadi salah satu algoritma yang paling

penting dalam bidang data mining (Wu dan Kumar, 2009).

Bentuk esensial K-Means ditemukan oleh sejumlah peneliti dari lintas

disiplin ilmu. Yang paling berpengaruh adalah harus ada di pustaka, ambil

salah satu saja dan masukkan ke pustaka. Algoritma K-Means berkembang

hingga menjadi konteks yang lebih besar sebagai algoritma hill-climbing,

seperti yang disampaikan oleh Gray dan Nuhoff(1998).


16

K-Means dapat diterapkan pada data yang direpresentasikan dalam r-

dimensi ruang tepat. K-means mengelompokkan set data r-dimensi, X={ᵡᵢǀ

i=1, ..., N}, dimana ᵡᵢ € Rd yang menyatakan data ke-i sebagai “titik data”.

Seperti yang dijelaskan sebelumnya bahwa K-Means mempartisi X ke dalam

cluster, Algoritma K-Means mengelompokkan semua titik data dalam X

sehingga setiap xi hanya jauh dalam satu dari K partisi. Yang perlu

diperhatikan adalah titik berada dalam cluster yang mana, dilakukan dengan

cara memberikan setiap titik sebuah ID cluster. Titik dengan ID cluster yang

sama berarti beada dalam satu cluster yang sama, sedangkan titik dengan ID

cluster yang berbeda berada dalam cluster yang berbeda. Untuk menyatakan

hal ini, biasanya dilakukan dengan vektor keanggotaan cluster m dengan

panjang N, dimana mi bernilai ID cluster titik xi.

Dalam K-Means, setiap cluster dari K cluster diwakili oleh titik tunggal

dalam Rd. Set representatif cluster dinyatakan C={cjǀ=1, ..., K}. Sejumlah K

representatif cluster tersebut disebut juga sebagai cluster means atau cluster

centroid (atau centroid saja). Untuk set data dalam X dikelompokkan

berdasarkan konsep kedekatan atau kemiripan. Meskipun konsep yang

dimaksud untuk data-data yang berkumpul dalam satu cluster adalah data-

data yang mirip, tetapi kuantitas yang digunakan untuk mengukurnya adalah

ketidakmiripan (dissimilarity). Artinya, data-data dengan ketidakmiripan

(jarak) yang kecil/dekat maka lebih besar kemungkinannya untuk untuk

bergabung dalam cluster. Metrik yang umum digunakan untuk

ketidakmiripannya adalah Euclidean.

Pada saat data sudah dihitung ketidakmiripan terhadap setiap centroid,

maka selanjutnya dipilih ketidakmiripan yang paling kecil sebagai cluster

yang akan diikuti sebagai relokasi data pada cluster di sebuah iterasi.

Relokasi sebuah data dalam cluster yang diikuti dapat dinyatakan dengan

nilai keanggotaan a yang bernilai 0 dan 1. Nilai 0 jika tidak menjadi anggota

sebuah cluster dan 1 jika menjadi anggota sebuah cluster. Karena K-Means

mengelompokkan secara tegas data hanya pada satu cluster, maka nilai a


17

sebuah data pada semua cluster, hanya satu yang bernilai 1, sedangkan

lainnya 0 seperti dinyatakan persamaan berikut:

..................2.29

d(xi,cj) menyatakan ketidakmiripan (jarak) dari ke-i ke cluster cj.

Langkah-langkah K-Means Clustering:

1. Analisasi: tentukan nilai K sebagai jumlah cluster yang diinginkan dan

metrik ketidakmiripan (jarak) yang diinginkan. Kika perlu, tetapkan

ambang batas perubahan fungsi objektif dan ambang batas perubahan

posisi centroid.

2. Pilih K dari set data X sebagai centroid.

3. Alokasikan semua data ke centroid terdekat dengan metrik jarak yang

sudah ditetapkan (memperbarui cluster ID setiap data).

4. Hitung kembali centroid C berdasarkan data yang mengikuti cluster

masing-masing.

5. Ulangi langkah 3 dan 4 hingga kondisi konvergen tercapai, yaitu (a)

perubahan fungsi objektif sudah di bawah ambang batas yang diinginkan;

atau (b) tidak ada data yang berpindah cluster; atau (c) perubahan posisi

centroid sudah di bawah ambang batas yang ditetapkan.

Secara iteratif melakukan dua langkah berikut sampai tercapai kondisi

konvergen:

Langkah 1: Data assignment. Setiap data ditetapkan ke centroid terdekat

dengan memecahkan hubungan apa adanya. Hasilnya berupa data yang

terpartisi.

Langkah 2: Relocation of “means”. Setiap representasi cluster direlokasi ke

pusat (center) dengan rata-rata aritmatika dari semua data yang ditetapkan

masuk ke dalamnya. Rasionalnya langkah ini didasarkan pada observasi

bahwa dalam memberikan set titik, representasikan tunggal yang terbaik


18

untuk set tersebut (dalam hal meminimalkan jumlah kuadrat Euclidean di

antara setiap titik data dan representatif) dalah dari rata-rata dari titik data.

Hal ini jugalah yang menyebabkan metode ini sering disebut dengan cluster

means atau cluster centroid, seperti nama yang dimiliki.


19

BAB III

PERANCANGAN SISTEM

3.1 DATA

Data yang digunakan pada penelitian ini adalah citra penyakit tanaman

padi. Citra yang dikumpulkan hanya penyakit pada daun dan hanya dua penyakit

yang dikumpulkan untuk penelitian yaitu Cochliobolus Miyabeanus (Bercak

Coklat) dan Xanthomonas oryzae pv. Oryzae (Hawar Bakteri). Penulis

mengumpulkan masing-masing 10 citra untuk setiap kelompok penyakit sehingga

total citra yang digunakan sebagai data berjumlah 20 citra.

Pengumpulan data dilakukan pada bulan Agustus sampai November 2015

secara manual yaitu menyalin citra penyakit tanaman padi dari pencarian di web

page. Pencarian dan pengumpulan data menggunakan kueri Cochliobolus

Miyabeanus dan Xanthomonas oryzae pv. Oryzae. Mencari kueri Cochliobolus

Miyabeanus di google search image. Kemudian lihat satu gambar dan lihat

keterangan gambar untuk dapat informasi mulai dari ciri-ciri penyakit bahwa

gambar penyakit tersebut ialah penyakit Cochliobolus Miyabeanus File citra

tersebut kemudian menjadi input pada sistem untuk diolah lebih lanjut.


20

3.1.1 Data Citra Penyakit

3.1.1.1 Citra Penyakit Cochliobolus Miyabeanus (Bercak Coklat)

Gambar 3. 1 Penyakit Cochliobolus Miyabeanus (Bercak Coklat)

3.1.1.2 Citra Penyakit Xanthomonas oryzae pv. Oryzae (Hawar

Bakteri)

Gambar 3. 2 Penyakit Xanthomonas oryzae pv. Oryzae (Hawar Bakteri)


21

3.1.2 Data vektor

Data vektor dihasilkan menggunakan perintah pada Matlab yaitu

untuk mendapatkan vector Gabor Wavelet dari data 20 citra.

Data vektor tersebut dapat dilihat pada lampiran nomor 1 halaman 51.

3.2 DESKRIPSI SISTEM

Setelah citra asli diubah menjadi vektor menggunakan filter gabor wevelet,

maka vektor ini akan di proses menggunakan K-means Clustering untuk

mengelompokan vektor-vektor dengan jenis penyakit yang sama. Data yang

ada sebanyak 20 data vektor dengan dua jenis penyakit tanaman padi.

Sistem ini menggunakan rumus jarak yaitu Euclidean Distance untuk

menghitung jarak antara vektor satu ke vektor yang lain, kemudian

dikelompokkan menggunakan rumus K-Means Clustering menjadi dua

kelompok dengan menentukan titik awal dari dua vektor dengan dua jenis

penyakit berbeda. Vektor yang mempunyai jarak yang terdekat maka akan

menjadi satu kelompok. Dengan begitu akan menjadi dua kelompok vektor

dengan centroid baru. Sistem ini akan dirancang seperti ini supaya mudah

dimengerti dan dioperasikan.

3.3 MODEL ANALISIS

Gambar 3. 3 Model Analisis


22

3.3.1 Preprocessing Citra

Preprocesing bertujuan untuk mengubah citra asli ke dalam data

vektor menggunakan filter Gabor Wavelet. Pertama membaca gambar,

kemudian gambar dirubah menjadi abu-abu. Mengubah size kolom dan

baris sampai ukuran maksimal. . Filter Gabor Wavelet dari sebuah citra

merupakan konvolusi citra dengan filter Gabor gmn. Filter Gabor

Wavelet akan dihitung untuk skala dan orientasi. Setelah filter Gabor di

konvolusi terhadap citra dengan skala m dan orientasi n, maka akan

didapat energi citra pada skala dan orientasi yang berbeda. Untuk nilai

F menggunakan perhitungan, yaitu : (kolom dikali dengan (skala

dikurang 1) ditambah 1 sebanyak kolom, baris dikali dengan (orientasi

dikurang 1) ditambah 1 sebanyak baris. Dari perhitungan tersebut di

dapat mean dan standar deviasi untuk kolom dan baris. Vektor ciri dari

sebuah citra dibuat menggunakan µmn dan σmn sebagai komponen ciri.

3.3.2 K-Means Clustering

Proses K-Means Clustering ini pertama menentukan jumlah cluster

yang diingikan untuk mengelompokkan data yang ada akan menjadi

berapa kelompok. Kemudian pilih beberapa data sejumlah cluster

sebagai centroid. Perbandingkan data centroid dengan data yang lainnya

untuk mengetahui apakah data 1 dengan centroid mempunyai kemiripan

atau tidak, jika mempunyai kemiripan maka akan menjadi satu

kelompok dan begitu sebaliknya dengan mengitung menggunakan

Euclidean Distance. Kemudian setelah perhitungan tersebut

mendapatkan kelompok sejumlah cluster yang telah ditentukan, maka

kita mendapatkan centroid baru dan membandingkan centroid baru

dengan data yang lain dan mengulangi lagi lagi langkah perhitungan

Euclidean Distance sampai cluster tidak berubah atau data akhirnya

sudah sama. Lalu mendapatkan cluster akhir pengelompokan.


23

3.3.3. Perancangan hitung akurasi

Hitung akurasi dengan cara membandingkan pengelompokan

cluster dari sistem dengan cluster manual. Jika cluster sistem dengan

cluster manual sama-sama satu kelompok maka dinilai benar tetapi jika

ada yang tidak sama maka akan dinilai error. Menghitung akurasinya

cluster 1 yang dinilai benar dengan cluster 2 yang dinilai benar akan

dijumlahkan kemudian dibagi sejumlah data yang ada. Maka akan

mendapatkan berapa persen tingkat akurasi. Hal tersebut dilakukan

dengan semua data yang ada samapi mendapatkan titik akurasi paling

tinggi dari semua data.

3.4 KEBUTUHAN HARDWARE DAN SOFTWARE

3.4.1 Hardware

Spesifikasi perangkat keras yang digunakan untuk sistem yang akan

dibangun adalah sebagai berikut:

1. Prosesor Intel Pentium

2. RAM minimal 1 GB

3. Monitor SVGA

4. Keyboard

5. Mouse

6. Kamera minimal 2 MP

3.4.2 Software

Untuk menunjang kinerja perangkat keras yang ada, dibutuhkan

perangkat lunak dengan spesifikasi sebagai berikut:

1. Sistem operasi minimal Windows 7

2. Bahasa pemrograman yang digunakan adalah java dengan

Netbeans 7.3 dan Matlab R2012b.


24

BAB IV

IMPLEMENTASI SISTEM

4.1 IMPLEMENTASI

4.1.1 Preprocessing

Inputan citra asli

Gambar 4. 1 Contoh Citra Penyakit

Program untuk mengubah citra asli menjadi vektor.

Memasukkan citra asli kedalam coding. Membaca citra menjadi abu-

abu. Kemudian di resize citra untuk memproses ukuran gambar sesuai.


25

Output dari proses citra asli menjadi vektor


26

4.1.2 K-Means Clustering

4.1.2.1 Tampilan Antarmuka Sistem

Gambar 4. 2 Tampilan Antarmuka

Ketika aplikasi pertama dibuka maka akan menampilkan frame

utama untuk form percarian data yang akan diinput untuk

tampilan data. Kemudian untuk form proses data yang sudah

diinputkan dan akan dimunculkan kedalam form data 1 dan

form data 2, selanjutkan dari form data 1 dan form data 2

tersebut dapat kita pilih data yang akan diproses kedalam K-

Means Clustering. Proses K-Means Clustering untuk


27

mengelompokan data-data vektor yang paling dekat akan

menjadi satu kelompok.

4.1.2.2 TAMPILAN CARI

Gambar 4. 3 Tampilan Cari

Frame ini akan menampilkan proses pencarian data. Jika

mengklik button cari maka akan muncul form untuk mencari

data akan diinput kedalam frame dengan memilih file yang data

tersebut.


28

Button cari proses pencarian data dengan mencari letak file data

yang ingin dibuka, jika file yang diingikan sudah terpilih maka

dapat ditampilkan ke dalam frame tersebut.

Gambar 4. 4 Mencari Data dalam File

Jika file data sudah terpilih maka klik open untuk menampilkan

data ke dalam frame tampilan.

Gambar 4. 5 Menampilkan File data1


29

Frame ini menampilkan data yang sudah dicari dalam form

pencarian dan ditampilkan di dalam scrollpane yang sudah

tersedia.

Gambar 4. 6 Mencari File data2

Frame ini menampilkan untuk pencarian file data yang kedua,

karena file data yang digunakan dua maka mencari dan

membuka dua kali untuk form pencarian.

Gambar 4. 7 Menampilkan File data2


30

Frame ini menampilkan jumlah file data yang sudah diinputkan

ke dalam scrollpane.

4.1.2.3 TAMPILAN PROSES

Gambar 4. 8 Tampilan Proses

Frame ini menampilkan form proses data yang sudah diinput

kedalam scrollpane untuk dimunculkan kedalam scrollpane,

untuk proses pecarian data 1 maka akan muncul kedalam

tampilan scrollpane data 1 dan untuk data 2 maka akan muncul

kedalam tampilan scrollpane data 2.


31


32


33

Form proses diatas dapat menampilkan data yang ada dalam

vektor. Data tersebut ditampilkan kedalam from output data

pada aplikasi untuk mengecek bahwa data yang tampil dalam

scroll pane data 1 dan data 2 tersebut berisi data vektor sebanyak

data yang diproses.


34

Gambar 4. 9 Tampilan Memilih Titik Awal

Frame ini menampilkan data 1 dan data dua dapat dipilih untuk

menentukan titik awal data yang akan dihitung untuk K-Means

Clustering dengan mengklik data-data yang diinginkan.


35

4.1.2.4 TAMPILAN PROSES K-MEANS

Gambar 4. 10 Tampilan Proses dan Hasil K-Means

Frame ini menampilkan perhitungan K-Means Clustering

dengan menampilkan perhitungan centroid 1 dan centroid 2,

membandingkan nilai terkecil atau perhitungan terdekat dengan

titik awal maka dikelompokkan dengan menampilkan cluster.

Cluster 1 untuk kelompok titik data awal 1 dan cluster 2 untuk

titik data awal 2. Perhitungan ini menampilkan sampai beberapa

iterasi. Iterasi akan berhenti atau selesai jika data

perhitungannya sama dan cluster sudah tidak berubah lagi.


36


37

4.1.3 Hitung akurasi

Menghitung akurasi dari pengelompokan K-means Clustering yaitu

membandingkan tingkat kemiripan dari hasil perhitungan centroid 1

dan centroid 2. Misalnya membadingkan vektor 3 dengan vektor 13,

untuk centrod 1 menghitung kemiripan vektor 3 dengan semua vektor

dan untuk centroid menghitung kemiripan vektor 13 dengan semua

vektor. Misal, mehitung tingkat kemiripan untuk vektor 3 dengan

vektor 4 untuk centroid 1 dan menghitung vektor 13 dengan 4 untuk

centroid 2, jika hasil perhitungan centroid 1 lebih kecil dari hasil


38

perhitungan centroid 2 maka vektor 4 masuk dalam kelompok centroid

1 dan begitu sebaliknya.

Centroid 1: menghitung kemiripan vektor 3 ke semua vektor.

Centroid 2: menghitung kemiripan vektor 13 ke semua vektor.


39

Untuk cluster sistem menggunakan angka, karena hanya dua cluster

maka angka yang digunakan 1 dan 2. Untuk cluster manual

menggunakan abjad, cluster hanya dua sama seprti di cluster sistem.


40

Gambar diatas untuk warna kuning kelompok cluster 1 yang benar dan

untuk warna hijau kelompok cluster 2 yang benar.

Cluster 1 : 8 centroid

Cluster 2 : 5 centroid

Untuk perbandingan antara sistem dengan manual menghasilkan

penjumlahan cluster 1 dan cluster 2.

Tingkat akurasi untuk perhitungan perbandingan vektor 3 dan vektor 13

adalah 65%.

Jika sudah dapat pengelompokan cluster seperti diatas maka

membandingkan angka 1 sama dengan huruf A dan angka 2 sama

dengan huruf B. Jika cluster sistem 1 dan cluster manual A maka

pengelompokannya benar, tetapi jika cluster sistem 1 dan cluster

manual B maka disebut pengelompokan error dan begitu juga jika

cluster sistem 2 dan cluster manual B maka pengelompokannya benar,

tetapi jika cluster sistem 2 dan cluster manual A maka disebut

pengelompokan error.

Menghitung akurasi cluster untuk cluster sistem 1 dan cluster manual A

dihitung yang sama, dan untuk cluster sistem 2 dan cluster manual B

dihitung yang sama. Kemudian centroid 1 dan centroid dua yang

bernilai benar dijumlahkan. Misalnya, gambar diatas yang bernilai

benar untuk centroid 1 berjumlah 8 dengan warna kuning dan bernilai

benar untuk centroid 2 berjumlah 5 dengan warna hijau.


41

Cluster 1 dan cluster 2 di jumlahkan yaitu 8+5= 13. Kemudian

hasil penjumlahannya dibagi dengan jumlah vektor yang ada dan di

sistem tersebut ada 20 data, maka 13/20= 0,65 hasil tersebut diubah

menjadi persen untuk hasil akurasi perbandingan pengelompokan

vektor 3 dan vektor 13 maka hasilnya 0,65*100= 65%.


42

BAB V

PENGUJIAN DAN ANALISA HASIL

5.1 ANALISIS HASIL

5.1.1 UJI AKURASI

Uji akurasi ini dari data sebanyak 20 data dari dua penyakit yaitu

Cochliobolus Miyabeanus(Bercak Coklat) dan Xanthomonas Oryzae pv.

Oryzae (Hawar Bakteri) masing penyakit ada 10 data. Untuk akurasi ini

setiap penyakit di ambil lima gambar atau vektor dengan jarak

kemiripan paling jauh.

5.1.1.1 Hasil Uji Akurasi dari Perbandingan sistem dengan manual

Tabel 5. 1 Hasil Uji Akurasi

Titik Awal Akurasi

Centroid 1 Centroid 2

Vektor 1 Vektor 11 65%





















43









































44









































45



5.1.1.2 Kesimpulan akurasi

Uji akurasi diperoleh dari data sebanyak 20 data vektor dari

dua penyakit yaitu Cochliobolus Miyabeanus(Bercak coklat)

dan Xanthomonas oryzae pv. Oryzae (Hawar Bakteri) masing-

masing penyakit ada 10 data vektor. Vektor-vektor pengujian

didapat dengan membandingkan vektor 1 (citra 1) dengan semua

vektor untuk satu kelompok penyakit Cochliobolus

Miyabeanus(Bercak coklat) dan membandingan vektor 11 (citra

11) dengan semua vektor untuk satu kelompok Xanthomonas

oryzae pv. Oryzae (Hawar Bakteri). Perhitungan akurasi dari

pengelompokan K-means Clustering dengan membandingkan

jarak kemiripan dari hasil perhitungan centroid 1 dan centroid 2

untuk memndapatkan cluster setiap centroid. Jika hasil

perhitungan jarak centroid lebih dekat ke centroid 1 maka akan

dikelompokkan ke centroid 1 dan jika hasil perhitungan jarak

centroid lebih dekat ke centroid 2 maka akan dikelompokkan ke

centroid 2. Dari hasil pengelompokkan tersebut akan diuji

akurasi hasil pengelompokan sistem dengan hasil

pengelompokkan manual. Jika kelompok sistem dengan

kelompok manual mempunyai cluster yang sama maka

pengelompokkan benar tetapi jika tidak mempunyai kelompok

yang sama maka pengelompokkan error. Cluster sistem dan

cluster manual yang pengelompokkannya benar dijumlahkan,

ada 2 cluster dalam pengelompokkan tersebut cluster 1 yang

benar dijumlahkan dan cluster 2 yang benar dijumlahkan.

Kemudian cluster 1 dan cluster 2 dijumlahkan dan hasil

penjumlahan dibagi dengan 20 data yang digunakan dalam

sistem ini. Hasil pembagian tersebut diubah menjadi persen


46

untuk hasil akurasi. Dengan perbandingan tersebut

memndapatkan tingkat akurasi paling tinggi yaitu 70% dan

akurasi paling rendah 55% dari 100 uji akurasi. Tingkat akurasi

tertinggi didapat dengan perhitungan perbandingan vektor 6

dengan vektor 18 dan perbandingan vektor 4 dengan vektor 11

dari perhitungan tersebut mendapatkan tingkat akurasi sebesar

70% dari 100 pengujian ada dua uji akurasi yang tingkat

akurasinya 70%. Untuk tingkat akurasi paling rendah didapat

dari perhitungan tersebut mendapatkan tingkat akurasi 55% dari

100 pengujian ada 34 perbandingan yang mendapatkan tingkat

akurasi 55%.

Dari data citra asli diubah menjadi vektor sebanyak 20 data

dari 2 penyakit, kemudian di kelompokkan menggunakan K-

Means Clustering. Hasil pengelompokkan K-Means Clustering,

kemudian di uji akurasi dengan membandingan cluster sistem

dengan cluster manual dan di dapat hasil dari tingkat akurasi

tertinngi sebesar 70% dan tingkat akurasi paling rendah sebesar

55%.


47

BAB VI

PENUTUP

5.1 Kesimpulan

Berdasarkan hasil penelitian ini, pengenalan pola citra tanaman padi pada

daun menggunakan Gabor Wavelet dan K-Means Clustering, di peroleh

kesimpulan sebagai berikut:

1. Uji akurasi diperoleh dari data sebanyak 20 data dari dua penyakit yaitu

Cochliobolus Miyabeanus(Bercak coklat) dan Xanthomonas oryzae pv.

Oryzae (Hawar Bakteri) masing-masing penyakit ada 10 data.

2. Perhitungan akurasi dari pengelompokan K-means Clustering dengan

membandingkan jarak kemiripan dari hasil perhitungan centroid 1 dan

centroid 2 untuk memndapatkan cluster setiap centroid Cluster sistem dan

cluster manual yang pengelompokkannya benar dijumlahkan, ada 2 cluster

dalam pengelompokkan tersebut cluster 1 yang benar dijumlahkan dan

cluster 2 yang benar dijumlahkan. Kemudian cluster 1 dan cluster 2

dijumlahkan dan hasil penjumlahan dibagi dengan 20 data yang digunakan

dalam sistem ini. Hasil pembagian tersebut diubah menjadi persen untuk

hasil akurasi. Dengan perbandingan tersebut memndapatkan tingkat

akurasi paling tinngi yaitu 70% dan akurasi paling rendah 55% dari 100 uji

akurasi. Vektor yang digunakan untuk perbandingan uji akurasi 20 vektor.

5.2 Saran

Berikut ini adalah saran yang dapat membantu peneliti ini agar lebih baik dan

berkembang:

1. Sistem dapat dikembangkan dengan penyakit tamanan pada padi lebih

banyak dan lebih komplit.

2. Data yang digunakan lebih banyak sehingga dapat mencakup lebih banyak

data penyakit padi pada daun.


48

3. Jumlah data yang digunakan lebih banyak dalam pengujian akurasi

sehingga tingkat akurasinya lebih tinggi.

4. Pengumpulan data dilakukan menggunakan hasil foto asli agar lebih tinggi

hasil uji akurasi.


49

DAFTAR PUSTAKA

Fadhilah, Anisa Nurul dkk. Perncangan Aplikasi Sistem Pakar Penyakit

Kulit pada Anak dengan Metode Expert System Development Life Cycle.Vol 09

No. 13 2012.

Ferdian, Erhandkk. Sistem Pakar Mengidentifikasi Kerusakan Gangguan

Sambungan Telepon PT. TELKOM. 2001

Gunadharma. Modul Kuliah Pengenalan Sistem pakar.

ITS EDU. Modul Kuliah Sistem Pakar Teknik Informatika.

Kadir, Abdul and Susanto, Adhi. Teori dan Aplikasi Pengolahan Citra.

Yogyakarta:ANDI.

Prasetyo, Eko. 2014. Data Mining Mengolah Data Menjadi Informasi

Menggunakan Matkab. Yogyakarta:ANDI.

Putra, Dharma. 2010. Pengolahan Citra Digital. Yogyakarta:ANDI.

Sutoyo, T dkk. 2009. Teori Pengolahan Citra Digital. Yogyakarta:ANDI.

Wijono, Sri Hartati, and Aniati Murni. "PENAMBANGAN CITRA

INDERAJA MENGGUNAKAN INFORMASI SPASIAL DAN

SPEKTRAL." Seminar Nasional Aplikasi Teknologi Informasi (SNATI). 2010.

Nixon, Mark, and Alberto Aguado. “FEATURE EXTRACTION &

IMAGE PROCESSING.” Second edition. 2008.


50

LAMPIRAN


51

LAMPIRAN I

I. Data vektor

I.1. Data Cochliobolus Miyabeanus (Bercak Coklat)


52


53


54

I.2. Vektor Xanthomonas oryzae pv. Oryzae (Hawar Bakteri)


55


56


57

LAMPIRAN II

II. PROGRAM

II. 1. FrameUtama.java


58


59


60


61


62


63


64


65


66

II.2. ObjekVektor.java


67


68

II.3. ReadData


69


70

II.4. Kmeans.java


71


Documents

PENGENALAN POLA CITRA PENYAKIT TANAMAN PADI PADA … · mengenali jenis-jenis penyakit pada tanaman padi mereka. Banyak sekali penyakit-penyakit pada tanaman padi, sehingga membuat