Upload
nona-dengen
View
350
Download
12
Embed Size (px)
Citation preview
IDENTIFIKASI PENYAKIT TANAMAN PADI MENGGUNAKAN JENSEN
SHANNON DIVERGENCE BERBASIS ANDROID
Nona Dengen
Jurusan S-1 Teknik Informatika, Universitas Halu Oleo, Kendari-93121
ABSTRAK
Padi merupakan bahan makanan pokok
bagi masyarakat Indonesia. Fakta di lapangan
produktifitas padi dari tahun ke tahun
semakin menurun dikarenakan tanaman padi
rentan terhadap hama dan penyakit. Maka
diperlukan suatu aplikasi sistem pakar
menggunakan android yang diharapkan
mampu mengatasi masalah tersebut.
Aplikasi yang dibangun menggunakan
3 tahapan proses identifikasi penyakit
tanaman padi, yaitu tahap praproses
grayscale digunakan untuk ekstraksi ciri
warna, ekstraksi ciri menggunakan local
binary pattern dan metode Jensen Shannon
untuk mengklasifikasikan dengan cara
menghitung kedekatan vektor dari citra
sampel dan citra uji. Dalam penelitian ini
terdapat 4 jenis penyakit utama yang
umumnya menyerang tanaman padi yaitu
Tungro, Hawar daun, Leaf blass, dan Bercak
coklat.
Dari hasil pengujian yang dilakukan,
tingkat akurasi data dalam proses identifikasi
penyakit pada padi dengan menggunakan
metode Jensen Shannon mencapai 86%.
Pengujian yang dilakukan didasarkan pada
jarak dan tingkat pencahayaan saat
pengambilan data citra. Sampel citra yang
diuji diambil pada jarak 5 cm, 10 cm, dan 15
cm. Semakin jauh jarak pengambilan maka
tingkat akurasi data semakin berkurang.
Kata Kunci : Padi, Jensen Shannon
Divergence, Citra, Ekstraksi Ciri
ABSTRACT
Rice is the staple food for the people
of Indonesia, as derived from corn, sago and
tubers. Facts on the ground rice productivity
from year to year due to declining rice plants
susceptible to pest sand diseases and because
ofthe difficulty of communication with expert
farmers because the distance between farmer
sand experts. It needs an expert system using
android application that is expected to
resolve the issue.
Applications build using the three
stages of the rice plant disease identification
process, the preprocessing stage grayscale
color sused for feature extraction, feature
extraction using a local binary pattern and
Shannon Jensen method to classify vectors by
calculating the proximity of the sample image
sand test images. In this study, there are four
main types of disease that usually attacks the
rice plantis Tungro, leaf blight, Leaf Blass,
and brown spots.
From theresults of tests performed,
the level ofdata accuracyin the identification
rice diseases using Shannon Jensen reaches
86%. Tests were carried out based on the
distance and the light level when shooting the
image data. Samples tested images take from
distance of 5cm, 10cm, and 15cm. The farther
the distance, the retrieval accuracy rate
decreases. However, applications are built
using cropping systems so as to maximize the
identification of rice diseases despite taking
different distances.
Keywords: Rice, Jensen Shannon, Image,
Feature Extraction
1. Pendahuluan
Padi merupakan bahan makanan
pokok bagi masyarakat Indonesia selain
jagung, sagu dan umbi-umbian. Penyakit
tanaman adalah kondisi dimana sel dan
jaringan tanaman tidak dapat berfungsi secara
normal yang disebabkan adanya gangguan
secara terus menerus oleh gen patogenik
(biotik) atau faktor lingkungan. Penyakit
yang menyerang tanaman padi diantaranya
Tungro, Busuk Leher, Brown Spot, Hawar
Daun, Busuk Akar, Kerdil Hampa, Busuk
Leher Padi. Penyakit tersebut dapat
mengakibatkan kematian dan penurunan
kualitas dan kuantitas hasil pertanian secara
signifikan sehingga secara ekonomis dapat
menyebabkan kerugian bagi petani. Untuk itu
diperlukan identifikasi dini terhadap penyakit
yang menyerang tanaman agar mudah
dilakukan pencegahan. Identifikasi penyakit
tanaman dapat ditentukan berdasarkan fitur
atau penciri dari suatu citra berpenyakit. Pada
penelitian ini fitur atau penciri yang
digunakan adalah fitur ekstraksi pola dan
warna dengan menggunakan metode Jensen
Shannon Divergence. Berdasarkan latar
belakang di atas, penulis membuat suatu
penelitian yang berjudul “Identifikasi
Penyakit Tanaman Padi Menggunakan
Jensen Shannon Divergence Berbasis
Android“ yang akan menjadi solusi bagi
petani untuk dapat mengetahui kondisi
tanaman padi mereka.
2. Landasan Teori
A. Penyakit pada Padi
Penyakit pada tanaman padi adalah
kondisi dimana sel dan jaringan tanaman
tidak dapat berfungsi secara normal
disebabkan adanya gangguan secara terus
menerus oleh gen patogenik (boitik) atau
faktor lingkungan. Jenis-jenis penyakit yang
sering menyerang tanaman padi yaitu Tungro,
Blast, Bercak Coklat, dan Hawar Daun.
B. Histogram
Histogram citra adalah grafik yang
menggambarkan penyebaran nilai-nilai
intensitas pixel dari suatu citra atau bagian
tertentu di dalam citra. Dari sebuah histogram
dapat diketahui frekuensi kemunculan nisbi
(relative) dari intensitas pada citra tersebut.
Histogram juga dapat menunjukkan banyak
hal tentang kecerahan (brightness) dan
kontas (contrast) dari sebuah gambar. Karena
itu, histogram adalah alat bantu yang
berharga dalam pekerjaan pengolahan citra
baik secara kualitatif maupun kuantitatif.
C. Local binary Pattern
Local Binary Pattern (LBP)
merupakan suatu metode untuk
mendeskripsikan tekstur pada mode warna
grayscale. LBP adalah sekumpulan pixel
ketetanggaan yang tersebar secara melingkar
(circular neighborhoods) dengan pusat piksel
berada di tengah seperti ditunjukkan pada
Gambar 1. Notasi gi merupakan nilai gray
level piksel ketetanggaan. Rataan seluruh
piksel (piksel ketetanggaan dan piksel pusat
gc) digunakan sebagai nilai ambang batas
(threshold) untuk memotong setiap nilai
piksel ketetanggaan untuk mendapatkan kode
binernya.
Gambar 1 Contoh Pixel Ketetanggaan
D. Jensen Shannon Divergence
Jensen Shannon Divergence adalah
metode yang digunakan untuk mengukur
kesamaan antara dua distribusi probabilitas.
Hal ini didasarkan pada perbedaan Kullback-
Leibler, dengan beberapa perbedaan termasuk
nilai simetris atau nilai yang terbatas. Akar
kuadrat dari perbedaan Jensen-Shannon
adalah metriks yang sering disebut jarak
Jensen-Shannon. Jensen Shannon Divergence
didefinisikan oleh persamaan
JD 𝒗1 , 𝒗2
= k . log𝒗𝟏 (𝑘)
𝒗1 𝑘 + 𝒗2(𝑘)
𝑛
𝑘=1
+ 𝒗2 𝑘 . log𝒗2 (𝑘)
𝒗1 𝑘 + 𝒗2(𝑘)
E. Android
Android adalah Sistem Operasi untuk
telepon seluler berbasis Linux sebagai
kernelnya. Mengapa Android begitu pesat
perkembangan di era saat ini? Karena
Android menyediakan platform terbuka
(Open Source) bagi para pengembang untuk
menciptakan aplikasi mereka sendiri.
Awalnya, perusahaan search engine terbesar
saat ini, yaitu Google Inc. membeli Android
Inc. pendatang baru yang membuat peranti
lunak untuk ponsel. Android, Inc. didirikan
oleh Andy Rubin, Rich Milner, Nick Sears
dan Chris White pada tahun 2003. Pada
Agustus 2005 Google membeli Android Inc.
Kemudian untuk mengembangkan Android
dibentuklah Open Handset Alliance
konsorsium dari 34 perusahaan hardware,
software dan telekomunikasi, termasuk
Google, HTC, Intel, Motorola, Qualqomm, T-
Mobile dan N-vidia.
3. Metode Penelitian
A. Metode Pengumpulan Data
Adapun metode pengumpulan
data-data dan informasi yang diperlukan
adalah studi pustaka, yaitu teknik
pengumpulan data dengan melakukan
penelitian, menghimpun dan menganalisis
dokumen. Dokumen yang termasuk
didalamnya yaitu penelitian terdahulu,
buku, artikel, dan jurnal yang berkaitan
dengan objek penelitian.
B. Metode Pengembangan
Dalam perancangan sistem ini,
penulis menggunakan metode Rational
Unified Process (RUP). Pemilihan
metode ini dilakukan dengan alasan
aplikasi yang akan dikembangkan
merupakan aplikasi dengan skala
kecil/menengah, serta terfokus pada
lingkup tertentu. Selain itu
pengembangan aplikasi ini dilakukan
dalam waktu singkat. Tahapan dalam
metode ini adalah Inception, Elaboration,
Construction, dan Transition.
4. Analisa dan Perancangan Sistem
A. Deskripsi Umum Sistem
Gambaran umum sistem yang akan
dibangun yaitu pertama-tama user akan
melakukan login terlebih dahulu. Untuk
melakukan identifikasi dapat memperoleh
gambar (objek) dengan memilih menu ambil
gambar atau menu cari gambar. Kemudian
gambar akan melalui tahap praproses, dimana
pada tahap ini ciri warna akan diekstraksi
menggunakan grayscale. Selanjutnya tahap
ekstraksi fitur, dimana pada tahap ini
ekstraksi ciri menggunakan Local binary
pattern dan selanjutnya tahap kalsifikasi
menggunakan Jensen Shannon Divergence.
Gambaran umum sistem disajikan pada
gambar berikut.
Gambar 2 Deskripsi Umum Sistem
B. Pra-Proses
1. Proses cropping
Proses cropping digunakan untuk
mengambil sebagian objek padi yang
dominan berpenyakit untuk
memfokuskan citra daun padi yang akan
diklasifikasi.
2. Grayscale
Untuk mendapatkan nilai graylevel pada
citra maka dilakukan proses grayscale.
Grayscale berfungsi untuk memudahkan
proses klasifikasi citra agar lebih terfokus
terhadap masing-masing piksel.
Grayscale juga memudahkan dalam
proses lanjutan yaitu dalam proses
threshold.
3. Thresholding
Dalam metode thresholding lokal, nilai
threshold ditentukan untuk setiap piksel
berdasarkan nilai grayscale dan nilai
grayscale tetangga. Proses ini dilakukan
untuk mengetahui kedekatan nilai setiap
piksel tetangga.
C. Analisis Algoritma Jensen Shannon
Divergence
Jensen Shannon Divergence adalah
metode yang digunakan untuk mengukur
kesamaan antara dua distribusi probabilitas.
Hal ini didasarkan pada perbedaan Kullback-
Leibler, dengan beberapa perbedaan termasuk
nilai simetris atau nilai yang terbatas.
Sebagai contoh, dengan dua vektor (𝑣1 = [4,3,6] dan 𝑣2 = [2,3,7]), maka jarak dari
kedua vektor tersebut adalah
JD v1 , v2
= k . log𝒗𝟏 (𝑘)
𝒗1 𝑘 + 𝒗2(𝑘)
𝑛
𝑘=1
+ 𝒗2 𝑘 . log𝒗2 (𝑘)
𝒗1 𝑘 + 𝒗2(𝑘)
𝐽𝐷 4, 3, 6 2, 3, 7 = 4 ∗
log 4∗2
4+2 + 3 ∗ 𝑙𝑜𝑔
2∗3
3+3 + 6 ∗
𝑙𝑜𝑔 2∗6
6+7 + 2 ∗ 𝑙𝑜𝑔
2∗2
4+2 + 3 ∗
𝑙𝑜𝑔 2∗3
3+3 + 7𝑙𝑜𝑔
2∗7
6+7 = 0,3783
D. Perancangan Aplikasi
1. Use Case
Use case diagram digunakan untuk
memodelkan dan menyatakan unit fungsi atau
layanan yang disediakan oleh sistem. Use
case diagram juga menjelaskan apa yang di
dikerjakan oleh sistem yang akan dibangun
dan siapa saja yang berinteraksi di dalamnya.
Berikut ini adalah Use Case Diagram aplikasi
identifikasi penyakit pada tanaman padi.
Gambar 3 Use Case Diagram
2. Flowchart
Flowchart program secara umum ini
menjelaskan alur proses identifikasi penyakit
pada tanaman padi secara umum. Flowchart
program ini memiliki tiga tahap yaitu
praproses, ekstraksi ciri dan klasifikasi.
Gambar 4 Flowchart Program
a. Flowchart Pra-Proses
Gambar 5 Flowchart Pra-Proses
b. Flowchart Ekstraksi Fitur
Gambar 6 Flowchart Ekstraksi Fitur
c. Flowchart Klasifikasi
Gambar 7 Flowchart Klasifikasi
5. Implementasi
A. Analisis dan Hasil Pengujian
Pada penelitian ini digunakan 20 citra
daun berpenyakit, 5 citra daun padi sehat dan
3 citra selain daun padi. 28 citra uji tersebut
akan melewati praproses, ekstraksi ciri dan
proses klasifikasi. Proses pengujian
dilakukan sebanyak 3 kali dengan
memperhatikan jarak pengambilan objek.
Dimana jarak yang digunakan yaitu 5 cm, 10
cm dan 15 cm.
Jumlah data yang digunakan pada
pengujian I berjumlah 15 data citra uji
dengan jarak 5 cm.
Tabel 1 Tabel Pengujian 1
No Citra Target Hasil
Identifikasi
Keteran
gan
Nilai
JD
1.
Tungro
Tungro
Cocok 132,1
3
2.
Tungro
Tungro
Cocok 141,4
9
3.
Hawar
Daun
Hawar
Daun
Cocok 219,4
1
4.
Hawar
Daun
Hawar
Daun
Cocok 8,26
5.
Blass
Blass
Cocok 149,3
4
6.
Blass
Blass
Cocok 135,1
0
7.
Bercak
Coklat
Bercak
Coklat
Cocok 265,7
7
8.
Bercak
Coklat
Bercak
Coklat
Cocok 346,7
8
9.
Tanaman
Sehat
Tanaman
Sehat
Cocok 208,8
3
10.
Tanaman
Sehat
Tanaman
Sehat
Cocok 415,7
2
11
.
Tidak
Teridentifi
kasi
Tidak
Teridentifi
kasi
Cocok
8228,
6
9378
10307
,86
12
.
Tidak
Teridentifi
kasi
Tidak
Teridentifi
kasi
Cocok
4788,
47
5224,
37
8745,
27
13
.
Tidak
Teridentifi
kasi
Tidak
Teridentifi
kasi
Cocok
6213,
7
6001,
25
8319
14
.
Tidak
teridentifi
kasi
Tanaman
sehat
Tidak
cocok
2442,
3
3583,
49
15.
Tidak
teridentifi
kasi
Penyakit
Blass
Tidak
cocok
2263,
66
4191,
7
Persentase keakuratan dalam
identifikasi penyakit tanaman padi pada
pengujian I ini adalah:
Jumlah data yang dikenali benar = 13
Jumlah data uji = 15 data
Keakuratan = 13
15 𝑥 100% = 86%
Dengan demikian dapat dilihat bahwa
persentase keakuratan pengujian I dengan
menggunakan 2 citra sampel dan 2 citra uji
dari masing-masing citra adalah 86%.
Pengujian dilakukan pada jarak yang
berbeda. Untuk tabel pertama jarak 5 m,
pengujian kedua jarak 10 m, dan pengujian
ketiga pada jarak 15 m. Setelah dilakukan
pengujian maka di dapatkan hasil
perbandingan pada masing-masing jarak
adalah sebagai berikut :
Tabel 2 Hasil pengujian dengan 3 jarak
berbeda
N
o
Peng
ujian Kondisi
Jumla
h Data
yang
Berhas
il
Diiden
tifikasi
Juml
ah
Data
Uji
Persentase
Keakuratan
1.
I
15 data
citra uji.
Dimana
masing-
masing
citra diuji
dengan
jarak 5 cm.
13 15 86%
2. II
15 data
citra uji.
Dimana
masing-
masing
citra diuji
dengan
jarak 10
cm.
13 15 86%
3. III
15 data
citra uji.
Dimana
masing-
masing
citra diuji
dengan
jarak 1 5
cm.
11 15 73%
6. Kesimpulan dan Saran
A. Kesimpulan
Berdasarkan penelitian, aplikasi yang
telah dibangun beserta pengujian yang telah
dilakukan maka ditarik kesimpulan sebagai
berikut:
1. Algoritma Jensen Shannon yang
diterapkan dalam aplikasi
pengambilan citra gambar mampu
menghasilkan akurasi sebesar 86%.
2. Objek hanya dapat teridentifikasi jika
pengambilan gambar objek dilakukan
sesuai prosedur yang ditetapkan.
3. Persentase keakuratan pengujian I
dan II dengan jarak 5 cm dan 10 cm
yakni sebesar 86%. Sedangkan
persentase keakuratan pengujian III
dengan jarak 15 cm sebesar 73 %.
4. Jarak serta tingkat pencahayaan
sangat berpengaruh pada hasil
identifikasi.
B. Saran
Berdasarkan kesimpulan di atas, hal
yang diharapkan kedepannya adalah sebagai
berikut:
1. Untuk penelitian selanjutnya dapat
lebih dikembangkan dengan
menyempurnakan algoritma atau
metode yang digunakan.
2. Untuk penelitian selanjutnya, hasil
dari proses identifikasi lengkap
dengan cara penanggulangannya.
3. Dapat dikembangkan untuk
mengidentifikasi berbagai jenis
penyakit lainnya yang menyerang
tumbuhan.
Daftar Pustaka
Abdul Kadir, AdhiSusanto. 2013.
TeoridanAplikasiPengolahan Citra.
Yogyakarta :Andi
Ambler, Scott W. 2005. A Manager
Inroduction to The Rational Unified
Process (RUP)
Ahmad, Usman. 2005. Pengolahan Citra
Digital danTeknikPemrogramannya.
Yogyakarta :GrahaIlmu
Alfarasi, BeniSalid. 2011. Jurnal.
IdentifikasiPenyakitTanamanMenggun
akan Fast Fourier Transform Dan
Local Binary Pattern
DenganProbabilistik Neural Network.
Bogor : IPB Press
BPP Teknologi. 2011. Padi (Oriza Sativa).
Jakarta : BPP Teknologi
Debby Oktaviana. 2012. Pengolahan Citra –
Histogram. jakarta
F. Tops_e. Jensen-Shannon Divergence and
Norm-based Measuresof
Discrimination and Variation
Gonzales RC, Wood RE. 2002. Digital Image
Processing, Second Edition, New
Jersey :Pretince Hall, Inc
Grist.
1960.MorfologidanKlasifikasiTanaman
Padi (Oryza sativa). Sumatra :Andalas
Harahap, NazruddinSafaat. 2012.
PemogramanAplikasi Mobile
Smartphone dan Tablet PC Berbasis
Android. Bandung :Informatika
Hermawan, Benny. 2014. Menguasai Java 2
& Object Oriented Programming.
Yogyakarta :Andi