identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

127
IDENTIFIK DAUN TANA MATRIKS J TESIS KASI NITROGEN DAN KALIUM AMAN SAWI HIJAU MENGGU S CO-OCCURENCE, MOMENT JARINGAN SARAF TIRUAN I PUTU GEDE BUDISANJAYA PROGRAM PASCASARJANA UNIVERSITAS UDAYANA DENPASAR 2013 M PADA UNAKAN TS DAN

Transcript of identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

Page 1: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

IDENTIFIKASI NITROGEN DAN KALIUM PADA DAUN TANAMAN SAWI HIJAU MENGGUNAKAN

MATRIKS JARINGAN SARAF TIRUAN

TESIS

KASI NITROGEN DAN KALIUM PADA DAUN TANAMAN SAWI HIJAU MENGGUNAKAN

MATRIKS CO-OCCURENCE, MOMENTSJARINGAN SARAF TIRUAN

I PUTU GEDE BUDISANJAYA

PROGRAM PASCASARJANA UNIVERSITAS UDAYANA

DENPASAR 2013

KASI NITROGEN DAN KALIUM PADA DAUN TANAMAN SAWI HIJAU MENGGUNAKAN

MOMENTS DAN

Page 2: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

IDENTIFIKASI NITROGEN DAN KALIUM PADA DAUN TANAMAN SAWI HIJAU MENGGUNAKAN

MATRIKS JARINGAN SARAF TIRUAN

PROGRAM STUDI

TESIS

KASI NITROGEN DAN KALIUM PADA DAUN TANAMAN SAWI HIJAU MENGGUNAKAN

MATRIKS CO-OCCURENCE, MOMENTSJARINGAN SARAF TIRUAN

SAMPUL DALAM

I PUTU GEDE BUDISANJAYA NIM 1091761028

PROGRAM MAGISTER PROGRAM STUDI TEKNIK ELEKTRO

PROGRAM PASCASARJANA UNIVERSITAS UDAYANA

DENPASAR 2013

KASI NITROGEN DAN KALIUM PADA DAUN TANAMAN SAWI HIJAU MENGGUNAKAN

MOMENTS DAN

TEKNIK ELEKTRO

Page 3: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

ii

PRASYARAT GELAR MAGISTER

Tesis untuk Memperoleh Gelar Magister Pada Program Magister, Program Studi Teknik Elektro

Program Pascasarjana Universitas Udayana

I PUTU GEDE BUDISANJAYA NIM 1091761028

PROGRAM MAGISTER

PROGRAM STUDI TEKNIK ELEKTRO PROGRAM PASCASARJANA

UNIVERSITAS UDAYANA DENPASAR

2013

IDENTIFIKASI NITROGEN DAN KALIUM PADA DAUN TANAMAN SAWI HIJAU MENGGUNAKAN

MATRIKS CO-OCCURENCE, MOMENTS DAN JARINGAN SARAF TIRUAN

Page 4: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

iii

LEMBAR PERSETUJUAN PEMBIMBING

TESIS INI TELAH DISETUJUI

PADA TANGGAL : 8 November 2013

Pembimbing I, Pembimbing II,

Dr. I. K. G. Darma Putra, S.Kom., MT. I Nyoman Satya Kumara, S.T., M.Sc., Ph.D. NIP. 19740424 199903 1 003 NIP. 19700201 199702 1 002

Mengetahui

Ketua PS. Magister Teknik Elektro Direktur Program Pascasarjana Program Pascasarjana Universitas Udayana, Universitas Udayana,

Prof. Ir. Ida Ayu Dwi Giriantari, M.Eng.Sc., Ph.D. Prof. Dr. dr. A. A. Raka Sudewi, Sp. S (K) NIP. 19651213 199103 2 001 NIP. 19590215 198510 2 001

Page 5: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

iv

PENETAPAN PANITIA PENGUJI TESIS

Tesis Ini Telah Diuji pada Tanggal : 8 November 2013

Panitia Penguji Tesis Berdasarkan SK Rektor

Universitas Udayana, No : 3096/UN14.4/HK/2013, Tanggal 6 November 2013

Ketua : Dr. I K.G. Darma Putra, S.Kom., MT Anggota :

1. I Nyoman Satya Kumara, ST., M.Sc., Ph.D. 2. Prof. Ir. Ida Ayu Dwi Giriantari, M.Eng.Sc., Ph.D. 3. Wayan Gede Ariastina, ST., M.Eng.Sc., Ph.D. 4. Ni Made Ary Esta Dewi Wirastuti, ST., M.Sc., Ph.D.

Page 6: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

v

SURAT PERNYATAAN BEBAS PLAGIAT

Saya yang bertanda tangan di bawah ini :

Nama : I Putu Gede Budisanjaya

N I M : 1091761028

Program Studi : Teknik Elektro

Judul Tesis : Identifikasi Nitrogen Dan Kalium Pada Daun Tanaman Sawi Hijau Menggunakan Matriks Co-Occurence, Moments Dan Jaringan Saraf Tiruan

Dengan ini menyatakan bahwa karya ilmiah Tesis ini bebas plagiat. Apabila di kemudian hari terbukti plagiat dalam karya ilmiah ini, maka saya

bersedia menerima sanksi sesuai peraturan Mendiknas RI No. 17 Tahun 2010 dan

Peraturan Perundang-undangan yang berlaku.

Denpasar,

Yang membuat pernyataan

(I Putu Gede Budisanjaya)

Page 7: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

vi

ABSTRAK

Budidaya sayuran secara hidroponik semakin berkembang saat ini karena efisiensi pemberian air dan pupuk sesuai kebutuhan tanaman, salah satu tanaman sayuran yang dapat dikembangkan secara hidroponik adalah sawi hijau (Brassica Juncea L.) varietas Tosakan, tanaman ini dipanen pada fase vegetatif sekitar umur 30 hari setelah tanam. Tanaman sawi hijau selama pertumbuhannya membutuhkan unsur-unsur untuk pertumbuhan dan perkembangan organ-organnya. Pada penelitian ini dikembangkan teknologi non-destruktif untuk mengidentifikasi status nutrisi Nitrogen dan Kalium melaui citra daun tanaman sawi dengan menggunakan pengolahan citra digital dan jaringan saraf tiruan. Adapun metode pengolahan citra yang digunakan adalah color moment untuk ekstraksi fitur warna, gray level co-occurrence matrix (GLCM) untuk ekstraksi fitur tekstur dan jaringan saraf tiruan backpropagation untuk mengidentifikasi Nitrogen dan Kalium pada citra daun tanaman sawi hijau. Data citra input yang merupakan hasil akuisisi adalah citra dengan warna RGB yang dikonversi menjadi HSV. Sebelum dilakukan ekstraksi fitur warna dan tekstur citra hasil akuisisi disegmentasi dan di-crop untuk mendapatkan citra daun saja, setelah ekstraksi fitur dilakukan pelatihan menggunakan jaringan saraf tiruan backpropagation dengan 2 kombinasi hidden layer, iterasi sebanyak 20000 epoch. Akurasi hasil pengujian N dengan penerapan metode tersebut diperoleh 97,82%. Pemberian pupuk Kcl sebagai unsur K tidak berpengaruh terhadap pertumbuhan sawi hijau karena tanaman sawi hijau dipanen pada fase vegetatif belum membutuhkan K. Untuk identifikasi umur tanaman sawi hijau dengan menggunakan gabungan fitur color moment, GLCM dan luas area daun menghasilkan akurasi 78,70%.

Kata kunci : Nitrogen, Kalium, pengolahan citra, color moment, GLCM, jaringan saraf tiruan backpropagation

Page 8: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

vii

ABSTRACT

Vegetables cultivation using hydroponic is becoming popular now days because of its irrigation and fertilizer efficiency. One type of vegetable which can be cultivated using hydroponic is green mustard (Brassica juncea L.) tosakan variety. This vegetable is harvested in the vegetative phase, approximately aged of 30 days after planting. In addition, during the growth phase, this plant requires a certain element for the growth and development of its organs. In this study, non-destructive technology was developed to identify Nitrogen and Potassium status through the image of green mustard leaf by using digital image processing and artificial neural network. The image processing method used was the color moment for color feature extraction, gray level co-occurrence matrix (GLCM) for texture feature extraction and back propagation neural network to identify Nitrogen status from the image of leaf. The input image data resulted from acquisition process was RGB color image which was converted to HSV. Prior to the color and texture feature extraction and texture, acquisition image was segmented and cropped to get the leaf image only. Next Step was to conduct training using back propagation neural network with two hidden layer combinations, 20,000 iterations epoch. Accuracy of the nitrogen test results using those methods was 97.82%. The result indicates those three methods is reliable to identify Nitrogen status in the leaf of green mustard. KCl fertilizer application as a source of potassium has no effect on the growth of green mustard. This is because the plant is commonly harvested during the vegetative phase which doesn’t require Potassium yet for its growth. For age identification, a combined feature of color moment, GLCM and leaf area was employed. Those resulted accuracy of 78.70%.

Keywords : Nitrogen, Potassium, image processing, color moment, GLCM, backpropagation neural network.

Page 9: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

viii

KATA PENGANTAR

Puji dan sykur penulis panjatkan kehadapan Tuhan Yang Maha Esa, karena

atas rahmat-Nya, penulis dapat menyelesaikan Tesis ini. Tesis ini berjudul ” IDENTIFIKASI NITROGEN DAN KALIUM PADA DAUN TANAMAN SAWI

HIJAU MENGGUNAKAN MATRIKS CO-OCCURENCE, MOMENTS DAN

JARINGAN SARAF TIRUAN” disusun sebagai syarat untuk memenuhi persyaratan

menyelesaikan Program Magister S-2 pada Program Magister, Manajemen Sistem

Informasi dan Komputer, Program Pascasarjana Universitas Udayana.

Dalam penyusunan Tesis ini, penulis mendapatkan petunjuk, bimbingan dan

bantuan dari berbagai pihak. Sehubungan dengan hal tersebut pada kesempatan ini

penulis menyampaikan ucapan terima kasih kepada :

1. Bapak Dr. I. K.G. Darma Putra, S,Kom., M.T. selaku pembimbing 1 yang

telah banyak memberikan ide penelitian, bimbingan dan masukan.

2. Bapak Nyoman Satya Kumara, ST., Msc., Phd. Selaku pembimbing 2 yang

telah banyak memberikan petunjuk dan bimbingan kepada penulis.

3. Anggota Keluarga serta teman-teman yang telah memberikan dukungan baik

material, jasmani dan rohani selama penulis menyusun tugas akhir ini.

Karya manusia tidak akan pernah sempurna karena manusia memiliki

kelebihan serta kekurangan masing-masing. Demikian halnya dengan karya ini yang

telah diusahakan dibuat dengan segenap kemampuan yang ada, jika masih ada

kekurangan, penulis akan bertanggung jawab sepenuhnya

Denpasar, November 2013

Penulis

I Putu Gede Budisanjaya, S.TP

Page 10: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

ix

DAFTAR ISI

Halaman

SAMPUL DALAM .................................................................................................. i PRASYARAT GELAR MAGISTER ..................................................................... ii

LEMBAR PERSETUJUAN PEMBIMBING ........................................................ iii

PENETAPAN PANITIA PENGUJI TESIS........................................................... iv

SURAT PERNYATAAN BEBAS PLAGIAT......................................................... v

ABSTRAK ................................................................................................... vi ABSTRACT .................................................................................................. vii

KATA PENGANTAR ......................................................................................... viii DAFTAR ISI ................................................................................................... ix DAFTAR TABEL .................................................................................................. xi DAFTAR GAMBAR ............................................................................................ xii

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

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

1.2. Rumusan Masalah ............................................................................... 6

1.3. Tujuan ................................................................................................. 6

1.4. Manfaat Penelitian .............................................................................. 7

1.5. Ruang Lingkup Penelitian .................................................................. 8

1.6. Keaslian Penelitian ............................................................................. 8

BAB II TINJAUAN PUSTAKA .......................................................................... 10

2.1. State Of The Art Review .................................................................... 10 2.2. Botani Tanaman Sawi hijau .............................................................. 13

2.3. Syarat Tumbuh ................................................................................. 15

2.3.1. Iklim ....................................................................................... 15

2.4. Gejala Umum Kekurangan Unsur Hara Pada Tanaman ................... 16 2.5. Citra Digital ...................................................................................... 16

2.6. Resolusi dan kuantisasi ..................................................................... 17

2.7. Pengolahan Citra ............................................................................... 18

2.8. Pre-processing .................................................................................. 18

2.8.1. Model Warna .......................................................................... 18

2.8.2. Pengambangan (Thresholding) ............................................... 21

2.8.3. Normalisasi Intensitas ............................................................ 22

2.8.4. Morphologi ............................................................................. 22

2.8.5. Connected Component Labeling ............................................ 24

2.8.6. Run Length Encoding (RLE) .................................................. 25 2.8.7. Bounding Box ......................................................................... 26 2.8.8. Transformasi Geometri (Cropping) ........................................ 27

2.9. Luas Area Objek dengan Metode Momen (Moments) ...................... 28 2.10. Color Moments ............................................................................. 29

2.11. Co-Occurrence ............................................................................. 31

Page 11: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

x

2.11.1. Gray-Level Co-occurence Matrix (GLCM) ............................ 31

2.12. Jaringan Saraf Tiruan Backpropagation ....................................... 32

BAB III METODE PENELITIAN......................................................................... 36

3.1. Tempat dan Waktu Penelitian .......................................................... 36

3.2. Bahan dan Alat penelitian ................................................................ 36

3.2.1. Bahan ...................................................................................... 36

3.2.2. Alat penelitian ........................................................................ 36

3.3. Prosedur penelitian .......................................................................... 37

3.3.1. Persiapan ................................................................................ 37

3.3.2. Gambaran Umum Sistem ....................................................... 39 3.3.3. Pengolahan Citra .................................................................... 40

3.3.4 Penyusunan model jaringan syaraf tiruan .............................. 47 3.3.5. Nama File Citra daun sawi hijau ............................................ 55 3.3.6. Validasi Hasil Pengujian ........................................................ 56

3.3.7. Pengujian Laboratorium ......................................................... 57

BAB IV HASIL DAN PEMBAHASAN................................................................ 58

4.1. Hasil Eksekusi Program ................................................................... 58

4.1.1. Image Resize, Segmentasi dan Cropping ............................... 59

4.1.2. Ekstraksi fitur warna dengan Color Moments HSV ................ 64 4.1.3. Ekstraksi fitur tekstur dengan GLCM .................................... 65 4.1.4. Perhitungan Luas Area Daun Sawi Hijau dengan metode Moments .............................................................................................. 68

4.1.5. Penyimpanan Data Menggunakan DBMS Mysql .................. 69 4.1.6. Data Citra Daun Tanaman Sawi Hijau ................................... 71 4.1.7. Normalisasi Data .................................................................... 73

4.1.8 Pelatihan dan Pengujian Jaringan Saraf Tiruan Backpropagation .................................................................... 75

BAB V SIMPULAN DAN SARAN ..................................................................... 96

5.1 Simpulan .......................................................................................... 96

5.2 Saran ................................................................................................ 97

DAFTAR PUSTAKA ............................................................................................ 98 LAMPIRAN ................................................................................................. 101

Page 12: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

xi

DAFTAR TABEL

Halaman

Tabel 2.1. Pengklasifikasian 80 sampel dengan metode fuzzy K-NN ................... 11 Tabel 2.2. Hasil analisis data dari PCA dan PNN ................................................. 12

Tabel 3.1. Perlakuan pemberian pupuk N, P, dan K dalam Gram/tanaman. ......... 37

Tabel 3.2. Target Output Identifikasi Nitrogen ..................................................... 49

Tabel 3. 3. Target output identifikasi umur tanaman sawi hijau ........................... 49

Tabel 3.4. Target Output Identifikasi umur ........................................................... 49

Tabel 4. 1. Hasil kombinasi 1 hidden layer 3 kelas kandungan N ........................ 79

Tabel 4. 2. Hasil kombinasi 2 hidden layer 3 kelas kandungan N ........................ 81

Tabel 4. 3. Hasil kombinasi 1 hidden layer 3 kelas kandungan K ........................ 83

Tabel 4.4. Hasil kombinasi 2 hidden layer 3 kelas kandungan K ......................... 85

Tabel 4. 5. Hasil kombinasi 1 hidden layer 3 kelas umur tanaman sawi hijau. .... 88

Tabel 4. 6. Hasil kombinasi 2 hidden layer 3 kelas umur tanaman sawi hijau ..... 89

Page 13: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

xii

DAFTAR GAMBAR

Halaman

Gambar 2.1. Histogram b* dari CIE1976 ............................................................. 10

Gambar 2.2. Tanaman Sawi hijau ........................................................................ 13

Gambar 2.3. Skema warna RGB .......................................................................... 19

Gambar 2.4. Visualisasi 256 aras keabuan ........................................................... 20

Gambar 2.5. Kelompok pixel yang berhubungan 4-connected dan 8-connected . 23 Gambar 2.6. Contoh structuring elements (SE) ................................................... 23 Gambar 2.7. Contoh RLE sederhana .................................................................... 26

Gambar 2.8. Major dan minor axis ....................................................................... 26

Gambar 2.9. bounding box ................................................................................... 27

Gambar 2.10. Contoh cropping citra .................................................................... 27 Gambar 2.11. Contoh citra di-crop sebesar W x H .............................................. 28 Gambar 2.12. Citra 5 x 5 dengan gray level 0, 1, 2, 3 .......................................... 32

Gambar 2.13. Arah 0o, 45o, 90o, 135o ................................................................... 32 Gambar 2.14. Saraf Tiruan Backpropagation Dengan 1 Lapisan Tersembunyi .. 34

Gambar 3.1. Kotak akuisisi citra daun sawi hijau ................................................ 38

Gambar 3.2. Gambaran Umum Sistem ................................................................. 39

Gambar 3.3. Model 1 dengan 1 hidden layer untuk identifikasi N dan K ........... 51

Gambar 3.4. Model 2 dengan 2 hidden layer untuk identifikasi N dan K ........... 52

Gambar 3.5. Kombinasi 1 Hidden Layer untuk identifikasi umur ....................... 53

Gambar 3.6. Kombinasi 2 Hidden Layer untuk identifikasi umur tanaman......... 54

Gambar 4.1. Tampilan awal program saat dijalankan .......................................... 58

Gambar 4.2. Citra daun tanaman sawi hijau hasil akuisisi ................................... 59

Gambar 4.3. (a) red channel, (b) green channel, (c) blue channel ...................... 60 Gambar 4.4. Citra hasil ExG-ExR ......................................................................... 60 Gambar 4.5. Citra biner hasil Thresholding Otsu ................................................. 61

Gambar 4.6. Citra Biner hasil Opening dan Labeling .......................................... 61

Gambar 4.7. Hasil segmentasi citra daun sawi hijau ............................................ 62

Gambar 4.8. Citra hasil Cropping ........................................................................ 62 Gambar 4.9. Tampilan menu untuk Cropping Otomatis ...................................... 63

Gambar 4.10. Tampilan Pemilihan Folder Citra yang akan di Crop .................... 63 Gambar 4.11. Tampilan Program untuk Cropping manual .................................. 64

Gambar 4.12. Konversi Citra RGB menjadi HSV ............................................... 64

Gambar 4.13.Nilai Mean, Standar Deviasi dan Skewness HSV dan RGB ........... 65

Gambar 4.14. Nilai GLCM 0o , 45o ,90o, dan 135o. .............................................. 66

Gambar 4.15. Citra biner daun sawi hijau. ........................................................... 68

Gambar 4.16. Nilai Area daun dengan metode Moments ..................................... 68

Gambar 4.17. Basis Data hasil ekstraksi fitur ...................................................... 69

Gambar 4.18. Struktur tbfitur Model 2 untuk Pelatihan Backpropagation .......... 70 Gambar 4.19. Struktur tb_hasil_uji_n1 Model 2 untuk Pengujian Jaringan

Backpropagation ............................................................................ 71 Gambar 4.20. Grafik Color Moments HSV citra daun sawi hijau umur 10 hari .. 72

Page 14: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

xiii

Gambar 4.21. Grafik Color Moments HSV citra daun sawi hijau umur 15 hari .. 73

Gambar 4.22. Contoh data hasil ekstraksi fitur dalam format dat ........................ 74 Gambar 4.23. Contoh data hasil normalisasi dalam format dat ........................... 75

Gambar 4.24. Hasil Pelatihan 1 Hidden layer 40-1 untuk 3 kelas N ................... 77

Gambar 4.25. Grafik MSE pada Epoch 20000 ..................................................... 78 Gambar 4.26. Koefisien Korelasi pada hidden layer 40-1 (R=0.9999) ................ 78

Gambar 4.27. Hasil Pelatihan 2 Hidden layer 40-20-1 untuk 3 kelas N .............. 79

Gambar 4.28. MSE pada Epoch 20000 ................................................................ 80 Gambar 4.29. Koefisien Korelasi pada hidden layer 40-20-1 (R=1) ................... 80

Gambar 4.30. Hasil Pelatihan 1 Hidden layer 40-1 untuk 3 kelas K ................... 82

Gambar 4.31. MSE pada Epoch 20000 ................................................................ 82 Gambar 4.32. Koefisien Korelasi pada 1 hidden layer 40-1 (R=0,9416) ............. 83

Gambar 4.33. Hasil Pelatihan 1 Hidden layer 40-20-1 untuk 3 kelas K .............. 84

Gambar 4.34. MSE pada Epoch 20000 ................................................................ 84 Gambar 4.35. Koefisien Korelasi pada 2 hidden layer 40-20-1 (R=0,9420) ....... 85

Gambar 4.36. Hasil Pelatihan 1 Hidden layer 40-1 untuk 3 kelas umur .............. 87

Gambar 4.37. Grafik MSE pada Epoch 20000 ..................................................... 87 Gambar 4.38. Koefisien Korelasi pada hidden layer 40-1 (R= 1) ........................ 88

Gambar 4.39. Grafik Warna dan Tekstur umur 10, 20 dan 30 hari. ..................... 90 Gambar 4.40. Perubahan luas area daun tanaman Sawi hijau. ............................. 90 Gambar 4.41. Tampilan program menampilkan hasil identifikasi Nitrogen ........ 91 Gambar 4.42. Tampilan program menampilkan hasil identifikasi Kalium .......... 92 Gambar 4.43. Tampilan program menampilkan hasil identifikasi umur .............. 92 Gambar 4.44. Grafik hubungan mean warna Hue dengan klorofil umur 15 hari . 93

Gambar 4.45. Grafik hubungan mean warna Hue dengan klorofil umur 20 hari . 94

Gambar 4.46. Grafik hubungan mean warna Hue dengan klorofil umur 25 hari . 94

Gambar 4.47. Grafik hubungan mean warna Hue dengan klorofil umur 30 hari . 95

Page 15: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

1

BAB I PENDAHULUAN

1.1. Latar Belakang

Indonesia jika ditinjau secara klimatologis merupakan daerah yang cocok

untuk pengembangan bisnis tanaman sayuran. Salah satunya adalah Sawi hijau

(Brassica juncea L) varietas Tosakan yang merupakan komoditas yang dengan

nilai komersial dan digemari masyarakat Indonesia. Konsumen menggunakan

daun sawi baik sebagai bahan pokok maupun sebagai pelengkap masakan

tradisional dan masakan cina. Selain sebagai bahan pangan, sawi hijau dipercaya

dapat menghilangkan rasa gatal di tenggorokan pada penderita batuk. Sawi hijau

pun berfungsi sebagai penyembuh sakit kepala dan mampu bekerja sebagai

pembersih darah (Haryanto dkk. 2001).

Tanaman sawi memiliki masa panen yang singkat ditambah dengan

adanya pasar yang terbuka membuat pengusaha atau petani hortikultura tertarik

untuk membudidayakan sawi (Hapsari, 2002). Peningkatan pengetahuan

masyarakat akan kebutuhan gizi membuat permintaan akan sawi menjadi semakin

meningkat seiring dengan peningkatan jumlah penduduk pula, untuk itu perlu

dilakukan perbaikan teknologi budidaya sayuran sawi tersebut.

Tanaman sawi dapat ditanam secara hidroponik ataupun non hidroponik.

Hidroponik merupakan cara bercocok tanam tanpa tanah, yaitu menggunakan air

atau bahan porous lainnya dengan pemberian unsur hara terkendali yang berisi

unsur-unsur esensial yang dibutuhkan tanaman (Lingga, 1999). Menurut Siswandi

BAB I

PENDAHULUAN

Page 16: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

2

(2006) tanaman yang ditanam secara hidroponik memiliki banyak kelebihan yaitu

pengendalian hama dan penyakit karena budidaya dilakukan dalam greenhouse,

penggunaan pupuk dan air lebih efisien karena diberikan sesuai dengan kebutuhan

tanaman, budidaya tidak tergantung musim, dan memungkinkan pengembangan

aplikasi teknologi komputer serta kontrol otomatik dalam budidaya seperti

misalnya sistem fertigasi otomatis berbasis microcontroller untuk mengatur

pemberian nutrisi tanaman (Suhardiyanto, 2009).

Tanaman sawi membutuhkan hara esensial untuk dapat hidup dan

berproduksi optimal. Adapun unsur hara esensial tersebut adalah unsur hara

makro seperti Nitrogen, Fosfor dan Kalium (NPK). Unsur hara Nitrogen lebih

dibutuhkan untuk pertumbuhan tanaman sayuran seperti halnya sawi

dibandingkan dengan unsur hara esensial lainnya. Unsur N memegang peranan

penting dalam proses fisiologis dan biokimia tanaman. Nitrogen merupakan

komponen penyusun klorofil yang berperan dalam proses fotosintesa. Konsentrasi

Nitrogen dari daun, batang dan akar berubah selama masa pertumbuhan tanaman

sawi, pada tahap awal pertumbuhan konsentrasi Nitrogen yang melalui tanaman

akan menjadi tinggi, namun seiring bertambah umur tanaman konsentrasi

Nitrogen menurun, dan pada umumnya juga dipengaruhi oleh ketersediaan

sumber Nitrogen dari luar tanaman. Bagian dari tanaman yang sering menjadi

indikator kurangnya ketersediaan Nitrogen adalah bagian daun, karena daun

merupakan organ akif untuk asimilasi dan dapat merefleksikan status nutrisi dari

tanaman. Defisiensi Nitrogen ditandai dengan perubahan warna daun yang

menjadi menguning (mengalami klorosis), dimulai dari bagian bawah daun.

Page 17: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

3

Defisiensi yang kuat akan menyebabkan daun berwarna semakin coklat dan mati

(Samekto, R., 2008)

Kalium merupakan unsur kedua terbanyak yang dibutuhkan tanaman

setelah Nitrogen, tanaman yang mengalami defisiensi Kalium ditandai dengan

terjadinya klorosis pada daun tua (kehilangan klorofil), kemudian bagian tepi daun

mengalami nekrosis atau kematian sel sebagai akibat dari adanya kerusakan sel

akut (Samekto,R., 2008).

Furuya (1987) melaporkan bahwa selama tahun 1980 warna daun menjadi

lebih diperhatikan karena warna daun paling baik menunjukkan status nutrisi

tanaman. Sejak itu, penelitian tentang cara pengukuran warna daun mengalami

kemajuan dan memudahkan pengukuran warna daun di lapangan. Untuk tanaman

padi, status nutrisi tanaman diukur menggunakan skala warna daun padi baku

(Standard rice leaf color scale). Skala warna ini digunakan untuk mengukur

warna daun dari daun tunggal atau komunitas tanaman. Dalam aplikasi warna di

atas, berbagai penelitian memperlihatkan bahwa pengukuran daun tunggal

menunjukkan korelasi nyata dengan rata-rata kandungan N dan komponen-

komponen hasil pada kebanyakan varietas padi. Skala warna ini penggunaannya

terbatas hanya pada tanaman serelia.

Identifikasi kondisi Nitrogen dan Kalium pada tanaman sawi dapat

dilakukan secara manual dengan pengelihatan mata manusia pada masing-masing

tanaman, karena warna daun sawi akan berubah jika tanaman kekurangan

Nitrogen atau Kalium, namun melakukan identifikasi warna daun dengan indera

mata manusia memiliki kelemahan jika banyak tanaman yang harus diidentifikasi

Page 18: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

4

dan dalam waktu yang panjang, ditambah lagi setiap orang memiliki penilaian

berbeda terhadap warna.

Beberapa metoda pengukuran mempunyai kelemahan termasuk kerusakan

pada tanaman (destructive method), memerlukan peralatan yang mahal, dan

kesulitan dalam pengukuran. Sebagai contoh, fluoresensi klorofil sering

digunakan untuk menganalisis fotosintesa tanpa merusak tanaman. Karena itu,

perubahan fluoresen adalah suatu indeks yang berguna untuk menunjukkan

efisiensi fotosintesis, juga kondisi klorofil dan kehijauan daun. Salah satu

fluorometer ini disebut MINIPAM, namun penggunaannya terbatas (Kim dkk.

2006).

Pada awal abad dua puluhan mulai banyak digunakan suatu alat portable

SPAD meter yang dapat digunakan untuk mengukur tingkat warna hijau atau

klorofil relative pada daun yang dideteksi melalui dua panjang gelombang

berbeda, Namun ditemui banyak kekurangan dalam SPAD meter tersebut yaitu

tidak efisien karena diperlukan banyak pembacaan secara acak pada satu daun,

bermasalah jika konsentrasi Nitrogen di atas standar normal pada beberapa

tanaman seperti jagung dan gandum (Yao, X., dkk. 2010). Dari beberapa metode

pendeteksian status nutrisi pada warna daun, penggunaannya masih terbatas pada

tanaman pangan (berbagai varietas padi, gandum, jagung) dan sangat jarang

diaplikasikan pada tanaman sayur-sayuran.

Penerapan pengolahan citra digital (Digital Image Processing) merupakan

teknologi visual yang semakin berkembang di banyak bidang termasuk bidang

pertanian, pengolahan citra digital dalam pertanian digunakan untuk sortasi atau

Page 19: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

5

klasifikasi, pengawasan mutu, dan identifikasi baik untuk sayuran dan buah-

buahan.

Analisis status nutrisi berbasis pengolahan citra dalam bidang pertanian

mengalami perkembangan yang sangat cepat sebagai metode non-destruktif untuk

optimalisasi fertilizer masukan (input), peningkatan hasil panen dan efisiensi

penggunaan sumberdaya (Yao, X., dkk. 2010).

Melalui penelitian ini dikembangkan suatu sistem untuk mengidentifikasi

kondisi Nitrogen, Kalium dan umur pada tanaman sawi dengan memanfaatkan

teknologi pengolahan citra digital dan jaringan saraf tiruan. Proses identifikasi

dilakukan dengan melakukan pengamatan terhadap citra daun tanaman sawi hijau.

Dengan teknologi visual pengamatan dilakukan tanpa harus berhubungan

langsung dengan objek, sehingga membantu meminimalisasi kesalahan atau error

dari identifikasi secara manual yang selama ini dilakukan karena efek kelelahan

atau subyektivitas visual manusia. Adapun tahapan yang dilakukan untuk

melakukan identifikasi Nitrogen, Kalium dan umur pada tanaman sawi dimulai

dari akuisisi citra dilanjutkan dengan pemisahan latar belakang (background)

dengan objek daun tanaman sawi, setelah diperoleh citra daun tanaman sawi yang

terpisah dengan background, dilakukan ekstraksi fitur warna dengan metode color

moments. Kelebihan metode color moments adalah mampu melakukan ekstraksi

fitur warna tanpa dipengaruhi masalah perbedaan pencahayaan dan perbedaan

ukuran citra. Ekstraksi fitur tekstur citra daun tanaman sawi hijau dilakukan

dengan menggunakan metode Gray Level Co-occurence Matrix (GLCM), metode

ini sesuai diterapkan untuk tekstur yang terbentuk secara alami atau tidak

Page 20: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

6

disengaja oleh manusia karena metode ini dalam perhitungan secara statistiknya

menggunakan distribusi derajat keabuan (histogram) dalam citra. Hasil fitur warna

dan tekstur tersebut digunakan untuk input (masukan) jaringan syaraf tiruan (JST)

Backpropagation untuk melakukan identifikasi kondisi Nitrogen, Kalium dan

umur tanaman sawi hijau.

1.2. Rumusan Masalah

Pada penelitian ini permasalahan difokuskan pada :

1. Apakah kandungan Nitrogen dan Kalium yang diberikan pada tanaman sawi

dapat diketahui dengan menggunakan metode Color Moments, Gray Level

Co-occurence Matrix dan jaringan saraf tiruan Backpropagation.

2. Bagaimana implementasi pengolahan citra digital dan jaringan syaraf tiruan

untuk melakukan identifikasi Nitrogen dan Kalium pada tanaman sawi

dengan menggunakan metode Color Moments, Gray Level Co-occurence

Matrix dan jaringan saraf tiruan Backpropagation.

3. Apakah umur tanaman sawi dapat diketahui dengan menggunakan metode

Color Moments, Gray Level Co-occurence Matrix, Moments dan jaringan

saraf tiruan Backpropagation.

1.3. Tujuan

Secara umum penelitian ini bertujuan untuk mengidentifikasi kandungan

Nitrogen dan Kalium pada tanaman sawi dengan pengolahan citra dan jaringan

saraf tiruan.

Page 21: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

7

Secara khusus tujuan dari penelitian ini adalah :

1. Mengembangkan software yang dapat melakukan identifikasi Nitrogen dan

Kalium pada tanaman sawi menggunakan Color moments, Gray Level Co-

occurence Matrix dan jaringan saraf tiruan Backpropagation.

2. Menguji kinerja metode Color moments, Gray Level Co-occurence Matrix

dan jaringan saraf tiruan backpropagation yang digunakan dalam mengetahui

kandungan Nitrogen dan Kalium pada tanaman sawi.

3. Menguji kinerja metode Color moments, Gray Level Co-occurence Matrix,

Moments dan jaringan saraf tiruan backpropagation yang digunakan dalam

mengetahui umur tanaman sawi mulai dari 1 hari setelah tanam sampai 30

hari setelah tanam.

1.4. Manfaat Penelitian

Penelitian ini diharapkan dapat digunakan sebagai aplikasi awal untuk

sistem fertigasi tanaman sawi secara hidroponik pada greenhouse, sehingga dapat

digunakan sebagai pengambil keputusan kapan tanaman sawi membutuhkan

pemberian Nitrogen dan Kalium, sehingga diperoleh hasil panen dengan kualitas

yang baik.

Penerapan variable rate technology untuk meningkatkan efisiensi

pemberikan pupuk sehingga akumulasi pupuk pada media tanam dapat dihindari,

serta mengurangi leaching karena pemberian fertigasi dilakukan pada waktu dan

komposisi yang kurang tepat.

Page 22: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

8

1.5. Ruang Lingkup Penelitian

Penelitian ini memfokuskan pada pengolahan citra daun sawi untuk

mengidentifikasi kandungan Nitrogen dan Kalium menurut perlakuan Nitrogen

dan Kalium yang diberikan dengan menggunakan metode jaringan saraf tiruan

Backpropagation. Penelitian ini hanya dibatasi pada hal-hal sebagai berikut:

1. Tanaman sawi ditanam secara hidroponik dalam greenhouse.

2. Obyek yang akan digunakan adalah citra tunggal daun tanaman sawi

(Brassica Juncea L.) varietas Tosakan dengan umur maksimum 30 hari

setelah tanam.

3. Gambar yang diambil adalah posisi permukaan atas daun sawi menggunakan

kamera digital.

4. Citra yang digunakan berformat .jpg

5. Faktor penentu pertumbuhan tanaman yang lainnya dibuat seragam.

6. Perangkat lunak yang dibangun hanya untuk mengidentifikasi atau mengenali

warna daun terkait dengan jumlah atau kadar nutrisi yang diberikan.

7. Aplikasi dibangun menggunakan software Matlab R2009b.

1.6. Keaslian Penelitian

Penelitian yang berkaitan dengan identifikasi kadar Nitrogen dan Kalium

terhadap warna daun telah dilakukan oleh Xu, G., dkk. (2009) dimana dalam

penelitian tersebut dilakukan ekstraksi fitur warna dan tekstur dengan metode

histogram intensitas, histogram persen diferensial, fourier transform, dan wavelet.

Kemudian dilakukan identifikasi dengan menggunakan Genetic Algorithm (GA)

Page 23: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

9

untuk mendiagnosa kekurangan Nitrogen dan Kalium pada daun tomat, dari

penelitian tersebut diperoleh bahwa akurasi diagnose di atas 82,5 %.

Estimasi kadar Nitrogen dan kadar klorofil pada Asian Pear dilakukan

oleh Ghasemi, M., dkk. (2011) menggunakan alat yang disebut dengan

Chlorophyll Content Meter (CCM-200). Penelitian tentang identifikasi penyakit

pada daun jeruk dilakukan oleh Pydipati, R., dkk. (2006) menggunakan teknik

pengolahan citra ekstraksi fitur warna dan tekstur dengan metode co-occurrence

kemudian dilakukan analisis statistik dengan metode SAS. Penelitian tentang

pengenalan daun otomatis untuk klasifikasi tanaman dilakukan oleh Gang Wu, S.

dkk. (2007) dengan teknik pengolahan citra dan pengolahan data Probabilistic

Neural Network (PNN).

Penelitian dilakukan oleh Wang Li-shu pada tahun 2010 dengan

menggunakan komputer visual dan pengumpulan informasi citra berdasarkan pra

pengolahan dengan model identifikasi untuk mendeteksi elemen Nitrogen pada

daun kedelai.

Dari beberapa penelitian di atas belum ditemukan penelitian yang

mengungkap tentang identifikasi kekurangan Nitrogen dan Kalium, kandungan

Nitrogen dan Kalium pada tanaman sawi hijau serta mengetahui umur tanaman

sawi dengan menggunakan metode Color Moments, Gray Level Co-Occurence

Matrix dan metode jaringan syaraf tiruan Backpropagation.

Page 24: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

10

BAB II TINJAUAN PUSTAKA

2.1. State Of The Art Review

Penelitian tentang identifikasi defisiensi Nitrogen dan Kalium pada

tanaman tomat dengan pengolahan citra dan neural network telah dilakukan oleh

Xu, G., dkk. (2009) dimana diagnosa defisiensi dengan melakukan ekstraksi ciri

dari warna dan tekstur. Fitur histogram digunakan untuk ekstraksi fitur warna,

kemudian juga digunakan b* dari CIE1976, hasilnya seperti gambar 2.1 dibawah

ini.

Sumber : Xu, G., dkk. 2009

Gambar 2.1. Histogram b* dari CIE1976

Untuk ekstraksi fitur tekstur dilakukan pembandingan hasil dari

penggunaan wavelet transform dengan Fourier transform. Pengklasifikasian

digunakan metode fuzzy K-NN, dari 80 sample yang digunakan untuk training dan

pengujian diperoleh hasil seperti Tabel 2.1.

BAB II

TINJAUAN PUSTAKA

Page 25: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

11

Tabel 2.1. Pengklasifikasian 80 sampel dengan metode fuzzy K-NN

Test Set Normal Nitrogen deficient Potassium deficient

Normal Leaves 95 % 2.5% 2.5%

Nitrogen Deficient Leaves 7.5% 90% 2.5%

Potassium Deficient Leaves 7.5% 7.5% 85%

Sumber : Xu, G., dkk. 2009

Penelitian yang dilakukan oleh Gang Wu, S., dkk. (2007) menerapkan

ekstraksi ciri berdasarkan ciri geometris daun, kemudian dilanjutkan dengan

klasifikasi menggunakan Probabilistic Neural Network (PNN). Dalam

penelitiannya digunakan 5 dasar fitur geometris yang terdiri dari diameter,

panjang fisik, lebar fisik, area daun dan perimeter daun, kemudian dari 5 fitur

dasar tersebut dijabarkan menjadi 8 fitur morphologi yang digunakan untuk

pengenalan daun seperti smooth factor, aspek rasio, rectangularity, narrow factor,

rasio perimeter dari panjang fisik dan lebar fisik daun dan fiture vein. Kemudian

untuk data analisis digunakan Principal Component Analysis (PCA) dan

Probabilistic Neural Network (PNN). Dari 32 jenis tanaman masing-masing

digunakan 10 helai daun dalam penelitian ini dan adapun hasilnya seperti pada

Tabel 2.2.

Page 26: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

12

Tabel 2.2. Hasil analisis data dari PCA dan PNN

Tingkat akurasi rata dari hasil penelitian ini adalah 90,312%.

Penelitian lain yang meneliti perkiraan terhadap kandungan klorofil daun

dan Nitrogen pada buah Asian Pear dilakukan oleh Ghasemi M., dkk. (2011)

dengan menggunakan alat yang disebut dengan Chlorophyll Content Meter

(CCM-200). Metode perkiraan kadar klorofil daun pada anggur dilakukan oleh

Steele M, dkk. (2008), dilakukan dengan mengukur reflektansi spektral RGB dari

daun.

Wang Li-shu pada tahun 2010 melakukan penelitian tentang identifikasi

elemen Nitrogen pada daun kedelai. Akuisisi citra daun kedelai dilakukan

menggunakan scanner kemudian dilakukan pre-processing dengan metode spatial

domain image enhancement, kemudian segmentasi citra menggunakan algoritma

Page 27: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

13

super green segmentation. Pada ekstraksi fitur teksur digunakan metode grey level

histogram equalization.

2.2. Botani Tanaman Sawi hijau

Tanaman sawi (Brassica juncea L.) masih satu famili dengan kubis-krop,

kubis bunga, broccoli dan lobak atau rades, yakni famili cruciferae (brassicaceae)

olek karena itu sifat morfologis tanamannya hampir sama, terutama pada sistem

perakaran, struktur batang, bunga, buah (polong) maupun bijinya. Tanaman sawi

seperti Gambar 2.2.

Gambar 2.2. Tanaman Sawi hijau Sawi termasuk ke dalam kelompok tanaman sayuran daun yang

mengandung zat-zat gizi lengkap yang memenuhi syarat untuk kebutuhan gizi

masyarakat. Sawi hijau bisa dikonsumsi dalam bentuk mentah sebagai lalapan

maupun dalam bentuk olahan dalam berbagai macam masakan. Selain itu berguna

untuk pengobatan (terapi) berbagai macam penyakit (Cahyono, 2003).

Page 28: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

14

Klasifikasi tanaman sawi dalam (Rukmana, 2002) sebagai berikut :

Divisi : Spermatophyta

Kelas : Angiospermae

Sub-kelas : Dicotyledonae

Ordo : Papavorales

Famili : Brassicaceae

Genus : Brassica

Spesies : Brassica juncea L.

Sistem perakaran tanaman sawi memiliki akar tunggang (radix primaria)

dan cabang-cabang akar yang bentuknya bulat panjang (silindris) menyebar

kesemua arah dengan kedalaman antara 30-50 cm. Akar-akar ini berfungsi antara

lain mengisap air dan zat makanan dari dalam tanah, serta menguatkan berdirinya

batang tanaman (Heru dan Yovita, 2003)

Batang tanaman sawi pendek dan beruas-ruas sehingga hampir tidak

kelihatan. Batang ini berfungsi sebagai alat pembentuk dan penopang daun

(Rukmana, 2002).

Sawi berdaun lonjong, halus, tidak berbulu dan tidak berkrop. Pada

umumnya pola pertumbuhan daunnya berserak (roset) hingga sukar

membentuk krop (Sunarjono, 2004).

Tanaman sawi umumnya mudah berbunga dan berbiji secara alami

baik di dataran tinggi maupun di dataran rendah. Stuktur bunga sawi

tersusun dalam tangkai bunga (inflorescentia) yang tumbuh memanjang

(tinggi) dan bercabang banyak. Tiap kuntum bunga sawi terdiri atas empat

helai daun kelopak, empat helai daun mahkota bunga berwarna kuning

Page 29: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

15

cerah, empat helai benang sari dan satu buah putik yang berongga dua

(Rukmana, 2002).

2.3. Syarat Tumbuh

2.3.1. Iklim

Curah hujan yang cukup sepanjang tahun dapat mendukung kelangsungan

hidup tanaman karena ketersedian air tanah yang mencukupi. Tanaman sawi

hijau tergolong tanaman yang tahan terhadap curah hujan, sehingga penanaman

pada musim hujan masih bisa memberikan hasil yang cukup baik. Curah hujan

yang sesuai untuk pembudidayaan tanaman sawi hijau adalah 1000-1500

mm/tahun. Akan tetapi tanaman sawi yang tidak tahan terhadap air yang

menggenang. (Cahyono, 2003)

Tanaman sawi pada umumnya banyak ditanam di dataran rendah.

Tanaman ini selain tahan terhadap suhu panas (tinggi) juga mudah berbunga dan

menghasilkan biji secara alami pada kondisi iklim tropis Indonesia. (Haryanto

dkk. 2002). p udara yang sesuai untuk pertumbuhan tanaman sawi hijau yang

optimal berkisar antara 80%-90%. Kelembaban udara yang tinggi lebih dari 90

persen berpengaruh buruk terhadap pertumbuhan tanaman. Kelembaban yang

tinggi tidak sesuai dengan yang dikehendaki tanaman, menyebabkan mulut daun

(stomata) tertutup sehingga penyerapan gas karbondioksida (CO2) terganggu.

Dengan demikian kadar gas CO2 tidak dapat masuk kedalam daun, sehingga kadar

gas CO2 yang diperlukan tanaman untuk fotosintesis tidak memadai. Akhirnya

proses fotosintesis tidak berjalan dengan baik sehingga semua proses

pertumbuhan pada tanaman menurun. (Cahyono, 2003)

Page 30: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

16

2.4. Gejala Umum Kekurangan Unsur Hara Pada Tanaman

1. Kekurangan Nitrogen (N): Nitrogen merupakan unsur aktif didalam

tanaman, oleh karena itu gejala kekurangannya akan dimulai pada daun-

daun yang lebih tua. Kadang-kadang disertai dengan berubahnya warna

daun menjadi kemerahan sebagai akibat terbentuknya anthocyanin.

2. Kekurangan Fosfor (P) : Kekurangan fosfor akan memicu rontoknya

daun. Sebelumnya daun menunjukkan gejala muculnya warna kemerahan

atau keunguan.

3. Kekurangan Kalium (K) : Kekurangan Kalium ditandai dengan

munculnya bercak-bercak kuning pada daun, diikuti dengan mati atau

mengeringnya ujung dan pinggiran daun. Kejadian ini dimulai dari bagian

tanaman yang lebih tua.

2.5. Citra Digital

Citra digital dapat didefinisikan sebagai suatu fungsi dua dimensi f(x,y),

dengan x dan y merupakan koordinat sedangkan f adalah amplitude pada posisi

(x,y) yang sering disebut atau dikenal dengan intensitas atau grayscale

(Gonzales, 2002). Nilai dari intensitas mulai dari 0 sampai 255. Citra yang

ditangkap oleh kamera dan telah dikuantisasi dalam bentuk diskrit disebut sebagai

citra digital (digital image). Citra digital tersusun dari sejumlah nilai tingkat

keabuan yang dikenal dengan pixel pada posisi tertentu. Jumlah pixel per satuan

panjang akan menentukan resolusi citra tersebut, makin banyak pixel yang

Page 31: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

17

mewakili suatu citra maka nilai resolusi dari citra tersebut akan semakin tinggi

yang ditandai dengan semakin halusnya gambar atau citra tersebut.

2.6. Resolusi dan kuantisasi

Menurut Solomon, C dan Breckon T. (2011) Ukuran dari grid pixel 2D

dan ukuran data dari masing-masing pixel citra menentukan resolusi spasial dan

kuantisasi warna dari citra. Representasi dan ukuran dari suatu citra ditentukan

oleh resolusinya. Resolusi dari sumber citra seperti misalnya kamera dapat

dibedakan dalam tiga kuantitas.

1. Resolusi spasial, dimensi kolom (C) dikalikan baris (R) menjelaskan

jumlah pixel yang digunakan untuk menutupi jarak visual yang ditangkap

pada citra, yang berhubungan dengan sampling sinyal citra dan resolusi

digital dari citra. C x R seperti misalnya 640 x 480, 800 x 600, 1024 x 768.

2. Resolusi temporal, untuk melakukan sistem capture yang kontinu seperti

video, merupakan angka dari citra yang ditangkap dalam suatu periode

waktu tertentu. Sering disebut frame per second (fps), dimana pada

masing-masing citra disebut suatu frame video. Seperti misalnya penyiaran

TV beroperasi pada 25 fps, 25-30 fps sesuai untuk pengintaian secara

visual.

3. Resolusi Bit, merupakan jumlah dari kemungkinan intensitas atau warna

yang dimiliki oleh suatu pixel yang berhubungan dengan kuantisasi dari

informasi citra.

Page 32: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

18

2.7. Pengolahan Citra

Pengolahan citra (Image Processing) mempunyai tujuan sebagai berikut:

1. Memperbaiki kualitas citra, dimana citra yang dihasilkan dapat

menampilkan informasi secara jelas atau dengan kata lain manusia dapat

melihat informasi yang diharapkan dengan meninterpretasikan citra yang

ada.

2. Mengekstrasi informasi ciri yang menonjol pada suatu citra.

2.8. Pre-processing

2.8.1. Model Warna

Sebuah gambar mengandung satu atau lebih channel warna yang

menentukan intensitas atau warna pada pixel tertentu I (m,n). Dalam kasus yang

paling sederhana, setiap lokasi pixel hanya berisi nilai numerik tunggal mewakili

level sinyal pada titik tertentu dalam gambar. Konversi dari serangkaian nomor ke

gambar (ditampilkan) aktual dicapai melalui peta warna. Peta warna memberikan

warna spesifik untuk setiap level numerik dalam gambar untuk memberikan

representasi data secara visual.

2.8.1.1 Model Warna RGB (Red, Green, Blue)

Model warna RGB berorientasi hardware, terutama untuk warna monitor

dan warna pada kamera video. Dalam model ini tiap warna ditunjukkan dengan

kombinasi tiga warna primer yang membentuk sistem koordinat cartesian tiga

dimensi. Seperti pada Gambar 2.3. subruang pada diagram tersebut menunjukkan

posisi tiap warna. Nilai RGB terletak pada satu sudut dengan cyan, magenta, dan

Page 33: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

yellow berada di sudut lainnya. Warna hitam berada pada titik asal, sedangkan

warna putih terletak pada titik terjauh dari titik asal.

lurus dan terletak di antara kedua titik tersebut.

Sumber : Gonzales, 2002.

2.8.1.2 Model Warna HSV

Model HSV (

bentuk tiga komponen utama, yaitu

menunjukkan jenis warna atau corak warna, yaitu tempat warna tersebut

ditemukan dalam spe

Saturasi suatu warna adalah ukuran seberapa besar kemurnian dari warna tersebut.

Saturasi biasanya bernilai 0 sampai 1 (atau 0% sampai 100%) dan menunjukkan

nilai keabu-abuan warna dimana 0 menunjukkan abu

warna primer murni.

suatu warna atau seberapa besar cahaya datang dari suatu warna. Nilai

0% sampai 100%.

berada di sudut lainnya. Warna hitam berada pada titik asal, sedangkan

warna putih terletak pada titik terjauh dari titik asal. Grayscale membentuk garis

lurus dan terletak di antara kedua titik tersebut.

Sumber : Gonzales, 2002.

Gambar 2.3. Skema warna RGB

Warna HSV

Model HSV (Hue Saturation Value) menunjukkan ruang warna dalam

bentuk tiga komponen utama, yaitu hue, saturation dan value (brightness)

menunjukkan jenis warna atau corak warna, yaitu tempat warna tersebut

ditemukan dalam spektrum warna. Hue berupa sudut dari 0 sampai 360 derajat.

Saturasi suatu warna adalah ukuran seberapa besar kemurnian dari warna tersebut.

Saturasi biasanya bernilai 0 sampai 1 (atau 0% sampai 100%) dan menunjukkan

abuan warna dimana 0 menunjukkan abu-abu dan 1

warna primer murni. Value atau intensitas yaitu ukuran seberapa besar kecerahan

suatu warna atau seberapa besar cahaya datang dari suatu warna. Nilai

19

berada di sudut lainnya. Warna hitam berada pada titik asal, sedangkan

membentuk garis

) menunjukkan ruang warna dalam

value (brightness). Hue

menunjukkan jenis warna atau corak warna, yaitu tempat warna tersebut

berupa sudut dari 0 sampai 360 derajat.

Saturasi suatu warna adalah ukuran seberapa besar kemurnian dari warna tersebut.

Saturasi biasanya bernilai 0 sampai 1 (atau 0% sampai 100%) dan menunjukkan

abu dan 1 menunjukkan

atau intensitas yaitu ukuran seberapa besar kecerahan

suatu warna atau seberapa besar cahaya datang dari suatu warna. Nilai value dari

Page 34: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

20

2.8.1.3 Grayscale

Untuk mendapatkan citra grayscale (keabuan) digunakan rumus:

I(x,y) = α.R + β.G + γ.B …………………………. (2.1)

dengan I(x,y) adalah level keabuan pada suatu koordinat yang diperoleh dengan

mengatur komposisi warna R (merah), G (hijau) dan B (biru) yang ditunjukkan

oleh nilai parameter α, β dan γ. Secara umum nilai untuk ketiga parameter tersebut

adalah 0.33. Nilai yang lain juga dapat diberikan dengan syarat total nilai seluruh

parameter adalah 1.

Intensitas citra keabuan disimpan sebagai integer 8 bit sehingga

memberikan 28 = 256 tingkat keabuan dari warna hitam sampai warna putih.

Dengan menggunakan pola 8-bit ini citra beraras keabuan membutuhkan

ruang memori dan waktu pengolahan yang lebih sedikit daripada citra

berwarna (RGB). Pada Gambar 2.3 diperlihatkan visualisasi 256 aras keabuan.

Sumber: Pratt, 2001.

Gambar 2.4. Visualisasi 256 aras keabuan

Page 35: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

21

2.8.2. Pengambangan (Thresholding)

Proses pengambangan akan menghasilkan citra biner, yaitu citra yang

memiliki dua nilai tingkat keabuan, yaitu hitam dan putih. Secara umum proses

pengambangan menggunakan rumus sebagai berikut:

���, �� = �1, � ��, �� ≥ �0, � ��, �� < �� ……………………………. (2.2)

dengan g(x,y) adalah citra biner dari citra grayscale f(x,y) dan T menyatakan nilai

ambang. Ada beberapa metode yang dapat digunakan untuk menentukan nilai

ambang T, yaitu metode histogram dan metode otsu.

2.8.2.1 Metode Histogram

Nilai T ditentukan berdasarkan histogram dari citra yang akan

diambangkan. Suatu citra yang memiliki objek tunggal dengan latar belakang

homogen biasanya memiliki histogram yang bimodal (memiliki dua maksimum

puncak).

2.8.3.2 Metode Otsu

Nilai T dihitung secara otomatis berdasarkan citra masukan, dengan

melakukan analisis diskriminan, yaitu menentukan suatu variabel yang dapat

membedakan antara dua atau lebih kelompok yang muncul secara alami. Analisis

diskriminan akan memaksimumkan variabel tersebut agar dapat memisahkan

objek dengan latar belakangnya.

Page 36: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

22

2.8.3. Normalisasi Intensitas

Normalisasi atau pengaturan kontras dan intensitas cahaya dilakukan

dengan mengurangi perbedaan kekuatan penerangan dan dampak dari derau pada

sensor. Proses normalisasi intensitas dilakukan terhadap setiap piksel pada citra

asli sehingga pengaruh dari proses ini dapat dilihat dari histogramnya. Histogram

akan menunjukkan bahwa proses normalisasi sebenarnya hanya menggeser

histogram citra asli yang memiliki sebaran intensitas yang berbeda-beda menjadi

histogram yang memiliki sebaran sama (seragam). Bila hasil normalisasi terlalu

gelap, maka histogram akan bergeser ke kiri, dan bila terlalu cerah maka

histogram akan bergeser ke kanan.

2.8.4. Morphologi

Morphologi dapat dikatakan sebagai bentuk atau struktur. Dalam

pengolahan citra digital morphologi digunakan untuk mengidentifikasi dan

mengekstraksi keterangan citra yang bermakna berdasarkan properti bentuk

(shape) citra. Operasi morphologi secara umum digunakan untuk mengolah citra

biner yang memiliki dua kemungkinan yaitu 1 untuk foreground pixel dan 0 untuk

background pixel. Suatu objek dalam citra biner memiliki kelompok pixel yang

berhubungan atau bertetanggaan (connected pixels), ada dua definisi dari pixel

yang berhubungan yaitu : 4-connected dan 8-connected seperti pada gambar

berikut :

Page 37: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

23

Sumber: Solomon, C dan Breckon T. 2011.

Gambar 2.5. Kelompok pixel yang berhubungan 4-connected dan 8-connected

Dalam operasi morphologi digunakan dua input himpunan yaitu citra biner

dan structuring elements (SE) yang sering disebut dengan kernel. SE merupakan

suatu matrik yang mempunyai centre pixel dan yang umumnya berukuran kecil.

Gambar berikut adalah contoh SE yang dapat digunakan dalam operasi

morphologi.

Sumber: Solomon, C dan Breckon T. 2011.

Gambar 2.6. Contoh structuring elements (SE)

Pada operasi morphologi terdapat dua operasi dasar yaitu dilasi dan erosi.

Kedua operasi dasar tersebut dapat digunakan untuk berbagai operasi morphologi

seperti opening, closing, hit and miss transform, thinning dan thickening. Operasi

Page 38: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

24

opening digunakan untuk menghilangkan objek-objek kecil yang terdapat dalam

citra. Secara matematis proses opening dalam dinyatakan sebagai berikut :

O�A, B� = AoB = D �E�A, B�, B� ……………………………. (2.3)

2.8.5. Connected Component Labeling

Suatu pixel atau kumpulan pixel yang berhubungan dengan pixel yang lain

disebut dengan komponen terhubung (connected component), untuk membedakan

kelompok pixel yang terhubung dilakukan pemberian label secara unik. Proses

ekstraksi komponen terhubung menghasilkan objek baru dimana kelompok pixel

tersebut terhubung dengan diberikan nilai integer secara berurutan, misalnya latar

belakang memiliki nilai 0, pixel objek pertama diberikan nilai 1,pixel objek

berikutnya diberikan nilai 2 dan seterusnya. Suatu komponen terhubung bisa 4-

connected atau 8-connected. Berikut adalah langkah-langkah dalam melakukan

penandaan komponen terhubung dengan menggunakan aturan 4-connected. Proses

scanning citra dilakukan sepanjang baris sampai menemukan pixel p(nilai p

berada dalam himpunan V). bilai p sudah ditemukan makan dilanjutkan dengan

scanning pixel tetangga dari p, yaitu pixel di atas dan di kiri p, kemudian

dilakukan scanning berikut :

- Bila kedua pixel tetangga bernilai 0 maka berilah tanda (label) baru pada p

- Jika hanya satu saja dari pixel tetangga tersebut bernilai 1 maka berilah

tanda dari pixel tetangga tersebut pada p.

- Bila kedua pixel tetangga bernilai 1 dan memiliki tanda sama maka berilah

tanda dari pixel tetangga tersebut pada p.

Page 39: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

25

- Bila kedua pixel tetangga bernilai 1 dan memiliki tanda berbeda maka

berilah tanda dari salah satu pixel tetangga tersebut pada p dan buat

catatan bahwa kedua tanda yang berbeda tersebut ekuivalen.

Proses terakhir dilakukan pengurutan pasangan-pasangan tanda yang

ekuivalen ke dalam kelas-kelas ekuivalen selanjutnya diberikan tanda berbeda

pada setiap kelas ekuivalen.

Penandaan komponen terhubung dengan 8 connected

- Dilakukan proses scanning citra dengan bergerak secara berurutan

sepanjang baris paling atas menuju ke bawah.

- Ketika proses scanning sampai pada pixel objek p, dilakukan pemeriksaan

4 ketetanggaan yang telah ditemui selama scanning sehingga proses

penandaan (labeling) terjadi keempat pixel ketetanggaan mempunyai nilai

0 maka diberi tanda baru pada pixel p, jika hanya salah satu pixel tetangga

yang mempunyai nilai 1, maka tanda tersebut diberikan pada p. jika dua

atau lebih pixel tetangga mempunyai nilai 1 maka salah satu tanda dari

pixel tetangga diberikan pada p, kemudian dicatat bahwa semua tanda dari

pixel tetangga yang bernilai 1 tersebut ekuivalen.

2.8.6. Run Length Encoding (RLE)

RLE merupakan teknik kompresi yang sering digunakan pada citra dengan

format bitmat termasuk TIFF, BMP dan PCX (Khan, A. 2010). Teknik RLE

digunakan luas pada teknologi facsimile yang menggunakan metode Huffman.

Teori dasar yang digunakan pada metode RLE adalah dari pada mengirim setiap

nilai 1 dan 0, lebih baik mengirim dalam bentuk hitungan yang berurutan dari

Page 40: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

26

nilai 1 kemudian diikuti oleh nilai 0. Contoh RLE dapat dilihat pada gambar

berikut :

Sumber : Tomkins, D. A. D. 2000

Gambar 2.7. Contoh RLE sederhana

2.8.7. Bounding Box

Bounding box merupakan kotak persegi panjang pembatas objek dalam

citra. Area minimum dari bounding box didapat dari rumus berikut :

Area = majorAxisLength ∗ minorAxisLength ……………………………. (2.4)

Sumber : Huque, A.E. 2006.

Gambar 2.8. Major dan minor axis

Contoh minimum area bounding box seperti gambar berikut :

Page 41: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

27

Sumber : Huque, A.E. 2006.

Gambar 2.9. bounding box

2.8.8. Transformasi Geometri (Cropping)

Salah satu jenis transformasi geometri atau perubahan bentuk adalah

proses pemotongan citra (cropping) yang bertujuan untuk mengambil elemen citra

yang diinginkan pada citra digital. Berikut contoh pemotongan citra sebesar

W x H.

Sumber : Sutoyo, T., dkk. 2009.

Gambar 2.10. Contoh cropping citra

Titik (x1,y1) dan (x2,y2) adalah koordinat titik pojok kiri atas dan pojok kanan

bawah citra yang akan di-crop. Adapun rumus yang digunakan adalah :

& = �' − �) dan H = �' − �) ……………………………. (2.5)

Page 42: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

28

Sumber : Sutoyo, T., dkk. 2009.

Gambar 2.11. Contoh citra di-crop sebesar W x H

2.9. Luas Area Objek dengan Metode Momen (Moments)

Momen dapat menggambarkan suatu objek dalam hal area, posisi, dan

orientasi. Persamaan dasar dari momen suatu objek dapat didefinisikan sebagai

berikut :

*+, = - - x./0 y2a0/ ……………………………. (2.6)

Dengan ordo dari momen adalah (i+j) . x dan y menyatakan koordinat pixel,

sedangkan axy menyatakan intensitas pixel. Momen tingkat ke-0 dan ke-1 (zero

and first order moments) didefinisikan sebagai berikut :

*33 = - - axyyx ……………………………. (2.7)

*)3 = - - x. axyyx ……………………………. (2.8)

Page 43: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

29

*3) = - - y. axyyx ……………………………. (2.9)

Pada citra biner yang mana axy akan bernilai 0 atau 1, momen tingkat ke-0 (m00)

adalah sama dengan area dari objek.

2.10. Color Moments

Color moments merupakan representasi yang padat dari fitur warna dalam

mengkarakterisasikan warna citra. Sebagian informasi distibusi warna disusun

dalam 3 urutan moment. Moment yang pertama (µ) mewakili rata-rata warna,

moment yang kedua (σ) menggambarkan standar deviasi, dan moment berikutnya

(θ) menggambarkan kecondongan dari warna (Martinez dan Martinez,2002).

1. Mean :

567 189 - - :+,6;

,7)<

+7) ……………………………. (2.10)

Dimana :

5 =Momen

c = Komponen warna

:+,6 = Nilai pixel (i,j) pada komponen warna c

M = Tinggi citra

N = Lebar citra

Page 44: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

30

2. Standar Deviasi

=6 = > 189 - -�:+,6 − 56�';,7)

<+7) ?

)/' ……………………………. (2.11)

Dimana :

= = Standar Deviasi

c = Komponen warna

:+,6 = Nilai pixel (i,j) pada komponen warna c

M = Tinggi citra

N = Lebar citra

56 = Nilai mean pada komponen warna c

3. Skewness

A6 = > 189 - -�:+,6 − 56�B;,7)

<+7) ?

)/B ……………………………. (2.12)

Dimana :

A = Standar Deviasi

c = Komponen warna

:+,6 = Nilai pixel (i,j) pada komponen warna c

M = Tinggi citra

N = Lebar citra

56 = Nilai mean pada komponen warna c

Page 45: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

31

2.11. Co-Occurrence

Matriks co-occurrence adalah matriks yang dibangun dengan

menggunakan histogram tingkat kedua. Matriks ini berukuran L x L, dimana L

menyatakan banyaknya tingkat keabuan, dengan elemen P(x1, x2) yang merupakan

distribusi probabilitas bersama dari pasangan titik-titik dengan tingkat keabuan x1

yang berlokasi pada koordinat (j,k) dan x2 yang berlokasi pada koordinat (m,n).

Koordinat pasangan titik-titik tersebut berjarak r dengan sudut θ.

2.11.1. Gray-Level Co-occurence Matrix (GLCM)

Pada analisis tekstur secara statistik, fitur tekstur dihitung berdasarkan

distribusi kombinasi intensitas pixel pada posisi tertentu, masing-masing

kombinasi dibedakan melalui statistik orde-pertama, orde-kedua dan statistik

orde-lebih tinggi. GLCM merupakan salah satu cara mengekstrak fitur tekstur

statistik orde-kedua (Hall-Beyer, M. 2007). Sebagai contoh sebuah citra 5 x 5

yang mempunyai 4 tingkat keabuan dengan jarak d=1 dan arah 0o seperti pada

Gambar 2.12 dan Gambar 2.13.

Page 46: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

32

Gambar 2.12. Citra 5 x 5 dengan gray level 0, 1, 2, 3

Sumber : Wibawanto, 2008.

Gambar 2.13. Arah 0o, 45o, 90o, 135o

2.12. Jaringan Saraf Tiruan Backpropagation

Jaringan Saraf Tiruan Backpropagation pertama kali diperkenalkan oleh

Rumelhart, Hinton dan William pada tahun 1986, kemudian Rumelhart dan Mc

Clelland mengembangkannya pada tahun 1988 (Subiyanto, 2000). Metode

Backpropagation atau propagasi balik merupakan metode yang sangat baik dalam

menangani masalah pengenalan pola-pola kompleks seperti kompresi data,

pendeteksian virus komputer, penidentifikasian objek, sistesis suara dari teks dan

lain-lain (Puspitaningrum, 2006).

Page 47: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

33

Inti dari algoritma pembelajaran dengan metode Backpropagation ini

terletak pada kemampuannya untuk mengubah nilai-nilai bobotnya untuk

menanggapi adanya kesalahan. Untuk dapat menghitung kesalahan, pada proses

pembelajaran perlu adanya pola-pola keluaran yang dijadikan target oleh jaringan,

sehingga setiap keluaran yang dihasilkan oleh jaringan akan dibandingkan dengan

targetnya. Hasil dari perbandingan ini berupa error atau kesalahan. Oleh karena

itu, Jaringan Saraf Tiruan Backpropagation merupakan jaringan dengan proses

pembelajaran secara terbimbing.

Setelah kesalahan diperoleh, selanjutnya jaringan melewatkan turunan-

turunan dari kesalahan ke lapisan tersembunyi menggunakan sambungan terbobot

yang masih belum diubah nilainya. Setiap simpul pada lapisan tersembunyi

menghitung jumlah terbobot dari kesalahan yang telah dipropagasikan balik untuk

menghitung sumbangan tidak langsungnya kepada kesalahan keluaran yang telah

diketahui. Setelah masing-masing simpul pada lapisan tersembunyi dan lapisan

keluaran menemukan besarnya kesalahan, simpul-simpul tersebut akan mengubah

bobot-bobotnya untuk mengurangi kesalahan tersebut. Perubahan bobot ditujukan

untuk meminimalkan jumlah kesalahan kuadrat jaringan. Oleh sebab inilah,

algoritma Backpropagation dikatakan sebagai suatu prosedur untuk mendapatkan

paket bobot yang meminimalkan jumlah kuadrat kesalahan. Jumlah kuadrat

kesalahan akan semakin mengecil dengan berjalannya waktu dan iterasi yang

dilakukan oleh jaringan tersebut.

Fungsi aktivasi merupakan fungsi matematis yang berguna untuk

membatasi dan menentukan jangkauan output suatu neuron. Fungsi aktivasi untuk

Jaringan Saraf Tiruan Backpropagation harus memiliki beberapa karakteristik

Page 48: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

34

penting, yaitu kontinyu, dapat dideferensialkan, dan monoton tanpa penurun.

Fungsi aktivasi biasanya digunakan untuk mencari nilai asimtot maksimum dan

minimum. Fungsi aktivasi yang biasa digunakan untuk jaringan Backpropagation

adalah fungsi sigmoid biner dan fungsi sigmoid bipolar. Di mana fungsi sigmoid

biner memiliki jangkauan antara 0 dan 1, sedangkan fungsi sigmoid bipolar

memiliki jangkauan antara -1 dan 1.

Metode pembelajaran Backpropagation menggunakan indek performansi

kesalahan kuadrat rata-rata atau Mean Square Error (Hagan, 1996). Kesalahan

kuadrat rata-rata dapat diperoleh dari (Fausett, 1994) :

a. Kesalahan kuadrat dibagi dengan jumlah komponen keluaran.

b. Kesalahan kuadrat total dibagi dengan jumlah data pelatihan.

X1

Z1

Zj

1

Zp

1

Y1

Yk

Ym

Xi

Xn

ij np

. . .

. . . . . .

. . .

Sumber : Fausett, L. 1994.

Gambar 2.14. Saraf Tiruan Backpropagation Dengan 1 Lapisan Tersembunyi

Page 49: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

35

Pada jaringan Backpropagation, terdapat beberapa alternatif untuk

melakukan pembaharuan bobot, di antaranya adalah pembaharuan bobot standar,

pembaharuan bobot dengan momentum, dan pembaharuan bobot dengan delta-

bar-delta. Pada pembaharuan bobot dengan momentum, perubahan bobot berada

pada kombinasi gradien sekarang dan gradien sebelumnya. Dalam hal ini,

digunakan laju pembelajaran yang kecil untuk menghindari gangguan

pembelajaran ketika sepasang pola pembelajaran yang tidak biasa diberikan.

Dalam proses pembelajaran, kekonvergenan akan lebih cepat dicapai jika

momentum ditambahkan pada rumus pembaharuan bobot. Untuk menggunakan

momentum, bobot (pembaharuan bobot) dari satu atau lebih pola pembelajaran

sebelumnya harus disimpan. Sebagai contoh, bentuk paling sederhana dari

Backpropagation dengan momentum, bobot baru untuk langkah pembelajaran (t +

1) berdasarkan bobot pada langkah pembelajaran (t) dan (t – 1). Perumusan

matematis untuk Backpropagation dengan momentum adalah :

C,D�E + 1� = C,D�E� + GHDI, + )1()([ −− twtw jkjkµ ] ……………………………. (2.13)

Atau

)()1( twztw jkjkjk ∆+=+∆ µαδ ……………………………. (2.14)

Dan

)]1()([)()1( −−++=+ tvtvxtvtv ijijijijij µαδ ……………………………. (2.15)

Atau

)()1( tvztv ijijij ∆+=+∆ µαδ ……………………………. (2.16)

di mana parameter momentum µ dibatasi pada jangkauan 0 sampai 1.

Page 50: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

36

BAB III METODE PENELITIAN

3.1. Tempat dan Waktu Penelitian

Penelitian dilakukan di Greenhouse Fakultas Teknologi Pertanian

Universitas Udayana Kampus Bukit Jimbaran. Waktu penelitian dimulai bulan

Agustus 2012 sampai dengan bulan November 2012.

3.2. Bahan dan Alat penelitian

3.2.1. Bahan

Bahan yang digunakan adalah tanaman sawi hijau dari media hidroponik

yang ditanam dengan media pasir, dipelihara dalam greenhouse yang dibuat

dengan bahan plastik UV. Jumlah tanaman sawi yang digunakan dalam penelitian

sebanyak 240 tanaman.

3.2.2. Alat penelitian

Perangkat yang digunakan adalah

1. Kamera digital Charge Coupled Device (CCD)

2. Kotak akuisisi citra

3. 1 buah lampu TL cool daylight 5 watt 6500 K .

4. 1 unit computer

5. Perangkat lunak Matlab R2009b yang beroperasi pada Microsoft Windows

XP.

BAB III

METODE PENELITIAN

Page 51: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

37

3.3. Prosedur penelitian

Penelitian ini dilakukan melalui tahapan-tahapan sebagai berikut :

3.3.1. Persiapan

3.3.1.1 Penanaman Sawi

Penelitian ini dimulai dengan menanam sawi secara hidroponik

menggunakan media tanam pasir, tanaman sawi dibagi menjadi beberapa

perlakukan pemberian pupuk tunggal ZA sebagai sumber Nitrogen,TSP sebagai

sumber Fosfor dan KCL sebagai sumber Kalium, seperti pada tabel berikut :

Tabel 3.1. Perlakuan pemberian pupuk N, P, dan K dalam Gram/tanaman.

No Perlakuan

Pemberian Pupuk ( Gram /tanaman)

ZA TSP KCL Nitrogen Fosfor Kalium

1 0 1 0 2 0 1 1 3 1 1 0 4 1 1 1 5 0 1 2 6 2 1 0 7 1 1 2 8 2 1 1 9 2 1 2 10 0 1 3 11 3 1 0 12 1 1 3 13 3 1 1 14 2 1 3 15 3 1 2 16 3 1 3

Page 52: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

38

Semua perlakuan pemberian pupuk tunggal ZA sebagai sumber Nitrogen,

TSP sebagai sumber phosfor dan KCL sebagai sumber kalium, dicampur dengan

pupuk Lauxin sebagai nutrisi mikro dilarutkan dalam 1 liter air.

3.3.1.2. Kotak Akuisisi dan Kamera Digital

Kamera digital yang digunakan dalam penelitian ini adalah Canon

Powershot A 1200 dengan 12 megapixels yang dipasang dalam kotak akuisisi

dengan latar gelap, tanpa flash light, sebagai sumber cahaya digunakan lampu

neon cool day light 6500 K. Berikut merupakan gambar desain kotak akuisisi citra

daun sawi hijau.

Gambar 3.1. Kotak akuisisi citra daun sawi hijau

kamera digital

daun sawi hijau

sumber cahaya

latar gelap

Page 53: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

3.3.2. Gambaran Umum Sistem

Gambar 3.2. Gambaran Umum Sistem

Page 54: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

40

3.3.3. Pengolahan Citra

3.3.3.1 Akuisisi citra

Pengambilan citra dari daun sawi hijau dilakukan dengan menggunakan

kamera digital CCD. Pengambilan citra daun sawi hijau dilakukan dari bagian atas

agar keseluruhan daun dapat di-capture. Pengambilan foto dari tanaman sawi

dilakukan setiap 5 hari pada jam 5 sore dimulai pada umur 10 hari setelah bibit

dipindahkan dari tempat penyemaian sampai tanaman sawi siap dipanen (30 hari).

Kamera digital CCD yang digunakan adalah Canon Digital Camera PowerShot

A1200 dengan setting sebagai berikut :

Format Citra : JPG

ISO : 400

Aperture : F2.8

Shutter Speed : 1/10

3.3.3.2 Segmentasi dan Cropping Citra

Tahapan ini dilakukan untuk menghasilkan citra biner yang diperoleh dari

citra RGB dengan tujuan untuk memisahkan daun tanaman sawi dengan

background yang terdiri dari tanah dan plastik polybag. Tahapan ini merupakan

tahapan yang kritis dalam pengolahan citra karena diperlukan kualitas citra yang

baik agar dapat dilakukan ekstraksi fitur dan prosedur klasifikasi. Beberapa

penelitian sudah dilakukan untuk memperoleh region tanaman dari background

dengan menggunakan berbagai color spaces. Normalized Excess Green dan

Modified Hue (Woebbecke dkk. 1995) dikatakan sebagai metode unggul karena

rendahnya sensitifitas terhadap kondisi pencahayaan dan background noise.

Page 55: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

41

1. Normalized Excess Green (NExG)

Penurunan rumus indek NExG berasal dari RGB color space, namun

karena tidak dinormalisasikan menyebabkan koordinat RGB sensitif terhadap

intensitas pencahayaan (Woebbecke dkk. 1995), cara yang lebih baik untuk

menjabarkan NExG adalah menggunakan koordinat kromatik :

NExG= 2 x g – r – b ........................................ ( 3..1)

Dimana r, g, dan b adalah :

K = LL + M + N ........................................ ( 3..2)

� = ML + M + N ........................................ ( 3..3)

O = NL + M + N ........................................ ( 3..4)

Dimana R, G, dan B adalah channel merah, hijau dan biru intensitas pixel.

Pada penelitian ini pemisahan tanaman dengan background menggunakan

pengembangan algoritma yang dibuat oleh Meyer dengan metode ExG-ExR.

Dimana ExG= 4 x g – r, dan ExR=r-g.

Adapun perintah yang digunakan pada Matlab adalah :

Red=citra_rgb(:,:,1);

Green = citra_rgb(:,:,2);

Blue = citra_rgb(:,:,3);

ExG= 4*Green-Red;

ExR=Red-Green;

Page 56: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

42

metode Threshold OTSU menggunakan persamaan berikut :

22 /)()( TB kk σση = ........................................ ( 3..5)

Dimana :

)](1)[(

)]()([)(

22

kk

kkk T

B ωωµωµσ

−−= ........................................ ( 3..6)

∑=

−=L

iiTT Pi

1

22 )( µσ ........................................ ( 3..7)

∑=

==L

iiT iPL

1

)(µµ ........................................ ( 3..8)

∑=

=k

iiiPk

1

)(µ ........................................ ( 3..9)

∑=

=k

iiPk

1

)(ω ..................................... ( 3.10)

Pi = ni / N, Pi ≥ 0, ∑=

L

i 1

Pi = 1 ................................ ......(3. 11)

Pixel pada citra direpresentasikan ke dalam derajat keabuan L [1, 2, …, L].

Jumlah Pixel dengan derajat keabuan i dinotasikan dengan ni dan jumlah

keseluruhan pixel dengan N = n1 + n2 + … + ni. Pi adalah representasi histogram,

k adalah nilai threshold.

Perintah thresholding Otsu di Matlab adalah :

level=graythresh(citra_warna);

Page 57: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

43

bw=im2bw(citra_warna,level);

2. Morphology Opening

Algoritma morfologi opening pada penelitian ini digunakan untuk

menghapus objek selain objek daun sawi hijau. Objek selain daun sawi hijau

tersebut muncul saat akuisisi citra, karena pengaruh warna daun dan luas area

daun sawi hijau. Penghapusan objek dilakukan berdasarkan ukuran pixel objek

selain objek daun sawi hijau, untuk penentuan ukuran pixel yang akan dihapus

dilakukan dengan mencoba coba.

Pada Matlab perintah yang digunakan untuk melakukan operasi morfologi

opening pada citra biner adalah bwareaopen.

BW2 = bwareaopen(BW, P)

BW2 = bwareaopen(BW, P, conn)

Dimana :

BW = citra biner

conn = connectivity

P = ukuran pixel

3. Connected Component Labeling RLE

Proses labeling objek pada citra daun sawi hijau dilakukan untuk

mempermudah proses pemotongan citra, pemotongan citra dilakukan karena citra

hasil akuisisi khususnya saat tanaman sawi berumur 10 hari memiliki latar

belakang yang luas, sedangkan objek yang diperlukan hanya citra daun sawi hijau

Page 58: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

44

saja. Pada Matlab fungsi yang digunakan untuk melakukan penandaan atau

labeling adalah bwlabel. Adapun syntax bwlabel sebagai berikut :

L = bwlabel(BW, n)

[L, num] = bwlabel(BW, n)

Dimana :

L = matrik hasil penandaan

n = 4-connected atau 8-connected

num = jumlah objek yang terhubung dalam citra biner.

BW = citra sawi hijau dalam biner

4. Bounding box

Setelah dilakukan penandaan objek pada citra kemudian dilakukan

pemilihan objek daun sawi hijau dan di-crop pada bagian daun saja. Pada matlab

fungsi yang digunakan untuk melakukan pemotongan adalah regionprops dengan

syntax sebagai berikut:

CitraCrop = regionprops(L,properties)

Dimana :

L = region citra yang ditandai

Properties yang digunakan adalah ‘BoundingBox’

Page 59: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

45

5. Transformasi Geometri (Cropping)

Proses pemotongan citra (cropping) dilakukan setelah proses penandaan

objek (labeling) untuk memilih elemen citra yang diinginkan untuk digunakan

pada proses ekstraksi fitur warna dan tekstur. Pada Matlab fungsi yang digunakan

adalah imcrop dengan syntax sebagai berikut :

CitraHasilCrop = imcrop(I, rect)

Dimana :

I = citra yang akan di-crop

rect = 4 elemen posisi vector [xmin ymin lebar tinggi]

3.3.3.3 Perhitungan Area objek citra

Perhitungan area citra daun tanaman sawi hijau menggunakan metode

momen yang dinyatakan sebagai berikut (Putra, 2010) :

*33 = - - axyyx ............................................ (3. 12)

Sebelum pengukuran area objek citra daun tanaman sawi, dilakukan

konversi citra warna menjadi citra biner agar dapat dibedakan objek daun tanaman

sawi dengan background citra. Objek berwarna putih dan background berwarna

hitam. Area objek citra daun dihitung dengan cara menghitung jumlah pixel yang

berwarna putih

Page 60: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

46

3.3.3.4 Ekstraksi Fitur Warna

1. Color Moments

Metode Color Moments handal terhadap perubahan ukuran(skala) karena

metode ini berdasarkan pada fitur dominan dari distribusi probabilitas warna.

Color moments merupakan parameter yang tepat digunakan untuk menghasilkan

feature vector yang dapat digunakan untuk kebutuhan klasifikasi dan efektif untuk

analisis citra berbasis warna. Adapun nilai output dari color moments adalah

mean, standard deviation dan skewness. Ketiga nilai tersebut dapat

merepresentasikan distribusi warna citra digital. Setiap citra sayur sawi dipisahkan

menjadi komponen warna hue, saturation, dan value. Masing-masing komponen

warna dihitung nilai Mean, standard deviation dan skewness-nya. Satu citra

tanaman sawi ditandai dengan 3 moments untuk setiap 3 channel warna.

Dilakukan perhitungan mean dari masing-masing komponen warna HSV

tanaman sawi, yaitu mean komponen warna H, S dan komponen V.

5P,Q,R7 189 - - :+,6;

,7)<

+7) ............................................ (3. 13)

Standar Deviasi dari komponen warna H, S dan V.

=P,Q,R = > 189 - -�:+,6 − 56�';,7)

<+7) ?

)/' ............................................ (3. 14)

Skewness dari komponen warna H, S dan V.

AP,Q,R = > 189 - -�:+,6 − 56�B;,7)

<+7) ?

)/B ............................................ (3. 15)

Page 61: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

47

3.3.3.5 Ekstraksi fitur tekstur

Pada penelitian ini ekstraksi fitur tekstur yang dilakukan pada citra

tanaman sawi untuk trainning dan testing menggunakan metode GLCM (Gray

Level Cooccurrence Matrix). Ekstraksi fitur tekstur diambil dari empat arah (0o,

45o, 90o, dan135o) dengan jarak 1 pixel. Fitur tekstur yang diekstrak adalah

energy, kontras, homogenitas, korelasi serta entropi.

STEKU:� = − - - VW, X] log VW, X],+ ............................................ (3. 16)

STZK�� = - - V'W, X],+ ............................................ (3. 17)

[UTEK\]E = - -� − X�'VW, X],+ ............................................ (3. 18)

^U*U�ZTZE� = - - VW, X]1 + W − X],+ ............................................ (3. 19)

[UKKZ_\EUT = ∑ ∑ �X��Ma[8�, X� − 5+5,b,7)b+7) =+=, …………………….(3. 20)

3.3.4 Penyusunan model jaringan syaraf tiruan

Data hasil pengolahan citra digital digunakan sebagai input pada jaringan

syaraf tiruan, adapun data input yang akan digunakan sebagai input adalah :

1. Mean

2. Standard Deviation

3. Skewness

Page 62: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

48

4. Entropy

5. Energy

6. Contrast

7. Homogeneity

8. Correlation

9. Area

1. Normalisasi Data

Metode normalisasi data yang digunakan pada penelitian ini adalah

metode standar distribusi normal (Standard Normal Distribution) agar data(fitur)

memiliki nilai rata-rata 0 (zero mean) dan standar deviasi 1. Adapun rumusnya

adalah :

9_\ O\Kc = W9_\ _\*\ �K\E\ − K\E\�]dE\Te\K eZf\] …………....................(3. 21)

2. Jaringan Saraf Tiruan Backpropagation

Jaringan saraf tiruan yang digunakan pada penelitian ini adalah metode

Backpropagation. Untuk identifikasi Nitrogen dan Kalium digunakan sembilan

data yang merupakan hasil ektraksi fitur Color Moments warna HSV yaitu : Mean

H, Mean S, Mean V, Standar deviasi H, Standar deviasi S, Standar deviasi V,

Skewness H, Skewness S dan Skewness V ditambah dengan dua puluh data hasil

ekstraksi fitur tesktur GLCM yaitu : Entropy 0, Entropy 45, Entropy 90, Entropy

135, Energy 0, Energy 45, Energy 90, Energy 135, Contrast 0, Contrast 45,

Contrast 90, Contrast 135, Homogeneity 0, Homogeneity 45, Homogeneity 90,

Homogeneity 135. Correlation 0, Correlation 45, Correlation 90,dan Correlation

Page 63: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

49

135. Untuk identifikasi umur tanaman digunakan satu model jaringan saraf tiruan

Backpropagation dengan tiga puluh data input yaitu : Mean H, Mean S, Mean V,

Standar deviasi H, Standar deviasi S, Standar deviasi V, Skewness H, Skewness S

dan Skewness V, Entropy 0, Entropy 45, Entropy 90, Entropy 135, Energy 0,

Energy 45, Energy 90, Energy 135, Contrast 0, Contrast 45, Contrast 90,

Contrast 135, Homogeneity 0, Homogeneity 45, Homogeneity 90, Homogeneity

135. Correlation 0, Correlation 45, Correlation 90, Correlation 135 dan luas area

daun.

Adapun target output identifikasi Nitrogen dan Kalium yang dibandingkan

dengan nilai output dari Backpropagation dapat dilihat pada Tabel 3.2 dan target

output identifikasi umur tanaman dapat dilihat pada Tabel 3.3.

Tabel 3.2. Target Output Identifikasi Nitrogen

Pemberian Pupuk ZA sebagai sumber Nitrogen (Gram/Liter)

Target

Pupuk ZA = 0 0 Pupuk ZA antara 1-2 1

Pupuk ZA > 2 2

Tabel 3. 3. Target output identifikasi umur tanaman sawi hijau

Pemberian Pupuk KCL sebagai sumber Kalium (Gram/Liter) Target

KCL = 0 0 KCL antara 1-2 1

KCL > 2 2

Tabel 3.4. Target Output Identifikasi umur

Umur Target Maksimum umur 10 HST 0 Umur antara 11 - 20 HST 1 Umur antara 21 – 30 HST 2

Page 64: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

50

3. Pelatihan

Jumlah lapisan tersembunyi (hidden layer) belum ada aturan baku dalam

penentuannya. Menurut Tai-shan (2005) jumlah lapisan tersembunyi pada

jaringan saraf tiruan mempunyai hubungan langsung dengan lapisan output, input

dan pelatihan, sehingga digunakan persamaan berikut :

9P = g9+ � 9h + 9i/2 ............................................ (3. 22)

Dimana :

NH = jumlah lapisan optimal

Ni = lapisan input

No = lapisan output

Np = training sampel

Dari persamaan diatas jika menggunakan jumlah sample pelatihan

sebanyak 158 sampel maka jumlah lapisan yang diperoleh adalah sebanyak

9P = √9 x 1 + 158/2 = ± 82

Page 65: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

51

Berikut gambar arsitektur jaringan saraf Backpropagation Model 1 dengan 1

hidden layer dan model 2 dengan 2 hidden layer:

Gambar 3.3. Model 1 dengan 1 hidden layer untuk identifikasi N dan K

Page 66: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

52

Gambar 3.4. Model 2 dengan 2 hidden layer untuk identifikasi N dan K

Page 67: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

53

Untuk mengetahui umur tanaman sawi hijau digunakan gabungan dari

fitur Color Moments HSV, GLCM sudut 0o,45o ,90o , 135o dan luas area daun

tanaman. Berikut gambar arsitektur jaringan saraf tiruan Backpropagation untuk

mengetahui umur tanaman sawi hijau.

Gambar 3.5. Kombinasi 1 Hidden Layer untuk identifikasi umur

Z1

Z2

Z3

Z4

Z5

Z6

Z7

Zn

X1-X3

X4-X6

X7-X9

X10-

X13

X14-

X17

X18-

X21

X22-

X25

Mean

H,S,V

Standar Deviasi

H,S,V

Skewness

H,S,V

Entropy

0,45,90,135

Energy

0,45,90,135

Contrast

0,45,90,135

Homogeneity

0,45,90,135

X26-

X29

Correlation

0,45,90,135

out

X30

Luas area

Page 68: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

54

Gambar 3.6. Kombinasi 2 Hidden Layer untuk identifikasi umur tanaman

Page 69: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

55

4. Validasi Model

Dalam jaringan saraf tiruan, kinerja jaringan dapat dinilai berdasarkan niai

MSE (Mean Square Error) pada proses generalisasi terhadap contoh data input

output baru. Untuk mendapatkan nilai MSE dihitung dengan persamaan berikut :

8dS = - �: − \�'To ............................................ (3. 23)

Dimana

p = nilai prediksi jaringan saraf tiruan

a = nilai aktual yang diberikan

n = jumlah sample pada data validasi

3.3.5. Nama File Citra daun sawi hijau

Penamaan file citra yang dihasilkan kamera digital Canon PowerShot

A1200 secara otomatis diawali dengan ”IMG” kemudian dilanjutkan dengan

urutan nomor file seperti misalnya ”0000” diakhiri dengan ekstensi file JPG.

Setelah file citra hasil akuisisi dipindahkan dalam folder kemudian dilakukan

proses pergantian nama file dengan menggunakan aplikasi Renamer yang dibuat

dengan Matlab untuk menghasilkan penamaan file dengan format penamaan file

sebagai berikut :

“NoFileCitra_KandunganNitrogenPKandunganKalium_UmurTanaman.JPG”.

Contoh : 1_0P0_15.JPG

Page 70: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

56

3.3.6. Validasi Hasil Pengujian

Persentase akurasi dapat dirumuskan sebagai berikut :

pqcK\] �%� = stuv x 100% ............................................ (3. 24)

Dimana :

A = jumlah data hasil pendugaan yang sama dengan target

B = jumlah data target

Hasil identifikasi Nitrogen, Kalium dan umur tanaman yang dihasilkan

perangkat lunak akan dibulatkan, jika output pengujian menghasilkan nilai > 0,5

maka akan dibulatkan menjadi 1, sedangkan jika output pengujian menghasilkan

nilai < 0,5 akan dibulatkan menjadi 0.

Proses pencocokan benar atau salahnya identifikasi Nitrogen, Kalium dan

umur tanaman yang dihasilkan oleh perangkat lunak dilakukan secara manual

dengan membandingkan caption dari nama file citra daun yang diuji dengan ouput

yang dihasilkan oleh perangkat lunak tersebut. Misalnya file citra daun dengan

nama file 1_0P0_15_cro1.jpg yang digunakan sebagai data uji untuk identifikasi

kandungan Nitrogen, output perangkat lunak menghasilkan identifikasi bahwa

citra tersebut mempunyai kandungan pupuk ZA 0 Gram/Liter, kemudian

dibandingkan dengan caption file citra “1_0P0_15_cro1.jpg”, karena pada

karakter ketiga nama file citra adalah “0” berarti hasil uji perangkat lunak benar.

Page 71: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

57

3.3.7. Pengujian Laboratorium

Uji laboratorium yang dilakukan adalah uji klorofil sebagai indikator

nutrisi, menurut Jones dkk (1991 dalam Apriawan, 2011) semakin tinggi Nitrogen

maka semakin tinggi kadar klorofil daun. Hasil uji klorofil yang diperoleh dari

laboratorium akan dijadikan pembanding hasil uji dengan menggunakan jaringan

saraf tiruan backpropagation.

Page 72: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

58

BAB IV HASIL DAN PEMBAHASAN

Dalam bab ini dibahas mengenai perangkat lunak (Software) yang telah

dibuat dan hasil uji coba dari perangkat lunak tersebut untuk mengidentifikasi

kandungan Nitrogen, Kalium dan umur tanaman sawi hijau.

4.1. Hasil Eksekusi Program

Berikut adalah tampilan GUI perangkat lunak identifikasi kandungan

Nitrogen dan Kalium daun tanaman sawi hijau

Gambar 4.1. Tampilan awal program saat dijalankan

BAB IV

HASIL DAN PEMBAHASAN

Page 73: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

59

4.1.1. Image Resize, Segmentasi dan Cropping

Proses akuisisi citra dilakukan dengan menggunakan kamera digital 12

Mega Pixels. Citra yang diperoleh dari proses Akuisisi citra adalah citra dengan

ukuran 4000 x 3000 pixels, untuk mempercepat proses komputasi dilakukan

pengecilan ukuran citra menjadi 800 x 600 pixels. Berikut merupakan contoh hasil

akuisisi citra.

Gambar 4.2. Citra daun tanaman sawi hijau hasil akuisisi

Proses segmentasi dan cropping dilakukan untuk mendapatkan bagian

daun tanaman sawi dan mempersempit background hitam. Adapun tahapan proses

segmentasi citra daun sawi hijau dimulai dengan pemisahan red channel, green

channel dan blue channel dari citra RGB channel dengan syntax sebagai berikut :

R = citraRGB(:,:,1); G = citraRGB(:,:,2); B = citraRGB(:,:,3);

Page 74: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

60

Berikut contoh hasil pemisahan red channel, green channel dan blue

channel citra RGB.

(a) (b) (c)

Gambar 4.3. (a) red channel, (b) green channel, (c) blue channel Setelah pemisahan red channel, green channel dan blue channel citra RGB

channel dilakukan pengolahan dengan metode ExG= 4 x g – r, ExR=r-g dan ExG-

ExR, sehingga dihasilkan citra seperti contoh gambar berikut:

Gambar 4.4. Citra hasil ExG-ExR

Hasil ExG-ExR diproses dengan Thresholding Otsu sehingga diperoleh

citra biner seperti contoh gambar berikut :

Page 75: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

61

Gambar 4.5. Citra biner hasil Thresholding Otsu

Pada Gambar 4.5 dapat dilihat bahwa selain objek daun sawi hijau juga

terdapat banyak titik-titik putih yang harus dihilangkan, maka dilakukan operasi

morphologi Opening untuk menghilangkan objek dengan ukuran dibawah 150

pixel dan labeling sehingga diperoleh citra seperti contoh berikut :

Gambar 4.6. Citra Biner hasil Opening dan Labeling

Page 76: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

62

Gambar 4.7. Hasil segmentasi citra daun sawi hijau

Setelah proses segmentasi kemudian dilakukan proses cropping dengan

metode Region descriptor bounding box. Fungsi pada Matlab yang digunakan

adalah regionprops dan imcrop sehingga dihasilkan seperti gambar dibawah ini.

Gambar 4.8. Citra hasil Cropping Pada perangkat lunak yang dibuat ini, proses cropping otomatis untuk

banyak file citra sekaligus dapat dilakukan dengan meng-klik menu CROP

OTOMATIS, sehingga muncul option untuk memilih folder seperti tampilan

gambar berikut.

Page 77: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

63

Gambar 4.9. Tampilan menu untuk Cropping Otomatis

Gambar 4.10. Tampilan Pemilihan Folder Citra yang akan di Crop

Proses Cropping dengan perangkat lunak ini dapat juga dilakukan secara

manual dengan meng-klik menu CROP MANUAL sehingga muncul option

cropping interaktif seperti pada gambar berikut :

Page 78: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

64

Gambar 4.11. Tampilan Program untuk Cropping manual

4.1.2. Ekstraksi fitur warna dengan Color Moments HSV

Citra daun tanaman sawi hijau yang telah di-cropping kemudian dilakukan

konversi warna dari warna RGB menjadi warna HSV dengan menggunakan

fungsi rgb2hsv pada Matlab, sehingga dihasilkan gambar sebagai berikut.

Gambar 4.12. Konversi Citra RGB menjadi HSV

Selanjutnya dilakukan ekstraksi fitur warna dari citra HSV daun sawi hijau

tersebut dengan menggunakan metode Color Moments, sehingga didapatkan nilai

Mean, Standar Deviasi dan Skewness. Hasil yang diperoleh dengan menggunakan

program adalah seperti contoh berikut :

Page 79: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

65

Gambar 4.13.Nilai Mean, Standar Deviasi dan Skewness HSV dan RGB

Berikut adalah coding perhitungan Color Moments HSV

4.1.3. Ekstraksi fitur tekstur dengan GLCM

Setelah dilakukan ekstraksi fitur warna dengan metode Color Moment

kemudian dilakukan ekstraksi fitur tekstur dari citra HSV yang sama dengan

menggunakan metode GLCM (Gray Level Cooccurrence Matrix), fitur tekstur

yang dihitung adalah Entropy, Energy, Contrast dan Homogeneity dan

function [mH,mS,mV,stdH,stdS,stdV,skH,skS,skV]= fitur_CM_HS V(c) gambarHSV=rgb2hsv(c); h=gambarHSV(:,:,1); s=gambarHSV(:,:,2); v=gambarHSV(:,:,3); mH=mean2(h); mS=mean2(s); mV=mean2(v); stdH=std2(h); stdS=std2(s); stdV=std2(v); skH=skewness2(h); skS=skewness2(s); skV=skewness2(v);

Page 80: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

66

Correlation dari 4 arah yaitu 0o, 45o, 90o, dan 135o dengan jarak 1 pixel. Hasil

perhitungan fitur-fitur tersebut dengan menggunakan program menghasilkan nilai

seperti contoh berikut :

Gambar 4.14. Nilai GLCM 0o , 45o ,90o, dan 135o.

Berikut adalah coding untuk perhitungan Entropy, Energy, Contrast,

Homogeneity dan Correlation .

Page 81: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

67

function [entropi0,energi0,contras0,homo0,corr0]=hasil_glcm 0(c) cropabu=rgb2gray(c); glcm0=graycomatrix(cropabu, 'offset' ,[0 1], 'NumLevels' ,32, 'Symmetric' ,false); entropi0=entropy(glcm0); energi0 =graycoprops(glcm0, 'energy' ); contras0=graycoprops(glcm0, 'contrast' ); homo0=graycoprops(glcm0, 'homogeneity' ); corr0=graycoprops(glcm0, 'correlation' ); function [entropi45,energi45,contras45,homo45,corr45]=hasil_ glcm45(c) cropabu=rgb2gray(c); glcm45=graycomatrix(cropabu, 'offset' ,[-1 1], 'NumLevels' ,32, 'Symmetric' ,false); entropi45=entropy(glcm45); energi45 =graycoprops(glcm45, 'energy' ); contras45=graycoprops(glcm45, 'contrast' ); homo45=graycoprops(glcm45, 'homogeneity' ); corr45=graycoprops(glcm45, 'correlation' ); function [entropi90,energi90,contras90,homo90,corr90]=hasil_ glcm90(c) cropabu=rgb2gray(c); glcm90=graycomatrix(cropabu, 'offset' ,[-1 0], 'NumLevels' ,32, 'Symmetric' ,false); entropi90=entropy(glcm90); energi90 =graycoprops(glcm90, 'energy' ); contras90=graycoprops(glcm90, 'contrast' ); homo90=graycoprops(glcm90, 'homogeneity' ); corr90=graycoprops(glcm90, 'correlation' ); function [entropi135,energi135,contras135,homo135,corr135]=h asil_glcm135(c) cropabu=rgb2gray(c); glcm135=graycomatrix(cropabu, 'offset' ,[-1 -1], 'NumLevels' ,32, 'Symmetric' ,false); entropi135=entropy(glcm135); energi135 =graycoprops(glcm135, 'energy' ); contras135=graycoprops(glcm135, 'contrast' ); homo135=graycoprops(glcm135, 'homogeneity' ); corr135=graycoprops(glcm135, 'correlation' );

Page 82: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

68

4.1.4. Perhitungan Luas Area Daun Sawi Hijau dengan metode Moments

Perhitungan luas area daun dilakukan dengan menggunakan metode

Moments, dengan menghitung jumlah pixel yang berwarna putih pada citra daun

yang dirubah menjadi citra biner. Pada Matlab digunakan fungsi bwarea sehingga

menghasilkan nilai seperti contoh berikut :

Gambar 4.15. Citra biner daun sawi hijau.

Gambar 4.16. Nilai Area daun dengan metode Moments

Page 83: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

4.1.5. Penyimpanan Data Menggunakan DBMS Mysql

Setelah ekstraksi fitur warna dan tekstur diperoleh maka dilanjutkan

dengan menyimpan data fitur ke dalam basis data, pada penelitian ini digunakan

DBMS Mysql 5.5 seperti terlihat pada gambar berikut :

Gambar 4. Berikut adalah coding untuk menyimpan ke basis data

url= 'jdbc:mysql://localhost:3306/' koneksi=database(fitur=[namafile,mr1,mg1,mb1,mh,ms,mv,str1,stg1,stb1 ,sth,sts,stv,skr1,skg1,skb1,skh,sks,skv,entropi0,energi0_1,contras 0_1,homo0_1,cor0_1,entropi45,energi45_1,contras45_1,homo45_1,cor45 _1,entropi90,energi90_1,contras90_1,homo90_1, cor90_1,entropi135,energi135_1,contras135_1,homo135 _1,cor135_1,luas1,vtarget]; namakolom={ 'nama''stddevR' , 'stddevG'essR' , 'skewnessG''entropi0' , 'energi0' 'entropi45' , 'energi45'' , 'entropi90' , 'energi90'90' , 'entropi135'lation135' , 'luas_area'

Penyimpanan Data Menggunakan DBMS Mysql

Setelah ekstraksi fitur warna dan tekstur diperoleh maka dilanjutkan

dengan menyimpan data fitur ke dalam basis data, pada penelitian ini digunakan

5.5 seperti terlihat pada gambar berikut :

Gambar 4.17. Basis Data hasil ekstraksi fitur

Berikut adalah coding untuk menyimpan ke basis data Mysql.

'jdbc:mysql://localhost:3306/' ; koneksi=database( 'dbsawi1' , 'root' , '' , 'com.mysql.jdbc.Driver'fitur=[namafile,mr1,mg1,mb1,mh,ms,mv,str1,stg1,stb1 ,sth,sts,stv,skr1,skg1,skb1,skh,sks,skv,entropi0,energi0_1,contras 0_1,homo0_1,cor0_1,entropi45,energi45_1,contras45_1,homo45_1,cor45 _1,entropi90,energi90_1,contras90_1,homo90_1, ... cor90_1,entropi135,energi135_1,contras135_1,homo135 _1,cor135_1,lua

'nama' , 'meanR' , 'meanG' , 'meanB' , 'meanH' , 'meanS''stddevG' , 'stddevB' , 'stddevH' , 'stddevS' , 'stddevV'

'skewnessG' , 'skewnessB' , 'skewnessH' , 'skewnessS''energi0' , 'contrast0' , 'homogeneity0' , ...

'correlation0' , 'energi45' , 'contrast45' , 'homogeneity45'

'energi90' , 'contrast90' , 'homogeneity90''entropi135' , 'energi135' , 'contrast135' , 'homogeneity135'

'luas_area' , 'target' };

69

Setelah ekstraksi fitur warna dan tekstur diperoleh maka dilanjutkan

dengan menyimpan data fitur ke dalam basis data, pada penelitian ini digunakan

'com.mysql.jdbc.Driver' ,url); fitur=[namafile,mr1,mg1,mb1,mh,ms,mv,str1,stg1,stb1 ,sth,sts,stv,skr1,skg1,skb1,skh,sks,skv,entropi0,energi0_1,contras 0_1,homo0_1,cor0_1,entropi45,energi45_1,contras45_1,homo45_1,cor45 _1,entropi90,en

cor90_1,entropi135,energi135_1,contras135_1,homo135 _1,cor135_1,lua

'meanS' , 'meanV' ,'stddevV' , 'skewn

'skewnessS' , 'skewnessV' ,...

'homogeneity45' , 'correlation45'homogeneity90' , 'correlation

'homogeneity135' , 'corre

Page 84: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

Adapun struktur tabel yang dibuat pada Mysql adalah sebagai berikut :

Gambar 4.18. Struktur

try insert(koneksi,

msgbox( 'data berhasil disimpan'catch

msgbox( 'Periksa kembali, error !!!!!'return

end

Adapun struktur tabel yang dibuat pada Mysql adalah sebagai berikut :

Struktur tbfitur Model 2 untuk Pelatihan Backpropagation

insert(koneksi, 'tbfitur' ,namakolom,fitur) 'data berhasil disimpan' );

'Periksa kembali, error !!!!!' );

70

Adapun struktur tabel yang dibuat pada Mysql adalah sebagai berikut :

Backpropagation

Page 85: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

Gambar 4.19. Struktur

4.1.6. Data Citra Daun Tanaman Sawi Hijau

Data citra

dikelompokan menjadi dua, yaitu data citra untuk identifikasi

dan Kalium, serta data citra untuk identifikasi umur tanaman sawi hijau.

data citra yang digunakan untuk identifikasi

sebanyak 250 citra daun,

data citra dan data uji sebanyak 9

untuk identifikasi umur tanaman sebanyak 257

yaitu 149 data citra untuk data

Akuisisi citra untuk identifikasi Nitrogen dan Kalium dilakukan pada saat

tanaman sawi hijau berumur 15 hari setelah tanam

karena saat tanaman sawi hijau berumur 15 hari setelah tanam sudah mulai

. Struktur tb_hasil_uji_n1 Model 2 untuk Pengujian Jaringan Backpropagation

Data Citra Daun Tanaman Sawi Hijau

hasil akuisisi yang digunakan dalam penelitian ini

dikelompokan menjadi dua, yaitu data citra untuk identifikasi kandungan

dan Kalium, serta data citra untuk identifikasi umur tanaman sawi hijau.

data citra yang digunakan untuk identifikasi kandungan Nitrogen dan Kalium

citra daun, yang dibagi menjadi dua, yaitu data latih sebanyak 158

a citra dan data uji sebanyak 92 data citra. Jumlah data citra yang digunakan

fikasi umur tanaman sebanyak 257 citra yang dibagi menjadi dua,

a citra untuk data latih dan 108 untuk data uji.

Akuisisi citra untuk identifikasi Nitrogen dan Kalium dilakukan pada saat

tanaman sawi hijau berumur 15 hari setelah tanam pada semua perlakuan pupuk

karena saat tanaman sawi hijau berumur 15 hari setelah tanam sudah mulai

71

Model 2 untuk Pengujian Jaringan

yang digunakan dalam penelitian ini

kandungan Nitrogen

dan Kalium, serta data citra untuk identifikasi umur tanaman sawi hijau. Jumlah

Nitrogen dan Kalium

yang dibagi menjadi dua, yaitu data latih sebanyak 158

Jumlah data citra yang digunakan

citra yang dibagi menjadi dua,

Akuisisi citra untuk identifikasi Nitrogen dan Kalium dilakukan pada saat

pada semua perlakuan pupuk,

karena saat tanaman sawi hijau berumur 15 hari setelah tanam sudah mulai

Page 86: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

72

memperlihatkan status nutrisinya melalui daun, jika kurang dari 15 hari tanaman

sawi hijau belum menampakkan status nutrisinya, dan jika lebih dari 15 hari

setelah tanam, nantinya akan sulit memperbaiki kondisi status nutrisi jika terjadi

kekurangan Nitrogen atau Kalium maupun kelebihan Nitrogen dan Kalium pada

tanaman. Berikut grafik Color Moment pada saat tanaman berumur 10 hari dan 15

hari.

Gambar 4.20. Grafik Color Moments HSV citra daun sawi hijau umur 10 hari

Dari gambar 4.20 dapat dilihat bahwa tidak adanya perbedaan nyata pada

warna Hue yang bisa digunakan untuk membedakan status nutrisi 0P0 (diperoleh

dari pemberian 0 gram ZA sebagai sumber N, dan 0 gram KCL sebagai sumber K

yang dilarutkan dalam 1 liter air) sampai dengan 3P3 (diperoleh dari pemberian 3

gram ZA sebagai sumber N, dan 3 gram KCL sebagai sumber K yang dilarutkan

dalam 1 liter air). Menurut penelitian yang dilakukan oleh Rodriguez dkk. (2004)

bahwa tanaman muda belum dapat menyerap unsur-unsur yang terkandung dalam

-1,5

-1

-0,5

0

0,5

1

0P0 0P2 1P0 1P2 2P0 2P2 3P0 3P2

Nil

ai

meanH

meanS

meanV

stddevH

stddevS

stddevV

skewnessH

skewnessS

skewnessV

2 per. Mov. Avg. (meanH)

Page 87: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

73

pupuk ZA, TSP dan Kcl sebagai sumber Nitrogen, Fosfor dan Kalium secara

optimal, sehingga belum terlihat perbedaan yang signifikan pada organ tanaman,

khususnya daun.

Gambar 4.21. Grafik Color Moments HSV citra daun sawi hijau umur 15 hari

4.1.7. Normalisasi Data

Proses normalisasi data hasil ekstraksi fitur dilakukan dengan

menggunakan fungsi PRESTD pada Matlab. Berikut penulisan syntax PRESTD

yang digunakan.

[pn,meanp,stdp,tn,meant,stdt]=prestd(p,t)

Dimana :

p = data input sebelum normalisasi

t = data target sebelum normalisasi

-1,5

-1

-0,5

0

0,5

1

0P0 0P1 0P2 0P3 1P0 1P1 1P2 1P3 2P0 2P1 2P2 2P3 3P0 3P1 3P2 3P3

Nil

ai

meanH

meanS

meanV

stddevH

stddevS

stddevV

skewnessH

skewnessS

skewnessV

2 per. Mov. Avg. (meanH)

Page 88: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

pn = data input hasil normalisasi

meanp = mean data input

stdp = nilai standar deviasi input

tn = target yang sudah dinormalisasi

meant = nilai mean data target

stdt = nilai standar deviasi target.

Berikut adalah contoh data hasil ekstraksi fitur warna dan tekstur yang di

menjadi file dat.

Gambar 4.22

= data input hasil normalisasi

mean data input

= nilai standar deviasi input

= target yang sudah dinormalisasi

nilai mean data target

standar deviasi target.

Berikut adalah contoh data hasil ekstraksi fitur warna dan tekstur yang di

22. Contoh data hasil ekstraksi fitur dalam format

74

Berikut adalah contoh data hasil ekstraksi fitur warna dan tekstur yang di-eksport

. Contoh data hasil ekstraksi fitur dalam format dat

Page 89: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

Berikut adalah contoh data yang

Gambar 4.

4.1.8 Pelatihan dan Pengujian Jaringan Saraf Tiruan

a. Metode Pelatihan Jaringan Saraf Tiruan

Nitrogen dan Kalium

Pada Penelitian ini metode pelatihan (

traingdx dengan mengubah laju pemahaman dan menambahkan

momentum. Fungsi kinerja yang digunakan pada penelitian ini adalah MSE

(Mean Square Error

jaringan dengan target.

digunakan pada penelitian ini ada 2 kombinasi

hidden layer. Model pertama dengan 1

neuron, model 2 dengan 2

Berikut adalah contoh data yang telah dinormalisasi dan transposisi.

Gambar 4.23. Contoh data hasil normalisasi dalam format

Pelatihan dan Pengujian Jaringan Saraf Tiruan Backpropa

Metode Pelatihan Jaringan Saraf Tiruan dengan untuk

Nitrogen dan Kalium

Pada Penelitian ini metode pelatihan (training) yang digunakan adalah

dengan mengubah laju pemahaman dan menambahkan

momentum. Fungsi kinerja yang digunakan pada penelitian ini adalah MSE

Mean Square Error) yang mengambil kuadrat error yang terjadi antara output

jaringan dengan target. Kombinasi Hidden layer (layer tersembunyi) yang

pada penelitian ini ada 2 kombinasi yaitu dengan 1 hidden layer

. Model pertama dengan 1 hidden layer dengan 40, 60, 80, 100 dan

model 2 dengan 2 hidden layer yaitu 40-20, 60-20, 80

75

dan transposisi.

Contoh data hasil normalisasi dalam format dat

Backpropagation

untuk identifikasi

) yang digunakan adalah

dengan mengubah laju pemahaman dan menambahkan faktor

momentum. Fungsi kinerja yang digunakan pada penelitian ini adalah MSE

yang mengambil kuadrat error yang terjadi antara output

(layer tersembunyi) yang

hidden layer dan 2

40, 60, 80, 100 dan

20, 80-20 dan 100-20

Page 90: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

76

neuron, hidden layer output untuk kedua model menggunakan dengan 1 neuron.

Perintah dalam Matlab yang digunakan untuk metode traingdx adalah sebagai

berikut :

Net= newff(minmax(masukan),[80 1],{ ‘tansig’,’purelin’},’ traingdx’)

Net= newff(minmax(masukan),[80 20 1],{ ‘tansig’,’tansig’,’purelin’},’ traingdx’)

b. Parameter Training (pelatihan ) Jaringan Saraf Tiruan

Adapun parameter yang ditentukan pada pelatihan jaringan saraf tiruan yang

digunakan pada penelitian ini adalah :

net.trainParam.epochs= 20000

syntax diatas membuat maksimum iterasi adalah 20000.

net.trainParam.goal=0.000001

systax diatas untuk membatasi nilai MSE (Mean Square Error) agar iterasi

dihentikan.

net.trainParam.lr=0.001;

syntax diatas untuk menentukan laju pemahaman (learning rate) 0,001 dalam

pelatihan jaringan saraf tiruan.

net.trainParam.show=100

syntax diatas untuk menampilkan frekuensi perubahan MSE.

net.trainParam.mc=0.5

syntax diatas untuk menunjukkan perubahan momentum sebesar 0,5 dalam setiap

pelatihannya.

[net,tr]=train(net,pn,tn)

Page 91: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

Syntax diatas untuk memulai pelatihan jaringan saraf tiruan, pada proses ini akan

dimunculkan grafik pelatihan dan nilai

c. Hasil Pelatihan dan Pengujian

Hasil pelatihan saraf tiruan

target output dalam mengidentifikasi 3

N, dimana : Tanpa Nitrogen

dan Nitrogen > 2 gram dalam 1 liter air.

1 hidden layer adalah sebagai berikut :

Gambar 4.24

diatas untuk memulai pelatihan jaringan saraf tiruan, pada proses ini akan

dimunculkan grafik pelatihan dan nilai error.

Hasil Pelatihan dan Pengujian Identifikasi Nitrogen

asil pelatihan saraf tiruan backpropagation pada penelitian ini

dalam mengidentifikasi 3 kelas pemberian pupuk ZA sebagai sumber

Tanpa Nitrogen (N = 0), Nitrogen antara 1-2 gram dalam 1 liter air

dan Nitrogen > 2 gram dalam 1 liter air. Adapun hasil pelatihan dengan kombinasi

adalah sebagai berikut :

24. Hasil Pelatihan 1 Hidden layer 40-1 untuk 3

77

diatas untuk memulai pelatihan jaringan saraf tiruan, pada proses ini akan

pada penelitian ini untuk 1

ZA sebagai sumber

2 gram dalam 1 liter air

Adapun hasil pelatihan dengan kombinasi

3 kelas N

Page 92: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

Gambar 4.

Gambar 4.26. Koefisien Korelasi pada

Dari Gambar 4.24 sampai Gambar 4.26

menggunakan jumlah

0,0000163 yang mendekati

0,9999 dalam waktu pelatihan 4 menit 4 detik.

data uji diperoleh akurasi 93,47%

contoh perhitungan akurasi dalam validasi adalah sebagai berikut :

Jumlah data uji yang digunakan untuk identifikasi N = 92

Jumlah data yang diidentifikasi dengan benar sesuai target = 86

Gambar 4.25. Grafik MSE pada Epoch 20000

. Koefisien Korelasi pada hidden layer 40-1 (R=0.9999)

i Gambar 4.24 sampai Gambar 4.26 dapat dilihat bahwa dengan

menggunakan jumlah neuron 40 pada 1 hidden layer menghasilkan MSE

yang mendekati net.trainParam.goal=0.000001 dan koefisien korelasi

dalam waktu pelatihan 4 menit 4 detik. Saat dilakukan pengujian

data uji diperoleh akurasi 93,47% dengan menggunakan Persamaan 3.24

contoh perhitungan akurasi dalam validasi adalah sebagai berikut :

Jumlah data uji yang digunakan untuk identifikasi N = 92

Jumlah data yang diidentifikasi dengan benar sesuai target = 86

78

1 (R=0.9999)

dapat dilihat bahwa dengan

menghasilkan MSE

dan koefisien korelasi

Saat dilakukan pengujian pada 92

dengan menggunakan Persamaan 3.24. Adapun

contoh perhitungan akurasi dalam validasi adalah sebagai berikut :

Page 93: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

Maka dengan menggunakan Persamaan 3.24 diperoleh :

pqcK\]Penambahan jumlah

akurasi seperti pada Tabel 4.1.

Tabel 4. 1. Hasil kombinasi 1

Neuron

40

60

80

100

Pelatihan dengan menggunakan kombinasi 2

neuron 40-20 dapat dilihat pada gambar berikut :

Gambar 4.27. Hasil Pelatihan

nggunakan Persamaan 3.24 diperoleh :

pqcK\] �%� � 86

92x 100% � 93,47%

Penambahan jumlah neuron menghasilkan MSE, koefisien korelasi dan

asi seperti pada Tabel 4.1.

. Hasil kombinasi 1 hidden layer 3 kelas kandungan N

MSE Koefisien Korelasi Akurasi (%)

0,0000163 0,9999

0,0000105 0,9999

0,00000349 1

0,0000339 0,9998

Pelatihan dengan menggunakan kombinasi 2 hidden layer

20 dapat dilihat pada gambar berikut :

Hasil Pelatihan 2 Hidden layer 40-20-1 untuk

79

menghasilkan MSE, koefisien korelasi dan

3 kelas kandungan N

Akurasi (%)

93,47

90,21

93,47

85,86

hidden layer dan jumlah

1 untuk 3 kelas N

Page 94: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

Gambar 4.29

Dari Gambar 4.27 sampai Gambar 4.29

epoch diselesaikan dalam waktu 4 menit 47 detik

dan koefisien korelasi 1. Pad

diperoleh akurasi 97,82%. Hasil MSE, koefisien korelasi

penambahan jumlah neuron sampai 100

Gambar 4.28. MSE pada Epoch 20000

29. Koefisien Korelasi pada hidden layer 40-20

i Gambar 4.27 sampai Gambar 4.29 dapat dilihat bahwa pada 20000

diselesaikan dalam waktu 4 menit 47 detik dengan nilai MSE 0,00000235

dan koefisien korelasi 1. Pada saat digunakan untuk menguji 92 citra sawi

diperoleh akurasi 97,82%. Hasil MSE, koefisien korelasi dan akurasi

penambahan jumlah neuron sampai 100-20 diperoleh hasil seperti pada Tabel 4.2.

80

20-1 (R=1)

dapat dilihat bahwa pada 20000

dengan nilai MSE 0,00000235

a saat digunakan untuk menguji 92 citra sawi

dan akurasi dengan

asil seperti pada Tabel 4.2.

Page 95: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

81

Tabel 4. 2. Hasil kombinasi 2 hidden layer 3 kelas kandungan N

Neuron MSE Koefisien Korelasi Akurasi (%)

40-20 0,00000235 1 97,82

60-20 0,0000047 1 96,73

80-20 0,00000211 1 93,47

100-20 0,00000171 1 96,73

Dari Tabel 4.1 dan Tabel 4.2 dapat dilihat bahwa akurasi terbaik diperoleh

dari kombinasi 2 hidden layer dengan jumlah neuron 40-20 yaitu 97,82 % saat

diuji dengan menggunakan 92 data citra daun tanaman sawi hijau yang berumur

15 hari, walaupun nilai MSE diperoleh hanya 0,00000235 yang lebih besar dari

pelatihan dengan jumlah neuron 100-20 yaitu 0,00000171, namun hasil pengujian

menghasilkan akurasi 96,73%. Koefisien korelasi yang dihasilkan dengan

menggunakan 2 kombinasi hidden layer menghasilkan nilai 1, sedangkan pada

kombinasi 1 hidden layer hanya dengan jumlah neuron 80 yang menghasilkan

nilai 1.

d. Hasil Pelatihan dan Pengujian Identifikasi Kalium

Hasil pelatihan saraf tiruan backpropagation pada penelitian ini untuk 1

target output dalam mengidentifikasi 3 kelas pemberian pupuk Kcl sebagai

sumber Kalium, dimana : Tanpa Kalium (K = 0), Kalium antara 1-2 gram dan

Kalium > 2 gram dalam 1 liter air. Adapun hasil pelatihan dengan kombinasi 1

hidden layer dan 2 hidden layer adalah sebagai berikut :

Page 96: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

Gambar 4.30

30. Hasil Pelatihan 1 Hidden layer 40-1 untuk 3 kelas K

Gambar 4.31. MSE pada Epoch 20000

82

1 untuk 3 kelas K

Page 97: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

Gambar 4.32. Koefisien Korelasi pada

Dari Gambar 4.31 sampai 4.32

sebesar 0,113 yang sangat jauh dari

sebesar 0,9416. Waktu yang diperlukan untuk melaku

adalah 4 menit 15 detik. Pada saat digunakan untuk menguji 92 data citra

diperoleh akurasi sebesar 35,86%.

dengan menggunakan jumlah

Tabel 4. 3. Hasil kombinasi 1

Neuron

40

60

80

100

Koefisien Korelasi pada 1 hidden layer 40-1 (R=0,9416)

Dari Gambar 4.31 sampai 4.32 dapat dilihat bahwa nilai MSE diperoleh

sebesar 0,113 yang sangat jauh dari goal yang ditentukan, dan koefisien korelasi

Waktu yang diperlukan untuk melakukan pelatihan 158 data citra

adalah 4 menit 15 detik. Pada saat digunakan untuk menguji 92 data citra

diperoleh akurasi sebesar 35,86%. Hasil MSE, koefisien korelasi dan akurasi

dengan menggunakan jumlah neuron 60, 80 dan 100 dapat dilihat pada

. Hasil kombinasi 1 hidden layer 3 kelas kandungan K

MSE Koefisien Korelasi Akurasi (%)

0,113 0,9416

0,113 0,9414

0,113 0,9414

0,113 0,9412

83

1 (R=0,9416)

dapat dilihat bahwa nilai MSE diperoleh

yang ditentukan, dan koefisien korelasi

kan pelatihan 158 data citra

adalah 4 menit 15 detik. Pada saat digunakan untuk menguji 92 data citra

Hasil MSE, koefisien korelasi dan akurasi

80 dan 100 dapat dilihat pada Tabel 4.3.

3 kelas kandungan K

Akurasi (%)

35,86

43,47

40,21

31,52

Page 98: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

Pelatihan dengan menggunakan kombinasi 2

neuron mulai dari 40-

Gambar 4.33. Hasil Pelatihan 1

Pelatihan dengan menggunakan kombinasi 2 hidden layer

-20 diperoleh hasil seperti gambar berikut :

. Hasil Pelatihan 1 Hidden layer 40-20-1 untuk 3 kelas K

Gambar 4.34. MSE pada Epoch 20000

84

hidden layer dan jumlah

1 untuk 3 kelas K

Page 99: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

Gambar 4.35. Koefisien Korelasi pada 2

Pada Gambar

dengan kombinasi 2 hidden layer d

0,112 dan koefisien korelasi 0,9420. Waktu yang dibutuhkan untuk melatih 158

data citra 20000 epoch adalah 5 menit 5 detik. Saat diujikan dengan menggunakan

92 data citra diperoleh akurasi sebesar 36,95%. Nilai

akurasi dari penggunaan jumlah neuron 60

pada Tabel 4.4 :

Tabel 4.4. Hasil kombinasi 2

Neuron

40-20

60-20

80-20

100-20

. Koefisien Korelasi pada 2 hidden layer 40-20-1 (R=0,9420)

Pada Gambar 4.33 sampai Gambar 4.35 dapat dilihat bahwa pelatihan

dengan kombinasi 2 hidden layer dan jumlah neuron 40-20-1 diperoleh nilai MSE

0,112 dan koefisien korelasi 0,9420. Waktu yang dibutuhkan untuk melatih 158

data citra 20000 epoch adalah 5 menit 5 detik. Saat diujikan dengan menggunakan

92 data citra diperoleh akurasi sebesar 36,95%. Nilai MSE, koefisien korelasi dan

akurasi dari penggunaan jumlah neuron 60-20, 80-20 dan 100-

. Hasil kombinasi 2 hidden layer 3 kelas kandungan K

MSE Koefisien Korelasi Akurasi (%)

0,112 0,9420

0,112 0,9418

0,113 0,9410

0,113 0,9416

85

1 (R=0,9420)

dapat dilihat bahwa pelatihan

1 diperoleh nilai MSE

0,112 dan koefisien korelasi 0,9420. Waktu yang dibutuhkan untuk melatih 158

data citra 20000 epoch adalah 5 menit 5 detik. Saat diujikan dengan menggunakan

MSE, koefisien korelasi dan

-20 dapat dilihat

3 kelas kandungan K

Akurasi (%)

36,95

45,65

43,47

40,21

Page 100: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

86

Dari Tabel 4.3 dan Tabel 4.4 dapat dilihat bahwa hasil akurasi terbaik

hanya diperoleh sebesar 45,65% dengan menggunakan kombinasi 2 hidden layer,

jumlah neuron 60-20-1, nilai MSE sebesar 0,112 dan koefisien korelasi 0,9418.

Rendahnya akurasi jaringan saraf tiruan dalam melakukan identifikasi Kalium

disebabkan karena tidak adanya perbedaan yang signifikan pada warna dan tekstur

daun sawi hijau yang diberikan pupuk Kalium 0, 1, 2 atau 3 gram yang dilarutkan

dalam satu liter air. Hal ini ternyata disebabkan karena tanaman sawi hijau

Brassica Juncea L yang dipanen pada fase vegetatif hanya memerlukan unsur hara

makro Nitrogen untuk perkembangan bagian vegetatif tanaman sawi hijau

tersebut, sedangkan Fosfor dan Kalium dibutuhkan saat tanaman sawi hijau

memasuki fase generatif atau berumur lebih dari 35 hari setelah tanam (Rakhmiati

dkk. 2003).

e. Identifikasi Umur Tanaman dengan Input Color Moments, GLCM dan

Luas Area Daun

Pelatihan jaringan saraf tiruan Backpropagation untuk mengidentifikasi

umur tanaman menggunakan penggabungan input Color moments, GLCM dan

luas area daun, jumlah input yang digunakan adalah 30 input seperti pada Gambar

3.7. Kombinasi hidden layer yang digunakan sama dengan kombinasi hidden

layer untuk identifikasi Nitrogen dan Kalium yaitu 2 kombinasi hidden layer. 1

hidden layer dengan jumlah neuron 40,60,80 dan 100. 2 hidden layer dengan

jumlah neuron 40-20, 60-20, 80-20 dan 100-20, 1 layer output untuk identifikasi 3

kelas umur tanaman sawi. Adapun nilai MSE, Koefisien korelasi dan akurasi

pengujian umur tanaman sawi dapat dilihat pada gambar berikut :

Page 101: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

Gambar 4.36. Hasil Pelatihan 1

Gambar 4.

Hasil Pelatihan 1 Hidden layer 40-1 untuk 3 kelas umur

Gambar 4.37. Grafik MSE pada Epoch 20000

87

3 kelas umur

Page 102: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

Gambar 4.38

Dari Gambar 4.36 sampai dengan Gambar 4.38

pelatihan dengan 1 hidden layer

masih lebih besar dari nilai

tiruan, nilai koefisien korelasi = 1, dalam 20000

selama 4 meni 18 detik.

dengan perlakukan pemberian pupuk ZA sebagai sumber N 1 gram dalam 1 lit

air dihasilkan 72,2%. Berikut adalah nilai MSE, koefisien korelasi dan akurasi

terhadap citra hasil uji umur dengan kombinasi 1 dan 2

Tabel 4. 5. Hasil kombinasi 1

Neuron

40

60

80

100

38. Koefisien Korelasi pada hidden layer 40-1 (R= 1)

r 4.36 sampai dengan Gambar 4.38 dapat dilihat bahwa hasil

hidden layer 40 neuron diperoleh nilai MSE 0,00000493 yang

masih lebih besar dari nilai goal yang ditetapkan pada parameter jaringan saraf

tiruan, nilai koefisien korelasi = 1, dalam 20000 epoch diperlukan waktu pelatihan

selama 4 meni 18 detik. Akurasi saat diuji dengan 108 citra daun tanaman sawi

dengan perlakukan pemberian pupuk ZA sebagai sumber N 1 gram dalam 1 lit

air dihasilkan 72,2%. Berikut adalah nilai MSE, koefisien korelasi dan akurasi

terhadap citra hasil uji umur dengan kombinasi 1 dan 2 hidden layer

. Hasil kombinasi 1 hidden layer 3 kelas umur tanaman sawi hijau.

MSE Koefisien Korelasi Akurasi (%)

0,00000499 1

0,0000154 0,9999

0,00000326 1

0,0000229 0,9999

88

1 (R= 1)

dapat dilihat bahwa hasil

40 neuron diperoleh nilai MSE 0,00000493 yang

rameter jaringan saraf

diperlukan waktu pelatihan

Akurasi saat diuji dengan 108 citra daun tanaman sawi

dengan perlakukan pemberian pupuk ZA sebagai sumber N 1 gram dalam 1 liter

air dihasilkan 72,2%. Berikut adalah nilai MSE, koefisien korelasi dan akurasi

hidden layer.

3 kelas umur tanaman sawi hijau.

Akurasi (%)

72,2

72,2

66,66

57,40

Page 103: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

89

Tabel 4. 6. Hasil kombinasi 2 hidden layer 3 kelas umur tanaman sawi hijau

Neuron MSE Koefisien Korelasi Akurasi (%)

40-20 0,00000242 1 74,07

60-20 0,00000236 1 77,70

80-20 0,00000099 1 76,85

100-20 0,00000113 1 78,70

Dari Tabel 4.5 dan Tabel 4.6 dapat dilihat bahwa akurasi terbaik diperoleh

dari kombinasi 2 hidden layer dengan jumlah neuron 100-20 yaitu 78,70%,

walaupun nilai MSE yang diperoleh adalah 0,00000113 lebih besar daripada

pelatihan dengan jumlah neuron 80-20 yaitu 0,00000099. Akurasi hasil yang

kurang dari 80% dalam mengidentifikasi umur tanaman sawi hijau (Brassica

Junce L.) varietas Tosakan ini disebabkan karena perbedaan warna dan tekstur

daun dari umur 10 hari dengan 20 hari dan 30 hari tidak terlalu signifikan.

Perubahan warna, tekstur dan luas area daun dalam 10, 20 dan 30 hari setelah

tanam (MST) dapat dilihat pada grafik Gambar 4.39 dan Gambar 4.40.

Page 104: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

90

Gambar 4.39. Grafik Warna dan Tekstur umur 10, 20 dan 30 hari.

Gambar 4.40. Perubahan luas area daun tanaman Sawi hijau.

-1,5

-1

-0,5

0

0,5

1

1,5

2

2,5

3

Nil

ai

10

20

30

0

50000

100000

150000

200000

250000

300000

10 20 30

L

u

a

s

a

r

e

a

Umur Tanaman Sawi Hijau

Umur

tanaman

Page 105: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

91

f. Tampilan Program Identifikasi Nitrogen, Kalium dan umur tanaman

Berikut adalah tampilan program saat menampilkan hasil identifikasi pupuk

ZA sebagai sumber Nitrogen.

Gambar 4.41. Tampilan program menampilkan hasil identifikasi Nitrogen

Berikut adalah tampilan program untuk menghasilkan identifikasi Kalium

tanaman sawi hijau.

Page 106: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

92

Gambar 4.42. Tampilan program menampilkan hasil identifikasi Kalium Berikut adalah tampilan program untuk mengidentifikasi umur tanaman sawi hijau

Gambar 4.43. Tampilan program menampilkan hasil identifikasi umur

Page 107: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

93

g. Hasil uji klorofil

Pengujian klorofil di laboratorium dilakukan dengan menggunakan alat

spektrofotometer. Sampel daun yang digunakan adalah kurang lebih 0,1 gram

daun segar untuk setiap analisa klorofil. Pengambilan sampel daun diambil secara

acak pada tanaman dengan pemberian pupuk ZA 0, 1, 2 dan 3 gram dalam 1 liter

air, pada umur 15, 20, 25 dan 30 hari setelah tanam. Berikut adalah gambar grafik

hubungan mean warna Hue dengan klorofil dengan menggunakan data yang sudah

dinormalisasi dengan Z score.

Gambar 4.44. Grafik hubungan mean warna Hue dengan klorofil umur 15 hari

-2

-1,5

-1

-0,5

0

0,5

1

1,5

0 1 2 3 4

No

rm.

Hu

e d

an

Klo

rofi

l

Pupuk ZA (gr/lt)

Norm H

Norm Klo

Page 108: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

94

Gambar 4.45. Grafik hubungan mean warna Hue dengan klorofil umur 20 hari

Gambar 4.46. Grafik hubungan mean warna Hue dengan klorofil umur 25 hari

-1,5

-1

-0,5

0

0,5

1

1,5

0 1 2 3 4

No

rm.

Hu

e d

an

Klo

rofi

l

Pupuk ZA (gr/lt)

Norm H

Norm Klo

-2

-1,5

-1

-0,5

0

0,5

1

1,5

0 1 2 3 4

No

rm.

Hu

e d

an

Klo

rofi

l

Pupuk ZA (Gr/lt)

Norm H

Norm Klo

Page 109: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

95

Gambar 4.47. Grafik hubungan mean warna Hue dengan klorofil umur 30 hari

Dari Gambar 4.44 sampai Gambar 4.47 dapat dilihat bahwa semakin

meningkatnya pemberian pupuk ZA mulai 0, 1, 2 dan 3 gram dalam 1 liter air

maka semakin meningkat pula kadar klorofil daun sawi hijau, sedangkan dengan

pengolahan citra, nilai mean warna Hue meningkat pada pemberian pupuk ZA

dari 0 menuju 1 gram dalam 1 liter air, namun pada pemberian pupuk ZA 3 gram

dalam 1 liter air terjadi penurunan nilai warna Hue.

-2

-1,5

-1

-0,5

0

0,5

1

1,5

0 0,5 1 1,5 2 2,5 3 3,5

No

rm.

Hu

e d

an

Klo

rofi

l

Pupuk ZA (gr/lt)

Norm H

Norm Klo

Page 110: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

96

BAB V SIMPULAN DAN SARAN

Berikut kesimpulan dari penelitian yang telah dilakukan dan saran untuk

pengembangan penelitian yang berkaitan di masa mendatang.

5.1 Simpulan

Dari penelitian yang telah dilakukan dapat disimpulkan beberapa hal yaitu :

1. Metode pengolahan citra digital dengan metode Color Moment, Gray

Level Co-occurrence Matrix dan jaringan saraf tiruan Backpropagation

dapat diimplementasikan dalam rancangan aplikasi untuk identifikasi

Nitrogen dan umur tanaman sawi hijau (Brassica Juncea L.) varietas

Tosakan.

2. Metode Color Moment, Gray Level Co-occurrence Matrix dan jaringan

saraf tiruan Backpropagation yang diusulkan dalam penelitian ini mampu

melakukan identifikasi Nitrogen melalui citra daun tanaman sawi hijau

(Brassica Juncea L.) varietas Tosakan dengan akurasi 97,82%, namun

tidak mampu melakukan identifikasi Kalium karena tanaman sawi yang

dipanen pada fase vegetatif belum membutuhkan Kalium.

3. Metode Color Moment, Gray Level Co-occurrence Matrix, Moments dan

jaringan saraf tiruan Backpropagation dapat digunakan untuk

mengidentifikasi umur tanaman sawi hijau (Brassica Juncea L.) varietas

Tosakan dengan akurasi 78,70%.

BAB V

SIMPULAN DAN SARAN

Page 111: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

97

5.2 Saran

Adapun saran-saran untuk pengembangan dan modifikasi ke arah yang lebih baik.

1. Perlu dilakukan perbaikan bagian akuisisi citra, dengan pengaturan

pencahayaan baik intensitas, sudut pencahayaan dan pemilihan kamera

yang digunakan untuk akuisisi citra daun sawi hijau (Brassica Juncea L.)

varietas Tosakan.

2. Penelitian perlu dilanjutkan sampai sawi hijau (Brassica Juncea L.)

varietas Tosakan ini memasuki fase generatif (sampai umur kurang lebih

90 hari setelah tanam) untuk mengetahui pengaruh Kalium pada daun dan

perubahan warna serta tekstur daun secara visual pada daun.

Page 112: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

98

DAFTAR PUSTAKA

Acharya Tinku, Ajoy K. Ray. 2005. Image Processing Principles and Application. New Jersey USA : A John Wiley & Sons. Mc., Publication. America. Anonym. 2010. Peranan unsur hara.http://www.pupukcair.co.cc/2010/12/peranan-unsur-hara.html. [diunduh : 28 Mei 2011] Apriawan, S. 2011. Kadar Nitrogen dan Pertumbuhan Tanaman Buncis (phaseolus vulgaris l.) Pada Tingkat Penyediaan Air yang Berbeda. Skripsi S1 Universitas Pendidikan Indonesia. Cahyono, B. 2003. Teknik dan Strategi Budi Daya Sawi Hijau (Pai-Tsai). Yayasan Pustaka Nusantara, Yogyakarta Fausett, L. 1994. Fundamentals Of Neural Networks. Prentice-Hall. Furuya, S. 1987. Growth Diagnosis of Rice Plants by Means of Leaf Colour. JARQ Vol. 20 (3): 147-153. Gang Wu, S., Forrest Sheng Bao, Eric You Xu, Yu-Xuan Wang, Yi-Fan Chang, dan Qiao-Liang Xiang . 2007. A Leaf Recognition Algorithm for Plant Classification Using Probabilistic Neural Network. Tersedia di : arxiv.org/pdf/0707.4289.

Ghasemi, M., Kazem Arzani, Abbas Yadollahi, Shiva Ghasemi, dan Saadat Sarikhani Khorrami. 2011. Estimate of Leaf Chlorophyll and N Content in Asean Pear (Pyrus Serotina Rehd.) by CCM-200. Tersedia di : notulaebiologicae.ro/nsb/article/viewFile/5623/5353 Gonzales, R.C., and Woods, R.E. 2002. Digital Image Processing Second edition. New Jersey: Prentice Hall. Hall-Beyer, M. 2007. GLCM Texture: A Tutorial. National Council on Geographic Information and Analysis Remote Sensing Core Curriculum. Hapsari, B. 2002. Sayuran Genjah Bergelimang Rupiah. Trubus 33(396) : 30-31. Haryanto, E., T. Suhartini, dan E. Rahayu. 2001. Sawi dan Selada. Penebar Swadaya. Jakarta. 117 p. Heru, P dan Yovita, H. 2003. Hidroponik Sayuran Semusim Untuk Hobi dan Bisnis. Gramedia. Jakarta.

Page 113: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

99

Huque, A.E. 2006. Shape Analysis and Measurement for the HeLa cell classification of cultured cells in high throughput screening. School of Humanities & Informatics University of Skövde, Sweden. Khan, A. 2010. Algorithm Study and Matlab Model for CCITT Group4 TIFF Image Compression. Linköpings Universitet Institute Of Technology. Sweden. Kim, K.S., G.A. Giacomelii, S. Sase, J.E. Son, S.W. Nam dan F. Nakazama. 2006. Optimization of Growth Environment in a Plant Production Facility Using a Chlorophyll Fluorescence Method. JARQ 40 (2): 149-156. Lingga, Pinus. 1999. Hidroponik Bercocok Tanam Tanpa Tanah. Penebar Swadaya, Jakarta Martinez, W.L dan Martinez, A.R. 2002. Computational Statistics Handbook With Matlab. Florida : CRC Press LLC. Meyer, G. E. dan J. C. Neto. 2008. Verification of color vegetation indices for automated crop imaging applications. Computer and electronics in agriculture 63(2): 282-293. Pratt, W.K. 2001. Digital Image Processing. PIKS inside. John Wiley & Sons Inc. New York. Putra, Darma IKG. 2009. Sistem Biometrika. Konsep Dasar, Teknik Analisis Citra, dan Tahapan Membangun Aplikasi Sistem Biometrika. Andi Offset. Yogyakarta. Putra, Darma IKG. 2010. Pengolahan Citra Digital. Penerbit Andi. Yogyakarta Puspitaningrum, D. 2006. Pengantar Jaringan Saraf Tiruan. Andi Offset. Yogyakarta. Pydipati, R., Burks, T. F. dan Lee, W. S. 2006. Identification of citrus disease using color texture features and discriminant analysis. Comput. Electron. Agri. 52(1-2), 49-59 (2006). Rakhmiati, Yatmin, dan Fahrurrozi. 2003. Respon tanaman sawi terhadap proporsi dan takaran pemberian N. Jurnal Wacana Pertanian Vol. III. Hal 119-121. Bandar Lampung. Rodriguez, E., Ryan Sultan dan Amy Hilliker. 2004. Negative Effects of Agriculture on Our Environment. The Traprock, Vol. 3, Mei 2004, pp 28 – 32. Rukmana, R. 2002. Bertanam Petsai dan Sawi. Kanisius, Yogyakarta Samekto, R,. 2008. Pemupukan. PT Citra Aji Parama, Yogyakarta.

Page 114: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

100

Siswadi. 2006. Tanaman Hidroponik. PT. Citra Aji Parama Yogyakarta. Solomon, C dan Breckon T. 2011. Fundamentals of Digital Image Processing A Practical Approach with Examples in Matlab. Wiley Blackwell, John Wiley & Sons Ltd. USA. Suhardiyanto, Herry. 2009. Teknologi Hidroponik Untuk Budidaya Tanaman. IPB Bogor. Sutoyo, T., Edy Mulyanto, Vincent Suhartono, Oky Dwi nurhayati dan Wijanarto. 2009. Teori Pengolahan Citra Digital. UDINUS Semarang dan ANDI Yogyakarta. Sunarjono, H. 2004. Bertanam Sawi dan Selada. Penebar Swadaya. Jakarta. Tai-shan, Yan. 2005. Glass Crack Detection Based on BP Neural Network Model. Sci-Tech Information Development & Economy 15(8), 182–183 (2005) Tomkins, D. A. D. 2000. Rate Control In Bi-Level Image Coding. The University of British Colombia. Wibawanto, H., Adhi Susanto, Thomas Sri Widodo dan S. Maesadji Tjokronegoro. 2008. Identifikasi Citra Massa Kistik Berdasar Fitur Gray-Level Co-Occurrence Matrix. Seminar Nasional Aplikasi Teknologi Informasi 2008 (SNATI 2008). Woebbecke, D. M., G. E. Meyer, K. Von Bargen, and D. A. Mortensen. 1995. Shape features for identifying young weeds using image analysis. Trans. Am. Soc. Agric. Eng 38(1): 271-281. Xu, G., Zhang, F., Shah, S.G., Ye, Y., Mao, H. 2009. Use of Leaf Color Images to Identify Nitrogen and Potassium Deficient Tomatoes. Pattern Recognition Letters. (2011), doi : 10.1016 / j. patrec . 2011.04.020. Yao, X., Wencai Du, Siling Feng dan Jun Zou. 2010. Image-based Plant Nutrient Status Analysis : An Overview. Proceedings of the 2010 IEEE International Conference on Intelligent Computing and Intelligent Systems, Xiamen, China. pp. 460–464.

Page 115: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

101

LAMPIRAN

Berikut adalah data citra daun tanaman sawi hijau yang digunakan untuk

pelatihan jaringan saraf tiruan backpropagation dalam identifikasi Nitrogen

Page 116: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

102

Page 117: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

103

Berikut adalah data citra daun tanaman sawi yang digunakan untuk

pengujian dalam mengidentifikasi Nitrogen.

Page 118: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

104

Berikut adalah data citra daun sawi hijau yang berumur 10, 15, 20, 25 dan

30 hari yang diberikan pupuk ZA 1 gram dalam 1 liter air, untuk pelatihan

identifikasi umur tanaman sawi hijau.

Page 119: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

105

Page 120: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

106

Page 121: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

107

Berikut adalah tabel hasil pengujian identifikasi Nitrogen dengan

menggunakan 92 data citra daun sawi uji.

NO NAMA Teridentifikasi benar

Terindentifikasi salah

1 11_0P0_15_cro1.jpg √ 2 11_0P1_15_cro1.jpg √ 3 11_0P2_15_cro1.jpg √ 4 11_0P3_15_cro1.jpg √ 5 11_1P0_15_cro1.jpg √ 6 11_1P1_15_cro1.jpg √ 7 11_1P2_15_cro1.jpg √ 8 11_1P3_15_cro1.jpg √ 9 11_2P0_15_cro1.jpg √ 10 11_2P1_15_cro1.jpg √ 11 11_2P2_15_cro1.jpg √ 12 11_2P3_15_cro1.jpg √ 13 11_3P0_15_cro1.jpg √ 14 11_3P1_15_cro1.jpg √ 15 11_3P2_15_cro1.jpg √ 16 11_3P3_15_cro1.jpg √ 17 12_0P0_15_cro1.jpg X 18 12_0P1_15_cro1.jpg √ 19 12_0P2_15_cro1.jpg √ 20 12_0P3_15_cro1.jpg √ 21 12_1P0_15_cro1.jpg √ 22 12_1P1_15_cro1.jpg √ 23 12_1P2_15_cro1.jpg √ 24 12_1P3_15_cro1.jpg √ 25 12_2P0_15_cro1.jpg √ 26 12_2P1_15_cro1.jpg √ 27 12_2P2_15_cro1.jpg √ 28 12_2P3_15_cro1.jpg √ 29 12_3P0_15_cro1.jpg √ 30 12_3P1_15_cro1.jpg √ 31 12_3P2_15_cro1.jpg √ 32 12_3P3_15_cro1.jpg √ 33 13_0P0_15_cro1.jpg √ 34 13_0P1_15_cro1.jpg √ 35 13_0P2_15_cro1.jpg X

Page 122: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

108

NO NAMA Teridentifikasi benar

Terindentifikasi salah

36 13_0P3_15_cro1.jpg √ 37 13_1P0_15_cro1.jpg √ 38 13_1P1_15_cro1.jpg √ 39 13_1P2_15_cro1.jpg √ 40 13_1P3_15_cro1.jpg √ 41 13_2P0_15_cro1.jpg √ 42 13_2P1_15_cro1.jpg √ 43 13_2P2_15_cro1.jpg √ 44 13_2P3_15_cro1.jpg √ 45 13_3P0_15_cro1.jpg √ 46 13_3P1_15_cro1.jpg √ 47 13_3P2_15_cro1.jpg √ 48 13_3P3_15_cro1.jpg √ 49 14_0P0_15_cro1.jpg √ 50 14_0P1_15_cro1.jpg √ 51 14_0P2_15_cro1.jpg √ 52 14_0P3_15_cro1.jpg √ 53 14_1P0_15_cro1.jpg √ 54 14_1P1_15_cro1.jpg √ 55 14_1P2_15_cro1.jpg √ 56 14_1P3_15_cro1.jpg √ 57 14_2P0_15_cro1.jpg √ 58 14_2P1_15_cro1.jpg √ 59 14_2P2_15_cro1.jpg √ 60 14_2P3_15_cro1.jpg √ 61 14_3P0_15_cro1.jpg √ 62 14_3P1_15_cro1.JPG √ 63 14_3P2_15_cro1.jpg √ 64 14_3P3_15_cro1.jpg √ 65 15_0P0_15_cro1.jpg √ 66 15_0P1_15_cro1.jpg √ 67 15_0P2_15_cro1.jpg √ 68 15_0P3_15_cro1.jpg √ 69 15_1P0_15_cro1.jpg √ 70 15_1P1_15_cro1.jpg √ 71 15_1P2_15_cro1.jpg √ 72 15_1P3_15_cro1.jpg √ 73 15_2P1_15_cro1.jpg √

Page 123: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

109

NO NAMA Teridentifikasi benar

Terindentifikasi salah

74 15_2P2_15_cro1.jpg √ 75 15_2P3_15_cro1.jpg √ 76 15_3P0_15_cro1.jpg √ 77 15_3P1_15_cro1.JPG √ 78 15_3P2_15_cro1.jpg √ 79 15_3P3_15_cro1.jpg √ 80 16_0P1_15_cro1.jpg √ 81 16_0P2_15_cro1.jpg √ 82 16_1P0_15_cro1.jpg √ 83 16_1P1_15_cro1.JPG √ 84 16_2P1_15_cro1.JPG √ 85 16_2P2_15_cro1.jpg √ 86 16_2P3_15_cro1.JPG √ 87 16_3P0_15_cro1.jpg √ 88 16_3P1_15_cro1.JPG √ 89 17_0P1_15_cro1.jpg √ 90 17_2P1_15_cro1.jpg √ 91 18_0P1_15_cro1.jpg √ 92 18_3P1_15_cro1.JPG √

TOTAL 97,82% 2,17%

Berikut adalah data citra daun sawi hijau yang digunakan untuk pengujian

identifikasi umur tanaman.

Page 124: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

110

Page 125: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

111

Berikut adalah tabel hasil pengujian identifikasi umur tanaman sawi hijau

dengan menggunakan 108 data citra daun sawi uji.

No Nama Teridentifikasi benar

Teridentifikasi salah

1 10_1P0_10_cro1.jpg √ 2 10_1P0_15_cro1.jpg √ 3 10_1P0_30_cro1.jpg √ 4 10_1P1_10_cro1.jpg √ 5 10_1P1_25_cro1.jpg √ 6 10_1P1_30_cro1.jpg √ 7 10_1P2_15_cro1.jpg √ 8 10_1P2_25_cro1.jpg √ 9 10_1P2_30_cro1.jpg √ 10 10_1P3_10_cro1.jpg √ 11 10_1P3_15_cro1.jpg √ 12 10_1P3_25_cro1.jpg √ 13 10_1P3_30_cro1.jpg √ 14 110_1P1_15_cro1.jpg √ 15 11_1P0_10_cro1.jpg √ 16 11_1P0_20_cro1.jpg √ 17 11_1P0_25_cro1.jpg x 18 11_1P0_30_cro1.jpg √ 19 11_1P1_10_cro1.jpg √ 20 11_1P1_20_cro1.jpg √ 21 11_1P1_25_cro1.jpg x 22 11_1P1_30_cro1.jpg √ 23 11_1P2_10_cro1.jpg √ 24 11_1P2_20_cro1.jpg √ 25 11_1P2_25_cro1.jpg √ 26 11_1P2_30_cro1.jpg √ 27 11_1P3_10_cro1.jpg √ 28 11_1P3_20_cro1.jpg x 29 11_1P3_25_cro1.jpg √ 30 11_1P3_30_cro1.jpg √ 31 12_1P0_10_cro1.jpg √ 32 12_1P0_20_cro1.jpg √ 33 12_1P0_25_cro1.jpg √ 34 12_1P0_30_cro1.jpg √ 35 12_1P1_10_cro1.jpg √

Page 126: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

112

No Nama Teridentifikasi benar

Teridentifikasi salah

36 12_1P1_20_cro1.jpg x 37 12_1P1_30_cro1.jpg √ 38 12_1P2_10_cro1.jpg x 39 12_1P2_20_cro1.jpg x 40 12_1P2_25_cro1.jpg √ 41 12_1P2_30_cro1.jpg √ 42 12_1P3_10_cro1.jpg √ 43 12_1P3_20_cro1.jpg x 44 12_1P3_25_cro1.jpg √ 45 12_1P3_30_cro1.jpg √ 46 13_1P0_10_cro1.jpg x 47 13_1P0_20_cro1.jpg √ 48 13_1P0_30_cro1.jpg √ 49 13_1P1_10_cro1.jpg √ 50 13_1P1_20_cro1.jpg √ 51 13_1P1_25_cro1.jpg √ 52 13_1P1_30_cro1.jpg √ 53 13_1P2_10_cro1.jpg x 54 13_1P2_20_cro1.jpg x 55 13_1P2_25_cro1.jpg √ 56 13_1P2_30_cro1.jpg √ 57 13_1P3_10_cro1.jpg √ 58 13_1P3_20_cro1.jpg √ 59 13_1P3_25_cro1.jpg √ 60 13_1P3_30_cro1.jpg √ 61 14_1P0_20_cro1.jpg x 62 14_1P0_25_cro1.jpg x 63 14_1P0_30_cro1.jpg √ 64 14_1P1_10_cro1.jpg √ 65 14_1P1_25_cro1.jpg √ 66 14_1P1_30_cro1.jpg √ 67 14_1P2_10_cro1.jpg √ 68 14_1P2_20_cro1.jpg x 69 14_1P2_25_cro1.jpg √ 70 14_1P2_30_cro1.jpg √ 71 14_1P3_20_cro1.jpg x 72 14_1P3_25_cro1.jpg x 73 14_1P3_30_cro1.jpg √

Page 127: identifikasi nitrogen dan kalium pada daun tanaman sawi hijau ...

113

No Nama Teridentifikasi benar

Teridentifikasi salah

74 15_1P0_20_cro1.jpg x 75 15_1P0_25_cro1.jpg √ 76 15_1P1_10_cro1.jpg √ 77 15_1P1_20_cro1.jpg x 78 15_1P1_25_cro1.jpg √ 79 15_1P1_30_cro1.jpg √ 80 15_1P2_10_cro1.jpg √ 81 15_1P2_20_cro1.jpg √ 82 15_1P2_25_cro1.jpg x 83 15_1P2_30_cro1.jpg √ 84 15_1P3_30_cro1.jpg √ 85 16_1P0_20_cro1.jpg √ 86 16_1P1_10_cro1.jpg √ 87 16_1P1_20_cro1.jpg √ 88 16_1P1_25_cro1.jpg √ 89 16_1P1_30_cro1.jpg √ 90 16_1P2_10_cro1.jpg √ 91 16_1P2_20_cro1.jpg √ 92 16_1P2_25_cro1.jpg √ 93 16_1P2_30_cro1.jpg √ 94 16_1P3_25_cro1.jpg √ 95 16_1P3_30_cro1.jpg √ 96 17_1P0_20_cro1.jpg √ 97 18_1P0_20_cro1.jpg x 98 19_1P0_20_cro1.jpg x 99 19_1P1_20_cro1.JPG √ 100 20_1P0_10_cro1.JPG √ 101 20_1P0_20_cro1.JPG √ 102 20_1P0_25_cro1.JPG √ 103 21_1P0_25_cro1.JPG x 104 22_1P1_15_cro1.JPG x 105 23_1P1_15_cro1.JPG x 106 24_1P0_20_cro1.jpg √ 107 26_1P1_15_cro1.JPG √ 108 27_1P1_15_cro1.JPG √

TOTAL 78,70 % 21,30 %