Download Pengenalan penyakit jeruk keprok (Citrus reticulata) dilakukan untuk

Implementasi Metode K-Nearest Neighbour untuk Identifikasi Penyakit Tanaman Jeruk Keprok
berdasarkan Citra Daun
Apiladosi Priambodo1, Candra Dewi, S.Kom., M.sc2, Dr. Ir. Anang Triwiratno, M.P3
Program Studi Informatika/Ilmu Komputer
Program Teknologi Informasi dan Ilmu Komputer
Universitas Brawijaya, Malang 65145, Indonesia
E-mail : [email protected], [email protected], [email protected]
Abstract
Tangerine (Citrus reticulate) disease identification is done to anticipate the spreading of more severe disease.
In this case, implementation of information technology can be done in form of tangerine identification
application through leaves image. Identification application uses input in form of leaves image with white
background. Identification process begin with preprocessing process by increase brightness of image. After
preprocessing process, feature extraction is done to get average value of red, green, blue (RGB) from leave.
After feature extraction is done, next is classification of testing data with K-Nearest Neighbor (K-NN) method.
K-NN method begin with determine the value of K. After value of K is determined, next is calculate distance
of training data with testing data with Euclidean distance. Next, calculate the value of nearest neighbor
according to K value. This application can identify three tangerine diseases, they are sooty fungus, CVPD,
and mildew. From testing process, the best accuracy is 96.67% that can classified 29 of 30 testing data.
Keyword : Tangerine disease, Digital Image Processing, Data Mining, K-Nearest Neighbor.
Abstrak
Pengenalan penyakit jeruk keprok (Citrus reticulata) dilakukan untuk mengantisipasi
penyebaran penyakit yang lebih parah. Penerapan teknologi informasi dalam hal ini,
dapat dilakukan dalam bentuk pembuatan aplikasi pengenalan penyakit jeruk keprok
melalui citra daun. Aplikasi pengenalan menggunakan data masukan berupa citra
daun dengan latar belakang putih. Proses pengenalan penyakit diawali dengan
proses preprocessing dengan menambahkan kecerahan pada citra. Hal ini berguna
untuk memisahkan latar dengan objek daun. Setelah dilakukan proses preprocessing,
dilakukan ekstraksi ciri dengan mengambil nilai rata-rata red, green, blue (RGB) dari
objek daun. Setelah ekstraksi ciri dilakukan, dilakukan klasifikasi data uji yang diujikan
dengan menggunakan metode K-Nearest Neighbor (K-NN). Metode K-NN diawali
dengan menentukan nilai K. Setelah nilai K ditentukan, dilakukan perhitungan jarak
nilai RGB antara data latih dengan data uji menggunakan perhitungan jarak
Euclidean. Kemudian dilakukan perhitungan tetangga terdekat sesuai dengan nilai K
yang telah ditentukan. Aplikasi ini dapat mengenali tiga penyakit jeruk, yaitu
cendawan jelaga, CVPD, dan mildew. Dari proses pengujian yang telah ditentukan,
didapatkan akurasi terbaik mencapai 96.67% dengan dapat mengklasifikasikan 29
dari 30 data yang disediakan untuk pengujian.
Kata kunci : Penyakit Jeruk Keprok, Pengolahan Citra Digital, Data Mining, K-Nearest Neighbor.
1.
PENDAHULUAN
Saat ini Indonesia merupakan negara
pengimpor jeruk terbesar kedua di ASEAN setelah
Malaysia, dengan volume impor khususnya jeruk
manis sebesar 127.041 ton selama kurun waktu
2005 – 2009 dengan rata – rata per tahun mencapai
25.408 ton atau setara dengan US $ 17.464.186 per
tahun. Sedangkan untuk jenis keprok (Citrus
reticulata), selama kurun waktu 2005 – 2009
mencapai 504.063 ton atau sekitar 100.813 ton per
tahun dengan nilai mencapai US $ 80.569.300
berdasarkan Badan Pusat Statistik tahun 2010.
Meningkatnya impor jeruk menandakan adanya
permintaan konsumen akan jenis dan mutu buah
jeruk prima yang belum bisa dipenuhi oleh
produsen dari dalam negeri [HAD-10].
Sampai saat ini, identifikasi penyakit pada
tanaman jeruk yang dilakukan oleh petani jeruk
sebatas menggunakan mata telanjang. Dengan cara
tersebut, tidak bisa diperoleh hasil identifikasi yang
akurat karena terbatas pada tampilan luar [TRI15]. Oleh karena itu, identifikasi penyakit tanaman
jeruk yang tepat dan akurat sangatlah dibutuhkan.
Hal tersebut berguna untuk penentuan tindakan
penanganan dan pencegahan guna menghindari
serangan penyakit yang berkelanjutan. Dewasa ini,
perkembangan teknologi informasi sudah
berkembang pesat dan dapat diterapkan dalam
berbagai bidang.
Salah satu penerapan teknologi informasi
adalah dalam bidang pertanian. Dalam
penerapannya di bidang pertanian, teknologi
informasi dapat digunakan sebagai alat bantu
identifikasi penyakit tanaman jeruk yang tepat dan
akurat. Algoritma K-Nearest Neighbor adalah
sebuah metode untuk melakukan klasifikasi
terhadap objek berdasarkan data pembelajaran
yang jaraknya paling dekat dengan objek tersebut.
K-Nearest Neighbor merupakan pendekatan untuk
mencari kasus dengan menghitung kedekatan
antara kasus baru dan kasus lama berdasarkan pada
pencocokan bobot dari sejumlah fitur yang ada
[KUS-09].
2. DASAR TEORI
2.1 Pengolahan Citra Digital
Pengolahan citra digital merupakan teknologi
penerapan sejumlah algoritma komputer untuk
memproses citra digital. Hasil dari proses ini dapat
berupa citra digital, kumpulan representasi
karakteristik, ataupun dapat berupa properti dari
citra tersebut. Pengaplikasian pengolahan citra
digital biasanya ditemukan pada sistem kecerdasan
robotika, pencitraan medis, fotografi, dan forensik
[ZHO-10].
2.2 Citra Digital
Secara umum, citra digital merupakan gambar
dua dimensi. Citra digital merupakan sebauh array
yang memiliki nilai yang direpresentasikan dengan
deretan bit tertentu. Penulisan citra digital dalam
bentuk matrik sebagai berikut [PUT-10]:
𝑓(𝑥, 𝑦)
𝑓(0,0)
𝑓(0,1)
…
𝑓(0, 𝑁 − 1)
𝑓(1,0)
𝑓(1,1)
…
𝑓(1, 𝑁 − 1)
= [
]
⋮
⋮
⋮
⋮
𝑓(𝑀 − 1,0) 𝑓(𝑀 − 1,1) … 𝑓(𝑀 − 1, 𝑁 − 1)
2.3 Rescaling
Rescaling adalah cara yang singkat untuk
mengatur kecerahan dari suaatu citra menggunakan
sebuah operator rescaling. Proses dari rescaling
adalah mengalikan setiap nilai warna pada setia
piksel
dengan
scale
factor
kemudian
menambahnya dengan nilai offset [KNU-99].
Proses rescaling ditunjukkan pada berikut.
𝑐 = 𝑠𝑐𝑎𝑙𝑒𝐹𝑎𝑐𝑡𝑜𝑟. 𝑐𝑜 + 𝑜𝑓𝑓𝑠𝑒𝑡
2.4 Data Mining
Data Mining merupakan proses ekstraksi
informasi, sebelumnya belum diketahui dan
kemungkinan berguna dari database yang besar.
Data mining juga menyediakan kita informasi
berguna yang query tidak bisa dapatkan secara
efisien. Informasi yang bisa didapatkan dengan
data mining tidak tersedia secara jelas di database
sedangkan
aplikasi
database
hanya
memproyeksikan informasi yang terdapat pada
bank informasi dengan kapasitas manipulasi yang
terbatas [AGA-13].
2.5 K-Nearest Neighbor
Konsep dari K-Nearest Neighbor (KNN)
adalah objek yang ada pada data uji diklasifikan
pada kelas dengan ketetanggan terdekat [ISM-13].
KNN dapat memberikan keputusan yang bagus
untuk pengklasifikasian dari data latih dan lebih
efektif jika data latih memiliki ukuran yang besar
[WIB-10]. Tahap-tahap pada algoritma K-Nearest
Neighbor adalah sebagai berikut [WIB-10] :
1. Definisikan nilai ‘K’.
2. Perhitungan jarak antara input dengan semua
data uji.
3. Buat kelompok berdasarkan perhitungan jarak.
4. Buat kelompok berdasarkan nilai ketetanggan
terdekat.
5. Pilih nilai yang paling sering muncul dari
tetangga terdekat sebagai prediksi untuk data
yang selanjutnya.
Euclidean Distance merupakan metrika yang
sering digunakan untuk menghitung kesamaan
antara dua vektor [PUT-10]. Berikut rumus
Euclidean distance [WIB-10] :

𝑑𝑖𝑗 = √∑𝑛𝑘=1(𝑃𝑖 − 𝑄𝑖 )2
2.6 Jeruk Keprok
Jeruk keprok memiliki nama latin Citrus
reticulata. Jeruk ini cocok untuk ditanam di daerah
yang memiliki ketinggian antara 500-1.200 meter
di atas permukaan laut yang memiliki musim
kering cukup panjang. Buah jeruk keprok
berukuran agak besar dan bertangkai pendek
menggantung. Proses pembungaan tanaman ini
dipengaruhi oleh iklim. Bila terjadi waktu kering
selama 2-3 minggu yang diikuti hujan agak lebat
sedikit, dan tanah menjadi basah sampai agak
dalam, hal ini cukup mendorong jenis jeruk ini
untuk berbunga [AAK-94].
2.7 Penyakit Jeruk Keprok
 Cendawan Jelaga
Penyakit Cendawan Jelaga juga biasa
disebut juga dengan Kapang Jelaga. Ciriciri dari penyakit ini adalah terdapat
lapisan berwarna hitam, kering, dan tipis
serta merata pada permukaan atas daun.
Penyakit ini tidak memarasit daun,
sehingga daun yang terdapat di bawah
lapisan hitam tadi tetap berwarna hijau
[SEM-04].
 CVPD
Gejala yang khas dari penyakit CVPD
adalah terjadinya degenerasi pada floem
tulang daun. Gejala luar atau gejala yang
nampak dari penyakit ini adalah daun
menjadi kuning pada sebagian atau seluruh
tajuk. Daun yang terkena penyakit ini
kelihatan lebih kaku dan sering berdiri
tegak. Gejala ini mirip dengan gejala
tanaman yang kekurangan unsur Zn. Pada
daun dewasa yang sedang mengalami
pertumbuhan pesat, tulang daun berwarna
lebih gelap sehingga kontras dengan
daging daun yang berwarna kuning [SEM04].
Mildew
Mildew dikenal juga dengan penyakit
tepung. Penyakit ini juga sering disebut
sebagai embun tepung. Gejala yang
nampak jelas dari penyakit ini yaitu
terdapatnya lapisan bertepung putih pada
daun. Lapisan tesebut terdiri dari miselium,
konidiofor, dan konidium jamur. Lapisan
bertepung terdapat pada daun terutama di
sisis atas. Daun yang terserang berat
selanjutnya akan menjadi pucat dan segera
rontok, sedangkan daun yang terserang
ringan akan mengalami malformasi [SEM04].
3.
PERANCANGAN
Perancangan
diagram
alir
sistem
menggambarkan alur proses bagaimana sistem
akan bekerja. Dalam sistem pengenalan penyakit
jeruk ini alur yang digunakan yaitu input data citra
daun jeruk, preprocessing citra, ekstraksi ciri, KNN, dan hasil klasifikasi. Gambar 1 menunjukkan
diagram alir sistem.
Gambar 1. Diagram Alir Sistem
Data masukan berupa citra daun jeruk,
setelah itu dilakukan preprocessing terlebih dahulu
sebelum diambil cirinya pada tahap ekstraksi ciri.
Proses pelatihan harus dilakukan terlebih dahulu
sebelum sistem dapat melakukan tahap pengujian.
Setelah semua proses selesai, dilakukan
penghitungan akurasi. Hasil dari sistem ini adalah
akurasi dari penggunaan metode K-NN untuk
pengenalan penyakit jeruk juga hasil klasifikasi
daun jeruk.
4.
5.1 Pengujian Terhadap Nilai Scale Factor
Pengujian terhadap nilai Scale Factor
bertujuan untuk mencari nilai Scale Factor yang
paling optimal untuk proses preprocessing. Nilai
yang digunakan untuk pengujian nilai Scale Factor
antara lain 1.2, 1.4, 1.6, 1.8, dan 1.10. Perhitungan
dilakukan mengunakan metode K-NN dengan nilai
K=1. Perhitungan jarak dilakukan dengan
menggunakan perhitungan jarak Euclidean. Grafik
hasil pengujian ditunjukkan pada gambar 3.
40
150.00%
100.00%
20
50.00%
0
Akurasi
Jumlah Klasifikasi
Benar
IMPLEMENTASI
Pada gambar 2 menunjukkan proses training
dari aplikasi pengenalan penyakit jeruk keprok.
Masukan berupa citra yang kemudian dilakukan
proses preprocessing. Nilai rata-rata RGB dari
masing-masing data latih ditunjukkan dalam
sebuah form dan disimpan dalam sebuah tabel. Info
dari file, seperti nama file, panjang dan lebar file
juga ditampilkan dalam sebuah form.
dilakukan dengan menggunakan 30 data latih dan
sepuluh data uji untuk setiap kelas. Data uji diambil
secara acak dari citra yang tersedia. Citra yang
terpilih secara acak sebagai data uji, dilakukan
proses cropping sehingga citra memiliki ukuran
275x150 piksel.
0.00%
1.2 1.4 1.6 1.8
2
Nilai Rescale Factor
Gambar 2. Antarmuka Pelatihan
Jumlah Klasifikasi Benar
Gambar 3 menunjukkan citra yang diuji dan
hasil klasifikasi. Ditunjukkan pula nilai rata-rata
RGB dari citra dan info dari file dalam sebuah
form.
Gambar 3. Antarmuka Pengujian
5.
PENGUJIAN DAN ANALISIS
Proses pengujian dilakukan untuk mengetahui
akurasi penggunaan metode K-NN dalam
pengenalan penyakit jeruk. Terdapat beberapa
skenario untuk pengujian, antara lain pengujian
terhadap nilai rescale factor, pengujian terhadap
nilai K, pengujian terhadap perhitungan jarak, dan
pengujian terhadap jumlah data latih. Pengujian
Akurasi
Gambar 3. Grafik Hasil Pengujian Nilai Scale
Factor
Penggunaan nilai Scale Factor dengan akurasi
tertinggi didapatkan pada penggunaan nilai Scale
Factor 1.4. Akurasi didapat berdasarkan jumlah
data uji yang benar dibandingkan jumlah total data
uji, yaitu 30, lalu dikalikan dengan 100%. Akurasi
dengan menggunakan nilai Scale Factor 1.4
mencapai 96.67%.
5.2 Pengujian Terhadap Perhitungan Jarak
Pada pengujian terhadap perhitungan jarak,
akan dilakukan perbandingan akurasi dengan
menggunakan perhitungan jarak Euclidean dan
perhitungan jarak Manhattan. Hal ini berguna
untuk menemukan perhitungan jarak yang
memiliki akurasi paling tinggi. Pengujian terhadap
perhitungan jarak dilakukan menggunakan metode
K-NN dengan nilai K=1. Grafik hasil pengujian
ditunjukkan pada gambar 4.
Manhattan
Distance
Perhitungan Jarak
Jumlah Klasifikasi Benar
Akurasi
Gambar 4. Grafik Hasil Pengujian Perhitungan
Jarak
30
100.00%
95.00%
28
90.00%
26
85.00%
24
Akurasi
Jumlah Klasifikasi Benar
Perhitungan jarak yang memiliki akurasi
tertinggi, yaitu Euclidean Distance. Akurasi
dengan menggunakan perhitungan jarak Euclidean
mencapai
96.67%,
sedangkan
dengan
menggunakan perhitungan jarak Manhattan
akurasi hanya mencapai 93.33%.
5.3 Pengujian Terhadap Nilai K
Pada pengujian terhadap nilai K digunakan
untuk mencari nilai K yang memiliki akurasi paling
tinggi. Nilai K yang akan diuji, antara lain 1, 2, 3,
4, dan 5. Pengujian terhadap nilai K dilakukan
dengan menggunakan nilai Rescale Factor 1.4 dan
perhitungan jarak Euclidean. Grafik hasil
pengujian ditunjukkan pada gambar 5.
80.00%
1
2
3
4
5
Nilai K
Jumlah Klasifikasi Benar
Akurasi
Gambar 5. Grafik Hasil Pengujian Nilai K
Dari tabel tersebut didapatkan nilai K dengan
akurasi tertinggi yaitu nilai K=1 atau K=2 dengan
akurasi mencapai 96.67%.
5.4 Pengujian Terhadap Jumlah Data Latih
Pengujian terhadap jumlah data latih
bertujuan untuk menemukan jumlah data latih yang
memiliki akurasi tertinggi. Jumlah data latih yang
diuji, yaitu 10, 15, 20, 25, dan 30. Pengujian
terhadap jumlah data latih dilakukan dengan
menggunakan nilai Rescale Factor 1.4 dan
perhitungan jarak Euclidean. Nilai K yang
30
100.00%
29
95.00%
28
90.00%
27
26
Akurasi
Euclidean
Distance
digunakan, yaitu K=2. Grafik hasil pengujian
ditunjukkan pada gambar 6.
Jumlah Klasifikasi Benar
98.00%
96.00%
94.00%
92.00%
90.00%
Akurasi
Jumlah Klasifikasi Benar
29.5
29
28.5
28
27.5
85.00%
10
15
20
25
30
Jumlah Data Latih
Jumlah Klasifikasi Benar
Akurasi
Gambar 6. Grafik Hasil Pengujian Jumlah Data
Latih
Dari tabel tersebut diketahui bahwa jumlah
data latih terbanyak, yaitu 30 memiliki akurasi
tertinggi yang mencapai 96.67%.
6.
KESIMPULAN DAN SARAN
Beberapa hal yang dapat disimpulkan setelah
pengujian aplikasi pengenalan penyakit jeruk
keprok, antara lain :
1. Metode K-Nearest Neighbor bisa diterapkan
untuk pengenalan penyakit jeruk berdasarkan
citra daun dengan melewati beberapa tahap,
yaitu preprocessing citra dan ekstraksi ciri.
Pada tahap preprocessing citra digunakan
penambahan kecerahan. Pengambilan ratarata nilai RGB digunakan untuk tahap
ekstraksi ciri.
2. Pada pengujian terhadap nilai rescale factor
didapatkan akurasi maksimal terdapat pada
nilai 1.4 dari rentang nilai yang disediakan,
yaitu 1.2, 1.4, 1.6, 1.8, dan 2. Semakin Nilai
rescale factor yang kecil tidak bisa
membedakan antara latar dengan objek daun,
sehingga latar citra juga dimasukkan dalam
perhitungan yang menyebabkan akurasi
berkurang. Begitu juga dengan nilai rescale
factor yang terlalu besar. Nilai rescale factor
yang besar akan terlalu merubah kecerahan
citra yang juga menyebabkan akurasi
berkurang.
3. Pada pengujian terhadap perhitungan jarak,
didapatkan
bahwa
perhitungan
jarak
Euclidean menghasilkan akurasi yang lebih
tinggi daripada perhitungan jarak Manhattan.
Sehingga
dapat
disimpulkan
bahwa
perhitungan jarak Euclidean lebih efektif
untuk pengenalan penyakit jeruk berdasarkan
citra daripada perhitungan jarak Manhattan.
4. Pada pengujian terhadap nilai K, didapatkan
nilai akurasi tertinggi terdapat pada nilai K=1
atau nilai K=2. Nilai K yang tinggi,
menyebabkan variasi tetangga terdekat yang
besar. Variasi tetangga terdekat yang besar
dapat menyebabkan akurasi menurun saat
mayoritas tetangga terdekat bukanlah kelas
yang seharusnya. Hal ini dapat menyebabkan
akurasi menurun. Berbeda dengan nilai K=1
atau K=2. Nilai K yang kecil dapat
meminimalisir hal tersebut. Nilai K yang kecil
memiliki variasi tetangga yang sedikit.
Sehingga kemungkinan besar, tetangga yang
terdekat merupakan kelas yang seharusnya.
5. Pada pengujian terhadap jumlah data latih
didapatkan bahwa jumlah data latih tertinggi,
yaitu 30 untuk setiap kelas memberikan
akurasi yang tertinggi daripada jumlah data
latih yang kurang dari 30. Hal ini terjadi
karena variasi data latih yang dikenali oleh
aplikasi untuk proses pengujian sudah cukup
banyak untuk dapat mengklasifikasikan
dengan benar. Sehingga dapat disimpulkan
jumlah data latih berpengaruh untuk
keberhasilan metode K-NN. Jumlah data latih
yang besar, akan menghasilkan akurasi
klasifikasi yang tinggi. Begitu juga
sebaliknya, jumlah data latih yang tidak cukup
besar, akan menghasilkan akurasi klasifikasi
yang rendah.
Skripsi tentang implementasi metode KNN untuk pengenalan penyakit jeruk ini tentunya
masih banyak kekurangan dan jauh dari
kesempurnaan. Oleh karena itu, beberapa saran
yang dapat diberikan untuk penelitian selanjutnya,
antara lain :
1. Peningkatan variasi pengambilan citra untuk
data latih dan data uji. Variasi pengambilan
citra ditingkatkan dengan tingkat sebaran dan
keparahan penyakit dengan rentang kurang
dari 20% sampai dengan lebih dari 80%.
2. Ekstraksi ciri dilakukan tidak sebatas rata-rata
nilai RGB dari keseluruhan citra daun.
Ekstraksi ciri dapat dilakukan dengan
melibatkan posisi daun di pohon, usia daun,
maupun tekstur daun.
3. Pengembangan aplikasi pengenalan penyakit
jeruk berdasarkan citra daun dapat dilakukan
pada platform lain, misal Android dengan
memanfaatkan fitur kamera sehingga dapat
memudahkan dalam mobilitas dan tidak
terpaku pada desktop.
DAFTAR REFERENSI