1

ANALISIS FITUR CITRA DAUN PADA TAMANAMAN

CABAI MENGGUNAKAN AUTOMATED COLOUR
EQUALIZATION (ACE)

Basiroh1, Nuning Kurniasih2, Dian Asmara Jati1, 4,5

1
Universitas Nahdlatul Ulama Alghazali Cilacap, Cilacap, Indonesia
2
Faculty of Communication Sciences, Library and Information Science, Universitas Padjadjaran,
Bandung Indonesia
3
4

e-mail: basyirohtest@gmail.com

Abstrak
Cabai merupakan varietas kelompok tanaman yang memiliki prospek usaha yang menjanjikan.
Untuk memperoleh hasil pertanian yang optimal, maka proses perawatan tanaman dan cara penanaman
harus benar – benar maksimal. Kendala yang sering dialami oleh petani dalam proses menanam cabai di
Kabupaten Magelang Indonesia adalah penyakit daun kuning. Beberapa penyakit pada tanaman dapat
diidentifikasikan menggunakan ketepatan teknologi, salah satu diantaramya adalah dengan menggunakan
teknologi berbasis gambar atau citra. Pada penelitian terdahulu belum ada yang menaganalisa
menggunakan ekstraksi fitur menggunakan ACE sebagai analisis untuk mendeteksi penyakit tanaman
pada cabai. Pada penelitian ini akan mengekstraksi fitur menggunakan Automated Colour Equalization
(ACE) yang kemudian diklasifikasikan menggunakan SVM (Support Vector Mechine ) untuk identifikasi
penyakit berdasarkan pada daunnya. Dengan metode ini akurasi hasil ekstraksi kombinasi fitur tekstur
80%, ekstraksi fitur warna,dan kombinasi tekstur fitur warna 80%.

Kata kunci: Ekstraksi fitur, Automated Colour Equalization, SVM

1. Pendahuluan
Cabai merupakan varietas kelompok tanaman (seperti perdu) dalam jenis atau spesies tertentu
yang dapat dibedakan dari kelompok lain berdasarkan suatu sifat atau sifat tertentu [1]. Lokasi pertanian
di kabupaten Magelang diperluas menjadi luas tanam 1,723Ha, dengan Luas Produksi 2,447 Ha, pada
tahun 2017 mecapai produksi 136.915 kwintal cabai rawit [1]. Tahun sebelumnya luas lahan 1.573
dengan luas produksi 1,594 dengan hasil produksi mencapai 99.153 kwiental pada tahun 2016 [1].
Kendala yang sering dialami oleh petani dalam proses menanam cabai di kabupaten magelang
adalah penyakit daun kuning. Beberapa penyakit pada tanaman dapat diidentifikasikan menggunakan
ketepatan teknologi. Proses identikasi penyakit dapat menggunakan teknologi berbasis gambar atau citra
telah dilakukan oleh beberapa peneliti yang terdahulu . Peneliti dengan [2] judul Fuzzy Inference System
Based Unhealthy Region Classification in Plant Leaf Image diteliti oleh K. Muthukannan, P. Latha [3]
pada metode yang digunakan image cropping, dan jaringan saraf tiruan peneliti masih menyatakan hasil
data yang kurang akurat. Orchid Disease Detection Using Image Processing and Fuzzy Logic diteliti oleh
Muhammad Thaqif bin MohamadAzmi dan Naimah Mat Isa Selangor [4] peneliti menggunakan metode
MoM, yang dikatakan bahwa tidak cocok untuk mendeteksi penyakit . Ketiga metode defuzzifikasi
menunjukkan bahwa daunnya Paling sedikit berpenyakit meski metode MoM Mungkin tidak cocok
karena hasil satu pola. Detection of unhealthy region of plant leaves using Image Processing and
Genetic Algorithm. Vijay Sigh Asst Proffesor IMS Engg college, Varsha Asst Proffesor JSSATE Noida,
Uttar Pradesh, India dan Prof. A K Misra Professor, MNNIT Allahabad, Uttar Pradesh, India [5]. A
Predictive Fuzzy Expert System for Diagnosis of Cassava Plant Diseases diteliti Oleh Awoyelu, I. O. &
Adebisi, R. O 2015. Department of Computer Science and Engineering Obafemi Awolowo Unversity, Ile-
Ife, Nigeria. Dalam penelitiannya menggunakan metode Fuzzy Expert System dimana peneliti hanya
mengkhususkan untuk meniliti ditanaman ketela pohon untuk menidentifikasi atau mendiagnosa [6] .

 L-2
2

Pada penelitian terdahulu belum ada yang menaganalisa menggunakan ekstraksi fitur
menggunakan ACE sebagai analisis untuk mendeteksi penyakit tanaman pada cabai. Pada penelitian ini
akan mengekstraksi fitur menggunakan automated Colour Equalization yang kemudian diklasifikasikan
menggunakan SVM (Support Vector Mechine ) untuk identifikasi penyakit berdasarkan pada daunnya.
Penelitian ini bertujan untuk mengetahui akurasi masing – masing hasil ekstraksi yang digunakan untuk
identifikasi penyakit pada tanaman cabai. Penelitian ini menggunakan ruang warna RGB untuk
mempresentasikan warna.

2. Metode Penelitian
2.1 Alur Penelitian
2.1.1 Pengambilan Data
Pengumpulan data diambil dari dinas pertanian dan ketahanan pangan, subbagian HPT kabupaten
Magelang dengan survey lokasi di wilayah Borobudur, data citra daun cabai yang baik maupun yang
berpenyakit diambil gambarnya menggunakan kamera. Hasil dari tahapan ini adalah mendapatkan
gambar atau citra daun cabai.
2.1.2 Akuisisi Data
Citra daun cabai yang telah diakuisisi oleh pakar diberi label kemudian jumlah label sesuai dengan
penyakit tamanan cabai yang akan diidentifikasi. Citra daun yang diidentifikasi sesuai dengan data yang
diambil dari pengumpulan data.
2.1.3 Identifikasi
Setelah tahapan akuisisi, berikutnya adalah identifikasi penyakit tanaman cabai yang sudah
terbentuk dilakukan uji coba dengan menggunakan data testing. Hasil uji coba berupa seberapa akurat
system yang digunakan untuk mengolah data penyakit tanaman pada cabai. Identifikasi penyakit diawali
dengan pengolahan data pre-proses, tujuannya data yang mau di uji dipersiapkan untuk tahapan
selanjutnya yaitu untuk ekstraksi fitur . Hasil dari tahapan ekstraksi fitur yaitu daerah citra yang
representative dalam 2 bentuk yaitu bentuk transformasi RGB kedalam bentuk kaebu-abuan atau
(grayscale) dan citra transformasi dari bentuk RGB ke ruang trasformasi bentuk ACE. Schaefer
menggabungkan 2 teknik normalisasi popular, yaitu Grayworld dan Max RGB untuk meningkatkan
kekontrasan warna [7].[8]
Proses tahapan selanjutnya yaitu ekstraksi fitur tekstur dengan menngunakan Automated Colour
Equalization (ACE) dalam tahapan ini adalah ekstraksi fitur yang menghasilkan matriks dari masing-
masing fitur . Nilai minimal batas antara warna digunkaan untuk membangun fungsi keanggotaan [7].
Proses terakhir dari tahap ini adalah klasifikasi, klasifikasi di dalam penelitian ini menngunakan SVM
(support Vector Mechine) . Penelitian ini menggunakan SVM karena cocok untuk mengolah data yang
sedikit dan memberikan hasil akurasi yang cukup tinggi .
Secara umum gambaran proses penelitian meliputi beberapa tahapan dapat dilihat pada gambar
berikut .

Data

Metrik
hasil
Akuisisi

Klasifikasi Data Set

HPT
Pre-Prosess Ekstraksi

Hasil
Identifikasi
Gambar 1. Alur Penelitian

2.2 Analisis Hasil

2.2.1 Segmentasi

 L-2
  3

Berikut proses segmentasi citra menggunakan thresholding. Adapun tahapan proses segmentasi citra
daun tanaman cabai dimulai dengan pemisahan red channel, green channel dan blue channel dari citra
RGB channel .

(a) Citra Asli (b) Citra biner

Gambar 2. (a) citra asli (b) citra biner

Setelah pemisahan red channel, green channel dan blue channel citra RGB channel dilakukan
pengolahan dengan diproses menggunakan Thresholding Otsu sehingga diperoleh citra biner.

(a) Citra biner (b) Citra Thresholding

Gambar 3. (a) Citra Biner (b) Citra hasil Thresholding

2.2.2 Ekstraksi fitur warna

Citra daun tanaman cabai yang telah di-cropping dan diberikan operasi imadjust pada Matlab,
kemudian dilakukan konversi warna dari warna RGB menjadi warna CIELAB dengan menggunakan
fungsi srgb2lab pada Matlab. Hasil konversi warna RGB ke ruang warna CIELAB .

(a) Citra Input (b) Citra Output

Gambar 4. Citra Input (b) Citra Output
2.2.3 Ekstraksi fitur ACE
Algoritma ACE
Tahap ini algorithma ACE terdiri dari dua tahapan yaitu penyesuaian kromatik/spatial dan
penyekalan ‘tone’ secara dinamis. Tahap algoritma ACE dapat dilihat pada gambar 4 yang Merupakan
citra input, M merupakan citra intermediat dan O merupakan citra Output sedangkan subscript c
menunjukan masing – masing chanel RGB.

Penigkatan Penyekalan tone

Ic Rc Oc
Kromatik/ secara Dinamis
Spatial

 L-2 Analisis Citra Daun Pada Tanaman Cabai Menggunakan ACE (Basiroh)
4

Gambar 5. Tahapan Algoritma ACE

(a) Citra RGB (b) Citra Grayscale

Gambar 6. Konvert (a) Citra RGB ke (b) citra Grayscale
Nilai fitur warna antara citra asli dengan citra hasil pre proses yang siap diekstrak menggunakan
metode ACE dan digunakan untuk tahap berikutnya.
Tabel 1. Nilai ekstraksi citra asli dan citra ACE
Nilai
Jenis Citra
Mean Input Output
citra asli

125.14 48.1842 -0.213791

Citra hasil pre proses

130.636 52.5269 -0.829886

3. Hasil dan Pembahasan

Citra grayscale hasil dari proses tahap tersebut mempunyai nilai pixel tertinggi yaitu 237. Matrik
nilai pixel citra grayscale.
Tabel 2. Matrik Hasil Bagian Nilai Pixel Citra Grayscale Gambar (b)
1 6 2 2 7 3
4 1 2 1 1 1
1 3 1 7 1 5
1 4 1 5 2 3
3 1 15 2 6 4
2 1 6 2 4 97
Tahap berikutnya adalah melakukan ekstraksi fitur tekstur menggunakan metode ACE (Automated
Colour Equalization) fitur tekstur yang dihitung adalah kromatik/spatial peningkatan Contrast, dari 4 arah
yaitu 0o, 45o, 90o, dan 135o yang disimulasikan seperti pada gambar 6.
Nilai fitur Contrast dari citra dihitung dengan persamaan 4, fitur correlation dengan persamaan 5,
fitur energy dengan persamaan 6 dan fitur homogeneity menggunakan persamaan 7. Hasil dari ekstraksi
fitur tekstur dengan metode ACE dari semua arah dan rata-rata ditampilkan pada tabel 3 berikut.
Tabel 3 Nilai Ekstraksi Fitur Citra Dengan ACE
Fitur 0o 45o 90o 45o Rata-rata
Contrast 0.91852 1.912 1.255 1.394 1.3699
Correlation 0.90217 0.78849 0.86224 0.84593 0.84971
Energy 0.15407 0.11829 0.12825 0.12833 0.13223
Homogeneity 0.84286 0.75937 0.79517 0.78722 0.79615

 L-2
  5

Chanel RGB unggul 5 metode pengukuran di scenario pengujian dengan nilai tertinggi, setelah
dilakukan uji coba sebanyak 10 kali pengujian chanel Grayscale mempunyai nilai tertinggi yaitu 237 .
Hasil ekstraski fitur tekstur, menunjukkan bahwa nilai contrast citra BD1 lebih tinggi dibandingkan
dengan citra lain yang artinya perbedaan nilai pixel tetangga semakin tinggi. Nilai correlation semua citra
tidak memiliki perbedaan yang tinggi. Nilai energy juga pada citra BD1 juga paling tinggi yang
menunjukkan kemiripan nilai pixel satu sama lain citra BD1 paling tinggi dibandingkan citra lain.
4. Simpulan
Dari hasil uji coba yang telah dilakukan dalam penelitian ini didapatkan kesimpulan bahwa
identifikasi jenis penyakit tanaman cabai menggunakan fitur tekstur dengan metode ACE, fitur warna
menggunakan segmentasi dan klasifikasi menggunakan metode SVM menghasilkan kombinasi hasil
semua fitur tekstur san fitur warna menghasilkan nilai rata-rata yang tinggi, hal ini dikarenakan dalam
pengujian ini semua fitur yang ada pada daun digunakan seluruhnya sebagai pembeda antar kelas
penyakit yang digunakan dalam penelitian ini.

Daftar Pustaka
[1] Dinas Pertanian dan ketahanan Pangan Kabupaten Magelang Juni 2018
[2] Muhammad Thaqif bin MohamadAzmi dan Naimah Mat Isa Orchid Disease Detection Using Image
Processing and Fuzzy Logic 2013 International Conference on Electrical, Electronics and System
Engineering.
[3] Vijay Sigh, Prof. A K Misra 2015.Detection of unhealthy region of plant leaves using Image
Processing and Genetic Algorithm. 2015 International Conference on Advances in Computer
Engineering and Applications (ICACEA)IMS Engineering College, Ghaziabad, India
[4] Muhammad Thaqif bin MohamadAzmi dan Naimah Mat Isa Faculty of Electrical Engineering
Universiti Teknologi MARA 40450 Shah Alam, 2013. Orchid Disease Detection Using Image
Processing and Fuzzy Logic
[5] Awoyelu, I. O. & Adebisi, R. O 2015. A Predictive Fuzzy Expert System for Diagnosis of Cassava
Plant Diseases diteliti Department of Computer Science and Engineering Obafemi Awolowo
Unversity, Ile-Ife, Nigeria
[6] Rabia Masood, S.A. Khan, M.N.A. Khan Plants Disease Segmentation using Image Processing I.J.
Modern Education and Computer Science, 2016, 1, 24-32 Published Online January 2016 in MECS
(http://www.mecs-press.org/) DOI: 10.5815/ijmecs.2016.01.04
[7] Basiroh. Analisis Cita Daun pada tanaman Cabai menggunakan automated colour Equalization
Program studi Teknik Informatika Universitas Nahdlatul Ulama Alghazali, Cilacap Juni 2018
[8] Ratnadewi ., Benny Santoso Sugiharto, Nuning Kurniasih, Dahlan Abdullah, Ida Bagus Ary Indra
Iswara, Darmawan Napitupulu, Selfianus Laritmas, Erland Mouw, Ansari Saleh Ahmar, Nanik
Kurniawati, Robbi Rahim. Visual Cryptography with RSA Algorithm for Color Image. nternational
Journal of Engineering & Technology, 7 (2.5) (2018) 65-68.
https://www.sciencepubco.com/index.php/ijet/article/view/13953/5607

Tambahkan di isi dengan referensi:

Abdurrozzaq Hasibuan, Lutfhi Parinduri, Oris Krianto Sulaiman, Nuning Kurniasih, Tri
Listyorini, Dahlan Abdullah, Asmara Indahingwati, Kundharu Saddhono, Rosida Tiurma Manurung, Heri
Nurdiyanto, Muh Barid Nizarudin Wajdi. Logistic Management with Beer Game Simulation Wholesaler
(Lead Time One Week). International Journal of Pure and Applied Mathematics . Volume 119 No. 16
2018, 2611-2616. https://acadpubl.eu/hub/2018-119-16/2/270.pdf

 L-2 Analisis Citra Daun Pada Tanaman Cabai Menggunakan ACE (Basiroh)