LAPORAN EKSPERIMEN DAN DEMO ALAT

PROYEK AKHIR 2

HALAMAN JUDUL

Oleh
Muhamad Sulton Endi V 3110191016

Pembimbing
Dr.Eng. Indra Adji Sulistijono, ST, M.Eng. NIP.196705271994031018
Zaqiatud Darojah, S.Si., M.Si. NIP.198403312015041001

Departemen Teknik Mekanika dan Energi

Program Studi D4 Teknik Mekatronika
Politeknik Elektronika Negeri Surabaya
Tahun 2023

1
 HALAMAN PENGESAHAN
LAPORAN EKSPERIMEN PROYEK AKHIR

Robotani : Computer Vision Untuk Analisa Kesehatan Tanaman Padi

Pada Lahan Pertanian

Oleh :
Muhamad Sulton Endi Velani
NRP. 3110191018

Program Studi Diploma 4 Teknik Mekatronika

Departemen Teknik Mekanika dan Energi
Politeknik Elektronika Negeri Surabaya

Disetujui dan disahkan pada tanggal .................. oleh:

Dosen Pembimbing: Tim Penguji:

1. 1.

Dr. Eng. Indra Adji Sulistijono, ST, M.Eng. Adytia Darmawan,S.ST., M.T.
NIP. 198610312018031001 NIP. 198809062019031012

2. 2.

Zaqiatud Darojah, S.ST., M.T. Anhar Risnumawan,S.ST., M.Cs.

NIP. 198403312015041001 NIP. 198610312018031001

2
 DAFTAR ISI

HALAMAN JUDUL .............................................................................................. 1

DAFTAR ISI .......................................................................................................... 2
EKSPERIMEN 1 PENGUJIAN VEGETATION INDEX ................................. 4
1.1. Tujuan........................................................................................................ 4
1.2. Parameter eksperimen ............................................................................... 4
1.3. Bahan | peralatan ....................................................................................... 4
1.4. Prosedur ..................................................................................................... 4
1.5. Hasil eksperimen ....................................................................................... 5
1.6. Analisa ....................................................................................................... 6
1.7. Kesimpulan ................................................................................................ 7
EKSPERIMEN 2 PENGUJIAN VEGETATION INDEX ................................. 8
2.1. Tujuan........................................................................................................ 8
2.2. Parameter eksperimen ............................................................................... 8
2.3. Bahan | peralatan ....................................................................................... 8
2.4. Prosedur ..................................................................................................... 8
2.5. Hasil eksperimen ....................................................................................... 9
2.6. Analisa ..................................................................................................... 11
2.7. Kesimpulan .............................................................................................. 11
EKSPERIMEN 3 PENGUJIAN NAÏVE BAYES ............................................. 12
3.1. Tujuan...................................................................................................... 12
3.2. Parameter eksperimen ............................................................................. 12
3.3. Bahan | peralatan ..................................................................................... 12
3.4. Prosedur ................................................................................................... 12
3.5. Hasil eksperimen ..................................................................................... 13
3.6. Analisa ..................................................................................................... 14
3.7. Kesimpulan .............................................................................................. 15

3
 EKSPERIMEN 1
PENGUJIAN VEGETATION INDEX

1.1. Tujuan
Pengujian ini dilakukan untuk tingkat vegetasi dari kehijauan tanaman pada
tanaman padi.
1.2. Parameter eksperimen
Nilai antara VARI -1 sampai 1 pada setiap piksel gambar. Nilai mendekati -1
mengidentifikasikan kurangnya vegetasi sedangkan nilai mendekati 1
mengidentifikasikan tingkat vegetasi tinggi.
1.3. Bahan | peralatan
Software IDE
Pyhon 3, library rasterio, library numpy
Dataset
1.4. Prosedur
Flowchar eksperimen

Gambar 1.1 Flowchart Eksperimen

4
 Penjelasan langkah-langkah flowchart eksperimen
1. Masukkan citra digital. Format citra .JPEG dan mencakup 3 band RGB.
2. Hitung intensitas reflektansi maksudnya mengambil nilai intensitas reflektansi
dari setiap piksel dalam citra untuk masing-masing band biru (Blue), hijau (Green),
dan merah (Red).
3. Hitung Vegetation Index. Gunakan rumus Vegetation Index untuk setiap piksel
dalam citra. Pastikan rumus vegetation index hanya memuat band RGB saja.
4. Hasil menunjukkan citra digital berwarna abu-abu. Nilai Vegetation Index
terdapat di setiap piksel citra.
5. Cmap RdYlGn. Penggunaan colormap untuk menunjukkan warna hijau
mengindikasikan tingginya vegetasi atau tanaman sedangkan warna merah
mengindikasikan kurangnya vegetasi.
6. Normalisasi nilai min-max. Normalisasi pada nilai Vegetation Indeks memetakan
kisaran nilai menjadi skala yang lebih mudah dibaca, dari -1 hingga 1.
7. Hasil akhir citra dengan vegeation indeks.

1.5. Hasil eksperimen

Gambar 1.2 Dataset

5
 Gambar 1.3 Hasil Citra Abu-abu

Gambar 1.4 Hasil Citra dengan colormap

Gambar 1. Hasil Citra dengan colormap yang dinormalisasi

1.6. Analisa
Pada Gambar 1.2 merupakan hasil dari perhitungan rumus VARI = (Green - Red) /
(Green + Red - Blue), hasil memperlihatkan citra abu-abu yang berarti setiap piksel menunjukkan
nilai antara 0 sampai 1. Setelah itu, dengan menggunakan colormap RdYlGn bertujuan untuk
mempermudah visualisasi gambar. Pada colormap dinormalisasikan rentang batas vmin dan vmax
adalah -1 dan 1. Nilai piksel mendekati -1 mengindikasikan kurangnya tanaman sedangkan nilai
piksel mendekati 1 mengindikasikan banyaknya tanaman. Ditunjukkan pada gambar 1.4.

6
1.7. Kesimpulan
Hasil yang ditunjukkan gambar 1.4 memperlihatkan jika terdapat pertumbuhan tanman
padi yang tidak merata, hal ini bisa dikarenakan kelembapan tanah yang menghambat
pertumbuhan atau kondisi tanah yang bergelombang.

7
 EKSPERIMEN 2
PENGUJIAN VEGETATION INDEX

2.1. Tujuan
Pengujian ini dilakukan untuk tingkat vegetasi dari kehijauan tanaman pada
tanaman padi.
2.2. Parameter eksperimen
-
2.3. Bahan | peralatan
Software IDE
Pyhon 3, library rasterio, library numpy
Dataset
2.4. Prosedur
Flowchart eksperimen

Gambar 2.1 Flowchart Eksperimen

8
 Penjelasan langkah-langkah flowchart eksperimen sama seperti experiment 1
namun hanya merubah rumus dari beberapa vegetation index yang digunakan . Berikut
Beberapa rumus vegetation index yang digunakan :

1. Visible Atmospherically Resistant Index (VARI)

(𝐺𝑟𝑒𝑒𝑛−𝑅𝑒𝑑)
𝑉𝐴𝑅𝐼 = (𝐺𝑟𝑒𝑒𝑛∓𝑅𝑒𝑑−𝐵𝑙𝑢𝑒)

2. Green Leaf Index (GLI)

(2∗𝐺𝑟𝑒𝑒𝑛−𝑅𝑒𝑑−𝐵𝑙𝑢𝑒)
𝐺𝐿𝐼 = (2∗𝐺𝑟𝑒𝑒𝑛+𝑅𝑒𝑑+𝐵𝑙𝑢𝑒)

3. Normalized Green Red Difference Index (NGRDI)

(𝐺𝑟𝑒𝑒𝑛−𝑅𝑒𝑑)
𝑁𝐺𝑅𝐷𝐼 = (𝐺𝑟𝑒𝑒𝑛+𝑅𝑒𝑑)

4. Soil Color Index (SCI)

(𝑅𝑒𝑑−𝐺𝑟𝑒𝑒𝑛)
𝑆𝐶𝐼 = (𝑅𝑒𝑑+𝐺𝑟𝑒𝑒𝑛)

5. Spectral Slope Saturation Index (SI)

(𝑅𝑒𝑑−𝐵𝑙𝑢𝑒)
𝑆𝐼 = (𝑅𝑒𝑑+𝐵𝑙𝑢𝑒)

2.5. Hasil eksperimen

Gambar 2.2 Dataset Pengujian

9
No. Hasil

VARI

GLI

NGRDI

SCI

10
 5

SI

2.6. Analisa
Pada Tabel di atas menunjukkan hasil dari beberapa rumus vegetation index yang
diuji..Berikut beberapa hasil analisa yang telah didapatkan:
1. Pengujian pada tabel no 1 menggunakan vegetation index VARI menghasilkan citra yang
memperlihatkan warna hijau menunjukkan lebatnya tanaman padi yang ada, warna merah
menunjukkan kurangnya vegetasi yang ditunjukkan oleh pada dataset berupa tanah yang
tidak terlihat adanya tanaman padi, sedangkan warna kuning menunjukkan tingkat
vegetasi sedang.
2. Pengujian pada tabel no 2 menggunakan vegetation index GLI menghasilkan citra kurang
lebih sama dengan VARI. Namun, warna kuning pada GLI menunjukkan bagian tanah
pada dataset.
3. Pengujian pada tabel no 3 menggunakan vegetation index NGRDI menghasilkan citra
yang memperlihatkan warna merah menunjukkan kurangnya vegetasi dan vegetasi yang
ada.
4. Pengujian pada tabel no 4 menggunakan vegetation index SCI menghasilkan citra yang
memperlihatkan warna hijau menunjukkan kurangnya vegetasi, pada dataset yaitu tanah.
Sedangkan warna merah menunjukkan tingkat vegetasi yang tinggi atau lebat. Hasil ini
merupakan kebalikan dari hasil VARI
5. Pengujian pada tabel no 5 menggunakan vegetation index SI menghasilkan citra yang
tidak bisa dibaca karena hanya memmperlihatkan warna merah.

2.7. Kesimpulan
Setelah melakukan analisa yang dihasilkan dari pengujian beberapa vegetation index bisa
disimpulkan jika vegetation index VARI cocok digunakan untuk memvisualisasikan tingkat
kehijauan tanaman.

11
 EKSPERIMEN 3
PENGUJIAN NAÏVE BAYES

3.1. Tujuan
Pengujian ini dilakukan untuk tingkat kesehatan tanaman padi yang diambil dari
bagian daun tanaman.
3.2. Parameter eksperimen
Tingkat persentase daun terinfeksi penyakit yang.
3.3. Bahan | peralatan
Jupyter Notebook
Pyhon 3, opencv-python, PlantCV
Dataset daun tanaman padi
3.4. Prosedur
Pengujian ini dimulai dengan pendekatan klasifikasi Naive Bayes. Pendekatan multiclass
naive Bayes membutuhkan tabel yang dibatasi tab untuk tempat pelatihan setiap kolom adalah
kelas (minimal dua) dan setiap sel adalah daftar RGB yang dipisahkan koma nilai piksel dari kelas
kolom. Pixel Inspection Tool digunakan untuk mengumpulkan sampel nilai piksel RGB yang
digunakan untuk menghasilkan teks file pelatihan. Setelah tabel pelatihan dihasilkan, itu adalah
input ke dalam skrip 'plantcv-train.py' untuk menghasilkan Probability Density Function(PDF)
untuk setiap kelas. Daun tanaman berupa sampel piksel dipisah menjadi empat kelas: non-plant
background, unaffected leaf tissue, rust pustule, and chlorotic leaf tissue. Kemudian
menggunakan pengklasifikasi Naive Bayes untuk mengelompokkan gambar ke dalam setiap kelas
secara bersamaan. Persentase kesehatan dihitung dengan tingkat seberapa besar tumbuhan
terinfeksi penyakit, dengan menerapkan rumus sebagai berikut :

𝑡𝑎𝑛𝑎𝑚𝑎𝑛 𝑠𝑎𝑘𝑖𝑡
𝑋 = 𝑡𝑎𝑛𝑎𝑚𝑎𝑛 𝑠𝑒ℎ𝑎𝑡+𝑡𝑎𝑛𝑎𝑚𝑎𝑛 𝑠𝑎𝑘𝑖𝑡 𝑥 100

Ket : 𝑋 = Persentase
infeksi
Tanaman sakit = pustula + klorosis
Tanaman sehat = unaffected leaf

12
3.5. Hasil eksperimen
Persentase
No. Dataset Output penyakit
(%)

1 92.6

2 49.3

3 100

4 84.2

5 99.6

6 88.3

7 58.5

8 89.3

13
 9 74.3

10 86.9

3.6. Analisa
Pengujian menggunakan Jupyter notebook serta package PlantCV. PlantCV
merupakan package open-source yang berguna untuk menganalisa kesehatan tanaman,
pertumbuhan tanaman dll. Pengujian diawali dengan membuka citra pengujian kemudian
membuat mask dengan menggunakan PDF yang sudah didapatkan dari data training
sebelumnya. Mask berguna sebagai alat untuk melakukan segmentasi citra berdasarkan
class : non-plant background, unaffected leaf tissue, rust pustule, and chlorotic leaf tissue.
Unaffected leaf tissue ditampilkan dengan warna hijau, rust pustule ditampilka dengan warna
merah, chlorotic leaf tissue ditampilkan dengan warna kuning emas. Setelah itu pengklasifikasi
Naive Bayes berguna untuk mengelompokkan gambar ke dalam setiap kelas secara bersamaan.

Gambar 3. 1 Background

Gambar 3. 2 Klorosis

Gambar 3. 3 Pustula

Gambar 3. 4 Unaffected leaf

14
 Gambar 3. 5 Hasil Klasifikasi Naïve Bayes

3.7. Kesimpulan
Setelah melakukan eksperimen menggunakan Naive Bayes dapat disimpulkan jika analisa
kesehatan tanaman yang diambil dari bagian daun padi dapat memberikan pemahaman yang lebih
baik mengenai keadaan tanaman serta jenis penyakit. Hal ini dapat membantu mengidentifikasi
tindakan yang diperlukan untuk menjaga dan meningkatkan kesehatan tanaman.

15
 DAFTAR PUSTAKA

[1] P. Rahaldi, H. H. Handayani, and A. Wibowo, “ANALISA KESEHATAN

TANAMAN PADI BERDASARKAN NILAI NORMALIZED DIFFERENCE
VEGETATION INDEX (NDVI) MENGGUNAKAN CITRA ASTER (Studi
Kasus : Kabupaten Indramayu-Jawa Barat).”
[2] I. Harfian et al., “TEKNIK PENGGUNAAN DRONE DENGAN SENSOR
KAMERA RGB DAN ALGORITMA VARI UNTUK MENGIDENTIFIKASI
TINGKAT STRES TANAMAN JAGUNG,” 2020.
[3] L. S. Eng, R. Ismail, W. Hashim, and A. Baharum, “The use of VARI, GLI, And
VIgreen formulas in detecting vegetation in aerial images,” Int. J. Technol., vol.
10, no. 7, pp. 1385–1394, 2019, doi: 10.14716/ijtech.v10i7.3275.
[4] R. Minařík and J. Langhammer, “Use of a multispectral UAV photogrammetry for
detection and tracking of forest disturbance dynamics,” in International Archives
of the Photogrammetry, Remote Sensing and Spatial Information Sciences - ISPRS
Archives, International Society for Photogrammetry and Remote Sensing, 2016,
pp. 711–718. doi: 10.5194/isprsarchives-XLI-B8-711-2016.
[5] J. A. Atkinson et al., “PlantCV v2: Image analysis software for high-throughput
plant phenotyping,” Oct. .
[6] A. Abbasi, N. Fahlgren, and D. Danforth, “NAiVE BAYES PIXEL-LEVEL
PLANT SEGMENTATION.”

16