Pengenalan Spesies Gulma Berdasarkan Bentuk dan Tekstur Daun Menggunakan Jaringan Syaraf Tiruan

Abstract

Abstrak

Gulma merupakan tanaman pengganggu yang merugikan tanaman budidaya dengan menghambat pertumbuhan tanaman budidaya. Langkah awal dalam melakukan pengendalian gulma adalah mengenali spesies gulma pada lahan tanaman budidaya. Cara tercepat dan termudah untuk mengenali tanaman, termasuk gulma adalah melalui daunnya. Dalam penelitian ini, diusulkan pengenalan spesies gulma berdasarkan citra daunnya dengan cara mengekstrak ciri bentuk dan ciri tekstur dari citra daun gulma tersebut. Untuk mendapatkan ciri bentuk, digunakan metode moment invariant, sedangkan untuk ciri tekstur digunakan metode lacunarity yang merupakan bagian dari fraktal. Untuk proses pengenalan berdasarkan ciri-ciri yang telah diekstrak, digunakan metode Jaringan Syaraf Tiruan dengan algoritma pembelajaran Backpropagation. Dari  hasil pengujian pada penelitian ini, didapatkan tingkat akurasi pengenalan tertinggi sebesar 97.22% sebelum noise dihilangkan pada citra hasil deteksi tepi Canny. Tingkat akurasi tertinggi didapatkan menggunakan 2 ciri moment invariant (moment  dan ) dan 1 ciri lacunarity (ukuran box 4 x 4 atau 16 x 16). Penggunaan 3 neuron hidden layer pada Jaringan Syaraf Tiruan (JST) memberikan waktu pelatihan data yang lebih cepat dibandingkan dengan menggunakan 1 atau 2 neuron hidden layer.

Kata kunci—3-5 gulma, daun ,moment invariant, lacunarity, jaringan syaraf tiruan

Abstract

Weeds are plants that harm crops by inhibiting the growth of cultivated plants. The first step to take control of weeds is by identifying weed among the cultivating plant. The fastest and easiest way to identify plants, including weeds is by its leaves. This research proposing weed species recognition based on weeds leaf images by extracting its shape and texture features. Moment invariant method is used to get the shape and Lacunarity method for the texturel.  Neural Network with backpropagation learning algorithm are implements for the extracted features recognition proses. The result of this research achievement shows the highest level of recognition accuracy of 97.22% before the noise is eliminated in the image of the Canny edge detection. Highest level of accuracy is obtained using two features from moment invariant (moment  and  ) and 1 lacunarity’s feature (size box 4 x 4 or 16 x 16). The use of 3 neurons in the hidden layer of Artificial Neural Network (ANN) provide training time data more quickly than by using 1 or 2 hidden layer neurons.

Keywords— weed, leaf, moment invariant, lacunarity, artificial neural network