Pengembangan Model Deteksi Dini Penyakit Huanglongbing dengan Residual Image Color-Featured Bidimensional Empirical Mode Decomposition

Abstract

Produksi buah jeruk yang ada di Indonesia mengalami penurunan salah satu penyebabnya karena penyakit dan hama. Salah satu penyakit pada daun jeruk yang paling mematikan adalah Huanglongbing (HLB). Beberapa penelitian klasifikasi HLB telah banyak dilakukan. Metode ekstraksi fitur yang umum digunakan adalah ekstraksi fitur tekstur menggunakan Gray Level Co-occurrence Matrix (GLCM). Namun metode ini memerlukan preprocessing dan segmentasi sehingga akan berpengaruh terhadap waktu komputasi. Untuk itu diperlukan metode yang lebih cepat yang tidak memerlukan preprocessing dan segmentasi. Bidimensional Empirical Mode Decomposition (BEMD) merupakan algoritma untuk ekstraksi tekstur yang sering digunakan untuk deteksi penyakit. Metode BEMD dipilih karena dapat langsung melakukan ekstraksi tekstur dan filtering citra tanpa preprocessing dan segmentasi. Namun BEMD memiliki kekurangan yaitu diperlukan metode untuk penggabungan gambar dalam tahap klasifikasinya, dan hasil keluaran dari BEMD masih berupa citra grayscale sehingga tidak mampu mengintegrasikan informasi warna. Penelitian ini bertujuan untuk menggabungkan dua atau lebih citra dari hasil rekonstruksi dengan image fusion, dan mengembangkan metode Color-Featured Bidimensional Empirical Mode Decomposition (CF-BEMD) untuk mengekstraksi fitur warna dan tekstur dari penyakit HLB. Untuk evaluasi hasil menggunakan confusion matrix, precision, recall dan computasional time. Penelitian awal untuk menguji algoritma BEMD dasar dengan dataset HLB kultivar keprok batu 55 (Citrus reticulata) mampu mendapatkan hasil akurasi sebesar 77,50%, dan hasil tertinggi didapatkan dari fitur tekstur citra residual. Hal ini menunjukkan bahwa metode citra residual lebih efektif dalam mengklasifikasikan daun jeruk kedalam dua kategori (HLB dan sehat). Untuk klasifikasi tiga kategori (HLB ringan, berat, dan sehat), metode citra residual juga menunjukkan hasil yang cukup baik dengan akurasi sebesar 71,67%, presisi 72%, dan recall 77%. Meskipun demikian, perlu diperhatikan bahwa performa metode ini sedikit menurun dibandingkan dengan klasifikasi dua kategori. Hal ini mungkin disebabkan oleh kompleksitas tambahan dalam mengklasifikasikan daun jeruk ke dalam tiga kategori yang berbeda. Pada percobaan klasifikasi menggunakan empat kategori (HLB ringan, sedang, berat, dan sehat), metode citra residual tetap menunjukkan hasil yang relatif baik dengan akurasi 61,25%, presisi 68%, dan recall 58%. Meskipun akurasi dan presisi sedikit lebih rendah dibandingkan dengan klasifikasi tiga kategori, metode ini masih mampu menghasilkan nilai akurasi yang memadai dalam mengklasifikasikan daun jeruk ke dalam tiga kategori penyakit HLB dan satu daun sehat, hasil akurasi dari percobaan awal menggunakan BEMD masih dianggap kurang karena tidak mampu mengintegrasikan informasi warna dari citra HLB, sehingga diperlukan fitur warna untuk mengatasi permasalahan tersebut. Percobaan dengan menambahkan fitur warna pada BEMD atau disebut dengan Color-Featured Bidimensional Empirical Mode Decomposition (CF- BEMD) mampu mendapatkan hasil peningkatan akurasi sebesar 10% yaitu pada pengolahan dengan dua kategori (HLB dan sehat), terdapat peningkatan performa dari Interistic mode function (IMF)1 ke IMF2, dan kemudian citra residual menunjukkan hasil yang lebih baik. Citra residual mencapai tingkat akurasi sebesar 87,50%, dengan precision (presisi) sebesar 88% dan recall (ketepatan) sebesar 90%. Hal ini menunjukkan kemampuan citra residual dalam mengklasifikasikan penyakit HLB dengan tingkat keakuratan yang lebih tinggi. IMF2 juga memberikan hasil yang baik dengan tingkat akurasi sebesar 85,00%, precision sebesar 85%, dan recall sebesar 88%. Namun, untuk fitur IMF1 menunjukkan nilai akurasi yang lebih rendah yaitu 70,00%. Dalam kasus ini, citra residual merupakan pilihan yang lebih unggul dalam hal akurasi dan ketepatan klasifikasi. Dari percobaan dengan modifikasi algoritma BEMD menjadi CF-BEMD didapatkan bahwa CF-BEMD hanya menambahkan fitur warna ke salah satu fitur hasil dekomposisi saja (IMF1, IMF2 atau residu), sehingga mungkin ada fitur-fitur dalam citra yang tidak terambil untuk itu diperlukan teknik untuk menggabungkan citra dari hasil keluaran CF-BEMD. Image fusion merupakan teknik penggabungan citra menggunakan metode sangat efektif dalam meningkatkan akurasi. Pada penelitian ini digunakan metode image fusion Pixel-Level untuk menggabungkan beberapa gambar dengan resolusi yang berbeda menjadi satu gambar. Pixel-level merupakan teknik penggabungan gambar yang digunakan untuk menghasilkan gambar yang lebih detail dan berkualitas tinggi. Hasil evaluasi menunjukkan bahwa penggunaan image fusion untuk kombinasi IMF1 dan residu memberikan performa terbaik dalam mengenali daun yang terinfeksi penyakit dan daun sehat, dengan akurasi mencapai 93,75% dalam kasus dua kategori (HLB dan sehat). Untuk tiga kategori (HLB Ringan, HLB Berat, dan sehat), IMF1 dan residu masih unggul dengan akurasi 91,67%. Interistic mode function empat kategori (HLB ringan, sedang, berat, dan sehat), penggabungan IMF1 dan IMF2 memberikan hasil terbaik dengan akurasi 78,75%. Keseluruhan, metode penggabungan citra ini mampu meningkatkan efisiensi dalam analisis visual dan diagnostik pada penyakit daun HLB. Hasil ini diharapkan dapat menjadi solusi dalam deteksi penyakit HLB pada tanaman jeruk, secara keseluruhan, hasil penggabungan gambar menggunakan metode image fusion berhasil meningkatkan akurasi model ekstraksi tekstur CF-BEMD. Waktu komputasi yang diperlukan dalam proses image fusion juga relatif singkat yaitu 0,012551 detik, hal ini menunjukkan bahwa efisiensi dalam pengolahan data. Metode ini memiliki potensi aplikasi yang luas dalam analisis visual dan diagnostik penyakit daun selain penyakit HLB.