Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
OLEH :
IRMA
218611126
DISUSUN OLEH :
NAMA : IRMA
NOMOR STAMBUK : 218611128
PROGRAM STUDI : TEKNIK INFORMATIKA
FAKULTAS : TEKNIK
DISETUJUI OLEH :
PEMBIMBING I PEMBIMBING II
MENGETAHUI,
KETUA PROGRAM STUDI
TEKNIK INFORMATIKA
Puji syukur kepada Tuhan Yang Maha Esa, atas kasih dan karunia-Nya,
sehingga penulis dapat menyelesaikan proposal penelitian yang berjudul “Klasifikasi
hama tanaman cokelat menggunakan metode K-Nearest Neighbor (KNN)” dengan
baik dan tepat waktu. Disini yang penulis harapkan yaitu proposal penelitian ini
kiranya dapat bermanfaat bagi siapapun yang membacanya terlebih kepada
Mahasiswa UKI Toraja.
1. Kedua orangtua, nenek, kakak, adik dan keluarga yang selalu mendukung,
mendoakan dan memberi motivasi kepada penulis.
2. Bapak Dr. Oktovianus Pasoloran, SE., M.Si., Ak.,CA. selaku Rektor
Universitas Kristen Indonesia Toraja yang telah memberikan kesempatan
kepada penulis untuk dapat menimba ilmu Universitas Kristen Indonesia
Toraja.
3. Bapak Dr. Yafet Bontong, S.T., M.T. selaku dekan Fakultas Teknik
Universitas Kristen Indonesia Toraja.
4. Ibu Srivan Palelleng, S.Kom., M.T. selaku Ketua Program Studi Teknik
Informatika Universitas Kristen Indonesia Toraja.
5. Ibu Ferayanti Boas Gallaran ST, M. Eng selaku dosen pembimbing I yang
telah banyak meluangkan waktunya dalam memberikan bimbingan, arahan
serta saran dalam penyusunan dan penulisan Tugas Akhir penelitian.
6. Bapak Melki Garonga, S.Kom., M.Kom. selaku dosen pembimbing II yang
telah banyak meluangkan waktunya dalam memberikan bimbingan, arahan
serta saran dalam penyusunan dan penulisan Tugas Akhir penelitian.
7. Segenap Dosen, Staff dan Pegawai di Program Studi Teknik Informatika
Universitas Kristen Indonesia Toraja, terima kasih untuk bimbingan dan
pengajarannya. Semoga ilmu yang penulis terima kelak bermanfaat untuk
penulis.
8. Lokasi penelitianyang mengijinkan Penulis untuk meneliti serta semua
bimbingan dan bantuan menyelesaikan proposal ini.
9. Semua anggota Himpunan Mahasiswa Teknik Informatika (HMTI),
Khususnya Software 2018 yang selalu bersama-sama dengan penulis
melaksanakan kegiatan perkuliahan.
10. Teman-teman dan sahabat-sahabat yang selalu mendukung, membantu dan
menghibur Penulis.
Penulis
DAFTAR ISI
PROPOSAL...................................................................................................................i
LEMBAR PERSETUJUAN PEMBIMBING..............................................................ii
PRAKATA..................................................................................................................iii
DAFTAR ISI................................................................................................................v
DAFTAR TABEL.......................................................................................................vi
DAFTAR GAMBAR..................................................................................................vii
BAB I PENDAHULUAN............................................................................................1
1.1 Latar Belakang...............................................................................................1
1.2 Rumusan Masalah..........................................................................................3
1.3 Tujuan Penelitian...........................................................................................3
1.4 Batasan Masalah.............................................................................................3
1.5 Manfaat Penelitian.........................................................................................4
BAB II TINJAUAN PUSTAKA..................................................................................5
2.1 Penelitian Terkait...........................................................................................5
2.2 Landasan Teori...............................................................................................6
2.2.1 Tanaman kakao.......................................................................................6
2.2.2 Jenis-Jenis Hama Tanaman Kakao.........................................................8
2.2.3 K-Nearest Neighbor (KNN).................................................................10
2.2.4 Pengolahan Citra...................................................................................11
2.2.5 Python.........................................................................................................16
2.2.6 Confusion Matrix..................................................................................17
2.3 Kerangka Pikir.............................................................................................18
BAB III METODOLOGI PENELITIAN...................................................................19
3.1 Waktu dan Lokasi Penelitian.......................................................................19
3.2 Instrumentasi (Bahan dan Alat) Penelitian..................................................19
3.2.1 Bahan Penelitian...................................................................................19
3.2.2 Alat Penelitian......................................................................................19
3.3 Tahapan Penelitian / Flowchart Penelitian..................................................20
3.4 Jadwal Penelitian..........................................................................................22
DAFTAR REFERENSI..............................................................................................23
DAFTAR TABEL
1
2
Untuk membantu para petani kakao mengatasi masalah hama ini ialah dengan
mengetahui jenis hama apa yang menyerang tanaman tersebut agar nantinya dapat
ditangani dengan tepat. Peranan teknologi yang saat ini telah berkembang pesat dapat
dimanfaatkan dalam penanganan masalah hama pada kakao. Maka dari itu, dalam
memudahkan pendeteksian dini terhadap hama tanaman kakao dapat dilakukan
dengan penerapan Artificiall Intelegence (AI) atau kecerdasan buatan, dengan
mengidentifikasi melalui citra buah. Dalam pengidentifikasian citra buah kakao
tersebut dilakukan dengan mengimplementasikan metode K-Nearest Neighbor
(KNN) yang merupakan algoritma klasifikasi yang paling sederhana dalam
mengklasifikasikan sebuah gambar kedalam sebuah label. Metode ini mudah
dipahami dibandingkan metode lain karena mengklasifikasikan berdasarkan jarak
terdekat dengan objek lain (tetangga). Atribut utuk klasifikasi adalah data tadi, pada
testing tersebut akan didefinisikan terlebih dahulu data apa saja yang telah didapat
sehingga saat melakukan data uji akan mucul dari klasifikasi sistem[5].
Hasil penelitian ini diharapkan dapat memberikan manfaat yang berarti bagi
perorangan maupun lembaga atau institusi dibawah ini :
Penelitian yang dilakukan oleh Dwi Elvira 2021, dengan judul penelitian
“Klasifikasi Citra Daun Kelapa Sawit Yang Terkena Dampak Hama Menggunakan
Metode K-Nearest Neighbor (KNN)”, yang dalam penelitiannya menerapkan metode
KNN untuk mengklasifikasikan 2 jenis hama pada tumbuhan sawit, yakni hama ulat
api dan hama ulat kantong. Hasil penerapan metode KNN dalam identifikasi citra
daun kelapa sawit mendapatkan persentase sebesar 93,3%[6].
Penelitian yang dilakukan oleh Eko Hari Rachmawanto dan Heru Pramono
Hadi 2021, dengan judul penelitian “Optimasi Ekstraksi Fitur Pada Knn Dalam
Klasifikasi Penyakit Daun Jagung”, yang dalam penelitiannya menggunakan citra
latih dan citra uji terhadap daun jagung menggunakan metode KNN dan
mendapatkan hasil akurasi terbaik untuk klasifikasi penyakit pada daun jagung, yaitu
85% dengan menggunakan dengan nilai k adalah 3 dan jarak piksel 1 dan akurasi
terendah dengan nilai k adalah 3 dan jarak piksel 3 sebesar 70%[7].
Penelitian yang dilakukan oleh Niske Elmy Paulina, Zilvanhisna Emka Fitri,
Abdul Madjid dan Arizal Mujib Tamala Nanda Imron 2021, dengan judul penelitian
“Klasifikasi Kerusakan Mutu Tomat Berdasarkan Seleksi Fitur Menggunakan K-
Nearest Neighbor”, yang dalam penelitiannya menggunakan gabungan fitur
morfologi serta pada masing-masing sudut berdasarkan seleksi fitur. Dan persentasi
akurasi metode KNN pada pelatihan sebesar 86.6% sedangkan akurasi pengujiannya
sebesar 70%[8].
5
6
Penelitian yang dilakukan oleh Yusuf Eka Yana dan Nur Nafi’iyah 2021,
dengan judul penelitian “Klasifikasi Jenis Pisang Berdasarkan Fitur Warna, Tekstur,
Bentuk Citra Menggunakan SVM dan KNN”, yang dalam penelitiannya
mendapatkan tingkat akurasi paling baik dengan penggunaan metode KKN, yakni
sebesar 58,33%[9].
Penelitian yang dilakukan oleh Nurul Syahidan, Seri Rati, Sakdiani Lubis dan
Nurul Fadillah 2020, dengan judul penelitian “Klasifikasi Tanaman Aglaonema
Dengan Fitur Ekstraksi Gray Level Co-Occurrence Matrix Dan K-Nearest
Neighbor”, yang dalam penelitiannya mendapatkan tingkat akurasi 75% dari
penggunaan GLCM pada metode KNN, yakni dari hasil ekstraksi dengan sudut 0, 3
kelas yang benar dan 1 kelas yang salah[10].
Kakao secara umum adalah tumbuhan menyerbuk silang dan memiliki sistem
inkompatibilitas-sendiri (lihat penyerbukan). Walaupun demikian, beberapa varietas
kakao mampu melakukan penyerbukan sendiri dan menghasilkan jenis komoditas
dengan nilai jual yang lebih tinggi[8].
Buah tumbuh dari bunga yang diserbuki.Ukuran buah jauh lebih besar dari
bunganya, dan berbentuk bulat hingga memanjang.Buah terdiri dari 5 daun buah dan
memiliki ruang dan di dalamnya terdapat biji.Warna buah berubah-ubah.Sewaktu
muda berwarna hijau hingga ungu. Apabila masak kulit luar buah biasanya berwarna
kuning[8].
Biji terangkai pada plasenta yang tumbuh dari pangkal buah, di bagian
dalam.Biji dilindungi oleh salut biji (aril) lunak berwarna putih.Dalam istilah
pertanian disebut pulp. Endospermia biji mengandung lemak dengan kadar yang
cukup tinggi. Dalam pengolahan pascapanen, pulp difermentasi selama tiga hari lalu
biji dikeringkan di bawah sinar matahari[8]. Dapat dilihat pada gambar 2.1-
Pengendalian hama ini dapat dilakukan dengan cara memangkas bagian yang
terserang hama lalu membakarnya, bisa juga dengan melepaskan predator alaminya
seperti Scymus sp, semut hitam atau parasit Coccophagus preudococci, atau bisa juga
dengan menyemprotkan bahan kimia[4]. Dapat dilihat pada gambar 2.2
√∑
p
Euclidean Distance=d ( x , y )= ¿ ¿ ¿ ¿[7]
i=1
11
R G B
r= ( 1 ) g= ( 2 ) b= ( 3)
( R+G+ B ) ( R+G+ B ) ( R+ G+ B )
V =max ( r , g , b ) ( 4 )
S=¿ (5) f ( x )
{
0 , jika S=0
60∗( g−b )
, jikaV =r
S∗V
¿
[
60∗ 2+
b−r
S∗V ]
, jika V =g
[
60∗ 4+
r −g
S∗V ]
, jikaV =b
Contrast=∑ ∑ ( i− j )2 p (i , j) (7)
i j
Energy=∑ ∑ p ( i, j )2 (8)
i j
13
p (i , j)
Energy =∑ ∑ (9)
i j 1+|i− j|
C. Ruang Warna
1. Merah, Hijau, Biru (RGB)
Model warna RGB merupakan warna yang paling banyak digunakan
dalam kehidupan sehari-hari. Tiga komponen ruang warna adalah: merah
memiliki rentang 0-255, hijau memiliki rentang 0-255, dan biru memiliki
rentang 0-255. Bentuk warna RGB adalah bentuk aditif. Dengan kata lain, RGB
dikenal sebagai tiga warna primer, yang bergabung membentuk warna lain.
Misalnya, warna "merah" dapat direpresentasikan sebagai (R=255, G=0, B=0),
"violet" dapat direpresentasikan sebagai (R=238, G=130, B=238) dan
seterusnya. Ruang warna RGB ditunjukkan pada Gambar 2.6
a. Hue terbentuk dalam warna seperti merah, kuning dan biru, dengan kisaran 0-
360 untuk sebagian besar aplikasi. di mana setiap nilai memiliki warna, yaitu
0 merah, 45 oranye, dan 55 kuning.
b. Saturasi atau intensitas warna disebut juga kemurnian dan mempunyai kisaran
0-100%, dimana 0 berarti tidak ada warna, yaitu abu-abu antara hitam dan
putih, dan 100 adalah warna yang kuat.
c. Lightness atau nilai V adalah tingkat kecerahan warna pada skala 0-100%,
dimana 0 selalu hitam tetapi dipengaruhi oleh saturasi dan 100 mungkin putih
atau warnanya kurang atau lebih jenuh.Ruang warna HSV ditunjukkan pada
Gambar 2.7
7. YUV
YUV adalah ruang warna yang biasa digunakan sebagai bagian dari kompresi
8. YDbDR
YDbDR adalah alternatif untuk YUV dan digunakan di Prancis dan
beberapa negara Timur lainnya. YDbDR terdiri dari Y, Db dan Dr. di mana Y
adalah luminansi, Db, Dr adalah kromatisitas (selisih antara biru dan merah)[12].
2.2.5 Python
Confusion matrix adalah salah satu tools analitik prediktif yang menampilkan
dan membandingkan nilai aktual atau nilai sebenarnya dengan nilai hasil prediksi
model yang dapat digunakan untuk menghasilkan metrik evaluasi seperti Accuracy
(akurasi), Precision, Recall, dan F1-Score atau F-Measure[16].
Nilai Aktual
Negative
Nilai Prediksi Positive
Positive TP FP
Negative FN TN
True
Positive (TP) : Jumlah data yang bernilai Positif dan diprediksi benar sebagai Positif.
False Positive (FP) : Jumlah data yang bernilai Negatif tetapi diprediksi sebagai
Positif.
False Negative (FN) : Jumlah data yang bernilai Positif tetapi diprediksi sebagai
Negatif.
True Negative(TN) : Jumlah data yang bernilai Negatif dan diprediksi benar sebagai
Negatif.
18
Kerangka pikir atau tahapan penelitian yang akan dilakukan dapat dilihat pada
Gambar 2.6 :
Hasil :
Klasifikasi Hama Tanaman Kakao
Menggunakan Metode KNN
BAB III
METODOLOGI PENELITIAN
Waktu dilakukannya penelitian ini adalah dari bulan Maret 2023 hingga bulan
Agustus 2023 dan lokasi penelitiannya adalah diDinas Pertanian Toraja Utara.
Flowchart penelitian yang dilakukan oleh penulis dapat dilihat pada Gambar
3.1 berikut ini :
Mulai
Pengumpulan Data
Prepocessing
Penguji Akurasi
Pembuatan Laporan
Selesai
1. Pengumpulan data, yaitu memperoleh sampel citra digital (citra) hama tanaman
kakao dan melakukan penelitian Literatur dari media online, offline dan cetak
dijadikan sebagai referensi untuk penelitian ini dari hasil foto
2. Preprocessing, dimana pada tahap ini data yang ada akan dibagi menjadi OPT,
dimana data tersebut dibagi menjadi 3 bagian yaitu data latih, data validasi
dandata uji. Pada tahap preprocessing, langkah pertama yang dilakukan adalah
membaca dataset kemudian menyamakan ruang warna yaitu ruang warna HSV
dan GLCM.
4. Pengujian akurasi yang berfungsi untuk menguji model yang dibentuk pada saat
proses training untuk menentukan akurasi data menggunakan confusion matrix.
Adapun jadwal penelitian yang dilakukan dapat dilihat pada tabel 3.1 :