PROPOSAL

KLASIFIKASI HAMA TANAMAN KAKAO

MENGGUNAKAN METODE KNN

OLEH :

IRMA

218611126

PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS TEKNIK
UNIVERSITAS KRISTEN INDONESIA TORAJA
2023
 LEMBAR PERSETUJUAN PEMBIMBING

KLASIFIKASI HAMA TANAMAN KAKAO

MENGGUNAKAN METODE KNN

DISUSUN OLEH :

NAMA : IRMA
NOMOR STAMBUK : 218611128
PROGRAM STUDI : TEKNIK INFORMATIKA
FAKULTAS : TEKNIK

DISETUJUI OLEH :

PEMBIMBING I PEMBIMBING II

Ferayanti Boas Gallaran ST, M. Eng Melki Garonga S.Kom, M.Kom

NIDN : 0929059101 NIDN : 0906038601

MENGETAHUI,
KETUA PROGRAM STUDI
TEKNIK INFORMATIKA

Srivan Palelleng, S.Kom., M.T.

NIDN :0904028201
 PRAKATA

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.

Dengan selesainya penulisan proposal penelitian ini, penulis menyampaikan

ucapan terima kasih yang sebanyak-banyaknya kepada :

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.

Dengan rendah hati, penulis menyadari bahwa dalam penyusunan proposal

penelitian ini masih banyak kekurangan.Untuk itu, penulis sangat mengharapkan
saran serta masukan dari pembaca demi sempurnanya penyusunan proposal
penelitian ini.Akhir kata penulis berharap semoga proposal penelitian ini bermanfaat
bagi semua pihak.

Rantepao, 5 April 2022

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

Tabel 2. 1 Confusion Matrix.......................................................................................14

Tabel 3.1 Jadwal Penelitian 19

 DAFTAR GAMBAR

Gambar 2.1 Tanaman kakao.........................................................................................7

Gambar 2. 2 Hama Kutu Putih.....................................................................................8
Gambar 2. 3 Hama Pengerek Buah Kakao...................................................................9
Gambar 2. 4 Kepik Penghisap Buah Kakao...............................................................10
Gambar 2.5 GLCM Dalam Ekstraksi Fitur[12]..........................................................12
Gambar 2.6 Merah, Hijau, Biru (RGB)......................................................................13
Gambar 2.7 Saturasi Rona Warna (HSB) /HSV.........................................................14
Gambar 2.8 Kecerahan Saturasi Hue (HSL)...............................................................15
Gambar 2.9 Hue Chrominance Lightness (HCL).......................................................15
Gambar 2. 10 Kerangka Pikir.....................................................................................18

Gambar 3. 1 Flowchart Penelitian 20

 BAB I
PENDAHULUAN

1.1 Latar Belakang

Makanan merupakan sumber tenaga yang sangat diperlukan bagi tubuh

manusia.Makanan didapatkan dari hasil pertanian oleh para petani.Indonesia
merupakan negara agraris karena sebagian besar penduduknya bekerja di sektor
pertanian.Lahan pertanian yang luas serta sumber daya alam yang melimpah adalah
anugrah bagi kita bangsa Indonesia.Sektor pertanian mempunyai peran penting untuk
meningkatkan kesejahteraan dan ketahanan pangan, oleh karena itu peran petani
menjadi sangat penting bagi negara agraris sebagai ujung tombak dalam mewujudkan
ketahanan pangan. Peran petani sangat vital, tetapi dalam kenyataanya proses
regenerasi ke petani usia produktif bisa dikatakan sangat minim[1].Hal ini
disebabkan oleh beberapa faktor seperti lahan yang tidak produktif, efisiensi waktu
dan tenaga kerja dalam pengolahan lahan dan serangan hama. Komoditas kakao
merupakan salah satu komoditas unggulan perkebunan Indonesia yang memegang
peranan cukup penting dalam perekonomian Indonesia yakni sebagai penghasil
devisa negara, sumber pendapatan petani, penciptaan lapangan kerja, mendorong
agribisnis dan agroindustri serta pengembangan wilayah[2].

Kakao merupakan tanaman yang berasal dari Amerika Selatan.Produk olahan

utama dari biji kakao adalah cokelat. Bubuk kakao adalah bahan dalam pembuatan
kue, es krim, makanan ringan, susu, dan lain-lain. Dalam bahasa keseharian
masyarakat kita menyebutnya coklat. Karakter rasa coklat adalah gurih, dengan
aroma yang khas sehingga disukai banyak orang khususnya anak-anak dan remaja[3].
Namun, pengembangan perkebunan kakao nasional saat ini belum optimal, masih
banyak kendala baik di hulu maupun di hilir yang memerlukan penanganan yang
lebih intensif, terintegrasi dan berkelanjutan[2].

1
 2

Pada tahun 2021 Indonesia memproduksi kakao seberat 706.500 ton, turun

sekitar 0,97% dibanding tahun sebelumnya. Salah satu faktor kendala yang sering
dijumpai oleh para petani ialah hama tanaman kakao.Serangan hama ini dapat
menurunkan produktivitas buah 50-60%. Serangan yang berulang setiap tahun dapat
menimbulkan kerugian sangat besar karena tanaman tidak sempat tumbuh
normal[3].Ada beberapa jenis hama yang sering menyerang tanaman kakao,
diantaranya kutu putih (pseudococcus lilacinus), pengerek buah kakao
(conopomorpha cramerella) dan kepik penghisap buah (helopeltis spp)[4].

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].

Penelitian ini bertujuan untuk mendapatkan informasi terkait dengan jenis-

jenis hama yang dapat menghambat pertumbuhan dan perkembangan tanaman kakao.
Dengan adanya penelitian ini diharapkan serangan hama pada tanaman kakao dapat
dapat ditanggulangi sedini mungkin. Maka, pada penelitian ini diusulkan topik
“Klasifikasi Hama Tanaman kakao Menggunakan Metode KNN”.
 3

1.2 Rumusan Masalah

Berdasarkan latar belakang penelitian tentang Klasifikasi Hama Tanaman

kakao Menggunakan Metode KNN, maka bisa dirumuskan beberapa masalah berikut
ini :
1. Bagaimana klasifikasi hama tanaman kakao menggunakan algoritma KNN?
2. Bagaimana tingkat akurasi algoritma KNN dalam melakukan klasifikasi hama
tanaman kakao ?

1.3 Tujuan Penelitian

Adapun tujuan dari penelitian ini yaitu :

1. Klasifikasi hama tanaman kakao menggunakan algoritma KNN
2. Mengukur tingkat akurasi algoritma KNN dalam klasifikasi hama tanaman
kakao

1.4 Batasan Masalah

Berdasarkan pokok permasalahan pada rumusan masalah, maka batasan

masalah dalam perancangan klasifikasi hama tanaman kakao menggunakan metode
KNNadalah :

1. Objek yang akan diteliti ialah pada bagian buah kakao.

2. Klasifikasi hama tanaman cokelat pada 3 jenis hama, yakni kutu putih, pengerek
buah kakao dan kepik penghisap buah.
 4

1.5 Manfaat Penelitian

Hasil penelitian ini diharapkan dapat memberikan manfaat yang berarti bagi
perorangan maupun lembaga atau institusi dibawah ini :

1. Bagi Penulis :Dapat menambah pengetahuan tentang pengklasifikasian hama

tanaman cokelat menggunakan metode KNN dan merupakan salah satu syarat
untuk menyelesaikan pendidikan jenjang S1 pada program studi Teknik
Informatika di Universitas Kristen Indonesia Toraja.
2. Bagi Petani : Membantu mengetahui informasi mengenai jenis hama apa yang
menyerang pada tanaman kakao serta dapat dengan tepat mengatasi hama
tersebut.
3. Bagi UKI Toraja :Menambah referensi penelitian pada program studi Teknik
Informatika di Universitas Kristen Indonesia Toraja guna sebagai bahan acuan
untuk melakukan penelitian lebih lanjut.
 BAB II
TINJAUAN PUSTAKA

2.1 Penelitian Terkait

Ada beberapa penelitian terkait dengan klasifikasi hama tanaman kakao

menggunakan metode KNN, diantaranya adalah :

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].

2.2 Landasan Teori

2.2.1 Tanaman kakao

Kakao (Theobroma cacao L.) adalah pohon budidaya di perkebunan yang
berasal dari Amerika Selatan, tetapi sekarang ditanam di berbagai kawasan tropika.
Dari biji tumbuhan ini dihasilkan produk olahan yang dikenal sebagai cokelat[8].

Kakao merupakan tumbuhan tahunan (perennial) berbentuk pohon, di alam

dapat mencapai ketinggian 10m.Meskipun demikian, dalam budi daya tanaman ini
tingginya dibuat tidak lebih dari 5m tetapi dengan tajuk menyamping yang meluas.
Hal ini dilakukan untuk memperbanyak cabang produktif[8].

Bunga kakao, sebagaimana anggota Sterculiaceae lainnya, tumbuh langsung

dari batang (cauliflorous). Bunga sempurna berukuran kecil (diameter maksimum 3
cm), tunggal, tetapi tampak terangkai karena sering sejumlah bunga muncul dari satu
titik sssstunas[8].
 7

Bunga kakao tumbuh dari batang.Penyerbukan bunga dilakukan oleh serangga

(terutama lalat kecil (midge) Forcipomyia, semut bersayap, afid, dan beberapa lebah
Trigona) yang biasanya terjadi pada malam hari. Bunga siap diserbuki dalam jangka
waktu beberapa hari[8].

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-

Gambar 2.1 Tanaman kakao

 8

2.2.2 Jenis-Jenis Hama Tanaman Kakao

A. Kutu Putih (Pseudococcus Lilacinus)
Hama yang satu ini menyerang buah kakao yang masih kecil, bagian buah yang
pertama adalah bagian pangkal buah selanjutnya menjalar kebagian buah lainnya,
buah yang terserang hama ini akan memiliki pertumbuhan yang terhambat kemudian
buah tersebut kering dan mati[4].

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

Gambar 2. 2 Hama Kutu Putih

B. Pengerek Buah Kakao (Conopomorpha cramerella)
Hama ini biasanya menyerang buah yang memiliki panjang sekitar 8 cm, buah
yang terserang akan memiliki belang kuning hijau atau kuning jingga, terdapat
lubang bekas keluar larva, biji kecil saling melekat dan berwarna hitam, saat buah di
goyang maka tidak berbunyi[4].
 9

Pengendalian hama ini dapat dilakukan dengan cara melakukan pemangkasan,

mengatur waktu panen, melakukan penyelumbungan buah, atau juga dapat
menyemprotkan insektisida[4]. Dapat dilihat pada gambar 2.3

Gambar 2. 3 Hama Pengerek Buah Kakao

C. Kepik Penghisap Buah (Helopeltis spp)
Buah kakao yang terserang hama ini akan memiliki bercak cekung dengan
warna kakao kehitaman dan ukurannya sekitar 2 hingga 3 mm, biasa nya bercak itu
berada pada ujung buah. Buah yang terserag hama ini kemudian akan kering dan
mati, apabila hama ini menyerang ranting atau pucuk daun maka daun serta ranting
akan layu, kering kemudian meranggas[4].
 10

Pengendalian hama ini dapat dilakukan dengan cara menyemprotkan

insektisida, melepaskan predator alaminya yaitu semut hitam[4]. Dapat dilihat pada
gambar 2.4

Gambar 2. 4 Kepik Penghisap Buah Kakao

2.2.3 K-Nearest Neighbor (KNN)
Algoritma K-Nearest Neighbor (KNN) merupakan metode klasifikasi yang
bekerja berdasarkan kedekatan jarak suatu data dengan data yang lain dengan
menghitung kedekatan jarak objekKNN mencari jarak terdekat antara satu objek
dengan objek lainnya[11]. Misalnya menggunakan eucledian distance seperti
ditunjukkan pada persamaan berikut :.

√∑
p
Euclidean Distance=d ( x , y )= ¿ ¿ ¿ ¿[7]
i=1
 11

2.2.4 Pengolahan Citra

A. Hue Saturation Values
Hue sebagai jenis pada warna seperti merah, hijau, kuning yang digunakan
sebagai pembeda dari warna serta dapat menentukan warna kemerahan dan kehijauan
dari cahaya.Saturation merupakan kejernihan relatif dari warna.Value atau nilai
merupakan tingkat kecerahan dari warna. Ruang warna HSV akan digunakan untuk
menghasilkan area daun yang terinfeksi penyakit. Untuk memperoleh nilai HSV,
harus mengkonversi citra RGB menjadi HSV sesuai persamaan (1) sampai (6)[7].

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

H=H +360 jikaH <0 ( 6 )

B. Gray Level Co-occurrence Matrix (GLCM)

Gray Level Co-occurrence Matrix (GLCM) merupakan metode dengan
menggunakan perhitungan statistik dalam ekstrakasi tekstur citra dimana
mempertimbangkan hubungan spasial dari piksel pada citra.GLCM dapat dihitung
sebagai berikut. Pertama, tekstur gambar asli D direkuantisasi ke gambar G dengan
mengurangi jumlah tingkat abu-abu, Ng. Sebuah nilai tipikal Ng adalah 16 atau 32.
Kemudian, GLCM dihitung dari G dengan memindai intensitas masing-masing pixel
 12

dan tetangganya, yang didefinisikan oleh dislodgment d dan sudut ø. Sebuah

dislodgment, d bisa bernilai 1,2,3, ... n sedangkan sudut, ø terbatas pada 00, 450, 900
dan 1350[12].Matrik GLCM dibentuk dari ø dan offset (parameter arah dan jarak)
seperti terlihat dari gambar 2.5 berikut:

Gambar 2.5 GLCM Dalam Ekstraksi Fitur[12]

Dalam analisanya, suatu objek secara statistik dapat dilihat dari tekstur objek
tersebut, artinya tekstur objek dihitung dari dasar distribusi statistik antara dua pixel
sesuai dengan hubungan posisi spatial derajat keabuan.Konsep sederhana metode
algoritma GLCM digunakan untuk menghitung kesamaan piksel misalnya kesamaan
nilai piksel antara piksel I dan piksel j, dengan jarak (d) dan sudut tertentu. Beberapa
fitur yang digunakan dalam penelitian ini sesuai persamaan (7) sampai (10)[7].

1. Contrast adalah keberadaan variasi atas ke abuan piksel citra.

Contrast=∑ ∑ ( i− j )2 p (i , j) (7)
i j

2. Energy / energi merupakan representasi ukuran keseragaman pada citra.

Energy=∑ ∑ p ( i, j )2 (8)
i j
 13

3. Homogenity merupakan representasi ukuran keserbasamaan citra.

p (i , j)
Energy =∑ ∑ (9)
i j 1+|i− j|

4. Correlation merupakan representasi fitur tekstur terhadap ketergantungan linier

derajat keabuan dari setiap piksel yang bertetangga dengan objek citra.

Correlation=∑ i ▒ ∑ j ▒ 〖((i−μi)( j−μj) p((i , j)) )/σiσj 〗

(10)

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

Gambar 2.6 Merah, Hijau, Biru (RGB)

2. Saturasi Rona Warna (HSB) /HSV

Bentuk warna HSB (Hue Saturation Lightness) atau HSV adalah ruang
warna yang mendefinisikan tiga komponen, antara lain:
 14

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

Gambar 2.7 Saturasi Rona Warna (HSB) /HSV

3. Kecerahan Saturasi Hue (HSL)

HSL, juga dikenal sebagai HIS atau HLS, memiliki komponen warna berikut:
a. Hue dengan jenis warna seperti merah, biru atau kuning, pada
kebanyakan aplikasi berkisar antara 0-360, dimana setiap nilai memiliki
warna, misalnya: 0 adalah merah, 45 adalah oranye, 55 adalah kuning.
b. Saturasi adalah variasi warna dengan kecerahan, berkisar antara 0-100%
dari pusat sumbu hitam putih.
c. Rentang kecerahan 0-100% dari hitam ke putih. Ruang warna HSL
ditunjukkan pada Gambar 2.14
 15

Gambar 2.8 Kecerahan Saturasi Hue (HSL)

4. Hue Chrominance Lightness(HCL)
Ruang warna HCL memiliki keunggulan dibandingkan ruang warna
lainnya.Keuntungannya adalah komponen H (warna) jika intensitas cahaya
berubah dan kromatisitas benda tetap konstan.Gambar ruang warna HCL. Ruang
warna HCL dapat dilihat pada gambar 2.9

Gambar 2.9 Hue Chrominance Lightness (HCL)

5. YIQ
Komponen Y mewakili pencahayaan, yang merupakan satu-satunya
komponen yang digunakan oleh penerima TV hitam-putih.I dalam fase dan Q
adalah kuadratur.YIQ bertujuan untuk mengeksploitasi karakteristik respons
visual manusia.Mata manusia lebih sensitif terhadap perubahan kuning-biru I
daripada ungu-hijau.
6. YCbCr (Luminance-Chrominance)
Y adalah komponen luma, dan Cb dan Cr adalah komponen
chrominance.Nilai luminance pada layar monokrom digunakan untuk
merepresentasikan warna RGB, dan merepresentasikan warna RGB yang
diterima oleh mata.Sementara itu, chroma mewakili saturasi dan Hue.
 16

7. YUV
YUV adalah ruang warna yang biasa digunakan sebagai bagian dari kompresi

gambar.Komponen kromatin pada YUV adalah U dan V, yang jelas terpisah

dari kecerahan Y, sehingga memudahkan untuk melakukan segmentasi citra.

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

Python adalah bahasa pemrograman interpretatif yang dapat digunakan di

berbagai platform dengan filosofi perancangan yang berfokus pada tingkat
keterbacaan kode dan merupakan salah satu bahasa populer yang berkaitan dengan
Data Science, Machine Learning, dan Internet of Things (IoT). Keunggulan Python
yang bersifat interpretatif juga banyak digunakan untuk prototyping, scripting dalam
pengelolaan infrastruktur, hingga pembuatan website berskala besar[13].

Bahasa Python menjadi keharusan apabila ingin mempelajari dasar-dasar

scripting dan pengolahan data atau machine learning.Bahasa Python digunakan
secara luas, masuk dalam 3 besar bahasa pemrograman yang digunakan dalam
beberapa tahun belakangan.

Pustaka (Library) yang luas, memungkinkan kita mengembangkan diri ke

bidang-bidang lainnya. Bahasa Python memiliki kurva pembelajaran (learning-
curve) yang sangat landai, cocok untuk dipelajari sebagai bahasa pemrograman
pertama - dengan kemudahan pembacaan dan kemudahan mempelajari
sintaksisnya[14].
 17

2.2.6 Confusion Matrix

Confusion matrix adalah sebuah tabel yang sering digunakan untuk mengukur
kinerja dari model klasifikasi di machine learning. Tabel ini menggambarkan lebih
detail tentang jumlah data yang diklasifikasikan dengan benar maupun salah.[15]

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].

Ada empat nilai yang dihasilkan di dalam tabel confusion matrix, di antaranya

True Positive (TP), False Positive (FP), False Negative (FN), dan True Negative
(TN)[17]. Ilustrasi tabel confusion matrix dapat dilihat pada gambar 2.1:

Tabel 2.1 Confusion Matrix[17]

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

2.3 Kerangka Pikir

Kerangka pikir atau tahapan penelitian yang akan dilakukan dapat dilihat pada
Gambar 2.6 :

Latar belakang: Solusi:

Kurangnya pengetahuan petani
mengenai hama tanaman kakao
sehingga sering menyebabkan
gagal panen
Mengklasifikasikan jenis-jenis
hama pada tanaman kakao
menggunakan kecerdasan buatan
berbasis pengolahan citra pada
buah kakao dengan algoritma
KNN.

Pengujian: Perancangan Sistem:

Menggunakan Confusion Matrix Menggunakan algoritma KNN

Hasil :
Klasifikasi Hama Tanaman Kakao
Menggunakan Metode KNN

Gambar 2. 10 Kerangka Pikir

 19

BAB III
METODOLOGI PENELITIAN

3.1 Waktu dan Lokasi Penelitian

Waktu dilakukannya penelitian ini adalah dari bulan Maret 2023 hingga bulan
Agustus 2023 dan lokasi penelitiannya adalah diDinas Pertanian Toraja Utara.

3.2 Instrumentasi (Bahan dan Alat) Penelitian

3.2.1 Bahan Penelitian

Bahan penelitian yang digunakan oleh penulis dalam melakukan penelitian
ialah citra buahkakao.

3.2.2 Alat Penelitian

Alat yang digunakan dalammendukung penelitian yang dilakukan oleh penulis
yaitu :

a) Laptop dengan sistem operasi windows 10 pro 64-bit

b) Bahasa pemrograman python dan kamera
 20

3.3 Tahapan Penelitian / Flowchart Penelitian

Flowchart penelitian yang dilakukan oleh penulis dapat dilihat pada Gambar
3.1 berikut ini :

Mulai

Pengumpulan Data

Prepocessing

Pembentuka Model KNN

Penguji Akurasi

Pembuatan Laporan

Selesai

Gambar 3. 1 Flowchart Penelitian

 21

Tahapan penelitian pada klasifikasi hama tanaman kakao menggunakan metode

K-Nearest Neighbor (KNN) yaitu :

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.

3. Pembentukan model KNN dilakukan dengan pre-training, yaitu memanfaatkan

model yang sudah dilatih pada dataset untuk menyelesaikan masalah serupa
lainnya dengan memperbarui dan memodifikasi parameternya agar sesuai dengan
dataset baru yang akan digunakan untuk mengenali gambar menggunakan metode
KNN.

4. Pengujian akurasi yang berfungsi untuk menguji model yang dibentuk pada saat
proses training untuk menentukan akurasi data menggunakan confusion matrix.

5. Tahapan terakhir yang dilakukan ialah pembuatan laporan dengan menyimpulkan

hasil dari setiap tahapan penelitian yang dilakukan.
 22

3.4 Jadwal Penelitian

Adapun jadwal penelitian yang dilakukan dapat dilihat pada tabel 3.1 :

Tabel 3.1Jadwal Penelitian

Waktu Pelaksanaan
No Kegiatan Maret April Mei Juni Juli Agustus
3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4
1 Pengajuan Judul
2 Pengumpulan Data
3 Penyusunan Proposal
4 Seminar Proposal
5 Revisi
6 Analisis Data
7 Desain Sistem
8 Implementasi
9 Pengujian
10 Pembuatan Laporan
11 Seminar Hasil
12 Ujian Skripsi
 DAFTAR REFERENSI

[1] Jatengprov.go.id,“Pusat Informasi Inovasi Daerah (Pindah) Provinsi Jawa

Tengah.”2022
[2] Pertanian.go.id,“Kementerian Pertanian Direktorat Jenderal Perkebunan »
Cokelatku Budayaku Indonesiaku _ Tumbuhkan Budaya Korporasi Pekebun
Kakao.” 2023
[3] Baliprov.go.id,“Mengenal Hama Penghisap Buah Kakao (Helopelthis Sp.” 2023
[4] Cyberexetesion,“Jenis Hama Penyakit Tanaman Kakao Serta Cara
Pengendaliannya.” 2019
[5] L. Farokhah And P. Korespondensi, “Implementasi K-Nearest Neighbor Untuk
Klasifikasi Bunga Implementation Of K-Nearest Neighbor For Flower
Classification With Extraction Of Rgb Color Features,” Vol. 7, No. 6, Pp.
1129–1136, 2020, Doi: 10.25126/Jtiik.202072608.
[6] D. Untuk, M. Salah, And S. Syarat, “Yayasan Lembaga Pendidikan Islam
Daerah Riau Universitas Islam Riau Fakultas Teknik Klasifikasi Citra Daun
Kelapa Sawit Yang Terkena Dampak Hama Menggunakan Metode K-Nearest
Neighbor ( Knn ) Laporan Skripsi,” 2021.
[7] E. H. Rachmawanto And H. P. Hadi, “O Ptimasi E Kstraksi F Itur P Ada Knn,”
Vol. 22, No. 2, Pp. 58–67, 2021.
[8] N. Elmy Paulina Et Al., “Mind (Multimedia Artificial Intelligent Networking
Database Klasifikasi Kerusakan Mutu Tomat Berdasarkan Seleksi Fitur
Menggunakan K-Nearest Neighbor,” J. Mind J. Issn, Vol. 6, No. 2, Pp. 144–
154, 2021.
[9] Y. E. Yana, T. Informatika, F. Teknik, And U. I. Lamongan, “Klasifikasi Jenis
Pisang Berdasarkan Fitur Warna , Tekstur , Bentuk Citra Menggunakan Svm
Dan Knn,” Vol. 4, No. 1, Pp. 28–36, 2021.
[10] N. Syahidan, S. Rati, S. Lubis, N. Fadillah, T. Informatika, And U. Samudra,
“Klasifikasi Tanaman Aglaonema Dengan Fitur Ekstraksi Gray Level Co-
Occurrence Matrix Dan K-Nearest Neighbor,” Vol. 01, No. 02, 2020.
[11] M. E. I. Lestari, “Penerapan Algoritma Klasifikasi Nearest Neighbor (K-Nn)
Untuk Mendeteksi Penyakit Jantung,” Fakt. Exacta, Vol. 7, No. 4, Pp. 366–371,
2015.
[12] P. Pola, C. Kain, M. Glcm, And D. A. N. Knn, “Pengenalan Pola Citra Kain
Tradisional Menggunakan Glcm Dan Knn,” Pp. 43–48.
[13] H. S. Purba, M. Kom, R. A. Sukmawati, M. Kom, And M. H. Adini,
Pemrograman Dasar Menggunakan Python. Deepublish, 2021.
[14] Dicoding, “Memulai Pemrograman Dengan Python - Dicoding Indonesia,”
Dicoding. 2019.
 24

[15] A. Ridwan, “Penerapan Algoritma Naïve Bayes Untuk Klasifikasi Penyakit

Diabetes Mellitus,” J Siskom-Kb Sist. Komput Dan Kecerdasan Buatan, Vol. 4,
No. 1, Pp. 15–21, 2020.
[16] R. Arief, N. A. Iriawan, And A. Lawi, “Klasifikasi Audio Ucapan Emosional
Menggunakan Model Lstm,” Proceeding Konik Konf. Nas.Ilmu Komput., Vol.
5, Pp. 524–529, 2021.
[17] Afifa, Lutfia,“Apa Itu Confusion Matrix Di Machine Learning? -
Ilmudatapy.”2023