PENGEMBANGAN PERANGKAT UJI PUPUK MENGGUNAKAN
SENSOR WARNA BERBASIS RASPBERRY PI DENGAN
KLASIFIKASI
SUPPORT VECTOR MACHINE
RIKO AHMAD MAULANA
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa skripsi berjudul Pengembangan Perangkat Uji Pupuk Menggunakan Sensor Warna Berbasis Raspberry Pi dengan Klasifikasi Support Vector Machine adalah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor.
ABSTRAK
RIKO AHMAD MAULANA. Pengembangan Perangkat Uji Pupuk Menggunakan Sensor Warna Berbasis Raspberry Pi dengan Klasifikasi Support Vector Machine. Dibimbing oleh HERU SUKOCO dan LADIYANI R WIDOWATI
Banyaknya ditemukan kasus pemalsuan pupuk terutama pupuk urea dan NPK menimbulkan banyak kerugian bagi para petani. Untuk mengatasi hal ini, Kementerian Pertanian melalui Badan Penelitian Tanah, mengembangkan perangkat uji pupuk digital sebagai pendeteksi awal dengan cara menghitung kisaran kadar hara dari pupuk. Akan tetapi, akurasinya rendah untuk data kelompok nitrogen (N) dan fosfor (P). Penelitian ini bertujuan untuk meningkatkan ketelitian perangkat uji pupuk digital. Pengumpulan data menggunakan sensor warna yang mendeteksi frekuensi warna red, green, dan blue kemudian diolah oleh Raspberry Pi. Metode klasifikasi yang digunakan adalah support vector machine. Penelitian ini menunjukkan bahwa sensor warna dapat mendeteksi perubahan warna lebih baik dibanding sensor kamera. Model klasifikasi yang diperoleh juga menambah akurasi untuk N dan P masing-masing 96% dan 94%.
Kata kunci: perangkat uji pupuk, Raspberry Pi, sensor warna, support vector machine
ABSTRACT
RIKO AHMAD MAULANA. Development of Fertilizer Test Kit Using Color Sensor and Raspberry Pi Based on Support Vector Machine Classification. Supervised by HERU SUKOCO and LADIYANI R WIDOWATI
The number of counterfeit fertilizer products especially urea and NPK have increased. This is harmful for farmers. To overcome this problem Indonesian Soil Research Institute (ISRI) has developed digital fertilizer test kit (PUP) for early detection by calculating the nutrient content of fertilizer. However, the level of accuracy is insufficient for a group of nitrogen (N) and phosphor (P) data. The purpose of this research is to improve the accuracy of the digital PUP. Data collected using a color sensor that detects a frequency of red, green, and blue color-space. And then, they are classified by Raspberry Pi using support vector machine method to define an appropriate color to be compared with color chart provided by ISRI. The results showed that color sensor can detect the changes of color better than a camera sensor. The results of research model can also enhance the accuracy of N and P up to 96% and 94%, respectively.
Skripsi
sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer
pada
Departemen Ilmu Komputer
RIKO AHMAD MAULANA
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2016
PENGEMBANGAN PERANGKAT UJI PUPUK MENGGUNAKAN
SENSOR WARNA BERBASIS RASPBERRY PI DENGAN
Judul Skripsi : Pengembangan Perangkat Uji Pupuk Menggunakan Sensor Warna Berbasis Raspberry Pi dengan Klasifikasi Support Vector Machine Nama : Riko Ahmad Maulana
NIM : G64110093
Disetujui oleh
DrEng Heru Sukoco, SSi MT Pembimbing I
Dr Ladiyani R Widowati, MSc Pembimbing II
Diketahui oleh
Dr Ir Agus Buono, MSi MKom Ketua Departemen
PRAKATA
Puji syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Shalawat serta salam penulis sampaikan kepada Nabi Muhammad shalallahu ‘alaihi wassalam. Pengembangan Perangkat Uji Pupuk Menggunakan Sensor Warna Berbasis Raspberry Pi dengan Klasifikasi Support Vector Machine ini tidak lepas dari bantuan berbagai pihak. Oleh karena itu, penulis menyampaikan ucapan terima kasih kepada:
1 Kedua orang tua tercinta, beserta keluarga yang selalu memberikan do’a dan dukungan moral.
2 Bapak DrEng Heru Sukoco, SSi MT dan Ibu Dr Ladiyani R. Widowati, MSc selaku pembimbing yang selalu sabar dalam memberikan ilmu dan bimbingan selama penyelesaian tugas akhir ini.
3 Balai Penelitian Tanah yang telah membantu dalam memperoleh data dan sumber informasi serta bantuan finansial.
4 Ahmad Fauzi, Herdi Agusthio, dan Muhammad Al-Mabruri selaku rekan sebimbingan bapak Heru yang telah sama-sama berjuang dengan sabar, juga Tiffany Afif Yolanda dan Aji Nugraha selaku rekan dalam pengambilan data di Balai Penelitian Tanah.
5 Ari, Naufal, Kemal, Angga, Faisal dan Iffa yang tergabung secara tidak sengaja di MAX!! angkatan 8.
6 Keluarga UKM MAX!! IPB beserta teman-teman Departemen Ilmu Komputer 48 yang selalu memberi semangat dalam pelaksanaan penelitian ini.
7 Maya, Annisa, Nurul, Pebi, dan Imam yang selalu mengingatkan dan memotivasi penulis untuk menyelesaikan tugas akhir ini.
8 Staf pengajar dan staf tata usaha Departemen Ilmu Komputer yang telah banyak membantu baik selama masa perkuliahan maupun pada saat penelitian.
9 Semua pihak yang telah banyak memberikan kontribusi yang besar dalam penyelesaian tugas akhir yang tidak dapat disebutkan satu persatu.
Semoga segala bantuan, bimbingan, motivasi dan kebaikan-kebaikan yang telah diberikan kepada penulis akan dihadiahi kebaikan pula oleh Allah subhanahu wa ta’ala. Akhirnya semoga penulisan karya ilmiah ini bermanfaat dan dapat menambah wawasan kita semua.
DAFTAR ISI
DAFTAR TABEL vi
DAFTAR GAMBAR vi
DAFTAR LAMPIRAN vi
PENDAHULUAN 1
Latar Belakang 1
Perumusan Masalah 2
Tujuan Penelitian 2
Manfaat Penelitian 2
Ruang Lingkup Penelitian 2
METODE 3
Tahapan Penelitian 3
Perakitan 3
Akuisisi Data 4
Klasifikasi 7
Evaluasi 7
Peralatan Penelitian 8
HASIL DAN PEMBAHASAN 8
Perakitan 8
Akuisisi Data 10
Klasifikasi dengan Metode SVM 11
Evaluasi 13
SIMPULAN DAN SARAN 14
Simpulan 14
Saran 14
DAFTAR PUSTAKA 15
DAFTAR TABEL
1 Penyambungan pin sensor warna dengan pin GPIO 9
2 Penyambungan pin LCD dengan pin GPIO 10
3 Tingkat akurasi untuk masing-masing data kelompok dengan nilai 11
DAFTAR GAMBAR
1 Tahapan penelitian 3
2 Kerangka konseptual PUP Digital 4
3 Peralatan yang digunakan (a) sensor warna, (b) Raspberry Pi, dan (c) LCD
(sumber: tokopedia.com, raspberrypi.org) 4
4 Tabel gradasi warna untuk kadar hara N (sumber: Balittanah) 6 5 Tabel gradasi warna untuk kadar hara P (sumber: Balittanah) 6
6 Tampak luar prototipe 1 9
7 Tampak samping prototipe akhir 10
8 Hasil grid search menggunakan grid.py untuk data kelompok N 12 9 Hasil grid search menggunakan grid.py untuk data kelompok P 13 10 Perbandingan akurasi menggunakan sensor kamera dan sensor warna 14
DAFTAR LAMPIRAN
1 Skematik prototipe 1 16
2 Skematik prototipe akhir 17
3 Isi fail Data_kelompok_N (format libSVM) 18
4 Isi fail Data_kelompok_P (format libSVM) 20
5 Tingkat akurasi masing-masing data kelompok dengan kombinasi parameter
linear kernel dan k 21
6 Tingkat akurasi masing-masing data kelompok dengan kombinasi parameter
polynomial kernel dan k 22
7 Tingkat akurasi data kelompok N dengan kombinasi parameter RBF kernel
dan k 24
8 Tingkat akurasi data kelompok P dengan kombinasi parameter RBF kernel
dan k 24
PENDAHULUAN
Latar Belakang
Pupuk merupakan faktor produksi yang sangat penting bagi sektor pertanian, karena pupuk menjadi salah satu sumber nutrisi yang diberikan pada tanaman produksi pertanian. Penggunaan pupuk urea dan pupuk majemuk nitrogen phospor kalium (NPK) di kalangan petani masih cukup tinggi, karena adanya pemahaman penggunaan pupuk urea dan NPK bisa cepat membantu pertumbuhan tanaman padi. Berdasarkan data dari 70 responden petani, diketahui sekitar 50% petani menggunakan pupuk urea yang dikombinasikan dengan pupuk organik, sekitar 33% responden petani masih menggunakan pupuk urea, dan 17% responden menggunakan pupuk majemuk (urea dan NPK) (Triyono et al. 2013).
Namun akhir–akhir ini cukup banyak ditemukan kasus pemalsuan pupuk terutama pupuk urea SP-36 dan pupuk majemuk NPK. Selain merusak tanah dan mengganggu pertumbuhan tanaman, pemalsuan pupuk tentu sangat merugikan petani. Menurut peneliti dari Balai Pengkajian Teknologi Pertanian Sumatera Utara (BPPT Sumut) Elianor Sembiring, sekitar 25% pupuk yang beredar di Sumatera Utara adalah pupuk palsu (Tobing 2013). Kandungan hara yang terdapat pada pupuk palsu bisa mencapai 0%. Untuk mengontrol penggunaan pupuk palsu, Kementrian Pertanian melalui Balai Penelitian Tanah telah menyusun dan mengembangkan perangkat uji pupuk (PUP) (Setyorini et al. 2011) yang diproduksi untuk membantu petugas lapang, penyuluh pertanian, kelompok tani, dan toko atau distributor pupuk memperoleh dengan cepat nilai kisaran kadar hara pupuk anorganik.
PUP merupakan penyederhanaan secara kualitatif dari analisis pupuk di laboratorium. Perangkat uji cepat ini terdiri atas alat dan cairan formula kimia untuk menentukan kisaran kandungan hara dalam pupuk anorganik secara cepat dan tepat menggunakan bagan warna. Prinsip kerja PUP adalah mengekstrak hara dalam pupuk dan menentukan kisaran kadar N, P, dan K dalam pupuk.
Pengembangan PUP digital telah dilakukan, dimulai dari penelitian oleh Fajri (2014) yang menggunakan sensor kamera sebagai input dan Raspberry Pi Model-B sebagai pemroses data. Metode klasifikasi yang digunakan adalah k-nearest neighbours (KNN). Penelitian ini menghasilkan akurasi sebesar 70% untuk data kelompok N dan 18% untuk data kelompok P.
Dalam penelitian lain dikembangkan juga PUP digital dengan aplikasi berbasis Android oleh Fenrizal (2014) yang sama-sama menggunakan metode klasifikasi KNN. Akurasi dalam penelitian ini sebesar 80% untuk data kelompok N dan 30% untuk data kelompok P. Pada penelitian ini memiliki ketelitian dengan selang 2% untuk masing-masing data kelompok, berbeda dengan penelitian Fajri (2014) yang memiliki ketelitian dengan selang 1% untuk data kelompok N dan 2% untuk data kelompok P.
2
SVM. Serta penelitian Kim et al. (2012) yang membandingkan metode klasifikasi KNN dengan SVM pada kasus pengklasifikasian gambar. Hasil penelitian Kim et al. (2012) menunjukkan bahwa SVM lebih baik dibandingkan KNN, dengan rata-rata akurasi KNN sebesar 78% sedangkan untuk SVM sebesar 92%.
Akuisisi data yang dilakukan dua penelitian sebelumnya sama-sama menggunakan sensor kamera, dalam penelitian ini akuisisi data akan menggunakan sensor warna. Pergantian ini berdasar pada penelitian Andrian (2013) yang menunjukkan bahwa sensor warna TCS3200 memiliki ketelitian sebesar 99.96%. Diharapkan dengan akuisisi data yang lebih baik, akurasi dari PUP digital akan meningkat.
Perumusan Masalah
Berdasarkan latar belakang di atas, maka perumusan masalah dalam penelitian ini adalah pengintegrasian sensor warna dengan Raspberry Pi. Sensor warna akan mengakuisisi data sehingga dapat dijadikan untuk pembuatan model klasifikasi kadar hara pupuk. Pembuatan model klasifikasi menggunakan data latih berupa data nilai frekuensi komponen warna yang telah diketahui kadar nitrogen dan fosfornya. Model ini disimpan di dalam Raspberry Pi dan digunakan untuk mengklasifikasikan warna larutan yang akan diukur.
Tujuan Penelitian
Tujuan penelitian ini adalah:
1 Mengimplementasikan bagan warna PUP dengan frekuensi warna red, green, and blue (RGB) yang didapat dari sensor warna menggunakan metode klasifikasi SVM.
2 Meningkatkan ketelitian penggunaan PUP digital. Manfaat Penelitian
Manfaat dari penelitian ini adalah mempermudah serta mempercepat proses klasifikasi kadar hara pupuk melalui pendeteksian frekuensi warna dengan sensor wana dari larutan pupuk secara efisien. Dengan ketelitian yang lebih baik dibandingkan bagan warna dan pemrosesan citra digital (menggunakan sensor kamera) sehingga PUP ini bisa lebih valid ketika digunakan oleh peneliti, petani dan pedagang. Selain pada kasus pengujian pupuk, penelitian ini bisa dimanfaatkan di laboratorium kimia untuk kasus yang berhubungan dengan klasifikasi menggunakan bagan warna.
Ruang Lingkup Penelitian
Ruang lingkup dalam penelitian ini adalah:
1 Larutan yang digunakan berasal dari larutan N dari urea dan P dari SP-36 dalam skala laboratorium.
2 Data warna larutan pupuk sebagai data uji dan data latih yang digunakan diambil dari larutan pupuk yang telah diklasifikasikan oleh Balittanah.
3 4 Tidak menggunakan timer/counter uC untuk menghitung frekuensi yang masuk, melainkan menghitung lama waktu high dan low satu gelombang penuh sebagai periodenya, jadi nilai frekuensi didapat dari 1/periode.
METODE
Tahapan Penelitian
Pengembangan PUP untuk mengidentifikasi warna larutan pupuk ini dilakukan dalam 4 tahap, yaitu: perakitan, akuisisi data, klasifikasi, dan evaluasi, seperti pada Gambar 1.
Perakitan
Perakitan PUP digital ini berdasarkan kerangka konseptual yang telah dirancang (Gambar 2) yang memiliki komponen utama sensor warna, Raspberry Pi, dan liquid crystal display (LCD) (Gambar 3). Setiap alat memiliki fungsi masing-masing seperti sensor warna berfungsi sebagai input, Raspberry Pi berfungsi sebagai pemroses data, dan LCD berfungsi sebagai menampilkan output. Sensor warna digunakan untuk mengambil nilai frekuensi dari setiap channel warna RGB, sensor warna yang digunakan dalam penelitian ini adalah modul sensor warna berbasis TCS3200. Sensor warna ini mengonversikan besaran fisis yang berupa cahaya (warna) menjadi sinyal listrik yang berupa frekuensi
Gambar 1 Tahapan penelitian Perakitan
Evaluasi Data referensi
Selesai Mulai
Akuisisi data
Klasifikasi
4
Perangkat Uji Pupuk
Pembuatan Larutan Alat Uji Digital Sensor Warna
Raspberry Pi
LCD
Gambar 2 Kerangka konseptual PUP Digital
gelombang. Raspberry Pi yang digunakan dalam penelitian ini bertipe Raspberry Pi 2, berbeda dengan penelitian sebelumnya yang menggunakan Raspberry Pi. Salah satu perbedaan dari kedua tipe ini terletak pada jumlah pin yang tersedia, Raspberry Pi memiliki 26 pin dan 8 pin diantaranya merupakan pin general pin input output (GPIO), sedangkan Raspberry Pi 2 memiliki 40 pin dan 17 pin di antaranya merupakan pin GPIO, sehingga memungkinkan untuk menggunakan sensor warna, LCD, dan 3 buah tactile switch bersamaan. Dengan kebutuhan pin GPIO untuk sensor warna sebanyak 5 pin GPIO, LCD sebanyak 6 pin GPIO, dan tactile switch sebanyak 3 pin GPIO. Selain itu Raspberry Pi 2 ini memiliki prosesor 900 MHz quad-core ARM Cortex-A7 CPU dan 1 GB RAM. Hal ini akan membantu untuk mempercepat proses klasifikasi larutan. Antarmuka pengguna dengan sistem berupa LCD. LCD yang digunakan berukuran 16 karakter dan 2 baris dengan latar belakang berwarna hijau.
.
Gambar 3 Peralatan yang digunakan (a) sensor warna, (b) Raspberry Pi, dan (c) LCD (sumber: tokopedia.com, raspberrypi.org)
Akuisisi Data
Pada tahap ini dilakukan pengambilan data latih dengan mengambil data ruang warna terhadap bagan warna yang tersedia dan data uji dengan mengambil data dari hasil warna pengujian sampel unsur hara masing-masing dengan sensor warna. Sebelum sensor warna bisa dipakai atau untuk bisa mendapatkan nilai frekuensi suatu warna maka sensor warna ini harus dikalibrasi. Kalibrasi dilakukan dengan cara mengukur nilai frekuensi hitam dan nilai frekuensi putih. Setelah didapat nilai frekuensi hitam dan putih untuk mendapatkan nilai frekuensi channel RGB menggunakan rumus:
(b)
5 RGB = 255 (Fv – Fb) / (Fw – Fb) (1) dengan
Fv = nilai frekuensi sample (Hz) Fw = nilai frekuensi putih (Hz) Fb = nilai frekuensi hitam (Hz)
Data yang diambil merupakan deret larutan yang masing-masing data kelompok berbeda selangnya, untuk kelompok N berselang 1% dan untuk kelompok P berselang 1.5%. Selang tersebut didapat dari hasil pengenceran larutan yang asli dengan menambah aquades. Pengambilan data bertempat di Laboratorium Kimia Tanah Balittanah. Berikut penjelasan serta langkah-langkah penetepan masing-masing kadar hara.
Cara Penetapan Kadar Hara N Pupuk A Kadar N di dalam pupuk
Nitrogen merupakan unsur hara esensial bagi tanaman yang terkandung dalam pupuk urea, garam ammonium, garam nitrat, dan N-organik. PUP mengukur semua bentuk N tersebut kecuali N-organik. Bentuk-bentuk N ini diubah menjadi ammonium (NH4+), yang kemudian ditambah pereaksi pewarna untuk menghasilkan warna hijau. Kepekatan warna hijau yang dihasilkan sebanding dengan kadar N. Kadar N dari pupuk yang diuji dapat ditentukan dengan membandingkan kepekatan warna hijau dalam larutan pupuk dengan gambar gradasi warnanya.
B Penetapan kadar N pupuk
1 Pembuatan ekstrak pupuk: contoh pupuk sebanyak satu sendok takar kecil (0.25 g) dimasuka ke dalam tabung sentrifusi volume 50 ml, tambahkan 2.5 ml pereaksi N-1, kocok perlahan-lahan. Diamkan 10 menit, kemudian volumenya dijadikan 50 ml dengan ditambah air (dapat digunakan air minum dalam kemasan), kemudian dikocok sampai homogen. Sering bila diperlukan untuk mendapatkan ekstrak jernih. Pupuk urea gunakan prosedur 1, dan pupuk lainnya gunakan prosedur 2.
2 Prosedur 1: ke dalam tabung reaksi masukkan 1.0 ml ekstrak jernih pupuk
4 Tambahkan 1 ml pereaksi N-3 dengan pipet tetes, kocok, tambahkan 0.05g pereaksi N-4 dengan menggunakan spatula, dikocok. Reaksi dibiarkan berlangsung sekitar 25-30 menit, sambil menunggu dikocok 3-4 kali di antara waktu tersebut.
6
Gambar 4 Tabel gradasi warna untuk kadar hara N (sumber: Balittanah 2015) Cara Penetapan Kadar Hara P Pupuk
A Hara P dalam pupuk
Fosfor di dalam pupuk P pada umumnya berbentuk senyawa fosfat yang sebagian besar adalah kalsium fosfat. Pupuk superfosfat mengandung P dalam bentuk H2PO4 yang mudah larut. Pupuk P-alam mengandung kalsium fosfat primer (Ca3(PO4))2 yang sukar larut. P-alam yang dimasamkan sebagian mengandung bentuk P yang tingkat kelarutannya di antara P-alam dan superfosfat. Perangkat Uji Pupuk ini menentukan kadar P dalam semua bentuk P tersebut. Bentuk-bentuk P dalam pupuk dilarutkan menjadi ortofosfat. Fosfat terlarut direaksikan dengan pereaksi warna menghasilkan warna kuning yang terbentuk sebanding dengan kadar P di dalam pupuk yang diuji. Kadar P dalam pupuk dibaca dari bagan warna.
B Penetapan kadar P pupuk
1 Dengan menggunakan sendok takar kecil masukkan 0.25 g contoh pupuk yang telah dihaluskan ke dalam tabung sentrifusi volume 50 ml.
2 Tambahkan pereaksi P-1 sampai volume 5 ml, dikocok sampai larut, bila ada gas CO2 (buih) biarkan sampai habis gelembung-gelembungnya.
3 Tambahkan air (dapat digunakan air minum dalam kemasan), hingga volume menjadi 50 ml, tutup dan dikocok dengan cara bolak-balik sampai homogen, biarkan larutan menjadi jernih (ekstrak), saring bila diperlukan. 4 Ke dalam tabung reaksi 15 ml campurkan 5 ml pereaksi P-2 dan 5 ml
peraksi P-3, dikocok smpai homogen.
5 Masukkan 0.5 ml ekstrak jernih (No. 3) ke dalam tabung yang berisi campuran pereaksi P-2 dan P-3, tutup dan dikocok sampai homogen.
6 Setelah 2-5 menit, bandingkan warna kuning yang muncul dari larutan jernih permukaan pupuk dengan warna pada tabel gradasi warna (Gambar 5).
7 Klasifikasi
Metode klasifikasi yang digunakan adalah SVM, metode ini bertujuan untuk menemukan garis pemisah (hyperplane) terbaik sehingga diperoleh ukuran margin yang maksimal. Titik yang terdekat dengan hyperplane disebut dengan support vector.
Pada umumnya fungsi kernel yang digunakan adalah (Byun dan Lee 2003): 1 Linear kernel
K(xi,x)= xTxi (2)
2 Polynomial kernel
K(xi,x)= (xTxi+1)� (3)
3 Radial basis function (RBF) kernel
K(xi,x)= exp(-γ||xi-x||2), dengan γ=1/2σ2 (4)
dengan
xi = vektor dari setiap data
d = jumlah derajat dari fungsi polinomial σ = ukuran rentangan pada kurva Gaussian
Linear kernel digunakan untuk data yang bisa dipisahkan dengan suatu garis lurus di dalam input space-nya. Polynomial kernel digunakan untuk data yang bisa dipisahkan dengan suatu garis di dalam input space-nya. RBF kernel digunakan untuk data yang tidak dapat dipisahkan dengan suatu garis di dalam input space-nya sehingga data harus dipetakan terlebih dahulu ke dalam dimensi yang lebih tinggi.
Pengklasifikasian dilakukan dengan libSVM 3.20 yaitu library yang open source dan digunakan untuk klasifikasi SVM. Library libSVM mendukung penggunaan 3 fungsi kernel, yaitu:
1 Linear kernel, membutuhkan parameter C (error penalty).
2 Polynomial kernel, membutuhkan parameter C dan d (derajat fungsi polynomial).
3 RBF kernel, membutuhkan parameter C dan γ (radius fungsi RBF).
Pelathihan SVM dikontrol oleh satu atau lebih parameter. Parameter C berfungsi untuk mengontrol berapa banyak sampel yang diperbolehkan untuk berada di kelas yang salah. Diperbolehkannya beberapa sampel yang berada di kelas yang salah bisa membantu untuk mereduksi over fitting data.
Untuk penggunaan nilai dari parameter RBF kernel ditentukan oleh teknik grid search. Teknik grid search adalah teknik yang diterapkan oleh libSVM 3.20 untuk mencari nilai parameter yang optimal dilihat dari hasil akurasi yang didapatkan menggunakan perangkat grid.py dari libSVM 3.20. Teknik ini menggunakan k-fold cross validation untuk mengestimasi keakuratan dari masing-masing kombinasi parameter dalam selang tertentu.
Evaluasi
8
fold saja yang disisakan untuk pengujian. Penilaian cross-validation terhadap akurasi model secara keseluruhan dihitung dengan mengambil rerata dari semua hasil akurasi individu k, seperti yang ditunjukkan dengan persamaan berikut:
(5) dengan
CVA = cross validation accuracy (%) k = jumlah fold yang digunakan A = ukuran akurasi (%)
Peralatan Penelitian
Penelitian mengenai pengembangan PUP ini dilakukan dengan menggunakan perangkat keras dan perangkat lunak sebagai berikut:
• Perangkat keras berupa komputer personal dengan spesifikasi minimum sebagai berikut:
• Sistem operasi Windows 7 Ultimate • Sistem operasi Raspbian
Selama penelitian berlangsung terdapat 2 tipe prototipe, yaitu prototipe 1 untuk pengambilan data dan prototipe akhir. Terdapat kerangka luar untuk prototipe 1 yang berfungi untuk menutup cahaya dan menaruh sensor warna, kerangka ini terbuat dari bahan akrilik bening dengan ketebalan 2 mm. Pemotongan akrilik dilakukan dengan menggunakan laser cutter. Kerangka ini lalu dilapisi sticker berwarna hitam untuk bagian luar dan warna putih untuk bagian dalam. Pemotongan sticker dilakukan dengan menggunakan cutting sticker. Pelapisan dengan sticker ini bermaksud untuk menjaga agar cahaya LED tidak dipengaruhi oleh cahaya dari luar sistem.
9 1, pin sensor warna terdiri dari S0, S1, S2, S3, dan OUT. Penomoran GPIO yang digunakan berdasar pada Broadcom numbering. Untuk penyambungan antara pin sensor warna dengan pin GPIO bisa dilihat pada Tabel 1.
Tabel 1 Penyambungan pin sensor warna dengan pin GPIO
Pin sensor warna Pin GPIO
S0 6
S1 5
S2 13
S3 19
OUT 26
Gambar 6 Tampak luar prototipe 1
10
Tabel 2 Penyambungan pin LCD dengan pin GPIO
Pin LCD Pin GPIO
Gambar 7 Tampak samping prototipe akhir
Library yang dipakai dalam penelitian ini adalah libSVM untuk pengklasifikasiannya, dan library untuk mengakses GPIO menggunakan library pigpio. Library pigpio ini bisa didapat dengan menggunakan perintah berikut:
$ wget abyz.co.uk/rpi/pigpio/pigpio.zip
Tetapi sebelumnya kita harus mengaktifkan library pigpio daemon dengan cara:
$ sudo pigpiod
Akuisisi Data
11 yang diperoleh untuk warna hitam adalah (1443, 1773, 2448) Hz, sedangkan untuk warna putih adalah (2153, 2337, 3750) Hz. Nilai frekuensi ini selanjutnya digunakan untuk menghitung nilai RGB dengan menggunakan Persamaan 1.
Selain untuk kalibrasi sensor warna prototipe 1 juga digunakan untuk mengakuisisi data. Akuisisi data menghasilkan sebanyak 100 data untuk kelompok N dan 50 data untuk kelompok P. Data tersebut diperoleh dari masing-masing larutan sebanyak 5 kali pengambilan data dengan selang waktu 0.2 detik. Data disimpan berbentuk array berisi 3 nilai, masing-masing menyimpan nilai frekuensi 1 channel RGB, setelah itu semua data di-export ke file bertipe comma separated value (CSV) untuk diklasifikasikan. Data yang diperoleh tersedia di Lampiran 3 untuk data kelompok N dan Lampiran 4 untuk data kelompok P.
Klasifikasi dengan Metode SVM
Sebelum memasuki proses klasifikasi, data yang sebelumnya CSV diubah menjadi format libSVM menggunakan csv2libsvm.py, adapun format file libSVM sebagai berikut:
<label> <index1>:<value1> <index2>:<value2> ... .
. .
Setelah mendapatkan file berformat libSVM, selanjutnya data akan diuji dengan bermacam-macam fungsi kernel dan nilai k. Nilai k untuk k-fold cross validation akan diuji di nilai 2, 3, 4, 5, 6, 7, dan 8 untuk setiap fungsi kernel.
Untuk fungsi linear kernel dicoba dengan kombinasi parameter C dan k yang berbeda, parameter C dicoba dengan nilai 1, 2, 3, dan 4. Hasil akurasi untuk masing-masing data kelompok dari kombinasi parameter linear kernel dengan k dapat dilihat di Lampiran 5. Sementara itu untuk polynomial kernel parameter C dicoba dengan nilai 1, 2, dan 3 sedangkan untuk parameter d dicoba dengan nilai 2, 3, dan 4. Hasil akurasi untuk masing-masing data kelompok dari kombinasi parameter polynomial kernel dengan k dapat dilihat di Lampiran 6.
Berbeda dengan dua kernel sebelumnya, untuk penentuan nilai parameter RBF kernel diolah menggunakan teknik grid search. Selang yang dipakai untuk percobaan menggunakan nilai default dari libSVM yaitu untuk parameter C dicari dari -5 sampai 15 dengan selisih 2, dan untuk parameter γ (gamma) dicari dari 3 sampai -15 dengan selisih -2. Hasil akurasi dari grid search dengan nilai k yang berbeda untuk kelompok data N dan P bisa dilihat di Lampiran 7 dan Lampiran 8.
Tabel 3 Tingkat akurasi untuk masing-masing data kelompok dengan nilai parameter yang optimum untuk setiap kernel
Data kelompok Fungsi kernel Parameter Akurasi (%)
12
Nilai parameter yang optimum untuk masing-masing fungsi kernel di setiap kelompok data bisa dilihat pada Tabel 3. Terlihat bahwa kernel RBF adalah fungsi yang optimum untuk kedua data kelompok. Untuk data kelompok N didapatkan nilai optimum parameter C sebesar 32 dan nilai optimum parameter γ sebesar 0.03125, dengan nilai akurasi sebesar 96% menggunakan 2-fold cross validation. Untuk data kelompok P didapatkan nilai optimum parameter C sebesar 0.03125 dan nilai optimum parameter γ sebesar 0.00781, dengan nilai akurasi sebesar 96% menggunakan 2-fold cross validation.
Hasil keluaran dari grid.py juga menghasilkan output berupa gambar grid 2 dimensi. Dengan nilai -5 sampai 15 untuk parameter C didalam sumbu horizontal dan nilai -15sampai 3 untuk parameter γ didalam sumbu vertikal. Hasil keluaran grid.py dengan nilai parameter yang optimum bisa dilihat pada Gambar 8 untuk data kelompok N dan Gambar 9 untuk data kelompok P. Gagasan utama dalam pembuatan grid dua dimensi ini adalah mencoba nilai (C, γ) untuk masing-masing peningkatan di dalam selang dari kedua nilai untuk mendapatkan akurasi terbaik. Dalam Gambar 8 contohnya garis hijau merupakan nilai akurasi sebesar 96%, berarti titik-titik yang dilalui oleh garis ini merupakan kombinasi dari nilai (C, γ) yang mempunyai nilai akurasi 96%. Diperlihatkan juga bahwa log2(C) = 5, log2(gamma) = -5, C = 32, dan gamma = 0.03125 adalah yang terbaik. Nilai C = 32 dan γ = 0.03125 adalah nilai aktual dari parameter yang ekuivalen secara respektif dengan 25 dan 2-5.
13
Gambar 9 Hasil grid search menggunakan grid.py untuk data kelompok P Setelah mendapatkan parameter-parameter yang optimal, model klasifikasi diperoleh dari svm-train yang terdapat pada library libSVM. Untuk menggunaknnya bisa dilihat pada kode program di Lampiran 9 untuk model klasifikasi data kelompok N dan Lampiran 10 untuk model klasifikasi data kelompok P. Output dari fungsi svm-train merupakan file yang berekstensi .model. File ini selanjutnya disimpan ke dalam Raspberry Pi untuk menentukan kelas (persentase kadar hara) dari larutan uji.
Evaluasi
14
Gambar 10 Perbandingan akurasi menggunakan sensor kamera dan sensor warna untuk data kelompok N
SIMPULAN DAN SARAN
Simpulan
Penelitian ini berhasil mengimplementasikan bagan warna PUP dengan menggunakan sensor warna, dan membuat model klasifikasi SVM. Penggunaan metode SVM ini didukung dengan peningkatan akurasi yang menggunakan data sebelumnya. Selain itu, penelitian ini juga berhasil meningkatkan akurasi ketelititan PUP digital untuk data kelompok N menjadi 96%. Sementara itu, untuk data kelompok P memiliki nilai ketelitian menjadi 94% serta penambahan ketelitian dengan selang 1.5% tetapi memiliki batas atas pengklasifikasian sebesar 15% sedangkan pada penelitian sebelumnya memiliki batas atas sebesar 20% dengan selang 2%.
Saran
15
DAFTAR PUSTAKA
Andrian Y. 2013. Robot penyortir benda berdasarkan warna menggunakan sensor warna TCS3200. SISFOTENIKA. 3(2): 144-150.
Byun H, Lee SW. 2003. A survey on pattern recognition application of support vector machines. Int J Patt Recogn Artif Intell. 17(3): 459-486
Fajri Y. 2014. Pemanfaatan Raspberry Pi sebagai alat uji kadar nitrogen dan fosfor pada pupuk [skripsi]. Bogor (ID): Institut Pertanian Bogor
Farsiah L, Abidin T, Munadi K. 2012. Klasifikasi gambar berwarna menggunakan k-nearest neighbour dan support vector machine [skripsi]. Banda Aceh (ID): Universitas Syiah Kuala.
Fenrizal RM. 2014. Aplikasi perangkat uji pupuk berbasis Android menggunakan fitur warna [skripsi]. Bogor (ID): Institut Pertanian Bogor
Kim J, Kim B, Savarese S. 2012. Comparing image classification methods: k-nearest-neighbor and support-vector-machines. Di dalam: Jha MK, Lazard M, Zaharim A, Sopian K, editor. Applied Mathematics in Electrical & Computer Engineering; 2012 Jan 25-27; Cambridge, USA. Cambridge (US): WSEAS Press. hlm 133-138.
Olson DL, Delen D. 2008. Advanced Data Mining Techniques. Berlin (DE): Springer-Verlag Berlin Heidelberg. hlm 141-143.
Setyorini D, Sulaeman, Kasno A. 2011. Perangkat Uji Pupuk. Bogor (ID): Balai Penelitian Tanah.
Tobing G. 2013. Dua puluh lima persen pupuk di sumut palsu [Internet]. [diunduh 2014 Des 20]. Tersedia pada: http://medanbisnisdaily.com /news/read/?id=56708#.VJpsNclDA
16
18
Lampiran 3 Isi fail Data_kelompok_N (format libSVM)
<Kelas> <Frekuensi R> <Frekuensi G> <Frekuensi B>
19 Lampiran 3 Lanjutan
<Kelas> <Frekuensi R> <Frekuensi G> <Frekuensi B>
20
Lampiran 4 Isi fail Data_kelompok_P (format libSVM)
<Kelas> <Frekuensi R> <Frekuensi G> <Frekuensi B>
21 Lampiran 5 Tingkat akurasi masing-masing data kelompok dengan kombinasi
parameter linear kernel dan k
C k Akurasi (%)
Data kelompok N Data kelompok P
22
Lampiran 6 Tingkat akurasi masing-masing data kelompok dengan kombinasi parameter polynomial kernel dan k
C d k Akurasi (%)
Data kelompok N Data kelompok P
23
C D k Akurasi (%)
Data kelompok N Data kelompok P
2 4 5 94 86
6 94 86
7 94 86
8 94 86
3 2 2 95 90
3 95 86
4 95 86
5 95 86
6 95 86
7 95 86
8 95 86
3 2 94 90
3 95 86
4 94 86
5 94 86
6 94 86
7 94 86
8 94 86
4 2 94 90
3 95 86
4 94 86
5 94 86
6 94 86
7 94 86
8 94 86
24
Lampiran 7 Tingkat akurasi data kelompok N dengan kombinasi parameter RBF kernel dan k
Lampiran 8 Tingkat akurasi data kelompok P dengan kombinasi parameter RBF kernel dan k
Lampiran 9 Kode program untuk pembuatan model klasifikasi data kelompok N
1 from svmutil import *
2 y,x=svm_read_problem('/home/pi/libsvm_master/python/Data_kelo mpok_N')
3 prob = svm_problem(y, x)
4 param = svm_parameter('-c 512 -g 0.00012') 5 m = svm_train(prob, param)
6 svm_save_model('Data_kelompok_N.model',m)
Lampiran 10 Kode program untuk pembuatan model klasifikasi data kelompok P
1 from svmutil import *
2 y,x=svm_read_problem('/home/pi/libsvm_master/python/Data_kelo mpok_P')
3 prob = svm_problem(y, x)
4 param = svm_parameter('-c 0.5 -g 0.00049') 5 m = svm_train(prob, param)
25
RIWAYAT HIDUP
Penulis lahir di Bandung, tanggal 22 Juni 1994, merupakan putra kedua dari dua bersaudara dari Ibu Nining Komariah dan Bapak Komarudin. Penulis lulus dari SMA Negeri 1 Baleendah pada tahun 2011, kemudian melanjutkan studi Strata 1 di Departemen Ilmu Komputer, Institut Pertanian Bogor (IPB) melalui jalur SNMPTN Tulis pada tahun yang sama.
Selama mengikuti perkuliahan, penulis menjadi asisten praktikum Algoritma dan Pemrograman pada tahun ajaran 2013/2014, asisten praktikum Organisasi Komputer pada tahun ajaran 2013/2014, dan asisten praktikum Sistem Operasi pada tahun ajaran 2014/2015. Penulis juga aktif di beberapa organisasi intra kampus yaitu Unit Kegiatan Mahasiswa Music/Agriculture/X-Pression!! dan Himpunan Mahasiswa Ilmu Komputer. Bulan Juli-Agustus 2014 penulis melaksanakan Praktik Kerja Lapang di PT Industri Telekomunikasi Indonesia sebagai Project Engineer, selain itu pernah mengikuti program internship di PT Mediatrac Sistem Komunikasi sebagai Data Engineer – Hadoop Developer mulai dari Juli-Oktober 2015.
