Fakultas Ilmu Komputer
4002
Pengembangan Sistem Prediksi Hama Wereng Berdasarkan Data Cuaca
Sensor Dan Cuaca Online Menggunakan Metode
Naive Bayes
Rudy Agus Santoso1, Dahnial Syauqy2, Mochammad Hannats Hanafi Ichsan3 Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya
Email: 1rudyagus1@gmail.com, 2dahnial87@ub.ac.id, 3hanas.hanafi@ub.ac.id
Abstrak
Padi (Oryza sativa L) adalah komoditas penting dalam bidang pertanian karena beras merupakan kebutuhan pokok rakyat Indonesia. Hama wereng coklat (Nilaparvata lugens) merupakan salah satu kendala yang menyebabkan keringnya tanaman padi sehingga berdampak pada menurunnya hasil panen. Pada penelitian ini akan dikembangkan sistem untuk memprediksi hama wereng berdasarkan parameter suhu, kelembaban dan curah hujan menggunakan metode Naive Bayes. Data uji fitur suhu dan kelembaban didapatkan dari sensor DHT11 sedangkan data curah hujan didapatkan secara online dari penyedia situs cuaca melalui modul ESP8266. Data latih keadaan serangan hama dan cuaca didapatkan dari lembaga yang terkait dengan serangan hama wereng, dan informasi data cuaca. Dari data uji dan data latih tersebut akan diproses oleh Mikrokontroler Arduino Uno untuk memprediksi ada atau tidaknya hama wereng menggunakan metode Naive Bayes. Pada pengambilan data uji yang dilakukan sensor DHT11, hasil pembacaan fitur suhu dan kelembaban mempunyai nilai error sebesar 2,14 % untuk suhu dan 1,71 % pada kelembaban. Dalam pengujian pembacaan data curah hujan, terdapat perbedaan nilai antara situs cuaca dan BMKG dengan nilai error sebesar 22,51 %. Untuk pengujian akurasi klasifikasi Naive Bayes, didapatkan nilai akurasi sebesar 83,33% dengan 6 data uji dari 17 data latih. Pada pengujian akurasi dengan data uji dari sensor didapatkan nilai akurasi sebesar 85,71% dengan 19 data latih dan 21 kali pengambilan data uji.
Kata kunci: Tanaman padi, Hama wereng. Naive bayes, cuaca, DHT11, ESP8266
Abstract
Rice (Oryza sativa L) is an important commodity in agriculture because the needs for rice as the primary food of the Indonesian people. Brown planthopper (Nilaparvata lugens) is one of the obstacles that causes rice plants dry so that impact on the decreasing yields. This research will be developing a system to predict pests of planthopper based on parameters of temperature, humidity and rainfall using Naive Bayes method. Temperature and humidity features using test data that obtained from the DHT11 sensor while rainfall data was obtained online from an online weather site provider via ESP8266 module. The Data training of pest and weather conditions are obtained from institutions associated with Brown Grasshopper attack, and weather data information. The test data and training data will be processed by Arduino Uno Microcontroller to predict the presence of Brown Grasshopper using Naive Bayes method. In the test data taken by DHT11 sensor, the temperature and humidity feature readings have a good accuracy value with an error value of 2.14% for temperature and 1.71% on humidity. In testing of rainfall data readings, there is difference of value between weather site and BMKG with error value equal to 22,51%. To test the accuracy of Naive Bayes classification, obtained an accuracy of 83.33% with 6 test data from 17 data train. In testing the accuracy with the test data from the sensor obtained an accuracy of 85.71% with 19 training data and 21 times the data collection test.
Keywords: Rice plant, Aphis planthoppers. Naive bayes, weather, DHT11, ESP8266
1. PENDAHULUAN
Padi (Oryza sativa L) adalah komoditas penting dalam bidang pertanian karena
kendala yang menyebabkan hasil panen menurun, salah satunya adalah hama wereng.
Di Indonesia, hama wereng sering ditemukan dalam jumlah populasi yang tinggi sehingga mengakibatkan keringnya tanaman padi atau disebut hopperburn. Menurut Baehaki (2012) dalam kurun waktu tahun 1991 - 2000 terjadi serangan seluas 313 ribu ha dan pada tahun 2001 - 2010 relatif meningkat menjadi 361 ribu ha, 11 ribu ha di antaranya puso. Pada tahun 2011 , serangan wereng coklat mencapai 218 ribu ha dan di antaranya puso. Data dari Dinas Tanaman Pangan, Holtikultura dan Perkebunan Kabupaten Malang (2017) menunjukkan bahwa pada musim penghujan oktober 2016 sampai Maret 2017 telah terjadi serangan wereng coklat dengan jumlah serangan sebesar 835 ha dan luas terancam sebesar 3.887 ha.
Peningkatan populasi hama padi dipengaruhi oleh faktor dalam dan faktor luar. Faktor luar diantaranya yaitu iklim / cuaca (suhu, kelembaban, curah hujan), keadaan pertanaman padi (cara budidaya, varietas), penggunaan insektisida dan populasi musuh alaminya. Sedangkan faktor dalam diantaranya yaitu sifat biologi hama (perbandingan jantan betina, keperidian, migrasi dan mortalitas). Faktor iklim berpengaruh terhadap beberapa hal seperti siklus hidup, keperidian atau kemampuan untuk menghasilkan keturunan, lama hidup dan lain sebagainya. Menurut Baehaki & I (2009) atribut populasi wereng coklat pada kisaran suhu 24 – 33,5 ºC dengan kelembaban 60 – 99%. Dengan adanya pengaruh perubahan iklim terhadap serangan hama padi , perlu adanya upaya untuk menganalisa kemungkinan munculnya serangan hama wereng dengan mengetahui suhu, kelembaban, dan curah hujan yang mendekati keadaan serangan hama wereng di masa tanam sebelumnya, sehingga dapat diketahui potensi serangan hama wereng di masa sekarang.
Penelitian mengenai hubungan iklim terhadap populasi hama dan musuh alami pada tanaman padi pernah dilakukan oleh Trisnaningsih (2015), yaitu dengan melakukan pengamatan lapang dan mendapatkan hasil bahwa terdapat keterkaitan antara hama wereng coklat dan musuh alami dengan keadaan iklim / cuaca yaitu suhu, kelembaban, curah hujan.
Penelitian lainnya pernah dilakukan oleh Wahyuwono (2012) yaitu dengan melakukan identifikasi kemunculan serangan hama berdasarkan data historis klimatologi menggunakan metode naive bayes. Pada penelitian tersebut data input diambil dari data
cuaca online yang kemudian diklasifikasikan dengan perangkat PC sebagai unit pemrosesnya. Pada penelitian ini akan dibuat sistem untuk mengembangkan identifikasi keberadaan serangan hama wereng dengan parameter / fitur suhu, kelembaban, curah hujan pada data latih dan data uji menggunakan metode naive bayes. Data latih diambil dari lembaga dan situs online penyedia data cuaca, data serangan hama wereng didapatkan dari lembaga yang terkait. Data uji diambil dari sensor DHT11 untuk suhu dan kelembaban, modul ESP8266 untuk data curah hujan. Dari data input tersebut akan diproses oleh Mikrokontroler Arduino Uno sebagai unit ppemrosesnya. Tujuan dari sistem yaitu untuk memprediksi ada atau tidaknya hama wereng menggunakan metode naive bayes tanpa memperhitungkan berapa intensitas serangan yang terjadi.
2. PERANCANGAN DAN IMPLEMENTASI
2.1 Gambaran Umum Sistem
Gambar 1. Diagram Blok Sistem
Ketiga data akan dijadikan sebagai input yang diolah menggunakan metode naive bayes untuk mengklasifikasikan ada atau tidaknya hama wereng dalam suatu lingkup wilayah tertentu dengan memperhatikan keadaan yang sudah terjadi sebelumnya. Proses klasifikasi dengan metode naive bayes diimplementasikan pada Mikrokontroler Arduino Uno sebagai unit pemroses pada sistem. Data latih serangan hama wereng diambil dari Instansi atau Dinas yang terkait dengan data yang dibutuhkan, untuk data latih suhu dan kelembaban diambil dari data BMKG, sedangkan data curah hujan diambil dari situs penyedia data curah hujan yang sama dengan pengambilan data uji. Hasil dari sistem ini akan ditampilkan pada layar LCD 16x2 sebagai antar muka pengguna dengan sistem.
2.2 Perancangan Sistem
Gambar 2. Perancangan Prototype Sistem
Pada perancangan Prototype sistem terdapat beberapa perangkat atau komponen yang saling terhubung satu sama lain. Prototype berbentuk kotak berwarna hitam dengan ukuran panjang 18 cm, lebar 11 cm dan tinggi 6 cm.
Pada bagian dalam kotak terdapat Mikrokontroler Arduino Uno sebagai unit pemroses yang terhubung ke semua perangkat. Sensor DHT11 diletakkan didalam dengan menghadap keluar, hal ini bertujuan agar nilai suhu dan kelembaban lebih terfokus di bagian luar kotak atau disekeliling alat. Modul ESP8266 terletak di sebelah sensor DHT11 dengan sisi antena menghadap ke luar kotak agar modul dapat lebih baik dalam menangkap sinyal dari koneksi internet. Infromasi nilai data dan hasil klasifikasi sistem akan ditampilkan di LCD 16x2 yang ditempat menghadap ke arah pengguna sistem. Push button digunakan untuk memberikan trigger kepada sistem agar memilih nilai data terakhir dan mengolahnya untuk menghasilkan klasifikasi prediksi hama wereng. Terdapat juga saklar yang digunakan untuk memutus tegangan ke modul ESP8266 saat melakukan upload program ke sistem.
Gambar 3. Diagram Skematik Sistem
Pada Gambar 3, terdapat Mikrokontroler Arduino Uno sebagai perangkat utama yang tersambung dengan beberapa perangkat lainnya seperti sensor DHT11, modul ESP8266, LCD16x2 melalui IIC (I2C), Push button, saklar, IC AMS1117 dan resistor.
Gambar 4. Diagram alir pengambilan data uji
Berdasarkan Gambar 4, proses pengambilan data uji diawali dengan menunggu modul ESP8266 terkoneksi dengan internet, jika sudah terhubung maka pengambilan data suhu dan kelembaban dari sensor DHT11 akan ditampilkan secara bersamaan dengan data curah hujan dari modul ESP8266.
Data curah hujan diambil dari situs penyedia data cuaca dimana pada sistem ini mengambil dari www.accuweather.com dengan memilih lokasi yang disamakan dengan lokasi data latih. Dalam proses pengambilan data dari situs sumber data, dibutuhkan platform www.thingspeak.com yang berperan untuk menjembatani porses pengambilan data, dimana thingspeak akan menghasilkan alamat atau URL yang dapat digunakan untuk mengambil data yang dibutuhkan. Proses tersebut dapat digunakan dengan memanfaatkan layanan
“ThingHTTP” yang didalamnya terdapat
beberapa parameter yang harus dilengkapi seperti alamat situs, method, parse string, dll.
Setelah keseluruhan data uji sudah terbaca, maka sistem dapat melakukan klasifikasi dengan menekan push button.
Gambar 5. Diagram alir perhitungan naive bayes
Dalam perhitungan naive bayes data masukkan berupa data uji dan data latih, kemudian terdapat fungsi hitung peluang prior, hitung nilai gaussian, hitung peluang posterior,
terakhir menghitung peluang teertinggi yang nantinya dijadikan hasil klasifikasi.
Tabel 1. Data latih serangan hama wereng
N
(OPT) tanaman pangan Dinas Tanaman Pangan, Holtikultura dan Perkebunan Kabupaten Malang. Data suhu dan curah hujan didapatkan dari BMKG, sedangkan data curah hujan dari situs www.accuweather.com.
Gambar 6. Diagram alir fungsi ProbPrior()
Pada klasifikasi naive bayes, tahap pertama yang dilakukan yaitu menghitung nilai prior dari setiap kelas prediksi. Nilai prior adalah nilai terjadinya suatu kelas dengan cara membagi banyaknya data dalam suatu kelas dengan jumlah keseluruhan data yang ada pada data latih. Pada sistem ini terdapat 2 kelas prediksi, yaitu ada wereng dan tidak ada wereng.
Pada tahap kedua, sistem akan menentukan nilai peluang dari setiap fitur. Terdapat 3 fitur yang digunakan dalam sistem ini yaitu fitur pembacaan suhu, kelembaban yang dilakukan oleh sensor DHT11 dan fitur curah hujan yang diambil secara online menggunakan modul ESP8266. Perlu dilakukan perhitungan nilai mean dan standar deviasi masing - masing fitur yang ada pada data latih dengan menggunakan Persamaan (2) dan Persamaan (3). Hasil perhitungan dari mean dan standar deviasi akan dijadikan nilai yang mewakili data latih pada sistem. Kemudian dilanjutkan dengan melakukan perhitungan Gaussian menggunakan Persamaan (1)
Gambar 7. Diagram alir fungsi Gaussian()
Rumus perhitungan Gaussian
𝑃(𝑋 = 𝑥𝑖|𝑌 = 𝑦𝑖) = 1 √2𝜋𝑖𝑗2
𝑒− (𝑥𝑖−𝜇𝑖𝑗)2
2𝜎𝑖𝑗2
Rumus perhitungan mean dan standar deviasi 𝑥̅ =∑
𝑛 𝑖=1𝑥1
𝑛
𝑠 = √∑
𝑛
𝑖=1(𝑥𝑖− 𝑥̅)2
𝑛 − 1
Keterangan :
𝑃(𝑋 = 𝑥𝑖|𝑌 = 𝑦𝑖) : Peluang gaussian
𝜇 𝑎𝑡𝑎𝑢 𝑥̅ : nilai rata – rata (mean) 𝜎 𝑎𝑡𝑎𝑢 𝑠 : nilai standar deviasi
𝑛 : jumlah data
𝑥𝑖 : data ke - i
𝑒 : nilai eksponen (2,718282) (1)
Gambar 8. Diagram alir fungsi ProbPosterior()
Setelah perhitungan Gaussian, tahap selanjutnya yaitu menentukan nilai dari posterior, nilai peluang posterior adalah peluang yang menentukan besarnya peluang setiap kelas pada sistem. Peluang tersebut akan ada ketika setiap fitur telah mendapatkan masukkan nilai dari sensor. Proses penentuan besarnya peluang tiap kelas dilakukan dengan melakukan perkalian antara hasil dari fungsi ProbPrior() dengan fungsi Gaussian().
Pada tahap akhir, proses klasifikasi dengan metode Naive Bayes akan menentukan nilai peluang yang tertinggi dari setiap posterior dengan membandingkan nilai posteroir dengan nilai peluang posterior lainnya. Kelas dengan nilai peluang posterior tertinggi merupakan hasil akhir dari klasifikasi kelas ada wereng dan tidak ada wereng.
2.3 Implementasi Sistem
Pada implementasi sistem terdiri dari implementasi prototype, perangkat keras dan perangkat lunak.
Gambar 9. Implementasi Protoype
Gambar diatas merupakan implementasi prototype sistem, pada bagian atas terlihat sensor DHT11, modul ESP8266, push button, LCD 16x2, dan saklar untuk ON/OFF saat upload program.
Gambar 10. Implementasi perangkat keras nampak dalam
Di sisi dalam, terlihat Arduino uno sebagai unit pemroses yang terhubung ke seluruh komponen lain dengan media project board dan kabel jumper sehingga menjadi satu kesatuan pada sistem.
Pada implementasi perangkat lunak menggunakan IDE Arduino 1.8.0 untuk merealisasikan kode program yang ada, situs penyedia data cuaca dan thingspeak yang menjembatani antara situs penyedia data curah hujan dengan modul ESP8266.
3. PENGUJIAN DAN ANALISIS 3.1 Pengujian Sensor DHT11
Tabel 2. Hasil pengujian sensor DHT11
Untuk perhitungan nilai error dapat dilakukan dengan menggunakan persamaan (4) berikut :
𝑃𝑟𝑒𝑠𝑒𝑛𝑡𝑎𝑠𝑒 𝑒𝑟𝑟𝑜𝑟
=𝑆𝑒𝑙𝑖𝑠𝑖ℎ 𝑛𝑖𝑙𝑎𝑖 𝑝𝑒𝑚𝑏𝑎𝑐𝑎𝑎𝑛𝑃𝑒𝑚𝑏𝑎𝑐𝑎𝑎𝑛 𝑎𝑙𝑎𝑡 𝑢𝑘𝑢𝑟 𝑥 100%
Didapatkan bahwa hasil pembacaan suhu dan kelembaban memiliki selisih perbedaan dengan alat ukur HTC-2. Dengan menggunakan persamaan (4), dari 10 kali pengambilan data, didapatkan nilai error sebesar 2,14 % pada parameter suhu dan 1,71 % pada parameter kelembaban.
3.2 Pengujian Pembacaan Data Curah Hujan
Pengujian pembacaan data curah hujan dilakukan untuk mengetahui tingkat akurasi atau perbedaan nilai data curah hujan yang diambil dari www.accuweather.com dengan nilai data dari Badan Meteorologi, Klimatologi dan Geofisika (BMKG).
Pengujian dilakukan dengan mengamati dan memilih 10 data curah hujan yang ada di www.accuweather.com dan BMKG. Kemudian mengurangi nilai data yang didapat dari www.accuweather.com dengan nilai data dari BMKG. Dari selisih nilai yang didapat tersebut, kemudian dilakukan perhitungan nilai error menggunakan persamaan (4).
Tabel 3. Pengujian pembacaan data curah hujan
No Tanggal
Berdasarkan pengujian yang ditunjukkan pada Tabel 3, dengan memilih 10 kali data curah hujan dari www.accuweather.com dan BMKG, didapatkan nilai perbedaan yang diperoleh dari selisih nilai yang ada dengan rata-rata nilai error sebesar 22,51 %.
3.3 Pengujian Klasifikasi Naive Bayes
Pada pengujian ini bertujuan untuk mengetahui tingkat keakuratan sistem dalam melakukan klasifikasi ada atau tidaknya potensi serangan hama wereng. Data yang ujikan diambil dari data yang sebelumnya dijadikan data latih seperti pada Tabel 1. Dari 17 data keadaan serangan hama wereng, diambil 6 data untuk diujikan sebagai data uji dan 11 data yang dijadikan sebagai data latih.
Hasil klasifikasi sistem akan dibandingkan dengan keadaan serangan yang sudah diketahui sebelumnya. Perhitungan akurasi dari hasil klasifikasi dapat dilakukan dengan melakukan perhitungan menggunakan persamaan (5). 𝐴𝑘𝑢𝑟𝑎𝑠𝑖
=𝑇𝑜𝑡𝑎𝑙 𝑑𝑎𝑡𝑎 − 𝐷𝑎𝑡𝑎 𝑡𝑑𝑘 𝑠𝑒𝑠𝑢𝑎𝑖𝑇𝑜𝑡𝑎𝑙 𝑑𝑎𝑡𝑎 𝑥 100%
Tabel 4. Hasil pengujian klaisifikasi Naive Bayes
2 Mei
Keterangan Tabel : - A = Ada Berdasarkan hasil pengujian klasifikasi prediksi hama wereng menggunakan metode Naive Bayes yang ditunjukkan pada Tabel 4, menunjukkan bahwa dari 6 data yang diujikan terdapat 1 data yang tidak sesuai dengan keadaan serangan yang terjadi sebenarnya. Dengan menggunakan perhitungan akurasi hasil klasifikasi menggunakan Persamaan (5) didapatkan nilai sebesar 83,33 %.
3.4 Pengujian Klasifikasi Naive Bayes dengan Sensor
Tujuan dilakukannya pengujian ini yaitu untuk mengetahui akurasi yang diperoleh sistem menggunakan metode klasifikasi naive bayes dengan data uji dari sensor DHT11 untuk fitur suhu, kelembaban dan dari modul ESP8266 untuk pembacaan fitur curah hujan.
Pengujian dilakukan sebanyak 21 kali dimana setiap 7 kali pengambilan data dilakukan evaluasi perhitungan error dan memasukkan data uji yang memiliki kesesuaian hasil dan memiliki nilai selisih terbesar antar kelas ke data latih untuk menambah akurasi sistem. Pengujian dilakukan pada pagi hari sekitar jam 8.00 WIB – 9.00 WIB diarea persawahan tanaman padi, hal ini disesuaikan dengan pengamatan yang dilakukan oleh petugas pengamat hama Dinas Tanaman Pangan, Holtikultura dan Perkebunan Kab. Malang. Pengamatan dikatakan ada wereng jika pada petak sawah di beberapa rumpun padi terdapat hama wereng baik dengan jumlah 1 ekor atau lebih hama wereng dalam satu rumpun. Penentuan hasil akurasi klasifikasi sitem akan dibandingkan dengan pengamatan secara langsung dan pengamatan manual yang
dilakakukan petugas pengamat hama Dinas Tanaman Pangan, Holtikultura dan Perkebunan Kabupaten Malang.
Tabel 5. Hasil pengujian klasifikasi naive bayes
N
Berdasarkan hasil pengujian klasifikasi prediksi hama wereng menggunakan metode naive bayes dengan data uji dari sensor DHT11 dan modul ESP8266 yang ditunjukkan pada Tabel 5 menunjukkan bahwa dari 21 kali pengambilan data terdapat 3 kali hasil yang tidak sesuai dengan keadaan pengamatan hama secara langsung dan hasil dari petugas pengamat hama Dinas Tanaman Pangan, Holtikultura dan Perkebunan Kabupaten Malang. Dengan menggunakan persamaan (5), maka perhitungan nilai akurasi hasil klasifikasi adalah sebesar 85,71 %.
4. KESIMPULAN
Untuk melakukan implementasi sistem, dilakukan perhitungan dari data latih dan data uji yang akan diklasifikasikan menggunakan metode Naïve Bayes.
Hasil pembacaan sensor DHT11 memiliki nilai error 2,14 % untuk fitur suhu dan 1,7 % untuk fitur kelembaban. Dalam pengujian pembacaan nilai curah hujan, didapatkan selisih perbedaan antara nilai curah hujan dari www.accuweather.com dengan BMKG rata-rata sebesar 22,51%. Untuk hasil akurasi dari klasifikasi naive bayes, didapatkan nilai akurasi sebesar 83,33% dengan 6 data yang diujikan dari 17 data latih. Pada pengujian dengan data uji dari sensor didapatkan nilai akurasi sebesar 85,71% dengan jumlah data latih sebanyak 19 dan pengambilan data uji sebanyak 21 kali.
DAFTAR PUSTAKA
Amani, R. Z. (2017). Sistem Pendeteksi Dehidrasi Berdasarkan Warna dan Kadar Amonia pada Urin Berbasis Sensor Tcs3200 dan Mq135 dengan Metode Naive bayes. SKRIPSI, Universitas Brawijaya, Teknik Informatika. Arduino. (2016, 12 12). Retrieved from
Arduino UNO & Genuino UNO:
https://www.arduino.cc/en/Main/Arduino BoardUno
Astuti, E. H. (2016). Sistem Pendukung Keputusan Deteksi Dini Penyakit Stroke menggunakan Metode Naive bayes. SKRIPSI, Universitas Brawijaya, Teknik Informatika.
Baehaki, S. E. (2012). Perkembangan biotipe hama wereng coklat pada tanaman padi. Subang: Balai besar penelitian tanaman padi.
Baehaki, S. E., & I, N. W. (2009). Hama wereng dan cara pengendaliaanya pada tanaman padi. Balai besar penelitian tanaman padi.
Hadi, M. (2009). Biologi Insekta Entomologi. Yogyakarta: Graha Ilmu.
tanaman-pangan.malangkab.go.id. (2017, July). Berita Terkini | Dinas Tanaman Pangan Hortikultura & Perkebunan PemKab Malang. Retrieved from tanaman-pangan.malangkab.go.id.
Trisnaningsih. (2015). Hubungan iklim
terhadap populasi hama dan musuh alami pada. Retrieved 4 12, 2017, from
http://biodiversitas.mipa.uns.ac.id/M/M0 106/M010643.pdf
Wahyono, T. (2012). Rancang Bangun Sistem
“Permadi” : Peringatan Dini Serangan
Hama Tanaman Padi Berbasis. Retrieved 4 21, 2017, from
http://eprints.undip.ac.id/40511/1/19_jurn al_siskom-vol2-num1.pdf
www.circuitbasics.com. (2017, September). How to Set Up the DHT11 Humidity Sensor on an Arduino. Retrieved from http://www.circuitbasics.com.
www.esp8266.com. (2017, September). *Solved* Using GET command to get data from ThingHTTP - Everything ESP8266. Retrieved from
http://www.esp8266.com.
