Fakultas Ilmu Komputer
Kelompok Penyakit Tanaman Apel Menggunakan Metode
K-Means
Berbasis Web
Askia Sani1, Nurul Hidayat2, Ratih Kartika Dewi3
Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya Email: 1[email protected], 2[email protected], 3[email protected]
Abstrak
Keadaan tanaman apel yang baik bisa dideteksi dengan mengidentifikasi penyakit pada apel. Salah satu metode untuk mendeteksi penyakit apel bisa dilakukan dengan K-Means. Aplikasi pengelompokan penyakit tanaman apel menggunakan metode k-means berbasis android ini dapat mempermudah mendeteksi penyakti tanaman apel, aplikasi ini berbasis android sehingga pengguna dapat dengan mudah menjalankan aplikasi ini dimana saja dan kapan saja dengan handphone pengguna. Yang mana pembahasan ini tentang membangun aplikasi sistem pendeteksi yang dapat digunakan pengguna untuk mendeteksi terdapatnya hama dalam perkebunan apel. Aplikasi sistem diganosa penyakit tanaman apel dapat menampilkan hasil diagnosis dengan cepat dan tepat berdasarkan gejala-gejala yang dimasukan oleh user. Untuk membuat hasil diagnosis menjadi sangat valid, maka data gejala yang dimasukan kedalam sistem pendukung keputusan adalah suatu data gejala, harus lengkap artinya gejala-gejala yang bisa mengarah ke suatu penyakit tersebut harus dimasukan secara lengkap, karena kesimpulan hasil diagnosis (persentase) yang ditampilkan dihitung secara otomatis oleh sistem dengan menggunakan k-means.
Kata Kunci: K-Means, Data Mining, Clustering, Diagnosis Tanaman Apel
Abstract
The state of a good apple plant can be detected by identifying the disease in apples. One method to detect apple disease can be done with K-Means. Application of apple plant disease grouping using this android based K-Means method can make it easier to detect the apple plant penyakti, this application is based on android so that users can easily run this application anywhere and anytime with the user's mobile phone. This is where the discussion is about building a detection sistem application that users can use to detect the presence of pests in apple plantations. Application of diganosa sistem of apple plant disease can display diagnosis result quickly and precisely based on the symptoms entered by user. To make the diagnosis become very valid, then the data of symptoms included into decision support sistem is a symptom data, must be complete meaning of symptoms that can lead to a disease must be entered in full, because conclusion of diagnosis result (percentage) shown counted Automatically by the sistem using K-Means.
Keywords: K-Means, Data Mining, Clustering, Diagnosis of Apple Plant
1. PENDAHULUAN
Indonesia dikenal sebagai negara penghasil buah terbesar karena tanah di Indonesia merupakan tanah yang sangat subur dan produktif serta sebagian besar rakyatnya hidup dari pertanian. Sebagian besar rakyat yang tinggal di daerah pergunungan ataupun bukit memanfaatkan kesuburan tanahnya dengan menanam buah-buahan dan pula kondisi alam,
cuaca, dan budaya masyarakatnya yang sangat mendukung sector pertanian buah-buahan.
Namun sungguh ironis dalam
penanggulangan hama terhadap buah sangatlah sulit, sehingga dalam masa panen petani buah harus memilah antara buah segar dan buah yang berhama sebelum dijual terhadap pembeli, terutama pada tanaman apel.
yang bisa memberikan suatu informasi tentang keadaan tanaman apel. Keadaan tanaman apel
yang baik bisa dideteksi dengan
mengidentifikasi penyakit pada apel. Salah satu metode untuk mendeteksi penyakit apel bisa dilakukan dengan K-Means.
Algoritma K-means merupakan salah satu algoritma dengan partitional, karena K-Means didasarkan pada penentuan jumlah awal kelompok dengan mendefinisikan nilai centroid awalnya (Madhulatha, 2012). Algoritma K -means menggunakan proses secara berulang-ulang untuk mendapatkan basis data cluster. Dibutuhkan jumlah cluster awal yang diinginkan sebagai masukan dan menghasilkan titik centroid akhir sebagai output. (HUNG et al., 2005, Saranya & Punithavalli, 2011, Eltibi & Ashour, 2011).
Berdasarkan hasil penelitian yang telah dilakukan Hervisari, S. Musdalifah, dan I W. Sudarsana, menyimpulkan bahwa Algoritma KMeans dapat digunakan untuk mendiagnosis penyakit gagal ginjal kronis, dimana hasil penelitian menunjukkan bahwa dari 10 pasien, ada 5 pasien yang menderita penyakit gagal ginjal kronis dan 5 pasien lagi dengan diagnosis gagal ginjal yang masih dapat disembuhkan.
Aplikasi ini berbasis mobile Android, sehingga pengguna dapat dengan mudah menjalankan aplikasi ini dimana saja dan kapan saja dengan handphone pengguna. Yang mana pembahasan ini tentang membangun aplikasi sistem pendeteksi yang dapat digunakan pengguna untuk mendeteksi terdapatnya hama dalam perkebunan apel.
Oleh karna itu penulis membuat aplikasi
untuk membantu pengguna melakukan
identifikasi penyakit apel melalui sistem pendeteksi, apakah tanamanya apel terkena penyakit atau tidak, dalam hal ini penulis
mengambil judul “Identifikasi penyakit apel dengan metode K-Meansberbasis android”.
2. LANDASAN TEORI
2.1 Apel
Apel (Malus domestica Borkh.) termasuk rajanya buah komersial karena konsumennya luar biasa banyaknya. Di Indonesia, apel diperkenalkan oleh orang Belanda dan dikembangkan oleh orang Indonesia. Sayangnya daerah di Indonesia yang cocok ditanami apel masih sangat terbatas. Daerah Batu, Malang, merupakan sentra apel di Indonesia karena
tanaman ini banyak diusahakan sebagai suatu usaha tani. Oleh penduduk di Malang tanaman ini ditanam di pekarangan maupun di kebun (Untung, 1996). Menurut Untung (1996), dalam tatanama atau sistemik (taksonomi) tumbuhan tanaman apel, diklasifikasikan sebagai berikut: Kingdom : Plantae, Divisi : Spermatophyta, Sub-divisi : Angiospermae, Kelas : Dicotyledonae Ordo : Rosales, Family : Rosaceae, Genus : Malus, Spesies : Malus domestica.
Apel diketahui mengandung beberapa vitamin dan mineral yang bermanfaat bagi manusia. Sebutir apel berdiameter 5-7 cm mengandung vitamin A 900 IU/100 g, tiamin 7 mg, riboflavin 3 mg, niasin 2 mg, vitamin C 5 mg, protein 3 g, energi 58 kalori, lemak 4 g, karbohidrat 14,9 g, kalsium 6 mg, besi 3 mg, fosfor 10 mg, dan kalium 130 mg (Untung, 1996). Dengan kandungan seperti itu ada orang berpendapat bahwa tingkat keasaman yang rendah pada apel meningkatkan produksi air liur yang baik untuk kesehatan gigi. Penelitian menunjukkan bahwa memakan apel sebutir sehari memperkecil risiko terkena asma, arthritis, dan penyakit kulit (Untung, 1996). Selain dimakan segar, apel bisa diolah menjadi jam (selai), jeli, dan sari buah. Meski namanya olahan, tetapi bukan berarti yang dipakai apel busuk atau cacat. Biasanya yang diolah apel berukuran kecil atau tanaman apel hasil penjarangan. Kandungan pektin pada apel sekitar 24%. Pektin yang dapat membentuk gel bila ditambah gula pada pH tertentu, memegang peranan penting dalam industri jeli, sari buah, dan selai (Untung, 1996).
2.2 K-Means
agar mendapatkan kinerja yang lebih tinggi (HUNG et al., 2005, Saranya & Punithavalli, 2011, Eltibi & Ashour, 2011).
Berikut ini langkah-langkah yang terdapat pada algoritma K-Means (Ediyanto et al., 2013): 1. Tentukan k sebagai jumlah cluster yang dibentuk, Untuk menentukan banyaknya cluster k dilakukan dengan beberapa pertimbangan seperti pertimbangan teoritis dan konseptual yang mungkin diusulkan untuk menentukan berapa banyak cluster. 2. Tentukan k centroid (titik pusat cluster)
awal secara random Penentuan centroid awal dilakukan secara random/acak dari objekobjek yang tersedia sebanyak k cluster, kemudian untuk menghitung centroid cluster ke-i berikutnya, digunakan rumus seperti pada persamaan 1.
𝑣 =∑𝑛𝑖=1𝑋𝑖
𝑛 ; 𝑖 = 1,2,3, … 𝑛 (1) Dimana:
𝑣 : centroid pada cluster
𝑋𝑖 : objek ke-i
𝑛 : banyaknya objek/jumlah objek yang menjadi anggota cluster
3. Hitung jarak setiap objek ke masing-masing centroid dari masingmasing cluster. Untuk menghitung jarak antara objek dengan centroid dapat menggunakan Euclidian Distance seperti pada persamaan 2.
𝑑(𝑥, 𝑦) = |𝑥 − 𝑦| = √∑ (𝑋𝑖 − 𝑌𝑖)𝑛 2
4. Alokasikan masing-masing objek ke dalam centroid yang paling dekat. Untuk melakukan pengalokasian objek kedalam masing-masing cluster pada saat iterasi secara umum dapat dilakukan dengan cara hard kmeans dimana secara tegas setiap objek dinyatakan sebagai anggota.
5. Lakukan iterasi, kemudian tentukan posisi centroid baru dengan menggunakan persamaan (2)
Ulangi langkah 3 jika posisi centroid baru tidak sama
3 PERANCANGAN SISTEM
3.1 Gambaran Umum Sistem
Desain sistem klasifikasi penyakit apel orang tua menggunakan metode K-Means
ditunjukkan pada gambar 1.
server
Gambar 1. Arsitektur sistem
Sistem yang akan di buat yang terdiri dari satu aktor yaitu user sebagai pengguna sedangkan server sebagai penyimpanan dan proses data yang di dalamnya terdapat data
training, data uji dan metode K-Means. Sesuai dengan kebutuhan sistem yang diterapkan, akan digunakan dua parameter input yaitu data pengguna dan data hasil proses hitung pengguna.
User akan memasukan nilai dari variabel seperti pada data input, data input yang akan menjadi inputan dalam proses perhitungan K-Means, hasilnya akan menjadi output terhadap user
berupa hasil diagnosis penyakit tanaman apel.
3.2 Flowchart sistem
Start
Gejala, Jumlah Cluster
Cluster Penyakit Apel Menentukan centroid awal
Tempatkan setiap data pada cluster
End Hitung Jarak
Jika Cluster berubah?
Tidak
Ya
Gambar 2. Alur kerja sistem
3.3 Diagram Konteks
Diagram konteks berisi gambaran umum (secara garis besar) sistem yang akan dibuat. Secara kalimat, dapat dikatakan bahwa diagram
konteks ini berisi “siapa saja yang memberi data
(dan data apa saja) ke sistem, serta kepada siapa saja informasi (dan informasi apa saja) yang
harus dihasilkan sistem. ”Jadi, yang dibutuhkan
adalah :
1) Siapa saja pihak yang akan memberikan data ke sistem.
2) Data apa saja yang akan di olah sistem. 3) Kepada siapa sistem harus memberi
informasi atau laporan.
4) Apa saja isi/ jenis laporan yang harus dihasilkan sistem.
Kata “Siapa” di atas dilambangkan dengan kotak persegi (disebut dengan terminator), dan
kata “apa” di atas dilambangkan dengan aliran data (disebut dengan data flow), dan kata
“sistem” dilambangkan dengan lingkaran
(disebut dengan process).
Data yang diinformasikan user kepada admin adalah data pengguna dan hasil proses hitung yang telah diolah menggunkan metode K-Means. Gambaran umum untuk sistem ditunjukkan pada gambar 3.
HA SIL K ME ANS
DA TA P ARA ME TER
1
SIS TEM DIA GNOSA PENYAK IT AP EL User
Gambar 3. Diagram konteks
User bertugas mengisi data pengguna pada sistem proses hitung data test yang akan di proses oleh K-Means dan menginformasikan hasil berupa penyakit yang di derita oleh tanaman apel.
4 IMPLEMENTASI
4.1 Implementasi Interface
Implementasi user interface terdiri dari beberapa tampilan pada menu-menu yang ada pada aplikasi. Desain dari user interface yang baik pada suatu sistem dapat mempermudah user untuk menggunakan sistem tersebut. Berikut user interface pada sistem yang sudah dibangun, diantaranya adalah:
a Menu Utama
Gambar 4.User interface menu utama
b Menu Dashboard
Menu dashboard merupakan menu awal untuk user, menu user berfungsi untuk menampilkan penjelasan sistem yang digunakan serta metode yang digunakan. Tampilan halaman dashboard aplikasi ditunjukkan pada gambar 5.
Gambar 5.User interface menu dashboard
c Form Diagnosis.
Didalam form diagnosis terdapat gejala-gejala yang sudah di tentukan untuk user
melakukan diagnosis, user akan melakukan diagnosis dengan men check-list pilihan gejala sesuai gejalan yang di derita tanaman apel setelah itu sistem akan menampilkan hasil dari diagnosis yang dihitung oleh sistem menggunakan metode K-Means. Form diganosa ditunjukkan pada gambar 6.
Gambar 6. User interface menu diagnosis
d Form Hasil diagnosis
Hasil dari diagnosis menggunakan K-Means data sebelum nya setelah diklikkan proses diagnosis maka hasil dari diagnosis akan di tampilkan. Form hasil diagnosis ditunjukkan pada gambar 7.
e Form Data Gejala Penyakit
Gambar 7.User interface hasil diagnosis
Gambar 8.User interface data gejala penyakit
5 PENGUJIAN
Berdasarkan pengujian yang telah dilakukan sebanyak 3 kali percobaan seperti pada percobaan yang ke 3 lihat pada table pengujian. Adapun penjelasan dari setiap percobaan adalah sebagai berikut:
1. Pada percobaan 1, peneliti mencoba jumlah data training pada datababse sebanyak 80 data. Didapatkan hasil akurasi sebesar 55.00%.
2. Pada percobaan 2, peneliti mencoba jumlah data training pada datababse sebanyak 90 data. Didapatkan hasil akurasi sebesar 60.00%.
3. Pada percobaan 3, peneliti mencoba jumlah data training pada datababse sebanyak 70 data. Didapatkan hasil akurasi sebesar 53.33%.
Dari percobaan ke-1, ke-2, ke-3, diketahui bahwa semakin banyak jumlah data training maka semakin tinggi tingkat akurasi. Oleh karena itu peneliti hanya percobaan yang ke-3 karena telah menghasilkan tingkat akurasi yang lebih tinggi.
6 KESIMPULAN
Dari hasil pengujian terhadap Aplikasi Sistem diganosa penyakit tanaman apel yang dibangun, kesimpulannya adalah program aplikasi sistem diganosa penyakit tanaman apel dapat menyelesaikan masalah yaitu bisa menampilkan hasil diagnosis dengan cepat dan tepat berdasarkan gejala-gejala yang dimasukan oleh user. Untuk membuat hasil diagnosis menjadi sangat valid, maka data gejala yang dimasukan kedalam sistem pendukung keputusan adalah suatu data gejala, harus lengkap artinya gejala-gejala yang bisa mengarah ke suatu penyakit tersebut harus dimasukan secara lengkap, karena kesimpulan hasil diagnosis (persentase) yang ditampilkan dihitung secara otomatis oleh sistem dengan menggunakan k-means. Sehingga dari data gajala itulah, user bisa mengetahui penyakit tanaman apel apa yang diderita sehingga dapat di cari solusi penanganannya dan obat penyembuhnya dengan akurat.
DAFTAR PUSTAKA
Davies, and Paul Beynon, Database Sistems Third Edition, Palgrave Macmillan, New York, 2004.
Dewi, Novaria Sari. 2015. Penetapan Kadar Vitamin C Dari Jus Buah Apel (Malus Domestica Borkh.) Yang Berwarna Merah Dan Hijau Secara Titrasi Dengan 2,6-Diklorofenol Indofenol Pada Beberapa Interval Waktu. Unversitas Sumatera Utara, Medan.
Iko, Pramudiono. 2003. Pengantar Data Mining: Menambang Permata Pengetahuan Di Gunung Data.
Moertini, Veronica. 2002. Data Mining Sebagai Solusi Bisnis.
Munir, Rinaldi. 2006. Diktat Kuliah IF2153 Edisi Keempat. Program Studi Teknik Informatika, Sekolah Tekniok Elektro dan Informatika. Institut Teknologi Bandung, Bandung.
Santosa, Budi. 2007. Data Mining Teknik Pemanfaatan Data untuk Keperluan Bisnis. GrahaIlmu, Yogyakarta.
