PENERAPAN TEKNOLOGI IMAGE PROCESSING PADA SISTEM DIAGNOSA PENYAKIT PADI BERBASIS ANDROID
DENGAN METODE WATERFALL
Laporan Tugas Akhir
Diajukan Untuk Memenuhi Persyaratan Guna Meraih Gelar Sarjana Informatika Universitas Muhammadiyah Malang
Tiara Intana Sari 201810370311235
Bidang Minat Sains Data
PROGRAM STUDI INFORMATIKA FAKULTAS TEKNIK
UNIVERSITAS MUHAMMADIYAH MALANG
2022
i
LEMBAR PERSETUJUAN
ii
LEMBAR PENGESAHAN
iii
LEMBAR PERNYATAAN
iv
ABSTRAK
Indonesia menempati posisi ketiga dengan penghasil beras terbanyak di dunia, sehingga hal tersebut menjadikan padi sebagai sumber makanan pokok yang paling penting di negara ini. Namun, adanya kerugian panen yang disebabkan oleh penyakit padi seringkali tidak dapat diprediksi dan hampir dialami oleh sebagian besar petani di Indonesia. Selain itu, kurangnya jumlah Penyuluh Pertanian Lapangan (PPL) dimana dari 82 ribu desa yang berpontensi dikembangakan pertanian hanya terdapat 73 ribu PPL, sehingga tidak semua masyarakat dalam satu daerah mendapatkan informasi yang akurat mengenai pencegahan maupun pengendalian penyakit tanaman padi. Berdasarkan permasalahan di atas penggunaan Model Waterfall diusulkan dalam pembuatan aplikasi pintar berbasis android yang terintegrasi dengan teknologi pemrosesan gambar menggunakan model Deep Learning. Pada penelitian ini juga dilakukan penggunaan kombinasi model Transfer Learning dalam sistem diagnosa penyakit padi secara realtime dengan tujuan mendapatkan hasil yang akurat dalam proses diagnosanya. Hasil penelitian ini sistem mampu memberikan keakuratan diagnosa hingga 97% dan mampu menampilkan informasi detail mengenai hasil diagnosa.
Sehingga diharapkan sistem ini dapat membawa manfaat dan perubahan yang baik bagi petani padi di Indonesia.
Kata Kunci: Android, Deep Learning, Padi, Pemrosesan Gambar, Transfer Learning.
v
ABSTRACT
Indonesia occupies the third position with the largest rice producer in the world, so that it becomes rice as the most important staple food source in this country. However, crop losses caused by rice disease are often unpredictable and almost experienced by most farmers in Indonesia. In addition, the lack of Field Agricultural Extension Officers (PPL) where out of 82 thousand villages that have the potential for agricultural development there are only 73 thousand PPLs, so that not all communities in one area get accurate information about the prevention and control of rice plant diseases. Based on the above problems, the use of the Waterfall Model is proposed in making smart applications based on Android that are integrated with image processing technology using the Deep Learning model.
This study also uses a combination of Transfer Learning models in the real-time rice disease diagnosis system with the aim of getting accurate results in the diagnosis process. The results of this study are the system is able to provide diagnostic accuracy up to 97% and is able to display detailed information about the results of the diagnosis. So it is hoped that this system can bring benefits and good changes for rice farmers in Indonesia.
Keywords: Android, Deep Learning, Rice, Image Processing, Transfer Learning.
vi
LEMBAR PERSEMBAHAN
Alhamdulillahi rabbil ‘alamin, puji syukur atas kehadirat Allah SWT atas limpaham rahmat serta nikmat-Nya sehingga peneliti dapat menyelesaikan tugas akhir ini. Dalam penyusunan tugas akhir ini tidak luput dari bantuan orang-orang disekeliling peneliti, oleh karena itu peneliti ingin menyampaikan ucapan terimakasih kepada :
1. Bapak Galih Wasis Wicaksono, S.Kom., M.Cs. dan Bapak Mahar Faiqurahman, S.Kom., M.T. selaku dosen pembimbing dalam proses penyusunan tugas akhir.
2. Bapak Mahar Faiqurahman, S.Kom., M.T. selaku dosen wali yang senantiasa membimbing selama proses perkuliahan berlangsung.
3. Bapak/Ibu Dosen Informatika Universitas Muhammadiyah Malang, yang telah memberikan ilmu bermanfaat selama proses perkuliahan.
4. Kedua orang tua yang senantiasa memberikan dukungan dari awal hingga mencapai titik saat ini, yang memberikan semangat serta selalu mendoakan kebaikan saya.
5. Rekan-rekan saya yang tergabung dalam tim kompetisi yang berhasil kami menangkan.
6. Ulfah, Husein, Andika, dan Dika teman saya dari awal kuliah yang telah memberikan dukungan secara akademik maupun non-akademik selama proses perkuliahan.
7. Teman-teman yang menemani saya selama proses kuliah berlangsung, baik teman-teman di Kelas F, maupun teman-teman di organisasi yang telah mengajarkan banyak hal kepada saya
8. Terimakasih untuk diri saya sendiri yang telah berjuang hingga sampai pada titik ini dan dapat menyelesaikan Laporan Tugas Akhir ini dengan baik.
Malang, 25 Januari 2022
Penulis
vii
KATA PENGANTAR
Dengan memanjatkan puji syukur kehadirat Allah SWT. Atas limpahan rahmat dan hidayah-NYA sehingga peneliti dapat menyelesaikan tugas akhir yang berjudul: Penerapan Teknologi Image Processing pada Sistem Diagnosa Penyakit Padi berbasis Android dengan Metode Waterfall”.
Di dalam tulisan ini disajikan pokok-pokok pembahasan yang meliputi desain tampilan aplikasi, kinerja aplikasi, hingga hasil pengujian dari penggunaan aplikasi, yang diharapkan dengan adanya aplikasi ini dapat bermanfaat bagi masyarakat khususnya dalam hal pertanian.
Peneliti menyadari sepenuhnya bahwa dalam penulisan laporan tugas akhir ini masih banyak kekurangan dan keterbatasan. Oleh karena itu peneliti mengharapkan saran yang membangun agar tulisan ini bermanfaat bagi perkembangan ilmu pengetahuan.
Malang, 25 Januari 2022
Penulis
viii
DAFTAR ISI
HALAMAN JUDULLEMBAR PERSETUJUAN ... i
LEMBAR PENGESAHAN ... ii
LEMBAR PERNYATAAN ...iii
ABSTRAK ... iv
ABSTRACT ... v
LEMBAR PERSEMBAHAN ... vi
KATA PENGANTAR ... vii
DAFTAR ISI ... viii
DAFTAR GAMBAR ... x
DAFTAR TABEL ... xi
BAB I PENDAHULUAN ... 1
1.1. Latar Belakang... 1
1.2. Rumusan Masalah ... 3
1.3. Tujuan Penelitian ... 3
1.4. Batasan Masalah ... 3
BAB II TINJAUAN PUSTAKA ... 4
2.1. Penelitian Terdahulu ... 4
2.2. Image Processing ... 5
2.3. Deep Learning ... 6
2.3.1. Convolution Neural Network (CNN) ... 7
2.4. Transfer Learning ... 7
2.4.1. ResNet ... 8
2.5. Model Waterfall ... 8
2.5.1. Analisis Kebutuhan dan Pengumpulan Informasi ... 9
2.5.2. Perancangan ... 9
2.5.3. Implementasi Sistem ... 9
2.5.4. Pengujian ... 9
2.5.5. Deployment Sistem ... 10
2.5.6. Maintenance ... 10
2.6. Black Box Testing ... 10
2.7. User Acceptance Test (UAT) ... 11
ix
BAB III METODE PENELITIAN ... 12
3.1. Analisis Permasalahan ... 13
3.2. Analisis Data ... 13
3.3. Analisis Kebutuhan Sistem ... 14
3.4. Perancangan Database ... 14
3.5. Perancangan Sistem ... 15
3.5.1. Menu Pindai Penyakit Padi ... 15
3.5.2. Menu Daftar Penyakit ... 17
3.6. Perancangan Desain Interface ... 17
3.7. Implementasi Sistem ... 20
3.8. Pengujian Sistem ... 21
3.8.1. Pengujian Black Box ... 21
3.8.2. Pengujian UAT ... 22
3.9. Deployment Sistem ... 23
BAB IV HASIL DAN PEMBAHASAN ... 24
4.1. Menu-menu Aplikasi ... 24
4.1.1. Masuk dan Daftar ... 24
4.1.2. Menu Daftar Penyakit Padi ... 26
4.1.3. Menu Pindai Penyakit ... 29
4.2. Hasil Pengujian ... 32
4.2.1. Hasil Pengujian Black Box ... 32
4.2.2. Hasil Pengujian UAT ... 33
BAB V PENUTUP ... 35
5.1. Kesimpulan... 35
5.2. Saran ... 35
DAFTAR PUSTAKA ... 36
x
DAFTAR GAMBAR
Gambar 2.1. Langkah-langkah Image Processing ... 5
Gambar 2.2. Struktur Deep Learning ... 6
Gambar 2.3. Struktur Model CNN ... 7
Gambar 2.4. Tiga Aspek dalam Transfer Learning ... 8
Gambar 2.5. Tahapan dalam Model Waterfall ... 9
Gambar 3.1. Tahapan Penelitian... 13
Gambar 3.2. Proses perancangan menu Pindai Penyakit ... 16
Gambar 3.3. Kinerja Menu Pindai Penyakit ... 16
Gambar 3.4. Website Admin Kelola Daftar Penyakit ... 17
Gambar 3.5. Proses menambahkan isi Daftar Penyakit ... 17
Gambar 3.6. (a) Login, (b) Register... 18
Gambar 3.7. Menu Utama ... 18
Gambar 3.8. (a) Daftar Penyakit, dan (b) Detail Penyakit. ... 19
Gambar 3.9. (a) Pindai Penyakit, dan (b) Hasil Diagnosa Penyakit ... 19
Gambar 3.10. Implementasi Pada Android Studio ... 20
Gambar 3.11. Website Admin ... 20
Gambar 4.1. Tampilan awal aplikasi ... 24
Gambar 4.2. Tampilan Register ... 25
Gambar 4.3. Pesan Aktivasi pada Email Pengguna ... 25
Gambar 4.4. Tampilan Login ... 25
Gambar 4.5. Tampilan Daftar Penyakit ... 26
Gambar 4.6. Tampilan Detail Penyakit ... 27
Gambar 4.7. Website Kelola Daftar Penyakit ... 27
Gambar 4.8. Detail Penyakit pada Website... 28
Gambar 4.9. Sunting Informasi Daftar Penyakit ... 28
Gambar 4.10. Integrasi Database ke Android Studio ... 29
Gambar 4.11. Mengambil Data Daftar Penyakit ... 29
Gambar 4.12. (a) Pengambilan Gambar, dan (b) Hasil Diagnosa Penyakit ... 30
Gambar 4.13. Integrasi Model Prediksi ke Android Studio ... 31
Gambar 4.14. Mengambil Prediksi Data ... 31
Gambar 4.15. Tampilan Potret Bukan Gambar Padi ... 32
Gambar 4.16. Dokumentasi Pengujian UAT pada Petani Padi ... 34
xi
DAFTAR TABEL
Tabel 2.1. Penelitian Terdahulu ... 4
Tabel 2.2. Skala Likert ... 11
Tabel 3.1. Kebutuhan Sistem ... 14
Tabel 3.2. Atribut Database Akun Pengguna ... 14
Tabel 3.3. Atribut Database Daftar Penyakit ... 15
Tabel 3.4. Pertanyaan pada Pengujian Black Box ... 21
Tabel 3.5. Daftar Pertanyaan pada Pengujian UAT ... 22
Tabel 3.6. Kriteria Persentase UAT ... 23
Tabel 4.1. Hasil Pengujian Black Box ... 32
Tabel 4.2. Hasil Pengujian UAT ... 33
36
DAFTAR PUSTAKA
[1] M. Ishaq, A. T. Rumiati, and E. O. Permatasari, “Analisis Faktor-Faktor yang Mempengaruhi Produksi Padi di Provinsi Jawa Timur Menggunakan Regresi Semiparametrik Spline,” J. Sains dan Seni ITS, vol. 6, no. 1, 2017, doi:
10.12962/j23373520.v6i1.22451.
[2] “Top Country Production of Wheat,” Food and Agriculture Organization of the United Nation, 2019. https://www.fao.org/faostat/en/#rankings/
countries_by_commodity.
[3] M. S. Alfarisi, C. A. Bintang, and S. Ayatillah, “EXSYS (Drone Security with Audio and Expert System) Village for Exploiting Birds and Identifying Rights and Rice Diseases Keeping Food Security and Enhancing Food Development In Indonesia,” J. Appl. Agric. Sci. Technol., vol. 2(1), pp. 35–
50, 2018.
[4] M. Y. Said, I. N. Widiarta, and M. Muhsin, “Petunjuk Teknis: Pengendalian Terpadu Penyakit Tungro,” pp. 1–38, 2007, [Online]. Available:
http://malut.litbang.pertanian.go.id/images/stories/Juknislap- PHTtungro.pdf
[5] Sopialena, Segitiga Penyakit Tanaman. Mulawarman University Press, 2017.
[6] A. Budiman, P. Utomo, and S. Rahayu, “Pengembangan Aplikasi Deteksi Dini Serangan Hama Padi Berbasis Android,” J. Terap. Abdimas, vol. 4, no.
1, p. 33, 2019, doi: 10.25273/jta.v4i1.3805.
[7] P. T. Prasetyaningrum, P. Studi, S. Informasi, P. Studi, and S. Informasi,
“Implementasi Sistem Pakar Berbasis Website,” vol. 3, no. 2, 2020.
[8] F. A. Iskandar, “Sitem Pakar Diagnosis Hama Penyakit Pada Tanaman Padi Menggunakan Metode Certainty Factor Dan Forward Chaining Berbasis Android,” JATI (Jurnal Mhs. Tek. Inform., vol. 2, no. 1, pp. 373–379, 2018, [Online]. Available: https://ejournal.itn.ac.id/index.php/jati/article/view/
1275.
[9] H. Andrianto, Suhardi, A. Faizal, and F. Armandika, “Smartphone application for deep learning-based rice plant disease detection,” 2020 Int.
37
Conf. Inf. Technol. Syst. Innov. ICITSI 2020 - Proc., pp. 387–392, 2020, doi:
10.1109/ICITSI50517.2020.9264942.
[10] BPS, “Jumlah Petugas Penyuluh Lapangan di Indonesia,” Badan Pusat Statistik Provinsi Jawa Timur, 2020. .
[11] K. Chithra and T. Santhanam, “A novel denoising technique for mixed noise removal from grayscale and color images,” J. Theor. Appl. Inf. Technol., vol.
96, no. 3, pp. 626–642, 2018.
[12] V. Hlavac, “Fundamentals of Image Processing,” Opt. Digit. Image Process.
Fundam. Appl., no. July, pp. 71–96, 2011, doi: 10.1002/9783527635245.
ch4.
[13] J. W. G. Putra, “Pengenalan Konsep Pembelajaran Mesin dan Deep Learning,” vol. 4, no. August, pp. 1–235, 2019.
[14] L. Ruiz and R. Vargas, “Deep Learning: Previous and Present Applications,”
J. Aware., vol. 2, no. November 2017, p. 11,13, 2017.
[15] J. Ludwig, “Image Convolution, slides,” pp. 1–8, 2007, [Online]. Available:
http://web.pdx.edu/~jduh/courses/Archive/geog481w07/Students/Ludwig_I mageConvolution.pdf.
[16] L. Toorrey and J. Shavlik, “Transfer Learning,” Data Classif. Algorithms Appl., pp. 657–665, 2014, doi: 10.1201/b17320.
[17] K. He, “Deep Residual Learning for Image Recognition.”
[18] N. Milosevic, “Introduction to Convolutional Neural Networks,” Introd. to Convolutional Neural Networks, no. April, 2020, doi: 10.1007/978-1-4842- 5648-0.
[19] P. Mitra, S. Chatterjee, and N. Ali, “Graphical analysis of MC/DC using automated software testing,” ICECT 2011 - 2011 3rd Int. Conf. Electron.
Comput. Technol., vol. 3, pp. 145–149, 2011, doi:
10.1109/ICECTECH.2011.5941819.
[20] T. Murnane and K. Reed, “On the effectiveness of mutation analysis as a black box testing technique,” Proc. Aust. Softw. Eng. Conf. ASWEC, vol.
2001-Janua, no. November, pp. 12–20, 2001, doi:
38 10.1109/ASWEC.2001.948492.
[21] S. Nidhra, “Black Box and White Box Testing Techniques - A Literature Review,” Int. J. Embed. Syst. Appl., vol. 2, no. 2, pp. 29–50, 2012, doi:
10.5121/ijesa.2012.2204.
[22] B. Priyatna, A. L. Hananto, and M. Nova, “Application of UAT ( User Acceptance Test ) Evaluation Model in Minggon E-Meeting Software Development,” Systematics, vol. 2, no. 3, pp. 110–117, 2020, [Online].
Available: https://journal.unsika.ac.id/index.php/systematics/issue/view/23 5
[23] M. Kramer, “Best Practices in Systems Development Lifecycle : An Analysis based on The Waterfall Model,” Rev. Bus. Financ. Stud., vol. 9, no.
1, pp. 77–84, 2018.
[24] V. K. Shrivastava, M. K. Pradhan, S. Minz, and M. P. Thakur, “Rice plant disease classification using transfer learning of deep convolution neural network,” Int. Arch. Photogramm. Remote Sens. Spat. Inf. Sci. - ISPRS Arch., vol. 42, no. 3/W6, pp. 631–635, 2019, doi: 10.5194/isprs-archives-XLII-3- W6-631-2019.
[25] T. Setiady, “Leaf Rice Disease: This data was taken in Southeast Sulawesi, Indonesia.,” Kaggle, 2021. https://www.kaggle.com/tedisetiady/leaf-rice- disease-indonesia.
[26] P. P. dan P. T. Pangan, “Petunjuk Teknik Hama Penyakit,” 2007.
[27] P. Robinson, “Hama dan Penyakit Tanaman Padi dan Deskripsi Padi
Sawah,” pp. 1–52, 2018, [Online]. Available:
http://kepri.litbang.pertanian.go.id/new/images/pdf/Petunjuk-Teknis/Buku- Saku-Hama-dan-Penyakit-Tanaman-Padi-dan-Diskripsi-Padi-Sawah.pdf.
[28] P. Tungro, “Epidemiologi dan Strategi Pengendalian Penyakit Tungro,”
Iptek Tanam. Pangan, vol. 3, no. 2, pp. 184–204, 2015.
[29] E. C. Foster and S. Godbole, “Database systems: A pragmatic approach,”
Database Syst. A Pragmatic Approach, pp. 1–595, 2016, doi: 10.1007/978- 1-4842-1191-5.
39
[30] W. N. Cholifah, Y. Yulianingsih, and S. M. Sagita, “Pengujian Black Box Testing pada Aplikasi Action & Strategy Berbasis Android dengan Teknologi Phonegap,” STRING (Satuan Tulisan Ris. dan Inov. Teknol., vol.
3, no. 2, p. 206, 2018, doi: 10.30998/string.v3i2.3048.
[31] M. S. Mustaqbal, R. F. Firdaus, and H. Rahmadi, “Pengujian Aplikasi menggunakan Black Box Testing Boundary Value Analysis (Studi Kasus : Aplikasi Prediksi Kelulusan SNMPTN),” vol. I, no. 3, pp. 31–36, 2015.
40
