APLIKASI PERANGKAT UJI PUPUK BERBASIS ANDROID
MENGGUNAKAN FITUR WARNA
RANDA MARSHA FENRIZAL
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
BOGOR 2014
PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa skripsi berjudul Aplikasi Perangkat Uji Pupuk Berbasis Android Menggunakan Fitur Warna 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.
Bogor, September 2014
Randa Marsha Fenrizal
ABSTRAK
RANDA MARSHA FENRIZAL. Aplikasi Perangkat Uji Pupuk Berbasis Android Menggunakan Fitur Warna. Dibimbing oleh KARLISA PRIANDANA dan DIAH SETYORINI.
Banyak beredarnya pupuk dengan kadar hara di bawah standar seringkali merugikan petani. Untuk mengatasi hal ini, Kementerian Pertanian telah mengembangkan Perangkat Uji Pupuk (PUP) untuk digunakan di lapangan. Namun, pengkategorian kadar hara masih dilakukan secara manual yaitu dengan menggunakan bagan warna sehingga kelas kadar haranya terbatas pada 2.5%, 5%, 10%, 15%, dan 20%. Penelitian ini bertujuan untuk meningkatkan hasil pembacaan pupuk menjadi lebih kuantitatif dan mempermudah proses klasifikasi larutan pupuk. Metode klasifikasi yang digunakan adalah k-Nearest Neighbors (kNN) dengan memanfaatkan fitur histogram hue pada ruang citra HSV. Klasifikasi dilakukan dengan resolusi 2% untuk kadar hara Nitrogen (N) dan Fosfor (P). Hasil penelitian menunjukkan bahwa akurasi terbaik yang diperoleh yaitu 79.54% untuk N dengan nilai root mean square error (RMSE) 1.59 dan 30% untuk P dengan nilai RMSE 4.764. Kedua akurasi terbaik ini diperoleh pada nilai k = 9.
Kata kunci: Hue Saturation Value (HSV), k-nearest neighbour (kNN), Perangkat Uji Pupuk.
ABSTRACT
RANDA MARSHA FENRIZAL. Android-Based Fertilizer Test Kit Application Using Color Feature. Supervised by KARLISA PRIANDANA and DIAH SETYORINI.
The distribution of counterfeit fertilizer has bring many disadvantages to farmers. To overcome this issue, the Ministry of Agriculture has developed the Fertilizer Test Kit that can be used directly in the field. However, the categorization of nutrient levels are still done manually by using a color chart. Therefore the nutrient level classes are limited to 2.5%, 5%, 10%, 15%, and 20%. The purpose of this research is to improve the classification of fertilizer nutrient level, both from the precision and simplicity. K-Nearest Neighbors (kNN) is used as the classification method with k = 3, 6, and 9. The histrogram of hue component in HSV color space is treated as the feature. Classification is done with 2% resolution to Nitrogen (N) and Phosphorus (P) nutrient levels. The results showed that the best accuracy is 79.54% for N with a root mean square error value (RMSE) of 1.59 and 30% for P with RMSE 4,764. Both were obtained at k = 9.
Keywords: fertilizer test kit, Hue Saturation Value (HSV), k-nearest neighbour (kNN)
Skripsi
sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer
pada
Departemen Ilmu Komputer
APLIKASI PERANGKAT UJI PUPUK BERBASIS ANDROID
MENGGUNAKAN FITUR WARNA
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
BOGOR 2014
Judul Skripsi : Aplikasi Perangkat Uji Pupuk Berbasis Android Menggunakan Fitur Warna
Nama : Randa Marsha Fenrizal NIM : G64100113
Disetujui oleh
Karlisa Priandana, ST MEng Pembimbing I
Dr Ir Diah Setyorini, MSc Pembimbing II
Diketahui oleh
Dr Ir Agus Buono, MSi MKom Ketua Departemen
PRAKATA
Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Judul penelitian yang dilaksanakan sejak bulan November 2013 ini ialah Aplikasi Perangkat Uji Pupuk Berbasis Android Menggunakan Fitur Warna.
Terima kasih penulis ucapkan kepada Ibu Karlisa Priandana, ST MEng dan Ibu Dr Ir Diah Setyorini, MSc selaku komisi pembimbing. Ucapan terima kasih juga kepada bapak, ibu dan seluruh keluarga, atas segala doa dan dukungannya, serta kepada M Rake Linggar Anggoro dan Sodik Kirono serta teman-teman Ilmu Komputer 47 dan semua pihak yang terkait langsung maupun tidak atas dukungannya selama penelitian ini dilakukan.
Semoga karya ilmiah ini bermanfaat.
Bogor, September 2014
DAFTAR ISI
DAFTAR TABEL viii
DAFTAR GAMBAR viii
DAFTAR LAMPIRAN viii
PENDAHULUAN 1
Latar Belakang 1
Perumusan Masalah 2
Tujuan Penelitian 2
Manfaat Penelitian 2
Ruang Lingkup Penelitian 2
METODE PENELITIAN 3 Lingkungan Pengembangan 3 Akuisisi Citra 3 Praproses 4 Ekstraksi Warna 4 Klasifikasi 5 Evaluasi 5
HASIL DAN PEMBAHASAN 6
Akuisisi Citra 6
Praproses 6
Ekstraksi 7
Hasil dan Evaluasi 9
Metode kNN 9
Metode Regresi Linier 11
SIMPULAN DAN SARAN 11
Simpulan 11
Saran 12
UCAPAN TERIMAKASIH 12
DAFTAR TABEL
1 Perbandingan nilai akurasi setiap nilai k 9
2 Confusion matrix larutan N pada nilai k = 9 10
3 Confusion matrix larutan P pada nilai k = 9 10
4 Perbandingan nilai RMSE pada setiap nilai k 10
DAFTAR GAMBAR
1 Pengukuran dengan PUP dan bagan warna uji pupuk 1
2 Metode penelitian 3
3 Sistem koordinat model warna (a) RGB dan (b) HSV 5
4 Cropping Citra 6
5 Grafik HSV larutan N 6% 7
6 Grafik RGB larutan N 6% 7
7 Grafik Nilai intensitas hue untuk larutan N 8
8 Grafik Nilai intensitas saturation untuk larutan N 8 9 Grafik Nilai intensitas value untuk larutan N 9
10 Grafik sebaran data larutan N 11
11 Grafik sebaran data larutan P 12
DAFTAR LAMPIRAN
1 Confusion matrix untuk larutan N dan P pada k =3 14 2 Confusion matrix untuk larutan N dan P pada k = 6 15
PENDAHULUAN
Latar Belakang
Salah satu cara untuk meningkatkan produktivitas pertanian adalah dengan memberi pupuk guna menjaga kesuburan tanah. Saat ini, pupuk anorganik menjadi pilihan utama para petani. Namun, dengan meningkatnya permintaan pupuk anorganik ini, banyak oknum memanfaatkannya untuk membuat pupuk palsu. Peredaran pupuk palsu ini, menimbulkan kerugian, terutama untuk para petani. Pupuk yang diharapkan dapat menyuburkan tanah, justru tidak memberikan pengaruh yang diharapkan.
Menurut peneliti dari Balai Pengkajian Teknologi Pertanian Sumatera Utara (BPTP Sumut) Elianor Sembiring, sekitar 25% pupuk yang beredar di Sumatera Utara adalah pupuk palsu (Tobing 2013). Kandungan hara yang terdapat pada pupuk palsu tersebut bahkan mencapai 0%. Untuk mengontrol peredaran pupuk palsu, Kementrian Pertanian telah mengembangkan alat Perangkat Uji Pupuk (PUP) (Setyorini et al 2011) yang dapat digunakan oleh penyuluh atau industri pupuk untuk menguji kadar hara dalam pupuk. PUP terdiri dari beberapa larutan kimia untuk menguji kadar hara pupuk dengan prinsip kolorimetri. Setelah itu, warna hasil kolorimetri dibandingkan dengan warna standar pada bagan warna yang sudah disediakan di dalam paket alat PUP seperti yang terlihat pada Gambar 1. Namun, pengelompokan kadar hara pupuk (N,P,K) masih bersifat semi-kuantitatif, yang terbagi dalam 5 kelas yaitu 2.5%, 5%, 10%, 15%, dan 20%. Hal ini berbeda dengan pengujian laboratorium yang dapat menghasilkan kadar pupuk secara kuantitatif (dalam ppm).
Penelitian ini bertujuan untuk meningkatkan ketelitian pembacaan kadar hara pupuk dengan PUP. Bagan warna konvensional digantikan dengan suatu aplikasi
mobile yang dapat membedakan warna larutan hasil uji PUP dengan menggunakan smartphone. Smartphone dipilih karena tersedianya fitur tambahan seperti Global Positioning System (GPS) dan internet sehingga memungkinkan pengembangan
PUP lebih lanjut. Misalnya, kemampuan alat untuk mengomunikasikan lokasi tempat terdeteksinya pupuk palsu secara otomatis ke database Kementerian Pertanian. Sistem operasi yang digunakan adalah sistem operasi android dan klasifikasi larutan uji pupuk menggunakan k-Nearest Neighbors (kNN).
Smartphone android ini dipilih karena sistem operasi ini bersifat open source dan
jumlah penggunanya terus meningkat di Indonesia (Einhorn 2012). Sementara itu
2
kNN dipilih karena algoritme klasifikasi ini merupakan algoritme klasifikasi yang
paling sederhana dan umum digunakan (Wu et al 2008).
Mengikuti konsep pengelompokan dengan bagan warna, fitur klasifikasi pada penelitian ini adalah fitur warna Red, Green, dan Blue pada ruang warna RGB dan fitur warna Hue, Saturation, Value pada ruang citra HSV. Pemilihan kedua ruang citra ini dilakukan karena ruang citra RGB sudah umum digunakan pada setiap perangkat seperti komputer, televisi, dan video (Ford dan Roberts 1998), sedangkan HSV dipilih karena komponen Hue dan Saturation memiliki kedekatan visual dengan mata manusia (Su et al 2011). Penelitian serupa juga sudah dilakukan oleh Satyalesmana E (2013) untuk bagan warna daun.
Perumusan Masalah
Berdasarkan latar belakang diatas, maka masalah yang akan diteliti dalam penelitian ini adalah cara mengembangkan aplikasi mobile berbasis android yang dapat mengklasifikasikan kadar hara pupuk terutama Natrium (N) dan Fosfor (P).
Tujuan Penelitian
Tujuan dari penelitian ini adalah:
1 Mengimplementasikan bagan warna PUP ke dalam aplikasi mobile berbasis
android dengan ruang warna HSV dan RGB menggunakan metode klasifikasi kNN.
2 Meningkatkan hasil pembacaan warna larutan uji pupuk menjadi lebih kuantitatif.
Manfaat Penelitian
Penelitian ini diharapkan dapat mempermudah proses klasifikasi hara pupuk melalui pemrosesan citra digital dari larutan pupuk secara efisien dan dengan ketelitian yang lebih baik dibandingkan bagan warna.
Ruang Lingkup Penelitian
Ruang lingkup dari penelitian ini adalah:
1 Larutan pupuk yang digunakan hanya larutan N dari N-Titrisol dan P dari SP-36.
2 Data citra larutan pupuk sebagai data uji dan data latih yang digunakan diambil dari larutan pupuk yang telah diklasifikasikan oleh Balittanah.
3 Pengambilan citra dilakukan dengan tingkat pencahayaan yang berbeda
4 Kamera yang digunakan adalah kamera dari perangkat mobile dengan resolusi 5 megapiksel.
3
METODE PENELITIAN
Pembuatan aplikasi mobile untuk mengidentifikasi warna larutan pupuk ini dilakukan dalam lima tahap, yaitu: akuisisi, praproses, ekstraksi, klasifikasi, dan evaluasi, seperti pada Gambar 2.
Lingkungan Pengembangan
Lingkungan pengembangan yang digunakan pada penelitian ini memiliki spesifikasi sebagai berikut:
Perangkat keras:
1 Processor Intel(R) Core(TM) 2 duo CPU T6400 @ 2.00 GHz. 2 Memory RAM dengan kapasitas 2.00 GB
3 Harddisk dengan kapasitas 200 GB
4 Perangkat ponsel, CPU dual-core 1.2GHz , 16 GB internal storage, 1.5 GB RAM
Perangkat lunak:
1 Sistem operasi Windows 7 Ultimate.
2 Sistem operasi Android Jelly Bean versi 4.2.2 3 Eclipse indigo service release 2
4 Emulator Android Virtual Device Manager (AVD Manager)
Akuisisi Citra
Proses pengambilan citra dilakukan dengan memperhatikan beberapa aspek teknis sebagai berikut:
1 Dilakukan di dalam ruangan dengan bantuan cahaya lampu. 2 Pengaturan cahaya dilakukan secara manual melalui kamera. 3 Menggunakan kamera smartphone 5 megapiksel (2560 × 1920). 4 Menggunakan kertas HVS putih polos sebagai latar belakang.
4
5 Jarak antara objek larutan uji dan kamera adalah 5-10 cm.
6 Objek larutan pupuk berada tepat di tengah citra yang akan difoto.
Praproses
Praproses bertujuan untuk menghilangkan bagian citra yang tidak akan diproses. Proses penghilangan bagian citra ini dilakukan dengan teknik cropping untuk mengambil beberapa titik pada citra. Tahap praproses data latih dilakukan di
PC untuk menghasilkan model klasifikasi yang akan digunakan pada saat
implementasi di aplikasi mobile sedangkan tahap praproses untuk data uji dilakukan di ponsel pada saat pengujian.
Ekstraksi Warna
Tahap ekstraksi warna pada penelitian ini adalah dengan mengambil nilai komponen warna (channel) pada setiap data citra yang telah melalui tahap praproses. Citra yang diperoleh pada proses akuisisi adalah citra dengan model warna RGB, sehingga untuk mendapatkan representasi komponen warna red, green,
dan blue dapat dilakukan ekstraksi secara langsung. Untuk memperoleh
representasi data dengan model warna HSV diperlukan tahap konversi dari model warna RGB menjadi model warna HSV untuk kemudian dilakukan ekstraksi dari tiap-tiap komponen hue, saturation, dan value.
Perbedaan antara RGB dengan HSV adalah sistem koordinat yang digunakan (Burger dan Burge 2008). RGB menggunakan sistem koordinat Cartesian dengan sumbu (x, y, z) = (red, green, blue), sementara HSV menggunakan sistem koordinat
cylindrical dengan sumbu (r, Ɵ, z) = (saturation, hue, value) (Gambar 3). Nilai H
(1)
(2)
(4) (3)
Dengan R: Red, G: Green, B: Blue
H: Hue, S: Saturation, V: Value M = max R,G,B , R, G, B ∈ R m = min R,G,B C = M – m, C, M, m ∈ R M, H',R,G,B ∈ R H'= tidak terdefinisi , C = 0 G - B C mod 6 , M = R B - R C + 2 , M = G R - G C , M = B H = 60o x H’ V = M 𝑆= 0 , C=0 C V , lainnya
5 (hue), S (saturation), dan V (value) dapat diperoleh dari nilai model warna RGB melalui Persamaan 1 sampai 4. Dapat dilihat pada Gambar 3b, dari hasil Persamaan 1 dan Persamaan 2, didapat sebuah sudut Ɵ yang menunjukkan posisi hue pada lingkaran warna. Dari Persamaan 3, didapat nilai value yang menunjukkan terang atau gelap warna. Dari Persamaan 4, didapat nilai saturation yang menunjukkan tingkat kemurnian warna seperti yang terlihat pada Gambar 3b. Kemudian, nilai dari tiap-tiap piksel direpresentasikan ke dalam bentuk histogram dengan rentang nilai antara 0-255.
Klasifikasi
Metode klasifikasi yang digunakan adalah kNN, dengan cara menghitung jarak histogram warna dari citra larutan pupuk sebagai data uji dengan setiap
histogram warna sebagai data latih yang terdapat pada model klasifikasi
menggunakan rumus jarak Euclidean (Persamaan 5) (Han dan Kamber 2006).
dengan d: jarak Euclidian antara vector x dan y, p: jumlah dimensi, xi: data uji dimensi ke-i, yi: data latih dimensi ke-i.
Setelah diperoleh sebanyak k data yang memiliki jarak terdekat, kemudian diketahui kelas yang paling banyak muncul, kelas tersebut adalah kelas dari data uji. Percobaan pada kNN dilakukan dengan menggunakan nilai k = 3, 6, dan 9. Sebagai pembanding, digunakan pula metode klasifikasi dengan regresi linier.
Evaluasi
Evaluasi hasil klasifikasi dilakukan dengan cara menghitung tingkat akurasi menggunakan Persamaan 6 sebagai berikut:
Secara keseluruhan, representasi dari evaluasi tingkat akurasi akan dituangkan dalam tabel confusion matrix. Evaluasi hasil pengujian juga dilihat dengan menghitung nilai root mean square error (RMSE). RMSE adalah perhitungan yang menunjukkan besarnya simapangan antara nilai prediksi dengan nilai aktualnya,
(a) (b)
Gambar 3 Sistem koordinat model warna (a) RGB dan (b) HSV (5) 𝑑(𝑥, 𝑦) = (xi - yi)2 p i=1 , d ∈ R, x ∈ I (6) Akurasi = ∑Jumlah data uji yang prediksi benar
6
semakin baik jika mendekati 0. Menurut Walpole (1992), RMSE dihitung dengan menggunakan Persamaan 7:
dengan: ŷ: nilai prediksi, y: nilai aktual, 𝑛: jumlah data uji.
HASIL DAN PEMBAHASAN
Akuisisi Citra
Akuisisi citra tahap I menghasilkan sebanyak 44 data citra larutan N yang terbagi ke dalam 11 kelas yaitu 0% -20% dengan rentang 2%. Sedangkan akuisisi citra tahap II menghasilkan sebanyak 40 data citra larutan P yang terbagi dalam 10 kelas yaitu 2%-20% dengan rentang 2%. Dari setiap kelas terdapat 4 citra dengan tingkat pencahayaan yang berbeda.
Praproses
Pada praproses diambil 3 titik yang berbeda dari setiap citra, masing-masing bagian atas, tengah, dan bawah citra larutan. Titik yang diambil adalah titik yang memiliki noise paling sedikit. Gambar 4 menunjukkan praproses yang dilakukan. Dapat dilihat bahwa citra asli (sebelah kiri) memiliki beberapa noise seperti garis ukur yang ada pada tabung reaksi dan pantulan dari cahaya yang tidak merata karena bentuk tabung yang bulat. Dari setiap titik diambil suatu window dengan ukuran 80x80 piksel sehingga akan menghasilkan 6400 nilai piksel untuk satu
window. Karena setiap kelas konsentrasi diwakili oleh 4 citra larutan dan diambil 3 window dari masing-masing citra, maka setiap kelas konsentrasi terdiri dari 12 window yang berukuran 80×80 piksel. Semua window ini digunakan sebagai data
latih sehingga didapat 132 data latih untuk larutan N dan 120 data latih untuk larutan P. Untuk data uji, citra asli dipotong tepat di tengah citra dengan ukuran yang sama yaitu 80x80 piksel, sehingga terdapat 44 data uji untuk N dan 40 data uji untuk P.
Gambar 4 Cropping Citra
(7) RMSE= (ŷni=1 i - yi)2
7
Ekstraksi
Setelah citra terbagi menjadi tiga window, masing-masing window diproses menggunakan perangkat lunak Matlab untuk mendapatkan histogram RGB dan
HSV. Dari histogram ini diperoleh nilai mean dan median dari masing-masing
komponen warna. Terlihat pada Gambar 5 bahwa komponen RGB pada citra terpengaruh oleh perubahan cahaya, sehingga komponen RGB pada citra tidak dapat dijadikan acuan untuk klasifikasi kadar hara pupuk. Sedangkan pada komponen HSV, grafik pada Gambar 6 memperlihatkan bahwa nilai mean dan
median dari komponen hue lebih stabil, sehingga komponen warna inilah yang
digunakan untuk klasifikasi pupuk.
Gambar 7 memperlihatkan nilai intensitas hue dari setiap kelas yang ada pada larutan N. Dari grafik tersebut terdapat beberapa overlap pada kelas 10%, 12%, 14%, dan 16%. Oleh karena itu, komponen hue tidak cukup representatif untuk dijadikan sebagai penciri. Namun, komponen saturation dan value juga tidak bisa
Gambar 5 Grafik HSV larutan N 6%
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 1 2 3 4 5 6 7 8 9 1 0 1 1 1 2 IN TE N SIT A S NOMOR CITRA
average H median H average S median S average V median V
Gambar 6 Grafik RGB larutan N 6%
0 20 40 60 80 100 120 1 2 3 4 5 6 7 8 9 1 0 1 1 1 2 IN TE N SIT A S NOMOR CITRA
8
dijadikan penciri karena adanya perubahan intensitas cahaya yang menyebabkan nilai komponen ini menjadi tidak stabil. Grafik nilai saturation dan value untuk larutan N dapat dilihat pada Gambar 8 dan 9. Kedua grafik tersebut menunjukkan bahwa terjadi lebih banyak overlap dibandingkan dengan komponen hue.
Gambar 7 Grafik Nilai intensitas hue untuk larutan N
Gambar 8 Grafik Nilai intensitas saturation untuk larutan N
0 0.1 0.2 0.3 0.4 0.5 0.6 0 1 2 3 4 5 6 7 8 9 1 0 1 1 1 2 1 3 IN TE N SIT A S NOMOR CITRA 0% 2% 4% 6% 8% 10% 12% 14% 16% 18% 20% 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 0 1 2 3 4 5 6 7 8 9 1 0 1 1 1 2 1 3 IN TE N SIT A S NOMOR CITRA 0% 2% 4% 6% 8% 10% 12% 14% 16% 18% 20%
9
Hasil dan Evaluasi Metode kNN
Hasil klasifikasi citra pupuk menggunakan komponen hue dengan nilai k = 3, 6, dan 9 menunjukkan hasil yang berbeda seperti yang dapat dilihat pada Tabel 1. Nilai K pada setiap larutan berpengaruh dalam menentukan tingkat akurasi klasifikasi kNN. Untuk larutan N, akurasi tertinggi pada saat nilai k = 9 dengan akurasi mencapai 79.54%. Sedangkan untuk larutan P, akurasi tertinggi didapat pada saat nilai k = 9 dengan akurasi mencapai 30%. Confusion matrix untuk larutan N dan P dengan nilai k =9 dapat dilihat pada Tabel 2 dan 3. Sedangkan untuk nilai
k = 3 dan 6 dapat dilihat pada Lampiran 1 dan 2.
Tabel 1 Perbandingan nilai akurasi setiap nilai k Jenis larutan Akurasi pada tiap nilai K
3 6 9
Larutan N 75% 70.45% 79.54% Larutan P 22.5% 27.5% 30% Gambar 9 Grafik Nilai intensitas value untuk larutan N
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0 1 2 3 4 5 6 7 8 9 1 0 1 1 1 2 1 3 IN TE N SIT A S NOMOR CITRA 0% 2% 4% 6% 8% 10% 12% 14% 16% 18% 20%
10
Tabel 2 Confusion matrix larutan N pada nilai k = 9
Konsentrasi Larutan N 0% 2% 4% 6% 8% 10% 12% 14% 16% 18% 20% 0% 4 2% 2 2 4% 4 6% 4 8% 4 10% 3 1 12% 4 14% 1 3 16% 1 3 18% 4 20% 1 1 2
Tabel 3 Confusion matrix larutan P pada nilai k = 9
Konsentrasi Larutan P 2% 4% 6% 8% 10% 12% 14% 16% 18% 20% 2% 2 1 1 4% 1 3 6% 1 3 8% 1 1 2 10% 2 2 12% 1 1 2 14% 1 1 1 1 16% 3 1 18% 1 1 2 20% 1 1 1 1
Nilai RMSE menunjukkan besar ketelitian atau besar kesalahan pengukuran klasifikasi PUP. Nilai RMSE sebesar 1.59 pada larutan N dengan k = 9 menunjukkan bahwa kesalahan rata-rata untuk mengklasifikasikan kadar adalah 1.59% dari nilai aktualnya. Berdasarkan Tabel 4, nilai RMSE terkecil yang diperoleh untuk larutan N adalah 1.59 dengan k = 9. Sedangkan untuk larutan P, nilai RMSE terkecil adalah 4.76 dengan k = 9. Namun, klasifikasi PUP hanya mampu menunjukkan peningkatan ketelitian pada pengujian untuk N, sedangkan untuk P perlu perbaikan lebih lanjut.
Tabel 4 Perbandingan nilai RMSE pada setiap nilai k Jenis larutan RMSE pada tiap nilai K
3 6 9
Larutan N 2.25 2.132 1.59 Larutan P 5.12 4.85 4.76
11
Metode Regresi Linier
Proses klasifikasi sederhana dengan metode regresi linier juga dilakukan. Gambar 10, memperlihatkan hasil regresi linier terhadap larutan N dan hasil
regresinya ditapilkan pada Persamaan 8. Hasil dari klasifikasi larutan N
menggunakan regresi linier ternyata tidak lebih baik dibandingkan dengan metode
kNN. Akurasi klasifikasi dengan metode regresi linier hanya sebesar 36.36%. Hasil
ini masih jauh di bawah akurasi menggunakan metode kNN yang mencapai akurasi 79.54% dengan nilai k = 9.
Untuk larutan P, hasil regresi linier dapat dilihat pada Gambar 11. Persamaan garis hasil regresi linier ditampilkan pada Persamaan 9. Hasil klasifikasi larutan P menggunakan regresi linier menghasilkan akurasi klasifikasi sebesar 12.5%. Hasil akurasi ini masih jauh di bawah akurasi menggunakan metode kNN dimana larutan P dapat mencapai akurasi sebesar 30% dengan nilai k = 9.
Karena akurasi tertinggi diperoleh dengan metode klasifikasi kNN dengan k
= 9, maka sistem dikembangkan dengan menggunakan parameter ini. Screenshoot
sistem bagan warna PUP berbasis mobile yang telah dikembangkan dapat dilihat pada Lampiran 3.
SIMPULAN DAN SARAN
Simpulan
Penelitian ini telah berhasil mengimplementasikan bagan warna PUP ke dalam aplikasi mobile berbasis android dengan ruang warna HSV menggunakan metode klasifikasi kNN. Konsentrasi larutan diklasifikasikan dengan rentang 0-20% dan resolusi 2%. Nilai ini lebih baik dibandingkan bagan warna PUP yang hanya
(8)
y = 0.019x + 0.1295
Gambar 10 Grafik sebaran data larutan N
y = 0.019x + 0.1295 0 0.1 0.2 0.3 0.4 0.5 0.6 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 N ilai M ean H u e Konsentrasi Larutan N (%) (9) y = -0.0008x + 0.132
12
dapat membedakan 5 kelas konsentrasi. Hasil penelitian ini menunjukkan bahwa komponen hue lebih stabil terhadap perubahan cahaya sehingga digunakan untuk proses klasifikasi. Hasil akurasi klasifikasi menggunakan metode k-Nearest
Neighbor menunjukkan akurasi tertinggi larutan N sebesar 79.54% dengan RMSE
1.59 dan larutan P sebesar 30% dengan RMSE 4.764. Kedua akurasi terbaik diperoleh pada nilai k = 9. Akurasi yang rendah ini disebabkan oleh proses cropping pada device, karena data uji tidak berada tepat di tengah layar.
Saran
Untuk memperbaiki akurasi, beberapa teknik berikut ini dapat dilakukan pada penelitian selanjutnya:
1 Dilakukan penambahan data dengan akuisisi citra yang lebih baik. 2 Jarak antara lensa kamera dan larutan pupuk diperpendek.
3 Menggunakan fitur Saturation sebagai penciri untuk larutan P dengan catatan menggunakan tingkat pencahayaan yang konstan.
4 Menggunakan tabung yang berbentuk kotak.
5 Membuat aplikasi mPUP pada sistem operasi iOS, Windows Phone dan sistem operasi lainnya.
UCAPAN TERIMAKASIH
Penelitian ini merupakan kerja sama antara Departemen Ilmu Komputer, Institut Pertanian Bogor dengan Balai Penelitian Tanah, Kementerian Pertanian. Penulis mengucapkan terima kasih kepada Balai Penelitian Tanah, Kementerian Pertanian sebagai pihak yang mendanai penelitian ini.
Gambar 11 Grafik sebaran data larutan P
y = -0.0008x + 0.132 0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 N Ilai Me an H u e Konsentrasi larutan P (%)
13
DAFTAR PUSTAKA
Burger W, Burge MJ. 2008. Digital Image Processing: An Algorithmic Introduction
Using Java. New York (US): Springer.
Einhorn B. 2012. Indonesians Still Love Their BlackBerrys[Internet]. [diunduh 2013 des 17]. Tersedia pada: http://www.businessweek.com/articles/2012-12-06/indonesians-still-love-their-blackberrys
Ford A, Roberts A. 1998. Colour Space Conversion. London (GB): Westminster University.
Han J, Kamber M. 2006. Edisi Kedua: Data Mining Concepts and Techniques. San Francisco (US): Diane Cerra.
Satyalesmana E. 2013. Aplikasi bagan warna daun untuk optimasi pemupukan Tanaman Padi menggunakan k-nearest neighbor [skripsi]. Bogor (ID): Institut Pertanian Bogor
Setyorini D, Sulaeman, Kasno A. 2011. Perangkat Uji Pupuk. Bogor (ID): Balittanah.
Su CH, Chiu HS, Hsieh TM. 2011. An efficient image retrieval based on HSV color space. Proceeding of International Conference on Electrical and Control
Engineering (ICECE). 16-18 September 2011; Yichang, Cina. New York (US):
IEEE. 5746-5749.
Tobing G. 2013. Dua Puluh Lima Persen Pupuk di Sumut Palsu [Internet]. [diunduh 2013 des 17]. Tersedia pada: http://www.medanbisnisdaily.com /news /read /2013/10/17/56708/25persen_pupuk_di_sumut_palsu/#.Ut1hOtL-Iy4
Walpole ER. 1992. Pengantar Statistika. Jakarta (ID): Gramedia.
Wu X, Kumar V, Quinlan JR, Ghosh J, Yang Q, Motoda H, McLachlan GJ, Ng A, Liu B, Zhou ZH et al. 2008. Top 10 algorithms in data mining. Springer Journal
14
Lampiran 1 Confusion matrix untuk larutan N dan P pada k =3
Konsentrasi Larutan N 0% 2% 4% 6% 8% 10% 12% 14% 16% 18% 20% 0% 4 2% 2 2 4% 4 6% 4 8% 4 10% 2 2 12% 1 2 1 14% 2 2 16% 2 2 18% 4 20% 1 3 Konsentrasi Larutan P 2% 4% 6% 8% 10% 12% 14% 16% 18% 20% 2% 2 1 1 4% 3 1 6% 1 3 8% 2 2 10% 1 1 1 1 12% 1 3 14% 2 1 1 16% 1 3 18% 1 1 2 20% 1 3
15 Lampiran 2 Confusion matrix untuk larutan N dan P pada k = 6
Konsentrasi Larutan N 0% 2% 4% 6% 8% 10% 12% 14% 16% 18% 20% 0% 4 2% 2 2 4% 4 6% 4 8% 4 10% 3 1 12% 3 1 14% 1 3 16% 1 3 18% 4 20% 1 1 2 Konsentrasi Larutan P 2% 4% 6% 8% 10% 12% 14% 16% 18% 20% 2% 2 2 4% 4 6% 1 3 8% 2 2 10% 1 1 1 1 12% 1 3 14% 1 1 1 1 16% 2 2 18% 1 1 2 20% 1 3
16
Lampiran 3 Screenshoot aplikasi mPUP Tampilan aplikasi mPUP
Menu Home Menu Galeri Menu Kamera
Menu Petunjuk Pemilihan citra dari galeri
Proses citra dari galeri
17
RIWAYAT HIDUP
Penulis dilahirkan di Curup, Bengkulu pada tanggal 14 Oktober 1992 dari ayah bernama Fenrizal dan ibu bernama Oneng Zifa. Penulis merupakan anak ketiga dari 3 bersaudara. Pada tahun 2010, penulis menamatkan pendidikan di SMAI As-shofa Pekanbaru. Penulis lulus seleksi masuk Institut Pertanian Bogor (IPB) pada tahun 2010 melalui jalur Beasiswa Utusan Daerah (BUD) di Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam.
Selama mengikuti perkuliahan, Penulis aktif di organisasi kemahasiswaan Himpunan Mahasiswa Ilmu Komputer (HIMALKOM) pada tahun 2012 dan Ikatan Keluarga Pelajar dan Mahasiswa Riau Bogor (IKPMR) di IPB pada tahun 2012, serta kegiatan kepanitiaan seperti Semirata (2014). Penulis melaksanakan kegiatan Praktik Kerja Lapangan di Bank Rakyat Indonesia (BRI) pada bulan Juli-Agustus 2013.
