Pemanfaatan raspberry Pi sebagai alat uji kadar nitrogen dan fosfor pada pupuk
PEMANFAATAN RASPBERRY PI SEBAGAI ALAT UJI
KADAR NITROGEN DAN FOSFOR
PADA PUPUK
YANUARDI FAJRI
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2014
PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Pemanfaatan Raspberry Pi sebagai Alat Uji Kadar Nitrogen dan Fosfor pada
Pupuk adalah benar karya saya dengan arahan dari komisi pembimbing dan belum
diajukan dalam bentuk apapun kepada perguruan tinggi manapun. 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 dan Balai Penelitian Tanah, Badan Penelitian dan Pengembangan
Pertanian, Kementerian Pertanian.
Bogor, Agustus 2014
Yanuardi Fajri
NIM G64100039
ABSTRAK
YANUARDI FAJRI. Pemanfaatan Raspberry Pi sebagai Alat Uji Kadar Nitrogen dan Fosfor
pada Pupuk. Dibimbing oleh KARLISA PRIANDANA dan LADIYANI R WIDOWATI
Pupuk memiliki peranan yang penting dalam meningkatkan produktivitas pertanian.
Namun, di Indonesia banyak terdapat produk pupuk palsu yang sulit diidentifikasi oleh
petani. Sebagai bentuk upaya pengawasan pupuk, Balai Penelitian Tanah telah
mengembangkan perangkat uji pupuk (PUP) untuk mengukur kadar hara N dan P dalam
pupuk secara cepat. Namun, pembacaan hasil ujinya masih manual dengan menggunakan
bagan warna, sehingga hasil pengukurannya masih bersifat semi kuantitatif. Penelitian ini
bertujuan untuk mengembangkan PUP sehingga pembacaan warna larutan pupuk dapat
dilakukan secara digital dan diharapkan dapat meningkatkan ketelitian hasil pengukuran.
Raspberry Pi digunakan sebagai otak yang bertugas untuk mengakuisisi citra larutan pupuk,
mengolahnya, dan mengklasifikasikannya ke kadar hara tertentu. Model warna yang
digunakan untuk mengolah data citra larutan pupuk adalah model warna hue saturation
value (HSV), sedangkan algoritme klasifikasi yang digunakan adalah k-nearest neighbour
(KNN). Hasil penelitian menunjukkan bahwa komponen warna yang cocok untuk diambil
sebagai penfitur klasifikasi adalah komponen hue, karena tidak terpengaruh oleh perubahan
intensitas cahaya pada citra yang diambil. Akurasi tertinggi yang diperoleh untuk N Titrisol
sebesar 58.33%, RMSE = 1.43 dengan k = 3, untuk N Urea sebesar 70%, RMSE = 3.32
dengan k = 5 dan untuk untuk P SP-36 sebesar 18.33%, RMSE = 5.79 dengan k = 3.
Kata kunci: hue saturation value (HSV), kadar hara, k-nearest neighbour (KNN), perangkat
uji pupuk
ABSTRACT
YANUARDI FAJRI. Digital Fertilizer Test Kit Using Raspberry Pi. Supervised by
KARLISA PRIANDANA and LADIYANI R WIDOWATI
Fertilizer has an important role in improving agricultural productivity. However, in
Indonesia, there are many counterfeit fertilizer products that are difficult to be identified by
farmers. Soil Research Institute has developed a fertilizer test kit to measure the levels of N
and P quickly. However, this tool still use color charts to manually interpret the test results.
Therefore, the measurement result is still semi-quantitative. This study aims to develop a
digital fertilizer test kit so that the fertilizer solution’s color interpretation can be done
digitally and is expected to improve the precision of the measurement. Raspberry Pi is used
as the brain responsible for acquiring the images of the fertilizer solution, process them, and
classify them to a certain nutrient level. The utilized color model to process the fertilizer
solution’s image data is hue-saturation-value (HSV), while the classification algorithm used
is k-nearest neighbor (KNN). The results showed that “hue” is the suitable color component
for classification, because it is not affected by changes in light intensity. Classification
method produced the accuracy of 58.33%, RMSE = 1.43 using k = 3 for N Titrisol, 70%,
RMSE = 3.32 using k = 5 for N Urea and 18.33%, RMSE = 5.79 using k = 3 for P SP-36.
Keywords: fertilizer test kit, hue saturation value (HSV), k-nearest neighbour (KNN),
nutrient level
PEMANFAATAN RASPBERRY PI SEBAGAI ALAT UJI
KADAR NITROGEN DAN FOSFOR
PADA PUPUK
YANUARDI FAJRI
Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Ilmu Komputer
pada
Departemen Ilmu Komputer
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2014
Judul Skripsi :
Aplikasi Bagan Warna Daun untuk Optimasi Pemupukan Tanaman
Padi Menggunakan k-Nearest Neighbor
Nama
NIM
: Edwin Satyalesmana
: G64104028
Disetujui oleh
Sony Hartono Wijaya, SKom MKom
Pembimbing
Diketahui oleh
Dr Ir Agus Buono, MSi MKom
Ketua Departemen
Penguji: Dr Eng Heru Sukoco, SSi MT
Judul Skripsi : Pemanfaatan Raspberry Pi sebagai Alat Uji Kadar Nitrogen dan Fosfor pada
Pupuk
Nama
: Yanuardi Fajri
NIM
: G64100039
Disetujui oleh
Karlisa Priandana, ST MEng
Pembimbing I
Dr Ladiyani R Widowati, MSc
Pembimbing II
Diketahui oleh
Dr Ir Agus Buono, MSi MKom
Ketua Departemen
Tanggal Lulus:
PRAKATA
Puji syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas segala karuniaNya sehingga karya ilmiah ini berhasil diselesaikan. Shalawat serta salam penulis
sampaikan kepada Nabi Muhammad shalallahu ‘alaihi wassalam. Pemanfaatan Raspberry
Pi sebagai Alat Uji Kadar Nitrogen dan Fosfor pada Pupuk ini tidak lepas dari bantuan
berbagai pihak. Oleh karena itu, penulis menyampaikan ucapan terima kasih kepada:
1 Kedua orang tua tercinta, Bapak M Anis Dt Gadang, dan Ibu Elfa Yerni beserta keluarga
yang selalu memberikan do’a dan dukungan moral.
2 Ibu Karlisa Priandana, ST MEng 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 Akang, teteh dan ayi-ayi UKM LISES Gentra Kaheman serta teman-teman Departemen
Ilmu Komputer 47 yang selalu memberi semangat dalam pelaksanaan penelitian ini
5 Staf pengajar dan staf tata usaha Departemen Ilmu Komputer yang telah banyak
membantu baik selama masa perkuliahan maupun pada saat penelitian.
6 Semua pihak yang telah banyak memberikan kontribusi yang besar dalam penyelesaian
tugas akhir yang tidak dapat disebutkan satu persatu.
Semoga karya ilmiah ini bermanfaat.
Bogor, Agustus 2014
Yanuardi Fajri
DAFTAR ISI
DAFTAR TABEL
DAFTAR GAMBAR
DAFTAR LAMPIRAN
PENDAHULUAN
vii
vii
vii
1
Latar Belakang
Perumusan Masalah
Tujuan Penelitian
Manfaat Penelitian
Ruang Lingkup Penelitian
METODE
1
2
2
2
3
3
Perakitan Prototipe PUP Digital
Pengambilan Data
Praproses Data
Pembuatan Model Klasifikasi
Pengujian dan Evaluasi
HASIL DAN PEMBAHASAN
3
5
5
6
6
7
Pembangunan Prototipe PUP Digital
Pengambilan data
Praproses Data
Pembuatan Model Klasifikasi
Pengujian dan Evaluasi
SIMPULAN DAN SARAN
Simpulan
Saran
DAFTAR PUSTAKA
7
9
9
10
13
14
14
14
15
LAMPIRAN
16
RIWAYAT HIDUP
23
DAFTAR TABEL
1
2
Ekstraksi fitur larutan N titrisol untuk model warna RGB
dengan kadar N 1 %
Ekstraksi fitur larutan N titrisol untuk model warna HSV
dengan kadar N 1 %
10
10
DAFTAR GAMBAR
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
Pengukuran dengan PUP dan bagan warna uji pupuk
Tahapan penelitian
Kerangka konseptual PUP digital
Peralatan yang digunakan (a) sensor kamera, (b) Raspberry Pi,
dan (c) LCD
Sistem koordinat model warna (a) RGB dan (b) HSV
Skematik prototipe PUP digital
Prototipe PUP digital (a) desain rangkaian, dan (b) tampak luar
prototipe PUP digital
Proses cropping dan resizing
Perbandingan nilai mean RGB untuk larutan N titrisol
dengan kadar N 1%
Perbandingan nilai mean HSV untuk larutan N titrisol
dengan kadar N 1%
Grafik sebaran nilai mean dari hue untuk N titrisol
Grafik sebaran nilai mean dari hue untuk N urea
Grafik sebaran nilai mean dari hue untuk P SP-36
Perbandingan akurasi untuk tiap model pada pengujian I
dan II dengan k = 3 dan k = 5
Perbandingan RMSE untuk tiap model pada pengujian I
dan II dengan k = 3 dan k = 5
1
4
4
5
6
8
9
10
11
11
12
12
12
13
14
DAFTAR LAMPIRAN
1
2
3
4
5
6
7
8
Citra larutan pupuk
Confusion matrix pada pengujian I untuk N Titrisol dengan k= 3
Confusion matrix pada pengujian I untuk N Titrisol dengan k = 5
Confusion matrix pada pengujian I untuk N Urea dengan k = 3
Confusion matrix pada pengujian I untuk N Urea dengan k = 5
Confusion matrix pada pengujian I untuk P SP-36 dengan k = 3
Confusion matrix pada pengujian I untuk N Urea dengan k = 5
Foto prototipe perangkat uji pupuk (PUP) digital
16
18
19
20
21
21
22
22
1
PENDAHULUAN
Latar Belakang
Pupuk memiliki peranan penting dalam upaya meningkatkan produktivitas,
produksi dan mutu pertanian yang bermuara pada peningkatan pendapatan dan
kesejahteraan petani serta mewujudkan program ketahanan pangan nasional. Jenis
pupuk yang umum digunakan antara lain pupuk urea dan SP-36. Di pasaran, pupuk
tersebut dijual beragam, sesuai dengan kadar nitrogen (N) dan fosfor (P) yang
terkandung di dalamnya. Hal inilah yang akan mempengaruhi harga serta manfaat
penggunaan pupuk tersebut dalam pertanian.
Berdasarkan data Kementerian Pertanian dan Kementrian Perindustrian,
hingga tahun 2015, kebutuhan pupuk di Indonesia menunjukkan peningkatan
konsumsi pupuk sebesar 6.53% tiap tahunnya. Akan tetapi, kondisi ini tidak
didukung oleh peningkatan suplai pupuk yang berakibat semakin langkanya pupuk
di pasaran dan berujung pada peningkatan harga pupuk. Kondisi ini dimanfaatkan
oleh pedagang yang tidak bertanggung jawab untuk mencari keuntungan dari
penjualan pupuk palsu dengan kadar N dan P yang rendah. Penggunaan pupuk ini
mengakibatkan kerugian yang besar tidak hanya dari sisi biaya produksi tapi juga
hasil panen yang tidak sesuai harapan.
Dalam upaya pengawasan pupuk di pasaran, Balai Penelitian Tanah, Badan
Penelitian dan Pengembangan Pertanian, Kementerian
Pertanian
telah
mengembangkan perangkat sederhana yang dinamakan perangkat uji pupuk
(PUP) (Setyorini et al. 2011). Perangkat tersebut merupakan penyederhanaan
semi kuantitatif dari alat uji laboratorium yang relatif mahal dan sulit untuk
dilakukan oleh petani. Namun, pengukuran yang dilakukan dan pembacaan hasil
pengukuran masih harus dilakukan secara manual dengan membandingkan
warna larutan pupuk dengan bagan warna yang disediakan (Gambar 1). Oleh
karena itu, keakuratan dan ketelitian pengukuran pun masih jauh di bawah
pengukuran skala laboratorium.
Gambar 1 Pengukuran dengan PUP dan bagan warna uji pupuk
(Sumber : Balittanah)
Penelitian ini dilakukan untuk meningkatkan ketelitian penggunaan PUP
dengan membangun prototipe PUP digital berbasis Raspberry Pi. Raspberry Pi
merupakan komputer berukuran kecil yang dapat digunakan untuk berbagai
keperluan seperti general purpose computing, learn to program, media center,
2
“bare metal” computer hacking, dan project platform (Richardson 2013). Untuk
memproses citra larutan pupuk, digunakan metode full color image processing
dengan merepresentasikan warna dalam suatu model warna (Gonzalez dan Woods
1990). Model warna yang digunakan dalam penelitian ini adalah hue saturation
value (HSV). Model warna HSV terkait langsung dengan warna dasar (hue),
kejenuhan (saturation), dan kecerahan (brightness) (Burger dan Burge 2008)
sehingga lebih intuitif dan dirancang untuk menyerupai cara manusia
menginterpretasikan warna. Algoritme k-nearest neighbor (KNN) digunakan
sebagai algoritme klasifikasi. Algoritme KNN adalah suatu algoritme yang
sederhana, namun cukup efektif dalam melakukan kategorisasi. Selain itu, proses
klasifikasi dari KNN mudah untuk diimplementasikan dibandingkan dengan
algoritme klasifikasi lain (Zainuddin et al. 2014).
Penelitian ini dibatasi untuk mengukur kadar N dan P dari pupuk urea dan
SP-36. Pengukuran kadar N dan P dilakukan secara digital yang diharapkan dapat
meningkatkan keakuratan dan ketelitian hasil pengukuran.
Perumusan Masalah
Permasalahan yang dikaji pada penelitian ini terkait dengan peningkatan
ketelitian PUP dalam pengukuran kadar N dalam pupuk urea dan P dalam pupuk
SP-36. Pengujian dan pembacaan hasil uji kadar N dan P dengan PUP dilakukan
secara digital dan dapat menghasilkan pembacaan secara kuantitatif dengan tetap
menggunakan metode pewarnaan. Prototipe PUP digital dirangkai dengan sebuah
single-board computer berbasis Raspberry Pi yang terhubung dengan sebuah
kamera. Kamera akan mengakuisisi citra larutan dan mengklasifikasikan citra
sesuai model yang telah dirancang sebelumnya.
Pembuatan model klasifikasi menggunakan data latih berupa data nilai
komponen dari model warna HSV yang telah diketahui kadar nitrogen dan
fosfornya. Model ini disimpan di dalam otak pengolah berbasis Raspberry Pi dan
digunakan untuk mengklasifikasikan warna larutan yang akan diukur.
Tujuan Penelitian
1
2
3
Adapun tujuan dari penelitian ini adalah:
Membuat model klasifikasi warna larutan pupuk dengan menggunakan
algoritme KNN serta komponen model HSV
Merangkai dan membangun prototipe PUP digital dengan memanfaatkan
Raspberry Pi
Meningkatkan ketelitian penggunaan PUP.
Manfaat Penelitian
Manfaat dari penelitian ini adalah menjadikan PUP digital sebagai alternatif
perangkat uji kadar N dan P pada pupuk urea dan SP-36. Perangkat ini nantinya
dimanfaatkan oleh Balai Penelitian Tanah sebagai perangkat uji pupuk secara cepat
dalam pengawasan pupuk di lapangan. Secara luas, PUP digital dapat dimanfaatkan
3
juga oleh para petani dan pedagang pupuk dalam mengantisipasi pemakaian dan
penjualan pupuk palsu.
Ruang Lingkup Penelitian
1
2
3
4
Lingkup penelitian ini memiliki penekanan pada hal-hal berikut:
PUP digital dibatasi untuk mengukur kadar N dalam pupuk urea dan P dalam
pupuk SP-36
Pengolahan citra memanfaatkan single-board computer berbasis Raspberry Pi
dengan metode pewarnaan pada pupuk urea dan SP-36 yang telah dilarutkan.
Proses pelarutan dan pewarnaan mengikuti prosedur yang tertera dalam PUP
yang telah dikembangkan oleh Balai Penelitian Tanah, Badan Litbang
Pertanian, Kementerian Pertanian.
Akuisisi citra menggunakan modul kamera yang merupakan bagian dari
Raspberry Pi
Bahasa pemrograman yang digunakan adalah bahasa Python dengan
memanfaatkan computer vision library dari SimpleCV dan OpenCV serta
machine learning library dari Orange
METODE
Tahapan penelitian dapat dilihat pada Gambar 2, yang terdiri atas: (1)
perakitan prototipe PUP digital, (2) pengambilan data, (3) praproses data, (4)
pembuatan model klasifikasi, dan (5) pengujian dan evaluasi.
Perakitan Prototipe PUP Digital
Perakitan prototipe PUP digital dilakukan melalui tiga langkah, yaitu
perancangan sistem, persiapan alat dan bahan, serta perakitan. Prototipe PUP digital
dibangun dengan memanfaatkan Raspberry Pi sebagai pengolah data citra dengan
tetap menggunakan PUP Balittanah untuk mempersiapkan larutan yang akan diuji.
Gambar 3 menunjukkan kerangka konseptual prototipe PUP digital yang dibangun.
Perangkat utama yang digunakan dalam penelitian ini ialah PUP, sensor
kamera, Raspberry Pi dan liquid crystal display (LCD) (Gambar 4). Sensor kamera
digunakan untuk mengenali atribut (feature) warna pada larutan pupuk. Sensor
kamera yang digunakan dalam penelitian ini adalah sensor kamera berjenis CMOS
dengan resolusi maksimum 5 mega piksel dan ukuran sensor 0.25 inci. Raspberry
Pi bertugas mengaktifkan sensor kamera untuk mengakuisisi citra larutan serta
mengolah citra menjadi keluaran kadar N dan P dalam pupuk. Raspberry Pi
merupakan single-board computer berukuran kartu kredit yang dikembangkan oleh
Raspberry Pi Foundation. Raspberry Pi Model-B Rev. 1 memiliki fitur: Broadcom
BCM2835 system on a chip (SoC); ARM1176JZF-S 700 MHz processor; Video
Core IV GPU; 512 MB RAM. Media penyimpanan menggunakan 8 GB SD Card
dengan sistem operasi berbasis distro Debian Wheezy. Antarmuka pengguna
4
dengan sistem berupa LCD. LCD yang digunakan berukuran 16 karakter dan 2 baris
dengan latar belakang berwarna biru.
Gambar 2 Tahapan penelitian
Gambar 3 Kerangka konseptual PUP Digital
5
(
(
(c)
(b)
(a)
Gambar 4 Peralatan yang digunakan (a) sensor kamera, (b) Raspberry Pi, dan (c)
LCD (sumber: raspberrypi.org)
Pengambilan Data
Data yang digunakan pada penelitian ini adalah citra warna larutan yang
dibagi ke dalam dua kelompok yaitu nitrogen dan fosfor. Data kelompok nitrogen
merupakan citra warna larutan N titrisol dan larutan pupuk urea, sedangkan data
kelompok fosfor merupakan data P pada KH2PO4 dan larutan pupuk SP-36 dengan
kadar nitrogen atau fosfor dari 1% hingga 20% dengan selisih tiap akuisisi sebesar
1% untuk N dan 2% untuk P. Tiap larutan diakuisisi sebanyak dua kali. Data ini
diakuisi dengan menggunakan prototipe PUP digital yang telah dirancang sehingga
kondisi lingkungan data yang diambil sesuai dengan kondisi sistem nantinya.
Praproses Data
Praproses data terdiri atas: (1) cropping dan resizing, (2) ekstraksi fitur. Pada
langkah cropping dan resizing, tiga titik pada citra hasil akuisisi yang mendapat
pengaruh cahaya berbeda diambil menjadi citra baru dengan ukuran 80x80 piksel.
Citra ini merupakan citra dengan warna dominan larutan. Proses ini dilakukan
untuk menurunkan waktu komputasi dikarenakan citra yang diambil lebih kecil dan
bagian yang tidak terkait warna larutan dapat dihilangkan. Langkah selanjutnya
adalah proses ekstraksi fitur pada citra dengan menggunakan metode full color
image processing. Perbedaan antara red green blue (RGB) dengan HSV adalah
sistem koordinat yang digunakan (Burger and Burge 2008). RGB menggunakan
sistem koordinat Cartesian dengan sumbu (x, y, z) = (red, green, dan blue),
sementara HSV menggunakan sistem koordinat cylindrical dengan sumbu (r, Ɵ, z)
= (saturation, hue, value) (Gambar 5). Nilai H (hue), S (saturation) dan V (value)
dapat diperoleh dari nilai model warna RGB melalui Persamaan 1 sampai 4.
tidak terdefinisi , C = 0
G-B
C
B-R
H' =
{
mod 6
,M=R
+2
,M=G
C
R-G
C
,M=B
o
H = 60 x H’
M, H' ,R,G,B ∈ R
(1)
(2)
6
V=M
0
�= {C
V
(3)
, C=0
(4)
, lainnya
dengan M = max{R,G,B} , R, G, B ∈ R
m = min{R,G,B}
C=M-m ,C,M,m ∈R
(b)
(a)
Gambar 5 Sistem koordinat model warna (a) RGB dan (b) HSV
(Sumber : matlab.izmiran.ru)
Pembuatan Model Klasifikasi
Algoritme KNN adalah metode untuk melakukan klasifikasi terhadap objek
berdasarkan data latih yang jaraknya paling dekat dengan objek tersebut. Jarak
objek dengan kelas tertentu menggunakan perhitungan jarak Euclid (Persamaan 5)
(Agusta 2007):
p
di =
i=1
(x2i -x1i )2 , d ∈ R, x ∈ I
(5)
dengan: x1 = data latih, 2 = data uji, i = variabel data, d = jarak, dan p = dimensi
data.
Nilai komponen dari hue, saturation dan value yang relatif konstan dengan
tingkat pencahayaan berbeda dijadikan sebagai model klasifikasi. Mean dan median
digunakan sebagai atribut klasifikasi. Kadar larutan digunakan sebagai kelas,
sehingga terdapat 20 kelas untuk N dan 10 kelas untuk P.
Pengujian dan Evaluasi
Besarnya akurasi pengujian dihitung dengan menggunakan Persamaan 6.
7
Akurasi =
∑Jumlah data uji yang prediksi benar
∑Jumlah data uji keseluruhan
(6)
Evaluasi hasil pengujian dilihat dengan menghitung nilai root mean square
error (RMSE) dan koefisien determinasi (R2). R2 digunakan untuk mengukur
seberapa baik garis regresi yang terbentuk oleh nilai dugaan dengan nilai aktualnya,
semakin baik jika mendekati 1. Nilai ini juga digunakan untuk membandingkan
hasil ekstraksi fitur larutan standar dengan larutan pupuk sehingga data yang tidak
valid dapat dideteksi. Menurut Walpole (1992), R2 dihitung dengan menggunakan
Persamaan 7:
2
n
2 [∑i=1 (ŷi -ŷ̅)(yi -y̅)]
R = n
(7)
2
∑i=1 (ŷi -ŷ̅) (yi -y̅)2
dengan : � = nilai aktual, ŷ� = nilai prediksi
RMSE adalah perhitungan yang menunjukkan besarnya simapangan antara nilai
prediksi dengan nilai aktualnya, semakin baik jika mendekati 0. Menurut Walpole
(1992), R2 dihitung dengan menggunakan Persamaan 8:
RMSE = √
∑ni=1 ŷ-y 2
n
(8)
dengan: ŷ = nilai prediksi, y = nilai aktual, � = jumlah data
HASIL DAN PEMBAHASAN
Pembangunan Prototipe PUP Digital
Alur kerja dari PUP yang dirancang dimulai dengan pembuatan larutan
pupuk. Larutan pupuk dibuat dengan mengikuti prosedur yang telah dirancang
dalam PUP produksi Balittanah. Setelah larutan dibuat, larutan dimasukkan ke
dalam tabung reaksi tembus pandang dan diberi beberapa pereaksi sehingga
menimbulkan warna pada larutan. Larutan yang sudah diwarnai dimasukkan ke
dalam prototipe PUP digital. Raspberry Pi akan mengaktifkan sensor kamera untuk
mengakuisisi citra warna larutan. Citra ini akan melalui tahapan ekstraksi fitur yaitu
dengan menghitung histogram dari komponen hue dan nilai keluaran dijadikan
objek yang akan ditentukan kelasnya berdasarkan algoritme KNN. Kelas dari objek
baru tersebut menunjukkan kadar N atau P dalam pupuk yang kemudian akan
ditampilkan di layar LCD.
Bahan tambahan yang digunakan dalam pembangunan prototipe PUP digital
antara lain: kabel F/M dan F/F, potensiometer 10 kΩ, LED putih, tactile switch,
resistor 10 kΩ, 470 Ω, PCB serta baut dan mur. Kerangka luar dari prototipe PUP
digital dibuat dengan menggunakan bahan akrilik dengan ketebalan 2 mm.
Pemotongan akrilik dilakukan dengan menggunakan laser cutter. Kerangka ini
berfungsi untuk melindungi bagian dalam dari prototipe PUP digital serta membuat
kondisi yang tetap dan stabil dalam akuisisi citra. Pengakuisisan citra dilakukan
pada ruang kamera dengan warna latar putih dan bagian luar berwarna hitam. Hal
ini dimaksudkan untuk menjaga agar cahaya dari LED cukup terang untuk
8
mengakuisisi citra namun cahaya dari luar sistem tidak mempengaruhi proses
akuisisi. Gambar 6 menunjukkan skematik dari prototipe PUP digital dan Gambar
7 menunjukkan desain rangkaian dan tampak luar prototipe PUP digital yang telah
dirancang. Prototipe PUP digital yang telah dirangkai dapat dilihat pada Lampiran
8.
Gambar 6 Skematik prototipe PUP digital
Library yang dibutuhkan dalam pembuatan prototipe PUP digital adalah
SimpleCV sebagai pengolah citra dan Orange sebagai machine learner. Library
SimpleCV dapat diperoleh dengan menggunakan perintah berikut:
$ sudo apt-get update
$ sudo apt-get install ipython python-opencv python-scipy pythonnumpy python-pygame python-setuptools python-pip
$ sudo pip install
https://github.com/ingenuitas/SimpleCV/zipball/master
9
(b)
(a)
Gambar 7 Prototipe PUP digital (a) desain rangkaian dan (b) tampak luar
prototipe PUP digital
Sedangkan untuk instalasi library Orange dapat dilakukan dengan
menggunakan perintah berikut:
$ sudo apt-get update
$ sudo apt-get install python-numpy libqt4-opengl-dev libqt4-dev
cmake qt4-qmake python-sip-dev python-qt4 python-qt4-dev pythonqwt5-qt4 python-sip graphviz python-networkx python-imaging pythonqt4-gl build-essential python-pip python-scipy python-pyparsing
ipython python-matplotlib
$ easy_install –U distribute
$ export PATH=$PATH:/usr/lib64/qt4/bin/:/usr/lib/qt4/bin
$ sudo pip install Orange
Akan tetapi, instalasi library Orange mengalami kegagalan dan
memunculkan pesan kesalahan yaitu error: command 'g++' failed with exit status
1. Hal ini bisa dikarenakan hardware yang tidak mendukung penambahan library.
Pengambilan data
Akuisisi citra dengan prototipe PUP digital menghasilkan sebanyak 80 data
citra untuk N dan 40 data untuk P. Namun, pengambilan data pertama untuk N
Titrisol dan seluruh data KH2PO4 tidak dapat digunakan dikarenakan warna larutan
tidak menunjukkan gradasi warna seperti yang tertera pada bagan warna. Hal ini
dikarenakan proses pengambilan data yang terlalu cepat sehingga larutan belum
selesai bereaksi. Data yang digunakan untuk proses selanjutnya berjumlah 80 data
(60 data N dan 20 data P). Citra hasil akuisisi dapat dilihat pada Lampiran 1.
Praproses Data
Langkah cropping dan resizing (Gambar 8) menghasilkan tiga citra baru
dengan tingkat pencahayaan yang berbeda untuk tiap citra, sehingga data yang
diperoleh seluruhnya sebanyak 240 citra.
10
Gambar 8 Proses cropping dan resizing
Ekstraksi fitur menghasilkan nilai mean, median dan standar deviasi untuk
komponen R, G dan B pada model warna RGB dan komponen H, S dan V pada
model warna HSV. Tabel 1 dan Tabel 2 menunjukkan hasil ekstraksi fitur untuk
model warna RGB dan HSV untuk larutan N titrisol dengan kadar N 1%, pada tiga
intensitas cahaya yang berbeda. Kedua tabel ini ditampilkan kembali dalam bentuk
grafik pada Gambar 9 dan 10.
Tabel 1 Ekstraksi fitur larutan N titrisol untuk model warna RGB dengan kadar
N1%
Nomor
Red
Green
Blue
citra
Mean Median STD Mean Median STD Mean Median STD
98
98
3
96
96
2
54
54
3
1
2
144
145
4
137
138
4
70
70
3
3
89
89
3
88
88
2
44
44
3
Tabel 2 Ekstraksi fitur larutan N titrisol untuk model warna HSV dengan kadar
N1%
Nomor
citra
1
2
3
Hue
Mean Median
0.159
0.159
0.152
0.152
0.163
0.163
STD
0.004
0.003
0.005
Saturation
Mean Median
0.451
0.449
0.513
0.514
0.511
0.511
STD
0.016
0.013
0.024
Value
Mean Median STD
0.384
0.384 0.010
0.565
0.569 0.017
0.350
0.349 0.010
Pembuatan Model Klasifikasi
Gambar 9 dan 10 menunjukkan bahwa komponen yang dapat dijadikan model
klasifikasi adalah komponen hue dalam model warna HSV karena nilai hue relatif
konstan terhadap intensitas pencahayaan yang berbeda. Nilai mean dan median dari
hue dijadikan sebagai atribut klasifikasi.
N titrisol merupakan larutan standar sehingga dapat dijadikan patokan nilai
hue pada urea. Analisis regresi sederhana dilakukan hanya untuk melihat hubungan
antara perubahan kadar dengan nilai hue. Gambar 11 menunjukkan hubungan linier
antara nilai hue dengan kadar N dengan koefisien determinasi yang tinggi (R² =
0.9024) sehingga dapat diartikan setiap penambahan kadar mengakibatkan
peningkatan nilai hue. Akan tetapi, pada Gambar 12 koefisien determinasi untuk N
urea yang dihasilkan lebih rendah dari larutan standar (R² = 0.486). Hal ini
dikarenakan terdapat data yang tidak linier yaitu pada kadar hara 10%, 14%, 16%,
11
Nilai mean
18%, 22%, 24%, 26%, 28%, 34%, dan 36% sehingga data ini dapat dianggap
sebagai kesalahan merujuk kepada larutan standar.
Gambar 13 menunjukkan sebaran nilai mean dari hue untuk SP-36. Grafik
menunjukkan nilai hue untuk setiap kadar hara cenderung stabil. Hal ini
dikarenakan larutan SP-36 memiliki warna dasar yang relatif seragam untuk setiap
kadar hara yang dibuat yaitu pada daerah warna dasar kuning. Keseragaman ini juga
ditunjukkan oleh koefisien determinasi untuk SP-36 mendekati angka 0 (R² =
0.2008) artinya perubahan kadar hara tidak terlalu berpengaruh nyata terhadap
perubahan nilai hue. Hal ini akan mempengaruhi proses klasifikasi dikarenakan
sulit untuk menentukan kelas jika nilai data latih cenderung sama.
160
140
120
100
80
60
40
20
0
1
2
3
Nomor citra
Gambar 9 Perbandingan nilai mean RGB untuk larutan N titrisol dengan kadar
N 1%.
Red,
Green,
Blue
0.6
Nilai mean
0.5
0.4
0.3
0.2
0.1
0.0
1
2
3
Nomor citra
Gambar 10 Perbandingan nilai mean HSV untuk larutan N titrisol dengan kadar
N 1%. Hue, Saturation, Value
12
0.6
Nilai hue
0.5
0.4
0.3
0.2
y = 0.0139x + 0.117
R² = 0.9024
0.1
0
0
2
4
6
8
10
12
14
16
18
20
Kadar hara (%)
Gambar 11 Grafik sebaran nilai mean dari hue untuk N titrisol
0.6
Nilai hue
0.5
0.4
0.3
0.2
y = 0.0078x + 0.2257
R² = 0.486
0.1
0
0
4
8
12
16
20
24
28
32
36
Kadar hara (%)
Gambar 12 Grafik sebaran nilai mean dari hue untuk N urea
40
0.2
Nilai hue
0.18
0.16
0.14
0.12
y = -0.0009x + 0.1824
R² = 0.2008
0.1
0.08
0
2
4
6
8
10
12
14
16
18
20
Kadar hara (%)
Gambar 13 Grafik sebaran nilai mean dari hue untuk P SP-36
13
Pengujian dan Evaluasi
Pengujian dilakukan sebanyak dua kali yaitu pengujian menggunakan
aplikasi MATLAB dan pengujian dengan menggunakan bahasa Python yang
diimplementasikan pada prototipe PUP digital. Data yang digunakan sama dengan
data yang diakuisisi untuk pembuatan model klasifikasi namun perbedaannya
terletak pada titik cropping. Data yang digunakan untuk pengujian berjumlah 60
citra untuk masing-masing model, sehingga terdapat 180 citra sebagai data uji.
Confusion matrix dari hasil pengujian dapat dilihat pada Lampiran 2 hingga Lampiran 7.
Akurasi (%)
Gambar 14 menunjukkan perbandingan akurasi untuk tiap model pada
pengujian I dan II dengan k = 3 dan k = 5. Pengujian I dengan menggunakan nilai
mean dan median dari nilai hue menunjukkan akurasi yang lebih tinggi
dibandingkan dengan pengujian II menggunakan histogram dari hue. Hal ini
disebabkan oleh adanya pengurangan noise dari citra dengan menghitung warna
dominan (mean color) sehingga hanya warna dari citra yang dijadikan fitur utama.
Namun, pada pengujian untuk SP-36 menunjukkan hal yang sebaliknya disebabkan
warna citra cenderung seragam sehingga sulit untuk menentukan kelas yang tepat
baik menggunakan histogram maupun nilai mean dari hue.
80.0
70.0
60.0
50.0
40.0
30.0
20.0
10.0
0.0
Pengujian I (k = 3)
Pengujian I (k = 5)
Pengujian II (k = 3)
Pengujian II (k = 5)
N Titrasi
N Urea
P SP-36
Gambar 14 Perbandingan akurasi untuk tiap model pada pengujian I dan II
dengan k = 3 dan k = 5
Nilai RMSE terendah diperoleh dari pengujian N Titrisol. RMSE
menunjukkan besar ketelitian atau besar kesalahan pengukuran prototipe PUP
digital. Nilai RMSE sebesar 1.25 pada N Titrisol dengan k = 5 menunjukkan bahwa
kesalahan rata-rata untuk mengklasifikasikan kadar adalah 1.25% dari nilai
aktualnya. Berdasarkan Gambar 15, nilai RMSE terkecil yang diperoleh untuk N
Titrisol adalah 1.25 pada pengujian I dengan k = 5, untuk N Urea adalah 3.32 pada
pengujian I dengan k = 5 dan untuk P SP-36 adalah 5.79 pada pengujian II dengan
k = 3 atau k = 5. Angka ini sudah dapat menunjukkan peningkatan ketelitian
penggunaan prototipe PUP digital dibanding PUP konvensional. Namun, prototipe
PUP digital hanya mampu menunjukkan peningkatan ketelitian pada pengujian
untuk N, sedangkan untuk P perlu perbaikan lebih lanjut dalam hal komponen
warna yang digunakan atau metode yang digunakan.
14
12
10
RMSE
8
Pengujian I (k = 3)
Pengujian I (k = 5)
Pengujian II (k = 3)
6
Pengujian II (k = 5)
4
2
0
N Titrasi
N Urea
P SP-36
Gambar 15 Perbandingan RMSE untuk tiap model pada pengujian I dan II
dengan k = 3 dan k = 5
Prototipe PUP digital yang telah dirangkai berjalan dengan baik. Akan tetapi,
model klasifikasi yang telah dibuat belum dapat diimplementasikan dengan
prototipe. Hal ini dikarenakan adanya kegagalan dalam penambahan library Orange
pada Raspberry Pi.
SIMPULAN DAN SARAN
Simpulan
Penelitian ini telah berhasil merangkai prototipe PUP digital dan membuat
model klasifikasi kadar nitrogen dan fosfor pada pupuk urea dan SP-36 dengan
mengimplementasikan komponen hue dari model warna HSV dan KNN sebagai
algoritme klasifikasi. Akurasi tertinggi yang diperoleh dari pengujian model N
titrisol sebesar 58.33%, RMSE = 1.43 dengan k = 3, N urea sebesar 70%, RMSE =
3.32 dengan k = 5 dan P SP-36 sebesar 18.33%, RMSE = 5.79 dengan k = 3. Hasil
ini menunjukkan adanya peningkatan ketelitian pengukuran dibandingkan dengan
PUP konvensional. Namun, prototipe PUP digital hanya mampu menunjukkan
peningkatan pada pengujian untuk N, sedangkan untuk P perlu perbaikan lebih
lanjut. Model pengujian dengan prototipe yang sudah dirakit belum dapat
diimplementasikan dikarenakan kegagalan dalam penambahan library Orange pada
Raspberry Pi.
Saran
Akurasi dan ketelitian dapat ditingkatkan dengan memperbaiki data latih
larutan yang digunakan dengan melakukan pengulangan pada data-data yang salah
dan mencoba mengimplementasikan algoritme klasifikasi lainnya. Metode yang
digunakan selanjutnya dapat menggunakan metode pendugaan nilai reflektansi.
Nilai reflektansi diukur dengan spektrofotometer. Hal ini sesuai dengan pengukuran
kadar pada skala laboratorium. Implementasi model pengujian dengan prototipe
yang sudah dirakit dapat menggunakan batasan lainnya seperti menggunakan
15
bahasa pemrograman yang berbeda atau menggunakan library lainnya. Tabung
reaksi yang digunakan bisa diganti dengan menggunakan tabung reaksi berbentuk
kotak sehingga dapat mengurangi pencahayaan yang tidak seragam pada citra.
DAFTAR PUSTAKA
Agusta Y. 2007. K-Means - penerapan, permasalahan dan metode terkait. Jurnal
Sistem dan Informatika. 3:47-60.
Ali S, Smith KA. 2006. On learning algorithm selection for classification. Applied
Soft Computing. 6(2):119-138.
Burger W, Burge MJ. 2008. Digital Image Processing: An algorithmic introduction
using Java. New York (US): Springer.
Foley JD, Van Dam A, Feiner SK, Hughes JF. 1996. Computer Graphics:
Principles and Practice in C. Ed ke-2. Boston (US): Addison-Wesley.
Gonzalez RC, Woods RE. 1990. Digital Image Processing. Boston (US): AddisonWesley.
Richardson. 2013. Getting Started with Raspberry Pi. Sebastopol (US): O’Reilly.
Setyorini D, Sulaeman, Kasno A. 2011. Perangkat Uji Pupuk. Bogor (ID):
Balittanah.
Walpole ER. 1992. Pengantar Statistika. Jakarta (ID): Gramedia.
Witten IH, Frank E, Hall MA. 2011. Data Mining: Practical Machine Learning
Tools and Techniques. Ed ke-3. Burlington (US): Morgan Kaufmann/Elsevier.
Zainuddin S, Hidayat N, Subroto A. 2014. Penerapan algoritme modified k-nearest
neighbour (M-KNN) pada pengklasifikasian penyakit tanaman kedelai. Jurnal
Mahasiswa PTIIK UB. 3(8).
16
Lampiran 1 Citra larutan pupuk
Kadar (%)a
1
2
3
4
5
6
7
8
9
10
Pupuk
N titrisol
N urea
P SP-36
P KH2PO4
17
Lampiran 1 Citra larutan pupuk (lanjutan)
Kadar (%)a
Pupuk
N titrisol
N urea
P SP-36
P KH2PO4
11
12
13
14
15
16
17
18
19
20
a
Untuk urea dan KH2PO4, kadar sebenarnya merupakan kadar yang tertera pada tabel dikali 2.
18
Lampiran 2 Confusion matrix pada pengujian I untuk N titrisol dengan k = 3
Aktual
(%)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
1
2
1
1
2
3
4
1
5
1
1
1
2
2
6
7
8
Prediksi (%)
9 10 11 12 13 14 15 16 17 18 19 20
2
1
3
1
2
1
2
2
1
1
2
3
3
3
1
1
1
1
1
1
1
1
3
1
1
1
1
3
3
19
Lampiran 3 Confusion matrix pada pengujian I untuk N titrisol dengan k= 5
Aktual
(%)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
1
2
2
2 3
1
1
1 1
1
4
1
1
5
6
7
8
Prediksi (%)
9 10 11 12 13 14 15 16 17 18 19 20
1
2
2
2
3
1
1
2
2
1
1
2
3
3
3
1
1
1
1
1
1
1
1
3
1
1
1
1
3
3
20
Lampiran 4 Confusion matrix pada pengujian I untuk N urea dengan k = 3
Aktual
(%)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
1
2
2
2
1
2
1
1
3
4
5
6
7
8
Prediksi (%)
9 10 11 12 13 14 15 16 17 18 19 20
1
2
1
2
3
3
3
3
1
2
3
3
1
3
1
1
1
1
1
1
3
2
3
1
1
2
2
21
Lampiran 5 Confusion matrix pada pengujian I untuk N urea dengan k = 5
Aktual
(%)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
1
2
2
3
1
4
5
6
7
8
Prediksi (%)
9 10 11 12 13 14 15 16 17 18 19 20
3
1
2
1
2
2
1
3
3
3
3
1
2
3
3
1
3
1
1
1
1
3
3
3
1
1
Lampiran 6 Confusion matrix pada pengujian I untuk P SP-36 dengan k = 3
Aktual
(%)
2
4
6
8
10
12
14
16
18
20
1
2
2
4
1
4
6
1
1
3
3
2
1
1
Prediksi (%)
8 10 12 14 16 18 20
1 1
3 1
1
2 1 2
2 4
1 1
1
1
2
1
1
1
2 2
2 3
3 1
1
2
2
22
Lampiran 7 Confusion matrix pada pengujian I untuk P SP-36 dengan k = 3
Aktual
(%)
2
4
6
8
10
12
14
16
18
20
2
3
4
6
1
1
1
1
2
1
1
1
Prediksi (%)
8 10 12 14 16 18 20
4 1 1
1 1 2 2
2 4
1 1
2
2
4
1
1 1 2
1
2 2
1 3
3 2
1
Lampiran 8 Foto prototipe perangkat uji pupuk (PUP) digital
23
RIWAYAT HIDUP
Penulis lahir di Bukittinggi, tanggal 7 Januari 1992, merupakan putra ketiga
dari tiga bersaudara dari ayah John Fitri (alm) dan Elfa Yerni. Penulis lulus dari
SMA Negeri 3 Bukittinggi pada tahun 2010, kemudian melanjutkan studi Strata 1
di Departemen Ilmu Komputer, Institut Pertanian Bogor (IPB) melalui jalur
Undangan Seleksi Masuk IPB (IPB) pada tahun yang sama.
Selama mengikuti perkuliahan, penulis menjadi asisten praktikum Struktur
Data pada tahun ajaran 2012/2013, asisten praktikum Rekayasa Perangkat Lunak
pada tahun ajaran 2013/2014 dan asisten praktikum Struktur Data pada tahun ajaran
2013/2014. Penulis juga aktif di beberapa organisasi intra kampus yaitu Uni
Konservasi Fauna (UKF), Sanggar Sarumpun, Komunitas Seni Budaya Masyarakat
Roempoet dan Lingkung Seni Sunda Gentra Kaheman. Bulan Juli-Agustus 2013
penulis melaksanakan Praktik Kerja Lapang di PT Suntory Garuda Beverage
dengan judul One Page Report System (OPRS).
Melalui keaktifan di bidang seni, penulis berhasil menoreh prestasi tingkat
mahasiswa. Beberapa prestasi yang diraih penulis antara lain Juara 1 Lomba Tari
IPB Art Contest (IAC) 2013 dan 2014, meraih dua penghargaan dalam Gebyar
Festival Tari (GFT) 2013 di Universitas Brawijaya dan Juara 1 Pagelaran Festival
Budaya Nusantara di Sekolah Tinggi Akuntansi Negara. Penulis juga pernah
mengisi acara dalam berbagai kegiatan baik dalam kampus, nasional maupun
internasional seperti The 8th QS Apple di Bali.
KADAR NITROGEN DAN FOSFOR
PADA PUPUK
YANUARDI FAJRI
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2014
PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Pemanfaatan Raspberry Pi sebagai Alat Uji Kadar Nitrogen dan Fosfor pada
Pupuk adalah benar karya saya dengan arahan dari komisi pembimbing dan belum
diajukan dalam bentuk apapun kepada perguruan tinggi manapun. 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 dan Balai Penelitian Tanah, Badan Penelitian dan Pengembangan
Pertanian, Kementerian Pertanian.
Bogor, Agustus 2014
Yanuardi Fajri
NIM G64100039
ABSTRAK
YANUARDI FAJRI. Pemanfaatan Raspberry Pi sebagai Alat Uji Kadar Nitrogen dan Fosfor
pada Pupuk. Dibimbing oleh KARLISA PRIANDANA dan LADIYANI R WIDOWATI
Pupuk memiliki peranan yang penting dalam meningkatkan produktivitas pertanian.
Namun, di Indonesia banyak terdapat produk pupuk palsu yang sulit diidentifikasi oleh
petani. Sebagai bentuk upaya pengawasan pupuk, Balai Penelitian Tanah telah
mengembangkan perangkat uji pupuk (PUP) untuk mengukur kadar hara N dan P dalam
pupuk secara cepat. Namun, pembacaan hasil ujinya masih manual dengan menggunakan
bagan warna, sehingga hasil pengukurannya masih bersifat semi kuantitatif. Penelitian ini
bertujuan untuk mengembangkan PUP sehingga pembacaan warna larutan pupuk dapat
dilakukan secara digital dan diharapkan dapat meningkatkan ketelitian hasil pengukuran.
Raspberry Pi digunakan sebagai otak yang bertugas untuk mengakuisisi citra larutan pupuk,
mengolahnya, dan mengklasifikasikannya ke kadar hara tertentu. Model warna yang
digunakan untuk mengolah data citra larutan pupuk adalah model warna hue saturation
value (HSV), sedangkan algoritme klasifikasi yang digunakan adalah k-nearest neighbour
(KNN). Hasil penelitian menunjukkan bahwa komponen warna yang cocok untuk diambil
sebagai penfitur klasifikasi adalah komponen hue, karena tidak terpengaruh oleh perubahan
intensitas cahaya pada citra yang diambil. Akurasi tertinggi yang diperoleh untuk N Titrisol
sebesar 58.33%, RMSE = 1.43 dengan k = 3, untuk N Urea sebesar 70%, RMSE = 3.32
dengan k = 5 dan untuk untuk P SP-36 sebesar 18.33%, RMSE = 5.79 dengan k = 3.
Kata kunci: hue saturation value (HSV), kadar hara, k-nearest neighbour (KNN), perangkat
uji pupuk
ABSTRACT
YANUARDI FAJRI. Digital Fertilizer Test Kit Using Raspberry Pi. Supervised by
KARLISA PRIANDANA and LADIYANI R WIDOWATI
Fertilizer has an important role in improving agricultural productivity. However, in
Indonesia, there are many counterfeit fertilizer products that are difficult to be identified by
farmers. Soil Research Institute has developed a fertilizer test kit to measure the levels of N
and P quickly. However, this tool still use color charts to manually interpret the test results.
Therefore, the measurement result is still semi-quantitative. This study aims to develop a
digital fertilizer test kit so that the fertilizer solution’s color interpretation can be done
digitally and is expected to improve the precision of the measurement. Raspberry Pi is used
as the brain responsible for acquiring the images of the fertilizer solution, process them, and
classify them to a certain nutrient level. The utilized color model to process the fertilizer
solution’s image data is hue-saturation-value (HSV), while the classification algorithm used
is k-nearest neighbor (KNN). The results showed that “hue” is the suitable color component
for classification, because it is not affected by changes in light intensity. Classification
method produced the accuracy of 58.33%, RMSE = 1.43 using k = 3 for N Titrisol, 70%,
RMSE = 3.32 using k = 5 for N Urea and 18.33%, RMSE = 5.79 using k = 3 for P SP-36.
Keywords: fertilizer test kit, hue saturation value (HSV), k-nearest neighbour (KNN),
nutrient level
PEMANFAATAN RASPBERRY PI SEBAGAI ALAT UJI
KADAR NITROGEN DAN FOSFOR
PADA PUPUK
YANUARDI FAJRI
Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Ilmu Komputer
pada
Departemen Ilmu Komputer
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2014
Judul Skripsi :
Aplikasi Bagan Warna Daun untuk Optimasi Pemupukan Tanaman
Padi Menggunakan k-Nearest Neighbor
Nama
NIM
: Edwin Satyalesmana
: G64104028
Disetujui oleh
Sony Hartono Wijaya, SKom MKom
Pembimbing
Diketahui oleh
Dr Ir Agus Buono, MSi MKom
Ketua Departemen
Penguji: Dr Eng Heru Sukoco, SSi MT
Judul Skripsi : Pemanfaatan Raspberry Pi sebagai Alat Uji Kadar Nitrogen dan Fosfor pada
Pupuk
Nama
: Yanuardi Fajri
NIM
: G64100039
Disetujui oleh
Karlisa Priandana, ST MEng
Pembimbing I
Dr Ladiyani R Widowati, MSc
Pembimbing II
Diketahui oleh
Dr Ir Agus Buono, MSi MKom
Ketua Departemen
Tanggal Lulus:
PRAKATA
Puji syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas segala karuniaNya sehingga karya ilmiah ini berhasil diselesaikan. Shalawat serta salam penulis
sampaikan kepada Nabi Muhammad shalallahu ‘alaihi wassalam. Pemanfaatan Raspberry
Pi sebagai Alat Uji Kadar Nitrogen dan Fosfor pada Pupuk ini tidak lepas dari bantuan
berbagai pihak. Oleh karena itu, penulis menyampaikan ucapan terima kasih kepada:
1 Kedua orang tua tercinta, Bapak M Anis Dt Gadang, dan Ibu Elfa Yerni beserta keluarga
yang selalu memberikan do’a dan dukungan moral.
2 Ibu Karlisa Priandana, ST MEng 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 Akang, teteh dan ayi-ayi UKM LISES Gentra Kaheman serta teman-teman Departemen
Ilmu Komputer 47 yang selalu memberi semangat dalam pelaksanaan penelitian ini
5 Staf pengajar dan staf tata usaha Departemen Ilmu Komputer yang telah banyak
membantu baik selama masa perkuliahan maupun pada saat penelitian.
6 Semua pihak yang telah banyak memberikan kontribusi yang besar dalam penyelesaian
tugas akhir yang tidak dapat disebutkan satu persatu.
Semoga karya ilmiah ini bermanfaat.
Bogor, Agustus 2014
Yanuardi Fajri
DAFTAR ISI
DAFTAR TABEL
DAFTAR GAMBAR
DAFTAR LAMPIRAN
PENDAHULUAN
vii
vii
vii
1
Latar Belakang
Perumusan Masalah
Tujuan Penelitian
Manfaat Penelitian
Ruang Lingkup Penelitian
METODE
1
2
2
2
3
3
Perakitan Prototipe PUP Digital
Pengambilan Data
Praproses Data
Pembuatan Model Klasifikasi
Pengujian dan Evaluasi
HASIL DAN PEMBAHASAN
3
5
5
6
6
7
Pembangunan Prototipe PUP Digital
Pengambilan data
Praproses Data
Pembuatan Model Klasifikasi
Pengujian dan Evaluasi
SIMPULAN DAN SARAN
Simpulan
Saran
DAFTAR PUSTAKA
7
9
9
10
13
14
14
14
15
LAMPIRAN
16
RIWAYAT HIDUP
23
DAFTAR TABEL
1
2
Ekstraksi fitur larutan N titrisol untuk model warna RGB
dengan kadar N 1 %
Ekstraksi fitur larutan N titrisol untuk model warna HSV
dengan kadar N 1 %
10
10
DAFTAR GAMBAR
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
Pengukuran dengan PUP dan bagan warna uji pupuk
Tahapan penelitian
Kerangka konseptual PUP digital
Peralatan yang digunakan (a) sensor kamera, (b) Raspberry Pi,
dan (c) LCD
Sistem koordinat model warna (a) RGB dan (b) HSV
Skematik prototipe PUP digital
Prototipe PUP digital (a) desain rangkaian, dan (b) tampak luar
prototipe PUP digital
Proses cropping dan resizing
Perbandingan nilai mean RGB untuk larutan N titrisol
dengan kadar N 1%
Perbandingan nilai mean HSV untuk larutan N titrisol
dengan kadar N 1%
Grafik sebaran nilai mean dari hue untuk N titrisol
Grafik sebaran nilai mean dari hue untuk N urea
Grafik sebaran nilai mean dari hue untuk P SP-36
Perbandingan akurasi untuk tiap model pada pengujian I
dan II dengan k = 3 dan k = 5
Perbandingan RMSE untuk tiap model pada pengujian I
dan II dengan k = 3 dan k = 5
1
4
4
5
6
8
9
10
11
11
12
12
12
13
14
DAFTAR LAMPIRAN
1
2
3
4
5
6
7
8
Citra larutan pupuk
Confusion matrix pada pengujian I untuk N Titrisol dengan k= 3
Confusion matrix pada pengujian I untuk N Titrisol dengan k = 5
Confusion matrix pada pengujian I untuk N Urea dengan k = 3
Confusion matrix pada pengujian I untuk N Urea dengan k = 5
Confusion matrix pada pengujian I untuk P SP-36 dengan k = 3
Confusion matrix pada pengujian I untuk N Urea dengan k = 5
Foto prototipe perangkat uji pupuk (PUP) digital
16
18
19
20
21
21
22
22
1
PENDAHULUAN
Latar Belakang
Pupuk memiliki peranan penting dalam upaya meningkatkan produktivitas,
produksi dan mutu pertanian yang bermuara pada peningkatan pendapatan dan
kesejahteraan petani serta mewujudkan program ketahanan pangan nasional. Jenis
pupuk yang umum digunakan antara lain pupuk urea dan SP-36. Di pasaran, pupuk
tersebut dijual beragam, sesuai dengan kadar nitrogen (N) dan fosfor (P) yang
terkandung di dalamnya. Hal inilah yang akan mempengaruhi harga serta manfaat
penggunaan pupuk tersebut dalam pertanian.
Berdasarkan data Kementerian Pertanian dan Kementrian Perindustrian,
hingga tahun 2015, kebutuhan pupuk di Indonesia menunjukkan peningkatan
konsumsi pupuk sebesar 6.53% tiap tahunnya. Akan tetapi, kondisi ini tidak
didukung oleh peningkatan suplai pupuk yang berakibat semakin langkanya pupuk
di pasaran dan berujung pada peningkatan harga pupuk. Kondisi ini dimanfaatkan
oleh pedagang yang tidak bertanggung jawab untuk mencari keuntungan dari
penjualan pupuk palsu dengan kadar N dan P yang rendah. Penggunaan pupuk ini
mengakibatkan kerugian yang besar tidak hanya dari sisi biaya produksi tapi juga
hasil panen yang tidak sesuai harapan.
Dalam upaya pengawasan pupuk di pasaran, Balai Penelitian Tanah, Badan
Penelitian dan Pengembangan Pertanian, Kementerian
Pertanian
telah
mengembangkan perangkat sederhana yang dinamakan perangkat uji pupuk
(PUP) (Setyorini et al. 2011). Perangkat tersebut merupakan penyederhanaan
semi kuantitatif dari alat uji laboratorium yang relatif mahal dan sulit untuk
dilakukan oleh petani. Namun, pengukuran yang dilakukan dan pembacaan hasil
pengukuran masih harus dilakukan secara manual dengan membandingkan
warna larutan pupuk dengan bagan warna yang disediakan (Gambar 1). Oleh
karena itu, keakuratan dan ketelitian pengukuran pun masih jauh di bawah
pengukuran skala laboratorium.
Gambar 1 Pengukuran dengan PUP dan bagan warna uji pupuk
(Sumber : Balittanah)
Penelitian ini dilakukan untuk meningkatkan ketelitian penggunaan PUP
dengan membangun prototipe PUP digital berbasis Raspberry Pi. Raspberry Pi
merupakan komputer berukuran kecil yang dapat digunakan untuk berbagai
keperluan seperti general purpose computing, learn to program, media center,
2
“bare metal” computer hacking, dan project platform (Richardson 2013). Untuk
memproses citra larutan pupuk, digunakan metode full color image processing
dengan merepresentasikan warna dalam suatu model warna (Gonzalez dan Woods
1990). Model warna yang digunakan dalam penelitian ini adalah hue saturation
value (HSV). Model warna HSV terkait langsung dengan warna dasar (hue),
kejenuhan (saturation), dan kecerahan (brightness) (Burger dan Burge 2008)
sehingga lebih intuitif dan dirancang untuk menyerupai cara manusia
menginterpretasikan warna. Algoritme k-nearest neighbor (KNN) digunakan
sebagai algoritme klasifikasi. Algoritme KNN adalah suatu algoritme yang
sederhana, namun cukup efektif dalam melakukan kategorisasi. Selain itu, proses
klasifikasi dari KNN mudah untuk diimplementasikan dibandingkan dengan
algoritme klasifikasi lain (Zainuddin et al. 2014).
Penelitian ini dibatasi untuk mengukur kadar N dan P dari pupuk urea dan
SP-36. Pengukuran kadar N dan P dilakukan secara digital yang diharapkan dapat
meningkatkan keakuratan dan ketelitian hasil pengukuran.
Perumusan Masalah
Permasalahan yang dikaji pada penelitian ini terkait dengan peningkatan
ketelitian PUP dalam pengukuran kadar N dalam pupuk urea dan P dalam pupuk
SP-36. Pengujian dan pembacaan hasil uji kadar N dan P dengan PUP dilakukan
secara digital dan dapat menghasilkan pembacaan secara kuantitatif dengan tetap
menggunakan metode pewarnaan. Prototipe PUP digital dirangkai dengan sebuah
single-board computer berbasis Raspberry Pi yang terhubung dengan sebuah
kamera. Kamera akan mengakuisisi citra larutan dan mengklasifikasikan citra
sesuai model yang telah dirancang sebelumnya.
Pembuatan model klasifikasi menggunakan data latih berupa data nilai
komponen dari model warna HSV yang telah diketahui kadar nitrogen dan
fosfornya. Model ini disimpan di dalam otak pengolah berbasis Raspberry Pi dan
digunakan untuk mengklasifikasikan warna larutan yang akan diukur.
Tujuan Penelitian
1
2
3
Adapun tujuan dari penelitian ini adalah:
Membuat model klasifikasi warna larutan pupuk dengan menggunakan
algoritme KNN serta komponen model HSV
Merangkai dan membangun prototipe PUP digital dengan memanfaatkan
Raspberry Pi
Meningkatkan ketelitian penggunaan PUP.
Manfaat Penelitian
Manfaat dari penelitian ini adalah menjadikan PUP digital sebagai alternatif
perangkat uji kadar N dan P pada pupuk urea dan SP-36. Perangkat ini nantinya
dimanfaatkan oleh Balai Penelitian Tanah sebagai perangkat uji pupuk secara cepat
dalam pengawasan pupuk di lapangan. Secara luas, PUP digital dapat dimanfaatkan
3
juga oleh para petani dan pedagang pupuk dalam mengantisipasi pemakaian dan
penjualan pupuk palsu.
Ruang Lingkup Penelitian
1
2
3
4
Lingkup penelitian ini memiliki penekanan pada hal-hal berikut:
PUP digital dibatasi untuk mengukur kadar N dalam pupuk urea dan P dalam
pupuk SP-36
Pengolahan citra memanfaatkan single-board computer berbasis Raspberry Pi
dengan metode pewarnaan pada pupuk urea dan SP-36 yang telah dilarutkan.
Proses pelarutan dan pewarnaan mengikuti prosedur yang tertera dalam PUP
yang telah dikembangkan oleh Balai Penelitian Tanah, Badan Litbang
Pertanian, Kementerian Pertanian.
Akuisisi citra menggunakan modul kamera yang merupakan bagian dari
Raspberry Pi
Bahasa pemrograman yang digunakan adalah bahasa Python dengan
memanfaatkan computer vision library dari SimpleCV dan OpenCV serta
machine learning library dari Orange
METODE
Tahapan penelitian dapat dilihat pada Gambar 2, yang terdiri atas: (1)
perakitan prototipe PUP digital, (2) pengambilan data, (3) praproses data, (4)
pembuatan model klasifikasi, dan (5) pengujian dan evaluasi.
Perakitan Prototipe PUP Digital
Perakitan prototipe PUP digital dilakukan melalui tiga langkah, yaitu
perancangan sistem, persiapan alat dan bahan, serta perakitan. Prototipe PUP digital
dibangun dengan memanfaatkan Raspberry Pi sebagai pengolah data citra dengan
tetap menggunakan PUP Balittanah untuk mempersiapkan larutan yang akan diuji.
Gambar 3 menunjukkan kerangka konseptual prototipe PUP digital yang dibangun.
Perangkat utama yang digunakan dalam penelitian ini ialah PUP, sensor
kamera, Raspberry Pi dan liquid crystal display (LCD) (Gambar 4). Sensor kamera
digunakan untuk mengenali atribut (feature) warna pada larutan pupuk. Sensor
kamera yang digunakan dalam penelitian ini adalah sensor kamera berjenis CMOS
dengan resolusi maksimum 5 mega piksel dan ukuran sensor 0.25 inci. Raspberry
Pi bertugas mengaktifkan sensor kamera untuk mengakuisisi citra larutan serta
mengolah citra menjadi keluaran kadar N dan P dalam pupuk. Raspberry Pi
merupakan single-board computer berukuran kartu kredit yang dikembangkan oleh
Raspberry Pi Foundation. Raspberry Pi Model-B Rev. 1 memiliki fitur: Broadcom
BCM2835 system on a chip (SoC); ARM1176JZF-S 700 MHz processor; Video
Core IV GPU; 512 MB RAM. Media penyimpanan menggunakan 8 GB SD Card
dengan sistem operasi berbasis distro Debian Wheezy. Antarmuka pengguna
4
dengan sistem berupa LCD. LCD yang digunakan berukuran 16 karakter dan 2 baris
dengan latar belakang berwarna biru.
Gambar 2 Tahapan penelitian
Gambar 3 Kerangka konseptual PUP Digital
5
(
(
(c)
(b)
(a)
Gambar 4 Peralatan yang digunakan (a) sensor kamera, (b) Raspberry Pi, dan (c)
LCD (sumber: raspberrypi.org)
Pengambilan Data
Data yang digunakan pada penelitian ini adalah citra warna larutan yang
dibagi ke dalam dua kelompok yaitu nitrogen dan fosfor. Data kelompok nitrogen
merupakan citra warna larutan N titrisol dan larutan pupuk urea, sedangkan data
kelompok fosfor merupakan data P pada KH2PO4 dan larutan pupuk SP-36 dengan
kadar nitrogen atau fosfor dari 1% hingga 20% dengan selisih tiap akuisisi sebesar
1% untuk N dan 2% untuk P. Tiap larutan diakuisisi sebanyak dua kali. Data ini
diakuisi dengan menggunakan prototipe PUP digital yang telah dirancang sehingga
kondisi lingkungan data yang diambil sesuai dengan kondisi sistem nantinya.
Praproses Data
Praproses data terdiri atas: (1) cropping dan resizing, (2) ekstraksi fitur. Pada
langkah cropping dan resizing, tiga titik pada citra hasil akuisisi yang mendapat
pengaruh cahaya berbeda diambil menjadi citra baru dengan ukuran 80x80 piksel.
Citra ini merupakan citra dengan warna dominan larutan. Proses ini dilakukan
untuk menurunkan waktu komputasi dikarenakan citra yang diambil lebih kecil dan
bagian yang tidak terkait warna larutan dapat dihilangkan. Langkah selanjutnya
adalah proses ekstraksi fitur pada citra dengan menggunakan metode full color
image processing. Perbedaan antara red green blue (RGB) dengan HSV adalah
sistem koordinat yang digunakan (Burger and Burge 2008). RGB menggunakan
sistem koordinat Cartesian dengan sumbu (x, y, z) = (red, green, dan blue),
sementara HSV menggunakan sistem koordinat cylindrical dengan sumbu (r, Ɵ, z)
= (saturation, hue, value) (Gambar 5). Nilai H (hue), S (saturation) dan V (value)
dapat diperoleh dari nilai model warna RGB melalui Persamaan 1 sampai 4.
tidak terdefinisi , C = 0
G-B
C
B-R
H' =
{
mod 6
,M=R
+2
,M=G
C
R-G
C
,M=B
o
H = 60 x H’
M, H' ,R,G,B ∈ R
(1)
(2)
6
V=M
0
�= {C
V
(3)
, C=0
(4)
, lainnya
dengan M = max{R,G,B} , R, G, B ∈ R
m = min{R,G,B}
C=M-m ,C,M,m ∈R
(b)
(a)
Gambar 5 Sistem koordinat model warna (a) RGB dan (b) HSV
(Sumber : matlab.izmiran.ru)
Pembuatan Model Klasifikasi
Algoritme KNN adalah metode untuk melakukan klasifikasi terhadap objek
berdasarkan data latih yang jaraknya paling dekat dengan objek tersebut. Jarak
objek dengan kelas tertentu menggunakan perhitungan jarak Euclid (Persamaan 5)
(Agusta 2007):
p
di =
i=1
(x2i -x1i )2 , d ∈ R, x ∈ I
(5)
dengan: x1 = data latih, 2 = data uji, i = variabel data, d = jarak, dan p = dimensi
data.
Nilai komponen dari hue, saturation dan value yang relatif konstan dengan
tingkat pencahayaan berbeda dijadikan sebagai model klasifikasi. Mean dan median
digunakan sebagai atribut klasifikasi. Kadar larutan digunakan sebagai kelas,
sehingga terdapat 20 kelas untuk N dan 10 kelas untuk P.
Pengujian dan Evaluasi
Besarnya akurasi pengujian dihitung dengan menggunakan Persamaan 6.
7
Akurasi =
∑Jumlah data uji yang prediksi benar
∑Jumlah data uji keseluruhan
(6)
Evaluasi hasil pengujian dilihat dengan menghitung nilai root mean square
error (RMSE) dan koefisien determinasi (R2). R2 digunakan untuk mengukur
seberapa baik garis regresi yang terbentuk oleh nilai dugaan dengan nilai aktualnya,
semakin baik jika mendekati 1. Nilai ini juga digunakan untuk membandingkan
hasil ekstraksi fitur larutan standar dengan larutan pupuk sehingga data yang tidak
valid dapat dideteksi. Menurut Walpole (1992), R2 dihitung dengan menggunakan
Persamaan 7:
2
n
2 [∑i=1 (ŷi -ŷ̅)(yi -y̅)]
R = n
(7)
2
∑i=1 (ŷi -ŷ̅) (yi -y̅)2
dengan : � = nilai aktual, ŷ� = nilai prediksi
RMSE adalah perhitungan yang menunjukkan besarnya simapangan antara nilai
prediksi dengan nilai aktualnya, semakin baik jika mendekati 0. Menurut Walpole
(1992), R2 dihitung dengan menggunakan Persamaan 8:
RMSE = √
∑ni=1 ŷ-y 2
n
(8)
dengan: ŷ = nilai prediksi, y = nilai aktual, � = jumlah data
HASIL DAN PEMBAHASAN
Pembangunan Prototipe PUP Digital
Alur kerja dari PUP yang dirancang dimulai dengan pembuatan larutan
pupuk. Larutan pupuk dibuat dengan mengikuti prosedur yang telah dirancang
dalam PUP produksi Balittanah. Setelah larutan dibuat, larutan dimasukkan ke
dalam tabung reaksi tembus pandang dan diberi beberapa pereaksi sehingga
menimbulkan warna pada larutan. Larutan yang sudah diwarnai dimasukkan ke
dalam prototipe PUP digital. Raspberry Pi akan mengaktifkan sensor kamera untuk
mengakuisisi citra warna larutan. Citra ini akan melalui tahapan ekstraksi fitur yaitu
dengan menghitung histogram dari komponen hue dan nilai keluaran dijadikan
objek yang akan ditentukan kelasnya berdasarkan algoritme KNN. Kelas dari objek
baru tersebut menunjukkan kadar N atau P dalam pupuk yang kemudian akan
ditampilkan di layar LCD.
Bahan tambahan yang digunakan dalam pembangunan prototipe PUP digital
antara lain: kabel F/M dan F/F, potensiometer 10 kΩ, LED putih, tactile switch,
resistor 10 kΩ, 470 Ω, PCB serta baut dan mur. Kerangka luar dari prototipe PUP
digital dibuat dengan menggunakan bahan akrilik dengan ketebalan 2 mm.
Pemotongan akrilik dilakukan dengan menggunakan laser cutter. Kerangka ini
berfungsi untuk melindungi bagian dalam dari prototipe PUP digital serta membuat
kondisi yang tetap dan stabil dalam akuisisi citra. Pengakuisisan citra dilakukan
pada ruang kamera dengan warna latar putih dan bagian luar berwarna hitam. Hal
ini dimaksudkan untuk menjaga agar cahaya dari LED cukup terang untuk
8
mengakuisisi citra namun cahaya dari luar sistem tidak mempengaruhi proses
akuisisi. Gambar 6 menunjukkan skematik dari prototipe PUP digital dan Gambar
7 menunjukkan desain rangkaian dan tampak luar prototipe PUP digital yang telah
dirancang. Prototipe PUP digital yang telah dirangkai dapat dilihat pada Lampiran
8.
Gambar 6 Skematik prototipe PUP digital
Library yang dibutuhkan dalam pembuatan prototipe PUP digital adalah
SimpleCV sebagai pengolah citra dan Orange sebagai machine learner. Library
SimpleCV dapat diperoleh dengan menggunakan perintah berikut:
$ sudo apt-get update
$ sudo apt-get install ipython python-opencv python-scipy pythonnumpy python-pygame python-setuptools python-pip
$ sudo pip install
https://github.com/ingenuitas/SimpleCV/zipball/master
9
(b)
(a)
Gambar 7 Prototipe PUP digital (a) desain rangkaian dan (b) tampak luar
prototipe PUP digital
Sedangkan untuk instalasi library Orange dapat dilakukan dengan
menggunakan perintah berikut:
$ sudo apt-get update
$ sudo apt-get install python-numpy libqt4-opengl-dev libqt4-dev
cmake qt4-qmake python-sip-dev python-qt4 python-qt4-dev pythonqwt5-qt4 python-sip graphviz python-networkx python-imaging pythonqt4-gl build-essential python-pip python-scipy python-pyparsing
ipython python-matplotlib
$ easy_install –U distribute
$ export PATH=$PATH:/usr/lib64/qt4/bin/:/usr/lib/qt4/bin
$ sudo pip install Orange
Akan tetapi, instalasi library Orange mengalami kegagalan dan
memunculkan pesan kesalahan yaitu error: command 'g++' failed with exit status
1. Hal ini bisa dikarenakan hardware yang tidak mendukung penambahan library.
Pengambilan data
Akuisisi citra dengan prototipe PUP digital menghasilkan sebanyak 80 data
citra untuk N dan 40 data untuk P. Namun, pengambilan data pertama untuk N
Titrisol dan seluruh data KH2PO4 tidak dapat digunakan dikarenakan warna larutan
tidak menunjukkan gradasi warna seperti yang tertera pada bagan warna. Hal ini
dikarenakan proses pengambilan data yang terlalu cepat sehingga larutan belum
selesai bereaksi. Data yang digunakan untuk proses selanjutnya berjumlah 80 data
(60 data N dan 20 data P). Citra hasil akuisisi dapat dilihat pada Lampiran 1.
Praproses Data
Langkah cropping dan resizing (Gambar 8) menghasilkan tiga citra baru
dengan tingkat pencahayaan yang berbeda untuk tiap citra, sehingga data yang
diperoleh seluruhnya sebanyak 240 citra.
10
Gambar 8 Proses cropping dan resizing
Ekstraksi fitur menghasilkan nilai mean, median dan standar deviasi untuk
komponen R, G dan B pada model warna RGB dan komponen H, S dan V pada
model warna HSV. Tabel 1 dan Tabel 2 menunjukkan hasil ekstraksi fitur untuk
model warna RGB dan HSV untuk larutan N titrisol dengan kadar N 1%, pada tiga
intensitas cahaya yang berbeda. Kedua tabel ini ditampilkan kembali dalam bentuk
grafik pada Gambar 9 dan 10.
Tabel 1 Ekstraksi fitur larutan N titrisol untuk model warna RGB dengan kadar
N1%
Nomor
Red
Green
Blue
citra
Mean Median STD Mean Median STD Mean Median STD
98
98
3
96
96
2
54
54
3
1
2
144
145
4
137
138
4
70
70
3
3
89
89
3
88
88
2
44
44
3
Tabel 2 Ekstraksi fitur larutan N titrisol untuk model warna HSV dengan kadar
N1%
Nomor
citra
1
2
3
Hue
Mean Median
0.159
0.159
0.152
0.152
0.163
0.163
STD
0.004
0.003
0.005
Saturation
Mean Median
0.451
0.449
0.513
0.514
0.511
0.511
STD
0.016
0.013
0.024
Value
Mean Median STD
0.384
0.384 0.010
0.565
0.569 0.017
0.350
0.349 0.010
Pembuatan Model Klasifikasi
Gambar 9 dan 10 menunjukkan bahwa komponen yang dapat dijadikan model
klasifikasi adalah komponen hue dalam model warna HSV karena nilai hue relatif
konstan terhadap intensitas pencahayaan yang berbeda. Nilai mean dan median dari
hue dijadikan sebagai atribut klasifikasi.
N titrisol merupakan larutan standar sehingga dapat dijadikan patokan nilai
hue pada urea. Analisis regresi sederhana dilakukan hanya untuk melihat hubungan
antara perubahan kadar dengan nilai hue. Gambar 11 menunjukkan hubungan linier
antara nilai hue dengan kadar N dengan koefisien determinasi yang tinggi (R² =
0.9024) sehingga dapat diartikan setiap penambahan kadar mengakibatkan
peningkatan nilai hue. Akan tetapi, pada Gambar 12 koefisien determinasi untuk N
urea yang dihasilkan lebih rendah dari larutan standar (R² = 0.486). Hal ini
dikarenakan terdapat data yang tidak linier yaitu pada kadar hara 10%, 14%, 16%,
11
Nilai mean
18%, 22%, 24%, 26%, 28%, 34%, dan 36% sehingga data ini dapat dianggap
sebagai kesalahan merujuk kepada larutan standar.
Gambar 13 menunjukkan sebaran nilai mean dari hue untuk SP-36. Grafik
menunjukkan nilai hue untuk setiap kadar hara cenderung stabil. Hal ini
dikarenakan larutan SP-36 memiliki warna dasar yang relatif seragam untuk setiap
kadar hara yang dibuat yaitu pada daerah warna dasar kuning. Keseragaman ini juga
ditunjukkan oleh koefisien determinasi untuk SP-36 mendekati angka 0 (R² =
0.2008) artinya perubahan kadar hara tidak terlalu berpengaruh nyata terhadap
perubahan nilai hue. Hal ini akan mempengaruhi proses klasifikasi dikarenakan
sulit untuk menentukan kelas jika nilai data latih cenderung sama.
160
140
120
100
80
60
40
20
0
1
2
3
Nomor citra
Gambar 9 Perbandingan nilai mean RGB untuk larutan N titrisol dengan kadar
N 1%.
Red,
Green,
Blue
0.6
Nilai mean
0.5
0.4
0.3
0.2
0.1
0.0
1
2
3
Nomor citra
Gambar 10 Perbandingan nilai mean HSV untuk larutan N titrisol dengan kadar
N 1%. Hue, Saturation, Value
12
0.6
Nilai hue
0.5
0.4
0.3
0.2
y = 0.0139x + 0.117
R² = 0.9024
0.1
0
0
2
4
6
8
10
12
14
16
18
20
Kadar hara (%)
Gambar 11 Grafik sebaran nilai mean dari hue untuk N titrisol
0.6
Nilai hue
0.5
0.4
0.3
0.2
y = 0.0078x + 0.2257
R² = 0.486
0.1
0
0
4
8
12
16
20
24
28
32
36
Kadar hara (%)
Gambar 12 Grafik sebaran nilai mean dari hue untuk N urea
40
0.2
Nilai hue
0.18
0.16
0.14
0.12
y = -0.0009x + 0.1824
R² = 0.2008
0.1
0.08
0
2
4
6
8
10
12
14
16
18
20
Kadar hara (%)
Gambar 13 Grafik sebaran nilai mean dari hue untuk P SP-36
13
Pengujian dan Evaluasi
Pengujian dilakukan sebanyak dua kali yaitu pengujian menggunakan
aplikasi MATLAB dan pengujian dengan menggunakan bahasa Python yang
diimplementasikan pada prototipe PUP digital. Data yang digunakan sama dengan
data yang diakuisisi untuk pembuatan model klasifikasi namun perbedaannya
terletak pada titik cropping. Data yang digunakan untuk pengujian berjumlah 60
citra untuk masing-masing model, sehingga terdapat 180 citra sebagai data uji.
Confusion matrix dari hasil pengujian dapat dilihat pada Lampiran 2 hingga Lampiran 7.
Akurasi (%)
Gambar 14 menunjukkan perbandingan akurasi untuk tiap model pada
pengujian I dan II dengan k = 3 dan k = 5. Pengujian I dengan menggunakan nilai
mean dan median dari nilai hue menunjukkan akurasi yang lebih tinggi
dibandingkan dengan pengujian II menggunakan histogram dari hue. Hal ini
disebabkan oleh adanya pengurangan noise dari citra dengan menghitung warna
dominan (mean color) sehingga hanya warna dari citra yang dijadikan fitur utama.
Namun, pada pengujian untuk SP-36 menunjukkan hal yang sebaliknya disebabkan
warna citra cenderung seragam sehingga sulit untuk menentukan kelas yang tepat
baik menggunakan histogram maupun nilai mean dari hue.
80.0
70.0
60.0
50.0
40.0
30.0
20.0
10.0
0.0
Pengujian I (k = 3)
Pengujian I (k = 5)
Pengujian II (k = 3)
Pengujian II (k = 5)
N Titrasi
N Urea
P SP-36
Gambar 14 Perbandingan akurasi untuk tiap model pada pengujian I dan II
dengan k = 3 dan k = 5
Nilai RMSE terendah diperoleh dari pengujian N Titrisol. RMSE
menunjukkan besar ketelitian atau besar kesalahan pengukuran prototipe PUP
digital. Nilai RMSE sebesar 1.25 pada N Titrisol dengan k = 5 menunjukkan bahwa
kesalahan rata-rata untuk mengklasifikasikan kadar adalah 1.25% dari nilai
aktualnya. Berdasarkan Gambar 15, nilai RMSE terkecil yang diperoleh untuk N
Titrisol adalah 1.25 pada pengujian I dengan k = 5, untuk N Urea adalah 3.32 pada
pengujian I dengan k = 5 dan untuk P SP-36 adalah 5.79 pada pengujian II dengan
k = 3 atau k = 5. Angka ini sudah dapat menunjukkan peningkatan ketelitian
penggunaan prototipe PUP digital dibanding PUP konvensional. Namun, prototipe
PUP digital hanya mampu menunjukkan peningkatan ketelitian pada pengujian
untuk N, sedangkan untuk P perlu perbaikan lebih lanjut dalam hal komponen
warna yang digunakan atau metode yang digunakan.
14
12
10
RMSE
8
Pengujian I (k = 3)
Pengujian I (k = 5)
Pengujian II (k = 3)
6
Pengujian II (k = 5)
4
2
0
N Titrasi
N Urea
P SP-36
Gambar 15 Perbandingan RMSE untuk tiap model pada pengujian I dan II
dengan k = 3 dan k = 5
Prototipe PUP digital yang telah dirangkai berjalan dengan baik. Akan tetapi,
model klasifikasi yang telah dibuat belum dapat diimplementasikan dengan
prototipe. Hal ini dikarenakan adanya kegagalan dalam penambahan library Orange
pada Raspberry Pi.
SIMPULAN DAN SARAN
Simpulan
Penelitian ini telah berhasil merangkai prototipe PUP digital dan membuat
model klasifikasi kadar nitrogen dan fosfor pada pupuk urea dan SP-36 dengan
mengimplementasikan komponen hue dari model warna HSV dan KNN sebagai
algoritme klasifikasi. Akurasi tertinggi yang diperoleh dari pengujian model N
titrisol sebesar 58.33%, RMSE = 1.43 dengan k = 3, N urea sebesar 70%, RMSE =
3.32 dengan k = 5 dan P SP-36 sebesar 18.33%, RMSE = 5.79 dengan k = 3. Hasil
ini menunjukkan adanya peningkatan ketelitian pengukuran dibandingkan dengan
PUP konvensional. Namun, prototipe PUP digital hanya mampu menunjukkan
peningkatan pada pengujian untuk N, sedangkan untuk P perlu perbaikan lebih
lanjut. Model pengujian dengan prototipe yang sudah dirakit belum dapat
diimplementasikan dikarenakan kegagalan dalam penambahan library Orange pada
Raspberry Pi.
Saran
Akurasi dan ketelitian dapat ditingkatkan dengan memperbaiki data latih
larutan yang digunakan dengan melakukan pengulangan pada data-data yang salah
dan mencoba mengimplementasikan algoritme klasifikasi lainnya. Metode yang
digunakan selanjutnya dapat menggunakan metode pendugaan nilai reflektansi.
Nilai reflektansi diukur dengan spektrofotometer. Hal ini sesuai dengan pengukuran
kadar pada skala laboratorium. Implementasi model pengujian dengan prototipe
yang sudah dirakit dapat menggunakan batasan lainnya seperti menggunakan
15
bahasa pemrograman yang berbeda atau menggunakan library lainnya. Tabung
reaksi yang digunakan bisa diganti dengan menggunakan tabung reaksi berbentuk
kotak sehingga dapat mengurangi pencahayaan yang tidak seragam pada citra.
DAFTAR PUSTAKA
Agusta Y. 2007. K-Means - penerapan, permasalahan dan metode terkait. Jurnal
Sistem dan Informatika. 3:47-60.
Ali S, Smith KA. 2006. On learning algorithm selection for classification. Applied
Soft Computing. 6(2):119-138.
Burger W, Burge MJ. 2008. Digital Image Processing: An algorithmic introduction
using Java. New York (US): Springer.
Foley JD, Van Dam A, Feiner SK, Hughes JF. 1996. Computer Graphics:
Principles and Practice in C. Ed ke-2. Boston (US): Addison-Wesley.
Gonzalez RC, Woods RE. 1990. Digital Image Processing. Boston (US): AddisonWesley.
Richardson. 2013. Getting Started with Raspberry Pi. Sebastopol (US): O’Reilly.
Setyorini D, Sulaeman, Kasno A. 2011. Perangkat Uji Pupuk. Bogor (ID):
Balittanah.
Walpole ER. 1992. Pengantar Statistika. Jakarta (ID): Gramedia.
Witten IH, Frank E, Hall MA. 2011. Data Mining: Practical Machine Learning
Tools and Techniques. Ed ke-3. Burlington (US): Morgan Kaufmann/Elsevier.
Zainuddin S, Hidayat N, Subroto A. 2014. Penerapan algoritme modified k-nearest
neighbour (M-KNN) pada pengklasifikasian penyakit tanaman kedelai. Jurnal
Mahasiswa PTIIK UB. 3(8).
16
Lampiran 1 Citra larutan pupuk
Kadar (%)a
1
2
3
4
5
6
7
8
9
10
Pupuk
N titrisol
N urea
P SP-36
P KH2PO4
17
Lampiran 1 Citra larutan pupuk (lanjutan)
Kadar (%)a
Pupuk
N titrisol
N urea
P SP-36
P KH2PO4
11
12
13
14
15
16
17
18
19
20
a
Untuk urea dan KH2PO4, kadar sebenarnya merupakan kadar yang tertera pada tabel dikali 2.
18
Lampiran 2 Confusion matrix pada pengujian I untuk N titrisol dengan k = 3
Aktual
(%)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
1
2
1
1
2
3
4
1
5
1
1
1
2
2
6
7
8
Prediksi (%)
9 10 11 12 13 14 15 16 17 18 19 20
2
1
3
1
2
1
2
2
1
1
2
3
3
3
1
1
1
1
1
1
1
1
3
1
1
1
1
3
3
19
Lampiran 3 Confusion matrix pada pengujian I untuk N titrisol dengan k= 5
Aktual
(%)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
1
2
2
2 3
1
1
1 1
1
4
1
1
5
6
7
8
Prediksi (%)
9 10 11 12 13 14 15 16 17 18 19 20
1
2
2
2
3
1
1
2
2
1
1
2
3
3
3
1
1
1
1
1
1
1
1
3
1
1
1
1
3
3
20
Lampiran 4 Confusion matrix pada pengujian I untuk N urea dengan k = 3
Aktual
(%)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
1
2
2
2
1
2
1
1
3
4
5
6
7
8
Prediksi (%)
9 10 11 12 13 14 15 16 17 18 19 20
1
2
1
2
3
3
3
3
1
2
3
3
1
3
1
1
1
1
1
1
3
2
3
1
1
2
2
21
Lampiran 5 Confusion matrix pada pengujian I untuk N urea dengan k = 5
Aktual
(%)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
1
2
2
3
1
4
5
6
7
8
Prediksi (%)
9 10 11 12 13 14 15 16 17 18 19 20
3
1
2
1
2
2
1
3
3
3
3
1
2
3
3
1
3
1
1
1
1
3
3
3
1
1
Lampiran 6 Confusion matrix pada pengujian I untuk P SP-36 dengan k = 3
Aktual
(%)
2
4
6
8
10
12
14
16
18
20
1
2
2
4
1
4
6
1
1
3
3
2
1
1
Prediksi (%)
8 10 12 14 16 18 20
1 1
3 1
1
2 1 2
2 4
1 1
1
1
2
1
1
1
2 2
2 3
3 1
1
2
2
22
Lampiran 7 Confusion matrix pada pengujian I untuk P SP-36 dengan k = 3
Aktual
(%)
2
4
6
8
10
12
14
16
18
20
2
3
4
6
1
1
1
1
2
1
1
1
Prediksi (%)
8 10 12 14 16 18 20
4 1 1
1 1 2 2
2 4
1 1
2
2
4
1
1 1 2
1
2 2
1 3
3 2
1
Lampiran 8 Foto prototipe perangkat uji pupuk (PUP) digital
23
RIWAYAT HIDUP
Penulis lahir di Bukittinggi, tanggal 7 Januari 1992, merupakan putra ketiga
dari tiga bersaudara dari ayah John Fitri (alm) dan Elfa Yerni. Penulis lulus dari
SMA Negeri 3 Bukittinggi pada tahun 2010, kemudian melanjutkan studi Strata 1
di Departemen Ilmu Komputer, Institut Pertanian Bogor (IPB) melalui jalur
Undangan Seleksi Masuk IPB (IPB) pada tahun yang sama.
Selama mengikuti perkuliahan, penulis menjadi asisten praktikum Struktur
Data pada tahun ajaran 2012/2013, asisten praktikum Rekayasa Perangkat Lunak
pada tahun ajaran 2013/2014 dan asisten praktikum Struktur Data pada tahun ajaran
2013/2014. Penulis juga aktif di beberapa organisasi intra kampus yaitu Uni
Konservasi Fauna (UKF), Sanggar Sarumpun, Komunitas Seni Budaya Masyarakat
Roempoet dan Lingkung Seni Sunda Gentra Kaheman. Bulan Juli-Agustus 2013
penulis melaksanakan Praktik Kerja Lapang di PT Suntory Garuda Beverage
dengan judul One Page Report System (OPRS).
Melalui keaktifan di bidang seni, penulis berhasil menoreh prestasi tingkat
mahasiswa. Beberapa prestasi yang diraih penulis antara lain Juara 1 Lomba Tari
IPB Art Contest (IAC) 2013 dan 2014, meraih dua penghargaan dalam Gebyar
Festival Tari (GFT) 2013 di Universitas Brawijaya dan Juara 1 Pagelaran Festival
Budaya Nusantara di Sekolah Tinggi Akuntansi Negara. Penulis juga pernah
mengisi acara dalam berbagai kegiatan baik dalam kampus, nasional maupun
internasional seperti The 8th QS Apple di Bali.