Pengembangan Perangkat Uji Pupuk Menggunakan Sensor Warna Berbasis Raspberry Pi Dengan Klasifikasi Support Vector Machine

PENGEMBANGAN PERANGKAT UJI PUPUK MENGGUNAKAN
SENSOR WARNA BERBASIS RASPBERRY PI DENGAN
KLASIFIKASI SUPPORT VECTOR MACHINE

RIKO AHMAD MAULANA

DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2016

PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa skripsi berjudul Pengembangan
Perangkat Uji Pupuk Menggunakan Sensor Warna Berbasis Raspberry Pi dengan
Klasifikasi Support Vector Machine 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, Februari 2016
Riko Ahmad Maulana
NIM G64110093

ABSTRAK
RIKO AHMAD MAULANA. Pengembangan Perangkat Uji Pupuk Menggunakan
Sensor Warna Berbasis Raspberry Pi dengan Klasifikasi Support Vector Machine.
Dibimbing oleh HERU SUKOCO dan LADIYANI R WIDOWATI
Banyaknya ditemukan kasus pemalsuan pupuk terutama pupuk urea dan NPK
menimbulkan banyak kerugian bagi para petani. Untuk mengatasi hal ini, Kementerian
Pertanian melalui Badan Penelitian Tanah, mengembangkan perangkat uji pupuk digital
sebagai pendeteksi awal dengan cara menghitung kisaran kadar hara dari pupuk. Akan
tetapi, akurasinya rendah untuk data kelompok nitrogen (N) dan fosfor (P). Penelitian
ini bertujuan untuk meningkatkan ketelitian perangkat uji pupuk digital. Pengumpulan
data menggunakan sensor warna yang mendeteksi frekuensi warna red, green, dan blue
kemudian diolah oleh Raspberry Pi. Metode klasifikasi yang digunakan adalah support
vector machine. Penelitian ini menunjukkan bahwa sensor warna dapat mendeteksi
perubahan warna lebih baik dibanding sensor kamera. Model klasifikasi yang diperoleh

juga menambah akurasi untuk N dan P masing-masing 96% dan 94%.
Kata kunci: perangkat uji pupuk, Raspberry Pi, sensor warna, support vector machine

ABSTRACT
RIKO AHMAD MAULANA. Development of Fertilizer Test Kit Using Color Sensor
and Raspberry Pi Based on Support Vector Machine Classification. Supervised by
HERU SUKOCO and LADIYANI R WIDOWATI
The number of counterfeit fertilizer products especially urea and NPK have
increased. This is harmful for farmers. To overcome this problem Indonesian Soil
Research Institute (ISRI) has developed digital fertilizer test kit (PUP) for early
detection by calculating the nutrient content of fertilizer. However, the level of accuracy
is insufficient for a group of nitrogen (N) and phosphor (P) data. The purpose of this
research is to improve the accuracy of the digital PUP. Data collected using a color
sensor that detects a frequency of red, green, and blue color-space. And then, they are
classified by Raspberry Pi using support vector machine method to define an
appropriate color to be compared with color chart provided by ISRI. The results showed
that color sensor can detect the changes of color better than a camera sensor. The results
of research model can also enhance the accuracy of N and P up to 96% and 94%,
respectively.
Keyword: color sensor, fertilizer test kit, Raspberry Pi, support vector machine

PENGEMBANGAN PERANGKAT UJI PUPUK MENGGUNAKAN
SENSOR WARNA BERBASIS RASPBERRY PI DENGAN
KLASIFIKASI SUPPORT VECTOR MACHINE

RIKO AHMAD MAULANA

Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Komputer
pada
Departemen Ilmu Komputer

DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2016

Penguji: Dr Ir Sri Wahjuni, MT

Judul Skripsi : Pengembangan Perangkat Uji Pupuk Menggunakan Sensor Warna
Berbasis Raspberry Pi dengan Klasifikasi Support Vector Machine
Nama
: Riko Ahmad Maulana
NIM
: G64110093

Disetujui oleh

DrEng Heru Sukoco, SSi MT
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
karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Shalawat serta salam
penulis sampaikan kepada Nabi Muhammad shalallahu ‘alaihi wassalam.
Pengembangan Perangkat Uji Pupuk Menggunakan Sensor Warna Berbasis Raspberry
Pi dengan Klasifikasi Support Vector Machine ini tidak lepas dari bantuan berbagai
pihak. Oleh karena itu, penulis menyampaikan ucapan terima kasih kepada:
1 Kedua orang tua tercinta, beserta keluarga yang selalu memberikan do’a dan
dukungan moral.
2 Bapak DrEng Heru Sukoco, SSi MT 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 Ahmad Fauzi, Herdi Agusthio, dan Muhammad Al-Mabruri selaku rekan
sebimbingan bapak Heru yang telah sama-sama berjuang dengan sabar, juga Tiffany
Afif Yolanda dan Aji Nugraha selaku rekan dalam pengambilan data di Balai

Penelitian Tanah.
5 Ari, Naufal, Kemal, Angga, Faisal dan Iffa yang tergabung secara tidak sengaja di
MAX!! angkatan 8.
6 Keluarga UKM MAX!! IPB beserta teman-teman Departemen Ilmu Komputer 48
yang selalu memberi semangat dalam pelaksanaan penelitian ini.
7 Maya, Annisa, Nurul, Pebi, dan Imam yang selalu mengingatkan dan memotivasi
penulis untuk menyelesaikan tugas akhir ini.
8 Staf pengajar dan staf tata usaha Departemen Ilmu Komputer yang telah banyak
membantu baik selama masa perkuliahan maupun pada saat penelitian.
9 Semua pihak yang telah banyak memberikan kontribusi yang besar dalam
penyelesaian tugas akhir yang tidak dapat disebutkan satu persatu.
Semoga segala bantuan, bimbingan, motivasi dan kebaikan-kebaikan yang telah
diberikan kepada penulis akan dihadiahi kebaikan pula oleh Allah subhanahu wa ta’ala.
Akhirnya semoga penulisan karya ilmiah ini bermanfaat dan dapat menambah
wawasan kita semua.

Bogor, Februari 2016
Riko Ahmad Maulana

DAFTAR ISI

DAFTAR TABEL

vi

DAFTAR GAMBAR

vi

DAFTAR LAMPIRAN

vi

PENDAHULUAN

1

Latar Belakang

1

Perumusan Masalah

2

Tujuan Penelitian

2

Manfaat Penelitian

2

Ruang Lingkup Penelitian

2

METODE

3

Tahapan Penelitian

3

Perakitan

3

Akuisisi Data

4

Klasifikasi

7

Evaluasi

7

Peralatan Penelitian

8

HASIL DAN PEMBAHASAN
Perakitan

8
8

Akuisisi Data

10

Klasifikasi dengan Metode SVM

11

Evaluasi

13

SIMPULAN DAN SARAN

14

Simpulan

14

Saran

14

DAFTAR PUSTAKA

15

LAMPIRAN

16

DAFTAR TABEL
1 Penyambungan pin sensor warna dengan pin GPIO
2 Penyambungan pin LCD dengan pin GPIO
3 Tingkat akurasi untuk masing-masing data kelompok dengan nilai

9
10
11

DAFTAR GAMBAR
1 Tahapan penelitian
2 Kerangka konseptual PUP Digital
3 Peralatan yang digunakan (a) sensor warna, (b) Raspberry Pi, dan (c) LCD
(sumber: tokopedia.com, raspberrypi.org)
4 Tabel gradasi warna untuk kadar hara N (sumber: Balittanah)
5 Tabel gradasi warna untuk kadar hara P (sumber: Balittanah)
6 Tampak luar prototipe 1
7 Tampak samping prototipe akhir
8 Hasil grid search menggunakan grid.py untuk data kelompok N
9 Hasil grid search menggunakan grid.py untuk data kelompok P
10 Perbandingan akurasi menggunakan sensor kamera dan sensor warna

3
4
4
6
6
9
10
12
13
14

DAFTAR LAMPIRAN
1
2
3
4
5
6
7
8
9
10

Skematik prototipe 1
Skematik prototipe akhir
Isi fail Data_kelompok_N (format libSVM)
Isi fail Data_kelompok_P (format libSVM)
Tingkat akurasi masing-masing data kelompok dengan kombinasi parameter
linear kernel dan k
Tingkat akurasi masing-masing data kelompok dengan kombinasi parameter
polynomial kernel dan k
Tingkat akurasi data kelompok N dengan kombinasi parameter RBF kernel
dan k
Tingkat akurasi data kelompok P dengan kombinasi parameter RBF kernel
dan k
Kode program untuk pembuatan model klasifikasi data kelompok N
Kode program untuk pembuatan model klasifikasi data kelompok P

16
17
18
20
21
22
24
24
24
24

PENDAHULUAN
Latar Belakang
Pupuk merupakan faktor produksi yang sangat penting bagi sektor
pertanian, karena pupuk menjadi salah satu sumber nutrisi yang diberikan pada
tanaman produksi pertanian. Penggunaan pupuk urea dan pupuk majemuk
nitrogen phospor kalium (NPK) di kalangan petani masih cukup tinggi, karena
adanya pemahaman penggunaan pupuk urea dan NPK bisa cepat membantu
pertumbuhan tanaman padi. Berdasarkan data dari 70 responden petani, diketahui
sekitar 50% petani menggunakan pupuk urea yang dikombinasikan dengan pupuk
organik, sekitar 33% responden petani masih menggunakan pupuk urea, dan 17%
responden menggunakan pupuk majemuk (urea dan NPK) (Triyono et al. 2013).
Namun akhir–akhir ini cukup banyak ditemukan kasus pemalsuan pupuk
terutama pupuk urea SP-36 dan pupuk majemuk NPK. Selain merusak tanah dan
mengganggu pertumbuhan tanaman, pemalsuan pupuk tentu sangat merugikan
petani. Menurut peneliti dari Balai Pengkajian Teknologi Pertanian Sumatera
Utara (BPPT Sumut) Elianor Sembiring, sekitar 25% pupuk yang beredar di
Sumatera Utara adalah pupuk palsu (Tobing 2013). Kandungan hara yang terdapat
pada pupuk palsu bisa mencapai 0%. Untuk mengontrol penggunaan pupuk palsu,
Kementrian Pertanian melalui Balai Penelitian Tanah telah menyusun dan
mengembangkan perangkat uji pupuk (PUP) (Setyorini et al. 2011) yang
diproduksi untuk membantu petugas lapang, penyuluh pertanian, kelompok tani,
dan toko atau distributor pupuk memperoleh dengan cepat nilai kisaran kadar hara
pupuk anorganik.
PUP merupakan penyederhanaan secara kualitatif dari analisis pupuk di
laboratorium. Perangkat uji cepat ini terdiri atas alat dan cairan formula kimia
untuk menentukan kisaran kandungan hara dalam pupuk anorganik secara cepat
dan tepat menggunakan bagan warna. Prinsip kerja PUP adalah mengekstrak hara
dalam pupuk dan menentukan kisaran kadar N, P, dan K dalam pupuk.
Pengembangan PUP digital telah dilakukan, dimulai dari penelitian oleh
Fajri (2014) yang menggunakan sensor kamera sebagai input dan Raspberry Pi
Model-B sebagai pemroses data. Metode klasifikasi yang digunakan adalah knearest neighbours (KNN). Penelitian ini menghasilkan akurasi sebesar 70%
untuk data kelompok N dan 18% untuk data kelompok P.
Dalam penelitian lain dikembangkan juga PUP digital dengan aplikasi
berbasis Android oleh Fenrizal (2014) yang sama-sama menggunakan metode
klasifikasi KNN. Akurasi dalam penelitian ini sebesar 80% untuk data kelompok
N dan 30% untuk data kelompok P. Pada penelitian ini memiliki ketelitian dengan
selang 2% untuk masing-masing data kelompok, berbeda dengan penelitian Fajri
(2014) yang memiliki ketelitian dengan selang 1% untuk data kelompok N dan
2% untuk data kelompok P.
Dalam dua penelitian sebelumnya metode klasifikasi yang digunakan adalah
KNN, dalam penelitian ini akan dilakukan dengan menggunakan algortima
support vector machine (SVM), hal ini merujuk pada penelitian Farsiah et al.
(2013), yang menunjukkan bahwa akurasi KNN sama baiknya dengan akurasi

2
SVM. Serta penelitian Kim et al. (2012) yang membandingkan metode klasifikasi
KNN dengan SVM pada kasus pengklasifikasian gambar. Hasil penelitian Kim et
al. (2012) menunjukkan bahwa SVM lebih baik dibandingkan KNN, dengan ratarata akurasi KNN sebesar 78% sedangkan untuk SVM sebesar 92%.
Akuisisi data yang dilakukan dua penelitian sebelumnya sama-sama
menggunakan sensor kamera, dalam penelitian ini akuisisi data akan
menggunakan sensor warna. Pergantian ini berdasar pada penelitian Andrian
(2013) yang menunjukkan bahwa sensor warna TCS3200 memiliki ketelitian
sebesar 99.96%. Diharapkan dengan akuisisi data yang lebih baik, akurasi dari
PUP digital akan meningkat.
Perumusan Masalah
Berdasarkan latar belakang di atas, maka perumusan masalah dalam
penelitian ini adalah pengintegrasian sensor warna dengan Raspberry Pi. Sensor
warna akan mengakuisisi data sehingga dapat dijadikan untuk pembuatan model
klasifikasi kadar hara pupuk. Pembuatan model klasifikasi menggunakan data
latih berupa data nilai frekuensi komponen warna yang telah diketahui kadar
nitrogen dan fosfornya. Model ini disimpan di dalam Raspberry Pi dan digunakan
untuk mengklasifikasikan warna larutan yang akan diukur.
Tujuan Penelitian
Tujuan penelitian ini adalah:
1 Mengimplementasikan bagan warna PUP dengan frekuensi warna red, green,
and blue (RGB) yang didapat dari sensor warna menggunakan metode
klasifikasi SVM.
2 Meningkatkan ketelitian penggunaan PUP digital.
Manfaat Penelitian
Manfaat dari penelitian ini adalah mempermudah serta mempercepat proses
klasifikasi kadar hara pupuk melalui pendeteksian frekuensi warna dengan sensor
wana dari larutan pupuk secara efisien. Dengan ketelitian yang lebih baik
dibandingkan bagan warna dan pemrosesan citra digital (menggunakan sensor
kamera) sehingga PUP ini bisa lebih valid ketika digunakan oleh peneliti, petani
dan pedagang. Selain pada kasus pengujian pupuk, penelitian ini bisa
dimanfaatkan di laboratorium kimia untuk kasus yang berhubungan dengan
klasifikasi menggunakan bagan warna.
Ruang Lingkup Penelitian
Ruang lingkup dalam penelitian ini adalah:
1 Larutan yang digunakan berasal dari larutan N dari urea dan P dari SP-36
dalam skala laboratorium.
2 Data warna larutan pupuk sebagai data uji dan data latih yang digunakan
diambil dari larutan pupuk yang telah diklasifikasikan oleh Balittanah.
3 Bahasa pemrograman yang digunakan adalah bahasa Python dengan
memanfaatkan library libSVM.

3
4 Tidak menggunakan timer/counter uC untuk menghitung frekuensi yang
masuk, melainkan menghitung lama waktu high dan low satu gelombang
penuh sebagai periodenya, jadi nilai frekuensi didapat dari 1/periode.

METODE
Tahapan Penelitian
Pengembangan PUP untuk mengidentifikasi warna larutan pupuk ini
dilakukan dalam 4 tahap, yaitu: perakitan, akuisisi data, klasifikasi, dan evaluasi,
seperti pada Gambar 1.
Mulai

Perakitan
Akuisisi data
Klasifikasi
Hasil
Evaluasi

Data referensi

Selesai
Gambar 1 Tahapan penelitian
Perakitan
Perakitan PUP digital ini berdasarkan kerangka konseptual yang telah
dirancang (Gambar 2) yang memiliki komponen utama sensor warna, Raspberry
Pi, dan liquid crystal display (LCD) (Gambar 3). Setiap alat memiliki fungsi
masing-masing seperti sensor warna berfungsi sebagai input, Raspberry Pi
berfungsi sebagai pemroses data, dan LCD berfungsi sebagai menampilkan
output. Sensor warna digunakan untuk mengambil nilai frekuensi dari setiap
channel warna RGB, sensor warna yang digunakan dalam penelitian ini adalah
modul sensor warna berbasis TCS3200. Sensor warna ini mengonversikan besaran
fisis yang berupa cahaya (warna) menjadi sinyal listrik yang berupa frekuensi

4
gelombang. Raspberry Pi yang digunakan dalam penelitian ini bertipe Raspberry
Pi 2, berbeda dengan penelitian sebelumnya yang menggunakan Raspberry Pi.
Salah satu perbedaan dari kedua tipe ini terletak pada jumlah pin yang tersedia,
Raspberry Pi memiliki 26 pin dan 8 pin diantaranya merupakan pin general pin
input output (GPIO), sedangkan Raspberry Pi 2 memiliki 40 pin dan 17 pin di
antaranya merupakan pin GPIO, sehingga memungkinkan untuk menggunakan
sensor warna, LCD, dan 3 buah tactile switch bersamaan. Dengan kebutuhan pin
GPIO untuk sensor warna sebanyak 5 pin GPIO, LCD sebanyak 6 pin GPIO, dan
tactile switch sebanyak 3 pin GPIO. Selain itu Raspberry Pi 2 ini memiliki
prosesor 900 MHz quad-core ARM Cortex-A7 CPU dan 1 GB RAM. Hal ini akan
membantu untuk mempercepat proses klasifikasi larutan. Antarmuka pengguna
dengan sistem berupa LCD. LCD yang digunakan berukuran 16 karakter dan 2
baris dengan latar belakang berwarna hijau.

Perangkat
Uji Pupuk

Sensor Warna
Raspberry Pi
LCD

Pembuatan Larutan

Alat Uji Digital

Gambar 2 Kerangka konseptual PUP Digital

.

(c)
(a)
(b)
Gambar 3 Peralatan yang digunakan (a) sensor warna, (b) Raspberry Pi, dan (c)
LCD (sumber: tokopedia.com, raspberrypi.org)
Akuisisi Data

Pada tahap ini dilakukan pengambilan data latih dengan mengambil data
ruang warna terhadap bagan warna yang tersedia dan data uji dengan mengambil
data dari hasil warna pengujian sampel unsur hara masing-masing dengan sensor
warna. Sebelum sensor warna bisa dipakai atau untuk bisa mendapatkan nilai
frekuensi suatu warna maka sensor warna ini harus dikalibrasi. Kalibrasi
dilakukan dengan cara mengukur nilai frekuensi hitam dan nilai frekuensi putih.
Setelah didapat nilai frekuensi hitam dan putih untuk mendapatkan nilai frekuensi
channel RGB menggunakan rumus:

5
RGB = 255

(Fv – Fb) / (Fw – Fb)

(1)

dengan
Fv = nilai frekuensi sample (Hz)
Fw = nilai frekuensi putih (Hz)
Fb = nilai frekuensi hitam (Hz)
Data yang diambil merupakan deret larutan yang masing-masing data
kelompok berbeda selangnya, untuk kelompok N berselang 1% dan untuk
kelompok P berselang 1.5%. Selang tersebut didapat dari hasil pengenceran
larutan yang asli dengan menambah aquades. Pengambilan data bertempat di
Laboratorium Kimia Tanah Balittanah. Berikut penjelasan serta langkah-langkah
penetepan masing-masing kadar hara.
Cara Penetapan Kadar Hara N Pupuk
A Kadar N di dalam pupuk
Nitrogen merupakan unsur hara esensial bagi tanaman yang terkandung
dalam pupuk urea, garam ammonium, garam nitrat, dan N-organik. PUP
mengukur semua bentuk N tersebut kecuali N-organik. Bentuk-bentuk N ini
diubah menjadi ammonium (NH4+), yang kemudian ditambah pereaksi
pewarna untuk menghasilkan warna hijau. Kepekatan warna hijau yang
dihasilkan sebanding dengan kadar N. Kadar N dari pupuk yang diuji dapat
ditentukan dengan membandingkan kepekatan warna hijau dalam larutan
pupuk dengan gambar gradasi warnanya.
B Penetapan kadar N pupuk
1 Pembuatan ekstrak pupuk: contoh pupuk sebanyak satu sendok takar kecil
(0.25 g) dimasuka ke dalam tabung sentrifusi volume 50 ml, tambahkan 2.5
ml pereaksi N-1, kocok perlahan-lahan. Diamkan 10 menit, kemudian
volumenya dijadikan 50 ml dengan ditambah air (dapat digunakan air
minum dalam kemasan), kemudian dikocok sampai homogen. Sering bila
diperlukan untuk mendapatkan ekstrak jernih. Pupuk urea gunakan prosedur
1, dan pupuk lainnya gunakan prosedur 2.
2 Prosedur 1: ke dalam tabung reaksi masukkan 1.0 ml ekstrak jernih pupuk
(No. 1).
Prosedur 2: ke dalam tabung reaksi masukkan 0.5 ml ekstrak jernih pupuk
(No. 1).
3 Tambahkan 4.5 ml air, selanjutnya dikocok, lalu tambahkan 1 ml pereaksi
N-2.
4 Tambahkan 1 ml pereaksi N-3 dengan pipet tetes, kocok, tambahkan 0.05g
pereaksi N-4 dengan menggunakan spatula, dikocok. Reaksi dibiarkan
berlangsung sekitar 25-30 menit, sambil menunggu dikocok 3-4 kali di
antara waktu tersebut.
5 Bila sudah tidak keluar gelembung-gelembung lagi atau ekstrak menjadi
jernih (bila perlu disaring), tambahkan 1 ml N-5 dengan pipet tetes. Biarkan
6-10 menit, warna biru kehijauan yang timbul dibandingkan dengan warna
pada tabel gradasi warna (Gambar 4), kadar N di dalam pupuk diperoleh
dari gradasi warna yang sesuai dengan warna yang dihasilkan oleh contoh
pupuk.

6

Gambar 4 Tabel gradasi warna untuk kadar hara N (sumber: Balittanah 2015)
Cara Penetapan Kadar Hara P Pupuk
A Hara P dalam pupuk
Fosfor di dalam pupuk P pada umumnya berbentuk senyawa fosfat yang
sebagian besar adalah kalsium fosfat. Pupuk superfosfat mengandung P dalam
bentuk H2PO4 yang mudah larut. Pupuk P-alam mengandung kalsium fosfat
primer (Ca3(PO4))2 yang sukar larut. P-alam yang dimasamkan sebagian
mengandung bentuk P yang tingkat kelarutannya di antara P-alam dan
superfosfat. Perangkat Uji Pupuk ini menentukan kadar P dalam semua bentuk
P tersebut. Bentuk-bentuk P dalam pupuk dilarutkan menjadi ortofosfat. Fosfat
terlarut direaksikan dengan pereaksi warna menghasilkan warna kuning yang
terbentuk sebanding dengan kadar P di dalam pupuk yang diuji. Kadar P dalam
pupuk dibaca dari bagan warna.
B Penetapan kadar P pupuk
1 Dengan menggunakan sendok takar kecil masukkan 0.25 g contoh pupuk
yang telah dihaluskan ke dalam tabung sentrifusi volume 50 ml.
2 Tambahkan pereaksi P-1 sampai volume 5 ml, dikocok sampai larut, bila
ada gas CO2 (buih) biarkan sampai habis gelembung-gelembungnya.
3 Tambahkan air (dapat digunakan air minum dalam kemasan), hingga
volume menjadi 50 ml, tutup dan dikocok dengan cara bolak-balik sampai
homogen, biarkan larutan menjadi jernih (ekstrak), saring bila diperlukan.
4 Ke dalam tabung reaksi 15 ml campurkan 5 ml pereaksi P-2 dan 5 ml
peraksi P-3, dikocok smpai homogen.
5 Masukkan 0.5 ml ekstrak jernih (No. 3) ke dalam tabung yang berisi
campuran pereaksi P-2 dan P-3, tutup dan dikocok sampai homogen.
6 Setelah 2-5 menit, bandingkan warna kuning yang muncul dari larutan
jernih permukaan pupuk dengan warna pada tabel gradasi warna (Gambar
5).

Gambar 5 Tabel gradasi warna untuk kadar hara P (sumber: Balittanah 2015)

7
Klasifikasi
Metode klasifikasi yang digunakan adalah SVM, metode ini bertujuan untuk
menemukan garis pemisah (hyperplane) terbaik sehingga diperoleh ukuran
margin yang maksimal. Titik yang terdekat dengan hyperplane disebut dengan
support vector.
Pada umumnya fungsi kernel yang digunakan adalah (Byun dan Lee 2003):
1 Linear kernel
K(xi,x)= xTxi
(2)
2 Polynomial kernel
K(xi,x)= (xTxi+1)�
(3)
3 Radial basis function (RBF) kernel
K(xi,x)= exp(-γ||xi-x||2), dengan γ=1/2σ2
(4)
dengan
xi = vektor dari setiap data
d = jumlah derajat dari fungsi polinomial
σ = ukuran rentangan pada kurva Gaussian
Linear kernel digunakan untuk data yang bisa dipisahkan dengan suatu garis
lurus di dalam input space-nya. Polynomial kernel digunakan untuk data yang
bisa dipisahkan dengan suatu garis di dalam input space-nya. RBF kernel
digunakan untuk data yang tidak dapat dipisahkan dengan suatu garis di dalam
input space-nya sehingga data harus dipetakan terlebih dahulu ke dalam dimensi
yang lebih tinggi.
Pengklasifikasian dilakukan dengan libSVM 3.20 yaitu library yang open
source dan digunakan untuk klasifikasi SVM. Library libSVM mendukung
penggunaan 3 fungsi kernel, yaitu:
1 Linear kernel, membutuhkan parameter C (error penalty).
2 Polynomial kernel, membutuhkan parameter C dan d (derajat fungsi
polynomial).
3 RBF kernel, membutuhkan parameter C dan γ (radius fungsi RBF).
Pelathihan SVM dikontrol oleh satu atau lebih parameter. Parameter C
berfungsi untuk mengontrol berapa banyak sampel yang diperbolehkan untuk
berada di kelas yang salah. Diperbolehkannya beberapa sampel yang berada di
kelas yang salah bisa membantu untuk mereduksi over fitting data.
Untuk penggunaan nilai dari parameter RBF kernel ditentukan oleh teknik
grid search. Teknik grid search adalah teknik yang diterapkan oleh libSVM 3.20
untuk mencari nilai parameter yang optimal dilihat dari hasil akurasi yang
didapatkan menggunakan perangkat grid.py dari libSVM 3.20. Teknik ini
menggunakan k-fold cross validation untuk mengestimasi keakuratan dari masingmasing kombinasi parameter dalam selang tertentu.
Evaluasi
Evaluasi hasil klasifikasi dapat dilakukan dengan metode k-fold cross
validation. Menurut Olson dan Delen (2008) cara kerjanya sebagai berikut,
dataset yang utuh di pecah secara random menjadi k subset dengan size yang
hampir sama dan saling eksklusif satu sama lain. Model dalam klasifikasi dilatih
dan dites sebanyak k kali. Setiap iterasi dilatih pada semua fold kecuali hanya satu

8
fold saja yang disisakan untuk pengujian. Penilaian cross-validation terhadap
akurasi model secara keseluruhan dihitung dengan mengambil rerata dari semua
hasil akurasi individu k, seperti yang ditunjukkan dengan persamaan berikut:
(5)
dengan
CVA = cross validation accuracy (%)
k = jumlah fold yang digunakan
A = ukuran akurasi (%)
Peralatan Penelitian
Penelitian mengenai pengembangan PUP ini dilakukan dengan
menggunakan perangkat keras dan perangkat lunak sebagai berikut:
• Perangkat keras berupa komputer personal dengan spesifikasi minimum
sebagai berikut:
• Processor dengan 2 core
• RAM 2 GB
• 640 GB HDD
• Perangkat keras lainnya:
• Raspberry Pi 2
• SD card 8 GB
• Sensor warna
• LCD
• Perangkat lunak:
• Sistem operasi Windows 7 Ultimate
• Sistem operasi Raspbian
• Library komputasi libSVM 3.20
• Library pigpio
• Text Editor

HASIL DAN PEMBAHASAN
Perakitan
Selama penelitian berlangsung terdapat 2 tipe prototipe, yaitu prototipe 1
untuk pengambilan data dan prototipe akhir. Terdapat kerangka luar untuk
prototipe 1 yang berfungi untuk menutup cahaya dan menaruh sensor warna,
kerangka ini terbuat dari bahan akrilik bening dengan ketebalan 2 mm.
Pemotongan akrilik dilakukan dengan menggunakan laser cutter. Kerangka ini
lalu dilapisi sticker berwarna hitam untuk bagian luar dan warna putih untuk
bagian dalam. Pemotongan sticker dilakukan dengan menggunakan cutting
sticker. Pelapisan dengan sticker ini bermaksud untuk menjaga agar cahaya LED
tidak dipengaruhi oleh cahaya dari luar sistem.
Prototipe 1 (Gambar 6) terdiri dari 2 komponen utama yaitu sensor warna
dan Raspberry Pi. Ada beberapa komponen tambahan untuk bisa mengambil data
yaitu, kabel F/F, baut dan mur. Berdasarkan skematik prototipe 1 pada Lampiran

9
1, pin sensor warna terdiri dari S0, S1, S2, S3, dan OUT. Penomoran GPIO yang
digunakan berdasar pada Broadcom numbering. Untuk penyambungan antara pin
sensor warna dengan pin GPIO bisa dilihat pada Tabel 1.
Tabel 1 Penyambungan pin sensor warna dengan pin GPIO
Pin sensor warna
Pin GPIO
S0
6
S1
5
S2
13
S3
19
OUT
26

Gambar 6 Tampak luar prototipe 1
Prototipe akhir (Gambar 7) adalah prototipe terakhir yang dibuat, hal ini
bertujuan untuk memudahkan pengguna PUP supaya hanya dengan menekan
tombol tactile switch langsung keluar hasilnya di LCD. Prototipe akhir merupakan
pengembangan dari prototipe 1, komponen-komponen yang dipakai sama dengan
prototipe 1 ditambah beberapa komponen pendukung lain, yaitu, kabel F/M, PCB,
potensiometer 10 kΩ, tactile switch, baut, mur, serta resistor 10 kΩ dan 470 Ω.
Tactile switch yang digunakan bermacam-macam warna untuk membedakan
fungsinya, adapun warna kuning yang tersambung ke pin 16 GPIO berfungsi
untuk mengukur kadar hara N, warna biru yang tersambung ke pin 20 GPIO
berfungsi untuk mengukur kadar hara P, dan warna merah yang tersambung ke pin
21 GPIO berfungsi untuk mematikan sistem. Untuk kerangka yang digunakan
juga merupakan pengembangan dari prototipe 1, selain penutup untuk tabung
reaksi ditambah ruang untuk menyimpan Raspberry Pi, LCD, serta komponen
pendukung lainnya. Berdasarkan skematik prototipe akhir pada Lampiran 2, pin
LCD terdiri dari RS, E, D4, D5, D6, dan D7. Untuk penyambungan antara pin
LCD dengan pin GPIO bisa dilihat pada Tabel 2.

10
Tabel 2 Penyambungan pin LCD dengan pin GPIO
Pin LCD
Pin GPIO
RS
7
E
8
D4
25
D5
24
D6
23
D7
18

Gambar 7 Tampak samping prototipe akhir
Library yang dipakai dalam penelitian ini adalah libSVM untuk
pengklasifikasiannya, dan library untuk mengakses GPIO menggunakan library
pigpio. Library pigpio ini bisa didapat dengan menggunakan perintah berikut:
$
$
$
$
$

wget abyz.co.uk/rpi/pigpio/pigpio.zip
unzip pigpio.zip
cd PIGPIO
make
sudo make install

Untuk menggunakan kedua library tersebut, maka di awal kode program
harus mengimportnya, dengan cara:
from svmutil import *
import pigpio

Tetapi sebelumnya kita harus mengaktifkan library pigpio daemon dengan
cara:
$

sudo pigpiod

Akuisisi Data
Sebelum melakukan akuisisi data, pertama-tama sensor warna harus
dikalibrasi terlebih dahulu. Kalibrasi untuk menghitung nilai frekuensi warna
hitam menggunakan norit yang dilarutkan dengan air dan dimasukkan ke dalam
tabung reaksi, sedangkan untuk mengukur nilai frekuensi warna putih
menggunakan cairan susu yang dimasukkan ke dalam tabung reaksi. Frekuensi
didapat dengan format (frekuensi warna di channel R, G, dan B). Nilai frekuensi

11
yang diperoleh untuk warna hitam adalah (1443, 1773, 2448) Hz, sedangkan
untuk warna putih adalah (2153, 2337, 3750) Hz. Nilai frekuensi ini selanjutnya
digunakan untuk menghitung nilai RGB dengan menggunakan Persamaan 1.
Selain untuk kalibrasi sensor warna prototipe 1 juga digunakan untuk
mengakuisisi data. Akuisisi data menghasilkan sebanyak 100 data untuk
kelompok N dan 50 data untuk kelompok P. Data tersebut diperoleh dari masingmasing larutan sebanyak 5 kali pengambilan data dengan selang waktu 0.2 detik.
Data disimpan berbentuk array berisi 3 nilai, masing-masing menyimpan nilai
frekuensi 1 channel RGB, setelah itu semua data di-export ke file bertipe comma
separated value (CSV) untuk diklasifikasikan. Data yang diperoleh tersedia di
Lampiran 3 untuk data kelompok N dan Lampiran 4 untuk data kelompok P.
Klasifikasi dengan Metode SVM
Sebelum memasuki proses klasifikasi, data yang sebelumnya CSV diubah
menjadi format libSVM menggunakan csv2libsvm.py, adapun format file libSVM
sebagai berikut:
: : ...
.
.
.
Setelah mendapatkan file berformat libSVM, selanjutnya data akan diuji
dengan bermacam-macam fungsi kernel dan nilai k. Nilai k untuk k-fold cross
validation akan diuji di nilai 2, 3, 4, 5, 6, 7, dan 8 untuk setiap fungsi kernel.
Untuk fungsi linear kernel dicoba dengan kombinasi parameter C dan k
yang berbeda, parameter C dicoba dengan nilai 1, 2, 3, dan 4. Hasil akurasi untuk
masing-masing data kelompok dari kombinasi parameter linear kernel dengan k
dapat dilihat di Lampiran 5. Sementara itu untuk polynomial kernel parameter C
dicoba dengan nilai 1, 2, dan 3 sedangkan untuk parameter d dicoba dengan nilai
2, 3, dan 4. Hasil akurasi untuk masing-masing data kelompok dari kombinasi
parameter polynomial kernel dengan k dapat dilihat di Lampiran 6.
Berbeda dengan dua kernel sebelumnya, untuk penentuan nilai parameter
RBF kernel diolah menggunakan teknik grid search. Selang yang dipakai untuk
percobaan menggunakan nilai default dari libSVM yaitu untuk parameter C dicari
dari -5 sampai 15 dengan selisih 2, dan untuk parameter γ (gamma) dicari dari 3
sampai -15 dengan selisih -2. Hasil akurasi dari grid search dengan nilai k yang
berbeda untuk kelompok data N dan P bisa dilihat di Lampiran 7 dan Lampiran 8.
Tabel 3 Tingkat akurasi untuk masing-masing data kelompok dengan nilai
parameter yang optimum untuk setiap kernel
Data kelompok Fungsi kernel Parameter
Akurasi (%)
N
C = 1, k = 3
93
Linear
C = 1, d = 2, k = 2
95
Polynomial
RBF
C = 32, γ = 0.03125, k =2
96
P
C = 1, k = 2
90
Linear
C = 1, d = 2, k = 2
90
Polynomial
RBF
C = 0.03125, γ = 0.00781, k = 2
94

12
Nilai parameter yang optimum untuk masing-masing fungsi kernel di setiap
kelompok data bisa dilihat pada Tabel 3. Terlihat bahwa kernel RBF adalah fungsi
yang optimum untuk kedua data kelompok. Untuk data kelompok N didapatkan
nilai optimum parameter C sebesar 32 dan nilai optimum parameter γ sebesar
0.03125, dengan nilai akurasi sebesar 96% menggunakan 2-fold cross validation.
Untuk data kelompok P didapatkan nilai optimum parameter C sebesar 0.03125
dan nilai optimum parameter γ sebesar 0.00781, dengan nilai akurasi sebesar 96%
menggunakan 2-fold cross validation.
Hasil keluaran dari grid.py juga menghasilkan output berupa gambar grid 2
dimensi. Dengan nilai -5 sampai 15 untuk parameter C didalam sumbu horizontal
dan nilai -15sampai 3 untuk parameter γ didalam sumbu vertikal. Hasil keluaran
grid.py dengan nilai parameter yang optimum bisa dilihat pada Gambar 8 untuk
data kelompok N dan Gambar 9 untuk data kelompok P. Gagasan utama dalam
pembuatan grid dua dimensi ini adalah mencoba nilai (C, γ) untuk masing-masing
peningkatan di dalam selang dari kedua nilai untuk mendapatkan akurasi terbaik.
Dalam Gambar 8 contohnya garis hijau merupakan nilai akurasi sebesar 96%,
berarti titik-titik yang dilalui oleh garis ini merupakan kombinasi dari nilai (C, γ)
yang mempunyai nilai akurasi 96%. Diperlihatkan juga bahwa log2(C) = 5,
log2(gamma) = -5, C = 32, dan gamma = 0.03125 adalah yang terbaik. Nilai C =
32 dan γ = 0.03125 adalah nilai aktual dari parameter yang ekuivalen secara
respektif dengan 25 dan 2-5.

Gambar 8 Hasil grid search menggunakan grid.py untuk data kelompok N

13

Gambar 9 Hasil grid search menggunakan grid.py untuk data kelompok P
Setelah mendapatkan parameter-parameter yang optimal, model klasifikasi
diperoleh dari svm-train yang terdapat pada library libSVM. Untuk
menggunaknnya bisa dilihat pada kode program di Lampiran 9 untuk model
klasifikasi data kelompok N dan Lampiran 10 untuk model klasifikasi data
kelompok P. Output dari fungsi svm-train merupakan file yang berekstensi
.model. File ini selanjutnya disimpan ke dalam Raspberry Pi untuk menentukan
kelas (persentase kadar hara) dari larutan uji.
Evaluasi
Berdasarkan teknik grid search dengan menggunakan 2-fold cross
validation, akurasi yang paling optimum untuk data kelompok N sebesar 96%,
sedangkan untuk data kelompok P sebesar 94%. Akurasi ini mengalami kenaikan
dibanding data referensi (data penelitian sebelumnya), yang memiliki akurasi
untuk data kelompok N sebesar 70%, berdasarkan grafik pada Gambar 10
perbandingan akurasi dengan penelitian sebelumnya. Akurasi yang diperoleh
menggunakan sensor kamera maupun sensor warna pada data kelompok N
dipengaruhi oleh waktu pembuatan larutan, karena dalam proses perubahan warna
menjadi hijau terjadi lebih cepat dibanding kelompok P. Untuk data kelompok P
memiliki peningkatan ketelitian, yang pada penelitian sebelumnya memiliki
akurasi selang 2%, dan pada penelitian ini memiliki selang 1.5%, tetapi memiliki
batas atas pengklasifikasian sebesar 15% sedangkan penelitian sebelumnya
bernilai 20%.

14

Gambar 10 Perbandingan akurasi menggunakan sensor kamera dan sensor warna
untuk data kelompok N

SIMPULAN DAN SARAN
Simpulan
Penelitian ini berhasil mengimplementasikan bagan warna PUP dengan
menggunakan sensor warna, dan membuat model klasifikasi SVM. Penggunaan
metode SVM ini didukung dengan peningkatan akurasi yang menggunakan data
sebelumnya. Selain itu, penelitian ini juga berhasil meningkatkan akurasi
ketelititan PUP digital untuk data kelompok N menjadi 96%. Sementara itu, untuk
data kelompok P memiliki nilai ketelitian menjadi 94% serta penambahan
ketelitian dengan selang 1.5% tetapi memiliki batas atas pengklasifikasian sebesar
15% sedangkan pada penelitian sebelumnya memiliki batas atas sebesar 20%
dengan selang 2%.
Saran
Penelitian ini menghasilkan akurasi yang sangat tinggi, tetapi data yang
digunakan pada penelitian sedikit, yaitu sebanyak 100 data untuk data kelompok
N dan 50 data untuk data kelompok P. Hal ini menyebabkan tingkat validasi tidak
terlalu baik, karena data sedikit dan tingkat akurasi tinggi. Serta data yang diambil
masih dalam skala laboratorium. Oleh karena itu, pada penelitian selanjutnya
diharapkan menambah jumlah data untuk pengujian minimum 1000 data
kelompok N dan 500 data kelompok P dan dilakukan juga pengujian di lapangan,
agar tingkat akurasi bisa lebih dipercaya dan digunakan di lapangan.

15

DAFTAR PUSTAKA
Andrian Y. 2013. Robot penyortir benda berdasarkan warna menggunakan sensor
warna TCS3200. SISFOTENIKA. 3(2): 144-150.
Byun H, Lee SW. 2003. A survey on pattern recognition application of support
vector machines. Int J Patt Recogn Artif Intell. 17(3): 459-486
Fajri Y. 2014. Pemanfaatan Raspberry Pi sebagai alat uji kadar nitrogen dan
fosfor pada pupuk [skripsi]. Bogor (ID): Institut Pertanian Bogor
Farsiah L, Abidin T, Munadi K. 2012. Klasifikasi gambar berwarna menggunakan
k-nearest neighbour dan support vector machine [skripsi]. Banda Aceh (ID):
Universitas Syiah Kuala.
Fenrizal RM. 2014. Aplikasi perangkat uji pupuk berbasis Android menggunakan
fitur warna [skripsi]. Bogor (ID): Institut Pertanian Bogor
Kim J, Kim B, Savarese S. 2012. Comparing image classification methods: knearest-neighbor and support-vector-machines. Di dalam: Jha MK, Lazard
M, Zaharim A, Sopian K, editor. Applied Mathematics in Electrical &
Computer Engineering; 2012 Jan 25-27; Cambridge, USA. Cambridge
(US): WSEAS Press. hlm 133-138.
Olson DL, Delen D. 2008. Advanced Data Mining Techniques. Berlin (DE):
Springer-Verlag Berlin Heidelberg. hlm 141-143.
Setyorini D, Sulaeman, Kasno A. 2011. Perangkat Uji Pupuk. Bogor (ID): Balai
Penelitian Tanah.
Tobing G. 2013. Dua puluh lima persen pupuk di sumut palsu [Internet]. [diunduh
2014
Des
20].
Tersedia
pada:
http://medanbisnisdaily.com
/news/read/?id=56708#.VJpsNclDA
Triyono A, Purwanto, Budiyono. 2013. Efisiensi penggunaan pupuk –N untuk
pengurangan kehilangan nitrat pada lahan pertanian. Di dalam: Hadi SP,
Purwanto, Sunoko HR, Purnaweni H, editor. Prosiding Seminar Nasional
Pengelolaan Sumber Daya Alam dan Lingkungan 2013, 2013 Sep 20;
Semarang, Indonesia. hlm 526-531.

16
Lampiran 1 Skematik prototipe 1

17
Lampiran 2 Skematik prototipe akhir

18
Lampiran 3 Isi fail Data_kelompok_N (format libSVM)

1
1
1
1
1
2
2
2
2
2
3
3
3
3
3
4
4
4
4
4
5
5
5
5
5
6
6
6
6
6
7
7
7
7
7
8
8
8
8
8
9
9
9
9
9
10
10
10
10
10
11
11
11
11
11
12


1:80
1:80
1:79
1:80
1:78
1:77
1:76
1:77
1:78
1:77
1:74
1:74
1:75
1:74
1:73
1:71
1:72
1:70
1:71
1:69
1:67
1:67
1:66
1:67
1:67
1:64
1:64
1:64
1:64
1:64
1:61
1:61
1:63
1:61
1:63
1:58
1:70
1:59
1:58
1:58
1:55
1:55
1:48
1:54
1:55
1:52
1:53
1:52
1:52
1:52
1:50
1:51
1:50
1:50
1:50
1:48


2:48
2:48
2:48
2:49
2:48
2:46
2:46
2:46
2:45
2:46
2:44
2:43
2:44
2:45
2:44
2:42
2:42
2:42
2:42
2:42
2:41
2:40
2:41
2:41
2:41
2:39
2:39
2:37
2:39
2:39
2:38
2:39
2:38
2:38
2:38
2:37
2:39
2:37
2:37
2:38
2:35
2:35
2:33
2:35
2:35
2:33
2:33
2:33
2:32
2:33
2:32
2:32
2:32
2:32
2:33
2:31


3:48
3:47
3:48
3:48
3:48
3:46
3:46
3:45
3:46
3:46
3:44
3:45
3:45
3:45
3:45
3:43
3:44
3:43
3:42
3:43
3:41
3:41
3:41
3:42
3:41
3:40
3:40
3:40
3:40
3:39
3:38
3:38
3:38
3:37
3:38
3:37
3:38
3:37
3:37
3:37
3:36
3:35
3:36
3:34
3:36
3:34
3:34
3:33
3:34
3:34
3:33
3:32
3:33
3:32
3:33
3:30

19
Lampiran 3 Lanjutan

12
12
12
12
13
13
13
13
13
14
14
14
14
14
15
15
15
15
15
16
16
16
16
16
17
17
17
17
17
18
18
18
18
18
19
19
19
19
19
20
20
20
20
20


1:48
1:48
1:48
1:48
1:46
1:46
1:46
1:47
1:46
1:44
1:42
1:44
1:43
1:44
1:42
1:42
1:41
1:42
1:42
1:40
1:41
1:39
1:39
1:39
1:37
1:40
1:37
1:36
1:37
1:35
1:35
1:35
1:31
1:34
1:32
1:30
1:31
1:31
1:32
1:30
1:31
1:30
1:31
1:30


2:31
2:31
2:31
2:31
2:29
2:30
2:29
2:29
2:29
2:28
2:28
2:28
2:27
2:28
2:27
2:26
2:28
2:27
2:27
2:25
2:26
2:25
2:24
2:25
2:23
2:23
2:24
2:23
2:24
2:22
2:22
2:21
2:22
2:22
2:20
2:20
2:19
2:20
2:20
2:19
2:19
2:19
2:19
2:20


3:30
3:30
3:30
3:30
3:29
3:30
3:29
3:29
3:28
3:28
3:28
3:27
3:28
3:28
3:27
3:27
3:27
3:26
3:27
3:25
3:25
3:25
3:25
3:25
3:24
3:24
3:25
3:24
3:24
3:23
3:23
3:23
3:23
3:23
3:21
3:21
3:21
3:21
3:20
3:19
3:19
3:18
3:19
3:19

20

Lampiran 4 Isi fail Data_kelompok_P (format libSVM)

1
1
1
1
1
3
3
3
3
3
4
4
4
4
4
6
6
6
6
6
7
7
7
7
7
9
9
9
9
9
10
10
10
10
10
12
12
12
12
12
13
13
13
13
13
15
15
15
15
15


1:1547
1:1547
1:1563
1:1564
1:1565
1:1546
1:1546
1:1542
1:1541
1:1542
1:1545
1:1544
1:1545
1:1544
1:1543
1:1543
1:1536
1:1535
1:1534
1:1534
1:1574
1:1574
1:1563
1:1564
1:1563
1:1554
1:1554
1:1552
1:1550
1:1549
1:1520
1:1521
1:1511
1:1521
1:1511
1:1527
1:1527
1:1527
1:1520
1:1522
1:1600
1:1620
1:1585
1:1626
1:1591
1:1626
1:1620
1:1625
1:1626
1:1626


2:1648
2:1648
2:1653
2:1653
2:1653
2:1609
2:1609
2:1609
2:1608
2:1608
2:1565
2:1565
2:1695
2:1564
2:1564
2:1528
2:1529
2:1529
2:1528
2:1527
2:1548
2:1548
2:1543
2:1545
2:1544
2:1524
2:1524
2:1526
2:1524
2:1523
2:1474
2:1462
2:1471
2:1461
2:1471
2:1468
2:1468
2:1468
2:1467
2:1468
2:1530
2:1540
2:1525
2:1545
2:1525
2:1543
2:1543
2:1543
2:1543
2:1542


3:2273
3:2273
3:2292
3:2290
3:2289
3:2178
3:2178
3:2177
3:2177
3:2179
3:2013
3:2014
3:2114
3:2093
3:2014
3:1929
3:1929
3:1930
3:1929
3:1928
3:1944
3:1944
3:1943
3:1944
3:1944
3:1917
3:1917
3:1918
3:1917
3:1916
3:1851
3:1842
3:1852
3:1842
3:1852
3:1844
3:1844
3:1844
3:1844
3:1844
3:1838
3:1868
3:1844
3:1843
3:1842
3:1868
3:1867
3:1868
3:1868
3:1868

21
Lampiran 5 Tingkat akurasi masing-masing data kelompok dengan kombinasi
parameter linear kernel dan k
C

k

1

2
3
4
5
6
7
8
2
3
4
5
6
7
8
2
3
4
5
6
7
8
2
3
4
5
6
7
8

2

3

4

Akurasi (%)
Data kelompok N
Data kelompok P
92
90
93
86
92
86
92
86
92
86
92
86
92
86
93
90
93
86
92
86
92
86
92
86
92
86
92
86
93
90
93
86
92
86
92
86
92
86
92
86
92
86
93
90
93
86
92
86
92
86
92
86
92
86
92
86

22
Lampiran 6 Tingkat akurasi masing-masing data kelompok dengan kombinasi
parameter polynomial kernel dan k
C

d

k

1

2

2
3
4
5
6
7
8
2
3
4
5
6
7
8
2
3
4
5
6
7
8
2
3
4
5
6
7
8
2
3
4
5
6
7
8
2
3
4

3

4

2

2

3

4

Akurasi (%)
Data kelompok N Data kelompok P
95
90
95
86
95
86
95
86
95
86
95
86
95
86
94
90
95
86
94
86
94
86
94
86
94
86
94
86
94
90
95
86
94
86
94
86
94
86
94
86
94
86
95
90
95
86
95
86
95
86
95
86
95
86
95
86
94
90
95
86
94
86
94
86
94
86
94
86
94
86
94
90
95
86
94
86

23
Lampiran 6 Lanjutan
C

D

k

2

4

3

2

5
6
7
8
2
3
4
5
6
7
8
2
3
4
5
6
7
8
2
3
4
5
6
7
8

3

4

Akurasi (%)
Data kelompok N Data kelompok P
94
86
94
86
94
86
94
86
95
90
95
86
95
86
95
86
95
86
95
86
95
86
94
90
95
86
94
86
94
86
94
86
94
86
94
86
94
90
95
86
94
86
94
86
94
86
94
86
94
86

24
Lampiran 7 Tingkat akurasi data kelompok N dengan kombinasi parameter RBF
kernel dan k
k
2
3
4
5
6
7
8

C
32
128
512
512
512
512
512

γ
0.03125
0.00781
0.00012
0.00012
0.00012
0.00012
0.00012

Akurasi (%)
96
96
96
96
96
96
96

Lampiran 8 Tingkat akurasi data kelompok P dengan kombinasi parameter RBF
kernel dan k
k
2
3
4
5
6
7
8

C
0.03125
0.03125
0.5
0.5
0.5
0.5
0.5

γ
0.00781
0.00012
0.00049
0.00049
0.00049
0.00049
0.00049

Akurasi (%)
94
90
92
90
90
90
90

Lampiran 9 Kode program untuk pembuatan model klasifikasi data kelompok N
1
2
3
4
5
6

from svmutil import *
y,x=svm_read_problem('/home/pi/libsvm_master/python/Data_kelo
mpok_N')
prob = svm_problem(y, x)
param = svm_parameter('-c 512 -g 0.00012')
m = svm_train(prob, param)
svm_save_model('Data_kelompok_N.model',m)

Lampiran 10 Kode program untuk pembuatan model klasifikasi data kelompok P
1
2
3
4
5
6

from svmutil import *
y,x=svm_read_problem('/home/pi/libsvm_master/python/Data_kelo
mpok_P')
prob = svm_problem(y, x)
param = svm_parameter('-c 0.5 -g 0.00049')
m = svm_train(prob, param)
svm_save_model('Data_kelompok_P.model',m)

25

RIWAYAT HIDUP
Penulis lahir di Bandung, tanggal 22 Juni 1994, merupakan putra kedua
dari dua bersaudara dari Ibu Nining Komariah dan Bapak Komarudin. Penulis
lulus dari SMA Negeri 1 Baleendah pada tahun 2011, kemudian melanjutkan studi
Strata 1 di Departemen Ilmu Komputer, Institut Pertanian Bogor (IPB) melalui
jalur SNMPTN Tulis pada tahun yang sama.
Selama mengikuti perkuliahan, penulis menjadi asisten praktikum
Algoritma dan Pemrograman pada tahun ajaran 2013/2014, asisten praktikum
Organisasi Komputer pada tahun ajaran 2013/2014, dan asisten praktikum Sistem
Operasi pada tahun ajaran 2014/2015. Penulis juga aktif di beberapa organisasi
intra kampus yaitu Unit Kegiatan Mahasiswa Music/Agriculture/X-Pression!! dan
Himpunan Mahasiswa Ilmu Komputer. Bulan Juli-Agustus 2014 penulis
melaksanakan Praktik Kerja Lapang di PT Industri Telekomunikasi Indonesia
sebagai Project Engineer, selain itu pernah mengikuti program internship di PT
Mediatrac Sistem Komunikasi sebagai Data Engineer – Hadoop Developer mulai
dari Juli-Oktober 2015.
.