15
k-Nearest Neighborhood
Classifier
Background Min R, Max R, Avr R
Min G, Max G, Avr G Min B, Max B, Avr B
Leaf Min R, Max R, Avr R
Min G, Max G, Avr G Min B, Max B, Avr B
2 3
4 5
Leaf Color Levels
G. PERTANIAN PRESISI
Pertanian presisi atau precision farming merupakan sebuah konsep pengelolaan pertanian secara modern yang bertujuan untuk mengendalikan input dan proses dalam usaha tani sehingga
diharapkan diperoleh hasil produksi yang optimal, berkelanjutan, dan menguntungkan. Menurut Prabawa et al., 2009 pertanian presisi merupakan informasi dan teknologi pada sistem pengelolaan
pertanian untuk mengidentifikasi, menganalisa, dan mengelola informasi keragaman spasial dan temporal di dalam lahan untuk mendapatkan keuntungan optimum, berkelanjutan dan menjaga
lingkungan. Dengan kata lain pertanian presisi atau precision farming adalah suatu usaha pertanian dengan
pendekatan dan teknologi yang memungkinkan perlakuan yang teliti precise treatment dan revolusi awal dalam pengelolaan sumber daya alam berbasis teknologi informasi, Manajemen Informasi
Geografis Management Information System dalam presisi pertanian meliputi Sistem Informasi Geografis Geographical Information System , seperti global positioning system GPS, sensor, satelit
atau citra udara, sensor real time. Informasi yang dikumpulkan dapat digunakan untuk mengevaluasi optimalitas input seperti
perkiraan pemberian pupuk, pengolahan tanah, irigasi dan drainase, serta dapat pula untuk memprediksi hasil panen. Precision farming bertujuan untuk menghindari proses yang tidak efisien
hingga tahap pemanenan, terlepas dari keadaan tanah dan kondisi iklim Deer Company, 1997. Deer Company 1997 berpendapat bahwa terdapat dua buah metode dasar dalam penerapan
precision farming yang pertama adalah map-based variabel rate application dan yang kedua adalah sensor-based variabel rate application. Map-based variabel rate application adalah mengukur
takaran aplikasi berdasarkan informasi produk yang terkandung dalam sebuah peta elektronik dari komponen lahan.
H. PENELITIAN TERDAHULU
Teknologi yang dikembangkan telah sampai pada tahap penelitian awal Astika, 2010, namun dari tahap itu telah terlihat potensi pengembangan yang baik. Penelitian tersebut telah menghasilkan
metoda pengolahan citra yang melakukan ekstrak citra daun padi ke komponen RGB, ekstrak citra telapak tangan petani ke komponen RGB dan membuat hubungan antara komponen RGB daun,
komponen RGB telapak tangan dengan dugaan tingkat warna daun.
Gambar 8. kNN untuk pengenalan pola Astika, 2010
16 Gambar 9. Metode pengambilan citra Astika, 2010
Akurasi yang rendah ini diyakini disebabkan oleh pemakaian 5 merek telepon seluler secara bersama menjadi satu formulasi. Tiap telepon seluler memiliki pengaturan pewarnaan yang berbeda-
beda sehingga sebaiknya setiap merek dan tipe telepon seluler memiliki satu formulasi. Di samping itu telah diketahui bahwa latar belakang yang terbaik adalah telapak tangan dengan dinaungi bayangan
badan petani. Tabel 3. Akurasi pendugaan tingkat warna daun hasil penelitian sebelumnya Astika, 2010
Tingkat warna
Daun Akurasi pada berbagai kondisi latar belakang
Rata-rata Kulit telapak
tangan, dibawah
bayangan Kulit telapak
tangan, dibawah sinar
matahari Kertas putih,
dibawah bayangan
Kertas putih, dibawah sinar
matahari 2
0.75 0.80
0.85 0.80
0.80 3
0.45 0.35
0.21 0.53
0.39 4
0.67 0.61
0.21 0.58
0.52 5
0.78 0.55
0.25 0.63
0.55 Rata-rata
0.66 0.58
0.38 0.63
0.56
a Arah Selatan b Arah Timur
Gambar 10 . Contoh hasil pemetaan tingkat warna daun Astika, dkk; 2010
17
I. APLIKASI SEJENIS YANG TELAH DITEMUKAN
1. Leaf Coder
Aplikasi ini dibuat dan dikembangkan oleh mahasiswa dari Institut Teknologi Telkom, Bandung-Jawa Barat. Aplikasi ini saat ini masih diikutsertakan kedalam perlombaan Imagine Cup
Indonesia 2012 yang masih dalam tahap seleksi dan kemudian menuju ke Imagine Cup Australia 2012 yang diadakan oleh perusaahaan software ternama Microsoft. Cara kerja aplikasi ini adalah
mendeteksi warna daun tanaman Padi. Aplikasi ini berbasis pengenalan tingkat warna daun yang bernama LSU untuk mengetahui kekurangan unsur hara tanman padi. Penggunaan leaf coder harus
terhubungkan dengan koneksi internet. kemudian diolah keluaran program berupa dosis pemupukan yang telah diolah . Hasil analisis dapat dilihat pada aplikasi web Leaf coder. Leafcoder akan
menghemat 10-58 persen penggunaan pupuk. Cara penggunannya mengambil citra sampel daun padi kemudian citra tersebut akan teranalisis oleh aplikasi leaf coder berupa kode warna, kemudian kode
tersebut diolah di web leafcoder dan kita akan diperlihatkan kebutuhan pupuk untuk tanaman padi. Aplikasi leaf coder dapat dilihat pada Gambar 11.
Gambar 11 . Leaf coder Anonim, 2012
Gambar 12 Contoh pengambilan citra daun padi dengan leaf coder Anonim, 2012
