Pengembangan Sistem Prediksi Hama Wereng Berdasarkan Data Cuaca Sensor Dan Cuaca Online Menggunakan Metode Naive Bayes

  

Vol. 2, No. 10, Oktober 2018, hlm. 4002-4010 http://j-ptiik.ub.ac.id

Pengembangan Sistem Prediksi Hama Wereng Berdasarkan Data Cuaca

Sensor Dan Cuaca Online Menggunakan Metode Naive Bayes

_{1 2 3} Rudy Agus Santoso , Dahnial Syauqy , Mochammad Hannats Hanafi Ichsan

  Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya

  1

  2

  3 Email: rudyagus1@gmail.com, dahnial87@ub.ac.id, hanas.hanafi@ub.ac.id

Abstrak

  Padi (Oryza sativa L) adalah komoditas penting dalam bidang pertanian karena beras merupakan kebutuhan pokok rakyat Indonesia. Hama wereng coklat (Nilaparvata lugens) merupakan salah satu kendala yang menyebabkan keringnya tanaman padi sehingga berdampak pada menurunnya hasil panen. Pada penelitian ini akan dikembangkan sistem untuk memprediksi hama wereng berdasarkan parameter suhu, kelembaban dan curah hujan menggunakan metode Naive Bayes. Data uji fitur suhu dan kelembaban didapatkan dari sensor DHT11 sedangkan data curah hujan didapatkan secara online dari penyedia situs cuaca melalui modul ESP8266. Data latih keadaan serangan hama dan cuaca didapatkan dari lembaga yang terkait dengan serangan hama wereng, dan informasi data cuaca. Dari data uji dan data latih tersebut akan diproses oleh Mikrokontroler Arduino Uno untuk memprediksi ada atau tidaknya hama wereng menggunakan metode Naive Bayes. Pada pengambilan data uji yang dilakukan sensor DHT11, hasil pembacaan fitur suhu dan kelembaban mempunyai nilai error sebesar 2,14 % untuk suhu dan 1,71 % pada kelembaban. Dalam pengujian pembacaan data curah hujan, terdapat perbedaan nilai antara situs cuaca dan BMKG dengan nilai error sebesar 22,51 %. Untuk pengujian akurasi klasifikasi

  

Naive Bayes , didapatkan nilai akurasi sebesar 83,33% dengan 6 data uji dari 17 data latih. Pada

  pengujian akurasi dengan data uji dari sensor didapatkan nilai akurasi sebesar 85,71% dengan 19 data latih dan 21 kali pengambilan data uji.

  Kata kunci : Tanaman padi, Hama wereng. Naive bayes, cuaca, DHT11, ESP8266

Abstract

  

Rice (Oryza sativa L) is an important commodity in agriculture because the needs for rice as the primary

food of the Indonesian people. Brown planthopper (Nilaparvata lugens) is one of the obstacles that

causes rice plants dry so that impact on the decreasing yields. This research will be developing a system

to predict pests of planthopper based on parameters of temperature, humidity and rainfall using Naive

Bayes method. Temperature and humidity features using test data that obtained from the DHT11 sensor

while rainfall data was obtained online from an online weather site provider via ESP8266 module. The

Data training of pest and weather conditions are obtained from institutions associated with Brown

Grasshopper attack, and weather data information. The test data and training data will be processed

by Arduino Uno Microcontroller to predict the presence of Brown Grasshopper using Naive Bayes

method. In the test data taken by DHT11 sensor, the temperature and humidity feature readings have a

good accuracy value with an error value of 2.14% for temperature and 1.71% on humidity. In testing

of rainfall data readings, there is difference of value between weather site and BMKG with error value

equal to 22,51%. To test the accuracy of Naive Bayes classification, obtained an accuracy of 83.33%

with 6 test data from 17 data train. In testing the accuracy with the test data from the sensor obtained

an accuracy of 85.71% with 19 training data and 21 times the data collection test.

  Keywords : Rice plant, Aphis planthoppers. Naive bayes, weather, DHT11, ESP8266

  kebutuhan beras merupakan makanan pokok 1.

   PENDAHULUAN rakyat Indonesia. Banyak usaha yang telah

  dilakukan guna meningkatkan produktivitas Padi (Oryza sativa L) adalah komoditas padi, namun dalam implementasinya menemui penting dalam bidang pertanian karena banyak kendala. Hama merupakan salah satu

  Fakultas Ilmu Komputer Universitas Brawijaya

4002 kendala yang menyebabkan hasil panen menurun, salah satunya adalah hama wereng.

  Di Indonesia, hama wereng sering ditemukan dalam jumlah populasi yang tinggi sehingga mengakibatkan keringnya tanaman padi atau disebut hopperburn. Menurut Baehaki (2012) dalam kurun waktu tahun 1991 - 2000 terjadi serangan seluas 313 ribu ha dan pada tahun 2001 - 2010 relatif meningkat menjadi 361 ribu ha, 11 ribu ha di antaranya puso. Pada tahun 2011 , serangan wereng coklat mencapai 218 ribu ha dan di antaranya puso. Data dari Dinas Tanaman Pangan, Holtikultura dan Perkebunan Kabupaten Malang (2017) menunjukkan bahwa pada musim penghujan oktober 2016 sampai Maret 2017 telah terjadi serangan wereng coklat dengan jumlah serangan sebesar 835 ha dan luas terancam sebesar 3.887 ha.

  Peningkatan populasi hama padi dipengaruhi oleh faktor dalam dan faktor luar. Faktor luar diantaranya yaitu iklim / cuaca (suhu, kelembaban, curah hujan), keadaan pertanaman padi (cara budidaya, varietas), penggunaan insektisida dan populasi musuh alaminya. Sedangkan faktor dalam diantaranya yaitu sifat biologi hama (perbandingan jantan betina, keperidian, migrasi dan mortalitas). Faktor iklim berpengaruh terhadap beberapa hal seperti siklus hidup, keperidian atau kemampuan untuk menghasilkan keturunan, lama hidup dan lain sebagainya. Menurut Baehaki & I (2009) atribut populasi wereng coklat pada kisaran suhu 24

• – 33,5 ºC dengan kelembaban 60 – 99%. Dengan adanya pengaruh perubahan iklim terhadap serangan hama padi , perlu adanya upaya untuk menganalisa kemungkinan munculnya serangan hama wereng dengan mengetahui suhu, kelembaban, dan curah hujan yang mendekati keadaan serangan hama wereng di masa tanam sebelumnya, sehingga dapat diketahui potensi serangan hama wereng di masa sekarang.

  Penelitian mengenai hubungan iklim terhadap populasi hama dan musuh alami pada tanaman padi pernah dilakukan oleh Trisnaningsih (2015), yaitu dengan melakukan pengamatan lapang dan mendapatkan hasil bahwa terdapat keterkaitan antara hama wereng coklat dan musuh alami dengan keadaan iklim / cuaca yaitu suhu, kelembaban, curah hujan.

  Penelitian lainnya pernah dilakukan oleh Wahyuwono (2012) yaitu dengan melakukan identifikasi kemunculan serangan hama berdasarkan data historis klimatologi menggunakan metode naive bayes. Pada penelitian tersebut data input diambil dari data cuaca online yang kemudian diklasifikasikan dengan perangkat PC sebagai unit pemrosesnya.

  Pada penelitian ini akan dibuat sistem untuk mengembangkan identifikasi keberadaan serangan hama wereng dengan parameter / fitur suhu, kelembaban, curah hujan pada data latih dan data uji menggunakan metode naive bayes. Data latih diambil dari lembaga dan situs online penyedia data cuaca, data serangan hama wereng didapatkan dari lembaga yang terkait. Data uji diambil dari sensor DHT11 untuk suhu dan kelembaban, modul ESP8266 untuk data curah hujan. Dari data input tersebut akan diproses oleh Mikrokontroler Arduino Uno sebagai unit ppemrosesnya. Tujuan dari sistem yaitu untuk memprediksi ada atau tidaknya hama wereng menggunakan metode naive bayes tanpa memperhitungkan berapa intensitas serangan yang terjadi.

  2. PERANCANGAN DAN

  IMPLEMENTASI

  2.1 Gambaran Umum Sistem Gambar 1. Diagram Blok Sistem

  Sistem ini bertujuan untuk memprediksi keberadaan serangan hama wereng dengan parameter suhu, kelembaban dan curah hujan. Nilai data uji untuk parameter suhu dan kelembaban diambil dari sensor DHT11. Sedangkan nilai parameter curah hujan diambil secara online dari situs yang menyediakan data curah hujan dengan menggunakan modul ESP8266 yang terkoneksi dengan internet. Ketiga data akan dijadikan sebagai input yang diolah menggunakan metode naive bayes untuk mengklasifikasikan ada atau tidaknya hama wereng dalam suatu lingkup wilayah tertentu dengan memperhatikan keadaan yang sudah terjadi sebelumnya. Proses klasifikasi dengan metode naive bayes diimplementasikan pada Mikrokontroler Arduino Uno sebagai unit pemroses pada sistem. Data latih serangan hama wereng diambil dari Instansi atau Dinas yang terkait dengan data yang dibutuhkan, untuk data latih suhu dan kelembaban diambil dari data BMKG, sedangkan data curah hujan diambil dari

  Gambar 3. Diagram Skematik Sistem

  situs penyedia data curah hujan yang sama dengan pengambilan data uji. Hasil dari sistem Pada Gambar 3, terdapat Mikrokontroler ini akan ditampilkan pada layar LCD 16x2

  Arduino Uno sebagai perangkat utama yang sebagai antar muka pengguna dengan sistem. tersambung dengan beberapa perangkat lainnya seperti sensor DHT11, modul ESP8266,

2.2 Perancangan Sistem

  LCD16x2 melalui IIC (I2C), Push button, saklar, IC AMS1117 dan resistor.

  Gambar 2. Perancangan Prototype Sistem Prototype

  Pada perancangan sistem terdapat beberapa perangkat atau komponen yang saling terhubung satu sama lain. Prototype berbentuk kotak berwarna hitam dengan ukuran panjang 18 cm, lebar 11 cm dan tinggi 6 cm.

  Pada bagian dalam kotak terdapat Mikrokontroler Arduino Uno sebagai unit pemroses yang terhubung ke semua perangkat.

  Sensor DHT11 diletakkan didalam dengan menghadap keluar, hal ini bertujuan agar nilai suhu dan kelembaban lebih terfokus di bagian luar kotak atau disekeliling alat. Modul ESP8266 terletak di sebelah sensor DHT11 dengan sisi antena menghadap ke luar kotak agar modul dapat lebih baik dalam menangkap sinyal dari koneksi internet. Infromasi nilai data dan hasil klasifikasi sistem akan ditampilkan di LCD 16x2 yang ditempat menghadap ke arah pengguna sistem. Push button digunakan untuk memberikan trigger kepada sistem agar memilih nilai data terakhir dan mengolahnya untuk

  Gambar 4. Diagram alir pengambilan data uji menghasilkan klasifikasi prediksi hama wereng.

  Terdapat juga saklar yang digunakan untuk Ketika sistem mulai diaktifkan, secara terus memutus tegangan ke modul ESP8266 saat menerus sistem akan melakukan perulangan melakukan upload program ke sistem. untuk mengeksekusi program yang ada. Tahap pertama sistem akan melakukan pembacaan nilai data uji dari sensor DHT11 dan modul ESP8266.

  Berdasarkan Gambar 4, proses pengambilan data terakhir menghitung peluang teertinggi yang uji diawali dengan menunggu modul ESP8266 nantinya dijadikan hasil klasifikasi. terkoneksi dengan internet, jika sudah terhubung

  Tabel 1. Data latih serangan hama wereng

  maka pengambilan data suhu dan kelembaban

  Keada C

  dari sensor DHT11 akan ditampilkan secara

  N an Kelemba Huja Suhu

  bersamaan dengan data curah hujan dari modul

  Waktu o. Serang o ban (%) n ( C ) ESP8266. an (mm)

  Data curah hujan diambil dari situs

  Januari 25,243 13,86

  penyedia data cuaca dimana pada sistem ini

  1 Ada 87,6875 P2

  8

  66

  mengambil daridengan memilih lokasi yang disamakan dengan lokasi Februar 25,606 16,09

  2 84,8 Ada i P1

  7

  09

  data latih. Dalam proses pengambilan data dari situs sumber data, dibutuhkan platform

  Februar 26,184 3 85,5385

  20 Ada www.thingspeak.com yang berperan untuk i P2

  6

  menjembatani porses pengambilan data, dimana

  Maret 9,777 thingspeak

  4 26,275 82,8333

  akan menghasilkan alamat atau URL

  Ada P1

  7

  yang dapat digunakan untuk mengambil data

  26,376

  yang dibutuhkan. Proses tersebut dapat

  5 April P1 83,1538 9,125 Ada

  9

  digunakan dengan memanfaatkan layanan

  26,446

  “ThingHTTP” yang didalamnya terdapat

  6 April P2 83,1333 13,8 Ada

  7

  beberapa parameter yang harus dilengkapi seperti alamat situs, method, parse string, dll.

  7 Mei P1 26,1 81,2667 27,6 Ada

  Setelah keseluruhan data uji sudah terbaca,

  25,771 16,66

  maka sistem dapat melakukan klasifikasi

  8 Mei P2 80,5714 Ada

  4

  67 dengan menekan push button. 25,673

  9 Juni P1 82,5333

  8 Ada

  3 Januari Tidak 26,233 10 84,2 31,1 P1 Ada

  3 Tidak 25,346

  11 Juni P2 80,4667

  18 Ada

  67 Tidak 24,626

  12 Juli P1 82,5333 2,5 Ada

  7 Tidak

  13 Juli P2 24,3 81,645

  6 Ada Agustus Tidak 24,366 14 81,53333

  1 P1 Ada

  67 Agustus Tidak 24,506 15 79,3125

  1 P2 Ada

  25 Septem Tidak 25,306 16 77,6 1 ber P1 Ada

  67 Septem Tidak 25,893

  17

  78

  1 ber P2 Ada

  33 Hasil Tidak

  18 Evaluasi

  25

  80

  5 Ada

  1 Hasil Gambar 5. Diagram alir perhitungan naive bayes

  19 Evaluasi Ada

  26

  80

  15

  2 Dalam perhitungan naive bayes data

  Pada Tabel 1 terdapat 19 data latih, keadaan masukkan berupa data uji dan data latih, serangan didapatkan dari data rekapitulasi kemudian terdapat fungsi hitung peluang prior, hitung nilai gaussian, hitung peluang posterior, keadaan organisme pengganggu tumbuhan

  (OPT) tanaman pangan Dinas Tanaman Pangan, Holtikultura dan Perkebunan Kabupaten Malang. Data suhu dan curah hujan didapatkan dari BMKG, sedangkan data curah hujan dari situs

  Gambar 6. Diagram alir fungsi ProbPrior() Gambar 7. Diagram alir fungsi Gaussian()

  Pada klasifikasi naive bayes, tahap pertama Rumus perhitungan Gaussian yang dilakukan yaitu menghitung nilai prior dari ( − )2

  −

  1 2 2

  setiap kelas prediksi. Nilai prior adalah nilai

  ( = (1) | = ) =

  2

  terjadinya suatu kelas dengan cara membagi

  √2

  banyaknya data dalam suatu kelas dengan Rumus perhitungan mean dan standar deviasi jumlah keseluruhan data yang ada pada data

  ∑

  1 =1

  latih. Pada sistem ini terdapat 2 kelas prediksi, (2)

  ̅ = yaitu ada wereng dan tidak ada wereng. Pada tahap kedua, sistem akan menentukan nilai peluang dari setiap fitur. Terdapat 3 fitur

  2

  ∑ ( − ̅) (3)

  =1

  yang digunakan dalam sistem ini yaitu fitur = √

  − 1 pembacaan suhu, kelembaban yang dilakukan oleh sensor DHT11 dan fitur curah hujan yang

  Keterangan : diambil secara online menggunakan modul ( = | = ) : Peluang gaussian

  ESP8266. Perlu dilakukan perhitungan nilai : nilai rata

• – rata (mean)

  mean dan standar deviasi masing - masing fitur ̅

  : nilai standar deviasi yang ada pada data latih dengan menggunakan : jumlah data

  Persamaan (2) dan Persamaan (3). Hasil : data ke - i perhitungan dari mean dan standar deviasi akan : nilai eksponen (2,718282) dijadikan nilai yang mewakili data latih pada sistem. Kemudian dilanjutkan dengan melakukan perhitungan Gaussian menggunakan Persamaan (1)

  Gambar 8. Diagram alir fungsi ProbPosterior()

  Setelah perhitungan Gaussian, tahap selanjutnya yaitu menentukan nilai dari posterior, nilai peluang posterior adalah peluang yang menentukan besarnya peluang setiap kelas pada sistem. Peluang tersebut akan ada ketika setiap fitur telah mendapatkan masukkan nilai dari sensor. Proses penentuan besarnya peluang tiap kelas dilakukan dengan melakukan perkalian antara hasil dari fungsi ProbPrior() dengan fungsi Gaussian().

  Pada tahap akhir, proses klasifikasi dengan metode Naive Bayes akan menentukan nilai peluang yang tertinggi dari setiap posterior dengan membandingkan nilai posteroir dengan nilai peluang posterior lainnya. Kelas dengan nilai peluang posterior tertinggi merupakan hasil akhir dari klasifikasi kelas ada wereng dan tidak ada wereng.

  Pada implementasi sistem terdiri dari implementasi prototype, perangkat keras dan perangkat lunak.

  Gambar 9. Implementasi Protoype

  Gambar diatas merupakan implementasi

  prototype sistem, pada bagian atas terlihat sensor

  DHT11, modul ESP8266, push button, LCD 16x2, dan saklar untuk ON/OFF saat upload program.

  Gambar 10. Implementasi perangkat keras nampak dalam

  Di sisi dalam, terlihat Arduino uno sebagai unit pemroses yang terhubung ke seluruh komponen lain dengan media project board dan kabel jumper sehingga menjadi satu kesatuan pada sistem.

  Pada implementasi perangkat lunak menggunakan IDE Arduino 1.8.0 untuk merealisasikan kode program yang ada, situs penyedia data cuaca dan thingspeak yang menjembatani antara situs penyedia data curah hujan dengan modul ESP8266.

  3. PENGUJIAN DAN ANALISIS

  3.1 Pengujian Sensor DHT11

  Pengujian sensor DHT11 digunakan untuk mengetahui tingkat akurasi yang dimiliki sensor dalam membaca nilai suhu dan kelembaban disekitar sistem. Hasil data dari sensor dibandingkan dengan alat ukur lain yang mempunyai fungsionalitas sama sebagai pembanding, dengan demikian akan didapatkan perbedaan atau nilai error yang diperoleh dari selisih diantara perbandingan keduanya.

2.3 Implementasi Sistem

  

Tabel 2. Hasil pengujian sensor DHT11 Tabel 3. Pengujian pembacaan data curah hujan

Accuwea Nilai DHT11 HTC-2 Nilai Error BMKG No Tanggal ther Error No.

  (mm) Suhu Suhu Kel Suhu Kel Kel _{o o} (mm) (%)

  (%) (

  C) (

  C) (%) (%) (%)

  1 04/01/2017 2 3,7 45,9

  1

  23 63 24,1 65 4,56

  3,07

  2 17/01/2017 6 7,5

  20

  2

  24 66 24,8 67 3,22

  1,49 3 29/01/2017

  20

  22

  9

  3

  25 69 25,6 70 2,34

  1,42 4 27/02/2017 2 2,4 16,6

  4

  26 71 26,4

  72

  1,51 1,38 5 11/04/2017 1 1,8 44,4

  5

  27 74 27,7

  76

  2,52 3,63 6 23/04/2017 2 2,5

  20

  6

  28 79 28,3

  80

  1,06 1,25 7 27/10/2017 6 4,5 33,3

  7

  29 81 29,6

  82

  8 17/11/2017 2,02 1,21

  32 35,4 9,6

  8

  30 83 30,9

  84

  9 29/11/2017 2,91 1,19

  28 24,3 15,2

  9

  31 85 31,1

  87

  10 02/01/2018 4 3,6 11,1 0,32 2,29

  Rata 22,51

  10

  32 87 32,3

  88

• – rata nilai error 0,92 1,13

  Berdasarkan pengujian yang ditunjukkan

  Rata 2,14 1,71 – rata nilai error

  pada Tabel 3, dengan memilih 10 kali data curah hujan dari www.accuweather.com dan BMKG, Untuk perhitungan nilai error dapat didapatkan nilai perbedaan yang diperoleh dari dilakukan dengan menggunakan persamaan (4) selisih nilai yang ada dengan rata-rata nilai error berikut : sebesar 22,51 %.

  ℎ

  (4)

  =

  3.3 Pengujian Klasifikasi Naive Bayes 100%

  Pada pengujian ini bertujuan untuk Didapatkan bahwa hasil pembacaan suhu mengetahui tingkat keakuratan sistem dalam dan kelembaban memiliki selisih perbedaan melakukan klasifikasi ada atau tidaknya potensi dengan alat ukur HTC-2. Dengan menggunakan serangan hama wereng. Data yang ujikan persamaan (4), dari 10 kali pengambilan data, diambil dari data yang sebelumnya dijadikan didapatkan nilai error sebesar 2,14 % pada data latih seperti pada Tabel 1. Dari 17 data parameter suhu dan 1,71 % pada parameter keadaan serangan hama wereng, diambil 6 data kelembaban. untuk diujikan sebagai data uji dan 11 data yang dijadikan sebagai data latih.

3.2 Pengujian Pembacaan Data Curah

  Hasil klasifikasi sistem akan dibandingkan

  Hujan

  dengan keadaan serangan yang sudah diketahui Pengujian pembacaan data curah hujan sebelumnya. Perhitungan akurasi dari hasil dilakukan untuk mengetahui tingkat akurasi atau klasifikasi dapat dilakukan dengan melakukan perbedaan nilai data curah hujan yang diambil perhitungan menggunakan persamaan (5). dari www.accuweather.com dengan nilai data

  − (5)

  dari Badan Meteorologi, Klimatologi dan

  = 100% Geofisika (BMKG).

  Pengujian dilakukan dengan mengamati

  Tabel 4. Hasil pengujian klaisifikasi Naive Bayes

  dan memilih 10 data curah hujan yang ada di

  Kele C Has Has Kes

  dan BMKG. Kemudian

  Suh N Perio Huja il il esu mba

  mengurangi nilai data yang didapat dari

  u o de n Nya Sist aia _{o ban}

  dengan nilai data dari

  (

  C) (mm) ta em n (%)

  BMKG. Dari selisih nilai yang didapat tersebut, kemudian dilakukan perhitungan nilai error Mei 26,

  1 81,2 27,6 A A S P1 1 menggunakan persamaan (4).

• A = Ada -
• S = Sesuai -
• “Bulan” P1 = Tanggal awal bulan – tanggal
• “Bulan” P2 = Tanggal 16 – akhir bulan

  79

  78

  26

  15

  17 A A Sesuai

  79

  26

  14

  15 A A Sesuai

  80

  26

  13

  16 A A Sesuai

  27

  16

  12

  24 A A Sesuai

  80

  26

  11

  20 A A Sesuai

  80

  26

  10

  15 A T A Tidak sesuai

  81

  25

  18 A A Sesuai

  27

  18 A A Sesuai

  20

  Pada perancangan sistem, digunakan data latih dari lembaga yang terkait dengan data serangan hama wereng dan cuaca serta data uji dari sensor yang kemudian dilakukan proses klasifikasi..

  4. KESIMPULAN

  dan modul ESP8266 yang ditunjukkan pada Tabel 5 menunjukkan bahwa dari 21 kali pengambilan data terdapat 3 kali hasil yang tidak sesuai dengan keadaan pengamatan hama secara langsung dan hasil dari petugas pengamat hama Dinas Tanaman Pangan, Holtikultura dan Perkebunan Kabupaten Malang. Dengan menggunakan persamaan (5), maka perhitungan nilai akurasi hasil klasifikasi adalah sebesar 85,71 %.

  naive bayes dengan data uji dari sensor DHT11

  Berdasarkan hasil pengujian klasifikasi prediksi hama wereng menggunakan metode

  19 A A Sesuai

  79

  27

  21

  20 A A Sesuai

  81

  26

  25 A A Sesuai

  80

  82

  26

  19

  11 A A Sesuai

  79

  27

  18

  22 A A Sesuai

  83

  26

  17

  14 A A Sesuai

  9

  80

  1

  T S = Tidak Sesuai

  Has il Din as Has il Sist em Kesesu aian

  C Huj (mm)

  C) Kel (%)

  ( ^o

  Tabel 5. Hasil pengujian klasifikasi naive bayes N o Su

  2 Mei P2 25,

  7 80,5 16,6 A A S

  yang ditunjukkan pada Tabel 4, menunjukkan bahwa dari 6 data yang diujikan terdapat 1 data yang tidak sesuai dengan keadaan serangan yang terjadi sebenarnya. Dengan menggunakan perhitungan akurasi hasil klasifikasi menggunakan Persamaan (5) didapatkan nilai sebesar 83,33 %.

  Naive Bayes

  Berdasarkan hasil pengujian klasifikasi prediksi hama wereng menggunakan metode

  15

  T A = Tidak ada

  27

  Keterangan Tabel :

  1 T A T A S

  78

  8

  6 Septe m P2 25,

  1 T A T A S

  3 77,6

  5 Septe m P1 25,

  2 84,2 31,1 T A A T S

  4 Januar i P1 26,

  8 A A S

  26

  81

  3 Juni P1 25,

  24

  8

  5 T A T A Sesuai

  80

  25

  7

  18 T A A Tidak sesuai

  82

  26

  6

  12 T A T A Sesuai

  80

  5

  13 T A A Tidak sesuai

  9 T A T A Sesuai

  78

  26

  4

  10 T A T A Sesuai

  78

  25

  3

  7 T A T A Sesuai

  75

  26

  2

  6 82,5

3.4 Pengujian Klasifikasi Naive Bayes dengan Sensor

  Tujuan dilakukannya pengujian ini yaitu untuk mengetahui akurasi yang diperoleh sistem menggunakan metode klasifikasi naive bayes dengan data uji dari sensor DHT11 untuk fitur suhu, kelembaban dan dari modul ESP8266 untuk pembacaan fitur curah hujan.

  Pengujian dilakukan sebanyak 21 kali dimana setiap 7 kali pengambilan data dilakukan evaluasi perhitungan error dan memasukkan data uji yang memiliki kesesuaian hasil dan memiliki nilai selisih terbesar antar kelas ke data latih untuk menambah akurasi sistem. Pengujian dilakukan pada pagi hari sekitar jam 8.00 WIB

• – 9.00 WIB diarea persawahan tanaman padi, hal ini disesuaikan dengan pengamatan yang dilakukan oleh petugas pengamat hama Dinas Tanaman Pangan, Holtikultura dan Perkebunan Kab. Malang. Pengamatan dikatakan ada wereng jika pada petak sawah di beberapa rumpun padi terdapat hama wereng baik dengan jumlah 1 ekor atau lebih hama wereng dalam satu rumpun. Penentuan hasil akurasi klasifikasi sitem akan dibandingkan dengan pengamatan secara langsung dan pengamatan manual yang dilakakukan petugas pengamat hama Dinas Tanaman Pangan, Holtikultura dan Perkebunan Kabupaten Malang.

Untuk melakukan implementasi sistem, dilakukan perhitungan dari data latih dan data uji yang akan diklasifikasikan menggunakan metode Naïve Bayes.

  Hasil pembacaan sensor DHT11 memiliki nilai error 2,14 % untuk fitur suhu dan 1,7 % untuk fitur kelembaban. Dalam pengujian pembacaan nilai curah hujan, didapatkan selisih perbedaan antara nilai curah hujan dari www.accuweather.com dengan BMKG rata-rata sebesar 22,51%. Untuk hasil akurasi dari klasifikasi naive bayes, didapatkan nilai akurasi sebesar 83,33% dengan 6 data yang diujikan dari 17 data latih. Pada pengujian dengan data uji dari sensor didapatkan nilai akurasi sebesar 85,71% dengan jumlah data latih sebanyak 19 dan pengambilan data uji sebanyak 21 kali.

• Solved* Using GET command to get data from ThingHTTP - Everything ESP8266. Retrieved from http://www.esp8266.com.

  .

  How to Set Up the DHT11 Humidity Sensor on an Arduino. Retrieved from http://www.circuitbasics.com. www.esp8266.com. (2017, September).

  “Permadi” : Peringatan Dini Serangan Hama Tanaman Padi Berbasis. Retrieved 4 21, 2017, from http://eprints.undip.ac.id/40511/1/19_jurn al_siskom-vol2-num1.pdf www.circuitbasics.com. (2017, September).

  106/M010643.pdf Wahyono, T. (2012). Rancang Bangun Sistem

DAFTAR PUSTAKA

  SKRIPSI, Universitas Brawijaya, Teknik Informatika. Baehaki, S. E. (2012). Perkembangan biotipe hama wereng coklat pada tanaman padi.

  Astuti, E. H. (2016). Sistem Pendukung Keputusan Deteksi Dini Penyakit Stroke menggunakan Metode Naive bayes.

  Yogyakarta: Graha Ilmu. tanaman-pangan.malangkab.go.id. (2017, July).

  Berita Terkini | Dinas Tanaman Pangan Hortikultura & Perkebunan PemKab Malang. Retrieved from tanaman- pangan.malangkab.go.id.

  Trisnaningsih. (2015). Hubungan iklim terhadap populasi hama dan musuh alami pada. Retrieved 4 12, 2017, from http://biodiversitas.mipa.uns.ac.id/M/M0

  Arduino UNO & Genuino UNO: https://www.arduino.cc/en/Main/Arduino BoardUno

  . SKRIPSI, Universitas Brawijaya, Teknik Informatika. Arduino. (2016, 12 12). Retrieved from

  Naive bayes

  Amani, R. Z. (2017). Sistem Pendeteksi Dehidrasi Berdasarkan Warna dan Kadar Amonia pada Urin Berbasis Sensor Tcs3200 dan Mq135 dengan Metode

  Subang: Balai besar penelitian tanaman padi. Baehaki, S. E., & I, N. W. (2009). Hama wereng dan cara pengendaliaanya pada tanaman padi. Balai besar penelitian tanaman padi. Hadi, M. (2009). Biologi Insekta Entomologi.