Kelompok Penyakit Tanaman Apel Menggunakan Metode K-Means Berbasis Web

  Vol. 2, No. 8, Agustus 2018, hlm. 2435-2441 http://j-ptiik.ub.ac.id

  

Kelompok Penyakit Tanaman Apel Menggunakan Metode K-Means

₁ Berbasis Web _{2 3} Askia Sani , Nurul Hidayat , Ratih Kartika Dewi

  Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya _{1 2 3} Email: askiasani@yahoo.com, ntayadih@ub.ac.id, ratihkartikad@ub.ac.id

  

Abstrak

  Keadaan tanaman apel yang baik bisa dideteksi dengan mengidentifikasi penyakit pada apel. Salah satu metode untuk mendeteksi penyakit apel bisa dilakukan dengan K-Means. Aplikasi pengelompokan penyakit tanaman apel menggunakan metode k-means berbasis android ini dapat mempermudah mendeteksi penyakti tanaman apel, aplikasi ini berbasis android sehingga pengguna dapat dengan mudah menjalankan aplikasi ini dimana saja dan kapan saja dengan handphone pengguna. Yang mana pembahasan ini tentang membangun aplikasi sistem pendeteksi yang dapat digunakan pengguna untuk mendeteksi terdapatnya hama dalam perkebunan apel. Aplikasi sistem diganosa penyakit tanaman apel dapat menampilkan hasil diagnosis dengan cepat dan tepat berdasarkan gejala-gejala yang dimasukan oleh user. Untuk membuat hasil diagnosis menjadi sangat valid, maka data gejala yang dimasukan kedalam sistem pendukung keputusan adalah suatu data gejala, harus lengkap artinya gejala-gejala yang bisa mengarah ke suatu penyakit tersebut harus dimasukan secara lengkap, karena kesimpulan hasil diagnosis (persentase) yang ditampilkan dihitung secara otomatis oleh sistem dengan menggunakan k- means.

  Kata Kunci: K-Means, Data Mining, Clustering, Diagnosis Tanaman Apel

Abstract

  

The state of a good apple plant can be detected by identifying the disease in apples. One method to

detect apple disease can be done with K-Means. Application of apple plant disease grouping using this

android based K-Means method can make it easier to detect the apple plant penyakti, this application

is based on android so that users can easily run this application anywhere and anytime with the user's

mobile phone. This is where the discussion is about building a detection sistem application that users

can use to detect the presence of pests in apple plantations. Application of diganosa sistem of apple

plant disease can display diagnosis result quickly and precisely based on the symptoms entered by user.

To make the diagnosis become very valid, then the data of symptoms included into decision support

sistem is a symptom data, must be complete meaning of symptoms that can lead to a disease must be

entered in full, because conclusion of diagnosis result (percentage) shown counted Automatically by the

sistem using K-Means.

  Keywords: K-Means, Data Mining, Clustering, Diagnosis of Apple Plant

  cuaca, dan budaya masyarakatnya yang sangat 1. mendukung sector pertanian buah-buahan.

   PENDAHULUAN

  Namun sungguh ironis dalam Indonesia dikenal sebagai negara penghasil penanggulangan hama terhadap buah sangatlah buah terbesar karena tanah di Indonesia sulit, sehingga dalam masa panen petani buah merupakan tanah yang sangat subur dan harus memilah antara buah segar dan buah yang produktif serta sebagian besar rakyatnya hidup berhama sebelum dijual terhadap pembeli, dari pertanian. Sebagian besar rakyat yang terutama pada tanaman apel. tinggal di daerah pergunungan ataupun bukit

  Banyaknya masyarakat yang kurang memanfaatkan kesuburan tanahnya dengan memahami tentang kesegaran tanaman apel yang menanam buah-buahan dan pula kondisi alam, tanpa adanya ulat ataupun hama di dalam tanaman apel. Maka dari itu dibutuhkan aplikasi

  Fakultas Ilmu Komputer Universitas Brawijaya

2435 yang bisa memberikan suatu informasi tentang keadaan tanaman apel. Keadaan tanaman apel yang baik bisa dideteksi dengan mengidentifikasi penyakit pada apel. Salah satu metode untuk mendeteksi penyakit apel bisa dilakukan dengan K-Means.

  Algoritma K-means merupakan salah satu algoritma dengan partitional, karena K-Means didasarkan pada penentuan jumlah awal kelompok dengan mendefinisikan nilai centroid awalnya (Madhulatha, 2012). Algoritma K - means menggunakan proses secara berulang- ulang untuk mendapatkan basis data cluster. Dibutuhkan jumlah cluster awal yang diinginkan sebagai masukan dan menghasilkan titik centroid akhir sebagai output. (HUNG et al., 2005, Saranya & Punithavalli, 2011, Eltibi & Ashour, 2011).

  Berdasarkan hasil penelitian yang telah dilakukan Hervisari, S. Musdalifah, dan I W. Sudarsana, menyimpulkan bahwa Algoritma KMeans dapat digunakan untuk mendiagnosis penyakit gagal ginjal kronis, dimana hasil penelitian menunjukkan bahwa dari 10 pasien, ada 5 pasien yang menderita penyakit gagal ginjal kronis dan 5 pasien lagi dengan diagnosis gagal ginjal yang masih dapat disembuhkan.

  Aplikasi ini berbasis mobile Android, sehingga pengguna dapat dengan mudah menjalankan aplikasi ini dimana saja dan kapan saja dengan handphone pengguna. Yang mana pembahasan ini tentang membangun aplikasi sistem pendeteksi yang dapat digunakan pengguna untuk mendeteksi terdapatnya hama dalam perkebunan apel.

  Oleh karna itu penulis membuat aplikasi untuk membantu pengguna melakukan identifikasi penyakit apel melalui sistem pendeteksi, apakah tanamanya apel terkena penyakit atau tidak, dalam hal ini penulis mengambil judul “Identifikasi penyakit apel dengan metode K-Means berbasis android”.

  Apel (Malus domestica Borkh.) termasuk rajanya buah komersial karena konsumennya luar biasa banyaknya. Di Indonesia, apel diperkenalkan oleh orang Belanda dan dikembangkan oleh orang Indonesia. Sayangnya daerah di Indonesia yang cocok ditanami apel masih sangat terbatas. Daerah Batu, Malang, merupakan sentra apel di Indonesia karena tanaman ini banyak diusahakan sebagai suatu usaha tani. Oleh penduduk di Malang tanaman ini ditanam di pekarangan maupun di kebun (Untung, 1996). Menurut Untung (1996), dalam tatanama atau sistemik (taksonomi) tumbuhan tanaman apel, diklasifikasikan sebagai berikut: Kingdom : Plantae, Divisi : Spermatophyta, Sub- divisi : Angiospermae, Kelas : Dicotyledonae Ordo : Rosales, Family : Rosaceae, Genus : Malus, Spesies : Malus domestica.

  Apel diketahui mengandung beberapa vitamin dan mineral yang bermanfaat bagi manusia. Sebutir apel berdiameter 5-7 cm mengandung vitamin A 900 IU/100 g, tiamin 7 mg, riboflavin 3 mg, niasin 2 mg, vitamin C 5 mg, protein 3 g, energi 58 kalori, lemak 4 g, karbohidrat 14,9 g, kalsium 6 mg, besi 3 mg, fosfor 10 mg, dan kalium 130 mg (Untung, 1996). Dengan kandungan seperti itu ada orang berpendapat bahwa tingkat keasaman yang rendah pada apel meningkatkan produksi air liur yang baik untuk kesehatan gigi. Penelitian menunjukkan bahwa memakan apel sebutir sehari memperkecil risiko terkena asma, arthritis, dan penyakit kulit (Untung, 1996). Selain dimakan segar, apel bisa diolah menjadi jam (selai), jeli, dan sari buah. Meski namanya olahan, tetapi bukan berarti yang dipakai apel busuk atau cacat. Biasanya yang diolah apel berukuran kecil atau tanaman apel hasil penjarangan. Kandungan pektin pada apel sekitar 24%. Pektin yang dapat membentuk gel bila ditambah gula pada pH tertentu, memegang peranan penting dalam industri jeli, sari buah, dan selai (Untung, 1996).

  2.2 K-Means

  Algoritma K-means merupakan salah satu algoritma dengan partitional, karena K-Means didasarkan pada penentuan jumlah awal kelompok dengan mendefinisikan nilai centroid awalnya (Madhulatha, 2012). Algoritma K - means menggunakan proses secara berulang- ulang untuk mendapatkan basis data cluster. Dibutuhkan jumlah cluster awal yang diinginkan sebagai masukan dan menghasilkan titik centroid akhir sebagai output. Metode K-means akan memilih pola k sebagai titik awal centroid secara acak atau random. Jumlah iterasi untuk mencapai cluster centroid akan dipengaruhi oleh calon cluster centroid awal secara random. Sehingga didapat cara dalam pengembangan algoritma dengan menentukan centroid cluster yang dilihat dari kepadatan data awal yang tinggi

2. LANDASAN TEORI

2.1 Apel

  agar mendapatkan kinerja yang lebih tinggi (HUNG et al., 2005, Saranya & Punithavalli, 2011, Eltibi & Ashour, 2011).

  4. Alokasikan masing-masing objek ke dalam centroid yang paling dekat. Untuk melakukan pengalokasian objek kedalam masing-masing cluster pada saat iterasi secara umum dapat dilakukan dengan cara hard kmeans dimana secara tegas setiap objek dinyatakan sebagai anggota.

  3.2 Flowchart sistem Flowchart sistem akan menjelaskan tentang

  akan memasukan nilai dari variabel seperti pada data input, data input yang akan menjadi inputan dalam proses perhitungan K-Means, hasilnya akan menjadi output terhadap user berupa hasil diagnosis penyakit tanaman apel.

  User

  dengan kebutuhan sistem yang diterapkan, akan digunakan dua parameter input yaitu data pengguna dan data hasil proses hitung pengguna.

  training , data uji dan metode K-Means. Sesuai

  Sistem yang akan di buat yang terdiri dari satu aktor yaitu user sebagai pengguna sedangkan server sebagai penyimpanan dan proses data yang di dalamnya terdapat data

  ^User server ^{SISTEM PAKAR (K-Means) Input Data Uji} _{DATA TRINING} Gambar 1. Arsitektur sistem

  Desain sistem klasifikasi penyakit apel orang tua menggunakan metode K-Means ditunjukkan pada gambar 1.

  3.1 Gambaran Umum Sistem

  3 PERANCANGAN SISTEM

  5. Lakukan iterasi, kemudian tentukan posisi centroid baru dengan menggunakan persamaan (2) Ulangi langkah 3 jika posisi centroid baru tidak sama

  : objek x ke-i : daya y ke-i : banyaknya objek

  Berikut ini langkah-langkah yang terdapat pada algoritma K-Means (Ediyanto et al., 2013):

  (2) Dimana;

  2 =1 ; = 1,2,3 … ,

  ( , ) = | − | = √∑ ( − )

  3. Hitung jarak setiap objek ke masing-masing centroid dari masingmasing cluster. Untuk menghitung jarak antara objek dengan centroid dapat menggunakan Euclidian Distance seperti pada persamaan 2.

  : banyaknya objek/jumlah objek yang menjadi anggota cluster

  : centroid pada cluster : objek ke-i

  (1) Dimana:

  ; = 1,2,3, …

  = ∑ =1

  2. Tentukan k centroid (titik pusat cluster) awal secara random Penentuan centroid awal dilakukan secara random/acak dari objekobjek yang tersedia sebanyak k cluster, kemudian untuk menghitung centroid cluster ke-i berikutnya, digunakan rumus seperti pada persamaan 1.

  1. Tentukan k sebagai jumlah cluster yang dibentuk, Untuk menentukan banyaknya cluster k dilakukan dengan beberapa pertimbangan seperti pertimbangan teoritis dan konseptual yang mungkin diusulkan untuk menentukan berapa banyak cluster.

  alur proses dari setiap data malai dari data masukan sampai dengan menghasilkan keluaran berupa hasil diagnosis. Flowchart sistem ditunjukkan pada gambar 2.

  4) Apa saja isi/ jenis laporan yang harus

  Start dihasilkan sistem.

  Kata “Siapa” di atas dilambangkan dengan kotak persegi (disebut dengan terminator), dan

  Gejala, Jumlah Cluster kata “apa” di atas dilambangkan dengan aliran

  data (disebut dengan data flow), dan kata “sistem” dilambangkan dengan lingkaran (disebut dengan process).

  Data yang diinformasikan user kepada admin adalah data pengguna dan hasil proses

  Menentukan centroid awal

  hitung yang telah diolah menggunkan metode K-

  Means. Gambaran umum untuk sistem ditunjukkan pada gambar 3. _{User HA SIL K ME ANS} Tempatkan setiap data pada cluster _{Ya 1} SIS TEM DIA GNOSA PENYAK IT Hitung Jarak _{DA TA P ARA ME TER AP EL}

  Gambar 3. Diagram konteks Jika Cluster

  User bertugas mengisi data pengguna pada berubah?

  sistem proses hitung data test yang akan di _Tidak proses oleh K-Means dan menginformasikan hasil berupa penyakit yang di derita oleh tanaman apel.

  Cluster Penyakit Apel

  4 IMPLEMENTASI

  4.1 Implementasi Interface End Implementasi user interface terdiri dari

  beberapa tampilan pada menu-menu yang ada

  Gambar 2. Alur kerja sistem

  pada aplikasi. Desain dari user interface yang baik pada suatu sistem dapat mempermudah user

3.3 Diagram Konteks untuk menggunakan sistem tersebut. Berikut

  user interface pada sistem yang sudah dibangun, Diagram konteks berisi gambaran umum diantaranya adalah:

  (secara garis besar) sistem yang akan dibuat. Secara kalimat, dapat dikatakan bahwa diagram a Menu Utama konteks ini berisi “siapa saja yang memberi data

  Terdapat empat menu di dalam sistem (dan data apa saja) ke sistem, serta kepada siapa diagnose penyakit apel , yaitu menu dashboard, saja informasi (dan informasi apa saja) yang diagnosis, data gejala penyakit,dan help. harus dihasilkan sistem. ”Jadi, yang dibutuhkan

  Interface menu utama ditunjukkan pada gambar adalah :

  4. 1) Siapa saja pihak yang akan memberikan data ke sistem.

  2) Data apa saja yang akan di olah sistem. 3) Kepada siapa sistem harus memberi informasi atau laporan. melakukan diagnosis, user akan melakukan diagnosis dengan men check-list pilihan gejala sesuai gejalan yang di derita tanaman apel setelah itu sistem akan menampilkan hasil dari diagnosis yang dihitung oleh sistem menggunakan metode K-Means. Form diganosa ditunjukkan pada gambar 6.

  Gambar 4. User interface menu utama

  b Menu Dashboard Menu dashboard merupakan menu awal untuk user, menu user berfungsi untuk menampilkan penjelasan sistem yang digunakan serta metode yang digunakan. Tampilan halaman dashboard aplikasi ditunjukkan pada gambar 5.

  Gambar 6. User interface menu diagnosis

  d Form Hasil diagnosis Hasil dari diagnosis menggunakan K-

  Means data sebelum nya setelah diklikkan

  proses diagnosis maka hasil dari diagnosis akan di tampilkan. Form hasil diagnosis ditunjukkan pada gambar 7. e Form Data Gejala Penyakit

  Pada gambar diatas adalah data gejala penyakit terdapat 16 jenis penyakit dan 35 gejala data tersebut yang akan digunakan dalam proses diagnosis , terdapat hasil macam

• – macam penyakit yang hasil diagnosisnya sudah di tentukan oleh pakar, nantinya sebagian data ini akan di gunakan untuk data testing dan menghasilkan hasil diagnosis yang di tentukan oleh sistem. Form data gejala penyakit ditunjukkan pada gambar 8.

  Gambar 5. User interface menu dashboard c Form Diagnosis.

  Didalam form diagnosis terdapat gejala- gejala yang sudah di tentukan untuk user

  2. Pada percobaan 2, peneliti mencoba jumlah data training pada datababse sebanyak 90 data. Didapatkan hasil akurasi sebesar 60.00%.

  3. Pada percobaan 3, peneliti mencoba jumlah data training pada datababse sebanyak 70 data. Didapatkan hasil akurasi sebesar 53.33%.

  Dari percobaan ke-1, ke-2, ke-3, diketahui bahwa semakin banyak jumlah data training maka semakin tinggi tingkat akurasi. Oleh karena itu peneliti hanya percobaan yang ke-3 karena telah menghasilkan tingkat akurasi yang lebih tinggi.

  6 KESIMPULAN

  Dari hasil pengujian terhadap Aplikasi Sistem diganosa penyakit tanaman apel yang

  Gambar 7. User interface hasil diagnosis

  dibangun, kesimpulannya adalah program aplikasi sistem diganosa penyakit tanaman apel dapat menyelesaikan masalah yaitu bisa menampilkan hasil diagnosis dengan cepat dan tepat berdasarkan gejala-gejala yang dimasukan oleh user. Untuk membuat hasil diagnosis menjadi sangat valid, maka data gejala yang dimasukan kedalam sistem pendukung keputusan adalah suatu data gejala, harus lengkap artinya gejala-gejala yang bisa mengarah ke suatu penyakit tersebut harus dimasukan secara lengkap, karena kesimpulan hasil diagnosis (persentase) yang ditampilkan dihitung secara otomatis oleh sistem dengan menggunakan k-means. Sehingga dari data gajala itulah, user bisa mengetahui penyakit tanaman apel apa yang diderita sehingga dapat di cari solusi penanganannya dan obat penyembuhnya dengan akurat.

DAFTAR PUSTAKA

  Davies, and Paul Beynon, Database Sistems Third Edition, Palgrave Macmillan, New

  Gambar 8. User interface data gejala penyakit York, 2004.

5 PENGUJIAN Dewi, Novaria Sari. 2015. Penetapan Kadar

  Vitamin C Dari Jus Buah Apel (Malus Berdasarkan pengujian yang telah

  Domestica Borkh.) Yang Berwarna Merah dilakukan sebanyak 3 kali percobaan seperti Dan Hijau Secara Titrasi Dengan 2,6- pada percobaan yang ke 3 lihat pada table Diklorofenol Indofenol Pada Beberapa pengujian. Adapun penjelasan dari setiap Interval Waktu. Unversitas Sumatera Utara, percobaan adalah sebagai berikut: Medan.

  1. Pada percobaan 1, peneliti mencoba jumlah data training pada datababse sebanyak 80 Han J, Kamber M. 2001. Data Mining Concepts data. Didapatkan hasil akurasi sebesar

  & Techniques. USA: Simon Fraser 55.00%. University Academic Press. Iko, Pramudiono. 2003. Pengantar Data Mining: Menambang Permata Pengetahuan Di Gunung Data.

  Moertini, Veronica. 2002. Data Mining Sebagai Solusi Bisnis. Munir, Rinaldi. 2006. Diktat Kuliah IF2153

  Edisi Keempat. Program Studi Teknik Informatika, Sekolah Tekniok Elektro dan Informatika. Institut Teknologi Bandung, Bandung.

  Santosa, Budi. 2007. Data Mining Teknik Pemanfaatan Data untuk Keperluan Bisnis.

  GrahaIlmu, Yogyakarta. Suyanto. 2007. Artifiacial Intelligence

  Searching Reasoning Planning and Learning . Penerbit Informatika. Bandung.