Implementasi Metode Fuzzy K-Nearest Neighbor Untuk Klasifikasi Penyakit Tanaman Kedelai Pada Citra Daun
Vol. 2, No. 6, Juni 2018, hlm. 2381-2389 http://j-ptiik.ub.ac.id
Implementasi Metode Fuzzy K-Nearest Neighbor Untuk Klasifikasi
Penyakit Tanaman Kedelai Pada Citra Daun
1 2 3 Yerry Anggoro , Budi Darma Setiawan , Putra Pandu AdikaraProgram Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya 1 2 3 Email: yerryanggoro2403@gmail.com, s.budidarma@ub.ac.id, adikara.putra@ub.ac.id
Abstrak
Kebutuhan protein sangatlah penting bagi tubuh manusia, salah satunya adalah kedelai yang merupakan sumber protein nabati. Selain jagung dan beras, kedelai merupakan komoditi pangan utama di Indonesia. Akan tetapi produksi kedelai dalam negeri belum memenuhi permintaan secara baik. Produksi kedelai di tingkat petani sebenarnya masih bisa ditingkatkan melalui inovasi teknologi, salah satunya yaitu mendeteksi penyakit tanaman kedelai pada daun dengan metode Fuzzy K-Nearest
Neighbor dan segmentasi menggunakan metode Otsu. Citra diproses dengan metode Otsu untuk
memisahkan bagian yang berpenyakit dengan bagian yang tidak berpenyakit lalu melakukan pengklasifikasian dengan metode Fuzzy K-Nearest Neighbor untuk menentukan penyakit karat daun,
Downy Mildew , dan pustul bakteri. Terdapat empat pengujian yaitu pengujian perbandingan data latih
dan data uji dengan akurasi tertingi pada perbandingan 90:10 dengan jumlah 54 data latih dan 6 data uji sebesar 100%, pengujian terhadap nilai Threshold dengan T=10 menghasilkan akurasi 83,33%, pengujian terhadap nilai k=5 menghasilkan akurasi 83,33%, dan pengujian terhadap nilai m=2 dengan akurasi 83,33%.
Kata kunci: Otsu, Fuzzy K-Nearest Neighbor, kedelai.
Abstract
Protein is one of essential thing to the human body, there are many source of protein and one of itis a soy which is nabati protein source. besides corn and rice, soy is the main food commodities in
Indonesia. However, domestic production of soybean has not been enough to fulfil the necessity.
Soybean production at the level of actual farmers could still be enhanced through technological
innovation, one of that is to detect plant disease of soybeans on the leaves by the method of Fuzzy K-
Nearest Neighbor and the segmentation using the method of Otsu. The image processed with the
method of Otsu to separate parts that are diseased with parts that are not diseased and then do a
classification by the method of Fuzzy K-Nearest Neighbor to determine leaf rust disease, Downy
Mildew, and bacterial pustule. There are four tests such as test comparison data training and test
data with the highest accuracy in comparison with a total of 90:10 54 training data and test data of 6
100%, testing against the values of Threshold with T = 10 generates 83,33% accuracy, testing against
the values of k = 5 generates 83,33%, accuracy and testing against the values m = 2 with accuracy of
83,33%.Keywords: Otsu, Fuzzy K-Nearest Neighbor, soybean.
Meningkatnya kebutuhan kedelai dari 1. tahun ke tahun mengakibatkan masyarakat
PENDAHULUAN
Indonesia sangat membutuhkan kedelai. Hal ini Kedelai (Glycine max L. Merril) dikarenakan meningkatnya jumlah penduduk merupakan salah satu dari tiga komoditas dan kesadaran akan kebutuhan protein. tanaman pangan setelah padi dan jagung di
Berdasarkan angka ramalan II Badan Pusat Indonesia. Kedelai sebagai sumber protein
Statistik (BPS) tahun 2015, kemampuan nabati penting yang harganya relatif murah, produksi dalam negeri akan kebutuhan kedelai sehingga dapat dijangkau oleh seluruh lapisan baru terpenuhi sebanyak 982.967 ton (44,68%) masyarakat (Putri Setya Rahmita, Syamsuddin dan sebesar 53,32% terpenuhi lewat impor yang Djauhari, 2015).
Fakultas Ilmu Komputer Universitas Brawijaya
2381
- –rata kebutuhan kedelai setiap tahunnya sebanyak ± 2,2 juta ton biji kering. Hal ini mengakibatkan kerugian bagi Indonesia antara lain, mengurangi kesempatan kerja dan meningkatnya ketergantungan jangka panjang, hilangnya devisa negara yang cukup besar sehingga mempengaruhi sistem ketahanan pangan nasional (Kementerian Pertanian, 2015).
- –Based Learning. Algoritme
dengan melakukan klasifikasi terhadap objek berdasarkan data pembelajaran yang jaraknya paling dekat dengan objek tersebut. Salah satu penerapan penelitian yang menggunakan metode K-Nearest Neighbor untuk pengklasifikasian penyakit tanaman jeruk keprok dengan citra daun. Dalam penelitian ini, metode K-Nearest Neighbor (KNN) dipakai untuk klasifikasi data uji yaitu daun jeruk sebagai objeknya dan hasil dari penelitian tersebut adalah identifikasi penyakit tanaman jeruk dengan akurasi mencapai 96,67% (Priambodo, 2015).
diskriminan yaitu menentukan suatu variabel yang dapat membedakan antara dua atau lebih kelompok yang muncul secara alami. Analisis diskriminan akan memaksimumkan variabel tersebut agar dapat membagi objek latar depan
Otsu adalah dengan melakukan analisis
Pendekatan yang dilakukan oleh metode
2.1 Metode Otsu
klasifikasi penyakit tanaman kedelai. Dengan penerapan metode ini diharapkan akan menghasilkan akurasi yang lebih tinggi daripada penelitian yang sudah ada. Berdasarkan latar belakang yang telah dijelaskan di atas, maka penulis mengambil j udul untuk skripsi ini adalah “Implementasi Metode Fuzzy K-Nearest Neighbor untuk Klasifikasi Penyakit Tanaman Kedelai pada Citra Daun” 2.
Fuzzy K-Nearest Neighbor (FK-NN) untuk
Oleh karena itu, pada skripsi ini penulis mencoba mengimplementasikan algoritme
Nearest Neighbor (K-NN atau KNN) dilakukan
mana rata
generalisasi di luar data pelatihan tertunda sampai permintaan dibuat untuk sistem. KNN dilakukan dengan mencari kelompok k objek dalam data latih yang paling dekat (mirip) dengan objek pada data baru atau data uji (Ndaumanu & Arief, 2014). Algoritme K-
Learning , yaitu metode belajar dimana
ini juga merupakan salah satu teknik Lazy
lainnya. K-Nearest Neighbor (KNN) merupakan metode klasifikasi termasuk kelompok Instance
Neighbor (KNN), ID3, Naïve Bayes dan metode
Salah satu penerapan teknologi informasi dan komunikasi di bidang pertanian yaitu dapat digunakan sebagai alat bantu klasifikasi penyakit tanaman kedelai. Klasifikasi merupakan suatu proses penggabungan atau pengelompokan dua atau lebih data sesuai dengan kesamaan suatu kriteria tertentu. Metode klasifikasi Data Mining yang biasa digunakan antara lain metode C4.5, K-Nearest
Cara untuk mengidentifikasi penyakit pada tanaman kedelai, sebagian besar dilakukan oleh petani kedelai hanya dengan mengamati pada tampilan luar tanaman. Oleh karena pengamatan dilakukan dengan mata telanjang, maka penyakit tanaman kedelai sering kali tidak teridentifikasi dengan akurat sehingga menyebabkan penyakit yang lebih serius pada tanaman. Identifikasi yang benar perlu dilakukan untuk tindakan pencegahan dan pengobatan pada penyakit. Dengan menerapkan teknologi informasi dan komunikasi di bidang pertanian, seharusnya masalah seperti ini dapat ditangani.
Rendahnya kualitas hasil kedelai di Indonesia merupakan masalah utama petani Indonesia, selain pengolahan kedelai, pembudidayaan dan proses tanam kedelai juga merupakan tantangan. Usaha peningkatan produktivitas kedelai tidak terlepas dari berbagai kendala, antara lain adanya gangguan hama dan penyakit pada proses penanaman dan pembudidayaan kedelai. Serangan hama adalah salah satu ancaman dalam meningkatkan produksi kedelai. Ada 266 jenis serangga yang berasosiasi dengan tanaman kedelai di Indonesia, yang terdiri 61 jenis serangga predator, 41 jenis serangga parasit, 111 jenis hama dan 53 jenis serangga (Okada et al. 1988 dalam Marwoto, 2008). Dari 111 jenis serangga hama, 50 jenis tergolong hama perusak daun, namun yang berstatus hama penting hanya 9 jenis (Arifin dan Sunihardi 1997 dalam Marwoto, 2008). Berdasarkan hasil identifikasi terhadap 9 jenis serangga hama pemakan daun, ulat grayak (Spodoptera litura) merupakan salah satu jenis hama pemakan daun yang sangat penting. Beberapa penyakit tanaman kedelai dapat dideteksi melalui gejala yang ditampakkan pada daun seperti penyakit karat daun, pustul bakteri, Downy Mildew, dan beberapa penyakit daun lainnya.
DASAR TEORI
(foreground) dan latar belakang (background).
10
dalam K tetangga pada kelas c i , nilainya 1 jika data latih xk milik kelas c i atau 0 jika bukan milik kelas
c i d(x, y) : jarak dari data x ke data y dalam K
tetangga terdekat
m : bobot pangkat (weight exponent),
yang besarnya m > 1 Untuk mencari nilai Red, Green, Blue dari sebuah citra dengan metode Otsu, hal yang pertama dilakukan adalah mencari tingkat keabuan ke-i yaitu y1 dan y2 yang difungsikan di Persamaan 6 dan Persamaan 7.
Dari nilai y1 dan y2 yang diterapkan pada metode Otsu, maka didapatkan dua nilai
Threshold (T1 dan T2). Dengan tujuan untuk
meminimalkan noise yang terdapat pada citra, maka proses segmentasi juga perlu dimodifikasi dengan fungsi sebagai berikut:
= { (0,0,0)
10
2
2
1
digunakan
1 T y dan T y
10
2
2
10
1
1 T y dan T y
(9) Yang mana P r adalah nilai Red, Green, dan
Blue (RGB) disetiap piksel asli pada citra, dan 10 adalah peubah nilai Threshold (T1 dan T2).
3.
PERANCANGAN DANIMPLEMENTASI Preprocessing citra
Sebuah citra daun kedelai berukuran 8x8 piksel, setiap piksel citra dibuat sebuah matrik R, G, B.
Gambar 1 Contoh citra asli
u(x k ,c i ) : nilai keanggotaan data tetangga
u(x, ) : nilai keanggotaan data x ke kelas c i K : jumlah tetangga terdekat yang
Formulasi dari metode Otsu adalah dengan melibatkan nilai ambang yang akan dicari dari suatu citra gray level dinyatakan dengan k. Nilai
= ∑ . =1
k berkisar antara 0 sampai dengan L, dengan
nilai L = 255. Probabilitas setiap pixel pada level ke i dapat dinyatakan pada persamaan 1.
P i = n i/ N (1)
Yang mana:
Pi adalah probabilitas pixel ke-i, ni
menyatakan jumlah piksel pada level ke i, N menyatakan total jumlah piksel pada citra. Nilai
Zeroth cumulative moment, First cumulative moment dan total nilai rata-rata berturut-turut
dapat dinyatakan dengan rumus berikut.
( ) = ∑ =1
(2)
( ) = ∑ . =1
(3)
(4) Yang mana: ( ) adalah Momen Kumulatif ke-0 ( ) adalah Momen Kumulatif ke-1 adalah nilai rata-rata
(8) Yang mana :
Nilai ambang k dapat diperoleh dengan menggunakan persamaan
2 (k)
=
[ ( )− ( )]
2 ( )[1− ( )]
(5) Untuk mencari nilai Red, Green, Blue dari sebuah citra dengan metode Otsu, hal yang pertama dilakukan adalah yaitu mencari tingkat keabuan ke-i yaitu y1 dan y2 yang difungsikan di persamaan
y1=2G-R-B (6) y2=2R-G-B (7)
Metode Fuzzy K-Nearest Neighbor (FK- NN) diperkenalkan oleh Keller et all (1985) dengan mengembangkan K-NN yang digabungkan dengan teori Fuzzy dalam menyampaikan definisi pemberian label kelas pada data uji yang diprediksi. Seperti halnya pada teori Fuzzy, sebuah data mempunyai nilai keanggotaan pada setiap kelas yang artinya sebuah data bisa dimiliki oleh kelas yang berbeda dengan nilai derajat keanggotaan dalam interval [0,1].
Rumus yang digunakan adalah :
u(x
,
) =∑ ( , )∗ ( , ) ( −2 ( −1))
=1 ∑ ( , )
−2 ( −1) =1
2.2 Fuzzy K-Nearest Neighbor
- – R – B = 2*188
- – 157 – 144 = 75
42
54
51
27
4
25
30
43
30
36
17
25
28
30
27
46
17
6
32
4
7
5
1
8
23
27
2
12
8
23
41
49
44
27
18
25
y2 = 2R
=1 (1) = ∑ 0. (
= ∑ .
=1 = ∑ 0. (
64 256 =1
) =
Kemudian menghitung Momen Kumulatif ke-1 cara perhitungan Momen Kumulatif ke-1 berdasarkan contoh dibawah ini.
( ) = ∑ .
64
threshold 2 (t2) dapat dihitung.
1 =1 ) = 0
Maka, saat warna ke-0 dari perhitungan
ni1 mengasilkan nilai total dan nilai kumulatif
ke-1 yang sama yaitu 0. Untuk keseluruhan perhitungan nilai total rata-rata dan Nilai Momen Kumulatif ke-1 berdasarkan hasil perhitungan ni1 ditunjukkan pada tabel 5.
Tabel 5.Nilai momen kumuliatif ke-1 berdasarkan ni1 0 1 ….. 21 22 ….. ...... ..... 255 0 0
….. 0,3 0,7 …... ..... ..... 55,0
Perhitungan pertama adalah menghitung nilai total rata-rata dan , cara perhitungan nilai rata-rata berdasarkan contoh dibawah ini.
Langkah berikutnya adalah mencari nilai total rata-rata dengan menggunakan persamaan 4, nilai Momen Kumulatif ke-0 dengan persamaan 2, nilai Momen Kumulatif ke-1 dengan persamaan 3. Setelah semua diketahui, maka barulah nilai threshold1 (t1) dan
25
Untuk menghitung nilai ni2 (histogram2) yaitu dengan menghitung jumlah frekuensi piksel yang digunakan di perhitungan y2 untuk perhitungan ni2 (histogram2) ditunjukkan pada tabel 4.
20
13
6 Untuk mencari nilai ni1 (histogram1) yaitu
dengan menghitung frekuensi piksel yang digunakan oleh perhitungan y1 Untuk hasil perhitungan ni1 (histogram1) ditunjukkan pada tabel 3.
Tabel 3 Nilai ni1
1 ….. 21 22 ..... ...... ...... ..... 255 ….. 1 1 ..... ..... ..... .....
Tabel 4 Nilai ni2
2 1 ..... ..... .....
1
2
3
4 5 ...... ...... ..... 255
24
1
1
Tabel 2 Nilai y2
perhitungan y1, untuk y1 yang bernilai lebih kecil daripada 0, maka dibulatkan menjadi 0, dan untuk y1 yang bernilai lebih besar dari pada 255 maka dibulatkan menjadi 255. Normalisasi ini juga berlaku untuk perhitungan y2. Untuk mencari nilai y2 menggunakan persamaan 7.
Dari Tabel 5 adalah diketahiu bahwa total rata-rata adalah 34,2. Dengan perhitungan yang sama didapat Total Rata-rata berdasarkan hasil
47
53
61
65
72
64
59
35
58
39
48
61
69
42
47
55
65
22
Tabel 1 Nilai y1
Dari sebuah gambar, akan diketahui nilai
red, green, blue dari citra tersebut, dari nilai
tersebut maka dilakukan proses untuk memperbaiki citra yaitu dengan thresholding dengan menggunakan metode Otsu. Pada gambar diketahui piksel pertama memiliki nilai
red
157, green 188, dan blue 144. Perhitungan ini berlaku untuk keseluruhan piksel citra. Apabila sebuaj citra terdiri dari 36 piksel, maka terdapat 36 nilai red, green, dan blue yang diketahui. Langkah pertama yaitu intuk mencari nilai y1 dan y2 sesuai persamaan 6.
y1 = 2G
75
72
73
70
70
68
69
72
73
32
26
84 Tabel 1 merupakan hasil dari normalisasi
78
49
45
48
51
60
72
52
75
52
53
58
60
71
79
52
65
39
24
56
69
56
45
28
21
39
47
58
73
49
45
36
31
36
- – G – B = 2*157
- –188–144 = -18
perhitungan adalah 55,0. Langkah Dari citra yang telah dibuat menjadi bentuk
ni2
berikutnya adalah menghitung nilai Momen Otsu , maka citra tersebut diekstraksi nilai red, Kumulatif ke-0 berdasarkan hasil perhitungan green, dan blue dengan membagi nilai warna . Sebagai contoh perhitungan ditunjukkan dengan jumlah piksel.
ni1 dibawah ini.
( ) = ∑ =1
1
1 (21) = ∑ ( ) =1
64 = 0,02 Tabel 6 Nilai Momen Kumulatif ke-0 berdasarkan ni1
Gambar 2 Contoh citra Otsu
1 2 .... .... 255 ….. 21 Rata-rata R= 0,03 .... ....
1 ….. 0,02 (158+161+165+148+184+168+167+162+155+146+165+167+142+140+134+154+179+
- 147+96+101+93+140+183+159+128+141+118+146+166+173+186+167)
32 =151
Tabel 6 adalah hasil perhitungan Nilai Momen Kumulatif ke-0 berdasarkan ni1.
Rata-rata G=
Dengan persamaan dan perhitungan juga dapat (175+174+173+157+193+185+175+167+160+153+174+175+139+134+132+159+190+148+87+
90+89+147+198+163+122+132+118+157+178+177+190+177)
diketahui Nilai Momen Kumulatif ke-0
32 =155
berdasarkan ni2. Setelah mendapatkan nilai total rata-rata, nilai Momen Kumulatif ke-0,
Rata-rata B= (133+131+132+114+150+143+136+127+120+111+131+136+104+100+94+119+148+
dan nilai Momen Kumulatif ke-1, maka
114+56+58+54+106+155+128+90+99+82+117+142+142+155+140
32
perhitungan varian, maksimum varian, dan nilai
=117 threshold dapat dilakukan. Berikut contoh
Dengan cara yang sama, gunakan beberapa perhitungan varian saat warna ke-0 dari hasil nilai total rata-rata, nilai Momen Kumulatif ke- data dan ambil nilai fitur, red, green, dan blue seperti pada Tabel 7 .
1.
2 [55,0∗0,02−0,3]
2 Tabel 7 Data Latih (k) =
0,02[1−0,02] Data
= 18 Lat R G B KELAS
Dan berikut contoh perhitungan varian saat
1 137 138
62
1
warna ke-0 dari hasil nilai total rata-rata, nilai
2 167 166
80
1 Momen Kumulatif ke-0. 3 182 185
90
1
2 [15,0∗0,4−0]
…. …. …. …. …
2 (k) =
0,4[1−0,4] 14 107 112
61
2 = 134,44
15 154 141 105
2 … … … … …
Hasil keseluruhan dari perhitungan dari
28 139 132
54
3
keduanya akan dibuat tabel yang nantinya dicari
29 151 138
54
3
nilai varian terbesar yang akan menjadi t1 dan
30 146 132
53
3 t2. T1 berada pada piksel ke-53 dan t2 berada
pada piksel ke-17. Setelah nilai t1 dan t2 Masuk ke kelas apakah data dengan fitur didapatkan, maka nilai t1 dan t2 ditambahkan
R= 151, G= 155, B=117. Untuk langkah dan dikurangkan dengan nilai peubah Threshold pertama adalah mencari jarak euclidean dengan yang pada perhitungan ini menggunakan nilai persamaan berikut: 10 dan didapat dilai t1 baru 63 dan t2 baru 7.
2 D(x,y)= ( − ) √∑ =1
Kemudian akan dibandingkan dengan nilai
2
2
2 = y1 dan nilai y2. Nilai Red, Green, Blue piksel √(151 − 137) (155 − 138) (117 − 62)
pertama akan akan bernilai tetap jika t1 lebih
= ,
besar dari y1, dan nilai t2 lebih kecil daripada Sehingga didapat nilai euclidean sepeti di tabel
y2 pada piksel pertama. jika kondisi tersebut
tidak terpenuhi maka nilai Red, Green, Blue akan diubah menjadi 0.
keanggotaan data kedalam kelas, nilainya 1 jika jarak milik kelas 3 dan 0 jika jarak milik kelas 1 atau 2.
1
1 Pada tabel 10 diatas nilai u adalah nilai
59.24525
3
55.92853
1 .... .... .... .... .... .... .... .... .... .... .... 0,57 .... .... ....
2
27.47726
2
18.68154
Tabel 10 Nilai keanggotaan kelas 2 Jarak Kelas u(kelas1) Nilai Keanggotaan
- 1∗27,4773
- 0∗29,5804
- ⋯+
- 0∗59,2453
- 27,4773
- 29,5804
- ⋯+
- 59,2453
−2 (2−1) = 0,34
−2 (2−1)
−2 (2−1)
−2 (2−1)
−2 (2−1) 18,6815
−2 (2−1)
keanggotaan data kedalam kelas, nilainya 1 jika jarak milik kelas 2 dan 0 jika jarak milik kelas 1 atau 3. Selanjutnya menghitung nilai keanggotaan data terhadap kelas 3.
2 )=
u(x ,
2
1 Pada tabel 11 diatas nilai u adalah nilai
59.24525
1
3
55.92853
2 .... .... .... .... .... .... .... .... .... .... .... 0,03 .... .... ....
27.47726
18.68154
1∗18,6815 −2 (2−1)
Jarak Kelas u(kelas1) Nilai Keanggotaan
−2 (2−1) = 0,57 Tabel 11 Nilai keanggotaan kelas 3
−2 (2−1)
−2 (2−1)
−2 (2−1)
−2 (2−1) 18,6815
−2 (2−1)
−2 (2−1)
−2 (2−1)
0∗18,6815 −2 (2−1)
1 ) =
29
3 30 68.19091
18
3 29 65.25335
21
2 … … … … 28 68.13222
1
2 15 18.68154
1 … … … … 14 83.19255
3 Kemudian hasil tersebut diurutkan berdasarkan rank min distance terendah.
10
1 3 50.89204
7
1 2 41.78516
15
1 59.24525
Tabel 8 Jarak terhadap data latih Data Latih jarak rank min distance kelas
22
Kemudian dihitung nilai derajat keanggotaan berdasarkan K yang telah ditentukan, semisal nilak k adalah 15.
u(x ,
3
1 menggunakan persamaan 8.
keanggotaan data kedalam kelas, nilainya 1 jika jarak milik kelas 1 dan 0 jika jarak milik kelas 2 atau 3 selanjutnya menghitung nilai keanggotaan data terhadap kelas
1 Pada tabel 9 diatas nilai u adalah nilai
1
59.24525
3
55.92853
54.79051
Tabel 9 Nilai keanggotaan kelas 1 Jarak Kelas u
1 …………. ………… ………. …………. …………. …………. …………. …………. …………. …………. …………. ………….
1
29.5804
2
27.47726
2
18.68154
(kelas1) Nilai Keanggotaan
- 0∗27,4773
- 1∗29,5804
- ⋯+
- 1∗59,2453
- 27,4773
- 29,5804
- ⋯+
- 59,2453
- 0∗27,4773
- 0∗29,5804
- ⋯+
- 0∗59,2453
- 27,4773
- 29,5804
- ⋯+
- 59,2453
Gambar 3 Pengujian terhadap perbandingan data latih dan data uji
klasifikasi citra sehingga klasifikasi yang dihasilkan memiliki akurasi yang tinggi.
4. Pengujian terhadap nilai m.
Pengujian ini bertujuan untuk mencari nilai
m yang paling optimal untuk proses
klasifikasi citra sehinggan klasifikasi yang dihasilkan memiliki akurasi yang tinggi.
Hasil pengujian dilakukan berdasarkan pada skenario pengujian yang telah dibuat kemudian dianalisis.
Pada Gambar 3 terlihat grafik garis semakin menurun yang menghubungkan semua skenario perbandingan data latih dan data uji. Perbandingan pertama yaitu 90:10 yaitu dengan komposisi 54 data latih dan 6 data uji menghasilkan rata-rata akurasi sebesar 93,33%, perbandingan kedua dengan komposisi 48 data latih dan 12 data uji menghasilkan akurasi rata- rata sebesar 89,89%, perbandingan ketiga dengan komposisi 42 data latih dan 18 data uji menghasilkan akurasi rata-rata sebesar 83,33%, perbandingan keempat dengan komposisi 36 data latih dan 24 data uji menghasilkan akurasi rata-rata sebesar 82,49% dan perbandingan skenario pengujian terkahir dengan jumlah komposisi data latih dan data uji masing- masing 50 menghasilkan rata-rata akurasi sebesar 64,66%. Berdasarkan gambar didapatkan kesimpulan bahwa akurasi tertinggi didapatkan saat pengujian pertama dan kedua yaitu dengan perbandingan 90:10.
Pengujian ini bertujuan untuk mencari nilai
Berdasarkan Gambar 3, perbedaan akurasi yang dihasilkan dipengaruhi oleh perbandingan data latih dan data uji, semakin banyak data latih dan semakin sedikit data uji, maka akurasi yang dihasilkan semakin tinggi. Sebaliknya, semakin sedikit data latih dan semakin banyak data uji maka akurasi yang dihasilkan semakin rendah.
Hal ini disebabkan karena proses pelatihan menggunakan banyak data sehingga variasi hasil latih yang didapatkan lebih beragam sehingga memudahkan pada proses pengujian yang menggunakan data lebih sedikit dalam memutuskan klasifikasi data citra sehingga akurasi yang dihasilkan tinggi.
93,332 89,894 83,33 82,496 64,664 50 100
90:10 80:20 70:30 60:40 50:50 Akurasi
4. PENGUJIAN DAN ANALISIS
4.1 Skenario Pengujian
k yang paling optimal untuk proses
3. Pengujian terhadap nilai k.
u(x ,
−2 (2−1)
3 )=
0∗18,6815 −2 (2−1)
−2 (2−1)
−2 (2−1)
−2 (2−1) 18,6815
−2 (2−1)
−2 (2−1)
preprocessing sehingga menghasilkan akurasi terbaik.
−2 (2−1) = 0,03
Untuk data uji diperoleh nilai keanggotaan pada kelas 1 sebesar 0.34, nilai keanggotaan pada kelas 2 sebesar 0.57 dan nilai keanggotaan pada kelas 3 sebesar 0.03. Nilai keanggotaan terbesar dipilih sebagai kelas target yaitu kelas 2 atau penyakit karat daun, sehingga data uji masuk kedalam kelas target.
Pengujian sistem meliputi beberapa skenario yaitu :
1. Pengujian terhadap perbandingan data latih dan data uji.
Pengujian ini bertujuan untuk mengetahui perbandingan data latih dan data uji yang optimal dari data.
2. Pengujian terhadap nilai peubah threshold.
Peubah threshold (T) adalah variabel yang digunakan pada preprocessing citra dengan metode Otsu. Pengujian ini bertujuan untuk mencari nilai peubah threshold (T) yang paling optimal untuk proses
4.2 Hasil Pengujian
Gambar 4 Pengujian terhadap nila threshold (T)
25 pengujian K
70
75
80
85
3
5
7
10
15
20
82,218 83,33 82,21882,21882,21882,218 82,218
77,772 83,33 83,33 81,106 78,884
81
82
83
84
1
2
3
4
6
8
76,662 77,774
60 80 100 pengujian T
Gambar 4 menunjukkan garis semakin menurun pada tiap pengujian. Skenario pengujian pertama mendapatkan 83,33% sebagai rata-rata akurasi, skenario pengujian kedua medapatkan rata-rata akurasi sebesar 81,1%, skenario pengujian ketiga memiliki rata- rata akurasi yang sama dengan skenario kedua yaitu 82,21%, kemudian skenario berikutnya dengan nilai T=60 mendapatkan rata-rata akurasi sebesar 74,44%, untuk skenario pengujian dengan nilai T=80 mempunyai rata- rata akurasi sebesar 71,1% dan skenario pengujian terakhir dengan nilai T= 100 mendapatkan rata-rata akurasi terendah yaitu 71,1%.
Dari hasil uji dan analisis yang telah dilakukan terhadap klasifikasi penyakit tanaman kedelai menggunakan metode Fuzzy K-Nearest
Dari Gambar 4 dapat disimpulkan bahwa semakin besar T, maka akurasi yang dihasilkan semakin rendah. Hal ini disebabkan semakin besar T, maka nilai pembanding histogram akan semakin besar yang menyebabkan terbentuknya banyak noise sehingga banyak bagian citra tidak terdeteksi atau terdeteksi salah.
Gambar 5 Pengujian terhadap nilai k
Gambar 5 menunjukkan grafik naik pada nilai k 3 dengan akurasi 77,77% dan k 5 dan 7 dengan akurasi 83,33%, kemudian k 10 dengan akurasi 81,1% dan grafik menurun pada k selanjutanya yaitu 15, 20, dan 25 dengan nilai akurasi 78,88%, 76,66% dan 77,77%. Hasil pengujian yang didapatkan pada pengujian terhadap nilai k terhadap tingkat akurasi yaitu semakin bertambahnya nilai k, maka akurasi yang didapatkan semakin menurun dan stabil pada nilai k tertentu. Hal ini disebabkan rentang kelas pada k yang semakin banyak memberikan pengaruh besar pada penentuan prediksi klasifikasi dan nilai keanggotaan yang digunakan untuk penentuan kelas target pada penelitian kemudian akurasi yang dihasilkan oleh nilai k yang berdekatan cenderung stagnan, hal ini disebabkan persebaran nilai fitur pada data, untuk data yang berdekatan lebih sering memiliki kelas yang sama sehingga mempengaruhi nilai derajat keanggotaan.
Gambar 6 Pengujian terhadap nilai m
Pada Gambar 6 diketahui bahwa m=1 mempunyai akurasi 82,21%, lalu dengan m 3,4,6,8,10 dengan akurasi 82,21% dan yang tertinggi adalah m=2dengan akurasi 83,33%. Pada pengujian terhadap nilai m, nilai m pada proses pengklasifikasian menggunakan metode
Fuzzy K-Nearest Neighbor tidak berpengaruh
langsung terhadap nilai akurasi, namun berpengaruh pada nilai derajat keanggotaan tiap-tiap data uji terhadap masing-masing kelas. Variabel m merupakan bobot pangkat yang digunakan untuk mengetahui seberapa besar jarak antar tetangga ketika menghitung pengaruh tetangga pada nilai keanggotaan. Nilai
m yang semakin besar akan membuat nilai
keanggotaan semakin rendah, sehingga berpengaruh pada penentuan hasil kelas klasifikasi penyakit kedelai berdasarkan citra daun dimana hasil klasifikasi tersebut yang mempengaruhi hasil klasifikasi.
5. KESIMPULAN
Neighbor , dapat diambil kesimpulan
40
diantaranya ialah:
83,33 81,106 82,216 74,44 71,108 71,108
60
65
70
75
80
85
10
20
10 pengujian m Umam, M. S. 2015. Implementasi Metode Learning Vector Quantization (LVQ) untuk Identifikasi Penyakit Pada Citra Daun Tanaman Kedelai.
Citra Digital. 1st penyunt. Yogyakarta: Andi.
Nearest Neighbor untuk Identifikasi
Data, (Santika), 57 –60. Priambodo, A. 2015. Implementasi Metode K-
Neighbor in Every Class untuk Klasifikasi
Pembangunan, U., Veteran, N., Timur, J., & Neighbor, K. 2012. Fuzzy K-Nearest
Nugraha, R. R. 2012. Penerapan Logika Fuzzy untuk Menghitung Uang Saku Perhari, (13511014). Prasetyo, E., Informatika, J. T., Industri, F. T.,
Ndaumanu, R. I., & Arief, M. R. 2014. Analisis Prediksi Tingkat Pengunduran Diri Mahasiswa dengan Metode K-Nearest Neighbor , 1(1).
T. R. 2015. Efektivitas Daun Sirih (Piperb Bitle), Daun Salam (Syzygium polyanthum WIGH WALP), Buah Pinang (Areca catechu) dan Kulit Kayu Manis (Cinnamomum verum) Terhadap Perkembangan Penyakit Rebah Semai (Sclerotium olfsii SACC.) Pada Tanaman Kedelai (GLYCINE MAX), 3.
1. Algoritme Fuzzy K-Nearest Neighbor (FK-NN) dapat diterapkan pada data yang berupa citra daun kedelai. Terdapat dua proses utama yang dilakukan dalam penentuan klasifikasi tanaman kedelai berdasarkan daun, yaitu preprocessing citra dan proses klasifikasi. Proses
Sutoyo, S. T. et al., 2009. Teori Pengolahan
6. DAFTAR PUSTAKA
Yao, Q. et al., 2009. Application of Support
Yogyakarta: Andi. Putri Setya Rahmita, Syamsuddin Djauhari, B.
Vector Machine for Detecting Rice Diseases Using Shape and Color Texture Features. China: International Conference on Engineering Computation.
Budidaya Pertanian Fakultas Pertanian Universitas Padjadjaran , 1
Irwan, A. W. 2006. Budidaya Tanaman Kedelai (Glycine max (L.) Merill). Jurusan
Cancer Diagnosis with Microarray Gene Expression Data .
Hasan, O. (n.d.). A Fuzzy K-NN Approach for
faktor antara lain perbandingan antara jumlah data latih dan data uji, nilai threshold, nilai k, dan nilai m. Pada perbandingan data latih dan data uji, akurasi yang dihasilkan mencapai 100% dengan jumlah komposisi data latih lebih banyak dari pada data uji. Untuk pengujian terhadap nilai threshold , dari beberapa percobaan yang dilakukan didapat akurasi tertinggi pada nilai threshold 10 dengan akurasi mencapai 83,3%. Pada pengujian lain menggunakan nilai k, k terbaik adalah pada nilai 5 dengan akurasi yang dihasilkan adalah 83,3% dan pengujian terakhir adalah nilai pangkat m yang menghasilkan akurasi tertinggi pada m=2 yaitu mencapai 83,3%.
Neighbor (FK-NN) dipengaruhi oleh beberapa
2. Tingkat akurasi pada Fuzzy K-Nearest
bertujuan untuk memperbaiki kualitas citra sehingga akurasi yang dihasilkan pada proses klasifikasi bisa optimal. Selanjutnya proses klasifikasi melibatkan beberapa tahapan yaitu menentukan k sebagai tetangga terdekat yang kemudian dicari jarak antar data uji dan data latih, kemudian dicari nilai keanggotaan tiap-tiap kelas sehingga didapat kelas terdekat yang merupakan kelas target dari data uji yang baru.
preprocessing
Penyakit Tanaman Jeruk Keprok Berdasarkan Citra Daun. Putra, D. 2010. Pengolahan Citra Digital.
- –43. Kementerian Pertanian. 2015. Pengelolaan
Narendro, D. 2016. Klasifikasi Penyakit pada Citra Daun Apel Menggunakan Metode Fuzzy K-Nearest Neighbor .
Teknologi Pengendalian Ulat Grayak (Spodoptera Litura ). Jurnal Litbang
Jakarta: Kementrian Pertanian. Marwoto. 2008. Strategi dan Komponen
Pertanian. Kementrian Pertanian. 2013. Hama, Penyakit, dan Masalah Hara pada Tanaman Kedelai .
Produksi Kedelai dan Bantuan Pemerintah Tahun Anggaran 2016 . Jakarta: Kementrian
Pertanian , 27(4), 131 –136.