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 Adikara

  Program 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 it

is 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 DAN

  IMPLEMENTASI 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.