KLASIFIKASI TANAH HUMUS BERDASARKAN CITR

KLASIFIKASI TANAH HUMUS BERDASARKAN CITRA
RBG MENGGUNAKAN METODE K-NEAREST
NEIGHBOR (K-NN)
Danang Aji Bimantoro
Program Studi Teknik Informatika, Fakultas Sains dan Teknologi,
UIN Sunan Kalijaga Yogyakarta
e-mail : 13651060@student.uin-suka.ac.id

Abstrak
Tanah merupakan suatu elemen penting dalam kehidupan. Tanah memiliki jenis yang sangat beraneka
ragam dan terkadang beberapa orang awam bingung dalam membedakan jenis tanah tersebut,
terutama tanah humus yang sering digunakan untuk bercocok tanam ataupun berkebun. Dengan
klasifikasi yang dilakukan ini akan mempermudah membedakan khususnya tanah humus dengan jenis
tanah lain. Penelitian ini memanfaatkan fitur warna yang dimiliki tanah. Sedangkan untuk metode
klasifikasinya menggunakan K-Nearest Neighbor. Aplikasi klasifikasi dikembangkan dengan
menggunakan PHP5 dan MariaDB. Akurasi klasifikasi dengan presentase 67% data sampel dan 33%
data uji adalah 100%.
Kata kunci – K-Nearest Neighbor, tanah humus, citra RGB, image processing

I

1.

PENDAHULUAN

ndonesia merupakan negara terdiri dari jutaan gugusan pulau, dan tentunya banyak sekali
sekali kekayaan sumber daya alam didalamnya, mulai dari flora, fauna, hasil tambang, dan lain
sebagainya. Salah satu elemen kekayaan alam yang ada di Indonesia adalah tanah. Jenis tanah

yang berada di Indonesia sangatlah bervariasi, salah satunya adalah tanah humus. Tanah humus
merupakan tanah yang sangat subur, tanah ini terbentuk oleh pelapukan daun, batang pohon dan
bahan organik lainnya (seperti bangkai binatang). Bahan organik tersebut dirombak oleh organisme
dalam tanah. Tanah humus memiliki karakteristik yaitu berwarna coklat kehitaman, tanah ini banyak
mengandung senyawa fenol, asam karboksilat, dan alifatik hidroksida, tanah ini juga memiliki daya
serap air yang baik. Tanah ini sangat mudah ditemui di hutan hujan tropis yang lebat[1].
Tanah humus sangat baik untuk pertumbuhan tanaman, karena mengandung banyak senyawa yang
dibutuhkan tanaman. Namun terjadi problematika untuk menentukan apakah tanah tersebut termasuk
tanah humus atau bukan, munculah sebuah pertanyaan “Bagaimana menentukan suatu tanah termasuk

tanah humus atau tidak tanpa harus melakukan uji lab terlebih dahulu ?”. Salah satu solusi yang dapat
digunakan adalah melakukan klasifikasi tanah humus menggunakan metode K-Nearest Neighbor

memanfaatkan citra RGB dari tanah tersebut.

Klasifikasi adalah teknik data mining yang digunakan untuk memprediksi kategori dari objek yang
belum memiliki kategori. ada beberapa metode yang dapat digunakan, salah satunya adalah klasifikasi
yang secara langsung menggunakan data pembelajaran untuk menentukan kategori dari data baru
yang ingin ditentukan kategorinya. metode ini dikenal dengan nama K-Nearest Neighbor (K-NN).
Metode K-Nearest Neighbor merupakan metode yang banyak digunakan untuk klasifikasi.
Beberapa penelitian yang memanfaatkan metode K-NN untuk klasifikasi menunjukkan hasil yang
bagus, akurasi yang dihasilkan cukup akurat dikisaran 80% sampai 95%. Penelitian yang
menggunakan metode K-NN salah satunya adalah “Klasifikasi Daun dengan Perbaikan Fitur Citra

Menggunakan Metode K-Neares Neighbor” penelitian tersebut menggunakan ekstraksi fitur Invariant
Moment, dan hasil penelitian tersebut menunjukkan akurasi sebesar 86,67%. Penelitian lainnya yang
menggunakan metode K-NN adalah “Pengenalan Wajah Menggunakan K-Nearest Neighbor Dengan

Praproses Transformasi Wavelet”. Penelitian tersebut menggunakan praproses transformasi wavelet
untuk mendapatkan fitur yang dibutuhkan dari sebuah citra wajah, penelitian ini memiliki akurasi
sebesar 95 %.
Berdasarkan hasil dari beberapa penelitian yang menunjukkan akurasi yang cukup tinggi
menggunakan metode K-Nearest Neighbor, maka dalam penelitian kali ini diputuskan untuk

menggunakan metode tersebut sebagai metode untuk klasifikasi tanah humus.
2.

LANDASAN TEORI

Beberapa teori yang menjadi landasan dalam pengerjaan penelitian ini adalah sebagai berikut :

2.1. Pengolahan Citra
Pengolahan citra adalah pemrosesan citra atau image processing, khususnya dengan
menggunakan komputer menjadi citra yang kualitasnya lebih baik. Dengan kata lain
pengolahan citra adalah kegiatan memperbaiki kualitas citra agar mudah diinterpretasi oleh
manusia atau mesin (komputer)[2].

2.2. Representasi Warna
Representasi warna terdiri dari tiga unsur utama yaitu merah (red), hijau (green), dan biru

(blue). Gabungan tiga warna ini membentuk warna-warna lainnya berdasarkan intensitas dari
masing-masing warna tersebut dengan intesitas maksimal, dan warna hitam merupakan
gabungan dari ketiga warna tersebut dengan intensitas minimal.
Dalam penelitian ini menggunakan model warna RGB. Model warna RGB yang dapat

dinyatakan dalam bentuk indeks warna RGB dengan cara menormalisasi setiap komponen
warna dengan persamaan sebagai sebagai berikut[2]

2.3. Histogram Warna
Histogram warna atau color histogram adalah representasi distribusi warna dalam sebuah
gambar yang didapatkan dengan menghitung jumlah pixel dari setiap bagian range warna,
secara tipikal dalam dua dimensi atau tiga dimensi. Dalam pembuatan histogram, nilai RGB
mempunyai range dari 0 sampai 255 akan punya kemungkinan kombinasi warna sebesar
16777216 (didapat dari: 255 x 255 x 255)[2].

2.4. K-Nearest Neighbor (K-NN)
Algoritma K-Nearest Neighbor (K-NN) adalah sebuah metode untuk melakukan klasifikasi
terhadap objek berdasarkan data pembelajaran yang jaraknya paling dekat dengan objek
tersebut. Data pembelajaran diproyeksikan ke ruang berdimensi banyak, dimana masing –
masing dimensi merepresentasikan fitur dari data [3].

K-Nearest Neighbor termasuk kedalam metode yang menggunakan supervised learning.
Supervised learning merupakan algoritma yang bertujuan untuk menemukan pola baru dari
data dengan cara mengubungkan dengan pola data yang sudah ada.
Dalam metode K-Nearest Neighbor jarak yang digunakan adalah Euclidean Distance. Jarak

Euclidean adalah jarak yang paling umum digunakan pada data numerik.

3.

METODE PENELITIAN

Metodologi dalam pengerjaan penelitian ini adalah sebagai berikut :

Gambar 1 Diagram alur penelitian

3.1 Studi Literatur
Studi ini dilakukan untuk mengetahui fitur-fitur yang dimiliki oleh tanah secara
keseluruhan, studi ini menjadi landasan pemilihan fitur yang akan digunakan untuk proses
klasifikasi tanah humus. Berdasarkan studi yang sudah dilakukan setiap jenis tanah memiliki
warna yang berbeda-beda, oleh karena itu fitur yang digunakan adalah warna (RGB).
Selain studi tentang tanah, studi literatur yang dilakukan adalah studi tentang image

processing dan juga metode K-Nearest Neighbor.
3.2 Pra Proses
Proses ini adalah proses yang dilakukan sebelum melakukan proses klasifikasi. Didalam

praproses ini hal yang dilakukan adalah sebagai berikut :

2.1.1 Pengumpulan Data
Data yang dikumpulkan adalah citra tanah yang didapatkan dengan cara observasi
langsung ke lapangan. Dalam pengumpulan data ini terdapat standarisasi terhadap teknis
pengambilan citra, yaitu masalah alat, konfigurasi kamera, pencahayaan, dan waktu.

2.1.2 Pengolahan Citra

Pengolahan citra yang dilakukan adalah proses cropping, yaitu memotong citra menjadi
ukuran yang lebih kecil, tepatnya 300 x 300. Hal ini dilakukan agar proses klasifikasi tidak
memakan terlalu lama karena data pikses terlalu banyak.

2.1.3 Histogram Warna
Dalam tahapan ini dibuat histrogram warna dari citra untuk mendapatkan data warna
(RGB), yang sebenarnya akan digunakan dalam klasifikasi adalah data dari histrogram
warna ini.

3.3 Proses Klasifikasi Tanah Humus
Setelah mendapatkan data dari citra, proses yang selanjutnya dilakukan adalah melakukan

klasifikasi dengan menggunakan metode K-Nearest Neighbor. Alur dari pada klasifikasi ini
adalah sebagai berikut :
1. Menentukan parameter k (jumlah tetangga paling dekat).
2. Menghitung kuadrat jarak euclidean (euclidean distance) masing-masing obyek terhadap
data sampel yang diberikan.
3. Mengurutkan objek-objek tersebut ke dalam kelompok yang mempunyai jarak euclidean
terkecil.
4. Mengumpulkan kategori y (klasifikasi nearest neighbor)[4].

4.

HASIL DAN PEMBAHASAN

4.1 Pengumpulan Data
Data yang dikumpulkan adalah citra tanah yang didapatkan dengan cara observasi langsung
ke lapangan yaitu di daerah Dukuh, Gerbosari,Samigaluh, Kulon Progo). Data diambil dengan
menggunakan kamera smartphone 13 megapiksel dalam kurun waktu yang berdekatan.
Pengambilan data citra tanah ini dilakukan pada hari senin 24 Okbober 2016.
Hasil dari pengambilan data citra ini adalah sebagai berikut :

Gambar 2 Data citra tanah humus

Gambar 3 Data citra tanah nonhumus

4.2 Pengolahan Citra
Setelah didapatkan data citra, proses selanjutnya adalah pengolahan terhadap citra tersebut.
Dalam proses ini citra mengalami crop atau pemotongan. Pemotongan citra ini dilakukan
untuk memperkecil area dari citra tersebut sehingga komputasi yang dilakukan oleh mesin
akan lebih cepat.
Proses pemotongan citra dilakukan secara manual menggunakan aplikasi pengolah citra
(GIMP). Citra dipotong menjadi ukuran 300px * 300px dari ikuran aslinya yaitu 4192px *
3104px;

4.3 Histogram Warna
Citra yang sudah melewati proses pemotongan menjadi 300px * 300px selanjutnya akan
dilakukan ekstraksi fitur, yaitu menggunakan histogram warna. Proses ini akan menghasilkan
nilai R, G, dan B dari setiap citra. Untuk perhitungannya menggunakan rumus berikut :

Keterangan :
[R, G, B]

= Rata-rata nilai R,G, dan B

(R, G, B)i

= Nilai R, G, dan B pada piksel ke - i

n

= Jumlah keseluruhan piksel pada citra

Berikut ini adalah hasil dari ekstraksi fitur (histogram warna) dari citra yang sudah
dikumpulkan :

a.
No

1

2

3

4

5

6

7

Citra Tanah Humus
Citra

Nama File

Humus1.jpg

Humus2.jpg

Humus3.jpg

Humus4.jpg

Humus5.jpg

Humus6.jpg

Humus7.jpg

Rata-Rata Warna

Normalisasi Warna

R

101.1993

r

0.36579

G

89.9262

g

0.32505

B

85.5312

b

0.30916

R

141.3356

r

0.35873

G

128.2257

g

0.32545

B

124.4305

b

0.31582

R

129.5917

r

0.3655

G

116.1287

g

0.32753

B

108.8383

b

0.30697

R

155.0565

r

0.36299

G

142.5565

g

0.33372

B

129.5561

b

0.30329

R

105.0458

r

0.37494

G

91.8999

g

0.32802

B

83.2212

b

0.29704

R

165.0151

r

0.35239

G

155.2033

g

0.33144

B

148.0544

b

0.31617

R

114.1734

r

0.35696

G

106.6256

g

0.33336

B

99.0484

b

0.30967

No

Citra

Nama File

8

Humus8.jpg

9

Humus9.jpg

Rata-Rata Warna

Normalisasi Warna

R

184.3091

r

0.3818

G

169.19

g

0.35048

B

129.2445

b

0.26773

R

173.6228

r

0.41139

G

151.6987

g

0.35944

B

96.7218

b

0.22918

Tabel 1 Histogram warna citra tanah humus

b. Citra Tanah Nonhumus
No
1

2

3

4

5

Citra

Nama File
Nonhumus1.jpg

Nonhumus2.jpg

Nonhumus3.jpg

Nonhumus4.jpg

Nonhumus5.jpg

Rata-Rata Warna
R
169.2562

Normalisasi Warna
r
0.35674

G

155.8301

g

0.32844

B

149.3571

b

0.31480

R

198.3978

r

0.36039

G

186.0356

g

0.337940

B

166.0648

b

0.30166

R

205.8604

r

0.37202

G

190.1705

g

0.34367

B

157.318

b

0.28430

R

188.1455

r

0.35365

G

177.7445

g

0.3341

B

166.119

b

0.31224

R

192.7156

r

0.36776

G

176.3401

g

0.33651

B

154.9574

b

0.29571

No
6

7

8

Citra

Nama File
Nonhumus6.jpg

Nonhumus7.jpg

Nonhumus8.jpg

9
Nonhumus9.jpg
10
Nonhumus10.jpg
11
Nonhumus11.jpg

12

13

Nonhumus12.jpg

Nonhumus13.jpg

Rata-Rata Warna

Normalisasi Warna

R

206.4198

r

0.376039

G

189.7563

g

0.345683

B

152.7552

b

0.278277

R

221.4232

r

0.421893

G

190.9031

g

0.363741

B

112.5054

b

0.214364

R

237.1043

r

0.436702

G

181.4769

g

0.33424

B

124.3611

b

0.22905

R

239.3224

r

0.4615784

G

175.1001

g

0.337713

B

104.0645

b

0.200708

R

232.5235

r

0.444087

G

175.2208

g

0.334647

B

115.8536

b

0.221264

R

211.6816

r

0.405356

G

173.824

g

0.332861

B

136.7052

b

0.261781

R

197.4708

r

0.402625

G

162.6493

g

0.331627

B

130.3373

b

0.265746

R

221.9426

r

0.413550

G

180.184

g

0.335740

B

134.5494

b

0.250708

Tabel 2 Histogram warna citra tanah nonhumus

4.4 Klasifikasi K-Nearest Neighbor
Setelah mengetahui nilai R, G dan B dari proses ekstraksi fitur tahapan selanjutnya adalah
melakukan klasifikasi. Dalam penelitian ini proses metode K-Nearest Neighbor diterapkan
dalam bahasa pemrograman php, sehingga insfrastruktur yang dibutuhkan adalah web server,

PHP5, dan DBMS (Database Management System). Dalam penelitian ini, web server yang
digunakan adalah Apache2 dan DBMS yang digunakan adalah MariaDB.
Dalam penelitian ini, data yang sudah dikumpulkan akan dibagi menjadi dua, yaitu data
sampel dan data uji. Data sampel adalah data yang akan digunakan oleh K-Nearest Neighbor
sebagi referensi dalam melakukan klasifikasi, sedangkan data uji adalah data yang digunakan
untuk pengujian klasifikasi. Dari 22 data citra (9 humus dan 13 nonhumus) tidak akan
digunakan seluruhnya. Untuk penelitian ini akan menggunakan 10 data sample (5 humus dan 5
nonhumus) sebagai berikut :
Citra Tanah Humus

Citra Tanah Nonhumus

Humus1.jpg

Nonhumus2.jpg

Humus2.jpg

Nonhumus3.jpg

Humus3.jpg

Nonhumus7.jpg

Humus4.jpg

Nonhumus8.jpg

Humus5.jpg

Nonhumus10.jpg
Tabel 3 Daftar data sampel

Sedangkan data uji dalam penelitian ini menggunakan 5 data citra yang dipilih secara acak
dan bukan merupakan anggota data sampel. Data uji yang digunakan adalah sebagai berikut :
Citra Tanah

Jenis

Humus6.jpg

Humus

Humus7.jpg

Humus

Nonhumus9.jpg

Nonhumus

Nonhumus12.jpg

Nonhumus

Nonhumus13.jpg

Nonhumus
Tabel 4 Daftar data uji

Dari data dua tabel diatas dapat diketahui bahwa dalam penelitian ini persentase pembagian
data sampel 67% dan data uji 33%.

Berikut ini adalah tampilan dari aplikasi yang sudah dibuat untuk penelitian ini :

Gambar 4 Menu utama aplikasi

Gambar 5 Halaman manajemen data sampel (data training)

Gambar 6 Halaman pengujian data

Sebelum digunakan nilai dari masing-masing R, G, dan B sudah dibulatkan menjadi
bilangan bulat terlebih dahulu, berikut ini adalah data sampel yang digunakan:
Kode

Citra

R

G

B

Jenis

ds1

Humus1.jpg

101

90

86

Humus

ds2

Humus2.jpg

141

128

124

Humus

ds3

Humus3.jpg

130

116

109

Humus

ds4

Humus4.jpg

155

143

130

Humus

ds5

Humus5.jpg

105

92

83

Humus

ds6

Nonhumus2.jpg

198

186

166

Nonhumus

ds7

Nonhumus3.jpg

206

190

157

Nonhumus

ds8

Nonhumus7.jpg

221

191

113

Nonhumus

ds9

Nonhumus8.jpg

237

181

124

Nonhumus

ds10

Nonhumus10.jpg

233

175

116

Nonhumus

Tabel 5 Kode dan nilai warna data sampel
Data citra yang akan di lakukan pengujian adalah sebagai berikut :
Kode

Citra

R

G

B

Jenis

du1

humus6.jpg

165

155

148

humus

du2

nonhumus13.jpg

222

180

135

nonhumus

du3

humus7.jpg

114

107

99

humus

du4

nonhumus9.jpg

239

175

104

nonhumus

du5

nonhumus12.jpg

197

163

130

nonhumus

Tabel 6 Kode dan nilai warna pada data uji
Setelah dimiliki data sample dan data citra yang akan diuji, maka proses selanjutnya adalah
melakukan klasifikasi terhadap data uji, parameter K yang digunakan untuk klasifikasi ini
adalah 5. Berikut ini adalah proses klasifikasi dengan menggunakan K-Nearest Neighbor,
jarak yang ditampilkan dalam tabel dibawah adalah 5 jarak terdekat dengan data (sesuai
dengan parameter K yang digunakan).

a.

Data uji 1 (du1)
No

Data

Jarak

Jenis

1

du1 - ds4

23.83275058

humus

2

du1 - ds2

43.37049688

humus

3

du1 - ds6

48.72371086

nonhumus

4

du1 - ds7

54.65345369

nonhumus

5

du1 - ds3

65.32227798

humus

Data uji 1 (du1) = Humus
Tabel 7 data jarak terdekat data uji 1
b.

Data uji 2 (du2)
No

Data

Jarak

Jenis

1

du2 - ds9

18.62793601

nonhumus

2

du2 - ds10

22.5166605

nonhumus

3

du2 - ds8

24.61706725

nonhumus

4

du2 - ds7

28.98275349

nonhumus

5

du2 - ds6

39.66106403
Data uji 2 (du2) = Nonhumus

nonhumus

Tabel 8 data jarak terdekat data uji 2
c.

Data uji 3 (du3)
No

Data

Jarak

Jenis

1

du3 - ds3

20.90454496

humus

2

du3 - ds5

23.70653918

humus

3

du3 - ds1

25.03996805

humus

4

du3 - ds2

42.36744033

humus

5

du3 - ds4

62.75348596

humus

Data uji 3 (du3) = Humus
Tabel 9 data jarak terdekat data uji 3

d.

Data uji 4 (du4)
No

Data

Jarak

Jenis

1

du4 - ds10

13.41640786

nonhumus

2

du4 - ds9

20.97617696

nonhumus

3
4

du4 - ds8
du4 - ds7

25.70992026
64.21059103

nonhumus
nonhumus

5

du4 - ds6

75.13986958

nonhumus

Data uji 4 (du4) = Nonhumus
Tabel 10 data jarak terdekat data uji 4
e.

Data uji 5 (du5)
No

Data

Jarak

Jenis

1

du5 - ds7

39.23009049

nonhumus

2
3
4

du5 - ds10
du5 - ds8
du5 - ds6

40.44749683
40.60788101
42.73172124

nonhumus
nonhumus
nonhumus

5

du5 - ds9

44.27188724
Data uji 5 (du5) = Nonhumus

nonhumus

Tabel 11 data jarak terdekat data uji 5
hasil dari klasifikasi yang dilakukan terhadap data sampel adalah sebagai berikut :
Kode

Citra

Jenis

Hasil Klasifikasi

Status

du1

humus6.jpg

humus

humus

Benar

du2

nonhumus13.jpg

nonhumus

nonhumus

Benar

du3

humus7.jpg

humus

humus

Benar

du4

nonhumus9.jpg

nonhumus

nonhumus

Benar

du5

nonhumus12.jpg

nonhumus

nonhumus

Benar

Tabel 12 Hasil klasifikasi data uji
Berdasarkan hasil klasifikasi dapat diketahui bahwa seluruh data uji yang dimasukkan
dapat dikenali, sehingga akurasi dari klasifikasi ini adalah :
Akurasi = 5/5 * 100 %
Akurasi = 100 %

KESIMPULAN

5.

Berdasarkan penelitian yang sudah dilakukan dan beberapa penelitian lain yang sejenis, dapat
diambil kesimpulan bahwa metode K-Nearest Neighbor sangat baik digunakan untuk metode
klasifikasi khususnya untuk yang menggunakan fitur warna. Beberapa penelitian yang menggunakan
metode K-Nearest Neighbor untuk fitur warna menunjukkan akurasi yang cukup tinggi.
6.

SARAN

Dalam penelitian yang bertemakan klasifikasi, sebaiknya jumlah data yang dikumpulkan cukup
banyak (dalam penelitian ini termasuk sedikit), khususnya yang digunakan untuk data sampel agar
data lebih bervariasi.
Selain itu, standarisasi pengambilan data harus diperhatikan, khususnya untuk data citra sebaiknya
konfigurasi seperti aperture, exposure time, focal length dan ISO seharusnya disamakan.
DAFTAR PUSTAKA
[1] https://id.wikipedia.org/wiki/Humus
[2] Deswari Dila, Hendrick, Derisma. Identifikasi Kematangan Buah Tomat Menggunakan

Metoda Backpropagation. Padang : Politeknik Negeri Padang.
[3] Liantoni Febri. Klasifikasi Daun dengan Perbaikan Fitur Citra Menggunakan Metode K-

Nearest Neighbor. Surabaya: Institut Teknologi Adhi Tama Surabaya.
[4] Yepriyanto Rizal, Kustanto, Utami Yustina Retno Wahyu. Sistem Diagnosa Kesuburan

Sperma dengan Metode K-Nearest Neighbor.