PEMANFAATAN RASPBERRY PI SEBAGAI ALAT UJI KADAR NITROGEN DAN FOSFOR PADA PUPUK
YANUARDI FAJRI
DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2014
PERNYATAAN MENGENAI SKRIPSI DAN SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA Pemanfaatan Raspberry Pi sebagai Alat Uji Kadar Nitrogen dan Fosfor pada Pupuk adalah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apapun kepada perguruan tinggi manapun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini. Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor dan Balai Penelitian Tanah, Badan Penelitian dan Pengembangan Pertanian, Kementerian Pertanian. Bogor, Agustus 2014 Yanuardi Fajri NIM G64100039
ABSTRAK YANUARDI FAJRI. Pemanfaatan Raspberry Pi sebagai Alat Uji Kadar Nitrogen dan Fosfor pada Pupuk. Dibimbing oleh KARLISA PRIANDANA dan LADIYANI R WIDOWATI Pupuk memiliki peranan yang penting dalam meningkatkan produktivitas pertanian. Namun, di Indonesia banyak terdapat produk pupuk palsu yang sulit diidentifikasi oleh petani. Sebagai bentuk upaya pengawasan pupuk, Balai Penelitian Tanah telah mengembangkan perangkat uji pupuk (PUP) untuk mengukur kadar hara N dan P dalam pupuk secara cepat. Namun, pembacaan hasil ujinya masih manual dengan menggunakan bagan warna, sehingga hasil pengukurannya masih bersifat semi kuantitatif. Penelitian ini bertujuan untuk mengembangkan PUP sehingga pembacaan warna larutan pupuk dapat dilakukan secara digital dan diharapkan dapat meningkatkan ketelitian hasil pengukuran. Raspberry Pi digunakan sebagai otak yang bertugas untuk mengakuisisi citra larutan pupuk, mengolahnya, dan mengklasifikasikannya ke kadar hara tertentu. Model warna yang digunakan untuk mengolah data citra larutan pupuk adalah model warna hue saturation value (HSV), sedangkan algoritme klasifikasi yang digunakan adalah k-nearest neighbour (KNN). Hasil penelitian menunjukkan bahwa komponen warna yang cocok untuk diambil sebagai penfitur klasifikasi adalah komponen hue, karena tidak terpengaruh oleh perubahan intensitas cahaya pada citra yang diambil. Akurasi tertinggi yang diperoleh untuk N Titrisol sebesar 58.33%, RMSE = 1.43 dengan k = 3, untuk N Urea sebesar 70%, RMSE = 3.32 dengan k = 5 dan untuk untuk P SP-36 sebesar 18.33%, RMSE = 5.79 dengan k = 3. Kata kunci: hue saturation value (HSV), kadar hara, k-nearest neighbour (KNN), perangkat uji pupuk
ABSTRACT YANUARDI FAJRI. Digital Fertilizer Test Kit Using Raspberry Pi. Supervised by KARLISA PRIANDANA and LADIYANI R WIDOWATI Fertilizer has an important role in improving agricultural productivity. However, in Indonesia, there are many counterfeit fertilizer products that are difficult to be identified by farmers. Soil Research Institute has developed a fertilizer test kit to measure the levels of N and P quickly. However, this tool still use color charts to manually interpret the test results. Therefore, the measurement result is still semi-quantitative. This study aims to develop a digital fertilizer test kit so that the fertilizer solution’s color interpretation can be done digitally and is expected to improve the precision of the measurement. Raspberry Pi is used as the brain responsible for acquiring the images of the fertilizer solution, process them, and classify them to a certain nutrient level. The utilized color model to process the fertilizer solution’s image data is hue-saturation-value (HSV), while the classification algorithm used is k-nearest neighbor (KNN). The results showed that “hue” is the suitable color component for classification, because it is not affected by changes in light intensity. Classification method produced the accuracy of 58.33%, RMSE = 1.43 using k = 3 for N Titrisol, 70%, RMSE = 3.32 using k = 5 for N Urea and 18.33%, RMSE = 5.79 using k = 3 for P SP-36. Keywords: fertilizer test kit, hue saturation value (HSV), k-nearest neighbour (KNN), nutrient level
PEMANFAATAN RASPBERRY PI SEBAGAI ALAT UJI KADAR NITROGEN DAN FOSFOR PADA PUPUK
YANUARDI FAJRI
Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Ilmu Komputer pada Departemen Ilmu Komputer
DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2014
Judul Skripsi : Aplikasi Bagan Warna Daun untuk Optimasi Pemupukan Tanaman Padi Menggunakan k-Nearest Neighbor Nama NIM
: Edwin Satyalesmana : G64104028
Disetujui oleh
Sony Hartono Wijaya, SKom MKom Pembimbing
Diketahui oleh
Dr Ir Agus Buono, MSi MKom Ketua Departemen
Penguji: Dr Eng Heru Sukoco, SSi MT
Judul Skripsi : Pemanfaatan Raspberry Pi sebagai Alat Uji Kadar Nitrogen dan Fosfor pada Pupuk Nama : Yanuardi Fajri NIM : G64100039
Disetujui oleh
Karlisa Priandana, ST MEng Pembimbing I
Dr Ladiyani R Widowati, MSc Pembimbing II
Diketahui oleh
Dr Ir Agus Buono, MSi MKom Ketua Departemen
Tanggal Lulus:
PRAKATA Puji syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas segala karuniaNya sehingga karya ilmiah ini berhasil diselesaikan. Shalawat serta salam penulis sampaikan kepada Nabi Muhammad shalallahu ‘alaihi wassalam. Pemanfaatan Raspberry Pi sebagai Alat Uji Kadar Nitrogen dan Fosfor pada Pupuk ini tidak lepas dari bantuan berbagai pihak. Oleh karena itu, penulis menyampaikan ucapan terima kasih kepada: 1 Kedua orang tua tercinta, Bapak M Anis Dt Gadang, dan Ibu Elfa Yerni beserta keluarga yang selalu memberikan do’a dan dukungan moral. 2 Ibu Karlisa Priandana, ST MEng dan Ibu Dr Ladiyani R. Widowati, MSc selaku pembimbing yang selalu sabar dalam memberikan ilmu dan bimbingan selama penyelesaian tugas akhir ini. 3 Balai Penelitian Tanah yang telah membantu dalam memperoleh data dan sumber informasi serta bantuan finansial. 4 Akang, teteh dan ayi-ayi UKM LISES Gentra Kaheman serta teman-teman Departemen Ilmu Komputer 47 yang selalu memberi semangat dalam pelaksanaan penelitian ini 5 Staf pengajar dan staf tata usaha Departemen Ilmu Komputer yang telah banyak membantu baik selama masa perkuliahan maupun pada saat penelitian. 6 Semua pihak yang telah banyak memberikan kontribusi yang besar dalam penyelesaian tugas akhir yang tidak dapat disebutkan satu persatu. Semoga karya ilmiah ini bermanfaat.
Bogor, Agustus 2014 Yanuardi Fajri
DAFTAR ISI DAFTAR TABEL DAFTAR GAMBAR DAFTAR LAMPIRAN PENDAHULUAN
vii vii vii 1
Latar Belakang Perumusan Masalah Tujuan Penelitian Manfaat Penelitian Ruang Lingkup Penelitian METODE
1 2 2 2 3 3
Perakitan Prototipe PUP Digital Pengambilan Data Praproses Data Pembuatan Model Klasifikasi Pengujian dan Evaluasi HASIL DAN PEMBAHASAN
3 5 5 6 6 7
Pembangunan Prototipe PUP Digital Pengambilan data Praproses Data Pembuatan Model Klasifikasi Pengujian dan Evaluasi SIMPULAN DAN SARAN Simpulan Saran DAFTAR PUSTAKA
7 9 9 10 13 14 14 14 15
LAMPIRAN
16
RIWAYAT HIDUP
23
DAFTAR TABEL 1 2
Ekstraksi fitur larutan N titrisol untuk model warna RGB dengan kadar N 1 % Ekstraksi fitur larutan N titrisol untuk model warna HSV dengan kadar N 1 %
10 10
DAFTAR GAMBAR 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Pengukuran dengan PUP dan bagan warna uji pupuk Tahapan penelitian Kerangka konseptual PUP digital Peralatan yang digunakan (a) sensor kamera, (b) Raspberry Pi, dan (c) LCD Sistem koordinat model warna (a) RGB dan (b) HSV Skematik prototipe PUP digital Prototipe PUP digital (a) desain rangkaian, dan (b) tampak luar prototipe PUP digital Proses cropping dan resizing Perbandingan nilai mean RGB untuk larutan N titrisol dengan kadar N 1% Perbandingan nilai mean HSV untuk larutan N titrisol dengan kadar N 1% Grafik sebaran nilai mean dari hue untuk N titrisol Grafik sebaran nilai mean dari hue untuk N urea Grafik sebaran nilai mean dari hue untuk P SP-36 Perbandingan akurasi untuk tiap model pada pengujian I dan II dengan k = 3 dan k = 5 Perbandingan RMSE untuk tiap model pada pengujian I dan II dengan k = 3 dan k = 5
1 4 4 5 6 8 9 10 11 11 12 12 12 13 14
DAFTAR LAMPIRAN 1 2 3 4 5 6 7 8
Citra larutan pupuk Confusion matrix pada pengujian I untuk N Titrisol dengan k= 3 Confusion matrix pada pengujian I untuk N Titrisol dengan k = 5 Confusion matrix pada pengujian I untuk N Urea dengan k = 3 Confusion matrix pada pengujian I untuk N Urea dengan k = 5 Confusion matrix pada pengujian I untuk P SP-36 dengan k = 3 Confusion matrix pada pengujian I untuk N Urea dengan k = 5 Foto prototipe perangkat uji pupuk (PUP) digital
16 18 19 20 21 21 22 22
1
PENDAHULUAN Latar Belakang Pupuk memiliki peranan penting dalam upaya meningkatkan produktivitas, produksi dan mutu pertanian yang bermuara pada peningkatan pendapatan dan kesejahteraan petani serta mewujudkan program ketahanan pangan nasional. Jenis pupuk yang umum digunakan antara lain pupuk urea dan SP-36. Di pasaran, pupuk tersebut dijual beragam, sesuai dengan kadar nitrogen (N) dan fosfor (P) yang terkandung di dalamnya. Hal inilah yang akan mempengaruhi harga serta manfaat penggunaan pupuk tersebut dalam pertanian. Berdasarkan data Kementerian Pertanian dan Kementrian Perindustrian, hingga tahun 2015, kebutuhan pupuk di Indonesia menunjukkan peningkatan konsumsi pupuk sebesar 6.53% tiap tahunnya. Akan tetapi, kondisi ini tidak didukung oleh peningkatan suplai pupuk yang berakibat semakin langkanya pupuk di pasaran dan berujung pada peningkatan harga pupuk. Kondisi ini dimanfaatkan oleh pedagang yang tidak bertanggung jawab untuk mencari keuntungan dari penjualan pupuk palsu dengan kadar N dan P yang rendah. Penggunaan pupuk ini mengakibatkan kerugian yang besar tidak hanya dari sisi biaya produksi tapi juga hasil panen yang tidak sesuai harapan. Dalam upaya pengawasan pupuk di pasaran, Balai Penelitian Tanah, Badan Penelitian dan Pengembangan Pertanian, Kementerian Pertanian telah mengembangkan perangkat sederhana yang dinamakan perangkat uji pupuk (PUP) (Setyorini et al. 2011). Perangkat tersebut merupakan penyederhanaan semi kuantitatif dari alat uji laboratorium yang relatif mahal dan sulit untuk dilakukan oleh petani. Namun, pengukuran yang dilakukan dan pembacaan hasil pengukuran masih harus dilakukan secara manual dengan membandingkan warna larutan pupuk dengan bagan warna yang disediakan (Gambar 1). Oleh karena itu, keakuratan dan ketelitian pengukuran pun masih jauh di bawah pengukuran skala laboratorium.
Gambar 1 Pengukuran dengan PUP dan bagan warna uji pupuk (Sumber : Balittanah) Penelitian ini dilakukan untuk meningkatkan ketelitian penggunaan PUP dengan membangun prototipe PUP digital berbasis Raspberry Pi. Raspberry Pi merupakan komputer berukuran kecil yang dapat digunakan untuk berbagai keperluan seperti general purpose computing, learn to program, media center,
2 “bare metal” computer hacking, dan project platform (Richardson 2013). Untuk memproses citra larutan pupuk, digunakan metode full color image processing dengan merepresentasikan warna dalam suatu model warna (Gonzalez dan Woods 1990). Model warna yang digunakan dalam penelitian ini adalah hue saturation value (HSV). Model warna HSV terkait langsung dengan warna dasar (hue), kejenuhan (saturation), dan kecerahan (brightness) (Burger dan Burge 2008) sehingga lebih intuitif dan dirancang untuk menyerupai cara manusia menginterpretasikan warna. Algoritme k-nearest neighbor (KNN) digunakan sebagai algoritme klasifikasi. Algoritme KNN adalah suatu algoritme yang sederhana, namun cukup efektif dalam melakukan kategorisasi. Selain itu, proses klasifikasi dari KNN mudah untuk diimplementasikan dibandingkan dengan algoritme klasifikasi lain (Zainuddin et al. 2014). Penelitian ini dibatasi untuk mengukur kadar N dan P dari pupuk urea dan SP-36. Pengukuran kadar N dan P dilakukan secara digital yang diharapkan dapat meningkatkan keakuratan dan ketelitian hasil pengukuran.
Perumusan Masalah Permasalahan yang dikaji pada penelitian ini terkait dengan peningkatan ketelitian PUP dalam pengukuran kadar N dalam pupuk urea dan P dalam pupuk SP-36. Pengujian dan pembacaan hasil uji kadar N dan P dengan PUP dilakukan secara digital dan dapat menghasilkan pembacaan secara kuantitatif dengan tetap menggunakan metode pewarnaan. Prototipe PUP digital dirangkai dengan sebuah single-board computer berbasis Raspberry Pi yang terhubung dengan sebuah kamera. Kamera akan mengakuisisi citra larutan dan mengklasifikasikan citra sesuai model yang telah dirancang sebelumnya. Pembuatan model klasifikasi menggunakan data latih berupa data nilai komponen dari model warna HSV yang telah diketahui kadar nitrogen dan fosfornya. Model ini disimpan di dalam otak pengolah berbasis Raspberry Pi dan digunakan untuk mengklasifikasikan warna larutan yang akan diukur.
Tujuan Penelitian 1 2 3
Adapun tujuan dari penelitian ini adalah: Membuat model klasifikasi warna larutan pupuk dengan menggunakan algoritme KNN serta komponen model HSV Merangkai dan membangun prototipe PUP digital dengan memanfaatkan Raspberry Pi Meningkatkan ketelitian penggunaan PUP.
Manfaat Penelitian Manfaat dari penelitian ini adalah menjadikan PUP digital sebagai alternatif perangkat uji kadar N dan P pada pupuk urea dan SP-36. Perangkat ini nantinya dimanfaatkan oleh Balai Penelitian Tanah sebagai perangkat uji pupuk secara cepat dalam pengawasan pupuk di lapangan. Secara luas, PUP digital dapat dimanfaatkan
3 juga oleh para petani dan pedagang pupuk dalam mengantisipasi pemakaian dan penjualan pupuk palsu.
Ruang Lingkup Penelitian 1 2
3 4
Lingkup penelitian ini memiliki penekanan pada hal-hal berikut: PUP digital dibatasi untuk mengukur kadar N dalam pupuk urea dan P dalam pupuk SP-36 Pengolahan citra memanfaatkan single-board computer berbasis Raspberry Pi dengan metode pewarnaan pada pupuk urea dan SP-36 yang telah dilarutkan. Proses pelarutan dan pewarnaan mengikuti prosedur yang tertera dalam PUP yang telah dikembangkan oleh Balai Penelitian Tanah, Badan Litbang Pertanian, Kementerian Pertanian. Akuisisi citra menggunakan modul kamera yang merupakan bagian dari Raspberry Pi Bahasa pemrograman yang digunakan adalah bahasa Python dengan memanfaatkan computer vision library dari SimpleCV dan OpenCV serta machine learning library dari Orange
METODE Tahapan penelitian dapat dilihat pada Gambar 2, yang terdiri atas: (1) perakitan prototipe PUP digital, (2) pengambilan data, (3) praproses data, (4) pembuatan model klasifikasi, dan (5) pengujian dan evaluasi.
Perakitan Prototipe PUP Digital Perakitan prototipe PUP digital dilakukan melalui tiga langkah, yaitu perancangan sistem, persiapan alat dan bahan, serta perakitan. Prototipe PUP digital dibangun dengan memanfaatkan Raspberry Pi sebagai pengolah data citra dengan tetap menggunakan PUP Balittanah untuk mempersiapkan larutan yang akan diuji. Gambar 3 menunjukkan kerangka konseptual prototipe PUP digital yang dibangun. Perangkat utama yang digunakan dalam penelitian ini ialah PUP, sensor kamera, Raspberry Pi dan liquid crystal display (LCD) (Gambar 4). Sensor kamera digunakan untuk mengenali atribut (feature) warna pada larutan pupuk. Sensor kamera yang digunakan dalam penelitian ini adalah sensor kamera berjenis CMOS dengan resolusi maksimum 5 mega piksel dan ukuran sensor 0.25 inci. Raspberry Pi bertugas mengaktifkan sensor kamera untuk mengakuisisi citra larutan serta mengolah citra menjadi keluaran kadar N dan P dalam pupuk. Raspberry Pi merupakan single-board computer berukuran kartu kredit yang dikembangkan oleh Raspberry Pi Foundation. Raspberry Pi Model-B Rev. 1 memiliki fitur: Broadcom BCM2835 system on a chip (SoC); ARM1176JZF-S 700 MHz processor; Video Core IV GPU; 512 MB RAM. Media penyimpanan menggunakan 8 GB SD Card dengan sistem operasi berbasis distro Debian Wheezy. Antarmuka pengguna
4 dengan sistem berupa LCD. LCD yang digunakan berukuran 16 karakter dan 2 baris dengan latar belakang berwarna biru.
Gambar 2 Tahapan penelitian
Gambar 3 Kerangka konseptual PUP Digital
5
(
(
(
(c)
(b)
(a)
Gambar 4 Peralatan yang digunakan (a) sensor kamera, (b) Raspberry Pi, dan (c) LCD (sumber: raspberrypi.org)
Pengambilan Data Data yang digunakan pada penelitian ini adalah citra warna larutan yang dibagi ke dalam dua kelompok yaitu nitrogen dan fosfor. Data kelompok nitrogen merupakan citra warna larutan N titrisol dan larutan pupuk urea, sedangkan data kelompok fosfor merupakan data P pada KH2PO4 dan larutan pupuk SP-36 dengan kadar nitrogen atau fosfor dari 1% hingga 20% dengan selisih tiap akuisisi sebesar 1% untuk N dan 2% untuk P. Tiap larutan diakuisisi sebanyak dua kali. Data ini diakuisi dengan menggunakan prototipe PUP digital yang telah dirancang sehingga kondisi lingkungan data yang diambil sesuai dengan kondisi sistem nantinya.
Praproses Data Praproses data terdiri atas: (1) cropping dan resizing, (2) ekstraksi fitur. Pada langkah cropping dan resizing, tiga titik pada citra hasil akuisisi yang mendapat pengaruh cahaya berbeda diambil menjadi citra baru dengan ukuran 80x80 piksel. Citra ini merupakan citra dengan warna dominan larutan. Proses ini dilakukan untuk menurunkan waktu komputasi dikarenakan citra yang diambil lebih kecil dan bagian yang tidak terkait warna larutan dapat dihilangkan. Langkah selanjutnya adalah proses ekstraksi fitur pada citra dengan menggunakan metode full color image processing. Perbedaan antara red green blue (RGB) dengan HSV adalah sistem koordinat yang digunakan (Burger and Burge 2008). RGB menggunakan sistem koordinat Cartesian dengan sumbu (x, y, z) = (red, green, dan blue), sementara HSV menggunakan sistem koordinat cylindrical dengan sumbu (r, Ɵ, z) = (saturation, hue, value) (Gambar 5). Nilai H (hue), S (saturation) dan V (value) dapat diperoleh dari nilai model warna RGB melalui Persamaan 1 sampai 4. tidak terdefinisi , C = 0 G-B C B-R
H' = {
mod 6
,M=R
+2
,M=G
C R-G C
M, H' ,R,G,B ∈ R
(1)
,M=B o
H = 60 x H’
(2)
6 V=M 0 𝑆= {C V
(3) , C=0 (4)
, lainnya
dengan M = max{R,G,B} , R, G, B ∈ R m = min{R,G,B} C=M-m ,C,M,m ∈R
(b)
(a)
Gambar 5 Sistem koordinat model warna (a) RGB dan (b) HSV (Sumber : matlab.izmiran.ru)
Pembuatan Model Klasifikasi Algoritme KNN adalah metode untuk melakukan klasifikasi terhadap objek berdasarkan data latih yang jaraknya paling dekat dengan objek tersebut. Jarak objek dengan kelas tertentu menggunakan perhitungan jarak Euclid (Persamaan 5) (Agusta 2007): p
(x2i -x1i )2 , d ∈ R, x ∈ I
di =
(5)
i=1
dengan: x1 = data latih, 𝑥2 = data uji, i = variabel data, d = jarak, dan p = dimensi data. Nilai komponen dari hue, saturation dan value yang relatif konstan dengan tingkat pencahayaan berbeda dijadikan sebagai model klasifikasi. Mean dan median digunakan sebagai atribut klasifikasi. Kadar larutan digunakan sebagai kelas, sehingga terdapat 20 kelas untuk N dan 10 kelas untuk P. Pengujian dan Evaluasi Besarnya akurasi pengujian dihitung dengan menggunakan Persamaan 6.
7
Akurasi =
∑Jumlah data uji yang prediksi benar ∑Jumlah data uji keseluruhan
(6)
Evaluasi hasil pengujian dilihat dengan menghitung nilai root mean square error (RMSE) dan koefisien determinasi (R2). R2 digunakan untuk mengukur seberapa baik garis regresi yang terbentuk oleh nilai dugaan dengan nilai aktualnya, semakin baik jika mendekati 1. Nilai ini juga digunakan untuk membandingkan hasil ekstraksi fitur larutan standar dengan larutan pupuk sehingga data yang tidak valid dapat dideteksi. Menurut Walpole (1992), R2 dihitung dengan menggunakan Persamaan 7: 2 n 2 [∑i=1 (ŷi -ŷ̅)(yi -y̅)] R = n (7) 2 ∑i=1 (ŷi -ŷ̅) (yi -y̅)2 dengan : 𝑦𝑖 = nilai aktual, ŷ𝑖 = nilai prediksi RMSE adalah perhitungan yang menunjukkan besarnya simapangan antara nilai prediksi dengan nilai aktualnya, semakin baik jika mendekati 0. Menurut Walpole (1992), R2 dihitung dengan menggunakan Persamaan 8:
RMSE = √
∑ni=1(ŷ-y)2 n
(8)
dengan: ŷ = nilai prediksi, y = nilai aktual, 𝑛 = jumlah data
HASIL DAN PEMBAHASAN Pembangunan Prototipe PUP Digital
Alur kerja dari PUP yang dirancang dimulai dengan pembuatan larutan pupuk. Larutan pupuk dibuat dengan mengikuti prosedur yang telah dirancang dalam PUP produksi Balittanah. Setelah larutan dibuat, larutan dimasukkan ke dalam tabung reaksi tembus pandang dan diberi beberapa pereaksi sehingga menimbulkan warna pada larutan. Larutan yang sudah diwarnai dimasukkan ke dalam prototipe PUP digital. Raspberry Pi akan mengaktifkan sensor kamera untuk mengakuisisi citra warna larutan. Citra ini akan melalui tahapan ekstraksi fitur yaitu dengan menghitung histogram dari komponen hue dan nilai keluaran dijadikan objek yang akan ditentukan kelasnya berdasarkan algoritme KNN. Kelas dari objek baru tersebut menunjukkan kadar N atau P dalam pupuk yang kemudian akan ditampilkan di layar LCD. Bahan tambahan yang digunakan dalam pembangunan prototipe PUP digital antara lain: kabel F/M dan F/F, potensiometer 10 kΩ, LED putih, tactile switch, resistor 10 kΩ, 470 Ω, PCB serta baut dan mur. Kerangka luar dari prototipe PUP digital dibuat dengan menggunakan bahan akrilik dengan ketebalan 2 mm. Pemotongan akrilik dilakukan dengan menggunakan laser cutter. Kerangka ini berfungsi untuk melindungi bagian dalam dari prototipe PUP digital serta membuat kondisi yang tetap dan stabil dalam akuisisi citra. Pengakuisisan citra dilakukan pada ruang kamera dengan warna latar putih dan bagian luar berwarna hitam. Hal ini dimaksudkan untuk menjaga agar cahaya dari LED cukup terang untuk
8 mengakuisisi citra namun cahaya dari luar sistem tidak mempengaruhi proses akuisisi. Gambar 6 menunjukkan skematik dari prototipe PUP digital dan Gambar 7 menunjukkan desain rangkaian dan tampak luar prototipe PUP digital yang telah dirancang. Prototipe PUP digital yang telah dirangkai dapat dilihat pada Lampiran 8.
Gambar 6 Skematik prototipe PUP digital Library yang dibutuhkan dalam pembuatan prototipe PUP digital adalah SimpleCV sebagai pengolah citra dan Orange sebagai machine learner. Library SimpleCV dapat diperoleh dengan menggunakan perintah berikut: $ sudo apt-get update $ sudo apt-get install ipython python-opencv python-scipy pythonnumpy python-pygame python-setuptools python-pip $ sudo pip install https://github.com/ingenuitas/SimpleCV/zipball/master
9
(b) (a) Gambar 7 Prototipe PUP digital (a) desain rangkaian dan (b) tampak luar prototipe PUP digital Sedangkan untuk instalasi library Orange dapat dilakukan dengan menggunakan perintah berikut: $ sudo apt-get update $ sudo apt-get install python-numpy libqt4-opengl-dev libqt4-dev cmake qt4-qmake python-sip-dev python-qt4 python-qt4-dev pythonqwt5-qt4 python-sip graphviz python-networkx python-imaging pythonqt4-gl build-essential python-pip python-scipy python-pyparsing ipython python-matplotlib $ easy_install –U distribute $ export PATH=$PATH:/usr/lib64/qt4/bin/:/usr/lib/qt4/bin $ sudo pip install Orange
Akan tetapi, instalasi library Orange mengalami kegagalan dan memunculkan pesan kesalahan yaitu error: command 'g++' failed with exit status 1. Hal ini bisa dikarenakan hardware yang tidak mendukung penambahan library.
Pengambilan data Akuisisi citra dengan prototipe PUP digital menghasilkan sebanyak 80 data citra untuk N dan 40 data untuk P. Namun, pengambilan data pertama untuk N Titrisol dan seluruh data KH2PO4 tidak dapat digunakan dikarenakan warna larutan tidak menunjukkan gradasi warna seperti yang tertera pada bagan warna. Hal ini dikarenakan proses pengambilan data yang terlalu cepat sehingga larutan belum selesai bereaksi. Data yang digunakan untuk proses selanjutnya berjumlah 80 data (60 data N dan 20 data P). Citra hasil akuisisi dapat dilihat pada Lampiran 1. Praproses Data Langkah cropping dan resizing (Gambar 8) menghasilkan tiga citra baru dengan tingkat pencahayaan yang berbeda untuk tiap citra, sehingga data yang diperoleh seluruhnya sebanyak 240 citra.
10
Gambar 8 Proses cropping dan resizing Ekstraksi fitur menghasilkan nilai mean, median dan standar deviasi untuk komponen R, G dan B pada model warna RGB dan komponen H, S dan V pada model warna HSV. Tabel 1 dan Tabel 2 menunjukkan hasil ekstraksi fitur untuk model warna RGB dan HSV untuk larutan N titrisol dengan kadar N 1%, pada tiga intensitas cahaya yang berbeda. Kedua tabel ini ditampilkan kembali dalam bentuk grafik pada Gambar 9 dan 10. Tabel 1 Ekstraksi fitur larutan N titrisol untuk model warna RGB dengan kadar N1% Nomor Red Green Blue citra Mean Median STD Mean Median STD Mean Median STD 98 98 3 96 96 2 54 54 3 1 2 144 145 4 137 138 4 70 70 3 3 89 89 3 88 88 2 44 44 3 Tabel 2 Ekstraksi fitur larutan N titrisol untuk model warna HSV dengan kadar N1% Nomor citra 1 2 3
Hue Mean Median 0.159 0.159 0.152 0.152 0.163 0.163
STD 0.004 0.003 0.005
Saturation Mean Median 0.451 0.449 0.513 0.514 0.511 0.511
STD 0.016 0.013 0.024
Value Mean Median STD 0.384 0.384 0.010 0.565 0.569 0.017 0.350 0.349 0.010
Pembuatan Model Klasifikasi
Gambar 9 dan 10 menunjukkan bahwa komponen yang dapat dijadikan model klasifikasi adalah komponen hue dalam model warna HSV karena nilai hue relatif konstan terhadap intensitas pencahayaan yang berbeda. Nilai mean dan median dari hue dijadikan sebagai atribut klasifikasi. N titrisol merupakan larutan standar sehingga dapat dijadikan patokan nilai hue pada urea. Analisis regresi sederhana dilakukan hanya untuk melihat hubungan antara perubahan kadar dengan nilai hue. Gambar 11 menunjukkan hubungan linier antara nilai hue dengan kadar N dengan koefisien determinasi yang tinggi (R² = 0.9024) sehingga dapat diartikan setiap penambahan kadar mengakibatkan peningkatan nilai hue. Akan tetapi, pada Gambar 12 koefisien determinasi untuk N urea yang dihasilkan lebih rendah dari larutan standar (R² = 0.486). Hal ini dikarenakan terdapat data yang tidak linier yaitu pada kadar hara 10%, 14%, 16%,
11
Nilai mean
18%, 22%, 24%, 26%, 28%, 34%, dan 36% sehingga data ini dapat dianggap sebagai kesalahan merujuk kepada larutan standar. Gambar 13 menunjukkan sebaran nilai mean dari hue untuk SP-36. Grafik menunjukkan nilai hue untuk setiap kadar hara cenderung stabil. Hal ini dikarenakan larutan SP-36 memiliki warna dasar yang relatif seragam untuk setiap kadar hara yang dibuat yaitu pada daerah warna dasar kuning. Keseragaman ini juga ditunjukkan oleh koefisien determinasi untuk SP-36 mendekati angka 0 (R² = 0.2008) artinya perubahan kadar hara tidak terlalu berpengaruh nyata terhadap perubahan nilai hue. Hal ini akan mempengaruhi proses klasifikasi dikarenakan sulit untuk menentukan kelas jika nilai data latih cenderung sama. 160 140 120 100 80 60 40 20 0 1
2
3
Nomor citra
Gambar 9 Perbandingan nilai mean RGB untuk larutan N titrisol dengan kadar N 1%.
Red,
Green,
Blue
0.6 Nilai mean
0.5 0.4 0.3 0.2 0.1 0.0 1
2
3
Nomor citra
Gambar 10 Perbandingan nilai mean HSV untuk larutan N titrisol dengan kadar N 1%. Hue, Saturation, Value
12
0.6
Nilai hue
0.5
0.4 0.3 0.2
y = 0.0139x + 0.117 R² = 0.9024
0.1 0 0
2
4
6
8 10 12 14 16 18 20 Kadar hara (%) Gambar 11 Grafik sebaran nilai mean dari hue untuk N titrisol
0.6
Nilai hue
0.5 0.4 0.3 0.2 y = 0.0078x + 0.2257 R² = 0.486
0.1 0
0
4
8
12
16 20 24 28 32 36 Kadar hara (%) Gambar 12 Grafik sebaran nilai mean dari hue untuk N urea
40
0.2
Nilai hue
0.18 0.16 0.14 0.12 y = -0.0009x + 0.1824 R² = 0.2008
0.1 0.08 0
2
4
6
8 10 12 14 16 18 20 Kadar hara (%) Gambar 13 Grafik sebaran nilai mean dari hue untuk P SP-36
13 Pengujian dan Evaluasi Pengujian dilakukan sebanyak dua kali yaitu pengujian menggunakan aplikasi MATLAB dan pengujian dengan menggunakan bahasa Python yang diimplementasikan pada prototipe PUP digital. Data yang digunakan sama dengan data yang diakuisisi untuk pembuatan model klasifikasi namun perbedaannya terletak pada titik cropping. Data yang digunakan untuk pengujian berjumlah 60 citra untuk masing-masing model, sehingga terdapat 180 citra sebagai data uji. Confusion matrix dari hasil pengujian dapat dilihat pada Lampiran 2 hingga Lampiran 7.
Akurasi (%)
Gambar 14 menunjukkan perbandingan akurasi untuk tiap model pada pengujian I dan II dengan k = 3 dan k = 5. Pengujian I dengan menggunakan nilai mean dan median dari nilai hue menunjukkan akurasi yang lebih tinggi dibandingkan dengan pengujian II menggunakan histogram dari hue. Hal ini disebabkan oleh adanya pengurangan noise dari citra dengan menghitung warna dominan (mean color) sehingga hanya warna dari citra yang dijadikan fitur utama. Namun, pada pengujian untuk SP-36 menunjukkan hal yang sebaliknya disebabkan warna citra cenderung seragam sehingga sulit untuk menentukan kelas yang tepat baik menggunakan histogram maupun nilai mean dari hue. 80.0 70.0 60.0 50.0 40.0 30.0 20.0 10.0 0.0
Pengujian I (k = 3) Pengujian I (k = 5) Pengujian II (k = 3) Pengujian II (k = 5)
N Titrasi N Urea P SP-36 Gambar 14 Perbandingan akurasi untuk tiap model pada pengujian I dan II dengan k = 3 dan k = 5 Nilai RMSE terendah diperoleh dari pengujian N Titrisol. RMSE menunjukkan besar ketelitian atau besar kesalahan pengukuran prototipe PUP digital. Nilai RMSE sebesar 1.25 pada N Titrisol dengan k = 5 menunjukkan bahwa kesalahan rata-rata untuk mengklasifikasikan kadar adalah 1.25% dari nilai aktualnya. Berdasarkan Gambar 15, nilai RMSE terkecil yang diperoleh untuk N Titrisol adalah 1.25 pada pengujian I dengan k = 5, untuk N Urea adalah 3.32 pada pengujian I dengan k = 5 dan untuk P SP-36 adalah 5.79 pada pengujian II dengan k = 3 atau k = 5. Angka ini sudah dapat menunjukkan peningkatan ketelitian penggunaan prototipe PUP digital dibanding PUP konvensional. Namun, prototipe PUP digital hanya mampu menunjukkan peningkatan ketelitian pada pengujian untuk N, sedangkan untuk P perlu perbaikan lebih lanjut dalam hal komponen warna yang digunakan atau metode yang digunakan.
14
12 10
RMSE
8
Pengujian I (k = 3) Pengujian I (k = 5) Pengujian II (k = 3)
6
Pengujian II (k = 5)
4 2 0 N Titrasi N Urea P SP-36 Gambar 15 Perbandingan RMSE untuk tiap model pada pengujian I dan II dengan k = 3 dan k = 5 Prototipe PUP digital yang telah dirangkai berjalan dengan baik. Akan tetapi, model klasifikasi yang telah dibuat belum dapat diimplementasikan dengan prototipe. Hal ini dikarenakan adanya kegagalan dalam penambahan library Orange pada Raspberry Pi.
SIMPULAN DAN SARAN Simpulan Penelitian ini telah berhasil merangkai prototipe PUP digital dan membuat model klasifikasi kadar nitrogen dan fosfor pada pupuk urea dan SP-36 dengan mengimplementasikan komponen hue dari model warna HSV dan KNN sebagai algoritme klasifikasi. Akurasi tertinggi yang diperoleh dari pengujian model N titrisol sebesar 58.33%, RMSE = 1.43 dengan k = 3, N urea sebesar 70%, RMSE = 3.32 dengan k = 5 dan P SP-36 sebesar 18.33%, RMSE = 5.79 dengan k = 3. Hasil ini menunjukkan adanya peningkatan ketelitian pengukuran dibandingkan dengan PUP konvensional. Namun, prototipe PUP digital hanya mampu menunjukkan peningkatan pada pengujian untuk N, sedangkan untuk P perlu perbaikan lebih lanjut. Model pengujian dengan prototipe yang sudah dirakit belum dapat diimplementasikan dikarenakan kegagalan dalam penambahan library Orange pada Raspberry Pi.
Saran Akurasi dan ketelitian dapat ditingkatkan dengan memperbaiki data latih larutan yang digunakan dengan melakukan pengulangan pada data-data yang salah dan mencoba mengimplementasikan algoritme klasifikasi lainnya. Metode yang digunakan selanjutnya dapat menggunakan metode pendugaan nilai reflektansi. Nilai reflektansi diukur dengan spektrofotometer. Hal ini sesuai dengan pengukuran kadar pada skala laboratorium. Implementasi model pengujian dengan prototipe yang sudah dirakit dapat menggunakan batasan lainnya seperti menggunakan
15 bahasa pemrograman yang berbeda atau menggunakan library lainnya. Tabung reaksi yang digunakan bisa diganti dengan menggunakan tabung reaksi berbentuk kotak sehingga dapat mengurangi pencahayaan yang tidak seragam pada citra.
DAFTAR PUSTAKA Agusta Y. 2007. K-Means - penerapan, permasalahan dan metode terkait. Jurnal Sistem dan Informatika. 3:47-60. Ali S, Smith KA. 2006. On learning algorithm selection for classification. Applied Soft Computing. 6(2):119-138. Burger W, Burge MJ. 2008. Digital Image Processing: An algorithmic introduction using Java. New York (US): Springer. Foley JD, Van Dam A, Feiner SK, Hughes JF. 1996. Computer Graphics: Principles and Practice in C. Ed ke-2. Boston (US): Addison-Wesley. Gonzalez RC, Woods RE. 1990. Digital Image Processing. Boston (US): AddisonWesley. Richardson. 2013. Getting Started with Raspberry Pi. Sebastopol (US): O’Reilly. Setyorini D, Sulaeman, Kasno A. 2011. Perangkat Uji Pupuk. Bogor (ID): Balittanah. Walpole ER. 1992. Pengantar Statistika. Jakarta (ID): Gramedia. Witten IH, Frank E, Hall MA. 2011. Data Mining: Practical Machine Learning Tools and Techniques. Ed ke-3. Burlington (US): Morgan Kaufmann/Elsevier. Zainuddin S, Hidayat N, Subroto A. 2014. Penerapan algoritme modified k-nearest neighbour (M-KNN) pada pengklasifikasian penyakit tanaman kedelai. Jurnal Mahasiswa PTIIK UB. 3(8).
16 Lampiran 1 Citra larutan pupuk Kadar (%)a 1
2
3
4
5
6
7
8
9
10
Pupuk N titrisol
N urea
P SP-36
P KH2PO4
17 Lampiran 1 Citra larutan pupuk (lanjutan) Kadar (%)a
Pupuk N titrisol
N urea
P SP-36
P KH2PO4
11
12
13
14
15
16
17
18
19
20 a
Untuk urea dan KH2PO4, kadar sebenarnya merupakan kadar yang tertera pada tabel dikali 2.
18
Lampiran 2 Confusion matrix pada pengujian I untuk N titrisol dengan k = 3 Aktual (%) 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
1 2 1 1
2
3
4 1
5
1 1
1 2 2
6
7
8
Prediksi (%) 9 10 11 12 13 14 15 16 17 18 19 20
2
1
3 1
2 1
2 2 1
1 2 3 3 3 1 1 1 1
1 1
1 1 3 1 1
1 1 3 3
19 Lampiran 3 Confusion matrix pada pengujian I untuk N titrisol dengan k= 5 Aktual (%) 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
1 2 2
2 3 1 1 1 1 1
4
1 1
5
6
7
8
Prediksi (%) 9 10 11 12 13 14 15 16 17 18 19 20
1
2
2 2 3 1 1
2 2 1
1 2 3 3 3 1 1 1 1
1 1
1 1 3 1 1
1 1 3 3
20 Lampiran 4 Confusion matrix pada pengujian I untuk N urea dengan k = 3 Aktual (%) 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
1 2 2
2 1 2 1 1
3
4
5
6
7
8
Prediksi (%) 9 10 11 12 13 14 15 16 17 18 19 20
1 2 1
2 3 3 3 3 1
2 3 3
1
3 1
1 1
1 1
1 3 2 3
1 1
2 2
21 Lampiran 5 Confusion matrix pada pengujian I untuk N urea dengan k = 5 Aktual (%) 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
1 2
2
3 1
4
5
6
7
8
Prediksi (%) 9 10 11 12 13 14 15 16 17 18 19 20
3 1
2 1
2 2
1 3 3 3 3 1
2 3 3
1
3 1
1 1
1
3 3 3 1 1
Lampiran 6 Confusion matrix pada pengujian I untuk P SP-36 dengan k = 3 Aktual (%) 2 4 6 8 10 12 14 16 18 20
1
2
2 4
1
4
6
1 1 3 3 2 1
1
Prediksi (%) 8 10 12 14 16 18 20 1 1 3 1 1 2 1 2 2 4 1 1 1 1 2 1 1 1 2 2 2 3 3 1 1
2 2
22 Lampiran 7 Confusion matrix pada pengujian I untuk P SP-36 dengan k = 3 Aktual (%) 2 4 6 8 10 12 14 16 18 20
2
3
4
6
1 1 1 1 2 1
1
1
Prediksi (%) 8 10 12 14 16 18 20 4 1 1 1 1 2 2 2 4 1 1 2 2 4 1 1 1 2 1 2 2 1 3 3 2 1
Lampiran 8 Foto prototipe perangkat uji pupuk (PUP) digital
23
RIWAYAT HIDUP Penulis lahir di Bukittinggi, tanggal 7 Januari 1992, merupakan putra ketiga dari tiga bersaudara dari ayah John Fitri (alm) dan Elfa Yerni. Penulis lulus dari SMA Negeri 3 Bukittinggi pada tahun 2010, kemudian melanjutkan studi Strata 1 di Departemen Ilmu Komputer, Institut Pertanian Bogor (IPB) melalui jalur Undangan Seleksi Masuk IPB (IPB) pada tahun yang sama. Selama mengikuti perkuliahan, penulis menjadi asisten praktikum Struktur Data pada tahun ajaran 2012/2013, asisten praktikum Rekayasa Perangkat Lunak pada tahun ajaran 2013/2014 dan asisten praktikum Struktur Data pada tahun ajaran 2013/2014. Penulis juga aktif di beberapa organisasi intra kampus yaitu Uni Konservasi Fauna (UKF), Sanggar Sarumpun, Komunitas Seni Budaya Masyarakat Roempoet dan Lingkung Seni Sunda Gentra Kaheman. Bulan Juli-Agustus 2013 penulis melaksanakan Praktik Kerja Lapang di PT Suntory Garuda Beverage dengan judul One Page Report System (OPRS). Melalui keaktifan di bidang seni, penulis berhasil menoreh prestasi tingkat mahasiswa. Beberapa prestasi yang diraih penulis antara lain Juara 1 Lomba Tari IPB Art Contest (IAC) 2013 dan 2014, meraih dua penghargaan dalam Gebyar Festival Tari (GFT) 2013 di Universitas Brawijaya dan Juara 1 Pagelaran Festival Budaya Nusantara di Sekolah Tinggi Akuntansi Negara. Penulis juga pernah mengisi acara dalam berbagai kegiatan baik dalam kampus, nasional maupun internasional seperti The 8th QS Apple di Bali.
