Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol. 1, No. 5, Mei 2017, hlm. 368-377
e-ISSN: 2548-964X http://j-ptiik.ub.ac.id
Identifikasi Penyakit Tanaman Jarak Pagar Menggunakan Metode Fuzzy K-Nearest Neighbor (FK-NN) Eva Agustina Ompusunggu1, Dian Eka Ratnawati2, Lailil Muflikhah3 1,2,3
Fakultas Ilmu Komputer, Universitas Brawijaya Email:
[email protected],
[email protected],
[email protected] 1
Abstrak Tanaman jarak pagar (Jatropha curcas L., Euphorbiaceae) merupakan tanaman yang memiliki banyak kegunaan yakni sebagai bahan baku obat-obatan dan minyak nabati (biodiesel). Tanaman jarak pagar dipakai untuk menyembuhkan bermacam-macam penyakit. Sebagian masyarakat juga yang menjadikan jarak pagar sebagai bahan utama mata pencaharian mereka. Namun terjadi penurunan kualitas pada jarak pagar dikarenakan terserang berbagai penyakit. Kurangnya pengetahuan tentang penyakit pada tanaman jarak pagar dan tidak mengetahui cara menanggulanginya menjadi salah satu faktor. Serta ketidaktersediaan media bagi masyarakat untuk mengetahui penyakit yang menyerang. Untuk mengetahui dan memudahkan dalam mendiagnosis penyakit yang menyerang jarak pagar, perlu dibuatnya sistem. Untuk membantu diagnosis ini digunakan metode k-nearest neighbor dan fuzzy. Langkah awal metode ini memasukkan data latih yang berisi gejala penyakit. Kemudian pengklasifikasian menggunakan k-nearest neighbor dan fuzzy. Sehingga didapatkan hasil akhir dari sistem ini yakni diagnosis penyakit tanaman jarak dari sembilan penyakit yang ada. Hasil pengujian yang dilakukan pada penelitian ini didapatkan akurasi tertinggi sebesar 80%. Kata kunci: jarak pagar, penyakit jarak pagar, klasifikasi, fuzzy k-nearest neighbor Abstract Jatropha (Jatropha curcas L., Euphorbiaceae) is a plant that has many uses that as a raw material medicines and vegetable oil (biodiesel). Jatropha is used to cure various diseases. Some people also make Jatropha as a main ingredient of their livelihoods. However, the quality of Jatropha decreased due to various diseases. Lack of knowledge about the disease of jatropha and do not know how to overcome it became one of the causes. As well as the unavailability of media for the public to know the diseases that attack. To know and make it easier to diagnose diseases that attack jatropha, a system needs to be made. To support this diagnosis used k-nearest neighbor and fuzzy method. The first step of this method is entering training data that contains symptoms. Then classification using the knearest neighbor and fuzzy. Then we get the result of this system which is the diagnosis of Jatropha’s diseases from nine diseases that there are. Results of tests performed on this study, obtained the highest accuracy by 80% Keywords: jatropha, jatropha disease, classification, fuzzy k-nearest neighbor salah satu tanaman yang memiliki potensi sebagai sumber bahan bakar yang berbahan baku minyak (Dwi, 2010). Saat ini terjadi penurunan kualitas pada tanaman jarak pagar dikarenakan serangan penyakit serta kurangnya informasi deteksi penyakit tanaman jarak pagar. Adanya sistem ini dapat memudahkan pengguna dalam mendeteksi penyakit tanaman jarak pagar dan menambah wawasan pengguna dalam mengatasi penyakit tanaman jarak pagar.
1. PENDAHULUAN Tanaman jarak pagar (Jatropha curcas L., Euphorbiaceae) merupakan tanaman yang sudah banyak tumbuh di Indonesia dan dikenal sebagai tanaman untuk bahan pengobatan. Tanaman ini banyak ditemukan didaerah tropik dan sangat tahan kekeringan. Tanaman ini memiliki banyak khasiat dalam mengobati berbagai jenis penyakit. Tanaman ini juga merupakan Fakultas Ilmu Komputer Universitas Brawijaya
368
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Penelitian dengan metode Fuzzy K-Nearest Neighbor (FK-NN) telah dilakukan sebelumnya oleh Dewi Retno Anggraeni dengan judul penelitian “Sistem Pakar Tuberculosis pada Anak Berdasarkan Scoring Sistem dengan Metode Fuzzy K-NN” dengan hasil uji akurasi sebesar 97,8%. Dengan akurasi seperti itu menggunakan metode FK-NN mampu memberikan hasil diagnosa yang cukup akurat (Retno, 2014). Berdasarkan uraian diatas, maka dibuatlah suatu penelitian dengan judul “Identifikasi Penyakit Tanaman Jarak Pagar Menggunakan Metode Fuzzy K-Nearest Neighbor (FK-NN)”. Sistem ini diharapkan bisa memberikan informasi diagnosa yang akurat mengenai penyakit tanaman jarak pagar berdasarkan gejala-gejala yang ada dan membantu keterbatasan pengetahuan masyarakat tentang penyakit tanaman jarak pagar. 2. LANDASAN KEPUSTAKAAN 2.1 Tanaman Jarak Pagar Tanaman jarak pagar (Jatropha curcas L.) adalah tanaman yang tumbuh di kawasan tropika dan subtropika. Tanaman jarak pagar telah lama dikenal masyarakat di berbagai daerah Indonesia sejak diperkenalkan oleh bangsa Jepang pada tahun 1942-an. Tanaman jarak pagar memiliki sebutan di setiap daerah atau wilayah antara lain : jarak budge, jarak gundul, jarak cina (Jawa); baklawah, nawaih (NAD); jarak kosta (Sunda); paku kare (Timor); peleng kaliki (Bugis); kalekhe paghar (Madura); jarak pager (Bali); lulu mau, paku kase, jarak pageh (Nusa Tenggara); kuman nema (Alor); jarak kosta, jarak wolanda, bindalo, bintalo, tondo utomene (Sulawesi); dan ai huwa kamala, balacai, kadoto (Maluku) (Hambali, 2006). Tanaman ini dikenal sebagai tanaman untuk pengobatan, saat ini makin mendapat perhatian Karena dapat berguna sebagai bahan bakar hayati (biodiesel) karena kandungan minyak bijinya. Sisa ekstrasi dari minyak bijinya dapat digunakan sebagai pupuk organik. 2.2.1 Klasifikasi Morfologi Tanaman jarak pagar termasuk family Euphorbiaceae, satu family dengan karet dan ubi kayu. Klasifikasi tanaman jarak pagar adalah sebagai berikut (Hambali, 2006): Divisi : Spermatophyta Subdivisi : Angiospermae Fakultas Ilmu Komputer, Universitas Brawijaya
369
Kelas : Dicotyledonae Ordo : Euphorbiales Famili : Euphorbiaceae Genus : Jatropha Spesies : Jatropha curcas L. Tanaman jarak pagar berupa perdu dengan tinggi 1 – 7 m, bercabang tidak teratur. Batangnya berkayu, silindris, dan bila terluka mengeluarkan getah. Bagian – bagian tanaman jarak pagar adalah sebagai berikut (Hambali, 2006): 1. Daun Daun tanaman jarak pagar adalah daun tunggal berlekuk dan bersudut 3 atau 5. Daun tersebar di sepanjang batang. Permukaan atas dan bawah daun hijau dengan bagian bawah lebih pucat dibanding permukaan atas. Daun tanaman lebar dan berbentuk jantung atau bulat telur melebar dengan panjang 5 cm – 15 cm. Helai daunnya bertoreh, berlekuk dan ujungnya meruncing. Tulang daun menjari dengan jumlah 5 – 7 tulang daun utama. Daun dihubungkan dengan tangkai daun. Panjang tangkai daun antara 4 – 15 cm (Hambali, 2006) 2. Bunga Bunga tanaman jarak pagar adalah bunga majemuk berbentuk malai, berwarna kuning kehijauan, berkelamin tunggal, dan berumah satu (putik dan benang sari dalam satu tanaman). bunga betina 4 – 5 kali lebih banyak dari bunga jantan. Bunga jantan maupun bunga betina tersusun dalam rangkaian berbentuk cawan yang tumbuh di ujung batang atau ketiak daun. Bunganya mempunyai 5 kelopak berbentuk bulat telur dengan panjang kurang lebih 4 mm. benang sari mengumpul pada pangkal dan berwarna kuning. Tangkai putik pendek berwarna hijau dan kepala putik melengkung keluar berwarna kuning. Bunga dari tanaman mempunyai mahkota berwarna keunguan. Setiap tandan terdapat lebih dari 15 bunga (Hambali, 2006). Jarak pagar termasuk tanaman monoecieous dan bunga bersifat uniseksual. Kadang kala muncul bunga hermaprodit yang berbentuk cawan hijau kekuningan (Hambali, 2006). 3. Buah Buah tanaman jarak pagar berupa buah berbentuk bulat telur dengan diameter 2 cm – 4 cm. panjang buah 2 cm dengan ketebalan
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
sekitar 1 cm. buah berwarna hijau ketika muda serta abu – abu kecokelatan atau kehitaman ketika masak. Buah jarak terbagi menjadi 3 ruang, masing – masing ruang berisi satu biji sehingga dalam setiap buah terdapat 3 biji (Hambali, 2006). Biji berbentuk bulat lonjong dan berwarna cokelat kehitaman. Biji inilah yang banyak mengandung minyak dengan rendemen sekitar 35 % - 45% dan beracun (Hambali, 2006). 2.3 Penyakit Tanaman Jarak Pagar Beberapa penyakit penting yang dapat menyerang tanaman jarak pagar, antara lain : antraknosa, bercak daun, busuk arang, busuk pujuk, embun tepung, hawar bakteri, layu bakteri, layu fusarium. Antraknosa a. Penyebab Jamur Colletotrichum gloeosporioides (Penz.) Sacc, ; Colletotrichum capsici (Syd.) Butle Bispy. 1
b. Gejala - Daun memiliki bercak-bercak cokelat kehitaman bulat yang dibatasi halo berwarna kuning. - Jika menyerang pinggir daun bercak berbentuk tidak beraturan. - Pada buah juga terdapat bercak cokelat kehitaman pada permukaannya. - Pada kondisi lembab terlihat pustul-pustul hitam Bercak Daun a. Penyebab Ada dua macam jenis bercak daun, yaitu bercak daun Cercospora dan bercak daun Alternaria. Bercak daun Cercospora disebabkan oleh jamur Cercospora jatrophicola Speg sedangkan Bercak daun Alternaria desebabkan oleh Alternaria. b. Gejala - Serangan Cercospora menyebabkan nekrotik tidak beraturan berwarna kecokelatan pada daun. - Serangan Alternaria menyebabkan bercak daun bulat bercincin (melingkar-lingkar) 2
Busuk Arang Penyakit ini disebabkan oleh jamur yang mana cukup berbahaya karena memiliki kisaran inang yang cukup luas, yakni sekitar 400 spesies tanaman. Tanaman yang sakit mampu 3
Fakultas Ilmu Komputer, Universitas Brawijaya
370
melakukan recovery dengan pembentukan akar sekunder pada akar – akar yang mengalami pembusukan [wawancara]. a. Penyebab Jamur Riczoctonia bataticola (Taub) b. Gejala Gejala awal : - Pada hipokotil pada batas permukaan tanah sebagai bercak cokelat terang - Berkembang menjadi cokelat gelap di sekeliling hipokotil. - Jaringan kulit kayu bagian dalam berwarna hitam. - Kulit luar pangkal batang tersobek – sobek dan telihat pustule hitam. - Daun-daun layu pada seluruh bagian tanaman secara tiba-tiba. - Dalam waktu kurang dari 1 minggu tanaman mati - Jika tanaman dicabut perakaran busuk kering bercak – bercak hitam. Gejala pada kondisi yg kurang mendukung pathogen - Pada kondisi yang kurang mendukung : daun bagian bawah layu - Kemudian daun menguning terlebih dahulu sebelum akhirnya rontok. - Jika penyakit berlanjut, tanaman akan mati. - Jika tanaman yang sakit dicabut maka pada akar akan terlihat busuk kehitaman disertai dengan adanya sklerosia jamur berwarna hitam. 4 Busuk Pucuk Penyakit yang masih belum diketahui penyebabnya. Penyebab kanker batang pada tanaman jarak pagar yang terjadi di Malaysia. a. Penyebab Penyebabnya yaitu Lasiodiplodia theobromae (Pat.) Griffon dan Maubl. b. Gejala - Bercak cekung yang berkembang menjadi bercak nekrotik pada batang - Busuk mulai dari pucuk - Daun/tunas pucuk rontok - Batang terlihat gundul hingga berkembang ke bagian bawah tanaman. - Bagian yang busuk biasanya berair - Bagian pucuk mengering. 5
Embun Tepung
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Embun tepung adalah cendawan obligat. Ciri menonjol yang ditunjukkan yaitu koloni berwarna putih agak abu-abu, miselia bersekat dan bercabang; konidiofor tegak, silindris, hialin, bersekat dengan konidium tunggal yang besar (dibandingkan konidiofornya), licin, sedikit lonjong, satu sel, dan hialin.
-
a. Penyebab Jamur Pseudoidium jatrophae
-
-
371
Perakaran tanaman yang sakit busuk basah, jika dibelah terlihat pembuluh maupun empelur berubah coklat. Jika bagian yang sakit dimasukkan ke dalam air akan terlihat eksudat (cair, merupakan massa bakteri) keluar dari pembuluh batang. Gejala berat : Tanaman mati tiba – tiba
Layu Fusarium Penyakit ini cukup serius ditemukan pada tahun 2006. Di Indonesia tidak banyak ditemukan penyakit ini. F. moniliforme merupakan penyebab utama kematian jarak pagar di Haryana, India dengan tingkat kematian hingga 25%. a. Penyebab Penyakit ini disebabkan oleh jamur Fusarium spp. . b. Gejala - Tanaman akan layu disertai daun kekuningan - Batang dibelah akan terlihat bagian yang berkayu bergaris-garis kecokelatan serta perakaran - Pangkal batang (leher akar) busuk hitam. 8
b. Gejala - Adanya embun tepung berwarna putih pada permukaan daun serta buah. - Daun gugur atau pucuk tidak berkembang dan mati - Buah-buah muda yang terserang biasanya berubah bentuk dan gugur. - Jika serangan terjadi pada daun yang baru saja berkembang akan menyebabkan perubahan warna menjadi kusam, daun lemas dan tepi-tepinya agak mengeriting. 6
-
Hawar Bakteri a. Penyebab Bakteri Xanthomonas campestris. b. Gejala Bercak berair berbatas pertulangan daun membentuk bercak bersudut Bercak menjadi agak kehitaman dan permukaan bawah daun tampak mengkilat
Layu Bakteri Penyakit layu bakteri disebabkan oleh bakteri yang mana penyebarannya melalui tanah. Tanah yang lembab merupakan lingkunangan yang sangat disukai bakteri ini. Selain tanaman jarak pagar dewasa penyakit ini juga menyerang tanaman bibit. Bakteri ini memiliki kisaran inang yang sangat luas yaitu tembakau, serta tanaman hortikultura seperti cabai, tomat, terong, serta pisang. Tingkat keparahan dan perkembangan penyakit ini tergantung pada tingkat ketahanan tanaman terhadap penyakit selain itu juga tergantung kondisi lingkungan. 7
a. Penyebab Bakteri Ralstonia solanacearum b. Gejala Gejala awal : - Busuk dimulai dari akar menjalar ke pangkal batang dan satu sisi tanaman. Fakultas Ilmu Komputer, Universitas Brawijaya
2.4 K-Nearest Neighbor (K-NN) Metode K-Nearest Neighbor (K-NN) adalah metode yang digunakan dalam klasifikasi dengan melakukan prediksi pada data uji berdasarkan jarak tetangga terdeket. Jarak terdekat yang dimaksud adalah jarak yang terpendek. Metode K-NN mengklasifikasikan objek berdasarkan jarak terdekat terhadap data training sehingga dapat memperkirakan objek tersebut masuk ke dalam sebuah kelas. Prinsip kerja metode K-NN adalah mencari jarak berdasarkan tetangga terdekat antara data uji dengan K tetangga terdekatnya terhadap data latih. Untuk dapat menghitung jarak berdasarkan jarak tetangga terdekat dapat menggunakan rumus Euclidean Distance seperti pada persamaan 2-1. (Beyan, 2014) Tahapan dalam teknik K-Nearest Neighbor dapat dilakukan dengan (H.Ninki, 2008): 1. Menentukan parameter k (jumlah tetangga paling dekat) 2. Menghitung kuadrat jarak Euclid (query instance) masing-masing obyek terhadap data sampel yang diberikan 3. Kemudian mengurutkan obyek-obyek tersebut kedalam kelompok yang mempunyai
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
jarak euclid terkecil 4. Mengumpulkan kategori Y (klasifikasi nearest neighbor) 5. Dengan menggunakan kategori nearest neighbor yang paling mayoritas maka dapat diprediksi nilai query instance yang telah dihitung Dekat atau jauhnya tetangga biasanya dihitung berdasarkan Euclidean Distance yang dituangkan dalam rumus. 𝑑 (𝑥𝑖, 𝑥𝑗) = √∑𝑛=1(𝑎𝑟 (𝑥𝑖 ) − 𝑎𝑟(𝑥𝑗))2 𝑟
372
5. Mengambil data sebanyak nilai k Contoh: Misalkan k=10, berarti memilih 10 jarak yang sebelumnya sudah diurutkan dari nilai terkecil hingga terbesar. Kelas yang memiliki keluaran terbanyak merupakan kelas target. Rumus yang digunakan pada Persamaan 2.4. (2.2)
(2.1)
Keterangan: = Jarak Euclidean
Dimana: ui(x) uij
= Record ke-i untuk data uji = Record ke-j untuk data latih = Data ke-r
k 2.5 Fuzzy K-Nearest Neighbor (FK-NN) Metode FK-NN merupakan gabungan antar teknik fuzzy dan K-NN. Metode fuzzy digunakan untuk menghitung nilai keanggotaan. Gejala penyakit pada tanaman jarak pagar digunakan untuk menentukan diagnosa. Sedangkan algoritma K-NN merupakan metode untuk klasifikasi sebuah obyek berdasarkan dataset yang jaraknya terdekat dengan obyek. Kelebihan K-NN yaitu teknik klasifikasi yang sederhana dengan hasil yang bagus, sehingga diharapkan metode ini dapat memberikan solusi yang sederhana, mudah, dan cepat (Amiratus, 2013). Fuzzy k-nearest neighbor (fk-nn) ini digunakan karena dalam penentuan kelas akhirnya tidak hanya memperhitungkan jumlah data yang mengikuti sebuah kelas tetapi juga jarak pada tetangga terdekatnya. Proses perhitungan Fuzzy k-nearest neighbor (fk-nn) adalah: (Beyan, 2014). 1. Masukkan nilai data latih dan data uji. 2. Jika rentang nilai antar parameter dari data terlalu jauh, lakukan normalisasi terlebih dahulu menggunakan min-max normalization. 3. Hitung jarak antara data uji terhadap data latih menggunakan rumus Euclidean distance pada persamaan 2.3 pada sub bab sebelumnya. 4. Mengurutkan jarak dari nilai terkecil ke nilai terbesar. Fakultas Ilmu Komputer, Universitas Brawijaya
x – xj m
= Nilai keanggotaan fuzzy = Nilai keanggotaan data tetangga i terhadap kelas j nilainya 1 jika data latih I milik kelas j, atau 0 jika bukan milik kelas j. = Banyaknya nilai ketetanggan terdekat yang diambil, berupa bilangan integer positif = Selisih jarak data x ke data xj dalam k tetangga terdekat = Bobot pangkat yang besarnya m>1
2.6 Akurasi Untuk mengetahui seberapa besar nilai kebenaaran yang dilakukan sistem terhadap data uji maka dilakukan perhitungan akurasi. Semakin besar nilai yang benar maka semakin tinggi juga nilai akurasi yang diperoleh. Cara mengitung akurasi menggunakan persamaan sebagai berikut. (2.3)
3. Metodologi 3.1 Penentuan Objek Objek yang digunakan sebagai bahan penelitian ini adalah penyakit tanaman jarak pagar. Penyakit terdiri dari 9 penyakit yakni Antraknosa, Busuk Arang, Hawar Bakteri, Bercak Daun Cescospora, Busuk Pucuk, Layu Bakteri, Bercak Alternaria, Embun Tepung, dan Layu Fusarium 3.2 Studi Literatur Pada tahap berikut dilakukan pembelajaran literatur dari berbagai bidang-bidang ilmu yang berhubungan dengan identifikasi penyakit pada tanaman jarak pagar, antara lain:
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
373
1. Fuzzy K-Nearest Neighbor (fk-nn) 2. Identifikasi penyakit pada tanaman jarak pagar
1.
Data penyakit tanaman jarak pagar
Buku Literatur
Observasi
2.
Densitas tiap gejala penyakit tanaman jarak pagar
Pakar Penyakit Tanaman Jarak Pagar
Wawancara
3.
Data kasus tanaman jarak pagar yang terserang penyakit
Balittas Karangpl oso
Observasi
3. K-Nearest Neighbor 4. Penyakit tanaman penanggulangannya
jarak
pagar
dan
3.3 Pengumpulan Data Pengumpulan data yang digunakan dalam penelitian ini dilakukan di Balittas Karangploso. Data yang digunakan merupakan data yang dipakai pada penelitian sebelumnya. Variabel penelitian pada skripsi ini adalah jenis penyakit apa yang menyerang tanaman jarak pagar berdasarkan hasil perhitungan menggunakan metode Fuzzy K-Nearest Neighbor. Selain hasil diagnosis penyakit tanaman jarak pagar, sistem ini juga menghasilkan solusi penanggulangan yang perlu dilakukan sesuai dengan hasil diagnosis. Tujuan dari penelitian ini adalah membuat sistem yang dapat menentukan jenis penyakit apakah yang menyerang tanaman jarak pagar dan beberapa cara penanganannya serta untuk mendapatkan hasil yang lebih baik. Penentuan kebutuhan adalah sebagai berikut: 1.
data
penelitian
Data mengenai penyakit pada tanaman jarak pagar. Sumber data didapat dari buku literatur melalui obsevarsi. Data digunakan dalam menentukan penyakit jarak pagar dan solusi penanganannya.
Menentuka n penyakit tanaman jarak pagar dan solusi penanganan na Menentuka n nilai densitas gejala tiap penyakit tanaman jarak pagar Data yang didapat akan digunakan sebagai contoh perhitungan dengan metode Fuzzy KNN
3.4 Perancangan Sistem Sistem yang akan dibuat merupakan sistem yang mengimplementasikan metode fuzzy knearest neighbor untuk mengidentifikasi penyakit tanaman jarak pagar. Sistem ini ditujukan untuk mengetahui penyakit apa yang menyerang tanaman jarak pagar tersebut serta beberapa cara penanganannya. Parameter yang digunakan pada sistem ini adalah 30 gejala penyakit. Berikut langkah-langkah yang dilakukan dalam pengklasifikasian penyakit tanaman jarak pagar: 1. Masukkan data latih dan nilai k.
2. Data Densitas tiap gejala penyakit tanaman jarak pagar. Sumber didapat dari Pakar Penyakit Tanaman Jarak Pagar melalui wawancara. Dengan tujuan untuk menentukan nilai densitas gejala tiap penyakit jarak pagar.
2. Proses k-nearest neighbor untuk mencari nilai jarak antara data latih terhadap data uji menggunakan Euclidean Distance.
3. Data Kasus tanaman jarak pagar yang terserang penyakit. Didapat dari Balittas Karangploso melalui metode observasi. Digunakan sebagai contoh perhitungan dengan metode Fuzzy K-Nearest Neighbor. Berikut tabel 3.1 menampilkan penentuan kebutuhan data penelitian.
4. Output berupa penyakit.
Tabel 3.1 Penentuan Kebutuhan Data Penelitian No.
Kebutuha n Data
Sumber Data
Metode
Kegunaan Data
Fakultas Ilmu Komputer, Universitas Brawijaya
3. Proses fuzzy k-nearest neighbor (fk-nn) dengan mencari nilai keanggotaan data. hasil
identifikasi
Tahapan-tahapan diatas digambarkan dalam diagram alir 3.1 sebagai berikut:
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
374
(0 − 0.9)2 + (0 − 0.75)2 + (0 − 0.25)2 +(0 − 0)2 +(0 − 0)2 + (0.85 − 0)2 + (0 − 0)2 +(0 − 0)2 + (0 − 0)2 + (0 − 0)2 + (0 − 0)2 + (0 − 0)2 +(0 − 0)2 + (0 − 0)2 + (0.47 − 0)2 + (0 − 0)2 + (0 − 0)2 + (0 − 0)2 + (0 − 0)2 + (0 − 0)2 +(0 − 0)2 + (0 − 0)2 + (0 − 0)2 + (0 − 0)2 + (0 − 0)2 + (0 − 0)2 + (0 − 0)2 + (0.7 − 0)2 +(0 − 0)2 + (0 − 0)2 √
= 1.693635144
( 2 Hasil perhitungan jarak antara data uji terhadap . pada tabel di bawah ini. data latih ditunjukkan 5 ) Tabel 3.2 Hasil perhitungan jarak data uji terhadap data latih
Gambar 3.1 Alur Proses Klasifikasi
3.5 Perhitungan Manual Langkah pertama dalam perhitungan manual ini mengambil 27 data latih. Data latih yang digunakan berisi data latih Antraknosa, Bercak Daun Cescopora, Bercak Daun Alternaria, Busuk Arang, Busuk Pucuk, Embun Tepung, Hawar Bakteri, Layu Bakteri, data latih Layu Fusarium. Langkah selanjutnya adalah menentukan data gejala atau data uji untuk menentukan data yang di masukkan sesuai dengan penyakit data uji. Data uji yang digunakan dapat dilihat pada gambar 1 dan 2.
Gambar 1 Data Uji
Gambar 2 Data Uji
Langkah selanjutnya adalah menghitung jarak data uji terhadap data latih. Perhitungan jarak menggunakan persamaan berikut. Contoh perhitungan jarak antara data uji terhadap data latih ke-1 adalah sebagai berikut. jarak =
Fakultas Ilmu Komputer, Universitas Brawijaya
Langkah selanjutnya adalah mengurutkan hasil perhitungan jarak data uji terhadap data latih dari yang terkecil ke terbesar. Berikut tabel 3.3 menampilkan hasil perhitungan jarak data uji terhadap data latih yang telah diurutkan. Tabel 3.3 Hasil perhitungan jarak data uji terhadap data latih
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Kemudian langkah selanjutnya adalah mengambil data hasil perhitungan pada tabel 3.3 sebanyak k. Pada perhitungan manual ini dimisalkan k=8. Berikut tabel 3.4 menampilkan data hasil perhitungan yang diambil sebanyak delapan. Tabel 3.4 Tabel mengambil data sebanyak k k k1 k2 k3 k4 k5 k6 k7 k8
Penyakit Layu Fusarium Layu Bakteri Layu Bakteri Busuk Arang Busuk Arang Layu Fusarium Layu Bakteri Busuk Arang
Jarak 0.9682458 1.0307764 1.1726039 1.2237238 1.2489996 1.25 1.3919411 1.4133294
Langkah selanjutnya adalah menghitung nilai keanggotaan jarak ke dalam masing-masing kelas penyakit. Nilai keanggotaan bernilai 1 jika data kelas penyakit terdapat pada data yang diambil sebanyak k seperti pada tabel 3.4. Berikut tabel 3.5 menampilkan nilai keanggotaan kelas penyakit. Tabel 3.5 menampilkan beberapa dari sembilan kelas penyakit. Tabel 3.5 Nilai keanggotaan jarak pada masingmasing kelas Kelas Busuk Arang u(k1,busuk arang) u(k2,busuk arang) u(k3,busuk arang) u(k4,busuk arang) u(k5,busuk arang) u(k6,busuk arang) u(k7,busuk arang) u(k8,busuk arang)
0 0 0 1 1 0 0 1
u() 1.8094311 Busuk Arang
375
terdapat pada kelas penyakit layu bakteri dengan nilai 2.184578. Hasil yang didapatkan sesuai dengan data uji gejala yang dimasukkan. 5. Pengujian 5.1 Pengujian Akurasi Data Pengujian nilai k dilakukan untuk melihat nilai akurasi tertinggi diantara akurasi yang ada. Sehingga hasil pengujian akurasi terhadap variasi nilai k akan digunakan sebagai nilai ketetapan pada proses perhitungan metode Fuzzy K-Nearest Neighbor. Pada pengujian ini k yang dimasukkan adalah 5, 10, 15, 20, dan 25 pada 81 data latih dan 25 data uji. Berikut adalah hasil pengaruh variasi nilai k terhadap tingkat akurasi. Tabel 5.1 Pengujian pengaruh variasi nilai k nilai k
akurasi(%)
5
64%
10
68%
15
80%
20
72%
25
60%
Pada tabel diatas menunjukkan akurasi yang diperoleh dengan menggunakan nilai k yang bervariasi pada 81 data latih (60% dari dataset). Berdasarkan pengujian ini, nilai akurasi tertinggi yang didapatkan dari k =15 yaitu sebesar 80%. 5.2 Analisis Hasil Pengaruh Variasi Nilai k
Kelas Layu Bakteri u(k1,layu bakteri) u(k2,layu bakteri) u(k3,layu bakteri) u(k4,layu bakteri) u(k5,layu bakteri) u(k6,layu bakteri) u(k7,layu bakteri) u(k8,layu bakteri)
0 1 1 0 0 0 1 0
u() 2.184578 Layu Bakteri
Kelas Bercak Daun Cescopora u(k1,bercak cescopora) u(k2,bercak cescopora) u(k3,bercak cescopora) u(k4,bercak cescopora) u(k5,bercak cescopora) u(k6,bercak cescopora) u(k7,bercak cescopora) u(k8,bercak cescopora)
0 0 0 0 0 0 0 0
u0 Bercak Cescopora
Langkah terakhir adalah menentukan nilai keanggotaan terbesar. Pada tabel 3.5 terdapat nilai keanggotaan yang didapat dari perhitungan menggunakan rumus 3.1 berikut. Dari tabel 3.5 dapat ditentukan nilai keanggotaan terbesar Fakultas Ilmu Komputer, Universitas Brawijaya
Berdasarkan pengujian pengaruh variasi nilai k = 5, 10, 15, 20, dan 25, nilai akurasi yang didapatkan berbeda-beda. Jika nilai k yang digunakan rendah atau tinggi maka akurasi yang didapatkan kurang optimal. Sehingga pada pengujian variasi nilai k ini dapat dianalisa bahwa variasi nilai k mempengaruhi akurasi data latih. Nilai akurasi maksimal dicapai ketika nilai k= 15 dengan akurasi optimal 80% dengan 81 dan 135 data latih. Pada saat nilai k=15 merupakan titik untuk mencapai akurasi maksimal. Jika dibawah atau diatas nilai k tersebut maka nilai akurasinya mengalami penurunan. 5.3 Pengujian Pengaruh Variasi Nilai Data Latih Terhadap Tingkat Akurasi Pada pengujian ini dilakukan dengan memasukan satu nilai variabel k terhadap 135
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
data latih terhadap 25 data uji, 108 data latih terhadap 25 data uji, 81 data latih terhadap 25 data uji, 54 data latih terhadap 25 data uji penyakit dan 27 data latih terhadap 25 data uji penyakit tanaman jarak pagar. Pada pengujian ini akan dihitung rata-rata dari hasil pengujian dengan nilai k = 15. Berikut tabel 5.2 pengaruh variasi nilai data latih terhadap akurasi. Tabel 5.2 Pengaruh Variasi Nilai Data Latih Nilai k
15
27 data latih dan 25 data uji 76%
54 data latih dan 25 data uji 76%
81 data latih dan 25 data uji 80%
108 data latih dan 25 data uji 64%
135 data latih dan 25 data uji 80%
AKURASI (%)
V AR I AS I J U M L AH D AT A LATIH 100 50
0 20
40
60
80
376 pagar dengan langkah menghitung jarak data uji terhadap data latih kemudian hasil jarak yang didapatkan diurutkan dari yang terkecil hingga terbesar lalu diambil data sebanyak k, untuk menentukan nilai keanggotaan pada setiap kelas. Hasil didapatkan dari nilai keanggotaan terbesar.
2. Pada penelitian ini hasil akurasi tertinggi dari implementasi fuzzy k-nearest neighbor (fk-nn) sebesar 80% dari hasil pengujian variasi nilai k dan pada variasi jumlah data latih yang menggunakan k=15 dan 135 data latih. 6.2 Saran Sistem Identifikasi Penyakit Tanaman Jarak Pagar Menggunakan Metode Fuzzy K-Nearest Neighbor (fk-nn) masih memiliki banyak kekurangan. Saran yang dapat diberikan untuk pengembangan sistem agar menjadi lebih baik adalah melakukan optimasi menggunakan metode lain seperti algoritma evolusi untuk mendapatkan akurasi yang lebih optimal. Metode tersebut dapat diterapkan pada penelitian berikutnya.
100
JUMLAH DATA LATIH
Gambar 5.1 Pengaruh Variasi Jumlah Data Latih
5.4 Analisis Hasil Pengaruh Variasi Jumlah Data Latih Terhadap Tingkat Akurasi Berdasarkan pengujian pengaruh variasi jumlah data latih terhadap tingkat akurasi dengan k = 15 dengan 27 data latih, 54 data latih, 81 data latih, 108 data latih, dan 135 data latih pada 25 data uji diperoleh akurasi optimal sebesar 80%. Akurasi optimal mencapai 80% dikarenakan pada jumlah data latih sebanyak 81 data latih mencapai titik optimal. Hal ini juga disebabkan Karena penyebaran data latih yang diterima tidak merata. 6. PENUTUP 6.1 Kesimpulan Berdasarkan perancangan, implementasi, dan hasil pengujian Sistem Identifikasi Penyakit Tanaman Jarak Pagar Menggunakan Metode Fuzzy K-Nearest Neighbor(fk-nn), maka didapatkan kesimpulan sebagai berikut: 1. Pada penelitian ini metode fuzzy k-nearest neighbor dapat membantu untuk mengidentifikasi penyakit tanaman jarak Fakultas Ilmu Komputer, Universitas Brawijaya
7. DAFTAR PUSTAKA Amiratus, Rahmi. 2013. Penerapan Metode Fuzzy KNN Untuk Menentukan Kualitas Hasil Rendeman Tebu. Program Teknologi Informasi dan Ilmu Komputer. Malang: Universitas Brawijaya. Beyan, C. 2014. A Fuzzy K-NN Approach for Cancer Diagnosis with Microarray Gene Exspression Data. Dwi, Laksono Krisna, Ceppy Nasahi, & Nenet Susniahti. 2010. Inventarisasi Penyakit Pada Tanaman Jarak Pagar Pada Tiga Daerah di Jawa Barat. Bandung: Universitas Padjajaran. Fernandez, C.M. 2015. Supercritical Extraction and Fractionation of Jathropa Curcas L.oil For Biodiesel Production. H, Ninki. 2008. Sistem Pendukung Keputusan Berbasis SMS Untuk Menentukan Status Gizi Dengan Menggunakan Metode K-Nearest Neighbor. Yogyakarta: Universitas Islam Indonesia. Hambali E, Suryani A, Dadang Hariyadi,
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Hanafie H, Reksowardojo I K, Rivai M, Ihsanur M, Suryadarma P, Tjitrosemito S, Soerawidjaja TH, Prawitasari T, Prakoso T, Purnama W. 2006. Jarak Pagar Tanaman Penghasil Biodiesel. Jakarta: Penebar Swadaya. Kusumaningrum, Anindita. 2011. Pengaruh Tegakan Mahoni (Switenia Macrophylla King) Terhadap Pertumbuhan dan Produksi Jarak Pagar (Jathropa Curcas Linn). Fakultas Kehutanan. Bogor : Institut Pertanian Bogor Kusumadewi, Sri & Hari Purnomo. 2010. Aplikasi Logika Fuzzy Untuk Mendukung Keputusan. Jakarta.: Penerbit Graha Ilmu. Gour, V.K. 2006. Production practices including post harvest management of Jatropha curcas. Rashtrapati Bhavan, New Delhi. Retno, Dewi H. 2013. Sistem Pakar Tuberculosis Pada Anak Berdasarkan Scoring Sistem dengan Metode Fuzzy K-NN. Program Teknologi Informasi dan Ilmu Komputer. Malang: Universitas Brawijaya. Rofika. 2015. Sistem Pakar Diagnosa Penyakit Kulit Pada Anak Menggunakan Metode Fuzzy K-Nearest Neighbor. Program Teknologi Informasi dan Ilmu Komputer. Malang: Universitas Brawijaya. Yulianti, T. 2012. Penyakit Tanaman Jarak Pagar .Malang : Balai Penelitian Tanaman Pemanis dan Serat.
Fakultas Ilmu Komputer, Universitas Brawijaya
377