SISTEM DETEKSI PRA PANEN PADI BERDASARKAN WARNA DAUN DENGAN MENGGUNAKAN LEARNING VECTOR QUANTIZATION (LVQ)

SISTEM DETEKSI PRA PANEN PADI BERDASARKAN WARNA DAUN DENGAN MENGGUNAKAN LEARNING VECTOR QUANTIZATION (LVQ) 1

Pradityo Utomo dan 2Setiyo Daru Cahyono

Program Studi Magister Ilmu Komputer, Universitas Gadjah Mada, Sekip Utara Bulaksumur, 55281, Yogyakarta

1

Program Studi Doktor Ilmu Lingkungan, Universitas Sebelas Maret, Jl. Ir. Sutami no.36 A Surakarta, 57126, Indonesia

2

Abstrak Indonesia mayoritas penduduknya bertanam padi. Namun demikian terkadang beberapa petani, bahkan petani pemula masih belum memiliki pengetahuan khusus untuk mendeteksi waktu yang tepat dalam memanen padi. Perkembangan teknologi informasi dapat membantu dalam bidang pertanian. Salah satu penggunaan teknologi informasi dalam bidang pertanian adalah untuk mendeteksi panen padi berdasarkan warna daun dengan menggunakan Learning Vector Quantization (LVQ). Sistem yang menggunakan pendekatan Learning Vector Quantization (LVQ) dapat melakukan pendeteksian pra panen padi. Salah satu parameter yang digunakan petani dalam mendeteksi waktu panen adalah dengan melihat daun padi yang sudah menguninng. Parameter menggunakan daun padi dapat digunakan dalam sistem untuk mengetahui data yang siap panen, dan data yang belum siap panen. Sebelum data dilakukan pelatihan untuk mendapatkan pengetahuan, data dilakukan pengolahan citra terlebih dahulu. Pengolahan citra meliputi grayscale dan segmentasi. Data yang telah melewati tahapan pengolahan citra akan dinormalisasi. Kemudian data digunakan untuk pelatihan/training dan pengujian/testing terhadap sistem. Sistem pendeteksian pra panen padi berdasarkan warna daun dengan menggunakan pendekatan LVQ telah berhasil dibangun, dan mampu membantu petani padi, terutama untuk petani pemula dalam mendeteksi waktu panen padi. Sistem memiliki akurasi sebesar 55% untuk pengujian data training, dan 50% untuk pengujian data testing. Kata kunci: warna daun padi, Learning Vector Quantization, pra panen padi Pendahuluan Indonesia adalah salah satu negara yang agraris, dimana mata pencaharian penduduknya adalah bertanam padi. Menurut data dari Badan Pusat Statistik, e-mail:[email protected], cahyono. [email protected]

42

hasil panen padi kering sebesar 69,06 juta ton pada tahun 2012. Sedangkan pada tahun 2013 hasil panen padi naik menjadi 69,27 juta ton. Dengan adanya kenaikan tersebut, diperlukan adanya pengetahuan yang cukup bagi petani. Pengetahuan dalam mendeteksi dini pra panen padi harus dikuasai oleh petani, terutama petani

Jurnal EKOSAINS | Vol. 6 | No. 3 | Nopember 2014

Sistem Deteksi Pra Panen Padi

pemula. Petani harus mengetahui ciriciri padi yang siap panen, diantaranya bagian pangkal malai dan daunnya sudah menguning (Santos, 2013). Sehingga petani pun siap untuk memanen padinya di waktu yang tepat. Petani pemula mungkin belum mengetahui pengetuan tersebut, sehingga masih membutuhkan bantuan untuk mendeteksi dini pra panen padi. Teknologi Informasi yang semakin berkembang, dapat membantu mengatasi permasalahan di berbagai bidang. Salah satunya dapat digunakan untuk bidang pertanian. Dalam bidang pertanian, teknologi informasi dapat membantu pendeteksian pra panen padi, khususnya bagi petani pemula. Dengan menggunakan Jaringan Saraf Tiruan, dapat dibuat sebuah sistem pakar yang mampu membantu dalam kepentingan tertentu. Dalam penelitian ini dipilih Learning Vector Quantization (LVQ) sebagai metode dari Jaringan Saraf Tiruan. Menurut Indrawan pada penelitiannya tahun 2010, LVQ adalah metode untuk mengklasifikasi pola dan memiliki output yang mewakili dari suatu kelas, sehingga pada penelitiannya dapat mengklasifikasi tanaman obat. Penelitian juga dilakukan oleh Uning Lestari yang menggunakan Learning Vector Quantization (LVQ) untuk mengidentifikasi lahan untuk budidaya tanaman pangan. Pada penelitiannya, LVQ dapat memberikan solusi dan informasi tanaman yang sesuai pada suatu lahan dengan berdasarkan beberapa karakteristik yang salah satunya adalah jenis tanaman pangan. Dari beberapa penelitian di atas, Learning Vector Quantization (LVQ) memberikan hasil yang baik jika digunakan dalam sistem pengelompokkan. Sehingga pada penelitian dibuat sebuah Sistem deteksi pra panen padi berdasarkan warna daun dengan menggunakan Learning Vector Quantization, yang diharapkan dapat membantu petani dalam mendeteksi

Pradityo Utomo Dan Setiyo Daru Cahyono

waktu panen secara dini. Metode Penelitian ini dilakukan dengan menggunakan metode eksperimental yang bertujuan untuk membuat sistem pakar yang mampu mendeteksi pra panen berdasarkan warna daun padi dengan pendekatan Learning Vector Quantization. Sistem pakar merupakan suatu sistem yang memiliki kecerdasan sesuai pakar pada bidangnya. Data yang digunakan pada penelitian ini adalah Data Primer dan Data Sekunder. Data Primer yang dimaksudkan adalah data pendukung untuk mengetahui karakteristik warna daun padi yang siap panen oleh pakarnya. Salah satu pakar dalam hal ini adalah petani yang sudah lama bergelut pada bidangnya. Data Sekunder adalah kumpulan photo daun padi. Karena salah satu pendeteksian Pra Panen Padi dapat dilakukan dengan melihat warna daun. Karakteristik warna daun padi yang sudah menguning dapat dikatakan padi siap panen, sedangkan warna daun padi yang masih terlihat hijau dikatakan padi belum siap panen. Adapun gambar daun padi yang diambil adalah bagian tengah, dan berukuran 169 x 142. Nilai piksel dari gambar berukuran 169 x 142 yang akan digunakan oleh sistem. Tahapan penelitian yang dilakukan dapat dilihat pada bagan alir penelitian seperti Gambar 1. Pada Gambar 1 telah digambarkan langkah-langkah yang dilakukan dalam penelitian. Setelah melalui tahapan Studi literatur dan pengumpulan data, maka akan dilakukan penyusunan langkah-langkah pembuatan sistem. Data gambar daun padi dilakukan pengolahan citra dengan proses grayscale. Grayscale dapat ditentukan dengan :


43



Persiapan

Studi Literatur

Pengumpulan Data

Data Primer

Data Sekunder

- Wawancara Pakar

- Photo Daun Padi

Langkah-Langkah Pembuatan Sistem

Implementasi

Evaluasi

Kesimpulan

Selesai

Gambar 1. Bagan Alir Penelitian

grayscale = (Re d * 299 + Green * 587 + Blue * 114) / 1000 ..............(1) Nilai piksel merah dilambangkan Min-Max Normalization. Min-max dengan Red, nilai piksel hijau dilambangkan Normalization dapat dihitung dengan : dengan Green, dan nilai piksel Biru dilambangkan dengan Blue. Grayscale dilakukan untuk menyatukan nilai piksel s − min{s k } berwarna menjadi satu nilai piksel. Setelah s' = max{s k } − min{s k } .................. gambar dilakukan pengolahan citra, kemudian gambar dilakukan normalisasi .................................................................... Nilai piksel disimbolkan s, dan supaya nilai piksel lebih kecil. Adapun ..................(2) normalisasi yang digunakan adalah k=1,2,3,..n. 44 Jurnal EKOSAINS | Vol. 6 | No. 3 | Nopember 2014


Data yang sudah dinormalisasi dimasukkan ke dalam sistem deteksi pra panen padi yang menggunakan pendekatan Learning Vector Quantization. Data yang telah dimasukkan ke dalam sistem, terlebih dahulu akan dilakukan training/pelatihan. Dengan proses pelatihan diharapkan mendapatkan pengetahuan yang baik pula. Sehingga jika suatu saat dilakukan pengujian, sistem dapat mengenali. Akurasi sistem dapat dihitung menggunakan rumus :

PersentaseAkurasi =


yang digunakan adalah 30 data gambar daun padi yang siap panen, dan 30 data gambar daun padi yang belum siap panen. Sedangkan data testing yang digunakan adalah 10 data gambar daun padi yang siap panen, dan 10 data gambar daun padi yang belum siap panen. Pada sistem menggunakan pendekatan Learning Vector Quantization dilakukan tiga kali percobaan dengan tiga learning rate yang berbeda, yaitu dengan learning rate 0.0005, learning rate 0.005, learning rate 0.05, dan maksimal

JumlahDataYangDikenaliBenar x100% ..............(3) JumlahDataYangDiuji

Hasil Dan Pembahasan Sistem Deteksi Pra Panen Padi berdasarkan Warna Daun dengan Pendekatan Learning Vector Quantization telah berhasil dibangun. Adapun tampilannya dapat dilihat pada Gambar 2. Pada penelitian ini terdapat dua tahapan, yaitu proses pelatihan/training dan proses pengujian/testing. Data training

iterasi adalah 1000 iterasi, dapat dilihat pada Gambar 3.

Gambar 2. Tampilan Sistem Deteksi Pra Panen Jurnal EKOSAINS | Vol. 6 | No. 3 | Nopember 2014

45



Gambar 3. Grafik Perbandingan Akurasi Sistem Menggunakan Pendekatan LVQ Menurut Gambar 3 telah terlihat bahwa prosentase terbaik terdapat pada learning rate 0,0005 dengan prosentase akurasi sistem jika diuji dengan menggunakan data training sebesar 55%, dan jika sistem diuji dengan menggunakan data testing memiliki prosentase sebesar 50%. Adapun prosentase perbandingan akurasi sistem yang menggunakan pendekatan LVQ dapat dilihat pada Tabel 1.

data belum siap panen dikenali sebagai data belum siap panen. Sistem yang menggunakan learning rate 0,005 juga diuji menggunakan data training dan data testing. Dimana data siap panen yang dikenali sebagai data siap panen sebanyak 26 data, dan data belum siap panen dikenali sebagai data belum siap panen sebanyak 1 data. Untuk jumlah pola data yang dikenali benar pada data testing didapat dari penjumlahan data

Tabel 1. Prosentase Perbandingan Akurasi Sistem Menggunakan Pendekatan LVQ Learning Rate Perbandingan Akurasi Data Testing Dikenali (%)

0,0005

Data Training Dikenali (%) 55

0,005

45

50

0,05

50

50

Menurut tabel 1, akurasi tertinggi pada learning rate 0,0005 yang diuji menggunakan data training dan data testing. Dimana jumlah pola data yang dikenali benar pada data training didapat dari penjumlahan data siap panen yang dikenali sebagai data siap panen sebanyak 30 data, dan data belum siap panen dikenali sebagai data belum siap panen sebanyak 3 data. Untuk jumlah pola data yang dikenali benar pada data testing didapat dari penjumlahan data siap panen yang dikenali sebagai data siap panen sebanyak 10 data, dan tidak ada 46

50

siap panen yang dikenali sebagai data siap panen sebanyak 10 data, dan tidak ada data belum siap panen dikenali sebagai data belum siap panen. Data training dan data testing diujikan juga pada sistem yang menggunakan learning rate 0,05. Dimana data siap panen yang dikenali sebagai data siap panen sebanyak 27 data, dan data belum siap panen dikenali sebagai data belum siap panen sebanyak 3 data. Untuk jumlah pola data yang dikenali benar pada data testing didapat dari penjumlahan data



siap panen yang dikenali sebagai data siap panen sebanyak 10 data, dan tidak ada data belum siap panen dikenali sebagai data belum siap panen. Kesimpulan Kesimpulan dari hasil penelitian ini adalah sebagai berikut: Sistem deteksi pra panen padi berdasarkan warna daun dengan menggunakan Learning Vector Quantization telah berhasil dibangun. Sistem deteksi pra panen padi berdasarkan warna daun dengan menggunakan Learning Vector Quantization memiliki akurasi tertinggi sebesar 55% untuk pengujian data training, dan 50% untuk pengujian data testing. Daftar Pustaka Badan Pusat Statistik. (2013). Produksi Padi, Jagung, dan Kedelai (Angka Ramalan I Tahun 2013). Berita Resmi Statistik. No. 45/07/Th. XVI, 1 Juli 2013 Santos, Juliberto Dos. (2013). Pengaruh Cekaman Air Terhadap Produktivitas dan Total Produksi Padi Sawah di Timor Leste selama 5 tahun.


Indrawan, Fradika. (2010). Aplikasi Pengenalan Pola Daun Menggunakan Jaringan Syaraf Learning Vector Quantification Untuk Penentuan Tanaman Obat. ISSN:1979-2328. Seminar Nasional Informatika 2010. UPN “Veteran” Yogyakarta. Lestari, Uning. (2012). Sistem Aplikasi Identifikasi Lahan untuk Budidaya Tanaman Pangan Menggunakan Learning Vector Quantization (LVQ). ISSN: 1979-911X. Prosiding Seminar Nasional Aplikasi Sains & Teknologi (SNAST) Periode III. Matulimah, E. (2004). Deteksi Jenis Penyakit Paru Berdasarkan Image Rontgen Dengan Algoritma LVQ. Skripsi. Surabaya:ITS. Jayalakshmi, T. And Santhakumaran, A. (2011). Statistical Normalization and Back Propagation for Classification. International Journal of Computer Theory and Engineering. II


47

SISTEM DETEKSI PRA PANEN PADI BERDASARKAN WARNA DAUN DENGAN MENGGUNAKAN LEARNING VECTOR QUANTIZATION (LVQ)

Recommend Documents