BIDANG KEGIATAN
PKM PENERAPAN TEKNOLOGI
Diusulkan oleh :
Ayu Qamarani 7708164071 2016
Agriva Ruth Cristina Lingga 7708164032 2016
Devira Monda Astri Harahap 7708164014 2016
Ravika Oktaviani 7708164050 2016
TELKOM UNIVERSITY
BANDUNG
2018
i
PENGESAHAN PROPOSAL PKM – PENERAPAN TEKNOLOGI
1. Judul Kegiatan : Klasifikasi Jenis Buah Jeruk dengan Metode
K-Nearest Neighbor
2. Bidang Kegiatan : PKM-T
3. Ketua Pelaksana Kegiatan
a. Nama Lengkap : Ayu Qamarani
b. NIM : 7708164014
c. Jurusan : Fakultas Ilmu Terapan
d. Universitas : Universitas Telkom
e. Alamat Rumah dan No. : Jl. Lengkong No. 15 RT.02 RW.03 Gg. Entang
Telp/Hp Kel. Lengkong Kec. Bojongsoang Kota
Bandung / 0895610365673
f. Email : ayuqamarani12@gmail.com
4. Anggota Pelaksana Kegiatan : 3 Orang
5. Dosen Pendamping
a. Nama Lengkap dan Gelar : Agus Pratondo, S.T., M.T., Ph.D.
b. NIP/NIDN : 09770043
c. Alamat Rumah dan No. : Jl. Karasak, Astana Anyar Kota Bandung /
Telp/Hp 022-7564108
6. Biaya Kegiatan Total
a. Kemristekdikti : Rp. 8.647.000
b. Sumber lain :-
7. Jangka Waktu Pelaksanaan : 5 bulan
Bandung, 14 Desember 2018
Menyetujui,
Ketua Program Studi Ketua Pelaksana Kegiatan
S1 Terapan Teknologi Rekayasa Multimedia
(Dr. Ir. Rina Pudji Astuti, M.T.) (Agus Pratondo, S.T., M.T., Ph.D.)
NIP. 93630028 NIDN. 09770043
ii
DAFTAR ISI
iii
RINGKASAN
Jeruk merupakan buah yang memiliki banyak varietas, namun beberapa jenis jeruk
memiliki bentuk dan warna yang hampir sama. Hal ini menyebabkan masyarakat
keliru dalam menentukan jenis jeruk. Setiap jenis jeruk memiliki ciri warna yang
berbeda dan dapat dijadikan sebagai feature extraction. Feature extraction tersebut
dapat digunakan sebagai pembeda dalam mengklasifikasi jenis jeruk. Pengambilan
citra dilakukan dengan kamera DSLR. Citra yang diambil akan dijadikan sebagai
data latih dan data uji. Pengujian menggunakan metode leave one out dengan 199
citra buah jeruk sebagai data latih dan 1 citra buah jeruk sebagai data uji. Setiap
citra akan mengalami proses feature extraction. Proses klasifikasi jeruk dilakukan
dengan metode K-Nearest Neighbor. Untuk pengujian digunakan 200 buah jeruk
yang terdiri dari empat kelas yaitu medan, ponkam, siam, dan sunkish. Berdasarkan
hasil pengujian klasifikasi jenis jeruk pada sistem, didapat tingkat akurasi yaitu
95%.
Kata Kunci : Klasifikasi, Jeruk, Feature Extraction, K-Nearest Neighbor, Leave
one
iv
BAB 1. PENDAHULUAN
1.1. Latar Belakang
Keanekaragaman jenis buah-buahan tersebar di berbagai wilayah Indonesia [1].
Buah merupakan kekayaan alam yang eksotis [2]. Setiap buah memiliki beberapa
macam jenis yang dapat dilihat dari bentuk, warna dan ukuran. Buah berfungsi
sebagai sumber vitamin dan mineral yang akan memperbaiki kondisi gizi pada
tubuh [3].
Buah jeruk merupakan tanaman asli (indigenous) yang termasuk ke dalam famili
Rutaceae [4]. Jeruk berasal dari benua Asia [5]. Jeruk tumbuh di Indonesia secara
alami atau dibudidayakan [6]. Komposisi buah jeruk terdiri dari air 70- 92% (sesuai
kualitas), gula, asam organik, asam amino, vitamin, zat warna, mineral, dan lain-
lain [7].
Buah jeruk memiliki banyak jenis [8], contoh jenis yaitu jeruk medan, jeruk
ponkam, jeruk sunkist, dan jeruk siam. Secara umum jenis jeruk tersebut akan
dikenal sebagai jeruk saja dan masyarakat mengetahui nama jenis buah jeruk karena
sering mengkonsumsi atau mengingat saat ingin membeli [9]. Namun demikian
sebagian besar konsumen tidak dapat membedakan jenis buah jeruk. Seperti yang
kita ketahui, teknologi kini telah berkembang dalam kehidupan manusia, bahkan
dari kalangan atas hingga menengah kebawah sekalipun. Dimana upaya tersebut
merupakan cara atau jalan di dalam mewujudkan kesejahteraan dan peningkatan
harkat martabat manusia. Perkembangan ilmu pengetahuan dan teknologi ternyata
memberikan solusi terhadap permasalahan yang ada di masyarakat. Oleh karena itu
dibutuhkan sebuah teknologi berupa program untuk mengklasifikasi suatu objek
seperti jenis jeruk. Seperti yang kita ketahui, di Indonesia teknologi dalam
mengklasifikasi jenis buah jeruk masih belum ada. Sehingga masyarakat masih
menggunakan metode manual untuk mengklasifikasi jenis jeruk tersebut. Maka,
dengan adanya teknologi dapat memanfaat program tersebut dalam mengklasifikasi
jenis jeruk dengan lebih cepat sehingga tidak memerlukan waktu yang lama dan
mengeluarkan hasil yang akurat.
Program akan mengklasifikasi jenis buah jeruk secara otomatis dan cepat dengan
hasil yang akurat. Dengan bantuan kamera, komputer dan pengolahan citra digital
dengan metode K-Nearest Neighbor (KNN). Fitur warna dan ukuran pixel citra
dipilih karena jenis buah jeruk dapat dilihat dari warna dan ukuran tekstur pada
permukaan buah jeruk. Fitur-fitur citra tersebut kemudian digunakan untuk proses
klasifikasi jenis jeruk menjadi empat kelas. Kelas tersebut yaitu Kelas Medan,
Kelas Ponkam, Kelas Sunkist, dan Kelas Siam. Dengan adanya aplikasi tersebut
diharapkan konsumen maupun produsen dengan mudah mengklasifikasikan jenis
jeruk.
1
1.2. Rumusan Masalah
1. Banyaknya jenis jeruk yang tak diketahui oleh banyak kalangan masyarakat.
2. Belum adanya parameter dalam mengklasifikasi jenis jeruk.
3. Belum adanya program yang otomatis untuk mengklasifikasi jenis jeruk dengan
cepat dan akurat.
Bagi Mahasiswa
1. Program ini diharapkan dapat menjadi upaya bagi mahasiswa untuk
mengembangkan inovasi dan menerapkan ilmu-ilmu yang telah diperoleh dari
bangku perkuliahan.
2. Tumbuhnya kepedulian untuk membangun bangsa melalui sector strategis.
Bagi Mitra
1. Menghemat waktu terhadap klasifikasi jenis buah jeruk.
2. Menjadi pendorong bagi pengembangan teknologi yang spesifik di bidang
pemasaran.
2
BAB 2. TINJAUAN PUSTAKA
3
2.2. Akuisisi Gambar
Pada bagian ini dijelaskan bagaimana dan darimana data diambil. Pengumpulan
data primer jeruk didapatkan secara acak dari supermarket. Untuk data sekunder
didapatkan dari jurnal/paper yang menyangkut penelitian pada buah jeruk. Berikut
adalah citra dari empat jenis buah jeruk.
(a) (b)
(c) (d)
Gambar 2.2
Jenis buah jeruk (a). Sunkish (b). Siam (c). Ponkam (d). Medan
Citra diambil dengan kamera sehingga diperoleh citra digital buah jeruk dalam
format jpg. Untuk data latih dan uji, citra buah jeruk diambil dengan background
putih menggunakan kertas HVS.
Oleh karena itu untuk mengurangi background dilakukan cropping pada
permukaan buah jeruk sehingga didapat citra objek secara penuh dan resize ukuran
pixel citra menjadi lebih kecil dengan aplikasi Photoshop.
4
Proses cropping dan resize dapat dilihat sebagai berikut.
5
background. Setiap piksel tidak lebih dari tinggi citra dan tidak lebih dari lebar
citra. Selain itu, lokasi piksel harus masuk ke dalam area tersegmentasi.
2.4. Gray-scale
Gray-scale adalah proses perubahan citra berwarna menjadi citra berskala
keabuan. Proses ini terjadi dengan merubah tiga kanal warna merah, hijau, dan biru
menjadi satu kanal dengan nilai intensitas 0-255. Citra skala keabuan memberi
warna yang lebih banyak daripada citra biner. Warna yang dipakai adalah antara
warna hitam sebagai warna minimal sampai warna putih sebagai warna maksimal
sehingga warna diantaranya adalah warna abu-abu.
6
BAB 3. METODE PELAKSANAAN
7
Berdasarkan Gambar 3.2 citra yang sudah diolah akan disimpan dalam folder
sesuai kelas (jenis jeruk). Pengumpulan data citra jeruk medan, siam, ponkam, dan
sunkish dilakukan dengan kamera DSLR dengan jumlah citra sebanyak 50 citra
perjenis jeruk. Citra yang akan diklasifikasi harus melalui tahap berikut ini.
Setelah proses pengumpulan data citra dilakukan tahap grayscale. Gambar 2.19
merupakan flowchart tahapan grayscale.
8
Tahapan grayscale dimulai dari citra jeruk RGB lalu diambil nilai pixel (x,y)
pada RGB kemudian dikonversi menjadi citra grayscale untuk kemudian di resize.
Gambar 3.3 adalah citra yang sudah digrayscale.
Feature Ekstraction pada program yaitu fitur warna dan fitur berdasarkan
ukuran pixel citra. Feature Ekstraction digunakan untuk membandingkan satu jenis
jeruk dengan jenis lain. Adapun flowchart proses ekstraksi fitur warna dapat dilihat
pada gambar
9
Berikut ini adalah proses yang berjalan pada program.
10
Pada penelitian ini proses klasifikasi dilakukan dengan metode K-Nearest
Neighbor (KNN). Metode KNN akan mengklasifikasi citra uji ke dalam kelas
dengan jarak terdekat.
Kemudian dilakukan proses pengujian dengan metode leave one out
menggunakan K yang berbeda-beda yaitu K = 1, K = 3, K = 5, K = 7, K = 9. Proses
pengujian bertujuan untuk menguji sistem apakah citra yang diuji sesuai dengan
kelas yang sebenarnya. Proses pengujian menggunakan 199 citra sebagai data latih
dan 1 citra sebagai data uji dengan pengukuran jarak Euclidean secara komputasi.
Berikut ini proses pengujian yang dilakukan pada program.
11
Berikut ini adalah spesifikasi laptop yang digunakan.
Tabel 1 Spesifikasi laptop
Spesifikasi Nama
Merek Asus ROG
Tipe 753VE
Tipe Grafis Nvidia G Force
GTX
OS Windows 10
CPU Intel Core i7-
7700HQ
Memori/RAM 16 GB
Ukuran Layar 17,3 inchi
Berat (kg) 2,97 kg
Laptop adalah alat bantu atau media yang digunakan untuk membuat
aplikasi, mengolah dataset, membuat laporan, dan lain-lain.
b. Kamera
12
2. Software
Aplikasi (software) yang digunakan yaitu sebagai berikut.
a. Matlab
13
c. Photoshop
Photoshop adalah aplikasi yang digunakan untuk proses cropping dan resize
citra.
Nilai K Computational
Time (detik)
1 81.876229
3 83.209900
5 85.852487
7 82.868289
9 83.311076
Rata-rata 83.4235962
14
Berikut ini adalah gambar grafik Computational Time yang tertera pada Tabel 6.
Computational Time
90
85
80
75
detik
2. Hasil Pengujian
Pengujian dilakukan 5 kali dengan variasi nilai K. Berikut ini adalah hasil
pengujian yang diperoleh.
a. Pengujian Klasifikasi dengan Nilai K = 1
Hasil klasifikasi dengan nilai K = 1 ditunjukkan pada Tabel 7. Hasil pengujian
dengan K = 1 didapatkan rata-rata akurasi klasifkasi KNN sebesar 97 %.
Tabel 7 Hasil pengujian klasifikasi K = 1
Hasil
Kelas Pengujian Akurasi
Benar Salah
Medan 49 1 98 %
Ponkam 47 3 94 %
Siam 49 1 98 %
Sunkish 50 0 100 %
Total rata-rata 97 %
Hasil
Kelas Pengujian Akurasi
Benar Salah
Medan 49 1 98 %
Ponkam 47 3 94 %
Siam 50 0 100 %
15
Sunkish 50 0 100 %
Total rata-rata 98 %
16
e. Pengujian Klasifikasi dengan Nilai K = 9
Hasil klasifikasi dengan nilai K = 9 ditunjukkan pada Tabel 11. Hasil pengujian
dengan K = 9 didapatkan rata-rata akurasi klasifkasi KNN sebesar 94 %.
Tabel 11 Hasil pengujian klasifikasi K = 9
3. Akurasi
Berdasarkan Tabel 6 sampai 10 maka diperoleh persentase nilai akurasi
program yaitu 95 %. Pada Tabel 12 dapat dilihat persentase akurasi keberhasilan
program.
Tabel 12 Rata-rata hasil pengujian
Akurasi Keberhasilan
Kelas
k=1 k=3 k=5 k=7 k=9
Medan 98 98 96 92 90
% % % % %
Ponkam 94 94 88 88 88
% % % % %
Siam 98 100 98 98 100
% % % % %
Sunkish 100 100 100 100 100
% % % % %
Rata- 97 98 95 94 94
rata % % % % %
Total
95 %
rata-rata
17
BAB 4. BIAYA DAN JADWAL KEGIATAN
18
DAFTAR PUSTAKA
19
[15] Informatikalogi, 2017, “Algoritma K-Nearest Neighbor (K-NN)”,
https://informatikalogi.com/algoritma-k-nn-k-nearest-neighbor/, Diakses
pada tanggal 20 November 2018.
[16] Saprina. Mamase, Joko. Lianto. Buliali, 2015, “Metode Hibrida K-Means dan
Generalized Regression Neural Network Untuk Prediksi Arus Lalu Lintas”,
Teknik Informatika : Institut Teknologi Sepuluh November.
[17] Yuliana. Hermawan, 2012, “Dasar Teori Estimasi Akurasi Classifier Metode
Holdout”.
[18] M. Reza. Faisal, 2013, “Seri Belajar Data Science : Klasifikasi dengan Bahasa
Pemrograman R”.
20
LAMPIRAN-LAMPIRAN
Semua data yang saya isikan dan tercantum dalam biodata ini adalah benar dan
dapat dipertanggungjawabkan secara hokum. Apabila dikemudian hari ternyata
dijumpai ketidaksesuaian dengan kenyataan, saya sanggup menerima sanksi.
Demikian biodata ini saya buat dengan sebenarnya untuk memenuhi salah satu
persyaratan dalam pengajuan hibah PKM-T.
Bandung, 14-Desember-2018
Pembimbing
21
(Agus Pratondo, S.T., M.T., Ph.D.)
Biodata Anggota 1
A. Identitas Diri
1 Nama Lengkap (dengan gelar) Agriva Ruth Cristina Lingga
2 Jenis Kelamin P
3 Program Studi S1 Terapan Teknologi Rekayasa
Multimedia
4 NIM/NIDN 7708164032
5 Tempat dan Tanggal Lahir Purba Hinalang, 26 Juli 1998
6 Email agrivaruth00@gmail.com
7 Nomor Telp/Hp 081322575447
B. Riwayat Pendidikan
SD SMP SMA
Nama Institusi SDN 091361 SMPN 2 Purba SMAN 5
Purba Simpang Pematangsiantar
Hinalang Haranggaol
Jurusan - - IPA
Tahun Masuk-Lulus 2004 - 2010 2010 - 2013 2013 - 2016
C. Pemakalah Seminar Ilmiah (Oral Presentation)
No Nama Pertemuan Ilmiah/ Judul Artikel Ilmiah Waktu dan
Seminar Tempat
Semua data yang saya isikan dan tercantum dalam biodata ini adalah benar dan
dapat dipertanggungjawabkan secara hokum. Apabila dikemudian hari ternyata
dijumpai ketidaksesuaian dengan kenyataan, saya sanggup menerima sanksi.
Demikian biodata ini saya buat dengan sebenarnya untuk memenuhi salah satu
persyaratan dalam pengajuan hibah PKM
22
Bandung, 14-Desember-2018
Pembimbing
Biodata Anggota 2
A. Identitas Diri
1 Nama Lengkap (dengan gelar) Devira Monda Astri Harahap
2 Jenis Kelamin P
3 Program Studi S1 Terapan Teknologi Rekayasa
Multimedia
4 NIM/NIDN 7708164014
5 Tempat dan Tanggal Lahir Medan, 9 Januari 1999
6 Email deviramondastri@gmail.com
7 Nomor Telp/Hp 082167689951
B. Riwayat Pendidikan
SD SMP SMA
Nama Institusi SDN 158466 SMP Swasta SMAN 1
Sibuluan IB Al-Muslimin Matauli Pandan
Pandan
Jurusan - - IPA
Tahun Masuk-Lulus 2004 - 2010 2010 - 2013 2013 - 2016
C. Pemakalah Seminar Ilmiah (Oral Presentation)
No Nama Pertemuan Ilmiah/ Judul Artikel Ilmiah Waktu dan
Seminar Tempat
Semua data yang saya isikan dan tercantum dalam biodata ini adalah benar dan
dapat dipertanggungjawabkan secara hokum. Apabila dikemudian hari ternyata
dijumpai ketidaksesuaian dengan kenyataan, saya sanggup menerima sanksi.
23
Demikian biodata ini saya buat dengan sebenarnya untuk memenuhi salah satu
persyaratan dalam pengajuan hibah PKM-T.
Bandung, 14-Desember-2018
Pembimbing
24
Semua data yang saya isikan dan tercantum dalam biodata ini adalah benar dan
dapat dipertanggungjawabkan secara hokum. Apabila dikemudian hari ternyata
dijumpai ketidaksesuaian dengan kenyataan, saya sanggup menerima sanksi.
Demikian biodata ini saya buat dengan sebenarnya untuk memenuhi salah satu
persyaratan dalam pengajuan hibah PKM-T.
Bandung, 14-Desember-2018
Pembimbing
25
C. Pemakalah Seminar Ilmiah (Oral Presentation)
No Nama Pertemuan Ilmiah/ Judul Artikel Ilmiah Waktu dan
Seminar Tempat
1. International Conference Medical Image Denpasar, 13
on Electrical and Segmentation using November 2018
Engineering and A Robust Edge Stop
Comptuer Science, 2018 Function
26
Semua data yang saya isikan dan tercantum dalam biodata ini adalah benar dan
dapat dipertanggungjawabkan secara hokum. Apabila dikemudian hari ternyata
dijumpai ketidaksesuaian dengan kenyataan, saya sanggup menerima sanksi.
Demikian biodata ini saya buat dengan sebenarnya untuk memenuhi salah satu
persyaratan dalam pengajuan hibah PKM-T.
Bandung, 14-Desember-2018
Pembimbing
26
Lampiran 2 Justifikasi Anggaran Kegiatan
1. Peralatan Penunjang
Harga Satuan Jumlah Harga
Material Kuantitas
(Rp) (Rp)
Kamera Canon 1 buah
5,330,000 5,330,000
EOS 1300D
Gorilla Pod 1 buah
42,000 42,000
Flexible
Venus Laser 1 buah
Distance Meter 332,000 332,000
Digital VN-40M
Handphone 1 buah
1,300,000 1,300,000
Android
SUB TOTAL (Rp) 7,004,000
3. Perjalanan
Harga Satuan Jumlah Harga
Material Kuantitas
(Rp) (Rp)
Transportasi ke 1 kali 400,000 400,000
tempat
pembelian alat
penunjang
Transportasi ke 1 kali 50,000 50,000
tempat
pencarian buah
jeruk
SUB TOTAL (Rp) 450,000
4. Lain-lain
Harga Satuan Jumlah Harga
Material Kuantitas
(Rp) (Rp)
Pembuatan 1 50,000 50,000
Proposal
Komunikasi 300,000 300,000
SUB TOTAL (Rp) 350,000
28
5. Jumlah Total
No Jenis Pengeluaran Biaya (Rp)
1 Peralatan Penunjang 7.004.000
2 Bahan Habis Pakai 843.000
3 Transportasi 450.000
4 Lain-lain 350.000
Jumlah Total (Rp) 8.647.000
29
Lampiran 3. Susunan Organisasi Tim Penyusun dan Pembagian Tugas
Alokasi
Program Bidang
No Nama/NIM Waktu Uraian Tugas
Studi Ilmu
(Jam/Minggu)
1 Ayu S1 Terapan S1 Terapan 5 Ketua dan
Qamarani / Teknologi Teknologi Manajer
7708164071 Rekayasa Rekayasa Pengembangan
Multimedia Multimedia
2 Agriva Ruth S1 Terapan S1 Terapan 5 Konsep
Cristina Teknologi Teknologi Program dan
Lingga / Rekayasa Rekayasa Survey
7708164032 Multimedia Multimedia Lapangan
3 Devira S1 Terapan S1 Terapan 5 Sekretaris dan
Monda Astri Teknologi Teknologi Konsep
Harahap / Rekayasa Rekayasa Program
7708164014 Multimedia Multimedia
4 Ravika S1 Terapan S1 Terapan 5 Survey
Oktaviani / Teknologi Teknologi Lapangan dan
7708164050 Rekayasa Rekayasa Lobi Mitra
Multimedia Multimedia
30
SURAT PERNYATAAN KETUA PENELITI/PELAKSANA
Dengan ini menyatakan bahwa proposal PKM T saya dengan judul Klasifikasi Jenis
Buah Jeruk dengan Metode K-Nearest Neighbor yang diusulkan untuk tahun
anggaran 2019 bersifat original dan belum pernah dibiayai oleh lembaga atau
sumber dana lain.
Bilamana di kemudian hari ditemukan ketidaksesuaian dengan pernyataan ini,
maka saya bersedia dituntut dan diproses sesuai dengan ketentuan yang berlaku dan
mengembalikan seluruh biaya penelitian yang sudah diterima ke kas negara.
Demikian pernyataan ini dibuat dengan sesungguhnya dan dengan sebesar-
besarnya.
Bandung, 14-Desember-2018
Mengetahui,
Wakil Rektor IV Bidang Kemahasiswaan Yang menyatakan,
dan Penelitian
Materai 6000
(Ayu Qamarani)
Dr. Ir. Rina Pudji Astuti, M.T.
NIM. 7701864014
NIP. 93630028
31