Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-ISSN: 2548-964X

Vol. 3, No. 3, Maret 2019, hlm. 3033-3038 http://j-ptiik.ub.ac.id

Diagnosis Hama Penyakit Tanaman Bawang Merah Menggunakan Metode

Neighbors Weighted K-Nearest Neighbors (NWKNN)
Masayu Vidya Rosyidah1, Budi Darma Setiawan2, Muhammad Tanzil Furqon3

Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya

Email: 1msyvidya@gmail.com, 2s.budidarma@ub.ac.id, 3m.tanzil.furqon@ub.ac.id

Abstrak
Bawang merah merupakan tanaman yang masuk ke dalam komoditas ekspor yang sukses di Indonesia.
Bawang merah memiliki segudang kegunaan, mulai dari bumbu masakan hingga menjadi bahan obat.
Namun dibalik itu, selama masa tanamnya tumbuhan ini seringkali mengalami risiko gagal panen yang
disebabkan oleh hama dan penyakit tanaman bawang merah. Selain itu, masih kurangnya pemahaman
para petani dalam mengendalikan hama dan penyakit ini menyebabkan kerugian yang tidak bisa
terelakkan. Salah satu cara untuk mengatasi permasalahan ini adalah membangun sistem yang dapat
mendiagnosis hama dan penyakit tanaman bawang merah yaitu sistem pakar. Sistem pakar yang dibagun
untuk mendiagnosis hama dan penyakit tanaman bawang merah pada penelitian ini menggunakan
metode Neighbors Weighted K-Nearest Neighbors (NWKNN) dengan parameter k bernilai 2 dan e
bernilai 4 menghasilkan akurasi sebesar 100%.
Kata kunci: neighbors weighted k-nearest neighbors (NWKNN), bawang merah, sistem pakar
Abstract
Red onions is a a plant that is a successfull export commodity in Indonesia. Red onions have many
benefits, can be a seasoning cook to medical ingredients. Behind that, during the planting period these
plants often run the risk of crop failure caused by pests and diseases of red onions. In addition, there is
still a lack of understanding of farmers in controlling pests and diseases causing inevitable losses. One
way to overcome this problem is to build a system that can diagnose pests and diseases on red onions,
namely the expert system. The expert system that is built to diagnose pests and diseases on red onions
in this study using the Neighbors Weighted K-Nearest Neighbors (NWKNN) method with parameters k
=2 and e = 4 produces an accuracy of 100%.
Keywords: neighbors weighted k-nearest neighbors (NWKNN), red onions, expert system

pangkal daunnya dapat berubah bentuk dan

1. PENDAHULUAN
Indonesia merupakan negara agraris atau
dengan kata lain Indonesia memiliki penduduk
dengan mayoritas bermata pencaharian pada
bidang pertanian dan perkebunan (cocok tanam).
Hasil cocok tanam yang diperoleh sangat
beragam, mulai dari buah, sayur, umbi-umbian,
biji-bijian dan masih banyak lagi. Salah satu
hasil pertanian yang terkenal di Indonesia dan
termasuk dalam komoditas ekspor yaitu bawang
merah.
Tanaman bawang merah yang menjadi ciri
khas Indonesia ini bernama latin Allium
ascalonicum L. termasuk sebagai tanaman
semusim, memiliki umbi berlapis dengan akar
serabut dan daun yang berbentuk silindris serta
fungsi. Jenis varietas bawang merah yang
dibudidayakan di Indonesia pun beragam, yaitu
varietas super philip, bima brebes, tuk –tuk,
lembah palu, bawang bauji dan masih banyak
lagi. Beragam varietas ini memiliki karakteristik
dan tempat asal budidaya yang berbeda - beda.
Bawang merah yang memiliki nilai ekonomi
tinggi ini umumnya sering dibutuhkan
masyarakat sebagai bahan penyedap masakan
atau bahan tambahan pada makanan. Tidak
hanya sebagai bahan makanan, tanaman ini juga
memiliki segudang manfaat dari segi kesehatan
karena dapat dijadikan sebagai obat tradisional.
Hal ini menjadikan bawang merah sebagai umbi
– umbian yang sangat penting dalam hasil
pertanian di Indonesia.

Fakultas Ilmu Komputer

Universitas Brawijaya 3033
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Akan tetapi, bertani bawang merah memiliki
resiko tinggi. Produktivitas tanaman yang
rendah dan serangan hama maupun penyakit
berpengaruh tinggi pada proses penanaman
bawang merah di luar musimnya. Terdapat suatu
kendala dimana sering terjadi gagal panen yang
diakibatkan oleh hama maupun penyakit
tanaman bawang merah.
Hal ini tentu saja mendatangkan kerugian
bagi para petani bawang merah. Untuk
mencegah dan mengatasi permasalahan ini dapat
dilakukan dengan memberikan solusi dari
seorang ahli terkait hama penyakit yang
menyerang tanaman bawang merah milik petani.
Diharapkan nantinya, solusi yang diberikan oleh
pakar ini dapat membantu para petani untuk
menghindari kerugian yang diakibatkan oleh
resiko gagal panen.
Seperti yang telah diuraikan sebelumnya,
dalam mengatasi permasalahan ini
membutuhkan seorang ahli yang mampu
mendiagnosis jenis hama dan penyakit tanaman
bawang merah sekaligus memberikan solusi
berupa cara menanggulanginya. Oleh karenanya
diperlukan suatu alat bantu yang dapat
menyalurkan pengetahuan seorang ahli dalam
mendiagnosis jenis hama maupun penyakit
tanaman bawang merah, yaitu sistem pakar. Alat
bantu yang menggunakan sistem pakar ini
diharapkan dapat menjadi solusi bagi petani
dalam merawat tanaman bawang merah dan
menghindari kerugian yang disebabkan oleh
hama dan penyakit.
Seperti pada penelitian sebelumnya yang
diteliti oleh Mohamad Yusuf Arrahman, Nurul
Hidayat dan Sutrisno pada tahun 2018 dengan
mendiagnosa Hama Penyakit Tanaman Bawang
Merah menggunakan algoritme Modified K-
Nearest Neighbor (MKNN) menghasilkan
akurasi sebesar 83,33%. Disamping itu, terdapat
pula beberapa penelitian mengenai metode
Neighbour Weighted K-Nearest Neighbour
(NWKNN). Salah satunya yang berjudul
Identifikasi Penyakit Gagal Ginjal
Menggunakan Metode Neighbour Weighted K-
Nearest Neighbour (NWKNN) oleh Azizul
Hanifah Hadi pada tahun 2018 dengan hasil
akurasi sebesar 88%. Sehingga, meneruskan
penelitian sebelumnya dengan mengubah
algoritme klasifikasi diharapkan dapat
meningkatkan hasil akurasi bagi diagnosa hama
penyakit tanaman bawang merah.
Penggunaan metode yang baik tentunya
sangat berpengaruh dalam pembangunan sistem
pakar ini. Untuk mendapatkan hasil yang lebih
Fakultas Ilmu Komputer, Universitas Brawijaya
3034
baik dan lebih akurat, para peneliti terdorong
untuk terus menerus melakukan penelitian
terkait hama dan penyakit tanaman bawang
merah.
2. LANDASAN KEPUSTAKAAN
2.1. Bawang Merah
Bawang merah (Allium ascalonicum L)
merupakan tanaman musiman yaitu tanaman
yang tumbuh secara tahunan. Santoso (2008)
berpendapat bahwa untuk menanam bawang
merah baiknya pada daerah dataran rendah pada
kisaran ketinggian 30 meter dpl (di atas
permukaan laut). Tanaman ini membutuhkan
curah hujan tahunan yang dengan kisaran sekitar
1.000-2.000 mm per tahunnya dengan durasi 5
sampai 7 bulan hujan dan 4 sampai 6 bulan
kering. Kebutuhan suhu udara yaitu 25ºC hingga
32ºC dengan kelembaban sedang dan asupan
sinar matahari langsung yang memadai. Jenis
tanah yang cocok untuk ditanami yaitu tanah
lempung berpasir/berdebu, memiliki tingkat
asam (pH) sekitar 6 sampai 6,8.
2.2. Hama dan Penyakit Tanaman Bawang
Merah
Dalam proses penanamannya, tanaman
bawang merah sering kali mendapat gangguan
dari hama maupun penyakit, diantaranya:
− hama ulat bawang
− hama lalat pengorok daun
− penyakit moler atau layu fusarium
− penyakit trotol atau bercak ungu
− penyakit antraknosa
− penyakit embun bulu
− penyakit ngelumpruk
− penyakit bercak daun serkospora
2.2. Sistem Pakar
Sistem pakar adalah sistem yang bekerja
seperti layaknya seorang ahli. Sistem memiliki
pengetahuan yang diperoleh dari seorang pakar
untuk menjadi basis pengetahuannya dalam
menyelesaikan suatu permasalahan di bidang
tertentu. Pengetahuan ini tertanam pada sistem
komputer dan digunakan oleh manusia untuk
mencari solusi dari permasalahannya. Sehingga
peran seorang ahli dapat digantikan oleh
komputer. Komponen-komponen sistem pakar
terdiri dari basis pengetahuan, basis data, mesin
inferensi dan antarmuka pengguna.
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 3035

2.3. Metode Klasifikasi 3. Urutkan jarak ketetanggaan yang

Pada data mining terdapat banyak bidang diperoleh dari Persamaan 1 dari yang
pembelajaran, salah satunya klasifikasi. terdekat atau terbesar.
Klasifikasi didefinisikan sebagai metode 4. Tentukan nama-nama kelas yang akan
penganalisis kumpulan data menjadi sebuah menjadi hasil klasifikasi.
model yang digunakan untuk 5. Hitung bobot dengan Persamaan 2 (Tan,
menkategorisasikan label kelas. Proses 2005):
klasifikasi terbagi menjadi dua, yaitu proses 𝑊𝑒𝑖𝑔ℎ𝑡𝑖 =
1
1 (2)
pembelajaran dan proses pengklasifikasian. (
𝑁𝑢𝑚(𝐶𝑖𝑑 )
𝑑 )
𝑒𝑥𝑝
𝑀𝑖𝑛{𝑁𝑢𝑚(𝐶𝑗 )|𝑗=1,…,𝐾∗}
Langkah pertama yaitu pembelajaran adalah
proses pembentukan model klasifikasi. Dimana:
Sedangkan langkah berikutnya yaitu 𝑊𝑒𝑖𝑔ℎ𝑡𝑖 :bobot untuk kelas ke-i
pengklasifikasian adalah proses yang 𝑁𝑢𝑚(𝐶𝑖 𝑑 ) :jumlah data latih d
menggunakan hasil dari proses pembelajaran pada kelas ke-i
(model klasifikasi) untuk menentukan label 𝑁𝑢𝑚(𝐶𝑗 𝑑 ) :jumlah data latih d
kelas milik suatu data. pada kelas ke-j,
dimana j merupakan
2.4. Neighbors Weighted K-Nearest kategori semua kelas
Neighbors (NWKNN) pada data latih
𝐸𝑥𝑝 :nilai eksponen lebih
Metode Neighbor Weighted K-Nearest dari 1
Neighbor (NWKNN) merupakan pengembangan
metode KNN, perbedaan terdapat pada 6. Hitung skor tiap kelas yang diperoleh dari
pemberian bobot yang dilakukan algoritme hasil perkalian antara bobot di kelas
NWKNN (Feizar, et al., 2014). Pemberian bobot tertentu dengan jumlah jarak pada kelas
dibedakan dengan melihat jumlah kelas pada tertentu yang masuk dalam himpunan k
data latih, untuk tetanggan dengan jumlah kelas (ketetanggaan), menggunakan Persamaan
yang sedikit maka bobotnya akan dinaikkan. 3
Sebaliknya, untuk tetangga dengan jumlah kelas
data latih yang banyak maka bobot yang 𝑆𝑘𝑜𝑟(𝑋, 𝐶𝑖 ) = 𝑊𝑒𝑖𝑔ℎ𝑡𝑖 ∗
diberikan akan diperkecil. Hal ini bertujuan agar (∑𝑑𝑗𝑁𝑊𝐾𝑁𝑁(𝑥) ((√∑𝑛𝑖=1(𝑥21 − 𝑥1𝑖 )2 ) ∗
kelas dengan jumlah data latih yang sedikit
𝛿(𝑑𝑗 , 𝐶𝑖 ))) (3)
memiliki kesempatan untuk menjadi hasil
klasifikasi. Dimana:
Alur proses pada algoritme NWKNN adalah 𝑊𝑒𝑖𝑔ℎ𝑡𝑖 : bobot untuk kelas ke-i
sebagai berikut (Fadila, et al., 2016): 𝑑𝑗𝑁𝑊𝐾𝑁𝑁(𝑥) : jarak antara data latih
1. Tentukan parameter k (ketetanggan) ke-j dengan himpunan
2. Hitung jarak ketetanggaan antara data uji tetangga terdekat data
terhadap data latih menggunakan uji ke-x
persamaan Euclidean Distance. Jarak yang 𝛿(𝑑𝑗 , 𝐶𝑖 ) : bernilai 1 bila kelas
didapatkan dari persamaan tersebut menjadi jarak pada data latih
nilai untuk mengukur kedekatan ke-j merupakan ∈
ketetanggaan. Menghitung jarak 𝐶𝑖 dan bernilai 0 bila
ketetanggaan dapat menggunakan kelas jarak ∉ 𝐶𝑖
Persamaan 1
1 3. METODOLOGI
d(x1 , x2 ) = (1)
(√∑𝑛 2
𝑖=1(𝑥2𝑖 −𝑥1𝑖 ) )+1
3.1. Data Penelitian
Dimana :
X1 = data latih ke-i Penelitian ini menggunakan data yang telah
X2 = data uji ke-i didapat dari penelitian terdahulu (sekunder).
n = jumlah data Data-data yang dimaksud terdiri dari:
1. Data sekunder sebanyak 160 dari skripsi
Rizki Ristandi yang merupakan data gejala

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 3036

dan hama penyakit yang diderita tanaman 3.3. Proses Algoritme NWKNN
bawang merah.
2. 18 daftar gejala sebagai fitur, sebagai Mulai
berikut
3. 8 kelas hama penyakit yang diderita Gejala Hama Penyakit
tanaman bawang merah
4. Aturan diagnosis untuk hama penyakit i = 1; i = data uji
tanaman bawang merah
j = 1; j = data latih
3.2. Perancangan Sistem Pakar
Perancangan sistem adalah tahap Hitung Distance
pembuatan desain dari sistem yang dibangun
secara keseluruhan. Sehingga nantinya
j
perncangan ini akan memudahkan dalam
implementasi dan pengujian sistem. Model
perancangan yang digunakan yaitu sesuai Urutkan Distance
dengan pemodelan sistem pakar.
Hitung Weight
Tentukan Nilai K

Hitung Skor
Hitung Distance Diagnosis

Data i
Gejala Urutkan Distance
Saran
Hitung Weight
Urutkan Skor

Hitung Skor
Diagnosis
Input Proses Output

Gambar 1. Perancangan Sistem Diagnosis Hama Selesai

Penyakit Tanaman Bawang Merah
Gambar 2. Diagram Alir Metode NWKNN
Pada Gambar 1. terdapat tiga proses yang
Penjelasan tiap langkah dari diagram alir
membangun sistem diagnosis hama penyakit
pada Gambar 2. adalah sebagai berikut:
tanaman bawang merah, yaitu:
1. Masukan dari pengguna berupa gejala hama
1. Input
penyakit
Input yang digunakan pada sistem berupa
2. Proses perulangan terhadap data uji untuk
masukan data gejala pada hama penyakit
mengetahui jumlah data uji menggunakan
tanaman bawang merah dari pengguna.
variabel i
2. Proses
3. Proses perulangan terhadap data latih untuk
Proses perhitungan yang digunakan pada
mengetahui jumlah data latih menggunakan
sistem ini adalah metode Neighbors
variabel j
Weighted K-Nearest Neighbors berdasar
4. Menghitung distance untuk mendapatkan
kepada data training.
jarak ketetanggaan antara data uji dan data
3. Output
latih dengan Persaman 1
Output dari sistem ini berupa nama hama
5. Perhitungan distance berhenti setelah
penyakit tanaman bawang merah dari nilai
variabel j telah terpenuhi
skor terbesar.
6. Mengurutkan distance dari yang terbesar
sejumlah nilai K
7. Menghitung weight atau bobot tiap kelas
dengan Persamaan 2
8. Menghitung skor dari tiap kelas terhadap
data uji dengan Persamaan 3

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 3037

9. Perhitungan bobot dan skor berhenti setelah 10, sistem menghasilkan akurasi akurasi
variabel i telah terpenuhi terbaiknya yaitu akurasi 100%. Sedangkan bila
10. Mengurutkan skor dari yang terbesar menggunakan nilai k lebih dari itu akurasi yang
11. Mengambil kelas dengan skor terbesar didapatkan terlihat naik turun. Naik turunnya
sebagai hasil diagnosis akurasi dikarenakan semakin besar nilai k yang
digunakan maka semakin banyak data-data yang
4. PENGUJIAN DAN ANALISIS masuk menjadi tetangga. Selain itu, jumlah data
Bab ini menjelaskan hasil pengujian dan pada setiap kelas yang tidak seimbang juga
analisis dari keluaran yang diperoleh sistem berpengaruh karena kelas dengan jumlah data
pakar untuk diagnosis hama penyakit tanaman terbanyak akan mendominasi pada saat sistem
bawang merah menggunakan K-Fold Cross melakukan klasifikasi.
Validation untuk mengukur performasi Pengaruh Nilai K
algoritme Neighbors Weighted K-Nearest
Neighbors (NWKNN) serta menguji parameter 100
algoritme yaitu k (ketetanggaan) dan e 98
(eksponen).
96
4.1. Pengujian K-Fold Cross Validation 94
Tabel 1. Hasil Pengujian K-Fold Cross Validation 2 4 8 10 15 20 25 30 35 40
K K-Fold K-Fold K-Fold K-Fold
Nilai K
(tetangga) 1 2 3 4
2 97,5 100 100 100 Gambar 3. Grafik Pengaruh Parameter K
4 97,5 97,5 100 100
4.3. Pengujian Parameter E
8 97,5 97,5 100 100
10 97,5 97,5 100 100 Pengaruh Nilai E
15 97,5 97,5 95 97,5 100

20 97,5 97,5 95 95 99
98
25 97,5 97,5 97,5 97,5
97
30 97,5 97,5 97,5 97,5 2 4 8 16
35 97,5 95 95 90 Nilai E
40 100 97,5 95 87,5
Gambar 4. Pengaruh Parameter E

Pada Tabel 1. dari sejumlah pengujian yang
dilakukan menggunakan parameter k yang
berbeda untuk K-fold ke-1 sampai 4
menghasilkan akurasi pada rentang yang
cenderung stabil. Pada K-fold ke-3 dan ke-4
menghasilkan cukup banyak akurasi yang
mencapai 100%. Sehingga bisa dikatakan K-
Fold Cross Validation yang digunakan berfungsi
untuk mengukur kinerja atau keakuratan suatu
model berdasarkan dataset tertentu.
Pada grafik yang tersaji pada Gambar 4.
dapat diketahui bahwa akurasi yang dihasilkan
terlihat cukup stabil. Bila menggunakan k
bernilai 2, akurasi yang dihasilkan oleh sistem
sebesar 97,5%. Sedangkan untuk e bernilai 4, 8
dan 10, sistem menghasilkan akurasi akurasi
terbaiknya yaitu akurasi 100%. Sehingga nilai
parameter e yang berubah-ubah tidak terlalu
berpengaruh pada hasil akurasi diagnosis hama
penyakit tanaman bawang merah.

4.2. Pengujian Parameter K 4.4. Pengujian Akurasi

Pada grafik yang tersaji pada Gambar 3.
dapat diketahui bahwa nilai parameter k yang
berubah-ubah dapat mempengaruhi hasil
akurasi. Akurasi yang dihasilkan terlihat tidak
stabil. Bila menggunakan k bernilai 2, 4, 8 dan
Pengujian akurasi dilakukan untuk
mengukur seberapa besar sistem mampu
memberikan diagnosis yang sesuai dengan hasil
aktualnya. Pengujian akurasi menggunakan data
latih dan data uji dari K-fold ke-3 serta parameter

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 3038

k dan e yang optimal dari pengujian sebelumnya

yaitu k = 10 dan e = 4. Dari 120 data latih dan 40
data uji, sistem mampu mendiagnosis seluruh
hama dan penyakit tanaman bawang merah
dengan benar sehingga dihasilkan akurasi
sebesar 100%.

5. KESIMPULAN
Berdasarkan hasil yang telah diperoleh,,
maka diperoleh kesimpulan yaitu: nilai
parameter k (ketetanggaan) dan e (eksponen)
yang optimal adalah sebesar 2 dan 4 untuk
diagnosis hama dan penyakit tanaman bawang
merah menggunakan metode Neighbors
Weighted K-Nearest Neighbors (NWKNN).
Sedangkan akurasi yang dihasilkan sistem untuk
mendiagnosis hama dan penyakit tanaman
bawang merah menggunakan metode Neighbors
Weighted K-Nearest Neighbors (NWKNN)
dengan parameter k dan e yang optimal adalah
sebesar 100%.

6. DAFTAR PUSTAKA
Arrahman, M. Yusuf, Hidayat, N. & Sutrisno,
2018. Diagnosa Hama Penyakit Tanaman
Bawang Merah Menggunakan Algoritma
Modified K-Nearest Neighbor (MKNN).
S1. Universitas Brawijaya.
Fadila, P. N., Indriati & Ratnawati, D. E., 2016.
Identifikasi Jenis Attention Deficit
Hyperactivity Disorder (ADHD) Pada
Anak Usia Dini Menggunakan Metode
Neighbor Weighted K-Nearest Neighbor
(NWKNN). S1. Universitas Brawijaya.
Feizar, Faldy H., 2014. Analisis Sentimen Opini
Film Berbahasa Indonesia Berbasis
Kamus Menggunakan Metode Neighbor-
Weighted K-Nearest Neighbor. S1.
Universitas Brawijaya.
Hadi, Azizul Hanifah, 2018. Identifikasi
Penyakit Gagal Ginjal Menggunakan
Metode Neighbour Weighted K-Nearest
Neighbour (NWKNN). S1. Universitas
Brawijaya.
Ristandi, R., Hidayat, N. & Fauzi, M. A., 2016.
Pemodelan Sistem Pakar Diagnosa Hama
- Penyakit Pada Tanaman Bawang Merah
Menggunakan Metode Naïve Bayes. S1.
Universitas Brawijaya.
Tan, Songbo. 2005. Neighbor-weighted K-
nearest neighbor for unbalanced text
corpus. Elsavier Inc.

Fakultas Ilmu Komputer, Universitas Brawijaya