SKRIPSI
KHADIZA RINA
131402065
SKRIPSI
KHADIZA RINA
131402065
Puji dan syukur kehadirat Allah SWT, karena rahmat dan izin-Nya penulis dapat
menyelesaikan penyusunan skripsi ini, sebagai syarat untuk memperoleh gelar Sarjana
Komputer, pada Program Studi S1 Teknologi Informasi Fakultas Ilmu Komputer dan
Teknologi Informasi Universitas Sumatera Utara.
1. Bapak Prof. Runtung Sitepu, SH., M.Hum selaku Rektor Universitas Sumatera
Utara.
2. Bapak Prof. Dr. Drs. Opim Salim Sitompul, M.Sc. selaku Dekan Fasilkom-TI
Universitas Sumatera Utara.
3. Bapak Romi Fadillah Rahmat, B.Comp.Sc., M.Sc., selaku Ketua Program Studi
S1 Teknologi Informasi Universitas Sumatera Utara dan sekaligus sebagai
dosen pembimbing pertama.
4. Ibu Sarah Purnamawati, ST., M.Sc., selaku Sekretaris Program Studi S1
Teknologi Informasi Universitas Sumatera Utara dan juga sekaligus dosen
pembimbing kedua.
5. Bapak Ainul Hizriadi, S.Kom, M.Sc, selaku Dosen Pembanding I yang memberi
saran dan bimbingan kepada penulis.
6. Bapak Seniman, S.Kom, M.Kom, selaku Dosen Pembanding II yang memberi saran
dan bimbingan kepada penulis.
7. Kedua Orang tua penulis, Muhammad Akhir dan Budiani Marpaung, yang
selalu memberikan do’a, kasih sayang, nasehat dan dukungan kepada penulis
dari mulai mengikuti pendidikan hingga selesainya tugas akhir ini.
8. Teman – teman Haholongan, Inu Wulandari, S.Kom, Regania Pasca Rassy,
S.Kom, Elsa Trida Sawitri, S.Kom, Enno Putri Syah Alami, S.Kom, Chintya
Dwi Hevlima Sianipar, S.Kom, Suci Dwi Nur, S.Kom, Hengky Wijaya, S.Kom,
Arfan Rahmat, S.Kom, Rifandi Indrayudha Prawira, S.Kom, Fadhil Ramadhan,
S.Kom, Afin Zaky, S.Kom dan Odysius, S.Kom.
9. Rido Toryan Pratama Putra, S.Kom yang selalu memberi semangat, nasehat dan
motivasi kepada penulis.
10. Kak Rona, Rhama dan Josef selaku tim dan rekan seperjuangan dalam
membantu akreditasi program studi Teknologi Informasi.
11. Keluarga besar Sanggar Kaligrafi An-Nida yang selalu mendukung penulis dan
menjadi keluarga penulis selama masa tugas akhir.
12. Semua dosen, staff dan pegawai di Jurusan Teknologi Informasi serta Fakultas
Ilmu Komputer dan Teknologi Informasi yang tidak dapat saya sebutkan satu-
persatu.
13. Seluruh teman – teman angkatan 2013 khususnya Kom A, teman – teman
mahasiswa Teknologi Informasi lainnya. Semoga Allah SWT membalas
kabaikan kalian.
14. Semua pihak yang terlibat langsung ataupun tidak langsung yang tidak dapat
penulis ucapkan satu persatu yang telah membantu penyelesaian skripsi ini.
Semoga Allah SWT melimpahkan berkah kepada semua pihak yang telah memberikan
bantuan, perhatian, serta dukungan kepada penulis dalam menyelesaikan skripsi ini.
ABSTRAK
Kesuburan tanah pada lahan sawah untuk tanaman padi merupakan salah satu faktor
penentu keberhasilan usaha pertanian. Namun ada kalanya banyak usaha pertanian yang
gagal atau hasil tidak maksimal karena kurangnya pemahaman tentang tingkat
kesuburan tanah untuk jenis tanaman yang tepat dan sesuai dengan sampel tanah dari
petani sendiri. Fokus utama penelitian ini adalah untuk membuat sistem klasifikasi
kualitas lahan sawah yang baik menggunakan parameter seperti kelembapan tanah,
kelembapan udara, tinggi air dan intensitas cahaya. Dalam hal ini lahan sawah akan
digolongkan menjadi dua kategori yaitu lahan sawah ideal dan tidak ideal. Pada
penelitian ini, dikembangkan sistem untuk klasifikasi lahan sawah dengan algoritma K-
Nearest Neighbor. Tahapan keseluruhan pada penelitian ini adalah preprocessing
(normalisasi, binning by boundaries, labelling) dan klasifikasi menggunakan K-Nearest
Neighbor. Algoritma tersebut menghitung jarak pada setiap data yang ada pada data
training kemudian mengklasifikasi data berdasarkan dengan mayoritas pada nilai
ketetanggaan (nilai k) tertentu. Hasil pengujian pada penelitian ini adalah akurasi
sebesar 93,33% dimana nilai k yang digunakan yaitu 3.
ABSTRACT
The soil fertility of paddy field for the rice plants are one of the critical success factors of
agriculture. However, many agriculture were fail or the results not maximum because the
understanding lack about soil fertility level for the types of plant are appropriate and
suitable with soil samples from the farmers. The main focus of this research is to make the
clasification system of the good paddy field quality by using parameter like soil moisture,
air moisture, high water and light intensity. In this case, the paddy field would be
categorized into two such as the ideal and unideal paddy field. The research has developed
by system to clasification the paddy field by using K - Nearest Neighbor algorithm. The
whole steps of this research were preprocessing (normalization, binning by boundaries,
labelling) and the clasification by using K-Nearest Neighbor. The algorithm was calculate
the distance on any existing data in the training data, then making the data clasification
based on the majority to the spesific value of the neighborhood (value K). The trial result
of this research was accurate by 93,33% where value K used by 3.
Hal.
PERSETUJUAN ii
PERNYATAAN iii
UCAPAN TERIMA KASIH iv
ABSTRAK vi
ABSTRACK vii
DAFTAR ISI viii
DAFTAR TABEL xi
DAFTAR GAMBAR xii
BAB 1 PENDAHULUAN 1
1.1. Latar Belakang 1
1.2. Rumusan Masalah 3
1.3. Tujuan Penelitian 3
1.4. Batasan Masalah 3
1.5. Manfaat Penelitian 4
1.6. Metodologi Penelitian 4
1.7. Sistematika Penulisan 5
4.2.4. Pengujian 4 40
4.2.5. Pengujian 5 41
4.3. Hasil Pengujian Sistem 42
DAFTAR PUSTAKA 45
DAFTAR TABEL
Hal.
DAFTAR GAMBAR
Hal.
Lahan sawah merupakan salah satu ciri kehidupan masyarakat tradisional yang umum
dijumpai di beberapa negara yang sebagian besar penduduknya mengonsumsi beras
sebagai makanan pokoknya, seperti di Asia (Asia Tenggara, Asia Selatan, dan Asia
Timur). Lahan sawah merupakan suatu daerah dipermukaan bumi dengan sifat-sifat
tertentu yang meliputi biosfer, atmosfer, tanah, lapisan geologi, hidrologi, populasi
tanaman dan hewan serta hasil kegiatan manusia masa lalu dan sekarang, sampai pada
tingkat tertentu dengan sifat-sifat tersebut mempunyai pengaruh yang berarti terhadap
fungsi lahan oleh manusia pada masa sekarang dan masa yang akan datang (Sitorus,
2005). Lahan sawah merupakan ciri kehidupan masyarakat tradisional sudah ada sejak
zaman purba. Bukti bukti lahan sawah sudah ada sejak zaman purba menurut Rostam
dan Anuar (1984) telah dikaji oleh ahli arkeologi yang menginformasikan bahwa lahan
sawah dengan tanaman utamanya padi dimulai di India dan Cina lebih dari 1.000 tahun
yang lalu sebelum masehi. Kegiatan pertanian lahan sawah dengan tanaman pokok padi
mulai dikembangkan ke kawasan Asia lainnya termasuk ke Indonesia. Karena beberapa
negara Asia merasa cocok beras sebagai makanan pokok maka perkembangan lahan
sawah di negara-negara Asia cukup pesat.
Kesuburan tanah merupakan salah satu faktor penentu keberhasilan usaha
pertanian. Namun ada kalanya banyak usaha pertanian yang gagal atau hasil tidak
maksimal karena kurangnya pemahaman tentang tingkat kesuburan tanah untuk jenis
tanaman yang tepat dan sesuai dengan sampel tanah dari petani sendiri. Permasalahan
pendidikan dan pengetahuan petani sering juga menjadi penghambat dalam
pemanfaatan lahan sawah. Oleh karena itu, peningkatan pendidikan bagi petani melalui
pendidikan formal maupun nonformal menjadi sangat penting, sebagai langkah untuk
meningkatkan kualitas sumber daya petani. Meningkatnya kualitas sumber daya petani
diharapkan dapat meningkatkan kemampuan petani dalam melakukan kegiatan
produksi lahan sawah sehingga produksinya dapat meningkat (Sirojusilam, 2005).
Aspek lain yang sering menjadi masalah dalam pemanfaatan lahan sawah adalah
faktor iklim. Faktor iklim yang dimaksud yaitu suhu, curah hujan, sinar matahari dan
cuaca. Tanaman padi yang ditanam pada lahan sawah membutuhkan kelembapan dan
suhu tertentu dengan cuaca dan sinar matahari yang cukup sehingga jika tidak sesuai
dengan kondisi tersebut maka tanaman padi tidak akan tumbuh dengan baik. Oleh
karena itu, iklim sebagai salah satu faktor yang menentukan keberhasilan dalam
pemanfaatan lahan sawah harus benar-benar dapat diinformasikan dengan baik kepada
para petani.
Selain permasalahan diatas, ada juga permasalahan perbedaan jenis dan kualitas
tanah yang juga sering menjadi masalah bagi petani dalam memanfaatkan lahan
sawahnya. Hal ini terjadi karena di belahan dunia ini terdapat berbagai jenih tanah
dengan kualitas yang sangat berbeda yang akan memengaruhi tanaman yang ditanam
pada lahan sawah. Kualitas tanah yang ada pada lahan sawah sangat ditentukan oleh
tekstur, struktur, kandungan bahan organik, pori-pori atau porositasnya. Tanaman padi
akan tumbuh dengan baik pada jenis tanah lempung berpasir yang subur dan pada
daerah tertentu. Namun demikian, karena penyebaran kualitas dan jenis tanah tidak
merata di seluruh wilayah maka untuk mendapatkan hasil yang baik dari jenis tanaman
yang akan ditanam pada lahan sawah harus berpedoman pada tingkat kesesuaian
lahannya.
Penelitian tentang identifikasi lahan sawah sebelumnya dilakukan oleh
(Ardiansyah, et al. 2015) identifikasi lahan sawah menggunakan citra Landsat 8
multitemporal. Metode yang digunakan yaitu Normalized Difference Vegetation Index
(NDVI), Principal Component Analysis (PCA) dan kombinasi kanal. Klasifikasi citra
dilakukan dengan menggunakan sembilan kelas, yaitu air, pemukiman, mangrove,
kebun, tegalan, sawah 1, sawah 2, sawah 3 dan sawah 4. Hasil analisis menunjukkan
luas lahan sawah yang diperoleh dari metode PCA sebesar 50.009 ha, kombinasi kanal
sebesar 51.016 ha dan metode NDVI sebesar 45.893 ha. Tingkat ketelitian pada metode
PCA 84,848%, kombinasi kanal mempunyai ketelitian 81,818% dan NDVI mempunyai
ketelitian 75,758%.
Fokus utama penelitian ini adalah untuk membuat sistem klasifikasi kualitas
lahan sawah yang baik menggunakan parameter seperti kelembapan tanah, kelembapan
udara, tinggi air dan intensitas cahaya. Dalam hal ini lahan sawah akan digolongkan
menjadi dua kategori yaitu lahan sawah ideal dan tidak ideal. Berdasarkan latar
belakang diatas, maka penulis membuat sebuah penelitian dengan judul “Klasifikasi
Lahan Sawah menggunakan algoritma K-Nearest Neighbor”.
Kurangnya pengetahuan dan pemahaman petani akan tingkat kesuburan tanah yang
tidak sama satu sama lain untuk ditanami jenis tanaman yang tepat membuat petani
kesulitanan dalam menentukan jenis tanaman yang tepat untuk mereka tanam.
Klasifikasi kualitas lahan sawah diperlukan untuk membantu para petani dikarenakan
banyak usaha pertanian yang gagal atau hasil tidak maksimal karena kurangnya
pemahaman tentang tingkat kesuburan tanah untuk jenis tanaman yang tepat dan sesuai
dengan sampel tanah dari petani sendiri. Maka dari itu, diperlukan sebuah sistem untuk
menghasilkan kualitas lahan sawah yang baik.
Pada penelitian ini, penulis membuat batasan masalah agar tidak menyimpang dari
tujuan penelitian, adapun batasan masalah sebagai berikut:
1. Menggunakan data yang diambil secara berkala setiap lima menit.
2. Parameter yang diproses adalah kelembapan tanah, kelembapan udara,
intensitas cahaya, dan ketinggian air.
3. Proses yang dapat dilakukan oleh sistem adalah mengklasifikasi lahan sawah
ideal atau tidak.
4. Hasil data yang diproses adalah lahan sawah ideal atau tidak ideal.
3. Perancangan Sistem
Pada tahap ini dilakukan perancangan arsitektur, pelatihan, dan perancangan
antarmuka. Proses perancangan berdasarkan hasil analisis studi literatur yang
telah didapatkan.
4. Implementasi
Pada tahap ini dilakukan implementasi dari analisis dan perancangan yang telah
dilakukan kedalam kode program sesuai dengan alur yang telah ditentukan.
5. Pengujian Sistem
Pada tahap ini akan dilakukan pengujian terhadap sistem klasifikasi lahan sawah
yang telah dibangun untuk memastikan hasil klasifikasi telah berjalan sesuai
dengan yang diharapkan.
Bab ini membahas tentang teori pendukung dan penelitian sebelumnya yang
berhubungan dengan lahan sawah, tanaman padi, kelembapan tanah, kelembapan udara,
intensitas cahaya, ketinggian air dan penerapan algoritma K-Nearest Neighbor untuk
identifikasi lahan sawah.
Lahan sawah merupakan salah satu ciri kehidupan masyarakat tradisional yang umum
dijumpai di beberapa negara yang sebagian besar penduduknya mengonsumsi beras
sebagai makanan pokoknya. Lahan sawah biasanya dicirikan oleh adanya pematang
yang mengelilinginya dengan maksud untuk membatasi antara bidang lahan sawah yang
satu dengan bidang sawah lainnya. Di samping itu, pematang lahan juga dibuat untuk
tujuan mencegah keluar masuknya air secara berlebihan sehingga kondisi air dapat
diatur sesuai dengan kebutuhan.
Tanah sawah didefinisikan sebagai tanah yang digunakan untuk bertanam padi
sawah yang digenangi, baik terus-menerus sepanjang tahun maupun bergiliran dengan
tanaman palawija. Istilah tanah sawah bukan merupakan istilah taksonomi, tetapi
merupakan istilah umum seperti halnya tanah hutan, tanah perkebunan, tanah pertanian,
dan sebagainya. Segala macam jenis tanah dapat disawahkan asalkan air cukup tersedia.
Padi sawah juga ditemukan pada berbagai macam iklim yang jauh lebih beragam
dibandingkan dengan jenis tanaman lain,sehingga tidak mengherankan bila sifat tanah
sawah sangat beragam sesuai dengan sifat tanah asalnya (Hardjowigenoet al. 2004).
Berdasarkan pengairannya lahan sawah dibedakan menjadi :
1. Lahan sawah berpengairan (irigasi).
Yaitu lahan sawah yang memperoleh pengairan dari sistem irigasi, baik yang bangunan
penyadap dan jaringan-jaringannya diatur dan dikuasai dinas pengairan PU maupun
dikelola sendiri oleh masyarakat.
Lahan sawah irigasi terdiri atas :
• Lahan sawah irigasi teknis.
• Lahan sawah irigasi setengah teknis.
• Lahan sawah irigasi sederhana.
• Lahan sawah irigasi non PU
Lahan sawah mempunyai nilai optimal untuk ditanami tanaman padi. Range nilai
optimal lahan sawah yang cocok untuk ditanami tanaman ditunjukkan pada tabel 2.1.
2.2. Padi
Padi (bahasa latin: Oryza sativa L.) merupakan salah satu tanaman budidaya terpenting
dalam peradaban. Padi diduga berasal dari India atau Indocina dan masuk ke Indonesia
dibawa oleh nenek moyang yang migrasi dari daratan Asia sekitar 1500 SM. Padi
merupakan tanaman yang termasuk genus Orzya L. yang meliputi kurang lebih 25
spesies, tersebar di daerah tropis dan daerah subtropics, seperti Asia, Afrika, Amerika
dan Australia. Padi yang ada sekarang merupakan persilangan antara Oryzaofficianalis
dan Oryzasativa F. Spontane. Produksi padi dunia menempati urutan ketiga dari semua
serealia, setelah jagung dan gandum. Namun, padi merupakan sumber karbohidrat
utama bagi mayoritas penduduk dunia.
Padi merupakan tanaman yang dapat tumbuh dengan baik pada kondisi tergenang.
Akan tetapi, kondisi genangan yang di atas normal juga akan mempengaruhi kondisi
tanaman Padi itu sendiri, terutama produksi padi yang dihasilkan. Perbedaan waktu dan
lama Penggenangan akan memberikan pengaruh yang berbeda pada pertumbuhan padi
sawah. Tinggi dan lamanya penggenangan secara substansial mempengaruhi
pertumbuhan tanaman Padi. Tinggi genangan memberikan informasi kondisi tanah
aerob atau anaerob, tetapi Penelitian tentang Bagaimana tinggi genangan dan lama
penggenangan mempengaruhi pertumbuhan tanaman Dan toleransi tanaman padi
terhadap penggenangan masih terbatas (Rachmawati, 2013). Pemberian air irigasi ke
lahan pertanian bertujuan untuk memenuhi kebutuhan air Tanaman agar dapat tumbuh
secara optimal, namun ketidakpastian ketersedian air menjadi Permasalahan utama pada
saat sekarang. Hal tersebut merupakan salah satu akibat dari Perubahan iklim global
sehingga mempengaruhi irigasi padi (Da Silva et al. 2012). Melkonyan (2015)
menyatakan bahwa dampak perubahan iklim menyebabkan kekeringan yang membuat
Gagal panen dan penurunan produksi padi. Permasalahan tersebut dapat diatasi dengan
Pengelolaan penggunaan air irigasi yang tepat dan efisien (Azis, 2011). Pada budidaya
padi Konvensional, umumnya petani menggenangi lahan sawahnya terus menerus
sehingga Menyebabkan pemborosan air dan meningkatkan cost untuk memenuhi
kebutuhan air Tanaman. Menurut Puslitbangtanak (2004), tinggi genangan air yang
diterapkan petani di Indonesia dapat mencapai 15 cm. Sedangkan studi literature
Menunjukan ketinggian Genangan air yang optimum untuk tanaman padi adalah 1 cm
hingga 7 cm. (Muammar Michael, 2010)
Kelembaban udara adalah banyaknya kandungan uap air di udara (atmosfer). Udara
atmosfer adalah campuran dari udara kering dan uap air. Kelembaban udara ditentukan
oleh banyaknya uap air dalam udara. Kalau tekanan uap air dalam udara mencapai
maksimum, maka mulailah terjadi pengembunan. Kelembaban udara juga merupakan
jumlah kandungan uap air yang ada dalam udara. Kandungan uap air di udara berubah-
ubah bergantung pada suhu. Makin tinggi suhu, makin banyak kandungan uap airnya.
Alat pengukur kelembapan udara adalah higrometer. Kisaran kelembaban optimum
untuk tanaman padi adalah 50 – 90 %. (Hesdianto Eko Mareja, S.P, 2015)
Macam-macam kelembaban udara sebagai berikut :
1. Kelembaban relatif / Nisbi yaitu perbandingan jumlah uap air di udara dengan
yang terkandung di udara pada suhu yang sama. Misalnya pada suhu 270 C,
udara tiap-tiap 1 m3 maksimal dapat memuat 25 gram uap air pada suhu yang
sama ada 20 gram uap air,maka lembab udara pada waktu itu =
20 x 100 % = 80 %
2. Kelembaban absolut / mutlak yaitu banyaknya uap air dalam gram pada 1 m 3.
Contoh : 1 m3 udara suhunya 250 C terdapat 15 gram uap air maka kelembaban
mutlak = 15 gram. Jika dalam suhu yang sama , 1 m3 udara maksimum
mengandung 18 gram uap air, maka kelembaban relatifnya =
15/18 X 100 % = 83,33 %.
Kelembaban tanah merupakan salah satu variabel kunci dalam proses hidrologi yang
berperan penting dalam menentukan ketersediaan air sebagai unsur yang sangat
fundamental dalam kehidupan mahluk hidup. Kelembaban tanah adalah air yang
ditahan pada ruang atau pori di antara partikel tanah. Tingkat suhu dan kelembaban
tanah sangat bervariasi sejalan dengan perubahan proses pertukaran energi matahari
terutama yang melalui permukaan tanah. Fenomena ini berlaku di dalam penampang
tanah melalui serangkaian proses yang kompleks. (Kurnia et al. 2006)
Kelembaban tanah pada alam terbuka beragam sesuai dengan perubahan cuaca
yang terus-menerus terjadi sehingga dapat mempengaruhi bidang pertemuan tanah
dengan atmosfer. Parameter tanah yang mempengaruhi kelembapan tanah dan suhu
tanah antara lain kapasitas panas spesifik, penghantar panas, difusivitas panas, serta
sumber dan keluaran panas internal pada waktu tertentu (Kurnia et al. 2006).
Kelembaban tanah sangat penting untuk di ketahui sebagai dasar untuk perhitungan
akurat dari jumlah air yang dibutuhkan pada proses irigasi dan penyiraman tanaman.
Kelembaban tanah kering sebesar 0% diasumsikan saat kondisi tanah kering tidak
terdapat kandungan air di dalam tanah walaupun sebenarnya terdapat kadar air kapasitas
lapang tanah. Selanjutnya, saat kondisi tanah jenuh sebesar 100% diasumsikan kondisi
tanah memiliki lapisan dan pori tanah yang telah terisi penuh dengan kandungan air
walaupun sebenarnya terdapat sedikit rongga udara didalam pori tanah terutama pada
lapisan dasar tanah. Tanah jenuh memiliki nilai asumsi kelembaban 100% sedangkan
tanah kering memiliki asumsi kelembaban bernilai 0%. Kondisi tanah normal memiliki
nilai kelembaban tanah sekitar 62,2% dengan range 60 – 90%. (Chusnul Arif, 2014)
Intensitas cahaya matahari adalah kualitas cahaya matahari untuk membantu tanaman
untuk tumbuh dan berfotosintesis. Cahaya matahari adalah sumber energi utama bagi
kehidupan seluruh makhluk hidup didunia. Bagi manusia, hewan dan tumbuhan cahaya
matahari adalah penerang dunia ini. Tanaman memerlukan cahaya matahari
tumbuh hijau. Dengan air tanpa cahaya matahari, tanaman akan tumbuh tinggi dengan
cepat, namun akan terlihat kuning dan kekurangan air, meskipun saat
disentuh, daunnya teraba amat basah. Selain itu, bagi tumbuhan khususnya yang
berklorofil cahaya matahari sangat menentukan proses fotosintesis.
Fotosintesis adalah proses dasar pada tumbuhan untuk menghasilkan makanan.
Makanan yang dihasilkan akan menentukan ketersediaan energi untuk pertumbuhan
dan perkembangan tumbuhan. Sinar matahari memang berguna bagi fotosintesis pada
tumbuhan, namun efek lain dari sinar matahari ini adalah menekan pertumbuhan sel
tumbuhan. Hal ini menyebabkan tumbuhan yang diterpa cahaya matahari akan lebih
pendek daripada tumbuhan yang tumbuh di tempat gelap.
Intensitas cahaya pada siang hari di dataran tinggi di Indonesia (1000 m dpl)
adalah sebesar 50.000 lux dengan range optimal 100.000 – 500.000 lux. (Anonim,
2002)
E = F (lux)
A (2.1)
Keterangan :
E = Iluminasi / intensitas penerangan / kekuatan penerangan / tingkat pencahayaan (lux)
F= fluks cahaya (lumen)
A = luas permukaan bidang (m2)
Machine Learning merupakan salah satu cabang dari disiplin ilmu kecerdasan buatan
yang membahas mengenai pembangunan sistem yang berdasarkan pada data. Salah satu
teknik pengaplikasian machine learning adalah supervised learning. Oleh karena itu hal
yang pertama kali disiapkan adalah data. Data biasanya akan dibagi menjadi 2
kelompok, yaitu data training dan data testing. Data training nantinya akan digunakan
untuk melatih algoritma untuk mencari model yang cocok, sementara data testing akan
dipakai untuk mengetes dan mengetahui performa model yang didapatkan pada tahapan
testing.
Machine Learning merupakan studi dari ilmu komputer yang memberi komputer
kemampuan untuk belajar tanpa harus di program secara langsung atau explisit.
(Samuel, 1959). (Das, et al., 2017) menjelaskan dalam prosesnya, machine learning
dapat di kategorikan berdasarkan pembelajarannya.
• Supervised Learning (Pembelajaran terarah)
Data masukan atau data pelatihan memiliki label yang sudah di tentukan
sebelumnya, misalnya Benar/Salah, Positif/Negatif, dsb. Fungsi
pengklasifikasian data dibangun dan dilatih untuk memprediksi label data uji.
• Unsupervised Learning (Pembelajaran tidak terarah)
Data masukan atau data pelatihan tidak diberi label. Pengklasifikasi dirancang
dengan mendeduksi pola-pola yang ada atau mengelompokkannya dalam set
data pelatihan.
• Semi-supervised Learning (Pembelajaran semi terarah)
Data pelatihan berisi data yang diberi label dan tidak berlabel. Pengklasifikasi
dilatih untuk mempelajari pola-pola untuk mengklasifikasikan dan memberi
label data yang digunakan untuk memprediksi.
Kedekatan didefinisikan dalam jarak metrik, seperti jarak Euclidean. Jarak Euclidean
dapat dicari dengan menggunakan persamaan 1:
𝑫𝒙𝒚= √ Σ ( 𝒙𝒊 – 𝒚𝒊 ) 𝟐 𝒏𝒊 = 𝟏
(2.2)
Keterangan :
𝐷 : jarak kedekatan
𝑥 : data training
𝑦 : data testing
𝑛 : jumlah atribut individu antara 1 s.d. 𝑛
𝑓 : fungsi similitary atribut 𝑖 antara kasus 𝑋 dan kasus 𝑌
𝑖 = atribut individu antara 1 sampai dengan 𝑛
2.8. PHP
nilai positif dan flow trafik botnet ditandai dengan nilai negatif. Tabel confusion matrix
ditunjukkan pada Tabel 2.2.
Tabel 2.2 Confusion Matrix
TP + TN
Akurasi = (3.1)
TP + TN + FP + FN
TP
Recall = (3.2)
TP + FN
TP
Precision = (3.3)
TP+FP
2 x (Precision x Recall)
F-Measure = (3.4)
Precion + Recall
Keterangan :
• True Positive (TP) adalah kondisi dimana data dengan label ideal berhasil
diklasifikasi sebagai lahan sawah yang ideal.
• False Positive (FP) adalah kondisi dimana data dengan ideal gagal diklasifikasi
sebagai lahan sawah yang ideal.
• True Negative (TN) adalah kondisi dimana data dengan label tidak ideal berhasil
diklasifikasi sebagai lahan sawah tidak ideal.
• False Negative (FN) adalah kondisi dimana data dengan label tidak ideal gagal
diklasifikasi sebagai lahan sawah tidak ideal.
menggunakan sembilan kelas, yaitu air, pemukiman, mangrove, kebun, tegalan, sawah
1, sawah 2, sawah 3 dan sawah 4. Hasil analisis menunjukkan luas lahan sawah yang
diperoleh dari metode PCA sebesar 50.009 ha, kombinasi kanal sebesar 51.016 ha dan
metode NDVI sebesar 45.893 ha. Tingkat ketelitian pada metode PCA 84,848%,
kombinasi kanal mempunyai ketelitian 81,818% dan NDVI mempunyai ketelitian
75,758%.
Penelitian selanjutnya yang dilakukan oleh (Nurlina, 2011) identifikasi dan
pemetaan lahan sawah dengan citra satelit resolusi tinggi dan tracking GPS.
mengidentifikasi dan memetakan lokasi-lokasi terpilih kawasan sentra tanaman pangan
khususnya komoditi padi di Kalimantan Selatan khususnya di Kabupaten Hulu sungai
tengah. Luas lahan sawah yang telah dipetakan sebesar 2.071,58 ha atau 20.49% dari
luas kecamatan. Lahan sawah ini terdiri dari sawah irigasi seluas 1.403,62 ha atau
13,88%, sawah tadah hujan sebesar 340,09 ha atau 3,36% dan lebak seluas 327,87 ha
atau 3,24 %.
Selanjutnya penelitian oleh (Sofi, et al. 2016) K-Nearest Neighbor dengan
Correlation Atribute Eval untuk Memprediksi Luas Lahan Panen Tanaman Padi di
Karawang. Penelitian melakukan prediksi terhadap luas lahan panen padi dikabupaten
karawang. Untuk dapat melakukan prediksi yang baik dibutuhkan atribut-atribut yang
relevan yang didapat dari seleksi fitur dengan Correlation Attribute Eval. Terdapat 6
atribut yang relevan terhadap prediksi luas lahan panen padi di kabupaten karang yaitu
atribut produksi, luas tanam, luas baku sawah, luas sawah, produktivitas dan wereng
batang coklat. Algoritma K-Nearest Neighbor dengan Correlation Attribute Eval
mengalami peningkatan akurasi sebesar 0,37%
Selanjutnya penelitian oleh (Chusnul, et al. 2014) yaitu Penentuan Kelembaban
Tanah Optimum untuk Budidaya Padi Sawah Sri (System Of Rice Intensification)
Menggunakan Algoritma Genetika. Kelembaban tanah optimum untuk budidaya padi
metode SRI telah dicari dengan model Algoritma Genetika dengan tujuan untuk
memaksimalkan produksi dan produktifitas air. Optimasi dilakukan berdasarkan data
pengukuran pada tiga musim tanam dengan hasil kelembaban tanah optimum adalah
0.622 (basah), 0.593 (basah), 0.455 (agak basah), dan 0.350 cm3/cm3 (kering). Model
Algoritma Genetika memperkirakan produksi dapat ditingkatkan 4.40% sekaligus juga
meningkatkan produktifitas air sebesar 8.40% dan nilai manfaat air sebesar 15.2%
dengan banyaknya air irigasi yang dihemat sebesar 12.28%.
Pada bab ini akan dibahas mengenai analisis dan perancangan sistem. Pada tahap
analisis, menjelaskan analisis data yang dipakai untuk data latih dan data uji, serta
analisis terhadap metode yang akan digunakan. Pada tahap analisis akan dilakukan
analisis terhadap algoritma K-Nearest Neighbor. Pada tahap perancangan sistem akan
dibahas mengenai tampilan antarmuka pada aplikasi yang akan dibangun.
Data yang digunakan dalam penelitian ini adalah data yang berasal dari salah satu
penelitian sebelumnya yaitu data monitoring tanaman padi yang diambil disalah satu
lahan sawah didaerah Lubuk Pakam. Dimana data tersebut merupakan besarnya nilai
kelembaban tanah, kelembaban udara, intentitas cahaya serta ketinggian air pada ruang
lingkup tanaman padi. Pengumpulan data dilakukan dengan menggunakan sensor
arduino nano dan raspberry pi sebagai server yang dikerjakan secara periodik. Total
data yang digunakan berjumlah 1014 data. Setelah data terkumpul kemudian dilakukan
analisa data yang sesuai dengan kebutuhan sistem ini. Analisis data tersebut dilakukan
berdasarkan klasifikasi menggunakan algoritma K-Nearest Neigbor. Tabel data yang
digunakan pada penelitian ini, dapat dilihat pada Tabel 3.1
Input Pre-Processing
Data Training Normalisasi
Labelling
Akurasi Proses
Tahapan – tahapan yang dilakukan pada Gambar 3.1 dijelaskan sebagai berikut :
3.2.1. Input
Input data terdiri dari dua bagian yaitu data training dan data testing. Input data
yang digunakan pada penelitian ini merupakan data parameter lahan sawah
seperti tinggi air, kelembapan tanah, kelembapan udara dan intensitas cahaya
yang dibuat dalam format dokumen .csv. Kemudian dokumen tersebut diinput
untuk diolah oleh sistem. Adapun contoh untuk parameter yang akan diproses
dapat dilihat pada Tabel 3.2
3.2.2. Pre-Processing
Data yang telah diinput dan dibaca akan masuk ke pemrosesan selanjutnya,
yaitu:
a. Normalisasi
Pada tahap ini data yang akan digunakan akan dinormalisasi terlebih dahulu.
Normalisasi data ini menggunakan Min-Max normalization yaitu sebuah
cara normalisasi sebuah data dengan range minimal dan maksimal yang baru
yang sudah ditentukan, cara ini biasanya disebut Interpolation
Normalization. Untuk menggunakan cara ini, cukup dengan rumus:
(Xlama − Minlama)
𝑋𝑏𝑎𝑟𝑢 = x (Maxbaru − Minbaru) + Minbaru
(Maxlama − Minlama)
Keterangan :
Xlama = nilai yang akan dinormalisasi
Minlama = nilai range minimal
Maxlama = nilai range maksimal
Maxbaru = nilai range maksimal baru
Minbaru = nilai range minimal baru
(3 − 1)
𝑇𝑖𝑛𝑔𝑔𝑖 𝐴𝑖𝑟 = x (5 − 1) + 1 = 2,3
(7 − 1)
b. Binning by Boundaries
Tahapan ini diawali dengan membaca isi data yang diinput pada pengaturan
parameter. Kemudian sistem menyimpan data parameter ideal minimal dan
maksimal. Selanjutnya, sistem membaca isi data training dan membaca
setiap parameter sesuai dengan data pada pengaturan. Setelah itu, sistem
menghitung data yang sesuai dengan data pengaturan.
c. Labelling
Tahapan berikutnya yaitu labelling. Setelah sesuai dengan pengaturan,
mesin akan mengklasifikasi hasil data sesuai dengan jumlah hitungan
parameter yaitu untuk membuat tanda pada data training sebagai data latih
dan data pacuan untuk pembelajaran terhadap data testing.
3.2.3. Proses
Tahapan selanjutnya yaitu klasifikasi hasil data sesuai dengan jumlah hitungan
parameter. Jika nilai parameter tinggi air sesuai dengan data yang ada pada
pengaturan, maka nilai = 1. Kemudian sistem membaca lagi jika nilai parameter
kelembapan tanah sesuai dengan data pengaturan, maka nilai = 1. Jadi, jumlah
nilai yang sesuai dengan pengaturan berjumlah 2. Selanjutnya, sistem membaca
lagi nilai parameter kelembapan udara dan intensitas cahaya. Jika nilai tidak
sesuai, maka hasil klasifikasi tidak ideal. Jika nilai kelembapan udara atau
intensitas cahaya sesuai dengan data pengaturan, maka nilai = 3 dan sistem akan
mengklasifikasi data parameter tersebut ideal. Proses data training akan
ditunjukkan pada gambar 3.2
Sistem yang dibangun pada penelitian ini adalah sistem untuk menyelesaikan
permasalahan klasifikasi untuk menentukan kualitas lahan sawah. Selumnya, sistem
klasifikasi untuk menentukan kualitas lahan sawah sudah pernah dibuat dengan input,
output dan algoritma yang berbeda. Algoritma yang diajukan untuk melakukan
klasifikasi lahan sawah pada penelitian ini adalah algoritma K-Nearest Neighbor.
Algoritma K-Nearest Neighbor ini bertujuan untuk mendapatkan hasil yang tepat dan
akurat pada klasifikasi lahan sawah. Algoritma untuk mengklasifikasi lahan sawah pada
penelitian ini terdiri dari tahapan-tahapan utama yaitu: input data berupa file berekstensi
.csv yang berisi data parameter lahan sawah yang masing-masing akan dipisahkan
menjadi data training dan data testing. Kemudian data training dan data testing akan
melalui tahapan pre-processing sebagai berikut: binning by boundaries, labelling dan
klasifikasi menggunakan K-Nearest Neighbor. Setelah tahapan tersebut dilakuka, maka
data testing akan diklasifikasi menggunakan algoritma K-Nearest Neighbor, dengan
output berupa hasil klasifikasi. Sistem akan mengklasifikasi kualitas lahan sawah ini
kedalam dua kategori, yaitu :
1. Ideal : Sistem akan mengklasifikasi lahan sawah apabila jumlah data
yang sesuai dengan parameter bernilai > 2.
2. Tidak ideal : Sistem akan mengklasifikasi lahan sawah apabila jumlah data
yang sesuai dengan parameter bernilai < 2.
7. Bagian ini merupakan tombol untuk memilih file data yang akan diinput dan
diproses.
8. Bagian ini merupakan tabel untuk menampilkan hasil klasifikasi dan nilai jarak
terdekat.
Dari Tabel 3.3 dapat dihitung nilai akurasi, recall, precesion, dan F-measure yang secara
berurutan menggunakan 3.1, 3.2, 3.3 dan 3.4 sebagai berikut :
TP 44 44
Recall = = = = 0.95
TP + FN 44 +2 46
TP 44 44
Precision = = = = 0.95
TP + FP 44 + 2 46
2 x (Precision x Recall) 2 x ( 0.95 x 0.95 ) 1.805
F-Measure = = = = 0.95
Precion + Recall 0.95 + 0.95 1.9
TP + TN 44 + 12 56
Akurasi = = = = 0.93
TP + TN + FP + FN 44 + 12 + 2 + 2 60
Pada bab ini akan dijelaskan tentang proses pengimplementasian algoritma K – Nearest
Neighbor untuk mengklasifikasi surat laporan kehilangan pada sistem, sesuai perancangan
sistem yang telah dilakukan di Bab 3 serta melakukan pengujian sistem yang telah
dibangun.
Dalam tahap implementasi sistem, perancangan sistem yang telah dilakukan di Bab 3 yaitu
mulai dari pre-processing, proses, serta algoritma dan metode yang digunakan akan
diimplementasikan kedalam sistem dengan menggunakan bahasa pemrograman PHP.
Spesifikasi perangkat keras dan perangkat lunak yang digunakan untuk membangun sistem
ini adalah sebagai berikut:
Beranda adalah halaman yang pertama kali muncul ketika sistem dijalankan user.
Pada tampilan beranda ini terdapat penjelasan singkat dan logo dari sistem.
Tampilan halaman Beranda dapat dilihat pada Gambar 4.1.
Halaman data training adalah halaman untuk menampilkan data training serta
klasifikasi dari tiap parameter lahan sawah. Pada halaman ini, terdapat menu Pilih
File yang berfungsi untuk menginput data. Data yang diproses dengan format
Command-separated Values (CSV). Setelah data selesai diproses, maka akan
beralih ke halaman hasil yang akan menampilkan hasil klasifikasi lahan sawah. Jika
data yang dimasukkan tidak dalam format CSV, maka ketika diproses, halaman
Halaman data testing adalah halaman untuk menampilkan data testing serta
klasifikasi dari tiap parameter lahan sawah setelah dilakukan proses data training.
Sama halnya dengan data training, pada halaman ini, terdapat menu Pilih File yang
berfungsi untuk menginput data. Data yang diproses juga dengan format Command-
separated Values (CSV). Setelah data selesai diproses, maka akan terlihat hasil
klasifikasi lahan sawah yang hasilnya mengacu pada data training yang telah
diproses. Hasil klasifikasi yang diproses merupakan hasil yang dikelompokkan
sesuai dengan kelas berdasarkan jarak terdekat pada data training. Hasil
perancangan antarmuka halaman data testing ditunjukkan pada Gambar 4.3.
Halaman pengaturan adalah halaman yang dibuat untuk mengatur berapa nilai
minimal dan dan maksimal parameter tinggi air, kelembaban udara, kelembaban
tanah dan intensitas cahaya. User bisa mengatur berapa nilai minimal dan maksimal
parameternya sesuai dengan ketentuan dan berdasarkan penelitian yang sudah ada.
Setelah selesai mengatur nilai parameter minimal dan maksimal maka user
kemudian memproses ke halaman data training. Hasil perancangan antarmuka
halaman Pengaturan ditunjukkan pada Gambar 4.4.
1. Saat sistem pertama kali dijalankan akan menampilkan menu Sign in. Tujuannya
adalah supaya sistem dan data lebih aman. Tampilan halaman sign in seperti pada
Gambar 4.6.
2. Atur nilai minimal dan maksimal parameter ideal untuk kesuburan lahan sawah
pada menu Pengaturan seperti yang ditunjukkan pada Gambar 4.7.
4. Proses training akan berlangsung secara otomatis setelah user menekan tombol
Open. Hasil training akan terlihat setelah proses selesai. Proses ini bertujuan untuk
melakukan preprocessing data dan memproses data yang ada didalam database
seperti yang ditunjukkan pada Gambar 4.9.
6. Pada menu data testing, proses klasifikasi akan memakan waktu yang sedikit lama
meskipun jumlah data testing hanya sedikit. Hal ini dikarenakan data testing
melakukan klasifikasi yang mengacu pada data training yang berjumlah lebih
banyak. Setelah data testing berhasil diklasifikasi, sistem akan menampilkan hasil
klasifikasi sebanyak jumlah data yang ada pada data testing dan sestem
menampilkan nilai jarak Euclidian seperti pada gambar 4.11.
Apabila sistem sudah selesai dibangun, langkah selanjutnya yang akan dilakukan adalah
pengujian sistem. Pengujian sistem ini bertujuan untuk mengetahui apakah sistem
berfungsi dengan baik serta mengukur berapa tingkat akurasi algoritma K-Nearest
Neighbor yang diimplementasikan pada sistem klasifikasi lahan sawah ini.
4.2.1. Pengujian 1
Pengujian ini menggunakan data testing berjumlah 60 data dan menggunakan nilai k = 1.
Hasil pengujian sistem dapat dilihat pada confusion matrix pada Tabel 4.2.
Berdasarkan hasil dari confusion matrix dapat dihitung perhitungan akurasi, recall,
precision, dan F-measure, sebagai berikut:
4.2.2. Pengujian 2
Pengujian ini menggunakan 200 data training dan data testing berjumlah 60 data dan
menggunakan nilai k = 3. Hasil pengujian sistem dapat dilihat pada confusion matrix pada
Tabel 4.3.
Berdasarkan hasil dari confusion matrix dapat dihitung perhitungan akurasi, recall,
precision, dan F-measure, sebagai berikut:
4.2.3. Pengujian 3
Pengujian ini menggunakan 200 data training dan data testing berjumlah 60 data dan
menggunakan nilai k = 5. Hasil pengujian sistem dapat dilihat pada confusion matrix pada
Tabel 4.4.
Berdasarkan hasil dari confusion matrix dapat dihitung perhitungan akurasi, recall,
precision, dan F-measure, sebagai berikut:
4.2.4. Pengujian 4
Pengujian ini menggunakan 200 data training dan data testing berjumlah 60 data dan
menggunakan nilai k = 7. Hasil pengujian sistem dapat dilihat pada confusion matrix pada
Tabel 4.5.
Berdasarkan hasil dari confusion matrix dapat dihitung perhitungan akurasi, recall,
precision, dan F-measure, sebagai berikut:
4.2.5. Pengujian 5
Pengujian ini menggunakan 200 data training dan data testing berjumlah 60 data dan
menggunakan nilai k = 9. Hasil pengujian sistem dapat dilihat pada confusion matrix pada
Tabel 4.6.
Tabel 4.6 Hasil dari Confusion Matrix pada Pengujian 5
No. Variable Jumlah
1 True Positive (TP) 46
2 False Negative (FN) 8
3 False Positive (FP) 0
4 True Negative (TN) 6
Total 60
Berdasarkan hasil dari confusion matrix dapat dihitung perhitungan akurasi, recall,
precision, dan F-measure, sebagai berikut:
Hasil pengujian sistem dilakukan sebanyak 5 kali dengan nilai k yang berbeda-beda dan dengan
data yang sama untuk mencari rata-rata nilai akurasi dari pengujian dengan menggunakan data
yang digunakan dalam penelitian. Selain untuk mencari rata-rata 5 pengujian untuk mencari
nilai k yang mempunyai nilai akurasi paling tinggi, dapat dilihat pada tabel 4.7.
Pada hasil klasifikasi terdapat beberapa kegagalan yang ditunjukkan pada gambar 4.13.
Bab ini membahas tentang kesimpulan yang diperoleh dari implementasi algoritma
K - Nearest Neighbor untuk mengklasifikasi kualitas lahan sawah dan saran - saran yang
dapat digunakan sebagai referensi untuk pengembangan penelitian selanjutnya.
5.1. Kesimpulan
Dari hasil pengujian sistem pada Bab 4, diperoleh kesimpulan sebagai berikut.
1. Algoritma K-Nearest Neighbor mampu melakukan klasifikasi lahan sawah
menggunakan nilai k = 3 dengan hasil pengujian nilai akurasi sebesar 93,33%.
Jumlah data training dan data testing yang digunakan mempengaruhi nilai
akurasi pengujian, semakin banyak data yang digunakan akan semakin akurat
hasilnya.
2. Dari lima pengujian dengan nilai k yang berbeda dan data training yang sama,
menghasilkan akurasi tertinggi dari pengujian pada data testing dengan nilai
k = 1 sebesar 95% dan hasil terendah yaitu nilai k = 9 dengan nilai 86,66%.
5.2. Saran
Saran yang dapat diberikan penulis untuk pengembangan penelitian selanjutnya yaitu:
1. Algoritma K - Nearest Neighbor dapat digabungkan dengan algoritma
klasifikasi yang lain untuk meningkatkan hasil akurasi dan mempermudah
proses klasifikasi agar lebih bekerja dengan maksimal.
2. Sistem klasifikasi kualitas lahan sawah ini dapat dikembangkan pada aplikasi
mobile.
3. Penelitian selanjutnya diharapkan dapat menambah parameter yang berbeda
sebagai data training dan data testing.
4. Jumlah data training dan data testing ditambah untuk menambah kemampuan
sistem dalam mengklasifikasi lahan sawah.
Ardiansyah, Subiyanto, S., Sukmono, A. 2015. identifikasi lahan sawah menggunakan ndvi
dan pca pada citra LANDSAT 8. Jurnal Geodesi Undip.
Arif, C., Setiawan, B.I., & Mizoguchi, M. 2014. Penentuan kelembaban tanah optimum
untuk budidaya padi sawah sri (system of rice intensification) menggunakan
algoritma k-nearest neighbor. Institut Pertanian Bogor: Indonesia.
Arnomo, R.A., Saptomo, W.L.Y., & Harsadi, P. 2018. Implementasi k-nearest neighbor
untuk identifikasi kualitas air (studi kasus: PDAM kota Surakarta). STMIK Sinar
Nusantara.
Banjarsari, M.A., Budiman, H.I., & Farmadi, A. 2015. Penerapan k-optimal pada algoritma
knn untuk prediksi kelulusan tepat waktu mahasiswa program studi ilmu komputer
fmipa unlam berdasarkan ip sampai dengan semester 4. Kumpulan Jurnal Ilmu
Komputer: 50-64.
Chen, Q.H., Liu, Z.Y., & Wang, B. 2013. Investigation on hydrological function of paddy
field in four-lake region. Third International Conference on Intelligent System
Design and Engineering Applications.
Deviyanti, S., Sari, B.N., & Saraswati, V. 2017. K-nearest neighbor dengan correlation
atribute eval untuk memprediksi luas lahan panen tanaman padi di karawang.
Uversitas Singaperbangsa: Karawang.
Dirgahayu, D. 2015. Identifikasi parameter pertumbuhan tanaman padi menggunakan data
evi modis multitemporal (studi kasus di Sulawesi Selatan). Prosiding Pertemuan
Ilmiah Tahunan.
Domin, D.D., Effendy, I., & Adhyani, N.L. 2005. Deteksi kondisi kekeringan lahan
menggunakan data water vapor NIR modis. Institut Pertanian Bogor.
Gunawan, A., Jaya, I.N.S., & Saleh, M.B. 2010. Teknik cepat identifikasi lahan terbuka
melalui citra multi temporal dan multi spasial. Institut Pertanian Bogor.
Halela, I.A., Nurhadiyono, B., Rahmanti, F.Z. 2018. Identifikasi jenis buah apel
menggunakan algoritma k-nearest neighbor (KNN) dengan ekstraksi fitur
histogram. Universitas Dian Nuswantoro.
Helmi. 2015. Peningkatan produktivitas padi lahan rawa lebak melalui penggunaan varietas
unggul padi rawa. Balai Pengkajian Teknologi Pertanian Sumatera Utara.
Imanda, A.C., Hidayat, N., & Furqon, M.T. 2018. Klasifikasi kelompok varietas unggul
padi menggunakan modified k-nearest neighbor. Jurnal Pengembangan Teknologi
Informasi dan Ilmu Komputer.
Indrayanti, Sugianti, D., & Karomi, M.A.A. 2017. Optimasi parameter k pada algoritma k-
nearest neighbor untuk klasifikasi penyakit diabetes mellitus. STMIK Widya
Pratama Pekalongan.
Kim, H.G., Kim, S.C., Hong, Y.K., Han, K.S., & Lee, S.G. 2012. A robot platform for
unmanned weeding in a paddy field using sensor fusion. IEEE International
Conference on Automation Science and Engineering.
Krisandi, N., Helmi, Prihandono, B. 2013. Algoritma k-nearest neighbor dalam klasifikasi
data hasil produksi kelapa sawit pada PT. minamas kecamatan Parindu. Buletin
Ilmiah Math. Stat dan Terapannya (Bimaster).
Leidiyana, H. 2013. Penerapan Algoritma K-Nearest Neighbor Untuk Penentuan Resiko
Kredit Kepemilikan Kendaraan Bemotor. Jurnal Penelitian Ilmu Komputer,
System Embedded & Logic: 66-76.
Lestari, U. 2012. Sistem aplikasi identifikasi lahan untuk budidaya tanaman pangan
menggunakan learning vector quantization (LVQ). Prosiding Seminar Nasional
Aplikasi Sains & Teknologi (SNAST) Periode III.
Lubis, N.M.A., & Razali, Z.N. 2017. Klasifikasi tanah lahan sawah terasering di desa huta
hotang kecamatan onan runggu berdasarkan toposekuen. Jurnal Agroekoteknologi
Fakultas Pertanian Universitas Sumatera Utara.
Lukitasari, M. 2012. Pengaruh intensitas cahaya matahari terhadap pertumbuhan tanaman
kedelai (glycine max). IKIP PGRI Madiun.
Nidomudin, A., Nugroho, A.P., Cholis, M.N. 2017. Sistem pakar deteksi tingkat kesuburan
tanah menggunakan fuzzy logic. Journal of Information Technology and Computer
Science (JOINTECS).
Nulina. 2011. Identifikasi dan pemetaan lahan sawah dengan citra satelit resolusi tinggi dan
tracking GPS. Jurnal Fisika FLUX.
Nurfaijah, Setiawan, B.I., Arif, C., & Widodo, S. 2015. Sistem kontrol tinggi muka air
untuk budidaya padi. Institut Pertanian Bogor.
Ma, D., Tang, Y., Duan, J., Yi, C., Cheng, X., Wang, X., & Di, R. 2013. Experimental
study of paddy field used for farming and aquiculture. Third International
Conference on Intelligent System Design and Engineering Applications.
Michael, M., Rahmadi, A., Aji, H., & Gazi, M. 2018. Survei pengaruh ketinggian genangan
air pada tanaman padi di daerah Bandung Timur. Institut Pertanian Bogor.
Mustakim, Oktaviani, G.F. 2016. Algoritma k-nearest neighbor classification sebagai
sistem prediksi predikat prestasi mahasiswa. Jurnal Sains Teknologi dan Industri.
Putra, E. H., Susantok, M., & Aini, Q. 2015. Sistem pemantauan kondisi tanah sawah padi
berbasis wireless sensor network. Seminar Nasional Teknologi Informasi,
Komunikasi dan Industri.
Rahman, F., Sukmono, A., & Yuwono, B.D. 2017. Analisis kekeringan pada lahan
pertanian menggunakan metode NDDI dan perka BNPB nomor 02 tahun 2012
(studi kasus : kabupaten Kendal tahun 2015). Jurnal Geodesi Undip.
Razali, I.A., & Hanum, H. 2017. Identifikasi status hara dan produksi padi pada lahan
sawah terasering dan non terasering di kecamatan Onan Runggu kabupaten
Samosir. Jurnal Argoekoteknologi Fakultas Pertanian Universitas Sumatera
Utara.
Rivki, M., & Bachtiar, M.A. 2017. Implementasi algoritma k-nearest neighbor dalam
pengklasifikasian follower twitter yang menggunakan bahasa indonesia. Journal
of Information System.
Shudiq, W.J. 2017. Penerapan k-nearest neighbor berbasis algoritma genetika untuk
klasifikasi mutu padi organik. Sekolah Tinggi Teknologi Nurul Jadid.
Sibarani, W. 2015. Implementasi algoritma k-nearest neighbor untuk mengklasifikasikan
motif batik besurek Bengkulu. Skripsi. Universitas Sumatera Utara.
Soplanit, R., & Nukuhaly, S.H. 2012. Pengaruh pengolahan hara NPK terhadap
ketersediaan n dan hasil tanaman padi sawah (oryza satuva L.) di desa Waelo