APLIKASI DATA MINING UNTUK KLASIFIKASI KESUBURAN

TANAMAN SELADA HIDROPONIK DENGAN METODE K NEAREST

NETWORK

Eka Firmansyah Yogatama

04217058

PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS ILMU KOMPUTER
UNIVERSITAS NAROTAMA
2021

i
 APLIKASI DATA MINING UNTUK KLASIFIKASI KESUBURAN
TANAMAN SELADA HIDROPONIK DENGAN METODE K NEAREST
NETWORK

Eka Firmansyah Yogatama

04217058

PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS ILMU KOMPUTER
UNIVERSITAS NAROTAMA
2021

ii
 SKRIPSI

APLIKASI DATA MINING UNTUK KLASIFIKASI KESUBURAN

TANAMAN SELADA HIDROPONIK DENGAN METODE K NEAREST
NETWORK

DISUSUN OLEH :

EKA FIRMANSYAH YOGATAMA

NIM: 04217058

Diajukan guna memenuhi persyaratan

untuk memperoleh gelar Sarjana Komputer (S.Kom)
pada Program Studi Sistem Informasi
Fakultas Ilmu Komputer
Universitas Narotama Surabaya.

Surabaya, September 2021

Menyetujui
Dosen Pembimbing,

Latipah, S.T., M.I.T.

NIDN : 072508760

iii
 APLIKASI DATA MINING UNTUK KLASIFIKASI KESUBURAN
TANAMAN SELADA HIDROPONIK DENGAN METODE K
NEAREST NETWORK

EKA FIRMANSYAH YOGATAMA

NIM: 04217058

Dipertahankan di depan Penguji Skripsi

Program Studi Sistem Informasi
Fakultas Ilmu Komputer
Universitas Narotama Surabaya
Tanggal : 11 Agustus 2021

Penguji, Ketua Program Studi

1. Made Kamisutara, S.Kom.,M.Kom, Made Kamisutara, S.Kom.,M.Kom,

NIDN. 0706027501 NIDN. 0706027501

Fakultas Ilmu Komputer

Dekan,

2. Eman Setiawan, S.Kom., M.M.

NIDN. 0720017501
Dr. Aryo Nugroho, S.T., S.Kom., M.T.
NIDN. 0721077001

3. Dr. Aryo Nugroho, S.T., S.Kom., M.T.

NIDN. 0721077001

iv
 SURAT PERNYATAAN

Dengan ini saya menyatakan bahwa dalam Skripsi ini tidak terdapat karya
yang pernah diajukan untuk memperoleh gelar kesarjanaan disuatu
Perguruan Tinggi, dan sepanjang pengetahuan saya juga tidak terdapat
Karya/Pendapat yang pernah ditulis oleh orang lain, kecuali yang secara
tertulis diacu dalam naskah ini dan disebutkan dalam Daftar Acuan/Daftar
Pustaka.

Apabila ditemukan suatu Jiplakan/Plagiat maka saya bersedia menerima

akibat berupa sanksi Akademis dan sanksi lain yang diberikan oleh yang
berwenang sesuai ketentuan peraturan dan perundang-undangan yang
berlaku.

Surabaya, Bulan Tahun Ujian

Yang membuat pernyataan

Nama : Nama Mahasiswa

NIM : 04204001

v
 HALAMAN PERSEMBAHAN

Yang Utama dari Segalanya...

Sembah sujud serta syukur kepada Allah SWT.

Limpahan kasih, berbagai keajaiban dan sayangMu telah memberikanku kekuatan

dan membekaliku dengan ilmu. Atas karunia serta kemudahan yang Engkau
berikan akhirnya skripsi yang sederhana ini dapat terselesaikan.

Kupersembahkan karya sederhana ini kepada orang yang berkontribusi di

hidup saya :

Ayah Bunda yang kucintai yang selalu menyebut namaku dalam doanya

Istriku, wanita terhebat yang pernah kutemui yang selalu mendukung di

sampingku

Semua pihak yang telah berkontribusi untuk kemajuan peradaban manusia

vi
 KATA PENGANTAR

Alhamdullilah, berkat hidayah dan rida-Nya, penulis dapat menyelesaikan skripsi

ini dengan baik. Skripsi ini merupakan tugas akhir penulis untuk memenuhi
sebahagian persyaratan guna mencapai gelar Sarjana Komputer.

Penulis menyadari dalam penyelesaian skripsi ini banyak pihak yang telah
membantu, oleh karena itu pada kesempatan ini penulis mengucapkan banyak
terima kasih kepada yang terhormat:
1. Bapak Dr. Aryo Nugroho, S.T., S.Kom., M.T.selaku Dekan Fakultas Ilmu
Komputer Universitas Narotama
2. Bapak Made Kamisutara, S.Kom.,M.Kom, selaku Ketua Program Studi
Sistem Informasi
3. Ibu Latipah, S.T., M.I.T. selaku dosen pembimbing skripsi yang telah banyak
memberikan masukan dan saran-saran kepada peneliti sejak awal pembuatan
skripsi sampai kepada terselesaikannya skripsi ini.
4. Bapak Eman Setiawan, S.Kom., M.M. selaku dosen penguji
5. Seluruh civitas akademika Universitas yang telah memberikan pengetahuan
dan jasanya kepada penulis selama mengikuti perkuliahan.
6. Bapak Mehdy Riza selaku pemilik Kebun Sayur Surabaya, yang telah banyak
membantu peneliti selama penelitian.
7. Akhirnya penulis mengharapkan skripsi ini dapat bermanfaat bagi rekan-rekan
mahasiswa dan para pembaca sekalian. Semoga Allah Swt. selalu
melimpahkan taufik dan hidayah-Nya kepada kita semua.

vii
 ABSTRAK

Teknologi pertanian dengan metode hidroponik mulai dilirik. Hal ini karena
sistem hidroponik tidak memerlukan tanah yang luas dan tanah yang subur.
Dengan teknologi hidroponik semua masyarakat dapat menikmati hasil panen
sayuran dari kebun sendiri. Dari permasalahan yang dipaparkan tersebut, maka
penulis merumuskan: bagaimana membangun aplikasi pendeteksi kesuburan
tanaman selada dengan metode hidroponik? Pada mulanya penulis melakukan
pengumpulan data berupa studi literatur, survey secara langsung ke kebun
hidroponik di kota Baru, dan terakhir melakukan wawancara dengan pengelola
kebun. Kemudian dilakukan perancangan sistem dari program ini untuk
selanjutnya dilakukan implementasi sistem. Lalu terakhir untuk memastikan
sistem berjalan lancar, maka penulis melakukan pengujian sistem. Berdasarkan
hasil pengujian sistem, sistem yang dibuat dengan menggunakan metode KNN,
dihasilkan tingkat akurasi terbaik adalah dengan nilai k sebesar 15. dengan tingkat
akurasi 89% dari 100 kali pengujian.
Kata Kunci: k Nearest Neighbour, hidroponik, data mining

ABSTRACT

Agricultural technology with the hydroponic method began to be glimpsed. This

is because the hydroponic system does not require extensive soil and fertile soil.
With hydroponic technology, all people can enjoy vegetable crops from their own
gardens. From the problems described above, the authors formulate: how to build
an application for detecting lettuce fertility using the hydroponic method? At first,
the author collected data in the form of literature studies, surveys directly to
hydroponic gardens in Kota Baru, and finally conducted interviews with garden
managers. Then the system design of this program is carried out for further
implementation of the system. Then lastly to make sure the system runs smoothly,
the author conducts system testing. Based on the results of system testing, the
system created using the KNN method, the best accuracy level was obtained with
a k value of 15. with an accuracy rate of 89% from 100 times of testing.
Keywords: k Nearest Neighbour, hyrdoponic, data mining

viii
 DAFTAR ISI

HALAMAN SAMPUL.............................................................................................................. i
HALAMAN JUDUL ................................................................................................................ ii
LEMBAR PERSETUJUAN PEMBIMBING ...............................................................................iii
LEMBAR PENGESAHAN .......................................................................................................iv
HALAMAN PERNYATAAN KEASLIAN KARYA ILMIAH ........................................................... v
HALAMAN PERSEMBAHAN .................................................................................................vi
HALAMAN KATA PENGANTAR ........................................................................................... vii
ABSTRAK............................................................................................................................ viii
DAFTAR ISI...........................................................................................................................ix
DAFTAR TABEL ....................................................................................................................xi
DAFTAR GAMBAR............................................................................................................... xii
DAFTAR LAMPIRAN ........................................................................................................... xiii
BAB I PENDAHULUAN ......................................................................................................... 1
1.1. Latar Belakang ............................................................................................................1
1.2. Perumusan Masalah...................................................................................................2
1.3. Batasan Masalah ........................................................................................................2
1.4. Tujuan Penelitian .......................................................................................................3
1.5. Manfaat Penelitian.....................................................................................................3
1.6. Sistematika Penulisan ................................................................................................3
BAB II TINJAUAN PUSTAKA ................................................................................................. 5
2.1. Penelitian Terdahulu ..................................................................................................5
2.2. Teori Dasar Yang Digunakan ......................................................................................7
2.2.1. Hidroponik .................................................................................................. 7
2.2.2. pH ................................................................................................................ 8
2.2.3. Data Mining ................................................................................................ 9
2.2.4. Tahap-tahap Data mining ......................................................................... 10
2.2.5. K Nearest Neighbour (KNN) ...................................................................... 13
2.2.6. Cara Kerja Algoritma k-Nearest Neighbors (k-NN) ................................... 14
2.2.7. Perhitungan Jarak / Dissimilarity .............................................................. 15
2.2.8. Kelebihan dan Kekurangan Metode k-Nearest Neighbour ....................... 17

ix
 2.2.9. Selada (Lactuca Sativa L) ........................................................................... 21
2.2.10. Morfologi Selada ....................................................................................... 21
2.2.11. Syarat Tumbuh .......................................................................................... 23
2.2.12. Permasalahan Pada Selada ....................................................................... 25
3.1. Studi Literatur ......................................................................................................... 28
3.2. Pengumpulan Data.................................................................................................. 28
3.3. Implementasi Sistem............................................................................................... 30
3.4. Perancangan Sistem ................................................................................................ 30
3.4.1. Analisa Kebutuhan Sistem ........................................................................ 30
3.4.2. Analisa Kebutuhan masukan ..................................................................... 30
3.4.3. Proses k-Nearest Neighbour ..................................................................... 31
BAB IV PEMBAHASAN ....................................................................................................... 32
4.1. Pembahasan ............................................................................................................ 32
4.1.1. Data Selection ........................................................................................... 32
4.2. K-Nearest Neighbour ............................................................................................... 32
4.3. Perhitungan Manual .................................................................................................. 33
4.3.1. Normalisasi ............................................................................................... 38
4.3.2. Menghitung Euclidean Distance ............................................................... 42
4.3.3. Menentukan Nilai K .................................................................................. 45
4.4. Tampilan Antarmuka............................................................................................... 47
4.5. Pengujian dan Analisa Sistem ................................................................................. 49
4.5.1. Pengujian Nilai K Terhadap Tingkat Akurasi ............................................. 49
BAB V ................................................................................................................................ 51
5.1. Kesimpulan................................................................................................................. 51
5.2. Saran .......................................................................................................................... 51
DAFTAR PUSTAKA ............................................................................................................. 52
LAMPIRAN ......................................................................................................................... 53

x
 DAFTAR TABEL

Tabel 1. Penelitian Terdahulu ............................................................................................. 6

Tabel 2 Klasifikasi Selada ................................................................................................ 21
Tabel 3 Data Latih ............................................................................................................. 33
Tabel 4 Data Uji ................................................................................................................. 38
Tabel 5 Hasil Normalisasi Data Pada Hari ke-20 ............................................................... 39
Tabel 6 Data Uji Yang Sudah Dinormalisasi ...................................................................... 42
Tabel 7 Perhitungan Jarak K.............................................................................................. 45
Tabel 8 Data K Terdekat .................................................................................................... 46
Tabel 9 Prosentasi Akurasi K ............................................................................................. 49

xi
 DAFTAR GAMBAR

Gambar 1Flowchart Proses Penghitungan Eucladian ....................................................... 16

Gambar 2Perbandingan garis keputusan kelas k-NN (garis putus-putus abu-abu) dengan
model klasifikasi linear (garis lurus ungu)........................................................................ 17
Gambar 3 Variabel yang noninformatif bisa mengakibatkan klasifikasi yang salah dalam
k-NN .................................................................................................................................. 20
Gambar 4 Selada Keriting yang Ditanam Secara Hidroponik............................................ 23
Gambar 5 Selada Yang Ditanam secara Hidroponik Mengalamai Etiolase Pada Masa Awal
Penyemaian ...................................................................................................................... 26
Gambar 6 Selada Bolting................................................................................................... 27
Gambar 7 Diagram Alir Pekerjaan .................................................................................... 28
Gambar 8 Proses K Neirest Neighbour ............................................................................. 31
Gambar 9 Proses Mencari K Terdekat .............................................................................. 32
Gambar 10 Tampilan Program .......................................................................................... 47
Gambar 11 Tampilan Data Training ................................................................................. 48
Gambar 12 Diagram Batang Prosentasi Akurasi K .......................................................... 50

xii
 DAFTAR LAMPIRAN

KODE PROGRAM........................................................................................................... 53

xiii
 BAB I

PENDAHULUAN

1.1. Latar Belakang

Wilayah Indonesia melewati garis khatulistiwa dengan letak astonomis

berada di antara 6°LU (Lintang Utara)-11°LS (Lintang Selatan) dan 95°BT (Bujur

Timur)-141°BT (Bujur Timur)[1]. Dengan posisi astronomis seperti ini, maka

Indonesia diuntungkan dalam banyak hal. Diantaranya, iklim tropis dengan

cahaya matahari bersinar sepanjang tahun. Dan curah hujan yang amat tinggi,

cocok sekali tanah Indonesia menjadi ladang pertanian[2].

Akan tetapi sangat disayangkan sekali. Kondisi seperti ini tidak dapat

dimanfaatkan sepenuhnya. Hal ini dikarenakan beralih fungsi lahan pertanian

menjadi lahan hunian. Tiap tahun, masyarakat yang menjadi petani semakin

sedikit. Salah satu penyebabnya dikarenakan lahan pertanian makin berkurang dan

berganti fungsi. Akibatnya, mempengaruhi produksi kebutuhan pangan

masyarakat sehari-hari[3].

Sebagai solusi dari permasalahan itu, maka teknologi pertanian dengan

metode hidroponik mulai dilirik. Hal ini karena sistem hidroponik tidak

memerlukan tanah yang luas dan tanah yang subur. Dengan teknologi hidroponik

semua masyarakat dapat menikmati hasil panen sayuran dari kebun sendiri[4].

Hidroponik juga menjadi sebuah tren hobi baru selama pandemi COVID-19.

Untuk mengisi masa karantina, msyarakat sering kali merasa jenuh dan tidak bisa

i
ke pasar untuk membeli kebutuhan sehari-hari. Maka dari itu, masyarakat mulai

bercocok tanam dengan metode hidroponik[5].

Berdasarkan studi kasus di atas, maka penulis bermaksud untuk membuat

suatu aplikasi yang memudahkan pemantauan tanaman hidroponik bagi pemula

dan skala hobi. Pada aplikasi ini, penulis memfokuskan pada tanaman selada

green lettuce yang ditanam dengan metode hidroponik.

Selada leaf lettuce merupakan selada yang banyak ditanam dengan metode

hidroponik. Tanaman ini cocok ditanama bagi pemula yang baru memulai belajar

bercocok tanam dengan metode hidroponik. Karena, tanaman ini tidak

membutuhkan sinar matahari penuh dan tumbuh dengan baik bahkan dalam

cahaya dan suhu rendah. Selada jenis ini dapat dipanen dalam jangka waktu antara

40-55 hari setelah tanam[6].

Sistem alat ini akan berjalan pada desktop dengan menggunakan sistem

penunjang keputusan.

1.2. Perumusan Masalah

Berdasarkan permasalahan yang dipaparkan diatas, maka dapat dirumuskan:

bagaimana membangun aplikasi pendeteksi kesuburan tanaman selada dengan

metode hidroponik?

1.3. Batasan Masalah

Adapun beberapa batasan masalah yang dihadapi oleh peneliti yaitu :

1. Software ini berjalan dengan menggunakan pc desktop

2
 2. Tanaman yang digunakan pada aplikasi ini menggunakan tanaman selada.

3. Studi kasus dilakukan pada kebunsayur surabaya di kota Batu

4. Metode yang digunakan menggunakan metode K Nearest Neighbour

(KNN)

1.4. Tujuan Penelitian

Berdasarkan beberapa masalah yang dirumuskan diatas, maka penelitian ini

memliki tujuan sebagai berikut: membangun aplikasi data mining untuk

klasifikasi kesuburan tanaman selada hidroponik dengan k nearest neighbor

1.5. Manfaat Penelitian

1. Memudahkan orang untuk bercocok tanam dengan metode hidroponik

khususnya tanaman selada

2. Bagi pemula yang baru memulai berocok tanam dengan metode

hidroponik akan terbantu karena dengan software ini dapat menjadi

acuan kesuburan tanaman hidroponik.

1.6. Sistematika Penulisan

Sistematika penulisan pada penelitian ini, dijelaskan secara ringkas sebagai

berikut :

BAB I : PENDAHULUAN

Berisi tentang penjelasan umum isi penelitian yang mencakup,

latar belakang, rumusan masalah, batasan masalah, tujuan

3
 penelitian, manfaat penelitian, sistematika laporan penulisan

penelitian.

BAB II : TINJAUAN PUSTAKA

Berisi tentang penelitian terdahulu yang telah dilakukan

sebelumnya. Landasan teori, dalam bab ini menjelaskan tentang

teori pendukung yang digunakan untuk pembahasan dan cara

kerja rangkaian. Teori pendukung antara lain tentang, data

mining, Bahasa pemrograman yang digunakan, serta

karakteristik dari komponen-komponen pendukung.

BAB III : METODOLOGI PENELITIAN

Berisi pembahasan mengenai tahapan dan langkah-langkah

dalam melakukan penelitian, alat dan bahan yang akan

digunakan, perancangan desain sistem yang akan dibangun

sampai ke tahapan pengujian sistem.

BAB IV : HASIL DAN PEMBAHASAN

Berisi tentang implementasi sistem berupa perangkat keras dan

perangkat lunak serta analisis terhadap sistem yang dibuat.

BAB V : PENUTUP

Berisi kesimpulan dan saran terhadap sistem dan alat yang telah

dibangun.

4
 BAB II

TINJAUAN PUSTAKA

2.1. Penelitian Terdahulu

Pada penelitian terdahulu pertama terkait “Penerapan Metode Case Based

Reasoning (CBR) Dalam Sistem Pakar Untuk Menentukan Diagnosa Penyakit

Pada Tanaman Hidroponik”[7] yang menjelaskan tentang sebuah sistem dengan

metode KNN untuk mendeteksi diagnosa penyakit pada tanaman hidroponik serta

dapat memberikan solusi penanganannya. Dengan mengumpulkan data-data

gejala penyakit yang dapat menyerang tanaman hidoponik.

Pada penelitian terdahulu terkait “Deteksi Penyakit Daun pada Tanaman Padi

Menggunakan Algoritma Decision Tree, Random Forest, Naïve Bayes, SVM dan

KNN”[8] dijelaskan tingkat akurasi dengan metode KNN cukup tinggi. Memiliki

tingkat akurasi hingga 87%.

Penelitian lainnya pada “Aplikasi Klasifikasi Jenis Tumbuhan Mangrove

Berdasarkan Karakteristik Morfologi Menggunakan Metode K-Nearest Neighbor

(KNN) Berbasis Web”[9] dijelaskan bagaimana metode KNN berjalan. Metode

KNN bekerja dengan cara mencari kerabat terdekat dari data uji terhadap data

latih. Sehingga dihasilkan data yang cukup akurat. Pada penelitian ini terdapat dua

kesalahan dikarenakan kurangnya data pohon mangroove karena terdapat 1 pohon

yang memiliki 1 spesies pada 1 genus.

5
Tabel 1. Penelitian Terdahulu

Peneliti Judul Keterangan

Irfan Nugraha dan Penerapan Metode Case sistem dengan metode
Muhammad Sidik Based Reasoning (CBR) KNN untuk mendeteksi
Dalam Sistem Pakar diagnosa penyakit pada
Untuk Menentukan tanaman hidroponik
Diagnosa Penyakit Pada serta dapat memberikan
Tanaman Hidroponik solusi penanganannya.
Dengan mengumpulkan
data-data gejala penyakit
yang dapat menyerang
tanaman hidoponik.

Annida Purnamawati, Deteksi Penyakit Daun tingkat akurasi dengan

pada Tanaman Padi metode KNN cukup
Wawan Nugroho,
Menggunakan Algoritma tinggi. Memiliki tingkat
Destiana Putri, Decision Tree, Random akurasi hingga 87%.
Wahyutama Fitri Forest, Naïve Bayes,
SVM dan KNN
Hidayat

Sistria Hijrah Wardani , Aplikasi Klasifikasi bagaimana metode

Jenis Tumbuhan KNN berjalan. Metode
Tedy Rismawan ,
Mangrove Berdasarkan KNN bekerja dengan
Syamsul Bahri Karakteristik Morfologi cara mencari kerabat
Menggunakan Metode terdekat dari data uji
K-Nearest Neighbor terhadap data latih.
(KNN) Berbasis Web Sehingga dihasilkan data
yang cukup akurat. Pada
penelitian ini terdapat
dua kesalahan
dikarenakan kurangnya

6
 data pohon mangroove
karena terdapat 1 pohon
yang memiliki 1 spesies
pada 1 genus.

2.2. Teori Dasar Yang Digunakan

2.2.1. Hidroponik

Hidroponik adalah suatu budidaya menanam dengan mamakai

(memanfaatkan) air tanpa memakai tanah dan menekankan penumbuhan

kebutuhan nutrisi untuk tanaman. Kebutuhan air pada tanaman hidroponik lebih

sedikit dibandingkan kebutuhan air pada budidaya dengan memakai media tanah.

Hidroponik memakai air yang lebih efisien, jadi sangat cocok diterapkan pada

daerah yang mempunyai pasokan air yang terbatas.

Hidroponik (hydroponic) berasal dari kata Yunani yaitu hydro yang berarti air

dan ponos yang artinya daya. Hidroponik juga dikenal sebagai soilless culture

atau budidaya tanaman tanpa tanah. Jadi hidroponik berarti budidaya tanaman

yang mamanfaatkan air dan tanpa menggunakan tanah sebagai media tanam atau

soilles. Pemilihan jenis tanaman yang akan dibudidayakan untuk skala usaha

komersial harus diperhatikan. Sebagai contoh jenis tanaman yang mempunyai

nilai jual di atas rata-rata, yaitu: a. Paprika b. Tomat c. Timun Jepang d. Melon e.

Terong Jepang f. Selada. Selain jenis tanaman itu, banyak lagi yang dapat

dibudidayakan dengan teknik hidroponik apabila dilakukan hanya pada kegiatan

hobi saja[10].

7
2.2.2. pH
pH adalah derajat keasaman yang digunakan untuk mengukur tingkat

keasaman atau kebasaan suatu larutan. Huruf “H” pada singkatan “pH”

didefinisikan sebagai kologaritma aktivitas ion hidrogen (H+) yang terlarut.

Sedangkan huruf “p” tidak diketahui dengan pasti apa maknanya.

Derajat pH mempengaruhi pertumbuhan dan kelangsungan hidup tanaman

hidroponik, pada larutan nutrisi hidroponik yang bersifat netral memungkinkan

tanaman dapat tumbuh dengan baik dan bertahan hidup dalam jangka waktu yang

maksimal. Unsur hara yang terdapat pada larutan nutrisi hidroponik yang

memiliki skala ph antara 6,0 – 6,5 dapat diserap dengan baik oleh akar tanaman

sehingga tanaman cukup mendapatkan makanan yang dibutuhkan.

1. pH air hidroponik di bawah 6.0 (asam)

Larutan nutrisi hidroponik dengan skala pH dibawah 6.0 akan bersifat

asam, karena jumlah ion H+ yang terdapat pada terlarut jumlahnya lebih

tinggi dibandingkan ion OH-. Pada kondisi ini unsur hara makro seperti

kalsium, magnesium dan fosfor akan terikat secara kimiawi sehingga

tidak mudah atau bahkan tidak dapat diserap oleh akar tanaman sehingga

tanaman mengalami defisiensi unsur hara. Akibatnya tanaman akan

tumbuh kerdil dan tidak dapat berproduksi dengan maksimal. Unsur

alumunium dan dan mangan yang terdapat pada larutan nutrisi yang

bersifat asam akan menjadi racun yang dapat merugikan tanaman.

2. pH air hidroponik di atas 6.0 (basa)

Kebalikan dari kondisi air yang bersifat asam, pada air yang bersifat basa

(pH diatas 7.0) jumlah ion OH- lebih tinggi daripada jumlah ion H+.

8
 Pada air hidroponik yang bersifat basa unsur hara mikro seperti tembaga,

mangan, seng dan besi akan terikat secara kimiawi sehingga tidak dapat

diserap oleh akar tanaman. Akibatnya tanaman mengalami defisiensi

unsur hara, pertumbuhannya kerdil dan cepat mati.

pH pada air hidroponik dapat naik dan turun diakibatkan beberapa sebab.

Seperti proses fotosintesis, respirasi, bakteri, dan media tanam. Sehingga penting

sekali petani hidroponik memeriksa pH air hidroponik secara berkala. Setidaknya

2 kali dalam 1 hari.

Jika pH larutan nutrisi hidroponiktidak sesuai dengan standar ideal, nilai pH

bisa disesuaikan dengan menaikkan atau menurunkannya dengan menggunakan

PH Up dan PH Down. PH Up digunakan untuk menaikakan pH larutan nutrisi

yang turun (asam) dan PH Down digunakan untuk menurunkan pH larutan nutrisi

yang berubah naik (basa).

2.2.3. Data Mining

Data mining adalah suatu proses pengerukan atau pengumpulan informasi

penting dari suatu data yang besar. Proses data mining seringkali menggunakan

metode statistika, matematika, hingga memanfaatkan teknologi artificial

intelligence.

Nama alternatifnya yaitu Knowledge discovery (mining) in databases (KDD),

knowledge extraction, data/pattern analysis, data archeology, data dredging,

information harvesting, business intelligence, dan lain-lain.

9
 Menurut para ahli (Efraim Turban, dkk 2005) Tujuan dari penambangan data

ini untuk mengekstraksi serta mengidentifikasi suatu data demi informasi tertentu

yang berhubungan dengan suatu database besar atau big data.

Data mining adalah kegiatan menemukan pola yang menarik dari data dalam

jumlah besar, data dapat disimpan dalam database, data warehouse, atau

penyimpanan informasi lainnya. Data mining berkaitan dengan bidang ilmu-ilmu

lain, seperti database system, data warehousing, statistik, machine learning,

information retrieval, dan komputasi tingkat tinggi. Selain itu, data mining

didukung oleh ilmu lain seperti neural network, pengenalan pola, spatial data

analysis, image database, signal processing. Data mining didefinisikan sebagai

proses menemukan pola-pola dalam data. Proses ini otomatis atau seringnya semi

otomatis. Pola yang ditemukan harus penuh arti dan pola tersebut memberikan

keuntungan, biasanya keuntungan secara ekonomi. Data yang dibutuhkan dalam

jumlah besar.

2.2.4. Tahap-tahap Data mining

Tahap-tahap data mining ada 6 yaitu :

1. Pembersihan data (data cleaning)

Pembersihan data merupakan proses menghilangkan noise dan data yang

tidak konsisten atau data tidak relevan. Pada umumnya data yang

diperoleh, baik dari database suatu perusahaan maupun hasil eksperimen,

memiliki isian-isian yang tidak sempurna seperti data yang hilang, data

yang tidak valid atau juga hanya sekedar salah ketik. Selain itu, ada juga

atribut-atribut data yang tidak relevan dengan hipotesa data mining yang

10
 dimiliki. Data-data yang tidak relevan itu juga lebih baik dibuang.

Pembersihan data juga akan mempengaruhi performasi dari teknik data

mining karena data yang ditangani akan berkurang jumlah dan

kompleksitasnya.

2. Integrasi data (data integration)

Integrasi data merupakan penggabungan data dari berbagai database ke

dalam satu database baru. Tidak jarang data yang diperlukan untuk data

mining tidak hanya berasal dari satu database tetapi juga berasal dari

beberapa database atau file teks. Integrasi data dilakukan pada atribut-

aribut yang mengidentifikasikan entitas-entitas yang unik seperti atribut

nama, jenis produk, nomor pelanggan dan lainnya. Integrasi data perlu

dilakukan secara cermat karena kesalahan pada integrasi data bisa

menghasilkan hasil yang menyimpang dan bahkan menyesatkan

pengambilan aksi nantinya. Sebagai contoh bila integrasi data berdasarkan

jenis produk ternyata menggabungkan produk dari kategori yang berbeda

maka akan didapatkan korelasi antar produk yang sebenarnya tidak ada.\

3. Seleksi Data (Data Selection)

Data yang ada pada database sering kali tidak semuanya dipakai, oleh

karena itu hanya data yang sesuai untuk dianalisis yang akan diambil dari

database. Sebagai contoh, sebuah kasus yang meneliti faktor

kecenderungan orang membeli dalam kasus market basket analysis, tidak

perlu mengambil nama pelanggan, cukup dengan id pelanggan saja.

4. Transformasi data (Data Transformation)

11
 Data diubah atau digabung ke dalam format yang sesuai untuk diproses

dalam data mining. Beberapa metode data mining membutuhkan format

data yang khusus sebelum bisa diaplikasikan. Sebagai contoh beberapa

metode standar seperti analisis asosiasi dan clustering hanya bisa

menerima input data kategorikal. Karenanya data berupa angka numerik

yang berlanjut perlu dibagibagi menjadi beberapa interval. Proses ini

sering disebut transformasi data.

5. Proses mining,

Merupakan suatu proses utama saat metode diterapkan untuk menemukan

pengetahuan berharga dan tersembunyi dari data.

6. Evaluasi pola (pattern evaluation),

Untuk mengidentifikasi pola-pola menarik kedalam knowledge based yang

ditemukan. Dalam tahap ini hasil dari teknik data mining berupa pola-pola

yang khas maupun model prediksi dievaluasi untuk menilai apakah

hipotesa yang ada memang tercapai. Bila ternyata hasil yang diperoleh

tidak sesuai hipotesa ada beberapa alternatif yang dapat diambil seperti

menjadikannya umpan balik untuk memperbaiki proses data mining,

mencoba metode data mining lain yang lebih sesuai, atau menerima hasil

ini sebagai suatu hasil yang di luar dugaan yang mungkin bermanfaat.

7. Presentasi pengetahuan (knowledge presentation),

Merupakan visualisasi dan penyajian pengetahuan mengenai metode yang

digunakan untuk memperoleh pengetahuan yang diperoleh pengguna.

Tahap terakhir dari proses data mining adalah bagaimana

12
 memformulasikan keputusan atau aksi dari hasil analisis yang didapat.

Ada kalanya hal ini harus melibatkan orang-orang yang tidak memahami

data mining. Karenanya presentasi hasil data mining dalam bentuk

pengetahuan yang bisa dipahami semua orang adalah satu tahapan yang

diperlukan dalam proses data mining. Dalam presentasi ini, visualisasi

juga bisa membantu mengkomunikasikan hasil data mining (Han, 2006)

2.2.5. K Nearest Neighbour (KNN)

Algoritma K Nearest Neighbour (KNN) adalah algoritma pembelajaran mesin

yang diawasi dan sederhana yang dapat digunakan untuk menyelesaikan masalah

klasifikasi dan regresi. Mudah untuk diterapkan dan dipahami, tetapi memiliki

kelemahan utama yaitu melambat secara signifikan seiring dengan bertambahnya

ukuran data yang digunakan.

KNN bekerja dengan mencari jarak antara query dan semua contoh dalam

data, memilih contoh nomor tertentu (K) yang paling dekat dengan kueri, lalu

memilih label yang paling sering (dalam kasus klasifikasi) atau rata-rata label

(dalam kasus regresi).

Dalam kasus klasifikasi dan regresi, kami melihat bahwa memilih K yang

tepat untuk data kami dilakukan dengan mencoba beberapa K dan memilih salah

satu yang berfungsi paling baik.

Akhirnya, kami melihat contoh bagaimana algoritma KNN dapat digunakan

dalam sistem rekomender, sebuah aplikasi pencarian-KNN[11].

13
2.2.6. Cara Kerja Algoritma k-Nearest Neighbors (k-NN)
Algoritma metode k-NN sangat sederhana, kNN bekerja dengan berdasar

pada jarak terpendek dari data uji ke data latih untuk menentukan k-NN nya.

Setelah mengumpulkan k-NN, kemudian diambil yang terbanyak dari k-NN untuk

dijadikan prediksi dari sample uji. Data untuk algoritma k-NN terdiri dari

beberapa atribut multi-variate Xi yang akan digunakan untuk mengklasifikasikan

Y. Data dari k-NN dapat dalam skala ukuran apapun, dari ordinal ke nominal.

Langkah yang dilakukan untuk menghitung metode k-Nearest Neighbor

antara lain:

 Menentukan parameter k, tidak ada aturan khusus untuk menentukan

berapa nilai k. Akan tetapi akan lebih baik jika nilai k menggunakan

nilai ganjil

 Menghitung jarak antara data yang akan dievaluasi dengan semua

pelatihan. Proses penghitungan seperti menghitung nilai gradien garis

x.

 Mengurutkan jarak yang telah terbentuk dari data terkecil hingga

terbesar

 Menentukan jarak terdekat dengan urutan k

 Memasangkan kelas yang bersesuaian

 Mencari jumlah kelas dari tetangga yang terdekat dan tetapkan kelas

tersebut sebagai kelas data yang akan dievaluasi

14
2.2.7. Perhitungan Jarak / Dissimilarity
Ada beberapa cara yang dapat digunakan untuk menghitung jarak pada

metode k-nearest neighbour. Akan tetapi pada penelitian ini penulis menggunkan

metode penghitungan Jarak Euclidean.

Perhitungan jarak yang paling umum dipakai pada perhitungan pada

algoritma k-NN adalah menggunakan perhitungan jarak Euclidean. Rumusannya

adalah sebagai berikut:

𝑑(𝑥1 ,𝑦1 ) = √∑ (𝑥𝑖 − 𝑦𝑖 )2

𝑖

Dimana :

 xi = sampel data

 yi = data uji atau data testing

 i = variabel data

 d(x,y) = dissimilarity/jarak

 n = dimensi data

15
Gambar 1Flowchart Proses Penghitungan Eucladian

16
2.2.8. Kelebihan dan Kekurangan Metode k-Nearest Neighbour

2.2.8.1. Kelebihan Metode k-Nearest Neighbour

 Sangat non-liniear

k-NN merupakan salah satu algoritma machine learning yang

bersifat non-parametrik, yaitu model yang tidak mengasumsikan

apapun mengenai distribusi instance di dalam datasetmya. Model

non-parametrik biasanya lebih sulit untuk diinterpretasikan, namun

salah satu kelebihan metode ini adalah garis keputusan kelas yang

dihasilkan model tersebut bisa menjadi sangat fleksibel dan non-

linear.

Gambar 2Perbandingan garis keputusan kelas k-NN (garis putus-putus abu-abu)

dengan model klasifikasi linear (garis lurus ungu)
Pada ilustrasi di atas, digambarkan jika k-NN dapat melakukan

klasifikasi dengan tepat dikarenakan garis keputusan kelasnya non-

linear. Dibandingkan dengan model linear lainnya (semisal logistic

regression) yang tentunya akan menghasilkan banyak mis-

klasifikasi jika garis keputusan kelas dalam dataset sebenarnya

bersifat non-linear.

17
 Mudah dipahami dan diimplementasikan

Dari paparan yang diberikan dan penjelasan cara menghitung jarak

dalam artikel ini, cukup jelas bahwa algoritma k-NN mudah

dipahami dan juga mudah dimplementasikan. Untuk

mengklasifikasi instance x menggunakan k-NN, kita cukup

mendefinisikan fungsi untuk menghitung jarak antar-instance,

menghitung jarak x dengan semua instance lainnya berdasarkan

fungsi tersebut, dan menentukan kelas x sebagai kelas yang paling

banyak muncul dalam k instance terdekat

 Memiliki konsistensi yang kuat

Ketika jumlah data mendekati tak hingga, algoritma ini menjamin

error rate yang tidak lebih dari dua kali Bayes error rate (error rate

minimum untuk distribusi data tertentu). Jika tidak ada noise, maka

Bayesian error rate = 0.

 Asymptotically Correct

Jika dataset terdiri atas semua instance dalam populasi yang sedang

kita cermati. Jika tidak ada noise di dalam dataset tersebut, maka k-

NN dengan k = 1 akan menghasilkan klasifikasi yang 100% akurat!

Penjelasannya sebagai berikut.

Misalkan klasifikasi instance x. Akan dicari satu instance yang

paling dekat dari x. Instance ini dijamin memiliki kelas yang sama

18
 dengan x. Mengapa? Karena kalau tidak sama, pasti ada instance

lain yang lebih dekat dari x dan memiliki kelas yang sama dengan

x, mengacu pada asumsi kita memiliki semua instance dan tidak

ada noise di dalam dataset. Sangat menakjubkan untuk sebuah

algoritma yang sederhana.

2.2.8.2.Kekurangan Metode k-Nearest Neighbour

 Perlu menunjukkan parameter K (jumlah tetangga

terdekat)

 Tidak menangani nilai hilang (missing value) secara

implisit

Jika terdapat nilai hilang pada satu atau lebih variabel dari

suatu instance, perhitungan jarak instance tersebut dengan

instance lainnya menjadi tidak terdefinisi. Bagaimana coba,

menghitung jarak dalam ruang 3-dimensi jika salah satu

dimensi hilang? Karenanya, sebelum menerapkan kNN kerap

dilakukan imputasi untuk mengisi nilai-nilai hilang yang ada

pada dataset. Contoh teknik imputasi yang paling umum

adalah mengisi nilai hilang pada suatu variabel dengan nilai

rata-rata variabel tersebut (mean imputation).

 Rentan Terhadap Variabel Yang Non-Informatif

Meskipun kita telah menstandardisasi rentang variabel, k-NN

tetap tidak dapat mengetahui variabel mana yang signifikan

dalam klasifikasi dan mana yang tidak. Lihat contoh berikut:

19
Gambar 3 Variabel yang noninformatif bisa mengakibatkan klasifikasi yang salah
dalam k-NN

Pada ilustrasi di atas, klasifikasi sebetulnya bisa dilakukan

menggunakan variabel a saja (perhatikan garis vertikal yang

memisahkan kedua kelas secara linear). Namun, k-NN tidak

dapat mengetahui bahwa variabel b tidak informatif. Alhasil,

dua instance kelas biru terklasifikasi dengan salah, karena

kedua instance tersebut dekat dengan instance kelas jingga

dalam dimensi b. Andaikan kita hanya menggunakan variabel

a dan membuang variabel b, semua instance akan terklasifikasi

dengan tepat.Pemilihan variabel sebelum menerapkan kNN

dapat membantu menangani permasalahan di atas. Selain itu,

kita juga bisa memberi bobot pada variabel dalam perhitungan

jarak antar-instance. Variabel yang kita tahu noninformatif kita

beri bobot yang kecil.

20
2.2.9. Selada (Lactuca Sativa L)

Selada adalah kelompok sayur-sayuran dari famili asteraceae. Selada

menjadi salah satu komomditas sayuran dengan nilai yang cukup tinggi. Sebagai

sayuran hijau yang banyak dikonsumsi, selada mengandung mineral iodium, besi,

tembaga, fosfor, kobalt, kalsium, kalium, mangan, dan seng. Kandungan senyawa

tersebut sangat berguna dalam menjaga keseimbangan tubuh[12].

Tabel 2 Klasifikasi Selada

Klasifikasi Selada
Kingdom Plantae
Super Spermathophyta
Divisi Magnoliophyta
Kelas Asterales
Ordo Asteraceae
Famili Lactuca
Genus Lactuca
Species sativa
Sumber: https://agrotek.id/klasifikasi-dan-morfologi-tanaman-selada-keriting/

2.2.10. Morfologi Selada

1. Akar

Akar yang dimiliki oleh tanaman selada adalah akar tunggang dan

serabut. Pada Akar tunggang tersebut tumbuh ke dalam tanah lurus cukup,

sedangkan akar serabutnya menempel pada batang selada kemudian

mereka menyebar ke sekitar tanaman ini tumbuh hingga sekitar 20 cm –

50 cm.

Perakarannya juga bisa tumbuh dengan baik pada tanah subur, mudah

menyerap air dan gembur.

21
2. Batang

Batang pada selada merupakan batang sejati, yang membentuk crop dan

tidak membentuk crop. Pada Batang tersebut pendek dan hampir tidak

terlihat pada bagian dasar di dalam tanah ada juga yang sebaliknya.

3. Daun

Bentuk daun selada keriting adalah bulat panjang bergerigi atau panjang

dengan warna hijau muda, terang dan merah. Tangkai pada daun selada

adalah lebar dan tulang daunnya menyirip yang mana setiap tangkainya

kuat dan juga halus. Daun selada memiliki sifat lunak dan renyah serta

memiliki rasa manis ketika di makan. Daun tersebut memiliki ukuran

sekitar 20 – 25 panjangnya sedangkan lebarnya 15 cm bahkan lebih.

4. Bunga

Bunga tanaman selada adalah berwarna kuning yang tumbuh dalam satu

rangkaian secara lengkap. Pada Bunga tersebut memiliki panjang sekitar

80 cm bahkan lebih. Tanaman selada sendiri akan bisa tumbuh secara

cepat dan berbuah jika di tanam di daerah beriklim sedang atau subtropis.

22
 Gambar 4 Selada Keriting yang Ditanam Secara Hidroponik

2.2.11. Syarat Tumbuh

Tanaman Lactuca sativa L. dapat tumbuh dengan baik pada daerah yang

mempunyai udara sejuk (dataran tinggi). Lactuca sativa L. jika ditanam pada

dataran rendah akan memerlukan pemeliharaan yang intensif. Lactuca sativa L.

tidak tahan bila terkena sinar matahari secara langsung, sehingga memerlukan

tempat yang teduh. Daerah yang sesuai untuk penanaman Lactuca sativa L. di

ketinggian sekitar 500-2000 mdpl dengan suhu rata-rata 15-200 oC. Curah hujan

yang dibutuhkan antara 1000-1500 mm per tahun. Kelembapan sekitar 60-100%

dan pH yang diperlukan tanaman Lactuca sativa L. berkisar antara 6,5-7 (netral).

Bila pH terlalu asam, daun Lactuca sativa L. akan berubah warna menjadi

kuning.

23
1. Pemilihan Benih

Benih yang berkualitas unggul memang menjadi syarat utama hasil panen

akan memuaskan. Benih dari indukan yang bagus pasti membawa sifat

genetik yang sama bagusnya. Karena hal itulah pemilihan bibit pada awal

periode sebelum persemaian menjadi sangat penting.

Sebelum menanam, ada baiknya untuk mengetahui perbedaan jenis bibit

selada. Di pasaran terdapat jenis tom thumb, lettuce bibb, dan romaine

yang masih bisa digolongkan lagi berdasarkan dengan karakteristik tiap

jenis.

Dengan mengetahui perbedaan serta sifatnya, Anda bisa menentukan jenis

selada mana yang cocok dengan kesiapan Anda. Hal ini nanti juga

berpengaruh pada proses perawatan hingga panen.

2. Media Tanam

Media tanam yang baik digunakan adalah media tanam rockwool.

Rockwool merupakan media tanam yang terbuat dari mineral yang

dipanaskan hingga menjadi serat-serat.

3. Penyemaian

Penyemaian baiknya dilakukan di sore hari. Karena biasanya benih selada

akan pecah pada selang waktu 1 hari.

Penyemaian dilakukan dengan cara menaruh benih pada media tanam.

Satu media tanam berisikan satu benih. Setelah benih ditaruh pada media

tanam, selanjutnya letakan media tanam yang sudah diisi dengan benih

pada tempat yang gelap. Tujuannya adalah agar biji tanaman yang

24
 ditanam segera pecah dan mengeluarkan daun. Akan tetapi jangan sampai

terlalu lama di tempat gelap. Karena dapat menyebabkan etiolase.

4. pH Air

pH Air yang dibutuhkan pada tanaman selada berkisar di antara 5,5

hingga 6,5. Tidak terlalu asam dan juga tidak basa.

5. Pennaman Selada

Setelah benih selada pecah, maka akan muncul daun tunas muda. Daun

ini biasanya berjumlah 2 daun hingga menginjak umur 10-15 hari. Pada

kondisi ini, selada muda baiknya dikenakan air netral tanpa nutrisi.

Selanjutnya jika selada muda sudah muncul 4 daun maka dapat

dipindahkan ke instalasi khusus untuk pembesaran hingga saatnya panen.

6. Panen Selada

Selada hidroponik siap panen umur 23 hst, sejak bibit selada dipindah

tanam hingga bisa dipanen, jika di hitung dari pindah tanam umur selada

hidroponik ini hanya 23 hari, tetapi sejak di hitung sejak benih disemai

umur panen selada hidroponik adalah 58 hari.

2.2.12. Permasalahan Pada Selada

Ada banyak masalah yang sering terjadi pada selada. Akan tetapi pada kasus

yang sering terjadi pada kebun hidroponik yang digunakan pada data penelitian

ini adalah sebagai berikut.

1. Etiolase

Etiolase adalah penyebab peristiwa pertumbuhan tidak normal dimana

tanaman tumbuh di tempat gelap tanpa adanya sinar matahari. Etiolase

menyebabkan tanaman tumbuh lebih panjang dari ukuran normalnya

25
 diakibatkan hormon auksin. Hormon auksin sendiri adalah hormon pada

tanaman yang bekerja saat tumbuhan di fase gelap.

Auksin diproduksi pada ujung tanaman dibawa ke bagian pertumbuhan

dan meningkatkan keasaman. Keasaman ini melemahkan dinding sel dan

memicu ekspansi atau pemanjangan yang disertai terbentuknya etioplas

(bakal sel kloroplas).

Etiolase seringkali terjadi di awal semai. Diakibatkan lupa untuk segera

mengeluarkan dari tempat gelap dan tidak disegerakan terkena sinar

matahari.

Etiolase dapat dicegah dengan cara segera menaruh di tempat yang cukup

matahari di saat benih sudah pecah. Sehingga tanaman mendpatkan

cukup sinar matahari dan dapat melakukan fotosintesis.

Gambar 5 Selada Yang Ditanam secara Hidroponik Mengalamai Etiolase Pada Masa Awal Penyemaian

26
2. Bolting

Bolting adalah kondisi kebalikan dari etiolase. Jika etiolase terjadi di awal

pertumbuhan pasca semai akibat kekurangan sinar matahari sehingga

tanaman tumbuh memanjang. Bolting sebaliknya, bolting terjadi karena

tanaman mendapatkan terlalu banyak cahaya dan panas yang terik.

Definisi bolting adalah proses di mana selada gagal membentuk kepala

(“head”) sebaliknya yang terjadi adalah tumbuh bunga dan akhirnya

menghasilkan benih. Bolting terjadi sebagai proses adaptasi untuk

bertahan hidup dan menghasilkan keturunan. Tidak ada banyak hal yang

dapat dilakukan untuk mencegah bolting. Selain segera dipanen pada

waktunya atau dibuang. Sebab biasanya selada yang bolting akan terasa

pahit ketika dimakan.

Gambar 6 Selada Bolting

27
 BAB III

METODE PENELITIAN

STUDI LITERATUR

ANALISIS KEBUTUHAN SISTEM

PENGUMPULAN DATA

PERANCANGAN SISTEM

IMPLEMENTASI SISTEM

PENGUJIAN SISTEM

Gambar 7 Diagram Alir Pekerjaan

3.1. Studi Literatur

Studi Literatur pada penelitian ini digunakan untuk mempelajari teori-teori

yang digunakan untuk mendukung penelitian yang sedang dikerjakan. Teori yang

digunakan diantaranya K Nearest Network dan Hidroponik. Teori tersebut diambil

dari karya ilmiah sebelumnya, jurnal, serta buku yang dapat membantu penulis

untuk menganalisa pertumbuhan tanaman selada yang dibudidayakan dengan

metode hidroponik

3.2. Pengumpulan Data

Adapun teknik pengumpulan data yang akan penulis lakukan dalam

melakukan penelitian adalah sebagai berikut :

28
1. Studi Kepustakaan

Studi kepustakaan merupakan teknik pengumpulan data dengan mengadakan

studi penelaan terhadap buku-buku, literatur-literatur, catatan dan laporan

yang ada hubungannya dengan masalah yang dipecahkan. Pengumpulan data

yang dilakukan secara langusng dari sumber lain seperti buku, skripsi, junral,

dan dokumen lainnya yang mendukung penelitian ini.

2. Observasi

Observasi dilakukan dengan mangamati secara langsung obyek yang akan

diteliti. Pengamatan akan dilakukan secara langsung pada masa 1 kali panen

sayur selada pada kebun hidroponik di kota Batu. Data yang akan diambil

adalah sampel berupa tanaman selada dengan varian umur dari 5 hari hingga

38 hari. Sampel data yang akan diambil berupa tinggi tanaman, panjang akar,

banyak daun, dan pH.

3. Wawancara

Wawancara merupakan teknik pengumpulan data yang dilaksanakan secara

langsung dari pakarnya. Tujuan wawancara pada penelitian ini adalah untuk

mencari tahu bagaimana spesifikasi selada yang baik dan permasalahan yang

sering dialami dalam menanam selada. Wawancara dilakukan dengan cara

mewawancarai secara langsung dengan narasumber yaitu petani hidroponik di

kota Batu. Pada proses wawancara tersebut didapati bagaimana kondisi selada

yang subur dan parameter apa saja selada yang subur.

29
3.3. Implementasi Sistem

Proses implementasi dalam sistem ini dilakukan berdasarkan hasil

perancangan sistem. Berikut ini adalah tahapan implementasi sistem, yaitu:

1. Pembuatan program ini menggunakan bahasa pemrograman python

2. Implementasi Algoritma berdasarkan hasil perancangan

3. Pembuatan antarmuka pengguna (User Interface)

3.4. Perancangan Sistem

3.4.1. Analisa Kebutuhan Sistem

Analis kebutuhan sistem digunakan untuk mengidentifikasi kebutuhan

pengguna untuk berinteraksi dengan sistem, kebutuhan masukan, proses dan

keluaran dari sebuah sistem.

Analisa kebutuhan dibutuhkan untuk menggambarkan apa saja yang

dibutuhkan oleh sistem agar dapat memenuhi kebutuhan pengguna. Berikut ini

kebutuhan yang digunakan dalam aplikasi aplikasi data mining untuk klasifikasi

kesuburan tanaman selada hidroponik dengan metode k nearest network.

1. Kebutuhan perangkar keras meliputi komputer dan layar monitor

2. Kebutuhan perangkat lunak meliputi python, microsoft excel

3.4.2. Analisa Kebutuhan masukan

Kebutuhan masukan dari sistem diambil dari data hasil survey selada yang

telah dilakukan di kebun hidroponik di kota Batu. Data tersebut berupa umur

tanaman, banyak daun, tinggi selada, dan pH air.

30
3.4.3. Proses k-Nearest Neighbour

Proses klasifikasi menggunakan k-nearest neighbour menempatkan data uji

pada salah satu diantara 5 kelas jenis identifikasi yang telah ditentukan. Dalam

menentukan data kedalam sebuah kelas menggunakan persamaan sebagai berikut.

Gambar 8 Proses K Neirest Neighbour

31
 BAB IV

PEMBAHASAN

4.1. Pembahasan

4.1.1. Data Selection

Data yang digunakan yaitu data pertumbuhan selada yang ada di kebun sayur

selama 33 hari dimulai dari hari ke-5 hingga ke-38 setelah penyemaian. Kemudian

data tersebut diolah dalam memprediksi tingkat kesuburan. Adapun atribut yang

digunakan adalah hari, pertumbuhan tinggi, banyak daun, dan pH.

4.2. K-Nearest Neighbour

Proses klasifikasi pada metode K-Nearest Neighbour menempatkan data uji

pada salah satu kelas diantara 4 kondisi yang telah ditentukan. Dalam menentukan

data ke dalam sebuah kelas menggunakan persamaan sebagai berikut :

𝑑(𝑥1 ,𝑦1 ) = √∑ (𝑥𝑖 − 𝑦𝑖 )2

𝑖

Selanjutnya dari data tersebut digunakan untuk mencari nilai k (tetangga

terdekat). Atau dapat digambarkan sebagai berikut.

Gambar 9 Proses Mencari K Terdekat

32
4.3. Perhitungan Manual

Perhitungan manual adalah gambaran secara umum mengenai sistem metode

K-Nearest Neighbour. Pada perhitungan ini digunakan 5 data latih dan satu data

uji.

Tabel 3 Data Latih

Banyak Kondisi
No Hari Tinggi pH
Daun Tanaman
1 5 1 2 6.3 Normal
2 5 0.5 2 6.2 Lambat
3 5 0.5 2 5.7 Lambat
4 5 1 2 6.1 Normal
5 5 2 2 5.8 Normal
6 5 1.5 2 6.4 Normal
7 5 1.5 2 5.6 Normal
8 5 0.5 2 6.5 Lambat
9 5 0.5 2 6.2 Lambat
10 5 0.5 2 5.7 Lambat
11 5 0.5 2 6 Lambat
12 5 1.5 2 5.7 Normal
13 5 1.5 2 5.8 Normal
14 5 6 2 6.3 Etiolase
15 5 1 2 5.8 Normal
16 5 1 2 6.5 Normal
17 5 2 2 6.4 Pesat
18 5 0.5 2 6.5 Lambat
19 5 1 2 5.8 Normal
20 5 1 2 6.3 Normal
21 5 0.5 2 6 Lambat
22 5 1 2 6.1 Normal
23 5 1 2 6 Normal
24 5 1 2 6.3 Normal
25 5 1 2 6.1 Normal
26 5 1 2 6.4 Normal
27 5 1 2 5.6 Normal
28 5 1 2 6.5 Normal
29 5 1 2 6.1 Normal

33
30 5 0.5 2 6.3 Lambat
31 5 1 2 6.1 Normal
32 5 1 2 5.7 Normal
33 5 1 2 5.6 Normal
34 5 0.5 2 6 Lambat
35 5 1.5 2 5.6 Normal
36 5 1 2 5.7 Normal
37 5 0.5 2 5.8 Lambat
38 5 1 2 6.3 Normal
39 5 1 2 5.8 Normal
40 5 1 2 5.7 Normal
41 5 1 2 5.5 Normal
42 5 1 2 5.9 Normal
43 5 1 2 5.9 Normal
44 5 1.5 2 6.4 Normal
45 5 6 2 5.7 Etiolase
46 5 1 2 5.6 Normal
47 5 1 2 6.4 Normal
48 5 1.5 2 5.8 Normal
49 5 2 2 5.5 Pesat
50 5 1.5 2 6.3 Normal
51 5 1 2 6.3 Normal
52 5 1 2 6.1 Normal
53 5 1 2 6 Normal
54 5 1 2 6.3 Normal
55 5 1 2 6.1 Normal
56 5 1.5 2 5.9 Normal
57 5 6 2 6 Etiolase
58 5 1 2 5.8 Normal
59 5 1 2 5.9 Normal
60 5 1.5 2 5.6 Normal
61 5 2 2 6.5 Pesat
62 5 6 2 6.4 Etiolase
63 5 1 2 5.8 Normal
64 5 1 2 5.8 Normal
65 5 1 2 6.3 Normal
66 5 1 2 6.2 Normal
67 5 1.5 2 5.7 Normal
68 5 6 2 5.9 Etiolase

34
 69 5 1 2 5.9 Normal
70 5 0.5 2 6 Lambat
71 5 1 2 6.1 Normal
72 5 0.5 2 5.7 Lambat
73 5 6 2 6.1 Etiolase
74 5 0.5 2 5.9 Lambat
75 5 0.5 2 5.5 Lambat
76 5 1 2 5.6 Normal
77 5 1 2 6.5 Normal
78 5 1 2 5.5 Normal
79 5 1 2 6.1 Normal
80 5 1 2 6.5 Normal
81 5 1.5 2 5.7 Normal
82 5 1 2 5.7 Normal
83 5 1.5 2 5.7 Normal
84 5 1 2 5.8 Normal
85 5 2 2 6.3 Pesat
86 5 1.5 2 5.6 Normal
87 5 1 2 6.4 Normal
88 5 6 2 5.7 Etiolase
89 5 1 2 5.8 Normal
90 5 1 2 6.1 Normal
91 5 1 2 6.4 Normal
92 5 1 2 5.5 Normal
93 5 1 2 5.7 Normal
94 5 1 2 6.5 Normal
95 5 1 2 6.1 Normal
96 5 1.5 2 6.2 Normal
97 5 1 2 6.2 Normal
98 5 1.5 2 6.1 Normal
99 5 2 2 6.2 Pesat
100 5 1.5 2 5.8 Normal
….. ….. ….. ….. ….. …..
….. ….. ….. ….. ….. …..
….. ….. ….. ….. ….. …..
….. ….. ….. ….. ….. …..
….. ….. ….. ….. ….. …..
….. ….. ….. ….. ….. …..

35
3301 38 20 18 5.2 Lambat
3302 38 20 18 5.5 Lambat
3303 38 20 18 5.2 Lambat
3304 38 20 18 5 Lambat
3305 38 20 18 5.5 Lambat
3306 38 20 18 5.5 Lambat
3307 38 20 18 5.5 Lambat
3308 38 20 20 5.3 Normal
3309 38 20 20 5.3 Normal
3310 38 20 20 5.5 Normal
3311 38 20 20 5 Normal
3312 38 20 20 5.1 Normal
3313 38 20 20 5 Normal
3314 38 20 20 6.6 Normal
3315 38 22 20 6.9 Normal
3316 38 22 20 6.6 Normal
3317 38 22 20 6.6 Normal
3318 38 22 20 7 Normal
3319 38 22 20 6.5 Normal
3320 38 22 20 6.6 Normal
3321 38 22 20 7 Normal
3322 38 22 20 6.7 Normal
3323 38 22 20 6.6 Normal
3324 38 22 20 6.5 Normal
3325 38 22 20 6.9 Normal
3326 38 22 20 6.5 Normal
3327 38 22 20 7 Normal
3328 38 20.5 22 6.9 Normal
3329 38 20.5 22 6.7 Normal
3330 38 20.5 22 6.6 Normal
3331 38 20.5 22 6.8 Normal
3332 38 20.5 22 6.8 Normal
3333 38 20.5 22 6.9 Normal
3334 38 20.5 22 6.8 Normal
3335 38 20.5 22 6.8 Normal
3336 38 20.5 22 6.6 Normal
3337 38 20.5 22 6.7 Normal
3338 38 20.5 22 6.8 Normal

36
3339 38 20.5 22 6.7 Normal
3340 38 19 25 6.7 Pesat
3341 38 19 25 6.5 Pesat
3342 38 19 25 7 Pesat
3343 38 19 25 6.8 Pesat
3344 38 19 25 6.7 Pesat
3345 38 19 25 6.5 Pesat
3346 38 19 25 6.7 Pesat
3347 38 19 25 7 Pesat
3348 38 19 25 6.7 Pesat
3349 38 19 25 6.8 Pesat
3350 38 19 25 6.6 Pesat
3351 38 20 25 6.9 Pesat
3352 38 20 25 7 Pesat
3353 38 20 25 6.8 Pesat
3354 38 20 25 6.5 Pesat
3355 38 20 25 6.9 Pesat
3356 38 20 25 6.6 Pesat
3357 38 20 25 6.6 Pesat
3358 38 20 25 7 Pesat
3359 38 20 25 6.6 Pesat
3360 38 20 25 6.6 Pesat
3361 38 20 25 6.6 Pesat
3362 38 20 25 7 Pesat
3363 38 20 25 7 Pesat
3364 38 20 25 6.7 Pesat
3365 38 20 25 6.9 Pesat
3366 38 20 25 6.6 Pesat
3367 38 20 25 7 Pesat
3368 38 20 25 6.6 Pesat
3369 38 20 25 6.8 Pesat
3370 38 18 22 6.5 Normal
3371 38 18 22 6.8 Normal
3372 38 18 22 6.7 Normal
3373 38 18 22 7 Normal
3374 38 25 20 6.8 Bolting
3375 38 18 22 6.6 Normal
3376 38 18 22 6.8 Normal
3377 38 18 22 6.8 Normal

37
 3378 38 18 22 6.7 Normal
3379 38 18 22 6.7 Normal
3380 38 18 22 6.6 Normal
3381 38 16 15 6.5 Tidak Sehat
3382 38 16 20 6.9 Lambat
3383 38 16 20 6.7 Lambat
3384 38 16 20 6.7 Lambat
3385 38 16 20 6.8 Lambat
3386 38 16 20 6.8 Lambat
3387 38 16 20 6.7 Lambat
3388 38 16 20 6.8 Lambat
3389 38 16 20 6.5 Lambat
3390 38 24 20 6.8 Bolting
3391 38 16 20 7 Lambat
3392 38 19 20 6.5 Lambat
3393 38 19 20 6.5 Lambat
3394 38 19 20 6.5 Lambat
3395 38 19 20 6.7 Lambat
3396 38 24 20 6.8 Bolting
3397 38 19 20 6.5 Lambat
3398 38 19 20 7 Lambat
3399 38 19 20 6.9 Lambat
3400 38 19 20 7 Lambat

Tabel 4 Data Uji

Banyak Kondisi
Hari Tinggi pH
Daun Tanaman
20 7 6 6.5 ?

4.3.1. Normalisasi
Selanjutnya dari data di atas dilakukan normalisasi. Normalisasi bertujuan

agar nilai dari setiap atribut mempunyai jarak yang tidak terlalu jauh. Normalisasi

merupakan hasil dari pembagian dari data latih dikurangi data minimum

kemudian dibagi dengan hasil dari pengurangan data maksimum dan minimal.

38
 𝐷𝑎𝑡𝑎𝑥 − 𝐷𝑎𝑡𝑎𝑚𝑖𝑛
𝑁𝑜𝑟𝑚𝑎𝑙𝑖𝑠𝑎𝑠𝑖 =
𝐷𝑎𝑡𝑎𝑚𝑎𝑥 − 𝐷𝑎𝑡𝑎𝑚𝑖𝑛

Berikut hasil dari normalisasi data pada hari ke-20.

Tabel 5 Hasil Normalisasi Data Pada Hari ke-20

Banyak
Hari Tinggi Daun pH Kondisi
… … … … …
… … … … …
… … … … …
0.424242 0.285714 0.217391 0.35 Normal
0.424242 0.212245 0.304348 0.3 Normal
0.424242 0.212245 0.304348 0.75 Normal
0.424242 0.212245 0.173913 0.55 Lambat
0.454545 0.253061 0.217391 0.45 Normal
0.454545 0.253061 0.173913 0.5 Lambat
0.454545 0.261224 0.217391 0.75 Normal
0.454545 0.257143 0.173913 0.6 Lambat
0.454545 0.220408 0.304348 0.55 Pesat
0.454545 0.22449 0.173913 0.45 Lambat
0.454545 0.24898 0.217391 0.75 Normal
0.454545 0.273469 0.217391 0.3 Normal
0.454545 0.253061 0.173913 0.75 Lambat
0.454545 0.273469 0.217391 0.25 Normal
0.454545 0.293878 0.173913 0.55 Lambat
0.454545 0.253061 0.217391 0.45 Normal
0.454545 0.273469 0.217391 0.45 Normal
0.454545 0.273469 0.217391 0.55 Normal
0.454545 0.334694 0.304348 0.6 Pesat
0.454545 0.293878 0.217391 0.55 Normal
0.454545 0.253061 0.173913 0.3 Lambat
0.454545 0.293878 0.26087 0.3 Normal
0.454545 0.232653 0.217391 0.75 Normal
0.454545 0.236735 0.217391 0.7 Normal
0.454545 0.293878 0.217391 0.35 Normal
0.454545 0.253061 0.217391 0.25 Normal
0.454545 0.15102 0.173913 0.4 Lambat
0.454545 0.240816 0.217391 0.55 Normal
0.454545 0.293878 0.217391 0.75 Normal
0.454545 0.261224 0.173913 0.25 Lambat

39
0.454545 0.212245 0.304348 0.35 Pesat
0.454545 0.240816 0.217391 0.4 Normal
0.454545 0.265306 0.173913 0.25 Lambat
0.454545 0.244898 0.217391 0.3 Normal
0.454545 0.293878 0.173913 0.4 Lambat
0.454545 0.261224 0.217391 0.45 Normal
0.454545 0.220408 0.304348 0.65 Pesat
0.454545 0.293878 0.26087 0.25 Normal
0.454545 0.171429 0.173913 0.45 Lambat
0.454545 0.24898 0.217391 0.25 Normal
0.454545 0.163265 0.130435 0.4 Tidak Sehat
0.454545 0.265306 0.173913 0.7 Lambat
0.454545 0.24898 0.173913 0.35 Lambat
0.454545 0.265306 0.217391 0.6 Normal
0.454545 0.273469 0.26087 0.3 Normal
0.454545 0.244898 0.217391 0.45 Normal
0.454545 0.273469 0.217391 0.75 Normal
0.454545 0.232653 0.217391 0.35 Normal
0.454545 0.179592 0.173913 0.65 Lambat
0.454545 0.212245 0.304348 0.55 Pesat
0.454545 0.212245 0.304348 0.3 Pesat
0.454545 0.130612 0.130435 0.25 Tidak Sehat
0.454545 0.244898 0.217391 0.35 Normal
0.454545 0.24898 0.217391 0.65 Normal
0.454545 0.273469 0.217391 0.25 Normal
0.454545 0.293878 0.26087 0.25 Normal
0.454545 0.293878 0.217391 0.3 Normal
0.454545 0.240816 0.217391 0.25 Normal
0.454545 0.293878 0.217391 0.4 Normal
0.454545 0.265306 0.26087 0.65 Normal
0.454545 0.261224 0.173913 0.65 Lambat
0.454545 0.253061 0.173913 0.4 Lambat
0.454545 0.240816 0.26087 0.55 Normal
0.454545 0.240816 0.217391 0.65 Normal
0.454545 0.293878 0.217391 0.45 Normal
0.454545 0.253061 0.217391 0.7 Normal
0.454545 0.212245 0.304348 0.45 Pesat
0.454545 0.240816 0.217391 0.25 Normal
0.454545 0.24898 0.173913 0.65 Lambat
0.454545 0.257143 0.173913 0.6 Lambat
0.454545 0.269388 0.217391 0.3 Normal

40
0.454545 0.232653 0.173913 0.25 Lambat
0.454545 0.269388 0.217391 0.5 Normal
0.454545 0.273469 0.217391 0.35 Normal
0.454545 0.253061 0.217391 0.5 Normal
0.454545 0.167347 0.173913 0.4 Lambat
0.454545 0.253061 0.217391 0.5 Normal
0.454545 0.208163 0.304348 0.5 Pesat
0.454545 0.228571 0.217391 0.7 Normal
0.454545 0.244898 0.26087 0.25 Normal
0.454545 0.212245 0.304348 0.35 Pesat
0.454545 0.253061 0.173913 0.75 Lambat
0.454545 0.273469 0.173913 0.3 Lambat
0.454545 0.265306 0.217391 0.65 Normal
0.454545 0.228571 0.173913 0.75 Lambat
0.454545 0.191837 0.173913 0.5 Lambat
0.454545 0.232653 0.173913 0.5 Lambat
0.454545 0.232653 0.217391 0.75 Normal
0.454545 0.228571 0.26087 0.35 Normal
0.454545 0.232653 0.217391 0.3 Normal
0.454545 0.253061 0.217391 0.4 Normal
0.454545 0.220408 0.304348 0.75 Pesat
0.454545 0.253061 0.173913 0.35 Lambat
0.454545 0.24898 0.217391 0.65 Normal
0.454545 0.257143 0.217391 0.4 Normal
0.454545 0.2 0.217391 0.35 Lambat
0.454545 0.261224 0.173913 0.45 Lambat
0.454545 0.240816 0.217391 0.5 Normal
0.454545 0.261224 0.173913 0.55 Lambat
0.454545 0.228571 0.217391 0.4 Normal
0.454545 0.273469 0.217391 0.75 Normal
0.454545 0.253061 0.173913 0.25 Lambat
0.454545 0.253061 0.217391 0.7 Normal
0.454545 0.253061 0.173913 0.7 Lambat
0.484848 0.269388 0.23913 0.75 Normal
0.484848 0.269388 0.195652 0.7 Normal
0.484848 0.277551 0.23913 0.75 Normal
0.484848 0.273469 0.195652 0.5 Normal
0.484848 0.236735 0.23913 0.25 Lambat
… … … … …
… … … … …
… … … … …

41
 Normalisasi Data Uji

Hari Tinggi Banyak Daun pH

0.454545455 0.265306122 0.173913043 0.75

4.3.2. Menghitung Euclidean Distance

Setelah dilakukan normalisasi, maka selanjutnya adalah menghitung jarak

antar data latih. Dengan menggunakan euclidean distance. Berikut ini persamaan

yang digunakan untuk menghitung jarak antar data latih.

𝑑(𝑥1 ,𝑦1 ) = √∑ (𝑥𝑖 − 𝑦𝑖 )2

𝑖

Di mana Xi adalah data yang atributnya sudah dinormalisasi dan Yi adalah

data uji yang sudah dinormalisasi.

Tabel 6 Data Uji Yang Sudah Dinormalisasi

Banyak
Hari Tinggi pH Total akar
Daun
… … … … … …
… … … … … …
… … … … … …
0.00000000 0.00014994 0.00189036 0.09000000 0.0920403 0.303381438
0.00000000 0.00014994 0.00000000 0.06250000 0.0626499 0.250299695
0.00000000 0.00001666 0.00189036 0.00000000 0.001907 0.043669427
0.00000000 0.00006664 0.00000000 0.02250000 0.0225666 0.150221965
0.00000000 0.00201583 0.01701323 0.04000000 0.0590291 0.242958966
0.00000000 0.00166597 0.00000000 0.09000000 0.091666 0.302763889
0.00000000 0.00026656 0.00189036 0.00000000 0.0021569 0.046442597
0.00000000 0.00006664 0.00189036 0.20250000 0.204457 0.452169214
0.00000000 0.00014994 0.00000000 0.00000000 0.0001499 0.012244898
0.00000000 0.00006664 0.00189036 0.25000000 0.251957 0.501953183
0.00000000 0.00081633 0.00000000 0.04000000 0.0408163 0.202030509

42
0.00000000 0.00014994 0.00189036 0.09000000 0.0920403 0.303381438
0.00000000 0.00006664 0.00189036 0.09000000 0.091957 0.303244123
0.00000000 0.00006664 0.00189036 0.04000000 0.041957 0.204834074
0.00000000 0.00481466 0.01701323 0.02250000 0.0443279 0.210541903
0.00000000 0.00081633 0.00189036 0.04000000 0.0427067 0.20665596
0.00000000 0.00014994 0.00000000 0.20250000 0.2026499 0.450166566
0.00000000 0.00081633 0.00756144 0.20250000 0.2108778 0.459214289
0.00000000 0.00106622 0.00189036 0.00000000 0.0029566 0.054374457
0.00000000 0.00081633 0.00189036 0.00250000 0.0052067 0.072157368
0.00000000 0.00081633 0.00189036 0.16000000 0.1627067 0.403369168
0.00000000 0.00014994 0.00189036 0.25000000 0.2520403 0.502036151
0.00000000 0.01306122 0.00000000 0.12250000 0.1355612 0.368186399
0.00000000 0.00059975 0.00189036 0.04000000 0.0424901 0.206131291
0.00000000 0.00081633 0.00189036 0.00000000 0.0027067 0.052025818
0.00000000 0.00001666 0.00000000 0.25000000 0.2500167 0.500016659
0.00000000 0.00281549 0.01701323 0.16000000 0.1798287 0.424062172
0.00000000 0.00059975 0.00189036 0.12250000 0.1249901 0.353539403
0.00000000 0.00000000 0.00000000 0.25000000 0.25 0.5
0.00000000 0.00041649 0.00189036 0.20250000 0.2048069 0.452555911
0.00000000 0.00081633 0.00000000 0.12250000 0.1233163 0.351164244
0.00000000 0.00001666 0.00189036 0.09000000 0.091907 0.303161704
0.00000000 0.00201583 0.01701323 0.01000000 0.0290291 0.170379163
0.00000000 0.00081633 0.00756144 0.25000000 0.2583778 0.508308728
0.00000000 0.00881299 0.00000000 0.09000000 0.098813 0.314345343
0.00000000 0.00026656 0.00189036 0.25000000 0.2521569 0.502152282
0.00000000 0.01041233 0.00189036 0.12250000 0.1348027 0.367154855
0.00000000 0.00000000 0.00000000 0.00250000 0.0025 0.05
0.00000000 0.00026656 0.00000000 0.16000000 0.1602666 0.400333056
0.00000000 0.00000000 0.00189036 0.02250000 0.0243904 0.156174131
0.00000000 0.00006664 0.00756144 0.20250000 0.2101281 0.45839729
0.00000000 0.00041649 0.00189036 0.09000000 0.0923069 0.303820428
0.00000000 0.00006664 0.00189036 0.00000000 0.001957 0.044237971
0.00000000 0.00106622 0.00189036 0.16000000 0.1629566 0.40367881
0.00000000 0.00734694 0.00000000 0.01000000 0.0173469 0.131707778
0.00000000 0.00281549 0.01701323 0.04000000 0.0598287 0.244599113
0.00000000 0.00281549 0.01701323 0.20250000 0.2223287 0.471517472
0.00000000 0.01814244 0.00189036 0.25000000 0.2700328 0.519646803

43
0.00000000 0.00041649 0.00189036 0.16000000 0.1623069 0.402873246
0.00000000 0.00026656 0.00189036 0.01000000 0.0121569 0.1102584
0.00000000 0.00006664 0.00189036 0.25000000 0.251957 0.501953183
0.00000000 0.00081633 0.00756144 0.25000000 0.2583778 0.508308728
0.00000000 0.00081633 0.00189036 0.20250000 0.2052067 0.452997446
0.00000000 0.00059975 0.00189036 0.25000000 0.2524901 0.502483939
0.00000000 0.00081633 0.00189036 0.12250000 0.1252067 0.353845568
0.00000000 0.00000000 0.00756144 0.01000000 0.0175614 0.132519571
0.00000000 0.00001666 0.00000000 0.01000000 0.0100167 0.100083264
0.00000000 0.00014994 0.00000000 0.12250000 0.1226499 0.350214131
0.00000000 0.00059975 0.00756144 0.04000000 0.0481612 0.219456572
0.00000000 0.00059975 0.00189036 0.01000000 0.0124901 0.111759157
0.00000000 0.00081633 0.00189036 0.09000000 0.0927067 0.304477726
0.00000000 0.00014994 0.00189036 0.00250000 0.0045403 0.067381724
0.00000000 0.00281549 0.01701323 0.09000000 0.1098287 0.331404173
0.00000000 0.00059975 0.00189036 0.25000000 0.2524901 0.502483939
0.00000000 0.00026656 0.00000000 0.01000000 0.0102666 0.101324013
0.00000000 0.00006664 0.00000000 0.02250000 0.0225666 0.150221965
0.00000000 0.00001666 0.00189036 0.20250000 0.204407 0.452113945
0.00000000 0.00106622 0.00000000 0.25000000 0.2510662 0.501065088
0.00000000 0.00001666 0.00189036 0.06250000 0.064407 0.25378538
0.00000000 0.00006664 0.00189036 0.16000000 0.161957 0.402438813
0.00000000 0.00014994 0.00189036 0.06250000 0.0645403 0.254047824
0.00000000 0.00959600 0.00000000 0.12250000 0.132096 0.363450136
0.00000000 0.00014994 0.00189036 0.06250000 0.0645403 0.254047824
0.00000000 0.00326531 0.01701323 0.06250000 0.0827785 0.287712597
0.00000000 0.00134944 0.00189036 0.00250000 0.0057398 0.075761447
0.00000000 0.00041649 0.00756144 0.25000000 0.2579779 0.507915278
0.00000000 0.00281549 0.01701323 0.16000000 0.1798287 0.424062172
0.00000000 0.00014994 0.00000000 0.00000000 0.0001499 0.012244898
0.00000000 0.00006664 0.00000000 0.20250000 0.2025666 0.450074037
0.00000000 0.00000000 0.00189036 0.01000000 0.0118904 0.109042924
0.00000000 0.00134944 0.00000000 0.00000000 0.0013494 0.036734694
0.00000000 0.00539775 0.00000000 0.06250000 0.0678978 0.260571969
0.00000000 0.00106622 0.00000000 0.06250000 0.0635662 0.252123427
0.00000000 0.00106622 0.00189036 0.00000000 0.0029566 0.054374457
0.00000000 0.00134944 0.00756144 0.16000000 0.1689109 0.410987682

44
 0.00000000 0.00106622 0.00189036 0.20250000 0.2054566 0.453273186
0.00000000 0.00014994 0.00189036 0.12250000 0.1245403 0.352902673
0.00000000 0.00201583 0.01701323 0.00000000 0.0190291 0.137945856
0.00000000 0.00014994 0.00000000 0.16000000 0.1601499 0.400187378
0.00000000 0.00026656 0.00189036 0.01000000 0.0121569 0.1102584
0.00000000 0.00006664 0.00189036 0.12250000 0.124457 0.352784634
0.00000000 0.00426489 0.00189036 0.16000000 0.1661552 0.407621453
0.00000000 0.00001666 0.00000000 0.09000000 0.0900167 0.300027765
0.00000000 0.00059975 0.00189036 0.06250000 0.0649901 0.254931578
0.00000000 0.00001666 0.00000000 0.04000000 0.0400167 0.200041645
0.00000000 0.00134944 0.00189036 0.12250000 0.1257398 0.354598078
0.00000000 0.00006664 0.00189036 0.00000000 0.001957 0.044237971
0.00000000 0.00014994 0.00000000 0.25000000 0.2501499 0.500149915
0.00000000 0.00014994 0.00189036 0.00250000 0.0045403 0.067381724
0.00000000 0.00014994 0.00000000 0.00250000 0.0026499 0.051477544
… … … … … …
… … … … … …
… … … … … …

4.3.3. Menentukan Nilai K

Langkah selanjutnya setelah menghitung Euclidean Distance adalah

mengurutkan dari urutan terkecil hingga terbesar. Berdasarkan tabel kondisi

berikut ini.

Tabel 7 Perhitungan Jarak K

Kondisi
akar
Tanaman
0.929191746 Lambat
0.929191746 Lambat
0.92282296 Lambat
0.940536434 Normal
0.944010623 Normal
0.944010623 Normal
0.937209361 Normal
0.892885578 Lambat

45
 0.907261291 Lambat
0.889324069 Lambat
0.950123447 Normal
0.942392023 Lambat
0.933004821 Normal
0.933004821 Normal

Langkah selanjutnya adalah menentukan nilai K. Tidak ada aturan dalam

menentukan besarnya nilai K. Dalam penelitian ini, penulis menggunakan K=5.

Tabel 8 Data K Terdekat

Kondisi
akar
Tanaman
0.929191746 Lambat
0.929191746 Lambat
0.92282296 Lambat
0.940536434 Normal
0.944010623 Normal
0.944010623 Normal
0.937209361 Normal
0.892885578 Lambat
0.907261291 Lambat
0.889324069 Lambat
0.950123447 Normal
0.942392023 Lambat
0.933004821 Normal
0.933004821 Normal

Dengan demikian dapat disimpulkan bahwa hasil dari identifikasi masalah

pada data uji tersebut adalah lambat. Diambil dari nilai mayoritas K-5.

46
4.4. Tampilan Antarmuka
Implementasi antar muka merupakan hubungan antara program dengan

pengguna untuk meakukan interaksi. Berikut ini interaksi antarmuka program

dengan user.

Gambar 10 Tampilan Program

Tampilan halaman program. Pada tampilan ini ditunjukan pada program

masukan berupa usia tanaman, tinggi tanaman, jumlah daun, dan pH larutan.

47
Ketika user mengisi masukan yang dibutuhkan, maka selanjutnya akan menekan

tombol proses. Maka kemudian akan muncul hasil pada kolom kondisi tanaman

dan juga rekomendasi.

Pada kolom kondisi tanaman, program mengeluarkan bagaimana kondisi

tanaman. Apakah tanaman dalam kondisi subur atau tidak dan kondisi lainnya.

Sehingga user dapat menentukan apakah tanaman yang ditanam dapat dilanjutkan

atau tidak.

Kemudian pada tombol simpan, pengguna dapat menyimpan data hasil

perhitungan untuk ditambahkan ke database. Sebagai data uji.

Gambar 11 Tampilan Data Training

48
 Jika user menekan tombol view, maka user dapat melihat data training yang

disajikan berurutan dari umur tertua hingga yang muda.

4.5. Pengujian dan Analisa Sistem

Pengujian yang dilakukan pada sistem ini adalah pengujian untuk mengetahui

tingkat akurasi metode k nearest neighbour. Pada pengujian akan diuji pengaruh

nilai k terhadap akurasi hasil. Nilai k yang digunakan pada percobaan kali ini

adalah 5, 10, 15 dan 20. Masing-masing nilai k akan dicoba dengan 100 percobaan

dengan 100 data.

4.5.1. Pengujian Nilai K Terhadap Tingkat Akurasi

Pengujian nilai K dilakukan untuk mengetahui nilai akurasi tertinggi diantara

sejumlah nilai K yang ditentukan. Sehingga hasil dari pengujian dapat dijadikan

sebagai ketetapan nilai K pada proses perhitungan metode K-Nearest Neighbour.

Pada pengujian nilai K yang digunakan adalah 5, 10, 15, 20 dengan data latih

sebanyak 17.000 dan data uji sebanyak 100. Berikut hasil pengaruh varias K

terhadap tingkat akurasi.

Tabel 9 Prosentasi Akurasi K

Nilai K Akurasi (%)

5 86

10 87

15 89

20 84

49
 Pada tabel di atas menunjukan nilai akurasi tertinggi didapat dari nilai K

sebesar 15. Dengan prosentasi akurasi dari 100 percobaan 89 percobaan berhasil.

Prosentasi Akurasi K
90
89
88
87
86
85
84
83
82
81
K=5 K = 10 K = 15 K = 20

Gambar 12 Diagram Batang Prosentasi Akurasi K

50
 BAB V

KESIMPULAN DAN SARAN

5.1. Kesimpulan
Berdasarkan hasil perancangan, implementasi dan percobaan pada program

ini, maka dapat ditarik kesimpulan sebagai berikut :

1. Dengan metode k-Nearest Neighbour dapat diterapkan dengan baik untuk

menganalisa kondisi kesuburan tanaman selada hidroponik.

2. Hasil tingkat akurasi terbaik adalah dengan nilai k sebesar 15. dengan tingkat

akurasi 89% dari 100 kali pengujian.

5.2. Saran

Sistem yang dibuat saat ini masih banyak kekurangan, sehingga diharapkan

dapat ditingkatkan untuk pengembangan selanjutnya. Diantaranya dapat

mengembangkan sistem dengan android atau web. Dan juga dapat dipadukan

dengan sistem penunjang keputusan agar lebih tepat sasaran dapat menganalisa.

Penulis juga berharap agar dapat dikembangkan lagi dengan parameter lainnya

supaya dapat membantu pertanian di Indonesia.

51
 DAFTAR PUSTAKA

[1] K. C. Media, “Pengaruh Letak Astronomis Indonesia Halaman all,”

KOMPAS.com.
https://www.kompas.com/skola/read/2020/07/03/131500869/pengaruh-letak-
astronomis-indonesia (diakses Jan 03, 2021).
[2] “8 Manfaat Letak Astronomis Indonesia,” IlmuGeografi.com, Nov 13, 2015.
https://ilmugeografi.com/ilmu-bumi/manfaat-letak-astronomis-indonesia
(diakses Jan 03, 2021).
[3] antaranews.com, “Kementan akui lahan sawah berkurang 650 ribu ha per
tahun,” Antara News, Jan 17, 2020.
https://www.antaranews.com/berita/1254488/kementan-akui-lahan-sawah-
berkurang-650-ribu-ha-per-tahun (diakses Jan 03, 2021).
[4] “Cara Memanfaatkan Lahan Sempit dengan Urban Farming,” tirto.id.
https://tirto.id/cara-memanfaatkan-lahan-sempit-dengan-urban-farming-f52Q
(diakses Jan 04, 2021).
[5] B. Muda, “Bisnis Muda - Hidroponik Saat Pandemi, Ketika Karantina
Berbuah Kreativitas.” https://bisnismuda.id/read/590-irra-
octaviany/hidroponik-saat-pandemi-ketika-karantina-berbuah-kreativitas
(diakses Jan 04, 2021).
[6] “How To Grow Hydroponic Lettuces - A Beginner’s Guide,” Trees.com, Apr
13, 2019. https://www.trees.com/gardening-and-landscaping/grow-
hydroponic-lettuces (diakses Jan 04, 2021).
[7] I. Nugraha dan M. Siddik, “Jurnal Mahasiswa Aplikasi Teknologi Komputer
dan Informasi,” hlm. 6.
[8] A. Purnamawati, W. Nugroho, D. Putri, dan W. F. Hidayat, “Deteksi Penyakit
Daun pada Tanaman Padi Menggunakan Algoritma Decision Tree, Random
Forest, Naïve Bayes, SVM dan KNN,” vol. 5, hlm. 4, 2020.
[9] S. H. Wardani, T. Rismawan, dan S. Bahri, “Aplikasi Klasifikasi Jenis
Tumbuhan Mangrove Berdasarkan Karakteristik Morfologi Menggunakan
Metode K-Nearest Neighbor (KNN) Berbasis Web”.
[10] “Budidaya Tanaman Sayuran Daun dengan Hidroponik.”
http://www.bbpp-lembang.info/index.php/arsip/artikel/artikel-pertanian/1505-
budidaya-tanaman-sayuran-daun-dengan-hidroponik (diakses Jan 03, 2021).
[11] O. Harisson, “Machine Learning Basics with the K-Nearest Neighbors
Algorithm | by Onel Harrison | Towards Data Science.”
https://towardsdatascience.com/machine-learning-basics-with-the-k-nearest-
neighbors-algorithm-6a6e71d01761?gi=48b3f3f96bc0 (diakses Mar 16,
2021).
[12] “√ Tanaman Selada, Klasifikasi, Ciri Morfologi, Manfaat, dan Cara
Budidaya | DosenPertanian.Com.” https://dosenpertanian.com/tanaman-
selada/ (diakses Mar 16, 2021).

52
 LAMPIRAN

Kode Program
import csv

from csv import DictWriter

import math

from collections import Counter

from tkinter import *

import tkinter.filedialog as filedialog

import tkinter.font as font

from PyQt5 import QtWidgets

from PyQt5.QtWidgets import QSplashScreen, QApplication

from PyQt5.QtCore import QTimer

from PyQt5.QtGui import QPixmap

import os

root = Tk()

root.title("Dokter Kebunkota")

root.wm_iconbitmap('logo_yogaknn.ico')

app = QApplication([])

pixmap = QPixmap("intro.png")

splash = QSplashScreen()

splash.setPixmap(pixmap)

53
QTimer.singleShot(5000, splash.close)

QTimer.singleShot(5000, mainloop)

def OpenPro_buka():

global training_file1

training_file1 = filedialog.askopenfilename(defaultextension=".csv", filetypes=(("CSV

File","*.csv"),("All files","*.*")))

entry_lihat.insert(END, training_file1)

print("Data Training telah terbaca: ", training_file1)

def OpenPro_lihat():

os.system("lihat_csv.py")

#untuk hapus data

def OpenPro_delete():

entry_kondisi.delete(0, END)

entry_outputgml.delete(0, END)

#untuk proses

def OpenPro_proses():

global hari1

global tinggi1

global daun1

global ph1

54
global label1

hari = entry_inputnodes.get()

hari1 = float(hari)

tinggi = entry_nodesweight.get()

tinggi1 = float(tinggi)

daun = entry_inputedges.get()

daun1 = float(daun)

ph = entry_edgesweight.get()

ph1 = float(ph)

nilaik = entry_nilaik.get()

nilaik1 = int(nilaik)

# Ekstraksi file CSV

def csv_extract(file_names):

data_lst = []

with open(file_names, 'r') as f:

csv_r = csv.reader(f)

for record in csv_r:

if not record:

continue

data_lst.append(record)

global class_lst

class_lst = [data_lst[i][-1] for i in range(len(data_lst))] # Daftar semua klasifikasi.

# Hapus kolom klasifikasi kondisi tanaman

55
 data_str = [data_lst[h][:4] for h in range(len(data_lst))] # Daftar semua nilai
numerik.

# Konversi semua nilai string menjadi float

train_data = [list(map(float, data_str[k])) for k in range(len(data_str))]

return train_data

# Fungsi untuk menghitung jarak Euclidean menggunakan vektor

def euclidean_distance_formula(x1, x2):

distance = 0.0

for i in range(len(x1) - 1):

distance += (x1[i] - x2[i]) ** 2

sqrt_distance = math.sqrt(distance)

return sqrt_distance

# Fungsi untuk menemukan nilai terdekat

def find_NN(train_data, test, nn):

distance_lst = []

for record in train_data:

ecld_product = euclidean_distance_formula(test, record)

distance_lst.append((record, ecld_product))

56
 distance_lst.sort(key=lambda x: x[1]) # Fungsi untuk mengurutkan distance_lst
dengan nilai ecld_product terkecil.

nn_lst = [distance_lst[i][0] for i in range(nn)] # daftar alternatif jawaban dengan n

jumlah alternatif jawaban yang tergantung pada nilai nn.

return nn_lst

# Prediksi klasifikasi menggunakan fungsi find_NN. (NN = nearest_neighbor)

def predict_class(train_data, test, nn):

nearest_neighbors = find_NN(train_data, test, nn)

classification_nn = []

for i in range(len(nearest_neighbors)):

element = nearest_neighbors[i]

index = train_data.index(element) + 1

classification = class_lst[index - 1]

classification_nn.append(classification)

counts = Counter(classification_nn) # Dictrionary untuk menghitung kelas dan

menyimpannya dalam daftar alternatif jawaban/nilai untuk digunakan kembali.

max_value = max(counts.values())

product = [k for k, v in counts.items() if v == max_value] # Menemukan nilai

maksimum dan semua alternatif jawaban yang sesuai

57
 for j in range(len(product)):

prediction = product[j]

return prediction

# Input data training

file_name = 'selada - Copy.csv'

train_data = csv_extract(file_name)

# k = n parameter, rentang algoritma yang digunakan untuk membuat prediksi

n_range = nilaik1 # nn

# Input nilai variabel yang ingin diketahui klasifikasinya.

row = [hari1, tinggi1, daun1, ph1]

# Model prediksi

label1 = predict_class(train_data, row, n_range)

print('Dengan parameter sebagai berikut %s, maka tanaman teridentifikasi sebagai:

%s' % (row, label1))

entry_outputgml.insert(0, label1)

if ph1 < 5.5:

entry_kondisi.insert(0, 'tambahkan pH up hingga pH di kisaran 5.5-6.5')

if ph1 > 6.5:

entry_kondisi.insert(0, 'tambahkan pH down hingga pH di kisaran 5.5-6.5')

if ph1 >= 5.5 and ph1 <= 6.5:

entry_kondisi.insert(0, 'Jaga pH di Kisaran 5.5-6.5')

def OpenPro_simpan():

58
 kondisi1 = entry_outputgml.get()

kondisi2 = str(kondisi1)

headersCSV = ['5','1','2','6.3','Normal']

dict={'5':hari1,'1':tinggi1,'2':daun1,'6.3':ph1,'Normal':kondisi2}

with open('selada.csv', 'a', newline='') as f_object:

dictwriter_object = DictWriter(f_object, fieldnames=headersCSV)

dictwriter_object.writerow(dict)

f_object.close()

print("Berhasil menambahkan ke database:")

print('Hari ke: ', hari1, ' | Tinggi Tanaman: ', tinggi1, ' | Jumlah Daun: ', daun1, ' | pH: ',
ph1, ' | Kondisi Tanaman: ', kondisi2)

myFont1 = font.Font(weight="bold", size=10)

myFont2 = font.Font(weight="bold", size=10)

myFont3 = font.Font(size=10)

img = PhotoImage(file="quote.png")

#img1 = PhotoImage(file="zoom.png")

img3 = PhotoImage(file="logo_kebunkota.png")

#img2 = img3.resize(200, 30)

entry_nilaik = Entry(root, width=5, borderwidth=1)

entry_inputnodes = Entry(root, width=15, borderwidth=1)

59
entry_nodesweight = Entry(root, width=15, borderwidth=1)

entry_inputedges = Entry(root, width=15, borderwidth=1)

entry_edgesweight = Entry(root, width=15, borderwidth=1)

entry_lihat = Entry(root, width=20, borderwidth=1)

entry_outputgml = Entry(root, width=12, borderwidth=1)

entry_kondisi = Entry(root, width=47, borderwidth=1)

#button_inputnodes = Button(root, text = "...", width=3, height=1, command =

OpenPro_inputnodes)

#button_addnodes = Button(root, text = "Add", width=3, height=1, command =

OpenPro_addnodes)

#button_lihatnodes = Button(root, image = img1, width=20, height=20, command =

OpenPro_lihatnodes)

#button_inputedges = Button(root, text = "...", width=3, height=1, command =

OpenPro_inputedges)

#button_addedges = Button(root, text = "Add", width=3, height=1, command =

OpenPro_addedges)

#button_lihatedges = Button(root, image = img1, width=20, height=20, command =

OpenPro_lihatedges)

#button_outputcsv = Button(root, text = "...", width=3, height=1, command =

OpenPro_outputcsv)

#button_outputgml = Button(root, text = "...", width=3, height=1, command =

OpenPro_outputgml)

button_proses = Button(root, text = "Proses", width=10, height=1, command =

OpenPro_proses)

button_delete = Button(root, text = "Hapus", width=10, height=1, command =

OpenPro_delete)

button_simpan = Button(root, text = "Simpan", width=10, height=1, command =

OpenPro_simpan)

60
button_buka = Button(root, text = "...", width=4, height=1, command = OpenPro_buka)

button_lihat = Button(root, text = "View", width=10, height=1, command =

OpenPro_lihat)

#button_simpanoutput = Button(root, text = "Simpan Hasil", width=10, height=1,

command = OpenPro_simpanoutput)

canvas = Canvas(root, width = 200, height = 180)

canvas2 = Canvas(root, width = 200, height = 80)

myLabel_namamodul = Label(root, text="Cek Kondisi Tanaman")

myLabel_namamodul['font'] = myFont1

myLabel_input = Label(root, text="Input Data")

myLabel_input['font'] = myFont2

myLabel_nilaik = Label(root, text="Nilai K")

myLabel_nilaik['font'] = myFont3

myLabel_usia = Label(root, text="Usia Tanaman (Hari)")

myLabel_usia['font'] = myFont3

myLabel_tinggi = Label(root, text="Tinggi Tanaman (cm)")

myLabel_tinggi['font'] = myFont3

myLabel_daun = Label(root, text="Jumlah Daun")

myLabel_daun['font'] = myFont3

myLabel_ph = Label(root, text="pH Larutan Nutrisi (1.0 - 14.0)")

myLabel_ph['font'] = myFont3

myLabel_spasi = Label(root, text=" ")

myLabel_spasi['font'] = myFont3

61
#myLabel_lihat= Label(root, text="masukan data")

#myLabel_lihat['font'] = myFont3

myLabel_output = Label(root, text="Output Hasil")

myLabel_output['font'] = myFont2

myLabel_outputkondisi = Label(root, text="Kondisi Tanaman")

myLabel_outputkondisi['font'] = myFont3

myLabel_outputdiagnosa = Label(root, text="Rekomendasi")

myLabel_outputdiagnosa['font'] = myFont3

myLabel_outputdiagnosa2 = Label(root, text="Rekomendasi 2")

myLabel_outputdiagnosa2['font'] = myFont3

myLabel_view = Label(root, text="Rekomendasi 2")

myLabel_view['font'] = myFont3

#myLabel_petunjuk = Label(root, text="Ketentuan data input:")

#myLabel_petunjuk['font'] = myFont2

canvas.create_image(1, 1, anchor=NW, image=img)

canvas2.create_image(1, 1, anchor=NW, image=img3)

canvas.grid(row=25, column=0)

canvas2.grid(row=1, column=0)

entry_nilaik.grid(sticky=NE, row=2, column=0)

entry_inputnodes.grid(sticky=W, row=4, column=0)

entry_nodesweight.grid(sticky=W, row=6, column=0)

62
entry_inputedges.grid(sticky=W, row=8, column=0)

entry_edgesweight.grid(sticky=W, row=10, column=0)

entry_lihat.grid(sticky=W, row=13, column=0)

entry_outputgml.grid(sticky=W, row=19, column=0)

entry_kondisi.grid(sticky=W, row=21, column=0)

#button_inputnodes.grid(sticky=W, row=4, column=1)

#button_addnodes.grid(sticky=W, row=6, column=1)

#button_lihatnodes.grid(sticky=W, row=6, column=1)

#button_inputedges.grid(sticky=W, row=8, column=1)

#button_addedges.grid(sticky=W, row=10, column=1)

#button_lihatedges.grid(sticky=W, row=10, column=1)

#button_outputgml.grid(sticky=W, row=13, column=1)

#button_outputcsv.grid(sticky=W, row=15, column=1)

button_proses.grid(sticky=E, row=14, column=0)

button_delete.grid(sticky=W, row=14, column=0)

button_simpan.grid(sticky=N, row=14, column=0)

#button_proses.grid(sticky=E, row=13, column=0)

#button_delete.grid(sticky=W, row=13, column=0)

#button_simpan.grid(sticky=N, row=13, column=0)

button_buka.grid(sticky=N, row=13, column=0)

button_lihat.grid(sticky=E, row=13, column=0)

#button_simpanoutput.grid(sticky=W, row=17, column=0)

63
myLabel_namamodul.grid(sticky=W, row=0, column=0)

myLabel_input.grid(sticky=W, row=2, column=0)

myLabel_nilaik.grid(sticky=N, row=2, column=0)

myLabel_usia.grid(sticky=W, row=3, column=0)

myLabel_tinggi.grid(sticky=W, row=5, column=0)

myLabel_daun.grid(sticky=W, row=7, column=0)

myLabel_ph.grid(sticky=W, row=9, column=0)

myLabel_spasi.grid(sticky=W, row=12, column=0)

#myLabel_lihat.grid(sticky=W, row=20, column=0)

myLabel_output.grid(sticky=W, row=16, column=0)

myLabel_outputkondisi.grid(sticky=W,row=18, column=0)

myLabel_outputdiagnosa.grid(sticky=W, row=20, column=0)

#myLabel_petunjuk.grid(sticky=W, row=18, column=0)

splash.show()

app.exec_()

root.mainloop()

64