i
APLIKASI DATA MINING UNTUK KLASIFIKASI KESUBURAN
TANAMAN SELADA HIDROPONIK DENGAN METODE K NEAREST
NETWORK
ii
SKRIPSI
DISUSUN OLEH :
iii
APLIKASI DATA MINING UNTUK KLASIFIKASI KESUBURAN
TANAMAN SELADA HIDROPONIK DENGAN METODE K
NEAREST NETWORK
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.
v
HALAMAN PERSEMBAHAN
Ayah Bunda yang kucintai yang selalu menyebut namaku dalam doanya
vi
KATA PENGANTAR
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
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
xi
DAFTAR GAMBAR
xii
DAFTAR LAMPIRAN
KODE PROGRAM........................................................................................................... 53
xiii
BAB I
PENDAHULUAN
berada di antara 6°LU (Lintang Utara)-11°LS (Lintang Selatan) dan 95°BT (Bujur
cahaya matahari bersinar sepanjang tahun. Dan curah hujan yang amat tinggi,
Akan tetapi sangat disayangkan sekali. Kondisi seperti ini tidak dapat
menjadi lahan hunian. Tiap tahun, masyarakat yang menjadi petani semakin
sedikit. Salah satu penyebabnya dikarenakan lahan pertanian makin berkurang dan
masyarakat sehari-hari[3].
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
dan skala hobi. Pada aplikasi ini, penulis memfokuskan pada tanaman selada
Selada leaf lettuce merupakan selada yang banyak ditanam dengan metode
hidroponik. Tanaman ini cocok ditanama bagi pemula yang baru memulai belajar
membutuhkan sinar matahari penuh dan tumbuh dengan baik bahkan dalam
cahaya dan suhu rendah. Selada jenis ini dapat dipanen dalam jangka waktu antara
Sistem alat ini akan berjalan pada desktop dengan menggunakan sistem
penunjang keputusan.
metode hidroponik?
2
2. Tanaman yang digunakan pada aplikasi ini menggunakan tanaman selada.
(KNN)
berikut :
BAB I : PENDAHULUAN
3
penelitian, manfaat penelitian, sistematika laporan penulisan
penelitian.
BAB V : PENUTUP
Berisi kesimpulan dan saran terhadap sistem dan alat yang telah
dibangun.
4
BAB II
TINJAUAN PUSTAKA
metode KNN untuk mendeteksi diagnosa penyakit pada tanaman hidroponik serta
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
KNN bekerja dengan cara mencari kerabat terdekat dari data uji terhadap data
latih. Sehingga dihasilkan data yang cukup akurat. Pada penelitian ini terdapat dua
5
Tabel 1. Penelitian Terdahulu
6
data pohon mangroove
karena terdapat 1 pohon
yang memiliki 1 spesies
pada 1 genus.
2.2.1. Hidroponik
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
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
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
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”
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
asam, karena jumlah ion H+ yang terdapat pada terlarut jumlahnya lebih
tinggi dibandingkan ion OH-. Pada kondisi ini unsur hara makro seperti
tidak mudah atau bahkan tidak dapat diserap oleh akar tanaman sehingga
alumunium dan dan mangan yang terdapat pada larutan nutrisi yang
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
pH pada air hidroponik dapat naik dan turun diakibatkan beberapa sebab.
Seperti proses fotosintesis, respirasi, bakteri, dan media tanam. Sehingga penting
yang turun (asam) dan PH Down digunakan untuk menurunkan pH larutan nutrisi
penting dari suatu data yang besar. Proses data mining seringkali menggunakan
intelligence.
9
Menurut para ahli (Efraim Turban, dkk 2005) Tujuan dari penambangan data
ini untuk mengekstraksi serta mengidentifikasi suatu data demi informasi tertentu
Data mining adalah kegiatan menemukan pola yang menarik dari data dalam
jumlah besar, data dapat disimpan dalam database, data warehouse, atau
information retrieval, dan komputasi tingkat tinggi. Selain itu, data mining
didukung oleh ilmu lain seperti neural network, pengenalan pola, spatial data
proses menemukan pola-pola dalam data. Proses ini otomatis atau seringnya semi
otomatis. Pola yang ditemukan harus penuh arti dan pola tersebut memberikan
jumlah besar.
tidak konsisten atau data tidak relevan. Pada umumnya data yang
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.
kompleksitasnya.
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-
nama, jenis produk, nomor pelanggan dan lainnya. Integrasi data perlu
maka akan didapatkan korelasi antar produk yang sebenarnya tidak ada.\
Data yang ada pada database sering kali tidak semuanya dipakai, oleh
karena itu hanya data yang sesuai untuk dianalisis yang akan diambil dari
11
Data diubah atau digabung ke dalam format yang sesuai untuk diproses
5. Proses mining,
ditemukan. Dalam tahap ini hasil dari teknik data mining berupa pola-pola
hipotesa yang ada memang tercapai. Bila ternyata hasil yang diperoleh
tidak sesuai hipotesa ada beberapa alternatif yang dapat diambil seperti
mencoba metode data mining lain yang lebih sesuai, atau menerima hasil
ini sebagai suatu hasil yang di luar dugaan yang mungkin bermanfaat.
12
memformulasikan keputusan atau aksi dari hasil analisis yang didapat.
Ada kalanya hal ini harus melibatkan orang-orang yang tidak memahami
pengetahuan yang bisa dipahami semua orang adalah satu tahapan yang
yang diawasi dan sederhana yang dapat digunakan untuk menyelesaikan masalah
klasifikasi dan regresi. Mudah untuk diterapkan dan dipahami, tetapi memiliki
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 klasifikasi dan regresi, kami melihat bahwa memilih K yang
tepat untuk data kami dilakukan dengan mencoba beberapa K dan memilih salah
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
Y. Data dari k-NN dapat dalam skala ukuran apapun, dari ordinal ke nominal.
antara lain:
berapa nilai k. Akan tetapi akan lebih baik jika nilai k menggunakan
nilai ganjil
x.
terbesar
Mencari jumlah kelas dari tetangga yang terdekat dan tetapkan kelas
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
Dimana :
xi = sampel data
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
Sangat non-liniear
salah satu kelebihan metode ini adalah garis keputusan kelas yang
linear.
bersifat non-linear.
17
Mudah dipahami dan diimplementasikan
error rate yang tidak lebih dari dua kali Bayes error rate (error rate
minimum untuk distribusi data tertentu). Jika tidak ada noise, maka
Asymptotically Correct
Jika dataset terdiri atas semua instance dalam populasi yang sedang
kita cermati. Jika tidak ada noise di dalam dataset tersebut, maka k-
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
terdekat)
implisit
Jika terdapat nilai hilang pada satu atau lebih variabel dari
19
Gambar 3 Variabel yang noninformatif bisa mengakibatkan klasifikasi yang salah
dalam k-NN
20
2.2.9. Selada (Lactuca Sativa L)
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
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/
Akar yang dimiliki oleh tanaman selada adalah akar tunggang dan
serabut. Pada Akar tunggang tersebut tumbuh ke dalam tanah lurus cukup,
50 cm.
Perakarannya juga bisa tumbuh dengan baik pada tanah subur, mudah
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
4. Bunga
Bunga tanaman selada adalah berwarna kuning yang tumbuh dalam satu
cepat dan berbuah jika di tanam di daerah beriklim sedang atau subtropis.
22
Gambar 4 Selada Keriting yang Ditanam Secara Hidroponik
mempunyai udara sejuk (dataran tinggi). Lactuca sativa L. jika ditanam pada
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
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
selada. Di pasaran terdapat jenis tom thumb, lettuce bibb, dan romaine
jenis.
selada mana yang cocok dengan kesiapan Anda. Hal ini nanti juga
2. Media Tanam
3. Penyemaian
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
4. pH Air
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.
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
yang sering terjadi pada kebun hidroponik yang digunakan pada data penelitian
1. Etiolase
25
diakibatkan hormon auksin. Hormon auksin sendiri adalah hormon pada
matahari.
Etiolase dapat dicegah dengan cara segera menaruh di tempat yang cukup
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
bertahan hidup dan menghasilkan keturunan. Tidak ada banyak hal yang
waktunya atau dibuang. Sebab biasanya selada yang bolting akan terasa
27
BAB III
METODE PENELITIAN
STUDI LITERATUR
PENGUMPULAN DATA
PERANCANGAN SISTEM
IMPLEMENTASI SISTEM
PENGUJIAN SISTEM
yang digunakan untuk mendukung penelitian yang sedang dikerjakan. Teori yang
dari karya ilmiah sebelumnya, jurnal, serta buku yang dapat membantu penulis
metode hidroponik
28
1. Studi Kepustakaan
yang dilakukan secara langusng dari sumber lain seperti buku, skripsi, junral,
2. Observasi
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,
3. Wawancara
langsung dari pakarnya. Tujuan wawancara pada penelitian ini adalah untuk
mencari tahu bagaimana spesifikasi selada yang baik dan permasalahan yang
kota Batu. Pada proses wawancara tersebut didapati bagaimana kondisi selada
29
3.3. Implementasi Sistem
dibutuhkan oleh sistem agar dapat memenuhi kebutuhan pengguna. Berikut ini
kebutuhan yang digunakan dalam aplikasi aplikasi data mining untuk klasifikasi
Kebutuhan masukan dari sistem diambil dari data hasil survey selada yang
telah dilakukan di kebun hidroponik di kota Batu. Data tersebut berupa umur
30
3.4.3. Proses k-Nearest Neighbour
pada salah satu diantara 5 kelas jenis identifikasi yang telah ditentukan. Dalam
31
BAB IV
PEMBAHASAN
4.1. Pembahasan
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
pada salah satu kelas diantara 4 kondisi yang telah ditentukan. Dalam menentukan
32
4.3. Perhitungan Manual
K-Nearest Neighbour. Pada perhitungan ini digunakan 5 data latih dan satu data
uji.
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
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
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
antar data latih. Dengan menggunakan euclidean distance. Berikut ini persamaan
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
… … … … … …
… … … … … …
… … … … … …
berikut ini.
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
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
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
dengan user.
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
tanaman. Apakah tanaman dalam kondisi subur atau tidak dan kondisi lainnya.
Sehingga user dapat menentukan apakah tanaman yang ditanam dapat dilanjutkan
atau tidak.
48
Jika user menekan tombol view, maka user dapat melihat data training yang
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
sejumlah nilai K yang ditentukan. Sehingga hasil dari pengujian dapat dijadikan
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
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
50
BAB V
5.1. Kesimpulan
Berdasarkan hasil perancangan, implementasi dan percobaan pada program
2. Hasil tingkat akurasi terbaik adalah dengan nilai k sebesar 15. dengan tingkat
5.2. Saran
Sistem yang dibuat saat ini masih banyak kekurangan, sehingga diharapkan
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
51
DAFTAR PUSTAKA
52
LAMPIRAN
Kode Program
import csv
import math
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
entry_lihat.insert(END, training_file1)
def OpenPro_lihat():
os.system("lihat_csv.py")
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)
def csv_extract(file_names):
data_lst = []
csv_r = csv.reader(f)
if not record:
continue
data_lst.append(record)
global class_lst
55
data_str = [data_lst[h][:4] for h in range(len(data_lst))] # Daftar semua nilai
numerik.
return train_data
distance = 0.0
sqrt_distance = math.sqrt(distance)
return sqrt_distance
distance_lst = []
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.
return nn_lst
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)
max_value = max(counts.values())
57
for j in range(len(product)):
prediction = product[j]
return prediction
train_data = csv_extract(file_name)
n_range = nilaik1 # nn
# Model prediksi
entry_outputgml.insert(0, label1)
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}
dictwriter_object.writerow(dict)
f_object.close()
print('Hari ke: ', hari1, ' | Tinggi Tanaman: ', tinggi1, ' | Jumlah Daun: ', daun1, ' | pH: ',
ph1, ' | Kondisi Tanaman: ', kondisi2)
myFont3 = font.Font(size=10)
img = PhotoImage(file="quote.png")
#img1 = PhotoImage(file="zoom.png")
img3 = PhotoImage(file="logo_kebunkota.png")
59
entry_nodesweight = Entry(root, width=15, borderwidth=1)
60
button_buka = Button(root, text = "...", width=4, height=1, command = OpenPro_buka)
myLabel_namamodul['font'] = myFont1
myLabel_input['font'] = myFont2
myLabel_nilaik['font'] = myFont3
myLabel_usia['font'] = myFont3
myLabel_tinggi['font'] = myFont3
myLabel_daun['font'] = myFont3
myLabel_ph['font'] = myFont3
myLabel_spasi['font'] = myFont3
61
#myLabel_lihat= Label(root, text="masukan data")
#myLabel_lihat['font'] = myFont3
myLabel_output['font'] = myFont2
myLabel_outputkondisi['font'] = myFont3
myLabel_outputdiagnosa['font'] = myFont3
myLabel_outputdiagnosa2['font'] = myFont3
myLabel_view['font'] = myFont3
#myLabel_petunjuk['font'] = myFont2
canvas.grid(row=25, column=0)
canvas2.grid(row=1, column=0)
62
entry_inputedges.grid(sticky=W, row=8, column=0)
63
myLabel_namamodul.grid(sticky=W, row=0, column=0)
myLabel_outputkondisi.grid(sticky=W,row=18, column=0)
splash.show()
app.exec_()
root.mainloop()
64