SKRIPSI
Oleh :
RAHMAT HIDAYAT
2018020084
SKRIPSI
Diajukan sebagai salah satu syarat untuk mencapai gelar Sarjana Komputer
RAHMAT HIDAYAT
2018020084
PENDAHULUAN
A. Latar Belakang
berasal dari Amerika Tengah dan Hindia Barat bahkan kawasan sekitar
daerah tropis maupun sub tropis. Yang telah lama dipuja oleh orang
merupakan salah satu buah tropis yang mempunyai nilai ekonomi tinggi,
sumber gizi, dan dapat tumbuh setiap musim dan banyak tumbuh di
salah satunya sulawesi selatan, data yang diperoleh dari badan pusat
timur dengan jumlah 262.160ton dan pada tahun 2020 meningkat dengan
1
2018 yaitu 887.591ton dan angka ini meningkat pada tahun 2020 menjadi
pepaya dapat dilihat dari warna kulit buah tersebut perlahan akan berubah
merupakan bahan penghasil gas karbit atau esetilen yang dapat memacu
2
dengan sempurna dan waktu pematangan antara 2-3 hari. (Dwi Nur Aini,
2019)
mempengaruhi rasa dan nilai gizi dan juga akan menurunkan kualitas
buah, buah yang di kabit biasanya memiliki tekstur buah yang belum
matang dan aroma buah tercium bau kimia, biasanya buah akan lebih
cepat membusuk.
masyarakat yang kurang paham tentang buah pepaya yang matang secara
alami dan matang menggunakan karbit, dan masih ada yang menggunakan
mobile, yang nantinya diharapkan dapat berguna sebagai media yang dapat
nantinya akan mendeteksi melalui warna kulit buah pepaya. Penulis juga
3
buah pepaya ini dengan menggunakan metode K-Nearest Neighbour
(KNN)”. Dengan hasil ekstraksi fitur mean RGB dapat diterapkan untuk
warna. Dari 25 data citra uji, akurasi terbaik sebesar 92% saat
Sedangkan cityblock distance dengan akurasi 88% dengan nilai k=3 dan
k=1.
4
kesimpulan, nilai yang dihasilkan tidak berbeda jauh antara tanpa
proses pematangan buah pisang yang lebih cepat dari pada konsentrasi
lainnya.
matang karbit melalui warna kulit pada buah pepaya, yang nantinya dapat
B. Batasan Masalah
menggunkan citra.
C. Rumusan Masalah
berikut:
5
1. Bagaimana membuat suatu sistem pengolahan citra digital yang dapat
K-Nearest Neighbor ?
D. Tujuan Penilitian
citra digital.
E. Manfaat Penilitian
mana pepaya yang matang secara alami dan karbit, untuk layak di
konsumsi.
F. Penegasan Konsep
penafsiran atau pengertian, yang dapat membantu pembaca apa yang tidak
6
dimengerti pada penilitian ini. Maka dari itu penulis memberikan beberapa
1. Pengolahan Citra
7
prediksi dari sampel uji. Perhitungan jarak dekat dan jauh tetangga
2019)
G. Sistematika Penulisan
1. BAB I PENDAHULUAN
penegasan konsep.
Pada bab ini menjelaskan teori yang terkait pada penilitian ini
8
Pada bab empat ini menjelasakan tentang perancangan dan
sistem.
5. BAB V PENUTUP
penelitian.
9
BAB II
TINJAUN PUSTAKA
A. Landasan Teori
1. Pepaya
Pepaya merupakan salah satu buah tropis yang mempunyai nilai ekonomi
tinggi, sumber gizi, dan dapat tumbuh di setiap musim, rasa manis pada
daging buah pepaya dipengaruhi oleh kadar sukrosa. Daging buah yang
manis menunjukkan kadar sukrosa yang tinggi dan rasa daging buah yang
Pepaya banyak ditanam di daerah tropis maupun sub tropis baik itu
daerah basah dan kering atau di daerah dataran dan pegunungan (sampai
1000m dpl). Tanaman pepaya dapat dipanen setelah berumur 9-12 bulan,
buah pepaya dipetik harus pada waktu buah itu memberikan tanda-tanda
petani yang memetiknya pada waktu buah belum terlalu matang. (Syakri et
al., 2018)
10
2. Karakteristik Pepaya
dimanfaatkan sebagai ‘buah meja’ yang bermutu dan bergizi tinggi. Buah
mg), dan kadar serat 1,8 g. Ada berbagai macam jenis buah pepaya yang
tumbuh di indonesia, salah satu varietas buah pepaya yang saat ini
jenis pepaya yang memiliki keunggulan antara lain, buahnya tidak terlalu
panen pada tiga stadia, yaitu pada saat warna kuning pada kulit buah 25-
49% (stadia 1), 50-74% (stadia 2) dan di atas 75% (stadia 3). Buah yang di
3. Umur Simpan
simpan dan mutu buah pepaya yang sampai ke tangan konsumen. Umur
11
simpan diamati mulai dari 0 hari setelah panen (HSP) hingga warna kulit
12
Pada tabel 2.1 diketahui bahwa, pepaya yang dipanen pada umur 115
buah pepaya
indikator paling utama yaitu melihat dari warna kulit buah papaya
karbit memiliki warna yang lebih menonjol dari pada buah yang
matang secara alami. Ciri – ciri yang mudah diketahui pada buah
berwarna hijau
13
(C2H2), yaitu bahan untuk memotong dan mengelas besi dan baja
serta industri kecil. Karbit yang terkena uap air akan menghasilkan
gas asetilin yang akan membuat buah terlihat matang, buah yang dapat
terlalu harum dan tercium bau kimia dan rasa buahnya hambar.
tengahnya terasa keras dan buah tersebut juga tidak tahan simpan
C. Pengolahan Citra
(yang berasal dari webcam). Agar kualitas citra mudah di interpretasi oleh
citra tapi dengan kualitas lebih baik dari pada citra masukan. (Syakri et al.,
2018)
14
Secara matematis citra merupakan fungsi kontinyu (continue)
dengan intensitas cahaya pada bidang dua dimensi. Agar dapat diolah
dapat diwakili oleh sebuah matriks dua dimensi f(x,y) yang terdiri dari M
kolom dan N baris, dimana perpotongan antara kolom dan baris disebut
piksel (pixel = picture element) atau elemen terkecil dari sebuah citra.
D. Citra Digital
karakteristik yang tidak dimiliki oleh data tekstual dikarenakan lebih kaya
Secara harfiah, citra merupakan sebuah data visual dalam bidang dwimatra
intensitas dalam bidang dua dimensi dimana setiap titik dapat dituliskan.
dimensi panjang, dan lebar, maka seperti halnya matriks, citra dapat
15
E. Jenis – jenis citra
tertentu, warna tersebut adalah merah (Red), hijau (Green) dan biru
terdiri dari
tiga matriks yang mewakili nilai-nilai merah, hijau dan biru untuk
Kusumanto, 2018)
16
Gambar 2.2 (Color Image)
Sumber : (RD. Kusumanto, 2018)
2. Citra Binary
3. Citra Grayscale
(Pandinasa, 2013)
17
Gambar 2.4 (Citra Grayscale)
melakukan pengenalan mata uang kertas untuk orang tuna netra. Akan
tetapi metode RGB ini tidak berdiri sendiri tapi metode ini disandingkan
hitam dan putih tetapi RGB ini terbebas dari pengaruh perubahan
RGB adalah suatu model warna yang terdiri dari merah, hijau, dan
Setiap warna dasar, misalnya merah, dapat diberi rentang nilai, untuk
monitor komputer nilai rentang nya paling kecil = 0 dan paling besar =
255. Pilihan skala 256 ini didasarkan pada cara mengungkap 8 digit
256 x 256 = 1677726 jenis warna. Sebuah jenis warna dapat dibayangkan
18
komponen-x, komponen-y dan komponen-z Misalkan sebuah vektor
warna dapat dituliskan sebagai berikut: warna = RGB(30, 75, 255). Putih =
2018)
G. K-Nearest Neighbour
19
Dimana kelas yang paling banyak muncul yang nantinya akan menjadi
berikut ini :
data uji
terbesar.
sebelumnya.
muncul.
20
dan mendokumentasikan seluruh rancangan sistem perangkat lunak.
Selain itu UML menggunakan class dan operation dalam konsep dasarnya,
berikut :
21
(independent).
Hubungan dimana objek anak
Generalizatio (descendent) berbagi perilaku
3. dan struktur data dari objek
n
yang ada di atasnya objek
induk (ancestor).
4. Include Menspesifikasikan bahwa use
case sumber secara eksplisit.
Menspesifikasikan bahwa use
case target memperluas
5. Extend perilaku dari use case sumber
pada suatu titik yang
diberikan.
Apa yang menghubungkan
antara objek satu dengan
6. Association objek lainnya.
2. Sequence Diagram
22
suatu respon dari kejadian untuk menghasilkan output tertentu.
berinteraksi.
3. Class Diagram
23
hubungan antara kelas. Class diagram membantu dalam
(Hendini, 2016)
bergantung tersebut.
24
Aggregation Aggregation mengindikasikan
berorientasi objek.
4. Activity Diagram
state dan event. Dengan kata lain kegiatan diagram alur kerja
Aulia 2022)
dalam activity.
activity.
aktifitas.
suatu keputusan
secara parallel
25
Transition (join) Menunjukkan kegiatan yang
digabungkan
activity.
I. Bahasa Pemrograman
1. Java
kode program bahasa java ini yang dituliskan dan dapat dijalankan di
(Febriandirza, 2020)
2. Javascript
26
hanya digunakan untuk mengembangkan aplikasi berbasis web saja.
3. Python
Keunggulan Python
Mudah digunakan
Mendukung OOP
Platform Independnt
Open Source
4. Basis Data
27
Menurut (Ahmad Sahi, 2020). Basis data yaitu kumpulan koleksi
a. Field, yaitu sekumpulan kecil dari kata atau sebuah deretan angka
angka.
f. Primary key, yaitu sebuah field yang nilainya unik yang tidak sama
J. Metode Pengujian
28
Testing juga melakukan pengujian perangkat lunak yang berfokus
independent.
29
Jika ingin mengimplementasikan strategi testing software yang
sebelum pengujian,
a. Pengujian alpha
30
b. Pengujan beta
31
K. Penelitian Terkait
No Nama dan tahun Judul penelitian Algoritma Hasil penilitian Perbedaan dengan
yang penilitian sekarang
digunakan
Alfian Firlansyah, Andi Klasifikasi Tingkat Jaringan Hasil penelitian terdapat 2 dataset citra Pada penelitian ini akan
Baso Kaswar, Andi Kematangan Buah Syaraf Tiruan yaitu citra latih dan citra uji pepaya. menggunakan algoritma K-
1
(JST) Pada citra latih terdiri 30 data citra buah
Akram Nur Risal. (2021) Pepaya Berdasarkan Nearest Neighbor untuk
pepaya muda, mangkal, dan masak,
Fitur Warna sedangkan pada citra uji pepaya terdiri mengklasifikasi/membedakan
Menggunakan 10 data citra pada buah pepaya. Citra buah pepaya yang matang
pada setiap dataset berupa citra RGB
Jaringan Syaraf alami dan pematangan secara
dari hasil pengujian setelah citra
Tiruan melalui tahap klasifikasi yaitu. karbit dengan akurasi yang
Memperoleh akurasi sebesar 100% baik dan bekerja berdasarkan
yang berarti sistem dapat
jarak data terdekat dari data
mengklasifikasi tingkat kematangan
pepaya menggunakan JST dengan training dan data testing.
sangat akurat.
Cinantya Paramita, Eko Klasifikasi Jeruk K-Nearest Hasil pengujian yang sudah dilakukan Terdapat perbedaan objek
Hari Rachmawanto, Nipis Terhadap Neighbor dalam mengklasifikasi jeruk nipis dari penelitian dimana penelitian
2
(KNN) tingkat kematangannya berdasarkan
Christy Atika Sari, De Tingkat sebelumnya menggunakan
fitur warna menggunakan metode K-
Rosal Ignatius Moses Kematangan Buah Nearest Neighbor (KNN). Dari 25 data jeruk nipis untuk mngetahui
32
Setiadi. (2019) Berdasarkan Fitur citra uji, akurasi terbaik sebesar 92% tingkat kematangan.
Warna saat menggunakan euclidean distance Sedangkan pada penelitian
adalah dengan nilai k=7 dan k=3.
ini menggunkan objek buah
Sedangkan menggunakan cityblock
distance akurasi sebesar sebesar 88% pepaya untuk membedakan
dengan nilai k=3 dan k=1. Pada proses kematangan pada
pencarian jarak Euclidean distance yang
buah pepaya.
menghasilkan akurasi sebesar 92%,
maka hasilnya jeruk nipis dari tingkat
kematangan berdasarkan fitur warna
dinyatakan baik dan berisi.
Wahyu Puspitaningrum, Identifikasi Mangga Learning Hasil penelitian yang mengidentifikasi Pada penelitian ini penulis
3 Supatman. (2018) Harum Manis Vector mangga harum manis karbit dan tidak akan menggunakan algoritma
Quantization karbit menggunakan Learning Vector
Karbit dan Tidak K-Nearest Neighbor (KNN),
(LVQ) Quantization (LVQ). Data pelatihan
Karbitan yang digunakan terdiri dari 2 kelas untuk membedakan proses
dengan masing-masing kelas berjumlah kematangan pada buah
30 data pelatihan, total 60 data
pepaya
pelatihan. Untuk data uji masing-
masing kelas menggunakan 25 data uji
dengan total berjumlah 50 data uji, dari
50 data uji diperoleh 98% dengan
perincian 96 % mangga karbitan dan
100 % mangga tidak karbitan.
4 Ellif, Sampe Hotlan Klasifikasi Naive Bayes Hasil yang didapatkan pada penelitian Pada penelitian ini
33
Sitorus, Rahmi Hidayati. Kematangan Pepaya Classifier ini, sistem dapat mengklasifikasikan menggunakan algoritma K-
(2021) Menggunakan tingkat kematangan buah pepaya Nearest Neighbor (KNN)
dengan 50 data buah pepaya dibagi
Ruang Warna HSV dalam membedakan buah
menjadi 30 data latih dan 20 data uji,
menggunakan papaya yang matang alami
ekstrasi warna HSV dengan algoritma dan karbit, dan menggunakan
Naive Bayes Classifier dapat
ekstraksi RGB.
diimplementasikan dengan baik dan
mendapatkan akurasi 100%.
34
L. Kerangka Pemikiran
MASALAH
Permasalahan yang sering terjadi yaitu biasanya terdapat beberapa orang
yang kurang memahami buah pepaya yang matang secara alami dan
yang matang menggunakan karbit, ada juga beberapa orang masih
menggunakan sistem manual dalam melihat buah papaya yang matang
secara alami dan menggunakan karbit. Sistem manual yang penulis
maksud yaitu menerka- nerka atau melihat dengan mata, cara tersebut
menghasilkan kesimpulan yang berbeda-beda pada setiap orang serta
kurang efisien.
SOLUSI
Untuk mengatasi permasalahaan tersebut, pada penelitian ini penulis
mencoba untuk membuat suatu sistem pengolahan citra digital yang
nantinya diharapkan berguna sebagai media yang dapat membantu
masyarakat yang kurang paham dalam membedakan proses kematangan
papaya secara alami dan yang menggunakan karbit.
METODE
Pengolahan Citra Digital Ini Menggunakan Algoritma K-Nearest
Neighbor (KNN).
HASIL
Dari penelitian ini akan menghasilkan sistem pengolahan citra digital
yang membantu dalam membedakan kematangan buah papaya baik
matang alami dan karbit.
35
BAB III
METODE PENELITIAN
A. Penggambaran Sistem
di beli.
36
2. Sistem Yang Akan Diusulkan
1) Developer
Actor : Developer
37
klasifikasi papaya dan akurasi nilai K.
2) User
Actor : User
dari aplikasi.
dari aplikasi.
tebagi menjadi dua yaitu, kebutuhan fungsioanl sistem dan kebutuhan non
fungsioanl sistem.
38
Pada kebutuhan fungsioanl ini layanan pada sistem harus
c. Kebutuhan Admin
1) Login
4) Logout
d. Kebutuhan User
1) Login
papaya
5) Logout
39
Kebutuhan non fungsional adalah kebutuhan yang tidak secara
4) Monitor
5) Mouse
6) Keyboard
Visio.
40
Metode pengumpulan data yang akan digunakan pada penelitian ini yaitu :
1. Observasi
2. Kajian Pustaka
dan informasi.
3. Wawancara
D. Lokasi Penelitian
41
BAB IV
A. Pemodelan Sistem
kebutuhan pengguna.
Pada desain use case diagram yang berjalan saat ini dapat dilihat
42
2. Activity Digaram
proses login gagal maka sistem akan menampilkan pesan login salah,
setelah proses login berhasil user akan masuk ke aplikasi. Pada halaman
menu utama aplikasi user dapat mengakses menu deteksi, tentang, bantuan
masuk ke menu deteksi, pada menu deteksi user malakukan ambil gambar
43
memproses sampel gambar buah pepaya untuk menampilkan hasil
penggunaan aplikasi.
3. Squence Diagram
dalam sistem, jika login gagal sistem akan menampilkan pesan login salah
maka user melakukan login kembali. Jika login berhasil maka sistem akan
setelah gambar pepaya sudah ada maka algoritma akan mulai melakukan
akan menampilkan hasil klasifikasi dan akurasi nilai K. Setelah itu user
44
4. Class Diagram
45
B. Perancangan Antar Muka
1. Rancangan Input
oleh user saat pertama kali ingin mengakses aplikasi yang membutuhkan
alamat email dan kata sandi yang terdaftar pada sistem sebelum
46
2. Rancangan Output Deteksi
47
3. Rancangan Menu Utama
memiliki empat menu terdiri dari menu deteksi, tentang, bantuan, dan
48
C. Hasil Penelitian
a. Halaman Login
49
b. Halaman Menu Utama
50
c. Halaman Menu Deteksi
51
d. Halaman Menu Tentang
52
e. Halaman Bantuan
53
DAFTAR PUSTAKA
54
Keadaan Status Gizi Balita Dalam Association Rule Mining Berdasarkan
Teknik Antropometri. E-Jurnal JUSITI (Jurnal Sistem Informasi Dan
Teknologi Informasi), 9(2), 118–128. https://doi.org/10.36774/jusiti.v9i2.765
M. Luthfan Taris, Winarso Drajad Widodo, K. S. (2014). IPB CALLINA DARI
BEBERAPA UMUR PANEN. November, 477–481.
Pandinasa, F. (2013). Dengan Metode Otsu. 2.
Paramita, C., Hari Rachmawanto, E., Atika Sari, C., & Ignatius Moses Setiadi, D.
R. (2019). Klasifikasi Jeruk Nipis Terhadap Tingkat Kematangan Buah
Berdasarkan Fitur Warna Menggunakan K-Nearest Neighbor. Jurnal
Informatika: Jurnal Pengembangan IT, 4(1), 1–6.
https://doi.org/10.30591/jpit.v4i1.1267
Pseudocode, J., Nomor, V. I. I. I., Kasus, S., Pemuda, D., & Bengkulu, P. (2016).
127887-ID-implementasi-metode-k-nearest-neighbor-k. III(0065), 98–112.
Putra, C. N., Barmawi, A. M., & Ramadhani, K. N. (2015). Javascript Protection
And Encryption Menggunakan Advance Encryption Standard (aes)
Symetric-key Algorithm Untuk Aplikasi Mobile Berbasis …. EProceedings
of Engineering, 2(2), 5985–6007.
RD. Kusumanto, A. N. T. (2011). PENGOLAHAN CITRA DIGITAL UNTUK
MENDETEKSI OBYEK MENGGUNAKAN PENGOLAHAN WARNA
MODEL NORMALISASI RGB RD. Studies in Environmental Science,
17(C), 329–332. https://doi.org/10.1016/S0166-1116(08)71924-1
Ripeness, P., Papaya, C., & Carica, F. (2015). Kriteria Kemasakan Buah Pepaya (
Carica papaya L .) IPB Callina dari Beberapa Umur Panen. 6(3), 172–176.
Saragih, R. R. (2016). Pemrograman dan bahasa Pemrograman. STMIK-STIE
Mikroskil, December, 1–91.
Suketi, K., Poerwanto, R., & Sujiprihati, S. (2010). Karakter Fisik dan Kimia
Buah Pepaya pada Stadia Kematangan Berbeda Physical and Chemical
Characteristics of Papaya at Different Maturity Stages. Agronomi, 38(1), 60–
66.
Sulistyanto, H., & SN, A. (2014). Urgensi Pengujian pada Kemajemukan
Perangkat Lunak dalam Multi Perspektif. KomuniTi, 6(1), 65–74.
Syakri, S. A., Mulyadi, M., & Simbolon, Z. K. (2018). Identifikasi Tingkat
Kebulatan Buah Pepaya Berdasarkan Luas Objek Dengan Pengolahan Citra.
Jurnal Infomedia, 2(2). https://doi.org/10.30811/.v2i2.517
Taufik Hidayat, M. M. (2018). Pengujian Sistem Informasi Pendaftaran dan
Pembayaran Wisuda Online menggunakan Black Box Testing dengan
Metode Equivalence Partitioning dan Boundary Value Analysis. Jurnal
Teknik Informatika UNIS JUTIS, 6(1), 2252–5351. www.ccssenet.org/cis
Tri Jaya Snadhika. (2018). Pengujian Aplikasi dengan Metode Blackbox Testing
55
Boundary Value Analysis (Studi Kasus: Kantor Digital Politeknik Negeri
Lampung). Jurnal Informatika: Jurnal Pengembangan IT (JPIT), 03(02),
45–48.
Usmayani, S. N., Basuki, E., & Yasa, I. W. S. (2015). PENGGUNAAN KALIUM
PERMANGANAT (KMnO 4 ) PADA PENYIMPANAN BUAH PEPAYA
CALIFORNIA (Carica papaya L.) [The Use of Potassium Permanganate
(KMnO 4 ) On Shelf Life of California’s Papaya (Carica papaya L.)]. Jurnal
Ilmu Dan Teknologi Pangan), 1(2), 48–55.
Wahyu Puspitaningrum, S. (2018). Identifikasi Mangga Harum Manis Karbitan
dan Tidak Karbitan Dengan Learning Vector Quantization Identification
Carbide and Non Carbide Harum Manis Mango Using Learning Vector
Quantization. 29–36.
Wardani, L. A. (2020). KLASIFIKASI JENIS DAN TINGKAT KEMATANGAN
BUAH PEPAYA BERDASARKAN FITUR WARNA, TEKSTUR DAN
BENTUK MENGGUNAKAN SUPPORT VECTOR MACHINE. Publikasi
Tugas Akhir S-1 PSTI FT-UNRAM.
https://begawe.unram.ac.id/index.php/ta/article/view/227
Widyasari, K. B. D. R. N., Rosiani, U. D., & Pramudhita, A. N. (2021).
Implementasi Sistem Pendeteksi Tingkat Kematangan Buah Pepaya
Menggunakan Metode RGB. SMATIKA JURNAL, 11(01), 32–36.
https://doi.org/10.32664/SMATIKA.V11I01.536
56