PROPOSAL

PEMETAAN LOKASI PENCURIAN DI WILAYAH HUKUM

POLSEK LENDEWACHU

Sebagai Syarat Untuk Melanjutkan Tugas Akhir Pada Program Studi Ilmu
Komputer

Disusun Oleh:

FRANSISKUS JIMMY DANGGA

231 18 062

PROGRAM STUDI ILMU KOMPUTER

FAKULTAS TEKNIK

UNIVERSITAS KATOLIK WIDYA MANDIRA

KUPANG

2022
 HALAMAN PENGESAHAN
PEMETAAN LOKASI PENCURIAN DI WILAYAH
HUKUM POLSEK LENDEWACHU

OLEH:

FRANSIKUS JIMMY DANGGA

231 18 062

Proposal ini diajukan untuk dilanjutkan sebagai proyek Tugas Akhir di

Program Studi Ilmu Komputer

Fakultas Teknik

Universitas Katolik Widya Mandira Kupang

2023

Tim Penguji Tim Pembimbing

1. Donatus J. Manehat, S.Si.,M.Kom 1.Dr.Adri Gabriel Sooai, S.T.,M.T

NIDN : 0828126601 NIDN : 0723057201

2.Yovinia C. Hoar Siki, S.T.,M.T 2.Ign.Pricher A.N. Samane, S.Si.,M.Eng

NIDN : 0805058803 NIDN : 0818098102

ii
A. JUDUL PROPOSAL: PEMETAAN LOKASI PENCURIAN DI WILAYAH
HUKUM POLSEK LENDEWACHU
B. LATAR BELAKANG

Polsek lendewachu adalah

tradisional yaitu k-NN, Random Forest, SVM dan MultiLayer

Perceptron/Neural Network.

Oleh karena itu, dibutuhkan “Peningkatan Akurasi Pengklasifikasian

Citra Penyakit Buah Jeruk Berbasis SqueezeNet dan k-NN”.

C. RUMUSAN MASALAH

Berdasarkan latar belakang yang telah diuraikan di atas, maka

rumusan masalah dalam penelitian ini adalah bagaimana meningkatkan
akurasi pengklasifikasi tradisional khususnya pada dataset citra buah jeruk
sakit berbasis SqueezeNet dan k-NN.

D. BATASAN MASALAH

Dalam batasan masalah ini, penulis membatasi permasalahan yang

perlu sebagai berikut:
1. Dataset yang digunakan adalah dataset citra buah jeruk sehat 100 dan
sakit 100 (buah berbintik hitam dan busuk).
2. Pengklasifikasian yang digunakan adalah k-NN dengan image
Embedding SqueezeNet.
3. Aplikasi yang digunakan untuk menganalisis adalah Orange

E. TUJUAN PENELITIAN

Tujuan dari penelitian ini adalah meningkatkan kinerja akurasi

pengklasifikasi tradisional k-NN.

3
F. MENFAAT PENULISAN

Berdasarkan tujuan penelitian di atas, menfaat yang dapat diberikan

adalah tersedia contoh tahapan eksperimen bagi kegiatan pemodelan citra.

1. Bagi Penulis
a. Menerapkan ilmu – ilmu yang diperoleh selama dibangku kuliah.
b. Untuk memenuhi salah satu syarat kelulusan (S1) di Program Studi
Ilmu Komputer Fakultas Teknik Universitas Katolik Widya Mandira
Kupang.

2. Bagi Pembaca
Memberikan wawasan bagi pembaca tentang pengklasifikasi citra
penyakit buah jeruk berbasis SqueezeNet dan k-NN dan menjadi
refrensi dalam menentukan topik untuk melakukan peneliti
selanjutnya.

3. Bagi Peneliti
Penelitian ini akan meningkatkan wawasan dan pengetahuan
mengenai data mining dengan pengklasifikasi tradisional k-NN.

G. KONTRIBUSI PENELITIAN

Kontribusi Teoritis:

1. Adanya peningkatan kinerja pengklasifikasi citra khususnya pada dataset

buah jeruk menggunakan bantuan SqueezeNet dan k-NN.

4
 Kontribusi Praktis:

1. Tersedianya model pengidentifikasian penyakit buah jeruk berbasis

teknologi kecerdasan buatan untuk digunakan pada kebutuhan pertanian
dan perkebunan.

H. TINJAUAN PUSTAKA

Penelitian ini menggunakan pengklasifikasi citra penyakit buah jeruk

berbasis SqueezeNet dan k-NN yang sudah banyak dilakukan oleh penelitian -
penelitian terdahulu, penelitian terdahulu dilakukan diantaranya:

Penelitian ini dilakukan oleh Ratri Enggar Pawening, Wali Ja’far

Shudiq, Wahyuni pada tahun 2020 dengan judul “Klasifikasi Kualitas Jeruk
Lokal Berdasarkan Tekstur Dan Bentuk Menggunakan Metode k-Nearest
Neighbor (k-NN)”. Tujuan penelitian ini adalah mengklasifikasi jeruk lokal
berdasarkan bentuk dan teksturnya, Adapun metode yang digunakan yaitu
metode GLCM (gray level co – occurance matrices) dengan fitur energy,
Correlation, Contrast, Homogeneity untuk ekstrasi ciri tekstur dan metode
geometri untuk ektrasi ciri bentuk dengan fitur Eccentricity dan matric.
Sedangkan untuk menentukan kedekatan antara citra uji dengan citra latih
menggunakan metode k – Nearest Neigbhor berdasarkan fitur tekstur dan
bentuk yang diperoleh.

Penelitian dilakukan oleh Andi Yulia Muniar pada tahun 2019 dengan
judul “Klasifikasi Tanaman Jeruk Berdasarkan Fitur Tekstur Daun
Menggunakan Metode K-Nearest Neighbor”. Sistem klasifikasi yang
dibangun merupakan sistem yang bertujuan untuk mempermudah proses
identifikasi atau pengenalan tanaman jeruk yang beragam berdasarkan ciri-
ciri atau fitur yang terdapat pada daun jeruk. Untuk proses identifikasi
dilakukan dengan mengambil gambar dari daun jeruk kemudian diproses
dengan menggunakan Algoritma k-Nearest Neighbor (k-NN) dengan

5
perhitungan euclidean distance berdasarkan fitur tekstur daun sehingga
menghasilkan kesimpulan jenis tanaman jeruk.

Penelitian dilakukan oleh Cinantya Paramita, Eko Hari

Rachmawannto, Christy Atika Sari, De Rosal Ignatius Moses Setiadi pada
tahun 2019 dengan judul “Klasifikasi Jeruk Nipis Terhadap Tingkat
Kematangan Buah Berdasarkan Fitur Warna Menggunakan K-Nearest
Neighbor”. Pada proses klasifikasi buah jeruk nipis yang sebelumnya
dilakukan manual menggunakan mata manusia merupakan hal yang sangat
sulit dilakukan. Hal ini dibuktikan dengan tidak konsisten serta bersifat
subyektif sehingga menyebabkan tingkat akurasi yang rendah. Terkadang ada
pula perbedaan pendapat dari mata manusia satu dengan lainnya. Oleh karena
itu, untuk meningkatkan tingkat akurasi serta mengurangi sifat subyektifitas
mata manusia, penelitian ini mengusulkan algoritma yang dipergunakan
untuk mengklasifikasikan tingkat kematangan jeruk nipis yakni K-Nearest
Neighbor berdasar kepada warna kulit yang ada pada jeruk nipis tersebut.

Penelitian dilakukan oleh Ridho Ary Sumarno pada tahun 2017

dengan judul “Aplikasi Klasifikasi Jenis – Jenis Buah Jeruk Menggunakan
Metode k-Nearest Neighbor”. Algoritma K-Nearest Neighbor (k-NN)
merupakan algoritma yang melakukan klasifikasi berdasarkan kedekatan
lokasi (jarak) suatu data dengan data yang lain. Simpulan pada aplikasi
klasifikasi jenis buah jeruk ini dapat menganalisis permasalahan yang ada
pada sistem dapat mempercepat dan mempermudah kita untuk mengetahui
perbedaan jenis - jenis jeruk dan membantu dalam melakukan klasifikasi
secara integritas dan seefisien mungkin.

Penelitian dilakukan oleh Dr. H. Hadari Nawawi pada tahun 2020

dengan judul “Klasifikasi Rasa Buah Jeruk Pontianak Berdasarkan Warna
Kulit Buah Jeruk Menggunakan Metode K-Nearest Neighbor”. Dengan
menggunakan pengolahan citra dapat menghasilkan sebuah sistem yang
mampu mengklasifikasi rasa buah jeruk berdasarkan warna kulitnya. Data

6
masukkan adalah citra jeruk yang diekstraksi, parameter yang digunakan
adalah hasil ektraksi warna RGB pada kulit buah jeruk. Pengambilan citra
dilakukan dengan menggunakan kamera smartphone. Citra yang diambil akan
dijadikan sebagai data pelatihan dan data pengujian. Data terdiri 120 buah
jeruk yang memiliki rasa manis, asam dan tawar, 90 buah jeruk dijadikan
data pelatihan dan 30 buah jeruk sebagai data pengujian. Proses klasifikasi
rasa buah jeruk dilakukan dengan menggunakan Algortima K-Nearest
Neighbor yang diterapkan pada sistem operasi android. Berdasarkan hasil
pengujian dari 30 buah jeruk didapatkan nilai k terbaik adalah k = 11 dengan
akurasi sebesar 80%.

7
I. METEODOLOGI PENELITIAN

1. Pengumpulan Data

Data yang digunakan dalam penelitian ini adalah data primer yang
diambil dengan menggunakan kamera android dan memfoto buah jeruk
sehat dan sakit dengan jumlah data gambar sebanyak 200 gambar buah
jeruk yang sehat dan sakit.

2. Pemrosesan Awal

Data yang digunakan dalam penelitian ini adalah data primer,

dimana jika diperlukan seperti membuang background atau latar belakang
citra yang tidak diperlukan.

3. Klasifikasi Buah Jeruk Sehat dan Jeruk Sakit

Pada tahap ini penulis sudah mendapatkan dataset gambar dengan

jumlah 200 gambar buah jeruk sehat dan jeruk sakit, kemudian
mengelompokan dataset buah jeruk menjadi 2 kelas dengan membuat 2
folder yaitu jeruk sehat dan jeruk sakit. Setelah membuat 2 folder
seterusnya mengelompokan dengan memindahkan gambar buah yang sehat
ke dalam folder jeruk sehat dan buah yang sakit dengan kulit buah yang
bintik hitam ke dalam folder jeruk sakit. Berikut tabel jumlah data dari
setiap kelas.

8
 Tabel 2.1. Jumlah dataset setiap kelas

Kelas Jumlah

Jeruk Sakit 100

Jeruk Sehat 100

Jeruk Sakit Jeruk Sehat

Gambar 2.1 Citra buah jeruk sehat dan

sakit.

Setelah mengelompokan semua dataset gambar buah jeruk yang

sehat dan sakit, penulis menggunakan widget import images untuk
mengupload dataset yang sudah dikelompokan tadi ke aplikasi orange.

4. Image Embedding SqueezeNet

Proses ini menerjemahkan citra yang digunakan untuk

pengklasifikasian citra penyakit buah jeruk berbasis SqueezNet dan k-NN
dalam bentuk yang dibaca oleh aplikasi pendukung orange. Penelitian ini
menggunakan image embedding squeezeNet untuk merubah citra menjadi
angka, dimana penelitian ini komputer berhasil men-generate dataset buah
jeruk sehat dan sakit sebanyak 1000 kolom dan 200 baris.

5. Test dan Score

Setelah mengubah citra menjadi tabel angka dengan image
embedding squeezeNet, Selanjutnya melakukan proses training data
menggunakan widget test dan score, Disini dalam proses training dan

9
 testing menggunakan 2 – fold cross validation dan pengklasifikasian k-NN
dengan k = 1, jarak Eclidean dan bobot Uniform, dalam proses test dan
score membutuhkan tiga masukan yaitu dataset, data training 66% dan
data sisanya data test.

6. Percobaan Pengubahan Cross Validation

Dalam proses percobaan pengubahan Cross Validation 2, 3, 5, 10
dan 20, disini kita dapat melihat apakah ada perubahan peningkatan atau
penurunan kinerja pengklasifikasi.

7. Confusion Matrix
Pada proses confusion matrix ini menampilkan hasil prediksi dari
beberapa kelas.

J. Hasil Yang Diharapkan

Hasil yang diharapkan dengan adanya peningkatan akurasi

pengklasifikasi citra penyakit buah jeruk berbasis squeezeNet dan k-NN,
ialah dapat meningkatkan akurasi kinerja pengklasifikasi tradisional k-NN
agar dapat membantu para petani untuk meningkatkan akurasi
pengklasifikasi penyakit pada buah jeruk secara cepat dan akurat.

1
0
 DAFTAR PUSTAKA

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

Silva, M., Ferreira da Silva, J., & Oliveira, R. (2021). IDiSSC: Edge-computing-
based Intelligent Diagnosis Support System for Citrus Inspection. 1(Iceis), 685–
692. https://doi.org/10.5220/0010444106850692

Iandola, F. N., Han, S., Moskewicz, M. W., Ashraf, K., Dally, W. J., & Keutzer,
K. (2016). SqueezeNet: AlexNet-level accuracy with 50x fewer parameters and
<0.5MB model size. 1–13. http://arxiv.org/abs/1602.07360

Muniar, A. Y. (2019). Klasifikasi Tanaman Jeruk Berdasarkan Fitur Tekstur

Daun. Celebes Engineering Journal, 1(Vol 1 No 2), 18–27.

Enggar Pawening, R., Ja, W., & Shudiq, F. (2020). KLASIFIKASI KUALITAS
JERUK LOKAL BERDASARKAN TEKSTUR DAN BENTUK
MENGGUNAKAN METODE k-NEAREST NEIGHBOR (k-NN). COREAI:
Jurnal Kecedasan Buatan, Komputasi Dan Teknologi Informasi, 1(1), 10–17.

Barkah, M. F. (2020). Klasifikasi Rasa Buah Jeruk Pontianak Berdasarkan Warna

Kulit Buah Jeruk Menggunakan Metode K-Nearest Neighbor. Coding: Rekayasa
Sistem Komputer, 08(01), 55–66.