TUGAS AKHIR
Diajukan Sebagai Salah Satu Syarat Untuk Memperoleh
Gelar Sarjana Komputer
Disusun Oleh:
FAKULTAS TEKNIK
KUPANG
2023
HALAMAN PERSETUJUAN
TUGAS AKHIR
Oleh:
231 18 122
DI : KUPANG
PADA TANGGAL :
NIDN: 0723057201
D.r. Adri Gabriel Sooai, S.T., M.T Emerensiana Ngaga, S.T., M.T
NIDN: 0723057201 NIDN: 0802038601
2
HALAMAN PENGESAHAN
TUGAS AKHIR
OLEH:
Dr. Adri Gabriel Sooai, S.T., M.T Emerensiana Ngaga, S.T., M.T
NIDN: 0723057201 NIDN:0802038601
MENGETAHUI, MENGESAHKAN,
KETUA PROGRAM STUDI ILMU DEKAN FAKULTAS TEKNIK
KOMPUTER UNIKA WIDYA MANDIRA
Sisilia D. Bakka. Mau. S.Kom. M.T. Dr. Don G. N. Da Costa, S.T., M.T.
NIDN: 0807098502 NIDN: 0820036801
3
HALAMAN PERSEMBAHAN
1. Tuhan Yesus dan Bunda Maria yang telah melindungi dan menuntun setiap
Yohanes Mior Rai, yang telah memberi semangat, nasehat serta motivasi demi
3. Bapak Dr. Adri Gabriel Sooai, S.T., M.T dan ibu Emerensiana Ngaga, S.T.,
M.T selaku pembimbing saya. Terima kasih atas arahan dan kesabaranya
4
MOTTO
“Percayalah sepenuhnya kepada Tuhan dan Jangan
berpegang pada diri sendiri“
(Amsal
3:5)
5
Yang bertanda tangan dibawah ini:
Fakultas : Teknik
bahwa saya melakukan tindakan plagiat, maka saya Akan menerima sanksi
Mahasiswa/Pemilik
KATA PENGANTAR
6
Puji syukur penulis panjatkan kehadirat Tuhan Yang Maha Kuasa dan
Bunda Maria karena berkat bimbingan dan tuntunan tangan kasih-Nya penulis
menyadari bahwa tidak dapat menyelesaikan Tugas Akhir ini tanpa bantuan dan
motivasi dari berbagai pihak. Oleh karena itu, sepatutnya ucapan terima kasih
1. Pater Dr. Philipus Tule, SVD, selaku Rektor Universitas Katolik Widya
Mandira Kupang.
3. Ibu Sisilia D. Bakka. Mau. S.Kom. M.T., selaku Ketua Program Studi
waktu bagi saya dalam meyelesaikan tugas akhir dan perjalanan studi saya.
5. Dr. Adri Gabriel Sooai, S.T., M.T selaku Dosen Pembimbing I dan Ibu
6. Bapak Paskalis A. Nani, S.T., M.T selaku dosen penguji I dan Bapak
Frengky Tedy, S.T., M.T selaku dosen penguji II, yang telah meluangkan
7
waktu, tenaga dan pikiran dalam mengarahkan penulis untuk
7. Seluruh Dosen dan staf karyawan pada Program Studi Ilmu Komputer
8. Bapak Rofinus Manis dan Ibu Waldetrudis Bai, serta semua keluarga yang
10. Semua Pihak yang telah memberikan bantuan dalam penyelesaian Tugas
Akhir ini yang tidak dapat disebutkan namaya satu persatu, kiranya Tuhan
Penulis menyadari dalam penulisan Tugas Akhir ini, masih terdapat banyak
kekurangan Untuk itu penulis mengharapkan saran dan kritik dari berbagai pihak
yang bersifat membangun demi memperbaiki skripsi ini. Semoga Tugas Akhir ini
Penulis
DAFTAR ISI
JUDUL..............................................................................................................i
8
HALAMAN PERSETUJUAN.........................................................................ii
HALAMAN PERSEMBAHAN.......................................................................iv
MOTTO............................................................................................................v
KATA PENGANTAR......................................................................................vii
DAFTAR ISI....................................................................................................ix
DAFTAR TABEL............................................................................................xii
DAFTAR GAMBAR........................................................................................xiii
ABSTRAK........................................................................................................xv
ABSTRACT.......................................................................................................xvi
BAB 1 PENDAHULUAN................................................................................1
9
BAB III METODOLOGI PENELITIAN.........................................................13
4.8 Prediction.............................................................................................26
10
5.2 Hasil Evaluasi Confussion Matrix.......................................................28
BAB VI PENUTUP..........................................................................................38
6.1 Kesimpulan..........................................................................................38
6.2 Saran....................................................................................................38
DAFTAR PUSTAKA
DAFTAR TABEL
11
Tabel 4.1 Jumlah Dataset Setiap Kelas Penyakit Buah Apel...........................20
DAFTAR GAMBAR
12
Gambar 4.1 Citra Buah Apel Sehat..................................................................20
13
Gambar 5.10 Hasil Percobaan Kesepuluh........................................................34
Abstraks
Buah Apel merupakan salah satu jenis buah yang ada di Indonesia dan
sangat digemari oleh masyarakat umum, baik muda sampai tua suka
14
mengkonsumsi buah ini. Hal ini menunjukan bahwa buah apel sudah sangat
banyak dikosnsumsi oleh masyarakat secara luas dan memiliki daya saing juga.
Namun produksi buah apel mulai menurun karena terserang hama dan penyakit.
Tingginya tingkat produksi dan distribusi buah apel yang sangat luas
mengharuskan para petani mampu mendeteksi penyakit yang ada pada buah apel
dalam menjaga mutu buah ini. Klasifikasi merupakan metode data mining yang
berfungsi untuk mengatur dan mengkategorikan data pada kelas yang berbeda-
beda. Penelitian ini bertujuan untuk mendeteksi penyakit pada buah apel berbasis
pengklasifikasi. Dalam proses pengklasifikasian penelitian ini menggunakan
algoritma Random Forest untuk mengklasifikasikan citra buah apel yang sehat
dan sakit. Penelitian ini menggunakan Orange Data Mining Tool sebagai alat
bantu untuk melakukan proses data mining. Hasil klasifikasi yang dilakukan
menggunakan algoritma Random Forest mendapatkan hasil yang baik dimana
model mendapatkan rata-rata akurasi sebesar 91.4%.
Abstract
15
Apples are one of the types of fruit in Indonesia and are very popular with
the general public, both young and old, like to consume this fruit. However, the
production of apples began to decline due to pests and diseases. The high level of
production and the wide distribution of apples requires farmers to be able to
detect diseases that exist in apples in maintaining the quality of this fruit.
Classification is a data mining method that functions to organize and categorize
data in different classes. This study aims to detect diseases in apples based on
classifiers. In the classification process, this research uses the Random Forest
algorithm to classify images of healthy and sick apples. This study uses the
Orange Data Mining Tool as a tool to carry out the data mining process. the
classification results carried out using the Random Forest algorithm get good
results where the model get an average accuracy of 91.4%.
BAB I
16
PENDAHULUAN
luas di wilayah yang lebih dingin. Apel yang dibudidayakan memiliki nama
Malus sieversii dengan sebagian genom dari Malus sylvestris (apel hutan/apel
Indonesia sekitar tahun 1930-an dibawa oleh orang Belanda dari Australia
2016).
Buah Apel merupakan salah satu jenis buah yang ada di Indonesia dan
sangat digemari oleh masyarakat umum, baik muda sampai tua suka
rasanya yang bervariasi. Buah apel sendiri memiliki banyak nutrisi dan
lagi(Neighbors et al., 2019). Hal ini menunjukan bahwa buah apel sudah
sangat banyak dikosnsumsi oleh masyarakat secara luas dan memiliki daya
saing juga. Kota So’e yang terletak di Kabupaten Timur Tenggah Selatan
(TTS) provinsi Nusa Tenggara Timur (NTT) pada tahun 1950 hingga tahun
1970an dikenal sebagai salah satu kota penghasil buah Apel terbaik di NTT
17
yang mampu bersaing dengan apel dari wilayah lain di Indonesia . Namun
produksi buah apel asal kabupaten TTS ini mulai menurun karena terserang
hama dan penyakit. Tingginya tingkat produksi dan distribusi buah apel yang
sangat luas mengharuskan para petani mampu mendeteksi penyakit yang ada
pada buah apel dalam menjaga mutu buah ini. Mutu buah apel yang baik
sebenarnya mudah dilihat karena tanda-tanda yang ada pada buah apel yang
segar dan rusak mudah diamati. Namun untuk mendapatkan hasil yang lebih
Oleh karena itu pada penelitian ini dengan pengklasifikasian citra penyakit
pada buah apel berbasis Random Forest diharapkan dapat membantu dan
18
1. Pengklasifikasi ini menggunakan metode Random Forest
5. Dataset yang digunakan berupa dataset citra buah apel sehat 160 dan
Tujuan penelitian ini adalah mendeteksi penyakit yang ada pada buah apel
mampu membantu pekerjaan para petani dalam mendeteksi penyakit yang ada
1. Studi literatur
Pada tahap ini penulis, mepelajari dan membaca jurnal-jurnal dan referensi
2. Pengumpulan Data
19
Pada tahap ini penulis mengumpulkan dataset berupa citra buah apel sehat
dan sakit menggunakan kamera digital yang akan digunakan dalam proses
klasifikasi.
nantinya
4. Pengklasifikasian
pengujian.
Sistematika penulisan yang digunakan dalam menyusun tugas akhir ini adalah
sebagai berikut :
BAB I PENDAHULUAN
Terdiri dari dari latar belakang, rumusan masalah, batasan masalah, tujuan
penulisan.
20
Bab ini membahas tentang penelitian terdahulu dan teori-teori dasar yang
Bab ini berisi tentang pengujian dan analisis hasil dari proses klasifikasi yang
BAB VI PENUTUP
Bab ini berisi kesimpulan dan saran perihal penelitian yang telah dilakukan
lanjut.
21
BAB II
TINJAUAN PUSTAKA
oleh Fani Nurona Cahya, Rangga Pebrianto, Tika Adila M pada tahun 2021
dengan judul “Klasifikasi Buah Segar dan Busuk Menggunakan Ekstraksi fitur
untuk Mengukur Tingkat Keparahan penyakit pada Daun Apel” penelitian ini
22
acak metode CART digunakan untuk membuat pohon keputusan. Pohon
hasil klasifikasai yang dilakukan menggunakan 467 citra daun apel ini
mendapatkan akurasi tertinggi pada proses pelatihan sebesar 100% dan ini
Penelitian ini dilakukan oleh Kholiq Prajatama, Fajar Eko Nugroho, Andri
Faisal Sentosa, Syifa Fauziah dan Anggit Dwi Hartanto pada tahun 2019
algoritma Naive Bayes ini citra buah apel dibagi menjadi dua kategori yaitu
intensitas dan data yang digunakan 130 citra. Dengan hasil akurasi sebesar
Penelitian ini dilakukan oleh Sarifah Agustiani, Yoseph Tajul Arifin, Agus
Junaidi, Siti Khotimatul Wildah danAli Mustopa pada tahun 2022 dengan
23
penelitian ini proses klasifikasi menggunakan citra hasil augmentasi lalu
algoritma Random Forest. Selain itu, dalam penelitian ini juga dilakukan
et al., 2022).
Penelitian mengenai citra digital telah dilakukan oleh Seno Hartono, Herry
Sujaini, dan Anggi Perwitasari pada tahun 2020 dengan judul “Komparasi
digital dalam bentuk fungsi 2 dimensi, f(x,y), yang terdiri dari x dan y sebagai
koordinat horizontal dan vertikal, dan f sebagai nilai intensitas atau derajat
keabuan dari x dan y, Setiap nilai dinyatakan dalam skala tertentu berdasarkan
yang berupa titik diskrit data akibat ketidak mampuan komputer dalam
24
ditampilkan juga disebut dengan piksel. Tools data mining yang digunakan
AdaBoost 30.25%, dan untuk Decision Tree 29.75% Tree 29.75% (Hartono et
al., 2020).
Rabbani, Ida Wahidah, dan Iman Hedi Santoso pada tahun 2021 dengan judul
berdiri normal, tidur normal, duduk normal, naik tangga, turun tangga, jatuh
25
diklasifikasikan menggunakan Orange Data Mining. Algoritma yang
disini merujuk pada informasi yang biasanya dalam bentuk data elektronik
dokumen yang terdiri dari dokumen politik, bisnis, olahraga, dan lain-lain.
nilai akurasi tertinggi di 4 rasio yaitu 97.5% pada rasio 20%:80%, 98.7% pada
rasio 30%:70%, 99.3% pada rasio 40%:60% dan 100% pada rasio 50%:50%
dilakukan oleh I Made Budi Adnyana pada tahun 2015 dengan judul “Prediksi
26
dari beberapa tree, yang dimana masing-masing tree bergantung pada nilai
piksel pada tiap vektor yang daimbil secara acak. Random Forest adalah
saat respons berupa data kategorik, sedangkan pohon regresi dihasilkan saat
respons berupa data numerik. Pohon terbentuk dari pemilahan rekursif biner
pada suatu gugus data sehingga nilai peubah respons pada setiap gugus data
hasil pemilahan akan lebih. Data yang digunakan dalam penelitian ini adalah
data lulusan 2 tahun terakhir, meliputi IPK, SKS, jumlah cuti dan non-aktif,
nilai mahasiswa, dan lama studi mahasiswa. Keluaran dari sistem ini berupa
klasifikasi yang terdiri dari 2 kelas, yaitu lulus tepat waktu dan lulus lewat
batas waktu. Dari hasil eksperimen diperoleh nilai akurasi adalah 83.54%
(Adnyana, 2015).
oleh Sulthan Arief Ismail Sugiarto Putro, Dr. Ir. Jangkung Raharjo, M.T.,
Syamsul Rizal, S.T., M.Eng., Ph.D pada tahun 2021 dengan judul “Klasifikasi
Bobot Sapi Berdasarkan Citra Digital Dengna Metode Fraktal dan Random
sepertiga sampel nantinya digunakan untuk menentukan data out of bag, hal
27
acak. Saat tree telah terbentuk, maka klasifikasi akan berjalan. Untuk
yang ada, kelas dengan jumlah vote terbanyak akan menjadi pemenangnya.
komputasi rata - rata 0,336 detik. Penelitian ini menggunakan citra sapi yang
dibagi menjadi tiga kelas yang berbeda yaitu besar, sedang, dan kecil. Data
latih yang digunakan berupa 47 citra sapi dari tiga kelas dan data uji 21 citra
sapi dari tiga kelas. Hasil akurasi dari penelitian ini adalah 85.7% dengan nilai
2021).
data yang diambil dan digunakan dalam penelitian ini berbeda dengan
penelitian yang telah ada sebelumnya dan data diambil dengan pengambilan
sendiri. Penelitian tentang pendeteksian penyakit pada buah apel sudah pernah
dilakukan namun menggunakan metode yang berbeda. Maka dari itu pada
hasil yang lebih akurat. Metode dan data yang berbeda tentunya akan
28
BAB III
METODOLOGI PENELITIAN
yang akan dilakukan dengan cara sistematis dan ilmiah. Penelitian ini
adalah metode data mining yaitu klasifikasi dengan menggunakan tools software
29
3.1 Studi Literatur
referensi dan pengetahuan dari berbagai sumber seperti buku, jurnal dan
utama studi literatur dalam penelitian ini adalah untuk mempelajari sumber-
Data yang digunakan dalam penelitian ini adalah data primer yang diambil
apel sehat dan sakit dengan jumlah data gambar sebanyak 320 gambar buah
Data yang diperlukan dalam penelitian ini adalah data primer, dimana jika
diperlukan seperti membuang background atau latar belakang citra yang tidak
diperlukan.
30
3.4 Klasifikasi Buah Apel Sehat dan Sakit
Pada tahap ini setelah mendapatkan dataset gambar dengan jumlah 320
gambar buah apel sehat dan sakit, kemudian mengelompokan dataset buah
apel menjadi 2 kelas dengan membuat 2 folder yaitu apel sehat dan apel sakit.
gambar buah yang sehat ke folder apel sehat dan buah apel sakit ke folder apel
sakit. Setelah mengelompokan semua dataset gambar buah apel yang sehat
merupakan salah satu embedder yang cepat dan tidak memerlukan koneksi
buah apel yang sakit dan sehat sebanyak 1000 kolom dan 320 baris.
31
3.6 Test and Score
Widget test and score akan menguji model klasifikasi Random Forest yang
terpilih, pengujian widget test and score menggunakan cross validation. Cross
angka yang ada di dalam number of fold yakni 2, 3, 5, 10 dan 20. Ada dua
hal yang dilakukan widget test and score. pertama akan menampilkan tabel
accuracy, precision, recall, f1-score, dan AUC. Dan kedua menampilkan hasil
output yang digunakan oleh widget lain untuk menganalisis kinerja confusion
matrix.
Actual Negative FP TN
32
1. Akurasi
adalah perbandingan jumlah data positif benar dan negatif benar dengan
nilai dari prediksi dengan nilai yang sebenarnya. Nilai dari akurasi dapat
TP+TN
Accuracy= (2.1)
TP+TN + FN + FP
2. Presisi
dengan hasil prediksi yang diberikan oleh model. Maka dapat diartikan
dibagi dengan keseluruhan hasil yang diprediksi positif. Dengan kata lain
dari semua kelas positif yang telah diprediksi dengan benar, berapa
banyak data yang benar-benar positif. Nilai dari presisi dapat dilihat pada
persamaan(2.2)
TP
Precision= (2.2)
TP+ FP
3. Recall
recall itu adalah rasio prediksi benar positif dibagi dengan keseluruhan
33
data yang benar positif. Nilai dari recall dapat dilihat pada
persamaan(2.3)
TP
Recall= (2.3)
TP+ FN
4. Skor F1
ssemacam keseimbangan antara presisi dan recall dalam sistem. Nilai dari
precision .recall
F 1−Score= (2.4)
precision+recall
A. Perangkat Keras
a. PC / Laptop
(4CPUs), ~2.3GHz
c. RAM : 4.00 GB
34
d. Kamera smartphone 50 MP.
B. Perankat Lunak
35
BAB IV
IMPLEMENTASI SISTEM
Setelah mendapatkan dataset citra buah apel dengan jumlah 320 gambar
buah apel sehat dan sakit, kemudian di kelompokan menjadi 2 kelas dengan
membuat 2 folder yaitu apel sehat dan apel sakit. Berikut tabel jumlah data
Kelas Jumlah
Berikut contoh dataset citra buah apel sehat dan sakit berdasarkan
36
Gambar 4. 2 Citra Buah Apel Sakit
images. Tampilan widget import images pada aplikasi Orange dapat dilihat
37
Pada gambar diatas dapat dilihat bahwa dataset buah apel sehat dan sakit
seperti ukuran, lebar, dan tinggi gambar dengan menggunkan widget data
table. Tampilan dari widget data table dapat dilihat pada Gambar 4.5
38
Gambar 4. 5 Kinerja Data Tabel Pada Image Viewer
4.3 Proses Images
Embedding
Gambar 4.6
39
Setelah menggunakan SqueezeNet sebagai embedder, tahap selanjutnya
Tampilan hasil dari kinerja embedder dapat dilihat pada Gambar 4.7
40
Gambar 4. 7 Hasil Kinerja Embedder
citra buah apel sehat dan buah apel sakit, dan berhasil mengeluarkan serta
dari model klasifikasi Random Forest dapat dilihat pada Gambar 4.8
41
Gambar 4. 8 Tampilan Widget Model Random Forest
Pada proses training dan testing menggunakan widget test and score untuk
5-fold cross validation yang ada pada widget test and score dan juga data
training sebesar 66% dan data testing sebesar 34%. Tampilan widget test and
42
4.6 Save Model
Widget save model akan menyimpan model random forest yang dipakai
sebelumnya ke file keluaran, lalu beri nama modelnya untuk nanti memuat ke
dalam alur kerja dengan Load Model. Tampilan Save Model dapat dilihat pada
gambar 4.10
sebelumnya, buka widget Load Model dan pilih file model tersebut sesuai
dengan nama yang disimpan. Widget ini memuat model yang ada ke widget
43
4.8 Prediction
Widget Prediction ini menampilkan hasil prediksi model pada data yang
uji. Outputnya biasa data dengan prediksi tambahan ataupun hasil pengujian
Metode uji coba yang diterapkan dalam penelitian ini adalah 5-fold cross
44
Jumlah Percobaan AUC CA F1 Precision Recall
1 0.970 0.912 0.912 0.913 0.912
2 0.974 0.916 0.916 0.916 0.916
3 0.979 0.925 0.925 0.927 0.925
4 0.977 0.922 0.922 0.923 0.922
5 0.970 0.919 0.919 0.920 0.919
6 0.969 0.909 0.909 0.913 0.909
7 0.971 0.906 0.906 0.908 0.906
8 0.977 0.900 0.900 0.901 0.900
9 0.981 0.931 0.931 0.934 0.931
10 0.969 0.903 0.903 0.904 0.903
Dari Tabel 5.1 diperoleh hasil perhitungan Precision, recall, accuracy dari
Random Forest. Terlihat bahwa dalam percobaan ini mendapatkan hasil yang
nilai prediksi serta nilai aktual. Dengan menggunkan confussion matrix kita
45
berdasarkan jumlah data yang diprediksi dengan benar dan salah. Berikut
gambar hasil evaluasi dari 10 kali percobaan dengan model Random Forest
yang sehat hanya terdeteksi 144 buah apel yang sehat sedangkan 16
diantaranya salah dideteksi menjadi apel yang sakit, kemudian dari 160 data
buah apel yang sakit hanya 148 yang terdeteksi sebagai apel yang sakit
sedangkan 12 dianggap sebagai apel yang sehat. Maka nilai dari True Positive
(TP) adalah 148, True Negative (TN) adalah 144, False Positive (FP) adalah
16, dan False Negative (FN) adalah 12. Maka nilai akurasi dari percobaan
148+144
Accuracy= x 100 % maka nilai Accuracy=91.2%
148+144+12+16
46
Gambar 5. 2 Hasil Percobaan Kedua
Berdasarkan gambar 5.2 dijelaskan bahwa dari total 160 data buah apel
yang sehat hanya terdeteksi 143 buah apel yang sehat sedangkan 17
diantaranya salah dideteksi menjadi apel yang sakit, kemudian dari 160 data
buah apel yang sakit hanya 150 yang terdeteksi sebagai apel yang sakit
sedangkan 10 dianggap sebagai apel yang sehat. Maka nilai dari True Positive
(TP) adalah 150, True Negative (TN) adalah 143, False Positive (FP) adalah
17, dan False Negative (FN) adalah 10. Maka nilai akurasi dari percobaan
150+143
Accuracy= x 100 % maka nilai Accuracy=91.6 %
150+143+10+17
yang sehat hanya terdeteksi 142 buah apel yang sehat sedangkan 18
diantaranya salah dideteksi menjadi apel yang sakit, kemudian dari 160 data
buah apel yang sakit hanya 154 yang terdeteksi sebagai apel yang sakit
sedangkan 6 dianggap sebagai apel yang sehat. Maka nilai dari True Positive
(TP) adalah 154, True Negative (TN) adalah 142, False Positive (FP) adalah
47
18, dan False Negative (FN) adalah 6. Maka nilai akurasi dari percobaan
154+142
Accuracy= x 100 % makanilai Accuracy=92.5 %
154+142+6+18
yang sehat hanya terdeteksi 144 buah apel yang sehat sedangkan 16
diantaranya salah dideteksi menjadi apel yang sakit, kemudian dari 160 data
buah apel yang sakit hanya 151 yang terdeteksi sebagai apel yang sakit
sedangkan 9 dianggap sebagai apel yang sehat. Maka nilai dari True Positive
(TP) adalah 151, True Negative (TN) adalah 144, False Positive (FP) adalah
16, dan False Negative (FN) adalah 9. Maka nilai akurasi dari percobaan
151+144
Accuracy= x 100 % makanilai Accuracy=92.2 %
151+ 144+9+16
48
Gambar 5. 5 Hasil Percobaan Kelima
Berdasarkan gambar 5.5 dijelaskan bahwa dari total 160 data buah apel
yang sehat hanya terdeteksi 142 buah apel yang sehat sedangkan 18
diantaranya salah dideteksi menjadi apel yang sakit, kemudian dari 160 data
buah apel yang sakit hanya 152 yang terdeteksi sebagai apel yang sakit
sedangkan 8 dianggap sebagai apel yang sehat. Maka nilai dari True Positive
(TP) adalah 152, True Negative (TN) adalah 142, False Positive (FP) adalah
18, dan False Negative (FN) adalah 8. Maka nilai akurasi dari percobaan
152+142
Accuracy= x 100 % makanilai Accuracy =91.9 %
152+ 142+ 8+18
yang sehat hanya terdeteksi 138 buah apel yang sehat sedangkan 22
diantaranya salah dideteksi menjadi apel yang sakit, kemudian dari 160 data
49
buah apel yang sakit hanya 153 yang terdeteksi sebagai apel yang sakit
sedangkan 7 dianggap sebagai apel yang sehat. Maka nilai dari True Positive
(TP) adalah 153, True Negative (TN) adalah 138, False Positive (FP) adalah
22, dan False Negative (FN) adalah 7. Maka nilai akurasi dari percobaan
153+138
Accuracy= x 100 % maka nilai Accuracy=90.9 %
153+138+7+22
yang sehat hanya terdeteksi 140 buah apel yang sehat sedangkan 20
diantaranya salah dideteksi menjadi apel yang sakit, kemudian dari 160 data
buah apel yang sakit hanya 150 yang terdeteksi sebagai apel yang sakit
sedangkan 10 dianggap sebagai apel yang sehat. Maka nilai dari True Positive
(TP) adalah 150, True Negative (TN) adalah 140, False Positive (FP) adalah
20, dan False Negative (FN) adalah 10. Maka nilai akurasi dari percobaan
150+140
Accuracy= x 100 % maka nilai Accuracy=90.6 %
150+140+10+20
50
Gambar 5. 8 Hasil Percobaan Kedelapan
Berdasarkan gambar 5.8 dijelaskan bahwa dari total 160 data buah apel
yang sehat hanya terdeteksi 141 buah apel yang sehat sedangkan 19
diantaranya salah dideteksi menjadi apel yang sakit, kemudian dari 160 data
buah apel yang sakit hanya 147 yang terdeteksi sebagai apel yang sakit
sedangkan 13 dianggap sebagai apel yang sehat. Maka nilai dari True Positive
(TP) adalah 147, True Negative (TN) adalah 141, False Positive (FP) adalah
19, dan False Negative (FN) adalah 13. Maka nilai akurasi dari percobaan
147+141
Accuracy= x 100 % maka nilai Accuracy =90.0 %
147+141+13+19
yang sehat hanya terdeteksi 141 buah apel yang sehat sedangkan 19
diantaranya salah dideteksi menjadi apel yang sakit, kemudian dari 160 data
51
buah apel yang sakit hanya 148 yang terdeteksi sebagai apel yang sakit
sedangkan 12 dianggap sebagai apel yang sehat. Maka nilai dari True Positive
(TP) adalah 148, True Negative (TN) adalah 141, False Positive (FP) adalah
19, dan False Negative (FN) adalah 12. Maka nilai akurasi dari percobaan
148+141
Accuracy= x 100 % makanilai Accuracy=90.3 %
148+141+ 12+ 19
Berdasarkan gambar 5.10 dijelaskan bahwa dari total 160 data buah apel
yang sehat hanya terdeteksi 143 buah apel yang sehat sedangkan 17
diantaranya salah dideteksi menjadi apel yang sakit, kemudian dari 160 data
buah apel yang sakit hanya 155 yang terdeteksi sebagai apel yang sakit
sedangkan 5 dianggap sebagai apel yang sehat. Maka nilai dari True Positive
(TP) adalah 155, True Negative (TN) adalah 143, False Positive (FP) adalah
17, dan False Negative (FN) adalah 5. Maka nilai akurasi dari percobaan
155+143
Accuracy= x 100 % maka nilai Accuracy=93.1 %
155+143+5+17
52
5.3 Pengujian Model
model dalam mendeteksi citra buah apel yang sehat dan sakit. pengujian ini
menggunakan 5 citra buah apel yang diberi label nama ujino1 dan ujino4
sebagai apel sakit serta ujino2, ujino3, dan ujino5 sebagai apel sehat. 5 citra
ini diambil dengan cara berbeda-beda dimana citra ujino1 dan ujino2 dari data
sekumder yang diambil dari internet, lalu ujino4 dan ujino5 dari data primer
yang diambil sendiri dan ujino3 gambar apel yang dibuat sendiri
menggunakan tools paint. Hasil pengujian model dapat dilihat pada gambar
5.11
Berdasarkan hasil pengujian model diatas citra ujino1 dan ujino3 salah
Gambar 5. 11 Hasil Pengujian Model
dideteksi sedangkan
53
sedikit dan jarang dipakai sehingga hasil tidak terlalu maksimal. Dimana pada
yang dilakukan ini mendapatkan hasil yang baik dengan rata-rata akurasi
sebesar 91.4%. Dilakukan juga percobaan lebih dari 10 kali percobaan dan
hasil yang akurasi didapatkan tetap sama dimana range akurasi berkisar dari
buah apel model hanya berhasil mendeteksi citra ujino2, ujino4, dan ujino5
sedangkan citra ujino1 dan ujino3 salah dideteksi hal ini dikarenakan
kurangnya variansi dalam training set sehinnga saat diberikan citra yang yang
bebeda dan belum pernah ditraining oleh model, maka hasil deteksinya akan
kurang maksimal. Hal ini juga bisa terjadi karena datanya overfitting yaitu saat
model terlalu sering mendeteksi citra buah apel yang sehat, lalu saat diberikan
citra buah apel sakit untuk dideteksi model akan salah mendeteksi menjadi
54
BAB VI
PENUTUP
6.1 Kesimpulan
akurasi yang baik. Rata-rata akurasi yang didapatkan dari proses testing
55
menggunakan 160 citra buah apel sehat dan 160 citra buah apel sakit ini
6.2 Saran
menggunakan Orange.
DAFTAR PUSTAKA
Agustiani, S., Tajul Arifin, Y., Junaidi, A., Khotimatul Wildah, S., & Mustopa, A.
56
https://www.kaggle.com/vbookshelf/rice-leaf-
Cahya, F. N., Pebrianto, R., & M, T. A. (2021). Klasifikasi Buah Segar dan Busuk
62. https://doi.org/10.31294/ijcit.v6i1.10052
343. https://doi.org/10.26418/jp.v6i3.43268
57
Luthfiana Ratnawati, & Dwi Ratna Sulistyaningrum. (2019). Penerapan Random
Forest untuk Mengukur Tingkat Keparahan Penyakit pada Daun Apel. Jurnal
Neighbors, M. K., Wijaya, N., & Ridwan, A. (2019). Klasifikasi Jenis Buah Apel
https://doi.org/https://doi.org/10.33322/kilat.v11i1.1458
Prajatama, K., Nugroho, F. E., Sentosa, A. F., & Fauziah, S. (2019). Deteksi
58
Rabbani, R., Wahidah, I., & Santoso, I. H. (2021). Klasifikasi Data Deteksi Jatuh
Sujaini, H. (2019). Sistem Analisis Citra Alat Musik Tradisional dengan Metode
https://doi.org/10.21456/vol9iss2pp185-191
59