2023 - Pendeteksian Hama Tikus Menggunakan Kamera Secara Real Time Jilid

PENDETEKSIAN HAMA TIKUS MENGGUNAKAN KAMERA
SECARA REAL-TIME
Oleh
ARMAN
13020180215
PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS ILMU KOMPUTER
UNIVERSITAS MUSLIM INDONESAI
MAKASSAR
2023
PENDETEKSIAN HAMA TIKUS MENGGUNAKAN KAMERA
SECARA REAL-TIME
SKRIPSI
Diajukan untuk Memenuhui Sebagian Syarat Memperoleh
Gelar Sarjanan Ilmu Komputer (S,Kom) pada Fakultas
Ilmu Komputer Universitas Muslim Indonesia
Oleh
ARMAN
13020180215

UNIVERSITAS MUSLIM INDONESAI
MAKASSAR
2023
i
ii
YAYASAN WAKAF UMI
UNIVERSITAS MUSLIM INDONESIA
Jln. Urip Sumohardjo Km.05 Gedung Fakultas Ilmu Komputer Lt.I Kampus II UMI Tlp.(0411) 449775-453308-453818, Fax (0411) - 453009 Makassar 90231
website: fikom.umi.ac.id, email: fikom@umi.ac.id./s1.teknik.informatika@umi.ac.id
iii
iv
ABSTRAK
ARMAN. Pendeteksian Hama Tikus Mengguakan Kamera Secara Real-Time.

Dibimbing oleh ibu Siska Anraeni, S.Kom.M.T.,MCF. Dan bapak Herman
S.Kom.,M.Cs.,MTA.
Pertanian padi di Kabupaten Sidenreng Rappang, khususnya di Kecamatan

Baranti, Desa Sipodeceng, sering mengalami kerugian akibat serangan hama
tikus. Serangan ini berdampak negatif pada hasil produksi padi, menyebabkan
kehilangan tanaman yang telah ditanam dengan susah payah, merusak
infrastruktur pertanian, dan menimbulkan biaya tambahan untuk mengendalikan
hama. Untuk mengatasi masalah ini, penelitian ini menerapkan pendekatan
pendeteksian yang lebih canggih dengan menggunakan kamera dan analisis citra.
Teknologi kamera dengan algoritma Haar Cascade Classifier memungkinkan
mengdeteksi ciri-ciri khas tikus, membedakan tikus dari objek lain yang tidak
relevan, dan meningkatkan akurasi deteksi hama tikus. Selama uji coba sistem,
hasil menunjukkan tingkat akurasi sebesar 89% dalam membedakan objek tikus
dan bukan tikus. Sistem pendeteksian hama tikus ini telah berhasil
diimplementasikan dan disimulasikan dengan menggunakan objek tikus secara
real-time, serta dilengkapi dengan fitur penyimpanan gambar tikus yang terdeteksi
dalam sebuah database. Suara alarm yang aktif saat hama tikus terdeteksi
memberikan peringatan yang jelas dan segera diperhatikan oleh petani.
Kata Kunci : pendeteksian hama tikus, kamera, real-time, algoritma Haar

Cascade, akurasi deteksi.
v
ABSTRACT
ARMAN. Real-Time Rat Pest Detection Using Cameras. Supervised by Ms. Siska
Anraeni, S.Kom.M.T.,MCF and Mr. Herman S.Kom.,M.Cs.,MTA.
In the district of Sidenreng Rappang, particularly in the sub-district of Baranti,

village of Sipodeceng, rice farming often suffers losses due to rat infestations.
These attacks have a negative impact on rice production, resulting in the loss of
painstakingly cultivated crops, damaging agricultural infrastructure, and incurring
additional costs to control the pests. To address this issue, this research applies a
more advanced detection approach using cameras and image analysis. The camera
technology, along with the Haar Cascade Classifier algorithm, allows for the
identification of distinct rat features, distinguishing rats from irrelevant objects,
and improving the accuracy of rat pest detection. During the system's trial, the
results showed an accuracy level of 89% in differentiating rat objects from non-rat
objects. This rat pest detection system has been successfully implemented and
simulated using real-time rat objects, and it comes equipped with a feature to store
images of detected rats in a database. An active alarm sound alerts farmers
immediately upon detecting rat pests, providing clear and timely warnings to the
farmers.
Keywords: rat pest detection, camera, real-time, Haar Cascade algorithm,

detection accuracy.
vi
KATA PENGANTAR
Bismillahir rohmaani rohiim.

Assalamu’alaikum Warahmatullahi Wabarakatuh.
Puji syukur penulis panjatkan kehadirat Allah Subhanahu wa ta’ala atas
segala rahmat dan karunia-Nya sehingga penulis dapat menyelesaikan proposal ini
dengan judul “Pendeteksi Hama Tikus Menggunakan Kemera secara Real Time”
sebagai syarat untuk mencapai jenjang Sarjana Komputer (S1) pada Program
Studi Teknik Informatika Fakultas Ilmu Komputer Universitas Muslim Indonesia.
Salawat serta salam semoga tercurahkan kepada tauladan dan junjungan kita
Rasulullah Nabi Muhammad Shallallahu’alaihi Wassalam, beserta keluarga,
sahabat, dan orang-orang yang senantiasa Istiqamah mengikuti jalan dakwahnya
hingga akhir zaman.
Proposal ini dapat penulis selesaikan dengan bantuan berbagai pihak, sehingga
penulis mengucapkan terima kasih yang sebesar-besarnya kepada:
1. Kedua orangtua yakni Saini dan Naseri yang senantiasa tanpa hentinya
mendoakan, memberikan semangat dan tidak lepas juga pengorbanannya dari
segi apapun sehingga penulis dapat menempuh titik ini.
2. Prof. Dr. H. Basri Modding, SE., M. Si. selaku Rektor Universitas Muslim
Indonesia beserta para Wakil Rektor.
3. Ir. Purnawansyah, M. Kom. selaku Dekan Fakultas Ilmu Komputer
Universitas Muslim Indonesia beserta para Wakil Dekan.
4. Tasrif Hasanuddin S.T., M. Cs. selaku Ketua Program Studi Teknik
Informatika Fakultas Ilmu Komputer Universitas MuslimIndonesia.
5. Siska Anraeni, S. Kom., M.T. selaku dosen pembimbing utama dan Herman,
S.Kom., M.Cs., MTA. selaku dosen pembimbing pendamping.
6. Seluruh dosen dan staf Fakultas Ilmu Komputer Universitas Muslim Indonesia
khususnya Program Studi Teknik Informatika.
7. Seluruh kelompok tani desa Sipodeceng kecamatan Baranti kabupaten
Sidenreng Rappang
vii
Serta semua pihak yang tak dapat penulis sebutkan satu per satu. Semoga
Allah SWT. selalu membalas kebaikan yang telah diberikan kepada penulis.
Penulis menyadari bahwa dalam proposal ini masih banyak kekurangan dan masih
jauh dari kesempurnaan. Oleh karena itu, penulis mengharapkan kritik dan saran
yang membangun untuk kesempurnaan proposal ini. Akhir kata semoga skripsi ini
dapat bermanfaat bagi masyarakat dan mahasiswa Universitas Muslim Indonesia
Makassar.
Wassalamu’alaikum Warahmatullahi Wabarakatuh.
Makassar, 13 Juni 2022
ARMAN
13020180215
viii
DAFTAR ISI
SAMPUL.........................................................................................................i
LEMBAR PEGESAHAN...............................................................................ii
HALAMAN PERSETUJUAN PENGUJI.....................................................iii
PERYATAAN KEASLIAN SKIRPSI..........................................................iv
ABSTRAK......................................................................................................v
ABSTRACT..................................................................................................vi
KATA PENGANTAR..................................................................................vii
DAFTAR ISI.................................................................................................ix
DAFTAR TABEL..........................................................................................x
DAFTAR GAMBAR ....................................................................................xi
BAB I. PENDAHULUAN............................................................................1
A. Latar Belakangan Masalah.................................................................1
B. Rumus Masalah..................................................................................2
C. Tujuan Penelitian................................................................................2
D. Batasan Masalah.................................................................................2
E. Manfaat Penelitian..............................................................................3
BAB II. LANDASAN TEORI.......................................................................4
A. Tinjauan Pustaka.................................................................................4
B. Kerangka Pemikiran.........................................................................11
BAB III. METODOLOGI PENELITIAN....................................................12
A. Tahapan Penelitian............................................................................12
B. Desain Penelitian..............................................................................13
C. Metode Penelitian.............................................................................19
D. Definisi Operasional Variabel..........................................................22
E. Hipotesis...........................................................................................22
BAB IV. HASIL PENELITIAN DAN PEMBAHASAN.............................23
A. Hasil Penelitian.................................................................................23
B. Pembahasan......................................................................................28
BAB V. PENUTUP......................................................................................37
A. Kesimpulan.......................................................................................37
B. Saran.................................................................................................37
DAFTAR PUSTAKA...................................................................................38
ix
DAFTAR GAMBAR
Gambar 1. Haar Like Feature.......................................................................8

Gambar 2. Cascade Classifier.......................................................................8
Gambar 3. Confusion Matrix for Binary Classification and the
Corresponding Array Representation used in this Study.............................10
Gambar 4. Rumus Metrics Evaluations.......................................................10
Gambar 5. Flowchart Penelitian..................................................................12
Gambar 6. Flowchart Deteksi Objek...........................................................15
Gambar 7. Flowchart Cascade Clasifier......................................................16
Gambar 8. Flowchart Menyimpan Gambar.................................................17
Gambar 9. Flowchart Sistem.......................................................................18
Gambar 10. Tampilan Home.......................................................................19
Gambar 11. Hasil Pengujian Deteksi Objek................................................23
Gambar 12. Hasil Pengujian Terhadap Jarak..............................................24
Gambar 13. Hasil Pengujian Terhadap Cahaya...........................................25
Gambar 14. Tampilan Home.......................................................................26
Gambar 15. Tampilan Mulai Deteksi..........................................................26
Gambar 16. Tampilan Stop Deteksi.............................................................27
Gambar 17. Tampilan Lihat Hasil...............................................................27
Gambar 18. Hasil Pengujian Yang Tersimpan di Database........................28
x
DAFTAR TABEL
Tabel 1. Pengujian Deteksi Objek................................................................21

Tabel 2. Pangujian Jarak(cm).......................................................................22
Tabel 3. Pengujian Insentitas Cahaya...........................................................22
Tabel 4. Pengujian Aplikasi..........................................................................22
Tabel 5. Hasil Pengujian Deteksi Objek.......................................................24
Tabel 6. Hasil Pengujian Terhadap Jarak.....................................................24
Tabel 7. Hasil Pengujian Terhadap Cahaya..................................................25
Tabel 8. Hasil Ujicoba Deteksi Objek .........................................................29
Tabel 9. Matrix Evaluasi Deteksi Tikus......................................................29
Tabel 10. Hasil Keakuratan Terhadap Jarak.................................................30
Tabel 11. Matrix Evaluasi Terhadap Jarak 11-25 cm...................................30
Tabel 14. Matrix Evaluasi Terhadap Jarak 76-100 cm.................................32
Tabel 15. Matrix Evaluasi Terhadap Jarak 101-200 cm...............................32
Tabel 16. Hasil Keakuratan Terhadap Cahaya.............................................33
Tabel 17. Matrix Evaluasi Terhadap Konidisi Cahaya Terang....................33
Tabel 18. Matrix Evaluasi Terhadap Konidisi Cahaya Sedang....................34
Tabel 19. Matrix Evaluasi Terhadap Konidisi Cahaya Redup....................34
Tabel 20. Matrix Evaluasi Terhadap Konidisi Cahaya Gelab......................35
Tabel 21. Perbadingan Dengan Penelitian Sebelumnya ..............................36
xi
BAB I. PENDAHULUAN
A. Latar Belakang Masalah

Budidaya tanaman padi merupakan hal yang sangat penting untuk
menjamin ketahanan pangan masyarakat Indonesia. Padi sebagai sumber
pangan pokok bagi masyarakat memainkan peran yang krusial dalam
memenuhi kebutuhan akan beras. Namun, dalam upaya menjaga produktivitas
dan kualitas hasil pertanian padi, petani dihadapkan pada berbagai tantangan,
salah satunya adalah serangan hama yang dapat mengurangi produksi padi
secara signifikan [1].
Serangan hama pada tanaman padi dapat menyebabkan kerugian ekonomi
dan mengancam ketahanan pangan. Hama tikus menjadi salah satu ancaman
utama yang sering merusak tanaman padi dengan menggerogoti batang, daun,
dan bahkan hasil panen secara keseluruhan. Ketika serangan hama tidak
dikendalikan secara efektif, hal ini dapat menyebabkan kegagalan panen dan
penurunan hasil produksi padi, serta para petani akan mengalami kerugian[2].
Di Kabupaten Sidenreng Rappang, terutama di Kecamatan Baranti, Desa
Sipodeceng, petani padi sering mengalami kerugian akibat serangan hama
tikus. Serangan ini dapat merusak tanaman padi sejak tahap penanaman
hingga panen. Kerugian yang akan dialami petani mencakup beberapa aspek
yang merugikan, seperti penurunan hasil produksi padi, kehilangan tanaman
yang telah ditanam dengan susah payah, kerusakan pada infrastruktur
pertanian, dan biaya tambahan yang harus dikeluarkan untuk mengendalikan
serangan hama tikus. Pada beberapa waktu tertentu, serangan hama tikus dapat
menyebar dengan cepat dan meluas, termasuk di Kabupaten Sidenreng
Rappang, yang merupakan salah satu daerah di Sulawesi Selatan yang
memiliki kontribusi besar dalam produksi beras. Serangan hama tikus di
Kabupaten Sidenreng Rappang dapat menyebabkan kerugian yang besar bagi
petani dan masyarakat di sekitarnya. Oleh karena itu, langkah-langkah
pencegahan dan pengendalian serangan hama tikus menjadi sangat penting
untuk menjaga produktivitas dan mengurangi tingkat kerugian petani di
wilayah tersebut.
Beberapa upaya dari penelitian sebelumnya telah dilakukan untuk
mendeteksi keberadaan hama tikus dalam budidaya padi, salah satunya
menggunakan alat pendeteksi berbasis sensor PIR (Passive Infrared). Namun,
penggunaan alat pendeteksi ini masih belum efektif dalam mendeteksi
keberadaan tikus secara akurat. Hal ini dikarenakan alat pendeteksi tersebut
hanya fokus pada deteksi gerakan objek yang mempunyai suhu panas,
sehingga segala gerakan akan terdeteksi sebagai tikus dan tidak mampu
mendeteksi tikus dengan baik. Akibatnya, serangan hama tikus masih sulit
1
terdeteksi secara dini, sehingga langkah-langkah pengendalian tidak dapat
dilakukan secara tepat.[3]
Oleh karena itu, diperlukan pendekatan pendeteksian yang lebih canggih
dan akurat untuk mengatasi masalah ini. Penggunaan kamera dan analisis citra
merupakan solusi yang menjanjikan dalam mendeteksi hama tikus secara real-
time. Teknologi ini memungkinkan pengambilan gambar area pertanian padi
secara kontinu dan kemudian dilakukan analisis citra untuk mengenali
keberadaan tikus dengan lebih tepat. Dengan menggunakan teknologi kamera,
Salah satu metode yang dapat digunkana dalam mendeteksi objek yaitu
penggunaan algoritma Haar Cascade Clasiffier, sistem pendeteksian hama
tikus dapat memanfaatkan algoritma ini untuk mengdeteksi ciri-ciri khas tikus,
seperti ukuran tubuh, dan bentuk. Dengan demikian, sistem dapat
membedakan tikus dari objek lain yang tidak relevan, mengurangi kesalahan
positif, dan meningkatkan akurasi dalam mendeteksi serangan hama tikus[4].
Pengembangan sistem pendeteksian hama tikus menggunakan kamera
secara real-time dalam budidaya tanaman padi diharapkan dapat memberikan
manfaat yang signifikan bagi petani. Dengan sistem ini, petani akan
mendapatkan informasi yang lebih akurat dan tepat waktu mengenai
keberadaan hama tikus di lapangan. Hal ini memungkinkan petani untuk
segera mengambil tindakan pengendalian yang diperlukan, seperti penggunaan
output suara ultrasonik, perangkap tikus, kejutan listrik, dan metode lainnya.
Dengan adanya sistem pendeteksian ini, diharapkan kerugian yang dialami
petani akibat serangan hama tikus dapat diminimalisir, produktivitas pertanian
padi dapat ditingkatkan, dan ketersediaan beras bagi masyarakat dapat terjaga
dengan baik.
Dalam skripsi ini, kami bertujuan untuk mengembangkan sistem
pendeteksian hama tikus menggunakan kamera secara real-time pada
budidaya tanaman padi. Metode ini diharapkan dapat memberikan solusi yang
lebih efektif dan akurat dalam mendeteksi hama tikus. Selain itu, penggunaan
teknologi canggih dalam pengendalian hama tikus juga dapat memberikan
efisiensi waktu dan sumber daya yang lebih baik bagi petani, serta mengurangi
penggunaan pestisida yang berpotensi merusak lingkungan.
B. Rumusan Masalah
Berdasarkan latar belakang diatas maka rumus masalahnya adalah
bagaimana merancang dan mengembangkan sistem pendeteksian hama tikus
menggunakan kamera secara real-time.
C. Tujuan Penelitian
Adapun tujuan yang ingin dicapai yaitu merancang dan mengembangkan
sistem pendeteksian hama tikus menggunakan kamera secara real-time.
2
D. Batasan Masalah
Adapun Batasan-batasan masalah dalam penelitian ini adalah sebagai
berikut:
1. Fokus pada hama tikus
2. Pendeteksian menggunakan kamera
3. Pendeteksian Secara real-time
4. Menggunakan metode algoritma Haar Cascade Clasiffier
5. Bahasa pemrograman yang digunakan yaitu Bahasa Python
6. Software yang digunakan Visual Studio Code (VSC)
7. Software yang digunakan untuk traing model yaitu Cascade Training GUI.
E. Manfaat Penelitian
Setiap hasil penelitian pada prinsipnya harus berguna sebagai penunjuk
praktek pengambilan keputusan dalam artian yang cukup jelas, baik bagi
perkembangan ilmu pengetahuan dan manfaat bagi peneliti sendiri. Manfaat
dari penelitian ini dapat diuraikan sebagai berikut yaitu:
1. Petani
Manfaat yang didapatkan bagi petani khususnya petani padi yaitu
dapat mengetaui cara mendeteksi hama tikus menggunakan kamera secara
real time.
2. Penulis
Penelitian yang didapatkan penulis yaitu menambah pengetahuan
dalam menganalisis suatu permasalahan yang ada di sekitar, menambah
ilmu dan mendapatkan pengalaman yang baru.
3. Akademik
Manfaat untuk dunia akademik yaitu sebagai referensi bagi peneliti
selanjutnya yang akan melakukan penelitian yang berkaitan dengan
penelitian ini.
3
BAB II. LANDASAN TEORI
A. Tinjauan Pustaka
1. Penelitian Terkait
Pada tahun 2019, telah dilakukan penelitian tentang pendeteksian hama
burung dan tikus menggunakan Sensor PIR. Penelitian ini menggunakan
sensor PIR sebagai alat pendeteksi hama burung dan tikus, dengan hasil
mencatat waktu delay terbesar sebesar 9,09 ms dan waktu delay terkecil
sebesar 3,22 ms[5]. Tahun yang sama, sebuah alat pendeteksi dan pengusir
tikus pada pembibitan kelapa sawit dikembangkan menggunakan Arduino
Uno. Alat ini terdiri dari sensor PIR, Arduino Uno, dan modul GSM
SIM900A, serta mampu efektif mendeteksi dan mengusir tikus dengan
menggunakan suara ultrasonic sebagai output[6].
Pada tahun 2020, pengembangan alat pengusir tikus menggunakan Sensor
PIR berbasis Arduino Uno dengan metode Waferfall dilakukan. Alat ini dapat
mendeteksi suhu panas yang terdapat pada tikus dan merespons dengan
menggerakkan motor servo, sehingga tikus menjadi ketakutan dan pergi[7].
Tahun 2021, fokus penelitian adalah perangkap tikus otomatis yang
menggunakan Sensor Inframerah Berbasis Wemos D1 Mini. Alat ini
menggunakan sensor inframerah untuk mendeteksi kedatangan tikus dan
memicu perangkap dengan memanfaatkan umpan sebagai daya tarik[8].
Selanjutnya, pada tahun yang sama, penelitian mengenai pengendali hama
tikus dan belalang menggunakan Gelombang Ultrasonik Bertenaga Surya dan
IoT dilakukan. Penelitian ini memanfaatkan VR3 sebagai pendeteksi suara
tikus dan mencatat hasil pengujian dengan akurasi deteksi suara tikus sebesar
47,6%[9]. Terakhir, pada tahun 2022, pengendalian hama pada pertanian dan
perkebunan menggunakan Sensor Gerak PIR dikaji. Alat ini menggunakan
Sensor Gerak PIR yang terbukti efektif dan mudah dalam mendeteksi
hama[10].
Maka dari itu penelitian kedepanya akan berfokus ke pendeteksian hama
tikus menggunakan kamera secara real-time sehingga dapat mendeteksi hama
tikus dengan akurat dan dapat diterapkan di area pertanian maupun gudang
penyimpanan hasil panen.
4
2. Landasan Teori
Penelitian ini juga terdapat beberapa landasan – landasan teori
yang digunakan serta dijadikan sebagai acuan dalam penelitian ini
diantaranya :
2.1 Pendeteksian Objek
Pendeteksian objek merupakan teknik penting dalam visualisasi
komputer yang memungkinkan kita untuk mendapatkan informasi
semantik yang relevan dari data gambar dan video. Teknik ini memiliki
berbagai aplikasi, termasuk klasifikasi gambar.
Sejarah pendeteksian objek bermula pada tahun 1942 ketika Walter
Bruch, seorang insinyur asal Jerman, mengembangkan perangkat kamera
dan televisi yang menghasilkan inovasi baru. Pertama kalinya, teknologi
CCTV (Closed Circuit Television) digunakan. CCTV adalah sistem
telepon tertutup yang memungkinkan pengawasan visual dalam area
tertentu.[11].
Pengolahan citra memiliki implementasi praktis dalam kehidupan
sehari-hari, salah satunya adalah pada pendeteksian objek. Tujuan dari
pendeteksian objek adalah untuk melacak posisi objek yang bergerak
dalam urutan gambar atau video. Dengan menggunakan pendeteksian
objek, kita dapat memprediksi dan menentukan lokasi objek pada setiap
frame gambar. Pendekatan ini sangat bermanfaat dalam mengdeteksi
perpindahan dan gerakan objek.[11]
Pemanfaatan teknologi Computer Vision dan Image Processing
dalam pendeteksian objek memberikan kemudahan bagi manusia,
terutama dalam aplikasi keamanan. Salah satu metode yang dapat
digunakan dalam pelacakan objek adalah metode Background
Subtraction. Metode ini memungkinkan deteksi perubahan pada latar
belakang dengan mengubah gambar menjadi citra biner dan
menyesuaikan tingkat sensitivitas perubahan piksel pada latar belakang.
[12]
2.2 Pengolahan Citra
Pengolahan citra adalah suatu proses di mana citra dimanipulasi
dan dianalisis menggunakan bantuan komputer. Deteksi tepi adalah salah
satu teknik dalam pengolahan citra yang digunakan untuk menentukan
titik-titik tepi pada objek. Data yang digunakan dalam deteksi tepi adalah
citra digital. Citra dalam konteks matematis dapat dianggap sebagai
fungsi berkelanjutan dari intensitas cahaya pada bidang dua dimensi,
yaitu f(x, y), di mana x dan y adalah koordinat spasial, dan f adalah
amplitudo atau derajat keabuan citra pada titik koordinat (x, y).
Parameter yang digunakan dalam deteksi tepi bisa berupa visual atau
jumlah piksel warna putih pada citra hasil keluaran.
5
Saat ini, teknologi pengolahan citra telah banyak digunakan untuk
mempermudah manusia dalam menyelesaikan berbagai masalah,
terutama dalam bidang deteksi. Deteksi merupakan proses penting dalam
mengenali dan membedakan ciri khas suatu objek. Salah satu contohnya
adalah sistem pengenalan diri (self-recognition) yang menggunakan
teknik deteksi biometrik.[13].
Untuk mengenali suatu citra, komputer membutuhkan data fisik
seperti bentuk citra, serta data tambahan seperti tekstur dan warna.
Dalam hal ini, jaringan saraf tiruan merupakan salah satu metode yang
dapat digunakan untuk pengenalan citra. Dengan menggabungkan teknik
pengolahan citra, deteksi tepi, deteksi biometrik, dan penggunaan
jaringan saraf tiruan, kita dapat mengembangkan sistem yang mampu
mengenali dan memproses citra dengan lebih efektif dan akurat.[13].
2.3 Pengenalan Pola
Objek dapat ditemukan di berbagai media, termasuk dalam bentuk
teks, citra digital, audio, dan film. Pada citra digital, objek dapat berupa
bentuk geometri, benda-benda sederhana atau kompleks, teks, tanda
tangan, wajah, dan lain-lain. Untuk dapat mengenali objek dalam
komputer, terutama pada citra digital, diperlukan suatu sistem
pengenalan pola. Pengenalan pola adalah sistem yang bertujuan untuk
menentukan kelompok atau kategori suatu objek berdasarkan ciri-ciri
yang dimilikinya.[14].
Proses ekstraksi fitur merupakan tahap yang penting dalam
pengenalan pola. Tujuan dari proses ini adalah untuk membentuk fitur
atau ciri-ciri dari suatu objek. Fitur-fitur ini dapat mencakup berbagai
aspek seperti bentuk, tekstur, warna, atau pola yang terdapat dalam objek
tersebut. Proses ekstraksi fitur dilakukan untuk menghasilkan
representasi numerik yang dapat digunakan dalam proses pengenalan
pola. Selanjutnya, untuk mengenali pola atau mengelompokkan objek
tertentu, dilakukan proses pencocokan antara objek tersebut dengan
objek-objek yang memiliki ciri-ciri yang telah dibentuk oleh sistem.
Pencocokan ini melibatkan perbandingan dan pengukuran kesamaan atau
perbedaan antara fitur-fitur objek yang sedang dianalisis dengan fitur-
fitur yang ada dalam basis data atau model yang telah dihasilkan.[14].
Dengan menggunakan sistem pengenalan pola, ekstraksi fitur, dan
proses pencocokan, kita dapat mengenali dan mengelompokkan objek
dalam citra digital dengan lebih efektif dan efisien. Ini memiliki banyak
aplikasi dalam berbagai bidang, seperti pengenalan wajah, deteksi pola
dalam citra medis, atau klasifikasi objek dalam pengolahan citra.Objek
dapat ditemui dimana saja, termasuk komputer yang berupa teks, citra
digital, audio maupun film. Suatu objek pada citra digital dapat berupa
6
bentuk geometri, bentuk benda-benda sederhana maupun kompleks,
teks, tanda tangan, wajah dan lain-lain. [14].
2.4 Algoritma Komputer Vision

Penglihatan manusia memiliki kemampuan luar biasa dalam
mengenali orang dan objek, navigasi, mengenali mood dalam suatu
adegan, dan membayangkan cerita. Namun, untuk menggambarkan
kemampuan serupa dalam komputer, diperlukan sensor yang berfungsi
seperti mata manusia dan program komputer sebagai pemroses data dari
sensor tersebut. Bidang ilmu yang mempelajari hal ini disebut computer
vision. Computer vision menggunakan teknik pengolahan citra untuk
membuat keputusan berdasarkan citra yang diperoleh dari sensor. Tujuan
utama computer vision adalah mengembangkan sistem yang dapat
melihat dan memahami informasi visual seperti manusia. Kerangka kerja
umum dalam computer vision meliputi beberapa tahap, antara lain:
- Akuisisi citra (image acquisition): Tahap ini melibatkan pengambilan
citra menggunakan sensor seperti kamera atau alat lainnya. Sensor
tersebut mengumpulkan data visual yang akan diproses lebih lanjut.
- Pra pemrosesan (pre-processing): Pada tahap ini, citra yang telah
diakuisisi diolah untuk menghilangkan derau atau gangguan lainnya.
Pra pemrosesan melibatkan operasi seperti pembersihan citra,
pengurangan noise, dan peningkatan kontras.
- Ekstraksi fitur (feature extraction): Tahap ini melibatkan deteksi fitur-
fitur penting dalam citra yang dapat digunakan untuk menggambarkan
objek atau pola yang sedang diamati. Contohnya adalah
mengekstraksi tepi objek, tekstur, atau bentuk geometri.
- Deteksi/segmentasi: Pada tahap ini, objek-objek dalam citra dideteksi
dan diisolasi dari latar belakang atau objek lainnya. Tujuannya adalah
untuk memisahkan objek yang ingin dideteksi atau dianalisis.
- Pemrosesan tingkat tinggi: Tahap ini melibatkan analisis lebih lanjut
terhadap objek atau pola yang telah dideteksi. Misalnya, pengenalan
wajah, analisis gerakan, atau klasifikasi objek berdasarkan kriteria
tertentu.
- Pengambilan keputusan: Pada tahap akhir, berdasarkan hasil analisis
dan pengolahan sebelumnya, komputer mengambil keputusan atau
menghasilkan output yang diinginkan, seperti klasifikasi objek,
estimasi posisi, atau pengenalan aktivitas.
Dengan memahami kerangka kerja ini, computer vision dapat
memungkinkan komputer untuk "melihat" dan memahami informasi
visual seperti manusia. Hal ini memiliki banyak aplikasi, termasuk
pengenalan objek, pengolahan gambar dan video, augmented reality,
robotika, dan banyak lagi.[12]
7
2.5 Bahasa Pemrograman Python
Python adalah bahasa pemrograman yang populer dan banyak
digunakan dalam pengembangan aplikasi desktop, web, dan mobile.
Diciptakan oleh Guido van Rossum, Python memiliki sintaksis yang
sederhana, ringkas, dan intuitif. Kepopuleran Python juga didukung oleh
pustaka-pustaka yang luas, sehingga memudahkan pengembang dalam
membangun berbagai fitur dan fungsi. Banyak mahasiswa di bidang IT
mempelajari Python untuk menyelesaikan tugas kuliah, tugas akhir, dan
penelitian. Penting bagi mereka untuk memahami algoritma, karena
program komputer pada dasarnya adalah implementasi dari algoritma.
Dengan pemahaman algoritma, pengguna Python dapat merancang
solusi yang efisien dan efektif dalam pemrograman. Python menyediakan
berbagai alat dan pustaka yang mendukung implementasi algoritma dalam
kode program. Hal ini memungkinkan pengembang fokus pada pemecahan
masalah dan pengembangan aplikasi yang berkualitas. Kombinasi antara
kemudahan Python, pustaka yang kaya, dan pemahaman tentang algoritma
menjadikan Python sebagai bahasa pemrograman yang diminati dan
dipelajari oleh banyak mahasiswa dan pengembang di berbagai bidang.
[15]
2.6 Metode Haar Cascade Classifier
2.6.1 Haar Like Feature
Haar Feature adalah gelombang tunggal bujur sangkar (satu
interval tinggi dan satu interval rendah). Untuk dua dimensi, satu
terang dan satu gelap. Selanjutnya kombinasi-kombinasi kotak
yang digunakan untuk pendeteksian objek visual yang lebih baik.
Setiap Haar-like feature terdiri dari gabungan kotak-kotak hitam
dan putih[16].
Gambar 1. Haar Like Feature
8
2.6.2 Training Data Pada Haar
Metode Haar memerlukan 2 tipe gambar objek dalam
proses training yang dilakukan, yaitu :
- Positive samples
Berisi citra obyek yang ingin dideteksi. Apabila ingin
mendeteksi pisau maka positive samples ini berisi gambar
pisau.
- Negative samples
Berisi citra selain obyek yang ingin dikenali. Negative samples
umumnya berupa gambar background seperti tembok,
pemandangan, dan lain-lain. Resolusi untuk sampel
negatifdisarankan untuk memiliki resolusi yang sama dengan
resolusi kamera.
Training dari metode Haar menggunakan dua tipe sampel
diatas. Informasi dari hasil training ini lalu dikonversi menjadi
sebuah parameter model statistik.[17].
2.6.3 Cascade Classifier
Cascade classifier adalah sebuah rantai stage classifier,
dimana setiap stage classifier digunakan untuk mendeteksi apakah
di dalam image sub window terdapat obyek yang ingin dideteksi
(object of interest)[17].
Gambar 2. Cascade Classifier

2.7 Cascade Training GUI
Cascade Training GUI adalah sebuah program yang dirancang
untuk melatih, menguji, dan meningkatkan model klasifikasi cascade,
terutama dalam konteks penggunaan algoritma Cascade Haar untuk
deteksi objek dalam gambar atau video. Program ini menyediakan
antarmuka grafis (GUI) yang mempermudah pengguna dalam mengatur
parameter dan menggunakan alat-alat OpenCV untuk melakukan pelatihan
dan pengujian klasifikasi haar cascade.
2.8 Visual Studio Code (VCS)
Istilah code editor mungkin terdengar tidak asing bagi kamu yang
bergelut di bidang IT khususnya application developer. Sayangnya,
kebanyakan code editor minim fitur sehingga membutuhkan beberapa
aplikasi tambahan. Nah, jika kamu mencari editor berfitur lengkap serta
9
mendukung banyak bahasa pemrograman, Visual Studio Code adalah
solusinya. Visual Studio Code adalah aplikasi code editor buatan
Microsoft yang dapat dijalankan di semua perangkat desktop secara
gratis. Kelengkapan fitur dan ekstensi membuat code editor ini menjadi
pilihan utama para pengembang. Visual Studio Code bahkan mendukung
hampir semua sistem operasi seperti Windows, Mac OS, Linux, dan lain
sebagainya[18].
2.9 Matriks evaluasi (evaluation metrics)
Metrik evaluasi adalah ukuran-ukuran yang digunakan untuk
mengukur performa atau kinerja sistem dalam tugas evaluasi atau
pengujian. Metrik-metrik ini memberikan pemahaman tentang seberapa
baik sistem atau model mampu melakukan tugas tertentu, seperti
klasifikasi, deteksi, pengenalan pola, dan lainnya. Pemilihan metrik
evaluasi yang sesuai tergantung pada tujuan dan karakteristik spesifik dari
masalah yang sedang dihadapi[19].
Dalam table dibawah ini adalah tabel 2x2 (untuk klasifikasi biner)
atau lebih besar (untuk klasifikasi multikelas) yang menggambarkan
performa sistem klasifikasi dengan membandingkan prediksi yang
dilakukan oleh sistem dengan kelas yang sebenarnya dari contoh data.
Matriks ini terdiri dari empat sel, yaitu True Positive (TP), True Negative
(TN), False Positive (FP), dan False Negative (FN)[19].
Gambar 3. Confusion Matrix for Binary Classification and the

Corresponding Array Representation used in this Study
tp = jumlah contoh positif yang secara benar diklasifikasikan sebagai

positif oleh system.
tn = jumlah contoh negatif yang secara benar diklasifikasikan sebagai
negatif oleh system.
fp = jumlah contoh negatif yang salah diklasifikasikan sebagai positif
oleh system.
fn = jumlah contoh positif yang salah diklasifikasikan sebagai negatif oleh
system.
Adapun Rumus untuk menghitung akurasi dan eror pada model

deteksi secara real time sebagai berikut
10
Gambar 4. Rumus Metrics Evaluations
B. Kerangka Pemikiran
11
BAB III. METODOLOGI PENELITIAN
12
A. Tahapan Penelitian
Adapun metode yang digunakan dalam penelitian ini adalah metode
prototyping dimana metode ini dimulai dari studi literatur sampai dengan
implementasi Sistem. Adapun alur penelitian dapat dilihat pada gambar
dibawah ini.
Tidak
Ya
Gambar 5. Flowchart Penelitian
1. Studi Literatur:
- Melakukan penelusuran literatur tentang sistem pendeteksian
hama tikus, metode pendeteksian, teknologi pengolahan citra,
penggunaan kamera, bahasa pemrograman Python, aplikasi
Visual Studio Code (VSC), serta integrasi suara alarm dan
pengambilan gambar.
- Memahami kelebihan dan kekurangan metode pendeteksian
yang telah dikembangkan sebelumnya.
- Mengdeteksi kendala dan tantangan yang perlu diatasi dalam
pengembangan sistem pendeteksian hama tikus menggunakan
kamera secara real-time.
2. Rumusan Masalah:
- Menentukan rumusan masalah berdasarkan hasil studi
13
literatur.
- Merumuskan pertanyaan penelitian yang akan dijawab dalam
penelitian ini.
3. Perancangan Sistem:
- Merancang sistem pendeteksian hama tikus menggunakan
- Menentukan alur kerja sistem, termasuk teknologi pengolahan
citra, dan integrasi suara alarm serta pengambilan gambar.
- Merencanakan penggunaan bahasa pemrograman Python dan
aplikasi Visual Studio Code (VSC) untuk implementasi
sistem.
4. Pengujian:
- Melakukan uji coba terhadap sistem yang telah
diimplementasikan.
- Mengumpulkan data pengujian untuk mengevaluasi kinerja
sistem dalam mendeteksi hama tikus.
5. Evaluasi:
- Menganalisis hasil uji coba dan data yang telah dikumpulkan.
- Mengevaluasi kinerja sistem pendeteksian hama tikus
menggunakan kamera secara real-time berdasarkan kriteria
yang telah ditetapkan.
6. Implementasi:
- Mengimplementasikan sistem pendeteksian hama tikus
menggunakan kamera secara real-time
7. Penyusunan Laporan:
- Menyusun laporan penelitian yang mencakup semua tahapan
penelitian, termasuk studi literatur, rumusan masalah,
perancangan sistem, implementasi, uji coba, evaluasi, serta
kesimpulan dan saran.
Flowchart penelitian di atas menggambarkan alur kerja dari
awal penelitian hingga penyusunan laporan, menunjukkan
tahapan-tahapan yang harus dilakukan dalam penelitian
pengembangan sistem pendeteksian hama tikus menggunakan
B. Desain Penelitian
Pengumpulan data melalui observasi, wawancara, dan dokumentasi
untuk memahami secara mendalam masalah yang dihadapi oleh petani.
Data yang terkumpul kemudian dianalisis secara kualitatif untuk
mengdeteksi pola dan tren yang ada.
Metode penelitian ini dipilih karena tujuannya adalah untuk
mendapatkan pemahaman yang lebih mendalam tentang masalah yang
14
dihadapi oleh petani dalam proses pertanian padi, serta menemukan solusi
yang tepat dan efektif. Dengan pendekatan studi kasus, penulis dapat
memperoleh informasi yang spesifik dan relevan mengenai masalah yang
dihadapi oleh petani, serta faktor-faktor yang mempengaruhi keberhasilan
pertanian padi.
Selain itu, penulis juga menggunakan teknik observasi langsung di
lapangan untuk melihat secara langsung proses pertanian padi dan
mengdeteksi permasalahan yang muncul. Wawancara dengan petani juga
dilakukan untuk mendapatkan sudut pandang mereka mengenai masalah
dan solusi yang sudah dicoba. Seluruh data yang terkumpul akan dianalisis
secara sistematis untuk menghasilkan temuan yang dapat menjadi dasar
dalam mengembangkan solusi yang efektif.
15
1. Flowchart Deteksi Objek.
No
Yes
Gambar 6. Flowchart Deteksi Objek.

Pada gambar 6 menggambarkan alur untuk deteksi objek. Proses
dimulai dengan pengambilan gambar menggunakan kamera. Gambar
tersebut kemudian dianalisis untuk mendeteksi objek yang ada di
dalamnya. Jika objek terdeteksi, sistem akan melakukan tindakan
yang telah ditentukan, seperti mengambil gambar, memainkan suara,
atau melakukan tindakan lainnya. Proses berakhir setelah tindakan
dilakukan atau jika tidak ada objek yang terdeteksi.
15
2. Flowchart Cascade Clasiffer
No
Yes
Gambar 7. Flowchart Cascade Classifier

Pada Flowchart Flowchart di atas menggambarkan alur proses
secara umum dalam pengenalan objek menggunakan metode OpenCV
dengan training Cascade Classifier. Proses dimulai dengan
mengumpulkan data latihan, pra-pemrosesan data latihan, melatih
Cascade Classifier, dan memuatnya. Kemudian, objek dideteksi
menggunakan Cascade Classifier, dan kotak ditandai di sekitar objek
yang terdeteksi. Akhirnya, hasil deteksi objek ditampilkan kepada
pengguna
16
3. Flowchart Menyimpan Gambar
Tidak
Ya
Tidak
Ya
Gambar 8. Flowchart Menyimpan Gambar
Flowchart di atas menggambarkan alur sistem untuk menyimpan

gambar tikus dan menampilkan kembali saat tombol "Hasil" ditekan.
Proses dimulai dengan pengambilan gambar dan dilanjutkan dengan
pendeteksian tikus. Jika tikus terdeteksi, gambar akan disimpan.
Pengguna dapat melihat daftar gambar yang telah disimpan, dan jika
tombol "Hasil" ditekan dan sistem akan menampilkan gambar.
17
4. Flowchat sistem.
Tidak
Ya
Gambar 9. Flowchart Sistem
Pertama-tama, pengguna menjalankan program deteksi objek pada

sistem. Setelah program berjalan, pengguna dapat memulai proses
deteksi dengan menekan tombol "Mulai Deteksi". Pada saat itu,
sistem akan melakukan deteksi hama tikus secara real-time , jika
sistem mendeteksi adanya objek tikus dalam gambar yang diambil
oleh kamera, suara alarm akan diaktifkan sebagai peringatan. Hal ini
memungkinkan pengguna untuk segera mengetahui keberadaan tikus
dalam area yang sedang dipantau. Selain itu, sistem juga menyediakan
fitur penyimpanan gambar tikus yang terdeteksi ke dalam database.
Hal ini memungkinkan pengguna untuk mengakses dan melihat
kembali gambar-gambar tersebut untuk keperluan dokumentasi atau
analisis lebih lanjut.Terakhir, pengguna dapat menghentikan proses
deteksi dengan mudah dengan menekan tombol "Stop". Tindakan ini
akan menghentikan deteksi tikus.
18
5. User interface
Gambar 10. Tampilan Home
Tampilan home aplikasi pada gambar menampilkan tiga tombol

utama: "Mulai Deteksi", "Stop Deteksi", dan "Lihat Hasil", serta
jendela monitoring untuk melihat proses sistem dalam mendeteksi
objek dan hasil deteksi yang telah dilakukan. Tombol "Mulai Deteksi"
digunakan untuk memulai deteksi objek, "Stop Deteksi" untuk
menghentikan deteksi, dan "Lihat Hasil" untuk melihat hasil deteksi.
Jendela monitoring memberikan tampilan real-time tentang proses
deteksi objek yang memudahkan pengguna dalam mengendalikan dan
melihat hasil deteksi dengan mudah.
C. Metode Penelitian
Adapun Metode penelitian ini adalah sebagai berikut:
1. Waktu dan Tempat Penelitian
Waktu yang digunkan untuk penelitian ini dilakukan sejak bulan
Februari 2022 dalam kurun waktu 6-7 bulan, pengumpulan data dan
pengolahan data yang meliputi penyajian dalam bentuk laporan dan
proses bimbingan berlangsung. Adapun tempat penelitian di area
persawahan milik bapak Saini yang beralamat di Jln. Beringin desa
Sipodeceng kecamatan Baranti kabupaten Sidenreng Rappang.
2. Teknik Pengumpulan Data
a. Observasi
Dilakukan pengamatan pada objek terkait guna untuk
mengumpulkan data yang diperlukan untuk membuat rancangan
sistem. Dalam hal ini observasi dilakukan di desa Sipodeceng
kecamatan Baranti kabupaten Sidenreng Rappang. Menunjau
secara langsung lokasi yang akan di rancang untuk Mendeteksi
Hama Tikus Menggunakan Kemera secara Real Time.
19
b. Wawancara
Teknik Pengumpulan data adalah melakukan wawancara
dengan petani desa untuk mendapat berbagai informasi dan analisa
yang akan nantiya dijadikan acuan dalam pembuatan rancangan
sistem. Dalam hal ini wawancara di lakukan di Desa Sipodeceng
Kecamatan Baranti Kabupaten Sidenreng Rappang
3. Teknik Analisis Data
Jenis penelitian yang digunakan adalah kuantitatif yaitu suatu
proses menemukan pengetahuan yang menggunakan data berupa
gambar angka sebagai alat menganalisis keterangan mengenai apa
yang ingin diketahui. karena menggunakan metode Prototyping dalam
Pendeteksi Hama Tikus Menggunakan Kemera secara Real Time.
Penelitian ini melibatkan penggunaan dataset yang terdiri dari 800
data positif yang menggambarkan tikus dalam berbagai posisi. Ukuran
gambar yang digunakan adalah 1000x1000 piksel. Selain itu, juga
digunakan 800 data negatif dengan ukuran gambar 1920x1080 piksel.
Dataset ini merupakan bagian dari pelatihan model deteksi tikus yang
diimplementasikan dalam sistem.
Tujuan dan fungsi data positif dan negatif dalam penelitian
pendeteksian hama tikus menggunakan kamera secara real-time adalah
sebagai berikut:
a. Data Positif
- Tujuan: Data positif adalah dataset yang berisi gambar-gambar
yang menggambarkan tikus dalam berbagai posisi dan kondisi
yang berbeda.
- Fungsi: Data positif digunakan sebagai contoh atau sampel dari
objek yang ingin dideteksi, yaitu tikus. Dataset ini akan menjadi
dasar untuk melatih model deteksi tikus menggunakan algoritma
Haar Cascade atau metode lainnya. Model yang terlatih akan
menggunakan informasi dari data positif untuk mengenali fitur-
fitur tikus yang relevan dalam gambar atau video.
b. Data Negatif
- Tujuan: Data negatif adalah dataset yang berisi gambar-gambar
yang tidak menggambarkan tikus atau tidak mengandung objek
yang ingin dideteksi (tikus).
- Fungsi: Data negatif digunakan sebagai contoh atau sampel dari
objek yang bukan merupakan tikus. Dataset ini membantu melatih
model deteksi untuk mengenali perbedaan antara tikus dan objek
lainnya. Model yang terlatih akan belajar untuk tidak
mengklasifikasikan objek-objek dari data negatif sebagai tikus.
20
4. Teknik Pengujian
Teknik Pengujian ini dilakukan manual dan diuji secara langsung.
Adapun untuk mengetaui tingkat akurasi deteksi menggunakan
metode matriks evaluasi. Adapun yang akan di uji diantaranya yaitu
pengujian deteksi objek, jarak uji(cm), pengujian cahaya dan
pengujian aplikasi. Adapun tabel pengujian sebagai berikut:
No Objek Hasil Deteksi Keterangan

1 Tikus 1 Terdeteksi/Tidak terdeteksi Objek Tikus/-
2 Tikus 2 Terdeteksi/Tidak terdeteksi Objek Tikus/-
3 Anak Ayam Terdeteksi/Tidak terdeteksi Objek Tikus/-
4 Kucing Terdeteksi/Tidak terdeteksi Objek Tikus/-
5 Batu Terdeteksi/Tidak terdeteksi Objek Tikus/-
6 Tanaman Terdeteksi/Tidak terdeteksi Objek Tikus/-
7 Tangan Manusia Terdeteksi/Tidak terdeteksi Objek Tikus/-
8 Anjing Terdeteksi/Tidak terdeteksi Objek Tikus/-
9 Gambar Tikus Terdeteksi/Tidak terdeteksi Objek Tikus/-
10 Gambar Bukan Tikus Terdeteksi/Tidak terdeteksi Objek Tikus/-
Tabel 1. Pengujian Deteksi Objek
No Jarak Uji(cm) Hasil Deteksi

1 10 Terdeteksi/Tidak terdeteksi
Tabel 2. Pengujian Jarak(cm)
Tabel 3. Pengujian Intensitas Cahaya

No Kondisi Cahaya Cahaya (Lux) Hasil Deteksi
1 Terang 151-10000 Terdeteksi/Tidak terdeteksi
2 Sedang 51-150 21 Terdeteksi/Tidak terdeteksi
3 Redup 5 – 50 Terdeteksi/Tidak terdeteksi
4 Gelap 0-4 Terdeteksi/Tidak terdeteksi
Tabel 4. Pengujian Aplikasi
No Fitur Aplikasi Hasil Pengujian
1 Tombol Deteksi Berfungsi dengan baik/Tidak berfungsi
2 Tombol Stop Berfungsi dengan baik/Tidak berfungsi
3 Tombol Hasil Berfungsi dengan baik/Tidak berfungsi
Pengamabilan Gambar Berhasil Tersimpan/Tidak
4
Gambar berfungsi
Alarm Berbunyi jika Tikus
5 Suara Alarm
Terdetksi/Tidak berfungsi
Berfungsi dengan Perankat
6 External Webcam
Tambhan/Tidak berfungsi
Berfungsi dengan Perankat
7 External Spekear
Tambhan/Tidak berfungsi
Tampilan
8
Antarmuka Mudah digunakan/Susah digunakan
D. Definisi Operasional Variabel

Variabel dalam penelitian ini terdiri dari variabel bebas dan variabel
terikat. Variabel bebas merupakan faktor stimulus atau input yaitu faktor
yang dipilih oleh peneliti untuk melihat pengaruh terhadap gejala yang
diamati, sedangkan variabel terikat merupakan faktor yang diamati dan
diukur untuk mengetahui efek dari variabel bebas tersebut.
Berdasarkan rumusan masalah yang telah dibuat, maka dirumusan
variabel-variabel penelitian sebagai berikut :
1. Variabel bebas pada penelitian ini yaitu merancang sistem
pendeteksi hama tikus menggunakan secara Real-Time.
2. Variabel terikat pada penelitian ini ialah Implementasi Pendeteksi
hama tikus menggunakan kemera secara real-time, sehingga petani
dapat mengurangi kerugian yang diakibatkan hama tikus di
persawahan.
E. Hipotesis
Adapun hipotesis dari penelitian ini diharapkan Pendeteksi Hama
Tikus Menggunakan Kemera secara Real-Time dapat mengatasi atau
pengurangi kerugian para petani yang di akibatkan oleh hama tikus pada
saat persemaian benih bibit padi di persawahan dan menjadi solusi paling
baik yang dapat dilakukan oleh petani kususunya petani padi di
Kecamatan Baranti Kabupateng Sidenreng Rappang.
22
BAB IV HASIL PENELITIAN DAN PEMBAHASAN
A. Hasil Penelitian
Sistem pendeteksi hama tikus menggunakan kamera secara real-time
telah berhasil dikembangkan dan diuji coba selama kurang lebih 2 bulan, yaitu
dari tanggal 1 Januari 2023 hingga 14 Maret 2023. Hasil penelitian ini
menunjukkan bahwa sistem pendeteksian hama tikus tersebut efektif dalam
mendeteksi objek tikus dengan menggunakan metode Haar Cascade Classifier.
Selama proses uji coba berlangsung sistem ini juga telah disimulasikan dengan
menggunakan objek tikus dan objek non-tikus. Hasilnya menunjukkan tingkat
akurasi sebesar 89% dalam membedakan antara objek tikus dan bukan tikus.
Sistem ini juga dilengkapi dengan fitur penyimpanan gambar tikus yang
terdeteksi dalam sebuah database. Hal ini memudahkan pengguna untuk
melihat kembali gambar-gambar tersebut sebagai bukti atau referensi. Selain
itu, suara alarm yang aktif saat terdeteksinya hama tikus juga memberikan
peringatan yang lebih jelas dan dapat segera diperhatikan oleh petani.
1. Hasil Pengujian
a. Deteksi Objek
(Tikus) (Gambar Tikus) (wajah) (tangan)
( Gambar Lain) (Batu) (Tanaman) ( Ayam )
(kucing) (Anjing)
Gambar 11. Hasil Pengujian Deteksi Objek
Gambar 11 menunjukkan hasil uji coba model deteksi objek yang
hanya dapat mendeteksi tikus dengan baik, sementara objek lainnya
tidak terdeteksi.
23
Tabel 4. Hasil Pengujian Deteksi Objek
No Objek Hasil Deteksi Deteksi Objek
1 Tikus Terdeteksi Tikus Terdeteksi
b. 2 Ayam Tidak terdeteksi -
3 Kucing Tidak terdeteksi -
4 Batu Tidak terdeteksi -
5 Tanaman Tidak terdeteksi -
6 Tangan Manusia Tidak terdeteksi -
7 Anjing Tidak terdeteksi -
8 Gambar Tikus Terdeteksi Tikus Terdeteksi
9 Gambar Bukan Tikus Tidak terdeteksi -
10 Wajah Mannusia Tidak terdeteksi -
Pengujian Terhadap Jarak (cm)
(15 cm) (30 cm) (50) (100cm)

Gambar 12. Hasil Pengujian Terhadap Jarak
Pada Gambar 12, hasil pengujian terhadap jarak menunjukkan
bahwa objek dapat terdeteksi dengan baik pada jarak antara 11 hingga
100 cm. Namun, ketika objek berada terlalu dekat dengan kamera
kurang dari 11 cm atau berjarak lebih dari 100 cm model deteksi objek
tidak mampu mendeteksi objek tikus.
Tabel 5. Hasil Pengujian Terhadap Jarak (cm)
N
Jarak Uji(cm) Hasil Deteksi
o
1 1-10 Tidak terdeteksi
2 11-25 Terdeteksi
3 26-50 Terdeteksi
4 51-75 Terdeteksi
5 76-100 Terdeteksi
24
c. Pengujian Terhadap Cahaya
(Terang) (Sedang) (Redup) (Gelap)

Gambar 13. Hasil Pengujian Terhadap Cahaya
Gambar 13 menunjukkan hasil pengujian terhadap cahaya, di mana
objek dapat terdeteksi pada kondisi terang dan sedang, tetapi pada
kondisi redup objek masih terdeteksi dengan tingkat keakuratan yang
lebih rendah, sementara pada kondisi gelap objek tidak dapat
terdeteksi.
Tabel 6. Hasil Pengujian Terhadap Cahaya
No Kondisi Cahaya Hasil Deteksi
1 Terang Terdeteksi
2 Sedang Terdeteksi
3 Redup Terdeteksi
4 Gelap Tidak Terdeteksi
d. Pengujian Aplikasi
Tabel 7. Hasil Pengujian
No Fitur Aplikasi Hasil Pengujian
1 Tombol Deteksi Berfungsi dengan baik
2 Tombol Stop Berfungsi dengan baik
3 Tombol Hasil Berfungsi dengan baik
4 Pengamabilan Gambar Gambar Berhasil Tersimpan
5 Suara Alarm Alarm Berbunyi jika Tikus Terdetksi
6 External Webcam Berfungsi dengan Perankat Tambahan
7 External Spekear Berfungsi dengan Perankat Tambahan
8 Tampilan Antarmuka Mudah digunakan
25
2. Tampilan Sistem
Berikut ini adalah tampilan user interface aplikasi pendeteksian
hama tikus menggunakan kamera seara real-time yang telah dibuat :
a. Tampilan Home
Gambar 14. Tampilan Home

Tampilan home aplikasi pada gambar menampilkan tiga tombol
utama: "Mulai Deteksi", "Stop Deteksi", dan "Lihat Hasil", serta
jendela monitoring untuk melihat proses sistem dalam mendeteksi
objek dan hasil deteksi yang telah dilakukan.
b. Tampilan Mulai Deteksi
Gambar 15. Tampilan Mulai Deteksi

Gambar 15 menampilkan "Tombol Mulai Deteksi" yang digunakan
untuk memulai proses deteksi secara real-time. Tombol ini
memberikan pengguna kemampuan untuk memulai deteksi objek tikus
dengan satu klik. Setelah tombol ini ditekan, sistem akan mulai
mengambil vidio dari kemera.
26
c. Tampilan Stop Deteksi
Gambar 16. Tampilan Stop Deteksi

Gambar 16 menampilkan "Tombol Stop Deteksi" yang digunakan
untuk menghentikan proses deteksi objek secara real-time.
d. Tampilan Lihat Hasil
Gambar 17. Tampilan Lihat Hasil
Gambar 17 menampilkan "Tombol Lihat Hasil Deteksi" yang

digunakan untuk melihat hasil deteksi objek tikus yang tersimpan dari
hasil deteksi sebelumnya.
27
3. Database Hasil Deteksi Tikus
Berikut ini beberapa contoh hasil deteksi dari database yang
tersimpan di folder hasil deteksi yang di ambil secara otomatis pada saat
aplikasi dijalankan :
Gambar 18. Hasil Pengujian Yang Tersimpan di Database

Gambar 18 adalah hasil dari pengujian deteksi objek yang telah
disimpan di database. Dalam proses tersebut, ketika tikus berhasil
terdeteksi oleh model deteksi objek, informasi tentang deteksi tikus
tersebut secara otomatis disimpan di dalam database. Data tersebut berisi
gambar-gambar yang menunjukkan tikus pada saat terdeteksi.
B. Pembahasan
Berdasarkan hasil penelitian, sistem pendeteksi hama tikus ini telah
terbukti berhasil dalam membedakan objek tikus dan bukan tikus. Sistem ini
memiliki tingkat akurasi sebesar 89%.
Dari pembahasan dari bab sebelumnya dengan menggunakan teknik
analisis kuantitatif dataset yang digunakan cukup representatif, sistem ini telah
dilatih untuk mengenali fitur-fitur tikus yang spesifik dan membedakannya
dari objek bukan tikus. Proses pelatihan tersebut bertujuan untuk
meningkatkan kemampuan sistem dalam mengenali tikus dengan akurasi yang
tinggi.
Penelitian ini telah berhasil mensimulasikan dan sistem dapat bekerja
dengan baik dalam mendeteksi objek tikus. Diharapkan penemuan ini akan
memberikan kontribusi yang penting dalam upaya pengendalian hama tikus,
terutama dalam konteks pendeteksian hama tikus, diharapkan dapat membantu
petani dan pihak terkait untuk lebih efektif dalam mengatasi masalah tikus
28
yang dapat merusak tanaman dan menyebabkan kerugian pada hasil panen
serta persediaan pangan.
Adapaun perhitungan tingkat akurasi dan error pada model deteksi
menggunakan matrix evaluasi sebagai berikut :
1. Perhitungan Manual Akurasi Deteksi Objek
Dengan melaukan uji coba secara manual sebanyak 10 kali dengan
15 detik melakukan uji coba terhadap tikus asli secara real-time dan 15
detik menggunakan gambar tikus serta setiap 10 detik melakukan uji coba
pada objek ayam, anjing, kucing, tangan manusia, batu, tanaman, wajah
manusia dan gambar bukan tikus hasilnya sistem dapat berhasil
mendeteksi objek tikus secara real-time sebanyak 12 kali dan tidak dapat
mendeteksi sebanyak 3 kali serta pada gambar tikus berhasil mendeteksi
sebanyak 14 kali dan 1 kali tidak tedeteksi.
Tabel 8. Uji Deteksi Obejk

Keterangan Terdeteksi Tidak Terdeteksi
Tikus 12 kali 3 kali
Gambar Tikus 14 kali 1 kali
Bukan Tikus 0 70 kali
a. Matrix Evaluasi Deteksi Tikus
Tabel 9. Matrix Evaluasi Deteksi Tikus

Hasil Positif Hasil Negatif
Positif (Tikus) True positive (tp) = 26 False negative (fn) = 4
Negatif (Bukan Tikus) False positive (fp)= 0 True negative (tn) =70
 Menghitung Akurasi
Akurasi = (TP + TN) / (TP + FP + FN + TN)
Akurasi = (26 + 63) / (26 + 7 + 4 + 63) = 89 / 100 = 0.89 atau 89%
 Menghitung Error
Error = (FP + FN) / (TP + FP + FN + TN)
Error = (7 + 4) / (26 + 7 + 4 + 63) = 11 / 100 = 0.11 atau 11%
Dari tabel matrix evaluasi deteksi objek dengan nilai TP = 26,

FP = 0, FN = 4, dan TN = 70, dapat dihasilkan kesimpulan bahwa
sistem deteksi objek memiliki akurasi sebesar 89%. Hal ini
menunjukkan bahwa sebagian besar objek berhasil dideteksi dengan
benar oleh sistem. Meskipun terdapat sedikit kasus false negative
(FN), kesalahan ini relatif kecil dibandingkan dengan jumlah total
objek yang dievaluasi.
29
2. Perhitungan Manual Akurasi Terhadap Jarak (cm)
Tabel 10. Hasil Keakuratan Terhadap Jarak

Jarak
Dari No Intensi Cahaya Akurasi
Deteksi (cm)
tabel di
1 0-10 841 lux (Terang) 0%
atas,
2 11-25 841 lux (Terang) 86%
dapat
3 26 - 50 841 lux (Terang) 82%
4 51 -75 841 lux (Terang) 68%
5 76 - 100 841 lux (Terang) 48%
disimpulkan bahwa jarak ideal sistem mendereksi tikus pada jarak 11-50 cm dari
kamera, namun tidak terdeteksi pada jarak terlalu dekat, yaitu antara 0-10 cm, dan
pada jarak yang terlalu jauh, yaitu lebih dari 100 cm. Hal ini menunjukkan bahwa
jarak sangat mempengaruhi kinerja sistem deteksi objek.
a. Matrix Evaluasi Terhadap Jarak

Tabel 11. Matrix Evaluasi Jarak 11-25 cm
Keterangan Hasil Positif Hasil Negatif
Tikus True positive (tp)=43 False negative (fn)=7
Bukan Tikus False positive (fp)=0 True negative (tn)=0
Akurasi = (43 + 0) / (43 + 0 +7 + 0) = 43 / 50 = 0.86 atau 86%
Error = (0+ 7) / (43 + 0 +7 + 0) = 7 / 50 = 0.14 atau 14%
Dari tabel matrix evaluasi dengan jarak 11-25 dengan nilai TP =

43, FP = 0, FN = 7, dan TN = 0, dapat dihasilkan kesimpulan bahwa
sistem deteksi objek memiliki akurasi sebesar 86%. Hasil ini
menunjukkan bahwa sistem deteksi objek memiliki tingkat akurasi
yang tinggi dalam mendeteksi objek tikus pada jarak tersebut. Evaluasi
ini memberikan gambaran tentang kinerja sistem deteksi objek pada
jarak 15 cm.
30
Tikus True positive (tp)= 41 False negative (fn) = 9
Bukan Tikus False positive (fp)= 0 True negative (tn) = 0
Akurasi = (41 + 0) / (41 + 0 +9 + 0) = 41 / 50 = 0.82 atau 82%
Error = (0+ 9) / (41 + 0 +9 + 0) = 9 / 50 = 0.18 atau 18%

jarak 26-50 cm.

Tikus True positive (tp)= 34 False negative (fn) = 16
Bukan Tikus False positive (fp)= 0 True negative (tn) = 0
Akurasi = (34 + 0) / (34 + 0 + 16 + 0) = 32 / 50 = 0.68 atau 68%
Error = (0+ 16) / (34 + 0 + 16 + 0) = 16 / 50 = 0.32 atau 32%

jarak 51-75 cm.

Tikus True positive (tp) = 24 False negative (fn)= 26
31
Bukan Tikus False positive (fp) = 0 True negative (tn) = 0
Akurasi = (24 + 0) / (24 + 0 +26+ 0) = 24/ 50 = 0.48 atau 48%
Error = (0+ 26) / (24 + 0 +26+ 0) = 26 / 50 = 0.52 atau 52%
Jadi, akurasi deteksi objek pada jarak 76-100 cm dengan nilai

TP = 24, FP = 0, FN = 26, dan TN = 0 adalah 48%, sedangkan
errornya adalah 52%. Hasil ini menunjukkan bahwa sistem deteksi
objek memiliki tingkat akurasi yang cukup baik dalam mendeteksi
objek tikus pada jarak tersebut. Evaluasi ini memberikan gambaran
tentang kinerja sistem deteksi objek pada jarak 76-100 cm dan
menunjukkan perlunya perbaikan atau peningkatan performa dalam
menghadapi jarak yang lebih jauh.

Tikus True positive (tp) = 0 False negative (fn) =50
Akurasi = (0 + 0) / (0+ 0 +50+ 0) = 0/ 50 = 0 atau 0%
Error = (0+ 50) / (0 + 0 + 50 + 0) = 50 / 50 = 1 atau 100%
Jadi, akurasi deteksi objek pada jarak 101-200 cm dengan
nilai TP = 0, FP = 0, FN = 50, dan TN = 0 adalah 0%, sedangkan
errornya adalah 100%. Hasil ini menunjukkan bahwa sistem
deteksi objek tidak dapat mendeteksi tikus pada jarak yang jauh.
Evaluasi ini memberikan gambaran tentang kinerja sistem deteksi
objek pada jarak 101- 200 cm dan menyoroti perlunya perbaikan
atau peningkatan performa dalam menghadapi jarak yang lebih
jauh.
3. Perhitungan Manual Akurasi Terhadap Kondisi Cahaya

Tabel 16. Hasil Keakuratan Terhadap Cahaya
No Kondisi Cahaya Jarak (cm) Akurasi
1 Terang ( 856 Lux ) 25 86%
2 Sedang ( 74 Lux ) 25 68%
3 Redup ( 17 Lux ) 32 25 36%
4 Gelap ( 0 Lux ) 25 0%
Dari tabel di atas, dapat disimpulkan bahwa tikus terdeteksi pada kondisi
terang dan sedang, namun tidak terdeteksi dengan baik pada kondisi redup, dan
sama sekali tidak terdeteksi pada kondisi gelap. Hal ini menunjukkan bahwa
kondisi cahaya sangat mempengaruhi kinerja sistem deteksi objek.
a. Matrix Evaluasi Terhadap Cahaya

Tabel 17. Matrix Evaluasi Terhadap Cahaya Terang
Akurasi = (43 + 0) / (41+ 0 +7+ 0) = 41/ 50 = 0.86 atau 86%
Error = (0+7) / (43 + 0 + 9 + 0) = 7 / 50 = 0.18 atau 14%
Jadi, akurasi deteksi objek dalam kondisi terang dengan nilai TP

= 41, FP = 0, FN = 7, dan TN = 0 adalah 86%, sedangkan errornya
adalah 14%. Hal ini menunjukkan bahwa sistem deteksi objek
memiliki tingkat akurasi yang tinggi dalam mendeteksi objek tikus
dalam kondisi terang. Evaluasi ini memberikan gambaran tentang
kinerja sistem deteksi objek dalam kondisi cahaya yang terang.
Tabel 18. Matrix Evaluasi Terhadap Cahaya Sedang

Akurasi = (34+ 0) / (34+ 0 +16+ 0) = 34/ 50 = 0.68 atau 68%
Error = (0+ 16) / (34 + 0 + 16 + 0) = 16 / 50 = 0.32 atau 32%
33
Dari tabel matrix evaluasi deteksi objek dengan nilai TP = 34,
FP = 0, FN = 16, dan TN = 0, dapat disimpulkan bahwa sistem deteksi
objek memiliki akurasi sebesar 68%. Meskipun akurasi ini
menunjukkan bahwa sebagian besar objek berhasil dideteksi dengan
benar oleh sistem. Tingkat error sebesar 32% menunjukkan adanya
ruang untuk perbaikan dalam sistem deteksi objek.
Tabel 19. Matrix Evaluasi Terhadap Cahaya Redup

Akurasi = (18 + 0) / (18+ 0 +32+ 0) = 18/ 50 = 0.36 atau 36%
Error = (0+ 32) / (18 + 0 + 32 + 0) = 32 / 50 = 0.64 atau 64%
Jadi, akurasi deteksi objek dalam kondisi redup dengan nilai TP

adalah 64%. Hal ini menunjukkan bahwa sistem deteksi objek
memiliki tingkat akurasi yang relatif rendah dalam mendeteksi objek
tikus dalam kondisi redup. Evaluasi ini memberikan gambaran tentang
kinerja sistem deteksi objek dalam kondisi cahaya yang redup, yang
menunjukkan perlunya perbaikan atau penggunaan teknik atau
algoritma lain yang lebih sesuai untuk kondisi tersebut.
Tabel 20. Matrix Evaluasi Terhadap Cahaya Gelab

Akurasi = (0 + 0) / (0+ 0 +50+ 0) = 0/ 50 = 0%
Jadi, akurasi deteksi objek dalam kondisi gelap dengan nilai TP

34
adalah 100%. Hal ini menunjukkan bahwa sistem deteksi objek tidak
dapat mendeteksi objek tikus yang sebenarnya dalam kondisi gelap.
Tidak ada objek tikus yang berhasil terdeteksi (TP = 0) dan tidak ada
kasus false positive (FP) atau true negative (TN). Evaluasi ini
memberikan gambaran tentang keterbatasan sistem deteksi objek
dalam menghadapi kondisi cahaya yang gelap, yang menunjukkan
perlunya perbaikan atau penggunaan teknik atau algoritma lain yang
lebih sesuai untuk kondisi tersebut.
Ada beberapa kekurangan yang perlu diperhatikan dalam pengembangan

sistem ini. Salah satunya adalah ketergantungan pada kondisi cahaya yang
memadai untuk mendapatkan hasil deteksi yang optimal. Selain itu jangkauan
jarak juga memperngarui akurasi deteksi, penggunaan kamera sebagai alat
pendeteksi juga memerlukan pemilihan posisi yang tepat agar dapat
mengambil gambar dengan sudut pandang yang baik.
Secara keseluruhan, hasil penelitian ini menunjukkan bahwa sistem
pendeteksi hama tikus menggunakan kamera secara real-time memiliki
potensi besar dalam membantu petani dalam mengendalikan hama tikus di
area pertanian. Dengan adanya sistem ini, diharapkan petani dapat
mendapatkan deteksi dini yang akurat sehingga dapat segera mengambil
tindakan pencegahan atau pengendalian yang diperlukan, dan pada akhirnya
dapat meningkatkan produktivitas dan kualitas hasil pertanian.
Adapaun perbandingan dengan penelitian sebelumnya sebagai

berikut :
Tabel 21. Perbandingan Dengan Penelitian Sebelumya
Judul Hasil
Aplikasi Deteksi Objek
Tingkat akurasi metode ini 70% di
Bergerak Berbasis Citra Dengan
kondisi terang dalam membedakan
Metode Background
objek bergerak, dengan 20 data uji
Subtraction Dan Blob
terdapat 14 data yang hasi
Detection(2020)[21]. pengujianya benar dan 6 data yang
hasil pengujianya salah [21].
Desain Sistem Deteksi Objek Hasil keakuratan jarak deteksi
Real Time Dengan Metode objek dengan rata rata pengujian
35
Haar adalah 63.25% dalam 24 kali
Cascade Classifier(2020)[22].
percobaan[22].
Deteksi Senjata Tajam DenganPada pengujian ini, aplikasi dapat
Metode Haar Cascade Classifier
mendeteksi senjata tajam secara
Menggunakan Teknologi Sms otomatis dengan tingkat ketepatan
Gateway(2014)[23] rata-rata 86% pada cahaya terang.
Kemudian pengujian terhadap
jarak, aplikasi dapat mendeteksi
senjata tajam secara otomatis
83,3% pada jarak 31 sampai 60
cm[23]
Pengendali Hama Tikus dan Hasil pengujian menunjukkan
Belalang menggunakan akurasi deteksi suara tikus sebesar
Gelombang Ultrasonik 47,6%
Bertenaga Surya dan IoT.
2021[9]
Pendeteksian Hasil pengujian menunjukkan
Hama Tikus Menggunakan akurasi deteksi objek tikus dan
Kamera Secara Real-Time. bukan tikus sebesar 89%
2023
BAB V PENUTUP
A. Kesimpulan
Berdasarkan hasil penelitian dan pembahasan yang telah dilakukan,
berikut adalah kesimpulan yang dapat diambil:
1. Sistem pendeteksi hama tikus menggunakan kamera secara real-time
telah berhasil dikembangkan dengan baik. Sistem ini mampu
mendeteksi hama tikus dengan tingkat akurasi sebesar 89%.
Menggunnakan dataset sebanyak 1600. Dengan metode Haar Cascade
36
Clasiffier menciptkan model deteksi yang efektif dalam membedakan
objek tikus dan bukan tikus.
2. Sistem deteksi hama tikus mampu berjalan dengan ideal pada jarak 11-
50 cm dalam kondisi terang dengan tingkat akurasi 86%.
B. Saran
Adapun yang menjadi saran dalam penelitian ini adalah:
1. Perbaikan pada proses deteksi agar sistem lebih akurat dalam
mendeteksi objek tanpa dipengaruhi cahaya dan jarak.
2. Integrasi sistem dengan teknologi lain seperti sensor tambahan atau
teknologi jaringan dapat menjadi fokus pengembangan masa depan.
Dengan demikian, sistem dapat memiliki fungsionalitas yang lebih
lengkap dan dapat dihubungkan dengan sistem pemantauan atau
pengendalian lainnya.
37
DAFTAR PUSTAKA
[1] S. A. D. Maya, “Pengendali Hama Tikus Belalang Menggunakan

Gelombang Ultrasonik Bertenaga Surya Berbasis IoT,” p. 10, 2021.
[2] H. T. Hidayat, A. Akhyar, and M. Mahdi, “Rancang Bangun Prototipe

Pengusir Hama Tikus dan Burung Berbasis Internet of Things (IoT),” Pros.
Semin. Nas. Politek. Negeri Lhokseumawe, vol. 3, no. 1, pp. A235–A239,
2019,
[3] R. Rainaldi, “Alat Pengendali Hama Padi Berbasis Internet of Things

(Iot),” 2019.
[4] R. J. Arifandi, M. Junus, and M. Kusumawardani, “Sistem Pengusir Hama

Burung dan Hama Tikus Pada Tanaman Padi Berbasis Raspberry pi,” J.
Jartel J. Jar. Telekomun., vol. 11, no. 2, pp. 92–95, 2021, doi:
10.33795/jartel.v11i2.61.
[5] P. Rifaldi Fajrin, F. Informatika, D. A. N. Komputer, and U. P. Batam,

“Pendeteksian Hama Burung dan Tikus menggunakan Sensor PIR,” 2019.
[6] S. T. E. Rukmana, A. Mayub, and R. Medriati, “Prototype Alat Pendeteksi

Dan Pengusir Tikus Pada Pembibitan Kelapa Sawit Berbasis Arduino
Uno,” J. Kumparan Fis., vol. 2, no. 1, pp. 9–16, 2019, doi:
10.33369/jkf.2.1.9-16.
[7] Y. B. Herlambang, “Pengembangan Alat Pengusir Tikus menggunakan

Sensor PIR berbasis Arduino Uno dengan Metode Waferfall r,” pp. 413–
419, 2020.
[8] D. A. Saputro, S. L. Khasanah, and A. Tafrikhatin, “Perangkap Tikus

Otomatis Menggunakan Sensor Inframerah Berbasis Wemos D1 Mini,”
vol. 5, pp. 6188–6195, 2021
[9] S. A. D. Maya, “Pengendali Hama Tikus Belalang Menggunakan

Gelombang Ultrasonik Bertenaga Surya Berbasis IoT,” p. 10, 2021.
[10] M. A. Mahgfuri and A. B. Yunanda, “PERANCANGAN ALAT

PENGUSIR HAMA PERTANIAN MENGGUNAKAN GELOMBANG
FREKUENSI BERBASIS NODEMCU DI DESA NGADIREJO
KECAMATAN WIDANG,” 2022.
[11] T. Rahmadani, W. Dyan Nugroho, D. Perdana, and A. Triwiyatno,
38
“PENDETEKSIAN OBJEK MENGGUNAKAN ALGORITMA HSV
BERBASIS RASPBERRY PI 3B.”
[12] N. Ficky Ardiansyah, A. Rabi’, D. Minggu, and W. Dirgantara,

“COMPUTER VISION UNTUK PENGENALAN OBYEK PADA
PELUNCURAN ROKET KENDARAAN TEMPUR,” 2019.
[14] J. Jumadi, Y. Yupianti, and D. Sartika, “PENGOLAHAN CITRA

DIGITAL UNTUK DETEKSI OBJEK MENGGUNAKAN METODE
HIERARCHICAL AGGLOMERATIVE CLUSTERING,” JST (Jurnal
Sains dan Teknol., vol. 10, no. 2, pp. 148–156, 2021, doi:
10.23887/jstundiksha.v10i2.33636.
[15] R. A. Wiryawan and N. R. Rosyid, “Pengembangan Aplikasi Otomatisasi

Administrasi Jaringan Berbasis Website Menggunakan Bahasa
Pemrograman Python,” Simetris, vol. 10, no. 2, pp. 1–12, 2019.
[16] D. Avianto, “PENGENALAN POLA KARAKTER PLAT NOMOR
KENDARAAN MENGGUNAKAN ALGORITMA MOMENTUM
BACKPROPAGATION NEURAL NETWORK,” J. Inform., vol. 10, no.
1, 2016, doi: 10.26555/jifo.v10i1.a3352.
[17] M. F. Sitorus, R. Fatharani, N. Fadhillah, T. Informatika, F. Teknik, and

U. Samudra, “Sistem Deteksi Multi Wajah Menggunakan Metode Haar
Cascade Classifier,” vol. 01, no. 01, pp. 1–5, 2020, [Online]. Available:
https://ejurnalunsam.id/index.php/jitkom/
[18] M. Clow, “Visual Studio Code,” Angular 5 Proj., pp. 57–68, 2018, doi:
10.1007/978-1-4842-3279-8_5.
[19] ]I. Technology and I. Technology, “Hossin, M. 1 and Sulaiman, M.N. 2

1,” vol. 5, no. 2, pp. 1–11, 2015.
[20] A. Khumaidi, “Prototipe Alat Pengusir Burung Pada Gedung Berbasis

Internet of Things Menggunakan Sensor RCWL,” Ilk. J. Ilm., vol. 12, no.
2, pp. 162–167, 2020, doi: 10.33096/ilkom.v12i2.602.162-167.
[21] M. R. Pratama, Rizal, and S. Sumaryo, “Desain Sistem Deteksi Objek

Real Time Dengan Metode Haar Cascade Classifier,” e-Proceeding Eng.,
vol. 7, no. 1, pp. 26–34, 2020.
[22] J. Rekayasa Sistem Komputer and J. H. Hadari Nawawi, “APLIKASI

DETEKSI OBJEK BERGERAK BERBASIS CITRA DENGAN
METODE BACKGROUND SUBTRACTION dan BLOB DETECTION
(STUDI KASUS: MAMI MART KUBU RAYA),” Coding J. Komput.
dan Apl., vol. 08, no. 01, pp. 132–141, 2020.
39
[23 ]A. Mahmudi, “Deteksi Senjata Tajam Dengan Metode Haar Cascade
Classifier Menggunakan Teknologi Sms Gateway,” Matics, vol. 1, no. 1,
pp. 27–30, 2014, doi: 10.18860/mat.v1i1.2646
[24] Halim, Andi Ainun Dzariah, and Siska Anraeni. 2021. “Analisis
Klasifikasi Dataset Citra Penyakit Pneumonia Menggunakan Metode K-
Nearest Neighbor (KNN).” Indonesian Journal of Data and Science 2(1):
01–12
40
Daftar Riwayat Hidup
Penulis lahir di Desa Sipodeceng Kabupaten Sidenreng Rappang anak ke 3

dari 3 bersaudara dari pasangan Bapak Lasaini dan Ibu Naseri. Penulis
menyeleseikan Sekolah Menengah Atas di Madrasah Aliyah Negeri Sidrap pada
tahun 2018 dan melanjutkan Pendidikan S1 Program Studi Teknik Informatika di
Universitas Muslim Indonesia pada tahun 2018.
41
Lampiran
Lampiran 1. Dokumentasi
Melakukan Penelitian Deteksi Tikus Secara Langsung
Tampilan Aplikasi Pendetksian Tikus Di Laptop
Mengukur Intensitas Cahaya Dengan Aplikasi Lux Light Meter
42
Mengukur Jarak Kamera dengan Tikus
Persiapan Pengujian
Pembuatan Aplikasi
43
Lampiran 2. Dataset untuk pembuatan model deteksi
44
45
Lampiran 3. Source code Mendeteksi Objek
import cv2
face_cascade = cv2.CascadeClassifier('ModelDeteksiB002.xml')
cap = cv2.VideoCapture(0)
while True:
ret, frame = cap.read()
gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
faces = face_cascade.detectMultiScale(gray, scaleFactor=1.5,
minNeighbors=20, minSize=(30, 30))
for (x, y, w, h) in faces:

cv2.rectangle(frame, (x, y), (x+w, y+h), (0, 255, 0), 3)
cv2.imshow('Webcam', frame)
if cv2.waitKey(1) & 0xFF == ord('q'):
break
cap.release()
cv2.destroyAllWindows()
46
Lampiran 6. Souce code aplikasi
import cv2
import sqlite3
import datetime
import time
import os
import tkinter as tk
from PIL import ImageTk, Image
import threading
import pygame
# Load cascade classifier untuk mendeteksi tikus

cascade_path = 'ModelDeteksiB003.xml'
cascade_classifier = cv2.CascadeClassifier(cascade_path)
# Inisialisasi variabel global

deteksi_berjalan = False
cap = None
is_detecting = False
output_layer = None
# Variabel global untuk menyimpan referensi objek PhotoImage
current_image = None
last_image_reference = None
# Variabel global untuk menyimpan referensi objek PhotoImage terakhir
last_image = None
# Fungsi untuk mendeteksi tikus dan mengambil tindakan saat terdeteksi

def detect_mouse(frame):
gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
mice = cascade_classifier.detectMultiScale(gray, scaleFactor=1.11,
minNeighbors=15, minSize=(30, 30))
# Inisialisasi pygame untuk pemutaran suara

pygame.mixer.init()
if len(mice) > 0:
for (x, y, w, h) in mice:
cv2.rectangle(frame, (x, y), (x + w, y + h), (0, 255, 0), 2)
cv2.putText(frame, 'Tikus terdeteksi', (x, y - 10),
cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0, 255, 0), 2)
simpan_gambar(frame)
# Memainkan suara notifikasi

pygame.mixer.music.load("Notif2.wav")
pygame.mixer.music.play()
47
# Mengubah format frame dari BGR ke RGB
frame_rgb = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)
# Membuat objek gambar PIL dari frame
image = Image.fromarray(frame_rgb)
# Mengubah ukuran gambar sesuai kebutuhan
image = image.resize((500, 400), Image.LANCZOS)
# Membuat objek gambar Tkinter
img_tk = ImageTk.PhotoImage(image)
# Menampilkan gambar di lapisan output
output_layer.create_image(0, 0, anchor="nw", image=img_tk)
output_layer.image = img_tk
# Quit Pygame
pygame.quit()
# Fungsi Tutup Kamera

def tutup_kamera():
cap.release()
pygame.mixer.quit()
# Fungsi untuk memperbarui tampilan video pada label

def update_video():
global cap, is_detecting
while is_detecting:
if deteksi_berjalan :
ret, frame = cap.read()
if ret:
detect_mouse(frame)
# Mengubah format frame dari BGR ke RGB
frame_rgb = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)
# Membuat objek gambar PIL dari frame
image = Image.fromarray(frame_rgb)
update_border()
output_layer.create_text(250, 200, text="Deteksi dihentikan", fill="red",

font=("Arial", 24))
# Menutup kamera saat deteksi dihentikan

tutup_kamera()
48
# Fungsi yang dipanggil saat tombol "Mulai Deteksi" ditekan
def mulai_deteksi():
global cap, is_detecting, deteksi_berjalan
if not is_detecting:
is_detecting = True
deteksi_berjalan = True
# Inisialisasi kamera saat tombol "Mulai Deteksi" ditekan

cap = cv2.VideoCapture(0)
if not cap.isOpened():
# Penanganan jika kamera tidak dapat diakses
print("Kamera tidak dapat diakses")
tutup_kamera()
return
# Membuat thread untuk memperbarui tampilan video

video_thread = threading.Thread(target=update_video)
video_thread.start()
# Ubah warna tombol

mulai_button.config(bg="#714a26")
stop_button.config(bg="#ab7e55")
hasil_button.config(bg="#ab7e55")
# Matikan tombol "Lihat Hasil" saat deteksi berjalan

hasil_button.config(state=tk.DISABLED)
# Fungsi yang dipanggil saat tombol "Stop Deteksi" ditekan

def stop_deteksi():
global deteksi_berjalan, cap, is_detecting
if is_detecting:
deteksi_berjalan = False
tutup_kamera()
# Ubah warna tombol

mulai_button.config(bg="#ab7e55")
stop_button.config(bg="#714a26")
hasil_button.config(bg="#ab7e55")
# Aktifkan tombol "Lihat Hasil" saat deteksi berhenti

hasil_button.config(state=tk.NORMAL)
# Fungsi untuk menyimpan hasil deteksi

def simpan_gambar(frame):
timestamp = datetime.datetime.now().strftime("%Y-%m-%d_%H-%M-%S")
nama_file = f"Deteksi_{timestamp}.jpg"
49
folder_hasil_deteksi = 'hasil_deteksi'
# Membuat direktori 'hasil_deteksi' jika belum ada

if not os.path.exists(folder_hasil_deteksi):
os.makedirs(folder_hasil_deteksi)
path = os.path.join(os.getcwd(), folder_hasil_deteksi, nama_file)

cv2.imwrite(path, frame)
print(f"Gambar {nama_file} berhasil disimpan di folder
{folder_hasil_deteksi}.")
# Simpan informasi deteksi ke database

conn = sqlite3.connect('detection.db')
cursor = conn.cursor()
cursor.execute("CREATE TABLE IF NOT EXISTS detections (timestamp
TEXT, image_path TEXT)")
cursor.execute("INSERT INTO detections VALUES (?, ?)", (timestamp, path))
conn.commit()
conn.close()
# Fungsi display hasil

def update_display(image_paths):
global last_image # Gunakan variabel global
# Hapus isi layer output

output_layer.delete("all")
update_border()
# Tampilkan hasil deteksi secara berurutan

for i, image_path in enumerate(image_paths):
try:
hasil_image = Image.open(image_path)
hasil_image = hasil_image.resize((500, 400), Image.ANTIALIAS)
img_tk = ImageTk.PhotoImage(hasil_image)
# Hapus gambar terakhir jika ada

if last_image:
output_layer.delete(last_image)
# Tampilkan gambar baru

last_image = img_tk # Simpan referensi objek gambar terakhir
window.update()
if i < len(image_paths) - 1:
time.sleep(0.4) # Ubah nilai ini sesuai kebutuhan untuk mengatur
kecepatan perpindahan gambar
except Exception as e:
50
print(f"Gagal membuka file {image_path}: {e}")
# Fungsi yang dipanggil saat tombol "Lihat Hasil" ditekan

def lihat_hasil():
conn = sqlite3.connect('detection.db')
cursor = conn.cursor()
cursor.execute("SELECT image_path FROM detections")
rows = cursor.fetchall()
conn.close()
# Ambil semua path gambar dari hasil deteksi

image_paths = [row[0] for row in rows]
# Panggil fungsi update_display() untuk menampilkan hasil

update_display(image_paths)
# Ubah warna tombol

mulai_button.config(bg="#ab7e55")
stop_button.config(bg="#ab7e55")
hasil_button.config(bg="#714a26")
# Membuat jendela utama

window = tk.Tk()
window.title("Pendeteksi Tikus")
window.geometry("690x465")
window.resizable(False, False)
window.config(bg="#F6e07C")
window.iconbitmap("logo_tikus.ico")
# Fungsi untuk menampilkan gambar di layer output

def show_image():
# Mengambil gambar dari file
image = Image.open("Judul.jpg")
# Membuat tombol-tombol dan menempatkannya di sebelah kiri

left_frame = tk.Frame(window)
left_frame.pack(side=tk.LEFT, padx=10, pady=10)
left_frame.config(bg="#F6e07C")
# Menentukan tombol Mulai Deteksi
51
mulai_button = tk.Button(left_frame, text="Mulai Deteksi",
command=mulai_deteksi, width=20, height=4, bg="#ab7e55")
mulai_button.pack(pady=10)
# Menentukan tombol Stop Deteksi

stop_button = tk.Button(left_frame, text="Stop Deteksi", command=stop_deteksi,
width=20, height=4, bg="#ab7e55")
stop_button.pack(pady=10)
# Menentukan tombol Lihat Hasil

hasil_button = tk.Button(left_frame, text="Lihat Hasil", command=lihat_hasil,
width=20, height=4, bg="#ab7e55")
hasil_button.pack(pady=10)
#Fungsi untuk mengupdate atau merefresh layer output

def update_output_layer(text):
output_layer.delete("all")
update_border()
# Fungsi untuk menggambar atau memperbarui border pada layer output

def update_border():
border_color = "#714a26"
border_width = 5
x1, y1 = border_width, border_width

x2, y2 = 500- border_width, 400 - border_width
output_layer.create_rectangle(x1, y1, x2, y2, outline=border_color,

width=border_width)
# Membuat frame untuk layer output

output_frame = tk.Frame(window, bg="#C3FDB8")
output_frame.pack(side=tk.LEFT, padx=10, pady=5)
# Membuat layer output menggunakan label

output_layer = tk.Canvas(output_frame, bg="white", width=500, height=400)
output_layer.pack()

show_image()
#Tutup Apliksi
def tutup_aplikasi():
tutup_kamera()
window.quit()
52
# Menjalankan event loop
window.mainloop()
53

2023 - Pendeteksian Hama Tikus Menggunakan Kamera Secara Real Time Jilid

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

2023 - Pendeteksian Hama Tikus Menggunakan Kamera Secara Real Time Jilid

Diunggah oleh

Hak Cipta:

Format Tersedia

PENDETEKSIAN HAMA TIKUS MENGGUNAKAN KAMERA

PROGRAM STUDI TEKNIK INFORMATIKA

PROGRAM STUDI TEKNIK INFORMATIKA

ARMAN. Pendeteksian Hama Tikus Mengguakan Kamera Secara Real-Time.

Pertanian padi di Kabupaten Sidenreng Rappang, khususnya di Kecamatan

Kata Kunci : pendeteksian hama tikus, kamera, real-time, algoritma Haar

In the district of Sidenreng Rappang, particularly in the sub-district of Baranti,

Keywords: rat pest detection, camera, real-time, Haar Cascade algorithm,

Bismillahir rohmaani rohiim.

Wassalamu’alaikum Warahmatullahi Wabarakatuh.

Makassar, 13 Juni 2022

Gambar 1. Haar Like Feature.......................................................................8

Tabel 1. Pengujian Deteksi Objek................................................................21

A. Latar Belakang Masalah

2.4 Algoritma Komputer Vision

Gambar 1. Haar Like Feature

Gambar 2. Cascade Classifier

Gambar 3. Confusion Matrix for Binary Classification and the

tp = jumlah contoh positif yang secara benar diklasifikasikan sebagai

Adapun Rumus untuk menghitung akurasi dan eror pada model

Gambar 5. Flowchart Penelitian

Gambar 6. Flowchart Deteksi Objek.

Gambar 7. Flowchart Cascade Classifier

Gambar 8. Flowchart Menyimpan Gambar

Flowchart di atas menggambarkan alur sistem untuk menyimpan

Gambar 9. Flowchart Sistem

Pertama-tama, pengguna menjalankan program deteksi objek pada

Gambar 10. Tampilan Home

Tampilan home aplikasi pada gambar menampilkan tiga tombol

No Objek Hasil Deteksi Keterangan

No Jarak Uji(cm) Hasil Deteksi

Tabel 3. Pengujian Intensitas Cahaya

D. Definisi Operasional Variabel

(Tikus) (Gambar Tikus) (wajah) (tangan)

( Gambar Lain) (Batu) (Tanaman) ( Ayam )

(15 cm) (30 cm) (50) (100cm)

(Terang) (Sedang) (Redup) (Gelap)

Gambar 14. Tampilan Home

Gambar 15. Tampilan Mulai Deteksi

Gambar 16. Tampilan Stop Deteksi

d. Tampilan Lihat Hasil

Gambar 17. Tampilan Lihat Hasil

Gambar 17 menampilkan "Tombol Lihat Hasil Deteksi" yang

Gambar 18. Hasil Pengujian Yang Tersimpan di Database

Tabel 8. Uji Deteksi Obejk

Tabel 9. Matrix Evaluasi Deteksi Tikus

Dari tabel matrix evaluasi deteksi objek dengan nilai TP = 26,

Tabel 10. Hasil Keakuratan Terhadap Jarak

a. Matrix Evaluasi Terhadap Jarak

Dari tabel matrix evaluasi dengan jarak 11-25 dengan nilai TP =

Dari tabel matrix evaluasi dengan jarak 26-50 dengan nilai TP =

Tabel 13. Matrix Evaluasi Jarak 51-75 cm

Dari tabel matrix evaluasi dengan jarak 51-75 dengan nilai TP =

Tabel 14. Matrix Evaluasi Jarak 76-100 cm

Jadi, akurasi deteksi objek pada jarak 76-100 cm dengan nilai

Tabel 15. Matrix Evaluasi Jarak 101-200 cm

3. Perhitungan Manual Akurasi Terhadap Kondisi Cahaya

a. Matrix Evaluasi Terhadap Cahaya

Jadi, akurasi deteksi objek dalam kondisi terang dengan nilai TP

Tabel 18. Matrix Evaluasi Terhadap Cahaya Sedang

Tabel 19. Matrix Evaluasi Terhadap Cahaya Redup

Jadi, akurasi deteksi objek dalam kondisi redup dengan nilai TP

Tabel 20. Matrix Evaluasi Terhadap Cahaya Gelab