SECARA REAL-TIME
Oleh
ARMAN
13020180215
SKRIPSI
Diajukan untuk Memenuhui Sebagian Syarat Memperoleh
Gelar Sarjanan Ilmu Komputer (S,Kom) pada Fakultas
Ilmu Komputer Universitas Muslim Indonesia
Oleh
ARMAN
13020180215
i
ii
YAYASAN WAKAF UMI
UNIVERSITAS MUSLIM INDONESIA
FAKULTAS ILMU KOMPUTER
PROGRAM STUDI TEKNIK INFORMATIKA
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
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.
vi
KATA PENGANTAR
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.
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
x
DAFTAR TABEL
xi
BAB I. PENDAHULUAN
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].
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].
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].
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].
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
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
kamera secara real-time.
- 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
kamera secara real-time.
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
15
2. Flowchart Cascade Clasiffer
No
Yes
16
3. Flowchart Menyimpan Gambar
Tidak
Ya
Tidak
Ya
17
4. Flowchat sistem.
Tidak
Ya
18
5. User interface
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:
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
(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)
24
c. Pengujian Terhadap Cahaya
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
26
c. Tampilan Stop Deteksi
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 :
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.
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%
29
2. Perhitungan Manual Akurasi Terhadap Jarak (cm)
Menghitung Akurasi
Akurasi = (TP + TN) / (TP + FP + FN + TN)
Akurasi = (43 + 0) / (43 + 0 +7 + 0) = 43 / 50 = 0.86 atau 86%
Menghitung Error
Error = (FP + FN) / (TP + FP + FN + TN)
Error = (0+ 7) / (43 + 0 +7 + 0) = 7 / 50 = 0.14 atau 14%
30
Tabel 12. Matrix Evaluasi Jarak 26-50 cm
Keterangan Hasil Positif Hasil Negatif
Tikus True positive (tp)= 41 False negative (fn) = 9
Bukan Tikus False positive (fp)= 0 True negative (tn) = 0
Menghitung Akurasi
Akurasi = (TP + TN) / (TP + FP + FN + TN)
Akurasi = (41 + 0) / (41 + 0 +9 + 0) = 41 / 50 = 0.82 atau 82%
Menghitung Error
Error = (FP + FN) / (TP + FP + FN + TN)
Error = (0+ 9) / (41 + 0 +9 + 0) = 9 / 50 = 0.18 atau 18%
Menghitung Akurasi
Akurasi = (TP + TN) / (TP + FP + FN + TN)
Akurasi = (34 + 0) / (34 + 0 + 16 + 0) = 32 / 50 = 0.68 atau 68%
Menghitung Error
Error = (FP + FN) / (TP + FP + FN + TN)
Error = (0+ 16) / (34 + 0 + 16 + 0) = 16 / 50 = 0.32 atau 32%
Menghitung Akurasi
Akurasi = (TP + TN) / (TP + FP + FN + TN)
Akurasi = (43 + 0) / (41+ 0 +7+ 0) = 41/ 50 = 0.86 atau 86%
Menghitung Error
Error = (FP + FN) / (TP + FP + FN + TN)
Error = (0+7) / (43 + 0 + 9 + 0) = 7 / 50 = 0.18 atau 14%
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.
Menghitung Akurasi
Akurasi = (TP + TN) / (TP + FP + FN + TN)
Akurasi = (0 + 0) / (0+ 0 +50+ 0) = 0/ 50 = 0%
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.
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
38
“PENDETEKSIAN OBJEK MENGGUNAKAN ALGORITMA HSV
BERBASIS RASPBERRY PI 3B.”
[18] M. Clow, “Visual Studio Code,” Angular 5 Proj., pp. 57–68, 2018, doi:
10.1007/978-1-4842-3279-8_5.
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
41
Lampiran
Lampiran 1. Dokumentasi
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))
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
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)
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()
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)
# 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
update_border()
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
49
folder_hasil_deteksi = 'hasil_deteksi'
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}")
51
mulai_button = tk.Button(left_frame, text="Mulai Deteksi",
command=mulai_deteksi, width=20, height=4, bg="#ab7e55")
mulai_button.pack(pady=10)
#Tutup Apliksi
def tutup_aplikasi():
tutup_kamera()
window.quit()
52
# Menjalankan event loop
window.mainloop()
53