Jurnal Ilmiah NERO Vol. 7 No.

1 2022

IDENTIFIKASI HAMA DAN PENYAKIT TANAMAN JAGUNG

DENGAN MENGGUNAKAN METODE KLASIFIKASI SUPPORT
VECTOR MACHINE (SVM)
IDENTIFICATION OF PESTS AND DISEASES OF MAIZE PLANTS
BY USING SUPPORT VECTOR MACHINE (SVM) CLASSIFICATION
METHOD
Bain Khusnul Khotimah1, Eko Setiawan2, Verdi Sasmeka3, Aulya Fridayanti4, Ikbar
Maulana5, Arwinda Mifta Zulfida6
1),3),4),5)
Jurusan Teknik Informatika, Fakultas Teknik, University Trunojoyo Madura
2)
Jurusan Agroteknologi Pertanian, Fakultas Pertanian, University Trunojoyo Madura
6)
Jurusan Ekonomi Pembangunan, Fakultas Ekonomi, University Trunojoyo Madura
Jl Raya Telang, PO. BOX 2, Kamal, Bangkalan
Email : bain@trunojoyo.ac.id1), e_setiawan@trunojoyo.ac.id2)

Abstrak
Produksi hasil panen tanaman Jagung di Madura dipengaruhi oleh adanya wabah Hama dan penyakit,
sehingga menyebabkan produksi jagung menurun. Permasalahan tersebut salah satunya dapat diatasi
dengan adanya mengidentifikasi awal gejala tanaman yang terserang hama dan penyakit dengan
menggunakan klasifikasi machine learning. Penelitian ini menggunakan metode Support Vector Machine
(SVM) untuk klasifikasi hama dan penyakit pada tanaman jagung. Sedangkan data yang digunakan berupa
200 data jenis kategori dengan 25 variabel pertanyaan, yang didiagnosa berupa penyakit, dan hama
tanaman jagung. Metode ini menggunakan fungsi pemisah supaya lebih optimal ketika memisahkan jenis
data dari dua kelas yang berbeda. SVM dapat mendeteksi jenis hama dan penyakit tanaman jagung dengan
masukan gejala dari pengguna. Penelitian ini telah menghasilkan akurasi sistem yaitu perbedaan hasil
perhitungan identifikasi dengan hasil perhitungan pada perbandingan data 60:40 dengan menggunakan
perubahan parameter σ dan d, dengan memilih fungsi Kernel Gaussian Radial Basic telah menghasilkan
akurasi klasifikasi senilai 94.29%.
Kata kunci: Identifikasi, SVM, Hama dan Penyakit, Jagung lokal Madura, Data Kategori
Abstract
Production of maize crops in Madura is affected by pest and disease outbreaks, causing maize production to
decrease. One of these problems can be solved by identifying early symptoms of plants that are attacked by pests and
diseases using machine learning classification. This research uses Support Vector Machine (SVM) method for
classification of pests and diseases on corn plants. While data used are 200 types of data categories with 25 question
variables, which are diagnosed as diseases, and pests of corn plants. This method uses a separator function to make
it more optimal when separating data types from two different classes. SVM can detect types of pests and diseases of
corn plants with symptom input from user. In this study, difference between results of identification calculation and
calculation results in a data comparison of 60:40 using changes in the parameters and d, by selecting Kernel
Gaussian Radial Basic function has resulted in a classification accuracy of 94.29%.
Keywords: Identification, Support Vector Machine, Pests and Diseases, Madurese Local Maize, Category Data

1. PENDAHULUAN
Hama dan Penyakit tanaman jagung merupakan masalah yang disebabkan karena
kurangnya deteksi gejala awal dan kesalahan dalam meberi perlakuan terdapat perawatan
tanaman [1-2]. Tindakan berupa diagnosa dini pada tanaman jagung adalah dengan memeriksa
gejala-gejala yang terjadi melalui kuisioner pengamatan pada gejala penyakit jagung. Identifikasi
hama dan penyakit pada tanaman jagung telah dilakukan secara manual, yaitu dengan mengamati
gejala warna daun jagung yang telah berubah ketika telah terkena penyakit [3]. Setiap orang telah
menilai identifikasi hama dan penyakit berdasarkan kuisioner dengan mengidentifikasi yang
berbeda-beda terhadap warna. Kaedah dalam mengelompokkan penyakit yang menyerang daun
jagung berdasarkan kernel yang dilakukan berulang-ulang, sehingga pola yang dihasilkan

69|N E R O
 Jurnal Ilmiah NERO Vol. 7 No. 1 2022

maksimal. Sistem ini juga dapat membantu petani dengan mudah, dengan mengamati daun yang
terdapat tanda-tanda gejala penyakit secara langsung [4].
Support Vector Machine (SVM) digunakan untuk mendeteksi gejala penampakan pada
citra daun yang membantu memberikan informasi diagnosa tingkat keparahan serangan secara
cepat, tepat dan efisien. Gejala kerusakan pada daun dapat dijadikan kesimpulan untuk
memberikan solusi kepada petani [5]. SVM merupakan teknik machine learning yang handal
untuk menangani kasus multivariate, setelah pembelajaran Neural Network (NN). SVM memiliki
kemiripan dengan NN yang memiliki fungsi kelas dan kernel dalam menyelesaikan permasalahan
data dimensi tinggi. SVM juga memiliki kelebihan dapat memberi hasil yang lebih optimal
dibandingkan ANN, ketika mencapai solusi yang sama pada setiap running. Teknik optimasi pada
metode SVM dilatih dengan learning bias sebagai fungsi pemisah dua set data pada dua kelas
yang berbeda agar lebih optimal [6-7].
Penelitian ini menggunakan metode Support Vector Machine (SVM) untuk
mengidentifikasi hama dan penyakit pada tanaman jagung, yang berdasarkan gejala dari
pengamatan. Data diperoleh dari pengisian kuisioner yang divalidasi dari para ahli/pakar. Teknik
SVM dipilih karena memiliki kemampuan generalisasi yang sangat baik dan mampu
mengklasifikasikan data berdasarkan kelas dengan tepat dan akurasi yang tinggi.
2. DASAR TEORI
Support Vector Machine (SVM) merupakan bagian metode pattern recognition yang
berupa rangkaian harmonis, yang pertama kali diperkenalkan oleh Vapnik tahun 1992. SVM
menggunakan teknik fungsi pemisah untuk dasar klasifikasi dari dua dataset dari dua label yang
berbeda [8-9]. Fungsi pemisah digunakan untuk mencari hyperplane terbaik pada dua kelas data
dimensi tinggi, misalnya digambarkan kelas -1 dan kelas +1. Sedangkan SVM untuk data non-
linier, menggunakan fungsi kernel untuk memetakan dimensi data dari dimensi yang lebih rendah
ke dimensi yang relatif lebih tinggi dari sekumpulan himpunan data [10]. Penelitian untuk deteksi
hama dan penyakit jagung akan menggunakan fungsi Kernel Gaussian Radial Basic Function
(RBF), sebagai berikut:
2
‖𝑥𝑖 −𝑥𝑗 ‖
𝐾(𝑥𝑖 , 𝑥𝑗 ) = 𝑒𝑥𝑝 (− ) ....................................................................................... (1)
2𝜎2

Sedangkan kernel polynomial adalah sebagai berikut:

𝑑
𝐾(𝑥𝑖 , 𝑥𝑗 ) = ((𝑥𝑖 , 𝑥𝑗 ) + 𝑐) ........................................................................................ (2)

Variable 𝑥𝑖 dan 𝑥𝑗 sebagai pasangan dua data latih dengan kelas yang berbeda. Kemudian
menentukan parameter 𝜎, 𝑐, 𝑑 > 0, yang berupa nilai konstanta. Fungsi kernel ditentukan untuk
subtitusi dot product pada feature space. Fungsi kernel digunakan untuk menentukan fitur baru
berada pada hyperplane yang akan dicari [11]. Metode pendekatan klasifikasi dengan parameter
𝜎, 𝑐, 𝑑, ρ dan k sebagai banyak kelas. Parameter ρ sebagai hyperplane. Ketika klasifikasi dengan
SVM untuk dua kelas, dimana ρ(2), semua data dalam kelas 2 diberi label +1 dan data dari kelas
1 diberi label -1. Hyperplane digunakan untuk memisahkan setiap kelas di atas. Kemudian kelas
dari suatu data baru x akan ditentukan berdasarkan nilai terbesar dari hyperplane tersebut [11-13].
3. METODOLOGI PENELITIAN
Tahapan penelitian ini menggunakan sampel record pengamatan dari beberapa penyuluh
petani yang menanam jagung di kabupaten Sumenep dengan diskripsi variabel sesuai tabel 1.
Sedangkan label/kelas penelitian ini berupa hama dan penyakit tanaman jagung.

70 NERO
 Jurnal Ilmiah NERO Vol. 7 No. 1 2022

Tabel 1. Fitur gejala hama dan penyakit pada Jagung

Fitur Gejala
1 Biji jagung lapuk terdapat bekas gigitan ketika baru
ditanam
2 Jagung layu dan mati
3 Batang jagung terdapat bekas gigitan terutama pada
bakal buah
4 Daun jagung terdapat lubang-lubang
5 Tanaman jagung kerdil karena pertumbuhannya
terganggu
6 Tanaman jagung ada bercak-bercak bulat berwarna
putih kecil-kecil
7 Tanaman jagung terdapat bekas gigitan pada
tongkolnya
8 Daun berupa warna dan bentuk yang tidak normal
9 Biji jagung terdapat lubang ketika baru ditanam
10 Batang jagung lubang terdapat bekas gorokan
11 Tanaman jagung kerdil dan mandul
12 Tongkol jagung rusak
13 Daun hijau segar agak menguning
14 Daun bagian atas maupun bawah berwarna putih
mirip serbuk
15 Daun berubah warna kuning kecoklatan sampai
kemerah merahan menjalar sepanjang tulang daun
16 Daun di bagian permukaan bawah terdapat ulat kecil
17 Daun mudah gugur dan rontok
18 Tongkol jagung berubah bentuknya dan isinya
sedikit
19 Daun memanjang tetapi runcing, kecil, dan kasar
20 Batang pohon pertumbuhannya terhambat
21 Batang pohon ada bercak-bercaknya berukuran
kecil, serta berwarna kuning
22 Hasil buahnya kecil dan tidak sempurna
23 Daun setiap hari mengalami klorosis
24 Tanaman jagung semakin lama semakin mengering
25 Daun terdapat bercak-bercak elips dan mengering

Langkah-langkah metode SVM dalam menyelesaikan masalah deteksi hama dan penyakit
adalah sebagai berikut [7][10][12]:
1. Menentukan inisialisasi nilai awal parameter nilai α, C, epsilon, gamma, lamda, degree (d).
2. Melakukan partisi data menjadi dua yaitu data latih dan data uji dengan prosentase tertentu.
3. Menentukan fungsi pembatas untuk optimasi dengan menggunakan fungsi kernel (K) dalam
bentuk Linear sebagai berikut: K(xi,xj) = xi. xj
4. Menghitung nilai delta dan alpha dengan rumus :
δαᵢ = min{max[γ(1-Eᵢ),-αᵢ], C-αᵢ}
5. Menghitung nilai α baru dengan rumus :
αᵢ = αᵢ + δαᵢ
6. Mencari nilai bias dengan rumus :
1
b = ( w.x-1 + w.x+1)
2
7. Setelah memperoleh hasil nilai α, w dan b, yang akan digunakan untuk pengujian. Pengujian
dilakukan untuk menentukan fungsi keputusan dengan rumus sebagai berikut:
f(x) = w.x + b atau
71|N E R O
 Jurnal Ilmiah NERO Vol. 7 No. 1 2022

f(x)= 𝛼𝑖 𝑦𝑖 (𝐾(𝑥𝑖𝑥𝑗) + b
dengan :
𝑥𝑖 = Data yang ke-i
𝑥𝑗 = Data yang ke-j
𝑦𝑖 = Kelas pada data ke-i
= Jumlah data
(𝑥𝑖 , 𝑥𝑗)= Hasil dari nilai kernel
Selanjutnya tahapan akhir adalah mengetahui nilai Support Vector (SV), dengan SV =
(𝛼𝑖 > Threshold) yang dilakukan dengan batas iterasi tertentu untuk mendapatkan ketepatan uji,
yaitu dengan nilai Threshold ≥ 0.
4. PENGUJIAN DAN PEMBAHASAN
Dataset secara umum memiliki kualitas yang kurang baik dan masih bersifat incomplete,
noisy, dan inconsistent. Tahapan sebelum klasifikasi yaitu dilakukan preprocessing data.
Selanjutnya langkah-langkah klasifikasi dengan menggunakan SVM adalah sebagai berikut:
1. Pembagian dataset penelitian dengan membagi data menjadi data latih dan data uji sebanyak
60% : 40%.
2. Menentukan dua fungsi kernel yaitu fungsi Polynomial dan Radial Basis Function (RBF).
Kedua fungsi kernel tersebut digunakan untuk mengetahui kinerja dari metode.
3. Menentukan beberapa parameter C (cost) pada SVM dari parameter fungsi kernel yang
digunakan untuk menghasilkan error terkecil.
4. Mendapatkan nilai alpha dan betha dan persamaan hyperplane
5. Melakukan prediksi pada data uji dengan klasifikasi SVM.
6. Melakukan evaluasi kinerja metode dengan menghitung akurasi klasifikasi.
7. Memilih nilai parameter terbaik, untuk dijadikan keputusan dengan akurasi yang paling
optimal.
Klasifikasi menggunakan SVM dengan sebanyak label/kelas k, dengan beberapa
perubahan parameter misalnya parameter σ sebagai analisis perubahan parameter σ = 1, σ = 3, σ
=5, dan parameter C = 1, C = 10, C = 30, C = 50. Hasil akurasi klasifikasi Kernel Gaussian RBF
pada data testing untuk validasi dapat dilihat pada tabel 2 dan tabel 3. Model data latih digunakan
untuk menghasilkan nilai α, w dan b yang akan digunakan untuk memprediksi label/kelas data
uji. Proses pengujian untuk memetakan kelas sesuai dengan kelas aslinya. Perbedaan nilai kelas
hasil pengujian dengan kelas sebenarnya digunakan sebagai dasar perhitungan akurasi. Berikut
adalah tabel hasil akurasi untuk prediksi kelas pada data uji.
Tabel 2. Hasil akurasi akibat perubahan parameter σ dengan menggunakan fungsi Kernel
polynomial dan Kernel Gaussian RBF
Polynomial Gaussian RBF
C
σ =1 σ =3 σ =5 σ =1 σ =3 σ =5
1 81.74 84.49 88.94 86.74 88.94 88.94
10 84.86 90.86 85.92 87.73 92.92 90.92
30 85.98 92.70 93.53 89.42 94.29 92.04
50 86.82 92.70 93.53 89.42 94.29 92.04

Tabel 3. Hasil akurasi akibat perubahan parameter d dengan menggunakan fungsi Kernel
polynomial dan Kernel Gaussian RBF
Polynomial Gaussian RBF
C
d=1 d=2 d=5 d=1 d=2 d=5
1 82.53 92.04 75.57 88.82 90.88 93.53
10 84.36 92.59 79.66 90.61 92.90 94.65
30 86.73 94.80 89.70 92.49 93.03 94.95
50 88.93 94.80 91.78 92.49 93.03 94.95

72 NERO
 Jurnal Ilmiah NERO Vol. 7 No. 1 2022

Berdasarkan Tabel 2 telah menghasilkan akurasi maksimal 94.29% pada σ = 3 dan C=30,
dengan menggunakan fungsi Kernel Gaussian RBF. Ketika fungsi Kernel Polynomial berada
pada C=30 dan σ=5 telah menghasilkan akurasi senilai 93.53%. Sehingga penggunaan fungsi
Kernel Gaussian RBF lebih baik untuk kasus data jagung dibandingkan menggunakan fungsi
Kernel Polynomial. Tabel 3 dengan menggunakan fungsi Kernel Polynomial dan fungsi Gaussian
RBF dengan menggunakan perubahan nilai C dan d dengan menggunakan fungsi Kernel
Polynomial telah menghasilkan akurasi terbaik 94,80 untuk pengklasifikasian dengan parameter
d = 2 dan C = 30.
Berdasarkan Tabel 2 menunjukkan bahwa klasifikasi terbaik, ketika menggunakan fungsi
Gaussian RBF adalah memakai d = 2, dan C = 30. Hasil kinerja meghasilkan tingkat akurasi
klasifikasi terbesar 94.29% dan tidak mengalami perubahan. Tabel 3 menunjukkan hasil akurasi
untuk prediksi kelas data uji dengan tingkat kerberhasilan identifikasi hama dan penyakit tanaman
jagung yaitu 94.95% pada d=3, C=10 dengan klasifikasi SVM sangat dipengaruhi oleh perubahan
parameter digunakan saat training. Penggunaan parameter terbaik mampu meningkatkan hasil
klasifikasi yang tinggi yaitu 94.95%. Hasil akurasi klasifikasi untuk masing-masing parameter
fungsi Gaussian RBF menghasilkan akurasi lebih baik dibandingkan menggunakan fungsi kernel
polynomial dengan selisih yang tidak begitu jauh.
5. KESIMPULAN
Identifikasi hama dan penyakit tanaman Jagung dengan menggunakan metode SVM
memperoleh tingkat akurasi terbesar pada saat iterasi maksimal = 500. Hasil kinerja metode SVM
dengan menggunakan parameter d=2, σ=3 dan fungsi Kernel Gaussian Radial Basic telah
menghasilkan akurasi klasifikasi senilai 94.29%. Sedangkan hasil kinerja metode SVM ketika
menggunakan d=5 dan σ=3 telah menghasilkan akurasi 94,95%. SVM menggunakan fungsi
kernel polynomial, telah menghasilkan akurasi senilai 93.53%. Pada perubahan parameter d
menghasilkan akurasi klasifikasi lebih tinggi dengan fungsi Kernel Gaussian Radial Basic
Function (GRBF) dibandingkan fungsi kernel polynomial. Pemilihan parameter dan penggunaan
fungsi pemisah yang tepat menghasilkan ketepatan akurasi.

UCAPAN TERIMAKASIH
Kami tim peneliti menghaturkan terima kasih kepada Universitas Trunojoyo Madura dan
Dirjen Riset Penelitian dan Pengabdian Masyarakat yang telah membiayai jalannya penelitian ini,
melalui program Hibah Mandiri dengan Skim Penelitian Grup Riset. Dan Kami juga
menyampaikan terimakasih sebesar-besarnya kepada BPP Rubaru Kabupaten Sumenep atas
kerjasamanya dalam proses pengambilan dan validasi data.

DAFTAR PUSTAKA
[1] M. Syarief, A. Mukminin, N. Prastiti, W. Setiawan, Penerapan Metode Naïve Bayes
Classifier untuk Deteksi Penyakit pada Tanaman Jagung,” Jurnal Ilmiah NERO, Vol. 3,
No.1, pp.61-68, 2017.
[2] Rais, “Klasifikasi Hama Dan Penyakit Tanaman Jagung Dengan Menggunakan Neural
Network Berbasis Algoritma Genetika,” Senit, pp. 51-56, 2016.
[3] S. S. Athani, and C. Tejeshwar, “Support Vector Machine Based Classification Scheme of
Maize Crop," 2017 IEEE 7th International Advance Computing Conference (IACC), pp.
84-88, 2017. doi: 10.1109/IACC.2017.0032.
[4] S. Nugroho, A.B. Witarto, D. Handoko, “Support Vector Machine Teori dan Aplikasinya
dalam Bioinformatika,” in Proceeding of Indonesian Scientific Meeting in Central, Japan,
20 December 2003.
[5] M. Syarief, N. Prastiti, W. Setiawan, “Maize Leaf Disease Image Classification Using Bag
of Features,” Jurnal Infotel 11(2), May, pp. 48-54, 2019.
[6] B. Miftahurrohmah, C. Wulandari, “Analisis Prediksi Mahasiswa Mengundurkan Diri dari
Universitas XYZ dengan Metode Support Vector Machine,” Jurnal Ilmiah NERO, Vol. 4
No. 3, pp.173-179, 2019.

73|N E R O
 Jurnal Ilmiah NERO Vol. 7 No. 1 2022

[7] V. Kirankumar, Ramasubbareddy, Somula, G. Kannayaram, K.N. Kumar, “Clasification

of Heart Disease Using Support Vector Machine,” Journal of Computational and
Theoretical Nanoscience, 16(5), pp. 2623-2627, May, 2019.
[8] V. Vapnik, “The nature of statistical learning theory,” Springer science & business media,
2013.
[9] V.Vapnik, S. E. Golowich, A. Smola, “Support Vector Method for Function
Approximation,” Regression Estimation and Signal Processing. Advances in Neural
Information Processing Systems, 9, 1997.
[10] M.H. Afif, A. Hedar, “Data Classification using Support Vector Machine Integrated with
Scatter Search Method,” Japan-Egypt Conference on Electronics, Communications and
Computers, pp. 168-172, 2012. doi: 10.1109/JEC-ECC.2012.6186977.
[11] S. Abe, “Support Vector Machines for Pattern Classification, Second Edition,” London:
Springer-Verlag, 2010.
[12] Nuraedah, M. Bakri, A.A. Kasim, “Quadratic Support Vector Machine for the bomba
traditional textile motif Classification,” Indonesia. J. Electr. Eng. Comput. Sci., 11(3), pp.
1004–1014, 2018.
[13] H. Bhavsar, M.H. Panchal, “A Review on Support Vector Machine for Data
Classification,” International Journal of Advanced Research in Computer Engineering &
Technology (IJARCET), 1(10), December, pp. 185-189, 2012.
[14] I.P. Sari, B. Hidayat, R.D. Atmaja, “Perancangan dan Simulasi Deteksi Penyakit Tanaman
Jagung Berbasis Pengolahan Citra Digital Menggunakan Metode Color Moments dan
GLCM,” Seminar Nasional Inovasi, 2016.
[15] T. Pribadi, R. Irsyada, H. Audytra, and D. A. Fatah, “Implementasi Algoritma K-Means
Untuk Klasterisasi Potensi Desa Pada Sektor Produksi Pertanian Di Kabupaten
Bojonegoro,” J. Simantec, vol. 9, no. 1, pp. 20–28, Dec. 2020, doi:
10.21107/simantec.v9i1.9006.

74 NERO