Rancang Bangun Sistem Deteksi Hama Tanaman Whiteflies Berbasis Jaringan Sensor Nirkabel dan Aplikasi Web

1 Pendahuluan

Indonesia merupakan salah satu negara agraris dimana pertanian menjadi salah satu sektor penting dalam pembangunan perekonomian nasional. Pembangunan sektor pertanian diharapkan dapat memberi kontribusi dalam perluasan lapangan kerja dan pemanfaatan peluang ekonomi yang ditimbulkan globalisasi dan

liberalisasi perekonomian dunia. Untuk mencapai harapan ini, ketersediaan sumber daya manusia berkualitas dan handal serta penerapan teknologi di bidang pertanian menjadi kebutuhan yang sangat penting. Terlepas dari peluang tersebut, Indonesia saat ini masih mengalami krisis petani. Berdasarkan data Badan Pusat Statistik pada Survei Antar Sensus 2018 versi A2, diketahui bahwa pertanian Indonesia didominasi petani dengan usia di atas 45 tahun sebanyak 65,82 % atau berjumlah 18,2 juta dari total 33,48 juta petani [1]. Sementara jumlah petani berusia dibawah 25 tahun hanya 191.000 atau 0,69 % dari jumlah total petani. Minimnya jumlah petani produktif tersebut dapat memicu permasalahan di bidang ketahanan pangan nasional. Salah satu alternatif solusi untuk menjaga ketahanan pangan adalah melalui peningkatan penggunaan dan penerapan teknologi pertanian mulai dari tahap pembenihan, pemeliharaan dan pemupukan, penanganan hama/wabah penyakit, hingga proses/pasca panen [2].

Greenhouse whiteflies (GWF) adalah hama berbahaya yang menyerap getah tanaman yang membuat tanaman melemah atau bahkan mati akibat kekurangan nutrisi. Agar dapat hinggap dan tinggal di daun tanaman, GWF menghasilkan zat lengket honey dew yang dapat menempelkan pada daun [3],[4]. Jika dibiarkan, honey dew dapat menutupi permukaan daun sehingga cahaya matahari tidak dapat menyinari daun dan perlahan akan membunuh tanaman karena tidak dapat melakukan fotosintesis [5-6]. Pada tahun 2015, lebih dari 80% tanaman suatu perkebunan kentang di Sulawesi Selatan mati karena GWF [7]. GWF cenderung sulit dideteksi karena biasanya tinggal di sisi bawah daun. Selain itu, ukuran badan GWF juga sangat kecil dengan GWF dewasa hanya memiliki panjang sekitar 1-2 mm [3]-[6].

Untuk mempermudah deteksi GWF, yellow sticky trap (YST) sering digunakan karena latar belakangnya yang berwarna kuning dapat menarik perhatian GWF [8],[9]. Jumlah GWF yang tertangkap pada YST kemudian akan digunakan untuk mengestimasi jumlah populasi GWF pada sebuah daerah untuk penentuan langkah penanggulangan yang diperlukan [10],[11]. Di banyak negara termasuk Indonesia, deteksi GWF masih dilakukan secara manual menggunakan YST dan membutuhkan selang waktu yang lama antar setiap pengecekan. Dengan ukuran tubuh yang sangat kecil dan warna hampir transparan, perhitungan GWF secara manual memiliki akurasi rendah [12],[13]. Hal ini mengindikasikan perlunya metode deteksi GWF secara cepat untuk mengurangi potensi timbulnya kerusakan.

Penelitian ini mengajukan solusi otomasi proses pemantauan hama GWF menggunakan sebuah sistem jaringan sensor nirkabel berbasis web yang dilengkapi algoritma pengolahan citra (image processing) yang dioperasikan secara real-time. Jaringan sensor nirkabel merupakan sebuah sistem dimana sensor mengirim data ke komponen sink yang akan menampung data dari sensor tersebut menggunakan teknologi internet tanpa membutuhkan kabel data [14],[15]. Pada penelitian ini, sensor yang digunakan adalah kamera untuk menangkap citra YST, sementara sink akan digunakan untuk melakukan pemrosesan citra yang diperoleh sensor kamera. Keuntungan sistem ini antara lain instalasinya lebih mudah karena tidak membutuhkan kabel yang panjang, cakupan wilayah yang luas sesuai area pertanian tertentu, serta pemeliharaan sistem lebih mudah dilakukan [15]. Kelebihan utama yang ditawarkan sistem yang dirancang adalah komponen yang digunakan terbilang umum dan mudah diperoleh di pasaran dengan biaya yang relatif rendah. Selain itu, algoritma pengolahan citra berbasis teknik histogram yang digunakan juga membutuhkan sumber daya komputasi yang rendah. Analisis gambar YST juga dapat dilakukan pada perangkat dengan kapasitas yang lebih kuat untuk pemantauan secara paralel di beberapa daerah. Hasil analisis ditampilkan pada website agar dapat diakses petani dari area perkebunan yang berbeda secara daring. Sistem pemantauan otomatis tersebut juga dapat digunakan untuk tujuan manajemen/kontrol hama di area perkebunan yang ditinjau.

2 Metode

2.1 Jaringan Sensor Nirkabel

Jaringan sensor nirkabel atau wireless sensor network (WSN) adalah jaringan sistem komunikasi yang terdiri dari beberapa perangkat sensor sebagai komponen node yang dilengkapi kemampuan penginderaan, komunikasi nirkabel, dan kapasitas komputasi tertentu [16],[17]. Node sensor terdistribusi secara spasial, baik di dalam maupun di luar ruangan. Sebuah perangkat WSN ditujukan untuk mengumpulkan data lingkungan yang penempatan perangkat nodenya dapat diketahui atau tidak diketahui. Setiap node pada WSN dapat berkomunikasi secara real-time dengan perangkat lain untuk melakukan transfer/ fusi data/informasi. Model komunikasi didefinisikan oleh topologi WSN sesuai aplikasian WSN dapat memiliki satu atau dua topologi yang sama dalam suatu jaringan yang umumnya didefinisikan berdasarkan peran node [17]. Topologi dapat berdasarkan model yang ada atau sumber daya jaringan yang tersedia.

Gambar 1(a) menunjukkan model WSN dan hubungan antar komponen user, internet, sink dan node sensor. Sink berfungsi mengirimkan perintah ke node sensor, dan setiap node mengikuti perintah tersebut dan bekerjasama dengan node sensor lainnya. Ketika perintah selesai dilakukan dan setiap node telah

mengumpulkan data, maka node sensor mengirimkan data tersebut kembali ke sink. Sink juga berfungsi sebagai gerbang untuk memberikan koneksi terhadap jaringan lainnya melalui internet. Setelah seluruh data dari node sensor diterima oleh sink, proses data dilakukan dan informasi dikirim ke user melalui internet.

Node sensor pada penelitian ini memiliki empat (4) komponen utama, yaitu (i) suplai daya listrik (power supply) untuk mengaktifkan node, (ii) unit pengolahan data berupa mikrokontroler, (iii) elemen sensor sesuai variabel fisis yang diamati, dan (iv) sistem komunikasi untuk transfer data dengan sink atau sensor lain. Arsitektur jaringan yang digunakan pada penelitian ini adalah single-hop network di mana setiap node sensor terhubung langsung ke sink seperti ditunjukkan di Gambar 1 (b). Pada arsitektur ini tidak ada komunikasi data antar node sehingga memungkinkan node sensor untuk berada pada jarak berjauhan sehingga transmisi jarak jauh memungkinkan dilakukan. Akibatnya, arsitektur ini juga membutuhkan daya besar untuk kebutuhan bagian sistem komunikasinya.

Gambar 1. Ilustrasi jaringan sensor nirkabel atau WSN

2.1.1 Web Server

Web server merupakan sebuah sistem yang menyampaikan konten atau layanan kepada pengguna melalui internet. Web server umumnya terdiri dari server fisik, sistem operasi (operating system, OS) dari server, dan perangkat lunak untuk protokol komunikasi HTTP yang diperlukan. Web server merupakan internet server yang merespon permintaan HTTP untuk menyampaikan konten/servis [18]. Web server berbeda dari website di mana web server adalah perangkat yang menjalankan website sedangkan website adalah tampilan yang dilihat pengguna. Untuk web server pada penelitian ini, Raspberry Pi digunakan sebagai server fisik, Linux digunakan untuk OS, dan Apache digunakan sebagai perangkat lunak. Dalam perancangan web server, beberapa konsep yang juga ditinjau mencakup flask framework, relational database management system, dan Apache server.

2.1.2 Flask Framework

Framework adalah suatu paket berisi fungsi umum yang membantu penyusunan website untuk menghindari input kode yang tidak diperlukan. Frameworks website dibagi menjadi dua, yaitu frontend dan backend. Frontend dikenal juga dengan CSS frameworks dan merupakan bagian website yang dapat dilihat/berinteraksi dengan pengguna. Backend merupakan bagian di balik layar yang terjadi saat penyusunan website [18]. Pada penelitian ini, flask framework berbasis pemrograman Python dipilih dengan pertimbangan berikut:

• Python bersifat open source dan dilengkapi dengan berbagai library yang mendukung pengolahan data gambar yang dibutuhkan di penelitian ini.
• Mempermudah integrasi server dengan website dengan menggunakan bahasa pemrograman yang sama yaitu Python.
• Kesamaan bahasa pemrograman berbasis Python yang digunakan di berbagai website umum seperti Google, Youtube, Instagram, dll.

Flask dipilih sebagai framework Python karena tergolong micro-framework dan berisi fungsionalitas dasar yang tidak membatasi berbagai pengembangan yang mungkin dilakukan. Flask juga bekerja sebagai perekat berbagai library atau toolbox pada bahasa pemrograman yang mungkin digunakan/diperlukan.

2.1.3 Relational Database Management System

Database management system (DMS) atau atau sistem manajemen basis data adalah sistem penyimpanan data terkomputerisasi [18]. Beberapa operasi dapat dilakukan dengan DMS, antara lain manipulasi data yang ada di dalam DMS atau manajemen struktur DMS itu sendiri. DMS dapat dikelompokkan berdasarkan tipe

atau struktur data yang digunakan. Relational DMS (RDMS) dapat digunakan untuk berbagai hal seperti mengatur data/info suatu musik hingga mengatur data/informasi finansial institusional dengan semua transaksi yang ada. RDMS tergolong sistem yang fleksibel dan relatif mudah digunakan untuk mengatur berbagai informasi [18]. Pada RDMS, terdapat beberapa relasi penghubung:

• One-to-one, menggambarkan satu baris data pada suatu tabel yang terhubung dengan satu baris data lainnya pada tabel yang berbeda.
• One-to-many, menggambarkan satu baris data pada suatu tabel yang terhubung dengan satu atau lebih baris data pada tabel yang berbeda
• Many-to-many, menggambarkan satu atau lebih baris data pada suatu tabel yang terhubung dengan satu atau lebih baris data di tabel lain yang berbeda.

Pada penelitian ini, basis data yang digunakan untuk menyimpan informasi pada sistem yang dirancang adalah MySQL yang juga bersifat open-source.

2.1.4 Apache Server

Apache adalah web server tipe open-source yang umum digunakan pada sistem dengan OS berbasis Linux, Microsoft Windows, atau OpenVMS yang mengizinkan pengguna untuk meluncurkan website di internet. Apache merupakan aplikasi modular, sehingga strukturnya dapat memberi fungsi tambahan pada aplikasi utamanya. Apache umumnya di kombinasikan dengan basis data SQL, seperti MySQL atau MariaDB, dan bahasa pemrograman dari sisi server, seperti PHP [17],[18].

2.2 Algoritma Pengolahan Citra

Pengolahan citra pada prinsipnya merupakan suatu proses yang digunakan untuk mengubah suatu gambar menjadi bentuk data digital yang kemudian dijadikan dasar bagi implementasi berbagai operasi matematis dengan tujuan untuk memperoleh informasi/data yang diinginkan. Pada penelitian ini, metode pengolahan citra digunakan untuk mendeteksi adanya hama GWF pada YST.

2.2.1 Metode Histogram Equalization

Pada metode pengolahan citra, histogram digunakan untuk memodelkan jumlah setiap nilai intensitas cahaya pada gambar yang ditinjau dan disajikan dalam bentuk grafik batang. Dari histogram dapat diketahui distribusi nilai intensitas cahaya pada suatu gambar yang mempermudah analisis komposisi gambar. Salah satu aspek analisis tersebut adalah terkait tingkat contrast pada gambar serta metode yang diperlukan untuk memodifikasinya.

Seperti diilustrasikan di Gambar 2(a), suatu gambar seringkali memiliki komponen pixel yang terpusat di rentang nilai tertentu karena diambil dengan pencahayaan yang kurang memadai. Akibatnya gambar menjadi terlalu gelap/terang dan tidak memberikan informasi yang diinginkan. Untuk mengatasi ini, histogram equalization (HE) dapat digunakan agar sedemikian rupa mengubah distribusi intensitas cahaya gambar lebih merata seperti diilustrasikan di Gambar 2(b).

(a) Sebelum histogram equalization (b) Setelah histogram equalization

Gambar 2. Ilustrasi proses histogram equalization

Pada prinsipnya, HE menggunakan suatu fungsi non-linier untuk memetakan ulang nilai intensitas terang/gelap pada gambar yang ditinjau demi menghasilkan gambar yang memiliki intensitas dengan distribusi serba sama (uniform). Dalam hal ini, HE akan menghasilkan gambar dengan histogram distribusi intensitas berbentuk datar (flat) [19],[20]. Operasi fungsi pemetaan pada metode HE dapat dilakukan dengan teknik lookup table. Dalam hal ini, metode HE secara umum mencakup empat (4) tahap berikut:

Jurnal Otomasi Kontrol dan Instrumentasi Vol 16 (2), 2024 ISSN: 2085-2517 https://doi.org/10.5614/joki.2024.16.2.8 E-ISSN: 2460-6340

• Penentuan histogram intensitas gambar input yang ditinjau
• Normalisasi histogram yang diperoleh pada rentang nilai [0,1]
• Transformasi histogram ternormalisasi menjadi tabel warna
• Pemetaan gambar input menggunakan tabel warna yang diperoleh

Pada penelitian ini, implementasi HE dimulai dengan penentuan probability mass function (PMF) intensitas cahaya gambar yang kemudian dipetakan menjadi histogram. PMF tersebut kemudian dinormalisasi pada rentang nilai [0,1] untuk menghasilkan grafik cumulative distribution function (CDF). Untuk melakukan equalization, setiap nilai CDF dikalikan dengan level intensitas abu-abu dikurang 1. Sebagai contoh jika gambar memiliki nilai intensitas 8-bit atau 256, maka nilai CDF dikalikan oleh 256-1 = 255. Hasil dari perkalian kemudian dibulatkan ke bawah untuk memperoleh nilai CDF yang lebih datar (uniform).

Walaupun HE dapat mendistribusikan nilai intensitas pada gambar, terkadang distribusi tersebut tidak memperbaiki namun justru memperburuk nilai contrast yang dihasilkan. Hal ini dapat terjadi jika gambar input memiliki nilai intensitas yang ekstrim pada rentang nilai tertentu [20],[21]. Karena HE dilakukan dalam skala global, maka ketika ada kesalahan pada rentang kecil tertentu, distribusi tetap dilakukan di semua rentang pixel gambar dan merusak keseimbangan contrast pada rentang pixel lain. Untuk mengatasi ini, metode contrast limited adaptive histogram equalization (CLAHE) dapat digunakan.

2.2.2 Metode CLAHE

CLAHE merupakan sebuah variasi algoritma HE yang digunakan untuk memperbaiki keseimbangan tingkat kontras (contrast) dari level pencahayaan (gelap/terang) suatu gambar/citra [22]. Prinsip kerja CLAHE secara umum dikembangkan dari algoritma adaptive histogram equalization (AHE) yang menerapkan HE dengan menggeser sebuah window dengan ukuran yang dapat ditentukan sehingga penentuan distribusi pixel tidak dilakukan di skala global namun pada skala lokal. Dalam hal ini, perubahan distribusi pixel pada area tertentu tidak mempengaruhi area lain. AHE memiliki kelemahan dalam penentuan nilai distribusi karena berpotensi menggeser nilai intensitas terlalu jauh dan mengakibatkan gambar menjadi terlalu terang/gelap.

CLAHE mengatasi keterbatasan AHE dengan membatasi nilai intensitas cahaya gambar, sehingga ketika didistribusikan hanya dapat bergeser hingga batas yang ditentukan [22]. Gambar 3 mengilustrasikan CLAHE yang membatasi pergeseran hingga nilai 60 pada batas bawah. Dengan metode CLAHE, perubahan contrast dapat dilakukan untuk mencegah adanya kehilangan informasi yang dibutuhkan pada gambar. CLAHE dapat dilakukan tidak hanya pada intensitas cahaya, namun juga pada komponen gambar lain selama nilainya memiliki vektor 1 dimensi. Salah satu aplikasi tersebut adalah HSV CLAHE dimana algoritma CLAHE digunakan pada gambar dengan skema warna HSV (Hue, Saturation, Value/Brightness). Karena skema warna HSV merupakan gambar dengan vektor 3 dimensi, maka vektor tersebut perlu dipecah menjadi vektor setiap komposisinya yaitu H, S, dan V. HSV CLAHE bekerja sama seperti CLAHE, namun data yang dimanipulasi bukan intensitas, melainkan komponen warna H, S, dan V.

Gambar 3. Ilustrasi hasil algoritma CLAHE pada histogram di Gambar 2(b)

2.2.3 Teknik Thresholding

Thresholding adalah metode segmentasi yang memisahkan objek berdasarkan nilai intensitas cahaya di setiap pixelnya dan mengubahnya menjadi grayscale [23]. Data gambar kemudian dikonversi menjadi vektor 1 dimensi terkait informasi nilai intensitas cahaya. Hasil ini berbeda dari skema lain seperti RGB yang memiliki tiga (3) nilai, yaitu merah (R), hijau (G), biru (B).

Pada metode thresholding, nilai intensitas cahaya setiap pixel dibandingkan dengan suatu nilai batas (threshold) tertentu [6]. Jika intensitas melebihi batas yang ditentukan, algoritma menentukan output bernilai

thresholding dalam hal ini memenuhi persamaan (1).

1; sebaliknya algoritma akan menentukan output bernilai 0. Fungsi pemetaan intensitas pada teknik

\[q(x,y) = \{1 \text{ jika } q(x,y) > T, \qquad 0 \text{ jika } q(x,y) \le T\}\] \[\tag{1}\] di mana q(x,y) adalah output hasil thresholding dengan (x,y) menyatakan koordinat dua dimensi pixel yang dibandingkan, p adalah nilai intensitas cahaya, dan T adalah nilai batas (threshold) yang digunakan. Sesuai (1), output dari metode thresholding adalah gambar biner dengan warna putih/hitam di setiap pixelnya.

2.2.4 Deteksi Kontur Citra

Kontur gambar merupakan suatu garis yang menyambungkan seluruh titik di sepanjang batas objek yang memiliki warna/intensitas yang sama [23]. Kontur digunakan untuk misalnya memisahkan objek gambar dari latar belakang untuk memperoleh informasi objek seperti bentuk, dimensi, dan posisi (lihat Gambar 4). Untuk meningkatkan akurasi deteksi, gambar input dapat dikonversi terlebih dahulu menjadi gambar biner/gray.

(a) Objek gambar input.

E-ISSN: 2460-6340

(b) Hasil deteksi kontur.

Gambar 4. Ilustrasi proses deteksi kontur

3 Perancangan Sistem

Hasil Gambar 5 menunjukkan skematika sistem deteksi hama GWF berbasis WSN dan teknik pengolahan citra yang dikembangkan pada penelitian ini. Node pada WSN terdiri dari sebuah kamera yang tersambung ke modul Raspberry Pi [24] dan digunakan untuk menangkap gambar YST. Pengambilan gambar oleh kamera dilakukan secara otomatis pada waktu cacah yang diatur dengan Raspberry Pi. Gambar dari kamera kemudian dikirim dari Raspberry Pi menuju sink yang merupakan perangkat Raspberry Pi yang di dalamnya menjalankan algoritma pengolahan citra. Data hasil pengolahan citra terkait tingkat kerusakan tanaman secara detail (tempat, waktu, populasi GWF) lalu diunggah ke webserver untuk ditampilkan di website agar dapat dilihat/dimanfaatkan pengguna.

Gambar 5. Skematika sistem deteksi hama GWF berbasis website

Perangkat keras pada rancangan WSN adalah modul kamera ESP32-CAM yang terkoneksi dengan komputer mini Raspberry Pi 3b menggunakan kabel USB. Koneksi tersebut memungkinkan kamera di program langsung dari Raspberry Pi menggunakan script crontab berbasis UNIX yang juga merupakan basis OS Raspberry Pi. Raspberry Pi 3b memiliki performa tinggi dan dilengkapi fitur cukup lengkap seperti modul wifi dan bluetooth.

3.1 Rancangan Algoritma Pengolahan Citra

Gambar 6 menunjukkan diagram alir algoritma pengolahan citra pada penelitian ini. Berdasarkan diagram ini, data gambar dari kamera diproses terlebih dahulu dengan metode HSV CLAHE untuk mengubah komposisi warna gambar. Pengubahan komposisi dilakukan melalui manipulasi nilai saturation dan brightness dari gambar untuk meningkatkan nilai intensitas cahaya dari objek GWF berwarna putih yang akan dideteksi. Gambar yang telah diproses dengan algoritma HSV CLAHE kemudian dikonversi menjadi tipe grayscale.

Gambar 6. Diagram alir rancangan algoritma pengolahan citra

Hasil citra grayscale selanjutnya diproses dengan algoritma thresholding untuk memisahkan objek utama (GWF) dari latar belakang gambar. Pemisahan dilakukan dengan konversi komponen setiap pixel berdasarkan nilai intensitas cahaya. Setelah proses thresholding, posisi setiap objek pada gambar kemudian ditentukan menggunakan algoritma deteksi contour untuk penghitungan jumlah hama GWF di gambar. Data citra dengan informasi posisi/jumlah GWF tersebut kemudian disimpan pada database untuk selanjutnya diunggah ke website.

3.2 Rancangan Website

Perancangan web server secara umum dilakukan dalam dua tahap, yaitu perancangan alir data dan perancangan fungsi pada website.

3.2.1 Perancangan Alir Data

Gambar 7 menunjukkan diagram alir dari data yang masuk ke dalam WSN. Pertama, data citra yang diperoleh dari sensor kamera dikirimkan ke server untuk disimpan pada penyimpanan data lokal. Data pada Raspberry Pi server tersebut kemudian dienkripsi untuk selanjutkan dikirimkan ke basis data yang digunakan. Proses pengolahan citra dilakukan dengan mengakses data citra pada penyimpanan data lokal tersebut. Setelah di proses, data citra tersebut kemudian dikembalikan ke penyimpanan data lokal yang lokasinya diatur berbeda dengan lokasi data awal yang diterima dari sensor kamera. Data pada basis data kemudian ditampilkan pada website agar dapat diakses klien atau pengguna (user) website.

Gambar 7. Skematika perancangan aliran data pada sistem

3.2.2 Perancangan Alir Fungsi

Gambar 8 menunjukkan tampilan website yang dirancang pada penelitian ini serta fungsionalitas yang tersedia, diantaranya fungsi log-in dan registrasi. Tampilan pada website memiliki beberapa bagian dengan fungsional sebagai berikut.

• Bagian A: navigation bar yang merupakan posisi fungsi untuk mengakses web dengan pilihan "Beranda", "Penjelasan Hama", dan "Masuk".
• Bagian B: web header yang dirancang untuk menarik perhatian pengguna. Pada bagian ini juga terdapat tombol "Coba Sistem" untuk menampilkan data hasil pengolahan citra yang dapat diakses menggunakan akun pengguna yang telah masuk/melakukan log-in.
• Bagian C: web body yang merupakan lokasi peletakan konten. Pada bagian ini terdapat empat pilihan penjelasan hama yang ditinjau pada penelitian ini.
• Bagian D: web footer yang menampilkan informasi kontak pemilik website.

Gambar 8. Skematika perancangan aliran data pada sistem

Sebagai ilustrasi, diagram alir fungsi "Log-In" dan "Coba Sistem" ditunjukkan di Gambar 9(a) dan 9(b). Untuk memulai akses, pengguna dapat memasukkan data log-in atau membuat akun baru jika belum memiliki akun. Jika berhasil log-in, navigation bar akan berubah menjadi "Beranda", "Penjelasan Hama", "Data" dan "Keluar". Pemilihan tombol "Coba Sistem" pada header akan menampilkan halaman data yang tersedia. Informasi data yang tersedia meliputi data dan waktu pengambilan citra dari kamera, hasil pengolahan citra yang dilakukan dalam bentuk persen total jumlah hama GWF yang terdeteksi, serta rekomendasi bagi pengguna berdasarkan data dan hasil pengolahannya. Informasi dan berbagai data terbaru akan ditampilkan pada bagian bawah halaman website.

Gambar 9. Diagram alir fungsi "Log-in" dan "Coba Sistem"

(a) Diagram alir fungsi "Log-in" (b) Diagram alir fungsi "Coba Sistem"

4 Hasil dan Analisis

4.1 Hasil dan Analisis Metode Pengolahan Citra

Gambar 10. Data citra percobaan I dengan metode thresholding

Pengujian I dilakukan pada data citra ideal seperti ditunjukkan di Gambar 10(a) yang kemudian diproses dengan metode thresholding seperti ditunjukkan pada Gambar 10(b) dengan nilai batas (threshold) 210. Algoritma yang digunakan berhasil mendeteksi sebanyak 35 dari jumlah aktual 33 GWF seperti ditunjukkan Gambar 11. Berdasarkan evaluasi hasil deteksi metode thresholding yang digunakan, diketahui bahwa tambahan 2 buah objek yang dideteksi merupakan hasil false positive, di mana data gangguan (noise) pada citra yang pada dasarnya merupakan debu ataupun objek lain dideteksi sebagai GWF. Pada penelitian ini, jumlah hasil deteksi yang merupakan false positive ditentukan sebagai error deteksi yang secara persentase mengakibatkan pengurangan tingkat akurasi deteksi yang dihasilkan. Dalam hal pengujian ini, jika persentase eror deteksi didefinisikan sebagai (2/33)×100%=6%, maka algoritma deteksi yang digunakan disimpulkan memiliki kinerja cukup baik dengan rentang nilai akurasi sebesar 94%-100%.

(c) Histogram pixel pada citra input. (d) Histogram pixel pada output HSV CLAHE

Gambar 11. Hasil implementasi HSV CLAVE percobaan II

Pengujian II dilakukan pada data citra YST asli yang diperoleh dari perkebunan (Gambar 11(a) dengan menggunakan algoritma thresholding standar. Algoritma standar tersebut sama sekali tidak dapat mendeteksi GWF pada citra YST yang ditinjau (Gambar 11(b)). Metode HSV CLAHE kemudian digunakan untuk mengatasi masalah ini. Gambar 12 menunjukkan hasil pemrosesan dan tipe grayscale dari citra yang diperoleh dengan metode HSV CLAHE. Warna citra yang diperoleh pada Gambar 12(a) menjadi lebih tajam dengan tingkat gelap/terang yang meningkat dibanding citra awal di Gambar 11(a). Histogram citra sebelum penggunaan metode HSV CLAHE di Gambar 11(c) memiliki nilai puncak 17500 pixel pada nilai sekitar 160 saja, sedangkan histogram setelah implementasi HSV CLAHE pada Gambar 11(d) memiliki nilai puncak lebih rendah dengan nilai 8000 pada rentang yang lebih lebar yaitu 140 hingga 150.

Citra dengan tingkat kontras yang lebih baik tersebut kemudian dikonversi menjadi tipe grayscale (Gambar 12(a)) dan selanjutnya diproses dengan metode thresholding untuk mendeteksi adanya GWF pada YST. Pada revisi percobaan II, nilai batas (threshold) diturunkan dari 210 menjadi 200 sesuai dengan karakteristik cahaya citra gambar yang ditinjau. Hasil pengujian mencapai akurasi 75% ketika sinyal gangguan false positive diabaikan (Gambar 12(b)). Berdasarkan observasi, nilai akurasi dapat ditingkatkan dengan konsekuensi jumlah gangguan terdeteksi juga ikut meningkat. Parameter deteksi yang diuji tidak dapat digunakan serba sama untuk seluruh citra karena masing-masing memiliki kondisi penerangan yang berubah pada tahapan pengambilan citra. Parameter uji yang berbeda untuk citra dengan kondisi penerangan yang berbeda akan menghasilkan sinyal gangguan signifikan.

(a) Konversi citra menjadi grayscale (b) Hasil deteksi GWF

Gambar 12. Hasil deteksi GWF menggunakan HSV CLAHE dan thresholding

4.2 Hasil dan Analisis Perangkat Lunak WSN

Pengujian website dilakukan dengan dua cara, yaitu lokal dan nonlokal. Uji lokal dilakukan dengan menjalankan website pada komputer untuk melihat apakah tampilan yang dihasilkan sesuai dengan rencana dan rancangan. Uji lokal terkait fitur mencakup melakukan register, akses data, log-in, dan log-out.

Pada uji non-lokal, data penyusun website dikirim ke server (Raspberry Pi) yang akan digunakan, dan alamat untuk membuka website yang telah disusun tersebut disisipkan pada website utama milik perusahaan. Setelah itu dilakukan penyesuaian lingkungan pada server, seperti instalasi aplikasi yang dibutuhkan, aktivasi basis data, dan membangun dan menyesuaikan basis data yang akan digunakan. Setelah penyesuaian lingkungan server selesai dilakukan, maka website siap dijalankan dan dapat diakses pengguna selama server terhubung dengan listrik dan koneksi internet yang lancar.

Rancangan perangkat lunak diintegrasikan dengan perangkat keras yang digunakan yang dalam hal ini adalah node sensor kamera dan sink Raspberry Pi. Data pengukuran dari sensor diproses oleh perangkat lunak di node sensor untuk kemudian dikirimkan ke sink. Pengguna akan menerima data pengukuran setiap node sensor langsung dari sink tersebut melalui aplikasi desktop-based. Secara teknis, flow data pengukuran yang dibaca sensor hingga ditampilkan kepada pengguna ditunjukkan pada Gambar 7. Perangkat Lunak yang dirancang pada penelitian ini memiliki beberapa fungsi berikut:

• Melakukan pengambilan data sesuai interval waktu yang ditentukan.
• Mengirimkan data digital dari node sensor Raspberry Pi ke sink.
• Menerima data dari node sensor lalu mengirimkan ke penyimpanan data lokal.
• Memasukkan alamat penyimpanan data lokal ke basis data di sink.
• Melakukan proses pengambilan data dari data gambar.
• Menampilkan data hasil pengukuran/pengolahan ke pengguna.
• Menambahkan pengguna baru.

4.2.1 Analisis Perangkat Lunak pada Sink

Perangkat lunak sink berhubungan langsung dengan pengguna. Sistem pada sink menampung data pengukuran berupa data gambar dari node sensor, menyimpannya di penyimpanan lokal, dan kemudian menyimpan lokasinya di basis data yang berada pada sink. Aplikasi pada sink adalah web-based dan dibangun untuk pengguna dengan berbasis web. Pengguna dapat melakukan log-in dengan mengisi data username dan kata sandi pada halaman utama.

Jika proses login berhasil, maka pengguna akan diarahkan menuju halaman beranda dengan karakteristik landing page yang memiliki shortcut menuju tujuan halaman lainnya, seperti halaman penjelasan hama, tampilan data, atau unggah data. Hasil proses data berada pada halaman tersendiri yang menampilkan hasil pengambilan gambar dari setiap node dalam bentuk objek kartu. Skema yang sama digunakan untuk pengaturan penjelasan fitur hama, unggah, dan registrasi pengguna yang seluruhnya disediakan sebuah halaman tersendiri.

Pada pengujian yang dilakukan, website pada server dapat di akses dengan baik dan tanpa kendala. Selain itu, tampilan website dan basis data juga berfungsi dengan baik tanpa kendala. Tampilan Beranda website ditunjukkan di Gambar 8 dengan beberapa fitur seperti navigation bar, header, body, dan footer. Untuk mengakses website, pengguna dapat mengakses fitur Log-in seperti ditunjukkan pada Gambar 13 yang juga memungkinkan pengguna baru untuk mendaftar. Untuk pendaftaran akun pertama kali, data yang dibutuhkan mencakup nama, nomor telepon, alamat, kata sandi, dan e-mail.

(a) Fitur untuk pengguna pemilik akun (b) Fitur pendaftaran akun baru

Gambar 13. Fitur login dan registrasi untuk akses website

Fitur Penjelasan Hama pada navigasi akan membawa pengguna ke laman penjelasan hama pada halaman Beranda. Untuk mengakses penjelasan hama yang diinginkan, pengguna dapat memilih tombol "Selanjutnya" yang berada di sisi bawah dari kartu penjelasan hama yang ingin diketahui. Halaman penjelasan hama ditunjukkan pada Gambar 14 dan berisi penjelasan singkat tentang hama, gejala pada tanaman yang terinfeksi hama tersebut, serta cara penanganan hamanya. Sementara itu, fitur Data pada navigasi dan tombol "Coba Sistem" pada komponen header website di bagian Beranda akan membawa pengguna ke data YST yang dikirimkan kamera serta hasil pengolahan citra yang diperoleh sebagaimana diilustrasikan pada Gambar 15.

Gambar 14. Tampilan penjelasan dan penanganan hama

Gambar 15. Ilustrasi tampilan fitur Data

4.2.2 Analisis Basis Data

Website yang dirancang dilengkapi dengan basis data yang digunakan untuk menampung seluruh data hasil pengukuran setiap node sensor dan data seluruh pengguna website. Basis data tersebut diimplementasikan pada platform MySQL pada sink Raspberry Pi. Dalam perancangan basis data, sebuah Entity Relationship Diagram (ERD) yang bertujuan untuk menjelaskan hubungan antar objek entitas telah dirancang terlebih dahulu. ERD tersebut diperlukan untuk menyusun struktur data dan hubungan antar data dalam basis data yang digunakan [25].

Basis data yang dibangun pada penelitian ini terdiri dari tiga (3) entitas utama, yaitu:

• Image: berfungsi menampung data YST dari sensor yang belum diproses
• Result: berfungsi menampung data hasil pemrosesan citra YST
• User: berfungsi menampung data pengguna website

Gambar 16 menunjukkan desain fisik dari basis data yang dirancang. Terdapat dua buah relasi dalam dua tabel berbeda yang dirancang, yaitu relasi antara entitas Result dan Image dengan tipe relasi one-to-one serta relasi antara entitas User dan Image dengan tipe relasi one-to-many. Tipe one-to-one dipilih untuk relasi pertama karena proses yang dilakukan setelah gambar diperoleh hanya akan memiliki suatu hasil. Sedangkan tipe one-to-many dipilih untuk relasi kedua karena satu kamera yang terpasang pada lahan pertanian dapat melakukan beberapa kali pengambilan gambar.

Gambar 16. Desain fisik rancangan basis data

5 Kesimpulan

Makalah ini telah memaparkan rancangan sistem pemantauan hama GWF berbasis citra YST dengan menggunakan jaringan sensor nirkabel berbasis web yang dilengkapi dengan algoritma pengolahan citra dan dioperasikan secara real-time. Hasil pengujian menunjukkan bahwa sistem deteksi hama yang dirancang dapat berfungsi dengan baik dan tanpa kendala. Penelitian lanjutan akan ditujukan untuk meningkatkan performansi dan kinerja dari sistem yang dirancang, baik secara komponen individual maupun terintegrasi secara keseluruhan. Penelitian lanjutan akan ditujukan untuk meningkatkan performansi dan kinerja dari sistem yang dirancang, baik secara komponen individual maupun terintegrasi secara keseluruhan.

Ucapan Terima kasih

Tim penulis mengucapkan terima kasih kepada Lembaga Penelitian dan Pengabdian Masyarakat (LPPM), Universitas Katolik Parahyangan serta P.T. Biops Agrotekno Indonesia atas bantuan serta dukungan yang diberikan dalam pelaksanaan kegiatan penelitian ini.