Jurnal Sosial dan Teknologi (SOSTECH)
Volume 1, Number 9, September 2021
p-ISSN 2774-5147 ; e-ISSN 2774-5155
How to cite:
Istianah
1
dan Dadang Iskandar Mulyana
2
. (2021). Klasifikasi Kejernihan Air Menggunakan Metode LBPH
Berbasis Android. Jurnal Sosial dan Teknologi (SOSTECH), 1(9): 1.080-1.092
E-ISSN:
2774-5155
Published by:
https://greenvest.co.id/
KLASIFIKASI KEJERNIHAN AIR MENGGUNAKAN METODE LBPH
BERBASIS ANDROID
Istianah
1
dan Dadang Iskandar Mulyana
2
STIKOM Cipta Karya Informatika Jakarta, Indonesia
1 dan 2
nuristie49@gmail.com
1
dan mahvin2012@gmail.com
2
Diterima:
17 Agustus
2021
Direvisi:
20 Agustus
2021
Disetujui:
14 September
2021
Abstrak
Air merupakan bahan alam yang diperlukan untuk kehidupan manusia. Air
sebagai komponen lingkungan hidup akan dipengaruhi oleh komponen lainnya.
Air yang kualitasnya buruk akan mengakibatkan kondisi kesehatan dan
keselamatan manusia serta kehidupan makhluk hidup lainnya. Konsep dasar
penelitian ini mengangkat tema citra digital yang didefinisikan secara
matematis sebagai fungsi intensitas dalam 2 variabel yaitu x dan y. Tujuan
penelitian untuk mengetahui kualitas air yang baik dan tidak untuk dikonsumsi
masyarakat di daerah Jalan Kayu Besar, Tegal Alur, Jakarta Barat dengan
menggunakan analisis metode LBPH yang akan diimplementasikan pada
perangkat berbasis android. Jika dengan masukkan beberapa sampel air yang
diambil melalui perangkat. Hasil dari penelitian ini merupakan sebuah sistem
aplikasi untuk klasifikasi untuk mendeteksi kejernihan air. Berdasarkan hasil
pengujian sistem pada klasifikasi kejernihan air yang dapat dilakukan dengan
mengunakan metode LBPH (Local Binary Pattern Histogram) pada parameter
Neighbors = 9, radius = 1, ukuran treshold BW=180 dengan jarak pengambilan
gambar yang paling optimal yaitu 20 sampai 25 cm mendapatkan hasil akurasi
sebesar 95,56 dan waktu komputasi 2,35 detik apabila citra yang diambil
semakin dekat maka citra akan blur. Jika pengambilan citra terlalu jauh maka
citra pada hasil gambar yang di scanning tidak dapat terdeteksi.
Kata Kunci : Kualitas Air, Citra Digital, LBPH, Klasifikasi, Android
Abstract
Water is a natural material that is necessary for human life. Water as a
component of the environment will be influenced by other components. Poor
quality water will result in the health and safety of humans and the lives of
other living things. The basic concept of this research is the theme of digital
image which is defined mathematically as a function of intensity in 2 variables,
namely x and y. The purpose of the study was to determine the quality of water
that is good and not for public consumption in the area of Jalan Kayu Besar,
Tegal Alur, West Jakarta by using the LBPH method analysis which will be
implemented on android-based devices. By entering some water samples taken
through the device. The result of this research is an application system for
classification to detect water clarity. Based on the results of system testing on
water clarity classification that can be done using the LBPH (Local Binary
Pattern Histogram) method at parameters Neighbors = 9, radius = 1, treshold
size BW = 180 with the most optimal shooting distance of 20 to 25 cm to get the
results accuracy of 95.56 and computation time of 2.35 seconds if the image
taken is getting closer, the image will be blurry. If the image is taken too far,
the image in the scanned image cannot be detected.
Keywords : Water Quality, Digital Image, LBPH, Classification, Android
Klasifikasi Kejernihan Air Menggunakan Metode LBPH
Berbasis Android
Istianah
1
dan Dadang Iskandar Mulyana
2
1.081
PENDAHULUAN
Air merupakan bahan alam yang diperlukan untuk kehidupan manusia, hewan dan
tanaman menggunakan air (Sahabuddin, 2012) yaitu sebagai media pengangkutan zat-zat
makanan, juga merupakan sumber energi serta berbagai keperluan lainnya (Muhamad
Faisal & Atmaja, 2019). Sehingga air menjadi sumber daya alam yang memenuhi
kebutuhan orang banyak yang perlu dilindungi (Rahma, 2014) agar tetap dapat
bermanfaat bagi hidup dan kehidupan manusia serta makhluk hidup lainnya di bumi
(Nina & Ali, 2016). Tujuan dari penelitian ini adalah untuk mengetahui kualitas air yang
baik dan tidak untuk dikonsumsi masyarakat di daerah Jalan Kayu Besar, Tegal Alur,
Jakarta Barat dengan menggunakan analisis metode LBPH (Local Binary Pattern
Histogram). Manfaat penelitian ini untuk menjaga atau pencapai standar kualitas air
sehingga dapat dimanfaatkan secara berkelanjutan sesuai dengan tingkat mutu air yang
diinginkan, maka perlu upaya pelestarian dan pengendalian. Air sebagai komponen
lingkungan hidup akan dipengaruhi oleh komponen lainnya (Muhammad Faisal et al.,
2016).
Air yang kualitasnya buruk akan mengakibatkan kondisi kesehatan dan
keselamatan manusia serta kehidupan makhluk hidup lainnya (Muhamad Faisal &
Atmaja, 2019). Penurunan kualitas air akan menurunkan daya guna, hasil guna,
produktivitas, daya dukung dan daya tampung dari sumber daya air yang pada akhirnya
akan menurunkan kekayaan sumber daya alam (natural resources depletion). Komponen
sumber daya alam yang sangat penting maka harus dipergunakan semaksimal mungkin
bagi kemakmuran rakyat (Amri, 2018). Air merupakan bahan alam yang diperlukan
untuk kehidupan manusia, hewan dan tanaman menggunakan air yaitu sebagai media
pengangkutan zat-zat makanan, juga merupakan sumber energi serta berbagai keperluan
lainnya (Leidiyana et al., 2019).
Air dapat diperoleh secara mudah, namun masih banyak air dengan tingkat
kekeruhan yang sangat tinggi, sehingga tidak dapat di konsumsi secara langsung dan
praktis oleh konsumen dalam mengonsumsi air . Berdasarkan tingkat kepadatan
penduduk yang semakin meningkat dan polusi yang terjadi di udara, tanah, maupun air
itu sendiri, menyebabkan kualitas cadangan air yang ada menjadi sangat buruk. Sehingga
masyarakat harus lebih teliti dan tanggap dengan kualitas air yang mereka konsumsi
sehari-hari.
Kebutuhan air pada manusia diantaranya untuk mandi, mencuci, memasak dan lain
sebagainya. Begitu juga makhluk hidup lainnya, jika air limbah rumah tangga mencemari
pembuangan air terakhir yaitu sungai terminum oleh ekosistem di dalam maupun di luar
sungai, maka akan mengganggu kesehatan makhluk hidup tersebut (Hadi et al., 2018).
Hal ini berarti bahwa pengggunaan air untuk berbagai manfaat dan kepentingan harus
dilakukan secara bijaksana dengan memperhitungkan kepentingan generasi sekarang dan
masa depan. Usaha atau kegiatan manusia memerlukan air yang berdaya guna, tetapi di
lain pihak berpotensi menimbulkan dampak negatif, antara lain berupa pencemaran yang
dapat mengancam ketersediaan air, daya guna, daya dukung, daya tampung dan
produktivitasnya agar air dapat bermanfaat secara lestari dan pembangunan dapat
berkelanjutan, maka dalam pelaksanaan pembangunan perlu dilakukan pengelolaan
kualitas air dan pengendalian pencemaran air.
Dampak negatif dari pencemaran air mempunyai nilai (biaya) ekonomis di
samping nilai ekologis dan sosial budaya (Cito, 2016). Upaya pemulihan kondisi air yang
tercemar, bagaimanapun akan memerlukan biaya yang mungkin lebih besar bila
dibandingkan dengan nilai kemanfaatan finansial dari kegiatan yang menyebabkan
Vol. 1, No. 9, pp. 1.080-1.092, September 2021
1.082 http://sostech.greenvest.co.id
pencemarannya. Penelitian sebelumnya yang dilakukan pada tahun 2019 dengan judul
“Perancangan dan Implementasi Filter Air Otomatis dengan Pengukuran Kekeruhan”
yang dilakukan pada tahun 2019. Berdasarkan hasil uji coba dan analisis sistem dengan
mengukur sampel yang diambil dari daerah di daerah sekitar Bandung, sistem filtrasi air
otomatis mampu membedakan air keruh, air jernih dan air bersih. Paling tinggi tingkat
kekeruhan sebesar 7.366 NTU dan berhasil di filter menjadi air bersih dengan nilai 2.012
NTU. Penerapan sistem filter air otomatis mampu mengubah air dengan nilai NTU besar
menjadi nilai NTU yang lebih kecil (Permadi et al., 2019). Penelitian berikutnya yang
dilakukan pada tahun 2020 dengan judul “Rancang Bangun Alat untuk Mengukur Kadar
Kekeruhan pada Air Menggunakan Kamera Pada Remotedly Operated Vehicle (ROV)
dengan Metode Color Filtering”. Berdasarkan analisa dan pembahasan hasil penelitian
dari beberapa percobaan di dapat kesimpulan sebagai berikut. Program sudah berjalan
seperti yang diharapkan, ketika alat diuji di lapangan dan di uji dengan air di dalam
wadah program sudah mampu menunjukkan hasil sesuai dengan parameter yang di buat.
Hasil tangkapan gambar kamera dipengaruhi oleh faktor cahaya jika mendapat cahaya
yang berlebih kamera akan menangkap warna jadi pucat, sedangkan jika cahaya kurang
kamera mengirim gambar gelap dan pada uji coba di air yang di campur dengan warna
merah, biru, hijau diperoleh nilai rata-rata untuk merah 52.022, biru 59.827 dan hijau
64.853 (Permana, 2020).
Penelitian yang dilakukan pada tahun yang sama yaitu tahun 2020 dengan judul
“Penerapan Logika Fuzzy untuk Mendeteksi Kualitas Air Hygiene Sanitasi Menggunakan
Metode Sugeno (Studi Kasus: Air Tanah Kota Bekasi)”. Kegiatan ini bertujuan untuk
merancang prototype yang dapat mendeteksi kualitas air tanah di Kota Bekasi dengan
parameter pH, kekeruhan dan TDS. Sensor yang digunakan adalah sensor pH, kekeruhan,
TDS dan ds18b20. Metode yang digunakan dalam melakukan kegiatan ini adalah logika
fuzzy metode sugeno. Nilai MAE untuk sensor pH sebesar 0,11, sensor TDS 16,8, sensor
kekeruhan 2,93 dan sensor ds18b20 sebesar 1,21. Nilai MAPE untuk sensor pH sebesar
1,70%, sensor TDS 4,98%, sensor kekeruhan 14,26% dan sensor ds18b20 4,32%. Hasil
pengujian air tanah di Kota Bekasi mulai bulan April hingga Mei 2020 menunjukkan
bahwa air tanah masih dalam kualitas yang layak (Putra et al., 2020).
OpenCV (Open Computer Vision Library) merupakan library perangkat lunak open
source yang memiliki lisensi BSD-licensed product. OpenCV memiliki lebih dari 2.500
algoritma yang telah di optimasi disediakan untuk menangani hal mengenai computer
vision dan machine learning. Algoritma yang ada dapat digunakan untuk mendeteksi
wajah, mengenali wajah, mengidentifikasi objek dan lain-lain. Berdasarkan OpenCV,
untuk algoritma pengenalan wajah yang disediakan sampai pada saat penelitian ditulis,
telah tersedia tiga algoritma pengenalan wajah, diantaranya Eigenface, Fisherface dan
Local Binary Pattern Histogram (Alexander & Sentinuwo, 2017).
Metode LBPH dapat diterapkan untuk mewakili warna tekstur pada objek yaitu air,
serta mengurangi dimensi gambar, mengekstraksi fitur tekstur gambar dengan membagi
gambar menjadi wilayah lokal dan mengekstraksi pola biner untuk setiap wilayah lokal.
Operator LBP asli bekerja pada delapan tetangga piksel. Gambar akan dibagi menjadi
daerah kecil yang disebut sel. Setiap piksel dalam sel dibandingkan dengan masing-
masing dari delapan tetangganya. Nilai piksel tengah akan digunakan sebagai nilai
ambang. Delapan tetangga-piksel akan ditetapkan ke satu jika nilainya sama dengan atau
lebih besar dari piksel tengah, jika tidak, nilainya diatur ke nol. Oleh karena itu, kode
LBP untuk piksel tengah dihasilkan dengan menggabungkan ke delapan nilai piksel
tetangga (satu atau nol) menjadi kode biner, yang dikonversi ke dimensi desimal 256
untuk kenyamanan sebagai tekstur deskriptor piksel tengahnya (Setiawan & Agushinta,
2020).
Klasifikasi Kejernihan Air Menggunakan Metode LBPH
Berbasis Android
Istianah
1
dan Dadang Iskandar Mulyana
2
1.083
Kualitas air dapat dinyatakan dengan parameter kualitas air. Parameter ini meliputi
parameter fisik, kimia dan mikrobiologis. Kualitas air juga dapat diketahui dengan
melakukan pengujian tertentu terhadap air tersebut. Pengujian yang dilakukan adalah uji
kimia, fisik, biologi atau uji kenampakan bau dan warna (Noor, 2020). Berdasarkan latar
belakang tersebut maka dilakukannya penelitian mengenai kualitas kejernihan air,
penelitian ini dilakukan agar dapat mengetahui kriteria kualitas air yang layak dikonsumsi
dan digunakan oleh masyarakat sekitar menggunakan teknik klasifikasi LBPH yang
algoritmanya sendiri terdapat pada library OpenCV.
METODE PENELITIAN
Berdaarkan penelitian ini akan membahas tentang klasifikasi kejernihan air dengan
menggunakan metode Local Binary Pattern Histogram (LBPH) berbasis Android.
Menurut beberapa masukkan serta beberapa sample air yang diambil melalui perangkat.
Hasil dari penelitian ini merupakan sebuah sistem aplikasi untuk klasifikasi untuk
mendeteksi kejernihan air berbasis android.
A. Analisa Kebutuhan Sistem (Analysis)
a. Kebutuhan Hardware
Beberapa spesifikasi kebutuhan perangkat keras (hardware) yang digunakan
untuk merancang dan membangun aplikasi untuk melakukan klasifikasi pada
kejernihan air dapat dilihat pada tabel 1 di bawah ini.
Tabel 1. Spesifikasi Hardware
No.
Perangkat
Deskripsi
1
Microprocessor
Intel Core i5
2
Hard Drive
SATA 1 TB
3
RAM Memory
8 GB
4
Mouse
Wireless
5
Display
15 Inch”
6
Smartphone
Xiaomi Note 4X
b. Kebutuhan Software
Beberapa spesifikasi yang menjadi kebutuhan software yang digunakan
untuk merancang dan membangun aplikasi dapat dilihat pada tabel 2 di bawah ini.
Tabel 2. Spesifikasi Software
No.
Perangkat
Deskripsi
1
Windows 10-64 Bit
Operating System (OS)
2
Android Studio
Builder App
3
Draw.io
Flowchart Maker
4
Mendeley
Citations Plugin Software
5
OpenCV
Library
B. Perancangan (Design)
a. Rancangan Arsitektur Sistem
Berdasarkan penelitian ini dirancang sebuah sistem klasifikasi kejernihan air
berbasis android. Rancangan arsitektur aplikasi sistem dapat dilihat seperti pada
gambar di bawah ini.
Vol. 1, No. 9, pp. 1.080-1.092, September 2021
1.084 http://sostech.greenvest.co.id
Gambar 1. Rancangan Arsitektur Sistem
Berdasarkan gambar 1 di atas dijelaskan bahwa sample data yang
dibutuhkan adalah air-air rumahan yang terdapat di sekitar lingkungan rumah
tempat tinggal, seperti air kamar mandi, air kolam, air minum PDAM yang
nantinya akan dilakukan klasifikasi terhadap citra pada air dan hasil konversi citra
berupa tingkat kejernihan air menggunakan klasifikasi Local Binary Pattern
Histogram (LBPH).
C. Rancangan Desain Blok Diagram
Dilakukan akuisisi citra dengan mengambil citra uji, lalu dilakukan tahap
selanjutnya pre-processing terhadap citra uji kemudian dilakukan ekstraksi fitur
dalam metode LBPH. Hasil dari ekstraksi dari ekstraksi fitur di klasifikasikan
kedalam identitas objek yang sudah direkam saat citra uji berdasarkan data latih
yang ada di data base.
Gambar 2. Rancangan Blok Diagram
D. Flowchart Pre-Processing
Proses pada tahap pre-processing pada gambar 3, tahap pertama dalam proses
ini yaitu kamera Android get image, setelah sistem mendapat masukan berupa
image. Image Processing in Server. kemudian resizing dan scaling selanjutnya
melakukan konversi RGB-grayscale dan Citra BW, lalu setelahnya proses akhir
adalah citra hasil pre-processing.
Klasifikasi Kejernihan Air Menggunakan Metode LBPH
Berbasis Android
Istianah
1
dan Dadang Iskandar Mulyana
2
1.085
Gambar 3. Flowchart Pre-Processing
D. Ektraksi Fitur
Ekstraksi fitur merupakan proses pengindeksan suatu data base citra dengan
isinya. Secara matematik, setiap ekstraksi fitur merupakan encode dari vektor n
dimensi yang disebut dengan vektor fitur. Komponen vektor fitur dihitung dengan
proses citra dan teknik analisis serta digunakan untuk membandingkan citra yang
satu dengan citra yang lain. Ekstraksi fitur diklasifikasikan kedalam 3 jenis yaitu low
level, middle level dan high level.
HASIL DAN PEMBAHASAN
A. Klasifikasi Sample Data Uji
Berdasarkan implementasi yang dilakukan sistem akan melakukan uji coba
pada 3 sampel air sebagai pengujian deteksi kejernihan pada air class terdiri atas air
jernih, air keruh dan air tidak terdeteksi yang ditempatkan pada wadah gelas.
Gambar 4. Sampel Data Air
B. Dataset Images
Proses training dataset merupakan bagian dalam pembuatan data base yang
diambil dari citra pada klasifikasi jenis air yang berada pada folder “dataset”. Citra
tersebut kemudian diolah menjadi data matriks dalam bentuk bytearray dan dari
seluruh matriks yang terkumpul dalam folder dataset tersebut disatukan menjadi
sebuah file.yml.
Klasifikasi Kejernihan Air Menggunakan Metode LBPH
Berbasis Android
1.086 http://sostech.greenvest.co.id
Gambar 5. Dataset Air Jernih (Clean)
Gambar 6. Dataset Air Keruh (Dirty)
Gambar 7. Dataset Air Tidak Terdeteksi
C. Hasil Deteksi Aplikasi
Setelah proses dataset pada proses training image yang telah dilakukan, maka
selanjutnya pada implementasi yang dilakukan sistem akan melakukan uji coba pada
3 sampel air sebagai pengujian hasil deteksi pada masing-masing sampel air.
Klasifikasi Kejernihan Air Menggunakan Metode LBPH
Berbasis Android
Istianah
1
dan Dadang Iskandar Mulyana
2
1.087
Gambar 8. Hasil Output pada Aplikasi
D. Deteksi Mode Air Jernih (Clean)
Berdasarkan implementasi yang dilakukan sistem berhasil melakukan
pendeteksian pada jenis air jernih yang layak dikonsumsi dengan menggambarkan
indikator penangkapan objek yang tertangkap oleh kamera dengan memberikan
indikator frame line berwarna hijau dengan nilai confidence sebesar 0,66.
Gambar 9. Deteksi Air Jernih (Clean)
E. Deteksi Mode Air Keruh (Dirty)
Berdasarkan implementasi yang dilakukan sistem berhasil melakukan
pendeteksian pada jenis air keruh yang tidak layak untuk dikonsumsi dengan
indikator penangkapan objek yang tertangkap oleh kamera dengan memberikan
indikator frame line berwarna merah dengan nilai confidence sebesar 0,91.
Vol. 1, No. 9, pp. 1.080-1.092, September 2021
1.088 http://sostech.greenvest.co.id
Gambar 10. Deteksi Air Keruh (Dirty)
F. Tidak Terdeteksi (Nothing Detected)
Berdasarkan implementasi percobaan deteksi selanjutnya pada sampel data uji
air. Aplikasi sistem tidak berhasil mengenali ataupun mendeteksi jenir air yang
berwarna hitam (air kopi). Tampilan hasil output dapat dilihat pada gambar 8
sebelumnya.
Gambar 11. Tidak Terdeteksi Jenis Air
G. Analisa Tingkat Akurasi
Peningkatan sistem akurasi ini dapat dikatakan kemampuan ketepatan sistem
dalam menghitung sampel.
 


x 100% ............ (3.1)
H. Tahap Waktu Komputasi
Waktu yang dibutuhkan untuk melakukan deteksi citra image menjadi dapat
dikenali oleh sistem.
Klasifikasi Kejernihan Air Menggunakan Metode LBPH
Berbasis Android
Istianah
1
dan Dadang Iskandar Mulyana
2
1.089

 x 100% (3.2)
I. False Accepptance Rate (FAR)
False Acceptance Rate (FAR) adalah kesalahan dalam mengenali identitas
gambar masukan, baik itu kesalahan dalam mengenali identitas gambar masukan
dari individu di luar data base yang terdeteksi sebagai individu di dalam data base,
maupun kesalahan dalam mengenali identitas gambar masukan dari individu di
dalam data base yang dikenali sebagai individu lain.



x 100% .................... (3.3)
J. False Rejection Rate (FRR)
False Rejection Rate (FAR) adalah kesalahan dalam menolak gambar
masukan. Sebuah gambar masukan yang seharusnya dapat dikenali (identitasnya
terdapat di dalam data base) berubah menjadi tidak dikenali.



x 100% ........... (3.4)
K. Variabel Pengujian Sistem
Berikut ini beberapa hasil pengujian pada sistem yang bertujuan untuk melihat
dan mengetahui hasil performansi sistem yang telah dibuat.
Gambar 12. Tabel Pengujian Grid X dan Y (Ukuran)
Berdasarkan gambar 12 di atas dalam pengujian tingkat akurasi terhadap ukuran
Grid X dan Grid Y. Grid X sebagai nilai variabel pada jumlah sel dalam arah horizontal.
Semakin banyak sel, semakin halus grid, semakin tinggi dimensi dari vektor fitur yang
dihasilkan dan default value biasanya pada pengaturan ke 8.
Gambar 13. Tabel Faktor Radius pada Nilai Akurasi
Berdasarkan hasil pengujian yang ditunjukkan pada gambar , menunjukkan bahwa
faktor radius pada angka 1 memiliki nilai akurasi yang paling tinggi adalah 95,56%.
Semakin kecil ukuran window maka pengaruh median filter untuk mengurangi noise
semakin sedikit sehingga hasil citra uji masih memiliki banyak noise. Sedangkan jika
semakin besar maka pengaruh median filter untuk mengurangi noise semakin banyak
sehingga informasi-informasi citra uji dianggap noise.
Vol. 1, No. 9, pp. 1.080-1.092, September 2021
1.090 http://sostech.greenvest.co.id
Gambar 14. Tabel Threshold Terhadap Akurasi
Berdasarkan gambar 14 dilakukan threshold black and white merupakan proses
konversi dari citra RGB normal menjadi citra black and white dengan citra yang diuji
sebanyak 40 citra. Pengujian pengaruh nilai threshold black and white merupakan proses
yang bertujuan untuk mencari nilai threshold yang akan dijadikan nilai biner.
Berdasarkan pada pengujian tugas akhir ini, dilakukan pengujian terhadap nilai threshold
yaitu 110, 150, 180 dan 210.
Gambar 15. Tabel Neighbors Pada LBPH
Pengujian terhadap Neighbors yang dapat dilihat pada gambar 15. di atas dilakukan
untuk mengetahui performansi sistem. Pengujian ini dilakukan dengan cara mengubah
nilai parameter N. Dimana nilai N yang digunakan parameter yaitu 1,3 dan 6. Neighbors
adalah jumlah titik sampel untuk membangun pola biner lokal yang melingkar. Semakin
banyak titik sampel yang dimasukkan, semakin lama sistem melakukan komputasi.
Berdasarkan hasil pengujian yang ditunjukkan pada gambar 15, pengaruh parameter
nilai N yang optimal adalah N=1 dengan nilai akurasi yang paling tinggi adalah 95,56%.
Hal ini disebabkan Neighbors mengambil keputusan berdasarkan tetangga terdekat.
Semakin kecil nilai N, maka jarak tetangga yang diambil semakin dekat antara data yang
ada di data base dengan data yang diujikan sehingga hasilnya lebih akurat.
Berikut ini dilakukannya pengujian terhadap jarak dengan tujuan untuk mengetahui
sistem pada jarak antara objek dengan kamera yang paling optimal. Pengujian ini
dilakukan dengan cara mengukur jarak antara jarak objek dengan kamera android
menggunakan sebuah penggaris. Jarak yang akan diujikan yaitu pada jarak 10 - 15 cm, 15
- 20 cm dan 20 - 25 cm. Hasil pengujian dapat dilihat pada gambar 16.
Gambar 16. Tabel Hasil Jarak dengan Akurasi dan Waktu Komputasi
Klasifikasi Kejernihan Air Menggunakan Metode LBPH
Berbasis Android
Istianah
1
dan Dadang Iskandar Mulyana
2
1.091
Berdasarkan hasil pengujian yang ditunjukkan pada gambar di atas, menunjukkan
bahwa pengaruh jarak pengambilan objek yang paling optimal pada jarak 20 - 25 cm
dengan akurasi 95,56% dan waktu komputasi 2,35 detik (second).
Berdasarkan hasil pengujian aplikasi klasifikasi air jernih berbasis Android yang
telah dilakukan dengan mengunakan metode LBPH (Local Binary Pattern Histogram)
pada parameter uji sistem sebagai berikut:
1. Neighbors = 9
2. Grid X dan Grid Y = 8 x 8
3. Radius = 1
4. Threshold BW = 180
5. Pengujian Jarak = 20 - 25 cm
6. Tingkat Akurasi = 95,56
7. Waktu Komputasi = 2,35 detik
KESIMPULAN
Berikut kesimpulan yang didapatkan dari hasil penelitian yang telah dilakukan
sebagai berikut berdasarkan hasil pengujian sistem pada klasifikasi kejernihan air yang
dapat dilakukan dengan mengunakan metode LBPH (Local Binary Pattern Histogram)
pada parameter Neighbors = 9, Grid X Grid Y = 8x8, radius = 1, ukuran treshhold
BW=180 dan jarak 20-25 cm mendapatkan hasil akurasi sebesar 95,56 dan waktu
komputasi 2,35 detik. Hasil pengujian menunjukkan bahwa semakin kecil ukuran radius
pada LBPH maka pengaruh untuk mengurangi noise semakin sedikit sehingga hasil citra
uji masih memiliki banyak noise. Sedangkan jika semakin besar maka pengaruh dalam
mengurangi noise semakin banyak sehingga informasi- informasi citra uji dianggap noise.
Berdasarkan hasil pengujian terhadap threshold, semakin kecil nilai threshold maka
membuat informasi yang berada di citra kejernihan air akan hilang. Sedangkan jika
semakin besar nilai threshold maka kualitas citra rusak menjadi warna hitam dan tidak
bisa menggunakan ekstraksi fitur. Jarak pengambilan gambar yang paling optimal yaitu
20 hingga dengan 25 cm. Apabila citra yang diambil semakin dekat maka citra akan blur.
Jika pengambilan citra terlalu jauh maka citra pada hasil gambar yang di scanning tidak
dapat terdeteksi.
BIBLIOGRAFI
Alexander, L. W., & Sentinuwo, S. (2017). Implementasi Algoritma Pengenalan Wajah
Untuk Mendeteksi Visual Hacking. Jurnal Teknik Informatika, 11(1).
Amri, H. (2018). Sistem Pengukuran Kualitas Air Bersih Berbasis Mikrokontroler
Arduino. Prosiding Seminar Nasional Fisika Universitas Riau Ke, 3(2018).
Cito, N. (2016). Fungsi Bank Sampah Gemah Ripah untuk Masyarakat Padukuhan
Badegan Dilihat dari Aspek Sosial Budaya, Aspek Ekonomi dan Aspek Ekologi
(Suatu Penelitian Deskriptif Kualitatif di Pedukuhan Badegan, Desa Bantul,
Kecamatan Bantul, Kabupaten Bantul, Daerah Istim.
Faisal, Muhamad, & Atmaja, D. M. (2019). Kualitas Air Pada Sumber Mata Air Di Pura
Taman Desa Sanggalangit Sebagai Sumber Air Minum Berbasis Metode Storet.
Jurnal Pendidikan Geografi Undiksha, 7(2).
Faisal, Muhammad, Harmadi, H., & Puryanti, D. (2016). Perancangan Sistem Monitoring
Tingkat Kekeruhan Air Secara Realtime Menggunakan Sensor TSD-10. Jurnal Ilmu
Fisika| Universitas Andalas, 8(1), 9–16.
Vol. 1, No. 9, pp. 1.080-1.092, September 2021
1.092 http://sostech.greenvest.co.id
Hadi, M. S., Firmansyah, A., Cahyaningrum, F., Anwar, A. S., & Mufarichah, D. A.
(2018). Sistem penjernih air limbah rumah tangga dengan kendali PID berbasis
arduino. TEKNO Jurnal Teknologi, Elektro, Dan Kejuruan, 28(2), 191–199.
Leidiyana, H., Priantoro, H., & Simatupang, F. C. R. S. (2019). Perancangan Alat
Pendeteksi Tingkat Kekeruhan Air Kamar Mandi Menggunakan Mikrokontroller
Arduino Nano. Bianglala Informatika, 7(1), 50–55.
Nina, P. I. S., & Ali, K. (2016). Pendeteksi Kejernihan Air Dengan Menggunakan
Indikator LED dan LCD. Seminar Nasional Teknik Elektro.
Noor, A. (2020). Aplikasi Pendeteksi Kualitas Air Menggunakan Turbidity Sensor Dan
Arduino Berbasis Web Mobile. Joutica, 5(1), 316–320.
Permadi, C. R., Sumaryo, S., & Budiman, F. (2019). Perancangan Dan Implementasi
Filter Air Otomatis Dengan Pengukuran Kekeruhan. EProceedings of Engineering,
6(2).
Permana, C. S. A. (2020). Rancang Bangun Alat Untuk Mengukur Kadar Kekeruhan
Pada Air Menggunakan Kamera Pada Remotedly Opertaed Vehicle (Rov) Dengan
Metode Color Filtering. Jurnal Teknik Elektro Dan Komputer TRIAC, 7(1), 11–15.
Putra, N. C., Jayanta, J., & Widiastiwi, Y. (2020). Penerapan Logika Fuzzy Untuk
Mendeteksi Kualitas Air Higiene Sanitasi Menggunakan Metode Sugeno (Studi
Kasus: Air Tanah Kota Bekasi). Senamika, 1(2), 693–706.
Rahma, D. (2014). Studi Kualitas Air Permukaan Di Areal Pertambangan Batubara
Jorong Kabun Nagari Muaro Kabupaten Sijunjung. STKIP PGRI Sumatera Barat.
Sahabuddin, E. S. (2012). Cemaran air dan tercapainya lingkungan sumber daya alam
yang berkelanjutan. Publikasi Pendidikan, 2(2).
Setiawan, F., & Agushinta, D. (2020). Sistem Pengenalan Wajah dengan Metode Local
Binary Pattern Histogram pada Firebase Berbasis Open CV. Prosiding SeNTIK,
4(1), 19–25.
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0
International License