JURUSAN INFORMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SEBELAS MARET SURAKARTA 2014
KLASIFIKASI KEDELAI LOKAL BERDASARKAN CIRI FISIK MENGGUNAKAN JARINGAN SYARAF TIRUAN ALGORITMA KOHONEN SELF ORGANIZING MAPS
Jurusan Informatika, Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sebelas Maret
ABSTRAK Kedelai adalah salah satu bahan produksi pangan yang dibutuhkan oleh produsen tempe, tahu, kecap dan berbagai produk olahan kedelai lainnya. Kedelai dengan ukuran fisik yang besar kenyataanya lebih diminati oleh produsen bahan makanan yang bersumber dari kedelai karena dapat menghasilkan kualitas produksi yang lebih baik. Saat ini pengelompokan kedelai berdasarkan ukuran dilakukan secara manual. Hal ini menyebabkan kurangnya keefektifan waktu dan hasil pengelompokan kedelai yang akan berdampak pada proses pengolahan di dalam produksi bahan makanan yang bersumber dari kedelai. Sehubungan dengan permasalahan tersebut, maka diperlukan cara untuk menentukan klasifikasi kedelai berdasarkan ukuran fisik dengan cepat, akurat dan mudah untuk dioperasikan, sehingga dapat meningkatkan efisiensi pengkelasan mutu fisik kedelai. Kohonen Self Organizing Maps (SOM) merupakan salah satu metoda dalam Jaringan Syaraf Tiruan (Neural Network) yang menggunakan pembelajaran tanpa pengarahan (unsupervised learning). Metode pembelajaran tanpa pengarahan tidak memerlukan target, selama proses pembelajaran unit unit input kedelai yang hampir sama dikelompokkan dalam kelompok tertentu yang berada di unit output (cluster units). Input dari penelitian ini adalah Ukuran fisik dari kedelai yaitu panjang dan lebar dalam satuan milimeter (mm), sedangkan outputnya adalah dikelompokkan ke dalam 2 cluster. Penelitian ini bertujuan untuk membuat sistem penunjang keputusan untuk menentukan klasifikasi kedelai berdasarkan ukuran fisik menggunakan algoritma clustering Kohonen SOM. Kata kunci : Kedelai, Ukuran kedelai, J aringan Syaraf Tiruan, Kohonen SOM.
E-mail: rofiqoh.hasanah@student.uns.ac.id PENDAHULUAN Latar Belakang Kedelai merupakan bahan pokok dalam pembuatan tempe, tahu, kecap dan berbagai produk olahan kedelai lainnya. Peran lain yang diemban oleh kedelai yaitu sebagai roda penggerak ekonomi bangsa dengan banyaknya usaha kecil dan mikro yang bergerak di industri pengolahan kedelai. Pengusaha / Produsen tersebut kenyataanya lebih menyukai kedelai dengan ukuran yang lebih besar karena diaggap lebih berbobot dan berkulaitas sehingga menghasilkan kualitas produksi yang bagus pula. Dengan perannya yang begitu besar, tak pelak pemerintah melakukan impor kedelai dari china dan negara penghasil kedelai yang dinilai berkualitas yang di dasarkan pada besarnya ukuran kedelai. Sedangkan solusi impor kedelai dari luar negeri justru menjadikan harga pokok kedelai naik yang mengakibatkan naiknya nilai produksi yang berimbas pada naiknya harga hasil olahan kedelai sehingga hasil olahan kedelai justru kurang diminati. Kebiasaan pengusaha pengolah kedelai yang menganggap bahwa ukuran kedelai lokal yang lebih kecil dibanding kedelai impor menunjukkan bahwa kedelai impor lebih berkualitas, sedangkan kenyataannya kedelai lokal juga memiliki ukuran yang hampir sama dengan ukuran kedelai impor dan bahkan memiliki kandungan gizi yang lebih banyak. Demi menciptakan kondisi ketahanan pangan maka impor kedelai harus ditekan sesedikit mungkin dan mengoptimalkan kedelai lokal. Penentuan kualitas kedelai berdasarkan ukuran fisik dengan menggunakan Metode Kohonen SOM akan memudahkan pengklasifikasian ukuran sebuah kedelai sehingga dapat ditemukan beberapa kelompok kedelai, dimana setiap kelompok memiliki ukuran fisik yang mirip. Dari hasil pengklasifikasian tersebut maka di dapatkan suatu kelompok tertentu yang bisa direkomendasikan untuk diproduksi oleh produsen pembuat tempe, tahu, kecap dan berbagai produk olahan kedelai lainnya. Adanya pengelompokan ukuran kedelai ini nantinya diharapkan akan memacu pemanfaatkan kedelai lokal dan menekan impor kedelai sehingga biaya produksi dapat ditekan. Jaringan Kohonen termasuk dalam pembelajaran tak terawasi (unsupervised learning). Jaringan ini pertama kali diperkenalkan oleh Teuvo Kohonen pada tahun 1981. Pada jaringan ini, suatu lapisan yang berisi neuron-neuron akan menyusun dirinya sendiri berdasarkan input nilai tertentu dalam suatu kelompok yang dikenal dengan istilah cluster. Selama proses penyusunan diri, cluster yang memiliki bobot paling cocok dengan pola input (memiliki jarak paling dekat) akan terpilih sebagai pemenang. Neuron yang menjadi pemenang beserta neuron-neuron tetangganya akan memperbaiki bobot- bobotnya. Terdapat m unit kelompok yang tersusun dalam arsitektur sinyal-sinyal masukan (input) sejumlah n. Vektor bobot untuk suatu unit kelompok disediakan dari pola-pola masikan yang tergabung dengan kelompok tersebut. Selama proses pengorganisasian sendiri, unit kelompok yang meiliki vektor bobot paling cocok dengan pola masukan (ditandai dengan jarak Euclidean paling minimum) dipilih sebagai pemenang. Unit pemenang dan unit tetangganya diperbaharui bobotnya. Setiap neuron terkoneksi dengan neuron lain yang dihubungkan dengan bobot atau weight. Algoritma pembelajaran unsupervised pada Kohonen SOM daam pengelompokan data adalah sebagai berikut: 1. Tetapkan: a. Jumlah Variabel b. Jumlah Data c. Jumlah Cluster 2. Inisialisasi bobot wij , set parameter learning rate (), parameter tetangga, dan Maksimum Epoh 3. Lakukan langkah berikut sampai kondisi stop bernilai false: Untuk setiap input vektor x, lakukan langkah berikut: a. Untuk setiap j, hitung D(j) = (wij xi)* (wij xi) b. Cari indeks j yang nilai D(j) adalah minimum c. Untuk semua unit j dengan spesifikasi tetangga dalam radius tertentu, dan untuk setiap i: wij(new) = wij(old) + (xi- wij(old)) d. Update learning rate setiap 1 epoh, dimana setiap epoh terdiri dari n data yang pada setiap perhitungan data akan diperbaharui bobotnya. e. Kurangi radius ke-tetangga-an pada waktu tertentu f. Test Kondisi berhenti
Arsitektur JST Kohonen SOM
Masalah Mengklasifikasikan kedelai lokal berdasarkan ukuran fisik menggunakan Jaringan Syaraf Tiruan dengan Algoritma Kohonen SOM.
Tujuan Penelitian - Melakukan pengklasifikasian kedelai berdasarkan ukuran fisik. - Memudahkan produsen produk olahan kedelai untuk mengklasifikasikan kedelai yang sesuai untuk diproduksi.
METODE PENELITIAN Metodologi penelitian dilakukan dengan langkah-langkah sebagai berikut : 1. Literatur , yaitu suatu studi yang dilakukan untuk memperkuat dasar-dasar teori dan pengetahuan. Pendalaman materi bisa melalui jurnal, buku-buku maupun media internet. 2. Pengumpulan Data, data yang dikumpulkan yaitu sample biji kedelai yang diambil dari beberapa pedagang pasar secara acak. 3. Identifikasi masalah, pengidentifikasian masalah dilakukan setelah mendapatkan data kedelai yang sesuai untuk dilakukan clustering. 4. Pre Processing, tahap ini merupakan tahap normalisasi data. Tujuan dari normalisasi adalah agar jaringan syaraf apat mengenali data yang akan menjadi masukkan bobot-bobotnya. Data akan bernilai antara 0 sampai 1 dengan menggunakan rumus: = ( ) ( )
Keterangan: N : Data yang sudah ternormalisasi D : Data yang akan dinormalisasi Dk : Data terkecil dari sekumpulan data Db :Data terbesar dari sekumpulan data 5. Proses Pelatihan menggunakan Kohonen SOM, dalam tahap ini data- data yang sudah didapatkan di clusterkan sesuai dengan ciri fisiknya yaitu panjang dan lebar kedelai 6. Hasil Pengklasifikasian, hasil dari proses pengklasifikasian adalah sejumlah kelompok klasifikasi data yang dapat digunakan sebagai estimasi terhadap kualitas kedelai berdasarkan ukuran fisik.
HASIL DAN PEMBAHASAN - Objek penelitian : Kedelai - Metode yang digunakan : Jaringan Syaraf Tiruan dengan Algoritma Kohonen SOM. - Bahasa Pemrograman : Java Detail data yang akan dilakukan pelatihan: Jumlah data : 20 Jumlah Variabel Input : 2 Jumlah Cluster yang diinginkan : 2 Bobot awal = random Learning Rate () : 0.8 Update Learnig Rate ((baru)) : 0.5 * (lama) Berikut adalah sampel data 20 butir kedelai yang akan dilakukan pelatihan dengan 2 variabel input yaitu panjang (X1) dan lebar (X2): Tabel 1. Data Pelatihan NO. Variabel Input X1 (mm) X2 (mm) 1 5.5 3.1 2 5.9 2.3 3 6.2 4.3 4 3.5 1.8 5 6.5 3.5 6 7.2 4.3 7 3.1 2.2 8 6.9 3.3 9 6.2 4.0 10 5.7 3.4 11 6.0 3.6 12 4.9 2.1 13 3.7 2.2 14 6.7 5.2 15 7.7 5.1 16 6.2 3.1 17 3.7 2.4 18 6.8 4.9 19 5.7 4.8 20 7.9 4.7
Berdasarkan input data normalisasi pada tabel diatas kemudian dilakukan pelatihan jaringan dengan maksimum 10 epoh dan 100 epoh menggunakan program Java. Berikut adalah tampilan awal program yang memungkinkan user untuk memasukkan learning rate, banyak cluster yang diinginkan, maksimum epoh, dan random untuk inisialisasi bobot awal
Hasil klasifikasi data 20 kedelai dengan maksimum epoh: 10, learning rate: 0.8, jumlah cluster: 2 , dan bobot awal: random adalah sebagai berikut :
Hasil untuk masing-masing epoh:
.................................................................... (Sampai epoh ke-10 data ke-20)
Tabel 3. Hasil klasifikasi dari masing- masing data input dengan maksimum 100 epoh, learning rate: 0.8, jumlah cluster: 2 , dan bobot awal: random adalah sebagai berikut:
Dari tabel 2 dan tabel 3 diatas dapat dilihat bahwa hasil pelatihan dengan 10 dan 100 epoh menghasilkan cluster dengan anggota yang konsisten.
KESIMPULAN Dari penelitian yang telah dilakukan maka dapat disimpulkan sebagai berikut : 1. Jaringan Syaraf Tiruan algoritma Kohonen SOM dapat diterapkan dalam aplikasi pengklasifikasian kedelai lokal untuk mendapatkan kualitas kedelai yang tepat untuk para produsen industri kedelai. 2. Hasil pelatihan dengan maksimum 10 epoh dan 100 epoh menghasilkan cluster dengan anggota yang konsisten. 3. Hasil dari pengklasifikasian kedelai menjadi 2 cluster didapatkan hasil kedelai dari cluster pertama sebanyak 7 butir dan cluster kedua 13 butir. 4. Dari pelatihan yang telah dilakukan anggota yang masuk ke dalam cluster pertama adalah : Variabel Input X1(mm) X2(mm) 5.5 3.1 5.9 2.3 3.5 1.8 3.1 2.2 4.9 2.1 3.7 2.2 3.7 2.4
Dari tabel tersebut dapat disimpulkan bahwa cluster kedua memiliki data dengan ukuran lebih besar dibanding cluster yang pertama, maka kedelai yang direkomendasikan adalah kedelai yang ada pada cluster 2.
DAFTAR PUSTAKA Agustina, Silvi, dkk, Clustering Kualitas Beras Berdasarkan Ciri Fisik Menggunakan Metode K- means, Universitas Brawijaya Malang
Wiharto, 2013, Kohonen Self- Organizing Maps, Surakarta: UNS