KLASIFIKASI KEDELAI LOKAL BERDASARKAN CIRI FISIK

MENGGUNAKAN JARINGAN SYARAF TIRUAN

ALGORITMA KOHONEN SELF ORGANIZING MAPS











Oleh :

Ely Desyanawati (M0512017)
Hamzah (M0512021)
Rofiqoh Hasanah (M0512052)



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.





Ely Desyanawati

E-mail:
elydesyana@gmail.com
Hamzah

E-mail:
hamzahibnabdullah@gmail.com
Rofiqoh Hasanah

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

Berikut adalah tabel hasil normalisasi data:
NO.
Variabel Input
X1 (mm) X2 (mm)
1 0.50 0.38
2 0.58 0.15
3 0.65 0.74
4 0.08 0.00
5 0.71 0.50
6 0.85 0.74
7 0.00 0.12
8 0.79 044
9 0.65 0.65
10 0.54 0.47
11 0.60 0.53
12 0.38 0.09
13 0.13 0.12
14 0.75 1.00
15 0.96 0.97
16 0.65 0.38
17 0.13 0.18
18 0.77 0.91
19 0.54 0.88
20 1.00 0.85

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 2. Hasil klasifikasi dari masing-masing data
input dengan maksimum 10 epoh dinyatakan
dengan indeks 0 untuk cluster 1 dan indeks 1 untuk
cluster 2
No.
Variabel Input Pengelompokan
X1(mm) X2(mm)
Cluster
1
Cluster
2
1 0.50 0.38 *
2 0.58 0.15 *
3 0.65 0.74 *
4 0.08 0.00 *
5 0.71 0.50 *
6 0.85 0.74 *
7 0.00 0.12 *
8 0.79 044 *
9 0.65 0.65 *
10 0.54 0.47 *
11 0.60 0.53 *
12 0.38 0.09 *
13 0.13 0.12 *
14 0.75 1.00 *
15 0.96 0.97 *
16 0.65 0.38 *
17 0.13 0.18 *
18 0.77 0.91 *
19 0.54 0.88 *
20 1.00 0.85 *

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

Anggota yang masuk ke dalam
cluster kedua :
Variabel Input
X1(mm) X2(mm)
6.2 4.3
6.5 3.5
7.2 4.3
6.9 3.3
6.2 4.0
5.7 3.4
6.0 3.6
6.7 5.2
7.7 5.1
6.2 3.1
NO.
Variabel Input Pengelompokan
X1
(mm)
X2
(mm)
Cluster
1
Cluster 2
1 0.50 0.38
*
2 0.58 0.15
*
3 0.65 0.74
*
4 0.08 0.00
*
5 0.71 0.50
*
6 0.85 0.74
*
7 0.00 0.12 *
8 0.79 044
*
9 0.65 0.65
*
10 0.54 0.47 *
11 0.60 0.53
*
12 0.38 0.09 *
13 0.13 0.12
*
14 0.75 1.00
*
15 0.96 0.97 *
16 0.65 0.38
*
17 0.13 0.18 *
18 0.77 0.91
*
19 0.54 0.88
*
20 1.00 0.85
*
6.8 4.9
5.7 4.8
7.9 4.7

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