2, Agustus 2017
P - ISSN :1978-1067; E - ISSN : 2528-6285
IDENTIFIKASI JENIS DAN MUTU TEH MENGGUNAKAN PENGOLAHAN CITRA DIGITAL DENGAN
METODE JARINGAN SYARAF TIRUAN
Identification Type and Quality of Tea Using Digital Image Processing By Artificial Neural Network
Method
ABSTRAK
Teh merupakan hasil pucuk daun muda tanaman Camelia sinensis dan menjadi salah satu produk ekspor
terbesar. Salah satu kendala yang dihadapi konsumen dalam memilih teh berkualitas baik adalah minimnya
pengetahuan konsumen terhadap jenis dan mutu teh, sehingga menyebabkan perbedaan penentuan jenis dan
mutu teh. Penelitian untuk mengidentifikasi jenis dan mutu teh dari 3 jenis teh yaitu teh hitam, teh hijau, dan
teh putih perlu dilakukan. Tujuan penelitian ini adalah merancang aplikasi sistem pengolahan citra digital untuk
mengidentifikasi jenis dan mutu teh serta menentukan hasil pengenalan terbaik berdasarkan akurasi yang
diperoleh. Penelitian ini menerapkan metode pengolahan citra digital dengan teknik Learning Vector
Quantization yang menggunakan 6 parameter warna yaitu R, G, B, H, S, dan I sebagai neuron input dan 13
mutu dari 3 jenis teh sebagai neuron output. Penelitian menggunakan 403 citra dengan perbandingan training
dan testing sebesar 80:20. Akurasi training diperoleh sebesar 62,7%. Prediksi menggunakan 26 sampel citra teh
berbeda menunjukkan tingkat akurasi sebesar 42,31%.
Kata Kunci: jaringan syaraf tiruan, learning vector quantization (LVQ), teh
ABSTRACT
Tea is the result of young leaf shoots Camelia sinensis plant and become one of the largest export products. One
of the constraints faced by consumers in choosing good quality tea is the lack of consumer knowledge of the type
and quality of tea, thus causing differences in the determination of the type and quality of tea. Research to identify
the type and quality of tea from 3 types of tea that is black tea, green tea, and white tea needs to be done. The
purpose of this study is to design the application of digital image processing system to identify the type and
quality of tea and determine the best recognition result based on the accuracy obtained. This research applies
method of digital image processing with Learning Vector Quantization which use 6 color parameter that is R, G,
B, H, S, and I as input neuron and 13 quality from 3 tea type as output neuron. The study used 403 images with
a comparison of training and testing of 80:20. Training accuracy obtained was 62.7%. Prediction using 26 samples
of different tea images showed an accuracy of 42.31%.
Diterima : 29 Maret 2017 ; Disetujui : 18 Juli 2017; Online Published : 26 Oktober 2017
DOI : 10.24198/jt.vol11n2.7
Identifikasi Jenis dan Mutu Teh Menggunakan Pengolahan Citra Digital dengan Metode Jaringan Syaraf 67
Tiruan
Jurnal Teknotan Vol. 11 No. 2, Agustus 2017
P - ISSN :1978-1067; E - ISSN : 2528-6285
Identifikasi Jenis dan Mutu Teh Menggunakan Pengolahan Citra Digital dengan Metode
68
Jaringan Syaraf Tiruan
Jurnal Teknotan Vol. 11 No. 2, Agustus 2017
P - ISSN :1978-1067; E - ISSN : 2528-6285
penelitian dilakukan di Laboratorium al., 2007). Algoritma LVQ yang akan diterapkan
Komputasi dan Analisis Sistem, Jurusan untuk membedakan mutu teh berdasarkan ciri
Teknologi Industri Pertanian, Fakultas fisiknya yaitu warna partikel. Untuk mengetahui
Teknologi Pertanian, Universitas Brawijaya, jenis dan mutu warna partikel teh dapat dilihat
Malang. Tahapan penelitian sistem pengolahan pada SNI 01-3836-2000. Tahap analisis sistem
citra digital teh dibuat melalui akuisisi citra, dibagi menjadi dua proses, yaitu proses
preprocessing, ekstraksi fitur, training, testing pengolahan citra digital dan pengenalan citra
dan prediksi. teh dengan menggunakan jaringan syaraf
Analisis perancangan sistem dilakukan tiruan.
untuk membahas secara keseluruhan tentang
proses lebih lanjut data dalam sistem yang HASIL DAN PEMBAHASAN
dibuat. Data yang diproses lebih lanjut adalah
sampel citra yang diambil dari masing-masing Analisis Perancangan dan Implementasi
jenis dan mutu teh hitam orthodox, teh hijau Sistem
dan teh putih. Setiap sampel diambil citranya Tahap analisis perancangan dan
diperlukan 2 gram teh. Kebutuhan sampel implementasi sistem dimulai dari pengambilan
sebanyak 2 gram tersebut pada dasarnya tidak citra teh dengan menggunakan scanner yang
ada acuan tertentu dalam proses pengambilan terhubung langsung dengan laptop. Cara
citra. Pengambilan citra hanya difokuskan pada mengambil citra menggunakan scanner adalah
jarak fokus terhadap objek teh. Pengambilan meletakkan sampel di atas kaca scanner,
citra dilakukan menggunakan scanner Canon kemudian sampel ditutup dengan penutup
Lide 90 yang langsung terhubung dengan scanner untuk memfokuskan cahaya agar citra
komputer. Scanner yang digunakan mudah tidak dipengaruhi oleh sumber cahaya lain.
didapat dan tersedia secara komersial (Adnan Ilustrasi pengambilan citra dapat dilihat pada
dkk, 2013). Resolusi per citra yang diambil dan Gambar 1. Berkas citra yang diambil disimpan
besar pikselnya sama. Citra yang diambil dalam format .jpg, dikarenakan format ini
dilakukan dengan pencahayaan langsung dari mampu menyimpan data gambar dengan
scanner. Sampel citra yang diambil secara tingkat gradasi warna yang tinggi.
keseluruhan sebanyak 403 citra sebagai data
training dan data testing. Penggunaan jumlah
data training dan testing dilakukan dengan
membandingkan data sebesar 60:40, 70:30 dan
80:20. Perbandingan data yang dilakukan
bertujuan untuk mendapatkan tingkat akurasi
yang lebih tinggi.
Pembuatan sistem dilakukan dengan Gambar 1. Ilustrasi pengambilan citra
menggunakan software dengan bantuan
komputer untuk dapat membedakan antara Tahap Akuisisi Citra
jenis dan mutu teh dengan menggunakan Tahap akuisisi citra dilakukan untuk
metode jaringan syaraf tiruan dengan menyeragamkan ukuran piksel pada citra yang
algoritma Learning Vector Quantization (LVQ). diambil melalui scanner. Penggunaan scanner
Algoritma pelatihan LVQ bertujuan untuk bertujuan untuk agar teknik tersebut bisa
menghasilkan vektor referensi yang sangat direplikasi dengan harga relatif murah dan
diskriminatif melalui pembelajaran (Degang et tidak banyak membutuhkan persyaratan teknis.
Identifikasi Jenis dan Mutu Teh Menggunakan Pengolahan Citra Digital dengan Metode Jaringan Syaraf 69
Tiruan
Jurnal Teknotan Vol. 11 No. 2, Agustus 2017
P - ISSN :1978-1067; E - ISSN : 2528-6285
Identifikasi Jenis dan Mutu Teh Menggunakan Pengolahan Citra Digital dengan Metode
70
Jaringan Syaraf Tiruan
Jurnal Teknotan Vol. 11 No. 2, Agustus 2017
P - ISSN :1978-1067; E - ISSN : 2528-6285
Identifikasi Jenis dan Mutu Teh Menggunakan Pengolahan Citra Digital dengan Metode Jaringan Syaraf 71
Tiruan
Jurnal Teknotan Vol. 11 No. 2, Agustus 2017
P - ISSN :1978-1067; E - ISSN : 2528-6285
Tabel 1. Variasi hidden neuron dengan Tabel 3, variasi dengan tingkat akurasi
perbandingan data 60:40 tertinggi terjadi pada hidden neuron 11 pada
Variabel Variasi Hidden Neuron perbandingan data 80:20, dengan tingkat
Hidden 6 9 11 13
Neuron
akurasi 40,74%. Hasil yang didapatkan
Learning 0,00001 0,00001 0,00001 0,00001 fluktuatif tiap variasinya, sebab hidden neuron
Rate yang digunakan tidak sama. Semakin besar
Epoch 1000 1000 1000 1000
Error 0,00001 0,00001 0,00001 0,00001 hidden neuron yang digunakan, akurasi yang
Jumlah 242 242 242 242 didapatkan semakin besar. Sesuai dengan teori
Training Heaton (2008) bahwa terdapat beberapa
Jumlah 161 161 161 161
Testing aturan yang dapat digunakan dalam
Jumlah 26 22 31 36 menentukan jumlah neuron pada hidden layer
Benar
yaitu (1) jumlah hidden layer neuron harus
Akurasi 16,15% 13,66% 19,25% 22,36%
berada diantara ukuran input layer dan output
layer; (2) jumlah hidden neuron harus 2/3 dari
Tabel 2. Variasi hidden neuron dengan
ukuran input layer ditambah output layer; dan
perbandingan data 70:30
Variabel Variasi Hidden Neuron (3) jumlah hidden neuron harus kurang dari dua
Hidden 6 9 11 13 kali jumlah input layer. Aturan-aturan jumlah
Neuron hidden neuron tersebut, berpengaruh terhadap
Learning 0,00001 0,00001 0,00001 0,00001
Rate
pencapaian akurasi.
Epoch 1000 1000 1000 1000
Error 0,00001 0,00001 0,00001 0,00001 Variasi Learning Rate
Jumlah 282 282 282 282 Pada variasi learning rate, learning rate
Training
yang digunakan yaitu 0.01, 0.001, 0.0001, dan
Jumlah 121 121 121 121
Testing 0.00001. Variasi learning rate ini
Jumlah 38 33 30 44 mempengaruhi tingkat akurasi sistem. Hasil
Benar variasi learning rate pada tahap training dan
Akurasi 31,41% 27,27% 24,79% 36,36%
testing dengan menggunakan perbandingan
jumlah data 60:40 dapat dilihat pada Tabel 4,
Tabel 3. Variasi hidden neuron dengan sedangkan hasil variasi learning rate dengan
perbandingan data 80:20 perbandingan jumlah data 70:30 dan 80:20
Variabel Variasi Hidden Neuron
Hidden 6 9 11 13
dapat dilihat pada Tabel 5 dan Tabel 6.
Neuron
Learning Rate 0,00001 0,00001 0,00001 0,00001
Epoch 1000 1000 1000 1000
Error 0,00001 0,00001 0,00001 0,00001
Jumlah 322 322 322 322
Training
Jumlah 81 81 81 81
Testing
Jumlah Benar 21 23 33 26
Akurasi 25,92 28,39% 40,74% 32,09%
Identifikasi Jenis dan Mutu Teh Menggunakan Pengolahan Citra Digital dengan Metode
72
Jaringan Syaraf Tiruan
Jurnal Teknotan Vol. 11 No. 2, Agustus 2017
P - ISSN :1978-1067; E - ISSN : 2528-6285
Tabel 4. Variasi learning rate dengan pada perbandingan data 80:20, dengan tingkat
perbandingan data 60:40 akurasi 40,74%. Diketahui dari tabel bahwa
Variabel Variasi Learning Rate semakin besar learning rate, hasil yang
Hidden 13 13 13 13
Neuron
didapatkan tidak stabil. Sebaliknya, jika
Learning 0,01 0,001 0,0001 0,00001 learning rate yang digunakan semakin kecil
Rate akan membutuhkan waktu yang lama dan hasil
Epoch 1000 1000 1000 1000
Error 0,00001 0,00001 0,00001 0,00001 akurasi yang diperoleh cenderung besar. Sesuai
Jumlah 242 242 242 242 dengan teori Adha (2013) bahwa ketika
Training
learning rate kecil pergeseran pada data
Jumlah 161 161 161 161
Testing centroid lebih kecil, sedangkan ketika learning
Jumlah 13 12 46 36 rate terlalu besar pergeseran data centroid akan
Benar
Akurasi 8,07% 7,45% 28,57% 22,36%
semakin besar menjauhi optimal yang
menyebabkan data tidak stabil.
Tabel 5. Variasi learning rate dengan Analisis Hasil Prediksi Sistem
perbandingan data 70:30 Hasil akurasi tertinggi yang diperoleh
Variabel Variasi Learning Rate dari proses training dan testing digunakan
Hidden 13 13 13 13 untuk memprediksi citra yang diinputkan oleh
Neuron
Learning 0,01 0,001 0,0001 0,00001
user. Hasil akurasi sistem ini menunjukkan
Rate prediksi jenis dan mutu teh yang benar atau
Epoch 1000 1000 1000 1000 tidak benar dari citra yang diinputkan oleh user.
Error 0,00001 0,00001 0,00001 0,00001
Jumlah 282 282 282 282 Berdasarkan trial error variabel training hasil
Training training dan testing yang telah dilakukan,
Jumlah 121 121 121 121
diperoleh akurasi tertinggi yaitu 40,74% yang
Testing
Jumlah 10 9 38 44 terdapat pada perbandingan data 80:20
Benar dengan hidden neuron 11 dan learning rate
Akurasi 8,26% 7,43% 31,41% 36,36%
0.00001. Akurasi tersebut masih rendah karena
pengaruh variabel training atau kesalahan
Tabel 6. Variasi learning rate dengan
dalam pengambilan gambar yang masih
perbandingan data 80:20
terdapat noise pada saat pengambilan gambar
Variabel Variasi Learning Rate
Hidden 11 11 11 11 berupa debu pada lensa scanner. Menurut
Neuron Sutoyo, dkk (2009), rendahnya akurasi dapat
Learning 0,01 0,001 0,0001 0,00001
Rate
disebabkan kesalahan pada pengambilan
Epoch 1000 1000 1000 1000 gambar sehingga proses pengolahan citra
Error 0,00001 0,00001 0,00001 0,00001 tidak optimal, misalnya adanya noise seperti
Jumlah 322 322 322 322
Training kabut yang menghalangi objek yang sedang
Jumlah 81 81 81 81 di-capture atau lensa kamera kotor. Trial error
Testing
variabel bebas dengan akurasi tertinggi
Jumlah 6 6 21 33
Benar ditunjukkan pada Tabel 7.
Akurasi 7,41% 7,41% 25,93% 40,74%
Identifikasi Jenis dan Mutu Teh Menggunakan Pengolahan Citra Digital dengan Metode Jaringan Syaraf 73
Tiruan
Jurnal Teknotan Vol. 11 No. 2, Agustus 2017
P - ISSN :1978-1067; E - ISSN : 2528-6285
Tabel 7. Trial error variabel bebas dengan dengan hasil akurasi sebesar 42.31%. Hasil
akurasi tertinggi. akurasi dari data prediksi yang diperoleh masih
Variabel Variasi Learning Rate rendah, karena akurasi yang diperoleh sistem
Hidden Neuron 11
Learning Rate 0,00001
juga masih rendah. Menurut Pramudiono
Epoch 1000 (2003), pada proses testing dalam sistem
Error 0,00001 identifikasi, model yang sudah terbentuk diuji
Jumlah Training 322
Jumlah Testing 81 dengan sebagian data lainnya untuk
Jumlah Benar 33 mengetahui akurasi dari model tersebut. Jika
Akurasi 40,74%
akurasinya mencukupi, model tersebut dapat
dipakai untuk prediksi kelas data yang belum
Pada tahap prediksi ini dilakukan diketahui.
pengenalan citra diluar data citra yang Persentase akurasi diperoleh dengan
digunakan pada saat proses training dan persamaan 1 (Sarkar dan Leong, 2000).
testing. Citra yang digunakan sebanyak 52 citra
dengan rincian 4 citra pada masing-masing 𝐽𝑢𝑚𝑙𝑎ℎ 𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖 𝑏𝑒𝑛𝑎𝑟
Akurasi = x100% (1)
mutu. Hasil citra yang telah diprediksi dapat 𝐽𝑢𝑚𝑙𝑎ℎ 𝑡𝑜𝑡𝑎𝑙 𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖
Identifikasi Jenis dan Mutu Teh Menggunakan Pengolahan Citra Digital dengan Metode
74
Jaringan Syaraf Tiruan
Jurnal Teknotan Vol. 11 No. 2, Agustus 2017
P - ISSN :1978-1067; E - ISSN : 2528-6285
mengubah citra menjadi citra biner. Tahap Azmi, M. 2014. Komparasi metode jaringan
ekstraksi fitur membaca nilai-nilai parameter syaraf tiruan SOM dan LVQ untuk
warna RGB dan HSI. Proses training LVQ mengidentifikasi data bunga iris. Jurnal
digunakan untuk mendapatkan arsitektur TEKNOIF 2 (1): 65
jaringan terbaik, kemudian proses testing Dirjen Perkebunan. 2014. Statistik Perkebunan
dilakukan untuk menguji arsitektur jaringan Indonesia 2013-2015: Teh. Direktorat
yang diperoleh. Jenderal Perkebunan. Jakarta
Hasil prediksi menggunakan 26 sampel Degang, Y., Guo, C., Hui, W. and Xiaofeng, L.
citra teh menunjukkan bahwa terdapat 11 citra 2007. Learning vector quantization neural
yang sesuai dan 15 citra yang tidak sesuai, network method for network intrusion
sehingga tingkat akurasi keberhasilan detection. Journal of Natural Sciences 12
identifikasi jenis dan mutu teh yang diperoleh (1): 147-150
sebesar 42,31%. Hasil pengenalan terbaik pada Hartoyo, A. 2007. Teh dan Khasiatnya Bagi
teh hitam mutu Dust1, BM, PF3, teh hijau mutu Kesehatan. Kanisius. Yogyakarta
Peko super dan Jikeng serta teh putih mutu Heaton, J. 2008. Programming Neural Networks
silver needle. with Encog 2 In Java. Heaton Research,
Saran perbaikan sistem untuk Inc. St. Louis.
mendapatkan akurasi yang lebih tinggi dapat Hendrawan, Y dan Sumardi, HS. 2005.
dilakukan dengan pengembangan metode Pengkajian karakteristik mutu buah
filtering dengan kombinasi operasi opening- belimbing manis (Averrhoa carambola L.)
closing serta filter median agar noise tidak dengan teknik pengolahan citra. Jurnal
terlihat dan menambahkan analisis tekstur Teknologi Pertanian(6) 2: 131-142
pada pengolahan citra digital. Khan, N., and Mukhtar, H. 2007. Tea
polyphenols for health promotion. J. Life
DAFTAR PUSTAKA Sciences 81: 519–533.
Kusumadewi, S. 2003. Artificial Intelligence:
Adha, G. 2013. Pengklasifikasian kualitas Teknik dan Aplikasinya. Penerbit Graha
minuman anggur menggunakan Ilmu. Yogyakarta
algoritma learning vector quantization Luthfi, E.T dan Kusrini. 2009. Algoritma Data
berbasis asosiasi. Skripsi. Universitas Mining. Penerbit Andi. Yogyakarta
Brawijaya. Malang Mandel, S. A., Avramovich-Tirosh, Y.,
Adnan, B. Kusbiantoro, dan Suhartini. 2013. Reznichenko, L., Zheng, Weinreb, O., and
Identifikasi varietas berdasarkan warna Amit, T. 2005. Multifunctional activities of
dan tekstur permukaan beras green tea catechins in neuroprotection. J.
menggunakan pengolahan citra dan Neurosignals 14: 46-60
jaringan syaraf tiruan. Jurnal Penelitian Rohdiana, D. 2015. Teh: proses, karakteristik
Pertanian Tanaman Pangan 32(2):91-96 dan komponen fungsionalnya. Jurnal
Adrizal, D.Anggraini, N. Novita, Santosa, dan Foodreview Indonesia 10 (8): 35
Andasuryani. 2011. Pendugaan kualitas Sarkar dan Leong. 2000. Principles of Data
fisik biji jagung untuk bahan pakan Mining. Cambridge: MIT Press
menggunakan jaringan syaraf tiruan Somantri, A.S. 2010. Menentukan klasifikasi
berdasarkan data citra digital. Jurnal mutu fisik beras dengan menggunakan
Peternakan Indonesia Vol. 13 (3) teknologi pengolahan citra digital dan
Identifikasi Jenis dan Mutu Teh Menggunakan Pengolahan Citra Digital dengan Metode Jaringan Syaraf 75
Tiruan
Jurnal Teknotan Vol. 11 No. 2, Agustus 2017
P - ISSN :1978-1067; E - ISSN : 2528-6285
Identifikasi Jenis dan Mutu Teh Menggunakan Pengolahan Citra Digital dengan Metode
76
Jaringan Syaraf Tiruan