53 102 2 PB
53 102 2 PB
2 2016
ABSTRAK
Dari ilmu pengetahuan memungkinkan kita dapat menerapkan ke dalam sebuah program yang berbasis
komputerisasi yang digunakan untuk mengidentifikasi mutu produk pertanian secara lebih efektif dan
efisien. Salah satu contohnya untuk menentukan kualitas pada biji kakao. Dalam pembuatan sistem
perangkat lunak yang dibangun mulai dengan pengambilan gambar dari file untuk menampilkan pada
sistem antarmuka. Selanjutnya citra gambar diolah menggunakan deteksi tepi sobel untuk mendapatkan
nilai data numerik. Selanjutnya data – data tersebut digunakan sebagai data input training Jaringan
Syaraf Tiruan Backpropagation. Setelah data training didapatkan, selanjutnya data tersebut digunakan
untuk proses testing. Dari proses testing diharapkan output dari sistem yang dibuat mampu memberikan
informasi tentang kualitas biji kakao.
Dalam percobaan yang telah dilakukan dengan menggunakan metode Backpropagation dengan
alpha=0.6, toleransi kesalahan=0.0001, dan target=0.9 menghasilkan sistem yang mempunyai tingkat
akurasi sebesar (76 %) dan mempunyai tingkat error / kesalahan sebanyak (24 %) dalam menentukan
kualitas biji kakao.
ABSTRACT
Science allows us to identify quality of agriculture products effectively and efficiently using a
computerized based program. One of them is determine type of defect in cocoa bean. Software
development is starting choosing file to display on system interface. Further image processing images
using sobel edge detection to obtain numerical data values. Further data are used as data input neural
network training backpropagation. Once the data training obtained, then the data is used for training
testing process. The testing process is expected outputs of the system provide information about type of
defects in beans.
In the experiments that have been done using Backpropagation method with alpha = 0.6. error tolerance
= 0.0001, and target = 0.9 produce a system that has a level of accuracy (76%) and have a higher error /
mistake as many (38%) in determining the quality of cocoa beans.
1. PENDAHULUAN
Pengetahuan dan pemanfaatan citra digital berkembang pesat, tidak saja di bidang
kedokteran, industri manufaktur, dan kesehatan, tetapi juga di bidang pertanian untuk
mengidentifikasi dan mengawasi mutu, cemaran dan sortasi atau pengkelasan. Dari ilmu
pengetahuan tersebut memungkinkan kita dapat menerapkannya ke dalam sebuah program
yang berbasis komputerisasi yang digunakan untuk mengidentifikasi mutu produk pertanian
secara lebih efektif dan efisien. Salah satu contohnya untuk menentukan jenis cacat pada biji
kakao.
Pemeriksaan pada umumnya dilakukan dengan cara melihat langsung jenis cacat pada biji
kakao dengan memilih satu per satu biji kakao. Penglihatan manusia harus secara tepat dapat
melihat objek cacat pada permukaan biji kakao. Secara kasat mata, seorang manusia tanpa perlu
pengetahuan yang khusus dapat membedakan mana biji kakao yang tanpa cacat dengan biji
91 | N E R O
Jurnal Ilmiah NERO Vol. 2, No.2 2016
kakao yang mempunyai cacat. Biasanya, mereka hanya berbekal pengalaman dan pengetahuan
yang diperoleh sebelumnya. Akan tetapi penglihatan manusia pun mempunyai keterbatasan
bahwa mata manusia pun akan mengalami kelelahan apalagi menghadapi biji kakao yang
besarnya hanya sekian.
2. DASAR TEORI
92 | N E R O
Jurnal Ilmiah NERO Vol. 2, No.2 2016
2.2 Citra
Citra (image) adalah gambar pada bidang dwimatra (dua dimensi). Gambar 1 adalah citra
buah kakao yang masih belum dikupas kulitnya, dan gambar di sebelah kanannya adalah citra
biji kakao yang sudah kering. Ditinjau dari sudut pandang matematis, citra merupakan fungsi
menerus (continue) dari intensitas cahaya pada bidang dwimatra.
Citra yang dimaksudkan di dalam keseluruhan isi buku ini adalah “citra diam” (still
images). Citra diam adalah citra tunggal yang tidak bergerak. Gambar 1 adalah dua buah citra
diam. Untuk selanjutnya, citra diam kita sebut citra saja.
93 | N E R O
Jurnal Ilmiah NERO Vol. 2, No.2 2016
Tiruan. Algoritma ini termasuk metode pelatihan supervised dan didesain untuk operasi pada
jaringan feed forward multi lapis.
Metode Backpropagation ini banyak diaplikasikan pada aplikasi pengaturan karena proses
pelatihannya didasarkan pada hubungan yang sederhana, yaitu : Jika keluaran memberikan hasil
yang salah maka panimbang (weight) dikoreksi supaya galatnya apat diperkecil dan respon
jaringan selanjutnya diharapkan akan lebih mendekati harga yang benar. Backpropagation juga
berkemampuan untuk memperbaiki penimbang pada lapisan tersembunyi (hidden layer).[5]
Tahap pelatihan ini merupakan langkah bagaimana suatu jaringan syaraf itu berlatih, yaitu
dengan cara melakukan perubahan bobot (sambungan antara lapisan yang membentuk jaringan
melalui masing-masing unitnya). Sedangkan pemecahan masalah baru akan dilakukan jika
proses pelatihan tersebut selesai. Fase tersebut adalah fase mapping atau proses
pengujian/testing.
Jaringan syaraf tiruan backpropagation, terdiri dari banyak lapisan (multilayer neural
network ):
1. Lapisan input (1 buah). Lapisan input terdiri dari neuron atau unit-unit input, mulai dari
unit input 1 sampai unit input n.
2. Lapisan tersembunyi (minimal 1). Lapisan tersembunyi terdiri dari unit-unit tersembunyi 1
sampai unit tersembunyi p.
Lapisan output (1 buah). Lapisan output terdiri dari unit-unit output mulai dari unit output
1 sampai unit output m,n,p, m masing-masing adalah bilangan integer sembarang menurut
arsitektur jaringan syaraf tiruan yang dirancang. V0j dan W0k masing-masing adalah bias unit
tersembunyi ke-j dan untuk unit output ke-k. Bias V0j dan W0k berprilaku seperti bobot dimana
output bias ini selalu sama dengan 1. Vij adalah bobot koneksi antara unit ke-i lapisan input
dengan unit ke-j lapisan tersembunyi, sedangkan Wjk adalah bobot koneksi antara unit ke-i
lapisan tersembunyi dengan unit ke-j lapisan output.
Dalam jaringan syaraf tiruan Backpropagation setiap unit berada pada lapisan tersembunyi.
Hal serupa berlaku pula pada lapisan tersembunyi. Setiap unit yang berada pada lapisan
tersembunyi terhubung pada setiap unit yang ada dilapisan output.
Y1 Yk ………... Ym
………...
Bias
Z1 Zj ………... Zp
………...
Unit
V01
Tersembunyi
Vij
Vnj
V0j V11
V1j Vi1 V1p Vn1 Vnp
Vip
Bias X1 Xi ………... Xn
………...
Unit Input
94 | N E R O
Jurnal Ilmiah NERO Vol. 2, No.2 2016
1. Biji kakao di-capture dengan menggunakan sebuah kotak penutup dengan bahan dasar
kardus yang didalamnya berwarna putih, seperti pada gambar berikut. Hal ini dimaksudkan
agar pencahayaan yang rata tanpa terpengaruh oleh bias dari cahaya lampu atau sekitarnya.
2. Bjij kakao di-capture pada jarak dan posisi yang sudah ditentukan pada kotak penutup,
sepeti pada gambar berikut. Ini dilakukan untuk memberikan jarak dan posisi pengambilan
citra yang sama rata pada setiap citra yang di-capture.
3. Citra biji kakao yang digunakan sebagai input pada sistem ini adalah dari hasil
penangkapan dengan menggunakan kamera SLR merk NIKON D5000.
Read/load image
Rezise image
Edge Detection
Ekstraksi ciri
end
Pada tahap learning ini toleransi kesalahan yang dipakai sebesar 0.001 dan target yang
harus dicapai adalah 0.9. Jadi proses learning akan terus dilakukan jika hasil output jaringan
belum mencapai target yang ditentukan. Setelah proses learning selesai maka akan muncul
pesan keterangan bahwa proses learning telah selesai.
96 | N E R O
Jurnal Ilmiah NERO Vol. 2, No.2 2016
testing yang akan dilakukan. Sedangkan untuk jumlah maximum gambar yang bisa diujikan
dalam sekali testing adalah 6 buah.
Pada saat melakukan testing data tidak semua data yang diinputkan dapat dikenali oleh
sistem. Ada kalanya terdapat kesalahan dalam pengenalan pola masukkan yang disebut error.
Berikut adalah tampilan untuk data yang bisa dikenali semua:
Sedangkan berikut adalah tampilan testing data untuk data yang tidak dikenali :
97 | N E R O
Jurnal Ilmiah NERO Vol. 2, No.2 2016
DAFTAR PUSTAKA
98 | N E R O