SKRIPSI
Diajukan Untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer
Program Studi Teknik Informatika
Oleh:
Hironimus Hendra Setiawan
135314126
i
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
A THESIS
Presented as Partial Fulfillment of Requirements to Obtain Sarjana Komputer
Degree in Informatics Engineering Department
By:
Hironimus Hendra Setiawan
135314126
ii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
iii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
iv
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
v
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
vi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
HALAMAN ABSTRAK
KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING
MENGGUNAKAN METHODE BACKPROPAGATION
ABSTRAK
vii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
viii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
ABSTRACT
The development of technology is currently increasing rapidly which impacts
greatly facilitate the community in many fields. One of the areas affected is industry.
In Indonesia banana is one of the most widely produced fruits. Bananas can be
processed into various types of food, like jam, chips, bread and so forth. Different
results of different processed types of bananas are used. But besides the number of
production, there are still many banana processing done in less efficient. This can be
seen from the selection of types of bananas to be processed is still done manually,
judging by the color and size with the normal eyes. One example of the effects of
current technological developments that have an impact on the field of industry is to
enable a self-learning system such as humans. This technology is called the Artificial
Neural Network. One application is the existence of a system that is able to recognize
the type of banana fruit automatically and provide information about features that are
recognized by the system.
In this study will produce a system that is able to classify types of bananas.
The system to be built implements artificial neural networks for its modelers and uses
feature extraction of mean rgb and standard deviation of rgb, perimeter, breadth,
length, width, roundness, and slackness.
Experiment of banana type classification process with Backpropagation
Neural Network with variation of 2 models, there are traingdx and trainlm and logsig
layer transfer function and purelin output transfer function. The test model used in the
classification process is 5-fold cross validation with the basic variation of epoch,
goal, and learning rate from testing using holdout validation. Based on the
experimental results, the best accuracy with 1 hidden layer of 100% with time of 1.6
seconds with the highest accuracy 89.95% with average time of 6.2 seconds. Then
ix
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
use 2 hidden layers 100% with time 22.1 seconds, with the highest average accuracy
of 89.95% with an average time of 19 seconds.
x
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
KATA PENGANTAR
Puji dan syukur penulis panjatkan kepada Tuhan Yesus Kristus atas berkat
rahmat dan karunia-Nya penulis dapat menyelesaikan Tugas akhir ini dengan baik.
Penulis menyadari bahwa dalam penyusunan tugas akhir ini penulis mendapat
banyak masalah dari berbagai macam hadangan dan rintangan yang menghadapi.
Namun dengan datangnya masalah, datang pula dukungan dan doa dari setiap orang
dan berbagai pihak untuk membantu dalam penyelesaian pengerjaan tugas akhir ini.
Dukungan itu ada karna kita mau berusaha, dukungan tersebut bisa datang melalui
kritik, saran, dan perhatian dari setiap orang. Hal inilah yang diperlukan penulis
perlukan dalam penyelesaian tugas akhir ini. Pada kesempatan kali ini penulis
mengucapkan banyak terima kasih kepada banyak pihak yang telah membantu
penyelesaian tugas akhir ini. Terima kasih ini penulis tujukan kepada:
1. Tuhan Yesus Kristus sendiri yang selalu hadir dalam setiap saat dalam
pengerjaan maupun dalam saat malas yang selalu mngingatkan dan memberi
perhatian melalui setiap orang.
2. Drs. Johanes Eka Priyatma, M.Sc., Ph.D. selaku rector Universitas Sanata
Dharma Yogyakarta.
3. Sudi Mungkis, S.Si., M.Match.Sc., Ph.D. selaku Dekan Fakultas Sains dan
Teknologi Universitas Sanata Dharma Yogyakarta.
4. Dr. Cyprianus Kuntoro Adi, SJ.,M.A., M.Sc. selaku dosen pembimbing tugas
akhir yang dengan sabar menunggu, membantu, memberi perhatian kepada
penulis dalam pengerjaan tugas akhir ini.
5. Dr. Anastasia Rita Widiarti M.Kom selaku ketua Program Studi Teknik
Informatika Universitas Sanata Dharma yang selalu memberi dukungan untuk
selalu berusaha dan selalu ada pergerakan dalam penyelesaian tugas akhir
kepada setiap mahasiswa.
6. Paulina Heruningsih Prima Rosa, M.Sc selaku dosen pembimbing akademik
xi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
DAFTAR ISI
HALAMAN JUDUL ........................................................................................... i
TITLE PAGE ...................................................................................................... ii
HALAMAN PERSETUJUAN ............................................................................. iii
HALAMAN PENGESAHAN ............................................................................. iv
PERNYATAAN KEASLIAN KARYA ............................................................. v
LEMBAR PENYATAAN PERSETUJUAN PUBLIKASI KARYA ................... vi
ABSTRAK ............................................................................................................ vii
ABSTRACT .......................................................................................................... ix
KATA PENGANTAR ......................................................................................... xi
DAFTAR ISI ...................................................................................................... xiii
DAFTAR GAMBAR ............................................................................................ xvi
DAFTAR RUMUS ............................................................................................... xix
DAFTAR TABLE ................................................................................................. xxi
DAFTAR ALGORITMA .....................................................................................xxii
BAB I. PENDAHULUAN .................................................................................... 1
1.1. Latar Belakang ...................................................................................... 1
1.2. Rumusan Masalah ................................................................................. 6
1.3. Tujuan Penelitian ................................................................................. 6
1.4. Batasan Masalah.................................................................................... 7
1.5. Manfaat Penelitian ............................................................................... 7
1.6. Metode penelitian ................................................................................. 8
1.7. Sistematika Penulisan ........................................................................... 9
BAB II. LANDASAN TEORI .............................................................................. 10
2.1. Pisang ................................................................................................... 10
2.1.1. Jenis-jenis Pisang ....................................................................... 11
2.2. Citra Berwarna ..................................................................................... 12
2.3. Citra Biner ............................................................................................ 14
xiii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xiv
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xv
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
DAFTAR GAMBAR
xvi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xvii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xviii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
DAFTAR RUMUS
Rumus 2.1 ............................................................................................................. 13
Rumus 2.2 ............................................................................................................. 14
Rumus 2.3 ............................................................................................................. 15
Rumus 2.4 ............................................................................................................. 16
Rumus 2.5 ............................................................................................................. 16
Rumus 2.6 ............................................................................................................. 16
Rumus 2.7 ............................................................................................................. 16
Rumus 2.8 ............................................................................................................. 16
Rumus 2.9 ............................................................................................................. 17
Rumus 2.10 ........................................................................................................... 18
Rumus 2.11 ........................................................................................................... 18
Rumus 2.12 ........................................................................................................... 20
Rumus 2.13 ........................................................................................................... 21
Rumus 2.14 ........................................................................................................... 21
Rumus 2.15 ........................................................................................................... 21
Rumus 2.16 ........................................................................................................... 25
Rumus 2.17 ........................................................................................................... 26
Rumus 2.18 ........................................................................................................... 26
Rumus 2.19 ........................................................................................................... 26
Rumus 2.20 ........................................................................................................... 28
Rumus 2.21 ........................................................................................................... 28
Rumus 2.22 ........................................................................................................... 28
Rumus 2.23 ........................................................................................................... 28
Rumus 2.24 ........................................................................................................... 29
Rumus 2.25 ........................................................................................................... 29
Rumus 2.26 ........................................................................................................... 30
Rumus 2.27 ........................................................................................................... 30
xix
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xx
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
DAFTAR TABEL
Tabel 2.1 ............................................................................................................... 12
Tabel 2.2 ............................................................................................................... 17
Tabel 2.3 ............................................................................................................... 17
Tabel 2.4 ............................................................................................................... 18
Tabel 3.1 ............................................................................................................... 32
Tabel 3.2 ............................................................................................................... 49
Table 4.1 ............................................................................................................... 63
Table 4.2 ............................................................................................................... 66
Table 4.3 ............................................................................................................... 68
Table 4.4 ............................................................................................................... 71
Table 4.5 ............................................................................................................... 73
Table 4.6 ............................................................................................................... 75
Table 4.7 ............................................................................................................... 86
xxi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
DAFTAR ALGORITMA
Algoritma 2.1 ........................................................................................................ 19
Algoritma 2.2 ........................................................................................................ 20
Algoritma 2.3 ........................................................................................................ 29
xxii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
BAB I
PENDAHULUAN
1.1. Latar Belakang
Dewasa ini Perkembangan teknologi membuat manusia ingin meningkatkan
efektifitas dan efisiensi dalam berbagai bidang, salah satunya dalam bidang pertanian.
Dalam dunia pertanian, kemajuan teknologi sangat dibutuhkan untuk menunjang
kegiatan–kegiatan yang ada pada bidang pertanian, salah satunya dalam pengolahan
hasil pertanian dan perkebunan. Industri pengolahan hasil pertanian dan perkebunan
kini semakin berkembang pesat seiring perkembangan teknologi yang ada khususnya
untuk produksi buah pisang. Di Negara Indonesia sendiri pisang banyak disukai oleh
semua kalangan untuk di konsumsi secara langsung sebagai buah atau diolah menjadi
produk konsumsi lain seperti kripik pisang, roti pisang, selai pisang dan lain
sebagainya. Hal ini dapat dilihat dari produksi pisang di Indonesia terus meningkat.
Menurut Badan Pusat Statistik dan Direktorat Jenderal Hortikultura, produksi pisang
3 tahun terakhir ini terus mengalami perkembangan. Pada tahun 2013 produksi pisang
sebanyak 6.279.279 ton. Dan pada tahun 2014 dan 2015 produksi pisang di Indonesia
mengalami peningkatan yang sangat pesat sekali yakni berturut-turut 6.862.558 ton
dan 7.299.266 ton (Kementrian petanian, 2015). Jadi, dapat dikatakan bahwa
Indonesia berpotensi dalam memproduksi buah pisang.
Meskipun banyaknya produksi pisang di Indonesia, namun tidak seimbang
dengan pengolahan terhadap buah pisang tersebut. Penelitian ini akan mencoba
membantu pihak pengolahan pisang yang masih sedikit, namun powerfull dalam
pengolahan pisang. Pada proses pengolahan buah pisang tersebut, ada beberapa
tahapan sebelum produk yang dihasilkan di distribusikan ke konsumen. Salah satu
tahapannya adalah pemilihan pisang hasil pertanian dan perkebunan sesuai dengan
kebutuhan untuk diolah. Pemilihan jenis buah pisang sangat perlu dilakukan, sebab
berbeda jenis pisang berbeda pula cara pengolahan dan hasil olahanya.
1
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Pemilihan jenis pisang harus sesuai agar dapat diolah oleh produsen sesuai
kebutuhan. Proses pemilihan buah pisang dilakukan berdasarkan bentuk, ukuran, dan
warna pada buah pisang. Pemilihan warna meliputi mean rgb dan standar deviasi
rgb, ukuran meliputi perimeter, luas, dan lebar, sedangkan bentuk meliputi kebulatan
dan kerampingan. Tujuan dari proses pemilihan buah pisang ini untuk memisahkan
buah pisang berdasarkan jenisnya. Petani atau penyeleksi buah pisang umumnya
mengidentifikasi jenis pisang dapat dilihat dari ukuran dan warna kulit nya saja,
karena hal tersebut yang paling mudah untuk dilakukan. Walaupun mudah dilakukan,
pada kenyataannya hal tersebut memiliki permasalahan yang terkadang membuat
proses pemilihan jenis buah pisang kurang optimal, terlebih jika hal tersebut
dilakukan secara manual. Hal tersebut bisa terjadi karena perbedaan persepsi dari
masyarakat tentang penyeleksi buah pisang terhadap faktor komposisi warna, bentuk,
ukuran citra suatu objek berbeda–beda walaupun objek yang dilihat sama persis.
Selain itu, dengan semakin besarnya produksi pisang di Indonesia, maka seharusnya
semakin banyak pula perusahaan atau pabrik untuk mengolah pisang tersebut. Sebuah
pabrik ataupun perusahaan pasti akan mengolah pisang dalam skala yang sangat
besar. Namun terdapat beberapa masalah pada bagian pengolahan pisang dalam skala
besar itu. Salah satunya yakni pada bagian pemilihan jenis pisang. Jika pabrik atau
perusahaan tersebut menggaji karyawan untuk memilih jenis pisang, maka pabrik
tersebut harus menggaji banyak pegawai hanya untuk memperhatikan jenis pisang
secara manual. Dengan banyaknya pegawai maka banyak pula gaji yang harus
dibayar karena banyaknya pegawai tersebut. Hal ini akan membuat pembekakan
biaya pada gaji pegawai. Permasalahan yang ada tersebut terkadang membuat
sebagian masyarakat maupun pabrik kurang puas karena kebutuhan yang diharapkan
tidak sesuai dengan yang dibutuhkan. Sehingga, perlu suatu alternatif yang dapat
membantu mengurangi atau mengatasi permasalahan yang ada.
Berdasarkan permasalahan tersebut diatas, maka perlu diadakan penelitian
tentang implementasi aplikasi untuk mengidentifikasi jenis buah pisang dengan
memanfaatkan pengolahan citra digital (image processing).
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Jenis buah pisang yang digunakan ialah sebanyak 5 jenis buah pisang, diantaranya
pisang raja, pisang kapas, pisang mas, pisang susu, dan pisang ambon. Alasan
memilih pisang ini ialah karena pisang ini sering ditemui di Indonesia khususnya di
daerah Yogyakarta sendiri. Penelitian ini dilakukan karena dapat menjadi salah satu
alternatif teknologi untuk dapat membantu mengurangi atau mengatasi permasalahan
yang ada. Membangun sebuah aplikasi untuk mengidentifikasi jenis buah pisang
perlu mengkombinasikan beberapa bidang ilmu seperti pengolahan citra digital
(image processing) dan Jaringan Saraf Tiruan (JST). Pengolahan citra digital (image
processing) merupakan teknik untuk mengolah citra suatu objek secara digital yang
mana setelah melalui proses pengolahan akan didapatkan suatu informasi yang dapat
diolah oleh komputer untuk berbagai kebutuhan. Hal ini nantinya dapat diterapkan
pada saat mengolah citra digital dari bentuk, ukuran, dan warna pisang dalam
klasifikasi jenis buah pisang. Untuk mengidentifikasi objek citra digital buah pisang
dengan pengelompokan jenis buah pisang perlu bantuan bidang ilmu yang lainnya
yaitu Jaringan Saraf Tiruan (JST). Secara umum JST merupakan suatu bidang ilmu
yang mempelajari tentang teknik mengolah data agar dapat digunakan untuk
memberikan suatu indikasi tertentu yang bermanfaat. Dalam JST terdapat banyak
teknik atau methode dalam mengolah suatu data salah satunya Backpropagation.
Methode backpropagation memang sudah sangat sering digunakan sebagai
methode untuk pengujian yang berhubungan dengan buah, hal ini seperti beberapa
percobaan yang dilakukan sebelumnya, diantaranya:
1. “Pemrosesan Citra Digital untuk Klasifikasi Mutu Buah Pisang
Menggunakan Jaringan Saraf Tiruan” yang dilakukan oleh Yanuar Puti
Wiharja dan Agus Harjoko dengan akurasi yang diperoleh sebesar 94%
(2014).
2. “Identifikasi Kematangan Buah Tomat Menggunakan Backpropagation”
yang dilakukan oleh Deswari D., Hendrick M.T., Derisma M.T, diperoleh
akurasi sebesar 85% (2013).
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Selain itu ektraksi ciri berupa bentuk (kebulatan dan kerampingan) dan ukuran
(perimeter, luas, panjang, dan lebar) berdasarkan beberapa penelitan pula,
diantaranya:
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Adapun k-fold validation ini sudah pernah dilakukan di beberapa penelitian lain
seperti:
1. “Prediksi Jumlah Produksi Roti Menggunakan Methode Backpropagation”
yang dilakukan oleh Dhesa Ardhiyanta dengan akurasi yang diperoleh sebesar
74,88% (2016).
Penelitian ini nantinya diharapkan dapat memberikan solusi terhadap
permasalahan yang ada pada pengolahan hasil pertanian dan perkebunan. Khususnya
pada proses pemilihan buah pisang berdasarkan tingkat kematangannya. Sehingga
pengimplementasian aplikasi pada penelitian ini dapat membantu dalam pengolahan
hasil pertanian dan perkebunan sesuai kebutuhan konsumen secara cepat, tepat dan
efisien.
1.3. Tujuan
Tujuan dilakukannya penelitian ini adalah sebagai berikut:
1. Untuk mengetahui bahwa methode backpropagation dapat
mengklasifikasi pisang dengan baik.
2. Untuk mengetahui akurasi dalam klasifikasi jenis pisang dengan
methode backpropagation.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
10
BAB II
LANDASAN TEORI
Pada bab ini akan dibahas mengenai teori -teori yang digunakan untuk
mendukung penulisan tugas akhir klasifikasi jenis buah pisang dengan image
processing menggunakan metode backpropagation. Bagian pertama akan
menjelaskan secara singkat mengenai pisang dan jenis-jenis pisang yang akan
digunakan untuk penulisan tugas akhir ini. Terdapat pula beberapa teori yang akan
dibahas mencakup pengertian dasar jaringan syaraf tiruan dan metode jaringan
syaraf tiruan backpropagation.
2.1. Pisang
Pisang merupakan nama umum yang diberikan pada tumbuhan raksasa berdaun
besar memanjang dari suku Musaceae. Beberapa jenisnya (Musa acuminata, M.
balbisiana, dan M. ×paradisiaca) menghasilkan buah konsumsi yang dinamakan
pisang. Buah ini tersusun dalam tandan dengan kelompok-kelompok tersusun
menjari, yang disebut sisir (KBBI, 2016). Hampir semua buah pisang memiliki kulit
berwarna kuning ketika matang, meskipun ada beberapa yang berwarna jingga,
merah, hijau, ungu, atau bahkan hampir hitam. Buah pisang sebagai bahan pangan
merupakan sumber energi (karbohidrat) dan mineral, terutama kalium. Laura Flores,
seorang ahli gizi berbasis di San Diego mengatakan bahwa “pisang mengandung
banyak kalium dan pektin”. Kandungan kalium yang terkandung dalam buah ini
mampu menurunkan tekanan darah, menjaga kesehatan jantung, dan memperlancar
pengiriman oksigen ke otak. Pisang bisa menjadi pengganti makanan pokok, seperti
dengan diolah menjadi selai sebagai bahan campuran roti atau dapat diolah menjadi
roti, sehingga mengurangi ketergantungan rakyat Indonesia terhadap beras. Perlu
disadari, istilah "pisang" juga dipakai untuk sejumlah jenis yang tidak menghasilkan
buah konsumsi, seperti pisang abaka, pisang hias, dan pisang kipas.
10
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
11
Ada banyak jenis pisang di Indonesia, namun pada kali ini hanya akan dibahas
mengenai 5 jenis pisang saja, yakni pisang raja, pisang kapas, pisang mas, pisang
susu, pisang ambon.
2. Pisang Kapas
Pisang kapasmemiliki ciri fisik luar seperti ukuran buah mencapai
mencapai 6 cm dengan bentuk kulit yang cukup tebal dan berwarna kuning
dengan sedikit berbintik hitam.
3. Pisang Mas
Pisang mas cenderung memiliki ukuran yang kecil, jika matang akan
berwarna kuning bersih. Pisang mas ini memiliki berkulit tipis. Ukuran pisang
memiliki ukuran sekitaran 10 cm.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
12
4. Pisang Susu
Pisang susu memiliki ukuran yang kecil, panjangnya sekitar 10-15 cm,
berdiameter 3-4 cm. Kulit buah pisang ini terbilang tipis, jika matang pisang
susu berwarna kuning kecoklatan dengan bintik-bintik cokelat kehitaman.
Berar pisang susu ini rata-rata 60g/buah-nya.
5. Pisang Ambon
Pisang ambon adalah salah satu jenis buah pisang yang dagingnya tebal,
berwarna putih kekuning-kuningan, bentuk buah yang melengkung sedikit
keatas, kulitnya kehijau-hijauan sampai kuning. Pisang ambon memiliki
ukuran buah cenderung lebih besar dibanding pisang lainnya, kulitnya
berwarna agak kehijauan seperti lumut sedangkan dagingnya jika sudah
matang berwarna putih.
13
Model RGB biasa disajikan dalam bentuk kubus tiga dimensi, dengan warna merah,
hijau, biru berada di pojok sumbu (gambar 2.1). Warna hitam berada pada titik asal
dan warna putih berada di sumbu kubur yang bersebrangan
B
(0, 0, 1)
Biru Cyan
Putih
Magenta
(0, 1, 0)
Aras
keabuan
G
Hitam
Merah Hijau
Kuning
(1, 0, 0)
R
Fitur warna dapat diperoloeh melalui perhitungan statistic seperti rerata dan
deviasi standar (Martinez dan Martinez, 2002). Sebagai contoh fitur-fitur tersebut
dapat digunakan untuk kepentingan identifikasi maupun klasifikasi. Perhitungan
dikenakan pada setiap komponen R, G, dan B.
Rerata memberikan ukuran mengenai distribusi dan dihitung dengan menggunakan
rumus:
1 𝑛
μ = 𝑀𝑁 ∑𝑀
i=1 ∑𝑗=1 𝑃𝑖𝑗 ……………………………………………………………(2.1)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
14
Varians menyatakan luas sebaran distribusi. Akar kuadrat varians dinamakan sebagai
deviasi standar. Adapun rumus yang digunakan untuk menghitungnya sebagai
berikut:
1 2
𝜎 = √𝑀𝑁 ∑𝑀 𝑁
𝑖=1 ∑𝑗=1(𝑃𝑖𝑗 − 𝜇) ………………………………………………….(2.2)
15
0 1 0 1 1 1 1 1
1 1 1
0 1 0
Beberapa contoh kernel ditunjukan gambar diatas, dari contoh tersebut, piksel
pusat (biasa dinamakan hotspot) ditandai warna berbeda dari sekitarnya. Piksel ini
menjadi pusar dalam melakukan operasi terhadap citra.
1. Teori himpunan
Pada kali ini misalkan terdapat himpunan A yang berada didalam bidang Z²
(berdimensi dua) apabila a = (a1, a2) adalah suatu element atau anggota
didalam A, maka a ditulis menjadi
(berdimensi dua) apabila a = (a1, a2) adalah suatu element atau anggota
didalam A, maka a ditulis menjadi
a ϵ A………………………………………………………………………(2.3)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
16
C = A ᴗB………………………………………………………………….(2.6)
C = A ᴖ B…………………………………………………………………(2.7)
17
A – B = { w | w ϵ A, w ϵ B} A ᴖ B 𝑐 ……………………………………...(2.9)
2. Operasi Nalar
Operasi nalar didasarkan pada aljabar boolean. Sebagaimana diketahui
aljabar boolean adalah pendekatan matematis yang berhubungan dengan nilai
kebenaran (benar atau salah). Ada 3 operasi nalar dasar yang akan dibahas,
yaitu AND, OR, NOT. Table kebenarannya bisa dilihat sebagai berikut:
18
2.4.1. Dilasi
Dilasi adalah operasi morphologi yang akan menambahkan pixel pada batas
antar objek dalam suatu citra digital. Secara rinci Dilasi merupakan suatu proses
menambahkan piksel pada batasan dari objek dalam suatu image sehingga nantinya
apabila dilakukan operasi ini maka image hasilnya lebih besar ukurannya
dibandingkan dengan image aslinya (Abdul dan Adhi, 2013). Operasi ini dirumuskan
seperti berikut(Gonzales dan Woods, 2002):
Hasil dilasi berupa penjumlahan seluruh pasangan koordinat dari A dan B. Dibawah
ini merupakan contoh hasil dilasi dengan element penstruktur 7.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
19
2.5. Perimeter
Perimeter atau keliling menyatakan panjang tepi suatu objek (Abdul dan
Adhi, 2013) adapun algoritmanya sebagai berikut:
Algoritma 2.1-Estimasi Perimeter
Masukan : F (M,N) : citra masukan berukuran M baris dan N kolom
Keluaran : perimeter
1. Peroleh citra biner.
2. Kenakan algoritma deteksi tepi.
3. Perimeter = jumlah piksel pada tepi objek hasil langkah 2.
2.6. Luas
Luas merupakan hal penting untuk mengenali suatu objek. Cara sederhana
untuk menghitung luas suatu objek adalah dengan cara menghitung jumlah piksel
pada objek tersebut (Abdul dan Adhi, 2013). Algoritmanaya sebagai berikut:
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
20
𝑙𝑒𝑏𝑎𝑟
Kerampingan = 𝑝𝑎𝑛𝑗𝑎𝑛𝑔……………………………………………………...(2.13)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
21
Panjang adalah panjang objek dan lebar adalah lebar objek. Fitur ini terkadang
disebut rasio aspek (Wu, dkk., 2007 dari Abdul dan Adhi, 2013)
Menghitung gradient garis dengan rumus:
(𝑦2 𝑦1)
grad1 = (𝑥 ……………………………………………….…………...(2.14)
2 𝑥1)
Garis tegak lurus dengan garis gradient sebesar grad1 mempunyai gradient
sebesar:
1
Grad2 = - 𝑔𝑟𝑎𝑑1……………………………………………….………...(2.15)
22
23
Dengan kata lain jaringan syaraf tiruan ini ditentukan oleh 3 hal, yaitu :
1. Pola hubungan antar neuron ( arsitektur jaringan ).
2. Metode untuk menentukan bobot penghubung.
3. Fungsi aktivasi.
24
25
Pada gambar diatas ditunjukkan jaringan dengan n buah unit masukan (x1,
x2,...,xn), sebuah layar tersembunyi yang terdiri dari p buah unit (z1, ..., zp) dan
m buah unit keluaran (y1, y2, ..., ym).
…………………………………………(2.16)
Jika fungsi threshold berharga -1 atau 1 maka akan disebut sebagai threshold
bipolar.
2. Fungsi Sigmoid.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
26
……………………………………………………….(2.17)
Nilai fungsi dari fungsi sigmoid itu sendiri terletak antara 0 dan 1, sehingga
dapat diturunkan menjadi :
……………………………………….(2.18)
3. Fungsi Identitas.
Fungsi Identitas dapat dilihat sebagai berikut:
………………………………………………………….(2.19)
Fungsi identitas ini juga sering digunakan bila yang diinginkan adalah
keluaran jaringan berupa bilangan riil (bukan hanya pada range (0,1) atau
(-1,1)).
27
28
Jika keluaran jaringan yang diharapkan yang bernilai negatif, maka digunakan fungsi
sigmoid bipolar, sebaliknya bila nilai keluaran jaringan yang diharapkan bernilai
positif atau sama dengan nol, maka digunakan fungsi sigmoid biner. Selain fungsi
sigmoid, fungsi yang biasa digunakan dalam metode backpropagation adalah fungsi
linier.
Fungsi sigmoid biner :
…………………………………………………………..(2.20)
Memiliki turunan sebagai berikut:
…………………………………………..(2.21)
……………………………………………………….(2.22)
……………………………………………..(2.23)
Fungsi sigmoid memiliki nilai maksismum, yakni 1. Maka untuk pola yang
targetnya berada diatas 1,maka pola masukan dan keluaran harus terlebih dahulu
ditransformasikan sehingga semua polanya memiliki range yang sama seperti fungsi
sigmoid yang dipakai. Cara lain yang digunakan ialah menggunakan fungsi aktivasi
sigmoid hanya pada layar yang bukan layar keluaran. Pada layar keluaran, fungsi
aktivasi yang dipakai adalah fungsi identitas : f(x) = x.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
29
…………………………...(2.24)
……………………………...(2.25)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
30
……………………….(2.26)
…………………………….(2.27)
……………………………………………………………………………(2.28)
……………………………………………………………………………(2.29)
Langkah 7 : Hitung faktor δ unit tersembunyi berdasarkan kesalahan di
setiap unit tersembunyi zj(j = 1, 2, ..., p).
………………………………….(2.30)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
31
……..(2.31)
……………………………………………………(2.32)
j = 1, 2, ..., p ; i = 0, 1, ..., n
Fase III : Perubahan bobot.
Langkah 8 : Hitung semua perubahan bobot. Perubahan bobot garis yang
menuju ke unit keluaran :
………………….....(2.33)
…………………………..(2.34)
BAB III
METODE PENELITIAN
32
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
33
2 Kapas
34
5 Susu
35
2. Smartphone
Merk : Xiaomi
Type : Redmi Note 2
Kamera : 13 MP
CPU : Octa-core Max 1,95 Hz
RAM : 2.00 GB
Internal Memory : 16 GB
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
36
3. Aquarium
Aquarium digunakan sebagai tempat untuk pengambilan foto pisang
sebagai data. Ukuran aquarium tersebut ialah 30 x 15 cm. warna dasar
aquarium ini digunakan warna hitam.
2. Pengambilan Data
Pengambilan data berupa foto buah pisang itu sendiri dilakukan setiap
hari dengan membeli 1 sisir buah pisang setiap harinya. Biasanya 1 sisir berisi
10 buah pisang untuk 1 jenis saja dan jumlah data yang harus dikumpulkan
ialah 250. Sehingga 250/10 = 25, itu berarti jumlah data akan terkumpul
kurang lebih selama 1 bulan. Berikut ini merupakan diagram pengambilan
data.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
37
Dari gambar 3.6 diatas proses pengambilan data sebagai data yang
akan digunakan. Data mentah berupa sampel pisang yang telah tersedia, di
letakan dalam sebuah kotak (pada bagian ini penulis menggunakan aquarium
sebagai wadah) dengan dasar atau alas berwarna hitam. Kemudian
pengambilan gambar pun dilakukan menggunakan smarthphone dengan alat
bantu seperti tripod dan tongsis sebagai penstabil smartphone. Setelah itu
gambar pisang pun berhasil didapat dengan format jpg.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
38
b. Pre-Processing
Pada langkah selanjutnya yakni dilakukan pre-processing. Pre-
processing dilakukan menggunakan aplikasi matlab sebagai langkah
awal untuk menentukan klasifikasi jenis buah pisang. Menyamakan
semua gambar pisang adalah langkah selanjutnya, gambar yang
diambil memiliki ukuran yang berbeda-beda, dengan dilakukan
penyamaan ukuran ini akan mempermudah melakukan ektraksi ciri
dan klasifikasi.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
39
40
Adapun ukuran yang digunakan yakni [225 400], dapat dilihat sebagai
berikut
41
42
c. Extraksi Ciri
Pada bagian ekstrasi ciri ini, dilakukan pembagian ciri dan
pemberian ciri menurut gambar dan jenis pisang itu sendiri. Tujuan
ekstraksi ciri ini ialah agar nantinya dapat dengan mudah menentukan
klasifikasi jenis pisang. Ekstraksi ciri yang dilakukan didasarkan pada
bentuk, ukuran dan warna dari pisang. Untuk bentuk, dihitung
berdasarkan kebulatan dan kerampingan dari masing-masing gambar,
kemudian ukuran dihitung dengan mengukur luas, perimeter, panjang
dan lebar. Sedangkan warna dihitung berdasarkan warna mean red,
green dan blue kemudian standar deviasi red, green, dan blue dari
permukaan kulit pisang.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
43
44
45
46
47
48
Gambar 3.16 Rencana sistem arsitektur jaringan syaraf tiruan dengan 1 hiden layer
49
1. Red, Green, Blue, STd Red, STd Green, STd Blue, Perimeter, Luas,
Panjang, Lebar, Kebulatan dan Kerampingan merupakan lapisan masukan
dalam jaringan syaraf tiruan. Sehingga masukan akan berjumlah sebanyak
12 masukan dengan masing-masing ciri yang disebutkan diatas.
3. Ambon, Kapas, Mas, Raja, dan Susu merupakan lapisan luaran yang
memiliki 5 neuron, sesuai dengan jumlah jenis pisang yang digunakan.
Nilai luaran pada lapisan ini direpresentasikan angka 0 dan 1, sehingga
taget luaran untuk masing-masing jenis pisang akan berbeda satu dengan
yang lain. Berikut ini merupakan representasi luaran masing-masing jenis
pisang tersebut :
50
Gambar 3.17 Rencana sistem arsitektur jaringan syaraf tiruan dengan 2 hiden layer
Pada gambar 3.17 diatas merupakan gambar model jaringan syaraf tiruan
dengan 2 hidden layer yang akan digunakan untuk optimalisasi model jaringan yang
sebelumnya (hidden layer 1). Hidden layer 2 ini akan dikombinasikan dengan hidden
layer 1. Setelah hasil dari hidden layer diketahui, maka dengan akurasi tertinggi dari
hidden layer 1 akan digunakan sebagai dasar untuk dikombinasikan dengan hidden
layer 2. Tidak terlalu jauh berbeda dengan hidden layer 1, hidden layer 2 ini hanya
ditambah jumlah hidden layernya saja yang jumlah neuronnya akan divariasikan.
Berikut penjelasanya:
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
51
1. Red, Green, Blue, STd Red, STd Green, STd Blue, Perimeter, Luas,
Panjang, Lebar, Kebulatan dan Kerampingan merupakan lapisan masukan
dalam jaringan syaraf tiruan. Sehingga masukan akan berjumlah sebanyak
12 masukan dengan masing-masing ciri yang disebutkan diatas.
4. Ambon, Kapas, Mas, Raja, dan Susu merupakan lapisan luaran yang
memiliki 5 neuron, sesuai dengan jumlah jenis pisang yang digunakan,
yakni ambon, kapas, mas, raja, dan susu. Nilai luaran pada lapisan ini
direpresentasikan 0 dan 1, sehingga taget luaran untuk masing-masing
jenis pisang akan berbeda satu dengan yang lain. Hal ini bisa dilihat pada
tabel 3.1 diatas.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
52
BAB IV
IMPLEMENTASI DAN ANALISA HASIL
Bab ini berisikan tentang tampilan dari program yang klasifikasi pisang,
disertai implementasi dan analisis keluaran dari sistem dengan algoritma yang
digunakan, variasi percobaan jumlah hiden layer dan neuron dari setiap hiden layer,
pengujian data tunggal dan uraian mengenai hasil yang didapat dengan akurasi yang
dicapai dari variasi tersebut.
53
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
54
55
5. Ekstraksi ciri
Tahap ektraksi ciri ini, penulisan menggunakan mean red, mean green, mean
blue, standart deviasi red, standart deviasi green, standart blue, perimeter, luas,
panjang, lebar, kebulatan, dan kerampingan.
Untuk ektraksi ciri mean red, mean green, mean blue, standart deviasi red,
standart deviasi green, dan standart deviasi blue menggunakan image hasil
cropping yang telah di resizing. Kemudian untuk perimeter, luas, panjang, lebar,
kebulatan, dan kerampingan menggunakan image hasil binerisasi dengan dilasi.
Sehingga didapat hasil seperti berikut:
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
56
Gambar 4.6 diatas merupakan contoh dari sebagian kecil data hasil ektraksi
ciri pisang.
6. Normalisasi data
Pada tahap ini penulis menggunakan normalisasi minmax dengan rentang nilai
yang digunakan ialah 0 hingga 1. Normalisasi ini akan menerima nilai minimum
dan maksimum dari 1 ektraksi ciri dan 1 ektraksi ciri yang berhungan dengan ciri
tersebut. Kemudian data dalam ektraksi ciri tersebut akan diubah menjadi nilai
baru antara 0 hingga 1. Sebagai contoh mean red pada gambar 4.7 dibawah ini.
57
58
59
60
61
62
63
4.2.1 Pengujian Dengan Variasi Jumlah Neuron, Epoch, Goal, Learning Rate
Dalam percobaan variasi jumlah hidden layer dan jumlah neuron akan
digunakan data sebanyak 240 data. Setelah melakukan ekstraksi ciri dari image
pisang maka akan didapat 12 ciri seperti dijelaskan pada bagian sebelumnya.
Sehingga didapat total nya berjumlah 240 x 12 table . Dalam percobaan ini dilakukan
beberapa kali pergantian hidden layer dan neuron yang dilakukan. Adapun percobaan
tersebut dapat dilihat sebagai berikut.
1. Percobaan ke 1
Percobaan pertama ini menggunakan model traingdx dan trainlm dengan 1
hidden layer. Variasi dilakukan pada jumlah epoch, goal, learning rate, dan
neuron dalam hidden layer 1. Pada percobaan ini menggunakan holdout
validation untuk membagi data testing dan training. 240 data dibagi menjadi 2
bagian. Jumlah data yang di training ialah 192, dan data yang di testing ialah 48.
48 data testing ini memiliki isi dari 5 jenis pisang yang akan diujicobakan.
Percobaan ini dilakukan untuk mengetahui epoch, goal, dan learning rate yang
baling baik dalam akurasi. Berikut merupakan hasil percobaan tersebut.
64
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
65
Dari tabel 4.1 diatas dapat dilihat bahwa epoch dengan jumlah 5000 memiliki
akurasi tertinggi yakni hingga 97.91%. Namun untuk percobaan berikutnya,
penulis akan menggunakan epoch=5000, goal=0.0001, dan learning rate=0.1.
Alasanya, karena dari tabel 4.1 variasi ini memiliki 1 akurasi tertinggi dari
masing-masing model yakni traingdx dan trainlm.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
66
2. Percobaan ke 2
Percobaan kedua ini menggunakan k-fold validation dengan data dibagi
menjadi 5, 240/5 = 48. Percobaan ini akan dilakukan pengujian terhadap semua
bagian (5 bagian) sehingga akan terdapat 5 percobaan dalam percobaan ketiga ini.
Percobaan pertama atau kesatu diatas akan menjadi dasar dari variasi epoch, goal,
dan learning rate dengan akurasi tertinggi. Berikut merupakan hasil
percobaannya.
67
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
68
Dari tabel 4.2 diatas dapat dilihat akurasi tertinggi ada pada neuron 40,
dengan akurasi tertinggi model traingdx sebesar 97.91% dengan waktu 8.9 detik
dan trainlm sebesar 100% dengan waktu 1.6 detik. Jika dirata-ratakan baik
akurasi maupun waktu dapat dilihat sebagai berikut.
Dari tabel 4.3 rata-rata percobaan 2 diatas, rata-rata akurasi tertinggi pada
model traingdx di neuron 60 dengan rata-rata akurasi 88.8% dalam rata-rata
waktu 12.4 detik dan model trainlm sebesar 89.95% dalam rata-rata waktu 6.2
detik. Grafik dari tabel 4.3 diatas dapat dilihat sebagai berikut.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
69
Dari gambar 4.28 grafik rata-rata akurasi diatas dapat dilihat bahwa akurasi
kedua model saling bersaing satu dengan yang lain. Dari 10 kali percobaan variasi
neuron model traingdx mendominasi dengan jumlah akurasi tertinggi terbanyak
yakni 7, sisanya model trainlm dengan 3 tertinggi. Namun jika dilihat dari rata-
rata akurasi yang paling tinggi, model trainlm lebih unggul dari traingdx, yakni
dengan akurasi 89.95%.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
70
Dari gambar 4.29 grafik rata-rata waktu diatas dapat dilihat bahwa rata-rata
waktu tercepat didominasi oleh model trainlm. Dari 10 kali percobaan variasi
neuron model trainlm mendominasi dengan jumlah waktu tercepat terbanyak
yakni 10. Dan jika dilihat dari rata-rata waktu yang paling cepat, tentunya model
trainlm lebih unggul juga dari traingdx, yakni dengan rata-rata waktu tercepat 0.6
detik
3. Percobaan ke 3
Percobaan ke 3 ini merupakan lanjutan dari percobaan ke2, dengan tambahan
percobaan ini menggunakan hidden layer kedua. Percobaain kali ini akan
menggunakan dasar dari percobaan kedua dengan akurasi tertinggi model
traingdx sebesai 97.91% dan model trainlm sebesar 100% pada neuron 40.
Jumlah neuron pada hidden layer kedua di percobaan ini akan divariasikan dari 10
hingga 100. Hasil percobaan dapat dilihat sebagai berikut.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
71
72
Dari tabel 4.4 akurasi percobaan 3 diatas dapat dilihat akurasi tertinggi ada
pada neuron 100, dengan akurasi tertinggi model traingdx sebesar 100% dan
trainlm sebesar 97.91% pada neuron 50, 70, 80, dan 90. Jika dirata-ratakan baik
akurasi maupun waktu dapat dilihat sebagai berikut.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
73
Dari tabel 4.5 tabel rata-rata percobaan 3 diatas, rata-rata akurasi tertinggi
pada model traingdx di neuron 70 dengan rata-rata akurasi 89.95% dalam rata-
rata waktu 19 detik dan model trainlm sebesar 89.14% dalam rata-rata waktu 117
detik. Grafik dari tabel 4.5 diatas dapat dilihat sebagai berikut.
74
Dari gambar 4.30 grafik rata-rata akurasi diatas dapat dilihat bahwa akurasi
kedua model juga saling bersaing satu dengan yang lain. Dari 10 kali percobaan
variasi neuron model traingdx dengan jumlah akurasi tertinggi terbanyak yakni 3,
dan model trainlm dengan 3 tertinggi, sisanya 4 memiliki rata-rata akurasi yang
sama. Namun jika dilihat dari rata-rata akurasi yang paling tinggi, model
traingdx lebih unggul dari trainlm, yakni dengan akurasi 89.95%.
Dari gambar 4.31 grafik rata-rata waktu diatas dapat dilihat bahwa rata-rata
waktu tercepat didominasi oleh model traingdx. Dari 10 kali percobaan variasi
neuron model traingdx mendominasi dengan jumlah rata-rata waktu tercepat
terbanyak yakni 6 dan 3 sisanya dimiliki trainlm. Dan jika dilihat dari rata-rata
waktu yang paling cepat, model trainlm lebih unggul juga dari traingdx, yakni
dengan rata-rata waktu tercepat 3.7 detik.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
75
Dari beberapa percobaan yang sudah dilakukan diatas, dapat dibandingkan antara
percobaan dengan 1 hidden layer dan 2 hidden layer.
Model trainlm sebesar 100% dengan Model trainlm sebesar 97.91% wakti
waktu 1.6 detik tertinggi 31.2 detik
Dari tabel 4.6 diatas dapat dibandingkan antara 1 hidden layer dan 2 hidden
layer, ternyata 1 hidden layer lebih efektif dalam hal waktu dan akurasi.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
76
a. Bagian data
Bagian data ini, user diminta untuk memilih folder yang akan diproses sebagai
training dan testing. Berikut ini merupakan tampilannya.
Dari gambar 4.33 diatas, dapat dilihat pada bagian pojok kiri terdapat tombol
“pilih file”, ketika tombol tersebut diklik, user akan dihadapkan pada tampilan
untuk memilih folder. Berikut tampilannya.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
77
Ketika user selesai memilih folder, maka program akan memproses data
didalam file tersebut. Setelah selesai maka program akan memberitahukan bahwa
program selesai berjalan. Berikut tampilannya
Setelah selesai memilih folder dan program selesai mengolah data, maka
program akan menampilkan data hasil olahan tersebut. Berikut hasilnya
78
Dari gambar 4.36 diatas, bagian sebelah kiri merupakan data mentah hasil
olahan, sedangkan data sebelah kanan menunjukan data setelah dinormalisasi
dengan normalisasi minmax.
79
Begitu pula dengan epoch, goal, dan learning rate harus diisi, jika tidak maka
akan muncul peringatan masing-masing sebagai berikut.
80
81
82
Pada gambar 4.46 diatas, pada bagian bawah sebelah kanan, terdapat tombol
“pilih gambar” untuk memilih gambar yang akan digunakan untuk testing tunggal.
Setelahdi klik, maka user akan dihadapkan pada sebuah interface untuk memilih data
tunggal yang akan dipilih. Berikut tampilannya
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
83
Setelah user memilih gambar makan, gambar tersebut akan diolah oleh program,
pada kali ini penulis akan menggunakan gambar pisang ambon_49. Jika data selesai
diolah, maka program akan menampilkan pesan bahwa program selesai. Berikut
tampilannya
84
Dari gambar 4.48 diatas dapat dilihat pada bagian preprocessing, menampilkan
gambar hasil resize, crop, dan gambar dilasi. Dan pada bagian ektraksi ciri, program
menampilkan ciri dari gambar tersebut. Dan pada bagian hasil klasifikasi, masih
kosong, kemudian untuk mengenali gambar tersebut, user diminta untuk menekan
tombol “kenali” pada bagian bawah kanan, untuk mengetahui jenis tersebut. Berikut
tampilannya setelah tombol tersebut di klik.
85
86
87
Dari tabel 4.7 diatas dapat dilihat bahwa dari 10 gambar, 9 gambar benar
diklasifikasikan, dan 1 gambar salah. Program klasifikasi ini bisa dikatakan baik jika
dilihat dari pengujian tunggal diatas. Tetapi terdapat 1 gambar yang tidak sesuai
target yakni pisang Susu_50 yang dikenali sebagai pisang raja. Jika dilihat secara
langsung persamaanya bisa dikatakan hampir mirip.
(1) (2)
(3)
Gambar 4.52 gambar pisang raja (1,2) dan pisang susu (3)
Dari gambar 4.51 diatas, dapat dilihat bahwa pisang raja dan pisang susu
memiliki ciri sebagai berikut.
(1) (2)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
88
(3)
Gambar 4.53 ciri pisang raja (1,2) dan ciri pisang susu (3)
Dari gambar 4.52 diatas, dapat dilihat bahwa pisang raja dan pisang susu
memiliki ciri yang hampir mirip, yakni ciri mean red, mean green, standar deviasi
red, standar deviasi green, perimeter, dan kebulatan.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
BAB V
PENUTUP
5.1 KESIMPULAN
Dalam hasil penelitian tentang klasifikasi jenis buah pisang dengan image
processing menggunakan metode backpropagation dapat disimpulkan beberapa hal
sebagai berikut:
1. Akurasi tertinggi dalam proses klasifikasi jenis buah pisang ini
menggunakan epoch 5000, goal 0.0001 dan learning rate 0.1 ialah
hidden layer 1 dengan jumlah akurasi sebesar 100% dengan model trainlm
dengan waktu 1.6 detik. Sedangkan hidden layer 2 pada model traingdx
diperoleh akurasi tertinggi 100% dengan waktu 22.1 detik.
2. Rata-rata akurasi tertinggi dalam proses klasifikasi jenis buah pisang ini
menggunakan epoch 5000, goal 0.0001 dan learning rate 0.1 ialah
hidden layer 1 dengan model trainlm jumlah rata-rata akurasi sebesar
89.95% dengan rata-rata waktu 6.2 detik. Sedangkan hidden layer 2 pada
model traingdx diperoleh rata-rata akurasi 89.95% dengan waktu 19
detik.
88
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
89
5.2 SARAN
Dari hasil penelitian mengenai klasifikasi jenis buah pisang yang sudah
dilakukan, ada beberapa saran yang dapat diberikan penulis untuk kepentingan
selanjutnya dalam pengembangan program maupun studi kasus yang hampir serupa,
yakni:
1. Ketika menggunakan metode backpropagation dengan model trainlm,
diperlukan spesifikasi komputer yang cukup, agar bisa waktu yang diperlukan
lebih cepat.
90
Daftar Pustaka
Deswari D., Hendrick M.T., Derisma M.T., Identifikasi Kematangan Buah Tomat
Menggunakan Backpropagation, Teknik Elektro, Politeknik Negeri Padang.
Yanuar P.W., Agus H., 2014, Pemrosesan Citra Digital untuk Klasifikasi Mutu Buah
Pisang Menggunakan Jaringan Saraf Tiruan, FMIPA, UGM, Yogyakarta.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
91
Kadir A., Susanto A., 2013, Teori dan Aplikasi Pengolahan Citra, Penertbit ANDI,
Yogyakarta
Permata Endi, Suherman Andri, Maulana Alief, 2014, Klasifikasi Daun Tanaman The
Obroma Cacao Menggunakan Metode Neural Network, SENTIKA,
Yogyakarta.
Nugraha Praditia Aditya, Saptono Ristu, Sulistyo Meiyanto Eko, 2013, Perbandingan
Metode Probabilistik Naïve Bayesian Classifier dan Jaringan Syaraf Tiruan
Learning Vector Quantization dalam Kasus Klasifikasi Penyakit Kandungan,
JURNAL ITSMART, Surakarta.
Marshalina, Hidayat Bambang, Wibowo Suryo Adhi, 2012, Klasifikasi Buah Mangga
Berdasarkan Bentuk Dan Warna Dengan Metode Curvelet, Telkom
University, Bandung.
Putera Lorencius Echo Sujianto, 2016, Klasifikasi Burung Berdasarkan Suara Kicau
Burung Menggunakan Jaringan Syaraf Tiruan Propagasi Balik, Universitas
Sanata Dharma, Yogyakarta.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
92
Siwi Birgitta Ranindya, 2017, Prediksi Jumlah Produksi Cone Ice Cream
Menggunakan Metode Backpropagation, Universitas Sanata Dharma,
Yogyakarta.
Johari D., Rahman T.K.A., Musirin I., 2009, ANN Model Selection Performance
Evaluation for Lightning Prediction System, University Technology Mara,
Malaysia.
Andri, Paulus, Wong Ng Poi, Gunawan Toni, 2014, Segmentasi Buah Menggunakan
Metode K-Means Clustering Dan Identifikasi KematanganNya Menggunakan
Metode Perbandingan Kadar Warna, STMIK Mikroskil.
93
Siregar Tantry Meilany, Harahap Lukman Adlin, Rohanah Ainun, 2015, Identifikasi
Kematangan Buah Pisang (Musa Paradisiaca) Dengan Teknik Jaringan
Syaraf Tiruan, USU, Medan.
Risamasu Daniel Eka Putra, 2017, Identifikasi Bentuk Biji Kopi Menggunakan
Deskriptor Bentuk Dasar Dan Jaringan Syaraf Tiruan, Universitas Sanata
Dharma, Yogyakarta.
Bustimi M. Arief, Dzulfikar Ahmad Zaki, 2014, Analisis Distribusi Intensitas RGB
Citra Digital Untuk Klasifikasi Kualitas Biji Jagung Menggunakan Jaringan
Syaraf Tiruan, Institut Teknologi Sepuluh Nopember, Surabaya.
Flores Dora-Luz, Gomez Claudia, Cervantes David, Abaroa Alberto, Castro Carlos,
2017, Predicting The Physiological Response Of Tivela Stultorum Hearts
With Digoxin From Cardiac Parameters Using Artificial Neural Networks,
University Of Baja California, Mexico