Full

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE

PROCESSING MENGGUNAKAN METHODE
BACKPROPAGATION
SKRIPSI
Diajukan Untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer
Program Studi Teknik Informatika
Oleh:
Hironimus Hendra Setiawan
135314126
PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS SANATA DHARMA
YOGYAKARTA
2018
i
CLASSIFICATION OF TYPE OF BANANA FRUITS WITH

IMAGE PROCESSING USING BACKPROPAGATION METHOD
A THESIS
Presented as Partial Fulfillment of Requirements to Obtain Sarjana Komputer
Degree in Informatics Engineering Department
By:
Hironimus Hendra Setiawan
135314126
INFORMATICS ENGINEERING STUDY PROGRAM

FACULTY OF SCIENCE AND TECHNOLOGY
SANATA DHARMA UNIVERSITY
YOGYAKARTA
2018
ii
HALAMAN PERSETUJUAN SKRIPSI
iii
HALAMAN PENGESAHAN SKRIPSI
iv
v
vi
HALAMAN ABSTRAK
KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING
MENGGUNAKAN METHODE BACKPROPAGATION
ABSTRAK
Perkembangan teknologi saat ini semakin pesat yang dampaknya sangat

memudahkan masyarakat dalam banyak bidang. Salah satu bidang yang terkena
dampaknya ialah perindustrian. Di Indonesia sendiri pisang merupakan salah satu
jenis buah yang paling banyak diproduksi. Pisang dapat diolah menjadi berbagai jenis
makanan, seperti selai, keripik, roti dan lain sebagainya. Berbeda hasil olahan
berbeda pula jenis pisang yang digunakan. Namun disamping banyaknya produksi,
masih banyak pula pengolahan pisang yang dilakukan secara kurang efisien. Hal ini
dapat dilihat dari pemilihan jenis pisang untuk diolah masih dilakukan secara manual,
dilihat dari warna dan ukuran dengan mata telanjang. Salah satu contoh efek
perkembangan teknologi saat ini yang berdampak pada bidang perindustrian ialah
memungkinkan adanya sistem yang mampu belajar sendiri seperti manusia.
Teknologi ini dinamakan dengan Jaringan Syaraf Tiruan. Salah satu terapannya ialah
dengan adanya sistem yang mampu mengenali jenis buah pisang secara otomatis dan
memberikan informasi mengenai ciri yang dikenali oleh sistem.
Dalam penelitian ini nantinya akan menghasilkan sistem yang mampu

mengklasifikasi jenis jenis pisang. Sistem yang akan dibangun ini menerapkan
jaringan syaraf tiruan untuk pemodelanya dan menggunakan ektralsi ciri berupa mean
rgb dan standar deviasi rgb, perimeter, luas, panjang, lebar, kebulatan, dan
kerampingan.
vii
Percobaan proses klasifikasi jenis pisang dengan Jaringan Syaraf Tiruan

Propagasi Balik (Backpropagation) dengan melakukan variasi 2 model, yakni
traingdx dan trainlm dan fungsi transfer layer logsig dan fungsi transfer output
purelin. Model pengujian yang digunakan pada proses klasifikasi adalah 5-fold cross
validasi dengan dasar variasi epoch, goal, dan learning rate dari pengujian
menggunakan holdout validation. Berdasarkan hasil percobaan, didapat akurasi
terbaik dengan 1 hidden layer sebesar 100% dengan waktu 1.6 detik dengan rata-rata
akurasi tertinggi 89.95% dengan rata-rata waktu 6.2 detik. Lalu menggunakan 2
hidden layer sebesar 100% dengan waktu 22.1 detik, dengan rata-rata akurasi
tertinggi sebesar 89.95% dengan rata-rata waktu 19 detik.
Kata Kunci : Klasifikasi, Jenis Pisang, Jaringan Syaraf Tiruan Backpropagation
viii
CLASSIFICATION OF TYPE OF BANANA FRUITS WITH

IMAGE PROCESSING USING BACKPROPAGATION METHOD
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
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.
Keywords: Classification, Type of Banana, Backpropagation Neural Network
x
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
xii
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
2.4. Operasi Morfologi ................................................................................ 15

2.4.1. Dilasi .......................................................................................... 18
2.5. Perimeter .............................................................................................. 19
2.6. Luas ...................................................................................................... 20
2.7. Kebulatan Bentuk, Kerampingan Bentuk, Panjang dan Lebar ............ 20
2.8. Holdout Validation ............................................................................... 21
2.9. K-Fold Cross Validation ...................................................................... 22
2.10. Jaringan Syaraf Tiruan ......................................................................... 23
2.10.1.Arsitektur Jaringan Syaraf Tiruan ............................................. 23
2.10.2.Fungsi Aktivasi ......................................................................... 25
2.11. Jaringan Syaraf Tiruan Backpropagation ............................................ 26
2.11.1.Arsitektur Jaringan Backpropagation ....................................... 27
2.11.2.Fungsi Aktivasi Backpropagation ............................................. 27
2.11.3.Pelatihan Standar Backpropagation .......................................... 29
BAB III. METODE PENELITIAN ...................................................................... 32
3.1. Data ...................................................................................................... 32
3.2. Peralatan Penelitian ............................................................................... 35
3.3. Cara Penelitian ..................................................................................... 36
3.4. Desain Alat Uji .................................................................................... 45
3.5. Cara Pengujian .................................................................................... 47
BAB IV. IMPLEMENTASI HASIL .................................................................... 53
4.1. Implementasi Sistem ............................................................................ 53
4.2. Hasil dan Analisis Hasil ........................................................................ 62
4.2.1. Pengujian dengan Variasi Jumlah Neuron, Epoch, Goal, dan
Learning Rate ....................................................................................... 63
4.2.2. Implementasi User Interface .................................................... 76
4.2.3 Pengujian Data Tunggal ............................................................ 86
BAB V. PENUTUP .............................................................................................. 88
5.1. Kesimpulan .......................................................................................... 88
xiv
5.2. Saran ...................................................................................................... 89

Daftar Pustaka ....................................................................................................... 90
xv
DAFTAR GAMBAR
Gambar 2.1 ........................................................................................................... 13

Gambar 2.2 ........................................................................................................... 14
Gambar 2.3 ........................................................................................................... 15
Gambar 2.4 ........................................................................................................... 19
Gambar 2.5 ........................................................................................................... 23
Gambar 2.6 ........................................................................................................... 24
Gambar 2.7 ........................................................................................................... 27
Gambar 3.1 ........................................................................................................... 32
Gambar 3.2 ........................................................................................................... 33
Gambar 3.3 ........................................................................................................... 33
Gambar 3.4 ........................................................................................................... 33
Gambar 3.5 ........................................................................................................... 34
Gambar 3.6 ........................................................................................................... 37
Gambar 3.7 ........................................................................................................... 38
Gambar 3.8 ........................................................................................................... 39
Gambar 3.9 ........................................................................................................... 40
Gambar 3.10 ......................................................................................................... 41
Gambar 3.11 ......................................................................................................... 41
Gambar 3.12 ......................................................................................................... 41
Gambar 3.13 ......................................................................................................... 43
Gambar 3.14 ......................................................................................................... 44
Gambar 3.15 ......................................................................................................... 46
Gambar 3.16 ......................................................................................................... 48
Gambar 3.17 ......................................................................................................... 50
Gambar 4.1 ........................................................................................................... 53
Gambar 4.2 ........................................................................................................... 53
xvi
Gambar 4.3 ........................................................................................................... 54

Gambar 4.4 ........................................................................................................... 54
Gambar 4.5 ........................................................................................................... 54
Gambar 4.6 ........................................................................................................... 56
Gambar 4.7 ........................................................................................................... 56
Gambar 4.8 ........................................................................................................... 56
Gambar 4.9 ........................................................................................................... 57
Gambar 4.10 ......................................................................................................... 57
Gambar 4.11 ......................................................................................................... 57
Gambar 4.12 ......................................................................................................... 58
Gambar 4.13 ......................................................................................................... 58
Gambar 4.14 ......................................................................................................... 58
Gambar 4.14 ......................................................................................................... 58
Gambar 4.15 ......................................................................................................... 58
Gambar 4.16 ......................................................................................................... 58
Gambar 4.17 ......................................................................................................... 59
Gambar 4.18 ......................................................................................................... 59
Gambar 4.19 ......................................................................................................... 50
Gambar 4.20 ......................................................................................................... 59
Gambar 4.21 ......................................................................................................... 60
Gambar 4.22 ......................................................................................................... 60
Gambar 4.23 ......................................................................................................... 61
Gambar 4.24 ......................................................................................................... 61
Gambar 4.25 ......................................................................................................... 61
Gambar 4.26 ......................................................................................................... 62
Gambar 4.27 ......................................................................................................... 62
Gambar 4.28 ......................................................................................................... 69
Gambar 4.29 ......................................................................................................... 70
Gambar 4.30 ......................................................................................................... 73
xvii
Gambar 4.31 ......................................................................................................... 74

Gambar 4.32 ......................................................................................................... 76
Gambar 4.33 ......................................................................................................... 76
Gambar 4.34 ......................................................................................................... 77
Gambar 4.35 ......................................................................................................... 77
Gambar 4.36 ......................................................................................................... 77
Gambar 4.37 ......................................................................................................... 78
Gambar 4.38 ......................................................................................................... 78
Gambar 4.39 ......................................................................................................... 79
Gambar 4.40 ......................................................................................................... 79
Gambar 4.41 ......................................................................................................... 79
Gambar 4.42 ......................................................................................................... 80
Gambar 4.43 ......................................................................................................... 80
Gambar 4.44 ......................................................................................................... 81
Gambar 4.45 ......................................................................................................... 81
Gambar 4.46 ......................................................................................................... 82
Gambar 4.47 ......................................................................................................... 83
Gambar 4.48 ......................................................................................................... 83
Gambar 4.49 ......................................................................................................... 84
Gambar 4.50 ......................................................................................................... 84
Gambar 4.51 ......................................................................................................... 85
Gambar 4.52 ......................................................................................................... 87
Gambar 4.53 ......................................................................................................... 88
xviii
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
Rumus 2.28 ........................................................................................................... 30

Rumus 2.29 ........................................................................................................... 30
Rumus 2.30 ........................................................................................................... 30
Rumus 2.31 ........................................................................................................... 31
Rumus 2.32 ........................................................................................................... 31
Rumus 2.33 ........................................................................................................... 31
Rumus 2.34 ........................................................................................................... 31
Rumus 3.1 ............................................................................................................. 52
xx
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
DAFTAR ALGORITMA
Algoritma 2.1 ........................................................................................................ 19
Algoritma 2.2 ........................................................................................................ 20
Algoritma 2.3 ........................................................................................................ 29
xxii
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
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).
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).
3. “Prediksi Jumlah Produksi Roti Menggunakan Methode Backpropagation”

yang dilakukan oleh Dhesa Ardhiyanta dengan akurasi yang diperoleh sebesar
74,88% (2016).
4. “Identifikasi Bentuk Biji Kopi Menggunakan Deskriptor Bentuk Dasar Dan
Jaringan Saraf Tiruan” yang dilakukan oleh Daniel Eka Putra Risamasu
dengan akurasi yang dihasilkan sebesar 97,35% (2017).
Dari percobaan yang dilakukan sebelumnya dapat dikatakan bahwa methode
backpropagation sangat baik digunakan untuk klasifikasi jenis buah pisang ini.
Adapun hal-hal yang membedakan penelitian yang akan dibuat ini dengan penelitian
sebelumnya dapat dilihat dari pre-rocessing, ektraksi ciri dan klasifikasi jenis pisang.
Dari sebuah pisang ini akan dilakukan pengklasifikasian terhadap jenis pisang
berdasarkan bentuk, ukuran, dan warna dari buah pisang ini.
Pada penelitian ini penulis menggunakan ektraksi ciri berupa mean dari RGB dan
standar deviasi dari RGB berdasarkan beberapa penelitian yang sudah dilakukan
diantaranya:
1. “Klasifikasi Daun Tanaman The Obroma Cacao Menggunakan Metode
Neural Network” yang dilakukan oleh Endi pertama, Andri Suherman, dan
Alief Maulana mengguanakan ektraksi ciri berupa mean, standar deviasi,
kurtois, skewness dan entropy, dengan hasil akurasi daun rusak parah 83%,
daun rusak sedang 96% dan daun sehat sebesar 86%.
2. “Analisis Distribusi Intensitas RGB Citra Digital untuk Klasifikasi Kualitas
Biji Jagung Mengguanakan Jaringan Syaraf Tiruan” yang dilakukan oleh
M.Arief Bustomi dan Ahmad Zaki Dzulfikar menggunakan ekstraksi ciri
mean dan standar deviasi RGB dengan hasil akurasi 100% untuk pelatihan
dan 73% untuk pengujian.
Selain itu ektraksi ciri berupa bentuk (kebulatan dan kerampingan) dan ukuran
(perimeter, luas, panjang, dan lebar) berdasarkan beberapa penelitan pula,
diantaranya:
1. “Klasifikasi Buah Mangga Berdasarkan Bentuk dan Warna Dengan Metode

Currvelet” dilakukan oleh Marshalina, Bambang Hidayat dan Suryo Adhi
Wibowo menggunakan bentuk dan ukuran citra menghasilkan akurasi
tertinggi yakni 97%.
2. “Segmentasi Buah Mengguanakan Metode K-Means Clustering Dan
Identifikasi Kematangannya Menggunakan Metode Perbandingan Kadar
Warna” dilakukan oleh Andri, Paulus, Ng Poi Wong dan Toni Gunawan
menggunakan perimeter, kebulatan dan informasi nilai kadar warna, diperoleh
akurasi sebesar 93, 89 %.
Kemudian penelitian ini menggunakan holdout validation pada percobaan 1 dan 2
sebagai pembagian data secara acak dari 5 jenis pisang, pembagian tersebut meliputi
data testing dan training. Pembagian data menggunakan holdout validation ini sudah
pernah dilakukan beberapa penelitian lain diantaranya:
1. “Predicting The Physiological Response Of Tivela Stultorum Hearts With
Digoxin From Cardiac Parameters Using Artificial Neural Networks”
dilakukan oleh Dora-Luz Flores, Claudia Gomez, David Cervantes, Alberto
Abaroa, Carlos Castro, dan Ruben A. Castaneda-Martinez menggunakan
holdout validation diperoleh akurasi tertinggi yakni 99,42%.
2. “Perbandingan Metode Probabilistik Naïve Bayesian Classifier dan Jaringan
Syaraf Tiruan Learning Vector Quantization dalam Kasus Klasifikasi
Penyakit Kandungan” dilakukan oleh Praditio Adityya Nugraha, Ristu
Saptono, dan Meiyanto Eko Sulistyo menggunakan holdout validation
menghasilkan akurasi sebesar 95,2%.
3. “ANN Model Selection Evaluation For Lightning Prediction System”
dilakukan oleh D. Johari, T.K.A. Rahman dan I. Musirin menggunakan
holdout validation didapat akurasi sebesar 80,3 %.
Selain holdout validation, penelitian ini menggunakan k-fold validation sebagai
percobaa terakhir. K-fold validation akan membagi data menjadi 5 bagian, dan 5
bagian tersebut akan diuji satu per satu untuk mencari akurasi tertinggi.
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.
1.2. Rumusan Masalah

Berdasarkan latar belakang tersebut maka permasalahan dalam penelitian ini
dapat dirumuskan sebagai berikut:
1. Bagaimana methode backpropagation mampu mengklasifikasi berbagai jenis
pisang dengan baik?
2. Berapa akurasi klasifikasi jenis pisang menggunakan methode
backpropogation?
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.
1.4. Batasan Masalah

Agar pembahasan dalam penelitian ini tidak terlalu luas, maka penelitian ini
dibatasi dengan masalah-masalah sebagai berikut:
1. Jenis pisang yang digunakan ada 5 jenis, yakni: ambon, kapas, mas, raja, dan
susu.
2. Input gambar berformat JPG dengan background hitam.
3. Analisis pengolahan citra dan metode jaringan saraf tiruan yang
dikembangkan menggunakan bahasa pemrograman Matlab.
4. Objek pisang dibedakan berdasarkan warna (RGB) yang meliputi mean dan
standart deviasi dari RGB. Bentuk meliputi kebulatan dan kerampingan, dan
ukuran yang meliputi perimeter, luas, panjang dan lebar.
5. Gambar diambil dengan kamera smartphone berukuran 13 mp dengan jarak
20 cm.
1.5. Manfaat Penelitian

Manfaat yang didapat dari penelitian ini adalah sebagai berikut:
1. Penelitian ini diharapkan dapat mempermudah pekerjaan.
2. Penelitian ini diharapkan mampu mempersingkat waktu dalam pemilihan jenis
pisang.
3. Penelitian ini diharapkan dapat membantu mengurangi kesalahan dalam
pemilihan pisang.
4. Penelitian ini diharapkan bisa menjadi dasar bagi penelitian lain terkait
klasifikasi.
1.6. Metode Penelitian

Adapun methode penelitian yang dilakukan ialah sebagai berikut:
1. Planning
Penyusunan jadwal atau rencana seputar pengambilan data, pembuatan
sistem, pengolahan, dan hasil akhir dan semua yang berhubungan dengan
proposal ini.
a. Studi Pustaka
Melakukan pencarian dan membaca serta mempelajari peneltian
sebelum sebelumnya yang berhubungan dengan proposal, baik itu di
perpustakaan Universitas Sanata Dharma maupun di tempat lain.
2. Analisis
Analisys System (Analisa System), dilakukan analisa tentang system dan
data-data yang akan digunakan disertai pengambilan data.
a. Observasi
Melakukan observasi/survey seperti pasar atau market untuk
menganalisa data yang berhubungan dengan proposal dan mengadakan
pencatatan secara sistematis mengenai hasil pengamatan maupun
pengambilan gambar sebagai data.
3. Desain
Desain (Perancangan), merancangan sistem berdasarkan data-data yang
telah dikumpulkan pada tahap sebelumnya.
4. Implementasi
Implementasi penerapkan /pelaksanaan sistem yang telah selesai dibangun
dan dilakukan traning dan testing.
5. Penarikan kesimpulan dan Evaluasi
Setelah semuanya selesai dilakukan penarikan kesimpulan dan melakukan
evaluasi atashasil kerja untuk disempurnakan kembali.
1.7. Sistematika Penulisan

Sistematika penulisan proposal ini ialah sebagai berikut:
BAB I PENDAHULUAN
Bab ini berisi tentang pembahasan Latar Belakang Masalah, Rumusan
Masalah, Tujuan Penelitian, Batasan Masalah, Manfaat Penelitian, Metode Penelitian
serta Sistematika Penulisan.
BAB II LANDASAN TEORI
Bab ini terdiri dari beberapa sub bab yang menjelaskan tentang konsep dasar
sistem meliputi teori dari topik pembahasan skripsi ini yang menunjang dalam
pemecahan masalah yang dianggap relevan dengan permasalahannya. Menjelaskan
konsep dasar sistem, metode pengembangan sistem, karakterristik, klasifikasi, dan
penjelasan tentang peralatan.
BAB III ANALISIS SISTEM
Bab ini menjelaskan tentang sistem yang sudah berjalan pada jurusan Sistem
informasi, prosedur sistem berjalan meliputi jalannya sistem yang disesuaikan dengan
ruang lingkup, spesifikasi system berjalan yang meliputi bentuk dokumen input dan
output, permasalahan atau kendala yang terjadi di dalam sistem berjalan dan
alternative pemecahan masalah yang dihadapi oleh sistem tersebut.
BAB IV IMPLEMENTASI DAN ANALISIS HASIL
Bab ini akan membahas mengenai implementasi dan analisis hasil.
Implementasi dan analisis hasil meliputi hasil penelitian dan analisa, implementasi
user interface yang meliputi menu utama, pengujian, pengenalan, dan bantuan.
BAB V PENUTUP
Bab ini akan dibahas mengenai kesimpulan dan saran setelah dilakukan
penelitian.
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
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.
2.1.1. Jenis-Jenis Pisang

Di Indonesia, terdapat banyak jenis pisang. Namun yang akan dijelaskan
dalam bagian ini adalah 5 jenis pisang yakni raja, kapas, mas, susu, dan ambon
karena sebagai semple yang digunakan dalam penelitian ini. Penulis memperoleh
sedikit ilmu tentang jenis-jenis pisang dan ciri fisik pisang yang akan dijadikan objek
penelitian dari beberapa artikel. Pada bagian ini akan dibahas mengenai jeni-jenis
pisang yang digunakan sebagai data untuk tugas akhir ini. Adapun jenis pisang
tersebut dijelaskan sebagai berikut (JITUNEWS.COM, 2015 dan RHIN
Biotechnology, 2015) :
1. Pisang Raja
Pisang raja memiliki ciri-ciri fisik luar seperti: buah yang melengkung
sedikit keatas, kulitnya tebal namun sedikit kasar. Selain itu jenis pisang ini
memiliki ukuran yang tidak terlalu besar maupun kecil. Ciri lainnya dari
pisang raja adalah apabila belum masak atau matang makan pisang ini
berwarna hijau dan kemudian berubah warna menjadi kuning keemasan.
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.
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.
2.2. Citra Berwarna

Citra berwarna atau biasa dinamakan citra RGB, merupakan jenis citra yang
menyajikan warna dalam bentuk komponen R (merah), G (green), B (biru). Setiap
komponen warna menggunakan delapan bit (nilainya berkisar antara 0 sampai dengan
255). Dengan demikian kemungkinan warna yang dapat disajikan mencapai 255 x
255 x 255 atau 16.581.375 warna (Abdul dan Adhi, 2013). Table 2.4 menunjukan
contoh warna dan nilai R, G, B.
Tabel 2.1 Warna dan nilai penyusun warna
Warna R G B
Hijau 255 0 0
Merah 0 255 0
Biru 0 0 255
Hitam 0 0 0
Putih 255 255 255
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
Gambar 2.1 Skema ruang warna RGB dalam bentuk kubus
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)
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)
2.3. Citra Biner

Citra biner (binary image) adalah citra yang hanya mempunyai dua nilai
derajat keabuan yaitu hitam dan putih. Meskipun saat ini citra berwarna lebih disukai,
namun pada beberapa aplikasi citra biner masih dibutuhkan, misalnya pada
pengolahan citra dalam menentukan jenis pisang seperti yang akan dibahas dalam
penelitian ini. Citra biner hanya mempunyai dua nilai derajat keabuan yaitu hitam
dan putih. Pixel-pixel objek bernilai 1 dan pixel-pixel lattar belakang bernilai 0. Pada
saat menampilkan gambar, 0 adalah putih dan 1 adalah hitam (Abdul dan Adhi,
2013). Jadi pada citra biner, latar belakang berwarna putih sedangkan objek berwarna
hitam. Sebagai contoh gambar dibawah ini dengan threshold 0,7.
Gambar 2.2 Pisang hasil biner

15
2.4. Operasi Morfologi

Morphologi adalah teknik pengolahan yang umum dikenakan pada citra biner
(hitam-putih) untuk mengubah struktur bentuk objek yang terkandung didalam citra.
Nilai dari setiap pixel dalam citra digital hasil diperoleh melalui proses perbandingan
antara pixel yang bersesuaian pada citra digital masukan dengan pixel tetangganya.
Operasi morphologi bergantung pada urutan kemunculan dari pixel, tidak
memperhatikan nilai numeric dari pixel sehingga teknik morphologi sesuai apabila
digunakan untuk melakukan pengolahan binary image dan grayscale image. Inti
operasi morfologi melibatkan dua larikkk piksel. Larik pertama berupa citra yang
akan dikenali operasi morfologi, dan larik kedua dinamakan kernel atau structuring
element (element penstruktur) (Shih, 2009 dari Abdul dan Adhi, 2013).
0 1 0 1 1 1 1 1
1 1 1
0 1 0
Gambar 2.3 Contoh beberapa kernel
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)
16
Arti notasi diatas ,a dalah anggota himpunan A. kebalikannya jika bukan

maka ditulis sebagai berikut:
a ϵ A……………………………………………………………………….(2.4)
Notasi ϕ terdapat dalam pembicaraan himpunan. Symbol tersebut menyatakan

himpunan kosong, yakni himpunan yang tidak memiliki anggota. Misalnya A
dan B adalah himpunan dan setiap anggota himpunan B merupakan anggota A
dikatakan bahwa B adalah subhumpunan A. notasi yang digunakan ialah:
B A……………………………………………………………………...(2.5)
Union adalah penggabungan dari dua himpunan, sebagai contoh:
C = A ᴗB………………………………………………………………….(2.6)
Menyatakan bahwa C memiliki angota berupa semua anggotan A ditambah

dengan semua anggota B.
Interseksi menyatakan operasi yang menghasilkan himpunan semua anggota
yang terdapat di kedua himpunan, sebagai contoh:
C = A ᴖ B…………………………………………………………………(2.7)
Menyatakan C berisi anggota-anggota yang ada di himpunan A dan terdapat

di himpunan B.
Komplement himpunan A biada dinotasikan dengan 𝐴𝑐 dan menyatakan
semua element yang tidak terdapat pada A. secara sistematis ditulis sebagai
berikut:
𝐴𝑐 = 𝑤 | 𝑤 ∈ 𝐴……………………...……………………………………(2.8)
Notasi diatas dibaca “semua element yang tidak menjadi anggota A”

17
Komplemen atau juga disebut invers dapat dibayangkan seperti saling

menukarkan warna hitam dan putih, nilai 0 diganti 1 dan 1 diganti 0.
Operasi selisih dua himpunan dapat ditulis seperti berikut:
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:
Tabel 2.2 Table kebenaran AND dan OR

Masukan 1 Masukan 2 AND OR
0 0 0 0
0 1 0 1
1 0 0 1
1 1 1 1
Operasi AND melibatkan 2 masukan danmempunyai sifat bahwa operasinya
bernilai 1hanya jika kedua masukan bernilai 1. Operasi OR, hasil serupa 1 jika
ada masukan bernilai 1.
Tabel 2.3 Table kebenaran NOT

Masukan Keluaran
1 0
0 1
Operasi NOT melibatkan 1 masukan, hadil NOT berupa 1 jika masukan
berupa 0, dan 0 jika masukan berupa 1.
Tabel 2.4 Table kebenaran XOR dan NAND
18
Masukan 1 Masukan 2 XOR NAND

0 0 0 1
0 1 1 1
1 0 1 1
1 1 0 0
Selain itu ada operator lain yang terkadang digunakan yakni, XOR dan
NAND.
Operasi morphologi standar yang dilakukan adalah proses erosi dan dilasi,
namun terdapat operasi lain yakni opening dan closing. Pada kali ini penulis
menggunakan dilasi.
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):
A B = {𝑧| [(𝐵̂ )𝑧 ∩ 𝐴] ₫𝐴}…………………………………………………….(2.10)
Dalam hal ini,

a. 𝐵̂ = { w | w = -b, untuk b ϵ B}
b. (𝐵)𝑧 = {c | c = a + z, untuk a ϵ A}
c. 𝑧 = (𝑧1, 𝑧2)
Burger dan Burge (2008) mendefinisikan operasi dilasi ebagai berikut:
A B = { z | z = a + b, dengan a ϵ A dan b ϵ B}………………………………..(2.11)
Hasil dilasi berupa penjumlahan seluruh pasangan koordinat dari A dan B. Dibawah
ini merupakan contoh hasil dilasi dengan element penstruktur 7.
19
Gambar 2.4 pisang hasil dilasi
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:
20
Algoritma 2.2-Hitung luas objek

Masukan : f(m,n): citra masukan berukuran M baris dan N kolom.
Keluaran : luas
Luas = 0
For p = 1 to m
For j = 1 to n
If piksel (p,q) dalam objek
Luas = luas + 1
End if
End for
End for
2.7. Kebulatan Bentuk, Kerampingan Bentuk, Panjang, dan Lebar

Dari semua penjelasan diatas dapat, fitur-fitur diatas dapat diturunkan menjadi
beberapa fitur lagi, diantaranya:
1. Kebulatan bentuk
Kebulatan bentuk adalah perbandingan antara luas objek dan kuadrat
perimeter (Abdul dan Adhi, 2013) yang dinyatakan dengan rumus seperti beikut:
𝐴(𝑅)
Kebulatan = 4𝜋 𝑃²(𝑅)………………..………………………………………(2.12)
Hasilnya berupa nilai ≤ 1. Nilai 1 menyatakan objek R berbentuk lingkaran.

Terkadang, future ini dinamakan kekompakan (Lee dan Chen, 2003 dari Abdul
dan Adhi, 2013)
2. Kerampingan bentuk
Kerampingan bentuk adalah perbandingan antara lebar dan panjang yang
dinyatakan dengan rumus sebagai berikut:
𝑙𝑒𝑏𝑎𝑟
Kerampingan = 𝑝𝑎𝑛𝑗𝑎𝑛𝑔……………………………………………………...(2.13)
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)
2.8. Holdout Validation

Pada kondisi terbatasnya data yang digunakan untuk training dan testing,
diperlukan metode untuk mendapatkan hasil tingkat akurasi dari sebuah metode pada
machine learning. Salah satu cara untuk validasi adalah dengan menggunakan
metode holdout. Metode holdout adalah metode yang akan menyediakan sejumlah
data untuk digunakan sebagai data testing, dan sisanya sebagai data training. Saat
proses pengacakan data untuk dibagi sebagai data training dan testing, sangat
mungkin terjadi over represented pada salah satu atau lebih klasifikasi. Dalam artian
bahwa klasifikasi tersebut dominan dibandingkan klasifikasi lainnya, sehingga data
training dan testing yang tercipta menjadi tidak representatif.
Maka dari itu diperlukan prosedur stratification holdout, dimana dengan prosedur ini
dapat dijamin bahwa setiap klasifikasi dapat terwakili pada data training dan testing
yang tercipta secara proporsional. Menurut Freitas 2002 kelas yang terbagi dari hasil
proses holdout proporsinya harus sedekat mungkin dengan proporsi aslinya.
Dilakukan perulangan terhadap seluruh proses training dan testing beberapa kali
dengan data training dan testing yang teracak. Kemudian diambil nilai rata-ratanya.
Prosedur ini dikatakan sebagai repeated holdout.
22
2.9. K-Fold Cross Validation

Pada pendekatan ini , data dibagi menjadi beberapa bagian dengan jumlah
yang hampir sama k bagian. Pembagian data tersebut akan digunakan sebagai
pelatihan dan pengujian. Setiap kali berjalan, satu beberapa bagian akan menjadi data
pelatihan dan bagian lain akan menjadi data pengujian. Prosedur ini akan dilakukan
sebanyak jumlah yang sudah dibagi, sehingga setiap data memiliki kesempatan untuk
menjadi data uji setiap k-1 kali.
Benyuk khusus dari metode ini adalah ketika k di set k=N, jumlah data dalam
set data. Metode ini disebut dengan leave-one-out, yaitu set data uji hanya berisi satu
data saja, sedangkan proses pelatihan dan pengujian dilakukan sebanyak N kali.
pendekatan ini memiliki keuntungan pengguna sebanyak mungkin data set data latih
sehingga data latih yang digunakan hampir seluruh data dalam set data. Hanya saja
pendekatan ini memiliki kelemahan, yakni komputasi yang mahal untuk mengulang
prosedut sebanyak N kali. Pendekatan ini akan menjadikan data pelatihan dan
pengujian tidak sama. Data pelatihan tidak akan digunakan sebagai data pengujian
dan begitu juga sebaliknya. Selanjutnya, karena set data uji hanya berisi satu data
saja, maka varian nilai kinerja yang diperkirakan bisa menjadi tinggi.
Sebagai contoh data menjadi menjadi 5 bagian dengan jumlah yang hampir
sama. Bagian 1, 2, 3, 4 akan menjadi data pelatihan, dan bagian 5 akan menjadi
pengujian. Contoh ini disebut 5-Fold Cross Validation.
2.10. Jaringan Syaraf Tiruan

Jaringan Syaraf Tiruan merupakan sebuah sistem pemrosesan
informasi yang telah dikembangkan dengan model matematika dan memiliki
karakteristik. Karakteristik tersebut hampir serupa dengan jaringan syaraf biologi
dengan asumsi bahwa (Jong Jek Siang, 2005) :
1. Pemrosesan informasi terjadi pada banyak elemen sederhana (neuron).
2. Sinyal dikirim diantara neuron–neuron melalui penghubung–penghubung.
23
3. Penghubung antar neuron memiliki bobot yang akan memperkuat atau

memperlemah sinyal.
4. Untuk menentukan keluaran, setiap neuron menggunakan fungsi aktivasi
yang dikenakan pada jumlah masukan yang diterima. Besarnya keluaran
ini selanjutnya dibandingkan dengan suatu batas ambang.
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.
2.10.1. Arsitektur Jaringan Syaraf Tiruan.

Arsitektur jaringan syaraf tiruan adalah sebuah pengaturan spesifikasi dan
hubungan setiap neuron yang terjadi pada lapisan di dalam jaringan. Semua neuron
yang terletak pada lapisan yang sama memiliki sifat dan fungsi aktivasi yang sama
pula.
Neuron-neuron dalam jaringan syaraf tiruan ini dikelompokkan ke dalam
beberapa lapisan. Pertama, lapisan masukan (input layer) merupakan lapisan pertama
yang menerima sinyal dari bagian luar jaringan. Kedua, lapisan tersembunyi (hidden
layer) yaitu lapisan yang menerima sinyal dari neuron pada lapisan masukan. Dan
ketiga, lapisan keluaran (output layer) yaitu lapisan yang mengekstrak ciri dari yang
berkaitan atau pola dari sinyal yang diterima.
Berikut ini adalah beberapa arsitektur jaringan yang sering digunakan dalam jaringan
syaraf tiruan.
1. Jaringan Layar Tunggal (single layer network).
Dalam jaringan layar tunggal, semua masukan dihubungkan langsung dengan
beberapa keluaran.
24
Gambar 2.5 Single Network

Gambar diatas menunjukkan arsitektur jaringan dengan n unit masukan (x1,
x2, ...,xn) dan m buah unit keluaran (y1, y2, ..., ym).
Adapun alasan hal ini disebut sebagai jaringan layar tunggal adalah karena semua
unit masukan dihubungkan dengan semua unit keluaran, meskipun dengan bobot
yang berbeda. Wji menyatakan bobot hubungan antara unit ke-I dalam masukan
dengan unit ke-j dalam keluaran. Bobot-bobot ini saling independen. Selama
proses pelatihan, semua bobot tersebut akan dimodifikasi untuk meningkatkan
keakuratan hasil.
2. Jaringan Layar Jamak (multi layer network).
Jaringan layar jamak adalah hasil perluasan dari layar tunggal. Dalam jaringan
ini, selain unit masukan dan keluaran, terdapat unit lain yang biasa disebut layar
tersembunyi. Hal ini sama seperti layar tunggal yang terdisi dari masukan dan
keluaran, hanya saja ditambah bagian unit. Unit itu sendiri berfungsi sebagai
penghubung antara masukan dan keluaran.
25
Gambar 2.6 Multi Layer Network
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).
2.10.2. Fungsi Aktivasi.

Dalam jaringan syaraf tiruan, fungsi aktivasi ini digunakan untuk menentukan
keluaran dari neuron. Argumen fungsi aktivasi adalah kombinasi linier masukan dan
bobotnya (net masukan). Jika net ∑, maka fungsi aktivasinya ialah f(net)=f(∑) (Jong
Jek Siang, 2005). Fungsi aktivasi dalam jaringan syaraf tiruan adalah sebagai berikut:
1. Fungsi Threshold
Fungsi ini sering disbut sebagai batas ambang. Adapun fungsinya sebagai
berikut:
…………………………………………(2.16)
Jika fungsi threshold berharga -1 atau 1 maka akan disebut sebagai threshold
bipolar.
2. Fungsi Sigmoid.
26
Fungsi sigmoid pada awalnya memiliki fungsi sebagai berikut:
……………………………………………………….(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)).
2.11. Jaringan Syaraf Tiruan Backpropagation.

Backpropagation merupakan salah satu contoh methode dari sekian banyak
methode dalam jaringan layar jamak. Backpropagation merupakan method sistematik
pada jarian syaraf tiruan menggunakan banyak lapisan untuk mengubah bobot pada
lapisan tersembunyi. Method ini menggunakan pelatihan jenis terkontrol dengan pola
penyesuaian bobot untuk mencapai nilai kesalahan minimum antara keluaran hasil
prediksi dengan keluaran nyata (F.Suhandi, 2009). Seperti pada umumnya model
jaringan syaraf tiruan, backpropagation juga melatih jaringan untuk mendapatkan
keseimbangan antara kemampuan jaringan untuk mengenali karakteristik yang
digunakan selama pelatihan. Tidak hanya itu, kemudian disertai kemampuan jaringan
untuk memberikan respon yang benar terhadap pola masukkan yang serupa namun
tidak sama dengan pola yang dipakai selama pelatihan.
27
2.11.1. Arsitektur Jaringan Backpropagation

Backpropagation memiliki unit neuron yang ada dalam satu atau lebih layar
tersembunyi. Gambar arsitektur backpropagation dibawah ini memiliki buah
masukan (ditambah sebuah bias), serta m buah unit keluaran. Vji adalah bobot garis
dari unit masukan Xi ke unit layar tersembunyi Zj (Vj0 adalah bobot garis yang
menghubungkan bias di unit masukan ke unit layar tersembunyi Zj). Wkj adalah
bobot dari unit layar tersembunyi Zj ke unit keluaran Yk (Wk0 adalah bobot dari bias
di layar tersembunyi ke unit keluaran Zk).
Gambar 2.7 Arsitektur Backpropagation
2.11.2. Fungsi Aktivasi Backpropagation.

Seperti yang kita ketahui bahwa fungsi aktivasi dalam metode
backpropagation menggunakan sebuah fungsi aktivasi. Namun tidak hanya itu,
methode ini juga menggunakan turunan dari fungsi tersebut. Backpropagation bisa
menggunakan fungsi aktivasi sigmoid biner (yang memiliki range (0,1)) maupun
sigmoid bipolar (yang memiliki range (-1,1)) beserta turunan fungsinya. Pemilihan
fungsi aktivasi itu sendiri tergantung pada kebutuhan nilai keluaran jaringan yang
diharapkan.
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)
Fungsi sigmoid bipolar :
……………………………………………………….(2.22)
Memiliki turunan sebagai berikut:
……………………………………………..(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.
29
2.11.3. Pelatihan Standar Backpropagation.

Pada pelatihan backpropagation memiliki 3 fase. Fase pertama adalah fase maju,
pola masukan dihitung maju mulai dari layar masukan hingga layar keluaran
menggunakan fungsi aktivasi yang ditentukan. Fase kedua adalah fase mundur,
selisih antara keluaran jaringan dengan target yang diinginkan merupakan kesalahan
yang terjadi. Kesalahan tersebut dipropagasikan mundur, dimulai dari garis yang
berhubungan langsung dengan unit-unit di layar keluaran. Fase ketiga adalah
modifikasi bobot untuk menurunkan kesalahan yang terjadi.
Algoritma pelatihan jaringan syaraf tiruan backpropagation adalah sebagai

berikut:
Algoritma 2.3- pelatihan backpropagation
Langkah 0 : Inisialisasi semua bobot dengan bilangan acak kecil.

Langkah 1 : Jika kondisi penghentian belum terpenuhi, lakukan langkah 2-
9.
Langkah 2 : Untuk setiap pasang data pelatihan, lakukan langkah 3-8.
Fase I : Propagasi maju.

Langkah 3 : Tiap unit masukan menerima sinyal dan meneruskannya ke
unit tersembunyi di atasnya.
Langkah 4 : Hitung semua keluaran di unit tersembunyi zj (j = 1, 2, ..., p).
…………………………...(2.24)
……………………………...(2.25)
30
Langkah 5 : Hitung semua keluaran jaringan di unit yk (k = 1, 2, ..., m).
……………………….(2.26)
…………………………….(2.27)
Fase II : Propagasi mundur.

Langkah 6 : Hitung faktor δ unit keluaran berdasarkan kesalahan di setiap
unit keluaran yk (k = 1, 2, ..., m).
……………………………………………………………………………(2.28)
δk merupakan unit kesalahan yang akan dipakai dalam perubahan

bobot layar dibawahnya (langkah 7). Hitung suku perubahan bobot wkj (yang
akan dipakai nanti untuk merubah bobot wkj) dengan laju percepatan α.
……………………………………………………………………………(2.29)
Langkah 7 : Hitung faktor δ unit tersembunyi berdasarkan kesalahan di
setiap unit tersembunyi zj(j = 1, 2, ..., p).
………………………………….(2.30)
31
Faktor δ unit tersembunyi :
……..(2.31)
Hitung suku perubahan bobot vji(yang akan dipakai nanti untuk

merubah bobot vji)
……………………………………………………(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)
Perubahan bobot garis yang menuju ke unit tersembunyi :
…………………………..(2.34)
Langkah 9 : Kondisi perulangan.

Setelah selesai melakukan pelatihan, jaringan dapat dipakai untuk
pengenalan pola. Dalam hal ini hanya propagasi maju (langkah 4 dan 5) saja
yang dipakai untuk menentukan keluaran jaringan.
BAB III
METODE PENELITIAN
Pada bab ini diuraikan mengenai rencana langkah-langkah yang akan

dilakukan dalam penelitian. Termasuk bagaimana cara mendapatkan data, cara
mengolah data, cara membuat alat uji jika diperlukan, cara analisis data, cara
pengujian, dan di bagian akhir diberikan desain alat uji serta user interface dari alat
uji yang akan dibangun.
3.1. Data
Dalam tugas akhir ini terdapat bagian yang berhubungan dengan bahan dan
data yang akan digunakan. Berikut adalah penjelasan mengenai bahan dan data yang
akan digunakan tersebut:
1. Bentuk
Dalam klasifikasi buah pisang ini diperlukan banyak data guna
melakukan klasifikasi pisang ini. Data-data tesebut berupa foto/image buah
pisang yang terdiri dari 5 jenis buah pisang. 5 jenis pisang tersebut antara lain
adalah pisang Bentuk atau jenis data yang digunakan ialah berupa foto pisang:
raja, kapas, mas, susu, dan ambon. Foto tersebut memiliki format JPG.
Tabel 3.1 Contoh data
No Gambar Jenis pisang
1 Ambon
Gambar 3.1 Pisang Ambon
32
33
2 Kapas
Gambar 3.2 Pisang Kapas

3 Mas
Gambar 3.3 Pisang Mas

4 Raja
Gambar 3.4 Pisang Raja

34
5 Susu
Gambar 3.5 Pisang Susu

2. Jumlah
Jumlah data yang akan digunakan untuk klasifikasi buah pisang ini
ialah sebanya 250 data foto pisang. Foto buah pisang yang diambil terdiri dari
5 jenis buah pisang. Setiap jenis pisang akan diambil 50 foto sebagai data,
sehingga 5 x 50 maka didapat 250 data foto pisang. Jumlah yang digunakan
sebagai testing dan training group sebanyak 240, dan 10 foto sebagai data uji
tunggal.
3. Sumber Data
Data buah pisang yang digunakan dalam klasifikasi jenis pisang ini
diambil di beberapa pasar di sekitaran daerah Yogyakarta sendiri. Ada banyak
pasar disekitaran daerah Yogyakarta ini, salah satunya ialah pasar Stan.
4. Cara Memperoleh Data
Banyaknya data yang digunakan tidak terlepas dari cara memperoleh
data tersebut. Data berupa foto buah pisang ini diperoleh dengan cara seurvey
ke beberapa pasar, kemudian membeli buah pisang sesuai jenis yang
diperlukan. Lalu dilakukan pengambilan foto secara manual foto dengan
kamera xiaomi redmi note 2 dengan kamera 13 MP. Jarak pengambilan foto
dilakukan setinggi 20 cm.
35
3.2. Peralatan Penelitian

Dalam pembuatan tugas akhir klasifikasi jenis buah pisang ini tidak lari dari
beberapa peralatan yang digunakan. Peralatan tersebut digunakan untuk membantu
dalam proses dibuatnya tugas akhir ini. Peralatan tersebut terdiri sebagai berikut:
1. Laptop
Merk : Asus
Type : A455L
Processor : Intel (R) Core (TM) i5-4210U CPU @ 1.7 GHz 2.40 GHz
RAM : 4.00 GB (3.89 GB useble)
HDD : 1 TB
OS : Windows 8.1 Pro
Terdapat beberapa aplikasi di laptop yang digunakan untuk membantu
pengerjaan tugas akhir ini. Aplikasi tersebut diantaranya:
a. Microsoft Office Word
Versi : 2010
b. Microsoft Office Excel
Versi : 2010
c. Matlab
Versi : r2015a
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
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.
4. Tongsis dan Tripod

Alat selanjutnya ialah tongsis dan tripod, tongsis maupun tripod
merupakan alat bantu pegang handphone yang biasanya digunakan untuk
melakukan selfie atau bersama. Disini tongsis dan tripod berfungsi sebagai
alat bantu kestabilan dalam proses pengambilan data.
3.3. Cara Penelitian

Adapun cara penelitian yang akan dilakukan ialah sebagai berikut:
1. Studi Pustaka
Studi pustaka yang dilakukan berfungsi untuk membantu penyelesaian
tugas akhir ini. Adapun pada bagian cara penelitian ini, studi pustaka
berfungsi untuk menambah teori dan mencari tahu cara pengimplementasian
method backpropagation di matlab dengan image processing.
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.
37
Gambar 3.6. Diagram pengambilan data
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.
38
3. Pembuatan Alat Uji.

Langkah-langkah tersebut diantaranya:
a. Pengambilan Image atau Foto
Langkah pertama dilakukan pengambilan data berupa foto pisang.
Data yang sudah diambil dan tersedia didalam file akan dibaca oleh
program sebagai langkah awal pengolahan untuk klasifikasi pisang.
Berikut ini contoh gambarnya
Gambar 3.7 Pisang original.
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.
39
Gambar 3.8. Proses Preprocessing
Dalam gambar 3.8 diatas proses pre-processing terlihat dengan

jelas. Input citra image yang telah di ambil akan disamakan ukurannya
guna menyeimbangkan gambar satu dengan gambar yang lainnya.
Setelah itu dari resize akan dilakukan 2 bagian yakni cropping dan
binerisasi menggunakan dilasi. Cropping dilakukan untuk menghitung
statistik warna yang terdiri dari mean dan standar deviasi dari rgb.
Kemudian binerisasi dengan dilasi dilakukan untuk mencari
perimeter, luas, panjang, lebar, kebulatan, dan kerampingan. Hasil dari
cropping dan benerisasi pun didapat dan selesai.
40
Adapun ukuran yang digunakan yakni [225 400], dapat dilihat sebagai
berikut
Gambar 3.9 Pisang hasil resize
Setelah resize semua gambar maka langkah selanjutnya yakni

mengubah gambar tersebut ke citra biner. Adapun hasilnya dapat
dilihat sebagai berikut.
Gambar 3.10 Pisang hasil biner

41
Selanjutnya, setelah dilakukan operasi biner, selanjutnya

dilakukanlah dilasi untuk menentukan ciri pula dari buah pisang
tersebut.
Gambar 3.11 Pisang dilasi
Kemudian setelah dilakukan operasi dilasi maka langkah

selanjutnya ialah melakukan crop pada gambar sebagai kebutuhan
salah satu ektraksi ciri.
Gambar 3.12 Pisang hasil crop

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.
43
Gambar 3.13. Diagram ekstraksi ciri bagian warna.
Pada gambar 3.13 merupakan proses yang dilakukan pada

ekstraksi ciri bagian warna, citra hasil crop diolah dengan mencari
jumlah piksel dari setiap warna red green dan blue (RGB), dari jumlah
piksel yang ditemukan maka akan dihitung mean dari setiap warna
tersebut.
44
Kemudian setelah didapat mean setiap warna, maka akan dilakukan

perhitungan untuk mencari jumlah standar seviasi setiap warna.
Setelah didapat standar deviasi setiap warna, maka akan dicari rata-
rata standar deviasi setiap warna rgb, setelah didapat maka hasil dari
mean rgb dan standar deviasi rbg digunakan sebagai ekstraksi ciri,
dan selesai.
Gambar 3.14 Diagram ekstraksi ciri bagian binerisasi dilasi.
Gambar 3.14 merupakan proses perhitungan mencari ekstraksi ciri

yang tidak menggunakan warna. Ketika gambar binerisasi dilasi
keluar atau didapat maka akan dilakukan perhitungan perimeter, luas,
panjang, lebar, kebulatan, dan kerampingan. Setelah didapat
perhitungan final hasil dari setiap variable tersebut, maka data akan
disimpan sebagai ektraksi ciri dan selesai.
45
d. Penyimpanan hasil olah

Pada bagian ini dilakukan penyimpanan data hasil olahan. Data
yang disimpan berupa angka, kemudian dilakukan pembagian jenis
sesuai sample yang ada.
4. Pengujian dan Analisis

Jumlah data yang akan digunakan yakni sebanyak 250 gambar pisang.
Data yang digunakan sebagai traning dan testing group sebanyak 240 data,
kemudian data testing tunggal yang digunakan sebanyak 10 data. Sebelum
melakukan testing data akan diolah seperti langkah pembuatan alat uji,
kemudian untuk testing group dilakukan menggunakan holdout cross validasi
untuk memilih data secara acak, setalah itu dilakukan testing group. holdout
cross validation untuk melakukan pengujian variasi epoch, goal, dan learning
rate dengan akurasi tertinggi, sedangkan untuk pengujian data group
menggunakan k-fold cross validation dimana data dibagi menjadi 5 bagian,
dan setiap bagian akan diujicobakan. Untuk testing tunggal data yang belum
pernah digunakan sebanyak 10 gambar. Adapun output yang diharapkan yakni
memunculkan jenis dari pisang itu sendiri.
3.4. Design Alat Uji

Pada bagian ini akan dibahas mengenai design alat uji system yang akan
digunakan untuk klasifikasi jenis buah pisang ini. Berikut ini merupakan design alat
uji jika dilihat menggukanan flowchart:
46
Gambar 3.15 Blok diagram rancangan system secara keseluruhan
Pada gambar 3.15 diperlihatkan proses keseluruhan sistem yang akan

digunakan penulis. Mulai dengan sebuah data berupa image jpg, data diolah dengan
pre-processing sebagai langkah awal sebelum melakukan ekstaksi ciri, kemudian
setelah pre-processing data akan diekstraksi ciri untuk menghasilkan ciri dari setiap
jenis pisang berupa rgb, bentuk, dan ukuran. Setelah dilakukan ekstraksi ciri maka
data akan disatukan dan dilakukan normalisasi dengan angka rentangan 0 hingga 1.
Setelah itu data akan dibagi menjadi 2 bagian dengan croos valoidation untuk
memisahkan data testing dan data training. Data training digunakan untuk pelatihan,
dan testing digunakan untuk uji group. Setelah didapat akurasi terbaik, maka akan
dilakukan uji tunggal sebagai langkah akhir untuk pengujian klasifikasi jenis pisang
ini.
47
3.5. Cara pengujian

Pada bagian ini akan dijelaskan cara pengujian yang akan dilakukan terhadap
sistem yang akan dibuat. Cara pengujian atau testing diawali dengan melakukan pre-
processing terlebih dahulu. Pre-processing dilakukan untuk membuat gambar bisa di
kenali. Kemudian melakukan ekstraksi ciri yang meliputi warna (RGB) berupa mean
dan standar deviasi, bentuk dengan kebulatan dan kerampingan, dan ukuran dengan
perimeter, luas, panjang dan lebar.
Jaringan syaraf tiruan digunakan sebagai sistem yang diharapkan dapat
mengenali perbedaan jenis pisang berdasarkan fitur-fitur hasil pengolahan citra.
Jaringan ini akan menerima masukan (input) berupa informasi-informasi ciri dari
sebuah citra buah pisang. Jaringan syaraf tiruan mempunyai 12 masukan, sejumlah
lapisan tersembunyi dan 5 keluaran. Lapisan masukan (input layer) jaringan ini
menerima 12 buah masukan berupa mean red, mean green, mean blue, standar
deviasi red, standar deviasi green, standar deviasi blue, perimeter, luas, panjang,
lebar, kebulatan, dan kerampingan. Keluaran jaringan berupa 5 kelas jenis pisang
yakni, pisang raja, pisang kapas, pisang mas, pisang susu, dan pisang ambon. Lapisan
tersembunyi (hiden layer) berjumlah n layer. Jumlah ini akan divariasikan untuk
melihat hasil yang paling baik untuk jaringan. Dalam rencana penulis akan mulai
menggunakan 1 hidden layer dengan variasi jumlah neuron kelipatan 10 dimulai dari
10 neuron untuk menemukan akurasi tertinggi. Kemudian setelah memiliki hasil,
maka hidden layer 1 akan di kombinasikan dengan hidden layer 2. Wij merupakan
bobot jaringan untuk node-node dari lapisan masukan ke lapisan tersembunyi,
sedangkan Vjk merupakan bobot untuk node-node dari lapisan tersembunyi ke
lapisan keluaran.
48
1. Arsitektur jaringan dengan 1 hidden layer
Gambar 3.16 Rencana sistem arsitektur jaringan syaraf tiruan dengan 1 hiden layer
Pada gambar 3.16 diatas merupakan gambar model jaringan dengan 1

hidden layer yang akan digunakan dalam proses pengujian jaringan dengan nilai
ekstraksi ciri yang telah dinormalisasi. Berikut ini merupakan penjelasan
mengenai gambar tersebut :
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.
2. X1, X2, X3, X4,...,Xn merupakan lapisan tersembunyi yang digunakan

untuk mentransformasikan nilai masukan menjadi nilai yang bisa diolah
sehingga didapat nilai keluaran-nya. Dalam hidden layer 1 ini,
jumlah neuronnya akan divariasi dimulai dari 10, 20, 30 dan seterusnya
(kelipatan 10) hingga 100, sehingga dapat dibandingkan akurasi yang
terbaik yang didapat membutuhkan berapa banyak jumlah neuron pada
hidden layer.
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 :
Table 3.2 Table target luaran jenis pisang

Jenis Pisang Nilai Target Output
Ambon 10000
Kapas 01000
Mas 00100
Raja 00010
Susu 00001
50
2. Arsitektur jaringan dengan 2 hidden layer
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:
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.
2. X1, X2, X3, X4,...,Xn merupakan lapisan tersembunyi yang digunakan

untuk mentransformasikan nilai input menjadi nilai yang bisa diolah
sehingga didapat nilai yang akan digunakan untuk masukan pada
hidden layer selanjutnya. Bagian ini dinamakan hidden layer 1. Dalam
hidden layer 1 ini, jumlah neuronnya akan divariasi dimulai dari 10, 20,
30 dan seterusnya (kelipatan 10) hingga 100, sehingga dapat dibandingkan
akurasi yang terbaik yang didapat membutuhkan berapa banyak
jumlah neuron pada hidden layer.
3. Y1, Y2, Y3, Y4,...,Yn merupakan lapisan tersembunyi yang digunakan

untuk mentransformasikan nilai hidden layer sebelumnya menjadi nilai
yang bisa diolah sehingga didapat nilai output-nya. Bagian ini
dinamakan hidden layer 2. Dalam hidden layer 2 ini, jumlah neuronnya
akan divariasi dimulai dari 10, 20, 30 dan seterusnya (kelipatan 10) hingga
100, sehingga dapat dibandingkan akurasi yang terbaik yang didapat
membutuhkan berapa banyak jumlah neuron pada hidden layer.
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.
52
Kemudian bagian pengujian yang akan dilakukan dengan membagi data

mejadi 5 bagian menggunakan holdout validation, 4 bagian data sebagai pelatihan,
sedangkan 1 bagian data sebagai pengujiannya untuk mengetahui variasi epoch, goal,
dan learning rate terbaik dengan akurasi tertinggi. Kemudian membagi data menjadi
5 bagian dengan k-fold validation, setiap bagian berkesempatan dilakukan testing
sebanyak 1 kali saja. Dan untuk mengetahui akurasi tersebut, akan dilakukan
confusion matrix antara lebel sebenarnya dengan lebel jenis pisang setelah dilakukan
testing. Setelah dilakukan hal tersebut, maka akan dilihat kesamaan dari kedua lebel
tersebut. Lebel yang sama akan dikatakan benar, dan lebel yang tidak sama akan
dikatakan salah. Sehingga bagian akurasi dapat diketahui melalui kebenaran lebelnya.
Berikut rumus yang akan digunakan:
𝐽𝑢𝑚𝑙𝑎ℎ 𝑛𝑖𝑙𝑎𝑖 𝑏𝑒𝑛𝑎𝑟

𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = 𝑗𝑢𝑚𝑙𝑎ℎ 𝑠𝑒𝑙𝑢𝑟𝑢ℎ 𝑑𝑎𝑡𝑎 𝑡𝑒𝑠 𝑋 100 % ……………………………………(3.1)
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.
4.1 Implementasi Sistem

Pada sub bab ini akan memperlihatkan tampilan yang digunakan pada
program dan cara menjalankannya, kemudian pembahasan mengenai fungsi-fungsi
yang digunakan dan methode yang diterapkan.
1. Data Pisang
Data pisang yang digunakan penulis pada penelitian ini yakni terdiri dari 5
jenis pisang, jenis-jenis pisang tersebut ialah ambon, kapas, mas, raja, dan susu.
Berikut ini merupakan contoh data pisang tersebut.
Gambar 4.1 Contoh pisang ambon
Gambar 4.2 Contoh pisang kapas
53
54
Gambar 4.3 Contoh pisang mas
Gambar 4.4 Contoh pisang raja
Gambar 4.5 Contoh pisang susu
2. Resizing image pisang

Tahap selanjutnya yakni resizing semua ukuran pisang. Resizing dilakukan
untuk menyamakan semua ukuran pisang, sehingga nantinya data pisang
mempunyai ukuran yang sama secara merata. Ukuran image pisang yang
digunakan ialah [225 400], 225 sebagai lebar dan 400 sebagai panjang. Pada
gambar 3.7 diatas dapat dilihat sebagai contoh ukuran pisang original, kemudian
pada gambar 3.9 diatas sebagai contoh pisang hasil resizing
55
3. Cropping image pisang

Tahap cropping image ini dilakukan setelah tahap resizing. Tahap ini
memotong gambar dalam ukuran gambar yang hanya memiliki warna rgb saja.
Hal ini dilakukan untuk mencari kadar warna yang terkandung di setiap jenis
pisang. Pada gambar 3.12 dapat dilihat sebagai contoh pisang hasil cropping dari
gambar 3.7 diatas.
4. Binerisasi image pisang

Tahap selanjutnya yakni binerisasi image pisang dengan ukuran 0.01, ukuran
ini digunakan untuk melihat komposisi bentuk pisang yang menyerupai
keasliannya. Tahap ini memiliki lanjutan yakni dilasi. Bagian dilasi ini piksel
image diubah sedikit untuk membuat bentuk gambar menyerupai gambar asli.
Ukuran dilasi yang digunakan ialah menggunakan 4 elemen penstruktur. Pada
contoh gambar 3.10 diatas merupakan contoh pisang hasil binerisasi dengan
ukuran 0.01, sedangkan pada gambar 3.11 diatas merupakan contoh pisang hasil
dilasi dengan 4 element penstruktur.
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:
56
Gambar 4.6 Contoh hasil ektrasksi ciri
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.
Gambar 4.7 Implementasi mencari nilai maksimum dan minimum di 1 ciri
Gambar 4.8 Implementasi mencari nilai 0 hingga 1

57
Berikut ini merupakan contoh hasil normalisasi minmax:
Gambar 4.9 Contoh data setelah dinormalisasi minmax
7. Menentukan lebel data

Sebelum dilakukannya sebuah pelatihan dan pengujian, maka dilakukan
pemberian lebel pada setian jenis pisang. Pemberian lebel ini dilakukan agar
nantinya data yang dilatih bisa dikenali sebagai salah satu ciri dari jenis pisang
tertentu. Adapun pemberian lebel ini menggunakan pencarian nama file data
yang nantinya akan menentukan lebel dari setiap jenis.
Gambar 4.10 Implementasi pencari lebel
Adapun hasil yang dapat dilihat yakni sebagai berikut:
Gambar 4.11 Hasil pelebelan data bagian jenis pisang ambon

58
Gambar 4.12 Hasil pelebelan data bagian jenis pisang kapas
Gambar 4.13 Hasil pelebelan data bagian jenis pisang mas
Gambar 4.14 Hasil pelebelan data bagian jenis pisang raja
Gambar 4.15 Hasil pelebelan data bagian jenis pisang susu
8. Menentukan target dari setiap jenis

Pada tahap ini akan membuat target dari masing-masing jenis pisang. Adapun
pembuatan target kelas ini menggunakan lebel sebagai petunjuk jenis pisang.
Untuk pisang ambon menggunakan lebel 1 yang akan diwakili sebagai [1 0 0 0 0].
Kemudian pisang kapas menggunakan lebel 2 yang diwakili sebagai [0 1 0 0 0].
Pisang mas menggunakan lebel 3 yang diwakili sebagai [0 0 1 0 0]. Lalu pisang
raja menggunakan lebel 4 diwakili [0 0 0 1 0]. Dan yang terakhir ialah pisang
susu dengan lebel 5 diwakili sebagai [0 0 0 0 1]. Adapun hasilnya dapat dilihat
sebagai berikut.
Gambar 4.16 Hasil pemberian targer jenis ambon

59
Gambar 4.17 Hasil pemberian targer jenis kapas
Gambar 4.18 Hasil pemberian targer jenis mas
Gambar 4.19 Hasil pemberian targer jenis raja
Gambar 4.20 Hasil pemberian targer jenis susu
9. Membagi data dengan Holdout Validation

Pada tahap ini penulis menggunakan Holdout validation sebagai pembagi
antara data training dan testing untuk percobaan 1 sebagai pengujian untuk epoch,
goal, dan learning rate terbaik. 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. Adapun contoh hasilnya
dapat dilihat sebagai berikut.
60
Gambar 4.21 Contoh data latih menggunakan holdout validation
Gambar 4.22 Contoh data uji menggunakan holdout validation
10. Membagi data dengan K-Fold Validation

Pada tahap ini penulis menggunakan K-Fold Validation sebagai pembagian
data untuk percobaan 2 dan 3. Data yang ada berjumlah 240 data, dibagi menjadi
5 bagian, maka didapat masing-masing bagian terdiri dari bagian1 = 49, bagian2
= 48, bagian3 = 48, bagian4 = 48, bagian5 = 47 data. Sehingga 4 bagian sebagai
training dan 1 bagian sebagai testing. Adapun contoh hasilnya dapat dilihat
sebagai berikut.
61
Gambar 4.23 Contoh data 1

62
4.2 Hasil dan Analisis Hasil

Dalam penelitian ini penulis mempunyai data sejumlah 250 data pisang, 240
data digunakan sebagai testing dan training group, dan 10 sebagai data testing
tunggal. Dari 240 data yang digunakan, masing-masing jenis pisang terwakili dengan
48 banyaknya pisang dalam 1 jenis. Penelitian kali ini akan akan menggunakan
model traingdx yang biasa digunakan pada banyak penelitinan terkait klasifikasi
ataupun identifikasi. Dalam model ini akan diuji dengan berbagai jumlah hidden layer
dan jumlah neuron yang terkandung dalam layer tersebut untuk mendapakan akurasi
terbaik. Dan model ini pula akan digunakan dalam pengujian data tunggal untuk
menunjukan hasil dari klasifikasi yang dilakukan pada penelitian ini.
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.
Tabel 4.1 Akurasi percobaan 1

64
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.
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
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.
Tabel 4.3 Rata-rata dari percobaan 2
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.
69
Gambar 4.28 Grafik rata-rata akurasi dari percobaan 2
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%.
70
Gambar 4.29 Grafik rata-rata waktu dari percobaan 2
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.
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.
73
Tabel 4.5 Tabel rata-rata percobaan 3
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.
Gambar 4.30 Grafik rata-rata akurasi dari percobaan 3

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%.
Gambar 4.31 Grafik rata-rata waktu dari percobaan 3
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.
75
Dari beberapa percobaan yang sudah dilakukan diatas, dapat dibandingkan antara
percobaan dengan 1 hidden layer dan 2 hidden layer.
Tabel 4.6 perbandiangan 1 hidden layer dan 2 hidden layer

no 1 hidden layer 2 hidden layer
1 Model traingdx sebesar 97.91% Model traingdx sebesar 100% . dengan
dengan waktu 8.9 detik. waktu 22.1 detik
Model trainlm sebesar 100% dengan Model trainlm sebesar 97.91% wakti
waktu 1.6 detik tertinggi 31.2 detik
2 Model traingdx dengan rata-rata Model traingdx dengan rata-rata akurasi

akurasi 88.8% dalam rata-rata waktu 89.95% dalam rata-rata waktu 19 detik
12.4 detik.
Model trainlm rata-rata akurasi Model trainlm sebesar 89.14% dalam

sebesar 89.95% dalam rata-rata rata-rata waktu 117 detik
waktu 6.2 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.
76
4.2.2 Implementasi User Interface

Pada bagian ini akan membahas mengena tampilan antarmuka dari program
klasifikasi pisang menggunakan jaringan syaraf tiruan. Berikut ini merupakan
tampilan keseluruhan nya.
Gambar 4.32 Tampilan user interface keseluruhan
a. Bagian data
Bagian data ini, user diminta untuk memilih folder yang akan diproses sebagai
training dan testing. Berikut ini merupakan tampilannya.
Gambar 4.33 Tampilan user interface data
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.
77
Gambar 4.34 Tampilan user interface pilih data
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
Gambar 4.35 Tampilan user interface pesan pemberitahuan 1
Setelah selesai memilih folder dan program selesai mengolah data, maka
program akan menampilkan data hasil olahan tersebut. Berikut hasilnya
Gambar 4.36 Tampilan user interface hasil olah data

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.
b. Bagian testing group

Bagian ini memuat tampilan user interface untuk testing group. Dalam
interface tersebut terdapat bagian arsitektur jaringan, data training, testing dan
hasil. Berikut tampilannya.
Gambar 4.37 Tampilan user interface testing group.

Dari gambar 4.37 diatas dapat dilihat pada bagian arsitektur user diminta
untuk mengisi bagain hidden layer 1 dan hidden layer 2 jika ingin mengisi,
epoch, goal, dan learning rate. Bagian hidden layer 1 harus diisi, jika tidak akan
muncul pesan bahwa hidden layer tersebut harus diisi. Berikut tampilannya.
Gambar 4.38 Tampilan user interface peringatan hidden layer 1.

79
Begitu pula dengan epoch, goal, dan learning rate harus diisi, jika tidak maka
akan muncul peringatan masing-masing sebagai berikut.
Gambar 4.39 Tampilan user interface peringatan epoch.
Gambar 4.40 Tampilan user interface peringatan goal.
Gambar 4.41 Tampilan user interface peringatan learning rate.
Setelah user mengisi arsitektur dengan benar, seperti contoh penulis

menggunakan 1 hidden layer dengan 40 neuron dengan model trainlm,
epoch=5000, goal=0.0001, learning rate=0.1. Berikut tampilannya.
80
Gambar 4.42 Tampilan user interface testing group.

Pada gambar 4.42 diatas, penulis (user) telah mengisi bagian arsitektur seperti
contoh diatas, kemudian pada bagian bawah sebelah kiri terdapat tombol
“testing” untuk menjalankan program. Setelah dijalankan, program akan berjalan
dengan arsitektur yang telah di pilih. Berikut ini merupakan hasilnya.
Gambar 4.43 Tampilan user interface running

81
Setelah program berhasil dijalankan, maka, akan menampilkan pesan bahwa

program berhasil dijalankan. Berikut tampilan pesan tersebut.

Setelah program berhasil dijalankan, maka akan diperoleh hasil seperti berikut
ini.
Gambar 4.45 Tampilan user interface hasil testing group

Dari gambar 4.45 diatas, dapat dilihat pada bagian tabel pertama merupakan
data pembagian data menjadi 5 bagian. Pada bagian hasil terdapat tabel kedua
merupakan data keterangan berupa laju error, benar, salah, akurasi, dan waktu.
tabel selanjutnya dengan isi lebel sebenarnya dari data testing tersebut, dengan
lebel setelah di training. Terdapat pula bagian yang menampilkan rata-rata laju
error , rata-rata waktu, dan rata-rata akurasi kalkulasi dari testing tersebut.
82
c. Bagian testing tunggal

Bagian ini memuat tampilan user interface untuk testing tunggal. Dalam
interface tersebut terdapat bagian arsitektur preproessing, ektraksi ciri, dan hasil.
Berikut tampilannya.
Gambar 4.46 Tampilan user interface testing tunggal
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
83
Gambar 4.47 Tampilan user interface pilih data tunggal
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
Setelah program selesai dijalankan, program akan menampilkan data tersebut

pada bagian interface data tunggal. Berikut tampilannya
84
Gambar 4.49 Tampilan user interface hasil ekstraksi ciri tunggal
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
Jika program berhasil dijalankan, maka program akan menampilkan pesan

pemberitahuan seperti gambar 4.49 diatas. Kemudian untuk Hasil klasifikasi
menunjukan bahwa pisang tersebut benar pisang ambon, berikut ini hasil
klasifikasinya.
Gambar 4.51 Tampilan user interface hasil testing tunggal

86
4.2.3 Pengujian Data Tunggal

Setelah dilakukan pelatihan pada program dengan data yang sudah ada, maka
langkah selanjutnya yakni melakukan pengujian data tunggal. Data tunggal ini
merupakan data yang tidak termasuk dalam proses pelaihan dan pengujian data
kelompok.
Proses pengujian dilakukan menggunakan arsitektur jaringan syaraf tiruan
dengan akurasi tertinggi pada proses sebelumnya. Pada kali ini penulis menggunakan
1 hidden layer dengan jumlah neuron sebanyak 20, dengan model traingdx. Data
tunggal diuji secara masing-masing sebanyak 10 gambar dengan masing-masing jenis
diwakili oleh 2 gambar. Berikut ini merupakan tabel hasil uji data tunggal tersebut.
Table 4.7 Table Akurasi 10

No Gambar pisang Hasil pengenalan gambar status
pisang
1 Ambon_49 Ambon Benar
2 Ambon_50 Ambon Benar
3 Kapas_49 Kapas Benar
4 Kapas_50 Kapas Benar
5 Mas_49 Mas Benar
6 Mas_50 Mas Benar
7 Raja_49 Raja Benar
8 Raja_50 Raja Benar
9 Susu_49 Susu Benar
10 Susu_50 Raja salah
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)
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.
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.
3. Dari percobaan yang sudah dilakukan penggunaan 1 hidden layer lebih

efektif dengan akurasi tertinggi dan waktu tercepat dari pada
menggunakan 2 hidden layer.
4. Dari percobaan dengan 2 model jaringan syaraf tiruan, trainlm merupakan

model yang sangat baik dalam hal waktu dan akurasi jika menggunakan 1
hidden layer
88
89
5. Model jaringan syaraf tiruan yang dihasilkan sudah mampu mengenali

jenis pisang dengan baik. Hal ini dapat dilihat dari hasil uji data tunggal
yang datanya tidak tergabung dalam proses training mampu mengenali 9
jenis pisang dan 1 jenis pisang gagal atau tidak sesuai target.
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.
2. Untuk penelitian selanjutnya atau pengembangan dari penelitian ini bisa

menambahkan jenis pisang yang akan digunakan pada penelitian selanjutnya.
3. Pengembangan dari sisi tampilan dapat ditambah untuk memudahkan

membaca grafik sehingga pengguna dapat melihat bagian grafik dari akurasi
dan waktu yang dihasilkan
4. Pengembangan percobaan metode Normalisasi lain sehingga akan

mendapatkan hasil lebih optimal lagi.
90
Daftar Pustaka
Kementrian petanian, 2015, pisang,

http://www.pertanian.go.id/ap_pages/mod/datahorti diakses tanggal 17 dan
21 september 2016.
KBBI, 2016, pisang, http://kbbi.web.id/pisang diakses tanggal 08 desember 2016.
Flores L., 2016, kandungan pisang http://www.beautips.net/2015/10/buah-pisang-

manfaat-kesehatan-efek-samping.html diakses tanggal 08 desember 2016.
RHIN Biotechnology, 2015, http://rhinbiotechnology.com/kenali-yuk-jenis-pisang-di-

indonesia/ diakses tanggal 11 desember 2016.
JITUNEWS.COM, 2015, http://www.jitunews.com/read/10386/mengenal-8-macam-

buah-pisang-asli-indonesia diakses tanggal 11 desember 2016.
Metode-algoritma.com., 2013, http://www.metode-

algoritma.com/2013/02/backpropagation.html diakses tanggal 3 desember
2016
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.
91
Siang J.J., 2005, Jaringan Saraf Tiruan dan Pemrogramannya Menggunakan

MATLAB, Penerbit ANDI, Yogyakarta.
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.
Permadi Yuda, Murinto, 2015, Aplikasi Pengolahan Citra Untuk Identifikasi

Kematangan Mentimun Berdasarkan Tektur Kulit Buah Menggunakan
Metode Ekstraksi Ciri Statistik, JURNAL INFORMATIKA, Yogyakarta.
Marshalina, Hidayat Bambang, Wibowo Suryo Adhi, 2012, Klasifikasi Buah Mangga
Berdasarkan Bentuk Dan Warna Dengan Metode Curvelet, Telkom
University, Bandung.
Arfhiyanta Dhesa, 2016, Prediksi Jumlah Produksi Roti Menggunakan Metode

Backpropagation, Universitas Sanata Dharma, Yogyakarta.
Putera Lorencius Echo Sujianto, 2016, Klasifikasi Burung Berdasarkan Suara Kicau
Burung Menggunakan Jaringan Syaraf Tiruan Propagasi Balik, Universitas
Sanata Dharma, Yogyakarta.
92
Gunadi Ronny, 2017, Pengenalan Aksara Lampung Menggunakan Jaringan Syaraf

Tiruan Backpropagation Dengan Modified Direction Feature Extraction,
Universitas Sanata Dharma, Yogyakarta.
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.
Raras Bernadetta, -, Prediksi Data Menggunakan Neural Network Dengan Algoritma

Backpropagation, Telkom University, Bandung.
Permatasari Debby, 2012, Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan

Tekstur Berbasis PengolahanCitra Digital, Telkom University, Bandung.
Permata Endi, Suherman Andri, 2015, Klasifikasi Kualitas Buah Garcinia

Mangostana L. Menggunakan Metode Learning Vector Quantization,
SENTIKA, Yogyakarta.
Halela Ion Ataka, Nurhadiyono Bowo, S.Si,M.Kom, Rahmawati Farah Zakiyah, -,

Identifikasi Jenis Buah Apel Menggunakan Algoritma K-Nearest Neighbor
93
(KNN) dengan Ektraksi Fitur Histogram, Universitas Dian Nuswantoro, Jawa

Tengah.
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

Full

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Full

Diunggah oleh

Hak Cipta:

Format Tersedia

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE

PROGRAM STUDI TEKNIK INFORMATIKA

CLASSIFICATION OF TYPE OF BANANA FRUITS WITH

INFORMATICS ENGINEERING STUDY PROGRAM

HALAMAN PERSETUJUAN SKRIPSI

HALAMAN PENGESAHAN SKRIPSI

Perkembangan teknologi saat ini semakin pesat yang dampaknya sangat

Dalam penelitian ini nantinya akan menghasilkan sistem yang mampu

Percobaan proses klasifikasi jenis pisang dengan Jaringan Syaraf Tiruan

Kata Kunci : Klasifikasi, Jenis Pisang, Jaringan Syaraf Tiruan Backpropagation

CLASSIFICATION OF TYPE OF BANANA FRUITS WITH

Keywords: Classification, Type of Banana, Backpropagation Neural Network

2.4. Operasi Morfologi ................................................................................ 15

5.2. Saran ...................................................................................................... 89

Gambar 2.1 ........................................................................................................... 13

Gambar 4.3 ........................................................................................................... 54

Gambar 4.31 ......................................................................................................... 74

Rumus 2.28 ........................................................................................................... 30

3. “Prediksi Jumlah Produksi Roti Menggunakan Methode Backpropagation”

1. “Klasifikasi Buah Mangga Berdasarkan Bentuk dan Warna Dengan Metode

1.2. Rumusan Masalah

1.4. Batasan Masalah

1.5. Manfaat Penelitian

1.6. Metode Penelitian

1.7. Sistematika Penulisan

2.1.1. Jenis-Jenis Pisang

2.2. Citra Berwarna

Gambar 2.1 Skema ruang warna RGB dalam bentuk kubus

2.3. Citra Biner

Gambar 2.2 Pisang hasil biner

2.4. Operasi Morfologi

Gambar 2.3 Contoh beberapa kernel

Arti notasi diatas ,a dalah anggota himpunan A. kebalikannya jika bukan

Notasi ϕ terdapat dalam pembicaraan himpunan. Symbol tersebut menyatakan

Union adalah penggabungan dari dua himpunan, sebagai contoh:

Menyatakan bahwa C memiliki angota berupa semua anggotan A ditambah

Menyatakan C berisi anggota-anggota yang ada di himpunan A dan terdapat

Notasi diatas dibaca “semua element yang tidak menjadi anggota A”

Komplemen atau juga disebut invers dapat dibayangkan seperti saling

Tabel 2.2 Table kebenaran AND dan OR

Tabel 2.3 Table kebenaran NOT

Masukan 1 Masukan 2 XOR NAND

A B = {𝑧| [(𝐵̂ )𝑧 ∩ 𝐴] ₫𝐴}…………………………………………………….(2.10)

Dalam hal ini,

Gambar 2.4 pisang hasil dilasi

Algoritma 2.2-Hitung luas objek

2.7. Kebulatan Bentuk, Kerampingan Bentuk, Panjang, dan Lebar

Hasilnya berupa nilai ≤ 1. Nilai 1 menyatakan objek R berbentuk lingkaran.

2.8. Holdout Validation

2.9. K-Fold Cross Validation

2.10. Jaringan Syaraf Tiruan

3. Penghubung antar neuron memiliki bobot yang akan memperkuat atau

2.10.1. Arsitektur Jaringan Syaraf Tiruan.

Gambar 2.5 Single Network

Gambar 2.6 Multi Layer Network

2.10.2. Fungsi Aktivasi.

Fungsi sigmoid pada awalnya memiliki fungsi sebagai berikut:

2.11. Jaringan Syaraf Tiruan Backpropagation.

2.11.1. Arsitektur Jaringan Backpropagation

Gambar 2.7 Arsitektur Backpropagation

2.11.2. Fungsi Aktivasi Backpropagation.

Fungsi sigmoid bipolar :