Mangga
Mangga
ABSTRACT ton, 2.3 ton, 2.1 ton, dan 2.4 ton[1][2]. Setiap tahun produksi
Indonesia can produce mangoes with millions of buah mangga terus meningkat.
kilograms per year. Therefore, it is possible that Indonesia Selain untuk komsumsi dalam negeri (domestik),
could become one of the largest mango exporting Indonesia juga mengekspor mangga ke beberapa negara,
countries in ASEAN or Asia. Thus, maintaining the quality yaitu Taiwan, Singapura, Hongkong, Jepang, dan Timur
of the product becomes the main value. Typically, the Tengah. Dikarenakan banyaknya permintaan buah mangga
methods undertaken to identify mango levels of maturity di dalam maupun luar negeri, kualitas dari buah mangga
(quality) are by direct visual observation. It is considered tersebut sangat perlu diperhatikan dengan cara menyortir
less effective and accurate to identify mangoes in large buah tersebut sesuai tingkat kematangan/mutu buahnya.
quantities. With the advantages of technological Metode manual yang biasa dilakukan untuk
development, we built an alternative method by building a mengidentifikasi tingkat kematangan buah mangga yaitu
mango mango identification calculation system using dengan memeriksa berdasarkan penampilan dan aroma
artificial neural network with Lavenberg-Marquardt buah tersebut serta memeriksa melalui sentuhan. Metode
backpropagation learning method. The images used are ini dianggap kurang efektif jika dilakukan untuk menyortir
images taken from mangoes identified by color values, tingkat kematangan buah mangga dalam jumlah yang
standard deviations, slopes, entropy values, and kurtosis sangat banyak. Maka dari itu dengan memanfaatkan
values. The resulting weight value will be used to classify teknologi informasi, kami membuat suatu sistem
mango maturity into 4 (four) levels which are raw, semi- komputasi untuk mengidentifikasi tingkat kematangan
cooked, ripe and very ripe. The results of this study are buah mangga menggunakan metode jaringan syaraf tiruan
expected to be applied to the system of mango maturity dengan metode pembelajaran backpropagation dan
level identification in large quantities quickly to be algoritma pemrograman Lavenberg-Marquardt.
exported to countries in various parts of the world. Cara komputasi dalam penelitian ini dilakukan dengan
pengamatan visual tidak langsung menggunakan kamera
Keywords sebagai pengolah citra dari gambar yang direkam untuk
kemudian diolah dengan menggunakan perangkat lunak
Tingkat Kematangan Buah Mangga, Jaringan Syaraf komputer. Objek yang diamati yaitu buah mangga dengan
Tiruan, Backpropagation, Lavenberg-Marquardt tingkat kematangan yang berbeda dan diidentifikasi
berdasarkan nilai warna Red (dari representasi warna
RGB), nilai standar deviasi, nilai skewness, nilai entropi,
1. Pendahuluan dan nilai kurtosis. Hasil nilai bobot yang ada akan
Buah mangga adalah buah dengan jumlah produksi digunakan untuk mengelompokkan tingkat kematangan
terbanyak kedua di Indonesia. Menurut Kementerian buah menjadi 4 (empat) tingkat yaitu mentah, mengkal,
Pertanian Direktorat Jenderal Holtikultura, jumlah matang, dan terlalu matang.
produksi mangga di Indonesia pada tahun 2010, 2011,
2012, 2013, dan 2014 berturut-turut adalah 1.3 ton, 2.1
55
Seminar Nasional Teknologi Informasi 2017 A9
56
Seminar Nasional Teknologi Informasi 2017 A9
pada perhitungan. Selain itu, pengaturan neuron pada • Tahap 7 : pengoreksian bobot
lapisan tersembunyi perlu disesuaikan. Jumlah hidden • Tahap 8 : kembali melakukan Tahap 2 dengan nilai
neuron yang tidak sesuai dapat mengakibatkan kurangnya bobot yang baru.[7]
performa untuk mendeteksi sinyal pada sejumlah data
yang ada.
Menurut Heaton (2008), ada beberapa aturan yang 3. Hasil Percobaan
dapat digunakan untuk menentukan jumlah neuron yang
akan digunakan pada lapisan tersembunyi, diantaranya 3.1 Metodologi dan Perancangan
yaitu:
a. Jumlah hidden neuron harus berada diantara ukuran Dalam penelitian ini akan dilakukan beberapa tahapan,
input neuron dan output neuron. dimana tahapan ini dapat dilihat pada gambar berikut.
b. Jumlah hidden neuron harus 2/3 dari ukuran input
neuron, ditambah ukuran output neuron. Jumlah
hidden neuron harus kurang dari dua kali jumlah
input neuron.
Tahapan secara menyeluruh dari algoritma
Levenbergh Marquartd adalah :
• Tahap 0 : Inisialisasi Bobot dan bias.
• Tahap 1 : Menentukan Parameter yang dibutuhkan.
Parameter faktor input dan bias yang digunakan
sebagai parameter yang dikalikan atau dibagi
dengan parameter levenberg-Marquardt.
• Tahap 2: Perhitungan maju FeedForward (seperti
yang dilakukan Backpropagation)
• Tahap 3 : Menghitung MSE (Mean Square Error).
Gambar 2. Tahapan Perancangan Penelitian
Dengan memnggunkan rumus :
..............................(1) Dalam pengujian sistem, proses dikelompokkan
menjadi dua bagian, yaitu proses pelatihan data dan proses
Keterangan: pengujian data hasil dari pembelajaran backporpagation.
n = jumlah error pada matriks error Proses pelatihan berguna untuk memasukkan data
Ei = error ke-i (capture) mangga ke dalam sistem agar dipelajari oleh
• Tahap 4 : menghitung error dan total error pada sistem sehingga sistem dapat mengidentifikasi tingkat
jaringan. kematangannya.
Matriks error adalah matriks yang berisi nilai
kesalahan nilai neuron output terhadap target yang
ingin dicapai.
• Tahap 5 : menghitung matriks jacobian.
• Tahap 6 : mengitung perubahan bobot dan biasnya.
57
Seminar Nasional Teknologi Informasi 2017 A9
58
Seminar Nasional Teknologi Informasi 2017 A9
4. Kesimpulan & Saran penelitian ini. Kami juga mengucapkan terima kasih
banyak kepada dosen pembimbing penelitian ini yaitu Ibu
4.1 Kesimpulan Nur Afny C. Andryani, S.Si., M.Sc serta teman-teman
yang terlibat dalam penelitian ini.
Berdasarkan hasil penelitian yang dilakukan dapat
diambil kesimpulan sebagai berikut:
1. Penelitian ini berhasil membangun sistem REFERENSI
komputasi untuk mengidentifikasi tingkat [1] Promosiana, Anastasia. 2014. Statistik Produksi
kematangan buah mangga berdasarkan nilai warna Holtikultura Tahun 2013. Jakarta: Direktorat jenderal
dan ciri statistik orde pertama (nilai standar deviasi, Holtikultura, Kementerian Pertanian.
[2] Promosiana, Anastasia, dan Hanang Dwi Atmojo. 2015.
skewness, entropi, dan kurtosis) dengan Statistik Produksi Holtikultura Tahun 2014. Jakarta:
menggunakan jaringan syaraf tiruan algoritma Direktorat jenderal Holtikultura, Kementerian Pertanian.
backpropagation dan algoritma pembelajaran [3] Basuki, Achmad. 2005. Metode Numerik dan Algoritma
Levenberg Marquadrt. Komputasi. Yogyakarta: Andi.
[4] Sutoyo, T, dkk. 2009. Teori Pengembangan Citra Digital.
2. Keakuratan dengan implementasi metode Yogyakarta: Andi.
perbandingan uji latih dan uji sebesar 6:4 [5] Kusumadewi, Sri. 2004. Membangun Jaringan Syaraf
dinyatakan cukup baik dengan persentase 60,90 %, Tiruan (Menggunakan Matlab & Excel Link). Yogyakarta:
Graha Ilmu.
sedangakan pada metode perbandingan uji latih dan
[6] Siang, Jong Jek. 2004. Jaringan Syaraf Tiruan dan
uji sebesar 8:2 dinyatakan baik dengan persentase Pemrogramannya Menggunakan Matlab. Yogyakarta: Andi
72 %. [7] Berkah, Aulia Khairunisa. 2016. Pembelajaran Levenberg
Marquardt pada Pendeteksian Kepribadian Berdasarkan
4.2 Saran Tulisan Tangan. Universitas Komputer Indonesia.
59