Seminar Nasional Teknologi Informasi 2017 A9

KLASIFIKASI KEMATANGAN MANGGA

MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN
LEVENBERG MARQUARDT
Imam Machroz 1) Wina Apriliani 2) Lawan 3) Reza Saputra 4)
Rosita 5)Nur Afny Catur Andryani6)

Teknik Informatika Universitas Tanri Abeng

Jalan Swadarma Raya No. 58, Jakarta 12250 Indonesia
email : imam_m@student.tau.ac.id1)wina.apriliani@student.tau.ac.id2)lawan@student.tau.ac.id3)
reza.saputra@student.tau.ac.id4)rosita@student.tau.ac.id5)nur.afny@tau.ac.id6)

ABSTRACT
Indonesia can produce mangoes with millions of
kilograms per year. Therefore, it is possible that Indonesia
could become one of the largest mango exporting
countries in ASEAN or Asia. Thus, maintaining the quality
of the product becomes the main value. Typically, the
methods undertaken to identify mango levels of maturity
(quality) are by direct visual observation. It is considered
less effective and accurate to identify mangoes in large
quantities. With the advantages of technological
development, we built an alternative method by building a
mango mango identification calculation system using
artificial neural network with Lavenberg-Marquardt
backpropagation learning method. The images used are
images taken from mangoes identified by color values,
standard deviations, slopes, entropy values, and kurtosis
values. The resulting weight value will be used to classify
mango maturity into 4 (four) levels which are raw, semi-
cooked, ripe and very ripe. The results of this study are
expected to be applied to the system of mango maturity
level identification in large quantities quickly to be
exported to countries in various parts of the world.
Keywords
Tingkat Kematangan Buah Mangga, Jaringan Syaraf
Tiruan, Backpropagation, Lavenberg-Marquardt
1. Pendahuluan
Buah mangga adalah buah dengan jumlah produksi
terbanyak kedua di Indonesia. Menurut Kementerian
Pertanian Direktorat Jenderal Holtikultura, jumlah
produksi mangga di Indonesia pada tahun 2010, 2011,
2012, 2013, dan 2014 berturut-turut adalah 1.3 ton, 2.1
ton, 2.3 ton, 2.1 ton, dan 2.4 ton[1][2]. Setiap tahun produksi
buah mangga terus meningkat.
Selain untuk komsumsi dalam negeri (domestik),
Indonesia juga mengekspor mangga ke beberapa negara,
yaitu Taiwan, Singapura, Hongkong, Jepang, dan Timur
Tengah. Dikarenakan banyaknya permintaan buah mangga
di dalam maupun luar negeri, kualitas dari buah mangga
tersebut sangat perlu diperhatikan dengan cara menyortir
buah tersebut sesuai tingkat kematangan/mutu buahnya.
Metode manual yang biasa dilakukan untuk
mengidentifikasi tingkat kematangan buah mangga yaitu
dengan memeriksa berdasarkan penampilan dan aroma
buah tersebut serta memeriksa melalui sentuhan. Metode
ini dianggap kurang efektif jika dilakukan untuk menyortir
tingkat kematangan buah mangga dalam jumlah yang
sangat banyak. Maka dari itu dengan memanfaatkan
teknologi informasi, kami membuat suatu sistem
komputasi untuk mengidentifikasi tingkat kematangan
buah mangga menggunakan metode jaringan syaraf tiruan
dengan metode pembelajaran backpropagation dan
algoritma pemrograman Lavenberg-Marquardt.
Cara komputasi dalam penelitian ini dilakukan dengan
pengamatan visual tidak langsung menggunakan kamera
sebagai pengolah citra dari gambar yang direkam untuk
kemudian diolah dengan menggunakan perangkat lunak
komputer. Objek yang diamati yaitu buah mangga dengan
tingkat kematangan yang berbeda dan diidentifikasi
berdasarkan nilai warna Red (dari representasi warna
RGB), nilai standar deviasi, nilai skewness, nilai entropi,
dan nilai kurtosis. Hasil nilai bobot yang ada akan
digunakan untuk mengelompokkan tingkat kematangan
buah menjadi 4 (empat) tingkat yaitu mentah, mengkal,
matang, dan terlalu matang.

55
Seminar Nasional Teknologi Informasi 2017
2. Landasan Teori
2.1 Pengolahan Citra Digital
Pengolahan citra atau (image processing) merupakan
suatu pemrosesan piksel-piksel di dalam citra digital untuk
pengambilan citra dan memperbaiki kualitas gambar yang
memiliki gangguan (cacat, kabur, kurang tajam, terlalu
kontras, dan lain sebagainya) agar dapat dapat dipahami
oleh manusia dan komputer[3].
Dalam prakteknya terdapat beberapa proses
pengolahan citra, diantaranya yaitu histogram citra,
perbaikan kulitas citra, segmentasi citra, ekstraksi ciri
citra, operasi morfologi citra dan lain-lain. Salah satu yang
diterapkan dalam penelitian ini adalah ekstraksi ciri.
Ekstraksi ciri merupakan tahapan mengekstrak
ciri/informasi dari objek di dalam citra yang ingin
dibedakan dengan objek lainnya. Ciri yang telah diekstrak
kemudian digunakan sebagai parameter untuk
membedakan antara objek yang satu dengan yang lainnya
pada tahapan identifikasi/klasifikasi.
1. Ekstraksi Ciri Warna (True Color)
Setiap piksel pada citra warna mewakili warna yang
merupakan kombinasi dari tiga warna dasar (RGB = Red
Green Blue). Setiap warna dasar menggunakan
penyimpanan 8 bit, yang berarti setiap warna mempunyai
gradasi sebanyak 255 warna[4].
Representasi warna ini terdiri dari tiga unsur utama
yaitu merah (red), hijau (green), dan biru (blue).
Gabungan tiga warna ini membentuk warna-warna lainnya
berdasarkan intensitas dari masing-masing warna tersebut
dengan intesitas maksimal, dan warna hitam merupakan
gabungan dari ketiga warna tersebut dengan intensitas
minimal.
2. Ekstraksi Ciri Tekstur
Untuk membedakan tekstur objek satu dengan objek
lainnya dapat menggunakan ciri statistik orde pertama
yang didasarkan pada karakteristik histogram citra. Ciri
orde pertama umumnya digunakan untuk membedakan
tekstur perulangan pola lokal secara periodik. Ciri orde
pertama antara lain: mean, variance, skewness,
kurtosis, dan entropy.
2.2 Jaringan Syaraf Tiruan
Jaringan syaraf tiruan merupakan metode komputasi
yang mempresentasikan fungsi jaringan syaraf pada otak
manusia yang mencoba untuk menyimulasikan proses
pembelajaran dan mengenali sesuatu. Ada beberapa hal
yang perlu diperhatikan dalam membangun jaringan syaraf
tiruan, diantaranya yaitu arsitektur jaringan syaraf tiruan,
56
A9
fungsi aktivasi, metode pembelajaran, serta algoritma
pembelajaran yang digunakan[5].
1. Arsitekur Jaringan Syaraf Tiruan
Pada arsitektur jaringan syaraf tiruan terdapat
komponen lapisan yang berperan penting. Lapisan-lapisan
itu diantaranya lapisan masukan, lapusan tersembunyi, dan
lapisan keluaran. Salah satu model arsitektur jaringan
syaraf tiruan ini adalah arsitektur Backpropagation.
Seperti halnya model JST lain, Backpropagation
melatih jaringan agar mampu mengenali pola dan
memberikan tanggapanyang benar terhadap pola masukan
yang serupa (tapi tidak sama) dengan pola yang dipakai
selama pelatihan.
Garnbar 1. dibawah ini merupakan arsitektur
backpropagation dengan sejumlah masukan (x), sebuah
layar tersembunyi (z), serta unit keluaran (y). Garis vji
adalah bobot garis dari unit masukan xi ke unit layar
tersembunyi (zj). Garis wmp merupakan bobot dari unit
layar tersembunyi (zj) ke unit keluaran yk.
Gambar 1. Arsitektur Backpropagation[6]
2. Metode Algoritma Levenberg Marquardt
Metode pembelajaran merupakan salah satu komponen
penting lainnya dalam jaringan syaraf tiruan. Dalam
metode pembelajaran ini terdapat algoritma yang berguna
untuk pemrosesan pengolahan data agar didapatkan suatu
hasil yang sesuai dengan tujuan, seperti pengenalan pola,
memprediksi suatu keluaran, dan lain sebagainya.
Terdapat beberapa macam metode algoritma
pembelajaran, salah satunya yaitu Levenberg Marquardt
yang diterapkan pada penelitian ini.
Algoritma Levenberg Marquardt merupakan
pengembangan algoritma backpropagation standar.
Algoritma Levenberg Marquardt ini menggunakan
pendekatan matriks Jacobi, karena itu Levenberg
Marquardt mampu mengenali pola tertentu dan lebih cepat
mencapai konvergensi daripada algoritma propagasi balik
biasa.
Tahap awal untuk mengimplementasikan algoritma ini
yaitu perlu dilakukan pengaturan arsitektur jaringan yang
sesuai, hal ini dilakukan agar dapat menekan tingkat error
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.

Tabel 1. Tabel Hasil Ekstraksi Ciri Nilai Bobot Mangga

57
Seminar Nasional Teknologi Informasi 2017
3.2 Pembahasan
Untuk mengelola dan mengembangkan sistem
komputasi klasifikasi tingkat kematangan buah mangga,
dibutuhkan sekumpulan data untuk mengidentifikasi
permasalahan yang ada. Data yang dibutuhkan adalah
capture gambar mangga yang memiliki tingkat
kematangan yang berbeda dari mentah sampai sangat
matang. Dalam penelitian ini, digunakan capture gambar
mangga sebanyak 52 buah dengan tingkat kematangan
yang bervariasi, terdiri dari 11 buah mangga mentah, 12
buah mangga mengkal, 11 buah mangga matang, dan 10
buah mangga terlalu matang. Data ini kemudian diolah
untuk dipelajari oleh sistem jaringan syaraf tiruan.
Dalam mengidentifikasi tingkat kematangan mangga
secara manual sebenarnya mudah untuk
diimplementasikan, karena hal ini dapat dilihat secara
visual dari warna dan secara sentuhan dari tekstur mangga.
Tetapi jika hal ini diimplementasikan pada jumlah mangga
yang sangat banyak dirasa kurang efektif.
(a) (b)
(c) (d)
Gambar 3. (a) Buah mangga mentah, (b) buah mangga mengkal, (c) buah
mangga matang, dan (d) buah mangga terlalu matang
Proses pertama setelah didapatkan gambar mangga
adalah ekstraksi ciri dari buah mangga tersebut. Dalam
penelitian ini, kami menggunakan nilai bobot Red Value,
standar deviasi, skewness, entropi, dan kurtosis sebagai
input. Nilai yang didapat kemudian dinormalisasi dan
dikelompokkan menjadi 4 tingkat kematangan dengan
kode 1 (mentah), 2 (mengkal), 3 (matang), dan 4 (terlalu
matang). Parameter utama yang mejadi patokan dari
tingkat kematangan buah mangga tersebut adalah nilai Red
(representasi RGB). Hal ini dikarenakan parameter dengan
58
A9
nilai tersebut dapat diklasifikasikan secara logika dan
memudahkan sistem dalam melakukan pembelajaran data.
Untuk medapatkan sistem yang akurat, tentunya perlu
dilakukan beberapa perbandingan persentase proses latih
dan proses uji pada tahap pengolahan data. Maka dari itu,
dilakukan sebanyak 3 percobaan dengan persentase data
latih serta data uji yang berbeda, yaitu 8:2, 6:4, dan 5:5.
Setiap percobaan pengolahan data dilakukan 10 kali proses
pengujian. Hasil prediksi yang harusnya dicapai yaitu 1, 1,
2, 2, 2, 3, 3, 3, 4, dan 4 secara berurut.Penelitian ini
menggunakan JST dengan rancangan arsitektur neuron 2-
2-1 yang didapatkan pada trial errordi pelatihan data yaitu
learning rate 0.1, fungsi aktivasi logsig untuk hidden layer
dan purelin untuk lapisan keluaran.
Setelah disimulasikan, pada percobaan pertama dengan
perbandingan data latih dan datan uji sebesar 8:2 maka
didapat hasil ujudengantingkatkeakuratan sebesar 72 %.
Pada percobaan kedua, dilakukan proses pengolahan data
dengan perbandingan data latih dan datan uji sebesar 6:4.
Setelah dilakukan pengujian maka didapat hasil
keakuratan sebesar 60,90 %. Pada percobaan ketiga,
dilakukan proses pengolahan data dengan perbandingan
data latih dan datan uji sebesar 5:5. Setelah dilakukan
pengujian maka didapat hasil keakuratan sebesar 53,75 %.
Dari pengujian di atas, proses data latih dan data uji
dengan perbandingan 5:5 belum bisa diimplementasikan
karena persentase keakuratan hasil uji yang hampir sama
dengan persentase hasil uji yang salah. Pada proses data
latih dan data uji dengan perbandingan 6:4 masih bisa
diimplementasikan karena tingkat persentase kekuratan
hasil uji lebih tinggi dari persentase hasil uji yang salah.
Sampel data yang digunakan pada perbandingan 6:4
adalah sebanyak 30 data, diantaranya 6 data mangga
mentah, 7 data mangga mengkal, 11 data mangga matang,
dan 6 data mangga terlalu matang. Tingkat keakuratan
yang paling baik adalah pada perbandingan data uji dan
data latih sebesar 8:2 dengan persentase 72 %, hal ini
dikarenakan pelatihan data yang diproses lebih banyak dari
kedua percobaan sebelumnya.
Seminar Nasional Teknologi Informasi 2017 A9

Tabel 2. Contoh hasil uji (data perbandingan 8:2)

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.

Adapun saran untuk perbaikan jurnal ini ialah

diperlukan banyak data latih agar mempengaruhi kinerja
hasil uji lebih baik dengan persentase perbandingan yang
seimbang.

5. Ucapan Terima Kasih

Kami mengucapkan syukur kepada Allah SWT karena
atas ridho dan karunia-Nya lah kami dapat menyelesaikan

59