ALGORITMA

JST
kelompok 1
Anggota kelompok 2

- Irsyad Zainul Hanif

[18081010007]
- Aninda Elsa Erayanti
[18081010077]
- Sonia Tisa Putri [18081010113]
- Kevin Hanif Wicaksana
[18081010130]
- Robby Hady Syahputra
[18081010139]
- Moh. Arel Intidhofatul Ummam
[18081010146]
 3

Isi presentasi
1. Konsep Umum
2. Flowchart
3. Teknik
4. Studi Kasus
 4

1.

Konsep Umum
 5

Konsep Umum
Jaringan saraf tiruan adalah salah satu representasi buatan
yang meniru kinerja otak manusia. Dimana terdapat proses
input data, pemrosesan data, dan output dari pemrosesan data.

Proses yang terjadi pada jaringan saraf tiruan adalah sistem

menerima nilai input dari objek, lalu nilai input dihubungkan
dengan bagian selanjutnya untuk di proses nilai dan bobotnya,
kemudian menghasilkan nilai output berdasarkan hasil dari
perhitungan nilai dan bobot.
 6

2.

Flowchart
 8

3.

Teknik
9
 10
Teknik
1. Menentukan jumlah neuron yang akan digunakan untuk pengenalan pola.
2. Menentukan nilai bias dan nilai actual output dari pengenalan pola objek yang
dideteksi.
3. Menentukan nilai bobot / weight yang akan digunakan perhitungan pada
setiap neuron.
4. Ketika objek akan dideteksi, maka input layer menerima nilai input atau nilai X
dari objek.
 11
Teknik
5. Input layer terkoneksi dengan hidden layer dan melakukan kalkulasi (W1*X1 +
W2*X2 + Wn*Xn) + Bias.
6. Nilai dari kalkulasi akan digunakan oleh activation function untuk menentukan
neuron tersebut akan aktif atau tidak.
7. Jika aktif, maka hasil kalkulasi akan diteruskan ke hidden layer berikutnya untuk
di kalkulasi sampai pada output layer.
 12
Teknik
8. Mencari nilai eror hasil deteksi pertama. Error = actual output – result
9. Jika hasil eror menunjukkan bobot harus dikurangi atau ditambah dan
juga hasil deteksi masih salah, maka dilakukan backpropagation.
10. Backpropagation dilakukan dengan cara merubah nilai bobot dan
dilakukan proses berulang kali sampai nilai eror didapatkan mendekati 0
atau bernilai 0.
 13

4.

Studi Kasus
14
 15

Latar belakang :

Pertumbuhan kendaraan bermotor yang tidak

terkendali tentu tidak terlepas dari masalah kemacetan
dan pencemaran lingkungan didalamnya. Untuk
mencegah pengumpulan kendaraan pada suatu lokasi,
perlu adanya data statistik agar mudah dianalisis
penanganan masalah kendaraan bermotor kedepannya
 16

Masalah :

Dari latar belakang diatas, masalah yang timbul antara

lain
1. Pertumbuhan kendaraan bermotor tidak terkendali
2. Berakibat pada Kemacetan dan Pencemaran lingkungan
3. Masih susahnya pengklasifikasian kendaraan untuk
identifikasi penanganan masalah kendaraan bermotor
 17
Tujuan :

Tujuan yang ingin dicapai yaitu untuk merancang

dan melakukan simulasi pada perangkat lunak sistem
informasi klasifikasi kendaraan roda empat agar
diperoleh kelas-kelas kendaraan yang sesuai dengan
menerapkan Hybrid Future Extraction dan jaringan
saraf tiruan Radial Basis Fundtion
 18

Data penelitian :

Citra diambil di Jalan Tol pada waktu pagi hingga sore

hari menggunakan kamera handphone Samsung SM-
G7102 dengan resolusi 3264 x 2448 pixel dengan format
penyimpanan .jpg
 19

Metodologi :

#Sistem Latih #Sistem Uji

1. Image Input 1. Image Input
2. Preprocessing 2. Preprocessing
3. Ekstraksi Ciri 3. Ekstraksi Ciri
4. Klasifikasi 4. Klasifikasi
5. Database 5. Output class object
 20
#Preprocessing

1. Image foreground/background
2. Konversi ke grayscale
3. Background substraction
4. Median filter
5. Opening
6. Erosi
7. Dilasi
8. Labelling
9. Normalisasi
10. Image kendaraan
 21

#Jaringan saraf tiruan Radial basis fundtion

1. Input Ciri, target Jumlah pusat, MSE

2. Menentukan pusat data
3. Menghitung fungsi basis, bobot, bias
4. Menghitung output JST RBF dan eror
5. Output kelas objek eror
 22
Keluaran sistem & Hasil uji coba :

1. Nilai threshold background substraction

2. Kernel median filter
3. Jenis dan ukuran Structuring Elemen (SE) dan
dilasi citra
4. Penggunaan tipe ciri terhadap akurasi
5. Perubahan nilai spread terhadap akurasi
6. Jumlah pusat hidden layer
7. Performansi pengujian hasil pelatihan terbaik
 23

Kesimpulan :

Nilai threshold positif dan negatif berbeda untuk

setiap gambar. Pada proses median filter, kernel 15 x
15 dapat menghasilkan hasil maksimal.
Pada proses dilasi, bentuk Strel Octagon
memberikan hasil terbaik namun ukuran Strel tidak
bisa ditentukan. Penggabungan antara ciri bentuk dan
warna dapat menghasilkan nilai akurasi yang lebih
baik.
 24

Parameter JST RBF nilai Spread 0,4 , jumlah

pusat 149 an nilai MSE 0 memberikan hasil
akurasi terbaik pada proses klasifikasi. Secara
umum pada proses pelatihan didapatkan akurasi
sebesar 100% sedangkan pada sistem pengujian
didapatkan akurasi sebesar 77, 52%.
25
Latar belakang : 26

Dalam beberapa tahun belakangan ini, penelitian

dalam perkembangan pola tekstur begitu beragam.
Penggunaan pola tekstur dapat diimplementasikan
salah satunya di dalam pengenalan pola pada daun
bunga kamboja.
Pola-pola tekstur yang ada pada pola daun
kamboja tersebut perlu dikenali sehingga memudahkan
pelaku pertanian untuk lebih mengenali jenis dan
karakteristik dari daun bunga kamboja tersebut.
 27

Masalah :

1. Pola tekstur daun kamboja begitu beragam

2. Minimnya klasifikasi jenis dan karakteristik daun
kamboja
3. Pelaku pertanian kesulitan untuk mengenali jenis
dan karakteristik dari daun bunga kamboja
 28

Tujuan :

Tujuan penelitian ini yaitu untuk menentukan jenis

dari bunga kamboja berdasarkan pola daunnya.
Penerapan dilakukan dengan algoritma Back
Propagation terhadap 2 jenis daun bunga kamboja yaitu
Kamboja Jepang dan Kamboja Bali yang masing-
masing mempunyai pola bentuk daun yang sama.
 29

Data penelitian :

Data yang digunakan pada penelitian ini

memanfaatkan terhadap 2 jenis daun bunga kamboja
yaitu Kamboja Jepang dan Kamboja Bali yang masing-
masing mempunyai pola bentuk daun yang sama.
 30

Metodologi :

Penelitian ini akan membedakan daun kamboja

Bali dan daun kamboja Jepang seperti pada Gambar 1
dan 2 dengan memanfaatkan pengolahan citra
menggunakan metode Back Propogation pada Jaringan
Syaraf Tiruan.

1. Pengolahan Citra Daun

2. Ekstraksi Ciri
3. Jaringan Syaraf Tiruan
 31

Ekstraksi Ciri Meliputi:

• Wavelet
• GLCM (Gray Level Co-Occurrance Matrix)
• Filter Gabor
• Histogram
 32
Jaringan Syaraf Tiruan :

• Arsitektur Multi Layer Perceptron (MLP)

• Backpropagation
• Membuat lapisan masukan
• Menghitung keluaran elemen pemroses melalui
lapisan luar.
• Menghitung kesalahan yang pada lapisan luar
• Mentransformasi elemen pemroses
• Mengulangi proses dengan propagasi balik
• Merubah seluruh bobot dengan eror keluaran
elemen pemroses
 33

Keluaran sistem & Hasil uji coba :

1. Ekstraksi ciri data inputan

2. Klasifikasi pola daun
3. Dapat mengidentifikasi jenis dan karakteristik
perbedaan daun
4. Mengenali semua sample dengan akurasi tinggi
Kesimpulan : 34

Pola-pola tekstur yang ada pada daun kamboja

diperlukan oleh pelaku pertanian untuk mengenali jenis
dan karakteristik dari daun tersebut.
Penelitian ini merupakan penerapan jaringan syaraf
tiruan untuk menentukan jenis dari bunga kamboja
berdasarkan pola daunnya. Penerapan dilakukan
dengan algoritma Back Propagation terhadap 2 jenis
daun bunga kamboja yaitu Kamboja Jepang dan
Kamboja Bali yang masing-masing mempunyai pola
bentuk daun yang sama.
35
 36

Latar Belakang :

Dalam kehidupan sehari-hari, banyak sekali

identifikasi yang kita lakukan secara tidak sadar. Salah
satu yang sering kita jumpai adalah pencocokan tanda
tangan dimana tanda tangan transaksi saat ini
dicocokkan dengan spesimen data tanda tangan yang
sudah ada.
 37
Masalah :

Dari latar belakang tersebut, masalah yang dihadapi antara

lain
1. Human error / kesalahan manusia ketika melakukan
identifikasi seperti sugesti, lalai, dan lain-lain
2. Efisiensi yang dinilai mkasih kurang, dimana masih banyak
proses identifikasi tanda tangan yang dilakukan secara
manual
 38

Tujuan :

Tujuan dilakukannya penelitian ini antara lain

1. Mempermudah proses identifikasi tanda tangan
agar lebih cepat, tepat, akurat serta efisiensi waktu,
tenaga dan biaya
2. Meminimalisir manualisasi proses identifikasi
dengan diimplementasikannya teknologi yang
mendukung
 39

Penelitian terdahulu :

• Dalam penelitian (Purnomo, dkk, 2006) menggunakan

jaringan saraf tiruan backpropagation untuk pengenalan pola
tanda tangan dimana sekitar lebih dari 90% telah berhasil
diaplikasikan diberbagai bidang dan menjadi salah satu
metode komputasi yang handal.
 40

Data Penelitian :

Tanda tangan digital resolusi 200 dpi ukuran 300x300

pixel format bmp, jpg, png, gif dan tif. Arsitektur jaringan
saraf tiruan backpropagation yang digunakan adalah 400
node lapisan input, 50 node lapisan tersembunyi, dan 4
node lapisan output
 41

Metodologi :

1. Input pola (scanner / mouse)

2. Grayscale (scanner)
3. Binerisasi (scanner)
4. Ekstraksi ciri
5. Pelatihan / pengenalan
6. Output
 42
Keluaran sistem & Hasil uji coba :

1. Gambar asli
2. Gambar Grayscale
3. Gambar biner
4. Desain form input pelatihan
5. Desain form input pengenalan
6. Gambar pengolahan citra tanpa noise
7. Gambar pengolahan citra dengan noise
8. Gambar ekstraksi citra tanpa noise
9. Gambar ekstraksi citra dengan noise
10. Tabel uji coba
 43
Tabel Uji Coba

- Nilai inisialisasi bobot dan bias

- Laju pelatihan
- Momentum
- Mal eror
- Epoch
- Konvergensi jaringan
- Sampel
- Data pelatihan
- Data luar
- Parameter keberhasilan
 44
Kesimpulan :

Berdasarkan hasil uji coba terhadap 30 data pelatihan

dari 10 sampel tanda tangan untuk 400 Node lapisan input,
50 Node lapisan tersembunyi dan 4 Node lapisan output
dengan nilai ODMX SHODWLKDQ antara -0,1 - 0,1.
Uji coba dilakukan terhadap 30 data pelatihan dari 10
orang responden dengan 400 node lapisan output, 50 node
lapisan tersembunyi dan 4 node ODSLVDQ RXWSXW
GHQJDQ ODMX SHODWLKDQ
45
 46
Latar Belakang :

Industri pengolahan hasil pertanian dan

perkebunan sangat berkembang pesat. Salah satu
tahap dalam proses pengolahan hasil perkebunan
adalah pemilihan produk berdasarkan kualitasnya
(misalnya tingkat kematangan buah). Proses
pemilihan produk hasil pertanian dan perkebunan
umumnya sangat bergantung pada presepsi
manusia terhadap komposisi warna yang dimiliki
citra (buah - buahan).
 47

Masalah :

Bagaimana Tingkat keberhasilan identifikasi

kematangan buah tomat yang didapatkan
menggunakan metode pembelajaran perceptron
 48
Tujuan :

Tujuan penelitian ini yaitu untuk menentukan tingkat

kematanggan tomat . Penerapan dilakukan dengan
metode Waterfall terhadap 3 kategori warna tingkat
kematanggan tomat yaitu Tomat Warna Hijau , Buah
Tomat Warna Campur (Merah dan Kuning) dani Buah
Tomat Warna Merah.
 49

Data Penelitian :

Data yang digunakan pada penelitian ini

memanfaatkan 3 kategori warna tingkat
kematanggan tomat yaitu Tomat Warna Hijau ,
Buah Tomat Warna Campur (Merah dan Kuning)
dani Buah Tomat Warna Merah.
 50

Metodologi :

Penelitian ini akan membedakan tingkat

kematangan tomat antara Tomat Warna Hijau ,
Buah Tomat Warna Campur (Merah dan Kuning)
dan Buah Tomat Warna Merah dengan
memanfaatkan pengolahan citra menggunakan
metode waterfall pada Jaringan Syaraf Tiruan.
 51

Adapun tahap dalam metode waterfall ini adalah

sebagai berikut:

1. Analisis
2. Perancangan Sistem
 52

Berikut ini adalah rancangan proses identifikasi kematangan

buah menggunakan metode pembelajaran single perceptron :

1. Arsitektur Single Perceptron Perancangan single

perceptron ini menggunakan 3 input , 3 node hidden
layer dan 3 unit output.
2. Rancangan Pembelajaran (training) perceptron : Citra =>
histogram warna => pola => training => bobot
3. Rancangan proses identifikasi perceptron : Citra =>
histogram warna => pola => identifikasi (dari bobot)
 53

IMPLEMENTASI

Dalam Identifikasi terdapat 2 proses yaitu segmentasi

dan klasifikasi menggunakan metode pembelajaran
perceptron.
 54

PENGUJIAN DAN PEMBAHASAN

Pada pengujian untuk aplikasi identifikasi kematangan

buah tomat yaitu menggunakan pengujian Unit dan
pengujian akurasi.
 55

Keluaran sistem & Hasil uji coba :

1. Klasifikasi tingkat keberhasilan identifikasi

kematangan buah tomat yang didapatkan
menggunakan metode pembelajaran perceptron
berdasarkan warna tomat
Kesimpulan : 56

1. Dalam identifikasi kematangan buah tomat

menggunakan metode pembelajaran perceptron pada
saat proses identifikasi satu proses hanya dapat
menerima satu masukan (input) parameter warna
(merah, hijau, biru).
2. Identifikasi kematangan buah tomat dengan
mengimplementasikan algoritma perceptron
memperoleh tingkat keberhasilan identifikasi sebesar
43,33%.
 57

3. Dari hasil identifikasi dengan menggunakan perceptron

yang diperoleh yaitu menghasilkan 3 output Mentah
sebesar 10%, Setengah Matang sebesar 6,66%, dan Matang
sebesar 26,66%.

4. Identifikasi kematangan buah tomat menggunakan

metode perceptron paling banyak mendeteksi buah tomat
masak dan mentah, bila dibandingkan dengan buah tomat
setengah matang karena kurangnya pencahayaan dan
minimnya spesifikasi kamera.
 Than
58

ks!

Any questions?