IDENTIFIKASI JENIS RAMBAK OLAHAN BERBASIS ANALISIS …repository.ub.ac.id/4455/1/ISNA AROFATUZ...

i

IDENTIFIKASI JENIS RAMBAK OLAHAN BERBASIS

ANALISIS CITRA MENGGUNAKAN JARINGAN SARAF

TIRUAN

Oleh :

ISNA AROFATUZ ZAHROK

NIM 135100318113013

Sebagai salah satu syarat untuk memperoleh

gelar Sarjana Teknologi Pertanian

JURUSAN TEKNOLOGI INDUSTRI PERTANIAN

FAKULTAS TEKNOLOGI PERTANIAN

UNIVERSITAS BRAWIJAYA

MALANG

2017

iv

RIWAYAT HIDUP

Penulis dilahirkan di Kediri pada tanggal 20 Agustus 1995 dari ayah bernama Achmad dan ibu Yatimur. Penulis telah menyelesaikan pendidikan Sekolah Dasar di MI Sunan Giri pada tahun 2007, kemudian melanjutkan ke Sekolah Menengah Pertama di MTs Sunan Giri dengan tahun kelulusan 2010, dan melanjutkan pendidikan di SMA Negeri 1 Mojo dengan tahun kelulusan 2013. Pada

tahun 2017 penulis berhasil menyelesaikan pendidikannya di Universitas Brawijaya Malang Jurusan Teknologi Industri Pertanian.

v

Alhamdulillahi Rabbil ‘Alamin, terima kasih Ya Allah

Karya kecil ini aku persembahkan kepada

kedua orang tuaku, kakak-kakakku, dam adikku tercinta

vi

PERNYATAAN KEASLIAN TUGAS AKHIR Yang bertanda tangan dibawah ini : Judul TA : Identifikasi Jenis Rambak Olahan

Berbasis Analisis Citra Menggunakan Jaringan Saraf Tiruan

Nama Mahasiswa : Isna Arofatuz Zahrok

NIM : 135100318113013 Jurusan : Teknologi Industri Pertanian Fakultas : Teknologi Pertanian Menyatakan bahwa, Tugas akhir dengan judul diatas merupakan karya asli penulis tersebut diatas. Apabila di kemudian hari terbukti pernyataan ini tidak benar saya bersedia dituntut sesuai hukum yang berlaku. Malang, 26 September 2017 Pembuat Pernyataan, Isna Arofatuz Zahrok NIM. 135100318113013

vii

ISNA AROFATUZ ZAHROK. 135100318113013. Identifikasi Jenis Rambak Olahan Berbasis Analisis Citra Menggunakan Jaringan Saraf Tiruan. TA. Pembimbing : Dr. Sucipto, STP, MP, dan Yusuf Hendrawan, STP, M.App.Life.Sc., Ph.D

RINGKASAN

Rambak adalah salah satu produk turunan hewani dari kulit sapi, kerbau dan babi yang mudah dijumpai di pasar tradisional dalam berbagai bentuk serta label. Kemiripan fisik ketiganya berpotensi dipalsukan. Metode yang pernah digunakan untuk pembedaan rambak kerbau dan babi adalah Fourier transformed infrared spectroscopy (FTIR), namun harga alat dan penunjangnya mahal. Karena itu perlu teknik identifikasi yang lebih efisien dan murah. Salah satunya analisis citra dan jaringan saraf tiruan (JST). Analisis citra terdiri dari 3 elemen utama yaitu sumber cahaya, kamera dan image analisys software data system sehingga bisa menggantikan metode yang mahal, rumit, dan lama. JST merupakan salah satu teknik klasifikasi yang cukup handal kemampuannya dalam memprediksi atau mengenali suatu citra. Tujuan penelitian ini yaitu mengidentifikasi jenis rambak olahan mengggunakan fitur warna dan tekstur citra serta mengetahui hasil klasifikasinya menggunakan JST backpropagation. Total data penelitian adalah 414 citra rambak olahan sapi, kerbau, dan babi yang terdiri atas 70% data training dan 30% data validasi.

Hasil penelitian menunjukkan fitur warna rambak kerbau memiliki nilai tertinggi dibanding rambak sapi dan babi pada indikator Red, Green, Blue (RGB), serta Saturation, Intensity, sementara nilai Hue-nya terendah. Analisis tekstur Gray Level Co-occurance Matrix (GLCM) dengan offset [0 1], level terpilih 32 menunjukkan indikator contrast, entropy, dan homogeneity rambak sapi memiliki nilai terendah. Pada indikator correlation rambak babi memiliki nilai terendah, dan pada energy rambak kerbau memiliki nilia terendah.Topologi terbaik JST yaitu 11-10-10-1 menggunakan 11 input, 2 hidden layer dengan nodes

viii

masing-masing layer 10 nodes, fungsi pembelajaran Traingdm, fungsi aktivasi logsig pada hidden layer dan tansig pada output layer. Kombinasi momentum:learning rate terbaik yaitu 0.9:0.1. Nilai mean square error (MSE) terbaik yaitu 0.2362 dengan R 0.8317 dan akurasi 76.4228%. Peningkatan akurasi mungkin dapat dilakukan dengan penambahan input JST.

Kata kunci : Analisis Citra, Jaringan Saraf Tiruan, Rambak

ix

ISNA AROFATUZ ZAHROK. 135100318113013. Identification of Fried Rambak Type Based on Image Analysis Using Artificial Neural Network. Minor Thesis. Supervisor : Dr. Sucipto, STP, MP, and Yusuf Hendrawan, STP, M.App.Life.Sc., Ph.D

SUMMARY

Rambak (skin crackers) is one of derivative animal

product from cow, buffalo, dan pig skin. Rambak easily obtained in traditional market with various types and label. The physical resemble of them potentially to falseness. The method has been used for determination the type of buffalo and pig rambak is Fourier transformed infrared spectroscopy (FTIR), but have expensive instruments. So the efficient and inexpensive identification technique be needed. One of them is image analysis and artificial neural network (ANN). Image analysis consisted of 3 main elements are light source, camera and image analysis software data system that may can replaced number of expensive, laborious, and time consuming methods. ANN is one of classification technique that adequate to prediction or image recognition. Goal of this observation are identifying type of fried rambak using image colors and texture feature, and report the classification by backpropagation neural network. Total data observation are 414 images of cow, buffalo, and pig rambak with 70% of data training and 30% for data validation. The result show that buffalo rambak color features have the highest value than cow and pig rambak on Red, Green, Blue (RGB), Saturation (S) and Intensity (I) indicators, while in Hue (H) have the lowest value. The texture analiysis of Gray Level Co-occurance Matrix (GLCM) with offset [0 1], selected level is 32 shows the indicators of contrast, entropy, and homogeneity of cow rambak have the lowest value. In the correlation indicator showed that pig rambak have lowest value, and at energy indicator buffalo rambak have lowest value. The best topology of ANN is 11-10-10-1 using 11 inputs, 2 hidden layers with 10

x

nodes of each layers, Traingdm training function, Logsig activation fanction on hidden layer and Tansig on output layer. The best combination of momentum:learning rate is 0.9:0.1. The best MSE value is 0.2362 with R 0.8317, and accuracy of 76.4228%. Increased accuracy may be possible with addition input of ANN.

Keyword : Artificial Neural Network, Image Analysis, Rambak

xi

KATA PENGANTAR

Alhamdulillahirabbil’alamin, puji syukur kehadirat Allah SWT yang telah memberikan rahmat dan hidayah-Nya sehingga penulis dapat menyelesaikan Tugas Akhir dengan judul “Identifikasi Jenis Rambak Olahan Berbasis Analisis Citra Menggunakan Jaringan Saraf Tiruan ”. Penulis juga mengucapkan terima kasih kepada seluruh pihak yang telah membantu dalam menyelesaikan tulisan ini, diantaranya :

1. Orang tua, Kakak, adik dan seluruh keluarga atas segala

dukungan dan doanya setiap hari. 2. Bapak Dr. Sucipto, STP, MP selaku dosen pembimbing

pertama. 3. Bapak Yusuf Hendrawan STP, M.App.Life.Sc., Ph.D selaku

dosen pembimbing kedua. 4. Bapak Mas’ud Effendi, STP, MP, selaku dosen penguji. 5. Keluarga besar PP. Al-Ishlah Bandar Kidul, Kediri. 6. Teman-teman seperjuangan TIP 2013 yang semangat dan

solid. 7. Teman-teman santri putri PP. Al-Ishlah yang selalu

memberikan dukungan dan motivasi. 8. Teman-teman PPH33 atas semangat dan kebersamaanya. 9. Semua pihak yang telah berperan dalam penyelesaian

Tugas Akhir ini yang tidak bisa saya sebutkan satu per satu. Semoga Allah SWT selalu memberikan rahmat dan

hidayah-Nya kepada semua pihak yang telah membantu. Penulis menyadari masih banyak keterbatasan dalam Tugas Akhir ini, karena itu penulis mengharapkan kritik dan saran untuk perbaikan.

Malang, 26 September 2017

Isna Arofatuz Zahrok

xii

DAFTAR ISI

HALAMAN JUDUL...………………………………………. LEMBAR PERSETUJUAN………………………………..

i ii

LEMBAR PENGESAHAN………………………………… iii RIWAYAT HIDUP………………………………………….. iv LEMBAR PERUNTUKKAN………………………………. v PERNYATAAN KEASLIAN TUGAS AKHIR…………… vi RINGKASAN……………………………………………….. vii SUMMARY………………………………………………….. ix KATA PENGANTAR………………………………………. xi DAFTAR ISI………………………………………………… xii DAFTAR TABEL…………………………………………… xv DAFTAR GAMBAR………………………………………... xvi DAFTAR LAMPIRAN……………………………………… xviii I. PENDAHULUAN………………………………………..

1.1 Latar Belakang…………………………………….. 1.2 Perumusan Masalah……………………………… 1.3 Tujuan………………………………………………. 1.4 Manfaat……………………………………………..

1 1 4 4 4

II. TINJAUAN PUSTAKA………………………………… 5 2.1 Rambak…………………………………………….. 5

2.1.1 Definisi Rambak……………………………. 5 2.2.2 Proses Pembuatan Rambak……………… 5 2.1.3. Persyaratan Mutu Rambak………………. 7

2.2 Pengolahan Citra………………………………….. 8 2.2.1 Citra Digital………………………………… 8 2.2.2 Jenis Citra Digital…………………………. 9

2.3 Analisis Citra (Image Analysis)…………………. 11 2.3.1 Analisis Fitur Warna……………………… 11 2.3.2 Analisis Fitur Tekstur…………………….. 13

2.4 Jaringan Saraf Tiruan……………………………. 15 2.4.1 Arsitektur Jaringan Saraf Tiruan………… 16 2.4.2 Fungsi Aktivasi……………………………. 18 2.4.3 Proses Pembelajaran (Learning) pada

JST………………………………………….

20 2.4.4 Backpropagation………………………….. 20

xiii

2.4.5 Keuntungan dan Kekurangan JST……… 21 2.5 Penelitian Terdahulu…………………………….. 22

I. METODE PENELITIAN………………………………

23

3.1 Tempat dan Waktu Penelitian…………………... 23 3.2 Bahan dan Alat Penelitian………………………. 23 3.3 Batasan Masalah………………………………… 24 3.4 Metode Penelitian……………………………….. 24

3.4.1 Persiapan Sampel………………………… 26 3.4.2 Uji Kadar Air……………………………….. 27 3.4.3 Akuisisi Citra………………………………. 27 3.4.4 Cropping…………………………………… 28 3.4.5 Ekstraksi Ciri Citra………………………… 29 3.4.6 Pemodelan JST Backpropagation……… 31

II. HASIL DAN PEMBAHASAN……………………….. 35 4.1 Analisis Hasil Uji Kadar Air Rambak Olahan….. 35 4.2 Analisis Fitur Warna Citra Rambak Olahan…… 36

4.2.1 Model Warna RGB…………………………. 36 4.2.2 Model Warna HIS…………………………… 37

4.3 Analisis Perbandingan Level Gray Level Co-occurrence Matrix (GLCM)……………………………

40

4.4 Analisis Fitur Tekstur Citra Rambak Olahan ……….. 42

4.5 Pemodelan JST Backpropagation…………………… 45

4.6 Optimasi Topologi JST………………………………… 49

4.7 Model Terpilih JST untuk Klasifikasi Jenis Rambak Olahan………………………………………………….

52

4.8 Analisis Hasil Klasifikasi………………………………. 59

4.9 Perbaikan Klasifikasi Jenis Rambak Olahan Menggunakan Analisis Citra dan JST………………

60

III. PENUTUP……………………………………………….. 61

5.1 Kesimpulan…………………………………………. 61

5.2 Saran………………………………………………… 62

xiv

DAFTAR PUSTAKA………………………………………… 63

LAMPIRAN…………………………………………………… 73

xv

DAFTAR TABEL

Tabel 2.1 Persyaratan Mutu Rambak……………………… 7 Tabel 3.1 Spesifikasi Peralatan Akuisisi Citra……………. 23 Tabel 3.2 Perincian Jumlah Sampel………………………. 26 Tabel 3.3 Kriteria Pemilihan Sampel………………………. 26 Tabel 3.4 Spesifikasi Kamera Digital………………………. 27 Tabel 3.5 Rincian Jumlah Data……………………………. 29 Tabel 3.6 Analisis Sensitivitas Parameter JST…………… 33 Tabel 4.1 Trial and Error Data Input ………………………. Tabel 4.2 Variasi Fungsi Aktivasi………………………….. Tabel 4.3 Variasi Fungsi Pembelajaran…………………… Tabel 4.4 Variasi Momentum dan Learning Rate………… Tabel 4.5 Analisis Sensitivitas Topologi JST …………….. Tabel 4.6 Simulasi Normalisasi Data Input ………………. Tabel 4.7 Data Output……………………………………….. Tabel 4.8 Definisi Target……………………………………..

46 47 48 49 50 53 58 59

xvi

DAFTAR GAMBAR

Gambar 2.1 Diagram Alir Pembuatan Rambak Goreng…………………………………………...

6

Gambar 2.2 Matriks Citra…………………………………….. 9 Gambar 2.3 Black and White Image………………………… 9 Gambar 2.4 Citra Biner ………………………………………. 10 Gambar 2.5 RGB Colour Image……………………………... 10 Gambar 2.6 Model Warna RGB……………………………... Gambar 2.7 Model Warna HSI……………………………….

11 12

Gambar 2.8 Representasi Nilai Hue………………………… 12 Gambar 2.9 Representasi Nilai Saturation untuk Warna

Merah…………………………………………… 12

Gambar 2.10 Representasi Nilai Intensity………………….. 12 Gambar 2.11 Jaringan Saraf Tiruan 3 Layer………………. 16 Gambar 2.12 Jaringan Single Layer ………………………. 17 Gambar 2.13 Jaringan Multilayer……………………………. 17 Gambar 2.14 Jaringan Competitive…………………………. 18 Gambar 2.15 Fungsi Aktivasi Sigmoid Biner………………. 19 Gambar 2.16 Fungsi Sigmoid Bipolar………………………. 19 Gambar 2.17 Fungsi Linier…………………………………… 19 Gambar 3.1 Skema Alat Akuisisi Citra……………………… 23 Gambar 3.2 Diagram Alir Pelaksanaan Penelitian………… Gambar 3.3 Skema Akuisisi Citra……………………………

25 28

Gambar 3.4 (a) Penentuan Area Cropping………………… 28 Gambar 3.4 (b) Citra Hasil Cropping……………………….. 28 Gambar 3.5 Arsitektur JST Input Fitur Warna..……………. Gambar 3.6 Arsitektur JST Input Fitur Tekstur…………….. Gambar 3.7 Arsitektur JST Input Fitur Warna dan

Tekstur………………………………………......

31 32 32

Gambar 4.1 Grafik Perbandingan Kadar Air Rambak Olahan……………………………………………

Gambar 4.2 (a) Grafik Perbandingan Red Mean Value Rambak Olahan…………………………………

Gambar 4.2 (b) Grafik Perbandingan Green Mean Value Rambak Olahan……………………………..

Gambar 4.2 (c) Grafik Perbandingan Blue Mean Value Rambak Olahan……………………………..

35 36 37 37

xvii

Gambar 4.3 (a) Grafik Perbandingan Hue Mean Value Rambak Olahan……………………………..

Gambar 4.3 (b) Grafik Perbandingan Saturation Mean Value Rambak Olahan……………………

Gambar 4.3 (c) Grafik Perbandingan Intensity Mean Value Rambak Olahan……………………………..

Gambar 4.4 Roda Warna Hue…………..…………………… Gambar 4.5 (a) Grafik Perbandingan Gray Level Indikator

Entropy………………………………………… Gambar 4.5 (b) Grafik Perbandingan Gray Level Indikator

Contrast..………………………………………. Gambar 4.5 (c) Grafik Perbandingan Gray Level Indikator

Correlation..…………………………………. Gambar 4.5 (d) Grafik Perbandingan Gray Level Indikator

Energy..…..……………………………………. Gambar 4.5 (e) Grafik Perbandingan Gray Level Indikator

Homogeneity..……………………………… Gambar 4.6 Grafik Entropy………...………………………… Gambar 4.7 Grafik Contrast..………………………………… Gambar 4.8 Grafik Correlation..……………………………... Gambar 4.9 Grafik Energy.…………………………………... Gambar 4.10 Grafik Homogeneity..………………………… Gambar 4.11 (a) Grafik Training Error……………………… Gambar 4.11 (b) Grafik R Training…..……………………… Gambar 4.11 (c) Grafik R Validasi…...…………………….. Gambar 4.12 Arsitektur JST Backpropagation Terpilih……

38 38 38 39 40 40 40 40 41 42 43 43 44 45 51 51 51 52

xviii

DAFTAR LAMPIRAN

Lampiran 1 Hasil Cropping Citra Validasi Rambak Olahan…………………………………………

73

Lampiran 2 Source Code Ekstraksi Ciri Citra…………….. 76 Lampiran 3 Nilai Maksimum, Minimum dan Mean

Indikator Citra………………………………….. 79

Lampiran 4 Source Code JST ……………………………... 78 Lampiran 5 Simulasi Model Input …………………………. 81 Lampiran 6 Bobot dan Bias Optimal Klasifikasi Jenis

Rambak Olahan ………………………………. 85

Lampiran 7 Hasil Denormalisai Nilai Output ……………... 89 Lampiran 8 Hasil Klasifikasi Jenis Rambak Olahan …….. 94

1

I. PENDAHULUAN

1.1 Latar Belakang Kullit adalah salah satu hasil samping dari pemotongan

ternak. Kulit ternak dapat digunakan untuk keperluan non pangan dan pangan. Sebagai keperluan non pangan, kulit dimanfaatkan oleh industri penyamakan. Sebagai keperluan pangan, kulit ternak dapat diolah menjadi rambak. Kulit mengandung protein, kalori, kalsium, fosfor, lemak, zat besi, vitamin A dan vitamin B. Jumlah zat-zat gizi tersebut bervariasi (Widati dkk, 2007). Rambak umumnya digunakan sebagai makan selingan atau lauk.

Rambak adalah makanan kering dari kulit hewan melalui tahap pembuangan bulu, pengembangan kulit, perebusan, pengeringan, dan dikukus untuk rambak mentah atau di goreng untuk rambak siap konsumsi (BPOM, 2015). Persyaratan mutu rambak telah diatur dalam SNI 01-4308-1996. Ada 9 kriteria yang disyaratkan yaitu keadaan (warna, bau, rasa dan tekstur), keutuhan, benda asing, serangga dan potongan-potongannya, air, abu tanpa garam, asam lemak bebas, cemaran logam, arsen (As), dan cemaran mikroba (Saputra, 2012). Jumlah yang diperbolehkan untuk masing-masing kriteria bervariasi sesuai dengan keadaannya yaitu mentah atau siap konsumsi.

Rambak yang digoreng berubah kualitasnya baik secara kimia maupun fisik. Huda et al., (2010), membandingkan rambak kerbau mentah dan rambak kerbau goreng. Pada rambak kerbau goreng, kadar air dan protein menurun, dan lemaknya meningkat. Peningkatan juga terjadi pada volume, dan panjangnya. Pengamatan terhadap perubahan warna menunjukkan bahwa intensitas warna rambak setelah digoreng meningkat.

Rambak digemari masyarakat dan mudah dijumpai di pasar tradisional dalam berbagai bentuk serta label. Rambak dapat berasal dari kulit sapi, kerbau dan babi. Banyaknya rambak yang beredar di pasar, memungkinkan dugaan pemalsuan rambak babi berlabel rambak kerbau atau sapi, sebagaimana kasus pemalsuan daging sapi dengan babi yang tidak dikehendaki oleh konsumen, terutama konsumen muslim.

2

Indonesia merupakan negara dengan mayoritas muslim yang jumlahnya mencapai 89% dari jumlah penduduk atau 237,6 juta (Safitri dan Agustin, 2015). Bagi penganut agama Islam babi merupakan produk hewani yang haram atau tidak diperbolehkan. Kemiripan fisik rambak sapi, kerbau, dan babi menyebabkan konsumen sulit membedakannya, sehingga konsumen harus teliti dalam membeli.

Muttaqien et al., (2016), membandingkan jenis rambak kerbau dan babi menggunakan metode fourier transformed infrared spectroscopy (FTIR). FTIR merupakan alat anaisis cepat dan non-dekstruktif untuk studi minyak dan lemak pangan. FTIR hanya perlu persiapan sampel minimum, namun harga alat dan penunjangnya mahal (Sucipto, 2013). Karena itu diperlukan teknik identifikasi yang lebih efisien dan murah.

Salah satu alternatif metode yang dapat digunakan adalah analisis citra (image analysis). Analisis citra mengolah barisan data pixel guna mendapatkan beberapa informasi dari suatu citra (Gupta and Yasuomi, 2016). Analisis citra merupakan bagian dari pengolahan citra yang telah berkembang sejak tahun 1960. Teknologi tersebut digunakan untuk mengetahui karateristik mutu produk pangan dan pertanian secara visual dan juga pengujian non-dekstruktif (Adnan dkk., 2013). Pengolahan citra memiliki tingkat ketepatan dan konsistensi lebih daripada organ sensorik manusia (Sofi’i, 2005).

Computer image analysis terdiri dari 3 elemen utama yaitu sumber cahaya, kamera dan software data system untuk image processing dan analysis. Analisis citra dapat digunakan sebagai salah satu metode yang efisien dari segi biaya, waktu, dan cara kerja (Chmiel et al., 2011). Teknologi analisis citra memiliki potensi yang besar untuk penilaian kualitas daging secara obyektif dan efektif. Beberapa penelitian menggunakan teknik analisis citra untuk penilaian warna daging babi atau daging sapi (Chen et al., 2010).

Salah satu parameter yang dapat dianalisa pada pengolahan citra adalah fitur warna (Sofi’I, 2005). Warna merupakan karateristik fisik yang hanya bisa diamati oleh mata dan otak. Ciri warna dapat digunakan untuk pengukuran,

3

klasifikasi, dan penemuan kembali (Girolami et al., 2013). Selain warna, parameter lain yang dapat diperoleh adalah fitur tekstur (Purwaningsih dkk., 2015). Tekstur merupakan salah satu parameter untuk mengetahui kualitas pada suatu bahan pangan. Tekstur dapat diartikan sebagai karateristik intrinsik dari suatu citra. Aspek tekstural citra dapat dimanfaatkan sebagai dasar dari segmentasi, klasifikasi, maupun interpretasi citra (Ariyanti, 2015). Salah satu teknik yang dapat digunakan untuk ekstraksi ciri tekstur adalah Gray level co-occurance matrix (GLCM). GLCM dapat digunakan untuk mengkuantifikasi dan membandingkan berbagai aspek tekstur citra (Dewi dan R.V. Hari, 2014).

Sebagai teknik prediksi berbasis warna, image analysis telah digunakan untuk klasifikasi warna daging sapi, babi dan pemutuan seafood (Sun et al., 2016). Sun et al., (2009), menggunakan citra digital untuk mengukur dan menganalisis karateristik warna daging sapi. Yuristiawan dkk (2015) menggunakan ekstraksi fitur warna dengan pendekatan statistika untuk aplikasi pendeteksi tingkat kesegaran daging sapi lokal. Purwaningsih dkk., (2015), menggunakan hasil ekstraksi ciri tekstur berbasis co-occurance matrix sebagai acuan klasifikasi dan identifikasi kulit sapi tersamak. Adnan dkk., (2013) menggunakan fitur warna dan tekstur citra utuk identifikasi varietas beras. Sandra (2007) menggunakan fitur warna dan tekstur untuk pemutuan buah manggis,

Beberapa penelitian menggabungkan analisis citra dengan JST untuk klasifikasi atau prediksi, seperti Sugianto (2015) untuk pemutuan buah cabai merah besar, Nugroho dkk., (2011) untuk identifikasi jenis daging sapi, dan Hartono dkk., (2012) untuk pengenalan citra daging babi dan daging sapi. JST merupakan suatu sistem komputasi dimana arsitektur dan operasinya diadopsi dari cara kerja jaringan saraf biologis didalam otak manusia (Hermawan, 2006). JST merupakan salah satu teknik klasifikasi yang cukup handal kemampuannya dalam memprediksi ataupun mengenali suatu citra (Hartono dkk, 2012).

Pada penelitian ini analisis citra digunakan untuk mendapatkan informasi fitur warna dan tekstur citra rambak

4

olahan. Nilai fitur warna dan tekstur digunakan sebagai input JST untuk klasifikasi jenis rambak olahan. Identifikasi jenis rambak olahan sapi, kerbau, dan babi berbasis citra diharapkan bisa menjadi alternatif metode deteksi halal yang lebih efisien.

1.2 Perumusan Masalah

Rumusan masalah penelitian ini yaitu : 1. Bagaimana hasil identifikasi jenis rambak olahan

menggunakan fitur warna dan tekstur citra ? 2. Bagaimana hasil klasifikasi rambak olahan berbasis

fitur warna dan tekstur citra menggunakan JST backpropagation ?

1.3 Tujuan Tujuan penelitian ini yaitu :

1. Mengidentifikasi jenis rambak olahan berdasarkan fitur warna dan tekstur citra rambak olahan .

2. Mengetahui hasil klasifikasi berbasis fitur warna dan tekstur citra menggunakan JST backpropagation.

1.4 Manfaat

Manfaat penelitian sebagai berikut : 1. Memberikan pengetahuan mengenai teknik identifikasi

berbasis analisis citra dan jaringan saraf tiruan. 2. Memberikan alternatif teknik identifikasi jenis rambak

yang lebih sederhana dan relatif efisien dibandingkan teknik sebelumnya.

3. Kedepannya teknik ini diharapkan mampu mendukung upaya mewujudkan jaminan produk halal bagi masyarakat.

5

II. TINJAUAN PUSTAKA

2.1 Rambak 2.1.1 Definisi Rambak

Rambak adalah makanan kering yang dibuat dari kulit hewan melalui tahap pembuangan bulu, pengembangan kulit, perebusan, pengeringan, dan di kukus untuk rambak mentah atau digoreng untuk rambak siap konsumsi (BPOM, 2015). Rambak biasanya dijual dalam kemasan dalam keadaan mentah maupun sudah digoreng. Rambak dijadikan makanan selingan atau pelengkap untuk makanan (N Nur, 2014). Rambak kerbau atau sapi dikenal dengan nama kerupuk Jangek di Sumatera Barat. Istilah Jangek berasal dari bahasa Minangkabau yang berarti kulit (Huda et al., 2010).

2.1.2 Proses Pembuatan Rambak

Beberapa industri pengolahan rambak skalanya masih Industri Rumah Tangga (IRT). Industri rambak banyak dijumpai di Mojokerto, Sidoarjo, Jember, Tulungagung, Kendal, Pati, Sleman, Yogyakarta, Gunung Kidul, Purworejo, Boyolali, dan Garut. Kulit yang digunakan sebagai bahan baku rambak harus dari kulit yang sehat, bukan dari ternak yang sakit, bersih, dan tidak busuk (Amertaningtyas, 2011). Pembuatan rambak tidak memerlukan bahan yang mahal (Muin, 2014). Proses pembuatan rambak dapat dilihat pada Gambar 2.1.

Rambak dapat dibuat dari kulit sapi, kerbau, kambing atau babi baik yang masih segar maupun yang sudah diawetkan. Pada umumnya kulit yang dibuat rambak adalah kulit kering. Kulit segar juga digunakan, tetapi jumlahnya terbatas. Kebanyakan kulit segar yang baik kualitasnya diawetkan untuk bahan industri penyamakan. Kulit yang digunakan untuk krecek atau rambak adalah kulit yang sudah tidak dapat digunakan atau sisa-sisa seperti potongan-potongan kulit bagian tepi (Oktafiyani, 2009). Proses pembuatan rambak olahan yaitu pencucian, perendaman dalam air kapur, penirisan, pencucian, pengerokan bulu, perebusan penirisan, pemotongan,

6

perendaman dalam bumbu, penirisan, pengeringan, penggorengan pertama dan penggorengan kedua.

Gambar 2.1 Diagram Alir Pembuatan Rambak Goreng

Sumber : Modifikasi dari Amertaningtyas, 2011

Pencucian dilakukan untuk membersihkan kulit dari

kotoran. Perendaman dalam air kapur bertujuan untuk menghilangkan globular protein, perontokan bulu, dan membengkakan kulit sehingga memudahkan proses selanjutnya, terutama memperbaiki kualitas fisik, kimia dan organoleptik rambak. Proses pengerokan bulu bertujuan untuk menghilangkan bulu yang masih menempel di kulit. Tahap selanjutnya yaitu pemotongan kulit menjadi bagian-bagian kecil dan dilanjutkan perendaman dalam bumbu ± 1 jam. Tahap selanjutnya yaitu pengeringan ± 2-3 hari, dan dilanjutkan dengan penggorengan. Penggorengan pertama dilakukan pada suhu 800C selama ± 30 detik dilanjutkan penggorengan kedua dengan suhu ± 160-1800C sampai mengembang (Amertaningtyas, 2011).

7

2.1.3 Persyaratan Mutu Rambak Masalah mutu dan keamanan pangan penting untuk di

perhatikan. Persyaratan mutu rambak diatur dalam SNI 01-4308-1996. Persyaratan mutu rambak dapat dilihat pada Tabel 2.1.

Tabel 2.1 Persyaratan Mutu Kerupuk Kulit Menurut SNI 01-4308-1996

No

Jenis Uji

Satuan

Persyaratan

Mentah Siap dikonsumsi

1 2 3 4 5 6 7 8 9

Keadaan a. Bau b. Rasa c. Warna d. Tekstur Keutuhan Benda-benda asing, serangga dan potong-potongannya Air Abu tanpa garam Asam lemak bebas (dihitung dengan asam laurat) Cemaran logam : a. Timbal (Pb) b. Tembaga (Cu) c. Seng (Zn) d. Timah (Sn) e. Raksa (Hg) Arsen (As) Cemaran Mikroba : a. Angka lempeng

total b. Coliform c. Salmonella

- - - -

%b/b -

%b/b %b/b %b/b

Mg/Kg Mg/Kg Mg/Kg Mg/Kg Mg/Kg Mg/Kg

Koloni/g

APM/g

Koloni/g

Normal Khas Normal Renyah Min.95 Tidak boleh ada Maks. 8 Maks. 1 Maks. 1,0 Maks. 2,0 Maks. 20,0 Maks. 40,0 Maks. 40,0 Maks. 0,03 Maks. 1,0 Maks. 5x10

4

<3 Negatif

Normal Khas Normal Renyah Min.90 Tidak boleh ada Maks. 6 Maks. 1 Maks. 0,5 Maks. 2,0 Maks. 20,0 Maks. 40,0 Maks. 40,0 Maks. 0,03 Maks. 1,0 Maks. 5x10

4

<3 Negatif

Sumber : Saputra, 2012

8

Menurut Badan Pengawas Obat dan Makanan (2015), rambak termasuk salah satu kategori produk daging, daging unggas, dalam bentuk utuh atau potongan yang diolah dengan perlakuan panas. Kategori pangan merupakan suatu pedoman yang diperlukan dalam penetapan standar, penilaian, inspeksi, dan sertifikasi dalam pengawasan keamanan pangan. 2.2 Pengolahan Citra

Pengolahan citra (image processing) adalah proses pengolahan citra atau gambar yang dilakukan menggunakan komputer dengan tujuan menghasilkan citra yang lebih bagus. Proses pengambilan atau penangkapan suatu obyek menggunakan kamera menghasilkan citra digital. Input dari pengolahan citra adalah citra dan output berupa citra hasil dari pengolahan citra (Astuti, 2016). Secara umum, pengolahan citra digital menunujuk pada pemrosesan gambar 2 dimensi menggunakan komputer. Pada konteks yang lebih luas, pengolahan citra digital mengacu pada pemrosesan setiap data 2 dimensi (Putra, 2010).

Pengolahan citra merupakan proses pengolahan dan analisis citra yang melibatkan persepsi visual. Pengolahan citra merupakan proses mengolah piksel-piksel dalam citra digital untuk suatu tujuan tertentu. Beberapa hal penting dalam pengolahan citra digital antara lain teknik pengambilan citra, model citra digital, sampling dan kuantisasi, threshold, histogram, proses filtering, perbaikan citra sampai pengolahan citra digital lebih lanjut seperti segmentasi, image clustering dan ekstraksi ciri (Kiswanto, 2012).

2.2.1 Citra Digital

Citra merupakan istilah lain dari gambar yang merupakan informasi berbentuk visual pada bidang dua dimensi. Citra merupakan dimensi spasial atau bidang yang berisi informasi warna yang tidak bergantung waktu. Ditinjau dari sudut pandang matematis, citra merupakan fungsi menerus atas intensitas cahaya pada bidang dua dimensi (Kiswanto, 2012). Gambar 2.2 merupakan representasi dari fungsi suatu citra.

9

Gambar 2.2 Matriks Citra

Sumber : Putra, 2010

Citra digital merupakan sebuah larik (array) yang berisi nilai-nilai real maupun komplek yang direpresentasikan dengan deretan bit tertentu. Suatu citra dapat didefinisikan sebagai fungsi f(x,y) berukuran M baris dan N kolom, dengan x dan y adalah koordinat spasial, dan amplitudo f di titik koordinat (x,y) dinamakan intensitas atau tingkat keabuan dari citra pada titik tersebut (Putra, 2010).

2.2.2 Jenis Citra Digital

Pada aplikasi pengolahan citra digital pada umumnya citra digital dibagi menjadi 3 jenis, yaitu black and white image, binary image dan color image (Kusmanto dan Alan, 2011). Berikut ini definisi masing-masing jenis citra :

1. Black and White (grayscale) Citra digital black and white (grayscale) setiap

pikselnya mempunyai warna gradasi mulai dari putih sampai hitam. Contoh dari black and white (grayscale) image dapat dilihat pada Gambar 2.3. Rentang warna pada jenis warna ini sangat cocok untuk pengolahan file gambar. Black and white merupakan hasil rata-rata dari color image (Kusmanto dan Alan, 2011).

Gambar 2.3 Black and White Image Sumber : Kusmanto dan Alan, 2011

10

2. Binary Image

Pada binary image setiap piksel hanya terdiri dari warna hitam dan putih. Contoh dari binary image dapat dilihat pada Gambar 2.4. Binary image merupakan hasil pengolahan dari black and white image (Kusmanto dan Alan, 2011). Citra biner dapat digunakan untuk memisahkan daerah (region) dan latar belakang (Sugianto, 2015).

Gambar 2.4 Citra Biner

Sumber : Sugianto, 2015

3. Color Image Pada color image ini masing-masing piksel

memiliki warna tertentu yaitu merah (red), hijau (green), dan biru (blue). Representasi dari color image dapat dilihat pada Gambar 2.5 Jika masing-masing warna memiliki range 0-255, maka totalnya adalah 2553 = 16.581.375 variasi warna berbeda pada gambar, dimana variasi warna ini cukup untuk gambar apapun. Color image ini terdiri dari 3 matriks yang mewakili nilai-nilai merah, hijau dan biru untuk setiap pikselnya, (Kusmanto dan Alan, 2011).

Gambar 2.5 RGB Color Image

Sumber : Kusmanto dan Alan, 2011

11

2.3 Analisis Citra (Image Analysis) Image analysis adalah proses mengolah barisan data

pixel untuk mendapatkan beberapa informasi dari suatu citra (image) (Gupta and Yasuomi, 2016). Menurut Eko (2011) dalam Hartanti (2016), analisis citra memiliki input berupa citra dengan output bukan citra melainkan hasil pengukuran terhadap citra tersebut. Parameter citra yang dapat dianalisis diantaranya adalah warna dan tekstur.

2.3.1 Analisis Fitur Warna

Pada analisis citra, warna dapat dimodelkan kedalam beberapa model warna, diantaranya adalah : 1. Model Warna RGB (Red, Green, Blue)

RGB merupakan model warna additive yang direpresentasikan dengan 3 warna primer yaitu red, green, dan blue. Gambar 2.6 merupakan representasi dari model warna RGB (Grey, 2006). Pencampuran cahaya merah, hijau, dan biru (RGB) dengan proporsi dan intensitas yang berbeda-beda, dapat menghasilkan suatu spektrum cahaya yang cukup besar. Jika ketiga warna tersebut dalam posisi yang saling overlap, akan menghaasilkan wara cyan, magenta, kuning, dan putih (Adjie dan Teddy, 2004).

Gambar 2.6 Model warna RGB

Sumber : Grey, 2006

2. Model Warna HSI (Hue, Saturation, Intensity)

Selain RGB, warna juga dapat dimodelkan berdasarkan atribut warnanya yaitu hue (H), saturation (S), dan intensity (I). Sistem warna HSI dapat dilihat pada Gambar 2.7. Representasi atribut hue (H), saturation (S), dan intensity (I) secara berurutan disajikan pada Gambar 2.8, Gambar 2.9 dan Gambar 2.10.

12

Gambar 2.7 Model warna HSI

Sumber : Jack, 2008

Gambar 2.8 Representasi Nilai Hue

Sumber : Hariyanto, 2009

Gambar 2.9 Representasi Nilai Saturation untuk Warna

Merah Sumber : Hariyanto, 2009

Gambar 2.10 Representasi Nilai Intensity

Sumber : Hariyanto, 2009

Hue (H) menyatakan warna sebenarnya, seperti merah,

violet, dan kuning. Hue juga digunakan untuk membedakan warna-warna dan menentukan kemerahan (redness), kehijauan (greenness) dan warna lain dari cahaya. Hue berasosiasi dengan panjang gelombang cahaya. Nilai hue merupakan sudut

13

warna yang mempunyai nilai rentang dari 00 sampai 3600. Nilai 00 menyatakan warna merah, dan memutar nilai-nilai spektrum warna tersebut kembali lagi ke 00 untuk menyatakan merah lagi. Saturation (S) menyatakan tingkat kemurnian warna cahaya, yaitu mengindikasikan seberapa banyak warna putih diberikan pada warna. Saturation bernilai antara 0% sampai 100%. Intensity (I) disebut juga brightness/luminance menyatakan banyaknya cahaya yang diterima oleh mata tanpa mempedulikan warna. Kisaran nilainya antara gelap (hitam) dan terang (putih) dengan tingkatan nilai 0% sampai 100% (Hariyanto, 2009). Model warna HSI didapatkan dari transformasi warna RGB menggunakan persamaan (2.1), (2.2), dan (2.3) (Jainshankar and Natti, 2011) :

H = cos-1 { ( ) ( )

√ ( ) ( )( ) (2.1)

S = 1 - ( )

( ) (2.2)

I =

( ) (2.3)

2.3.2 Analisis Fitur Tekstur

Tekstur merupakan salah satu ciri yang paling penting untuk analisis citra. Tekstur menyediakan informasi mengenai susunan struktur pada permukaan, perubahan intensitas, atau kecerahan warna. metode yang dapat digunakan untuk analisis tekstur salah satunya adalah Gray level co-occurance matrix (GLCM). GLCM merupakan metode yang paling banyak digunakan untuk ekstraksi ciri tekstur (Neneng dkk, 2016). Beberapa fitur tekstur antarai lain yaitu (Khoirunnisa, 2016):

1. Contrast

Nilai contrast menunjukkan ukuran penyebaran elemen-elemen matriks citra. Nilai contrast didapatkan melalui Persamaan (2.4). Apabila letaknya jauh dari diagonal utamanya nilai kekontrasan besar. Secara visual, nilai kekontrasan adalah ukuran variasi antar derajat keabuan suatu daerah citra.

14

Semakin tinggi nilai contrast, semakin tinggi tingkat kekontrasannya.

Contrast = ∑ ∑ ( - )

(2.4)

2. Correlation

Correlation menunjukkan ketergantungan linear derajat keabuan citra sehingga dapat memberikan petunjuk adaya struktur linear dalam citra. Correlation dihitung menggunakan Persamaan (2.5).

Correlation = ∑ ∑ ( )( )

(2.5)

3. Energy

Energy menunjukkan kehomogenitasan/ kesamaan citra yang mempunyai derajat keabuan sejenis. Energy dinyatakan pada Persamaan (2.6).

Energy = ∑ ∑

(2.6)

4. Entropy

Entropy menunjukkan nilai keacakan bentuk. Semakin tinggi nilai entropy maka semakin acak teksturnya. Entropy dihitung menggunakan Persamaan (2.7).

Entropy =∑ ∑

(2.7)

5. Homogeneity

Homogeneity menyatakan ukuran kedekatan setiap elemen dari co-occurance matrix. Homogeneity dinyatakan pada Persamaan (2.8).

Homogeneity =∑ ∑

(2.8)

P (i,j) merupakan elemen ke(i,j) dari co-occurance

matrix yang ternormalisasi, µ dan adalah mean dan standar

15

deviasi dari elemen-elemen pixel yang diberikan berdasarkan hubungan persamaan dibawah ini :

P [i,j] = ( )

(2.9)

µ =∑ ∑

(2.10)

∑ ( ) ∑

(2.11)

dimana N(i,j) adalah jumlah angka pada citra dengan intensitas pixel i diikuti dengan intensitas pixel j pada satu pixel dengan perpindahan ke kiri, dan M merupakan total jumlah pixel. 2.4 Jaringan Saraf Tiruan

Jaringan saraf tiruan (artificial neural network) adalah sistem komputasi di mana arsitektur dan operasi diilhami dari pengetahuan tentang sel saraf biologis di dalam otak, yang merupakan salah satu representasi buatan dari otak manusia yang selalu mencoba menstimulasi proses pembelajaran pada otak manusia tersebut. Jaringan saraf tiruan (JST)dapat digambarkan sebagai model matematis dan komputasi untuk fungsi aproksimasi non-liniear, klasifikasi data cluster dan regresi non-parametrik atau sebuah simulasi dari koleksi model saraf biologi (Hermawan, 2006).

JST digunakan untuk menyelesaikan masalah-masalah yang kompleks dan sulit dipahami, dan sejumlah besar data mengenai masalah tersebut telah dikumpulkan. Jaringan saraf tiruan mencari pola dan hubungan dalam data yang sangat besar, rumit dan sulit untuk dianalisis manusia. Jaringan saraf tiruan menemukan pengetahuan menggunakan perangkat keras dan peranti lunak yang menyerupai pola-pola pemrosesan dalam otak manuasia. Jaringan saraf tiruan mempelajari pola-pola dari jumlah data yang banyak dengan menyaring data, mencari hubungan, membangun model, dan mengoreksi kesalahan model itu sendiri berkali-kali (Laudon dan Jane, 2008).

16

2.4.1 Arsitektur Jaringan Saraf Tiruan Jaringan saraf tiruan terdiri dari kumpulan node (neuron)

dan relasi tiga tipe node, yaitu input, hidden, dan output. Gambar 2.11 merupakan contoh arsitektur jaringan saraf tiruan. Setiap relasi menghubungkan dua buah node dengan bobot tertentu dan juga terdapat arah yang menunjukkan aliran data dalam proses.

Gambar 2.11 Jaringan Saraf Tiruan 3 Layer

Sumber : Kusrini dan Emha, 2009

Input node merupakan layer pertama dalam jaringan saraf tiruan. Setiap input node mempresentasikan sebuah input parameter. Hidden node merupakan node yang terdapat di bagian tengah. Hidden node ini menerima masukan dari input node pada layer pertama atau dari hidden node pada layer sebelumnya. Hidden node mengkombinasikan semua masukan berdasar bobot dari relasi yang terhubung, melakukan kalkulasi, dan memberikan keluaran untuk layer berikutnya. Output node biasanya mempresentasikan atribut yang diprediksi (Kusrini dan Emha, 2009).

Hubungan antar neuron dalam JST mengikuti pola tertentu bergantung pada arsitektur jaringan sarafnya. Terdapat 3 macam arsitektur JST, yaitu (Wuryandari dan Irawan, 2012):

1. Jaringan dengan lapisan tunggal (single layer net)

Jaringan ini hanya memiliki 1 lapisan dengan bobot terhubung, seperti pada Gambar 2.12. Jaringan ini hanya menerima masukan kemudian secara langsung akan mengolahnya menjadi keluaran tanpa harus melalui lapisan tersembunyi. Besarnya hubungan antara 2 neuron ditentukan oleh bobot yang bersesuaian. Semua unit masukan akan dihubungkan dengan setiap unit keluaran.

17

Gambar 2.12 Jaringan Single Layer

Sumber :Wuryandari dan Irawan, 2012

2. Jaringan dengan banyak lapisan (multilayer net) Jaringan ini memiliki 1 atau lebih lapisan yang terletak

diantara lapisan masukan dan lapisan keluaran, seperti pada Gambar 2.13. Umumnya terdapat lapisan bobot-bobot yang terletak antara 2 lapisan yang bersebelahan. Jaringan dengan banyak lapisan dapat menyelesaikan permasalahan yang lebih sulit daripada lapisan tunggal dengan pembelajaraan yang lebih rumit.

Gambar 2.13 Jaringan Multilayer


3. Jaringan dengan lapisan kompetitif (competitive layer net) Pada jaringan ini sekumpulan neuron bersaing untuk

mendapatkan hak menjadi aktif. Secara umum hubungan antar neuron pada lapisan kompetitif ini tidak diperlihatkan

18

pada diagram arsitektur. Gambar 2.14 menunjukkan salah satu contoh arsitektur jaringan dengan lapisan kompetitif.

Gambar 2.14 Jaringan Competitive


Menurut Anike dkk (2012), pada arsitektur tersebut pengaturan bobot telah ditetapkan dan tidak memiliki proses pelatihan. Hal tersebut dilakukan untuk mengetahui neuron pemenang dari sejumlah neuron yang ada. Nilai bobot untuk diri sendiri dari setiap neuron adalah 1, dan neuron lain adalah bobot acak negatif dengan bobot –η.

2.4.2 Fungsi Aktivasi Menurut Siang (2006), pada JST fungsi aktivasi dipakai

untuk menentukan keluaran suatu neuron. Argumen fungsi aktivasi adalah net masukan (kombinasi linier masukan dan bobotnya). Terdapat beberapa fungsi aktivasi yang sering digunakan dalam JST :

1. Fungsi Sigmoid Biner (Logsig) Fungsi sigmoid biner digunakan untuk JST yang dilatih

menggunakan metode backpropagation. Fungsi ini memiliki nilai antara 0 sampai 1, seperti pada Gambar 2.15, dengan rumus seperti pada Persamaan (2.9), dimana f(x) adalah output, e adalah bilangan eksponen (2,71828), dan x adalah input, dengan fungsi turunan seperti Persamaan (2.10). Fungsi ini sering digunakan untuk jaringan saraf yang membutuhkan nilai keluaran yang terletak pada interval 0 sampai 1. Fungsi sigmoid biner dapat dirumuskan sebagai berikut (Siang, 2006):

f(x)=

(2.12)

19

Gambar 2.15 Fungsi Aktivasi Sigmoid Biner

Sumber : Siang, 2006

2. Fungsi Sigmoid Bipolar (Tansig) Fungsi sigmoid bipolar hampir sama dengan fungsi

sigmoid biner. Perbedaan antara keduanya yaitu pada nilai keluarannya. Pada sigmoid bipolar nilai keluaran berada pada interval 1 sampai -1, seperti pada Gambar 2.16. Fungsi sigmoid bipolar dapat dirumuskan sebagai berikut:

f(x)=

(- ) -1 (2.13)

Gambar 2.16 Fungsi Sigmoid Bipolar

Sumber : Siang, 2006

3. Fungsi Linier / Identitas (Purelin)

Fungsi linier memiliki nilai keluaran yang sama dengan nilai masukannya. Gambar 2.17 menunjukkan grafik fungsi linier, dengan f(x) adalah output, dan x adalah input. Fungsi linier dapat dirumuskan sebagai berikut :

f(x)= x (2.14)

Gambar 2.17 Fungsi Linier Sumber : Anike dkk, 2012

20

2.4.3 Proses Pembelajaran (Learning) pada JST Proses pembelajaran merupakan suatu metode untuk

proses pengenalan suatu objek yang sifatnya kontinuitas yang selalu direspon secara berbeda dari setiap proses pembelajaran tersebut. Tujuan dari pembelajaran ini untuk memperkecil tingkat error dalam pengenalan suatu objek. Jaringan saraf memiliki 2 jenis sistem pembelajaran yaitu supervised learning dan unsupervised learning (Irwansyah dan Muhammad, 2015).

1. Supervised Learning

Supervised learning atau pembelajaran terawasi yaitu metode pembelajaran pada jaringan saraf jika output yang diharapkan telah diketahui (Irwansyah dan Muhammad, 2015). Pada pembelajaran ini kumpulan data input yang digunakan dan data output telah diketahui. Perbedaan antara keluaran-keluaran aktual dengan data keluaran yang diinginkan digunakan untuk mengoreksi bobot JST supaya dapat menghasilkan jawaban benar yang telah diketahui oleh JST (Wuryandari dan Irawan, 2012).

2. Unsupervised Learning

Unsupervised learning merupakan metode pembelajaran yang tidak memerlukan target output. Pada sistem ini tidak membutuhkan adanya acuan awal, agar perolehan nilai dapat dicapai. Pada metode ini hasil yang diharapkan selama proses pembelajaran tidak dapat ditentukan. Tujuan pembelajaran ini adalah mengelompokkan unit-unit hampir sama dalam area tertentu (Irwansyah dan Muhammad, 2015).

2.4.4 Backpropagation

Backpropagation merupakan salah satu algoritma pembelajaran dalam jaringan saraf tiruan. Proses pembelajaran dilakukan dengan penyesuaian bobot-bobot jaringan saraf tiruan dengan arah mundur berdasarkan nilai error dalam proses pembelajaran. Backpropagation merupakan metode pembelajaran jaringan saraf tiruan yang paling umum

21

digunakan. Backpropagation bekerja mealui proses secara iteratif menggunakan sekumpulan contoh data (data training), membandingkan nilai prediksi dari jaringan dengan setiap contoh data. Dalam setiap proses, bobot relasi dalam jaringan dimodifikasi untuk meminimalkan nilai Mean Squared Error (MSE) antara nilai prediksi dari jaringan dengan nilai sesungguhnya. Modifikasi relasi jaringan saraf tersebut dilakukan sengan arah mundur, dari output layer hingga layer pertama dari hidden layer sehingga meteode ini disebut backpropagation (Kusrini dan Emha, 2009).

2.4.5 Keuntungan dan Kekurangan JST

Setiap metode mempunyai keuntungan dan kekurangan. Keuntungan metode jaringan saraf tiruan antara lain (Braspenning et al, 1995) :

1. Pembelajaran dari contoh-contoh dilakukan secara otomatis.

2. Tidak membutuhkan pembuatan asumsi mengenai data hubungan antara input dan output.

3. Pembelajaran dapat dilakukan dengan cepat (jika kurang dari 50 neuron)

Selain keuntungan, jaringan saraf tiruan mempunyai kekurangan, antara lain (Braspenning et al, 1995) :

1. Jaringan saraf bekerja seperti black box, sehingga sulit untuk menerjemahkan cara penyelesaian dari jaringan saraf tersebut.

2. Sulit untuk menggabungkan pengetahuan dari masalah yang diberikan.

2.5 Penelitian Terdahulu Sun et al., (2009), mengembangkan metode citra digital

untuk menggambarkan secara kuantitatif dan menganalisis fitur warna daging sapi tanpa lemak dengan berbagai kelas warna dan mempelajari hubungan antara karateristik warna dan skor pada warna daging sapi. Model warna yang digunakan adalah RGB, HSI dan L*a*b*. Berdasar analisis statistik dari 9 fitur yang diuji menunjukkan bahwa terdapat perbedaan signifikan antara fitur warna dan skor warna daging sapi tanpa lemak (p<0,001).

22

Nilai rata-rata R,G,B,H,S,I, L* dan b* signifikan berkorelasi, kecuali pada nilai a* (p<0,01).

Penelitian Trientin et al., (2015), menggunakan pengolahan citra, transformasi multi-wavelet dan jaringan saraf tiruan backpropagation untuk klasifikasi daging sapi segar. Akuisisi citra didapatkan dari data RGB yang dikonfersi ke HSV untuk membandingkan kecerahannya. Tahapan dalam klasifikasi diawali dengan akuisisi citra menggunakan kamera digital, pre-processing citra, ekstraksi fitur menggunakan analisis warna dan transformasi multi-wavelet. Proses terakhir adalah klasifikasi yang dilakukan dengan dua metode yaitu nearest neighbour (NN) dan artificial neural network backpropagation (BPANN). Pada penelitian ini, akurasi terbaik dari artificial neural network backpropagation (BPANN) adalah 71,42869%.

Singh et al., (2015), menggunakan ANN untuk mengklasifikasikan apel. Klasifikasi dibagi menjadi 2 kelas, yaitu baik dan buruk. Sebanyak 40 citra apel diambil menggunakan iPhone 4 camera dengan resolusi 5 MP dalam kondisi pencahayaan yang optimum. Input yang digunakan yaitu nilai R,G,B dan keabuan (gray). Sebanyak 30 data digunakan sebagai training dan 10 data untuk testing. Pada penelitian ini jaringan berhasil mengklasifikasikan apel dengan tingkat efisiensi 90%.

23

III. METODE PENELITIAN

3.1 Tempat dan Waktu Penelitian Penelitian dilakukan di Laboratorium Daya dan Mesin

Pertanian Jurusan Keteknikan Pertanian, dan Laboratorium Komputasi dan Analisis Sistem Jurusan Teknologi Industri Pertanian Fakultas Teknologi Pertanian Universitas Brawijaya. Waktu pelaksanaan penelitian dilakukan pada bulan Mei sampai Juli 2017.

3.2 Bahan dan Alat Penelitian

Bahan penelitian ini adalah rambak goreng sapi, kerbau dan babi. Rambak sapi dan kerbau diperoleh dari pasar Stonobetek, Kediri. Rambak babi diperoleh dari Bali. Rambak diperoleh dalam bentuk matang atau sudah digoreng.

Gambar 3.1 merupakan skema rangkaian alat akuisisi citra. Peralatan yang digunakan terdiri atas black box, 2 lampu LED 5 Watt, reflectan cover , kamera digital, dan kain hitam. Spesifikasi peralatan disajikan pada Tabel 3.1.

Gambar 3.1 Skema Alat Akuisisi Citra

Tabel 3.1 Spesifikasi Peralatan Akuisisi Citra

No Nama Alat Spesifikasi

1. Black box a. Warna : Hitam b. Ukuran : 30 x 30 x 30 cm

2. Lampu a. Power : 5 x 1 W b. Voltage : 220 V c. Color : White

24

Lanjutan Tabel 3.1 Spesifikasi Peralatan Akuisisi Citra

No Nama Alat Spesifikasi

3. Reflectan cover a. Bahan : Mika putih b. Ukuran : 5 x 5x 5 cm c. Tebal : 0.02 mm

4. Kamera digital Samsung/ ST65 5. Penyangga/ tempat sampel Sterofoam dengan kain hitam

Black box berukuran 30 x 30 x 30 cm digunakan untuk

tempat pengambilan citra. Lampu LED 5 Watt digunakan sebagai sumber pencahayaan. Reflectan cover berupa mika putih digunakan sebagai filter cahaya yang berfungsi untuk membatasi atau memendarkan cahaya lampu sehingga efek cahaya yang dipancarkan lebih halus. Kamera digital digunakan untuk mengambil citra. Kain hitam digunakan sebagai alas dan penutup.

Perangkat untuk pengolahan data terdiri dari komputer dengan processor Intel Core i3. Perangkat lunak yang digunakan yaitu Adobe Photoshop 7.0 dan Matlab R2012a. Adobe Photoshop 7.0 untuk cropping dan Matlab R2012a untuk analisis citra dan pemodelan JST. Pada uji kadar air, peralatan yang digunakan yaitu cawan aluminium, oven, dan neraca analitik.

3.3 Batasan Masalah Pada penelitian ini batasan masalah yang digunakan

yaitu : 1. Penelitian hanya sampai pemodelan arsitektur jaringan. 2. Jenis rambak olahan yang digunakan adalah rambak

goreng sapi, kerbau, dan babi. 3. Rambak sapi diperoleh dan kerbau diperoleh dari pasar

Stonobetek Kediri, dan rambak babi diperoleh dari Bali. 4. Ukuran rambak yang digunakan tidak harus seragam.

3.4 Metode Penelitian

Penelitian terdiri atas beberapa tahapan yaitu persiapan sampel, akuisisi citra, cropping, ekstraksi nilai fitur warna dan

25

pemodelan JST. Alur pelaksanaan penelitian disajikan pada Gambar 3.2. Pada penelitian ini, akuisisi citra menggunakan kamera digital sebanyak 2 kali pada sisi yang berbeda dan berukuran 1024x768 pixels.

Gambar 3.2 Diagram Alir Pelaksanaan Penelitian

Citra hasil akuisisi selanjutnya di-crop 3 kali pada bagian berbeda dan disimpan dalam format bitmap (.bmp) menggunakan Adobe Photoshop 7.0. Citra kemudian diekstraksi nilai fitur warna dan teksturnya menggunakan Matlab R2012a, sehingga diperoleh Red mean value, Green mean value, Blue mean value, Hue mean value, Saturation mean value, dan Intensity mean value. Pada ekstraksi nilai tekstur menggunakan GLCM, citra terlebih dulu dikonversi menjadi citra grayscale, selanjutnya di ekstraksi nilai entropy, contrast, correlation, energy, dan homogeneity. Nilai fitur warna dan tekstur rambak tersebut selanjutnya digunakan sebagai input pemodelan JST

26

backpropagation untuk klasifikasi jenis rambak olahan kerbau, sapi dan babi. Hasil pemodelan terbaik dapat diketahui dengan nilai MSE dan akurasi validasi.

3.4.1 Persiapan Sampel

Sampel penelitian ini yaitu rambak olahan dari 3 jenis hewan, yaitu kerbau, sapi dan babi. Rambak olahan yang digunakan yaitu rambak yang sudah digoreng. Pada uji kadar air sampel rambak ditimbang 2 gram untuk tiap jenis, untuk akuisisi citra rincian jumlah sampel yang digunakan disajikan pada Tabel 3.2.

Tabel 3.2 Perincian Jumlah Sampel

Jenis Rambak Jumlah (potong)

Kerbau 23

Sapi 23 Babi 23

Total 69

Jumlah sampel penelitian ini yaitu 23 potong rambak

untuk setiap jenis rambak, sehingga total ada 69 sampel yang diakuisisi. Sampel dipilih oleh penulis berdasar pengamatan fisik meliputi bau, warna dan teksur, seperti pada Tabel 3.3. Pemilihan sampel hanya berdasarkan kriteria keadaan fisik, karena penulis tidak melakukan uji kandungan bahan.

Tabel 3.3 Kriteria Pemilihan Sampel

Kriteria Persyaratan

Bau Normal

Warna Normal

Tekstur Renyah

Rambak yang digunakan dipilih yang berbau normal, warna normal, dan tekstur renyah. Rambak dipilih secara acak tanpa memperhatikan kesaragaman ukurannya karena tidak ada standar ukuran rambak yang beredar dipasaran. Proses cropping akan dilakukan untuk mendapatkan gambar hanya

27

berisi obyek saja dan menyeragamkan jumlah pixel citra yang diukur yaitu 600x400 pixels.

3.4.2 Uji Kadar Air

Uji Kadar air dilakukan untuk membandingkan kadar air pada rambak olahan sapi kerbau dan babi. Penentuan kadar air menggunakan metode oven. Sampel yang di uji terlebih dahulu dihaluskan supaya penguapan lebih optimal. Pemanasan menggunakan suhu 1050C samapi diperoleh bobot tetap atau konstan. Perhitungan kadar air menggunakan persamaan berikut (Shofiyatun, 2012):

(3.1)

Keterangan : Berat awal = berat cawan dengan sampel sebelum dioven – berat cawan kosong Berat akhir = berat cawan dengan sampel setelah dioven – berat cawan kosong 3.4.3 Akuisisi Citra

Akuisisi citra dilakukan di dalam black box dengan kamera digital Samsung ST65. Spesifikasi kamera digital disajikan pada Tabel 3.4. Kamera ditempatkan tegak lurus di atas sampel dengan jarak antara sampel dan lensa kamera adalah 10 cm. Pengambilan gambar dilakukan sebanyak 2 kali pada sisi yang berbeda. Hasil akuisisi citra dari 69 rambak didapatkan total 138 citra.

Tabel 3.4 Spesifikasi Kamera Digital

Spesifikasi Keterangan

Jarak akuisisi 10 cm Pengaturan ISO 100 Focus Macro focus Resolusi 1 MP Format gambar 1024x768 pixel

28

Kamera diatur dengan resolusi kamera 1 MP supaya gambar yang dihasilkan tidak terlalu besar sehingga mempermudah pemrograman. Pengaturan ISO dilakukan supaya sensitivitas kamera terhadap cahaya konstan. Nilai ISO yang digunakan adalah 100 karena nilai ISO yang terlalu tinggi menyebabkan noise. Kamera diatur menggunakan Macro focus karena pengambilan gambar dilakukan pada jarak yang dekat (5cm≤fokus≤80 cm). Citra hasil akuisisi kamera digital disimpan dalam format true colour berukuran 1024x768 pixels. Skema akuisisi citra dapat dilihat pada Gambar 3.3.

Gambar 3.3 Skema Akuisisi Citra

3.4.4 Cropping Cropping merupakan teknik yang digunakan untuk

mengubah ukuran citra dengan memilih bagian yang dibutuhkan (Petrosino et al., 2013). Pada penelitian ini cropping digunakan untuk mengambil 3 bagian dari citra rambak olahan tanpa background. Proses cropping dapat dilihat pada Gambar 3.4. Rinician jumlah data citra disajikan pada Tabel 3.5.

(a) Penentuan area cropping

(b) Citra hasil cropping

Gambar 3.4 Proses Cropping

29

Tabel 3.5 Rincian Jumlah Data

Jenis rambak

Citra asli

Citra cropping

Citra training (70%)

Citra validasi (30%)

Kerbau 46 138 97 41

Sapi 46 138 97 41

Babi 46 138 97 41

Total 138 Total 414 291

Ukuran cropping 600x400 pixels dapat digunakan untuk

menghemat waktu komputasi (Oktavia, 2013). Bentuk persegi panjang (rectangular) sering digunakan untuk cropping pada citra. Pengurangan ukuran citra dapat mengurangi beban pada memori penyimpanan serta waktu pemrosesan (Broeke et al., 2015). Penelitian ini menggunakan cropping 3 kali pada bagian yang berbeda menggunakan Adobe Photoshop 7.0. Adobe photoshop digunakan untuk mengolah, crop, atau memperbaiki corak warna citra (Serup et al., 2006). Khoirunnisa (2016) menggunakan Adobe Photoshop 7.0 pada cropping citra gatot instan untuk klasifikasi mutu dengan pendekatan fitur warna dan tekstur citra.

Citra hasil cropping disimpan dalam format bit map picture (.bmp). Format .bmp merupakan format dasar citra digital pada Microsoft Windows world (Jayaraman et al., 2009). Bit map picture merupakan format dasar citra serta bersifat lossless compression sehingga semua informasi dalam citra dapat ditampilkan dan lebih efektif digunakan untuk proses perbaikan dan analisis citra dibanding format citra yang bersifat lossy compression seperti JPEG ( Solomon and Toby, 2011). Penelitian ini membagi citra rambak menjadi data training dan data validasi dengan proporsi 70%:30% sehingga didapatkan 291 citra untuk training dan 123 citra untuk validasi. Citra hasil cropping dapat dilihat pada Lampiran 1.

3.4.5 Ekstraksi Ciri Citra Pada penelitian ini ekstraksi ciri citra yang diambil adalah fitur warna dan tekstur menggunakan Gray Level Co-occurance Matrix (GLCM). Berikut prosedur ektraksi ciri citra :

30

1. Fitur Warna

Ekstraksi fitur warna rambak olahan menggunakan Matlab R2012a. Sebanyak 414 citra di ekstraksi untuk diambil nilai rata-ratanya (colour mean value). Ektraksi fitur warna dilakukan pada sistem warna RGB dan HSI. Ekstraksi colour mean value mengikuti persamaan (Hendrawan and Haruhiko, 2011) :

Colour mean value =

∑

(3.1)

Colour value merupakan nilai untuk masing-masing

model warna pada tiap pixel-nya yaitu R [0,255], G [0,255], B [0,255], H [00,3600], S [0,1], I [0,1], dan M adalah jumlah pixel dari masing-masing model warna. Pada computer vision sebuah gambar digital tersusun atas titik-titik atau pixel. Model warna RGB dipilih sebagai salah satu parameter pembeda rambak karena masing-masing pixel mempresentasikan suatu warna yang terjadi dari paduan informasi/ nilai terang-gelap pada unsur red, green, dan blue (Brata, 2006). Model warna HSI digunakan karena mempunyai representasi warna yang hampir sama dengan penglihatan manusia ( Murgante et al., 2013).

2. Fitur Tekstur

Ekstraksi ciri tekstur didapatkan dari proses konversi citra RGB ke grayscale. Proses ekstraksi tektur mengikuti teknik Gray Level Co-occurance Matrix (GLCM) pada Matlab 2012. Pada penelitian ini sudut yang digunakan adalah 00 dengan d=1, dan 3 level GLCM, yaitu 32, 64, dan 256. Nilai tekstur yang akan diekstraksi yaitu contrast, correlation, energy, entropy, dan homogeneity. Nilai-nilai tekstur yang didapatkan dari ketiga level tersebut akan dibandingkan untuk dipilih level yang dapat digunakan untuk membedakan ketiga jenis rambak olahan.

31

3.4.6 Pemodelan JST Backpropagation Arsitektur JST Backpropagation terdiri atas 3 layer yaitu

input layer, hidden layer, dan output layer, seperti Gambar 3.5, Gambar 3.6, dan Gambar 3.7. Input yang digunakan pada pemodelan ini terdiri dari 2 jenis, yaitu warna dan tekstur. Jumlah hidden layer yang digunakan mengikuti hasil trial and error 1 dan 2 layer dengan variasi jumlah node hidden yaitu 10, 20, 30, dan 40 dengan output node adalah jenis rambak. Nilai output untuk rambak olahan sapi dinotasikan dengan 1, kerbau dengan 0, dan babi dengan -1.

Gambar 3.5 Arsitektur JST Fitur Warna

32

Gambar 3.6 Arsitektur JST Fitur Tekstur

Gambar 3.6 Arsitektur JST dengan Input Fitur warna dan Tekstur

33

Selain jumlah node pada setiap lapisan arsitektur JST, kinerja jaringan juga dipengaruhi beberapa parameter untuk membentuk model klasifikasi. Parameter tersebut antara lain fungsi aktivasi, jumlah maksimum epoch, goal MSE, learning rate, dan momentum. Setiap kasus memiliki kombinasi parameter yang berbeda, sehingga diperlukan trial and error nilai parameter yang digunakan untuk menemukan model terbaik. Analisis sensitivitas terhadap parameter yang digunakan disajikan pada Tabel 3.6.

Tabel 3.6 Analisis Sensitivitas Parameter JST

Karateristik Spesifikasi

Arsitektur jaringan Node input layer Node hidden layer Node output layer

1 , 2 hidden layer 6 (colour mean value : R,G,B,H,S,I) 5 (Texture : entropy, contrast, correlation, energy, homogeneity) 10, 20, 30, 40 1 bilangan target ( sapi : 1, kerbau : 0, babi : -1)

Fungsi aktivasi - Hidden Layer - Output Layer

Trial and error (Logsig, Tansig) Trial and error (Logsig, Tansig, Purelin)

Maksimum epoch Goal MSE Learning rate Momentum

5000 0,01 Trial and error [0.1, 0.3, 0.6] Trial and error [0.6, 0.9]

Variasi fungsi aktivasi yang digunakan yaitu sigmoid

biner (logsig) dan sigmoid bipolar (tansig) pada hidden layer, dan pada output layer ditambah fungsi linier / identitas (purelin). Pada penelitian ini jumlah maksimum epoch dibatasi sampai 5000, dengan goal MSE 0,01. Learning rate yang digunakan yaitu 0.1, 0.3, dan 0.6, dengan momentum 0.6 dan 0,9.

Pemodelan JST Backpropagation terdiri dari 2 tahap, yaitu training dan validasi. Sebanyak 414 citra rambak dari sapi, kerbau, dan babi dibagi menjadi 291 data training , dan 123 data validasi. Prosedur training dan validasi mengikuti tahapan berikut :

34

1. Membagi data menjadi data latih dan data validasi 2. Memilih model hidden nodes terbaik 3. Melakukan pelatihan pada model hidden nodes 4. Mengulangi langkah 1 sampai 4 menggunakan

hidden nodes yang terbaik 5. Menerapkan hasil terbaik sebagai model. Pemodelan terbaik dipilih berdasarkan nilai Mean Square

Error (MSE) seperti persamaan (3.2).

MSE =

∑

(3.2)

Keterangan : n = jumlah data ti = nilai target yi = nilai prediksi JST

35

IV. HASIL DAN PEMBAHASAN

4.1 Analisis Hasil Uji Kadar Air Rambak Olahan Kadar air merupakan banyaknya air yang terkandung

dalam bahan yang dinyatakan dalam persen. Pengukuran kadar

air dilakukan menggunakan pemanasan dengan suhu 1050C.

Perbandingan kadar air pada rambak olahan sapi, kerbau dan

babi dapat dilihat pada Gambar 4.1.

Gambar 4.1 Grafik Perbandingan Kadar Air Rambak Olahan

Pada Gambar 4.1 dapat dilihat kadar rambak olahan sapi sebesar 8,098%, rambak olahan kerbau 6,468%, dan rambak olahan babi 4,460%. Pada Rofi’ah (2017), kadar air pada krecek rambak sapi adalah 10.37%, krecek kerbau 8.70%, dan krecek babi sebesar 12.17%. Berdasarkan hasil uji kadar air tersebut, dapat dilihat bahwa kadar air rambak yang digoreng lebih rendah daripada krecek rambak. Hal ini sesuai dengan penelitian Huda et al., (2010) yang menyatakan bahwa penggorengan menyebabkan kadar air rambak menurun. Selama pengeringan kulit mengalami penyusutan, dan selama penggorengan suhu yang meningkat membantu menguapkan kandungan air yang masih tersisa.

8.098

6.468

4.460

0.000

2.000

4.000

6.000

8.000

10.000

Sapi Kerbau Babi

Kad

ar A

ir (

%)

Jenis Rambak

36

Selain pengeringan dan pengorengan, kadar air rambak dipengaruhi oleh lama waktu perendaman dalam air kapur. Semakin lama waktu perendaman dalam air kapur maka kadar air semakin turun. Perendaman dalam air kapur akan mempercepat laju pengeringan, karena larutan tersebut dapat menarik molekul air dalam bahan. Semakin banyak air yang keluar dari bahan maka semakin banyak ruang kosong yang terdapat dalam jaringan sehingga saat rambak digoreng akan mengembang sampai tingkat tertentu dan menyebabkan rambak menjadi lebih renyah (Widati dkk., 2007).

4.2 Analisis Fitur Warna Citra Rambak Olahan

Hasil ekstraksi fitur warna citra rambak olahan yaitu berupa nilai rata-rata warna citra (color mean value) dari dua jenis model warna, yaitu RGB dan HSI. Fungsi ekstraksi fitur warna menggunakan Matlab disajikan pada Lampiran 2. Indikator RGB masing-masing memiliki nilai antara 0-255, sedangkan indikator H memiliki nilai antara 0-3600, sementara S dan I memiliki nilai antara 0-1. Nilai maksimal, nilai minimal, dan nilai rata-rata citra rambak olahan disajikan pada Lampiran 3.

4.2.1 Model Warna RGB

RGB terdiri atas red, green, dan blue merupakan salah satu model warna yang sering digunakan untuk analisis citra. Nilai RGB mean value didapatkan dari pembagian antara jumlah nilai warna citra dengan jumlah piksel citra. Perbandingan RGB mean value ketiga jenis rambak olahan disajikan pada Gambar 4.2.

(a) Red mean value

160180200220240260

Sapi Kerbau Babi

Re

d M

ean

Jenis Rambak

37

(b) Green mean value (c) Blue mean value

Gambar 4.2 Grafik Perbandingan RGB Mean Value Rambak Olahan

Pada Gambar 4.2 dapat dilihat ketiga jenis rambak memiliki nilai indikator hampir sama. Ditinjau dari nilai Red mean, rambak sapi menyebar sebesar 66 dengan mean 209, rambak kerbau sebesar 57 dengan mean 27, dan rambak babi sebesar 78 dengan mean 204. Sebaran nilai Green mean untuk rambak sapi sebesar 65 dengan mean 201, rambak kerbau sebesar 67 dengan mean 212, dan rambak babi sebesar 70 dengan mean 197. Pada indikator Blue mean, rambak sapi mempunyai sebaran nilai sebesar 80 dengan mean 157, rambak kerbau sebesar 104 dengan mean 159, dan rambak babi sebesar 68 dengan mean 152. Berdasar nilai rata-rata (mean) RGB, rambak kerbau memiliki nilai tertinggi, diikuti rambak sapi, kemudian rambak babi.

4.2.2 Model Warna HSI

HSI merupakan model warna berdasar persepsi manusia. Nilai Hue merupakan karateristik warna berdasarkan cahaya yang dipantulkan oleh objek. Dalam menyatakan suatu warna tidak dapat hanya mengacu pada nilai Hue, tetapi harus disertai dengan Saturation dan Intensity (Khoirunnisa, 2015). Berikut grafik perbandingan nilai HSI ketiga jenis rambak :

160

180

200

220

240

Sapi Kerbau Babi

Gre

en

Me

an

Jenis Rambak

100

120

140

160

180

200

220

Sapi Kerbau Babi

Blu

e M

ean

Jenis Rambak

38

(a) Hue mean value (b) Saturation mean value

(c) Intensity mean value

Gambar 4.3 Grafik Perbandingan HSI Mean Value Rambak Olahan

Pada Gambar 4.3, dapat dilihat ketiga jenis rambak

memiliki indikator Hue, Saturation, dan Intensity yang hampir sama. Pada Gambar 4.3 (a), nilai sebaran indikator Hue rambak sapi yaitu sebesar 10,77, rambak kerbau sebesar 8,86, dan rambak babi sebesar 14,43. Ditinjau dari indikator Saturation seperti pada Gambar 4.3 (b), rambak sapi memiliki nilai penyebaran sebesar 0,24, rambak kerbau sebesar 0,25, dan rambak babi sebesar 0,23. Pada Gambar 4.3 (c) sebaran nilai Intensity rambak sapi sebesar 0,27, rambak kerbau sebesar 0,33, dan rambak babi sebesar 0,26. Berdasarkan indikator Hue, rambak babi memiliki penyebaran nilai paling luas, diikuti rambak sapi dan kerbau, sementara pada indikator Saturation

30.00

40.00

50.00

60.00

70.00

Sapi Kerbau Babi

°Hu

e M

ean

Jenis Rambak

0.000

0.100

0.200

0.300

0.400

0.500

Sapi Kerbau Babi

Satu

rati

on

Me

an

Jenis Rambak

0.000

0.200

0.400

0.600

0.800

1.000

Sapi Kerbau Babi

Inte

nsi

ty M

ean

Jenis Rambak

39

dan Intensity, rambak kerbau memiliki nilai penyebaran yang paling luas, diikuti rambak sapi dan rambak babi.

Nilai hue mean rambak sapi, kerbau, dan babi yaitu 51.970, 48.560, dan 52.670. Nilai saturation mean rambak sapi, kerbau, dan babi yaitu 0.17, 0.21, dan 0.18. Nilai intensity mean rambak sapi, kerbau, dan babi yaitu 0.74, 0.78, dan 0.72. Menurut Hariyanto (2009), jika Hue menyatakan warna sebenarnya, maka Saturation menyatakan seberapa dalam warna tersebut, sementara Intensity menyatakan banyak cahaya yang diterima. Suatu obyek berwarna merah memiliki nilai hue 0° atau 360°, hijau pada 120°, dan biru pada 240° seperti pada Gambar 4.4.

Gambar 4.4 Roda Warna Hue

Sumber : Effendhy, 2013

Pada model warna HSI rambak kerbau memilliki nilai hue terendah, sementara pada indikator saturation dan intensity rambak kerbau memiliki nilai tertinggi dibandingkan rambak sapi dan babi. Dibandingkan dengan roda warna hue pada Gambar 4.4, dapat dilihat warna rambak adalah kekuningan. Menurut Mu’in (2014), rambak kerbau memiliki warna kuning kecoklatan sampai sangat coklat. Faktor yang mempengaruhi perubahan warna dan flavor antara lain tipe minyak untuk menggoreng, suhu minyak, waktu dan suhu penggorengan, serta perlakuan setelah penggorengan. Menurut Huda et al., (2010), warna rambak setelah digoreng lebih terang dibanding sebelum digoreng. Pengembangan rambak saat digoreng menyebabkan total pigmen pada satu bagian rambak ikut mengembang atau menyebar ke bagian lain.

40

4.3 Analisis Perbandingan Level Gray Level Co-occurrence Matrix (GLCM)

Ekstraksi ciri tekstur citra rambak olahan berbasis GLCM meggunakan Matlab R2012a. Fungsi ekstraksi fitur tekstur disajikan pada Lampiran 2. Purwaningsih dkk., (2013) mengubah-ubah level keabuan dan sudut dalam membentuk GLCM untuk mendapatkan nilai yang paling tepat. Indikator tekstur yang diambil adalah entropy, contrast, correlation, energy, dan homogeneity. Pada penelitian ini sudut yang digunakan 00 dengan jarak d= 1 atau offset [0 1] dengan level 32, 64, dan 256. Level yang menunjukkan perbedaan lebih baik akan digunakan sebagai input JST. Berikut perbandingan GLCM menggunakan 3 jenis level :

(a) Entropy

(b) Contrast

(c) Correlation

(d) Energy

0.000

0.200

0.400

0.600

32 64 256

Entr

op

y

Level

Sapi

Kerbau

Babi

-2.000

-1.000

0.000

1.000

2.000

3.000

4.000

5.000

6.000

32 64 256

Co

ntr

ast

Level

Sapi

Kerbau

Babi

0.940

0.960

0.980

1.000

1.020

32 64 256

Co

rre

lati

on

Level

Sapi

Kerbau

Babi

-0.100

0.000

0.100

0.200

0.300

32 64 256

Ene

rgy

Level

Sapi

Kerbau

Babi

41

(e) Homogeneity

Gambar 4.5 Grafik Perbandingan Gray Level

Pada Gambar 4.5 terdapat 5 indikator GLCM dengan 3

level yang berbeda. Variasi level bertujuan untuk memilih level yang berpotensi untuk membedakan ketiga jenis rambak olahan. Pada Gambar 4.5 (a) yaitu entropy semakin tinggi level semakin rendah nilai entropy. Pada Gambar 4.5 (b) yaitu contrast semakin tinggi level semakin tinggi nilai contrast. Pada grafik dapat dilihat bahwa rambak babi dan kerbau memiliki nilai contrast yang sama. Pada Gambar 4.5 (c) yaitu correlation semakin tinggi level semakin tinggi nilai correlation dan semakin mirip nilainya. Pada Gambar 4.5 (d) yaitu energy semakin tinggi level semakin rendah nilai energy dan nilainya semakin mirip. Pada Gambar 4.5 (e) yaitu indikator homogeneity semakin tinggi level semakin rendah nilai homogeneity.

Pada entropy, correlation, dan energy dapat dilihat level yang dapat membedakan ketiga jenis adalah level 32, sementara pada contrast dan homogeneity level terbaik adalah level 256, namun hanya dapat membedakan rambak kerbau dengan sapi atau rambak babi dengan sapi saja. Budisanjaya (2013) menggunakan metode color moment dan GLCM berupa entropy, contrast, correlation, energy dan homogeneity dari level 32 dengan 4 arah sudut pengukuran (00, 450, 900, dan 1350) sebagai input JST backpropagation untuk identifikasi nitrogen melalui citra daun tanaman sawi hijau (Brassica Juncea L.)

0.000

0.400

0.800

1.200

32 64 256H

om

oge

ne

ity

Level

Sapi

Kerbau

Babi

42

varietas Tosakan dengan akurasi 97,82%. Supaya lebih efisien dalam pemrograman, maka dipilih salah satu level yang berpotensi dapat membedakan ketiga jenis rambak. Pada penelitian ini, nilai tektsur yang digunakan adalah hasil co-occurance matrix menggunakan gray level 32.

4.4 Analisis Fitur Tekstur Citra Rambak Olahan

Pada penelitian ini tekstur citra yang digunakan yaitu entropy, contrast, correlation, energy, dan homogeneity. Pada Matlab, kelima indikator tersebut didapatkan dengan fitur GLCM yang tersedia menggunakan fungsi graycoprops. Perbandingan nilai masing-masing indikator tekstur citra ditinjau dari nilai maksimum, mean, dan nilai minimum disajikan pada Lampiran 3. Nilai maksimum dan minimum digunakan untuk mengetahui range nilai setiap indikator.

1. Entropy Nilai co-occurance matrix entropy menunjukkan

ketidakteraturan bentuk (Permadi, dan Murinto, 2015). Nilai entropy besar untuk citra dengan gray-level merata dan bernilai kecil jika struktur citra tidak teratur/ bervariasi (Ariyanti, 2015). Berikut grafik perbandingan nilai entropy ketiga jenis rambak :

Gambar 4.6 Grafik Entropy

Pada Gambar 4.6 dapat dilihat bahwa nilai entropy rambak sapi menyebar sebesar 0.504 dengan nilai mean 0.133. pada rambak kerbau nilai entropy menyebar sebesar 0.518

0.000

0.200

0.400

0.600

0.800

Sapi Kerbau Babi

Entr

op

y

Jenis Rambak

43

dengan nilai mean 0.186. pada rambak babi nilai sebaran entropy sama dengan rambak sapi yaitu 0.504 dengan nilai mean 0.425.

2. Contrast

Kontras digunakan untuk mengukur kekuatan perbedaan intensitas dalam citra (Sulistyo, 2008). Nilai kekontrasan menunjukkan ukuran variasi antar derajat keabuan suatu daerah citra. Semakin tinggi nilai contrast maka semakin tinggi tingkat kekontrasannya (Ariyanti, 2015). Perbandingan indikator contrast citra rambak olahan dapat dilihat pada Gambar 4.7.

Gambar 4.7 Grafik Contrast

Pada Gambar 4.7 dapat dilihat bahwa rambak kerbau memiliki sebaran nilai contrast paling luas yaitu 0.323 dengan nilai mean 0.173. Sebaran terluas selanjutnya adalah rambak babi yaitu sebesar 0.258 dengan nilai mean 0.127. nilai contrast rambak sapi menyebar sepanjang 0.229 dengan nilai mean 0.170.

3. Correlation

Correlation menunjukkan ukuran ketergantungan linear derajat keabuan citra (Ariyanti,2015). Correlation menunjukkan adanya korelasi antar pixel pada citra (Issac and Nauman, 2015). Berikut perbandingan nilai correlation ketiga jenis rambak olahan :

0.000

0.200

0.400

0.600

Sapi Kerbau Babi

Co

ntr

ast

Jenis Rambak

44

Gambar 4.8 Grafik Correlation

Pada Gambar 4.8 menunjukkan sebaran nilai correlation citra rambak olahan. Pada indikator correlation rambak babi memiliki nilai sebaran terluas yaitu 0.092 dengan nilai mean 0.970. Sebaran terluas kedua yaitu rambak sapi yaitu 0.083 dengan nilai mean 0.967. Rambak kerbau memiliki nilai sebaran terkecil yaitu 0.060 dengan nilai mean 0.975.

4. Energy

Energy merupakan ukuran keseragaman atau homogenitas citra (Purwanigsih dkk., 2015). Nilai energy akan semakin besar jika pixel pada citra semakin homogen (Ariyanti, 2015). Berikut sebaran nilai energy ketiga jenis rambak :

Gambar 4.9 Grafik Energy

0.850

0.900

0.950

1.000

1.050

Sapi Kerbau Babi

Co

rre

lati

on

Jenis Rambak

0.000

0.200

0.400

0.600

Sapi Kerbau Babi

Ene

rgy

Jenis Rambak

45

Pada Gambar 4.9, nilai energy rambak sapi menyebar paling luas dibandingkan rambak kerbau dan rambak babi. Rambak sapi menyebar sebesar 0.453 dengan nilai mean 0.176. rambak sapi menyebar sepanjang 0.343 dengan nilai mean 0.125, sementara rambak babi menyebar sepanjang 0.311 dengan nilai mean 0.143.

5. Homogeneity

Homogeneity menyatakan ukuran kedekatan setiap elemen dari co-occurance matrix. Homogeneity digunakan utuk mengukur kehomogenan variasi nilai intensitas citra. Nilai homogenity besar jika variasi intensitas dalam citra kecil. Homogeneity dapat digunakan utuk merepresentasikan kekasaran pada bidang gambar (Jundullah, 2016). Berikut sebaran nilai ketiga jenis rambak :

Gambar 4.10 Grafik Homogeneity

Pada Gambar 4.10 dapat dilihat bahwa rambak sapi memiliki nilai sebaran terluas yaitu 0.137 dengan nilai mean 0.917. Pada rambak kerbau nilai homogenity menyebar sebesar 0.107 dengan nilai mean 0.942. rambak babi menyebar sebesar 0.112 dengan nilai mean 0.918.

4.5 Pemodelan Jaringan Saraf Tiruan Backpropagation

Pemodelan jaringan dilakukan secara bertahap mulai menentukan data input dan output model karena menggunakan model supervised learning. Pemodelan dilakukan dengan

0.750

0.800

0.850

0.900

0.950

1.000

Sapi Kerbau Babi

Ho

mo

gen

eit

y

Jenis Rambak

46

membagi data menjadi 2 bagian yaitu data training dan data validasi. Data training dan data validasi merupakan satu kesatuan data hasil penelitian. Data training digunakan untuk menemukan model terbaik dalam menentukan target, data validasi digunakan untuk mengkonfirmasi tingkat akurasi model terbaik (Arwani, 2016). Pada penelitian ini perbandingan data training dan data validasi yang digunakan yaitu 70% : 30% dari total 414 data.

Sebelum dianalisis, data input perlu dilakukan normalisasi. Menurut Siang (2006), pola masukan dan keluaran harus ditransformasi terlebih dahulu agar semua polanya memiliki nilai range yang sama dengan fungsi aktivasinya. Pada penelitian ini menggunakan metode normalisasi minimum dan maksimum, sehingga diperoleh interval data menjadi [-1 1]. Pada Matlab metode normalisasi minimum dan maksimum dilakukan menggunakan fungsi premnmx.

Data input JST diwakili oleh nilai fitur warna dan tekstur citra rambak olahan, dan target output berupa angka yang mewakili jenis rambak, yaitu 1 untuk sapi, 0 untuk kerbau dan -1 untuk babi. Pada penelitian ini analisis sensitivitas parameter JST dilakukan pada jaringan dengan input fitur warna terlebih dahulu. Parameter JST terbaik dari pemodelan menggunakan input warna selanjutnya di terapkan untuk pemodelan menggunakan input tekstur serta kombinasi warna dan tekstur seperti pada Tabel 4.1 . Source Code JST disajikan pada Lampiran 4.

Tabel 4.1 Trial and Error Data Input

Kombinasi Input R Validasi MSE Validasi

Warna (RGB-HSI) 0.4611 0.5272

Warna (RGB) 0.4545 0.5718

Warna (HSI) 0.3523 0.6042

Tekstur 0.6547 0.3867

Warna dan Tekstur 0.8249 0.2481

Sumber : Data Primer Diolah (2017)

Pada Tabel 4.2 dapat dilihat nilai MSE input tekstur lebih kecil daripada input warna. Simulasi jaringan dengan input

47

warna dan tekstur dapat dilihat pada Lampiran 6. Analisis tekstur merupakan teknik yan sering digunakan pada analisis citra untuk klasifikasi, deteksi, atau segmentasi citra (Azim, 2015). Menurut Ariyanti (2015), kombinasi input pemodelan JST terbaik dipilih dari nilai MSE terkecil. Hasil trial and error pemilihan input menunjukkan kombinasi fitur warna dan tekstur memiliki nilai MSE terkecil yaitu 0.2481. Pada umumnya semakin banyak parameter yang digunakan dapat meningkatkan akurasi rata-rata (Adnan dkk., 2013).

Arsitektur JST dipengaruhi oleh beberapa parameter seperti fungsi aktivasi, fungsi pembelajaran, jumlah hidden nodes, serta momentum dan learning rate. Arsitektur yang optimal dipilih berdasarkan kombinasi parameter yang menghasilkan nilai MSE minimum (Anna, 2016). Berikut hasil analisis sesnsitivitas parameter JST yang digunakan :

1. Fungsi Aktivasi

Fungsi aktivasi digunakan untuk perhitungan input yang diterima oleh node kemudian dilanjutkan pada node selanjutnya atau berfungsi sebagai penentu kuat lemahnya sinyal yang dikeluarkan oleh node (Puspasari dan Alfan., 2012).Trial and error fungsi aktivasi bertujuan untuk mengukur ketepatan penggunaan fungsi aktivasi pada hidden layer dan output layer. Pada penelitian ini, fungsi aktivasi yang digunakan yaitu sigmoid biner (logsig) dan sigmoid bipolar(tansig) pada hidden layer, sementara pada output layer digunakan pula fungsi identitas (purelin). Variasi fungsi aktivasi dapat dilihat pada Tabel 4.2.

Tabel 4.2 Variasi Fungsi Aktivasi

Hidden Layer Output Layer R Validasi MSE Validasi

Logsig Logsig -0.3129 0.6681

Tansig 0.4611 0.5272

Purelin 0.4784 0.5334

Tansig

Logsig 0.2437 0.6363

Tansig 0.4188 0.5508

Purelin 0.3145 0.6425


48

Pada Tabel 4.4 menunjukkan nilai MSE validasi terendah yaitu 0.5272 pada kombinasi fungsi aktivasi logsig-tansig. Menurut Irwansyah dan Muhammad (2015), fungsi aktivasi log-sigmoid umumnya digunakan pada multilayer network yang menggunakan algortima pelatihan backpropagation. Fungsi aktivasi sigmoid biner memiliki nilai range [0 1]. Fungsi lain yang sering dipakai pada backpropagation adalah fungsi sigmoid bipoar (tansig) dengan range [-1 1] (Siang, 2006).

2. Fungsi Pembelajaran Pada penelitian ini digunakan 10 macam fungsi

pembelajaran untuk mendapatkan model jaringan terbaik. Fungsi pembelajaran terpilih yaitu fungsi yang dapat memberikan nilai MSE validasi rendah. Variasi fungsi pembelajaran yang digunakan dapat dilihat pada Tabel 4.3.

Tabel 4.3 Variasi Fungsi Pembelajaran

Fungsi Pembelajaran

R Training

MSE Training

R Validasi

MSE Validasi

Traingdm 0.3753 0.5729 0.4611 0.5272 Traingda 0.4039 0.5618 0.4405 0.5454 Traingdx 0.4667 0.5222 0.2711 0.6238 Trainlm 0.8656 0.1740 -0.0852 1.6791 Trainbr 0.3737 0.5747 0.4570 0.5623 Trainb 0.2826 0.6135 0.3232 0.5996 Trainrp 0.6899 0.3520 0.0071 1.2504 Traincgp 0.7440 0.3044 0.2692 1.0482 Trainscg 0.7339 0.3083 0.3465 1.0093 Trainbfg 0.6258 0.4057 0.2454 1.1723


Trial and error fungsi pembelajaran menunjukkan Traingdm memberikan nilai MSE validasi terendah yaitu 0.5272 jika dibandingkan dengan fungsi pembelajaran lainnya. Traingdm (gradient descent with momentum) merupakan metode paling sederhana yang modifikasi penurunan tercepatnya dilakukan dengan menambahkan momentum.

49

Perubahan bobot saat ini dilakukan dengan memperhitungkan perubahan bobot pada epoch sebelumnya (Siang, 2006). Konvergensi lebih cepat dibanding algorima gradient descent dasar atau Traingd (Pourahmad et al., 2015).

3. Variasi Momentum dan Learning Rate

Learning rate merupakan parameter yang mengontrol perubahan bobot. Kombinasi yang tepat antara momentum dan learning rate diperlukan untuk mendapatkan nilai MSE yang kecil. Berikut hasil analisis sensitivitas kombinasi momentum dan learning rate :

Tabel 4.4 Variasi Momentum dan Learning Rate

Momentum Learning rate R Validasi MSE Validasi

0.9 0.1 0.46114 0.5272

0.3 0.45437 0.5346

0.6 0.41623 0.5627

0.6 0.1 0.46065 0.5275

0.3 0.45271 0.5361

0.6 0.37666 0.5816 Sumber : Data Primer Diolah (2017)

Pada Tabel 4.4 menunjukkan kombinasi momentum 0.9 dengan learning rate 0.1 memberikan hasil terbaik dengan MSE validasi 0.5272. Semakin kecil learning rate maka perubahan bobot akan kecil dan pergerakan kurva MSE semakin halus. Nilai learning rate yang terlalu besar menyebabkan ketidakstabilan pada perubahan MSE. Penggunaan momentum yang sesuai untuk mengimbangi learning rate diperlukan untuk mengindari perubahan bobot yang mencolok (Siang, 2006).

4.6 Optimasi Topologi JST

Topologi JST yang optimal dipengaruhi oleh parameter yang digunakan. Parameter topologi JST antara lain variabel input, jumlah hidden layer, jumlah node masing-masing hidden layer. Kombinasi parameter yang berbeda dapat memberikan hasil yang berbeda, sehingga diperlukan analisis sensitivitas

50

guna mendapatkan topologi terbaik. Data hasil analisis sensitivitas JST dapat dilihat pada Tabel 4.5.

Tabel 4.5 Analisis Sensitivitas Topologi JST

Topologi Training Validasi

R MSE R MSE

11-10-1 0.6146 0.4150 0.8249 0.2481

11-20-1 0.6448 0.3905 0.7713 0.2894

11-30-1 0.6644 0.3735 0.7179 0.3572

11-40-1 0.6785 0.3625 0.7216 0.3289

11-10-10-1 0.6054 0.4224 0.8317 0.2362

11-10-20-1 0.6825 0.3569 0.7730 0.3227

11-10-30-1 0.7007 0.3406 0.7048 0.4013

11-10-40-1 0.7085 0.3327 0.7333 0.3804

11-20-10-1 0.6562 0.3799 0.7724 0.2985

11-20-20-1 0.6561 0.3802 0.7635 0.2863

11-20-30-1 0.6827 0.3572 0.7419 0.3049

11-20-40-1 -0.0912 0.8847 0.1704 0.8153

11-30-10-1 0.6529 0.3834 0.7695 0.2998

11-30-20-1 0.7105 0.3319 0.7495 0.3174

11-30-30-1 0.7412 0.3025 0.6778 0.3789

11-30-40-1 0.7763 0.2694 0.5608 0.5340

11-40-10-1 0.7260 0.3185 0.7151 0.3324

11-40-20-1 0.7205 0.3236 0.7038 0.3463

11-40-30-1 0.7238 0.3195 0.6661 0.4179

11-40-40-1 0.0507 0.7619 0.2422 0.7361 Sumber : Data Primer Diolah (2017)

Menurut Hendrawan and Haruhiko (2011), model terbaik dipilih berdasarkan nilai MSE validasi terkecil. Nilai MSE bergantung pada model JST yang dijalankan. Pada Tabel 4.5 menunjukkan topologi terbaik adalah 11-10-10-1. Hasil simulasi topologi terbaik dapat dilihat pada Gambar 4.11.

51

(a) Grafik Training Error

(b) R Training (c) R Validasi

Gambar 4.11 Hasil Simulasi Topologi Terbaik

Pada Gambar 4.11 (a) tampak tidak terjadi penurunan nilai MSE yang signifikan sejak awal hingga mencapai maksimum epoch. Pada epoch ke 5000, nilai MSE training JST yaitu 0.42239 dengan nilai R 0.60636 (Gambar 4.11 b). Jaringan yang sudah dilatih divalidasi untuk menguji kinerja atau ketepatan prediksi JST terhadap contoh yang diberikan selama proses training. Tujuan proses validasi adalah mengukur sejauh mana model dapat memprediksi nilai-nilai keluaran dari nilai-nilai masukan yang diberikan pada JST (Sandra, 2007). Pada Gambar 4.11 (c) dapat dilihat R validasi sebesar 0.83174 dan

52

nilai MSE validasi 0.2362. Menurut Ratner (2009), nilai R pada rentang 0.7-1.0 mengindikasikan hubungan yang kuat.

4.7 Model Terpilih JST untuk Klasifikasi Jenis Rambak

Olahan Arsitektur JST Backpropagation terdiri atas input layer,

hidden layer, dan output layer. Pemodelan terbaik diperoleh dari topologi 11-10-10-1 seperti pada Gambar 4.12. Pada input layer terdiri atas 11 node yang terdiri atas nilai warna dan tekstur citra rambak olahan. Pada pemodelan ini, nilai MSE terbaik diperoleh menggunakan 2 hidden layer dengan 10 nodes di setiap layer. Menurut Hermawan (2006), jaringan yang memiliki satu atau lebih lapisan yang berada diantara lapisan input dan output dapat menyelesaikan permasalahan yang lebih kompleks daripada jaringan yang hanya memiliki lapisan tunggal. Output dari pemodelan ini hanya 1 yaitu jenis rambak olahan.

Gambar 4.12 Arsitektur JST Backpropagation Terpilih

53

Setiap layer atau lapisan pada JST dihubungkan oleh bobot dan bias. Menurut Desiani dan Arhami (2006) dalam Anna (2016), bobot merupakan unsur kunci dalam JST, dimana bobot ini menunjukkan kekuatan relatif dari input data atau banyaknya koneksi yang memindahkan data dari satu lapisan ke lapisan lainnya. Nilai bobot dan bias disajikan pada Lampiran 6.

Pada pembahasan ini digunakan bobot dan bias akhir hasil output perhitungan JST menggunakan Matlab. Persamaan model JST dilakukan menggunakan perhitungan manual dimulai dengan normalisasi data input. Simulasi ini mengambil salah satu data validasi untuk mewakili perhitungan secara manual seperti pada Tabel 4.6.

Tabel 4.6 Simulasi Normalisasi Data Input

Parameter Input

Nilai Input Nilai Maksimum

Nilai Minimum

Red (R) 209 251 179 Green (G) 196 243 173 Blue (B) 138 202 122 Hue (H) 50.047 57.929 46.753 Saturation (S) 0.242 0.312 0.086 Intensity (I) 0.71 0.910 0.631 Entropy 0.333 0.620 0.150 Contrast 0.103 0.318 0.058 Correlation 0.97 0.992 0.922 Energy 0.186 0.341 0.055 Homogeneity 0.949 0.971 0.861


Pada Tabel 4.6 data yang digunakan adalah data nomor 3 dari 123 data validasi. Nilai maksimum dan minimum merupakan data tertinggi dan data terendah dari 123 data validasi tersebut. Seperti perhitungan JST pada Matlab, data input dinormalisasi supaya berada pada rentang -1 dan 1. Normalisasi nilai input mengkuti persamaan berikut :

xi = 2 (

)-1 (4.1)

54

Keterangan :

xi : nilai normalisasi zi max : nilai maksimum pada data Zi zi min : nilai minimum pada data Zi

Data pada Tabel 4.6 disubtitusi ke dalam Persamaan 4.1. Berikut perhitungan normalisasi data input :

R3 = 2 (

)-1 = -0.0833

G3 = 2 (

)-1 = -0.0286

B3 = 2 (

)-1 = 0.2750

H3 = 2 (

)-1 = 0.1469

S3 = 2 (

)-1 = -0.6460

I3 = 2 (

)-1 = 0.0179

Entropy3 = 2 (

)-1 = -0.6468

Contrast3 = 2 (

)-1 = -0.8154

Correlation3 = 2 (

)-1 =0.2

Energy3 = 2 (

)-1 = 0.3706

Homogeneity3 = 2 (

)-1 = 0.7818

55

Tahap selanjutnya adalah mengalikan bobot dengan input serta menambahkan dengan bias menuju 10 node hidden layer pertama. Pemilihan bobot dan bias awal merupakan salah satu standar optimalitas algoritma backpropagation, karena berpengaruh pada kecepatan konvergensi. Bobot dengan nilai turunan aktivasi yang kecil dihindari karena menyebabkan perubahan bobotnya menjadi sangat kecil. Demikian pula nilai bobot awal tidak terlalu besar karena nilai turunan fungsi aktivasinya menjadi sangat kecil. Oleh karena itu standar pada backpropagation, bobot dan bias diisi dengan bilangan acak kecil. Terkadang dalam jaringan ditambahkan sebuah unit masukan yang nilainya selalu 1 atau disebut bias. Berikut perhitungan summing function dari input layer ke hidden layer 1 mengikuti Persamaan (4.2).

Hin(i) =∑ + X0 (4.2)

Keterangan : xi : nilai input ternormalisasi wij : bobot dari input leyer ke hidden layer 1 (ditampilkan pada

Lampiran 6) X0 : bias dari input layer ke hidden layer 1 (ditampilkan pada

Lampiran 6) H in(1) = x 1.3381) + (-0.0286 x -1.0619) +…+ (0.7818

x-0.6499)] + (-3.6458)

= -5.3050

H in(2) = [ x 1.1734) + (-0.0286 x 1.5253) +…+ (0.7818 x 1.0587)] + (-2.8956)

= -1.5047

H in(3) = [(-0.0833 x -1.7644) + (-0.0286 x 1.4627) +…+ (0.7818 x -0.3423)] + (2.3225)

= 0.6728

56

H in(10) = [(-0.0833 x 1.4946) + (-0.0286 x 1.4866) +…+(0.7818 x 0.8059)] + (3.5016)

= 3.2278

Setelah bobot, input, serta bias dijumlahkan, nilai yang dihasilkan diubah dalam fungsi aktivasi logsig. Penentuan funsi aktivasi logsig sesuai Pembahasan 4.4 dalam memilih fungsi aktivasi yang memberikan nilai MSE validasi terendah. Fungsi aktivasi logsig mengikuti Persamaan 4.3 berikut ini :

Hn =

(4.3)

H1 =

= 0.0049

H2 =

= 0.1817

H3

= 0.6621

H10 =

= 0.9619

Setelah fungsi aktivasi dihitung, hasilnya menjadi input perhitungan selanjutnya menuju 10 node hidden layer kedua. Rumus yang digunakan mengikuti Persamaan 4.2. Berikut perhitungan summing function dari hidden layer 1 ke hidden layer 2.

Z in(1) = [(0.0049 x -0.4333) + (0.1817 x -3.3926) +…+(0.9619 x 1.2978 )] + (1.8340)

= 8.2817

57

Zin(2) = [(0.0049 x -3.1178) + (0.1817 x3.3507 ) +…+(0.9619 x -1.1624 )] + (3.1145)

= 4.6383

Z in(3) = [(0.0049 x -1.9798) + (0.1817 x -3.6242 ) +…+ (0.9619 x 2.2628 )] + (2.7662)

= 3.8622

Zin(10) = [(0.0049x -0.4291) + (0.1817 x 2.3346) +…+ (0.9619 x 0.7142)] + (1.3170)

= -1.9480

Hasil summing function selanjutnya diubah menjadi fungsi aktivasi logsig. Rumus fungsi aktivasi logsig menggunakan Persamaan 4.3. Berikut perhitungan fungsi aktivasi logsig pada hidden layer kedua :

Z1 =

= 0.9997

Z2 =

= 0.9904

Z3 =

= 0.9795

Z10 =

= 0.1248

Setelah fungsi aktivasi dihitung, hasilnya menjadi input menuju output layer. Rumus yang digunakan adalah Persamaan 4.2. Berikut perhitungan summing function dari hidden layer 2 ke output layer :

58

Yin(1) = [(0.9997 x -1.0711) + (0.9904 x -1.2000) +…+(0.1248 x 0.6798)] + (2.7757)

= 1.2911

Hasil perhitungan summing function diubah menjadi fungsi aktivasi tansig, yang memiliki rumus sebagai berikut :

Yn =

-1 (4.4)

Transfer summing function ke fungsi aktivasi tansig yaitu :

Y1 =

-1= 0.8594

Tahap selanjutnya yaitu denormalisasi untuk mendapatkan output sebenarnya. Pada denormalisasi, data yang digunakan adalah data target atau output penelitian berupa jenis rambak olahan yang terdiri dari 3 jenis yaitu rambak sapi, kerbau, dan babi seperti pada Tabel 4.7.

Tabel 4.7 Data Output

Parameter Ouput

Nilai Aktual

Nilai Maksimum Nilai Minimum

Jenis Rambak 1 0 -1 1 -1


Rumus denormalisasi didapat dengan mengubah variabel pada Persamaan 4.1 menuju ruas kiri. Nilai maksimum dan nilai minimum data output, serta hasil summing function output selanjutnya disubtitusi ke Persamaan 4.5. Berikut perhitungan denormalisasi output :

zi =

(4.5)

z1 =

= 0.8594

59

Hasil perhitungan denormalisasi nilai output yaitu 0.8594. Nilai tersebut masuk dalam kategori rambak olahan sapi. Denormalisasi nilai output disajikan pada Lampiran 7. Proses transformasi atau penerjemahan nilai output tersebut menjadi rambak jenis sapi menggunakan fungsi round pada Matlab. Aplikasi fungsi round pada pembahasan ini dapat dilihat pada Tabel 4.8.

Tabel 4.8 Definisi Target

Nilai Prediksi (zt) Nilai Aktual (s) Jenis Rambak

zt ≥ 0.5 1 Sapi

0.5 ≥ zt ≥ -0.5 0 Kerbau

zt ≤ -0.5 -1 Babi


Fungsi round membulatkan nilai prediksi menjadi bilangan integer terdekat dengan nilai aktual. Apabila nilai prediksi ≥ 0.5 maka akan dibulatkan menjadi 1, jika nilai prediksi berada diantara -0.5 dan 0.5 maka dibulatkan menjadi 0, dan jika nilai prediksi ≤ -0.5 maka dibulatkan -1. Hasil klasifikasi selengkapnya dapat dilihat pada Lampiran 8.

4.8 Analisis Hasil Klasifikasi Dalam menentukan sejauh mana ketepatan model untuk mengklasifikasikan dapat dilihat dari nilai akurasinya. Akurasi model dapat dihitung menggunakan Persamaan 4.6 (Arham, 2003 ):

Akurasi =

x 100% (4.6)

dimana : A = Jumlah data hasil pendugaan yang sama dengan target B = Jumlah data target

Pada Lampiran 8, jumlah kelas prediksi yang sesuai dengan kelas aktual adalah 94 data dari total 123 data. Mengikuti Persamaan 4.6 perhitungan akurasi model yaitu :

60

Akurasi = [

x 100% = 76.4228 %

Pada rambak olahan sapi sebanyak 21 data dapat teridentifikasi dengan benar, sementara sebanyak 20 data teridentifikasi sebagai rambak olahan kerbau. Pada rambak olahan kerbau jumlah data yang teridentifikasi dengan benar yaitu 40 data, dan 1 data yang teridentifikasi sebagai rambak olahan babi. Pada rambak olahan babi sebanyak 33 data teridentifikasi dengan benar, sementara sisanya yaitu 8 data rambak olahan babi dikenali sebagai rambak olahan kerbau.

4.9 Perbaikan Klasifikasi Jenis Rambak Olahan

Menggunakan Metode Analisis Citra dan JST Pada penelitian ini model klasifikasi terbaik memiliki nilai

MSE 0.2362 dengan nilai R 0.8317. Nilai MSE yang dihasilkan masih jauh dari target goal yang diberikan yaitu 0.01. Meskipun belum mencapai target, potensi pengembangan penelitian terkait pembedaan jenis rambak menggunakan analisis citra dan JST masih memungkinkan dengan koreksi dan perbaikan.

Sampel yang digunakan sebaiknya dipreparasi dari bahan baku seperti penelitian Muttaqien et al., (2016), supaya sampel lebih standar. Desain kotak akuisisi citra yang digunakan juga belum praktis misalnya untuk pengaturan jarak pengambilan foto masih menggunakan tumpukan manual. Pada penelitian ini indikator tekstur citra yang digunakan hanya 5, mengikuti fungsi graycoprops dan entropy yang tersedia di Matlab. Menurut Adnan dkk., (2013) penambahan input JST umumnya dapat meningkatkan akurasi rata-rata. Penambahan input dapat berupa fitur warna maupun tekstur.

61

V. PENUTUP

5.1 Kesimpulan Rambak sapi memiliki kadar air tertinggi dibanding

rambak kerbau dan babi (8,098% : 6,468% : 4,460%). Pada indikator warna red, green, dan blue (RGB), rambak kerbau memiliki nilai rata-rata RGB tertinggi dibandingkan rambak sapi dan babi dengan nilai R : 227, G : 212, B : 159. Pada indikator warna hue, saturation, dan intensity (HSI), rambak kerbau memiliki nilai rata-rata H terkecil (48,56) dan nilai S (0.21) serta nilai I (0.78) tertinggi dibandingkan rambak sapi dan babi. Pada ekstraksi fitur tekstur menggunakan GLCM, level terbaik yang dapat membedakan ketiga jenis rambak adalah level 32. Rambak sapi memiliki nilai rata-rata entropy terendah yaitu 0.301. Pada contrast sapi memiliki nilai rata-rata terendah yaitu 0.118. Pada correlation, rambak babi memiliki nilai rata-rata terendah yaitu 0.967. Pada energy, kerbau memiliki nilai rata-rata terendah yaitu 0.125. Pada homogeneity, sapi memiliki nilai rata-rata terendah yaitu 0.917.

Hasil pemodelan jaringan saraf tiruan (JST) menunjukkan kombinasi input warna dan tekstur lebih baik dibanding warna atau tekstur saja. Topologi terbaik yaitu 11-10-10-1 yang terdiri atas 11 input, 2 hidden layer dengan 10 node tiap hidden layer, serta 1 output yaitu jenis rambak olahan. Fungsi pembelajaran terpilih yaitu Traingdm dengan fungsi aktivasi logsig pada hidden layer dan tansig pada output layer. Kombinasi momentum dan learning rate terbaik yaitu 0.9:0.1 Nilai MSE validasi terendah yaitu 0.2362 dan nilai R 0.83171 dengan akurasi 76.4228%.

5.2 Saran

Pada penelitian ini penggunaan sampel yang belum standar karena menggunakan sampel dari pasar. Penelitian selanjutnya sebaiknya sampling dilakukan dari bahan baku yaitu

62

kulit hingga siap untuk diakuisisi citranya. Pemodelan JST dengan penambahan input baik itu fitur warna maupun tekstur mungkin dapat meningkatkan hasil akurasi klasifikasi.

63

DAFTAR PUSTAKA

Adjie, B., dan Teddy A. 2004. Digital Painting dengan Adobe Photoshop CS. PT Elex Media Komputindo. Jakarta.

Adnan, Suhartini, dan Bram K. 2013. Identifikasi Varietas

berdasarkan Warna dan Tekstur Permukaan Beras menggunakan Pengolahan Citra Digital dan Jaringan Syaraf Tiruan. Penelitian Pertanian Tanaman Pangan. 32 (2) : 91-97.

Amertaningtyas, D. 2011. Mini Review : Pengolahan Kerupuk

Rambak Kulit di Indonesia. Jurnal Ilmu-ilmu Peternakan. 21 (3). 18-29.

Anike, M., Suyoto, dan Ernawati. 2012. Pengembangan

Jaringan Syaraf Tiruan dalam Memprediksi Jumlah Dokter Keluarga menggunakan Backpropagation (Studi Kasus: Regional X Cabang Palu). SENTIKA. Yogyakarta. 209-216.

Anna, M. 2016. Klasifikasi Tepung Terigu berdasarkan

Kandungan Protein dengan Metode Dielektrik dan Jaringan Syaraf Tiruan untuk Pengembangan Alat Ukur Cepat. Skripsi. Universitas Brawijaya. Malang.

Arham, Z. 2003. Evaluasi Mutu Jeruk Nipis (Citrus

aurantifolia Swingle) dengan Pengolahan Citra dan Jaringan Syaraf Tiruan. Tesis. Institut Pertanian Bogor. Bogor.

Ariyanti, D.A. 2015. Identifikasi Jenis Tepung dengan

Machine Vision menggunakan Metode Artificial Neural Network. Skripsi. Universitas Brawijaya. Malang.

64

Arwani, M. 2016. Pengukuran Sifat Biolistrik secara Lateral untuk Pendugaan Rendemen Sementara Tebu menggunakan Artifial Neural Network. Skripsi. Universitas Brawijaya. Malang.

Astuti, W.R. 2016. Klasifikasi Citra Daging Sapi dan Daging

Babi berdasarkan Ciri Warna dan Tekstur. Skripsi. Universitas Islam Negeri Sunan Kalijaga. Yogyakarta.

Azim, G.A. 2015. Identification of Textile Defect Based on

GLCM and Neural Network. Journal of Computer and Communications. 3. 1-8.

BPOM. 2015. Peraturan Kepala Badan Pengawas Obat dan

Makanan Republik Indonesia Tentang Kategori Pangan. (diakses pada 10-09-2015).

Braspenning, P.J., F. Thuijsman and A.J.M.M Weijters. 1995.

Artificial Neural Network : An Introduction to ANN Theory and Practice. Springer. Berlin.

Brata, V.B.T. 2006. Koreksi Foto Digital dengan Photoshop.

PT Elex Media Komputindo. Jakarta. Chen, K., X. Sun, Ch. Qin, and X.Tang. 2010. Color Grading of

Beef Fat by Using Computer Vision and Support Vector Machine. Computers and Electronics in Agriculture. 70(2010) : 27-32.

Chmiel, M., Miroslaw S., and Krzysztof D. 2011. Lightness of

The Color Measured by Computer Image Analysis as a Factor for Assessing The Quality of Pork Meat. Meat Science. 88(2011) 566-270.

Dewi, R.K. dan R.V. Hari G. 2014. Identifikasi Penyakit pada

Daun Tebu dengan Gray Level Co-occurance Matrix

65

dan Color Moments. Jurnal Teknologi Informasi dan Ilmu Komputer. 1 (2). 70-77.

Effendhy, A. 2013. Amazing Photo with Photoshop.

MediaKita. Jakarta. Girolami, A., Fabio N., Daniela F., and Ada B. 2013.

Measurement of Meat Color using a Computer Vision System. Meat Science. 93(2013) : 111-118.

Grey, T. 2006. Color Confidence : The Digital

Photographer’s Guide to Color Management. John Wiley and Sons. New York.

Gupta, S.D., and Yasuomi I. 2015. Plant Image Analysis :

Fundamentals and Applications. CRC Press. New York.

Hariyanto, D. 2009. Studi Penentuan Nilai Resistor

Menggunakan Seleksi warna Model HSI pada Citra 2D. Telekomnika. 1 (7) : 13-22.

Hartianti, P.O. 2016. Pendugaan Mutu pada Tahu Berbasis

Image Analysis menggunakan Metode Jaringan Syaraf Tiruan. Skripsi. Universitas Brawijaya. Malang.

Hartono, A.F., Dwijanto dan Zaenal A. 2012. Implementasi

Jaringan Syaraf Tiruan Backpropagation Sebagai Sistem Pengenalan Citra Daging Babi dan Citra Daging Sapi. Unnes Journal of Matemathics. 1 (2). 125-130.

Hendrawan, Y. and Haruhiko, M. 2011. Bio-inspired Feature

Selection to Select Informative Image Features for Determining Water Content of Cultured Sunagoke Moss. Expert System with Application. 38(2011) : 14321-14335.

66

Hermawan, A. 2006. Jaringan Saraf Tiruan, Teori dan

Aplikasi. CV Andi Offset. Yogyakarta. Huda, N., A.A. Putra and R. Ahmad. 2010. Physicochemical

and Nutritional Charateristic of Indonesian Buffalo Skin Crackers. International Journal of Meat Science. 1 : 36-51.

Irwansyah, E., dan Muhammad F. 2015. Advanced Clustering

: Teori dan Aplikasi. DeePublish. Yogyakarta. Issac B., and Nauman I. 2015. Case Studies in Intelligent

Computing : Achievements and Trends. CRC Press. New York.

Jaishankar, K. and Natti R. 2011. First International

Conference of the South Asian Society Criminology and Victimologyy (SASCV). SASCV Converence Proceedings. Rajashthan.

Jayaraman, S., S. Esakkirajan, and T. Veerakumar. 2009.

Digital Image Processing. Tata McGraw Hill. New Delhi.

Jundullah A., Mohammad S.M., dan Adiwijaya. 2016. Analisis

dan Implementasi Deteksi Citra Spam Menggunakan Gray Level Co-occurances Matrix dan Naive Bayes. Ind. Symposium on Computing. 319-334.

Khorunnisa, N.S. 2016. Klasifikasi Mutu Gatot Instan

Berbasis Pengolahan Citra dengan Pendekatan Fitur Warna dan Tekstur. Skripsi. Universitas Brawijaya. Malang.

67

Kiswanto. 2012. Identifikasi Citra untuk Mengidentifikasi Jenis Daging Sapi dengan Menggunakan Transformasi Wavelet Haar. Tesis. Universitas Diponegoro. Semarang.

Kusmanto, RD. dan Alan N.T. 2011. Pengolahan Citra Digital

untuk Mendeteksi Obyek menggunakan Pengolahan Warna Model Normalisasi RGB. Seminar Nasional Teknologi Informasi dan Komunikasi Terapan 2011 (Semantik 2011).

Kusrianto, A. 2004. Panduan Lengkap Memakai CorelDRAW

12. PT Elex Media Komputindo. Jakarta. Kusrini dan Emha T.L. 2009. Algoritma Data Mining. CV Andi

Offset. Yogyakarta. Laudon, K.C dan Jane P.L. 2008. Sistem Informasi

Manajemen, Edisi 10. Salemba Empat. Jakarta. Maharani, W. 2009. Klasifikasi Data menggunakan JST

Backpropagation Momentum dengan Adaptive Learning Rate. Seminar Nasional Informatika 2009. UPN Veteran. Yogyakarta.

Mu’in, A.N. 2014. Pengaruh Perbedaan Bagian Kulit dan

Lama Perendaman dalam Larutan Asam Cuka (CH3COOH) terhadap Kualitas Kerupuk Kulit Kerbau. Skripsi. Universitas Hasanuddin. Makassar.

Murgante, B., Sanjay M., Maurizo C., Carmelo M.T., Hong Q.N.,

David T., Bernady O.A., and Osvaldo G. 2013. Computational Science and its Applications-ICCSA 2013. Springer. New York.

Muttaqien, A.T., Yuny E., and Abdul R. Determination of

Buffalo and Pig “Rambak” Crackers Using FTIR

68

Spectroscopy and Chemometrics. Asian Journal of Animal Science. 10(1) : 49-58.

N Nur, A. 2014. Pengaruh Perbedaan Kulit dan pH Larutan

Perendam Jeruk Nipis (Citrus aurantifolia) terhadap Kuantitas dan Kualitas Kerupuk Kulit Kerbau. Skripsi. Universitas Hasanuddin. Makassar.

Nugroho, Eko S., dan Suhartono. 2011. Perbandingan Kinerja

Jaringan Saraf Tiruan Model Backpropagation dan General Regression Neural Network untuk Mengidentifikasi Jenis Daging Sapi. Jurnal Sistem Informasi Bisnis. 1 .

Oktafiyani, R.I. 2009. Analisis Kelayakan Usaha Pembuatan

Kerupuk Rambak Kulit Sapi dan Kulit Kerbau (Studi Kasus : Usaha Pembuatan Kerupuk Rambak di Kecamatan Pegandon Kabupaten Kendal, Jawa Tengah). Skripsi. Institut Pertanian Bogor. Bogor.

Oktavia, I.N. 2013. Simulasi dan Analisis Citra Mosaik

Berbasis Fitur dengan Metode Global Alignment untuk Pembentukan Citra Panorama. Tugas Akhir. Institut Teknologi Telkom. Bandung.

Permadi, Y., dan Murinto. 2015. Aplikasi Pengolahan Citra

untuk Identifikasi Kematangan Mentimun Berdasarkan Tekstur Kulit Buah Menggunakan Metode Ekstraksi Ciri Statistik. Jurnal Informatika. 9(1) : 1028-1038.

Petrosino, A., Lucia M., Pietro P., Virginio C., Michele C., Robert

F.M., Alberto D.B., Maja P., Costantino G., Johan O., Giuseppe S., Marco L., Danio P.M., Giuseppe P., Michael F., and Donato I. 2013. New Trend in Image Analysisi and Processing-ICIAP 2013 Workshop :

69

Naples, Italy, September 2013, Proceedings. Springer. Berlin.

Pourahmad, S., Mohsen A., and Shabram P. 2015. Diagnosis

of Malignancy in Thyroid Tumors by Multy-Layer Perceptron Neural Networks eith Different Batch Learning Algorithms. Global Journal of Health Science. 7(6) : 46-54

Purwaningsih, N., Indah S., dan Hanung A.N. 2015. Ekstraksi

Ciri Tekstur Citra Kulit Sapi Berbasis Co-occurance Matrix. Seminar Nasional Teknologi Informasi dan Multimedia. STMIK AMIKOM Yogyakarta. Yogyakarta.

Puspasari S., dan Alfan S. 2012. Analisis Implementasi

Algoritma Propagasi Balik pada Aplikasi Identifikasi Wajah secara Waktu Nyata. Prosiding Seminar Ilmiah Nasional Komputer dan Sistem Intelijen (KOMMIT 2012). 7 : 405-411.

Putra, D. 2010. Pengolahan Citra Digital. CV Andi Offset.

Yogyakarta. Ratner, B. 2009. A Closer Look The Correlation Coefficient :

Range between +1/-1. Journal of Targeting, Measurement and Analysis for Marketing. 17 (2009) : 139-142.

Rofi’ah, A. 2017. Identifikasi Pembeda Rambak Olahan Kulit

Sapi, Kerbau, dan Babi menggunakan Metode Dielektrik dan Jaringan Syaraf Tiruan. Skripsi. Universitas Brawijaya. Malang.

Safitri, K.N dan Agustin K.W. 2015. Deteksi Cemaran Babi

pada Produk Sosis Sapi di Kota Malang dengan

70

Metode Polymerase Chain Reaction. Jurnal Pangan dan Agroindustri. 3 (3). 1006-1014.

Saputra, A. 2012. Konsep Pengendalian Mutu dan Hazard

analysis Critical Control Point (HACCP) dalam Proses Pembuatan Rambak Kulit Sapi. Laporan Tugas Akhir. Universitas Sebelas Maret. Surakarta.

Sandra. 2007. Pengembangan Pemutuan Buah Manggis

untuk Ekspor secara Non Dekstruktif dengan Jaringan Syaraf Tiruan. Disertasi. Institut Pertanian Bogor. Bogor.

Shofiyatun, N. F. 2012. Optimasi Proses Penggorengan

Vakum (Vacuum Frying) Keripik Daging Sapi. Skripsi. Institut Pertanian Bogor. Bogor.

Singh, S.P., Saurabh B., Mohit A., Sugam P., and Hari S. 2015.

Classification of Aplles using Neural Networks. International Journal of Science, Technology and Management. 04(01) : 1599-1605.

Siang, J.J. 2006. Jaringan Syaraf Tiruan dan

Pemrogramannya menggunakan MATLAB. CV. Andi Offset. Yogyakarta.

Sofi’i, I. 2005. Pemutuan Biji Kopi dengan Pengolahan Citra

Digital dan Artificial Neural Network. Tesis. Institut Pertanian Bogor. Bogor.

Solomon, C., and Toby B. 2011. Fundamentals of Digital

Image Processing : A Practical Approach with Examples in Matlab. John Wiley and Sons. New York.

Sucipto. 2013. Rancang Bangun Teknik Deteksi Babi pada

Daging Sapi Berbasis Sifat Listrik. Disertasi. Institut Pertanian Bogor. Bogor.

71

Sugianto, A.A. 2015. Pemutuan Buah Cabai Merah Besar

(Capsicum annum L.,) menggunakan Pengolahan Citra Digital dan Jaringan Syaraf Tiruan. Skripsi. Universitas Jember. Jember.

Sulistyo, S.B. 2008. Pemutuan Buah Jeruk Siam Pontianak

(Citrus nobilis var. microcarpa) dengan Teknik Pengolahan Citra. Tesis. Institut Pertanian Bogor. Bogor.

Sun, X., F.Zhang, H.J. Gong, and K.J. Chen. 2009. A Digital

Image Method for Measuring and Analyzing Color Charateristic of Various Color Scores of Beef. IEEE.

Sun, X., Jennifer Y., Jeng H.L., Laura B., Rose M.S., Kun J.C.,

and David N. 2016. Prediction of Pork Color Attributes Using Computer Vision System. Meat Science. 113 (2016) : 62-64.

Trientin D., Bambang H., and Sjafril D. 2015. Beef Freshness

Classification by Using Color Analysis, Multi-wavelet Transformation, and Artificial Neural Network. 2015 International Conference on Automation, Cognitive Science, Opticts, Micro Electro-Mechanical System, and Information Technology (ICACOMT). Bandung. 181-185.

Widati, A.S., Mustakim, dan Sri I. 2007. Pengaruh Lama

Pengapuran terhadap Kadar Air, Kadar Protein, Kadar Kalsium, Daya Kembang, dan Mutu Organoleptik Kerupuk Rambak Kulit Sapi. Jurnal Ilmu dan Teknologi Hasil Ternak. 2 (1) : 47-56.

Wuryandari, M.D., dan Irawan A. 2012. Perbandingan Metode

Jaringan Syaraf Tiruan Backpropagation dan Learning Vector Quantization pada Pengenalan

72

Wajah. Jurnal Komputer dan Informatika (KOMPUTA). 1 (2012). 45-51.

Yuristiawan, D., Farah Z.R., dan Heru A.S. 2015. Aplikasi

Pendeteksi Tingkat Kesegaran Daging Sapi Lokal menggunakan Ekstraksi Fitur Warna dengan Pendekatan Statistika. Riptek. 9(1) : 9-16.

IDENTIFIKASI JENIS RAMBAK OLAHAN BERBASIS ANALISIS …repository.ub.ac.id/4455/1/ISNA AROFATUZ...

Documents

Transcript of IDENTIFIKASI JENIS RAMBAK OLAHAN BERBASIS ANALISIS …repository.ub.ac.id/4455/1/ISNA AROFATUZ...