KLASIFIKASI BERBAGAI JENIS JAMUR LAYAK KONSUMSI … · 2019. 8. 5. · 5. Romo Dr. Cyprianus...

KLASIFIKASI BERBAGAI JENIS JAMUR LAYAK KONSUMSI

DENGAN METODE BACKPROPAGATION

SKRIPSI

Diajukan Untuk Memenuhi Salah Satu Syarat

Memperoleh Gelar Sarjana Komputer

Program Studi Teknik Informatika

Oleh:

Ruth Hanseliani

155314103

PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

YOGYAKARTA

2019

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

i

CLASSIFICATION OF VARIOUS TYPES OF EDIBLE MUSHROOMS

USING BACKPROPAGATION METHOD

A THESIS

Presented as Partial Fullfillment of the Requirements

To Obtain the Sarjana Komputer Degree

In Informatics Engineering Study Program

By:

Ruth Hanseliani

155314103

INFORMATICS ENGINEERING STUDY PROGRAM

FACULTY OF SCIENCE AND TECHNOLOGY

SANATA DHARMA UNIVERSITY

YOGYAKARTA

2019


ii


iii


iv

HALAMAN MOTTO

SEMUA INDAH PADA WAKTUNYA :)

Mazmur 126.

Do the best, get the best, but never think you are the best.

“Aku yang meratap telah Kau ubah menjadi orang yang menari-nari, kain

kabungku telah Kaubuka, pinggangku Kau ikat dengan sukacita” Mazmur 30: 12.


v

HALAMAN PERSEMBAHAN

Skripsi ini saya persembahkan untuk :

1. Tuhan Yesus Kristus, atas berkat dan kasih karuniaNya penulis dapat

menyelesaikan skripsi ini.

2. Daddy, Mama, Ivan, Jogi, dan Aldo serta seluruh keluarga besar yang selalu

memberi dukungan dalam doa, perhatian dan semangat.

3. Seluruh dosen yang selama 4 tahun ini telah meluangkan waktunya untuk

menuntun, membimbing, serta memberi pengetahuan selama masa

perkuliahan.

4. Sahabat-sahabat terkasih, Novia, R3HA, ASD yang selalu memberi motivasi

dan menemani penulis serta memberi semangat.

5. Teman-teman angkatan 2015 yang telah mendukung dan memberi semangat

untuk terus maju.


vi


vii


viii

ABSTRAK

Jamur merupakan sumber bahan pangan nabati yang cukup potensial

disekitar kita. Namun yang menjadi permasalahan adalah sulitnya mengenali

berbagai jenis jamur layak konsumsi dikarenakan jamur-jamur tersebut memiliki

kemiripan apabila dilihat secara visual. Penelitian ini bertujuan untuk mengetahui

besar akurasi dari metode backpropagation dalam mengklasifikasi berbagai jenis

jamur layak konsumsi secara otomatis. Langkah yang dilakukan antara lain diawali

dengan pengambilan data (capture data) menggunakan kamera, pemrosesan awal,

ekstraksi ciri serta klasifikasi (pengenalan). Data yang digunakan yakni gambar

enam jenis jamur layak konsumsi diantaranya adalah jamur kancing, kuping,

merang, portabella, shitake, dan tiram abu. Total data yang digunakan adalah 222

data jamur, setiap jenis terdiri dari 37 data gambar. Pembagian data yakni 216 data

sebagai data training dan data testing, serta 6 data digunakan untuk uji data tunggal.

Tahap pemrosesan awal terdiri dari grayscalling, adjustment, binerisasi, reduksi

derau, serta resizing. Ekstraksi ciri dilakukan untuk memperoleh ciri warna (RGB

dan HSI) serta ciri tekstur (statistik tekstur dan gray level co-occurrence matrices).

Kemudian untuk tahap klasifikasi digunakan metode jaringan syaraf tiruan

backpropagation. Tahap pelatihan digunakan 2/3 data serta untuk tahap pengujian

digunakan 1/3 data dari tiap jenis jamur. Arsitektur jaringan yang digunakan

dimana fungsi trainingnya adalah trainlm serta fungsi aktivasinya adalah tansig

yakni : input sejumlah 21 ciri, 1 hidden layer (dengan jumlah neuron 55), 3 output

layer, dan 1 output keluaran. Hasil pengujian diperoleh akurasi sebesar 98%.

Kata Kunci : HSI, statistik tekstur, GLCM, backpropagation, jamur


ix

ABSTRACT

Mushrooms are a potential source of plant-based food around us. But the problem

is the difficulty of recognizing various types of mushrooms that are suitable for

consumption because they have similarities when seen visually. This study aims to

determine the accuracy of the backpropagation method in classifying various types

of mushrooms to be consumed automatically. Steps taken include starting with data

retrieval (capture data) using the camera, initial processing, feature extraction and

classification (recognition). The data used are pictures of six types of mushrooms

suitable for consumption including button mushrooms, ears, merang, portabella,

shitake, and ash oysters. The total data used is 222 mushroom data, each type

consists of 37 image data. Data sharing is 216 data as training data and testing

data, and 6 data used for single data testing. The initial processing stage consists

of grayscalling, adjustment, binaryization, noise reduction, and resizing. Feature

extraction is done to obtain color characteristics (RGB and HSI) and texture

characteristics (texture statistics and gray level co-occurrence matrices). Then for

the classification stage backpropagation neural network method is used. The

training phase is used 2/3 of the data and for the testing phase is used 1/3 data of

each type of mushroom. The network architecture used where the training function

is trainlm and the activation function is tansig namely: input of 21 features, 1

hidden layer (with the number of neurons 55), 3 output layers, and 1 output output.

The test results obtained an accuracy of 98%.

Keyword: HSI, texture statistics, GLCM, backpropagation, mushroom


x

KATA PENGANTAR

Puji syukur kepada Tuhan Yang Maha Esa atas berkat dan kasih karuniaNya,

sehingga penulis dapat menyelesaikan tugas akhir ini sebagai salah satu syarat

akademik jurusan Teknik Informatika Universitas Sanata Dharma Yogyakarta.

Pada kesempatan ini, penulis mengucapkan terima kasih kepada seluruh pihak yang

telah berpartisipasi dan berperan dalam proses pengerjaan tugas akhir ini. Ucapan

terima kasih disampaikan kepada :

1. Tuhan Yesus Kristus, atas berkat dan kasihNya penulis dapat menyelesaikan

skripsi ini.

2. Daddy, Mama, Ivan, Jogi dan Aldo serta seluruh keluarga besar Hutabarat dan

Sitorus yang selalu memberi motivasi, kekuatan dan doa.

3. Bapak Sudi Mungkasi, S.Si., M.Math.Sc., Ph.D selaku Dekan Fakultas Sains

dan Teknologi Universitas Sanata Dharma Yogyakarta.

4. Ibu Dr. Anastasia Rita selaku Ketua Prodi Teknik Informatika Fakultas Sains

dan Teknologi Universitas Sanata Dharma Yogyakarta.

5. Romo Dr. Cyprianus Kuntoro Adi, S.J., M.A., M.Sc selaku dosen pembimbing

skripsi yang selalu sabar dan memberikan dukungan kepada penulis selama

bimbingan skripsi berlangsung.

6. Bapak Eko Hari Parmadi, S.Si., M.Kom selaku dosem pembimbing akademik

yang selalu mendukung dan memberi motivasi dalam masa perkuliahan.

7. Seluruh Dosen TI USD yang telah memberikan ilmu dan nasehatnya selama

penulis menjalani masa perkuliahan.

8. CV. Volva Indonesia yang sudah mengijinkan penulis untuk memperoleh data

skripsi di kebun jamurnya, terkhusus Bapak Arif dan Bapak Tri yang telah

bersedia di wawancarai selama masa penelitian.

9. Sahabat-sahabat tersayang, Novia, R3HA (Reva Ribka Hana Asyer), ASD

(Giska Yerni Maria) yang menemani dalam masa-masa perjuang menempuh

pendidikan hingga di perkuliahan.

10. Saudara Marco Siahaan yang telah memberikan doa, kasih, motivasi dan

nasehat.


xi


xii

DAFTAR ISI

CLASSIFICATION OF VARIOUS TYPES OF EDIBLE MUSHROOMS USING

BACKPROPAGATION METHOD ..................................................................... i

HALAMAN PERSETUJUAN .............................................................................. Error!

Bookmark not defined.

HALAMAN PENGESAHAN ............................................................................... Error!


HALAMAN MOTTO ........................................................................................... iv

HALAMAN PERSEMBAHAN ........................................................................... v

PERNYATAAN KEASLIAN KARYA ............................................................... Error!


LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH

UNTUK KEPENTINGAN AKADEMIS ............................................................. Error!


ABSTRAK ............................................................................................................ viii

ABSTRACT .......................................................................................................... ix

KATA PENGANTAR .......................................................................................... x

DAFTAR ISI ......................................................................................................... xii

DAFTAR GAMBAR ............................................................................................ xv

DAFTAR PERSAMAAN ..................................................................................... xvii

DAFTAR TABEL ................................................................................................. xix

PENDAHULUAN ................................................................................................ 1

1.1. Latar Belakang ......................................................................................... 1

1.2. Rumusan Masalah .................................................................................... 4

1.3. Tujuan ....................................................................................................... 4

1.4. Luaran ....................................................................................................... 4

1.5. Batasan Masalah ....................................................................................... 4

1.6. Manfaat Penelitian .................................................................................... 5

1.7. Metodologi Penelitian .............................................................................. 5

1.8. Sistematika Penelitian .............................................................................. 6


xiii

LANDASAN TEORI ............................................................................................ 8

2.1 Jamur ........................................................................................................ 8

2.2 Pengertian Citra ...................................................................................... 11

2.2.1 Citra Warna RGB ............................................................................ 12

2.2.2 Citra Berskala Keabuan................................................................... 12

2.2.3 Citra Biner ....................................................................................... 13

2.3 Pengenalan Pola ..................................................................................... 13

2.3.1 Preprocessing .................................................................................. 14

2.3.2 Ekstraksi Ciri ................................................................................... 17

2.4 Jaringan Saraf Tiruan ............................................................................. 23

2.4.1 Backpropagation ............................................................................. 23

2.5 K-Fold Cross Validation ........................................................................ 29

2.6 Confusion Matrix ................................................................................... 31

METODOLOGI PENELITIAN ............................................................................ 33

3.1 Data ........................................................................................................ 33

3.2 Preprocessing .......................................................................................... 35

3.3 Ekstraksi Ciri .......................................................................................... 37

3.4 Klasifikasi ............................................................................................... 38

3.5 Peralatan Penelitian ................................................................................ 39

3.6 Cara Penelitian ....................................................................................... 40

3.7 Desain Alat Uji ....................................................................................... 41

HASIL DAN ANALISIS HASIL ......................................................................... 44

4.1 Preprocessing .......................................................................................... 44

4.2 Ekstraksi Ciri .......................................................................................... 51

4.3 Hasil Klasifikasi ..................................................................................... 55

4.4 Analisis hasil .......................................................................................... 56

PENUTUP ............................................................................................................. 71

5.1 Kesimpulan ............................................................................................. 71

5.2 Saran ....................................................................................................... 71

Daftar Pustaka ....................................................................................................... 72

LAMPIRAN .......................................................................................................... 73


xiv


xv

DAFTAR GAMBAR

Gambar 2. 1 Arsitektur Jaringan Syaraf Tiruan (Hagan Demuth) ........................ 24

Gambar 2. 2 Fungsi Aktivasi (diambil dari Internet) ............................................ 25

Gambar 2. 3 Fungsi Sigmoid Bipolar (diambil dari Internet) ............................... 26

Gambar 2. 4 Fungsi Purelin (diambil dari Internet) .............................................. 26

Gambar 2. 5 Pembagian data training dan data testing ......................................... 31

Gambar 3. 1 Diagram Blok Gambaran Umum Klasifikasi Jamur ........................ 33

Gambar 3. 2 Alur preprocessing ........................................................................... 36

Gambar 3. 3 Arsitektur jaringan backpropagation ................................................ 39

Gambar 3. 4 Diagram alur pengambilan data ....................................................... 41

Gambar 3. 5 Desain user interface uji data tunggal .............................................. 43

Gambar 4. 1 Citra warna jamur Kancing .............................................................. 45

Gambar 4. 2 Citra abu jamur Kancing .................................................................. 45

Gambar 4. 3 Negasi Citra abu jamur Kancing sebelum adjustment ..................... 46

Gambar 4. 4 Citra hitam putih jamur Kancing sebelum adjustment ..................... 47

Gambar 4. 5 Citra abu setelah adjustment ............................................................ 47

Gambar 4. 6 Citra hitam putih jamur Kancing setelah adjustment ....................... 48

Gambar 4. 7 Citra sebelum dilakukan reduksi deraunya. ..................................... 48

Gambar 4. 8 Citra abu jamur Kancing setelah dibersihkan deraunya ................... 49

Gambar 4. 9 Citra warna jamur Kancing sebelum di cropping ............................. 49

Gambar 4. 10 Hasil cropping jamur Kancing ....................................................... 50

Gambar 4. 11 Citra warna jamur Kancing dengan ukuran asli ............................. 50

Gambar 4. 12 Citra warna jamur Kancing setelah resizeresize) ........................... 51

Gambar 4. 13 Grafik LOGSIG dan non-resize ..................................................... 57

Gambar 4. 14 Grafik TANSIG dan non-resize ..................................................... 58

Gambar 4. 15 Grafik PURELIN dan non-resize ................................................... 59

Gambar 4. 16 Grafik LOGSIG dan resize ............................................................. 60

Gambar 4. 17 Grafik TANSIG dan resize ............................................................. 61

Gambar 4. 18 Grafik PURELIN dan resize .......................................................... 62

Gambar 4. 19 Grafik Trainlm, nonResize ............................................................. 64


xvi

Gambar 4. 20 Grafik Trainlm, nonResize ............................................................. 65

Gambar 4. 21 Grafik Perbandingan Non-resize dengan Resize ............................ 66

Gambar 4. 22 Grafik Perbandingan akurasi per ciri ............................................. 67

Gambar 4. 23 Grafik perbandingan kombinasi 2 kategori ciri.............................. 68

Gambar 4. 24 Grafik perbandingan kombinasi 3 kategori ciri.............................. 69

Gambar 4. 25 Desain arsitektur jaringan terbaik .................................................. 70


xvii

DAFTAR PERSAMAAN

Persamaan 2.1 ...................................................................................................12

Persamaan 2.2 ...................................................................................................14

Persamaan 2.3 ...................................................................................................15

Persamaan 2.4 ...................................................................................................15

Persamaan 2.5 ...................................................................................................18

Persamaan 2.6 ...................................................................................................18

Persamaan 2.7 ...................................................................................................18

Persamaan 2.8 ...................................................................................................18

Persamaan 2.9 ...................................................................................................18

Persamaan 2.10 .................................................................................................18

Persamaan 2.11 .................................................................................................21

Persamaan 2.12 .................................................................................................21

Persamaan 2.13 .................................................................................................21

Persamaan 2.14 .................................................................................................21

Persamaan 2.15 .................................................................................................21

Persamaan 2.16 .................................................................................................22

Persamaan 2.17 .................................................................................................22

Persamaan 2.18 .................................................................................................22

Persamaan 2.19 .................................................................................................22

Persamaan 2.20 .................................................................................................23

Persamaan 2.21 .................................................................................................23

Persamaan 2.22 .................................................................................................24

Persamaan 2.23 .................................................................................................24

Persamaan 2.24 .................................................................................................25

Persamaan 2.25 .................................................................................................25

Persamaan 2.26 .................................................................................................28

Persamaan 2.27 .................................................................................................28

Persamaan 2.28 .................................................................................................28

Persamaan 2.29 .................................................................................................28

Persamaan 2.30 .................................................................................................28


xviii

Persamaan 2.31 .................................................................................................29

Persamaan 2.32 .................................................................................................29

Persamaan 2.33 .................................................................................................29

Persamaan 2.34 .................................................................................................29

Persamaan 2.35 .................................................................................................29

Persamaan 2.36 .................................................................................................29


xix

DAFTAR TABEL

Tabel 1. 1 Tabel Penelitian...................................................................................... 2

Tabel 2. 1 Informasi Jamur Layak Konsumsi ......................................................... 9

Tabel 2. 2 Metode Statistik Tekstur ...................................................................... 19

Tabel 2. 3 Tabel Pembagian Data Training dan Data Testing .............................. 30

Tabel 2. 4 Confusion Matrix 2 Kelas (Tan, Steinbach, & Kumar, 2006). ............ 31

Tabel 3. 1 Contoh Data ......................................................................................... 34

Tabel 3. 2Penjelasan Arsitektur Jaringan .............................................................. 42

Tabel 4. 1Contoh hasil ekstraksi ciri warna RGB ................................................. 52

Tabel 4. 2Contoh hasil ekstraksi ciri warna HIS................................................... 53

Tabel 4. 3Contoh hasil ekstraksi ciri Statistik Tekstur ......................................... 54

Tabel 4. 4Contoh hasil ekstraksi ciri Tekstur GLCM ........................................... 55

Tabel 4. 5 Arsitektur awal Jaringan backpropagation ........................................... 56

Tabel 4. 6 Arsitektur jaringan backpropagation optimal ...................................... 70


1

BAB I

PENDAHULUAN

1.1. Latar Belakang

Jamur merupakan sumber bahan pangan nabati yang cukup potensial

disekitar kita (Jaelani, 2005). Tidak hanya di Indonesia, jamur dapat ditemukan

juga diberbagai negara di Asia seperti Cina, Taiwan, Jepang, dan negara-negara

di Eropa serta Amerika. Penggunaan cendawan (mushroom) di negara-negara

Asia Timur sebagai obat sudah dikenal beribu tahun lalu, antara lain Lentinus

edodus dan Ganoderma lucidum. Banyak keistimewaan yang dimiliki oleh

jamur seperti sifat tumbuh, kandungan gizi pada jamur, kelezatan rasa, serta

memiliki manfaat dan khasiat. Hal tersebut yang mendukung eksistensi jamur

tetap ada hingga sekarang terbukti dari banyaknya hasil olahan dari jamur, baik

berupa makanan yang dikonsumsi serta jamur yang digunakan sebagai obat atau

terapi medis.

Tidak terkecuali di Indonesia, jamur sudah banyak dibudidayakan. Badan

Pusat Statistik menunjukkan bahwa angka rata-rata konsumsi jamur Indonesia

pada tahun 2012 adalah 0,197 kg per kapita per tahun (BPS, 2012). Sudah

banyak UKM kecil, menengah maupun besar yang menjadikan jamur sebagai

objek utama bisnis atau usaha, salah satunya CV. Volva Indonesia. Hasil

budidaya jamur yang dilakukan oleh CV. Volva Indonesia digunakan untuk

mensuplai kebutuhan jamur sebagai bahan dasar Rumah Makan Jejamuran.

Namun, seiring berkembangnya bisnis jamur, hal tersebut belum diikuti

oleh pengetahuan masyarakat luas mengenai khasiat serta manfaat dari jamur.

Ditambah lagi masih ada masyarakat yang takut mengonsumsi jamur serta

bingung bagaimana mengolah jamur yang layak konsumsi untuk dijadikan

makanan. Pasalnya jamur memiliki banyak jenis dan teknik pengolahan. Beda

jenis jamur maka berbeda pula manfaatnya dan teknik pengolahannya serta

hasil olahannya. Apabila masyarakat tidak mengenali jenis-jenis jamur yang

layak konsumsi ataupun masyarakat mengolahnya dengan sembarangan, maka


2

hal ini dapat berakibat buruk. Seperti jamur yang termasuk jenis layak konsumsi

apabila diolah atau dikonsumsi dengan metode (teknik) yang salah, dapat

menimbulkan penyakit bahkan kematian. Maka dari itu dilakukan penelitian

untuk mengklasifikasi berbagai jenis jamur layak konsumsi.

Kesulitan klasifikasi dan mengenali berbagai jenis jamur layak konsumsi

inilah yang merupakan permasalahan yang terjadi di masyarakat. Terlebih lagi

beberapa jenis jamur layak konsumsi memiliki bentuk yang hampir mirip

(terdapat kesamaan) dilihat secara visual dari warna, bentuk, tekstur dan

ukurannya pada umumnya. Itu sebabnya diperlukan sistem komputer yang

mampu melakukan klasifikasi berbagai jenis jamur layak konsumsi. Sebagai

pemecahan atas permasalahan tersebut, dilakukan penelitian untuk membangun

sistem klasifikasi berbagai jenis jamur layak konsumsi secara otomatis sebagai

salah satu alternatif teknologi dengan memanfaatkan ilmu teknologi informasi

saat ini. Jenis jamur layak konsumsi yang digunakan dalam penelitian ini adalah

sebanyak 8 jenis. Alasannya karena kedelapan jenis ini yang banyak

dibudidayakan di CV. Volva Indonesia.

Memang sudah banyak pihak lain yang melakukan penelitian untuk

mengklasifikasikan berbagai jenis jamur layak konsumsi. Beberapa penelitian

mengenai klasifikasi berbagai jenis jamur layak konsumsi serta kasus klasifikasi

dan identifikasi dengan menggunakan jaringan syaraf tiruan backpropagation

adalah sebagai berikut ini:

Tabel 1. 1 Tabel Penelitian

No. Penelitian Peneliti/Tahun

penelitian Akurasi

1.

Sistem Identifikasi

Jamur Menggunakan

Metode Ekstraksi Ciri

Statistik Orde 1 dan

Klasifikasi Jarak

Sapriani,

Abdul, dan

Rusydi, 2017

82%


3

2.

Identification and

Classification of Bulk

Fruits Images using

Artificial Neural

Networks

Dayanand

Savakar, 2012 92%

3.

Classification of

Motorcyclists not Wear

Helmet on Digital Image

with Backpropagation

Neural Network

Sutikno, Indra,

Nurdin, Priyo,

2016

86.67%

Berdasarkan penelitian yang telah dilakukan oleh Sutikno dkk yakni

klasifikasi pengendara sepeda motor yang tidak menggunakan helm

berdasarkan gambar menggunakan Jaringan Syaraf Tiruan Backpropagation

diperoleh hasil akurasi yakni 86.67 %. Hasil akurasi yang diperoleh sudah baik

dengan jumlah data yang digunakan yakni 150 data (75 data yang menggunakan

helm serta 75 data yang tidak menggunakan helm). Sehingga dengan kata lain

metode Backpropagation Jaringan Syaraf Tiruan layak digunakan untuk kasus

klasifikasi pengendara sepeda motor yang tidak menggunakan helm.

Berdasarkan penelitian tersebut, maka penulis hendak melakukan penelitian

mengenai klasifikasi berbagai jenis jamur layak konsumsi menggunakan

metode Jaringan Syaraf Tiruan Backpropagation. Metode Backpropagation

dipilih sebagai penyelesaian karena merupakan salah satu metode Jaringan

Syaraf Tiruan yang sering dan tepat digunakan. Selain itu ingin mengetahui

apakah metode Backpropagation layak atau mampu untuk mengklasifikasikan

berbagai jenis jamur layak konsumsi. Yang membedakan penelitian ini dengan

penelitian-penelitian sebelumnya adalah berbeda jenis dan jumlah datanya.


4

1.2. Rumusan Masalah

Berdasarkan latarbelakang diatas, maka dapat ditarik rumusan masalah

sebagai berikut:

1. Bagaimana metode Jaringan Syaraf Tiruan backpropagation mampu secara

otomatis mengklasifikasikan berbagai jenis jamur layak konsumsi dengan

baik?

2. Berapa besar akurasi dari metode backpropagation dalam

mengklasifikasikan berbagai jenis jamur layak konsumsi serta optimasinya?

1.3. Tujuan

Tujuan yang dicapai dari penelitian ini antara lain:

1. Mengklasifikasikan berbagai jenis jamur layak konsumsi menggunakan

metode Jaringan Syaraf Tiruan Backpropagation.

2. Memperoleh kepastian besar akurasi dari metode Backpropagation dalam

mengklasifikasikan jamur layak konsumsi dan teknik mengoptimasinya.

Sistem atau aplikasi ini sekiranya dapat berguna dikemudian hari untuk

membantu masyarakat dalam mengenali berbagai jenis jamur layak konsumsi,

karena masih banyak masyarakat yang belum kenal jenis jamur-jamur mana

saja yang termasuk layak konsumsi serta masih takut untuk mengonsumsi

jamur.

1.4. Luaran

Luaran yang diharapkan dari penelitian ini adalah sistem cerdas yang secara

otomatis mampu mengklasifikasi berbagai jenis jamur layak konsumsi.

1.5. Batasan Masalah

Untuk membahas topik yang lebih terarah dan fokus pada tujuan yang

hendak dicapai, maka batasan masalah dalam skripsi ini adalah :

1. Pola jamur yang diteliti yakni pola jamur layak konsumsi yang ada di CV.

Volva Indonesia.


5

2. Jenis jamur yang digunakan adalah berbagai jenis jamur layak konsumsi.

Dengan kata lain jamur yang digunakan dalam penelitian ini hanya jamur

yang edible saja. Jamur yang beracun (poisoning) tidak digunakan dalam

penelitian ini karena sulitnya memperoleh data jamur yang beracun.

3. Proses klasifikasi jamur layak konsumsi dibagi menjadi 6 jenis yaitu:

Shitake, Tiram Abu-abu, Merang, Kuping, Portabella, dan Kancing.

4. Faktor pencahayaan pada saat pengambilan gambar yakni saat terang saja.

5. Jamur layak konsumsi yang digunakan dalam penelitian ini memiliki

kondisi baik (sehat) yaitu warna yang baik dan kondisi tudung (fisik) jamur

masih bagus dan lengkap.

Yang tidak dibahas adalah:

1. Penelitian ini tidak membahas aspek pengaruh implementasi sistem

terhadap pertumbuhan jamur (keberhasilan budidaya jamur).

1.6. Manfaat Penelitian

Adapun manfaat dari penelitian ini adalah:

1. Mempermudah dan mengotomatisasi dalam klasifikasi berbagai jenis jamur

layak konsumsi dengan menggunakan komputer.

2. Menambah wawasan bagi pembaca yang ingin mempelajari metode

Artificial Neural Network.

3. Membantu masyarakat untuk mengenal berbagai jenis jamur layak

konsumsi serta pengklasifikasiannya.

1.7. Metodologi Penelitian

Adapun metode penelitian yang dilakukan ialah sebagai berikut:

1. Perencanaan

Menyusun jadwal atau rencana yang berkaitan dengan pengambilan data,

pembuatan sistem, pengolahan, dan hasil akhir serta semua yang berhubungan

dengan skripsi ini.

a. Studi Pustaka

Melakukan pencarian sumber dan membaca serta mempelajari segala

hal yang berkaitan dengan penelitian sebelumnya yang berhubungan


6

dengan topik penelitian ini, baik itu di ruang diskusi perpustakaan

Universitas Sanata Dharma, di Ruang Akses Mahasiswa, Ruang

Penelitian lantai 3 Kampus III Universitas Sanata Dharma maupun

ditempat lainnya.

2. Analisa

Analisa sistem, dilakukan analisa tentang sistem dan data-data yang dapat

digunakan disertai pengambilan data.

a. Observasi

Melakukan observasi atau survei langsung ke restoran JEJAMURAN

dan kebun jamur CV. Volva Indonesia untuk menganalisa data yang

berhubungan dengan skripsi dan mengadakan pencatatan secara

sistematis mengenai hasil pengamatan, wawancara dengan petani jamur,

maupun pengambilan gambar sebagai data penelitian.

3. Desain

Desain (perancangan), merancang sistem berdasarkan data-data yang telah

dikumpulkan pada tahap sebelumnya.

4. Implementasi

Implementasi penerapan atau pelaksanaan sistem yang telah dirancang

sebelumnya dan selesai dibangun. Selanjutnya adalah dilakukan pelatihan

(training) dan pengujian (testing).

5. Penarikan kesimpulan dan Evaluasi

Setelah semua tahapan selesai, selanjutnya dilakukan penarikan kesimpulan

dan melakukan evaluasi atas hasil kerja untuk disempurnakan kembali.

1.8. Sistematika Penelitian

Sistematika penulisan skripsi ini adalah sebagai berikut:

BAB I PENDAHULUAN


7

Bab ini berisi tentang pembahasan Latar Belakang Masalah, Rumusan

Masalah, Tujuan Penelitian, Batasan Masalah, Manfaat Penelitian, Metode

Penelitian serta Sistematika Penelitian.

BAB II LANDASAN TEORI

Bab ini terdiri dari beberapa sub-bab yang menjelaskan tentang konsep

dasar sistem antara lain teori dari topik penelitian ini yang menunjang dalam

pemecahan masalah yang dianggap relevan dengan permasalahannya.

Menjelaskan tentang konsep-konsep dasar sistem, metode yang digunakan

untuk mengembangkan sistem, karakteristik, klasifikasi, dan penjelasan tentang

peralatan.

BAB III METODOLOGI PENELITIAN

Pada bagian ini dibahas mengenai analisa dan perancangan hal-hal atau

komponen-komponen yang akan digunakan untuk melakukan penelitian, serta

perancangan sistem secara lengkap.

BAB IV HASIL DAN ANALISIS HASIL

Bab ini menjelaskan tentang hasil dan analisis hasil. Hasil yang ditampilkan

yakni mulai dari preprocessing data hingga pengujian data. Kemudian analisis

hasil penelitian dan pengujian.

BAB V PENUTUP

Bab ini berisi kesimpulan yang diperoleh dari hasil analisis penelitian yang

telah dilaksanakan serta saran bagi penelitian-penelitian klasifikasi

backpropagation selanjutnya.


8

BAB II

LANDASAN TEORI

Pada bagian ini dibahas mengenai teori-teori yang digunakan dalam

mendukung penulisan skripsi klasifikasi berbagai jenis jamur layak konsumsi

dengan metode jaringan syaraf tiruan backpropagation. Bagian pertama

menjelaskan mengenai jamur layak konsumsi yang digunakan untuk penulisan

skripsi ini. Serta terdapat juga beberapa teori yang dibahas mencakup pengertian

dasar jaringan syaraf tiruan dan metode jaringan syaraf tiruan backpropagation.

2.1 Jamur

Jamur adalah jenis tumbuhan yang tidak berdaun dan tidak berbuah,

berkembangbiak dengan spora, biasanya berbentuk payung, tumbuh di daerah

berair atau lembap atau batang busuk; cendawan; kulat (KBBI, 2018). Jamur

juga merupakan sumber bahan pangan nabati yang cukup potensial disekitar

kita. Bahkan beberapa jenis jamur dari alam sudah lama dibudidayakan manusia

untuk tujuan konsumsi (Jaelani, 2008).

Jamur telah cukup lama dikenal oleh masyarakat luas sebagai salah satu

jenis bahan pangan yang populer di masyarakat. Selain itu jamur merupakan

bahan pangan nabati yang mengandung protein cukup tinggi. Chang dan Miles

(2004) menyebutkan secara umum jamur mengandung sekitar 19-35% protein

(bk). Hung dan Nhi (2012) menyebutkan saat ini jamur telah populer sebagai

bahan pangan karena memiliki kandungan zat gizi yang baik sehingga dapat

dijadikan sebagai bahan pangan fungsional. Dari penjelasan diatas maka jamur

layak dijadikan bahan pangan yang memiliki manfaat bagi kesehatan tubuh

manusia. Namun bukan hanya bagi kesehatan, tetapi jamur juga memiliki

keuntungan dibidang ekonomis. Dari berbagai jenis jamur hanya beberapa yang

dapat dikonsumsi. Jenis jamur konsumsi yang telah dikenal dan dijual secara

komersial diantaranya jamur kuping (Herniola sp.), jamur tiram (Pleurotus

ostreatus), jamur shiitake (Lentinunla edodes), dan jamur merang (Volvariella

volvacea) (Hung dan Nhi, 2012). Selain keempat jamur tersebut, terdapat juga


9

beberapa jenis jamur layak konsumsi yang dibudidayakan oleh CV. Volva

Indonesia yakni jamur jamur Tiram abu-abu, jamur Portabella, jamur Kancing,

serta berbagai jenis jamur lainnya. Beda jenis jamur, beda pula manfaatnya, cara

pengolahannya serta harga jualnya. Seperti saat ini, jamur shiitake yang berkisar

Rp 30.000 – Rp. 70.000 per kilogram. Sedangkan jamur tiram putih berkisar Rp

10.000 hingga Rp 25.000 per kilogram.

Hampir semua jenis jamur layak konsumsi memiliki manfaat yang berbeda,

cara pengolahan yang berbeda, harga jual yang berbeda serta karakteristik fisik

(visual) yang khas dari masing-masing jenis jamur. Ada jamur yang memiliki

bentuk fisik yang hampir sama dengan jenis jamur layak konsumsi lainnya.

Seperti halnya pada jamur tiram putih, jamur merang putih dan jamur kancing

yang ketika memasuki masa panen memiliki warna yang sama yaitu putih jika

dilihat langsung dengan mata. Serta ada juga yang memiliki karakteristik visual

yang jelas berbeda seperti jamur Kuping yang memiliki warna hitam keunguan

serta memiliki bentuk yang lebar dibanding jamur portabella yang warnanya

cenderung kecoklatan dan bentuknya yang tidak begitu lebar.

Tabel 2. 1 Informasi Jamur Layak Konsumsi

No. Nama

Jamur

Kelebihan (khasiat) Ciri visual

1. Shiitake Memiliki kandungan zat gizi

penting berupa protein,

berbagai jenis vitamin,

mencegah timbulnya kanker

usus, daya tahan tubuh,

memperbaiki sistem sirkulasi,

antivirus dan antibakterial.


10

2. Kuping Memiliki kandungan nutrisi

tinggi, penawar racun,

mencegah penyakit kanker,

memperbaiki sirkulasi darah,

mengobati penyakit kurang

darah, hipertensi, datang bulan

tidak lancar, serta ambeien

atau wasir.

3. Merang Memiliki cita rasa yang lezat,

kandungan protein tinggi,

meningkatkan metabolisme,

memperbaiki fungsi ginjal,

mengatasi defisiensi gizi,

mengatasi kolestrol,

meningkatkan kerja jantung.

4. Tiram Abu-

abu

Kandungan nilai gizi tinggi,

meningkatkan eritrosit,

mencegah kencing manis,

menurunkan kolesterol, serta

mengobati kanker.

5. Portabella Mengandung niacin,

panthotenat, vitamin B

Kompleks, riboflavin, kalum

yang dikenal sebagai

antioksidan, mencegah

pertumbuhan kanker.


11

6. Kancing Kandungan asam folat

menambah jumlah sel darah

merah, menurunkan kolestrol,

antioksidan, menangkap

radikal bebas, mencegah

kanker.

Berdasarkan penjelasan pada tabel, secara visual dapat diketahui bahwa

suatu jenis jamur layak konsumsi memiliki ciri khusus yang membedakannya

dengan jenis jamur layak konsumsi lainnya. Maka dari itu diperlukan analisis

ciri (features analysis) yang tepat sesuai dengan jenis data citra yang digunakan.

Selain itu yang harus diperhatikan dalam analisis ciri yakni cara mendapatkan

ciri tersebut atau metode yang digunakan dalam memperoleh ciri dari data citra

tersebut. Untuk itu diperlukan pengetahuan tentang analisis citra yang nantinya

akan berkaitan dengan analisis ciri untuk data image dalam penelitian ini.

2.2 Pengertian Citra

Kata citra berasal dari kata image dalam bahasa Inggris. Citra atau image

adalah suatu gambar yang berbentuk Informasi Visual. Citra merupakan fungsi

intensitas dua dimensi (2-D)f(x,y), dimana x dan y adalah koordinat spasial, dan

f pada titik (x,y) merupakan tingkat kecerahan (brightness) suatu citra pada

suatu titik. Ketika x, y, dan nilai intensitas f-nya terbatas, maka disebut dengan

citra digital (Gonzales dan Woods, 1992).

Citra sebagai salah satu komponen multimedia memegang peranan sangat

penting sebagai bentuk informasi visual. Citra memiliki karakteristik yang tidak

dimiliki oleh data tekstual dikarenakan lebih kaya akan informasi. Sebuah

gambar dapat memberikan informasi yang lebih banyak daripada informasi

yang disajikan dalam bentuk tekstual.

Secara harfiah, citra merupakan sebuah data visual dalam bidang dwimatra

(dimensi) (Widiarti, 2013). Citra dapat didefinisikan sebagai sebuah fungsi


12

kontinyu dari intensitas dalam bidang dua dimensi dimana setiap titik dapat

dituliskan:

0 < 𝑓(𝑥, 𝑦) < ∞ 2.1

dimana f(x,y) merupakan intensitas cahaya pada lokasi (x,y) (Gonzales dan

Woods, 1992). Dikarenakan citra merupakan data visual dwimatra yang dapat

direpresentasikan dalam dimensi panjang, dan lebar, maka seperti halnya

matriks, citra dapat direpresentasikan kedalam sebuah matriks m x n dengan

intensitas piksel sebagai komponen penyusunnya.

2.2.1 Citra Warna RGB

Citra RGB adalah representasi dari tiga matriks dengan ukuran yang

sama dari format gambar. Setiap matriks akan sama berdasarkan warna

Merah, Hijau dan Biru. Ketika diubah menjadi skala keabuan(atau

“intensitas”) gambar akan tergantung pada kurva respon sensitivitas

detektor cahaya sebagai fungsi dari panjang gelombang. (Surinta, O.,dkk

2009).

RGB yang merupakan singkatan dari merah (Red), hijau (Green), dan

biru (Blue), setiap perpaduan warna dasar tersebut akan menghasilkan

warna baru dengan memperhatikan terang gelapnya juga. Untuk kasus

klasifikasi jamur layak konsumsi ini, berbagai jamur memiliki warna yang

bervariasi, ragam warnanya pun bisa warna tegas (pasti) maupun gradasi

(gabungan atau campuran).

Ruang warna RGB tertentu didefinisikan oleh tiga kromatisitas warna

merah, hijau, dan biru, serta dari warna dasar tersebut menghasilkan

kromatisitas segitiga yang ditentukan oleh warna primer tersebut (Hunt,

2004).

2.2.2 Citra Berskala Keabuan

Citra berskala keabuan atau sering disebut citra grayscale menangani

gradasi warna hitam dan putih yang menghasilkan efek warna abu-abu. Pada

jenis gambar ini, warna dinyatakan dengan intensitas yang berkisar antara 0


13

sampai 255. Nilai 0 menyatakan hitam, sedangkan nilai 255 menyatakan

putih (Kadir dan Susanto, 2013)

2.2.3 Citra Biner

Citra Biner (binary image) adalah citra yang hanya mempunyai dua nilai

derajat keabuan yaitu hitam dan putih (nilainya hanya 0 dan 1). Meskipun

saat ini citra berwarna lebih disukai, namun pada beberapa aplikasi citra

biner masih dibutuhkan, misalnya pada pengolahan citra biner dalam

mengklasifikasikan jenis jamur yang akan dibahas dalam penelitian ini.

Citra biner hanya mempunyai dua nilai derajat keabuan yaitu hitam dan

putih. Pixel-pixel objek bernilai 1 dan pixel-pixel latar belakang bernilai 0.

Pada saat menampilkan gambar, 0 adalah putih dan 1 adalah hitam (Abdul

dan Adhi, 2013). Jadi pada citra biner, latar belakang berwarna putih

sedangkan objek berwarna hitam.

2.3 Pengenalan Pola

Pengenalan pola (pattern recognition) dapat diartikan sebagai proses

klasifikasi dari objek atau pola menjadi beberapa kategori atau kelas dan

bertujuan untuk pengambilan keputusan (Theodoridis and Koutroumbas 2006).

Tujuan dari pengenalan pola ini adalah mengklasifikasi dan mendeskripsikan

pola atau obyek kompleks melalui pengetahuan sifat-sifat atau ciri-ciri obyek

tersebut. Pola adalah entitas yang terdefinisi dan dapat diberikan suatu

identifikasi atau nama misalkan jamur.

Pengenalan pola pada dasarnya terdiri dari 3 langkah utama yaitu

preprocessing, ekstraksi ciri dan pengenalan serta didahului dengan tahap

pengumpulan data (akuisisi data). Preprocessing merupakan langkah awal

dimana dilakukan dari keseluruhan data obyek yang ada agar dapat

menghasilkan ciri yang lebih baik pada tahap berikutnya. Pada tahap ini

informasi yang dianggap penting akan lebih ditonjolkan. Tahap selanjutnya

adalah ekstraksi ciri, tahap ini berfungsi untuk menemukan karakteristik

pembeda yang mewakili sifat utama suatu data obyek, sekaligus mengurangi

jumlah data tersebut menjadi lebih sedikit tetapi representatif. Tahap akhir yaitu


14

pengenalan, pada tahap ini data yang ada akan dikelompokkan menjadi kelas

yang sesuai (Putra,2010).

2.3.1 Preprocessing

Preprocessing atau sering disebut juga praproses merupakan sebuah

tahap untuk menyiapkan data sebelum dilakukan tahap ekstraksi ciri.

a) Grayscalling

Citra grayscale atau citra keabu-abuan memiliki nuansa warna abu-

abu yang berada diantara warna hitam dan putih. Citra grayscale

direpresentasikan dengan variasi nilai intensitas tertentu yang berada dalam

interval 0 hingga 255 (8 bit). Proses grayscaling mengubah citra berwarna

yang memiliki 3 komponen warna R, G, dan B menjadi 1 komponen warna

dengan memberikan sebuah nilai bobot kepada 3 komponen R, G, dan B

kemudian dijumlahkan untuk memperoleh intensitas warna abu-abu.

Persamaan yang umum dipakai untuk mengubah citra berwarna menjadi

citra grayscale menggunakan standar NTSC (National Television System

Commitee) yang dapat dinyatakan sebagai berikut :

𝑔(𝑥, 𝑦) = 0.299 x 𝑅(𝑥, 𝑦) + 0.587 x 𝐺(𝑥, 𝑦) + 0.144 x 𝐵(𝑥, 𝑦) 2.2

dengan:

g(x,y) = citra yang akan dikonversi menjadi grayscale

R(x,y) = nilai pixel pada lokasi (x,y) untuk komponen R

G(x,y) = nilai pixel pada lokasi (x,y) untuk komponen G

B(x,y) = nilai pixel pada lokasi (x,y) untuk komponen B

b) Penghilangan bayangan (adjustment)

Proses penghilangan bayangan yang ada disekitar objek termasuk

dalam proses transformasi intensitas. Metode yang digunakan didasarkan

pada manipulasi langsung atas piksel-piksel pada suatu citra. Adapun


15

domain spasial mengacu pada bidang citra itu sendiri. Proses-proses domain

spasial dinotasikan dengan :

𝑔(𝑥, 𝑦) = 𝑇[ 𝑓(𝑥, 𝑦) ] 2.3

dimana f(x,y) adalah citra masukan, g(x,y) adalah citra keluaran (hasil dari

proses), dan T adalah sebuah operator pada f, yang didefinisikan pada

lingkungan tertentu disekitar titik (x,y).

c) Binerisasi

Proses binerisasi merupakan sebuah proses untuk mengubah citra

grayscale menjadi citra hitam putih yang memiliki 1 keping yakni dengan

nilai 0 dan 1. Pada dasarnya citra dipisahkan menjadi 2 bagian yakni obyek

dari citra dan background. Dalam mengonversi citra abu menjadi citra hitam

putih sekaligus dilakukan proses pemisahan antara obyek dengan

background maka dilakukan proses pengecekan nilai setiap piksel terhadap

nilai ambang atau sering disebut juga dengan pengambangan intensitas atau

thresholding. Nilai ambang ditentukan dengan terlebih dahulu melihat

histogram citra dan dipilih nilai sebagai ambang pada bagian lembah (Kadir,

A., dkk 2012).

Secara matematis, pengambangan intensitas dapat dinyatakan melalui

persamaan:

𝑔(𝑥, 𝑦) = {1 𝑖𝑓 𝑓(𝑥, 𝑦) > 𝑇

0 𝑖𝑓 𝑓(𝑥, 𝑦) ≤ 𝑇 2.4

dengan :

g(x,y) = citra hasil segmentasi atau citra abu

f(x,y) = citra masukan

(x,y) = titik (x,y) pada citra

T = nilai thresholding (nilai ambang)

Dalam penerapannya, nilai 1 dan 0 pada persamaan diatas dapat saling

ditukarkan posisinya.


16

d) Reduksi derau

Proses reduksi derau (penghilangan derau) ini dilakukan pada citra

yang memiliki derau yang dalam skala kecil disekitar objek. Adapun proses

penghilangan derau dilakukan pada citra yang telah dibinarisasi mernjadi

hitam putih. Median filter adalah sebuah noise removal filter yang

menerapkan sebuah algoritma smoothing yang teratur dengan tujuan

menghilangkan noise pada data citra dengan tetap menjaga sisi pada obyek

di citra. Pemilihan median filter yang digunakan untuk menghilangkan

noise dengan tetap menjaga obyek yang ada pada citra (Syanti, 2016).

e) Cropping

Proses cropping atau pemotongan gambar adalah mengambil bagian

obyek jamur saja tanpa mengikutsertakan bagian background dari data citra.

Alur cropping yakni mengetahui lebih dahulu titik teratas, titik terbawah,

titik terkiri serta titik terkanan dari obyek data citra tersebut yang telah

diubah menjadi citra biner. Lalu nilai koordinat dari titik-titik tersebut

disimpan, untuk selanjutnya digunakan dalam mengcropping citra warna dari

data tersebut.

f) Resizing

Mengubah ukuran citra (resizing image) artinya adalah mengubah

besarnya ukuran citra digital dalam piksel. Ada kalanya ukurannya berubah

menjadi lebih kecil dari file aslinya dan ada kalanya sebaliknya (Rendra,

2014). Resizing dalam sebuah pemrosesan citra adalah mengubah ukuran

citra menjadi lebih kecil ataupun lebih besar. Resizing dalam hal

memperkecil ukuran citra dilakukan untuk mengurangi jumlah piksel pada

citra. Pada proses resizing untuk memperbesar ukuran citra dilakukan

dengan menambah jumlah piksel pada citra.


17

2.3.2 Ekstraksi Ciri

Ektraksi ciri merupakan langkah yang dilakukan untuk mengidentifikasi

atau mengenali suatu ciri dari setiap jenis. Ekstraksi ciri merupakan bagian

fundamental dari analisis citra. Fitur adalah karakteristik unik dari suatu

objek citra. Artinya melalui fitur atau ciri dari setiap data image maka dapat

diperoleh kekhususan atau keunikan yang dimiliki oleh setiap data. Adapun

karakteristik fitur yang baik memiliki syarat seperti berikut :

Dapat membedakan suatu objek dengan yang lainnya.

Memperhatikan kompleksitas komputasi dalam memperoleh fitur.

Semakin rendah tingkat kompleksitas komputasi maka semakin baik.

Tidak terikat dalam arti bersifat invarian terhadap berbagai transformasi.

Jumlahnya sedikit, karena fitur yang jumlahnya sedikit dapat

menghemat waktu komputasi dan ruang penyimpanan untuk proses

berikutnya.

Ekstraksi ciri yang digunakan dalam penelitian ini secara garis besar antara

lain ciri warna dan tekstur. Metode-metode yang digunakan dalam

memperoleh setiap ciri antara lain metode rerata R, G, B dan RGB untuk

ciri warna, metode HIS untuk ciri warna, metode statistik tekstur, serta

metode gray level co-occurrence matrices.

1. Metode rerata R, G, B dan RGB untuk ciri warna

Ciri warna dengan menghitung rerata nilai keping Red, keping Green,

keping Blue, serta rerata dari RGB. Langkah awal yakni memisahkan

keping Red, Green, dan Blue terlebih dahulu. Hasil pemisahan itu akan

digunakan untuk menghitung rerata dari tiap keping Red, Green, Blue yang

ada pada objek citra.

Rerata keping Red (keping merah) dihitung dengan lebih dahulu

menjumlahkan seluruh nilai-nilai intensitas yang terdapat dalam keping Red

kemudian hasil penjumlahan tersebut dibagi dengan total jumlah piksel dari

objek tersebut. Total jumlah piksel objek dihitung dengan cara mengalikan

baris dan kolom dari objek tersebut. Cara demikian juga dilakukan pada

keping Green dan Blue.


18

Dalam menghitung nilai rerata keping Red, rerata keping Green, dan

rerata keping Blue maka digunakan persamaan dibawah ini:

𝑀𝑒𝑎𝑛 =1

𝑀𝑥𝑁 ∑ ∑ 𝑃𝑖𝑗

𝑁𝑗=1

𝑀𝑖=1 2.5

Sementara untuk menghitung nilai rerata RGB yakni menggunakan

persamaan sebagai berikut :

𝑀𝑒𝑎𝑛 𝑅𝐺𝐵 =𝑀𝑒𝑎𝑛𝑅+𝑀𝑒𝑎𝑛𝐺+𝑀𝑒𝑎𝑛𝐵

𝑀𝑥𝑁 2.6

2. Metode HSI untuk ciri warna

Ciri warna HSI (Hue, Saturation, and Intensity) memisahkan

komponen intensitas dari informasi pembawa warna (hue dan saturasi) pada

sebuah citra warna. Hasilnya, model HIS merupakan perangkat ideal dalam

pengembangan algoritma-algoritma pemrosesan citra berbasis deskripsi-

deskripsi yang alamiah untuk manusia (Sianipar, 2018).

Adapun rumus untuk memperoleh komponen H dari tiap piksel RGB

didapatkan dengan persamaan :

𝐻 = {0, 𝑗𝑖𝑘𝑎 𝐵 ≤ 𝐺

360 − 𝜃, 𝑗𝑖𝑘𝑎 𝐵 > 𝐺 2.7

Dengan

𝜃 = 𝑐𝑜𝑠−1 {1

2 [(𝑅−𝐺)+(𝑅−𝐵)]

[(𝑅−𝐺)2+(𝑅−𝐺)(𝐺−𝐵)]12

} 2.8

Komponen saturasi diberikan oleh :

𝑆 = 1 −3

(𝑅+𝐺+𝐵) [min (𝑅, 𝐺, 𝐵)] 2.9

𝐼 =1

3 (𝑅 + 𝐺 + 𝐵) 2.10

Keterangan rumus :

H = nilai Hue

S = nilai saturation

I = nilai Intensity


19

3. Metode Statistik Tekstur

Rekaman citra terhadap objek-objek real di alam tidak selalu

menunjukkan region-region citra dengan intensitas atau warna yang

uniform atau homogeny. Misalnya citra permukaan lantai kayu parket

tidaklah uniform, tetapi mengandung variasi intensitas warna yang

membentuk pola berulang. Contoh lain, pada citra kulit jeruk. Sekalipun

warnanya seolah tampak homogenya, namun karena memiliki permukaan

berbintik dengan posisi acak maka intensitas cahaya yang dipantulkan

menjadi berbeda. Kedua contoh ini menunjukkan hal yang berbeda, namun

keduanya dikategorikan sebagai tekstur. Oleh karena itu, analisis tekstur

dan segmentasi citra berdasarkan tekstur selalu mengacu pada dua hal: (1)

analisis tingkat kekasaran permukaan serta (2) analisis struktur pola dan

orientasinya. Dua hal ini telah menjadi dasar bagi pengembangan teori

tentang analisis tekstur citra. Pendekatan analisis statistik (statistical

approach) telah dikembangkan untuk mengetahui kekasaran permukaan

tekstur, sedangkan untuk mengetahui bentuk atau pola tekstur dapat

dilakukan melalui pendekatan terstruktur (Madenda, 2015).

Tabel 2. 2 Metode Statistik Tekstur

Momen Rumus Karakteristik Tekstur

Mean 𝜇 = ∑ 𝑖 . 𝑝(𝑖)

𝐿−1

𝑖=0

Menghitung rata-rata intensitas area

citra.

Momen ke-

2 atau

standard

deviation

𝜎 = √𝑀2

Menghitung rata-rata kontras area

citra.

Smoothness

atau

roughness

𝑅 =𝜎2

1 + 𝜎2

Menghitung kehalusan atau

kekasaran permukaan (tinggi

rendahnya variasi intensitas atau

kontras ) region. R=0, intensitas

permukaan region rata atau


20

homogeny (kontras=0). R

mendekati 1, permukaan region

kasar ataupun memiliki variasi

intensitas atau kontras tinggi.

Momen ke-

3 atau

skewness

𝑀3 = ∑(𝑖 − 𝜇)3 𝑝(𝑖)

𝐿−1

𝑖=0

Mengukur tingkat simetri

histogram atau kecondongan

distribusi intensitas terhadap posisi

nilai rata-rata (miu). Skewness 0,

distribusi intensitas <miu sama

besar dengan distribusi intensitas

>miu. Skewness positif, histogram

lebih condong melebar ke kanan

(intensitas >miu lebih banyak).

Skewness negatif, histogram lebih

condong melebar ke kiri (intensitas

<miu lebih banyak).

Uniformity 𝑈 = ∑ 𝑝2(𝑖)

𝐿−1

𝑖=0

Mengukur keseragaman nilai

intensitas. U maksimum (U=1) bila

semua piksel dalam area memiliki

nilai intensitas sama.

Entropy 𝐸 = − ∑ 𝑝(𝑖) 𝑙𝑜𝑔2 𝑝(𝑖)

𝐿−1

𝑖=0

Mengukur tingkat keacakan

intensitas. E maksimum bila piksel-

piksel dalam area memiliki nilai

sangat acak. E=0 bila semua piksel

itu memiliki nilai intensitas sama.

4. Metode GLCM untuk ciri tekstur

Matriks co-occurrence (CM) merupakan satu dari sejumlah metode

analisis tekstur. Gray Level Co-occurrence Matrices (GLCM) yang

dikembangkan oleh Robert Haralick merupakan metode yang paling sering


21

digunakan. Robert Haralick telah mendefinisikan beberapa karakteristik

/fitur tekstur citra yang dihitung dari matriks co-occurrence (CM) dengan

menyatakan matriks probabilitas 𝑷(𝒊, 𝒋) = 𝑪𝑴(𝒊, 𝒋) | ∑ ∑ 𝑪𝑴(𝒊, 𝒋)𝑮−𝟏𝒋=𝟎

𝑮−𝟏𝒊=𝟎 .

Diantara fitur tersebut adalah mean (𝜇𝑥 , 𝜇

𝑦), variance, homogeneity,

dissimilarity, contrast, entropy, dan energy (Madenda, 2015).

Mean merupakan rata-rata distribusi probabilitas P(i,j) yang dapat

dihitung berdasarkan sampel x dan sampel y, dimana 𝜇𝑥 ≈ 𝜇𝑦.

𝜇𝑥 = ∑ ∑ 𝑃(𝑖, 𝑗)𝐺−1𝑗=0

𝐺−1𝑖=0 2.11

𝜇𝑦 = ∑ ∑ 𝑃(𝑖, 𝑗)𝐺−1𝑖=0

𝐺−1𝑗=0 2.12

Variance (variansi) menentukan sebaran nilai atau simpangan

terhadap nilai rata-rata data (tekstur). Semakin kecil nilai variansi

maka tekstur semakin homogeny, dan sebaliknya. Variansi dapat

dihitung berdasarkan sampel x dan sampel y, dimana 𝜎𝑥2 ≈ 𝜎𝑦

2 .

𝜎𝑥2 = ∑ (𝑖 − 𝜇𝑥)2 ∑ 𝑃(𝑖, 𝑗)𝐺−1

𝑗=0𝐺−1𝑖=0 2.13

𝜎𝑦2 = ∑ (𝑖 − 𝜇𝑦)2 ∑ 𝑃(𝑖, 𝑗)𝐺−1

𝑖=0𝐺−1𝑗=0 2.14

Uniformity of Energy adalah ukuran homogenitas lokal dan

merupakan kebalikan dari entropi. Fitur ini digunakan untuk

melihat tingkat keseragaman tekstur. Semakin tinggi nilai energi,

semakin tinggi tingkat homogenitas tekstur. Nilai energi ada pada

kisaran [0, 1], dimana 1 menggambarkan area yang homogen.

𝐸𝑛𝑒𝑟𝑔𝑦 = ∑ ∑ (𝑃(𝑖, 𝑗))2𝐺−1𝑖=0

𝐺−1𝑗=0 2.15

Entropy adalah ukuran tingkat keacakan (randomness) permukaan

tekstur akibat gangguan spasial atau frekuensi. Nilai entropi dapat

memberi informasi fitur permukaan tekstur yang kasar atau halus.

Semakin nilai entropi mendekati satu maka tingkat kekasaran tekstur


22

semakin tinggi, sebaliknya nilai entropi mendekati nol maka

permukaan tekstur semakin halus.

𝐸𝑛𝑡𝑟𝑜𝑝𝑦 = − ∑ ∑ 𝑃(𝑖, 𝑗), log (𝑃(𝑖, 𝑗))𝐺−1𝑖=0

𝐺−1𝑗=0 2.16

Contrast adalah variasi nilai intensitas lokal dalam matriks co-

occurrence. Jika piksel tetangga memiliki nilai intensitas yang mirip

atau berdekatan, maka kontras tekstur sangat rendah. Nilai kontras

tinggi menunjukkan tekstur dengan variasi intensitas yang tinggi,

untuk nilai kontras rendah menunjukkan tekstur yang halus atau

lembut.

𝐶𝑜𝑛𝑡𝑟𝑎𝑠𝑡 = ∑ ∑ (𝑖 − 𝑗)2𝐺−1𝑗=0 𝑃(𝑖, 𝑗)𝐺−1

𝑖=0 2.17

Dissimilarity (ketidakmiripan) adalah ukuran yang mendefinisikan

variasi tingkat intensitas pasangan piksel dalam citra. Mirip dengan

kontras yang dihitung dengan jarak Euclidean, dissimilarity dihitung

dengan jarak city block.

𝐷𝑖𝑠𝑠𝑖𝑚𝑖𝑙𝑎𝑟𝑖𝑡𝑦 = ∑ ∑ |𝑖 − 𝑗| 𝑃(𝑖, 𝑗)𝐺−1𝑗=0

𝐺−1𝑖−0 2.18

Homogeneity mengukur tingkat homogenitas perulangan struktur

tekstur, dimana bobot nilainya merupakan invers dari kontras (pers

2…). Namun, dalam MATLAB homogeneity merupakan invers dari

dissimilaritas (pers 2…). Tingkat homogeneity tekstur sangat tinggi

bila nilai matriks co-occurrence terkonsentrasi sepanjang diagonal

matriks. Ini menunjukkan bahwa ada banyak piksel dengan

perulangan pasangan nilai intensitas yang sama sebagai pembentuk

struktur tekstur. Homogeneity memiliki kisaran nilai [0 1]. Untuk

nilai homogeneity sama dengan 1 menunjukkan bahwa tekstur

memiliki struktur perulangan yang ideal, sedang bila nilainya rendah

menunjukkan bahwa elemen tekstur memiliki variasi yang tinggi

dan tersebar secara merata dalam area tekstur.

𝐻𝑜𝑚𝑜𝑔𝑒𝑛𝑒𝑖𝑡𝑦 = ∑ ∑𝑃(𝑖,𝑗)

1+(𝑖−𝑗)2𝐺−1𝑗=0

𝐺−1𝑖=0 2.19


23

𝐻𝑜𝑚𝑜𝑔𝑒𝑛𝑒𝑖𝑡𝑦 = ∑ ∑𝑃(𝑖,𝑗)

1+|𝑖−𝑗|

𝐺−1𝑗=0

𝐺−1𝑖=0 2.20

Correlation adalah ukuran keterhubungan linear tingkat keabuan

satu piksel relative terhadap piksel lainnya pada posisi tertentu.

𝐶𝑜𝑟𝑟𝑒𝑙𝑎𝑡𝑖𝑜𝑛 = ∑ ∑(𝑖−𝜇𝑥)(𝑗−𝜇𝑦)𝑃(𝑖,𝑗)

𝜎𝑥𝜎𝑦

𝐺−1𝑗=0

𝐺−1𝑖=0 2.21

2.4 Jaringan Saraf Tiruan

Jaringan Syaraf Tiruan (JST) merupakan suatu sistem pemrosesan informasi

yang mempunyai karakteristik menyerupai jaringan syaraf biologi (Siang,

2009). Jaringan syaraf tiruan dibentuk sebagai model matematika dari saraf

biologis dengan asumsi bahwa:

1. Pemrosesan informasi terjadi pada neuron yang dianggap elemen sederhana.

2. Sinyal dikirim melalui penghubung dari neuron satu ke neuron selanjutnya.

3. Penghubung antar neuron memiliki bobot yang dapat memperkuat atau

memperlemah sinyal.

4. Untuk menentukan output, setiap neuron menggunakan fungsi aktivasi

(biasanya bukan fungsi linear) yang dikenakan pada jumlahan input yang

diterima. Besarnya output ini selanjutnya dibandingkan dengan suatu

ambang batas.

2.4.1 Backpropagation

Backpropagation merupakan algoritma pembelajaran yang

terawasi dan biasanya digunakan oleh perceptron dengan banyak lapisan

untuk mengubah bobot-bobot yang terhubung dengan neuron-neuron

yang ada pada lapisan tersembunyinya.

Backpropagation melatih jaringan untuk mendapatkan

keseimbangan antara kemampuan jaringan untuk mengenali pola yang

digunakan selama pelatihan serta kemampuan jaringan untuk memberikan

respon yang benar terhadap pola masukan yang serupa (tapi tidak sama)

dengan pola yang dipakai selama pelatihan.


24

Secara umum model backpropagation ini adalah :

𝑧𝑗 = 𝑓( 𝑣0𝑗 + ∑ 𝑥𝑖 𝑣𝑖𝑗 𝑛𝑖=1 ) 2.22

𝑦𝑘 = 𝑓 ( 𝑤0𝑘 + ∑ 𝑧𝑗 𝑤𝑗𝑘 )𝑝𝑖=1 2.23

Keterangan : (1) : fungsi aktivasi terhadap sinyal-sinyal input berbobot xi

yang dikirim ke lapisan tersembunyi. (2) : fungsi aktivasi terhadap

penjumlahan sinyal-sinyal input berbobot zj yang dikirim ke lapisan

keluaran.

Arsitektur Jaringan

Backpropagation memiliki beberapa unit yang ada dalam satu atau

lebih layar tersembunyi. Gambar 1 adalah arsitektur backpropagation

dengan n buah masukan (ditambah sebuah bias), sebuah layar tersembunyi

yang terdiri dari p unit (ditambah sebuah bias), serta m buah unit keluaran.

Vij merupakan bobot garis dari unit masukan xi ke unit layar

tersembunyi zj (vj0 merupakan bobot garis yang menghubungkan bias di

unit masukan ke unit layar tersembunyi zj). Wkj merupakan bobot dari

unit layar tersembunyi zj ke unit keluaran yk (wk0 merupakan bobot dari

bias di layar tersembunyi ke unit keluaran zk).

Gambar 2. 1 Arsitektur Jaringan Syaraf Tiruan (Hagan Demuth)


25

Fungsi AKTIVASI

Dalam backpropagation, fungsi aktivasi yang dipakai harus

memenuhi beberapa syarat yaitu : kontinu, terdiferensial dengan mudah

dan merupakan fungsi yang tidak turun. Salah satu fungsi yang memenuhi

ketiga syarat tersebut sehingga sering dipakai adalah fungsi sigmoid biner

yang memiliki range (0,1).

𝑓(𝑥) =1

1+ 𝑒−𝑥 dengan turunan 𝑓′(𝑥) = 𝑓(𝑥)(1 − 𝑓(𝑥)) 2.24

Gambar 2. 2 Fungsi Aktivasi (diambil dari Internet)

Fungsi lain yang sering dipakai adalah fungsi sigmoid bipolar yang

bentuk fungsinya mirip dengan fungsi sigmoid biner, tapi dengan range (-

1,1).

𝑓(𝑥) =2

1+𝑒−𝑥 dengan rumus 𝑓′(𝑥) =

(1+𝑓(𝑥))(1+𝑓(𝑥))

2 2.25

Grafik fungsi tampak pada gambar dibawah:

Fungsi sigmoid memiliki nilai maksimum = 1. Maka untuk pola yang

targetnya > 1, pola masukan dan keluaran harus terlebih dahulu

ditransformasi sehingga semua polanya memiliki range yang sama seperti

fungsi sigmoid yang dipakai.


26

Gambar 2. 3 Fungsi Sigmoid Bipolar (diambil dari Internet)

Alternatif lain adalah menggunakan fungsi aktivasi sigmoid pada layar

yang bukan layar keluaran. Pada layar keluaran, fungsi aktivasi yang

dipakai adalah fungsi identitas : f(x) = x. Fungsi indentitas atau yang

sering disebut juga sebagai purelin.

Gambar 2. 4 Fungsi Purelin (diambil dari Internet)

Pelatihan Standar Backpropagation

Menurut Siang (2009), pelatihan backpropagation meliputi 3 fase.

Fase pertama adalah fase maju. Pola masukan dihitung maju mulai dari

layar masukan hingga layar keluaran menggunakan fungsi aktivasi yang

ditentukan. Fase kedua adalah fase mundur. Selisih antara keluaran

jaringan dengan target yang diinginkan merupakan kesalahan yang terjadi.

Kesalahan tersebut dipropagasikan mundur, dimulai dari garis yang

berhubungan langsung dengan unit-unit di layar keluaran. Fase ketiga

adalah modifikasi bobot untuk menurunkan kesalahan yang terjadi.


27

Fase I : Propagasi Maju

Selama propagasi maju, sinyal masukan (=xi) dipropagasikan ke layar

tersembunyi menggunakan fungsi aktivasi yang ditentukan. Keluaran dari

setiap unit layar tersembunyi (=zj) tersebut selanjutnya dipropagasikan

maju lagi ke layar tersembunyi di atasnya menggunakan fungsi aktivasi

yang ditentukan. Demikian seterusnya hingga menghasilkan keluaran

jaringan (=yk).

Berikutnya, keluaran jaringan (=yk) dibandingkan dengan target yang

harus dicapai (=tk). Selisih tk-yk adalah kesalahan yang terjadi. Jika

kesalahan ini lebih kecil dari batas toleransi yang ditentukan, maka iterasi

dihentikan. Akan tetapi apabila kesalahan masih lebih besar dari batas

toleransinya, maka bobot setiap garis dalam jaringan akan dimodifikasi

untuk mengurangi kesalahan yang terjadi.

Fase II : Propagasi Mundur

Berdasarkan kesalahan tk-yk, dihitung faktor (k = 1,2,.....,m) yang dipakai

untuk mendistribusikan kesalahan di unit yk ke semua unit tersembunyi

yang terhubung langsung dengan yk. Dk juga dipakai untuk mengubah

bobot garis yang berhubungan langsung dengan unit keluaran.

Dengan cara yang sama, dihitung faktor dj disetiap unit dilayar

tersembunyi sebagai dasar perubahan bobot semua garis yang berasal dari

unit tersembuyi di layar di bawahnya. Demikian seterusnya hingga semua

faktor d di unit tersembunyi yang berhubungan langsung dengan unit

masukan dihitung.

Fase III : Perubahan Bobot

Setelah semua faktor d dihitung, bobot semua garis dimodifikasi

bersamaan. Perubahan bobot suatu garis didasarkan atas faktor d neuron

di layar atasnya. Sebagai contoh, perubahan bobot garis yang menuju ke

layar keluaran didasarkan atas dk yang ada di unit keluaran.


28

Ketiga fase tersebut diulang-ulang terus hingga kondisi penghentian

dipenuhi. Umumnya kondisi penghentian yang sering dipakai adalah

jumlah iterasi atau kesalahan. Iterasi akan dihentikan jika jumlah iterasi

yang dilakukan sudah melebihi jumlah maksimum iterasi yang ditetapkan,

atau jika kesalahan yang terjadi sudah lebih kecil dari batas toleransi yang

diijinkan.

Algoritma Pelatihan

Algoritma pelatihan untuk jaringan dengan satu layar tersembunyi

(dengan fungsi aktivasi sigmoid biner) adalah sebagai berikut :

Langkah 0 : Inisialisasi semua bobot dengan bilangan acak kecil

Langkah 1 : jika kondisi penghentian belum terpenuhi, lakukan langkah

2-9

Langkah 2 : untuk setiap pasang data pelatihan, lakukan langkah 3-8.

FASE I : Propagasi Maju

Langkah 3 : Tiap unit masukan menerima sinyal dan meneruskannya ke

unit tersembunyi diatasnya

Langkah 4 : Hitung semua keluaran di unit tersembunyi zj (j=1,2,...,p)

z_netj = 𝑣𝑗0 ∑ 𝑥𝑖 𝑣𝑖𝑗𝑛𝑖=1 2.26

zj = f(z_netj) = 1

1+𝑒−𝑧_𝑛𝑒𝑡𝑗

2.27

Langkah 5 : Hitung semua keluaran jaringan di unit y_k (k=1,2,...,m)

y_netk = 𝑤𝑘0 ∑ 𝑧𝑗 𝑤𝑘𝑗𝑝𝑗=1 2.28

yk = f(y_netk) = 1

1+𝑒−𝑦_𝑛𝑒𝑡𝑘 2.29

FASE II : Propagasi Mundur

Langkah 6 : Hitung faktor δ unit keluaran berdasarkan kesalahan di setiap

unit keluaran yk (k=1,2,...,m).

𝛿𝑘 = (𝑡𝑘 − 𝑦𝑘) 𝑓′(𝑦𝑛𝑒𝑡𝑘) = (𝑡𝑘 − 𝑦𝑘) 𝑦𝑘(1 − 𝑦𝑘) 2.30


29

δ merupakan unit kesalahan yang akan dipakai dalam perubahan bobot

layar di bawahnya (langkah 7)

Hitung suku perubahan bobot wkj (yang akan dipakai nanti untuk

merubah bobot wkj) dengan laju percepatan α

∆𝑤𝑘𝑗 = 𝛼 𝛿𝑘 𝑧𝑗 ; 𝑘 = 1,2,3, … . , 𝑝 2.31

Langkah 7 : Hitung faktor δ unit tersembunyi berdasarkan kesalahan

disetiap unit tersembunyi zj(j=1,2,3,…..,p) .

δ_netj = ∑ δ𝑘 𝑤𝑘𝑗𝑚𝑘=1 2.32

Faktor 𝛿 unit tersembunyi :

δj = δ_netj 𝑓′ (znetj

) = δ_netj 𝑧𝑗 (1 − 𝑧𝑗) 2.33

Hitung suku perubahan bobot Vij (yang akan dipakai nanti untuk merubah

bobot Vij).

𝛥𝑣𝑗𝑖 = 𝛼 𝛿𝑗 𝑥𝑖 ; 𝑗 = 1,2, … . , 𝑝 ; 𝑖 = 0,1, … , 𝑝 2.34

FASE III : Perubahan Bobot

Langkah 8 : Hitung semua perubahan bobot

Perubahan bobot garis yang menuju ke unit keluaran :

wkj (𝑏𝑎𝑟𝑢) = 𝑤𝑘𝑗(𝑙𝑎𝑚𝑎) + Δ𝑤𝑗𝑘 (k = 1,2, … , m ; j = 0,1, … , p) 2.35

Perubahan bobot garis yang menuju ke unit tersembunyi :

𝑣𝑗𝑖 (𝑏𝑎𝑟𝑢) = 𝑣𝑗𝑖(𝑙𝑎𝑚𝑎) + Δ𝑣𝑗𝑖 (j = 1,2, … , p ; j = 0,1, … , n) 2.36

Langkah 9 : Pelatihan selesai dilakukan.

2.5 K-Fold Cross Validation

K-Fold Cross Validation adalah metode yang digunakan dalam proses

pengujian klasifikasi data. Data dibagi menjadi k bagian kemudian bagian satu


30

dan bagian yang lain ditukar-tukar sebanyak k (Tan, Steinbach, dan Kumar,

2006).

Sebagai contoh data dibagi menjadi 2 bagian dengan jumlah yang sama.

Pertama, data bagian 1 digunakan sebagai data pelatihan dan data bagian 2

digunakan sebagai data pengujian. Kedua, data bagian 2 digunakan sebagai data

pelatihan dan data bagian 1 digunakan sebagai data pengujian. Contoh ini

disebut sebagai 2-Fold Cross Validation.

K-Fold Cross Validation menjadikan data pelatihan dan pengujian tidak

sama. Data pelatihan tidak digunakan sebagai data pengujian.

Tabel 2. 3 Tabel Pembagian Data Training dan Data Testing

Data A Data B Data C Data D Data E Data F

1 1

2

.

.

12

37

38

.

.

48

73

74

.

.

84

109

110

.

.

120

145

146

.

.

156

181

182

.

.

192

2 13

14

.

.

24

49

50

.

.

60

85

86

.

.

96

121

122

.

.

132

157

158

.

.

168

193

194

.

.

204

3 25

26

.

.

36

61

62

.

.

72

97

98

.

.

108

133

134

.

.

144

169

170

.

.

180

205

206

.

.

216


31

Gambar 2. 5 Pembagian data training dan data testing

2.6 Confusion Matrix

Data pelatihan dan pengujian merupakan data yang berbeda sehingga

klasifikasi dapat diuji dengan benar. Nilai akurasi berdasarkan hasil klasifikasi

dihitung dari jumlah data yang dikenali sesuai dengan target kelasnya.

Perhitungan akurasi pada klasifikasi data dihitung menggunakan tabel yang

bernama Confusion Matrix (Tan, Steinbach, dan Kumar, 2006). Pada tabel 2.2

merupakan Confusion Matrix untuk klasifikasi 2 kelas.

Tabel 2. 4 Confusion Matrix 2 Kelas (Tan, Steinbach, & Kumar, 2006).

Hasil Pengujian

1 0

Target

Kelas

1 F11 F10

0 F01 F00

Fij adalah jumlah data yang dikenali sebagai kelas ke-j dengan target kelas

ke-i. Dari tabel 2.2 didapat persamaan-persamaan untuk menghitung akurasi

dan tingkat kesalah suatu klasifikasi. :

1. Persamaan untuk menghitung akurasi keseluruhan klasifikasi

𝑎𝑘𝑢𝑟𝑎𝑠𝑖 =𝑗𝑢𝑚𝑙𝑎ℎ 𝑑𝑎𝑡𝑎 𝑠𝑒𝑠𝑢𝑎𝑖 𝑡𝑎𝑟𝑔𝑒𝑡 𝑘𝑒𝑙𝑎𝑠

𝑗𝑢𝑚𝑙𝑎ℎ 𝑠𝑒𝑚𝑢𝑎 𝑑𝑎𝑡𝑎=

𝐹11+𝐹00

𝐹11+𝐹10+𝐹01+𝐹00


32

2. Persamaan untuk menghitung error akurasi keseluruhan klasifikasi

𝑎𝑘𝑢𝑟𝑎𝑠𝑖 =𝑗𝑢𝑚𝑙𝑎ℎ 𝑑𝑎𝑡𝑎 𝑡𝑖𝑑𝑎𝑘 𝑠𝑒𝑠𝑢𝑎𝑖 𝑡𝑎𝑟𝑔𝑒𝑡 𝑘𝑒𝑙𝑎𝑠


𝐹10+𝐹10

𝐹11+𝐹10+𝐹01+𝐹00

3. Persamaan untuk menghitung akurasi klasifikasi kelas 1

𝑎𝑘𝑢𝑟𝑎𝑠𝑖 =𝑗𝑢𝑚𝑙𝑎ℎ 𝑑𝑎𝑡𝑎 𝑠𝑒𝑠𝑢𝑎𝑖 𝑡𝑎𝑟𝑔𝑒𝑡 𝑘𝑒𝑙𝑎𝑠 1


𝐹11

𝐹11+𝐹10

4. Persamaan untuk menghitung error klasifikasi kelas 1

𝑎𝑘𝑢𝑟𝑎𝑠𝑖 =𝑗𝑢𝑚𝑙𝑎ℎ 𝑑𝑎𝑡𝑎 𝑡𝑖𝑑𝑎𝑘 𝑠𝑒𝑠𝑢𝑎𝑖 𝑡𝑎𝑟𝑔𝑒𝑡 𝑘𝑒𝑙𝑎𝑠 1


𝐹10

𝐹11+𝐹10

5. Persamaan untuk menghitung akurasi klasifikasi kelas 0

𝑎𝑘𝑢𝑟𝑎𝑠𝑖 =𝑗𝑢𝑚𝑙𝑎ℎ 𝑑𝑎𝑡𝑎 𝑠𝑒𝑠𝑢𝑎𝑖 𝑡𝑎𝑟𝑔𝑒𝑡 𝑘𝑒𝑙𝑎𝑠 0


𝐹00

𝐹01+𝐹00

6. Persamaan untuk menghitung error klasifikasi kelas 0

𝑎𝑘𝑢𝑟𝑎𝑠𝑖 =𝑗𝑢𝑚𝑙𝑎ℎ 𝑑𝑎𝑡𝑎 𝑡𝑖𝑑𝑎𝑘 𝑠𝑒𝑠𝑢𝑎𝑖 𝑡𝑎𝑟𝑔𝑒𝑡 𝑘𝑒𝑙𝑎𝑠 0


𝐹01

𝐹01+𝐹00


33

BAB III

METODOLOGI PENELITIAN

Pada bab ini akan dijelaskan secara umum mengenai rencana langkah-langkah

yang akan dilakukan dalam penelitian. Termasuk bagaimana memperoleh data

penelitian, mengolah data, membuat alat uji, analisis data, cara pengujian, dan pada

bagian akhir diberikan desain alat uji serta user interface dari alat uji yang

dibangun. Pada Gambar 3.1 menjelaskan langkah-langkah penelitian klasifikasi

berbagai jenis jamur dengan metode backpropagation, antara lain penjelasan data,

tahap preprocessing, tahap ekstraksi ciri, serta tahap klasifikasi.

Gambar 3. 1 Diagram Blok Gambaran Umum Klasifikasi Jamur

3.1 Data

Dalam tugas akhir ini terdapat bagian yang berhubungan dengan bahan dan

data yang akan digunakan berikut:

1. Sumber Data

Data jamur layak konsumsi yang digunakan dalam penelitian klasifikasi

berbagai jenis jamur layak konsumsi bersumber dari CV. Volva Indonesia

yang memiliki kebun jamur yang merupakan pensuplai utama kebutuhan

jamur untuk Rumah Makan Jejamuran di Yogyakarta.

2. Jumlah

Jumlah data yang digunakan dalam penelitian klasifikasi berbagai jenis

jamur layak konsumsi ini adalah 222 data citra jamur. Citra jamur yang

diambil terdiri dari 6 jenis jamur layak konsumsi. Setiap jenis terdiri dari 37

data citra jamur, sehingga total jumlah data yang digunakan sebagai testing


34

dan training group adalah 216, serta 6 data citra sebagai data uji data

tunggal.

3. Cara Memperoleh

Banyaknya data yang digunakan tidak terlepas dari cara memperoleh

data-data citra jamur tersebut. Data berupa citra jamur ini diperoleh dengan

cara mensurvei ke CV. Volva Indonesia di Yogyakarta. Kemudian

dilakukan pengambilan foto secara manual dengan kamera. Adapun proses

memperoleh data dilakukan sebanyak 4 kali pengambilan gambar pada hari

yang berbeda-beda.

4. Bentuk

Dalam klasifikasi berbagai jenis jamur layak konsumsi ini diperlukan

banyak data guna melakukan klasifikasi jamur ini. Data-data tersebut

berupa foto/image jamur yang terdiri dari 6 jenis jamur layak konsumsi.

Bentuk atau jenis data yang digunakan ialah berupa citra jamur : Shitake,

Tiram abu-abu, Merang, Kuping, Portabella, dan Kancing. Foto tersebut

memiliki format JPG:

Tabel 3. 1 Contoh Data

No. Gambar

Jenis Jamur Layak Konsumsi

1.

Shitake

2.

Kuping


35

3.

Merang

4.

Tiram Abu

5.

Portabella

6.

Kancing

3.2 Preprocessing

Sebelum dilakukan proses ekstraksi ciri maka terlebih dahulu data-data citra

tersebut harus disiapkan sedemikian sehingga data menjadi siap dan lebih

mudah diolah. Adapun tahapan-tahapan yang dilakukan pada bagian

preprocessing adalah grayscalling, penghilangan bayangan, binarisasi, reduksi

derau, cropping, serta resizing. Gambar 3.2 merupakan alur preprocessing

dalam penelitian ini.


36

Gambar 3. 2 Alur preprocessing

Semua tahap preprocessing dilakukan dengan menggunakan bahasa

pemrograman Matlab. Tahap awal dari preprocessing adalah grayscalling.

Proses grayscalling pada penelitian ini diperlukan guna mengubah citra asli

warna RGB menjadi citra berskala keabuan. Pada proses ini digunakan toolbox

pada Matlab yakni fungsi rgb2gray(). Setelah itu dilanjutkan dengan proses

penghilangan bayangan dengan menggunakan fungsi imadjust(). Langkah

selanjutnya adalah binerisasi yakni mengonversi citra abu menjadi citra hitam

putih dengan menggunakan fungsi imbinarize(). Tahap berikutnya adalah

proses reduksi derau yakni menghilangkan derau yang masih ada pada citra

biner. Fungsi medfilt2() digunakan untuk proses reduksi derau. Setelah itu,

proses cropping yakni pemotongan citra dengan menggunakan cara kerja yakni

menemukan titik terkiri, terkanan, teratas, dan terbawah dari obyek citra jamur

sehingga nantinya titik-titik koordinat tersebut yang akan digunakan saat proses

pemotongan citra asli warna. Proses terakhir adalah resizing yaitu mengubah

ukuran citra agar memiliki ukuran yang sama untuk mempermudah proses

ekstraksi ciri serta klasifikasi. Fungsi imresize() digunakan untuk mengubah

ukurannya menjadi 897x865 pixels. Pemilihan ukuran tersebut berdasarkan

hasil penghitungan rerata dari seluruh baris dan kolom semua jenis data citra

jamur.


37

3.3 Ekstraksi Ciri

Ekstraksi ciri dan pemilihan ciri yang paling sesuai dengan karakteristik

obyek citra jamur merupakan hal yang sangat penting dan berpengaruh terhadap

kemampuan sistem dalam mengklasifikasikan obyek citra jamur. Metode-

metode yang digunakan dalam mengekstraksi ciri pada penelitian ini berkaitan

dengan analisis ciri. Ekstraksi ciri akan mengambil informasi yang penting dari

obyek citra jamur sehingga mempermudah proses klasifikasi.

Metode-metode ekstraksi ciri yang dilakukan didasarkan pada ciri warna

dan tekstur jamur. Dalam mengekstrak ciri warna digunakan metode rerata Red,

Green, Blue dan RGB serta metode HIS (Hue, Saturation, Intensity). Sedangkan

metode Statistik Tekstur dan Gray Level Co-occurrence Matrices digunakan

untuk mengekstrak ciri tekstur jamur.

Ketika melakukan ekstraksi ciri warna RGB, langkah awal yang dilakukan

adalah dengan mencari jumlah piksel dari setiap warna red green dan blue

(RGB), dari jumlah piksel yang ditemukan maka akan dihitung rerata dari setiap

keping warna red green blue serta keping RGB. Sedangkan ketika melakukan

ekstraksi ciri warna HIS, langkah awal yang dilakukan mengubah nilai

intensitas pada keping RGB yakni yang awalnya 0 hingga 255 menjadi berada

di interval 0 hingga 1. Kemudian untuk mendapatkan nilai hue, terlebih dahulu

menghitung nilai theta. Nilai hue yakni sama dengan 0 jika nilai biru lebih kecil

sama dengan hijau. Tetapi nilai hue adalah 360-theta jika nilai biru lebih besar

dari hijau. Kemudian untuk mencari nilai saturation diperoleh dengan

menghitung terlebih dahulu nilai minimum dari R,G,B kemudian nilai

minimum itu dikalikan dengan 3 yang dibagi dengan penjumlahan R dan G dan

B. Setelah diperoleh hasilnya maka nilai saturation tersebut adalah 1- hasil yang

diperoleh tersebut. Selanjutnya untuk menghitung nilai intensity, yakni

penjumlahan dari nilai R, G dan B kemudian dibagi 3.

Ketika melakukan ekstraksi ciri Statistik Tekstur, citra yang akan

diekstraksi adalah citra berskala keabuan. Sehingga dalam ekstraksi ciri

Statistik tekstur perlu mengonversi citra warna menjadi citra berskala keabuan.


38

Langkah awal yang dilakukan yakni menghitung berapa besarnya frekuensi

kemunculan suatu nilai intensitas dari citra tersebut. Kemudian dilanjutkan

dengan menghitung mean, standard deviasi, smoothness atau roughness,

skewness, uniformity serta entropy. Dalam melakukan ekstraksi ciri GLCM,

citra yang digunakan juga citra berskala keabuan. Dalam penelitian ini

digunakan penghitungan matriks GLCM dengan sudut tunggal. Kemudian

dihitung ciri dissimilarity, contrast, homogeneity, energy, entropy, mean,

variance, serta correlation.

3.4 Klasifikasi

Setelah proses ekstraksi ciri selesai dilakukan, maka selanjutnya adalah

tahap klasifikasi. Dalam tahap klasifikasi, langkah awal yang dilakukan adalah

membagi data menjadi bagian ciri dan target. Kemudian langkah berikutnya

adalah membagi data menjadi data training dan data testing. Digunakan 3-fold

yakni 2/3 dari data sebagai data training, serta 1/3 dari data digunakan sebagai

data testing. Baik untuk ciri maupun target, dilakukan pembagian training dan

testing. Tidak lupa juga diikuti dengan pemberian label training dan label

testing. Untuk pemberian label training dan label testing, dilakukan pengubahan

kelas menjadi kelas biner. Artinya, apabila kelas 1 adalah 111, kelas 2 adalah

110, kelas 3 adalah 101, kelas 4 adalah 100, kelas 5 adalah 011, dan kelas 6

adalah 010. Kemudian dilanjutkan dengan pembuatan model atau set. Sebagai

contoh ada 36 data. Maka model 1 atau se1 yakni data training dimulai dari 1

hingga 24 sedangkan data testing dimulai dari 25 hingga 36. Untuk model 2

atau set2, maka data yang menjadi data training yakni dimulai dari data 13

hingga 36, sedangkan yang menjadi data testing yakni data 1 hingga 12. Dan

yang terakhir adalah model 3 atau set3 yakni data training dimulai dari data 1

hingga 12 lalu dilanjutkan dari data 25 hingga 36, sedangkan yang menjadi data

testing yakni data ke 13 hingga 24.

Adapun arsitektur backpropagation yang digunakan dalam penelitian ini

seperti pada gambar dibawah ini:


39

Gambar 3. 3 Arsitektur jaringan backpropagation

Pada penelitian ini terdapat input sebanyak 21 input lalu dengan jumlah

iterasi sebanyak 50 iterasi. Jumlah neuron yang divariasi dalam penelitian ini

adalah 50 neuron dengan kelipatan 5. Dilakukan juga penghitungan hasil

klasifikasi untuk setiap jenis fungsi training dan fungsi aktivasinya. Adapun

fungsi training yang diujikan dalam penelitian ini adalah trainlm, traingdx,

traincgb, trainbfg, trainrp, trainscg, traincgf, traincgp, trainoss. Sedangkan

fungsi aktivasi yang juga diujikan dalam penelitian ini adalah logsig, tansig

serta purelin. Kemudian output layer sejumlah 3 output layer.

Saat proses klasifikasi yakni digunakan sejumlah 3 model atau 3 set yang

telah dibuat diawal. Masing-masing model atau set dapat memberikan akurasi

yang berbeda-beda. Selanjutnya untuk memperoleh akurasi totalnya yakni

dilakukan penjumlahan dari akurasi ketiga model atau set tersebut kemudian

dibagi 3 untuk mendapatkan rerata akurasinya. Kemudian hasilnya

dibandingkan dengan label testing. Hasil dari rerata ketiga akurasi tersebut

menjadi akurasi terbaik.

3.5 Peralatan Penelitian

Dalam penelitian skripsi klasifikasi berbagai jenis jamur layak konsumsi ini

tidak lari dari beberapa peralatan yang digunakan. Peralatan tersebut digunakan

untuk membantu dalam proses dibuatnya proposal tugas akhir ini. Peralatan

tersebut terdiri sebagai berikut :


40

1. Laptop

Merk : Lenovo

Type : ideapad 330

Processor : Intel (R) Core (TM) i5-8250U CPU @ 1.60 GHz 1.80

GHz

Ram : 4,00 GB (3,89 GB usable)

HDD : 1 TB

OS : Windows 10

Terdapat beberapa aplikasi di laptop yang digunakan untuk membantu

pengerjaan proposal tugas akhir ini. aplikasi tersebut antara lain :

a. Microsoft Office Word (versi : 2013)

b. Matlab R2018a

2. Kamera Smartphone dan Kamera biasa

Merk : Xiaomi Redmi 3S dan Sony Nex 5

3. Kotak Kosong

Kotak kosong (box) dengan ukuran 50 cm x 30 cm x 25 cm yang digunakan

sebagai tempat untuk pengambilan foto jamur sebagai data. Warna dasar kotak

ini adalah putih.

3.6 Cara Penelitian

Adapun cara penelitian yang akan dilakukan ialah sebagai berikut :

1. Studi Pustaka

Studi pustaka yang dilakukan berfungsi untuk membantu penyelesaian

proposal tugas akhir ini. Adapun pada bagian cara penelitian ini, studi pustaka

berfungsi untuk menambah teori dan mencari tahu cara pengimplementasian

metode backpropagation di matlab dengan image prepocessing.

2. Pengambilan Data

Pengambilan data berupa foto jamur layak konsumsi itu sendiri dilakukan

beberapa kali mengingat tidak semua jenis jamur layak konsumsi dapat dipanen

secara bersamaan pada suatu waktu. Maka dari itu proses pengambilan data


41

gambar disesuaikan dengan waktu panen jamur layak konsumsi. Adapun

skenario pengambilan data dari jamur adalah sebagai berikut :

Pengambilan citra jamur menggunakan kamera Canon.

Background atau penampang latar belakang citra jamur warna putih.

Jamur diletakkan pada penampang.

Objek jamur diambil dari sisi atas dengan jarak 25 cm dari lensa kamera.

Kondisi pencahayaan yakni pada pagi hari.

Citra disimpan dalam file berekstensi *.jpg.

Gambar 3. 4 Diagram alur pengambilan data

3.7 Desain Alat Uji

Pada tahap ini akan dibahas mengenai desain alat uji sistem yang akan

digunakan untuk klasifikasi jenis jamur layak konsumsi. Preprocessing sebagai

langkah awal sebelum melanjutkan pada tahap ekstraksi ciri. Kemudian setelah

preprocessing, data akan diekstraksi ciri untuk menghasilkan atau mendapatkan

ciri dari setiap jenis jamur layak konsumsi. Adapun ciri yang digunakan antara

lain ciri warna RGB, ciri warna HSI, metode Statistik Tekstur, dan ciri tekstur

dengan metode GLCM.

Setelah melalui proses ekstraksi ciri, selanjutnya adalah proses klasifikasi.


42

Dalam proses klasifikasi menggunakan jaringan saraf tiruan backpropagation,

dengan penjelasan sebagai berikut :

Tabel 3. 2 Penjelasan Arsitektur Jaringan

Input

Jumlah input dalam arsitektur ini adalah 21 yakni

diperoleh dari 21 ciri hasil ekstraksi ciri. Adapun 21

ciri tersebut yaitu : rerata Red, rerata Green, rerata

Blue, rerata RGB, hue, saturation, intensity, mean,

standard deviation, smoothness atau roughness,

skewness, uniformity, entropy, GLCM (meanX,

varianceX, uniformity, entropy, contrast,

dissimilarity, homogeneity, correlation)

Proses

Jumlah hidden layer : 1

Jumlah neuron : minimal 5, maksimal 70.

Fungsi training : trainlm, traincgb, trainbfg, trainrp,

trainscg, traincgf, traincgp, trainoss.

Fungsi aktivasi : logsig, tansig, purelin

Output

111 ( jamur Kancing)

110 ( jamur Kuping )

101 ( jamur Merang )

100 ( jamur Portabella )

011 ( jamur Shitake )

010 ( jamur Tiram Abu )


43

Setelah itu data akan dibagi menjadi 2 bagian dengan k-fold cross validation

untuk memisahkan data testing dan data training. Data training akan digunakan

untuk pelatihan, serta data testing digunakan untuk uji akurasi. Setelah itu akan

diperoleh akurasi terbaik serta optimasinya.

Gambar 3. 5 Desain user interface uji data tunggal


44

BAB IV

HASIL DAN ANALISIS HASIL

Pada bab ini membahas tentang tampilan dari program dalam

mengklasifikasikan berbagai jenis jamur layak konsumsi, disertai hasil serta

analisis hasil dari sistem dengan metode yang digunakan. Kemudian berisi juga

variasi percobaan dengan jumlah hidden layer yakni satu hidden layer maupun dua

hidden layer, variasi jumlah neuron dari setiap hidden layer, variasi jenis fungsi

aktivasi, variasi jenis learning rate, pengujian data tunggal, uraian mengenai hasil

yang diperoleh serta cara optimasinya.

4.1 Preprocessing

Ketika tahap pengambilan data telah selesai dilakukan, maka tahap

selanjutnya yang dilakukan adalah pemrosesan awal atau preprocessing. Tahap

preprocessing dilakukan untuk mempersiapkan data agar siap untuk diolah pada

tahap berikutnya (ekstraksi ciri). Adapun tahapan preprocessing dalam

penelitian ini yakni grayscalling, penghilangan bayangan, binarisasi, reduksi

derau, cropping serta resizing.

1. Citra warna RGB

Ketika citra berhasil dicapture dan disimpan dalam file berbentuk *.jpg,

maka hasil yang diperoleh dari proses pengambilan data jika ditampilkan

adalah seperti yang terlihat pada Gambar 4.1 dibawah ini. Citra asli hasil

pengumpulan data merupakan citra warna. Citra ini yang selanjutnya diolah

untuk tahap preprocessing selanjutnya serta citra ini yang digunakan untuk

memperoleh ciri warna dalam penelitian ini.


45

Gambar 4. 1 Citra warna jamur Kancing

2. Grayscaling

Pada Gambar 4.2 merupakan contoh hasil dari proses grayscalling yakni

mengonversi citra warna menjadi citra berskala abu. Data citra abu ini

digunakan dalam ekstraksi ciri tekstur. Dalam citra abu hanya terdapat 1

keping saja yang berisi nilai intensitas dari 0 hingga 255.

Gambar 4. 2 Citra abu jamur Kancing

3. Penghilangan bayangan dan binerisasi

Hasil dari proses penghilangan bayangan dengan menggunakan fungsi

imadjust() pada Matlab dimulai dengan memproses citra abu hasil

grayscalling. Proses penghilangan bayangan akan sangat terlihat

perbedaanya apabila citra abu juga diubah ke citra biner dengan proses


46

binarisasi. Proses binarisasi pada penelitian ini menggunakan fungsi

imbinarize() di toolbox Matlab.

a. Citra abu sebelum penghilangan bayangan

Proses penghilangan bayangan diawali dengan menegasikan citra

abu. Proses negasi menggunakan imcomplement() pada Matlab.

Sehingga Gambar 4.3 dibawah ini merupakan hasil dari negasi citra abu.

Gambar 4. 3 Negasi Citra abu jamur Kancing sebelum adjustment

b. Citra biner sebelum penghilangan bayangan

Agar mengetahui apakah suatu citra memiliki bayangan (berupa

derau) dalam jumlah banyak disekitar obyek pada citra dapat diketahui

dengan mengubah citra abu menjadi citra hitam putih. Hasilnya dapat

dilihat pada Gambar 4.4 yang merupakan citra hitam putih jamur

Kancing. Jelas terlihat bahwa disekitar obyek terdapat banyak bayangan

(derau dalam jumlah banyak). Bayangan ini tidak diperlukan dalam

tahap ekstraksi ciri serta bayangan ini dapat menghambat tahap

preprocessing berikutnya yakni ketika melakukan pemotongan gambar.


47

Gambar 4. 4 Citra hitam putih jamur Kancing sebelum adjustment

c. Citra abu setelah penghilangan bayangan

Tahap penghilangan bayangan pada citra abu dilakukan dengan

menggunakan fungsi imadjust() pada toolbox Matlab. Maka diperoleh

hasil dari citra abu jamur Kancing yang tertera pada Gambar 4.5 yang

telah dibersihkan bayangan disekitat obyek pada citra.

Gambar 4. 5 Citra abu setelah adjustment

d. Citra biner setelah penghilangan bayangan

Hasil dari citra abu yang telah dibersihkan dari bayangan kemudian

dibinarisasi untuk menjadi citra biner. Hasilnya setelah dibinarisasi ini

digunakan untuk proses berikutnya yakni cropping. Pada Gambar 4.4

dan Gambar 4.6 jika dibandingkan jelas terlihat perbedaannya yakni

bayangan di sekitar obyek pada citra jamur sudah lebih sedikit bahkan

cenderung hilang bayangannya (deraunya).


48

Gambar 4. 6 Citra hitam putih jamur Kancing setelah adjustment

4. Reduksi derau

Proses reduksi derau dibutuhkan untuk menghilangkan derau-derau

(yang cenderung lebih kecil) yang masih tersisa disekitar obyek pada citra.

Derau-derau kecil memang sulit terlihat secara visual dengan mata namun

ketika proses cropping dilakukan apabila derau kecil disekitar obyek masih

ada maka itu dapat menghambat proses pemotongan gambar. Pada Gambar

4.7 jika dibandingkan dengan Gamnar 4.8 maka apabila dilihat secara visual

tidak akan begitu banyak perbedaan apakah derau sudah hilang atau belum.

Gambar 4. 7 Citra sebelum dilakukan reduksi deraunya.

Derau kecil cenderung lebih mudah dikenali oleh Matlab dibanding

dengan dilihat secara langsung oleh mata. Proses penghilangan derau (yang

lebih kecil) dilakukan dengan menggunakan fungsi medfilt2() pada toolbox

Matlab.


49

Gambar 4. 8 Citra abu jamur Kancing setelah dibersihkan deraunya

5. Cropping

Proses pemotongan gambar dilakukan dengan terlebih dahulu

mengetahui koordinat titik teratas, titik terbawah, titik terkiri dan titik

terkanan dari sebuah obyek pada citra jamur. Tujuannya dilakukan

pemotongan untuk memperoleh bagian obyek saja tanpa disertai oleh

background dari citra tersebut. Ketika ingin mengetahui titik-titik koordinat

tersebut, diproses dari citra biner yang sudah bersih dari bayangan juga

derau kecil. Gambar 4.9 merupakan citra warna yang akan di potong untuk

mendapatkan obyek jamurnya saja.

Gambar 4. 9 Citra warna jamur Kancing sebelum di cropping


50

Sedangkan Gambar 4.10 merupakan hasil dari pemotongan gambar

yang berasal dari citra warna. Dapat dilihat pada gambar tersebut, hasilnya

adalah obyek jamur saja tanpa diikuti oleh background yang luas seperti

pada citra aslinya.

Gambar 4. 10 Hasil cropping jamur Kancing

6. Resizing

Proses resizing menghasilkan citra dengan ukuran yang berbeda dari

ukuran aslinya. Pada proses ini, citra diresize sesuai dengan ukuran yang

sudah ditentukan. Ukuran yang digunakan yakni 897x865 piksel. Ukuran

inilah yang digunakan untuk meresize semua jenis jamur dalam penelitian

ini.

Gambar 4. 11 Citra warna jamur Kancing dengan ukuran asli

Setelah dilakukan resize dengan ukuran yang telah ditentukan maka

dapat dilihat pada Gambar 4.12 yakni ukuran citra sudah sama.


51

Gambar 4. 12 Citra warna jamur Kancing setelah resizeresize)

4.2 Ekstraksi Ciri

Kemampuan sistem dalam mengklasifikasikan obyek akan lebih efektif dan

cepat ketika kita bias mendapatkan ciri yang mampu membedakan satu jenis

obyek dengan jenis obyek lainnya dibandingkan dengan menggunakan seluruh

informasi yang ada. Ketika memilih metode ekstraksi ciri yang tepat maka

secara langsung akan mengurangi dimensi data yang akan diolah sehingga akan

lebih meringankan beban memory juga waktu. Proses ekstraksi ciri dilakukan

untuk semua data yang akan diolah yakni data training dan data testing.

Ekstraksi ciri dalam penelitian ini dibagi menjadi ciri warna dan ciri tekstur.

1. Rerata Red, Green, Blue, dan RGB

Hasil ektraksi ciri metode rerata Red, Green, Blue dan RGB pada Tabel

4.1 yang menampilkan masing-masing ciri warna RGB setiap jenis jamur.

Setiap ciri baik itu rerata Red, rerata Green, rerata Blue serta rerata RGB

merepresentasikan obyek citra jamur dari setiap jenis jamur. Maka dari itu

nilai rerata Red jamur Kancing berbeda dengan nilai rerata Red jamur

Kuping, begitu pula dengan jamur Merang, Portabella, Shitake serta Tiram

abu memiliki nilai yang berbeda untuk setiap ciri warna RGB tersebut.

Apabila dilakukan analisa maka rerata Red sama dengan 133, rerata

Green sama dengan 122, rerata Blue 110 serta rerata RGB 122 merupakan

ciri warna RGB untuk jenis jamur Kancing. Bila dibandingkan dengan ciri

warna RGB jamur Kuping maka jelas berbeda. Pada jamur Kuping untuk

rerata Red 102, rerata Green 94, rerata Blue 93 serta rerata RGB 96. Bila

dibandingkan secara visual dengan mata, karakteristik warna jamur Kancing

dan Kuping adalah jelas berbeda karena jamur Kancing cenderung lebih

cerah yakni dominan putih sedangkan jamur Kuping lebih cenderung


52

berwarna gelap.

Tabel 4. 1Contoh hasil ekstraksi ciri warna RGB

Jamur Atribut

MeanR MeanG MeanB MeanRGB

Kancing 133 122 110 122

Kuping 102 94 93 96

Merang 75 69 62 69

Portabella 96 86 80 87

Shitake 129 105 93 109

Tiram abu 112 105 97 105

2. HIS (Hue, Saturation, Intensity)

Hasil dari ekstraksi ciri warna HSI menghasilkan 3 ciri yakni nilai dari

hue, saturation, intensity. Ketika melakukan ekstraksi ciri HSI, terlebih

dahulu nilai dari citra warna RGB diubah menjadi nilai yang berada diantara

0 hingga 1 dengan fungsi im2double() pada toolbox di Matlab.

Adapun representasi nilai hue, saturation, intensity dari setiap jenis jamur

yakni terdapat beberapa contoh data pada Tabel 4.2. Setiap jenis jamur

memiliki nilai HSI yang berbeda satu dengan yang lainnya.


53

Tabel 4. 2Contoh hasil ekstraksi ciri warna HSI

Jamur

Atribut

Hue Saturation Intensity

Kancing 0.203675 0.10573003 0.47711678

Kuping 0.312339 0.06438572 0.37728262

Merang 0.198641 0.15960656 0.27003283

Portabella 0.222917 0.1504051 0.3416678

Shitake 0.1762 0.25177642 0.42679533

Tiram abu 0.19651 0.11724669 0.41035937

3. Statistik Tekstur

Apabila dalam mengekstrak ciri warna menggunakan citra warna dari

setiap jenis jamur, maka ketika mengekstrak ciri tekstur, citra yang

digunakan yakni citra abu dari setiap jenis jamur. Ketika mengekstrak ciri

tekstur, lebih dahulu dilakukan proses mengonversi citra warna menjadi

citra abu dengan fungsi rgb2gray(). Adapun beberapa ciri yang dihasilkan

dengan metode Statistik Tekstur ini adalah 6 ciri. Beberapa contoh hasil dari

ekstraksi ciri tekstur dengan statistic tekstur dapat dilihat pada Tabel 4.3.

Dapat dibandingkan bahwa ciri mean setiap jenis jamur berbeda-beda. Hal

itu dapat diketahui dari mean jamur Kancing yaitu 124 sedangkan mean

jamur Kuping 96, mean jamur Merang 70, mean jamur Portabella 88, mean

jamur Shitake 111, dan mean jamur Tiram abu 106. Tetapi apabila

dibandingkan hasil ciri entropy, setiap jenis jamur cenderung hampir

memiliki nilai yang sama. Artinya tidak begitu banyak perbedaan ataupun

selisih nilai entropy jamur Kancing dengan jamur lainnya.


54

Tabel 4. 3 Contoh hasil ekstraksi ciri Statistik Tekstur

Jamur Atribut

1 2 3 4 5 6

Kancing 124 24.0666 0.99828 -9562.181 0.01438 6.38699

Kuping 96 61.8352 0.99974 139008.2 0.01802 6.3672

Merang 70 41.8807 0.99943 43923.32 0.00967 6.93773

Portabella 88 34.4809 0.99916 16418.27 0.01132 6.78227

Shitake 111 63.2918 0.99975 131521.3 0.01418 6.67654

Tiram abu 106 35.128 0.99919 12253.8 0.00905 6.93902

Keterangan nama ciri :

1 = Mean

2 = Standar deviasi

3 = Smoothness atau Roughness

4 = Skewness

5 = Uniformity

6 = Entropy

4. Gray Level Co-occurrence Matrix

Beberapa hasil dari penghitungan ciri tekstur dengan metode GLCM

tertera pada Tabel 4.4. Saat melakukan ekstraksi ciri tekstur dengan metode

GLCM, citra yang digunakan yakni citra abu. Maka dari itu sebelum

mengekstrak ciri GLCM terlebih dahulu data citra dkikonversi menjadi citra

abu dengan bantuan fungsi rgb2gray() pada toolbox di Matlab. Hasil dari

metode ekstraksi ciri GLCM menghasilkan 8 ciri. Namun yang perlu

diperhatikan sebagai bagian dari analisa adalah saat menghitung nilai dari

setiap ciri pada metode GLCM, perlu ditentukan apakah menggunakan

sudut tunggal atau sudut ganda. Pada penelitian ini digunakan sudut tunggal.

Setelah dipilih sudut tunggal, maka selanjutnya adalah melakukan

pengujian terhadap besar sudut. Artinya dengan besar sudut berapakah dapat


55

menghasilkan hasil yang terbaik. Pada sudut tunggal, besar sudut nya antara

lain 0, 45, 90, serta 135.

Tabel 4. 4 Contoh hasil ekstraksi ciri Tekstur GLCM

Jamur Atribut

Dissimilarity Contrast Homogeneity Energy

Kancing 1.385350434 5.73393373 0.597552114 0.003406

Kuping 1.743124226 13.414207 0.617367613 0.007564

Merang 1.290608227 5.67259109 0.601802965 0.001988

Portabella 1.176450248 5.55383722 0.671876402 0.003559

Shitake 1.814070242 10.8498516 0.587408632 0.00599

Tiram abu 0.834027921 2.54893812 0.71738859 0.003099

Jamur Atribut

Entropy MeanX VarianceX Correlation

Kancing 2.7725476 123.9711 578.726053 0.995576

Kuping 2.758092 96.03294 3819.69931 0.998678

Merang 2.9136139 70.13056 1748.86537 0.999449

Portabella 2.810238 88.11136 1185.95639 0.999036

Shitake 2.8721553 110.5029 4003.62133 0.998271

Tiram abu 2.7507925 106.0585 1230.43863 1.000592

4.3 Hasil Klasifikasi

Setelah diperoleh hasil tahap preprocessing dan ekstraksi ciri, selanjutnya

adalah hasil dari proses klasifikasi. Adapun proses klasifikasi tersebut yakni :

a. Pembagian Data menjadi 3-Fold Cross Validation

Jumlah data training dan testing adalah 216 data. Maka setiap kelas

memiliki 36 data. Dalam 3-Fold Cross Validation, data training

sebanyak 2/3 dari jumlah data dalam sebuah kelas, sedangkan data


56

testing adalah 1/3 dari jumlah data dalam sebuah kelas.

b. Arsitektur Jaringan Backpropagation

Setelah dilakukan pembuatan model 3-fold cross validation untuk data

training dan data testing, selanjutnya adalah proses klasifikasi. Variasi-

variasi yang dilakukan dalam percobaan yang berkaitan dengan

arsitektur jaringan backpropagation antara lain :

Tabel 4. 5 Arsitektur awal Jaringan backpropagation

Fungsi Training Trainlm, Traincgb, Trainbfg, Trainrp,

Trainscg, Traincgf, Traincgp, Trainoss.

Fungsi aktivasi Logsig, Tansig, Purelin

Jumlah hidden layer 1

Jumlah neuron 70 (dengan kelipatan 5)

Kemudian setelah dilakukan percobaan, dipilihlah satu fungsi training

yang tepat dalam mengklasifikasikan jamur ditinjau dari hasil akurasi

yang paling baik. Begitu juga fungsi aktivasi antara logsig dan tansig

akan dipilih mana yang paling tepat dan dijadikan sebagai arsitektur

jaringan dalam klasifikasi jamur.

4.4 Analisis hasil

a. Pemilihan Fungsi training

Saat melakukan percobaan-percobaan dalam proses klasifikasi,

percobaan yang dilakukan pertama kali adalah pemilihan fungsi training.

Percobaan ini dilakukan dengan menggunakan input ataupun ciri yakni

seluruh ciri yang digunakan dalam penelitian berjumlah 21 ciri. Kemudian

percobaan dilakukan yakni diuji setiap fungsi training yaitu Trainlm,

Traincgb, Trainbfg, Trainrp, Trainscg, Traincgf, Traincgp, Trainoss,

baik dengan fungsi aktivasi logsig, tansig maupun fungsi aktivasi purelin


57

disertai dengan pengujian pada citra yang di-resize maupun yang tidak di-

resize. Kemudian diperoleh hasil perbandingan setiap fungsi training pada

fungsi aktivasi logsig, tansig, dan purelin serta pada data yang sudah di

resizing maupun belum di resizing.

Pada grafik gambar 4.13 dibawah ini merupakan perbandingan seluruh

fungsi dengan menggunakan fungsi logsig sebagai fungsi aktivasi serta data

yang digunakan adalah data citra yang belum di-resize.

Gambar 4. 13 Grafik LOGSIG dan non-resize

Pada grafik diatas dapat dilihat bahwa pada fungsi training trainlm

memiliki akurasi maksimal 96% pada neuron ke 25. Sedangkan traincgb

memiliki akurasi maksimal 91% pada neuron ke 25, 65 dan 70. Trainbfg

memiliki akurasi maksimal 91% pada neuron ke 25 dan 55. Fungsi trainrp

memiliki akurasi maksimal 91% pada neuron ke 10 dan 65. Fungsi trainscg

memiliki akurasi maksimal 92% pada neuron ke 25. Fungsi traincgf

memiliki akurasi maksimal 92% pada neuron ke 25. Fungsi traincgp

memiliki akurasi maksimal 91% pada neuron ke 25. Serta trainoss memiliki

akurasi maksimal 91% pada neuron ke 25 dan 65.

Berdasarkan hasil akurasi maksimal yang diperoleh oleh setiap fungsi

training maka fungsi trainlm merupakan fungsi training yang memiliki

70

75

80

85

90

95

100

5 10 15 20 25 30 35 40 45 50 55 60 65 70

Fungsi LOGSIG, NON-Resize

Trainlm Traincgb Trainbfg Trainrp

Trainscg Traincgf Traincgp Trainoss


58

akurasi tertinggi dibanding fungsi training lainnya apabila proses percobaan

dilakukan dengan fungsi aktivasi logsig serta data yang digunakan adalah

data yang tidak di-resize.

Selanjutnya dilakukan percobaan pemilihan fungsi training dengan

menggunakan fungsi aktivasi tansig serta data citra yang tidak di-resize.

Pada grafik gambar 4.14 merupakan hasil perbandingan delapan fungsi

training dengan menggunakan fungsi aktivasi tansig serta data citra yang

tidak di-resize.

Gambar 4. 14 Grafik TANSIG dan non-resize



memiliki akurasi maksimal 94% pada neuron ke 55 dan 70. Trainbfg

memiliki akurasi maksimal 95% pada neuron ke 45. Fungsi trainrp memiliki

akurasi maksimal 91% pada neuron ke 55. Fungsi trainscg memiliki akurasi

maksimal 94% pada neuron ke 70. Fungsi traincgf memiliki akurasi

maksimal 94% pada neuron ke 55. Fungsi traincgp memiliki akurasi

maksimal 93% pada neuron ke 55. Serta trainoss memiliki akurasi maksimal

91% pada neuron ke 25.


70

75

80

85

90

95

100

5 10 15 20 25 30 35 40 45 50 55 60 65 70

Fungsi TANSIG, Non-Resize




59


akurasi tertinggi dibanding fungsi training lainnya yakni hasil akurasi

maksimal 96% apabila proses percobaan dilakukan dengan fungsi aktivasi

tansig dan data yang digunakan adalah data yang tidak di-resize.

Selanjutnya pada grafik gambar 4.15 dibawah ini merupakan hasil

perbandingan delapan fungsi training dengan menggunakan fungsi aktivasi

purelin serta data citra yang tidak di-resize.

Gambar 4. 15 Grafik PURELIN dan non-resize


memiliki akurasi maksimal 94% pada neuron ke 30, 35 dan 70. Sedangkan

traincgb memiliki akurasi maksimal 90% pada neuron ke 25, 30 dan 70.

Trainbfg memiliki akurasi maksimal 94% pada neuron ke 70. Fungsi trainrp

memiliki akurasi maksimal 90% pada neuron ke 40. Fungsi trainscg


memiliki akurasi maksimal 89% pada neuron ke 25 dan 70. Fungsi traincgp


akurasi maksimal 90% pada neuron ke 35.


training maka fungsi trainlm dan trainbfg merupakan fungsi training yang

65

70

75

80

85

90

95

100

5 10 15 20 25 30 35 40 45 50 55 60 65 70

Fungsi Purelin, NON-Resize




60

memiliki akurasi tertinggi dibanding fungsi training lainnya yakni hasil

akurasi maksimal 94% apabila proses percobaan dilakukan dengan fungsi

aktivasi purelin dan data yang digunakan adalah data yang tidak di-resize.

Pada gambar 4.16 dibawah ini merupakan perbandingan delapan fungsi

training dengan menggunakan fungsi logsig sebagai fungsi aktivasi serta

data yang digunakan adalah data citra yang sudah di-resize.

Gambar 4. 16 Grafik LOGSIG dan resize



memiliki akurasi maksimal 94% pada neuron ke 50. Trainbfg memiliki

akurasi maksimal 93% pada neuron ke 10, 45 dan 55. Fungsi trainrp

memiliki akurasi maksimal 94% pada neuron ke 30 dan 50. Fungsi trainscg


memiliki akurasi maksimal 94% pada neuron ke 45 dan 55. Fungsi traincgp



Berdasarkan hasil akurasi maksimal yang diperoleh setiap fungsi


akurasi tertinggi dibanding fungsi training lainnya apabila proses percobaan

50

60

70

80

90

100

5 10 15 20 25 30 35 40 45 50 55 60 65 70

Fungsi LOGSIG, RESIZE




61

dilakukan dengan fungsi aktivasi logsig serta data yang digunakan adalah

data yang sudah di-resize.

Selanjutnya dilakukan percobaan pemilihan fungsi training dengan

menggunakan fungsi aktivasi tansig serta data citra yang sudah di-resize.

Pada gambar 4.17 merupakan hasil perbandingan delapan fungsi training

dengan menggunakan fungsi aktivasi tansig serta data citra yang sudah di-

resize.

Gambar 4. 17 Grafik TANSIG dan resize

Pada grafik dapat dilihat bahwa pada fungsi training trainlm memiliki

akurasi maksimal 98% pada neuron ke 55. Sedangkan traincgb memiliki

akurasi maksimal 93% pada neuron ke 10, 30, 50 dan 70. Trainbfg memiliki

akurasi maksimal 95% pada neuron ke 35 dan 55. Fungsi trainrp memiliki

akurasi maksimal 93% pada neuron ke 10. Fungsi trainscg memiliki akurasi

maksimal 93% pada neuron ke 10 dan 30. Fungsi traincgf memiliki akurasi






60

65

70

75

80

85

90

95

100

5 10 15 20 25 30 35 40 45 50 55 60 65 70

Fungsi TANSIG, RESIZE




62



tansig dan data yang digunakan adalah data yang sudah di-resize.

Selanjutnya pada gambar 4.18 dibawah ini merupakan hasil

perbandingan delapan fungsi training dengan menggunakan fungsi aktivasi

purelin serta data citra yang sudah di-resize.

Gambar 4. 18 Grafik PURELIN dan resize

Pada grafik dapat dilihat bahwa pada fungsi training trainlm memiliki

akurasi maksimal 96% pada neuron ke 70. Sedangkan traincgb memiliki

akurasi maksimal 91% pada neuron ke 70. Trainbfg memiliki akurasi

maksimal 94% pada neuron ke 60. Fungsi trainrp memiliki akurasi

maksimal 89% pada neuron ke 30 dan 70. Fungsi trainscg memiliki akurasi

maksimal 93% pada neuron ke 70. Fungsi traincgf memiliki akurasi



91% pada neuron ke 30, 40 dan 70.




70

75

80

85

90

95

100

5 10 15 20 25 30 35 40 45 50 55 60 65 70

Fungsi PURELIN, RESIZE




63


purelin dan data yang digunakan adalah data yang sudah di-resize.

Berdasarkan hasil percobaan-percobaan yang dilakukan dalam memilih

fungsi training, maka diperoleh fungsi training terbaik yakni trainlm baik

untuk fungsi aktivasi logsig, tansig, serta purelin juga dengan menggunakan

data yang tidak di-resize maupun yang sudah di-resize. Kemudian fungsi

trainlm ini akan digunakan dalam memilih fungsi aktivasi yang terbaik.

b. Pemilihan fungsi aktivasi

Dalam proses pemilihan fungsi aktivasi yakni menentukan manakah

diantara fungsi logsig, tansig dan purelin yang memiliki akurasi paling baik

dalam proses klasifikasi jamur ini, sehingga fungsi aktivasi tersebutlah yang

akan digunakan pada percobaan-percobaan berikutnya. Adapun jumlah

input yakni sebanyak 21 input atau 21 ciri yang digunakan dalam percobaan

pemilihan fungsi aktivasi.

Pada percobaan untuk memilih fungsi aktivasi terbaik yakni digunakan

hanya satu fungsi training yang sudah dipilih sebelumnya yakni fungsi

training trainlm. Pada grafik gambar 4.19 merupakan perbandingan dari

ketiga fungsi aktivasi yaitu logsig, tansig, serta purelin yang dicobakan

dengan fungsi training trainlm serta data citra yang tidak di-resize.


64

Gambar 4. 19 Grafik Trainlm, nonResize

Pada grafik dapat dilihat bahwa pada fungsi aktivasi logsig memiliki

akurasi maksimal 96% pada neuron ke 25 dan 70. Sedangkan fungsi tansig

memiliki akurasi maksimal 96% pada neuron ke 30. Lalu fungsi purelin

memiliki akurasi maksimal 94% pada neuron ke 30, 35 dan 70.

Berdasarkan hasil akurasi tertinggi yang diperoleh setiap fungsi aktivasi

yakni logsig, tansig, dan purelin dengan data yang tidak di-resize serta

fungsi training adalah trainlm maka fungsi logsig dan tansig merupakan

fungsi aktivasi yang memiliki akurasi tertinggi yakni 96%. Selanjutnya

dilakukan percobaan untuk memilih fungsi aktivasi terbaik dengan data

yang sudah di-resize dan fungsi training yang digunakan adalah trainlm.

Pada grafik gambar 4.20 merupakan perbandingan dari ketiga fungsi

aktivasi yaitu logsig, tansig, serta purelin yang dicobakan dengan fungsi

training trainlm serta data citra yang sudah di-resize lebih dahulu. Langkah

yang dilakukan hampir sama dengan percobaan pemilihan fungsi aktivasi

sebelumnya, hanya saja data yang digunakan adalah data citra yang sudah

di-resize .

80

82

84

86

88

90

92

94

96

98

100

5 10 15 20 25 30 35 40 45 50 55 60 65 70

Trainlm, NON-resize

LOGSIG TANSIG PURELIN


65

Gambar 4. 20 Grafik Trainlm, nonResize

Pada grafik dapat dilihat bahwa pada fungsi aktivasi logsig memiliki

akurasi maksimal 97% pada neuron ke 25. Kemudian fungsi tansig memiliki

akurasi maksimal 98% pada neuron ke 55. Lalu fungsi purelin memiliki


Berdasarkan hasil akurasi tertinggi yang diperoleh setiap fungsi aktivasi

yakni logsig, tansig, dan purelin dengan data baik yang tidak di-resize

maupun yang sudah di-resize maka fungsi aktivasi yang terbaik adalah

tansig.

c. Resizing vs non-resizing

Dalam proses resize adalah memperbesar atau memperkecil skala citra.

Pada penelitian ini, penulis menggunakan metode rerata baris dan rerata

kolom dari seluruh data citra jamur yang digunakan dalam penelitian ini

baik data training maupun data testing. Kemudian nilai rerata itulah yang

menjadi nilai atau ukuran untuk jamur dikenai resizing. Hasil resizing

menunjukkan perbedaan akurasi jika dibandingkan dengan hasil akurasi

klasifikasi data yang tidak di-resize.

Dalam percobaan ini, fungsi training yang digunakan adalah trainlm

85

87

89

91

93

95

97

99

5 10 15 20 25 30 35 40 45 50 55 60 65 70

Trainlm, Resize

LOGSIG TANSIG PURELIN


66

serta fungsi aktivasi yang digunakan adalah tansig. Perbandingan yang

dilakukan yang untuk membandingkan akurasi dari data citra yang tidak di-

resize dengan data citra yang sudah di-resize dengan ukuran tertentu. Pada

grafik gambar 4.21 diperoleh hasil perbandingan data resize dengan tidak

resize.

Gambar 4. 21 Grafik Perbandingan Non-resize dengan Resize

Berdasarkan hasil yang diperoleh yakni data yang tidak di-resize

memiliki akurasi maksimal 96%. Sementara data yang sudah di-resize

memiliki akurasi maksimal 98%. Maka percobaan yang dilakukan dengan

menggunakan fungsi training trainlm dan fungsi aktivasi tansig dengan

membandingkan data yang tidak di-resize dengan data yang sudah di-resize

menghasilkan akurasi tertinggi yakni 98% pada data yang sudah di-resize.

Namun yang menjadi evaluasi adalah metode resizing yang digunakan

dalam penelitian ini masih bersifat statis atau rumit yakni terlebih dahulu

mencari jumlah baris serta jumlah kolom dari seluruh data yang digunakan

dalam penelitian. Kemudian dicari rerata dari baris dan kolom dengan

membagikan jumlah total baris serta jumlah total kolom dibagi dengan

jumlah total data training dan data testing yang digunakan dalam penelitian

ini. Apabila jumlah data training dan testingnya ditambah atau dikurangi,

maka nilai atau ukuran resizing juga berubah mengikuti dengan nilai rerata

82

84

86

88

90

92

94

96

98

100

5 10 15 20 25 30 35 40 45 50 55 60 65 70

Trainlm, TANSIG

NON-RESIZE RESIZE


67

baris dan rerata kolom yang baru.

d. Klasifikasi berdasarkan per kategori ciri

Penulis juga melakukan percobaan untuk mengetahui ciri mana yang

secara individual memiliki akurasi tertinggi. Adapun arsitektur yang

digunakan dalam percobaan per kategori ciri yakni fungsi training trainlm,

fungsi aktivasi tansig, serta data yang digunakan adalah data yang sudah di-

resize. Input yang digunakan dalam percobaan ini yakni per kategori ciri.

Ciri rerata R, G, B dan rerata RGB memiliki input yakni 4 ciri. Sedangkan

untuk ciri HSI memiliki input 3 ciri. Input ciri statistik tekstur memiliki

input 6 ciri serta ciri tekstur GLCM memiliki input 8 ciri. Kemudian setiap

kategori ciri dibandingkan lalu diperoleh hasil seperti pada grafik gambar

4.22 dibawah ini.

Gambar 4. 22 Grafik Perbandingan akurasi per ciri

Berdasarkan hasil perbandingan tiap kategori ciri, maka diperoleh

akurasi maksimal untuk ciri rerata R, G, B dan rerata RGB yakni 81% pada

neuron ke 10 dan 35. Sedangkan pada ciri HSI memiliki akurasi maksimal

yakni 80% pada neuron ke 15. Ciri statistik tekstur memiliki akurasi

maksimal yakni 85% pada neuron ke 45 dan ciri tekstur GLCM memiliki

akurasi maksimal 95% pada neuron 35.

70

75

80

85

90

95

100

5 10 15 20 25 30 35 40 45 50 55 60 65 70

Trainlm, Tansig, Resize

RGB HSI ST GLCM


68

e. Klasifikasi berdasarkan kombinasi 2 kategori ciri

Penulis juga melakukan percobaan untuk kombinasi 2 kategori ciri.

Adapun arsitektur yang digunakan dalam percobaan per 2 kategori ciri yakni

fungsi training trainlm, fungsi aktivasi tansig, serta data yang digunakan

adalah data yang sudah di-resize. Input yang digunakan dalam percobaan ini

yakni kombinasi 2 kategori ciri. Ciri tekstur GLCM dikombinasikan dengan

RGB, kemudian GLCM dengan HSI serta GLCM dengan statistik tekstur.

Kemudian diperoleh hasil seperti pada grafik gambar 4.23 dibawah ini.

Gambar 4. 23 Grafik perbandingan kombinasi 2 kategori ciri

Berdasarkan hasil perbandingan kombinasi 2 kategori ciri, maka

diperoleh akurasi maksimal untuk ciri tekstur GLCM dengan statistik

tekstur yakni 96% pada neuron ke 20 dan 50. Sedangkan pada ciri GLCM

dengan RGB memiliki akurasi maksimal yakni 96% pada neuron ke 15. Ciri

GLCM dengan HSI memiliki akurasi maksimal yakni 95% pada neuron ke

70.

f. Klasifikasi berdasarkan kombinasi 3 kategori ciri

Penulis juga melakukan percobaan untuk kombinasi 3 kategori ciri.

Adapun arsitektur yang digunakan dalam percobaan per 3 kategori ciri yakni

84

86

88

90

92

94

96

98

100

5 10 15 20 25 30 35 40 45 50 55 60 65 70


GLCM&ST GLCM&RGB GLCM&HIS


69

fungsi training trainlm, fungsi aktivasi tansig, serta data yang digunakan

adalah data yang sudah di-resize. Input yang digunakan dalam percobaan ini

yakni kombinasi 3 kategori ciri. Ciri tekstur GLCM dikombinasikan dengan

statistik tekstur juga RGB, kemudian GLCM dengan statistik tekstur dan

HSI. Kemudian diperoleh hasil seperti pada grafik gambar 4.24 dibawah ini.

Gambar 4. 24 Grafik perbandingan kombinasi 3 kategori ciri

Berdasarkan hasil perbandingan kombinasi 3 kategori ciri, maka

diperoleh akurasi maksimal untuk ciri tekstur GLCM dengan statistik

tekstur juga RGB yakni 97% pada neuron ke 25. Sedangkan pada ciri

GLCM dengan statistik tekstur dan HSI memiliki akurasi maksimal yakni


Berbagai macam percobaan mulai dari pemilihan fungsi training

terbaik hingga klasifikasi dengan input 3 kategori ciri, maka diperoleh

hasil yang paling baik atau akurasi yang tertinggi yakni dengan

menggunakan seluruh ciri yakni 21 ciri sebagai input, fungsi training

trainlm, fungsi aktivasi tansig serta data citra yang digunakan yakni dat

citra yang sudah di-resize. Hasil akurasi tertinggi yakni 98%.

82

84

86

88

90

92

94

96

98

5 10 15 20 25 30 35 40 45 50 55 60 65 70


GLCM,ST,RGB GLCM,ST, HIS


70

g. Arsitektur Optimal

Setelah melakukan percobaan-percobaan, maka arsitektur optimal yang

digunakan dalam penelitian untuk memperoleh akurasi tertinggi yakni

sebagai berikut :

Gambar 4. 25 Desain arsitektur jaringan terbaik

Berdasarkan hasil yang diperoleh dapat dilihat pada Gambar 4.25 yakni

grafik hasil akurasi terbaik. Hasil terbaik yakni 98% terdapat pada neuron

ke 25 dengan jumlah layer tersembunyi yakni 1. Fungsi trainingnya adalah

trainlm, fungsi aktivasinya adalah tansig serta citra yang digunakan yakni

hasil resize yang sudah dilakukan penyamaan ukuran citra.

Tabel 4. 6 Arsitektur jaringan backpropagation optimal

Fungsi Training Trainlm

Fungsi aktivasi Logsig

Input 21 Ciri

Jumlah hidden layer 1

Jumlah neuron 55

Jumlah Output layer 3

Output luaran 1

Tabel 4.6 menampilkan keterangan-keterangan dari arsitektur jaringan

terbaik yang dihasilkan pada penelitian ini


71

BAB V

PENUTUP

5.1 Kesimpulan

Dalam hasil penelitian tentang klasifikasi berbagai jenis jamur layak

konsumsi menggunakan metode backpropagation dapat disimpulkan beberapa

hal sebagai berikut :

1. Metode backpropagation mampu mengklasifikasikan berbagai jenis

jamur layak konsumsi dengan optimal.

2. Akurasi terbaik yakni 98% dengan menggunakan ciri warna dan ciri

tekstur dengan total jumlah ciri yakni 21 ciri, jumlah layer

tersembunyi yakni 1, fungsi training trainlm, fungsi aktivasi tansig,

data citra hasil resize serta berada pada neuron ke 55.

5.2 Saran

Dari hasil penelitian mengenai klasifikasi berbagai jenis jamur layak

konsumsi yang sudah dilakukan, ada beberapa saran yang dapat diberikan penulis

untuk kepentingan selanjutnya dalam pengembangan program maupun studi

kasus yang hampir serupa yakni :

1. Dapat digunakan ciri geometri yakni menghitung luas dan keliling

obyek berdasar data citra.

2. Menemukan metode resizing yang lebih sederhana.


72

Daftar Pustaka

Jaelani. 2008. Jamur Berkhasiat Obat. Pustaka Obor Populer : Jakarta.

http://repository.usu.ac.id/ (Badan Pusat Statistik, 2012, http://bps.go.id/) diakses

tanggal 23 Oktober 2018.

KBBI, 2016, jamur, http://kbbi.web.id/jamur diakses tanggal 18 Oktober 2018.

Chang ST, Miles PG. 2004. Mushrooms: Cultivation, Nutritional value, Medicinal

Effect, and Environmental Impact. CRC Press, Boca Raton.

Sukarno, Nadia T. Hendartina, Dedi Fardiaz, Nampiah Sukarno, 2014,

Karakteristik Fungsional Protein Miselium Jamur Tiram Merah Muda dan

Merang, Jurnal Teknologi dan Industri Pangan, Bogor.

Widiarti, Anastasia Rita. 2013. Teori dan Aplikasi Pengolahan Citra Digital :

Transliterasi Otomatis Citra Dokumen Teks Aksara Jawa. Lintang Pustaka

Utama. Yogyakarta.

Kadir, Abdul., Susanto, Andi. 2013. Teori dan Aplikasi Pengolahan Citra. Penerbit

ANDI. Yogyakarta.

Sianipar, RH. 2018. Dasar Pemrosesan Citra Digital dengan Matlab. Penerbit

ANDI. Yogyakarta.

Madenda, Sarifuddin. 2015. Pengolahan Citra & Video Digital. Penerbit Erlangga.

Jakarta.

Siang, J.J. 2005. Jaringan Saraf Tiruan dan Pemrogramannya Menggunakan

MATLAB. Penerbit ANDI. Yogyakarta.

Putra, Darma. 2009. Pengolahan Citra Digital. Penerbit ANDI. Yogyakarta.

Roosheroe. 2006. Mikologi: Dasar dan Terap55an. Yayasan Pustaka Obor

Indonesia : Jakarta.


http://repository.usu.ac.id/

http://kbbi.web.id/jamur

73

LAMPIRAN


74

1. Lampiran Hasil Akurasi

a. Akurasi hasil pemilihan fungsi training

Semua Fungsi Training , Logsig, Non-resize

Neuron Trainlm Traincgb Trainbfg Trainrp Trainscg Traincgf Traincgp Trainoss

5 93 81 86 83 75 80 80 78

10 90 90 85 91 89 86 86 87

15 91 87 85 85 89 85 85 84

20 94 87 86 88 87 89 86 86

25 96 91 91 86 92 92 91 91

30 93 87 86 89 87 87 88 88

35 94 89 87 90 88 90 88 88

40 93 89 90 88 87 91 90 84

45 93 88 89 89 88 88 89 85

50 95 84 86 88 83 89 82 88

55 94 89 91 90 90 91 83 81

60 92 86 86 88 88 87 89 84

65 94 91 90 91 88 91 88 91

70 96 91 83 85 87 81 83 83

Semua Fungsi Training , tansig, Non-resize


5 90 80 80 84 85 73 81 82

10 95 88 90 88 89 88 86 88

15 92 90 88 88 87 87 88 90

20 94 91 93 87 85 92 92 89

25 94 92 91 87 92 93 92 91

30 96 88 90 89 89 89 90 87

35 93 90 91 89 87 90 91 84

40 94 87 89 84 88 88 89 87

45 91 89 95 87 92 88 92 90

50 92 92 90 89 90 89 92 86

55 94 94 92 91 91 94 93 88

60 85 90 90 86 89 90 89 89

65 94 91 90 88 90 90 90 88

70 94 94 94 87 94 93 92 89


75

Semua Fungsi Training , purelin, Non-resize


5 92 84 83 82 81 82 84 86

10 92 85 85 86 84 82 83 86

15 92 81 78 86 81 82 81 83

20 93 86 89 89 86 88 87 87

25 93 90 91 86 89 89 87 85

30 94 90 89 82 85 83 84 85

35 94 88 88 86 83 86 87 90

40 92 88 90 90 88 88 86 88

45 90 87 89 86 88 86 88 86

50 91 88 87 85 88 88 87 88

55 92 81 89 78 83 83 86 86

60 92 72 73 78 71 72 80 68

65 91 88 88 82 88 88 88 85

70 94 90 94 88 92 89 91 88

Semua Fungsi Training , logsig, resize


5 92 81 65 83 85 55 86 85

10 90 92 93 90 91 88 93 86

15 93 92 89 88 90 90 92 89

20 95 91 86 92 86 89 89 87

25 97 92 92 89 90 91 90 93

30 94 86 87 94 86 89 93 83

35 94 84 82 88 87 90 85 81

40 92 90 89 92 90 91 90 89

45 95 94 93 93 84 94 94 88

50 94 94 91 94 89 93 87 81

55 96 93 93 89 89 94 90 85

60 91 90 84 92 88 90 83 85

65 94 92 92 88 87 93 88 88

70 92 91 92 92 87 92 90 88


76

Semua Fungsi Training , tansig, resize


5 91 72 80 87 84 63 78 81

10 97 93 92 93 93 93 93 94

15 93 91 91 90 89 87 88 90

20 95 90 90 91 90 91 91 91

25 97 90 94 88 92 92 90 91

30 97 93 93 92 93 93 93 93

35 93 85 95 89 92 87 88 88

40 92 88 90 88 89 89 91 90

45 94 92 93 91 91 93 91 94

50 94 93 93 90 92 94 94 87

55 98 92 95 86 91 95 95 92

60 91 92 91 89 91 91 91 88

65 94 91 90 88 84 90 92 88

70 94 93 92 91 91 92 89 91

Semua Fungsi Training , purelin, resize


5 94 87 90 86 87 86 87 89

10 93 85 88 83 91 88 91 88

15 94 81 83 82 82 80 82 82

20 95 90 88 88 85 90 89 86

25 92 88 86 87 81 88 86 84

30 94 88 93 89 89 90 91 91

35 95 85 88 81 86 81 80 82

40 93 84 89 82 89 87 88 91

45 94 88 93 88 87 90 89 86

50 95 81 89 85 81 81 82 80

55 94 83 88 85 75 82 78 83

60 94 89 94 83 88 83 82 81

65 95 79 92 79 88 81 82 74

70 96 91 93 89 93 91 90 91


77

b. Akurasi Pemilihan fungsi Aktivasi

Fungsi Aktivasi : trainlm , Non-resize

Neuron LOGSIG TANSIG PURELIN

5 93 90 92

10 90 95 92

15 91 92 92

20 94 94 93

25 96 94 93

30 93 96 94

35 94 93 94

40 93 94 92

45 93 91 90

50 95 92 91

55 94 94 92

60 92 85 92

65 94 94 91

70 96 94 94

Fungsi Aktivasi : trainlm , Non-resize

Neuron LOGSIG TANSIG PURELIN

5 92 91 94

10 90 97 93

15 93 93 94

20 95 95 95

25 97 97 92

30 94 97 94

35 94 93 95

40 92 92 93

45 95 94 94

50 94 94 95

55 96 98 94

60 91 91 94

65 94 94 95

70 92 94 96


78

c. Akurasi Resize dan Non-Resize

Fungsi Training : Trainlm, Fungsi Aktivasi : TANSIG

Neuron

NON-

RESIZE RESIZE

5 90 91

10 95 97

15 92 93

20 94 95

25 94 97

30 96 97

35 93 93

40 94 92

45 91 94

50 92 94

55 94 98

60 85 91

65 94 94

70 94 94

d. Akurasi per ciri

Fungsi Training : trainlm, fungsi aktivasi : tansig, RESIZE

Neuron RGB HSI ST GLCM

5 73 75 74 86

10 81 76 79 93

15 78 80 84 90

20 75 77 82 93

25 79 79 76 93

30 80 76 83 93

35 81 75 81 95

40 73 79 81 92

45 75 74 85 93

50 73 76 81 90

55 77 72 82 93

60 76 75 83 94

65 75 74 82 91

70 76 72 81 92


79

e. Kombinasi 2 ciri


Neuron GLCM&ST GLCM&RGB GLCM&HIS

5 94 96 94

10 94 94 94

15 88 96 90

20 96 93 91

25 94 95 91

30 94 94 94

35 93 94 89

40 85 94 88

45 94 95 94

50 96 95 94

55 93 93 89

60 94 90 92

65 92 95 85

70 90 93 95


80

f. Kombinasi 3 Ciri


Neuron GLCM,ST,RGB GLCM,ST,

HIS

5 88 92

10 93 94

15 90 89

20 94 93

25 97 92

30 94 92

35 93 92

40 94 92

45 92 94

50 94 90

55 91 95

60 93 89

65 91 91

70 92 94


KLASIFIKASI BERBAGAI JENIS JAMUR LAYAK KONSUMSI … · 2019. 8. 5. · 5. Romo Dr. Cyprianus...

Documents

Transcript of KLASIFIKASI BERBAGAI JENIS JAMUR LAYAK KONSUMSI … · 2019. 8. 5. · 5. Romo Dr. Cyprianus...