Pengembangan Model Klasifikasi Kematangan Buah Manggis … · 2012-10-11 · Jumlah sampel data...

PENGEMBANGAN MODEL KLASIFIKASI

KEMATANGAN BUAH MANGGIS BERDASARKAN WARNA

MENGGUNAKAN FUZZY NEURAL NETWORK

RETNO NUGROHO WHIDHIASIH

SEKOLAH PASCASARJANA

INSTITUT PERTANIAN BOGOR

BOGOR

2012

PERNYATAAN MENGENAI TESIS DAN

SUMBER INFORMASI

Dengan ini saya menyatakan bahwa tesis “Pengembangan Model

Klasifikasi Kematangan Buah Manggis Berdasarkan Warna Menggunakan Fuzzy

Neural Network” adalah karya saya dengan arahan dari komisi pembimbing dan

belum diajukan dalam bentuk apapun kepada perguruan tinggi manapun. Semua

sumber daya dan informasi yang digunakan telah dinyatakan secara jelas dan

dapat diperiksa kebenarannya.

Bogor, Februari 2012

Retno Nugroho Whidhiasih NRP G651090131/Ilkom

ABSTRACT

RETNO NUGROHO WHIDHIASIH. Development of Mangosteen

Maturity Classification Model on Color Based Using Fuzzy Neural Network.

Under direction of SUGI GURITMAN and PRAPTO TRI SUPRIYO.

Fuzzy Neural Network (FNN) has a capability to classify a pattern located

within two different classes where a classical Neural Network (NN) is failed to do

so. The fuzzy pattern classification is using membership degree on output of

neuron as learning target. Objective of this research is to develop an artificial

intelligence system model for non-destructive classification of fresh mangosteen

using Fuzzy Neural Network. Component of color result in from image processing

that influential against level of mangosteen’s maturity is used as input parameter.

Percentage accuracy ratio of FNN model compare to NN for five, three, and two

classification classes is 70:40, 86:65 and 90:90 respectively. The best result of

FNN modeling is achieved on three class target classification (unripe, export and

local) with green color index, value, a* u*, v*, entropy, contrast, energy and

homogeinity as predictor parameters and 15 neurons hidden layer. Comparison of

percentage capability of FNN against NN to identify the class is 100:0, 100:87

and 63:75.

Keyword : classification, fuzzy neural network, mangosteen, non-destructive

grading, pattern recognition.

RINGKASAN

RETNO NUGROHO WHIDHIASIH. Pengembangan Model Klasifikasi

Kematangan Buah Manggis Berdasarkan Warna Menggunakan Fuzzy Neural

Network. Dibimbing oleh SUGI GURITMAN dan PRAPTO TRI SUPRIYO.

Fuzzy Neural Network (FNN) memiliki kemampuan untuk melakukan

klasifikasi terhadap suatu pola yang berada di dalam dua kelas, yang tidak dapat

diklasifikasi menggunakan model klasifikasi klasik Neural Network (NN).

Klasifikasi pola secara fuzzy ini menggunakan derajat keanggotaan pada neuron

output sebagai target pembelajaran. Klasifikasi fuzzy ini memungkinkan untuk

digunakan dalam mengklasifikasi buah manggis dimana banyak terdapat pola

yang terletak diantara dua kelas.

Penelitian ini bertujuan untuk mengembangkan model sistem kecerdasan

buatan untuk mengklasifikasi buah manggis segar secara non-destruktif

berdasarkan warna menggunakan FNN berdasarkan Standar Prosedur Operasi

Jumlah sampel data yang digunakan adalah 125 buah, yaitu citra manggis

Padang yang berada pada tahap kematangan 2 sampai 6, dengan 25 citra manggis

pada tiap tahap kematangannya. Sejumlah 105 data digunakan sebagai data

pelatihan dan 20 data digunakan sebagai data pengujian. Untuk mendapatkan hasil

pengenalan terbaik dilakukan percobaan-percobaan menggunakan empat

kombinasi parameter input dan 6 variasi jumlah neuron pada lapisan tersembunyi.

(SPO) manggis deptan 2004. Parameter input yang digunakan adalah komponen

warna hasil dari pengolahan citra yang mempunyai pengaruh terhadap tahap

kematangan buah manggis. Komponen warna yang digunakan adalah indek warna

RGB, HSV, L*a*b*, L*u*v*, entropi, kontras, energi dan homogenitas yang

nilai-nilainya telah ditransformasi ke dalam skala 0 sampai 1. Berdasar hasil

analisis, komponen warna yang digunakan sebagai variabel penduga kematangan

buah manggis adalah nilai indek merah (red), hijau (green), biru (blue) V (value),

a*, u*, v*, entropi, kontras, energi dan homogenitas.

Klasifikasi menjadi kelas buah mentah, ekspor dan lokal dalam penelitian ini

mendapatkan model FNN terbaik menggunakan parameter input g, v, a*, u*, v*,

entropi, kontras, energi dan homogenitas dengan 15 neuron pada lapisan

tersembunyi. Model FNN backpropatation 9-15-3 ini memberikan akurasi sebesar

85%, sedangkan NN dengan struktur yang sama memberikan akurasi sebesar

65%, dengan perbandingan prosentase kemampuan model FNN dengan model

NN dalam mengenali kelas buah mentah adalah 100:0, kelas buah ekspor adalah

100:87 dan kelas buah lokal adalah 63:75.

Perbandingan akurasi model FNN dan NN dalam penelitian ini

menunjukkan bahwa FNN mampu mengatasi pola yang berada diantara dua kelas

dengan lebih baik sehingga menghasilkan klasifikasi yang lebih baik.

Kata kunci : klasifikasi manggis, fuzzy neural network, citra digital, pemutuan

non-destruktif

© Hak Cipta milik IPB, tahun 2012

Hak Cipta dilindungi Undang-Undang

1. Dilarang mengutip sebagian atau seluruh isi karya tulis ini tanpa mencantumkan atau menyebutkan sumber a. Pengutipan hanya untuk kepentingan pendidikan, penelitian, penulisan

karya ilmiah, penyusunan laporan, penulisan kritik atau tinjauan suatu masalah

b. Pengutipan tidak merugikan kepentingan wajar IPB 2. Dilarang mengumumkan dan memperbanyak sebagain atau seluruh karya

tulis dalam bentuk apapun tanpa izin IPB

PENGEMBANGAN MODEL KLASIFIKASI KEMATANGAN BUAH MANGGIS BERDASARKAN WARNA

MENGGUNAKAN FUZZY NEURAL NETWORK

RETNO NUGROHO WHIDHIASIH

Tesis

Sebagai salah satu syarat untuk memperoleh Gelar

Magister Komputer pada

Program Studi Ilmu Komputer

SEKOLAH PASCASARJANA

INSTITUT PERTANIAN BOGOR

BOGOR

2012

Penguji Luar Komisi pada Ujian Tesis : Aziz Kustiyo, S.Si., M.Kom

Judul Tesis : PENGEMBANGAN MODEL KLASIFIKASI

KEMATANGAN BUAH MANGGIS BERDASARKAN WARNA MENGGUNAKAN FUZZY NEURAL NETWORK

Nama : Retno Nugroho Whidhiasih

NIM : G651090131

Disetujui,

Komisi Pembimbing

Dr. Sugi Guritman Drs. Prapto Tri Supriyo, M.Kom Ketua Anggota

Diketahui,

Ketua Program Studi Dekan Sekolah Pasca Sarjana,

Ilmu Komputer

Dr. Yani Nurhadryani, S.Si., M.T. Dr. Ir. Dahrul Syah, M.Sc.Agr

Tanggal Ujian : 6 Februari 2012 Tanggal Lulus :

PRAKATA

Alhamdulillah, puji syukur penulis panjatkan kehadirat Allah SWT, atas

segala rahmat dan hidayah-Nya sehingga penelitian ini dapat diselesaikan. Tema

yang dipilih dalam penelitian ini adalah kecerdasan komputasional, dengan judul

Pengembangan Model Klasifikasi Tahap Kematangan Buah Manggis berdasarkan

Warna menggunakan Fuzzy Neural Network.

Pada kesempatan ini, penulis mengucapkan terima kasih yang sebesar-

besarnya kepada Dr. Sugi Guritman, selaku ketua komisi pembimbing, Drs.

Prapto Tri Supriyo, M.Kom, selaku anggota komisi pembimbing, yang telah

berkenan untuk membimbing sejak awal pemilihan tema penelitian hingga

selesainya karya ilmiah ini. Prof. Dr. Ir. Roni Kastaman, MT dosen Fakultas

Teknologi Industri Pertanian Universitas Padjajaran Bandung, yang telah

berkenan membantu dalam pengumpulan data.

Ungkapan terimakasih penulis sampaikan pula kepada semua pihak atas

doa dan dukungannya, terutama dosen Program Studi Ilmu Komputer Sekolah

Pascasarjana Institut Pertanian Bogor, yang telah memberi wawasan pengetahuan

bagi penulis. Kepada seluruh teman Pascasarjana Ilmu Komputer IPB dan

keluarga tercinta atas segala doa dan dukungannya.

Semoga penelitian ini bermanfaat. Kritik, saran dan masukan sangat

penulis harapkan demi sempurnanya penelitian ini di kemudian hari.

Bogor, Februari 2012

Retno Nugroho Whidhiasih

RIWAYAT HIDUP

Penulis (Retno Nugroho Whidhiasih) dilahirkan di Temanggung pada

tanggal 29 Maret 1976 sebagai anak pertama dari empat bersaudara. Penulis

memulai pendidikan di SDN Temanggung II No. 3 Temanggung. Kemudian,

penulis melanjutkan pendidikan menengahnya ke SMP Negeri 2 Temanggung

(1988 – 1991), lalu SMU Negeri 1 Temanggung (1991-1994). Setelah lulus SMU,

penulis melanjutkan studi di program studi Teknik Telekomunikasi, Politeknik

Negeri Semarang. Selanjutnya berkesempatan melanjutkan studi di jurusan

Teknik Informatika, Universitas Dian Nuswantoro Semarang dan lulus pada tahun

1999 dan sekarang Penulis bekerja sebagai Dosen Tetap di Program Studi Teknik

Komputer, Universitas Islam “45” Bekasi. Penulis berkesempatan melanjutkan ke

jenjang pascasarjana (S2) Ilmu Komputer (ILKOM), Institut Pertanian Bogor

sejak 2009 – sekarang.

xvii

DAFTAR ISI

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

DAFTAR GAMBAR ................................................................................................. xx

LAMPIRAN ............................................................................................................. xxii

BAB I PENDAHULUAN ............................................................................................ 1

1.1 Tujuan ........................................................................................................... 3

1.2 Ruang Lingkup .............................................................................................. 3

1.3 Manfaat ......................................................................................................... 4

BAB II TINJAUAN PUSTAKA .................................................................................. 5

2.1 Manggis (Garcinia Mangostana Linn) ......................................................... 5

2.2 Pengolahan Citra ........................................................................................... 7

2.3 Model Warna ................................................................................................. 8

2.4 Analisis Tekstur .......................................................................................... 12

2.5 Transformasi Data ....................................................................................... 15

2.6 Koefisien Determinasi ................................................................................. 15

2.7 Klasifikasi ................................................................................................... 16

2.8 Neural Network (NN) .................................................................................. 17

2.8.1 Arsitektur Backpropagation ................................................................... 18

2.8.2 Fungsi Aktivasi ....................................................................................... 19

2.8.3 Algoritma Pelatihan Lavenberg-Marquadt ............................................ 20

2.8.4 Proses Pembelajaran Backpropagation .................................................. 21

2.9 Logika Fuzzy ............................................................................................... 24

2.9.1 Fungsi Keanggotaan (membership function) .......................................... 25

2.10 Fuzzy Neural Network (FNN) ..................................................................... 26

BAB III METODOLOGI PENELITIAN................................................................... 29

3.1 Tahapan Penelitian ...................................................................................... 29

3.1.1 Identifikasi Masalah ............................................................................... 30

3.1.2 Pengumpulan dan Praproses Data .......................................................... 30

3.1.3 Desain Model FNN ................................................................................. 31

3.1.4 Pembandingan Akurasi Terhadap NN .................................................... 34

3.1.5 Desain Aplikasi FNN .............................................................................. 34

xviii

3.2 Kebutuhan Alat Penelitian ........................................................................... 35

BAB IV HASIL DAN PEMBAHASAN .................................................................... 37

4.1 Pengumpulan dan Praproses Data ............................................................... 37

4.2 Hubungan Indek RGB dengan Tahap Kematangan Buah ........................... 38

4.3 Hubungan HSV dengan Tahap Kematangan Buah ..................................... 39

4.4 Hubungan L*a*b* dengan Tahap Kematangan Buah ................................. 40

4.5 Hubungan u*v* dengan Tahap Kematangan Buah ..................................... 42

4.6 Hubungan Tekstur dengan Tahap Kematangan Buah ................................. 43

4.7 Parameter Penentu Tahap Kematangan Manggis ........................................ 44

4.8 Paramater Output Tahap Kematangan Manggis .......................................... 45

4.9 Program Model Penentuan Tahap Kematangan Buah Manggis .................. 46

4.10 Analisis Hasil Pemodelan FNN ................................................................... 47

4.11 Analisis Hasil Pemodelan FNN Pembanding .............................................. 53

4.12 Analisis Hasil FNN Berdasarkan Jumlah Target Kelas Klasifikasi ............ 56

BAB V KESIMPULAN DAN SARAN ..................................................................... 59

5.1 Kesimpulan .................................................................................................. 59

5.2 Saran ............................................................................................................ 60

DAFTAR PUSTAKA ................................................................................................. 61

LAMPIRAN ............................................................................................................... 65

xix

DAFTAR TABEL

1 Tingkat/Tahap kematangan manggis berdasarkan warna ......................................... 7

2 Tipe-tipe Fuzzy Neural Network (FNN) ................................................................. 26

3 Struktur FNN ........................................................................................................... 34

4 Model variabel input/masukan penentuan tahap kematangan manggis .................. 45

5 Nilai output/keluaran tahap kematangan manggis .................................................. 45

6 Hasil pelatihan pengenalan tahap kematangan ....................................................... 52

xx

DAFTAR GAMBAR

1 Kubus warna ............................................................................................................... 8

2 Nilai hue, saturasi dan value ....................................................................................... 9

3 Model warna CIELab ............................................................................................... 10

4 Model warna CIELuv ............................................................................................... 11

5 Ilustrasi pembuatan matriks kookurensi, (a) Citra masukan, (b) Nilai intensitas

citra masukan, (c) Hasil matriks kookurensi 0°, (d) Hasil matriks kookurensi

45°, (e) Hasil matriks kookurensi 90°, (f) Hasil matriks kookurensi 135°. .............. 14

6 Model Neuron (Hermawan, 2006) ............................................................................ 18

7 Arsitektur backpropagation (Siang 2009) ................................................................ 19

8 Fungsi aktivasi sigmoid biner (Kusumadewi, 2003) ................................................ 20

9 Fungsi aktivasi sigmoid bipolar (Kusumadewi, 2003) ............................................. 20

10 Supervised Learning (Rios) .................................................................................... 22

11 Himpunan klasik ..................................................................................................... 24

12 Fungsi keanggotaan umur dengan representasi segitiga ......................................... 24

13 Karakteristik fungsional kurva beta (Cox, 1994) ................................................... 26

14 Tahapan penelitian .................................................................................................. 29

15 Sebaran RGB pada tiap tahap kematangan ............................................................. 39

16 Rata-rata nilai RGB ................................................................................................ 39

17 Sebaran HSV pada tiap tahap kematangan ............................................................. 40

18 Rata-rata nilai HSV ................................................................................................ 40

19 Sebaran L*a*b* pada tiap tahap kematangan ......................................................... 41

20 Nilai rata-rata L*a*b* ............................................................................................. 41

21 Sebaran u*v* pada tiap tahap kematangan ............................................................. 42

22 Nilai rata-rata u*v* ................................................................................................. 42

23 Sebaran entropi, kontras, energi dan homogenitas pada tiap tahap kematangan ... 43

24 Nilai rata-rata entropi, kontras, energi dan homogenitas ........................................ 43

25 Antar muka model penentuan tahap kematangan manggis .................................... 47

26 Pelatihan dengan 2 neuron pada lapisan tersembunyi ............................................ 48

27 Pelatihan dengan 5 neuron pada lapisan tersembunyi ............................................ 49

28 Pelatihan dengan 10 neuron pada lapisan tersembunyi .......................................... 49

29 Pelatihan dengan 15 neuron pada lapisan tersembunyi .......................................... 50

xxi

30 Pelatihan dengan 20 neuron pada lapisan tersembunyi ......................................... 50

31 Pelatihan dengan 25 neuron pada lapisan tersembunyi ......................................... 51

32 Perbandingan FNN dan NN untuk 3 kelas target ................................................... 52

33 Perbandingan nilai target dan nilai prediksi FNN dan NN .................................... 53

34 Perbandingan nilai rata-rata validasi dan akurasi ................................................... 56

xxii

LAMPIRAN

1 Algoritma NN Propagasi balik ................................................................................. 65

2 Citra data sampel ...................................................................................................... 66

3 Nilai RGB citra buah manggis ................................................................................. 69

4 Nilai statistik RGB ................................................................................................... 71

5 Koefisien determinasi indek RGB terhadap tahap kematangan ............................... 71

6 Nilai statistik HSV .................................................................................................... 72

7 Koefisien determinasi HSV terhadap tahap kematangan ......................................... 72

8 Nilai statistik L*a*b* ............................................................................................... 73

9 Koefisien determinasi L*a*b* terhadap tahap kematangan ..................................... 73

10 Nilai statistik u*v* .................................................................................................. 74

11 Koefisien determinasi u*v* terhadap tahap kematangan ....................................... 74

12 Nilai statistik tekstur ............................................................................................... 75

13 Koefisien determinasi tekstur berdasar tahap kematangan ..................................... 75

14 Pola output target pembelajaran FNN .................................................................... 76

15 Source code antar muka model klasifikasi kematangan manggis .......................... 77

16 Hasil pelatihan pemilihan model terbaik FNN 3 kelas target ................................. 81

17 Perbandingan hasil training FNN dan NN dengan 3 kelas target .......................... 82

18 Nilai output/keluaran pembanding tahap kematangan manggis ............................. 82





BAB I

PENDAHULUAN

Teknologi pasca panen sangat diperlukan untuk pemenuhan supply &

demand, mempertahankan mutu dan meningkatkan daya saing di pasaran. Mutu

buah manggis ditentukan oleh berbagai parameter diantaranya adalah parameter

tingkat ketuaan dan kematangan berdasarkan indeks warna. Klasifikasi

kematangan buah manggis hasil panen sesuai dengan tingkat kematangannya

sangat diperlukan untuk menentukan manggis keperluan ekspor maupun untuk

konsumsi lokal, mengingat terbatasnya umur konsumsi manggis karena pengaruh

lingkungan (klimakterik) dan pesatnya peningkatan volume ekspor manggis dari

tahun ke tahun (deptan 2004).

Penggunaan metode klasifikasi yang kurang tepat akan mengakibatkan

terjadinya salah klasifikasi. Kesalahan klasifikasi yang dapat terjadi adalah

kesalahan dalam pengelompokan tahap kematangan. Tingkat kematangan tahap 4

merupakan buah untuk keperluan ekspor sedangkan tingkat kematangan tahap 5

merupakan buah untuk keperluan lokal/domestik. Bila terjadi salah klasifikasi

sehingga manggis dengan tingkat kematangan 5 dikirim untuk diekspor, maka

buah manggis akan dalam kondisi busuk pada saat masih dalam perjalanan. Hal

ini dapat mengakibatkan kerugian terhadap produsen maupun konsumen untuk

keperluan ekspor maupun keperluan lokal (Kastaman et al. 2008)

Beberapa penelitian menggunakan pengolahan citra berdasarkan warna

telah banyak dilakukan, namun dalam implementasinya, interpretasi kematangan

buah manggis yang dimaksud belum memasukkan unsur standarisasi kematangan

buah yang telah ditetapkan oleh Departemen Pertanian sebagaimana tercantum

dalam dalam Standar Prosedur Operasi (SPO) manggis yang ada saat ini, sehingga

penelitian yang dilakukan saat ini lebih menekankan pada upaya justifikasi

kematangan buah manggis yang sesuai dengan SPO yang ada.

Berdasarkan permasalahan tersebut maka diperlukan suatu sistem untuk

melakukan klasifikasi dengan ketepatan tinggi berdasarkan Standar Prosedur

(Kastaman et al.

2008).

2

Operasional (SPO) yang berlaku. Tingkat kematangan buah manggis dapat

diklasifikasikan secara non destruktif berdasarkan komponen kualitas eksternal,

yaitu warna kulit buahnya. Warna dianggap sebagai properti fisik dasar produk

pertanian dan makanan, yang berkorelasi dengan baik terhadap sifat fisik lainnya,

kimia dan indikator panca indera kualitas produk. Bahkan warna mempunyai

peran utama dalam penilaian mutu eksternal dalam industri makanan dan

penelitian (Segnini et al. 1999; Abdullah et al. 2009).

Ruang warna yang disarankan untuk kuantifikasi makanan dengan

permukaan melengkung adalah CIELab dikarenakan intensitas cahaya dalam

ruang warna L*a*b* kurang terpengaruh oleh bayang-bayang pada daerah kilau

pada permukaan obyek, dan HSV dikarenakan komponen V merupakan

komponen yang paling dipengaruhi oleh permukaan yang melengkung (Mendoza

et al. 2006). Warna komponen a*/b* buah manggis dari ruang warna CIELab

meningkat sedikit pada tahap kematangan 1-3 dan meningkat tajam sampai tahap

kematangan 6. Hal ini menunjukkan bahwa nilai a*/b* berkorelasi baik dengan

pembentukan warna buah (Palapol et al. 2009). Peningkatan ketuaan pada buah

belimbing dapat ditunjukkan oleh peningkatan komponen u* pada CIELuv

(Irmansyah, 2009). Tekstur kulit buah digunakan untuk membedakan sifat-sifat

permukaan suatu benda dalam citra, yaitu menggunakan fitur entropi, kontras,

energi dan homogenitas.

Beberapa penelitian yang berkaitan dengan pengenalan pola, yang

melakukan klasifikasi menggunakan Fuzzy Neural Network (FNN) dan Neural

Network (NN), diantaranya Multilayer Perceptron, Fuzzy Sets and Classification

(Pal & Mitra 1992), melakukan klasifikasi menggunakan multilayer perceptron

dan himpunan fuzzy untuk mengatasi pola yang berada pada batas-batas kelas

yang tumpang tindih pada kasus speech recognition dan memberikan hasil yang

lebih baik dibandingkan dengan klasifikasi klasik dan klasifikasi bayes, dengan

akurasi rata-rata 79,8%. Backpropagation Learning Algorithms for Classification

with Fuzzy Mean Square Error (Sarkar et. al 1997), melakukan klasifikasi fuzzy

terhadap vokal dan memberikan hasil yang lebih baik dibandingkan klasifikasi

klasik dan klasifikasi bayes, dengan akurasi rata-rata 89,3%. A Fuzzy Neural

Network Aproach for Document Region Classification Using Human Visual

3

Perception Features (Murquia 2002), menggunakan FNN untuk melakukan

klasifikasi dokumen image resolusi rendah menggunakan analisis tekstur, hasil

penelitian memberikan akurasi 95,7%.. Fuzzy Backpropagation Untuk Klasifikasi

Pola (Kusumadewi 2006), melakukan klasifikasi fuzzy terhadap kualitas produk.

Hasil penelitian menunjukkan bahwa FNN memberikan hasil lebih baik

dibandingkan jaringan probabilistik, dengan akurasi 100%. Pengembangan

Pemutuan Buah Manggis Untuk Ekspor Secara Non Destruktif Dengan Jaringan

Syaraf Tiruan (Sandra 2007), menggunakan Standar Nasional Indonesia (SNI)

manggis sebagai dasar klasifikasi dan menghasilkan akurasi 91,6%. Penelitian-

penelitian tersebut mampu melakukan pengenalan dengan baik.

Penelitian ini melakukan proses klasifikasi tingkat kematangan buah

manggis Padang menggunakan Fuzzy Neural Network (FNN) berdasarkan citra,

menggunakan ruang warna RGB, HSV, CIELab dan CIELuv serta fitur tekstur

yang meliputi fitur energi, kontras, homogenitas dan entropi. Pemodelan yang

dikembangkan merupakan pengembangan dari penelitian sebelumnya. Kebaruan

yang dimaksud adalah berkenaan dengan teknik klasifikasi yang digunakan dan

acuan klasifikasi yg dilakukan. Teknik yang digunakan dalam pemodelan ini

adalah klasifikasi fuzzy menggunakan FNN untuk mengatasi pola yang berada

dalam batas-batas kelas yang tumpang tindih atau suatu pola menjadi anggota

lebih dari satu kelas, yang tidak bisa dilakukan menggunakan klasifikasi klasik.

1.1

Klasifikasi yang dilakukan mengacu pada Standar Prosedur Operasional (SPO)

komoditi manggis deptan 2004.

Penelitian ini bertujuan untuk mengembangkan model klasifikasi

kematangan buah manggis sesuai Standar Prosedur Operasional (SPO) manggis

deptan 2004 berdasarkan warna menggunakan FNN.

Tujuan

1.2 Ruang Lingkup

Model klasifikasi buah manggis berdasar warna menggunakan FNN yang

dikembangkan mempunyai ruang lingkup sebagai berikut :

1. Jumlah sampel citra buah manggis yang diamati 125 buah, dengan 25 buah

sampel pada tiap tahap kematangan, dari tahap kematangan 2 sampai 6.

4

2. Menggunakan RGB, HSV, L*u*v*, L*a*b* dan fitur tektur yang meliputi

energi, kontras, homogenitas dan entropi sebagai parameter penduga.

3. Menggunakan teknik klasifikasi FNN dengan algoritma pembelajaran

backpropagation dan NN sebagai pembanding akurasinya.

4. Dasar klasifikasi yang digunakan adalah SPO komoditi manggis deptan 2004.

1.3 Manfaat

Manfaat yang diperoleh dari penelitian ini adalah :

1. Menghasilkan sebuah model klasifikasi kematangan buah manggis

berdasarkan warna menggunakan FNN,

2. Dapat digunakan sebagai solusi atau referensi terhadap klasifikasi buah

manggis yang dilakukan sebelumnya,

3. Dapat digunakan sebagai dasar pengembangan instrumen dan peralatan/mesin

sortasi buah manggis yang efektif dan efisien sehingga bermanfaat baik

secara teknis maupun ekonomis bagi perkembangan pembangunan pertanian.

BAB II

TINJAUAN PUSTAKA

2.1 Manggis (Garcinia Mangostana Linn)

Manggis merupakan tanaman buah berupa pohon yang berasal dari hutan

tropis yang teduh di kawasan Asia Tenggara, yaitu hutan belantara Malaysia atau

Indonesia. Dari Asia Tenggara, tanaman ini menyebar ke daerah Amerika Tengah

dan daerah tropis lainnya seperti Srilanka, Malagasi, Karibia, Hawaii dan

Australia Utara. Sentra produksi manggis di Indonesia antara lain di Jawa Barat,

Jawa Tengah, Jawa Timur, Lampung, Sumatera Barat dan Nagroe Aceh

Darussalam. Manggis di Indonesia disebut dengan berbagai macam nama lokal

seperti manggu (Jawa Barat), Manggus (Lampung), Manggusto (Sulawesi Utara),

Manggista (Sumatera Barat) (Kastaman et al. 2008).

Buah manggis berbentuk bulat, terdiri dari bagian perikarp (kulit luar) dan

daging buah yang menyelimuti biji. Pada bagian pangkal buah terdapat calyx

(daun buah) dan pada bagian ujung terdapat 4 – 8 tonjolan berbentuk segitiga

(triangle), mencirikan jumlah daging buah. Daging buah berwarna putih susu,

diameter buah berkisar antara 3,4 – 7,5 cm. Biji buah kadang-kadang tidak

seluruhnya didapati pada daging buah. Daging buah ini berukuran panjang 2,5 cm

dan lebar 1,6 cm, berbentuk oval. Pada buah berumur muda daging buah berasa

asam, semakin matang berasa manis. Buah manggis termasuk rendah kalori,

protein, lemak dan vitamin, namun jumlah seratnya termasuk cukup tinggi. Kadar

gula total (sukrosa, glukosa, fruktosa) sebesar 16,42 – 16,82 % dari total

karbohidrat. Selain itu, terdapat pula senyawa tanin dan resin sebesar 7 – 14 %,

polyhydroxy-xanthone, dan mangostin (Morton J 1987). Manggis bermanfaat

sebagai antioksidan dan berbagai obat, diantaranya sariawan, wasir, luka, anti

peradangan dan nyeri, mencegah alzheimer dan arthritis, memperbaiki sistem

pernafasan, mendukung tulang rawan dan sendi, serta menjaga pencernaan.

Manggis merupakan salah satu komoditas ekspor yang menjadi andalan

Indonesia untuk meningkatkan pendapatan devisa. Berdasarkan data volume

6

ekspor manggis Indonesia dari tiga tahun terakhir terus mengalami peningkatan

dari 6.9 ribu ton pada tahun 2002 meningkat menjadi 7.2 ribu ton pada tahun

2003. Dengan pangsa pasar utama adalah Taiwan dan Hongkong (Departemen

Pertanian 2004). Volume ekspor Manggis Indonesia meningkat nyata pada dua

bulan pertama tahun 2011, hampir sama dengan volume ekspor sepanjang tahun

2009.

Buah manggis merupakan buah klimakterik sehingga buah dapat matang

selama masa penyimpanannya. Puncak klimakterik dicapai setelah penyimpanan

10 hari pada suhu ruang (Martin 1980). Pemanenan umumnya dilakukan setelah

buah berumur 104 hari dihitung mulai bunga mekar, saat itu warna kulit buah

manggis masih berwarna hijau dengan sedikit ungu muda pada permukaan kulit

buahnya. Enam hari setelah dipanen warna kulit buah menjadi ungu tua (Suyanti

et al. 1999a.). Buah yang dipanen saat buah berwarna merah tua (114 hari)

menyebabkan daya simpannya lebih singkat dan tidak dapat memenuhi

persyaratan mutu manggis untuk ekspor.

Perubahan warna buah dari hijau menjadi ungu hitam setelah panen yang

mencerminkan perkembangan warna kematangan tahap 1 sampai tahap 6

digunakan sebagai panduan kualitas bagi petani dan konsumen. Tidak ada

perbedaan yang signifikan dalam kualitas buah pada buah manggis yang dipanen

pada salah satu tahap dari tahap yang ditetapkan (tahap 1-6), sehingga matang

pada tahap 6 untuk masing-masing (Palapol et al. 2009). Hal ini menunjukkan

bahwa pemeraman buah manggis yang dipetik pada salah satu tahap untuk

kebutuhan ekspor tidak memiliki efek merugikan pada kualitas buah akhir.

Berdasarkan SPO panen manggis departemen pertanian 2004 dinyatakan

bahwa panen manggis dilakukan berdasarkan penentuan umur dan visual.

Manggis layak dipanen bila telah berumur 104-110 setelah bunga mekar (SBM)

atau bila secara visual sudah banyak buah yang matang, hal ini hanya bisa

ditentukan oleh seseorang yang telah berpengalaman. Pemanenan buah dalam satu

pohon dapat dilakukan dua sampai tiga kali sesuai dengan tingkat kematangan

buah.

7

Mutu buah manggis ditentukan oleh berbagai parameter diantaranya

adalah parameter tingkat ketuaan dan kematangan (indeks warna) serta ukuran

(Deptan 2004). Proses grading dalam SPO komoditas manggis 2004, merupakan

suatu pengelompokan buah berdasarkan kriteria/kelas dan indek kematangan

manggis untuk mendapatkan ukuran, warna buah dan tingkat kematangan yang

seragam. Tingkat kematangan manggis berdasarkan indek warna berdasarkan SPO

manggis dapat dilihat pada Tabel 1.

Tabel 1 Tingkat/Tahap kematangan manggis berdasarkan warna

2.2 Pengolahan Citra

Berbagai aplikasi pengolahan citra secara garis besar digunakan untuk

memperbaiki kualitas suatu citra (gambar) sehingga lebih mudah diinterpretasikan

oleh manusia dan mengolah informasi yang terdapat pada citra (gambar) untuk

keperluan pengenalan objek secara otomatis.

Citra adalah gambar dua dimensi yang dihasilkan dari gambar analog dua

dimensi yang kontinus menjadi gambar diskrit melalui proses sampling. Gambar

analog dibagi menjadi N baris dan M kolom sehingga menjadi gambar diskrit.

8

Persilangan antara baris dan kolom tertentu disebut dengan piksel. Contohnya

adalah gambar/titik diskrit pada baris n dan kolom m disebut dengan piksel[n,m].

Suatu citra dapat didefinisikan sebagai fungsi dua dimensi f(x,y) yaitu

fungsi intensitas atau tingkat keabuan dari citra pada titik tersebut. Fungsi ini

berukuran M baris dan N kolom, dengan x dan y adalah koordinat spasial dalam

sistem koordinat piksel, dan amplitudo f di titik koordinat (x,y). Jika nilai x, y,

dan nilai amplitudo f secara keseluruhan berhingga (finite) dan bernilai diskrit

maka dapat dikatakan bahwa citra tersebut adalah cira digital. Matrik citra digital

direpresentasikan dalam suatu koordinat piksel, yang tidak mempunyai nilai x dan

y negatif.

Citra digital dapat ditulis dalam bentuk matrik sebagai berikut :

Masing-masing elemen dalam matriks disebut dengan elemen citra atau

piksel, f(x,y) merupakan intensitas citra, sedangkan x dan y

2.3 Model Warna

merupakan posisi

piksel dalam citra.

Model warna RGB (Red, Green, Blue) mendefinisikan warna berdasarkan

tingkat intensitas komponen warna merah, hijau dan biru atau RGB, yang

disajikan dalam bentuk koordinat tiga dimensi yang disebut kubus warna,

disajikan pada Gambar 1.

Gambar 1 Kubus warna

9

Jika ketiga intensitas warna tersebut bernilai 0, maka warna yang terjadi

adalah hitam, sedangkan jika ketiga intensitas warna tersebut bernilai 1, maka

warna yang terjadi adalah putih. Nilai RGB didapatkan dari rata-rata keseluruhan

piksel. Proses konversi dari model warna RGB ke model warna lain sebelumnya

dilakukan menormalisasi nilai RGB menjadi rgb dengan membaginya dengan

255. Konsep Model Warna RGB berorientasi pada hardware dan kita jumpai di

peralatan seperti : monitor computer, LCD proyektor, scanner, kamera video dan

kamera digital.

Model HSV (Hue, Saturation dan Value) menunjukkan ruang warna dalam

bentuk tiga komponen utama, yaitu hue, saturation, dan value atau disebut juga

brightness, disajikan pada Gambar 2.

Gambar 2 Nilai hue, saturasi dan value

Hue adalah sudut dari 0 sampai 360 derajat yang menunjukkan jenis warna

(seperti merah, biru atau kuning) atau corak warna yaitu tempat warna tersebut

ditemukan dalam spektrum warna (Putra, 2010). Saturation (saturasi) dari suatu

warna adalah ukuran seberapa besar kemurnian dari warna tersebut, yang bernilai

antara 0 sampai 1 (atau 0 sampai 100%) dan menunjukkan nilai keabu-abuan

warna (Putra, 2010). Value disebut juga intensitas yaitu ukuran seberapa besar

kecerahan dari suatu warna atau seberapa besar cahaya datang dari suatu warna.

Value dapat bernilai 0 sampai 100%. Nilai HSV didapatkan dengan mengkonversi

nilai rgb dengan persamaan (Putra, 2010) :

𝑉𝑉 = max(𝑟𝑟,𝑔𝑔, 𝑏𝑏) …………………………………………. …… (1)

𝑆𝑆 = �0 , 𝑗𝑗𝑗𝑗𝑗𝑗𝑗𝑗 𝑉𝑉 = 0𝑉𝑉 − min (𝑟𝑟 ,𝑔𝑔,𝑏𝑏)

𝑉𝑉, 𝑗𝑗𝑗𝑗𝑗𝑗𝑗𝑗 𝑉𝑉 > 0

� ………………………..……. (2)

10

𝐻𝐻 = �0 , 𝑗𝑗𝑗𝑗𝑗𝑗𝑗𝑗 𝑆𝑆 = 060∗(𝑔𝑔−𝑏𝑏)

𝑆𝑆∗𝑉𝑉, 𝑗𝑗𝑗𝑗𝑗𝑗𝑗𝑗 𝑉𝑉 = 𝑟𝑟

� ………………………………………….. (3)

𝐻𝐻 = �60 ∗ �2 + (𝑏𝑏−𝑟𝑟)

𝑆𝑆∗𝑉𝑉� , 𝑗𝑗𝑗𝑗𝑗𝑗𝑗𝑗 𝑉𝑉 = 𝑔𝑔

60 ∗ �4 + (𝑟𝑟−𝑔𝑔)𝑆𝑆∗𝑉𝑉

� , 𝑗𝑗𝑗𝑗𝑗𝑗𝑗𝑗 𝑉𝑉 = 𝑏𝑏� .………………………….. (4)

𝐻𝐻 = 𝐻𝐻 + 360, 𝑗𝑗𝑗𝑗𝑗𝑗𝑗𝑗 𝐻𝐻 < 0 ……………………………………. (5)

Model warna CIE L*a*b* bekerja berdasar pada persepsi manusia atas

warna, yaitu lightness A (Green-red axis) dan lightness B (Blue-yellow Axis).

Model ini terdiri dari besaran Lightness/Luminance (L*), dimensi a (a*), dan

dimensi b (b*), disajikan pada Gambar 3.

Gambar 3 Model warna CIELab

Nilai skala untuk Lightness/Luminance berkisar 0 sampai 100, yaitu dari

warna hitam sampai warna putih (L* = 100 untuk warna putih dan L* = 0 untuk

warna hitam). Dimensi a* dan b* menyimpan informasi komponen kromatik

warna hijau sampai merah dan warna biru sampai kuning. Angka negatif a*

mengindikasikan warna hijau dan sebaliknya a* positif mengindikasikan warna

merah, sedangkan angka negatif b* mengindikasikan warna biru dan sebaliknya

CIE_b* positif mengindikasikan warna kuning. Nilai L*a*b* didapatkan dengan

mengkonversi nilai rgb dengan persamaan :

x ≤ 0,03928; 𝑓𝑓(𝑥𝑥) = 𝑥𝑥12,92

……………………………………. (6)

x ≥ 0,3928; 𝑓𝑓(𝑥𝑥) = �𝑥𝑥+0,0551,055

�2,4

..……………………………. (7)

Nilai x adalah nilai R'G' atau B'. Nilai f(x) menunjukkan nilai konversi sR,

sG dan sB. Nilai sRGB selanjutnya dikonversi ke model warna CIE XYZ

menggunakan persamaan :

http://2.bp.blogspot.com/-_TmS0_1arco/TV5Z2WuIANI/AAAAAAAAAPE/nVLAOdhwM70/s1600/CIELAB1976.jpg�

11

�𝑋𝑋𝑌𝑌𝑍𝑍� = �

0,4124 0,3576 0,18050,2126 0,7152 0,07220,0193 0,1192 0,9505

� �𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠� .……………………….. (8)

Untuk menghitung nilai L*a*b* dari CIE XYZ menggunakan persamaan :

𝐿𝐿∗ = 116 ∗ 𝑓𝑓 � 𝑌𝑌𝑌𝑌𝑛𝑛� − 16 …..……………………………………. (9)

𝑗𝑗∗ = 500 ∗ �𝑓𝑓 � 𝑋𝑋𝑋𝑋𝑛𝑛� − 𝑓𝑓 � 𝑌𝑌

𝑌𝑌𝑛𝑛�� ………………………….…… (10)

𝑏𝑏∗ = 200 ∗ �𝑓𝑓 � 𝑌𝑌𝑌𝑌𝑛𝑛� − 𝑓𝑓 � 𝑍𝑍

𝑍𝑍𝑛𝑛�� …………………………...… (11)

dengan f(τ) = �𝜏𝜏

13 𝑗𝑗𝑗𝑗𝑗𝑗𝑗𝑗 𝜏𝜏 > 0,008856

7,7867 𝜏𝜏 + 16116

𝑗𝑗𝑗𝑗𝑗𝑗𝑗𝑗 𝜏𝜏 ≤ 0,008856�

Nilai Xn, Yn dan Zn adalah nilai XYZ dengan observer 2o

dan illuminant D65

(easyrgb.com 2011).

CIELuv (L*u*v*) merupakan model warna yang sebanding dengan

persepsi mata manusia yang didefinisikan dengan menggambarkan 3 koordinat

geometrik L*, u* dan v*, disajikan pada Gambar 4.

Gambar 4 Model warna CIELuv

CIE_ L* merupakan lightness atau kecerahan warna. CIE_u* merupakan

kuat warna pada sumbu merah – hijau. CIE_v* merupakan kuat warna pada

sumbu kuning – biru. Konversi dari sistem X, Y, Z ke sistem L*u*v*

menggunakan persamaan (Lu G & Phillips J, 1998) :

L∗ = 116 �𝑌𝑌𝑌𝑌0� 13 − 16 untuk 𝑌𝑌

𝑌𝑌0> 0,008856 ............................ (12)

12

𝐿𝐿∗ = 903,3 � 𝑌𝑌𝑦𝑦0� untuk 𝑌𝑌

𝑌𝑌0≤ 0,008856 ................................... (13)

u* = 13L* (u' – u'0) ........................................................................ (14)

v* = 13L* (v' – v'0) ........................................................................ (15)

dengan :

u′ = 4𝑋𝑋(𝑋𝑋+15𝑌𝑌+3𝑍𝑍)

= 4𝑥𝑥−2𝑥𝑥+12𝑦𝑦+3

..................................................... (16)

v′ = 9𝑌𝑌(𝑋𝑋+15𝑌𝑌+3𝑍𝑍)

= 9𝑦𝑦−2𝑥𝑥+12𝑦𝑦+3

.................................................... (17)

𝑢𝑢0′ = 4𝑥𝑥0

𝑥𝑥0+15𝑦𝑦0+3𝑧𝑧0 ........................................................................ (18)

𝑣𝑣0′ = 9𝑦𝑦0

𝑥𝑥0+15𝑦𝑦0+3𝑧𝑧0 ....................................................................... (19)

Dimana x0, y0 dan z0 adalah x, y dan z dengan observer 2o dan illuminant D65

(easyrgb.com 2011).

2.4 Analisis Tekstur

Salah satu cara untuk mengenali suatu citra adalah dengan membedakan

tekstur yang merupakan komponen dasar pembentuk citra dan dapat dimanfaatkan

sebagai dasar klasifikasi citra. Tekstur citra dapat dibedakan berdasar kerapatan,

keseragaman, keteraturan, kekasaran dan lain-lain. Untuk mengetahui pola suatu

citra digital berdasarkan ciri yang diperoleh secara matematis digunakan analisis

tekstur. Ciri atau karakteristik suatu tekstur diperoleh melalui proses ekstraksi ciri.

Salah satu metode untuk mendapatkan ciri atau karakteristik suatu tekstur adalah

metode co-occurrence.

Secara umum tekstur mengacu pada repetisi elemen-elemen tekstur dasar

yang disebut elemen tekstur. Elemen tekstur terdiri dari beberapa piksel dengan

aturan posisi bersifat periodik, kuasiperiodik atau acak. Dua syarat terbentuknya

tekstur (Ahmad 2005) adalah : (1) adanya pola-pola primitif yang terdiri dari satu

atau lebih piksel. Bentuk-bentuk pola primitif ini dapat berupa titik, garis lurus,

garis lengkung, luasan dan lain-lain yang merupakan elemen dasar dari suatu

bentuk. (2) pola-pola primitif tadi muncul berulang-ulang dengan interval jarak

dan arah tertentu sehingga dapat dipresiksi atau ditemukan karakteristik

pengulangannya.

13

Metode co-occurrence bekerja dengan membentuk sebuah matriks

kookurensi dari data citra dan menentukan ciri sebagai fungsi dari matriks

tersebut. Matriks kookurensi dibentuk dari suatu citra greyscale dengan melihat

pada piksel-piksel yang berpasangan yang memiliki intensitas tertentu.

Penggunaan metode ini berdasar pada hipotesis bahwa dalam suatu tekstur akan

terjadi perulangan pola-pola primitif. Misalkan d didefinisikan sebagai jarak

antara dua posisi piksel (x1, y1) dan (x2, y2), dan θ didefinisikan sebagai sudut

diantara keduanya, maka matriks kookurensi didefinisikan sebagai matriks yang

menyatakan distribusi spasial antara dua piksel yang bertetangga yang memiliki

intensitas i dan j, yang memiliki jarak d dan sudut θ diantara keduanya. Orientasi

dibentuk dalam empat arah sudut dengan interval sudut 45°, yaitu 0°, 45°, 90°,

dan 135°. Sedangkan jarak antar piksel biasanya ditetapkan sebesar 1 piksel.

Matriks kookurensi dinyatakan sebagai Pdθ(i,j).

Matriks kookurensi didapatkan melalui tiga tahap, yaitu : (1) mengubah

citra RGB menjadi citra grayscale, (2) menghitung kookurensi matrik dalam 4

arah, masing-masing 0o, 45o, 90o dan 135o, (3) menentukan nilai untuk setiap ciri

tekstur dengan merata-rata nilai dari keempat arah sudut tersebut. Langkah untuk

membuat matriks kookurensi simetris ternormalisasi yaitu : (1) membuat area

kerja matriks, (2) menentukan hubungan spasial antara piksel referensi dengan

piksel tetangga, berapa nilai sudut θ dan jarak d, (3) menghitung jumlah

kookurensi dan mengisikannya pada area kerja, (4) menjumlahkan matriks

kookurensi dengan transposenya untuk menjadikannya simetris, dan (5)

normalisasi matriks untuk mengubahna ke bentuk probabilitas. Pembuatan

matriks kookurensi ditunjukkan oleh Gambar 5.

Setelah memperoleh matriks kookurensi tersebut, dapat dihitung ciri yang

merepresentasikan citra yang diamati. Berbagai jenis ciri tekstural dapat

diekstraksi dari matriks kookurensi. Komponen yang digunakan dalam

pengukuran tekstur adalah energi, kontras, homogenitas dan entropi (Haralic et

al., 1973).

14

Gambar 5 Ilustrasi pembuatan matriks kookurensi, (a) Citra masukan, (b)

Nilai intensitas citra masukan, (c) Hasil matriks kookurensi 0°, (d) Hasil matriks

kookurensi 45°, (e) Hasil matriks kookurensi 90°, (f) Hasil matriks kookurensi

135°.

Fitur energy berfungsi untuk mengukur konsentrasi pasangan grey level

pada matrik co-occurance. Nilai energi didapatkan dengan memangkatkan setiap

elemen dalam grey level co-occurance matrix (GLCM), kemudian dijumlahkan.

Fitur kontras digunakan untuk mengukur perbedaan lokal dalam citra atau

mengukur variasi derajat keabuan suatu daerah citra atau menyatakan sebaran

terang (lightness) dan gelap (darkness) dalam sebuah citra. Fitur homogenitas

berfungsi untuk mengukur kehomogenan variasi grey level (perbedaan lokal)

dalam sebuah citra. Fitur entropi digunakan untuk mengukur keteracakan dari

distribusi perbedaan lokal dari sebuah citra (Mathwork 2011).

15

Komponen pengukuran tekstur yang meliputi energi, kontras, homogenitas

dan entropy dapat diambil menggunakan persamaan :

𝐸𝐸𝑛𝑛𝐸𝐸𝑟𝑟𝑔𝑔𝑗𝑗 = ∑ ∑ 𝑝𝑝2𝑛𝑛𝑗𝑗=1

𝑚𝑚𝑗𝑗=1 (𝑗𝑗, 𝑗𝑗) ........................................................ (20)

𝐾𝐾𝐾𝐾𝑛𝑛𝐾𝐾𝑟𝑟𝑗𝑗𝑠𝑠 = ∑ ∑ (𝑗𝑗 − 𝑗𝑗)2𝑛𝑛𝑗𝑗=1

𝑚𝑚𝑗𝑗=1 𝑝𝑝(𝑗𝑗, 𝑗𝑗) ............................................ (21)

𝐻𝐻𝐾𝐾𝑚𝑚𝐾𝐾𝑔𝑔𝐸𝐸𝑛𝑛𝑗𝑗𝐾𝐾𝑗𝑗𝑠𝑠 = ∑ ∑ 𝑝𝑝(𝑗𝑗 ,𝑗𝑗 )1+|𝑗𝑗−𝑗𝑗 |

𝑛𝑛𝑗𝑗=1

𝑚𝑚𝑗𝑗=1 ........................................... (22)

𝐸𝐸𝑛𝑛𝐾𝐾𝑟𝑟𝐾𝐾𝑝𝑝𝑗𝑗 = −∑ ∑ 𝑝𝑝(𝑗𝑗, 𝑗𝑗) log𝑝𝑝(𝑗𝑗, 𝑗𝑗) 𝑛𝑛𝑗𝑗=1

𝑚𝑚𝑗𝑗=1 .................................. (23)

Dengan i dan j adalah intensitas dari resolusi 2 piksel yang berdekatan.

Sedangkan P(i, j) adalah frekuensi relatif matrik dari resolusi 2 piksel yang

berdekatan.

2.5 Transformasi Data

Sebelum menggunakan data dengan metode atau teknik tertentu perlu

dilakukan praproses terhadap data dengan maksud agar data dapat dikenali dengan

lebih baik. Salah satu praproses yang sering dipakai adalah transformasi data.

Transformasi data dilakukan untuk mengubah data ke dalam rentang nilai tertentu.

Rentang nilai ditentukan berdasarkan kasus dan keperluan terntentu. Sebagai

misal penggunaan fungsi aktivasi sigmoid pada jaringan FNN. Untuk keperluan

tersebut maka data mesti ditransformasi sehingga semua data memiliki range yang

sama dengan range keluaran fungsi aktivasi sigmoid yang dipakai, yaitu [0, 1].

Data dapat ditransformasi ke interval [0,1]. Namun akan lebih baik jika

ditransformasikan ke interval yang lebih kecil, misal pada interval [0.1 0.9]. Hal

ini mengingat bahwa fungsi sigmoid merupakan fungsi asimtotik yang nilainya

tidak pernah mencapai nilai 0 maupun 1.

Berikut adalah transformasi linier yang dipakai untuk mentrasformasikan

data ke interval [0.1 0.9] jika a adalah data minimum dan b adalah data

maksimum.

𝑥𝑥′ = 0.8(𝑥𝑥−𝑗𝑗)𝑏𝑏−𝑗𝑗

+ 0.1 ...................................................................... (24)

2.6 Koefisien Determinasi

Koefisien determinasi pada regresi linier sering diartikan sebagai seberapa

besar kemampuan semua variabel bebas dalam menjelaskan varians dari variabel

16

terikatnya. Secara sederhana koefisien determinasi dihitung dengan

mengkuadratkan Koefisien Korelasi (R). Sebagai contoh, jika nilai R adalah

sebesar 0,80 maka koefisien determinasi (R Square) adalah sebesar 0,80 x 0,80 =

0,64. Berarti kemampuan variabel bebas dalam menjelaskan varians dari variabel

terikatnya adalah sebesar 64,0%. Berarti terdapat 36% (100%-64%) varians

variabel terikat yang dijelaskan oleh faktor lain. Berdasarkan interpretasi tersebut,

maka tampak bahwa nilai R Square adalah antara 0 sampai dengan 1.

Berikut adalah penetapan dan interpretasi koefisien korelasi dan koefisien

determinasi pada regresi linier sederhana.

𝑟𝑟 = 𝑛𝑛 ∑ 𝑥𝑥𝑗𝑗𝑦𝑦𝑗𝑗𝑛𝑛𝑗𝑗=1 −�∑ 𝑥𝑥𝑗𝑗𝑛𝑛

𝑗𝑗=1 ��∑ 𝑦𝑦𝑗𝑗𝑛𝑛𝑗𝑗=1 �

��𝑛𝑛 ∑ 𝑥𝑥12𝑛𝑛

𝑗𝑗=1 −�∑ 𝑥𝑥𝑗𝑗𝑛𝑛𝑗𝑗=1 �2��𝑛𝑛 ∑ 𝑦𝑦1

2𝑛𝑛𝑗𝑗=1 −�∑ 𝑦𝑦𝑗𝑗𝑛𝑛

𝑗𝑗=1 �2�

𝑠𝑠 = 𝑟𝑟2 ........................................................................................... (25)

Berikut adalah koefisien determinasi untuk regresi linier berganda.

𝑠𝑠𝑦𝑦 .122 = 1 − 𝐽𝐽𝐾𝐾𝑠𝑠

(𝑛𝑛−1)𝑠𝑠𝑦𝑦2 ...................................................... (26)

Dimana JKG adalah jumlah kuadrat galat sedangkan sy2 adalah jumlah

kuadrat y dengan definisi sebagai berikut :

𝑠𝑠𝑦𝑦2 = 𝑛𝑛 ∑𝑦𝑦2−(∑𝑦𝑦)2

𝑛𝑛(𝑛𝑛−1)

𝐽𝐽𝐾𝐾𝑠𝑠 = ∑𝑦𝑦2 − 𝑗𝑗∑𝑦𝑦 − 𝑏𝑏1 ∑𝑥𝑥1𝑦𝑦 − 𝑏𝑏2 ∑𝑥𝑥2𝑦𝑦

2.7 Klasifikasi

Klasifikasi adalah tugas pembelajaran sebuah fungsi target f yang

memetakan setiap himpunan atribut x ke salah satu label kelas y yang telah

didefinisikan sebelumnya. Data input yang digunakan untuk klasifikasi adalah

koleksi dari record. Setiap record dikenal sebagai instance atau contoh, yang

ditentukan oleh sebuah tuple (x,y) dimana x adalah himpunan atribut yang disebut

atribut predictor dan y adalah suatu atribut tertentu yang dinyatakan sebagai label

kelas atau target.

17

Pendekatan umum yang digunakan dalam klasifikasi adalah adanya

training set yang berisi record berlabel kelas, digunakan untuk membangun

model klasifikasi. Selanjutnya model klasifikasi diaplikasikan ke test set yang

berisi record tanpa label kelas. Hal ini merupakan proses pengenalan kembali

suatu objek berdasarkan pola yang telah dikenal (Duda, Hart & Stork 1997).

Teknik klasifikasi yang digunakan dalam penelitian ini adalah klasifikasi fuzzy

menggunakan neural network yang dikenal dengan fuzzy neural network.

2.8 Neural Network (NN)

Neural Network (NN) atau Jaringan syaraf tiruan (JST) adalah sistem

komputasi dimana arsitektur dan operasi diilhami dari pengetahuan tentang sel

syaraf biologi di dalam otak (Fausett 1994). NN didasari oleh kemampuan otak

manusia dalam mengorganisasikan sel-sel penyusunnya yang disebut neuron,

sehingga mampu melaksanakan tugas-tugas tertentu khususnya pengenalan pola

dengan efektifitas yang tinggi. Pengetahuan diperoleh jaringan melalui proses

belajar dan kekuatan hubungan antar sel syaraf (neuron) yang dikenal sebagai

bobot-bobot sinaptik digunakan untuk menyimpan pengetahuan (Haykin &

Simon, 1994). Model syaraf ditunjukkan dengan kemampuannya dalam emulasi,

analisis, prediksi dan asosiasi.

NN adalah pemrosesan informasi yang mempunyai karakteristik kinerja

tertentu seperti jaringan neural biologis, yang berdasarkan pada asumsi (Siang

2009) : (1) pemrosesan informasi terjadi pada banyak elemen sederhana yang

disebut neuron, (2) sinyal diberikan antara neuron lewat jalinan koneksi, (3) setiap

jalinan koneksi mempunyai bobot yang mengalikan sinyal yang ditransmisikan,

(4) setiap neuron menerapkan fungsi aktivasi (yang biasannya non linier) terhadap

jumlah sinyal masukan terbobot untuk menentukan sinyal keluarannya.

NN dicirikan oleh (Fauset 1994) : (1) pola hubungan antara neuron-

neuron-nya, yang disebut arsitektur, (2) metode penentuan bobot (weight) pada

hubungan, yang disebut pelatihan (training), pembelajaran (learning) atau

algoritma (3) fungsi aktivasinya.

Struktur jaringan neural terdiri atas sejumlah besar komponen yang

disebut neuron. Setiap neuron terhubung dengan neuron lainnya dengan jalinan

18

koneksi yang berkaitan dengan bobot. Bobot mewakili informasi yang diterima

jaringan dan dijadikan sebagian nilai untuk menyelesaikan masalah. Gambar 6

memperlihatkan model tiruan sebuah neuron.

Gambar 6 Model Neuron (Hermawan, 2006).

Sebuah neuron menerima sejumlah n masukan, yaitu 𝑥𝑥1, 𝑥𝑥2, … , 𝑥𝑥𝑛𝑛 . Setiap

masukan dimodifikasi oleh bobot sinapsis 𝑤𝑤1,𝑤𝑤2, … ,𝑤𝑤𝑛𝑛 sehingga masukan ke

dalam neuron adalah 𝑥𝑥𝑗𝑗 = 𝑥𝑥𝑗𝑗𝑤𝑤𝑗𝑗 , dimana 𝑗𝑗 = 1,2, … ,𝑛𝑛. Kemudian neuron akan

menghitung hasil penjumlahan seluruh masukan, dan fungsi aktivasi akan

menentukan keluaran neuron :

𝑛𝑛𝐸𝐸𝐾𝐾 = 𝑥𝑥1𝑤𝑤1 + 𝑥𝑥2𝑤𝑤2 + ⋯+ 𝑥𝑥𝑛𝑛𝑤𝑤𝑛𝑛 atau 𝑛𝑛𝐸𝐸𝐾𝐾 = ∑ 𝑥𝑥𝑗𝑗𝑤𝑤𝑗𝑗𝑛𝑛𝑗𝑗=1 ........... (27)

Dengan mengasumsikan suatu black box yang tidak tahu isinya, neural

network akan menemukan pola hubungan antara input dan output melalui fasa

training. Neural network masuk dalam kategori supervised learning. Dalam

kategori ini suatu network dilatih untuk menemukan parameter model yaitu w dan

b yang terbaik.

Hal yang perlu dipertimbangkan dalam mendesain suatu neural network

adalah tipe jaringan, jumlah layer, banyaknya simpul/node di tiap layer, fungsi

transfer atau activation function dalam setiap layer dan jumlah epoch/iterasi yang

digunakan untuk training (Santosa 2007).

2.8.1 Arsitektur Backpropagation

Backpropagation adalah salah satu tipe neural network yang paling

populer dan sering digunakan. Jaringan neuron yang sering digunakan dalam NN

untuk pengenalan pola adalah jaringan lapis tunggal (single layer network) dan

jaringan lapis banyak (multi layer network). Perbedaan kedua arsitektur ini adalah

adanya lapisan tersembunyi. Pada jaringan lapis tunggal tidak ada lapisan

19

tersembunyi, sedangkan pada jaringan lapis banyak memiliki minimal satu

lapisan tersembunyi (Kusumadewi, 2003).

Lapisan-lapisan penyusun neural network terdiri dari lapisan input (input

layer), lapisan tersembunyi (hidden layer) dan lapisan output (output layer).

Gambar 7 menunjukkan arsitektur backpropagation dengan n buah masukan

(dengan sebuah bias), sebuah layar tersembunyi yang terdiri dari p unit (dengan

sebuah bias) serta m unit keluaran. Vji merupakan bobot garis dari unit masukan xi

ke unit layar tersembunyi zj (vjo merupakan bobot garis yang menghubungkan bias

di unit masukan ke layar tersembunyi zj). wkj merupakan bobot dari layar

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

tersembunyi ke unit keluaran zk).

Gambar 7 Arsitektur backpropagation (Siang, 2009).

2.8.2 Fungsi Aktivasi

Fungsi aktivasi merupakan keadaan internal suatu neuron yang digunakan

pada perhitungan input yang diterima neuron, setelah itu diteruskan ke neuron

berikutnya. Dengan fungsi aktivasi ini neuron dapat mengambil keputusan dari

pengolahan bobot-bobot yang ada dan menentukan kuat lemahnya sinyal yang

dikeluarkan oleh suatu neuron. Dalam backpropagation fungsi aktivasi yang

dipakai harus memenuhi beberapa syarat, yaitu kontinyu, terdiferensial dengan

mudah dan merupakan fungsi yang tidak turun.

20

Fungsi aktivasi yang sering digunakan pada backpropagation neural

network adalah sigmoid biner dan sigmoid bipolar. Sigmoid biner adalah fungsi

biner yang memiliki rentang 0 s/d 1 dengan rumus fungsi pada persamaan 25 dan

mempunyai grafik fungsi seperti pada Gambar 8.

𝑓𝑓(𝑥𝑥) = 11+exp(−𝑥𝑥)

................................................................... (28)

dengan turunan 𝑓𝑓′(𝑥𝑥) = 𝑓𝑓(𝑥𝑥)(1 − 𝑓𝑓(𝑥𝑥))

Gambar 8 Fungsi aktivasi sigmoid biner (Kusumadewi, 2003).

Sigmoid bipolar adalah fungsi yang memiliki rentang -1 s/d 1 dengan

rumus fungsi pada persamaan 26 dan mempunyai grafik fungsi seperti pada

Gambar 9.

𝑓𝑓(𝑥𝑥) = 21+exp(−𝑥𝑥)

− 1 ............................................................. (29)

dengan turunan 𝑓𝑓′(𝑥𝑥) = �1+𝑓𝑓(𝑥𝑥)�(1−𝑓𝑓(𝑥𝑥))2

Gambar 9 Fungsi aktivasi sigmoid bipolar (Kusumadewi, 2003).

2.8.3 Algoritma Pelatihan Lavenberg-Marquadt

Algoritma lavenberg-marquadt (LM) adalah algoritma pelatihan

backpropagation yang dapat mencapai nilai konvergen lebih cepat dibandingkan

dengan algoritma pelatihan lainnya dan sangat direkomendasikan sebagai pilihan

pertama dalam supervised learning. Konsep dari algoritma LM adalah penentuan

21

matriks hessian untuk mencari bobot-bobot dan bias koneksi (Budi & Sumiyati

2007).

Matriks hessian adalah matriks yang setiap elemennya terbentuk dari

turunan kedua dari fungsi kinerja terhadap setiap komponen bobot dan bias.

Untuk memudahkan komputasi, matriks hessian diubah dengan pendekatan iteratif

pada setiap epoch selama algoritma berjalan. Proses pengubahannya dilakukan

menggunakan fungsi gradien. Berikut adalah estimasi matriks hessian jika fungsi

kinerja yang digunakan berbentuk jumlah kuadrat error (SSE).

𝐻𝐻 = 𝐽𝐽𝑇𝑇𝐽𝐽 + 𝜂𝜂𝜂𝜂 .............................................................................. (30)

Dimana η merupakan parameter marquadt, I merupakan matriks identitas

dan J adalah matriks jacobian yang terdiri dari turunan pertama error jaringan

terhadap masing-masing komponen bobot bias.

Nilai parameter marquadt (η) dapat berubah pada setiap epoch. Jika

setelah berjalan satu epoch nilai fungsi error menjadi lebih kecil, nilai η akan

dibagi oleh faktor τ. Bobot dan bias baru yang diperoleh akan dipertahankan dan

pelatihan dapat dilanjutkan ke epoch berikutnya. Sebaliknya jika setelah berjalan

satu epoch nilai fungsi error menjadi lebih besar maka nilai η akan dikalikan

faktor τ. Nilai perubahan bobot dan bias dihitung kembali sehingga menghasilkan

nilai yang baru.

2.8.4 Proses Pembelajaran Backpropagation

Proses pembelajaran merupakan proses perubahan bobot-bobot yang ada

pada jaringan dengan tujuan untuk meminimalkan mean square error (mse) atau

toleransi galat antara keluaran yang dihasilkan dengan keluaran yang diinginkan

(target). Perubahan ini dapat berkurang atau bertambah sesuai dengan informasi

yang diberikan oleh neuron yang bersangkutan. Perubahan ini akan berhenti jika

bobot-bobot pada jaringan sudah cukup seimbang. Kondisi ini mengindikasikan

bahwa setiap input telah berhubungan dengan output yang diharapkan.

Pembelajaran terawasi (supervised learning) merupakan metode yang

hanya berlaku jika output yang diharapkan sudah diketahui, sehingga dalam

proses pembelajaran, setiap input akan memiliki target output yang harus dicapai.

22

Jika terjadi perbedaan pola output hasil pembelajaran dengan pola target, maka

akan muncul galat. Jika nilai galat ini masih cukup besar, maka perlu iterasi

pembelajaran yang berikutnya (Kusumadewi, 2003). Ilustrasi supervised learning

dapat dilihat pada Gambar 10.

Gambar 10 Supervised Learning (Rios).

Backpropagation adalah salah satu algoritma yang menggunakan metode

supervised learning. Pelatihan backpropagation meliputi 3 fase. Fase pertama

adalah fase maju atau propagasi maju. Pola masukan dihitung maju mulai dari

layar masukan hingga layar keluaran menggunakan fungsi aktivasi yang

ditentukan. Fase kedua adalah fase mundur atau propagasi mundur. Selisih antara

keluaran jaringan dengan target yang diinginkan merupakan kesalahan yang

terjadi. Kesalahan tersebut dipropagasikan mundur, mulai garis yang berhubungan

langsung dengan unit-unit di layar keluaran. Fase ketiga adalah modifikasi bobot

untuk menurunkan kesalahan yang terjadi. Ketiga fase tersebut diulang-ulang

terus hingga kondisi penghentian dipenuhi. Umumnya kondisi penghentian yang

dipakai adalah jumlah iterasi atau kesalahan. Berikut proses selengkapnya yang

terjadi pada setiap fase (Siang 2009).

Fase I : Propagasi maju

Selama propagasi maju, sinyal masukan (xi) dipropagasikan ke lapisan

tersembunyi menggunakan fungsi aktivasi yang ditentukan. Keluaran setiap unit

lapisan tersembunyi (zj) tersebut selanjutnya dipropagasikan maju ke layar

tersembunyi di atasnya menggunakan fungsi aktivasi yang ditentukan. Demikian

seterusnya hingga menghasilkan keluaran jaringan (yk). Berikutnya keluaran

23

jaringan (yk) dibandingkan dengan target yang harus dicapai (tk). Selisih dari tk

terhadap yk yaitu tk-yk adalah kesalahan yang terjadi. Jika kesalahan ini lebih kecil

dari batas toleransi yang ditentukan, maka iterasi dihentikan. Tetapi apabila

kesalahan masih lebih besar dari batas toleransinya, maka bobot setiap garis

dalam jaringan dimodifikasi untuk mengurangi kesalahan yang terjadi.

Fase II : Propagasi Mundur

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

untuk mendistribusikan kesalahan di unit yk ke semua unit tersembunyi yang

terhubung langsung dengan yk. Faktor δk juga dipakai untuk mengubah bobot

garis yang berhubungan langsung dengan unit keluaran. Dengan cara yang sama,

dihitung faktor δj (j = 1, 2, …, m) di setiap unit di lapisan tersembunyi di layar

bawahnya. Demikian seterusnya hingga semua faktor δ di unit tersembunyi yang

berhubungan langsung dengan unit masukan dihitung.

Fase III : Perubahan Bobot

Setelah semua faktor δ dihitung, bobot semua garis dimodifikasi bersamaan.

Perubahan bobot satu garis didasarkan atas faktor δ neuron di lapisan atasnya.

Sebagai contoh, perubahan bobot garis yang menuju lapisan keluaran didasarkan

atas δk yang ada di unit keluaran.

Ketiga fase tersebut diulang-ulang terus hingga kondisi penghentian dipenuhi.

Umumnya kondisi penghentian yang sering dipakai adalah jumlah iterasi atau

kesalahan. Iterasi 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. Setelah pelatihan selesai dilakukan,

jaringan dapat dipakai untuk pengenalan pola. Dalam hal ini hanya propagasi

maju saja yang digunakan untuk menentukan keluaran jaringan. Algoritma

selengkapnya disajikan pada Lampiran 1.

Berikut fungsi kinerja yang digunakan oleh backpropagation, yaitu Mean

Square Error (MSE) yang didapatkan dari nilai rata-rata kuadrat error yang

terjadi antara output jaringan (yk) dan target (tk).

𝑀𝑀𝑆𝑆𝐸𝐸 = 1𝑚𝑚� (tk − yk)2𝑚𝑚

𝑗𝑗=1 .................................................... (31)

24

2.9 Logika Fuzzy

Teori himpunan fuzzy merupakan perluasan dari himpunan klasik (crisp).

Pada teori himpunan crisp keberadaan suatu elemen pada suatu himpunan A

hanya akan mempunyai dua kemungkinan nilai keanggotaan atau derajat

keanggotaan, yaitu menjadi anggota A (𝜇𝜇𝐴𝐴(𝑥𝑥) = 1) atau tidak menjadi anggota

A (𝜇𝜇𝐴𝐴(𝑥𝑥) = 0) (Chak et al. 1998), Sehingga akan mengakibatkan perbedaan

kategori yang cukup bermakna dengan himpunan klasik. Himpunan crisp

diilustrasikan menggunakan Gambar 11. Pada teori himpunan fuzzy yang

diperkenalkan oleh Lotfi A. Zadeh keberadaan suatu elemen pada suatu himpunan

A akan mempunyai derajat keanggotaan antara 0 dan 1. Hal ini banyak digunakan

untuk membuat suatu klasifikasi sebagai solusi terhadap suatu pola yang berada

diantara dua kelas yang tidak dapat diselesaikan oleh klasifikasi klasik.

Gambar 11 Himpunan klasik.

Pada himpunan fuzzy seseorang akan dapat masuk dalam 2 himpunan yang

berbeda. Seseorang dengan umur 40 tahun masuk dalam himpunan usia muda

dengan derajat keanggotaan 0.25 dan sekaligus masuk dalam himpunan usia

parobaya dengan derajat keanggotaan 0.5, hal ini diilustrasikan pada Gambar 12.

Gambar 12 Fungsi keanggotaan umur dengan representasi segitiga.

25

Beberapa hal yang berhubungan dengan sistem fuzzy adalah variabel fuzzy,

himpunan fuzzy, semesta pembicaraan dan domain. Variabel fuzzy merupakan

variabel yang akan dibahas di dalam fuzzy, misalnya umur, permintaan,

temperatur dan sebagainya. Himpunan fuzzy merupakan suatu grup yang mewakili

kondisi tertentu dalam variabel fuzzy, misalnya variabel umur dibagi menjadi

muda, parobaya dan tua. Semesta pembicaraan adalah seluruh nilai yang

diperbolehkan untuk dioperasikan dalam suatu variabel fuzzy, misalnya semesta

pembicaraan variabel umur adalah 0 sampai 100. Domain adalah keseluruhan nilai

yang diijinkan dalam semesta pembicaraan dan boleh dioperasikan dalam

himpunan fuzzy, misalnya domain umur muda 20-45, domain umur parobaya 25-

65 dan domain umur tua 45-70.

2.9.1 Fungsi Keanggotaan (membership function)

Fungsi keanggotaan (membership function) adalah suatu kurva yang

menunjukkan pemetaan titik-titik input data ke dalam nilai keanggotaan yang

memiliki interval antara 0 - 1. Ada beberapa fungsi keanggotaan yang digunakan

untuk mendapatkan fungsi keanggotaan antara lain representasi kurva sigmoid,

triangular dan trapezoid.

Metode popular untuk menentukan fuzzy set adalah menggunakan fungsi

keanggotaan bell (lonceng), karena kehalusan dan keringkasannya (mathwork

2011).

Fungsi keanggotaan : 𝑠𝑠(𝑥𝑥; 𝛾𝛾,𝛽𝛽) = 1

1+�𝑥𝑥−𝛾𝛾𝛽𝛽 �2 ......................................... (32)

Terdapat tiga kurva berbentuk bell (lonceng) yaitu PI, beta dan Gauss,

dengan perbedaan terletak pada gradien-nya. Kurva beta sama halnya dengan PI

hanya saja kurva beta lebih rapat. Kurva beta didefinisikan dengan dua parameter,

yaitu nilai pada domain yang menunjukkan pusat kurva (γ) dan setengah lebar

kurva (β), seperti terlihat pada Gambar 13.

Fungsi keanggotaan akan mendekati 0 (nol) jika nilai β sangat besar.

26

Gambar 13 Karakteristik fungsional kurva beta (Cox, 1994).

2.10 Fuzzy Neural Network (FNN)

Fuzzy neural network (FNN) merupakan suatu model yang dilatih

menggunakan jaringan syaraf, namun struktur jaringannya diinterpretasikan

dengan sekelompok aturan fuzzy (Kasabow 2002). Pada FNN parameter-

parameter yang dimiliki oleh neuron dan bobot-bobot penghubung yang biasanya

disajikan secara numeris, dapat diganti menggunakan parameter fuzzy.

Adakalanya input dan bobot bernilai crisp, sedangkan output-nya bernilai fuzzy.

Terdapat tujuh tipe FNN dengan variasi jenis nilai bobot, input dan output-nya

(Mashinchi & Shamsuddin, 2009), seperti dalam Tabel 2.

Tabel 2 Tipe-tipe Fuzzy Neural Network (FNN)

Type weights inputs outputs Case 0 of ANNs : crisp value crisp value crisp value Case 1 of FNNs : crisp value fuzzy crisp value Case 2 of FNNs : crisp value fuzzy fuzzy Case 3 of FNNs : fuzzy crisp value fuzzy Case 4 of FNNs : fuzzy fuzzy fuzzy Case 5 of FNNs : crisp value crisp value fuzzy Case 6 of FNNs : fuzzy crisp value crisp value Case 7 of FNNs : fuzzy fuzzy crisp value

Pada klasifikasi klasik menggunakan jaringan backpropagation, jumlah

neuron pada lapisan output sama dengan jumlah kelas. Output neuron akan

bernilai 1 jika output sesuai dengan target dan bernilai 0 jika tidak sesuai, dengan

27

konsep winner take all. Namun adakalanya, suatu pola berada pada batas kelas

yang tumpang tindih, sehingga berada diantara 2 kelas. Apabila hal ini terjadi,

maka tidak akan bisa diselesaikan menggunakan klasifikasi klasik (Pal & Mitra,

1992).

Pal dan Mitra (1992) memperkenalkan klasifikasi pola secara fuzzy

menggunakan algoritma pembelajaran backpropagation. Konsep data dari model

ini adalah menggunakan derajat keanggotaan pada neuron output sebagai target

pembelajaran. Penghitungan derajat keanggotaan diawali dengan penghitungan

jarak terbobot pola terhadap target output. Berdasar jarak terbobot tersebut

selanjutnya dihitung derajat keanggotaan.

Penghitungan jarak terbobot terhadap sekelompok pola xk = {x1, x2, …,

xn} yang terdiri dari p kelas akan menghasilkan sejumlah p neuron pada lapisan

output. Jarak terbobot dengan nilai terkecil pada tiap pola menunjukkan kelas

target. Jarak terbobot pola pelatihan ke-k dari xk terhadap kelas target ke-k,

dihitung sebagai berikut (Sarkar et al. 1998) :

𝑧𝑧𝑗𝑗𝑗𝑗 = �∑ �𝑥𝑥𝑗𝑗𝑗𝑗 −𝑚𝑚𝑗𝑗𝑗𝑗

𝑣𝑣𝑗𝑗𝑗𝑗�

2𝑛𝑛𝑗𝑗=1 ;𝑗𝑗 = 1, … , 𝑝𝑝 ..... ........................... (33)

Dengan mk dan vk adalah mean dan deviasi standar dari kelas ke-k, xij

adalah nilai komponen ke-j dari pola ke-i.

Derajat keanggotaan pola ke-i pada kelas ck dapat dihitung sebagai

(Sarkar, 1998) :

𝜇𝜇𝑗𝑗(𝑥𝑥𝑗𝑗) = 1

1+�𝑧𝑧𝑗𝑗𝑗𝑗𝑓𝑓𝑑𝑑�𝑓𝑓𝐸𝐸 ;𝑗𝑗 = 1, … , 𝑝𝑝 .................................... (34)

Dengan fd dan fe adalah konstanta yang akan mengendalikan tingkat

kekaburan pada himpunan keanggotaan kelas tersebut. Dari sini didapatkan p

vector derajat keanggotaan �𝜇𝜇1(𝑥𝑥1),𝜇𝜇2(𝑥𝑥2), … , 𝜇𝜇𝑝𝑝�𝑥𝑥𝑝𝑝��. Pada kasus paling fuzzy,

akan digunakan operator INT (intensified) (Sarkar et al. 1998) :

𝜇𝜇𝜂𝜂𝐼𝐼𝑇𝑇𝑥𝑥𝑗𝑗 = �2[𝜇𝜇𝑗𝑗𝑥𝑥𝑗𝑗]2; 0 ≤ 𝜇𝜇𝑙𝑙(𝑥𝑥𝑗𝑗) ≤ 0,5

1 − 2[1 − 𝜇𝜇𝑗𝑗(𝑥𝑥𝑗𝑗)]2; 0,5 ≤ 𝜇𝜇𝑗𝑗(𝑥𝑥𝑗𝑗) ≤ 1�

28

sehingga pola input ke-i, xi akan memiliki target output ke-k (Sarkar et al. 1998) :

𝑑𝑑𝑗𝑗 = �𝜇𝜇𝜂𝜂𝐼𝐼𝑇𝑇(𝑗𝑗)(𝑥𝑥𝑗𝑗); 𝑢𝑢𝑛𝑛𝐾𝐾𝑢𝑢𝑗𝑗 𝑗𝑗𝑗𝑗𝑠𝑠𝑢𝑢𝑠𝑠 𝑝𝑝𝑗𝑗𝑙𝑙𝑗𝑗𝑛𝑛𝑔𝑔 𝑓𝑓𝑢𝑢𝑧𝑧𝑧𝑧𝑦𝑦𝜇𝜇𝑗𝑗𝑥𝑥𝑗𝑗 ; 𝑦𝑦𝑗𝑗𝑛𝑛𝑔𝑔 𝑙𝑙𝑗𝑗𝑗𝑗𝑛𝑛𝑛𝑛𝑦𝑦𝑗𝑗

�

dengan 0 ≤ 𝑑𝑑𝑗𝑗 ≤ 1 untuk setiap k. Dalam tahap ini dihasilkan derajat

keanggotaan dari tiap pola yang ada terhadap kelas target, dimana nilai yang

paling tinggi di setiap pola menunjukkan kelas target. Selanjutnya pola input dan

output yang terbentuk akan digunakan sebagai data training menggunakan

algoritma backpropagation.

BAB III

METODOLOGI PENELITIAN

3.1 Tahapan Penelitian

Tahapan yang dilakukan dalam penelitian ini disajikan pada Gambar 14,

terdiri dari tahap identifikasi masalah, pengumpulan dan praproses data,

pemodelan FNN, pembandingan akurasi terhadap NN dan desain model aplikasi

FNN.

Gambar 14 Tahapan penelitian.

30

3.1.1 Identifikasi Masalah

Identifikasi masalah merupakan tahap awal dari rangkaian penelitian yang

dilakukan. Dalam tahap ini dilakukan beberapa kegiatan, yaitu identifikasi

masalah, menetapkan tujuan penelitian, studi literatur dan menentukan ruang

lingkup penelitian.

3.1.2 Pengumpulan dan Praproses Data

Pada tahap ini dilakukan pengumpulan data sekunder berupa citra buah

manggis. Data yang digunakan dalam penelitian ini adalah citra buah manggis

Padang berukuran 640x480 piksel, hasil dari pengambilan didalam kotak

instrument tertutup yang diberi pelapis kain warna hitam, menggunakan kamera

Change Couple Device (CCD) Telview tipe ST205 color, dua buah lampu PL

Philips warna putih 11 watt dan bidang dasar pemotretan berwarna putih, dengan

jarak rekam 30 cm dan posisi sudut pencahayaan 45. Data sekunder tersebut

penulis dapatkan dari laboratorium sistem dan manajeman keteknikan pertanian

Universitas Padjajaran Bandung.

Populasi manggis bersifat homogen, yaitu mempunyai karakteristik yang

sama, sehingga dianggap cukup menggunakan citra sampel buah manggis

sebanyak 125 buah, yaitu citra buah manggis yang berada pada tahap kematangan

2 sampai 6, dengan 25 citra manggis di setiap tahap kematangan.

Data citra buah manggis yang digunakan tidak mempunyai ukuran yang

seragam dan tidak memperhitungkan diameter buah manggis dalam pengolahan

menjadi nilai-nilai fitur yang digunakan sebagai penentu tahap kematangan buah

manggis.

Citra buah manggis diolah menggunakan matlab R2009b untuk

mendapatkan nilai RGB. Selanjutnya nilai RGB dinormalisasi menjadi rgb dengan

cara membagi masing-masing nilai dengan bilangan 255. Nilai rgb kemudian

dikonversi ke dalam HSV, L*u*v*, L*a*b* menggunakan persamaan 1-19.

Dilakukan juga ekstraksi ciri pada citra buah manggis tersebut menggunakan

metode gray-level co-occurrence matrix (GLCM) untuk mendapatkan ciri tekstur

berdasarkan persamaan 20-23 yang meliputi entropi, kontras, energi dan

31

homogenitas. Langkah terakhir dalam pengolahan data ini adalah mentransformasi

nilai-nilai fitur tersebut ke dalam rentang 0 sampai 1 menggunakan persamaan 24.

Selanjutnya data tersebut dibagi menjadi dua kelompok data yang saling

asing, yaitu data yang digunakan untuk training atau pelatihan pembentukan

model dan data yang digunakan untuk testing atau pengujian. Data pelatihan

diambil kurang lebih 85% disetiap tahap kematangan, yaitu berjumlah 21 data dan

data yang digunakan untuk pengujian kurang lebih15% di setiap tahap

kematangan, yaitu berjumlah 4. Total jumlah data pelatihan adalah 21 x 5 = 105

dan total jumlah data pengujian adalah 4 x 5 = 20. Hal ini dianggap cukup

mengingat populasi bersifat homogen dengan mengambil tingkat presisi 20%.

3.1.3 Desain Model FNN

1) Penentuan Variabel Input atau masukan

Variabel input ditentukan berdasarkan fitur penduga yang paling layak

digunakan sebagai penduga kematangan buah manggis, yaitu hasil analisis dari

fitur rgb, hsv, l*u*v*, l*a*b*, entropi, kontras energi dan homogenitas. Analisa

dilakukan berdasarkan sebaran data tiap kelasnya dan nilai koefisien determinasi

yang dicari menggunakan persamaan 25 dan 26.

2) Penentuan Pola Output Fuzzy

Variasi FNN yang dipakai dalam penelitina ini adalah input bernilai crisp,

sedangkan output bernilai fuzzy sesuai dengan model FNN tipe 5 (Mashinchi &

Shamsuddin 2009). Pola pelatihan awal klasifikasi fuzzy ini berupa matriks, berisi

pasangan nilai fitur-fitur penentu kematangan manggis yang merupakan nilai

input dan target yang semuanya bernilai crisp. Sehingga pola pelatihan yang

dibaca berupa matriks seperti pada Gambar 15.

Sebelum proses pelatihan dimulai terlebih dahulu dilakukan pengubahan

nilai target atau output menjadi pola output fuzzy. Penentuan pola output fuzzy

dilakukan dengan dua tahap, tahap pertama adalah mencari jarak terbobot pola

pelatihan terhadap kelas target yang didefinisikan, selanjutnya tahap kedua adalah

menghitung derajat keanggotaan pola pelatihan berdasarkan hasil perhitungan

jarak terbobot. Kedua tahap penentuan pola output fuzzy ini dilakukan

menggunakan persamaan 29 dan 30, sehingga didapatkan nilai target bernilai

32

fuzzy dari data target yang awalnya bernilai crisp. Pola pelatihan ini yang

kemudian di training oleh jaringan, pola pelatihan seperti disajikan di Gambar 16.

x1 x2 …. xn T

0.7822 0.7822 …. 0.1525 1

0.7287 0.7453 …. 0.4760 1

…. …. …. …. ….

0.771 0.7773 …. 0.303711 2

0.7635 0.7749 …. 0.414242 2

.... …. …. …. ….

0.7342 0.7502 …. 0.4693 3

0.7749 0.7823 …. 0.3162 3

Gambar 15 Pola pelatihan awal

x1 x2 …. xn T1 T2 T3

0.7822 0.7822 …. 0.1525 0.9734 0.9457 0.8849

0.7287 0.7453 …. 0.4760 0.9852 0.9542 0.8756

…. …. …. …. …. …. ….

0.771 0.7773 …. 0.303711 0.9722 0.9958 0.9871

0.7635 0.7749 …. 0.414242 0.9665 0.9928 0.9834

.... …. …. …. …. …. ….

0.7342 0.7502 …. 0.4693 0.9403 0.9661 0.9825

0.7749 0.7823 …. 0.3162 0.9183 0.9594 0.9952

Gambar 16 Pola pelatihan yang di training oleh jaringan

Nilai pola output fuzzy T1, T2 dan T3 yang merupakan target pelatihan

menunjukkan derajat keanggotaan dari pola input. Nilai derajat keanggotaan

sangat dekat satu sama lain. Hal tersebut menunjukkan nilai ambiguitas yang

tinggi jika dilakukan menggunakan klasifikasi klasik.

3) Arsitektur FNN

Arsitektur yang akan dibangun adalah multilayer neural network yang

terdiri dari tiga layer (lapisan), yaitu input layer (lapisan masukan), hidden layer

(lapisan tersembunyi) dan output layer (lapisan keluaran). Jumlah neuron input

ditentukan berdasarkan parameter penduga tahap kematangan manggis yang

paling bagus. Tidak ada kepastian tentang berapa banyak jumlah neuron pada

lapisan tersembunyi agar jaringan dapat dilatih dengan sempurna (Siang 2009),

dan sampai saat ini belum ada formula khusus yang bisa menemukan jumlah

33

neuron pada layar tersembunyi yang optimal. Suatu formula yang bisa digunakan

untuk memperkirakan jumlah neuron pada layar tersembunyi adalah akar dari

jumlah variabel pola masukan dikali jumlah neuron pada layar keluaran (Suyanto

2007). Dalam penelitian ini dicoba variasi neuron di lapisan tersembunyi

sejumlah 2, 5, 10, 15, 20 dan 25 untuk mendapatkan model yang optimum.

Jumlah neuron pada lapisan keluaran adalah 3, sesuai dengan jumlah klasifikasi

yang dilakukan.

Sebagai kondisi berhenti adalah nilai ambang Mean Square Error (MSE)

atau nilai toleransi minimum sebesar 10-6 atau maksimum iterasi sebesar 5000

epoch dengan learning rate (laju pembelajaran) 1.

4) Metode Pelatihan dan Pengujian

Proses pelatihan dan pengujian dilakukan dalam upaya untuk mendapatkan

model FNN yang optimum. Prosedur pelatihan dilakukan dengan melakukan

variasi jumlah neuron pada lapisan tersembunyi dan variasi kombinasi parameter

input. Kinerja dari FNN diukur dengan melihat error hasil pelatihan, validasi dan

testing terhadap sekumpulan data.

Pelatihan FNN dilakukan menggunakan algoritma supervised

backpropagation. Algoritma ini telah digunakan oleh Pal & Mitra (1992), Sarkar

et. a.l. (1997) dan Kusumadewi (2006), dalam mengatasi pola yang berada

diantara dua kelas. Pada proses pelatihan atau training program akan memanggil

data masukan dan data target yang berupa nilai-nilai penduga kematangan

manggis dan pola output fuzzy yang telah terbentuk. Kemudian pola tersebut

dilatih oleh FNN dengan tujuan agar FNN memiliki pengetahuan yang cukup

dalam mengenali pola-pola kematangan manggis. Pada proses pelatihan ini

diperoleh matrik bobot yang digunakan untuk menyimpan pengetahuan.

Proses validasi akan dilakukan untuk menguji kinerja jaringan terhadap

data yang telah diberikan selama proses pelatihan, dengan menggunakan 100%

data input yang diberikan selama proses pelatihan. Kinerja jaringan dapat dinilai

berdasarkan nilai MSE.

Jika FNN telah berhasil selama proses pelatihan dan validasi maka model

pendugaan kematangan manggis tersebut sudah dapat digunakan untuk proses

34

selanjutnya. Tahap selanjutnya adalah pengujian, proses ini dilakukan dengan

memasukkan nilai data input untuk mendapatkan nilai output, yaitu pendugaan

tahap kematangan. Pada proses pengujian FNN dilakukan proses pengambilan

matriks bobot yang tersimpan sebelumnya, kemudian setelah dihitung dengan

matrik input pola dapat diketahui apakah pola tersebut dapat dikenali atau tidak,

yaitu berdasarkan nilai terbesar dari setiap baris matriks yang didapatkan. Struktur

FNN disajikan dalam Tabel 3.

Tabel 3 Struktur FNN

Karakteristik Spesifikasi Arsitektur Multilayer Perceptron Hidden Neuron 2, 5, 10, 15, 20, 25 Output Neuron 3 Fungsi aktivasi Sigmoid biner Training Function Trainlm (default Matlab) Maksimum Epoch 3000

Learning rate 1

5) Pengambilan Keputusan

Pengambilan keputusan dilakukan dengan mengambil nilai yang terbesar

dari vektor baris yang didapatkan. Jika nilai terbesar dari keluaran berada di

kolom pertama maka berarti pola tersebut merupakan anggota dari kelas target 1.

Jika nilai terbesar dari keluaran berada di kolom kedua maka berarti pola tersebut

merupakan anggota dari kelas target 2. Jika nilai terbesar dari keluaran berada di

kolom ketiga maka berarti pola tersebut merupakan anggota dari kelas target 3.

3.1.4 Pembandingan Akurasi Terhadap NN

Pada tahap ini dilakukan pembandingan akurasi FNN hasil pelatihan

terbaik terhadap akurasi NN yang dilatih dengan struktur yang sama, sehingga

dapat dilihat tingkat kelayakan dari model FNN yang terbentuk.

3.1.5 Desain Aplikasi FNN

Tahap terakhir adalah membuat aplikasi FNN untuk klasifikasi

kematangan buah manggis. Aplikasi ini dibuat menggunakan bobot jaringan dari

model FNN terbaik yang dihasilkan dari percobaan-percobaan yang dilakukan.

35

Bobot-bobot jaringan digunakan untuk menyimpan pengetahuan hasil dari proses

belajar.

3.2 Kebutuhan Alat Penelitian

Perangkat lunak dan Perangkat keras yang dibutuhkan dalam penelitian ini

adalah MS Window XP Proffesional Version 2008 SP3, Matlab R2010a versi

7.10, Ms Excel 2007, Processor intel(R) core ™ 2 duo CPU T6600, @ 2.20 Ghz,

2.19 GHz, RAM 2,99 GB.

BAB IV

HASIL DAN PEMBAHASAN

4.1 Pengumpulan dan Praproses Data

Kegiatan pertama dalam penelitian tahap ini adalah melakukan

pengumpulan data untuk bahan penelitian. Penelitian ini menggunakan data

sekunder berupa citra buah manggis Padang dengan tingkat ketuaan atau

kematangan tahap 2, 3, 4, 5 dan 6. Jumlah dari masing-masing tahap kematangan

sejumlah 25 citra, sehingga jumlah data citra keseluruhan adalah 125 citra buah

manggis. Citra buah manggis ini merupakan hasil capture buah manggis pada tiap

tahap kematangan, yang diambil dengan perlakuan yang sama, dari buah manggis

kematangan tahap 2 yang dikembangkan sampai tahap 5. Citra yang digunakan

pada penelitian ini disajikan pada Lampiran 2.

Penentuan tahap kematangan atau tingkat ketuaan yang dimaksud pada

penelitian ini adalah tingkat ketuaan berdasarkan Ditjen tanaman buah dalam

Standar Prosedur Operasional (SPO) manggis deptan 2004. Tahap kematangan

pada SPO manggis tersebut dimulai dari kematangan tahap 0 sampai kematangan

tahap 6. Ciri perubahan pada tiap tahap kematangannya adalah perubahan warna

kulit manggis, yaitu perubahan dari warna kuning kehijauan yang merupakan

warna kulit buah manggis pada tahap kematangan 0, berangsur-angsur berubah

warna pada tiap tahap kematangannya ke warna ungu kehitaman yang merupakan

warna kulit buah manggis pada tahap kematangan 6. Hal ini disajikan pada Tabel

1.

Penentuan tahap kematangan yang dilakukan pada penelitian ini adalah

penentuan tahap kematangan menjadi tiga kelompok/kelas, yaitu membagi buah

manggis kedalam kelompok buah mentah untuk buah manggis yang berada pada

kematangan tahap 2, buah ekspor untuk buah manggis yang berada pada

kematangan tahap 3 dan 4, dan buah lokal/domestik untuk buah manggis yang

berada pada kematangan tahap 5 dan 6.

38

Data citra buah manggis yang digunakan tidak mempunyai ukuran yang

seragam dan tidak memperhitungkan diameter buah manggis dalam pengolahan

menjadi nilai-nilai fitur yang digunakan sebagai penentu tahap kematangan buah

manggis.

Citra buah manggis yang berjumlah 125 diolah menggunakan Matlab R2009a

sehingga didapatkan nilai-nilai RGB dari rata-rata semua piksel, yang disajikan

pada

Lampiran 3. Nilai-nilai RGB tersebut diolah kembali untuk mendapatkan

parameter-parameter yang digunakan sebagai variabel penentu tahap kematangan

buah manggis, yaitu HSV, L*u*v* dan L*a*b*. Dilakukan juga ekstraksi ciri

pada citra buah manggis tersebut menggunakan metode gray-level co-occurrence

matrix (GLCM) untuk mendapatkan ciri tekstur yang meliputi entropi, kontras,

energi dan homogenitas. Ekstraksi ciri dilakukan menggunakan orientasi sudut 0o

dan level keabuan 8. Selanjutnya data ini dibagi menjadi dua kelompok data yang

saling asing, yaitu data pelatihan/training sebanyak 105 data atau 85% dan data

uji/testing sebanyak 20 data atau 15%, setelah sebelumnya dilakukan transformasi

nilai-nilai tersebut kedalam selang 0 sampai 1.

4.2 Hubungan Indek RGB dengan Tahap Kematangan Buah

Berdasarkan data penelitian, perkembangan warna R, G dan B pada tiap

tahap kematangan tidak mempunyai pola yang teratur. Tidak ada pola yang jelas

untuk naik atau turunnya nilai RGB pada tiap perkembangan tahap kematangan.

Pada tahap perkembangan yang sama suatu data ada yang nilai RGB naik,

sebagian data yang lain nilainya turun, demikian juga terjadi pada tahap-tahap

perkembangan yang lain. Hal ini diperlihatkan pada Gambar 17.

Nilai rata-rata sebaran indek RGB pada penelitian ini menunjukkan derajat

kemerahan, kehijauan dan kebiruan buah yang menurun seiring dengan tingkat

ketuaan atau bertambahnya tahap kematangan. Hal ini ditunjukkan pada Gambar

18 dan Lampiran 4. Perubahan nilai RGB dapat menjelaskan fenomena

bertambahnya tingkat ketuaan buah manggis yang ditandai dengan perubahan dari

warna kuning kehijauan menjadi ungu kehitaman.

39

Gambar 17 Sebaran RGB pada tiap tahap kematangan

Gambar 18 Rata-rata nilai RGB

Indek warna RGB mempunyai nilai yang overlap pada tiap tahap kematangan

dengan tahap kematangan yang berbeda, namun tetap dapat digunakan sebagai

penduga model kematangan buah manggis menggunakan nilai koefisien

determinasi (R2) seperti pada Lampiran 5. Model regresi yang diduga kuat

memiliki keeratan hubungan antara warna dengan tahap kematangan adalah model

regresi menurut warna g (hijau). Nilai R2 warna g sebesar 0.4548

mengindikasikan bahwa sebesar 45% derajat kematangan ditentukan oleh

perubahan warna g.

4.3 Hubungan HSV dengan Tahap Kematangan Buah

Berdasarkan data penelitian yang ditunjukkan pada Gambar 19,

perkembangan nilai H naik turun tidak berpola pada tiap tahap kematangannya

dan nilai S mempunyai nilai yang mirip pada tiap tahap kematanganannya,

sehingga nilai H dan S tidak dapat digunakan sebagai penduga model kematangan

buah manggis.

0.6500

0.7000

0.7500

0.8000

Nila

i

Merah Hijau BiruFitur Penduga Tahap Kematangan

0.7200

0.7400

0.7600

0.7800

1 2 3 4 5 6 7

Nila

i RG

B

Tahap Kematangan

blue

red

green

40

Gambar 19 Sebaran HSV pada tiap tahap kematangan

Nilai rata-rata V menurun seiring dengan tingkat ketuaan buah manggis, hal ini

ditunjukkan oleh Gambar 20 dan Lampiran 6. Sebaran nilai V overlap pada tiap

tahap kematangan dengan tahap kematangan yang berbeda, namun tetap dapat

digunakan sebagai penduga model kematangan buah manggis menggunakan nilai

koefisien determinasi (R2) seperti pada Lampiran 7. Model regresi yang diduga

kuat memiliki keeratan hubungan antara warna dengan kematangan adalah model

regresi menurut nilai value. Nilai R2 sebesar 0.4062 mengindikasikan bahwa

sebesar 40% derajat kematangan ditentukan oleh perubahan nilai value.

Gambar 20 Rata-rata nilai HSV

Menurunnya nilai value menunjukkan menurunnya tingkat kecerahan

manggis, yang mengakibatkan perubahan warna dari merah kearah hitam. Hal ini

menjelaskan perubahan warna dari kuning kemerahan ke warna ungu kehitaman

pada buah manggis.

4.4 Hubungan L*a*b* dengan Tahap Kematangan Buah

Data pada penelitian ini menunjukkan bahwa nilai L*

(luminance/lightness) menurun seiring dengan tingkat ketuaan buah manggis,

-0.1000

0.1000

0.3000

0.5000

0.7000

0.9000

1.1000

Nila

i

H S VFitur Penduga Tahap Kematangan

0.0000

0.5000

1.0000

1 2 3 4 5 6 7

Rat

a-ra

ta

Tahap Kematangan

H

S

V

41

nilai a* meningkat seiring dengan tingkat ketuaan buah manggis, dan nilai b*

tidak mempunyai keteraturan pola pada perkembangan tahap ketuaan buah

manggis, hal ini ditunjukkan oleh Gambar 21, Gambar 22 dan Lampiran 8.

Menurunnya nilai L* menunjukkan perubahan warna dari terang ke warna

gelap, yaitu dari warna kuning kemerahan menjadi warna ungu kehitaman.

Meningkatnya nilai a* menunjukkan terjadi perubahan kadar warna merah yaitu

warna kuning kemerahan menjadi warna ungu kehitaman. Secara umum

perubahan warna L*a*b* seiring dengan tingkat ketuaan buah menunjukkan

perubahan warna dari kuning kemerahan menjadi warna ungu kehitaman.

Gambar 21 Sebaran L*a*b* pada tiap tahap kematangan

Gambar 22 Nilai rata-rata L*a*b*

Nilai L* dan a* mempunyai nilai yang overlap pada tiap tahap

kematangan dengan tahap kematangan yang berbeda, namun tetap dapat


koefisien determinasi (R2) seperti pada Lampiran 9. model regresi yang diduga

kuat memiliki keeratan hubungan antara warna L*a*b* dengan kematangan

0.0000

0.2000

0.4000

0.6000

0.8000

1.0000

Nila

i

L* a* b*Fitur Penduga Tahap Kematangan

0.0000

0.5000

1.0000

1 2 3 4 5 6 7

Rat

a-ra

ta

Tahap Kematangan

L*

a*

b*

42

adalah model regresi menurut nilai a*. Nilai R2 sebesar 0.4808 mengindikasikan

bahwa sebesar 48% derajat kematangan ditentukan oleh perubahan nilai a*.

4.5 Hubungan u*v* dengan Tahap Kematangan Buah

Data pada penelitian ini menunjukkan bahwa nilai u* dan v* meningkat

seiring dengan tingkat ketuaan buah manggis. Hal ini ditunjukkan oleh Gambar

23, Gambar 24 dan Lampiran 10.

Gambar 23 Sebaran u*v* pada tiap tahap kematangan

Gambar 24 Nilai rata-rata u*v*

Meningkatnya nilai u* dan v* menunjukkan bahwa terjadi perubahan kuat

warna merah ke hijau oleh nilai u* dan terjadi perubahan kuat warna kuning ke

biru oleh nilai v*. Hal ini mengakibatkan terjadinya perubahan warna dari kuning

kemerahan menjadi warna ungu kehitaman.

Nilai u* dan v* mempunyai nilai yang overlap pada tiap tahap kematangan

dengan tahap kematangan yang berbeda, namun tetap dapat digunakan sebagai

penduga model kematangan buah manggis menggunakan nilai koefisien

determinasi (R2) seperti pada Lampiran 11. Model regresi yang diduga kuat

memiliki keeratan hubungan antara warna L*u*v* dengan kematangan adalah

0.0000

0.2000

0.4000

0.6000

0.8000

1.0000

Nila

i

u* v*Fitur Penduga Tahap Kematangan

0.2400

0.4400

1 2 3 4 5 6 7Rat

a-ra

ta

Tahap Kematangan

u*

v*

43

model regresi menurut nilai u*v*. Nilai R2 sebesar 0.5856 mengindikasikan

bahwa sebesar 59% derajat kematangan ditentukan oleh perubahan nilai u*v*.

4.6 Hubungan Tekstur dengan Tahap Kematangan Buah

Berdasarkan data penelitian, nilai entropi (keteracakan dari distribusi

perbedaan lokal dari sebuah citra) semakin kecil seiring dengan bertambahnya

tahap kematangan, nilai kontras dan keragamannya meningkat seiring dengan

ketuaan buah manggis, nilai energi dan homogenitas tidak mempunyai keteraturan

pola pada perkembangan tiap tahap kematangan, hal ini ditunjukkan oleh Gambar

25, Gambar 26 dan Lampiran 12.

Gambar 25 Sebaran entropi, kontras, energi dan homogenitas pada tiap tahap kematangan

Gambar 26 Nilai rata-rata entropi, kontras, energi dan homogenitas

Hal ini menunjukkan manggis yang lebih muda permukaan kulitnya

mempunyai warna yang hampir seragam (homogen) sehingga intensitas warna

yang diterima kamera lebih tinggi. Menurut Ahmad (2005) dan Harlick et al.

0.0500

0.2500

0.4500

0.6500

0.8500

Nila

i

entropi kontras energi homogenitasFitur Penduga Tahap Kematangan

0.00000.20000.40000.60000.80001.0000

1 2 3 4 5 6 7

Nila

i Rat

a-ra

ta

Tahap Kematangan

entropi

kontras

energi

homogenitas

44

(1973) kontras merupakan fitur tekstur yang digunakan untuk mengukur kekuatan

perbedaan intensitas dalam citra.

Nilai entropi dan kontras mempunyai nilai yang overlap pada tiap tahap

kematangan dengan tahap kematangan yang berbeda, namun tetap dapat


koefisien determinasi (R2) seperti pada Lampiran 13. Model regresi yang diduga

kuat memiliki keeratan hubungan antara warna dengan kematangan adalah model

regresi menurut fitur entropi. Nilai R2 sebesar 0.3189 mengindikasikan bahwa

sebesar 32% derajat kematangan ditentukan oleh perubahan nilai entropi.

4.7 Parameter Penentu Tahap Kematangan Manggis

Parameter yang digunakan untuk menentukan tahap kematangan manggis

dalam penelitian ini adalah warna kulit manggis. Sebelum membangun sistem

untuk menentukan tahap kematangan buah manggis, terlebih dahulu dicari

variabel yang mempunyai korelasi dengan tingkat ketuaan atau tahap kematangan

buah manggis. Variabel ini selanjutnya digunakan sebagai variabel penduga

dalam penentuan tahap kematangan. Variabel-variabel yang diuji adalah RGB,

HSV, l*a*b*, l*u*v* dan entropi, energi, kontras serta homogenitas. Berdasar

hasil analisis, variabel penduga yang digunakan dalam penentuan tahap

kematangan buah manggis adalah nilai RGB, V, a*, u*, v*, entropi, energi,

kontras dan homogenitas.

Dalam penelitian ini digunakan 4 model kombinasi variabel dari variabel-

variabel penduga, disajikan pada Tabel 4. Empat model tersebut digunakan

sebagai input/masukan pada FNN yang akan digunakan sebagai model untuk

menentukan tahap kematangan buah manggis. Selanjutnya diambil hasil FNN

yang terbaik dari keempat model masukan tersebut sebagai model klasifikasi

kematangan buah manggis.

45

Tabel 4 Model variabel input/masukan penentuan tahap kematangan manggis

Model R G B V a* u* v* entropi energi kontras homogenitas FNN1

√

√ √ √ √ √

FNN2 √ √ √ √ √ √ √ √ FNN3 √ √ √ √ √ √ √ √ √

FNN4 √ √ √ √ √ √ √ √ √ √ √

4.8 Paramater Output Tahap Kematangan Manggis

Parameter output yang digunakan sebagai target pembelajaran dalam

penelitian ini adalah tahap kematangan manggis. Telah dijelaskan sebelumnya

bahwa penentuan tahap kematangan yang dilakukan pada penelitian ini adalah

penentuan tahap kematangan menjadi tiga kelompok/kelas, yaitu membagi buah

manggis kedalam kelas buah mentah atau belum matang untuk buah manggis

yang berada pada kematangan tahap 2, kelas buah ekspor untuk buah manggis

yang berada pada kematangan tahap 3 dan 4, dan kelas buah lokal/domestik untuk

buah manggis yang berada pada kematangan tahap 5 dan 6.

Nilai output yang digunakan adalah 1 untuk kelas manggis yang belum matang, 2

untuk kelas manggis ekspor dan 3 untuk kelas manggis lokal/domestik, disajikan

pada Tabel 5.

Tabel 5 Nilai output/keluaran tahap kematangan manggis

Output Tahap kematangan Keterangan

1 2 mentah/belum matang

2 3

ekspor

4

3 5 domestik

6

Sebelum proses training, akan dilakukan pengubahan nilai target pelatihan

menjadi target bernilai fuzzy terlebih dahulu, yaitu berupa derajat keanggotaan tiap

pola input terhadap tiap kelas kematangan, yang nilai-nilainya disajikan pada

Lampiran 14 dan grafiknya disajikan pada Gambar 27.

46

Gambar 27 Derajat keanggotaan target pelatihan

Berdasarkan pembahasan sebelumnya disebutkan bahwa semua variabel

yang dapat digunakan sebagai model penduga tahap kematangan buah manggis

tidak dapat ditarik garis pembeda pada tiap tahap kematangannya karena terdapat

nilai-nilai atau pola yang berada diantara dua kelas. Hal ini terlihat pula pada

derajat keanggotaan yang terbentuk, yang mempunyai nilai sangat dekat satu sama

lain. Hal ini menunjukkan bahwa terdapat ambiguitas yang tinggi dalam

penentuan kelas kematangan buah manggis jika dilakukan menggunakan

klasifikasi klasik.

4.9 Program Model Penentuan Tahap Kematangan Buah Manggis

Program model penentuan tahap kematangan buah manggis dalam

penelitian ini mempunyai beberapa tahapan, yaitu memanggil file citra yang sudah

disimpan, melakukan proses pengolahan citra untuk mendapatkan parameter

penentu tahap kematangan manggis, dan menentukan tahap kematangan buah

manggis dari citra tersebut.

Citra buah manggis yang dipanggil akan menghasilkan nilai RGB yang

merupakan parameter penentu utama, yang diperoleh dari nilai rata-rata

keseluruhan piksel objek. Selanjutnya program tersebut akan menghitung

parameter penduga tahap kematangan buah manggis, yaitu mengkonversi

parameter warna dari model warna RGB ke nilai value, a*, u*, v*, serta

menghitung nilai entropi, kontras, energi dan homogenitas. Kemudian program

akan menampilkan variabel-variabel penduga penentu tahap kematangan buah

47

manggis yang digunakan sebagai input/masukan model FNN, yaitu R, V, a*, u*,

v*, entropi, kontras, energi dan homogenitas. Tahap terakhir adalah menentukan

tahap kematangan dari citra buah manggis tersebut berdasarkan bobot yang telah

didapatkan dari hasil terbaik percobaan pelatihan menggunakan FNN. Bentuk

antar muka program model ditunjukkan pada Gambar 28, sedangkan source code

desain program antar muka disajikan pada Lampiran 15.

Gambar 28 Antar muka model penentuan tahap kematangan manggis

4.10 Analisis Hasil Pemodelan FNN

Percobaan-percobaan dilakukan untuk mendapatkan model jaringan FNN

yang terbaik dalam penentuan tahap kematangan buah manggis. Model FNN yang

terbaik adalah yang memberikan akurasi optimal ketika dilakukan validasi

terhadap data training maupun pengujian pada data testing.

Dari empat model input yang dicobakan pada model output dengan tiga

kelas target didapatkan hasil terbaik pada model FNN3. Model FNN3

menggunakan parameter g, v, a*, u*, v*, entropi, kontras, energi dan

homogenitas. Maksimum epoch yang digunakan adalah 3000 dan learning rate

adalah 1. Berikut adalah hasil percobaan yang dilakukan pada variasi jumlah

neuron pada lapisan tersembunyi dari model FNN3. Hasil percobaan dari tiap

model input lainnya disajikan pada Lampiran 16.

48

a. Lapisan tersembunyi dengan jumlah neuron 2

Validasi terbaik dari proses training didapatkan pada saat mencapai

error (MSE) sebesar 0.000179 yang diperoleh pada epoch 9, yang ditunjukkan

oleh Gambar 29. Proses training selesai dengan durasi kurang dari 1 detik

dengan error (MSE) terkecil sebesar 0.000175 pada epoch 15.

Gambar 29 Pelatihan dengan 2 neuron pada lapisan tersembunyi

Proses validasi dilakukan dengan menguji jaringan yang terbentuk

menggunakan data training. Hasil dari proses validasi mampu mengenali

sebanyak 79 data dari 105 data atau 75%. Pada proses pengujian

menggunakan data testing mampu mengenali sebanyak 14 data dari 20 data

atau 70%.

b. Lapisan tersembunyi dengan jumlah neuron 5



oleh Gambar 30. Proses training selesai dengan durasi kurang dari 1 detik


Hasil dari proses validasi mampu mengenali sebanyak 75 data dari 105

data atau 71%. Pada proses pengujian menggunakan data testing mampu

mengenali sebanyak 15 data dari 20 data atau 75%.

49


c. Lapisan tersembunyi dengan jumlah neuron 10


error (MSE) sebesar 0.000309 yang diperoleh pada epoch 15, yang

ditunjukkan oleh Gambar 31. Proses training selesai dengan durasi 1 detik






d. Lapisan tersembunyi dengan jumlah neuron 15


error (MSE) sebesar 0.0001671 yang diperoleh pada epoch 16, yang



50





e. Lapisan tersembunyi dengan jumlah neuron 20


error (MSE) sebesar 4.389e-005 yang diperoleh pada epoch 14, yang







f. Lapisan tersembunyi dengan jumlah neuron 25



51

oleh Gambar 34. Proses training selesai dengan durasi 1 detik dengan error

(MSE) terkecil sebesar 9.42e-05 pada epoch 11.





Dari gambar proses training pada Gambar 26 sampai dengan Gambar 31

diatas menunjukkan bahwa jumlah epoch yang berbeda tidak menentukan waktu

pelatihan yang berbeda, bahkan justru menunjukkan waktu pelatihan yang rata-

rata hampir sama. Dengan kata lain bahwa secara umum jumlah epoch, waktu

pelatihan dan MSE yang didapatkan secara random tidak mempunyai pengaruh

satu sama lain. Bentuk grafik yang landai menunjukkan lambatnya perubahan

bobot untuk mencapai konvergen, sedangkan bentuk grafik yang menukik tajam

menunjukkan cepatnya perubahan bobot untuk mencapai konvergen.

Dengan memperhitungkan akurasi dan waktu pada saat pengenalan tahap

kematangan buah manggis hasil pelatihan pada Tabel 6, maka model jaringan

yang terbaik untuk penentuan tahap kematangan buah manggis ini adalah model

jaringan yang menggunakan 15 neuron lapisan tersembunyi.

Untuk mendapatkan perbandingan kemampuan pengenalan tahap

kematangan buah manggis antara FNN dan NN pada penelitian ini, maka

variabel-variabel model FNN3 dicobakan ke dalam jaringan NN dengan variasi

jumlah neuron pada layar tersembunyi yang sama. Hasil pelatihan NN

memberikan hasil terbaik menggunakan 20 neuron pada lapisan tersembunyi

dengan akurasi sebesar 65%. Perbandingan hasil percobaan pelatihan dengan 3

52

kelas target menggunakan FNN dan NN yang disajikan pada Lampiran 17, hal

tersebut menunjukkan bahwa FNN mempunyai kemampuan pengenalan yang

lebih baik dibandingkan NN dalam menentukan tahap kematangan buah manggis.

Perbandingan hasil proses validasi dan testing dari FNN dan NN disajikan pada

Gambar 35, dengan akurasi rata-rata FNN sebesar 85% dan NN sebesar 65%.

Tabel 6 Hasil pelatihan pengenalan tahap kematangan

FNN3

Lapisan Durasi MSE Epoch Akurasi Akurasi Tersembunyi Pelatihan Validasi(%) Testing(%) 2 neurons 0 0.000175 15 75 70

5 neurons 0 0.000200 11 71 75

10 neurons 1 0.000129 21 73 75

15 neurons 1 0.000161 22 72 85

20 neurons 1 0.000199 20 74 75

25 neurons 1 9.42e-05 11 76 80

Gambar 35 (a) Perbandingan validasi (b) Perbandingan testing

Berdasarkan matriks confussion pada Gambar 36, akurasi yang dihasilkan

oleh model FNN untuk buah manggis kelas mentah dan kelas ekspor adalah

100%. Hal ini berarti untuk menjaga kualitas buah manggis mentah dan ekspor

teknik ini bisa diandalkan. Untuk kelas manggis lokal teknik ini tidak bisa

dipergunakan. Dengan kata lain bahwa buah manggis dikelompokkan menjadi 3

kelas, yaitu kelas mentah, kelas ekspor, kelas bukan mentah dan bukan ekspor.

Jika hal tersebut yang dilakukan maka teknik mampu melakukan klasifikasi

dengan baik sebesar 100%.

53

Gambar 36 Matriks confussion hasil klasifikasi (a) FNN (b) NN

Kesalahan pendugaan sistem sebesar 15% pada model FNN dapat terjadi

karena ukuran sampel manggis yang digunakan tidak seragam dan dalam

pengambilan nilai-nilai fitur yang digunakan sebagai penentu kematangan

manggis mengabaikan diameter buah manggis. Jika ukuran sampel manggis yang

digunakan seragam dan atau pengambilan nilai-nilai fitur dilakukan hanya pada

area kulit buah manggis yang mengalami perkembangan warna seiring dengan

ketuaan atau tahap kematangan dimungkinkan akan mendapatkan nilai-nilai fitur

yang lebih mencirikan buah manggis tersebut. Atau dengan kata lain, akan

didapatkan nilai-nilai fitur yang mempunyai pengaruh lebih besar terhadap tahap

kematangan buah manggis, sehingga kesalahan pendugaan bisa menjadi lebih

kecil.

Berdasarkan perbandingan pengenalan tersebut diatas, FNN mempunyai

kemampuan yang lebih bagus dalam pengenalan terhadap tahap kematangan buah

manggis, sehingga model FNN layak digunakan sebagai model klasifikasi

kematangan buah manggis. Model FNN yang dikembangkan untuk klasifikasi

kematangan buah manggis menggunakan bobot yang didapatkan dari model

FNN3 dengan 15 neuron pada lapisan tersembunyi.

4.11 Analisis Hasil Pemodelan FNN Pembanding

FNN pembanding yang dimaksud dalam penelitian ini adalah FNN untuk

mengklasifikasi tahap kematangan manggis ke dalam 5 kelas dan 2 kelas target

klasifikasi. Hal ini dimaksudkan untuk mengetahui akurasi model FNN yang

dilatih menggunakan data, variasi input dan variasi jumlah neuron pada lapisan

input yang sama namun menggunakan jumlah target yang berbeda.

Lima kelas target klasifikasi buah manggis menunjukkan lima tahap

kematangan yang digunakan dalam penelitian ini, yaitu kelas 1 untuk buah yang

berada pada tahap kematangan 2 (mentah), kelas 2 untuk buah yang berada pada

54

tahap kematangan 3 (ekspor1), kelas 3 untuk buah yang berada pada tahap

kematangan 4 (ekspor2), kelas 4 untuk buah yang berada pada tahap kematangan

5 (lokal/domestik1) dan kelas 5 untuk buah yang berada pada tahap kematangan 6

(lokal/domestik2). Dua kelas target klasifikasi buah manggis menunjukkan tahap

kematangan buah untuk kelas ekspor dan lokal/domestik. Kelas 1 (ekspor) untuk

buah yang berada pada tahap kematangan 2, 3 dan 4. Kelas 2 (lokal/domestik)

untuk buah yang berada pada tahap kematangan 5 dan 6. Nilai output untuk

penentuan tahap kematangan buah manggis ke dalam 5 kelas dan 2 kelas target

disajikan dalam Lampiran 18.

Seperti pada percobaan sebelumnya, percobaan-percobaan dilakukan

untuk mendapatkan model jaringan FNN yang terbaik dalam penentuan tahap

kematangan buah manggis. Model FNN yang terbaik adalah yang memberikan

akurasi optimal ketika dilakukan validasi terhadap data training maupun

pengujian pada data testing.

a. Percobaan dengan 5 kelas target output

Dari empat model input yang dicobakan pada 5 kelas target output

didapatkan hasil terbaik pada model FNN3. Model FNN3 menggunakan

parameter g, v, a*, u*, v*, entropi, kontras, energi dan homogenitas. Hasil terbaik

yang didapatkan adalah testing dengan akurasi sebesar 70% dengan 15 neuron

pada lapisan tersembunyi. Hasil percobaan model FNN3 dengan variasi jumlah

neuron pada lapisan tersembunyi disajikan pada Lampiran 19.




jumlah neuron pada layar tersembunyi yang sama pula. Hasil pelatihan NN

memberikan hasil terbagus menggunakan 25 neuron pada lapisan tersembunyi

dengan akurasi testing sebesar 40%. Pada perbandingan percobaan pelatihan

dengan 5 kelas target menggunakan FNN dan NN yang disajikan pada Lampiran

20 menunjukkan bahwa FNN mempunyai kemampuan yang lebih baik

dibandingkan NN dalam menentukan tahap kematangan buah manggis, yaitu

55

akurasi testing sebesar 70% untuk FNN dan akurasi testing sebesar 40% untuk

NN.

Perbandingan prosentase hasil proses validasi dan testing pada FNN dan

NN dapat dilihat pada Gambar 37, ketepatan penentuan tahap kematangan buah

manggis berdasarkan warna kulit menggunakan FNN adalah sebesar 70%,

sedangkan menggunakan NN sebesar 40%.

Gambar 37 (a) Perbandingan validasi (b) Perbandingan pengenalan

b. Percobaan dengan 2 target output

Dari empat model input yang dicobakan pada 2 kelas target output

didapatkan hasil terbaik pada model FNN2. Model FNN2 menggunakan

parameter r, g, b, v, a*, u*, v* dan entropi. Hasil terbaik yang didapatkan adalah

testing dengan akurasi sebesar 90% dengan 5 neuron pada lapisan tersembunyi.

Hasil percobaan model input 2 dengan variasi jumlah neuron pada lapisan

tersembunyi disajikan pada Lampiran 21.




jumlah neuron pada layar tersembunyi yang sama pula. Hasil pelatihan NN

memberikan hasil terbagus menggunakan 15 neuron pada lapisan tersembunyi

dengan akurasi testing sebesar 90%. Perbandingan percobaan pelatihan dengan 2

kelas target menggunakan FNN dan NN yang disajikan pada Lampiran 22

menunjukkan bahwa FNN dan NN mempunyai kemampuan pengenalan yang

sama dalam penentuan tahap kematangan buah manggis dengan 2 kelas target,

yaitu memberikan akurasi testing sebesar 90%.

56

Perbandingan hasil proses validasi dan testing pada FNN dan NN disajikan

pada Gambar 38, ketepatan penentuan tahap kematangan buah manggis

berdasarkan warna kulit menggunakan FNN dan NN adalah sama yaitu sebesar

90%.

Gambar 38 (a) Perbandingan validasi, (b) Perbandingan testing

4.12 Analisis Hasil FNN Berdasarkan Jumlah Target Kelas Klasifikasi

Berdasarkan hasil percobaan dalam penelitian ini menyatakan bahwa FNN

dalam mengklasifikasi tahap kematangan buah manggis menggunakan data yang

sama namun menggunakan jumlah target kelas yang berbeda memberikan hasil

yang berbeda. Demikian juga halnya klasifikasi menggunakan NN, akan

memberikan hasil yang berbeda jika menggunakan jumlah target kelas yang

berbeda.

Perbandingan rata-rata hasil validasi dan testing pada pelatihan FNN dan

NN dengan jumlah kelas target yang berbeda disajikan pada Gambar 39.

Gambar 39 Perbandingan hasil pelatihan (a) Validasi (b) Akurasi rata-rata

57

Dalam penelitian ini nilai akurasi rata-rata menunjukkan bahwa

penggunaan FNN dalam klasifikasi tahap kematangan buah mangis ini

memberikan hasil yang lebih bagus daripada menggunakan NN. Hal ini

menjelaskan bahwa himpunan fuzzy yang mempunyai derajat keanggotaan antara

0 dan 1 dapat digunakan untuk memisahkan pola yang mempunyai nilai ambigu

atau berada diantara dua kelas menggunakan derajat keanggotaan, yang tidak bisa

dilakukan menggunakan klasifikasi klasik pada NN.

BAB V

KESIMPULAN DAN SARAN

5.1 Kesimpulan

Dari penelitian yang telah dilakukan melalui percobaan-percobaan untuk

mengembangkan model klasifikasi kematangan buah manggis berdasarkan warna

ke dalam kelas manggis mentah, ekspor dan lokal/domestik dan mendapatkan

hasil yang memuaskan dapat ditarik beberapa kesimpulan.

1. Perubahan kombinasi parameter input dan perubahan jumlah neuron lapisan

tersembunyi cukup berpengaruh dalam mendapatkan pola pengenalan.

2. Model FNN terbaik untuk mengklasifikasi kematangan buah manggis ke

dalam kelas mentah, ekspor dan lokal diperoleh dengan 9 neuron pada lapisan

masukan, yaitu indek nilai hijau (green), value, a*, u*, v*, entropi, kontras,

energi dan homogenitas, dan 15 neuron pada lapisan tersembunyi. Model ini

mampu menghasilkan akurasi sebesar 85%.

3. Model FNN yang terbentuk mampu mengenali semua kelas kematangan,

sedangkan NN dengan struktur yang sama tidak mampu mengenali kelas

buah mentah, dengan perbandingan prosentase pengenalan FNN dan NN

kelas buah mentah 100:0, kelas buah ekspor 100:87 dan kelas buah lokal

63:75.

4. Akurasi FNN dengan 3 kelas target lebih bagus dibandingkan akurasi NN

dengan 3 kelas target. Akurasi FNN dengan 5 kelas target lebih bagus

dibandingkan akurasi NN dengan 5 kelas target dan akurasi FNN dengan 2

kelas target mempunyai nilai yang sama dengan akurasi NN dengan 2 kelas

target.

5. Model klasifikasi kematangan buah manggis ke dalam kelas mentah, ekspor

dan lokal menggunakan FNN layak digunakan sebagai model alternatif dalam

klasifikasi tahap kematangan buah manggis berdasarkan warna.

60

5.2 Saran

Agar dapat mengenali pola dengan lebih baik, sehingga diharapkan

mendapatkan akurasi yang lebih tinggi, penelitian selanjutnya disarankan :

1. Menggunakan sampel manggis dengan diameter yang seragam dan

pengambilan nilai-nilai fiturnya memperhatikan diameter buah manggis, hal

ini diharapkan akan mendapatkan nilai-nilai fitur yang lebih mencirikan buah

manggis.

2. Jumlah data yang digunakan diperbanyak dan menggunakan data dari tahap

kematangan 1 sampai tahap kematangan 6, hal ini diharapkan agar dapat

mengenali pola dengan lebih baik.

3. Menggunakan rata-rata dari keempat sudut orientasi matriks co-occurrence

pada ekstraksi ciri dalam mendapatkan nilai setiap ciri tekstur, hal ini

diharapkan akan mendapatkan nilai ciri yang lebih bagus.

4. Menggunakan FNN tipe lainnya, dengan harapan mendapatkan pengenalan

yang lebih bagus.

DAFTAR PUSTAKA

Abdullah, M. Z., Guan, L. C., & Karim, A. A. (2001). The Application of

Computer Vision System and Tomographic Radar Imaging for Asessing

Phisical Properties of Food. Food Engineering 61 , 125-135.

Ahmad, U. (2005). Pengolahan Citra Digital dan Teknik Pemrogramannya.

Yogyakarta: Graha Ilmu.

Backpropagation. (n.d.). Retrieved November 23, 2011, from

http://automatika.etf.bg.ac.rs/files/predmeti/os4nm/Materijali/03_BackPropa

gation/MATLAB_nnet_BackPropagation.pdf

Budi, W., & Sumiyati, S. (2007). Prediksi Curah Hujan Kota Semarang Dengan

Feedforward Neural Network Menggunakan Algoritma Quasi Newton

BFGS Dan Levenberg-Marquardt. Jurnal Presipitasi Vol. 3 No. 2 .

Chak, C.-K., Feng, G., & Palaniswani, M. (1998). Implementation of Fuzzy

Systems. In C. Leondes, Fuzzy Logic and Expert Systems Techniques and

Applications. London: Academic Press.

Departemen Pertanian. (2004). Standar Prosedur Operasi. Jakarta: Direktorat

Tanaman Buah Departemen Pertanian.

Duda, R. O., Hart, P. E., & Stork, D. G. (1997). Pattern Classification. New

Jersey: Pearson Prentice Hall.

EasyRGB. (n.d.). Retrieved June 7, 2011, from EasyRGB:

http://www.easyrgb.com

Fauset, L. (1994). Fundamental of Neural Network. New Jersey: Prentice Hall

Inc.

Gonzales, R. C., & Wood, R. E. (2002). Digital Image Processing. New jersey:

Prentice Hall.

Haralick, R. M., Shanmugam, K., & Dinstein, I. (1973). Textural Features for

Image Classification. IEEE Transaction on Systems, Man adn Cybernetics

Vol. 3 No. 6 , 610-621.

Haykin, & Simon. (1994). Neural Network : A Comprehensive Foundation. New

York: Macmilan Publishing Company.

62

Hermawan, A. (2006). Jaringan Syaraf Tiruan : Teori dan Aplikasinya.

Yogyakarta: Andi.

Irmansyah. (2009). Pemutuan belimbing berdasarkan Warna dan Rasa dengan

Pengolahan Citra dan Logika Fuzzy. Bogor: Desertasi Sekolah Pasca

Sarjana IPB.

Kasabow, N. (2002). Evolving Neuro Fuzzy Inference System. London: Prentice

Hall.

Kastaman, R., Marsetyo, Sunarmani, & Somantri, A. S. (2008). Aplikasi Pengolah

Citra dengan Basis Fitur Warna RGB untuk Klasifikasi Buah Manggis.

Bionatura Vol.10 No. 3 .

Kusumadewi. (2003). Artificial Inteligence : Teknik dan Aplikasinya. Yogyakarta:

Graha Ilmu.

Kusumadewi, S. (2006). Fuzzy Backpropagation untuk Klasifikasi Pola (Studi

kasus : klasifikasi kualitas produk). Seminar Nasional Aplikasi Teknologi

Informasi (SNATI). Yogyakarta.

Kusumadewi, S., & Hartati, S. (2010). Neuro-Fuzzy Integrasi Sistem Fuzzy dan

Jaringan Syaraf. Yogyakarta: Graha Ilmu.

Lin, C. T., & George, L. (1996). Neural Fuzzy System. London: Prentice Hall.

Lu, G., & Phillip, J. (1998). Using Perceptually Weighted Histograms for Colour-

based Image Retrieval. International Conference on Signal Processing IV.

Beijing.

Martin, W. (1980). Durian and Mangosteen, in Tropical and subtropical fruit :

Composition, properties and uses. Edited by S. Nagi and P.E. Shaw.

Wesport, Connecticut: AVI Publishing Inc.

Masinchi, M. H., & Shamsuddin, S. H. (2009). Three-Term Fuzzy Back-

Propagation. Foundations of Computer Intelligent Vol. 1 No. 201 , 143-158.

Mathworks. (n.d.). MathWorks. Retrieved June 5, 2011, from Create gray-co-

occurence matrix from image - MATLAB:

http://www.mathworks.com/help/toolbox/images/ref/graycomatrix.html;jses

sionid=j1rnPkpL641d2wCKHQhbg9vrXvnYyVHhL8wQGVryn1JZSYT7c

bv3!1501466144

63

Mendoza, F., Dejmek, P., & Aquilera, J. M. (2006). Calibrated Color

Measurement of Agricultural Foods using Image Analysis. Postharvest

Biology and Technology 41 , 285-295.

Morton, J. (1987). Mangosteen. Miami: PL.

Murquia, M. I. (2002). A Fuzzy Neural Network Approach for Document Region

Classification Using Human Visual Perception Features. Computacion y

Sistemas Vol. 6 No. 2 , 083-093.

Pal, S. K., & Mitra, S. (1992). Multilayer Perceptron, Fuzzy Sets and

Classification. IEEE Transactions On Neural Networks Vol. 3 No.5 , 683-

697.

Palapol, Y., Ketsa, S., Stevenson, D., Cooney, J. M., Allan, A. C., & Ferguson, I.

B. (2009). Colour Development and Quality of Mangosteen (Garcinia

Mangostana L.) Fruit during Ripening and After Harvest. Postharvest

Biology and Technology Vol.51 , 349-353.

Putra, D. (2010). Pengolahan Citra Digital. Yogyakarta: Penerbit Andi.

Rios, D. (n.d.). Neural networks: A requirement for intelligent systems. Retrieved

September 5, 2011, from http://www.learnartificialneuralnetworks.com/

Sandra. (2007). Pengembangan Pemutuan Buah Manggis untuk Eksport secara

Non Destruktif dengan Jaringan Syaraf Tiruan. Bogor: Disertasi Sekolah

Pasca Sarjana IPB.

Santosa, B. (2007). Data Mining Terapan Dengan Matlab. Yogyakarta: Graha

Ilmu.

Sarkar, M., Yegnanarayana, B., & Khemani, D. (1998). Backpropagation learning

algorithms for classification with fuzzy mean square error. Pattern

Recognition Letters , 43-51.

Segnini, S., Dejmek, P., & Oste, R. (1999). A Low Cost Video Technique for

Color Measurement of Potato Chips. Lebensm.-Wiss. U.-Technol. 32 , 216-

222.

Siang, J. J. (2009). Jaringan Syaraf Tiruan & Pemrogramannya Menggunakan

Matlab. Yogyakarta: Andi Offset.

64

Sutoyo, Mulyanto, E., Suhartono, Nurhayati, & Wijanarko. (2009). Teori

Pengolahan Citra Digital. Yogyakarta: Penerbit Andi dan Udinus

Semarang.

Suyanti, Roosmani, A. S., & Sjaifullah. (1999). Pengaruh Tingkat Ketuaan

terhadap Mutu Pascapanen Buah Manggis Selama Penyimpanan. Hort. 9 ,

51-58.

Unikom. (n.d.). Analisis Tekstur. Retrieved Desember 14, 2011, from

jbptunikompp-gdl-janautama-18843-3-modul3-r.doc:

http://elib.unikom.ac.id/download.php?id=42796

Walpole, R. E. (1993). Introduction to Statistics 3rd Edition. Alih bahasa oleh

Sumantri, B. Jakarta: Gramedia Pustaka Utama.

LAMPIRAN

Lampiran 1 Algoritma NN Propagasi balik

Langkah 0 : inisialisasi semua bobot dengan bilangan acak kecil

Langkah 1 : jika kondisi penghentian belum terpenuhi, lakukan langkah 2-9

Langkah 2 : untuk setiap 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 ke unit tersembunyi zj (j=1,2,…,p)

𝑧𝑧_𝑛𝑛𝐸𝐸𝐾𝐾𝑗𝑗 = 𝑣𝑣𝑗𝑗0 + ∑ 𝑥𝑥𝑗𝑗𝑣𝑣𝑗𝑗𝑗𝑗𝑛𝑛𝑗𝑗=1

𝑧𝑧𝑗𝑗 = 𝑓𝑓�𝑧𝑧_𝑛𝑛𝐸𝐸𝐾𝐾𝑗𝑗 � = 11+𝐸𝐸−𝑧𝑧_𝑛𝑛𝐸𝐸𝐾𝐾 𝑗𝑗

Langkah 5 : hitung semua keluaran jaringan di unit yk (k=1,2,…,m)

𝑧𝑧_𝑛𝑛𝐸𝐸𝐾𝐾𝑗𝑗 = 𝑤𝑤𝑗𝑗0 + ∑ 𝑧𝑧𝑗𝑗𝑤𝑤𝑗𝑗𝑗𝑗𝑝𝑝𝑗𝑗=1

𝑦𝑦𝑗𝑗 = 𝑓𝑓(𝑧𝑧_𝑛𝑛𝐸𝐸𝐾𝐾𝑗𝑗) = 11+𝐸𝐸−𝑧𝑧_𝑛𝑛𝐸𝐸𝐾𝐾 𝑗𝑗

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’(y_netk) = (tk-yk) yk (1-yk)

δk merupakan unit kesalahan yang akan dipakai dalam perubahan bobot layar

dibawahnya (langkah 7). Hitung suku perubahan bobot wkj (yang akan dipakai

untuk mengubah bobot wkj) dengan laju percepatan α

Δ𝑤𝑤𝑗𝑗𝑗𝑗 = 𝛼𝛼𝛿𝛿𝑗𝑗𝑧𝑧𝑗𝑗 ; 𝑗𝑗 = 1,2, … ,𝑚𝑚 ; 𝑗𝑗 = 0,1, … ,𝑝𝑝

Langkah 7 : hitung faktor δ unit tersembunyi berdasarkan kesalahan di setiap

unit tersembunyi zj (j=1,2,…,p)

𝛿𝛿_𝑛𝑛𝐸𝐸𝐾𝐾𝑗𝑗 = ∑ 𝛿𝛿𝑗𝑗𝑤𝑤𝑗𝑗𝑗𝑗𝑚𝑚𝑗𝑗=1

Faktor δ unit tersembunyi :

𝛿𝛿𝑗𝑗 = 𝛿𝛿_𝑛𝑛𝐸𝐸𝐾𝐾𝑗𝑗 𝑓𝑓′ �𝑧𝑧_𝑛𝑛𝐸𝐸𝐾𝐾𝑗𝑗 � = 𝛿𝛿_𝑛𝑛𝐸𝐸𝐾𝐾𝑗𝑗 𝑧𝑧𝑗𝑗 (1 − 𝑧𝑧𝑗𝑗 )

66

Lanjutan Lampiran 1

Hitung suku perubahan bobot vji (yang akan dipakai untuk mengubah bobot vji)

Δ𝑣𝑣𝑗𝑗𝑗𝑗 = 𝛼𝛼𝛿𝛿𝑥𝑥 ; 𝑗𝑗 = 1,2, . . , 𝑝𝑝 ; 𝑗𝑗 = 0,1, … ,𝑛𝑛

Fase III : perubahan bobot

Langkah 8 : hitung semua perubahan bobot

Perubahan bobot garis yang menuju ke unit keluaran :

𝑤𝑤𝑗𝑗𝑗𝑗 (𝑏𝑏𝑗𝑗𝑟𝑟𝑢𝑢) = 𝑤𝑤𝑗𝑗𝑗𝑗 (𝑙𝑙𝑗𝑗𝑚𝑚𝑗𝑗) + Δ𝑤𝑤𝑗𝑗𝑗𝑗 (𝑗𝑗 = 1,2, … ,𝑚𝑚 ; 𝑗𝑗 = 0,1, … ,𝑝𝑝)

Perubahan bobot garis yang menuju ke unit tersembunyi :

𝑣𝑣𝑗𝑗𝑗𝑗 (𝑏𝑏𝑗𝑗𝑟𝑟𝑢𝑢) = 𝑣𝑣𝑗𝑗𝑗𝑗 (𝑙𝑙𝑗𝑗𝑚𝑚𝑗𝑗) + Δ𝑣𝑣𝑗𝑗𝑗𝑗 (𝑗𝑗 = 1,2, … ,𝑝𝑝 ; 𝑗𝑗 = 0,1, … ,𝑛𝑛)

Lampiran 2 Citra data sampel

67

Lanjutan Lampiran 2

68

Lanjutan Lampiran 2

69

Lampiran 3 Nilai RGB citra buah manggis

No tahap 2 tahap 3 red green blue red green blue

1 0.7830 0.7925 0.7878 0.7757 0.7734 0.7564 2 0.7791 0.7822 0.7661 0.7773 0.7710 0.7595 3 0.7869 0.7876 0.7772 0.7475 0.7352 0.7264 4 0.7772 0.7724 0.7453 0.7886 0.7821 0.7633 5 0.7778 0.7744 0.7599 0.7690 0.7629 0.7529 6 0.7842 0.7844 0.7743 0.7749 0.7695 0.7591 7 0.7814 0.7742 0.7565 0.7558 0.7415 0.7326 8 0.7687 0.7617 0.7507 0.7826 0.7781 0.7785 9 0.7793 0.7774 0.7634 0.7535 0.7435 0.7326 10 0.7723 0.7760 0.7621 0.7671 0.7546 0.7425 11 0.7679 0.7591 0.7435 0.7815 0.7874 0.7746 12 0.7748 0.7730 0.7619 0.7761 0.7668 0.7569 13 0.7812 0.7715 0.7640 0.7733 0.7719 0.7679 14 0.7676 0.7660 0.7569 0.7535 0.7435 0.7326 15 0.7751 0.7716 0.7574 0.7671 0.7546 0.7425 16 0.7758 0.7654 0.7528 0.7722 0.7653 0.7596 17 0.7819 0.7862 0.7775 0.7760 0.7747 0.7691 18 0.7806 0.7863 0.7744 0.7538 0.7337 0.7259 19 0.7958 0.7917 0.7813 0.7580 0.7456 0.7405 20 0.7757 0.7744 0.7709 0.7765 0.7734 0.7733 21 0.7769 0.7794 0.7725 0.7823 0.7839 0.7790 22 0.7661 0.7613 0.7497 0.7701 0.7602 0.7487 23 0.7656 0.7697 0.7604 0.7832 0.7640 0.7495 24 0.7762 0.7810 0.7716 0.7826 0.7858 0.7822 25 0.7679 0.7634 0.7585 0.7531 0.7429 0.7410

No tahap 4 tahap 5 red green blue red green blue

1 0.7833 0.7679 0.7590 0.7562 0.7364 0.7298 2 0.7628 0.7510 0.7369 0.7502 0.7342 0.7238 3 0.7828 0.7775 0.7638 0.7442 0.7223 0.7117 4 0.7686 0.7573 0.7310 0.7324 0.7091 0.6895 5 0.7542 0.7431 0.7378 0.7360 0.7155 0.7156 6 0.7627 0.7421 0.7333 0.7349 0.7085 0.7043 7 0.7497 0.7222 0.7069 0.7278 0.7003 0.6915 8 0.7785 0.7705 0.7619 0.7563 0.7449 0.7418 9 0.7754 0.7647 0.7542 0.7378 0.7139 0.7052 10 0.7644 0.7523 0.7439 0.7603 0.7464 0.7413 11 0.7444 0.7214 0.7095 0.7229 0.6959 0.6918

70

12 0.7622 0.7451 0.7322 0.7409 0.7177 0.7109 13 0.7631 0.7460 0.7431 0.7417 0.7196 0.7229 14 0.7665 0.7633 0.7548 0.7470 0.7312 0.7215 15 0.7553 0.7426 0.7331 0.7385 0.7183 0.7107 16 0.7519 0.7349 0.7272 0.7595 0.7439 0.7406 17 0.7846 0.7802 0.7730 0.7630 0.7490 0.7428 18 0.7522 0.7336 0.7222 0.7472 0.7302 0.7214 19 0.7770 0.7785 0.7753 0.7591 0.7523 0.7517 20 0.7834 0.7699 0.7588 0.7619 0.7601 0.7603 21 0.7745 0.7617 0.7605 0.7390 0.7191 0.7170 22 0.7726 0.7642 0.7517 0.7855 0.7687 0.7580 23 0.7613 0.7556 0.7472 0.7597 0.7502 0.7456 24 0.7651 0.7508 0.7398 0.7765 0.7784 0.7700 25 0.7418 0.7214 0.7157 0.7679 0.7634 0.7585

No tahap 6 red green blue

1 0.7757 0.7612 0.7599 2 0.7360 0.7143 0.7134 3 0.7647 0.7441 0.7380 4 0.7071 0.6666 0.6559 5 0.7321 0.7113 0.7101 6 0.7387 0.7129 0.7158 7 0.7315 0.7093 0.7028 8 0.7436 0.7264 0.7213 9 0.7547 0.7361 0.7369 10 0.7420 0.7215 0.7122 11 0.7075 0.6839 0.6821 12 0.7547 0.7437 0.7431 13 0.7543 0.7313 0.7313 14 0.7688 0.7525 0.7452 15 0.7478 0.7316 0.7226 16 0.7438 0.7241 0.7190 17 0.7347 0.7087 0.7038 18 0.7695 0.7582 0.7499 19 0.7435 0.7262 0.7239 20 0.7689 0.7653 0.7623 21 0.7539 0.7452 0.7440 22 0.7657 0.7433 0.7279 23 0.7614 0.7396 0.7375 24 0.7582 0.7550 0.7571 25 0.7473 0.7321 0.7306

71

Lampiran 4 Nilai statistik RGB

Tahap Kematangan

Red (Merah) Green (Hijau) Rata Min Mak stdv Rata Min Mak stdv

2 0.7768 0.7656 0.7958 0.0071 0.7753 0.7591 0.7925 0.0095 3 0.7701 0.7475 0.7886 0.0118 0.7626 0.7337 0.7874 0.0163 4 0.7655 0.7418 0.7846 0.0125 0.7527 0.7214 0.7802 0.0175 5 0.7499 0.7229 0.7855 0.0153 0.7332 0.6959 0.7784 0.0220 6 0.7483 0.7071 0.7757 0.0176 0.7298 0.6666 0.7653 0.0234

Tahap

Kematangan Blue (Biru)

Rata Min Mak stdv 2 0.7639 0.7435 0.7878 0.0114 3 0.7539 0.7259 0.7822 0.0171 4 0.7429 0.7069 0.7753 0.0186 5 0.7271 0.6895 0.7700 0.0230 6 0.7259 0.6559 0.7623 0.0243

Lampiran 5 Koefisien determinasi indek RGB terhadap tahap kematangan

0.3000

0.4000

0.5000

0.6000

R2

R G B RG RB GB RGBFitur Penduga Tahap Kematangan

72

Lampiran 6 Nilai statistik HSV

Tahap Kematangan

Hue (H) Saturasi (S) Mean Min Max Stdv Mean Min Max Stdv

2 0.1667 0.0727 0.4175 0.0757 0.0188 0.0062 0.0410 0.0083 3 0.1414 0.0052 0.9852 0.1884 0.0216 0.0041 0.0430 0.0109 4 0.0798 0.0143 0.2448 0.0442 0.0297 0.0041 0.0571 0.0117 5 0.1787 0.0135 0.9992 0.3203 0.0305 0.0024 0.0586 0.0140 6 0.1428 0.0000 0.9928 0.3072 0.0304 0.0042 0.0724 0.0136

Tahap

Kematangan Value (V)

Mean Min Max Stdv 2 0.7783 0.7661 0.7958 0.0079 3 0.7705 0.7475 0.7886 0.0123 4 0.7656 0.7418 0.7846 0.0126 5 0.7500 0.7229 0.7855 0.0155 6 0.7482 0.7071 0.7757 0.0177

Lampiran 7 Koefisien determinasi HSV terhadap tahap kematangan

0.0000

0.1000

0.2000

0.3000

0.4000

0.5000

R2

H S V HS HV SV HSVFitur Penduga Tahap Kematangan

73

Lampiran 8 Nilai statistik L*a*b*

Tahap Kematangan

L* a* Rata Min Max Stdv Rata Min Max Stdv

2 0.7853 0.6843 0.9000 0.0600 0.2045 0.1088 0.3375 0.0657 3 0.7093 0.5301 0.8555 0.1034 0.3010 0.1000 0.4740 0.0833 4 0.6494 0.4494 0.8247 0.1112 0.3649 0.2226 0.5253 0.0891 5 0.5239 0.2850 0.8073 0.1402 0.4446 0.2431 0.5953 0.0959 6 0.5042 0.1000 0.7246 0.1510 0.4807 0.2905 0.7373 0.0977

Tahap

Kematangan b*

Rata Min Max Stdv 2 0.4440 0.1960 0.8759 0.1419 3 0.4124 0.1540 0.6684 0.1433 4 0.4759 0.2080 0.9000 0.1446 5 0.3942 0.1031 0.8116 0.1570 6 0.3591 0.1000 0.6964 0.1413

Lampiran 9 Koefisien determinasi L*a*b* terhadap tahap kematangan

0.0000

0.2000

0.4000

0.6000

0.8000

R2

L* a* b* L*a* a*b* L*b* L*a*b*Fitur Penduga Tahap Kematangan

74

Lampiran 10 Nilai statistik u*v*

Tahap Kematangan

u* v* Rata Min Max Stdv Rata Min Max Stdv

2 0.2511 0.1000 0.3691 0.0704 0.4598 0.2300 0.8935 0.1396 3 0.3258 0.1572 0.4916 0.0856 0.4121 0.1529 0.6794 0.1406 4 0.3982 0.2024 0.6026 0.0894 0.4635 0.2232 0.9000 0.1409 5 0.4439 0.1911 0.5927 0.1062 0.3690 0.1152 0.7737 0.1480 6 0.4653 0.2561 0.7739 0.1042 0.3287 0.1000 0.6552 0.1326

Lampiran 11 Koefisien determinasi u*v* terhadap tahap kematangan

0.0000

0.2000

0.4000

0.6000

0.8000

R2

u* v* u*v*Fitur Penduga Tahap Kematangan

75

Lampiran 12 Nilai statistik tekstur

Tahap Kematangan

Entropi Contras Rata Min Mak Stdv Rata Min Mak Stdv

2 0.6913 0.4076 0.8994 0.1053 0.1646 0.1337 0.2019 0.0174 3 0.6757 0.4603 0.9000 0.0982 0.1533 0.1337 0.1993 0.0186 4 0.5694 0.4643 0.8012 0.0796 0.1689 0.1390 0.2197 0.0220 5 0.5462 0.2291 0.8469 0.1552 0.1691 0.1409 0.2223 0.0229 6 0.3404 0.1000 0.6582 0.1760 0.1673 0.1412 0.2345 0.0234

Tahap Kematangan

Energi Homogenitas Rata Min Mak Stdv Rata Min Mak Stdv

2 0.2235 0.2050 0.2656 0.0169 0.9220 0.9506 0.9717 0.0059 3 0.2245 0.1834 0.2962 0.0255 0.9266 0.9491 0.9764 0.0070 4 0.2256 0.1994 0.2645 0.0163 0.9229 0.9485 0.9718 0.0069 5 0.2408 0.1754 0.3001 0.0279 0.9233 0.9470 0.9727 0.0069 6 0.2703 0.2352 0.3255 0.0268 0.9263 0.9449 0.9760 0.0070

Lampiran 13 Koefisien determinasi tekstur berdasar tahap kematangan

0

0.1

0.2

0.3

0.4

0.5

R2

E k e h Ek Ee Eh ke kh eh Eke Ekh keh EkehFitur Penduga Tahap Kematangan

76

Lampiran 14 Pola output target pembelajaran FNN

NO T1 T2 T3

NO T1 T2 T3 1 0.9734 0.9457 0.8853

54 0.9608 0.9875 0.9847

2 0.9858 0.9547 0.8765

55 0.9372 0.9750 0.9987 3 0.9987 0.9827 0.9273

56 0.9967 0.9935 0.9541

4 0.9476 0.9241 0.8493

57 0.9802 0.9987 0.9837 5 0.9946 0.9882 0.9461

58 0.9650 0.9927 0.9863

6 0.9984 0.9858 0.9364

59 0.9904 0.9937 0.9661 7 0.9841 0.9835 0.9468

60 0.9598 0.9888 0.9847

8 0.9938 0.9915 0.9431

61 0.9752 0.9721 0.9451 9 0.9991 0.9851 0.9287

62 0.9790 0.9974 0.9813

10 0.9952 0.9705 0.9073

63 0.9608 0.9855 0.9814 11 0.9881 0.9847 0.9326

64 0.9365 0.9764 0.9992

12 0.9770 0.9770 0.9547

65 0.9586 0.9876 0.9926 13 0.9868 0.9992 0.9768

66 0.9426 0.9707 0.9536

14 0.9973 0.9863 0.9333

67 0.9221 0.9534 0.9532 15 0.9974 0.9897 0.9434

68 0.9183 0.9628 0.9935

16 0.9880 0.9913 0.9475

69 0.8954 0.9482 0.9917 17 0.9925 0.9732 0.9198

70 0.9115 0.9582 0.9787

18 0.9923 0.9670 0.9065

71 0.9714 0.9919 0.9817 19 0.9968 0.9889 0.9362

72 0.9342 0.9706 0.9692

20 0.9849 0.9795 0.9367

73 0.9580 0.9873 0.9963 21 0.9922 0.9779 0.9295

74 0.8950 0.9482 0.9899

22 0.9940 0.9767 0.9139

75 0.8870 0.9359 0.9852 23 0.9946 0.9897 0.9381

76 0.9009 0.9481 0.9815

24 0.9821 0.9958 0.9677

77 0.9397 0.9720 0.9909 25 0.9794 0.9651 0.8983

78 0.9510 0.9839 0.9817

26 0.9880 0.9944 0.9715

79 0.9295 0.9665 0.9953 27 0.9978 0.9955 0.9523

80 0.9722 0.9958 0.9874

28 0.9756 0.9922 0.9653

81 0.9667 0.9930 0.9837 29 0.9692 0.9766 0.9533

82 0.9710 0.9824 0.9619

30 0.9895 0.9950 0.9559

83 0.9575 0.9663 0.9574 31 0.9846 0.9966 0.9668

84 0.9381 0.9762 0.9873

32 0.9919 0.9622 0.8932

85 0.8782 0.9175 0.9660 33 0.9915 0.9985 0.9647

86 0.9253 0.9676 0.9859

34 0.9832 0.9835 0.9560

87 0.9285 0.9708 0.9989 35 0.9900 0.9992 0.9699

88 0.8110 0.8736 0.9290

36 0.9846 0.9966 0.9668

89 0.8682 0.9177 0.9766 37 0.9870 0.9958 0.9718

90 0.8296 0.8869 0.9603

38 0.9919 0.9857 0.9428

91 0.8863 0.9342 0.9839 39 0.9387 0.9778 0.9978

92 0.9521 0.9863 0.9974

40 0.9715 0.9946 0.9897

93 0.8718 0.9187 0.9747

77

Lanjutan Lampiran 14 41 0.9721 0.9756 0.9472

94 0.9417 0.9795 0.9949

42 0.9881 0.9751 0.9244

95 0.8662 0.9193 0.9800 43 0.9648 0.9920 0.9930

96 0.8906 0.9245 0.9650

44 0.9830 0.9949 0.9699

97 0.8860 0.9375 0.9893 45 0.9976 0.9922 0.9447

98 0.9062 0.9439 0.9809

46 0.9486 0.9461 0.9009

99 0.9462 0.9789 0.9950 47 0.9663 0.9896 0.9916

100 0.9130 0.9569 0.9953

48 0.9515 0.9849 0.9845

101 0.9150 0.9614 0.9815 49 0.9041 0.9478 0.9679

102 0.9417 0.9675 0.9830

50 0.9899 0.9989 0.9744

103 0.9192 0.9602 0.9955 51 0.9862 0.9993 0.9778

104 0.9473 0.9615 0.9653

52 0.9759 0.9965 0.9890

105 0.9698 0.9862 0.9727 53 0.9353 0.9738 0.9851

Lampiran 15 Source code antar muka model klasifikasi kematangan manggis

function btnbukaimage_Callback(hObject, eventdata, handles) proyek=guidata(gcbo); [namafile,direktori]=uigetfile({'*.jpg';'*.bmp';'*.png';'*.tif'},'Buka Gambar'); I=imread(namafile); set(proyek.figmanggis,'CurrentAxes',proyek.axes1); set(imshow(I)); Lanjutan Lampiran 15 info=imfinfo(namafile); set(proyek.enama,'String', info.Filename); set(proyek.figmanggis,'Userdata',I); set(proyek.enama,'Userdata',info.Filename); function btnolahimage_Callback(hObject, eventdata, handles) proyek=guidata(gcbo); I=get(proyek.figmanggis,'Userdata'); nama=get(proyek.enama,'Userdata'); %Hitung nilai green r = I (:,:,1); g = I(:,:,2); b = I(:,:,3); varr = (mean(mean(r)))/255; varg = (mean(mean(g)))/255; varb = (mean(mean(b)))/255; set(handles.egreen,'String',varg);

78

Lanjutan Lampiran 15 %Hitung Nilai value x = [varr; varg; varb]; valu=max(x); set(handles.evalue,'String',valu); %Hitung cielab if (varr>0.04045) varr=(((varr+0.055)/1.055)^2.4)*100; else varr = (varr/12.92)*100; end if (varb > 0.04045) varb = (((varb + 0.055)/1.055)^2.4)*100; else varb = (varb/12.92)*100; end if (varg>0.04045) varg=(((varg+0.055)/1.055)^2.4)*100; else varg = (varg/12.92)*100; end x = varr * 0.4124 + varg * 0.3576 + varb * 0.1805; y = varr * 0.2126 + varg * 0.7152 + varb * 0.0722; z = varr * 0.0193 + varg * 0.1192 + varb * 0.9505; varx = x/95.047; vary = y/100; varz = z/108.883; if (varx > 0.008856) varx = varx ^ (1/3); else varx = (7.787 * varx) + (16/116); end if (vary > 0.008856) vary = vary ^ (1/3); else vary = (7.787 * vary) + (16/116); end if (varz > 0.008856) varz = varz ^ (1/3); else varx = (7.787 * varz) + (16/116); end ciel = (116 * vary) - 16; cieaa = 500 * (varx - vary); ciea = ((0.8 * (cieaa -(-1.1052)))/4.3291)+0.1; cieb = 200 * (vary - varz); set (handles.ea,'String',ciea);

79

Lanjutan Lampiran 15 % Hitung cieluv varu = (4 * x)/(x + (15 * y) + (3*z)); varv = (9 * y)/(x + (15 * y) + (3*z)); vary = y/100; if (vary > 0.008856) vary = vary^(1/3); else vary = (7.787 * vary) + (16/116); end refu = (4*95.047)/(95.047+(15*100)+(3*108.883)); revv = (9*100)/(95.047+(15*100)+(3*108.883)); cieuu = 13 * ciel * (varu - refu); cieu =((0.8*(cieuu + 1.3070))/7.5241)+0.1; cievv = 13 * ciel * (varv - revv); ciev = ((0.8*(cievv -(-0.3272)))/5.8480)+0.1; set(handles.eu,'String',cieu); set(handles.ev,'String',ciev); %Hitung nilai tekstur gl = rgb2gray(I); std = std2(gl); en = entropy(gl); entropi = ((0.8* (en - 5.8233))/1.4075)+0.1; set(handles.eentropi,'String',entropi); glcm = graycomatrix(gl); che = graycoprops(glcm, {'contrast','homogeneity','energy'}); s = struct (che); kontras = che.Contrast; homogenitas = che.Homogeneity; energi = che.Energy; set(handles.eenergi,'String',energi); set(handles.ehomogenitas,'String',homogenitas); set(handles.ekontras,'String',kontras); function btntesting_Callback(hObject, eventdata, handles) proyek=guidata(gcbo); pp = [varg; valu; ciea; cieu; ciev; entropi; energi; kontras; homogenitas]; net = newff([0 1; 0 1; 0 1; 0 1; 0 1; 0 1; 0 1; 0 1; 0 1],[15,3],{'logsig','logsig'}); net.IW{1,1} = [ -0.340241547 -0.56645806 -2.157799578 -0.655852894 -0.298832883 -0.973683181 1.166824722 1.159156811 1.351507037; -0.497996358 -0.207684205 4.594740012 1.145021083 1.035607047 -0.400875967 0.467374953 -1.446580129 0.822493886; -0.910392695 -0.055501643 -0.488325163 2.148412686 2.037918187 -0.75950204 1.967585131 1.59839367 1.840729211; 1.118374469 1.638636804 1.546497784 1.142006055 3.334143872 -2.946324528 0.903232462 -0.886662086 -2.276803302;

80

Lanjutan Lampiran 15 -3.25465961 1.675506453 0.467883115 -0.819910671 -0.276557529 -3.424409362 -1.94700225 -0.448463045 -1.083393684; -0.146406401 0.458165338 -3.628985271 -4.017667319 1.988404776 2.508596809 1.688093858 0.096376088 1.073456834; -2.908067275 1.587101804 5.102061522 2.58355161 -3.467712982 -5.094408401 0.101954807 -0.287026905 -1.107718228; -0.020503262 -0.369331076 -3.015677372 -2.579502742 1.475808947 -0.929586025 -1.85379586 0.372640133 -1.106347509; -1.808449515 1.143066471 -1.0729111 -0.830116176 -3.719052289 -0.246364418 0.030280018 0.18953331 -0.16757748; -1.573730413 0.383701304 1.429270408 2.021520404 1.967002406 -0.549523915 -3.080601147 1.371313826 -1.691594838; 1.026819937 -1.339595068 -3.239740795 -0.464001635 1.129565352 -4.570631565 0.231681596 1.68664185 0.170351434; -2.365650337 0.477132201 -1.152523145 1.001812999 5.693667656 2.676202903 -1.38076854 0.073508686 -0.856293034; 1.443433284 -0.5778969 3.239176714 3.735412207 0.428500557 -2.097942447 -1.281790133 -0.923190243 -0.247902115; -1.243263757 -0.02938556 2.752660691 0.386920589 -1.715843232 -1.202126884 0.713502909 1.589380895 1.621134519; 0.142706824 2.244581211 -0.648035241 -0.395528234 -0.025377886 -0.979842374 3.251285442 0.535649716 -2.131826173]; net.b{1,1} = [5.189490103; 3.664268847; 0.770668514; -1.591418948; 0.295998459; -6.829957012; -6.955385344; -0.093367749; -2.894872293; -1.531340984; 3.275491865; -3.697720697; 5.547177479; 3.571287552; -3.63670483]; net.LW{2,1} = [1.242717395 -0.84764734 -0.035616552 -3.778680078 -3.339695769 -0.092172489 -10.9038362 0.814404798 -2.338468673 -3.796971498 1.506242005 -2.706803999 2.714020546 -1.161069912 3.392505793; 0.92244976 3.797735425 -4.02676814 -1.787393118 -1.148318123 -3.016042562 -6.90101427 1.660027042 -4.285360777 0.157417768 2.502163573 -1.48578262 -2.056380305 1.318714035 1.357410711; -2.283491593 0.027811531 0.157925329 -1.304042741 1.706974315 -8.149838136 -2.988838675 -3.243561364 -1.989605615 -2.170984626 2.594033368 -6.345785002 3.567881054 -0.548017705 1.457777313]; net.b{2,1} = [-0.782133952; -1.760533107; 0.047250497]; y = sim (net, pp); if kolomm == 1 kelas = 2; ket = 'Manggis mentah'; elseif kolomm == 2 kelas = '3 atau 4'; ket = 'Manggis Ekspor'; else kelas = '5 atau 6';

81

Lanjutan Lampiran 15 ket = 'Manggis Lokal/Domestik'; end set(handles.etahapkematangan,'String',kelas); set(handles.eketerangan,'String',ket); function btnkeluar_Callback(hObject, eventdata, handles) respon=keluar('Title','Konfirmasi Keluar'); switch lower(respon) case 'tidak' case 'ya' delete(handles.figmanggis) end

Lampiran 16 Hasil pelatihan pemilihan model terbaik FNN 3 kelas target

FNN1


5 neurons 2 8.82e-05 140 76 75

10 neurons 1 9.44e-05 25 72 70

15 neurons 1 0.000158 17 73 70

20 neurons 1 0.000122 16 70 70

25 neurons 1 0.000184 16 73 75

FNN2


5 neurons 1 0.000200 36 70 75

10 neurons 1 0.000129 17 75 75

15 neurons 1 9.98e-05 20 76 75

20 neurons 1 0.000199 22 72 75

25 neurons 1 9.42e-05 35 72 75

82

Lanjutan Lampiran 16

FNN4


5 neurons 1 0.000252 34 73 55

10 neurons 1 0.000153 20 67 55

15 neurons 1 0.000142 13 77 50

20 neurons 1 0.000200 18 74 55

25 neurons 1 7.96e-05 12 75 50

Lampiran 17 Perbandingan hasil training FNN dan NN dengan 3 kelas target

Hidden Layer

Durasi Epoch MSE Validasi (%)

Testing (%)

FNN NN FNN NN FNN NN FNN NN FNN NN 2 0 0 15 15 0.000175 0.0331 75 74 70 60 5 0 1 11 17 0.000200 0.0254 71 73 75 60 10 1 1 21 11 0.000129 0.0285 73 73 75 60 15 1 1 22 13 9.98E-05 0.0357 72 77 85 60 20 1 1 20 20 0.000199 0.0254 74 78 75 65 25 1 1 11 13 9.42E-05 0.0299 76 71 80 60

Lampiran 18 Nilai output/keluaran pembanding tahap kematangan manggis

Model Output Tahap kematangan Output Keterangan

Output2

2 1 belum matang 3 2 ekspor1 4 3 ekspor2 5 4 lokal/domestik1 6 5 lokal/domestik2

Output 3

2 1 ekspor 3

4 5

2 domestik 6

83


FNN1


5 neurons 2 0.000144 82 66 50

10 neurons 1 0.000188 24 64 60

15 neurons 1 5.50e-05 27 65 60

20 neurons 1 8.19e-05 26 64 60

25 neurons 1 0.000130 19 63 55

FNN2


5 neurons 1 7.31e-05 19 63 50

10 neurons 1 0.000173 31 62 60

15 neurons 1 0.000169 27 60 55

20 neurons 1 0.000181 18 63 60

25 neurons 2 0.000105 33 65 50

FNN3


5 neurons 1 0.000148 23 62 45

10 neurons 1 0.000167 17 64 60

15 neurons 1 0.000186 15 64 70

20 neurons 1 0.000150 13 63 60

25 neurons 1 8.29e-07 18 62 60

84

Lanjutan Lampiran 19 FNN4


5 neurons 1 0.000151 26 68 30

10 neurons 1 0.000160 19 58 40

15 neurons 1 0.000160 28 65 30

20 neurons 1 8.52e-05 19 70 35

25 neurons 1 0.000116 16 65 35


Hidden Layer


Testing (%)

FNN NN FNN NN FNN NN FNN NN FNN NN 2 1 1 40 15 0.000198 0.0425 60 45 35 40 5 1 1 23 14 0.000148 0.0452 62 45 45 40 10 1 1 17 15 0.000167 0.0474 64 40 60 40 15 1 1 15 16 0.000186 0.0316 64 52 70 35 20 1 0 13 8 0.000150 0.0602 63 40 60 35 25 1 1 18 12 8.29E-07 0.0270 62 50 60 40


FNN1


5 neurons 1 0.000138 14 85 85

10 neurons 1 0.000161 16 83 80

15 neurons 0 0.000141 12 84 75

20 neurons 1 3.74e-05 23 84 75

25 neurons 1 8.82e-05 20 84 80

85

Lanjutan Lampiran 21 FNN2


5 neurons 2 0.000106 49 83 90

10 neurons 1 0.000120 17 82 75

15 neurons 1 0.000174 17 82 80

20 neurons 1 0.000101 17 86 75

25 neurons 1 0.000157 14 84 80

FNN3


5 neurons 1 0.000123 33 84 85

10 neurons 1 0.000165 14 85 80

15 neurons 2 0.000173 12 88 85

20 neurons 2 0.000160 12 88 80

25 neurons 1 0.000184 11 83 85

FNN4


5 neurons 0 0.000123 15 82 60

10 neurons 1 0.000165 28 86 70

15 neurons 1 0.000173 16 84 75

20 neurons 1 0.000160 15 84 80

25 neurons 1 0.000194 15 82 85

86


Hidden Layer


Testing (%)

FNN NN FNN NN FNN NN 6 NN FNN NN 2 1 0 46 9 0.000189 0.107 85 84 80 85 5 2 1 49 20 0.000106 0.115 83 87 90 85 10 1 0 17 9 0.000120 0.115 82 90 75 90 15 1 1 17 65 0.000174 0.102 82 94 80 90 20 1 0 17 9 0.000101 0.108 86 90 75 85 25 1 1 14 11 0.000157 0.110 84 91 80 90

Pengembangan Model Klasifikasi Kematangan Buah Manggis … · 2012-10-11 · Jumlah sampel data...

Documents

Transcript of Pengembangan Model Klasifikasi Kematangan Buah Manggis … · 2012-10-11 · Jumlah sampel data...