SISTEM IDENTIFIKASI BENIH PADI MENGGUNAKAN JARINGAN SYARAF TIRUAN

SISTEM IDENTIFIKASI BENIH PADI

MENGGUNAKAN JARINGAN SYARAF TIRUAN

ARTIKEL ILMIAH

Oleh:

Muhammad Syahid Pebriadi

NIM J1F108005

PROGRAM STUDI ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS LAMBUNG MANGKURAT

BANJARBARU

AGUSTUS 2013

SISTEM IDENTIFIKASI BENIH PADI

MENGGUNAKAN JARINGAN SARAF TIRUAN

Oleh Muhammad Syahid Pebriadi

(Pembimbing : Oni Soesanto , S.Si, M.Si, Dindin Hidayatul Mursyidin, S.Si, M.Sc)

Program Studi Ilmu Komputer Fakultas MIPA Unlam

Jl. A. Yani Km 36 Kampus Unlam Banjarbaru, Kalimantan Selatan

ABSTRAK

Penelitian ini bertujuan untuk mengetahui kemampuan jaringan saraf tiruan

sebagai metode alternatif untuk melakukan identifikasi terhadap benih padi

berdasarkan karakteristik fisiknya. Benih padi yang dijadikan uji coba

sebanyak 96 benih dari 8 varietas yang berbeda. Karakteristik fisik didapat

melalui pengolahan citra seperti proses skalakeabuan dan binerisasi.

Karakteristik fisik yang di dapat meliputi Area, Perimeter, Major Axis, Minor

Axis, Circularity, Aspect Ratio, Roundness dan Feret. Selanjutnya nilai

karakteristik fisik ini dijadikan inputan jaringan saraf tiruan untuk

menghasilkan nilai bobot, yang akan digunakan untuk mengidentifikasi benih

padi. Tingkat keberhasilan rata-rata yang dicapai oleh jaringan saraf tiruan

RBF (Radial Basis Function) dalam mengidentifikasi benih padi sebesar

87,5%. Dengan tingkat keberhasilan identifikasi dari varietas Bayar Papuyu,

Bayar Putih, Benih Kuning, Benih Putih, Ketan, Siam Gadis, Siam Unus dan

Karan Dukuh masing-masing sebesar 100%; 91,67%; 100%; 100%; 100%;

83,33%; 100%; dan 91,67%.

Kata kunci: Benih Padi, Identifikasi, Jaringan Saraf Tiruan, Karakteristik Fisik.

RICE SEED IDENTIFICATION SYSTEM

USING NEURAL NETWORK

By Muhammad Syahid Pebriadi;

(Advisor : Oni Soesanto, S.Si, M.Si, Dindin Hidayatul Mursyidin, S.Si, M.Sc)

ABSTRACT

This study aimed to determine the ability of artificial neural networks as an

alternative method for the identification of rice seed based on its physical

characteristics. Rice seeds are used as much as 96 seed trials of 8 different

varieties. Physical characteristics obtained through image processing such as

grayscaling and black white process. In physical characteristics can include Area,

Perimeter, Major Axis, Minor Axis, Circularity, Aspect Ratio, roundness and

Feret. Furthermore the value of the physical characteristics of neural network

input used to generate its weights, which will be used to identify rice seeds. The

level of success achieved by artificial neural networks RBF ( Radial Basis

Function ) in identifying rice seed of 87.5%. With a success rate of identification

of varieties Bayar Papuyu, Bayar Putih, Benih Kuning, Benih Putih, Ketan, Siam

Gadis, Siam Unus dan Karan Dukuh respectively 100%; 91,67%; 100%; 100%;

100%; 83,33%; 100%; and 91,67%.

Keywords: Seed Rice, Identification, Neural Networks, Physical Characteristics.

PENDAHULUAN

I. Latar Belakang

Indonesia memiliki ragam padi (Oryza sativa L.) yang cukup banyak.

Tercatat, sebanyak 400 ribu ragam lebih disimpan sebagai koleksi plasma nutfah

di seluruh dunia dan sebanyak 4000 ragam lebih disimpan di bank gen Balai

Besar Biogen (Lestari, 2011). Ragam ini menimbulkan perbedaan kualitas benih

padi yang berpengaruh pada kualitas mutu beras yang dihasilkan. Untuk

menentukan kualitas suatu benih padi yang baik, dapat dilihat dari warna, tekstur

dan kandungan airnya (Guzman & Peralta, 2008). Penentuan kualitas tersebut

dapat dilakukan melalui proses identifikasi.

Saat ini, identifikasi benih padi dapat dilakukan melalui dua cara, yaitu

pengamatan secara langsung dan dengan kimiawi. Pengamatan secara langsung

dilakukan melalui pengamatan warna, tekstur, panjang, ketebalan dan ada

tidaknya bulu halus pada benih padi, sedangkan dengan metode kimiawi, benih

padi yang dijadikan sampel identifikasi akan dihancurkan terlebih dahulu,

kemudian diberi cairan kimia untuk bisa dilihat identitas gennya. Dilihat dari hasil

identifikasi, kedua metode ini memiliki akurasi yang cukup baik, akan tetapi

kedua cara ini juga memiliki kelemahan. Cara pengamatan memiliki tingkat

subjektifitas yang relatif tinggi (Somantri, 2010), sedangkan metode kimiawi

memerlukan sampel benih padi yang banyak dan cairan kimia yang mnegeluarkan

biaya yang mahal.

Oleh karena itu, diperlukan suatu metode alternatif dalam melakukan

identifikasi ragam benih padi. Salah satunya menggunakan Teknologi pengolahan

Citra berbasis jaringan saraf tiruan. Teknologi ini menawarkan proses identifikasi

dengan cepat, praktis, murah dan mudah. Teknologi ini telah diaplikasikan oleh

beberapa peneliti untuk melakukan proses identifikasi dan klasifikasi beberapa

tanaman, termasuk padi. Liu et al. (2005) memperlihatkan penggunaan teknologi

pengolahan Citra untuk mengenali ragam varietas padi yang ada di Provinsi

Zheijang, China memiliki akurasi 74-95%. Begitu pula dengan Guzman and

Peralta (2008) yang menggunakan teknologi ini untuk mengklasifikasikan ragam

varietas padi yang ada di Filipina dengan akurasi 70 persen.

Penelitian ini bertujuan membuat aplikasi pengenalan Citra Digital yang

dapat dipergunakan dalam pengidentifikasian ragam benih padi. Benih padi yang

digunakan merupakan varietas lokal Kalimantan Selatan yang dikoleksi dari lahan

rawa (Mursyidin dkk, 2013). Masing-masing benih padi diambil citranya,

kemudian dilakukan pengolahan citra digital untuk menentukan fitur cirinya. Fitur

ciri yang didapat, digunakan sebagai inputan ke dalam jaringan saraf tiruan untuk

menghitung nilai bobot pola jaringan yang terbentuk. Selanjutnya, nilai bobot ini

digunakan dalam pengidentifikasian ragam benih padi.

Hasil penelitian ini berupa aplikasi pengenalan citra digital berbasis

jaringan saraf tiruan yang dapat digunakan untuk pengidentifikasian ragam benih

padi varietas lokal Kalimantan Selatan. Kemudian untuk pengembangannya dapat

digunakan dalam pengidentifikasian ragam benih padi varietas lain.

II. Perumusan Masalah

Berdasarkan latar belakang, timbul permasalahan yang diantaranya adalah

Bagaimana merancang sistem pengolah citra (image processing) benih padi yang

dapat digunakan dalam membantu proses identifikasi, Bagaimana proses fitur ciri

fisik dari citra benih padi dan Bagaimana proses identifikasi Citra benih padi

menggunakan jaringan saraf tiruan.

III. Tujuan Penelitian

Tujuan penelitian ini adalah untuk merancang sistem pengolah citra

(image processing) benih padi, menghasilkan fitur ciri fisik dari image benih padi

dan membuat sistem identifikasi benih padi menggunakan jaringan saraf tiruan.

IV. Manfaat Penelitian

Manfaat yang diharapkan dari penelitian ini adalah menambah wawasan

dalam bidang ilmu pengetahuan mengenai penggunaan teknologi Pengolahan

Citra Digital (Digital Image Processing), mempelajari dan memahami

penggunaan Metode Jaringan Saraf Tiruan dalam pengembangan sebuah aplikasi,

menjadi referensi bagi peneliti untuk mengembangkan penelitian lain dengan

topik pengolahan citra digital dan jaringan saraf tiruan serta membantu dan

mempermudah para ahli maupun masyarakat dalam melakukan identifikasi ragam

benih padi.

METODE PENELITIAN

I. Jenis Penelitian

Jenis penelitian ini adalah penelitian perancangan dan pembuatan

perangkat lunak.

II. Waktu Penelitian

Penelitian dilakukan pada bulan Oktober 2012 – Agustus 2013

III. Alat dan Bahan Penelitian

Alat yang digunakan dalam penelitian ini berupa sebuah laptop dengan

spesifikasi Processor Intel Core 2 Duo T6500, RAM 3Gb dan Hard Disk 320 Gb

serta software yang digunakan yaitu Sistem Operasi Windows 8 64 bit, Netbeans

IDE 7.3.1, JDK (Java Development Kit) Versi 7, MySQL, XAMPP, Matlab

R2009a, yEd Graph Editor 3.11 dan Microsoft Office 2007.

Sedangkan bahan atau materi penelitian berupa benih padi 8 varietas lokal

Kalimantan Selatan yaitu Bayar Papuyu, Bayar Putih, Benih Kuning, Benih Putih,

Ketan, Siam Gadis, Siam Unus dan Karan Dukuh yang diambil citra digitalnya.

IV. Proses Penelitian

4.1 Studi Pustaka Mengenai Pengolahan Citra dan Jaringan Saraf Tiruan

Pada tahapan ini dilakukan studi pustaka mengenai teori yang

berhubungan dengan pengolahan citra dan jaringan saraf tiruan, yang bersumber

dari jurnal, buku dan internet.

4.2 Pengambilan Citra Digital Benih Padi

Benih padi diambil citra digitalnya menggunakan kamera digital Sony

Cyber-shot Carl Zeiss 12.1MP. Jarak lensa kamera dengan objek diatur sejauh

10cm. Sedangkan pencahayaan menggunakan 2 buah lampu Philips 8watt. Alas

yang dijadikan latar objek berwarna putih.

4.3 Analisa Sistem

Tahap ini dilakukan analisa terhadap sistem yang akan dibuat. Analisa

tersebut meliputi analisa input, output dan proses sistem. Hasil analisis dapat

dibuat dalam bentuk Use Case, Use Case Description, dan Activity Diagram.

4.4 Perancangan sistem

Pada tahapan ini membuat gambaran awal dari sistem yang meliputi

desain database dan desain antarmuka

4.5 Implementasi

Hasil rancangan yang telah dibuat akan diimplementasikan dengan

menggunakan bahasa pemrograman Java melalui Netbeans.

4.6 Pengujian Sistem

Pengujian sistem dilakukan untuk mengetahui apakah prosedur yang

digunakan dalam mengolah data menjadi informasi yang diharapkan atau tidak.

Dengan pengujian tersebut pengguna dapat memberikan pendapatnya mengenai

sistem.

PEMBAHASAN

I. Pengolahan Citra Digital dan Ektraksi Fitur Ciri

Citra digital yang sudah didapatkan, dimasukkan ke dalam aplikasi yang

dibuat. Aplikasi akan memproses citra digital tersebut dalam proses pengolahan

citra dan kemudian di ekstrak fitur ciri nya. Proses pengolahan citra meliputi

proses Grayscaling untuk mengubah citra berwarna menjadi citra abu-abu, dan

proses binerisasi untuk mengubah citra abu-abu menjadi citra hitam-putih.

Fitur ciri yang didapat yaitu Area, Perimeter, Major Axis, Minor Axis,

Circularity, Aspect Ratio, Roundness dan Feret. Fitur ciri area, perimeter,

circularity, aspect ratio dan roundness didapatkan menggunakan aturan Chain

Code pada citra. Fitur ciri Major Axis, minor axis dan feret didapatkan melalui

metode Region Properties dengan pendekatan bentuk elips.

Gambar 1. Pengolahan Citra Digital Benih Padi dan Ektraksi Fitur Cirinya

II. Jaringan Saraf Tiruan

Jaringan saraf tiruan yang digunakan adalah Radial Basis Function (RBF).

Jaringan saraf tiruan RBF sering digunakan dalam proses klasifikasi dan

peramalan. Keunggulan dari Jaringan Saraf Tiruan ini, yaitu komputasinya yang

cepat untuk menangani data dalam jumlah yang besar. Jaringan saraf tiruan ini

juga mampu memberikan akurasi yang cukup memuaskan.

Adapun arsitektur dari jaringan saraf tiruan RBF yang digunakan dalam

penelitian ini, dapat dilihat pada gambar berikut.

Gambar 2 Arsitektur Jaringan Saraf Tiruan RBF

Berikut adalah langkah-langkah pengerjaan menggunakan algoritma

jaringan saraf tiruan Radial Basis Function :

(1) Inisialisasi Data Training

(2) Memilih center data.

(3) Menghitung Nilai Fungsi Aktivasi dengan Fungsi Gaussian.

(4) Membentuk matriks Gaussian.

(5) Menghitung Pseudoinverse dari Matriks Gaussian.

(6) Menghitung nilai bobot.

III. Identifikasi

Proses identifikasi benih padi digambarkan pada diagram berikut.

Gambar 3 Diagram Proses Identifikasi

Uji coba identifikasi menggunakan citra digital benih padi sebanyak 24

gambar. Uji dilakukan untuk mengetahui tingkat keberhasilan aplikasi untuk

mengidentifikasi benih padi.

Gambar 4 Identifikasi Citra Benih Padi

Input data training citra benih padi dimensi 480x480

berekstensi *.jpg

Mengubah Citra berwarna menjadi citra Grayscale (Skala

Keabuan)

Mengubah Citra Grayscale menjadi citra biner dengan

proses binerisasi

Membuat ROI (Region of Interest) pada citra

Meng-ekstrak fitur ciri dari citra

Menyimpan data fitur ciri ke dalam database

Menentukan center data

Menghitung vektor jarak antara setiap fitur ciri data training dengan center data

dan menghitung nilai aktivasi node jaringan dengan fungsi

Gaussian

Membentuk Matriks Gaussian dan mencari Matriks

pseudoinverse-nya. Kemudian dikalikan dengan nilai target untuk mendapatkan bobot

terbaik

Input data testing citra benih padi dimensi 480x480

berekstensi *.jpg

Membentuk matriks Gaussian dari data testing kemudian

dikalikan dengan nilai bobot

Hasil identifikasi terhadap data testing dihasilkan

Uji coba identifikasi dilakukan sebanyak 24 kali dengan menggunakan 24

citra digital benih padi dari 8 varietas yang ada, dengan masing-masing varietas

terdiri atas 3 citra digital. Hasil dari 24 kali percobaan identifikasi disajikan pada

table berikut.

Tabel 1 Hasil Uji Coba Identifikasi

No Hasil yang

Diharapkan

Hasil

Identifikasi Ket

1 Bayar Papuyu Bayar Papuyu Benar



4 Bayar Putih Siam Gadis Salah

5 Bayar Putih Bayar Putih Benar

6 Bayar Putih Siam Gadis Salah

7 Benih Kuning Benih Kuning Benar



10 Benih Putih Benih Putih Benar



13 Ketan Ketan Benar



16 Siam Gadis Siam Gadis Benar



19 Siam Unus Siam Unus Benar



22 Karan Dukuh Karan Dukuh Benar

23 Karan Dukuh Karan Dukuh Benar

24 Karan Dukuh Bayar Papuyu Salah

KESIMPULAN DAN SARAN

I. Kesimpulan

Kesimpulan yang diperoleh dari penelitian ini yaitu aplikasi yang dibuat

mampu melakukan proses pengolahan citra sekaligus mampu mengektraksi fitur

ciri dari citra digital benih padi, meliputi Area, perimeter, major axis, minor axis,

circularity, Aspect Ratio, Roundness, dan Feret.

Fitur-fitur ciri tersebut dapat digunakan sebagai inputan jaringan saraf

tiruan RBF pada proses Training data dengan prosentase keberhasilan

mengidentifikasi sebesar 94,44%. Pada proses training data dihasilkan bobot.

Selanjutnya, bobot digunakan dalam proses identifikasi terhadap citra benih padi

dengan prosentase keberhasilan 87,5%. Dengan tingkat keberhasilan identifikasi

dari varietas Bayar Papuyu, Bayar Putih, Benih Kuning, Benih Putih, Ketan, Siam

Gadis, Siam Unus dan Karan Dukuh masing-masing sebesar 100%; 91,67%;

100%; 100%; 100%; 83,33%; 100%; dan 91,67%.

II. Saran

Saran untuk penelitian ini adalah :

(1) Dalam pengambilan citra digital, disarankan menggunakan kamera digital

dengan resolusi yang lebik tinggi dan pencahayaan yang lebih baik sehingga

dapat mengurangi noise (derau) dari citra digital yang dihasilkan.

(2) Menambah ciri lain seperti ciri warna (RGB) untuk meningkatkan akurasi

hasil identifikasi.

(3) Objek yang dijadikan sample memiliki ciri atau bentuk yang sama dalam satu

varietas.

(4) Untuk memperbaiki performansi identifikasi, pada jaringan saraf tiruan dapat

ditambahkan metode untuk optimasi seperti OLS (Ortogonal Least Square),

PCA (Principal Component Analysis) dan lainnya.

(5) Untuk mempercepat proses penentuan center awal, dapat ditambahkan

metode klastering seperti K-Means.

UCAPAN TERIMA KASIH

Segala puji syukur ke hadirat Allah SWT atas segala nikmat dan karunia-Nya

sehingga penelitian ini dapat diselesaikan. Penulis mengucapkan terima kasih

yang sebesar-besarnya kepada kedua orang tua, seluruh keluarga, sahabat dan

orang yang disayangi atas segala doa, dukungan dan semangatnya. Terima kasih

juga kepada Bapak Oni Soesanto , S.Si, M.Si, selaku pembimbing Utama dan

Bapak Dindin Hidayatul Mursyidin, S.Si, M.Sc selaku pembimbing Pendamping

yang telah memberikan ilmu, saran dan motivasi selama penelitian hingga

selesainya penyusunan laporan penelitian skripsi ini. Bapak Heru Kartika

Chandra, S.Si, M.Si dan Ibu Fatma Indriani, S.T, M.Cs selaku dosen penguji

yang telah banyak memberikan saran dan masukan mengenai penelitian ini.

Semua teman-teman angkatan 2008 Ilmu Komputer FMIPA UNLAM yang selalu

memberikan dukungan, semangat, doa serta bantuannya, terima kasih atas

semuanya.

DAFTAR PUSTAKA

Gupta, M. M. (2003). Static and Dynamic Neural Networks : From Fundamentals

to Advanced Theory . New Jersey: John Wiley & Sons, Inc.

Guzman, J. D., & Peralta, E. K. (2008). Classification of philippine rice grains

using machine vision and artificial neural networks. IAALD AFITA

WCCA , 41-48.

Lestari, P. (2011). Metode PCR (Polymerase Chain Reaction) Cara

Mengidentifikasi Padi Bermutu Rasa Tinggi. SinarTani , 13-16.

Mursyidin, D.H., Isa Azhari, BS. Daryono.2013. Laporan Kemajuan Hibah

Penelitian 2012. Dirjen Dikti. Jakarta.

Noor, M. H., & Hariadi, M. (2009). Image Cluster Berdasarkan Warna Untuk

Identifikasi Kematangan Buah Tomat Dengan Metode ValleyTracing.

Seminar Nasional Informatika , 15-24.

Pesticide Action Network Asia and the Pacific. (2010). Saving The Rice Seed.

PANAP RICE SHEETS , 1-16.

Purnomo, M. H., & Kurniawan, A. (2006). Supervised Neural Networks dan

aplikasinya. Yogyakarta: Graha Ilmu.

Puspitaningrum, D. (2006). Pengantar Jaringan Saraf Tiruan. Yogyakarta:

Penerbit ANDI.

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

Santi, R. C. (2011). Teknik Perbaikan Kualitas Citra Satelit Cuaca dengan Sataid.

Jurnal Teknologi Informasi DINAMIK volume 16 , 101-109.

Sari, Z. W. (2010). Pengenalan Pola Golongan Darah Menggunakan Jaringan

Saraf Tiruan Back Propagation. Skripsi. Program Sarjana, Universitas

Islam Negeri Maulana Malik Ibrahim, Malang.

Setiawan, K. (2006). Paradigma Sistem Cerdas. Surabaya: Bayu Media.

Somantri, A. S. (2010). Menentukan Klasifikasi Mutu Fisik Beras Dengan

Menggunakan Teknologi Pengolahan Citra Digital Dan Jaringan Syaraf

Tiruan . Jurnal Standardisasi Vol. 12, No. 3 , 162 - 173 .

Subekti, I. (t.thn.). Identifikasi Sel Darah Berbentuk Sabit Pada Citra Sel Darah

Penderita Anemia. ITS Paper , 1-5.

Wardhani, R. N., & Delimayanti, M. K. (t.thn.). Analisis Penerapan Metode

Konvolusi. 191-198.

Neraca.co.id. (2013, Maret 3). Konsumsi Beras Nasional Tertinggi Se-Asia.

http://www.neraca.co.id/harian/article/26605/Konsumsi.Beras.Nasional.Te

rtinggi.SeAsia

Di akses tanggal 3 Agustus 2013

United States Department of Agriculture. (2013, Agustus 1). Milled Rice

Domestic Consumption by Country in 1000 MT - Country Rankings.

http://www.indexmundi.com/agriculture/?commodity=milled-

rice&graph=domestic-consumption

Diakses tanggal 10 Agustus 2013

SISTEM IDENTIFIKASI BENIH PADI MENGGUNAKAN JARINGAN SYARAF TIRUAN

Documents

Transcript of SISTEM IDENTIFIKASI BENIH PADI MENGGUNAKAN JARINGAN SYARAF TIRUAN