Waktu dan Tempat
Penelitian dilakukan di Laboratorium Instrumentasi Pertanian Fakultas Teknologi Pertanian Universitas Jember, serta di Laboratorium Riset and Development PT. Mitratani Dua Tujuh, Jember, Jawa Timur, pada bulan Juni 2004 sampai dengan Desember 2004. Pembuatan program pengolahan citra dilakukan di Laboratorium Instrumentasi Pertanian Fakultas Teknologi Pertanian Universitas Jember pada bulan Januari 2005 sampai dengan Juni 2005.
Bahan dan Alat Bahan
Bahan yang digunakan dalam penelitian ini adalah sampel edamame segar pada kelas mutu SQ (standart quality), SG (second grade), dan TG (third grade), dan berbagai variasi sampel RJ (reject) yang dihasilkan PT Mitratani Dua Tujuh. Varietas edamame yang digunakan adalah R-75. Pada masing- masing kelas mutu diambil 625 sampel, sehingga keseluruhan sampel adalah 2500 polong edamame. Alat
Peralatan yang digunakan dalam penelitian ini adalah perangkat sistem pengolah citra yang terdiri dari kamera UMAX AstraPix 460, 4 buah lampu TL yang terintegrasi dengan papan pengambilan gambar dan dapat diatur sudut penyinaran serta ketinggiannya, serta perangkat komputer dengan spesifikasi: Prosesor AMD Athlon XP 1900 MHz, Chipset VIA KT333, DDR-SDRAM 256 MB, kartu grafis ATI Radeon 7000 dengan memori DDR-SDRAM 64 MB. Proses transfer citra dari kamera ke dalam komputer menggunakan standart perantara USB. Operating sistem yang digunakan adalah Windows XP Profesional Edition dari Microsoft Corp. Perangkat lunak pengambilan citra (image acquisition) menggunakan program Video Capture 6.5 dari Ulead System Inc. Program Paint Shop Pro 6 dari Jasc Inc digunakan untuk persiapan citra, sedangkan untuk pengolahan citra dibuat program yang disusun dengan bahasa Borland Delphi versi 7 dari Borland Inc. Untuk analisis JST menggunakan program Mathlab versi 6.5 R13 dari The MathWorks Inc dan Excel dari Microsoft Corp.
Metode Penelitian
Diagram alir penelitian disajikan pada Gambar 8. Penelitian dimulai dari persiapan sampel edamame hingga proses klasifikasi dan validasi JST.
Penelitian Pendahuluan
Penelitian pendahuluan mempunyai dua tujuan. Tujuan yang pertama adalah menentukan prosedur image acquisition terbaik untuk mendapatkan hasil citra polong edamame yang diharapkan. Proses ini didahului dengan penentuan jarak kamera dan penentuan proses penyinaran hingga didapatkan penyinaran yang seragam dan optimal. Metode penentuan image caquisition adalah trial and error. Apabila proses ini berhasil maka citra yang ditangkap kamera digital dan ditampilkan oleh monitor komputer sama atau mendekati aslinya, sedikit timbul bayangan, dan tidak ada cahaya berlebih yang mempengaruhi warna obyek. Proses ini juga untuk mengetahui background yang paling baik untuk digunakan dalam pengambilan citra, dalam arti bayang-bayang yang ditimbulkan sedikit, tidak menimbulkan perubahan warna obyek, dan mudah untuk diolah pada program pengolahan citra.
Tujuan yang kedua adalah mendapatkan parameter mutu pengolahan citra berdasarkan kriteria grading edamame untuk merepresentasikan sifat-sifat edamame menjadi empat kelas mutu yaitu: SQ, SG, TG, dan RJ.
Parameter Mutu Pengolahan Citra untuk Pengelompokan Mutu Edamame Kriteria grading edamame dibangun berdasarkan sifat-sifat umum dari polong edamame dan kerusakan yang dialaminya. Penjelasan tentang parameter mutu yang dapat merepresentasikan sifat umum polong edamame adalah sebagai berikut ini.
1 Jumlah polong maksimum tiap 500 gram, sifat ini memiliki korelasi dengan ukuran. Parameter mutu yang dapat merepresentasikan sifat jumlah polong maksimum tiap 500 gram adalah panjang polong dan area polong. Panjang polong dan area polong merupakan parameter berdimensi piksel.
2 Warna, parameter mutu pengolahan citra yang dapat merepresentasikan warna polong adalah indeks warna merah (r), indeks warna hijau (g), dan indeks warna
35
biru (b). Karena penjumlahan r, g dan b sama dengan satu, maka cukup dua parameter mutu saja yang digunakan, yaitu r dan g (r dan g adalah variabel yang dimensionless).
3 Kematangan, merupakan variabel yang berkorelasi dengan warna, sehingga parameter mutu yang digunakan adalah r dan g.
4 Abnormalitas, merupakan variabel yang berkorelasi dengan bentuk. Analisa bentuk pada pengolahan citra dikenal sebagai faktor bentuk yang terdiri atas roundness dan compactness. Faktor bentuk merupakan fungsi pada pengolahan citra dengan perimeter sebagai faktornya. Parameter mutu yang dapat merepresentasikan sifat abnormalitas adalah perimeter. Perimeter dinyatakan dalam satuan piksel.
5 Keadaan biji tidak dilakukan analisa.
Jenis pertama kerusakan edamame berupa cacat yang meliputi tusukan serangga, hitam, coklat, gigitan ulat, karat, bercak coklat, dan bakteri (dark). Kerusakan jenis yang lain adalah kerusakan mekanik, dan pecah. Parameter mutu yang cocok untuk merepresentasikan kerusakan jenis pertama adalah area cacat. Area cacat diperoleh berdasarkan fungsi threshold yang dapat memisahkan area polong dengan area kerusakan jenis pertama. Berikut ini adalah metode untuk mendapatkan fungsi threshold.
1 Sejumlah polong yang memiliki cacat dikoleksi.
2 Menggolongkan masing- masing jenis polong berdasarkan sinyal warna pembentuk cacat yang dimilikinya.
3 Analisa titik dilakukan pada piksel tersebut diatas dan dilakukan koleksi terhadap sinyal R, G, dan B.
4 Analisa statistik dilakukan dan membuat grafik untuk mene ntukan fungsi threshold. Area cacat dinyatakan dalam piksel.
START
I mage aquisition Penentuan jarak kamera,
penyinaran, background
Penentuan parameter mutu
Tahap I Program pengolahan citra Panjang polong, area polong, perimeter, area cacat indeks R
(r), indeks G (g)
Training variasi jaringan syaraf tiruan tentukan arsitektur, momentum,
learning rate, dan iterasi Penentuan bobot
Aplikasi Jaringan Syaraf Tiruan pada Pengolahan Citra Digital
(Program Tahap I I ) Penjalaran maju JST END Penelitian Pendahuluan Penelitian Utama Sampel edamame Sesuai Tidak Ya Sesuai Tidak Ya Sesuai Ya Tidak Validasi
37
Berdasarkan penjelasan di atas maka parameter mutu yang digunakan dalam penelitian ini adalah panjang polong, area polong, perimeter, area cacat, r, dan g. Penelitian Utama
Program Pengolahan Citra
Ada dua tahapan program pengolahan citra yang dibuat dalam penelitian ini adalah sebagai berikut.
1 Program pengo lahan citra edamame tahap I bertujuan melakukan analisa citra untuk menentukan parameter mutu berupa panjang polong, area polong, perimeter, area cacat, r, dan g. Untuk menyajikan informasi parameter mutu yang dianalisis dibuat file dalam bentuk teks. Informasi yang didapat dari program ini dijadikan prosedur baku dalam tahapan berikutnya.
2 Program pengolahan citra edamame tahap II bertujuan melakukan analisa parameter mutu dan memiliki output berupa file teks dan sekaligus menunjukkan kelas mutu dari sampel yang dianalisis. Program ini diintegrasikan dengan proses propagasi maju JST untuk pendugaan kelas mutu. Pengambilan Citra Edamame dengan Teknik Pengolahan Citra
Berikut ini adalah langkah- langkah perekaman citra berdasarkan prosedur image aquisition yang telah ditentukan.
1 Polong edamame yang diletakkan pada papan pengambilan gambar menghadap vertikal ke kamera. Jarak kamera dengan obyek adalah 15 cm, jarak lampu dengan obyek 35 cm, jarak antar lampu 30 cm, dan kemiringan lampu 45 derajat terhadap bidang vertikal. Lampu yang digunakan adalah lampu neon dengan warna putih, daya masing- masing 20 watt, dengan jumlah empat buah. Keseluruhan papan pengambilan gambar beserta perangkatnya diselubungi dengan kain katun putih untuk me ngeliminasi cahaya dari luar sistem.
2 Penggunaan latar belakang (background) kain katun berwarna biru yang memiliki nilai piksel r, g, dan b seragam pada keseluruhan permukaan yaitu nilai R berkisar pada 70 - 90, nilai G pada 91 – 125, dan B pada 255.
3 Proses perekaman dilakukan dengan menghidupkan kamera digital dan komputer. Program perekaman citra Video Capture 6.5 dieksekusi untuk
mendapatkan tampilan pada monitor. Untuk mendapatkan citra sesuai dengan aslinya dilakukan pengaturan konfigurasi citra pada program Video Capture 6.5 meliputi kecerahan (brightness), kontras (contrast), kejenuhan warna (saturation), dan corak warna (hue).
4 Perekaman citra dalam bentuk format RGB pada resolusi 352 x 288 piksel. Citra tersebut disimpan dalam file berekstensi BMP dalam media penyimpanan (hard disk).
5 Untuk menyesuaikan resolusi citra dengan program pengolahan citra edamame dilakukan konversi citra dari resolusi 352 x 288 piksel menjadi 256 x 256 piksel, dengan cara memotong ukuran kanvas citra menjadi 288 x 288 piksel kemudian dilakukan proses resize menjadi ukuran 256 x 256 piksel. Tujuan pemotongan kanvas adalah mendapatkan proporsi citra yang utuh.
0 .3 5 0.26 0.30 0 .5 2 Kamera CCD Lampu Fleksible rod Papan pengambilan gambar Obyek 0 .1 5 45o 0.30 0.52 0 .3 5
39
Langkah-langkah Ekstraksi Citra
Sumber data ekstraksi citra adalah citra hasil konversi dengan resolusi 256 x 256 piksel. Tujuan ekstraksi citra adalah menghasilkan enam parameter mutu yang ditetapkan berupa panjang polong, area polong, perimeter, area cacat, r, dan g. Langkah- langkah ekstraksi citra adalah sebagai berikut ini.
1 Penentuan area polong edamame dengan proses segmentasi citra. Segmentasi dilakukan antara area polong dengan background untuk mendapatkan citra biner, dimana area polong bernilai 1 (berwarna putih) sedangkan background bernilai 0 (berwarna hitam). Segmentasi ini dilakukan dengan mengubah piksel yang memiliki nilai sinyal warna biru (B) 255 menjadi berwarna hitam. Keseluruhan piksel berwarna putih dihitung untuk mendapat area polong.
2 Panjang polong edamame dihitung dengan menghitung panjang piksel polong pada citra biner.
3 Perimeter polong edamame dihitung dari piksel perbatasan antara obyek dengan background pada citra biner.
4 Area cacat edamame ditentukan dengan proses binerisasi dengan fungsi threshold pada sinyal RGB. Proses thresholding menjadikan area cacat berwarna hitam.
5 Nilai r dan g ditentukan dari nilai rata-rata indeks warna merah dan indeks warna hijau pada areal polong yang tidak cacat (berwarna putih), nilai r dan g area polong yang cacat tidak perlu dihitung.
Pengolahan Citra
Adapun langkah- langkah pengolahan citra adalah sebagai berikut ini. 1 Program pengolahan citra dieksekusi.
2 Citra yang telah disimpan dalam hard disk dibuka (loading).
3 Dilakukan running program pengolahan citra edamame untuk mendapatkan parameter mutu, berupa panjang polong, area polong, perimeter, area cacat, r, dan g.
4 Langkah 2 dan 3 diulangi hingga semua sampel citra telah teranalisis
5 Parameter mutu disimpan dalam bentuk file teks yang digunakan sebagai input JST.
Analisis Jaringan Syaraf Tiruan Sumber Data
Sumber data yang digunakan dalam analisis JST adalah data hasil pengolahan citra, yang dibagi dalam dua bagian yaitu 2000 data training dan 500 data testing. Masing- masing data memiliki enam parameter mutu berupa panjang polong, area polong, perimeter, area cacat, r, dan g. Dengan demikian pada input JST terdapat enam node.
Algoritma Pelatihan
Algoritma pelatihan yang digunakan adalah Backpropagation gradient descent dengan momentum, menggunakansatu lapisan tersembunyi. Jumlah node output adalah dua node yang dinyatakan dalam bilangan bipolar (1, -1).
Langkah-Langkah Pengolahan Data JST
1 Normalisasi data input (data training) menggunakan dua metode yaitu metode kisaran data [-0,9, 0,9] serta metode rata-rata 0 dan standar deviasi 1. Normalisasi ini diperlukan untuk memenuhi persyaratan penggunaan fungsi aktifasi sigmoid bipolar.
Metode pertama dirumuskan dengan persamaan sebagai berikut ini (Demuth 1998).
x’ = ((1,8 * (x - min)) / ((max - min) - 0,9) Metode kedua dirumuskan sebagai berikut ini.
x’ = (x - rata-rata) / stdev (Demuth 1998). dimana:
x’ : data normalisasi x : data asli
min : nilai minimal data max : nilai maksimal data rata-rata : rata-rata data stdev : standar deviasi data
Dari kedua metode tersebut dipilih yang memberikan output paling baik pada proses pelatihan.
2 Node lapisan tersembunyi yang digunakan adalah 10 node, 15 node dan 20 node. Dari ketiga nilai ini dicari yang memberikan hasil pendugaan yang paling baik.
41
3 Bobot awal pada lapisan input ke lapisan tersembunyi dan dari lapisan tersembunyi ke lapisan output ditentukan dengan metode Nguyen-Widrow. Metode Nguyen-Widrow secara sederhana dapat diimplementasikan dengan prosedur sebagai berikut ini (Kusumadewi 2003).
Jika n : jumlah node pada lapisan input
p : jumlah node pada lapisan tersembunyi ß : faktor penskalaan (= 0,7 (p) 1/n)
a Semua bobot (vji) ditentukan dengan bilangan acak pada kisaran
[-0,5 , 0,5].
b Hitung ¦ vj¦ = 2v ( v2j1 + v2j2 + ...+ v2jn )
c Bobot ditentukan ulang dengan: vij = ßvij / ¦ vj¦
d Set bias : bij = bilangan acak antara -ß samp ai ß
4 Kombinasi bilangan pada lapisan output ditentukan untuk masing- masing kelas mutu. Pasangan bilangan yang digunakan adalah: SQ (1 , 1) : SG (1 , -1) : TG (-1 , 1) : dan RJ (-1 , -1).
5 Konstanta momentum ditetapkan sebesar 0,9 dan learning rate sebesar 0,2. 6 Fungsi aktifasi sigmoid bipolar digunakan dari lapis input menuju lapis
tersembunyi, maupun dari lapis tersembunyi menuju ke output. Persamaan fungsi aktifasi sigmoid bipolar yang digunakan adalah sebagai berikut ini (Demuth 1998).
y = ( 1 – e -2x ) / ( 1 + e -2x )
Sedangkan turunannya adalah sebagai berikut ini. x = 1 - y2 (Demuth 1998).
7 Penghentian iterasi menggunakan kinerja tujuan. Iterasi dihentikan apabila nilai fungsi kinerja sama dengan kinerja tujuan. Kinerja tujuan atau MSE (mean square error) ditetapkan dengan metode trial and eror melalui pengamatan pada kurva MSE pada saat pelatihan mencapai kekonvergenan.
8 Nilai bobot-bobot yang dihasilkan dikoleksi.
9 Propagasi maju dilakukan terhadap data testing yang telah dinormalisasilkan, nilai bobot yang telah dikoleksi digunakan pada propagasi maju.
10 Bilangan kontinyu pada output propagasi maju dirubah menjadi bilangan bipolar dengan cara dibulatkan. Jika output lebih besar dari 0 dibulatkan menjadi 1, jika output lebih kecil dari nol dibulatkan menjadi -1
11 Hasil propagasi maju berupa kelas mutu dibandingkan dengan kelas mutu yang sebenarnya (target).
12 Langkah diatas diulang pada tiap variasi JST.
13 Variasi JST terbaik ditentukan berdasarkan variasi yang menghasilkan pendugaan hasil yang paling mendekati hasil sebenarnya
Integrasi Jaringan Syaraf Tiruan pada Program Pengolah Citra
Nilai-nilai bobot pada variasi terbaik digunakan sebagai bobot terpilih pada propagasi maju untuk pengenalan kelas mutu. Propagasi maju diintegrasikan pada program pengolahan citra, sehingga program secara otomatis dapat mengenali kelas mutu edamame. 1 2 3 4 1 2 3 b O1 . . . xi vij wjk yk zj 5 6 b O2 panjang polong area polong perimeter area cacat g r p Gambar 10 Arsitektur JST
