BAB V KESIMPULAN DAN SARAN
V.1 Kesimpulan
Setelah dilakukan perancangan sistem evaluasi mutu berbasis komputer (logika fuzzy, pengolahan citra dan JST), maka dapat disimpulkan bahwa :
1. Program logika fuzzy yang dirancang bangun mampu mengenali buah melon sebanyak 66 buah dari 80 buah melon yang diujikan. Akurasi tertinggi yang diperoleh adalah 82.5% dengan menggunakan selang brix 6, 6.6, 8.4, 10.5, 11.8 dan selang pH 5.8, 6.5, 7.8, 7.9, 9. Perolehan hasil pengenalan rasa normalisasi adalah 33 rasa manis, 36 rasa sedang dan 11 rasa tawar. Data rasa ini merupakan input bagi JST.
2. Pengolahan citra yang dirancang untuk menduga mutu buah dapat mengenali nilai parameter berupa jarak jari-jari dari titik tengah melon ke jaring terdekat (r1, r2, r3,…, r36), rata–rata jari– jari, roundness , luas (A), nilai rata-rata intensitas warna merah (R), Hijau (H), Biru (B), colour value (CV), nilai indeks warna merah (indeks R), indeks hijau (indeks H), indeks biru (indeks B), nilai hue (H), saturation (S), dan intensity (I). Data karakteristik buah melon ini akan menjadi input untuk JST.
3. Percobaan untuk menentukan nilai parameter optimal untuk arsitektur JST sehingga akurasi dan waktu yang didapat adalah baik dan lebih cepat yaitu dengan menggunakan jumlah node lapisan tersembunyi sebanyak 30 dan laju pembelajaran 0.8. Rata–rata akurasi yang didapatkan setelah pengulangan 3 kali adalah sebesar 80%, rata–rata waktu pelatihan adalah 51.33 detik dan rata–rata waktu validasi adalah 0.162 detik dan waktu pendugaan 8.79 detik.
4. Model JST untuk pendugaan buah melon berdasarkan rasa dikembangkan dengan empat puluh sembilan lapisan masukan, tiga puluh lapisan tersembunyi, dan tiga lapisan keluaran dengan laju pembelajaran 0.8 telah mampu menghasilkan akurasi total 90% pada proses validasi yang terdiri dari akurasi pendugaan rasa manis sebesar 100%, rasa sedang sebesar 75% dan rasa tawar sebesar 100%.
V.2. SARAN
Beberapa saran setelah dilakukannya pen elitian perancangan sistem evaluasi mutu ini adalah :
1. Perlu adanya pengurangan beberapa parameter yang tidak terlalu berpengaruh dalam pendugaan mutu buah melon, seperti nilai indeks warna merah (indeks R), indeks warna hijau (indeks G ), indeks warna biru (indeks B) karena nilai rata-ratanya saling mendekati.
2. Pada proses normalisasi dan training dibutuhkan jumlah sampel yang lebih banyak lagi sehingga keragaman karakteristik buah melon semakin banyak dan sistem dapat mengenali lebih baik lagi.
3. Perlu adanya penelitian lanjutan mengenai parameter yang diperlukan agar lebih mendekati sempurna dalam proses pendugaan tingkat kemanisan buah melon.
DAFTAR PUSTAKA
Ahmad U. 2005. Pengolahan Citra Digital. Yogyakarta: Graha Ilmu.
Arymurthy AM dan Suryana S. 1992. Pengantar Pengolahan Citra. Jakarta: PT Elex Media Komputindo.
Fausett L. 1994. Fundamentals of Neural Network. New Jersey: Prentice-Hall. Fu L. 1994. Neural Networks in Computer Intelligence. Singapore: McGraw -Hill
Inc.
Jang JSR, Sun CT and Mizutani E. 1997. Neuro-Fuzzy And Soft Computing (A Computational Approach to Learning and Machine Intelligence). New Jersey: Prentice-Hall.
Tsai JT, Chou JH, and Liu TK. 2006. Tuning the Structure and Parameters of a Neural Network by Using Hybrid. IEEE Trans Neural Netw 17:69-80. Kristanto A. 2004. Jaringan Syaraf Tiruan. Yogyakarta: Gava Media.
Kristanto A. 2004. Jaringan Syaraf Tiruan (Konsep dasar, algoritma dan Aplikasi). Yogyakarta: Gava Media.
Kusumadewi S. 2003. Artificial Intelligence (Teknik dan Aplikasinya). Yogyakarta: Graha Ilmu.
Mandala J. 2003. Pemanfaatan Transformasi Wavelet Citra Wajah Sebagai Sistem Keamanan Kunci kombinasi. Tesis. Program Pascasarjana, Institut Teknologi Bandung.
Marimin. 2005. Teori dan Aplikasi Sistem Pakar dalam Teknologi Manajerial. Bogor: IPB Press.
Pal SK. 1989. Fuzzy: Pendekatan Matematik Untuk Pengenalan Pola. Sardy S, penerjemah. Jakarta: Penerbit Universitas Indonesia..
Prajnanta F. 2004. Pemeliharaan Secara Intensif Dan Kiat Sukses Beragribisnis Melon. Jakarta: Penebar Swadaya.
Ramadhan A. 2004. Microsoft Visual basic 6.0. Jakarta: PT Elex Media Komputindo.
Rao VB. 1995. C++ Neural Network and Fuzzy Logic. M&T Books, IDG Books Worldwide, inc.
Rich E and Knight K. 1991. Artificial Inteligent. 2nd Ed. New Delhi: Mc Graw- Hill Inc.
Rukmana R. 1995. Melon Hibrida. Yogyakarta: Kanisius.
Setiadi dan Parimin. 2004. Bertanam Melon (Edisi Revisi). Jakarta: Penebar Swadaya.
Sibigtroth JM. 1992. Implementing fuzzy expert rules in hardware. The magazine of artificial intelegence in practice Vol. 7(14): 25-28.
Viot G. 1993. Fuzzy logic: concepts to construct. The magazine of artificial intelligence in practice Vol. 7(4): 25-28.
Zimmermann HJ. 1996. Fuzzy Set Theory and Its Applications 3th Ed. London: Kluwer Academic Publisher.
Tabel Lampiran 1. 80 Sampel yang Digunakan Untuk Sebelum Normalisasi
No. Sampel brix pH Organoleptik
1 S24 C14 U40 11,733 7,567 Manis 2 S21 C14 U40 11,667 7,167 Manis 3 S6 C12 U35 11,567 7,233 Manis 4 S29 C14 U40 11,300 7,233 Manis 5 S28 C14 U40 11,167 6,967 Manis 6 S9 C12 U40 10,633 7,600 Manis 7 S30 C14 U40 10,600 7,400 Manis 8 S25 C14 U40 10,600 7,567 Manis 9 S5 C12 U35 10,300 7,633 Manis 10 S14 C13 U30 10,200 7,033 Manis 11 S9 C12 U35 10,167 7,367 Manis 12 S26 C14 U40 10,033 7,467 Manis 13 S22 C14 U40 10,000 7,400 Manis 14 S17 C13 U35 9,900 7,033 Manis 15 S16 C13 U40 9,867 7,500 Manis 16 S27 C14 U40 9,867 7,567 Manis 17 S5 C12 U40 9,700 7,267 Manis 18 S25 C14 U35 9,667 7,000 Manis 19 S8 C12 U35 9,600 7,567 Manis 20 S22 C14 U35 9,533 6,900 Manis 21 S30 C14 U35 9,533 7,167 Manis 22 S23 C14 U35 9,500 7,367 Manis 23 S5 C12 U30 9,500 7,533 Manis 24 S18 C13 U35 9,400 7,167 Manis 25 S8 C12 U30 9,400 7,200 Manis 26 S3 C12 U35 9,400 7,433 Manis 27 S7 C12 U40 9,333 7,267 Manis 28 S27 C14 U35 9,267 7,233 Manis 29 S8 C12 U40 9,200 7,467 Manis 30 S12 C13 U40 9,200 7,767 Manis 31 S23 C14 U40 9,167 7,733 Manis 32 S1 C12 U35 9,100 7,633 Manis 33 S18 C13 U40 9,000 7,433 Manis 34 S20 C13 U35 8,700 6,967 Manis 35 S29 C14 U30 8,633 6,800 Manis 36 S16 C13 U30 8,533 7,067 Manis 37 S4 C12 U35 8,533 7,367 Manis 38 S4 C12 U30 8,433 7,200 Manis 39 S2 C12 U35 8,333 7,267 Manis 40 S21 C14 U35 9,833 7,167 Sedang
Tabel Lampiran 1. (Lanjutan)
No. Sampel brix pH Organoleptik
41 S9 C12 U30 9,667 7,100 Sedang 42 S19 C13 U35 9,633 7,000 Sedang 43 S12 C13 U35 9,633 7,500 Sedang 44 S28 C14 U35 9,467 7,133 Sedang 45 S26 C14 U35 9,367 7,100 Sedang 46 S13 C13 U40 9,200 7,533 Sedang 47 S19 C13 U40 9,067 7,600 Sedang 48 S10 C12 U35 9,033 7,267 Sedang 49 S29 C14 U35 9,000 7,100 Sedang 50 S13 C13 U35 8,967 7,400 Sedang 51 S10 C12 U40 8,967 7,600 Sedang 52 S2 C12 U40 8,833 7,433 Sedang 53 S1 C12 U30 8,800 7,100 Sedang 54 S20 C13 U30 8,800 7,267 Sedang 55 S15 C13 U35 8,733 6,967 Sedang 56 S13 C13 U30 8,700 6,733 Sedang 57 S19 C13 U30 8,700 6,900 Sedang 58 S3 C12 U40 8,633 7,400 Sedang 59 S12 C13 U30 8,567 7,167 Sedang 60 S11 C13 U40 8,533 7,833 Sedang 61 S14 C13 U35 8,500 7,500 Sedang 62 S21 C14 U30 8,467 6,633 Sedang 63 S17 C13 U30 8,467 6,833 Sedang 64 S14 C13 U40 8,367 7,500 Sedang 65 S17 C13 U40 8,233 7,700 Sedang 66 S1 C12 U40 8,167 7,600 Sedang 67 S11 C13 U35 8,133 7,400 Sedang 68 S6 C12 U40 8,033 7,533 Sedang 69 S11 C12 U30 7,900 7,033 Sedang 70 S30 C14 U30 7,867 6,700 Sedang 71 S24 C14 U35 7,567 6,933 Sedang 72 S3 C12 U30 7,567 7,233 Sedang 73 S26 C14 U30 7,433 6,633 Sedang 74 S22 C14 U30 7,400 6,900 Sedang 75 S10 C12 U30 7,233 7,133 Sedang 76 S15 C13 U30 7,200 7,167 Sedang 77 S23 C14 U30 7,000 6,833 Sedang 78 S20 C13 U40 7,300 7,400 Tawar 79 S24 C14 U30 7,167 6,767 Tawar 80 S6 C12 U30 6,867 6,133 Tawar
Tabel Lampiran 2. 80 Sampel yang Digunakan untuk JST Sesudah Normalisasi dengan
Fuzzy
Tabel Lampiran 2. (Lanjutan)
No. Sampel brix pH Normalisasi
1 S24 C14 U40 11,733 7,567 Manis 2 S21 C14 U40 11,667 7,167 Manis 3 S6 C12 U35 11,567 7,233 Manis 4 S29 C14 U40 11,300 7,233 Manis 5 S28 C14 U40 11,167 6,967 Manis 6 S9 C12 U40 10,633 7,600 Manis 7 S30 C14 U40 10,600 7,400 Manis 8 S25 C14 U40 10,600 7,567 Manis 9 S5 C12 U35 10,300 7,633 Manis 10 S14 C13 U30 10,200 7,033 Manis 11 S9 C12 U35 10,167 7,367 Manis 12 S26 C14 U40 10,033 7,467 Manis 13 S22 C14 U40 10,000 7,400 Manis 14 S17 C13 U35 9,900 7,033 Manis 15 S16 C13 U40 9,867 7,500 Manis 16 S27 C14 U40 9,867 7,567 Manis 17 S5 C12 U40 9,700 7,267 Manis 18 S25 C14 U35 9,667 7,000 Manis 19 S8 C12 U35 9,600 7,567 Manis 20 S22 C14 U35 9,533 6,900 Manis 21 S30 C14 U35 9,533 7,167 Manis 22 S23 C14 U35 9,500 7,367 Manis 23 S5 C12 U30 9,500 7,533 Manis 24 S18 C13 U35 9,400 7,167 Manis 25 S8 C12 U30 9,400 7,200 Manis 26 S3 C12 U35 9,400 7,433 Manis 27 S7 C12 U40 9,333 7,267 Manis 28 S27 C14 U35 9,267 7,233 Manis 29 S8 C12 U40 9,200 7,467 Manis 30 S12 C13 U40 9,200 7,767 Manis 31 S23 C14 U40 9,167 7,733 Manis 32 S1 C12 U35 9,100 7,633 Manis 33 S18 C13 U40 9,000 7,433 Manis 34 S20 C13 U35 8,700 6,967 Sedang 35 S29 C14 U30 8,633 6,800 Sedang 36 S16 C13 U30 8,533 7,067 Sedang 37 S4 C12 U35 8,533 7,367 Sedang 38 S4 C12 U30 8,433 7,200 Sedang 39 S2 C12 U35 8,333 7,267 Sedang 40 S21 C14 U35 9,833 7,167 Sedang
No. Sampel brix pH Normalisasi
41 S9 C12 U30 9,667 7,100 Sedang
42 S19 C13 U35 9,633 7,000 Sedang
43 S12 C13 U35 9,633 7,500 Sedang
44 S28 C14 U35 9,467 7,133 Sedang
Gambar Lampiran 1. Form Tampilan input_Fuzzy 46 S13 C13 U40 9,200 7,533 Sedang 47 S19 C13 U40 9,067 7,600 Sedang 48 S10 C12 U35 9,033 7,267 Sedang 49 S29 C14 U35 9,000 7,100 Sedang 50 S13 C13 U35 8,967 7,400 Sedang 51 S10 C12 U40 8,967 7,600 Sedang 52 S2 C12 U40 8,833 7,433 Sedang 53 S1 C12 U30 8,800 7,100 Sedang 54 S20 C13 U30 8,800 7,267 Sedang 55 S15 C13 U35 8,733 6,967 Sedang 56 S13 C13 U30 8,700 6,733 Sedang 57 S19 C13 U30 8,700 6,900 Sedang 58 S3 C12 U40 8,633 7,400 Sedang 59 S12 C13 U30 8,567 7,167 Sedang 60 S11 C13 U40 8,533 7,833 Sedang 61 S14 C13 U35 8,500 7,500 Sedang 62 S21 C14 U30 8,467 6,633 Sedang 63 S17 C13 U30 8,467 6,833 Sedang 64 S14 C13 U40 8,367 7,500 Sedang 65 S17 C13 U40 8,233 7,700 Sedang 66 S1 C12 U40 8,167 7,600 Sedang 67 S11 C13 U35 8,133 7,400 Sedang 68 S6 C12 U40 8,033 7,533 Sedang 69 S11 C12 U30 7,900 7,033 Tawar 70 S30 C14 U30 7,867 6,700 Tawar 71 S24 C14 U35 7,567 6,933 Tawar 72 S3 C12 U30 7,567 7,233 Tawar 73 S26 C14 U30 7,433 6,633 Tawar 74 S22 C14 U30 7,400 6,900 Tawar 75 S10 C12 U30 7,233 7,133 Tawar 76 S15 C13 U30 7,200 7,167 Tawar 77 S23 C14 U30 7,000 6,833 Tawar 78 S20 C13 U40 7,300 7,400 Tawar 79 S24 C14 U30 7,167 6,767 Tawar 80 S6 C12 U30 6,867 6,133 Tawar
Gambar Lampiran 2. Form Tampilan hasil (run) forminput_fuzzy
Gambar Lampiran 3. Sampel Buah Melon Kombinasi Umur Buah dan Cabang
Gambar Lampiran 3. (Lanjutan) c. Cabang 13 Umur Buah 30 Hari
e. Cabang 14 Umur Buah 30 Hari
d. Cabang 14 Umur Buah 35 Hari
f. Cabang 14 Umur Buah 35 Hari
Gambar Lampiran 4. Sampel Buah Melon Berdasarkan Tingkatan Rasa h. Cabang 14 Umur Buah 35 Hari
i. Cabang 14 Umur Buah 35 Hari
a. Form Training Input_Image
b. Form Training Input_Target 1
c. Form Training Input_Target 2
d. Proses Menganalisa Kompo nen Warna Buah
e. Mengukur Keliling Objek
f. Menentukan Titik Pusat X dan Y
g. Hasil Pengolahan Citra
h. Form Tambah Sampel
a. Form Validasi Input_Image
b. Form Validasi Input_Target 1
c. Form Validasi Input_Target 2
d. Proses Menganalisa Komponen Warna Buah
e. Mengukur Keliling Objek
f. Menentukan Titik Pusat X dan Y Gambar Lampiran 6. (Lanjutan)
g. Form Hasil Pengolahan Citra
h. Form Tambah Sampel
a. Form Input Data Sampel Training
b. Form Input Jumlah Epoh
c. Form InputLearning Rate
d. Contoh Form Hasil Proses Training
e. Form Contoh Hasil Validasi
Tabel Lampiran 3. Percobaan 1 Menentukan Node Hidden dengan Learning Rate 0,5
ANN Training dan Validasi Jumlah node
hidden Ulangan ke - Epoh
Waktu Training (detik) Waktu Validasi (detik) Akurasi Validasi (%) 10 1 887 37 0.171 90 2 443 20 0.166 70 3 1606 64 0.177 70 20 1 1020 83 0.175 90 2 779 58 0.173 70 3 553 42 0.172 70 30 1 588 65 0.166 90 2 564 62 0.165 80 3 524 58 0.163 70 40 1 749 107 0.172 70 2 618 90 0.170 70 3 564 84 0.167 70 50 1 933 169 0.171 80 2 1088 199 0.172 80 3 1363 241 0.173 70 60 1 1232 259 0.172 80 2 976 208 0.170 70 3 1076 230 0.173 70 70 1 597 154 0.166 80 2 548 139 0.164 70 3 547 139 0.167 70 80 1 1358 395 0.172 80 2 933 262 0.169 70 3 1569 370 0.173 80 90 1 1028 364 0.169 80 2 2198 767 0.176 70 3 1673 586 0.172 80 100 1 663 217 0.167 70 2 1011 319 0.169 70 3 874 276 0.169 70
Gambar Lampiran 8. Tampilan Hasil Hidden Nilai Akurasi Tertinggi dengan Learning Rate
a. TrainingHidden 10, LR 0,5
b. Validasi Hidden 10, LR 0,5
c. TrainingHidden 20, LR 0,5
d. Validasi Hidden 20, LR 0,5 Gambar Lampiran 8. (Lanjutan)
e. TrainingHidden 30, LR 0,5
f. Validasi Hidden 30, LR 0,5
Tabel Lampiran 4. Percobaan 2 Menentukan Learning Rate yang Optimal dengan
Hidden 30 (Hasil Percobaan 1)
ANN Training dan Validasi Jumlah node hidden Laju Pembelajaran Ulangan ke - Epoh Waktu Training (detik) Waktu Validasi (detik) Waktu Pendugaan (detik) Rata – rata Waktu Training Rata – rata Waktu Validasi Rata – rata Waktu Pendugaan Akurasi Validasi (%)
(detik) (detik) (detik) 30 0.3 1 666 73 0.167 9.15 80 2 610 68 0.166 9.25 80 3 599 67 0.167 9.22 69.33 0.167 9.21 70 30 0.5 1 588 65 0.166 9.03 90 2 564 62 0.165 9.16 80 3 524 58 0.163 9.12 61.67 0.165 9.10 70 30 0.8 1 507 56 0.163 9.00 90 2 483 53 0.162 8.87 80 3 401 45 0.162 8.50 51.33 0.162 8.79 70
Tabel Lampiran 5. Hasil Hidden dan Learning Rate Optimal
Jumlah node hidden Laju Pembelajaran Ulangan ke - Waktu Training (detik) Waktu Validasi (detik) Waktu Pendugaan (detik) Rata – rata Waktu Training (detik) Rata – rata Waktu Validasi (detik) Rata – rata Waktu Pendugaan (detik) Akur asi Validasi (%) Rata – rata Akurasi Validasi (%) 30 0,8 1 56 0.163 9.00 90 2 53 0.162 8.87 80 3 45 0.162 8.50 51.33 0.162 8.79 70 80
Tabel Lampiran 6. Hasil Hidden Optimal Percobaan 2 Menentukan Learning Rate
yang
Optimal dengan Hidden 30
a. LR 0,3 Ulangan ke 1
b. LR 0,3 Ulangan ke 2
c. LR 0,3 Ulangan ke 3
d. LR 0,5 Ulangan ke 1
e. LR 0,5 Ulangan ke 2
f. LR 0,5 Ulangan ke 3
g. LR 0,8 Ulangan ke 1
h. LR 0,8 Ulangan ke 2
i. LR 0,8 Ulangan ke 3
Gambar Lampiran 9. Foto Alat dan Bahan untuk Pengambilan Data
Gambar Lampiran 9. (Lanjutan)
Illuminancemeter
Gambar Lampiran 10. Posisi Objek Pengambilan Citra
Gambar Lampiran 10. (Lanjutan)
a. Objek Diletakkan Tegak Posisi Tangkai Diatas Brix-Refractometer pH meter
Gambar Lampiran 11. Sampel Penelitian dan Tempat Pengambilan Sampel
b. Jarak Objek Terhadap Lensa Kamera Digital
b. Melon Glamour Sesaat Setelah Dipetik a. Melon Glamour Sebelum Dipetik
Gambar Lampiran 11. (Lanjutan)
d. Melon Glamour Di tanam Didalam Green House
SISTEM EVALUASI MUTU
BUAH MELON TIPE BERJARING MENGGUNAKAN
JARINGAN SYARAF TIRUAN DENGAN LOGIKA FUZZY
SEBAGAI PRAPROSES
KRISNA PANDHANA
SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR
BOGOR 2006
SURAT PERNYATAAN
Dengan ini saya menyatakan tesis saya yang berjudul : Sistem Evaluasi Mutu Buah Melon Tipe Berjaring Menggunakan Jaringan Syaraf Tiruan dengan Logika Fuzzy Sebagai Praproses adalah benar merupakan hasil karya saya sendiri dan belum pernah dipublikasikan. Semua sumber data dan informasi yang digunakan telah dinyatakan secara jelas dan dapat diperiksa kebenarannya.
Bogor, Mei 2006
Krisna Pandhana NIM G651024204
ABSTRAK
KRISNA PANDHANA. Sistem Evaluasi Mutu Buah Melon Tipe Berjaring Menggunakan Jaringan Syaraf Tiruan dengan Logika Fuzzy Sebagai Praproses. Dibimbing Oleh Heru T Natalisa, Abdul Muin Adnan, Mohamad Solahudin.
Sistem evaluasi mutu buah melon pada penelitian ini menggunakan jaringan syaraf tiruan (JST), pengolahan citra dan logika fuzzy sebagai praproses. Tahap normalisasi data rasa untuk input JST dengan menggunakan Logika Fuzzy terdapat 66 sampel dari 80 sampel yang cocok dengan uji organoleptik. Pengambilan citra untuk pengolahan citra berdasarkan karakter buah melon jumlah input untuk JST ditentukan sebanyak 49 unit. Tahap pembelajaran, validasi dan pendugaan, digunakan arsitektur JST mutilayer neural network dengan 1 lapisan tesembunyi, algoritma propagasi balik.
Arsitektur JST yang optimal yaitu dengan menggunakan jumlah node hidden layer (lapisan tersembunyi) 30 dan learning rate (laju pembelajaran) 0.8. Hasil yang didapat adalah akurasi total 90% pada proses validasi yang terdiri dari akurasi pendugaan rasa manis sebesar 100%, rasa sedang sebesar 75% dan rasa tawar sebesar 100%.
ABSTRACT
KRISNA PANDHANA. Net Type Melon Fruit Grade Evaluation System with Artificial Neural Network and Fuzzy Logic Preprocess. Under Supervise Heru T Natalisa, Abdul Muin Adnan, Mohamad Solahudin.
This research utilize Artificial Neural Network (ANN), image processing and fuzzy logic as preprocess in evaluating melon fruit grade system. There are 66 samples out of 80 samples for ANN input with fuzzy logic in taste data normalization phase that suitable for organoleptic test. 49 unit image for image processing based on melon fruit characteristic were use for ANN input. Mutilayer neural netwo rk with 1 hidden layer and back propagation algorithm were use in ANN architecture for training, validation and prediction phases.
The optimal ANN architecture were use 30 hidden layer node with 0.8 learning rate. The result are 90% total accuratecy in validation process consist of 100% prediction accuratecy of sweetness, 75% medium taste and 100% sour taste.
SISTEM EVALUASI MUTU
BUAH MELON TIPE BERJARING MENGGUNAKAN
JARINGAN SYARAF TIRUAN DENGAN LOGIKA FUZZY
SEBAGAI PRAPROSES
KRISNA PANDHANA
Tesis
sebagai salah satu syarat untuk memperoleh gelar Magister Sains pada
Departemen Ilmu Komputer
SEKOLAH PASCASARJANA
INST ITUT PERTANIAN BOGOR
BOGOR
2006
Judul Tesis : Sistem Evaluasi Mutu Buah Melon Tipe Berjaring Menggunakan Jaringan Syaraf Tiruan dengan Logika Fuzzy Sebagai Praproses
Nama : Krisna Pandhana NIM : G651024204
Disetujui, Komisi Pembimbing,
Ir. Heru T Natalisa, M.Math. Ketua
Dr. Ir. Abdul Muin Adnan, M.S. Ir. Mohamad Solahudin, M.Si. Anggota Anggota
Diketahui,
Ketua Program Studi Ilmu Komputer Dekan Sekolah Pascasarjana
Dr. Sugi Guritman Prof. Dr. Ir. Syafrida Manuwoto, M.Sc.
RIWAYAT HIDUP
Penulis dilahirkan di kota Balikpapan, Kalimantan Timur pada tanggal 7 Januari 1978 sebagai anak ketiga dari tiga bersaudara pasangan Drs H. Rustam Syahrani dan Hj. Aida Lena. Penulis menempuh pendidikan di SDN Teladan I Kotabumi, Lampung Utara tahun 1984–1990, SMPN 4 Bogor, Jawa Barat tahun 1990–1993, dan SMAN 2 Bogor tahun 1993–1996. Penulis diterima di Institut Teknologi Indonesia Serpong, Fakultas Teknologi Industri, Jurusan Teknik Mesin pada tahun 1996 dan memperoleh gelar Sarjana Teknik (ST) pada tahun 2002.
Pada tahun 2003, penulis diterima sebagai mahasiswa Sekolah Pascasarjana Program Studi Ilmu Komputer Institut Pertanian Bogor. Tahun 2005 penulis menikah dengan Rieca Noorfitrah, Sst. Penulis melaksanakan penelitian dengan judul ”Sistem Evaluasi Mutu Buah Melon Tipe Berjaring Menggunakan Jaringan Syaraf Tiruan dengan Logika Fuzzy Sebagai Praproses” untuk penyusunan tesis sebagai tugas akhir guna memperoleh gelar Magister Sains.
KATA PENGANTAR
Puji syukur penulis panjatkan kepada Allah SWT atas berkat rahmat dan karunia-Nya, penulis dapat menyelesaikan tesis ini dengan baik.
Sebagai tindak lanjut selama penelit ian hingga terselesaikannya tesis ini penulis banyak menerima bimbingan, bantuan dan motivasi dari berbagai pihak, dan karenanya penulis mengucapkan terima kasih yang sebesar–besarnya kepada : 1. Ayahnda Drs. H. Rustam Syahrani dan Ibunda Hj. Aida Lena, kakak –
kakak (Deny Wardhana, ST. M.Si dan Riko Wandhana) di Samarinda Kalimantan Timur, atas segala bantuan baik moril maupun materil.
2. Istriku Rieca Noorfitrah, atas kesabaran, dukungan dan pengertiannya yang tulus.
3. Bapak Ir. Heru T Natalisa M.Math., atas segala arahan dan bimbingannya.
4. Bapak Dr. Ir. Abdul Muin Adnan MS, atas segala arahan dan bimbingannya.
5. Bapak Ir. Mohamad Solahudin M.Si., atas segala arahan, bimbingan dan motivasinya.
6. Bapak Ir. Prapto Tri Supriyo M.Komp . atas bantuan pencerahan dan pemikirannya.
7. Bapak Aziz Kustiyo S.Si. M.Kom. sebagai dosen penguji atas bantuan pencerahan dan pemikirannya.
8. Bapak Dr. Sugi Guritman selaku ketua program studi pascasarjana ilmu komputer
9. Seluruh Staf Laboratium Sistem dan Manajemen Mekanisasi Pertanian (SMMP), Jurusan Teknik Pertanian, Departemen Teknik Pertanian, Institut Pertanian Bogor.
10.Seluruh Staf Taman Buah Mekarsari Cileungsi Bogor, Divisi Tanaman Buah Melon Hibrida khususnya bapak Edwin (Staf Pendidikan) dan bapak Iwan (Staf Pembibitan) atas bantuan dan dukungannya.
11.Teman–teman di Sekolah Pascasarjana Ilmu Komputer FMIPA IPB yang memberi motivasi khususnya Hari Setiabudi Husni.
12.Teman–teman di Fakultas Teknik Pertanian Jurusan Teknik Pertanian khususnya Egis Tubagus Purnama dan Gumilang atas segala bantuannya. 13.Semua pihak yang tidak dapat disebutkan satu per satu.
Harapan penulis semoga tesis ini dapat memberikan manfaat.
Bogor, Mei 2006
DAFTAR ISI
Halaman KATA PENGANTAR ... i DAFTAR ISI... iii DAFTAR TABEL... v DAFTAR GAMBAR ... vii BAB I PENDAHULUAN ... 1
I.1 Latar Belakang... 1 I.2 Formulasi Permasalahan... 2 I.3 Batasan Masalah ... 3 I.4 Tujuan Penelitian... 4 I.4 Manfaat Penelitian ... 4 BAB II TINJAUAN PUSTAKA... 5 II.1 Konsep Sortasi dan Gradasi Buah Melon. ... 5 II.2 Pengolahan Citra... 7 II.2.1 Konsep Dasar Citra ... 10 II.2.2 Pengolahan Warna... 11 II.3 Logika Fuzzy ... 13 II.3.1 Fuzzifikasi... 17 II.3.2 Evaluasi Aturan ... 18 II.3.3 Defuzzifikasi... 18 II.3.4 Penyusunan Logika Fuzzy ... 19 II.3.4.1 Fuzzifikasi... 20 II.3.4.2 Aplikasi Fungsi Implikasi (Aturan) ... 22 II.3.4.3 Komposisi Aturan (Agregasi) ... 23 II.3.4.4 Penegasan (defuzzifikasi)... 23 II.4. Jaringan Syaraf Tiruan (JST)... 24
BAB III METODOLOGI PENELITIAN... 29 III.1 Pengumpulan Data... 30 III.2 Tempat dan Waktu Penelitian ... 30 III.3 Bahan d an Alat... 30 III.3.1 Bahan ... 30 III.3.2 Alat Pengambilan Citra dan Tahapannya ... 31 III.3.3 Alat Uji brix dan pH... 32 III.4 Tahapan Pengambilan Citra dan Pengambilan Data Rasa... 33 III.4.1 Tahapan Pengambilan Citra ... 33 III.4.2 Tahapan Pengambilan Data Rasa... 34 III.4.3 Rancang Bangun Program Logika Fuzzy ... 34
Halaman
III.5 Pengolahan Citra ... 35 III.5.1 Penentuan Luas Obyek ... 35 III.5.2 Penentuan Keliling Obyek ... 35 III.5.3 Penentuan Jarak Jaring ke Pangkal Buah. ... 35 III.5.4 Penentuan Roundness (Kebulatan) ... 36 III.5.5 Analisis Parameter Melon Berdasarkan Kombinasi Umur
dan cabang ... 37 III.6 Metode Fuzzy untuk Penggolongan Tingkat Kemanisan Melon... 37 III.6.1 Pembentukan Gugus Fuzzy ... 38 III.6.2 Aplikasi Fungsi Implikasi (aturan)... 39 III.6.3 Komposisi A turan... 40 III.6.4 Penegasan (defuzzifikasi) ... 41 III.7 Penyusunan Jaringan Syaraf Tiruan ... 43 III.7.1 Validasi Jaringan Syaraf Tiruan ... 45 III.7.2 Percobaan untuk Menganalisa Akurasi dan Waktu ... 45 BAB IV HASIL DAN PEMBAHASAN ... 47 IV.1 Normalisasi Data Tingkat Kemanisan (rasa) ... 47 IV.2 Analisis Nilai Karakteristik Melon Berdasarkan Rasa Hasil dari
Pengolahan Citra ... 49 IV.3 Analisis Nilai Karakteristik Melon Berdasarkan Umur Hasil dari
Pengolahan Citra. ... 50 IV.4 Analisis Nilai Karakteristik Melon Berdasarkan Cabang Hasil dari
Pengolahan Citra ... 50 IV.5 Analisis Akurasi dan Waktu pada Proses Training dan Validasi JST... 51 IV.5.1 Percobaan 1 (jumlah node lapisan tersembunyi)... 51 IV.5.2 Percobaan 2 (laju pembelajaran) ... 52 BAB V KESIMPULAN DAN SARAN... 55 V.1 Kesimpulan ... 55 V.2 Saran ... 56 DAFTAR PUSAKA... 57 LAMPIRAN ... 59
DAFTAR TABEL
No Teks Halaman 1. Data tingkat kemanisan yang berbeda dari tiap -tiap varietas...6 2 . Tingkat kemanisan berdasarkan umur buah dan cabang...6 3. Model warna...12 4. Jumlah sampel buah melon yang diambil berdasarkan kombinasi cabang dan umur...31 5. Spesifikasi alat pengambilan dan pengolahan citra...31 6. Spesifikasi alat uji brix dan Ph...32 7. Kondisi pengaturan peralatan pengambilan citra...33 8. Jumlah sampel berdasarkan umur...37 9. Jumlah sampel berdasarkan cabang...37 10. Batasan nilai brix/pH untuk penggolongan tingkat kemanisan melon...41 11. Struktur JST...43 12. Jumlah input JST...44 13. Tingkat akurasi berdasarkan pada batasan nilai fuzzifikasi...47 14. Batasan nilai fuzzifikasi terbaik...47 15. Batasan nilai brix/pH untuk penggolongan tingkat kemanisan melon...48 16. Karakteristik berdasarkan rasa yang memiliki korelasi...49 17. Karakteristik berdasarkan rasa yang tidak memiliki korelasi...49 18. Karakteristik berdasarkan umur yang memiliki korelasi...50 19. Karakteristik berdasarkan umur yang tidak memiliki korelasi...50 20. Karakteristik berdasarkan cabang yang memiliki korelasi...50 21. Karakteristik berdasarkan cabang yang tidak memiliki korelasi...51
No Lampiran Halaman 1. 80 sampel yang digunakan untuk fuzzy sebelum normalisasi…...59 2 . 80 sampel yang digunakan untuk JST sesudah normalisasi dengan fuzzy...61 3. Percobaan 1 menentukan node hidden dengan learning rate 0.5...77 4. Percobaan 2 menentukan learning rate yang optimal dengan hidden 30 (hasil p ercobaan 1)...82 5. Hasil hidden dan learning rate optimal………...82 6. Hasil hidden optimal percobaan 2 menentukan learning rate yang optimal dengan hidden 30...82
DAFTAR GAMBAR
No Teks Halaman 1. Sistem terdepan dari pengolahan citra ... 8 2. Perangkat keras pengolah citra... 8 3. Koordinat RGB ... 10 4. Gugus klasik ... 15 5. Gugus fuzzy ... 15 6. Skema sistem fuzzy dari input ke output... 19 7. Skema sistem inferensi fuzzy ... 20 8. Derajat keanggotaan untuk nilai brix ... 20 9. Derajat keanggotaan untuk nilai pH... 20 10. Penentuan derajat k eanggotaan ... 21 11. Skema defuzzifikasi... 21 12. Model multilayer neural network... 25 13. Kerangka konseptual rancang bangun sistem evaluasi mutu melon berdasarkan rasa ... 29 14. Ruang pengambilan citra buah melon... 32 15. Daerah ‘bahu’ pada parameter input skema batas fuzzifikasi parameter
nilai pH... 38 16. Skema batas fuzzifikasi parameter nilai brix ... 39 17. Skema batas fuzzifikasi parameter nilai pH... 39 18. Skema defuzzifikasi... 41 19. Struktur model JST dengan xn unit node pada input layer dan yn unit
node pada output layer ... 44 20. Batas fuzzifikasi nilai brix ... 48 21. Batas fuzzifikasi nilai pH ... 48 22. Batas defuzzifikasi ... 48 23. Grafik perbandingan akurasi terhadap jumlah node hidden... 52 24. Grafik perbandingan akurasi terhadap learning rate... 53 25. Grafik perbandingan epoh terhadap learning rate ... 53
No Teks Halaman
26. Grafik perbandingan waktu training terhadap learning rate... 53 27. Grafik perbandingan waktu validasi terhadap learning rate... 54
Lampiran
1. Form tampilan input_fuzzy... 63 2. Form tampilan hasil (run) form input_fuzzy ... 64 3. Sampel buah melon kombinasi umur buah dan cabang ... 65 4. Sampel buah melon berdasarkan tingkatan rasa ... 67 5. Tampilan program training pengolahan citra buah melon... 68 6. Tampilan program validasi pengolahan citra buah melon ... 72 7. Tampilan Program JST ... 76 8. Tampilan hasil hidden nilai akurasi tertinggi dengan learning rate 0.5 ... 79 9. Foto alat dan bahan untuk pengambilan data... 85 10. Posisi objek pengambilan citra... 86 11. Sampel penelitian dan tempat pengambilan sampel ... 87
BAB I PENDAHULUAN
1.1 Latar Belakang
Mutu buah melon ditentukan oleh banyak faktor, antara lain yaitu varietas, perawatan tanaman di lapangan, tingkat kematangan buah, letak buah pada ketinggian cabang dan aroma. Kesulitan dalam penentuan tingkat (gradasi) mutu buah melon banyak ditemui oleh sejumlah kalangan, baik kalangan konsumen maupun kalangan pedagang, karena faktor tingkat kesalahan dalam menentukan mutu buah tersebut cukup tinggi. Hambatan yang dialami dalam penentuan mutu buah melon adalah banyaknya ciri yang menjadi tolok ukur. Beberapa ciri penting dalam penentuan gradasi mutu buah melon tipe berjaring adalah pola jaring (ketebalan, kerapatan dan kedekatan jaring dengan tangkai buah), warna kulit, kebulatan (roundness) dan luas (ukuran).
Dalam gradasi mutu buah melon secara manual berdasarkan ciri-ciri tersebut, hasilnya akan sangat dipengaruhi oleh tingkat kepekaan (sensitivitas) para penilai mutu buah tersebut. Karena tingkat sensitivitas para penilai tersebut mungkin sangat bervariasi maka biasanya hasil gradasi buah tersebut kurang akurat. Ketidakakuratan hasil gradasi ini akan sangat merugikan konsumen.
Dalam usaha mengantisipasi ketidakakuratan hasil gradasi buah melon dengan cara manual, maka perlu dicari suatu sistem atau metode yang dapat melakukan gradasi yang lebih akurat dan cepat. Salah satunya yang dipilih dalam penelitian adalah dengan menggunakan jaringan syaraf tiruan (JST) dengan logika fuzzy sebagai praprosesnya.
1.2 Formula si Permasalahan
Dalam gradasi mutu buah dengan menggunakan cara manual melalui panca indera seperti diraba kekasaran jaringnya, dirasakan keharuman aromanya, atau dilihat dengan mata telanjang akan mendapatkan hasil yang tidak konsisten karena adanya unsur kelelahan dan adanya perbedaan sensitivitas penilai terhadap karakter buah yang dinilai. Untuk itu perlu dicari suatu sistem gradasi mutu buah yang mempunyai tingkat akurasi yang tinggi dan cepat. Salah satu alternatif yaitu menggunakan program-program komputerisasi.
Sistem evaluasi mutu buah melon yang berbasis komputer diharapkan dapat menjadi suatu alternatif untuk mendapatkan hasil evaluasi yang lebih akurat dibandingkan sistem manual. Sistem evaluasi yang dipilih dalam penelitian ini adalah menggunakan jaringan syaraf tiruan dengan logika fuzzy sebagai