Swingle) DENGAN PENGOLAHAN CITRA DIGITAL DAN
3. METODOLOGI PENELITIAN 1 Bahan dan Alat Penelitian
Bahan penelitian yang digunakan adalah jeruk nipis segar dengan berbagai tingkat mutu (A, B, C dan D) masing-masing 50 buah sampel.
Peralatan yang digunakan untuk pengolahan citra adalah kamera charge Coupled device (CCD- OC-05 D (Digital video camera)), 4 buah lampu (5 W / 220 V / 50 Hz.), kertas karton putih dan perangkat lunak dalam bahasa MS. VB. 6.0 under windows ME. Peralatan untuk pengolahan konvensional adalah Timbangan digital (METTLER PM-48000), Rheome-ter model CR-30, refraktometer digital (Atago model PR-201 (0- 60%)), jangka sorong (caliper), penggaris dan penggaris busur.
3.2. Prosedur Penelitian
Jeruk nipis segar dengan berbagai mutu, terlebih dahulu dibersihkan dari noda/kotoran yang melekat permukaan kulit buah. Adapun prosedur penelitian adalah sebagai berikut :
a. Jeruk nipis di atas kain hitam dan putih sebagai latar belakang dan terfokus oleh kamera CCD dengan jarak 18.2 cm. Sedangkan lampu pijar yang ditutupi dengan kertas karton diletakkan pada ketinggian 35.5 cm di atas buah jeruk nipis dengan sudut pencahayaan 350 .
b. Citra jeruk nipis direkam dengan ukuran: 256 x 192 piksel dan tingkat intensitas cahaya RGB: 256
c. Citra jeruk nipis direkam dalam file bereks- tensi bmp dengan 145 KB.
d. Binerisasi citra jeruk nipis untuk memisahkan latar belakang dan objek, sebagaimana pada Gambar 3.
e. Proses thresholding yang akan didapat hasil pengolahan citra digital, yaitu: nilai luas proyeksi, indeks warna merah (r), hijau (g), biru (b), energi, entropy, kontras dan homogenitas, sebagaimana pada Gambar 4.
f. Setelah data hasil pengolahan citra didapat, maka data tersebut digunakan sebagai masukan JST untuk dapat menentukan mutu jeruk nipis, sebagaimana pada Tabel 1. Adapun model yang digunakan sebagai-mana pada Gambar 5.a. dan 5.b.
Gambar 3. Proses bine- Risasi citra jeruk nipis.
Gambar 4. Proses thresholding LP r g b eg et kt hm O1 O2 O3 O4
Gambar 5.a. Model 1 JST mutu.
LP r g b kt hm O1 O2 O3 O4
g. Pelatihan JST pada dua model tersebut menggunakan algoritma backpropaga-tion, dimana sebelum melakukan pelatihan terlebih dahulu menentukan nilai laju konstanta momentum dan fungsi aktivasi. Adapun dalam percoba-an ini nilai konstanta yang digunakan adalah parameter nilai laju pembelajaran (α) = 0.8, parameter nilai konstanta mo-mentum (β) = 0.8 dan parameter nilai fungsi aktivasi = 1. Jumlah pengulangan sebanyak 3000 kali, sebagaimana terli-hat pada Gambar 6.
h. Dari pelatihan tersebut menghasilkan nilai pembobot, dengan menggunakan nilai pembobot dan set data validasi dapat dilakukan proses validasi yang menghasilkan set data prediksi dan error. Proses validasi terlihat pada Gambar 7.
i. Validasi dengan membandingkan hasil penentuan tingkat mutu JST dengan tingkat mutu sebenarnya untuk mendapatkan nilai akurasinya, hal ini dapat menggunakan persamaan 17.
%
100
(%)=
×
T
Y
Val
... (17)4. HASIL DAN PEMBAHASAN
4.1. Evaluasi Tingkat Kematangan Jeruk Nipis Dengan Metode Pengolahan Citra Digital
Dalam pengolahan data sistem warna RGB, Indeks warna merah dapat membe-dakan umur petik 120 hari pada ambang batas atas 0.372 dengan umur petik 140 hari dan umur petik 140 hari pada ambang batas atas 0.412 dengan umur petik 160 hari, akan tetapi indeks warna merah tidak dapat membedakan umur petik 160 hari dengan umur petik 180. Hal ini sebagaimana pada Gambar 8.
Indeks warna hijau dapat membeda-kan umur petik 140 hari pada ambang batas bawah 0.392 dengan umur petik 160 hari dan umur petik 160 hari pada ambang batas bawah 0.377 dengan umur petik 180 hari, akan tetapi indeks warna hijau tidak dapat membedakan umur petik 120 hari dengan umur petik 140 hari dan umur petik 160 hari. Gambar 9 memperlihatkan sebaran nilai indeks warna hijaudengan umur petik SBM.
Indeks warna biru dapat membedakan umur petik 120 hari pada ambang batas bawah 0.215 dengan umur petik 160 dan umur petik 180 hari, akan tetapi indeks warna biru tidak dapat membedakan umur petik 120 hari dengan umur petik 140 hari. Gambar 10 memperlihatkan sebaran nilai indeks warna biru dengan umur petik SBM.
Dalam pengolahan data tekstur, dapat diketahui dari perbedaan ambang batas atas dan ambang batas bawah pada fitur kontras dan fitur homogenitas tiap umur umur petik. Fitur kontras dapat membedakan umur petik 180 hari pada
Gambar 8. Sebaran nilai indeks warna merah dengan umur petik SBM
0.30 0.35 0.40 0.45 0.50 100 120 140 160 180 200 Umur Petik SBM (hr) In d e k s W a rn a M e ra h
Gambar 10. Sebaran nilai indeks biru dengan umur petik SBM
0.15 0.18 0.21 0.24 0.27 0.30 100 120 140 160 180 200 Umur Petik SBM (hr) In d e k s W a rn a B ir u
Gambar 9. Sebaran nilai indeks warna hijau dengan umur petik SBM
0.33 0.36 0.39 0.42 0.45 100 120 140 160 180 200 Umur Petik SBM (hr) In d e k s W a rn a H ij a u Gambar 6. Pelatihan JST mutu jeruk nipis
Gambar 7. Validasi JST mutu jeruk nipis
Tabel 1.Tabel output JST mutu jeruk nipis
MUTU O1 O2 O3 O4 KETERANGAN A 1 0 0 0 10 – 15 bh/kg (awal tua/tua) B 0 1 0 0 16 – 20 bh/kg (awal tua/tua) C 0 0 1 0 10 – 15 bh/kg (matang/lewat matang) D 0 0 0 1 16 – 20 bh/kg (matang/lewat matang)
ambang bawah 0.667 dengan 120 hari dan 140 hari, akan tetapi data kontras antara umur petik 120 hari dan 140 hari dengan 160 hari tidak menunjukkan perbedaan yang signifikan. Gambar 11 memperlihatkan sebaran nilai kontras dengan umur petik SBM.
Fitur homogenitas dapat membedakan umur petik 180 hari pada ambang atas 0.762 dengan 120 hari dan 140 hari, akan tetapi data homogenitas antara umur petik 120 hari dan 140 hari dengan 160 hari tidak menunjukkan perbedaan yang signifikan. Gambar 12 memperlihatkan sebaran nilai homogenitas dengan umur petik SBM.
4.2. Pelatihan dan Validasi Jaringan Syaraf Tiruan
Nilai laju pembelajaran (α) = 0.8, konstanta momentum (β) = 0.8, nilai fungsi aktivasi = 1 dan jumlah iterasi =3000 dengan jumlah lapisan tersembunyi 6, 9, 12 dan 15.
Kinerja jaringan terletak pada RMSE, semakin rendah nilai RMSE yang dihasilkan pada pelatihan, maka semakin baik kinerja jaringan. Hasil pelatihan JST pada mutu model 1 dipilih, dengan spesifikasi model: 8 parameter input, 15 lapisan tersembunyi dan 4 keluaran karena terendah nilai errornya dan paling tepat dalam menentukan mutu. Adapun keterkaitan antara lapisan tersembunyi dengan error sebagaimana ter-lihat pada Gambar 13.
Tabel 2 mengindikasikan hasil validasi mutu dengan jumlah hidden 6, 9, 12 dan 15. Setelah diverifikasi hasil model 1 dengan persamaan 17 dapat tepat memprediksi 95.83 % dari keluaran yang telah ditetapkan sebelumnya.
Tabel 2. Validasi model 1 tingkat mutu pada berbagai simpul dalam
Akurasi Model Tiap Lapisan Dalam (%) Klasifikasi 6 9 12 15 A (1000) 100 100 100 100 B (0100) 88.89 88.89 83.33 94.44 C (0010) 40.00 40.00 40.00 80.00 D (0001) 100 100 100 100 TOTAL 89.58 89.58 87.50 95.83 5. KESIMPULAN
1) Indeks warna merah dapat membedakan umur petik 120 hari dengan 140 hari dan umur petik 140 hari dengan umur petik 160 hari, indeks warna hijau dapat membedakan umur petik 140 hari dengan 160 hari dan umur petik 160 hari dengan umur petik 180 hari, indeks warna biru dapat membedakan umur petik 120 hari dengan 160 dan 180 hari.
2) Dalam pengolahan data tekstur yang dapat digunakan adalah fitur kontras dan homogenitas, Fitur kontras dapat membedakan umur petik 180 hari dengan 120 dan 140 hari, Fitur homogenitas dapat membedakan umur petik 180 hari dengan 120 hari dan 140 hari.
3) Keakuratan model JST yang paling ideal adalah menggunakan parameter hasil pengolahan citra sebagai data masukan tingkat mutu (r, g, b, energi, entropi, kontras, homogenitas dan luas proyeksi) dapat menentukan mutu buah jeruk nipis dengan tingkat keakuratan 95.83 %.
Gambar 12. Sebaran homogenitas dengan umur petik SBM.
0.3 0.6 0.8 1.1 100 120 140 160 180 200 Umur Petik SBM (hr) H o mo g e n it a s
Gambar 11. Sebaran nilai kontras dengan umur petik SBM.
0.0 0.5 1.0 1.5 2.0 2.5 3.0 100 120 140 160 180 200 Umur Petik SBM (hr) K o n tra s
Gambar 13. Grafiks RMSE tingkat mutu model 1 dengan sejumlah hidden pada iterasi 3000
0.0165 0.0170 0.0175 0.0180 0.0185 6 9 12 15 HIDDEN R MSE
DAFTAR PUSTAKA
[1] Ashari, S., Hortikultura Aspek Budidaya, Universitas Indonesia. Jakarta, 1995.
[2] Fausett, L., Fundamentals Of Neural Network Architectures : Algorithm and Applications, Prentice-Hall, Inc., 1994.
[3] Hagan, Martin T., Neural Network Design. PWS Publishing Company, Inc., USA., 1995. [4] Hamdani, Y., Pengembangan Algo-ritma
Image Processing Untuk Menentukan dan Warna Buah Manggis. (Cucumis sativus L.), Thesis, Fateta., IPB., Bogor, 1998.
[5] Haralick, RM., K. Shanmugam and Itshak Dinstein, Textural Features For Image Classification, IEEE Transac-tion On System, Man and Cybernetics. 3(6): 610 – 621, 1973.
[6] Hendro Sunarjono, Pengenalan Jenis Tanaman Buah-buahan Dan Bercocok Tanam Buah-buahan Penting di Indonesia, Sinar Baru, Bandung, 1981.
[7] Khres, Penentuan Tingkat Ketuaan dan Kematangan Sawo Dengan Jaringan Syaraf Tiruan Dari Spektrum Infra Merah, Thesis, Fateta., IPB., Bogor, 2002.
[8] Nagy, S., P.E. Shaw dan M.K. Veldhuis.. Citrus Science and Techgnology. Volume 1. The AVI Publishing Company Inc. Westport Connecticut. 1997.
[9] Nata Widjaja, P.S.. Mengenal Buah-Buahan Yang Bergizi. Penerbit Pustaka Dian. Jakarta. 1993.
[10] Rukmana, R., Jeruk Nipis, Penebar Swadaya, Jakarta, 1996.
[11] Rumelhart (Bishop, CM.), Neural Networks For Pattern Recognition. Clarendan Press, Oxford., NY., 1995.
[12] Sarwono, B., Khasiat & Manfaat Jeruk Nipis, PT. Agro Media Pustaka, Jakarta, 2001. [13] Stephens, Rod, Visual Basic Graphics
Programming : Hands-On Application And Advanced Color Development. Wiley Computer Publishing, Inc., Canada, 2000. [14] Subiyanto, Pemakaian Jaringan Sya-raf
Tiruan Perambatan Balik Sebagai Cara Lain Prakiraan Beban Jangka Pendek Di Jawa Tengah D.I.Y., Tugas Akhir Teknik Elektro Fakultas Teknik UNDIP., Semarang, 1998. [15] Suryadi.. Dasar Pengolahan Citra . Seri
Diktat Kuliah. STI&K-STMIK Jakarta. Jakarta, 1994.
[16] Webber, The Citrus Industry, Vol. 1., University California Press, 1943.
Riwayat Hidup
Zainul Arham, S.Kom., M.Si. Tempat Tgl Lahir: Jombang, 30 Juli 1974
Menamatkan pendidikan di IPB Prog Studi Ilmu Keteknikan Pertanian, konsentrasi Tek. Agrosistem & Informatika pada tahun 2003.
Saat ini bekerja sebagai staf pengajar pada Universitas Islam Negeri Jakarta dan Konsultan Telematika Barusaka.