Identifikasi Kematangan Buah Jambu Biji Merah dengan Teknik Jaringan Syaraf Tiruan Metode Backpropagation

(1)

(2)

Lampiran 2. Diagram Alir JST pada Identifikasi Buah Jambu Biji Merah `

Feed back system Saat pelatihan

(3)

52

DAFTAR PUSTAKA

Ahmad, U., 2005. Pengolahan Citra Digital dan Teknik Pemogramannya Edisi Pertama Cetakan Pertama. Graha Ilmu, Yogyakarta.

Agian, D. G., 2014. Identifikasi Kematangan Buah Manggis dengan Teknik Jaringan Syaraf Tiruan. Universitas Sumatera Utara. Medan.

Andri, Paulus, N. P. Wong, dan T. Gunawan. 2014, Segmentasi Buah Menggunakan Metode K-Means Clustering dan Identifikasi Kematangannya Menggunakan Metode Perbandingan Kadar Warna. http://mikroskil.ac.id [15 Desember 2015]

Badan Pusat Statistik, 2012. Hortikultura. http://www.bps.go.id [13 Maret 2016] Deswari, D., Hendrick, Derisma, 2013. Identifikasi Kematangan Buah Tomat

Menggunakan Metoda Backpropagation. Universitas Andalas. Padang. Lestari, D. S., 2015. Tips Memilih Buah Jambu Biji Berkualitas Bagus.

http://www.okezone.com [26 Februari 2016]

Maru’ao, D. O., 2010. Neural Network Implementation in Foreign Exchange Kurs Prediction. http://www.gunadarma.ac.id [24 Februari 2016]

Mulato, F. Y., 2015, Klasifikasi Kematangan Buah Jambu Biji Merah (Psidium Guajava) dengan Menggunakan Model Fuzzy. Universitas Negeri Yogyakarta. Yogyakarta.

Mundaryati, Tri., Y. Setyaningsih, dan Budiyomo, 2015. Pengaruh Intensitas Penerangan Terhadap Kecepatan Waktu Reaksi Melihat Rangsang Cahaya. http://digilib.unimus.ac.id [22 Juli 2016]

Orwa, C., Mutua, R. Kindt, R. Jamnadass, dan Simons, 2009. Agroforestory Database: Psidium Guajava. http://www.worldagroforestry.org [15 Desember 2015]

Pandjaitan, L. W., 2007. Dasar-dasar Komputasi Cerdas. Penerbut Andi, Yogyakarta

Sigit, R., A. Basuki, N. Ramadijanti, dan D. Pramadika, 2005. Step by step Pengolahan Citra Digital. Penerbit Andi, Yogyakarta.

(4)

Sitorus, S., Suyanto, Sawaluddin, S. Harahap, dan J. Hutagalung, 2006. Buku Ajar Pengolahan Citra Digital. Universitas Sumatera Utara, Medan.

USDA, 2003. Classification for Kingdom Plantae Down to Genus Psidium L. http://plants.usda.gov [13 Maret 2016]

Wahyuni, N. T., B. Widya, A. Lestari, 2009. Uji Fisik Buah Jambu Biji Merah Pada Suhu Kamar yang Diradiasi dengan Sinar Gamma. Institut Pertanian Bogor. Bogor.

Warman, K., L. A. Harahap, dan A. P. Munir, 2014. Identifikasi Kematangan Buah Jeruk dengan Teknik Jaringan Syaraf Tiruan. Universitas Sumatera Utara. Medan.

Yani, E., 2005. Pengantar Jaringan Syaraf Tiruan. http://www.materikuliah.com [15 Desember 2015]

(5)

21 Tempat dan Waktu Penelitian

Penelitian ini telah dilaksanakan di Laboratorium Keteknikan Pertanian Program Studi Keteknikan Pertanian, Fakultas Pertanian Universitas Sumatera Utara pada bulan Maret 2016 sampai dengan Agusuts 2016.

Bahan dan Alat Bahan

Bahan yang digunakan dalam penelitian ini adalah data gambar buah jambu biji merah yang akan digunakan pada proses pembelajaran sistem dan pengujian system, kertas kalkir yang dibentuk kubus digunakan sebagai latar belakang pengambilan data, lampu LED Ce ROHS ip67 3 5050 ukuran 12V sebanyak 12 unit yang digunakan sebagai media penerangan pengambilan data, kabel listrik sepanjang 5 meter untuk menyambungkan arus listrik, serta adaptor AC/DC WX-186 dengan input 100-240VAC 50/60 Hz output 12VDC 1A yang digunakan sebagai media sumber listrik untuk menyalakan lampu sebagai penerangan difusser

Alat

(6)

membangun program aplikasi JST, Microsoft SQL Management Studio Express 2005 untuk membangun manajemen database, GNU Image Manupulation Program 2 untuk membuat desain ikon dan latar belakang aplikasi, Bandicam untuk membuat video tutorial aplikasi, dan Windows Movie Maker untuk melakukan proses editing pada video tutorial aplikasi

Metode Penelitian

Penelitian ini merupakan rancang bangun sebuah sistem informasi yang mampu mengidentifikasi kematangan buah jambu biji merah berdasarkan warna dengan JST metode backpropagation Neural Network.

Backpropagation Neural Network merupakan model JST dengan lapisan jamak yang melatih jaringan untuk mendapatkan keseimbangan antara kemampuan jaringan untuk mengenali pola yang digunakan selama pelatihan serta kemampuan jaringan untuk memberikan respon yang benar terhadap pola masukan yang serupa tapi tidak sama dengan pola yang dipakai selama pelatihan.

Tahapan Penelitian

Proses berikut merupakan tahapan yang dilakukan untuk membangun sistem berbasiskan Neural Network:

- Pengumpulan data dan pemrosesan data awal - Pembentukan jaringan serta proses pembelajaran - Proses pengujian serta proses validasi jaringan.

(7)

- Pengumpulan data berupa gambar jambu biji merah dengan jarak dari objek ke kamera dan latar yang sama serta kondisi ruangan yang sama - Ekstrasi citra, dimana sebuah cara menampilkan presepsi warna atau

kuantifikasi sesuai parameter yang dibutuhkan yaitu RGB (red, green dan blue)

- Perancangan struktur jaringan yaitu penentuan jumlah lapisan masukan, lapisan tersembunyi dengan menggunakan Persamaan (1) dan turunannya, serta jumlah lapisan keluaran yang akan digunakan dalam jaringan dengan menggunakan Persamaan (3) dan turunannya

- Menginisialisasi bobot dengan menggunakan Persamaan (7) dan turunannya, indeks bias dan nilai dari tiap-tiap parameter

- Proses pembelajaran, dimana melatih sistem dalam bekerja sebanyak data yang telah ditentukan.

- Proses pengujian, dimana pembuktian bahwa sistem telah dibangun secara layak ditinjau dari segi mekanis.

(8)

24

Jambu biji merah merupakan salah satu buah yang memiliki kondisi umur fisik yang relatif singkat, dalam melakukan penjualan tentu saja tingkat kematangan dari suatu buah sangat mempengaruhi harga jual. Sebelum melakukan penjualan buah, yang pertama dilakukan adalah melakukan kegiatan sortasi buah baik dalam bentuk, ukuran, kelunakan, serta warna dari suatu buah. Dalam kegiatan sortasi dilakukan penggolongan mutu sehingga diperoleh nilai tambah karena dapat dijual sesuai dengan tingkat kelas mutu masing-masing. Salah satu kegiatan penggolongan mutu yang paling umum dilakukan adalah penggolongan berdasarkan warna dari buah karena bersifat non-destruktif.

Umumnya kegiatan sortasi yang biasa dilakukan oleh petani, pengumpul, ataupun pedagang sebelum dijual di pasar.dilakukan secara manual. Kegiatan tersebut dilakukan dengan cara memilih buah dengan menggunakan panca indra manusia yang dimana panca indra tersebut memiliki kemampuan dan pendapat yang berbeda-beda setiap orang. Sehingga kegiatan tersebut memiliki keakuratan yang tidak maksimal. Hal tersebut biasanya terjadi pada saat kegiatan sortasi dalam jumlah besar.

(9)

melakukan perancangan sistem identifikasi kematangan buah yang sistem kerjanya dapat dilakukan secara otomatis. Tentu saja hal ini sangat membantu petani dalam melakukan sortasi tingkat kematangan yang dimana identifikasi kematangan secara manual dalam jumlah besar dapat memakan waktu lama, tidak konsisten, dan sangat bergantung pada kondisi operator yang melakukan tindakan identifikasi. Proses identifikasi dengan menggunakan pengolahan sistem berupa citra digital (image processing) yang dapat menghasilkan data kemudian dilakukan pembelajaran dengan sistem jaringan syaraf tiruan (artifical neural network) sehingga dapat menentukan tingkat kematangan buah jambu biji merah

Pemanfaatan Aplikasi Identifikasi kematangan buah jambu biji merah untuk menglasifikasikan tingkat kematangan merupakan solusi yang tepat dalam menyelesaikan permasalahan tersebut.

Perancangan Sistem

(10)

Perancangan Fisik Latar Buah

Dalam penelitian ini digunakan kotak tertutup sebagai sarana pengambilan gambar buah jambu biji merah. Penggunaan kotak ini berfungsi sebagai media pengambilan gambar, dimana dalam kotak tersebut dibangun sebuah diffuser yang terbuat dari kertas kalkir. Difusser adalah media untuk memberikan penerangan merata pada objek gambar. Hal ini sesuai dengan pernyataan Mundaryati, et. al. (2015) yang menyatakan bahwa difusi cahaya (pembauran cahaya) akan memberi penerangan lembut merata pada obyek dan sekitarnya sehingga mengurangi detil dan kesan tiga dimensional obyek karena ketiadaan bayangan. Dengan adanya difusser tersebut, cahaya dapat lebih konstan yang dimana cahaya dapat sangat mempengaruhi nilai RGB yang akan menjadi dasar pelatihan program sehingga mempengaruhi hasil penelitian. Difusser dibangun dengan menggunakan bahan kertas kalkir yang dibentuk menyerupai kubus berukuran 35x35 cm. ukuran tersebut dipilih dikarenakan ukuran sampel penelitian buah jambu biji merah memiliki ukuran diameter rata-rata 7,2 cm.

Pre-proses

(11)

Microsoft Visual Studio 2015 dengan menggunakan bahasa pemograman basic. Kemudian dibentuk aplikasi dengan menggunakan fungsi jaringan syaraf tiruan metode backpropagation yang dimana ditentukan nilai n dan penentuan iterasi perhitungannya yakni sekitar 50000 kali perulangan. Besar nilai iterasi mempengaruhi proses pelatihan dalam aplikasi ini, dengan nilai iterasi yang tinggi, mempengaruhi waktu proses pelatihan yang lebih lama namun lebih akurat pada saat melakukan pengujian.

Proses Pelatihan

Proses pelatihan dilakukan agar dapat melatih jaringan yang akan dapat mengidentifikasi kematangan buah jambu biji merah baik dalam pelatihan ataupun yang tidak dilatihkan dengan menggunakan jaringan saraf tiruan propagasi balik. Hal tersebut sesusai dengan pernyataan Deswari, et. al. (2013) yang menyatakan bahwa proses pelatihan berguna untuk melatih sistem dengan memasukkan data-data masukan ke dalam sistem Neural Network kemudian data tersebut diolah dengan menggunakan metode backpropagation. Hal tersebut bertujuan untuk mendapatkan keseimbangan antara kemampuan tanggapan yang benar terhadap masukan yang dipakai untuk pelatihan jaringan (penyediaan database) dan kemampuan memberikan tanggapan yang benar untuk masukan data yang sejenis namun tidak identik dengan data gambar yang dipakai pada pelatihan.

(12)

kedua adalah tahap mundur, jika hasil keluaran tidak sesuai dengan target maka dilakukan propagasi balik untuk mendapatkan nilai error yang ada di lapisan keluaran dan lapisan tersembunyi. Tahap yang ketiga adalah memperbaharui nilai bobot yang ada dilapisan tersembunyi dan lapisan masukan untuk menentukan error yang terjadi. Setelah itu dilakukan lagi umpan maju dan propagasi balik jika nilai keluarannya tidak sesuai dengan nilai yang ditargetkan. Proses ini dilakukan secara berulang kali sampai mendapatkan batasan error yang ditentukan dari jaringan.

Berikut perhitungan pembelajaran dengan metode backpropagation terhadap data training tersebut:

a) Gambar buah dijadikan sebagai data masukan dengan target sesuai dengan tingkat kematangan buah.

b) Dilakukan pengubahan nilai target ke dalam bentuk angka biner, dimana target yang digunakan 10 (m = 10)

c) Ditentukan nilai maksimum perulangan, error minimum, dan rasio pembelajaran. Pada contoh perhitungan ini digunakan batasan sebagai berikut:

Error minimum = 0,01 Rasio pembelajaran = 0,05 Maksimum perulangan = 50000

d) Dilakukan inisialisasi bobot awal dengan nilai acak antara 0 dan 1. i. Bobot awal masukan ke hidden (v)

(13)

ii. Bobot awal bias ke hidden (v0)

v0 = {0,0,0,0}

Semua nilai v0 dianggap 0;

iii. Bobot awal hidden ke keluaran (w)

w = { 0.1075; 0.1417; -0.4951; 0.322; -0.1304; -0.332; -0.2133; ; dst} iv. Bobot awal bias ke keluaran (w0)

w0 = 0

Nilai w0 dianggap 0.

i) Dilakukan perulangan selama nilai perulangan lebih kecil dari maksimal perulangan dan nilai kuadrat error lebih besar dari nilai error minimum. Setiap data dilakukan perulangan dilakukan perhitungan seperti pada langkah “e” sampai “g”

j) Alur maju: Data = x1 Perulangan = 1

Operasi pada hidden layer :

(14)

Hitung nilai error : �r��= �� – �� k) Alur mundur

Hitung faktor unit kesalahan (�) : �� =

Hitung suku perubahan bobot w ( �i)

�jk =

� = rasio

�= faktor unit kesalahan

Hitung faktor unit kesalahan pada layer tersembunyi : �_��= �*��

Hitung suku perubahan bobot v : ��,�=

l) Perubahan bobot Hitung bobot w baru : �� = �� + �� Hitung bobot v baru :

m) Dilakukan perhitungan pada setiap perulangan hingga kondisi berhenti bernilai benar, kemudian berlanjut pada data ke-2.

Proses Pengujian

(15)

pelatihan jaringan. Jaringan diharapkan dapat mengenali dan mengidentifikasi buah jambu biji merah yang terdapat pada data pelatihan dan pengujian. Pada proses pengujian hanya menggunakan tahap umpan maju untuk mencari nilai keluaran lapisan tersembunyi dan lapisan keluaran.

Proses pengujian dengan metode backpropagation hanya menggunakan satu alur, yaitu alur maju yang memiliki langkah-langkah pengenalan berupa:

a) Dilakukan penghitungaan data test yang dilakukan satu persatu terhadap setiap hasil w dan v dari setiap data. Jika data hasil sudah sesuai dengan dengan tujuan maka perhitungan dihentikan.

b) Dilakukan penentuan batas ambang (threshold) dari nilai hasil. Diambil threshold = 0,05, artinya jika nilai y memiliki angka di belakang koma lebih besar atau sama dengan 5, maka nilai tersebut dibulatkan ke atas, dan sebaliknya.

Ketika jaringan diuji dengan menggunakan data pelatihan, yang diuji adalah kemampuan memorisasi jaringannya, sebab kasus-kasus yang dimasukkan telah dipelajari sebelumnya. Dan sebaliknya, pada saat jaringan diuji dengan menggunakan data baru, yang diuji adalah kemampuan generalisasi jaringannnya. Hasil Pelatihan dan Pengujian Sistem

Dari hasil pelatihan dan pengujian sistem didapatkan tingkat keberhasilan program untuk mengidentifikasi kematangan buah jambu biji merah menggunakan backpropagation. Tingkat kematangan buah jambu biji merah dibedakan atas klasifikasi mentah, matang, dan lewat matang.

(16)

untuk kelas lewat matang. Begitu juga untuk tahap pengujian. Hal ini sesuai dengan pernyataan Maru’ao (2010) yang menyatakan bahwa semakin banyak data yang dimasukkan kedalam input masukan, jaringan akan semakin baik mengenali pola – pola tertentu sehingga hasil lebih akurat, namun akan berdampak dengan melambatnya proses pelatihan. Dalam melakukan pelatihan pada aplikasi ini, dengan menggunakan nilai iterasi 50000 kali iterasi, pelatihan sebuah gambar jambu biji merah menghabiskan waktu 3 menit, nilai iterasi tersebut dipilih dikarenakan untuk mendapatkan hasil pengujian yang lebih akurat, dapat dilakukan perulangan (iterasi) lebih banyak.

Pada tahap pengujian data gambar buah jambu biji merah untuk menentukan tingkat persentase keberhasilannya dalam mengenali klasifikasi buah dapat ditentukan dengan menggunakan persamaan:

Pada proses pelatihan dilakukan menggunakan 30 data gambar buah jambu biji merah yang mencirikan tingkat kematangan buah jambu biji merah. Adapun data gambar buah jambu biji merah yang dilatih sebagai berikut:

Tabel 2. Data buah jambu biji merah pelatihan

Sampel Bobot nilai Klasifikasi Keterangan _identifikasiHasil

R G B

1 0.9954293 1.136638 0.8678276 Mentah Dikenali Benar 2 1.017609 1.159644 0.8227017 Mentah Dikenali Benar 3 1.040368 1.227324 0.7323228 Mentah Dikenali Benar 4 0.9905472 1.103108 0.9062158 Mentah Dikenali Benar 5 1.024196 1.15739 0.8184039 Mentah Dikenali Benar 6 0.99`39385 1.135826 0.8701457 Mentah Dikenali Benar

.. (15)

(17)

Sampel Bobot nilai Klasifikasi Keterangan _identifikasiHasil

R G B

7 1.007539 1.183774 0.808839 Mentah Dikenali Benar 8 0.9932732 1.125523 0.8812576 Mentah Dikenali Benar 9 1.009185 1.199478 0.7912971 Mentah Dikenali Benar 10 1.008649 1.143947 0.8474678 Mentah Dikenali Benar 11 1.107878 1.058623 0.8334215 Matang Dikenali Benar 12 1.108583 1.05034 0.8409142 Matang Dikenali Benar 13 1.14753 1.01963 0.8327896 Matang Dikenali Benar 14 1.132622 1.004604 0.8627564 Matang Dikenali Benar 15 1.106415 1.093739 0.7999513 Matang Dikenali Benar 16 1.192754 1.072308 0.7351623 Matang Dikenali Benar 17 1.116853 1.043499 0.8395308 Matang Dikenali Benar 18 1.138059 1.015013 0.8468745 Matang Dikenali Benar 19 1.161136 1.084974 0.7539009 Matang Dikenali Benar 20 1.126097 1.047028 0.8268955 Matang Dikenali Benar 21 1.148054 1.01505 0.8368102 Lewat matang Dikenali Benar 22 1.203128 0.9791417 0.8176994 Lewat matang Dikenali Benar 23 1.143815 0.9835411 0.872542 Lewat matang Dikenali Benar 24 1.133842 0.9830089 0.8830398 Lewat matang Dikenali Benar 25 1.252553 1.002605 0.7447235 Lewat matang Dikenali Benar 26 1.16081 0.9724935 0.8666354 Lewat matang Dikenali Benar 27 1.112626 0.9808964 0.9061425 Lewat matang Dikenali Benar 28 1.108015 0.9835247 0.9082 Lewat matang Dikenali Benar 29 1.121365 0.9792067 0.899456 Lewat matang Dikenali Benar 30 1.031673 0.9846206 0.9836441 Lewat matang Dikenali Benar

(18)

= 100 %

Kriteria data yang berhasil adalah dalam melakukan pelatihan sebanyak 30 buah, dengan pembagian banyaknya buah yakni 10 buah berklasifikasi mentah, 10 berklasifikasi matang, dan 10 berklasifikasi lewat matang dilakukan pengujian kembali dengan menggunakan buah yang sama dengan pelatihan sebelumnya dimana buah tersebut telah diketahui kondisi kematangannya. Data yang berhasil adalah data yang pada saat melakukan pengujian mengeluarkan hasil uji klasfikasi yang sama dengan data yang sebelumnya yang telah diketahui klasifikasi kematangannya. Sedangkan untuk data yang gagal adalah data yang sebelumnya dimasukkan memiliki hasil yang berbeda pada saat pengujian tingkat kematangan dengan aplikasi ini.

Proses pengujian dilakukan dengan menggunakan 120 data gambar. Adapun data gambar buah jambu biji merah yang digunakan untuk pengujian sebagai berikut:

Tabel 3. Data buah mentah jambu biji merah pengujian

Sampel Bobot nilai Klasifikasi Keteranagan Hasil identifikasi

R G B

(19)

R G B

13 1.045101 1.248752 0.7060146 Mentah Dikenali Benar 14 0.9970591 1.217782 0.7853351 Mentah Dikenali Benar 15 1.011197 1.145444 0.8433722 Mentah Dikenali Benar 16 1.006096 1.261775 0.7323465 Mentah Dikenali Benar 17 0.9958466 1.218557 0.7855685 Mentah Dikenali Benar 18 1.015203 1.229798 0.7551881 Mentah Dikenali Benar 19 1.024012 1.252151 0.7237267 Mentah Dikenali Benar 20 1.006321 1.196186 0.7975777 Mentah Dikenali Benar 21 1.021945 1.218018 0.7599109 Mentah Dikenali Benar 22 1.023105 1.265909 0.71108 Mentah Dikenali Benar 23 .014105 1.179537 0.806427 Lewat matang Dikenali Salah 24 0.9945292 1.205941 0.7996263 Lewat matang Dikenali Salah 25 0.9970591 1.217782 0.7853351 Mentah Dikenali Benar 26 0.9890199 1.221779 0.7892756 Lewat matang Dikenali Salah 27 1.04127 1.230098 0.728558 Mentah Dikenali Benar 28 1.008617 1.221204 0.7701194 Mentah Dikenali Benar 29 1.013399 1.228186 0.7583065 Mentah Dikenali Benar 30 0.9890948 1.245146 0.765711 Mentah Dikenali Benar 31 1.024721 1.210151 0.7650555 Mentah Dikenali Benar 32 1.018253 1.154683 0.8270701 Mentah Dikenali Benar 33 1.020894 1.237934 0.741108 Mentah Dikenali Benar 34 1.059738 1.256592 0.6837033 Mentah Dikenali Benar 35 1.016633 1.253011 0.7303566 Mentah Dikenali Benar 36 1.003781 1.241093 0.7550885 Mentah Dikenali Benar 37 0.9971316 1.231958 0.7710022 Mentah Dikenali Benar 38 1.006591 1.211722 0.7816557 Mentah Dikenali Benar 39 0.9967762 1.268841 0.7343657 Mentah Dikenali Benar 40 1.027596 1.261165 0.7113913 Mentah Dikenali Benar

= 90 %

Tabel 4. Data buah matang jambu biji merah pengujian

R G B

(20)

R G B

(21)

= 85 %

Tabel 5. Data buah lewat matang jambu biji merah pengujian

R G B

(22)

R G B

113 1.266995 0.9807336 0.7522086 Lewat matang Dikenali Benar 114 1.299672 1.014091 0.6861506 Lewat matang Dikenali Benar 115 1.033673 0.9849666 0.9811056 Matang Dikenali Salah 116 1.298933 0.9953668 0.7055596 Lewat matang Dikenali Benar 117 1.267945 0.99617 0.7360131 Lewat matang Dikenali Benar 118 1.224583 0.9998211 0.7755253 Lewat matang Dikenali Benar 119 1.10949 0.9801269 0.9102663 Lewat matang Dikenali Benar 120 1.086292 0.9829131 0.9306492 Matang Dikenali Salah

= 75 %

Sehingga didapatkan hasil pengujian terhadap 120 gambar buah jambu biji merah yang belum dilatih pada sistem memberikan hasil keberhasilan dalam mendeteksi kematangan buah jambu biji merah sebesar 83 %

Total Pengujian : 120 Pengujian Benar : 100 Pengujian Salah : 20

= 83,33 %

(23)

bug atau kesalahan aplikasi yang dikemudian hari dapat dilakukan penyempurnaan. Bug yang terdeteksi pada aplikasi ini adalah dalam melakukan pengujian, jika melakukan crop gambar yang tidak sesuai, maka data tersebut akan menghasilkan kelas klasifikasi yang berbeda. Untuk mengatasi hal tersebut, dalam menguji buah dilakukan proses crop sebanyak tiga kali perulangan untuk mendapatkan klasifikasi kematangan buah yang tepat.

Desain Program

Pada aplikasi identifikasi kematangan buah jambu biji ini terdiri dari beberapa form (tampilan) diantaranya; form Login, form Home, form Uji, form Pelatihan, form About, form Credit, form List Database, dan form Riwayat Pengujian. Pada form List Database terdapat form Penampil Gambar ketika list gambar di buka, begitu pula pada form Riwayat Pengujian. Selain itu, aplikasi ini terdapat pula form Tutorial yang berisikan form Tampilan Program, form Cara Menambahkan Database, serta form Cara Melakukan Pengujian sehingga jumlah keseluruhan form pada aplikasi ini berjumlah 13 form. Selain form, pada sistem ini menggunakan 2 buah tabel, yaitu tabel Database dan tabel Riwayat Pengujian. Seluruh desain gambar serta ikon pada aplikasi ini menggunakan aplikasi GNU Image Manupulation Program 2.

(24)

Gambar 1. Tampilan menu Login

Tampilan Login merupakan Tampilan yang ditampilkan pertama kali saat aplikasi dijalankan. Background-nya dirancang dengan menggunakan aplikasi GNU Image Manupulation Program 2 . Pada tampilan ini berisikan ucapan selamat datang pada operator pemakai program yang dimana operator dapat memasukkan namanya dan nama tersebut akan digunakan sebagai penanda pengguna yang akan ditampilkan pada tabel database dan tabel riwayat pengujian sehingga mempermudah pengguna untuk melakukan pengecekan data. Pada bagian sudut bawah kanan tampilan terdapat dua tombol, yakni tombol masuk ke dalam program dan tombol keluar program.

(25)

Pada bagian home program terlihat beberapa ikon yang merupakan tombol-tombol untuk melakukan pengerjaan menggunakan program ini, selain tombol, tampilan home juga memiliki 2 image area yang memiliki ukuran berbeda yang memiliki fungsi crop area dan menampilkan gambar yang akan di proses pada image area lainnya.

Beberapa tombol yang terdapat pada aplikasi ini adalah:

- Tombol browse, berfungsi sebagai tombol untuk melakukan pencarian gambar yang akan di proses

- Tombol centang/OK, berfungsi sebagai tombol memilih gambar yanng telah di crop sebelumnya di crop area

- Tombol hapus, berfungsi untuk membatalkan gambar yang dipilih

- Tombol uji, berfungsi untuk melakukan pengujian pada gambar yang telah dipilih, tombol ini tidak akan aktif jika database kosong

- Tombol tambah database, berfungsi untuk melakukan pelatihan pada program yang kemudian data tersebut dijadikan database untuk melakukan pengujian.

- Tombol daftar database, berfungsi untuk melihat tabel database yang telah dilatih

- Tombol riwayat pengujian, berfungsi untuk menampilkan riwayat hasil pengujian yang telah dilakukan

- Tombol About, berfungsi untuk menampilkan informasi tentang penulis dan tim pembuat.

(26)

Desain pada tampilah home ini terdapat judul program pada tittle bar yakni “Identifikasi Kematangan Buah Jambu Biji Merah dengan Metode Backpropagation.” Selain itu judul program juga terlihat jelas pada bagian tubuh program yang menyatakan identitas program tersebut. Pada bagian sudut kiri bawah menampilkan tanggal dan bulan serta tahun saat program dibuka oleh operator, lalu dibawahnya terdapat sapaan salam yang berubah tergantung pada jam komputer yang operator gunakan, serta terdapat nama operator yang diketikkan sebelumnya pada form Login. Pada bagian sudut kanan bawah terdapat identitas kampus, fakultas, program studi, serta stambuk penulis yakni penulis berkuliah di Universitas Sumatera Utara Fakultas Pertanian Program Studi Keteknikan Pertanian Angkatan 2012.

(27)

Tombol buka gambar berfungsi untuk membuka gambar buah jambu biji merah yang tersimpan di komputer. Format gambar yang diterima berupa JPG atau JPEG. Dipilih gambar yang akan diproses kemudian pilih tombol open.

Gambar 4. Tampilan sebelum Crop Gambar

. Ketika gambar telah terdapat pada crop area, operator dapat melakukan pemotongan gambar yang akan diproses. Pemotongan gambar dilakukan untuk menyederhanakan gambar dan memperkecil gambar sehingga program dapat bekerja dengan maksimal.

(28)

Setelah melakukan crop gambar, lalu operator menekan tombol centang sehingga gambar yang di-crop sebelumnya muncul di image area 2. Pada image area 2, gambar akan digunakan pada proses pelatihan maupun pengujian serta gambar tersebut akan tampil pada tabel database dan tabel riwayat pengujian jika dilakukan pengujian dengan menggunakan gambar yang sama.

Gambar 6. Tampilan Penambahan Database

(29)

Gambar 7. Tampilan Pengujian

(30)

Gambar 8. Tampilan tabel database pelatihan tersimpan

Pada saat tombol list database dipilih, akan muncul tampilan database tersimpan yang menampilkan data-data yang telah dilatih sebelumnya. Pada tampilan ini terdapat sebuah tabel Tabel gambar database tersimpan yang terdiri dari:

- ID, kolom ini akan menampilkan nomor identitas buah yang sudah tersimpan dalam database

- Nama, kolom ini berisikan nama operator yang menggunakan program dimana sebelumnya telah memasukkan namanya pada form login

- Target merupakan Output yang dikenali oleh aplikasi

(31)

- Keterangan, kolom yang menampilkan klasifikasi dari kematangan buah Pada sudut kiri bawah terdapat tombol hapus data yang dipilih yang berguna sebagai media melakukan penghapusan terhadap database yang tersimpan. Untuk melindungi database yang lainnya, penulis hanya membangun tombol hapus yang dipilih dimana berfungsi untuk menghapus satu persatu database.

Gambar 9. Tampilan tabel riwayat pengujian

(32)

Gambar 10. Tampilan tutorial program

Terdari dari beberapa tombol tutorial yang menampilkan video cara menggunakan aplikasi.

Gambar 11. Tampilan About penulis

(33)

(34)

50

KESIMPULAN DAN SARAN

Kesimpulan

1. Penelitian ini telah dapat membangun perangkat lunak yang mengimplementasikan algoritma backpropagation dalam melakukan indetifikasi tingkat kematangan buah jambu biji merah berdasarkan warna RGB menggunakan media pengambil gambar dengan tingkat identifikasi keberhasilan pengujian 83,3 %.

2. Dari hasil identifikasi pengujian yang telah dilakukan menghasilkan tiga output identifikasi yaitu jambu biji merah mentah 90 % terdeteksi, matang 85% terdeteksi, dan lewat matang 75% terdeteki dimana seluruh data gambar 100% dapat dikenali.

3. Perilaku kegiatan pengujian identifikasi kematangan ini memiliki keakuratan yang cukup tinggi terhadap melakukan pembacaan terhadap klasifikasi buah yang memiliki klasifikasi mentah, matang, dan lewat matang.

4. Identifikasi terhadap data gambar buah jambu biji merah yang telah dilatih 100% data gambar dapat dikenali dengan tingkat identifikasi keberhasilan sampel 100%.

5. Dalam alogaritma backpropagation, aplikasi identifikasi kematangan buah jambu biji merah ini menggunakan 3 input, 50 hidden layer dan 3 output dengan target 10 digit binary sehingga maksimal pelatihan mencapai 1024. 6. Dalam aplikasi identifikasi kematangan buah jambu biji merah ini,

(35)

Saran

Perlu dilakukan penelitian lebih lanjut untuk meningkatkan persentase keberhasilan identifikasi buah jambu biji merah dengan menambahkan parameter hasil pengolahan data gambar masukan seperti energi, entropi, kontras, luas proyeksi dan lainnya.

Perlu dilakukan penelitian lebih lanjut dimana sistem dapat langsung mengolah gambar yang telah dipotret seperti mnggunakan webcam yang langung terintegrasi ke perangkat lunak dalam komputer atau laptop.

(36)

5 Jambu biji merah (Psidium guajava L.)

Jambu biji merah (Psidium guajava L.) merupakan tanaman impor, yakni bukan tanaman asli dari Indonesia. Berbagai sumber menyebutkan bahwa jambu biji merah berasal dari negara bagian Amerika yakni Meksiko Selatan, Amerika Tengah yang memiliki iklim tropis. Salah satu manfaat buah jambu biji merah yakni berfungsi dalam menambah trombosit pada penderita demam berdarah (Mulato, 2015).

Jambu biji dikenal juga dengan nama lain Psidium aromaticum Blanco. Tanaman ini asli dari daerah Amerika Tropik antara Mexico sampai dengan Peru, menyebar ke daerah Asia oleh pedagang Spanyol dan Portugis. Jenis jambu biji yang dikenal dan beredar di masyarakat dan pedagang buah bermacam-macam, diantaranya jambu krikil, jambu biasa, jambu mawar, jambu sukun dan jambu Bangkok (Yuliani, et. al., 2001).

Buah jambu biji merupakan tanaman semak yang memiliki ukuran yang besar, atau merupakan tanaman pohon kecil yang selalu berdaun hijau yang pada umumnya memiliki ketinggian 3-10 m, dan memiliki banyak ranting, batang yang tidak lurus, kulit kayu berwarna cerah sampai dengan coklat gelap, ramping, halus, dan terus-menerus dapat terkelupas, sistem perakaran pada umumnya dangkal dan sangat luas. (Orwa, et. al., 2009)

(37)

yang sangat dibutuhkan oleh manusia. Buah jambu biji merah merah merupakan buah yang memiliki bentuk bulat yang berwana hijau jika belum matang, kuning muda jika sudah matang dan kuning kemerahan apabila telah lewat matang. Dan memiliki daging buah yang berwarna merah. (Mulato, 2015)

Jenis jambu biji yang dikenal dan beredar di masyarakat dan pedagang buah bermacam-macam diantaranya buah jambu krikil, jambu biasa, jambu mawar, jambu sukun, dan jambu bangkok. Buah jambu batu terutama dari jenis berwarna merah sering digunakan untuk mengobati penyakit demam berdarah. Jus hasil olahan buah ini dikatakan dapat meningkatkan nilai trombosit pada penderita demam berdarah (Yuliani, et. al., 2001).

Klasifikasi botani tanaman jambu merah adalah sebagai berikut: - Divisi : Spermatophyta

- Sub divisi : Magnoliophyta - Kelas : Magnoliopsida - Keluarga : Murtaceae

- Genus : Psidium Linnaeus/Psidium L.

- Spesies : Psidium guajava Linnaeus/Psidium guajava L. (USDA, 2003).

(38)

terus berlangsung sehingga akan terjadi perubahan-perubahan yang dapat mengakibatkan penurunan mutu bahan pangan tersebut. Disamping banyak kerusakan yang terjadi disebabkan oleh perlakukan mekanis, fisis dan biologis (Wahyuni, et. al., 2009)

Kematangan buah biasanya ditentukan oleh beberapa parameter, diantaranya adalah parameter ukuran, berat, ciri warna, keharuman dari buah tersebut dan sebagainya. Kematangan buah dari sisi warna kulit buah merupakan salah satu faktor yang paling penting di dalam identifikasi kematangan buah. Umumnya, klasifikasi kematangan buah dilakukan dengan cara manual yaitu menggunakan indra penglihatan untuk membedakan kematangan buah berdasarkan ciri warna kulit buah yang memiliki kelemahan seperti penilaian oleh manusia yang bersifat subjektif dan tidak konsisten (Andri, et. al., 2014).

(39)

berwarna kuning muda buah berkriteria matang penuh sedangkan jika buah telah berwarna kuning kemerahan maka buah telah lewat matang dan daging buah telah lunak (Mulato, 2015).

Tabel 1. Tingkat kematangan buah jambu biji merah

No. Warna Kulit Kriteria

Menurut Lestari (2015), menyatakan bahwa secara alami, buah jambu biji dapat ditentukan tingkat kematangannya dari beberapa faktor, yakni melalui warna buah, aroma buah, serta tekstur fisik buah. Jambu biji dasarnya memiliki warna hijau. Jika jambu sudah menuju tingkat kematangan, maka warna hijau terang akan perlahan berubah menjadi hijau kekuningan atau hijau yang lebih muda. Warna hijau kekuningan ini terlihat merata di seluruh bagian kulit buah jambu. Perhatikan juga bagian permukaan kulit buah jambu, jika terdapat cacat atau berlubang bekas dimakan serangga maka beralihlah ke jambu lainnya.

(40)

biji merah masih dalam kondisi mentah untuk keperluan industri lokal maupun ekspor. (Mulato, 2015)

Dalam melakukan identifikasi kematangan buah jambu biji merah dapat dilakukan secara destruktif dan nondestruktif. Kematangan buah jambu biji merah secara destruktif dilakukan dengan membuka buah jambu biji merah untuk mengetahui tingkat kematangannya. Penentuan tahap kematangan buah jambu biji merah berdasarkan komponen warna diperlukan teknik klasifikasi yang tepat. Teknik yang dapat memisahkan tahap kematangan buah jambu biji merah. Hal ini sangat penting karena kesalahan klasifikasi tahap kematangan akan mempengaruhi mutu buah tersebut.

(41)

Jaringan Syaraf Tiruan

Jaringan syaraf tiruan adalah paradigma pemrosesan suatu informasi yang terinspirasi oleh sistem sel syaraf biologi, sama seperti otak yang memproses suatu informasi. Elemen mendasar dari paradigma tersebut adalah struktur baru dari sistem pemrosesan informasi. Jaringan syaraf tiruan seperti manusia yakni belajar dari contoh. Jaringan syaraf tiruan dibentuk untuk memecahkan suatu masalah tertentu seperti pengenalan pola atau klasifikasi karena proses pembelajaran (Yani, 2005).

(42)

dengan masukan yang diberikan oleh sistem, (6) mengurangi derau sehingga dihasilkan keluaran yang lebih bersih, (7) dapat dimanfaatkan pada proses optimisasi penyelesaian suatu masalah, dan (8) dapat digunakan pada proses pengendalian sistem agar masukan memperoleh tanggapan yang diinginkan.

Maru’ao (2010) berpendapat bahwa, jaringan syaraf tiruan dibentuk sebagai generalisasi model matematika dari jaringan syaraf biologi dengan asumsi sebagai berikut:

a. Pemrosesan informasi terjadi pada banyak elemen sederhana (neurons) b. Sinyal dikirimkan diantara neuron-neuron melalui

penghubung-penghubung.

c. Penghubung antar neuron memiliki bobot yang akan memperkuat atau memperlemah sinyal.

d. Untuk menentukan keluaran (output), setiap neuron menggunakan fungsi aktivasi yang dikenakan pada penumlahan masukan (input) yang diterima. Besarnya keluaran (output) ini selanjutnya dibandingkan dengan suatu batas ambang.

Arsitektur Jaringan Syaraf Tiruan

Struktur jaringan umumnya terdiri dari beberapa kelompok neuron yang disebut lapisan (layer). Lapisan-lapisan akan dihubungkan dengan aturan tertentu yang membentuk arsitektur dasar jaringan sebagai berikut:

1. Jaringan Lapis Tunggal (Single Layer Network)

(43)

masukan sampai lapisan keluaran. Setiap simpul dihubungkan dengan simpul lainnya yang berada diatas dan dibawahnya, tetapi tidak dengan simpul yang berada pada lapisan yang sama. Model yang masuk kategori ini antara lain: Adaline, Hopfield, Perceptron, LVQ, dan lain-lain.

2. Jaringan Lapis Jamak (Multiple Layer Network)

Jaringan ini merupakan perluasan dari jaringan lapisan tunggal. Dalam jaringan ini, selain unit masukan dan keluaran, ada unit-unit lain (sering disebut lapisan tersembunyi). Model yang termasuk kategori ini antara lain: Madaline, backpropagation.

3. Jaringan Recurrent

Model jaringan recurrent (recurrent network) mirip dengan jaringan lapisan tunggal ataupun jamak. Hanya saja, ada simpul keluaran yang memberikan sinyal pada unit masukan (sering disebut feedback loop). Dengan kata lain sinyal mengalir dua arah, yaitu maju dan mundur. Contoh: Hopfield network, Jordan network, Elmal network (Maru'ao, 2010).

(44)

Metode Backpropagation

Metode backpropagation menurut Pandjaitan (2007) dapat disebut dengan jaringan propagasi balik yang memiliki pengertian berupa jaringan lapis banyak yang dibuat dari unit-unit yang nonlinier yang memiliki tujuan untuk belajar ketidaklinieran pemetaan-pemetaan antar pasangan pola masukan-pengeluaran dimana dapat digunakan sebagai pengklasifikasi pola, umumnya untuk menyelesaikan persoalan yang nonlinier.

Menurut Deswari et. al., (2013) menyatakan bahwa untuk melakukan pelatihan Backpropagation meliputi 3 tahap. Tahap pertama adalah tahap maju. Pola masukan dihitung maju mulai dari layar masukan hingga layar keluaran menggunakan fungsi aktivasi yang ditentukan. Tahap kedua adalah tahap mundur. Selisih antara keluaran yang diinginkan merupakan kesalahan yang terjadi. Kesalahan tersebut dipropagasikan mundur, dimulai dari garis yang berhubungan langsung dengan unit-unit di layar keluaran. Tahap ketiga adalah modifikasi bobot untuk menurunkan nilai kesalahan yang terjadi.

Menurut Maru’ao (2010) dalam melakukan pelatihan metode backpropagation meliputi 3 fase yang dapat dijabarkan sebagai berikut.

(45)

dibandingkan dengan target yang harus dicapai (tk). Selisih tk–yk adalah kesalahan yang terjadi. Jika kesalahan ini lebih kecil dari batas toleransi yang ditentukan, maka iterasi dihentikan. Akan tetapi apabila kesalahan masih lebih besar dari batas toleransinya, maka bobot setiap garis dalam jaringan akan dimodifikasi untuk mengurangi kesalahan yang terjadi.

2. Fase 2, yaitu propagasi mundur, yakni 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. δk

juga dipakai untuk mengubah bobot garis yang berhubungan langsung dengan unit keluaran. Dengan cara yang sama, dihitung faktor δj di setiap unit lapisan tersembunyi sebagai dasar perubahan bobot semua garis yang berasal dari unit tersembunyi di lapisan dibawahnya. Demikian seterusnya hingga semua

faktor δ di unit tersembunyi yang berhubungan langsung dengan unit

masukan dihitung.

3. Fase 3, yaitu perubahan bobot, yakni setelah semua faktor δ dihitung, bobot semua garis dimodifikasi bersamaan. Perubahan bobot suatu garis didasarkan

atas faktor δ neuron di lapisan atasnya. Sebagai contoh, perubahan bobot

garis yang menuju ke lapisan keluaran didasarkan atas δk yang ada di unit keluaran.

(46)

sudah melebihi jumlah maksimum iterasi yang ditetapkan, atau jika kesalahan yang terjadi sudah lebih kecil dari batas toleransi yang diijinkan.

Menurut Warman, et. al (2014), dalam melakukan model perhitungan pelatihan dengan metode backpropagatio terhadap data pelatihan tersebut dapat dilakukan dengan berbagai cara, yakni:

a) Gambar subjek penelitian tiap klasifikasi (mentah, matang dan lewat matang) dijadikan data masukan dengan target disesuaikan dengan kematangan dari subjek tersebut.

b) Dilakukan pengubahan nilai target kedalam bentuk angka biner, dimana target yang digunakan, disimbolkan sebagai m, dimana nilai m= 10 dalam bilangan biner, sehingga sistem ini mampu mengenali sebanyak 1024 data gambar. c) Dilakukan penentuan nilai maksimum perulangan, error minimum, dan rasio

pelatihan.

d) Dilakukan penginisialisasian bobot awal dengan nilai acak.

e) Perulangan dilakukan selama nilai perulangan lebih kecil dari maksimal perulangan dan nilai kuadrat error lebih besar dari nilai error minimum.

f) Melakukan perhitungan pada operasi pada hidden layer yang dapat dihitung dengen menggunakan rumus:

...(1)

..…...(2)

(47)

...(3) Sehingga di dapatkan rumus:

...(4)

Kemudian dilakukan penghitungan nilai error menggunakan rumus:

error = Tik – yk ...(5) g) Melakukan perhitungan terhadap alur mundur dengan cara:

Melakukan penghitungan faktor unit kesalahan (�) dengan menggunakan rumus

�� = ...(6)

Melakukan penghitungan suku perubahan bobot w ( �i), dengan rumus:

�jk = ...(7)

Dimana:

� = rasio

�= faktor unit kesalahan

Melakukan penghitungan faktor unit kesalahan pada layer tersembunyi dengan rumus:

�_��= �*�� ...(8) Melakukan penghitungan suku perubahan bobot v dengan menggunakan rumus ��,�= ...(9) h) Melakukan perhitungan terhadap perubahan bobot dengan cara:

Melakukan penghitungan bobot w baru dengan menggunakan rumus:

(48)

Lalu dilakukan penghitungan bobot v baru dengan menggunakan rumus

...(11) Pengolahan Citra Digital

Sebagaimana layaknya mata dan otak, sistem visual buatan adalah suatu sistem yang mempunyai kemampuan untuk menganalisis obyek secara visual, setelah data obyek yang bersangkutan dimasukkan dalam bentuk citra (image) yang secara umum bertujuan untuk membuat model nyata dari sebuah citra. Citra adalah berupa citra digital hasil konversi suatu obyek menjadi citra melalui suatu sensor yang prosesnya disebut digitasi (Ahmad, 2005)

Citra merupakan fungsi kontiniu dari intensitas cahaya pada bidang dua dimensi yang dimana secara matematika fungsi intensitas cahaya pada bidang dua dimensi disimbolkan dengan f(x,y) dengan ketentuan berupa (x,y) merupakan koordinat pada bidang dua dimensi, dan f(x,y) merupakan intensitas cahaya pada titik (x,y). (Sitorus, et. al., 2006).

Image processing atau sering disebut pengolahan citra digital merupakan suatu proses filter gambar asli menjadi gambar lain sesuai dengan keinginan kita. Misalnya, kita mendapatkan suatu gambar yang terlalu gelap. Dengan image processing, kita dapat memprosesnya agar mendapatkan gambar yang jelas (Sigit, et. al., 2005)

(49)

digunakan sistem 32 bit. Bentuk indeks warna RGB dinormalisasi setiap komponen warna dengan persamaan sebagai berikut

...(12) ...(13) ...(14)

Dalam melakukan pengambilan gambar menggunakan kamera, cahaya sangat mempengaruhi dalam melakukan proses pengambilan gambar tersebut, hal ini disebabkan karena cahaya memiliki beberapa sifat. Menurut Mundaryati, et. al. (2015), pencahayaan ditentukan dari beberapa sifat, yakni:

1. Kuantitas cahaya, berupa banyaknya cahaya yang jatuh pada suatu permukaan yang menyebabkan terangnya permukaan tersebut dan sekitarnya yang di pengaruhi faktor ukuran obyek, derajat kontras di antara obyek dan sekelilingnya, luminensi yakni suatu ukuran tingkat terangnya suatu permukaan sehingga sesuai dengan yang dipantulkan atau disinarkan oleh permukaan, serta lamanya melihat.

(50)

Analisis Sistem

Menurut Warman et. al (2015) berpendapat bahwa proses untuk membedakan kematangan buah jambu biji merah dalam kebutuhan sortasi buah saat ini dilakukan dalam perbedaan diameter buah dan juga tekstur fisik buah berupa tingkat kelunakan buah. Penglasifikasian tingkat kematangan buah jambu biji merah saat ini digunakan dengan cara membedakan warna buah yang dilakukan secara manual. Buah dilihat secara visual oleh mata lalu direspon oleh otak untuk membedakan tingkat kematangannya. Selain melalui dari warna buah, jambu biji merah dapat juga dilihat melalui tingkat kelunakan buah.

Selama ini para petani jambu biji merah membedakan buah hanyak tertuju berdasarkan sortasi ukuran. Namun, dalam keperluan industri buah harus memiliki kualitas dan grade yang baik. Tingkat kematangan buah sangat berpengaruh bagi industri untuk menentukan bahan atau buah jambu biji merah mana yang tepat untuk diolah menjadi produk mereka. Selain itu, konsumen yang menikmati buah secara langsung tanpa diolah tentu variatif. Ketika konsumen menginginkan buah yang akan dimakannya memiliki rasa manis, tentu akan sulit bagi penjualnya untuk menjamin rasa buah tanpa mencobanya (Mulato, 2015).

(51)

tenaga. Berdasarkan hal tersebut maka diperlukan suatu metode yang dapat menjamin keseragaman tingkat kematangan dari buah jambu biji merah. Perkembangan teknologi informasi memungkinkan identifikasi buah berdasarkan ciri warna dengan bantuan komputer. Metode pengukurannya non-konvensional yaitu menggunakan pengolahan citra digital (image processing) menghasilkan data yang akan diproses secara pelatihan dengan jaringan syaraf tiruan (Artificial Neural Network), kemudian data diolah dengan menggunakan perangkat lunak komputer sehingga dapat digunakan untuk menentukan tingkat kematangan buah jambu biji merah (Warman, et. al., 2015).

(52)

1 Latar Belakang

Salah satu jenis tanaman hortikultura yang paling banyak di manfaatkan oleh manusia adalah tanaman buah-buahan, di mana Indonesia merupakan penghasil buah-buahan terutama untuk buah tropis. Buah juga merupakan salah satu sumber gizi terutama vitamin, serat dan mineral yang diperlukan tubuh namun sangat mudah rusak. Jambu biji merupakan buah tropis hasil pertanian hortikultura andalan Provinsi Sumatera Utara. Produksi buah jambu biji di Sumatera Utara tahun 2007 adalah 15.660 ton/tahun dan terus mengalami peningkatan hingga 35.261 ton/tahun pada tahun 2010. Namun, pada tahun 2011 hingga 2012 terus mengalami penurunan hingga menjadi 19.861 ton/tahun (Badan Pusat Statistik, 2012).

Harga jambu biji pada pasar modern adalah berkisar Rp.1.250– Rp.1.900/ons yang di dapatkan pada tanggal 14 Maret 2016. Harga tersebut didapat dari pasar swalayan Smartco Superstore yang terletak di mall Ringroad City Walks Medan, selain itu guna perbandingan harga yang setara didapatkan pula pada supermarket Lottemart yang terletak di Jalan Gatot Subroto Medan

(53)

kecerdasan buatan dalam melakukan pengolahan citra yang merupakan alat dimana dapat menirukan kerja mata dan otak manusia yang secara umum disebut dengan Jaringan Syaraf Tiruan (JST). Jaringan Syaraf Tiruan merupakan teknik pemrosesan informasi berbasis komputer yang mensimulasikan dan memodelkan syaraf biologis (Pandjaitan, 2007).

Tujuan dirancangnya program identifikasi kematangan buah jambu biji merah yakni untuk meminimalisir kesalahan dalam tahap sortasi kematangan buah yang disebabkan human error karena keterbatasan kemampuan fisik dan otak operator penentu kualitas mutu. Lalu, pada penelitian ini digunakan komoditas buah jambu biji merah karena peluang komoditas tersebut di dalam negeri sangat baik, mengingat harga yang cukup terjangkau dan memiliki kandungan vitamin yang dibutuhkan oleh tubuh manusia sangat tinggi.

(54)

Penelitian ini merupakan rancang bangun sebuah sistem informasi yang mampu mengidentifikasi kematangan buah jambu biji merah berdasarkan warna dengan teknik jaringan saraf tiruan (JST) metode backpropagation Neural Network. Backpropagation Neural Network merupakan model JST dengan lapisan jamak yang melatih jaringan untuk mendapatkan keseimbangan antara kemampuan jaringan untuk mengenali pola yang digunakan selama pelatihan serta kemampuan jaringan untuk memberikan respon yang benar terhadap pola masukan yang serupa tapi tidak sama dengan pola yang dipakai selama pelatihan.

Tahapan untuk membangun sistem berbasiskan Neural Network yang dilakukan adalah melakukan pengumpulan data dan pemrosesan data awal lalu dilakukan pembentukan jaringan serta proses pembelajaran serta melakukan pengujian proses validasi jaringan. Hal tersebut dilakukan dengan melakukan pengambilan data berupa gambaran yang dihasilkan kamrea yang kemudian di ekstrasi citra, kemudian dilakukan perancangan struktur jaringan dan database sehingga dalam proses tersebut dapat dilakukan inisiasi bobot.

Tujuan Penelitian

(55)

Kegunaan Penelitian

1. Bagi penulis yaitu sebagai bahan untuk menyusun skripsi yang merupakan syarat untuk dapat menyelesaikan pendidikan di Program Studi Keteknikam Pertanian Fakultas Pertaian Universitas Sumatera Utara.

2. Bagi mahasiswa sebagai informasi pendukung untuk melakukan penelitian lebih lanjut mengenai identifikasi kematangan buah jambu biji dengan metode jaringan syaraf tiruan.

3. Bagi masyarakat sebagai informasi bagi pihak-pihak yang membutuhkan.

Batasan Masalah

1. Data yang digunakan pada penelitian ini adalah gambar berwarna dari buah jambu biji merah.

2. Latar pengambilan gambar buah yang digunakan berupa kotak dengan latar polos.

3. Jarak antara buah ke kamera adalah 10 cm.

(56)

i

Merah dengan Teknik Jaringan Syaraf Tiruan Metode Backpropagation, dibimbing oleh LUKMAN ADLIN HARAHAP dan SULASTRI PANGGABEAN.

Identifikasi kematangan buah jambu biji merah umumnya dilakukan secara manual oleh petani. Buah dilihat secara visual oleh mata lalu direspon oleh otak untuk membedakan tingkat kematangannya. Dalam jumlah yang besar akan sulit untuk menjaga kinerjanya dikarenakan faktor keletihan dari otak tersebut. Penelitian ini menggunakan metode pengukuran yang bersifat non-konvensional yaitu menggunakan pengolahan citra digital (image processing) menghasilkan data yang akan diproses secara pelatihan dengan jaringan syaraf tiruan (artificial neural network) kemudian diolah dengan menggunakan perangkat lunak komputer sehingga dapat digunakan untuk menentukan tingkat kematangan buah jambu biji merah. Buah jambu biji merah dapat diidentifikasi berdasarkan input histogram warna citra (RGB) yang didapat dari hasil pengambilan gambar terlebih dahulu yang dimana kemudian dibangun bentuk aplikasi dengan menggunakan perangkat lunak visual basic. Dari beberapa sampel pelatihan, pola data tingkat kematangan buah jambu biji merah memiliki bobot nilai yang berbeda digunakan sebagai input pada jaringan syaraf tiruan dengan metode backpropagation untuk membedakan buah mentah, matang dan busuk. Sistem identifikasi ini mampu mengenali seluruh kategori buah dengan tingkat keberhasilan identifikasi kebenaran 83.3%. Dari hasil identifikasi yang telah dilakukan menghasilkan tiga output identifikasi yaitu jeruk matang 85%, lewat matang 75%, dan mentah 90%. Hasil identifikasi ini dipengaruhi oleh kondisi dari cara pengambilan gambar buah. Kata Kunci : Jaringan Syaraf Tiruan, Pengolahan Citra, backpropagation, Identifikasi, kematangan, Jambu Biji Merah

ABSTRACT

FAHMIL IKHSAN HIDAYAT : Identification of Guava Maturity with Artificial

Neural Network Backpropagation Method, supervised by LUKMAN ADLIN

HARAHAP and SULASTRI PANGGABEAN.

(57)

backpropagation method to distinguish raw, ripe and rotten fruits. This identification system was capable to identify the entire category of fruit which were 83.3 % correct identification. From the identification that had been done, resulting the identification of the three outputs 85 % ripe citrus, over ripe 75 %, and 90 % raw. Results of the identifications were affected by the shooting fruit process.

(58)

1

SKRIPSI

OLEH

FAHMIL IKHSAN HIDAYAT 120308059

PROGRAM STUDI KETEKNIKAN PERTANIAN

FAKULTAS PERTANIAN

(59)

IDENTIFIKASI KEMATANGAN BUAH JAMBU BIJI MERAH

(Psidium guajava) DENGAN TEKNIK JARINGAN SYARAF

TIRUAN METODE BACKPROPAGATION

SKRIPSI

OLEH:

FAHMIL IKHSAN HIDAYAT 120308059

Skripsi sebagai salah satu syarat untuk dapat memperoleh gelar sarjana di Program Studi Keteknikan Pertanian Fakultas Pertanian

Universitas Sumatera Utara

PROGRAM STUDI KETEKNIKAN PERTANIAN

FAKULTAS PERTANIAN

(60)

Judul Skripsi :Identifikasi Kematangan Buah Jambu Biji Merah dengan teknik Jaringan Syaraf Tiruan Metode Backpropagation

Nama : Fahmil Ikhsan Hidayat NIM : 120308059

Program Studi : Keteknikan Pertanian

Disetujui Oleh: Komisi Pembimbing

Mengetahui,

PROGRAM STUDI KETEKNIKAN PERTANIAN

FAKULTAS PERTANIAN

UNIVERSITAS SUMATERA UTARA

2016

(Lukman Adlin Harahap, STP, M.Si) Ketua

(Sulastri Panggabean, STP, M.Si) Anggota

(61)

i

Merah dengan Teknik Jaringan Syaraf Tiruan Metode Backpropagation, dibimbing oleh LUKMAN ADLIN HARAHAP dan SULASTRI PANGGABEAN.

Identifikasi kematangan buah jambu biji merah umumnya dilakukan secara manual oleh petani. Buah dilihat secara visual oleh mata lalu direspon oleh otak untuk membedakan tingkat kematangannya. Dalam jumlah yang besar akan sulit untuk menjaga kinerjanya dikarenakan faktor keletihan dari otak tersebut. Penelitian ini menggunakan metode pengukuran yang bersifat non-konvensional yaitu menggunakan pengolahan citra digital (image processing) menghasilkan data yang akan diproses secara pelatihan dengan jaringan syaraf tiruan (artificial neural network) kemudian diolah dengan menggunakan perangkat lunak komputer sehingga dapat digunakan untuk menentukan tingkat kematangan buah jambu biji merah. Buah jambu biji merah dapat diidentifikasi berdasarkan input histogram warna citra (RGB) yang didapat dari hasil pengambilan gambar terlebih dahulu yang dimana kemudian dibangun bentuk aplikasi dengan menggunakan perangkat lunak visual basic. Dari beberapa sampel pelatihan, pola data tingkat kematangan buah jambu biji merah memiliki bobot nilai yang berbeda digunakan sebagai input pada jaringan syaraf tiruan dengan metode backpropagation untuk membedakan buah mentah, matang dan busuk. Sistem identifikasi ini mampu mengenali seluruh kategori buah dengan tingkat keberhasilan identifikasi kebenaran 83.3%. Dari hasil identifikasi yang telah dilakukan menghasilkan tiga output identifikasi yaitu jeruk matang 85%, lewat matang 75%, dan mentah 90%. Hasil identifikasi ini dipengaruhi oleh kondisi dari cara pengambilan gambar buah. Kata Kunci : Jaringan Syaraf Tiruan, Pengolahan Citra, backpropagation, Identifikasi, kematangan, Jambu Biji Merah

ABSTRACT

FAHMIL IKHSAN HIDAYAT : Identification of Guava Maturity with Artificial

Neural Network Backpropagation Method, supervised by LUKMAN ADLIN

HARAHAP and SULASTRI PANGGABEAN.

(62)

backpropagation method to distinguish raw, ripe and rotten fruits. This identification system was capable to identify the entire category of fruit which were 83.3 % correct identification. From the identification that had been done, resulting the identification of the three outputs 85 % ripe citrus, over ripe 75 %, and 90 % raw. Results of the identifications were affected by the shooting fruit process.

(63)

iii

Penulis dilahirkan di Gunung Bayu pada tanggal 7 Agustus 1994 dari Bapak Hidayat Darpo dan Ibu Jumini Siregar. Penulis merupakan anak ketiga dari empat bersaudara.

Penulis memasuki SMA Swasta Raksana Medan pada tahun 2009 dan tamat pada tahun 2012. Setelah menyelesaikan pendidikan di SMA, penulis memasuki Keteknikan Pertanian, Fakultas Pertanian Universitas Sumatera Utara melalui jalur UMB-PTN Reguler (Ujian Masuk Bersama Perguruan Tinggi Negeri Reguler) pada tahun 2012.

Selama mengikuti perkuliahan, penulis aktif pada organisasi Ikatan Mahasiswa Keteknikan Pertanian (IMATETA).

(64)

iv

Puji dan syukur penulis ucapkan kepada Tuhan Yang Maha Kuasa atas berkat dan rahmat-Nya sehingga penulis dapat menyelesaikan skripsi yang berjudul “Identifikasi Kematangan Buah Jambu Biji Merah (Psidium guajava) dengan Teknik Jaringan Syaraf Tiruan Metode Backpropagation” yang merupakan salah satu syarat untuk melaksanakan penelitian di Program Studi Keteknikan Pertanian Fakultas Pertanian Universitas Sumatera Utara, Medan

Pada kesempatan ini penulis mengucapkan banyak terima kasih kepada Bapak Lukman Adlin Harahap, STP, M.Si selaku ketua komisi pembimbing dan kepada Ibu Sulastri Panggabean, STP. M.Si, selaku anggota komisi pembimbing yang telah banyak membimbing dan memberikan berbagai masukan, saran dan kritikan yang sangat berharga kepada penulis sehingga skripsi ini dapat diselesaikan dengan baik.

Untuk penyempurnaan skripsi ini, maka kiranya penulis sangat mengharapkan saran dan kritikan yang bersikap membangun agar kedepannya dapat memperoleh hasil yang lebih baik.

Semoga skripsi ini dapat bermanfaat bagi seluruh pihak yang membutuhkan.

Terima Kasih.

Medan, September 2016

(65)

v

Jambu biji merah (Psidium guajava L.) ... 5

Jaringan Syaraf Tiruan ... 10

Arsitektur Jaringan Syaraf Tiruan ... 11

Metode Backpropagation ... 13

Pengolahan Citra Digital ... 17

Analisis Sistem ... 19

METODOLOGI PENELITIAN ... 21