SISTEM EVALUASI MUTU
BUAH MELON TIPE BERJARING MENGGUNAKAN
JARINGAN SYARAF TIRUAN DENGAN LOGIKA FUZZY
SEBAGAI PRAPROSES
KRISNA PANDHANA
SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR
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
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
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.
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.
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
SISTEM EVALUASI MUTU
BUAH MELON TIPE BERJARING MENGGUNAKAN
JARINGAN SYARAF TIRUAN DENGAN LOGIKA FUZZY
SEBAGAI PRAPROSES
KRISNA PANDHANA
SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR
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
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
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.
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.
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
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
No Teks Halaman
26. Grafik perbandingan waktu training terhadap learning rate... 53 27. Grafik perbandingan waktu validasi terhadap learning rate... 54
Lampiran
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.
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 praproses.
Melon yang digunakan dalam penelitian ini dipilih tipe berjaring. Dipilihnya tipe ini karena pada saat ini yang banyak diperdagangkan adalah tipe melon berpola jaring. Salah satu indikator untuk menentukan tingkat kemanisan adalah pola jaring.
Varietas yang dipilih untuk penelitian ini adalah varietas Glamour. Varietas ini memiliki keunggulan pada jaring, warna dan tingkat kemanisan yang cukup baik, sebagai karakter yang sangat dibutuhkan dalam penelitian ini.
Metode pengolahan data yang digunakan dalam penelitian ini adalah pengolahan citra, logika fuzzy dan jaringan syaraf tiruan (JST).
Pengolahan citra digunakan untuk mengambil data parameter karakter melon yang terdiri dari ukuran jari–jari, rata–rata jari–jari, rata-rata roundness, rata-rata luas , rata-rata nilai warna (colour value), rata-rata indeks warna merah, rata-rata indeks warna hijau, rata-rata indeks warna biru, rata-rata warna merah, rata-rata warna hijau, rata-rata warna biru, rata-rata corak (hue), rata-rata kejenuhan (saturation) dan rata-rata intensitas (intensity) yang akan diinputkan ke JST dan juga digunakan sebagai data analisis parameter berdasarkan rasa, umur dan cabang.
melon berdasarkan parameter yang dihasilkan oleh normalisasi logika fuzzy dan pengolahan citra. Output yang dihasilkan adalah dapat menduga rasa tawar, sedang, dan manis kemudian menganalisis karakteristik buah melon berdasarkan rasa, umur dan cabang dari hasil pengolahan citra serta menentukan nilai parameter optimal untuk arsitektur JST sehingga mendapatkan akurasi yang cukup tinggi dan waktu yang cepat.
1.3 Batasan Masalah
Dalam penelitian ini, permasalahan dibatasi pada aspek-aspek sebagai berikut :
1. Merancang sistem evaluasi mutu dengan menggunakan pengolahan citra, logikafuzzy dan JST terhadap sampel buah melon tipe berjaring berdasarkan umur buah (30, 35 dan 45 hari) dan cabang (12, 13, dan 14) tempat buah terbentuk.
2. Mengukur nilai parameter buah melon yang terdiri dari jari–jari, rata–rata jari– jari, rata-rata roundness, rata-rata luas, rata-rata colour value, rata-rata indeks warna merah, rata indeks warna hijau, rata indeks warna biru, rata-rata warna merah, rata-rata-rata-rata warna hijau, rata-rata-rata-rata warna biru, rata-rata corak (hue), rata-rata kejenuhan (saturation) dan rata-rata intensitas (intensity) untuk input JST serta menganalisis parameter ciri melon menggunakan hasil pengolahan citra.
1.4 Tujuan Penelitian
Tujuan penelitian ini secara umum adalah untuk mengembangkan sistem evaluasi mutu buah melon berdasarkan rasa dengan melakukan langkah penelitian dan percobaan sebagai berikut :
1. Pengolahan citra d igunakan untuk memperoleh nilai parameter ciri yang mencerminkan tingkat kemanisan buah yang diketahui dari komposisi warna dan ukuran/pola jaring yaitu nilai jari-jari, nilai rata–rata jari-jari, rata-rata roundness, rata-rata luas, rata -rata colour value (CV), rata-rata indeks warna merah (IR), rata-rata indeks warna hijau (IG), rata-rata indeks warna biru (IB), rata-rata warna merah (R), rata-rata warna hijau (G), rata-rata warna b iru (B), rata-rata hue (H), rata-rata saturation (S), dan rata-rata intensity (I). Parameter yang didapat dari hasil pengolahan citra digunakan untuk menganalisis ciri melon berdasarkan rasa, umur dan cabang.
2. Mendapatkan nilai normalisasi rasa dengan menggunakan sistem logika fuzzy berdasarkan tingkat kemanisan dengan 2 parameter, yaitu nilai brix dan pH. 3. Merancang bangun sistem JST untuk melakukan proses pendugaan rasa
berdasarkan parameter input yang didapat dari logikafuzzy dan pengolahan citra serta menentukan nilai parameter yang optimal untuk arsitektur JST guna mendapatkan nilai akurasi yang tinggi dan waktu lebih cepat.
1.5 Manfaat Penelitian
1. Memberikan kemudahan bagi petani maupun pedagang untuk menentukan mutu berdasarkan rasa buah melon secara cepat dan akurat.
2. Dapat memahami hasil dari pengembangan sistem ini sehingga bisa dimanfaatkan untuk keperluan studi atau kelayakan bisnis untuk agro industri. 3. Memberikan suatu wacana penerapan teknologi informasi yang baik dan tepat
sasaran agar dapat dikembangkan pada agroindustri sejenis di Indonesia.
BAB II LANDASAN TEORI
II.1 Konsep Sortasi Dan Gradasi Buah Melon
Buah melon yang telah dipanen diangkut kemudian dikumpulkan dalam pasar atau segmen pasar. Tahapan selanjutnya adalah proses penentuan tingkat mutu (gradasi mutu). Buah yang sehat dan utuh dipisahkan dari buah yang cacat fisik maupun buah yang cacat karena gangguan hama dan penyakit.
Buah melon yang berkualitas tinggi selanjutnya mengalami gradasi mutu atau tahap pengkelasan. Pada tingkat segmen pasar umumnya mutu buah melon dikelompokkan berdasarkan keseragaman dan bobot buah.
Selain berdasarkan keseragaman dan bobot, mutu buah melon seringkali ditentukan berdasarkan derajat kemanisan yag dapat ditentukan berdasarkan uji organoleptik atau menggunakan alat brix-refractometer.
Berdasarkan uji organoleptik melon dapat dikelompokkan dalam tiga kategori, yaitu manis, sedang dan tawar. Penilaian mutu dengan cara ini sering memberikan hasil yang sangat beragam karena dipengaruhi oleh sensitivitas penilai (penguji) terhadap rasa manis tersebut. Untuk mengatasi kelemahan uji organopleptik, para pelaku bisnis mulai memanfaatkan suatu alat pengukur derajat kemanisan, yaitu brix-refractometer yang menghasilkan penilaian yang lebih akurat dan seragam.
Derajat kemanisan buah melon ditentukan oleh berbagai faktor, antara lain varietas (Tabel 1), ketinggian cabang tempat buah terbentuk dan umur buah yang dihitung sejak selesai penyerbukan. Kombinasi dua faktor terakhir disajikan dalam Tabel 2.
Beberapa karakter buah yang dapat dijadikan indikator kemanisan buah adalah jari-jari (jarak pada jaring terdekat ke tangkai buah), kebulatan, luas dan warna. Dalam penelitian ini dilakukan pengamatan empat ciri yaitu jari-jari daerah tidak berjaring disekitar tangkai buah, kebulatan buah, letak ketinggian buah dan umur buah.
Tabel 1. Data Tingkat Kemanisan yang Berbeda dari Tiap-tiap Varietas
V
VaarriieettaassMMeelloon n TTiinnggkkaattKKeemmaanniissaann (
(bbrriixx) ) S
SkkyyRRoocckkeett 1144––116 6 S
SiillvveerrBBaalll l 1144––117 7 S
Suun n 1155––117 7 M
Meelliinnddoo--3 3 1122––113 3 A
AuuttuummnnSSwweeeet t 1133––116 6 E
EmmeerraallddJJeewweel l 1144--115 5 Sumber : Direktorat Tanaman Buah 2004
Pakar melon memiliki standar mutu berdasarkan terbentuknya pola jaring, kekasaran jaring, jarak jaring terakhir yang mendekati stem end (pangkal tangkai buah), keluarnya getah (bleeding) dari pangkal tangkai dan tingkat kebulatan buah melon. Keempat faktor tersebut merupakan dasar yang digunakan oleh pakar melon untuk mengetahui tingkat kemanisan dan mutu buah. Menurut pendapat pakar, melon yang memiliki gradasi yang terbaik adalah melon yang pola jaringnya terbentuk secara penuh, memiliki tingkat kekasaran yang tinggi, jaring yang terbentuk apabila dilihat dari atas mendekati pangkal tangkai, mengalami bleeding lapangan dan tingkat kebulatan buah yang tinggi, dalam arti buah tidak bergelombang atau sedikit bergelombang. Tingkat kemanisan buah melon berdasarkan nilai brix-refractometer dapat ditentukan oleh umur buah dan letak ketinggian cabang tempat dibentuknya buah. Kisaran nilai brix berdasarkan kombinasi umur dan letak ketinggian cabang dikemukakan dalam Tabel 2.
Tabel 2. Tingkat Kemanisan(*)Berdasarkan Umur Buah dan Cabang
Sumber : Adnan (Konsultasi Pribadi)
(*) Tingkat kemanisan dinyatakan dalam brix merupakan satuan dari alat yang digunakan yaitu Refractometer
II.2
Pengolahan Citra
UMUR CABANG
30 35 40 12 10 < x = 12 12 < x = 14 14 < x = 16
13 8 < x = 10 10 < x = 12 12 < x = 14
Pengolahan citra merupakan proses pengolahan dan analisis citra yang banyak melibatkan persepsi visual (Ahmad 2005). Proses ini mempunyai data masukan dan informasi keluaran yang berbentuk citra.
Teknik -teknik pengolahan citra b iasanya melakukan penajaman citra, kompresi citra dan koreksi citra yang tidak fokus. Beberapa penerapan teknik pengolahan citra antara lain :
—Computer graphics
—Pattern recognition
—Artificial intelligence
—Psychophysics
Sistem visual adalah sebuah proses untuk memperoleh pengukuran atau abstraksi dari sifat-sifat geometri dari citra. Komponen yang membentuk sistem visual adalah komponen geometri, pengukuran dan interpretasi.
Proses pembentukan citra terdiri atas dua bagian, yaitu geometri citra dan fisik cahaya (Arymurthy & Suryana 1992). Geometri citra untuk menentukan suatu titik dalam pemandangan yang diproyeksikan pada bidang citra. Sementara itu fisik cahaya untuk menentukan kecerahan suatu titik pada bidang citra sebagai fungsi pencahayaan pemandangan serta sifat-sifat permukaan. Citra masukan diperoleh melalui suatu kamera yang didalamnya terdapat suatu alat digitasi yang mengubah citra masukan yang berbentuk analog menjadi citra digital. Dalam pengambilan citra, hanya citra yang berbentuk digital yang dapat diproses oleh komputer digital. Data citra yang dimasukkan berupa nilai-nilai integer yang menunjukkan nilai intensitas cahaya atau keabuan setiap pixel (piksel). Citra digital, dapat diperoleh secara otomatis dari sistem penangkap citra, membentuk suatu matrik yang elemen-elemennya menyatakan nilai intensitas cahaya pada suatu himpunan diskrit pada titik.
Gambar 1. Sistem Terdepan dari Pengolahan Citra (Arymurty & Suryana 1992).
Alat masukan citra yang digunakan adalah kamera dan Charged Couple Device (CCD) pengolah citra. Sensor citra dari alat ini menghasilkan keluaran berupa citra analog sehingga dibutuhkan proses digitasi dengan menggunakan alat digitasi seperti yang telah disebutkan di atas.
Perangkat pengolahan citra terdiri dari perangkat keras dan perangkat lunak (Arymurthy & Suryana 1992). Komponen utama dari perangkat keras pengolahan citra secar a digital adalah komputer dan alat peraga. Komputer tersebut bisa dari jenis komputer multi guna (pemakaian sehari-hari untuk kantor maupun dirumah tangga) atau dari jenis khusus yang dirancang untuk pengolahan citra digital.
Operasi pada pengolahan citra pada umumnya dilakukan dari piksel ke piksel yang sifatnya paralel.
Sistem perangkat keras terdiri dari beberapa sub sistem yaitu sub sistem komputer, masukan video, keluaran video, kontrol proses interaktif, penyimpan berkas citra, dan perangkat khusus pengolah citra (Gambar 2).
Gambar 2. Perangkat Keras Pengolah Citra (Arymurty & Suryana 1992).
Citra sebagai keluaran suatu sistem perekaman data dapat bersifat optik berupa foto, bersifat analog berupa sinyal-sinyal video seperti gambar pada
Citra Masukan Pengubah Analog Citra Digital ke Digital
Sensor Komputer
Digital
Bingkai Penyimpan Citra Monitor Peraga
Pita Magnetik Disk
Alat Pencetak Terminal Komputer
Perekam Pita Video Sistem Kamera Alat Digitasi Masukan Video
monitor televisi atau bersifat digital yang dapat langsung disimpan pada suatu pita magnetik.
Komputer digital hanya dapat memproses suatu citra dalam bentuk digital, data citra yang dimasukkan berupa nilai-nilai integer yang menunjukkan nilai intensitas cahaya atau tingkat warna tiap piksel. Citra digital dapat diperoleh secara otomatis dari sistem frame grabber (penangkap citra) digital yang melakukan penjelajahan citra dan membentuk suatu matrik yang elemen -elemennya menyatakan nilai intensitas cahaya pada suatu himpunan diskrit dari titik.
Citra (x,y) disimpan dalam memori komputer atau penyimpan bingkai citra dalam bentuk matrik N x M dari contoh diskrit dengan jarak sama sebagai berikut:
f(x,y) =
Setiap elemen dari matrik tersebut disebut sebagai piksel yang merupakan suatu daerah empat persegi panjang kecil dengan ukuran tertentu dan menunjukkan nilai intesitas warna piksel pada lokasi yang bersangkutan. Ukuran piksel ini sering disebut resolusi piksel.
II.2.1 Konsep Dasar Citra
Citra merupakan dimensi spatial yang berisi informasi warna dan tidak bergantung pada waktu. Citra merupakan sekumpulan titik -titik dari gambar, yang disebut Picture E lement (pixel).
Titik -titik tersebut menggambarkan posisi koordinat dan mempunyai intensitas yang dapat dinyatakan dengan bilangan , seperti terlihat pada Gambar 3. Intensitas ini menunjukan warna citra, melalui penjumlahan nilai intensitas (Red, Green dan Blue/RGB).
Ket : R=Red (Merah) , G=Green (Hijau), B=Blue (Biru), C=Cyan (Biru Muda), M=Magenta (Ungu), Y=Yellow
(Kuning)
Gambar 3. Koordinat RGB.
Koordinat memberikan informasi warna p iksel berdasarkan Brightness (kecerahan) warna cahaya (hitam, abu-abu, putih) dari sumber, corak warna (Hue) yang ditimbulkan oleh warna (merah, kuning, hijau dll ) dan merupakan panjang gelombang dominan dari sumber.
Citra dengan 8 bit per p iksel mempunyai 256 warna (28=256) dan citra dengan 24 bit mempunyai 16 777 216 warna (224=16 777 216), jadi tiap piksel dinyatakan d engan :
♦ bit 0 sampai dengan 7 untuk warna merah.
♦ bit 8 sampai dengan 15 untuk warna hijau
♦ bit 16 sampai dengan 24 untuk warna biru
Kemungkinan kombinasi warna yang ada adalah = 2563 + 2562 + 2561 = 16 843 008, dimana nilai 0 menyatakan warna hitam sedangkan nilai 16 843 008 menyatakan warna putih. Citra dapat diubah dari domain spatial menjadi domain yang lain, dengan tujuan untuk mempermudah pengkodean. Proses perubahan ini dinamakan transformasi (Mandala 2003).
II.2.2 Pengolahan Warna
255,255,0
255,0,255
255,0,0
0,255,255
0,255,0 255,255,255
0,0,255
0,0,0
C M
Y
Warna tidak lebih dari sekedar respon psycho-physiological dari intensitas yang berbeda (Ahmad 2005). Energi dari cahaya ditangkap oleh mata dan diterjemahkan oleh otak sebagai warna. Fakta menunjukkan bahwa banyak ilmu pengetahuan tentang warna didasarkan pada karakteristik sensor dari mata.
Display komputer menggunakan RGB model untuk merepresentasikan warna. Dalam hal ini, sebuah warna didefinisikan dengan jumlah relatif dari intensitas ketiga warna pokok (merah, hijau, biru) yang diperlukan untuk membentuk sebuah warna.
Intensitas dapat berkisar dari 0% sampai 100% dan jumlah bit digunakan untuk merepresentasikan resolusi dari intensitas yang berarti jumlah warna yang dapat ditampilkan. Intensitas 0% untuk ketiga warna pokok berarti ketiadaan suatu warna maupun kecerahan pada suatu piksel sehingga tampak sebagai titik hitam (warna hitam) dan intensitas 100% untuk ketiga warna pokok berarti semua komponen warna akan saling menetralkan pada suatu piksel sehingga tampak suatu titik putih (warna putih).
Dalam hal perangkat keras monitor dan kartu grafik yang dapat menampilkan warna dalam format 24 -bit, tiap 24-bit nilai piksel mendefinisikan sebuah warna yang mengandung 8-bit intensitas untuk warna merah, hijau, dan biru, sehingga dapat menghasilkan kombinasi warna sebanyak 16 777 216 macam (angka ini didapatkan dengan memangkatkan 24 kepada bilangan 2, atau memangkatkan 8 kepada bilangan 2 lalu memangkatkannya kembali dengan 3, yaitu jumlah komponen warna pokok dalam model warna RGB)
Tabel 3 memperlihatkan beberapa model warna yang penting dan deskripsi serta pemakaiannya .
Tabel 3. Model warna
Model Deskripsi
RGB Merah, Hijau, dan Biru (warna pokok). Sebuah model warna pokok aditif.
CMY (K) Cyan, Magenta, Kuning (dan Hitam). Sebuah model warna subtraktif.
YCbCr
Luminase (Y) dan dua komponen chrominasi (Cb dan Cr).
Digunakan dalam siaran televisi sama dengan model YIQ
HSB/HSL/HSI Hue, Saturasi, dan Intensitas.
Berdasarkan persepsi manusia terhadap warna.
Sumber : (Ahmad 2005)
Persepsi warna dalam pengolahan citra tergantung pada tiga faktor, yaitu spectral reflectance dari permukaan (yang menentukan bagaimana suatu permukaan memantulkan warna), spectral content dari penyinaran (kandungan warna dari cahaya yang menyinari permukaan), dan spectral response (kemampuan merespon warna dari sensor dalam imaging system).
Model warna telah banyak dikembangkan oleh para ahli, seperti model Red, Green, Blue (RGB), model Cyan, Magenta, Yellow (CMY (K)) , YcbCr (luminase serta dua komponen kromin asi Cb dan Cr), dan Hue, Saturation, Intensity (HSI). Model warna RGB merupakan model warna pokok aditif, yaitu warna dibentuk dengan mengkombinasikan energi cahaya dari ketiga warna pokok dalam berbagai perbandingan.
Model warna RGB dapat juga dinyatakan dalam indeks warna RGB dengan rumus sebagai berikut :
Indeks warna merah (indeks R) = R/(R+G+B)...(1) Indeks warna hijau (indeks G) = G/(R+G+B)...(2) Indeks warna biru (indeks B) = B/(R+G+B)...(3) dengan R, G, dan B masing-masing merupakan besaran yang menyatakan nilai intensitas warna merah, hijau, dan biru.
Model warna HSI menyatakan Hue, Saturation, Intensity merupak an model warna yang paling sesuai dengan persepsi manusia. Nilai Hue dapat diaplikasikan untuk membedakan antara objek dan latar belakang. Saturation yang tinggi dapat menjamin nilai Hue cukup akurat dalam membedakan objek dan latar belakang. Intensity merupakan nilai abu-abu piksel dalam citra hitam putih. Model warna RGB dapat ditransformasikan ke model HSI dengan persamaan sebagai berikut:
(
) (
)(
)
[
]
) 6 ( ... ... ... ... ... ... ... ... ... ... 3 ) 5 ( ... ... ... ... ... ... ... ) , , ( min ) ( 3 1 ) 4 ( ... ... ... ... 22 2 0.5
+ + = × + + − = − − + − × − − = B G R I B G R B G R S B G G R G R B G R H Cos
II.3 Logika Fuzzy
Pada dasarnya manusia dalam menilai suatu objek sering melakukannya secara kualitatif artinya apa yang dikriteriakan oleh si A belum tentu sama dengan si B yang kita sebut ketidakpastian. Seperti ungkapan penentuan suhu panas, hangat dan dingin, orang bertubuh tinggi atau pendek dan lain sebagainya (Rich & Knight 1983). Dasar ketidakpastian inilah yang menjadi pencetusan teori fuzzy. Sistem fuzzy adalah suatu cara mengambil keputusan melalui pendekatan fuzzy logic (logika fuzzy).
Derajat keanggotaan dapat dibangkitkan secara berangsur–angsur dan lebih baik dibandingkan tanpa logika fuzzy, Inilah salah satu keuntungan dari logika fuzzy.
Konsep fuzzy set (gugus fuzzy ) diperkenalkan oleh Lotfi A Zadeh pada tahun 1965, yang kemudian berkembang menjadi teori gugus fuzzy. Dasar teori gugus fuzzy adalah pengenalan akan adanya batasan yang tidak jelas (Zimmermann 1996). Teori ini muncul dari kebutuhan untuk menggambarkan ”keadaan antara” yang terdapat dalam dunia nyata, seperti antara ya dan tidak, antara anggota dan bukan anggota suatu gugus, yang biasanya digambarkan dengan kata–kata ”lebih, kurang, mendekati, hampir dan sebagainya”. Gugus fuzzy merupakan himpunan dengan batasan yang tidak pasti dan keanggotaannya lebih mengarah kepada tingkat atau derajat.
Sistem fuzzy merupakan suatu cara pengambilan keputusan melalui pendekatan logika fuzzy. Logika fuzzy membuat model pengambilan alasan yang memungkinkan pembuatan keputusan yang relatif d i dalam lingkungan ketidakpastian dan ketidaktepatan. Kemampuan ini tergantung kepada kemampuan untuk membuat jawaban perkiraan dari suatu pertanyaan yang didasarkan pada sekumpulan kondisi yang tidak tepat atau tidak jelas.
Gugus fuzzy berbeda dengan crisp set (gugus klasik). Gugus klasik merupakan suatu sistem yang menunjukkan kriteria suatu obyek dalam dua nilai, anggota dan bukan anggota. Jika suatu obyek merupakan elemen dari suatu gugus, maka fungsi keanggotaannya adalah 1. Tipe pemikiran ini merupakan logika yang hanya mempunyai dua nilai kebenaran, yaitu benar (1) dan salah (0).
Gugus fuzzy merupakan pengembangan dari gugus klasik. Fungsi keanggotaannya tidak hanya memberikan nilai 1 atau 0, tetapi nilai yang berada pada suatu selang tertentu, yaitu selang antara 0 dan 1. Nilai yang diberikan oleh fungsi keanggotaan disebut derajat keanggotaan (Rao 1995). Perbedaan antara gugus klasik dan gugus fuzzy dapat dilihat pada Gambar 4 dan Gambar 5, dengan gugus semesta temperatur.
Seperti halnya himpunan konvensional, ada beberapa operasi yang didefinisikan secara khusus untuk mengkombinasi dan memodifikasi gugus fuzzy. Ada 3 operator dasar yang diciptakan oleh Zadeh, yaitu complement (kebalikan), union (gabungan) dan intersection (irisan).
Operasi–operasi lain yang terdapat pada fuzzy adalah sebagai berikut (Zimmermann 1996):
1. Algebraic product (perkalian aljabar)
Perkalian aljabar dari A dan B dilambangkan dengan AB. Fungsi keanggotaan AB didefinisikan sebagai berikut :
A.B ⇔ µA(x).µB(x)
2. Algebraic sum (penjumlahan aljabar)
Penjumlahan aljabar dari A dan B dilambangkan dengan A + B. Fungsi Keanggotaan A + B didefinisikan sebagai berikut :
A + B ⇔ µA(x) + µB(x) - µA(x).µB(x)
35
Panas 1
35
[image:40.612.209.379.88.320.2]Panas 1
Gambar 4. Gugus klasik
3. Bounded Sum
Bounded Sum gugus fuzzy A dan B adalah gugus fuzzy yang didefinisikan dengan fungsi keanggotaan sebagai berikut :
A ⊕ B = {(x, µA⊕ B(x)) x ∈ X}, dimana µA⊕ B(x) = min {1, µA(x) +
µB(x)}.
Pada operasi sistem fuzzy terdapat beberapa sifat antara lain sebagai berikut (Jang et al. 1997) :
1. Law of contradiction : A ∩A ? ø 2. Law of the excluded middle : A ∪A ? X 3. Idempotency : A ∩ A = A, A ∪ A = A
4. Commutativity : A ∩ B = B ∩ A, A ∪ B = B ∪ A 5. Associativity : (A ∪ B) ∪ C = A ∪ (B ∪ C)
(A ∩ B) ∩ C = A ∩ (B ∩ C)
6. Distributivity : A ∪ (B ∩ C) = (A ∪ B) ∩ (A ∪ C)
A ∩ (B ∪ C) = (A ∩ B) ∪ (A ∩ C)
7. Absorption : A ∪ (A∩B) = A
A ∩ (A∪B) = A
8. Absorption of complement : A ∪ (A ∩ B) = A ∪ B A ∩ (A ∪ B) = A ∩ B
Bilangan fuzzy berkaitan dengan konsep nilai pendekatan atau selang, yaitu bilangan–bilangan yang berada di suatu selang bilangan riil tertentu. Nilai–nilai linguistic (kebahasaan) ’baik’, ’buruk’ dan lain– lain merupakan contoh bilangan fuzzy. Oleh karena itu, suatu bilangan fuzzy terdiri dari beberapa bilangan riil atau beberapa bilangan pada suatu domain tertentu.
Fungsi keanggotaan fuzzy adalah suatu kurva yang menunjukkan pemetaan titik–titik input data ke dalam nilai keanggotaannya yang memiliki interval antara 0 dan 1 (Rich & Knight 1983).
kurva trapesium, representasi kurva bentuk bahu dan representasi kurva bentuk lonceng.
fuzzy perubahan derajat keanggotaan dari suatu kondisi ke kondisi lainnya terjadi secara berangsur-angsur, tidak terjadi secara tiba-tiba. Penentuan model fungsi keanggotaan fuzzy tergantung pada tingkat keakuratan yang diinginkan, dan juga berdasarkan pengalaman pakar (Jang et al. 1997).
Sistem inferensi fuzzy merupakan suatu proses pengambilan keputusan dengan menggunakan logika fuzzy. Proses yang terjadi merupakan formulasi pemetaan dari input yang diberikan ke suatu output. Metode–metode yang digunakan dalam sistem inferensi fuzzy antara lain metode Tsukamoto, metode Mamdani dan metode Sugeno (Kusumadewi 2003). Ada tiga proses pengambilan keputusan dalam logika fuzzy yaitu, fuzzifikasi, rule (evaluasi aturan) dan defuzzifikasi (Jang et al. 1997).
II.3.1 Fuzzi fikasi
Fuzzifikasi merupakan tahap pertama dari proses inferensi fuzzy. Pada tahap ini data masukan diterima dan sistem menentukan nilai fungsi keanggotaannya serta mengubah variabel numerik (variabel non fuzzy) menjadi variabel linguistik (variabel fuzzy) (Jang et al. 1997). Dengan kata lain, fuzzifikasi merupakan pemetaan crisp points (titik–titik numerik) ke gugus fuzzy dalam semesta pembicaraan.
Metode fuzzifikasi dapat juga dijumpai dengan hedge fuzzy (menerapkan pemagaran) pada sebuah kumpulan (Pal 1989). Sebuah pemagar adalah sebuah operator yang mentranformasikan sebuah kumpulan fuzzy ke dalam kumpulan fuzzy lainnya yang diintensifkan atau dijarangkan. Fungsi keanggotaan memberi arti atau mendefinisikan ekspresi linguistik menjadi bilangan yang dapat dimanipulasi.
II.3.2. Evaluasi Aturan
Pada umumnya, aturan–aturan fuzzy dinyatakan dalam bentuk ‘IF–THEN’ yang merupakan inti dari relasi fuzzy. Relasi fuzzy, dinyatakan dengan R, juga disebut implikasi fuzzy. Relasi fuzzy dalam pengetahuan dasar dapat didefinisikan sebagai gugus pada implikasi fuzzy. Evaluasi aturan (rule) atau fuzzy inference menggunakan teknik yang disebut min –max inference untuk menentukan nilai akhir berdasarkan nilai sistem input (Sibigtroth 1992).
Masing–masing kaidah memiliki bentuk pernyataan IF –THEN. Bagian IF dari suatu kaidah meliputi satu atau lebih kondisi, disebut antesendent. Sedangkan bagian THEN meliputi satu atau lebih aksi, disebut consequent. Suatu antesendent dari kaidah terhubungkan langsung pada derajat keanggotaan (fuzzy input) ditentukan melalui suatu proses fuzzifikasi (Jang et al. 1997).
II.3.3. Defuzzifikasi
Defuzzifikasi adalah suatu proses yang menggabungkan seluruh fuzzy output menjadi sebuah hasil spesifik yang dapat digunakan untuk masing–masing sistem output (Jang et al. 1997). Defuzzifikasi merupakan proses kebalikan dari fuzzifikasi, di mana nilai keanggotaan dari suatu gugus fuzzy dikonversi ke dalam suatu bilangan real.
Pada metode Tsukamoto, setiap konsekuen pada aturan yang berbentuk IF – THEN harus direprentasikan deng an suatu gugus fuzzy dengan fungsi keanggotaan yang monoton. Output hasil inferensi dari tiap –tiap aturan diberikan secara crisp (tegas) berdasarkan derajat keanggotaan. Hasil akhirnya diperoleh dengan menggunakan rata–rata terbobot. Sedangkan metode Mamdani terdiri dari empat tahap, yaitu pembentukan gugus fuzzy, aplikasi fungsi implikasi (aturan), komposisi aturan dan penegasan.
Apabila komposisi aturan menggunakan metode Sugeno, maka defuzzifikasi dilakukan dengan cara mencari nilai rata–ratanya. Metode ini diperkenalkan oleh Takagi–Sugeno Kang pada tahun 1985. Ada dua model yaitu (Kusumadewi 2003):
a. Model fuzzy Sugeno Orde–Nol
Secara umum bentuk model fuzzy Sugeno Orde–Nol adalah :
IF (x1 is A1) AND (x2 is A2) AND (x3 is A3) AND ……....….. AND (xn is An) THEN z = k
Dimana, An adalah gugus fuzzy ke–n sebagai antesendent dan k adalah suatu konstanta (tegas) sebagai consequent.
b. Model Fuzzy Sugeno Orde–Satu
Secara umum bentuk model fuzzy Sugeno Orde–Satu adalah :
IF (x1 is A1) AND ……….. AND (xn is An) THEN z = p1*x1 + …….. + pn* xn + q
Dimana, An adalah gugus fuzzy ke–n sebagai antesendent dan pn adalah suatu konstanta (tegas) ke-n dan q juga merupakan konstanta dalam consequent.
II.3.4 Penyusunan Logika Fuzzy
Pada proses penentuan tingkat kemanisan (rasa) buah melon ini menggunakan sistem inferensi fuzzy metode Mamdani. Metode ini sering juga disebut dengan metode Max-Min atau Min-Max. Metode ini diperkenalkan oleh Ebrahim Mamdani pada tahun 1975 (Kusumadewi 2003). Untuk mendapatkan output, diperlukan 4 tahapan yaitu :
a) Pembentukan gugus fuzzy (fuzzifikasi) b) Aplikasi fungsi implikasi (aturan) c) Komposisi aturan
d) Penegasan (defuzzifikasi)
Secara skematis dapat digambarkan sebagai berikut (Gambar 6) :
Gambar 6. Skema Sistem Fuzzydari Input ke Output
Input Sistem Inferensi
Fuzzy
Berikut adalah tahapan–tahapan sistem inferensi fuzzy secara berurutan (Gambar 7).
Gambar 7. Skema Sistem Inferensi Fuzzy
II.3.4.1 Fuzzifikasi
Skema fuzzifikasi dari masing–masing parameter input dapat dilihat pada Gambar 8 dan Gambar 9.
Gambar 8. Derajat keanggotaan untuk nilai brix
Gambar 9. Derajat keanggotaan untuk nilai pH
Proses untuk mendapatkan besarnya derajat keanggotaan masukan yang berupa suatu elemen himpunan (variable numeric non fuzzy) dalam suatu gugus fuzzy disebut fuzzification (fuzzifikasi). Penentuan keanggotaan suatu gugus fuzzy tidak dibatasi aturan–aturan tertentu.
p q r s t
R S T
1 Tawar Sedang Manis
a b c d e
R S T
1 Tawar Sedang Manis
Nilai brix
Fuzzifikasi Aturan Komposisi
Aturan
Defuzzifikasi
Derajat Keanggotaan
µA(x)
Derajat Keanggotaan
µA(x)
Nilai pH
Ket : a=Rendah Min, b=Sedang Min, c=Rendah Max dan Tinggi Min, d=Sedang Max, e=Tinggi Max
Fuzzifikasi memperoleh suatu nilai dan mengkombinasikannya dengan fungsi keanggotaan untuk menghasilkan nilai fuzzy. Penentuan derajat keanggotaan dari variabel numerik dalam suatu gugus fuzzy dapat dilihat pada Gambar 10.
Gambar 10. Penentuan Derajat Keanggotaan
Nilai derajat keanggotaan (y) dapat dicari dengan menggunakan persamaan (7).
1 2
1
1 2
1
x x
x x y y
y y
− − = − −
………...……….(7)
Skema defuzzifikasi dapat dilihat pada gambar 11 Sebagai berikut :
Gambar 11. Skema defuzzifikasi
a1 a2 a3 a4 a5
T S M
1 Tawar Sedang Manis
y
x (x1,y1) (x2,y2)
µA(x)
Derajat Keanggota an
II.3.4.2 Aplikasi Fungsi Implikasi (aturan)
Pada metode Mamdani, baik variabel input maupun variabel output dibagi menjadi satu atau lebih gugus fuzzy, sehingga input (antecedent) dan sistem output merupakan gugus fuzzy. Proses implikasi dapat ditentukan jika telah diketahui besarnya derajat keanggotaan yang memiliki nilai dalam selang [0,1]. Setiap aturan fuzzy memiliki bentuk pernyataan IF–THEN. Aturan dasar dalam bentuk umum adalah sebagai berikut :
Rule r : IF x1 is A11 j and x
2 is A22
j and … and x
n is Anjnthen u is A j.
Dimana A 1
1 j
adalah anggota ke–j dari variabel linguistik i yang berhubungan
dengan fungsi keanggotaan µ j (u) yang menyatakan keadaan untuk variabel tindakan pengaturan.
Dasar yang digunakan untuk mempermudah dalam menyusun aturan –aturan dapat direpresentasikan dibawah ini :
Contoh aturan pernyataan IF–THEN yang dipergunakan diantaranya adalah :
- IF NilaiBrix = “T”(*) AND NilaipH = “T” THEN TingkatKemanisan = “Manis”
- IF NilaiBrix = “T” AND NilaipH = “R” (*) THEN TingkatKemanisan = “Sedang”
- IF NilaiBrix = “R” AND NilaipH = “T” THEN TingkatKemanisan = “Sedang” - IF NilaiBrix = “R” AND NilaipH = “R” THEN TingkatKemanisan = “Tawar”
Ket (*) : T=Tinggi, R=Rendah
II.3.4.3 Komposisi Aturan (Agregasi)
Agregasi adalah proses penggabungan keluaran setiap kaidah menjadi satu nilai fuzzy. Masukan dari proses agregasi adalah keluaran dari proses implikasi untuk setiap aturan. Keluaran proses agregasi adalah gugus fuzzy tunggal untuk setiap variabel masukan yang kemudian akan dilakukan defuzzifikasi. Ada 3 metode yang digunakan dalam melakukan sistem inferensi fuzzy, yaitu max, additive (sum) dan probabilistik OR (probor). Metode yang digunakan adalah metode max.
II.3.4.4 Penegasan (defuzzifikasi)
Defuzzifikasi adalah proses mentransformasikan hasil penalaran fuzzy ke dalam nilai keluaran. Masukan dari proses defuzzifikasi adalah gugus fuzzy (gugus fuzzy keluaran dari proses agregasi) dan keluarannya adalah nilai tunggal. Ada beberapa metode defuzzifikasi pada komponen aturan Mamdani, yaitu metode Centroid, Bisektor, Mean of Maximum (MOM), Largest of Maximum (LOM) dan Smallest of Maximum (SOM).
Dalam metode Centroid (Center of Gravity), nilai dari variabel output dihitung dengan mengambil nilai dari posisi pusat dari kurva fungsi keanggotaan variabel output yang merupakan gabungan dari proses agregasi gugus fuzzy output. Formulasi metode tersebut adalah sebagai berikut:
D =
∑
∑
= = n i n i i i Fi xS F 11 ...(8)
Dimana : D = decision Fi = fuzzy output
Si = posisi pusat sistem output
N = jumlah gugus yang didefinisikan untuk sistem output
Metode lainnya yaitu metode Mean of Maxima yang memperoleh solusi crisp dengan cara mengambil nilai rata–rata domain yang memiliki nilai keanggotaan yang maksimum. Metode Largest of Maximum (LOM) memperoleh solusi crisp dengan cara mengambil nilai terbesar dari domain yang memiliki nilai keanggotaan maksimum.
Pada metode Smallest of Maximum (SOM) hampir sama dengan LOM akan tetapi nilai yang diambil merupakan nilai terkecil. Ada juga metode Bisektor yang memperoleh solusi crisp dengan cara mengambil nilai pada domain fuzzy yang memiliki nilai keanggotaan separuh dari jumlah total nilai keanggotaan pada daerah fuzzy. Sistem inferensi fuzzy yang digunakan adalah metode mamdani dengan metode defuzzifikasi ke dalam selang penentuan rasa. Hal ini dilakukan dalam upaya menentukan mutu melon tersebut berdasarkan tingkat kemanisannya.
II.4 Jaringan Syaraf Tiruan (JST)
JST adalah sistem komputasi dimana arsitektur dan operasi diilhami dari pengetahuan tentan g sel syaraf biologi didalam otak (Fausett 1994). JST dapat digambarkan sebagai model matematis dan komputasi untuk fungsi aproksimasi non linier, klasifikasi data, cluster dan regresi non parametrik atau sebagai sebuah simulasi dari koleksi model syaraf biologi. Model syaraf ditunjukkan dengan kemampuannya dalam emulasi, analisis, prediksi dan asosiasi.
Berdasarkan kemampuan yang dimiliki, JST dapat digunakan untuk belajar dan menghasilkan aturan atau operasi dari beberapa contoh, untuk menghasilkan output yang sempurna dari contoh atau input yang dimasukkan dan membuat prediksi tentang kemungkinan output yang akan muncul atau menyimpan karakteristik dari input yang disimpan di dalamnya.
Setiap unit pada input lapisan node akan menjadi masukan pada lapisan tersembunyi dan keluarannya akan menjadi masukan bagi lapisan node berikutnya sampai akhirnya menghasilkan keluaran pada output lapisan node.
Bentuk JST dengan model multilayer neural network (Rich & Knight 1983) dapat dilihat pada Gambar 12.
Gambar 12. Model Multilayer Neural Network (Rich & Knight 1983).
Keterangan :
xi = variabel input node i pada lapisan input, i = 0, 1, 2, …, n hj = output node j pada lapisan hidden, j = 0, 1, 2, …, n Ok = output node k pada lapisan output, k = 0,1,..., n
wij = nilai bobot yang menghubungkan node i pada lapisan input dengan node j pada lapisan hidden
vjk = nilai bobot yang menghubungkan node j pada lapisan hidden dengan node k pada lapisan output
Kemampuan dasar JST adalah mampu mempelajari contoh input dan output yang diberikan, kemudian belajar beradaptasi dengan lingkungan, sehingga dapat memecahkan masalah-masalah yang tidak dapat dipecahkan dengan metode komputasi konvensional. Selain itu JST mampu memecahkan permasalahan di mana hubungan antara input dan output tidak diketahui dengan jelas.
Proses kerja JST yaitu setiap set atau kumpulan input dan output mendapatkan proses pelatihan dan penyempurnaan proses perhitungan untuk menghasilkan bentuk respon yang konsisten sesuai dengan hubungan set input dan output yang ada. Perintah-perintah untuk JST pertama kali akan menghasilkan
wij vjk
yk
: : : :
: :
input layer hidden layer output layer x0 = 1
x1
x2
Xn
h0 = 1
h1
h2
Hn
O1
sistem output langsung. Untuk menghasilkan sekumpulan output yang diharapkan maka langkah pertama kali adalah dengan melakukan pelatihan (training).
Metode pelatihan JST dapat diklasifikasikan menjadi tiga, yaitu supervised, reinforcement, dan unsupervised. Metode pelatihan supervised dapat diasumsikan dengan guru yang hadir selama proses pelatihan dan setiap contoh yang diberikan terdiri dari nilai input dan nilai target. Selama proses pelatihan, nilai output yang dihasilkan dibandingkan dengan nilai target untuk menentukan besarnya galat. Galat tersebut digunakan untuk mengubah nilai bobot pada JST sehingga dapat meningkatkan kinerja jaringan. Proses pelatihan ini tercapai jika galat pada setiap contoh yang diberikan telah diperkecil pada tingkat yang dapat diterima. Contoh algoritma yang menggunakan metode supervised adalah delta rule, backpropagation, hebbian, dan stokastik.
Metode pelatihan reinforcement adalah dengan diasumsikan adanya guru yang hadir selama proses pembelajaran, tetapi nilai target tidak diberikan, hanya diberikan indikasi bahwa nilai output adalah benar atau salah. Indikasi tersebut digunakan oleh sistem untuk memperbaiki kinerja jaringan. Contoh algoritma yang menggunakan metode reinforcement adalah learning automata.
Meto de pelatihan unsupervised adalah dengan diasumsikan tanpa guru selama proses pembelajaran , contoh yang diberikan selama proses pelatihan hanya nilai input tanpa nilai target. Sistem harus belajar menemukan dan beradaptasi terhadap perbedaan dan persamaan d i dalam nilai input yang diberikan.
Pelatihan yang digunakan dalam penelitian ini adalah jenis supervised dengan algoritma backpropagation.
Algoritma pelatihan backpropagation adalah sebagai berikut (Rich & Knight 1983):
1. Inisialisasi
a. Normalisasi data input xi dan target tk dalam range (0, 1)
b. Seluruh nilai bobot (wij dan vjk) awal diberi nilai random antara –1, 1 c. Inisialisasi aktivasi thresholdingunit, x0 = 1 dan h0 = 1
2. Aktivasi unit-unit dari input layer ke hidden layer dengan fungsi : hj =
i ijx w e− ∑ ⋅
+ σ
1 1
...(9)
dimana :
s = Logistic Constant
3. Aktivasi unit-unit dari hidden layer ke output layer dengan fungsi :
yk =
j jkh v e− ∑ ⋅
+ σ
1 1
...(10)
dimana :
s = Logistic Constant
4. Menghitung error dari unit-unit pada output layer (δk) dan menyesuaik annya dengan nilai bobot vjk.
δk = (1 – yk)(tk – yk)...(11 ) dimana :
tk = output target
vjk = vjk old + (β . δk . hj)...(12)
dimana :
β = konstanta laju pelatihan (Learning Rate)
5. Menghitung error dari unit-unit pada hidden layer (τk) dan menyesuaikannya dengan nilai bobot wjk.
τk = hj (1 – hj) Σkδk . vjk...(13) wij = wij old + (β . τk . xi)...(14) 6. Pindah ke training set berikutnya dan ulangi langkah ke-2. Proses
Salah satu persamaan untuk nilai error adalah dengan menggunakan Root Mean Square Error (RMSE).
RMSE =
∑
= −
n
i
i i
n a p
1
2
) (
...(15)
Error (%) = 1 ×100%
−
∑
=
n a
a p n
i i
i i
...(16)
dimana :
pi = nilai dugaan output ulangan ke-i ai = nilai aktual output ulangan ke-i n = jumlah contoh data
7. Pengulangan (Epoh)
BAB III
METODOLOGI PENELITIAN
Gambar 13. Kerangka Konseptual Rancang Bangun Sistem Evaluasi Mutu Melon Berdasarkan Rasa
Mulai
Studi Pustaka / Riset Jurnal
Identifikasi Masalah/Perumusan Tujuan
Desain algoritma, aplikasi dan Percobaan
Pembuatan Program Aplikasi
Prototipe / Percobaan
Normalisasi data rasa Pengumpulan data dan
pengujian Sesuai Harapan
Selesai
Logika fuzzy Ke lapangan dan Uji Lab Tdk
Ya
Analisa akurasi dan waktu JST Analisa parameter
karakteristik Pengolahan Citra
[image:54.612.250.487.134.661.2]III. 1 Pengumpulan Data
Tahap pertama yang dilakukan untuk pengumpulan data adalah dengan melakukan wawancara dengan pakar melon, yaitu Dr. Ir. Abdul Muin Adnan MS, yang bergelut di tanaman melon sejak tahun 1980-an, pada saat tanaman melon baru pertama kali diperkenalkan di indonesia.
Tahap berikutnya pencarian sampel buah melon untuk data penelitian, tahap selanjutnya setelah buah melo n didapat adalah uji brix, pH dan Organolpetik; uji ini dilakukan untuk mendapatkan data rasa sebagai input logika fuzzy yang kemudian data tersebut akan dinormalisasi.
Tahap terakhir dari pengumpulan data adalah pengambilan citra. Proses ini dilakukan untuk mendapatkan data ciri buah melon yang terdiri dari ukuran jari– jari, rata–rata jari–jari, rata-rata roundness, rata-rata luas, rata-rata colour value, rata-rata indeks warna merah, rata-rata indeks warna hijau, rata-rata indeks warna biru, rata-rata warna merah, rata-rata warna hijau, rata-rata warna biru, rata-rata corak (hue), rata-rata kejenuhan (saturation) dan rata-rata intensitas (intensity). Nantinya data ini akan di input ke JST.
III.2 Tempat dan Waktu Penelitian
Tempat pengambilan sampel dilakukan di Taman Buah Mekarsari Cileungsi Bogor. Pengujian brix, pH dan organoleptik dilakukan di Laboratorium Sistem dan Manajemen Mekanisasi Pertanian (SMMP) Jurusan Teknik Pertanian, Departemen Teknologi Pertanian Institut Pertanian Bogor. Waktu penelitia n selama 7 bulan dari September 2005 sampai dengan Maret 2006.
III.3 Bahan dan Alat III.3.1 Bahan
Buah melon yang akan digunakan pada penelitian ini adalah tipe berjaring dan nama varietasnya adalah Glamour. Varietas ini memiliki tingkat kemanisan antara 12-14 brix (Taman Buah Mekar Sari 2006).
Tabel 4. Jumlah sampel melon yang diambil berdasarkan kombinasi cabang dan umur
CABANG KE UMUR
12 13 14
30 10 10 10
35 10 10 10
40 10 10 10
SUB TOTAL 30 30 30
TOTAL SAMPEL 90
III.3.2 Alat Pengambilan Citra dan Tahapannya
Alat yang digunakan untuk pengambilan dan pengolahan citra adalah hardware (perangkat komputer), software (perangkat lunak), kamera digital, Illuminancemeter, lampu ruang foto, kertas latar belakang (background) obyek, tatakan obyek (Gambar Lampiran 9) dengan spesifikasi pada Tabel 5.
Tabel 5. Spesifikasi Alat Pengambilan dan Pengolahan Citra
Background (latar belakang) pengambilan citra buah melon menggunakan kertas warna. Dari hasil pengamatan dengan metode trial and error diperoleh bahwa latar belakang yang cocok untuk jenis warna buah melon adalah latar belakang warna biru muda (33, 157, 254). Tingkat kekonsistenan pada warna biru muda lebih tinggi dibandingkan dengan latar belakang warna lain, sehingga proses pemisahan latar belakang dengan objek hasilnya optimal atau menghasilkan noise yang lebih sedikit.
Nama Alat Spesifikasi
Perangkat Komputer Komputer rakitan, Processor Pentium 4, RAM 512, HD 80 GB
Perangkat Lunak Microsoft Visual Basic 6.0
Kamera Digital Merk Fuji model Fine Pix A203, 2 Megapixel
Illuminancemeter Merk Minolta, tipe T-1H, tingkat ketelitian 1/10 Lampu Ruang Foto Merk Philips Essential, 5 watt, warna cahaya putih. Kertas Background
Obyek
Kertas karton Manila warna biru muda RGB (33, 157, 254)
Susunan alat yang digunakan untuk pengambilan citra seperti terlihat pada Gambar 14.
Keterangan :
a. Perangkat komputer (hardware) b. Styrofoam putih
c. Lampu TL 1 d. Lampu TL 2
e. Letak kamera digital f. Lampu TL 3
g. Lampu TL 4
h. Kertas latar belakang i. Meja datar
III.3.3 Alat Uji brix dan pH
Alat yang digunakan untuk menguji brix dan pH adalah brix-Refractometer dan pH meter (Gambar Lampiran 9) dengan spesifikasi pada Tabel 6.
Tabel 6. Spesifikasi Alat Uji brix dan pH
Tahapan pengujian untuk uji brix dan pH adalah pertama-tama buah melon yang sudah melalui proses tahap pengambilan citra, selanjutnya dipotong diambil daging pada bagian yang berwarna jingga saja, lalu melon dihaluskan dengan Blender.
Nama Alat Spesifikasi
Brix-Refractometer Merk ATAGO PR-201, tingkat ketelitian 1/10 pH Meter Merk HANNA pHep, tingkat ketelitian 1/10
a
c
h i
b
e d
f g
III.4 Taha pan Pengambilan Citra dan Pengambilan Data Rasa
Ada dua langkah yang dilakukan untuk mendapatkan data input JST yaitu dari hasil pengambilan citra dan pengambilan data rasa, berikut dijelaskan mengenai tahapan-tahapan pengambilan citra dan pengambilan data rasa.
III.4.1 Tahapan Pengambilan Citra
Pengambilan citra melon dilakukan dengan cara meletakkan buah melon di atas tatakan yang dibuat dari styrofoam yang dibentuk sedemikian rupa sehingga melon dapat diletakkan tegak diatasnya.
Langkah selanjutnya pengambilan citra dilakukan dengan menggunakan kamera digital dan disimpan dalam bentuk file image dengan extension JPEG dengan ukuran image 640 x 480 piksel. Pengaturan pencahayaan saat pengambilan citra di atur agar pencahayaan pada ruang pengambilan gambar tetap konstan.
Pencahayaan diukur dengan alat Illuminancemeter dengan mengambil beberapa titik pengukuran di ruang pengambilan maupun lingkungan sekitar ruang. Kondisi pada saat pengambilan citra ditunjukkan pada Tabel 7.
Tabel 7. Kondisi pe ngaturan peralatan pengambilan citra
Objek Kondisi
Lampu 4 buah
Intensitas cahaya ruang 63 x 10 lux
Intensitas cahaya lingkungan 22.8 x 10 lux
Ketinggian lampu 40.5 cm dari permukaan objek
Ketinggian kamera 22.5 cm dari permukaan objek
Resolusi kamera 640 x 480 piksel atau 0.3 MB
Pengaturan kamera Tanpa timer, tanpa flash
Sudut besi penyangga thd lampu :
• Lampu 1
• Lampu 2
• Lampu 3
• Lampu 4
58o 60o 58o 60o Sudut horizontal thd besi penyangga pada masing-masing lampu :
• Lampu 1
• Lampu 2
• Lampu 3
• Lampu 4
40o 30o 25o 15o Jarak Lampu :
• Lampu 1 terhadap Lampu 2
• Lampu 3 terhadap Lampu 4
16 cm 16.3 cm
III.4.2 Tahapan Pengambilan Data Rasa
Ada tiga pengujian yang dilakukan , yaitu uji brix, pH dan organoleptik. Hasil dari ketiga pengujian tersebut akan menjadi input bagi JST.
Uji brix dilakukan dengan meneteskan sari dari melo
