KLASIFIKASI KEMATANGAN BUAH SEMANGKA DENGAN METODE PERCEPTRON
Melfin Zanuroini, Alfirman
Mahasiswa Program Studi S1 Sistem Informasi Jurusan Ilmu Komputer
Fakultas Matematika dan Ilmu Pengetahuan Alam Kampus Bina Widya Pekanbaru, 28293, Indonesia
[email protected], [email protected] ABSTRACT
Watermelon is a fruit that is widely consumed by humans, watermelons that are consumed are ripe, ripe watermelons and raw watermelons tend to have the same skin color, which is green, so that visually distinguishing the human eye is very difficult to distinguish.
common people. Along with the development of technology, it is possible to regret this problem, namely the technique of image processing, with the help of digital image processing. This study aims to build a system that can classify raw and ripe watermelons using the perceptron method. The perceptron method is a method that is able to perform calculations by recognizing variables in pattern matching. In this method there are several variables that must be initialized, namely the input value, weight value, bias value and learning rate. The application of the perceptron model in this study uses an initial weight value of 0, an initial bias value of 0 and a learning rate of 1. The data used is a digital image of the watermelon in JPG format, totaling 100 images, 50 raw and 50 ripe.
50 images are used as training data and 50 images are used as testing data. In a digital image composed of RGB colors, the warrant value is converted to the HSV color space and only the hue value is taken. Before taking the hue value, the digital image object is processed, namely by giving a filter to remove the background so that the color object is not influenced by other colors. The hue value obtained is then processed using a single layer perceptron and a bipolar sigmoid activation function. We found a convergent weight at the 102 epoch with a bias value of -142 and a weight value of 0,586354073.
From this value, testing is carried out and results in 92% accuracy from 50 testing data.
Keywords : Watermelon, RGB, HSV, Perceptron, artificial neural network.
ABSTRAK
Buah semangka merupakan buah yang banyak dikonsumsi oleh manusia, buah semangka yang dikonsumsi adalah buah yang sudah matang, buah semangka yang sudah matang dan buah semangka yang masih mentah cenderung memiliki warna kulit yang sama yaitu hijau, sehingga dalam membedakan secara visualisasi mata manusia sangat sulit untuk orang awam. Seiring dengan berkembangan teknologi yang memungkinkan dapat menyelesaikan permasalahan ini yaitu teknik image processing, dengan bantuan pengolahan citra digital. Penelitian ini bertujuan untuk membangun sebuah sistem yang dapat mengklasifikasikan buah semangka yang mentah dan yang matang menggunakan
metode perceptron. Metode perceptron merupakan sebuah model yang mampu melakukan perhitungan dengan mengenali variable-variabel dalam pencocokan pola.
Metode ini mempunyai beberapa variable yang harus diinisialisasi yaitu nilai input, nilai bobot, nilai bias dan learning rate. Penerapan model perceptron dalam penelitian ini menggunakan satu nilai bobot awal 0, nilai bias awal 0 dan learning rate 1. Data yang digunakan berupa citra digital dari buah semangka yang berformat JPG yang berjumlah 100 citra, 50 mentah dan 50 matang. 50 citra dijadikan data training dan 50 citra dijadikan data testing. Dalam sebuah citra digital tersusun dari warna RGB, nilai warna tersebut dikonversikan ke ruang warna HSV dan di ambil nilai hue nya. Sebelum pengambilan nilai hue, objek citra digital tersebut dilakukan processing yaitu memberi filter menghapus background sehingga objek warna tidak di pengaruhi dengan warna lain.
Nilai hue yang didapat kemudian diproses menggunakan perceptron single layer dan fungsi aktivasi sigmoid bipolar. Ditemukan bobot konvergen pada epoch ke 102 dengan nilai bias -142 dan nilai bobot nya 0,586354073. Nilai tersebut dilakukan uji testing dan menghasilkan keakuratan 92% dari 50 data testing.
Kata Kunci : Buah semangka, RGB, HSV, Perceptron, Jaringan Syaraf Tiruan.
PENDAHULUAN
Buah semangka merupakan buah yang sangat banyak dikonsumsi, buah semangka matang dan mentah cenderung memiliki bentuk dan warna yang sama, tetapi pada dasarnya jika dibandingkan secara detail buah ini memiliki perbedaan warna kulit dari buah yang masih mentah dan buah yang sudah matang, tetapi sangat sulit dibandingkan menggunakan visualisasi mata manusia. Cabang ilmu yang mempelajari tentang visualisasi mata manusia atau yang disebut computer vision sudah banyak dipelajari dan diterapkan, dan hasil nya model ini dapat melakukan pemahaman dan mempelajari seperti pemikiran manusia sehingga bisa menilai sesuatu untuk kemudian diterapkan proses prediksi. Teknik ini biasa disebut dengan computer vision (Arifin et al., 2021). Adanya cabang ilmu ini memungkinkan proses pengenalan objek berbentuk gambar, buah semangka yang mentah dan yang matang dapat dikenali dengan perbedaan pada warnanya, maka untuk mendapatkan hasil, penelitian ini menerapkan salah satu cabang ilmu yaitu pengolahan citra digital yang dapat mengenali warna. Proses di atas dapat dilakukan dengan komputer yang diprogram seperti sel syaraf biologi yang ada pada otak manusia dengan jaringan syaraf tiruan. Metode Jaringan Syaraf Tiruan algoritma Perceptron adalah sebuah model yang digunakan untuk pertimbangan dalam mengambil keputusan dengan mengenali variable-variabel dalam mencocokkan pola nya. (Yanto et al., 2018). Perceptron biasanya digunakan untuk mengklasifikasikan suatu pola tertentu yang sering dikenal dengan pemisahan secara linear (Pangaribuan & Sagala, 2017).
METODE PENELITIAN A. Teknik Pengumpulan Data
Pengumpulan data dilakukan dengan beberapa tahapan yaitu studi literatur, observasi, wawancara dan pengambilan data langsung ke lapangan.
B. Peralatan Yang Digunakan
Penelitian ini menggunakan beberapa perangkat pendukung yang berupa perangkat keras dan perangkat lunak.
1. Perangkat keras
a. Laptop Acer Aspire 3 A314-21-4391 b. Smartphone oppo reno 5
2. Perangkat lunak
a. Sistem operasi windows 10 pro 64-biT b. Microsoft office 2016
c. Google Chrome d. Anaconda
C. Kecerdasan Buatan (Artificial intelligence)
Kecerdasan Buatan atau Artificial Intelligence (AI) adalah teknik yang digunakan untuk meniru kecerdasan yang dimiliki oleh makhluk hidup maupun benda mati untuk menyelesaikan sebuah persoalan Machine Learning (ML) atau pembelajaran mesin.
Machine Learning merupakan pendekatan dalam AI yang banyak digunakan untuk menggantikan atau menirukan perilaku manusia untuk menyelesaikan masalah atau melakukan otomatisasi. Sesuai namanya, ML mencoba menirukan bagaimana proses manusia atau makhluk cerdas belajar dan menggeneralisasi.
Terdapat dua penerapan utama dalam ML yaitu klasifikasi dan prediksi. ML memiliki ciri-ciri yaitu adanya proses pelatihan, dan percobaan. ML membutuhkan data yang disebut data pelatihan untuk dipelajari. Klasifikasi adalah metode dalam ML yang digunakan mesin untuk mengurutkan atau mengategorikan objek berdasarkan karakteristik tertentu, seperti halnya manusia mencoba membedakan objek satu sama lain.
Pada saat yang sama, mesin menggunakan prediksi atau regresi untuk menebak keluaran dari data masukan berdasarkan data yang diperiksa dalam pelatihan. Metode ML yang paling populer adalah sistem pendukung keputusan, mesin vektor pendukung (SVM), dan jaringan saraf. Menurut (Abijono et al., 2021).
D. Model Warna
Warna merupakan spectrum tertentu yang terdapat di dalam suatu cahaya sempurna (berwarna putih) Manusia sebenarnya melihat warna adalah karena cahaya yang dipantulkan oleh objek. Dalam hal ini, spektrum cahaya kromatis berkisar antara 400-700 nm menurut fatta dalam (Ellif et al., 2021). Jika warna biru memiiki panjang gelombang 460 nanometer. Istilah kroma mengacu pada kualitas warna cahaya yang ditentukan oleh panjang gelombang. Fitur perceptual mata manusia yang membedakan satu warna dari warna lain adalah hue, saturasi, dan kecerahan.
1. RGB (Red Green Blue)
Ruang warna RGB biasa diterapkan pada monitor CRT (Cathode Ray Tube) dan kebanyakan sistem grafika komputer. Ruang warn aini tersusun dari tiga warna dasar yaitu red, green dan blue. Setiap pixel tersusun dari tiga komponen tersebut. Model ruang warn ini disajikan dalam bentuk kubus tiga dimensi, yang terdiri dari tiga warna yang disusun di setiap pojok kubus dan dua lain nya terisi dengan warna hitam dan putih di ujung kubus yang berseberangan (Ellif et al., n.d2021). kubus RGB dapat dilihat pada Gambar 1.
Gambar 1. Kubus RGB
Citra digital adalah warna RGB matriks tiga dimensi yang terdiri atas matriks R(Red), G(Green) dan B(Blue) seperti yang ada pada Gambar 1. Representasi citra warna 3 dimensi dapat dilihat pada Gambar 2.
Gambar 2. Repersentasi Citra Warna 3 Dimensi
Pada Gambar 2.8 tampak bahwa setiap warna diwakili oleh tiga buah nilai dalam koordinat tersebut menyatakan komponen warna RGB, misalnya warna merah diwakili oleh titik (255,0,0). Pengambilan masing-masing unsur warna dilakukan dengan menormalisasikan setiap unsur warna dengan persamaan sebagai berikut:
r = R
R+G+B ... (1) g = G
R+G+B ... (2) b = B
R+G+B ... (3) 2. Hue Saturation Value (HSV)
HSV memiliki tiga karakteristik yaitu hue, saturation dan value menurut romdhoni dalam Ellif (2021)
a. Hue: warna sebenarnya, seperti merah, violet, dan kuning dan untuk menentukan kemerahan (redness), kehijauan (greeness).
b. Saturation: juga disebut chroma.
c. Value: kecerahan dari warna. Nilainya berkisar antara 0-100 %. Untuk mentransformasi dari RGB ke HSV, harus menentukan koordinat-koordinat R, G, B yang berurutan seperti merah, hijau, biru dalam ruang warna RGB, dengan max adalah nilai tertinggi dari nilai merah, hijau dan biru, sedangkan min adalah nilai terkecil dari nilai merah, hijau dan biru.
Hue berfungsi untuk mengukur spektrum warna yang dihasilkan oleh gelombang elektromagnetik pada suatu citra. Saturation adalah kecerahan dalam spektrum
warna. Value merupakan intensitas warna, dalam mencari nilai HSV berdasarkan nilai RGB dilakukan menggunakan rumus persamaan berikut:
1. Jika R = maximum maka H = 0 + 60 (G-B)
(Max-Min); jika R = Max ... (4) 2. Jika G = maximum maka
H = 120 + 60 (B-R)
(Max-Min); jika G = Max ... (5) 3. Jika B = maximum maka
H = 240 + 60 (R-G)
(Max-Min); jika B = Max ... (6) Max = nilai maksimum dari citra RGB
Min = nilai minimum dari citra RGB
Citra hasil perekaman dikirim ke komputer untuk diolah menggunakan python.
Setiap buah semangka yang telah direkam bentuk citra digital, dilakukan ekstraksi nilai RGB dan Hue. Ruang warna HSV dapat dilihat pada Gambar 3.
Gambar 3. Ruang warna HSV E. Metode Perceptron
Perceptron adalah bentuk paling sederhana dari JST yang digunakan untuk mengklasifikasikan pola khusus yang biasa disebut linearly separable, yaitu pola-pola yang terletak pada sisi yang berlawanan pada suatu bidang. Pada dasarnya Perceptron terdiri dari neuron tunggal dengan bobot-bobot sinaptik dan threshold yang dapat diatur, Perceptron terbatas hanya untuk mengklasifikasikan dua kelas saja menurut Suyanto dalam (Yanto et al., 2018). Arsitektur perceptron dapat dilihat pada Gambar 4.
Gambar 4. Arsitektur Perceptron Sederhana
Keterangan dari Gambar 4 di atas : X1, xi, xn : Neuron input
Y : Neuron Output
B : Bias
W1, w2, wn : Bobot
Langkah-langkah algoritma perceptron
1. Inisialisasi nilai bias, bobot dan learning rate (α), untuk penyederhanaan biasanya α diberi nilai = 1.
2. Menghitung respon unit keluaran
y = ∑ 𝑋ni 𝑖 𝑊𝑖+b ... (7) 3. Set aktivasi unit masukan
aktivasi = {
1, jika y ≥0 -1, jia y <0
... (8) 4. Melakukan tes kesalahan,
e = t - y ... (9) 5. Perbaiki bobot pola yang mengandung kesalahan, jika ada elemen vektor masukan
yang respon unit keluarannya tidak sama dengan target.
Jika (y ≠ t), maka:
Wi (baru) = 𝑤𝑖 (lama) + α * e * xi ... (10) b (baru) = b (lama) + α * e ... (11) Jika tidak, maka:
𝑊𝑖 (baru) = 𝑤𝑖 (lama) b (baru) = b (lama)
Keterangan:
Δw = perubahan bobot b = bias
𝑊𝑖 = bobot yang ke-I i=1,2, …, n t = target
e = error
𝑋𝑖 = unit masukan yang ke-I, i=1,2, …, n α = laju pemahaman
Penerapan model perceptron dapat mencocokkan pola dengan mengenali variable dan hasil pencocokan pola tersebut dapat dihitung keakuratan nya dengan rumus persamaan:
Uji keakuratan = jumlah data prediksi benar
jumlah data ... (12) Beberapa penjelasan mengenai parameter atau algoritma dalam perceptron Menurut (Yudhistiro, 2017) sebagai berikut:
a. Laju pemahaman (learning rate)
Learning rate merupakan nilai yang terdiri dari 0 sampai dengan satu. Semakin besar nilai nya proses akan semakin cepat, semakin kecil nilai nya proses akan semakin lambat.
b. Epoch
Epoch merupakan perulangan yang dilakukan selama pelatihan hingga mendapatkan target yang sesuai atau sampai tidak ada nilai eror pada pembelajaran.
F. Buah Semangka
Semangka merupakan buah yang banyak di konsumsi yang menjadikan semangka menjadi buah yang dicari oleh masyarakat. Kesamaan antara semangka matang dan mentah membuat sulit untuk mengidentifikasi semangka. Karena orang secara subyektif menentukan tingkat kematangan buah semangka, maka penilaian tingkat kematangan buah semangka berbeda-beda pada setiap orang. Proses klasifikasi kematangan buah dapat dilakukan dengan cara mengidentifikasi citra dari tekstur kulit buah tersebut (Rohaca dalam Muslim et al., 2019). Buah semangka sangat mudah di temukan di Indonesia yang menjadi buah harian yang tidak asing dan sering dijumpai. Bentuk dan warna yang mirip membuat buah ini susah dibedakan oleh visualisasi manusia, sehingga sulit bagi masyakat memilih buah semangka yang benar-benar matang sempurna untuk dikonsumsi.
HASIL DAN PEMBAHASAN a. Pengumpulan Data
Pada penelitian ini menggunakan data yang diambil secara langsung dari tempat penelitian. Pengumpulan data ini berupa sebuah objek citra digital yang diambil menggunakan kamera smartphone dan berformat JPG yang berdimensi 3468 x 4624 pixel. Data yang diambil sebanyak 100 citra buah semangka, 50 citra buah yang dalam kondisi matang, dan 50 citra buah dalam kondisi mentah. Pengambilan gambar dilakukan di luar ruangan yang terpapar langsung oleh sinar matahari.
b. Processing Data
Tahap awal yang dilakukan yaitu mengkonversikan citra warna RGB ke HSV, hasil gambar dari kamera smartphone direpresentasikan dalam bentuk citra warna RGB yang kemudian ditransformasikan ke dalam ruang warna HSV dan hanya diambil nilai H (hue) nya saja, tindakan ini bertujuan agar nilai warna tidak dipengaruhi oleh cahaya.
Setelah mengkonversi gambar, tahap berikutnya yaitu mengambil nilai yang akan diolah yaitu nilai pixel, karena dalam sebuah gambar tersusun dari pixel, maka nilai yang akan diambil adalah nilai rata-rata dari pixel dimana setiap pixel terdapat tiga jenis warna yaitu red, green dan blue (RGB). Sebelum mengambil nilai RGB tersebut, terdapat beberapa tahapan segmentasi citra yang dilakukan yaitu remove background dengan memberi masking. Teknik masking yaitu mengambil satu warna dominan yaitu hijau dan menghilangkan warna selain hijau. Fungsi remove background digunakan untuk menghilangkan latar belakang dari citra dengan cara memilih color space yang lebih dominan pada warna kulit buah semangka. Warna yang sudah terseleksi kemudian dilakukan pengambilan nilai RGB dan dikonversikan ke HSV, pengambilan nilai ini menggunakan pemrograman python seperti pada Gambar 5.
Gambar 5. Mengambil Nilai RGB dan HSV
Gambar 5 adalah program untuk mendapatkan nilai rata-rata pixel nya, didapatkan nilai RGB dari gambar yang dikonversi ke HSV yaitu R = 9,07977, G = 13,035195 dan B = 15,413645. Informasi warna yang didapatkan kemudian dinormalisasikan menggunakan rumus persamaan (1), persamaan (2) dan persamaan (3) diperoleh:
R = 9,07977
= 0,24194 9,07977+ 13,035195+ 15,413645
G = 13,035195
= 0,34734 9,07977+ 13,035195+ 15,413645
B = 15,413645
= 0,41072 9,07977+ 13,035195+ 15,413645
Karena R maximum maka gunakan Persamaan 4 diperoleh.
H = 240 + 60
(0,24194-0,34734)
= 202,5307551 (0,41072-0,24194)
Proses pada Gambar 5 dilakukan perulangan keseluruhan data sampel yang digunakan, berikut adalah data nilai hue buah semangka mentah dan buah semangka matang dengan jumlah total nya adalah 100 data yang disimpan dengan format CSV (Comma Separated Values), ditampilkan pada Tabel 1.
Tabel 1. Nilai Hue Data Sampel Buah Semangka No Nilai hue mentah Nilai hue matang
1 202.530755083318,mentah 313.143674926492,matang 2 155.120972174251,mentah 319.640763546976,matang 3 205.982628719335,mentah 307.01188836345,matang 4 214.042838419034,mentah 349.154441319613,matang 5 175.623818109822,mentah 273.676419881394,matang
… … …
50 246.656246149624,mentah 257.420092038582,matang
Dari 100 data buah dibagi menjadi dua untuk keperluan training dan testing. Pada data training peneliti menggunakan 50 buah data dan 50 lain nya untuk testing, masing- masing buah dibagi 50% untuk tingkat matang dan mentah nya. Jumlah data training yaitu sebanyak 50 buah, 25 matang dan25 mentah. Berikut tabel nilai hue untuk data training disajikan dalam Tabel 2.
Tabel 2. Nilai Hue Data Training No Data Hue Training
1 202.530755083318,mentah 2 155.120972174251,mentah 3 205.982628719335,mentah 4 214.042838419034,mentah 5 175.623818109822,mentah
… …
50 291.329676092085,matang
Data hue untuk testing berjumlah 50 data, 25 dalam keadaan mentah dan 25 dalam keadaan mentah. Berikut tabel nilai hue untuk data training disajikan dalam Tabel 3.
Tabel 3. Data Hue Testing No Data Hue Testing
1 208.01822945405,mentah 2 225.505536972579,mentah 3 223.591341037953,mentah 4 244.689186354029,mentah 5 219.875948140618,mentah
… …
50 257.420092038582,matang
c. Proses Training
Proses training merupakan proses pengenalan terhadap data input sehingga mendapatkan nilai bias dan bobot untuk dilakukan uji terhadap data baru. Proses ini dilakukan dengan beberapa tahapan. Langkah pertama yaitu menginisialisasi bias awal, bobot awal dan learning rate, dalam penelitian ini menggunakan parameter bias awal yaitu 0, bobot awal 0 dan learning rate = 1. Tahap berikutnya yaitu mencari nilai y (output) seperti pada rumus 7 dan 8 di atas, yaitu mengalikan semua input dengan masing- masing bobot lalu ditambahkan dengan nilai bias, pada penelitian ini menggunakan satu input nilai hue yang memiliki nilai target yaitu mentah dan matang dilambangkan dengan angka 1 jika matang dan -1 jika mentah, fungsi aktivasi yang digunakan adalah sigmoid bipolar. Jika hasil dari tes kesalahan ≠ 0 maka akan dilakukan pembaruan nilai bias dan bobot menggunakan persamaan 10 dan 11. Tahapan diatas dilakukan menggunakan pemrograman python dan epoch (perulangan) dilakukan sebanyak 120. Potongan hasil training yaitu pada epoch pertama disajikan pada tabel 4.
Tabel 4. Data Hasil Training Epoch Pertama
No Nilai hue Target Bias Bobot Output Error
1 202,5308 -1 0 0 1 -2
2 155,121 -1 -2 -405,062 -1 0
3 205,9826 -1 -2 -405,062 -1 0
4 214,0428 -1 -2 -405,062 -1 0
5 175,6238 -1 -2 -405,062 -1 0
… … … …
50 291,3297 1 0 221,2258 1 0
Data potongan hasil training epoch pertama pada Tabel 4 diatas, untuk mendapatkan nilai error = -2 pada data pertama (202,5308), dilakukan menggunakan persamaan 7, persamaan 8 dan persamaan 9, perhitungan secara manual diawali dengan perhitungan dari data yang pertama menggunakan persamaan 7.
y = 202,5308* 0 + 0
= 0
Setelah mendapatkan hasil dari perhitungan diatas, nilai tersebut dimasukan ke dalam fungsi aktivasi sigmoid bipolar yang memiliki dua output yaitu 1 dan -1 seperti pada persamaan 8, jika hasil perhitungan di atas memiliki hasil lebih besar atau sama dengan 0 maka output dari aktivasi ini adalah 1, jika nilai nya lebih kecil dari 0 maka output adalah -1.
aktivasi = {
1, 𝑗𝑖𝑘𝑎 𝑦 ≥ 0
−1, 𝑗𝑖𝑎 𝑦 < 0
Dari fungsi aktivasi di atas maka nilai output nya adalah 1, karena hasil perhitungan di atas sama dengan 0. Hasil output dari fungsi aktivasi di atas akan dilakukan tes kesalahan dengan mengurangkan nilai target dengan nilai output tersebut dan dimasukan ke dalam nilai error. Jika nilai error tidak sama dengan 0 maka untuk iterasi berikutnya dilakukan pembaruan bobot dan bias. Menghitung nilai error dengan persamaan 9.
Target (y) = 1 (matang) e = target – output
= (-1) – 1
= -2
Dari uji kesalahan di atas mendapatkan hasil nilai error nya adalah -2, Karena terdapat nilai error maka bobot dan bias untuk data berikutnya akan diperbarui. Dalam memperbarui nilai bobot nya dilakukan dengan cara menambahkan nilai bobot lama dengan hasil kali dari learning rate, error dan nilai input seperti pada rumus persamaan 10. Nilai bias juga diperbarui seperti rumus persamaan 11 dengan menambahkan nilai bias lama dengan hasil kali dari learning rate dan error.
W (baru) = W (lama) + α * e * x
= 0 + 1 * (-2) * 155,121
= -405,062 b (baru) = b(lama)+ α * e
= 0 + 1 * (-2)
= -2
Nilai bias dan bobot baru tersebut akan dimasukan ke dalam iterasi berikutnya hingga mendapatkan bobot konvergen atau dalam satu epoch tidak ada nilai error.
Simulasi perulangan dapat dilihat pada Gambar 6.
Gambar 6. Perhitungan Model Perceptron
Perulangan yang dilakukan sebanyak 120 epoch mendapatkan bobot konvergen pada epoch ke-102 menggunakan pemrograman python yang dapat dilihat pada Gambar 7.
Gambar 7. Proses Training
Gambar potongan hasil program pada Gambar 7 menunjukan bobot konvergen terdapat pada epoch ke 102 dengan nilai bias yaitu -142 dan bobot 0.58635407. Hasil pembelajaran pada epoch 102 dengan nilai error = 0 disajikan pada Tabel 5.
Tabel 5. Data Training Epoch 102
No Nilai hue Target Bias Bobot Output Error
1 202,5307551 -1 -142 0,586354073 -1 0
2 155,1209722 -1 -142 0,586354073 -1 0
3 205,9826287 -1 -142 0,586354073 -1 0
4 214,0428384 -1 -142 0,586354073 -1 0
5 175,6238181 -1 -142 0,586354073 -1 0
… … … …
50 291,3296761 1 -142 0,586354073 1 0
Pada epoch yang ke 102 nilai output sudah sesuai dengan nilai target, dalam artian tidak ada nilai error dalam epoch ini sehingga nilai bias dan bobotnya dijadikan sebagai testing.
d. Proses Testing
Proses testing adalah proses memprediksi atau pemberian label terhadap data yang belum memiliki label dari pembelajaran pada model perceptron yang sudah dilakukan.
Setelah melakukan training (pembelajaran) didapatkan nilai bias dan bobot akhir yang akan digunakan untuk prediksi. Langkah-langkah yang dilakukan dalam testing hampir sama seperti yang dilakukan dalam training, hanya saja saat menginisialisasi nilai bias dan bobot nya yaitu menggunakan nilai akhir dari training. Proses testing yang dilakukan menggunakan pemrograman python dapat dilihat pada Gambar 8.
Gambar 8. Pengujian Data
Gambar 8 pengujian data, terdapat sample yang tidak sesuai dengan target sehingga ada error yang terjadi.
e. Klasifikasi
Klasifikasi ini menggunakan data sebanyak 50 buah yaitu data yang disajikan pada Tabel 3, dari ke-50 data tersebut dilakukan klasifikasi menggunakan nilai bias -142 dan bobot 0.58635407. Tabel kalsifikasi 50 data testing, target 1 = matang, target (-1) = mentah, disajikan dalam Tabel 6.
Tabel 6. Data hasil klasifikasi
No Input Target Bias Bobot Output Error
1 208,0182 -1 -142 0,586354 -1 0
2 225,5055 -1 -142 0,586354 -1 0
3 223,5913 -1 -142 0,586354 -1 0
4 244,6892 -1 -142 0,586354 1 -2
5 208,0182 -1 -142 0,586354 -1 0
… … … …
50 257,4201 1 -142 0,586354 1 0
Setelah melakukan implementasi dari model perceptron yang sudah dibangun, lalu melakukan uji testing didapatkan empat data yang memiliki nilai error. Prediksi dari 50 data testing yang dilakukan terdapat empat data yang melewati garis pembatas. Sesuai grafik data testing yang memisahkan antara buah mentah dan matang pada Gambar 9.
Gambar 1. Grafik Posisi Data Hue Dan Garis Wilayah
Grafik di atas memperlihatkan terdapat empat data yang melewati garis wilayah keputusan dari klasifikasi.
Jumlah data prediksi yang benar
Jumlah total data prediksi x 100%
46
50 × 100% = 92%
Berdasarkan hasil klasifikasi dari pemrograman python terhadap kematangan buah semangka menggunakan metode perceptron dengan 50 data testing, menghasilkan sebuah model Supervised Learning yang dapat mengklasifikasikan tingkat kematangan buah semangka dengan keakuratan 92%.
KESIMPULAN
Dari hasil penelitian yang dilakukan, sistem tentang klasifikasi kematangan buah semangka dengan metode perceptron menggunakan teknik citra digital ini berhasil dibangun. Rancangan model pengenalan objek dari perceptron terbukti mampu mengenali dan mampu mengidentifikasi tingkat kematangan dari buah semangka yang diekstraksi ke dalam ruang warna HSV dengan sebuah nilai yang dipakai yaitu hue.
Dalam penelitian ini buah matang memiliki nilai hue berkisar 253,0216 hingga 319,8743 dan buah mentah memiliki nilai hue berkisar 155,0807 hingga 246,6562 yang mendapatkan akurasi yaitu 92%, dengan dukungan dari citra digital dan processing data yang dirancang seperti dalam penelitian ini. Serta membuktikan bahwa range warna kulit semangka dapat dijadikan sebagai objek dalam menentukan tingkat kematangan yang secara visualisasi mata manusia memiliki warna yang mirip.
SARAN
Setelah melakukan penelitian ini dan mendapatkan hasil akhir, peneliti menyarankan beberapa saran.
1. Dalam melakukan pengambilan objek disarankan menggunakan wujud gambar asli, tidak ada manipulasi seperti filter ataupun efek yang ditimbulkan dari sistem operasi kamera yang digunakan. Untuk hasil yang lebih maksimal disarankan menggunakan mode manual tanpa menerapkan AI yang ada pada sistem kamera yang dipakai, karena dapat menyebabkan pengaturan berubah tergantung kondisi cahaya, yang menghasilkan beberapa gambar dalam satu kelompok tidak sama, hal seperti ini harus diperhatikan untuk penelitian selanjutnya.
2. Menggunakan resolusi kamera yang tinggi untuk hasil gambar lebih detail, untuk saat ini peneliti menyarankan menggunakan resolusi full high definition 1080p, resolusi tersebut cukup baik karena tidak terlalu tinggi yang menyebabkan processing data berjalan lebih lama dan tidak terlalu rendah yang menyebabkan objek terlihat tidak jelas. Selain itu objek yang akan diambil sebaiknya dibersihkan dahulu supaya warna terlihat jelas tanpa ada gangguan objek lain.
3. Dalam pengembangan berikutnya disarankan menggunakan jaringan multilayer untuk mendapatkan pembelajaran lebih kompleks dalam pengenalan objek dari model perceptron dan mengimplementasikan hal lain dari struktur learning model ini.
UCAPAN TERIMA KASIH
Penulis mengucapkan terima kasih kepada bapak Alfirman, M.Kom., yang telah membimbing, memotivasi serta membantu penelitian dan penulisan karya ilmiah ini.
DAFTAR PUSTAKA
Abijono, H., Santoso, P., & Anggreini, N. L. (2021). Algoritma Supervised Learning Dan Unsupervised Learning Dalam Pengolahan Data. G-Tech: Jurnal Teknologi Terapan, 4(2), 315–318.
Arifin, I., Haidi, R. F., & Dzalhaqi, M. (2021). Penerapan Computer Vision Menggunakan Metode Deep Learning pada Perspektif Generasi Ulul Albab. Jurnal Teknologi Terpadu, 7(2), 98–107.
Ellif, E., Sitorus, S. H., & Hidayati, R. (2021). klasifikasi kematangan pepaya menggunakan ruang warna HSV dan metode naive bayes classifier. Coding Jurnal Komputer Dan Aplikasi, 9(01), 66–75.
Muslim, L. Z., Wijaya, I. G. P. S., & Bimantoro, F. (2019). Klasifikasi Kualitas Kesegaran Buah Semangka berdasarkan Fitur Warna YCbCr menggunakan Algoritma Weigthed K-Means. Jurnal Teknologi Informasi, Komputer, Dan Aplikasinya (JTIKA), 1(2).
Pangaribuan, Y., & Sagala, M. (2017). Menerapkan Jaringan Saraf Tiruan untuk Mengenali Pola Huruf Menggunakan Metode Perceptron. Jurnal Teknik Informatika UNIKA Santo Thomas, 2(2), 53–59.
Yanto, M., Sovia, R., & Mandala, E. P. W. (2018). Jaringan syaraf tiruan perceptron untuk penentuan pola sistem irigasi lahan pertanian di Kabupaten Pesisir Selatan Sumatra Barat. Sebatik, 22(2), 111–115.
Yudhistiro, K. (2017). Pemanfaatan Neural Network Perceptron pada Pengenalan Pola Karakter. SMATIKA JURNAL, 7(02), 21–25.
