494
JITE, 6 (2) January 2023 ISSN 2549-6247 (Print) ISSN 2549-6255 (Online)
JITE (Journal of Informatics and Telecommunication Engineering)
Available online http://ojs.uma.ac.id/index.php/jite DOI : 10.31289/jite.v6i2.8374
Received: 14 November 2022 Accepted: 27 December 2022 Published: 25 January 2023
Application Of The Backpropagation Method For Digital Image Feature Extraction On Coffee Fruit Classification
Riduan Syahri1)*, Desi Puspita2)
1,2)Teknik Informatika, Institut Teknologi Pagar Alam, Indonesia
*Coresponding Email:[email protected] Abstrak
Penelitian ini dilatar belakangi dengan proses pengklasifikasian jenis buah kopi masih dilakukan secara konvensional dan belum terkomputerisasi, yakni pengklasifikasian buah kopi masih berdasarkan pengalaman, warna dan bentuk dari buah kopi. Hal ini tentu saja membutuhkan waktu yang lama dan masih sering terjadi kesalahan, sehingga penelitian ini dapat membantu pengklasifikasian jenis buah kopi menggunakan metode Backpropagation dengan cepat. Tujuan dari penelitian ini adalah untuk menghasilkan sistem Penerapan Metode Backpropagation Untuk Ekstraksi Fitur Citra Digital Pada Klasifikasi Jenis Buah kopi sistem yang dibangun menggunakan Software MATLAB. Dalam hasil program klasifikasi buah kopi dengan algoritma Backpropagation yang dicocokan di excel didapat hasil untuk akurasi sebesar 72 % terhadap 100 data latih dan didapat hasil untuk akurasi sebesar 85 % terhadap 10 data uji adapun untuk perhitungan manualnya, diperoleh hasil dari Model Performa Menggunakan Confusion Matrix Pada data training diperoleh akurasi 72% dan testing 85% dari masing- masing 2 jenis buah kopi yang berbeda.
Kata kunci : Ekstraksi, Citra Digital, Backpropagation, Performa Confusion Matrix Abstract
The background of this research is that the process of classifying the types of coffee beans is still carried out conventionally and has not been computerized, that is, the classification of coffee beans is still based on experience, color and shape of the coffee beans. Of course, this takes a long time and errors often occur, so this research can help classify coffee cherries using the Backpropagation method quickly. The purpose of this study was to produce a system for applying the backpropagation method for extracting digital image features in the classification of coffee cherries, a system built using MATLAB software. In the results of the coffee fruit classification program with the Backpropagation algorithm that is matched in excel, results are obtained for an accuracy of 72% for 100 training data and results for an accuracy of 85% for 10 test data for manual calculations, results are obtained from the Performance Model Using the Confusion Matrix in training data obtained an accuracy of 72% and testing 85% of each of the 2 different types of coffee cherries.
Keywords : Extraction, Digital Image, Backpropagation, Confusion Matrix Performance
How to Cite: Syahri, R., & Puspita, D. (2023). Application Of The Backpropagation Method For Digital Image Feature Extraction On Coffee Fruit Classification. JITE (Journal of Informatics and Telecommunication Engineering), 6(2), 494-505.
I. PENDAHULUAN
Seiring berjalannya perkembangan teknologi saat ini, tentu saja sangat berpengaruh pada manusia.
Perkembangan teknologi yang meningkat secara pesat telah menciptakan terobosan bagi seluruh kegiatan manusia yang ditandai dengan dimulainya revolusi industri 4.0. Adanya teknologi digital pada revolusi industri 4.0 membuat kegiatan dilakukan dengan cara sistem otomatis dan menghubungkan manusia di seluruh dunia melalui media digital yang terhubung dengan internet (Muslim 2016). Kemajuan inovasi otomatis tersebut terciptanya Super-Computer, Robotic Artificial Intelegence dan juga modifikasi
495
genetik menciptakan dunia yang berbeda dan memberikan kemajuan yang pesat. Salah satu penyumbang yang paling utama di dalam kemajuan teknologi inovasi otomatis yaitu, Artificial Intelligence (AI) (Pakpahan 2021).
Artificial Intelligence yang biasa disebut dengan AI yang dalam bahasa indonesia dapat di artikan kecerdasan buatan merupakan bidang ilmu komputer yang di khususkan untuk memecahkan permasalahan-permasalahan kognitif yang berhubungan dengan kecerdasan manusia seperti masalah pembelajaran ataupun pengenalan pola. Perkembangan dari AI sangat memberi pengaruh dalam meringankan pekerjaan manusia. AI dapat melakukan hal-hal berikut ini; yang sistem yang dapat berpikir seperti manusia (thingking humanly), sistem yang berpikir secara rasional (thingking ratianally), sistem yang bertindak seperti manusia (acting humanly) dan sistem yang bertidak secara rasional (acting tationally). AI dikonsep dengan baik sehingga mampu melakukan pekerjaan yang biasa dilakukan oleh manusia. AI dirancang untuk melakukan beberapa tugas manusia dengan berinteraksi terhadap lingkungan sekitar. Berdasarkan perkembangan teknologi tersebut yang paling dominan dalam perkembangan AI yaitu jaringan syaraf tiruan (JST), maka didalam penelitian ini menerapkan model Jaringan syaraf tiruan (JST) dengan metode Backpropagation. (Budianita and Prijodiprodjo 2013)(Finaliamartha, Supriyadi, and Fitriana 2022).
Jaringan saraf tiruan (JST) sistem komputerisasi sebagai pemroses informasi yang memiliki karater mirip dengan jaringan syaraf biologi pada saat menangkap informasi dari ‘dunia luar’. Maksud sebenarnya dari JST adalah berusaha membuat sebuah model sistem komputasi informasi yang dapat menirukan rangkaian cara kerja jaringan syaraf biologis (Suhartanto, Dewi, and Muflikhah 2017). Istilah buatan digunakan karena jaringan syaraf diimplementasikan dengan menggunakan program komputer yang mampu menyelesaikan sejumlah proses perhitungan selama proses pembelajaran. Jaringan syaraf tiruan dimaksudkan untuk menghasilkan model sistem komputasi yang sesuai dengan cara kerja jaringan syaraf biologis dalam pengelolaan gambar dapat menggunakan image processing (Finaliamartha, Supriyadi, and Fitriana 2022).
Pengolahan citra digital erupakan suatu disiplin ilmu yang mempelajari hal-hal yang berkaitan dengan perbaikan kualitas gambar (peningkatan kontras, transformasi warna, restorasi citra), transformasi gambar (rotasi ,translasi, transformasi geometric, skala), agar mudah diinterpretasi oleh manusia/mesin (komputer). Masukannya adalah citra dan keluaranya juga citra tapi dengan kualitas lebih baik dari pada citra masukan misal citra warnanya kurang tajam, kabur (blurring), dan mengandung noise (misal bintik-bintik putih) sehingga perlu ada pemrosesan untuk perbaikan citra karena informasi yang di sampaikan menjadi berkurang(Jumadi, Yupianti, and Sartika 2021)(Hadinegoro and Rizaldilhi 2021).
Berdasarkan beberapa penelitian terdahulu dapat di simpulkan bahwa metode backpropagation dalam pengelolaan citra digital sudah banyak di gunakan dalam membedakan atau mengklasifikasikan berbagai jenis buah-buahan dan dalam penelitian ini yang di bahas adalah jenis kopi yaitu kopi arabika dan robusta yang ada di kota Pagar Alam, tahapan yang di lakukan dimulai dari pengambilan bahan sampel buah kopi yang ada di kota Pagar Alam kemudian di implementasikan kedalam sistem sehingga di dapatkan hasil pengkalasifikasian buah kopi. Dengan adanya penelitian ini di harapkan dapat membantu petani dalam melakukan klasifikasi jenis buah kopi berdasarkan ukuran dan warna, sehinga dapat memermudah kinerja dalam pengelolaan hasil pertanian kopi.
II. STUDI PUSTAKA A. Backpropogation
Backpropagation merupakan algoritma pembelajaran yang terawasi dan biasanya digunakan oleh perceptron dengan banyak lapisan untuk mengubah bobot-bobot yang terhubung dengan neuron-neuron yang ada pada lapisan tersembunyinya (Suhartanto, Dewi, and Muflikhah 2017) (Abdullah and Usman 2016). Algoritma backpropagation menggunakan error output untuk mengubah nilai bobot-bobotnya dalam arah mundur (backward). Untuk mendapatkan error ini, tahap perambatan maju (feedforward) harus dikerjakan terlebih dahulu(Haumahu 2019).
Metode Backpropagation (perambatan balik) merupakan salah satu jenis Jaringan Syaraf Tiruan yang sering digunakan dalam menyelesaikan masalah peramalan (Sudirman and Syuhada 2018) . Hal ini dimungkinkan karena metode Backpropagation merupakan salah satu jenis metode pelatihan JST dengan supervisi. Pada jaringan diberikan sepasang pola yang terdiri atas pola masukan dan pola yang diinginkan.
Ketika suatu pola diberikan kepada jaringan, bobot-bobot diubah untuk memperkecil perbedaan pola
496
keluaran dan pola yang diinginkan (Suhartanto, Dewi, and Muflikhah 2017). Latihan ini dilakukan berulang-ulang sehingga semua pola yang dikeluarkan jaringan dapat memenuhi pola yang diinginkan.
Arsitektur jaringan ini terdiri dari input layer, hidden layer, dan output layer.
B. Ekstraksi
Ekstraksi merupakan bahan pembeda antar objek –objek pada tahap pengambilan ciri pada objek sedangkan klasifikasi merupakan algoritma untuk mengklasifikasikan objek berdasarkan karakteristik dari ciri yang diberikan. Hasil yang akan diperoleh dari algoritma ini yaitu objek akan dikelompokan ke dalam kelas yang sesuai dengan ciri dari data tersebut (Andri 2012). Ekstraksi merupakan proses untuk menentukan ciri pemetaan citra dari fitur-fitur asli ke dalam fitur-fitur baru yang diharapkan dapat membedakannya dari objek lain (Handayani 2019).
C. Ekstraksi Citra
Ekstraksi citra digital adalah proses pengindeksan suatu database berupa citra (image) dengan isinya. Salah satu proses ekstraksi fitur adalah menganalisa berdasarkan isi visual seperti warna, bentuk dan tekstur. Setelah proses ekstraksi fitur, dilakukan proses klasifikasi untuk menentukan tingkat keakuratan dari proses identifikasi yang telah dilakukan (Alwi, L., Hermawan, A. T., & Kristian 2019). Pengolahan citra digital memiliki beberapa tujuan, salah satunya untuk mengambil ciri dari citra sehingga dapat dikenali yang biasa disebut dengan ekstraksi ciri (Riantama, G. N., Piarsa, I. N., & Sasmita 2019).
III. METODE PENELITIAN A. Tahapan Penelitian
Adapun tahapan penelitian yang di lakukan oleh peneliti adalah sebagai berikut (Rosa.A.S. 2014).
Gambar 1. Tahapan Penelitian
Pada gambar 1 dapat dijelakan tahapan-tahapan yang dilakukan pada penelitian adalah sebagai berikut :
• Analisis
Proses dimana pengumpulan kebutuhan perangkat lunak yang diperoleh dari pengumpulan data wawancara, observasi dan dokumentasi sehingga dapat dipahami secara spesifik perangkat lunak seperti apa yang dibutuhkan oleh pengguna.
• Desain
Pada tahap ini dilakukan beberapa perancangan seperti struktur data, arsitektur perangkat lunak, desain antarmuka, dan prosedur pengodean sesuai dengan kebutuhan perangkat lunak yang didapatkan dari analisis kebutuhan perangkat lunak.
497
• Pengkodean
Rancangan yang telah dibuat diimplementasikan ke dalam perangkat lunak dengan cara pembuatan kode program sesuai dengan rancangan pada tahap desain.
• Pengujian
Pengujian perangkat lunak dilakukan dengan menguji semua fungsi-fungsi untuk mengetahui kesalahan kode program dan melakukan perbaikan hingga sesuai dengan apa yang dibutuhkan.
• Implemantasi
Adalah tahapan terakhir dimana sistem sudah dapat di gunakan.
B. Teknik Pengumpulan Data
Adapun teknik pengumpulan data dalam penelitian ini sebagai berikut (Khatib et al. 2022) :
• Observasi yaitu pengumpulan data bersumber dari objek penelitian.
• Studi pustaka yaitu pendekatan dengan referensi seperti jurnal atau buku-buku yang sesuai dengan topik penelitian.
• Wawancara yaitu melakukan diskusi kepada pihak yang terkait untuk bisa memperoleh informasi terhadap apa yang dibutuhkan sebagai bahan penelitian.
C. Analisis Data
Analisis data di lakukan pada data kopi yang berjumlah 120 data yang dibagi menjadi 2 bagian dengan pembagian 100 data training dan 20 data testing.
D. Metode Backpropagation
Algoritma pelatihan Backpropagation untuk jaringan dengan satu layer tersembunyi menggunakan fungsi aktivasi sigmoid biner adalah sebagai berikut (Nurmila, Sugiharto, and Sarwoko 2010) :
• Langkah 0 : Inisialisasi bobot (ambil bobot awal dengan nilai random yang cukup kecil)
• Langkah 1 : Ketika kondisi berhenti salah, lakukan langkah 2-9.
• Langkah 2 : untuk masing-masing pasangan training, lakukan langkah 3-8. Feedforward:
• Langkah 3 : Tiap-tiap unit input (Xi, i=1,2,3,…n) menerima sinyal xi dan meneruskan sinyal tersebut ke semua unit pada lapisan yang ada diatasnya (lapisan tersembunyi)
• Langkah 4 : Tiap-tiap unit tersembunyi (Zi, j=1,2,3,…p) menjumlahkan sinyal-sinyal input terbobot
Y _inj = Woj + ∑ Zi Wij
Gunakan fungsi aktivasi untuk menghitung sinyal outputnya:
Zj = ∫(Z _inj)
Hitung fungsi aktivasi untuk menghitung sinyal keluaran Zj = ∫(Z _inj), lalu mengirimkan sinyal ini kesemua unit pada layer diatasnya (unit keluaran).
• Langkah 5 : Tiap-tiap unit output (Yk,, K=1,2,3,…m) menjumlahkan sinyal-sinyal input terbobot
Y -ink = Wok + ∑ Zi Wjk
gunakan fungsi aktivasi untuk menghitung sinyal outputnya:
498 Yk = ∫(Y -ink)
Dan kirimkan sinyal tersebut ke semua unit di lapisan atasnya (unit-unit output).
Backpropagation:
• Langkah 6 : Tiap-tiap unit output (Yk, K=1, 2, 3, …m) menerima target pola yang berhubungan dengan pola input pembelajaran, hitung informasi error-nya:
δk = (tk – yk) ∫(y -ink)
kemudian hitung koreksi bobot (yang nantinya akan digunakan untuk memperbaiki nilai Wjk):
∆Wjk = α δk Zj
hitung juga koreksi bias (yang nantinya akan digunakan untuk memperbaiki nilai Wok):
∆Wok= α δk
kirimkan ini _k ke unit-unit yang ada dilapisan bawahnya.
• Langkah 7 : Tiap-tiap unit tersembunyi (Zj, j=1,2,3,…p) menjumlahkan delta inputnya (dari unit-unit yang berada pada lapisan diatasnya):
Y _ink = Wok + ∑ Zj Wjk
Kalikan nilai ini dengan turunan dari fungsi aktivasinya untuk menghitung informasi eror:
δj =δ _inj ∫(Z _inj)
Kemudian hitung koreksi bobot (yang nantinya akan digunakan untuk memperbaiki nilai V_1j):
∆Wjk= αδj Xi
Hitung juga koreksi bias (yang nantinya akan digunakan untuk memperbaiki nilai V_0j):
∆W0j= αδj
• Langkah 8 : Tiap-tiap unit output (Y_k=1,2,3,…m) memperbaiki bias dan bobotnya (i=1,2,3,…p) :
W_jk (baru)=W_jk (lama)∆ w_ij
Tiap-tiap unit tersembunyi (Z_j, j=1,2,3,…p) memperbaiki bias dan bobotnya (i=0,1,2,…n) :
Wjk (baru)=Wjk (lama)∆ wij
Langkah 9 : Uji syarat berhenti
Setelah pelatihan selesai dilakukan, jaringan dapat dipakai untuk pengenalan pola dengan menggunakan fase propagasi maju saja (langkah 3 dan 4) untuk menentukan keluaran jaringan (Sudirman and Syuhada 2018).
E. Flow Chart Sistem
Flowchart sistem menjelaskan alur dari simbol-simbol yang digunakan untuk menggambarkan proses kerja sistem pada klasifikasi jenis buah kopi. Flowchart sistem klasifikasi jenis buah kopi terlihat pada gambar 2
499
Gambar 2 : Flowchart Sistem
Gambar 2. Merupakan gambar flowchart sistem yang merupakan tahapan-tahapan atau alur yang memperlihatkan gambaran proses kerja sistem dari gambar di atas pada saat mulai maka sistem akanmengnputkan data citra asli, kemudian melakukan pre-processing, kemudian selanjutnya melakukan ekstraksi ciri, kemudian menggunakan jaringan safar tiruan, kemudian di dapatkan hasil identifikasi dan terakhir selesai.
IV. HASIL DAN PEMBAHASAN A. Data Kopi
Data buah kopi yang digunakan penulis pada penelitian ini yakni terdiri dari 2 jenis buah kopi yaitu kopi arabika dan kopi robusta . Berikut ini merupakan data buah kopi tersebut.
Gambar 3. a. Sampel Citra Kopi Arabika b. Sampel Citra Kopi Robusta
500
B. Ekstraksi Ciri
Tahap ekstraksi ciri ini, penulisan menggunakan 4 neuron masukkan yaitu nilai untuk background (Eccentricity), ukuran objek (Metric), luas (Area), keliling (Perimeter). Untuk ekstraksi ciri nilai 4 neuron tersebut menggunakan image hasil segmentasi yang telah di konversi dari grayscale ke biner. Sehingga mendapat hasil berikut.
Tabel 1. Hasil Ekstraksi Ciri
No image Metric Eccentricity Perimeter Area Hasil 1 Arabika1 0,8733 0,3442 0,1843 0,1251 Arabika 2 Arabika2 0,5657 0,7958 0,1225 0,1029 Arabika 3 Arabika3 0,4691 0,6619 0,1600 0,1090 Arabika 4 Arabika4 0,5003 0,7152 0,9000 0,9000 Arabika 5 Arabika5 0,7230 0,6023 0,1372 0,1071 Arabika 6 Arabika6 0,5605 0,6494 0,1000 0,1000 Arabika 7 Arabika7 0,5552 0,7343 0,3799 0,2238 Arabika 8 Arabika8 0,3969 0,6962 0,4092 0,2171 Arabika 9 Arabika9 0,2870 0,8790 0,2594 0,1300 Arabika 10 Arabika10 0,4760 0,6599 0,2729 0,1481 Arabika 11 Arabika11 0,4611 0,5921 0,2390 0,1327 Arabika 12 Arabika12 0,8944 0,3664 0,1481 0,1120 Arabika 13 Arabika13 0,4925 0,6116 0,2655 0,1459 Arabika 14 Arabika14 0,4760 0,6599 0,2729 0,1481 Arabika 15 Arabika15 0,4807 0,8380 0,2109 0,1234 Arabika 16 Arabika16 0,4451 0,7427 0,2131 0,1229 Arabika 17 Arabika17 0,2135 0,8001 0,2095 0,1134 Arabika 18 Arabika18 0,4706 0,5822 0,2636 0,1435 Arabika 19 Arabika19 0,5530 0,2562 0,2546 0,1446 Arabika 20 Arabika20 0,8783 0,5141 0,2078 0,1364 Arabika 21 Arabika21 0,8981 0,3200 0,2129 0,1398 Arabika 22 Arabika22 0,2474 0,7166 0,2735 0,1317 Arabika 23 Arabika23 0,5348 0,8020 0,1362 0,1050 Arabika 24 Arabika24 0,2118 0,5960 0,2678 0,1275 Arabika 25 Arabika25 0,4307 0,7254 0,2205 0,1247 Arabika 26 Arabika26 0,6104 0,6493 0,2273 0,1351 Arabika 27 Arabika27 0,4451 0,7427 0,2131 0,1229 Arabika 28 Arabika28 0,4095 0,5557 0,2266 0,1258 Arabika 29 Arabika29 0,5461 0,4381 0,2184 0,1287 Arabika 30 Arabika30 0,8880 0,4227 0,1849 0,1257 Arabika 31 Arabika31 0,3360 0,4526 0,2086 0,1175 Arabika 32 Arabika32 0,6163 0,7584 0,1676 0,1135 Arabika 33 Arabika33 0,4675 0,6733 0,1946 0,1179 Arabika 34 Arabika34 0,4561 0,8525 0,1387 0,1047 Arabika 35 Arabika35 0,5271 0,7748 0,2143 0,1264 Arabika 36 Arabika36 0,8733 0,3442 0,1843 0,1251 Arabika 37 Arabika37 0,8944 0,3664 0,1481 0,1120 Arabika
501
No image Metric Eccentricity Perimeter Area Hasil 38 Arabika38 0,5348 0,8020 0,1362 0,1050 Arabika 39 Arabika39 0,4561 0,8525 0,1387 0,1047 Arabika 40 Arabika40 0,8332 0,3510 0,1357 0,1078 Arabika 41 Arabika41 0,5931 0,8212 0,1555 0,1099 Arabika 42 Arabika42 0,8337 0,4902 0,1390 0,1086 Arabika 43 Arabika43 0,5653 0,6448 0,1992 0,1223 Arabika 44 Arabika44 0,5557 0,8376 0,1075 0,1008 Arabika 45 Arabika45 0,8332 0,3510 0,1357 0,1078 Arabika 46 Arabika46 0,5657 0,7958 0,1225 0,1029 Arabika 47 Arabika47 0,5931 0,8212 0,1555 0,1099 Arabika 48 Arabika48 0,8337 0,4902 0,1390 0,1086 Arabika 49 Arabika49 0,5653 0,6448 0,1992 0,1223 Arabika 50 Arabika50 0,5557 0,8376 0,1075 0,1008 Arabika 51 Robusta51 0,8733 0,3442 0,1843 0,1251 Robusta 52 Robusta52 0,5657 0,7958 0,1225 0,1029 Robusta 53 Robusta53 0,8944 0,3664 0,1481 0,1120 Robusta 54 Robusta54 0,5348 0,8020 0,1362 0,1050 Robusta 55 Robusta55 0,4561 0,8525 0,1387 0,1047 Robusta 56 Robusta56 0,8332 0,3510 0,1357 0,1078 Robusta 57 Robusta57 0,5931 0,8212 0,1555 0,1099 Robusta 58 Robusta58 0,8337 0,4902 0,1390 0,1086 Robusta 59 Robusta59 0,5003 0,7152 0,9000 0,9000 Robusta 60 Robusta60 0,5557 0,8376 0,1075 0,1008 Robusta 61 Robusta61 0,2893 0,7723 0,4102 0,1967 Robusta 62 Robusta62 0,1566 0,7900 0,2204 0,1133 Robusta 63 Robusta63 0,3073 0,8286 0,2113 0,1172 Robusta 64 Robusta64 0,8864 0,1000 0,1881 0,1271 Robusta 65 Robusta65 0,2924 0,7539 0,2723 0,1346 Robusta 66 Robusta66 0,4001 0,6325 0,1821 0,1127 Robusta 67 Robusta67 0,6938 0,4887 0,1883 0,1221 Robusta 68 Robusta68 0,1000 0,8219 0,3373 0,1367 Robusta 69 Robusta69 0,6103 0,2683 0,2311 0,1368 Robusta 70 Robusta70 0,2513 0,8744 0,2167 0,1164 Robusta 71 Robusta71 0,6353 0,5310 0,2305 0,1377 Robusta 72 Robusta72 0,1172 0,8036 0,2121 0,1103 Robusta 73 Robusta73 0,4735 0,3451 0,1837 0,1150 Robusta 74 Robusta74 0,8945 0,5006 0,2006 0,1333 Robusta 75 Robusta75 0,9000 0,3745 0,1847 0,1260 Robusta 76 Robusta76 0,1879 0,6978 0,2728 0,1272 Robusta 77 Robusta77 0,2375 0,5514 0,3004 0,1398 Robusta 78 Robusta78 0,2865 0,6435 0,2726 0,1343 Robusta 79 Robusta79 0,8413 0,6371 0,2636 0,1682 Robusta
502
No image Metric Eccentricity Perimeter Area Hasil 80 Robusta80 0,4908 0,5388 0,2991 0,1625 Robusta
81 Robusta81 0,8748 0,3763 0,2039 0,1343 Robusta 82 Robusta82 0,4645 0,5788 0,1945 0,1178 Robusta 83 Robusta83 0,1462 0,7797 0,2851 0,1273 Robusta 84 Robusta84 0,3909 0,7760 0,1892 0,1143 Robusta 85 Robusta85 0,5890 0,7602 0,1597 0,1109 Robusta 86 Robusta86 0,1097 0,8023 0,3343 0,1370 Robusta 87 Robusta87 0,2855 0,9000 0,1107 0,1000 Robusta 88 Robusta88 0,8361 0,6222 0,2664 0,1697 Robusta 89 Robusta89 0,2494 0,7416 0,3411 0,1566 Robusta 90 Robusta90 0,8845 0,4124 0,2529 0,1636 Robusta 91 Robusta91 0,3845 0,8464 0,2161 0,1215 Robusta 92 Robusta92 0,1095 0,7213 0,3201 0,1331 Robusta 93 Robusta93 0,1921 0,6293 0,3641 0,1581 Robusta 94 Robusta94 0,5624 0,7221 0,2185 0,1293 Robusta 95 Robusta95 0,3738 0,6320 0,2716 0,1402 Robusta 96 Robusta96 0,2893 0,7723 0,4102 0,1967 Robusta 97 Robusta97 0,1172 0,8036 0,2121 0,1103 Robusta 98 Robusta98 0,1462 0,7797 0,2851 0,1273 Robusta 99 Robusta99 0,5624 0,7221 0,2185 0,1293 Robusta 100 Robusta100 0,2030 0,8392 0,2510 0,1224 Robusta
C. Ekstrasi Ciri
Tahap ekstraksi ciri ini, penulis menggunakan variabel inputan metric (objek), eccentricity (latar belakang), perimeter (keliling) dan area (luas) menggunakan citra hasil segmentasi binerisasi dengan morfologi. Sehingga di dapat hasil ekstraksi dari citra dengan masukan sebagai berikut:
Gambar 4. Ekstraksi Ciri
503
D. Data Training
Pada bagian ini akan dibahas mengenai tampilan pelatihan sistem yang akan digunakan untuk klasifikasi jenis buah kopi. pada pada bagian ini dilakukan pelatihan data gambar yang menampilkan artsitektur jaringan syaraf tiruan beserta tingkat akurasi pada pelatihan data yang sudah diolah sebelumnya. Berikut ini merupakan tampilan pelatihan menggunakan media matlab.
Gambar 5. Pelatihan
E. Pengujian
Pada bagian ini akan dibahas mengenai tampilan pengujian sistem yang akan digunakan untuk klasifikasi jenis buah kopi. Berikut ini merupakan tampilan latih menggunakan media matlab.
Gambar 6. Pengujian
F. Evaluasi
Rumus confusion matrix untuk menghitung accuracy,dan precision, recall. Nilai akurasi merupakan perbandingan antara data yang terklasifikasi benar dengan keseluruhan data.
504
Tabel 3. Tabel Evaluasi Model Confusion Matrix
Confusion Matrix Kelas Hasil Prediksi True False Kelas
Sebenarnya
Positive TP = 72 FP = 28 Negative TN = 0 FN = 0
Accuracy menggambarkan seberapa akurat model dalam menglasifikasikan dengan benar, dengan rumus dibawah ini.
Accuracy = (TP+TN)/(TP+TN+FP+FN) ×100 % = (72+0)/(72+0+0+28) ×100 % = 72/100 ×100 %
Accuracy = 85 %
Precision menggambarkan akurasi antara data yang diminta dengan hasil prediksi yang telah diberikan oleh model dengan rumus dibawah ini.
Precision = TP/(TP+FP)×100%
= 72/( 72+28)×100%
Precision = 85%
Recall atau sensitivity menggambarkan keberhasilan model dalam menemukan kembali sebuah informasi dengan rumus dibawah ini.
Recall = TP/(TP+FN)×100%
= 72/(72+0)×100%
Recall =100%
Dari hasil evaluasi model confusion matrix di atas maka di dapat hasil Accuracy sebesar 85 %, pada Precision 85%, pada Recall 100% pada masing-masing data uji dari 2 jenis buah kopi yang berbeda.
V. SIMPULAN
Dari analisa dan pembahasan yang dilakukan oleh peneliti dapat disimpulkan hasil program klasifikasi buah kopi dengan algoritma Backpropagation yang dicocokan di microsoft excel didapat hasil untuk akurasi sebesar 72 % terhadap 100 data latih dan didapat hasil untuk akurasi sebesar 85 % terhadap 10 data uji adapun untuk perhitungan manualnya, diperoleh hasil dari Model Performa Menggunakan Confusion Matrix Pada data training diperoleh akurasi 72% dan testing 85% dari masing- masing 2 jenis buah kopi yang berbeda dan model jaringan syaraf tiruan yang dihasilkan sudah mampu mengenali jenis buah kopi dengan sangat baik. Hal ini dapat dilihat dari hasil latih yang datanya tidak tergabung dalam proses training mampu mengenali 72 yang bernilai benar dan 28 yang bernilai salah dari 100 data dan pada hasil uji data yang datanya tidak tergabung dalam proses testing mampu mengenali 17 yang bernilai benar dan 3 yang bernilai salah dari 20 data jenis buah kopi.
VI. UCAPAN TERIMAKASIH
Terima kasih penulis ucapkan kepada pihak kampus Institut Teknologi Pagar Alam telah mendukung penelitian ini terlaksana sampai selesai. Kepada Dinas Pertanian kami ucapkan terima kasih sebagai objek penelitian dan pengambilan data pada penelitian ini. Selain itu kepada semua penulis yang terlibat dan ikut membantu dalam proses penelitian ini dari awal hingga selesai termasuk kepada pengelola Journal of Informaticsand Telecommunication Engineering (JITE) yang telah bersedia menerima artikel penelitian ini. Semoga bisa bermanfaat untuk peneliti di luar sana dalam mengembangkan metode Backpropagation.
505
DAFTAR PUSTAKA
Abdullah, and Usman. 2016. “Sistem Cerdas Untuk Klasifikasi Buah Kelapa Menggunakan Metode Backpropagation.” Selondang Mayang: 87–94.
Alwi, L., Hermawan, A. T., & Kristian, Y. 2019. “Identifikasi Biji-Bijian Berdasarkan Ekstraksi Fitur Warna, Bentuk Dan Tekstur Menggunakan Random Forest.” . Journal Of Intelligent Systems And Computation.
Andri, Andri. 2012. “Implementasi Segmentasi Citra Dan Algoritma Learning Vector Quantization (LVQ) Dalam Pengenalan Bentuk Botol.” Jurnal SIFO Mikroskil 13(2): 123–32.
Budianita, Elvia, and Widodo Prijodiprodjo. 2013. “Penerapan Learning Vector Quantization (LVQ) Untuk Klasifikasi Status Gizi Anak.” IJCCS (Indonesian Journal of Computing and Cybernetics Systems) 7(2):
155.
Finaliamartha, D, D Supriyadi, and G F Fitriana. 2022. “Penerapan Metode Jaringan Syaraf Tiruan Backpropagation Untuk Prediksi Tingkat Kemiskinan Di Provinsi Jawa Tengah.” Jurnal Teknologi Informasi … 9(4): 751–60.
Hadinegoro, Arifiyanto, and Dicky Andhika Rizaldilhi. 2021. “Pengaruh HSV Pada Pengolahan Citra Untuk Kematangan Buah Cabai.” Building of Informatics, Technology and Science (BITS) 3(3): 155–63.
Handayani, Irma. 2019. “Penerapan Algoritma C4.5 Untuk Klasifikasi Penyakit Disk Hernia Dan Spondylolisthesis Dalam Kolumna Vertebralis.” JASIEK (Jurnal Aplikasi Sains, Informasi, Elektronika dan Komputer) 1(2): 83–88.
Haumahu, John Pierre. 2019. “JITE (Journal of Informatics and Telecommunication Engineering).” 3(1):
41–47.
Jumadi, Juju, Yupianti Yupianti, and Devi Sartika. 2021. “Pengolahan Citra Digital Untuk Identifikasi Objek Menggunakan Metode Hierarchical Agglomerative Clustering.” JST (Jurnal Sains dan Teknologi) 10(2): 148–56.
Khatib, Jln et al. 2022. “Indonesian Journal of Computer Science.” 11(1): 566–76.
Muslim, Buhori. 2016. Pengantar Teknologi Informasi. Yogyakarta: Deepublish.
Nurmila, Nazla, Aris Sugiharto, and Eko Adi Sarwoko. 2010. “Algoritma Back Propagation Neural Network Untuk Pengenalan Pola Karakter Huruf Jawa.” Jurnal Masyarakat Informatika 1(1): 1–10.
Pakpahan, Roida. 2021. “Analisa Pengaruh Implementasi Artificial.” Journal of Information System, Informatics and Computing 5(2): 506–13.
Riantama, G. N., Piarsa, I. N., & Sasmita, G. 2019. “Pengaruh Segmentasi Terhadap Hasil Rotasi Citra Menggunakan Metode Minimum Area Rectangle.” Merpati.
Rosa.A.S., M. Shalahuddin. 2014. Rekayasa Perangkat Lunak. Bandung: Informatika.
Sudirman, and Muhammad Yudha Syuhada. 2018. “Pengenalan Pola Logo Merk Mobil Dengan Menggunakan Algoritma Deteksi Tepi Prewitt Dan Jaringan Saraf Tiruan Backpropagation Introduction of Car Brand Logo Patterns by Using Prewitt Edge Detection Algorithms and Artificial Neural Networks Backpropagation.” JITE (Journal Of Informatics And Telecomunication Engineering) 1(2): 47–50.
Suhartanto, S.R., C. Dewi, and L. Muflikhah. 2017. “Implementasi Jaringan Syaraf Tiruan Backpropagation Untuk Mendiagnosis Penyakit Kulit Pada Anak.” Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 1(7): 555–62. http://j-ptiik.ub.ac.id/index.php/j-ptiik/article/view/163.
