DETEKSI TELUR INFERTIL MENGGUNAKAN JARINGAN
SARAF TIRUAN
MULTILAYER PERCEPTRON
SKRIPSI
MUHAMMAD ZAEN NAWAWI
081402022
DEPARTEMEN TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
DETEKSI TELUR INFERTIL MENGGUNAKAN JARINGAN SARAF
TIRUAN
MULTILAYER PERCEPTRON
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat mencapai gelar Sarjana Teknologi Informasi
MUHAMMAD ZAEN NAWAWI 081402022
DEPARTEMEN TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA
PERSETUJUAN
Judul : DETEKSI TELUR INFERTIL MENGGUNAKAN JARINGAN SARAF TIRUAN MULTILAYER PERCEPTRON
Kategori : SKRIPSI
Nama : MUHAMMAD ZAEN NAWAWI Nomor Induk Mahasiswa : 081402022
Program Studi : SARJANA (S1) TEKNOLOGI INFORMASI Departemen : TEKNOLOGI INFORMASI
Fakultas : ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA
Komisi Pembimbing :
Pembimbing 2 Pembimbing 1
Muhammad Fadly Syahputra, B.Sc.,M.Sc.IT Romi Fadillah Rahmat, B.Comp.Sc.,M.Sc NIP 198301292009121003 NIP 198603032010121004
Diketahui/Disetujui oleh
Program Studi S1 Teknologi Informasi Ketua,
Muhammad Anggia Muchtar, ST., MM.IT. NIP 198001102008011010
iii
PERNYATAAN
DETEKSI TELUR INFERTIL MENGGUNAKAN JARINGAN SARAF TIRUAN MULTILAYER PERCEPTRON
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil karya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya.
Medan, Juli 2014
Muhammad Zaen Nawawi 081402022
UCAPAN TERIMA KASIH
Puji dan syukur penulis sampaikan kehadirat Allah SWT yang tgelah memberikan rahmat dan hidayah-Nya sehingga penulis dapat menyelesaikan skripsi ini sebagai syarat untuk memperoleh ijazah Sarjana Teknologi Informasi, Program Studi S1 Teknologi Informasi Universitas Sumatera Utara. Ucapan terimakasih penulis sampaikan kepada:
1. Kedua orang tua dan keluarga penulis yang telah memberikan dukungan dan motivasi baik materil dan spiritual, Ayahanda Ismail dan Ibunda Sumayati yang selalu sabar dalam mendidik dan membesarkan penulis.
2. Bapak Romi Fadillah Rahmat, B.Comp.Sc,M.Sc selaku pembimbing satu dan Muhammad Fadly Syahputra, B.Sc.,M.Sc.IT selaku pembimbing dua yang telah banyak meluangkan waktu dan pikirannya, memotivasi dan memberikan kritik dan saran kepada penulis.
3. Ucapan terima kasih juga ditujukan kepada Ibu Sarah Purnamawati, S.T., M.Sc. dan Bapak Baihaqi Siregar, ST., M.Sc selaku penguji yang telah bersedia menjadi dosen pembanding.
4. Ucapan terima kasih juga ditujukan kepada Ketua dan Sekretaris Program Studi Teknologi Informasi, Bapak M. Anggia Muchtar, ST. MM.IT. dan Bapak M. Fadly Syahputra B.Sc,M.Sc.IT.
5. Dekan dan Pembantu Dekan Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara, semua dosen dan pegawai di Program Studi Teknologi Informasi.
6. Terima kasih kepada staf pegawai administrasi tata usaha Program Studi Teknologi Informasi, Ibu Delima Harahap dan terutama Abangda Faisal Hamid, yang telah membantu penulis dalam menyelesaikan semua urusan administrasi di Program Studi Teknologi Informasi.
7. Terima kasih kepada adinda Jalaluddin Sayuti, Khairatunnisak, Rabi’atul Adawiyah, Siti Saedah dan Zahid Alkhusairy yang selalu memberikan dukungan kepada saya, dan kepada saudari Nina Zakiyah yang telah meluangkan waktu dan pikiran untuk membantu saya dalam penyusunan skripsi ini.
8. Terima kasih juga kepada sahabat-sahabat mahasiswa Teknologi Informasi yang tidak dapat penulis sampaikan satu persatu. Dan juga sahabat-sahabat di Pesantren Ar-raudlatul hasanah.
Akhir kata, saya ucapkan terima kasih kepada semua pihak yang terkait dalam penyelesaian skripsi ini yang tidak bisa saya sebut satu persatu. Semoga Allah memberi rahmat dan keberkahan kepada kita semua.
v
ABSTRAK
Telur infertil adalah telur yang tidak mengalami perkembangan embrio pada saat penatasan. Pendeteksian telur infertil secara otomatis akan memberikan kemudahan saat penyeleksian dan pemindahan telur infertil tepat waktu, yang akan membawa keuntungan bagi peternakan seperti efesiensi tempat dan kontaminasi penyakit yang mempengaruhi penetesan karena telur infertil bisa menjadi tempat perkembangan jamur. Sebuah metode terdiri dari machine vision dan jaringan saraf tiruan multilayer perceptron dirancang. Dengan meletakkan telur dekat sumber cahaya dengan latar belakang hitam dalam ruangan gelap telur difoto dengan kamera kualitas tinggi. Dari citra yang dihasilkan kamera diekstrak fitur atau ciri-ciri yang membedakan antara telur fertil dan telur infertil. Shape index, roundness dan elongation diekstrak dari bentuk telur, sedangkan nilai rata-rata hue, saturation dan intensity diekstrak dari warna telur. Enam nilai fitur ekstraksi dijadikan nilai neuron pada lapisan inputan jaringan saraf tiruan multilayer perceptron. 100 data sampel digunakan untuk pelatihan jaringan dan pegujian memorasi dan 125 data sampel berbeda digunakan untuk uji generalisasi. Laju pembelajaran yang digunakan adalah 0.0005 dan parameter momentum sebesar 0.02 tingkat akurasi yang dihasilkan 98% untuk pelatihan dan 96% untuk uji generalisasi.
INFERTILE EGGS DETECTION USING MULTILAYER PERCEPTRON NEURAL NETWORK
ABSTRACT
Infertile eggs are eggs that embryonic development did not occur on it when hacthery procces held. Automatic infertile eggs detection give ease to select and timely removal of the infertile eggs. which will bring benefits to the hactheries such space efficiency and egg contamination due to diseases caused by infertile eggs. A method based on machine vision and artificial neural network multilayer perceptron designed. By laying eggs near a light source with a black background in a dark room eggs photographed with a high resolution camera. Image that acquired by camera extracted from it features or characteristics that distinguish between fertile eggs and infertile eggs. Shape index, roundness and elongation extracted from the shape of the eggs, while the average value of hue, saturation and intensity are extracted from the color of the eggs. Six values of feature extraction is used as neurons value in the input layer of a multilayer perceptron neural network. 100 samples are used for training the network and memorization test and anoter 125 different samples used for generalization test. The value of learning rate used is 0.0005 and the momentum parameter is 0,02. After test phase done , accuracy rate is 98% for memorizing test and 96% for the generalization test.
vii
DAFTAR ISI
Halaman
PERSETUJUAN ii
PERNYATAAN iii
UCAPAN TERIMA KASIH iv
ABSTRAK v
ABSTRACT vi
DAFTAR ISI vii
DAFTAR TABEL ix DAFTAR GAMBAR x BAB 1 1 1.1 Latar Belakang 1 1.2 Rumusan Masalah 2 1.3 Batasan Masalah 2 1.4 Tujuan Penelitian 3 1.5 Manfaat Penelitian 3 1.6 Metodologi Penelitian 3 1.7 Sistematika Penulisan 4 BAB 2 6 2.1 Telur Infertil 6 2.2 Machine Vision 7 2.3 Pengolahan Citra 7
2.3.1 Citra Keabuan (Grayscale) 8
2.3.2 Citra Biner 9
2.4 Ekstraksi Fitur 9
2.4.1 Ekstraksi fitur warna 9 2.4.2 Ekstraksi fitur bentuk 11 2.5 Jaringan Saraf Tiruan 13 2.5.1 Komponen Jaringan Saraf Tiruan 13 2.6 Algoritma Multilayer Perceptron 14 2.6.1 Fungsi Aktifasi 16 2.6.1.1 Fungsi Sigmoid Biner 16 2.6.2 Inilisialisasi Bobot dengan Acak 17 2.6.3 Pengupdate Bobot dengan Momentum 17
2.7 Penelitian terdahulu 18 BAB 3 20 3.1 Akuisi Data 21 3.2 Pengolahan Citra 22 3.2.1 Citra Keabuan 23 3.2.2 Citra Biner 24 3.3 Ekstraksi Fitur 25
3.4.3 Proses Pengujian 36 BAB 4 37 4.1 Implementasi 37 4.2 Pengujian 39 4.2.1 Persiapan Jaringan 39 4.2.2 Hasil Pengujian 42
4.2.2.1 Hasil Uji Memorasi 43 4.2.2.2 Hasil Uji Generalisasi 47
BAB 5 52
5.1 Kesimpulan 52
5.2 Saran 52
DAFTAR PUSTAKA 53
ix
DAFTAR TABEL
Halaman Tabel 4.1 Fungsi-fungsi CImg yang digunakan 37 Tabel 4.2 Fungsi-fungsi MLP yang digunakan 38 Tabel 4.3 Nilai nilai fitur yang dijadikan nilai neuron di lapisan input 40 Tabel 4.4 Hasil pengenalan data latihan multilayer perceptron 43 Tabel 4.5 Hasil pengenalan data uji multilayer perceptron 47
DAFTAR GAMBAR
Halaman Gambar 2.1 Bagian bagian telur 6
Gambar 2.2 Machine Vision 7
Gambar 2.3 Representasi nilai Intensity 10 Gambar 2.4 Representasi nilai Hue 10 Gambar 2.3 Representasi nilai Saturation 11 Gambar 2.6 Fungsi sigmoid biner dengan rentang (0,1) 17 Gambar 3.1 Skema Dasar Pendeteksian Telur Infertil 20 Gambar 3.2 Citra telur yang dihasilkan oleh machine vision 21 Gambar 3.3 Pengolahan Citra Citra RGB, Citra Grayscale dan Citra Biner 22 Gambar 3.4 Flowchart proses grayscaling 23 Gambar 3.5 Citra hasil proses grayscaling 24 Gambar 3.6 Flowchart proses thresholding 24 Gambar 3.7 Citra hasil proses thresholding 25 Gambar 3.8 Matrik penyimpanan nilai fitur 25 Gambar 3.9 Flowchart fitur ekstraksi nilai intensity 28 Gambar 3.10 Nilai intensity hasil fitur ekstraksi warna 28 Gambar 3.11 Flowchart fitur ekstraksi nilai hue 29 Gambar 3.12 Nilai hue hasil fitur ekstraksi warna 30 Gambar 3.13 Flowchart fitur ekstraksi nilai saturation 32 Gambar 3.14 Nilai saturation hasil fitur ekstraksi warna. 32 Gambar 3.15 Contoh Fitur Ekstraksi berdasarkan batas (boundary-based). 32 Gambar 3.16 Contoh perbedaan nilai fitur telur infertil dan fertile. 34 Gambar 3.17 Arsitektur jaringan saraf tiruan multilayer perceptron 35 Gambar 4.1 Grafik uji memorasi 46 Gambar 4.2 Grafik uji generalisasi 51
