KLASIFIKASI JAMUR PENYEBAB PENYAKIT ANTRAKNOSA
PADA CABAI
SKRIPSI
NABILA PINDYA
111402110
PROGRAM STUDI S1 TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
MEDAN
2016
PADA CABAI
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah Sarjana Teknologi Informasi
NABILA PINDYA 111402110
PROGRAM STUDI S1 TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA
MEDAN 2016
PERSETUJUAN
Judul : PENERAPAN NEURAL NETWORK BACKPROPAGATION UNTUK KLASIFIKASI JAMUR PENYEBAB PENYAKIT ANTRAKNOSA PADA CABAI
Kategori : SKRIPSI
Nama : NABILA PINDYA Nomor Induk Mahasiswa : 111402110
Program Studi : SARJANA (S1) TEKNOLOGI INFORMASI Departemen : TEKNOLOGI INFORMASI
Fakultas : ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA Komisi Pembimbing :
Pembimbing 2 Pembimbing 1
Sarah Purnamawati ST., M.Sc. Prof. Dr. Opim Salim Sitompul M.Sc.
NIP. 19830226 201012 2 003 NIP. 19610817 198701 1 001
Diketahui/disetujui oleh
Program Studi S1 Teknologi Informasi Ketua,
Muhammad Anggia Muchtar, ST., MM.IT NIP. 198001102008011010
PERNYATAAN
PENERAPAN NEURAL NETWORK BACKPROPAGATION UNTUK KLASIFIKASI JAMUR PENYEBAB PENYAKIT ANTRAKNOSA
PADA CABAI
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil karya saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya.
Medan, 25 Agustus 2016
Nabila Pindya 111402110
UCAPAN TERIMA KASIH
Puji dan syukur kehadirat Allah SWT, karena rahmat dan izin-Nya penulis dapat menyelesaikan penyusunan skripsi ini, sebagai syarat untuk memperoleh gelar Sarjana Komputer, pada Program Studi S1 Teknologi Informasi Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara.
Ucapan terima kasih penulis sampaikan kepada:
1. Bapak Prof. Dr. Runtung Sitepu, SH, M.Hum selaku Rektor Universitas S1 Teknologi Informasi Universitas Sumatera Utara.
4. Ibu Sarah Purnamawati ST., M.Sc. selaku Dosen Pembimbing II yang telah memberikan bimbingan dan saran kepada penulis.
5. Bapak Dani Gunawan, ST., MT., selaku Dosen Pembanding I yang telah memberikan kritik dan saran dalam penyempurnaan skripsi ini.
6. Bapak Ainul Hizriadi S.Kom., M.Sc., selaku Dosen Pembanding II yang telah memberikan kritik dan saran dalam penyempurnaan skripsi ini.
7. Ayahanda Drs. Nursal, M.Si dan Ibunda Dra. Yanetta Boerma yang selalu memberikan doa, kasih sayang dan dukungan kepada penulis.
8. Adik tercinta Sutan Farhan Pratasa yang selalu mendukung dan mendoakan penulis.
9. Teman – teman yang selalu memberi semangat dan dukungan, Gina Radiana, Nindya Caesy Aidita dan Eni Riezki.
10. Teman sepermainan Wacana Skripsi, Tifani Zatalini FY, Ossie Zarina Prayitno, Rina Bahri, Nurul Fatihah, Hanafiah Ismed, Bang Kira, serta seluruh teman-teman angkatan 2011 dan mahasiswa Teknologi informasi yang lainnya, semoga Allah SWT membalas kebaikan kalian.
11. Semua pihak yang terlibat langsung ataupun tidak langsung yang tidak dapat penulis ucapkan satu per satu yang telah membantu penyelesaian skripsi ini.
Semoga Allah SWT melimpahkan berkah kepada semua pihak yang telah memberikan bantuan, perhatian, serta dukungan kepada penulis dalam menyelesaikan skripsi ini.
Medan, 25 Agustus 2016
Penulis
ABSTRAK
Cabai merupakan salah satu tanaman yang banyak digunakan dalam kehidupan masyarakat Indonesia. Cabai juga berperan penting dalam perekonomian Indonesia karena kegunaannya dalam industri makanan dan obat-obatan. Untuk itu tanaman cabai banyak dibudidayakan oleh petani, tetapi usaha tersebut belum maksimal dikarenakan banyak petani yang kurang paham pada cara budidaya tersebut, sehingga tanaman cabai sering terserang berbagai penyakit, salah satunya penyakit Antrakanosa yang disebabkan jamur. Oleh sebab itu, dibutuhkan sebuah sistem aplikasi yang dapat mengklasifikasi jenis jamur penyebab penyakit pada tanaman cabai agar lebih efektif dan efisien. Pada penelitian ini, jaringan saraf tiruan backpropagation digunakan sebagai metode klasifikasi jamur penyebab penyakit pada tanaman cabai. Tahap yang harus dilakukan sebelum masuk ke tahap klasifikasi adalah pre-processing citra, seperti image brightness, contrast, dan sharpening, dan ekstraksi fitur menggunakan HSV. Penelitian menggunakan 90 citra sebagai data latih dan 60 citra sebagai data uji dengan tingkat akurasi sebesar 90%.
Keyword: jaringan saraf tiruan backpropagation; HSV; pengolahan citra; klasifikasi jamur.
NEURAL NETWORK BACK PROPAGATION FOR FUNGI CLASSIFICATION THAT CAUSE ANTHRACNOSE
DISEASES IN CHILI
ABSTRACT
Chili is one of the plants which often be used in daily life of Indonesian. Chilis also has important roles in Indonesian economic growth due to its usefulness in both food and drugs industries. Therefore chili is planted by many Indoenesian farmers, but the result has not been maximized since the farmers are lack of the knowledges in planting causing the plants often become infected. One of the infections is Antraknoza that caused by fungi. Therefore, there is a need for an application that able to classify the fungi which caused the infection so it can be more efficient and effectively identified. In this research, backpropagation neural network was used as the method to classify the fungi that caused the chili’s infection. The stage taken before classification process started are Image pre-processing such brightness, contrast and sharpening, then feature extraction using HSV. Under current research, 90 images were used in the training process while the other 30 were used in the testing with accuracy rate at 90%.
Keyword: backpropagation neural network; HSV; image processing; identification; antraknoza.
DAFTAR ISI
Daftar Lampiran xiii
BAB 1 PENDAHULUAN 1
1.6. Metodologi Penelitian 4 1.7. Sistematika Penulisan 5
BAB 2 LANDASAN TEORI 6
2.1. Pengenalan Cabai 6
2.2. Antraknosa (Pathek) 6
2.2.1. Colletrotichum capsici 6
2.2.2. Gloeosporium piperatum 7
2.3. Pengenalan Citra 7
2.3.1. Citra warna (color image) 8 2.4. Pengolahan Citra Digital 8
2.4.1. Image Enhancement 8
2.4.1.1. Image Brightness 9
2.4.1.2. Contrast Stretching 9
2.4.1.3. Image Sharpening 10
2.4.2. Feature Extraction 10
2.4.2.1. Deteksi Warna HSV 10
2.5. Neural Network (Jaringan Saraf Tiruan) 12 2.6. Metode Backpropagation 14 2.7. Penelitian Terdahulu 17 BAB 3 ANALISIS DAN PERANCANGAN 19
3.1. Arsitektur Umum 19
3.2. Image Enhancement 20
3.2.1. Image Brightness 21 3.2.2. ContrastStretching 21 3.2.3. Image Sharpening 22
3.3. Feature Extraction 22
3.3.1. HSV 23
3.4. Klasifikasi Neural Network Backpropogation 29
3.4.1. Tahap perancangan arsitektur jaringan saraf tiruan
backpropagation 30
3.4.2. Tahap pelatihan backpropagation 32
3.4.3. Tahap pengujian backpropagation 36
3.5. Perancangan Sistem 38
3.5.1. Perancangan Antarmuka 38
3.5.1.1. Rancangan Halaman Awal 39
3.5.1.2. Rancangan Halaman Pengujian 39 BAB 4 IMPLEMENTASI DAN PENGUJIAN 41
4.1. Implementasi Sistem 41
4.1.1. Spesifikasi perangkat keras dan perangkat lunak 41
4.1.2. Implementasi perancangan antarmuka sistem 41
4.2. Pelatihan Citra 42
4.3. Prosedur Operasional 43
4.3.1. Prosedur operasional pada halaman pelatihan citra 43
4.3.2. Prosedur operasional pada halaman pengujian citra 43
4.4. Pengujian Citra 45
4.5. Pengujian Sistem 47
BAB 5 KESIMPULAN DAN SARAN 49
5.1. Kesimpulan 49
5.2. Saran 50
DAFTAR PUSTAKA 51
DAFTAR TABEL
Hal. Tabel 2.1. Penelitian terdahulu 17 Tabel 3.1. Nilai piksel RGB citra cabai yang dinormalisasi 25 Tabel 3.2. Nilai Piksel HSV 26 Tabel 3.3. Kuantisasi Ruang Warna dari Histogram HSV-162 Bin 27 Tabel 3.4. Target Keluaran Jaringan Backpropogation 30 Tabel 3.5. Input dan Target 33 Tabel 3.6. Bobot Awal Vji 34
Tabel 3.7. Bobot Awal Wkj 34
Tabel 3.8. Data uji 37
Tabel 3.9. Bobot Vkj baru 37 Tabel 3.10. Bobot Wkj baru 37 Tabel 4.1. Hasil Pelatihan Citra 42 Tabel 4.2. Hasil Pengujian Citra 45
Tabel 4.3. Data uji 46
Tabel 4.4. Bobot Vkj 46
Tabel 4.5. Bobot Wkj 46
DAFTAR GAMBAR
Hal. Gambar 2.1. Cabai yang terkena Colletrotichum Capsici 7 Gambar 2.2. Cabai yang terkena Gloeosporium Piperatum 7 Gambar 2.3. Model Warna HSV (Rakhmawati, 2013) 11 Gambar 2.4. Pola jaringan syaraf tiruan (Hermawan, 2006) 13 Gambar 2.5. Arsitektur BackpropagationAlgorithm (Fausset, 1994) 14 Gambar 3.1. Arsitektur umum 20 Gambar 3.2. Proses pre-processing 21 Gambar 3.3. Hasil imagebrightness dan contrast 22 Gambar 3.4. Hasil imagesharpening 22 Gambar 3.5. Proses featureextraction 22 Gambar 3.6. Representasi piksel citra cabai 23 Gambar 3.7. Citra cabai 25 (5x5piksel) 23 Gambar 3.8. Proses classification 30 Gambar 3.9. Arsitektur jaringan saraf tiruan 31 Gambar 3.10. Proses pelatihan jaringan backpropagation 32 Gambar 3.11. Rancangan halaman awal 39 Gambar 3.12. Rancangan halaman pengujian citra 39 Gambar 4.1. Tampilan halaman pengujian setelah selesai dilakukan 44 pengujian
DAFTAR LAMPIRAN
Hal. Lampiran 1. Hasil pelatihan citra 54 Lampiran 2. Hasil pengujian citra 64
