PEMBANGUNAN PERANGKAT LUNAK ANALISA HUBUNGAN ANTARA VARIABEL FISIK DAN KELAS MUTU TEH HITAM TESIS

(1)

PEMBANGUNAN PERANGKAT LUNAK ANALISA

HUBUNGAN ANTARA VARIABEL FISIK DAN KELAS MUTU

TEH HITAM

TESIS

Karya tulis sebagai salah satu syarat untuk memperoleh gelar Magister dari

Institut Teknologi Bandung

Oleh

RENAN PRASTA JENIE

NIM: 235 06 011

Program Studi Informatika

INSTITUT TEKNOLOGI BANDUNG

2008

(2)

ii

ABSTRAK

PEMBANGUNAN PERANGKAT LUNAK ANALISA

HUBUNGAN ANTARA VARIABEL FISIK DAN KELAS MUTU

TEH HITAM

Oleh

RENAN PRASTA JENIE

NIM: 235 06 011

Evaluasi mutu teh hitam merupakan upaya penjaminan mutu produk standard yang dijalankan oleh perkebunan. Di Indonesia, evaluasi mutu teh hitam mengacu pada standard baku; pengamatan objek secara visual oleh pengamat terlatih untuk mendekati parameter kualitas visual seperti bentuk, ukuran, warna, tip, tekstur1, keseragaman (Badan Standardisasi Nasional, 2000). Hasil pengamatan dapat berbeda antara setiap pengamat, sehingga diperlukan upaya untuk membangun suatu sistem yang dapat menangani bias tersebut.

Untuk menangani bias pengamatan, diusulkan untuk menyerahkan pengamatan pada suatu alat yang dapat mengekstraksi parameter kualitas yang terdapat pada objek teh tanpa bias personal. Alat yang diajukan adalah alat berbasis pengolahan citra dan jaringan syaraf tiruan. Pengolahan citra dipakai untuk mendapatkan data parameter ukur dari partikel teh hitam, dan jaringan syaraf tiruan dipakai untuk mengambil keputusan parameter mutu berdasarkan parameter ukur tersebut.

Pembangunan perangkat lunak berbasis pengolahan citra dan jaringan syaraf tiruan menuntut penanganan terhadap hal – hal berikut.

1. Bagaimana cara mendekati parameter kualitas visual butiran teh hitam, meliputi aspek geometrik (bentuk, ukuran), warna (dan tip), dan gabungan (tekstur, keseragaman)

1

(3)

iii

2. Bagaimana cara untuk menjamin konsistensi pengolahan citra

3. Bagaimana cara mengekstraksi parameter kualitas teh hitam sebagai parameter pengukuran

4. Bagaimana cara memilih dan menjamin performa metode atau sistem pakar jaringan syaraf tiruan yang digunakan

5. Bagaimana cara untuk menjamin performa alat yang akan dibangun

Pemilihan jaringan syaraf tiruan dilakukan dengan metoda pembatasan, yakni dengan menambang fitur jaringan syaraf tiruan yang dibutuhkan oleh pengamatan teh hitam dan mencocokkannya dengan fitur jaringan syaraf tiruan pilihan. Terdapat 6 macam jaringan syaraf tiruan yang sesuai, tanpa memperhitungkan kelebihan fitur), yakni jaringan propagasi balik, basis radial, Jordan, rekuren dengan model mental, impulsif, dan dapat kembang.

Langkah kerja yang diusulkan dalam membangun perangkat lunak sebagai alat ukur mutu teh hitam adalah membangun sistem tersebut dalam dua tahapan. Perangkat lunak tahap pertama dapat dipakai untuk mengevaluasi sistem dan sebagai bahan referensi pembangunan tahapan kedua sebagai tahapan siap terap.

1. Tahapan pertama dipakai untuk membangun suatu sistem yang dapat menambang sebanyak mungkin parameter ukur dalam objek dan memilih rangkaian parameter dengan korelasi terbaik terhadap parameter mutu. 2. Tahapan kedua adalah pembangunan sistem dengan parameter yang

terpilih di tahapan pertama untuk peningkatan performa sistem.

Perangkat lunak yang dibangun untuk melaksanakan penelitian tersebut dirancang untuk menangani hal – hal berikut, sesuai dengan langkah kerja penelitian.

1. Mengekstraksi parameter fisik teh hitam butiran maupun tumpukan. Alat bekerja dengan cara memisahkan wilayah citra objek bukan latar, dan menambang parameter fisik pada objek tersebut.

2. Melakukan perhitungan korelasi antara parameter ukur dan parameter mutu teh hitam.

(4)

iv

3. Pengguna dapat mengatur parameter ukur yang akan ia pakai untuk struktur jaringan syaraf tiruan yang digunakan.

4. Jaringan syaraf tiruan yang digunakan dapat diterapkan dalam kondisi pengamatan nyata.

Pengujian performa perangkat lunak dilakukan dalam kondisi nyata pengamatan teh hitam. Hasil pengamatan adalah sebagai berikut.

1. Digunakan 2 macam kondisi pengamatan teh hitam, tumpukan dan butiran, 3 macam struktur jaringan syaraf tiruan propagasi balik, 3-5-1, 11-21-1, dan 11-21-5, dan 3 macam struktur parameter masukan, standard, korelasi maksimum, dan korelasi minimum, disusun menjadi 18 kasus uji. Sampel yang digunakan adalah sampel nyata, bukan sampel teroptimasi. 2. Untuk pengamatan tumpukan, salah satu parameter terbaik adalah mean

RGB-IG, dan untuk pengamatan butiran, salah satu parameter terbaik adalah Luas / mean HSL-S.

3. Pemakaian parameter korelasi maksimum memberikan perbaikan kecepatan latih untuk semua kasus pengamatan, yakni (sesuai urutan di atas, minimal terbaik) [0.016, 0.013, 0.018], [0.003, 0.003, 0.048], [0.035, 0.020, 0.040], [0.013, 0.012, 0.014], [0.012, 0.009, 0.0012], dan [0.039, 0.031, 0.037].

4. Pemakaian parameter korelasi maksimum memberikan perbaikan akurasi uji untuk 50 % kasus pengamatan, yakni (sesuai urutan di atas, maksimal terbaik) [0.87, 0.56, 0.20], [0.73, 0.77, 0.20], [0.75, 0.72, 0.76], [0.26, 0.22, 0.21], [0.23, 0.27, 0.18], dan [0.31, 0.39, 0.34].

5. Korelasi data parameter ukur butiran tidak cukup tinggi untuk digunakan sebagai bahan penentuan mutu teh hitam, sehingga memberikan akurasi pengamatan yang rendah.

Dari keseluruhan komponen pengamatan teh hitam, penelitian ini baru memenuhi faktor pengamatan bentuk visual dan warna partikel teh hitam, dan belum menyentuh pengenalan aroma partikel, warna dan aroma air seduhan, dan warna

(5)

v

sisa seduhan teh hitam. Penelitian lain yang dapat dilakukan adalah mengenai wujud fisik dari alat otomasi pengamatan teh hitam.

(6)

vi

ABSTRACT

SOFTWARE DEVELOPMENT FOR BLACK TEA’S

PHYSICAL VARIABLE AND QUALITY CLASS

RELATIONSHIP ANALYZING

Author

RENAN PRASTA JENIE

SIN: 235 06 011

Black tea quality evaluation is a standardized quality assurance method which is held by every tea plantation. Visual assertion is held to measure tea‟s visual quality parameter such as shape, size, colour, tips, texture, and uniformity. Everyone perception can be different, so effort to build such an unbiased system is needed.

To cope with, it is suggested to let a tool that can extract the tea quality parameters without personal bias do the job. The tools suggested based on image processing and artificial neural network. Image processing methods are used to get the measureable parameters from the black tea‟s particle, and artificial neural network is used to infer the quality parameter based on it.

The development of software that based on image processing and artificial neural network demanded several actions.

1. How to measure black tea‟s visual quality parameter such as geometry, colour, and its derivation.

2. How to reassure image processing‟s consistency.

3. How to extract the black tea‟s quality parameter as the measurable parameter

(7)

vii

4. How to choose and reassure performance of methods or artificial neural network used.

5. How to reassure developed device performance

The artificial neural network is chosen by filtering the features needed for evaluating black tea out of overall features of choosable artificial neural networks. Disregarding excessive features, the 6 usable artificial neural networks is back propagation network, radial function network, Jordan network, recurrent network with mental model, spiking neural network, and cascading neural network.

It is proposed to separate development in two phases. First phase is to measure system performance, and second phase software is build based on the first software.

1. First phase software is used to get as many measurable parameter as possible from the object and picking the best possible parameter combination based on its correlation to tea quality parameter.

2. Second phase software is build upon first and aimed toward system performance.

The software built to cope with this arrangement of task.

1. Extraction of black tea‟s physical parameters. The tool work to distinguish every non background object, and extracting the physical parameters out of them.

2. Calculation of correlation between black tea‟s measurable and quality parameters.

3. The user can choose the desirable parameter for the artificial neural network used.

4. The artificial neural network is usable in real condition test.

System performance testing is held using real life data.

1. Testing is done using 2 sample mode, stacked and scattered, 3 artificial neural network structure, 3-5-1, 11-21-1, and 11-21-5, and 3 input

(8)

viii

parameters structure, standard, correlation optimalized, and correlation disoptimalized, arranged into 18 test cases. Testing done using real life samples not optimalized samples.

2. From black tea‟s parameters correlation data, Mean RGB-IG is one of the best for stacked samples, and Area / mean HSL-S is one of the best for scattered samples.

3. The test shows that maximizing correlation can yield better training speed across every test cases, according preceding arrangement, smaller better, [0.016, 0.013, 0.018], [0.003, 0.003, 0.048], [0.035, 0.020, 0.040], [0.013, 0.012, 0.014], [0.012, 0.009, 0.0012], and [0.039, 0.031, 0.037].

4. The test shows that maximizing correlation can yield better testing accuracy across 50 % of test cases, according preceding arrangement, bigger better, [0.87, 0.56, 0.20], [0.73, 0.77, 0.20], [0.75, 0.72, 0.76], [0.26, 0.22, 0.21], [0.23, 0.27, 0.18], and [0.31, 0.39, 0.34].

5. The scattered black tea‟s sample measurable parameters correlation to quality parameter is not high enough to give better accuracy.

This research only had done the black tea‟s particle visual and colour part. Further research is needed in black tea‟s particle aroma, liquor colour and aroma, and resides colour. Other research needed is in the device shape of the black tea‟s automation system.

(9)

ix

PEDOMAN PENGGUNAAN TESIS

Tesis S2 yang tidak dipublikasikan terdaftar dan tersedia di Perpustakaan Institut Teknologi Bandung, dan terbuka untuk umum dengan ketentuan bahwa hak cipta ada pada pengarang dengan mengikuti aturan HaKI yang berlaku di Institut Teknologi Bandung. Referensi kepustakaan diperkenankan dicatat, tetapi pengutipan atau peringkasan hanya dapat dilakukan dengan seizin pengarang dan harus disertai dengan kebiasaan ilmiah untuk menyebutkan sumbernya.

Memperbanyak atau menerbitkan sebagian atau seluruh tesis harus dengan seizin Direktur Program Pascasarjana, Institut Teknologi Bandung.

(10)

x

PERUNTUKAN TESIS

“Allah, berikanlah keselamatan pada setiap hamba-Mu yang beriman. dan berikanlah apapun yang Kau nilai pantas bagiku.”

Ayah, Ibu, Adik, Kakak, Teman, Kawan – kawan, Bapak, Ibu, semuanya….

(11)

xi

KATA PENGANTAR

Teh yang paling enak di dunia dibuat oleh orang yang paling kita sayangi di rumah sendiri pada saat kita benar – benar membutuhkan perhatiannya. Filosofi ini membuktikan betapa mewahnya teh, di mana ada orang yang sengaja berkeliling dunia untuk mencari teh terbaik.

Suatu sistem dibakukan untuk menjamin kualitas teh tersebut. Ia ditujukan untuk mendeteksi penurunan mutu akibat kesalahan produksi. Aturan ini merupakan aturan standard yang telah disepakati secara bersama.

Optimasi terhadap sistem tersebut dapat dilakukan, salah satunya dengan mengotomasinya. Otomasi hanya dapat dilakukan bila sistem tersebut dapat dipahami dengan baik.

(12)

xii

UCAPAN TERIMA KASIH

Penulis berterima kasih kepada Bapak Iping Supriana Suwandi sebagai pembimbing atas segala saran, bimbingan, dan nasihatnya selama penelitian berlangsung dan selama penulisan tesis ini.

Penulis berterima kasih kepada para staff Perseroan Terbatas Perkebunan Nusantara VIII yang menyediakan sampel teh hitam untuk pelaksanaan penelitian ini.

Penulis berterima kasih kepada para staff Laboratorium Sistem dan Manajemen Mekanisasi Pertanian dan keseluruhan staff Departemen Teknik Pertanian Institut Pertanian Bogor yang bersedia menyediakan peralatan dalam pengamatan fisik sampel data teh hitam untuk pelaksanaan penelitian ini.

(13)

xiii

DAFTAR ISI

ABSTRAK ... ii

ABSTRACT ... vi

PEDOMAN PENGGUNAAN TESIS... ix

PERUNTUKAN TESIS ... x

KATA PENGANTAR ... xi

UCAPAN TERIMA KASIH ... xii

DAFTAR ISI ... xiii

DAFTAR LAMPIRAN ... xviii

DAFTAR GAMBAR DAN ILUSTRASI ... xix

DAFTAR TABEL ... xxii

DAFTAR PERSAMAAN / ALGORITMA ... xxv

Bab I Pendahuluan ... 1

I.1. Latar Belakang ... 1

I.2. Rumusan Masalah ... 3

I.3. Tujuan Tesis ... 3

I.3.1. Tujuan ... 3

I.3.2. Alternatif Penyelesaian Terpilih ... 3

I.4. Ruang Lingkup dan Batasan ... 5

Bab II Tinjauan Pustaka ... 7

II.1. Objek Pengamatan, Teh Hitam ... 7

II.2. Pengolahan Citra ... 9

II.3. Konsep Analisis ... 10

II.4. Sistem Pakar ... 11

II.5. Jaringan Syaraf Tiruan ... 12

II.6. Penelitian Terkait ... 26

Bab III Analisis Awal ... 29

III.1. Teknik Pengambilan Gambar ... 29

III.1.1. Lingkungan Pengambilan Gambar Terkontrol kontra Tidak Terkontrol ... 29

(14)

xiv

III.1.3. Pengaturan Pencahayaan ... 30

III.2. Hipotesa Hubungan antara Parameter Masukan dan Parameter Keluaran ... 31

III.3. Kecepatan Ekstraksi Parameter kontra Kecepatan Pengolahan Parameter ... 32

III.4. Konsep Penyelesaian Masalah ... 33

III.4.1. Kondisi Sekarang ... 33

III.4.1.1. Ketiadaan Standard Terukur ... 33

III.4.1.2. Perbedaan Kondisi Pengamatan ... 34

III.4.1.3. Kebutuhan atas Kemampuan Alat untuk Menyimpan Informasi Penilaian ... 35

III.4.1.4. Kebutuhan atas Kemampuan Alat sebagai Alat Bantu Pembentukan Standard ... 36

III.4.1.5. Alternatif Penggunaan Alat ... 37

III.4.1.6. Masalah Laten Teknik Pengambilan Citra ... 39

III.4.1.7. Masalah Laten Sistem Pakar berbasis Jaringan Syaraf Tiruan . 40 III.4.2. Konsep Penyelesaian Masalah ... 41

III.4.2.1. Pengembangan Standard Parameter... 41

III.4.2.2. Pengembangan Standard Kondisi Pengamatan... 42

III.4.2.3. Pemilihan Alat ... 42

III.4.2.4. Penanganan Masalah Pengambilan Citra ... 43

III.4.2.5. Penanganan Masalah Jaringan Syaraf Tiruan ... 44

Bab IV Pembangunan Perangkat Lunak ... 48

IV.1. Lingkup Masalah ... 48

IV.2. Kebutuhan Perangkat Lunak ... 50

IV.2.1. Deskripsi Umum Sistem ... 50

IV.2.2. Fitur Utama Perangkat Lunak ... 51

IV.2.2.1. Kebutuhan Fungsional ... 51

IV.2.2.2. Kebutuhan non Fungsional ... 53

IV.2.3. Model Fungsional ... 53

IV.2.4. Model Kasus Guna ... 61

(15)

xv

IV.2.4.2. Definisi Pelaku ... 63

IV.2.4.3. Definisi Kasus Guna ... 63

IV.2.4.4. Skenario Kasus Guna ... 63

IV.3. Model Analisis ... 65

IV.3.1. Realisasi Kasus Guna Tahap Analisis ... 65

IV.3.1.1. Kasus Guna A1. Ekstraksi Data ... 65

IV.3.1.2. Kasus Guna A2. Analisis Korelasi ... 66

IV.3.1.3. Kasus Guna A3. Pelatihan Sistem Pakar ... 68

IV.3.1.4. Kasus Guna T1. Ekstraksi Data ... 69

IV.3.1.5. Kasus Guna T2. Pelatihan Sistem Pakar ... 71

IV.3.1.6. Kasus Guna T3. Penerapan Sistem Pakar ... 72

IV.3.2. Diagram Kasus Guna Keseluruhan ... 74

IV.3.3. Kelas Analisis ... 74

IV.3.4. Paket Analisis ... 75

IV.3.4.1. Identifikasi Paket Analisis ... 75

IV.3.4.2. Identifikasi Kelas Analisis setiap Paket ... 76

IV.3.5. Deskripsi Arsitektur ... 76

IV.4. Model Perancangan... 77

IV.4.1. Realisasi Kasus Guna Tahap Perancangan ... 77

IV.4.1.1. Kasus Guna A1. Ekstraksi Data ... 77

IV.4.1.2. Kasus Guna A2. Analisis Korelasi ... 78

IV.4.1.3. Kasus Guna A3. Pelatihan Sistem Pakar ... 80

IV.4.1.4. Kasus Guna T1. Ekstraksi Data ... 81

IV.4.1.5. Kasus Guna T2. Pelatihan Sistem Pakar ... 82

IV.4.1.6. Kasus Guna T3. Penerapan Sistem Pakar ... 84

IV.4.2. Diagram Kelas Keseluruhan ... 86

IV.4.3. Kelas Perancangan ... 88

IV.4.3.1. Hubungan antara Kelas Analisis dan Kelas Perancangan ... 88

IV.4.3.2. Operasi dan Atribut ... 89

IV.4.3.3. Algoritma dan Kueri ... 89

IV.4.3.4. Diagram Status ... 89

(16)

xvi

IV.4.5. Diagram Pelepasan ... 93

IV.5. Implementasi ... 94

IV.5.1. Implementasi Kelas ... 94

IV.5.2. Implementasi Antar Muka ... 95

IV.6. Pengujian ... 97

IV.6.1. Rencana Pengujian ... 97

IV.6.2. Kasus Uji ... 99

Bab V Metode Penelitian ... 100

V.1. Waktu dan Tempat Penelitian ... 100

V.2. Persiapan ... 100 V.2.1. Perangkat Lunak ... 100 V.2.2. Perangkat Keras ... 101 V.2.3. Alat Ukur ... 103 V.3. Pengumpulan Sampel ... 103 V.4. Pengambilan Gambar ... 104 V.5. Analisis Korelasi ... 104

V.6. Pengukuran Performa Sistem Pakar ... 104

Bab VI Hasil dan Pembahasan ... 105

VI.1. Realisasi Penelitian ... 105

VI.1.1. Sampel Teh Hitam ... 105

VI.1.2. Pengambilan Gambar ... 105

VI.2. Analisis Parameter ... 105

VI.2.1. Hasil Pengukuran ... 105

VI.2.2. Parameter Terpilih ... 107

VI.3. Pemilihan Jaringan Syaraf Tiruan... 108

VI.4. Hasil Uji Sistem Pakar ... 108

VI.4.1. Skema Pengujian ... 108

VI.4.2. Pengujian Kecepatan Pelatihan ... 110

VI.4.3. Pengujian Perbaikan Akurasi Sistem ... 111

VI.4.4. Kesimpulan Pengujian ... 111

VI.5. Posisi Hasil Penelitian dari Keseluruhan Proses Evaluasi Pengamatan Mutu Teh Hitam ... 113

(17)

xvii

VI.5.1. Mata Pengamat ... 113

VI.5.2. Hidung Pengamat ... 113

VI.5.3. Otak Pengamat ... 114

VI.5.4. Detil Terujikan ... 116

VI.5.4.1. Pengenalan Bentuk Fisik Partikel Teh Hitam ... 116

VI.5.4.2. Pengenalan Warna Partikel Teh Hitam ... 118

VI.5.5. Detil Tidak Terujikan ... 119

VI.5.5.1. Pengenalan Aroma Partikel Teh Hitam ... 119

VI.5.5.2. Pengenalan Warna Air Seduhan Teh Hitam ... 120

VI.5.5.3. Pengenalan Rasa / Aroma Air Seduhan Teh Hitam ... 121

VI.5.5.4. Pengenalan Warna Sisa Seduhan teh Hitam ... 122

VI.5.5.5. Penilaian Mutu Teh Hitam Keseluruhan ... 123

Bab VII Kesimpulan dan Saran ... 125

VII.1. Kesimpulan ... 125

VII.2. Saran ... 127

DAFTAR PUSTAKA ... 129

(18)

xviii

DAFTAR LAMPIRAN

Lampiran 1 Prosedur pengamatan fisik teh hitam ... 133

Lampiran 2 Klasifikasi teh hitam ... 135

Lampiran 3 Teknik pengambilan sampel formal ... 140

Lampiran 4 Kompetensi ahli organoleptik ... 142

Lampiran 5 Rincian penilaian ketampakan teh hitam (Badan Standardisasi Nasional, 2000) ... 144

Lampiran 6 Konsep ekstraksi objek ... 146

Lampiran 7 Konsep parameter ukur ... 149

Lampiran 8 Jaringan syaraf tiruan propagasi balik... 162

Lampiran 9 Operasi dan atribut perangkat lunak ... 167

Lampiran 10 Algoritma dan kueri perangkat lunak ... 171

Lampiran 11 Hasil uji verifikasi perangkat lunak ... 187

Lampiran 12 Nilai korelasi parameter dasar teh ... 190

Lampiran 13 Daftar parameter terpilih berdasarkan analisis korelasi ... 199

Lampiran 14 Parameter bantuan untuk pengujian jaringan syaraf tiruan ... 202

Lampiran 15 Hasil pengujian kecepatan pelatihan sistem pakar ... 208

(19)

xix

DAFTAR GAMBAR DAN ILUSTRASI

Gambar II-1 Jaringan syaraf tiruan propagasi balik (Encyclopaedia

Britannica, Inc., 2000) ... 12

Gambar II-2 Paradigma Jaringan Syaraf Tiruan (Kristanto, 2004) ... 14

Gambar II-3 Jaringan syaraf tiruan searah ... 17

Gambar II-4 Perseptron (Artificial Neural Networks, 2007) ... 17

Gambar II-5 Adaline ... 18

Gambar II-6 JST Radial ... 18

Gambar II-7 Penerapan jaringan Kohonen (Kohonen's Self Organizing Feature Maps, 2008) ... 19

Gambar II-8 Jaringan Hopfield ... 20

Gambar II-9 Mesin Boltzmann (Wilson, 2007) ... 20

Gambar II-10 Jaringan Elman (Wiki, 2005) ... 22

Gambar II-11 Jaringan Jordan (Rich & Knight, 1991) ... 22

Gambar II-12 Jaringan rekuran dengan model mental (Rich & Knight, 1991) 23 Gambar II-13 Jaringan syaraf impulsif (Song, Zhang, & Kaang, 1999) ... 24

Gambar II-14 Jaringan syaraf dapat kembang (Chandra & Varghese, 2007) . 25 Gambar IV-1 Diagram pembangunan perangkat lunak ... 48

Gambar IV-2 Perangkat lunak analisis ... 50

Gambar IV-3 Perangkat lunak Terapan ... 51

Gambar IV-4 Arsitektur fungsional sistem ... 53

Gambar IV-5 Diagram proses keseluruhan ... 54

Gambar IV-6 Diagram proses treshold ... 56

Gambar IV-7 Diagram proses interpretasi peta treshold ... 57

Gambar IV-8 Diagram proses analisis korelasi parameter... 58

Gambar IV-9 Diagram proses pelatihan jaringan syaraf tiruan ... 60

Gambar IV-10 Diagram proses penerapan jaringan syaraf tiruan... 61

Gambar IV-11 Kasus guna bagian analisis ... 62

Gambar IV-12 Kasus guna bagian terapan ... 62

Gambar IV-13 Kasus Guna A1. Ekstraksi data ... 65

(20)

xx

Gambar IV-15 Kasus guna A2. Analisis korelasi ... 67

Gambar IV-16 Diagram urutan A2. Analisis korelasi ... 67

Gambar IV-17 Kasus guna A3. Pelatihan sistem pakar ... 68

Gambar IV-18 Diagram urutan A3. Pelatihan sistem pakar ... 69

Gambar IV-19 Kasus guna T1. Ekstraksi data ... 70

Gambar IV-20 Diagram urutan T1. Ekstraksi data ... 71

Gambar IV-21 Kasus guna T2. Pelatihan sistem pakar ... 71

Gambar IV-22 Diagram urutan T2. Pelatihan sistem pakar ... 72

Gambar IV-23 Kasus guna T3. penerapan sistem pakar ... 73

Gambar IV-24 Diagram urutan T3. Penerapan sistem pakar ... 73

Gambar IV-25 Diagram kasus guna keseluruhan ... 74

Gambar IV-26 Struktur Paket Analisis ... 76

Gambar IV-27 Diagram Kelas A1. Ekstraksi Data ... 77

Gambar IV-28 Diagram urutan tahap perancangan A1. Ekstraksi Data ... 78

Gambar IV-29 Diagram Kelas A2. Analisis Korelasi ... 79

Gambar IV-30 Diagram urutan tahap perancangan A2. Analisis Korelasi ... 79

Gambar IV-31 Diagram Kelas A3. Pelatihan sistem pakar ... 80

Gambar IV-32 Diagram urutan tahap perancangan A3. Pelatihan sistem pakar .. ... 81

Gambar IV-33 Diagram Kelas T1. Ekstraksi Data ... 82

Gambar IV-34 Diagram urutan tahap perancangan T1. Ekstraksi Data ... 82

Gambar IV-35 Diagram Kelas T2. Pelatihan sistem pakar ... 83

Gambar IV-36 Diagram urutan tahap perancangan T2. Pelatihan Sistem Pakar .. ... 84

Gambar IV-37 Diagram Kelas T3. Penerapan sistem pakar ... 85

Gambar IV-38 Diagram urutan tahap perancangan T3. Penerapan Sistem Pakar ... 85

Gambar IV-39 Diagram Kelas Keseluruhan ... 86

Gambar IV-40 Penjabaran struktur penyimpanan data ... 87

Gambar IV-41 Hubungan antara kelas analisis dan kelas perancangan... 88

Gambar IV-42 Diagram status kelas antar muka ... 90

(21)

xxi

Gambar IV-44 Diagram status kelas entitas ... 91

Gambar IV-45 Form Ambil Data ... 92

Gambar IV-46 Form Latih JST ... 92

Gambar IV-47 Form Terapan Sistem Pakar ... 93

Gambar IV-48 Diagram pelepasan sistem ... 93

Gambar IV-49 FormPembuka ... 95

Gambar IV-50 FormAmbilData ... 96

Gambar IV-51 FormPelatihanJaringanSyarafTiruan ... 96

Gambar IV-52 FormTerapanAnalisis ... 97

Gambar V-1 Pengaturan perangkat keras ... 101

Gambar V-2 Skema pengaturan perangkat pengolahan citra ... 102

Gambar VI-1 Penilaian mutu teh hitam ... 115

Gambar 0-1 Peralatan yang diperlukan untuk verifikasi manual ... 134

Gambar 0-2. Komponen evaluasi rutin mutu teh hitam(Badan Standardisasi Nasional, 2000). ... 138

Gambar 0-3 Perbandingan sistem warna HSL dan HSV ... 158

Gambar 0-4 Bagan pelatihan jaringan syaraf tiruan propagasi balik ... 163

Gambar 0-5 Bermacam fungsi aktivasi jaringan syaraf tiruan propagasi balik ... 166

Gambar 0-6 Sampel tumpukan, jst 3-5-1 ... 208

Gambar 0-7 Sampel tumpukan, jt 11-21-1 ... 209

Gambar 0-8 Sampel tumpukan, jst 11-21-5 ... 209

Gambar 0-9 Sampel butiran, jst 3-5-1 ... 210

Gambar 0-10 Sampel butiran, jst 11-21-1 ... 210

(22)

xxii

DAFTAR TABEL

Tabel II-1 Komposisi teh (g per 100 g teh kering) (Beverages Health and

Vitality Team, Lipton, Unilever, 2005) ... 8

Tabel III-1 Hipotesa korelasi antara parameter ukur dan parameter pengamatan . ... 31

Tabel IV-1 Bagian Analisis ... 51

Tabel IV-2 Bagian Terapan ... 52

Tabel IV-3 Definisi kasus guna ... 63

Tabel IV-4 Skenario kasus guna ... 64

Tabel IV-5 Jenis kelas analisis ... 75

Tabel IV-6 Atribut dan metode kelas analisis ... 75

Tabel IV-7 Identifikasi kelas analisis paket ... 76

Tabel IV-8 Implementasi Kelas ... 94

Tabel IV-9 Rencana pengujian ... 98

Tabel V-1 Rencana penelitian ... 100

Tabel V-2 Pengaturan perangkat pengambilan gambar ... 102

Tabel V-3 Sampel teh yang digunakan ... 103

Tabel VI-1. 10 besar parameter ukur dengan korelasi tertinggi terhadap parameter mutu, pengamatan tumpukan. ... 106

Tabel VI-2. 10 besar parameter ukur dengan korelasi tertinggi terhadap parameter mutu, pengamatan butiran. ... 106

Tabel VI-3 Akurasi latih (kecepatan pelatihan) dan akurasi terapan sistem .... 112

Tabel 0-1 Elevasi penanaman ... 135

Tabel 0-2 Standard ukuran teh ... 137

Tabel 0-3 Operasi dan atribut kelas EkstraksiData ... 167

Tabel 0-4 Operasi dan atribut kelas JaringanSyarafTiruan ... 167

Tabel 0-5 Operasi dan atribut kelas DaftarParameter ... 169

Tabel 0-6 Operasi dan atribut kelas Teh ... 169

Tabel 0-7 Operasi dan atribut kelas Titik ... 169

Tabel 0-8 Algoritma treshold ... 171

(23)

xxiii

Tabel 0-10 Algoritma pelatihan jaringan syaraf tiruan, bagian propagasi ... 177

Tabel 0-11 Algoritma pelatihan jaringan syaraf tiruan, bagian perhitungan delta . ... 178

Tabel 0-12 Algoritma pelatihan jaringan syaraf tiruan, bagian propagasi balik .... ... 179

Tabel 0-13 Algoritma perhitungan korelasi parameter ... 180

Tabel 0-14 Algoritma perhitungan nilai titik ... 181

Tabel 0-15 Algoritma perhitungan parameter ukur fisik ... 185

Tabel 0-16 Nilai korelasi parameter standard 1 target kelas mutu pengamatan tumpukan. ... 190

Tabel 0-17 Nilai korelasi parameter standard 5 target kelas mutu pengamatan tumpukan ... 192

Tabel 0-18 Nilai korelasi parameter standard 1 target kelas mutu pengamatan butiran ... 194

Tabel 0-19 Nilai korelasi parameter standard 5 target kelas mutu pengamatan butiran ... 196

Tabel 0-20 Sampel tumpukan, jst 3-5-1 ... 199

Tabel 0-23 Sampel butiran, jst 3-5-1 ... 200

Tabel 0-26 Sampel tumpukan, jst 3-5-1, parameter standard ... 202

Tabel 0-27 Sampel tumpukan, jst 3-5-1, parameter korelasi buruk ... 202

Tabel 0-32 Sampel butiran, jst 3-5-1, parameter standard ... 205

Tabel 0-33 Sampel butiran, jst 3-5-1, parameter korelasi buruk ... 205

(24)

xxiv

Tabel 0-37 Sampel butiran, jst 11-21-5, parameter korelasi buruk ... 206

Tabel 0-38 Akurasi sampel tumpukan jst 3-5-1 parameter standard ... 213

Tabel 0-39 Akurasi sampel tumpukan jst 3-5-1 parameter optimal ... 213

Tabel 0-40 Akurasi sampel tumpukan jst 3-5-1 parameter disoptimal ... 214

Tabel 0-47 Akurasi sampel butiran jst 3-5-1 parameter standard ... 216

Tabel 0-48 Akurasi sampel butiran jst 3-5-1 parameter optimal ... 216

Tabel 0-49 Akurasi sampel butiran jst 3-5-1 parameter disoptimal ... 216

Tabel 0-52 Akurasi sampel butiran jst 11-21-1 parameter disoptimal ... 217

(25)

xxv

DAFTAR PERSAMAAN / ALGORITMA

Persamaan II-1 Koefisien korelasi (Spiegel & Liu, 1999) ... 10

Persamaan II-2 Standard deviasi (Spiegel & Liu, 1999)... 11

Persamaan 0-1 Definisi gambar... 146

Persamaan 0-2 Algoritma penambangan titik ... 146

Persamaan 0-3 Pemberian status titik ... 147

Persamaan 0-4 Objek merupakan rangkaian titik ... 147

Persamaan 0-5 Pemberian status titik ... 148

Persamaan 0-6 Luas objek ... 149

Persamaan 0-7 Pusat massa ... 149

Persamaan 0-8 Pusat momen ... 150

Persamaan 0-9 Tinggi objek ... 150

Persamaan 0-10 Lebar objek ... 150

Persamaan 0-11 Panjang objek ... 151

Persamaan 0-12 Keliling objek ... 151

Persamaan 0-13 Kompleksitas bentuk... 151

Persamaan 0-14 Kebulatan ... 152

Persamaan 0-15 Nilai warna RGB ... 153

Persamaan 0-16 Konversi RGB - CMYK ... 154

Persamaan 0-17 Nilai warna CMYK ... 154

Persamaan 0-18 Konversi RGB - CIEXYZ... 155

Persamaan 0-19 Nilai warna CIEXYZ ... 155

Persamaan 0-20 Konversi RGB - [YUV, YDbDr, YIQ] ... 156

Persamaan 0-21 Nilai warna YUV, YDbDr, YIQ ... 157

Persamaan 0-22 Konversi RGB - [HSV, HSL] ... 160

Persamaan 0-23 Nilai warna HSV, HSL ... 161