KLASIFIKASI KEMATANGAN MANGGA MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN LEVENBERG MARQUARDT

KLASIFIKASI KEMATANGAN MANGGA

MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN

LEVENBERG MARQUARDT

Imam Machroz

1)

Wina Apriliani

2)

Lawan

3)

Reza Saputra

4)

Rosita

5)

Nur Afny Catur Andryani

6)

Teknik Informatika Universitas Tanri Abeng

Jalan Swadarma Raya No. 58, Jakarta 12250 Indonesia

email : imam_m@student.tau.ac.id1)wina.apriliani@student.tau.ac.id2)lawan@student.tau.ac.id3) reza.saputra@student.tau.ac.id4)rosita@student.tau.ac.id5)nur.afny@tau.ac.id6)

ABSTRACT

Indonesia can produce mangoes with millions of kilograms per year. Therefore, it is possible that Indonesia could become one of the largest mango exporting countries in ASEAN or Asia. Thus, maintaining the quality of the product becomes the main value. Typically, the methods undertaken to identify mango levels of maturity (quality) are by direct visual observation. It is considered less effective and accurate to identify mangoes in large quantities. With the advantages of technological development, we built an alternative method by building a mango mango identification calculation system using artificial neural network with Lavenberg-Marquardt backpropagation learning method. The images used are images taken from mangoes identified by color values, standard deviations, slopes, entropy values, and kurtosis values. The resulting weight value will be used to classify mango maturity into 4 (four) levels which are raw, semi-cooked, ripe and very ripe. The results of this study are expected to be applied to the system of mango maturity level identification in large quantities quickly to be exported to countries in various parts of the world.

Keywords

Tingkat Kematangan Buah Mangga, Jaringan Syaraf Tiruan, Backpropagation, Lavenberg-Marquardt

1. Pendahuluan

Buah mangga adalah buah dengan jumlah produksi terbanyak kedua di Indonesia. Menurut Kementerian Pertanian Direktorat Jenderal Holtikultura, jumlah produksi mangga di Indonesia pada tahun 2010, 2011, 2012, 2013, dan 2014 berturut-turut adalah 1.3 ton, 2.1

ton, 2.3 ton, 2.1 ton, dan 2.4 ton[1][2]. Setiap tahun produksi buah mangga terus meningkat.

Selain untuk komsumsi dalam negeri (domestik), Indonesia juga mengekspor mangga ke beberapa negara, yaitu Taiwan, Singapura, Hongkong, Jepang, dan Timur Tengah. Dikarenakan banyaknya permintaan buah mangga di dalam maupun luar negeri, kualitas dari buah mangga tersebut sangat perlu diperhatikan dengan cara menyortir buah tersebut sesuai tingkat kematangan/mutu buahnya.

Metode manual yang biasa dilakukan untuk mengidentifikasi tingkat kematangan buah mangga yaitu dengan memeriksa berdasarkan penampilan dan aroma buah tersebut serta memeriksa melalui sentuhan. Metode ini dianggap kurang efektif jika dilakukan untuk menyortir tingkat kematangan buah mangga dalam jumlah yang sangat banyak. Maka dari itu dengan memanfaatkan teknologi informasi, kami membuat suatu sistem komputasi untuk mengidentifikasi tingkat kematangan buah mangga menggunakan metode jaringan syaraf tiruan dengan metode pembelajaran backpropagation dan algoritma pemrograman Lavenberg-Marquardt.

Cara komputasi dalam penelitian ini dilakukan dengan pengamatan visual tidak langsung menggunakan kamera sebagai pengolah citra dari gambar yang direkam untuk kemudian diolah dengan menggunakan perangkat lunak komputer. Objek yang diamati yaitu buah mangga dengan tingkat kematangan yang berbeda dan diidentifikasi berdasarkan nilai warna Red (dari representasi warna RGB), nilai standar deviasi, nilai skewness, nilai entropi, dan nilai kurtosis. Hasil nilai bobot yang ada akan digunakan untuk mengelompokkan tingkat kematangan buah menjadi 4 (empat) tingkat yaitu mentah, mengkal, matang, dan terlalu matang.

2. Landasan Teori

2.1 Pengolahan Citra Digital

Pengolahan citra atau (image processing) merupakan suatu pemrosesan piksel-piksel di dalam citra digital untuk pengambilan citra dan memperbaiki kualitas gambar yang memiliki gangguan (cacat, kabur, kurang tajam, terlalu kontras, dan lain sebagainya) agar dapat dapat dipahami oleh manusia dan komputer[3].

Dalam prakteknya terdapat beberapa proses pengolahan citra, diantaranya yaitu histogram citra, perbaikan kulitas citra, segmentasi citra, ekstraksi ciri citra, operasi morfologi citra dan lain-lain. Salah satu yang diterapkan dalam penelitian ini adalah ekstraksi ciri. Ekstraksi ciri merupakan tahapan mengekstrak ciri/informasi dari objek di dalam citra yang ingin dibedakan dengan objek lainnya. Ciri yang telah diekstrak kemudian digunakan sebagai parameter untuk membedakan antara objek yang satu dengan yang lainnya pada tahapan identifikasi/klasifikasi.

1. Ekstraksi Ciri Warna (True Color)

Setiap piksel pada citra warna mewakili warna yang merupakan kombinasi dari tiga warna dasar (RGB = Red Green Blue). Setiap warna dasar menggunakan penyimpanan 8 bit, yang berarti setiap warna mempunyai gradasi sebanyak 255 warna[4].

Representasi warna ini terdiri dari tiga unsur utama yaitu merah (red), hijau (green), dan biru (blue). Gabungan tiga warna ini membentuk warna-warna lainnya berdasarkan intensitas dari masing-masing warna tersebut dengan intesitas maksimal, dan warna hitam merupakan gabungan dari ketiga warna tersebut dengan intensitas minimal.

2. Ekstraksi Ciri Tekstur

Untuk membedakan tekstur objek satu dengan objek lainnya dapat menggunakan ciri statistik orde pertama yang didasarkan pada karakteristik histogram citra. Ciri orde pertama umumnya digunakan untuk membedakan tekstur perulangan pola lokal secara periodik. Ciri orde pertama antara lain: mean, variance, skewness, kurtosis, dan entropy.

2.2 Jaringan Syaraf Tiruan

Jaringan syaraf tiruan merupakan metode komputasi yang mempresentasikan fungsi jaringan syaraf pada otak manusia yang mencoba untuk menyimulasikan proses pembelajaran dan mengenali sesuatu. Ada beberapa hal yang perlu diperhatikan dalam membangun jaringan syaraf tiruan, diantaranya yaitu arsitektur jaringan syaraf tiruan,

fungsi aktivasi, metode pembelajaran, serta algoritma pembelajaran yang digunakan[5].

1. Arsitekur Jaringan Syaraf Tiruan

Pada arsitektur jaringan syaraf tiruan terdapat komponen lapisan yang berperan penting. Lapisan-lapisan itu diantaranya lapisan masukan, lapusan tersembunyi, dan lapisan keluaran. Salah satu model arsitektur jaringan syaraf tiruan ini adalah arsitektur Backpropagation.

Seperti halnya model JST lain, Backpropagation melatih jaringan agar mampu mengenali pola dan memberikan tanggapanyang benar terhadap pola masukan yang serupa (tapi tidak sama) dengan pola yang dipakai selama pelatihan.

Garnbar 1. dibawah ini merupakan arsitektur backpropagation dengan sejumlah masukan (x), sebuah layar tersembunyi (z), serta unit keluaran (y). Garis vji adalah bobot garis dari unit masukan xi ke unit layar tersembunyi (zj). Garis wmp merupakan bobot dari unit layar tersembunyi (zj) ke unit keluaran yk.

Gambar 1. Arsitektur Backpropagation[6] 2. Metode Algoritma Levenberg Marquardt

Metode pembelajaran merupakan salah satu komponen penting lainnya dalam jaringan syaraf tiruan. Dalam metode pembelajaran ini terdapat algoritma yang berguna untuk pemrosesan pengolahan data agar didapatkan suatu hasil yang sesuai dengan tujuan, seperti pengenalan pola, memprediksi suatu keluaran, dan lain sebagainya. Terdapat beberapa macam metode algoritma pembelajaran, salah satunya yaitu Levenberg Marquardt yang diterapkan pada penelitian ini.

Algoritma Levenberg Marquardt merupakan pengembangan algoritma backpropagation standar. Algoritma Levenberg Marquardt ini menggunakan pendekatan matriks Jacobi, karena itu Levenberg Marquardt mampu mengenali pola tertentu dan lebih cepat mencapai konvergensi daripada algoritma propagasi balik biasa.

Tahap awal untuk mengimplementasikan algoritma ini yaitu perlu dilakukan pengaturan arsitektur jaringan yang sesuai, hal ini dilakukan agar dapat menekan tingkat error

pada perhitungan. Selain itu, pengaturan neuron pada lapisan tersembunyi perlu disesuaikan. Jumlah hidden neuron yang tidak sesuai dapat mengakibatkan kurangnya performa untuk mendeteksi sinyal pada sejumlah data yang ada.

Menurut Heaton (2008), ada beberapa aturan yang dapat digunakan untuk menentukan jumlah neuron yang akan digunakan pada lapisan tersembunyi, diantaranya yaitu:

a. Jumlah hidden neuron harus berada diantara ukuran input neuron dan output neuron.

b. Jumlah hidden neuron harus 2/3 dari ukuran input neuron, ditambah ukuran output neuron. Jumlah hidden neuron harus kurang dari dua kali jumlah input neuron.

Tahapan secara menyeluruh dari algoritma Levenbergh Marquartd adalah :

• Tahap 0 : Inisialisasi Bobot dan bias.

• Tahap 1 : Menentukan Parameter yang dibutuhkan. Parameter faktor input dan bias yang digunakan sebagai parameter yang dikalikan atau dibagi dengan parameter levenberg-Marquardt.

• Tahap 2: Perhitungan maju FeedForward (seperti yang dilakukan Backpropagation)

• Tahap 3 : Menghitung MSE (Mean Square Error). Dengan memnggunkan rumus :

...(1) Keterangan:

n = jumlah error pada matriks error Ei = error ke-i

• Tahap 4 : menghitung error dan total error pada jaringan.

Matriks error adalah matriks yang berisi nilai kesalahan nilai neuron output terhadap target yang ingin dicapai.

• Tahap 5 : menghitung matriks jacobian.

• Tahap 6 : mengitung perubahan bobot dan biasnya.

• Tahap 7 : pengoreksian bobot

• Tahap 8 : kembali melakukan Tahap 2 dengan nilai bobot yang baru.[7]

3. Hasil Percobaan

3.1 Metodologi dan Perancangan

Dalam penelitian ini akan dilakukan beberapa tahapan, dimana tahapan ini dapat dilihat pada gambar berikut.

Gambar 2. Tahapan Perancangan Penelitian

Dalam pengujian sistem, proses dikelompokkan menjadi dua bagian, yaitu proses pelatihan data dan proses pengujian data hasil dari pembelajaran backporpagation. Proses pelatihan berguna untuk memasukkan data (capture) mangga ke dalam sistem agar dipelajari oleh sistem sehingga sistem dapat mengidentifikasi tingkat kematangannya.

Tabel 1. Tabel Hasil Ekstraksi Ciri Nilai Bobot Mangga

3.2 Pembahasan

Untuk mengelola dan mengembangkan sistem komputasi klasifikasi tingkat kematangan buah mangga, dibutuhkan sekumpulan data untuk mengidentifikasi permasalahan yang ada. Data yang dibutuhkan adalah capture gambar mangga yang memiliki tingkat kematangan yang berbeda dari mentah sampai sangat matang. Dalam penelitian ini, digunakan capture gambar mangga sebanyak 52 buah dengan tingkat kematangan yang bervariasi, terdiri dari 11 buah mangga mentah, 12 buah mangga mengkal, 11 buah mangga matang, dan 10 buah mangga terlalu matang. Data ini kemudian diolah untuk dipelajari oleh sistem jaringan syaraf tiruan.

Dalam mengidentifikasi tingkat kematangan mangga secara manual sebenarnya mudah untuk diimplementasikan, karena hal ini dapat dilihat secara visual dari warna dan secara sentuhan dari tekstur mangga. Tetapi jika hal ini diimplementasikan pada jumlah mangga yang sangat banyak dirasa kurang efektif.

(a) (b)

(c) (d)

Gambar 3. (a) Buah mangga mentah, (b) buah mangga mengkal, (c) buah mangga matang, dan (d) buah mangga terlalu matang

Proses pertama setelah didapatkan gambar mangga adalah ekstraksi ciri dari buah mangga tersebut. Dalam penelitian ini, kami menggunakan nilai bobot Red Value, standar deviasi, skewness, entropi, dan kurtosis sebagai input. Nilai yang didapat kemudian dinormalisasi dan dikelompokkan menjadi 4 tingkat kematangan dengan kode 1 (mentah), 2 (mengkal), 3 (matang), dan 4 (terlalu matang). Parameter utama yang mejadi patokan dari tingkat kematangan buah mangga tersebut adalah nilai Red (representasi RGB). Hal ini dikarenakan parameter dengan

nilai tersebut dapat diklasifikasikan secara logika dan memudahkan sistem dalam melakukan pembelajaran data.

Untuk medapatkan sistem yang akurat, tentunya perlu dilakukan beberapa perbandingan persentase proses latih dan proses uji pada tahap pengolahan data. Maka dari itu, dilakukan sebanyak 3 percobaan dengan persentase data latih serta data uji yang berbeda, yaitu 8:2, 6:4, dan 5:5. Setiap percobaan pengolahan data dilakukan 10 kali proses pengujian. Hasil prediksi yang harusnya dicapai yaitu 1, 1, 2, 2, 2, 3, 3, 3, 4, dan 4 secara berurut.Penelitian ini menggunakan JST dengan rancangan arsitektur neuron 2-2-1 yang didapatkan pada trial errordi pelatihan data yaitu learning rate 0.1, fungsi aktivasi logsig untuk hidden layer dan purelin untuk lapisan keluaran.

Setelah disimulasikan, pada percobaan pertama dengan perbandingan data latih dan datan uji sebesar 8:2 maka didapat hasil ujudengantingkatkeakuratan sebesar 72 %. Pada percobaan kedua, dilakukan proses pengolahan data dengan perbandingan data latih dan datan uji sebesar 6:4. Setelah dilakukan pengujian maka didapat hasil keakuratan sebesar 60,90 %. Pada percobaan ketiga, dilakukan proses pengolahan data dengan perbandingan data latih dan datan uji sebesar 5:5. Setelah dilakukan pengujian maka didapat hasil keakuratan sebesar 53,75 %.

Dari pengujian di atas, proses data latih dan data uji dengan perbandingan 5:5 belum bisa diimplementasikan karena persentase keakuratan hasil uji yang hampir sama dengan persentase hasil uji yang salah. Pada proses data latih dan data uji dengan perbandingan 6:4 masih bisa diimplementasikan karena tingkat persentase kekuratan hasil uji lebih tinggi dari persentase hasil uji yang salah. Sampel data yang digunakan pada perbandingan 6:4 adalah sebanyak 30 data, diantaranya 6 data mangga mentah, 7 data mangga mengkal, 11 data mangga matang, dan 6 data mangga terlalu matang. Tingkat keakuratan yang paling baik adalah pada perbandingan data uji dan data latih sebesar 8:2 dengan persentase 72 %, hal ini dikarenakan pelatihan data yang diproses lebih banyak dari kedua percobaan sebelumnya.

Tabel 2. Contoh hasil uji (data perbandingan 8:2)

4. Kesimpulan & Saran

4.1 Kesimpulan

Berdasarkan hasil penelitian yang dilakukan dapat diambil kesimpulan sebagai berikut:

1. Penelitian ini berhasil membangun sistem komputasi untuk mengidentifikasi tingkat kematangan buah mangga berdasarkan nilai warna dan ciri statistik orde pertama (nilai standar deviasi, skewness, entropi, dan kurtosis) dengan menggunakan jaringan syaraf tiruan algoritma backpropagation dan algoritma pembelajaran Levenberg Marquadrt.

2. Keakuratan dengan implementasi metode perbandingan uji latih dan uji sebesar 6:4 dinyatakan cukup baik dengan persentase 60,90 %, sedangakan pada metode perbandingan uji latih dan uji sebesar 8:2 dinyatakan baik dengan persentase 72 %.

4.2 Saran

Adapun saran untuk perbaikan jurnal ini ialah diperlukan banyak data latih agar mempengaruhi kinerja hasil uji lebih baik dengan persentase perbandingan yang seimbang.

5. Ucapan Terima Kasih

Kami mengucapkan syukur kepada Allah SWT karena atas ridho dan karunia-Nya lah kami dapat menyelesaikan

penelitian ini. Kami juga mengucapkan terima kasih banyak kepada dosen pembimbing penelitian ini yaitu Ibu Nur Afny C. Andryani, S.Si., M.Sc serta teman-teman yang terlibat dalam penelitian ini.

REFERENSI

[1] Promosiana, Anastasia. 2014. Statistik Produksi Holtikultura Tahun 2013. Jakarta: Direktorat jenderal Holtikultura, Kementerian Pertanian.

[2] Promosiana, Anastasia, dan Hanang Dwi Atmojo. 2015. Statistik Produksi Holtikultura Tahun 2014. Jakarta: Direktorat jenderal Holtikultura, Kementerian Pertanian. [3] Basuki, Achmad. 2005. Metode Numerik dan Algoritma

Komputasi. Yogyakarta: Andi.

[4] Sutoyo, T, dkk. 2009. Teori Pengembangan Citra Digital. Yogyakarta: Andi.

[5] Kusumadewi, Sri. 2004. Membangun Jaringan Syaraf Tiruan (Menggunakan Matlab & Excel Link). Yogyakarta: Graha Ilmu.

[6] Siang, Jong Jek. 2004. Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan Matlab. Yogyakarta: Andi [7] Berkah, Aulia Khairunisa. 2016. Pembelajaran Levenberg Marquardt pada Pendeteksian Kepribadian Berdasarkan Tulisan Tangan. Universitas Komputer Indonesia.