1
KLASIFIKASI KEMATANGAN BUAH SAWIT DENGAN JARINGAN SYARAF TIRUAN METODE PERCEPTRON
Isma Fitria Ningsih, Roni Salambue
Mahasiswa Program Studi S1 Sistem Informasi Jurusan Ilmu Komputer
Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Riau Kampus Bina Widya
Jl.Prof.Muchtar Luthfi Pekanbaru, 28293, Indonesia [email protected]
ABSTRACT
The development of digital image processing science makes it possible to sort and sort the maturity level of oil palm fruit with the help of image processing applications. Image processing techniques are another form of visual observation. Currently, the process of determining mortality is still using traditional methods, namely looking at the number of loose fruit and falling from the fruit bunches and the color of the fruit on the bunches.
This study aims to design a system using the perceptron method, measure the accuracy of the system and measure the correlation between the color of the oil palm fruit and the level of maturity. The data used is a digital image in JPG format by extracting the RGB and HSV values. The sample used was palm fruit which presented 2 levels of maturity which were grouped into 5 fractions, namely F00, F0 categorized as raw fruit, F1, F2 and F3 categorized as ripe fruit. The amount of input data used amounted to 50 palms then processed using the single layer perceptron method and using the sigmoid bipolar and maximal epoh activation functions used were 30 where 10 data were for the training process and 30 data were for the testing process. The output produced is raw and ripe palm fruit. The success rate in experiment 1 using flash was 55% and the success rate in experiment 2 without flash resulted in an accuracy of 80%
Keywords : Palm fruit, RGB, HSV, Perceptron, Artificial Neural Network, Python.
2 ABSTRAK
Perkembangan dari ilmu pengetahuan pengolahan citra digital memungkinkan untuk memilah dan menyortir tingkat kematangan buah sawit dengan bantuan aplikasi pengolahan citra/foto. Teknik image processing merupakan bentuk lain dari pengamatan secara visual. Saat ini proses penentuan kematanagan masih banyak menggunakan cara tradisional yaitu melihat jumlah brondolan yang terlepas dan jatuh dari tandan buah sawit dan dari warna buah sawit pada tandan. Penelitian ini bertujuan untuk membuat perancangan sistem menggunakan metode perceptron, mengukur akurasi yang dihasilkan sistem dan mengukur korelasi antara warna buah sawit dengan tingkat kematangan. Data yang digunakan yaitu citra digital dengan format JPG dengan mengekstraksi nilai RGB dan HSV. Sample yang digunakan adalah buah sawit yang memperesentasikan 2 tingkat kematangan yang dikelompokkan kedalam 5 fraksi yaitu F00, F0 dikategorikan bauh mentah, F1, F2 dan F3 dikategorikan buah matang. Jumlah data input yang digunakan berjumlah 50 buah sawit kemudian di proses menggunakan metode perceptron single layer dan menggunakan fungsi aktivasi sigmoid bipolar dan maksimal epoh yang digunakan adalah 30 dimana 10 data untuk proses training dan 30 data untuk proses testing. Output yang dihasilkan adalah buah sawit yang mentah dan matang. Tingkat keberhasilan pada eksperimen 1 dengan menggunakan flash adalah 55% dan tingkat keberhasilan pada eksperimen 2 tanpa flash menghasilkan akurasi sebesar 80%.
Kata Kunci : Buah sawit, RGB, HSV, Perceptron, Jaringan Syaraf Tiruan, Python.
PENDAHULUAN
Kelapa sawit adalah buah penghasil minyak seperti, minyak masak, minyak industri, dan minyak bahan bakar. Buah kelapa sawit harus dipanen sesuai waktunya.
Bagian yang paling populer untuk diolah dari kelapa sawit adalah buah. Sehingga sangatlah penting bagi petani kelapa sawit (PKS) untuk memanen buah kelapa sawit dengan tingkat kematangan yang baik.
Kematangan buah sawit diklasifikasi dengan mentah, dan matang. Kematangan buah sangat menentukan hasil minyak yang dihasilkan oleh buah sawit. Semakin besar nilai rendemen yang diperoleh, maka semakin besar pula hasil atau output yang didapat.
Secara tradisional ada dua cara yang telah digunakan untuk menentukan kematangan buah sawit yaitu melihat jumlah buah brondolan yang terlepas dan jatuh dari tandan buah kelapa sawit dan warna buah sawit pada tandan tersebut. Teknik ini mempunyai kelemahan seperti minyak yang akan berkurang bila terlalu banyak buah yang jatuh dari tandannya dan penilaian warna yang bersifat subjektif. Kemudian kelemahan klasifikasi secara manual adalah waktu yang dibutuhkan relatif lama karena harus mengikuti tingkat minimum kematangan buah dimana terdapat 1-4 buah brondolan dari tandan serta menghasilkan produk yang beragam karena adanya keterbatasan visual manusia (Kusumaningtyas & Asmara, 2016).
3 Sistem ini menggunakan Bahasa pemrograman python untuk keperluan mechine learning, data processing, analisis prediksi. Pada penelitian ini menggunakan jupyter notebook untuk open source untuk membuat dokumen yang berisi code, persamaan, visualisasi dan teks penjelasan. Penelitian ini menguji metode JST perceptron untuk diterapkan pada kasus klasifikasi kematangan buah sawit.
Sistem yang dibangun pada penelitian ini untuk mengklasifikasi kematangan buah sawit dengan Jaringan Syaraf Tiruan (JST) dengan metode perceptron.
TINJAUAN PUSTAKA a. Klasifikasi
Penelitian tentang klasifikasi kematangan buah telah banyak dilakukan yaitu klasifikasi kematangan Tandan Buah Segar (TBS) sawit berdasarkan citra digital (Minarni et al., 2018). Metode klasifikasi yang digunakan adalah Jaringan Syaraf Tiruan (JST) dengan algoritma backpropogation yang berhasil mengklasifikasi TBS dalam tiga kategori yaitu kurang matang, matang dan lewat matang. Penelitian yang mengektraksi fitur warna Red, Green dan Blue (RGB) dari citra digital yang berhasil mengklasifikasi jeruk nipis kedalam lima kategori yaitu mentah, agak matang, matang, matang sempurna dan busuk (Paramita et al., 2019). Penelitian yang mengklasifikasi kematangan buah mengkudu berdasarkan informasi warna dan teksturnya melakukan ektraksi warna menggunakan metode color moment dan histogram warna Hue, Saturation, Value (HSV) serta fitur tekstur menggunakan metode Gray Level Co-occurrence Matriks (GLCM).
Hasilnya buah mengkudu dapat diklasifikasi dalam tiga kategori yaitu belum matang, matang, dan terlalu matang.
b. Computer Vision
Computer vision termasuk library open source pemrograman python yang tujuannya dikhusukan untuk melakukan pengolahan citra. Maksudnya adalah metode yang digunakan untuk memperoleh dan menganalisa gambar atau citra dari suatu objek oleh komputer dan kamera untuk mendapatkan informasi dari objek tersebut. Computer vision merupakan kombinasi dari pengolahan citra dan pengenalan pola. Pengolahan citra berhubungan dengan transformasi citra/gambar untuk mendapatkan kualitas citra yang baik, sedangkan pengenalan pola berhubungan dengan proses pengindentifikasi objek pada citra dengan tujuan untuk mengekstraksi informasi yang disampaikan oleh citra (Dedi Ary Prasetya, 2012).
Computer vision terdiri dari beberapa proses yaitu akuisi citra, pengolahan citra, analisa dan pembuat keputusan. Akuisisi citra merupakan proses perekaman gambar menggunakan kamera yang merubah citra tampak menjadi citra digital.
c. Pengolahan Citra Digital
Citra adalah representasi dua dimensi untuk bentuk fisik nyata tiga dimensi. Citra dalam perwujudannya dapat bermacam-macam, mulai dari gambar hitam-putih pada sebuah foto (yang tidak bergerak) sampai pada gambar berwarna yang bergerak pada pesawat televisi. Proses transformasi dari bentuk tiga dimensi ke bentuk dua dimensi
4 untuk mengasilkan citra akan dipengaruhi oleh bermacam-macam faktor yang mengakibatkan penampilan citra suatu benda tidak sama persis dengan bentuk fisik nyatanya. Faktor-faktor tersebut merupakan efek degradasi atau penurunan kualitas yang dapat berupa rentang kontras benda yang terlalu sempit akan terlalu lebar, distorsi geometrik, kekaburan, kekaburan akibat obyek yang bergerak, noise atau gangguan yang disebabkan oleh interferensi peralatan pembuat citra, peralatan pembuat citra baik berupa transduser, peralatan elektronik ataupun peralatan optik (Utama, 2011).
Pengolahan citra dilakukan dengan software komputer, kemudian citra akan diolah terlebih dahulu kemudian ditransformasikan ke dalam bentuk besaran-besaran diskrit dari tingkat keabuan pada titik-titik elemen citra. Bentuk elemen citra ini disebut citra digital. Setiap citra digital memiliki beberapa karakteristik, anatara lain ukuran citra, resolusi dan format lainnya (Utama, 2011).
d. RGB
Setiap warna pada citra berwarna diwakili oleh tiga buah nilai dalam koordinat yang menyatakan komponen warna RGB, misalnya warna merah di wakili oleh titik (255,0,0). Pengolahan warna menggnakan model RGB sangat mudah dan sederhana, karena informasi warna dalam komputer sudah dikemas dalam model yang sama. Salah satu cara yang mudah untuk menghitung warna dan menafsirkan hasilnya dalam model RGB adalah dengan melakukan normalisasi terhadap ketiga warna tersebut (Minarni et al., 2018).
Pengambilan masing-masing unsur warna dilakukan dengan menormalisasikan setiap unsur warna sebagai berikut:
𝑟 = 𝑅
𝑅+𝐵+𝐺 (1)
𝑔 = 𝐺
𝑅+𝐵+𝐺 (2)
𝑏 = 𝐵
𝑅+𝐵+𝐺 (3)
Untuk mendapatkan info kecerahan citra, nilai RGB di konversi kedalam model warna hue, saturation dan value (HSV). Hue berhubungan dengan ragam warna adalah nilai sudut antara vektor warna actual dan vector warna referensi. Saturation berhungan dengan kecerhan warna dan pencahyaan ditambahw arna referensi. Value berhubungan dengan intensitas warna. Perbandingan warna RGB dan HSV diperlihatkan pada Gambar 1.
Gambar 1. Model warna RGB dan HSV
5 Untuk menghitung nilai HSV berdasarkan nilai RGB dilakukan dengan persamaan 4, 5 dan 6 (Wibowo, 2011)
𝐻 = 0 + 60 (𝐺−𝐵)
(𝑀𝑎𝑥−𝑀𝑖𝑛); 𝑅 = 𝑀𝑎𝑥 (4)
𝐻 = 120 + 60 (𝐵−𝑅)
(𝑀𝑎𝑥−𝑀𝑖𝑛); 𝐺 = 𝑀𝑎𝑥 (5)
𝐻 = 240 + 60 (𝑅−𝐺)
(𝑀𝑎𝑥−𝑀𝑖𝑛); 𝐵 = 𝑀𝑎𝑥 (6)
𝑆 = (𝑀𝑎𝑥−𝑀𝑖𝑛)
(𝑀𝑎𝑥) (7)
𝑉 = 𝑀𝑎𝑥 (8)
e. Segmetasi Warna
Segmentasi warna merupakan pemisah segmen dalam suatu citra berdasarkan warna yang tergantung dalam citra. Pada penelitian ini penulis akan mencoba untuk melakukan segmentasi warna dengan deteksi warna HSV. Pada saat melakukan segmentasi, dilakukan pemilihan sampel sebagai acuan warna untuk membentuk segmen yang diinginkan. Untuk mengurangi efek iluminasi pada sebuah citra, warna citra dapat dikonversikan ke color space yang lain, salah satunya adalah ruang warna HSV (Arifin
& Areni, 2019). Segmentasi salah satu metode yang penting untuk mengubah citra input menjadi citra output berdasarkan atribut yang diambil dari citra tersebut. Pada penelitian ini setelah proses konversi warna RGB ke HSV dari hasil segmentasi akan dilakukan proses masking berdasarkan rentang warna yang telah ditentukan sesuai dengan objek citra sehingga menghasilkan objek yang telah ditentukan.
f. Tingkat Kematangan
Penentuan waktu panen kelapa sawit didasarkan pada tingkat kematangan buah sawit menggunakan fraksi. Berikut ini tingkatan fraksi kelapa sawit:
Tabel 1. Tingkat fraksi buah sawit
Fraksi Jumlah Berondolan Tingkat Kematanagan
00 Tidak ada Sangat mentah
0 1-12,5% buah luar memberondol Mentah 1 12,5-25% buah luar memberondol Kurang matang 2 25-50% buah luar memberondol Matang 1 3 50-75% buah luar memberondol Matang 2 4 75-100% buah luar memberondol Lewat Matang1
6 5 Buah dalam juga memberondol,
ada yang busuk Lewat Matang 2
Informasi jenis warna ditentukan berdasarkan spektrum warna yang dihasilkan oleh sample buah. Untuk interval warna disajikan pada table berikut:
Tabel 2. Tingkat fraksi buah sawit
No Hue Jenis Warna
1 0.0-15.0 Merah 2 15.1-45.0 Jingga 3 45.1-70.0 Kuning
4 70.1-79.0 Kuning Kehijauan 5 79.0-163.0 Hijau
6 163.1-193.0 Cyan 7 193.1-240.0 Biru 8 240.1-260.0 Nila 9 260.1-270.0 Violet 10 270.1-291.0 Ungu 11 291.1-327.0 Magenta 12 327.1-359.0 Merah g. Jaringan Syaraf Tiruan
Jaringan Syaraf Tiruan adalah salah satu cabang ilmu dari bidang ilmu kecerdasan buatan (Artificial Intelligence) dan merupakan alat untuk memecahkan suatu masalah terutama di bidang-bidang yang melibatkan pengelompokan dan pengenalan pola (Tangan et al., 2010). Jaringan syaraf tiruan merupakan paradigma pemrosesan suatu sel syaraf biologi, sama seperti otak memproses suatu informasi. Elemen mendasar dari paradigma tersebut adalah struktur yang baru dari sistem pemrosesan informasi. Jaringan syaraf tiruan tidak diprogram untuk menghasilkan keluaran tertentu. Semua keluaran atau hasil yang ditarik oleh jaringan berdasarkan dari proses pengalamannya selama mengikuti proses pembelajaran. Pada saat proses pembelajaran, jaringan syaraf tiruan dimasukkan pola-pola input dan output kemudian jaringan akan diajari memberikan jawaban yang bisa diterima (Fitryadi & Sutikno, 2016). Beberapa penelitian yang berhasil mengaplikasikan JST (Jaringan Syaraf Tiruan) untuk menyelesaikan permasalahan klasifikasi dengan pengolahan citra, diantaranya adalah Jaringan Syaraf Tiruan untuk pengenalan wajah (Kusmaryanto, 2014) dan identifikasi penyakit kanker paru-paru (Bisri
& Bustomi, 2013). Jaringan ini memiliki arsitektur lapisan tunggal (single layer) yaitu JST dengan 2 input dan output. JST ini dapat dilihat pada Gambar 2 (Kusumadewi &
Hartati, 2006).
7 Gambar 2. Arsitektur jaringan syaraf tiruan perceptron
Dua tahap penelitian ada pada JST perceptron yaitu pelatihan input dengan menenukan bobot,bias dan learning rate dan pengujian data. Metode pembelajaran pada algoritma perceptron ini adalah pembelajaran terawasi (supervised learning) karena output yang diharapkan telah diketahui sebelumnya yaitu mentah dan matang.
h. Cara Kerja Metode Perceptron Dalam Mengklasifikasi Kematangan Buah Sawit Dalam hal ini ada beberpa tahapan-tahapan dalam penggunaan algoritma perceptron untuk menglasifikasi kematangan buah sawit :
1. Inisialisasi semua bobot (Wi) = 0, bias (b) = 0, dan learning rate = laju pemahaman α = 1. Maksimal epoh =10.
2. Selama ada elemen vektor masukan yang respon unit keluarannya tidak sama dengan target , maka lakukan:
a. Set aktivasi unit masukan
b. Hitung respon unit keluaran dengan persamaan berikut:
y= 𝑏 + ∑ 𝑋𝑖𝑊𝑖 (9)
{
1, 𝑗𝑖𝑘𝑎 𝑦 ≥ 0
−1, 𝑗𝑖𝑎 𝑦 < 0
3. Melakukan tes kesalahan, lakukan :
e= t − y (10)
4. Perbaiki bobot pola yang mengandung kesalahan
Jika (y ≠ t), maka:
Wi (baru) = Wi (lama) + α*e*xi b (baru) = b (lama) + α*e jika tidak, maka :
Wi (baru) = Wi (lama) b (baru) = b (lama) Keterangan:
b : Bias
Wi : Bobot
8 y : Keluaran
t : Target
e : Error
Xi : Inputan
α : Laju pemahaman
METODE PENELITIAN
Metode yang digunakan dalam penelitian ini adalah metode eksperimen yaitu untuk melihat bagaimana hasil perekaman yang menghasilkan spektrum warna yang lebih baik.penelitian dimulai dengan pengambilan citra buah sawit, mengekstraksi nilai RGB dan HSV dari citra buah sawit, mencari nilai bobot, bias dari citra untuk pembuatan JST.
Alat dan bahan yang digunakan dalam penelitian adalah buah sawit yang sudah dilepas dari Tndan Buah Segas (TBS), dan software Bahasa pemrograman python dengan open - source Anconda. Dalam penelitian ini menggunakan Jupyter Notebook memungkinkan untuk membuat kode dan dokumen seara terpisah bias dijadikan satu dalam sebuah library.sampel buah sawit yang digunakan dalam penelitian ini yang mempresentasikan 2 tingkat kematangan F00, F0, F1, F2 dan F3. Untuk F00 dan F0 dikategorikan mentah , F1, F2 dan F3 dikategorikan matang.
Penelitian ini terdiri dari beberapa tahap. Tahap pertama perekaman citra buah sawit. File dari citra buah sawit disimpan dalam bentuk format JPG dengan gambar tampak sisi depan dan belakang. Tahap kedua adalah pembuatan program untuk pengolahan citra buah sawit. Program ini dibuat untuk menentukan nilai RGB dan HSV dari citra tersebut. Tahap ketiga adalah mencari bobot citra untuk dijadikan dataset untuk pembuatan jaringan syaraf tiruan (JST).
Tahap keempat adalah pembuatan JST dari nilai bobot yang dihasilkan dari proses training untuk proses pengujian. Tahap selanjutnya adalah persiapan klasifikasi menggunakan metode perceptron .tahap terakhir adalah memperoleh kesimpulan dari eksperimen.
HASIL DAN PEMBAHASAN
Pada penelitian ini menggunakan data dari penelitian sebelumnya yaitu Identifikasi Kematangan Buah Sawit Dengan Smartphone Android. Penelitian ini bertujuan untuk mengklasifikasi kematangan buah sawit dengan Jaringan Syaraf Tiruan metode perceptron menggunakan nilai citra Hue. Jumlah total citra buah sawit yang direkam dengan kamera smartphone berjumlah 50 citra dengan mengambil gambar dari depan dan belakang. Masing-masing dari eksperimen akan diambil 5 sampel dan dijadikan sebagai data training dalam bentuk format CSV (Comma Separated Value) sehingga akan menjadi 10 data training dan 40 data testing. Perekaman gambar dilakukan dengan beberapa eksperimen yaitu:
9 1. Merekam sampel citra buah sawit dengan bantuan flash kamera
2. Merekekam sampel citra buah sawit tanpa flash
Eksperimen 1 dan eksperimen 2 dilakukan untuk melihat bagaimana hasil perekaman yang menghasilkan spektrum warna yang baik.
a. Pengukuran Citra Python
Proses penentuan nilai RGB dan HSV menggunakan program terdapat pada Gambar 3.
Gambar 3. Proses penentuan nilai RGB dan HSV
b. Proses Input Data Training
Adapun proses training adalah menentukan parameter-parameter jaringan perceptron yaitu menentukan input, output, bobot, bias dan learning rate. Nilai bobot citra digunakan untuk menjadi acuan dalam memilih suatu citra untuk menjadi database/dataset dalam pembuatan JST. Pada penelitian ini untuk bobot, bias awal ditentukan = 0 dan learning rate =1. Data training yang digunakan adalah sampel citra yang sudah di ekstraksi menjadi nilai hue. Proses training sebagai berikut:
Gambar 4. Proses training
10 Dapat dilihat pada proses training yang menghasilkan konvergen pada epoh ke 25 dan menghasilkan bias akhir [38], bobot1 akhir[-50.08267569], dan bobot2 akhir [37,98505013]. Pada saat proses pelatihan pertama jika masih terdapat error dengan kata lain error tidak sama dengan nol, maka akan dilakukan proses pelatihan algoritma perceptron iterasi berikutnya. Apabila error sama dengan nol maka jaringan akan menyimpan pengetahuan mengenai proses pelatihan yang telah dipenuhi oleh targetnya atau output.
c. Proses Data Testing
Data testing berfungsi untuk memprediksi data-data yang belum memiliki tabel.
Proses testing dilakukan dengan mengambil data dari eksperimen 1 dan eksperimen 2 dengan mengambil bobot dan bias akhir dari data hasil training. Data yang digunakan adalah data yang belum digunakan pada proses training. Proses pengujian dapat dilihat pada Gambar 5 dan 6.
Perhitungan klasifikasi dengan perceptron menggunakan persamaan 9 dan 10, dimana -1 adalah menah dan 1 adalah matang. Pengujian dilakukan dengan mengambil 1 sampel yang telah diekstraksi spektrum warnanya baik dari bagian depan maupun belakang sebagai berikut:
1. Data uji (X) memiliki nilai Hue D = (39,32) dan B = (41,79) 2. Untuk bobot dan bias = 0 dan learning rate =1
3. Sehingga
4. Target (y) = 1, karena nilai y ≠ target maka hitung error dan perbaiki bobot:
e = target – output
= (-1) – 1
= -2
W1 (baru) = W1 (lama) + α*e*X1
= 0 + 1*(-2)* 39,32
= -78,64
W2 (baru) = W2 (lama) + α*e*X2
= 0 + 1*(-2)* 41,79
= -83,58 b (baru) = b(lama)+ α*e
= 0+1*(-2)
= -2
Dari proses diatas mendapatkan bias dan bobot baru dimana W = {-78,64, - 83,58}, b = -2 dan dilanjutkan data kedua dan seterusnya sampai tidak ada error untuk setiap data dalam iterasi.
y = y = 𝑏 + ∑ 𝑋𝑖𝑊𝑖
= b+ X1*W1 + X2*W2
=1+ 39,32*0 + 41,79*0
= 0
11 Gambar 5. Proses pengujian eksperimen 1
Gambar 6. Proses pengujian eksperimen 2
Dapat dilihat pada proses pengujian eksperimen 1 dan eksperimen 2 beberapa sampel tidak memiliki label sehingga error yang terjadi.Hal ini akan menyulitkan pada saat proses klasifikasi karena beberapa target tidak sesuai dengan prediksi.
12 d. Klasifikasi Kematangan Buah Sawit
Gambar 7. Klasifikasi eksperimen 1
Gambar 8. Korelasi eksperimen 1
13 Gambar 9. Klasifikasi eksperimen 2
Gambar 10. Korelasi eksperimen 1
Dapat dilihat pada Gambar 7 dan 9 klasifikasi pada eksperimen 1 terlihat bahwa kesalahan terjadi, dimana ada 9 sampel buah yang tidak sesuai dengan tingkat kematangannya. Seperti pada titik berwarna biru yang menyatakan buah mentah masuk kedalam kelas buah yangmatang dan sebaliknya. Sedangkan pada eksperimen 2 ada 4 sampel buah yang tidak sesuai dengan tingkat kemaangannya. Sehingga pada eksperimen 1 menghasilkan akurasi 55% yang artinya terjadi kesalahan pada saat klasifikasi dan pada eksperimen 2 menghasilkan akrasi 80% yang artinya hanya ada beberapa kesalahan dalam proses klasifikasi.
Dapat dilihat pada Gambar 8 dan 10 korelasi yang dihasilkan eksperimen 1 ada 9 sampel yang tidak berkorelasi dengan tingkat kematangannya yang terjadi kesalahan pada fraksi F00 ada 2 sampel dan pada fraksi F1, F2 dan F3 ada 7 sampel. Sedangkan pada eksperimen 2 menunjukkan ada 4 sampel yang tidak berkorelasi dengan tigkat kematangannya yang terjadi pada fraksi F0, F1 dan F3.
14 e. Tingkat Akurasi Kematangan
Akurasi dari hasil testing melalui iterasi (epoch) dari 40 sampel pada eksperimen 1 dan eksperimen 2 yang belum memiliki label. Jika jumlah data yang benar sesuai dengan target, maka keseluruhan sampel eksperimen 1 dan eksperimen 2 buah sawit hasil pengujian dapat dirumuskan sebagai berikut:
𝐽𝑢𝑚𝑙𝑎ℎ 𝑑𝑎𝑡𝑎 𝑦𝑎𝑛𝑔 𝑏𝑒𝑛𝑎𝑟
𝐽𝑢𝑚𝑙𝑎ℎ 𝑡𝑜𝑡𝑎𝑙 𝑑𝑎𝑡𝑎 𝑥 100%
(11)
Tabel 3. Pengujian Akurasi
Kategori Jumlah sampel sesuai error Tingkat akurasi
Eksperimen 1 20 11 9 55%
Eksperimen 2 20 16 4 80%
KESIMPULAN
Kesimpulan dari penelitian ini menggunakan Bahasa pemrograman Python untuk mengklasifikasi kematangan buah sawit dengan jaringan syaraf tiruan metode perceptron berdasarkan fraksi tingkat kematangan adalah sebagai berikut:
1. Penelitian ini berhasil membangun sistem klasifikasi kematangan buah sawit berdasarkan nilai warna dari citra buah sawit dengan Jaringan Syaraf Tiruan menggunakan metode perceptron.
2. Hasil klasifikasi menunjukkan bahwa data yang diolah pada eksperimen 2 menghasilkan tingkat klasfikasi 80% lebih baik dari pada eksperimen 1 yaitu 55%.
Kesalahan klasifikasi pada sampel disebabkan karena hamburan cahaya yang dipancarkan oleh lampu flash meng-inerasi sampel buah sawit, sehingga kamera merekam spektrum warna yang lebih tinggi.
SARAN
Saran yang diajukan untuk pengembangan penelitian ini adalah:
1. Menggunakan kamera yang memiliki resolusi gambar lebih tinggi, karena semakin tinggi resolusi gambar maka semakin banyak jumlah pixcel dan gambar yang dihasilkan akan semakin bagus
2. Penyimpanan citra dapat disimpan dapat format PNG (Portable Network Graphics) karena file PNG dapat diatur jumlah warnanya, sehingga kompresi file PNG lebih baik dari pada JPG dan memiliki solusi kompresi yang powerfull dengan warna yang lebih banyak.
3. Sampel yang digunakan harus lebih banyak untuk menghasilkan klasifikasi yang lebih baik dan memperoleh hubungan yang akurat.
4. Pada pengembangan aplikasi selanjutnya diharapkan dapat menggunakan jaringan multy layer perceptron sebagai klasifikasinya.
15 UCAPAN TERIMAKASIH
Penulis mengucapkan terima kasih kepada Bapak Roni Salambue, S.Kom, M.Si yang telah membimbing, memotivasi, dan membantu penelitian dan penulisan karya ilmiah ini.
DAFTAR PUSTAKA
Agustin, S., & Prasetyo, E. (2011). Klasifikasi jenis pohon mangga gadung dan curut berdasarkan tesktur daun. SESINDO 2011-Jurusan Sistem Informasi ITS, 58–64.
Arifin, N., & Areni, I. S. (2019). Klasifikasi Kematangan Stroberi Berbasis Segmentasi
Warna dengan Metode HSV. 23(2), 113–116.
https://doi.org/10.25042/jpe.112019.03
Bisri, H., & Bustomi, M. A. (2013). Klasifikasi Citra Paru-Paru dengan Ekstraksi Fitur Histogram dan Jaringan Syaraf Tiruan. 2(2).
Dedi Ary Prasetya, I. N. (2012). Deteksi wajah metode viola jones pada opencv menggunakan pemrograman python. Simposium Nasional RAPI XI FT UMS, 18–23.
Fitryadi, K., & Sutikno. (2016). Pengenalan Jenis Golongan Darah Menggunakan Jaringan Syaraf Tiruan Perceptron. Jurnal Masyarakat Informatika, 7(1), 10.
Hastawan, A. F., Septian, R., & Windarto, Y. E. (2019). Perbaikan Hasil Segmentasi Hsv Pada Citra Digital Menggunakan Metode Segmentasi Rgb Grayscale. Edu
Komputika Journal, 6(1), 32–37.
https://doi.org/10.15294/edukomputika.v6i1.23025
Kusumadewi, S. & Hartati, S., 2006. NEURON-FUZZY:Integrasi Sistem Fuzzy dan Jaringan Syaraf. Yogyakarta: GRAHA ILMU
Kusumaningtyas, S., & Asmara, R. A. (2016). Identifikasi Kematangan Buah Tomat Berdasarkan Warna Menggunakan Metode Jaringan Syaraf Tiruan (Jst). Jurnal Informatika Polinema, 2(2), 72–75.
Minarni, Salambue, R., & Zilhan, H. (2018). Implementasi Jaringan Syaraf Tiruan (JST) dan Pengolahan Citra Untuk Klasifikasi Kematangan TBS Kelapa Sawit. Jurnal Komunikasi Fisika Indonesia, 15(01), 48–60.
Pujianta, A. (2009). Pengenalan Citra Objek Sederhana Dengan Jaringan Saraf Tiruan Metode Perceptron. Jurnal Informatika, 3(1), 268–277.
Tangan, P. T., Syaraf, J., Learning, T., & Quantization, V. (2010). JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION UNTUK APLIKASI PENGENALAN TANDA TANGAN 1 Difla Yustisia Qur’ani 1 , Safrina Rosmalinda 2. 2010(Snati), 1–5.
Utama, J. (2011). Akuisisi Citra Digital menggunakan Pemrograman MATLAB. Majalah Unikom, 9(1), 71–80.
