PENGIMPLEMENTASIAN COUNTERPROPAGATION NEURAL NETWORK DALAM PENGKLASIFIKASIAN CITRA DAGING SAPI
DAN DAGING BABI
SKRIPSI
NICOLAS LOJIE 151402084
PROGRAM STUDI S1 TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA
MEDAN 2020
PENGIMPLEMENTASIAN COUNTERPROPAGATION NEURAL NETWORK DALAM PENGKLASIFIKASIAN CITRA DAGING SAPI
DAN DAGING BABI SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah Sarjana Teknologi Informasi
NICOLAS LOJIE 151402084
PROGRAM STUDI S1 TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA
MEDAN 2020
PERNYATAAN
PENGIMPLEMENTASIAN COUNTERPROPAGATION NEURAL NETWORK DALAM PENGKLASIFIKASIAN CITRA DAGING SAPI
DAN DAGING BABI
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil karya saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing – masing telah disebutkan sumbernya.
Medan, 14 Januari 2020
NICOLAS LOJIE 151402084
UCAPAN TERIMA KASIH
Puji dan syukur kepada Tuhan Yang Maha Esa, karena rahmat dan izin-Nya sehingga penulis dapat menyelesaikan skripsi ini sebagai syarat untuk memperoleh gelar Sarjana Komputer, Program Studi S1 Teknologi Informasi Universitas Sumatera Utara.
Penulisan skripsi ini tidak akan selesai tanpa adanya doa, dukungan, dan dorongan dari berbagai pihak. Adapun dalam kesempatan ini, dengan rendah hati penulis mengucapkan banyak terima kasih kepada :
1. Orang tua penulis, Ibu Wong Sun Mei yang selalu memberikan doa, kasih sayang, serta dukungan kepada penulis dari mulai mengikuti pendidikan hingga selesainya tugas akhir ini.
2. Bapak Prof. Dr. Drs. Opim Salim Sitompul, M.Sc. selaku Dekan Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara.
3. Bapak Romi Fadillah Rahmat, B.Comp.Sc., M.Sc. selaku Dosen Pembimbing I dan Ibu Ainul Hizriadi, S.Kom., M.Sc. selaku Dosen Pembimbing II yang telah membimbing penulis dalam penelitian serta penulisan skripsi ini.
4. Bapak Seniman, S.Kom., M.Kom. selaku Dosen Pembanding I dan Bapak Niskarto Zendrato, S.Kom., M.Kom. selaku Dosen Pembanding II yang telah memberikan kritik dan saran dalam penyempurnaan skripsi ini.
5. Saudara/i penulis, Nevin Lojie dan Natassya Lojie yang telah memberikan dukungan.
6. Kelvin Pachira Tandi, Willy Mardianto, Fenta Grata, Fransiska Kirana, Denny Kurniawan, Hanafi selaku teman seperjuangan dari awal perkuliahan hingga akhir dan dalam proses pengerjaan skripsi ini.
7. Rhama Permadi Ahmad, Shifani Adriani, Raska Almashura, Yolanda Maulina Sari, Muhammad Iqbal Fajar, Muhammad Rizwan Anfa, Muhammad Andi Yusran, Kevin Christoper selaku teman satu pembimbing.
8. Yana Trisha Andini Harahap, S.Kom., Jonatan Sianturi, S.TI, M.Kom, Charlie, S.Kom, Wendy Winata, S.Kom, Andreas Putra Wijaya, S.Kom, Leonardo Michael, S.Kom, Felix Hardywantara, S.Kom selaku senior yang dengan sabar
9. Teman – teman Teknologi Informasi USU terkhusus Stambuk 2015.
10. Seluruh dosen dan staf di Program Studi Teknologi Informasi USU yang tidak dapat disebutkan satu – persatu.
11. Semua pihak yang terlibat langsung ataupun tidak langsung yang tidak dapat penulis ucapkan satu persatu yang telah membantu penyelesaian skripsi ini.
Semoga Tuhan Yang Maha Esa melimpahkan berkah kepada semua pihak yang telah memberikan bantuan, perhatian, serta dukungan kepada penulis dalam menyelesaikan skripsi ini.
Medan, 14 Januari 2020
NICOLAS LOJIE
ABSTRAK
Harga daging sapi saat ini yang terus-menerus meningkat disebabkan oleh bertambahnya kebutuhan konsumen, hal ini dapat mempengaruhi penghasilan yang didapatkan para pedagang. Oleh karena itu, ada beberapa pedagang yang ingin meraup keuntungan dengan melakukan kecurangan seperti mencampurkan daging babi dengan daging sapi. Tindakan ini tentunya merugikan pembeli dimana kualitas serta harga dari daging babi berbeda dari daging sapi, tekstur dan warna yang dimiliki daging babi terlihat mirip dengan daging sapi sehingga digunakan untuk membuat campuran daging. Untuk mengatasi isu perbedaan jenis kedua daging tersebut, penelitian ini memanfaatkan pengolahan citra digital dengan menggunakan metode Counterpropagation Neural Network untuk mengklasifikasi citra makroskopik daging sapi dan daging babi. Metode yang digunakan dalam penelitian ini mampu menangani klasifikasi yang kompleks dengan akurasi yang cukup tinggi, waktu pelatihan yang singkat dan tingkat kompleksitas model yang simpel. Citra yang digunakan dalam penelitian ini akan melalui 3 tahapan proses, yaitu tahap preprocessing, tahap ekstraksi fitur dan tahap pengklasifikasian. Teknik pengolahan citra yang digunakan dalam tahap preprocessing meliputi Contrast Enhancement dan Resizing, proses ekstraksi fitur yang digunakan merupakan ektraksi fitur warna HSV (Hue, Saturation, Value). Setelah pengujian pada penelitian ini dilakukan, didapatkan kesimpulan bahwa metode yang diajukan memiliki kemampuan dalam mengklasifikasi citra daging sapi dan daging babi dengan baik dan akurasi yang diperoleh yaitu sebesar 98,8%.
Kata kunci : daging sapi, daging babi, contrast enhancement, hsv, counterpropagation neural network.
IMPLEMENTATION OF COUNTERPROPAGATION NEURAL NETWORK IN CLASSIFICATION OF BEEF AND PORK IMAGE
ABSTRACT
The current beef prices are constantly rising due to increasing consumption needs, this situation can affect the income earned by traders. Hence, some traders are intending to gain profit by committing illicit acts, such as mixing pork with beef. This action is certainly detrimental to the buyer whereas the quality and the price of pork is different from beef, as well as the texture and color of pork looks identical to beef therefore it is used to create the mixture of meat. To resolve the issue of the difference between both types of meat, this study utilizes digital image processing by using the Counterpropagation Neural Network in classifying macroscopic images of beef and pork. The method used in this study is able to handle complex classifications with adequately high accuracy, concise training time, and a simple level of model complexity. Images used in this study will go through 3 stages, namely the preprocessing, feature extraction, and classification stage. Image processing techniques used in the preprocessing stage include Contrast Enhancement and Resizing. The feature extraction process used is the extraction of HSV color features (Hue, Saturation, Value). After the testing process in this study, it was concluded that the proposed method has the capability to classify the image of beef and pork well and the accuracy obtained is 98.8%.
Keywords : beef, pork, contrast enhancement, hsv, counterpropagation neural network.
DAFTAR ISI
Hal.
PERSETUJUAN i
PERNYATAAN ii
UCAPAN TERIMA KASIH iii
ABSTRAK v
ABSTRACT vi
DAFTAR ISI vii
DAFTAR TABEL x
DAFTAR GAMBAR xi
BAB 1 PENDAHULUAN
1.1 Latar Belakang 1
1.2 Rumusan Masalah 3
1.3 Tujuan Penelitian 3
1.4 Batasan Masalah 3
1.5 Manfaat Penelitian 4
1.6 Metodologi Penelitian 4
1.7 Sistematika Penulisan 5
BAB 2 LANDASAN TEORI
2.1 Daging 7
2.1.1 Daging Sapi 7
2.1.2 Daging Babi 7
2.2 Citra (Image) 8
2.2.1 Color image (RGB image) 8
2.2.2 Grayscale image 9
2.2.3 Binary image 9
2.3 Pengolahan Citra Digital (Digital Image Processing) 10
2.3.1 Resizing 10
2.3.1.1 Nearest Neighbor Scaling 10
2.3.1.2 Bilinear 11
2.3.1.3 Bicubic Interpolation 11
2.3.2 Contrast Enhancement 11
2.4 HSV (Hue, Saturation, Value) 11
2.5 Counterpropagation Neural Network (CPNN) 13
2.6 Penelitian Terdahulu 17
BAB 3 ANALISIS DAN PERANCANGAN
3.1 Data yang digunakan 22
3.2 Analisis Sistem 23
3.2.1 Image Acquisition 23
3.2.2 Image Preprocessing 24
3.2.2.1 Resizing 24
3.2.2.2 Contrast Enhancement 25
3.2.3 Feature Extraction 26
3.2.4 Counter Propagation Neural Network (CPNN) 28
3.2.4.1 Pembuatan Model 29
3.2.4.2 Penentuan jumlah neuron 29
3.2.4.3 Penentuan epochs 29
3.2.4.4 Penentuan initialisation of weights 29
3.2.4.5 Penentuan learning rate 29
3.2.4.6 Penentuan final learning rate 29
3.2.4.7 Training 30
3.2.4.8 Testing 33
3.2.4.9 Output 33
3.3 Perancangan Antarmuka Sistem 33
3.3.1 Rancangan Tampilan Home 34
3.3.2 Rancangan Tampilan Training 35
3.3.3 Rancangan Tampilan Testing 36
BAB 4 IMPLEMENTASI DAN PENGUJIAN
4.1 Implementasi Sistem 39
4.1.1 Spesifikasi Perangkat Keras dan Perangkat Lunak 39
4.1.2 Implementasi Perancangan Antarmuka 40
4.1.2.1 Tampilan halaman home 40
4.1.2.2 Tampilan halaman training 41
4.1.2.3 Tampilan halaman testing 41
4.1.3 Implementasi Data 43
4.2 Prosedur Operasional 44
4.3 Pelatihan Sistem 51
4.4 Pengujian Sistem 52
BAB 5 KESIMPULAN DAN SARAN
5.1 Kesimpulan 58
5.2 Saran 59
DAFTAR PUSTAKA
DAFTAR TABEL
Hal.
Tabel 2.1 Penelitian Terdahulu 19
Tabel 3.1 Nilai piksel citra sebelum proses ekstraksi fitur 27 Tabel 3.2 Nilai hue dari piksel citra setelah proses ekstraksi fitur 27 Tabel 3.3 Nilai vaue dari piksel citra setelah proses ekstraksi fitur 28
Tabel 4.1 Hasil Pelatihan Sistem 51
Tabel 4.2 Hasil Pengujian Sistem 52
DAFTAR GAMBAR
Hal.
Gambar 2.1 Color image 8
Gambar 2.2 Grayscale image 9
Gambar 2.3 Binary image 10
Gambar 2.4 Struktur Jaringan CPNN 13
Gambar 3.1 Arsitektur Umum 23
Gambar 3.2 Citra daging sapi 24
Gambar 3.3 Citra daging babi 24
Gambar 3.4 Citra daging sapi setelah proses resizing 25 Gambar 3.5 Citra daging babi setelah proses resizing 25 Gambar 3.6 Citra daging sapi setelah proses contrast enhancement 26 Gambar 3.7 Citra daging babi setelah proses contrast enhancement 26
Gambar 3.8 Rancangan Tampilan Home 34
Gambar 3.9 Rancangan Tampilan Training 35
Gambar 3.10 Rancangan Tampilan Testing 37
Gambar 4.1 Tampilan halaman home 40
Gambar 4.2 Tampilan halaman training 41
Gambar 4.3 Tampilan halaman testing 42
Gambar 4.4 Tampilan halaman testing setelah proses uji pada
panel TestImage 42
Gambar 4.5 Tampilan halaman testing setelah proses uji pada
panel TestGroup 43
Gambar 4.6 Data Citra Daging Sapi 43
Gambar 4.7 Data Citra Daging Babi 44
Gambar 4.8 Halaman Home 45
Gambar 4.9 Subfolder folder train 46
Gambar 4.10 Proses Ekstraksi Fitur 46
Gambar 4.11 Pemilihan data 47
Gambar 4.13 Panel Listbox Data setelah data dan class dipilih 48
Gambar 4.14 Form Set Network 48
Gambar 4.15 Panel Listbox Model setelah proses training 49
Gambar 4.16 Penyimpanan model jaringan 49
Gambar 4.17 Tampilan halaman testing setelah proses pengujian
pada panel TestImage 50
Gambar 4.18 Tampilan halaman testing setelah proses pengujian
pada panel TestGroup 50
Gambar 4.19 Hasil klasifikasi sistem setelah proses TestGroup 51 Gambar 4.20 Hasil akurasi setelah proses TestGroup 51 Gambar 4.21 Contoh citra daging babi dan sapi yang gagal terklasifikasi 57 Gambar 4.22 Contoh citra daging babi dan sapi yang berhasil terklasifikasi 57
BAB 1 PENDAHULUAN
1.1 Latar Belakang
Daging sapi merupakan daging yang populer dan harganya yang terus-menerus meningkat seiring dengan bertambahnya kebutuhan konsumen, jumlah penduduk, dan produksi daging sapi berdasarkan data dari (Badan Pusat Statistik, 2015). Jumlah peningkatan produksi daging sapi dalam Sumatera Utara lebih kurang 14 ribu ton selama 9 tahun terakhir, hal ini membuat beberapa pedagang ingin meraup keuntungan dengan melakukan kecurangan seperti mencampurkan daging babi dengan daging sapi. Tindakan ini tentunya merugikan pembeli dimana kualitas dan harga dari kedua daging tersebut berbeda (Asmara, et al. 2018).
Pedagang yang melakukan kecurangan tersebut memilih daging babi sebagai bahan campuran karena harga daging babi yang murah dibandingkan daging sapi, serta tekstur dan warna dari daging babi terlihat mirip seperti daging sapi. Pembeli yang tidak mengetahui cara membedakan antara daging babi dan daging sapi akan keliru dalam membeli daging (Chairunnisa, et al. 2018).
Ada beberapa cara dalam membedakan jenis daging yaitu dengan memeriksa daging dari fisiknya (kelembekan, bau, rasa), dari visualnya (tekstur dan warna), dari bahan kimianya (senyawa), ataupun secara biologis (mikroorganisme) (Wijaya, et al.
2017).
Berbagai penelitian mengenai cara membedakan daging sapi dan daging babi seperti penelitian yang dilakukan oleh Wijaya et al. (2017) menggunakan alat electronic nose dalam mengecek bau dan mengklasifikasikan daging sapi dan daging babi dengan metode Naive-Bayes. Namun penelitian ini memiliki akurasi yang masih belum cukup tinggi yaitu 75%.
Pada tahun yang sama, Handayani et al. (2017) membedakan daging sapi dan daging babi berdasarkan warna dan tekstur dari daging dengan mengekstraksi fitur
Gabor, Principle Component Analysis (PCA), dan Local Binary Pattern (LBP).
Selanjutnya, pengklasifikasian dilakukan dengan Probabilistic Neural Network (PNN).
Hasil rata-rata akurasi yang didapat dengan metode Gabor sebesar 82,68%, PCA sebesar 93,93% , dan LBP sebesar 84,66%.
Berbeda halnya dengan Asmara et al. (2018) menggunakan metode ekstraksi fitur Gray Level Co-Occurrence Matrix (GLCM) terhadap daging sapi dan daging babi dan mengklasifikasikannya menggunakan Back-Propagation Neural Network.
Akurasi yang didapatkan dari penelitian adalah 89,57%. Tetapi, data citra yang dipergunakan hanya berjumlah 48 data citra latih dan 12 data citra uji.
Sedangkan, Jasril & Sanjaya (2018) dalam penelitian untuk membedakan daging sapi dengan daging babi menggunakan Special Fuzzy C-Means untuk segmentasi, GLCM untuk mengekstraksi fitur ciri dan HSV untuk mengekstraksi fitur warna serta Learning Vector Quantization (LVQ) dalam mengklasifikasikan daging.
Akurasi yang didapatkan dari penelitian ini adalah 91,67%. Namun, hasil ini didapatkan dari proses pelatihan sebanyak 108 buah citra dan pengujian data citra yang hanya berjumlah 12 buah.
Berhubungan dengan metode pengklasifikasian Counterpropagation Neural Network, Rahman & Habib (2016) melakukan klasifikasi untuk mendeteksi cacat pada bahan tekstil secara otomatis dengan memanfaatkan metode tersebut. Akurasi yang diperoleh adalah 100% dalam mendeteksi cacat pada bahan tekstil. Dalam penelitian mereka, akurasi yang diperoleh tersebut jauh lebih tinggi dibandingkan penggunaan ANN (Artificial Neural Network) yang hanya sebesar 77%.
Dalam penelitian ini, pembeda daging sapi dan daging babi adalah tekstur warna yang diperoleh dari proses ekstraksi fitur terhadap citra daging. Selanjutnya, proses image acquisition dijalankan dengan menggunakan mikroskop digital portabel dengan perbesaran 150X untuk mendapatkan tekstur yang lebih jelas dari daging babi dan daging sapi dibandingkan penelitian-penelitian sebelumnya. Peneliti menggunakan metode Counterpropagation Neural Network dalam proses pengklasifikasian daging sapi dan daging babi. Metode ini mampu menangani klasifikasi yang kompleks dengan akurasi yang cukup tinggi, waktu pelatihan yang singkat dan tingkat kompleksitas model yang simpel.
Berdasarkan latar belakang tersebut, penulis mengusulkan sebuah penelitian dengan judul “PENGIMPLEMENTASIAN COUNTERPROPAGATION NEURAL NETWORK DALAM PENGKLASIFIKASIAN CITRA DAGING SAPI DAN DAGING BABI” dengan harapan dapat meningkatkan akurasi dalam klasifikasi citra daging sapi dan daging babi.
1.2 Rumusan Masalah
Banyaknya pedagang yang melakukan kecurangan dengan menjual daging oplosan antara daging sapi dan daging babi sangat merugikan konsumen yang hanya ingin membeli daging sapi. Adanya konsumen yang masih belum mengetahui cara membedakan daging sapi dengan daging babi. Sudah ada beberapa penelitian yang dilakukan untuk menyelesaikan permasalahan ini, tetapi hasil yang diperoleh masih kurang akurat. Oleh karena itu, diperlukan metode yang tepat untuk meningkatkan akurasi dalam pengklasifikasian daging sapi dan daging babi.
1.3 Tujuan Penelitian
Penelitian ini bertujuan untuk menghasilkan sebuah sistem yang dapat mengklasifikasikan 2 jenis daging yaitu daging sapi dan daging babi dengan menggunakan metode klasifikasi Counterpropagation Neural Network secara tepat dan akurat.
1.4 Batasan Masalah
Untuk membuat penelitian ini fokus dalam permasalahan yang diteliti, penulis menetapkan beberapa batasan :
1. Citra masukan diambil menggunakan mikroskop digital 2MP dengan perbesaran 150X.
2. Citra latih dan citra uji memiliki ukuran 640 X 480 piksel.
3. Citra berekstensi JPG.
4. Pelatihan data citra diperoleh dengan ekstraksi fitur warna.
5. Jenis daging sapi dan babi yang dibeli merupakan daging lokal.
6. Bagian daging sapi yang digunakan adalah daging sapi has dalam (tenderloin), has luar (sirloin) dan chuck (paha depan).
7. Bagian daging babi yang digunakan adalah daging bagian paha.
1.5 Manfaat Penelitian
Manfaat yang diperoleh dari penelitian ini adalah :
1. Mengetahui cara pengklasifikasian daging sapi dan daging babi dengan metode Counterpropagation Neural Network (CPNN).
2. Menjadi referensi bagi penelitian selanjutnya yang memiliki masalah penelitian mengenai klasifikasi daging ataupun klasifikasi di bidang lainnya dengan metode Counterpropagation Neural Network (CPNN) sehingga dapat memberikan kontribusi kepada peneliti lainnya.
3. Menghindari kecurangan yang dilakukan oleh pedagang daging yang menjual daging oplosan.
4. Membantu masyarakat dalam membedakan daging sapi dan daging babi sesuai dengan kebutuhan konsumsi.
1.6 Metodologi Penelitian
Tahapan – tahapan yang akan dilakukan dalam pelaksanaan penelitian ini adalah sebagai berikut :
1. Studi Literatur
Pada tahap ini dilakukan pengumpulan dan mempelajari informasi yang diperoleh dari buku, skripsi, jurnal, dan berbagai sumber informasi lainnya yang mendukung penelitian ini.
2. Analisis Permasalahan
Pada tahap selanjutnya dilakukan analisis terhadap berbagai informasi yang telah diperoleh dari berbagai sumber yang terkait dengan penelitian agar didapatkan metode yang tepat untuk menyelesaikan masalah dalam penelitian ini.
3. Perancangan Sistem
Pada tahap ini dilakukan perancangan sistem untuk menyelesaikan permasalahan yang telah dianalisis pada tahap sebelumnya.
4. Implementasi
Pada tahap ini dilakukan implementasi dari analisis sesuai perancangan yang akan dilakukan pada sistem.
5. Pengujian
Pada tahap ini akan dilakukan pengujian dan analisis terhadap sistem Counterpropagation Neural Network yang sudah dibangun guna memastikan identifikasi berjalan sesuai dengan yang diharapkan.
6. Dokumentasi dan penyusunan laporan
Pada tahap ini penulis akan membuat dokumentasi berupa laporan penelitian yang akan memaparkan hasil penelitian yang telah dilakukan.
1.7 Sistematika Penulisan
Sistematika penulisan dari skripsi ini terdiri data lima bagian utama sebagai berikut:
Bab 1: Pendahuluan
Pada bab pendahuluan ini, berisi latar belakang, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian, metodologi penelitian, dan sistematika penulisan.
Bab 2: Landasan Teori
Pada bab ini berisi teori – teori yang digunakan untuk memahami permasalahan yang dibahas pada penelitian ini. Teori – teori yang berhubungan dengan daging, citra, pengolahan citra digital, feature extraction, dan counterpropagation neural network akan dibahas pada bab ini.
Bab 3: Analisa dan Perancangan
Pada bab ini akan menjabarkan arsitektur umum dari penelitian yang dilakukan. Setiap tahap yang dilakukan pada proses preprocessing, proses feature extraction, proses training, proses testing dan perancangan aplikasi yang dibuat dalam penelitian ini akan dijabarkan pada bab ini.
Bab 4: Implementasi dan Pembahasan
Pada bab ini berisi pembahasan tentang implementasi dan perancangan yang telah dijelaskan pada Bab 3. Selain itu, hasil yang didapatkan dari tahap pengujian terhadap implementasi yang dilakukan juga akan dijabarkan pada bab ini.
Bab 5: Kesimpulan dan Saran
Pada bab ini berisi ringkasan serta kesimpulan dari rancangan yang telah dibahas pada Bab 3, serta hasil penelitian yang dijabarkan pada Bab 4. Bagian akhir dari bab ini memuat saran – saran yang diajukan untuk pengembangan penelitian selanjutnya.
BAB 2
LANDASAN TEORI
Bab ini membahas tentang teori penunjang dan penelitian terdahulu yang berhubungan dengan penerapan metode Counterpropagation Neural Network dalam mengklasifikasi citra daging sapi dan daging babi.
2.1 Daging
Daging merupakan jaringan tubuh yang berasal dari berbagai hewan yang dikomsumsi sebagai makanan, yang mengandung jaringan lemak dan otot yang berwarna merah dari hewan seperti sapi, babi, domba, ayam dan sebagainya. Daging mengandung tingkat protein tinggi sekitar 18% yang dibutuhkan oleh tubuh manusia untuk proses metabolisme (McWilliams, 2017).
2.1.1 Daging Sapi
Daging sapi memiliki warna merah yang cerah dan memiliki tekstur yang kejat dan elastis serta memiliki bau yang ringan. Tingkat keputihan lemak yang ada dalam daging sapi sangat penting untuk menentukan kualitas daging secara keseluruhan. Daging sapi dapat dibagi menjadi beberapa bagian termasuk sirloin (daging has luar), tenderloin (daging has dalam), rib eye (daging pada tulang iga/rusuk), dan sebagainya (McWilliams, 2017).
2.1.2 Daging Babi
Daging babi memiliki karateristik yang berbeda dari daging sapi, bau daging babi lebih khas, kenyal dan mudah direnggangkan. Daging babi juga cenderung berair, berwarna lebih pucat dan memiliki lemak yang tebal yang sulit dipisahkan dari dagingnya. Daging babi dibagi menjadi beberapa bagian termasuk pork belly (perut daging babi), jowl (daging di bawah dagu), legs (daging kaki babi), dan sebagainya (McWilliams, 2017).
2.2 Citra (Image)
Citra adalah sebuah representasi (gambaran) dari sebuah objek pada bidang 2 dimensi.
Citra sebagai keluaran suatu sistem perekaman data dapat bersifat 3 hal yaitu optik yang berupa foto, analog berupa gambar pada monitor televisi, ataupun digital yang dapat disimpan pada suatu media penyimpanan yang dihasilkan dari alat elektronik seperti kamera digital, alat pemindai dan sebagainya (Gonzalez & Woods, 2008).
Citra digital merupakan representasi dari gambar nyata yang terdiri dari angka-angka yang dapat diolah dan disimpan dalam komputer digital. Citra gambar digital tersusun atas unit-unit kecil berbentuk kotak yang disebut piksel. Citra digital terbagi menjadi 3 jenis yaitu RGB image, grayscale image, dan binary image (Kumar
& Verma 2010).
2.2.1 Color image (RGB image)
Color Image merupakan citra yang terdiri atas 3 nilai warna yaitu R (Merah), G (Hijau), dan B (Biru) sebagai komponen utama. Masing-masing nilai warna tersebut menggunakan penyimpanan sebesar 8 bit yang berarti citra RGB memerlukan penyimpanan sebesar 24 bit. Contoh color image dapat dilihat pada Gambar 2.1.
(Kumar & Verma, 2010b).
Gambar 2.1 Color image (Kumar & Verma, 2010b)
2.2.2 Grayscale image
Grayscale image merupakan citra yang setiap pikselnya terdiri dari warna gradasi putih sampai hitam. Pada citra grayscale, citra tersebut hanya memerlukan ruang penyimpanan sebesar 8 bit (0-255). Citra ini banyak digunakan dalam pengolahan citra. Salah satu kegunaan citra ini adalah sebagai format citra X-ray dalam bidang kedokteran Contoh dari citra grayscale dapat dilihat pada Gambar 2.2 (Kumar &
Verma 2010).
Gambar 2.2 Grayscale image (Kumar & Verma, 2010b)
2.2.3 Binary image
Binary image merupakan citra yang hanya terdiri atas 2 warna yaitu hitam dan putih, warna tersebut jika direpresentasikan ke dalam angka yaitu 0 (hitam) dan 1 (putih).
Oleh karena itu, ruang penyimpanan yang diperlukan citra biner untuk setiap pikselnya yaitu 1 bit. Binary image mempunyai banyak kegunaan yaitu sebagai teks (dicetak/tulisan tangan), sebagai sidik jari (fingerprint), dan lain sebagainya. Contah binary image dapat dilihat pada Gambar 2.3 (Kusumanto & Tompunu, 2011).
Gambar 2.3 Binary image (Kumar & Verma, 2010b)
2.3 Pengolahan Citra Digital (Digital Image Processing)
Pengolahan citra digital merupakan sebuah metode untuk memproses sebuah citra guna mendapatkan hasil citra dengan kualitas yang lebih baik. Pengolahan citra umumnya digunakan untuk menghilangkan noise yang ada dalam sebuah citra ataupun proses transformasi/pemrosesan lainnya agar citra dapat lebih mudah diproses dalam sebuah komputer (Gonzalez & Woods, 2008).
Beberapa teknik pengolahan citra digital yang digunakan dalam penelitian ini adalah antara lain :
2.3.1 Resizing
Proses resizing merupakan proses yang digunakan untuk mengubah resolusi dari suatu citra serta ukuran horizontal dan ukuran vertikalnya. Proses resizing dapat dilakukan dengan 3 algoritma dalam image processing yaitu antara lain :
2.3.1.1 Nearest Neighbor Scaling
Metode ini merupakan metode yang paling sederhana dan yang paling cepat dari ketiga algoritma proses resizing. Algoritma ini bekerja dengan cara mengganti setiap piksel dengan piksel terdekat dalam output. Misalnya, saat memperbesar gambar yang berukuran 3×3 berwarna merah menjadi 4×4, algoritma ini akan menambah 7 piksel baru yang berwarna merah sebagai piksel baru yang telah ditambahkan. Masalah yang
terdapat dalam algoritma ini yaitu jika pada citra terdapat edge yang penting, maka proses penyempurnaan citra perlu dilakukan.
2.3.1.2 Bilinear
Algoritma ini merupakan algoritma yang lebih baik jika dibandingkan dengan algoritma Nearest Neighbor Scaling. Algoritma ini bekerja dengan menggunakan pendekatan yang sama tetapi memerlukan komputasi yang lebih kompleks dengan menentukan nilai piksel baru berdasarkan rata-rata nilai 4 piksel terdekat.
2.3.1.3 Bicubic Interpolation
Algoritma ini merupakan algoritma yang memerlukan waktu yang lama dalam melakukan proses resizing terhadap suatu citra. Algoritma ini menggunakan 16 piksel sekaligus atau 4×4 untuk menentukan nilai dari piksel yang baru dan hasilnya terlihat lebih halus. Algoritma ini menghasilkan hasil yang terbaik dibandingkan algoritma Nearest Neighbor Scaling dan Bilinear.
2.3.2 Contrast Enhancement
Proses contrast enhancement merupakan metode yang digunakan untuk memperbaiki dan meningkatkan kontras dari sebuah citra yang diproses. Proses ini memanfaatkan batas bawah atau nilai terendah piksel dan batas atas atau nilai tertinggi piksel dari sebuah citra untuk digunakan sebagai variabel dalam menentukan kontras yang tepat suatu citra.
2.4 HSV (Hue, Saturation, Value)
Model warna HSV merepresentasikan ruang warna yaitu hue, saturation, dan value.
Hue menyatakan warna sebenarnya, seperti merah, kuning, dan violet dimana warna- warna adalah bagian dari spektrum warna dalam satuan derajat dengan interval [0,360]. Warna Red berada pada 0o, warna Yellow berada pada 60o, warna Green berada pada 120o, warna Cyan berada pada 180o, warna Blue berada pada 270o, dan warna Magenta berada pada 360o. Konversi nilai Hue dari model warna RGB (normalisasi RGB) ke HSV dapat dilakukan dengan Persamaan 2.1 dan 2.2 (Putra,
H = {
0
60 ×(g−b) S × V
jika S = 0jika V = r
60 × [2 +
(b - r)S × V
] jika V = g 60 × [4 +
( r - g)S × V
] jika V = b
(2.1)
H = H + 360 jika H < 0 (2.2) Dengan keterangan sebagai berikut :
H = nilai Hue pada HSV S = nilai Saturation pada HSV V = nilai Value pada HSV r = nilai red pada rgb g = nilai green pada rgb b = nilai blue pada rgb
Saturation merupakan ukuran dari besarnya kemurnian warna. Saturation bernilai 0-1 dimana 0 menunjukkan nilai abu-abu dan 1 menunjukkan warna primer murni. Konversi nilai Saturation dari model warna RGB (normalisasi RGB) ke HSV dapat dilakukan dengan Persamaan 2.3 (Putra, 2010).
S = {
0 jika V = 0
max(r,g,b) - min(r,g,b)
max(r,g,b)
jika V > 0
(2.3) Dengan keterangan sebagai berikut :S = nilai Saturation pada HSV max(r,g,b) = nilai maksimum pada rgb min(r,g,b) = nilai minimum pada rgb
Value atau intensitas yaitu ukuran kecerahan suatu warna yang memiliki nilai 0%-100%. Apabila nilainya 0 maka warnanya akan menjadi hitam, semakin besar nilai maka semakin cerah dan muncul variasi baru dari warna. Konversi nilai Value model warna RGB (normalisasi RGB) ke HSV dapat dilakukan dengan Persamaan 2.4 (Putra, 2010).
V = max(r, g, b) (2.4) Dengan keterangan sebagai berikut :
V = nilai Value pada HSV
2.5 Counterpropagation Neural Network (CPNN)
Counterpropagation Neural Network merupakan jaringan yang mempelajari pemetaan 2 arah di antara layer input dan layer output. Ketika data disajikan ke layer input untuk menghasilkan klasifikasi pola pada layer output, layer output akan menerima input vector tambahan dan menghasilkan output klasifikasi pada layer input jaringan (Hecht-Nielsen, 2009).
Counterpropagation Neural Network terdiri atas dua buah input layer dan output layer (Grossberg layer) serta sebuah hidden layer (Kohonen layer). Setiap layer di dalam jaringan tersebut terdiri dari sejumlah unit yang dihubungkan dengan bobot-bobot yang berguna untuk menentukan nilai tiap unit pada langkah selanjutnya.
Struktur jaringan CPNN dapat dilihat pada Gambar 8. Counterpropagation Neural Network dibagi menjadi 2 fase pelatihan, yaitu kohonen learning (dari input unit ke hidden unit) dan grossberg learning (dari hidden unit ke output unit).
Fase pelatihan pada jaringan CPNN dibagi menjadi 2 yaitu Kohonen Learning (dari input unit ke hidden unit) dan Grossberg Learning (dari hidden unit ke output unit). Langkah-langkah pelatihan CPNN diawali dengan menginisialisasi bobot dan learning rate kemudian ditetapkan pasangan input x dan y untuk menetapkan aktivasi input dan output ke x dan y. Pada fase pelatihan kohonen, untuk mengubah nilai bobot hanya berlaku pada unit yang menang yang diperoleh dengan cara menghitung jarak antara vektor bobot dengan vektor input yang paling sedikit dengan rumus Euclidian Distance yang dapat dilihat pada Persamaan 2.5.
𝑍𝑗 = ∑(𝑋𝑖− 𝑉𝑖𝑗)2 + ∑(𝑌𝑘− 𝑊𝑘𝑗)2 (2.5) Dengan keterangan sebagai berikut :
𝑍𝑗 = unit pemenang 𝑋𝑖 = input vektor x
𝑉𝑖𝑗 = bobot dari input layer 𝑋𝑖 menuju hidden layer unit 𝑍𝑗 𝑌𝑘 = input vektor y
𝑊𝑘𝑗 = bobot dari input layer 𝑌𝑘 menuju hidden layer unit 𝑍𝑗
Bobot akan diperbarui atau diubah dengan menggunakan Persamaan 2.6 dan Persamaan 2.7 berikut :
𝑉𝑖𝑗 𝑏𝑎𝑟𝑢= (1 − 𝛼) 𝑉𝑖𝑗 𝑙𝑎𝑚𝑎+ 𝛼 𝑋𝑖 𝑖 = 1. . . 𝑛 (2.6) 𝑊𝑘𝑗 𝑏𝑎𝑟𝑢 = (1 − 𝛽) 𝑊𝑘𝑗 𝑙𝑎𝑚𝑎+ 𝛽 𝑌𝑘 𝑘 = 1 … 𝑚 (2.7)
Dengan keterangan sebagai berikut : 𝑉𝑖𝑗 𝑏𝑎𝑟𝑢 = bobot 𝑉𝑖𝑗 baru 𝑉𝑖𝑗 𝑙𝑎𝑚𝑎 = bobot 𝑉𝑖𝑗 lama 𝑊𝑘𝑗 𝑏𝑎𝑟𝑢 = bobot 𝑊𝑘𝑗 baru 𝑊𝑘𝑗 𝑙𝑎𝑚𝑎 = bobot 𝑊𝑘𝑗 lama
Selanjutnya, unit pemenang dari kohonen layer akan dilanjutkan ke dalam grossberg layer. Pada grossberg layer, bobot dari unit pemenang tersebut akan diperbarui lagi bobotnya sehingga mendekati unit input Y. Output unit Y* merupakan pendekatan dari input unit Y sedangkan, X* merupakan pendekatan dari input unit X.
Perhitungan perbaruan pada bobot pada pelatihan grossberg layer dapat dilihat pada Persamaan 2.8 dan Persamaan 2.9 berikut :
𝑇𝑗𝑖 𝑏𝑎𝑟𝑢 = (1 − 𝛽) 𝑇𝑗𝑖 𝑙𝑎𝑚𝑎+ 𝛽 𝑋𝑖 𝑖 = 1. . . 𝑛 (2.8) 𝑈𝑗𝑘 𝑏𝑎𝑟𝑢= (1 − 𝛼) 𝑈𝑗𝑘 𝑙𝑎𝑚𝑎 + 𝛼 𝑌𝑘 𝑘 = 1 … 𝑚 (2.9)
Dengan keterangan sebagai berikut :
𝑇𝑗𝑖 = bobot dari hidden layer 𝑍𝑗 menuju output layer unit X*i 𝑈𝑗𝑘 = bobot dari hidden layer 𝑍𝑗 menuju output layer unit Y*j
𝛼 , 𝛽 = learning rate untuk bobot yang keluar dari hidden layer
Langkah-langkah yang dilakukan dalam pelatihan counterpropagation adalah (Fausett, 1994):
Langkah 1 : Menginisialisasi bobot dan learning rate.
Langkah 2 : Memulai fase pelatihan yang pertama dengan melakukan langkah 3 sampai 8 selama kondisi berhenti untuk fase pertama belum terpenuhi.
Langkah 3 : Lakukan langkah 4 sampai 6 untuk setiap pasangan input x:y.
Langkah 4 : Masukkan vektor input x pada layer X dan vektor input y pada layer Y.
Langkah 5 : Mencari input hidden layer yang menang dengan Persamaan 2.5 yang hasilnya kemudian disimpan sebagai variabel J.
Langkah 6 : Memperbarui (update) bobot untuk unit pemenang dengan menggunakan Persamaan 2.6 dan Persamaan 2.7.
Langkah 7 : Mengurangi learning rate.
Langkah 8 : Memeriksa apakah kondisi berhenti untuk fase pertama sudah terpenuhi atau belum. Kondisi berhenti yang dimaksud adalah kondisi dimana nilai learning rate yang telah dikurangi sudah mencapai nilai yang cukup kecil.
Langkah 9 : Memulai fase pelatihan yang kedua dengan melakukan langkah 10 sampai 16 selama kondisi berhenti untuk fase kedua belum terpenuhi.
Langkah 10 : Lakukan langkah 11 sampai 14 untuk setiap pasangan input x:y Langkah 11 : Masukkan vektor input x pada layer X dan vektor input y pada layer Y.
Langkah 12 : Mencari input hidden layer yang menang dengan Persamaan 2.5 yang hasilnya kemudian disimpan sebagai variabel J.
Langkah 13 : Memperbarui (update) bobot yang masuk dengan menggunakan Persamaan 2.6 dan Persamaan 2.7.
Langkah 14 : Memperbarui (update) bobot yang keluar dari output layer dengan menggunakan Persamaan 2.8 dan Persamaan 2.9.
Langkah 15 : Mengurangi learning rate.
Langkah 16 : Memeriksa apakah kondisi berhenti untuk fase kedua sudah terpenuhi atau belum.
Setelah fase pelatihan, dilanjutkan pada fase pengujian yang mencari pendekatan pasangan input dan output dalam unit X* dan Y* yang dapat dilihat pada Persamaan 2.10 dan Persamaan 2.11. Namun untuk mencari pendekatan pasangan input dan output, diperlukan bobot hasil pada fase pelatihan yang digunakan untuk mencari unit pemenang untuk setiap pasangan X dan Y hingga mendapatkan hasil perhitungan yang mendekati pasangan input.
𝑋∗𝑖= 𝑇𝑗𝑖 (2.10)
𝑌∗𝑘 = 𝑈𝑗𝑘 (2.11)
Dengan keterangan sebagai berikut :
𝑋∗ = hasil perhitungan yang mendekati vektor input X 𝑌∗ = hasil perhitungan yang mendekati vektor input Y
2.6 Penelitian Terdahulu
Beberapa penelitian yang telah dilakukan untuk mengklasifikasi daging babi dengan daging sapi melalui pengolahan citra yaitu antara lain peneliti Wijaya et al. (2017) menggunakan sistem electronic nose yang dirakit menggunakan Arduino microcontroller dan sensor array yang terdiri atas 8 Metal-Oxide Semiconductor sensor gas dalam mengecek bau dan mengklasifikasikan citra daging sapi dan daging babi dengan metode Naive-Bayes melalui pengenalan pola. Namun akurasi yang diperoleh dari pengujian 60 buah sampel daging hanya berkisar 75%. Akurasi dapat ditingkatkan lebih tinggi apabila sampel daging yang digunakan berjumlah lebih banyak.
Handayani et al. (2017) membedakan daging sapi dan daging babi berdasarkan warna dan tekstur dari daging dengan mengekstraksi fitur warna dan membandingkan 3 metode dalam mengekstraksi fitur tekstur dengan Gabor, Principle Component Analysis (PCA), dan Local Binary Pattern (LBP). Selanjutnya, pengklasifikasian dilakukan dengan Probabilistic Neural Network (PNN). Hasil rata- rata akurasi yang didapat dengan metode Gabor sebesar 82,68%, PCA sebesar 93,93% , dan LBP sebesar 84,66%. Proses image acquisition dalam penelitian ini memanfaatkan kamera digital. Akurasi yang diperoleh dengan ketiga metode tersebut dapat lebih ditingkatkan apabila proses image acquisition memanfaatkan mikroskop digital dalam pengambilan citra karena tekstur yang diperoleh dari citra daging akan terlihat lebih jelas.
Lain halnya dengan Asmara et al. (2018) menggunakan metode ekstraksi fitur Grey Level Co-Occurrence Matrix (GLCM) terhadap daging sapi dan daging babi serta ekstraksi warna dari perhitungan mean secara statistikal dari nilai RGB dan mengklasifikasikannya menggunakan Back-Propagation Neural Network. Akurasi
dari penggunaan data latih yang hanya berjumlah 48 citra daging dan data uji yang hanya berjumlah 12 citra daging. Jumlah data latih dan data uji dari penelitian tersebut masih sangat sedikit. Dalam penelitian yang peneliti lakukan, data citra latih yang digunakan berjumlah 4500 buah dan data citra uji berjumlah 500 buah citra pada masing-masing daging dengan berbagai kondisi agar dapat meningkatkan akurasi yang diperoleh secara signifikan.
Sedangkan, Jasril & Sanjaya (2018) dalam penelitian untuk membedakan daging sapi dengan daging babi menggunakan Special Fuzzy C-Means untuk segmentasi, GLCM untuk mengekstraksi fitur ciri dan HSV untuk mengekstraksi fitur warna serta Learning Vector Quantization (LVQ) dalam mengklasifikasikan daging.
Akurasi yang didapatkan dari penelitian ini adalah 91,67%. Namun, data latih dan data uji yang digunakan dalam penelitian ini masing-masing berjumlah 108 buah dan 12 buah citra daging. Data citra ini terdiri atas 3 jenis yaitu citra daging sapi, citra daging babi dan citra daging oplosan. Pengambilan data ini memanfaatkan kamera digital dengan memposisikan objek daging pada area tengah citra, jadi dapat disimpulkan dalam proses klasifikasi pada penelitian ini hanya berfokus pada 1 kondisi citra yaitu bagian tengah citra.
Terkait dengan penggunaan HSV dalam ektraksi fitur warna citra daging, dalam penelitian yang dilakukan oleh Mohd Ali et al. (2013) menunjukkan bahwa penggunaan HSV mempunyai hasil yang lebih baik dalam mendeteksi rambu-rambu lalu lintas, hasil kesuksesan dalam pendeteksian yang diperoleh dalam menggunakan HSV adalah 80%-88% dibandingkan RGB yang berkisar 51%-77%. Dapat disimpulkan bahwa HSV merupakan metode yang tepat untuk ekstraksi fitur warna dalam penelitian ini.
Berhubungan dengan metode pengklasifikasian Counterpropagation Neural Network, Rahman & Habib (2016) melakukan klasifikasi untuk mendeteksi cacat pada bahan tekstil secara otomatis dengan memanfaatkan metode tersebut. Akurasi yang diperoleh adalah 100% dalam mendeteksi cacat pada bahan tekstil. Dalam penelitian mereka, akurasi yang diperoleh tersebut jauh lebih tinggi dibandingkan penggunaan ANN(Artificial Neural Network) yang hanya sebesar 77%.
Berdasarkan penelitian terdahulu dalam perbandingan ekstraksi fitur warna
lebih sesuai dalam mengolah citra daging yang diambil dengan menggunakan mikroskop digital agar tekstur citra daging terlihat lebih jelas. Metode pengklasifikasian Counterpropagation Neural Network dibuktikan dalam penelitian yang dilakukan oleh Rahman & Habib (2016) memperoleh akurasi yang lebih tinggi dibandingkan Artificial Neural Network. Oleh karena itu, untuk mengklasifikasikan citra daging, Counterpropagation Neural Network merupakan metode yang memiliki performa yang bagus dalam pengolahan jumlah data yang besar.
Penelitian terdahulu yang menjadi referensi penelitian ini dirangkum dalam tabel 2.1 yang dapat dilihat di bawah ini:
Tabel 2.1 Penelitian Terdahulu
No Judul Peneliti Tahun Keterangan
1. Electronic nose for classifying beef
and pork using Naïve Bayes
Dedy Rahman Wijaya
Riyanato Sarno
Aldhiaz Fathra Daiva
2017 IEEE
Klasifikasi menggunakan metode
Naive-Bayes dengan akurasi mencapai 75%
2. Comparison of target Probabilistic
Neural network (PNN) classification for
beef and pork
Lestari Handayani
Jasril
Elvia Budianita
Winda Oktista
Rizki Hadi
Denanda Fattah
Rado Yendra
Ahmad Fudholi
2017 Elsevier
Ekstraksi fitur tekstur menggunakan Gabor, Principle Component Analysis (PCA), dan Local Binary Pattern
(LBP). Klasifikasi menggunakan Probabilistic Neural
Network (PNN).
Tabel 2.1 Penelitian Terdahulu (Lanjutan)
No. Judul Peneliti Tahun Keterangan
3. Classification of pork and beef meat
images using extraction of color and texture feature by Grey Level Co- Occurrence Matrix
method
R. A. Asmara
R. Romario
K. S. Batubulan
E. Rohadi
I. Siradjuddin
F. Ronilaya
R. Ariyanto
C. Rahmad
F. Rahutomo
2018 IOP
Ekstraksi fitur tekstur menggunakan Grey Level Co-Occurence
Matrix (GLCM).
Klasifikasi menggunakan Back- Propagation Neural
Network dan mencapai akurasi
89,57%.
4. Learning Vector Quantization 3 (LVQ3) and Spatial
Fuzzy C-Mean (SFCM) for Beef
and Pork Image Classification
Jasril
Suwanto Sanjaya
2018 IJAIDM
Segmentasi menggunakan Spatial
Fuzzy C-Means.
Ekstraksi fitur tekstur menggunakan GLCM
dan warna menggunakan HSV.
Klasifikasi menggunakan metode
Learning Vector Quantization (LVQ)
dan memperoleh akurasi 91,67%.
Tabel 2.1 Penelitan Terdahulu (Lanjutan)
No. Judul Peneliti Tahun Keterangan
5. Performance Comparison between RGB and
HSV Color Segmentations for
Road Signs Detection
Nursabilah Mohd Ali
Nahrul Khair Alang Md Rashid
Yasir Mohd Mustafah
2013 Scientific.Net
Dengan membandingkan metode RGB dan
HSV dalam mengekstraksi fitur
warna, dapat disimpulkan bahwa HSV memiliki tingkat
kesuksesan dalam mendeteksi rambu- rambu lalu lintas berkisar 80%-88%,
sedangkan RGB hanya memperoleh akurasi berkisar dari
51%-77%.
6. A Preprocessed Counterpropagation
Neural Network Classifier for Automated Textile
Defect Classification
Mokhlesur Rahman
Tarek Habib
2016 JIII
Klasifikasi cacat pada bahan tekstil menggunakan metode
Counterpropagation Neural Network
(CPNN) dan memperoleh akurasi 100% dibandingkan dengan penggunaan metode Artificial
Neural Network (ANN) yang memperoleh akurasi
77%.
BAB 3
ANALISIS DAN PERANCANGAN
Bab ini membahas tentang analisis dan perancangan dalam aplikasi klasifikasi citra daging sapi dan daging babi. Tahap pertama yaitu analisis data yang digunakan, analisis dengan menggunakan beberapa tahapan pengolahan citra yang digunakan, kemudian implementasi metode Counterpropagation Neural Network dalam pengklasifikasian citra daging sapi dan daging babi. Selain itu, bab ini juga membahas tentang proses training dan testing.
3.1 Data yang digunakan
Dalam penelitian ini, data yang digunakan dibagi menjadi 2, yaitu data training dan data testing. Data training digunakan dalam proses learning, sedangkan data testing digunakan untuk proses pengujian hasil learning. Data yang digunakan dalam penelitian ini diperoleh dengan cara pembelian daging dari berbagai pasar tradisional di Medan sebanyak 5 kali dalam waktu yang berbeda. Data training dan testing diambil dengan menggunakan mikroskop digital dan disimpan dalam format JPG (Joint Photographic Experts Assemble). Jumlah data training yang dikumpulkan berjumlah 4500 citra, sedangkan untuk data testing, citra yang telah dikumpulkan berjumlah sebanyak 500 citra. Jumlah data seluruhnya berjumlah sebanyak 5000 citra.
3.2 Analisis Sistem
Proses klasifikasi citra daging sapi dan daging babi dilakukan dalam beberapa langkah.
Langkah – langkah tersebut adalah image acquisition, image preprocessing, feature extraction dan klasifikasi menggunakan Counterpropagation Neural Network. Setiap langkah yang dilakukan akan dijelaskan lebih terperinci pada bagian – bagian selanjutnya. Adapun arsitektur umum yang menggambarkan metodologi pada penelitian ini dapat ditunjukkan pada Gambar 3.1.
Image Acquisition
Meat Sample
Training Data
Testing Data USB Portable
Microscope
Zoom 150x Meat Data Acquisition
Meat Sample Image
Image Preprocessing
Contrast Enhancement
Feature Extraction
Output Classification
Resizing
HSV(Hue, Saturation, Value) Counter Propagation
Neural Network Meat Type Result
Training
Testing
Gambar 3.1 Arsitektur Umum
3.2.1 Image Acquisition
Tahapan ini merupakan tahap pengumpulan data citra daging sapi dan daging babi yang digunakan sebagai input awal dari sistem ini. Data training dan testing dari sistem ini diambil dari daging sapi dan daging babi yang sudah diperoleh dari Pasar
Selanjutnya, daging dipotong menjadi bentuk kubus dengan ukuran ±3×3×3 cm.
Proses image acquisition dilakukan dengan memanfaatkan mikroskop digital dengan perbesaran 150× dan disimpan dalam JPG (Joint Photographic Experts Assemble).
Contoh citra daging sapi dan daging babi yang diperoleh dapat dilihat pada Gambar 3.2 dan Gambar 3.3.
Gambar 3.2 Citra daging sapi
Gambar 3.3 Citra daging babi
3.2.2 Image Preprocessing
Tahap preprocessing merupakan tahap pengolahan citra agar dapat menghasilkan citra yang lebih baik untuk diproses di tahap selanjutnya. Tahap preprocessing ini terdiri dari resizing dan contrast enhancement.
3.2.2.1 Resizing
Tahapan pertama dari preprocessing adalah dengan melakukan resizing. Resizing diperlukan untuk mengubah citra yang ukuran awalnya 640 × 480 piksel menjadi 300
penelitian ini, proses resizing dilakukan dengan menggunakan library yang disediakan oleh MATLAB. Citra daging sapi dan daging babi setelah proses resizing dapat dilihat pada Gambar 3.4 dan Gambar 3.5.
Gambar 3.4 Citra daging sapi setelah proses resizing
Gambar 3.5 Citra daging babi setelah proses resizing
3.2.2.2 Contrast Enhancement
Setelah proses resizing, data training dan testing akan melalui proses contrast enhancement. Pada penelitian ini, contrast enhancement bertujuan untuk meningkatkan nilai kontras yang ada pada citra sehingga citra tampak lebih jelas dan mengurangi noise yang ada pada citra. Proses contrast enhancement dilakukan dengan memanfaatkan library yang disediakan oleh MATLAB. Citra daging sapi dan daging babi setalah proses contrast enhancement dapat dilihat pada Gambar 3.6 dan Gambar 3.7.
Gambar 3.6 Citra daging sapi setelah proses contrast enhancement
Gambar 3.7 Citra daging babi setelah proses contrast enhancement
3.2.3 Feature Extraction
Setelah melalui proses image preprocessing, data training dan testing akan melalui proses feature extraction. Pada penelitian ini, fitur yang akan diekstraksi adalah fitur warna dengan cara mengkonversi model warna citra dari RGB (Red, Green, Blue) menjadi HSV (Hue, Saturation, Value). Proses konversi citra menjadi HSV memanfaatkan library yang disediakan oleh MATLAB. Ekstraksi fitur HSV pada citra daging sapi dan daging babi yang terlihat berbeda secara signifikan terdapat pada nilai hue dan value. Maka dari itu, nilai hue dan value akan dihitung nilai rata-ratanya.
Nilai tersebut kemudian akan digunakan sebagai input dari proses training dalam penelitian ini. Nilai piksel citra sebelum proses ekstraksi fitur serta nilai hue dan value dari setiap piksel citra setelah proses ekstraksi fitur dapat dilihat pada Tabel 3.1, Tabel 3.2, dan Tabel 3.3.
Tabel 3.1 Nilai piksel citra sebelum proses ekstraksi fitur
1 2 3 4 5 ... 298 299 300
1 226 219 219 214 206 ... 199 164 199
2 221 219 219 214 209 ... 249 216 199
3 226 216 214 204 204 ... 249 255 207
4 224 216 214 209 229 ... 244 234 174
5 214 214 214 211 231 ... 211 209 236
... ... ... ... ... ... ... ... ... ...
298 239 229 206 224 239 ... 206 209 211
299 224 226 204 216 226 ... 211 211 214
300 241 216 201 209 211 ... 211 216 221
Tabel 3.2 Nilai hue dari piksel citra setelah proses ekstraksi fitur
1 2 3 4 5 ... 298 299 300
1 0.1125 0.1264 0.1288 0.1299 0.1190 ... 0.1192 0.0930 0.1000 2 0.1129 0.1224 0.1367 0.1370 0.1129 ... 0.1283 0.1646 0.1189 3 0.1107 0.1227 0.1296 0.1263 0.1082 ... 0.1584 0.1353 0.1376 4 0.1093 0.1242 0.1313 0.1273 0.1167 ... 0.1460 0.1491 0.1473 5 0.1116 0.1302 0.1342 0.1352 0.1135 ... 0.1477 0.1517 0.1548
... ... ... ... ... ... ... ... ... ...
298 0.1226 0.1189 0.1333 0.1396 0.1538 ... 0.1208 0.1226 0.1200 299 0.1174 0.1230 0.1383 0.1466 0.1548 ... 0.1192 0.1162 0.1190 300 0.1166 0.1200 0.1367 0.1463 0.1622 ... 0.1161 0.1133 0.1189
Setelah mendapatkan nilai hue dari setiap piksel citra dalam proses ekstraksi fitur, langkah selanjutnya adalah untuk menentukan mean dari hue setiap piksel citra dengan perhitungan sebagai berikut:
𝑴𝒆𝒂𝒏 =0.1125 + 0.1264 + 0.1288 + 0.1299 + ⋯ + 0.1161 + 0.1133 + 0.1189 300 × 300
𝑴𝒆𝒂𝒏 = 0.1125 + 0.1264 + 0.1288 + 0.1299 + ⋯ + 0.1161 + 0.113 + 0.1189 90000
𝑴𝒆𝒂𝒏 = 0.1208
Tabel 3.3 Nilai value dari piksel citra setelah proses ekstraksi fitur
1 2 3 4 5 ... 298 299 300
1 0.8471 0.7412 0.7020 0.7490 0.5451 ... 0.8784 0.9255 0.6118 2 0.8471 0.7804 0.5843 0.8392 0.9647 ... 1.0000 1.0000 0.6314 3 0.8471 0.7804 0.6235 0.8275 0.9843 ... 1.0000 0.8588 0.4941 4 0.8392 0.7412 0.6314 0.5451 0.7608 ... 0.8078 0.5922 0.5059 5 0.8196 0.7216 0.8863 0.8196 0.9451 ... 0.6510 0.5843 0.5529
... ... ... ... ... ... ... ... ... ...
298 0.7294 0.7882 0.7294 0.7608 0.8784 ... 0.7216 0.7294 0.8196 299 0.7490 0.7294 0.6706 0.8392 0.8784 ... 0.7294 0.7294 0.7412 300 0.7216 0.7686 0.7216 0.7686 0.7098 ... 0.7686 0.8392 0.9451
Setelah mendapatkan nilai value dari setiap piksel citra dalam proses ekstraksi fitur, langkah selanjutnya adalah untuk menentukan mean dari value setiap piksel citra dengan perhitungan sebagai berikut:
𝑴𝒆𝒂𝒏 =0.8471 + 0.7412 + 0.7020 + 0.7490 + ⋯ + 0.8784 + 0.9255 + 0.6118 300 × 300
𝑴𝒆𝒂𝒏 = 0.8471 + 0.7412 + 0.7020 + 0.7490 + ⋯ + 0.8784 + 0.9255 + 0.6118 90000
𝑴𝒆𝒂𝒏 = 0.7295
3.2.4 Counterpropagation Neural Network (CPNN)
Tahap berikutnya setelah proses ekstraksi fitur adalah melakukan klasifikasi pada citra daging sapi dan daging babi. Pada penelitian ini, metode yang digunakan untuk proses identifikasi adalah metode Counterpropagation Neural Network. Pelatihan ini dilakukan untuk mencari nilai bobot yang akan digunakan pada proses testing data.
3.2.4.1 Pembuatan Model
Pada tahap ini, dilakukan pembuatan model Counterpropagation Neural Network.
Pada tahap pembuatan model ini, terdapat beberapa parameter yang diperlukan yaitu antara lain jumlah neuron, epochs, initialisation of weights, learning rate dan final learning rate.
3.2.4.2 Penentuan jumlah neuron
Pada penelitian ini, penentuan jumlah neuron tidak menggunakan perhitungan khusus.
Jumlah neuron ditentukan dengan teknik trial and error untuk mendapatkan hasil yang maksimal. Jumlah neuron yang digunakan pada penelitian ini adalah sebanyak 10,20,40,60, dan 90 neuron.
3.2.4.3 Penentuan epochs
Epochs adalah berapa kali setiap sampel dikenalkan pada jaringan. Jumlah epochs yang semakin tinggi akan semakin bagus sehingga mempengaruhi hasil identifikasi.
Jumlah epochs yang digunakan pada penelitian ini adalah 100.
3.2.4.4 Penentuan initialisation of weights
Initialisation of weights mendefinisikan inisialisasi bobot. Bobot dalam penelitian ini dapat diinisialisasi secara acak antara 0,1 dan 0,9 atau berdasarkan vektor eigen yang disesuaikan dengan dua komponen utama data input. Pada penelitian ini, inisialisasi bobot ditetapkan secara default yaitu random.
3.2.4.5 Penentuan learning rate
Learning rate merupakan nilai yang berupa angka positif antara nilai 0,1 dan 0,9. Pada penelitian ini, nilai learning rate yang dipakai adalah 0,2.
3.2.4.6 Penentuan final learning rate
Final learning rate merupakan angka positif yang bernilai di antara 0 sampai dengan nilai learning rate. Pada penelitian ini, nilai dari final learning rate ditentukan secara default yaitu 0,01.
3.2.4.7 Training
Proses training dilakukan setelah semua pemrosesan citra dan proses ekstraksi fitur selesai dilakukan. Nilai input dalam metode counterpropagation merupakan hasil dari ekstraksi fitur citra dalam bentuk matrix.
Tahap pertama dari perhitungan metode counterpropagation adalah dengan menginisialisasi bobot dan learning rate serta memasukkan dan menetapkan input X dan Y sebagai aktivasi output X dan Y. Kemudian, unit pemenang diperoleh dengan melakukan perhitungan dengan menggunakan Persamaan 2.5.
Setelah memperoleh unit pemenang, bobot unit pemenang yang masuk ke input layer akan diperbarui dengan menggunakan Persamaan 2.6 dan Persamaan 2.7.
Kemudian langkah selanjutnya adalah mengulangi perhitungan unit pemenang menggunakan bobot yang telah diperbarui dan mengulangi perhitungan pembaruan bobot unit pemenang yang masuk ke input layer menggunakan unit pemenang yang diperoleh pada perulangan kedua. Langkah-langkah fase pelatihan adalah sebagai berikut :
Langkah 1 : Menginisialisasi bobot dan learning rate.
𝑣 = [0.1 0.2
0.4 0.6] , 𝑤 = [0.2 0.4 0.7 0.8] α = β = 0.2
Langkah 2 : Mulai fase pelatihan pertama.
Langkah 3 : Pasangan vektor input x dan y.
x = (1,0) dan y = (1,1)
Langkah 4 : Tetapkan aktivasi input dan output x dan y.
Langkah 5 : Menghitung unit pemenang dengan Persamaan 2.5.
𝑍𝑗 = ∑(𝑋𝑖− 𝑉𝑖𝑗)2 + ∑(𝑌𝑘− 𝑊𝑘𝑗)2
𝑧1 = (1 − 0.1)2+ (0 − 0.4)2+ (1 − 0.2)2 + (1 − 0.7)2 𝑧1 = 0.81 + 0.36 + 0.64 + 0.09
𝑧1 = 1.9
𝑧2 = (1 − 0.2)2+ (0 − 0.6)2+ (1 − 0.4)2+ (1 − 0.8)2 𝑧2 = 0.64 + 0.16 + 0.36 + 0.04
𝑧2 = 1.2
𝑧2 < 𝑧1 maka unit pemenang adalah 𝑧2 , 𝐽 = 2
Langkah 6 : Memperbarui bobot unit pemenang dengan Persamaan 2.6 dan 2.7.
𝑉𝑖𝑗 𝑏𝑎𝑟𝑢= (1 − 𝛼) 𝑉𝑖𝑗 𝑙𝑎𝑚𝑎+ 𝛼 𝑋𝑖 𝑖 = 1 … 2 𝑉12 𝑏𝑎𝑟𝑢 = (1 − 0.2)0.2 + (0.2)1
𝑉12 𝑏𝑎𝑟𝑢 = 0.36
𝑉22 𝑏𝑎𝑟𝑢= (1 − 0.2)0.6 + (0.2)0 𝑉22 𝑏𝑎𝑟𝑢= 0.48
Juga, 𝑊𝑘𝑗 𝑏𝑎𝑟𝑢 = (1 − 𝛽) 𝑊𝑘𝑗 𝑙𝑎𝑚𝑎+ 𝛽 𝑌𝑘 𝑘 = 1 … 2 𝑊12 𝑏𝑎𝑟𝑢= (1 − 0.2)0.4 + (0.2)1
𝑊12 𝑏𝑎𝑟𝑢 = 0.52
𝑊22 𝑏𝑎𝑟𝑢 = (1 − 0.2)0.8 + (0.2)1 𝑊22 𝑏𝑎𝑟𝑢 = 0.84
Pada iterasi pertama, bobot yang diperbarui adalah sebagai berikut : 𝑣 = [0.1 0.36
0.4 0.48] , 𝑤 = [0.2 0.52 0.7 0.84] Langkah 7 : Mulai fase pelatihan dengan iterasi kedua.
Langkah 8 : Menghitung unit pemenang dengan Persamaan 2.5.
𝑧1 = (1 − 0.1)2+ (0 − 0.4)2+ (1 − 0.2)2 + (1 − 0.7)2 𝑧1 = 1.9
𝑧 = (1 − 0.36)2+ (0 − 0.48)2+ (1 − 0.52)2+ (1 − 0.84)2
𝑧2 = 0.4096 + 0.2304 + 0.2304 + 0.0256 𝑧2 = 0.896
𝑧2 < 𝑧1 maka unit pemenang adalah 𝑧2
Langkah 9 : Memperbarui bobot yang masuk ke 𝑧𝑗 dengan Persamaan 2.6 dan 2.7.
𝑉12 𝑏𝑎𝑟𝑢 = (1 − 0.2)0.36 + (0.2)1 𝑉12 𝑏𝑎𝑟𝑢 = (0.8)0.36 + 0.2
𝑉12 𝑏𝑎𝑟𝑢 = 0.488
𝑉22 𝑏𝑎𝑟𝑢= (1 − 0.2)0.48 + (0.2)0 𝑉22 𝑏𝑎𝑟𝑢= 0.384
𝑊12 𝑏𝑎𝑟𝑢= (1 − 0.2)0.52 + (0.2)1 𝑊12 𝑏𝑎𝑟𝑢 = 0.616
𝑊22 𝑏𝑎𝑟𝑢 = (1 − 0.2)0.84 + (0.2)1 𝑊22 𝑏𝑎𝑟𝑢 = 0.872
Langkah 10 : Memperbarui bobot yang keluar dari 𝑧𝑗 ke output layer dengan Persamaan 2.8 dan 2.9 dengan inisialisasi bobot awal sebagai berikut :
𝑡 = [0.1 0.5
0.3 0.4] , 𝑢 = [0.1 0.3 0.5 0.7]
𝑇𝑗𝑖 𝑏𝑎𝑟𝑢 = (1 − 𝛽) 𝑇𝑗𝑖 𝑙𝑎𝑚𝑎+ 𝛽 𝑋𝑖 𝑖 = 1 … 2 𝑡12 𝑏𝑎𝑟𝑢 = (1 − 0.2)0.5 + (0.2)1
𝑡12 𝑏𝑎𝑟𝑢 = (0.8)0.5 + 0.2 𝑡12 𝑏𝑎𝑟𝑢 = 0.6
𝑡22 𝑏𝑎𝑟𝑢= (1 − 0.2)0.4 + (0.2)0 𝑡22 𝑏𝑎𝑟𝑢= 0.32
Juga, 𝑈𝑗𝑘 𝑏𝑎𝑟𝑢 = (1 − 𝛼) 𝑈𝑗𝑘 𝑙𝑎𝑚𝑎+ 𝛼 𝑌𝑘 𝑘 = 1 … 2
𝑈12 𝑏𝑎𝑟𝑢= (1 − 0.2)0.3 + (0.2)1 𝑈12 𝑏𝑎𝑟𝑢 = 0.44
𝑈22 𝑏𝑎𝑟𝑢= (1 − 0.2)0.7 + (0.2)1 𝑈22 𝑏𝑎𝑟𝑢= 0.76
Sehingga bobot akhir menuju output layer adalah : 𝑡 = [0.1 0.6
0.3 0.32] , 𝑢 = [0.1 0.44 0.5 0.76]
Hasil dari proses ini merupakan structure yang merepresentasikan parameter yang digunakan untuk membentuk model, bobot Kohonen, bobot output, true class vector, calculated class vector dan output weights yang kemudian akan dimasukkan dalam tahap pengujian.
3.2.4.8 Testing
Testing merupakan tahap pengujian dari model yang telah dibentuk pada proses training sebelumnya. Tahap ini dilakukan untuk mengetahui seberapa efektif metode Counterpropagation Neural Network diterapkan pada sistem klasifikasi citra daging sapi dan daging babi.
3.2.4.9 Output
Hasil akhir atau output pada penelitian ini akan berupa informasi non error rate dan error rate serta accuracy pada proses training dan hasil klasifikasi citra daging sapi dan daging babi pada proses testing.
3.3 Perancangan antarmuka sistem
Perancangan antar muka sistem dilakukan untuk mendeskripsikan gambaran dari sistem klasifikasi citra daging sapi dan daging babi. Pada tahap perancangan antar muka sistem ini terdapat 3 menu yaitu home, training, dan testing.
3.3.1 Rancangan Tampilan Home
Tampilan Home merupakan tampilan halaman awal dari sistem pada saat pertama kali dijalankan. Rancangan tampilan Home dapat dilihat pada Gambar 3.9.
Classification of Beef and Pork Image
Logo USU Logo Program
Training Data Testing Data
Gambar 3.9 Rancangan Tampilan Home
Adapun rincian dari rancangan tampilan halaman home adalah sebagai berikut :
Nama aplikasi, menunjukkan nama aplikasi.
Tombol training, merupakan tombol yang menavigasikan aplikasi ke halaman training.
Tombol testing, merupakan tombol yang menavigasikan aplikasi ke halaman testing.
3.3.2 Rancangan Tampilan Training
Tampilan training merupakan tampilan dari halaman yang digunakan untuk melakukan proses training data. Pada halaman training ini, terdapat 2 panel untuk masing-masing proses yaitu ekstraksi fitur dan training. Rancangan dari tampilan halaman training dapat dilihat pada Gambar 3.10.
Gambar 3.10 Rancangan Tampilan Training
Adapun rincian dari rancangan tampilan halaman training adalah sebagai berikut :
Nama aplikasi, menunjukkan nama aplikasi
Menu File, merupakan menu yang berisi fungsi-fungsi untuk proses training yaitu choose data untuk memilih dataset yang digunakan untuk proses training, choose class untuk memilih class yang berhubungan dengan dataset yang diproses, save model untuk menyimpan hasil model jaringan dari proses training, clear data untuk menghapus dataset yang sudah dipilih, dan clear model untuk menghapus hasil model jaringan dari proses training.
