BACKPROPAGATION NEURAL NETWORK
SKRIPSI
NURUL FATIHAH
111402035
PROGRAM STUDI S1 TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
MEDAN
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah Sarjana Teknologi Informasi
NURUL FATIHAH 111402035
PROGRAM STUDI S1 TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA
MEDAN 2016
PERSETUJUAN
Judul : IDENTIFIKASI JENIS KAYU TROPIS
MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK
Kategori : SKRIPSI
Nama : NURUL FATIHAH
Nomor Induk Mahasiswa : 111402035
Program Studi : S1 TEKNOLOGI INFORMASI Departemen : TEKNOLOGI INFORMASI
Fakultas : ILMU KOMPUTER DAN TEKNOLOGI INFORMASI Komisi Pembimbing :
Pembimbing 2 Pembimbing 1
Luthfi Hakim, S.Hut., M.Si Baihaqi Siregar, S.Si., M.T NIP. 19791017 200312 1 002 NIP. 1979108 201212 1 002
Diketahui/disetujui oleh
Program Studi S1 Teknologi Informasi Ketua,
PERNYATAAN
IDENTIFIKASI JENIS KAYU TROPIS MENGGUNAKAN
BACKPROPAGATION NEURAL NETWORK
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil karya saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya.
Medan, 28 Januari 2016
Nurul Fatihah 111402035
PENGHARGAAN
Puji syukur penulis ucapkan ke hadirat Allah SWT yang telah memberikan rahmat dan hidayah-Nya sehingga penulis dapat menyelesaikan skripsi ini sebagai syarat untuk memperoleh gelar Sarjana Teknologi Informasi.
Pertama, penulis mengucapkan terima kasih kepada orang tua penulis yaitu Ayahanda Irwan Affandi, S.E. dan Ibunda Andayani Astati, S.E., adik penulis yaitu Nabila Chairin dan M. Nadhin Arief beserta seluruh keluarga besar penulis yang telah memberikan dukungan dan doa sehingga penulis dapat menyelesaikan skripsi ini.
Penulis tentunya mengucapkan terima kasih kepada Bapak Baihaqi Siregar, S.Si, M.T selaku Dosen Pembimbing I dan Bapak Luthfi Hakim, S.Hut, M.Si selaku Dosen Pembimbing II yang telah membimbing penulis dalam menyelesaikan skripsi ini. Penulis juga mengucapkan terima kasih kepada Bapak Prof. Dr. Opim Salim Sitompul, M.Sc selaku Dosen Pembanding I, Bapak Romi Fadillah Rahmat, B.Comp.Sc, M.Sc selaku Dosen Pembanding II yang telah memberikan kritik dan saran dalam penyempurnaan skripsi ini. Terima kasih penulis ucapkan kepada Ketua dan Sekretaris Program Studi S1 Teknologi Informasi, Dekan dan Pembantu Dekan Fakultas Ilmu Komputer dan Teknologi Informasi, dan seluruh dosen serta staff kepegawaian di lingkungan Program Studi S1 Teknologi Informasi yang telah membantu dan membimbing penulis selama waktu perkuliahan.
Terima kasih penulis ucapkan kepada teman – teman penulis yang selalu memberikan dukungan dan semangat, Arifin Ahmad Adli Siregar, Safrina, Dina Fadhillah, Kak Ulfi, Tengku Chairunnisa, Ayuni, Adinda, Nur Azizah, Roya, Shabrina, Abidah, Nugha, Indera, Bang Fay, Ismed, Ruang Delapan, Udin, Hans, Erick, Dhany, Imam, Ryan, Roy, Ade, serta seluruh teman-teman angkatan 2011 dan teman-teman mahasiswa Teknologi Informasi lainnya. Semoga Allah SWT membalas kebaikan kalian.
ABSTRAK
Setiap jenis kayu memiliki karakteristik yang berbeda sehingga identifikasi jenis kayu sangat dibutuhkan terutama bagi pihak yang memiliki keperluan untuk mengetahui jenis kayu. Namun, tidak semua orang memiliki keahlian dalam mengidentifikasi jenis kayu sehingga kebutuhan terhadap orang yang ahli dalam mengidentifikasi jenis kayu sangat penting. Akan tetapi, ketersediaan pakar kayu sangat terbatas. Selain itu, identifikasi jenis kayu secara manual oleh para ahli kayu dinilai kurang efisien karena membutuhkan waktu yang banyak. Untuk mengatasi masalah tersebut, maka dibutuhkan metode untuk mengidentifikasi jenis kayu. Pada penelitian ini, backpropagation neural network digunakan sebagai metode identifikasi jenis kayu tropis. Tahap – tahap yang dilakukan sebelum identifikasi adalah akuisisi citra dengan mikroskop, pra-pengolahan, ekstraksi fitur menggunakan gray level co-occurrence matrix dan normalisasi data hasil ekstraksi fitur menggunakan decimal scaling. Hasil
penelitian menunjukkan bahwa metode yang diajukan mampu melakukan identifikasi kayu dengan akurasi sebesar 94%.
Kata kunci: backpropagation neural network, decimal scaling, gray level co-occurrence matrix, identifikasi kayu.
TROPICAL WOOD SPECIES IDENTIFICATION USING BACKPROPAGATION NEURAL NETWORK
ABSTRACT
Each species of wood has different characteristics so that the wood species identification is needed, especially for those who have a need to know the species of wood. However, not everyone has the expertise in identifying the wood species so that the need for people skilled in wood species identification is very important. But, the availability of wood experts is very limited. In addition, the identification of wood species manually by wood experts is inefficient because it requires a lot of time. To overcome these problems, so the method to identify the wood species is required. In this research, backpropagation neural network was used as a identification method of tropical wood species. The steps taken before the identification were image acquisition using microscope, pre-processing, feature extraction using gray level co-occurrence matrix and data normalization of feature extraction results using the decimal scaling. The result showed that proposed method was able to perform the wood identification with an achieve 94% accuracy.
DAFTAR ISI
1.6. Metodologi Penelitian 3
1.7. Sistematika Penulisan 4
BAB 2 LANDASAN TEORI 6
2.1. Identifikasi Jenis Kayu 6
2.2. Pengenalan Dasar Citra 9
2.2.1. Citra biner (binary image) 10
2.2.2. Citra skala keabuan (grayscale image) 11
2.2.3. Citra berwarna (color image) 12
2.3. Pengolahan Citra Digital 12
2.3.1. Scaling 12
2.3.2. Grayscalling 13
2.4. Ekstraksi Fitur denganGray Level Co-occurrence Matrix 14
2.4.1. Energy 17
2.4.2. Entropy 18
2.4.3. Contrast 18
2.4.4. Inverse Difference Moment 18
2.4.5. Correlation 18
2.5. Normalisasi Data 19
2.5.1. Normalisasi Min-Max 19
2.5.2. Normalisasi Z-Score 20
2.5.3. Normalisasi Decimal Scaling 20
2.6. Jaringan Saraf Tiruan 20
2.6.1. Fungsi aktivasi 22
2.6.2. Backpropagation 23
2.7. Penelitian Terdahulu 26
BAB 3 ANALISIS DAN PERANCANGAN 29
3.1. Arsitektur Umum 29
3.2. Akuisisi Citra 31
3.3. Data yang Digunakan 31
3.4. Pra-Pengolahan 32
3.4.1. Memperkecil ukuran citra (Scaling) 32
3.4.2. Pembentukan citra aras keabuan (Grayscaling) 32
3.5. Ekstraksi Fitur 33
3.5.1. Pembentukan GLCM 34
3.5.2. Ekstraksi nilai fitur 37
3.6. Normalisasi Data 40
3.7. Klasifikasi Menggunakan Jaringan Saraf Tiruan Backpropagation 43
3.7.1. Tahap perancangan arsitektur jaringan saraf tiruan
backpropagation 43
3.7.2. Tahap pelatihan backpropagation 45
3.7.3. Tahap pengujian backpropagation 49
3.8. Perancangan Sistem 52
3.8.1. Perancangan database 52
3.8.3. Perancangan tampilan antarmuka sistem 57
BAB 4 IMPLEMENTASI DAN PENGUJIAN 61
4.1. Implementasi Sistem 61
4.1.1. Spesifikasi perangkat keras dan perangkat lunak 61
4.1.2. Implementasi perancangan antarmuka sistem 61
4.1.3. Implementasi data 63
4.2. Prosedur Operasional 66
4.2.1. Prosedur operasional pada halaman pelatihan citra 67
4.2.2. Prosedur operasional pada halaman pengujian citra 71
4.3. Pengujian Sistem 72
BAB 5 KESIMPULAN DAN SARAN 76
5.1. Kesimpulan 76
5.2. Saran 76
DAFTAR PUSTAKA 77
DAFTAR TABEL
Hlm.
Tabel 2.1. Penelitian terdahulu 26
Tabel 3.1. Contoh nilai hasil ekstraksi fitur GLCM 36
Tabel 3.2. Data fitur sebelum dinormalisasi 41
Tabel 3.3. Data fitur sesudah dinormalisasi 42
Tabel 3.4. Target keluaran jaringan backpropagation 43
Tabel 3.5. Input dan Target 46
Tabel 3.6. Bobot Awal Vji 47
Tabel 3.7. Bobot Awal Wkj 47
Tabel 3.8. Data uji 50
Tabel 3.9. Bobot Vkj baru 50
Tabel 3.10. Bobot Wkj baru 51
Tabel 4.1. Rangkuman data citra kayu 64
Tabel 4.2. Parameter backpropagation 72
Tabel 4.3. Hasil pengujian identifikasi jenis kayu 73
Tabel 4.4. Akurasi pengujian 74
DAFTAR GAMBAR
Hlm.
Gambar 2.1. Orientasi tiga dimensi permukaan kayu (Bond & Hamner, 2002) 6
Gambar 2.2. Anatomi kayu meranti merah (Mandang & Pandit, 1997) 7
Gambar 2.3. Kayu jati, kayu pasang, kayu lasi, kayu palapi (Mandang & 8 Pandit, 1997)
Gambar 2.4. Kayu eboni dan kayu kenanga (Mandang & Pandit, 1997) 9
Gambar 2.5. Sistem koordinat citra berukuran M x N (M baris dan N kolom) 10 (Kadir & Susanto, 2012).
Gambar 2.6. Citra biner 11
Gambar 2.7. Citra skala keabuan 11
Gambar 2.8. Citra berwarna 12
Gambar 2.9. Perubahan ukuran citra (Kadir & Susanto, 2012) 13
Gambar 2.10. Delapan arah ketetangaan piksel 14
Gambar 2.11. Jarak pada arah 0° (Ferguson, 2007) 15
Gambar 2.12. Matriks framework (Ferguson, 2007) 15
Gambar 2.13. Citra grayscale dan representasi citra grayscale ke dalam 16 matriks kookurensi dengan jarak 1 dan arah 0º
Gambar 2.14. Penambahan matriks kookurensi dengan transposenya 17
Gambar 2.15. Normalisasi matriks 17
Gambar 2.16. Jaringan layer tunggal dan jaringan layer jamak 21
Gambar 2.17. Model tiruan neuron pada jaringan saraf tiruan (Hajek, 2005) 22
Gambar 2.18. Fungsi step, fungsi sign dan fungsi sigmoid biner 23
Gambar 2.19. Arsitektur backpropagation (Purnamasari, 2013) 24
Gambar 3.1. Arsitektur umum 30
Gambar 3.2. Kayu keruing, kayu jati putih, kayu mahoni, kayu melur, 31
dan kayu kempas
Gambar 3.3. Citra kayu RGB dan citra kayu grayscale 32
Gambar 3.4. Langkah – langkah proses grayscalling 33
Gambar 3.5. Proses pembentukan matriks kookurensi arah 0° 34
Gambar 3.6. Proses pembentukan matriks kookurensi arah 45° 34
Gambar 3.7. Proses pembentukan matriks kookurensi arah 90° 35
Gambar 3.8. Proses pembentukan matriks kookurensi arah 135° 35
Gambar 3.9. Normalisasi matriks simetris 36
Gambar 3.10. Matriks normalisasi 37
Gambar 3.11. Mencari nilai maksimum absolut dari suatu atribut 40
Gambar 3.12. Menentukan jumlah angka di depan titik desimal dari nilai 41
maksimum absolut pada setiap atribut
Gambar 3.13. Melakukan operasi pembagian nilai – nilai atribut dengan 41
pembaginya
Gambar 3.14. Arsitektur jaringan saraf tiruan 44
Gambar 3.15. Proses pelatihan jaringan backpropagation 46
Gambar 3.16. Proses pengujian jaringan backpropagation 50
Gambar 3.17. Database Relationship 52
Gambar 3.18. Context Diagram 53
Gambar 3.19. DFD level 0 54
Gambar 3.20. DFD level 1 Proses 1 55
Gambar 3.21. DFD level 1 Proses 2 55
Gambar 3.22. DFD level 1 Proses 3 56
Gambar 3.23. Rancangan halaman awal sistem 57
Gambar 3.24. Rancangan halaman pelatihan data citra 58
Gambar 3.25. Rancangan halaman pengujian data citra 60
Gambar 4.1. Halaman utama 62
Gambar 4.2. Halaman “Pelatihan Citra” 62
Gambar 4.3. Halaman “Pengujian Citra” 63
Gambar 4.4. Kotak dialog yang muncul setelah tombol “Pilih Citra” diklik 67
Gambar 4.5. Tampilan citra dengan ukuran lebih besar 67
Gambar 4.6. Tampilan halaman pelatihan setelah memilih menu “PilihCitra”, 68 “Grayscalling”dan “Ekstraksi Fitur”
Gambar 4.7. Halaman “Data Kayu” 68
Gambar 4.8. Halaman “Data Hasil Ekstraksi Fitur” 69
Gambar 4.9. Halaman “Data Normalisasi Hasil Ekstraksi Fitur” 70
Gambar 4.11. Tampilan halaman “Pengujian Citra” setelah tombol “Pilih 71 Citra” dan tombol “Identifikasi” diklik
Gambar 4.12. Pengujian nilai maksimum epoch 75