3
BAB II
TINJAUAN PUSTAKA
2.1 Tinjauan Pustaka
Dalam penelitiannya yang berjudul Optimasi Kajian produktivitas dan mutu tembakau Temanggun berdasarkan Nilai indeks Erodibilitas dan kepadatan tanah. Penelitian ini menitik beratkan pada kualitas tembakau berdasarkan pada kualitas tanah daerah temanggung, dan memperhatikan kondisi kesuburan, kepadatan tanah. Erodibilitas tanah yang mempengaruhi terhadap indeks mutu tembakau. Prasetiyo, dkk (2016)
Dalam penelitiannya yang berjudul Implementasi Metode Canny Untuk Deteksi Tepi Mutu Daun Tembakau, Dalam penelitian ini yang telah dilakukan, maka diperoleh hasil dari deteksi tepi menggunakan metode Canny menghasilkan titik tepian yang bersambung cukup jelas sehingga mempermudah dalam uji mutu daun teambakau. Dari hasil pengujian program dengan menggunakan 30 sempel citra daun tembakau didapat akurasi kebenaranya sebasar 90%. Arief Yudiyanto, dkk (2014)
Dalam penelitiannya yang berjudul, Analisis Perbandingan Transformasi Wavelet pada Pengenalan Citra, menyampaikan tentang cara untuk mengetahui tingkat keberhasilan sistem identifikasi citra menggunakan transformasi wavelet, mengetahui pengaruh transformasi dengan berbagai metode wavelet citra masukan terhadap unjuk kerja sistem identifikasi citra. Citra untuk pengujian diambil di lapangan menggunakan kamera digital. Pada pengujian awal proses transformasi citra dmasukan menggunakan wavelet Haar hingga level 3. Pada proses pengujian selanjutnya transformasi citra masukan akan menggunakan keluarga wavelet Daubechies (db2) dan Coiflets (coif). Sutarno (2010),
asli 600x800 dengan metode interaksi ciri histogram dan teknik klasifikasi matriks jarak Squared Chi Squared. Fadlil(2012),
Dalam penelitiannya yang berjudul Studi Kadar Nikotin dan Tar Sembilan Merk Produk olahan tembakau Kretek Filter yang beredar diwilayah Kabupaten Nganjuk, yang menitik beratkan penelitiannya pada kandungan tar dan nikotin hasil olahan tembakau pada sembilan merk olahannya menunjukan kadar nikotin berkisar 1,10-2,17%b/b, dua merk melebihi (maksimal 2,0%) . Kadar tar berkisar 0,05-0,175%b/b, semua memenuhi standar. Kusuma, dkk (2012)
2.2 Landasan Teori
2.2.1 Bahan Tembakau
Tanaman tembakau (nicotianae tabacum L) termasuk genus Nicotinae, serta familia Solanaceae. Spesies – spesies yang mempunyai nilai ekonomis adalah Nicotianae Tabacum dan Nicotianae Rustica Nicotiana rustica L biasanya digunakan untuk membuat alkoloid (sebagai bahan baku obat dan isektisida), jenis ini banyak berkembang di Rusia dan India. Nicotiana tabacum L jenis ini umumnya digunakan sebagai bahan baku pembuatan olahan tembakau.
Beberapa contoh dari varietas tembakau (Nicotiana tabacum) adalah :
a. Tembakau Temanggung Grade B memiliki keunggulan dibandingkan dengan grade tembakau lain yaitu terletak pada aroma yang harum dan khas yang mempunyai sosok ramping, ketinggian tanaman sedang sampai tinggi, daun berbentuk lonjong yang ujungnya meruncing, warna daun kuning kecoklatan, daun bertangkai pendek, kedudukannya pada daun kaki, jarak antara daun satu dengan yang lain cukup lebar sehingga kelihatan kurang rimbun, tanaman memiliki daya adaptasi yang luas terhadap tanah dan iklim. Tembakau ini banyak ditanam didataran tinggi. (Menteri Pertanian Republik Indonesia , 2012).
b. Tembakau Temanggung Grade C berada ketinggian tanaman sedang sampai tinggi, daun berbentuk lonjong yang ujungnya meruncing, warna daun kuning kecoklatan, dengan tekstur kepyar dan kurang berminyak, daun bertangkai pendek, kedudukannya pada bawah tengah, jarak antara daun satu dengan yang lain cukup rapat sehingga kelihatan rimbun, tanaman memiliki daya adaptasi yang luas terhadap tanah dan iklim. Tembakau ini banyak ditanam didataran tinggi. (Menteri Pertanian Republik Indonesia , 2012)
daya adaptasi yang luas terhadap tanah dan iklim. Tembakau ini hanya ditanam didataran tinggi, terutaman di daerah Temanggung Jawa Tengah. (Menteri Pertanian Republik Indonesia , 2012)
Ada berbagai macam jenis tembakau yang dinamakan menurut tempat penghasilnya seperti, Tembakau Deli, penghasil tembakau untuk pembuatan cerutu. Tembakau temanggung penghasil tembakau srintil untuk sigaret. Tembakau Vorstenlanden (Yogya-Klaten-Solo), penghasil tembakau untuk cerutu dan tembakau sigaret (tembakau Virginia). Tembakau Besuki, penghasil tembakau untuk sigaret. Tembakau Lombok Timur, penghasil tembakau untuk sigaret (tembakau Virginia).
Ada juga berbagai macam jenis tembakau yang dibedakan berdasarkan iklim tembakau yang diproduksi di Indonesia diantaranya tembakau musim kemarau/Voor-Oogst (VO), yaitu bahan untuk membuat sigaret putih mesin dan sigaret kretek tangan. Tembakau musim penghujan /Na-Oogst (NO), yaitu jenis tembakau yang dipakai untuk bahan dasar membuat cerutu. 2.2.2 Citra Digital
Citra adalah suatu representasi (gambaran), kemiripan atau imitasi dari suatu objek. Citra terbagi menjadi 2, yaitu citra yang bersifat analog dan citra yang bersifat digital. Citra analog adalah citra yang bersifat kontinu seperti monitor televisi, foto sinar x, hasil CT dll. Sedangkan pada citra digital adalah citra yang dapat diolah (Sutoyo,dkk 2009).
merupakan koordinat posisi dan f(x,y) adalah nilai fungsi pada setiap titik (x,y) yang menyatakan besar intensitas citra atau tingkat keabuan atau warna dari piksel ditiitik tersebut. Pada proses digitalisasi (sampling dan kuantitas) diperoleh besar baris M dan kolom N hingga citra membentuk matriks M x N dan jumlah tingkat keabuan piksel G (Sutoyo,2009).
Pengolahan citra digital merupakan ilmu yang mempelajari hal hal yang berkaitan dengan perbaikan kualitas gambar (peningkatan kontras, transformasi warna, restorasi citra), transformasi gambar (rotasi, translasi, skala, transformasi geometrik), melakukan pemilihan citra ciri (feature images) yang optimal untuk tujuan analisis,melakukan penarikan informasi atau deskripsi objek atau pengenalan objek terkandung pada citra, melakukan kompresi atau reduksi data untuk bertujuan penyimpanan data, transmisi data, dan waku proses input data. Input dari pengolahan citra adalah citra sedangkan outputnya adalah citra hasil pengolahan (Sutoyo, 2009).
2.2.3 Pra Proses
Pengolahan citra (image procesing) merupakan suatu sistem di mana proses dilakukan dengan memasukan berupa citra dan hasilnya juga berupa citra. ( Yudiyanto & Murinto, 2014)
Cropping adalah proses pemotongan citra pada koordinat tertentu pada area citra. Proses ini dilakukan untuk mengambil bagian yang dirasa pentng atau bagian yang mempunyai paling banyak informasi untuk diolah menggunakan jaringan syaraf tiruan. Selain itu proses ini juga dapat mengubah ukuran citra menjadi kecil, sehingga akan mempercepat proses komputasi (Sutoyo, 2009).
Selain dengan menggunakan cropping, untuk mempercepat proses komputasi dapat melakukan proses grayscale. Grayscale adalah warna warna piksel yang berada pada rentang gradasi hitam dan putih yang akan menghasilkan efek warna abu – abu. Pada citra ini warna dinyatakan dengan intensitas, dimana intensitas berkisar antara 0 sampai dengan 225, dimana 0 dinyatakan warna hitam dan 225 dinyatakan warna putih (Kadir & Sutanto, 2012).
Citra digital black and white (grayscale) setiap pikselnya mempunyai warna gradasi mulai dari putih sampai hitam. Rentang tersebut berarti bahwa setiap piksel dapat diwakili oleh 8 bit, atau 1 byte (Kusumanto & Tompunu, 2011)
Pada setiap pergeseran dibuat jendela baru. Titik tengah dari jendela ini diubah dengan nilai median dari jendela tersebut (Munir, 2004).
2.2.4 Edge Detection
Tepi atau sisi dari sebuah obyek adalah daerah dimana terdapat perubahan intensitas warna yang cukup tinggi. Proses deteksi tepi (edge detection) akan melakukan konversi terhadap daerah ini menjadi dua macam nilai yaitu intesitas warna rendah atau tinggi, contoh bernilai nol atau satu. Deteksi tepi akan mnghasilkan nilai tinggi apabila ditemukan tepi dan nilai rendah jika sebaliknya (Lusiana, 2013).
Deteksi tepi banyak dipakai untuk mengidentifikasi suatu obyek dalam sebuah gambar. Tujuan dari deteksi tepi adalah untuk menandai bagian yang menjadi detail citra dan memperbaiki detail citra yang kabur karena adanya kerusakan atau efek akuisisi data. Dalam citra, sebagian besar informasi terletak pada batas antara dua daerah yang berbeda (Yulianto dkk, 2009).
Pelacakan tepi merupakan operasi untuk menemukan perubahan intesita lokal yang berbada dalam sebuah citra. Gradien adalah hasil pengukuran perubahan dalam sebuah fungsi intesitas kontinu sebuah citra. Perubahan mendadak pada nilai intesitas dalam suatu citra dapat dilacak menggunakan perkiraan diskrit pada gradien. Gradien disini adalah kesamaan dua dimensi dari turunan pertama dan didefinisikan sebagai vektor (Lusiana, 2013).
Ada beberapa metode yang terkenal dan banyak digunakan untuk pendeteksi tepi didalam citra, yaitu operator robert, operator Prewitt dan operator Sobel. Metode Sobel paling banyak digunakan sebagai pelacak tepi karena kesederhanaan dan keampuhannya (Munir, 2004). Kelebihan dari metode ini adalah kemampuan untuk mengurangi noise sebelum melakukan perhitungan deteksi tepi. Masing-masing metode deteksi memiliki sub metode yang cukup banyak, tetapi metode deteksi citra yang baik adalah metode yang dapat mengeliminasi derau (noise) yang semaksimal mungkin (Ballard dkk, 1982).
Deteksi tepi (edge detection) adalah suatu proses yang menghasilkan tepi-tepi dari obyek-obyek citra, tujuannya adalah untuk memperbaiki detail dari citra yang kabur, yang terjadi karena error atau adanya efek dari proses akuisisi citra. Suatu titik (x,y) dikatakan sebagai tepi (edge) dari suatu citra bila titik tersebut mempunyai perbedaan yang tinggi dengan tetangganya (Ramdhani dan Murinto, 2013).
dari masing-masing piksel citra input yang telah dikonversi ke grayscale sebelumnya.
Operator Sobel terdiri dari matriks 3x3 masing-masing adalah Gx dan Gy. Matriks mask tersebut dirancang untuk memberikan respon secara maksimal terhadap tepi obyek baik horizontal maupun vertikal. Mask dapat diaplikasikan secara terpisah terhadap input citra. Operator Sobel menggunakan kernel operator gradien 3 x 3, dengan koefisien yang telah ditentukan. Gx dan Gy dapat dinyatakan sebagai berikut (Munir, 2004):
𝐺𝑥 = [−1 0 1−2 0 2
−1 0 1] 𝑑𝑎𝑛 𝐺𝑦
= [ 10 20 10
−1 −2 −1]
………(2.1)
Kernel diatas dirancang untuk menyelesaikan permasalahan deteksi tepi baik secara vertikal maupun horizontal. Penggunaan kernel-kernel ini dapat digunakan bersamaan ataupun secara terpisah (Purnomo & Muntasa, 2010)
Untuk mendapatkan nilai maksimum dari operator sobel, proses selanjutnya adalah dengan menghitung kekuatan tepi citra terhadap warna kecerahannya dengan cara mencari nilai magnitude yang dapat dihitung dengan persamaan sebagai berikut (Munir, 2004):
𝑀 = √𝐺𝑥2 + 𝐺𝑦2………...(2.2)
Karena menghitung akar adalah persoalaan rumit dan menghasilkan nilai real, maka dalam mencari kekuatan tepi (magnitude) dapat disederhanakan perhitungannya. Besarnya magnitude gradien dapat dihitung lebih cepat lagi dengan menggunakan persamaan sebagai berikut (Munir, 2004):
𝑀 = |𝐺𝑥| + |𝐺𝑦|……….(2.3)
dilakukan terhadap piksel yang bernilai 1 (di titik pusat mask). Deteksi tepi dengan operator sobel dapat ditunjukkan pada Gambar2.1.
Gambar 2. 1 Deteksi Tepi dengan Operator Sobel (Munir, 2004) Keterangan:
(A) = Citra asli (B) = Gx (C) = Gy
(D) = Hasil Konvolusi
Dalam konvolusi terdapat dua kemungkinan yang jika ditemukan, diselesaikan dengan cara berikut, yaitu (Munir, 2004):
1. Untuk hasil konvolusi menghasilkan nilai negativ, maka nilai tersebut dijadikan 0.
2. Jika hasil konvolusi menghasilkan nilai piksel lebih besar daripada nilai keabuan maksimum, maka nilai tersebut dijadikan nilai keabuan maksimum.
Gambar 2. 2 Masalah pada Konvolusi (Kadir dan Susanto, 2013)
Masalah konvolusi pada piksel yang tidak mempunyai tetangga selalu terjadi pada piksel-piksel pinggir kanan, kiri, atas, dan bawah. Solusi untuk masalah ini adalah :
a. Abaikan piksel pada bagian tepi.
Oleh karena pada bagian tepi citra tetangga tidak lengkap, sehingga piksel pada posisi tersebut tidak dikenai konvolusi. Sebagai konsekuensinya, citra yang tidak mengalami konvolusi akan diisi nol atau diisi sesuai ada citra asal. Alternatif lain, bagian yang tidak diikutkan dalam citra hasil. Akibatnya, ukuran citra hasil mengecil.
b. Buat baris dan kolom tambahan pada bagian tepi.
Baris dan kolom ditambahkan pada bagian tepi sehingga proses konvolusi dapat dilaksanakan. Dalam hal ini, baris dan kolom baru diisi dengan nol.
2.2.4.1 Ekstraksi Ciri
1.2.4.2Mean
Nilai rata-rata dari intesitas di dalam citra atau yang disebut dengan mean merupakan fitur yang sangat umum dalam statistika sebagai nilai yang diharapkan untuk mencirikan suatu citra dan perhitungannya tidak memputhukan pembentukan matriks co-occurrence terlebih dahulu. Mean atau nilai rata-rata dari intesitas dapat didefinisikan dengan Standar deviasi (Bustomi & Dzulfikar, 2014).
2.2.4.3 Varian
Varian dalah ukuran seberapa tersebarnya data. Varian yang rendah menandakan data yang berkelompok dekat satu sama lain. Varian yang tinggi menandakan data yang lebih tersebar. Rumus untuk mencari varian seperti pada persamaan 2.5. (Bustomi & Dzulfikar, 2014)
𝑆2 = ∑𝑛𝑖=1(𝑋𝑖−𝑋̅)2
𝑛−1 ...(2.5) Keterangan:
𝑆2 : varian Xi : nilai x ke-i
𝑋̅ : rata-rata (mean) n : jumlah data
2.2.4.4 Standart Deviasi
Standar deviasi dapat didefinisikan dengan pengukuran untuk pemyimpangan standar yang konsisten untuk semua distribusi normal atau cerminan dari rata-rata penyimpangan data dari mean (Bustomi & Dzulfikar, 2014).
2.2.4.4 Fitur Vector
Setelah melakukan ekstraksi ciri dari tembakau temanggung akan diperoleh sebuah ciri dalam bentuk vektor. Ciri tersebut kemudian disimpan dalam database yang digunakan sebagai acuan untuk proses pelatihan. Dari proses pelatihan akan diperoleh bobot akhir. Pengenalan data uji dilakukan dengan membandingkan bobot akhir dengan ciri data uji, kemudian mencari jarak terdekat untuk menentukan kelasnya. ( Nilogiri, 2016).
2.2.5 Jaringan Syaraf Tiruan
manusia tersebut. Jaringan syaraf tiruan dapat digambarkan sebagai model matematis dan komputasi untuk fungsi aproksimasi non-linear, klasifikasi data cluster dan regresi non-parametrik atau sebuah simulasi dari koleksi model jaringan syaraf biologi (Sudarsono, 2016).
Model jaringan syaraf ditunjukkan dengan kemampuannya dalam emulasi, analisis, prediksi dan asosiasi. Kemampuan yang dimiliki jaringan syaraf tiruan dapat digunakan untuk belajar dan menghasilkan aturan atau operasi dari beberapa contoh atau input yang dimasukkan dan membuat prediksi tentang kemungkinan output yang akan muncul atau menyimpan karakteristik input yang diberikan kepada jaringan syaraf tiruan.
Jaringan Syaraf Tiruan mampu mengenali dan meniru pola pemetaan dari pasangan sinyal input dan output yang diberikan. Proses memberikan pasangan input dan output pada sistem Jaringan Syaraf Tiruan (Neural network) disebut sebagai proses pembelajaran. Umumnya, jika menggunakan Jaringan Syaraf Tiruan (Neural network), hubungan antara input dan output harus diketahui secara pasti dan jika hubungan tersebut telah diketahui maka dapat dibuat suatu model. Hal lain yang penting adalah proses belajar hubungan input/output dilakukan dengan pembelajaran (Purnama, 2012)
JST telah dikembangkan sebagai generalisasi model matematika dari aspek kognitif manusia atau syaraf biologis, yaitu didasarkan pada asumsi-asumsi bahwa: a. Pemrosesan informasi terjadi pada elemen-elemen yang disebut neuron.
b. Sinyal-sinyal merambat di antara neuron melalui interkoneksi.
c. Setiap interkoneksi memiliki bobot yang bersesuaian yang pada kebanyakan jaringan syaraf berfungsi untuk mengalikan sinyal yang dikirim.
d. Setiap neuron menerapkan fungsi aktifasi (biasanya tidak linear) pada masukan jaringan untuk menentukan sinyal keluarannya.
2.2.6 Metode Learning Vector Quantiztion
Learning Vector Quantization (LVQ) adalah metode dalam Jaringan Syaraf
Learning Vector Quantization (LVQ) merupakan suatu metode untuk
melakukan pembelajaran pada lapisan kompetitif yang terawasi. Suatu lapisan kompetitif akan secara otomatis belajar untuk mengklasifikasikan vektor-vektor input. Kelas-kelas yang didapatkan sebagai hasil dari lapisan kompetitif ini hanya tergantung pada jarak antara vektor-vektor input. Jika dua vektor input mendekati sama, maka lapisan kompetitif akan meletakkan kedua vektor input tersebut ke dalam kelas yang sama. Tujuan dari algoritma ini adalah untuk mendekati distribusi kelas vektor untuk meminimalkan kesalahan dalam pengklasifikasian. (Kusumadewi, 2003).
Adapun arsitektur algotitma Learning Vector Quantization dapat dilihat pada Gambar 2.3 Arsitektur Learning Vector Quantization
Algoritma diusulkan oleh Kohonen pada tahun 1986 sebagai perbaikan dari Vector Quantization. Model pembelajaran LVQ dilatih secara signifikan agar lebih
cepat dibandingkan algoritma lain seperti Back Propagation Neural Network. Hal ini dapat meringkas atau mengurangi dataset besar untuk sejumlah kecil vektor. berikut ini adalah algoritma dari Learning Vector Quantizarion (LVQ).
1. Tetapkan bobot (W) dan maksimum epoch, learning rate, error yang diharapkan 2. Masukan input yang terdiri dari data input x(m,n) dan targetT(1,n)
3. Tetapkan kondisi awal (epoch=0), error yang diharapkan=1 4. Bisa dilanjutkan apabila (epocheps)
- epoch=epoch +1
- kerjakan untuk i=1 sampai n
- tentukan j sedemikian rupa sehingga ||x-wj|| minimum sebut dengan Ci - Perbaiki wj dengan ketentuan
- jika T=C maka
wj(baru)=wj(lama)+learningrate(x-wj(lama)) ... (2.5) - jika T!=C maka
