BAB II
1 TINJAUAN PUSTAKA 1.1 Tinjauan Pustaka
Dalam penelitian ini, penelitian melakukan tinjauan pustaka pada penelitian sebelumnya. Terdapat beberapa penelitian yang berkaitan akan dengan jaringan syaraf tiruan untuk identifikasi citra digital antara lain. Berikut ini merupakan tinjauan pustaka yang disajikan dalam table 2.1
Tabel 2. 1 Tabel Tinjauan Pustaka No
Jurnal Penulis Tahun Nama Jurnal Judul
Jurnal 1
Mohammad Badrul Alam Miah, Kulsum
Akter Kana, Afroza Akter
2016
Departement of Information And
Communication Technology
Detection Of Brain Cancer From MRI
Images Using Neural Network
Jurnal
2 Hung Dao 2020
Oulu University of Applied
Sciences Information Technology
IMAGE CLASSIFICATION
USING CONVOLUTIONAL
NEURAL NETWORKS
Jurnal 3
Maimunnah
2018 Teknik Komputer Universitas Islam
Identifikasi Jenis Jahe Berdasarkan
Warna Menggunakan Jaringan Syaraf
Tiruan Jurnal
4
Mas’ud Effendi, Fitriyah, Usman
2017 Jurusan Teknologi
Identifikasi Jenis Dan Mutu The
Effendi Industri Pertanian,
Fakultas Teknologi Pertanian, Universitas
Brawijaya
Menggunakan Pengolahan Citra
Digital Dengan Jaringan Syaraf
Tiruan
Jurnal 5
Imam Fathurrahman, Amri Muliawan Nur,
Fathurrahman
2019
Fakultas Teknik Universitas Hamzanwadi
Identifikasi Kematangan Buah Mentimun Berbasis
Citra Digital Menggunakan Jaringan Syaraf
Tiruan Backpropagation
Jurnal 6
Mohammad ihya ulum muddin, dedy wirawan soedibyo, sri
wahyuningsih
2019
Program Studi Teknik Pertanian
Universitas Jember
Identifikasi Variates Benih Jagung (ZEA
MAYS L.) Menggunakan Pengolahan Citra
Digital Berbasis Jaringan Syaraf
Tiruan
Jurnal 7
Sufiatul maryana, aire qur’ania, agung prajuhana putra
2018
Program Studi Ilmu Computer
Universitas Pakuan
Identifikasi Pengenalan Karakter
Plat Nomor Kendaraan Menggunakan Jaringan Syaraf
Tiruan Berbasis Citra Digital 1.1.1 Tinjauan Pustaka Literature 01
(Miah, et al., 2016) Mahasiswa dari Departement of Information And Communication Technology Mawlana Bhashani Science and Technology University Santosh, Tangail – 1902, Bangladesh dengan judul “Detection Of Brain Cancer From MRI Images Using Neural Network”. Dalam penelitian ini penulis membahas tentang identifikasi penyakit kanker otak dari MRI gambar menggunakan Jaringan Syaraf Tiruan. Magnetic Resonance Imaging (MRI) adalah pengujian yang menggunakan suatu medan magner dan energy gelombang radio dalam membuat suatu citra gambar organ dan struktur tubuh manusia bagiam dalam. MRI dapat mendeteksi berbagai kondisi otak seperti kista, tumor, perdarahan, pembengkakan, kelainan perkembangan dan structural, infeksi, kondisi peradangan, atau masalah dengan pembuluh darah, ini dapat mendeteksi kerusakan otak yang disebabkan oleh cedera atau stroke. Kemudian ada beberapa tahapan ekstrasi seperti sebagai fitur GLCM, Entropy, fitur moment, area, rata – rata, standar deviasi, fitur koefisien korelasi telah dihitung. Tahapan ekstrasi pada penelitian ini dijelaskan oleh penulis, A) Fitur GLCM gray level co-occurance matrix adalah metode untuk mengestraksi fitur urutan kedua. Ini membutuhkan sejumlah besar matriks yang memberikan akurasi untuk estimasi gambar. B) fitur momen adalah untuk pemrosesan gambar rata – rata tertimbang tertentu (momen) dari intensitas piksel gambar, atau fungsi dari momen tersebut. C) membagi fitur gambar adalah membelah berarti pembagian gambar menjadi berbagai jenis atau bentuk. Penulis memberikan kesimpulan pencapaian utama dari tesis ini adalah
dapat mengenali kanker dari gambar otak MRI. Ada juga keuntungan besar dari sistem ini adalah dapat bekerja dengan ukuran gambar yang berbeda. Tingkat deteksi keseluruhan sistem adalah 94.74% yang memenuhi kepuasan tesis sang penulis.
1.1.2 Tinjauan Pustaka Literature 02
(Dao, 2020) Mahasiswa dari Oulu University of Applied Sciences Information Technology, Internet Services dengan judul “IMAGE CLASSIFICATION USING CONVOLUTIONAL NEURAL NETWORKS”. Dalam penelitian ini jurnal ini membahas klasifikasi gambar menggunakan jaringan syaraf konvolusional.
Penelitian ini berguna bagaimana cara untuk mempelajari penerapan pembelajaran menggunakan jaringan syaraf konvolusional dengan bahasa python dan kerangka kerja tensorflow dan perangkat keras google colaboratory. Salah satu cara untuk melakukan klasifikasi gambar adalah melalui konvolusional jaringan syaraf, teknik yang menerapkan pembelajaran dalam, yang merupakan bagian dari pembelajaran mesin, yang pada gilirannya merupakan subset dari AI. Jaringan syaraf konvolusional adalah suatu kelas yang merupakan kelas dari jaringan syaraf tiruan atau suatu arsitektur pembelajaran mendalam yang paling umum dalam melakukan pengenalan citra tugas. Istilah konvolusi mengacu pada kombinasi matematis dari dua fungsi untuk membentuk fungsi ketiga. Penulis menerangkan backpropagation adalah algorithma yang membantu jaringan syaraf tiruan untuk mempelajarinya parameter sebagian besar dari kesalahan dalam prediksi. Penulis memberikan kesimpulan model dengan empat lapisan konvolusional (model kedua dan ketiga) tampil secara signifikan lebih baik dari pada model dengan tiga lapisan konvolusional (yang pertama model) dengan
overfitting terutama kurang. Penulis memberikan saran agar meningkatkan jumlah zaman dan menjaga tingkat pembelajaran pada 0.00001 akan mempengaruhi akurasi dan caranya overfitting model ini.
1.1.3 Tinjauan Pustaka Literature 03
(Maimunah, 2018) Mahasiswa Teknik Komputer Universitas Islam Dengan Judul
“Identifikasi Jenis Jahe Berdasarkan Warna Menggunakan jaringan Syaraf Tiruan”. Dalam penelitian ini penulis melakukan pembahasan tentang identifikasi citra jahe dengan berdasarskan ciri warnanya menggunakan jaringan syaraf tiruan.
dalam pemrosesannya penulis melakukan pemasukan data berupa citra yang diproses dengan computer sehingga computer dapat melakukan identifikasi citra jahe tersebut menggunakan jaringan syaraf tiruan yang memanfaatkan kamera digital untuk akusisi data citra dari jahe tersebut. Penulis untuk melakukan pemrosessan awal memberikan beberapa tahapan yaitu, ekstrasi ciri dan klasifikasi pada jahe tersebut. Klasifikasi citra jahe dibagi tiga jenis oleh penulis yang terdiri dari jahe merah, jahe emprit, dan jahe gajah. Setiap data latih yang dipake oleh penulis terdiri dari 15 citra sedangkan 5 citra sebagai data uji.
Adapaun hasil yang diberikan dalam identifikasi citra menggunakan metode jaringan syaraf tiruan tersebut melalui identifikasi citra RGB-nya. Hasil yang didapatkan oleh penulis untuk melakukan tahapan urutan metode penelitian dibagi berdasarkan 3 yaitu, penulis mengambil sampel citra jahe yang terdiri dari 3 jenis jahe menggunakan camera 8mp dengan jarak dan pencahayaan yang sama laulu penulis melaukan tahapan kedua dengan ekstrasi citra tahapan ini penulis akan melakukan ekstrasi RGB pada citra yang dimana citra jahe tersebut akan dicari nilai rata – rata dari keseluruhan setiap pikselnya setelah itu penulis melakukan
tahapan selanjutnya normalisasi nilai RGB pada tahapan ini seluruh nilai rata rata citra dilakukan normalisasi dengan cara membagi dengan nilai 255. Setalah melakukan tahap diatas penulis langsung melanjutkan tahapan Jaringan Syaraf Tiruan yang terdiri dari 2 tahap, tahap pelatihan dan tahap pengujian. Hasil akhir penulis menerangkan bahwa berdasarkan pengujian citra jahe emprit cukup baik untuk dilakukan identifikasi citranya akan tetapi untuk jahe merah dan jahe gajah tidak dapat terindentifiaksi dengan baik dikarenakan akurasi yang diperoleh 60%
pada epoch 2000 dengan jumlah variasi neuron 2 dan nilai MSE (eror) sebesar 0.258 pada detik ke 10. Penulis juga menyarankan apa bila ingin melanjutkan penelitian bisa menggunakan support vector mechine dengan berdasarkan ciri lainnya seperti bentuk atau tekstur.
1.1.4 Tinjauan Pustaka Literature 04
(effendi, et al., 2017) Merupakan Mahasiswa Dari Jurusan Teknlogi Industri Pertanian, Fakultas Teknologi Pertanian Univesitas Brawijaya Dengan Judul
“Identifikasi jenis dan Mutu Teh menggunakan pengolahan Citra Digital dengan Metode Jaringan Syaraf Tiruan”. penelitian ini membahas tentang akan melakukan identifikasi jenis dnan mutu teh tersebut dengan menggunakan metode jaringan syaraf tiruan. penulis menerangkan teh adalah suatu hasil pucuk yang didapatkan dari pucuk tanaman muda pada tanaman Camellia Sinensis, akan tetapi terdapat kendala yang dialami oleh konsumen dalam melakukan hal pemilihan teh yang berkualitas baik dan minimnam konsumen akan pengetahuan tentang teh.
Penulis dalam penelitian ini membagi 3 jenis, teh tersebut antaralain teh hijau, lalu teh hitam dan terakhir teh putih. Pada penelitian ini metode yang akan diterapkan pada pengolahan citra digital antara lain teknik Learning Vector Quantization
yang dimana terdapat 6 parameter pada warnanya yaitu R,G,B dan H,S,I.
algorithma ini adalah algorithma yang bertujuan untuk menghasilkan suatu vector referensi yang sangat diskriminatif dengan melauli pembelajarannya. Metode LVQ ini akan diterapkan pada penelitian ini untuk melakukan perbandingan mutu teh tersebut berdasarkan ciri fisiknya yaitu dengan partikel warna. Agar dapat mengetahui mutu teh tersebut maka penulis memberikan kode mutu teh tersebut antara lai SNI 01-3836-2000. Pada hasil pembahasan penulis melakukan beberapa tahapan yaitu, A) tahap akusisi citra pada tahap ini citra dilakukan penyeragaman ukuran pikselnya dengan melalui scanner, B) tahap selanjutnya preprocessing dan ekstrasi fitur tahapan ini merupakan tahap dimana citra asli akan dilakukan perbuhan menjadi citra greyscale atau citra biner. C) tahap traning dan testing adalah merupakan tahapan untuk melakukan pelatihan atau pengujian terhadap citra teh tersebut menggunakanj metode jarignan syaraf tiruan, D) untuk tahap selanjutnya yaitu tahap melakukan prediksi merupakan suatu proses identifikasi untuk mengetahui jenis mutu teh tersebut dari citra yang diinputkan kesoftware.
Penulis memberikan kesimpulan bahwa prediksi yang dilakukan dari 26 sample itra teh menunjukan 1 citra yang berhasil dan sesuai lalu 15 citra yang tidak berhasil dan sesuai, sehingga penulis mendapatkan tingkatan akurasi pada identifikasi mutu teh tersebut dengan keberhasilan yang diperoleh 42.31%. penulis juga menyarankan melakukan suatu pengembangan pada penelitian ini dengan menggunakan metode filtering yang dikombinasikan dengan opening-closing serta menambahkan beberapa filter seperti filter media agar noise tidak sangat terlihat dan memberikan analis tekstur untuk pengolahan citra digital tersebut.
1.1.5 Tinjauan Pustaka Literature 05
(Fathurrahman, et al., 2019) Mahasiswa Fakultas Teknik Universitas Hamzanwadi dengan judul “Identifikasi Kematangan Buah Mentimun Berbasis Citra Digital Menggunakan Jaringan Syaraf Tiruan Backpropagation”. Penelitian ini penulis membahas akan tentang identifikasi tanaman buah mentimun dengan berbasis citra digital yang menggunakan metode jaringan syaraf tiruan backpropagation.
Mentimun (Cucumis sativus L) merupakan tumbuhan yang menghasilkan buah yang dapat dimakan produksi mentimun sangat cepat dan pesat diindonesia. Akan tetapi ada beberapa parameter yang dapat mempengaruhi kulitas mentimun terutama pada bentuk atau tekstur, hingga tingkat kematangan serta usia mentimun tersebut. Untuk tingkat kematangan dapat dilihat dengan kasat mata dari warna hingga bentuknya. Akan tetapi cara pemilihan kualitas timun secara kasat mata masih kurang baik sehingga diperlukan waktu yang relatif lama. Pada penelitian ini metode yang akan digunakan adalah metode jaringan syaraf tiruan backpropagation dan pengolahan citra digital. Backpropagation ini merupakan suatu metode sistematik yang dimaan melakukan pelatihan dengan menggunakan multilayer dari jaringan syaraf tiruan tersebut. Metode ini memiliki dasar matematis yang kuat, obyektif, selain itu algorithma ini membiliki bentuk persamaan dan nilai koefisien dengan cara meminimalisasi jumlah kuadrat galat error melalui training set. Penulis melakukan pengumpulan data gambit mentimun menggunakan kamera Nikon D3100, hasil yang didapatkan oleh penulis dari 13 epoch yang dilakukan, performance terbaik jaringan (Nilai eror paling mendekati target) pada epoch ke 7 dengan angka eror : 0.092569 sehingga penulis menarik kesimpulan metode dengan penelitian ini mampu memberikan akurasi 89.6%.
tingkat akurasi ini dapat ditingkatkan dengan memanfaatkan metode yang lain atau fitur tekstur yang lainnya.
1.1.6 Tinjauan Pustaka Literature 06
(Muddin, et al., 2019) Mahasiswa Program Studi Teknik Pertanian Universitas Jember dengan judul “Identifikasi Variates Benih Jagung (ZEA MAYS L.) Menggunakan Pengolahan Citra Digital Berbasis Jaringan Syaraf Tiruan”.
peneltiain ini penulis membahas tentang identifikasi citra pada variates benih jagung dengan menggunakan pengolahan citra digital dan metode jaringan syaraf tiruan. identifikasi variates sangat perlu dilakukan untuk membedakan galur yang dihasilkan dengan variates yang telah ada. Salah satu metode yang umum diterapkan untuk identifikasi variates jagung tersebut ialah dengan cara mendeskripsikan morfologi benih. Namun, hal tersebut masih kurang baik dikarenakan membutuhkan waktu yang sangat lama. Oleh karena itu penulis mendapatkan solusi untuk mengatasi permasalahan tersebut dengan melakukan identifikasi citra menggunakan pengolahan citra digital dan metode jaringan syaraf tiruan. Pada penelitian ini penulis menggunakan sample variates jagung ialah benih jagung hibrida 18, pioneer P21, pioneer p27, dan PERTIWI. Pada penelitian ini penulis menerangkan tentang: A) Pengenalan Pola (Pattern Recognittion) ini merupakan proes atau pekerjaan untuk mengklasifikasi kelompok berdasarkan ciri ciri pola tersebut. B) tahap selanjutnya adalah pengolahan citra digital (Image Processing) yaitu merupakan suatu proses dalam memperbaiki suatu citra atau mengamati suatu objek. C) lalu tahap jaringan syaraf tiruan ini adalah suatu proses system informasi yang memiliki kemiripan pada karakteristik dengan jaringan syaraf manusia atau biologi. D) backpropagation ini
merupakan algorithma pembelajaran yang terawasi dan biasannya digunakan pada metode jaringan syaraf tiruan yang dimana terdapat banyak lapisan untuk melakukan pengubahan bobot – bobot yang terhubung terhadap neuron – neuron yang ada dilapisan tersebut. proses identifikasi variates benih jagung ini dilakukan dengan pengolahan citra digital dengan beberapa variabel citra tersebut seperti area, tinggi, lebar, indeks warna RGB yang akan dilakukan pemrosesan di jaringan syaraf tiruan tersebut. identifikasi variates benih jagung yaitu varias A3 dengan menggunakan 7 input data, normalisasi min max (kisaran data 0.1 samapai 0.9), lapisan tersembunyi sebanyak 20 node, 2 definisi targe (1 dan -1), jumlah iterasi sebesar 100.000, learning rate 0.2 dan momentum 0.9. penulis menerangkan bahwa tingkat akurasi pada identifikasi variates benih jagung sebesar 59.1%.
1.1.7 Tinjauan Pustaka Literature 07
(Maryana, et al., 2018) Mahasiswa Program Studi Ilmu Komputer Universitas Pakuan dengan judul “Identifikasi Pengenalan Karakter Plat Nomor Kendaraan Menggunakan Jaringan Syaraf Tiruan Berbasis Citra Digital”. Penelitian ini melaukan pembahasan tentan identifikasi citra plat nomor kendaraan yang menggunakan metode jaringan syaraf tiruan berbasis citra digital. Meningkatnya volume kendaraan yang terjadi saat ini membuat kebutuhan akan adannya sistem yang dapat diterapkan untuk melakukan pantauan aktivitas lalu lintas. Tujuan dari penelitian ini adalah dapat dapat mengidentifikasi nomor plat kendaraan tersebut.
Penulis menerangkan data yang diambil sebanyak 160 data yang terdiri dari wilayah bogor (F), wilayah jakarta (B), wilayah bandung (D) dan wilayah purwakarta (T). penulis menerangkan bahwa praproses citra ialah dilakukan
dengan cara memotong citra nomor kendaraan dan memisahkannya dari latar citra kendaraan melalui segmentasi yang bertujuan untuk mendapatkan objek – objek yang terkandung didalam citra. Setalah data terkumpul maka proses yang dilakukan pembagian data uji dan data latih yang akan digunakan untuk jaringan syaraf tiruan dalam melakukan ekstrasi ciri tersebut. adapaun kesimpulan yang diberikan oleh penulis terhadap identifikasi citra plat nomor kendaraan ini yang menggunakan metode jaringan syaraf tiruan berbasi pengolahan citra digital dibagi berdasarkan 4 wilayah. Ekstrasi ciri yang dilakukan pada penelitian ini menggunakan 6 parameter antara lain entropi, variants, means, dan indek warna RGB-nya. Akurasi yang didapatkan pada penelitian ini sebesar 77.5% keberhasila dalam identifikasi citra plat nomor kendaraan.
Ada beberapa perbandingan atau perbedaan pada penelitian yang terdahulu dan penelitian yang akan diteliti sekarang :
1. Pada penelitian ini ekstraksi ciri yang digunakan menggunakan dua fitur yaitu fitur warna dan tekstur.
2. Pada penelitian ini menggunakan jaringan syaraf tiruan untuk meningkatkan akurasi yang diproleh.
3. Pada penelitian ini menggunakan dua objek citra jahe dan citra kunyit.
1.2 Landasan Teori
Berdasarkan penelitian yang penulis lakukan maka penulis menyusun landasan teori yang berkaitan dengan penelitian yaitu sebagai berikut :
1.2.1 Pengertian citra
(Kusumaningtiyas & Asmara, 2016) citra adalah suatu kemiripan, menyerupai, representasi atau imitasi dari suatu objek. Citra merupakan suatu keluaran sistem perekaman yang bersifat optik berupa foto , sedangkan yang bersifat analog merupakan suatu penerapan dari sinyal – sinyal yang terdapat pada gambar di video ataupun televise, atau citra yang berupa digital yang dapat langsung disimpan pada media penyimpanan.
(Andono, et al., 2017) Citra adalah suatu kemiripan dari suatu objek, atau citra (image) merupakan gambaran pada bidang dua dimensi. Citra terdiri dari beberapa jenis seperti citra analog yaitu dimana citra analog yang berupa sinyal – sinyal gambar dan tidak dapat direpresentasikan dalam computer, citra analog hanya dapat diukur menggunakan mata manusia atau kamera analog. Agar citra analog dapat direpresentasikan oleh komputer maka citra analog harus melauli tahapan konversi agar menjadi citra digital. Citra digital merupakan suatu citra yang terbentuk dari sinyal diskrit. Nilai intensitas intensitas cahaya pada citra digital tergantung pada kedalaman bitnya.
1.2.2 Tipe Citra
Ada beberapa tipe citra yang sering digunakan untuk penelitian, diantaranya adalah :
A. Citra biner
Didalam citra biner, tiap piksel – pikselnya hanya membutuhkan 1 bit memori. Maka, dengan demikian, setiap piksel hanya mempunyai 2 (dua) buah kemungkinan nilai intensitas, nilai nilai intesistas tersebut antaralain 1 dan 0
(Andono, et al., 2017). Gambar 2.1 menunjukkan citra biner dilihat dari dekat dengan beberapa nilai intensitas piksel.
Gambar 2. 1 Citra Biner dengan Nilai Piksel 0 Atau 1 Sumber gambar : https://books.google.co.id B. Citra grayscale
Citra grayscale adalah suatu matriks yang dimana terdapat data dengan nilai – nilainya yang mewakili intensitas setiap pikselnya yang dimulai dari 0 sampai dengan 255. Piksel piksel tersebut terdiri 8 bit memori untuk membentuk suatu itensitasnya (Andono, et al., 2017). Gambar 2.2 menunjukkan citra grayscale dilihat dari dekat dengan beberapa nilai intensitas piksel.
Gambar 2. 2 Citra Grayscale Dengan Nilai Piksel Antara 0 Sampai Dengan 255 Sumber gambar : https://books.google.co.id
C. Citra warna
Citra warna adalah citra yang masing – masing piksel mempunyai 3 (tiga) komponen warna yang spesifik, yaitu komponen merah (red), hijau (green), dan biru (blue). Warna setiap piksel ditentukan oleh kombinasi dari intensitas warna merah, hijau dan biru yang disimpan pada bidang warna di okasi piksel. Format file gratis menyimpan citra warna sebagai citra 24 bit, yaitu berasal dari komponen merah, hijau, dan biru masing masing 8 bit (Andono, et al., 2017). Hal ini menyebabkan citra warna mempunyai 24 juta kemungkinan warna. Gambar 2.3 menunjukkan citra warna dilihat dari dekat dengan beberapa nilai intensitas piksel.
Gambar 2. 3 Citra Warna Dengan Komponen Warna R (red), G (green), dan B (blue)
Sumber gambar : https://books.google.co.id
1.2.3 Pengolahan Citra Digital
Pengolahan Citra Digital pada buku pengolahan citra digital dasar dan contoh penerapannya menejelaskan bahwa arti pengolahan menurut kamus besar bahasa Indonesia (KBBI) adalah suatu cara atau peroses mengusahakan sesuatu supaya menjadi yang lain atau menjadi lebih sempurna. Sedangkan citra menurut kamus besar bahasa Indonesia (KBBI) adalah rupa atau berupa gambar, gambar yang dimaksud ialah gambar yang diambil secara komputer visual. Secara keseluruhan atau dapat diartikan pengolahan citra digital adalah suatu cara dalam menjadikan sebuah citra menjadi citra yang lebih sempurna dan lebih baik. Atau dengan kata lain, pengolahan citra digital merupakan adalah suatu proses memasukan citra dan menghasilkan sebuah citra sempurna yang diinginkan (Sulistiyanti, et al., 2016).
Pengolahan citra digital merupakan bidang ilmu yang mempelajari hal – hal yang berkaitan dengan perbaikan kualitas citra seperti meningkatkan kontras, melakukan perrubahan warna, dan restorasi citra. Pada pengolahan citra digital dapat juga melakukan transformasi suatu gambat seperti (transisi, rotasi, transformasi, skala, dan geometrik), dapat melakukan pemilihan ciri citra yang optimal bertujuan untuk melakukan analisis, melakukan penyimpanan data yang sebelumnya dilakukan suatu reduksi dan kompresi, transmisi data, dan waktu proses data (Munantri, et al., 2019).
1.2.4 Ekstrasi Ciri
Ekstraksi ciri merupakan proses pengambilan suatu data pada citra yang berupa ciri atau karakteristik yang dimiliki suatu objek yang akan digunakan sebagai pembeda antar objek. Karakteristik inilah yang digunakan sebagai parameter untuk menggambarkan sebuah objek nilai dari parameter tersebut kemudian digunakan sebagai data masukkan dalam proses klasifikasi. Pada penelitian ini menggunakan empat ekstraksi ciri yang digunakan yaitu warna, bentuk, ukuran, dan fitur yang terdapat pada objek kunyit dan jahe (Andono, et al., 2017).
Ekstrasi ciri juga bisa diartikan merupakan suatu proses yang dilakukan untuk mengambil sampe atau bermacam ciri yang ada pada suatu citra. Ekstrasi ciri ini dapat dilakukan pada suatu objek untuk mendeteksi keseluruhan bentuk tepi pada suatu citra. Ekstrasi ciri memiliki tiga tingkatan yaitu low-level, middle- level dan high-level.
1.2.5 Ekstraksi Warna
Ciri warna digunakan apabila sebuah objek yang akan dikenali memiliki warna berbeda. Histogram warna atau color histogram merupakan suatu respresntasi intensitas warna dalam sebuah citra gambar yang didapatkan dengan perhitungan jumlah pixel dari setiap bagian range warna, secara tipikal dua dimensi atau tiga dimensi. Dalam pembuatan histogram, nilai RGB mempunyai range 0 sampai dengan 255 (Kusumaningtiyas & Asmara, 2016). Setiap komponen warna RGB (Red Green Blue) pada citra menggunakan persamaan 2.1 sebagai berikut :
𝑟 = 𝑅
𝑅+𝐺+𝐵 , 𝑔 = 𝐺
𝑅+𝐺+𝐵 , 𝑏 = 𝐵
𝑅+𝐺+𝐵………(2.1)
1.2.6 Ekstraksi Tekstur
Ekstraksi tekstur dilakukan untuk mendapatkan fitur yang terdapat pada objek kunyit dan objek jahe. Pada penelitian ini untuk melakukan ekstraksi fitur dengan menggunakan metode ekstraksi ciri statistic orde pertama memanfaatkan sifat – sifat statistic dari histogram citra. Berdasarkan histogram ini kita bisa menghitung besaran – besaran statistik (Andono, et al., 2017).
Pengekstraksian fitur citra menggunakan ciri statistik ordo pertama yaitu Mean (µ), Variance (α2), dan Entropy (H). penulis menggunakan 3 komponen tersebut dikarenakan komponen tersebut termasuk dalam suatu filter gabor. Filter Gabor merupakan salah satu filter yang mampu mensimulasikan karakteristik sistem visual manusia dalam mengisolasi frekuensi dan orientasi tertentu dari citra :
1. Mean (µ)
Mean Merupakan Rata – rata atau nilai tengah digunakan untuk menunjukkan ukuran despersi dari suatu citra. Untuk mendapatkan nilai mean menggunakan persamaan berikut :
𝜇 = ∑ 𝑓(𝑥, 𝑦). 𝑝(𝑓(𝑥, 𝑦))………...(2.2)
2. Variance (α2)
Variance digunakan untuk menunjukkan tingkat heterogenitas atau tingkat perbedaan dari histogram suatu citra. Untuk mendapatkan nilai variance menggunakan persamaan berikut :
𝜎2= ∑( 𝑓(𝑥, 𝑦) − 𝜇)2 . 𝑝(𝑓(𝑥, 𝑦))……….…...(2.3)
3. Entropy (H)
Entrophy digunakan untuk menunjukkan ukuran ketidakaturan bentuk dari suatu citra. Untuk mendapatkan nilai entrophy menggunakan persamaan berikut :
𝐻 = − ∑ 𝑝(𝑓(𝑥, 𝑦)). 𝑙𝑜𝑔2 (𝑝(𝑥, 𝑦))………(2.4)
1.2.7 Jaringan Syaraf Tiruan
A. Jaringan Syaraf Manusiaa atau biologi
Otak Manusia tediri dari struktur yang sangat kompleks dan terdapat kemampuan yang sangat luar biasa pada otak tersebut. otak manusa terdiri dari neuron dan penghubungnya yang disebut dengan sinapsis. Pada neuron bekerja berdasarkan implus/ sinyal yang diberikan oleh neuron, lalu neuron neuron tersebut meneruskannya ke neuron selanjutnya. Dapat diperkirakan manusia
memiliki 1012 neuron sedangkan 6.1018 Sinapsis. Jumlah yang begitu banyak tersebut maka otak dapat melakukan pengenalan pada pola, melakukan perhitungan matematis serta dapat mengontrol tubuh dan menggerakannya.
(Wahyudi & Wahyudi, 2020)
Karena jaringan sangat mengikuti konsep jaringan syaraf manusia itu baik mengetahui cara kerjanya , ketika neuron menyala maka sintal dikirim turun akson neuron itu ke dendrit neuron lain melalui sinapsis (Dao, 2020)
Gambar 2. 4 Jaringan Syaraf Manusia Sumber gambar : Jurnal Dao, 2020
B. Jaringan Syaraf Tiruan
Jaringan Syaraf Tiruan (JST) adalah suatu model matematis yang tersusun dalam bentuk jaringan untuk menyelesaikan permasalahan yang bersifat rumit dan tidak linear yang sulit dimodelkan dalam bentuk matematis. Prinsip kerjanya adalah kemampuan pembelajaran yang bersifat heuristik. Atau dapat diartikan bahwa jaringan syaraf tiruan merupakan jaringan dari sekolompok unit proses
kecil yang telah dimodelkan berdasarkan jaringan syaraf manusia. Jaringan syaraf tiruan ini merupajan suatu sistem adaptif yang mengubah suatu struktur agar memecahkan berdasarkan informasi eksternal atau pun informasi eksternal yang mengalir tersebut. atau pengertian lainnya Jaringan syaraf tiruan adalah suatu respresentasi buatan yang terdiri dari jaringan syaraf manusia yang mencoba mensimulasikan proses pembelajaran terhadap otak tersebut. istilah buatan diambil karena jaringan syaraf tiruan tersebut dibuat atau diimplementasikan menggunakan program Komputer yang dapat menyelesaikan proses perhitungan selama proses pembelajaran (Wahyudi & Wahyudi, 2020).
Jaringan syaraf tiruan (JST) adalah seperangkat lapisan neuron (Dalam Konteks ini mereka disebut sebagai unit atau node). Dalam kasus JST setiap unit dalam sebuah layer terhubung ke setiap unit lapisan berikutnya.
Gambar 2. 5 Arsitektur Jaringan Syaraf Tiruan Sumber gambar : Jurnal Dao, 2020
Terdapat 3 layer pada jaringan syaraf tiruan yaitu input layer adalah jaringan yang mengambil semua informasi yang diperlukan untuk mengklasifikasikan. Lalu terdapat hidden layer adalah lapisan tersembunyi, yang digunakan untuk mendeteksi serangkaian fitur yang berbeda dalam sebuah gambar yang yang kurang sehingga kelebih yang detail. Lalu terdapat output layer adalah tempat jaringan tersebut akan melakukan prediksi terhadap inputan klasifikasinya.
Setelah mempelajari dengan cukup maka jaringan syaraf tiruan dapat melakukan klasifikasi secara sendirinya (Dao, 2020).
C. Neuron
Neuron adalah unit pemroses informasi yang sangat vital dalam operasi suatu network (Wahyudi & Wahyudi, 2020). Elemen elemen dasar model neuron adalah :
1. Set synapsis suatu link penghubung yang ditandai dengan adanya bobot atau kekuatan dari link ini.
2. Penambahan, yaitu untuk menjumlahkan signal input yang diberi bobot.
3. Fungksi aktivasi, untuk membatasi besarnya output dari suatu neuron.
Neuron buatan adalah titik koneksi (unit atau node) dalam saraf tiruan jaringan dan memiliki kapasitas untuk memproses sinyal input dan menghasilkan output sinyal (Dao, 2020).
D. Arsitektur Jaringan
JST memiliki beberapa arsitektur jaringan yang sering digunakan dalam berbagai apliaksi. Arsitektur JST tersebut :
1. Jaringan Syaraf Tiruan tunggal (Single Layer Network)
Jaringan syaraf tiruan tunggal ini merupakan suatu jaringan yang terdiri atas lapisan tungga atau bisa disebut dengan jaringan syaraf yang terdiri dari 1 layer ouput. Untuk setiap neuron atau unit yang terdapat disuatu lapisan atau layer memiliki penghubung dan terkoneksi pada neuron yang terdapat di layer output.
Jaringan syaraf tiruan tunggal ini hanya dapat melakukan penerimanan input kemudia langsung dikelolahnya menjadi suatu output tanpa harus memiliki layer atau lapisan yang tersembunyi.
Contoh penerapan yang menggunakan metode algoritma JST ini antara lain:
ADALINE, Hopfield, Perceptron
Gambar 2. 6 Arsitektur Jaringan Syaraf Tiruan Tunggual Sumber gambar : Jurnal Dao, 2020
2. Jaringan syaraf tiruan jamak (multi layer network)
Jaringan syaraf tiruan jaram ini adalah suatu jaringan yang memiliki lebih dari satu lapisan atau lapisannya jamak. Jaringan syaraf tiruan jamak ini memiliki ciri khasnya sendiri seperti terdapat 3 layer antara lain layer input,layer
tersembunyi dan layer output. Jaringan yang memiliki banyak lapisan ini dapat membantu menyelesaikan masalah yang begitu sangat kompleks dibandingkan dengan jaringan yang hanya terdapat satu lapisan. Akan tetapi proses yang dilakukan sangat begitu lama dikarenakan memerlukan waktu yang begitu lama.
Contoh algorithma JST yang menggunakan metode ini yaitu : MADALINE, backpropagation, neocognitron.
Gambar 2. 7 Arsitektur Jaringan Syaraf Tiruan Jamak Sumber gambar : Jurnal Dao, 2020
3. Jaringan syaraf tiruan kompetitif (competitive layer network)
Pada jaringan syaraf tiruan kompetitif ioni jaringan ini sekumpulan neruonnya bersaing untuk mendapatkan hak istimewa atau menjadi hak aktif.
Penggunaaan algorithma pada ajringan syaraf tiruan kompetitif ini ialah jaringan LVQ.
Gambar 2. 8 Arsitektur Jaringan Syaraf Tiruan Kompetitif Sumber gambar : Jurnal Dao, 2020
1.2.8 Jahe (Zingiber Officinale Roscoe)
Menurut Widaryanto & Azizah (2018) pada buku prespektif tanaman obat berkhasiat menjelaskan Jahe adalah merupakan tanaman yang termasuk dalam rempah rempah dengan nama latin Zingiber Officinale Roscoe. Jahe mrupakan tanaman yang mudah ditemukan di Indonesia, tanaman jahe sangat bermanfaat dikehidupan sehari – hari karena jahe banyak digunakan sebagai jamu ataupun bumbu penyedap rasa masakan pada dapur, tidak hanyak digunakan pada kehidupan sehari hari tapi tanaman jahe juga digunakan pada bidang pengobatan.
Tanaman jahe dapat tumbuh dan berkembang biak di tanah yang subur, gembur, dan banyak mengandung humus dan berdrainase baik. Umumnya tanaman jahe biasa tumbu dengan ketinggian berkisaran antara 0 – 900 meter diatas permukaan laut. Untuk kualitas dan kuantitas jahe tergantung dari klon jahe itu sendiri. Curah hujan didaerah untuk tanaman jahe berkisar 2500 – 4000 mm setahun.
Tanaman jahe memiliki ciri ciri ukuran, bentuk dan warna yang ramping.
Tanaman jahe dibedakan berdasarkan 3 jenis yaitu, jahe putih besar (Z. officinale var. officinale) biasanya orang jawa menyebutkan dengan nama jahe gajah atau jahe badak, jahe putih kecil (Z. officinale var. amarum) biasanya orang jawa menyebutkannya dengan nama jahe emprit dan jahe merah (Z. officinale var.
rubrum) biasanya orang jawa menyebutkannya dengan nama jahe sunti. Ketiga jenis jahe diatas memiliki perbedaan baik dari segi morfologi (ukuran, akar, daun dan warnya rimpang). Tanaman jahe putih besar memiliki ciri ciri dengan rimpang yang besar atau ukuran yang besar, tanaman jahe putih kecil biasanya memiliki ciri ciri ukurang yang lebih kecil atau rimpang yang kecil, sedangkan jahe merah memiliki ciri ciri ukuran yang kecil dan berwarna merah serta rasanya yang lebih pedas (Widaryanto & Azizah, 2018).
1.2.9 Kunyit (Curcuma Longa)
Menurut Triono, et al (2015) pada buku kaya dari rumah panduan mengembangkan bisnis dari rumah menjelaskan Kunyit adalah merupakan tanaman rempah – rempah dengan nama latin curcuma longa. Kunyit murpakan tanaman yang berasal dari asia tenggara dan menyebar ke Indonesia. Kunyit merupakan tanaman yang memiliki banyak manfaat seperti pada bidang kedokteran maupun bermanfaat untuk sebagai jamu ataupun penyedap masak pada bumbu dapur.
Tanaman kunyit dapat tumbuh dengan baik apabila berada didaerah yang memiliki intensitas cahaya tinggi atau sedang. Umumnya tanaman kunyit biasa tumbuh di dataran dengan ketinggian 2000 meter diatas permukaan laut (dpl).
Curah hujan yang cocok terhadap tanaman kunyit kisaran antara 2000 – 4000 mm
per tahun dengan suhu udara sekitar 19 – 30 oC. untuk mendapatkan kualitas kunyit yang baik baisanya banyak ditanam pada musim hujan akan tetapi tanaman ini dapat berkembang biak kapan saja dan secara terus menerus (Triono, et al., 2015).
Tanaman kunyit memiliki ciri ciri terhadap bentuk, daun, warna dan rimpangnya. Tanaman kunyit biasanya memiliki banyak penyebutan di Indonesia seperti jawa menyebutnya dengan nama kunyir sedangkat di Sumatra biasanya disebut dengan kunyit dan masih banyak lagi penyebutan kunyit diindonesia, dan untuk wilayah asing biasanya kunyit disebut dengan nama turmeric. Kunyit memiliki bentuk batang yang semu, tegak, bulat dan daun biasanya ciri ciri daunnya memiliki bentuk tunggal , lanset memanjang helai daun 3-8, ujungnya runcing serta memiliki lebar 8 – 12 cm dan panjang 20 – 40 cm.
1.2.10 Confusion Matriks
Confusion Matrix merupakan sebuah tabel yang terdiri atas banyaknya baris data uji yang dapat diperkirakan benar dan tidak benar oleh model klasifikasi, dan digunakan dalam menentukan kinerja suatu model klasifikasi.
Klasifikasi umumnya dihitung menggunakan data dalam matriks ini. Perhatikan Tabel 2.2 Confusion Matrix berikut (Andono, et al., 2017) :
Tabel 2. 2 Tabel Confusion Matrix Actual
Positive Negative
Predicted
Positive True Positive (TP) False Positive (FP)
Negative False Negative (FN) True Negative (TN) Dimana :
1) True Positive (TP) merupakan jumlah record yang diprediksi benar dengan kelas positif.
2) False Positive (FP) merupakan jumlah record yang diprediksi salah dengan kelas positif.
3) True Negative (TN) merupakan jumlah record yang diprediksi benar dengan kelas negatif.
4) False Negative (FN) merupakan jumlah record yang dipresiksi salah dengan kelas negatif.
Untuk menghitung suatu nilai akurasi suatu data dengan melakukan pembagian antara jumlah kesulurahan dengan jumlah data benar, dan dapat dilakukan menggunakan persamaan berikut :
𝐴𝑐𝑐𝑢𝑟𝑎𝑐𝑦 = 𝑇𝑃+𝑇𝑁
𝑇𝑃+𝐹𝑃+𝑇𝑁+𝐹𝑁………(2.5) 1.2.11 Matrix Laboratory (MATLAB)
Pemograman MATLAB Untuk teknik system kontrol dan system komunikasi menjelaskan Matlab adalah singkatan dari Matrix Laboratory, yang merupakan suatu software yang dikembangkan oleh Math Works Inc. matlab dapat membantu user dalam menangani suatu permasalahan dibidang sains dan
rekayasa. Matlab telah mengintegrasikan komputasi visualisai, matematika, dan bahasa pemograman untuk membantu dan memberikan dukungan pada lingukan yang lebih fleksibel bagi komputasi teknis. Matlab juga dapat membuat pengguna mudah dalam melakukan eksplor data, menciptakan algorithma, dan meciptakan beberapa perangkat grafik (GUI) (Siahaan & Sianipar, 2020).
Matrix Laboratory (MATLAB) adalah perangkat lunak yang digunakan dalam pemrograman, analisis, serta komputasi teknik dan matematik berbasis matriks. Matlab dapat menyelesaikan masalah dalam bentuk matriks. Matlab versi pertama dirilis oleh Cleve Moler pada tahun 1970. Matlab menggabungkan proses pemrograman, komputasi, dan visualisasi dengan lingkungan kerja yang mudah digunakan. Matlab memiliki keunggulan umum seperti analisis dan eksplorasi data, pemodelan dan simulasi, visualisasi plot dalam bentuk 2D dan 3D, serta pengembangan aplikasi antarmuka grafis. Matlab menyediakan tool yang dapat digunakan untuk aplikasi khusus seperti pengoalahan sinyal, sistem kontrol, logika fuzzy, dan sebagainya. Matlab dapat dioperasikan pada sistem operasi windows, linux dan MaxOs (Amir Tjolleng, 2017).
Matlab termasuk dalam bahasa pemrograman tingkat tinggi berbasis pada matriks digunakan dalam menyelesaikan masalah menggunakan teknik komputasi numerik yang melibatkan operasi matematika elemen, matriks, komputasi optimal, aproksimasi dan sebagainya. Oleh karena itu matlab sering digunakan pada bidang sebagai berikut (Cahyono, 2013) :
1) Matematika dan Komputasi.
2) Pengembangan dan Algoritma.
3) Pemrograman modeling, simulasi, dan pemuatan prototype.
4) Analisa data, ekplorasi dan visualisasi.
5) Analisis numerik dan statistik.
6) Pengembangan aplikasi teknik.
