View of Implementasi Metode Backpropagation dalam Mengklasifikasi Jenis Plastik HDPE, LDPE, dan PS

Universitas Multi Data Palembang | 215

IMPLEMENTASI METODE BACKPROPAGATION DALAM MENGKLASIFIKASI JENIS PLASTIK HDPE, LDPE, DAN PS

Davin Hansel Winata^1*), Nur Rachmat²

1,2Program Studi Informatika, Fakultas Ilmu Komputer dan Rekayasa, Universitas Multi Data Palembang

1davinhans@mhs.mdp.ac.id, ²nur.rachmat@mdp.ac.id

Kata kunci:

Klasifikasi; Plastik; GLCM;

Backpropagation

Abstract: People have difficulty in determining the various types of plastic. This research uses types of plastic that are often found, namely High-Density Polyethylene (HDPE), Low-Density Polyethylene (LDPE), and Polystyrene (PS). The formulation of the problem in this study is how to classify the types of HDPE, LDPE, and PS plastic based on texture using the backpropagation method. The research dataset is divided into 126 training data with a percentage of 70% and 54 test data with a percentage of 30%.Training data and test data will be extracted using Gray Level Co-Occurrence Matrix (GLCM) features with train tools totaling 17. There are 3 different JST architectures with the number of neurons 5, 10, and 20.Then, the experiments totaled 15 experiments. The determination of the hidden layer and the number of neurons in the train tools is based on the best results when testing test data.

The use of train tools and input values from the GLCM feature extraction results can be concluded that 17 train tools with the number of neurons 20 get the best results compared to neuron 5 and neuron 10. The results of the calculation of the overall average output obtained 74.5% for accuracy, 61.6%

for precision, and 68.2% for recall.

Abstrak: Masyarakat kesulitan dalam menentukan berbagai macam jenis plastik. Penelitian ini menggunakan jenis plastic yang sering dijumpai, yaitu High-Density Polyethylene (HDPE), Low-Density Polyethylene (LDPE), dan Polystyrene (PS). Rumusan masalah dalam penelitian ini adalah bagaimana mengklasifikasi jenis plastic HDPE, LDPE, dan PS berdasarkan tekstur menggunakan metode backpropagation. Dataset penelitian terbagi menjadi 126 data latih dengan presentase 70% dan 54 data uji dengan presentase 30%.Data latih dan data uji akan diekstraksi menggunakan fitur Gray Level Co- Occurrence Matrix (GLCM) dengan train tools berjumlah 17. Terdapat 3 arsitektur JST berbeda dengan jumlah neuron 5, 10, dan 20. Maka, percobaan berjumlah 15 percobaan. Penentuan lapisan tersembunyi dan jumlah neuron pada train tools didasarkan pada hasil terbaik saat pengujian data uji.

Penggunaan train tools dan nilai input dari hasil ekstraksi ciri GLCM dapat disimpulkan bahwa 17 train tools dengan jumlah neuron 20 mendapatkan hasil terbaik dibandingkan dengan neuron 5 dan neuron 10. Hasil perhitungan rata- rata keseluruhan output diperoleh 74.5% untuk accuracy, 61.6% untuk precision, dan 68.2% untuk recall.

Winata & Rachmat. (2023).Klasifikasi Jenis Plastik HDPE, LDPE, dan PS Berdasarkan Tekstur Menggunakan Metode Backpropagation. MDP Student Conference 2023

216 | Universitas Multi Data Palembang

PENDAHULUAN Latar Belakang

Plastik merupakan makromolekul yang dibentuk dengan penggabungan sekian molekul monomer melewati proses kimia menjadi molekul polimer (polimerisasi) [1]. Plastik memiliki berbagai macam jenis, yaitu High-Density Polyethylene (HDPE), Low-Density Polyethylene (LDPE), dan Polystyrene (PS). Jenis plastik HDPE adalah jenis plastik dengan kode nomor 2, lebih tahan, dan sedikit rentan terhadap korosi, memiliki tingkat kontaminasi yang kecil dari larutan kimia serta mudah didaur ulang. Jenis plastik LDPE adalah jenis plastik dengan kode nomor 4, memiliki karakteristik yang lunak atau lembek. Serta, jenis plastik PS adalah jenis plastik dengan kode nomor 6, dengan karakteristik kekakuan dan kestabilan dimensi baik.

Penelitian terdahulu yang dilakukan oleh [2] mengenai Klasifikasi Jenis Plastik HDPE, LDPE, dan PS Berdasarkan Tekstur Menggunakan Metode Support Vector Machine. Pada penelitian ini, terdapat sampel tiga jenis plastik, yaitu HDPE, LDPE, dan PS, digunakan dengan kamera smartphone dengan latar belakang hitam, dan jarak potret 20 cm, dan diperoleh 126 data pelatihan dan 54 data pengujian. Hasil penelitian menggunakan ekstraksi fitur LBP dan metode SVM menggunakan kernel polinomial memperoleh skor tertinggi pada nilai akurasi 95,05%, presisi 92,78% dan recall 92,58%.

Penelitian terdahulu yang dilakukan oleh [3] mengenai Identifikasi Kadar Semen dan Pasir pada Campuran Kering Menggunakan Metode Backpropagation. Metode penelitian yang digunakan adalah JST backpropagation dengan sampel sebanyak 300 data pelatihan dan 150 data pengujian. Penggunaan fitur yang dipakai adalah Entropy, Standard deviation, Constrast, Homogeinity, Correlation, Energy. Hasil penelitian dengan menggunakan algoritma jaringan saraf tiruan dan metode backpropagation mencapai tingkat akurasi sebesar 87,33%.

Penelitian terdahulu yang dilakukan oleh [4] mengenai Klasifikasi Jenis Kacang-Kacangan Berdasarkan Tekstur Menggunakan Jaringan Syaraf Tiruan. Penggunaan Gray Level Co-occurrence Matrix (GLCM) sebagai metode penelitian, dan 75 data citra yang terbagi menjadi 45 data pelatihan dan 30 data pengujian. Penggunaan Kontras, Korelasi, Energi, dan Homogenitas sebagai fitur dalam penelitin ini.

Didapatkan hasil ekstraksi citra GLCM bahwa arsitektur yang memberikan hasil rata-rata terbaik berjumlah 20 neuron pada lapisan tersembunyi. Dengan presisi 99,84%, presisi 99,58%, dan recall 99,76%.

Penelitian terdahulu yang dilakukan oleh [5] mengenai Klasifikasi Botol Plastik Menggunakan Multiclass Support Vector Machine. Metode penelitian yang digunakan adalah Support Vector Machine dengan 500 data citra. Pembagian data citra, berupa data citra pelatihan dan data citra pengujian berjumlah 75% dan 25%, 50% dan 50%, dan 25% dan 75%. Hasil penelitian menggunakan 3 model berdasarkan kombinasi volume data citra latih dan uji, dengan hasil perhitungan akurasi secara beruntun berjumlah 56%, 70% dan 84%.

Penelitian terdahulu yang dilakukan oleh [6] mengenai Klasifikasi Mutu Pepaya Berdasarkan Ciri Tekstur GLCM menggunakan Jaringan Syaraf Tiruan. Penggunaan metode penelitian adalah Gray Level Co- occurrence Matrix (GLCM). Hasil penelitian proses identifikasi menunjukkan bahwa fitur energi dan entropi sebagai pembeda kualitas pepaya Calina IFB-9 dengan akurasi sebesar 86,11%.

Dapat diketahui dari penelitian terdahulu, terdapat beberapa metode yang menghasilkan akurasi yang cukup tinggi. Dalam menganalisis tekstur, perhitungan hasil akurasi yang cukup tinggi dengan menggunakan metode backpropagation [7]. Pada penelitian sebelumnya, belum ada penelitian lebih lanjut yang dilakukan untuk membandingkan hasil akurasi, presisi dan recall terbaik dengan metode yang berbeda. Oleh karena itu, kajian ini penting.

Maka penelitian ini dilakukan menggunakan metode backpropagation dengan ekstraksi ciri GLCM pada klasifikasi jenis plastik HDPE, LDPE, dan PS berdasarkan tekstur menggunakan metode backpropagation untuk membandingkan metode mana yang lebih baik dan nilai akurasi, presisi, dan recall terbaik terhadap penelitian terdahulu.

Universitas Multi Data Palembang | 217 METODE

Berikut ini adalah tahapan metodologi penelitian yang digunakan dalam mengimplementasikan metode backpropagation untuk mengklasifikasi jenis plastik HDPE, LDPE, dan PS.

Identifikasi Masalah

Untuk tahapan ini, permasalahan diidentifikasi untuk memahami topik -topik mengenai klasifikasi jenis plastik hdpe, ldpe, dan ps berdasarkan tekstur menggunakan metode backpropagation.

Studi Literatur

Untuk studi literatur, dalam mencari hasil penelitian dan referensi yang sesuai dengan JST backpropagation dan berbagai macam metode lain untuk pengklasifikasian jenis plastik hdpe, ldpe, dan ps berdasarkan tekstur menggunakan metode backpropagation.

Pengumpulan Data

Untuk tahapan ini, data dikumpulkan berdasarkan dataset penelitian yang akan digunakan sebagai dataset penelitian. Dataset yang akan digunakan, yaitu dataset plastik hdpe, ldpe, dan ps dengan hasil pemotongan citra yang berukuran 450 x 450 piksel.

Data Citra

Setelah tahap pengumpulan data, pembagian data citra menjadi data latih dan data uji. Dataset penelitian berjumlah 180 gambar dibagi menjadi data latih sebanyak 126 gambar dan data uji sebanyak 54 gambar atau dengan perbandingan 70 : 30. Berikut ini data citra pada Tabel 1.

Tabel 1. Pembagian Data Citra

No Jenis Plastik Citra Plastik Data Latih Data Uji

1. HDPE 42 18

2. LDPE 42 18

3. PS 42 18

218 | Universitas Multi Data Palembang Grayscale

Pada tahap ini, setelah dilakukan pembagian data citra, kemudian diubah menjadi grayscale menggunakan bantuan aplikasi MATLAB R2018A [8].

Ekstraksi Citra GLCM

Tahap selanjutnya adalah mengekstraksi ciri dengan metode Gray Level Co-occurance Matrix (GLCM) untuk menganalisis tekstur objek [9]. Data latih dan data uji akan dilakukan ekstraksi ciri pada masing-masing jenis citra dari citra RGB menjadi citra grayscale, selanjutnya ekstraksi ciri GLCM dengan menghitung ciri, berupa Contrast, Correlation, dan Energy (IDM), dan Homogeneity (ASM). Nilai tersebut akan digunakan sebagai parameter input kedalam jaringan syaraf tiruan.

Pelatihan JST

Untuk tahapan ini, dilakukan pelatihan JST menggunakan Jaringan Saraf Tiruan Backpropagation terhadap data latih yang sudah diekstraksi [10]. Sehingga data latih mampu mengklasifikasi jenis plastik hdpe, ldpe, dan ps dan dilakukan pelatihan jst untuk klasifikasi terhadap data uji. Setelah JST dilatih, dilakukan penyimpanan data latih sebagai model.

Model Klasifikasi

Digunakan arsitektur JST lapis banyak dengan satu lapisan tersembunyi. Untuk layer input berjumlah 4 neuron dengan satu lapisan tersembunyi dan output berjumlah 3 sebagai perwakilan untuk mengambil citra dari jenis plastik. Digunakan 17 Function Training yang dan jumlah neuron pada lapisan tersembunyi adalah neuron 5, neuron 10, dan neuron 20. Penyimpanan model arsitektur JST untuk menguji data uji disimpan dalam bentuk net. Melalui proses pengujian, maka didapatkan confusion matrix.

Tabel 2. Model Confusion Matrix Klasifikasi

Benar

Diklasifikasi Sebagai

Prediksi “+” Prediksi “-“

Aktual “+” True Positives (TP) False Negatives (FN) Aktual“-” False Positives (FP) True Negatives (TN) Analisis Hasil

Untuk menganalisis, peneliti akan memperoleh detail hasil pelatihan terbaik dari data uji untuk selanjutnya dilakukan perhitungan menggunakan rumus. Hasil ini akan menjadi pembanding dari penelitian terdahulu untuk menentukan tingkat accuracy, precision, dan recall yang paling baik. Berikut rumus untuk menghitung accuracy, precision, dan recall.

100%

(1)

100% (2)

Universitas Multi Data Palembang | 219 100% (3)

Keterangan:

True Positive (TP) adalah jumlah kelas TRUE yang diprediksi benar pada kelas TRUE.

True Negative (TN) adalah jumlah kelas FALSE yang diprediksi benar pada kelas FALSE.

False Positive (FP) adalah jumlah kelas TRUE yang diprediksi salah pada kelas FALSE.

False Negative (FN) adalah jumlah kelas FALSE yang diprediksi salah pada kelas TRUE.

Keseluruhan metodologi penelitian terdapat pada Gambar 1.

Gambar 1. Kerangka Tahap Penelitian

220 | Universitas Multi Data Palembang

HASILDANPEMBAHASAN Implementasi Ekstraksi Ciri GLCM

Untuk data citra yang terbagi menjadi data latih dan data uji yang diimplementasi dengan mengekstraksi ciri GLCM, data_latih disimpan sebagai hasil dari ekstraksi “data latih” dan “data_uji”

disimpan sebagai hasil dari ekstraksi data uji. Dalam mengekstraksi ciri GLCM digunakan fitur yang terdiri dari Kontras, Korelasi, Energi (IDM), dan Homogenitas (ASM). Pada Gambar 2 merupakan hasil ekstraksi dengan nama “data_latih”, sementara pada Gambar 3 merupakan hasil ekstraksi dengan nama “data_uji”.

Gambar 2. Hasil Ekstraksi data_latih

Gambar 3. Hasil Ekstraksi data_uji Implementasi Jaringan Syaraf Tiruan

Dengan memakai train tool untuk mengimplementasi model JST pada aplikasi MATLAB R2018a untuk pengenalan JST terhadap “data_latih”. Penyimpanan “target” sebagai nilai target yang terdapat pada Tabel 2.

Universitas Multi Data Palembang | 221 Tabel 2. Nilai Target Data Latih

Jenis Plastik

HDPE LDPE PS

1 0 0

0 1 0

0 0 1

Untuk melatih JST terdapat arsitektur JST pada Gambar 4 dan disimpan denan nama “jst_latih”.

Gambar 4. Pelatihan JST

222 | Universitas Multi Data Palembang Pemilihan Arsitektur JST

Digunakan arsitektur lapis banyak menjadi arsitektur JST dengan satu lapisan tersembunyi.

Penggunaan arsitektur JST ini dengan menginput data berjumlah 4, satu lapisan tersembunyi, dan data output berjumlah 3 dalam pemrosesan data citra plastik. Tersedia 17 Function Training dan percobaan jumlah neuron adalah neuron 5, neuron 10, dan neuron 20 yang menghasilkan 3 arsitektur JST berbeda. Pada masing-masing arsitektur akan dilakukan percobaan 5 kali pada 3 jumlah neuron sehingga terdapat 15 percobaan yang terdapat pada Tabel 3.

Tabel 3. Hidden Layer pada Training Function

No. Train Tools Neuron 5 Neuron 10 Neuron 20

1 Bayesian Regularization (br) ✔ ✔ ✔

2 Levenberg-Marquardt (lm) ✔ ✔ ✔

3 BFGSQuasi-Newton (bfg) ✔ ✔ ✔

4 Conjugate Gradient with BPR (cgb) ✔ ✔ ✔

5 Conjugate Gradient with FRR (cgf) ✔ ✔ ✔

6 Conjugate Gradient with PRR (cgp) ✔ ✔ ✔

7 Gradient Descent (gd) ✔ ✔ ✔

8 Gradient Descent with ALR (gda) ✔ ✔ ✔

9 Gradient Descent with Momentum (gdm) ✔ ✔ ✔

10 Gradient Descent with MALR (gdx) ✔ ✔ ✔

11 One Step Secant (oss) ✔ ✔ ✔

12 RProp (rp) ✔ ✔ ✔

13 Scaled Conjugate Gradient (scg) ✔ ✔ ✔

14 Batch Weight/Bias Rule (b) ✔ ✔ ✔

Universitas Multi Data Palembang | 223

15 Cyclial Weight/Bias Rule (c) ✔ ✔ ✔

16 Random Weight/Bias Rule (r) ✔ ✔ ✔

17 Sequential Weight/Bias Rule (s) ✔ ✔ ✔

Hasil Pengujian JST Menggunakan Function Training

Tabel 4. Hasil Pengujian JST

No Train Tools

Neuron 5 Neuron 10 Neuron 20

Accuracy Precision Recall Accuracy Precision Recall Accuracy Precision Recall

1 Trainbr 76.3% 63.6% 67.2% 77.8% 66.7% 71.9% 76.2% 62.5% 70.3%

2 Trainlm 74.1% 61.1% 67.4% 77.0% 65.6% 71.5% 73.8% 60.7% 73.3%

3 Trainbfg 70.4% 55.6% 63.8% 73.1% 59.6% 68.1% 75.1% 62.6% 69.1%

4 Traincgb 73.6% 60.4% 67.4% 73.8% 60.7% 68.3% 75.8% 63.7% 71.2%

5 Trancgf 75.4% 62.2% 72.7% 73.1% 59.6% 69.7% 75.6% 63.3% 70.2%

6 Traincgp 75.1% 62.6% 72.2% 74.3% 61.5% 67.0% 76.4% 64.4% 72.3%

7 Traingd 70.4% 55.6% 59.4% 72.1% 58.1% 60.5% 71.6% 57.4% 64.4%

8 Traingda 72.1% 58.1% 67.2% 77.5% 66.3% 70.2% 76.0% 64.1% 72.4%

9 Traingdm 72.3% 58.5% 63.1% 72.1% 58.1% 58.3% 72.3% 58.5% 59.0%

10 Traingdx 68.6% 53.0% 59.2% 71.4% 57.0% 63.2% 71.3% 57.0% 62.1%

11 Trainoss 75.2% 61.0% 67.0% 73.8% 60.7% 66.4% 75.3% 62.9% 70.4%

12 Trainrp 72.2% 58.6% 62.7% 74.1% 61.1% 68.1% 73.6% 60.4% 69.4%

13 Trainscg 73.8% 60.7% 68.4% 74.8% 62.2% 68.3% 75.1% 62.6% 70.2%

14 Trainb 72.1% 58.8% 68.3% 70.6% 55.9% 60.0% 72.1% 58.2% 60.7%

15 Trainc 75.8% 63.7% 70.1% 78.3% 67.4% 73.6% 77.8% 66.7% 72.1%

16 Trainr 71.8% 59.5% 64.4% 74.6% 61.9% 68.0% 76.0% 64.1% 68.7%

224 | Universitas Multi Data Palembang

17 Trains 72.1% 58.1% 64.3% 70.4% 55.6% 56.3% 72.3% 58.5% 64.2%

RATA-RATA 73.0% 59.5% 66.2% 74.0% 61.1% 66.4% 74.5% 61.6% 68.2%

Dapat diketahui pada Tabel 4, bahwa pengujian JST masing-masing neuron dengan memakai 17 train tools menghasilkan perhitungan pada neuron 5 dengan rata-rata accuracy 73%, precision 59.5%, dan recall 66.2%. Pada neuron 10 dengan rata-rata accuracy 74%, precision 61.1%, dan recall 66.4%. Pada neuron 20 dengan rata-rata accuracy 74.5%, precision 61.6%, dan recall 68.2%.

SIMPULAN

Dapat disimpulkan bahwa penelitian ini mendapatkan hasil perhitungan terbaik dengan menggunakan neuron berjumlah 20 neuron dalam mengenali jenis plastik HDPE, LDPE, dan PS. Hasil accuracy sebesar 74.5%, hasil precision sebesar 61.6%, dan hasil recall 68.2%. Hasil perhitungan confusion matrix menghasilkan rata-rata keseluruhan output, yaitu sebesar 73,9% untuk accuracy, 60,7% untuk precision, dan 66,9% untuk recall.

DAFTARPUSTAKA

[1] Yonada, D., 2022, Proses Pembuatan Plastik, https://www.cleanipedia.com/id/kepedulian- lingkungan/proses-pembuatan-plastik.html, diakses 11 Oktober 2022.

[2] Hartono, E. F., & Rachmat, N., "Klasifikasi Jenis Plastik HDPE, LDPE, dan PS Berdasarkan Tekstur Menggunakan Metode Support Vector Machine" JATISI (Jurnal Teknik Informatika Dan Sistem Informasi., Vol. 9 No. 2, 2022.

[3] Gasim, G., & Sudiadi, S., "Identifikasi Kadar Semen dan Pasir pada Campuran Kering Menggunakan Metode Backpropagation" Khazanah Informatika: Jurnal Ilmu Komputer Dan Informatika., Vol. 5 No. 1, 2019.

[4] Al Rivan, M. E., Rachmat, N., & Rizki Ayustin, M., "Klasifikasi Jenis Kacang-Kacangan Berdasarkan Tekstur Menggunakan Jaringan Syaraf Tiruan." Jurnal Komputer Terapan., Vol. 6 No.

1, 2020

[5] Nugroho, A. S., Umar, R., & Fadlil, A., "Klasifikasi Botol Plastik Menggunakan Multiclass Support Vector Machine" Jurnal Khatulistiwa Informatika., Vol. 9 No. 2, 2021.

[6] Wibowo, F., & Harjoko, A ., "Klasifikasi Mutu Pepaya Berdasarkan Ciri Tekstur GLCM Menggunakan Jaringan Saraf Tiruan" Khazanah Informatika . Vol. 1, No. 5, 2013.

[7] Satria, S., Gasim, G., & Ricoida, D. I. "Perbandingan Akurasi Pengenalan Kadar Semen dan Pasir Berdasarkan Ukuran Citra Dengan Backpropagation" JATISI (Jurnal Teknik Informatika dan Sistem Informasi., Vol. 1 No. 2, 2021.

[8] Permadi, Y., & Murinto, ”Aplikasi Pengolahan Citra Untuk Identifikasi Kematangan Mentimun Berdasarkan Tekstur Kulit Buah Menggunakan Metode Ekstraksi Ciri Statistik" Jurnal Informatika., Vol. 9 No.1, 2015.

Universitas Multi Data Palembang | 225 [10] Hidayatullah, P., 2017, Pengolahan Citra Digital : Teori dan Aplikasi Nyata, Bandung: Informatika

Bandung

[10] Sutojo, T., Mulyanto, E., & Suhartono, D. V. Kecerdasan Buatan, Semarang: CV. Andi Offset.