bab 4 hasil dan pembahasan 44.4.2 perbandingan pengujian jst data target dan hasil pelatihan untuk...

23 Universitas Muhammadiyah Riau

BAB 4

HASIL DAN PEMBAHASAN

4.1 Hasil Perancangan sistem

Perancangan sistem Hardware yang dibuat adalah satu set LSI (Laser

Speckle Imaging) model forward scattring terdiri dari laser dan kamera CMOS 30

fps yang ditempatkan dalam kotak kedap cahaya (Gambar 4.1). Kotak kedap

cahaya dibuat dari bahan akrilik dengan ketebalan 3 mm dengan panjang 50 cm,

lebar 10 cm dan tinggi 10 cm. Laser berfungsi sebagai sumber cahaya yang

ditembakkan kesampel kemudian menghasilkan sinar hamburan. Kamera CMOS

berfungsi untuk menangkap sinar hamburan yang dikirimkan ke personal

computer. Tampilan alat dapat dilihat pada Gambar 4.1 (a) Tampak Atas dan (b)

Tampak Samping.

(a)

(b)

Gambar 4.1 Tampilan Alat Metode LSI Model Forward Scattring

(a) Tampak Atas (b) Tampak Samping

Kuvet (tempat sampel)

Kamera CMOS 30 fps Laser Merah 650 nm

24

Universitas Muhammadiyah Riau

4.2 Hasil Pengambilan Data LSI

Data LSI berupa frame dari sampel tersimpan di dalam 6 folder yang

berbeda sesuai dengan jumlah sampel uji (pupuk urea murni non subsidi, urea

murni subsidi, urea oplosan 3 gr, 5gr, 7 gr, dan 9gr) saat program dijalankan. Satu

sampel dengan 10 titik pengambilan dan masing-masing dengan 5 kali

pengulangan menghasilkan 250 frame. Total yang diperoleh untuk 6 sampel

adalah 1500 frame. Contoh frame masing-masing sampel untuk 1 titik dan 1 kali

pengulangan dapat dilihat pada Gambar 4.2.

Gambar 4.2 Hasil Frame dari masing – masing Sampel (a) Pupuk Murni Non

Subsidi, (b) Pupuk Murni Subsidi, (c) Pupuk Oplosan 3gr, (d) Pupuk

Oplosan 5gr, (e) Pupuk Oplosan 7gr, (f) Pupuk Oplosan 9gr

25


4.3 Pengolahan Data RGB

Hasil frame yang diperoleh dari 6 sampel yaitu sebanyak 1500 frame diolah

menjadi nilai RGB menggukan program MATLAB dengan flowchart seperti

Gambar 3.6. Setelah program dijalankan, hasil konversi frame menjadi nilai RGB

tersimpan ke dalam microcoft excel masing-masing tersimpan dengan nama file

yang berbeda. Bagian Red, Green, dan Blue dikelompokkan secara terpisah,

kemudian diplot dalam sebuah grafik untuk melihat kecenderungan nilai dari

masing-masing sampel. Grafik Red dapat dilihat pada Gambar 4.3.

Trend grafik memperlihatkan bahwa pupuk urea murni dan pupuk oplosan

memiliki rentang nilai yang berbeda cukup signifikan. Sedangkan Nilai Red

sampel murni non-subsidi dan murni subsidi dari 200 data memiliki nilai yang

hampir tidak dapat dibedakan. Sampel pupuk oplosan dengan empat

perbandingan (3 gr, 5 gr, 7 gr, dan 9 gr) memiliki nilai Red yang sebagian dapat

dibedakan akan tetapi sebagian lagi tidak dapat dibedakan karena nilainya

tumpang tindih. Begitu juga untuk nilai Green dan Blue memiliki kecenderungan

yang hampir sama (Lampiran 1).

Mengatasi keterbatasan LSI yang belum mampu membedakan jenis sampel

berdasarkan kadar oplosan, maka diperlukan upaya lebih lanjut sehingga sistem

dapat melakukan identifikasi dengan tepat. Tahap identifikasi dilanjutkan dengan

menerapkan JST metode Backpropagation.

Gambar 4.3 Grafik Data Red

190

200

210

220

230

240

1 11 21 31 41 51 61 71 81 91 101 111 121 131 141 151 161 171 181 191

Nil

ai R

ed

Data

RED

Non Subsidi Subsidi Oplosan 3 gr

Oplosan 5 gr Oplosan 7 gr Oplosan 9 gr

26


4.4 Jaringan Saraf Tiruan ( JST) Backpropagation

4.4.1 Model Jaringan Saraf Tiruan

Model yang sudah dirancang dijalankan dengan terlebih dahulu menentukan

parameter seperti; Nilai iterasi maksimum (epoch) (50000), nilai target error

(performa) (0,0001), Multi layer network (500, 300, 6). Hasil pembelajaran

menunjukkan nilai iterasi maksimum (epoch) berhenti di 15544 dalam waktu 44

menit 41 detik, sedangkan nilai target error (performa) yang didapatkan yaitu

0.000369. Tampilan proses pembelajaran dapat dilihat pada Gambar 4.4.

Berdasarkan hasil pembelajaran JST terhadap data RGB, maka dapat dilihat

pada Gambar 4.5 (a) hasil training yang di latih oleh JST, dimana training adalah

kemampuan model untuk mempelajari data yang diberikan. Nilai training yang di

dapatkan sudah mendekati nilai target yaitu 1 dan 0 walaupun masih terdapat

beberapa data yang masih error. Gambar 4.5 (b) performance dari pelatihan JST,

menunjukkan performance dengan batas nilai yang harus dicapai yaitu 0.0001.

Gambar 4.4 Hasil Running Pembelajaran JST dengan Iterasi 50000

(a) (b)

Gambar 4.5 Hasil pengujian data pembelajaran (a) Training (b) Performance

27


4.4.2 Perbandingan Pengujian JST Data Target dan Hasil Pelatihan untuk

Sampel Murni dan Oplosan

Hasil pembelajaran model JST menggunakan 200 nilai RGB dari 6 sampel

yaitu pupuk murni non-subsidi, pupuk murni subsidi, dan pupuk oplosan dengan

perbandingan (3 gr, 5 gr, 7 gr, dan 9 gr), menunjukkan tingkat keberhasilan 100%.

Hasil pelatihan menggunakan sebanyak 50 data yang diambil acak dari data

pembelajaran juga menunjukkan tingkat keberhasilan 100% dengan nilai error

0%. Cuplikan perbandingan data target dan hasil pelatihan masin-masing 10 data

dapat dilihat pada Tabel 4.1 sampai Tabel 4.6, dan data lengkap dapat dilihat pada

Lampiran 2.

a. Hasil Perbandingan Pengujian JST Data Target dan Hasil Pelatihan Sampel

Pupuk Urea Murni Non-Subsidi

Tabel 4.1 Sampel Murni Non-Subsidi

No Data Target Hasil Pelatihan Keterangan

1 1 1 Dikenali

2 1 1 Dikenali

3 1 1 Dikenali

4 1 1 Dikenali

5 1 1 Dikenali

6 1 1 Dikenali

7 1 1 Dikenali

8 1 1 Dikenali

9 1 1 Dikenali

10 1 1 Dikenali

b. Hasil Perbandingan Pengujian JST Data Target dan Hasil Pelatihan Sampel

Pupuk Urea Murni Subsidi

Tabel 4.2 Sampel Murni Subsidi


1 1 1 Dikenali

2 1 0,999132 Dikenali

3 1 1 Dikenali

4 1 1 Dikenali

5 1 0,999918 Dikenali

6 1 1 Dikenali

7 1 1 Dikenali

8 1 1 Dikenali

9 1 1 Dikenali

10 1 0,999999 Dikenali

28


c. Hasil Perbandingan Pengujian JST Data Target dan Hasil Pelatihan Sampel

Pupuk Oplosan 3 gr

Tabel 4.3 Sampel Oplosan 3 gr


1 1 1 Dikenali

2 1 1 Dikenali

3 1 1 Dikenali

4 1 1 Dikenali

5 1 1 Dikenali

6 1 0,999903274 Dikenali

7 1 0,999999999 Dikenali

8 1 0,999999998 Dikenali

9 1 0,999999998 Dikenali

10 1 1 Dikenali

d. Hasil Perbandingan Pengujian JST Data Target dan Hasil Pelatihan Sampel

Pupuk Oplosan 5 gr



1 1 0,99999976 Dikenali

2 1 0,999999915 Dikenali

3 1 0,999999782 Dikenali

4 1 0,999993771 Dikenali

5 1 0,999996407 Dikenali

6 1 0,999999575 Dikenali

7 1 0,999631252 Dikenali

8 1 0,999997648 Dikenali

9 1 0,999994716 Dikenali

10 1 0,999997341 Dikenali

e. Hasil Perbandingan Pengujian JST Data Target dan Hasil Pelatihan Sampel

Pupuk Oplosan 7 gr



1 1 0,982186658 Dikenali

2 1 0,999602081 Dikenali

3 1 0,999588202 Dikenali

4 1 0,999871147 Dikenali

5 1 0,998707772 Dikenali

6 1 0,999325685 Dikenali

7 1 0,999021704 Dikenali

8 1 0,999525274 Dikenali

29



9 1 0,999508742 Dikenali

10 1 0,999423796 Dikenali

f. Hasil Perbandingan Pengujian JST Data Target dan Hasil Pelatihan Sampel

Pupuk Oplosan 9 gr



1 1 0,995146031 Dikenali

2 1 0,997244677 Dikenali

3 1 0,995656829 Dikenali

4 1 0,997696796 Dikenali

5 1 0,998110299 Dikenali

6 1 0,991209365 Dikenali

7 1 0,9907857 Dikenali

8 1 0,998791638 Dikenali

9 1 0,998051989 Dikenali

10 1 0,999875563 Dikenali

4.4.3 Perbandingan Pengujian JST Data Target dan Hasil Pengujian untuk

Sampel Murni dan Oplosan

Tabel 4.7 sampai Tabel 4.12 merupakan cuplikan perbandingan data target

dan hasil Pengujian untuk sampel pupuk murni non-subsidi, pupuk murni subsidi,

dan pupuk oplosan dengan perbandingan ( 3 gr, 5 gr, 7 gr, dan 9 gr). Nilai

persentase keberhasilan sampel pupuk urea murni non-subsidi yang diperoleh

adalah 96% dengan nilai error 4%, sedangkan untuk nilai persentase keberhasilan

untuk sampel pupuk urea murni subsidi adalah 98% dengan nilai error 2%. Nilai

persentase keberhasilan untuk semua sampel pupuk oplosan ( 3 gr, 5 gr, 7 gr, dan

9 gr) adalah 100% dengan nilai error 0%. Data uji sebanyak 50 nilai RBG diambil

dari data masing-masing sampel yang belum dipelajari. Cuplikan perbandingan

data target dan hasil pengujian masing-masing 10 data dapat dilihat pada Tabel

4.7 sampai Tabel 4.12, dan data lengkap dapat dilihat pada Lampiran 3.

30


a. Hasil Perbandingan Pengujian JST Data Target dan Hasil Pengujian

Sampel Pupuk Murni Non-Subsidi

Tabel 4.7 Sampel Murni Non-Subsidi

No Data Target Hasil Pengujian Keterangan

1 1 1 Non Subsidi

2 1 1 Non Subsidi

3 1 1 Non Subsidi

4 1 1 Non Subsidi

5 1 1 Non Subsidi

6 1 1 Non Subsidi

7 1 1 Non Subsidi

8 1 1 Non Subsidi

9 1 1 Non Subsidi

10 1 1 Non Subsidi

b. Hasil Perbandingan Pengujian JST Data Target dan Hasil Pengujian

Sampel Pupuk Murni Subsidi

Tabel 4.8 Sampel Murni Subsidi

No Data Target Hasil pengujian Keterangan

1 1 1 Subsidi

2 1 1 Subsidi

3 1 1 Subsidi

4 1 1 Subsidi

5 1 1 Subsidi

6 1 1 Subsidi

7 1 1 Subsidi

8 1 1 Subsidi

9 1 1 Subsidi

10 1 1 Subsidi

c. Hasil Perbandingan Pengujian JST Data Target dan Hasil Pengujian

Sampel Pupuk Oplosan 3 gr



1 1 1 Oplosan 3 gr

2 1 1 Oplosan 3 gr

3 1 1 Oplosan 3 gr

4 1 1 Oplosan 3 gr

5 1 1 Oplosan 3 gr

6 1 1 Oplosan 3 gr

7 1 1 Oplosan 3 gr

8 1 1 Oplosan 3 gr

31



9 1 1 Oplosan 3 gr

10 1 1 Oplosan 3 gr

d. Hasil Perbandingan Pengujian JST Data Target dan Hasil Pengujian




1 1 1 Oplosan 5 gr

2 1 1 Oplosan 5 gr

3 1 1 Oplosan 5 gr

4 1 1 Oplosan 5 gr

5 1 1 Oplosan 5 gr

6 1 1 Oplosan 5 gr

7 1 1 Oplosan 5 gr

8 1 1 Oplosan 5 gr

9 1 1 Oplosan 5 gr

10 1 1 Oplosan 5 gr

e. Hasil Perbandingan Pengujian JST Data Target dan Hasil Pengujian




1 1 1 Oplosan 7 gr

2 1 1 Oplosan 7 gr

3 1 1 Oplosan 7 gr

4 1 1 Oplosan 7 gr

5 1 1 Oplosan 7 gr

6 1 1 Oplosan 7 gr

7 1 1 Oplosan 7 gr

8 1 1 Oplosan 7 gr

9 1 1 Oplosan 7 gr

10 1 1 Oplosan 7 gr

f. Hasil Perbandingan Pengujian JST Data Target dan Hasil Pengujian




1 1 1 Oplosan 9 gr

2 1 1 Oplosan 9 gr

3 1 1 Oplosan 9 gr

32



4 1 1 Oplosan 9 gr

5 1 1 Oplosan 9 gr

6 1 1 Oplosan 9 gr

7 1 1 Oplosan 9 gr

8 1 1 Oplosan 9 gr

9 1 1 Oplosan 9 gr

10 1 1 Oplosan 9 gr

4.5 Display Identifikasi Jenis Pupuk dengan Graphical User Interface (GUI)

Model JST yang memiliki hasil training terbaik digunakan sebagai sistem

pengenal jenis pupuk urea. Sistem dilengkapi dengan Graphycal User Interface

(GUI). Penggunaan GUI disamping memiliki tampilan yang menarik juga

memiliki tombol eksekusi untuk memulai dan mereset program. Saat program

dijalankan, pada layar akan tampil item seperti frame, Nilai RGB sampel uji dan

hasil identifikasi jenis pupuk yang terlihat dari lampu indikator berwarna hijau

yang menyala. Bentuk tampilan GUI dapat dilihat pada Gambar 4.6.

Gambar 4.6 Tampilan Identifikasi Pupuk

bab 4 hasil dan pembahasan 44.4.2 perbandingan pengujian jst data target dan hasil pelatihan untuk...

Documents