klasifikasi berbagai jenis jamur layak konsumsi … · 2019. 8. 5. · 5. romo dr. cyprianus...
TRANSCRIPT
KLASIFIKASI BERBAGAI JENIS JAMUR LAYAK KONSUMSI
DENGAN METODE BACKPROPAGATION
SKRIPSI
Diajukan Untuk Memenuhi Salah Satu Syarat
Memperoleh Gelar Sarjana Komputer
Program Studi Teknik Informatika
Oleh:
Ruth Hanseliani
155314103
PROGRAM STUDI TEKNIK INFORMATIKA
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS SANATA DHARMA
YOGYAKARTA
2019
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
i
CLASSIFICATION OF VARIOUS TYPES OF EDIBLE MUSHROOMS
USING BACKPROPAGATION METHOD
A THESIS
Presented as Partial Fullfillment of the Requirements
To Obtain the Sarjana Komputer Degree
In Informatics Engineering Study Program
By:
Ruth Hanseliani
155314103
INFORMATICS ENGINEERING STUDY PROGRAM
FACULTY OF SCIENCE AND TECHNOLOGY
SANATA DHARMA UNIVERSITY
YOGYAKARTA
2019
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
ii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
iii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
iv
HALAMAN MOTTO
SEMUA INDAH PADA WAKTUNYA :)
Mazmur 126.
Do the best, get the best, but never think you are the best.
“Aku yang meratap telah Kau ubah menjadi orang yang menari-nari, kain
kabungku telah Kaubuka, pinggangku Kau ikat dengan sukacita” Mazmur 30: 12.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
v
HALAMAN PERSEMBAHAN
Skripsi ini saya persembahkan untuk :
1. Tuhan Yesus Kristus, atas berkat dan kasih karuniaNya penulis dapat
menyelesaikan skripsi ini.
2. Daddy, Mama, Ivan, Jogi, dan Aldo serta seluruh keluarga besar yang selalu
memberi dukungan dalam doa, perhatian dan semangat.
3. Seluruh dosen yang selama 4 tahun ini telah meluangkan waktunya untuk
menuntun, membimbing, serta memberi pengetahuan selama masa
perkuliahan.
4. Sahabat-sahabat terkasih, Novia, R3HA, ASD yang selalu memberi motivasi
dan menemani penulis serta memberi semangat.
5. Teman-teman angkatan 2015 yang telah mendukung dan memberi semangat
untuk terus maju.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
vi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
vii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
viii
ABSTRAK
Jamur merupakan sumber bahan pangan nabati yang cukup potensial
disekitar kita. Namun yang menjadi permasalahan adalah sulitnya mengenali
berbagai jenis jamur layak konsumsi dikarenakan jamur-jamur tersebut memiliki
kemiripan apabila dilihat secara visual. Penelitian ini bertujuan untuk mengetahui
besar akurasi dari metode backpropagation dalam mengklasifikasi berbagai jenis
jamur layak konsumsi secara otomatis. Langkah yang dilakukan antara lain diawali
dengan pengambilan data (capture data) menggunakan kamera, pemrosesan awal,
ekstraksi ciri serta klasifikasi (pengenalan). Data yang digunakan yakni gambar
enam jenis jamur layak konsumsi diantaranya adalah jamur kancing, kuping,
merang, portabella, shitake, dan tiram abu. Total data yang digunakan adalah 222
data jamur, setiap jenis terdiri dari 37 data gambar. Pembagian data yakni 216 data
sebagai data training dan data testing, serta 6 data digunakan untuk uji data tunggal.
Tahap pemrosesan awal terdiri dari grayscalling, adjustment, binerisasi, reduksi
derau, serta resizing. Ekstraksi ciri dilakukan untuk memperoleh ciri warna (RGB
dan HSI) serta ciri tekstur (statistik tekstur dan gray level co-occurrence matrices).
Kemudian untuk tahap klasifikasi digunakan metode jaringan syaraf tiruan
backpropagation. Tahap pelatihan digunakan 2/3 data serta untuk tahap pengujian
digunakan 1/3 data dari tiap jenis jamur. Arsitektur jaringan yang digunakan
dimana fungsi trainingnya adalah trainlm serta fungsi aktivasinya adalah tansig
yakni : input sejumlah 21 ciri, 1 hidden layer (dengan jumlah neuron 55), 3 output
layer, dan 1 output keluaran. Hasil pengujian diperoleh akurasi sebesar 98%.
Kata Kunci : HSI, statistik tekstur, GLCM, backpropagation, jamur
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
ix
ABSTRACT
Mushrooms are a potential source of plant-based food around us. But the problem
is the difficulty of recognizing various types of mushrooms that are suitable for
consumption because they have similarities when seen visually. This study aims to
determine the accuracy of the backpropagation method in classifying various types
of mushrooms to be consumed automatically. Steps taken include starting with data
retrieval (capture data) using the camera, initial processing, feature extraction and
classification (recognition). The data used are pictures of six types of mushrooms
suitable for consumption including button mushrooms, ears, merang, portabella,
shitake, and ash oysters. The total data used is 222 mushroom data, each type
consists of 37 image data. Data sharing is 216 data as training data and testing
data, and 6 data used for single data testing. The initial processing stage consists
of grayscalling, adjustment, binaryization, noise reduction, and resizing. Feature
extraction is done to obtain color characteristics (RGB and HSI) and texture
characteristics (texture statistics and gray level co-occurrence matrices). Then for
the classification stage backpropagation neural network method is used. The
training phase is used 2/3 of the data and for the testing phase is used 1/3 data of
each type of mushroom. The network architecture used where the training function
is trainlm and the activation function is tansig namely: input of 21 features, 1
hidden layer (with the number of neurons 55), 3 output layers, and 1 output output.
The test results obtained an accuracy of 98%.
Keyword: HSI, texture statistics, GLCM, backpropagation, mushroom
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
x
KATA PENGANTAR
Puji syukur kepada Tuhan Yang Maha Esa atas berkat dan kasih karuniaNya,
sehingga penulis dapat menyelesaikan tugas akhir ini sebagai salah satu syarat
akademik jurusan Teknik Informatika Universitas Sanata Dharma Yogyakarta.
Pada kesempatan ini, penulis mengucapkan terima kasih kepada seluruh pihak yang
telah berpartisipasi dan berperan dalam proses pengerjaan tugas akhir ini. Ucapan
terima kasih disampaikan kepada :
1. Tuhan Yesus Kristus, atas berkat dan kasihNya penulis dapat menyelesaikan
skripsi ini.
2. Daddy, Mama, Ivan, Jogi dan Aldo serta seluruh keluarga besar Hutabarat dan
Sitorus yang selalu memberi motivasi, kekuatan dan doa.
3. Bapak Sudi Mungkasi, S.Si., M.Math.Sc., Ph.D selaku Dekan Fakultas Sains
dan Teknologi Universitas Sanata Dharma Yogyakarta.
4. Ibu Dr. Anastasia Rita selaku Ketua Prodi Teknik Informatika Fakultas Sains
dan Teknologi Universitas Sanata Dharma Yogyakarta.
5. Romo Dr. Cyprianus Kuntoro Adi, S.J., M.A., M.Sc selaku dosen pembimbing
skripsi yang selalu sabar dan memberikan dukungan kepada penulis selama
bimbingan skripsi berlangsung.
6. Bapak Eko Hari Parmadi, S.Si., M.Kom selaku dosem pembimbing akademik
yang selalu mendukung dan memberi motivasi dalam masa perkuliahan.
7. Seluruh Dosen TI USD yang telah memberikan ilmu dan nasehatnya selama
penulis menjalani masa perkuliahan.
8. CV. Volva Indonesia yang sudah mengijinkan penulis untuk memperoleh data
skripsi di kebun jamurnya, terkhusus Bapak Arif dan Bapak Tri yang telah
bersedia di wawancarai selama masa penelitian.
9. Sahabat-sahabat tersayang, Novia, R3HA (Reva Ribka Hana Asyer), ASD
(Giska Yerni Maria) yang menemani dalam masa-masa perjuang menempuh
pendidikan hingga di perkuliahan.
10. Saudara Marco Siahaan yang telah memberikan doa, kasih, motivasi dan
nasehat.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xii
DAFTAR ISI
CLASSIFICATION OF VARIOUS TYPES OF EDIBLE MUSHROOMS USING
BACKPROPAGATION METHOD ..................................................................... i
HALAMAN PERSETUJUAN .............................................................................. Error!
Bookmark not defined.
HALAMAN PENGESAHAN ............................................................................... Error!
Bookmark not defined.
HALAMAN MOTTO ........................................................................................... iv
HALAMAN PERSEMBAHAN ........................................................................... v
PERNYATAAN KEASLIAN KARYA ............................................................... Error!
Bookmark not defined.
LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH
UNTUK KEPENTINGAN AKADEMIS ............................................................. Error!
Bookmark not defined.
ABSTRAK ............................................................................................................ viii
ABSTRACT .......................................................................................................... ix
KATA PENGANTAR .......................................................................................... x
DAFTAR ISI ......................................................................................................... xii
DAFTAR GAMBAR ............................................................................................ xv
DAFTAR PERSAMAAN ..................................................................................... xvii
DAFTAR TABEL ................................................................................................. xix
PENDAHULUAN ................................................................................................ 1
1.1. Latar Belakang ......................................................................................... 1
1.2. Rumusan Masalah .................................................................................... 4
1.3. Tujuan ....................................................................................................... 4
1.4. Luaran ....................................................................................................... 4
1.5. Batasan Masalah ....................................................................................... 4
1.6. Manfaat Penelitian .................................................................................... 5
1.7. Metodologi Penelitian .............................................................................. 5
1.8. Sistematika Penelitian .............................................................................. 6
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xiii
LANDASAN TEORI ............................................................................................ 8
2.1 Jamur ........................................................................................................ 8
2.2 Pengertian Citra ...................................................................................... 11
2.2.1 Citra Warna RGB ............................................................................ 12
2.2.2 Citra Berskala Keabuan................................................................... 12
2.2.3 Citra Biner ....................................................................................... 13
2.3 Pengenalan Pola ..................................................................................... 13
2.3.1 Preprocessing .................................................................................. 14
2.3.2 Ekstraksi Ciri ................................................................................... 17
2.4 Jaringan Saraf Tiruan ............................................................................. 23
2.4.1 Backpropagation ............................................................................. 23
2.5 K-Fold Cross Validation ........................................................................ 29
2.6 Confusion Matrix ................................................................................... 31
METODOLOGI PENELITIAN ............................................................................ 33
3.1 Data ........................................................................................................ 33
3.2 Preprocessing .......................................................................................... 35
3.3 Ekstraksi Ciri .......................................................................................... 37
3.4 Klasifikasi ............................................................................................... 38
3.5 Peralatan Penelitian ................................................................................ 39
3.6 Cara Penelitian ....................................................................................... 40
3.7 Desain Alat Uji ....................................................................................... 41
HASIL DAN ANALISIS HASIL ......................................................................... 44
4.1 Preprocessing .......................................................................................... 44
4.2 Ekstraksi Ciri .......................................................................................... 51
4.3 Hasil Klasifikasi ..................................................................................... 55
4.4 Analisis hasil .......................................................................................... 56
PENUTUP ............................................................................................................. 71
5.1 Kesimpulan ............................................................................................. 71
5.2 Saran ....................................................................................................... 71
Daftar Pustaka ....................................................................................................... 72
LAMPIRAN .......................................................................................................... 73
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xiv
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xv
DAFTAR GAMBAR
Gambar 2. 1 Arsitektur Jaringan Syaraf Tiruan (Hagan Demuth) ........................ 24
Gambar 2. 2 Fungsi Aktivasi (diambil dari Internet) ............................................ 25
Gambar 2. 3 Fungsi Sigmoid Bipolar (diambil dari Internet) ............................... 26
Gambar 2. 4 Fungsi Purelin (diambil dari Internet) .............................................. 26
Gambar 2. 5 Pembagian data training dan data testing ......................................... 31
Gambar 3. 1 Diagram Blok Gambaran Umum Klasifikasi Jamur ........................ 33
Gambar 3. 2 Alur preprocessing ........................................................................... 36
Gambar 3. 3 Arsitektur jaringan backpropagation ................................................ 39
Gambar 3. 4 Diagram alur pengambilan data ....................................................... 41
Gambar 3. 5 Desain user interface uji data tunggal .............................................. 43
Gambar 4. 1 Citra warna jamur Kancing .............................................................. 45
Gambar 4. 2 Citra abu jamur Kancing .................................................................. 45
Gambar 4. 3 Negasi Citra abu jamur Kancing sebelum adjustment ..................... 46
Gambar 4. 4 Citra hitam putih jamur Kancing sebelum adjustment ..................... 47
Gambar 4. 5 Citra abu setelah adjustment ............................................................ 47
Gambar 4. 6 Citra hitam putih jamur Kancing setelah adjustment ....................... 48
Gambar 4. 7 Citra sebelum dilakukan reduksi deraunya. ..................................... 48
Gambar 4. 8 Citra abu jamur Kancing setelah dibersihkan deraunya ................... 49
Gambar 4. 9 Citra warna jamur Kancing sebelum di cropping ............................. 49
Gambar 4. 10 Hasil cropping jamur Kancing ....................................................... 50
Gambar 4. 11 Citra warna jamur Kancing dengan ukuran asli ............................. 50
Gambar 4. 12 Citra warna jamur Kancing setelah resizeresize) ........................... 51
Gambar 4. 13 Grafik LOGSIG dan non-resize ..................................................... 57
Gambar 4. 14 Grafik TANSIG dan non-resize ..................................................... 58
Gambar 4. 15 Grafik PURELIN dan non-resize ................................................... 59
Gambar 4. 16 Grafik LOGSIG dan resize ............................................................. 60
Gambar 4. 17 Grafik TANSIG dan resize ............................................................. 61
Gambar 4. 18 Grafik PURELIN dan resize .......................................................... 62
Gambar 4. 19 Grafik Trainlm, nonResize ............................................................. 64
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xvi
Gambar 4. 20 Grafik Trainlm, nonResize ............................................................. 65
Gambar 4. 21 Grafik Perbandingan Non-resize dengan Resize ............................ 66
Gambar 4. 22 Grafik Perbandingan akurasi per ciri ............................................. 67
Gambar 4. 23 Grafik perbandingan kombinasi 2 kategori ciri.............................. 68
Gambar 4. 24 Grafik perbandingan kombinasi 3 kategori ciri.............................. 69
Gambar 4. 25 Desain arsitektur jaringan terbaik .................................................. 70
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xvii
DAFTAR PERSAMAAN
Persamaan 2.1 ...................................................................................................12
Persamaan 2.2 ...................................................................................................14
Persamaan 2.3 ...................................................................................................15
Persamaan 2.4 ...................................................................................................15
Persamaan 2.5 ...................................................................................................18
Persamaan 2.6 ...................................................................................................18
Persamaan 2.7 ...................................................................................................18
Persamaan 2.8 ...................................................................................................18
Persamaan 2.9 ...................................................................................................18
Persamaan 2.10 .................................................................................................18
Persamaan 2.11 .................................................................................................21
Persamaan 2.12 .................................................................................................21
Persamaan 2.13 .................................................................................................21
Persamaan 2.14 .................................................................................................21
Persamaan 2.15 .................................................................................................21
Persamaan 2.16 .................................................................................................22
Persamaan 2.17 .................................................................................................22
Persamaan 2.18 .................................................................................................22
Persamaan 2.19 .................................................................................................22
Persamaan 2.20 .................................................................................................23
Persamaan 2.21 .................................................................................................23
Persamaan 2.22 .................................................................................................24
Persamaan 2.23 .................................................................................................24
Persamaan 2.24 .................................................................................................25
Persamaan 2.25 .................................................................................................25
Persamaan 2.26 .................................................................................................28
Persamaan 2.27 .................................................................................................28
Persamaan 2.28 .................................................................................................28
Persamaan 2.29 .................................................................................................28
Persamaan 2.30 .................................................................................................28
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xviii
Persamaan 2.31 .................................................................................................29
Persamaan 2.32 .................................................................................................29
Persamaan 2.33 .................................................................................................29
Persamaan 2.34 .................................................................................................29
Persamaan 2.35 .................................................................................................29
Persamaan 2.36 .................................................................................................29
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xix
DAFTAR TABEL
Tabel 1. 1 Tabel Penelitian...................................................................................... 2
Tabel 2. 1 Informasi Jamur Layak Konsumsi ......................................................... 9
Tabel 2. 2 Metode Statistik Tekstur ...................................................................... 19
Tabel 2. 3 Tabel Pembagian Data Training dan Data Testing .............................. 30
Tabel 2. 4 Confusion Matrix 2 Kelas (Tan, Steinbach, & Kumar, 2006). ............ 31
Tabel 3. 1 Contoh Data ......................................................................................... 34
Tabel 3. 2Penjelasan Arsitektur Jaringan .............................................................. 42
Tabel 4. 1Contoh hasil ekstraksi ciri warna RGB ................................................. 52
Tabel 4. 2Contoh hasil ekstraksi ciri warna HIS................................................... 53
Tabel 4. 3Contoh hasil ekstraksi ciri Statistik Tekstur ......................................... 54
Tabel 4. 4Contoh hasil ekstraksi ciri Tekstur GLCM ........................................... 55
Tabel 4. 5 Arsitektur awal Jaringan backpropagation ........................................... 56
Tabel 4. 6 Arsitektur jaringan backpropagation optimal ...................................... 70
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
1
BAB I
PENDAHULUAN
1.1. Latar Belakang
Jamur merupakan sumber bahan pangan nabati yang cukup potensial
disekitar kita (Jaelani, 2005). Tidak hanya di Indonesia, jamur dapat ditemukan
juga diberbagai negara di Asia seperti Cina, Taiwan, Jepang, dan negara-negara
di Eropa serta Amerika. Penggunaan cendawan (mushroom) di negara-negara
Asia Timur sebagai obat sudah dikenal beribu tahun lalu, antara lain Lentinus
edodus dan Ganoderma lucidum. Banyak keistimewaan yang dimiliki oleh
jamur seperti sifat tumbuh, kandungan gizi pada jamur, kelezatan rasa, serta
memiliki manfaat dan khasiat. Hal tersebut yang mendukung eksistensi jamur
tetap ada hingga sekarang terbukti dari banyaknya hasil olahan dari jamur, baik
berupa makanan yang dikonsumsi serta jamur yang digunakan sebagai obat atau
terapi medis.
Tidak terkecuali di Indonesia, jamur sudah banyak dibudidayakan. Badan
Pusat Statistik menunjukkan bahwa angka rata-rata konsumsi jamur Indonesia
pada tahun 2012 adalah 0,197 kg per kapita per tahun (BPS, 2012). Sudah
banyak UKM kecil, menengah maupun besar yang menjadikan jamur sebagai
objek utama bisnis atau usaha, salah satunya CV. Volva Indonesia. Hasil
budidaya jamur yang dilakukan oleh CV. Volva Indonesia digunakan untuk
mensuplai kebutuhan jamur sebagai bahan dasar Rumah Makan Jejamuran.
Namun, seiring berkembangnya bisnis jamur, hal tersebut belum diikuti
oleh pengetahuan masyarakat luas mengenai khasiat serta manfaat dari jamur.
Ditambah lagi masih ada masyarakat yang takut mengonsumsi jamur serta
bingung bagaimana mengolah jamur yang layak konsumsi untuk dijadikan
makanan. Pasalnya jamur memiliki banyak jenis dan teknik pengolahan. Beda
jenis jamur maka berbeda pula manfaatnya dan teknik pengolahannya serta
hasil olahannya. Apabila masyarakat tidak mengenali jenis-jenis jamur yang
layak konsumsi ataupun masyarakat mengolahnya dengan sembarangan, maka
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
2
hal ini dapat berakibat buruk. Seperti jamur yang termasuk jenis layak konsumsi
apabila diolah atau dikonsumsi dengan metode (teknik) yang salah, dapat
menimbulkan penyakit bahkan kematian. Maka dari itu dilakukan penelitian
untuk mengklasifikasi berbagai jenis jamur layak konsumsi.
Kesulitan klasifikasi dan mengenali berbagai jenis jamur layak konsumsi
inilah yang merupakan permasalahan yang terjadi di masyarakat. Terlebih lagi
beberapa jenis jamur layak konsumsi memiliki bentuk yang hampir mirip
(terdapat kesamaan) dilihat secara visual dari warna, bentuk, tekstur dan
ukurannya pada umumnya. Itu sebabnya diperlukan sistem komputer yang
mampu melakukan klasifikasi berbagai jenis jamur layak konsumsi. Sebagai
pemecahan atas permasalahan tersebut, dilakukan penelitian untuk membangun
sistem klasifikasi berbagai jenis jamur layak konsumsi secara otomatis sebagai
salah satu alternatif teknologi dengan memanfaatkan ilmu teknologi informasi
saat ini. Jenis jamur layak konsumsi yang digunakan dalam penelitian ini adalah
sebanyak 8 jenis. Alasannya karena kedelapan jenis ini yang banyak
dibudidayakan di CV. Volva Indonesia.
Memang sudah banyak pihak lain yang melakukan penelitian untuk
mengklasifikasikan berbagai jenis jamur layak konsumsi. Beberapa penelitian
mengenai klasifikasi berbagai jenis jamur layak konsumsi serta kasus klasifikasi
dan identifikasi dengan menggunakan jaringan syaraf tiruan backpropagation
adalah sebagai berikut ini:
Tabel 1. 1 Tabel Penelitian
No. Penelitian Peneliti/Tahun
penelitian Akurasi
1.
Sistem Identifikasi
Jamur Menggunakan
Metode Ekstraksi Ciri
Statistik Orde 1 dan
Klasifikasi Jarak
Sapriani,
Abdul, dan
Rusydi, 2017
82%
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
3
2.
Identification and
Classification of Bulk
Fruits Images using
Artificial Neural
Networks
Dayanand
Savakar, 2012 92%
3.
Classification of
Motorcyclists not Wear
Helmet on Digital Image
with Backpropagation
Neural Network
Sutikno, Indra,
Nurdin, Priyo,
2016
86.67%
Berdasarkan penelitian yang telah dilakukan oleh Sutikno dkk yakni
klasifikasi pengendara sepeda motor yang tidak menggunakan helm
berdasarkan gambar menggunakan Jaringan Syaraf Tiruan Backpropagation
diperoleh hasil akurasi yakni 86.67 %. Hasil akurasi yang diperoleh sudah baik
dengan jumlah data yang digunakan yakni 150 data (75 data yang menggunakan
helm serta 75 data yang tidak menggunakan helm). Sehingga dengan kata lain
metode Backpropagation Jaringan Syaraf Tiruan layak digunakan untuk kasus
klasifikasi pengendara sepeda motor yang tidak menggunakan helm.
Berdasarkan penelitian tersebut, maka penulis hendak melakukan penelitian
mengenai klasifikasi berbagai jenis jamur layak konsumsi menggunakan
metode Jaringan Syaraf Tiruan Backpropagation. Metode Backpropagation
dipilih sebagai penyelesaian karena merupakan salah satu metode Jaringan
Syaraf Tiruan yang sering dan tepat digunakan. Selain itu ingin mengetahui
apakah metode Backpropagation layak atau mampu untuk mengklasifikasikan
berbagai jenis jamur layak konsumsi. Yang membedakan penelitian ini dengan
penelitian-penelitian sebelumnya adalah berbeda jenis dan jumlah datanya.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
4
1.2. Rumusan Masalah
Berdasarkan latarbelakang diatas, maka dapat ditarik rumusan masalah
sebagai berikut:
1. Bagaimana metode Jaringan Syaraf Tiruan backpropagation mampu secara
otomatis mengklasifikasikan berbagai jenis jamur layak konsumsi dengan
baik?
2. Berapa besar akurasi dari metode backpropagation dalam
mengklasifikasikan berbagai jenis jamur layak konsumsi serta optimasinya?
1.3. Tujuan
Tujuan yang dicapai dari penelitian ini antara lain:
1. Mengklasifikasikan berbagai jenis jamur layak konsumsi menggunakan
metode Jaringan Syaraf Tiruan Backpropagation.
2. Memperoleh kepastian besar akurasi dari metode Backpropagation dalam
mengklasifikasikan jamur layak konsumsi dan teknik mengoptimasinya.
Sistem atau aplikasi ini sekiranya dapat berguna dikemudian hari untuk
membantu masyarakat dalam mengenali berbagai jenis jamur layak konsumsi,
karena masih banyak masyarakat yang belum kenal jenis jamur-jamur mana
saja yang termasuk layak konsumsi serta masih takut untuk mengonsumsi
jamur.
1.4. Luaran
Luaran yang diharapkan dari penelitian ini adalah sistem cerdas yang secara
otomatis mampu mengklasifikasi berbagai jenis jamur layak konsumsi.
1.5. Batasan Masalah
Untuk membahas topik yang lebih terarah dan fokus pada tujuan yang
hendak dicapai, maka batasan masalah dalam skripsi ini adalah :
1. Pola jamur yang diteliti yakni pola jamur layak konsumsi yang ada di CV.
Volva Indonesia.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
5
2. Jenis jamur yang digunakan adalah berbagai jenis jamur layak konsumsi.
Dengan kata lain jamur yang digunakan dalam penelitian ini hanya jamur
yang edible saja. Jamur yang beracun (poisoning) tidak digunakan dalam
penelitian ini karena sulitnya memperoleh data jamur yang beracun.
3. Proses klasifikasi jamur layak konsumsi dibagi menjadi 6 jenis yaitu:
Shitake, Tiram Abu-abu, Merang, Kuping, Portabella, dan Kancing.
4. Faktor pencahayaan pada saat pengambilan gambar yakni saat terang saja.
5. Jamur layak konsumsi yang digunakan dalam penelitian ini memiliki
kondisi baik (sehat) yaitu warna yang baik dan kondisi tudung (fisik) jamur
masih bagus dan lengkap.
Yang tidak dibahas adalah:
1. Penelitian ini tidak membahas aspek pengaruh implementasi sistem
terhadap pertumbuhan jamur (keberhasilan budidaya jamur).
1.6. Manfaat Penelitian
Adapun manfaat dari penelitian ini adalah:
1. Mempermudah dan mengotomatisasi dalam klasifikasi berbagai jenis jamur
layak konsumsi dengan menggunakan komputer.
2. Menambah wawasan bagi pembaca yang ingin mempelajari metode
Artificial Neural Network.
3. Membantu masyarakat untuk mengenal berbagai jenis jamur layak
konsumsi serta pengklasifikasiannya.
1.7. Metodologi Penelitian
Adapun metode penelitian yang dilakukan ialah sebagai berikut:
1. Perencanaan
Menyusun jadwal atau rencana yang berkaitan dengan pengambilan data,
pembuatan sistem, pengolahan, dan hasil akhir serta semua yang berhubungan
dengan skripsi ini.
a. Studi Pustaka
Melakukan pencarian sumber dan membaca serta mempelajari segala
hal yang berkaitan dengan penelitian sebelumnya yang berhubungan
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
6
dengan topik penelitian ini, baik itu di ruang diskusi perpustakaan
Universitas Sanata Dharma, di Ruang Akses Mahasiswa, Ruang
Penelitian lantai 3 Kampus III Universitas Sanata Dharma maupun
ditempat lainnya.
2. Analisa
Analisa sistem, dilakukan analisa tentang sistem dan data-data yang dapat
digunakan disertai pengambilan data.
a. Observasi
Melakukan observasi atau survei langsung ke restoran JEJAMURAN
dan kebun jamur CV. Volva Indonesia untuk menganalisa data yang
berhubungan dengan skripsi dan mengadakan pencatatan secara
sistematis mengenai hasil pengamatan, wawancara dengan petani jamur,
maupun pengambilan gambar sebagai data penelitian.
3. Desain
Desain (perancangan), merancang sistem berdasarkan data-data yang telah
dikumpulkan pada tahap sebelumnya.
4. Implementasi
Implementasi penerapan atau pelaksanaan sistem yang telah dirancang
sebelumnya dan selesai dibangun. Selanjutnya adalah dilakukan pelatihan
(training) dan pengujian (testing).
5. Penarikan kesimpulan dan Evaluasi
Setelah semua tahapan selesai, selanjutnya dilakukan penarikan kesimpulan
dan melakukan evaluasi atas hasil kerja untuk disempurnakan kembali.
1.8. Sistematika Penelitian
Sistematika penulisan skripsi ini adalah sebagai berikut:
BAB I PENDAHULUAN
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
7
Bab ini berisi tentang pembahasan Latar Belakang Masalah, Rumusan
Masalah, Tujuan Penelitian, Batasan Masalah, Manfaat Penelitian, Metode
Penelitian serta Sistematika Penelitian.
BAB II LANDASAN TEORI
Bab ini terdiri dari beberapa sub-bab yang menjelaskan tentang konsep
dasar sistem antara lain teori dari topik penelitian ini yang menunjang dalam
pemecahan masalah yang dianggap relevan dengan permasalahannya.
Menjelaskan tentang konsep-konsep dasar sistem, metode yang digunakan
untuk mengembangkan sistem, karakteristik, klasifikasi, dan penjelasan tentang
peralatan.
BAB III METODOLOGI PENELITIAN
Pada bagian ini dibahas mengenai analisa dan perancangan hal-hal atau
komponen-komponen yang akan digunakan untuk melakukan penelitian, serta
perancangan sistem secara lengkap.
BAB IV HASIL DAN ANALISIS HASIL
Bab ini menjelaskan tentang hasil dan analisis hasil. Hasil yang ditampilkan
yakni mulai dari preprocessing data hingga pengujian data. Kemudian analisis
hasil penelitian dan pengujian.
BAB V PENUTUP
Bab ini berisi kesimpulan yang diperoleh dari hasil analisis penelitian yang
telah dilaksanakan serta saran bagi penelitian-penelitian klasifikasi
backpropagation selanjutnya.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
8
BAB II
LANDASAN TEORI
Pada bagian ini dibahas mengenai teori-teori yang digunakan dalam
mendukung penulisan skripsi klasifikasi berbagai jenis jamur layak konsumsi
dengan metode jaringan syaraf tiruan backpropagation. Bagian pertama
menjelaskan mengenai jamur layak konsumsi yang digunakan untuk penulisan
skripsi ini. Serta terdapat juga beberapa teori yang dibahas mencakup pengertian
dasar jaringan syaraf tiruan dan metode jaringan syaraf tiruan backpropagation.
2.1 Jamur
Jamur adalah jenis tumbuhan yang tidak berdaun dan tidak berbuah,
berkembangbiak dengan spora, biasanya berbentuk payung, tumbuh di daerah
berair atau lembap atau batang busuk; cendawan; kulat (KBBI, 2018). Jamur
juga merupakan sumber bahan pangan nabati yang cukup potensial disekitar
kita. Bahkan beberapa jenis jamur dari alam sudah lama dibudidayakan manusia
untuk tujuan konsumsi (Jaelani, 2008).
Jamur telah cukup lama dikenal oleh masyarakat luas sebagai salah satu
jenis bahan pangan yang populer di masyarakat. Selain itu jamur merupakan
bahan pangan nabati yang mengandung protein cukup tinggi. Chang dan Miles
(2004) menyebutkan secara umum jamur mengandung sekitar 19-35% protein
(bk). Hung dan Nhi (2012) menyebutkan saat ini jamur telah populer sebagai
bahan pangan karena memiliki kandungan zat gizi yang baik sehingga dapat
dijadikan sebagai bahan pangan fungsional. Dari penjelasan diatas maka jamur
layak dijadikan bahan pangan yang memiliki manfaat bagi kesehatan tubuh
manusia. Namun bukan hanya bagi kesehatan, tetapi jamur juga memiliki
keuntungan dibidang ekonomis. Dari berbagai jenis jamur hanya beberapa yang
dapat dikonsumsi. Jenis jamur konsumsi yang telah dikenal dan dijual secara
komersial diantaranya jamur kuping (Herniola sp.), jamur tiram (Pleurotus
ostreatus), jamur shiitake (Lentinunla edodes), dan jamur merang (Volvariella
volvacea) (Hung dan Nhi, 2012). Selain keempat jamur tersebut, terdapat juga
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
9
beberapa jenis jamur layak konsumsi yang dibudidayakan oleh CV. Volva
Indonesia yakni jamur jamur Tiram abu-abu, jamur Portabella, jamur Kancing,
serta berbagai jenis jamur lainnya. Beda jenis jamur, beda pula manfaatnya, cara
pengolahannya serta harga jualnya. Seperti saat ini, jamur shiitake yang berkisar
Rp 30.000 – Rp. 70.000 per kilogram. Sedangkan jamur tiram putih berkisar Rp
10.000 hingga Rp 25.000 per kilogram.
Hampir semua jenis jamur layak konsumsi memiliki manfaat yang berbeda,
cara pengolahan yang berbeda, harga jual yang berbeda serta karakteristik fisik
(visual) yang khas dari masing-masing jenis jamur. Ada jamur yang memiliki
bentuk fisik yang hampir sama dengan jenis jamur layak konsumsi lainnya.
Seperti halnya pada jamur tiram putih, jamur merang putih dan jamur kancing
yang ketika memasuki masa panen memiliki warna yang sama yaitu putih jika
dilihat langsung dengan mata. Serta ada juga yang memiliki karakteristik visual
yang jelas berbeda seperti jamur Kuping yang memiliki warna hitam keunguan
serta memiliki bentuk yang lebar dibanding jamur portabella yang warnanya
cenderung kecoklatan dan bentuknya yang tidak begitu lebar.
Tabel 2. 1 Informasi Jamur Layak Konsumsi
No. Nama
Jamur
Kelebihan (khasiat) Ciri visual
1. Shiitake Memiliki kandungan zat gizi
penting berupa protein,
berbagai jenis vitamin,
mencegah timbulnya kanker
usus, daya tahan tubuh,
memperbaiki sistem sirkulasi,
antivirus dan antibakterial.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
10
2. Kuping Memiliki kandungan nutrisi
tinggi, penawar racun,
mencegah penyakit kanker,
memperbaiki sirkulasi darah,
mengobati penyakit kurang
darah, hipertensi, datang bulan
tidak lancar, serta ambeien
atau wasir.
3. Merang Memiliki cita rasa yang lezat,
kandungan protein tinggi,
meningkatkan metabolisme,
memperbaiki fungsi ginjal,
mengatasi defisiensi gizi,
mengatasi kolestrol,
meningkatkan kerja jantung.
4. Tiram Abu-
abu
Kandungan nilai gizi tinggi,
meningkatkan eritrosit,
mencegah kencing manis,
menurunkan kolesterol, serta
mengobati kanker.
5. Portabella Mengandung niacin,
panthotenat, vitamin B
Kompleks, riboflavin, kalum
yang dikenal sebagai
antioksidan, mencegah
pertumbuhan kanker.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
11
6. Kancing Kandungan asam folat
menambah jumlah sel darah
merah, menurunkan kolestrol,
antioksidan, menangkap
radikal bebas, mencegah
kanker.
Berdasarkan penjelasan pada tabel, secara visual dapat diketahui bahwa
suatu jenis jamur layak konsumsi memiliki ciri khusus yang membedakannya
dengan jenis jamur layak konsumsi lainnya. Maka dari itu diperlukan analisis
ciri (features analysis) yang tepat sesuai dengan jenis data citra yang digunakan.
Selain itu yang harus diperhatikan dalam analisis ciri yakni cara mendapatkan
ciri tersebut atau metode yang digunakan dalam memperoleh ciri dari data citra
tersebut. Untuk itu diperlukan pengetahuan tentang analisis citra yang nantinya
akan berkaitan dengan analisis ciri untuk data image dalam penelitian ini.
2.2 Pengertian Citra
Kata citra berasal dari kata image dalam bahasa Inggris. Citra atau image
adalah suatu gambar yang berbentuk Informasi Visual. Citra merupakan fungsi
intensitas dua dimensi (2-D)f(x,y), dimana x dan y adalah koordinat spasial, dan
f pada titik (x,y) merupakan tingkat kecerahan (brightness) suatu citra pada
suatu titik. Ketika x, y, dan nilai intensitas f-nya terbatas, maka disebut dengan
citra digital (Gonzales dan Woods, 1992).
Citra sebagai salah satu komponen multimedia memegang peranan sangat
penting sebagai bentuk informasi visual. Citra memiliki karakteristik yang tidak
dimiliki oleh data tekstual dikarenakan lebih kaya akan informasi. Sebuah
gambar dapat memberikan informasi yang lebih banyak daripada informasi
yang disajikan dalam bentuk tekstual.
Secara harfiah, citra merupakan sebuah data visual dalam bidang dwimatra
(dimensi) (Widiarti, 2013). Citra dapat didefinisikan sebagai sebuah fungsi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
12
kontinyu dari intensitas dalam bidang dua dimensi dimana setiap titik dapat
dituliskan:
0 < 𝑓(𝑥, 𝑦) < ∞ 2.1
dimana f(x,y) merupakan intensitas cahaya pada lokasi (x,y) (Gonzales dan
Woods, 1992). Dikarenakan citra merupakan data visual dwimatra yang dapat
direpresentasikan dalam dimensi panjang, dan lebar, maka seperti halnya
matriks, citra dapat direpresentasikan kedalam sebuah matriks m x n dengan
intensitas piksel sebagai komponen penyusunnya.
2.2.1 Citra Warna RGB
Citra RGB adalah representasi dari tiga matriks dengan ukuran yang
sama dari format gambar. Setiap matriks akan sama berdasarkan warna
Merah, Hijau dan Biru. Ketika diubah menjadi skala keabuan(atau
“intensitas”) gambar akan tergantung pada kurva respon sensitivitas
detektor cahaya sebagai fungsi dari panjang gelombang. (Surinta, O.,dkk
2009).
RGB yang merupakan singkatan dari merah (Red), hijau (Green), dan
biru (Blue), setiap perpaduan warna dasar tersebut akan menghasilkan
warna baru dengan memperhatikan terang gelapnya juga. Untuk kasus
klasifikasi jamur layak konsumsi ini, berbagai jamur memiliki warna yang
bervariasi, ragam warnanya pun bisa warna tegas (pasti) maupun gradasi
(gabungan atau campuran).
Ruang warna RGB tertentu didefinisikan oleh tiga kromatisitas warna
merah, hijau, dan biru, serta dari warna dasar tersebut menghasilkan
kromatisitas segitiga yang ditentukan oleh warna primer tersebut (Hunt,
2004).
2.2.2 Citra Berskala Keabuan
Citra berskala keabuan atau sering disebut citra grayscale menangani
gradasi warna hitam dan putih yang menghasilkan efek warna abu-abu. Pada
jenis gambar ini, warna dinyatakan dengan intensitas yang berkisar antara 0
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
13
sampai 255. Nilai 0 menyatakan hitam, sedangkan nilai 255 menyatakan
putih (Kadir dan Susanto, 2013)
2.2.3 Citra Biner
Citra Biner (binary image) adalah citra yang hanya mempunyai dua nilai
derajat keabuan yaitu hitam dan putih (nilainya hanya 0 dan 1). Meskipun
saat ini citra berwarna lebih disukai, namun pada beberapa aplikasi citra
biner masih dibutuhkan, misalnya pada pengolahan citra biner dalam
mengklasifikasikan jenis jamur yang akan dibahas dalam penelitian ini.
Citra biner hanya mempunyai dua nilai derajat keabuan yaitu hitam dan
putih. Pixel-pixel objek bernilai 1 dan pixel-pixel latar belakang bernilai 0.
Pada saat menampilkan gambar, 0 adalah putih dan 1 adalah hitam (Abdul
dan Adhi, 2013). Jadi pada citra biner, latar belakang berwarna putih
sedangkan objek berwarna hitam.
2.3 Pengenalan Pola
Pengenalan pola (pattern recognition) dapat diartikan sebagai proses
klasifikasi dari objek atau pola menjadi beberapa kategori atau kelas dan
bertujuan untuk pengambilan keputusan (Theodoridis and Koutroumbas 2006).
Tujuan dari pengenalan pola ini adalah mengklasifikasi dan mendeskripsikan
pola atau obyek kompleks melalui pengetahuan sifat-sifat atau ciri-ciri obyek
tersebut. Pola adalah entitas yang terdefinisi dan dapat diberikan suatu
identifikasi atau nama misalkan jamur.
Pengenalan pola pada dasarnya terdiri dari 3 langkah utama yaitu
preprocessing, ekstraksi ciri dan pengenalan serta didahului dengan tahap
pengumpulan data (akuisisi data). Preprocessing merupakan langkah awal
dimana dilakukan dari keseluruhan data obyek yang ada agar dapat
menghasilkan ciri yang lebih baik pada tahap berikutnya. Pada tahap ini
informasi yang dianggap penting akan lebih ditonjolkan. Tahap selanjutnya
adalah ekstraksi ciri, tahap ini berfungsi untuk menemukan karakteristik
pembeda yang mewakili sifat utama suatu data obyek, sekaligus mengurangi
jumlah data tersebut menjadi lebih sedikit tetapi representatif. Tahap akhir yaitu
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
14
pengenalan, pada tahap ini data yang ada akan dikelompokkan menjadi kelas
yang sesuai (Putra,2010).
2.3.1 Preprocessing
Preprocessing atau sering disebut juga praproses merupakan sebuah
tahap untuk menyiapkan data sebelum dilakukan tahap ekstraksi ciri.
a) Grayscalling
Citra grayscale atau citra keabu-abuan memiliki nuansa warna abu-
abu yang berada diantara warna hitam dan putih. Citra grayscale
direpresentasikan dengan variasi nilai intensitas tertentu yang berada dalam
interval 0 hingga 255 (8 bit). Proses grayscaling mengubah citra berwarna
yang memiliki 3 komponen warna R, G, dan B menjadi 1 komponen warna
dengan memberikan sebuah nilai bobot kepada 3 komponen R, G, dan B
kemudian dijumlahkan untuk memperoleh intensitas warna abu-abu.
Persamaan yang umum dipakai untuk mengubah citra berwarna menjadi
citra grayscale menggunakan standar NTSC (National Television System
Commitee) yang dapat dinyatakan sebagai berikut :
𝑔(𝑥, 𝑦) = 0.299 x 𝑅(𝑥, 𝑦) + 0.587 x 𝐺(𝑥, 𝑦) + 0.144 x 𝐵(𝑥, 𝑦) 2.2
dengan:
g(x,y) = citra yang akan dikonversi menjadi grayscale
R(x,y) = nilai pixel pada lokasi (x,y) untuk komponen R
G(x,y) = nilai pixel pada lokasi (x,y) untuk komponen G
B(x,y) = nilai pixel pada lokasi (x,y) untuk komponen B
b) Penghilangan bayangan (adjustment)
Proses penghilangan bayangan yang ada disekitar objek termasuk
dalam proses transformasi intensitas. Metode yang digunakan didasarkan
pada manipulasi langsung atas piksel-piksel pada suatu citra. Adapun
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
15
domain spasial mengacu pada bidang citra itu sendiri. Proses-proses domain
spasial dinotasikan dengan :
𝑔(𝑥, 𝑦) = 𝑇[ 𝑓(𝑥, 𝑦) ] 2.3
dimana f(x,y) adalah citra masukan, g(x,y) adalah citra keluaran (hasil dari
proses), dan T adalah sebuah operator pada f, yang didefinisikan pada
lingkungan tertentu disekitar titik (x,y).
c) Binerisasi
Proses binerisasi merupakan sebuah proses untuk mengubah citra
grayscale menjadi citra hitam putih yang memiliki 1 keping yakni dengan
nilai 0 dan 1. Pada dasarnya citra dipisahkan menjadi 2 bagian yakni obyek
dari citra dan background. Dalam mengonversi citra abu menjadi citra hitam
putih sekaligus dilakukan proses pemisahan antara obyek dengan
background maka dilakukan proses pengecekan nilai setiap piksel terhadap
nilai ambang atau sering disebut juga dengan pengambangan intensitas atau
thresholding. Nilai ambang ditentukan dengan terlebih dahulu melihat
histogram citra dan dipilih nilai sebagai ambang pada bagian lembah (Kadir,
A., dkk 2012).
Secara matematis, pengambangan intensitas dapat dinyatakan melalui
persamaan:
𝑔(𝑥, 𝑦) = {1 𝑖𝑓 𝑓(𝑥, 𝑦) > 𝑇
0 𝑖𝑓 𝑓(𝑥, 𝑦) ≤ 𝑇 2.4
dengan :
g(x,y) = citra hasil segmentasi atau citra abu
f(x,y) = citra masukan
(x,y) = titik (x,y) pada citra
T = nilai thresholding (nilai ambang)
Dalam penerapannya, nilai 1 dan 0 pada persamaan diatas dapat saling
ditukarkan posisinya.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
16
d) Reduksi derau
Proses reduksi derau (penghilangan derau) ini dilakukan pada citra
yang memiliki derau yang dalam skala kecil disekitar objek. Adapun proses
penghilangan derau dilakukan pada citra yang telah dibinarisasi mernjadi
hitam putih. Median filter adalah sebuah noise removal filter yang
menerapkan sebuah algoritma smoothing yang teratur dengan tujuan
menghilangkan noise pada data citra dengan tetap menjaga sisi pada obyek
di citra. Pemilihan median filter yang digunakan untuk menghilangkan
noise dengan tetap menjaga obyek yang ada pada citra (Syanti, 2016).
e) Cropping
Proses cropping atau pemotongan gambar adalah mengambil bagian
obyek jamur saja tanpa mengikutsertakan bagian background dari data citra.
Alur cropping yakni mengetahui lebih dahulu titik teratas, titik terbawah,
titik terkiri serta titik terkanan dari obyek data citra tersebut yang telah
diubah menjadi citra biner. Lalu nilai koordinat dari titik-titik tersebut
disimpan, untuk selanjutnya digunakan dalam mengcropping citra warna dari
data tersebut.
f) Resizing
Mengubah ukuran citra (resizing image) artinya adalah mengubah
besarnya ukuran citra digital dalam piksel. Ada kalanya ukurannya berubah
menjadi lebih kecil dari file aslinya dan ada kalanya sebaliknya (Rendra,
2014). Resizing dalam sebuah pemrosesan citra adalah mengubah ukuran
citra menjadi lebih kecil ataupun lebih besar. Resizing dalam hal
memperkecil ukuran citra dilakukan untuk mengurangi jumlah piksel pada
citra. Pada proses resizing untuk memperbesar ukuran citra dilakukan
dengan menambah jumlah piksel pada citra.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
17
2.3.2 Ekstraksi Ciri
Ektraksi ciri merupakan langkah yang dilakukan untuk mengidentifikasi
atau mengenali suatu ciri dari setiap jenis. Ekstraksi ciri merupakan bagian
fundamental dari analisis citra. Fitur adalah karakteristik unik dari suatu
objek citra. Artinya melalui fitur atau ciri dari setiap data image maka dapat
diperoleh kekhususan atau keunikan yang dimiliki oleh setiap data. Adapun
karakteristik fitur yang baik memiliki syarat seperti berikut :
Dapat membedakan suatu objek dengan yang lainnya.
Memperhatikan kompleksitas komputasi dalam memperoleh fitur.
Semakin rendah tingkat kompleksitas komputasi maka semakin baik.
Tidak terikat dalam arti bersifat invarian terhadap berbagai transformasi.
Jumlahnya sedikit, karena fitur yang jumlahnya sedikit dapat
menghemat waktu komputasi dan ruang penyimpanan untuk proses
berikutnya.
Ekstraksi ciri yang digunakan dalam penelitian ini secara garis besar antara
lain ciri warna dan tekstur. Metode-metode yang digunakan dalam
memperoleh setiap ciri antara lain metode rerata R, G, B dan RGB untuk
ciri warna, metode HIS untuk ciri warna, metode statistik tekstur, serta
metode gray level co-occurrence matrices.
1. Metode rerata R, G, B dan RGB untuk ciri warna
Ciri warna dengan menghitung rerata nilai keping Red, keping Green,
keping Blue, serta rerata dari RGB. Langkah awal yakni memisahkan
keping Red, Green, dan Blue terlebih dahulu. Hasil pemisahan itu akan
digunakan untuk menghitung rerata dari tiap keping Red, Green, Blue yang
ada pada objek citra.
Rerata keping Red (keping merah) dihitung dengan lebih dahulu
menjumlahkan seluruh nilai-nilai intensitas yang terdapat dalam keping Red
kemudian hasil penjumlahan tersebut dibagi dengan total jumlah piksel dari
objek tersebut. Total jumlah piksel objek dihitung dengan cara mengalikan
baris dan kolom dari objek tersebut. Cara demikian juga dilakukan pada
keping Green dan Blue.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
18
Dalam menghitung nilai rerata keping Red, rerata keping Green, dan
rerata keping Blue maka digunakan persamaan dibawah ini:
𝑀𝑒𝑎𝑛 =1
𝑀𝑥𝑁 ∑ ∑ 𝑃𝑖𝑗
𝑁𝑗=1
𝑀𝑖=1 2.5
Sementara untuk menghitung nilai rerata RGB yakni menggunakan
persamaan sebagai berikut :
𝑀𝑒𝑎𝑛 𝑅𝐺𝐵 =𝑀𝑒𝑎𝑛𝑅+𝑀𝑒𝑎𝑛𝐺+𝑀𝑒𝑎𝑛𝐵
𝑀𝑥𝑁 2.6
2. Metode HSI untuk ciri warna
Ciri warna HSI (Hue, Saturation, and Intensity) memisahkan
komponen intensitas dari informasi pembawa warna (hue dan saturasi) pada
sebuah citra warna. Hasilnya, model HIS merupakan perangkat ideal dalam
pengembangan algoritma-algoritma pemrosesan citra berbasis deskripsi-
deskripsi yang alamiah untuk manusia (Sianipar, 2018).
Adapun rumus untuk memperoleh komponen H dari tiap piksel RGB
didapatkan dengan persamaan :
𝐻 = {0, 𝑗𝑖𝑘𝑎 𝐵 ≤ 𝐺
360 − 𝜃, 𝑗𝑖𝑘𝑎 𝐵 > 𝐺 2.7
Dengan
𝜃 = 𝑐𝑜𝑠−1 {1
2 [(𝑅−𝐺)+(𝑅−𝐵)]
[(𝑅−𝐺)2+(𝑅−𝐺)(𝐺−𝐵)]12
} 2.8
Komponen saturasi diberikan oleh :
𝑆 = 1 −3
(𝑅+𝐺+𝐵) [min (𝑅, 𝐺, 𝐵)] 2.9
𝐼 =1
3 (𝑅 + 𝐺 + 𝐵) 2.10
Keterangan rumus :
H = nilai Hue
S = nilai saturation
I = nilai Intensity
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
19
3. Metode Statistik Tekstur
Rekaman citra terhadap objek-objek real di alam tidak selalu
menunjukkan region-region citra dengan intensitas atau warna yang
uniform atau homogeny. Misalnya citra permukaan lantai kayu parket
tidaklah uniform, tetapi mengandung variasi intensitas warna yang
membentuk pola berulang. Contoh lain, pada citra kulit jeruk. Sekalipun
warnanya seolah tampak homogenya, namun karena memiliki permukaan
berbintik dengan posisi acak maka intensitas cahaya yang dipantulkan
menjadi berbeda. Kedua contoh ini menunjukkan hal yang berbeda, namun
keduanya dikategorikan sebagai tekstur. Oleh karena itu, analisis tekstur
dan segmentasi citra berdasarkan tekstur selalu mengacu pada dua hal: (1)
analisis tingkat kekasaran permukaan serta (2) analisis struktur pola dan
orientasinya. Dua hal ini telah menjadi dasar bagi pengembangan teori
tentang analisis tekstur citra. Pendekatan analisis statistik (statistical
approach) telah dikembangkan untuk mengetahui kekasaran permukaan
tekstur, sedangkan untuk mengetahui bentuk atau pola tekstur dapat
dilakukan melalui pendekatan terstruktur (Madenda, 2015).
Tabel 2. 2 Metode Statistik Tekstur
Momen Rumus Karakteristik Tekstur
Mean 𝜇 = ∑ 𝑖 . 𝑝(𝑖)
𝐿−1
𝑖=0
Menghitung rata-rata intensitas area
citra.
Momen ke-
2 atau
standard
deviation
𝜎 = √𝑀2
Menghitung rata-rata kontras area
citra.
Smoothness
atau
roughness
𝑅 =𝜎2
1 + 𝜎2
Menghitung kehalusan atau
kekasaran permukaan (tinggi
rendahnya variasi intensitas atau
kontras ) region. R=0, intensitas
permukaan region rata atau
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
20
homogeny (kontras=0). R
mendekati 1, permukaan region
kasar ataupun memiliki variasi
intensitas atau kontras tinggi.
Momen ke-
3 atau
skewness
𝑀3 = ∑(𝑖 − 𝜇)3 𝑝(𝑖)
𝐿−1
𝑖=0
Mengukur tingkat simetri
histogram atau kecondongan
distribusi intensitas terhadap posisi
nilai rata-rata (miu). Skewness 0,
distribusi intensitas <miu sama
besar dengan distribusi intensitas
>miu. Skewness positif, histogram
lebih condong melebar ke kanan
(intensitas >miu lebih banyak).
Skewness negatif, histogram lebih
condong melebar ke kiri (intensitas
<miu lebih banyak).
Uniformity 𝑈 = ∑ 𝑝2(𝑖)
𝐿−1
𝑖=0
Mengukur keseragaman nilai
intensitas. U maksimum (U=1) bila
semua piksel dalam area memiliki
nilai intensitas sama.
Entropy 𝐸 = − ∑ 𝑝(𝑖) 𝑙𝑜𝑔2 𝑝(𝑖)
𝐿−1
𝑖=0
Mengukur tingkat keacakan
intensitas. E maksimum bila piksel-
piksel dalam area memiliki nilai
sangat acak. E=0 bila semua piksel
itu memiliki nilai intensitas sama.
4. Metode GLCM untuk ciri tekstur
Matriks co-occurrence (CM) merupakan satu dari sejumlah metode
analisis tekstur. Gray Level Co-occurrence Matrices (GLCM) yang
dikembangkan oleh Robert Haralick merupakan metode yang paling sering
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
21
digunakan. Robert Haralick telah mendefinisikan beberapa karakteristik
/fitur tekstur citra yang dihitung dari matriks co-occurrence (CM) dengan
menyatakan matriks probabilitas 𝑷(𝒊, 𝒋) = 𝑪𝑴(𝒊, 𝒋) | ∑ ∑ 𝑪𝑴(𝒊, 𝒋)𝑮−𝟏𝒋=𝟎
𝑮−𝟏𝒊=𝟎 .
Diantara fitur tersebut adalah mean (𝜇𝑥 , 𝜇
𝑦), variance, homogeneity,
dissimilarity, contrast, entropy, dan energy (Madenda, 2015).
Mean merupakan rata-rata distribusi probabilitas P(i,j) yang dapat
dihitung berdasarkan sampel x dan sampel y, dimana 𝜇𝑥 ≈ 𝜇𝑦.
𝜇𝑥 = ∑ ∑ 𝑃(𝑖, 𝑗)𝐺−1𝑗=0
𝐺−1𝑖=0 2.11
𝜇𝑦 = ∑ ∑ 𝑃(𝑖, 𝑗)𝐺−1𝑖=0
𝐺−1𝑗=0 2.12
Variance (variansi) menentukan sebaran nilai atau simpangan
terhadap nilai rata-rata data (tekstur). Semakin kecil nilai variansi
maka tekstur semakin homogeny, dan sebaliknya. Variansi dapat
dihitung berdasarkan sampel x dan sampel y, dimana 𝜎𝑥2 ≈ 𝜎𝑦
2 .
𝜎𝑥2 = ∑ (𝑖 − 𝜇𝑥)2 ∑ 𝑃(𝑖, 𝑗)𝐺−1
𝑗=0𝐺−1𝑖=0 2.13
𝜎𝑦2 = ∑ (𝑖 − 𝜇𝑦)2 ∑ 𝑃(𝑖, 𝑗)𝐺−1
𝑖=0𝐺−1𝑗=0 2.14
Uniformity of Energy adalah ukuran homogenitas lokal dan
merupakan kebalikan dari entropi. Fitur ini digunakan untuk
melihat tingkat keseragaman tekstur. Semakin tinggi nilai energi,
semakin tinggi tingkat homogenitas tekstur. Nilai energi ada pada
kisaran [0, 1], dimana 1 menggambarkan area yang homogen.
𝐸𝑛𝑒𝑟𝑔𝑦 = ∑ ∑ (𝑃(𝑖, 𝑗))2𝐺−1𝑖=0
𝐺−1𝑗=0 2.15
Entropy adalah ukuran tingkat keacakan (randomness) permukaan
tekstur akibat gangguan spasial atau frekuensi. Nilai entropi dapat
memberi informasi fitur permukaan tekstur yang kasar atau halus.
Semakin nilai entropi mendekati satu maka tingkat kekasaran tekstur
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
22
semakin tinggi, sebaliknya nilai entropi mendekati nol maka
permukaan tekstur semakin halus.
𝐸𝑛𝑡𝑟𝑜𝑝𝑦 = − ∑ ∑ 𝑃(𝑖, 𝑗), log (𝑃(𝑖, 𝑗))𝐺−1𝑖=0
𝐺−1𝑗=0 2.16
Contrast adalah variasi nilai intensitas lokal dalam matriks co-
occurrence. Jika piksel tetangga memiliki nilai intensitas yang mirip
atau berdekatan, maka kontras tekstur sangat rendah. Nilai kontras
tinggi menunjukkan tekstur dengan variasi intensitas yang tinggi,
untuk nilai kontras rendah menunjukkan tekstur yang halus atau
lembut.
𝐶𝑜𝑛𝑡𝑟𝑎𝑠𝑡 = ∑ ∑ (𝑖 − 𝑗)2𝐺−1𝑗=0 𝑃(𝑖, 𝑗)𝐺−1
𝑖=0 2.17
Dissimilarity (ketidakmiripan) adalah ukuran yang mendefinisikan
variasi tingkat intensitas pasangan piksel dalam citra. Mirip dengan
kontras yang dihitung dengan jarak Euclidean, dissimilarity dihitung
dengan jarak city block.
𝐷𝑖𝑠𝑠𝑖𝑚𝑖𝑙𝑎𝑟𝑖𝑡𝑦 = ∑ ∑ |𝑖 − 𝑗| 𝑃(𝑖, 𝑗)𝐺−1𝑗=0
𝐺−1𝑖−0 2.18
Homogeneity mengukur tingkat homogenitas perulangan struktur
tekstur, dimana bobot nilainya merupakan invers dari kontras (pers
2…). Namun, dalam MATLAB homogeneity merupakan invers dari
dissimilaritas (pers 2…). Tingkat homogeneity tekstur sangat tinggi
bila nilai matriks co-occurrence terkonsentrasi sepanjang diagonal
matriks. Ini menunjukkan bahwa ada banyak piksel dengan
perulangan pasangan nilai intensitas yang sama sebagai pembentuk
struktur tekstur. Homogeneity memiliki kisaran nilai [0 1]. Untuk
nilai homogeneity sama dengan 1 menunjukkan bahwa tekstur
memiliki struktur perulangan yang ideal, sedang bila nilainya rendah
menunjukkan bahwa elemen tekstur memiliki variasi yang tinggi
dan tersebar secara merata dalam area tekstur.
𝐻𝑜𝑚𝑜𝑔𝑒𝑛𝑒𝑖𝑡𝑦 = ∑ ∑𝑃(𝑖,𝑗)
1+(𝑖−𝑗)2𝐺−1𝑗=0
𝐺−1𝑖=0 2.19
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
23
𝐻𝑜𝑚𝑜𝑔𝑒𝑛𝑒𝑖𝑡𝑦 = ∑ ∑𝑃(𝑖,𝑗)
1+|𝑖−𝑗|
𝐺−1𝑗=0
𝐺−1𝑖=0 2.20
Correlation adalah ukuran keterhubungan linear tingkat keabuan
satu piksel relative terhadap piksel lainnya pada posisi tertentu.
𝐶𝑜𝑟𝑟𝑒𝑙𝑎𝑡𝑖𝑜𝑛 = ∑ ∑(𝑖−𝜇𝑥)(𝑗−𝜇𝑦)𝑃(𝑖,𝑗)
𝜎𝑥𝜎𝑦
𝐺−1𝑗=0
𝐺−1𝑖=0 2.21
2.4 Jaringan Saraf Tiruan
Jaringan Syaraf Tiruan (JST) merupakan suatu sistem pemrosesan informasi
yang mempunyai karakteristik menyerupai jaringan syaraf biologi (Siang,
2009). Jaringan syaraf tiruan dibentuk sebagai model matematika dari saraf
biologis dengan asumsi bahwa:
1. Pemrosesan informasi terjadi pada neuron yang dianggap elemen sederhana.
2. Sinyal dikirim melalui penghubung dari neuron satu ke neuron selanjutnya.
3. Penghubung antar neuron memiliki bobot yang dapat memperkuat atau
memperlemah sinyal.
4. Untuk menentukan output, setiap neuron menggunakan fungsi aktivasi
(biasanya bukan fungsi linear) yang dikenakan pada jumlahan input yang
diterima. Besarnya output ini selanjutnya dibandingkan dengan suatu
ambang batas.
2.4.1 Backpropagation
Backpropagation merupakan algoritma pembelajaran yang
terawasi dan biasanya digunakan oleh perceptron dengan banyak lapisan
untuk mengubah bobot-bobot yang terhubung dengan neuron-neuron
yang ada pada lapisan tersembunyinya.
Backpropagation melatih jaringan untuk mendapatkan
keseimbangan antara kemampuan jaringan untuk mengenali pola yang
digunakan selama pelatihan serta kemampuan jaringan untuk memberikan
respon yang benar terhadap pola masukan yang serupa (tapi tidak sama)
dengan pola yang dipakai selama pelatihan.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
24
Secara umum model backpropagation ini adalah :
𝑧𝑗 = 𝑓( 𝑣0𝑗 + ∑ 𝑥𝑖 𝑣𝑖𝑗 𝑛𝑖=1 ) 2.22
𝑦𝑘 = 𝑓 ( 𝑤0𝑘 + ∑ 𝑧𝑗 𝑤𝑗𝑘 )𝑝𝑖=1 2.23
Keterangan : (1) : fungsi aktivasi terhadap sinyal-sinyal input berbobot xi
yang dikirim ke lapisan tersembunyi. (2) : fungsi aktivasi terhadap
penjumlahan sinyal-sinyal input berbobot zj yang dikirim ke lapisan
keluaran.
Arsitektur Jaringan
Backpropagation memiliki beberapa unit yang ada dalam satu atau
lebih layar tersembunyi. Gambar 1 adalah arsitektur backpropagation
dengan n buah masukan (ditambah sebuah bias), sebuah layar tersembunyi
yang terdiri dari p unit (ditambah sebuah bias), serta m buah unit keluaran.
Vij merupakan bobot garis dari unit masukan xi ke unit layar
tersembunyi zj (vj0 merupakan bobot garis yang menghubungkan bias di
unit masukan ke unit layar tersembunyi zj). Wkj merupakan bobot dari
unit layar tersembunyi zj ke unit keluaran yk (wk0 merupakan bobot dari
bias di layar tersembunyi ke unit keluaran zk).
Gambar 2. 1 Arsitektur Jaringan Syaraf Tiruan (Hagan Demuth)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
25
Fungsi AKTIVASI
Dalam backpropagation, fungsi aktivasi yang dipakai harus
memenuhi beberapa syarat yaitu : kontinu, terdiferensial dengan mudah
dan merupakan fungsi yang tidak turun. Salah satu fungsi yang memenuhi
ketiga syarat tersebut sehingga sering dipakai adalah fungsi sigmoid biner
yang memiliki range (0,1).
𝑓(𝑥) =1
1+ 𝑒−𝑥 dengan turunan 𝑓′(𝑥) = 𝑓(𝑥)(1 − 𝑓(𝑥)) 2.24
Gambar 2. 2 Fungsi Aktivasi (diambil dari Internet)
Fungsi lain yang sering dipakai adalah fungsi sigmoid bipolar yang
bentuk fungsinya mirip dengan fungsi sigmoid biner, tapi dengan range (-
1,1).
𝑓(𝑥) =2
1+𝑒−𝑥 dengan rumus 𝑓′(𝑥) =
(1+𝑓(𝑥))(1+𝑓(𝑥))
2 2.25
Grafik fungsi tampak pada gambar dibawah:
Fungsi sigmoid memiliki nilai maksimum = 1. Maka untuk pola yang
targetnya > 1, pola masukan dan keluaran harus terlebih dahulu
ditransformasi sehingga semua polanya memiliki range yang sama seperti
fungsi sigmoid yang dipakai.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
26
Gambar 2. 3 Fungsi Sigmoid Bipolar (diambil dari Internet)
Alternatif lain adalah menggunakan fungsi aktivasi sigmoid pada layar
yang bukan layar keluaran. Pada layar keluaran, fungsi aktivasi yang
dipakai adalah fungsi identitas : f(x) = x. Fungsi indentitas atau yang
sering disebut juga sebagai purelin.
Gambar 2. 4 Fungsi Purelin (diambil dari Internet)
Pelatihan Standar Backpropagation
Menurut Siang (2009), pelatihan backpropagation meliputi 3 fase.
Fase pertama adalah fase maju. Pola masukan dihitung maju mulai dari
layar masukan hingga layar keluaran menggunakan fungsi aktivasi yang
ditentukan. Fase kedua adalah fase mundur. Selisih antara keluaran
jaringan dengan target yang diinginkan merupakan kesalahan yang terjadi.
Kesalahan tersebut dipropagasikan mundur, dimulai dari garis yang
berhubungan langsung dengan unit-unit di layar keluaran. Fase ketiga
adalah modifikasi bobot untuk menurunkan kesalahan yang terjadi.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
27
Fase I : Propagasi Maju
Selama propagasi maju, sinyal masukan (=xi) dipropagasikan ke layar
tersembunyi menggunakan fungsi aktivasi yang ditentukan. Keluaran dari
setiap unit layar tersembunyi (=zj) tersebut selanjutnya dipropagasikan
maju lagi ke layar tersembunyi di atasnya menggunakan fungsi aktivasi
yang ditentukan. Demikian seterusnya hingga menghasilkan keluaran
jaringan (=yk).
Berikutnya, keluaran jaringan (=yk) dibandingkan dengan target yang
harus dicapai (=tk). Selisih tk-yk adalah kesalahan yang terjadi. Jika
kesalahan ini lebih kecil dari batas toleransi yang ditentukan, maka iterasi
dihentikan. Akan tetapi apabila kesalahan masih lebih besar dari batas
toleransinya, maka bobot setiap garis dalam jaringan akan dimodifikasi
untuk mengurangi kesalahan yang terjadi.
Fase II : Propagasi Mundur
Berdasarkan kesalahan tk-yk, dihitung faktor (k = 1,2,.....,m) yang dipakai
untuk mendistribusikan kesalahan di unit yk ke semua unit tersembunyi
yang terhubung langsung dengan yk. Dk juga dipakai untuk mengubah
bobot garis yang berhubungan langsung dengan unit keluaran.
Dengan cara yang sama, dihitung faktor dj disetiap unit dilayar
tersembunyi sebagai dasar perubahan bobot semua garis yang berasal dari
unit tersembuyi di layar di bawahnya. Demikian seterusnya hingga semua
faktor d di unit tersembunyi yang berhubungan langsung dengan unit
masukan dihitung.
Fase III : Perubahan Bobot
Setelah semua faktor d dihitung, bobot semua garis dimodifikasi
bersamaan. Perubahan bobot suatu garis didasarkan atas faktor d neuron
di layar atasnya. Sebagai contoh, perubahan bobot garis yang menuju ke
layar keluaran didasarkan atas dk yang ada di unit keluaran.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
28
Ketiga fase tersebut diulang-ulang terus hingga kondisi penghentian
dipenuhi. Umumnya kondisi penghentian yang sering dipakai adalah
jumlah iterasi atau kesalahan. Iterasi akan dihentikan jika jumlah iterasi
yang dilakukan sudah melebihi jumlah maksimum iterasi yang ditetapkan,
atau jika kesalahan yang terjadi sudah lebih kecil dari batas toleransi yang
diijinkan.
Algoritma Pelatihan
Algoritma pelatihan untuk jaringan dengan satu layar tersembunyi
(dengan fungsi aktivasi sigmoid biner) adalah sebagai berikut :
Langkah 0 : Inisialisasi semua bobot dengan bilangan acak kecil
Langkah 1 : jika kondisi penghentian belum terpenuhi, lakukan langkah
2-9
Langkah 2 : untuk setiap pasang data pelatihan, lakukan langkah 3-8.
FASE I : Propagasi Maju
Langkah 3 : Tiap unit masukan menerima sinyal dan meneruskannya ke
unit tersembunyi diatasnya
Langkah 4 : Hitung semua keluaran di unit tersembunyi zj (j=1,2,...,p)
z_netj = 𝑣𝑗0 ∑ 𝑥𝑖 𝑣𝑖𝑗𝑛𝑖=1 2.26
zj = f(z_netj) = 1
1+𝑒−𝑧_𝑛𝑒𝑡𝑗
2.27
Langkah 5 : Hitung semua keluaran jaringan di unit y_k (k=1,2,...,m)
y_netk = 𝑤𝑘0 ∑ 𝑧𝑗 𝑤𝑘𝑗𝑝𝑗=1 2.28
yk = f(y_netk) = 1
1+𝑒−𝑦_𝑛𝑒𝑡𝑘 2.29
FASE II : Propagasi Mundur
Langkah 6 : Hitung faktor δ unit keluaran berdasarkan kesalahan di setiap
unit keluaran yk (k=1,2,...,m).
𝛿𝑘 = (𝑡𝑘 − 𝑦𝑘) 𝑓′(𝑦𝑛𝑒𝑡𝑘) = (𝑡𝑘 − 𝑦𝑘) 𝑦𝑘(1 − 𝑦𝑘) 2.30
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
29
δ merupakan unit kesalahan yang akan dipakai dalam perubahan bobot
layar di bawahnya (langkah 7)
Hitung suku perubahan bobot wkj (yang akan dipakai nanti untuk
merubah bobot wkj) dengan laju percepatan α
∆𝑤𝑘𝑗 = 𝛼 𝛿𝑘 𝑧𝑗 ; 𝑘 = 1,2,3, … . , 𝑝 2.31
Langkah 7 : Hitung faktor δ unit tersembunyi berdasarkan kesalahan
disetiap unit tersembunyi zj(j=1,2,3,…..,p) .
δ_netj = ∑ δ𝑘 𝑤𝑘𝑗𝑚𝑘=1 2.32
Faktor 𝛿 unit tersembunyi :
δj = δ_netj 𝑓′ (znetj
) = δ_netj 𝑧𝑗 (1 − 𝑧𝑗) 2.33
Hitung suku perubahan bobot Vij (yang akan dipakai nanti untuk merubah
bobot Vij).
𝛥𝑣𝑗𝑖 = 𝛼 𝛿𝑗 𝑥𝑖 ; 𝑗 = 1,2, … . , 𝑝 ; 𝑖 = 0,1, … , 𝑝 2.34
FASE III : Perubahan Bobot
Langkah 8 : Hitung semua perubahan bobot
Perubahan bobot garis yang menuju ke unit keluaran :
wkj (𝑏𝑎𝑟𝑢) = 𝑤𝑘𝑗(𝑙𝑎𝑚𝑎) + Δ𝑤𝑗𝑘 (k = 1,2, … , m ; j = 0,1, … , p) 2.35
Perubahan bobot garis yang menuju ke unit tersembunyi :
𝑣𝑗𝑖 (𝑏𝑎𝑟𝑢) = 𝑣𝑗𝑖(𝑙𝑎𝑚𝑎) + Δ𝑣𝑗𝑖 (j = 1,2, … , p ; j = 0,1, … , n) 2.36
Langkah 9 : Pelatihan selesai dilakukan.
2.5 K-Fold Cross Validation
K-Fold Cross Validation adalah metode yang digunakan dalam proses
pengujian klasifikasi data. Data dibagi menjadi k bagian kemudian bagian satu
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
30
dan bagian yang lain ditukar-tukar sebanyak k (Tan, Steinbach, dan Kumar,
2006).
Sebagai contoh data dibagi menjadi 2 bagian dengan jumlah yang sama.
Pertama, data bagian 1 digunakan sebagai data pelatihan dan data bagian 2
digunakan sebagai data pengujian. Kedua, data bagian 2 digunakan sebagai data
pelatihan dan data bagian 1 digunakan sebagai data pengujian. Contoh ini
disebut sebagai 2-Fold Cross Validation.
K-Fold Cross Validation menjadikan data pelatihan dan pengujian tidak
sama. Data pelatihan tidak digunakan sebagai data pengujian.
Tabel 2. 3 Tabel Pembagian Data Training dan Data Testing
Data A Data B Data C Data D Data E Data F
1 1
2
.
.
12
37
38
.
.
48
73
74
.
.
84
109
110
.
.
120
145
146
.
.
156
181
182
.
.
192
2 13
14
.
.
24
49
50
.
.
60
85
86
.
.
96
121
122
.
.
132
157
158
.
.
168
193
194
.
.
204
3 25
26
.
.
36
61
62
.
.
72
97
98
.
.
108
133
134
.
.
144
169
170
.
.
180
205
206
.
.
216
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
31
Gambar 2. 5 Pembagian data training dan data testing
2.6 Confusion Matrix
Data pelatihan dan pengujian merupakan data yang berbeda sehingga
klasifikasi dapat diuji dengan benar. Nilai akurasi berdasarkan hasil klasifikasi
dihitung dari jumlah data yang dikenali sesuai dengan target kelasnya.
Perhitungan akurasi pada klasifikasi data dihitung menggunakan tabel yang
bernama Confusion Matrix (Tan, Steinbach, dan Kumar, 2006). Pada tabel 2.2
merupakan Confusion Matrix untuk klasifikasi 2 kelas.
Tabel 2. 4 Confusion Matrix 2 Kelas (Tan, Steinbach, & Kumar, 2006).
Hasil Pengujian
1 0
Target
Kelas
1 F11 F10
0 F01 F00
Fij adalah jumlah data yang dikenali sebagai kelas ke-j dengan target kelas
ke-i. Dari tabel 2.2 didapat persamaan-persamaan untuk menghitung akurasi
dan tingkat kesalah suatu klasifikasi. :
1. Persamaan untuk menghitung akurasi keseluruhan klasifikasi
𝑎𝑘𝑢𝑟𝑎𝑠𝑖 =𝑗𝑢𝑚𝑙𝑎ℎ 𝑑𝑎𝑡𝑎 𝑠𝑒𝑠𝑢𝑎𝑖 𝑡𝑎𝑟𝑔𝑒𝑡 𝑘𝑒𝑙𝑎𝑠
𝑗𝑢𝑚𝑙𝑎ℎ 𝑠𝑒𝑚𝑢𝑎 𝑑𝑎𝑡𝑎=
𝐹11+𝐹00
𝐹11+𝐹10+𝐹01+𝐹00
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
32
2. Persamaan untuk menghitung error akurasi keseluruhan klasifikasi
𝑎𝑘𝑢𝑟𝑎𝑠𝑖 =𝑗𝑢𝑚𝑙𝑎ℎ 𝑑𝑎𝑡𝑎 𝑡𝑖𝑑𝑎𝑘 𝑠𝑒𝑠𝑢𝑎𝑖 𝑡𝑎𝑟𝑔𝑒𝑡 𝑘𝑒𝑙𝑎𝑠
𝑗𝑢𝑚𝑙𝑎ℎ 𝑠𝑒𝑚𝑢𝑎 𝑑𝑎𝑡𝑎=
𝐹10+𝐹10
𝐹11+𝐹10+𝐹01+𝐹00
3. Persamaan untuk menghitung akurasi klasifikasi kelas 1
𝑎𝑘𝑢𝑟𝑎𝑠𝑖 =𝑗𝑢𝑚𝑙𝑎ℎ 𝑑𝑎𝑡𝑎 𝑠𝑒𝑠𝑢𝑎𝑖 𝑡𝑎𝑟𝑔𝑒𝑡 𝑘𝑒𝑙𝑎𝑠 1
𝑗𝑢𝑚𝑙𝑎ℎ 𝑠𝑒𝑚𝑢𝑎 𝑑𝑎𝑡𝑎=
𝐹11
𝐹11+𝐹10
4. Persamaan untuk menghitung error klasifikasi kelas 1
𝑎𝑘𝑢𝑟𝑎𝑠𝑖 =𝑗𝑢𝑚𝑙𝑎ℎ 𝑑𝑎𝑡𝑎 𝑡𝑖𝑑𝑎𝑘 𝑠𝑒𝑠𝑢𝑎𝑖 𝑡𝑎𝑟𝑔𝑒𝑡 𝑘𝑒𝑙𝑎𝑠 1
𝑗𝑢𝑚𝑙𝑎ℎ 𝑠𝑒𝑚𝑢𝑎 𝑑𝑎𝑡𝑎=
𝐹10
𝐹11+𝐹10
5. Persamaan untuk menghitung akurasi klasifikasi kelas 0
𝑎𝑘𝑢𝑟𝑎𝑠𝑖 =𝑗𝑢𝑚𝑙𝑎ℎ 𝑑𝑎𝑡𝑎 𝑠𝑒𝑠𝑢𝑎𝑖 𝑡𝑎𝑟𝑔𝑒𝑡 𝑘𝑒𝑙𝑎𝑠 0
𝑗𝑢𝑚𝑙𝑎ℎ 𝑠𝑒𝑚𝑢𝑎 𝑑𝑎𝑡𝑎=
𝐹00
𝐹01+𝐹00
6. Persamaan untuk menghitung error klasifikasi kelas 0
𝑎𝑘𝑢𝑟𝑎𝑠𝑖 =𝑗𝑢𝑚𝑙𝑎ℎ 𝑑𝑎𝑡𝑎 𝑡𝑖𝑑𝑎𝑘 𝑠𝑒𝑠𝑢𝑎𝑖 𝑡𝑎𝑟𝑔𝑒𝑡 𝑘𝑒𝑙𝑎𝑠 0
𝑗𝑢𝑚𝑙𝑎ℎ 𝑠𝑒𝑚𝑢𝑎 𝑑𝑎𝑡𝑎=
𝐹01
𝐹01+𝐹00
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
33
BAB III
METODOLOGI PENELITIAN
Pada bab ini akan dijelaskan secara umum mengenai rencana langkah-langkah
yang akan dilakukan dalam penelitian. Termasuk bagaimana memperoleh data
penelitian, mengolah data, membuat alat uji, analisis data, cara pengujian, dan pada
bagian akhir diberikan desain alat uji serta user interface dari alat uji yang
dibangun. Pada Gambar 3.1 menjelaskan langkah-langkah penelitian klasifikasi
berbagai jenis jamur dengan metode backpropagation, antara lain penjelasan data,
tahap preprocessing, tahap ekstraksi ciri, serta tahap klasifikasi.
Gambar 3. 1 Diagram Blok Gambaran Umum Klasifikasi Jamur
3.1 Data
Dalam tugas akhir ini terdapat bagian yang berhubungan dengan bahan dan
data yang akan digunakan berikut:
1. Sumber Data
Data jamur layak konsumsi yang digunakan dalam penelitian klasifikasi
berbagai jenis jamur layak konsumsi bersumber dari CV. Volva Indonesia
yang memiliki kebun jamur yang merupakan pensuplai utama kebutuhan
jamur untuk Rumah Makan Jejamuran di Yogyakarta.
2. Jumlah
Jumlah data yang digunakan dalam penelitian klasifikasi berbagai jenis
jamur layak konsumsi ini adalah 222 data citra jamur. Citra jamur yang
diambil terdiri dari 6 jenis jamur layak konsumsi. Setiap jenis terdiri dari 37
data citra jamur, sehingga total jumlah data yang digunakan sebagai testing
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
34
dan training group adalah 216, serta 6 data citra sebagai data uji data
tunggal.
3. Cara Memperoleh
Banyaknya data yang digunakan tidak terlepas dari cara memperoleh
data-data citra jamur tersebut. Data berupa citra jamur ini diperoleh dengan
cara mensurvei ke CV. Volva Indonesia di Yogyakarta. Kemudian
dilakukan pengambilan foto secara manual dengan kamera. Adapun proses
memperoleh data dilakukan sebanyak 4 kali pengambilan gambar pada hari
yang berbeda-beda.
4. Bentuk
Dalam klasifikasi berbagai jenis jamur layak konsumsi ini diperlukan
banyak data guna melakukan klasifikasi jamur ini. Data-data tersebut
berupa foto/image jamur yang terdiri dari 6 jenis jamur layak konsumsi.
Bentuk atau jenis data yang digunakan ialah berupa citra jamur : Shitake,
Tiram abu-abu, Merang, Kuping, Portabella, dan Kancing. Foto tersebut
memiliki format JPG:
Tabel 3. 1 Contoh Data
No. Gambar
Jenis Jamur Layak Konsumsi
1.
Shitake
2.
Kuping
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
35
3.
Merang
4.
Tiram Abu
5.
Portabella
6.
Kancing
3.2 Preprocessing
Sebelum dilakukan proses ekstraksi ciri maka terlebih dahulu data-data citra
tersebut harus disiapkan sedemikian sehingga data menjadi siap dan lebih
mudah diolah. Adapun tahapan-tahapan yang dilakukan pada bagian
preprocessing adalah grayscalling, penghilangan bayangan, binarisasi, reduksi
derau, cropping, serta resizing. Gambar 3.2 merupakan alur preprocessing
dalam penelitian ini.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
36
Gambar 3. 2 Alur preprocessing
Semua tahap preprocessing dilakukan dengan menggunakan bahasa
pemrograman Matlab. Tahap awal dari preprocessing adalah grayscalling.
Proses grayscalling pada penelitian ini diperlukan guna mengubah citra asli
warna RGB menjadi citra berskala keabuan. Pada proses ini digunakan toolbox
pada Matlab yakni fungsi rgb2gray(). Setelah itu dilanjutkan dengan proses
penghilangan bayangan dengan menggunakan fungsi imadjust(). Langkah
selanjutnya adalah binerisasi yakni mengonversi citra abu menjadi citra hitam
putih dengan menggunakan fungsi imbinarize(). Tahap berikutnya adalah
proses reduksi derau yakni menghilangkan derau yang masih ada pada citra
biner. Fungsi medfilt2() digunakan untuk proses reduksi derau. Setelah itu,
proses cropping yakni pemotongan citra dengan menggunakan cara kerja yakni
menemukan titik terkiri, terkanan, teratas, dan terbawah dari obyek citra jamur
sehingga nantinya titik-titik koordinat tersebut yang akan digunakan saat proses
pemotongan citra asli warna. Proses terakhir adalah resizing yaitu mengubah
ukuran citra agar memiliki ukuran yang sama untuk mempermudah proses
ekstraksi ciri serta klasifikasi. Fungsi imresize() digunakan untuk mengubah
ukurannya menjadi 897x865 pixels. Pemilihan ukuran tersebut berdasarkan
hasil penghitungan rerata dari seluruh baris dan kolom semua jenis data citra
jamur.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
37
3.3 Ekstraksi Ciri
Ekstraksi ciri dan pemilihan ciri yang paling sesuai dengan karakteristik
obyek citra jamur merupakan hal yang sangat penting dan berpengaruh terhadap
kemampuan sistem dalam mengklasifikasikan obyek citra jamur. Metode-
metode yang digunakan dalam mengekstraksi ciri pada penelitian ini berkaitan
dengan analisis ciri. Ekstraksi ciri akan mengambil informasi yang penting dari
obyek citra jamur sehingga mempermudah proses klasifikasi.
Metode-metode ekstraksi ciri yang dilakukan didasarkan pada ciri warna
dan tekstur jamur. Dalam mengekstrak ciri warna digunakan metode rerata Red,
Green, Blue dan RGB serta metode HIS (Hue, Saturation, Intensity). Sedangkan
metode Statistik Tekstur dan Gray Level Co-occurrence Matrices digunakan
untuk mengekstrak ciri tekstur jamur.
Ketika melakukan ekstraksi ciri warna RGB, langkah awal yang dilakukan
adalah dengan mencari jumlah piksel dari setiap warna red green dan blue
(RGB), dari jumlah piksel yang ditemukan maka akan dihitung rerata dari setiap
keping warna red green blue serta keping RGB. Sedangkan ketika melakukan
ekstraksi ciri warna HIS, langkah awal yang dilakukan mengubah nilai
intensitas pada keping RGB yakni yang awalnya 0 hingga 255 menjadi berada
di interval 0 hingga 1. Kemudian untuk mendapatkan nilai hue, terlebih dahulu
menghitung nilai theta. Nilai hue yakni sama dengan 0 jika nilai biru lebih kecil
sama dengan hijau. Tetapi nilai hue adalah 360-theta jika nilai biru lebih besar
dari hijau. Kemudian untuk mencari nilai saturation diperoleh dengan
menghitung terlebih dahulu nilai minimum dari R,G,B kemudian nilai
minimum itu dikalikan dengan 3 yang dibagi dengan penjumlahan R dan G dan
B. Setelah diperoleh hasilnya maka nilai saturation tersebut adalah 1- hasil yang
diperoleh tersebut. Selanjutnya untuk menghitung nilai intensity, yakni
penjumlahan dari nilai R, G dan B kemudian dibagi 3.
Ketika melakukan ekstraksi ciri Statistik Tekstur, citra yang akan
diekstraksi adalah citra berskala keabuan. Sehingga dalam ekstraksi ciri
Statistik tekstur perlu mengonversi citra warna menjadi citra berskala keabuan.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
38
Langkah awal yang dilakukan yakni menghitung berapa besarnya frekuensi
kemunculan suatu nilai intensitas dari citra tersebut. Kemudian dilanjutkan
dengan menghitung mean, standard deviasi, smoothness atau roughness,
skewness, uniformity serta entropy. Dalam melakukan ekstraksi ciri GLCM,
citra yang digunakan juga citra berskala keabuan. Dalam penelitian ini
digunakan penghitungan matriks GLCM dengan sudut tunggal. Kemudian
dihitung ciri dissimilarity, contrast, homogeneity, energy, entropy, mean,
variance, serta correlation.
3.4 Klasifikasi
Setelah proses ekstraksi ciri selesai dilakukan, maka selanjutnya adalah
tahap klasifikasi. Dalam tahap klasifikasi, langkah awal yang dilakukan adalah
membagi data menjadi bagian ciri dan target. Kemudian langkah berikutnya
adalah membagi data menjadi data training dan data testing. Digunakan 3-fold
yakni 2/3 dari data sebagai data training, serta 1/3 dari data digunakan sebagai
data testing. Baik untuk ciri maupun target, dilakukan pembagian training dan
testing. Tidak lupa juga diikuti dengan pemberian label training dan label
testing. Untuk pemberian label training dan label testing, dilakukan pengubahan
kelas menjadi kelas biner. Artinya, apabila kelas 1 adalah 111, kelas 2 adalah
110, kelas 3 adalah 101, kelas 4 adalah 100, kelas 5 adalah 011, dan kelas 6
adalah 010. Kemudian dilanjutkan dengan pembuatan model atau set. Sebagai
contoh ada 36 data. Maka model 1 atau se1 yakni data training dimulai dari 1
hingga 24 sedangkan data testing dimulai dari 25 hingga 36. Untuk model 2
atau set2, maka data yang menjadi data training yakni dimulai dari data 13
hingga 36, sedangkan yang menjadi data testing yakni data 1 hingga 12. Dan
yang terakhir adalah model 3 atau set3 yakni data training dimulai dari data 1
hingga 12 lalu dilanjutkan dari data 25 hingga 36, sedangkan yang menjadi data
testing yakni data ke 13 hingga 24.
Adapun arsitektur backpropagation yang digunakan dalam penelitian ini
seperti pada gambar dibawah ini:
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
39
Gambar 3. 3 Arsitektur jaringan backpropagation
Pada penelitian ini terdapat input sebanyak 21 input lalu dengan jumlah
iterasi sebanyak 50 iterasi. Jumlah neuron yang divariasi dalam penelitian ini
adalah 50 neuron dengan kelipatan 5. Dilakukan juga penghitungan hasil
klasifikasi untuk setiap jenis fungsi training dan fungsi aktivasinya. Adapun
fungsi training yang diujikan dalam penelitian ini adalah trainlm, traingdx,
traincgb, trainbfg, trainrp, trainscg, traincgf, traincgp, trainoss. Sedangkan
fungsi aktivasi yang juga diujikan dalam penelitian ini adalah logsig, tansig
serta purelin. Kemudian output layer sejumlah 3 output layer.
Saat proses klasifikasi yakni digunakan sejumlah 3 model atau 3 set yang
telah dibuat diawal. Masing-masing model atau set dapat memberikan akurasi
yang berbeda-beda. Selanjutnya untuk memperoleh akurasi totalnya yakni
dilakukan penjumlahan dari akurasi ketiga model atau set tersebut kemudian
dibagi 3 untuk mendapatkan rerata akurasinya. Kemudian hasilnya
dibandingkan dengan label testing. Hasil dari rerata ketiga akurasi tersebut
menjadi akurasi terbaik.
3.5 Peralatan Penelitian
Dalam penelitian skripsi klasifikasi berbagai jenis jamur layak konsumsi ini
tidak lari dari beberapa peralatan yang digunakan. Peralatan tersebut digunakan
untuk membantu dalam proses dibuatnya proposal tugas akhir ini. Peralatan
tersebut terdiri sebagai berikut :
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
40
1. Laptop
Merk : Lenovo
Type : ideapad 330
Processor : Intel (R) Core (TM) i5-8250U CPU @ 1.60 GHz 1.80
GHz
Ram : 4,00 GB (3,89 GB usable)
HDD : 1 TB
OS : Windows 10
Terdapat beberapa aplikasi di laptop yang digunakan untuk membantu
pengerjaan proposal tugas akhir ini. aplikasi tersebut antara lain :
a. Microsoft Office Word (versi : 2013)
b. Matlab R2018a
2. Kamera Smartphone dan Kamera biasa
Merk : Xiaomi Redmi 3S dan Sony Nex 5
3. Kotak Kosong
Kotak kosong (box) dengan ukuran 50 cm x 30 cm x 25 cm yang digunakan
sebagai tempat untuk pengambilan foto jamur sebagai data. Warna dasar kotak
ini adalah putih.
3.6 Cara Penelitian
Adapun cara penelitian yang akan dilakukan ialah sebagai berikut :
1. Studi Pustaka
Studi pustaka yang dilakukan berfungsi untuk membantu penyelesaian
proposal tugas akhir ini. Adapun pada bagian cara penelitian ini, studi pustaka
berfungsi untuk menambah teori dan mencari tahu cara pengimplementasian
metode backpropagation di matlab dengan image prepocessing.
2. Pengambilan Data
Pengambilan data berupa foto jamur layak konsumsi itu sendiri dilakukan
beberapa kali mengingat tidak semua jenis jamur layak konsumsi dapat dipanen
secara bersamaan pada suatu waktu. Maka dari itu proses pengambilan data
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
41
gambar disesuaikan dengan waktu panen jamur layak konsumsi. Adapun
skenario pengambilan data dari jamur adalah sebagai berikut :
Pengambilan citra jamur menggunakan kamera Canon.
Background atau penampang latar belakang citra jamur warna putih.
Jamur diletakkan pada penampang.
Objek jamur diambil dari sisi atas dengan jarak 25 cm dari lensa kamera.
Kondisi pencahayaan yakni pada pagi hari.
Citra disimpan dalam file berekstensi *.jpg.
Gambar 3. 4 Diagram alur pengambilan data
3.7 Desain Alat Uji
Pada tahap ini akan dibahas mengenai desain alat uji sistem yang akan
digunakan untuk klasifikasi jenis jamur layak konsumsi. Preprocessing sebagai
langkah awal sebelum melanjutkan pada tahap ekstraksi ciri. Kemudian setelah
preprocessing, data akan diekstraksi ciri untuk menghasilkan atau mendapatkan
ciri dari setiap jenis jamur layak konsumsi. Adapun ciri yang digunakan antara
lain ciri warna RGB, ciri warna HSI, metode Statistik Tekstur, dan ciri tekstur
dengan metode GLCM.
Setelah melalui proses ekstraksi ciri, selanjutnya adalah proses klasifikasi.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
42
Dalam proses klasifikasi menggunakan jaringan saraf tiruan backpropagation,
dengan penjelasan sebagai berikut :
Tabel 3. 2 Penjelasan Arsitektur Jaringan
Input
Jumlah input dalam arsitektur ini adalah 21 yakni
diperoleh dari 21 ciri hasil ekstraksi ciri. Adapun 21
ciri tersebut yaitu : rerata Red, rerata Green, rerata
Blue, rerata RGB, hue, saturation, intensity, mean,
standard deviation, smoothness atau roughness,
skewness, uniformity, entropy, GLCM (meanX,
varianceX, uniformity, entropy, contrast,
dissimilarity, homogeneity, correlation)
Proses
Jumlah hidden layer : 1
Jumlah neuron : minimal 5, maksimal 70.
Fungsi training : trainlm, traincgb, trainbfg, trainrp,
trainscg, traincgf, traincgp, trainoss.
Fungsi aktivasi : logsig, tansig, purelin
Output
111 ( jamur Kancing)
110 ( jamur Kuping )
101 ( jamur Merang )
100 ( jamur Portabella )
011 ( jamur Shitake )
010 ( jamur Tiram Abu )
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
43
Setelah itu data akan dibagi menjadi 2 bagian dengan k-fold cross validation
untuk memisahkan data testing dan data training. Data training akan digunakan
untuk pelatihan, serta data testing digunakan untuk uji akurasi. Setelah itu akan
diperoleh akurasi terbaik serta optimasinya.
Gambar 3. 5 Desain user interface uji data tunggal
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
44
BAB IV
HASIL DAN ANALISIS HASIL
Pada bab ini membahas tentang tampilan dari program dalam
mengklasifikasikan berbagai jenis jamur layak konsumsi, disertai hasil serta
analisis hasil dari sistem dengan metode yang digunakan. Kemudian berisi juga
variasi percobaan dengan jumlah hidden layer yakni satu hidden layer maupun dua
hidden layer, variasi jumlah neuron dari setiap hidden layer, variasi jenis fungsi
aktivasi, variasi jenis learning rate, pengujian data tunggal, uraian mengenai hasil
yang diperoleh serta cara optimasinya.
4.1 Preprocessing
Ketika tahap pengambilan data telah selesai dilakukan, maka tahap
selanjutnya yang dilakukan adalah pemrosesan awal atau preprocessing. Tahap
preprocessing dilakukan untuk mempersiapkan data agar siap untuk diolah pada
tahap berikutnya (ekstraksi ciri). Adapun tahapan preprocessing dalam
penelitian ini yakni grayscalling, penghilangan bayangan, binarisasi, reduksi
derau, cropping serta resizing.
1. Citra warna RGB
Ketika citra berhasil dicapture dan disimpan dalam file berbentuk *.jpg,
maka hasil yang diperoleh dari proses pengambilan data jika ditampilkan
adalah seperti yang terlihat pada Gambar 4.1 dibawah ini. Citra asli hasil
pengumpulan data merupakan citra warna. Citra ini yang selanjutnya diolah
untuk tahap preprocessing selanjutnya serta citra ini yang digunakan untuk
memperoleh ciri warna dalam penelitian ini.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
45
Gambar 4. 1 Citra warna jamur Kancing
2. Grayscaling
Pada Gambar 4.2 merupakan contoh hasil dari proses grayscalling yakni
mengonversi citra warna menjadi citra berskala abu. Data citra abu ini
digunakan dalam ekstraksi ciri tekstur. Dalam citra abu hanya terdapat 1
keping saja yang berisi nilai intensitas dari 0 hingga 255.
Gambar 4. 2 Citra abu jamur Kancing
3. Penghilangan bayangan dan binerisasi
Hasil dari proses penghilangan bayangan dengan menggunakan fungsi
imadjust() pada Matlab dimulai dengan memproses citra abu hasil
grayscalling. Proses penghilangan bayangan akan sangat terlihat
perbedaanya apabila citra abu juga diubah ke citra biner dengan proses
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
46
binarisasi. Proses binarisasi pada penelitian ini menggunakan fungsi
imbinarize() di toolbox Matlab.
a. Citra abu sebelum penghilangan bayangan
Proses penghilangan bayangan diawali dengan menegasikan citra
abu. Proses negasi menggunakan imcomplement() pada Matlab.
Sehingga Gambar 4.3 dibawah ini merupakan hasil dari negasi citra abu.
Gambar 4. 3 Negasi Citra abu jamur Kancing sebelum adjustment
b. Citra biner sebelum penghilangan bayangan
Agar mengetahui apakah suatu citra memiliki bayangan (berupa
derau) dalam jumlah banyak disekitar obyek pada citra dapat diketahui
dengan mengubah citra abu menjadi citra hitam putih. Hasilnya dapat
dilihat pada Gambar 4.4 yang merupakan citra hitam putih jamur
Kancing. Jelas terlihat bahwa disekitar obyek terdapat banyak bayangan
(derau dalam jumlah banyak). Bayangan ini tidak diperlukan dalam
tahap ekstraksi ciri serta bayangan ini dapat menghambat tahap
preprocessing berikutnya yakni ketika melakukan pemotongan gambar.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
47
Gambar 4. 4 Citra hitam putih jamur Kancing sebelum adjustment
c. Citra abu setelah penghilangan bayangan
Tahap penghilangan bayangan pada citra abu dilakukan dengan
menggunakan fungsi imadjust() pada toolbox Matlab. Maka diperoleh
hasil dari citra abu jamur Kancing yang tertera pada Gambar 4.5 yang
telah dibersihkan bayangan disekitat obyek pada citra.
Gambar 4. 5 Citra abu setelah adjustment
d. Citra biner setelah penghilangan bayangan
Hasil dari citra abu yang telah dibersihkan dari bayangan kemudian
dibinarisasi untuk menjadi citra biner. Hasilnya setelah dibinarisasi ini
digunakan untuk proses berikutnya yakni cropping. Pada Gambar 4.4
dan Gambar 4.6 jika dibandingkan jelas terlihat perbedaannya yakni
bayangan di sekitar obyek pada citra jamur sudah lebih sedikit bahkan
cenderung hilang bayangannya (deraunya).
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
48
Gambar 4. 6 Citra hitam putih jamur Kancing setelah adjustment
4. Reduksi derau
Proses reduksi derau dibutuhkan untuk menghilangkan derau-derau
(yang cenderung lebih kecil) yang masih tersisa disekitar obyek pada citra.
Derau-derau kecil memang sulit terlihat secara visual dengan mata namun
ketika proses cropping dilakukan apabila derau kecil disekitar obyek masih
ada maka itu dapat menghambat proses pemotongan gambar. Pada Gambar
4.7 jika dibandingkan dengan Gamnar 4.8 maka apabila dilihat secara visual
tidak akan begitu banyak perbedaan apakah derau sudah hilang atau belum.
Gambar 4. 7 Citra sebelum dilakukan reduksi deraunya.
Derau kecil cenderung lebih mudah dikenali oleh Matlab dibanding
dengan dilihat secara langsung oleh mata. Proses penghilangan derau (yang
lebih kecil) dilakukan dengan menggunakan fungsi medfilt2() pada toolbox
Matlab.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
49
Gambar 4. 8 Citra abu jamur Kancing setelah dibersihkan deraunya
5. Cropping
Proses pemotongan gambar dilakukan dengan terlebih dahulu
mengetahui koordinat titik teratas, titik terbawah, titik terkiri dan titik
terkanan dari sebuah obyek pada citra jamur. Tujuannya dilakukan
pemotongan untuk memperoleh bagian obyek saja tanpa disertai oleh
background dari citra tersebut. Ketika ingin mengetahui titik-titik koordinat
tersebut, diproses dari citra biner yang sudah bersih dari bayangan juga
derau kecil. Gambar 4.9 merupakan citra warna yang akan di potong untuk
mendapatkan obyek jamurnya saja.
Gambar 4. 9 Citra warna jamur Kancing sebelum di cropping
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
50
Sedangkan Gambar 4.10 merupakan hasil dari pemotongan gambar
yang berasal dari citra warna. Dapat dilihat pada gambar tersebut, hasilnya
adalah obyek jamur saja tanpa diikuti oleh background yang luas seperti
pada citra aslinya.
Gambar 4. 10 Hasil cropping jamur Kancing
6. Resizing
Proses resizing menghasilkan citra dengan ukuran yang berbeda dari
ukuran aslinya. Pada proses ini, citra diresize sesuai dengan ukuran yang
sudah ditentukan. Ukuran yang digunakan yakni 897x865 piksel. Ukuran
inilah yang digunakan untuk meresize semua jenis jamur dalam penelitian
ini.
Gambar 4. 11 Citra warna jamur Kancing dengan ukuran asli
Setelah dilakukan resize dengan ukuran yang telah ditentukan maka
dapat dilihat pada Gambar 4.12 yakni ukuran citra sudah sama.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
51
Gambar 4. 12 Citra warna jamur Kancing setelah resizeresize)
4.2 Ekstraksi Ciri
Kemampuan sistem dalam mengklasifikasikan obyek akan lebih efektif dan
cepat ketika kita bias mendapatkan ciri yang mampu membedakan satu jenis
obyek dengan jenis obyek lainnya dibandingkan dengan menggunakan seluruh
informasi yang ada. Ketika memilih metode ekstraksi ciri yang tepat maka
secara langsung akan mengurangi dimensi data yang akan diolah sehingga akan
lebih meringankan beban memory juga waktu. Proses ekstraksi ciri dilakukan
untuk semua data yang akan diolah yakni data training dan data testing.
Ekstraksi ciri dalam penelitian ini dibagi menjadi ciri warna dan ciri tekstur.
1. Rerata Red, Green, Blue, dan RGB
Hasil ektraksi ciri metode rerata Red, Green, Blue dan RGB pada Tabel
4.1 yang menampilkan masing-masing ciri warna RGB setiap jenis jamur.
Setiap ciri baik itu rerata Red, rerata Green, rerata Blue serta rerata RGB
merepresentasikan obyek citra jamur dari setiap jenis jamur. Maka dari itu
nilai rerata Red jamur Kancing berbeda dengan nilai rerata Red jamur
Kuping, begitu pula dengan jamur Merang, Portabella, Shitake serta Tiram
abu memiliki nilai yang berbeda untuk setiap ciri warna RGB tersebut.
Apabila dilakukan analisa maka rerata Red sama dengan 133, rerata
Green sama dengan 122, rerata Blue 110 serta rerata RGB 122 merupakan
ciri warna RGB untuk jenis jamur Kancing. Bila dibandingkan dengan ciri
warna RGB jamur Kuping maka jelas berbeda. Pada jamur Kuping untuk
rerata Red 102, rerata Green 94, rerata Blue 93 serta rerata RGB 96. Bila
dibandingkan secara visual dengan mata, karakteristik warna jamur Kancing
dan Kuping adalah jelas berbeda karena jamur Kancing cenderung lebih
cerah yakni dominan putih sedangkan jamur Kuping lebih cenderung
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
52
berwarna gelap.
Tabel 4. 1Contoh hasil ekstraksi ciri warna RGB
Jamur Atribut
MeanR MeanG MeanB MeanRGB
Kancing 133 122 110 122
Kuping 102 94 93 96
Merang 75 69 62 69
Portabella 96 86 80 87
Shitake 129 105 93 109
Tiram abu 112 105 97 105
2. HIS (Hue, Saturation, Intensity)
Hasil dari ekstraksi ciri warna HSI menghasilkan 3 ciri yakni nilai dari
hue, saturation, intensity. Ketika melakukan ekstraksi ciri HSI, terlebih
dahulu nilai dari citra warna RGB diubah menjadi nilai yang berada diantara
0 hingga 1 dengan fungsi im2double() pada toolbox di Matlab.
Adapun representasi nilai hue, saturation, intensity dari setiap jenis jamur
yakni terdapat beberapa contoh data pada Tabel 4.2. Setiap jenis jamur
memiliki nilai HSI yang berbeda satu dengan yang lainnya.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
53
Tabel 4. 2Contoh hasil ekstraksi ciri warna HSI
Jamur
Atribut
Hue Saturation Intensity
Kancing 0.203675 0.10573003 0.47711678
Kuping 0.312339 0.06438572 0.37728262
Merang 0.198641 0.15960656 0.27003283
Portabella 0.222917 0.1504051 0.3416678
Shitake 0.1762 0.25177642 0.42679533
Tiram abu 0.19651 0.11724669 0.41035937
3. Statistik Tekstur
Apabila dalam mengekstrak ciri warna menggunakan citra warna dari
setiap jenis jamur, maka ketika mengekstrak ciri tekstur, citra yang
digunakan yakni citra abu dari setiap jenis jamur. Ketika mengekstrak ciri
tekstur, lebih dahulu dilakukan proses mengonversi citra warna menjadi
citra abu dengan fungsi rgb2gray(). Adapun beberapa ciri yang dihasilkan
dengan metode Statistik Tekstur ini adalah 6 ciri. Beberapa contoh hasil dari
ekstraksi ciri tekstur dengan statistic tekstur dapat dilihat pada Tabel 4.3.
Dapat dibandingkan bahwa ciri mean setiap jenis jamur berbeda-beda. Hal
itu dapat diketahui dari mean jamur Kancing yaitu 124 sedangkan mean
jamur Kuping 96, mean jamur Merang 70, mean jamur Portabella 88, mean
jamur Shitake 111, dan mean jamur Tiram abu 106. Tetapi apabila
dibandingkan hasil ciri entropy, setiap jenis jamur cenderung hampir
memiliki nilai yang sama. Artinya tidak begitu banyak perbedaan ataupun
selisih nilai entropy jamur Kancing dengan jamur lainnya.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
54
Tabel 4. 3 Contoh hasil ekstraksi ciri Statistik Tekstur
Jamur Atribut
1 2 3 4 5 6
Kancing 124 24.0666 0.99828 -9562.181 0.01438 6.38699
Kuping 96 61.8352 0.99974 139008.2 0.01802 6.3672
Merang 70 41.8807 0.99943 43923.32 0.00967 6.93773
Portabella 88 34.4809 0.99916 16418.27 0.01132 6.78227
Shitake 111 63.2918 0.99975 131521.3 0.01418 6.67654
Tiram abu 106 35.128 0.99919 12253.8 0.00905 6.93902
Keterangan nama ciri :
1 = Mean
2 = Standar deviasi
3 = Smoothness atau Roughness
4 = Skewness
5 = Uniformity
6 = Entropy
4. Gray Level Co-occurrence Matrix
Beberapa hasil dari penghitungan ciri tekstur dengan metode GLCM
tertera pada Tabel 4.4. Saat melakukan ekstraksi ciri tekstur dengan metode
GLCM, citra yang digunakan yakni citra abu. Maka dari itu sebelum
mengekstrak ciri GLCM terlebih dahulu data citra dkikonversi menjadi citra
abu dengan bantuan fungsi rgb2gray() pada toolbox di Matlab. Hasil dari
metode ekstraksi ciri GLCM menghasilkan 8 ciri. Namun yang perlu
diperhatikan sebagai bagian dari analisa adalah saat menghitung nilai dari
setiap ciri pada metode GLCM, perlu ditentukan apakah menggunakan
sudut tunggal atau sudut ganda. Pada penelitian ini digunakan sudut tunggal.
Setelah dipilih sudut tunggal, maka selanjutnya adalah melakukan
pengujian terhadap besar sudut. Artinya dengan besar sudut berapakah dapat
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
55
menghasilkan hasil yang terbaik. Pada sudut tunggal, besar sudut nya antara
lain 0, 45, 90, serta 135.
Tabel 4. 4 Contoh hasil ekstraksi ciri Tekstur GLCM
Jamur Atribut
Dissimilarity Contrast Homogeneity Energy
Kancing 1.385350434 5.73393373 0.597552114 0.003406
Kuping 1.743124226 13.414207 0.617367613 0.007564
Merang 1.290608227 5.67259109 0.601802965 0.001988
Portabella 1.176450248 5.55383722 0.671876402 0.003559
Shitake 1.814070242 10.8498516 0.587408632 0.00599
Tiram abu 0.834027921 2.54893812 0.71738859 0.003099
Jamur Atribut
Entropy MeanX VarianceX Correlation
Kancing 2.7725476 123.9711 578.726053 0.995576
Kuping 2.758092 96.03294 3819.69931 0.998678
Merang 2.9136139 70.13056 1748.86537 0.999449
Portabella 2.810238 88.11136 1185.95639 0.999036
Shitake 2.8721553 110.5029 4003.62133 0.998271
Tiram abu 2.7507925 106.0585 1230.43863 1.000592
4.3 Hasil Klasifikasi
Setelah diperoleh hasil tahap preprocessing dan ekstraksi ciri, selanjutnya
adalah hasil dari proses klasifikasi. Adapun proses klasifikasi tersebut yakni :
a. Pembagian Data menjadi 3-Fold Cross Validation
Jumlah data training dan testing adalah 216 data. Maka setiap kelas
memiliki 36 data. Dalam 3-Fold Cross Validation, data training
sebanyak 2/3 dari jumlah data dalam sebuah kelas, sedangkan data
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
56
testing adalah 1/3 dari jumlah data dalam sebuah kelas.
b. Arsitektur Jaringan Backpropagation
Setelah dilakukan pembuatan model 3-fold cross validation untuk data
training dan data testing, selanjutnya adalah proses klasifikasi. Variasi-
variasi yang dilakukan dalam percobaan yang berkaitan dengan
arsitektur jaringan backpropagation antara lain :
Tabel 4. 5 Arsitektur awal Jaringan backpropagation
Fungsi Training Trainlm, Traincgb, Trainbfg, Trainrp,
Trainscg, Traincgf, Traincgp, Trainoss.
Fungsi aktivasi Logsig, Tansig, Purelin
Jumlah hidden layer 1
Jumlah neuron 70 (dengan kelipatan 5)
Kemudian setelah dilakukan percobaan, dipilihlah satu fungsi training
yang tepat dalam mengklasifikasikan jamur ditinjau dari hasil akurasi
yang paling baik. Begitu juga fungsi aktivasi antara logsig dan tansig
akan dipilih mana yang paling tepat dan dijadikan sebagai arsitektur
jaringan dalam klasifikasi jamur.
4.4 Analisis hasil
a. Pemilihan Fungsi training
Saat melakukan percobaan-percobaan dalam proses klasifikasi,
percobaan yang dilakukan pertama kali adalah pemilihan fungsi training.
Percobaan ini dilakukan dengan menggunakan input ataupun ciri yakni
seluruh ciri yang digunakan dalam penelitian berjumlah 21 ciri. Kemudian
percobaan dilakukan yakni diuji setiap fungsi training yaitu Trainlm,
Traincgb, Trainbfg, Trainrp, Trainscg, Traincgf, Traincgp, Trainoss,
baik dengan fungsi aktivasi logsig, tansig maupun fungsi aktivasi purelin
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
57
disertai dengan pengujian pada citra yang di-resize maupun yang tidak di-
resize. Kemudian diperoleh hasil perbandingan setiap fungsi training pada
fungsi aktivasi logsig, tansig, dan purelin serta pada data yang sudah di
resizing maupun belum di resizing.
Pada grafik gambar 4.13 dibawah ini merupakan perbandingan seluruh
fungsi dengan menggunakan fungsi logsig sebagai fungsi aktivasi serta data
yang digunakan adalah data citra yang belum di-resize.
Gambar 4. 13 Grafik LOGSIG dan non-resize
Pada grafik diatas dapat dilihat bahwa pada fungsi training trainlm
memiliki akurasi maksimal 96% pada neuron ke 25. Sedangkan traincgb
memiliki akurasi maksimal 91% pada neuron ke 25, 65 dan 70. Trainbfg
memiliki akurasi maksimal 91% pada neuron ke 25 dan 55. Fungsi trainrp
memiliki akurasi maksimal 91% pada neuron ke 10 dan 65. Fungsi trainscg
memiliki akurasi maksimal 92% pada neuron ke 25. Fungsi traincgf
memiliki akurasi maksimal 92% pada neuron ke 25. Fungsi traincgp
memiliki akurasi maksimal 91% pada neuron ke 25. Serta trainoss memiliki
akurasi maksimal 91% pada neuron ke 25 dan 65.
Berdasarkan hasil akurasi maksimal yang diperoleh oleh setiap fungsi
training maka fungsi trainlm merupakan fungsi training yang memiliki
70
75
80
85
90
95
100
5 10 15 20 25 30 35 40 45 50 55 60 65 70
Fungsi LOGSIG, NON-Resize
Trainlm Traincgb Trainbfg Trainrp
Trainscg Traincgf Traincgp Trainoss
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
58
akurasi tertinggi dibanding fungsi training lainnya apabila proses percobaan
dilakukan dengan fungsi aktivasi logsig serta data yang digunakan adalah
data yang tidak di-resize.
Selanjutnya dilakukan percobaan pemilihan fungsi training dengan
menggunakan fungsi aktivasi tansig serta data citra yang tidak di-resize.
Pada grafik gambar 4.14 merupakan hasil perbandingan delapan fungsi
training dengan menggunakan fungsi aktivasi tansig serta data citra yang
tidak di-resize.
Gambar 4. 14 Grafik TANSIG dan non-resize
Pada grafik diatas dapat dilihat bahwa pada fungsi training trainlm
memiliki akurasi maksimal 96% pada neuron ke 30. Sedangkan traincgb
memiliki akurasi maksimal 94% pada neuron ke 55 dan 70. Trainbfg
memiliki akurasi maksimal 95% pada neuron ke 45. Fungsi trainrp memiliki
akurasi maksimal 91% pada neuron ke 55. Fungsi trainscg memiliki akurasi
maksimal 94% pada neuron ke 70. Fungsi traincgf memiliki akurasi
maksimal 94% pada neuron ke 55. Fungsi traincgp memiliki akurasi
maksimal 93% pada neuron ke 55. Serta trainoss memiliki akurasi maksimal
91% pada neuron ke 25.
Berdasarkan hasil akurasi maksimal yang diperoleh oleh setiap fungsi
70
75
80
85
90
95
100
5 10 15 20 25 30 35 40 45 50 55 60 65 70
Fungsi TANSIG, Non-Resize
Trainlm Traincgb Trainbfg Trainrp
Trainscg Traincgf Traincgp Trainoss
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
59
training maka fungsi trainlm merupakan fungsi training yang memiliki
akurasi tertinggi dibanding fungsi training lainnya yakni hasil akurasi
maksimal 96% apabila proses percobaan dilakukan dengan fungsi aktivasi
tansig dan data yang digunakan adalah data yang tidak di-resize.
Selanjutnya pada grafik gambar 4.15 dibawah ini merupakan hasil
perbandingan delapan fungsi training dengan menggunakan fungsi aktivasi
purelin serta data citra yang tidak di-resize.
Gambar 4. 15 Grafik PURELIN dan non-resize
Pada grafik diatas dapat dilihat bahwa pada fungsi training trainlm
memiliki akurasi maksimal 94% pada neuron ke 30, 35 dan 70. Sedangkan
traincgb memiliki akurasi maksimal 90% pada neuron ke 25, 30 dan 70.
Trainbfg memiliki akurasi maksimal 94% pada neuron ke 70. Fungsi trainrp
memiliki akurasi maksimal 90% pada neuron ke 40. Fungsi trainscg
memiliki akurasi maksimal 92% pada neuron ke 70. Fungsi traincgf
memiliki akurasi maksimal 89% pada neuron ke 25 dan 70. Fungsi traincgp
memiliki akurasi maksimal 91% pada neuron ke 70. Serta trainoss memiliki
akurasi maksimal 90% pada neuron ke 35.
Berdasarkan hasil akurasi maksimal yang diperoleh oleh setiap fungsi
training maka fungsi trainlm dan trainbfg merupakan fungsi training yang
65
70
75
80
85
90
95
100
5 10 15 20 25 30 35 40 45 50 55 60 65 70
Fungsi Purelin, NON-Resize
Trainlm Traincgb Trainbfg Trainrp
Trainscg Traincgf Traincgp Trainoss
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
60
memiliki akurasi tertinggi dibanding fungsi training lainnya yakni hasil
akurasi maksimal 94% apabila proses percobaan dilakukan dengan fungsi
aktivasi purelin dan data yang digunakan adalah data yang tidak di-resize.
Pada gambar 4.16 dibawah ini merupakan perbandingan delapan fungsi
training dengan menggunakan fungsi logsig sebagai fungsi aktivasi serta
data yang digunakan adalah data citra yang sudah di-resize.
Gambar 4. 16 Grafik LOGSIG dan resize
Pada grafik diatas dapat dilihat bahwa pada fungsi training trainlm
memiliki akurasi maksimal 97% pada neuron ke 25. Sedangkan traincgb
memiliki akurasi maksimal 94% pada neuron ke 50. Trainbfg memiliki
akurasi maksimal 93% pada neuron ke 10, 45 dan 55. Fungsi trainrp
memiliki akurasi maksimal 94% pada neuron ke 30 dan 50. Fungsi trainscg
memiliki akurasi maksimal 91% pada neuron ke 10. Fungsi traincgf
memiliki akurasi maksimal 94% pada neuron ke 45 dan 55. Fungsi traincgp
memiliki akurasi maksimal 94% pada neuron ke 45. Serta trainoss memiliki
akurasi maksimal 93% pada neuron ke 25.
Berdasarkan hasil akurasi maksimal yang diperoleh setiap fungsi
training maka fungsi trainlm merupakan fungsi training yang memiliki
akurasi tertinggi dibanding fungsi training lainnya apabila proses percobaan
50
60
70
80
90
100
5 10 15 20 25 30 35 40 45 50 55 60 65 70
Fungsi LOGSIG, RESIZE
Trainlm Traincgb Trainbfg Trainrp
Trainscg Traincgf Traincgp Trainoss
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
61
dilakukan dengan fungsi aktivasi logsig serta data yang digunakan adalah
data yang sudah di-resize.
Selanjutnya dilakukan percobaan pemilihan fungsi training dengan
menggunakan fungsi aktivasi tansig serta data citra yang sudah di-resize.
Pada gambar 4.17 merupakan hasil perbandingan delapan fungsi training
dengan menggunakan fungsi aktivasi tansig serta data citra yang sudah di-
resize.
Gambar 4. 17 Grafik TANSIG dan resize
Pada grafik dapat dilihat bahwa pada fungsi training trainlm memiliki
akurasi maksimal 98% pada neuron ke 55. Sedangkan traincgb memiliki
akurasi maksimal 93% pada neuron ke 10, 30, 50 dan 70. Trainbfg memiliki
akurasi maksimal 95% pada neuron ke 35 dan 55. Fungsi trainrp memiliki
akurasi maksimal 93% pada neuron ke 10. Fungsi trainscg memiliki akurasi
maksimal 93% pada neuron ke 10 dan 30. Fungsi traincgf memiliki akurasi
maksimal 95% pada neuron ke 55. Fungsi traincgp memiliki akurasi
maksimal 95% pada neuron ke 55. Serta trainoss memiliki akurasi maksimal
94% pada neuron ke 45.
Berdasarkan hasil akurasi maksimal yang diperoleh oleh setiap fungsi
training maka fungsi trainlm merupakan fungsi training yang memiliki
60
65
70
75
80
85
90
95
100
5 10 15 20 25 30 35 40 45 50 55 60 65 70
Fungsi TANSIG, RESIZE
Trainlm Traincgb Trainbfg Trainrp
Trainscg Traincgf Traincgp Trainoss
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
62
akurasi tertinggi dibanding fungsi training lainnya yakni hasil akurasi
maksimal 98% apabila proses percobaan dilakukan dengan fungsi aktivasi
tansig dan data yang digunakan adalah data yang sudah di-resize.
Selanjutnya pada gambar 4.18 dibawah ini merupakan hasil
perbandingan delapan fungsi training dengan menggunakan fungsi aktivasi
purelin serta data citra yang sudah di-resize.
Gambar 4. 18 Grafik PURELIN dan resize
Pada grafik dapat dilihat bahwa pada fungsi training trainlm memiliki
akurasi maksimal 96% pada neuron ke 70. Sedangkan traincgb memiliki
akurasi maksimal 91% pada neuron ke 70. Trainbfg memiliki akurasi
maksimal 94% pada neuron ke 60. Fungsi trainrp memiliki akurasi
maksimal 89% pada neuron ke 30 dan 70. Fungsi trainscg memiliki akurasi
maksimal 93% pada neuron ke 70. Fungsi traincgf memiliki akurasi
maksimal 91% pada neuron ke 70. Fungsi traincgp memiliki akurasi
maksimal 91% pada neuron ke 30. Serta trainoss memiliki akurasi maksimal
91% pada neuron ke 30, 40 dan 70.
Berdasarkan hasil akurasi maksimal yang diperoleh oleh setiap fungsi
training maka fungsi trainlm merupakan fungsi training yang memiliki
akurasi tertinggi dibanding fungsi training lainnya yakni hasil akurasi
70
75
80
85
90
95
100
5 10 15 20 25 30 35 40 45 50 55 60 65 70
Fungsi PURELIN, RESIZE
Trainlm Traincgb Trainbfg Trainrp
Trainscg Traincgf Traincgp Trainoss
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
63
maksimal 96% apabila proses percobaan dilakukan dengan fungsi aktivasi
purelin dan data yang digunakan adalah data yang sudah di-resize.
Berdasarkan hasil percobaan-percobaan yang dilakukan dalam memilih
fungsi training, maka diperoleh fungsi training terbaik yakni trainlm baik
untuk fungsi aktivasi logsig, tansig, serta purelin juga dengan menggunakan
data yang tidak di-resize maupun yang sudah di-resize. Kemudian fungsi
trainlm ini akan digunakan dalam memilih fungsi aktivasi yang terbaik.
b. Pemilihan fungsi aktivasi
Dalam proses pemilihan fungsi aktivasi yakni menentukan manakah
diantara fungsi logsig, tansig dan purelin yang memiliki akurasi paling baik
dalam proses klasifikasi jamur ini, sehingga fungsi aktivasi tersebutlah yang
akan digunakan pada percobaan-percobaan berikutnya. Adapun jumlah
input yakni sebanyak 21 input atau 21 ciri yang digunakan dalam percobaan
pemilihan fungsi aktivasi.
Pada percobaan untuk memilih fungsi aktivasi terbaik yakni digunakan
hanya satu fungsi training yang sudah dipilih sebelumnya yakni fungsi
training trainlm. Pada grafik gambar 4.19 merupakan perbandingan dari
ketiga fungsi aktivasi yaitu logsig, tansig, serta purelin yang dicobakan
dengan fungsi training trainlm serta data citra yang tidak di-resize.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
64
Gambar 4. 19 Grafik Trainlm, nonResize
Pada grafik dapat dilihat bahwa pada fungsi aktivasi logsig memiliki
akurasi maksimal 96% pada neuron ke 25 dan 70. Sedangkan fungsi tansig
memiliki akurasi maksimal 96% pada neuron ke 30. Lalu fungsi purelin
memiliki akurasi maksimal 94% pada neuron ke 30, 35 dan 70.
Berdasarkan hasil akurasi tertinggi yang diperoleh setiap fungsi aktivasi
yakni logsig, tansig, dan purelin dengan data yang tidak di-resize serta
fungsi training adalah trainlm maka fungsi logsig dan tansig merupakan
fungsi aktivasi yang memiliki akurasi tertinggi yakni 96%. Selanjutnya
dilakukan percobaan untuk memilih fungsi aktivasi terbaik dengan data
yang sudah di-resize dan fungsi training yang digunakan adalah trainlm.
Pada grafik gambar 4.20 merupakan perbandingan dari ketiga fungsi
aktivasi yaitu logsig, tansig, serta purelin yang dicobakan dengan fungsi
training trainlm serta data citra yang sudah di-resize lebih dahulu. Langkah
yang dilakukan hampir sama dengan percobaan pemilihan fungsi aktivasi
sebelumnya, hanya saja data yang digunakan adalah data citra yang sudah
di-resize .
80
82
84
86
88
90
92
94
96
98
100
5 10 15 20 25 30 35 40 45 50 55 60 65 70
Trainlm, NON-resize
LOGSIG TANSIG PURELIN
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
65
Gambar 4. 20 Grafik Trainlm, nonResize
Pada grafik dapat dilihat bahwa pada fungsi aktivasi logsig memiliki
akurasi maksimal 97% pada neuron ke 25. Kemudian fungsi tansig memiliki
akurasi maksimal 98% pada neuron ke 55. Lalu fungsi purelin memiliki
akurasi maksimal 96% pada neuron ke 70.
Berdasarkan hasil akurasi tertinggi yang diperoleh setiap fungsi aktivasi
yakni logsig, tansig, dan purelin dengan data baik yang tidak di-resize
maupun yang sudah di-resize maka fungsi aktivasi yang terbaik adalah
tansig.
c. Resizing vs non-resizing
Dalam proses resize adalah memperbesar atau memperkecil skala citra.
Pada penelitian ini, penulis menggunakan metode rerata baris dan rerata
kolom dari seluruh data citra jamur yang digunakan dalam penelitian ini
baik data training maupun data testing. Kemudian nilai rerata itulah yang
menjadi nilai atau ukuran untuk jamur dikenai resizing. Hasil resizing
menunjukkan perbedaan akurasi jika dibandingkan dengan hasil akurasi
klasifikasi data yang tidak di-resize.
Dalam percobaan ini, fungsi training yang digunakan adalah trainlm
85
87
89
91
93
95
97
99
5 10 15 20 25 30 35 40 45 50 55 60 65 70
Trainlm, Resize
LOGSIG TANSIG PURELIN
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
66
serta fungsi aktivasi yang digunakan adalah tansig. Perbandingan yang
dilakukan yang untuk membandingkan akurasi dari data citra yang tidak di-
resize dengan data citra yang sudah di-resize dengan ukuran tertentu. Pada
grafik gambar 4.21 diperoleh hasil perbandingan data resize dengan tidak
resize.
Gambar 4. 21 Grafik Perbandingan Non-resize dengan Resize
Berdasarkan hasil yang diperoleh yakni data yang tidak di-resize
memiliki akurasi maksimal 96%. Sementara data yang sudah di-resize
memiliki akurasi maksimal 98%. Maka percobaan yang dilakukan dengan
menggunakan fungsi training trainlm dan fungsi aktivasi tansig dengan
membandingkan data yang tidak di-resize dengan data yang sudah di-resize
menghasilkan akurasi tertinggi yakni 98% pada data yang sudah di-resize.
Namun yang menjadi evaluasi adalah metode resizing yang digunakan
dalam penelitian ini masih bersifat statis atau rumit yakni terlebih dahulu
mencari jumlah baris serta jumlah kolom dari seluruh data yang digunakan
dalam penelitian. Kemudian dicari rerata dari baris dan kolom dengan
membagikan jumlah total baris serta jumlah total kolom dibagi dengan
jumlah total data training dan data testing yang digunakan dalam penelitian
ini. Apabila jumlah data training dan testingnya ditambah atau dikurangi,
maka nilai atau ukuran resizing juga berubah mengikuti dengan nilai rerata
82
84
86
88
90
92
94
96
98
100
5 10 15 20 25 30 35 40 45 50 55 60 65 70
Trainlm, TANSIG
NON-RESIZE RESIZE
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
67
baris dan rerata kolom yang baru.
d. Klasifikasi berdasarkan per kategori ciri
Penulis juga melakukan percobaan untuk mengetahui ciri mana yang
secara individual memiliki akurasi tertinggi. Adapun arsitektur yang
digunakan dalam percobaan per kategori ciri yakni fungsi training trainlm,
fungsi aktivasi tansig, serta data yang digunakan adalah data yang sudah di-
resize. Input yang digunakan dalam percobaan ini yakni per kategori ciri.
Ciri rerata R, G, B dan rerata RGB memiliki input yakni 4 ciri. Sedangkan
untuk ciri HSI memiliki input 3 ciri. Input ciri statistik tekstur memiliki
input 6 ciri serta ciri tekstur GLCM memiliki input 8 ciri. Kemudian setiap
kategori ciri dibandingkan lalu diperoleh hasil seperti pada grafik gambar
4.22 dibawah ini.
Gambar 4. 22 Grafik Perbandingan akurasi per ciri
Berdasarkan hasil perbandingan tiap kategori ciri, maka diperoleh
akurasi maksimal untuk ciri rerata R, G, B dan rerata RGB yakni 81% pada
neuron ke 10 dan 35. Sedangkan pada ciri HSI memiliki akurasi maksimal
yakni 80% pada neuron ke 15. Ciri statistik tekstur memiliki akurasi
maksimal yakni 85% pada neuron ke 45 dan ciri tekstur GLCM memiliki
akurasi maksimal 95% pada neuron 35.
70
75
80
85
90
95
100
5 10 15 20 25 30 35 40 45 50 55 60 65 70
Trainlm, Tansig, Resize
RGB HSI ST GLCM
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
68
e. Klasifikasi berdasarkan kombinasi 2 kategori ciri
Penulis juga melakukan percobaan untuk kombinasi 2 kategori ciri.
Adapun arsitektur yang digunakan dalam percobaan per 2 kategori ciri yakni
fungsi training trainlm, fungsi aktivasi tansig, serta data yang digunakan
adalah data yang sudah di-resize. Input yang digunakan dalam percobaan ini
yakni kombinasi 2 kategori ciri. Ciri tekstur GLCM dikombinasikan dengan
RGB, kemudian GLCM dengan HSI serta GLCM dengan statistik tekstur.
Kemudian diperoleh hasil seperti pada grafik gambar 4.23 dibawah ini.
Gambar 4. 23 Grafik perbandingan kombinasi 2 kategori ciri
Berdasarkan hasil perbandingan kombinasi 2 kategori ciri, maka
diperoleh akurasi maksimal untuk ciri tekstur GLCM dengan statistik
tekstur yakni 96% pada neuron ke 20 dan 50. Sedangkan pada ciri GLCM
dengan RGB memiliki akurasi maksimal yakni 96% pada neuron ke 15. Ciri
GLCM dengan HSI memiliki akurasi maksimal yakni 95% pada neuron ke
70.
f. Klasifikasi berdasarkan kombinasi 3 kategori ciri
Penulis juga melakukan percobaan untuk kombinasi 3 kategori ciri.
Adapun arsitektur yang digunakan dalam percobaan per 3 kategori ciri yakni
84
86
88
90
92
94
96
98
100
5 10 15 20 25 30 35 40 45 50 55 60 65 70
Trainlm, Tansig, Resize
GLCM&ST GLCM&RGB GLCM&HIS
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
69
fungsi training trainlm, fungsi aktivasi tansig, serta data yang digunakan
adalah data yang sudah di-resize. Input yang digunakan dalam percobaan ini
yakni kombinasi 3 kategori ciri. Ciri tekstur GLCM dikombinasikan dengan
statistik tekstur juga RGB, kemudian GLCM dengan statistik tekstur dan
HSI. Kemudian diperoleh hasil seperti pada grafik gambar 4.24 dibawah ini.
Gambar 4. 24 Grafik perbandingan kombinasi 3 kategori ciri
Berdasarkan hasil perbandingan kombinasi 3 kategori ciri, maka
diperoleh akurasi maksimal untuk ciri tekstur GLCM dengan statistik
tekstur juga RGB yakni 97% pada neuron ke 25. Sedangkan pada ciri
GLCM dengan statistik tekstur dan HSI memiliki akurasi maksimal yakni
95% pada neuron ke 55.
Berbagai macam percobaan mulai dari pemilihan fungsi training
terbaik hingga klasifikasi dengan input 3 kategori ciri, maka diperoleh
hasil yang paling baik atau akurasi yang tertinggi yakni dengan
menggunakan seluruh ciri yakni 21 ciri sebagai input, fungsi training
trainlm, fungsi aktivasi tansig serta data citra yang digunakan yakni dat
citra yang sudah di-resize. Hasil akurasi tertinggi yakni 98%.
82
84
86
88
90
92
94
96
98
5 10 15 20 25 30 35 40 45 50 55 60 65 70
Trainlm, Tansig, Resize
GLCM,ST,RGB GLCM,ST, HIS
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
70
g. Arsitektur Optimal
Setelah melakukan percobaan-percobaan, maka arsitektur optimal yang
digunakan dalam penelitian untuk memperoleh akurasi tertinggi yakni
sebagai berikut :
Gambar 4. 25 Desain arsitektur jaringan terbaik
Berdasarkan hasil yang diperoleh dapat dilihat pada Gambar 4.25 yakni
grafik hasil akurasi terbaik. Hasil terbaik yakni 98% terdapat pada neuron
ke 25 dengan jumlah layer tersembunyi yakni 1. Fungsi trainingnya adalah
trainlm, fungsi aktivasinya adalah tansig serta citra yang digunakan yakni
hasil resize yang sudah dilakukan penyamaan ukuran citra.
Tabel 4. 6 Arsitektur jaringan backpropagation optimal
Fungsi Training Trainlm
Fungsi aktivasi Logsig
Input 21 Ciri
Jumlah hidden layer 1
Jumlah neuron 55
Jumlah Output layer 3
Output luaran 1
Tabel 4.6 menampilkan keterangan-keterangan dari arsitektur jaringan
terbaik yang dihasilkan pada penelitian ini
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
71
BAB V
PENUTUP
5.1 Kesimpulan
Dalam hasil penelitian tentang klasifikasi berbagai jenis jamur layak
konsumsi menggunakan metode backpropagation dapat disimpulkan beberapa
hal sebagai berikut :
1. Metode backpropagation mampu mengklasifikasikan berbagai jenis
jamur layak konsumsi dengan optimal.
2. Akurasi terbaik yakni 98% dengan menggunakan ciri warna dan ciri
tekstur dengan total jumlah ciri yakni 21 ciri, jumlah layer
tersembunyi yakni 1, fungsi training trainlm, fungsi aktivasi tansig,
data citra hasil resize serta berada pada neuron ke 55.
5.2 Saran
Dari hasil penelitian mengenai klasifikasi berbagai jenis jamur layak
konsumsi yang sudah dilakukan, ada beberapa saran yang dapat diberikan penulis
untuk kepentingan selanjutnya dalam pengembangan program maupun studi
kasus yang hampir serupa yakni :
1. Dapat digunakan ciri geometri yakni menghitung luas dan keliling
obyek berdasar data citra.
2. Menemukan metode resizing yang lebih sederhana.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
72
Daftar Pustaka
Jaelani. 2008. Jamur Berkhasiat Obat. Pustaka Obor Populer : Jakarta.
http://repository.usu.ac.id/ (Badan Pusat Statistik, 2012, http://bps.go.id/) diakses
tanggal 23 Oktober 2018.
KBBI, 2016, jamur, http://kbbi.web.id/jamur diakses tanggal 18 Oktober 2018.
Chang ST, Miles PG. 2004. Mushrooms: Cultivation, Nutritional value, Medicinal
Effect, and Environmental Impact. CRC Press, Boca Raton.
Sukarno, Nadia T. Hendartina, Dedi Fardiaz, Nampiah Sukarno, 2014,
Karakteristik Fungsional Protein Miselium Jamur Tiram Merah Muda dan
Merang, Jurnal Teknologi dan Industri Pangan, Bogor.
Widiarti, Anastasia Rita. 2013. Teori dan Aplikasi Pengolahan Citra Digital :
Transliterasi Otomatis Citra Dokumen Teks Aksara Jawa. Lintang Pustaka
Utama. Yogyakarta.
Kadir, Abdul., Susanto, Andi. 2013. Teori dan Aplikasi Pengolahan Citra. Penerbit
ANDI. Yogyakarta.
Sianipar, RH. 2018. Dasar Pemrosesan Citra Digital dengan Matlab. Penerbit
ANDI. Yogyakarta.
Madenda, Sarifuddin. 2015. Pengolahan Citra & Video Digital. Penerbit Erlangga.
Jakarta.
Siang, J.J. 2005. Jaringan Saraf Tiruan dan Pemrogramannya Menggunakan
MATLAB. Penerbit ANDI. Yogyakarta.
Putra, Darma. 2009. Pengolahan Citra Digital. Penerbit ANDI. Yogyakarta.
Roosheroe. 2006. Mikologi: Dasar dan Terap55an. Yayasan Pustaka Obor
Indonesia : Jakarta.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
73
LAMPIRAN
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
74
1. Lampiran Hasil Akurasi
a. Akurasi hasil pemilihan fungsi training
Semua Fungsi Training , Logsig, Non-resize
Neuron Trainlm Traincgb Trainbfg Trainrp Trainscg Traincgf Traincgp Trainoss
5 93 81 86 83 75 80 80 78
10 90 90 85 91 89 86 86 87
15 91 87 85 85 89 85 85 84
20 94 87 86 88 87 89 86 86
25 96 91 91 86 92 92 91 91
30 93 87 86 89 87 87 88 88
35 94 89 87 90 88 90 88 88
40 93 89 90 88 87 91 90 84
45 93 88 89 89 88 88 89 85
50 95 84 86 88 83 89 82 88
55 94 89 91 90 90 91 83 81
60 92 86 86 88 88 87 89 84
65 94 91 90 91 88 91 88 91
70 96 91 83 85 87 81 83 83
Semua Fungsi Training , tansig, Non-resize
Neuron Trainlm Traincgb Trainbfg Trainrp Trainscg Traincgf Traincgp Trainoss
5 90 80 80 84 85 73 81 82
10 95 88 90 88 89 88 86 88
15 92 90 88 88 87 87 88 90
20 94 91 93 87 85 92 92 89
25 94 92 91 87 92 93 92 91
30 96 88 90 89 89 89 90 87
35 93 90 91 89 87 90 91 84
40 94 87 89 84 88 88 89 87
45 91 89 95 87 92 88 92 90
50 92 92 90 89 90 89 92 86
55 94 94 92 91 91 94 93 88
60 85 90 90 86 89 90 89 89
65 94 91 90 88 90 90 90 88
70 94 94 94 87 94 93 92 89
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
75
Semua Fungsi Training , purelin, Non-resize
Neuron Trainlm Traincgb Trainbfg Trainrp Trainscg Traincgf Traincgp Trainoss
5 92 84 83 82 81 82 84 86
10 92 85 85 86 84 82 83 86
15 92 81 78 86 81 82 81 83
20 93 86 89 89 86 88 87 87
25 93 90 91 86 89 89 87 85
30 94 90 89 82 85 83 84 85
35 94 88 88 86 83 86 87 90
40 92 88 90 90 88 88 86 88
45 90 87 89 86 88 86 88 86
50 91 88 87 85 88 88 87 88
55 92 81 89 78 83 83 86 86
60 92 72 73 78 71 72 80 68
65 91 88 88 82 88 88 88 85
70 94 90 94 88 92 89 91 88
Semua Fungsi Training , logsig, resize
Neuron Trainlm Traincgb Trainbfg Trainrp Trainscg Traincgf Traincgp Trainoss
5 92 81 65 83 85 55 86 85
10 90 92 93 90 91 88 93 86
15 93 92 89 88 90 90 92 89
20 95 91 86 92 86 89 89 87
25 97 92 92 89 90 91 90 93
30 94 86 87 94 86 89 93 83
35 94 84 82 88 87 90 85 81
40 92 90 89 92 90 91 90 89
45 95 94 93 93 84 94 94 88
50 94 94 91 94 89 93 87 81
55 96 93 93 89 89 94 90 85
60 91 90 84 92 88 90 83 85
65 94 92 92 88 87 93 88 88
70 92 91 92 92 87 92 90 88
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
76
Semua Fungsi Training , tansig, resize
Neuron Trainlm Traincgb Trainbfg Trainrp Trainscg Traincgf Traincgp Trainoss
5 91 72 80 87 84 63 78 81
10 97 93 92 93 93 93 93 94
15 93 91 91 90 89 87 88 90
20 95 90 90 91 90 91 91 91
25 97 90 94 88 92 92 90 91
30 97 93 93 92 93 93 93 93
35 93 85 95 89 92 87 88 88
40 92 88 90 88 89 89 91 90
45 94 92 93 91 91 93 91 94
50 94 93 93 90 92 94 94 87
55 98 92 95 86 91 95 95 92
60 91 92 91 89 91 91 91 88
65 94 91 90 88 84 90 92 88
70 94 93 92 91 91 92 89 91
Semua Fungsi Training , purelin, resize
Neuron Trainlm Traincgb Trainbfg Trainrp Trainscg Traincgf Traincgp Trainoss
5 94 87 90 86 87 86 87 89
10 93 85 88 83 91 88 91 88
15 94 81 83 82 82 80 82 82
20 95 90 88 88 85 90 89 86
25 92 88 86 87 81 88 86 84
30 94 88 93 89 89 90 91 91
35 95 85 88 81 86 81 80 82
40 93 84 89 82 89 87 88 91
45 94 88 93 88 87 90 89 86
50 95 81 89 85 81 81 82 80
55 94 83 88 85 75 82 78 83
60 94 89 94 83 88 83 82 81
65 95 79 92 79 88 81 82 74
70 96 91 93 89 93 91 90 91
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
77
b. Akurasi Pemilihan fungsi Aktivasi
Fungsi Aktivasi : trainlm , Non-resize
Neuron LOGSIG TANSIG PURELIN
5 93 90 92
10 90 95 92
15 91 92 92
20 94 94 93
25 96 94 93
30 93 96 94
35 94 93 94
40 93 94 92
45 93 91 90
50 95 92 91
55 94 94 92
60 92 85 92
65 94 94 91
70 96 94 94
Fungsi Aktivasi : trainlm , Non-resize
Neuron LOGSIG TANSIG PURELIN
5 92 91 94
10 90 97 93
15 93 93 94
20 95 95 95
25 97 97 92
30 94 97 94
35 94 93 95
40 92 92 93
45 95 94 94
50 94 94 95
55 96 98 94
60 91 91 94
65 94 94 95
70 92 94 96
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
78
c. Akurasi Resize dan Non-Resize
Fungsi Training : Trainlm, Fungsi Aktivasi : TANSIG
Neuron
NON-
RESIZE RESIZE
5 90 91
10 95 97
15 92 93
20 94 95
25 94 97
30 96 97
35 93 93
40 94 92
45 91 94
50 92 94
55 94 98
60 85 91
65 94 94
70 94 94
d. Akurasi per ciri
Fungsi Training : trainlm, fungsi aktivasi : tansig, RESIZE
Neuron RGB HSI ST GLCM
5 73 75 74 86
10 81 76 79 93
15 78 80 84 90
20 75 77 82 93
25 79 79 76 93
30 80 76 83 93
35 81 75 81 95
40 73 79 81 92
45 75 74 85 93
50 73 76 81 90
55 77 72 82 93
60 76 75 83 94
65 75 74 82 91
70 76 72 81 92
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
79
e. Kombinasi 2 ciri
Fungsi Training : trainlm, fungsi aktivasi : tansig, RESIZE
Neuron GLCM&ST GLCM&RGB GLCM&HIS
5 94 96 94
10 94 94 94
15 88 96 90
20 96 93 91
25 94 95 91
30 94 94 94
35 93 94 89
40 85 94 88
45 94 95 94
50 96 95 94
55 93 93 89
60 94 90 92
65 92 95 85
70 90 93 95
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
80
f. Kombinasi 3 Ciri
Fungsi Training : trainlm, fungsi aktivasi : tansig, RESIZE
Neuron GLCM,ST,RGB GLCM,ST,
HIS
5 88 92
10 93 94
15 90 89
20 94 93
25 97 92
30 94 92
35 93 92
40 94 92
45 92 94
50 94 90
55 91 95
60 93 89
65 91 91
70 92 94
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI