Penerapan Neural Network Backpropagation Untuk Klasifikasi Jamur Penyebab Penyakit Antraknosa Pada Cabai

Lampiran 1

Tabel Hasil Pelatihan Citra

No File Citra Jenis Hasil Ekstraksi Fitur

1 Colletotrichum

Capsici

0.00633; 0.00009; 0.83212; 0.00003; 0.00094; ... 1.841271; 0.724006; -1.131832; -1.504284; 3.073952;

2 Colletotrichum

Capsici

0.00633; 0.00009; 0.83212; 0.00003; 0.00094; ... 1.841271; 0.724006; -1.131832; -1.504284; 3.073952;

3 Colletotrichum

Capsici

0.0045; 0.00009; 0.74159; 0.00011; 0.00161; ... 1.841271; 0.724006; -1.131832; -1.504284; 3.073952;

4 Colletotrichum

Capsici

0.00431; 0.00026; 0.68372; 0.00006; 0.00297; ... 1.841271; 0.724006; -1.131832; -1.504284; 3.073952;

5 Colletotrichum

Capsici

0.00689; 0.0001; 0.84276; 0.00004; 0.00135; ... 2.49263; 0.583258; 10.321665; 2.428576; -0.05158;

6 Colletotrichum

Capsici

0.0048; 0.00007; 0.868; 0.00003; 0.0007; ... 2.49263; 0.583258; 10.321665; 2.428576; -0.05158;

7 Colletotrichum

Capsici

0.00457 0.00017 0.85859 0.00004 0.00206; 2.49263 0.583258 10.321665 2.428576 -0.05158;

8 Colletotrichum

Capsici

0.00518 0.00021 0.83276 0.00013 0.00227; 2.49263 0.583258 10.321665 2.428576 -0.05158;

9 Colletotrichum

Capsici

0.00603 0.00014 0.82233 0.00006 0.00157; 2.49263 0.583258 10.321665 2.428576 -0.05158;

55

Tabel Hasil Pelatihan Citra (lanjutan)

10 Colletotrichum

Capsici

0.00405 0.00018 0.74348 0.00007 0.00224; 2.49263 0.583258 10.321665 2.428576 -0.05158;

11 Colletotrichum

Capsici

0.00456 0.00007 0.84468 0.00003 0.00094; 2.49263 0.583258 10.321665 2.428576 -0.05158;

12 Colletotrichum

Capsici

0.01032 0.00015 0.77488 0.00007 0.00109; 2.49263 0.583258 10.321665 2.428576 -0.05158;

13 Colletotrichum

Capsici

0.00584 0.00009 0.88035 0.00004 0.00098; 2.49263 0.583258 10.321665 2.428576 -0.05158

14 Colletotrichum

Capsici

0.00427 0.00033 0.73402 0.00011 0.00385; 2.49263 0.583258 10.321665 2.428576 -0.05158;

15 Colletotrichum

Capsici

0.00511 0.00011 0.84504 0.00004 0.00111; 2.49263 0.583258 10.321665 2.428576 -0.05158

16 Colletotrichum

Capsici

0.00418 0.00025 0.70043 0.00004 0.00203; 2.49263 0.583258 10.321665 2.428576 -0.05158;

17 Colletotrichum

Capsici

0.00428 0.00023 0.74584 0.00003 0.0025; 2.49263 0.583258 10.321665 2.428576 -0.05158;

18 Colletotrichum

Capsici

0.00515 0.00009 0.8436 0.00002 0.00081; 2.49263 0.583258 10.321665 2.428576 -0.05158;

19 Colletotrichum

Capsici

0.00405 0.00032 0.74712 0.00009 0.00248; 2.49263 0.583258 10.321665 2.428576 -0.05158;

Tabel Hasil Pelatihan Citra (lanjutan)

20 Colletotrichum

Capsici

0.0044 0.00014 0.84569 0.00003 0.00096; 2.49263 0.583258 10.321665 2.428576 -0.05158

21 Colletotrichum

Capsici

0.004 0.00039 0.61521 0.00011 0.00368; 2.49263 0.583258 10.321665 2.428576 -0.05158;

22 Colletotrichum

Capsici

0.00406 0.00014 0.80879 0.00004 0.00128; 2.49263 0.583258 10.321665 2.428576 -0.05158

23 Colletotrichum

Capsici

0.00397 0.00022 0.64773 0.00006 0.00307; 2.49263 0.583258 10.321665 2.428576 -0.05158;

24 Colletotrichum

Capsici

0.00733 0.00018 0.01744 0.06282 0.00002; 0.394879 0.498527 0.140352 0.231646 3.281541

25 Colletotrichum

Capsici

0.00031 0.00224 0.00013 0.0066 0.01331; 1.991005 1.422213 0.162606 3.079113 0.95077

26 Colletotrichum

Capsici

0.0041 0.00008 0.79451 0.00002 0.00101; 2.49263 0.583258 10.321665 2.428576 -0.05158

27 Colletotrichum

Capsici

0.0043 0.00026 0.79523 0.00005 0.00374; 2.49263 0.583258 10.321665 2.428576 -0.05158;

28 Colletotrichum

Capsici

0.00689 0.0001 0.84276 0.00004 0.00135; 2.49263 0.583258 10.321665 2.428576 -0.05158

29 Colletotrichum

Capsici

0.00403 0.00017 0.80036 0.00008 0.00241; 2.49263 0.583258 10.321665 2.428576 -0.05158;

57

Tabel Hasil Pelatihan Citra (lanjutan)

30 Colletotrichum

Capsici

0.00461 0.00027 0.77374 0.00015 0.00215; 2.49263 0.583258 10.321665 2.428576 -0.05158;

31 Gloeosporium

Piperatum

0.00491; 0.00031; 0.76002; 0.00014; 0.00284; ... 1.841271; 0.724006; -1.131832; -1.504284; 3.073952;

32 Gloeosporium

Piperatum

0.00664; 0.00033; 0.76848; 0.0002; 0.00266;... 1.841271; 0.724006; -1.131832; -1.504284; 3.073952;

33 Gloeosporium

Piperatum

0.00727; 0.00036; 0.81243; 0.00008; 0.00237; ... 1.841271; 0.724006; -1.131832; -1.504284; 3.073952

34 Gloeosporium

Piperatum

0.00475; l; 0.00051; 0.81296; 0.00008; ... 1.841271; 0.724006;

-1.131832; -1.504284; 3.073952;

35 Gloeosporium

Piperatum

0.00886 0.00141 0.71849 0.00016 0.00436; 2.49263 0.583258 10.321665 2.428576 -0.05158;

36 Gloeosporium

Piperatum

0.01124 0.00057 0.82483 0.00009 0.00174; 2.49263 0.583258 10.321665 2.428576 -0.05158;

37 Gloeosporium

Piperatum

0.00457 0.00046 0.76936 0.00011 0.00339; 2.49263 0.583258 10.321665 2.428576 -0.05158;

38 Gloeosporium

Piperatum

0.0066 0.00072 0.76017 0.00018 0.00364; 2.49263 0.583258 10.321665 2.428576 -0.05158;

39 Gloeosporium

Piperatum

0.00893 0.00032 0.84477 0.00009 0.00197; 2.49263 0.583258 10.321665 2.428576 -0.05158

Tabel Hasil Pelatihan Citra (lanjutan)

40 Gloeosporium

Piperatum

0.00573 0.00028 0.78945 0.00014 0.00211; 2.49263 0.583258 10.321665 2.428576 -0.05158

41 Gloeosporium

Piperatum

0.00541 0.00039 0.77035 0.00001 0.00326; 0.394879 0.498527 0.140352 0.231646 3.281541;

42 Gloeosporium

Piperatum

0.01284 0.0003 0.75743 0.00008 0.00164; 2.49263 0.583258 10.321665 2.428576 -0.05158;

43 Gloeosporium

Piperatum

0.00432 0.0034 0.00555 0.02297 0.00001; 0.394879 0.498527 0.140352 0.231646 3.281541;

44 Gloeosporium

Piperatum

0.00055 0.00361 0.00018 0.00455 0.01075; 1.991005 1.422213 0.162606 3.079113 0.95077;

45 Gloeosporium

Piperatum

0.00468 0.00035 0.74916 0.00029 0.0024; 2.49263 0.583258 10.321665 2.428576 -0.05158;

46 Gloeosporium

Piperatum

0.00403 0.00046 0.73823 0.00006 0.00272; 2.49263 0.583258 10.321665 2.428576 -0.05158;

47 Gloeosporium

Piperatum

0.0044 0.00127 0.67442 0.0001 0.00556; 0.394879 0.498527 0.140352 0.231646 3.281541;

48 Gloeosporium

Piperatum

0.0044 0.00086 0.79129 0.0001 0.00372; 2.49263 0.583258 10.321665 2.428576 -0.05158

59

Tabel Hasil Pelatihan Citra (lanjutan)

49 Gloeosporium

Piperatum

0.00429 0.00056 0.00129 0.00478 0.00002; 0.394879 0.498527 0.140352 0.231646 3.281541;

50 Gloeosporium

Piperatum

1.991005 1.422213 0.162606 3.079113 0.95077; 1.991005 1.422213 0.162606 3.079113 0.95077;

51 Gloeosporium

Piperatum

0.00516 0.00035 0.71187 0.00039 0.00434; 2.49263 0.583258 10.321665 2.428576 -0.05158;

52 Gloeosporium

Piperatum

0.00064 0.00349 0.00081 0.01049 0.01789; 0.333165 1.991005 1.422213 0.162606 3.079113;

53 Gloeosporium

Piperatum

0.00528 0.00074 0.73199 0.0004 0.00617; 2.49263 0.583258 10.321665 2.428576 -0.05158;

54 Gloeosporium

Piperatum

0.00502 0.00069 0.7582 0.00033 0.00584; 2.49263 0.583258 10.321665 2.428576 -0.05158

55 Gloeosporium

Piperatum

0.00394 0.00033 0.71174 0.00005 0.00228; 2.49263 0.583258 10.321665 2.428576 -0.05158;

56 Gloeosporium

Piperatum

0.00416 0.00009 0.7731 0.00001 0.00076; 2.49263 0.583258 10.321665 2.428576 -0.05158;

57 Gloeosporium

Piperatum

0.00979 0.00039 0.00305 0.02987 0; 0.394879 0.498527 0.140352 0.231646 3.28154;

Tabel Hasil Pelatihan Citra (lanjutan)

58 Gloeosporium

Piperatum

0.00553 0.00014 0.7329 0.00007 0.00207; 2.49263 0.583258 10.321665 2.428576 -0.05158

59 Gloeosporium

Piperatum

0.00452 0.00017 0.64521 0.00009 0.00309; 2.49263 0.583258 10.321665 2.428576 -0.05158;

60 Gloeosporium

Piperatum

0.00576 0.00028 0.81525 0.00011 0.00174; 2.49263 0.583258 10.321665 2.428576 -0.05158;

61 Normal 0.00394; 0; 0.82811; 0; 0.00003;

... 2.49263; 0.5832; 10.321665; 2.428576; -0.05158;

62 Normal 0.00393; 0.00001; 0.8427; 0; 0.00007;

... 2.49263; 0.58325; 8; 10.321665; 2.428576;

63 Normal 0.00392; 0; 0.85192; 0; 0; ... 2.49263; 0.58325; 8; 10.321665; 2.428576;

64 Normal 0.00394; 0; 0.8307; 0; 0.00001;

... 0.58325; 8; 10.321665; 2.428576; -0.05158;

65 Normal 0.0039 0.00001 0.79225 0 0.00003;

1.991005 1.422213 0.162606 3.079113 0.95077;

66 Normal 0.0045 0 0.00022 0.0702 0; 0.394879

0.498527 0.140352 0.231646 3.281541;

61

Tabel Hasil Pelatihan Citra (lanjutan)

67 Normal 0.00391 0 0.78414 0 0.00003;

0.394879 0.498527 0.140352 0.231646 3.281541;

68 Normal 0.00438 0.00001 0.00303 0.07717 0;

1.991005 1.422213 0.162606 3.079113 0.95077;

69 Normal 0.00392 0.00007 0.76833 0 0.0002;

1.991005 1.422213 0.162606 3.079113 0.95077;

70 Normal 0.00372 0.00006 0.00511 0.0767 0;

0.394879 0.498527 0.140352 0.231646 3.281541;

71 Normal 0.00009 0.00769 0 0.00045 0.00794;

0.457 0.500797 0.06135 -0.008132 0.333165;

72 Normal 0.0039 0 0.83688 0 0; 0.394879

0.498527 0.140352 0.231646 3.281541;

73 Normal 0.0039 0 0.84868 0 0.00001;

1.991005 1.422213 0.162606 3.079113 0.95077;

74 Normal 0.00275 0.00001 0.00058 0.04674 0;

0.394879 0.498527 0.140352 0.231646 3.281541;

75 Normal 0 0.00102 0 0.00003 0.00469; 2.49263

0.583258 10.321665 2.428576 -0.05158

Tabel Hasil Pelatihan Citra (lanjutan)

76 Normal 0.0039 0 0.83114 0 0; 2.49263

0.583258 10.321665 2.428576 -0.05158

77 Normal 0.00391 0 0.84283 0 0; 0.394879

0.498527 0.140352 0.231646 3.281541;

78 Normal 0.00391 0 0.84311 0 0.00003;

0.394879 0.498527 0.140352 0.231646 3.281541

79 Normal 0.00391 0 0.84676 0 0; 0.394879

0.498527 0.140352 0.231646 3.281541;

80 Normal 0.0039 0 0.83776 0 0; 0.394879

0.498527 0.140352 0.231646 3.281541;

81 Normal 0.00391 0 0.85587 0 0.00001; 2.49263

0.583258 10.321665 2.428576 -0.05158;

82 Normal 0.00391 0 0.81939 0 0.00001; 2.49263

0.583258 10.321665 2.428576 -0.05158;

83 Normal 0.00392 0 0.84051 0 0.00001;

0.394879 0.498527 0.140352 0.231646 3.28154;

84 Normal 0.00395 0 0.83761 0 0.00002;

2.512606 0.576357 9.955129 2.8255 -0.814779;

63

Tabel Hasil Pelatihan Citra (lanjutan)

85 Normal 0.00393 0 0.84376 0 0; 2.49263

0.583258 10.321665 2.428576 -0.05158;

86 Normal 0.00393 0 0.85506 0 0; 2.49263

0.583258 10.321665 2.428576 -0.0515;

87 Normal 0.00391 0 0.8088 0 0.00001; 2.49263

0.583258 10.321665 2.428576 -0.05158;

88 Normal 0.0039 0 0.81908 0 0.00005; 2.49263

0.583258 10.321665 2.428576 -0.05158;

89 Normal 0.00391 0 0.83152 0 0.00003;

0.394879 0.498527 0.140352 0.231646 3.281541

90 Normal 0.0039 0 0.85845 0 0; 2.49263

0.583258 10.321665 2.428576 -0.05158;

Lampiran 2

Hasil Pengujian Citra

No Nama File Hasil Aplikasi Manual Status

1

C31_2.jpg

Colletotrichum Capsici

Colletotrichum

Capsici Benar

2

C32_2 jpg

Colletotrichum Capsici

Colletotrichum

Capsici Benar

3

C33_2 jpg

Colletotrichum Capsici

Colletotrichum

Capsici Benar

4

C34_2 jpg

Colletotrichum Capsici

Colletotrichum

Capsici Benar

5

C35_2 jpg

Colletotrichum Capsici

Colletotrichum

65

Hasil Pengujian Citra (lanjutan)

6

C36_2 jpg

Colletotrichum Capsici

Colletotrichum

Capsici Benar

7

C37_2 jpg

Colletotrichum Capsici

Colletotrichum

Capsici Benar

8

C38_2 jpg

Normal Colletotrichum

Capsici Salah

9

C39_2 jpg

Colletotrichum Capsici

Colletotrichum

Capsici Benar

10

C40_2 jpg

Colletotrichum Capsici

Colletotrichum

Capsici Benar

11

C41_2 jpg

Colletotrichum Capsici

Colletotrichum

Hasil Pengujian Citra (lanjutan) 13 C43_2 jpg Colletotrichum Capsici Colletotrichum

Capsici Benar

14

C44_2 jpg

Colletotrichum Capsici

Colletotrichum

Capsici Benar

15

C45_2 jpg

Colletotrichum Capsici

Colletotrichum

Capsici Benar

16

C46_2 jpg

Colletotrichum Capsici

Colletotrichum

Capsici Benar

17

C47_2 jpg

Colletotrichum Capsici

Colletotrichum

Capsici Benar

18

C48_2 jpg

Colletotrichum Capsici

Colletotrichum

Capsici Benar

19

C49_2 jpg

Colletotrichum Capsici

Colletotrichum

67

Hasil Pengujian Citra (lanjutan)

20

C50_2 jpg

Colletotrichum Capsici

Colletotrichum

Capsici Benar

21 G31_2 jpg Gloeosporium Piperatum Gloeosporium Piperatum Benar 22 G32_2 jpg Gloeosporium Piperatum Gloeosporium Piperatum Benar 23 G33_2 jpg Gloeosporium Piperatum Gloeosporium Piperatum Benar 24 G34_2 jpg Colletotrichum Capsici Gloeosporium Piperatum Salah 25 G35_2 jpg

Normal Gloeosporium

Piperatum Salah 26 G36_2 jpg Gloeosporium Piperatum Gloeosporium Piperatum Benar

Hasil Pengujian Citra (lanjutan)

27

G37_2 jpg

Colletotrichum Capsici

Gloeosporium

Piperatum Salah

28

G38_2 jpg

Colletotrichum Capsici

Gloeosporium

Piperatum Salah

29

G39_2 jpg

Gloeosporium Piperatum

Gloeosporium

Piperatum Benar

30

G40_2 jpg

Gloeosporium Piperatum

Gloeosporium

Piperatum Benar

31

G41_2 jpg

Gloeosporium Piperatum

Gloeosporium

Piperatum Benar

32

G42_2 jpg

Gloeosporium Piperatum

Gloeosporium

69

Hasil Pengujian Citra (lanjutan)

33

G43_2 jpg

Gloeosporium Piperatum

Gloeosporium

Piperatum Benar

34

G44_2 jpg

Gloeosporium Piperatum

Gloeosporium

Piperatum Benar

35

G45_2 jpg

Gloeosporium Piperatum

Gloeosporium

Piperatum Benar

36

G46_2 jpg

Colletotrichum Capsici

Gloeosporium

Piperatum Salah

37

G47_2 jpg

Gloeosporium Piperatum

Gloeosporium

Piperatum Benar

38

G48_2 jpg

Gloeosporium Piperatum

Gloeosporium

Hasil Pengujian Citra (lanjutan)

39

G49_2 jpg

Gloeosporium Piperatum

Gloeosporium

Piperatum Benar

40

G50_2 jpg

Gloeosporium Piperatum

Gloeosporium

Piperatum Benar

41

N31 jpg

Normal Normal Benar

42

N32 jpg

Normal Normal Benar

43

N33 jpg

Normal Normal Benar

44

N34 jpg

71

Hasil Pengujian Citra (lanjutan)

45

N35 jpg

Normal Normal Benar

46

N36 jpg

Normal Normal Benar

47

N37 jpg

Normal Normal Benar

48

N38 jpg

Normal Normal Benar

49

N39 jpg

Normal Normal Benar

50

N40 jpg

Hasil Pengujian Citra (lanjutan)

51

N41 jpg

Normal Normal Benar

52

N42 jpg

Normal Normal Benar

53

N43 jpg

Normal Normal Benar

54

N44 jpg

Normal Normal Benar

55

N45 jpg

Normal Normal Benar

56

N46 jpg

73

Hasil Pengujian Citra (lanjutan)

57

N47 jpg

Normal Normal Benar

58

N48 jpg

Normal Normal Benar

59

N49 jpg

Normal Normal Benar

60

N50 jpg

Alsmadi, M.K.S, Omar, K., & Noah, S. A (2009) Back Propagation Algorithm: The Best Algorithm Among the Multi-layer Perceptron Algoritma. International Journal of Computer Science and Network Security, 9 (4), PP.378-383.

Anggraini, N. 2015. Klasifikasi Kanker Serviks Menggunakan Jaringan Syaraf Tiruan Backpropagation dengan Graphical User Interface (GUI). Skripsi. Univeritas Negeri. Yogyakarta.

Boerma, Y. 1992. Kerusakan Cabe (Capsicum annum L.) oleh Antraknose yang Dipasarkan pada Beberapa Kota di Sumatera Barat . Skripsi.

Universitas Andalas. Padang.

Deswari, D., Hendrick & Derisma. 2013. Identifikasi Kematangan Buah Tomat Menggunakan Metoda Backpropagation. Jurnal Sistem Komputer Unand, Vol2.

Dinata, S. 2014. Implementasi Metode Multiscale Retinex untuk Image Enhancement. Skripsi. Universitas Sumatera Utara.

Fatmawati, D. 2010. Implemantasi Metode Peregangan Kontras (Contrast Stretching) untuk Memperbaiki Kualitas Citra. Skripsi. Universitas Sumatera Utara. Medan.

Fausset, L. 1994. Fundamental of Neural Network: Architecture Algoritma, and Application. New Jersey : Prentice-Hall

Gonzales R.C. & Woods, R.E. (2008). Digital Image Processing, 3rd ed. Prentice Hall: New Jersey.

52

Haykin, S. (1999). Neural Network: A Comprehensive Foundation. New York: Prentice Hall.

Hermawan, A. (2006). Jaringan Syaraf Tiruan (Teori dan Aplikasi). Andi: Yogyakarta.

Hermawati, A.F. (2013). Pengolahan Citra Digital. Andi: Yogyakarta.

Hidayat, I. M., I. Sulastrini, Y. Kusandriani dan A. H. Permadi. 2004. Lesio sebagai Komponen Tanggap Buah 20 Galur dan atau Varietas Cabai Terhadap Inokulasi Colletotrichum capsici dan Colletotrichum gloeosporioides. The Journal of Horticultural Science and Biotechnology (JHSB) . 14 (3) : 161-162.

Kadir, A. & Susanto, A. 2013. Teori dan Aplikasi Pengolahan Citra. Andi : Yogyakarta.

Kusumadewi, S. & Hartati, S. (2010). Neuro Fuzzy: Integrasi Sistem Fuzzy & Jaringan Syaraf Edisi 2. Graha Ilmu: Yogyakarta.

Kusumadewi, S. (2004). Membangun Jaringan Syaraf Tiruan Menggunakan Matlab & Excel Link. Graha Ilmu: Yogyakarta.

Mccaffrey, J. 2012. Neural Network Using C#. Syncfusion: Morrisville.

Nakaya, S.C., Shankar, A.C.U., Niranjana, S.R, Prakhas, H.S. & Mortense, C.N. 2009. Anthracnose Disease of Chilli Pepper. Technical Bulletin.

Nunuhitu, L.F. 2011. Deteksi Jenis Penyakit dan Pengobatannya Pada Daun Tanaman Cabai Berbasis Metode Laplacian of Gaussian.Skripsi. Universitas Pembangunan Nasional “Veteran”.

Putra, D. 2010. Pengolahan Citra Digital. Andi : Yogyakarta.

Rakhmawati, P. R. 2013. Sistem Deteksi Jenis Bunga Menggunakan Nilai HSV dari Citra Mahkota Bunga. Skripsi. Universitas Stikubank Semarang.

Setiawan, S. 1993. Artificial Intelligence. Andi Offset: Yogyakarta.

Supriyadi, D. (2012). Sistem Informasi Penyebaran Penyakit Demam Berdarah Menggunakan Metode Jaringan Syaraf Tiruan Backpropagation. Tesis. Universitas Diponegoro.

Than P,P., Prihastuti, H., Phoulivong, S., Taylor, P.W.J. & Hyde, K.D. 2008. Chilli anthracnose disease caused by Colletotrichum species. Journal of Zhejiang University. SCIENCE B, Vol9(10) ISSN 1673-1581.

BAB 3

ANALISIS DAN PERANCANGAN SISTEM

Bab ini membahas tentang implementasi neural network backpropagation dalam identifikasi jamur penyebab penyakit Antraknosa pada cabai. Bab ini juga membahas tentang data yang digunakan, pre-processing dan feature extraction yang dilakukan terhadap setiap data.

3.1. Arsitektur Umum

Identifikasi jamur penyebab penyakit Antraknosa pada cabai pada penelitian ini terdiri dari beberapa langkah yang diawali dengan pengumpulan citra digital cabai yang tidak terjangkit jamur dan citra digital cabai yang terjangkit jamur yang akan digunakan sebagai data pelatihan dan data pengujian, kemudian dilanjutkan dengan melakukan pre-processing yaitu image enhancement yang bertujuan untuk memperbaiki kualitas citra agar mendapatkan citra yang lebih baik. Image enhancement sendiri terdiri dari beberapa metode, dan yang akan digunakan pada penelitian ini adalah contrast stretching dan image brightness. Selanjutnya akan dilakukan proses feature extraction untuk mendapatkan ciri atau feature yang terdapat pada citra yang kemudian akan diolah untuk mendapatkan informasi dengan menggunakan metode HSV. Dan kemudian akan dilakukan proses klasifikasi menggunakan metode neural network backpropogation untuk mendapatkan hasil akhir.

Setelah melakukan langkah-langkah tersebut, maka akan didapatkan hasil dari identifikasi jamur penyebab penyakit Antraknosa pada cabai berdasarkan informasi yang didapatkan. Setiap tahap yang dilakukan akan dijelaskan secara terperinci pada bagian- bagian selanjutnya. Adapun arsitektur umum yang menggambarkan metode pada penelitian ini ditunjukkan pada Gambar 3.1

3.2. Image Enhancemet

Tahap pre-processing merupakan tahap pengolahan gambar yang bertujuan untuk mendapatkan citra yang lebih baik yang kemudian citra tersebut akan digunakan untuk melakukan tahap feature extraction. Pada penelitian ini akan dilakukan beberapa tahap image enhancement yaitu, image brightness, contrast stretching dan image sharpening, sebagaimana pada gambar 3.2

Training Data

Citra Latih

Testing Data

Citra Uji

Feature Extraction

Classification

Hasil Identifikasi (Jenis Jamur)

Gambar 3.1 Arsitektur Umum Sistem

Akuisisi Citra Cabai

Input

Output

21

Gambar 3.2. Proses image enhancement

3.2.1. Image Brightness & Contrast

Image brightness adalah tahapan untuk melakukan perbaikan citra. Tahap ini akan mengatur tingkat kecerahan suatu citra dengan maksud untuk mengatur kecerahan citra. Pada penelitian ini, citra akan dinaikkan kecerahannya sebanyak 10 tingkat.

3.2.2. Contrast Stretching

Selanjutnya citra yang telah diproses pada tahap image brightness akan diproses pada contrast stretching. Contrast strestching adalah tahapan untuk mengatur kontras citra sehingga didpatkan kontras pada citra yang lebih baik dan jelas. Seperti dengan image brightness, pada penelitian ini, tingkat kontras akan dinaikkan sebanyak 10 tingkat

Gambar 3.3. Hasil image brightness dan contrast

3.2.3. Image Sharpening

Kemudian setelah proses contrast stretching selesai akan dilakukan proses image sharpening. Tahap dimana citra akan dipertajam pada bagian tepi sehingga kemudian

Image Enhancement

Image Brightness

Image Sharpening Contrast Stretching

akan mudah untuk melakukan feature extraction. Contoh proses image sharpening citra ditunjukkan pada Gambar 3.4.

Gambar 3.4. Hasil image sharpening

3.3. Feature Extraction

Setelah dilakukan proses pre-processing, maka akan dilanjutkan pada proses feature extraction untuk mendapatkan cira yang terdapat pada citra. Pada penelitian ini metode yang akan digunakan adalah HSV. Sebagaimana yang ditunjukkan pada gambar 3.5.

Gambar 3.5. Proses feature extraction

3.3.1. HSV

Ekstraksi fitur deteksi warna HSV digunakan agar dapat memilah warna-warna yang ada pada citra yang bekerja seperti pengelihatan mata manusia sehingga dapat mengenali warna pada citra yang baik. Proses untuk mendapat nilai fitur warna, dimulai dengan konversi citra RGB menjadi citra HSV. Citra warna terdiri dari 24-bit dimana setiap piksel mengandung warna dasar RGB yang masing – masing warna memililki nilai warna yang berada pada rentang 0-255. Gambar 3.4 merupakan representasi piksel pada citra cabai.

Feature Extraction

HSV

23

Gambar 3.6. Representasi piksel citra cabai

Gambar yang direpresentasikan pada Gambar 3.3 adalah citra cabai yang berukuran 1024 x 1024 piksel dan cita yang dipotong dengan ukuran 25 piksel (5 x 5). Proses perhitungan nilai HSV pada citra cabai akan direpresentasikan pada potongan citra berukuran 25 piksel seperti pada Gambar 3.4

Gambar 3.7. Citra 25 (5x5) Piksel

Adapun nilai RGB (Red, Green, Blue) pada citra 25 piksel adalah :

P1 = (255, 165, 0) P14 = (139, 54, 38) P2 = (238, 106, 80) P15 = (255, 99, 71) P3 = (205, 79, 57) P16 = (255, 64, 64) P4 = (255, 69, 0) P17 = (238, 118, 0) P5 = (255, 165, 79) P18 = (139, 35, 35) P6 = (205, 133, 0) P19 = (205, 102, 29) P7 = (139, 69, 0) P20 = (255, 127, 0) P8 = (139, 62, 47) P21 = (205, 0, 0) P9 = (238, 64, 0) P22 = (205, 38, 38) P10 = (255, 48, 48) P23 = (139, 37, 0) P11 = (255, 127, 36) P24 = (238, 59, 59)

1 2 3 4 5

6 7 8 9 10

11 12 13 14 15

16 17 18 19 20

P12 = (205, 133, 63) P25 = (139, 26, 26) P13 = (238, 154, 73)

Diperlukan normalisasi terlebih dahulu sebelum melakukan koversi RGB ke HSV. Persamaan yang digunakan untuk normalisasi citra RGB adalah sebagai berikut

(3.1)

(3.2)

(3.3)

Dengan menggunakan persamaan 3.1 sampai 3.3, maka akan dihasilkan hasil normalisasi sebagai berikut:

P1 = (255/255, 165/255, 0/255) = (1, 0.64, 0)

P2 = (238/255, 106/255, 80/255) = (0.93, 0.41, 0.31) P3 = (205/255, 79/255, 57/255) = (0.8, 0.3, 0.22) P4 = (255/255, 69/255, 0/255) = (1, 0.27, 0) P5 = (255/255, 165/255, 79/255) = (1, 0.64, 0) P6 = (205/255, 133/255, 0/255) = (0.8, 0.52, 0) P7 = (139/255, 69/255, 0/255) = (0.54, 0.27, 0) P8 = (139/255, 62/255, 47/255) = (0.54, 0.24, 0.18) P9 = (238/255, 64/255, 0/255) = (0.93, 0.25, 0) P10 = (255/255, 48/255, 48/255) = (1, 0.18, 0.18) P11 = (255/255, 127/255, 36/255) = (1, 0.49, 0.14) P12 = (205/255, 133/255, 63/255) = (0.8, 0.52, 0.24) P13 = (238/255, 154/255, 73/255) = (0.93, 0.6, 0.28) P14 = (139/255, 54/255, 38/255) = (0.54, 0.21, 0.14) P15 = (255/255, 99/255, 71/255) = (1, 0.38, 0.27) P16 = (255/255, 64/255, 64/255) = (1, 0.25, 0.25) P17 = (238/255, 118/255, 0/255) = (0.93, 0.46, 0) P18 = (139/255, 35/255, 35/255) = (0.54, 0.13, 0.13)

25

P19 = (205/255, 102/255, 29/255) = (0.8, 0.4, 0.11) P20 = (255/255, 127/255, 0/255) = (1, 0.49, 0) P21 = (205/255, 0/255, 0/255) = (0.8, 0, 0)

P22 = (205/255, 38/255, 38/255) = (0.8, 0.14, 0.14) P23 = (139/255, 37/255, 0/255) = (0.54, 0.14, 0) P24 = (238/255, 59/255, 59/255) = (0.93, 0.23, 0.23) P25 = (139/255, 26/255, 26/255) = (0.54, 0.1, 0.1)

Setelah dilakukan normalisasi dengan persamaan 3.1 sampai 3.3 dan didapatkan hasilnya, maka nilai piksel kemudian akan diubah sesuai dengan nilai RGB yang dinormalisasi, yang dapat dilihat pada Tabel 3.1

Tabel 3.1. Nilai piksel RGB citra cabai yang dinormalisasi

0 1 2 3 4 .... ... 1023

0 R

G B 1,00 0,64 0 0,93 0,41 0,31 0,8 0,3 0,22 1,00 0,27 0 1,00 0,64 0 . . .

1 R

G B 0,8 0,52 0 0,54 0,27 0 0,54 0,24 0,18 0,93 0,25 0 1,00 0,18 0,18 . . .

2 R

G B 1,00 0,49 0,14 0,8 0,52 0,24 0,93 0,6 0,28 0,54 0,21 0,14 1,00 0,38 0,27 . . .

3 R

G B 1,00 0,25 0,25 0,93 0,46 0 0,54 0,13 0,13 0,8 0,4 0,11 1,00 0,49 0 . . .

4 R

G B 0,8 0 0 0,8 0,14 0,14 0,54 0,14 0 0,93 0,23 0,23 0,54 0,10 0,10 . . . .... . . . . .... . . . .

Setelah nilai normalisasi RGB selesai, maka tahap selanjutnya dilakukan konversi citra RGB menjadi citra HSV dengan persamaan 2.4 sampai 2.6. Tabel konversi hasil citra dapat dilihat pada Tabel 3.2

Tabel 3.2. Nilai Piksel HSV

Setelah citra RGB dikonversi menjadi citra HSV maka tahap selanjutnya dilakukan proses perhitungan kuantisasi masing – masing komponen warna. Kuantisasi warna berguna untuk melakukan pengurangan jumlah warna dengan mengambil beberapa perwakilan warna sehingga yang dapat membedakan satu bagian dengan bagian yang lain pada citra. Pada penelitian ini menggunakan kuantisasi warna HSV-162 bin yaitu vektor warna yang terdiri dari 162 elemen yang dibagi menjadi komponen hue dikuantisasi menjadi 18 bagian, saturation dikuantisasi menjadi 3 bagian dan value dikuantisasi menjadi 3 bagian. Kuantisasi warna HSV-162 bin dapat dilihat pada Tabel 3.3.

0 1 2 3 4 .... ... 767

0 H

S V 39 100 100 26 97 93 29 69 100 32 100 98 32 78 7 . . .

1 H

S V 29 100 97 97 29 100 36 86 99 40 90 100 23 69 98 . . . 2 H S V 85 88 49 85 90 100 86 87 47 86 82 50 86 76 54 . . .

3 H

S V 36 90 47 85 92 46 23 89 98 86 83 50 86 75 54 . . .

4 H

S V 85 45 51 85 87 49 86 86 49 86 81 99 32 74 56 . . . .... . . . . .... . . . .

27

Tabel 3.3. Kuantisasi Ruang Warna dari Histogram HSV-162 Bin (1)

Bin H S V Bin H S V Bin H S V

1 0 0 0 27 _0.11765 1 1 53 0.29412 1 0.5 2 0 0 0.5 28 _0.17647 0 0 54 0.29412 1 1 3 0 0 1 29 _0.17647 0 0.5 55 0.35294 0 0 4 0 0.5 0 30 _0.17647 0 1 56 0.35294 0 0.5 5 0 0.5 0.5 31 _0.17647 0.5 0 57 0.35294 0 1 6 _{0 0.5 1} 32 0.17647 _{0.5 0.5} 58 0.35294 _{0.5 0} 7 _{0 1 0} 33 0.17647 _{0.5 1} 59 0.35294 _{0.5 0.5} 8 _{0 1 0.5} 34 0.17647 _{1 0} 60 0.35294 _{0.5 1} 9 _{0 1 1} 35 0.17647 _{1 0.5} 61 0.35294 _{1 0} 10

0.05882 0 0 36 0.17647 1 1 62 0.35294 1 0.5 11

0.05882 0 0.5 37 0.23529 0 0 63 0.35294 1 1 12

0.05882 0 1 38 0.23529 0 0.5 64 0.41176 0 0 13 0.05882 0.5 0 39 0.23529 0 1 65 0.41176 0 0.5 14 0.05882 0.5 0.5 40 0.23529 0.5 0 66 0.41176 0 1 15 0.05882 0.5 1 41 0.23529 0.5 0.5 67 0.41176 0.5 0 16 0.05882 1 0 42 0.23529 0.5 1 68 0.41176 0.5 0.5 17 0.05882 1 0.5 43 0.23529 1 0 69 0.41176 0.5 1 18 0.05882 1 1 44 0.23529 1 0.5 70 0.41176 1 0 19 0.11765 0 0 45 0.23529 1 1 71 0.41176 1 0.5 20 0.11765 0 0.5 46 0.29412 0 0 72 0.41176 1 1 21 0.11765 0 1 47 0.29412 0 0.5 73 0.47059 0 0 22 0.11765 0.5 0 48 0.29412 0 1 74 0.47059 0 0.5 23 0.11765 0.5 0.5 49 0.29412 0.5 0 75 0.47059 0 1 24 0.11765 0.5 1 50 0.29412 0.5 0.5 76 0.47059 _{0.5 0} 25 0.11765 1 0 51 0.29412 _{0.5 1} 77 0.47059 _{0.5 0.5} 26

Tabel 3.3. Kuantisasi Ruang Warna dari Histogram HSV-162 Bin (2)

79 0.47059 _{1 0} 104 0.64706 _{0.5 0.5} 129 0.82353 _{0 1} 80 0.47059 _{1 0.5} 105 0.64706 _{0.5 1} 130 0.82353 _{0.5 0} 81 0.47059 _{1 1} 106 0.64706 _{1 0} 131 0.82353 _{0.5 0.5} 82 0.52941 _{0 0} 107 0.64706 _{1 0.5} 132 0.82353 _{0.5 1} 83 0.52941 _{0 0.5} 108 0.64706 _{1 1} 133 0.82353 _{1 0} 84 0.52941 _{0 1} 109 0.70588 _{0 0} 134 0.82353 _{1 0.5} 85 0.52941 _{0.5 0} 110 0.70588 _{0 0.5} 135 0.82353 _{1 1} 86 0.52941 _{0.5 0.5} 111 0.70588 _{0 1} 136 0.88235 _{0 0} 87 0.52941 _{0.5 1} 112 0.70588 _{0.5 0} 137 0.88235 _{0 0.5} 88 0.52941 _{1 0} 113 0.70588 _{0.5 0.5} 138 0.88235 _{0 1} 89 0.52941 1 0.5 114 0.70588 0.5 1 139 0.88235 0.5 0 90 0.52941 _{1 1} 115 0.70588 _{1 0} 140 0.88235 _{0.5 0.5} 91 0.58824 _{0 0} 116 0.70588 _{1 0.5} 141 0.88235 _{0.5 1} 92 0.58824 _{0 0.5} 117 0.70588 _{1 1} 142 0.88235 _{1 0} 93 0.58824 _{0 1} 118 0.76471 _{0 0} 143 0.88235 _{1 0.5} 94 0.58824 _{0.5 0} 119 0.76471 _{0 0.5} 144 0.88235 _{1 1} 95 0.58824 _{0.5 0.5} 120 0.76471 _{0 1} 145 0.94118 _{0 0} 96 0.58824 _{0.5 1} 121 0.76471 _{0.5 0} 146 0.94118 _{0 0.5} 97 0.58824 _{1 0} 122 0.76471 _{0.5 0.5} 147 0.94118 _{0 1} 98 0.58824 _{1 0.5} 123 0.76471 _{0.5 1} 148 0.94118 _{0.5 0} 99 0.58824 _{1 1} 124 0.76471 _{1 0} 149 0.94118 _{0.5 0.5} 100 0.64706 _{0 0} 125 0.76471 _{1 0.5} 150 0.94118 _{0.5 1} 101 0.64706 _{0 0.5} 126 0.76471 _{1 1} 151 0.94118 _{1 0} 102 0.64706 _{0 1} 127 0.23529 _{0 0} 152 0.94118 _{1 0.5} 103 0.64706 _{0.5 0} 128 0.82353 _{0 0.5} 153 0.94118 _{1 1}

29

Tabel 3.3. Kuantisasi Ruang Warna dari Histogram HSV-162 Bin (3)

154 _{1 0 0} 157 _{1 0.5 0} 160 _{1 1 0}

155 _{1 0 0.5} 158 _{1 0.5 0.5} 161 _{1 1 0.5}

156 _{1 0 1} 159 _{1 0.5 1} 162 _{1 1 1}

Kuantisasi warna dengan menggunakan histogram HSV-162bin dibagi menjadi nilai H yang terdiri dari 0, 1/17, 2/17, 3/17, 4/17, ....17/17, kemudian nilai S terdiri dari 0, 1/2, 2/2 dan nilai V terdiri dari 0, 1/2, 2/2. Kuantisasi ruang warna disusun dengan mengkombinasikan nilai H, S dan V.

Piksel (0, 0) = (H x 18 / 360 , S x 3/ 100, V x 3 / 100) = (26 x 18 / 360 , 97 x 3/ 100, 93 x 3 / 100) = (1, 2, 2)

Pada piksel (0,0) nilai H termasuk pada bagian 1/17, nilai S masuk pada bagian 2/2 dan nilai V termasuk pada bagian 2/2. Hasil dari piksel (0,0) yaitu (0.588, 1, 1) maka berdasarkan Tabel Kuantisasi Warna dari Histogram HSV-162 bin, piksel (0,0) termasuk pada kategori bin 99.

Histogram warna disusun berdasarkan ruang warna HSV sesuai dengan kuantisasi pada Tabel 3.1 sampai 3.3. Hasil kuantisasi yang telah dinormalisasi dari tiap bin membentuk sebuah histogram HSV-162 .

3.4. Klasifikasi Neural Network Backpropogation

Setelah melakukan tahap ekstraksi fitur dan didapatkan nilai fitur, maka tahap selanjutnya adalah tahap klasifikasi citra. Pada penelitian ini, metode yang digunakan untuk melakukan klasifikasi citra cabai adalah Neural Network Backpropagation yang dapat dilihat pada gambar 3.8. Tahap – tahap yang dilakukan adalah sebagai berikut: tahap perancangan arsitektur neural network backpropagation, tahap pelatihan backpropagation; dan tahap pengujian backpropagation.

Gambar 3.8. Proses classification

3.4.1. Tahap Perancangan Arsitektur Jaringan Neural Network Backpropogation Sebelum melakukan tahap pelatihan, jaringan backpropagation harus dirancang terlebih dahulu. Pada penelitian ini, arsitektur jaringan backpropagation yang akan dirancang terdiri dari 162 neuron pada lapisan input, 3 neuron pada lapisan tersembunyi, dan 3 neuron pada lapisan output. Jumlah neuron pada lapisan input ditentukan berdasarkan jumlah dari hasil ekstraksi fitur. Sedangkan neuron pada lapisan output ditentukan berdasarkan nilai target keluaran. Target keluaran dapat dilihat pada Tabel 3.4.

Tabel 3.4. Target keluaran jaringan backpropagation

NO. Jenis Cabai Target Keluaran

1 Normal 100

2 Colletotrichum Capsici 010

3 Gloeosporium Piperatum 001

Pada penelitian ini, rancangan arsitektur jaringan saraf tiruan dapat dilihat pada gambar 3.6

Classification

Neural network backpropagation

31

Gambar 3.9. Arsitektur jaringan saraf tiruan

Adapun penjelasan dari rancangan arsitktur jaringan saraf tiruan pada gambar 3.5 adalah sebagai berikut.

1. Lapisan input memiliki 162 neuron ditambah 1 buah bias, lapisan tersembunyi memiliki 165 neuron dengan ditambah 1 bias dan lapisan ouput memiliki 3 neuron.

2. x1 sampai dengan x162 adalah neuron pada lapisan input, z1 sampai dengan z165 adalah neuron pada lapisan tersembunyi dan y1 sampai dengan y3 adalah neuron pada lapisan ouput.

3. b1 merupakan bias yang menuju pada lapisan tersembunyi, sedangkan b2 adalah bias yang menuju lapisan output.

4. vij merupakan nilai bobot koneksi antara neuron i pada lapisan input dengan neuron j pada lapisan tersembunyi. Kemudian wjk adalah nilai bobot koneksi antara neuron j pada lapisan tersembunyi dengan neuron k pada lapisan output. voj adalah bobot koneksi antara bias dengan neuron j pada lapisan tersembunyi sedangkan woj adalah bobot koneksi antara bias dengan neuron k pada lapisan output.

3.4.2. Tahap Pelatihan Backpropagation

Setelah jaringan terbentuk, maka tahap selanjutnya adalah pelatihan jaringan menggunakan backpropagation. Adapaun tujuan dari pelatihan jaringan backpropagation adalah untuk mengatur nilai bobot yang terdapat pada jaringan, sehingga nilai error yang dihasilkan akan semakin kecil. Setelah pelatihan jaringan selesai dilakukan, bobot akhir pada proses pelatihan akan disimpan yang kemudian bobot akhir tersebut akan digunakan pada tahap pengujian. Proses pelatihan dapat dilihat pada Gambar 3.7.

Gambar 3.10. Proses pelatihan jaringan backpropagation

Pertama input data pelatihan ke dalam jaringan. Pada penelitian ini, terdapat 30 data pelatihan untuk setiap output, dimana terdapat 3 output sehingga total keseluruhan data adalah 90 data pelatihan. Pada setiap data masukan backpropagation terdiri dari 162 neuron input, dimana data tersebut didapatkan dari hasil ekstrasi fitur. Kemudian tentukan target kelas dari setiap data input, lalu lakukan inisiasi pada seluruh nilai bobot dan bias secara acak pada range 1 sampai -1, kemudian tentukan nilai parameter learning rate, minumum_error dan maksimum_epoch yang akan

Tentukan arsitektur jaringan (x input, z hidden, y output) Inisiasi semua bobot secara acak

Tentukan parameter backpropagation (learning rate, maksimal epoch, minimum error)

Input data pelatihan Tentukan class target

For epoch <= maksimum epoch

For jumlahdata <= maksimum jumlahdata

Hitung seluruh keluaran pada lapisan tersembunyi Hitung seluruh keluaran pada lapisan output Hitung seluruh error pada lapisan output

Hitung seluruh suku perubahan bobot pada lapisan output Hitung seluruh error pada lapisan tersembunyi

Hitung seluruh suku perubahan bobot pada lapisan tersembunyi Hitung seluruh suku perubahan bobot pada lapisan output Hitung seluruh suku perubahan bobot pada lapisan tersembunyi End for

If total_error >= minimum error Hentikan iterasi

End for

33

digunakan. Pelatihan akan terus berjalan selama nilai epoch lebih kecil dari nilai maksimum epoch yang ditentukan.

Fase forward dilakukan setelah proses inisiasi selesai dengan cara menghitung seluruh nilai keluaran neuron yang terdapat pada lapisan tersembunyi (zj) dan lapisan output (yk) menggunakan persamaan 2.11 sampai 2.14. Fase backward kemudian dilakukan dengan menghitung faktor kesalahan pada lapisan output ( ) dan lapisan tersembunyi ( ) menggunakan persamaan 2.12 dan 2.15. Hasil dari perhitungan faktor kesalahan, kemudian akan digunakan untuk menghitung suku perubahan bobot pada lapisan output ( ) dan lapisan tersembunyi ( ) menggunakan persamaan 2.13 dan 2.16. Jumlah error kemudian dihitung pada data masukan dengan melakukan penjumlahan nilai error pada setiap output neuron, kemudian hitung jumlah error pada setiap epoch dengan menjumlahkan hasil penjumlahan error setiap data masukkan.

Apabila nilai error setiap epoch lebih kecil dari nilai minimum error yang telah ditentukan, maka iterasi akan berhenti dan begitu juga sebaliknya. Setelah iterasi berhenti, nilai bobot akhir kemudian akan disimpan untuk menjadi input bagi setiap tahap pengujian.

Proses Pelatihan Backpropagation

Tahap pelatihan backpropogation dilakukan untuk mendapatkan nilai bobot akhir yang kemudian akan digunakan untuk tahap pengujian. Berikut ini adalah uraian pelatihan jaringan backpropagation menggunakan 3 neuron input, 1 neuron hidden dan 1 neuron output.

a. Diberikan data dengan menggunakan input x1 sampai x3 dan target yang dapat dilihat pada tabel 3.5.

Tabel 3.5. Input dan Target

Data X1 X2 X3 Target

Gambar1 0.42 0.32 0.86 1

Gambar2 0.40 0.22 0.52 1

b. Inisiasi bobot awal dengan nilai antar 0 sampai 1

 Inisiasi bobot koneksi antara lapisan input dan lapisan tersembunyi (Vji) seperti yang terlihat pada tabel 3.6.

Tabel 3.6. Bobot awal Vji

Data V10 V11 V12 V13

Gambar1 0.32 0.673 0.352 0.162

 Inisiasi bobot koneksi antara lapisan tersembunyi dan lapisan output (Wkj) seperti yang terlihat pada tabel 3.7

Tabel 3.7. Bobot awal Wkj

Data W10 W11

Gambar1 0.786 0.472

c. Tentukan parameter learning rate, minimum error dan maksimum epoch.

 Learning rate = 0.5

 Minimum error = 0.01

 Maksimum epoch = 2

d. Dilakukan iterasi selama epoch < maksimal epoch dan nilai error > minimum error

e. Lakukan langkah fase forward

 Hitung nilai pada lapisan tersembunyi dengan menggunakan persamaan 2.11.

=

= =

1*(0.32) + 0.42*(0.673) + 0.32*(0.352) + 0.86*(0.16)

0.32 + 0.282 + 0.112 + 0.128 0.842

 Kemudian hitung nilai keluaran zj pada node di lapisan tersembunyi menggunakan persamaan 2.12 (menggunakan fungsi aktivasi sigmoid biner).

=

35

 Hitung nilai pada node di lapisan output menggunakan persamaan 2.13.

= = =

1*(0.786) + 0.69*(0.472) 0.786 + 0.32

1.11

 Kemudian hitung nilai keluaran yk pada node di lapisan output menggunakan persamaan 2.14 (menggunakan fungsi aktivasi sigmoid biner).

=

= 0.75

f. Lakukan langkah – langkah pada fase backward.

 Hitung faktor di unit keluaran � dengan menggunakan persamaan 2.15.

= (1 - 0.75) * 0.75 * (1 – 0.75) = 0.25 * 0.75 * 0.25

= 0.046

 Hitung suku perubahan bobot � dengan menggunakan persamaan 2.16

= 0.5 * 0.046 * 1 = 0.025545 = 0.023 = 0.5 * 0.046 * 0.69 = 0.015

 Hitung penjumlahan pada unit tersembunyi dengan menggunakan persamaan 2.17.

= 0.046 * 0.476 = 0.021

 Hitung faktor pada unit tersembunyi menggunakan persamaan 2.18 = 0.021 * (0.69) * (1 - 0.69) = 0.0044

 Hitung suku perubahan bobot dengan menggunakan persamaan 2.19.

= 0.5 * 0.0044 * 1 = 0.002 = 0.5 * 0.0044 * 0.42 = 0.001 = 0.5 * 0.0044 * 0.32 = 0.001 = 0.5 * 0.0044 * 0.86 = 0.001

g. Hitung perubahan bobot jaringan backpropagation.

 Hitung bobot baru setiap node lapisan output menggunakan persamaan 2.20

= 0.786 + 0.0023 = 0.809 = 0.472 + 0.015 = 0.487

 Hitung bobot baru setiap node lapisan tersembunyi dengan persamaan 2.21

= 0.32 + 0.002 = 0.322 = 0.673 + 0.001 = 0.674 = 0.352 + 0.001 = 0.353 = 0.162 + 0.001 = 0.163

h. Hitung nilai error jaringan dengan menambahkan jumlah nilai error setiap node pada lapisan output. Karena neuron output hanya satu maka,

Error = 0.0044

3.4.3. Tahap Pengujian Backpropagation

Proses pengujian jaringan backpropagation dilakukan dengan hanya melaksanakan fase arah maju (feed forward), karena pada tahap ini, data yang akan diuji adalah data hasil ekstraksi fitur, dimana data tersebut bukan termasuk data pelatihan. Bobot yang digunakan pada fase feed forward adalah bobot hasil pelatihan, dimana kemudian dilakukan perhitungan nilai keluaran setiap node pada lapisan tersembunyi dan lapisan output.

37

Kemudian dilakukan pengujian terhadap hasil keluaran setiap node pada lapisan output. Apabila hasil keluaran node lebih besar dari 0,5 maka nilai keluaran pada node tersebut akan diubah menjadi 1. Sebaliknya nilai keluaran pada node akan diubah menjadi 0 jika nilai keluaran pada node tersebut lebih kecil dari 0.

Proses Pengujian Backpropagation

Pada proses pengujian backpropagation, data uji akan menjadi input bagi jaringan backpropagation dan bobot yang digunakan adalah bobot hasil pelatihan. Berikut adalah contoh langkah - langkah pengujian backpropagation dengan menggunakan nilai bobot hasil pelatihan.

 Masukkan data uji ke dalam jaringan. Data uji ditunjukkan pada Tabel 3.8.

Tabel 3.8. Data uji

Data X1 X2 X3

Gambar4 0.55 0.31 0.64

 Gunakan bobot hasil pelatihan seperti yang ditunjukkan pada Tabel 3.9 dan Tabel 3.10.

Tabel 3.9. Bobot Vkj baru

Bobot V10 V11 V12 V13

Nilai 0.33 0.11 0.354 0.534

Tabel 3.10. Bobot Wkj baru

Bobot W10 W11

Nilai 0.808 0.43

 Hitung nilai pada node di lapisan tersembunyi dengan menggunakan persamaan 2.11.

=

=

=

1*(0.33) + 0.55*(0.11) + 0.31*(0.354) + 0.64*(0.534)

0.33 + 0.0605 + 0.11 + 0.348

 Hitung nilai keluaran zj pada node di lapisan tersembunyi menggunakan persamaan 2.12

=

= 0.7

 Hitung nilai pada node di lapisan output dengan menggunakan persamaan 2.13.

= = =

1*(0.808) + 0.7*(0.43) 0.808 + 0.301

1.109

 Kemudian hitung nilai keluaran yk pada node di lapisan output menggunakan persamaan 2.14.

=

= 0.752

 Nilai keluaran adalah 0.752, dimana 0.752 > 0.5. Maka nilai memenuhi target 1

3.5. Perancangan Sistem

Pada tahap ini akan dilakukan perancangan antarmuka dari sistem untuk mengklasifikasi jenis jamur penyebab penyakit Antraknosa pada cabai.

3.5.1. Perancangan Antarmuka

Membangun sebuah sistem diperlukan suatu perancangan interface (antarmuka) yang merupakan gambaran secara umum tampilan dari sistem yang akan dibangun. Tujuan dari rancangan antarmuka sistem ini sendiri adalah untuk memberikan kemudahan dalam membangun sistem sehingga dapat dipahami tujuan dan fungsi dari setiap tampilan pada sistem tersebut

39

3.5.1.1. Rancangan Halaman Awal

Gambar 3.11. Rancangan Halaman Awal

Keterangan :

1. Logo dari sistem yang berupa gambar tanaman cabai. 2. Tombol untuk menampilkan halaman pelatihan 3. Tombol untuk menampilkan halaman pengujian

3.5.1.2. Rancangan Tampilan Halaman Pengujian dan Klasifikasi

Gambar 3.12. Rancangan Halaman Pengujian Sistem

LOGO

PELATIHAN PENGUJIAN PENGENALAN JAMUR PADA TANAMAN CABAI

browse reset identifikasi

Citra Input Citra Brightness &

Contrast Citra Sharpening

Hasil Ekstrasi Fitur

Hasil Klasifikasi

Keterangan

4 5 6

Keterangan :

1. Tombol browse untuk memilih citra cabai yang akan dideteksi. 2. Tombol reset untuk menghapus citra cabai yang salah

3. Tombol identifikasi untuk memulai pemrosesan pada sistem 4. Kotak 4 untuk menampilkan citra yang diinput

5. Kotak 5 untuk menampilkan citra yang telah di proses brightness dan contrast 6. Kotak 6 untuk menampilkan citra yang telah diproses sharpening

7. Kotak 7 untuk menampilkan hasil ekstraksi fitur

8. Kotak 8 untuk menampilkan hasil dari klasifikasi mengguakan backpropagation

BAB 4

IMPLEMENTASI DAN PENGUJIAN

Bab ini berisi implementasi aplikasi klasifikasi jenis jamur penyebab penyakit Antraknosa pada cabai ke dalam bentuk pemrograman sesuai dengan rancangan sistem yang telah tertera pada Bab 3 serta membahas pengujian terhadap metode jaringan saraf tiruan backpropagation dalam melakukan klasifikasi 2 jenis jamur.

4.1.Implementasi Sistem

Pada tahap implementasi sistem, proses klasifikasi jenis jamur dimulai dari tahap pra pengolahan, tahap ekstraksi fitur dan tahap klasifikasi diimplementasikan ke dalam bahasa pemrograman Java.

4.1.1. Spesifikasi perangkat keras dan perangkat lunak

Spesifikasi perangkat keras dan perangkat lunak yang digunakan untuk membuat program klasifikasi jenis jamur adalah sebagai berikut.

1. Processor Intel® Core(TM)i5-2410M CPU @2.30GHz 2. Memory (RAM) 2.00 GB

3. Sistem Operasi Windows 7 Home Premium 32-bit 4. Kapasitas Hardisk 600 GB.

5. Netbeans IDE 7.1.2 6. JDK 1.8

4.1.2. Implementasi perancangan antarmuka sistem

Adapun implementasi perancangan sistem yang telah dibangun adalah sebagai berikut

Halaman Utama

Halaman utama adalah halaman awal yang muncul ketika pertama kali aplikasi dijalankan. Pada halaman utama terdapat dua tombol yang dapat digunakan oleh

pengguna, yaitu tombol pelatihan dan tombol pengujian.

Halaman Training Data

Pada halaman ini terdapat tiga panel yaitu panel peng-inputan data mengenai cabai yang terkena jamur Colletotrichum Capsici, Gloeosporium Piperatum dan cabai normal atau tidak terditeksi. Terdapat beberapa tombol pada halaman ini. Tiga buah tombol “Browse” dan tiga buah tombol “Reset” pada setiap panel, satu buah tombol “Lakukan Latihan Backpro”, serta menu bar “File”.

Halaman Pengujian Citra

Halaman pengujian citra adalah halaman dimana akan dilakukannya proses pengujian. Pada halaman ini terdapat satu menu bar “File”, tiga tombol, yaitu tombol “Browse”, tombol “Reset” dan tombol “Identifikasi” serta terdapat lima panel, yaitu panel “Citra Asli”, panel “Citra Brightness-Contrast”, panel “Citra Sharpening”, panel “Fitur Ekstraksi” dan panel “Hasil Pengujian”.

4.2.Pelatihan Citra

Penelitian ini menggunakan 90 data pelatihan yang terdiri dari 30 data cabai normal, 30 data cabai yang terserang Colletotrichum Capsici, dan 30 data cabai yang terserang Gloeosporium Piperatum. Citra yang digunakan untuk pelatihan adalah citra yang berukuran 1024x1024 pixel. Hasil pelatihan citra daun dapat dilihat pada tabel 4.1.

Tabel 4.1. Hasil Pelatihan Citra

No File Citra Jenis Hasil Ekstraksi Fitur

1 Colletotrichum

Capsici

0.00633; 0.00009; 0.83212; 0.00003; 0.00094; ... 1.841271; 0.724006; -1.131832; -1.504284; 3.073952;

2 Gloeosporium

Piperatum

0.00491; 0.00031; 0.76002; 0.00014; 0.00284; ... 1.841271; 0.724006; -1.131832; -1.504284; 3.073952;

3 Normal 0.00394; 0; 0.82811; 0; 0.00003;

... 2.49263; 0.5832; 10.321665; 2.428576; -0.05158;

43 Hasil dari pelatihan citra lebih lengkap dapat dilihat pada lampiran 1.

4.3.Prosedur Operasional

Halaman awal ketika aplikasi pertama kali dijalankan, akan memunculkan dua tombol yaitu pelatihan citra dan pengujian citra. Pengguna dapat memilih tombol “Pelatihan” untuk masuk kehalaman pelatihan citra dan memilih tombol “Pengujian” untuk masuk kehalaman pengujian citra

4.3.1. Prosedur operasional pada halaman pelatihan citra

Hal pertama yang harus dilakukan sebelum menjalankan proses pelatihan citra adalah menambah data citra. Cara menambah data citra itu sendiri adalah dengan memilih data citra yang akan di input dengan mengklik tombol “Pilih Citra”, kemudian akan muncul kotak dialog untuk memilih citra yang akan di-input. Setelah data citra dipilih, selanjutnya akan ditampilkan list nama data citra pada panel yang tersedia sesuai dengan jenis jamur.

4.3.2. Prosedur operasional pada halaman pengujian citra

Hal pertama yang dilakukan sebelum menjalankan proses pelatihan citra adalah meng-input data citra yang akan diproses dengan meng-klik tombol “Browse”, lalu kemudian akan muncul kotak dialog yang digunakan untuk memilih citra yang akan digunakan. Pengguna dapat menghapus gambar yang dipilih dengan cara mengklik tombol “Reset”

Tombol “Identifikasi” berguna untuk melakukan proses identifikasi pada citra yang dipilih, dimulai dari proses enhancement, yaitu image brightness, contrast dan sharpening. Pada proses image brightness dan contrast, tingkatnya kecerahan dan kontras dinaikkan 10 tingkat, begitu juga dengan image sharpening. Sehingga didapatkan citra yang lebih baik untuk diproses pada tahap selanjutnya. Kemudian proses yang akan dilakukan adalah proses fitur ekstrasi. Sebelum dilakukan proses ekstrasi akan dilakukan terlebih dahulu normalisasi RGB yang berguna untuk mengecilkan nilai RGB. Setelah didapatkan hasil dari normalisasi RGB, akan dilakukan konversi nilai RGB menjadi HSV dan didapatkan 162 fitur sebagai keluaran. Dilanjutkan dengan melakukan proses identifikasi menggunakan Neural Network Backpropagation. Pada proses ini, input yang akan digunakan adalah hasil

dari feature extraction yang telah dilakukan sebelumnya yaitu 162 fitur dan 1 bias. Lalu terdapat 3 hidden layer dengan 1 bias dan 3 output.

Adapun hasil dari proses enhancement akan ditampilkan pada panel “Citra - Brightness & Contrast” dan pada panel “Citra –Sharpening”. Hasil dari fitur ekstraksi akan ditampilkan pada panel “Fitur Ekstrasi” bagian kiri bawah halaman dan hasil dari pengujian citra akan tampil pada panel “Hasil Pengujian” bagian kanan bawah halaman. Halaman ini dapat dilihat pada gambar 4.1.

(a)

(b)

Gambar 4.1. Tampilan halaman pengujian setelah selesai dilakukan pengujian (a) Colletotichum Capsici; (b) Gloeosporium Piperatum

45

4.4.Pengujian Citra

Pada proses pengujian aplikasi, data yang akan digunakan sebagai input berjumlah 60 citra yang terdiri 20 citra cabai yang terkena Colletotrichum Capsici, 20 citra cabai yang terkena Gloeosporium Piperatum, dan 20 citra cabai normal. Hasil pengujian citra daun dapat dilihat pada tabel 4.2.

Tabel 4.2. Hasil Pengujian Citra

No Nama File Hasil Aplikasi Manual Status

1

C31_2.jpg

Colletotrichum Capsici

Colletotrichum

Capsici Benar

2

G31_2 jpg

Gloeosporium Piperatum

Gloeosporium

Piperatum Benar

3

N31 jpg

Normal Normal Benar

Hasil pengujian citra cabai yang lebih lengkap dapat dilihat pada lampiran 2. Adapun proses perhitungan pada pengujian adalah sebagai berikut,

Tabel 4.3. Data uji

Data Nilai

X1 0.00633

X2 0.00009

X3 0.83212

X4 0.00003

X0 1

Tabel 4.4. Bobot Vkj

Z1 Z2 Z3

X1 0.5 0.1 0.3

X2 -0.4 0.2 -0.3

X3 0.1 -0.1 0.4

X4 0.5 -0.5 0.2

X0 0.3 -0.3 0.1

Tabel 4.5. Bobot Wkj

Y

Z1 0.5

Z2 -0.4

Z3 0.1

Z0 0.5

=

= =

1*(0.3) + 0.00633*(0.5) + 0.00009*(-0.4) + 0.83212*(0.1) + 0.00003*(0.5)

0.3 + 0.003165 + (-0.000036) + 0.083212 + 0.000015 0.386356

47 =

= =

1*(-0.3) + 0.00633*(0.1) + 0.00009*(0.2) + 0.83212*(-0.1) + 0.00003*(-0.5)

-0.3 + 0.000633 + 0.000018 + (-0.083212) + (-0.000015) -0.382576

=

= =

1*(0.1) + 0.00633*(0.3) + 0.00009*(-0.3) + 0.83212*(0.4) + 0.00003*(0.2)

0.1 + 0.001899 + (-0.000027) + 0.332848 + 0.000006 0.434726

=

= 0.595405

=

= 0.405505

=

= 0.607001

= = =

1*(0.5) + 0.595406*(-0.1) + 0.405505*(0.3) + 0.607001*(0.6) 0.5 + (-0.0595406) + 0.1216515 + 0.3642006

0.9263115

Nilai keluaran adalah 0.716326, dimana 0.716326 > 0.2. Maka nilai memenuhi target 1

4.5. Pengujian Sistem

Dari hasil pengujian pada klasifikasi jenis jamur penyebab penyakit Antraknosa pada tanaman cabai didapat 54 data yang mempunyai output sesuai dengan yang diinginkan dari total data sebanyak 60 data dengan tingkat akurasi dalam proses pengklasifikasian sebesar 90% . Hasil dari nilai akurasi klasifikasi citra dapat dilihat pada persamaan 4.1

=

Adapun hasil error terjadi karena beberapa faktor seperti, pecahayaan pada saat pengambilan citra, ukuran jamur yang kecil yang terdapat pada cabai dan warna jamur yang tidak jelas.

BAB 5

KESIMPULAN DAN SARAN

Bab ini berisi kesimpulan mengenai metode yang diterapkan pada klasifikasi jenis jamur serta saran untuk pengembangan sistem pada penelitian yang selanjutnya.

5.1. Kesimpulan

Adapun kesimpulan yang dapat diambil dari hasil pengujian klasifikasi jenis jamur menggunakan jaringan saraf tiruan backpropagation adalah sebagai berikut:

1. Jaringan Saraf Tiruan backpropagation dapat digunakan sebagai metode klasifikasi jenis jamur sesuai dengan target yang telah ditentukan.

2. Parameter lain seperti learning rate berpengaruh terhadap kecepatan dalam proses pelatihan.

5.2. Saran

Adapun saran yang dapat diberikan oleh penulis terkait dengan penelitian ini untuk pengembangan selanjutnya adalah sebagai berikut:

1. Untuk penelitian selanjutnya diharapkan dapat melakukan klasifikasi jenis jamur dengan menggunakan metode ekstraksi fitur maupun metode klasifikasi yang lain.

2. Proses untuk mendapatkan hasil ekstraksi fitur setiap citra dilakukan dengan memilih citra yang akan diproses secara satu per satu. Diharapkan pada pengembangan selanjutnya dapat melakukan pemrosesan citra secara sekaligus. 3. Penelitian ini hanya mengklasifikasi 2 jenis jamur pada satu penyakit,

diharapkan pada penelitian selanjutnya dapat melakukan proses klasifikasi menggunakan jenis jamur dari penyakit yang lain.

4. Penelitian ini hanya dapat mengklasifikasi jamur dengan melihat ciri pada warna jamur, diharapakan pada penelitian selanjutnya dapat mengklasifikasi jamur dengan menggunakan ciri teksur.

BAB 2

LANDASAN TEORI

Bab ini membahas tentang teori penunjang dan penelitian sebelumnya yang berhubungan dengan penerapan metode neural network backpropagation pada image enhancement untuk mengidentifikasi jamur penyebab penyakit Antraknosa pada cabai.

2.1. Cabai (Capsicum annum L.)

Cabai adalah tumbuhan yang masuk kedalam anggota genus Capsicum. Buah cabai dapat digolongkan sebagai sayuran maupun bumbu, tergantung bagaimana cara penggunaannya. Cabai sebagai bumbu sangat populer di Asia Tenggara untuk penguat rasa makanan.

2.2. Antraknosa ( Pathek )

Antraknosa atau yang sering disebut dengan istilah “Pathek” adalah sebuah penyakit yang menyerang tanaman buah cabai. Antraknosa sendiri disebabkan oleh:

2.2.1. Colletotrichum Capsici

Pada jamur Colletotrichum Capsici gejala serangan yang ditimbulkan

adalah terdapatnya bintik-bintik kecil berwarna kehitaman dan berlekuk, pada buah yang masih hijau atau yang sudah masak. Bintik-bintik ini tepinya berwarna kuning, membesar dan memanjang. Bagian tengahnya menjadi semakin gelap (Than, 2008). Dan cara untuk mengatasinya adalah dengan cara pengendalian yang dapat dilakukan

pada tanaman cabai yang terserang Colletotrichum capsici yaitu sanitasi,

memanfaatkan Trichoderma dan Gliocladium serta dapat pula dengan menggunakan varietas tahan.

Gambar 2.1. Cabai yang terkena Colletotrichum Capsici

2.2.2. Gloeosporium Piperatum.

Pada jamur Gloeosporium Piperatum gejala yang terjadi pada cabai adalah buah berbentuk cekung dan terdapat bintik-bintik hitam pada pinggiran buah.

Gambar 2.2. Cabai yang terkena Gloesporium Piperatum

2.3. Pengenalan Citra

Citra adalah salah satu komponen multimedia yang mempunyai peran sangat penting untuk memberikan suatu informasi yang bersifat visual dan mempunyai karektiristik yang tidak dimiliki oleh teks maupun audio (Hermawati, 2013). Citra didefinisikan sebagai fungsi dua dimensi f(x,y), dimana x dan y merupakan koordinat spasial dengan nilai f pada koordinat tersebut yang diberi nama intensitas (intensity) atau gray

8

level (Gonzales, et al. 2002). Sedangkan citra digital adalah citra dua dimensi yang dapat diolah oleh beberapa perangkat lunak tertentu (Kadir, et al. 2013) yang mempunyai nilai digital yang disebut pixel (picture elements).

2.3.1. Citra Warna

Pada setiap citra warna memiliki pixel untuk mewakili warna yang merupakan kombinasi dari tiga warna dasar yaitu RGB (Red Green Blue). 1 pixel warna diwakili oleh 3 byte yang setiap byte-nya mempresentasikan warna merah (Red), hijau (Green) dan biru (Blue). Setiap warna dasar memerlukan tempat penyimpanan 8 bit = 1 byte atau sama dengan gradasi warna sebanyak 255 warna yang berarti setiap pixel mempunyai 224 = 16 juta warna lebih (Sutoyo, et al. 2009).

2.4. Pengolahan Citra Digital (Digital Image Processing)

Menurut Kadir & Susanto (2013) pengolahan gambar citra atau digital image processing adalah ilmu yang mempelajari tentang manipulasi dan modifikasi citra, seperti perbaikan kualitas citra, pemilihan ciri citra (feature images) yang bertujuan untuk analisis, dan transformasi citra (rotasi, skala, translasi), dengan menggunakan komputer untuk mendapatkan hasil yang lebih baik. Pada proses pengolahan citra ini bermaksud agar gambar awal yang memiliki gangguan lebih mudah untuk diinterpretasikan dengan cara memanipulasikan citra menjadi citra lain.

Pada penelitian ini, pengolahan citra yang dilakukan terhadap sebuah citra digital cabai adalah

2.4.1. Image Enhancement

Image enhancement merupakan sebuah proses awal pada pengolahan citra yang bertujuan untuk meningkatkan kualitas citra agar memiliki format yang lebih baik. Salah satu penyebab citra seringkali mengalami penurunan mutu (degradasi) adalah citra cacat (noise). Noise adalah titik-titik yang terdapat pada citra yang bukan merupakan suatu bagian dari citra, melainkan terjadi karena suatu sebab (Putra, 2010). Tujuan dari image enhancement adalah untuk memperoleh informasi sesuai dengan tujuan/kepentingan dari sebuah citra.

2.4.1.1. Image Brightness

Brightness adalah proses menambah terang/gelap sebuah gambar dengan menambah nilai derajat keabuan (xg) dengan nilai perubah brightness (kb).

Adapun rumus dari image brightness adalah sebagai berikut:

fo(x,y) = fi(x,y) + k 2.1

fo(x,y) : Nilai pixel pada titik x,y setelah brightness fi(x,y) : Nilai pixel pada titik x,y citra asli

k : nilai penguatan citra

rumus diatas digunakan pada citra greyscale. Bila digunakan pada citra RGB akan diturunkan sebagai berikut :

foR(x,y) = fiR(x,y) + k 2.2

foG(x,y) = fiG(x,y) + k 2.3

foB(x,y) = fiB(x,y) + k 2.4

foRGB(x,y) : Nilai pixel pada titik x,y citra RGB setelah brightness fiRGB (x,y) : Nilai pixel pada titik x,y citra RGB asli

k : nilai penguatan citra

2.4.1.2. Contrast Stretching

Contrast stretching adalah teknik yang berguna untuk mendapatkan citra baru yang memiliki kontras lebih baik dibandingkan citra asal. Citra yang berskala keabuan dikatakan kontras rendah karena kurangnya pencahayaan atau kesalahan setting lensa pada saat pengambilan citra sehingga distribusi warna cenderung pada jangkauan keabuan yang sempit dan sebaliknya, citra yang memiliki kontras tinggi apabila jangkauan keabuan lebih terdistribusi secara melebar (Kadir & Susanto, 2013). Proses contrast stretching adalah proses yang bersifat point processing, dimana proses hanya bergantung pada nilai intensitas (gray level) satu pixel dan tidak bergantung pada pixel

10

lain yang ada disekitarnya (Fatmawati, 2010). Kontras pada citra dibagi menjadi 3 kelompok, yaitu:

1. Citra Kontras Rendah

Citra kontras rendah mempunyai ciri-ciri yang sebagian besar komposisi citranya adalah terang atau gelap dengan nilai keabuan piksel rentang 0 sampai 255.

2. Citra Kontras Bagus

Citra kontras bagus mempunyai nilai keabuan yang lebar tanpa ada nilai keabuan yang mendominasi

3. Citra Kontras Tinggi

Citra kontras tinggi mempunyai nilai keabuan yang lebar, tetapi terdapat area yang didominasi oleh warna gelap atau terang.

2.4.1.3. Image Sharpening

Image sharpening atau penajaman citra merupakan proses pengolahan citra yang bertujuan untuk mempertajam tepi yang ada pada sebuah citra. Image sharpening adalah kebalikan dari image smoothing, karena pada operasi ini, bagian citra yang lembut akan dibuang (Sundani, et al. 2014). Image sharpening lebih berpengaruh pada tepi objek, sehingga image sharpening sering disebut edge enhancement

2.4.2. Feature Extraction

Ektrasi fitur adalah pengambilan ciri atau feature pada sebuah citra yang nantinya nilai yang didapatkan akan diproses atau dianalisis untuk mendapatkan suatu informasi yang penting dan berguna (Kadir & Susanto, 2013). Ekstraksi fitur dilakukan dengan cara menghitung jumlah pixel yang ada pada sebuah citra.

Pada penelitian ini, ekstraksi fitur warna yang digunakan pada buah cabai adalah ruang warna HSV.

2.4.2.1. Deteksi Warna HSV

Model warna HSV adalah model warna yang mendefenisikan warna Hue, Saturation dan Value. Pada model warna ini, Hue menyatakan nilai warna yang sebenarnya, seperti merah, kuning dan violet. Hue digunakan untuk menentukan menentukan kehijauan (greenness), kemerahan (redness), dsb dari sebuah cahaya. Hue berasosiasi

dengan panjang gelombang cahaya. Saturation digunakan untuk menyatakan tingkat kemurnian warna dengan mengindikasi berapa banyak warna putih yang ada pada sebuah warna. Value adalah atribut yang digunakan untuk menyatakan banyaknya cahaya yang diterima oleh mata tanpa memperdulikan warna.

Hue bernilai antara 0 sampai 1 yang berarti warna dimulai dari merah melewati kuning, cyan, biru, hijau dan magenta dan kembali menjadi merah. Saturation bernilai antara 0 sampai 1 yang berarti dimulai dari tidak tersaturutasu (keabuan) sampai menjadi tersaturutasi penuh (tidak putih). Nilai value antara 0 sampai 1 yang berarti warna menjadi cerah.

Gambar 2.3 Model Warna HSV (Rakhmawati, 2013).

Hue adalah variable yang menyatakan warna merah hingga violet. Hue berguna untuk mengukur sudut sekitar roda warna (merah pada 0°, hijau 120°, dan biru di 240°). Nilai pada Hue berkisar antara 0° sampai dengan 360°. Saturation, yang bisa juga disebut purity, merupakan variable untuk menyatakan vibrancy dari sebuah warna. Semakin kecil nilai pada Saturation, maka warna yang ditampilkan condong ke warna abu. Skala nilai dari Saturation berkisar antara 0% hingga 100%. Value menunjukkan nilai kecerahan dari suatu warna berkisar antara 0% hingga 100% (Rakhmawati, 2013).

Untuk mendapakan nilai fitur pada warna dimulai dengan mengkonversi citra RGB menjadi citra HSV. Sebelum citra RGB dikonversi menjadi citra HSV maka nilai RGB perlu dinormalisasikan terlebih dahulu dengan persamaan berikut 2.5.

12

r : nilai red yang dinormalisasi g : nilai green yang dinormalisasi b : nilai blue yang dinormalisasi R : nilai red awal

G : nilai green awal B : nilai blue awal

Kemudian citra akan dikonversi menjadi citra HSV. Pertama akan dicari nilai Hue dengan persamaan 2.8 sebagai berikut.

{

-

[ -] [ - ]

Dimana H adalah hasil nilai Hue, nilai didapat dengan rumus

– , Cmax = max (R’,G’,B’) dan Cmin = min (R’,G’, B’). Setelah mendapatkan hasil dari Hue akan dilakukan penghitungan untuk mencari hasil niali dari Saturation dan Value dengan menggunakan persamaan 2.7.

{

2.5. Neural Network (Jaringan Syaraf Tiruan)

Jaringan syaraf tiruan (JST) adalah sistem yang dapat merubah bentuk strukturnya untuk memecahkan masalah yang ada berdasarkan infromasi yang diterima. Jaringan 2.5

2.6

syaraf tiruan merupakan bentuk pembelajaran yang tercipta karena terinspirasi dari jaringan syaraf manusia, dengan beberapa asumsi, yaitu (Hermawan, 2006) :

1. Pemrosesan informasi yang terjadi pada elemen sederhana disebut neuron

2. Sinyal antar neuron saling berhubungan melalui saluran penghubung

3. Setiap saluran penghubung nilai bobot yang kemudian melakukan operasi

perkalian dengan sinyal yang ditransmisikan

4. Setiap neuron memberlakukakan fungsi aktivasi pada masukan total

Pada JST terdapat empat bagian utama, yaitu:

1. Neuron

Neuron atau node adalah sebuah unit/tempat memproses informasi. Setiap neuron akan menerima input, lalu memproses input yang kemudian akan menghasilkan output (Hermawan, 2006).

2. Layer

Terdapat 3 layer atau lapisan pada JST, yaitu layer masukan, layer tersembunyi dan layer keluaran (Puspitaningrum, 2006).

Gambar 2.4 Pola jaringan syaraf tiruan (Hermawan, 2006)

3. Bobot

Bobot adalah nilai yang ada pada koneksi antar neuron. Pada setiap penghubung akan dilakukan operasi perkalian bobot dengan sinyal yang akan melewati penghubung tersebut.

4. Fungsi Aktivasi

Fungsi aktivasi merupakan bagisn penting yang menentukan output berdasarkan sinyal input yang diberikan. Setiap neuron akan menerapkan fungsi aktivasi (Hermawan, 2006).

14

2.6. Metode Backpropogation

Algoritma Backpropagation pertama kali dirumuskan oleh Werbos dan dipopulerkan oleh Rumelhart dan McClelland yang digunakan pada jaringan syaraf tiruan yang dengan lapisan jamak atau multi-layer.

Algoritma Backpropagation adalah algoritma yang melatih jaringan dengan cara menyebarkan error dari lapisan output hingga ke input, yang mempunyai fungsi untuk mengevaluasi turunan agar mendapatkan target yang diinginkan (Puspitaningrum, 2006).

Algoritma ini banyak digunakan dan dikombinasikan dengan yang algoritman lain dan diterapkan pada aplikasi yang berbeda (Alsmadi et al, 2009)

Gambar 2.5 Arsitektur Backpropagation Algorithm (Fausset, 1994)

Arsitektur algoritma backpropagation terdiri dari tiga layer, yaitu input layer, hidden layer dan output layer. Pada input layer tidak terjadi proses komputasi, namun terjadi pengiriman sinyal input X ke hidden layer. Pada hidden dan output layer terjadi proses komputasi terhadap bobot dan bias dan dihitung pula besarnya output dari hidden dan output layer tersebut berdasarkan fungsi aktivasi tertentu. Dalam algoritma backpropagation ini digunakan fungsi aktivasi sigmoid biner, karena output yang diharapkan bernilai antara 0 sampai 1.

Beberapa faktor yang mempengaruhi keberhasilan algoritma backpropagation, antara lain:

1. Inisialisasi bobot

Bobot awal menentukan apakah jaringan akan mencapai global minima atau local minima kesalahan, dan seberapa cepat jaringan akan konvergen.

2. Laju pembelajaran

Laju pembelajaran merupakan parameter jaringan dalam mengendalikan proses penyesuaian bobot. Nilai laju pembelajaran yang optimal bergantung pada kasus yang dihadapi. Laju pembelajaran yang terlalu kecil menyebabkan konvergensi jaringan menjadi lebih lambat, sedang laju pembelajaran yang terlalu besar dapat menyebabkan ketidakstabilan pada jaringan.

3. Momentum

Momentum digunakan untuk mempercepat pelatihan jaringan. Metode momentum melibatkan penyesuaian bobot ditambah dengan faktor tertentu dari penyesuaian sebelumnya.

Berikut ini adalah algoritma pelatihan backpropagation (Puspitaningrum, 2006) :

Langkah 0 : Inisiasi bobot (ambil bobot awal bilangan kecil bernilai random). Langkah 1 : Jika kondisi belum berhenti, lakukan langkah 2-9.

Langkah 2 : Lakukan langkah 3-8 pada setiap data pelatihan.

Fase 1 : Feed Forward (propagasi maju)

Langkah 3 : Setiap unit input menerima sinyal kemudian meneruskan sinyal tersebut

ke semua unit selanjutnya (lapisan tersembunyi).

Langkah 4 : Hitung dengan persamaan 2.8 pada setiap unit lapisan tersembunyi. Kemudian hitung nilai dari ( =1,2,…,�) dengan menggunakan persamaan 2.9. Nilai output diperoleh dengan menggunakan fungsi aktivasi sigmoid biner.

∑

16

=

2.9

Langkah 5 : Hitung seluruh output jaringan pada unit � ( = 1,2,…, ).

Hitung nilai dari � pada lapisan output dengan menggunakan persamaan dan kemudian hitung seluruh keluaran output jaringan � ( = 1,2,…, ) dengan menggunakan persamaan 2.11.

� ∑

2.10

� � =

2.11

Fase II: Propagasi Mundur (backward)

Langkah 6 : Hitung faktor � di unit output � ( = 1,2,…, ) dengan menggunakan persamaan 2.12.

� � � � � � 2.12

Kemudian koreksi bobot (digunakan untuk memperbaiki nilai) :

� � 2.13

Langkah 7 : Hitung faktor � unit tersembunyi berdasarkan error pada lapisan tersembunyi ( =1,2,…,�)

� ∑ �

2.14 Kalikan nilai tersebut dengan turunan dari fungsi aktivasi untuk mendapatkan nilai errornya dengan menggunakan persamaan 2.15.

� = �_ ′ ( _ ) = �_ (1 − ) 2.15

DAFTAR ISI

Hal.

Persetujuan ii

Pernyataan iii

Ucapan Terimakasih iv

Abstrak vi

Abstract vii

Daftar Isi viii

Daftar Tabel xi

Daftar Gambar xii

Daftar Lampiran xiii

BAB 1 PENDAHULUAN 1

1.1. Latar Belakang 1

1.2. Rumusan Masalah 2

1.3. Batasan Masalah 3

1.4. Tujuan Penelitian 3

1.5. Manfaat Penelitian 3

1.6. Metodologi Penelitian 4

1.7. Sistematika Penulisan 5

BAB 2 LANDASAN TEORI 6

2.1. Pengenalan Cabai 6

2.2. Antraknosa (Pathek) 6

2.2.1. Colletrotichum capsici 6

2.2.2. Gloeosporium piperatum 7

2.3. Pengenalan Citra 7

2.3.1. Citra warna (color image) 8

2.4. Pengolahan Citra Digital 8

2.4.1. Image Enhancement 8

2.4.1.1. Image Brightness 9

2.4.1.3. Image Sharpening 10

2.4.2. Feature Extraction 10

2.4.2.1. Deteksi Warna HSV 10

2.5. Neural Network (Jaringan Saraf Tiruan) 12

2.6. Metode Backpropagation 14

2.7. Penelitian Terdahulu 17

BAB 3 ANALISIS DAN PERANCANGAN 19

3.1. Arsitektur Umum 19

3.2. Image Enhancement 20

3.2.1. Image Brightness 21

3.2.2. Contrast Stretching 21

3.2.3. Image Sharpening 22

3.3. Feature Extraction 22

3.3.1. HSV 23

3.4. Klasifikasi Neural Network Backpropogation 29 3.4.1. Tahap perancangan arsitektur jaringan saraf tiruan

backpropagation 30

3.4.2. Tahap pelatihan backpropagation 32

3.4.3. Tahap pengujian backpropagation 36

3.5. Perancangan Sistem 38

3.5.1. Perancangan Antarmuka 38

3.5.1.1. Rancangan Halaman Awal 39

3.5.1.2. Rancangan Halaman Pengujian 39

BAB 4 IMPLEMENTASI DAN PENGUJIAN 41

4.1. Implementasi Sistem 41

4.1.1. Spesifikasi perangkat keras dan perangkat lunak 41

4.1.2. Implementasi perancangan antarmuka sistem 41

4.2. Pelatihan Citra 42

4.3. Prosedur Operasional 43

4.3.1. Prosedur operasional pada halaman pelatihan citra 43

4.3.2. Prosedur operasional pada halaman pengujian citra 43

4.4. Pengujian Citra 45

4.5. Pengujian Sistem 47

BAB 5 KESIMPULAN DAN SARAN 49

5.1. Kesimpulan 49

5.2. Saran 50

DAFTAR TABEL

Hal.

Tabel 2.1. Penelitian terdahulu 17

Tabel 3.1. Nilai piksel RGB citra cabai yang dinormalisasi 25

Tabel 3.2. Nilai Piksel HSV 26

Tabel 3.3. Kuantisasi Ruang Warna dari Histogram HSV-162 Bin 27 Tabel 3.4. Target Keluaran Jaringan Backpropogation 30

Tabel 3.5. Input dan Target 33

Tabel 3.6. Bobot Awal Vji 34

Tabel 3.7. Bobot Awal Wkj 34

Tabel 3.8. Data uji 37

Tabel 3.9. Bobot Vkj baru 37

Tabel 3.10. Bobot Wkj baru 37

Tabel 4.1. Hasil Pelatihan Citra 42

Tabel 4.2. Hasil Pengujian Citra 45

Tabel 4.3. Data uji 46

Tabel 4.4. Bobot Vkj 46

Tabel 4.5. Bobot Wkj 46

DAFTAR GAMBAR

Hal. Gambar 2.1. Cabai yang terkena Colletrotichum Capsici 7 Gambar 2.2. Cabai yang terkena Gloeosporium Piperatum 7

Gambar 2.3. Model Warna HSV (Rakhmawati, 2013) 11

Gambar 2.4. Pola jaringan syaraf tiruan (Hermawan, 2006) 13 Gambar 2.5. Arsitektur Backpropagation Algorithm (Fausset, 1994) 14

Gambar 3.1. Arsitektur umum 20

Gambar 3.2. Proses pre-processing 21

Gambar 3.3. Hasil image brightness dan contrast 22

Gambar 3.4. Hasil image sharpening 22

Gambar 3.5. Proses feature extraction 22

Gambar 3.6. Representasi piksel citra cabai 23

Gambar 3.7. Citra cabai 25 (5x5piksel) 23

Gambar 3.8. Proses classification 30

Gambar 3.9. Arsitektur jaringan saraf tiruan 31

Gambar 3.10. Proses pelatihan jaringan backpropagation 32

Gambar 3.11. Rancangan halaman awal 39

Gambar 3.12. Rancangan halaman pengujian citra 39

Gambar 4.1. Tampilan halaman pengujian setelah selesai dilakukan 44 pengujian

DAFTAR LAMPIRAN

Hal.

Lampiran 1. Hasil pelatihan citra 54

Lampiran 2. Hasil pengujian citra 64