Identifikasi Kematangan Buah Jambu Biji Merah dengan Teknik Jaringan Syaraf Tiruan Metode Backpropagation

54

Lampiran 1. Diagram alir penelitian
Mulai

Dikumpulka
Dikumpulkan
data
n data
gambar
Data
pembelajaran

Data
eksperimen
Pre-Processing
Fitur ekstaraksi
Dibangun paradigma
sistem
Dirancang struktur
jaringan

Diinisialisasi
dan ditentukan

Input Data

Output JST
Update parameter
Validasi

Verifikasi

Error

Pengujian dan analisis
parameter
Selesai

Universitas Sumatera Utara

55

Lampiran 2. Diagram Alir JST pada Identifikasi Buah Jambu Biji Merah `

Forward system
Saat Pengujian

Feed back system
Saat pelatihan

Universitas Sumatera Utara

DAFTAR PUSTAKA
Ahmad, U., 2005. Pengolahan Citra Digital dan Teknik Pemogramannya Edisi
Pertama Cetakan Pertama. Graha Ilmu, Yogyakarta.
Agian, D. G., 2014. Identifikasi Kematangan Buah Manggis dengan Teknik
Jaringan Syaraf Tiruan. Universitas Sumatera Utara. Medan.
Andri, Paulus, N. P. Wong, dan T. Gunawan. 2014, Segmentasi Buah
Menggunakan Metode K-Means Clustering dan Identifikasi
Kematangannya Menggunakan Metode Perbandingan Kadar Warna.

http://mikroskil.ac.id [15 Desember 2015]
Badan Pusat Statistik, 2012. Hortikultura. http://www.bps.go.id [13 Maret 2016]
Deswari, D., Hendrick, Derisma, 2013. Identifikasi Kematangan Buah Tomat
Menggunakan Metoda Backpropagation. Universitas Andalas. Padang.
Lestari, D. S., 2015. Tips Memilih Buah Jambu Biji Berkualitas Bagus.
http://www.okezone.com [26 Februari 2016]
Maru’ao, D. O., 2010. Neural Network Implementation in Foreign Exchange Kurs
Prediction. http://www.gunadarma.ac.id [24 Februari 2016]
Mulato, F. Y., 2015, Klasifikasi Kematangan Buah Jambu Biji Merah (Psidium
Guajava) dengan Menggunakan Model Fuzzy. Universitas Negeri
Yogyakarta. Yogyakarta.
Mundaryati, Tri., Y. Setyaningsih, dan Budiyomo, 2015. Pengaruh Intensitas
Penerangan Terhadap Kecepatan Waktu Reaksi Melihat Rangsang
Cahaya. http://digilib.unimus.ac.id [22 Juli 2016]
Orwa, C., Mutua, R. Kindt, R. Jamnadass, dan Simons, 2009. Agroforestory
Database:
Psidium
Guajava.
http://www.worldagroforestry.org
[15 Desember 2015]

Pandjaitan, L. W., 2007. Dasar-dasar Komputasi Cerdas. Penerbut Andi,
Yogyakarta
Sigit, R., A. Basuki, N. Ramadijanti, dan D. Pramadika, 2005. Step by step
Pengolahan Citra Digital. Penerbit Andi, Yogyakarta.
Siregar, T. M., 2014. Identifikasi Kematangan Buah Pisang dengan Teknik
Jaringan Syaraf Tiruan. Universitas Sumatera Utara. Medan.
52

Universitas Sumatera Utara

53

Sitorus, S., Suyanto, Sawaluddin, S. Harahap, dan J. Hutagalung, 2006. Buku Ajar
Pengolahan Citra Digital. Universitas Sumatera Utara, Medan.
USDA, 2003. Classification for Kingdom Plantae Down to Genus Psidium L.
http://plants.usda.gov [13 Maret 2016]
Wahyuni, N. T., B. Widya, A. Lestari, 2009. Uji Fisik Buah Jambu Biji Merah
Pada Suhu Kamar yang Diradiasi dengan Sinar Gamma. Institut Pertanian
Bogor. Bogor.
Warman, K., L. A. Harahap, dan A. P. Munir, 2014. Identifikasi Kematangan

Buah Jeruk dengan Teknik Jaringan Syaraf Tiruan. Universitas Sumatera
Utara. Medan.
Yani, E., 2005. Pengantar Jaringan Syaraf Tiruan. http://www.materikuliah.com
[15 Desember 2015]
Yuliani, S., L. Udarno, dan E. Hayani, 2001. Kadar Tanin dan Quersetin Tiga
Tipe Daun Jambu Biji (Psidium guajava). Balai Penelitian Tanaman
Rempah dan Obat. Bogor

Universitas Sumatera Utara

METODOLOGI PENELITIAN
Tempat dan Waktu Penelitian
Penelitian ini telah dilaksanakan di Laboratorium Keteknikan Pertanian
Program Studi Keteknikan Pertanian, Fakultas Pertanian Universitas Sumatera
Utara pada bulan Maret 2016 sampai dengan Agusuts 2016.
Bahan dan Alat
Bahan
Bahan yang digunakan dalam penelitian ini adalah data gambar buah
jambu biji merah yang akan digunakan pada proses pembelajaran sistem dan
pengujian system, kertas kalkir yang dibentuk kubus digunakan sebagai latar

belakang pengambilan data, lampu LED Ce ROHS ip67 3 5050 ukuran 12V
sebanyak 12 unit yang digunakan sebagai media penerangan pengambilan data,
kabel listrik sepanjang 5 meter untuk menyambungkan arus listrik, serta adaptor
AC/DC WX-186 dengan input 100-240VAC 50/60 Hz output 12VDC 1A yang
digunakan sebagai media sumber listrik untuk menyalakan lampu sebagai
penerangan difusser
Alat
Adapun alat yang digunakan dalam penelitian ini adalah perangkat keras
yang terdiri dari komputer pribadi untuk membangun dan menjalankan sistem,
kamera digital merk Canon Ixus 150 untuk mengambil gambar buah, tripod
sebagai tempat peletakan kamera dan kotak sebagai latar pengambilan gambar
buah. Perangkat lunak yang terdiri dari Microsoft Visual Studio 2015 untuk
21

Universitas Sumatera Utara

22

membangun program aplikasi JST, Microsoft SQL Management Studio Express
2005 untuk membangun manajemen database, GNU Image Manupulation

Program 2 untuk membuat desain ikon dan latar belakang aplikasi, Bandicam
untuk membuat video tutorial aplikasi, dan Windows Movie Maker untuk
melakukan proses editing pada video tutorial aplikasi
Metode Penelitian
Penelitian ini merupakan rancang bangun sebuah sistem informasi yang
mampu mengidentifikasi kematangan buah jambu biji merah berdasarkan warna
dengan JST metode backpropagation Neural Network.
Backpropagation Neural Network merupakan model JST dengan lapisan
jamak yang 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.
Tahapan Penelitian
Proses berikut merupakan tahapan yang dilakukan untuk membangun
sistem berbasiskan Neural Network:
-

Pengumpulan data dan pemrosesan data awal

-

Pembentukan jaringan serta proses pembelajaran

-

Proses pengujian serta proses validasi jaringan.

Dalam melaksanakan penelitian ini dilakukan langkah sebagai berikut:

Universitas Sumatera Utara

23

-

Pengumpulan data berupa gambar jambu biji merah dengan jarak dari
objek ke kamera dan latar yang sama serta kondisi ruangan yang sama

-

Ekstrasi citra, dimana sebuah cara menampilkan presepsi warna atau
kuantifikasi sesuai parameter yang dibutuhkan yaitu RGB (red, green dan
blue)

-

Perancangan struktur jaringan yaitu penentuan jumlah lapisan masukan,
lapisan tersembunyi dengan menggunakan Persamaan (1) dan turunannya,
serta jumlah lapisan keluaran yang akan digunakan dalam jaringan dengan
menggunakan Persamaan (3) dan turunannya

-

Menginisialisasi bobot dengan menggunakan Persamaan (7) dan
turunannya, indeks bias dan nilai dari tiap-tiap parameter

-

Proses pembelajaran, dimana melatih sistem dalam bekerja sebanyak data
yang telah ditentukan.

-

Proses pengujian, dimana pembuktian bahwa sistem telah dibangun secara
layak ditinjau dari segi mekanis.

-

Proses validasi jaringan, pengecekan apakah sistem yang dibangun sesuai
kebutuhan

Universitas Sumatera Utara

HASIL DAN PEMBAHASAN
Jambu biji merah merupakan salah satu buah yang memiliki kondisi umur
fisik yang relatif singkat, dalam melakukan penjualan tentu saja tingkat
kematangan dari suatu buah sangat mempengaruhi harga jual. Sebelum
melakukan penjualan buah, yang pertama dilakukan adalah melakukan kegiatan
sortasi buah baik dalam bentuk, ukuran, kelunakan, serta warna dari suatu buah.
Dalam kegiatan sortasi dilakukan penggolongan mutu sehingga diperoleh nilai

tambah karena dapat dijual sesuai dengan tingkat kelas mutu masing-masing.
Salah satu kegiatan penggolongan mutu yang paling umum dilakukan adalah
penggolongan berdasarkan warna dari buah karena bersifat non-destruktif.
Umumnya kegiatan sortasi yang biasa dilakukan oleh petani, pengumpul,
ataupun pedagang sebelum dijual di pasar.dilakukan secara manual. Kegiatan
tersebut dilakukan dengan cara memilih buah dengan menggunakan panca indra
manusia yang dimana panca indra tersebut memiliki kemampuan dan pendapat
yang berbeda-beda setiap orang. Sehingga kegiatan tersebut memiliki keakuratan
yang tidak maksimal. Hal tersebut biasanya terjadi pada saat kegiatan sortasi
dalam jumlah besar.
Berdasarkan besarnya nilai error yang dilakukan manusia ketika dalam
kondisi kelelahan, maka diperlukan suatu sistem yang membantu manusia
khususnya petani dan pedagang dalam melakukan pengklasifikasian buah jambu
biji merah berdasarkan klasifikasi warna. Perkembangan teknologi informasi
memungkinkan mempermudah dalam hal melakukan identifikasi kematangan
buah yakni dengan bantuan komputer. Hal tersebut dapat dilakukan dengan
24

Universitas Sumatera Utara

25

melakukan perancangan sistem identifikasi kematangan buah yang sistem
kerjanya dapat dilakukan secara otomatis. Tentu saja hal ini sangat membantu
petani dalam melakukan sortasi tingkat kematangan yang dimana identifikasi
kematangan secara manual dalam jumlah besar dapat memakan waktu lama, tidak
konsisten, dan sangat bergantung pada kondisi operator yang melakukan tindakan
identifikasi. Proses identifikasi dengan menggunakan pengolahan sistem berupa
citra digital (image processing) yang dapat menghasilkan data kemudian
dilakukan pembelajaran dengan sistem jaringan syaraf tiruan (artifical neural
network) sehingga dapat menentukan tingkat kematangan buah jambu biji merah
Pemanfaatan Aplikasi Identifikasi kematangan buah jambu biji merah
untuk menglasifikasikan tingkat kematangan merupakan solusi yang tepat dalam
menyelesaikan permasalahan tersebut.
Perancangan Sistem
Tahap pembuatan perangkat lunak identifikasi kematangan buah jambu
biji merah berdasarkan warna dilakukan dengan beberapa software berupa
Microsoft Visual Studio 2012, SQL server menagement studio 2005, GNU Image
Manupulation Program 2, Bandicam, Windows Movie Maker. Tahap perancangan
sistem terdiri dari pre-proses gambar sebagai input yakni perancangan latar
belakang serta pengaturan cahaya pengambilan gambar, menentukan dan
menajemen basis data, perancangan program, perancangan proses pengujian dan
proses validasi serta verifikasi. Perancangan sistem ini perlu dilakukan untuk
mendapatkan gambaran yang maksimal.

Universitas Sumatera Utara

26

Perancangan Fisik Latar Buah
Dalam penelitian ini digunakan kotak tertutup sebagai sarana pengambilan
gambar buah jambu biji merah. Penggunaan kotak ini berfungsi sebagai media
pengambilan gambar, dimana dalam kotak tersebut dibangun sebuah diffuser yang
terbuat dari kertas kalkir. Difusser adalah media untuk memberikan penerangan
merata pada objek gambar. Hal ini sesuai dengan pernyataan Mundaryati, et. al.
(2015) yang menyatakan bahwa difusi cahaya (pembauran cahaya) akan memberi
penerangan lembut merata pada obyek dan sekitarnya sehingga mengurangi detil
dan kesan tiga dimensional obyek karena ketiadaan bayangan. Dengan adanya
difusser tersebut, cahaya dapat lebih konstan yang dimana cahaya dapat sangat
mempengaruhi nilai RGB yang akan menjadi dasar pelatihan program sehingga
mempengaruhi hasil penelitian. Difusser dibangun dengan menggunakan bahan
kertas kalkir yang dibentuk menyerupai kubus berukuran 35x35 cm. ukuran
tersebut dipilih dikarenakan ukuran sampel penelitian buah jambu biji merah
memiliki ukuran diameter rata-rata 7,2 cm.
Pre-proses
Merupakan suatu tahapan yang dilakukan berupa normalisasi dan ekstraksi
gambar buah. Setiap piksel akan diekstraksi dan dikenali dalam nilai Red, Green
dan Blue (RGB). Tingkat RGB dikonversi dalam pola bit, dari ketiga warna
tersebut digunakan sistem 32 bit. Pembuatan aplikasi dilakukan dari melakukan
desain interface yang merupakan tampilan guna membuat aplikasi yang mudah
digunakan oleh masyarakat umum, hal tersebut sangat penting dikarenakan
tampilan merupakan perwakilan dari fungsi keseluruhan suatu aplikasi. Setelah
tampilan telah terbentuk, kemudian aplikasi dibangun dengan menggunakan

Universitas Sumatera Utara

27

Microsoft Visual Studio 2015 dengan menggunakan bahasa pemograman basic.
Kemudian dibentuk aplikasi dengan menggunakan fungsi jaringan syaraf tiruan
metode backpropagation yang dimana ditentukan nilai n dan penentuan iterasi
perhitungannya yakni sekitar 50000 kali perulangan. Besar nilai iterasi
mempengaruhi proses pelatihan dalam aplikasi ini, dengan nilai iterasi yang
tinggi, mempengaruhi waktu proses pelatihan yang lebih lama namun lebih akurat
pada saat melakukan pengujian.
Proses Pelatihan
Proses pelatihan dilakukan agar dapat melatih jaringan yang akan dapat
mengidentifikasi kematangan buah jambu biji merah baik dalam pelatihan
ataupun yang tidak dilatihkan dengan menggunakan jaringan saraf tiruan
propagasi balik. Hal tersebut sesusai dengan pernyataan Deswari, et. al. (2013)
yang menyatakan bahwa proses pelatihan berguna untuk melatih sistem dengan
memasukkan data-data masukan ke dalam sistem Neural Network kemudian data
tersebut diolah dengan menggunakan metode backpropagation. Hal tersebut
bertujuan untuk mendapatkan keseimbangan antara kemampuan tanggapan yang
benar terhadap masukan yang dipakai untuk pelatihan jaringan (penyediaan
database) dan kemampuan memberikan tanggapan yang benar untuk masukan
data yang sejenis namun tidak identik dengan data gambar yang dipakai pada
pelatihan.
Proses pelatihan terdiri dari 3 tahap. Tahap yang pertama yaitu tahap
umpan maju dimana pola yang digunakan untuk mencari nilai lapisan tersembunyi
dan nilai lapisan keluaran menggunakan aktivasi yang ditentukan. Tahap yang

Universitas Sumatera Utara

28

kedua adalah tahap mundur, jika hasil keluaran tidak sesuai dengan target maka
dilakukan propagasi balik untuk mendapatkan nilai error yang ada di lapisan
keluaran dan lapisan tersembunyi. Tahap yang ketiga adalah memperbaharui nilai
bobot yang ada dilapisan tersembunyi dan lapisan masukan untuk menentukan
error yang terjadi. Setelah itu dilakukan lagi umpan maju dan propagasi balik jika
nilai keluarannya tidak sesuai dengan nilai yang ditargetkan. Proses ini dilakukan
secara berulang kali sampai mendapatkan batasan error yang ditentukan dari
jaringan.
Berikut perhitungan pembelajaran dengan metode backpropagation
terhadap data training tersebut:
a)

Gambar buah dijadikan sebagai data masukan dengan target sesuai dengan
tingkat kematangan buah.

b) Dilakukan pengubahan nilai target ke dalam bentuk angka biner, dimana
target yang digunakan 10 (m = 10)
c)

Ditentukan nilai maksimum perulangan, error minimum, dan rasio
pembelajaran. Pada contoh perhitungan ini digunakan batasan sebagai
berikut:
Error minimum

= 0,01

Rasio pembelajaran

= 0,05

Maksimum perulangan

= 50000

d) Dilakukan inisialisasi bobot awal dengan nilai acak antara 0 dan 1.
i.

Bobot awal masukan ke hidden (v)
v = { -0.1377; 0.326; 0.4402; -0.2569; -0.2376; 0.1978; -0.0417; dst.}

Universitas Sumatera Utara

29

ii. Bobot awal bias ke hidden (v0)
v0 = {0,0,0,0}
Semua nilai v0 dianggap 0;
iii. Bobot awal hidden ke keluaran (w)
w = { 0.1075; 0.1417; -0.4951; 0.322; -0.1304; -0.332; -0.2133; ; dst}
iv. Bobot awal bias ke keluaran (w0)
w0 = 0
Nilai w0 dianggap 0.
i) Dilakukan perulangan selama nilai perulangan lebih kecil dari maksimal
perulangan dan nilai kuadrat error lebih besar dari nilai error minimum. Setiap
data dilakukan perulangan dilakukan perhitungan seperti pada langkah “e”
sampai “g”
j) Alur maju:
Data = x1
Perulangan = 1
Operasi pada hidden layer :

Operasi pada output layer :

Universitas Sumatera Utara

30

Hitung nilai error :
�r���= ��� – ��

k) Alur mundur

Hitung faktor unit kesalahan (�) :
�� =

Hitung suku perubahan bobot w ( �i)
�jk =

� = rasio

�= faktor unit kesalahan

Hitung faktor unit kesalahan pada layer tersembunyi :
�_���= �*���

Hitung suku perubahan bobot v :
��,�=

l) Perubahan bobot
Hitung bobot w baru :
� �� = � �� + � ��

Hitung bobot v baru :

m) Dilakukan perhitungan pada setiap perulangan hingga kondisi berhenti bernilai
benar, kemudian berlanjut pada data ke-2.
Proses Pengujian
Proses pengujian adalah menguji jaringan yang telah dilatih untuk
mengenali data gambar pelatihan maupun data yang tidak digunakan pada tahapan

Universitas Sumatera Utara

31

pelatihan jaringan. Jaringan diharapkan dapat mengenali dan mengidentifikasi
buah jambu biji merah yang terdapat pada data pelatihan dan pengujian. Pada
proses pengujian hanya menggunakan tahap umpan maju untuk mencari nilai
keluaran lapisan tersembunyi dan lapisan keluaran.
Proses pengujian dengan metode backpropagation hanya menggunakan
satu alur, yaitu alur maju yang memiliki langkah-langkah pengenalan berupa:
a) Dilakukan penghitungaan data test yang dilakukan satu persatu terhadap
setiap hasil w dan v dari setiap data. Jika data hasil sudah sesuai dengan
dengan tujuan maka perhitungan dihentikan.
b) Dilakukan penentuan batas ambang (threshold) dari nilai hasil. Diambil
threshold = 0,05, artinya jika nilai y memiliki angka di belakang koma lebih
besar atau sama dengan 5, maka nilai tersebut dibulatkan ke atas, dan
sebaliknya.
Ketika jaringan diuji dengan menggunakan data pelatihan, yang diuji
adalah kemampuan memorisasi jaringannya, sebab kasus-kasus yang dimasukkan
telah dipelajari sebelumnya. Dan sebaliknya, pada saat jaringan diuji dengan
menggunakan data baru, yang diuji adalah kemampuan generalisasi jaringannnya.
Hasil Pelatihan dan Pengujian Sistem
Dari hasil pelatihan dan pengujian sistem didapatkan tingkat keberhasilan
program

untuk

mengidentifikasi

menggunakan backpropagation.

kematangan

buah

jambu

biji

merah

Tingkat kematangan buah jambu biji merah

dibedakan atas klasifikasi mentah, matang, dan lewat matang.
Pada tahap pelatihan digunakan data gambar sebanyak 30 buah.
Digunakan 10 buah untuk kelas mentah, 10 buah untuk kelas matang, 10 buah

Universitas Sumatera Utara

32

untuk kelas lewat matang. Begitu juga untuk tahap pengujian. Hal ini sesuai
dengan pernyataan Maru’ao (2010) yang menyatakan bahwa semakin banyak data
yang dimasukkan kedalam input masukan, jaringan akan semakin baik mengenali
pola – pola tertentu sehingga hasil lebih akurat, namun akan berdampak dengan
melambatnya proses pelatihan. Dalam melakukan pelatihan pada aplikasi ini,
dengan menggunakan nilai iterasi 50000 kali iterasi, pelatihan sebuah gambar
jambu biji merah menghabiskan waktu 3 menit, nilai iterasi tersebut dipilih
dikarenakan untuk mendapatkan hasil pengujian yang lebih akurat, dapat
dilakukan perulangan (iterasi) lebih banyak.
Pada tahap pengujian data gambar buah jambu biji merah untuk
menentukan tingkat persentase keberhasilannya dalam mengenali klasifikasi buah
dapat ditentukan dengan menggunakan persamaan:
.. (15)

.. (16)
Pada proses pelatihan dilakukan menggunakan 30 data gambar buah
jambu biji merah yang mencirikan tingkat kematangan buah jambu biji merah.
Adapun data gambar buah jambu biji merah yang dilatih sebagai berikut:
Tabel 2. Data buah jambu biji merah pelatihan
Sampel
1
2
3
4
5
6

Bobot nilai
R
G
B
0.9954293 1.136638 0.8678276
1.017609 1.159644 0.8227017
1.040368 1.227324 0.7323228
0.9905472 1.103108 0.9062158
1.024196 1.15739 0.8184039
0.99`39385 1.135826 0.8701457

Klasifikasi

Keterangan

Hasil
identifikasi

Mentah
Mentah
Mentah
Mentah
Mentah
Mentah

Dikenali
Dikenali
Dikenali
Dikenali
Dikenali
Dikenali

Benar
Benar
Benar
Benar
Benar
Benar

Universitas Sumatera Utara

33

Sampel
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30

R
1.007539
0.9932732
1.009185
1.008649
1.107878
1.108583
1.14753
1.132622
1.106415
1.192754
1.116853
1.138059
1.161136
1.126097
1.148054
1.203128
1.143815
1.133842
1.252553
1.16081
1.112626
1.108015
1.121365
1.031673

Bobot nilai
G
B
1.183774 0.808839
1.125523 0.8812576
1.199478 0.7912971
1.143947 0.8474678
1.058623 0.8334215
1.05034 0.8409142
1.01963 0.8327896
1.004604 0.8627564
1.093739 0.7999513
1.072308 0.7351623
1.043499 0.8395308
1.015013 0.8468745
1.084974 0.7539009
1.047028 0.8268955
1.01505 0.8368102
0.9791417 0.8176994
0.9835411 0.872542
0.9830089 0.8830398
1.002605 0.7447235
0.9724935 0.8666354
0.9808964 0.9061425
0.9835247 0.9082
0.9792067 0.899456
0.9846206 0.9836441

Klasifikasi

Keterangan

Hasil
identifikasi

Mentah
Mentah
Mentah
Mentah
Matang
Matang
Matang
Matang
Matang
Matang
Matang
Matang
Matang
Matang
Lewat matang
Lewat matang
Lewat matang
Lewat matang
Lewat matang
Lewat matang
Lewat matang
Lewat matang
Lewat matang
Lewat matang

Dikenali
Dikenali
Dikenali
Dikenali
Dikenali
Dikenali
Dikenali
Dikenali
Dikenali
Dikenali
Dikenali
Dikenali
Dikenali
Dikenali
Dikenali
Dikenali
Dikenali
Dikenali
Dikenali
Dikenali
Dikenali
Dikenali
Dikenali
Dikenali

Benar
Benar
Benar
Benar
Benar
Benar
Benar
Benar
Benar
Benar
Benar
Benar
Benar
Benar
Benar
Benar
Benar
Benar
Benar
Benar
Benar
Benar
Benar
Benar

Dari Tabel 2. terdapat 10 buah jambu biji merah untuk klasifikasi Mentah,
10 buah jambu biji merah untuk klasifikasi Matang, dan 10 buah jambu biji merah
untuk klasifikasi Lewat matang. Setelah dilakukan pelatihan, lalu 30 data gambar buah
jambu biji merah yang telah dilatih tersebut dilakukan pengujian untuk
mengidentifikasi kematangannya sehingga didapatkan persentase keberhasilan
pelatihan dengan menggunakan persamaan sebagai berikut:

Universitas Sumatera Utara

34

= 100 %
Kriteria data yang berhasil adalah dalam melakukan pelatihan sebanyak 30
buah, dengan pembagian banyaknya buah yakni 10 buah berklasifikasi mentah, 10
berklasifikasi matang, dan 10 berklasifikasi lewat matang dilakukan pengujian
kembali dengan menggunakan buah yang sama dengan pelatihan sebelumnya
dimana buah tersebut telah diketahui kondisi kematangannya. Data yang berhasil
adalah data yang pada saat melakukan pengujian mengeluarkan hasil uji klasfikasi
yang sama dengan data yang sebelumnya yang telah diketahui klasifikasi
kematangannya. Sedangkan untuk data yang gagal adalah data yang sebelumnya
dimasukkan memiliki hasil yang berbeda pada saat pengujian tingkat kematangan
dengan aplikasi ini.
Proses pengujian dilakukan dengan menggunakan 120 data gambar.
Adapun data gambar buah jambu biji merah yang digunakan untuk pengujian
sebagai berikut:
Tabel 3. Data buah mentah jambu biji merah pengujian
Sampel
1
2
3
4
5
6
7
8
9
10
11
12

Bobot nilai
R
G
1.036499 1.266246
1.036499 1.266246
1.035139 1.253824
1.024519 1.263217
1.024519 1.263217
1.048982 1.218796
1.008192 1.113921
1.002222 1.12344
1.010402 1.121391
1.002748 1.20647
0.9760219 1.228705
1.031815 1.236976

Klasifikasi

B
0.6973955
Mentah
0.6973955
Mentah
0.7109889
Mentah
0.7122281
Mentah
0.7122281
Mentah
0.7323727
Mentah
0.8779054
Mentah
0.8743092
Mentah
0.8682626
Mentah
0.7908305
Mentah
0.7951279 Lewat matang
0.7311627
Mentah

Keteranagan
Dikenali
Dikenali
Dikenali
Dikenali
Dikenali
Dikenali
Dikenali
Dikenali
Dikenali
Dikenali
Dikenali
Dikenali

Hasil
identifikasi
Benar
Benar
Benar
Benar
Benar
Benar
Benar
Benar
Benar
Benar
Salah
Benar

Universitas Sumatera Utara

35

Sampel
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40

R
1.045101
0.9970591
1.011197
1.006096
0.9958466
1.015203
1.024012
1.006321
1.021945
1.023105
.014105
0.9945292
0.9970591
0.9890199
1.04127
1.008617
1.013399
0.9890948
1.024721
1.018253
1.020894
1.059738
1.016633
1.003781
0.9971316
1.006591
0.9967762
1.027596

Bobot nilai
G
1.248752
1.217782
1.145444
1.261775
1.218557
1.229798
1.252151
1.196186
1.218018
1.265909
1.179537
1.205941
1.217782
1.221779
1.230098
1.221204
1.228186
1.245146
1.210151
1.154683
1.237934
1.256592
1.253011
1.241093
1.231958
1.211722
1.268841
1.261165

Klasifikasi

Keteranagan

B
0.7060146
Mentah
Dikenali
0.7853351
Mentah
Dikenali
0.8433722
Mentah
Dikenali
0.7323465
Mentah
Dikenali
0.7855685
Mentah
Dikenali
0.7551881
Mentah
Dikenali
0.7237267
Mentah
Dikenali
0.7975777
Mentah
Dikenali
0.7599109
Mentah
Dikenali
0.71108
Mentah
Dikenali
0.806427 Lewat matang Dikenali
0.7996263 Lewat matang Dikenali
0.7853351
Mentah
Dikenali
0.7892756 Lewat matang Dikenali
0.728558
Mentah
Dikenali
0.7701194
Mentah
Dikenali
0.7583065
Mentah
Dikenali
0.765711
Mentah
Dikenali
0.7650555
Mentah
Dikenali
0.8270701
Mentah
Dikenali
0.741108
Mentah
Dikenali
0.6837033
Mentah
Dikenali
0.7303566
Mentah
Dikenali
0.7550885
Mentah
Dikenali
0.7710022
Mentah
Dikenali
0.7816557
Mentah
Dikenali
0.7343657
Mentah
Dikenali
0.7113913
Mentah
Dikenali

Hasil
identifikasi
Benar
Benar
Benar
Benar
Benar
Benar
Benar
Benar
Benar
Benar
Salah
Salah
Benar
Salah
Benar
Benar
Benar
Benar
Benar
Benar
Benar
Benar
Benar
Benar
Benar
Benar
Benar
Benar

= 90 %
Tabel 4. Data buah matang jambu biji merah pengujian
Sampel
41

Bobot nilai
R
G
B
1.027596 1.261165 0.7113913

Klasifikasi
Matang

Keteranagan
Dikenali

Hasil
identifikasi
Benar

Universitas Sumatera Utara

36

Sampel
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80

R
1.147984
1.120437
1.141769
1.193782
1.170927
1.175293
1.187262
1.22289
1.216928
1.172867
1.175364
1.130267
1.211718
1.21027
1.256351
1.119911
1.164924
1.210507
1.248358
1.197455
1.266674
1.287028
1.204779
1.121376
1.193475
1.181167
1.244307
1.19565
1.227218
1.18832
1.190718
1.146615
1.166771
1.119213
1.172438
1.132827
1.14308
1.167224
1.109145

Bobot nilai
G
1.119997
1.13895
1.141547
1.095072
1.104512
1.167484
1.080397
1.113971
1.141855
1.116264
1.12202
1.093938
1.095637
1.077894
1.105658
1.139032
1.106003
1.10674
1.12647
1.142775
1.115858
1.110935
1.070212
1.130795
1.144906
1.10934
1.134908
1.107277
1.102909
1.043748
1.038557
1.021857
1.047589
1.01599
1.043733
1.030841
1.049917
1.075023
1.013462

B
0.7320148
0.7406247
0.7166169
0.7111153
0.7245556
0.6572408
0.7324923
0.6629707
0.6414175
0.7108006
0.7027293
0.7758446
0.6926351
0.7119092
0.6380559
0.7411265
0.7288981
0.6828501
0.6251831
0.6599592
0.617389
0.602037
0.7249145
0.7479949
0.6615496
0.7096352
0.6208103
0.6970128
0.6699662
0.7678404
0.770759
0.8315705
0.7857848
0.8646507
0.7839467
0.8364177
0.8072255
0.757656
0.8775114

Klasifikasi
Matang
Matang
Matang
Matang
Matang
Matang
Matang
Matang
Matang
Matang
Matang
Matang
Matang
Matang
Matang
Matang
Matang
Matang
Matang
Matang
Matang
Matang
Matang
Matang
Matang
Matang
Matang
Matang
Matang
Matang
Matang
Lewat matang
Lewat matang
Lewat matang
Lewat matang
Lewat matang
Matang
Matang
Lewat matang

Keteranagan

Hasil
identifikasi

Dikenali
Dikenali
Dikenali
Dikenali
Dikenali
Dikenali
Dikenali
Dikenali
Dikenali
Dikenali
Dikenali
Dikenali
Dikenali
Dikenali
Dikenali
Dikenali
Dikenali
Dikenali
Dikenali
Dikenali
Dikenali
Dikenali
Dikenali
Dikenali
Dikenali
Dikenali
Dikenali
Dikenali
Dikenali
Dikenali
Dikenali
Dikenali
Dikenali
Dikenali
Dikenali
Dikenali
Dikenali
Dikenali
Dikenali

Benar
Benar
Benar
Benar
Benar
Benar
Benar
Benar
Benar
Benar
Benar
Benar
Benar
Benar
Benar
Benar
Benar
Benar
Benar
Benar
Benar
Benar
Benar
Benar
Benar
Benar
Benar
Benar
Benar
Benar
Benar
Salah
Salah
Salah
Salah
Salah
Benar
Benar
Salah

Universitas Sumatera Utara

37

= 85 %
Tabel 5. Data buah lewat matang jambu biji merah pengujian
Sampel
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112

R
1.198278
1.13572
1.232871
1.102296
1.210272
1.289743
1.344489
1.259969
1.302384
1.043403
1.328512
1.344489
1.254986
1.360674
1.285462
1.225684
1.282591
1.268814
1.094319
1.149684
1.172877
1.207183
1.230396
1.212956
1.116156
1.283001
1.226778
1.20701
1.123565
1.314019
1.120703
1.063934

Bobot nilai
G
0.9836084
0.9827931
1.003267
0.9833471
0.9716766
0.9803289
0.9707888
1.008848
1.024161
0.9863074
0.9907363
0.9707888
0.9889745
0.9756763
0.9976256
0.9973561
1.005832
1.022758
0.9809558
0.9839517
1.014964
0.9739082
0.9827316
0.9797251
0.9840689
1.005779
0.9696141
1.032322
0.9810762
0.9801395
0.9825952
0.9850292

B
0.8180711
0.8814921
0.76362
0.9145409
0.8178141
0.7298213
0.6847889
0.7311167
0.673444
0.9701877
0.6806937
0.6847889
0.7560007
0.6636642
0.7169482
0.7769322
0.7113573
0.7083963
0.9247039
0.866394
0.8118913
0.8186466
0.7868318
0.8071893
0.8997393
0.7110884
0.8036537
0.760502
0.8951583
0.7058156
0.8966318
0.9508873

Klasifikasi
Matang
Matang
Lewat matang
Lewat matang
Lewat matang
Lewat matang
Lewat matang
Lewat matang
Lewat matang
Matang
Lewat matang
Lewat matang
Lewat matang
Lewat matang
Lewat matang
Lewat matang
Lewat matang
Lewat matang
Lewat matang
Matang
Matang
Lewat matang
Lewat matang
Lewat matang
Lewat matang
Lewat matang
Mentah
Matang
Lewat matang
Lewat matang
Lewat matang
Matang

Keteranagan

Hasil
identifikasi

Dikenali
Dikenali
Dikenali
Dikenali
Dikenali
Dikenali
Dikenali
Dikenali
Dikenali
Dikenali
Dikenali
Dikenali
Dikenali
Dikenali
Dikenali
Dikenali
Dikenali
Dikenali
Dikenali
Dikenali
Dikenali
Dikenali
Dikenali
Dikenali
Dikenali
Dikenali
Dikenali
Dikenali
Dikenali
Dikenali
Dikenali
Dikenali

Salah
Salah
Benar
Benar
Benar
Benar
Benar
Benar
Benar
Salah
Benar
Benar
Benar
Benar
Benar
Benar
Benar
Benar
Benar
Salah
Salah
Benar
Benar
Benar
Benar
Benar
Salah
Salah
Benar
Benar
Benar
Salah

Universitas Sumatera Utara

38

Sampel
113
114
115
116
117
118
119
120

R
1.266995
1.299672
1.033673
1.298933
1.267945
1.224583
1.10949
1.086292

Bobot nilai
G
0.9807336
1.014091
0.9849666
0.9953668
0.99617
0.9998211
0.9801269
0.9829131

B
0.7522086
0.6861506
0.9811056
0.7055596
0.7360131
0.7755253
0.9102663
0.9306492

Klasifikasi
Lewat matang
Lewat matang
Matang
Lewat matang
Lewat matang
Lewat matang
Lewat matang
Matang

Keteranagan

Hasil
identifikasi

Dikenali
Dikenali
Dikenali
Dikenali
Dikenali
Dikenali
Dikenali
Dikenali

Benar
Benar
Salah
Benar
Benar
Benar
Benar
Salah

= 75 %
Sehingga didapatkan hasil pengujian terhadap 120 gambar buah jambu biji merah
yang belum dilatih pada sistem memberikan hasil keberhasilan dalam mendeteksi
kematangan buah jambu biji merah sebesar 83 %
Total Pengujian

: 120

Pengujian Benar

: 100

Pengujian Salah

: 20

= 83,33 %
Perhitngan persentase dilakukan pada setiap klasifikasi buah. Penulis
menggunakan 120 sampel yang terdiri dari 40 buah mentah, 40 buah matang, dan
40 buah lewat matang. Persentase dilakukan pada setiap kelas yang uji untuk
mengetahui keakuratan aplikasi dalam mengidentifikasi setiap kelas tingkat
kematangan buah jambu biji merah. Hal tersebut bertujuan untuk mengeetahui

Universitas Sumatera Utara

39

bug

atau

kesalahan

aplikasi

yang

dikemudian

hari

dapat

dilakukan

penyempurnaan. Bug yang terdeteksi pada aplikasi ini adalah dalam melakukan
pengujian, jika melakukan crop gambar yang tidak sesuai, maka data tersebut
akan menghasilkan kelas klasifikasi yang berbeda. Untuk mengatasi hal tersebut,
dalam menguji buah dilakukan proses crop sebanyak tiga kali perulangan untuk
mendapatkan klasifikasi kematangan buah yang tepat.
Desain Program
Pada aplikasi identifikasi kematangan buah jambu biji ini terdiri dari
beberapa form (tampilan) diantaranya; form Login, form Home, form Uji, form
Pelatihan, form About, form Credit, form List Database, dan form Riwayat
Pengujian. Pada form List Database terdapat form Penampil Gambar ketika list
gambar di buka, begitu pula pada form Riwayat Pengujian. Selain itu, aplikasi ini
terdapat pula form Tutorial yang berisikan form Tampilan Program, form Cara
Menambahkan Database, serta form Cara Melakukan Pengujian sehingga jumlah
keseluruhan form pada aplikasi ini berjumlah 13 form. Selain form, pada sistem
ini menggunakan 2 buah tabel, yaitu tabel Database dan tabel Riwayat Pengujian.
Seluruh desain gambar serta ikon pada aplikasi ini menggunakan aplikasi GNU
Image Manupulation Program 2.
Pada aplikasi ini dibangun sistem yang menerima input berupa citra yang
didasarkan pada perbandingan citra yang telah dilatih sebelumnya pada aplikasi.
Sebelumnya Program SQL harus aktif agar database dapat terhubung dengan
baik. Selain itu, program ini memiliki fitur tutorial dan tooltips yang dapat
membantu operator untk mengenal program ini.

Universitas Sumatera Utara

40

Gambar 1. Tampilan menu Login
Tampilan Login merupakan Tampilan yang ditampilkan pertama kali saat
aplikasi dijalankan. Background-nya dirancang dengan menggunakan aplikasi
GNU Image Manupulation Program 2 . Pada tampilan ini berisikan ucapan selamat
datang pada operator pemakai program yang dimana operator dapat memasukkan
namanya dan nama tersebut akan digunakan sebagai penanda pengguna yang akan
ditampilkan pada tabel database dan tabel riwayat pengujian sehingga
mempermudah pengguna untuk melakukan pengecekan data. Pada bagian sudut
bawah kanan tampilan terdapat dua tombol, yakni tombol masuk ke dalam
program dan tombol keluar program.

Gambar 2. Tampilan home program

Universitas Sumatera Utara

41

Pada bagian home program terlihat beberapa ikon yang merupakan
tombol-tombol untuk melakukan pengerjaan menggunakan program ini, selain
tombol, tampilan home juga memiliki 2 image area yang memiliki ukuran
berbeda yang memiliki fungsi crop area dan menampilkan gambar yang akan di
proses pada image area lainnya.
Beberapa tombol yang terdapat pada aplikasi ini adalah:
-

Tombol browse, berfungsi sebagai tombol untuk melakukan pencarian
gambar yang akan di proses

-

Tombol centang/OK, berfungsi sebagai tombol memilih gambar yanng
telah di crop sebelumnya di crop area

-

Tombol hapus, berfungsi untuk membatalkan gambar yang dipilih

-

Tombol uji, berfungsi untuk melakukan pengujian pada gambar yang telah
dipilih, tombol ini tidak akan aktif jika database kosong

-

Tombol tambah database, berfungsi untuk melakukan pelatihan pada
program yang kemudian data tersebut dijadikan database untuk
melakukan pengujian.

-

Tombol daftar database, berfungsi untuk melihat tabel database yang
telah dilatih

-

Tombol riwayat pengujian, berfungsi untuk menampilkan riwayat hasil
pengujian yang telah dilakukan

-

Tombol About, berfungsi untuk menampilkan informasi tentang penulis
dan tim pembuat.

-

Tombol Tutorial, berfungsi untuk menampilkan form tutorial yang
menampilkan tombol-tombol bantuan penggunaan program

Universitas Sumatera Utara

42

Desain pada tampilah home ini terdapat judul program pada tittle bar
yakni “Identifikasi Kematangan Buah Jambu Biji Merah dengan Metode
Backpropagation.” Selain itu judul program juga terlihat jelas pada bagian tubuh
program yang menyatakan identitas program tersebut. Pada bagian sudut kiri
bawah menampilkan tanggal dan bulan serta tahun saat program dibuka oleh
operator, lalu dibawahnya terdapat sapaan salam yang berubah tergantung pada
jam komputer yang operator gunakan, serta terdapat nama operator yang
diketikkan sebelumnya pada form Login. Pada bagian sudut kanan bawah terdapat
identitas kampus, fakultas, program studi, serta stambuk penulis yakni penulis
berkuliah di Universitas Sumatera Utara Fakultas Pertanian Program Studi
Keteknikan Pertanian Angkatan 2012.

Gambar 3. Tampilan Buka Gambar

Universitas Sumatera Utara

43

Tombol buka gambar berfungsi untuk membuka gambar buah jambu biji
merah yang tersimpan di komputer. Format gambar yang diterima berupa JPG
atau JPEG. Dipilih gambar yang akan diproses kemudian pilih tombol open.

Gambar 4. Tampilan sebelum Crop Gambar
.

Ketika gambar telah terdapat pada crop area, operator dapat melakukan

pemotongan gambar yang akan diproses. Pemotongan gambar dilakukan untuk
menyederhanakan gambar dan memperkecil gambar sehingga program dapat bekerja
dengan maksimal.

Gambar 5. Tampilan setelah crop gambar dan memilih tombol centang

Universitas Sumatera Utara

44

Setelah melakukan crop gambar, lalu operator menekan tombol centang
sehingga gambar yang di-crop sebelumnya muncul di image area 2. Pada image
area 2, gambar akan digunakan pada proses pelatihan maupun pengujian serta
gambar tersebut akan tampil pada tabel database dan tabel riwayat pengujian jika
dilakukan pengujian dengan menggunakan gambar yang sama.

Gambar 6. Tampilan Penambahan Database
Pada tampilan Tambah Database terdapat gambar yang sebelumnya telah
dipilih pada image area 2 yang dimana gambar tersebut akan dijadikan database
dengan memilih dropdown menu yang berisikan klasifikasi buah mentah, matang
ataupun lewat matang. Pada tampilan int terdapat tombol penyimpanan gambar
database dan gambar latih serta pada tampilan ini, terdapat process bar yang
menunjukkan kegiatan pelatihan.

Universitas Sumatera Utara

45

Gambar 7. Tampilan Pengujian
Pengujian dapat dilakukan dengan memilih tombol lingkaran biru pada
tampilan home. Ketika pengujian akan dilakukan, gambar yang terdapat pada
image area 2 akan tertampilkan pada form Pengujian dimana gambar tersebutlah
yang akan diuji tingkat kematangannya. Proses pengujian dapat dilakukan dengan
memilih tombl biru sehingga akan muncul popout dan kemudian hasil identifikasi
akan tampil di atas gambar tersebut. Pada tampilan form Pengujian terdapat
pilihan apakah hasil pengujian benar ataupun salah yang dimana jumlah dari hasil
pengujian ini akan mempengaruhi persentase keakuratan program, setelah pilihan
ditentukan, tekan simpan dan gambar akan tersimpan dan muncul pada riwayat
pengujian.

Universitas Sumatera Utara

46

Gambar 8. Tampilan tabel database pelatihan tersimpan
Pada saat tombol list database dipilih, akan muncul tampilan database
tersimpan yang menampilkan data-data yang telah dilatih sebelumnya. Pada
tampilan ini terdapat sebuah tabel Tabel gambar database tersimpan yang terdiri
dari:
-

ID, kolom ini akan menampilkan nomor identitas buah yang sudah
tersimpan dalam database

-

Nama, kolom ini berisikan nama operator yang menggunakan program
dimana sebelumnya telah memasukkan namanya pada form login

-

Target merupakan Output yang dikenali oleh aplikasi

-

R G B, Kolom ini berisikan nilai bobot dari gambar buah yang dikenali
oleh program dari warna Merah, Hijau dan Biru yang disimbolkan menjadi
angka

Universitas Sumatera Utara

47

-

Keterangan, kolom yang menampilkan klasifikasi dari kematangan buah
Pada sudut kiri bawah terdapat tombol hapus data yang dipilih yang

berguna sebagai media melakukan penghapusan terhadap database yang
tersimpan. Untuk melindungi database yang lainnya, penulis hanya membangun
tombol hapus yang dipilih dimana berfungsi untuk menghapus satu persatu
database.

Gambar 9. Tampilan tabel riwayat pengujian
Pada tampilan riwayat pengujian menampilkan hasil pengujian yang telah
dilakukan sebelumnya yang tersimpan sehingga dapat dilakukan perhitungan
persentase kebenaran program dimana nilai persentase yang didapatkan
merupakan perbandingan banyaknya hasil pengujian antara data yang benar
dengan keadaan sampel sebenarnya dengan pengujian yang tidak sesuai dengan
data nyata. Parameter data tersebut didapatkan pada form pengujian sebelumnya.
Pada riwayat pengujian terdapat beberapa kolom tabel yang menunjukkan benar
tidaknya data pengujian.

Universitas Sumatera Utara

48

Gambar 10. Tampilan tutorial program
Terdari dari beberapa tombol tutorial yang menampilkan video cara
menggunakan aplikasi.

Gambar 11. Tampilan About penulis
Merupakan tampilan yang berisikan tentang profil penulis dan tim
pembuatan aplikasi identifikasi kematangan buah jambu biji merah menggunakan
metode backpropagation.

Universitas Sumatera Utara

49

Gambar 12. Tampilan credit

Universitas Sumatera Utara

KESIMPULAN DAN SARAN

Kesimpulan
1. Penelitian

ini

telah

mengimplementasikan

dapat

membangun

algoritma

perangkat

backpropagation

dalam

lunak

yang

melakukan

indetifikasi tingkat kematangan buah jambu biji merah berdasarkan warna
RGB menggunakan media pengambil gambar dengan tingkat identifikasi
keberhasilan pengujian 83,3 %.
2. Dari hasil identifikasi pengujian yang telah dilakukan menghasilkan tiga
output identifikasi yaitu jambu biji merah mentah 90 % terdeteksi, matang
85% terdeteksi, dan lewat matang 75% terdeteki dimana seluruh data gambar
100% dapat dikenali.
3. Perilaku kegiatan pengujian identifikasi kematangan ini memiliki keakuratan
yang cukup tinggi terhadap melakukan pembacaan terhadap klasifikasi buah
yang memiliki klasifikasi mentah, matang, dan lewat matang.
4. Identifikasi terhadap data gambar buah jambu biji merah yang telah dilatih
100% data gambar dapat dikenali dengan tingkat identifikasi keberhasilan
sampel 100%.
5. Dalam alogaritma backpropagation, aplikasi identifikasi kematangan buah
jambu biji merah ini menggunakan 3 input, 50 hidden layer dan 3 output
dengan target 10 digit binary sehingga maksimal pelatihan mencapai 1024.
6. Dalam aplikasi identifikasi kematangan buah jambu biji merah ini,
menggunakan 0,01 error minimum, 0,05 ratio pelatihan dan menggunakan
50000 iterasi
50

Universitas Sumatera Utara

51

Saran
Perlu dilakukan penelitian lebih lanjut untuk meningkatkan persentase
keberhasilan identifikasi buah jambu biji merah dengan menambahkan parameter
hasil pengolahan data gambar masukan seperti energi, entropi, kontras, luas
proyeksi dan lainnya.
Perlu dilakukan penelitian lebih lanjut dimana sistem dapat langsung
mengolah gambar yang telah dipotret seperti mnggunakan webcam yang langung
terintegrasi ke perangkat lunak dalam komputer atau laptop.
Perlu dilakukan penelitian lebih lanjut untuk meningkatkan penelitian
guna

menambah

nilai

mobilitas

penggunaan

aplikasi

misalnya

dalam

pengaplikasian pada smartphone ataupun dengan menggunakan sistem robotik.

Universitas Sumatera Utara

TINJUAN PUSTAKA
Jambu biji merah (Psidium guajava L.)
Jambu biji merah (Psidium guajava L.) merupakan tanaman impor, yakni
bukan tanaman asli dari Indonesia. Berbagai sumber menyebutkan bahwa jambu
biji merah berasal dari negara bagian Amerika yakni Meksiko Selatan, Amerika
Tengah yang memiliki iklim tropis. Salah satu manfaat buah jambu biji merah
yakni berfungsi dalam menambah trombosit pada penderita demam berdarah
(Mulato, 2015).
Jambu biji dikenal juga dengan nama lain Psidium aromaticum Blanco.
Tanaman ini asli dari daerah Amerika Tropik antara Mexico sampai dengan Peru,
menyebar ke daerah Asia oleh pedagang Spanyol dan Portugis. Jenis jambu biji
yang dikenal dan beredar di masyarakat dan pedagang buah bermacam-macam,
diantaranya jambu krikil, jambu biasa, jambu mawar, jambu sukun dan jambu
Bangkok (Yuliani, et. al., 2001).
Buah jambu biji merupakan tanaman semak yang memiliki ukuran yang
besar, atau merupakan tanaman pohon kecil yang selalu berdaun hijau yang pada
umumnya memiliki ketinggian 3-10 m, dan memiliki banyak ranting, batang yang
tidak lurus, kulit kayu berwarna cerah sampai dengan coklat gelap, ramping,
halus, dan terus-menerus dapat terkelupas, sistem perakaran pada umumnya
dangkal dan sangat luas. (Orwa, et. al., 2009)
Jambu biji merah merupakan jenis buah tropis yang keberadaannya sulit
digantikan dengan buah-buahan lainnya karena jambu biji memiliki kandungan
5

Universitas Sumatera Utara

6

yang sangat dibutuhkan oleh manusia. Buah jambu biji merah merah merupakan
buah yang memiliki bentuk bulat yang berwana hijau jika belum matang, kuning
muda jika sudah matang dan kuning kemerahan apabila telah lewat matang. Dan
memiliki daging buah yang berwarna merah. (Mulato, 2015)
Jenis jambu biji yang dikenal dan beredar di masyarakat dan pedagang
buah bermacam-macam diantaranya buah jambu krikil, jambu biasa, jambu
mawar, jambu sukun, dan jambu bangkok. Buah jambu batu terutama dari jenis
berwarna merah sering digunakan untuk mengobati penyakit demam berdarah. Jus
hasil olahan buah ini dikatakan dapat meningkatkan nilai trombosit pada penderita
demam berdarah (Yuliani, et. al., 2001).
Klasifikasi botani tanaman jambu merah adalah sebagai berikut:
- Divisi

: Spermatophyta

- Sub divisi

: Magnoliophyta

- Kelas

: Magnoliopsida

- Keluarga

: Murtaceae

- Genus

: Psidium Linnaeus/Psidium L.

- Spesies

: Psidium guajava Linnaeus/Psidium guajava L.

(USDA, 2003).
Jambu biji termasuk komoditi yang mudah rusak sehingga tanpa
penanganan yang baik hanya dapat disimpan beberapa hari saja, apabila disimpan
dalam suhu kamar. Kerusakan yang terjadi pada buah-buahan diakibatkan proses
metabolisme seperti respirasi dan transparasi. Proses metabolisme tersebut akan

Universitas Sumatera Utara

7

terus berlangsung sehingga akan terjadi perubahan-perubahan yang dapat
mengakibatkan penurunan mutu bahan pangan tersebut. Disamping banyak
kerusakan yang terjadi disebabkan oleh perlakukan mekanis, fisis dan biologis
(Wahyuni, et. al., 2009)
Kematangan buah biasanya ditentukan oleh beberapa parameter,
diantaranya adalah parameter ukuran, berat, ciri warna, keharuman dari buah
tersebut dan sebagainya. Kematangan buah dari sisi warna kulit buah merupakan
salah satu faktor yang paling penting di dalam identifikasi kematangan buah.
Umumnya, klasifikasi kematangan buah dilakukan dengan cara manual yaitu
menggunakan

indra

penglihatan

untuk

membedakan

kematangan

buah

berdasarkan ciri warna kulit buah yang memiliki kelemahan seperti penilaian oleh
manusia yang bersifat subjektif dan tidak konsisten (Andri, et. al., 2014).
Kondisi buah jambu biji ditentukan oleh beberapa parameter, diantaranya
adalah parameter tingkat kematangan yang dilihat dari sisi warna dari buah jambu
biji tersebut. Umumnya klasifikasi kematangan buah jambu biji dilakukan dengan
cara manual yaitu menggunakan rabaan indera manusia dan juga indera
pengelihatan manusia. Proses identifikasi buah-buahan yang dilakukan secara
tradisional mengalami banyak kendala, hal ini disebabkan karena sifat manusia itu
sendiri yang mempunyai kelemahan yang akhirnya menyebabkan kurangnya
kualitas dalam penyortiran antara buah matang dan tidak matang. Pada penentuan
tingkat pematangan buah jambu biji merah dapat diklasifikan sebagai berikut
yakni berwarna hijau dengan kriteria keras dan belum matang. Pada kondisi
jambu matang, buah akan berwarna hijau kekuningan dan pada saat buah

Universitas Sumatera Utara

8

berwarna kuning muda buah berkriteria matang penuh sedangkan jika buah telah
berwarna kuning kemerahan maka buah telah lewat matang dan daging buah telah
lunak (Mulato, 2015).
Tabel 1. Tingkat kematangan buah jambu biji merah
No.
Warna Kulit
1 Hijau
2 Hijau kekuningan
3 Hijau
lebih
banyak
daripada kuning
4 Kuning lebih banyak
daripada hijau
5 Kuning muda
6 Kuning kemerahan

Kriteria
Keras, belum matang
Mulai terjadi pematangan
Matang penuh
Lewat matang, daging
buah lunak,

(Mulato, 2015)
Menurut Lestari (2015), menyatakan bahwa secara alami, buah jambu biji
dapat ditentukan tingkat kematangannya dari beberapa faktor, yakni melalui
warna buah, aroma buah, serta tekstur fisik buah. Jambu biji dasarnya memiliki
warna hijau. Jika jambu sudah menuju tingkat kematangan, maka warna hijau
terang akan perlahan berubah menjadi hijau kekuningan atau hijau yang lebih
muda. Warna hijau kekuningan ini terlihat merata di seluruh bagian kulit buah
jambu. Perhatikan juga bagian permukaan kulit buah jambu, jika terdapat cacat
atau berlubang bekas dimakan serangga maka beralihlah ke jambu lainnya.
Buah jambu biji merah memiliki keterbatasan umur simpan, yakni antara
1-2 minggu setelah pascapanen. Daya simpan buah jambu biji merah yang relattif
singkat mengharuskan pemanenan jambu biji merah dilakukan pada saat jambu

Universitas Sumatera Utara

9

biji merah masih dalam kondisi mentah untuk keperluan industri lokal maupun
ekspor. (Mulato, 2015)
Dalam melakukan identifikasi kematangan buah jambu biji merah dapat
dilakukan secara destruktif dan nondestruktif. Kematangan buah jambu biji merah
secara destruktif dilakukan dengan membuka buah jambu biji merah untuk
mengetahui tingkat kematangannya. Penentuan tahap kematangan buah jambu biji
merah berdasarkan komponen warna diperlukan teknik klasifikasi yang tepat.
Teknik yang dapat memisahkan tahap kematangan buah jambu biji merah. Hal ini
sangat

penting

karena

kesalahan

klasifikasi

tahap

kematangan

akan

mempengaruhi mutu buah tersebut.
Perencanaan prinsip kerja program identifikasi kematangan buah ini
adalah dengan melakukan pengambilan citra dari buah yang akan diiidentifikasi
kematangan buahnya guna ekstrasi gambar sehingga dapat menghasilkan olahan
berupa nilai yang dapat menentukan tingkat kematangan buah tersebut
berdasarkan pada pernyataan Mulato (2015) yang menyatakan bahwa jambu biji
merah merupakan jenis buah tropis yang keberadaannya sulit digantikan dengan
buah-buahan lainnya karena jambu biji memiliki kandungan yang sangat
dibutuhkan oleh manusia. Buah jambu biji merah merah merupakan buah yang
memiliki bentuk bulat yang berwana hijau jika belum matang, kuning muda jika
sudah matang dan kuning kemerahan apabila telah lewat matang dan memiliki
daging buah yang berwarna merah.

Universitas Sumatera Utara

10

Jaringan Syaraf Tiruan
Jaringan syaraf tiruan adalah paradigma pemrosesan suatu informasi yang
terinspirasi oleh sistem sel syaraf biologi, sama seperti otak yang memproses
suatu informasi. Elemen mendasar dari paradigma tersebut adalah struktur baru
dari sistem pemrosesan informasi. Jaringan syaraf tiruan seperti manusia yakni
belajar dari contoh. Jaringan syaraf tiruan dibentuk untuk memecahkan suatu
masalah tertentu seperti pengenalan pola atau klasifikasi karena proses
pembelajaran (Yani, 2005).
Menurut Pandjaitan (2007) dalam melakukan komputasi jaringan syaraf
tiruan memberikan keuntungan-keuntungan yakni (1) bersifat adaptif terhadap
perubahan parameter yang mempengaruhi karakteristik sistem sehingga pada
proses belajar dan melaksanakan tugas berbasis pada data yang diberikan saat
pelatihan, (2) memiliki kekebalan atau toleran terhadap kesalahan yang artinya
jaringan syaraf tiruan tetap berfingsi walaupun ada ketidaklengkapan data yang
dimasukkan dan mempunyai kemampuan mengisi bagian masukan yang kurang
lengkap sedemikian rupa sehingga tetap diperoleh keluaran yang lengkap, (3)
sistem dapat dilatih dengan memberikan keputusan yang memberikan set
pelatihan sebelumnya untuk mencapai target tertentu sehingga sistem mampu
membangun dan memberikan jawaban sesuai dengan informasi yang diterima
pada proses pelatihan, (4) mempunyai struktur paralel dan terdistribusi yang
artinya komputasi dapat dilakukan oleh lebih dari satu elemen pemroses yang
bekerja secara simultan. (5) mampu mengklasifikasi pola masukan dan pola
keluaran melalui proses penyesuaian, yang dimana pola keluaran dihubungkan

Universitas Sumatera Utara

11

dengan masukan yang diberikan oleh sistem, (6) mengurangi derau sehingga
dihasilkan keluaran yang lebih bersih, (7) dapat dimanfaatkan pada proses
optimisasi penyelesaian suatu masalah, dan (8) dapat digunakan pada proses
pengendalian sistem agar masukan memperoleh tanggapan ya