Identifikasi Ketuaan Buah Pepaya

26

3.2. Identifikasi Ketuaan Buah Pepaya

Buah Pepaya yang digunakan adalah 1 buah pepaya dengan tiga tingkat ketuaan yaitu muda, tua dan lewat tua sebanyak masing-masing 50 buah; 2 buah pepaya yang dipanen pada umur petik 115, 120, dan 125 hari setelah antesis hsa setelah bunga mekar masing masing 50 buah.

3.2.1. Pengambilan Citra Pepaya IPB 1

Prosedur pengolahan citra adalah sebagai berikut: a. Pepaya diletakkan di atas kain putih sebagai latar belakang dan terfokus pada kamera dengan jarak 34 cm dengan cahaya lampu 168 lux. b. Citra pepaya IPB 1 direkam dengan ukuran 2592x1944 piksel diolah dengan Adobe Photoshop dan direkam dalam file berekstensi bmp dengan ukuran 243x210 piksel c. Binerisasi citra pepaya IPB 1 untuk memisahkan latar belakang dan objek. d. Proses thresholding dan didapat hasil pengolahan citra digital, yaitu: indeks warna merah r, hijau g, biru b, H hue, S saturasi dan I intensitas Choi et al ., 1994 dan Jain et al., 1995, serta 4 komponen tekstur energi, entropy, kontras dan homogenitas Haralick et al., 1973. Gambar 5. Proses binerisasi dan thresholding citra buah pepaya 27

3.2.2. Pengembangan Sistem Pendugaan Tingkat Ketuaan Buah Pepaya

JST yang digunakan dalam penelitian ini adalah JST lapisan jamak yang terdiri dari tiga lapisan yaitu lapisan input, lapisan tersembunyi dan lapisan output Gambar 6. Lapisan input adalah X1, X2,…Xn, sedangkan lapisan output adalah Y1, Yn. Lapisan input Lapisan tersembunyi Lapisan output Gambar 6. Arsitektur jaringan syaraf tiruan. Algoritma pelatihantraining JST yang digunakan adalah backpropagation, dengan penjelasan sebagai berikut: a. Inisialisasi Pembobot Mula-mula pembobot dipilih secara acak, kemudian setiap sinyal input diberikan ke dalam node pada lapisan input, lalu sistem akan mengirim sinyal ke node pada lapisan terselubung selanjutnya. b. Perhitungan Nilai Aktivasi Setiap node pada lapisan terselubung, dihitung nilai net inputnya dengan cara menjumlahkan seluruh hasil perkalian antara node input dengan pembobotnya. c. Perbaikan Nilai Pembobot Weight Nilai aktivasi merambat menuju lapisan di depannya seperti proses di atas sampai lapisan output tercapai. Nilai output dari setiap node pada lapisan output hasil perhitungan JST dibandingkan dengan nilai target. Galat dihitung berdasarkan hubungan antara nilai output jaringan dengan nilai target yang dihitung. Y1 Yn X1 X2 Xn 28 d. Pengulangan iterasi Keseluruhan proses dilakukan pada setiap contoh dan setiap iterasi sampai sistem mencapai keadaan optimum. Iterasi tersebut mencakup pemberian contoh pasangan input dan output, perhitungan nilai aktivasi dan perubahan nilai pembobot weight. e. Validasi model Data pada JST dibagi dalam dua bagian yaitu data uji training dan validasi. Kinerja jaringan dapat dinilai berdasarkan nilai root mean square error RMSE pada proses generalisasi terhadap contoh data input-output baru. Untuk mendapatkan nilai RMSE dihitung dengan persamaan 3. 3 dimana: p = nilai prediksi jaringan syaraf tiruan a = nilai aktual yang diberikan n = jumlah contoh pada data validasi Validasi dilakukan sebagai proses pengujian kinerja atau ketepatan prediksi JST terhadap contoh yang diberikan selama proses training. Pada proses validasi, setelah model diberikan pelatihan dengan data pelatihan, model diuji dengan data yang lain, ini dimaksudkan sejauh mana model dapat memprediksi nilai-nilai keluaran dari nila-nilai masukan yang diberikan pada JST. Persentase validasi model dirumuskan dengan persamaan 4 100 X B A Validasi ⎥⎦ ⎤ ⎢⎣ ⎡ = 4 dimana: A = Jumlah data hasil pendugaan yang sama dengan target. B = Jumlah data target

a. Pendugaan Tingkat Ketuaan Pepaya IPB 1