KLASIFIKASI DAUN TANAMAN THEOBROMA CACAO
Seminar Nasional Teknologi Informasi dan Komunikasi 2014 (SENTIKA 2014)
Yogyakarta, 15 Maret 2014
ISSN: XXXX-XXXX
KLASIFIKASI DAUN TANAMAN THEOBROMA CACAO
MENGGUNAKAN METODE NEURAL NETWORK
1) 2 )3)
Jurusan Teknik Elektro, Fakultas Teknik,Universitas Sultan Ageng Tirtayasa
Jl. Jendral Sudirman KM.3 Cilegon-Banten Telp. (0254) 395502
ABSTRAKS – Tanaman kakao merupakan tanaman perkebunan dilahan kering, jika diusahakan secara
baik dapat berproduksi tinggi serta menguntungkan secara ekonomis. Namun seringkali petani mengalami
penurunan panen, hal ini disebabkan penyakit dan hama yang menyerang kakao. Penyakit-penyakit pada
kakao tersebut dapat menyerang daun sehingga menimbulkan bercak-bercak pada daun akibat hawar daun
dan hama. Penelitian ini mencoba mengklasifikasikan daun-daun pada tanaman kakao, baik yang sehat,
yang terkena penyakit atau bercak daun dengan menggunakan citra daun pada bagian atas dengan
menerapkan metode Neural Network (NN) dengan harapan dapat membantu para petani untuk
mengetahui kualitas tanaman kakao dengan perantara daun, dikarenakan daun merupakan bagian yang
sangat mudah untuk dideteksi dengan menggunakan ekstrasi fitur dari daun sebagai inputnya diantara
mean, standard deviation, , kurtosis, skewness, dan entropydari histogram warna, histogram grayscale
dan histogram tingkat saturasi. Selanjutnya dilakukan proses klasifikasi. Dari hasil percobaan tahap
klasifikasi menggunakan neural network didapatkan hasil akurasi daun rusak parah 83% daun rusak
sedang 96% dan daun sehat 86%.
Kata kunci : daun kakao, neural network, ekstrasi fitur, mean, standar deviasi, kurtosis, skewness,
entropy, hostogram grayscale.
1.Pendahuluan
Kakao merupakan salah satu komoditas
unggulan nasional setelah tanaman karet, kelapa
sawit, kopi, dan teh yang berperan penting
bagi pertumbuhan perekonomian Indonesia
terutama dalam penyediaan lapangan kerja
baru,
sumber
pendapatan
petani
dan
penghasil devisa bagi negara. Sering kali para
petani mengalami penurunan panen, hal ini
disebabkan penyakit dan hama yang menyerang
kakao. Penyakit-penyakit pada kakao tersebut
dapat menyerang daun, sehingga menimbulkan
bercak-bercak pada daun, daun berwarna kuning
atau coklat. Daun yang sehat pada tanaman
kakao yaitu berwarna hijau tanpa ada bercak
coklat pada bagian atasnya, sedangkan pada
daun kakao yang terkena penyakit yaitu di
tandai dengan bercak coklat pada daun
berbentuk oval yang merata di permukaan daun
dengan titik tengah berwarna abu-abu atau
putih. Titik abu-abu di tengah bercak
merupakan gejala khas penyakit bercak daun
coklat di lapangan. Bercak yang masih muda
berwarna coklat gelap atau keunguan berbentuk
bulat. Pada varietas yang peka panjang bercak
dapat mencapai panjang 1 cm.
Dalam dunia pertanian, salah satu masalah
yang dihadapi adalah menentukan kualitas
tanaman hasil pertanian, khususnya tanaman
kakao. Terkadang sulit untuk melihat dengan
kasat mata kualitas tanaman kakao tersebut.
Penelitian ini mencoba mengklasifikasikan
daun-daun pada tanaman kakao, baik yang
sehat, yang terkena penyakit atau bercak daun
dengan menggunakan citra daun pada bagian
atas dengan menerapkan metode Neural
Network (NN) dengan harapan dapat membantu
para petani untuk mengetahui kualitas tanaman
kakao dengan perantara daun, dikarenakan daun
merupakan bagian yang sangat mudah untuk
dideteksi. Sehingga penulis melakukan sebuah
penelitian ini untuk mengetahui kualitas
tanaman kakao.
2.Tinjauan Pustaka
Terdapat dua tahapan utama yang
dilaksanakan pada penelitian ini. Tahap pertama
adalah ekstraksi fitur dengan tujuan untuk
mendapatkan fitur-fitur yang akan digunakan
untuk melakukan klasifikasi. Fitur yang akan
digunakan adalah standard deviation, mean,
skewness, entropy, kurtosis dan Grayscale dari
Histogram Warna, Histogram Grayscale dan
Histogram Tingkat Saturasi. Tahap selanjutnya
dilakukan proses klasifikasi. Metoda yang
digunakan untuk pengenalan pola dalam
penelitian ini adalah neural network
(backpropagation).
Seminar Nasional Teknologi Informasi dan Komunikasi 2014 (SENTIKA 2014)
Yogyakarta, 15 Maret 2014
2.1 Histogram warna (Color Histogram)
Histogram warna dihitung dengan cara
mendiskritkan warna dalam citra, dan menghitung
jumlah dari tiap-tiap piksel pada citra. Sebelum
dilakukan penghitungan intensitas warna tiap
piksel, terlebih dahulu dilakukan normalisasi
terhadap ketiga komponen penyusun warna pada
citra (red,green,blue), proses ini disebut juga
dengan Normalized RGB. Persamaan yang
digunakan untuk normalisasi warna tersebut adalah
sebagai berikut :
ISSN: XXXX-XXXX
untuk mengurangi masalah komputasi yang
besar maka nilai-nilai tersbut diwakili oleh nilai
mean, standar deviasi, kurtosis dan skewness
dari distribusinya histogram tersebut, dimana
dapat dihitung dengan persamaan :
(6)
(7)
(8)
(1)
(9)
(2)
(3)
2.2 Histogram Tingkat Keabuan (Grayscale
Histogram)
Nilai citra parasit malaria merupakan
model warna RGB. Untuk mendapatkan nilai
tingkat keabuan dari citra yang terdiri dari
komponen warna RGB dilakukan dengan
menggunakan persamaan berikut :
(4)
Hasil dari proses grayscale ini akan berada
pada tingkat keabuan sebesar sebesar 8 bit.
Distribusi nilai-nilai dari setiap piksel citra
grayscale dimasukkan ke dalam histogram.
2.3 Histogram Tingkat Saturasi ( Saturation
Level Histogram )
Histogram tigkat saturasi digunakan
untuk mendapatkan nilai-nilai intensitas warna
berdasarkan
kejenuhannya
(saturasi).
Komponen warna berdasarkan kejenuhannya
diperoleh dari citra eritrosit model warna RGB
melalui perhitungan dengan persamaan sebagai
berikut :
(5)
Dimana nilai saturasi pada setiap piksel ini
digunakan untuk membangun histogram
distribusinya.
Dari nilai histogram warna, grayscale
dan tingkat saturasi hasil perhitungan sudah
dapat dijadikan sebagai vektor input, namun
2.4 Jaringan syaraf tiruan (Backpropagation)
Jaringan syaraf tiruan (Artificial
Neural Network) atau ANN merupakan
model yang meniru cara kerja jaringan
biologis. Otak manusia terdiri atas sel-sel
syaraf yang disebut neuron, yang berjumlah
sekitar 910 neuron. Jaringan syaraf tiruan
terdiri atas sejumlah pemroses yang sangat
sederhana yang disebut dengan node atau
simpul. Simpul ini dianalogikan seperti neuron
yang ada di otak manusia. Kumpulan simpulsimpul yang membentuk suatu konfigurasi
tertentu dikenal sebagai jaringan syaraf
tiruan. Jaringan syaraf tiruan terdiri atas
lapisan masukan dan keluaran. Tetapi ada juga
yang mempunyai lapisan tersembunyi di antara
lapisan masukan dan keluaran. Simpul yang
ada pada lapisan masukan disebut unit
masukan. Pada unit masukan tidak memproses
suatu informasi tetapi hanya menyebarkan atau
menyalurkan ke unit lain. Sedangkan simpul
yang ada pada lapisan tersembunyi dan
lapisan keluaran menghasilkan keluaran yang
berupa suatu bentuk non linear. Secara prinsip
jaringan dibangkitkan serangkaian masukan
(input) yang dikalikan dengan suatu faktor
penimbang tertentu yang analog dengan
tegangan sinapsis, kemudian
dijumlahkan
semua masukan tersebut untuk menentukan
tingkat aktivasi neuron.
Backpropagation adalah algoritma
pembelajaran yang terawasi dan biasanya
digunakan untuk oleh perceptron dengan
banyak lapisan untuk mengubah bobot-bobot
yang terhubung dengan neuron-neuron yang ada
pada lapisan tersembunyinya. (Kusumadewi,
2004).
Algoritma
backpropagation
menggunakan error-output untuk mengubah
nilai bobot-bobotnya dalam arah mundur
Seminar Nasional Teknologi Informasi dan Komunikasi 2014 (SENTIKA 2014)
Yogyakarta, 15 Maret 2014
(backward). Untuk mendapatkan error ini,
tahap perambatan maju (forward propagation)
harus dikerjakan terlebih dahulu. Pelatihan
backpropagation terdiri dari 3 tahap, yaitu
perambatan maju, propagasi balik, dan
modifikasi bobot neuron. Sedangkan siklus dari
ketiga tahapan ini disebut dengan iterasi atau
dalam JST dinamakan epoch.
Prinsip
kerja
dari
algoritma
backpropagation adalah sebagai berikut, pada
saat proses umpan maju, neuron pada input
layer akan mengirimkan informasi ke setiap
neuron pada hidden layer. Neuron hidden layer
ini akan melakukan proses komputasi terhadap
informasi yang diterima dan menghasilkan
output yang berasal dari fungsi aktivasinya.
Selanjutnya output dari hidden layer tersebut
akan dikirimkan lagi ke lapisan berikutnya,
yang dalam hal ini adalah output layer. Di
dalam output layer ini berlangsung proses yang
sama seperti pada hidden layer. Namun, output
dari hasil fungsi aktivasi output layer ini akan
digunakan sebagai sinyal respon dari JST.
Sinyal respon output JST ini akan
dibandingkan dengan target yang diinginkan
dan dihitung besar errornya (selisih antara
output yang dihasilkan dengan target yang
ingin dicapai). Error yang diperoleh ini
dikirimkan
kembali
ke
lapisan-lapisan
sebelumnya dan kemudian digunakan untuk
mengoreksi dan mengubah bobot-bobot JSTnya berdasarkan learning error yang diberikan
pada JST tersebut.
Tahap pelatihan ini merupakan
langkah untuk melatih suatu JST, yaitu
dengan
cara
melakukan
perubahan
penimbang (sambungan antar lapisan yang
membentuk JST melalui masing-masing
unitnya). Sedangkan penyelesaian masalah,
akan dilakukan jika proses pelatihan tersebut
telah selesai, fase ini disebut fase mapping
atau proses pengujian atau testing.
Menurut Kusumadewi (2004) fungsi
kinerja yang sering digunakan untuk
backpropagation adalah means square error
(MSE). Fungsi ini akan menghasilkan MSE.
Algoritma pelatihan backpropagation terdiri
dari
dua
tahapan,
feed forward
dan
backpropagation
dari
galatnya.
Untuk
jelasnya dapat dijelaskan rinciannya sebagai
berikut (Kusumadewi, 2004):
1. Inisialisasi bobot (ambil bobot awal
dengan nilai random yang cukup kecil).
2. Tetapkan: Maksimum Epoh, Target Error,
dan Learning Rate (α).
3. Inisialisasi: Epoh=0, MSE=1.
4. Setiap pasangan data training dilakukan
langkah berikut ini
ISSN: XXXX-XXXX
(epoch=epoch+1):
Umpan maju (Feedforward):
a. Tiap-tiap unit input menerima data tV dan
meneruskan sinyal input ke semua unit pada
lapisan berikutnya (hidden layer).
b. Tiap-tiap unit pada suatu hidden layer V
menjumlahkan sinyal-sinyal input terbobot
dan menggunakan fungsi aktivasi untuk
menghitung sinyal outputnya:
(9)
(10)
Kemudian sinyal output zj akan dikirim
ke semua unit pada layer berikutnya (output
layer). Bila yang digunakan adalah fungsi
sigmoid maka bentuk
fungsi tersebut adalah:
(11)
Sinyal keluaran dari fungsi pengaktif tersebut
dikirim ke semua unit di lapis keluaran (unit
keluaran).
c. Tiap-tiap unit keluaran vT menjumlahkan
sinyal-sinyal input terbobot dan
menggunakan fungsi aktivasi untuk
menghitung sinyal outputnya.
(12)
(13)
dan kirimkan sinyal tersebut ke semua unit
di lapisan atasnya (unit- output).
Catatan: Langkah (b) dilakukan sebanyak
jumlah lapisan tersembunyi.
2.5
Algoritma
backropagation
Pembelajaran
pada
Seminar Nasional Teknologi Informasi dan Komunikasi 2014 (SENTIKA 2014)
Yogyakarta, 15 Maret 2014
Salah satu bagian terpenting dari
konsep jaring syaraf tiruan adalah terjadinya
proses pembelajaran. Tujuan utama dari proses
pembelajaran adalah melakukan pengaturan
terhadap bobot-bobot yang ada pada jaring
syaraf, sehingga diperoleh bobot akhir yang
tepat sesuai dengan pola data yang dilatih.
Selama proses pembelajaran akan terjadi
perbaikan bobot-bobot berdasarkan algoritma
tertentu. Nilai bobot akan bertambah, jika
informasi yang diberikan oleh neuron yang
bersangkutan tersampaikan, sebaliknya jika
informasi tidak
disampaikan oleh suatu
neuron ke neuron yang lain maka nilai
bobot yang menghubungkan keduanya akan
dikurangi. Pada saat pembelajaran dilakukan
pada input yang berbeda, maka nilai bobot akan
diubah secara dinamis hingga mencapai suatu
nilai yang cukup seimbang. Apabila nilai ini
telah tercapai mengindikasikan bahwa tiaptiap input telah berhubungan dengan output
yang diharapkan. Pada dasarnya ada dua
metode
pembelajaran,
yaitu
metode
pembelajaran terawasi (supervised learning)
dan metode pembelajaran tak terawasi
(unsupervised learning).
2.6 Fungsi Aktivasi
Fungsi aktivasi merupakan bagian
terpenting
dalam
tahapan
perhitungan
keluaran dari suatu algoritma jaringan syaraf
tiruan. Fungsi aktivasi dapat diibaratkan
sebagai pendefinisian penguatan non linier
dalam sisem analag (continue). Penguatan
(gain) ini dihitung dengan mencari rasio
perubahan pada fungsi output neuron pada
lapisan keluaran. Fungsi aktivasi tidak hanya
digunakan pada saat perhitungan nilai
keluaran neuron saja, tetapi turunan pertamanya
juga bisa untuk menghitung perubahan bobot
dan bias pada proses belajar. Dalam
penulisan ini digunakan fungsi aktivasi
bipolar threshold. Beberapa fungsi aktivasi yang
digunakan dalam jaringan syaraf tiruan adalah :
a. Fungsi Linear (Purelin)
Fungsi linear dinyatakan dengan persamaan :
Gambar 1. Fungsi Aktivasi: Undak Biner
Fungsi Aktivasi linear pada gambar 1 di
matlab dikenal dengan nama purelin. Dimana α
adalah kemiringan dari fungsi. Jika α= 1 maka
fungsi aktivasi tersebut adalah fungsi identitas.
ISSN: XXXX-XXXX
Sintaks untuk fungsi tersebut adalah: Y= purelin
(a).
b. Fungsi Sigmoid Biner (Logsig)
Fungsi ini digunakan untuk jaringan
syaraf tiruan yang dilatih dengan menggunakan
metode backpropagation. Fungsi sigmoid biner
memiliki nilai pada range 0 sampai 1. Oleh
karena itu, fungsi seperti ini sering digunakan
untuk jaringan syaraf yang membutuhkan nilai
output yang terletak pada interval 0 sampai 1.
Gambar 2. Fungsi Aktivasi Sigmoid Biner
Fungsi Aktivasi sigmoid biner pada gambar
2 di matlab dikenal dengan nama logsig.
c. Fungsi Sigmoid Bipolar (tansig)
Fungsi sigmoid bipolar hampir sama
dengan fungsi sigmoid biner, hanya saja output
dari fungsi ini memiliki range antara 1 sampai
-1 (Gambar
Gambar 3 Fungsi Aktivasi Sigmoid Bipolar
Fungsi Aktivasi sigmoid bipolar pada
gambar 3 di matlab dikenal dengan nama tansig.
3.Desain Penelitian
Desain penelitian merupakan tahapan yang
merepresentasikan langkah-langkah yang akan
dilakukan dalam melaksanakan penelitian,
tujuannya untuk memudahkan peneliti dalam
melakukan penelitian. Berikut adalah tahapan
penelitian yang akan dilakukan dalam proses
penelitian yang berjudul “Analisa Kualifikasi
Daun Pada Tanaman Kakao Menggunakan
Neural Network“ dapat dilihat secara jelas pada
Gambar 4 tahapan metode yang menunjukkan
rencana atau struktur penelitian yang akan
digunakan
untuk melakukan
klasifikasi
memecahkan permasalahan dalam penelitian
ini.
Pengujia
n
Seminar Nasional Teknologi Informasi dan Komunikasi 2014 (SENTIKA 2014)
Yogyakarta, 15 Maret 2014
ISSN: XXXX-XXXX
Histogram Warna, Histogram Grayscale dan
Histogram Tingkat Saturasi. Selanjutnya
dilakukan proses klasifikasi. Metode yang
digunakan untuk pengenalan pola dalam
penelitian ini adalah Neural Network
(backpropagation).
Gambar 4. Desain Penelitian
Gambar 4. Desain Penelitian merupakan
langkah-langkah yang
dilakukan dalam
penelitian, dimulai dengan pengambilan citra
daun kakao menggunakan kamera digital di
sebuah perkebunan kakao di daerah Lampung.
Kemudian image daun di proses seperti resize
image menjadi 50x50 pixel dalam hal ini
menggunakan software corel draw. Proses
selanjutnya yaitu image akan diekstrak untuk
mendapatkan
nilai-nilai
fitur
yang
merepresentasikan ciri spesifik dari image
tersebut. Nilai fitur dari image selanjutnya
digunakan untuk klasifikasi kualitas daun
kakao, yaitu skewness,
kurtosis, standar
deviasi, mean dan entropy dari histogram
warna, histogram grayscale, dan histogram
tingkat saturasi. Setelah nilai fitur didapat
sebagai input untuk proses selanjutnya yaitu
klasifikasi. Klasifikasi pada penelitian ini
menggunakan metode backpropagation dengan
tahap pelatihan dan pengujian. Proses pelatihan
menggunakan sebanyak 60 citra daun kakao
yang akan di bagi menjadi 3 kelas yaitu 20
untuk daun rusak, 20 untuk daun rusak sedang
dan 20 untuk daun sehat. Selanjutnya proses
pengujian dengan menggunakan data yang tidak
masuk dalam pelatihan sebanyak 30 citra daun
kakao dengan pembagian kelas tiap kelas yang
akan di uji masing-masing sebanyak 10 citra
daun kakao untuk 3 kelas.
Tahap selanjutnya ekstraksi fitur dengan
tujuan untuk mendapatkan fitur-fitur yang akan
digunakan untuk melakukan klasifikasi. Fitur
yang akan digunakan adalah mean, standard
deviation, , kurtosis, skewness, dan entropy dari
4.Hasil dan Pembahasan
Pembuatan struktur dari neural network ke
dalam program harus diatur terlebih dahulu,
dalam hal ini pengaturannya menggunakan
metode penentuan bobot pada training dengan
jaringan syaraf tiruan yaitu Lavenberg-Marquad
(trainlm) dengan struktur JST menggunakan
Backpropagation. Citra masukkan yang
digunakan pada penelitian ini adalah citra daun
kakao sebanyak 90 citra. Terdiri dari 60 input
data untuk pelatihan dan 30 input data untuk
pengujian. Target yang digunakan yaitu tiga
dengan rincian daun rusak parah, daun rusak
sedang dan daun sehat.
a.
Pelatihan
Proses pelatihan dilakukan jika semua
parameter jaringan syaraf sudah ditentukan,
fungsi newff yang disediakan oleh Matlab
dengan merubah semua data input, output dan
bobot-bias dijadikan ke dalam bentuk
perhitungan matriks maka pelatihan dan
pengujian JST akan lebih cepat.
Pada proses pelatihan identifikasi, dari
parameter jaringan yang telah ditentukan
dihasilkan yaitu pelatihan berhenti ketika iterasi
yang ditentukan sudah tercapai yaitu berhenti
pada epoch ke-13 dengan MSE (Mean Square
Error) 9.189e-005 dengan target 0.0001 atau
1.10-4 menggunakan fungsi aktivasi sigmoid
bipolar, sigmoid biner dan linear. Setelah proses
pelatihan tercapai nilai performance yang
diinginkan tercapai, maka dapat dikatakan
bahwa jaringan syaraf tiruan backpropagation
telah mengenali target yang diinginkan
Seminar Nasional Teknologi Informasi dan Komunikasi 2014 (SENTIKA 2014)
Yogyakarta, 15 Maret 2014
Gambar 5 Hubungan target dengan output
jaringan
Koefisien
korelasi
bernilai
0.9999
(mendekati 1), menunjukkan hasil yang baik
untuk kecocokan output jaringan dengan target
pada gambar 4.5 dapat dilihat perbandingan
target dengan output jaringan hampir tepat
menempati posisi yang sama, yaitu posisi (o)
dan (*) betul-betul berada pada posisi yang
sama.
b. Pengujian
Pengujian
dilakukan
menggunakan
arsitektur terbaik yang telah diperoleh dari hasil
training (pelatihan), struktur jaringan yang
digunakan terdiri atas lapisan input, 2 lapisan
tersembunyi, dan lapisan output. Lapisan input
terdiri dari 15 neuron. Lapisan tersembunyi
pertama terditi atas 10 neuron dengan fungsi
aktivasi tansig, sedangkan lapisan tersembunyi
kedua terdiri atas 5 neuron dengan fungsi
aktivasi logsig. Lapisan output terdiri atas 1
neuron dengan fungsi aktivasi purelin.
Pemilihan
bobot
awal
sangat
mempengaruhi jaringan syaraf tiruan dalam
capai minimum global terhadap nilai error, serta
cepat tidaknya proses
pelatihan menuju
kekonvergenan. Setelah proses pelatihan maka
dihasilkan bobot tersebut. Bobot-bobot jaringan
yang meliputi bobot input neuron, bobot bias,
bobot neuron pada hidden layer, dan bobot bias
pada hidden layer dari proses pelatihan ini
digunakan dalam mengevaluasi atau menguji
pengidentifikasian dan klasifikasi daun kakao.
Adapun hasil dari pengujian yang telah
dilakukan yaitu sebagai berikut:
ISSN: XXXX-XXXX
Gambar 6. Hasil simulasi data testing
postmnmx
Gambar 6. merupakan hasil data testing
pada daun kakao, dapat kita lihat bahwa data
baru yang dites pada jaringan (data testing),
yang disimpan pada matriks Q dengan target
yang disimpan pada matriks TQ sebagian besar
sudah berdekatan (hampir mendekati posisi
yang sama) yanitu antara output (o) tepat jatuh
pada jaringan (*) . Error terbesar pada tabel
terletak pada data ke-26 yaitu pada yaitu pada
daun sehat sebesar 1.55. Pengujian dilakukan
sebanyak tiga kali dengan melakukan
pertukaran antara data pelatihan dengan
pengujian sehingga setiap data pernah menjadi
data pelatihan dan data pengujian. Selanjutnya
yaitu pengujian dengan mengurangi fitur-fitur
yang digunakan, untuk mengetahui seberapa
besar pengaruh fitur pada sistem ini. Dapat
dilihat pada gambar 7 dibawah ini.
Gambar 7 pengaruh fitur
Grafik pada gambar 7 dapat kita lihat bahwa
adanya pengaruh fitur pada setiap pengujian.
Semakin banyak nilai fitur ekstraksi maka
prosentase keakuratan data semakin bertambah
tinggi. Data prosentase menggunkan skala 1.
Untuk data pengujian 1 data terendah pada fitur
Seminar Nasional Teknologi Informasi dan Komunikasi 2014 (SENTIKA 2014)
Yogyakarta, 15 Maret 2014
dua yaitu untuk prosentase keakuratan sebesar
0.2218 atau 22.18 % dan keakuratan tertinggi
nya mencapai 0.9902 atau 99.02% dengan
menggunakan fitur 2, 3, 4, 5, 6, 7, 8, 9, 10, 11,
12, 13, 14, dan fitur ke 15. Keakuratan terendah
pada pengujian kedua yaitu 0.3049 atau 30.49%
dengan keakuratan tertingginya mencapai
0.7125 atau 71.25% dengan menggunakan fitur
2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, dan fitur
15. Keakuratan terendah pada pengujian ketiga
yaitu o.2638 atau 26.38% dengan keakuratan
tertinggi pada fitur 15 yaitu mencapai 0.6530
atau 65.30% dengan menggunakan fitur
2,3,4,5,6,7,8,9,10,11,12,13,14, dan fitur ke 15.
5.Kesimpulan
Penelitian yang telah dilakukan maka dapat
diperoleh kesimpulan bahwa analisa kualifikasi
daun pada tanaman kakao menggunakan neural
network didapatkan hasil akurasi daun rusak
parah 83% daun rusak sedang 96% dan daun
sehat 86%.
6.Daftar Pustaka
Kusumadewi, Sri. 2004. Membangun
Jaringan Syaraf Tiruan Menggunakan Matlab
& Excel Link. Yogyakarta:Graha Ilmu.
Irawan, Feriza A. 2012. Buku Pintar
Pemrograman Matlab. Yogyakarta: MediaKom
Suyanto. 2011. Artificial Intelegence
Searching,
Reasoning,
Planning,
dan
Learning. Bandung: Informatika.
Nugroho, A.S., Witarto, B.A., Handoko, D.,
2003, “ Support Vector Machine – Teori dan
Aplikasinya Dalam Bioinformatika”, Kuliah
Umum Ilmu Komputer.com
Burges, J.C. (1988) :A Toturial on
Support VectorMachines for Pattern
Recognition,
Data
Mining
and
Knowledge Discovery, Vol.2, No.2, hal.
955-974.
Hsu, C.W., and Lin, C.J. (2002) :A
Comparison of Methods for Multi-class
Support
Vector
Machines,
IEEE
Transactions on Neural Networks, Vol.
13, No. 2, hal. 415-425
ISSN: XXXX-XXXX
Yogyakarta, 15 Maret 2014
ISSN: XXXX-XXXX
KLASIFIKASI DAUN TANAMAN THEOBROMA CACAO
MENGGUNAKAN METODE NEURAL NETWORK
1) 2 )3)
Jurusan Teknik Elektro, Fakultas Teknik,Universitas Sultan Ageng Tirtayasa
Jl. Jendral Sudirman KM.3 Cilegon-Banten Telp. (0254) 395502
ABSTRAKS – Tanaman kakao merupakan tanaman perkebunan dilahan kering, jika diusahakan secara
baik dapat berproduksi tinggi serta menguntungkan secara ekonomis. Namun seringkali petani mengalami
penurunan panen, hal ini disebabkan penyakit dan hama yang menyerang kakao. Penyakit-penyakit pada
kakao tersebut dapat menyerang daun sehingga menimbulkan bercak-bercak pada daun akibat hawar daun
dan hama. Penelitian ini mencoba mengklasifikasikan daun-daun pada tanaman kakao, baik yang sehat,
yang terkena penyakit atau bercak daun dengan menggunakan citra daun pada bagian atas dengan
menerapkan metode Neural Network (NN) dengan harapan dapat membantu para petani untuk
mengetahui kualitas tanaman kakao dengan perantara daun, dikarenakan daun merupakan bagian yang
sangat mudah untuk dideteksi dengan menggunakan ekstrasi fitur dari daun sebagai inputnya diantara
mean, standard deviation, , kurtosis, skewness, dan entropydari histogram warna, histogram grayscale
dan histogram tingkat saturasi. Selanjutnya dilakukan proses klasifikasi. Dari hasil percobaan tahap
klasifikasi menggunakan neural network didapatkan hasil akurasi daun rusak parah 83% daun rusak
sedang 96% dan daun sehat 86%.
Kata kunci : daun kakao, neural network, ekstrasi fitur, mean, standar deviasi, kurtosis, skewness,
entropy, hostogram grayscale.
1.Pendahuluan
Kakao merupakan salah satu komoditas
unggulan nasional setelah tanaman karet, kelapa
sawit, kopi, dan teh yang berperan penting
bagi pertumbuhan perekonomian Indonesia
terutama dalam penyediaan lapangan kerja
baru,
sumber
pendapatan
petani
dan
penghasil devisa bagi negara. Sering kali para
petani mengalami penurunan panen, hal ini
disebabkan penyakit dan hama yang menyerang
kakao. Penyakit-penyakit pada kakao tersebut
dapat menyerang daun, sehingga menimbulkan
bercak-bercak pada daun, daun berwarna kuning
atau coklat. Daun yang sehat pada tanaman
kakao yaitu berwarna hijau tanpa ada bercak
coklat pada bagian atasnya, sedangkan pada
daun kakao yang terkena penyakit yaitu di
tandai dengan bercak coklat pada daun
berbentuk oval yang merata di permukaan daun
dengan titik tengah berwarna abu-abu atau
putih. Titik abu-abu di tengah bercak
merupakan gejala khas penyakit bercak daun
coklat di lapangan. Bercak yang masih muda
berwarna coklat gelap atau keunguan berbentuk
bulat. Pada varietas yang peka panjang bercak
dapat mencapai panjang 1 cm.
Dalam dunia pertanian, salah satu masalah
yang dihadapi adalah menentukan kualitas
tanaman hasil pertanian, khususnya tanaman
kakao. Terkadang sulit untuk melihat dengan
kasat mata kualitas tanaman kakao tersebut.
Penelitian ini mencoba mengklasifikasikan
daun-daun pada tanaman kakao, baik yang
sehat, yang terkena penyakit atau bercak daun
dengan menggunakan citra daun pada bagian
atas dengan menerapkan metode Neural
Network (NN) dengan harapan dapat membantu
para petani untuk mengetahui kualitas tanaman
kakao dengan perantara daun, dikarenakan daun
merupakan bagian yang sangat mudah untuk
dideteksi. Sehingga penulis melakukan sebuah
penelitian ini untuk mengetahui kualitas
tanaman kakao.
2.Tinjauan Pustaka
Terdapat dua tahapan utama yang
dilaksanakan pada penelitian ini. Tahap pertama
adalah ekstraksi fitur dengan tujuan untuk
mendapatkan fitur-fitur yang akan digunakan
untuk melakukan klasifikasi. Fitur yang akan
digunakan adalah standard deviation, mean,
skewness, entropy, kurtosis dan Grayscale dari
Histogram Warna, Histogram Grayscale dan
Histogram Tingkat Saturasi. Tahap selanjutnya
dilakukan proses klasifikasi. Metoda yang
digunakan untuk pengenalan pola dalam
penelitian ini adalah neural network
(backpropagation).
Seminar Nasional Teknologi Informasi dan Komunikasi 2014 (SENTIKA 2014)
Yogyakarta, 15 Maret 2014
2.1 Histogram warna (Color Histogram)
Histogram warna dihitung dengan cara
mendiskritkan warna dalam citra, dan menghitung
jumlah dari tiap-tiap piksel pada citra. Sebelum
dilakukan penghitungan intensitas warna tiap
piksel, terlebih dahulu dilakukan normalisasi
terhadap ketiga komponen penyusun warna pada
citra (red,green,blue), proses ini disebut juga
dengan Normalized RGB. Persamaan yang
digunakan untuk normalisasi warna tersebut adalah
sebagai berikut :
ISSN: XXXX-XXXX
untuk mengurangi masalah komputasi yang
besar maka nilai-nilai tersbut diwakili oleh nilai
mean, standar deviasi, kurtosis dan skewness
dari distribusinya histogram tersebut, dimana
dapat dihitung dengan persamaan :
(6)
(7)
(8)
(1)
(9)
(2)
(3)
2.2 Histogram Tingkat Keabuan (Grayscale
Histogram)
Nilai citra parasit malaria merupakan
model warna RGB. Untuk mendapatkan nilai
tingkat keabuan dari citra yang terdiri dari
komponen warna RGB dilakukan dengan
menggunakan persamaan berikut :
(4)
Hasil dari proses grayscale ini akan berada
pada tingkat keabuan sebesar sebesar 8 bit.
Distribusi nilai-nilai dari setiap piksel citra
grayscale dimasukkan ke dalam histogram.
2.3 Histogram Tingkat Saturasi ( Saturation
Level Histogram )
Histogram tigkat saturasi digunakan
untuk mendapatkan nilai-nilai intensitas warna
berdasarkan
kejenuhannya
(saturasi).
Komponen warna berdasarkan kejenuhannya
diperoleh dari citra eritrosit model warna RGB
melalui perhitungan dengan persamaan sebagai
berikut :
(5)
Dimana nilai saturasi pada setiap piksel ini
digunakan untuk membangun histogram
distribusinya.
Dari nilai histogram warna, grayscale
dan tingkat saturasi hasil perhitungan sudah
dapat dijadikan sebagai vektor input, namun
2.4 Jaringan syaraf tiruan (Backpropagation)
Jaringan syaraf tiruan (Artificial
Neural Network) atau ANN merupakan
model yang meniru cara kerja jaringan
biologis. Otak manusia terdiri atas sel-sel
syaraf yang disebut neuron, yang berjumlah
sekitar 910 neuron. Jaringan syaraf tiruan
terdiri atas sejumlah pemroses yang sangat
sederhana yang disebut dengan node atau
simpul. Simpul ini dianalogikan seperti neuron
yang ada di otak manusia. Kumpulan simpulsimpul yang membentuk suatu konfigurasi
tertentu dikenal sebagai jaringan syaraf
tiruan. Jaringan syaraf tiruan terdiri atas
lapisan masukan dan keluaran. Tetapi ada juga
yang mempunyai lapisan tersembunyi di antara
lapisan masukan dan keluaran. Simpul yang
ada pada lapisan masukan disebut unit
masukan. Pada unit masukan tidak memproses
suatu informasi tetapi hanya menyebarkan atau
menyalurkan ke unit lain. Sedangkan simpul
yang ada pada lapisan tersembunyi dan
lapisan keluaran menghasilkan keluaran yang
berupa suatu bentuk non linear. Secara prinsip
jaringan dibangkitkan serangkaian masukan
(input) yang dikalikan dengan suatu faktor
penimbang tertentu yang analog dengan
tegangan sinapsis, kemudian
dijumlahkan
semua masukan tersebut untuk menentukan
tingkat aktivasi neuron.
Backpropagation adalah algoritma
pembelajaran yang terawasi dan biasanya
digunakan untuk oleh perceptron dengan
banyak lapisan untuk mengubah bobot-bobot
yang terhubung dengan neuron-neuron yang ada
pada lapisan tersembunyinya. (Kusumadewi,
2004).
Algoritma
backpropagation
menggunakan error-output untuk mengubah
nilai bobot-bobotnya dalam arah mundur
Seminar Nasional Teknologi Informasi dan Komunikasi 2014 (SENTIKA 2014)
Yogyakarta, 15 Maret 2014
(backward). Untuk mendapatkan error ini,
tahap perambatan maju (forward propagation)
harus dikerjakan terlebih dahulu. Pelatihan
backpropagation terdiri dari 3 tahap, yaitu
perambatan maju, propagasi balik, dan
modifikasi bobot neuron. Sedangkan siklus dari
ketiga tahapan ini disebut dengan iterasi atau
dalam JST dinamakan epoch.
Prinsip
kerja
dari
algoritma
backpropagation adalah sebagai berikut, pada
saat proses umpan maju, neuron pada input
layer akan mengirimkan informasi ke setiap
neuron pada hidden layer. Neuron hidden layer
ini akan melakukan proses komputasi terhadap
informasi yang diterima dan menghasilkan
output yang berasal dari fungsi aktivasinya.
Selanjutnya output dari hidden layer tersebut
akan dikirimkan lagi ke lapisan berikutnya,
yang dalam hal ini adalah output layer. Di
dalam output layer ini berlangsung proses yang
sama seperti pada hidden layer. Namun, output
dari hasil fungsi aktivasi output layer ini akan
digunakan sebagai sinyal respon dari JST.
Sinyal respon output JST ini akan
dibandingkan dengan target yang diinginkan
dan dihitung besar errornya (selisih antara
output yang dihasilkan dengan target yang
ingin dicapai). Error yang diperoleh ini
dikirimkan
kembali
ke
lapisan-lapisan
sebelumnya dan kemudian digunakan untuk
mengoreksi dan mengubah bobot-bobot JSTnya berdasarkan learning error yang diberikan
pada JST tersebut.
Tahap pelatihan ini merupakan
langkah untuk melatih suatu JST, yaitu
dengan
cara
melakukan
perubahan
penimbang (sambungan antar lapisan yang
membentuk JST melalui masing-masing
unitnya). Sedangkan penyelesaian masalah,
akan dilakukan jika proses pelatihan tersebut
telah selesai, fase ini disebut fase mapping
atau proses pengujian atau testing.
Menurut Kusumadewi (2004) fungsi
kinerja yang sering digunakan untuk
backpropagation adalah means square error
(MSE). Fungsi ini akan menghasilkan MSE.
Algoritma pelatihan backpropagation terdiri
dari
dua
tahapan,
feed forward
dan
backpropagation
dari
galatnya.
Untuk
jelasnya dapat dijelaskan rinciannya sebagai
berikut (Kusumadewi, 2004):
1. Inisialisasi bobot (ambil bobot awal
dengan nilai random yang cukup kecil).
2. Tetapkan: Maksimum Epoh, Target Error,
dan Learning Rate (α).
3. Inisialisasi: Epoh=0, MSE=1.
4. Setiap pasangan data training dilakukan
langkah berikut ini
ISSN: XXXX-XXXX
(epoch=epoch+1):
Umpan maju (Feedforward):
a. Tiap-tiap unit input menerima data tV dan
meneruskan sinyal input ke semua unit pada
lapisan berikutnya (hidden layer).
b. Tiap-tiap unit pada suatu hidden layer V
menjumlahkan sinyal-sinyal input terbobot
dan menggunakan fungsi aktivasi untuk
menghitung sinyal outputnya:
(9)
(10)
Kemudian sinyal output zj akan dikirim
ke semua unit pada layer berikutnya (output
layer). Bila yang digunakan adalah fungsi
sigmoid maka bentuk
fungsi tersebut adalah:
(11)
Sinyal keluaran dari fungsi pengaktif tersebut
dikirim ke semua unit di lapis keluaran (unit
keluaran).
c. Tiap-tiap unit keluaran vT menjumlahkan
sinyal-sinyal input terbobot dan
menggunakan fungsi aktivasi untuk
menghitung sinyal outputnya.
(12)
(13)
dan kirimkan sinyal tersebut ke semua unit
di lapisan atasnya (unit- output).
Catatan: Langkah (b) dilakukan sebanyak
jumlah lapisan tersembunyi.
2.5
Algoritma
backropagation
Pembelajaran
pada
Seminar Nasional Teknologi Informasi dan Komunikasi 2014 (SENTIKA 2014)
Yogyakarta, 15 Maret 2014
Salah satu bagian terpenting dari
konsep jaring syaraf tiruan adalah terjadinya
proses pembelajaran. Tujuan utama dari proses
pembelajaran adalah melakukan pengaturan
terhadap bobot-bobot yang ada pada jaring
syaraf, sehingga diperoleh bobot akhir yang
tepat sesuai dengan pola data yang dilatih.
Selama proses pembelajaran akan terjadi
perbaikan bobot-bobot berdasarkan algoritma
tertentu. Nilai bobot akan bertambah, jika
informasi yang diberikan oleh neuron yang
bersangkutan tersampaikan, sebaliknya jika
informasi tidak
disampaikan oleh suatu
neuron ke neuron yang lain maka nilai
bobot yang menghubungkan keduanya akan
dikurangi. Pada saat pembelajaran dilakukan
pada input yang berbeda, maka nilai bobot akan
diubah secara dinamis hingga mencapai suatu
nilai yang cukup seimbang. Apabila nilai ini
telah tercapai mengindikasikan bahwa tiaptiap input telah berhubungan dengan output
yang diharapkan. Pada dasarnya ada dua
metode
pembelajaran,
yaitu
metode
pembelajaran terawasi (supervised learning)
dan metode pembelajaran tak terawasi
(unsupervised learning).
2.6 Fungsi Aktivasi
Fungsi aktivasi merupakan bagian
terpenting
dalam
tahapan
perhitungan
keluaran dari suatu algoritma jaringan syaraf
tiruan. Fungsi aktivasi dapat diibaratkan
sebagai pendefinisian penguatan non linier
dalam sisem analag (continue). Penguatan
(gain) ini dihitung dengan mencari rasio
perubahan pada fungsi output neuron pada
lapisan keluaran. Fungsi aktivasi tidak hanya
digunakan pada saat perhitungan nilai
keluaran neuron saja, tetapi turunan pertamanya
juga bisa untuk menghitung perubahan bobot
dan bias pada proses belajar. Dalam
penulisan ini digunakan fungsi aktivasi
bipolar threshold. Beberapa fungsi aktivasi yang
digunakan dalam jaringan syaraf tiruan adalah :
a. Fungsi Linear (Purelin)
Fungsi linear dinyatakan dengan persamaan :
Gambar 1. Fungsi Aktivasi: Undak Biner
Fungsi Aktivasi linear pada gambar 1 di
matlab dikenal dengan nama purelin. Dimana α
adalah kemiringan dari fungsi. Jika α= 1 maka
fungsi aktivasi tersebut adalah fungsi identitas.
ISSN: XXXX-XXXX
Sintaks untuk fungsi tersebut adalah: Y= purelin
(a).
b. Fungsi Sigmoid Biner (Logsig)
Fungsi ini digunakan untuk jaringan
syaraf tiruan yang dilatih dengan menggunakan
metode backpropagation. Fungsi sigmoid biner
memiliki nilai pada range 0 sampai 1. Oleh
karena itu, fungsi seperti ini sering digunakan
untuk jaringan syaraf yang membutuhkan nilai
output yang terletak pada interval 0 sampai 1.
Gambar 2. Fungsi Aktivasi Sigmoid Biner
Fungsi Aktivasi sigmoid biner pada gambar
2 di matlab dikenal dengan nama logsig.
c. Fungsi Sigmoid Bipolar (tansig)
Fungsi sigmoid bipolar hampir sama
dengan fungsi sigmoid biner, hanya saja output
dari fungsi ini memiliki range antara 1 sampai
-1 (Gambar
Gambar 3 Fungsi Aktivasi Sigmoid Bipolar
Fungsi Aktivasi sigmoid bipolar pada
gambar 3 di matlab dikenal dengan nama tansig.
3.Desain Penelitian
Desain penelitian merupakan tahapan yang
merepresentasikan langkah-langkah yang akan
dilakukan dalam melaksanakan penelitian,
tujuannya untuk memudahkan peneliti dalam
melakukan penelitian. Berikut adalah tahapan
penelitian yang akan dilakukan dalam proses
penelitian yang berjudul “Analisa Kualifikasi
Daun Pada Tanaman Kakao Menggunakan
Neural Network“ dapat dilihat secara jelas pada
Gambar 4 tahapan metode yang menunjukkan
rencana atau struktur penelitian yang akan
digunakan
untuk melakukan
klasifikasi
memecahkan permasalahan dalam penelitian
ini.
Pengujia
n
Seminar Nasional Teknologi Informasi dan Komunikasi 2014 (SENTIKA 2014)
Yogyakarta, 15 Maret 2014
ISSN: XXXX-XXXX
Histogram Warna, Histogram Grayscale dan
Histogram Tingkat Saturasi. Selanjutnya
dilakukan proses klasifikasi. Metode yang
digunakan untuk pengenalan pola dalam
penelitian ini adalah Neural Network
(backpropagation).
Gambar 4. Desain Penelitian
Gambar 4. Desain Penelitian merupakan
langkah-langkah yang
dilakukan dalam
penelitian, dimulai dengan pengambilan citra
daun kakao menggunakan kamera digital di
sebuah perkebunan kakao di daerah Lampung.
Kemudian image daun di proses seperti resize
image menjadi 50x50 pixel dalam hal ini
menggunakan software corel draw. Proses
selanjutnya yaitu image akan diekstrak untuk
mendapatkan
nilai-nilai
fitur
yang
merepresentasikan ciri spesifik dari image
tersebut. Nilai fitur dari image selanjutnya
digunakan untuk klasifikasi kualitas daun
kakao, yaitu skewness,
kurtosis, standar
deviasi, mean dan entropy dari histogram
warna, histogram grayscale, dan histogram
tingkat saturasi. Setelah nilai fitur didapat
sebagai input untuk proses selanjutnya yaitu
klasifikasi. Klasifikasi pada penelitian ini
menggunakan metode backpropagation dengan
tahap pelatihan dan pengujian. Proses pelatihan
menggunakan sebanyak 60 citra daun kakao
yang akan di bagi menjadi 3 kelas yaitu 20
untuk daun rusak, 20 untuk daun rusak sedang
dan 20 untuk daun sehat. Selanjutnya proses
pengujian dengan menggunakan data yang tidak
masuk dalam pelatihan sebanyak 30 citra daun
kakao dengan pembagian kelas tiap kelas yang
akan di uji masing-masing sebanyak 10 citra
daun kakao untuk 3 kelas.
Tahap selanjutnya ekstraksi fitur dengan
tujuan untuk mendapatkan fitur-fitur yang akan
digunakan untuk melakukan klasifikasi. Fitur
yang akan digunakan adalah mean, standard
deviation, , kurtosis, skewness, dan entropy dari
4.Hasil dan Pembahasan
Pembuatan struktur dari neural network ke
dalam program harus diatur terlebih dahulu,
dalam hal ini pengaturannya menggunakan
metode penentuan bobot pada training dengan
jaringan syaraf tiruan yaitu Lavenberg-Marquad
(trainlm) dengan struktur JST menggunakan
Backpropagation. Citra masukkan yang
digunakan pada penelitian ini adalah citra daun
kakao sebanyak 90 citra. Terdiri dari 60 input
data untuk pelatihan dan 30 input data untuk
pengujian. Target yang digunakan yaitu tiga
dengan rincian daun rusak parah, daun rusak
sedang dan daun sehat.
a.
Pelatihan
Proses pelatihan dilakukan jika semua
parameter jaringan syaraf sudah ditentukan,
fungsi newff yang disediakan oleh Matlab
dengan merubah semua data input, output dan
bobot-bias dijadikan ke dalam bentuk
perhitungan matriks maka pelatihan dan
pengujian JST akan lebih cepat.
Pada proses pelatihan identifikasi, dari
parameter jaringan yang telah ditentukan
dihasilkan yaitu pelatihan berhenti ketika iterasi
yang ditentukan sudah tercapai yaitu berhenti
pada epoch ke-13 dengan MSE (Mean Square
Error) 9.189e-005 dengan target 0.0001 atau
1.10-4 menggunakan fungsi aktivasi sigmoid
bipolar, sigmoid biner dan linear. Setelah proses
pelatihan tercapai nilai performance yang
diinginkan tercapai, maka dapat dikatakan
bahwa jaringan syaraf tiruan backpropagation
telah mengenali target yang diinginkan
Seminar Nasional Teknologi Informasi dan Komunikasi 2014 (SENTIKA 2014)
Yogyakarta, 15 Maret 2014
Gambar 5 Hubungan target dengan output
jaringan
Koefisien
korelasi
bernilai
0.9999
(mendekati 1), menunjukkan hasil yang baik
untuk kecocokan output jaringan dengan target
pada gambar 4.5 dapat dilihat perbandingan
target dengan output jaringan hampir tepat
menempati posisi yang sama, yaitu posisi (o)
dan (*) betul-betul berada pada posisi yang
sama.
b. Pengujian
Pengujian
dilakukan
menggunakan
arsitektur terbaik yang telah diperoleh dari hasil
training (pelatihan), struktur jaringan yang
digunakan terdiri atas lapisan input, 2 lapisan
tersembunyi, dan lapisan output. Lapisan input
terdiri dari 15 neuron. Lapisan tersembunyi
pertama terditi atas 10 neuron dengan fungsi
aktivasi tansig, sedangkan lapisan tersembunyi
kedua terdiri atas 5 neuron dengan fungsi
aktivasi logsig. Lapisan output terdiri atas 1
neuron dengan fungsi aktivasi purelin.
Pemilihan
bobot
awal
sangat
mempengaruhi jaringan syaraf tiruan dalam
capai minimum global terhadap nilai error, serta
cepat tidaknya proses
pelatihan menuju
kekonvergenan. Setelah proses pelatihan maka
dihasilkan bobot tersebut. Bobot-bobot jaringan
yang meliputi bobot input neuron, bobot bias,
bobot neuron pada hidden layer, dan bobot bias
pada hidden layer dari proses pelatihan ini
digunakan dalam mengevaluasi atau menguji
pengidentifikasian dan klasifikasi daun kakao.
Adapun hasil dari pengujian yang telah
dilakukan yaitu sebagai berikut:
ISSN: XXXX-XXXX
Gambar 6. Hasil simulasi data testing
postmnmx
Gambar 6. merupakan hasil data testing
pada daun kakao, dapat kita lihat bahwa data
baru yang dites pada jaringan (data testing),
yang disimpan pada matriks Q dengan target
yang disimpan pada matriks TQ sebagian besar
sudah berdekatan (hampir mendekati posisi
yang sama) yanitu antara output (o) tepat jatuh
pada jaringan (*) . Error terbesar pada tabel
terletak pada data ke-26 yaitu pada yaitu pada
daun sehat sebesar 1.55. Pengujian dilakukan
sebanyak tiga kali dengan melakukan
pertukaran antara data pelatihan dengan
pengujian sehingga setiap data pernah menjadi
data pelatihan dan data pengujian. Selanjutnya
yaitu pengujian dengan mengurangi fitur-fitur
yang digunakan, untuk mengetahui seberapa
besar pengaruh fitur pada sistem ini. Dapat
dilihat pada gambar 7 dibawah ini.
Gambar 7 pengaruh fitur
Grafik pada gambar 7 dapat kita lihat bahwa
adanya pengaruh fitur pada setiap pengujian.
Semakin banyak nilai fitur ekstraksi maka
prosentase keakuratan data semakin bertambah
tinggi. Data prosentase menggunkan skala 1.
Untuk data pengujian 1 data terendah pada fitur
Seminar Nasional Teknologi Informasi dan Komunikasi 2014 (SENTIKA 2014)
Yogyakarta, 15 Maret 2014
dua yaitu untuk prosentase keakuratan sebesar
0.2218 atau 22.18 % dan keakuratan tertinggi
nya mencapai 0.9902 atau 99.02% dengan
menggunakan fitur 2, 3, 4, 5, 6, 7, 8, 9, 10, 11,
12, 13, 14, dan fitur ke 15. Keakuratan terendah
pada pengujian kedua yaitu 0.3049 atau 30.49%
dengan keakuratan tertingginya mencapai
0.7125 atau 71.25% dengan menggunakan fitur
2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, dan fitur
15. Keakuratan terendah pada pengujian ketiga
yaitu o.2638 atau 26.38% dengan keakuratan
tertinggi pada fitur 15 yaitu mencapai 0.6530
atau 65.30% dengan menggunakan fitur
2,3,4,5,6,7,8,9,10,11,12,13,14, dan fitur ke 15.
5.Kesimpulan
Penelitian yang telah dilakukan maka dapat
diperoleh kesimpulan bahwa analisa kualifikasi
daun pada tanaman kakao menggunakan neural
network didapatkan hasil akurasi daun rusak
parah 83% daun rusak sedang 96% dan daun
sehat 86%.
6.Daftar Pustaka
Kusumadewi, Sri. 2004. Membangun
Jaringan Syaraf Tiruan Menggunakan Matlab
& Excel Link. Yogyakarta:Graha Ilmu.
Irawan, Feriza A. 2012. Buku Pintar
Pemrograman Matlab. Yogyakarta: MediaKom
Suyanto. 2011. Artificial Intelegence
Searching,
Reasoning,
Planning,
dan
Learning. Bandung: Informatika.
Nugroho, A.S., Witarto, B.A., Handoko, D.,
2003, “ Support Vector Machine – Teori dan
Aplikasinya Dalam Bioinformatika”, Kuliah
Umum Ilmu Komputer.com
Burges, J.C. (1988) :A Toturial on
Support VectorMachines for Pattern
Recognition,
Data
Mining
and
Knowledge Discovery, Vol.2, No.2, hal.
955-974.
Hsu, C.W., and Lin, C.J. (2002) :A
Comparison of Methods for Multi-class
Support
Vector
Machines,
IEEE
Transactions on Neural Networks, Vol.
13, No. 2, hal. 415-425
ISSN: XXXX-XXXX