DETEKSI TELUR INFERTIL MENGGUNAKAN JARINGAN SARAF TIRUAN MULTILAYER PERCEPTRON SKRIPSI MUHAMMAD ZAEN NAWAWI 081402022
DETEKSI TELUR INFERTIL MENGGUNAKAN JARINGAN SARAF TIRUAN MULTILAYER PERCEPTRON SKRIPSI MUHAMMAD ZAEN NAWAWI 081402022
DEPARTEMEN TEKNOLOGI INFORMASI FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA 2014 DETEKSI TELUR INFERTIL MENGGUNAKAN JARINGAN SARAF TIRUAN MULTILAYER PERCEPTRON SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat mencapai gelar Sarjana Teknologi Informasi
MUHAMMAD ZAEN NAWAWI 081402022
DEPARTEMEN TEKNOLOGI INFORMASI FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA 2014
PERSETUJUAN Judul : DETEKSI TELUR INFERTIL MENGGUNAKAN
JARINGAN SARAF TIRUAN MULTILAYER PERCEPTRON Kategori : SKRIPSI Nama : MUHAMMAD ZAEN NAWAWI Nomor Induk Mahasiswa : 081402022 Program Studi : SARJANA (S1) TEKNOLOGI INFORMASI Departemen : TEKNOLOGI INFORMASI Fakultas : ILMU KOMPUTER DAN TEKNOLOGI
INFORMASI UNIVERSITAS SUMATERA UTARA Komisi Pembimbing : Pembimbing 2 Pembimbing 1 Muhammad Fadly Syahputra, B.Sc.,M.Sc.IT Romi Fadillah Rahmat, B.Comp.Sc.,M.Sc NIP 198301292009121003 NIP 198603032010121004 Diketahui/Disetujui oleh Program Studi S1 Teknologi Informasi Ketua, Muhammad Anggia Muchtar, ST., MM.IT.
NIP 198001102008011010
PERNYATAAN DETEKSI TELUR INFERTIL MENGGUNAKAN JARINGAN SARAF TIRUAN MULTILAYER PERCEPTRON SKRIPSI Saya mengakui bahwa skripsi ini adalah hasil karya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya.
Medan, Juli 2014 Muhammad Zaen Nawawi 081402022
UCAPAN TERIMA KASIH Puji dan syukur penulis sampaikan kehadirat Allah SWT yang tgelah memberikan rahmat dan hidayah-Nya sehingga penulis dapat menyelesaikan skripsi ini sebagai syarat untuk memperoleh ijazah Sarjana Teknologi Informasi, Program Studi S1 Teknologi Informasi Universitas Sumatera Utara. Ucapan terimakasih penulis sampaikan kepada:
1. Kedua orang tua dan keluarga penulis yang telah memberikan dukungan dan motivasi baik materil dan spiritual, Ayahanda Ismail dan Ibunda Sumayati yang selalu sabar dalam mendidik dan membesarkan penulis.
2. Bapak Romi Fadillah Rahmat, B.Comp.Sc,M.Sc selaku pembimbing satu dan Muhammad Fadly Syahputra, B.Sc.,M.Sc.IT selaku pembimbing dua yang telah banyak meluangkan waktu dan pikirannya, memotivasi dan memberikan kritik dan saran kepada penulis.
3. Ucapan terima kasih juga ditujukan kepada Ibu Sarah Purnamawati, S.T., M.Sc. dan Bapak Baihaqi Siregar, ST., M.Sc selaku penguji yang telah bersedia menjadi dosen pembanding.
4. Ucapan terima kasih juga ditujukan kepada Ketua dan Sekretaris Program Studi Teknologi Informasi, Bapak M. Anggia Muchtar, ST. MM.IT. dan Bapak M.
Fadly Syahputra B.Sc,M.Sc.IT.
5. Dekan dan Pembantu Dekan Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara, semua dosen dan pegawai di Program Studi Teknologi Informasi.
6. Terima kasih kepada staf pegawai administrasi tata usaha Program Studi Teknologi Informasi, Ibu Delima Harahap dan terutama Abangda Faisal Hamid, yang telah membantu penulis dalam menyelesaikan semua urusan administrasi di Program Studi Teknologi Informasi.
7. Terima kasih kepada adinda Jalaluddin Sayuti, Khairatunnisak, Rabi’atul Adawiyah, Siti Saedah dan Zahid Alkhusairy yang selalu memberikan dukungan kepada saya, dan kepada saudari Nina Zakiyah yang telah meluangkan waktu dan pikiran untuk membantu saya dalam penyusunan skripsi ini.
8. Terima kasih juga kepada sahabat-sahabat mahasiswa Teknologi Informasi yang tidak dapat penulis sampaikan satu persatu. Dan juga sahabat-sahabat di Pesantren Ar-raudlatul hasanah. Akhir kata, saya ucapkan terima kasih kepada semua pihak yang terkait dalam penyelesaian skripsi ini yang tidak bisa saya sebut satu persatu. Semoga Allah memberi rahmat dan keberkahan kepada kita semua.
ABSTRAK Telur infertil adalah telur yang tidak mengalami perkembangan embrio pada saat penatasan. Pendeteksian telur infertil secara otomatis akan memberikan kemudahan saat penyeleksian dan pemindahan telur infertil tepat waktu, yang akan membawa keuntungan bagi peternakan seperti efesiensi tempat dan kontaminasi penyakit yang mempengaruhi penetesan karena telur infertil bisa menjadi tempat perkembangan jamur. Sebuah metode terdiri dari machine vision dan jaringan saraf tiruan multilayer perceptron dirancang. Dengan meletakkan telur dekat sumber cahaya dengan latar belakang hitam dalam ruangan gelap telur difoto dengan kamera kualitas tinggi. Dari citra yang dihasilkan kamera diekstrak fitur atau ciri-ciri yang membedakan antara telur fertil dan telur infertil. Shape index, roundness dan elongation diekstrak dari bentuk telur, sedangkan nilai rata-rata hue, saturation dan intensity diekstrak dari warna telur. Enam nilai fitur ekstraksi dijadikan nilai neuron pada lapisan inputan jaringan saraf tiruan multilayer perceptron. 100 data sampel digunakan untuk pelatihan jaringan dan pegujian memorasi dan 125 data sampel berbeda digunakan untuk uji generalisasi. Laju pembelajaran yang digunakan adalah 0.0005 dan parameter momentum sebesar 0.02 tingkat akurasi yang dihasilkan 98% untuk pelatihan dan 96% untuk uji generalisasi. Kata kunci : telur infertil, identifikasi, fitur ekstraksi, multilayer perceptron. INFERTILE EGGS DETECTION USING MULTILAYER PERCEPTRON NEURAL NETWORK ABSTRACT Infertile eggs are eggs that embryonic development did not occur on it when hacthery procces held. Automatic infertile eggs detection give ease to select and timely removal of the infertile eggs. which will bring benefits to the hactheries such space efficiency and egg contamination due to diseases caused by infertile eggs. A method based on machine vision and artificial neural network multilayer perceptron designed. By laying eggs near a light source with a black background in a dark room eggs photographed with a high resolution camera. Image that acquired by camera extracted from it features or characteristics that distinguish between fertile eggs and infertile eggs. Shape index, roundness and elongation extracted from the shape of the eggs, while the average value of hue, saturation and intensity are extracted from the color of the eggs. Six values of feature extraction is used as neurons value in the input layer of a multilayer perceptron neural network. 100 samples are used for training the network and memorization test and anoter 125 different samples used for generalization test. The value of learning rate used is 0.0005 and the momentum parameter is 0,02. After test phase done , accuracy rate is 98% for memorizing test and 96% for the generalization test. Keywords : infertile egg, identification, feature extraction, multilayer perceptron.
DAFTAR ISI Halaman
2.6.1.1 Fungsi Sigmoid Biner
18 BAB 3
2.7 Penelitian terdahulu
17
2.6.3 Pengupdate Bobot dengan Momentum
17
2.6.2 Inilisialisasi Bobot dengan Acak
16
16
3.1 Akuisi Data
2.6.1 Fungsi Aktifasi
14
2.6 Algoritma Multilayer Perceptron
13
2.5.1 Komponen Jaringan Saraf Tiruan
13
2.5 Jaringan Saraf Tiruan
20
21
2.4.2 Ekstraksi fitur bentuk
26
3.4.2 Proses Pelatihan
34
3.4.1 Perancangan Multilayer Perceptron
34
3.4 Multilayer Perceptron
32
3.3.2.Ekstraksi Fitur Bentuk Telur
3.3.1 Ekstraksi Fitur Warna Telur
3.2 Pengolahan Citra
25
3.3 Ekstraksi Fitur
24
3.2.2 Citra Biner
23
3.2.1 Citra Keabuan
22
11
9
PERSETUJUAN ii
1
1.4 Tujuan Penelitian
2
1.3 Batasan Masalah
2
1.2 Rumusan Masalah
1
1.1 Latar Belakang
BAB 1
1.5 Manfaat Penelitian
DAFTAR GAMBAR x
DAFTAR TABEL ix
DAFTAR ISI vii
ABSTRACT vi
ABSTRAK v
UCAPAN TERIMA KASIH iv
PERNYATAAN iii
3
3
2.4.1 Ekstraksi fitur warna
2.3 Pengolahan Citra
9
2.4 Ekstraksi Fitur
9
2.3.2 Citra Biner
8
2.3.1 Citra Keabuan (Grayscale)
7
7
1.6 Metodologi Penelitian
2.2 Machine Vision
6
2.1 Telur Infertil
6
4 BAB 2
1.7 Sistematika Penulisan
3
36
3.4.3 Proses Pengujian
36 BAB 4
37
4.1 Implementasi
37
4.2 Pengujian
39
4.2.1 Persiapan Jaringan
39
4.2.2 Hasil Pengujian
42
4.2.2.1 Hasil Uji Memorasi
43
4.2.2.2 Hasil Uji Generalisasi
47 BAB 5
52
5.1 Kesimpulan
52
5.2 Saran
52 DAFTAR PUSTAKA
53 LAMPIRAN A : DATA SAMPEL
56 DAFTAR TABEL Halaman
Tabel 4.1 Fungsi-fungsi CImg yang digunakan37 Tabel 4.2 Fungsi-fungsi MLP yang digunakan
38 Tabel 4.3 Nilai nilai fitur yang dijadikan nilai neuron di lapisan input
40 Tabel 4.4 Hasil pengenalan data latihan multilayer perceptron
43 Tabel 4.5 Hasil pengenalan data uji multilayer perceptron
47 DAFTAR GAMBAR Halaman
Gambar 2.1 Bagian bagian telur6 Gambar 2.2 Machine Vision
7 Gambar 2.3 Representasi nilai Intensity
10 Gambar 2.4 Representasi nilai Hue
10 Gambar 2.3 Representasi nilai Saturation
11 Gambar 2.6 Fungsi sigmoid biner dengan rentang (0,1)
17 Gambar 3.1 Skema Dasar Pendeteksian Telur Infertil
20 Gambar 3.2 Citra telur yang dihasilkan oleh machine vision
21 Gambar 3.3 Pengolahan Citra Citra RGB, Citra Grayscale dan Citra Biner
22 Gambar 3.4 Flowchart proses grayscaling
23 Gambar 3.5 Citra hasil proses grayscaling
24 Gambar 3.6 Flowchart proses thresholding
24 Gambar 3.7 Citra hasil proses thresholding
25 Gambar 3.8 Matrik penyimpanan nilai fitur
25 Gambar 3.9 Flowchart fitur ekstraksi nilai intensity
28 Gambar 3.10 Nilai intensity hasil fitur ekstraksi warna
28 Gambar 3.11 Flowchart fitur ekstraksi nilai hue
29 Gambar 3.12 Nilai hue hasil fitur ekstraksi warna
30 Gambar 3.13 Flowchart fitur ekstraksi nilai saturation
32 Gambar 3.14 Nilai saturation hasil fitur ekstraksi warna.
32 Gambar 3.15 Contoh Fitur Ekstraksi berdasarkan batas (boundary-based).
32 Gambar 3.16 Contoh perbedaan nilai fitur telur infertil dan fertile.
34 Gambar 3.17 Arsitektur jaringan saraf tiruan multilayer perceptron
35 Gambar 4.1 Grafik uji memorasi
46 Gambar 4.2 Grafik uji generalisasi
51