Identifikasi Jenis Kayu Tropis Menggunakan Backpropagation Neural Network
IDENTIFIKASI JENIS KAYU TROPIS MENGGUNAKAN
BACKPROPAGATION NEURAL NETWORK
SKRIPSI
NURUL FATIHAH
111402035
PROGRAM STUDI S1 TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
MEDAN
2016
Universitas Sumatera Utara
IDENTIFIKASI JENIS KAYU TROPIS MENGGUNAKAN
BACKPROPAGATION NEURAL NETWORK
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah
Sarjana Teknologi Informasi
NURUL FATIHAH
111402035
PROGRAM STUDI S1 TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
MEDAN
2016
Universitas Sumatera Utara
ii
PERSETUJUAN
Judul
: IDENTIFIKASI JENIS KAYU TROPIS
MENGGUNAKAN BACKPROPAGATION NEURAL
NETWORK
Kategori
: SKRIPSI
Nama
: NURUL FATIHAH
Nomor Induk Mahasiswa : 111402035
Program Studi
: S1 TEKNOLOGI INFORMASI
Departemen
: TEKNOLOGI INFORMASI
Fakultas
: ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
Komisi Pembimbing
:
Pembimbing 2
Pembimbing 1
Luthfi Hakim, S.Hut., M.Si
Baihaqi Siregar, S.Si., M.T
NIP. 19791017 200312 1 002
NIP. 1979108 201212 1 002
Diketahui/disetujui oleh
Program Studi S1 Teknologi Informasi
Ketua,
Muhammad Anggia Muchtar, ST., MM.IT
NIP.19800110 200801 1 010
Universitas Sumatera Utara
iii
PERNYATAAN
IDENTIFIKASI JENIS KAYU TROPIS MENGGUNAKAN
BACKPROPAGATION NEURAL NETWORK
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil karya saya sendiri, kecuali beberapa
kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya.
Medan, 28 Januari 2016
Nurul Fatihah
111402035
Universitas Sumatera Utara
iv
PENGHARGAAN
Puji syukur penulis ucapkan ke hadirat Allah SWT yang telah memberikan
rahmat dan hidayah-Nya sehingga penulis dapat menyelesaikan skripsi ini sebagai
syarat untuk memperoleh gelar Sarjana Teknologi Informasi.
Pertama, penulis mengucapkan terima kasih kepada orang tua penulis yaitu
Ayahanda Irwan Affandi, S.E. dan Ibunda Andayani Astati, S.E., adik penulis yaitu
Nabila Chairin dan M. Nadhin Arief beserta seluruh keluarga besar penulis yang telah
memberikan dukungan dan doa sehingga penulis dapat menyelesaikan skripsi ini.
Penulis tentunya mengucapkan terima kasih kepada Bapak Baihaqi Siregar,
S.Si, M.T selaku Dosen Pembimbing I dan Bapak Luthfi Hakim, S.Hut, M.Si selaku
Dosen Pembimbing II yang telah membimbing penulis dalam menyelesaikan skripsi
ini. Penulis juga mengucapkan terima kasih kepada Bapak Prof. Dr. Opim Salim
Sitompul, M.Sc selaku Dosen Pembanding I, Bapak Romi Fadillah Rahmat,
B.Comp.Sc, M.Sc selaku Dosen Pembanding II yang telah memberikan kritik dan
saran dalam penyempurnaan skripsi ini. Terima kasih penulis ucapkan kepada Ketua
dan Sekretaris Program Studi S1 Teknologi Informasi, Dekan dan Pembantu Dekan
Fakultas Ilmu Komputer dan Teknologi Informasi, dan seluruh dosen serta staff
kepegawaian di lingkungan Program Studi S1 Teknologi Informasi yang telah
membantu dan membimbing penulis selama waktu perkuliahan.
Terima kasih penulis ucapkan kepada teman – teman penulis yang selalu
memberikan dukungan dan semangat, Arifin Ahmad Adli Siregar, Safrina, Dina
Fadhillah, Kak Ulfi, Tengku Chairunnisa, Ayuni, Adinda, Nur Azizah, Roya,
Shabrina, Abidah, Nugha, Indera, Bang Fay, Ismed, Ruang Delapan, Udin, Hans,
Erick, Dhany, Imam, Ryan, Roy, Ade, serta seluruh teman-teman angkatan 2011 dan
teman-teman mahasiswa Teknologi Informasi lainnya. Semoga Allah SWT membalas
kebaikan kalian.
Penulis menyadari bahwa masih terdapat kekurangan pada skripsi ini. Oleh
karena itu, penulis mengharapkan kritik dan saran yang bermanfaat terhadap skripsi
ini. Akhir kata penulis ucapkan terima kasih.
Universitas Sumatera Utara
v
ABSTRAK
Setiap jenis kayu memiliki karakteristik yang berbeda sehingga identifikasi jenis kayu
sangat dibutuhkan terutama bagi pihak yang memiliki keperluan untuk mengetahui jenis
kayu. Namun, tidak semua orang memiliki keahlian dalam mengidentifikasi jenis kayu
sehingga kebutuhan terhadap orang yang ahli dalam mengidentifikasi jenis kayu sangat
penting. Akan tetapi, ketersediaan pakar kayu sangat terbatas. Selain itu, identifikasi
jenis kayu secara manual oleh para ahli kayu dinilai kurang efisien karena
membutuhkan waktu yang banyak. Untuk mengatasi masalah tersebut, maka
dibutuhkan metode untuk mengidentifikasi jenis kayu. Pada penelitian ini,
backpropagation neural network digunakan sebagai metode identifikasi jenis kayu
tropis. Tahap – tahap yang dilakukan sebelum identifikasi adalah akuisisi citra dengan
mikroskop, pra-pengolahan, ekstraksi fitur menggunakan gray level co-occurrence
matrix dan normalisasi data hasil ekstraksi fitur menggunakan decimal scaling. Hasil
penelitian menunjukkan bahwa metode yang diajukan mampu melakukan identifikasi
kayu dengan akurasi sebesar 94%.
Kata kunci: backpropagation neural network, decimal scaling, gray level cooccurrence matrix, identifikasi kayu.
Universitas Sumatera Utara
vi
TROPICAL WOOD SPECIES IDENTIFICATION USING
BACKPROPAGATION NEURAL NETWORK
ABSTRACT
Each species of wood has different characteristics so that the wood species
identification is needed, especially for those who have a need to know the species of
wood. However, not everyone has the expertise in identifying the wood species so that
the need for people skilled in wood species identification is very important. But, the
availability of wood experts is very limited. In addition, the identification of wood
species manually by wood experts is inefficient because it requires a lot of time. To
overcome these problems, so the method to identify the wood species is required. In
this research, backpropagation neural network was used as a identification method of
tropical wood species. The steps taken before the identification were image acquisition
using microscope, pre-processing, feature extraction using gray level co-occurrence
matrix and data normalization of feature extraction results using the decimal scaling.
The result showed that proposed method was able to perform the wood identification
with an achieve 94% accuracy.
Keyword: backpropagation neural network, decimal scaling, gray level co-occurrence
matrix, wood identification.
Universitas Sumatera Utara
vii
DAFTAR ISI
Hlm.
Persetujuan
ii
Pernyataan
iii
Penghargaan
iv
Abstrak
v
Abstract
vi
Daftar Isi
vii
Daftar Tabel
x
Daftar Gambar
xi
BAB 1 PENDAHULUAN
1
1.1. Latar Belakang
1
1.2. Rumusan Masalah
2
1.3. Tujuan Penelitian
3
1.4. Batasan Masalah
3
1.5. Manfaat Penelitian
3
1.6. Metodologi Penelitian
3
1.7. Sistematika Penulisan
4
BAB 2 LANDASAN TEORI
6
2.1. Identifikasi Jenis Kayu
6
2.2. Pengenalan Dasar Citra
9
2.2.1. Citra biner (binary image)
10
2.2.2. Citra skala keabuan (grayscale image)
11
2.2.3. Citra berwarna (color image)
12
2.3. Pengolahan Citra Digital
12
2.3.1. Scaling
12
2.3.2. Grayscalling
13
2.4. Ekstraksi Fitur dengan Gray Level Co-occurrence Matrix
14
Universitas Sumatera Utara
viii
2.4.1. Energy
17
2.4.2. Entropy
18
2.4.3. Contrast
18
2.4.4. Inverse Difference Moment
18
2.4.5. Correlation
18
2.5. Normalisasi Data
19
2.5.1. Normalisasi Min-Max
19
2.5.2. Normalisasi Z-Score
20
2.5.3. Normalisasi Decimal Scaling
20
2.6. Jaringan Saraf Tiruan
20
2.6.1. Fungsi aktivasi
22
2.6.2. Backpropagation
23
2.7. Penelitian Terdahulu
26
BAB 3 ANALISIS DAN PERANCANGAN
29
3.1. Arsitektur Umum
29
3.2. Akuisisi Citra
31
3.3. Data yang Digunakan
31
3.4. Pra-Pengolahan
32
3.4.1. Memperkecil ukuran citra (Scaling)
32
3.4.2. Pembentukan citra aras keabuan (Grayscaling)
32
3.5. Ekstraksi Fitur
33
3.5.1. Pembentukan GLCM
34
3.5.2. Ekstraksi nilai fitur
37
3.6. Normalisasi Data
40
3.7. Klasifikasi Menggunakan Jaringan Saraf Tiruan Backpropagation 43
3.7.1. Tahap perancangan arsitektur jaringan saraf tiruan
43
backpropagation
3.7.2. Tahap pelatihan backpropagation
45
3.7.3. Tahap pengujian backpropagation
49
3.8. Perancangan Sistem
52
3.8.1. Perancangan database
52
3.8.2. Data Flow Diagram (DFD) dan Context Diagram (CD)
53
Universitas Sumatera Utara
ix
3.8.3. Perancangan tampilan antarmuka sistem
BAB 4 IMPLEMENTASI DAN PENGUJIAN
57
61
4.1. Implementasi Sistem
61
4.1.1. Spesifikasi perangkat keras dan perangkat lunak
61
4.1.2. Implementasi perancangan antarmuka sistem
61
4.1.3. Implementasi data
63
4.2. Prosedur Operasional
66
4.2.1. Prosedur operasional pada halaman pelatihan citra
67
4.2.2. Prosedur operasional pada halaman pengujian citra
71
4.3. Pengujian Sistem
72
BAB 5 KESIMPULAN DAN SARAN
76
5.1. Kesimpulan
76
5.2. Saran
76
DAFTAR PUSTAKA
77
Universitas Sumatera Utara
x
DAFTAR TABEL
Hlm.
Tabel 2.1. Penelitian terdahulu
26
Tabel 3.1. Contoh nilai hasil ekstraksi fitur GLCM
36
Tabel 3.2. Data fitur sebelum dinormalisasi
41
Tabel 3.3. Data fitur sesudah dinormalisasi
42
Tabel 3.4. Target keluaran jaringan backpropagation
43
Tabel 3.5. Input dan Target
46
Tabel 3.6. Bobot Awal Vji
47
Tabel 3.7. Bobot Awal Wkj
47
Tabel 3.8. Data uji
50
Tabel 3.9. Bobot Vkj baru
50
Tabel 3.10. Bobot Wkj baru
51
Tabel 4.1. Rangkuman data citra kayu
64
Tabel 4.2. Parameter backpropagation
72
Tabel 4.3. Hasil pengujian identifikasi jenis kayu
73
Tabel 4.4. Akurasi pengujian
74
Tabel 4.5. Pengujian nilai maksimum epoch
74
Universitas Sumatera Utara
xi
DAFTAR GAMBAR
Hlm.
Gambar 2.1. Orientasi tiga dimensi permukaan kayu (Bond & Hamner, 2002)
6
Gambar 2.2. Anatomi kayu meranti merah (Mandang & Pandit, 1997)
7
Gambar 2.3. Kayu jati, kayu pasang, kayu lasi, kayu palapi (Mandang &
Pandit, 1997)
8
Gambar 2.4. Kayu eboni dan kayu kenanga (Mandang & Pandit, 1997)
9
Gambar 2.5. Sistem koordinat citra berukuran M x N (M baris dan N kolom)
(Kadir & Susanto, 2012).
10
Gambar 2.6. Citra biner
11
Gambar 2.7. Citra skala keabuan
11
Gambar 2.8. Citra berwarna
12
Gambar 2.9. Perubahan ukuran citra (Kadir & Susanto, 2012)
13
Gambar 2.10. Delapan arah ketetangaan piksel
14
Gambar 2.11. Jarak pada arah 0° (Ferguson, 2007)
15
Gambar 2.12. Matriks framework (Ferguson, 2007)
15
Gambar 2.13. Citra grayscale dan representasi citra grayscale ke dalam
matriks kookurensi dengan jarak 1 dan arah 0º
16
Gambar 2.14. Penambahan matriks kookurensi dengan transposenya
17
Gambar 2.15. Normalisasi matriks
17
Gambar 2.16. Jaringan layer tunggal dan jaringan layer jamak
21
Gambar 2.17. Model tiruan neuron pada jaringan saraf tiruan (Hajek, 2005)
22
Gambar 2.18. Fungsi step, fungsi sign dan fungsi sigmoid biner
23
Gambar 2.19. Arsitektur backpropagation (Purnamasari, 2013)
24
Gambar 3.1. Arsitektur umum
30
Gambar 3.2. Kayu keruing, kayu jati putih, kayu mahoni, kayu melur,
dan kayu kempas
31
Gambar 3.3. Citra kayu RGB dan citra kayu grayscale
32
Gambar 3.4. Langkah – langkah proses grayscalling
33
Gambar 3.5. Proses pembentukan matriks kookurensi arah 0°
34
Gambar 3.6. Proses pembentukan matriks kookurensi arah 45°
34
Universitas Sumatera Utara
xii
Gambar 3.7. Proses pembentukan matriks kookurensi arah 90°
35
Gambar 3.8. Proses pembentukan matriks kookurensi arah 135°
35
Gambar 3.9. Normalisasi matriks simetris
36
Gambar 3.10. Matriks normalisasi
37
Gambar 3.11. Mencari nilai maksimum absolut dari suatu atribut
40
Gambar 3.12. Menentukan jumlah angka di depan titik desimal dari nilai
maksimum absolut pada setiap atribut
41
Gambar 3.13. Melakukan operasi pembagian nilai – nilai atribut dengan
pembaginya
41
Gambar 3.14. Arsitektur jaringan saraf tiruan
44
Gambar 3.15. Proses pelatihan jaringan backpropagation
46
Gambar 3.16. Proses pengujian jaringan backpropagation
50
Gambar 3.17. Database Relationship
52
Gambar 3.18. Context Diagram
53
Gambar 3.19. DFD level 0
54
Gambar 3.20. DFD level 1 Proses 1
55
Gambar 3.21. DFD level 1 Proses 2
55
Gambar 3.22. DFD level 1 Proses 3
56
Gambar 3.23. Rancangan halaman awal sistem
57
Gambar 3.24. Rancangan halaman pelatihan data citra
58
Gambar 3.25. Rancangan halaman pengujian data citra
60
Gambar 4.1. Halaman utama
62
Gambar 4.2. Halaman “Pelatihan Citra”
62
Gambar 4.3. Halaman “Pengujian Citra”
63
Gambar 4.4. Kotak dialog yang muncul setelah tombol “Pilih Citra” diklik
67
Gambar 4.5. Tampilan citra dengan ukuran lebih besar
67
Gambar 4.6. Tampilan halaman pelatihan setelah memilih menu “Pilih Citra”,
“Grayscalling” dan “Ekstraksi Fitur”
68
Gambar 4.7. Halaman “Data Kayu”
68
Gambar 4.8. Halaman “Data Hasil Ekstraksi Fitur”
69
Gambar 4.9. Halaman “Data Normalisasi Hasil Ekstraksi Fitur”
70
Gambar 4.10. Panel “Pelatihan Backpropagation” pada halaman “Pelatihan
Citra”
70
Universitas Sumatera Utara
xiii
Gambar 4.11. Tampilan halaman “Pengujian Citra” setelah tombol “Pilih
Citra” dan tombol “Identifikasi” diklik
71
Gambar 4.12. Pengujian nilai maksimum epoch
75
Universitas Sumatera Utara
BACKPROPAGATION NEURAL NETWORK
SKRIPSI
NURUL FATIHAH
111402035
PROGRAM STUDI S1 TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
MEDAN
2016
Universitas Sumatera Utara
IDENTIFIKASI JENIS KAYU TROPIS MENGGUNAKAN
BACKPROPAGATION NEURAL NETWORK
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah
Sarjana Teknologi Informasi
NURUL FATIHAH
111402035
PROGRAM STUDI S1 TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
MEDAN
2016
Universitas Sumatera Utara
ii
PERSETUJUAN
Judul
: IDENTIFIKASI JENIS KAYU TROPIS
MENGGUNAKAN BACKPROPAGATION NEURAL
NETWORK
Kategori
: SKRIPSI
Nama
: NURUL FATIHAH
Nomor Induk Mahasiswa : 111402035
Program Studi
: S1 TEKNOLOGI INFORMASI
Departemen
: TEKNOLOGI INFORMASI
Fakultas
: ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
Komisi Pembimbing
:
Pembimbing 2
Pembimbing 1
Luthfi Hakim, S.Hut., M.Si
Baihaqi Siregar, S.Si., M.T
NIP. 19791017 200312 1 002
NIP. 1979108 201212 1 002
Diketahui/disetujui oleh
Program Studi S1 Teknologi Informasi
Ketua,
Muhammad Anggia Muchtar, ST., MM.IT
NIP.19800110 200801 1 010
Universitas Sumatera Utara
iii
PERNYATAAN
IDENTIFIKASI JENIS KAYU TROPIS MENGGUNAKAN
BACKPROPAGATION NEURAL NETWORK
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil karya saya sendiri, kecuali beberapa
kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya.
Medan, 28 Januari 2016
Nurul Fatihah
111402035
Universitas Sumatera Utara
iv
PENGHARGAAN
Puji syukur penulis ucapkan ke hadirat Allah SWT yang telah memberikan
rahmat dan hidayah-Nya sehingga penulis dapat menyelesaikan skripsi ini sebagai
syarat untuk memperoleh gelar Sarjana Teknologi Informasi.
Pertama, penulis mengucapkan terima kasih kepada orang tua penulis yaitu
Ayahanda Irwan Affandi, S.E. dan Ibunda Andayani Astati, S.E., adik penulis yaitu
Nabila Chairin dan M. Nadhin Arief beserta seluruh keluarga besar penulis yang telah
memberikan dukungan dan doa sehingga penulis dapat menyelesaikan skripsi ini.
Penulis tentunya mengucapkan terima kasih kepada Bapak Baihaqi Siregar,
S.Si, M.T selaku Dosen Pembimbing I dan Bapak Luthfi Hakim, S.Hut, M.Si selaku
Dosen Pembimbing II yang telah membimbing penulis dalam menyelesaikan skripsi
ini. Penulis juga mengucapkan terima kasih kepada Bapak Prof. Dr. Opim Salim
Sitompul, M.Sc selaku Dosen Pembanding I, Bapak Romi Fadillah Rahmat,
B.Comp.Sc, M.Sc selaku Dosen Pembanding II yang telah memberikan kritik dan
saran dalam penyempurnaan skripsi ini. Terima kasih penulis ucapkan kepada Ketua
dan Sekretaris Program Studi S1 Teknologi Informasi, Dekan dan Pembantu Dekan
Fakultas Ilmu Komputer dan Teknologi Informasi, dan seluruh dosen serta staff
kepegawaian di lingkungan Program Studi S1 Teknologi Informasi yang telah
membantu dan membimbing penulis selama waktu perkuliahan.
Terima kasih penulis ucapkan kepada teman – teman penulis yang selalu
memberikan dukungan dan semangat, Arifin Ahmad Adli Siregar, Safrina, Dina
Fadhillah, Kak Ulfi, Tengku Chairunnisa, Ayuni, Adinda, Nur Azizah, Roya,
Shabrina, Abidah, Nugha, Indera, Bang Fay, Ismed, Ruang Delapan, Udin, Hans,
Erick, Dhany, Imam, Ryan, Roy, Ade, serta seluruh teman-teman angkatan 2011 dan
teman-teman mahasiswa Teknologi Informasi lainnya. Semoga Allah SWT membalas
kebaikan kalian.
Penulis menyadari bahwa masih terdapat kekurangan pada skripsi ini. Oleh
karena itu, penulis mengharapkan kritik dan saran yang bermanfaat terhadap skripsi
ini. Akhir kata penulis ucapkan terima kasih.
Universitas Sumatera Utara
v
ABSTRAK
Setiap jenis kayu memiliki karakteristik yang berbeda sehingga identifikasi jenis kayu
sangat dibutuhkan terutama bagi pihak yang memiliki keperluan untuk mengetahui jenis
kayu. Namun, tidak semua orang memiliki keahlian dalam mengidentifikasi jenis kayu
sehingga kebutuhan terhadap orang yang ahli dalam mengidentifikasi jenis kayu sangat
penting. Akan tetapi, ketersediaan pakar kayu sangat terbatas. Selain itu, identifikasi
jenis kayu secara manual oleh para ahli kayu dinilai kurang efisien karena
membutuhkan waktu yang banyak. Untuk mengatasi masalah tersebut, maka
dibutuhkan metode untuk mengidentifikasi jenis kayu. Pada penelitian ini,
backpropagation neural network digunakan sebagai metode identifikasi jenis kayu
tropis. Tahap – tahap yang dilakukan sebelum identifikasi adalah akuisisi citra dengan
mikroskop, pra-pengolahan, ekstraksi fitur menggunakan gray level co-occurrence
matrix dan normalisasi data hasil ekstraksi fitur menggunakan decimal scaling. Hasil
penelitian menunjukkan bahwa metode yang diajukan mampu melakukan identifikasi
kayu dengan akurasi sebesar 94%.
Kata kunci: backpropagation neural network, decimal scaling, gray level cooccurrence matrix, identifikasi kayu.
Universitas Sumatera Utara
vi
TROPICAL WOOD SPECIES IDENTIFICATION USING
BACKPROPAGATION NEURAL NETWORK
ABSTRACT
Each species of wood has different characteristics so that the wood species
identification is needed, especially for those who have a need to know the species of
wood. However, not everyone has the expertise in identifying the wood species so that
the need for people skilled in wood species identification is very important. But, the
availability of wood experts is very limited. In addition, the identification of wood
species manually by wood experts is inefficient because it requires a lot of time. To
overcome these problems, so the method to identify the wood species is required. In
this research, backpropagation neural network was used as a identification method of
tropical wood species. The steps taken before the identification were image acquisition
using microscope, pre-processing, feature extraction using gray level co-occurrence
matrix and data normalization of feature extraction results using the decimal scaling.
The result showed that proposed method was able to perform the wood identification
with an achieve 94% accuracy.
Keyword: backpropagation neural network, decimal scaling, gray level co-occurrence
matrix, wood identification.
Universitas Sumatera Utara
vii
DAFTAR ISI
Hlm.
Persetujuan
ii
Pernyataan
iii
Penghargaan
iv
Abstrak
v
Abstract
vi
Daftar Isi
vii
Daftar Tabel
x
Daftar Gambar
xi
BAB 1 PENDAHULUAN
1
1.1. Latar Belakang
1
1.2. Rumusan Masalah
2
1.3. Tujuan Penelitian
3
1.4. Batasan Masalah
3
1.5. Manfaat Penelitian
3
1.6. Metodologi Penelitian
3
1.7. Sistematika Penulisan
4
BAB 2 LANDASAN TEORI
6
2.1. Identifikasi Jenis Kayu
6
2.2. Pengenalan Dasar Citra
9
2.2.1. Citra biner (binary image)
10
2.2.2. Citra skala keabuan (grayscale image)
11
2.2.3. Citra berwarna (color image)
12
2.3. Pengolahan Citra Digital
12
2.3.1. Scaling
12
2.3.2. Grayscalling
13
2.4. Ekstraksi Fitur dengan Gray Level Co-occurrence Matrix
14
Universitas Sumatera Utara
viii
2.4.1. Energy
17
2.4.2. Entropy
18
2.4.3. Contrast
18
2.4.4. Inverse Difference Moment
18
2.4.5. Correlation
18
2.5. Normalisasi Data
19
2.5.1. Normalisasi Min-Max
19
2.5.2. Normalisasi Z-Score
20
2.5.3. Normalisasi Decimal Scaling
20
2.6. Jaringan Saraf Tiruan
20
2.6.1. Fungsi aktivasi
22
2.6.2. Backpropagation
23
2.7. Penelitian Terdahulu
26
BAB 3 ANALISIS DAN PERANCANGAN
29
3.1. Arsitektur Umum
29
3.2. Akuisisi Citra
31
3.3. Data yang Digunakan
31
3.4. Pra-Pengolahan
32
3.4.1. Memperkecil ukuran citra (Scaling)
32
3.4.2. Pembentukan citra aras keabuan (Grayscaling)
32
3.5. Ekstraksi Fitur
33
3.5.1. Pembentukan GLCM
34
3.5.2. Ekstraksi nilai fitur
37
3.6. Normalisasi Data
40
3.7. Klasifikasi Menggunakan Jaringan Saraf Tiruan Backpropagation 43
3.7.1. Tahap perancangan arsitektur jaringan saraf tiruan
43
backpropagation
3.7.2. Tahap pelatihan backpropagation
45
3.7.3. Tahap pengujian backpropagation
49
3.8. Perancangan Sistem
52
3.8.1. Perancangan database
52
3.8.2. Data Flow Diagram (DFD) dan Context Diagram (CD)
53
Universitas Sumatera Utara
ix
3.8.3. Perancangan tampilan antarmuka sistem
BAB 4 IMPLEMENTASI DAN PENGUJIAN
57
61
4.1. Implementasi Sistem
61
4.1.1. Spesifikasi perangkat keras dan perangkat lunak
61
4.1.2. Implementasi perancangan antarmuka sistem
61
4.1.3. Implementasi data
63
4.2. Prosedur Operasional
66
4.2.1. Prosedur operasional pada halaman pelatihan citra
67
4.2.2. Prosedur operasional pada halaman pengujian citra
71
4.3. Pengujian Sistem
72
BAB 5 KESIMPULAN DAN SARAN
76
5.1. Kesimpulan
76
5.2. Saran
76
DAFTAR PUSTAKA
77
Universitas Sumatera Utara
x
DAFTAR TABEL
Hlm.
Tabel 2.1. Penelitian terdahulu
26
Tabel 3.1. Contoh nilai hasil ekstraksi fitur GLCM
36
Tabel 3.2. Data fitur sebelum dinormalisasi
41
Tabel 3.3. Data fitur sesudah dinormalisasi
42
Tabel 3.4. Target keluaran jaringan backpropagation
43
Tabel 3.5. Input dan Target
46
Tabel 3.6. Bobot Awal Vji
47
Tabel 3.7. Bobot Awal Wkj
47
Tabel 3.8. Data uji
50
Tabel 3.9. Bobot Vkj baru
50
Tabel 3.10. Bobot Wkj baru
51
Tabel 4.1. Rangkuman data citra kayu
64
Tabel 4.2. Parameter backpropagation
72
Tabel 4.3. Hasil pengujian identifikasi jenis kayu
73
Tabel 4.4. Akurasi pengujian
74
Tabel 4.5. Pengujian nilai maksimum epoch
74
Universitas Sumatera Utara
xi
DAFTAR GAMBAR
Hlm.
Gambar 2.1. Orientasi tiga dimensi permukaan kayu (Bond & Hamner, 2002)
6
Gambar 2.2. Anatomi kayu meranti merah (Mandang & Pandit, 1997)
7
Gambar 2.3. Kayu jati, kayu pasang, kayu lasi, kayu palapi (Mandang &
Pandit, 1997)
8
Gambar 2.4. Kayu eboni dan kayu kenanga (Mandang & Pandit, 1997)
9
Gambar 2.5. Sistem koordinat citra berukuran M x N (M baris dan N kolom)
(Kadir & Susanto, 2012).
10
Gambar 2.6. Citra biner
11
Gambar 2.7. Citra skala keabuan
11
Gambar 2.8. Citra berwarna
12
Gambar 2.9. Perubahan ukuran citra (Kadir & Susanto, 2012)
13
Gambar 2.10. Delapan arah ketetangaan piksel
14
Gambar 2.11. Jarak pada arah 0° (Ferguson, 2007)
15
Gambar 2.12. Matriks framework (Ferguson, 2007)
15
Gambar 2.13. Citra grayscale dan representasi citra grayscale ke dalam
matriks kookurensi dengan jarak 1 dan arah 0º
16
Gambar 2.14. Penambahan matriks kookurensi dengan transposenya
17
Gambar 2.15. Normalisasi matriks
17
Gambar 2.16. Jaringan layer tunggal dan jaringan layer jamak
21
Gambar 2.17. Model tiruan neuron pada jaringan saraf tiruan (Hajek, 2005)
22
Gambar 2.18. Fungsi step, fungsi sign dan fungsi sigmoid biner
23
Gambar 2.19. Arsitektur backpropagation (Purnamasari, 2013)
24
Gambar 3.1. Arsitektur umum
30
Gambar 3.2. Kayu keruing, kayu jati putih, kayu mahoni, kayu melur,
dan kayu kempas
31
Gambar 3.3. Citra kayu RGB dan citra kayu grayscale
32
Gambar 3.4. Langkah – langkah proses grayscalling
33
Gambar 3.5. Proses pembentukan matriks kookurensi arah 0°
34
Gambar 3.6. Proses pembentukan matriks kookurensi arah 45°
34
Universitas Sumatera Utara
xii
Gambar 3.7. Proses pembentukan matriks kookurensi arah 90°
35
Gambar 3.8. Proses pembentukan matriks kookurensi arah 135°
35
Gambar 3.9. Normalisasi matriks simetris
36
Gambar 3.10. Matriks normalisasi
37
Gambar 3.11. Mencari nilai maksimum absolut dari suatu atribut
40
Gambar 3.12. Menentukan jumlah angka di depan titik desimal dari nilai
maksimum absolut pada setiap atribut
41
Gambar 3.13. Melakukan operasi pembagian nilai – nilai atribut dengan
pembaginya
41
Gambar 3.14. Arsitektur jaringan saraf tiruan
44
Gambar 3.15. Proses pelatihan jaringan backpropagation
46
Gambar 3.16. Proses pengujian jaringan backpropagation
50
Gambar 3.17. Database Relationship
52
Gambar 3.18. Context Diagram
53
Gambar 3.19. DFD level 0
54
Gambar 3.20. DFD level 1 Proses 1
55
Gambar 3.21. DFD level 1 Proses 2
55
Gambar 3.22. DFD level 1 Proses 3
56
Gambar 3.23. Rancangan halaman awal sistem
57
Gambar 3.24. Rancangan halaman pelatihan data citra
58
Gambar 3.25. Rancangan halaman pengujian data citra
60
Gambar 4.1. Halaman utama
62
Gambar 4.2. Halaman “Pelatihan Citra”
62
Gambar 4.3. Halaman “Pengujian Citra”
63
Gambar 4.4. Kotak dialog yang muncul setelah tombol “Pilih Citra” diklik
67
Gambar 4.5. Tampilan citra dengan ukuran lebih besar
67
Gambar 4.6. Tampilan halaman pelatihan setelah memilih menu “Pilih Citra”,
“Grayscalling” dan “Ekstraksi Fitur”
68
Gambar 4.7. Halaman “Data Kayu”
68
Gambar 4.8. Halaman “Data Hasil Ekstraksi Fitur”
69
Gambar 4.9. Halaman “Data Normalisasi Hasil Ekstraksi Fitur”
70
Gambar 4.10. Panel “Pelatihan Backpropagation” pada halaman “Pelatihan
Citra”
70
Universitas Sumatera Utara
xiii
Gambar 4.11. Tampilan halaman “Pengujian Citra” setelah tombol “Pilih
Citra” dan tombol “Identifikasi” diklik
71
Gambar 4.12. Pengujian nilai maksimum epoch
75
Universitas Sumatera Utara