BAB IV HASIL DAN PEMBAHASAN
|
|
- Inge Atmadja
- 7 tahun lalu
- Tontonan:
Transkripsi
1 BAB IV HASIL DAN PEMBAHASAN 4.1 Pengumpulan dan Praproses Data Kegiatan pertama dalam penelitian tahap ini adalah melakukan pengumpulan data untuk bahan penelitian. Penelitian ini menggunakan data sekunder berupa citra buah manggis Padang dengan tingkat ketuaan atau kematangan tahap 2, 3, 4, 5 dan 6. Jumlah dari masing-masing tahap kematangan sejumlah 25 citra, sehingga jumlah data citra keseluruhan adalah 125 citra buah manggis. Citra buah manggis ini merupakan hasil capture buah manggis pada tiap tahap kematangan, yang diambil dengan perlakuan yang sama, dari buah manggis kematangan tahap 2 yang dikembangkan sampai tahap 5. Citra yang digunakan pada penelitian ini disajikan pada Lampiran 2. Penentuan tahap kematangan atau tingkat ketuaan yang dimaksud pada penelitian ini adalah tingkat ketuaan berdasarkan Ditjen tanaman buah dalam Standar Prosedur Operasional (SPO) manggis deptan Tahap kematangan pada SPO manggis tersebut dimulai dari kematangan tahap 0 sampai kematangan tahap 6. Ciri perubahan pada tiap tahap kematangannya adalah perubahan warna kulit manggis, yaitu perubahan dari warna kuning kehijauan yang merupakan warna kulit buah manggis pada tahap kematangan 0, berangsur-angsur berubah warna pada tiap tahap kematangannya ke warna ungu kehitaman yang merupakan warna kulit buah manggis pada tahap kematangan 6. Hal ini disajikan pada Tabel 1. Penentuan tahap kematangan yang dilakukan pada penelitian ini adalah penentuan tahap kematangan menjadi tiga kelompok/kelas, yaitu membagi buah manggis kedalam kelompok buah mentah untuk buah manggis yang berada pada kematangan tahap 2, buah ekspor untuk buah manggis yang berada pada kematangan tahap 3 dan 4, dan buah lokal/domestik untuk buah manggis yang berada pada kematangan tahap 5 dan 6.
2 38 Data citra buah manggis yang digunakan tidak mempunyai ukuran yang seragam dan tidak memperhitungkan diameter buah manggis dalam pengolahan menjadi nilai-nilai fitur yang digunakan sebagai penentu tahap kematangan buah manggis. Citra buah manggis yang berjumlah 125 diolah menggunakan Matlab R2009a sehingga didapatkan nilai-nilai RGB dari rata-rata semua piksel, yang disajikan pada Lampiran 3. Nilai-nilai RGB tersebut diolah kembali untuk mendapatkan parameter-parameter yang digunakan sebagai variabel penentu tahap kematangan buah manggis, yaitu HSV, L*u*v* dan L*a*b*. Dilakukan juga ekstraksi ciri pada citra buah manggis tersebut menggunakan metode gray-level co-occurrence matrix (GLCM) untuk mendapatkan ciri tekstur yang meliputi entropi, kontras, energi dan homogenitas. Ekstraksi ciri dilakukan menggunakan orientasi sudut 0 o dan level keabuan 8. Selanjutnya data ini dibagi menjadi dua kelompok data yang saling asing, yaitu data pelatihan/training sebanyak 105 data atau 85% dan data uji/testing sebanyak 20 data atau 15%, setelah sebelumnya dilakukan transformasi nilai-nilai tersebut kedalam selang 0 sampai Hubungan Indek RGB dengan Tahap Kematangan Buah Berdasarkan data penelitian, perkembangan warna R, G dan B pada tiap tahap kematangan tidak mempunyai pola yang teratur. Tidak ada pola yang jelas untuk naik atau turunnya nilai RGB pada tiap perkembangan tahap kematangan. Pada tahap perkembangan yang sama suatu data ada yang nilai RGB naik, sebagian data yang lain nilainya turun, demikian juga terjadi pada tahap-tahap perkembangan yang lain. Hal ini diperlihatkan pada Gambar 17. Nilai rata-rata sebaran indek RGB pada penelitian ini menunjukkan derajat kemerahan, kehijauan dan kebiruan buah yang menurun seiring dengan tingkat ketuaan atau bertambahnya tahap kematangan. Hal ini ditunjukkan pada Gambar 18 dan Lampiran 4. Perubahan nilai RGB dapat menjelaskan fenomena bertambahnya tingkat ketuaan buah manggis yang ditandai dengan perubahan dari warna kuning kehijauan menjadi ungu kehitaman.
3 Nilai Merah Hijau Biru Fitur Penduga Tahap Kematangan Gambar 17 Sebaran RGB pada tiap tahap kematangan Nilai RGB blue red green Tahap Kematangan Gambar 18 Rata-rata nilai RGB Indek warna RGB mempunyai nilai yang overlap pada tiap tahap kematangan dengan tahap kematangan yang berbeda, namun tetap dapat digunakan sebagai penduga model kematangan buah manggis menggunakan nilai koefisien determinasi (R 2 ) seperti pada Lampiran 5. Model regresi yang diduga kuat memiliki keeratan hubungan antara warna dengan tahap kematangan adalah model regresi menurut warna g (hijau). Nilai R 2 warna g sebesar mengindikasikan bahwa sebesar 45% derajat kematangan ditentukan oleh perubahan warna g. 4.3 Hubungan HSV dengan Tahap Kematangan Buah Berdasarkan data penelitian yang ditunjukkan pada Gambar 19, perkembangan nilai H naik turun tidak berpola pada tiap tahap kematangannya dan nilai S mempunyai nilai yang mirip pada tiap tahap kematanganannya, sehingga nilai H dan S tidak dapat digunakan sebagai penduga model kematangan buah manggis.
4 40 Nilai H S V Fitur Penduga Tahap Kematangan Gambar 19 Sebaran HSV pada tiap tahap kematangan Nilai rata-rata V menurun seiring dengan tingkat ketuaan buah manggis, hal ini ditunjukkan oleh Gambar 20 dan Lampiran 6. Sebaran nilai V overlap pada tiap tahap kematangan dengan tahap kematangan yang berbeda, namun tetap dapat digunakan sebagai penduga model kematangan buah manggis menggunakan nilai koefisien determinasi (R 2 ) seperti pada Lampiran 7. Model regresi yang diduga kuat memiliki keeratan hubungan antara warna dengan kematangan adalah model regresi menurut nilai value. Nilai R 2 sebesar mengindikasikan bahwa sebesar 40% derajat kematangan ditentukan oleh perubahan nilai value. Rata-rata H S V Tahap Kematangan Gambar 20 Rata-rata nilai HSV Menurunnya nilai value menunjukkan menurunnya tingkat kecerahan manggis, yang mengakibatkan perubahan warna dari merah kearah hitam. Hal ini menjelaskan perubahan warna dari kuning kemerahan ke warna ungu kehitaman pada buah manggis. 4.4 Hubungan L*a*b* dengan Tahap Kematangan Buah Data pada penelitian ini menunjukkan bahwa nilai L* (luminance/lightness) menurun seiring dengan tingkat ketuaan buah manggis,
5 41 nilai a* meningkat seiring dengan tingkat ketuaan buah manggis, dan nilai b* tidak mempunyai keteraturan pola pada perkembangan tahap ketuaan buah manggis, hal ini ditunjukkan oleh Gambar 21, Gambar 22 dan Lampiran 8. Menurunnya nilai L* menunjukkan perubahan warna dari terang ke warna gelap, yaitu dari warna kuning kemerahan menjadi warna ungu kehitaman. Meningkatnya nilai a* menunjukkan terjadi perubahan kadar warna merah yaitu warna kuning kemerahan menjadi warna ungu kehitaman. Secara umum perubahan warna L*a*b* seiring dengan tingkat ketuaan buah menunjukkan perubahan warna dari kuning kemerahan menjadi warna ungu kehitaman. Nilai L* a* b* Fitur Penduga Tahap Kematangan Gambar 21 Sebaran L*a*b* pada tiap tahap kematangan Rata-rata L* a* b* Tahap Kematangan Gambar 22 Nilai rata-rata L*a*b* Nilai L* dan a* mempunyai nilai yang overlap pada tiap tahap kematangan dengan tahap kematangan yang berbeda, namun tetap dapat digunakan sebagai penduga model kematangan buah manggis menggunakan nilai koefisien determinasi (R 2 ) seperti pada Lampiran 9. model regresi yang diduga kuat memiliki keeratan hubungan antara warna L*a*b* dengan kematangan
6 42 adalah model regresi menurut nilai a*. Nilai R 2 sebesar mengindikasikan bahwa sebesar 48% derajat kematangan ditentukan oleh perubahan nilai a*. 4.5 Hubungan u*v* dengan Tahap Kematangan Buah Data pada penelitian ini menunjukkan bahwa nilai u* dan v* meningkat seiring dengan tingkat ketuaan buah manggis. Hal ini ditunjukkan oleh Gambar 23, Gambar 24 dan Lampiran Nilai u* v* Fitur Penduga Tahap Kematangan Gambar 23 Sebaran u*v* pada tiap tahap kematangan Rata-rata u* v* Tahap Kematangan Gambar 24 Nilai rata-rata u*v* Meningkatnya nilai u* dan v* menunjukkan bahwa terjadi perubahan kuat warna merah ke hijau oleh nilai u* dan terjadi perubahan kuat warna kuning ke biru oleh nilai v*. Hal ini mengakibatkan terjadinya perubahan warna dari kuning kemerahan menjadi warna ungu kehitaman. Nilai u* dan v* mempunyai nilai yang overlap pada tiap tahap kematangan dengan tahap kematangan yang berbeda, namun tetap dapat digunakan sebagai penduga model kematangan buah manggis menggunakan nilai koefisien determinasi (R 2 ) seperti pada Lampiran 11. Model regresi yang diduga kuat memiliki keeratan hubungan antara warna L*u*v* dengan kematangan adalah
7 43 model regresi menurut nilai u*v*. Nilai R 2 sebesar mengindikasikan bahwa sebesar 59% derajat kematangan ditentukan oleh perubahan nilai u*v*. 4.6 Hubungan Tekstur dengan Tahap Kematangan Buah Berdasarkan data penelitian, nilai entropi (keteracakan dari distribusi perbedaan lokal dari sebuah citra) semakin kecil seiring dengan bertambahnya tahap kematangan, nilai kontras dan keragamannya meningkat seiring dengan ketuaan buah manggis, nilai energi dan homogenitas tidak mempunyai keteraturan pola pada perkembangan tiap tahap kematangan, hal ini ditunjukkan oleh Gambar 25, Gambar 26 dan Lampiran Nilai entropi kontras energi homogenitas Fitur Penduga Tahap Kematangan Gambar 25 Sebaran entropi, kontras, energi dan homogenitas pada tiap tahap kematangan Nilai Rata-rata entropi kontras energi homogenitas Tahap Kematangan Gambar 26 Nilai rata-rata entropi, kontras, energi dan homogenitas Hal ini menunjukkan manggis yang lebih muda permukaan kulitnya mempunyai warna yang hampir seragam (homogen) sehingga intensitas warna yang diterima kamera lebih tinggi. Menurut Ahmad (2005) dan Harlick et al.
8 44 (1973) kontras merupakan fitur tekstur yang digunakan untuk mengukur kekuatan perbedaan intensitas dalam citra. Nilai entropi dan kontras mempunyai nilai yang overlap pada tiap tahap kematangan dengan tahap kematangan yang berbeda, namun tetap dapat digunakan sebagai penduga model kematangan buah manggis menggunakan nilai koefisien determinasi (R 2 ) seperti pada Lampiran 13. Model regresi yang diduga kuat memiliki keeratan hubungan antara warna dengan kematangan adalah model regresi menurut fitur entropi. Nilai R 2 sebesar mengindikasikan bahwa sebesar 32% derajat kematangan ditentukan oleh perubahan nilai entropi. 4.7 Parameter Penentu Tahap Kematangan Manggis Parameter yang digunakan untuk menentukan tahap kematangan manggis dalam penelitian ini adalah warna kulit manggis. Sebelum membangun sistem untuk menentukan tahap kematangan buah manggis, terlebih dahulu dicari variabel yang mempunyai korelasi dengan tingkat ketuaan atau tahap kematangan buah manggis. Variabel ini selanjutnya digunakan sebagai variabel penduga dalam penentuan tahap kematangan. Variabel-variabel yang diuji adalah RGB, HSV, l*a*b*, l*u*v* dan entropi, energi, kontras serta homogenitas. Berdasar hasil analisis, variabel penduga yang digunakan dalam penentuan tahap kematangan buah manggis adalah nilai RGB, V, a*, u*, v*, entropi, energi, kontras dan homogenitas. Dalam penelitian ini digunakan 4 model kombinasi variabel dari variabelvariabel penduga, disajikan pada Tabel 4. Empat model tersebut digunakan sebagai input/masukan pada FNN yang akan digunakan sebagai model untuk menentukan tahap kematangan buah manggis. Selanjutnya diambil hasil FNN yang terbaik dari keempat model masukan tersebut sebagai model klasifikasi kematangan buah manggis.
9 45 Tabel 4 Model variabel input/masukan penentuan tahap kematangan manggis Model R G B V a* u* v* entropi energi kontras homogenitas FNN1 FNN2 FNN3 FNN4 4.8 Paramater Output Tahap Kematangan Manggis Parameter output yang digunakan sebagai target pembelajaran dalam penelitian ini adalah tahap kematangan manggis. Telah dijelaskan sebelumnya bahwa penentuan tahap kematangan yang dilakukan pada penelitian ini adalah penentuan tahap kematangan menjadi tiga kelompok/kelas, yaitu membagi buah manggis kedalam kelas buah mentah atau belum matang untuk buah manggis yang berada pada kematangan tahap 2, kelas buah ekspor untuk buah manggis yang berada pada kematangan tahap 3 dan 4, dan kelas buah lokal/domestik untuk buah manggis yang berada pada kematangan tahap 5 dan 6. Nilai output yang digunakan adalah 1 untuk kelas manggis yang belum matang, 2 untuk kelas manggis ekspor dan 3 untuk kelas manggis lokal/domestik, disajikan pada Tabel 5. Tabel 5 Nilai output/keluaran tahap kematangan manggis Output Tahap kematangan Keterangan 1 2 mentah/belum matang ekspor domestik Sebelum proses training, akan dilakukan pengubahan nilai target pelatihan menjadi target bernilai fuzzy terlebih dahulu, yaitu berupa derajat keanggotaan tiap pola input terhadap tiap kelas kematangan, yang nilai-nilainya disajikan pada Lampiran 14 dan grafiknya disajikan pada Gambar 27.
10 46 Gambar 27 Derajat keanggotaan target pelatihan Berdasarkan pembahasan sebelumnya disebutkan bahwa semua variabel yang dapat digunakan sebagai model penduga tahap kematangan buah manggis tidak dapat ditarik garis pembeda pada tiap tahap kematangannya karena terdapat nilai-nilai atau pola yang berada diantara dua kelas. Hal ini terlihat pula pada derajat keanggotaan yang terbentuk, yang mempunyai nilai sangat dekat satu sama lain. Hal ini menunjukkan bahwa terdapat ambiguitas yang tinggi dalam penentuan kelas kematangan buah manggis jika dilakukan menggunakan klasifikasi klasik. 4.9 Program Model Penentuan Tahap Kematangan Buah Manggis Program model penentuan tahap kematangan buah manggis dalam penelitian ini mempunyai beberapa tahapan, yaitu memanggil file citra yang sudah disimpan, melakukan proses pengolahan citra untuk mendapatkan parameter penentu tahap kematangan manggis, dan menentukan tahap kematangan buah manggis dari citra tersebut. Citra buah manggis yang dipanggil akan menghasilkan nilai RGB yang merupakan parameter penentu utama, yang diperoleh dari nilai rata-rata keseluruhan piksel objek. Selanjutnya program tersebut akan menghitung parameter penduga tahap kematangan buah manggis, yaitu mengkonversi parameter warna dari model warna RGB ke nilai value, a*, u*, v*, serta menghitung nilai entropi, kontras, energi dan homogenitas. Kemudian program akan menampilkan variabel-variabel penduga penentu tahap kematangan buah
11 47 manggis yang digunakan sebagai input/masukan model FNN, yaitu R, V, a*, u*, v*, entropi, kontras, energi dan homogenitas. Tahap terakhir adalah menentukan tahap kematangan dari citra buah manggis tersebut berdasarkan bobot yang telah didapatkan dari hasil terbaik percobaan pelatihan menggunakan FNN. Bentuk antar muka program model ditunjukkan pada Gambar 28, sedangkan source code desain program antar muka disajikan pada Lampiran 15. Gambar 28 Antar muka model penentuan tahap kematangan manggis 4.10 Analisis Hasil Pemodelan FNN Percobaan-percobaan dilakukan untuk mendapatkan model jaringan FNN yang terbaik dalam penentuan tahap kematangan buah manggis. Model FNN yang terbaik adalah yang memberikan akurasi optimal ketika dilakukan validasi terhadap data training maupun pengujian pada data testing. Dari empat model input yang dicobakan pada model output dengan tiga kelas target didapatkan hasil terbaik pada model FNN3. Model FNN3 menggunakan parameter g, v, a*, u*, v*, entropi, kontras, energi dan homogenitas. Maksimum epoch yang digunakan adalah 3000 dan learning rate adalah 1. Berikut adalah hasil percobaan yang dilakukan pada variasi jumlah neuron pada lapisan tersembunyi dari model FNN3. Hasil percobaan dari tiap model input lainnya disajikan pada Lampiran 16.
12 48 a. Lapisan tersembunyi dengan jumlah neuron 2 Validasi terbaik dari proses training didapatkan pada saat mencapai error (MSE) sebesar yang diperoleh pada epoch 9, yang ditunjukkan oleh Gambar 29. Proses training selesai dengan durasi kurang dari 1 detik dengan error (MSE) terkecil sebesar pada epoch 15. Gambar 29 Pelatihan dengan 2 neuron pada lapisan tersembunyi Proses validasi dilakukan dengan menguji jaringan yang terbentuk menggunakan data training. Hasil dari proses validasi mampu mengenali sebanyak 79 data dari 105 data atau 75%. Pada proses pengujian menggunakan data testing mampu mengenali sebanyak 14 data dari 20 data atau 70%. b. Lapisan tersembunyi dengan jumlah neuron 5 Validasi terbaik dari proses training didapatkan pada saat mencapai error (MSE) sebesar yang diperoleh pada epoch 5, yang ditunjukkan oleh Gambar 30. Proses training selesai dengan durasi kurang dari 1 detik dengan error (MSE) terkecil sebesar pada epoch 11. Hasil dari proses validasi mampu mengenali sebanyak 75 data dari 105 data atau 71%. Pada proses pengujian menggunakan data testing mampu mengenali sebanyak 15 data dari 20 data atau 75%.
13 49 Gambar 30 Pelatihan dengan 5 neuron pada lapisan tersembunyi c. Lapisan tersembunyi dengan jumlah neuron 10 Validasi terbaik dari proses training didapatkan pada saat mencapai error (MSE) sebesar yang diperoleh pada epoch 15, yang ditunjukkan oleh Gambar 31. Proses training selesai dengan durasi 1 detik dengan error (MSE) terkecil sebesar pada epoch 21. Gambar 31 Pelatihan dengan 10 neuron pada lapisan tersembunyi Hasil dari proses validasi mampu mengenali sebanyak 77 data dari 105 data atau 73%. Pada proses pengujian menggunakan data testing mampu mengenali sebanyak 15 data dari 20 data atau 75%. d. Lapisan tersembunyi dengan jumlah neuron 15 Validasi terbaik dari proses training didapatkan pada saat mencapai error (MSE) sebesar yang diperoleh pada epoch 16, yang ditunjukkan oleh Gambar 32. Proses training selesai dengan durasi 1 detik dengan error (MSE) terkecil sebesar pada epoch 22.
14 50 Gambar 32 Pelatihan dengan 15 neuron pada lapisan tersembunyi Hasil dari proses validasi mampu mengenali sebanyak 76 data dari 105 data atau 72%. Pada proses pengujian menggunakan data testing mampu mengenali sebanyak 17 data dari 20 data atau 85%. e. Lapisan tersembunyi dengan jumlah neuron 20 Validasi terbaik dari proses training didapatkan pada saat mencapai error (MSE) sebesar 4.389e-005 yang diperoleh pada epoch 14, yang ditunjukkan oleh Gambar 33. Proses training selesai dengan durasi 1 detik dengan error (MSE) terkecil sebesar pada epoch 20. Gambar 33 Pelatihan dengan 20 neuron pada lapisan tersembunyi Hasil dari proses validasi mampu mengenali sebanyak 78 data dari 105 data atau 74%. Pada proses pengujian menggunakan data testing mampu mengenali sebanyak 15 data dari 20 data atau 75%. f. Lapisan tersembunyi dengan jumlah neuron 25 Validasi terbaik dari proses training didapatkan pada saat mencapai error (MSE) sebesar yang diperoleh pada epoch 5, yang ditunjukkan
15 51 oleh Gambar 34. Proses training selesai dengan durasi 1 detik dengan error (MSE) terkecil sebesar 9.42e-05 pada epoch 11. Gambar 34 Pelatihan dengan 25 neuron pada lapisan tersembunyi Hasil dari proses validasi mampu mengenali sebanyak 80 data dari 105 data atau 76%. Pada proses pengujian menggunakan data testing mampu mengenali sebanyak 16 data dari 20 data atau 80%. Dari gambar proses training pada Gambar 26 sampai dengan Gambar 31 diatas menunjukkan bahwa jumlah epoch yang berbeda tidak menentukan waktu pelatihan yang berbeda, bahkan justru menunjukkan waktu pelatihan yang ratarata hampir sama. Dengan kata lain bahwa secara umum jumlah epoch, waktu pelatihan dan MSE yang didapatkan secara random tidak mempunyai pengaruh satu sama lain. Bentuk grafik yang landai menunjukkan lambatnya perubahan bobot untuk mencapai konvergen, sedangkan bentuk grafik yang menukik tajam menunjukkan cepatnya perubahan bobot untuk mencapai konvergen. Dengan memperhitungkan akurasi dan waktu pada saat pengenalan tahap kematangan buah manggis hasil pelatihan pada Tabel 6, maka model jaringan yang terbaik untuk penentuan tahap kematangan buah manggis ini adalah model jaringan yang menggunakan 15 neuron lapisan tersembunyi. Untuk mendapatkan perbandingan kemampuan pengenalan tahap kematangan buah manggis antara FNN dan NN pada penelitian ini, maka variabel-variabel model FNN3 dicobakan ke dalam jaringan NN dengan variasi jumlah neuron pada layar tersembunyi yang sama. Hasil pelatihan NN memberikan hasil terbaik menggunakan 20 neuron pada lapisan tersembunyi dengan akurasi sebesar 65%. Perbandingan hasil percobaan pelatihan dengan 3
16 52 kelas target menggunakan FNN dan NN yang disajikan pada Lampiran 17, hal tersebut menunjukkan bahwa FNN mempunyai kemampuan pengenalan yang lebih baik dibandingkan NN dalam menentukan tahap kematangan buah manggis. Perbandingan hasil proses validasi dan testing dari FNN dan NN disajikan pada Gambar 35, dengan akurasi rata-rata FNN sebesar 85% dan NN sebesar 65%. FNN3 Tabel 6 Hasil pelatihan pengenalan tahap kematangan Lapisan Durasi MSE Epoch Akurasi Akurasi Tersembunyi Pelatihan Validasi(%) Testing(%) 2 neurons neurons neurons neurons neurons neurons e Gambar 35 (a) Perbandingan validasi (b) Perbandingan testing Berdasarkan matriks confussion pada Gambar 36, akurasi yang dihasilkan oleh model FNN untuk buah manggis kelas mentah dan kelas ekspor adalah 100%. Hal ini berarti untuk menjaga kualitas buah manggis mentah dan ekspor teknik ini bisa diandalkan. Untuk kelas manggis lokal teknik ini tidak bisa dipergunakan. Dengan kata lain bahwa buah manggis dikelompokkan menjadi 3 kelas, yaitu kelas mentah, kelas ekspor, kelas bukan mentah dan bukan ekspor. Jika hal tersebut yang dilakukan maka teknik mampu melakukan klasifikasi dengan baik sebesar 100%.
17 53 Gambar 36 Matriks confussion hasil klasifikasi (a) FNN (b) NN Kesalahan pendugaan sistem sebesar 15% pada model FNN dapat terjadi karena ukuran sampel manggis yang digunakan tidak seragam dan dalam pengambilan nilai-nilai fitur yang digunakan sebagai penentu kematangan manggis mengabaikan diameter buah manggis. Jika ukuran sampel manggis yang digunakan seragam dan atau pengambilan nilai-nilai fitur dilakukan hanya pada area kulit buah manggis yang mengalami perkembangan warna seiring dengan ketuaan atau tahap kematangan dimungkinkan akan mendapatkan nilai-nilai fitur yang lebih mencirikan buah manggis tersebut. Atau dengan kata lain, akan didapatkan nilai-nilai fitur yang mempunyai pengaruh lebih besar terhadap tahap kematangan buah manggis, sehingga kesalahan pendugaan bisa menjadi lebih kecil. Berdasarkan perbandingan pengenalan tersebut diatas, FNN mempunyai kemampuan yang lebih bagus dalam pengenalan terhadap tahap kematangan buah manggis, sehingga model FNN layak digunakan sebagai model klasifikasi kematangan buah manggis. Model FNN yang dikembangkan untuk klasifikasi kematangan buah manggis menggunakan bobot yang didapatkan dari model FNN3 dengan 15 neuron pada lapisan tersembunyi Analisis Hasil Pemodelan FNN Pembanding FNN pembanding yang dimaksud dalam penelitian ini adalah FNN untuk mengklasifikasi tahap kematangan manggis ke dalam 5 kelas dan 2 kelas target klasifikasi. Hal ini dimaksudkan untuk mengetahui akurasi model FNN yang dilatih menggunakan data, variasi input dan variasi jumlah neuron pada lapisan input yang sama namun menggunakan jumlah target yang berbeda. Lima kelas target klasifikasi buah manggis menunjukkan lima tahap kematangan yang digunakan dalam penelitian ini, yaitu kelas 1 untuk buah yang berada pada tahap kematangan 2 (mentah), kelas 2 untuk buah yang berada pada
18 54 tahap kematangan 3 (ekspor1), kelas 3 untuk buah yang berada pada tahap kematangan 4 (ekspor2), kelas 4 untuk buah yang berada pada tahap kematangan 5 (lokal/domestik1) dan kelas 5 untuk buah yang berada pada tahap kematangan 6 (lokal/domestik2). Dua kelas target klasifikasi buah manggis menunjukkan tahap kematangan buah untuk kelas ekspor dan lokal/domestik. Kelas 1 (ekspor) untuk buah yang berada pada tahap kematangan 2, 3 dan 4. Kelas 2 (lokal/domestik) untuk buah yang berada pada tahap kematangan 5 dan 6. Nilai output untuk penentuan tahap kematangan buah manggis ke dalam 5 kelas dan 2 kelas target disajikan dalam Lampiran 18. Seperti pada percobaan sebelumnya, percobaan-percobaan dilakukan untuk mendapatkan model jaringan FNN yang terbaik dalam penentuan tahap kematangan buah manggis. Model FNN yang terbaik adalah yang memberikan akurasi optimal ketika dilakukan validasi terhadap data training maupun pengujian pada data testing. a. Percobaan dengan 5 kelas target output Dari empat model input yang dicobakan pada 5 kelas target output didapatkan hasil terbaik pada model FNN3. Model FNN3 menggunakan parameter g, v, a*, u*, v*, entropi, kontras, energi dan homogenitas. Hasil terbaik yang didapatkan adalah testing dengan akurasi sebesar 70% dengan 15 neuron pada lapisan tersembunyi. Hasil percobaan model FNN3 dengan variasi jumlah neuron pada lapisan tersembunyi disajikan pada Lampiran 19. Untuk mendapatkan perbandingan kemampuan pengenalan tahap kematangan buah manggis antara FNN dan NN pada penelitian ini, maka variabel-variabel model FNN3 dicobakan ke dalam jaringan NN dengan variasi jumlah neuron pada layar tersembunyi yang sama pula. Hasil pelatihan NN memberikan hasil terbagus menggunakan 25 neuron pada lapisan tersembunyi dengan akurasi testing sebesar 40%. Pada perbandingan percobaan pelatihan dengan 5 kelas target menggunakan FNN dan NN yang disajikan pada Lampiran 20 menunjukkan bahwa FNN mempunyai kemampuan yang lebih baik dibandingkan NN dalam menentukan tahap kematangan buah manggis, yaitu
19 55 akurasi testing sebesar 70% untuk FNN dan akurasi testing sebesar 40% untuk NN. Perbandingan prosentase hasil proses validasi dan testing pada FNN dan NN dapat dilihat pada Gambar 37, ketepatan penentuan tahap kematangan buah manggis berdasarkan warna kulit menggunakan FNN adalah sebesar 70%, sedangkan menggunakan NN sebesar 40%. Gambar 37 (a) Perbandingan validasi (b) Perbandingan pengenalan b. Percobaan dengan 2 target output Dari empat model input yang dicobakan pada 2 kelas target output didapatkan hasil terbaik pada model FNN2. Model FNN2 menggunakan parameter r, g, b, v, a*, u*, v* dan entropi. Hasil terbaik yang didapatkan adalah testing dengan akurasi sebesar 90% dengan 5 neuron pada lapisan tersembunyi. Hasil percobaan model input 2 dengan variasi jumlah neuron pada lapisan tersembunyi disajikan pada Lampiran 21. Untuk mendapatkan perbandingan kemampuan pengenalan tahap kematangan buah manggis antara FNN dan NN pada penelitian ini, maka variabel-variabel model FNN2 dicobakan ke dalam jaringan NN dengan variasi jumlah neuron pada layar tersembunyi yang sama pula. Hasil pelatihan NN memberikan hasil terbagus menggunakan 15 neuron pada lapisan tersembunyi dengan akurasi testing sebesar 90%. Perbandingan percobaan pelatihan dengan 2 kelas target menggunakan FNN dan NN yang disajikan pada Lampiran 22 menunjukkan bahwa FNN dan NN mempunyai kemampuan pengenalan yang sama dalam penentuan tahap kematangan buah manggis dengan 2 kelas target, yaitu memberikan akurasi testing sebesar 90%.
20 56 Perbandingan hasil proses validasi dan testing pada FNN dan NN disajikan pada Gambar 38, ketepatan penentuan tahap kematangan buah manggis berdasarkan warna kulit menggunakan FNN dan NN adalah sama yaitu sebesar 90%. Gambar 38 (a) Perbandingan validasi, (b) Perbandingan testing 4.12 Analisis Hasil FNN Berdasarkan Jumlah Target Kelas Klasifikasi Berdasarkan hasil percobaan dalam penelitian ini menyatakan bahwa FNN dalam mengklasifikasi tahap kematangan buah manggis menggunakan data yang sama namun menggunakan jumlah target kelas yang berbeda memberikan hasil yang berbeda. Demikian juga halnya klasifikasi menggunakan NN, akan memberikan hasil yang berbeda jika menggunakan jumlah target kelas yang berbeda. Perbandingan rata-rata hasil validasi dan testing pada pelatihan FNN dan NN dengan jumlah kelas target yang berbeda disajikan pada Gambar 39. Gambar 39 Perbandingan hasil pelatihan (a) Validasi (b) Akurasi rata-rata
21 57 Dalam penelitian ini nilai akurasi rata-rata menunjukkan bahwa penggunaan FNN dalam klasifikasi tahap kematangan buah mangis ini memberikan hasil yang lebih bagus daripada menggunakan NN. Hal ini menjelaskan bahwa himpunan fuzzy yang mempunyai derajat keanggotaan antara 0 dan 1 dapat digunakan untuk memisahkan pola yang mempunyai nilai ambigu atau berada diantara dua kelas menggunakan derajat keanggotaan, yang tidak bisa dilakukan menggunakan klasifikasi klasik pada NN.
BAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Tahapan Penelitian Tahapan yang dilakukan dalam penelitian ini disajikan pada Gambar 14, terdiri dari tahap identifikasi masalah, pengumpulan dan praproses data, pemodelan
Lebih terperinciIV. HASIL DAN PEMBAHASAN
26 IV. HASIL DAN PEMBAHASAN A. Pengukuran Parameter Mutu Jeruk Pontianak Secara Langsung Dari Hasil Pemutuan Manual Pemutuan jeruk pontianak secara manual dilakukan oleh pedagang besar dengan melihat diameter
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Tinjauan studi (state of the art) Berikut penelitian yang telah dilakukan sebelumnya : 1. Penelitian dilakukan oleh Sigit Sugiyanto Feri Wibowo (2015), menjelaskan tentang klasifikasi
Lebih terperinciBAB 5 HASIL DAN PEMBAHASAN
4 BAB HASIL DAN PEMBAHASAN Ada tiga tahap utama yang dilakukan pada percobaan ini yaitu ektraksi ciri, pelatihan dan pengujian JST. Percobaan dilakukan dengan mengkombinasikan data hasil ekstraksi ciri
Lebih terperinciKlasifikasi Kematangan Buah Manggis Ekspor dan Lokal Berdasarkan Warna dan Tekstur Menggunakan Fuzzy Neural Network
Tersedia secara online di: http://journal.ipb.ac.id/index.php.jika Volume 1 Nomor 2 halaman 71-77 ISSN: 2089-6026 Klasifikasi Kematangan Buah Manggis Ekspor dan Lokal Berdasarkan Warna dan Tekstur Menggunakan
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. Tabel 4.1 Kebutuhan Perangkat Keras. Perangkat Keras Spesifikasi Processor Intel Core i3. Sistem Operasi Windows 7
BAB IV HASIL DAN PEMBAHASAN 4.1 Kebutuhan Sistem Sebelum melakukan penelitian dibutuhkan perangkat lunak yang dapat menunjang penelitian. Perangkat keras dan lunak yang digunakan dapat dilihat pada Tabel
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN Bab ini membahas langkah-langkah dari implementasi dan pembahasan dari hasil penelitian yang telah dilakukan tentang klasifikasi aktivitas menggunakan algoritma k-nearest neighbor
Lebih terperinciBAB 4 PENGUJIAN DAN ANALISIS SISTEM
BAB 4 PENGUJIAN DAN ANALISIS SISTEM Bab ini akan membahas mengenai proses pengujian dari sistem yang dirancang terhadap beberapa citra dijital replika kulit. Pengujian terhadap sistem ini dilakukan untuk
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN Penelitian ini adalah penelitian eksperimen dengan metode penelitian sebagai berikut: 1) Pengumpulan Data Tahap ini dilakukan sebagai langkah awal dari suatu penelitian. Mencari
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1 Prinsip Kerja Sistem Prinsip kerja sistem diawali dengan pembacaan citra rusak dan citra tidak rusak yang telah terpilih dan dikumpulkan pada folder tertentu.
Lebih terperinciBAB IV PEMBAHASAN. Bab IV berisi pembahasan yang meliputi proses penelitian yakni hasil
BAB IV PEMBAHASAN Bab IV berisi pembahasan yang meliputi proses penelitian yakni hasil model Radial Basis Function Neural Network untuk diagnosa kanker otak, hasil klasifikasi, dan ketepatan hasil klasifikasinya.
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Tempat dan Waktu Penelitian Penelitian ini mengambil tempat di Universitas Muhammadiyah Yogyakarta yang berlokasi di Jl. Lingkar Selatan, Kasihan, Bantul, Daerah Istimewa
Lebih terperinciBAB VI HASIL DAN PEMBAHASAN
BAB VI HASIL DAN PEMBAHASAN 4.1 Program Pengolahan Citra untuk Pengukuran Warna pada Produk Hortikultura Pengembangan metode pengukuran warna dengan menggunakan kamera CCD dan image processing adalah dengan
Lebih terperinciPEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK
PEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK Program Studi Matematika FMIPA Universitas Negeri Semarang Abstrak. Saat ini, banyak sekali alternatif dalam
Lebih terperinciPERANCANGAN PROGRAM PENGENALAN BENTUK MOBIL DENGAN METODE BACKPROPAGATION DAN ARTIFICIAL NEURAL NETWORK SKRIPSI
PERANCANGAN PROGRAM PENGENALAN BENTUK MOBIL DENGAN METODE BACKPROPAGATION DAN ARTIFICIAL NEURAL NETWORK SKRIPSI Oleh Nama : Januar Wiguna Nim : 0700717655 PROGRAM GANDA TEKNIK INFORMATIKA DAN MATEMATIKA
Lebih terperinciBAB I PENDAHULUAN. penting di Indonesia. Buah-buahan memiliki tingkat permintaan yang tinggi.
BAB I PENDAHULUAN A. LATAR BELAKANG Buah-buahan merupakan salah satu kelompok komoditas pertanian yang penting di Indonesia. Buah-buahan memiliki tingkat permintaan yang tinggi. Permintaan domestik terhadap
Lebih terperinciBAB III PEMBAHASAN. A. Arsitektur dan Model Fuzzy Neural Network untuk Klasifikasi Stadium
BAB III PEMBAHASAN A. Arsitektur dan Model Fuzzy Neural Network untuk Klasifikasi Stadium Kanker Payudara Fuzzy Neural Network (FNN) adalah gabungan sistem fuzzy dengan Artificial Neural Network (ANN).
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1 Prinsip Kerja Sistem Prinsip kerja sistem yaitu dengan melakukan pengambilan data berupa foto fisik dari permukaan buah manggis kemudian melakukan sampling data
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. Sampel pengujian menggunakan sebanyak 1 buah sampel beras A, 7 buah
BAB IV HASIL DAN PEMBAHASAN A. Data Sampel Sampel pengujian menggunakan sebanyak 1 buah sampel beras A, 7 buah sampel beras B, 1 buah sampel beras C, dan 2 buah sampel beras D. 1. Data Pengujian Mutu Beras
Lebih terperinciSAMPLING DAN KUANTISASI
SAMPLING DAN KUANTISASI Budi Setiyono 1 3/14/2013 Citra Suatu citra adalah fungsi intensitas 2 dimensi f(x, y), dimana x dan y adalahkoordinat spasial dan f pada titik (x, y) merupakan tingkat kecerahan
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Menginterprestasi sebuah citra untuk memperoleh diskripsi tentang citra tersebut melalui beberapa proses antara lain preprocessing, segmentasi citra, analisis
Lebih terperinciIII. METODOLOGI PENELITIAN
15 III. METODOLOGI PENELITIAN A. Waktu dan Tempat Penelitian ini dilaksanakan pada bulan Juli Desember 2007 di Laboratorium Teknik Pengolahan Pangan dan Hasil Pertanian, Departemen Teknik Pertanian, Fakultas
Lebih terperinciBAB III METODE PENELITIAN. menjawab segala permasalahan yang ada dalam penelitian ini.
BAB III METODE PENELITIAN Pada bab ini akan dijelaskan bahan yang digunakan dalam membantu menyelesaikan permasalahan, dan juga langkah-langkah yang dilakukan dalam menjawab segala permasalahan yang ada
Lebih terperinciBAB 4 HASIL DAN ANALISA
BAB 4 HASIL DAN ANALISA 4. Analisa Hasil Pengukuran Profil Permukaan Penelitian dilakukan terhadap (sepuluh) sampel uji berdiameter mm, panjang mm dan daerah yang dibubut sepanjang 5 mm. Parameter pemesinan
Lebih terperinciGRAY LEVEL COOCURENCE MATRIX SEBAGAI PENGEKSTRAKSI CIRI PADA PENGENALAN NASKAH BRAILLE
GRAY LEVEL COOCURENCE MATRIX SEBAGAI PENGEKSTRAKSI CIRI PADA PENGENALAN NASKAH BRAILLE Yegar Sahaduta 1), Chairisni Lubis 2) 1) Fakultas Teknologi Informasi-Universitas Tarumanagara Jl. S. Parman No.1,
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. Implementasi antar muka dalam tugas akhir ini terdiri dari form halaman
BAB IV HASIL DAN PEMBAHASAN 4.1 Implementasi Antar Muka Implementasi antar muka dalam tugas akhir ini terdiri dari form halaman judul perangkat lunak, form pelatihan jaringan saraf tiruan, form pengujian
Lebih terperinciBAB 2 KONSEP DASAR PENGENAL OBJEK
BAB 2 KONSEP DASAR PENGENAL OBJEK 2.1 KONSEP DASAR Pada penelitian ini, penulis menggunakan beberapa teori yang dijadikan acuan untuk menyelesaikan penelitian. Berikut ini teori yang akan digunakan penulis
Lebih terperinciIV. HASIL DAN PEMBAHASAN
IV. HASIL DAN PEMBAHASAN A. PROGRAM PENGOLAHAN CITRA BIJI KOPI Citra biji kopi direkam dengan menggunakan kamera CCD dengan resolusi 640 x 480 piksel. Citra biji kopi kemudian disimpan dalam file dengan
Lebih terperinciBAB IV IMPLEMENTASI DAN PENGUJIAN
68 BAB IV IMPLEMENTASI DAN PENGUJIAN Bab ini membahas tentang program yang telah dianalisis dan dirancang atau realisasi program yang telah dibuat. Pada bab ini juga akan dilakukan pengujian program. 4.1
Lebih terperinciPERBANDINGAN TINGKAT AKURASI JENIS CITRA KEABUAN, HSV, DAN L*a*b* PADA IDENTIFIKASI JENIS BUAH PIR
PERBANDINGAN TINGKAT AKURASI JENIS CITRA KEABUAN, HSV, DAN L*a*b* PADA IDENTIFIKASI JENIS BUAH PIR Mulia Octavia 1), Jesslyn K 2), Gasim 3) 1), 2),3) Program Studi Teknik Informatika STMIK GI MDP Jl. Rajawali
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN 4.1 Desain frame grabber Desain frame grabberdiawali dengan pemilihan perangkat kamera yang akan digunakan. Video akan muncul komponen VideoWindow1 yang secara realtime terhubung
Lebih terperinciBAB III METODE PENELITIAN. sekunder berupa citra Magnetic Resonansi Image (MRI) yang diperoleh dari
BAB III METODE PENELITIAN Metode penelitian yang dilakukan pada penelitian ini adalah teknik pengumpulan data dan teknik analisis data. A. Teknik Pengumpulan Data Data yang digunakan pada penelitian ini
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
18 BAB 3 METODOLOGI PENELITIAN 3.1 Kerangka Pemikiran Penelitian ini dilakukan berdasarkan sebuah kerangka pemikiran. Seperti tercantum pada Gambar 9. Mulai Potongan kayu Alat pinda i (scanner) Identifikasi
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN 3.1. Data Yang Digunakan Dalam melakukan penelitian ini, penulis membutuhkan data input dalam proses jaringan saraf tiruan backpropagation. Data tersebut akan digunakan sebagai
Lebih terperinciIDENTIFIKASI TAHAP KEMATANGAN BUAH MANGGIS BERDASARKAN WARNA MENGGUNAKAN FUZZY NEURAL NETWORK
Identifikasi Jurnal Teknologi Tahap Industri Kematangan Pertanian Buah Manggis. 22 (2):82-91 (2012) IDENTIFIKASI TAHAP KEMATANGAN BUAH MANGGIS BERDASARKAN WARNA MENGGUNAKAN FUZZY NEURAL NETWORK IDENTIFICATION
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN 3.1. Penentuan Masalah Penelitian Masalah masalah yang dihadapi oleh penggunaan identifikasi sidik jari berbasis komputer, yaitu sebagai berikut : 1. Salah satu masalah dalam
Lebih terperinciKLASIFIKASI POLA HURUF VOKAL DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION. Dhita Azzahra Pancorowati
KLASIFIKASI POLA HURUF VOKAL DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION Dhita Azzahra Pancorowati 1110100053 Jurusan Fisika Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Teknologi
Lebih terperinciTEKNIK PENGOLAHAN CITRA. Kuliah 4 Pengolahan Titik (2) Indah Susilawati, S.T., M.Eng.
TEKNIK PENGOLAHAN CITRA Kuliah 4 Pengolahan Titik (2) Indah Susilawati, S.T., M.Eng. Program Studi Teknik Informatika Program Studi Sistem Informasi Fakultas Teknologi Informasi Universitas Mercu Buana
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Waktu dan Tempat Penelitian Waktu yang digunakan dalam penelitian ini yaitu dalam kurun waktu enam bulan terhitung mulai februari 2012 sampai juli 2012. Tempat yang digunakan
Lebih terperinciBAB 3 PERANCANGAN DAN PEMBUATAN SISTEM
BAB 3 PERANCANGAN DAN PEMBUATAN SISTEM Dalam bab ini akan dibahas mengenai perancangan dan pembuatan sistem aplikasi yang digunakan sebagai user interface untuk menangkap citra ikan, mengolahnya dan menampilkan
Lebih terperinciBAB III METODE PENELITIAN
23 BAB III METODE PENELITIAN 3.1. Tahapan Penelitian Tahapan proses penelitian ditunjukkan pada Gambar 15 berikut. Mulai 96 citra stomata Ekstraksi fitur - RGB & Skala Keabuan Ekstraksi fitur - Wavelet
Lebih terperinciBAB 1 PENDAHULUAN Latar belakang masalah
BAB 1 PENDAHULUAN 1.1. Latar belakang masalah Saluran pernapasan pada manusia terdiri dari rongga hidung, faring, laring, trakea, percabangan bronkus dan paru-paru (bronkiolus, alveolus). Paru-paru merupakan
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN PROGRAM APLIKASI
BAB 3 ANALISIS DAN PERANCANGAN PROGRAM APLIKASI Bab ini berisi analisis pengembangan program aplikasi pengenalan karakter mandarin, meliputi analisis kebutuhan sistem, gambaran umum program aplikasi yang
Lebih terperinciDAFTAR ISI BAB II TINJAUAN PUSTAKA...4
DAFTAR ISI HALAMAN JUDUL...i PERNYATAAN BEBAS PLAGIARISME...ii HALAMAN PENGESAHAN...iii HALAMAN TUGAS...iv HALAMAN MOTTO...vi KATA PENGANTAR...vii DAFTAR ISI...ix DAFTAR TABEL...xiii DAFTAR GAMBAR...xv
Lebih terperinciBAB II STUDI PUSTAKA
BAB II STUDI PUSTAKA 2.1 Tinjauan Pustaka Pengolahan citra digital dapat melakukan identifikasi berbagai citra hasil capture, dalam hal ini salah satu objek yang digunakan yaitu buah. Yulia (2010) dalam
Lebih terperinciBAB IV IMPLEMENTASI DAN PENGUJIAN
BAB IV IMPLEMENTASI DAN PENGUJIAN Pada bab ini, akan membahas implementasi dan hasil pengujian dari program aplikasi yang telah dibuat. Pada perancangan aplikasi ini meliputi perbedaan citra hasil foto
Lebih terperinciBAB III PEMBAHASAN. arsitektur, prosedur, dan hasil model Radial Basis Function Neural Network untuk
BAB III PEMBAHASAN Bab III merupakan pembahasan yang meliputi proses penelitian yaitu arsitektur, prosedur, dan hasil model Radial Basis Function Neural Network untuk klasifikasi stadium kanker payudara,
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1. Rancangan Penelitian Metode penelitian yang digunakan meliputi studi kepustakaan dan penelitian laboratorium. Studi kepustakaan dilakukan untuk mencari teori atau informasi
Lebih terperinciBAB II LANDASAN TEORI. Pengolahan Citra adalah pemrosesan citra, khususnya dengan menggunakan
BAB II LANDASAN TEORI 2.1. Citra Citra adalah gambar pada bidang dwimatra (dua dimensi). Ditinjau dari sudut pandang matematis, citra merupakan fungsi menerus dan intensitas cahaya pada bidang dwimatra
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN SISTEM
BAB III ANALISIS DAN PERANCANGAN SISTEM Analisis dan perancangan sistem ini ditujukan untuk memberikan gambaran secara umum mengenai aplikasi yang akan dibuat. Hal ini berguna untuk menunjang pembuatan
Lebih terperinciPengenalan Telur Berdasarkan Karakteristik Warna Citra Yustina Retno Wahyu Utami 2)
Pengenalan Telur Berdasarkan Karakteristik Warna Citra Yustina Retno Wahyu Utami 2) ISSN : 1693 1173 Abstrak Pengenalan obyek pada citra merupakan penelitian yang banyak dikembangkan. Salah satunya pengenalan
Lebih terperinciIMPLEMENTASI PENGOLAHAN CITRA UNTUK MENGHITUNG RESISTANSI RESISTOR MENGGUNAKAN METODE BACK PROPAGATION
IMPLEMENTASI PENGOLAHAN CITRA UNTUK MENGHITUNG RESISTANSI RESISTOR MENGGUNAKAN METODE BACK PROPAGATION Abdi Haqqi An Nazilli 1, Deddy Kusbianto Purwoko Aji 2, Ulla Delfana Rosiani 3 1,2 Teknik Informatika,
Lebih terperinciAlgoritma Kohonen dalam Mengubah Citra Graylevel Menjadi Citra Biner
Jurnal Ilmiah Teknologi dan Informasia ASIA (JITIKA) Vol.9, No.2, Agustus 2015 ISSN: 0852-730X Algoritma Kohonen dalam Mengubah Citra Graylevel Menjadi Citra Biner Nur Nafi'iyah Prodi Teknik Informatika
Lebih terperinciBAB III PERANCANGAN DAN IMPLEMENTASI SISTEM
BAB III PERANCANGAN DAN IMPLEMENTASI SISTEM Pada bab ini akan dijelaskan mengenai tahapan dan algoritma yang akan digunakan pada sistem pengenalan wajah. Bagian yang menjadi titik berat dari tugas akhir
Lebih terperinciIdentifikasi Jenis Buah Jeruk Menggunakan Metode Jaringan Syaraf Tiruan Berdasarkan Tekstur Kulit
IJCCS, Vol.x, No.x, Julyxxxx, pp. 1~5 ISSN: 1978-1520 1 Jenis Buah Menggunakan Metode Jaringan Syaraf Tiruan Berdasarkan Tekstur Kulit Reni Resita *1, Juratminingsih *2, Gasim 3 1,2 STMIK GI MDP; Jl. Rajawali
Lebih terperinciANALISIS DAN PERANCANGAN SISTEM
ANALISIS DAN PERANCANGAN SISTEM 3.1 Analisis Masalah Dalam mengetahui suatu bahan jenis kulit cukup sulit karena bahan jenis kulit memeliki banyak jenis. Setiap permukaan atau tekstur dari setiap jenisnya
Lebih terperinciBAB III METODE PENELITIAN. Tujuan tugas akhir ini akan membangun suatu model sistem yang
BAB III METODE PENELITIAN 3.1 Model Pengembangan Tujuan tugas akhir ini akan membangun suatu model sistem yang melakukan proses data mulai dari pengolahan citra otak hingga menghasilkan output analisa
Lebih terperinciPENGEMBANGAN MODEL KLASIFIKASI KEMATANGAN BUAH MANGGIS BERDASARKAN WARNA MENGGUNAKAN FUZZY NEURAL NETWORK RETNO NUGROHO WHIDHIASIH
PENGEMBANGAN MODEL KLASIFIKASI KEMATANGAN BUAH MANGGIS BERDASARKAN WARNA MENGGUNAKAN FUZZY NEURAL NETWORK RETNO NUGROHO WHIDHIASIH SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2012 PERNYATAAN MENGENAI
Lebih terperinciAPLIKASI PENGENALAN DAUN UBI JALAR UNTUK JENIS UBI JALAR UNGU, MERAH, PUTIH DAN KUNING MENGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS
APLIKASI PENGENALAN DAUN UBI JALAR UNTUK JENIS UBI JALAR UNGU, MERAH, PUTIH DAN KUNING MENGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS SKRIPSI Diajukan Untuk Penulisan Skripsi Guna Memenuhi Salah Satu
Lebih terperinciAPLIKASI IDENTIFIKASI ISYARAT TANGAN SEBAGAI PENGOPERASIAN E-KIOSK
APLIKASI IDENTIFIKASI ISYARAT TANGAN SEBAGAI PENGOPERASIAN E-KIOSK Wiratmoko Yuwono Jurusan Teknologi Informasi Politeknik Elektronika Negeri Surabaya-ITS Jl. Raya ITS, Kampus ITS, Sukolilo Surabaya 60111
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
35 BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1 Implementasi GUI GUI diimplementasikan sesuai dengan program pengolah citra dan klasifikasi pada tahap sebelumya. GUI bertujuan untuk memudahkan pengguna mengidentifikasi
Lebih terperinciBAB II LANDASAN TEORI. titiktitik penyusun citra itu sendiri. Titik-titik tersebut disebut dengan pixel. Banyaknya
BAB II LANDASAN TEORI 2. Citra/Image Citra atau yang lebih sering dikenal dengan gambar merupakan kumpulan dari titiktitik penyusun citra itu sendiri. Titik-titik tersebut disebut dengan pixel. Banyaknya
Lebih terperinciBAB III METODOLOGI PENELITIAN
19 BAB III METODOLOGI PENELITIAN 3.1. Kerangka Pemikiran Kerangka pemikiran untuk penelitian ini seperti pada Gambar 9. Penelitian dibagi dalam empat tahapan yaitu persiapan penelitian, proses pengolahan
Lebih terperinciBAB 4 DISAIN MODEL. Pengguna. Citra. Ekstraksi Ciri x. Antar muka (Interface) Data Hasil Ekstraksi Ciri. Testing dan Identifikasi.
33 BAB 4 DISAIN MODEL Disain model sistem identifikasi citra karang dirancang sedemikian rupa dengan tuuan untuk memudahkan dalam pengolahan data dan pembuatan aplikasi serta memudahkan pengguna dalam
Lebih terperinciBAB III METODOLOGI PENELITIAN
3.1 Alat dan Bahan Penelitian BAB III METODOLOGI PENELITIAN 3.1.1 Alat Alat yang digunakan dalam penelitian ini adalah: a. Hardware a. Prosesor : Intel Core i5-3230m CPU @ 2.60GHz b. Memori : 4.00 GB c.
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Metodologi penelitian adalah sekumpulan peraturan, kegiatan, dan prosedur yang digunakan oleh pelaku suatu disiplin ilmu. Metodologi berisi tahapan-tahapan yang dilakukan
Lebih terperinciBAB IV ANALISA HASIL SISTEM. Lingkup uji coba aplikasi web ini adalah pada komputer yang terdapat web server
75 BAB IV ANALISA HASIL SISTEM 4.1 UMUM Lingkup uji coba aplikasi web ini adalah pada komputer yang terdapat web server Apache menggunakan PHP4-PHP5 dengan Apache2Triad sebagai tool dan matlab 6.1 sebagai
Lebih terperinciBAB IV PEMBAHASAN. A. Hasil Model Radial Basis Function Neural Network (RBFNN) Langkah-langkah untuk menentukan model terbaik Radial Basis Function
BAB IV PEMBAHASAN A. Hasil Model Radial Basis Function Neural Network (RBFNN) Langkah-langkah untuk menentukan model terbaik Radial Basis Function Neural Network (RBFNN) untuk diagnosis penyakit jantung
Lebih terperinciUKDW BAB I PENDAHULUAN
BAB I PENDAHULUAN 1.1 Latar Belakang Cabai merupakan tanaman yang banyak dibutuhkan untuk kehidupan sehari hari seperti memasak, baik secara langsung ataupun diolah dahulu. Salah satu contoh produk olahan
Lebih terperinciEKSTRAKSI CIRI TEKSTUR CITRA WAJAH PENGGUNA NARKOTIKA MENGGUNAKAN METODE GRAY LEVEL CO-OCCURANCE MATRIX. Abstrak
EKSTRAKSI CIRI TEKSTUR CITRA WAJAH PENGGUNA NARKOTIKA MENGGUNAKAN METODE GRAY LEVEL CO-OCCURANCE MATRIX Karina Auliasari, Bastian, Bella Fardani, Zulkifli, Ivandi Jurusan Teknik Informatika Fakultas Teknik
Lebih terperinciBAB 3 ANALISIS DAN KEBUTUHAN ALGORITMA
BAB 3 ANALISIS DAN KEBUTUHAN ALGORITMA 3.1 Analisis Masalah Jaringan saraf tiruan hopfield merupakan salah satu Algoritma Machine Learning yang dapat mengklasifikasikan suatu objek citra berdasarkan pelatihan
Lebih terperinciKLASIFIKASI JENIS DAGING BERDASARKAN TEKSTUR MENGGUNAKAN METODE GRAY LEVEL COOCURENT MATRIX
KLASIFIKASI JENIS DAGING BERDASARKAN TEKSTUR MENGGUNAKAN METODE GRAY LEVEL COOCURENT MATRIX Nurul Lihayati 1, Ratri Enggar Pawening 2, Mohammad Furqan 3 1,2, 3 Jurusan Teknik Informatika, STT Nurul Jadid
Lebih terperinciPerbaikan Metode Prakiraan Cuaca Bandara Abdulrahman Saleh dengan Algoritma Neural Network Backpropagation
65 Perbaikan Metode Prakiraan Cuaca Bandara Abdulrahman Saleh dengan Algoritma Neural Network Backpropagation Risty Jayanti Yuniar, Didik Rahadi S. dan Onny Setyawati Abstrak - Kecepatan angin dan curah
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI
BAB 4 IMPLEMENTASI DAN EVALUASI 4.1 Spesifikasi Sistem Piranti yang digunakan untuk pelatihan maupun pengujian sistem terdiri dari perangkat keras dan perangkat lunak. 4.1.1 Perangkat Keras Perangkat keras
Lebih terperinciPERANCANGAN SISTEM IDENTIFIKASI KUALITAS KAYU UNTUK QUALITY KONTROL BERBASIS PENGOLAHAN CITRA DIGITAL
PERANCANGAN SISTEM IDENTIFIKASI KUALITAS KAYU UNTUK QUALITY KONTROL BERBASIS PENGOLAHAN CITRA DIGITAL Timber Identification System Design For Quality Control Based On Digital Image Processing Igun Gunawan
Lebih terperinciIII. METODOLOGI PENELITIAN
III. METODOLOGI PENELITIAN A. TEMPAT DAN WAKTU Kegiatan penelitian dilakukan di Laboratorium Teknik Pengolahan Pangan dan Hasil Pertanian (TPPHP), Departemen Teknik Pertanian, Fakultas Teknologi Pertanian,
Lebih terperinciDosen Program Studi Ilmu Komputer Universitas Pakuan Bogor
PENGENALAN KADAR TOTAL PADAT TERLARUT PADA BUAH BELIMBING BERDASAR CITRA RED-GREEN-BLUE MENGGUNAKAN PRINCIPLE COMPONENT ANALYSIS (PCA) SEBAGAI EKSTRAKSI CIRI DAN KLASIFIKASI K-NEAREST NEIGHBORHOOD (KNN)
Lebih terperinciKLASIFIKASI STADIUM KANKER PAYUDARA MENGGUNAKAN MODEL FUZZY NEURAL NETWORK
KLASIFIKASI STADIUM KANKER PAYUDARA MENGGUNAKAN MODEL FUZZY NEURAL NETWORK SKRIPSI Diajukan Kepada Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Negeri Yogyakarta Sebagai Salah Satu Persyaratan
Lebih terperinciIV HASIL DAN PEMBAHASAN
tersembunyi berkisar dari sampai dengan 4 neuron. 5. Pemilihan laju pembelajaran dan momentum Pemilihan laju pembelajaran dan momentum mempunyai peranan yang penting untuk struktur jaringan yang akan dibangun.
Lebih terperinciBAB III METODELOGI PENELITIAN. Alat yang digunakan dalam penelitian ini adalah: a. Prosesor : Intel Core i5-6198du (4 CPUs), ~2.
BAB III METODELOGI PENELITIAN 3.1 Alat dan Bahan Penelitian 3.1.1 Alat Alat yang digunakan dalam penelitian ini adalah: 1. Hardware a. Prosesor : Intel Core i5-6198du CPU @2.30GHz (4 CPUs), ~2.40GHz b.
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. perangkat. Alat dan bahan yang digunakan sebelum pengujian:
BAB IV HASIL DAN PEMBAHASAN 4.1 Pengujian Perangkat Lunak Dalam mengetahui perangkat lunak yang dibuat bisa sesuai dengan metode yang dipakai maka dilakukan pengujian terhadap masing-masing komponen perangkat.
Lebih terperinciLANDASAN TEORI. 2.1 Citra Digital Pengertian Citra Digital
LANDASAN TEORI 2.1 Citra Digital 2.1.1 Pengertian Citra Digital Citra dapat didefinisikan sebagai sebuah fungsi dua dimensi, f(x,y) dimana x dan y merupakan koordinat bidang datar, dan harga fungsi f disetiap
Lebih terperinciIV. HASIL DAN PEMBAHASAN
IV. HASIL DAN PEMBAHASAN A. DESKRIPSI ALAT Perhitungan benih ikan dengan image processing didasarkan pada luas citra benih ikan. Pengambilan citra menggunakan sebuah alat berupa wadah yang terdapat kamera
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN. 4.1 Pengembangan Sistem Pengenalan Wajah 2D
30 BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1 Pengembangan Sistem Pengenalan Wajah 2D Penelitian ini mengembangkan model sistem pengenalan wajah dua dimensi pada citra wajah yang telah disiapkan dalam
Lebih terperinciLEMBAR PENGESAHAN TUGAS AKHIR...
DAFTAR ISI HALAMAN SAMPUL... i HALAMAN JUDUL... ii PERNYATAAN... iii LEMBAR PENGESAHAN TUGAS AKHIR... iv BERITA ACARA TUGAS AKHIR... v KATA PENGANTAR... vi ABSTRAK... vii ABSTRACT... viii DAFTAR ISI...
Lebih terperinciBAB III LANDASAN TEORI. 3.1 Metode GLCM ( Gray Level Co-Occurrence Matrix)
BAB III LANDASAN TEORI 3.1 Metode GLCM ( Gray Level Co-Occurrence Matrix) Metode GLCM menurut Xie dkk (2010) merupakan suatu metode yang melakukan analisis terhadap suatu piksel pada citra dan mengetahui
Lebih terperinciBAB 3 PENGENALAN KARAKTER DENGAN GABUNGAN METODE STATISTIK DAN FCM
BAB 3 PENGENALAN KARAKTER DENGAN GABUNGAN METODE STATISTIK DAN FCM 3.1 Gambaran Umum Gambar 3.1 Gambar Keseluruhan Proses Secara Umum 73 74 Secara garis besar, keseluruhan proses dapat dikelompokkan menjadi
Lebih terperinci6. PENDETEKSIAN SERANGAN GULMA. Pendahuluan
6. PENDETEKSIAN SERANGAN GULMA Pendahuluan Praktek pengendalian gulma yang biasa dilakukan pada pertanian tanaman pangan adalah pengendalian praolah dan pascatumbuh. Aplikasi kegiatan Praolah dilakukan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Citra Digital Citra digital adalah citra yang bersifat diskrit yang dapat diolah oleh computer. Citra ini dapat dihasilkan melalui kamera digital dan scanner ataupun citra yang
Lebih terperinciPENGOLAHAN CITRA DIGITAL
PENGOLAHAN CITRA DIGITAL Aditya Wikan Mahastama mahas@ukdw.ac.id Sistem Optik dan Proses Akuisisi Citra Digital 2 UNIV KRISTEN DUTA WACANA GENAP 1213 v2 Bisa dilihat pada slide berikut. SISTEM OPTIK MANUSIA
Lebih terperinciVI. HASIL DAN PEMBAHASAN. Warna merupakan ciri dominan yang bisa dibedakan secara visual untuk
VI. HASIL DAN PEMBAHASAN A. Segmentasi Warna merupakan ciri dominan yang bisa dibedakan secara visual untuk mendapatkan informasi dari basisdata citra. Segmentasi warna adalah proses mengelompokkan citra
Lebih terperinciKLASIFIKASI JENIS IKAN KOI MENGGUNAKAN GRAY LEVEL CO- OCCURRENCE MATRIX DAN ALGORITMA NAIVE BAYES
KLASIFIKASI JENIS IKAN KOI MENGGUNAKAN GRAY LEVEL CO- OCCURRENCE MATRIX DAN ALGORITMA NAIVE BAYES Tri Adhi Atmaji 1, Catur Supriyanto 2 Teknik Informatika, Fakultas Ilmu Komputer, Universitas Dian Nuswantoro
Lebih terperinciPENERAPAN SEGMENTASI MULTI KANAL DALAM MENDETEKSI SEL PARASIT PLASMODIUM SP. I Made Agus Wirahadi Putra 1, I Made Satria Wibawa 2 ABSTRAK
Jurnal Dinamika, April 2017, halaman 18-29 P-ISSN: 2087-889 E-ISSN: 2503-4863 Vol. 08. No.1 PENERAPAN SEGMENTASI MULTI KANAL DALAM MENDETEKSI SEL PARASIT PLASMODIUM SP. I Made Agus Wirahadi Putra 1, I
Lebih terperinciPENDETEKSIAN OBJEK BERWARNA BIRU MENGGUNAKAN MATLAB R2013a
PENDETEKSIAN OBJEK BERWARNA BIRU MENGGUNAKAN MATLAB R2013a Nama : Bagus Muhammad Primaditya NPM : 21113616 Dosen Pembimbing : Dr. Emy Haryatmi. Skom. MEngSc. LATAR BELAKANG Deteksi objek merupakan salah
Lebih terperinciBAB I PENDAHULUAN 1. Latar Belakang
BAB I PENDAHULUAN 1. Latar Belakang Dalam proses pemetaan secara fotogrametris, salah satu hal yang harus diatasi adalah masalah restitusi dua foto udara yang saling pertampalan sedemikian rupa sehingga
Lebih terperinciBAB IV ANALISA DAN PERANCANGAN
BAB IV ANALISA DAN PERANCANGAN 41 Analisa Analisa merupakan tahap paling utama dalam melakuakan penelitian Tahapan analisa digunakan untuk menganalisa permasalahan yang berhubungan dengan penelitian yang
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Pada bab ini akan dibahas teori yang berkaitan dengan pemrosesan data untuk sistem pendeteksi senyum pada skripsi ini, meliputi metode Viola Jones, konversi citra RGB ke grayscale,
Lebih terperinciPertemuan 2 Representasi Citra
/29/23 FAKULTAS TEKNIK INFORMATIKA PENGOLAHAN CITRA DIGITAL ( DIGITAL IMAGE PROCESSING ) Pertemuan 2 Representasi Citra Representasi Citra citra Citra analog Citra digital Matrik dua dimensi yang terdiri
Lebih terperinciBAB IV PENGUJIAN SISTEM. mendeteksi tempat parkir yang telah selesai dibuat. Dimulai dari pengambilan
BAB IV PENGUJIAN SISTEM Pengujian sistem yang dilakukan merupakan pengujian terhadap program mendeteksi tempat parkir yang telah selesai dibuat. Dimulai dari pengambilan citra dari webcam, pengolahan citra
Lebih terperinciSesi 2: Image Formation. Achmad Basuki PENS-ITS 2006
Sesi 2: Image Formation Achmad Basuki PENS-ITS 2006 Materi Representasi Penglihatan Model Kamera Sampling Dan Kuantisasi Jenis-JenisCitra Mdel Citra Berwarna Format Warna RGB Membaca dan Menampilkan Citra
Lebih terperinci