BAB III METODOLOGI PENELITIAN

Transkripsi

1 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 FNN, pembandingan akurasi terhadap NN dan desain model aplikasi FNN. Gambar 14 Tahapan penelitian.

2 Identifikasi Masalah Identifikasi masalah merupakan tahap awal dari rangkaian penelitian yang dilakukan. Dalam tahap ini dilakukan beberapa kegiatan, yaitu identifikasi masalah, menetapkan tujuan penelitian, studi literatur dan menentukan ruang lingkup penelitian Pengumpulan dan Praproses Data Pada tahap ini dilakukan pengumpulan data sekunder berupa citra buah manggis. Data yang digunakan dalam penelitian ini adalah citra buah manggis Padang berukuran 640x480 piksel, hasil dari pengambilan didalam kotak instrument tertutup yang diberi pelapis kain warna hitam, menggunakan kamera Change Couple Device (CCD) Telview tipe ST205 color, dua buah lampu PL Philips warna putih 11 watt dan bidang dasar pemotretan berwarna putih, dengan jarak rekam 30 cm dan posisi sudut pencahayaan 45. Data sekunder tersebut penulis dapatkan dari laboratorium sistem dan manajeman keteknikan pertanian Universitas Padjajaran Bandung. Populasi manggis bersifat homogen, yaitu mempunyai karakteristik yang sama, sehingga dianggap cukup menggunakan citra sampel buah manggis sebanyak 125 buah, yaitu citra buah manggis yang berada pada tahap kematangan 2 sampai 6, dengan 25 citra manggis di setiap tahap kematangan. 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 diolah menggunakan matlab R2009b untuk mendapatkan nilai RGB. Selanjutnya nilai RGB dinormalisasi menjadi rgb dengan cara membagi masing-masing nilai dengan bilangan 255. Nilai rgb kemudian dikonversi ke dalam HSV, L*u*v*, L*a*b* menggunakan persamaan Dilakukan juga ekstraksi ciri pada citra buah manggis tersebut menggunakan metode gray-level co-occurrence matrix (GLCM) untuk mendapatkan ciri tekstur berdasarkan persamaan yang meliputi entropi, kontras, energi dan

3 31 homogenitas. Langkah terakhir dalam pengolahan data ini adalah mentransformasi nilai-nilai fitur tersebut ke dalam rentang 0 sampai 1 menggunakan persamaan 24. Selanjutnya data tersebut dibagi menjadi dua kelompok data yang saling asing, yaitu data yang digunakan untuk training atau pelatihan pembentukan model dan data yang digunakan untuk testing atau pengujian. Data pelatihan diambil kurang lebih 85% disetiap tahap kematangan, yaitu berjumlah 21 data dan data yang digunakan untuk pengujian kurang lebih15% di setiap tahap kematangan, yaitu berjumlah 4. Total jumlah data pelatihan adalah 21 x 5 = 105 dan total jumlah data pengujian adalah 4 x 5 = 20. Hal ini dianggap cukup mengingat populasi bersifat homogen dengan mengambil tingkat presisi 20% Desain Model FNN 1) Penentuan Variabel Input atau masukan Variabel input ditentukan berdasarkan fitur penduga yang paling layak digunakan sebagai penduga kematangan buah manggis, yaitu hasil analisis dari fitur rgb, hsv, l*u*v*, l*a*b*, entropi, kontras energi dan homogenitas. Analisa dilakukan berdasarkan sebaran data tiap kelasnya dan nilai koefisien determinasi yang dicari menggunakan persamaan 25 dan 26. 2) Penentuan Pola Output Fuzzy Variasi FNN yang dipakai dalam penelitina ini adalah input bernilai crisp, sedangkan output bernilai fuzzy sesuai dengan model FNN tipe 5 (Mashinchi & Shamsuddin 2009). Pola pelatihan awal klasifikasi fuzzy ini berupa matriks, berisi pasangan nilai fitur-fitur penentu kematangan manggis yang merupakan nilai input dan target yang semuanya bernilai crisp. Sehingga pola pelatihan yang dibaca berupa matriks seperti pada Gambar 15. Sebelum proses pelatihan dimulai terlebih dahulu dilakukan pengubahan nilai target atau output menjadi pola output fuzzy. Penentuan pola output fuzzy dilakukan dengan dua tahap, tahap pertama adalah mencari jarak terbobot pola pelatihan terhadap kelas target yang didefinisikan, selanjutnya tahap kedua adalah menghitung derajat keanggotaan pola pelatihan berdasarkan hasil perhitungan jarak terbobot. Kedua tahap penentuan pola output fuzzy ini dilakukan menggunakan persamaan 29 dan 30, sehingga didapatkan nilai target bernilai

4 32 fuzzy dari data target yang awalnya bernilai crisp. Pola pelatihan ini yang kemudian di training oleh jaringan, pola pelatihan seperti disajikan di Gambar 16. x 1 x 2. x n T Gambar 15 Pola pelatihan awal x 1 x 2. x n T 1 T 2 T Gambar 16 Pola pelatihan yang di training oleh jaringan Nilai pola output fuzzy T 1, T 2 dan T 3 yang merupakan target pelatihan menunjukkan derajat keanggotaan dari pola input. Nilai derajat keanggotaan sangat dekat satu sama lain. Hal tersebut menunjukkan nilai ambiguitas yang tinggi jika dilakukan menggunakan klasifikasi klasik. 3) Arsitektur FNN Arsitektur yang akan dibangun adalah multilayer neural network yang terdiri dari tiga layer (lapisan), yaitu input layer (lapisan masukan), hidden layer (lapisan tersembunyi) dan output layer (lapisan keluaran). Jumlah neuron input ditentukan berdasarkan parameter penduga tahap kematangan manggis yang paling bagus. Tidak ada kepastian tentang berapa banyak jumlah neuron pada lapisan tersembunyi agar jaringan dapat dilatih dengan sempurna (Siang 2009), dan sampai saat ini belum ada formula khusus yang bisa menemukan jumlah

5 33 neuron pada layar tersembunyi yang optimal. Suatu formula yang bisa digunakan untuk memperkirakan jumlah neuron pada layar tersembunyi adalah akar dari jumlah variabel pola masukan dikali jumlah neuron pada layar keluaran (Suyanto 2007). Dalam penelitian ini dicoba variasi neuron di lapisan tersembunyi sejumlah 2, 5, 10, 15, 20 dan 25 untuk mendapatkan model yang optimum. Jumlah neuron pada lapisan keluaran adalah 3, sesuai dengan jumlah klasifikasi yang dilakukan. Sebagai kondisi berhenti adalah nilai ambang Mean Square Error (MSE) atau nilai toleransi minimum sebesar 10-6 atau maksimum iterasi sebesar 5000 epoch dengan learning rate (laju pembelajaran) 1. 4) Metode Pelatihan dan Pengujian Proses pelatihan dan pengujian dilakukan dalam upaya untuk mendapatkan model FNN yang optimum. Prosedur pelatihan dilakukan dengan melakukan variasi jumlah neuron pada lapisan tersembunyi dan variasi kombinasi parameter input. Kinerja dari FNN diukur dengan melihat error hasil pelatihan, validasi dan testing terhadap sekumpulan data. Pelatihan FNN dilakukan menggunakan algoritma supervised backpropagation. Algoritma ini telah digunakan oleh Pal & Mitra (1992), Sarkar et. a.l. (1997) dan Kusumadewi (2006), dalam mengatasi pola yang berada diantara dua kelas. Pada proses pelatihan atau training program akan memanggil data masukan dan data target yang berupa nilai-nilai penduga kematangan manggis dan pola output fuzzy yang telah terbentuk. Kemudian pola tersebut dilatih oleh FNN dengan tujuan agar FNN memiliki pengetahuan yang cukup dalam mengenali pola-pola kematangan manggis. Pada proses pelatihan ini diperoleh matrik bobot yang digunakan untuk menyimpan pengetahuan. Proses validasi akan dilakukan untuk menguji kinerja jaringan terhadap data yang telah diberikan selama proses pelatihan, dengan menggunakan 100% data input yang diberikan selama proses pelatihan. Kinerja jaringan dapat dinilai berdasarkan nilai MSE. Jika FNN telah berhasil selama proses pelatihan dan validasi maka model pendugaan kematangan manggis tersebut sudah dapat digunakan untuk proses

6 34 selanjutnya. Tahap selanjutnya adalah pengujian, proses ini dilakukan dengan memasukkan nilai data input untuk mendapatkan nilai output, yaitu pendugaan tahap kematangan. Pada proses pengujian FNN dilakukan proses pengambilan matriks bobot yang tersimpan sebelumnya, kemudian setelah dihitung dengan matrik input pola dapat diketahui apakah pola tersebut dapat dikenali atau tidak, yaitu berdasarkan nilai terbesar dari setiap baris matriks yang didapatkan. Struktur FNN disajikan dalam Tabel 3. Tabel 3 Struktur FNN Karakteristik Spesifikasi Arsitektur Multilayer Perceptron Hidden Neuron 2, 5, 10, 15, 20, 25 Output Neuron 3 Fungsi aktivasi Sigmoid biner Training Function Trainlm (default Matlab) Maksimum Epoch 3000 Learning rate 1 5) Pengambilan Keputusan Pengambilan keputusan dilakukan dengan mengambil nilai yang terbesar dari vektor baris yang didapatkan. Jika nilai terbesar dari keluaran berada di kolom pertama maka berarti pola tersebut merupakan anggota dari kelas target 1. Jika nilai terbesar dari keluaran berada di kolom kedua maka berarti pola tersebut merupakan anggota dari kelas target 2. Jika nilai terbesar dari keluaran berada di kolom ketiga maka berarti pola tersebut merupakan anggota dari kelas target Pembandingan Akurasi Terhadap NN Pada tahap ini dilakukan pembandingan akurasi FNN hasil pelatihan terbaik terhadap akurasi NN yang dilatih dengan struktur yang sama, sehingga dapat dilihat tingkat kelayakan dari model FNN yang terbentuk Desain Aplikasi FNN Tahap terakhir adalah membuat aplikasi FNN untuk klasifikasi kematangan buah manggis. Aplikasi ini dibuat menggunakan bobot jaringan dari model FNN terbaik yang dihasilkan dari percobaan-percobaan yang dilakukan.

7 35 Bobot-bobot jaringan digunakan untuk menyimpan pengetahuan hasil dari proses belajar. 3.2 Kebutuhan Alat Penelitian Perangkat lunak dan Perangkat keras yang dibutuhkan dalam penelitian ini adalah MS Window XP Proffesional Version 2008 SP3, Matlab R2010a versi 7.10, Ms Excel 2007, Processor intel(r) core 2 duo CPU 2.20 Ghz, 2.19 GHz, RAM 2,99 GB.