UJI DAN APLIKASI KOMPUTASI PARALEL PADA JARINGAN SYARAF PROBABILISTIK (PNN) UNTUK PROSES KLASIFIKASI MUTU BUAH TOMAT SEGAR

Transkripsi

1 UJI DAN APLIKASI KOMPUTASI PARALEL PADA JARINGAN SYARAF PROBABILISTIK (PNN) UNTUK PROSES KLASIFIKASI MUTU BUAH TOMAT SEGAR oleh: MOH. KHAWARIZMIE ALIM F FAKULTAS TEKNOLOGI PERTANIAN INSTITUT PERTANIAN BOGOR

2 FAKULTAS TEKNOLOGI PERTANIAN INSTITUT PERTANIAN BOGOR UJI DAN APLIKASI KOMPUTASI PARALEL PADA JARINGAN SYARAF PROBABILISTIK (PNN) UNTUK PROSES KLASIFIKASI MUTU BUAH TOMAT SEGAR SKRIPSI Sebagai salah satu syarat untuk memperoleh gelar SARJANA TEKNOLOGI PERTANIAN Pada Departemen Teknik Pertanian Fakultas Teknologi Pertanian Institut Pertanian Bogor oleh: Moh. Khawarizmie Alim F Tanggal lulus: Menyetujui, Dr. Ir. Kudang Boro Seminar, MSc Pembimbing I Ir. Agus Buono, M.Si, M.Kom Pembimbing II Mengetahui, Dr. Ir. Wawan Hermawan, MS Ketua Departemen Teknik Pertanian

3 UJI DAN APLIKASI KOMPUTASI PARALEL PADA JARINGAN SYARAF PROBABILISTIK (PNN) UNTUK PROSES KLASIFIKASI MUTU BUAH TOMAT SEGAR SKRIPSI Sebagai salah satu syarat untuk memperoleh gelar SARJANA TEKNOLOGI PERTANIAN Pada Departemen Teknik Pertanian Fakultas Teknologi Pertanian Institut Pertanian Bogor oleh: Moh. Khawarizmie Alim F FAKULTAS TEKNOLOGI PERTANIAN INSTITUT PERTANIAN BOGOR

4 MOH. KHAWARIZMIE ALIM. F Uji dan Aplikasi Komputasi Paralel pada Jaringan Syaraf Probabilistik (PNN) untuk Proses Klasifikasi Mutu Buah Tomat Segar. Di bawah bimbingan : Dr. Ir. Kudang Boro Seminar, MSc dan Ir. Agus Buono, M.Si, M.Kom RINGKASAN Tomat merupakan salah satu produk hortikultura yang bernilai ekonomi tinggi di dunia termasuk di Indonesia. Untuk dapat bersaing di pasaran dunia, produsen tomat harus menghasilkan produk tomat segar dan olahan dengan kualitas tinggi. Kualitas tomat yang baik sangat ditentukan oleh penanganan pasca panen yang diterapkan. Salah satu proses dalam penanganan pasca panen yang paling kritis adalah proses sortasi. Proses sortasi yang dilakukan secara manual oleh manusia, menghasilkan produk dengan keragaman kurang baik dan juga waktu yang relatif lama. Untuk meningkatkan keseragaman, akurasi dan waktu pemrosesan, proses sortasi dapat dilakukan dengan mesin. Probabilistic Neural Network (PNN) merupakan salah satu jaringan saraf tiruan yang dapat diterapkan untuk proses klasifikasi dalam sistem sortasi. PNN memiliki tingkat akurasi klasifikasi yang cukup tinggi dan waktu pelatihan yang cukup singkat. Untuk meningkatkan waktu pemrosesan, komputasi paralel dapat diterapkan pada PNN untuk bagian prosesor sistem sortasi. Diharapkan, dengan penggabungan kedua teknologi tersebut, akan dapat dikembangkan teknologi sortasi yang akurat dan cepat. Penelitian ini bertujuan untuk menguji komputasi paralel pada algoritma PNN yang diterapkan pada proses klasifikasi mutu buah tomat. PNN digunakan untuk mengklasifikasikan tomat ke dalam kelas-kelas yang sesuai. Agar mencapai akurasi yang tinggi, PNN memerlukan nilai parameter penghalus (σ) yang tepat. Pencarian nilai parameter penghalus tersebut dilakukan melalui Algoritma Genetik. Percobaan dilakukan untuk membandingkan kinerja PNN yang dilakukan secara paralel pada dua buah komputer dan kinerja PNN yang dilakukan secara sekuensial pada satu komputer. Kriteria yang digunakan untuk uji analisis adalah akurasi klasifikasi PNN, waktu eksekusi total, peningkatan kecepatan, peningkatan akurasi, dan efisiensi. Percobaan dilakukan menggunakan program komputasi paralel dengan PNN hasil penelitian sebelumnya. Tomat yang digunakan adalah varietas Permata yang dikelompokkan menjadi tiga kelas dan masing-masing kelas diambil parameter bobot (gram), panjang (cm) dan lebar (cm). Proses pelatihan dilakukan dengan rasio antara jumlah data yang digunakan untuk pelatihan dan data yang digunakan sebagai contoh masukan (validasi) divariasikan sebanyak 9 mode. Masing-masing mode pelatihan dilakukan 10 kali pengulangan. Dengan dua macam populasi Algoritma Genetik yang digunakan, total percobaan yang dilakukan adalah 360 percobaan. Dari percobaan didapatkan hasil bahwa akurasi klasifikasi komputasi paralel dan komputasi sekuensial tidak terlalu berbeda dan terpusat pada kisaran rata-rata 89.2%. Peningkatan akurasi komputasi paralel juga relatif sama dengan pola sebaran bernilai 100%. Artinya akurasi klasifikasi dengan komputasi paralel meningkat 1 kali lipat dari komputasi sekuensial. Dengan demikian tidak terjadi perubahan berarti terhadap akurasi klasifiaksi. Pada aplikasi klasifikasi dengan

5 komputasi paralel, waktu total (waktu pelatihan dan waktu klasifikasi) rata-rata adalah detik, lebih kecil daripada komputasi sekuensial yang rata-rata sebesar detik. Hal ini menyebabkan terjadinya peningkatan kecepatan komputasi paralel yang rata-rata sebesar %. Dengan demikian, klasifikasi dengan komputasi paralel pada dua buah komputer lebih cepat sekitar 1.3 kali lipat dibandingkan dengan komputasi sekuensial. Dari hasil tersebut, dapat diambil kesimpulan bahwa penerapan komputasi paralel pada proses klasifikasi tomat telah mempercepat waktu pemrosesan tanpa mengubah nilai akurasi klasifikasi secara signifikan. Namun penerapan komputasi paralel pada bagian prosesor dari sistem sortasi perlu diimbangi dengan pemilihan teknik/metode yang tepat pada bagian lainnya sehingga peningkatan kecepatan yang dihasilkan menjadi optimal. Kata kunci: Sortasi, Klasifikasi Objek, Komputasi Paralel, Probabilistic Neural Network (PNN), Algoritma Genetik (GA).

6 Riwayat Hidup Penulis dilahirkan di Tegal pada 27 September 1983 dari keluarga Ali Mukson Mawardi dan Luthfiatun sebagai anak kedua dari enam bersaudara. Tahun 2001 penulis lulus dari SMU Negeri 1 Tegal dan kemudian melanjutkan masa studi di Institut Pertanian Bogor melalui jalur Undangan Seleksi Masuk IPB (USMI) di Departemen Teknik Pertanian Fakultas Teknologi Pertanian IPB. Selama masa perkuliahan penulis aktif sebagai pengurus di Himpunan Profesi HIMATETA (Himpunan Mahasiswa Keteknikan Pertanian) pada masa jabatan 2002/2003 termasuk di IT Center HIMATETA dan Teta s English Club. Selain itu penulis juga pernah berpartisipasi sebagai Asisten Mata Kuliah dan Praktikum pada beberapa Mata Kuliah di Departemen Teknik Pertanian IPB selama tahun 2003 s.d untuk mata kuliah: Statika dan Dinamika, Menggambar Teknik, Alat Mesin dan Budidaya Pertanian, Matematka Teknik, Sistem Basis Data, dan Penerapan Komputer. Pada tahun 2005 penulis terpilih sebagai mahasiswa berprestasi tingkat Departemen Teknik Pertanian dan menjadi kandidat mahasiswa berprestasi tingkat Fakultas Teknologi Pertanian.

7 KATA PENGANTAR Segala puja dan puji syukur penulis sampaikan kepada Allah SWT yang telah melimpahkan rahmat dan karunianya sehingga penulis dapat menyelesaikan Penelitian ini. Penelitian yang berjudul Uji dan Aplikasi Komputasi Paralel pada Jaringan Syaraf Probabilistik (PNN) untuk Proses Klasifikasi Mutu Buah Tomat Segar ini merupakan syarat untuk memperoleh gelar sarjana pada Departemen Teknik Pertanian. Di dalamnya meliputi komputasi paralel, algoritma genetik, probabilistic neural network (PNN), dan klasifikasi mutu tomat. Penulis menyadari bahwa semuanya tidak terlepas dari dukungan dan doa restu berbagai pihak yang telah ikut terlibat baik secara langsung maupun tidak langsung. Dengan segala kerendahan hati dan rasa hormat yang setinggi-tingginya penulis mengucapkan terima kasih kepada: 1. Bapak Dr. Ir. Kudang Boro Seminar, MSc, selaku pembimbing akademik dan pembimbing utama. 2. Bapak Ir. Agus Buono, M.Si, M.Kom, selaku pembimbing kedua, atas segala bimbingan dan bantuannya. 3. Mas Teguh Pratama Januzir Sukin, atas bantuan teknis dan dukungan yang sangat berarti pada awal pelaksanaan penelitian. 4. Kedua orang tua, kakak, dan adik-adik penulis, atas cinta kasih yang kuat dalam keluarga 5. Eka Widianti, atas dukungan semangat dan motivasi yang selalu mengalir. 6. Teman-teman TEP 38 dan TSIP 38 yang selalu kompak, serta semua pihak yang tidak dapat penulis sebutkan satu persatu. Penelitian yang telah dilaksanakan diharapkan dapat mengembangkan program komputasi paralel terutama dalam penerapannya pada berbagai proses klasifikasi, khususnya klasifikasi mutu berbagai komoditas pertanian. Semoga penelitian ini dapat memberikan sedikit pengetahuan dan pencerahan bagi kita semua dalam mengembangkan pertanian Indonesia. Bogor, Januari 2006 Penulis

8 DAFTAR ISI hal. Kata Pengantar... i Daftar Isi... ii Daftar Tabel... iv Daftar Gambar... v Daftar Lampiran... vii I. PENDAHULUAN... 1 A. Latar Belakang... 1 B. Tujuan Penelitian... 2 II. TINJAUAN PUSTAKA... 4 A. Tomat (Lycopersicum esculentum Mill) Botani dan Sejarah Singkat Budidaya dan Penanaman Hama dan Penyakit Manfaat dan Penggunaan Penanganan Pasca Panen dan Standar Mutu Teknologi Sortasi B. Jaringan Saraf Tiruan C. Pengklasifikasian Bayes D. Penduga Kepekatan Parzen E. Faktor Penghalus Sigma (σ) F. Probabilistic Neural Network (PNN) G. Algoritma Genetik H. Rekombinasi I. Mutasi J. Seleksi K. Pemrosesan Paralel L. Peningkatan Kecepatan M. Efisiensi Sistem Paralel III. METODOLOGI PENELITIAN A. Tempat dan Waktu... 29

9 B. Bahan dan Alat C. Metode Penelitian Pengambilan Data dan Pengukuran Sampel Tomat Persiapan Percobaan Penentuan Batasan-batasan Percobaan Eksekusi Sistem Analisis Data IV. HASIL DAN PEMBAHASAN A. Analisis Statistika Deskriptif Komputasi Paralel Akurasi Klasifikasi Waktu Total B. Pengaruh Mode Pelatihan Pengaruh Mode Pelatihan terhadap Akurasi Klasifikasi PNN Pengaruh Mode Pelatihan terhadap Waktu Total Penerapan Mode Pelatihan dalam Sistem Sortasi C. Pengaruh Populasi Algoritma Genetik (AG) Pengaruh Populasi AG terhadap Akurasi Klasifikasi PNN Pengaruh Populasi AG terhadap Waktu Total D. Peningkatan Kecepatan dan Peningkatan Akurasi E. Efisiensi Sistem Paralel V. KESIMPULAN DAN SARAN A. Kesimpulan B. Saran Daftar Pustaka Lampiran... 58

10 DAFTAR TABEL Hal. Tabel 1. Kandungan dan komposisi buah tomat tiap 100 g bahan Tabel 2. Syarat mutu ekspor buah tomat (SNI: ) Tabel 3. Standar klasifikasi tomat Florida di Amerika Serikat (Florida Tomato Committee, 2005) Tabel 4. Daftar istilah algoritma genetik Tabel 5. Spesifikasi komputer yang digunakan dalam penelitian Tabel 6. Hasil statistika deskriptif akurasi klasifikasi Tabel 7. Hasil statistika deskriptif waktu total Tabel 8. Perbandingan rasio data pelatihan, akurasi klasifikasi dan waktu total pada berbagai mode pelatihan untuk mode komputasi paralel.. 45 Tabel 9. Hasil perhitungan statistika komputasi sekuensial untuk populasi AG yang berbeda Tabel 10. Hasil perhitungan statistika komputasi paralel untuk populasi AG yang berbeda Tabel 11. Hasil statistika deskriptif peningkatan akurasi dan kecepatan Tabel 12. Hasil statistika deskriptif efisiensi sistem paralel... 53