PENERAPAN NEURAL NETWORK MODEL BACKPROPAGATION DAN GENERAL REGRESSION NEURAL NETWORK

Transkripsi

1 Eo Sediyono PENERAPAN NEURAL NETWORK MODEL BACKPROPAGATION DAN GENERAL REGRESSION NEURAL NETWORK Oleh : Eo Sediyono Abstra Telah dilauan penelitian tentang identifiasi citra untu mengidentifiasi enis daging sapi. Penelitian tersebut dimasudan untu membandingan inera aringan saraf tiruan model bacpropagation dan model general regression neural networ dalam mengidentifiasi enis daging sapi. Proses pengolahan citra dilauan dengan cara menghitung nilai R, G dan B pada setiap citra daging, emudian dilauan proses normalisasi untu mendapatan nilai inde R, indes G dan indes B dan dilauan proses onversi dari model RGB e model HSI untu mendapatan besaran nilai hue, saturation dan intensity. Nilai yang dihasilan dari proses pengolahan citra digunaan sebagi parameter masuan program pelatihan dan validasi. Kinera aringan model GRNN lebih aurat dibandingan model bacpropagation dengan selisih nilai aurasinya mencapai 51,9%. Kata unci: identifiasi, bacpropagation, GRNN. A. Latar Belaang Daging sapi merupaan salah satu sumber protein hewani yang paling disuai oleh masyaraat Indonesia, ebutuhan daging di Indonesia selama lima tahun terahir terus meningat. Pada tahun 2010 mencapai anga ton dan pada tahun 2011 diperiraan meningat menadi ton. Meningatnya permintaan tersebut memberian celah epada elompo tertentu untu memanfaatan situasi guna meraup euntungan yang lebih besar. Salah satunya adalah dengan cara menual enis daging sapi gelongongan, yaitu sapi yang diberi minum secara pasa sebelum disembelih. Hal ini mengaibatan bertambahnya adar air dalam daging, sehingga daging sapi gelonggongan menadi lebih berat bila dibanding dengan daging sapi segar yang normal. Kelebihan adar air dalam daging dapat mengaibatan penurunan ualitas daging dan mempersingat watu simpannya. Penurunan ualitas daging diindiasian melalui perubahan warna, rasa, aroma bahan pembusuan[16]. Daging merupaan sumber protein yang mudah dan sering mengalami erusaan oleh miroba erusaan ini disebaban oleh adanya ontaminasi miroba pada permuaan daging tersebut pada saat proses arsas dan sebesar 99% oleh ontaminan bateri[16]. Pengolahan citra memilii emampuan yang lebih pea arena dilengapi dengan sensor eletrooptia yang bisa dipastian aan lebih tepat dan obetif ia dibanding dengan cara visual manusia yang bersifat subetif dan sangat dipengaruhi oleh ondisi psiis pengamatnya[3][4]. Teni pengolahan citra bisa memberian informasi yang bai ia digabungan dengan sistem pengambilan eputusan yang bisa memberian aurasi yang tinggi. Penggunaan aringan saraf tiruan dapat memberian hasil optimal, arena memilii elebihan dalam menyelesaian persoalan yang tida dapat diselesaian secara analisis[8]. 43

2 Eo Sediyono B. Landasan Teori Citra merupaan istilah lain dari gambar, yang merupaan informasi berbentu visual. pada bidang dua dimensi, maa sebuah citra merupaan dimensi spasial atau bidang yang berisi informasi warna yang tida bergantung watu. Ditinau dari sudut pandang matematis, citra merupaan fungsi menerus atas intensitas cahaya pada bidang dua dimensi. Sumber cahaya menerangi obe, obe memantulan embali sebagian beras cahaya tersebut. Pantulan cahaya ini ditangap oleh alat opti sehingga bayangan obe yang disebut citra tersebut teream. Pengambilan citra bisa dilauan oleh amera atau alat-alat lain yang bisa digunaan untu mentransfer gambar misalnya scanner dan amera digital. Proses transformasi dari bentu tiga dimensi e bentu dua dimensi untu menghasilan citra aan dipengaruhi oleh bermacam-macam fator yang mengaibatan penampilan citra suatu benda tida sama persis dengan bentu fisi nyatanya. Fator-fator tersebut merupaan efe degradasi atau penurunan ualitas yang dapat berupa rentang ontras benda yang terlalu sempit atau terlalu lebar, distorsi, eaburan (blur), eaburan aibat obe citra yang bergera (motion blur), gangguan yang disebaban oleh interferensi peralatan pembuat citra, bai itu berupa tranducer, peralatan eletroni ataupun peralatan opti arena pengolahan citra digital dilauan dengan omputer digital maa citra yang aan diolah terlebih dahulu ditransformasian e dalam bentu besaran-besaran disrit. Pengolahan warna menggunaan model warna RGB sangat mudah dan sederhana, arena informasi warna dalam omputer sudah diemas dalam model warna yang sama. Hal yang perlu dilauan adalah bagaimana ita melauan pembacaan nilai-nilai R, G dan B pada suatu pisel, salah satu cara yang mudah untu menghitung nilai warna dan menafsiran hasilnya dalam model warna RGB adalah dengan melauan normalisasi terhadap tiga omponen warna tersebut. Normalisasi penting dilauan terutama bila seumlah citra di ambil dengan ondisi penerangan yang berbeda. Hasil perhitungan tiap omponen warna poo yang telah dinormalisasi aan menghilangan pengaruh penerangan, sehingga nilai untu setiap omponen dapat dibandingan satu dengan lainya walaupun berasal dari citra dengan ondisi penerangan yang berbeda, dengan catatan perbedaan tersebut tida terlalu estrim[6]. Sedangan untu mendapatan besaran nilai model warna HSI orversi model warna RGB e HSI ini melibatan parameter, sebagai data masuan (sinyal merah, sinyal hiau dan biru untu setiap pisel) dan tiga parameterlainya (nilai hue, nilai saturation dan intensity) sebagai eluaran. Transformasi dari model warna RGB e model warna HSI digunaan untu mengonversi citra warna edalam bentu yang lebih sesuai untu pengolahan citra. Jaringan saraf tiruan adalah sistem pemroses informasi yang memilii arateristi mirip dengan aringan saraf biologi. Jaringan saraf tiruan 44

3 dibentu sebagai generalisasi model matematia dari aringan saraf biologi[]. Arsitetur aringan dan algoritma pelatihan sangat menentuan modelmodel aringan saraf tiruan. Arsitetur tersebut gunanya untu menelasan arah peralanan sinyal atau data di dalam aringan. Algoritma pelatihan bacpropagation adalah sebagai []: 1. Inisialisasi a. Normalisasi data input x i dan data target t dalam range (0,1) b. Seluruh pembobot (w i dan v ) awal diberi nilai random antara - 1,1 c. Inisialisasi ativasi thresholding unit, x 0 = 1 dan h 0 = 1 2. Ativasi unit-unit dari input layer e hidden layer dengan fungsi : 1 h w i x i 1 e... (7) dimana: w i = pembobot w yang menghubungan node unit e-i pada input layer dengan noda e pada hidden layer 3. Ativasi unit-unit dari hidden layer e output layer dengan fungsi: 1 y (8) v h 1 e dimana: σ = onstanta logisti (logistic contant) v = pembobot v yang menghubungan node unit e- pada hidden layer dengan noda e- pada output layer 4. Menghitung error dari unit-unit pada output layer (δ ) dan menyesuaiannya dengan bobot v 1 y t y.. (9) dimana: t = target output pada noda e- v v dimana : old h... (10) β = onstanta lau pembelaaran Eo Sediyono v old = pembobot v sebelumnya 5. Menghitung error dari unit-unit pada hidden layer (τ ) dan menyesuaiannya dengan bobot w i i h 1 i h i v...(11) w w old x.. (12) 6. Training set (learning) dihentian ia y mendeati t. Proses pembelaaran uga dapat dihentian berdasaran error. Salah satu persamaan untu nilai error adalah dengan menggunaan Root Mean Square Error (RMSE). RMSE n i 1 p i ai n 2....(13) n pi ai Error(%) i 1 ai n 100% (14) Keterangan: p i = nilai dugaan output ulangan ei a i = nilai atual output ulangan e-i n = umlah contoh data 7. Pengulangan (iterasi) Keseluruhan proses ini dilauan pada setiap contoh dari setiap iterasi sampai sistem mencapai eadaaan optimum. Iterasi mencaup pemberian contoh pasangan input dan output, perhitungan nilai ativasi dan perubahan nilai pembobot. Sedangan algoritma belaar menelasan bagaimana bobot onesi harus diubah agar pasangan masuaneluaran yang diinginan dapat tercapai. Dalam setiap perubahan harga bobot onesi dapat dilauan dengan berbagai cara, tergantung pada enis algoritma pelatihan yang digunaan. Dengan mengatur besarnya nilai bobot ini diharapan bahwa inera aringan 45

4 Eo Sediyono dalam mempelaari berbagai macam pola yang dinyataan oleh setiap pasangan masuan-eluaran aan meningat. C. Metode Penelitian Bahan yang digunaan dalam penelitian adalah daging sapi segar, daging sapi segar yang dibeuan, daging sapi segar yang didinginan, daging sapi segar dieringan, daging sapi segar direndam, daging sapi gelonggongan, daging sapi busu, daging busu yang dibeuan, daging sapi busu yang didinginan dan daging sapi busu dieringan. Jenis Daging Ui Daging Sapi Segar Daging Sapi Segar Didinginan Daging Sapi Segar Dibeuan Daging Sapi Segar Direndam Daging Sapi Segar Dieringan Daging Sapi Gelonggongan Daging Sapi Busu Daging Sapi Busu Didinginan Daging Sapi Busu Dibeuan Daging Sapi Busu Dieringan Definisi Daging yang belum diolah dan tida ditambahan bahan apapun. Daging yang mengalami proses pendidingan setelah penyembelihan sehingga temparatur daging antara 0 o C dan 4 o C. Daging sapi yang sudah mengalami proses pembeuan dengan temparatur minimum - 18 o C. Daging yang mengalami proses perendaman setelah penyembelihan. Daging yang mengalami proses penemuran selama 2 hari setelah penyembelihan. Daging yang didapat dari sapi yang mengalami proses minum yang yang dilauan secara pasa can berlebihan sebelum disembelih. Daging yang mengalami proses pembusuan setelah penyembelihan. Daging busu yang mengalami proses pendinginan pada suhu 0 o C sampai dengan 4 o C. Daging sapi busu yang sudah mengalami proses pembeuan dengan temparatur minimum - 18 o C. Daging yang mengalami proses penemuran selama 2 hari setelah proses pembusuan. Daging sapi yang digunaan sebagai bahan pelatihan dan bahan ui pada penelitian ini disesuaian dengan ebutuhan, yani terdiri dari sepuluh enis daging sapi, beberapa diantaranya sesuai dengan etentuan Standar Nasional Indonesia (SNI) Nomor 3932:2008 tentang mutu dan aras daging sapi. Namun terdapat uga daging sapi yang diadian obe penelitian tida memenuhi etentuan Standar Nasional Indonesia (SNI) Nomor 3932:2008. Bahan dari esepuluh enis daging sapi yang digunaan untu pelatihan dan validasi tida sama. Peralatan yang dibutuhan untu melauan penelitian tentang identifiasi citra untu mengidentifiasi enis daging sapi adalah: Nama Light Box Lampu PL Kamera Digital Laptop Keterangan Kota pengambilan citra dengan uuran Panang 20cm dan lebar 20 cm Lampu PL 15 watt 2 buah. Samsung PL100 dengan resolusi 12,2 Mega Pixel Acer 4710 dengan prosesor T Ghz 1. Pengambilan Citra Proses pengambilan citra dilauan dengan menggunaan amera digital, obe penelitian diletaan di dalam light box untu mendapatan ualitas citra yang masimal dengan ondisi pencahayaan yang sama antara obe penelitian satu dengan lainya. 2. Pengolahan Citra Pengolahan citra dimulai dengan proses cropping image, yaitu suatu proses pemotongan gambar untu menghilangan bagian-bagian gambar yang tida diinginan, hal ini dilauan untu mendapatan citra yang sesuai dengan ebutuhan. Setelah proses cropping proses selanutnya adalah proses penghitungan nilai-nilai parameter input antara lain R, G, B, color value, indes R, indes G, indes B, hue (cora), saturation (eenuhan) dan intensity. 3. Arsitetur Jaringan Saraf Tiruan 46

5 Arsitetur aringan saraf tiruan model bacpropagation yang dibangun terdiri dari tiga lapisan (layer), yaitu input layer, hidden layer, dan output layer. Sebagai masuan pada input layer adalah data parameter R, G, B, RGB color value, indes R, indes G, indes B, hue (cora), saturation (eenuhan) dan intensity. Sedangan arsiterur GRNN terdiri dari empat lapisan unit pemroses, dimana tiap lapisan unit pemroses mempunyai fungsi omputasi husus saat regresi nonlinier dibentu. Lapisan pertama terdiri dari neuron-neuron input yang berfungsi untu mengambil informasi. Neuron-neuron input lalu menerusan data menuu lapisan edua yang dinamaan neuron pola. Sebuah neuron-neuron pola berfungsi mengombinasian dan memproses data secara sistemati dengan suatu fungsi ativasi. 4. Pelatihan Tuuan dari pelatihan adalah untu mendapatan nilai bobot antar lapisan yang digunaan pada program validasi. Masuan data pelatihan berupa nilai parameter R, G, B, color value, indes R, indes G, indes B, hue, saturation dan intensity. yang didapatan dari hasil pengolahan citra pada data pelatihan. 5. Validasi Validasi dilauan sebagai proses penguian inera aringan untu masing-masing model terhadap bahan ui, masuannya berupa data ui yang sama namun menggunaan nilai bobot pelatihan yang berbeda. Kinera aringan dapat dilihat berdasaran nilai perbandingan target yang terpenuhi dan umlah data ui. D. Hasil dan Pembahasan Program pengolahan citra aan meneremahan informasi yang terdapat didalam citra pelatihan dan citra ui. Informasi yang dihasilan oleh program pengolahan citra berupa data-data numeri yang didapat dari citra daging sapi segar, citra daging sapi segar yang didinginan, citra daging sapi segar yang dibeuan, citra daging sapi segar dieringan, citra daging sapi segar direndam air, citra daging sapi gelonggongan, citra daging sapi busu, citra daging sapi busu yang dibeuan, citra daging sapi busu yang didinginan dan citra daging sapi busu dieringan. Keluaran dari program pengolahan citra adalah data berupa nilai R, G, B, color value, indes R, indes G, indes B, hue, saturation dan intensity. Karateristi RGB untu daging sapi segar, daging sapi segar yang didinginan, daging sapi segar yang dibeuan, daging sapi segar dieringan, daging sapi segar direndam air, daging sapi gelonggongan, daging sapi busu, daging sapi busu yang dibeuan, daging sapi busu yang didinginan dan daging sapi busu dieringan. Masing-masing memilii nilai rata-rata seperti ditunuan pada Gambar 4, 5, 6, 7, 8 dan 9. Jia dilihat dari rata-ratanya yang tertinggi adalah dagin sapi segar dingin dan terendah adalah daging busu ering. Perbedaan ini lebih memudahan program dalam membedaan enis daging sapi segar dingin dan daging sapi busu ering berdasaran warna merah. Karateristi HSI daging sapi segar, daging sapi segar yang didinginan, daging sapi segar yang dibeuan, daging sapi segar dieringan, daging sapi segar direndam air, daging sapi gelonggongan, daging sapi busu, daging sapi busu yang dibeuan, daging sapi busu yang didinginan dan daging sapi busu dieringan. Rata-rata sebaran nilai H (Hue) untu masing-masing enis daging dapat dilihat pada gambar 10, dari data 47

6 tersebut terlihat bahwa rata-rata tertinggi terdapat pada enis daging sapi busu ering dan terendah teradi pada enis daging busu dingin, sehingga perbedaan nilai hue ini aan memudahan dalam proses pembelaaran dan validasi dalam membedaan edua enis daging tersebut. Sebaran nilai S (Saturation), rata-ratanya untu setiap enis daging dapat dilihat pada gambar 12, dimana nilai tertinggi didominasi oleh daging sapi segar beu dan terendah teradi pada enis daging busu ering. Perbedaan ini lebih memudahan program dalam membedaan enis daging sapi segar beu dan daging sapi busu ering berdasaran nilai saturasi. Sebaran warna I (Intensity), rataratanya untu setiap enis daging dapat dilihat pada gambar 13. Nilai tertinggi terdapat pada enis daging sapi segar dan terendah pada enis daging saoi busu ering, sehingga dimunginan bahwa edua enis bii ini lebih mudah dibedaan berdasaran intenitasnya. Hasil pelatihan adalah nilai bobot yang disimpan pada file dengan estensi MAT yang digunaan oleh program validasi untu mengidentifiasi enis daging. Pada proses pelatihan bacpopagation onstanta lau pembelaaran (η) sebesar 0.7, onstanta momentum (α) sebesar 0.8 dan nilai persamaan sigmoid (σ) 1. Validasi dilauan pada semua enis daging dengan umlah data ui seluruhnya 102 yang terdiri dari 13 daging sapi segar, 10 daging sapi segar yang didinginan, 11 daging sapi segar yang dibeuan, 12 daging sapi segar dieringan, 11 daging sapi segar direndam dengan air, 9 daging sapi gelonggongan, 8 daging sapi busu, 8 daging sapi busu yang dibeuan, 13 daging sapi busu yang didinginan dan 7 daging sapi busu dieringan. Selain menggunaan data ui yang berumlah 102 validasi uga memerluan masuan lain berupa nilai bobot yang telah dihasilan oleh masing-masing model, bai model bacpropagation maupun moel GRNN. Hasil identifiasi untu enis data ui semua enis daging menggunaan Eo Sediyono model aringan saraf tiruan bacpropagation disaian pada tabel 4.1. Ketepatan indentifiasi yang memuasan teradi pada enis daging dengan aurasi 100% hanya teradi pada daging sapi busu, diduga disebaban tida berbedanya nilai input Green, dan indes G. Aurasi yang menunuan nilai diatas 50% teradi pada enis daging segar direndam dengan aurasi 54,5% dengan rincian 6 daging segar direndam, 3 daging sapi segar beu, 1 daging sapi segar ering dan 1 daging sapi gelonggongan. Munculnya daging sapi segar beu diduga disebaban samanya nilai input color value dan nilai input intensitas. Munculnya daging sapi segar ering diduga disebeban tida bebedanya nilai input indes G, sedangan munculnya daging sapi gelonggongan diduga disebaban esamaan nilai input green, blue, dan color value. Sedangan etelitian identifiasi enis daging dengan aurasi dibawah 50% teradi pada enis daging sapi segar, daging sapi segar beu, daging sapi segar dingin, daging sapi segar ering, daging sapi busu beu, daging sapi busu dingin dan daging sapi busu ering. Berbeda dengan enis daging lainnya, enis daging sapi gelonggongan memilii tingat etelitian yang sangat rendah dengan nilai aurasi 0% diduga ini disebaban oleh nilai parameter input Green dan indes G yang sama. Daging segar memilii ciri warna merah lembut, validasinya hanya sebesar 23% dengan rincian 3 diidentifiasi sebagai daging sapi segar, 4 sebagai daging sapi segar beu, 5 sebagai daging sapi segar dingin dan 1 sebagai daging sapi segar ering. Munculnya daging sapi segar beu, diduga disebaban tida berbedanya nilai input red dan hue, munculnya daging sapi segar dingin diduga disebaban tida berbedanya nilai 48

7 input hue, dan munculnya daging sapi segar ering diduga disebaban oleh tida berbedanya nilai input indes G. Daging sapi segar dingin memilii ciri warna merah terang, validasinya menunuan nilai aurasi sebesar 40% dengan rincian 4 teridentifiasi sebagai daging sapi segar dingin, 3 sebagai daging sapi segar beu dan 3 sebagai daging sapi segar dingin. munculnya daging sapi segar beu diduga disebaban tida berbedanya nilai input intensitas, sedangan munculnya daging sapi segar ering diduga disebaban oleh esamaan sifat data yang hampir sama pada setiap nilai input. Daging sapi segar beu memilii ciri warna merah pudar, validasinya menunuan nilai aurasi sebesar 36,3% dengan rincian 4 teridentifiasi sebagai daging sapi segar beu, 3 sebagai daging sapi segar dingin dan 3 sebagai daging sapi segar ering. munculnya daging sapi segar dingin diduga disebaban tida berbedanya nilai input intensitas, sedangan munculnya daging sapi segar ering diduga disebaban tida berbedanya nilai input blue. Daging sapi segar ering memilii ciri warna hitam eabu-abuan, validasinya menunuan nilai aurasi sebesar 8,3% dengan rincian 1 teridentifiasi sebagai daging sapi segar ering, 2 sebagai daging sapi segar rendam, 5 sebagai daging sapi gelonggongan dan 4 sebagai daging sapi busu. Munculnya daging sapi segar rendam diduga disebaban oleh esamaan nilai input pada indes G dan indes B, sedangan munculnya daging sapi busu diduga memilii esamaan nilai input green, blue, dan color value. Daging sapi busu beu memilii warna hitam emerahan, validasinya hanya memberian nilai aurasi 37,5% dengan rincian 3 daging sapi busu, 3 daging sapi busu beu dan 2 daging sapi busu dingin. munculnya daging sapi busu beu diduga disebaban tida berbedanya nilai input blue dan color value, sedangan munculnya daging sapi busu dingin diduga disebaban oleh esamaan nilai input color value Eo Sediyono dan nilai input intensitas. Daging sapi busu dingin memilii ciri warna merah ehiauan, validasinya memberian nilai aurasi 38,4% dengan rincian 5 daging sapi busu dingin, 1 daging sapi busu dan 7 daging sapi busu beu. Munculnya daging sapi busu diduga disebaban oleh esamaan nilai input blue dan nilai input indes green. Daging sapi busu ering memilii ciri warna has, namun hanya memberian nilai aurasi sebesar 28% dengan rincian 2 daging sapi busu ering, 2 daging sapi busu beu, 2 daging sapi busu dingin dan 1 tida teridentifiasi. Munculnya daging sapi busu beu diduga disebaban oleh samanya nilai input indes G dan munculnya daging sapi busu dingin diduga disebaban oleh tida berbedanya nilai input green, sampel ui yang tida teridentifiasinya diduga disebaban oleh nilai input intensitas yang ecil. Untu hasil identifiasi semua data ui pada semua enis daging menggunaan model aringan saraf tiruan General Regression Neural Networ. Ketepatan indentifiasi yang memuasan dengan aurasi 100% hanya teradi pada daging sapi busu dingin, diduga hal ini teradi arena daging sapi busu dingin memilii nilai input red dan intensitas yang tida berbeda. Ketelitian identifiasi enis daging yang memberian nilai aurasi diatas 50% teradi pada enis daging sapi segar sebesar 92,3 %, daging sapi segar dingin 81,8% daging sapi segar beu 90%, daging sapi segar ering 83,3, daging sapi segar direndam 72,7 daging sapi gelonggongan 55,5%, daging sapi busu beu 87,5 dan daging sapi busu ering 57,1%. Sedangan nilai aurasi yang berada dibawah 50% hanya teradi pada satu enis daging yaitu daging sapi busu yang memberian nilai aurasi sebesar 37,5%. Daging segar memberian nilai aurasi yang cuup memuasan 49

8 Eo Sediyono hingga 92%, dengan rincian 12 sebagai daging sapi segar dan 1 tida teridentifiasi, tida teridentifiasinya sampel ui diduga disebaban oleh terlalu besarnya nilai parameter blue Ketelitian identifiasi pada enis daging sapi segar beu memberian nilai aurasi sebesar 90% dengan rincian 9 teridentifiasi sebagai daging sapi segar beu dan 1 sebagai daging sapi segar dingin. Munculnya daging sapi segar dingin diduga disebaban oleh tida berbedanya nilai input intensitas. Daging sapi segar dingin memberian tingat aurasi sebesar 81,8% dengan rincian 9 daging sapi segar dingin dan 2 daging sapi gelonggongan. Munculnya daging sapi gelonggongan diduga adanya esamaan nilai red dan intensitas. Pada enis daging sapi segar ering memberian nilai aurasi 83,3% dengan rincian 10 sebagai daging sapi segar ering, 1 daging sapi busu ering dan 1 tida teridentifiasi. Munculnya daging sapi busu ering diduga disebaban oleh esamaan nilai input antara indes R, dengan indes B, dan saturation dengan intensitas, sedangan tida teridentifiasinya sampel ui diduga disebaban oleh rendahnya nilai input indes B. Daging sapi segar direndam validasinya memilii nilai aurasi sebesar 72,2% dengan rincian 8 daging sapi segar direndam, 1 daging sapi segar dingin, 1 daging sapi gelonggongan dan 1 tida teridentifiasi. Munculnya daging sapi segar dingin diduga disebaban oleh rendahnya nilai input indeb dan hue dan munculnya daging sapi gelonggongan diduga adanya esamaan nilai red dan intensitas. Daging sapi gelonggongan memilii nilai aurasi sebesar 55,5% dengan rincian 5 teridentifiasi sebagai daging sapi gelonggongan 2 sebagai daging sapi segar dingin 1 sebagai daging sapi segar dan 1 tida teridentifiasi. Munculnya daging sapi segar dingin diduga disebaban oleh adanya esamaan nilai input green dan indeg, munculnya daging sapi segar diduga disebaban oleh tingginya nilai intensitas. Sedangan tida teridentifiasi diduga disebaban oleh esamaan nilai input indes R dan intensitas. Daging sapi busu memberian nilai aurasi sebesar 37,5% dengan rincian 3 sebagai daging sapi busu, 2 busu sapi gelonggongan, 2 busu sapi beu dan 1 busu dingin. Munculnya daging sapi gelonggongan diduga disebaban oleh esamaan nilai input red dan intensitas, mulculnya daging sapi busu beu diduga disebaban oleh tida berbedanya nilai input red, indeb dan intensitas, sedangan munculnya daging sapi busu dingin diduga disebaban oleh tida berbedanya nilai input antara red dengan intensitas dan green dan blue. Daging busu validasinya memberian nilai aurasi 87,5% dengan rincian 7 daging busu, 1 daging busu beu, munculnya daging busu beu diduga disebaban tida berbedanya nilai input green dengan color value. Daging sapi busu ering validasinya memberian nilai aurasi sebesar 57,1% dengan rincian 4 daging sapi busu ering, 2 daging sapi segar ering dan 1 tida teridentifiasi. Munculnya daging segar ering diduga disebaban adanya esamaan nilai input red dan saturation, sedangan tida teridentifiasi enis daging diduga disebaban oleh rendahnya nilai input intensitas. Perbandingan aurasi hasil identifiasi antara aringan bacproagation dan general regression neural networ dapat dilihat pada tabel 4.3. Hasil identifiasi menunuan nilai aurasi yang berbeda pada setiap enis daging. Setelah mendapatan nilai aurasi dari masing-masing model, bai nilai aurasi yang didapatan dari model aringan bacpropagation maupun nilai aurasi yang didapatan dari model aringan GRNN. Dengan nilai tersebut ita dapat melauan perbandingan, model 50

9 manaah yang memilii nilai aurasi etepatan yang lebih bai. Tabel. Perbandingan Nilai Aurasi Bacpropagation dan GRNN Jenis Daging Sapi Aurasi (%) Bacpropagation GRNN Segar 23 92,3 Segar Beu 36,3 90 Segar Dingin 40 81,8 Segar Kering 8,3 83,3 Segar Rendam 54,5 72,7 Gelonggongan 0 55,5 Busu ,5 Busu Beu 37,5 87,5 Busu Dingin 38,4 100 Busu Kering 28,5 57,1 Rata-rata 29,4 81,3 Pada tabel diatas terdapat hasil aurasi identifiasi bacpropagation 0% yaitu pada daging sapi gelonggongan, mesipun data ui yang digunaan memilii emiripan dengan data training. Nilai aurasi 0% ini menunuan bahwa tida satupun data ui dienali sebagai daging sapi gelonggongan. Hasil validasi ini sangat dipengeruhi oleh bobot yang dihasilan pada saat pelatihan. E. Kesimpulan dan Saran Aurasi tertinggi yang dihasilan oleh aringan bacpropagation adalah 100% pada enis daging sapi busu, sedangan aurasi terendah adalah 0% teradi pada daging sapi gelonggongan. Aurasi tertinggi yang dihasilan menggunaan aringan GRNN adalah 100% pada enis daging busu sapi dingin sedangan aringan terendah adalah 37,5% teradi pada enis daging sapi busu. Aurasi rata-rata yang dihasilan oleh aringan bacpropagation sebesar 29,4%, sedangan aurasi rata-rata yang dihasilan oleh aringan GRNN adalah 81,3%. Secara umum arsitetur aringan GRNN mempunyai nilai aurasi yang lebih bai. Daftar Pustaa Hariyanto, Didi Studi Penentuan Nilai Resistor Menggunaan Selesi Warna Model HSI Pada Citra 2D. Jurnal Telomnia, Volume 1, Nomor 1. Yogyaarta: Universitas Ahmad Dahlan. Sofi'i', Imam; & Astia, Wayan; & Suroso Penentuan Jenis Cacat Bii Kopi dengan pengolahan citra dan artificial neural networ. Jurnal Ketenian Pertanian, Volume 19, Nomor 2. Bogor: Institut Pertanian Bogor. Somantri, A.S; & Misiyah; & Broto, Wisnu Identifiasi Mutu Fisi Jagung dengan Menggunaan Pengolahan Citra dan Jaringan Syaraf Tiruan. Jurnal Standarisasi, Volume 10, Nomor 3. Jaarta: Badan Standar Nasional. Somantri, A.S; & Misiyah; & Broto, Wisnu Pendugaan Tingat Keamanan Jagung dengan Menggunaan Pengolahan Citra Digital dan Jaringan Syaraf Tiruan. Jurnal Standarisasi, Volume 11, Nomor 1. Jaarta: Badan Standar Nasional. Suyantohadi, Atris; Hariadi, Mochamad; & Purnomo, M.H Artificial Life Model Pertumbuhan Tanaman Kedelai Menggunaan Metoda neural networ dan Lindenmayer System. Surabaya: Institut Tenologi Sepuluh November. Ahmad, Usman Pengolahan Citra Digital & Teni Pemrogramanya. Yogyaarta: Graha Ilmu. Bucle, K.A; & Ronald, A; & Edwards; & Graham, H.F; & Michael, W Ilmu Pangan (Teremahan Hari 51

10 Purnomo dan Adiono. Jaarta: Diretorat Jenderal Pendidian Tinggi. Kusumadewi, Sri Artifical Intellegence (Teni dan Apliasinya). Yogyaarta: Penerbit Graha Ilmu. Murni, Aniati Pengantar Pengolahan Citra. Jaarta: Elex Media Komputindo; & Pusat Antar Universitas Ilmu Komputer Universitas Indonesia. Putra, Darma Pengolahan Citra. Yogyaarta: Penerbit Andi. Siang, J.J Jaringan Syaraf Tiruan & Pemrogramannya Menggunaan Matlab. Yogytaarta: Penerbit Andi. Anonim Standar Nasional Indonesia Nomor 3947:1995 Tentang Daging Sapi dan Kerbau. Jaarta: Badan Standar Nasional. Anonim Standar Nasional Indonesia Nomor 3932:2008 Tentang Mutu Karas dan Daging Sapi. Jaarta: Badan Standar Nasional. Kastamana, Roni; & Abdulfatah, F.W Analisis Kinera Perangat Luna Pengolah Citra dengan Menggunaan Beberapa Metode Klasifiasi untu Menentuan Kualitas Buah Manggis. Proceeding of Kebiaan dan Apliasi Tenologi Informasi dan Komuniasi untu Peningatan Daya Saing Agribisnis Indonesia. Bogor: Institut Pertanian Bogor. Sutrisno; & Edris, Ismi M; & Sugiyono Apliasi Jaringan Syaraf Tiruan untu Pendugaan Mutu Pemeraman Pisang Raa Bulu setelah Penyimpanan. Proceeding of Seminar Nasional Himpunan Informatia Pertanian Indonesia. Jawa Barat: Institut Pertanian Bogor. Raharo, Sigit Apliasi Madu Sebagi Pengawet Daging Sapi Giling Segar Selama Proses Penyimpanan. Sripsi. Suraarta: Universitas Sebelas Maret. 52