Alikasi Jaringan Syaraf Tiruan (Sandra) APLIKASI JARINGAN SYARAF TIRUAN UNTUK PENDUGAAN MUTU MANGGA SEGAR SECARA NON-DESTRUKTIF Sandra 1) 1) Staf Pengajar Fakultas Pertanian, Universitas Andalas Padang ABSTRACT The objective of this study was to estimate grade of mango with artificial neural network. There are three grade of mango: grade I, grade II and grade III. Each grade consists of 40 samles. The Artificial Neural Network consists of three model; first model: 3 inut, second model: 5 inut and third model: 7 inut. Each of models consists of three oututs with 1000, 2500, and 5000 iteration, and 3, 5, and 7 hidden layers. The result of this study show that the accuracy of artificial neural network in grade of mango: (1) the first model 60% - 100%; (2) the second model 90% and (3) the third model 90 %. The conclusion of this study is the artificial neural network can redict the grade of mango and the best model is the third model. Keywords: Mango, grade, artificial neural network PENDAHULUAN Mangga meruakan komoditas hortikultura yang banyak digemari tidak hanya didalam negeri tetai juga ada masyarakat luar negeri. Mangga memunyai nilai ekonomis yang tinggi sehingga aabila dikembangkan dengan baik akan mamu meningkatkan endaatan etani serta mendukung erkembangan industri dan eksor. Salah satu tahaan dalam asca anen buah-buahan yang erlu mendaat erhatian adalah sortasi, yaitu suatu roses emisahan berdasarkan satu atau beberaa kriteria misalnya berdasarkan ukuran, berat, warna dan lain sebagainya. Parameter-arameter ini meruakan sifat fisik roduk yang berhubungan dengan faktor mutu. Selain itu ukuran buah yang seragam akan memudahkan dalam roses engemasan untuk transortasi. Di tingkat etani umumnya sortasi mutu mangga hanya dilakukan secara visual berdasarkan aroma dan engalaman (subjektif), sehingga menghasilkan roduk yang beragam karena keragaman manusia, kelelahan dan erbedaan ersesi tentang sifat fisik dari roduk yang disortasi, maka untuk mengatasi hal tersebut dierlukan suatu metode dan alat bantu untuk mensortasi mangga secara teat. Untuk itu dierlukan teknologi enanganan asca anen yang lebih ceat dengan tingkat kesalahan yang rendah untuk mengganti metoda manual yang dilakukan selama ini. Salah satu alternatif teknologi yang daat digunakan adalah engolahan citra, metoda citra ini meruakan metoda kuantitatif secara non-destruktif (tana merusak bahan) (Gao and Tan 1996.; Jain. et al. 1995) Jaringan syaraf tiruan meruakan sebuah struktur komutasi yang dikem bangkan dari roses sistem jaringan syaraf biologi di dalam otak (Patterson. 1996; Kleforrs. 1998). Pada dasarnya jaringan syaraf tiruan terdiri dari beberaa laisan noda yaitu laisan inut, satu atau lebih laisan terselubung dan laisan outut. Unit komutasi yang aling sederhana dalam setia laisan disebut noda dan terhubung satu sama lain (kleforrs. 1998). Keuntungan dari metode jaringan syaraf tiruan adalah daat membangun fungsi non linier dan hanya memerlukan data masukan dan keluaran tana mengetahui dengan jelas roses dalam jaringan (Gunayanti, 2002; Subiyanto. 2001; Suharyanto. 1997; 66
Jurnal Teknologi Pertanian, Vol. 6 No. 1 (Aril 2005) 66-72 Kleforrs 1998). Hal ini cocok diterakan ada data citra. Penelitian ini bertujuan untuk Merancang arsitektur jaringan syaraf tiruan yang sesuai untuk menduga mutu mangga, berdasarkan data citra dan Memelajari engaruh data engolahan citra terhada mutu mangga. BAHAN DAN METODE Penelitian dilakukan ada bulan Setember 2004. Data yang digunakan berasal dari enelitian Gunayanti (2002).tentang Pemutuan (grading) Buah Mangga (Mangifera indica L) Berdasarkan Sifat Fisik Permukaan Buah Menggunakan Pengolahan Citra. Samel mangga digunakan ada mutu I, mutu II dan mutu III, masing-masing 40 buah. Alat yang digunakan dalam enelitian tersebut adalah 1 set alat citra digital (kamera CCD, komuter, lamu), timbangan, jangka sorong. Pengambilan citra. Data yang didaat adalah nilai indek R, G, B, dan komonen tekstur ermukaan kulit mangga. Ruang Lingku Penelitian Dalam menentukan mutu buah seringkali menjadi masalah dan sangat sulit menetakan-nya. Jaringan syaraf tiruan tidak memerlukan model matematis tai hanya memerlukan data dari masalah yang akan diselesaikan, dengan kata lain informasi disamaikan melalui data. Penelitian ini dibatasi ada roses endugaan mutu dari mangga. Data inut berasal dari data engolahan citra (R, G, B), luas area dan komonen tekstur. Outut sistem adalah mutu mangga, yaitu mutu I; mutu II dan mutu III. Pendugaan mutu mangga daat dijadikan salah satu arameter dalam sortasi dan engemasan. Metode Pengembangan Model Sistem jaringan syaraf tiruan akan menggunakan data hasil engukuran dengan citra sebagai masukan dan akan mengolahnya sehingga menghasilkan keluaran berua mutu buah mangga. Jaringan syaraf tiruan yang dikembangkan adalah jaringan syaraf tiruan laisan jamak yang terdiri dari tiga laisan yaitu laisan inut/masukan, laisan tersembunyi dan laisan keluaran. Laisan inut adalah (X1, X2, X3, Xn) antara lain data dari engolahan citra. Sedangkan laisan outut/keluaran adalah mutu buah mangga yaitu mutu I; mutu II dan mutu III. Jumlah laisan tersembunyi akan ditentukan ada training (elatihan) dan validasi berdasarkan kesalahan ada saat training (elatihan) dan validasi. Algorithma elatihan/training jaringan syaraf tiruan yang digunakan adalah backroagation, dan untuk memerbaiki kinerja jaringan syaraf tiruan ditambahkan konstanta momentum (δ) serta konstanta embelajaran (α). Model yang diakai ada enelitian ini terdiri dari 3 model yaitu: 1. Model I yaitu model JST yang terdiri dari 3 buah masukan (inut) hasil engolahan citra R, G, B (red, green, blue) dengan 3 keluaran mutu I, II dan III. 2. Model II yaitu model JST yang terdiri dari 5 buah inut data non-destruktif meliuti hasil engolahan citra R, G, B (red, green, blue),berat dan luas dengan 3 buah keluaran mutu I, mutu II dan mutu III. 3. Model III yaitu model JST yang terdiri dari 7 buah masukan (inut) data non-destruktif dan data destruktif meliuti hasil engolahan citra R, G, B (red, green, blue),berat, luas dan komonen tekstur (contras, homogen, energy dan entroy) dengan 3 buah keluaran mutu I, mutu II dan mutu III. 67
Jurnal Teknologi Pertanian, Vol. 6 No. 1 (Aril 2005) 66-72 R Outut G Outut B Outut Gambar 1. Arsitektur jaringan syaraf tiruan model I. Algorithma elatihan backroagation adalah sebagai berikut: 1. Inisialisasi Pembobot Mula-mula embobot diilih secara acak, kemudian setia sinyal inut diberikan ke dalam noda ada laisan inut, lalu sistem akan mengirim sinyal ke noda ada laisan terselubung selanjutnya 2. Perhitungan nilai aktivasi Setia noda ada laisan terselubung, dihitung nilai net inutnya dengan cara menjumlahkan seluruh hasil erkalian antara noda inut dengan embobotnya sesuai dengan ersamaan berikut: dimana: = indeks asangan inutoutut yang diilih dari set elatihan NetL = net inut dari noda ke-i i NetL i O( L 1) = jwij ada laisan L yang berhubungan dengan contoh ke- O ( L 1 ) j = outut noda ke-j ada laisan L dikurangi 1 (L-1) berhubungan dengan contoh ke- Wij = embobot yang menghubungkan noda ke-j ada laisan (L- 1) dengan noda ke-i ada laisan L 3. Perbaikan Nilai Pembobot ( (Weight) Nilai aktivasi merambat menuju laisan di deannya seerti roses di atas samai laisan outut tercaai. Nilai outut dari setia noda ada laisan outut hasil erhitungan jaringan syaraf tiruan dibandingkan dengan nilai target. Galat dihitung berdasarkan hubungan antara nilai outut jaringan dengan nilai target yang dihitung sesuai dengan ersamaan berikut: E dimana: E = nilai galat asangan ke- O = nilai outut noda ke-i i untuk asangan ke- T = nilai taget ke-i ada i = ( O T i i asangan ke- Laju elatihan atau learning rate harus diilih antara 0 samai 0,9. laju elatihan menentukan keceatan elatihan samai jaringan syaraf tiruan mencaai keadaan otimal. Prinsi dasar algorithma Backroagation adalah memerkecil galat hingga mencaai minimum global. 4. Pengulangan (iterasi) Keseluruhan roses dilakukan ada setia contoh dan setia iterasi samai sistem mencaai keadaan otimum. Iterasi tersebut mencaku emberian contoh asangan inut dan outut, erhitungan nilai aktivasi dan erubahan nilai embobot (weight) ) 2 68
Jurnal Teknologi Pertanian, Vol. 6 No. 1 (Aril 2005) 66-72 Analisis s Data Analisis meliuti enghitungan ratarata nilai intensitas warna objek (R,G,B), engukuran tekstur dilakukan dengan menggunakan emat features yang dierkenalkan oleh Harick dan kawankawan ada tahun 1973. emat features tersebut adalah energy, Contrast, Homogenity dan Entroy. Nilai-nilai ini dijadikan sebagai data inut. Data ada JST dibagi dalam dua bagian yaitu data untuk uji training (elatihan) dan data validasi. Training terdiri dari 2/3 bagian mangga yaitu sebanyak 24 data. Validasi terdiri dari 1/3 bagian data yaitu 10 data. Kinerja JST dinilai berdasarkan nilai RMSE (root mean square error) ada roses generalisasi terhada contoh data inut-outut baru. Persamaan RMS Error: RMSError ( a) n = nilai rediksi jaringan syaraf tiruan a = nilai aktual yang diberikan n = jumlah contoh ada data validasi Pemanfaatan sistem Sistem ini akan daat digunakan sebagai otak alat sortasi yang berdasarkan ukuran, warna dan tekstur ermukaan kulit, dengan menggunakan data citra sebagai masukan dan keluaran mutu mangga. Validasi model Validasi dilakukan sebagai roses engujian kinerja atau keteatan rediksi JST (keakuratan) terhada contoh yang diberikan selama roses elatihan. Pada roses Validasi, setelah model diberikan elatihan, maka model diuji dengan data yang lain, ini dimaksudkan sejauh mana model daat memrediksi nilai-nilai keluaran dari nila-nilai masukan yang diberikan. Validasi model dirumuskan dengan ersamaan: = A Validasi (%) = X100% B n 2 A = Jumlah data hasil endugaan yang sama dengan target. B = Jumlah data target HASIL DAN PEMBAHASAN Penggunaan JST ini dibagi menjadi dua bagian melakukan elatihan dan validasi. Data dibagi dua kelomok yaitu data untuk elatihan (training) dan data validasi. Set data yang digunakan untuk analisa JST meruakan contoh asangan target keluaran dan arameterarameter masukan. Pada enelitian ini asangan target keluaran berua bilangan biner yang berbentuk vektor untuk nilai keluaran tia mutu mangga. Bilangan biner untuk enentuan mutu tersebut adalah : (1,0,0) untuk mutu I; (0,1,0) mutu II; (0,0,1) mutu III. Set data yang digunakan dalam elatihan harus mencaku nilai maksimum dan nilai minimum untuk tiatia arameter keluaran dan masukan Penentuan konstanta elatihan dan konstanta momentum dilakukan dengan metode trial and error, menghasilkan konstanta momentum 0,9 dan laju embelajaran 0,9; nilai aktivasi adalah 1 (Gambar 2). Pada ermulaan elatihan nilai bobot yang diberikan ada sistem adalah nilai bobot yang berasal dari bilangan acak (random). Selama roses elatihan didaat RMS Error serta erubahan nilai embobot untuk tia iterasi ada setia simul JST. Nilai RMS Error terendah serta nilai embobot terakhir diguna-kan untuk endugaan ada validasi. a. Jaringan Syaraf Tiruan Model I dengan Inut Data Citra JST Model I menggunakan data R,G,B sebagai inut, dengan 3 outut. Setelah dilakukan elatihan maka didaat nilai RMS Error model I ada Tabel 1. 69
Jurnal Teknologi Pertanian, Vol. 6 No. 1 (Aril 2005) 66-72 Tabel 1. RMS Error Jaringan Syaraf Tiruan Model I Laisan RMS Error ada Iterasi Tersembuny i 1000 2500 5000 3 0,0621 0,0567 0,0542 5 0,0597 0,0573 0,0548 7 0,0591 0,0568 0,0543 laisan tersembunyi 3 dengan iterasi 5000 dan 1000, disini terlihat bahwa jumlah iterasi berengaruh terhada nilai RMSE ada laisan tersembunyi yang sama dimana makin besar iterasi makin kecil nilai RMSEnya. Untuk engujian kinerja JST, setelah elatihan maka dilakukan validasi. Hasil validasi meruakan besarnya akurasi rediksi, terlihat ada Tabel 2. Dari Tabel 1 terlihat nilai RMS Error terkecil dan terbesar terdaat ada Gambar 2. Tamilan rogram JST emutuan mangga. Tabel 2. Kesalahan Prediksi JST (%) Model I Mutu mutu I mutu II mutu III Jenis kesalahan Prediksi Iterasi 1000 Iterasi 2500 Iterasi 5000 3 5 7 3 5 7 3 5 7 40 30 30 0 40 10 30 20 0 Salah klasifikasi 10 20 20 30 10 10 20 10 10 30 30 30 10 10 20 40 10 0 Salah klasifikasi 10 10 10 0 0 0 0 0 0 20 20 20 20 0 0 10 0 10 Salah klasifikasi 10 0 0 10 10 10 10 10 10 70
Alikasi Jaringan Syaraf Tiruan (Sandra) Tabel 2. terlihat JST daat memrediksi lebih dari searo samel dengan teat dengan kesalahan 40%, untuk mutu II dengan laisan tersembunyi 7 itersai 5000 JST daat memrediksi 100%. Kesalahan rediksi JST terdiri atas dua bagian ertama tidak, dan salah klasifikasi, salah klasifikasi mutu I ke mutu II; mutu II ke mutu III dan yang mutu III dirediksi mutu II. b. Jaringan Syaraf Tiruan Model II dengan 5 Inut Model II menggunakan 5 inut.data yaitu R,G,B, berat dan luas. Nilai RMS Error JST Model II ada Tabel 3. nilai RMS Error terkecil 0,0222 terdaat ada iterasi 5000 laisan 7. dan nilai RMS Error terbesar 0,0337 ada iterasi 1000 dengan laisan tersembunyi 5. Tabel 3. RMS Error Jaringan Syaraf Tiruan Model II Laisan RMS Error ada Iterasi 1000 2500 5000 3 0,0336 0,0269 0,0248 5 0,0337 0,0258 0,0244 7 0,0328 0,0250 0,0222 JST model II untuk mutu I daat memrediksi mutu mangga 100%, sedangkan untuk mutu II dan mutu II rediksinya mencaai 90% (Tabel 4). Kesalahan ada mutu II sebagian besar tidak sedangkan ada mutu III semua kesalahan adalah salah klasifikasi terjadi ada setia laisan tersembunyi. Jaringan syaraf tiruan model III terdaat 9 inut data meliuti R,G,B,berat, luas dan komonen tekstur (contras, homogen, energy dan entroy). Tabel 5. RMS Error Jaringan Syaraf Tiruan Model III Laisan RMS Error ada Iterasi 1000 2500 5000 3 0,0347 0,0216 0,0199 5 0,0275 0,0192 0,0180 7 0,0300 0,0206 0,0186 Nilai RMS Error jaringan syaraf tiruan Model III dalam memrediksi mutu mangga daat dilihat ada Tabel 5. nilai RMS Error terkecil 0,0180 terdaat ada iterasi 5000 dengan laisan tersembunyi 5. dan nilai RMS Error terbesar 0,0347 iterasi 1000 laisan tersembunyi 3. Akurasi rediksi dari validasi model III ada Tabel 6. Untuk semua iterasi tidak ada terjadi kesalahan rediksi dengan kata lain bahwa jaringan syaraf tiruan daat memrediksi 100% mutu mangga sesuai dengan inut yang diberikan, kecuali untuk iterasi 1000 laisan 5 10% salah klasifikasi untuk mutu III, Tabel 4. Kesalahan Prediksi JST (%) Model II Mutu mutu I mutu II mutu III Jenis kesalahan Prediksi Iterasi 1000 Iterasi 2500 Iterasi 5000 3 5 7 3 5 7 3 5 7 Salah klasifikasi 0 10 0 0 10 10 0 10 10 Salah klasifikasi 0 0 0 10 0 0 0 0 0 Salah klasifikasi 10 10 10 10 10 10 10 10 10 71
Jurnal Teknologi Pertanian, Vol. 6 No. 1 (Aril 2005) 66-72 Tabel 6. Kesalahan Prediksi JST (%) Model III Mutu mutu I mutu II mutu III Jenis kesalahan Prediksi Iterasi 1000 Iterasi 2500 Iterasi 5000 3 5 7 3 5 7 3 5 7 Salah klasifikasi Salah klasifikasi Salah klasifikasi 0 10 0 0 0 0 0 0 0 c. Jaringan Syaraf Tiruan Model III dengan 9 Inut Dari semua kesalahan rediksi ada setia model ini disebabkan oleh data yang memang kurang akurat, karena untuk menentukan erbedaan mutu buah secara manual sangat sulit, karena di tingkat etani emutuan berdasarkan besar dan berat yang dinilai secara visual jadi ada sebagian data yang memang salah klasifikasi, ini terlihat dari kesalahan rediksi umumnya terjadi ada data yang sama ada setia iterasi dan ada setia laisan tersembunyi untuk setia model. KESIMPULAN Jaringan Syaraf Tiruan daat memrediksi mutu mangga. Akurasi rediksi yang tertinggi terdaat ada model III dan yang terendah ada model I. Kesalahan rediksi jaringan syaraf tiruan terbagi 2 yaitu salah klasifikasi dan tidak. Pada model I dan model II untuk mutu I dan mutu II kesalahan terbanyak tidak, untuk mutu III terbanyak salah klasifikasi.dalam memrediksi mangga model yang terbaik adalah Model III dengan iterasi 2500 dan 5000 yang daat memrediksi mangga dengan tingkat kesalahan 0%.Makin besar jumlah laisan tersembunyi dan banyak iterasinya maka waktu yang digunakan dalam roses elatihan akan lama. Data yang digunakan dalam elatihan dan untuk validasi ada Jaringan Syaraf Tiruan harus benar-benar data yang akurat. Dilakukan engembangan JST untuk alat sortasi mangga secara on-line berasiskan citra digital. DAFTAR PUSTAKA Gao, X and J. Tan. 1996. Analysis of Exanded-Food Texture by Image Processing. Part I. Geometric Proerties. Journal of Food Process Engineering 19, 425 444. Gunayanti, S. 2002. Pemutuan (grading) Buah Mangga (Mangifera indica L) Berdasarkan Sifat Fisik Permukaan Buah Menggunakan Pengolahan Citra. Jain, R., R. Kasturi and B.G. Schunck. 1995. Machine Vision. McGraw-Hill Book, Inc. New York, USA. Klerforrs, Daniel., 1998. Artificial Neural Networks. Saint Louis University School of Business & Administration. Patterson, D.W., 1996. Artificial Neural Network Theory and Alications. Prentice Hall. Singaore. 72
Jurnal Teknologi Pertanian, Vol. 6 No. 1 (Aril 2005) 66-72 Subiyanto. 2001. Alikasi Jaringan Syaraf Tiruan sebagai Metode Alternatif Prakiraan Beban Jangka Pendek. J. Elektro Indonesia. Nomor 29, Tahun VI, Januari 2000 Suharyanto, 1997. Alikasi Artificial Neural Network di Bidang Rekayasa Keairan. Makalah Seminar dan Pameran Teknologi Komuter, 22-23 Setember 1997. Fakultas Teknik- UNDIP. Semarang. 1