PENDAHULUAN. Latar Belakang

Latar Belakang PENDAHULUAN Belimbing manis (Averrhoa carambola L) termasuk salah satu komoitas tanaman hortikultura yang banyak igemari masyarakat Bentuknya khas terlihat seperti bintang apabila iiris melintang Orang Barat menyebutnya sebagai starfruits Kanungan gizinya cukup lengkap terutama kanungan vitamin A an vitamin C Ciri-ciri jenis belimbing manis yang iunggulkan aalah bentuknya besar warnanya menarik seratnya halus berair banyak an rasanya manis segar Proses pascapanen belimbing manis yang cukup penting salah satunya aalah tahap sortasi buah Paa tahap ini buah ikelompokkan menurut ukuran an fase masak Hanya buah yang manis yang ipasarkan segar Belimbing manis yang ipasarkan harus memenuhi stanar yang iterima konsumen secara luas baik i pasar alam negeri maupun pasar global Hal ini alam rangka memberikan jaminan mutu serta meningkatkan aya saing prouk yang ihasilkan petani (RSNI Belimbing 2007) Penentuan tingkat kemanisan belimbing manis umumnya ilakukan berasarkan warna buah secara visual Namun perubahan warna yang graual menyulitkan penentuan rasa buah Selain itu penilaian secara manual untuk menentukan tingkat kemanisan buah seringkali menghasilkan pengelompokkan buah yang tiak seragam Saat ini proses pengolahan citra (image processing) telah berkembang luas Termasuk i alamnya proses pengolahan citra untuk mengelompokkan atau pengenalan buah Paa umumnya teknologi pengolahan citra igunakan untuk menentukan kualitas buah berasarkan ukuran bentuk an warna Irmansyah (2008) telah mengembangkan aplikasi pengolahan citra menggunakan analisis warna untuk klasifikasi tingkat ketuaan belimbing manis Analisis warna yang igunakan yaitu moel warna RGB HSI L*a*b* an L*u*v* Analisis warna citra yang iperoleh ari pengolahan citra tersebut apat ipertimbangkan untuk mengklasifikasi belimbing manis berasarkan tingkat ketuaan Metoe pengolahan citra lainnya yang apat igunakan untuk pemutuan buah salah satunya yaitu moel Probabilistic Neural Networks (PNN) Moel ini mengambil asar Jaringan Syaraf Tiruan (JST) PNN telah banyak terbukti menghasilkan tingkat akurasi yang tinggi misalnya untuk sortasi mentimun (Ferianto 2003) an kurma (Fael 2007) Hasil akurasi PNN lebih baik aripaa JST Back Propagation paa sortasi mentimun yaitu akurasi PNN mencapai 95625% an akurasi JST Back Propagation sebesar 90% seangkan akurasi paa klasifikasi kurma bervariasi bahkan mencapai 00% Metoe pembelajaran sekali lewat paa PNN juga menyebabkan PNN banyak igunakan paa proses pengolahan citra Pengembangan moel PNN juga telah igunakan untuk menentukan kematangan buah belimbing manis Fathurohman (2009) menggunakan moel PNN engan nilai RGB an HSI paa citra belimbing manis Akurasi yang iperoleh mencapai 9068% Tingkat kematangan buah tersebut iklasifikasi ke alam tingkat kematangan panen 40 hari panen 50 hari panen 60 hari panen 70 hari an panen 80 hari Paa penelitian ini akan ikembangkan moel PNN untuk sortasi belimbing manis berasarkan nilai RGB citra Tujuan Penelitian ini bertujuan mengembangkan moel Probabilistic Neural Networks untuk sortasi belimbing manis berasarkan citra RGB an membuat preiksi nilai Total Paatan Terlarut (TPT) belimbing manis Ruang Lingkup Ruang lingkup penelitian ini yaitu ata yang igunakan aalah citra belimbing manis kultivar Dewi ari penelitian Irmansyah (2008) beserta nilai TPT tiap citra Data citra belimbing manis merupakan hasil ari empat kali masa panen yang masing-masing masa panen berjumlah 75 citra sehingga total ata yang igunakan sebanyak 300 citra TINJAUAN PUSTAKA Belimbing Manis (Averrhoa carambola L) Berasarkan klasifikasinya tanaman belimbing terbagi menjai ua spesies yaitu Averrhoa bilimbi (belimbing wuluh) an Averrhoa carambola L (belimbing manis) Belimbing wuluh berasal ari aratan Malaysia seangkan belimbing manis merupakan tanaman asli Inonesia Belimbing manis merupakan tanaman buah-buahan tahunan bercabang an itanam terutama untuk iambil buahnya Buah belimbing icirikan oleh sayap/linggir buah yang apabila ipotong

melintang seperti bintang sehingga alam bahasa Inggris isebut starfruits Jumlah linggir sebanyak 4 atau 5 segi Oleh karenanya apabila buahnya iiris secara melintang menghasilkan penampang yang menarik seperti bintang maka sering igunakan untuk hiasan nasi atau sebagai sala Sari buah belimbing kaya akan vitamin C selain imakan segar juga ibuat manisan minuman an jeli (Ashari 2006) Taksonomi belimbing manis aalah termasuk alam kingom Plantae ivisi Spermatophyta sub ivisi Angiospermae kelas Dicotyleonae oro Oxaliales famili Oxaliaceae an genus Averrhoa Sewaktu mua buahnya berwarna hijau mua an berubah kuning sampai kemerahan setelah tua Jenis belimbing manis yang iunggulkan ciricirinya aalah bentuknya besar warnanya menarik seratnya halus berair banyak an rasanya manis segar Buah Belimbing Manis sangat lezat jika imakan alam keaaan segar tetapi juga nikmat untuk ikonsumsi alam bentuk juice maupun prouk olahan lainnya Selain sebagai sumber nutrisi tubuh manusia buah belimbing juga igunakan untuk pencegahan bahkan terapi berbagai macam penyakit antara lain bermanfaat alam menurunkan tekanan arah anti kanker memperlancar pencernaan menurunkan kolesterol an membersihkan usus (Anonim 2002) Belimbing manis i aerah-aerah i Inonesia ikenal engan bermacam nama misalnya Asom Jorbing (Batak) Balimbing Manih (Minangkabau) Belimbing Manis (Melayu) Balimbing Amis (Suna) Blimbing Legi (Jawa Tengah) Bhalimbhing Manes (Maura) Lembetua (Gorontalo) Lombituka Gula (Buol) Takule (Baree) Bainang Sulapa (Makasar) Balireng (Bugis) Baknil Kasluir (Kai) Totofuko (Ternate) Toiuo (Tiore) an Balibi Totofuko (Halmahera) Ragam varietas belimbing manis i Inonesia cukup banyak i antaranya varietas Sembiring Siwalan Dewi Demak Kapur Demak Kunir Demak Jingga Pasar Minggu Wijaya Paris Filipina Taiwan Bangkok an varietas Malaysia Tahun 987 telah ilepas ua varietas Belimbing manis kultivar Dewi seperti paa Gambar memiliki ciri khas buah besar an panjang rasanya manis an kaar airnya seikit sehingga tahan isimpan lama paa suhu ruangan atau i kamar tanpa berkurang rasanya Ketika suah matang warnanya kuning mengkilat sampai kemerahan an kelima sisi siripnya pun berwarna kehijauan (Santoso 999) Gambar Belimbing Dewi (Santoso 999) Warna Belimbing Manis Metoe yang paling apat ipercaya untuk meramalkan waktu panen an penerimaan penjualan i pasar aalah engan mengamati perkembangan warna an ukurannya Pertimbangan perubahan warna paa starfruits ipahami engan baik (Nakasone & Paull 998) Serupa engan buah-buahan lainnya yang menunjukkan suatu perilaku monocarpic starfruits terlihat hijau paa awal waktu ketuaan Warna ini secara berangsur-angsur berubah ke meium hijau ketika matang an akhirnya menjai kuning kemerahan ketika ranum Saat warna kulit berkembang kaar gula belimbing manis meningkat an keasamannya berkurang Paa prinsipnya hilangnya warna hijau berkaitan engan berkurangnya kaar klorofil paa subcellular organelles khusus yang isebut chloroplasts Secara umum penurunan warna hijau (egreening) ekat juga hubungannya engan umur an berkurangnya kesegaran starfruits setelah panen Berkaitan engan ini stanar FAMA untuk kelas starfruits iefinisikan ke alam empat kelas ketuaan: mentah (unripe) seang (unerripe) matang (ripe) an ranum (overrripe) seperti itunjukkan paa Gambar 2 (Abullah et al 2005) Gambar 2 Empat kelompok starfruits sebagai acuan empat kelas ketuaan yang berbea; (a) unripe (b) unerripe (c) ripe an () overripe (Abullah et al 2005) 2

Total Paatan Terlarut (TPT) TPT merupakan bahan-bahan terlarut alam air yang tiak tersaring engan kertas saring millipore engan ukuran pori 045 µm Paatan ini teriri ari senyawa-senyawa anorganik an organik yang terlarut alam air mineral an garam-garamnya Nilai TPT berkorelasi engan kanungan sukrosa i alam buah Warna yang iperoleh ari pengolahan citra mempunyai korelasi terhaap nilai TPT Korelasi antara TPT engan warna menggambarkan bahwa seiring engan peningkatan ketuaan paa buah terjai penurunan kanungan klorofil an peningkatan kanungan pigmen karoten an flavonoi an buah memiliki kanungan sukrosa yang semakin besar (Irmansyah 2008) Sortasi Buah Paa tahap sortasi buah yang baik engan yang tiak baik ipisahkan Hal ini untuk menapatkan buah yang memiliki keseragaman varietas berat tingkat kesegaran an tingkat ketuaan Buah ikelompokkan menurut ukuran an fase masak Buah engan ukuran besar (250-300 gr) an fase masak penuh ipisahkan untuk penjualan ke pasar swalayan Selama 24 jam apat terjai seikit perubahan warna an rasa Setelah itu praktis tiak terjai peningkatan rasa manis Buah yang lebih kecil (50-250 gr) an kematangannya penuh apat ipasarkan ke pasar traisional seangkan buah yang lebih kecil engan matang penuh yang tainya ipisahkan karena kerusakan mekanis maupun gangguan organisme pengganggu tanaman apat iproses lebih lanjut untuk sari buah an sebagainya (Santoso 999) Pengolahan Citra (Image Processing) Citra igital merupakan suatu matriks Ineks baris an kolomnya menyatakan suatu titik paa citra an elemen matriksnya menyatakan tingkat keabuan paa titik tersebut Setiap elemen telah memiliki lokasi an nilai yang khusus Elemen-elemen ini sering isebut sebagai picture elements image elements pels atau pixels Pengolahan citra igital merupakan proses yang masukan an keluarannya aalah citra an meliputi proses pengekstrakan atribut ari citra an pengenalan citra Selain itu yang imaksu engan pengolahan citra igital biasanya aalah pengolahan citra menggunakan komputer igital (Gonzalez & Woos 2002) Pengolahan Moel Warna RGB Sebuah citra warna RGB aalah matriks M N 3 piksel warna yang mana tiap piksel warna merupakan triplet komponen merah hijau an biru ari sebuah citra RGB seperti itunjukkan paa Gambar 3 (Gonzalez et al 2002) Gambar 3 Skema tiga komponen warna citra RGB (Gonzalez et al 2002) Pengolahan moel warna RGB ilakukan engan menormalisasi terhaap ketiga komponen warna yaitu merah (R) hijau (G) an biru (B) Cara melakukan normalisasi aalah sebagai berikut (Irmansyah et al 2008): r = g = b = R R+G+B G R+G+B B R+G+B Hierarchical Clustering Hierarchical clustering aalah sebuah teknik clustering yang umumnya itampilkan menggunakan iagram pohon (tree) yang isebut enrogram seperti paa Gambar 4 Gambar 4 Ilustrasi hierarchical clustering ari empat objek engan enrogram (Tan et al 2005) Struktur hierarki yang ibentuk paa hierarchical clustering menempatkan setiap objek sebagai suatu cluster terseniri kemuian menggabungkan cluster-cluster yang memiliki kemiripan menjai cluster yang lebih besar sampai akhirnya setiap objek beraa paa satu 3

cluster atau sampai paa konisi yang memuaskan Penggabungan atau pembentukan cluster yang lebih besar tersebut iasarkan ari kemiripan antar cluster Moel Box Plots Moel box plots ari sebuah ata sample menghasilkan sebuah kotak (box) an whisker plot (kumis kucing) untuk masing-masing kolom ari suatu matriks atau suatu garis vektor yang ikelompokkan oleh garis vektor lainnya The box mempunyai garis paa nilai kuartil yang lebih renah nilai tengah an nilai kuartil bagian atas The whisker merupakan garis yang memanjang ari akhir masing-masing box yang menunjukkan tingkat sisa ari ata Outliers aalah ata engan nilai i luar ari the whisker Jika tiak aa ata i luar the whisker sebuah titik iletakkan paa asar the whisker (Velleman & Hoaglin 98) Contoh box plots apat ilihat paa Gambar 5 Gambar 5 Box plots nilai TPT alam 3 cluster Analisis Regresi Bergana Persamaan matematik yang memungkinkan kita meramalkan nilai-nilai suatu peubah tak bebas ari nilai-nilai satu atau lebih peubah bebas isebut persamaan regresi Istilah ini berasal ari telaah kebakaan yang ilakukan oleh Sir Francis Galton (822-9) yang membaningkan tinggi baan anak laki-laki engan tinggi baan ayahnya Galton menunjukkan bahwa tinggi baan anak laki-laki ari ayah yang tinggi setelah beberapa generasi cenerung munur (regresse) menekati nilai tengah populasi (Walpole 992) Moel regresi linear bergana melibatkan lebih ari satu peubah bebas Contoh acak berukuran n ari populasi apat ituliskan sebagai {(x x 2 x ki y i ); i = 2 n} Nilai y i aalah nilai yang berasal ari suatu peubah acak Y i Kita asumsikan berlakunya persamaan: Y x x 0 2 2 k x k Lambang β 0 β β k aalah parameter yang harus iuga ari ata Dengan melambangkan nilai ugaannya engan b 0 b b k maka kita apat menuliskan persamaan regresi contohnya alam bentuk: Y b0 b x b2 x2 b k x k Misalkan moel regresi engan kasus 2 peubah bebas x an x 2 maka moelnya: sehingga setiap pengamatan {(x i x 2i ; y i ); i = 2 n} akan memenuhi persamaan: Jaringan Syaraf Tiruan (JST) Jaringan Syaraf Tiruan (JST) merupakan suatu sistem pemrosesan informasi igital yang memiliki karakteristik-karakteristik seperti jaringan saraf paa makhluk hiup Paa asarnya pemrosesan informasi paa JST mengacu paa pemrosesan informasi yang terjai paa sel-sel saraf biologis yaitu engan pemancaran sinyal elektro kimia melalui serabut-serabut saraf (neuron) Paa JST setiap neuron menerima input ari setiap neuron lain yang ikalikan engan suatu nilai pembobotan yang sesuai Total penjumlahan akumulatif ari himpunan input terboboti inamakan engan level aktivasi Level aktivasi inilah yang akan menentukan kemungkinan apakah suatu neuron apat meneruskan sinyal ataukah tiak kepaa neuron-neuron yang lain Sebelum apat igunakan JST harus iberikan pelatihan terlebih ahulu Pelatihan ini iperlukan untuk menemukan nilai pembobotan yang tepat bagi JST agar keluarannya menjai benar (Seminar et al 2006) Pengklasifikasian Bayes Pengklasifikasian Bayes merupakan suatu metoe klasifikasi yang menggunakan suatu fungsi iskriminan paa peluang posterior kelas Pengklasifikasian Bayes banyak igunakan paa PNN Dengan menggunakan metoe Bayes klasifikasi apat ilakukan seoptimal mungkin engan cara meminimalisir nilai kerugian yang terjai bila terjai kesalahan klasifikasi Untuk mengklasifikasikan input x agar masuk ke alam kelas A maka harus ipenuhi syarat: haca f A( x) hbcb fb( x) engan: h A Y 0 x 2x2 Y b0 b x b2 x2 = kemungkinan contoh terambil ari kelas A e i 4

h B c A c B = kemungkinan contoh terambil ari kelas B = biaya yang ikorbankan bila terjai kesalahan klasifikasi input A = biaya yang ikorbankan bila terjai kesalahan klasifikasi input B f A = fungsi kepekatan A f B = fungsi kepekatan B Apabila syarat persamaan i atas tiak terpenuhi maka input x imasukkan ke alam kelas B (Seminar et al 2006) Penuga Kepekatan Parzen Fungsi kepekatan yang igunakan untuk PNN yang berkaitan engan ata multivariate aalah fungsi kepekatan Parzen Fungsi Parzen merupakan suatu proseur non parametrik yang mensintesis penuga Probability Density Function (PDF) Gauss Fungsi Parzen akan memberikan keputusan klasifikasi setelah menghitung PDF untuk setiap kelas melalui pola pelatihan yang aa Paa fungsi Parzen terapat fungsi pembobot yang isebut engan fungsi Kernel (K(x)) Fungsi Parzen untuk ata multivariate apat inotasikan engan (Seminar et al 2006): g x = n K x x i nσ 2 i= σ seangkan Fungsi Kernel yang igunakan aalah fungsi Gauss inotasikan engan: K x = σ (2π) 2 exp x 2 2σ 2 engan emikian iperoleh fungsi kepekatan untuk kelas A sebagai berikut: f A x = engan: N A σ (2π) 2 N A i= exp x x Ai T (x x Ai ) x Ai = pola pelatihan ke-i kelas A = imensi vektor input 2σ 2 N A = jumlah pola pelatihan kelas A N σ = jumlah pola pelatihan seluruh kelas = faktor penghalus Probabilistic Neural Networks (PNN) PNN merupakan JST yang menggunakan teorema probabilitas klasik seperti pengklasifikasian Bayes an penuga kepekatan Parzen Proses yang ilakukan oleh PNN apat berlangsung lebih cepat bila ibaningkan engan JST Back Propagation Hal ini terjai isebabkan PNN hanya membutuhkan satu kali iterasi pelatihan bila ibaningkan engan JST Back Propagation yang membutuhkan beberapa kali iterasi alam proses pelatihannya Walaupun emikian keakuratan ari klasifikasi PNN sangat itentukan oleh nilai faktor penghalus (σ) an pola pelatihan yang iberikan Bila nilai σ yang iterapkan paa PNN tepat maka akurasi klasifikasi akan menekati atau mencapai 00% Bila nilai σ yang iterapkan tiak tepat maka akurasi klasifikasi PNN akan berkurang Faktor penghalus (σ) merupakan suatu nilai parameter yang berguna untuk menghaluskan fungsi kernel Secara tiak langsung nilai σ berperan pula alam menentukan ketepatan klasifikasi PNN Nilai σ tiak apat itentukan secara langsung akan tetapi bisa iapatkan melalui metoe statistik maupun ari hasil coba-coba (Seminar et al 2005) PNN aalah suatu metoe JST yang menggunakan pelatihan (training) supervise Struktur PNN ialah JST empat lapis untuk klasifikasi yang berbasis paa prinsip-prinsip statistika Arsitektur empat lapisnya teriri ari input layer (lapisan input) pattern layer (lapisan pola) summation layer (lapisan penjumlahan) an output layer (lapisan output) Contoh struktur PNN apat ilihat paa Gambar 6 Neuron paa lapisan input akan memasuki lapisan pola Lapisan pola ini tak lain merupakan ata latih itu seniri Gambar 6 Struktur PNN untuk klasifikasi 2 target kelas (Wang et al 2008) Paa lapisan pola keluarannya ihitung engan persamaan: engan: f(x)= j = = imensi vektor K x j x ij j 5

K(z) = e 05 z 2 x j x ij = vektor input kolom ke-j = vektor bobot baris ke-i kolom ke-j h j = 4 st(j) n -/5 [faktor penghalus ke-j] (Silverman 999) Keluaran ari lapian pola yang bersesuaian engan kelas tertentu akan masuk ke lapisan penjumlahan Paa masing-masing neuron kelas ihitung penjumlahan engan persamaan: P(x) = engan: n xj 2π /2 2 n n i= j = = imensi vektor input K x j x ij j = jumlah ata latih i suatu kategori = vektor ata uji ke-j xij = vektor ata latih ke-i untuk ciri j Terakhir paa lapisan output atau ecision layer vektor input akan igolongkan sebagai kelas Y jika nilai p y (x) paling besar untuk kelas Y seangkan untuk PNN engan h (smoothing parameter) yang tetap irumuskan alam persamaan berikut: P(x) = 2π /2 n n i= engan (Specht 990): x = vektor ata uji exp x x ai t x x ai 2 2 x ai = vektor ata latih ke-i ari kategori A Confusion Matrix Confusion matrix merupakan sebuah tabel yang teriri ari banyaknya baris ata uji yang ipreiksi benar an tiak benar oleh moel klasifikasi Tabel ini iperlukan untuk menentukan kinerja suatu moel klasifikasi (Tan et al 2005) Contoh tabel confusion matrix apat ilihat paa Tabel Tabel Confusion matrix untuk ata 2 kelas Kelas Aktual Kelas Preiksi Kelas Kelas 2 Kelas K K2 Kelas 2 K 2 K 22 Akurasi hasil klasifikasi ari tabel confusion matrix ihitung engan rumus: Akurasi = K+K22 K+K2+K2+K22 00% METODE PENELITIAN Proses penentuan tingkat kemanisan belimbing manis menggunakan moel PNN teriri atas beberapa tahapan yaitu ekstraksi ciri clustering nilai TPT analisis regresi perancangan PNN an analisis hasil klasifikasi Tahapan yang lebih etail apat ilihat paa Gambar 7 Data Gambar 7 Metoologi Penelitian Data yang igunakan aalah ata citra belimbing manis kultivar Dewi engan format bmp berukuran 92 256 piksel Data citra tersebut merupakan hasil penelitian pengolahan citra yang ilakukan oleh Irmansyah (2008) Data citra belimbing manis merupakan hasil ari empat kali masa panen seperti contohnya itunjukkan paa Gambar 8 9 0 an yang masing-masing masa panen berjumlah 75 citra sehingga total ata yang igunakan sebanyak 300 citra 6