IDENTIFIKASI VARIETAS UNGGUL BENIH KEDELAI BERDASARKAN WARNA DENGAN JARINGAN SARAF TIRUAN Galih Probo Kusuma, Dr Melania Suweni Muntini, MT Jurusan Fisika Institut Teknologi Sepuluh Nopember (ITS) Surabaya Kampus ITS Sukolilo Surabaya 60111 Email: galihyonk@physicsitsacid; melania@physicsitsacid Abstrak Telah dilakukan penelitian mengenai jaringan saraf tiruan dengan data warna kedelai sebagai data masukan Jenis kedelai yang digunakan adalah Anjasmoro, Argomulyo, Argopuro dan Panderman Pengambilan data warna kedelai dilakukan dengan 3 macam keadaan berbeda yaitu pada keadaan kotak cokelat dengan lampu pijar, keadaan kotak cokelat dengan lampu halogen dan keadaan kotak hitam dengan lampu halogen yang kemudian ditranformasikan menjadi koordinat warna CIE- Data dalam format RGB didapatkan sebanyak 20 data setiap kedelai Selanjutnya, data tersebut dijadikan sebagai data masukan untuk proses jaringan saraf tiruan Data warna kedelai koordinat RGB dan CIE- dibagi menjadi 2 yaitu 60 data untuk proses pelatihan dan 20 data untuk data proses validasi jaringan Struktur jaringan yang digunakan untuk pelatihan adalah jaringan 3-100-1, 3-200-1, 3-300-1, 3-400-1 dan 3-500-1 dengan fungsi aktifasi sigmoid Hasil terbaik untuk jaringan 3-200-1 untuk pengenalan kedelai jenis Anjasmoro dengan keadaan kotak cokelat lampu pijar didapatkan nilai MSE sebesar 000000179451 dan 35 epoch Kata kunci : Kedelai, Jaringan Saraf Tiruan, Backpropagation Abstract In this research on artificial neural networks with soy color data as input data The type of soy used is the type Anjasmoro, Argomulyo, Argopuro and Panderman Soy color data retrieval is done by 3 different kinds of conditions are the box of brown with incandescent lamps, state box of brown with halogen lights and a black box situation with halogen lamps From the data acquisition process with soy color each state obtained from the 20 RGB values of each soybean RGB color data from each of soybeans and the result of transformation CIE- color coordinates RGB color data and CIE-L * a * b then used as input data for the process of artificial neural networks Soy color coordinates data RGB and CIE-L * a * b 2 is divided into 60 data for the process of training and 20 data for the data validation process network Variations network used for training in this study is that the network 3-100-1, 3-200-1, 3-300-1, 3-400-1 and 3-500-1 with sigmoid activation function The best results is obtained after validation The structure is 3-200-1 for Anjasmoro at box with incandescent lamp The MSE value is 000000179451 for 35 epoch Keywords: Soybean, Artificial Neural Network, Backpropagation 1 Pendahuluan Untuk memisahkan benih dari benih cacat, kotoran, dan tercampur dengan varietas lain, perlu dilakukan proses sortasi Balitkabi (Balai Penelitian Tanaman Kacang-kacangan dan Umbi-umbian) Malang, sebagai pengelola benih kedelai, sampai saat ini masih menggunakan tenaga manusia untuk proses sortasi benih Sortasi benih dilakukan dari butir satu ke butir lain dengan pengamatan langsung (human eye) oleh penyortir, sehingga subyektifitasnya tinggi Pada penelitian ini dikembangkan penerapan pengenalan pola warna dengan jaringan syaraf tiruan untuk mengidentifikasi varietas unggul benih kedelai, yang diharapkan mampu memberikan solusi dari permasalahan tersebut Sistem pengenalan pola varietas unggul kedelai melaui jaringan syaraf tiruan ini dikembangkan berdasarkan pada perubahan virtual obyek dapat dihasilkan data yang berisikan gambar yang memberikan beberapa informasi seperti tekstur, warna, bentuk, jumlah dan letak varietas secara bersama-sama yang bertujuan untuk menggantikan fungsi mata manusia (human eye) Sistem identifikasi varietas benih unggul kedelai yang dimaksudkan untuk menurunkan tingkat kesalahan akibat kelelahan mata manusia sehingga dalam pengambilan keputusan dapat lebih akurat
2 Jaringan Saraf Tiruan Jaringan saraf tiruan merupakan suatu sistem pemrosesan informasi yang memiliki karakteristikkarakteristik menyerupai jaringan saraf biologi (Fauset, 1994) Hal yang sama juga diutarakan oleh Simon Haykin, yang menyatakan bahwa JST adalah sebuah mesin yang dirancang untuk memodelkan otak manusia mengerjakan fungsi atau tugas-tugas tertentu Mesin ini memiliki kemampuan menyimpan pengetahuan berdasarkan pengalaman dan menjadikan simpanan pengetahuan yang dimiliki menjadi bermanfaat (JJ Siang, 2005) Pembelajaran model terhadap model dilakukan secara berulang-ulang sesuai dengan yang ditargetkan Perulangan pelatihan ini dinamakan iterasi sedangkan sejumlah dari iterasi dinamakan epoch 21 Arsitektur Propagasi Balik Algoritma propagasi balik (backpropagtion) memiliki beberapa unit yang ada dalam satu atau lebih layar tersembunyi Gambar 24 merupakan arsitektur jaringan backpropagation dengan n masukan (ditambah sebuah bias), sebuah layar tersembunyi yang terdiri dari p unit (ditambah sebuah bias), serta m buah unit keluaran dengan turunan Gambar 22 Fungsi Aktivasi Sigmoid Biner Fungsi lain yang sering dipakai adalah fungsi sigmoid bipolar yang bentuk fungsinya mirip dengan fungsi sigmoid biner, tetapi dengan range (-1,1) 23 Pelatihan Standar Backpropagation Pelatihan backpropagation meliputi 3 fase Fase pertama adalah fase maju Pola masukan dihitung maju mulai dari layar masukan hingga layar keluaran menggunakan fungsi aktivasi yang ditentukan Fase kedua adalah fase mundur Selisih antara keluaran jaringan dengan target yang diinginkan merupakan kesalahan yang terjadi kesalahan tersebut dipropagasikan mundur, dimulai dari garis yang berhubungan langsung dengan unit-unit di layar keluaran Fase ketiga adalah modifikasi bobot untuk menurunkan kesalahan yang terjadi 3 Diagram/Skema Kerja Adapun proses penelitian secara menyeluruh pada penelitian tugas akhir ini ditunjukkan dengan gambar 31 Mulai Input Citra Gambar 21 Arsitektur Jaringan Propagasi Balik V ji merupakan bobot garis dari unit masukkan X i ke unit layar tersembunyi Z j (v j0 merupakan bobot garis yang menghubungkan bias di unit masukan ke unit layar tersembunyi z j ) wjk merupakan bobot dari unit layar tersembunyi z j ke unit keluaran y k (w k0 merupakan bobot dari bias di layar tersembunyi ke unit keluaran z k ) 22 Fungsi Aktifasi Dalam propagasi balik(backpropagation), fungsi aktifasi yang dipakai harus memenuhi beberapa syarat yaitu : kontinu, terdeferensial dengan mudah dan merupakan fungsi yang tidak turn Salah satu fungsi yang memenuhi ketiga syarat tersebut sehingga sering dipakai adalah fungsi sigmoid biner yang memiliki range (0,1) Konversi Citra RGB ke CIE- Menghitung korelasi antara data input dan output Penentuan Jaringan untuk pelatihan Pengujian Keputusan dari pengujian jaringan Training Neural Network Hasil dengan bobot MSE terkecil Gambar 31 Blok Diagram Sistem 2
41 Pengambilan Data Citra Berikut ini adalah sebagian data RGB kedelai hasil pengukuran empat variasi biji kedelai dari Balitkabi Jl Raya Kendalpayak, Malang, yaitu: Anjasmoro, Argomulyo, Argopuro, dan Panderman dengan variasi kotak dan jenis lampu yang digunakan yang digunakan Berikut ini adalah beberapa hasil akuisisi data dalam koordinat RGB: Tabel 41 Data RGB Kotak Cokelat Lampu Halogen No Jenis Kedelai R G B 1 Anjasmoro 17663 15459 25428 2 Anjasmoro 19572 16448 28479 3 Anjasmoro 19484 17422 31298 4 Anjasmoro 20861 16905 3016 5 Anjasmoro 19415 15525 24791 42 Konversi Citra Kedelai dari RGB ke CIE- Konversi citra dari RGB ke CIE- tidak dapat langsung dilakukan, kita harus merubah RGB ke CIE-XYZ kemudian data CIE-XYZ baru dapat dikonversikan ke bentuk CIE- Listing program untuk konversi RGB ke CIE-XYZ dan CIE- XYZ ke CIE- terdapat pada lampiran B Berikut ini adalah sebagian dari hasil konversi data RGB ke CIE- Data lengkap hasil konversi RGB ke CIE- terdapat pada lampiran A Tabel 42 Hasil dari konversi data RGB ke CIE- No Jenis Kedelai L* a* b* 1 Anjasmoro 35488 16338 28265 2 Anjasmoro 37572 21332 29927 3 Anjasmoro 38734 15683 30508 4 Anjasmoro 38718 25686 30889 5 Anjasmoro 36375 25352 29383 43 Hasil Pelatihan dan Pengujian Jaringan Pada subbab ini akan diuraikan hasil dari pelatihan dan pengujian jaringan dengan menggunakan program Matlab 701 dengan variasi jaringan yang digunakan untuk penelitian ini adalah jaringan 3-100-1, 3-200-1, 3-300-1, 3-400-1 dan 3-500-1 Fungsi aktifasi yang digunakan untuk pelatihan dan pengujian dalam penelitian ini adalah sigmoid biner pada masing-masing varietas pada keadaan kotak cokelat lampu halogen, kotak cokelat lampu pijar dan kotak cokelat lampu pijar Gambar 41 menunjukkan hasil dari pelatihan jaringan yaitu grafik antara jumlah epoch dan target Proses pelatihan dilakukan dengan pembatasan untuk maximum MSE sebesar 0,00001 Tabel 43 Hasil pelatihan jaringan untuk pengenalan Anjasmoro dengan Data RGB pada keadaan Kotak Cokelat Lampu Pijar No Data Pelatihan Jaringan Epoch MSE 1 60 3-100-1 12 563E-06 2 60 3-200-1 35 179E-06 3 60 3-300-1 11 830E-06 4 60 3-400-1 8 928E-07 5 60 3-500-1 7 886E-07 Training-Blue Goal-Black 10 0 10-1 10-2 10-3 10-4 10-5 Performance is 179451e-006, Goal is 1e-005 10-6 0 5 10 15 20 25 30 35 35 Epochs Gambar 41 Grafik antara MSE dengan Target Goal target 1 09 08 07 06 05 04 03 02 01 Grafik Perbandingan Hasil Pelatihan dan Target Pelatihan Hasil Pelatihan Target Pelatihan 0 0 10 20 30 40 50 60 data ke Gambar 42 Grafik antara data Latih dengan target latih Hasil Dari Pelatihan Jaringan 3
target 1 09 08 07 06 05 04 03 02 01 Grafik Validasi Pengujian Jaringan Hasil Pengujian Target Pengujian 0 0 2 4 6 8 10 12 14 16 18 20 data ke Gambar 43 Grafik Validasi antara Data Uji dengan Target Uji 44 Korelasi antara MSE dan Data Warna Untuk mengetahui hubungan antara MSE (Mean Square Error) dengan Data warna RGB dan CIE- maka perlu dilakukan pengujian korelasi untuk mengetahui seberapa besar keterkaitan antara nilai MSE (Mean Square Error) dengan data warna Berikut ini adalah tabel hasil uji korelasi untuk jaringan 3-100-1 Tabel 45 Perhitungan Korelasi Antara Warna dengan MSE No R G B Vektor RGB e = (vector RGB rata-rata Vektor RGB) MSE Dari hasil validasi untuk jenis Anjasmoro, Argomulyo, Argopuro dan Panderman pada kotak cokelat pijar data RGB didapatkan RMSE masingmasing dengan nilai terkecil sebesar 465x10-10, 025, e*mse 035, dan 04 Untuk hasil proses validasi selengkapnya disajikan dalam lampiran D 1 15969 12266 19431 20229665-3747975 0291214-109146 Dari hasil pelatihan dan validasi secara keseluruhan, 2 didapatkan bahwa obyek benih kedelai jenis 17608 12946 20602 21951879-2025761 0134902-273279 Anjasmoro dengan keadaan kotak cokelat lampu 3 17181 13304 1939 21816116-216152 090361-195317 pijar data RGB lebih mudah dikenali dengan RMSE 4 18019 13704 23068 22755336-1222304 0109859-134281 validasi terkecil dengan nilai 465x10-10 dibandingkan dengan jenis yang lain 60 17231 10419 34344 20426895-3550745 00104055-036947 Rata-rata 2397764-100E-10 00915196-048341 45 Pembahasan Perbedaan kondisi pada saat pengambilan citra benih unggul kedelai yaitu pada saat benih unggul kedelai ditempatkan pada kotak coklat dengan lampu halogen, kotak coklat dengan lampu pijar dan kotak hitam dengan lampu halogen berpengaruh MSE pada proses pelatihan jaringan dan hasil pengujian pada jaringan saraf tiruan MSE atau Mean Square Error didapatkan dari hasil pelatihan jaringan untuk menentukan pembobot yang akan digunakan untuk pengujian Waktu pelatihan sangat tergantung oleh banyaknya masukan, jumlah epoch, learning rate dan keluaran yang ingin dihasilkan oleh karena itu perlu dilakukan pembatasan terhadap proses pelatihan jaringan untuk menghindari error yang terjadi pada PC(Personal Computer) Pada penelitian kali ini pelatihan dibatasi dengan maximum epoch sebesar 100000 dan MSE sebesar 0,00001 sehingga apabila jaringan telah melakukan pelatihan dengan jumlah epoch 100000 maka proses pelatihan akan dihentikan dan juga apabila proses pelatihan jaringan sudah mencapai nilai MSE sebesar 0,00001 maka proses pelatihan akan dihentikan Grafik jumlah epoch dan Mean Square Error berbentuk eksponensial karena fungsi aktifasi yang digunakan adalah ssigmoid biner Pemilihan fungsi aktifasi sigmoid biner karena kisaran keluaran yang dihasilkan oleh fungsi aktifasi ini adalah antara 0 sampai dengan 1 sesuai dengan target yang telah ditentukan Semakin banyak jumlah epoch maka nilai MSE akan mendekati 0(nol), namun perlu dilakukan pembatasan jumlah iterasi dan maximum error untuk efisiensi waktu pelatihan Keputusan pendefinisian terhadap suatu obyek didasarkan pada besarnya MSE Semakin kecil MSE maka obyek akan semakin dikenali oleh jaringan 5 Kesimpulan Beberapa kesimpulan yang dapat ditarik dari penelitian ini adalah: 1 Jaringan saraf tiruan dapat digunakan untuk mengidentifikasi benih unggul kedelai dengan baik untuk jenis kedelai anjasmoro data RGB pada keadaan kotak cokelat lampu pijar dengan RMSE terkecil sebesar 000000179451 2 Penentuan error maximum pada saat pelatihan sebesar 0,00001 hal ini dikarenakan apabila nilai MSE (Mean Square Error) semakin kecil maka jaringan saraf tiruan semakin baik mengenali suatu obyek 4
3 Dari hasil validasi untuk jenis Anjasmoro, Argomulyo, Argopuro dan Panderman pada kotak cokelat pijar data RGB didapatkan RMSE masing-masing dengan nilai terkecil sebesar 465x10-10, 025, 035, dan 04 4 Arsitektur jaringan terbaik yang digunakan pada penelitian ini adalah 3-200-1 untuk pengenalan kedelai jenis Anjasmoro data RGB dengan keadaan kotak cokelat lampu pijar dengan RMSE (Root Mean Square Error) sebesar 465x10-10 6 Daftar Pustaka Desiani, A & Arhami, M 2006 Konsep Kecersdasan Buatan Yogyakarta : Penerbit Andi Siang, JJ 2005 Jaringan Saraf Tiruan dan Pemrogramannya Menggunakan Matlab Yogyakarta: Penerbit Andi Farida, N 2008 Identifikasi Varietas Unggul Benih Kedelai dengan Analisa Cluster Surabaya : Tesis Magister Fisika ITS Mayasri, A 2008 Penerapan Segmentasi Citra dengan Transformasi Watershed untuk Menentukan Matang Tidaknya Suatu Bahan Makanan Surabaya : Tugas Akhir Sarjana Fisika ITS NN RGB Conversion URL:http://wwweasyrgbcom/ 5