BAB III METODOLOGI PENELITIAN

Jurnal Identifikasi Masalah/Perumusan Tujuan ... terdiri dari empat tahapan yaitu pembentukan gugus fuzzy, aplikasi fungsi ... yang dilakukan adalah m...

0 downloads 93 Views 362KB Size
BAB III METODOLOGI PENELITIAN

Mulai

Studi Pustaka / Riset Jurnal Identifikasi Masalah/Perumusan Tujuan

Desain algoritma, aplikasi dan Percobaan

Pembuatan Program Aplikasi Prototipe / Percobaan

Tdk

Sesuai Harapan

Ya Pengumpulan data dan pengujian

Ke lapangan dan Uji Lab

Normalisasi data rasa

Logika fuzzy

Analisa parameter karakteristik

Pengolahan Citra

Analisa akurasi dan waktu

JST

Pendugaan rasa

JST

Selesai Gambar 13. Kerangka Konseptual Rancang Bangun Sistem Evaluasi Mutu Melon Berdasarkan Rasa

III. 1 Pengumpulan Data Tahap pertama yang dilakukan untuk pengumpulan data adalah dengan melakukan wawancara dengan pakar melon, yaitu Dr. Ir. Abdul Muin Adnan MS, yang bergelut di tanaman melon sejak tahun 1980-an, pada saat tanaman melon baru pertama kali diperkenalkan di indonesia. Tahap berikutnya pencarian sampel buah melon untuk data penelitian, tahap selanjutnya setelah buah melo n didapat adalah uji brix, pH dan Organolpetik; uji ini dilakukan untuk mendapatkan data rasa sebagai input logika fuzzy yang kemudian data tersebut akan dinormalisasi. Tahap terakhir dari pengumpulan data adalah pengambilan citra. Proses ini dilakukan untuk mendapatkan data ciri buah melon yang terdiri dari ukuran jari– jari, rata–rata jari–jari, rata-rata roundness, rata-rata luas, rata-rata colour value, rata-rata indeks warna merah, rata-rata indeks warna hijau, rata-rata indeks warna biru, rata-rata warna merah, rata-rata warna hijau, rata-rata warna biru, rata-rata corak (hue), rata-rata kejenuhan (saturation ) dan rata-rata intensitas (intensity). Nantinya data ini akan di input ke JST. III.2 Tempat dan Waktu Penelitian Tempat pengambilan sampel dilakukan di Taman Buah Mekarsari Cileungsi Bogor. Pengujian brix, pH dan organoleptik dilakukan di Laboratorium Sistem dan Manajemen Mekanisasi Pertanian (SMMP) Jurusan Teknik Pertanian, Departemen Teknologi Pertanian Institut Pertanian Bogor. Waktu penelitia n selama 7 bulan dari September 2005 sampai dengan Maret 2006. III.3 Bahan dan Alat III.3.1 Bahan Buah melon yang akan digunakan pada penelitian ini adalah tipe berjaring dan nama varietasnya adalah Glamour. Varietas ini memiliki tingkat kemanisan antara 12-14 brix (Taman Buah Mekar Sari 2006). Sampel yang diambil sebanyak 90 Buah yang diambil per 5 hari dengan kombinasi umur buah 30, 35, 40 hari dan cabang ke 12, 13 dan 14. Hal ini dilakukan untuk memperoleh variasi data rasa dari hasil pengukuran beberapa umur dan cabang yang berbeda. Kombinasinya dapat dilihat pada Tabel 4.

Tabel 4. Jumlah sampel melon yang diambil berdasarkan kombinasi cabang dan umur UMUR

CABANG KE 12

13

14

30

10

10

10

35

10

10

10

40

10

10

10

SUB TOTAL

30

30

30

TOTAL SAMPEL

90

III.3.2 Alat Pengambilan Citra dan Tahapannya Alat yang digunakan untuk pengambilan dan pengolahan citra adalah hardware (perangkat komputer), software (perangkat lunak), kamera digital, Illuminancemeter, lampu ruang foto, kertas latar belakang (background) obyek, tatakan obyek (Gambar Lampiran 9) dengan spesifikasi pada Tabel 5. Tabel 5. Spesifikasi Alat Pengambilan dan Pengolahan Citra Nama Alat

Spesifikasi

Perangkat Komputer

Komputer rakitan, Processor Pentium 4, RAM 512, HD 80 GB Microsoft Visual Basic 6.0

Perangkat Lunak Kamera Digital Illuminancemeter Lampu Ruang Foto Kertas Background Obyek Tatakan Obyek

Merk Fuji model Fine Pix A203, 2 Megapixel Merk Minolta, tipe T-1H, tingkat ketelitian 1/10 Merk Philips Essential, 5 watt, warna cahaya putih. Kertas karton Manila warna biru muda RGB (33, 157, 254) Styrofoam putih berbentuk lingkaran ukuran diameter luar 10 cm, diameter dalam 8,5 cm

Background (latar belakang) pengambilan citra buah melon menggunakan kertas warna. Dari hasil pengamatan dengan metode trial and error diperoleh bahwa latar belakang yang cocok untuk jenis warna buah melon adalah latar belakang warna biru muda (33, 157, 254). Tingkat kekonsistenan pada warna biru muda lebih tinggi dibandingkan dengan latar belakang warna lain, sehingga proses pemisahan latar belakang dengan objek hasilnya optimal atau menghasilkan noise yang lebih sedikit.

Susunan alat yang digunakan untuk pengambilan citra seperti terlihat pada Gambar 14.

c a

d

e g

f b

h

i

Gambar 14. Ruang Pengambilan Citra Buah Melon

Keterangan : a. b. c. d. e. f. g. h. i.

Perangkat komputer (hardware) Styrofoam putih Lampu TL 1 Lampu TL 2 Letak kamera digital Lampu TL 3 Lampu TL 4 Kertas latar belakang Meja datar

III.3.3 Alat Uji brix dan pH Alat yang digunakan untuk menguji brix dan pH adalah brix-Refractometer dan pH meter (Gambar Lampiran 9) dengan spesifikasi pada Tabel 6. Tabel 6. Spesifikasi Alat Uji brix dan pH Nama Alat

Spesifikasi

Brix-Refractometer

Merk ATAGO PR-201, tingkat ketelitian 1/10

pH Meter

Merk HANNA pHep, tingkat ketelitian 1/10

Tahapan pengujian untuk uji brix dan pH adalah pertama-tama buah melon yang sudah melalui proses tahap pengambilan citra, selanjutnya dipotong diambil daging pada bagian yang berwarna jingga saja, lalu melon dihaluskan dengan Blender.

III.4 Taha pan Pengambilan Citra dan Pengambilan Data Rasa Ada dua langkah yang dilakukan untuk mendapatkan data input JST yaitu dari hasil pengambilan citra dan pengambilan data rasa, berikut dijelaskan mengenai tahapan-tahapan pengambilan citra dan pengambilan data rasa. III.4.1 Tahapan Pengambilan Citra Pengambilan citra melon dilakukan dengan cara meletakkan buah melon di atas tatakan yang dibuat dari styrofoam yang dibentuk sedemikian rupa sehingga melon dapat diletakkan tegak diatasnya. Langkah selanjutnya pengambilan citra dilakukan dengan menggunakan kamera digital dan disimpan dalam bentuk file image dengan extension JPEG dengan ukuran image 640 x 480 piksel. Pengaturan pencahayaan saat pengambilan citra di atur agar pencahayaan pada ruang pengambilan gambar tetap konstan. Pencahayaan diukur dengan alat Illuminancemeter

dengan mengambil

beberapa titik pengukuran di ruang pengambilan maupun lingkungan sekitar ruang. Kondisi pada saat pengambilan citra ditunjukkan pada Tabel 7. Tabel 7. Kondisi pe ngaturan peralatan pengambilan citra

Objek

Kondisi

Lampu

4 buah

Intensitas cahaya ruang

63 x 10 lux

Intensitas cahaya lingkungan

22.8 x 10 lux

Ketinggian lampu

40.5 cm dari permukaan objek

Ketinggian kamera

22.5 cm dari permukaan objek

Resolusi kamera

640 x 480 piksel atau 0.3 MB

Pengaturan kamera

Tanpa timer, tanpa flash

Sudut besi penyangga thd lampu : • Lampu 1 • Lampu 2 • Lampu 3 • Lampu 4 Sudut horizontal thd besi penyangga pada masing-masing lampu : • Lampu 1 • Lampu 2 • Lampu 3 • Lampu 4 Jarak Lampu : • Lampu 1 terhadap Lampu 2 • Lampu 3 terhadap Lampu 4 Jarak antar tiang vertikal

58o 60o 58o 60o

o

40 o 30 o 25 o 15 16 cm 16.3 cm 27.5 cm

III.4.2 Tahapan Pengambilan Data Rasa Ada tiga pengujian yang dilakukan , yaitu uji brix, pH dan organoleptik. Hasil dari ketiga pengujian tersebut akan menjadi input bagi JST. Uji brix dilakukan dengan meneteskan sari dari melon yang sudah dihaluskan pada alat brix-refractometer. Sebelumnya tempat tetes sari melon dibersihkan dan dinetralkan dulu dengan aquades. Demikian seterusnya sampai dilakukan pengulangan 3 kali dan diambil nilai rata-ratanya. Tahapan uji pH adalah sebagai berikut, buah melon yang sudah diblender dimasukkan ke dalam plastik bening 15 x 8 cm, kemudian alat pH meter dimasukkan, setiap selesai melakukan uji sensor pH meter dibersihkan dengan aquades. Demikian seterusnya sampai dilakukan pengulangan 3 kali dan diambil nilai rata-ratanya. Pengujian organoleptik juga dilakukan untuk mewakili rasa dari lidah manusia, Lima orang panelis diberi masing -masing 5-10 potongan buah melon kemudian hasil rasanya dicatat pada lembar kuisioner yang telah disediakan. Tahapan pengujian organoleptik adalah potongan buah melon dicoba satu-persatu dan setiap kali melakukan uji rasa, panelis diharuskan meminum air putih untuk menetralisir rasa buah. III.4.3 Rancang Bangun Program Logika fuzzy Program logika fuzzy digunakan untuk mendapatkan output rasa normalisasi yang digunakan sebagai input pelatihan program JST. Penentuan tingkat kemanisan pada buah melon dengan metode fuzzy menggunakan bahasa pemprograman untuk membuat program aplikasi dalam lingkungan Windows (Ramadhan, 2004). Visual Basic menyediakan perangkat yang dapat digunakan untuk membuat program aplikasi. Dalam hal ini adalah untuk membuat program aplikasi fuzzy. Langkah awal menjalankan program Visual Basic 6.0 akan muncul kotak dialog. Langkah selanjutnya adalah memilih standar EXE dan membuat program aplikasi fuzzy tersebut pada form yang telah tersedia. Sedangkan untuk membuka program yang sudah ada dilklik pada Existing, dengan melihat Look in dimana program tersebut disimpan dan dapat langsung dibuka dengan mengklik Open.

III.5 Pengolahan Citra Proses pengolahan citra yang dilakukan adalah untuk mengukur nilai jari– jari, rata–rata jari–jari, rata-rata roundness, rata-rata luas, rata-rata colour value, rata-rata indeks warna merah, rata-rata indeks warna hijau, rata-rata indeks warna biru, rata-rata warna merah, rata-rata warna hijau, rata-rata warna biru, rata-rata corak (hue), rata-rata kejenuhan (saturation) dan rata-rata intensitas (intensity) yang akan diinputkan ke JST dan juga digunakan sebagai data analisis parameter berdasarkan rasa, umur dan cabang. III.5.1 Penentuan Luas Obyek Pengukuran luas obyek dilakukan dengan membedakan citra obyek dengan latar belakangnya menggunakan citra biner. Obyek berwarna putih sedangkan latar belakangnya berwarna hitam. Luas obyek dihitung dengan cara menghitung jumlah piksel yang berwarna putih untuk masing-masing citra obyek. III.5.2 Penentuan Keliling Obyek Keliling obyek ditentukan berdasarkan jumlah piksel terluar (yang berbatasan dengan piksel latar belakang) pada masing-masing citra obyek. Pembacaan piksel terluar dilakukan dengan membandingkan piksel warna obyek dengan latar belakang. Piksel warna putih yang berbatasan dengan piksel warna hitam disebut piksel terluar. Keliling dapat dihitung dengan menjumlahkan pikselpiksel terluar tersebut. III.5.3 Penentuan Jarak Jaring ke Pangkal Buah Jari-jari dari pusat melon ke jaring terdekat didapatkan dari gambar yang telah mengalami thresholding . Gambar yang nampak hanya berwarna hitam dan putih. Warna putih menggambarkan jaring dan pusat melon. Sedangkan warna hitam menggambarkan permukaan melon yang tidak tertutupi jaring. Jari-jari dihitung dengan menghitung jumlah piksel yang membentuk garis dari pusat melon yang berwarna putih yang melewati warna hitam dan berakhir bila bertemu dengan jaring yang berwarna putih.

Jumlah jari-jari yang dihitung adalah 36 dengan selisih tiap jari-jari 10o. jari-jari =

(x − x ) + (x − y ) ' 2

' 2

........................................................... (17)

x ' = x + P * Cos (a ) y ' = y + P * Sin (a ) dimana :

(X , Y ) =

koordinat titik pusat melon

P

= jumlah piksel (jarak) pada arah sudut a

a

= sudut jari– jari

Rata–rata jari-jari diperoleh dari pembagian jumlah total jari-jari dengan jumlah jari-jari sebanyak 36. Rata-rata jari-jari = (r1 + r2 + r3 +….+ r36 ) / 36......................................(18) dimana : r1 = jari-jari ke-i, i=1,2,...,36 III.5.4 Penentuan Roundness (kebulatan) Faktor bentuk tak berdimensi lainnya yang berhubungan dengan area adalah kebundaran suatu obyek (roundness) (Ahmad 2005), yang dapat dihitung menggunakan persamaan berikut ini :

R=

4 .A .................................................................................................(19) π .L2

dimana R, A, dan L masing–masing adalah kebundaran, area (luas), dan panjang maksimum (diameter maksimum bila obyek berbentuk bundar). Area yang dimaksud disini adalah jumlah piksel dalam obyek, jadi bila dalam satu citra terdapat lebih dari satu obyek maka akan ada lebih dari satu luasan. Jadi nilai area suatu obyek adalah jumlah dari piksel–piksel penyusun obyek tersebut dan unit yang umum digunakan adalah piksel, karena sejumlah piksel tadi membentuk suatu luasan. Area dapat mencerminkan ukuran atau berat obyek sesungguhnya pada beberapa benda pejal dengan bentuk yang hampir seragam (misalnya buah mangg a, semangka, dan lain–lain), tetapi tidak demikian untuk benda berongga (misalnya melon, paprika, dan lain–lain).

III.5.5 Analisis Parameter Melon Berdasarkan Kombinasi Umur dan Cabang Sampel uji coba yang digunakan adalah yang berdasarkan umur dan cabang, kombinasinya dapat dilihat pada Tabel 8 dan Tabel 9, Tabel 8. Jumlah Sampel Berdasarkan Umur Umur Buah (hari)

Jumlah Sampel (buah)

30

30

35

30

40

30

Total

90

Tabel 9. Jumlah Sampel Berdasarkan Cabang

12

Jumlah Sampel (Buah) 30

13

30

14

30

Total

90

Cabang Ke -

Hasil yang didapat dari percobaan ini adalah nilai parameter yang dapat menganalisa rasa, bentuk buah (besar atau kecil, bulat atau bergelombang) dan warna kulit buah. III.6 Metode Fuzzy untuk Penggolongan Tingkat Kemanisan Melon Pada

proses

penentuan

tingkat

kemanisan

ini

dilakukan

dengan

menggunakan sistem inferensi fuzzy metode Mamdani. Sistem inferensi fuzzy terdiri dari empat tahapan yaitu pembentukan gugus fuzzy, aplikasi fungsi implikasi (aturan), komposisi aturan dan penegasan (defuzzifikasi)

III.6.1 Pembentukan Gugus Fuzzy Parameter input yang digunakan dalam penelitian ini adalah nilai brix dan nilai pH, karena berhubungan langsung dengan tingkat kemanisan. Langkah awal yang dilakukan adalah menentukan gugus fuzzy. Gugus fuzzy direpresentasikan dalam kurva bentuk bahu. Daerah yang terletak di tengah–tengah suatu variabel yang direpresentasikan dalam bentuk segitiga, pada sisi kanan dan kirinya akan naik dan turun. Representasi kurva bentuk bahu pada masing–masing input dapat dilihat pada Gambar 15. Bahu Kiri

Bahu Kanan

Rendah

µA(x) 1

Sedang

R

Derajat Keanggotaan

a

Tinggi

S

b

T

c

d

e

Nilai brix Gambar 15. Daerah ‘ bahu’ pada parameterinput

Fungsi keanggotaan untuk pemodelan bahu dirumuskan sebagai berikut : 1) µ A(x) = 1, untuk a ≤ x ≤ b 2) µ A(x) =

x−b , untuk b ≤ x ≤ c c−b

3) µ A(x) =

x −c , untuk c ≤ x ≤ d d −c

4) µ A(x) = 1, d ≤ x ≤ e Langkah selanjutnya adalah menentukan batasan nilai fuzzifikasi pada masing–masing parameter input. Parameter input nilai brix memiliki 3 batasan yaitu nilai brix rendah a–c, nilai brix sedang antara b–d dan nilai brix tinggi antara c–e. Sedangkan batasan untuk nilai pH rendah antara p–r, sedang antara q–s dan tinggi antara r–t.

µA(x)

Rendah

1

Sedang

R

Derajat Keanggotaan

6,4

Tinggi

S

6,5

T

9

10

12

Nilai brix

Gambar 16. Skema batas fuzzifikasi parameter nilai brix

µA(x)

1

Rendah

R

Derajat Keanggotaan

6,2

Sedang

Tinggi

S

6,4

7,7

T

7,8

8

Nilai pH Gambar 17. Skema batas fuzzifikasi parameter nilai pH

Pendekatan trial and error sering digunakan untuk menghasilkan fungsi keanggotaan untuk model logika fuzzy. Metode trial and error dilakukan dengan menggeser nilai batas awal ke arah kanan atau ke kiri hingga didapatkan akurasi yang maksimum. Gambar 16 dan gambar 17 merupakan contoh batasan nilai yang menghasilkan akurasi yang tinggi. III.6.2 Aplikasi Fungsi Implikasi (aturan) Fungsi implikasi yang digunakan pada penelitian ini adalah fungsi Min. Pada teknik ini menggunakan operator ”AND”, sehingga derajat keanggotaan pada masing–masing aturan yang diambil bernilai minimum. Teknik tersebut memungkinkan untuk memperoleh kesesuaian antara hasil logika fuzzy dengan hasil uji organoleptik dari tindak lanjut aturan–aturan yang dibuat. Jumlah variabel lingustik menentukan jumlah dari aturan–aturan yang dapat dibuat.

Tiap–tiap aturan pada basis pengetahuan fuzzy akan berhubungan dengan suatu relasi fuzzy. Bentuk umum dari aturan yang digunakan dalam implikasi adalah IF–THEN. Bagian IF dari suatu rule meliputi satu atau lebih kondisi, disebut antecedent. Sedangkan bagian THEN meliputi satu atau lebih aksi, disebuut consequent. Aturan yang dipakai dalam penelitian ini berjumlah 9 aturan. Pernyataan IF–THEN yang dibuat berdasarkan pada tabel. Aturan pernyataan IF – THEN yang dipergunakan diantaranya adalah sebagai berikut: 1. IF NilaiBrix = ”R” AND NilaipH = ”R” THEN TingkatKemanisan = ”Tawar” 2. IF NilaiBrix = ”S” AND NilaipH = ”R” THEN TingkatKemanisan = ”Sedang” 3. IF NilaiBrix = ”T” AND NilaipH = ”R” THEN TingkatKemanisan = ”Sedang” 4. IF NilaiBrix = ”R” AND NilaipH = ”S” THEN TingkatKemanisan = ”Tawar” 5. IF NilaiBrix = ”S” AND NilaipH = ”S” THEN TingkatKemanisan = ”Sedang” 6. IF NilaiBrix = ”T” AND NilaipH = ”S” THEN TingkatKemanisan = ”Manis” 7. IF NilaiBrix = ”R” AND NilaipH = ”T” THEN TingkatKemanisan = ”Sedang” 8. IF NilaiBrix = ”S” AND NilaipH = ”T” THEN TingkatKemanisan = ”Sedang” 9. IF NilaiBrix = ”T” AND NilaipH = ”T” THEN TingkatKemanisan = ”Manis” III.6.3 Komposisi Aturan Metode yang digunakan dalam melakukan sistem inferensi fuzzy yaitu metode max. Pada metode ini, solusi gugus fuzzy diperoleh dengan cara mengambil nilai maksimum aturan. Kemudian menggunakan untuk memodifikasi daerah fuzzy dan mengaplikasikan JST ke output dengan menggunakan operator OR (union). Jika semua aturan telah dievaluasi, maka output akan berisi suatu gugus fuzzy yang merefleksikan kontribusi dari tiap –tiap aturan. Apabila digunakan fungsi implikasi Min, maka metode komposisi ini sering disebut dengan metode Min–Max atau Mamdani. Perlu diketahui, bahwa metode Mamdani ini memperhitungkan seluruh aturan–aturan dalam tingkatan tunggal dan tidak ada saling keterkaitan.

III.6.4 Penegasan (defuzzifikasi) Input dari proses defuzzifikasi adalah suatu gugus fuzzy yang diperoleh dari komposisi aturan–aturan fuzzy, Defuzzifikasi merupakan suatu proses yang mengkombinasikan seluruh fuzzy output menjadi sebuah hasil spesifik yang dapat digunakan untuk masing–masing sistem output. Skema Defuzzifikasi dapat dilihat pada Gambar 18. µA(x)

Rendah

1

Sedang

R

Derajat Keanggotaan

0

Tinggi

S

0.5

T

1

1.5

2

Hasil (brix/pH) Gambar 18. Skema defuzzifikasi

Pada metode ini, caranya adalah dengan membuat selang–selang numerik setiap kategori output. Nilai selang–selang kategori pada defuzzifikasi diambil dari nilai perbandingan antara nilai brix dan nilai pH. Nilai minimum dan maksimum pada perbandingan nilai brix dan nilai pH dijadikan sebagai acuan dalam batasan minimum dan maksimum pada defuzzifikasi. Hal ini dapat dilihat pada Tabel 10. Tabel 10. Batasan nilai brix/pH untuk penggolongan tingkat kemanisan Melon Rasa

Nilai Hasil (brix/pH)

Tawar

< 1.014

Sedang

1.014 < x < 1.380

Manis

1.380 <

Langkah awal dalam metode centroid adalah menentukan titik tengah pada selang kategori seperti terlihat pada gambar 17 rasa tawar mempunyai 2 titik tengah yaitu titik tengah antara selang 0–0.5 dan selang antara 0.5–1. Hal ini mengakibatkan terdapat 2 bagian yang masing–masing dihitung luasnya.

Rasa sedang hanya mempunyai 1 titik tengah dan 1 bagian luasan yaitu segitiga. Sedangkan untuk rasa manis mempunyai 2 titik tengah dan 2 bagian luasan yaitu persegi dan segitiga. Perhitungan luas dari masing–masing bagian baik tawar, sedang maupun manis dapat dihitung dari besarnya derajat keanggotaan yang didapatkan dan nilai selang kategori (brix/pH). Pada metode centroid, solusi crisp diperoleh dengan cara mengambil titik pusat daerah fuzzy. Formula untuk metode ini adalah sebagai berikut : n

∑ F xS D=

i

i =1

n

∑ Fi

i

…..............................................................................(20)

i =1

Dimana D adalah suatu nilai crisp hasil defuzzifikasi, Fi melambangkan luas masing–masing bagian fuzzy output, Si adalah posisi pusat dari sistem fuzzy output, dan n merupakan jumlah label yang didefinisikan untuk sistem output yang sesuai. Proses selanjutnya adalah memasukkan nilai hasil defuzzifikasi tersebut kedalam selang penentuan tingkat kemanisan. Selang penentuan tingkat kemanisan dibuat berdasarkan nilai maksimum dan nilai minimum pada perbandingan nilai brix dan pH. Keluaran yang diinginkan berupa tingkat kemanisan (nilai kualitatif) meliputi rasa tawar, sedang dan manis. Data pembanding yang digunakan pada penelitian ini adalah uji organoleptik. Dalam kasus ini, beberapa hasil logika fuzzy mengalami ketidakcocokan dengan uji organoleptik. Misalkan berdasarkan perhitungan fuzzy, rasa buah sedang, sedangkan pada uji organoleptik rasa buah manis. Uji organoleptik dilakukan pada manusia yang masing–masing mempunyai anggapan tersendiri terhadap rasa buah. Terkadang panelis 1 beranggapan bahwa rasa buah tawar, akan tetapi panelis 2 beranggapan bahwa rasa buah tersebut sedang. Oleh karena itu, dalam penelitian ini hasil uji organoleptik diambil dari anggapan sama terhadap rasa buah terbanyak dari lima panelis untuk masing–masing sampel. Ketidakcocokan ini terjadi karena metode–metode fuzzy yang digunakan mungkin kurang tepat. Faktor–faktor yang mempengaruhi tingkat kemanisan buah salah satunya adalah jika semakin tua umur buahnya, maka nilai brix yang dikandungnya juga semakin tinggi dengan nilai pH yang rendah.

III.7 Penyusunan Jaringan Syaraf Tiruan Pada penelitian ini digunakan JST dengan struktur yang ditunjukkan pada Tabel 11. Tabel 11. Struktur JST

Karakteristik Arsitektur

Spesifikasi Multilayer Neural Network dengan 1 hidden layer

Input Neurons

49 unit

Hidden Neurons (Training Test)

10,20,30,40,50,60,70,80,90,100 unit

Output Neurons

3 unit

Metode Pembelajaran

Propagasi Balik (Backpropagation), Supervised

Inisialisasi bobot

Random

Fungsi aktivasi

Sigmoid Function

Learning Rate (Test)

0.3, 0.5, 0.8

Maksimum Epoh

3000

Data parameter yang dihasilkan pada pengolahan citra yang terdiri dari nilai jari-jari, nilai rata–rata jari-jari, nilai rata-rata roundness, nilai rata-rata luas, nilai rata-rata colour value (CV), nilai rata-rata indeks warna merah (IR), nilai rata-rata indeks warna hijau (IG), nilai rata-rata indeks warna biru (IB), nilai rata-rata warna merah (R), nilai rata-rata warna hijau (G), nilai rata-rata warna biru (B), nilai rata-rata hue (H), nilai rata-rata saturation (S), dan nilai rata-rata intensity (I) dan data rasa dari logika fuzzy merupakan input dalam JST. Algoritma yang digunakan dalam JST adalah algoritma backpropagation dengan kombinasi node lapisan tersembunyi 10, 20, 30, 40, 50, 60, 70, 80, 90, 100 dan laju pembelajaran 0.3, 0.5, 0.8 Arsitektur JST yang dibangun terdiri dari tiga layer (lapisan), yaitu input layer (lapisan masukan), hidden layer (lapisan tersembunyi), dan output layer (lapisan keluaran).

Sebagai masukan pada lapisan masukan adalah data parameter yang berasal dari pengolahan citra, jumlah node pada lapisan masukan sebanyak 49 unit ditunjukkan pada Tabel 12. Tabel 12. Jumlah Input JST Parameter

Jumlah Parameter

Jari-jari

36

Rata-rata jari-jari

1

Rata-rata roundness

1

Rata-rata luas

1

Rata-rata colour value

1

Rata-rata indeks warna merah

1

Rata-rata indeks warna hijau

1

Rata-rata indeks warna biru

1

Rata-rata warna merah

1

Rata-rata warna hijau

1

Rata-rata warna biru

1

Rata-rata hue

1

Rata-rata saturation

1

Rata-rata intensity

1

Total

49

Struktur model JST yang dikembangkan adalah seperti pada Gambar 19. Input Units

Hidden Units

wij

h0

Output

vjk

x0 h1

y1

h2

y2

x1 x2 x3

……..

h3

x4

h4

x5

h5

x6

h6

x7

Xn

h7

hn

yn

dimana : xi = variabel input node i pada lapisan input, i = 0, 1, 2, …, Xn hj = output node j pada lapisan hidden, j = 0, 1, 2, …,hn yk = output node k pada lapisan output, k = 1, 2, .....yn wij = bobot yang menghubungkan noda i pada lapisan input dengan node j pada lapisan hidden vjk = bobot yang menghubungkan node j pada lapisan hidden dengan node k pada lapisan output

Gambar 19. Struktur Model Jaringan Saraf Tiruan dengan Xn Unit Node pada Input Layer dan yn Unit Node Pada Output Layer

III.7.1 Validasi Jaringan Syaraf Tiruan Validasi dilakukan sebagai proses pengujian kinerja jaringan terhadap contoh yang belum diberikan selama proses pelatihan. Kinerja jaringan dapat dinilai berdasarkan nilai RMSE (Root Mean Square Error) pada proses generalisasi terhadap contoh data input-output baru, nilai RMSE dapat dinotasikan sebagai : n

∑ ( p − a) RMSE =

i =1

2

.......................................................................................(21)

n

dimana : p = nilai prediksi yang dihasilkan oleh jaringan a = nilai target yang diberikan pada jaringan n = jumlah contoh data pada set data validasi Proses validasi dilakukan dengan memasukkan nilai data contoh set inputoutput yang diberikan selama proses training. Jika JST telah berhasil selama proses pelatihan dan validasi maka sistem tersebut sudah dapat digunakan untuk aplikasi selanjutnya. III.7.2 Percobaan untuk Menganalisa Akurasi dan Waktu Sampel yang digunakan yaitu 90 sampel yang terdiri dari 80 sampel untuk training dan 10 sampel untuk validasi. Jumlah node lapisan tersembunyi yang digunakan JST dalam percobaan ini adalah 10, 20, 30, 40, 50, 60, 70, 80, 90 dan 100, dengan laju pembelajaran yang digunakan adalah 0.5 sehingga total ada 10 perlakuan. Proses training dan validasi diulang sebanyak tiga kali untuk setiap perlakuan. Pengujian kedua adalah untuk menentukan laju pembelajaran dengan tujuan untuk mendapatkan nilai optimal sehingga akan mendapatkan nilai waktu training dan validasi yang baik. Pada percobaan ini akan diuji 3 laju pembelajaran yaitu 0.3, 0.5 dan 0.8 dan masing–masing diulang sebanyak 3 kali. Sesuai hasil dari percobaan sebelumnya, percobaan ini menggunakan jumlah node lap isan tersembunyi hasil dari percobaan. Proses training kedua percobaan akan dihentikan apabila angka akurasi pelatihan mencapai 100%, epoh pada kedua percobaan dibatasi maksimum 3000.

Validasi dilakukan dengan menggunakan angka bobot terakhir yang dihasilkan melalui proses training . Proses ini akan menghasilkan banyaknya rasa buah melon yang dapat diduga, terdiri dari berapa banyak pendugaan rasa tawar, sedang dan manis serta menghasilkan berapa banyak error, melon tidak diken ali, total dugaan salah dan rasio pendugaan.