IDENTIFIKASI BUAH BELIMBING BERDASARKAN CITRA RED-GREEN-BLUE MENGGUNAKAN ADAPTIF NEURO FUZZY INFERENCE SYSTEM (ANFIS)

IDENTIFIKASI BUAH BELIMBING BERDASARKAN CITRA RED-GREEN-BLUE MENGGUNAKAN ADAPTIF NEURO FUZZY INFERENCE SYSTEM (ANFIS) Retno Nugroho Whidhiasih∗, Nursinta A.W.∗∗, Supriyanto∗∗∗

ABSTRAK IDENTIFIKASI BUAH BELIMBING BERDASARKAN CITRA RED-GREEN-BLUE MENGGUNAKAN ADAPTIF NEURO FUZZY INFERENCE SYSTEM (ANFIS). Pemutuan buah belimbing sangat diperlukan untuk mempertahankan mutu dan meningkatkan daya saing. Pemutuan buah belimbing berdasarkan rasa dapat dilakukan secara destruktif dan nondestruktif. Nondestruktif dapat dilakukan dengan mengukur korelasi nilai RGB citra buah belimbing dengan Total Padatan Terlarut (TPT) yang terdapat pada belimbing. Penelitian ini bertujuan untuk membuat sistem klasifikasi buah belimbing berdasarkan citra RGB menggunakan adaptif neuro fuzzy inference system (ANFIS). Mulamula dilakukan ekstraksi data citra menjadi RGB, selanjutnya dilakukan training terhadap data training. Fuzzy Inference System (FIS) yang terbentuk diuji menggunakan data uji. Percobaan menghasilkan akurasi 100%, 100% dan 67% untuk kelas asam, sedang dan manis. Kata kunci: ANFIS, Belimbing, identifikasi buah belimbing, sortasi, nondestruktif

ABSTRACT STARFRUIT IDENTIFICATION ON COLOR BASED USING ADAPTIF NEURO FUZZY INFERENCE SYSTEM (ANFIS). Starfruit grading is indispensable to maintain quality and improve competitiveness. star fruit grading based flavors can be either destructive and nondestructive. Nondestructive can be done by measuring the correlation value of the RGB image of star fruit with a Total Dissolved Solids (TPT) located at Starfruit. This study aims to create a classification system based on the image of the RGB star fruit using adaptive neuro fuzzy inference system (ANFIS). First extraction of image data into RGB, further training on training data. Fuzzy inference system (FIS) formed tested using data testing. The experiment produced an accuracy of 100%, 100% and 67% for classes sour star fruit, medium and sweet. Keywords: ANFIS, starfruit, starfruit identification, sortation, nondestruktiv

PENDAHULUAN Latar Belakang Belimbing manis merupakan buah yang sangat populer di Indonesia dan digemari di Indonesia, hal ini disebabkan karena belimbing merupakan buah tropis yang memiliki rasa manis dan aroma yang khas. Belimbing manis (Averrhoa ∗

Program Studi Teknik Komputer-Unisma Bekasi, e-mail : [email protected] Pusat Pengembangan Informatika Nuklir – BATAN Serpong ∗∗∗ Program Studi Ilmu Komputer – Universitas Pakuan Bogor ∗∗

272

Lokakarya Komputasi dalam Sains dan Teknologi Nuklir, 10 Oktober 2012 (272-282)

carambola Linn.), dikenal dengan beberapa nama seperti yaitu starfruit (bahasa inggris), belimbing amis (Sunda), belimbing legi (Jawa), bainang sulapa (Makasar), dan balireng (Bugis) (Wiryowidagdo dan Sitanggang, 2002). Kandungan gizi dari belimbing cukup lengkap terutama kandungan vitamin A dan Vitamin C. Teknologi pasca panen sangat diperlukan untuk pemenuhan supply & demand, mempertahankan mutu dan meningkatkan daya saing di pasaran, salah satunya adalah proses sortasi buah. Pemutuan buah belimbing ditentukan berdasarkan bobot, ukuran (SNI, 2009) dan rasa. Pemutuan buah belimbing berdasarkan rasa dapat dilakukan secara destruktif dan nondestruktif. Destruktif dilakukan dengan membelah buah belimbing untuk mengukur total padatan terlarut (TPT). TPT menunjukkan banyaknya kadar gula yang terkandung di dalam buah belimbing. Nondestruktif dapat dilakukan dengan mengukur korelasi nilai RGB citra buah belimbing dengan Total Padatan Terlarut (TPT) yang terdapat pada belimbing. Ada beberapa metode yang berbeda untuk mengukur keteguhan metode non destruktiv (Abbot et al., 2007). Berdasarkan permasalahan maka diperlukan suatu sistem untuk melakukan klasifikasi dengan ketepatan tinggi berdasarkan standar yang berlaku. Tingkat manis buah belimbing dapat diklasifikasikan secara non destruktif berdasarkan komponen kualitas eksternal, yaitu warna kulit buahnya. Warna dianggap sebagai properti fisik dasar produk pertanian dan makanan, yang berkorelasi dengan baik terhadap sifat fisik lainnya, kimia dan indikator panca indera kualitas produk. Bahkan warna mempunyai peran utama dalam penilaian mutu eksternal dalam industri makanan dan penelitian (Segnini et al. 1999; Abdullah et al. 2009). Pemutuan dengan citra dapat dilakukan dengan memanfaatkan korelasi citra buah (RGB) dengan Total Padatan Terlarut (TPT) yang terdapat pada belimbing. Peningkatan ketuaan pada buah belimbing dapat ditunjukkan oleh peningkatan komponen u* pada CIELuv (Irmansyah, 2009). Metode pengolahan citra merupakan metode non destruktif yang umum digunakan untuk mengevaluasi kualitas luar buah seperti bentuk, ukuran dan warna. Metode pengolahan citra memiliki beberapa keunggulan antara lain relatif murah, sederhana dan praktis. Metode pengolahan citra dapat diterapkan untuk memprediksi rasa secara tidak langsung karena adanya hubungan antara warna buah dengan parameter rasa (total padatan terlarut). Penggunaan metode klasifikasi yang kurang tepat akan mengakibatkan terjadinya salah klasifikasi. Kesalahan klasifikasi yang dapat terjadi adalah kesalahan dalam pengelompokan tingkat manis buah belimbing. Bila terjadi salah klasifikasi sehingga belimbing manis teridentifikasi menjadi belimbing asam atau sedang dan sebaliknya. Hal ini dapat mengakibatkan kerugian terhadap produsen maupun konsumen untuk keperluan ekspor maupun keperluan lokal. Sistem sortasi buah belimbing berdasarkan bentuk dan warna buah menggunakan pengolahan citra dan jaringan syaraf tiruan telah mampu mengklasifikasi belimbing berdasarkan tingkat ketuaan dengan tingkat keberhasilan 90.5% (Abdullah et al., 2005). Klasifikasi buah belimbing berdasarkan hue menggunakan fisher’s discriminant ratio menghasilkan akurasi 93% (Mokji & Abu Bakar, 2007). Pemutuan buah belimbing berdasarkan nilai TPT dan warna dengan

273

Identifikasi Buah Belimbing Berdasarkan Citra Red-Green-Blue ... (Retno NW., Nursinta AW., Supriyanto)

pengolahan citra dan logika fuzzy mampu mengklasifikasi rasa buah dengan tingkat akurasi 79% (Irmansyah, 2009). Pemutuan buah belimbing menggunakan probabilistik neural network memberikan akurasi 80.51% (Zaki, 2009). Pengenalan kadar total padat terlarut pada buah belimbing manis berdasar citra red-green-blue dengan analisis komponen utama sebagai ekstraksi ciri dan jarak euclidean sebagai pengenal pola menghasilkan akurasi 100% pada pengenalan kelompok manis, namun gagal melakukan pengenalan terhadap kelompok asam dan sedang (Buono dan Irmansyah, 2009). Pengenalan tingkat kemanisan buah belimbing menggunakan hidden markov memberikan akurasi 75% (Praptono N. H., 2010). Penelitian ini mengembangkan teknik klasifikasi buah belimbing dengan citra RGB menggunakan Adaptif Neuro Fuzzy Inference System (ANFIS). Adaptif Neuro Fuzzy Inference System (ANFIS) mengandaikan bahwa data input dan output dari suatu black box system telah tersedia, dan ingin menebak model apa yang cocok atau yang sebenarnya ada dalam kotak hitam tersebut. Dalam menebak tidak disyaratkan tersedianya struktur model tertentu berdasar pada karakteristik variabel-variabel sistem. Bila diberikan data input, fungsi ANFIS akan mengubah parameter-parameter fungsi keanggotaan antecedent dan consequent sedemikian rupa sehingga keluaran FIS mengikuti data output. Pemodelan yang dikembangkan merupakan pengembangan dari penelitian sebelumnya. Penelitian ini diharapkan dapat mengklasifikasikan buah belimbing dalam kategori asam, sedang dan manis. METODE Data yang digunakan dalam penelitian ini adalah data sekunder berupa 99 buah citra buah belimbing yang telah di kategori berdasarkan kandungan TPT-nya menjadi kategori belimbing asam, sedang dan manis. Data tersebut merupakan data yang digunakan dalam penelitian Buono dan Irmansyah (2009). Penelitian ini terbagi menjadi tiga tahapan, yaitu praproses, pemodelan ANFIS dan rancang bangun sistem klasifikasi menggunakan GUI Matlab (gambar 1). Praproses dilakukan untuk mendapatkan nilai-nilai RGB. Pemodelan ANFIS digunakan untuk mendapatkan fuzzy rule base dan pengujian model. Rancang bangun sistem klasifikasi merupakan pembuatan user interface yang digunakan untuk proses klasifikasi buah belimbing.

Praproses Data Data sampel citra buah belimbing diekstraksi menggunakan matlab R2009b untuk mendapatkan nilai RGB yang merupakan rata-rata dari keseluruhan piksel. Kemudian nilai RGB dinormalisasi menjadi rgb dengan cara membagi masing-masing nilai dengan bilangan 255. Selanjutnya dilakukan pembagian data menjadi dua

274


kelompok data yang saling asing, yaitu data training dan data testing. Data training sebanyak 90 data yang terdiri dari 30 data kategori belimbing asam, 30 data kategori belimbing sedang dan 30 data kategori belimbing manis. Data testing sebanyak 9 data yang terdiri dari 3 data kategori belimbing asam, 3 data kategori belimbing sedang dan 3 data kategori belimbing manis.

Gambar 1. Tahapan Penelitian

Pengembangan model identifikasi menggunakan ANFIS Pengembangan model identifikasi dilakukan dengan melakukan training data menggunakan Adaptif Neuro Fuzzy Inference System (ANFIS). Training ini dilakukan untuk mendapatkan rule based (basis aturan) fuzzy dari data yang ditraining. Arsitektur ANFIS yang terbentuk menunjukkan bahwa terdapat tiga kategori inputan data, terbentuk sembilan membership function dari data input, terbentuk 27 rule, terbentuk 27 membership function untuk nilai output dan satu nilai output (gambar 2). Dari tiga kategori inputan data tersebut tergambar menjadi tiga distribusi data training yaitu kategori 1, 2 dan 3, yang menggambarkan kategori rasa asam, sedang dan manis (gambar 3). Proses training menghasilkan fuzzy inference system (FIS), yaitu sistem inferensi fuzzy Sugeno (gambar 4). Arsitektur tersebut terdiri dari input citra (red, green, blue), basis pengetahuan dan fungsi output.

275


Gambar 2. Struktur ANFIS

Gambar 3. Distribusi Data Training

Gambar 4. Arsitektur FIS

276


Setiap variabel input red (R), green (G) dan blue (B) direpresentasikan dalam fungsi keanggotaan sesuai dengan pola sebaran data masing-masing. Variabel red digunakan fungsi trapesium (gambar 5a), variabel green dengan fungsi normal (gambar 5b) dan variabel blue dengan fungsi normal (gambar 5c). Setiap variabel input tersebut dibagi kedalam 3 membership function, yaitu rendah, sedang dan tinggi. Variabel output adalah mutu buah belimbing yang dibagi ke dalam 3 kelas yaitu asam, sedang dan manis.

(a)

(b)

(c) Gambar 5. Fungsi Keanggotaan input citra red, green, blue Hasil training dari pemetaan variabel input dan output adalah basis pengetahuan yang ditulis menggunakan aturan fuzzy if then yang digunakan untuk pemutuan belimbing (gambar 6). Pada basis pengetahuan dapat dilihat nilai rata-rata tiap variabel input. Hasil training dari tiga kelas mutu belimbing, yaitu asam, sedang dan manis terbentuk 27 rule (gambar 7). Ketepatan klasifikasi hasil prediksi menggunakan FIS dinyatakan menggunakan akurasi yang didefinisikan sebagai berikut: Akurasi = (Jumlah prediksi yang benar/total banyaknya prediksi)*100 %

Gambar 6. Basis Pengetahuan

277


Gambar 7. Rule Based Hasil Training Validasi Validasi dilakukan dengan menggunakan data training sebagai data testing terhadap FIS yang terbentuk. Validasi yang dilakukan didapatkan akurasi 96.7% untuk belimbing asam, 100% untuk belimbing sedang dan 70% untuk belimbing manis.

Rancang Bangun Sistem Pakar Klasifikasi menggunakan GUI Matlab Pengembangan sistem identifikasi memanfaatkan model klasifikasi berupa fuzzy inference system hasil dari training data. Sistem identifikasi dikembangkan berbasis grafical user interface (GUI) pada perangkat MATLAB. (gambar 8). Sistem dapat digunakan dengan mudah oleh pengguna untuk melakukan klasifikasi.

Gambar 8. Identifikasi terhadap citra belimbing

278


HASIL DAN PEMBAHASAN Pengujian Model Identifikasi Klasifier yang digunakan adalah ANFIS. Di dalam ANFIS bentuk membership function bergantung pada parameter-parameternya. Mengubah salah satu parameter ini akan mengubah bentuk membership function yang pada akhirnya akan mengubah bentuk pemetaan dari input menjadi output. ANFIS merupakan salah satu solusi untuk dapat mengatur parameter membership function untuk mendapatkan FIS yang bisa memetakan input menjadi output dengan benar, yang dalam pemodelan berdasarkan data hal tersebut merupakan hal yang sangat sulit. Percobaan ini menggunakan penerapan teknik fuzzy inference pada pemodelan berdasar pasangan data input dan output. Pemodelan ini bertujuan untuk mencari IFTHEN rules yang bisa memetakan data input menjadi output. Optimasi parameterparameter membership function tersebut menggunakan algoritma backpropagation atau dikombinasikan dengan metode least squares. Proses ANFIS merupakan sebuah proses belajar data input dan output. Struktur jaringan dalam ANFIS serupa dengan struktur jaringan syaraf yang memetakan input menjadi output melalui membership function dan parameter-parameter yang diasosiasikan dengannya. Parameter-parameter membership function akan berubah melalui proses pelatihan (training). Komputasi dalam proses optimasi parameter difasilitasi oleh vektor gradien, yaitu suatu ukuran yang bisa dipakai untuk menilai seberapa bagus hasil pemetaan FIS dibandingkan dengan data output. Vektor gradien dapat dipakai untuk mengatur parameter-parameter sehingga akan meminimalkan error measure yang didefinisikan sebagai kuadrat dari selisih antara data output dan keluaran FIS (Naba, 2009). Data training menggunakan parameter input dan output buah belimbing. Pola input merupakan data RGB dari buah belimbing dengan kategori manis, sedang dan asam. Pola output merupakan angka 1, 2 dan 3 yang menunjukkan kategori kelas asam, sedang dan manis. ANFIS hanya bekerja dengan sistem-sistem tipe Sugeno. Proses training pada percobaan menggunakan ANFIS dengan tiga input (red, green dan blue) ini, terbentuk tiga membership function untuk masing-masing input, 27 rules dan 27 output membership function yang bertipe sama serta mempunyai output tunggal yang diperoleh dari weighted average defuzzification. ANFIS telah didesain fixed, tidak diijinkan untuk mendesain sendiri membership function dan defuzzification function. Tahap pertama untuk melakukan training adalah generate FIS. Terlebih dulu dilakukan loading data training satu persatu. Data yang digunakan untuk training sebanyak 91% dari data set. Setelah generate, struktur FIS dapat dilihat. Dalam percobaan ini digunakan metode hybrid sebagai metode optimasi parameter FIS, yaitu kombinasi backpropagation dan least squares. Ditentukan error tolerance sebesar 0 (nol) dan jumlah epoch 3. Pelatihan akan mengatur parameter-parameter membership

279


function dan menampilkan plot error selama pelatihan, yaitu selisih keluaran FIS dengan training data. Dengan menggunakan basis pengetahuan yang terbentuk (FIS), dilakukan pengujian kinerja sistem menggunakan data testing. Data testing yang digunakan sebanyak 9% dari data set. Pengujian memberikan akurasi sebesar 100% untuk belimbing asam, 100% untuk belimbing sedang dan 67% untuk belimbing manis, dengan akurasi rata-rata 89% (Tabel 1). Hal ini menunjukkan bahwa sistem ini bisa membedakan mutu belimbing asam dan belimbing sedang dengan tepat. Tabel 1. Matriks confussion hasil testing Prediksi FIS Aktual

Asam

Sedang

Manis

Asam

3

0

0

Sedang

0

3

0

Manis

0

1

2

KESIMPULAN Pelatihan (training) menggunakan ANFIS telah didesain fixed, tidak diijinkan untuk mendesain sendiri membership function dan defuzzification function, namun bisa mengubah tipe membership function yang digunakan sesuai dengan tren data. Jumlah variabel inputan FIS akan mempengaruhi jumlah rule yang terbentuk, jumlah rule akan cepat membesar dengan bertambahnya jumlah variabel input FIS (curse of dimensionality). Jumlah rule yang terlalu besar akan mengakibatkan komputasi menjadi berat dan optimasi parameter-paremeter rule menjadi semakin sulit. ANFIS dapat digunakan sebagai teknik klasifikasi buah belimbing non desktruktif dengan citra R-G-B. Sistem ini berhasil mengenali buah belimbing asam dan sedang dengan tepat (100%), namun gagal mengenali buah belimbing manis dengan tepat (67%). Akurasi yang didapatkan dari penelitian ini adalah 89%.

Saran Untuk peningkatan akurasi identifikasi, perlu dilakukan optimasi bentuk tipe kurva dan parameter kurva dengan menggunakan algoritma genetika. Ucapan Terima Kasih Penulis mengucapkan terimakasih kepada Dr. Agus Buono M.Si, M.Kom, dosen Departemen Ilmu Komputer IPB, atas penggunaan data citra belimbing pada penelitian ini. 280


DAFTAR PUSTAKA 1. ABBOT J.A, R. LU, B.L. UPCHURCH, R.L. STROSHINE, “Technologies for non destructive quality evaluation of fruits and vegetables”, Holticultural Reviews, 20 (1997) 1-118. 2. ABDULLAH M.Z., M. Saleh J., F. Syahir, dan M. Azemi, ”Discrimination and classification of fresh-cut starfruits (Averrhoa carambola L) using automated machine vision system”, Journal of Food Engineering, 76(4) (2005) 506-523. 3. BADAN STANDARISASI NASIONAL, “SNI Buah Belimbing”, Jakarta, 2009. 4. BUONO, AGUS dan IRMANSAH, “Pengenalan kadar total padat terlarut pada buah belimbing manis berdasar citra RGB dengan analisis komponen utama sebagai ekstraksi ciri dan jarak euclidean sebagai pengenal pola”. Jurnal Ilmu Komputer dan Informasi 2 (1) (2009). 5. FATHUROHMAN, ZAKI, ”Pengembangan probabilistic neural networks untuk penentuan kematangan belimbing manis”, Skripsi Jurusan Ilmu Komputer Institut Pertanian Bogor, Bogor, 2009. 6. IRMANSAH, “Pemutuan Belimbing Berdasarkan Warna dan Rasa Dengan Pengolahan Citra dan Logika Fuzzy”, Disertasi Institut Pertanian Bogor, Bogor, 2009. 7. MOKJI M.M., and ABU BAKAR S.A.R, “Starfruit Classification Based on Linear Hue Computation”, Elektrika Journal of Electrical Engineering, 9(2) (2007) 14-19. 8. NABA, AGUS, “Belajar Cepat Fuzzy Logic menggunakan Matlab”, Penerbit Andi, Yogyakarta, 2009. 9. PRAPTONO, N.H., “Pengembangan Hidden Markov Model Untuk Pengenalan Tingkat Kemanisan Buah Belimbing”, Skripsi Jurusan Ilmu Komputer Institut Pertanian Bogor, Bogor, 2010. 10. SEGNINI, S., DEJMEK, P., & OSTE, R. (1999). “A Low Cost Video Technique for Color Measurement of Potato Chips”. Lebensm.-Wiss. U.-Technol. (32)(1999) 216-222. 11. WIRYOWIDAGDO dan SITANGGANG, M., “Tanaman Obat untuk Penyakit Jantung, Darah Tinggi, dan Kolesterol”, AgroMedia Pustaka, Jakarta, 2002.

281


DISKUSI TRISA APRIANI Apakah penelitian tentang klasifikasi buah belimbing sudah ada yang melakukan sebelumnya? Jika iya, apa yang membedakan penelitian ini dengan penelitian sebelumnya? NURSINTA A.W Sudah ada penelitian sebelumnya, metode yang digunakan antara lain jaringan syaraf tiruan, PNN dan Fuzzy Logic. Penelitian menggunakan data penelitian Agus Buono (2009) dan menggunakan metode ANFIS (Adaptif Neuro Fuzzy Inference System).

GARBEL Cara klasifikasi standar rasa asam, sedang dan manis yang subyektif seperti apa? NURSINTA A.W Data berasal dari data belimbing yang sudah terklasifikasi. Penelitian sebelumnya (2009) menghitung korelasi antara TPT (Total Padat Terlarut) yang menunjukkan kadar gula belimbing yang artinya menunjukkan belimbing itu asam,sedang atau manis. Hasil koefisien determinasi yang didapat sebesar 69.9%.

DAFTAR RIWAYAT HIDUP 1. 2. 3. 4.

Nama Instansi / Unit Kerja Pekerjaan / Jabatan Riwayat Pendidikan

: Nursinta Adi Wahanani, M.Kom. : PPIN-BATAN : Staf Bidang Komputasi : S2 – Ilmu Komputer – IPB (2012) S1 –Statistik – ITS (2000) 5. Pengalaman Kerja : • Staf Bidang SIM-PPIN BATAN (2000-2005) • Staf Bidang Komputasi PPIN-BATAN (2005-sekarang) 6. Organisasi Profesional :7. Publikasi Ilmiah yang pernah disajikan/diterbitkan : • Latin Hypercube Sampling for Uncertainty Analysis pada Journal of Theoretical and Computational Studies (2009) • Simulasi Perhitungan Kandungan Radon Terhadap Laju Fluks Radon Menggunakan Metode Latin Hypercube Sampling dan Simple Random Sampling (2009)

282

IDENTIFIKASI BUAH BELIMBING BERDASARKAN CITRA RED-GREEN-BLUE MENGGUNAKAN ADAPTIF NEURO FUZZY INFERENCE SYSTEM (ANFIS)

Recommend Documents