KLASIFIKASI DAUN TANAMAN THEOBROMA CACAO MENGGUNAKAN METODE NEURAL NETWORK

Seminar Nasional Teknologi Informasi dan Komunikasi 2014 (SENTIKA 2014) Yogyakarta, 15 Maret 2014

ISSN: 2089-9813

KLASIFIKASI DAUN TANAMAN THEOBROMA CACAO MENGGUNAKAN METODE NEURAL NETWORK Endi Permata 1) , Andri Suherman 2) , Alief Maulana 3) Program Studi S1 Teknik Elektro, Fakultas Teknik,Universitas Sultan Ageng Tirtayasa Jl. Jendral Sudirman KM.3 Cilegon-Banten 42435 Telp. (0254) 395502 E-mail: [email protected], [email protected], [email protected] 1) 2 )3)

ABSTRAK – Tanaman kakao merupakan tanaman perkebunan di lahan kering, jika diusahakan secara baik dapat berproduksi tinggi serta menguntungkan secara ekonomis. Namun seringkali petani mengalami penurunan panen, hal ini disebabkan penyakit dan hama yang menyerang kakao. Penyakit-penyakit pada kakao tersebut dapat menyerang daun sehingga menimbulkan bercak-bercak pada daun akibat hawar daun dan hama. Penelitian ini mencoba mengklasifikasikan daun-daun pada tanaman kakao, baik yang sehat, yang terkena penyakit atau bercak daun dengan menggunakan citra daun pada bagian atas dengan menerapkan metode Neural Network (NN) dengan harapan dapat membantu para petani untuk mengetahui kualitas tanaman kakao dengan perantara daun, dikarenakan daun merupakan bagian yang sangat mudah untuk dideteksi dengan menggunakan ekstrasi fitur dari daun sebagai inputnya diantara mean, standard deviation, , kurtosis, skewness, dan entropydari histogram warna, histogram grayscale dan histogram tingkat saturasi. Selanjutnya dilakukan proses klasifikasi. Dari hasil percobaan tahap klasifikasi menggunakan neural network didapatkan hasil akurasi daun rusak parah 83% daun rusak sedang 96% dan daun sehat 86%. Kata kunci : Daun Kakao, Neural Network, Histogram RGB, Histogram Grayscale,Histogram Saturation

(NN) dengan harapan dapat membantu para petani untuk mengetahui kualitas tanaman kakao dengan perantara daun, dikarenakan daun merupakan bagian yang sangat mudah untuk dideteksi. Sehingga penulis melakukan sebuah penelitian ini untuk mengetahui kualitas tanaman kakao.

1.

LATAR BELAKANG Kakao merupakan salah satu komoditas unggulan nasional setelah tanaman karet, kelapa sawit, kopi, dan teh yang berperan penting bagi pertumbuhan perekonomian Indonesia terutama dalam penyediaan lapangan kerja baru, sumber pendapatan petani dan penghasil devisa bagi negara. Sering kali para petani mengalami penurunan panen, hal ini disebabkan penyakit dan hama yang menyerang kakao. Penyakit-penyakit pada kakao tersebut dapat menyerang daun, sehingga menimbulkan bercak-bercak pada daun, daun berwarna kuning atau coklat. Daun yang sehat pada tanaman kakao yaitu berwarna hijau tanpa ada bercak coklat pada bagian atasnya, sedangkan pada daun kakao yang terkena penyakit yaitu di tandai dengan bercak coklat pada daun berbentuk oval yang merata di permukaan daun dengan titik tengah berwarna abu-abu atau putih. Titik abu-abu di tengah bercak merupakan gejala khas penyakit bercak daun coklat di lapangan. Bercak yang masih muda berwarna coklat gelap atau keunguan berbentuk bulat. Pada varietas yang peka panjang bercak dapat mencapai panjang 1 cm. Dalam dunia pertanian, salah satu masalah yang dihadapi adalah menentukan kualitas tanaman hasil pertanian, khususnya tanaman kakao. Terkadang sulit untuk melihat dengan kasat mata kualitas tanaman kakao tersebut. Penelitian ini mencoba mengklasifikasikan daun-daun pada tanaman kakao, baik yang sehat, yang terkena penyakit atau bercak daun dengan menggunakan citra daun pada bagian atas dengan menerapkan metode Neural Network

2.

TINJAUAN PUSTAKA Terdapat dua tahapan utama yang dilaksanakan pada penelitian ini. Tahap pertama adalah ekstraksi fitur dengan tujuan untuk mendapatkan fitur-fitur yang akan digunakan untuk melakukan klasifikasi. Fitur yang akan digunakan adalah standard deviation, mean, skewness, entropy, kurtosis dan Grayscale dari Histogram Warna, Histogram Grayscale dan Histogram Tingkat Saturasi. Tahap selanjutnya dilakukan proses klasifikasi. Metoda yang digunakan untuk pengenalan pola dalam penelitian ini adalah neural network (backpropagation). 2.1 Histogram warna (Color Histogram) Histogram warna dihitung dengan cara mendiskritkan warna dalam citra, dan menghitung jumlah dari tiap-tiap piksel pada citra. Sebelum dilakukan penghitungan intensitas warna tiap piksel, terlebih dahulu dilakukan normalisasi terhadap ketiga komponen penyusun warna pada citra (red,green,blue), proses ini disebut juga dengan Normalized RGB. Persamaan yang digunakan untuk normalisasi warna tersebut adalah sebagai berikut : 160

Seminar Nasional Teknologi Informasi dan Komunikasi 2014 (SENTIKA 2014) Yogyakarta, 15 Maret 2014

ISSN: 2089-9813

syaraf tiruan terdiri atas sejumlah pemroses yang sangat sederhana yang disebut dengan node atau simpul. Simpul ini dianalogikan seperti neuron yang ada di otak manusia. Kumpulan simpul-simpul yang membentuk suatu konfigurasi tertentu dikenal sebagai jaringan syaraf tiruan. Jaringan syaraf tiruan terdiri atas lapisan masukan dan keluaran. Tetapi ada juga yang mempunyai lapisan tersembunyi di antara lapisan masukan dan keluaran. Simpul yang ada pada lapisan masukan disebut unit masukan. Pada unit masukan tidak memproses suatu informasi tetapi hanya menyebarkan atau menyalurkan ke unit lain. Sedangkan simpul yang ada pada lapisan tersembunyi dan lapisan keluaran menghasilkan keluaran yang berupa suatu bentuk non linear. Secara prinsip jaringan dibangkitkan serangkaian masukan (input) yang dikalikan dengan suatu faktor penimbang tertentu yang analog dengan tegangan sinapsis, kemudian dijumlahkan semua masukan tersebut untuk menentukan tingkat aktivasi neuron. Backpropagation adalah algoritma pembelajaran yang terawasi dan biasanya digunakan untuk oleh perceptron dengan banyak lapisan untuk mengubah bobot-bobot yang terhubung dengan neuron-neuron yang ada pada lapisan tersembunyinya. (Kusumadewi, 2004). Algoritma backpropagation menggunakan error-output untuk mengubah nilai bobot-bobotnya dalam arah mundur (backward). Untuk mendapatkan error ini, tahap perambatan maju (forward propagation) harus dikerjakan terlebih dahulu. Pelatihan backpropagation terdiri dari 3 tahap, yaitu perambatan maju, propagasi balik, dan modifikasi bobot neuron. Sedangkan siklus dari ketiga tahapan ini disebut dengan iterasi atau dalam JST dinamakan epoch. Prinsip kerja dari algoritma backpropagation adalah sebagai berikut, pada saat proses umpan maju, neuron pada input layer akan mengirimkan informasi ke setiap neuron pada hidden layer. Neuron hidden layer ini akan melakukan proses komputasi terhadap informasi yang diterima dan menghasilkan output yang berasal dari fungsi aktivasinya. Selanjutnya output dari hidden layer tersebut akan dikirimkan lagi ke lapisan berikutnya, yang dalam hal ini adalah output layer. Di dalam output layer ini berlangsung proses yang sama seperti pada hidden layer. Namun, output dari hasil fungsi aktivasi output layer ini akan digunakan sebagai sinyal respon dari JST. Sinyal respon output JST ini akan dibandingkan dengan target yang diinginkan dan dihitung besar errornya (selisih antara output yang dihasilkan dengan target yang ingin dicapai). Error yang diperoleh ini dikirimkan kembali ke lapisan-lapisan sebelumnya dan kemudian digunakan untuk mengoreksi dan mengubah bobot-bobot JST-nya berdasarkan learning error yang diberikan pada JST tersebut.

(1) (2) (3) 2.2 Histogram Tingkat Keabuan (Grayscale Histogram) Nilai citra parasit malaria merupakan model warna RGB. Untuk mendapatkan nilai tingkat keabuan dari citra yang terdiri dari komponen warna RGB dilakukan dengan menggunakan persamaan berikut : (4) Hasil dari proses grayscale ini akan berada pada tingkat keabuan sebesar sebesar 8 bit. Distribusi nilai-nilai dari setiap piksel citra grayscale dimasukkan ke dalam histogram. 2.3 Histogram Tingkat Saturasi ( Saturation Level Histogram ) Histogram tigkat saturasi digunakan untuk mendapatkan nilai-nilai intensitas warna berdasarkan kejenuhannya (saturasi). Komponen warna berdasarkan kejenuhannya diperoleh dari citra eritrosit model warna RGB melalui perhitungan dengan persamaan sebagai berikut : (5) Dimana nilai saturasi pada setiap piksel ini digunakan untuk membangun histogram distribusinya. Dari nilai histogram warna, grayscale dan tingkat saturasi hasil perhitungan sudah dapat dijadikan sebagai vektor input, namun untuk mengurangi masalah komputasi yang besar maka nilai-nilai tersbut diwakili oleh nilai mean, standar deviasi, kurtosis dan skewness dari distribusinya histogram tersebut, dimana dapat dihitung dengan persamaan : (6) (7) (8) (9)

2.4 Jaringan syaraf tiruan (Backpropagation) Jaringan syaraf tiruan (Artificial Neural Network) atau ANN merupakan model yang meniru cara kerja jaringan biologis. Otak manusia terdiri atas sel-sel syaraf yang disebut neuron, yang berjumlah sekitar 910 neuron. Jaringan 161

Seminar Nasional Teknologi Informasi dan Komunikasi 2014 (SENTIKA 2014) Yogyakarta, 15 Maret 2014

Tahap pelatihan ini merupakan langkah untuk melatih suatu JST, yaitu dengan cara melakukan perubahan penimbang (sambungan antar lapisan yang membentuk JST melalui masing-masing unitnya). Sedangkan penyelesaian masalah, akan dilakukan jika proses pelatihan tersebut telah selesai, fase ini disebut fase mapping atau proses pengujian atau testing. Menurut Kusumadewi (2004) fungsi kinerja yang sering digunakan untuk backpropagation adalah means square error (MSE). Fungsi ini akan menghasilkan MSE. Algoritma pelatihan backpropagation terdiri dari dua tahapan, feed forward dan backpropagation dari galatnya. Untuk jelasnya dapat dijelaskan rinciannya sebagai berikut (Kusumadewi, 2004): 1. Inisialisasi bobot (ambil bobot awal dengan nilai random yang cukup kecil). 2. Tetapkan: Maksimum Epoh, Target Error, dan Learning Rate (α). 3. Inisialisasi: Epoh=0, MSE=1. 4. Setiap pasangan data training dilakukan langkah berikut ini (epoch=epoch+1):

ISSN: 2089-9813

(13)

dan kirimkan sinyal tersebut ke semua unit di lapisan atasnya (unit- output). Catatan: Langkah (b) dilakukan sebanyak jumlah lapisan tersembunyi. 2.5 Algoritma Pembelajaran pada backropagation Salah satu bagian terpenting dari konsep jaring syaraf tiruan adalah terjadinya proses pembelajaran. Tujuan utama dari proses pembelajaran adalah melakukan pengaturan terhadap bobot-bobot yang ada pada jaring syaraf, sehingga diperoleh bobot akhir yang tepat sesuai dengan pola data yang dilatih. Selama proses pembelajaran akan terjadi perbaikan bobot-bobot berdasarkan algoritma tertentu. Nilai bobot akan bertambah, jika informasi yang diberikan oleh neuron yang bersangkutan tersampaikan, sebaliknya jika informasi tidak disampaikan oleh suatu neuron ke neuron yang lain maka nilai bobot yang menghubungkan keduanya akan dikurangi. Pada saat pembelajaran dilakukan pada input yang berbeda, maka nilai bobot akan diubah secara dinamis hingga mencapai suatu nilai yang cukup seimbang. Apabila nilai ini telah tercapai mengindikasikan bahwa tiap-tiap input telah berhubungan dengan output yang diharapkan. Pada dasarnya ada dua metode pembelajaran, yaitu metode pembelajaran terawasi (supervised learning) dan metode pembelajaran tak terawasi (unsupervised learning). 2.6 Fungsi Aktivasi Fungsi aktivasi merupakan bagian terpenting dalam tahapan perhitungan keluaran dari suatu algoritma jaringan syaraf tiruan. Fungsi aktivasi dapat diibaratkan sebagai pendefinisian penguatan non linier dalam sisem analag (continue). Penguatan (gain) ini dihitung dengan mencari rasio perubahan pada fungsi output neuron pada lapisan keluaran. Fungsi aktivasi tidak hanya digunakan pada saat perhitungan nilai keluaran neuron saja, tetapi turunan pertamanya juga bisa untuk menghitung perubahan bobot dan bias pada proses belajar. Dalam penulisan ini digunakan fungsi aktivasi bipolar threshold. Beberapa fungsi aktivasi yang digunakan dalam jaringan syaraf tiruan adalah : a. Fungsi Linear (Purelin) Fungsi linear dinyatakan dengan persamaan :

Umpan maju (Feedforward): a. Tiap-tiap unit input menerima data tV dan meneruskan sinyal input ke semua unit pada lapisan berikutnya (hidden layer). b. Tiap-tiap unit pada suatu hidden layer V menjumlahkan sinyal-sinyal input terbobot dan menggunakan fungsi aktivasi untuk menghitung sinyal outputnya: (9) (10) Kemudian sinyal output zj akan dikirim ke semua unit pada layer berikutnya (output layer). Bila yang digunakan adalah fungsi sigmoid maka bentuk fungsi tersebut adalah: (11) Sinyal keluaran dari fungsi pengaktif tersebut dikirim ke semua unit di lapis keluaran (unit keluaran). c. Tiap-tiap unit keluaran vT menjumlahkan sinyal-sinyal input terbobot dan menggunakan fungsi aktivasi untuk menghitung sinyal outputnya.

(12)

Gambar 1. Fungsi Aktivasi: Undak Biner 162

Seminar Nasional Teknologi Informasi dan Komunikasi 2014 (SENTIKA 2014) Yogyakarta, 15 Maret 2014

ISSN: 2089-9813

Fungsi Aktivasi linear pada gambar 1 di matlab dikenal dengan nama purelin. Dimana α adalah kemiringan dari fungsi. Jika α= 1 maka fungsi aktivasi tersebut adalah fungsi identitas. Sintaks untuk fungsi tersebut adalah: Y= purelin (a). b. Fungsi Sigmoid Biner (Logsig) Fungsi ini digunakan untuk jaringan syaraf tiruan yang dilatih dengan menggunakan metode backpropagation. Fungsi sigmoid biner memiliki nilai pada range 0 sampai 1. Oleh karena itu, fungsi seperti ini sering digunakan untuk jaringan syaraf yang membutuhkan nilai output yang terletak pada interval 0 sampai 1.

Gambar 2. Fungsi Aktivasi Sigmoid Biner Fungsi Aktivasi sigmoid biner pada gambar 2 di matlab dikenal dengan nama logsig. c. Fungsi Sigmoid Bipolar (tansig) Fungsi sigmoid bipolar hampir sama dengan fungsi sigmoid biner, hanya saja output dari fungsi ini memiliki range antara 1 sampai -1 (Gambar 3).

Gambar 4. Desain Penelitian Gambar 4. Desain Penelitian merupakan langkah-langkah yang dilakukan dalam penelitian, dimulai dengan pengambilan citra daun kakao menggunakan kamera digital di sebuah perkebunan kakao di daerah Lampung. Kemudian image daun di proses seperti resize image menjadi 50x50 pixel dalam hal ini menggunakan software corel draw. Proses selanjutnya yaitu image akan diekstrak untuk mendapatkan nilai-nilai fitur yang merepresentasikan ciri spesifik dari image tersebut. Nilai fitur dari image selanjutnya digunakan untuk klasifikasi kualitas daun kakao, yaitu skewness, kurtosis, standar deviasi, mean dan entropy dari histogram warna, histogram grayscale, dan histogram tingkat saturasi. Setelah nilai fitur didapat sebagai input untuk proses selanjutnya yaitu klasifikasi. Klasifikasi pada penelitian ini menggunakan metode backpropagation dengan tahap pelatihan dan pengujian. Proses pelatihan menggunakan sebanyak 60 citra daun kakao yang akan di bagi menjadi 3 kelas yaitu 20 untuk daun rusak, 20 untuk daun rusak sedang dan 20 untuk daun sehat. Selanjutnya proses pengujian dengan menggunakan data yang tidak masuk dalam pelatihan sebanyak 30 citra daun kakao dengan pembagian kelas tiap kelas yang akan di uji masingmasing sebanyak 10 citra daun kakao untuk 3 kelas. Tahap selanjutnya ekstraksi fitur dengan tujuan untuk mendapatkan fitur-fitur yang akan digunakan untuk melakukan klasifikasi. Fitur yang akan digunakan adalah mean, standard deviation, , kurtosis, skewness, dan entropy dari Histogram Warna, Histogram Grayscale dan Histogram Tingkat Saturasi. Selanjutnya dilakukan proses klasifikasi. Metode yang digunakan untuk pengenalan pola dalam penelitian ini adalah Neural Network (backpropagation).

Gambar 3 Fungsi Aktivasi Sigmoid Bipolar Fungsi Aktivasi sigmoid bipolar pada gambar 3 di matlab dikenal dengan nama tansig. 3. METODE PENELITIAN Desain penelitian merupakan tahapan yang merepresentasikan langkah-langkah yang akan dilakukan dalam melaksanakan penelitian, tujuannya untuk memudahkan peneliti dalam melakukan penelitian. Berikut adalah tahapan penelitian yang akan dilakukan dalam proses penelitian yang berjudul “Analisa Kualifikasi Daun Pada Tanaman Kakao Menggunakan Neural Network“ dapat dilihat secara jelas pada Gambar 4 tahapan metode yang menunjukkan rencana atau struktur penelitian yang akan digunakan untuk melakukan klasifikasi memecahkan permasalahan dalam penelitian ini.

163

Seminar Nasional Teknologi Informasi dan Komunikasi 2014 (SENTIKA 2014) Yogyakarta, 15 Maret 2014

ISSN: 2089-9813

(pelatihan), struktur jaringan yang digunakan terdiri atas lapisan input, 2 lapisan tersembunyi, dan lapisan output. Lapisan input terdiri dari 15 neuron. Lapisan tersembunyi pertama terditi atas 10 neuron dengan fungsi aktivasi tansig, sedangkan lapisan tersembunyi kedua terdiri atas 5 neuron dengan fungsi aktivasi logsig. Lapisan output terdiri atas 1 neuron dengan fungsi aktivasi purelin. Pemilihan bobot awal sangat mempengaruhi jaringan syaraf tiruan dalam capai minimum global terhadap nilai error, serta cepat tidaknya proses pelatihan menuju kekonvergenan. Setelah proses pelatihan maka dihasilkan bobot tersebut. Bobotbobot jaringan yang meliputi bobot input neuron, bobot bias, bobot neuron pada hidden layer, dan bobot bias pada hidden layer dari proses pelatihan ini digunakan dalam mengevaluasi atau menguji pengidentifikasian dan klasifikasi daun kakao. Adapun hasil dari pengujian yang telah dilakukan yaitu sebagai berikut:

4. HASIL DAN PEMBAHASAN Pembuatan struktur dari neural network ke dalam program harus diatur terlebih dahulu, dalam hal ini pengaturannya menggunakan metode penentuan bobot pada training dengan jaringan syaraf tiruan yaitu Lavenberg-Marquad (trainlm) dengan struktur JST menggunakan Backpropagation. Citra masukkan yang digunakan pada penelitian ini adalah citra daun kakao sebanyak 90 citra. Terdiri dari 60 input data untuk pelatihan dan 30 input data untuk pengujian. Target yang digunakan yaitu tiga dengan rincian daun rusak parah, daun rusak sedang dan daun sehat. a.

Pelatihan Proses pelatihan dilakukan jika semua parameter jaringan syaraf sudah ditentukan, fungsi newff yang disediakan oleh Matlab dengan merubah semua data input, output dan bobot-bias dijadikan ke dalam bentuk perhitungan matriks maka pelatihan dan pengujian JST akan lebih cepat. Pada proses pelatihan identifikasi, dari parameter jaringan yang telah ditentukan dihasilkan yaitu pelatihan berhenti ketika iterasi yang ditentukan sudah tercapai yaitu berhenti pada epoch ke-13 dengan MSE (Mean Square Error) 9.189e-005 dengan target 0.0001 atau 1.10-4 menggunakan fungsi aktivasi sigmoid bipolar, sigmoid biner dan linear. Setelah proses pelatihan tercapai nilai performance yang diinginkan tercapai, maka dapat dikatakan bahwa jaringan syaraf tiruan backpropagation telah mengenali target yang diinginkan

Gambar 6. Hasil simulasi data testing postmnmx Gambar 6. merupakan hasil data testing pada daun kakao, dapat kita lihat bahwa data baru yang dites pada jaringan (data testing), yang disimpan pada matriks Q dengan target yang disimpan pada matriks TQ sebagian besar sudah berdekatan (hampir mendekati posisi yang sama) yanitu antara output (o) tepat jatuh pada jaringan (*) . Error terbesar pada tabel terletak pada data ke-26 yaitu pada yaitu pada daun sehat sebesar 1.55. Pengujian dilakukan sebanyak tiga kali dengan melakukan pertukaran antara data pelatihan dengan pengujian sehingga setiap data pernah menjadi data pelatihan dan data pengujian. Selanjutnya yaitu pengujian dengan mengurangi fitur-fitur yang digunakan, untuk mengetahui seberapa besar pengaruh fitur pada sistem ini. Dapat dilihat pada gambar 7 dibawah ini.

Gambar 5 Hubungan target dengan output jaringan Koefisien korelasi bernilai 0.9999 (mendekati 1), menunjukkan hasil yang baik untuk kecocokan output jaringan dengan target pada gambar 4.5 dapat dilihat perbandingan target dengan output jaringan hampir tepat menempati posisi yang sama, yaitu posisi (o) dan (*) betul-betul berada pada posisi yang sama. b. Pengujian Pengujian dilakukan menggunakan arsitektur terbaik yang telah diperoleh dari hasil training 164

Seminar Nasional Teknologi Informasi dan Komunikasi 2014 (SENTIKA 2014) Yogyakarta, 15 Maret 2014

ISSN: 2089-9813

Other kernel-based Learning Methods, Cambridge University Press. Haralick, R.M. et., 1973. Texture Features for Image Classification, IEEE Transaction on System, Man, and Cybernetics, Vol. SMC-3 Hsu, C.W., and Lin, C.J. 2002. A Comparison of Methods for Multi-class Support Vector Machines, IEEE Transactions on Neural Networks, Vol. 13, No. 2, hal. 415-425. Gonzalez, R. C., Woods, R. E. 2010. Digital Image Processing, Third Edition, Pearson Prentice Hall, Inc Irawan, Feriza A. 2012. Buku Pintar Pemrograman Matlab. Yogyakarta: MediaKom Kusumadewi, Sri. 2004. Membangun Jaringan Syaraf Tiruan Menggunakan Matlab & Excel Link. Yogyakarta:Graha Ilmu. Nugroho, A.S., Witarto, B.A., Handoko, D., 2003, “ Support Vector Machine – Teori dan Aplikasinya Dalam Bioinformatika”, Kuliah Umum Ilmu Komputer.com Purnomo M. H., Kurniawan A., 2006, Supervised Neural Networks dan Aplikasinya, Graha Ilmu, Yogyakarta. Suyanto. 2011. Artificial Intelegence Searching, Reasoning, Planning, dan Learning. Bandung: Informatika.

Gambar 7 pengaruh fitur Grafik pada gambar 7 dapat kita lihat bahwa adanya pengaruh fitur pada setiap pengujian. Semakin banyak nilai fitur ekstraksi maka prosentase keakuratan data semakin bertambah tinggi. Data prosentase menggunkan skala 1. Untuk data pengujian 1 data terendah pada fitur dua yaitu untuk prosentase keakuratan sebesar 0.2218 atau 22.18 % dan keakuratan tertinggi nya mencapai 0.9902 atau 99.02% dengan menggunakan fitur 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, dan fitur ke 15. Keakuratan terendah pada pengujian kedua yaitu 0.3049 atau 30.49% dengan keakuratan tertingginya mencapai 0.7125 atau 71.25% dengan menggunakan fitur 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, dan fitur 15. Keakuratan terendah pada pengujian ketiga yaitu o.2638 atau 26.38% dengan keakuratan tertinggi pada fitur 15 yaitu mencapai 0.6530 atau 65.30% dengan menggunakan fitur 2,3,4,5,6,7,8,9,10,11,12,13,14, dan fitur ke 15. 5. KESIMPULAN Penelitian yang telah dilakukan maka dapat diperoleh kesimpulan bahwa analisa kualifikasi daun pada tanaman kakao menggunakan neural network didapatkan hasil akurasi daun rusak parah 83% daun rusak sedang 96% dan daun sehat 86%. PUSTAKA Ahmad Usman.2005. Pengolahan Citra Digital dan Teknik Pemrogramannya. Graha Ilmu, Yogyakarta. Albregtsen, Fritz, Statistical Texture Measures Computed from Gray Level Coocurrence (http://www.ifi.uio.no/in384/info/glcm.ps, diakses 10 Januari 2014). Burges, J.C. 1988. A Toturial on Support VectorMachines for Pattern Recognition, Data Mining and Knowledge Discovery, Vol.2, No.2, hal. 955-974. Christiani, Nello, and Taylor, J.S., 2000. An Introduction to Support Vector Machine and 165