KLASIFIKASI KEMATANGAN BUAH MANGGA HARUM MANIS BERDASARKAN NORMALISASI WARNA MENGGUNAKAN METODE FUZZY LOGIC BERBASIS WEB Niki Nurdayani, Prihastuti Harsani, Arie Qur’ania Email :
[email protected] Program Studi Ilmu Komputer FMIPA Universitas Pakuan Bogor Abstrak Pengolahan citra (image processing) adalah proses memperbaiki kualitas citra agar mudah diinterpretasi oleh manusia atau komputer. Teknik pengolahan citra yaitu melakukan pemilihan citra ciri (feature images) yang optimal, melakukan proses penarikan informasi atau deskripsi objek atau pengenalan objek yang terkandung pada citra, melakukan kompresi atau reduksi data untuk penyimpanan data, transmisi data, dan waktu proses data. Tujuan dari penelitian ini untuk melakukan klasifikasi kematangan buah mangga harum manis menggunakan ekstraksi ciri warna dan menggunakan metode fuzzy logic mamdani berbasis web. Dan manfaat dari penelitian ini adalah untuk menambah pengetahuan mengenai aplikasi dari model fuzzy logic untuk klasifikasi suatu kasus, untuk membantu mempermudah penentuan kematangan petani buah mangga dan industri. Salah satu contohnya digunakan untuk melakukan klasifikasi kematangan buah mangga harum manis berdasarkan normalisasi warna sebagai ekstraksi ciri dan fuzzy logic sebagai metode klasifikasi. Metode fuzzy logic yang digunakan adalah metode mamdani dimana terdapat 3 (tiga) variable input dan 1 (satu) variable output diantaranya variable input terdiri dari red, green, dan blue sedangkan untuk variable outputnya yaitu tingkat kematangan pada buah mangga. Data yang digunakan sebanyak 48 data citra mangga dengan rincian 36 data latih dan 12 citra manggasebagai data uji. Sehingga dari data latih dan data uji tersebut menghasilkan nilai akurasi yang diperoleh menggunakan normalisasi warna dan fuzzy logic sebesar 40%. Kata Kunci : Pengolahan Citra (Image Processing), Normalisasi Warna, Fuzzy Logic PENDAHULUAN Indonesia adalah sebuah Negara yang memiliki banyak sekali keanekaragaman hayati. Keanekaragaman hayati merupakan keberagaman atau berbagai macam dan jenis makhluk hidup di alam semesta. Di antaranya keberagaman pada buah mangga yang ada di Indonesia. Mangga adalah tanaman buah asli dari India. Kini, tanaman ini tersebar di berbagai penjuru dunia termasuk Indonesia. Tanaman Manggga dapat tumbuh dengan baik di dataran rendah dan berhawa panas. Akan tetapi, ada juga yang dapat tumbuh di daerah yang memiliki ketinggian hingga 600 meter di atas permukaan laut. Batang pohon mangga tegak, bercabang agak
kuat. Kulit tebal dan kasar dengan banyak celah-celah kecil dan sisik-sisik bekas tangkai daun. Buah mangga harum manis merupakan bagian dari jenis-jenis mangga yang sudah dikenal oleh banyak orang karena kemanisan yg terdapat di buah mangga harum manis, sehingga tidak sedikit orang yang menyukai buah ini. Mangga harum ini memiliki beberapa kriteria yang berbeda dengan jenis buah mangga lainnya. Dalam kasus kematangan buah mangga ini terkadang ada buah mangga yang memiliki warna yang cukup matang tetapi masih terasa asam, begitu pun sebaliknya. Sehingga untuk para konsumen agar mengetahui 1
bahwa salah satu penentuan buah mangga harum manis bisa melalui warna menggunakan nomalisasi warna. Menggunakan normalisasi warna untuk memudahkan membedakan warna yang ada pada buah mangga sesuai tingkat kematangannya. Selain itu variabel warna lebih mudah ditangkap dengan panca indera. Untuk proses pengklasifikasian tingkat kematangan pada buah mangga digunakan fuzzy logic. Pada fuzzy mamdani terdapat sistem yang bisa melakukan penalaran dengan prinsip serupa seperti manusia yang melakukan penalaran dengan nalurinya yaitu fuzzy inference system. Sistem yang terdapat pada fuzzy yaitu terdiri dari himpunan fuzzy, variabel fuzzy dan fungsi keanggotaan. Himpunan fuzzy merupakan suatu kelompok dari klasifikasi fuzzy yang mewakili suatu kondisi atau keadaan tertentu. Nilai keanggotaan himpunan fuzzy tidak hanya berada pada nol nol atau satu, tetapi juga terletak diantaranya sedangkan variabel fuzzy adalah variabel yang akan dibahas pada suatu sistem fuzzy. Metode Mamdani adalah metode dimana himpunan fuzzy yang merupakan input dari setiap aturan dikombinasikan dengan menggunakan operator Dan kemudian menghasilkan output pada suatu sistem. Metode Mamdani sering juga dikenal dengan nama metode MinMax. Metode Mamdani diperkenalkan oleh Ebrahim Mamdani pada tahun 1975. (Sutojo, dkk, 2011) Mulato Febry (2014) melakukan penelitian klasifikasi kematangan buah jambu biji merah (Psidium guajava) dengan menggunakan model fuzzy menggunakan MATLAB. Buah jambu biji merah (Psidium guajava) memiliki keterbatasan umur simpan yaitu antara 1-2 minggu setelah pascapanen. Daya simpan buah jambu biji merah yang relatif singkat mengharuskan pemanenan jambu biji merah dilakukan pada saat jambu biji merah masih dalam kondisi mentah untuk keperluan industri lokal maupun ekspor. Maka dibutuhkan pengklasifikasian buah
jambu biji merah yang tepat untuk memperoleh mutu buah yang baik. Model fuzzy merupakan salah satu metode yang dapat digunakan untuk menentukan klasifikasi kematangan buah jambu biji merah. Model fuzzy mempunyai konsep matematis yang didasari penalaran fuzzy. Penelitian ini bertujuan untuk mengaplikasikan model fuzzy dalam klasifikasi tingkat kematangan buah jambu biji merah dan mendeskripsikan tingkat keakuratannya. Model fuzzy yang telah dibangun akan dilakukan pengujian model dengan cara menentukan tingkat akurasi dan error dari model tersebut. Tingkat akurasi untuk data training 94.67% dengan error 5.33% sedangkan tingkat akurasi untuk data testing 83.3% dengan error 16.7%. Berdasarkan permasalahan di atas maka hendak melakukan penelitian tentang “klasifikasi kematangan buah mangga harum manis berdasarkan normalisasi warna dengan menggunakan fuzzy logic berbasis web”. METODE PENELITIAN Rancangan penelitian mengenai klasifikasi kematangan buah mangga harum manis berdasarkan normalisasi warna menggunakan metode fuzzy logic. Tahap-tahap penelitian dapat dilihat pada gambar 3.
Gambar 3. Tahap Penelitian 2
Akuisisi Citra Mangga Akuisisi citra adalah tahapan awal untuk mendapatkan data citra digital dengan tujuan menentukan data-data yang diperlukan dan proses pemilihan metode perekaman citra digital. Dalam penelitian ini pengambilan citra menggunakan kamera digital. Data citra mangga dihasilkan dengan melakukan capture dari objek yang sangat kecil (orde mikro) untuk menghasilkan gambar digital yang memiliki resolusi tinggi. Penelitian citra mangga ini menggunakan 36 data latih dan 12 data uji sehingga total terdapat 48 data citra mangga harum manis dari 6 buah mangga dengan 3 jenis kematangan yang berbeda yaitu: matang, sedang, dan mentah. Spesifikasi kamera digital : Tipe kamera : Kamera Comapct Merk : Panasonic Nama Produk Kamera : Panasonic Lumix DMC SZ7, dengan tertanam kamera 14.10 Piksel.
Tahap Perancangan sistem Tahap perancangan sistem adalah tahap merancang suatu sistem yang setelah melalui proses perencanaan dan analisis, agar sistem yang di rancang dapat sesuai dengan yang diinginkan. Adapun rancangan sistem secara umum yang akan dikembangkan seperti pada gambar 4.
Preprocessing Citra Mangga Tahapan preprocessing ini diperlukan untuk menjamin kelancaran dalam melakukan penelitian pada buah mangga harum manis. Prepocessinng ini dilakukan dengan tahapan sebagai berikut : 1. Mengubah mangga menjadi data citra mangga dengan menggunakan kamera digital Panasonic Lumix DMC SZ7 14.10 Piksel. 2. Mengolah citra mangga pada Adobe Photoshop CS6 untuk menghilangkan background pada citra mangga awal. 3. Menyeragamkan ukuran citra mangga menjadi 160x160 piksel menggunakan Adobe Photoshop CS6. 4. Menghitung nilai warna RGB pada buah mangga dengan menggunakan Matlab R2008a. 5. Menghitung Normalisasi warna dari masing-masing kematangan.
Gambar 4. Aplikasi yang akan dikembangkan Tahapan untuk melakukan normalisasi warna pada buah mangga harum manis ditunjukan pada gambar 5.
Gambar 5. Flowchart Normalisasi warna Fuzzy Logic Klasifikasi Mangga Menurut tahapan dari metode fuzzy logic klasifikasi mangga dalam bentuk flowchart ditunjukan seperti pada gambar 6.
3
Struktur Navigasi Struktur Navigasi pada Aplikasi klasifikasi buah mangga harum manis dimulai dari menu utama atau home, kemudian menu modul normalisasi warna, dan menu klasifikasi mangga dan menu keluar dari aplikasi. Secara sistematis hubungan antar halaman aplikasi ini di sajikan pada gambar 8.
Gambar 6. Flowchart Gambar 8. Struktur Navigasi PERANCANGAN DAN IMPLEMENTASI SISTEM
Implementasi Sistem Implementasi pembuatan aplikasi ini menggunakan PHP dan Mysql untuk database. Implementasi sistem dapat dilihat pada gambar 9.
Flowchart Sistem Flowchart sistem menjelaskan alur dari simbol-simbol yang digunakan untuk menggambarkan proses kerja aplikasi pada klasifikasi buah mangga harum manis, flowchart akan memudahkan dalam proses pembuatan implementasi sistem. Flowchart aplikasi klasifikasi buah mnagga harum manis terlihat pada gambar 7.
Gambar 9. Implementasi Sistem HASIL DAN PEMBAHASAN Tanaman mangga (Mangifera indica) merupakan tanaman hortikultur yang mempunyai nilai ekonomis tinggi karena memiliki kandungan gizi yang cukup tinggi bagi kesehatan manusia. Komposisi buah mangga terdiri dari 80 % air dan
Gambar 7. Flowchart Sistem 4
15% sampai 20% gula, serta berbagai macam vitamin antara lain vitamin A, B dan C. Mangga mempunyai banyak keanekaragaman, hal ini dapat dilihat secara morfologi daun, bunga dan buah yang kesemuanya mempunyai bentuk/bangun, ukuran dan warna yang bermacam-macam. Buahnya mempunyai tebal daging, rasa dan aromanya yang khas. (Sumarsono, dkk, 2012). Penelitian ini menggunakan metode normalisasi warna pada buah mangga harum manis untuk ektraksinya dan metode fuzzy logic untuk mengklasifikasikan kematangan buah mangga harum manis. Data yang digunakan dalam penelitian ini menggunakan 6 buah mangga dengan tingkat kematangan yang berbeda. Sehingga menghasilkan 48 data citra mangga dengan rincian 36 data latih dan 12 citra mangga sebagai data uji untuk mencari nilai normalisasi warma dengan menggunakan RGB. Input yang digunakan pada penelitian ini adalah ekstraksi warna pada buah mangga harum manis yang sudah diolah terlebih dahulu menggunakan aplikasi photoshop untuk menghilangkan background pada citra manga. Normalisasi warna adalah citra yang tersusun dalam beberapa kanal (channel) oleh tiga komponen warna. Warna yang diterima oleh mata dari sebuah objek ditentukan oleh warna sinar yang dipantulkan oleh objek tersebut. Warnawarna yang diterima oleh mata manusia merupakan hasil kombinasi cahaya dengan panjang gelombang (λ) yang dimiliki oleh setiap warna. Penelitian memperlihatkan kombinasi warna yang memberikan rentang warna yang paling lebar adalah red (R), green (G) dan blue (B). Pengolahan warna citra RGB dilakukan dengan cara membaca nilainilai Red, Green, dan Blue pada suatu pixel, menampilkan dan menafsirkan warna hasil perhitungan sehingga
mempunyai arti sesuai yang diinginkan (Munarto, dkk, 2014). Berikut rumus persamaan untuk normalisasi warna berdasarkan (Mansor, 2014). C(x)−Min(x)
𝐹(𝑥) = Max(x)−Min(x) x 100……...(1) Dengan ketentuan : C(x) : Nilai RGB baru Min(x) : Nilai min pada range min- man Max(x) :Nilai max pada range min-max Klasifikasi Fuzzy Logic Proses klasifikasi ini menggunakan fuzzy logic dengan metode mamdani dimana terdapat 3 kategori yang digunakan yaitu mentah, sedang, dan matang. Berikut klasifikasi menggunakan fuzzy logic Konsep logika fuzzy pertama kali diperkenalkan oleh professor Lotfi A. Zadeh dari Universitas California, pada bulan Juni 1965. Logika fuzzy merupakan generalisasi dari logika klasik yang hanya memiliki dua nilai keanggotaan yaitu 0 dan 1. Dalam logika fuzzy, nilai kebenaran suatu pernyataan berkisar dari sepenuhnya benar sampai dengan sepenuhnya salah. Dengan teori himpunan fuzzy, suatu objek dapat menjadi anggota dari banyak himpunan dengan derajat keanggotaan yang berbeda dalam masingmasing himpunan. Konsep ini berbeda dengan teori himpunan biner (crisp). Teori himpunan biner tergantung pada logika dua nilai (two-valued logic) untuk menentukan apakah sebuah objek merupakan suatu anggota himpunan atau bukan (Klir & Bo,1995). (Kaswidjanti, dkk, 2014). Metode Mamdani Model fuzzy merupakan suatu proses dari input yang berupa nilai tegas (crisp) diubah oleh fuzzifikasi (tahap fuzzifikasi) menjadi nilai fuzzy pada kemudian diolah oleh mesin inferensi fuzzy dengan aturan dasar fuzzy yang selanjutnya ditegaskan kembali dengan 5
defuzzifikasi (tahap Defuzzifikasi) menjadi nilai tegas merupakan output yang dicari . Berikut dapat dilihat model fuzzy dalam bentuk bagan seperti gambar 10.
Tabel 2. Range Linguistik Variabel Linguistic Term Low Medium High
Red
Green
Blue
5-76 14-80 20-90
4-77 13-79 17-90
20-91 23-91 26-93
Tabel 3. Range Kategori Menggunakan Interval Statistik Linguistic Term Mentah Sedang Matang
Model fuzzy memiliki empat komponen, yaitu : fuzzifikasi, aturan fuzzy, inferensi fuzzy, defuzzifikasi. Fuzzifikasi memetakan angka-angka input ke dalam fungsi keanggotaan yang sesuai. Aturan fuzzy dapat dibentukan dari data numerik atau aturan yang diberikan oleh pakar ahli. Inferensi fuzzy mendefinisikan pemetaan dari input himpunan fuzzy ke dalam output himpunan fuzzy. Defuzzifikasi memetakan himpunan fuzzy ke dalam himpunan tegas (crisp) (Toni,2013). Menurut (Mansor, 2014) dari hasil normalisasi pada citra data latih mangga matang, sedang dan mentah. Data range variable RGB l ini diambil dari data terendah kedua dan data tertinggi kedua dari nilai range RGB maka dibuatlah range variabel RGB. Berikut ditunjukan pada tabel 1.
Fuzzifikasi Fuzzifikasi merupakan proses untuk mengubah variabel numeris menjadi variabel linguistik. Tahapan ini meliputi : pembentukan variabel input maupun output, kemudian untuk setiap variabel dibagi menjadi satu atau lebih himpunan fuzzy. Dalam menentukan tingkat kematangan buah mangga harum manis, variabel input dibagi menjadi 3 yaitu: red, green dan blue dengan variabel output tingkat kematangan. Fungsi Keanggotaan a. Variabel Red Variabel Red mempunyai 3 himpunan fuzzy diantaranya low, medium dan high. domain red untuk himpunan fuzzy low yaitu [5-76], domain untuk medium yaitu [14 80], domain untuk high yaitu [20 90]. Berikut representasi variabel red pada gambar 11. .
Tabel 1. Range variabel RGB
Mentah Sedang Matang
Red
Green
Blue
Min
Max
Min
Max
Min
Max
14.28 5.12 20
90.47 76.92 80
13.63 4.54 17.94
90.90 77.27 79.48
23.52 20 26.08
91.17 93.33 91.30
Range 4-40 40-76 76-93
Berdasarkan nilai data uji menggunakan range output maka hasilnya akan masuk ke dalam 3 kategori yaitu matang, sedang dan mentah. Sehingga tidak bisa dihitung nilai akurasinya maka dengan menggunakan range output menggunakan interval statistik diperoleh nilai dengan 1 kategori yang pasti.
Gambar 10. Proses Pemodelan Fuzzy
Kategori
Output
6
Gambar 11. Representasi Variabel Red Berdasarkan gambar 11, maka dibuatlah fungsi keanggotaan. Fungsi keanggotaan himpunan fuzzy low dapat dibentuk berdasarkan persamaan (2) yaitu sebagai berikut: 76−𝑥
1
𝜋𝑅𝑒𝑑𝑙𝑜𝑤 = {76−5 0
Gambar 12. Representasi Variabel Green Berdasarkan gambar 12, maka dibuatlah fungsi keanggotaan. Fungsi keanggotaan himpunan fuzzy low dapat dibentuk berdasarkan persamaan (5) yaitu sebagai berikut: 𝜋𝐺𝑟𝑒𝑒𝑛𝑙𝑜𝑤 = 𝑥≤4 77−𝑥 4 < 𝑥 < 77……………………………..(5) {77−4 0 𝑥 ≥ 77 1
𝑥≤5 5 < 𝑥 < 76….. (2) 𝑥 ≥ 76
Fungsi keanggotan himpunan fuzzy medium dapat dibentuk berdasarkan persamaan (6) yaitu sebagai berikut :
Fungsi keanggotan himpunan fuzzy medium dapat dibentuk berdasarkan persamaan (3) yaitu sebagai berikut: 𝜋𝑅𝑒𝑑𝑚𝑒𝑑𝑖𝑢𝑚 = 0; 𝑥−14 47−14 80−𝑥 80−47
{
1;
𝜋𝐺𝑟𝑒𝑒𝑛_𝑚𝑒𝑑𝑖𝑢𝑚 = 0; 0 ≤ 𝑥 ≤ 13 𝑎𝑡𝑎𝑢 𝑥 ≥ 79; 𝑥−13 13 ≤ 𝑥 ≤ 46; 46−13 79−𝑥
0 ≤ 𝑥 ≤ 14 𝑎𝑡𝑎𝑢 𝑥 ≥ 80; 14 ≤ 𝑥 ≤ 47; 47 ≤ 𝑥 ≤ 80;
79−46
…………….(3)
{
𝑥 = 80;
…(6)
𝑥 = 79;
Fungsi keanggotan himpunan fuzzy high dapat dibentuk berdasarkan persamaan (7) yaitu sebagai berikut :
Fungsi keanggotan himpunan fuzzy high dapat dibentuk berdasarkan persamaan (4) yaitu sebagai berikut: 0 𝑥−20 𝜋𝑅𝑒𝑑ℎ𝑖𝑔ℎ {90−20 1
1;
46 ≤ 𝑥 ≤ 79;
0 𝑥−17 𝜋𝐺𝑟𝑒𝑒𝑛ℎ𝑖𝑔ℎ = {90−17 1
𝑥 ≤ 20 20 < 𝑥 < 90………………(4) 𝑥 ≥ 90
c.
𝑥 ≤ 17 17 < 𝑥 < 90……………....(7) 𝑥 ≥ 90
Variabel Blue Variabel Blue mempunyai 3 himpunan fuzzy diantaranya low, medium dan high. Domain blue untuk himpunan fuzzy low yaitu [20 91], domain untuk medium yaitu [23 91], domain untuk high yaitu [26 93]. Berikut representasi variabel blue pada gambar 13.
b.
Variabel Green Variabel Green mempunyai 3 himpunan fuzzy diantaranga low, medium dan high. Domain green untuk himpunan fuzzy low yaitu [4 77], domain untuk medium yaitu [13 79], domain untuk high yaitu [17 90].Berikut representasi variabel green pada gambar 12.
7
Gambar 14. Representasi Variabel Kematangan Berdasarkan gambar 14, maka dibuatlah fungsi keangotaan. Fungsi keanggotan himpunan fuzzy mentah dapat dibentuk berdasarkan persamaan (11) yaitu sebagai berikut :
Gambar 13. Representasi Variabel Blue Berdasarkan gambar 13, maka dibuatlah fungsi keanggotaan. Fungsi keanggotan himpunan fuzzy low dapat dibentuk berdasarkan persamaan (8) yaitu sebagai berikut: 1 91−𝑥 𝜋𝐵𝑙𝑢𝑒𝑙𝑜𝑤 = {91−20 0
𝑥 ≤ 20 20 < 𝑥 < 91…(8) 𝑥 ≥ 91
40−𝑥
Fungsi keanggotan himpunan fuzzy medium dapat dibentuk berdasarkan persamaan (9) yaitu sebagai berikut :
{40−4
91−57
{
1;
57 ≤ 𝑥91;
𝜋𝐾𝑒𝑚𝑎𝑡𝑎𝑛𝑔𝑎𝑛_𝑠𝑒𝑑𝑎𝑛𝑔 = 0; 0 ≤ 𝑥 ≤ 40 𝑎𝑡𝑎𝑢 𝑥 ≥ 76; 𝑥−40 40 ≤ 𝑥 ≤ 58;
………………...(9)
18 76−𝑥
𝑥 = 91;
18
Fungsi keanggotan himpunan fuzzy high dapat dibentuk berdasarkan persamaan (10) yaitu sebagai berikut : 0 𝑥−26 𝜋𝐵𝑙𝑢𝑒ℎ𝑖𝑔ℎ = {93−26 1
0
𝐾𝑒𝑚𝑎𝑡𝑎𝑛𝑔𝑎𝑛𝑚𝑒𝑛𝑡𝑎ℎ = 𝑥≤4 4 < 𝑥 < 40………………………...…(11) 40
Fungsi keanggotan himpunan fuzzy sedang dapat dibentuk berdasarkan persamaan (12) yaitu sebagai berikut:
𝜋𝐵𝑙𝑢𝑒_𝑚𝑒𝑑𝑖𝑢𝑚 = 0; 0 ≤ 𝑥 ≤ 23 𝑎𝑡𝑎𝑢 𝑥 ≥ 91; 𝑥−23 23 ≤ 𝑥 ≤ 57; 57−23 91−𝑥
1
{
1;
58 ≤ 𝑥 ≤ 76;
………………(12)
𝑥 = 76;
Fungsi keanggotan himpunan fuzzy matang dapat dibentuk berdasarkan persamaan (13) yaitu sebagai berikut:
𝑥 ≤ 26 26 < 𝑥 < 93……………(10) 𝑥 ≥ 93
𝜋𝐾𝑒𝑚𝑎𝑡𝑎𝑛𝑔𝑎𝑛𝑚𝑎𝑡𝑎𝑛𝑔 = 0 𝑥 ≤ 76 𝑥−76 76 < 𝑥 < 93………………………….………(13) {93−76 1 𝑥 ≥ 93
d.
Variabel Output (Kematangan) Variabel Output mempunyai 3 himpunan fuzzy diantaranya mentah, sedang dan matang. Domain kematangan untuk himpunan fuzzy mentah yaitu [4 40], domain untuk sedang yaitu [40 76], domain untuk matang yaitu [76 93]. Berikut representasi variabel kematangan pada gambar 14.
Uji Coba Struktural Uji coba struktural adalah melakukan pengujian pada website yang dikembangkan bahwa website ini terstruktur dengan baik sesuai dengan yang diharapkan atau tidak. Hasil uji coba struktural dapat dilihat pada tabel 4.
8
Tabel 4.Tabel Uji Struktural Form/Halaman Halaman Home
Halaman Normalisasi Warna
Halaman Klasifikasi Mangga
dilakukan ujicoba fungsional menggunakan Matlab R2008a yang bertujuan untuk mengetahui hasil aplikasi yang dibuat sesuai dengan hasil pada matlab.
Dijalankan Sesuai yang dirancang, ketika masuk home maka akan tampil pemberitahuan bahwa user berada pada website klasifikasi kematangan buah mangga harum manis. Sesuai yang dirancang, Halaman normalisasi warna akan menampilkan hasil perhitungan dari data latih berdasarkan ekstraksi ciri warna dari ketiga tingkat kematangan mangga yaitu: Matang, Sedang dan Mentah. Sesuai yang dirancang, Halaman klasifikasi warna dapat mengambil gambar, mengekstrasi citra warna mangga, memberikan nama, melakukan proses pengujian.
Gambar 15. Rule Viewer Matlab R2008a Dari hasil rule viewer pada Matlab R2008a menunjukan bahwa hasil kematangan berada pada posisi tingkat kematangan sedang sama dengan hasil aplikasi yang dibentuk oleh aplikasi web yang ditunjukan pada gambar 9.
Uji Coba Fungsional Uji coba fungsional merupakan tahap uji coba yang bertujuan untuk mengetahui apakah bagian dari proses sistem informasi berjalan sesuai dengan fungsi masing-masing. Uji coba ini dilakukan dengan cara mengklik setiap link dan melihat halaman yang akan terbuka. Hasil uji coba fungsional ditampilkan pada tabel 5.
Uji Coba Validasi Uji coba validasi adalah bentuk pengujian klasifikasi kematangan buah mangga harum manis pada hasil implementasi untuk melihat persentase validasi. Uji coba validasi dilakukan dengan validasi sistem input citra mangga sehingga menghasilkan klasifikasi kematangan sesuai data yang di inputkan. Pengujian dilakukan dengan menggunakan metode Fuzzy Logic.
Tabel 5. Tabel Uji Fungsional Form/Halaman Halaman Home Halaman Normalisasi Warna Halaman Klasifikasi Mangga
Dijalankan Berfungsi, sesuai dengan gambar 16. Berfungsi, sesuai dengan gambar 17. Berfungsi, sesuai dengan gambar 18.
𝑃𝑒𝑟𝑠𝑒𝑛𝑡𝑎𝑠𝑒 =
Hasil uji coba fungsional yang dilakukan pada setiap link pada halaman aplikasi klasifikasi kematangan buah mangga harum manis ini, telah terbukti bahwa semua link sudah dapat berfungsi dengan baik. Berikut akan 9
𝐽𝑢𝑚𝑙𝑎ℎ 𝑑𝑎𝑡𝑎 𝑠𝑒𝑠𝑢𝑎𝑖 𝐽𝑢𝑚𝑙𝑎ℎ 𝑑𝑎𝑡𝑎 𝑢𝑗𝑖
∗ 100%......(14)
Tabel 16. Hasil Uji Coba No.
Data Citra Mangga
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Mangga Matang Mangga Matang Mangga Matang Mangga Matang Mangga Matang Mangga Sedang Mangga Sedang Mangga Sedang Mangga Sedang Mangga Sedang Mangga Mentah Mangga Mentah Mangga Mentah Mangga Mentah Mangga Mentah
Hasil Klasifikasi Aplikasi Sedang Sedang Sedang Sedang Sedang Sedang Sedang Sedang Sedang Sedang Mentah Sedang Sedang Sedang Sedang
𝑃𝑟𝑒𝑠𝑒𝑛𝑡𝑎𝑠𝑒 =
Indica L) hampir memiliki warna yang sama pada tingkat kematangan yang berbeda.
Keterangan
Tidak Sesuai Tidak Sesuai Tidak Sesuai Tidak Sesuai Tidak Sesuai Sesuai Sesuai Sesuai Sesuai Sesuai Sesuai Tidak Sesuai Tidak Sesuai Tidak Sesuai Tidak Sesuai
SARAN DAN KESIMPULAN Kesimpulan Klasifikasi kematangan buah mangga harum manis berdasarkan normalisasi warna menggunakan metode fuzzy logic berbasis web bertujuan untuk memudahkan klasifikasi kematangan buah mangga harum manis berdasarkan normalisasi warna yaitu warna RGB. Data yang diambil merupakan data primer atau melakukan pengambilan data sendiri menggunakan 6 buah mangga dengan tingkat kematangan yang berbeda. Sehingga menghasilkan 48 data citra mangga dengan rincian 36 data latih dan 12 data uji. Fuzzifikasi pada klasifikasi kematangan buah mangga harum manis menggunakan 3 variabel input yaitu: red, green, dan blue. Pada setiap variable input mempunyai himpunan keanggotaan yaitu low, medium, dan high. Sedangkan untuk variable output yaitu tingkat kematangan dengan himpunan keanggotaan yaitu: mentah, sedang dan matang. Implementasi Fuzzy pada klasifikasi buah mangga harum manis mempunyai nilai range output untuk menentukan tingkat kematangan pada buah manga. Namun range kategori output ini tidak menghasilkan nilai akurasi yang sesuai bahwa mangga yang di uji coba masuk dalam semua kategori yang ditentukan. Sehingga range kategori output ini diproses kembali menggunakan interval statistik agar nilai akurasinya hanya masuk dalam 1 kategori saja. Pada proses aturan dasar fuzzy memiliki 60 rule yang digunakan dengan menghasilkan nilai akurasi 30% sedangkan berdasarkan jurnal penelitian Mansor (2014) bahwa hanya menggunakan 3 rule yang digunakan memperoleh nilai akurasi sebesar 40%.
6 = 40 % 15
Pengujian klasifikasi mangga harum manis berdasarkan normalisasi warna menggunakan 60 rule menghasilkan nilai akurasi 30% sedangkan apabila menggunakan 3 rule sesuai dengan jurnal penelitian Mansor (2014) nilai akurasi mencapai 40%. Pengujian yang dihasilkan pada uji coba klasifikasi mangga harum manis ini menghasilkan nilai akurasi yang kurang baik. Berdasarkan jurnal penelitian “Fuzzy Ripening Mango Index Using RGB Colour Sensor Model” dengan metode fuzzy logic berdasarkan warna pada buah mangga Chokanan (Mangifera cochinchinensis Pierre) menghasilkan nilai akurasi 85% karena pada buah mangga jenis Chokanan (Mangifera cochinchinensis Pierre) memiliki warna kulit yang sangat signifikan perbedaannya sehingga memudahkan peneliti untuk mengetahui tingkat kematangan pada buah mangga Chokanan (Mangifera cochinchinensis Pierre) sedangkan pada penelitian buah mangga harum manis (Mangifera Indica L) hanya memiliki nilai akurasi 40% dikarenakan warna kulit buah mangga harum manis (Mangifera 10
Mansor Ab Rozak, 2014. Fuzzy Ripening Mango Index Using RGB Colour Sensor Model, Faculty of Computer& Mathematical Sciences, University Teknologi MARA Kedah
Aplikasi ini telah melalui tahap proses validasi atau uji coba, yaitu uji coba struktural, uji coba fungsional dan uji coba validasi. Uji coba sistem dilakukan dengan membandingkan sistem yang telah dibuat dengan perhitungan manual dengan menggunakan metode Normalisasi Warna dan Fuzzy Logic.
Mulato Febry, 2014. Klasifikasi kematangan buah jambu biji merah ( psidium guajava) dengan menggunakan model fuzzy. Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Negeri Yogyakarta, Yogyakarta.
Saran
Munarto, dkk, 2014. Klasifikasi kualitas biji jagung manis berdasarkan fitur warna menggunakan fuzzy logic. Jurusan Teknik Elektro, Fakultas Teknik,Universitas Sultan Ageng Tirtayasa, Banten
Pada penelitian ini belum dapat mengidentifikasi buah mangga harum manis berdasarkan warna pada kulit mangga saja. Dibutuhkan variabel lain untuk mengidentifikasi buah mangga harum manis misalnya warna daging pada buah mangga untuk mencapai nilai akurasi yang baik.
Sumarsono, dkk, 2012. Karakterisitik Morfologi dan Pola Pita IZOSIM Varietas Mangga (Mangifera sp) di Kabupaten Banyumas. Fakultas Biologi Universitas Jenderal Soedirman
DAFTAR PUSTAKA
T.Sutojo, dkk, 2011 “Kecerdasan Buatan”. Yogyakarta,Andi.
Kaswidjanti, dkk, 2014. Implementasi Fuzzy Inference System metode Tsukamoto pada pengambilan keputusan pemberian kredit pemilikan rumah. Program Studi Teknik Informatika UPN “Veteran”, Yogyakarta.
Zaki, Ridok, Tyroni. 2010. Penerapan metode fuzzy k-nn pada klasifikasi jenis mangga berdasarkan tekstur daun. Jurusan Ilmu Komputer Program Teknologi Informasi dan Ilmu Komputer Universitas Brawijaya, Malang
11
