Acvkku Paper Fp.docx

PENERAPAN METODE KIRSCH DALAM MENDETEKSI TEPI OBJEK CITRA DIGITAL

PARAREL : C

M BURHANUDDIN FIRMANSYAH

[1534010088]

M. ZAYYAN RAMADHAN

[1534010095]

KEVIN BRIAN PRADIPTA

[1534010103]

M. ILHAM ARIFUDIN

[1534010104]

MAUFTAUDDIN MUSTAQIM

[1534010105]

PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS ILMU KOMPUTER UNIVERSITAS PEMBANGUNAN NASIONAL “VETERAN” JAWA TIMUR 2016 - 2017

BAB I PENDAHULUAN 1.1 Latar Belakang Buah merupakan salah satu makanan yang sangat di butuhkan oleh manusia . Buah banyak mengandung vitamin yang di butuhkan tubuh dan buah juga bisa mencegah beberapa penyakit tertentu . Oleh sebab itu , di perkembangan teknologi seperti sekarang ini pemilik kebun memanfaatkan teknologi untuk kebun mereka misalnya adanya robot pemetik buah . Keberadaan robot pemetik buah ini solusi untuk mengatasi hambatan industry pertanian yang kekurangan buruh tani . Robot tersebut memanfaatkan pengelolaan citra (ekstrasi warna) untuk memetik buah . Warna menjadi ciri khas buah yang paling menonjol untuk mengetahui buah siap di petik atau belum . Pada tugas ini kelompok kami akan mengidentifikasi kematangan buah tomat berdasarkan warna . Objek yang digunakan adalah buah tomat yang berbeda tingkat kematangannya. Pengaplikasian yang digunakan adalah Jaringan Saraf Tiruan dengan metode backpropagation . Oleh karena itu kelompok kami membuat software untuk mendeteksi tingkat kematangan buah tomat , untuk menentukan buah tomat matang , tidak matang atau setengah matang . Pengolahan Citra adalah salah satu cabang dari ilmu informatika. Pengolahan citra berkutat pada usaha untuk melakukan transformasi suatu citra/gambar menjadi citra lain dengan menggunakan teknik tertentu. Dengan kata lain bahwa dengan menggunakan teknik tersebut akan membuat pengelolahan citra lebih baik dan dimengerti oleh manusia atau komputer yang bertugas menjalankan pengelolahan citra tersebut. Dengan pengelolaan citra yang dikembangkan dengan metode Backpropagation dalam JST kita dapat melakukan ekstraksi warna dan mengidentifikasi hasilnya. Jaringan Syaraf Tiruan (JST) adalah sistem pemroses informasi yang memiliki karakteristik mirip dengan jaringan syaraf biologis. Backpropagation cocok digunakan untuk JST jenis feedforward, yaitu jaringan yang tidak memiliki feedback. Backpropagation sebenarnya kependekan dari “backwards propagation of errors”. Backpropagation digunakan untuk mencari error gradient dari jaringan terhadap bobotbobot jaringan yang dapat dimodifikasi. Error gradient ini yang akan digunakan untuk mencari nilai bobot (dengan iterasi) yang akan meminimalkan eror. Tugas ini bertujuan untuk mengenali kematangan dari citra tomat dengan menerapkan teknik pengolahan citra dan metode jaringan syaraf tiruan. Pada proses pengenalan dalam menentukan kematangan ini, sistem sudah mengakuisi citra tomat akan melakukan proses cropping, resizing, dan membuat citra tersebut menjadi blok-

blok matrik. Nilai karakteristik hasil ekstrasi fitur warna tersebut kemudian dilatih oleh jaringan syaraf tiruan dan dimasukkan sebagai input. Jaringan syaraf tiruan terdiri atas 3 layer input, 4 layer tersembunyi dan 3 layer keluaran dengan setiap keluaran dikategorikan pada 3 layer output (matang, setengah matang , mentah). 1.2 Rumusan Masalah -

Bagaimana cara mengidentifikasi kematangan buah tomat menggunakan aplikasi jaringan syaraf tiruan dengan metode backpropagation?

-

Bagaimana proses dari perancangan software dengan metode backpropagation?

-

Bagaimana cara perancangan mekanik untuk pengambilan objek gambar tomat?

1.3 Tujuan -

Mengetahui

bagaimana

cara

mengidentifikasi

kematangan

buah

tomat

menggunakan aplikasi jaringan syaraf tiruan dengan metode backpropagation. -

Mengetahui

bagaimana

proses

perancangan

software

dengan

metode

bacpropagation. -

Mengetahui bagaimana cara perancangan mekanik pengambilan objek gambar tomat.

BAB II TINJAUAN PUSTAKA Jaringan Saraf Tiruan (JST) merupakan suatu metode komputasi yang mencoba untuk meniru cara kerja jaringan syaraf otak manusia yang merupakan sebuah sistem jaringan syaraf mempunyai kemampuan menyimpan, mengenal dan menirukan sesuatu bila kepadanya diberikan sebuah proses pembelajaran. Metode komputasi jaringan syaraf tiruan, mencoba mengimplementasikan kerja jaringan syaraf dalam komputasi, dimana akan ada proses pembelajaran terlebih dahulu, sebelum sistem komputasi tersebut digunakan. Backpropagation merupakan algoritma pembelajaran yang terawasi dan biasanya digunakan oleh perceptron dengan banyak lapisan untuk mengubah bobotbobot yang terhubung dengan neuronneuron yang ada pada lapisan tersembunyinya . Dila Deswari dkk (tanpa tahun) Judul penelitiannya

adalah identifikasi

kematangan buah tomat dengan menggunakan Jaringan Syaraf Tiruan dengan metode backpropagation

.Penelitian

ini

berhasil

membangun

perangkat

lunak

yang

mengimplementasikan algoritma backpropagation dalam mengidentifikasi tingkat kematangan buah jeruk berdasarkan warna RGB menggunakan kamera dengan tingkat kematangan kebenaran 70%. Arsitektur Jaringan Syaraf Tiruan Jaringan syaraf memiliki 3 layer yang memiliki fungsi masing masing . Layer unit masukan untuk memasukkan inputan (x) berupa nilai dari perhitungan histogram warna pada tomat .Layer tersembunyi (h) meneruskan inputan berdasarkan fungsi aktifasi tertentu kepada layer output.unit keluaran , Karakteristik dari unit-unit keluaran (y) tergantung dari aktifasi unit- unit lapisan tersembunyi dan bobot antara unit-unit lapisan tersembunyi dan unit- unit keluaran. Keluaran ini biasanya berupa nilai diskrit yang merupakan hasil klasifikasi dari data masukan. X

X

h

X

X

h

h

o

o

Y

Y

Gambar 2.1 Jaringan Saraf Tiruan Sumber : http://repository.uinjkt.ac.id

BAB III METODOLOGI Metodologi yang digunkan paper ini : 1. Capture foto tomat dengan background putih agar tidak mempengaruhi nilai histogram atau ganti background dengan photo editor (gambar hanya ilustrasi)

Gambar 3.1 Tomat Sumber : https://haagman.files.wordpress.com/2010/09/tomat.jpg 2. Masukkan gambar inputan kedalam mathlab untuk memperoleh nilai histogram warna 3. Masukkan rumus rgb = ex .R= r/ r+g+b dengan nilai maks tiap nilai 255

Gambar 3.2 Arsitektur

4. Proses training dan identifikasi :

a. Training 1. Citra (berupa foto) 2. Histogram warna (hasil perhitungan mathlab) 3. Pola (sisi yang diambil dan perhitungan ) 4. Training 5. Bobot

b. Identifikasi 1. Citra 2. Histogram warna 3. Pola 4. Identifikasi Proses pelatihan berguna untuk melatih sistem dengan memasukkan data-data inputan ke dalam sistem Neural Network kemudian data tersebut diolah dengan menggunakan metode backpropagation Perancangan mekanik 1. Siapkan tomat 2. Siapkan HVS untuk background 3. Foto tomat berlatar belakang putih dengan kamera hp 4. Kirim file gambar 5. Masukkan kedalam aplikasi 6. Hasil identifikasi keluar