SISTEM IDENTIFIKASI BENIH PADI
MENGGUNAKAN JARINGAN SYARAF TIRUAN
ARTIKEL ILMIAH
Oleh:
Muhammad Syahid Pebriadi
NIM J1F108005
PROGRAM STUDI ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS LAMBUNG MANGKURAT
BANJARBARU
AGUSTUS 2013
SISTEM IDENTIFIKASI BENIH PADI
MENGGUNAKAN JARINGAN SARAF TIRUAN
Oleh Muhammad Syahid Pebriadi
(Pembimbing : Oni Soesanto , S.Si, M.Si, Dindin Hidayatul Mursyidin, S.Si, M.Sc)
Program Studi Ilmu Komputer Fakultas MIPA Unlam
Jl. A. Yani Km 36 Kampus Unlam Banjarbaru, Kalimantan Selatan
ABSTRAK
Penelitian ini bertujuan untuk mengetahui kemampuan jaringan saraf tiruan
sebagai metode alternatif untuk melakukan identifikasi terhadap benih padi
berdasarkan karakteristik fisiknya. Benih padi yang dijadikan uji coba
sebanyak 96 benih dari 8 varietas yang berbeda. Karakteristik fisik didapat
melalui pengolahan citra seperti proses skalakeabuan dan binerisasi.
Karakteristik fisik yang di dapat meliputi Area, Perimeter, Major Axis, Minor
Axis, Circularity, Aspect Ratio, Roundness dan Feret. Selanjutnya nilai
karakteristik fisik ini dijadikan inputan jaringan saraf tiruan untuk
menghasilkan nilai bobot, yang akan digunakan untuk mengidentifikasi benih
padi. Tingkat keberhasilan rata-rata yang dicapai oleh jaringan saraf tiruan
RBF (Radial Basis Function) dalam mengidentifikasi benih padi sebesar
87,5%. Dengan tingkat keberhasilan identifikasi dari varietas Bayar Papuyu,
Bayar Putih, Benih Kuning, Benih Putih, Ketan, Siam Gadis, Siam Unus dan
Karan Dukuh masing-masing sebesar 100%; 91,67%; 100%; 100%; 100%;
83,33%; 100%; dan 91,67%.
Kata kunci: Benih Padi, Identifikasi, Jaringan Saraf Tiruan, Karakteristik Fisik.
RICE SEED IDENTIFICATION SYSTEM
USING NEURAL NETWORK
By Muhammad Syahid Pebriadi;
(Advisor : Oni Soesanto, S.Si, M.Si, Dindin Hidayatul Mursyidin, S.Si, M.Sc)
ABSTRACT
This study aimed to determine the ability of artificial neural networks as an
alternative method for the identification of rice seed based on its physical
characteristics. Rice seeds are used as much as 96 seed trials of 8 different
varieties. Physical characteristics obtained through image processing such as
grayscaling and black white process. In physical characteristics can include Area,
Perimeter, Major Axis, Minor Axis, Circularity, Aspect Ratio, roundness and
Feret. Furthermore the value of the physical characteristics of neural network
input used to generate its weights, which will be used to identify rice seeds. The
level of success achieved by artificial neural networks RBF ( Radial Basis
Function ) in identifying rice seed of 87.5%. With a success rate of identification
of varieties Bayar Papuyu, Bayar Putih, Benih Kuning, Benih Putih, Ketan, Siam
Gadis, Siam Unus dan Karan Dukuh respectively 100%; 91,67%; 100%; 100%;
100%; 83,33%; 100%; and 91,67%.
Keywords: Seed Rice, Identification, Neural Networks, Physical Characteristics.
PENDAHULUAN
I. Latar Belakang
Indonesia memiliki ragam padi (Oryza sativa L.) yang cukup banyak.
Tercatat, sebanyak 400 ribu ragam lebih disimpan sebagai koleksi plasma nutfah
di seluruh dunia dan sebanyak 4000 ragam lebih disimpan di bank gen Balai
Besar Biogen (Lestari, 2011). Ragam ini menimbulkan perbedaan kualitas benih
padi yang berpengaruh pada kualitas mutu beras yang dihasilkan. Untuk
menentukan kualitas suatu benih padi yang baik, dapat dilihat dari warna, tekstur
dan kandungan airnya (Guzman & Peralta, 2008). Penentuan kualitas tersebut
dapat dilakukan melalui proses identifikasi.
Saat ini, identifikasi benih padi dapat dilakukan melalui dua cara, yaitu
pengamatan secara langsung dan dengan kimiawi. Pengamatan secara langsung
dilakukan melalui pengamatan warna, tekstur, panjang, ketebalan dan ada
tidaknya bulu halus pada benih padi, sedangkan dengan metode kimiawi, benih
padi yang dijadikan sampel identifikasi akan dihancurkan terlebih dahulu,
kemudian diberi cairan kimia untuk bisa dilihat identitas gennya. Dilihat dari hasil
identifikasi, kedua metode ini memiliki akurasi yang cukup baik, akan tetapi
kedua cara ini juga memiliki kelemahan. Cara pengamatan memiliki tingkat
subjektifitas yang relatif tinggi (Somantri, 2010), sedangkan metode kimiawi
memerlukan sampel benih padi yang banyak dan cairan kimia yang mnegeluarkan
biaya yang mahal.
Oleh karena itu, diperlukan suatu metode alternatif dalam melakukan
identifikasi ragam benih padi. Salah satunya menggunakan Teknologi pengolahan
Citra berbasis jaringan saraf tiruan. Teknologi ini menawarkan proses identifikasi
dengan cepat, praktis, murah dan mudah. Teknologi ini telah diaplikasikan oleh
beberapa peneliti untuk melakukan proses identifikasi dan klasifikasi beberapa
tanaman, termasuk padi. Liu et al. (2005) memperlihatkan penggunaan teknologi
pengolahan Citra untuk mengenali ragam varietas padi yang ada di Provinsi
Zheijang, China memiliki akurasi 74-95%. Begitu pula dengan Guzman and
Peralta (2008) yang menggunakan teknologi ini untuk mengklasifikasikan ragam
varietas padi yang ada di Filipina dengan akurasi 70 persen.
Penelitian ini bertujuan membuat aplikasi pengenalan Citra Digital yang
dapat dipergunakan dalam pengidentifikasian ragam benih padi. Benih padi yang
digunakan merupakan varietas lokal Kalimantan Selatan yang dikoleksi dari lahan
rawa (Mursyidin dkk, 2013). Masing-masing benih padi diambil citranya,
kemudian dilakukan pengolahan citra digital untuk menentukan fitur cirinya. Fitur
ciri yang didapat, digunakan sebagai inputan ke dalam jaringan saraf tiruan untuk
menghitung nilai bobot pola jaringan yang terbentuk. Selanjutnya, nilai bobot ini
digunakan dalam pengidentifikasian ragam benih padi.
Hasil penelitian ini berupa aplikasi pengenalan citra digital berbasis
jaringan saraf tiruan yang dapat digunakan untuk pengidentifikasian ragam benih
padi varietas lokal Kalimantan Selatan. Kemudian untuk pengembangannya dapat
digunakan dalam pengidentifikasian ragam benih padi varietas lain.
II. Perumusan Masalah
Berdasarkan latar belakang, timbul permasalahan yang diantaranya adalah
Bagaimana merancang sistem pengolah citra (image processing) benih padi yang
dapat digunakan dalam membantu proses identifikasi, Bagaimana proses fitur ciri
fisik dari citra benih padi dan Bagaimana proses identifikasi Citra benih padi
menggunakan jaringan saraf tiruan.
III. Tujuan Penelitian
Tujuan penelitian ini adalah untuk merancang sistem pengolah citra
(image processing) benih padi, menghasilkan fitur ciri fisik dari image benih padi
dan membuat sistem identifikasi benih padi menggunakan jaringan saraf tiruan.
IV. Manfaat Penelitian
Manfaat yang diharapkan dari penelitian ini adalah menambah wawasan
dalam bidang ilmu pengetahuan mengenai penggunaan teknologi Pengolahan
Citra Digital (Digital Image Processing), mempelajari dan memahami
penggunaan Metode Jaringan Saraf Tiruan dalam pengembangan sebuah aplikasi,
menjadi referensi bagi peneliti untuk mengembangkan penelitian lain dengan
topik pengolahan citra digital dan jaringan saraf tiruan serta membantu dan
mempermudah para ahli maupun masyarakat dalam melakukan identifikasi ragam
benih padi.
METODE PENELITIAN
I. Jenis Penelitian
Jenis penelitian ini adalah penelitian perancangan dan pembuatan
perangkat lunak.
II. Waktu Penelitian
Penelitian dilakukan pada bulan Oktober 2012 – Agustus 2013
III. Alat dan Bahan Penelitian
Alat yang digunakan dalam penelitian ini berupa sebuah laptop dengan
spesifikasi Processor Intel Core 2 Duo T6500, RAM 3Gb dan Hard Disk 320 Gb
serta software yang digunakan yaitu Sistem Operasi Windows 8 64 bit, Netbeans
IDE 7.3.1, JDK (Java Development Kit) Versi 7, MySQL, XAMPP, Matlab
R2009a, yEd Graph Editor 3.11 dan Microsoft Office 2007.
Sedangkan bahan atau materi penelitian berupa benih padi 8 varietas lokal
Kalimantan Selatan yaitu Bayar Papuyu, Bayar Putih, Benih Kuning, Benih Putih,
Ketan, Siam Gadis, Siam Unus dan Karan Dukuh yang diambil citra digitalnya.
IV. Proses Penelitian
4.1 Studi Pustaka Mengenai Pengolahan Citra dan Jaringan Saraf Tiruan
Pada tahapan ini dilakukan studi pustaka mengenai teori yang
berhubungan dengan pengolahan citra dan jaringan saraf tiruan, yang bersumber
dari jurnal, buku dan internet.
4.2 Pengambilan Citra Digital Benih Padi
Benih padi diambil citra digitalnya menggunakan kamera digital Sony
Cyber-shot Carl Zeiss 12.1MP. Jarak lensa kamera dengan objek diatur sejauh
10cm. Sedangkan pencahayaan menggunakan 2 buah lampu Philips 8watt. Alas
yang dijadikan latar objek berwarna putih.
4.3 Analisa Sistem
Tahap ini dilakukan analisa terhadap sistem yang akan dibuat. Analisa
tersebut meliputi analisa input, output dan proses sistem. Hasil analisis dapat
dibuat dalam bentuk Use Case, Use Case Description, dan Activity Diagram.
4.4 Perancangan sistem
Pada tahapan ini membuat gambaran awal dari sistem yang meliputi
desain database dan desain antarmuka
4.5 Implementasi
Hasil rancangan yang telah dibuat akan diimplementasikan dengan
menggunakan bahasa pemrograman Java melalui Netbeans.
4.6 Pengujian Sistem
Pengujian sistem dilakukan untuk mengetahui apakah prosedur yang
digunakan dalam mengolah data menjadi informasi yang diharapkan atau tidak.
Dengan pengujian tersebut pengguna dapat memberikan pendapatnya mengenai
sistem.
PEMBAHASAN
I. Pengolahan Citra Digital dan Ektraksi Fitur Ciri
Citra digital yang sudah didapatkan, dimasukkan ke dalam aplikasi yang
dibuat. Aplikasi akan memproses citra digital tersebut dalam proses pengolahan
citra dan kemudian di ekstrak fitur ciri nya. Proses pengolahan citra meliputi
proses Grayscaling untuk mengubah citra berwarna menjadi citra abu-abu, dan
proses binerisasi untuk mengubah citra abu-abu menjadi citra hitam-putih.
Fitur ciri yang didapat yaitu Area, Perimeter, Major Axis, Minor Axis,
Circularity, Aspect Ratio, Roundness dan Feret. Fitur ciri area, perimeter,
circularity, aspect ratio dan roundness didapatkan menggunakan aturan Chain
Code pada citra. Fitur ciri Major Axis, minor axis dan feret didapatkan melalui
metode Region Properties dengan pendekatan bentuk elips.
Gambar 1. Pengolahan Citra Digital Benih Padi dan Ektraksi Fitur Cirinya
II. Jaringan Saraf Tiruan
Jaringan saraf tiruan yang digunakan adalah Radial Basis Function (RBF).
Jaringan saraf tiruan RBF sering digunakan dalam proses klasifikasi dan
peramalan. Keunggulan dari Jaringan Saraf Tiruan ini, yaitu komputasinya yang
cepat untuk menangani data dalam jumlah yang besar. Jaringan saraf tiruan ini
juga mampu memberikan akurasi yang cukup memuaskan.
Adapun arsitektur dari jaringan saraf tiruan RBF yang digunakan dalam
penelitian ini, dapat dilihat pada gambar berikut.
Gambar 2 Arsitektur Jaringan Saraf Tiruan RBF
Berikut adalah langkah-langkah pengerjaan menggunakan algoritma
jaringan saraf tiruan Radial Basis Function :
(1) Inisialisasi Data Training
(2) Memilih center data.
(3) Menghitung Nilai Fungsi Aktivasi dengan Fungsi Gaussian.
(4) Membentuk matriks Gaussian.
(5) Menghitung Pseudoinverse dari Matriks Gaussian.
(6) Menghitung nilai bobot.
III. Identifikasi
Proses identifikasi benih padi digambarkan pada diagram berikut.
Gambar 3 Diagram Proses Identifikasi
Uji coba identifikasi menggunakan citra digital benih padi sebanyak 24
gambar. Uji dilakukan untuk mengetahui tingkat keberhasilan aplikasi untuk
mengidentifikasi benih padi.
Gambar 4 Identifikasi Citra Benih Padi
Input data training citra benih padi dimensi 480x480
berekstensi *.jpg
Mengubah Citra berwarna menjadi citra Grayscale (Skala
Keabuan)
Mengubah Citra Grayscale menjadi citra biner dengan
proses binerisasi
Membuat ROI (Region of Interest) pada citra
Meng-ekstrak fitur ciri dari citra
Menyimpan data fitur ciri ke dalam database
Menentukan center data
Menghitung vektor jarak antara setiap fitur ciri data training dengan center data
dan menghitung nilai aktivasi node jaringan dengan fungsi
Gaussian
Membentuk Matriks Gaussian dan mencari Matriks
pseudoinverse-nya. Kemudian dikalikan dengan nilai target untuk mendapatkan bobot
terbaik
Input data testing citra benih padi dimensi 480x480
berekstensi *.jpg
Membentuk matriks Gaussian dari data testing kemudian
dikalikan dengan nilai bobot
Hasil identifikasi terhadap data testing dihasilkan
Uji coba identifikasi dilakukan sebanyak 24 kali dengan menggunakan 24
citra digital benih padi dari 8 varietas yang ada, dengan masing-masing varietas
terdiri atas 3 citra digital. Hasil dari 24 kali percobaan identifikasi disajikan pada
table berikut.
Tabel 1 Hasil Uji Coba Identifikasi
No Hasil yang
Diharapkan
Hasil
Identifikasi Ket
1 Bayar Papuyu Bayar Papuyu Benar
2 Bayar Papuyu Bayar Papuyu Benar
3 Bayar Papuyu Bayar Papuyu Benar
4 Bayar Putih Siam Gadis Salah
5 Bayar Putih Bayar Putih Benar
6 Bayar Putih Siam Gadis Salah
7 Benih Kuning Benih Kuning Benar
8 Benih Kuning Benih Kuning Benar
9 Benih Kuning Benih Kuning Benar
10 Benih Putih Benih Putih Benar
11 Benih Putih Benih Putih Benar
12 Benih Putih Benih Putih Benar
13 Ketan Ketan Benar
14 Ketan Ketan Benar
15 Ketan Ketan Benar
16 Siam Gadis Siam Gadis Benar
17 Siam Gadis Siam Gadis Benar
18 Siam Gadis Siam Gadis Benar
19 Siam Unus Siam Unus Benar
20 Siam Unus Siam Unus Benar
21 Siam Unus Siam Unus Benar
22 Karan Dukuh Karan Dukuh Benar
23 Karan Dukuh Karan Dukuh Benar
24 Karan Dukuh Bayar Papuyu Salah
KESIMPULAN DAN SARAN
I. Kesimpulan
Kesimpulan yang diperoleh dari penelitian ini yaitu aplikasi yang dibuat
mampu melakukan proses pengolahan citra sekaligus mampu mengektraksi fitur
ciri dari citra digital benih padi, meliputi Area, perimeter, major axis, minor axis,
circularity, Aspect Ratio, Roundness, dan Feret.
Fitur-fitur ciri tersebut dapat digunakan sebagai inputan jaringan saraf
tiruan RBF pada proses Training data dengan prosentase keberhasilan
mengidentifikasi sebesar 94,44%. Pada proses training data dihasilkan bobot.
Selanjutnya, bobot digunakan dalam proses identifikasi terhadap citra benih padi
dengan prosentase keberhasilan 87,5%. Dengan tingkat keberhasilan identifikasi
dari varietas Bayar Papuyu, Bayar Putih, Benih Kuning, Benih Putih, Ketan, Siam
Gadis, Siam Unus dan Karan Dukuh masing-masing sebesar 100%; 91,67%;
100%; 100%; 100%; 83,33%; 100%; dan 91,67%.
II. Saran
Saran untuk penelitian ini adalah :
(1) Dalam pengambilan citra digital, disarankan menggunakan kamera digital
dengan resolusi yang lebik tinggi dan pencahayaan yang lebih baik sehingga
dapat mengurangi noise (derau) dari citra digital yang dihasilkan.
(2) Menambah ciri lain seperti ciri warna (RGB) untuk meningkatkan akurasi
hasil identifikasi.
(3) Objek yang dijadikan sample memiliki ciri atau bentuk yang sama dalam satu
varietas.
(4) Untuk memperbaiki performansi identifikasi, pada jaringan saraf tiruan dapat
ditambahkan metode untuk optimasi seperti OLS (Ortogonal Least Square),
PCA (Principal Component Analysis) dan lainnya.
(5) Untuk mempercepat proses penentuan center awal, dapat ditambahkan
metode klastering seperti K-Means.
UCAPAN TERIMA KASIH
Segala puji syukur ke hadirat Allah SWT atas segala nikmat dan karunia-Nya
sehingga penelitian ini dapat diselesaikan. Penulis mengucapkan terima kasih
yang sebesar-besarnya kepada kedua orang tua, seluruh keluarga, sahabat dan
orang yang disayangi atas segala doa, dukungan dan semangatnya. Terima kasih
juga kepada Bapak Oni Soesanto , S.Si, M.Si, selaku pembimbing Utama dan
Bapak Dindin Hidayatul Mursyidin, S.Si, M.Sc selaku pembimbing Pendamping
yang telah memberikan ilmu, saran dan motivasi selama penelitian hingga
selesainya penyusunan laporan penelitian skripsi ini. Bapak Heru Kartika
Chandra, S.Si, M.Si dan Ibu Fatma Indriani, S.T, M.Cs selaku dosen penguji
yang telah banyak memberikan saran dan masukan mengenai penelitian ini.
Semua teman-teman angkatan 2008 Ilmu Komputer FMIPA UNLAM yang selalu
memberikan dukungan, semangat, doa serta bantuannya, terima kasih atas
semuanya.
DAFTAR PUSTAKA
Gupta, M. M. (2003). Static and Dynamic Neural Networks : From Fundamentals
to Advanced Theory . New Jersey: John Wiley & Sons, Inc.
Guzman, J. D., & Peralta, E. K. (2008). Classification of philippine rice grains
using machine vision and artificial neural networks. IAALD AFITA
WCCA , 41-48.
Lestari, P. (2011). Metode PCR (Polymerase Chain Reaction) Cara
Mengidentifikasi Padi Bermutu Rasa Tinggi. SinarTani , 13-16.
Mursyidin, D.H., Isa Azhari, BS. Daryono.2013. Laporan Kemajuan Hibah
Penelitian 2012. Dirjen Dikti. Jakarta.
Noor, M. H., & Hariadi, M. (2009). Image Cluster Berdasarkan Warna Untuk
Identifikasi Kematangan Buah Tomat Dengan Metode ValleyTracing.
Seminar Nasional Informatika , 15-24.
Pesticide Action Network Asia and the Pacific. (2010). Saving The Rice Seed.
PANAP RICE SHEETS , 1-16.
Purnomo, M. H., & Kurniawan, A. (2006). Supervised Neural Networks dan
aplikasinya. Yogyakarta: Graha Ilmu.
Puspitaningrum, D. (2006). Pengantar Jaringan Saraf Tiruan. Yogyakarta:
Penerbit ANDI.
Putra, D. (2010). Pengolahan Citra Digital. Yogyakarta: Penerbit ANDI.
Santi, R. C. (2011). Teknik Perbaikan Kualitas Citra Satelit Cuaca dengan Sataid.
Jurnal Teknologi Informasi DINAMIK volume 16 , 101-109.
Sari, Z. W. (2010). Pengenalan Pola Golongan Darah Menggunakan Jaringan
Saraf Tiruan Back Propagation. Skripsi. Program Sarjana, Universitas
Islam Negeri Maulana Malik Ibrahim, Malang.
Setiawan, K. (2006). Paradigma Sistem Cerdas. Surabaya: Bayu Media.
Somantri, A. S. (2010). Menentukan Klasifikasi Mutu Fisik Beras Dengan
Menggunakan Teknologi Pengolahan Citra Digital Dan Jaringan Syaraf
Tiruan . Jurnal Standardisasi Vol. 12, No. 3 , 162 - 173 .
Subekti, I. (t.thn.). Identifikasi Sel Darah Berbentuk Sabit Pada Citra Sel Darah
Penderita Anemia. ITS Paper , 1-5.
Wardhani, R. N., & Delimayanti, M. K. (t.thn.). Analisis Penerapan Metode
Konvolusi. 191-198.
Neraca.co.id. (2013, Maret 3). Konsumsi Beras Nasional Tertinggi Se-Asia.
http://www.neraca.co.id/harian/article/26605/Konsumsi.Beras.Nasional.Te
rtinggi.SeAsia
Di akses tanggal 3 Agustus 2013
United States Department of Agriculture. (2013, Agustus 1). Milled Rice
Domestic Consumption by Country in 1000 MT - Country Rankings.
http://www.indexmundi.com/agriculture/?commodity=milled-
rice&graph=domestic-consumption
Diakses tanggal 10 Agustus 2013