PENERAPAN NEURAL NETWORK BACKPROPAGATION UNTUK KLASIFIKASI JAMUR PENYEBAB PENYAKIT ANTRAKNOSA PADA CABAI
SKRIPSI
NABILA PINDYA 111402110
PROGRAM STUDI S1 TEKNOLOGI INFORMASI FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA MEDAN 2016
Universitas Sumatera Utara
PENERAPAN NEURAL NETWORK BACKPROPAGATION UNTUK KLASIFIKASI JAMUR PENYEBAB PENYAKIT ANTRAKNOSA PADA CABAI
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah Sarjana Teknologi Informasi
NABILA PINDYA 111402110
PROGRAM STUDI S1 TEKNOLOGI INFORMASI FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA MEDAN 2016
Universitas Sumatera Utara
ii
PERSETUJUAN
Judul
: PENERAPAN
NEURAL
BACKPROPAGATION
UNTUK
NETWORK KLASIFIKASI
JAMUR PENYEBAB PENYAKIT ANTRAKNOSA PADA CABAI Kategori
: SKRIPSI
Nama
: NABILA PINDYA
Nomor Induk Mahasiswa
: 111402110
Program Studi
: SARJANA (S1) TEKNOLOGI INFORMASI
Departemen
: TEKNOLOGI INFORMASI
Fakultas
: ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA
Komisi Pembimbing
:
Pembimbing 2
Pembimbing 1
Sarah Purnamawati ST., M.Sc.
Prof. Dr. Opim Salim Sitompul M.Sc.
NIP. 19830226 201012 2 003
NIP. 19610817 198701 1 001
Diketahui/disetujui oleh Program Studi S1 Teknologi Informasi Ketua,
Muhammad Anggia Muchtar, ST., MM.IT NIP. 198001102008011010
Universitas Sumatera Utara
iii
PERNYATAAN
PENERAPAN NEURAL NETWORK BACKPROPAGATION UNTUK KLASIFIKASI JAMUR PENYEBAB PENYAKIT ANTRAKNOSA PADA CABAI
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil karya saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya.
Medan, 25 Agustus 2016
Nabila Pindya 111402110
Universitas Sumatera Utara
iv
UCAPAN TERIMA KASIH
Puji dan syukur kehadirat Allah SWT, karena rahmat dan izin-Nya penulis dapat menyelesaikan penyusunan skripsi ini, sebagai syarat untuk memperoleh gelar Sarjana Komputer, pada Program Studi S1 Teknologi Informasi Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara.
Ucapan terima kasih penulis sampaikan kepada:
1.
Bapak Prof. Dr. Runtung Sitepu, SH, M.Hum selaku Rektor Universitas Sumatera Utara.
2.
Bapak Prof. Dr. Opim Salim Sitompul, M.Sc selaku Dekan Fasilkom-TI USU dan Dosen Pembimbing I yang telah memberikan bimbingan dan saran kepada penulis..
3.
Bapak Muhammad Anggia Muchtar, ST., MM.IT selaku Ketua Program Studi S1 Teknologi Informasi Universitas Sumatera Utara.
4.
Ibu Sarah Purnamawati ST., M.Sc. selaku Dosen Pembimbing II yang telah memberikan bimbingan dan saran kepada penulis.
5.
Bapak Dani Gunawan, ST., MT., selaku Dosen Pembanding I yang telah memberikan kritik dan saran dalam penyempurnaan skripsi ini.
6.
Bapak Ainul Hizriadi S.Kom., M.Sc., selaku Dosen Pembanding II yang telah memberikan kritik dan saran dalam penyempurnaan skripsi ini.
7.
Ayahanda Drs. Nursal, M.Si dan Ibunda Dra. Yanetta Boerma yang selalu memberikan doa, kasih sayang dan dukungan kepada penulis.
8.
Adik tercinta Sutan Farhan Pratasa yang selalu mendukung dan mendoakan penulis.
9.
Teman – teman yang selalu memberi semangat dan dukungan, Gina Radiana, Nindya Caesy Aidita dan Eni Riezki.
10. Teman sepermainan Wacana Skripsi, Tifani Zatalini FY, Ossie Zarina Prayitno, Rina Bahri, Nurul Fatihah, Hanafiah Ismed, Bang Kira, serta seluruh temanteman angkatan 2011 dan mahasiswa Teknologi informasi yang lainnya, semoga Allah SWT membalas kebaikan kalian.
Universitas Sumatera Utara
v
11. Semua pihak yang terlibat langsung ataupun tidak langsung yang tidak dapat penulis ucapkan satu per satu yang telah membantu penyelesaian skripsi ini.
Semoga Allah SWT melimpahkan berkah kepada semua pihak yang telah memberikan
bantuan,
perhatian,
serta
dukungan
kepada
penulis
dalam
menyelesaikan skripsi ini.
Medan, 25 Agustus 2016
Penulis
Universitas Sumatera Utara
vi
ABSTRAK
Cabai merupakan salah satu tanaman yang banyak digunakan dalam kehidupan masyarakat Indonesia. Cabai juga berperan penting dalam perekonomian Indonesia karena kegunaannya dalam industri makanan dan obat-obatan. Untuk itu tanaman cabai banyak dibudidayakan oleh petani, tetapi usaha tersebut belum maksimal dikarenakan banyak petani yang kurang paham pada cara budidaya tersebut, sehingga tanaman cabai sering terserang berbagai penyakit, salah satunya penyakit Antrakanosa yang disebabkan jamur. Oleh sebab itu, dibutuhkan sebuah sistem aplikasi yang dapat mengklasifikasi jenis jamur penyebab penyakit pada tanaman cabai agar lebih efektif dan efisien. Pada penelitian ini, jaringan saraf tiruan backpropagation digunakan sebagai metode klasifikasi jamur penyebab penyakit pada tanaman cabai. Tahap yang harus dilakukan sebelum masuk ke tahap klasifikasi adalah pre-processing citra, seperti image brightness, contrast, dan sharpening, dan ekstraksi fitur menggunakan HSV. Penelitian menggunakan 90 citra sebagai data latih dan 60 citra sebagai data uji dengan tingkat akurasi sebesar 90%.
Keyword: jaringan saraf tiruan backpropagation; HSV; pengolahan citra; klasifikasi jamur.
Universitas Sumatera Utara
vii
NEURAL NETWORK BACK PROPAGATION FOR FUNGI CLASSIFICATION THAT CAUSE ANTHRACNOSE DISEASES IN CHILI
ABSTRACT
Chili is one of the plants which often be used in daily life of Indonesian. Chilis also has important roles in Indonesian economic growth due to its usefulness in both food and drugs industries. Therefore chili is planted by many Indoenesian farmers, but the result has not been maximized since the farmers are lack of the knowledges in planting causing the plants often become infected. One of the infections is Antraknoza that caused by fungi. Therefore, there is a need for an application that able to classify the fungi which caused the infection so it can be more efficient and effectively identified. In this research, backpropagation neural network was used as the method to classify the fungi that caused the chili’s infection. The stage taken before classification process started are Image pre-processing such brightness, contrast and sharpening, then feature extraction using HSV. Under current research, 90 images were used in the training process while the other 30 were used in the testing with accuracy rate at 90%.
Keyword: backpropagation neural network; HSV; image processing; identification; antraknoza.
Universitas Sumatera Utara
viii
DAFTAR ISI
Hal. Persetujuan
ii
Pernyataan
iii
Ucapan Terimakasih
iv
Abstrak
vi
Abstract
vii
Daftar Isi
viii
Daftar Tabel
xi
Daftar Gambar
xii
Daftar Lampiran
xiii
BAB 1 PENDAHULUAN
1
1.1. Latar Belakang
1
1.2. Rumusan Masalah
2
1.3. Batasan Masalah
3
1.4. Tujuan Penelitian
3
1.5. Manfaat Penelitian
3
1.6. Metodologi Penelitian
4
1.7. Sistematika Penulisan
5
BAB 2 LANDASAN TEORI
6
2.1. Pengenalan Cabai
6
2.2. Antraknosa (Pathek)
6
2.2.1. Colletrotichum capsici
6
2.2.2. Gloeosporium piperatum
7
2.3. Pengenalan Citra 2.3.1. Citra warna (color image) 2.4. Pengolahan Citra Digital 2.4.1. Image Enhancement
7 8 8 8
2.4.1.1. Image Brightness
9
2.4.1.2. Contrast Stretching
9
Universitas Sumatera Utara
ix
2.4.1.3. Image Sharpening
10
2.4.2. Feature Extraction
10
2.4.2.1. Deteksi Warna HSV
10
2.5. Neural Network (Jaringan Saraf Tiruan)
12
2.6. Metode Backpropagation
14
2.7. Penelitian Terdahulu
17
BAB 3 ANALISIS DAN PERANCANGAN
19
3.1. Arsitektur Umum
19
3.2. Image Enhancement
20
3.2.1. Image Brightness
21
3.2.2. Contrast Stretching
21
3.2.3. Image Sharpening
22
3.3. Feature Extraction
22
3.3.1. HSV
23
3.4. Klasifikasi Neural Network Backpropogation
29
3.4.1. Tahap perancangan arsitektur jaringan saraf tiruan backpropagation
30
3.4.2. Tahap pelatihan backpropagation
32
3.4.3. Tahap pengujian backpropagation
36
3.5. Perancangan Sistem
38
3.5.1. Perancangan Antarmuka
38
3.5.1.1. Rancangan Halaman Awal
39
3.5.1.2. Rancangan Halaman Pengujian
39
BAB 4 IMPLEMENTASI DAN PENGUJIAN
41
4.1. Implementasi Sistem
41
4.1.1. Spesifikasi perangkat keras dan perangkat lunak
41
4.1.2. Implementasi perancangan antarmuka sistem
41
4.2. Pelatihan Citra
42
4.3. Prosedur Operasional
43
4.3.1. Prosedur operasional pada halaman pelatihan citra
43
4.3.2. Prosedur operasional pada halaman pengujian citra
43
4.4. Pengujian Citra
45
4.5. Pengujian Sistem
47
Universitas Sumatera Utara
x
BAB 5 KESIMPULAN DAN SARAN
49
5.1. Kesimpulan
49
5.2. Saran
50
DAFTAR PUSTAKA
51
Universitas Sumatera Utara
xi
DAFTAR TABEL
Hal. Tabel 2.1. Penelitian terdahulu
17
Tabel 3.1. Nilai piksel RGB citra cabai yang dinormalisasi
25
Tabel 3.2. Nilai Piksel HSV
26
Tabel 3.3. Kuantisasi Ruang Warna dari Histogram HSV-162 Bin
27
Tabel 3.4. Target Keluaran Jaringan Backpropogation
30
Tabel 3.5. Input dan Target
33
Tabel 3.6. Bobot Awal Vji
34
Tabel 3.7. Bobot Awal Wkj
34
Tabel 3.8. Data uji
37
Tabel 3.9. Bobot Vkj baru
37
Tabel 3.10. Bobot Wkj baru
37
Tabel 4.1. Hasil Pelatihan Citra
42
Tabel 4.2. Hasil Pengujian Citra
45
Tabel 4.3. Data uji
46
Tabel 4.4. Bobot Vkj
46
Tabel 4.5. Bobot Wkj
46
Universitas Sumatera Utara
xii
DAFTAR GAMBAR
Hal. Gambar 2.1. Cabai yang terkena Colletrotichum Capsici
7
Gambar 2.2. Cabai yang terkena Gloeosporium Piperatum
7
Gambar 2.3. Model Warna HSV (Rakhmawati, 2013)
11
Gambar 2.4. Pola jaringan syaraf tiruan (Hermawan, 2006)
13
Gambar 2.5. Arsitektur Backpropagation Algorithm (Fausset, 1994)
14
Gambar 3.1. Arsitektur umum
20
Gambar 3.2. Proses pre-processing
21
Gambar 3.3. Hasil image brightness dan contrast
22
Gambar 3.4. Hasil image sharpening
22
Gambar 3.5. Proses feature extraction
22
Gambar 3.6. Representasi piksel citra cabai
23
Gambar 3.7. Citra cabai 25 (5x5piksel)
23
Gambar 3.8. Proses classification
30
Gambar 3.9. Arsitektur jaringan saraf tiruan
31
Gambar 3.10. Proses pelatihan jaringan backpropagation
32
Gambar 3.11. Rancangan halaman awal
39
Gambar 3.12. Rancangan halaman pengujian citra
39
Gambar 4.1. Tampilan halaman pengujian setelah selesai dilakukan
44
pengujian
Universitas Sumatera Utara
xiii
DAFTAR LAMPIRAN
Hal. Lampiran 1. Hasil pelatihan citra
54
Lampiran 2. Hasil pengujian citra
64
Universitas Sumatera Utara