Pengembangan Metode Prediksi Tingkat Kematangan Buah Pisang Berbasis Teknik non-destruktif dan Jaringan Syaraf Tiruan (Neural Network)

Sandra, Sandra (2010) Pengembangan Metode Prediksi Tingkat Kematangan Buah Pisang Berbasis Teknik non-destruktif dan Jaringan Syaraf Tiruan (Neural Network). Working Paper. Fakultas Pertanian. (Unpublished)

Microsoft Word (Pengembangan Metode Prediksi Tingkat Kematangan Buah Pisang Berbasis Teknik non-destruktif dan Jaringan Syaraf Tiruan (Neural Network)) - Supplemental Material Available under License Creative Commons Public Domain Dedication. Download (33Kb)

Abstract

Masalah yang sering muncul pada komoditi ekspor buah-buahan Indonesia adalah kualitasnya pada saat sampai di negara tujuan. Ketidak akuratan dalam hal prediksi kondosi buah-buahan yang diekspor setelah mengalami perjalanan panjang adalah salah satu penyebabnya. Salah satunya selalu masak ketika sampai di negara tujuan, hal ini juga terjadi pada pisang. Maka untuk itu diperlukan suatu sistem yang dapat menentukan tingkat kematangan pisang secara akurat. Jaringan syaraf tiruan merupakan sebuah struktur komputasi yang dikembangkan dari proses sistem jaringan syaraf biologi didalam otak. Unit komputasi yang paling sederhana dalam setiap lapisan disebut noda dan terhubung satu sama lain. Pada dasarnya jaringan syaraf tiruan terdiri dari beberapa lapisan noda yaitu sebuah lapisan input, sa tu atau lebih lapisan terselubung dan sebuah lapisan output. Unti komputasi yang paling sederhana dalam setiap lapisan disebut noda dan terhubung satu sama lain. Keuntungan dari metode jaringan syaraf tiruan adalah dapat membangun fungsi non linier dan hanya memerlukan data masukan dan keluaran tanpa mengetahui dengan jelas proses dalam jaringan. Penelitian ini dilakukan untuk : (1) merancang algoritma jaringan syaraf tiruan yang sesuai untuk menduga umur dari buah pisang, berdasarkan data warna dan data pendukung lainnya, (2) mempelajari hubungan data pengamatan non destruktif dan pengamatan destruktif terhadap umur buah pisang, (3) membantu aspek sortasi buah pisang secara non-destruktif. Penelitian ini dilakukan di laboratorium TPPHP Fateta IPB-Bogor sedangkan untuk analisa kimia dilakukan di laboratorium Balai besar Telnik Pasca Penen Cimanggu Bogor. Obyek penelitian, yaitu pisang Cavendish, dibeli dari petani di Gondang Legi, Malang. Pisang ditebang dari pohonnya dengan hati-hati. Sebanyak 3 tandan dengan tingkat kematangan yang berbeda, sisir pisang yang pertama dan yang terakhir tidak digunakan dan buah yang paling pinggir dalam sisir pisang juga dibuang, masing-masing sebanyak 40 buah mewakili kelompok umur petik 90, 100, dan 105 hari. Sitem jaringan syaraf tiruan akan menggunakan data hasil pengukuran warna, data kadar gula, total padatan terlarut, berat dan kekerasan, yang diambil dari berbagai tingkat kematangan buah pisang sebagai masukan dan akan mengolahnya sehingga menghasilkan keluaran berupa tingkat kematangan buah pisang. Jaringan syaraf tiruan yang akan dikembangkan adalah jaringan syaraf tiruan lapisan jamak yang terdiri dari tiga lapisan yaitu lapisan input/masukan, lapisan tersembunyi dan lapisan keluaran. Pada penelitian ini pasangan target keluaran berupa bilangan biner yang berbentuk vektor untuk nilai keluaran tiap tingkat kematangan buah pisang. Penentuan tingkat kematangan tersebut adalah : (1,0,0) untuk tingkat ketuaan 90 hari setelah bunga mekar (hasbm) ; (0,1,0) untuk tingkat ketuaan 105 hari setelah bunga mekar (habn) Untuk melakukan pengujian kinerja dari JST, maka setelah pelatihan dilakukan validasi dengan menggunakan data yang berbeda dengan data yang digunakan pada proses program pelatihan. setelah prosesl validasi maka didapat data hasil validasi. Memprediksi tingkat kematangan dengan data non-destruktif sebagai data input dilakukan dengan dua model yang pertama input data dari pengolahan citra yaitu R, G, B, model kedua data inpunya dari pengolahan citra R, B, G, berat, diameter. Model I dapat memprediksi tingkat kematangan buah pisang sampai 58 %, sedangkan untuk model II dapat memprediksi sampai 83,33 %. JST dengan input data destruktif dibagi dua model yang pertama input data dari pengolahan citra yaitu gula, total padatan terlarut, kekerasan, model kedua data inpunya dari pengolahan citra R, G, B, berat, diameter, gula dan total padatan terlarut, dengan 3 0utput. Tingkat akurasi prediksi JST model I untuk tingkat kematangan mencapai 91 %. Akurasi yang paling rendah adalah 25 %. Akurasi JST model II dapat memprediksi ketuan pisang secara maksimal untuk ketuaan 100 hsbm. Prediksi 90 hsbm yang maksismal terjadi untuk lapisan tersembunyi 9 pada iterasi 1000 dan 5000 sedangkan 10-5 hsbm yang maksimal pada lapisan tersembunyi 9 pada iterasi 5000. Akurasi yang paling sempurna adalah lapisan tersembunyi 9 dengan iterasi 5000, karena pada perlakuan ini semua tingkat ketuan pisang dapat diprediksi secara sempurna. Prediksi kandungan gula dengan menggunakan JST hanya menggunakan lapisan tersembunyi 7 dengan perlakuan jumlah iterasi. JST dapat memprediksi kandungan gula pada berbagai tingkat kematangan pisang dengan tingkat akurasi tertinggi 83,33 %. Semakin matang buah maka semakin turun tingkat kekerasannya hubungan ini ditunjukkan dengan persamaan regresi y = -7,5957 + 0,0996x dengan nilai R2 = 6225, sedangkan hubungan antara total padatan terlarut dengan tingkat kematangan ditunjukkan dengan persamaan y = - 72,49 + 0,8492x dengan R2 = 5666.

Actions (login required)

View Item