Mengidentifikasi Tanaman Beracun Pada Pola Daun Dengan Jaringan Syaraf Tiruan Learning Vector Quantification
Mengidentifikasi Tanaman Beracun Pada Pola Daun Dengan Jaringan Syaraf Tiruan Learning Vector Quantification
Mengidentifikasi Tanaman Beracun Pada Pola Daun Dengan Jaringan Syaraf Tiruan Learning Vector Quantification
Article history: Technology nowadays is starting to go very fast, so that all people can use it.
Received 25 Juli 2018 Toxic plants are very dangerous if consumed. Therefore to avoid undesirable
Received in revised form
22 Desembrer 2018
events, an introduction to the community is needed to find out which plants are
Accepted 27 Maret 2019 poisonous. Plants have many different types to recognize poisonous plants can
Available online Juni 2019 be seen from the recognition of leaf patterns in these plants. For this reason, in
DOI: order to determine the use of Learning Vector Quantification artificial neural
https://doi.org/10.35870/jtik.v3i networks. In this study, the use of input photos obtained from the camera. Photos
1.47
will be processed later to extract the characteristics. Next, the process of pattern
recognition can get the features in the photo. So that later it gets its
Keywords:
The plant is poisonous, pattern characteristics. then the classification process uses the Learning Vector
recognition, Learning Vector Quantification artificial neural network method. This research was conducted to
Quantification. be able to distinguish poisonous plants from those that are not. Which later the
data is collected for grouping in accordance with the same data, so that
information can be set about the plant.
abstrak
Kata Kunci: Teknologi di jaman sekarang mulai melaju sangat cepat, sehingga semua
Tanaman beracun, Pengenalan
Pola, Learning Vector masyarakat bisa menggunakannya. Tanaman beracun sangat berbahaya jika di
Quantification. konsumsi. Maka dari itu untuk menghindari terjadinya yang tidak di inginkan, di
perlukan pengenalan kepada masyarakat untuk mengetahui tanaman yang
beracun. Tanaman memiliki berbagai banyak jenis untuk mengenali tanaman
beracun dapat di lihat dari pengenalan pola daunnya pada tanaman tersebut.
Untuk itu agar bisa menentukan di gunakan jaringan syaraf tiruan Learning Vector
Quantification. Dalam penelitian ini di gunakan inputan foto yang di dapatkan dari
kamera. Foto nanti akan di olah untuk di ekstrak cirinya tersebut. Selanjut nya
proses pengenalan pola agar bisa di dapatkannya ciri pada foto tersebut. Sehingga
nantinya di dapatkan karakteristiknya. kemudian proses klasifikasinya
menggunakan metode jaringan syaraf tiruan Learning Vector Quantification.
Penelitian ini dilakukan untuk dapat membedakan tanaman yang beracun dengan
yang tidak. Yang nantinya datanya di kumpulkan untuk pengelompokan sesuai
dengan data yang sama, sehingga dapat di tetapkan informasi tentang tanaman
tersebut.
teknologi pengenalan pola banyak digunakan di yang sudah dicari untuk mengetahui hasil informasi
dalam berbagai aplikasi. Salah satu bidang yang yang didapat dari tanaman.
menerapkan pengenalan pola adalah biometrics. Sistem
biometrika merupakan teknologi yang digunakan 3. Metode Penelitian
untuk mengenali identitas seseorang melalui bagian
tubuh atau perilaku. Dalam penelitian ini Jaringan Syaraf Tiruan
menerapkan pengenalan pola untuk mengidentifikasi Jaringan syaraf tiruan (JST) atau umumnya hanya
nomor polisi mobil. Pengenalan identitas kendaraan disebut neural network (NN), adalah jaringan dari
khususnya nomor polisi sangat berguna di dalam sekelompok unit pemroses kecil yang dimodelkan
sistem parkir. Sistem parkir sekarang ini masih berdasarkan sistem syaraf manusia. JST merupakan
banyak yang menggunakan cara manual yaitu sistem adaptif yang dapat mengubah strukturnya
mencatat nomor polisi setiap mobil yang dilakukan untuk memecahkan masalah berdasarkan informasi
oleh petugas. Penelitian ini bertujuan untuk eksternal maupun internal yang mengalir melalui
mensimulasikan metode pengolahan citra untuk jaringan tersebut. Oleh karena sifatnya yang adaptif,
mengidentifikasi nomor polisi mobil guna JST juga sering disebut dengan jaringan adaptif. Secara
menggantikan sistem manual yang dilakukan oleh sederhana, JST adalah sebuah alat pemodelan data
manusia. Input berupa citra foto yang dihasilkan oleh statistik non-linier. JST dapat digunakan untuk
kamera digital. Citra diproses melalui pra-pengolahan memodelkan hubungan yang kompleks antara input
agar citra memiliki kualitas yang lebih baik dan lebih dan output untuk menemukan pola-pola pada data.
siap untuk pemrosesan ekstraksi ciri. Sehingga
dilakukan proses pengenalan pola pada citra untuk Saat ini bidang kecerdasan buatan dalam usahanya
mendapatkan ciri yang terdapat pada citra tersebut. menirukan intelegensi manusia, belum mengadakan
Fitur - fitur yang diperoleh dari pengolahan citra pendekatan dalam bentuk fisiknya melainkan dari sisi
berupa vektor yang merepresentasikan ciri yang lain. Pertama-tama diadakan studi mengenai
karakteristik dari suatu huruf atau angka. Fitur ciri teori dasar mekanisme proses terjadinya intelegensi.
kemudian diuji untuk proses klasifikasi menggunakan Bidang ini disebut Cognitive Science. Dari teori dasar
Jaringan saraf tiruan metode Learning Vector ini dibuatlah suatu model untuk disimulasikan pada
Quantization (LVQ). LVQ mengklasifikasikan vektor komputer, dan dalam perkembangannya yang lebih
uji dengan cara mambandingkannya dengan bobot lanjut dikenal berbagai sistem kecerdasan buatan yang
setiap kelas sehingga menghasilkan jarak. Jarak akan salah satunya adalah jaringan syaraf tiruan.
menentukan kelas dari ciri yang diuji. Penelitian ini Dibandingkan dengan bidang ilmu yang lain, jaringan
hanya dilakukan pada nomor polisi mobil. Percobaan syaraf tiruan relatif masih baru. Sejumlah literatur
dilakukan dengan mengumpulkan data berupa foto menganggap bahwa konsep jaringan syaraf tiruan
nomor polisi. Dari data yang dikumpulkan kemudian bermula pada makalah Waffen McCulloch dan Walter
dikelompokkan berdasarkan karakter huruf atau Pitts pada tahun 1943. Dalam makalah tersebut
angka untuk dibuat template. Hasil percobaan mereka mencoba untuk memformulasikan model
menunjukkan keberhasilan sebesar 78% dari pola matematis selsel otak. Metode yang dikembangkan
karakter yang dikenal dan yang tidak dikenal. berdasarkan sistem syaraf biologi ini, merupakan
suatu langkah maju dalam industri komputer.
Dari beberapa penelitian terkait maka dapat ditarik
kesimpulan bahwa pengenalan pola sangat penting Model pada JST pada dasarnya merupakan fungsi
untuk menentukan karakteristik dan ciri-ciri objek model matematika yang mendefinisikan fungsi f : X -
yang nantinya akan diidentifikasi. Sehingga akan lebih > Y Istilah "jaringan" pada JST merujuk pada
mudah uttuk menentukan suatu objek yang akan interkoneksi dari beberapa neuron yang diletakkan
diteliti. Dan nantinya akan digunakan algoritma pada lapisan yang berbeda. Secara umum, lapisan pada
Learning Vector Quantification untuk mempermudah JST dibagi menjadi tiga bagian:
pencarian sehingga dari data yang sudah disiapkan • Lapis masukan (input layer) terdiri dari neuron yang
akan diidentifikasi langsung yang nantinya akan menerima data masukan dari variabel X. Semua
muncul hasil dari data yang sudah dikumpulkan, neuron pada lapis ini dapat terhubung ke neuron pada
sistem akan memproses kebenaran dari database
10 Muhammad Jurnalies Habibie / JTIK (Jurnal Teknologi Informasi dan Komunikasi) 3(1) 2019, 7-12
lapisan tersembunyi atau langsung ke lapisan luaran Learning Vector Quantication (LVQ)
jika jaringan tidak menggunakan lapisan tersembunyi. Learning Vector Quantification merupakan suatu metode
• Lapisan tersembunyi (hidden layer) terdiri dari untuk melakukan pelatihan terhadap lapisan-lapisan
neuron yang menerima data dari lapisan kompetitif yang terawasi. Lapisan kompetitif akan
masukan. belajar secara otomatis untuk melakukan klasifikasi
• Lapisan luaran (output layer) terdiri dari neuron terhadap vektor input yang diberikan. Apabila
yang menerima data dari lapisan tersembunyi beberapa vektor input memiliki jarak yang sangat
atau langsung dari lapisan masukan yang nilai berdekatan, maka vektor-vektor input tersebut akan
luarannya melambangkan hasil kalkulasi dari X dikelompokkan dalam kelas yang sama.
menjadi nilai Y
5. Hasil dan Pembahasan gambar berguna untuk user lebih mudah dapat
mengenali tanaman beracun tersebut.
Penelitian jaringan syaraf tiruan ini menghasilkan
sistem yang dapat uuntuk menentukan tanaman 7. Daftar Pustaka
beracun dari pola daun yang nantinya akan digunakan
untuk inputan jaringan syaraf tiruan. Pola daun Asriani, F. and Nugraha, A.W.W., 2009. Pengenalan
didapatkan dari ciri daun yang sudah dimiliki Pola Aksara Jawa Tulisan Tangan dengan Jaringan
tanaman beracun tersebut. Dari ciri itulah terbentuk Syaraf Tiruan Perambatan-Balik. Dinamika Rekayasa,
sebuah pola yang akan digunakan untuk menentukan 5(2), pp.34-36.
pola tanaman beracun. Sistem aplikasinya terdiri dari
menu inputan, proses, serta menu bantuan. Menu Rokhani, E., 2009. Pengenalan Pola Huruf Tulisan
inputan berfungsi untuk menyimpan data yang Tangan Menggunakan Jaringan Saraf Tiruan dengan
nantinya dimasukkan dalam table. Data yang Algoritma Backpropagation.
tersimpan merupakan data informasi dari tanaman
beracun yang terdiri dari gambar, pola daun, Firmansyah, R.A. and Odinanto, T., 2017, October.
informasi yang ada pada tumbuhan beracun tersebut. Simulasi Pengenalan Pola Ruangan Menggunakan
Untuk menu proses digunakan untuk melakukan Jaringan Syaraf Tiruan Pada Aplikasi Sistem Lokalisasi
proses penentuan beracun atau tidak tanaman Robot Rescue. In Seminar Nasional Sains dan
tersebut. Menu proses terdapat hal yang utama Teknologi Terapan V.
berupa proses pelatihan untuk training terhadap
jaringan syaraf tiruan sera proses pengujian yang Mantala, R. 2014. Pengenalan Pola Karakter Alfabet
digunakan untuk penentuan beracun atau tidak Menggunakan Artificial Neural Network Dengan
tanaman. Adaptive Linear Neuron, (1), 1–4.
Di form inputan nantinya semua data serta informasi Nugroho, S. and Harjoko, A., 2005. Penerapan
tanaman beracun akan dimasukkan. Informasinya Jaringan Syaraf Tiruan Untuk Mendeteksi Posisi
nanti digunakan untuk informasi hasil pengujian dari Wajah Manusia Pada Citra Digital. Jurnal Fakultas
pola daun yang sudah diinput ke aplikasi. Sedangkan Hukum UII.
untuk form pelatihan berfungsi untuk dilakukannya
tahap pelatihan atau training pada jaringan syaraf Pattiserlihun, A., Setiawan, A. and Rondonuwu, F.S.,
tiruan. Hasil dari pelatihan atau training yang berupa 2011. Aplikasi Jaringan Saraf Tiruan (Artificial Neural
bobot nantinya disimpan pada tabel untuk digunakan Network) pada Pengenalan Pola Tulisan. DIY.
proses pengujian. Setelah menyelesaikan pengujian
nantinya akan ditampilkan pada form hasil yang Prabowo, A., Sarwoko, E.A. and Riyanto, D.E., 2006.
terdapat informasi mengenai tanaman beracun yang Learning Vector Quantization Pada Pengenalan Pola
sudah diuji. Hasilnya akan menampilkan gambar Tandatangan. JURNAL SAINS DAN
bentuk daun dan pohon dari tanaman beracun jika MATEMATIKA, 14(4), pp.147-153.
teridentifikasi. Hasilnya itu agar memudahkan user
untuk mengenali tanaman beracun yang diidentifikasi Qur’ani, D.Y. and Rosmalinda, S., 2010. Jaringan
Syaraf Tiruan Learning Vector Quantization Untuk
6. Kesimpulan Aplikasi Pengenalan Tanda Tangan. Jurnal Fakultas
Hukum UII.
Dalam menentukan tanaman beracun dengan cara
menggunakan metode jaringan syaraf tiruan Learning Wahyono, E.S. and Ernastuti, E., 2009. Identifikasi
Vector Quantification yaitu dengan data daun yang Nomor Polisi Mobil Menggunakan Metode Jaringan
sudah di dapat nantinya akan ditentukan polanya Saraf Buatan Learning Vector Quantization. Skripsi
terlebih dahulu dengan tanda ceklis pada beberapa Program Studi Teknik Informatika.
data dari ciri yang sudah dimiliki oleh daunnya. Hasil
yang didapatkan dari proses pemilihan pola nantinya
berupa informasi mengenai tanaman beracun,