KLASIFIKASI KEDELAI LOKAL BERDASARKAN CIRI FISIK

MENGGUNAKAN JARINGAN SYARAF TIRUAN

ALGORITMA KOHONEN SELF ORGANIZING MAPS

Oleh :

Ely Desyanawati (M0512017)

Hamzah (M0512021)

Rofiqoh Hasanah (M0512052)

JURUSAN INFORMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS SEBELAS MARET SURAKARTA

2014

KLASIFIKASI KEDELAI LOKAL BERDASARKAN CIRI FISIK

MENGGUNAKAN JARINGAN SYARAF TIRUAN

ALGORITMA KOHONEN SELF ORGANIZING MAPS

Jurusan Informatika, Fakultas Matematika dan Ilmu Pengetahuan Alam

Universitas Sebelas Maret

ABSTRAK

Kedelai adalah salah satu bahan produksi pangan yang dibutuhkan oleh produsen

tempe, tahu, kecap dan berbagai produk olahan kedelai lainnya. Kedelai dengan ukuran fisik

yang besar kenyataanya lebih diminati oleh produsen bahan makanan yang bersumber dari

kedelai karena dapat menghasilkan kualitas produksi yang lebih baik. Saat ini pengelompokan

kedelai berdasarkan ukuran dilakukan secara manual. Hal ini menyebabkan kurangnya

keefektifan waktu dan hasil pengelompokan kedelai yang akan berdampak pada proses

pengolahan di dalam produksi bahan makanan yang bersumber dari kedelai. Sehubungan

dengan permasalahan tersebut, maka diperlukan cara untuk menentukan klasifikasi kedelai

berdasarkan ukuran fisik dengan cepat, akurat dan mudah untuk dioperasikan, sehingga dapat

meningkatkan efisiensi pengkelasan mutu fisik kedelai.

Kohonen Self Organizing Maps (SOM) merupakan salah satu metoda dalam Jaringan

Syaraf Tiruan (Neural Network) yang menggunakan pembelajaran tanpa pengarahan

(unsupervised learning). Metode pembelajaran tanpa pengarahan tidak memerlukan target,

selama proses pembelajaran unit unit input kedelai yang hampir sama dikelompokkan dalam

kelompok tertentu yang berada di unit output (cluster units). Input dari penelitian ini adalah

Ukuran fisik dari kedelai yaitu panjang dan lebar dalam satuan milimeter (mm), sedangkan

outputnya adalah dikelompokkan ke dalam 2 cluster. Penelitian ini bertujuan untuk membuat

sistem penunjang keputusan untuk menentukan klasifikasi kedelai berdasarkan ukuran fisik

menggunakan algoritma clustering Kohonen SOM.

Kata kunci : Kedelai, Ukuran kedelai, Jaringan Syaraf Tiruan, Kohonen SOM.

Ely Desyanawati

E-mail:

elydesyana@gmail.com

Hamzah

E-mail:

hamzahibnabdullah@gmail.com

Rofiqoh Hasanah

E-mail:

rofiqoh.hasanah@student.uns.ac.id

PENDAHULUAN

Latar Belakang

Kedelai merupakan bahan pokok

dalam pembuatan tempe, tahu, kecap dan

berbagai produk olahan kedelai lainnya.

Peran lain yang diemban oleh kedelai yaitu

sebagai roda penggerak ekonomi bangsa

dengan banyaknya usaha kecil dan mikro

yang bergerak di industri pengolahan

kedelai. Pengusaha / Produsen tersebut

kenyataanya lebih menyukai kedelai

dengan ukuran yang lebih besar karena

diaggap lebih berbobot dan berkulaitas

sehingga menghasilkan kualitas produksi

yang bagus pula. Dengan perannya yang

begitu besar, tak pelak pemerintah

melakukan impor kedelai dari china dan

negara penghasil kedelai yang dinilai

berkualitas yang di dasarkan pada besarnya

ukuran kedelai. Sedangkan solusi impor

kedelai dari luar negeri justru menjadikan

harga pokok kedelai naik yang

mengakibatkan naiknya nilai produksi yang

berimbas pada naiknya harga hasil olahan

kedelai sehingga hasil olahan kedelai justru

kurang diminati.

Kebiasaan pengusaha pengolah

kedelai yang menganggap bahwa ukuran

kedelai lokal yang lebih kecil dibanding

kedelai impor menunjukkan bahwa kedelai

impor lebih berkualitas, sedangkan

kenyataannya kedelai lokal juga memiliki

ukuran yang hampir sama dengan ukuran

kedelai impor dan bahkan memiliki

kandungan gizi yang lebih banyak. Demi

menciptakan kondisi ketahanan pangan

maka impor kedelai harus ditekan sesedikit

mungkin dan mengoptimalkan kedelai

lokal.

Penentuan kualitas kedelai

berdasarkan ukuran fisik dengan

menggunakan Metode Kohonen SOM akan

memudahkan pengklasifikasian ukuran

sebuah kedelai sehingga dapat ditemukan

beberapa kelompok kedelai, dimana setiap

kelompok memiliki ukuran fisik yang

mirip. Dari hasil pengklasifikasian tersebut

maka di dapatkan suatu kelompok tertentu

yang bisa direkomendasikan untuk

diproduksi oleh produsen pembuat tempe,

tahu, kecap dan berbagai produk olahan

kedelai lainnya. Adanya pengelompokan

ukuran kedelai ini nantinya diharapkan

akan memacu pemanfaatkan kedelai lokal

dan menekan impor kedelai sehingga biaya

produksi dapat ditekan.

Jaringan Kohonen termasuk dalam

pembelajaran tak terawasi (unsupervised

learning). Jaringan ini pertama kali

diperkenalkan oleh Teuvo Kohonen pada

tahun 1981. Pada jaringan ini, suatu lapisan

yang berisi neuron-neuron akan menyusun

dirinya sendiri berdasarkan input nilai

tertentu dalam suatu kelompok yang

dikenal dengan istilah cluster. Selama

proses penyusunan diri, cluster yang

memiliki bobot paling cocok dengan pola

input (memiliki jarak paling dekat) akan

terpilih sebagai pemenang. Neuron yang

menjadi pemenang beserta neuron-neuron

tetangganya akan memperbaiki bobot-

bobotnya.

Terdapat m unit kelompok yang

tersusun dalam arsitektur sinyal-sinyal

masukan (input) sejumlah n. Vektor bobot

untuk suatu unit kelompok disediakan dari

pola-pola masikan yang tergabung dengan

kelompok tersebut. Selama proses

pengorganisasian sendiri, unit kelompok

yang meiliki vektor bobot paling cocok

dengan pola masukan (ditandai dengan

jarak Euclidean paling minimum) dipilih

sebagai pemenang. Unit pemenang dan unit

tetangganya diperbaharui bobotnya. Setiap

neuron terkoneksi dengan neuron lain yang

dihubungkan dengan bobot atau weight.

Algoritma pembelajaran

unsupervised pada Kohonen SOM daam

pengelompokan data adalah sebagai

berikut:

1. Tetapkan:

a. Jumlah Variabel

b. Jumlah Data

c. Jumlah Cluster

2. Inisialisasi bobot wij , set parameter

learning rate (), parameter tetangga,

dan Maksimum Epoh

3. Lakukan langkah berikut sampai

kondisi stop bernilai false:

Untuk setiap input vektor x, lakukan

langkah berikut:

a. Untuk setiap j, hitung D(j) =

(wij xi)* (wij xi)

b. Cari indeks j yang nilai D(j)

adalah minimum

c. Untuk semua unit j dengan

spesifikasi tetangga dalam

radius tertentu, dan untuk setiap

i: wij(new) = wij(old) + (xi-

wij(old))

d. Update learning rate setiap 1

epoh, dimana setiap epoh

terdiri dari n data yang pada

setiap perhitungan data akan

diperbaharui bobotnya.

e. Kurangi radius ke-tetangga-an

pada waktu tertentu

f. Test Kondisi berhenti

Arsitektur JST Kohonen SOM

Masalah

Mengklasifikasikan kedelai lokal

berdasarkan ukuran fisik menggunakan

Jaringan Syaraf Tiruan dengan Algoritma

Kohonen SOM.

Tujuan Penelitian

- Melakukan pengklasifikasian kedelai

berdasarkan ukuran fisik.

- Memudahkan produsen produk olahan

kedelai untuk mengklasifikasikan

kedelai yang sesuai untuk diproduksi.

METODE PENELITIAN

Metodologi penelitian dilakukan

dengan langkah-langkah sebagai berikut :

1. Literatur , yaitu suatu studi yang

dilakukan untuk memperkuat

dasar-dasar teori dan pengetahuan.

Pendalaman materi bisa melalui

jurnal, buku-buku maupun media

internet.

2. Pengumpulan Data, data yang

dikumpulkan yaitu sample biji

kedelai yang diambil dari beberapa

pedagang pasar secara acak.

3. Identifikasi masalah,

pengidentifikasian masalah

dilakukan setelah mendapatkan

data kedelai yang sesuai untuk

dilakukan clustering.

4. Pre Processing, tahap ini

merupakan tahap normalisasi data.

Tujuan dari normalisasi adalah agar

jaringan syaraf apat mengenali data

yang akan menjadi masukkan

bobot-bobotnya. Data akan bernilai

antara 0 sampai 1 dengan

menggunakan rumus:

= ( )

( )

Keterangan:

N : Data yang sudah ternormalisasi

D : Data yang akan dinormalisasi

Dk : Data terkecil dari sekumpulan

data

Db :Data terbesar dari sekumpulan

data

5. Proses Pelatihan menggunakan

Kohonen SOM, dalam tahap ini data-

data yang sudah didapatkan di

clusterkan sesuai dengan ciri

fisiknya yaitu panjang dan lebar

kedelai

6. Hasil Pengklasifikasian, hasil dari

proses pengklasifikasian adalah

sejumlah kelompok klasifikasi data

yang dapat digunakan sebagai

estimasi terhadap kualitas kedelai

berdasarkan ukuran fisik.

HASIL DAN PEMBAHASAN

- Objek penelitian : Kedelai

- Metode yang digunakan : Jaringan Syaraf

Tiruan dengan Algoritma Kohonen SOM.

- Bahasa Pemrograman : Java

Detail data yang akan dilakukan pelatihan:

Jumlah data : 20

Jumlah Variabel Input : 2

Jumlah Cluster yang diinginkan : 2

Bobot awal = random

Learning Rate () : 0.8

Update Learnig Rate ((baru)) : 0.5 *

(lama)

Berikut adalah sampel data 20 butir kedelai

yang akan dilakukan pelatihan dengan 2

variabel input yaitu panjang (X1) dan lebar

(X2):

Tabel 1. Data Pelatihan

NO. Variabel Input

X1 (mm) X2 (mm)

1 5.5 3.1

2 5.9 2.3

3 6.2 4.3

4 3.5 1.8

5 6.5 3.5

6 7.2 4.3

7 3.1 2.2

8 6.9 3.3

9 6.2 4.0

10 5.7 3.4

11 6.0 3.6

12 4.9 2.1

13 3.7 2.2

14 6.7 5.2

15 7.7 5.1

16 6.2 3.1

17 3.7 2.4

18 6.8 4.9

19 5.7 4.8

20 7.9 4.7

Berikut adalah tabel hasil normalisasi data:

NO. Variabel Input

X1 (mm) X2 (mm)

1 0.50 0.38

2 0.58 0.15

3 0.65 0.74

4 0.08 0.00

5 0.71 0.50

6 0.85 0.74

7 0.00 0.12

8 0.79 044

9 0.65 0.65

10 0.54 0.47

11 0.60 0.53

12 0.38 0.09

13 0.13 0.12

14 0.75 1.00

15 0.96 0.97

16 0.65 0.38

17 0.13 0.18

18 0.77 0.91

19 0.54 0.88

20 1.00 0.85

Berdasarkan input data normalisasi pada tabel

diatas kemudian dilakukan pelatihan jaringan

dengan maksimum 10 epoh dan 100 epoh

menggunakan program Java. Berikut adalah

tampilan awal program yang memungkinkan

user untuk memasukkan learning rate, banyak

cluster yang diinginkan, maksimum epoh, dan

random untuk inisialisasi bobot awal

Hasil klasifikasi data 20 kedelai dengan

maksimum epoh: 10, learning rate: 0.8,

jumlah cluster: 2 , dan bobot awal: random

adalah sebagai berikut :

Hasil untuk masing-masing epoh:

....................................................................

(Sampai epoh ke-10 data ke-20)

Tabel 2. Hasil klasifikasi dari masing-masing data

input dengan maksimum 10 epoh dinyatakan

dengan indeks 0 untuk cluster 1 dan indeks 1 untuk

cluster 2

No.

Variabel Input Pengelompokan

X1(mm) X2(mm) Cluster

1

Cluster

2

1 0.50 0.38 *

2 0.58 0.15 *

3 0.65 0.74 *

4 0.08 0.00 *

5 0.71 0.50 *

6 0.85 0.74 *

7 0.00 0.12 *

8 0.79 044 *

9 0.65 0.65 *

10 0.54 0.47 *

11 0.60 0.53 *

12 0.38 0.09 *

13 0.13 0.12 *

14 0.75 1.00 *

15 0.96 0.97 *

16 0.65 0.38 *

17 0.13 0.18 *

18 0.77 0.91 *

19 0.54 0.88 *

20 1.00 0.85 *

Tabel 3. Hasil klasifikasi dari masing-

masing data input dengan maksimum 100

epoh, learning rate: 0.8, jumlah cluster: 2 ,

dan bobot awal: random adalah sebagai

berikut:

Dari tabel 2 dan tabel 3 diatas dapat dilihat

bahwa hasil pelatihan dengan 10 dan 100

epoh menghasilkan cluster dengan anggota

yang konsisten.

KESIMPULAN

Dari penelitian yang telah dilakukan maka

dapat disimpulkan sebagai berikut :

1. Jaringan Syaraf Tiruan algoritma

Kohonen SOM dapat diterapkan

dalam aplikasi pengklasifikasian

kedelai lokal untuk mendapatkan

kualitas kedelai yang tepat untuk

para produsen industri kedelai.

2. Hasil pelatihan dengan maksimum

10 epoh dan 100 epoh

menghasilkan cluster dengan

anggota yang konsisten.

3. Hasil dari pengklasifikasian kedelai

menjadi 2 cluster didapatkan hasil

kedelai dari cluster pertama

sebanyak 7 butir dan cluster kedua

13 butir.

4. Dari pelatihan yang telah dilakukan

anggota yang masuk ke dalam

cluster pertama adalah :

Variabel Input

X1(mm) X2(mm)

5.5 3.1

5.9 2.3

3.5 1.8

3.1 2.2

4.9 2.1

3.7 2.2

3.7 2.4

Anggota yang masuk ke dalam

cluster kedua :

Variabel Input

X1(mm) X2(mm)

6.2 4.3

6.5 3.5

7.2 4.3

6.9 3.3

6.2 4.0

5.7 3.4

6.0 3.6

6.7 5.2

7.7 5.1

6.2 3.1

NO.

Variabel Input Pengelompokan

X1

(mm)

X2

(mm)

Cluster

1

Cluster 2

1 0.50 0.38 *

2 0.58 0.15 *

3 0.65 0.74 *

4 0.08 0.00 *

5 0.71 0.50 *

6 0.85 0.74 *

7 0.00 0.12 *

8 0.79 044 *

9 0.65 0.65 *

10 0.54 0.47 *

11 0.60 0.53 *

12 0.38 0.09 *

13 0.13 0.12 *

14 0.75 1.00 *

15 0.96 0.97 *

16 0.65 0.38 *

17 0.13 0.18 *

18 0.77 0.91 *

19 0.54 0.88 *

20 1.00 0.85 *

6.8 4.9

5.7 4.8

7.9 4.7

Dari tabel tersebut dapat

disimpulkan bahwa cluster kedua

memiliki data dengan ukuran lebih

besar dibanding cluster yang

pertama, maka kedelai yang

direkomendasikan adalah kedelai

yang ada pada cluster 2.

DAFTAR PUSTAKA

Agustina, Silvi, dkk, Clustering

Kualitas Beras Berdasarkan Ciri

Fisik Menggunakan Metode K-

means, Universitas Brawijaya

Malang

Wiharto, 2013, Kohonen Self-

Organizing Maps, Surakarta: UNS