| dc.description.abstract | Mentimun atau ketimun (Cucumis sativus L.) merupakan salah satu komoditas sayuran yang potensial untuk dikembangkan karena jenis sayuran ini cukup populer di masyarakat dan dikonsumsi dalam bentuk segar sebagai lalapan maupun dalam bentuk olahan. Pengembangan ketimun secara komersial yang dikelola dalam skala agribisnis semakin meningkat. Hal ini terbukti dari pemasaran ketimun yang tidak hanya dilakukan untuk pasaran lokal tetapi juga untuk pasar luar negeri (ekspor). Volume ekspor ketimun pada tahun 1999 sebesar 462 225 ton dengan nilai 315 444 US ,sedangkan pada tahun 2000 , meningkat menjadi 453 526 ton dengan nilai sebesar 605 322 US$ (BPS, 2000). Sebagai bahan sayuran yang bersifat mudah rusak, ketimun memerlukan penanganan pasca panen yang tepat untuk mempertahankan mutu. Salah satunya adalah kegiatan mengelompokan ketimun yang bentuknya sama yang disebut sebagai pemutuan. Selama ini pengawasan terhadap mutu atau pemeriksaan terhadap ketimun biasanya dilakukan secara visual dalam proses sortasi manual yang menghasilkan keputusan beragam karena keragaman manusia, kelelahan dan perbedaan persepsi tentang mutu dari produk yang disortasi. Berdasarkan fenomena tersebut maka diperlukan suatu metode atau teknik untuk dapat mensortasi ketimun Jepang secara tepat. Pengolahan citra dan artificial neural network merupakan suatu alternatif untuk mengatasi hal tersebut. Jaringan syaraf perceptron merupakan salah satu metode jaringan syaraf tiruan yang memodelkan retina ke otak manusia dalam mengambil keputusan. Dalam metode ini ketimun diambil gambarnya dan disimpan dalam file image berekstension BMP(*.BMP). Citra yang diperoleh diolah menggunakan seperangkat komputer dan bahasa pemrograman visual basic 6.0 sebagai perangkat lunak. Citra tersebut disusun ke dalam bentuk kotak bujursangkar yang akan dibaca sebagai data masukan perceptron. Jumlah data masukan (n) yang digunakan ada 6 x 14 = 84 buah yang masing-masing diwakili oleh piksel berukuran 20 x 20 piksel. Representasi masukan dituliskan dalam bilangan biner 1 untuk obyek dan 0 untuk background, sedangkan representasi keluaran dituliskan dalam bilangan bipolar (1,-1,-1) untuk mutu A, (-1,1,-1) untuk mutu B dan (-1,-1,1) untuk mutu C. Pada dasarnya data yang masuk akan dibaca dan respon pada unit keluaran dihitung, jika terdapat error maka pembobot dirubah sehingga semua data training terklasifikasi dengan benar. Algoritma training yang digunakan adalah inisialisasai pembobot dan bias, perhitungan Learning Rate (a) yang dipilih adalah 0.5, perhitungan nilai aktivasi (0), yaitu 0.4, perbaikan nilai pembobot dan pengulangan atau iterasi, yaitu 10. | id |
