Uji dan aplikasi komputasi paralel pada jaringan syaraf probabilistik (PNN) untuk proses klasifikasi mutu buah tomat segar

(1)

UJI DAN APLIKASI KOMPUTASI PARALEL PADA JARINGAN SYARAF PROBABILISTIK (PNN) UNTUK PROSES KLASIFIKASI MUTU BUAH TOMAT SEGAR

oleh:

MOH. KHAWARIZMIE ALIM F14101030

2006

FAKULTAS TEKNOLOGI PERTANIAN INSTITUT PERTANIAN BOGOR

(2)

FAKULTAS TEKNOLOGI PERTANIAN INSTITUT PERTANIAN BOGOR

UJI DAN APLIKASI KOMPUTASI PARALEL PADA JARINGAN SYARAF PROBABILISTIK (PNN) UNTUK PROSES KLASIFIKASI MUTU BUAH TOMAT SEGAR

SKRIPSI

Sebagai salah satu syarat untuk memperoleh gelar SARJANA TEKNOLOGI PERTANIAN

Pada Departemen Teknik Pertanian Fakultas Teknologi Pertanian

Institut Pertanian Bogor

oleh:

Moh. Khawarizmie Alim F14101030

Tanggal lulus: Menyetujui,

Dr. Ir. Kudang Boro Seminar, MSc Ir. Agus Buono, M.Si, M.Kom Pembimbing I Pembimbing II

Mengetahui,

Dr. Ir. Wawan Hermawan, MS Ketua Departemen

(3)

UJI DAN APLIKASI KOMPUTASI PARALEL PADA JARINGAN SYARAF PROBABILISTIK (PNN) UNTUK PROSES KLASIFIKASI MUTU BUAH TOMAT SEGAR

SKRIPSI

Sebagai salah satu syarat untuk memperoleh gelar SARJANA TEKNOLOGI PERTANIAN

Pada Departemen Teknik Pertanian Fakultas Teknologi Pertanian

Institut Pertanian Bogor

oleh:

Moh. Khawarizmie Alim F14101030

2006

FAKULTAS TEKNOLOGI PERTANIAN INSTITUT PERTANIAN BOGOR

(4)

MOH. KHAWARIZMIE ALIM. F14101030. Uji dan Aplikasi Komputasi Paralel pada Jaringan Syaraf Probabilistik (PNN) untuk Proses Klasifikasi Mutu Buah Tomat Segar. Di bawah bimbingan : Dr. Ir. Kudang Boro Seminar, MSc dan Ir. Agus Buono, M.Si, M.Kom. 2006.

RINGKASAN

Tomat merupakan salah satu produk hortikultura yang bernilai ekonomi tinggi di dunia termasuk di Indonesia. Untuk dapat bersaing di pasaran dunia, produsen tomat harus menghasilkan produk tomat segar dan olahan dengan kualitas tinggi. Kualitas tomat yang baik sangat ditentukan oleh penanganan pasca panen yang diterapkan. Salah satu proses dalam penanganan pasca panen yang paling kritis adalah proses sortasi. Proses sortasi yang dilakukan secara manual oleh manusia, menghasilkan produk dengan keragaman kurang baik dan juga waktu yang relatif lama. Untuk meningkatkan keseragaman, akurasi dan waktu pemrosesan, proses sortasi dapat dilakukan dengan mesin. Probabilistic Neural Network (PNN) merupakan salah satu jaringan saraf tiruan yang dapat diterapkan untuk proses klasifikasi dalam sistem sortasi. PNN memiliki tingkat akurasi klasifikasi yang cukup tinggi dan waktu pelatihan yang cukup singkat. Untuk meningkatkan waktu pemrosesan, komputasi paralel dapat diterapkan pada PNN untuk bagian prosesor sistem sortasi. Diharapkan, dengan penggabungan kedua teknologi tersebut, akan dapat dikembangkan teknologi sortasi yang akurat dan cepat.

Penelitian ini bertujuan untuk menguji komputasi paralel pada algoritma PNN yang diterapkan pada proses klasifikasi mutu buah tomat. PNN digunakan untuk mengklasifikasikan tomat ke dalam kelas-kelas yang sesuai. Agar mencapai akurasi yang tinggi, PNN memerlukan nilai parameter penghalus (σ) yang tepat. Pencarian nilai parameter penghalus tersebut dilakukan melalui Algoritma Genetik.

Percobaan dilakukan untuk membandingkan kinerja PNN yang dilakukan secara paralel pada dua buah komputer dan kinerja PNN yang dilakukan secara sekuensial pada satu komputer. Kriteria yang digunakan untuk uji analisis adalah akurasi klasifikasi PNN, waktu eksekusi total, peningkatan kecepatan, peningkatan akurasi, dan efisiensi. Percobaan dilakukan menggunakan program komputasi paralel dengan PNN hasil penelitian sebelumnya. Tomat yang digunakan adalah varietas Permata yang dikelompokkan menjadi tiga kelas dan masing-masing kelas diambil parameter bobot (gram), panjang (cm) dan lebar (cm). Proses pelatihan dilakukan dengan rasio antara jumlah data yang digunakan untuk pelatihan dan data yang digunakan sebagai contoh masukan (validasi) divariasikan sebanyak 9 mode. Masing-masing mode pelatihan dilakukan 10 kali pengulangan. Dengan dua macam populasi Algoritma Genetik yang digunakan, total percobaan yang dilakukan adalah 360 percobaan.

Dari percobaan didapatkan hasil bahwa akurasi klasifikasi komputasi paralel dan komputasi sekuensial tidak terlalu berbeda dan terpusat pada kisaran rata-rata 89.2%. Peningkatan akurasi komputasi paralel juga relatif sama dengan pola sebaran bernilai 100%. Artinya akurasi klasifikasi dengan komputasi paralel meningkat 1 kali lipat dari komputasi sekuensial. Dengan demikian tidak terjadi perubahan berarti terhadap akurasi klasifiaksi. Pada aplikasi klasifikasi dengan

(5)

komputasi paralel, waktu total (waktu pelatihan dan waktu klasifikasi) rata-rata adalah 439.57 detik, lebih kecil daripada komputasi sekuensial yang rata-rata sebesar 548.66 detik. Hal ini menyebabkan terjadinya peningkatan kecepatan komputasi paralel yang rata-rata sebesar 128.857%. Dengan demikian, klasifikasi dengan komputasi paralel pada dua buah komputer lebih cepat sekitar 1.3 kali lipat dibandingkan dengan komputasi sekuensial. Dari hasil tersebut, dapat diambil kesimpulan bahwa penerapan komputasi paralel pada proses klasifikasi tomat telah mempercepat waktu pemrosesan tanpa mengubah nilai akurasi klasifikasi secara signifikan. Namun penerapan komputasi paralel pada bagian prosesor dari sistem sortasi perlu diimbangi dengan pemilihan teknik/metode yang tepat pada bagian lainnya sehingga peningkatan kecepatan yang dihasilkan menjadi optimal.

Kata kunci: Sortasi, Klasifikasi Objek, Komputasi Paralel, Probabilistic Neural Network (PNN), Algoritma Genetik (GA).

(6)

Riwayat Hidup

Penulis dilahirkan di Tegal pada 27 September 1983 dari keluarga Ali Mukson Mawardi dan Luthfiatun sebagai anak kedua dari enam bersaudara.

Tahun 2001 penulis lulus dari SMU Negeri 1 Tegal dan kemudian melanjutkan masa studi di Institut Pertanian Bogor melalui jalur Undangan Seleksi Masuk IPB (USMI) di Departemen Teknik Pertanian Fakultas Teknologi Pertanian IPB.

Selama masa perkuliahan penulis aktif sebagai pengurus di Himpunan Profesi HIMATETA (Himpunan Mahasiswa Keteknikan Pertanian) pada masa jabatan 2002/2003 termasuk di IT Center HIMATETA dan Teta’s English Club. Selain itu penulis juga pernah berpartisipasi sebagai Asisten Mata Kuliah dan Praktikum pada beberapa Mata Kuliah di Departemen Teknik Pertanian IPB selama tahun 2003 s.d. 2005 untuk mata kuliah: Statika dan Dinamika, Menggambar Teknik, Alat Mesin dan Budidaya Pertanian, Matematka Teknik, Sistem Basis Data, dan Penerapan Komputer. Pada tahun 2005 penulis terpilih sebagai mahasiswa berprestasi tingkat Departemen Teknik Pertanian dan menjadi kandidat mahasiswa berprestasi tingkat Fakultas Teknologi Pertanian.

(7)

KATA PENGANTAR

Segala puja dan puji syukur penulis sampaikan kepada Allah SWT yang telah melimpahkan rahmat dan karunianya sehingga penulis dapat menyelesaikan Penelitian ini. Penelitian yang berjudul Uji dan Aplikasi Komputasi Paralel pada Jaringan Syaraf Probabilistik (PNN) untuk Proses Klasifikasi Mutu Buah Tomat Segar ini merupakan syarat untuk memperoleh gelar sarjana pada Departemen Teknik Pertanian. Di dalamnya meliputi komputasi paralel, algoritma genetik, probabilistic neural network (PNN), dan klasifikasi mutu tomat.

Penulis menyadari bahwa semuanya tidak terlepas dari dukungan dan doa restu berbagai pihak yang telah ikut terlibat baik secara langsung maupun tidak langsung. Dengan segala kerendahan hati dan rasa hormat yang setinggi-tingginya penulis mengucapkan terima kasih kepada:

1. Bapak Dr. Ir. Kudang Boro Seminar, MSc, selaku pembimbing akademik dan pembimbing utama.

2. Bapak Ir. Agus Buono, M.Si, M.Kom, selaku pembimbing kedua, atas segala bimbingan dan bantuannya.

3. Mas Teguh Pratama Januzir Sukin, atas bantuan teknis dan dukungan yang sangat berarti pada awal pelaksanaan penelitian.

4. Kedua orang tua, kakak, dan adik-adik penulis, atas cinta kasih yang kuat dalam keluarga

5. Eka Widianti, atas dukungan semangat dan motivasi yang selalu mengalir. 6. Teman-teman TEP ’38 dan TSIP ’38 yang selalu kompak, serta semua pihak

yang tidak dapat penulis sebutkan satu persatu.

Penelitian yang telah dilaksanakan diharapkan dapat mengembangkan program komputasi paralel terutama dalam penerapannya pada berbagai proses klasifikasi, khususnya klasifikasi mutu berbagai komoditas pertanian. Semoga penelitian ini dapat memberikan sedikit pengetahuan dan pencerahan bagi kita semua dalam mengembangkan pertanian Indonesia.

Bogor, Januari 2006 Penulis

(8)

DAFTAR ISI

hal.

Kata Pengantar ... i

Daftar Isi ... ii

Daftar Tabel ... iv

Daftar Gambar ... v

Daftar Lampiran ... vii

I. PENDAHULUAN ... 1

A. Latar Belakang ... 1

B. Tujuan Penelitian ... 2

II. TINJAUAN PUSTAKA ... 4

A. Tomat (Lycopersicum esculentum Mill)... 4

1. Botani dan Sejarah Singkat ... 4

2. Budidaya dan Penanaman ... 4

3. Hama dan Penyakit ... 8

4. Manfaat dan Penggunaan ... 9

5. Penanganan Pasca Panen dan Standar Mutu ... 10

6. Teknologi Sortasi ... 14

B. Jaringan Saraf Tiruan ... 17

C. Pengklasifikasian Bayes ... 19

D. Penduga Kepekatan Parzen ... 19

E. Faktor Penghalus Sigma (σ) ... 21

F. Probabilistic Neural Network (PNN) ... 21

G. Algoritma Genetik ... 24

H. Rekombinasi ... 24

I. Mutasi ... 25

J. Seleksi ... 26

K. Pemrosesan Paralel ... 26

L. Peningkatan Kecepatan ... 27

M. Efisiensi Sistem Paralel ... 28

III. METODOLOGI PENELITIAN ... 29

(9)

B. Bahan dan Alat ... 29

C. Metode Penelitian ... 30

1. Pengambilan Data dan Pengukuran Sampel Tomat ... 30

2. Persiapan Percobaan ... 31

3. Penentuan Batasan-batasan Percobaan ... 31

4. Eksekusi Sistem ... 34

5. Analisis Data ... 35

IV. HASIL DAN PEMBAHASAN ... 36

A. Analisis Statistika Deskriptif Komputasi Paralel ... 36

1. Akurasi Klasifikasi ... 36

2. Waktu Total ... 39

B. Pengaruh Mode Pelatihan ... 42

1. Pengaruh Mode Pelatihan terhadap Akurasi Klasifikasi PNN ... 42

2. Pengaruh Mode Pelatihan terhadap Waktu Total ... 43

3. Penerapan Mode Pelatihan dalam Sistem Sortasi ... 44

C. Pengaruh Populasi Algoritma Genetik (AG) ... 45

1. Pengaruh Populasi AG terhadap Akurasi Klasifikasi PNN ... 45

2. Pengaruh Populasi AG terhadap Waktu Total ... 48

D. Peningkatan Kecepatan dan Peningkatan Akurasi ... 49

E. Efisiensi Sistem Paralel ... 52

V. KESIMPULAN DAN SARAN ... 54

A. Kesimpulan ... 54

B. Saran ... 55

Daftar Pustaka ... 56

(10)

DAFTAR TABEL

Hal.

Tabel 1. Kandungan dan komposisi buah tomat tiap 100 g bahan ... 10

Tabel 2. Syarat mutu ekspor buah tomat (SNI: 01-3162-1992) ... 13

Tabel 3. Standar klasifikasi tomat Florida di Amerika Serikat (Florida Tomato Committee, 2005) ... 13

Tabel 4. Daftar istilah algoritma genetik ... 24

Tabel 5. Spesifikasi komputer yang digunakan dalam penelitian ... 29

Tabel 6. Hasil statistika deskriptif akurasi klasifikasi ... 36

Tabel 7. Hasil statistika deskriptif waktu total ... 39

Tabel 8. Perbandingan rasio data pelatihan, akurasi klasifikasi dan waktu total pada berbagai mode pelatihan untuk mode komputasi paralel .. 45

Tabel 9. Hasil perhitungan statistika komputasi sekuensial untuk populasi AG yang berbeda ... 47

Tabel 10. Hasil perhitungan statistika komputasi paralel untuk populasi AG yang berbeda ... 47

Tabel 11. Hasil statistika deskriptif peningkatan akurasi dan kecepatan ... 50

(11)

UJI DAN APLIKASI KOMPUTASI PARALEL PADA JARINGAN SYARAF PROBABILISTIK (PNN) UNTUK PROSES KLASIFIKASI MUTU BUAH TOMAT SEGAR

oleh:

MOH. KHAWARIZMIE ALIM F14101030

2006

FAKULTAS TEKNOLOGI PERTANIAN INSTITUT PERTANIAN BOGOR

(12)

FAKULTAS TEKNOLOGI PERTANIAN INSTITUT PERTANIAN BOGOR

UJI DAN APLIKASI KOMPUTASI PARALEL PADA JARINGAN SYARAF PROBABILISTIK (PNN) UNTUK PROSES KLASIFIKASI MUTU BUAH TOMAT SEGAR

SKRIPSI

Sebagai salah satu syarat untuk memperoleh gelar SARJANA TEKNOLOGI PERTANIAN

Pada Departemen Teknik Pertanian Fakultas Teknologi Pertanian

Institut Pertanian Bogor

oleh:

Moh. Khawarizmie Alim F14101030

Tanggal lulus: Menyetujui,

Dr. Ir. Kudang Boro Seminar, MSc Ir. Agus Buono, M.Si, M.Kom Pembimbing I Pembimbing II

Mengetahui,

Dr. Ir. Wawan Hermawan, MS Ketua Departemen

(13)

UJI DAN APLIKASI KOMPUTASI PARALEL PADA JARINGAN SYARAF PROBABILISTIK (PNN) UNTUK PROSES KLASIFIKASI MUTU BUAH TOMAT SEGAR

SKRIPSI

Sebagai salah satu syarat untuk memperoleh gelar SARJANA TEKNOLOGI PERTANIAN

Pada Departemen Teknik Pertanian Fakultas Teknologi Pertanian

Institut Pertanian Bogor

oleh:

Moh. Khawarizmie Alim F14101030

2006

FAKULTAS TEKNOLOGI PERTANIAN INSTITUT PERTANIAN BOGOR

(14)

RINGKASAN

(15)

Kata kunci: Sortasi, Klasifikasi Objek, Komputasi Paralel, Probabilistic Neural Network (PNN), Algoritma Genetik (GA).

(16)

Riwayat Hidup

Penulis dilahirkan di Tegal pada 27 September 1983 dari keluarga Ali Mukson Mawardi dan Luthfiatun sebagai anak kedua dari enam bersaudara.

(17)

KATA PENGANTAR

1. Bapak Dr. Ir. Kudang Boro Seminar, MSc, selaku pembimbing akademik dan pembimbing utama.

2. Bapak Ir. Agus Buono, M.Si, M.Kom, selaku pembimbing kedua, atas segala bimbingan dan bantuannya.

3. Mas Teguh Pratama Januzir Sukin, atas bantuan teknis dan dukungan yang sangat berarti pada awal pelaksanaan penelitian.

4. Kedua orang tua, kakak, dan adik-adik penulis, atas cinta kasih yang kuat dalam keluarga

5. Eka Widianti, atas dukungan semangat dan motivasi yang selalu mengalir. 6. Teman-teman TEP ’38 dan TSIP ’38 yang selalu kompak, serta semua pihak

yang tidak dapat penulis sebutkan satu persatu.

Bogor, Januari 2006 Penulis

(18)

DAFTAR ISI

hal.

Kata Pengantar ... i

Daftar Isi ... ii

Daftar Tabel ... iv

Daftar Gambar ... v

Daftar Lampiran ... vii

I. PENDAHULUAN ... 1

A. Latar Belakang ... 1

B. Tujuan Penelitian ... 2

II. TINJAUAN PUSTAKA ... 4

A. Tomat (Lycopersicum esculentum Mill)... 4

1. Botani dan Sejarah Singkat ... 4

2. Budidaya dan Penanaman ... 4

3. Hama dan Penyakit ... 8

4. Manfaat dan Penggunaan ... 9

5. Penanganan Pasca Panen dan Standar Mutu ... 10

6. Teknologi Sortasi ... 14

B. Jaringan Saraf Tiruan ... 17

C. Pengklasifikasian Bayes ... 19

D. Penduga Kepekatan Parzen ... 19

E. Faktor Penghalus Sigma (σ) ... 21

F. Probabilistic Neural Network (PNN) ... 21

G. Algoritma Genetik ... 24

H. Rekombinasi ... 24

I. Mutasi ... 25

J. Seleksi ... 26

K. Pemrosesan Paralel ... 26

L. Peningkatan Kecepatan ... 27

M. Efisiensi Sistem Paralel ... 28

III. METODOLOGI PENELITIAN ... 29

(19)

B. Bahan dan Alat ... 29

C. Metode Penelitian ... 30

1. Pengambilan Data dan Pengukuran Sampel Tomat ... 30

2. Persiapan Percobaan ... 31

3. Penentuan Batasan-batasan Percobaan ... 31

4. Eksekusi Sistem ... 34

5. Analisis Data ... 35

IV. HASIL DAN PEMBAHASAN ... 36

A. Analisis Statistika Deskriptif Komputasi Paralel ... 36

1. Akurasi Klasifikasi ... 36

2. Waktu Total ... 39

B. Pengaruh Mode Pelatihan ... 42

1. Pengaruh Mode Pelatihan terhadap Akurasi Klasifikasi PNN ... 42

2. Pengaruh Mode Pelatihan terhadap Waktu Total ... 43

3. Penerapan Mode Pelatihan dalam Sistem Sortasi ... 44

C. Pengaruh Populasi Algoritma Genetik (AG) ... 45

1. Pengaruh Populasi AG terhadap Akurasi Klasifikasi PNN ... 45

2. Pengaruh Populasi AG terhadap Waktu Total ... 48

D. Peningkatan Kecepatan dan Peningkatan Akurasi ... 49

E. Efisiensi Sistem Paralel ... 52

V. KESIMPULAN DAN SARAN ... 54

A. Kesimpulan ... 54

B. Saran ... 55

Daftar Pustaka ... 56

(20)

DAFTAR TABEL

Hal.

Tabel 1. Kandungan dan komposisi buah tomat tiap 100 g bahan ... 10

Tabel 2. Syarat mutu ekspor buah tomat (SNI: 01-3162-1992) ... 13

Tabel 3. Standar klasifikasi tomat Florida di Amerika Serikat (Florida Tomato Committee, 2005) ... 13

Tabel 4. Daftar istilah algoritma genetik ... 24

Tabel 5. Spesifikasi komputer yang digunakan dalam penelitian ... 29

Tabel 6. Hasil statistika deskriptif akurasi klasifikasi ... 36

Tabel 7. Hasil statistika deskriptif waktu total ... 39

Tabel 8. Perbandingan rasio data pelatihan, akurasi klasifikasi dan waktu total pada berbagai mode pelatihan untuk mode komputasi paralel .. 45

Tabel 9. Hasil perhitungan statistika komputasi sekuensial untuk populasi AG yang berbeda ... 47

Tabel 10. Hasil perhitungan statistika komputasi paralel untuk populasi AG yang berbeda ... 47

Tabel 11. Hasil statistika deskriptif peningkatan akurasi dan kecepatan ... 50

(21)

DAFTAR GAMBAR

Hal.

Gambar 1. Keragaman bentuk, ukuran, dan warna tomat ... 6

Gambar 2. Beberapa varietas tomat di dunia dan Indonesia ... 7

Gambar 3. Perubahan warna tingkat kematangan tomat ... 12

Gambar 4. Sortasi manual dengan conveyor di usaha skala kecil ... 14

Gambar 5. Sortasi untuk pengemasan dengan mesin skala menengah ... 15

Gambar 6. Sortasi untuk tomat olahan dengan mesin skala besar ... 15

Gambar 7. Sistem sortasi dan bagian-bagiannya ... 16

Gambar 8. Bagan model sederhana jaringan saraf tiruan (JST)... 17

Gambar 9. Bagan model aktivasi sinyal jaringan saraf tiruan (JST)... 18

Gambar 10. Bagan model jaringan saraf tiruan Probabilistic Neural Network ... 22

Gambar 11. Bagan model sederhana proses rekombinasi satu titik ... 24

Gambar 12. Bagan model sederhana proses rekombinasi dua titik ... 25

Gambar 13. Bagan model sederhana proses mutasi satu titik ... 25

Gambar 14. Bagan model sederhana proses mutasi dua titik ... 26

Gambar 15. Sampel tomat varietas Permata kelas A, kelas B, dan kelas C ... 30

Gambar 16. Pengukuran panjang dan lebar tomat ... 30

Gambar 17. Ilustrasi pengambilan data untuk mode pelatihan 1 ... 33

Gambar 18. Ilustrasi pengambilan data untuk mode pelatihan 2 ... 33

Gambar 19. Diagram plot kotak akurasi klasifikasi PNN ... 37

Gambar 20. Histogram akurasi klasifikasi komputasi sekuensial dan paralel ... 38

Gambar 21. Diagram plot kotak waktu total ... 40

Gambar 22. Histogram waktu total komputasi sekuensial dan paralel ... 41

Gambar 23. Grafik pengaruh mode pelatihan terhadap akurasi klasifikasi untuk (a) populasi AG 500 individu dan (b) populasi AG 1000 individu ... 42

Gambar 24. Grafik pengaruh mode pelatihan terhadap waktu total untuk (a) populasi AG 500 individu dan (b) populasi AG 1000 individu ... 43

(22)

Gambar 25. Grafik pengaruh populasi AG terhadap akurasi klasifikasi untuk mode pelatihan: (a) mode 1, (b) mode 2, (c) mode 3, (d) mode 4, (e) mode 5, (f) mode 6, (g) mode 7, (h) mode 8, (i) mode 9 ... 46 Gambar 26. Grafik pengaruh populasi AG terhadap waktu total untuk mode

pelatihan: (a) mode 1, (b) mode 2, (c) mode 3, (d) mode 4, (e) mode 5, (f) mode 6, (g) mode 7, (h) mode 8, (i) mode 9 ... 49 Gambar 27. Diagram plot kotak peningkatan akurasi dan kecepatan ... 51

(23)

DAFTAR LAMPIRAN

Hal. Lampiran 1. Data Pengukuran Sampel Tomat Permata ... 58 Lampiran 2. Data Hasil Percobaan Populasi AG 500 individu ... 59 Lampiran 3. Data Hasil Percobaan Populasi AG 1000 individu ... 61

(24)

I. PENDAHULUAN

A. Latar Belakang

Tomat merupakan salah satu produk hortikultura yang bernilai ekonomi tinggi di dunia termasuk di Indonesia. Pada tahun 2003, produksi tomat dunia mencapai 112.31 juta ton dengan volume ekspor dunia mencapai 4.3 juta ton yang bernilai 3.4 milyar US$ (Departemen Pertanian Filipina, 2003). Total ekspor Indonesia pada tahun yang sama mencapai 27.5 ribu ton yang berarti pangsa pasar tomat Indonesia di dunia adalah sekitar 0.64%. Pasar tomat di dunia akan terus meningkat dan menguntungkan seiring dengan pertumbuhan penduduk yang pesat dan meningkatnya industri pengolahan pangan di seluruh dunia. Selain dalam bentuk tomat segar, tomat juga dikonsumsi dalam berbagai macam bentuk olahan seperti pasta, saus, jus, sari buah dan lain sebagainya.

Untuk dapat bersaing di pasaran dunia, produsen tomat harus menghasilkan produk tomat dengan kualitas tinggi. Kualitas tomat yang baik sangat ditentukan oleh penanganan pasca panen yang diterapkan. Salah satu proses dalam penanganan pasca panen yang paling kritis adalah proses sortasi. Proses sortasi selalu ada dan diperlukan pada penanganan pasca panen tomat, baik untuk produk segar maupun produk tomat olahan. Dalam konteks perdagangan bebas dan industrialisasi, di mana produksi dan pengolahan tomat telah dilakukan dalam skala industri besar, maka diperlukan proses sortasi yang akurat dan cepat. Proses sortasi yang dilakukan secara manual oleh manusia, menghasilkan produk dengan keragaman kurang baik dan juga waktu yang relatif lama. Hal ini disebabkan antara lain karena keragaman visual manusia, aspek ergonomika yaitu kelelahan manusia, dan perbedaan persepsi tentang mutu dari produk yang dihasilkan.

Perkembangan teknologi dan komputasi yang pesat telah mendorong upaya mengintegrasikan berbagai bidang kegiatan manusia dengan menggunakan komputer, termasuk kegiatan pertanian. Proses sortasi produk pertanian termasuk tomat telah dilakukan dengan bantuan mesin mulai dengan teknologi sederhana sampai keterlibatan teknologi komputer.

(25)

Di Indonesia, pengembangan teknologi untuk proses sortasi telah dilakukan dengan menerapkan berbagai metode, seperti penerapan logika fuzzy, neuro-fuzzy, aplikasi NIR (Near Infra Red), pengolahan citra digital, jaringan saraf tiruan, dan metode kecerdasan buatan lainnya. Pengembangan berbagai teknologi dan metode tersebut akan terus berlanjut untuk menghasilkan sistem sortasi otomatik dengan akurasi yang tinggi dan waktu yang singkat. Hingga saat ini, usaha mencapai akurasi tinggi dan waktu yang singkat difokuskan dengan pengembangan metode klasifikasi atau algoritma klasifikasi pada satu prosesor.

Salah satu ide pengembangan teknik sortasi untuk meningkatkan kecepatan proses adalah dengan penerapan komputasi paralel. Komputasi paralel pada dasarnya adalah usaha membagi tugas yang cukup kompleks kepada banyak prosesor sehingga waktu yang digunakan akan semakin cepat. Penerapan komputasi paralel sangat cocok untuk masalah komputasi yang rumit atau dibatasi oleh waktu yang singkat, termasuk masalah sortasi produk pertanian. Seperti diketahui, semakin cepat proses pasca panen produk pertanian maka makin baik kualitas produk tersebut.

Salah satu metode/algoritma yang handal dan banyak digunakan untuk klasifikasi adalah Probabilistic Neural Network (PNN). Keunggulan yang dimiliki PNN adalah tingkat keakuratan yang cukup tinggi dan waktu pelatihannya yang cukup singkat. Untuk meningkatkan kinerjanya, PNN dapat dikombinasikan dengan algoritma genetik dan komputasi paralel. Berdasarkan penelitian Sukin (2004), komputasi paralel bisa dijadikan salah satu alternatif solusi terbaik bagi pemecahan masalah komputasional kompleks dengan waktu pemrosesan yang lebih cepat. Jadi, penerapan komputasi paralel akan semakin mempercepat proses sortasi produk pertanian, di mana dengan algoritma yang sama dapat diperoleh waktu yang lebih singkat.

B. Tujuan Penelitian

Tujuan penelitian ini adalah menguji kinerja program komputasi paralel dengan jaringan saraf probabilistik (PNN) hasil penelitian Sukin (2004) yang diterapkan pada proses klasifikasi mutu buah tomat segar.

(26)

Tujuan khusus penelitian ini adalah:

1. Membandingkan akurasi klasifikasi dan waktu yang dibutuhkan antara proses klasifikasi dengan komputasi sekuensial dan proses klasifikasi dengan komputasi paralel.

2. Mengetahui besarnya peningkatan kecepatan dan peningkatan akurasi yang mungkin terjadi pada proses klasifikasi dengan komputasi paralel. 3. Mengetahui keunggulan dan cara kerja metode PNN (Probabilistic Neural

(27)

II. TINJAUAN PUSTAKA

A. Tomat (Lycopersicum esculentum Mill) 1. Botani dan Sejarah Singkat

Tomat (Lycopersicum esculentum Mill) merupakan salah satu jenis sayuran yang banyak diusahakan oleh petani di pedesaan terutama di dataran tinggi. Nenek moyang tomat berasal dari wilayah tropis Amerika Latin yaitu di sekitar Ekuador, Peru dan bagian utara Chili, kemudian menyebar ke Meksiko dan Amerika Utara. Diduga nama “tomatl” berasal dari bahasa Nahuatl Meksiko (Rubatzky dan Yamaguchi, 1997). Tanaman tomat mulai masuk ke benua Asia pada abad ke-16. Tahun 1811 tanaman tomat telah tersebar ke daerah pegunungan di Indonesia, dibawa oleh pedagang-pedagang dari Spanyol.

Klasifikasi tomat adalah sebagai berikut: Divisi : Spermatophyta Sub-divisi : Angiospermae Kelas : Dycotiledonae Ordo : Solanales Famili : Solanaceae Genus : Lycopersicum

Spesies : Lycopersicum esculentum Mill

2. Budidaya dan Penanaman

Tanaman tomat dapat tumbuh pada berbagai tipe tanah dengan kondisi drainase baik, banyak mengandung humus dan gembur. Sifat tanah yang cocok untuk tomat adalah tanah dengan pH 5.5-6.5. Suhu yang sesuai untuk pertumbuhan dan pembungaan tanaman tomat adalah 20-30 °C pada siang hari dan 10-20° C pada malam hari. Sedangkan suhu untuk pembentukan buah yang baik adalah antara 18-24° C. Pada suhu di bawah 15° C dan di atas 30° C pembentukan buah berlangsung buruk (Rubatzky dan Yamaguchi, 1997). Untuk pertumbuhannya tomat memerlukan sinar matahari yang cukup. Bila sinar matahari kurang tanaman akan tumbuh

(28)

memanjang (etiolasi) dan lemah. Tetapi bila sinar matahari terlalu terik dapat meningkatkan transpirasi dan memperbanyak buah dan bunga yang gugur.

Tomat termasuk tanaman tahunan (perenial) yang berumur pendek. Tanaman ini berbentuk perdu atau semak dan tingginya dapat mencapai 2 meter. Pola pertumbuhan dapat bervariasi dari tegak hingga merayap, pada spesies tertentu memiliki batang menjalar (Rubatzky dan Yamaguchi, 1997). Menurut Jaya (1997) daerah perakaran tomat dapat mencapai 1.5 meter sedang ujung akarnya dapat mencapai kedalaman 0.5 meter pada kondisi lingkungan optimum.

Batang tomat pada waktu masih muda berbentuk bulat dan teksturnya lunak, sedangkan setelah tua batangnya menjadi bersudut dan bertekstur keras berkayu sehingga mudah patah. Warna batang hijau dan permukaannya ditutupi bulu-bulu halus. Daun tomat termasuk daun majemuk dengan jumlah daun antara 5-7 helai. Bentuk daun oval, bergerigi, dan bercelah menyirip dengan ukuran panjang sekitar 15-30 cm dengan lebar 10-25 cm.

Bunga tomat bersifat hermaprodit dengan lima helai kelopak berwarna hijau dan lima helai mahkota berwarna kuning. Buahnya termasuk buah berdaging bertipe berry. Umumnya bentuk buah tomat adalah bulat, bulat pipih dan oval. Selama proses pematangan warna buah berubah dari hijau menjadi kuning. Apabila sudah matang benar, warnanya menjadi merah. Pada beberapa varietas, warna tomat juga ada yang kuning. Warna kuning disebabkan oleh karotenoid sedangkan warna merah disebabkan oleh pigmentasi likopen. Ukuran buah bervariasi, dari yang berdiameter 2 cm sampai dengan 15 cm. Bermacam bentuk, ukuran, dan warna tomat dapat dilihat pada Gambar 1. Tomat memiliki beberapa varietas. Varietas yang terkenal di dunia antara lain tomat beef, tomat roma, tomat florida, dan tomat cherry. Di Indonesia, varietas tomat yang banyak ditanam oleh petani adalah varietas hibrida, di antaranya adalah varietas intan, ratna, berlian, mutiara, arthaloka, moneymaker dan permata. Bermacam-macam varietas tomat dapat dilihat pada Gambar 2.

(29)

(a)

(b) (c)

Gambar 1. Keragaman bentuk, ukuran, dan warna tomat.1

1_{Sumber gambar:}

(a) All Info About [www. california.allinfoabout.com]; (b) Edna Bay, Alaska USA [http://pegak.mystarband.net];

(30)

a. Tomat Beef b. Tomat Roma

c. Tomat Plum d. Tomat California

e. Tomat hibrida Indonesia: Mirah, Opal, dan Zamrud

f. Tomat Florida varietas Florida 47 dan Florida 91 Gambar 2. Beberapa varietas tomat di dunia dan Indonesia.2

2_{Sumber gambar: (a) Ornamental Edibles; (b) dan (c) Hormel Foods; (d) California Tomato}

Commission; (e) Puslitbang Hortikultura, Deptan-RI; (f) Aggie Horticulture Network, Texas A&M University.

(31)

3. Hama dan Penyakit

Hama dan penyakit merupakan faktor penting yang mempengaruhi jumlah dan kualitas produksi tanaman. Hama dan penyakit tanaman tomat menyerang mulai dari pembibitan sampai pasca panen. Hama dan penyakit yang termasuk penting pada tomat karena kerugian yang ditimbulkannya antara lain:

a. Hama

- Lalat buah semangka (Dacus cucurbitae)

Lalat ini menyebabkan buah menjadi kecil dan berwana kuning. Di dalam buah terdapat terowongan-terowongan yang dibuat oleh larva karena larva memakan daging buah. Kadang-kadang lalat ini sampai menyerang batang. Batang yang terserang menjadi bisul.

- Tungau merah (Tetranychus cinnabarinus)

Gejala tanaman yang diserang tungau merah yaitu daun tua berbercak kuning, kemudian bercak meluas dan seluruh daun menjadi kuning, lalu warnanya berubah menjadi merah karat. Pada akhirnya daun mengering dan gugur.

- Thrips

Thrips menyerang tanaman dengan cara mengisap cairan tanaman. Hama ini dapat menebarkan virus yang menyebabkan bercak pada daun. Daun yang terserang berubah warna menjadi kuning, lalu coklat, mengerut, mengeriting dan akhirnya menjadi layu.

b. Penyakit

- Layu Fusarium

Penyakit Layu Fusarium disebabkan oleh jamur Fusarium oxysporum. Tanaman yang diserang mulai dari yang masih muda sampai yang telah dewasa. Tanaman yang terserang kelihatan layu dan kemudian mati. Serangan pada tanaman yang masih muda menyebabkan tanaman kerdil.

- Bercak daun (early blight)

Penyakit ini disebabkan oleh jamur Altenaria solani (E dan M) Jones dan Grout. Serangan biasanya dimulai dari daun bagian bawah

(32)

kemudian bergeser makin ke atas. Pada daun tampak bercak-bercak cokelat tua sampai hampir hitam dan bentuknya bulat dengan lingkaran-lingkaran yang konsentris. Daun yang terserang, tepinya jadi bergerigi dan pecah tidak teratur. Ketika bercak mengering daun pun gugur. Pada kondisi lain daun bisa menggulung atau mengeriting.

- Busuk basah

Penyebab penyakit busuk basah yaitu bakteri Erwinia carotovora (L.R.Jones) Hollander atau disebut juga Bacillus caratovorus. Penyakit ini menyerang daun, batang dan buah, menimbulkan bercak berwarna cokelat tua kehitaman dan kelihatan basah. Apabila yang diserang batang tomat, maka tanaman akan roboh. Bila keadaan memungkinkan, penyakit akan cepat menjalar ke seluruh tubuh tanaman.

4. Manfaat dan Penggunaan

Tomat merupakan komoditi multiguna. Menurut Rubatzky dan Yamaguchi (1997), penggunaan tomat berkaitan dengan rasanya yang masam dan aromanya yang khas serta fungsinya sebagai sumber provitamin A dan vitamin C. Kandungan gizi pada tomat secara lengkap dapat dilihat pada Tabel 1.

Duriat (1997) mengatakan bahwa tomat berfungsi sebagai sayuran, bumbu masak, buah meja, penambah nafsu makan, minuman, bahan pengawet makanan sampai pada bahan kosmetika dan obat-obatan. Buah tomat juga dapat digunakan untuk membantu proses penyembuhan penyakit sariawan, gusi dan rabun ayam. Selain itu tomat mengandung karoten yang berfungsi sebagai pembentuk provitamin A dan likopen yang mampu mencegah kanker, terutama kanker prostat pada pria.

Selain dikonsumsi dalam bentuk segar, tomat juga banyak dimanfaatkan sebagai bahan penyedap masakan seperti pada masakan Mediterania dan Timur Tengah. Penggunaan tomat dalam masakan

(33)

bervariasi dalam bentuk saus tomat, pasta, puree, sup tomat, jus tomat dan sebagainya.

Tabel 1. Kandungan dan komposisi buah tomat tiap 100 g bahan

Kandungan Gizi

Macam tomat

Buah muda Buah masak Sari buah

1 2

Energi (kal) 23 20 19

Protein (g) 2 1 1 15

Lemak (g) 0.70 0.30 0.20 0.20

Karbohidrat (g) 20.30 4.20 4.10 3.50

Serat (g) - - 0.80 -

Abu (g) - - 0.60 -

Kalsium (mg) 5 5 18 7

Fosfor (mg) 27 57 18 15

Zat besi (mg) 0.50 0.50 0.80 0.40

Natrium (mg) - - 4.0 -

Kalium (mg) - - 266 -

Vitamin A (SI) 320 1500 735 600

Vitamin B1 (mg) 0.07 0.06 0.06 0.05

Vitamin B2 (mg) - - 0.04 -

Niacin (mg) - - 0.60 -

Vitamin C (mg) 30 40 29 10

Air (g) 93 94 94.10 94

Sumber: - Direktorat Gizi Depkes RI (1981) dan

- Food and Nutrition Research Center – Hand Book No. 1 Manila (1964) dalam Larasati (2003)

5. Penanganan Pasca Panen dan Standar Mutu

Penanganan pasca panen merupakan kegiatan terakhir pada suatu proses budidaya tanaman. Tujuan dari kegiatan ini adalah untuk memperkecil respirasi, memperkecil transpirasi, mencegah infeksi atau luka, memelihara estetika dan memperoleh harga jual yang tinggi (Yayasan Bunga Nusantara dan Ditjen Pertanian Tanaman Pangan dan Hortikultura, 1987). Kegiatan pasca panen berpengaruh terhadap mutu

(34)

produk hingga sampai ke tangan konsumen. Secara umum tomat dimanfaatkan sebagai buah segar dan produk olahan. Penanganan pasca panen untuk kedua jenis tersebut relatif sama mulai dari panen, pembersihan/pencucian dan sortasi. Untuk produk tomat segar, setelah tahap sortasi, dilakukan tahap pengemasan dan penyimpanan. Sedangkan untuk produk tomat olahan, setelah tahap sortasi, dilakukan proses pengolahan seperti pencincangan, perebusan, dan kemudian tahap pengemasan dan penyimpanan.

Pemanenan tomat dapat dilakukan pada saat tanaman berumur 75 Hari Setelah Tanam, tergantung varietasnya atau tergantung pada tujuan pemasaran dan waktu pengangkutan. Tingkat kematangan buah pada saat panen mempengaruhi mutu buah. Mutu yang baik diperoleh jika buah dipanen pada tingkat kematangan yang tepat. Panen buah tomat yang belum matang akan menghasilkan mutu yang jelek. Sebaliknya penundaan waktu panen yang terlalu lama dapat menyebabkan tomat mudah busuk. Tingkat kematangan tomat dibagi menjadi tiga fase, yaitu fase masak hijau, fase pecah warna dan fase matang (Trisnawati dan Setiawan, 2002). Fase masak hijau ditandai dengan ujung buah tomat yang sudah mulai berwarna kuning gading. Pada fase pecah warna, ujung buah tomat menjadi berwarna merah jambu atau kemerah-merahan. Pada fase matang, sebagian besar permukaan buah sudah berwarna merah jambu atau merah. Di negara maju, standar tingkat kematangan tomat dibuat lebih spesifik menjadi enam fase, yang meliputi: Green, Breakers, Turning, Pink, Light Red, dan Red. Ilustrasi berbagai tingkat kematangan tomat dapat dilihat pada Gambar 3.

Pengelompokkan mutu tomat dilakukan tergantung jenis tomat dan standar masing-masing negara. Selain menggunakan tingkat kematangan, mutu tomat juga dikelompokkan berdasarkan ukuran fisik seperti diameter dan berat.

(35)

Gambar 3. Perubahan warna tingkat kematangan tomat.3

Contoh pengelompokkan tomat berdasarkan berat adalah tomat varietas Arthaloka yang paling banyak ditanam oleh petani di Indonesia, dikelompokkan dalam 3 kelas mutu, yaitu mutu A dengan berat buah di atas 150 g, mutu B antara 100-150 g dan mutu C di bawah 100 g. Berdasarkan Standar Industri Indonesia, tomat untuk tujuan ekspor dibagi

3_{Sumber gambar: Florida Fruit & Vegetables Association}

[http://www.ffva.com/publications/harvester/Jan05_images/green_chart.jpg] dengan perubahan seperlunya.

(36)

menjadi dua jenis mutu yaitu mutu I dan mutu II. Secara khusus, SNI tidak menyebutkan pengelompokkan tomat berdasarkan ukuran atau bobot tertentu melainkan lebih ditekankan pada keseragaman produk tomat untuk diekspor. Syarat mutu ekspor buah tomat secara lengkap dapat dilihat pada Tabel 2.

Tabel 2. Syarat mutu ekspor buah tomat (SNI: 01-3162-1992) Karakteristik Syarat mutu

Mutu I Mutu II

Kesamaan sifat

varietas Seragam Seragam

Tingkat ketuaan

Tua tapi tidak terlalu matang, tidak terlalu lunak

Ukuran Seragam Seragam

Kotoran Tidak ada Tidak ada

Kerusakan

maksimum (%) 5 10

Busuk

maksimum(%) 1 1

Di negara maju, pengelompokkan tomat terutama didasarkan pada ukuran diameter. Hal ini disebabkan jenis tomat yang diproduksi adalah yang berbentuk bulat dan tidak pipih. Untuk jenis tomat yang lonjong seperti tomat roma atau tomat plum, parameter pengelompokkan ditambah dengan ukuran panjang yang menunjukkan jarak antara pangkal hingga ujung tomat. Contoh pengelompokkan berdasarkan ukuran adalah standar mutu untuk tomat Florida di Amerika yang dapat dilihat pada Tabel 3. Tabel 3. Standar klasifikasi tomat Florida di Amerika Serikat (Florida

Tomato Committee, 2005)

Ukuran Kelas Diameter minimum (inchi) Diameter maksimum (inchi)

6 x 7 29₃₂ 219₃₂

6 x 6 217₃₂ 229₃₂

6 x 5 225₃₂ _-

Pengelompokkan berdasarkan warna dilakukan untuk keseragaman produk dan pengelompokkannya sesuai dengan tingkat kematangan tomat.

(37)

6. Teknologi Sortasi

Proses sortasi merupakan salah satu bagian dalam penanganan pasca panen yang selalu diperlukan baik untuk produk tomat segar maupun produk tomat olahan. Teknologi sortasi telah berkembang cukup pesat sejak dimulainya pengembangan pertanian skala industri.

a. Sortasi dengan tenaga manusia

Proses sortasi dengan tenaga manusia merupakan tahap awal dalam perkembangan teknologi sortasi. Untuk skala usaha kecil, proses sortasi masih dapat dilakukan oleh manusia secara penuh. Di Indonesia, proses sortasi semacam ini masih banyak dilakukan mengingat skala usaha yang relatif kecil dan ketersediaan tenaga kerja. b. Sortasi manual dengan mesin conveyor

Pada skala usaha yang lebih besar, bantuan mesin mulai diterapkan dalam proses sortasi dalam bentuk conveyor namun proses seleksi masih dilakukan oleh manusia. Teknologi semacam ini dapat dijumpai baik untuk tomat segar di packing house maupun untuk tomat olahan di pabrik. Ilustrasi teknologi ini pada Gambar 4.

Gambar 4. Sortasi manual dengan conveyor di usaha skala kecil.4

c. Sortasi dengan mesin skala kecil dan sedang

Meningkatnya jumlah produksi dan berkurangnya tenaga kerja melatarbelakangi penerapan sortasi otomatik dengan menggunakan mesin berukuran kecil atau sedang. Contoh penerapan teknologi ini adalah di negara Malaysia untuk sortasi buah tomat segar. Mesin yang digunakan adalah mesin sortasi berdasar berat dan warna buatan Belanda. Ilustrasi mengenai teknologi ini dapat dilihat pada Gambar 5.

4_{Sumber gambar: American Farmer}

(38)

Gambar 5. Sortasi untuk pengemasan dengan mesin skala menengah.5 d. Sortasi dengan mesin skala besar

Pada usaha dengan skala yang sangat besar, keberadaan mesin dalam proses sortasi sangat penting dan diperlukan. Kemampuan mesin juga ditingkatkan untuk mengimbangi jumlah bahan yang akan disortasi dan batasan waktu yang singkat. Contoh penerapan komputerisasi proses sortasi adalah perusahaan pembuat produk tomat olahan Morning Star di California, Amerika Serikat. Ilustrasi proses sortasi dapat dilihat pada Gambar 6.

Gambar 6. Sortasi untuk tomat olahan dengan mesin skala besar.6

5_{Sumber gambar: TPU, Universiti Putra Malaysia [http://www.tpu.upm.edu.my/cameron.htm]} 6_{Sumber gambar: Morning Star Company [http://www.morningstarco.com]}

(39)

Kegiatan penghitungan dan sortasi merupakan kegiatan yang paling dominan dalam proses agroindustri. Instrumen yang digunakan perlu memiliki akurasi yang baik, obyektif, baku, dan cepat (Seminar, 2000). Secara garis besar, teknologi sortasi terutama dengan penerapan mesin sortasi paling tidak memerlukan tiga bagian utama yaitu bagian instrumen pengindra, bagian prosesor, dan bagian aktuator. Instrumen pengindera diperlukan untuk mendeteksi dan mengukur parameter yang berhubungan dengan objek bio dan lingkungannya pada waktu dan lokasi yang spesifik. Keluaran dari bagian instrumen pengindra menjadi masukan bagi bagian prosesor. Bagian prosesor melakukan pengolahan dan manipulasi data secara cepat, akurat, dan obyektif; menghasilkan keputusan atau rekomendasi bagi objek bio yang disortasi. Sedangkan aktuator adalah perangkat keras yang digunakan untuk mengaktualisasikan rekomendasi atau keputusan yang dihasilkan oleh bagian prosesor. Gambar 7 menunjukkan ilustrasi sistem sortasi dan bagian-bagiannya.

Pengembangan teknologi sortasi dapat dilakukan dengan mengembangkan bagian-bagian yang menyusunnya. Bagian instrumen pengindra berkembang dengan penggunaan dan pemilihan teknologi sensor yang dapat mengidentifikasi parameter objek dengan tepat dan cepat. Bagian prosesor berkembang dengan penerapan berbagai teknik atau metode termasuk metode numerik yang dapat melakukan klasifikasi secara cepat, akurat, dan obyektif. Sedangkan bagian aktuator dikembangkan dengan merancang mekanisme perangkat keras sehingga mampu memindahkan objek dengan cepat tanpa merusak objek tersebut.

Gambar 7. Sistem sortasi dan bagian-bagiannya.

sistem sortasi objek

Instrumen pengindra

parameter alami

Prosesor parameter

numerik

Aktuator aksi terhadap

objek _{keputusan /}

(40)

B. Jaringan Saraf Tiruan

Menurut Fu (1994), Jaringan Saraf Tiruan (JST) merupakan suatu sistem pemrosesan informasi digital yang memiliki karakteristik-karakteristik seperti jaringan saraf pada makhluk hidup. Gambar 8 berikut ini menunjukkan model sederhana JST.

Gambar 8. Bagan model sederhana jaringan saraf tiruan (JST).

Pada dasarnya, pemrosesan informasi pada JST mengacu pada pemrosesan informasi yang terjadi pada sel-sel saraf biologis, yaitu dengan pemancaran sinyal elektro kimia melalui serabut-serabut saraf (neuron). Pada jaringan saraf biologis, apabila suatu neuron mendapatkan suatu sinyal elektro kimia yang melebihi suatu ambang tertentu, maka neuron tersebut akan meneruskan sinyal tersebut kepada neuron yang lain melalui sinapsis. Dan begitu pula sebaliknya, apabila sinyal yang diterima neuron tidak mencapai ambang tersebut maka sinyal tidak akan diteruskan kepada neuron-neuron yang lain.

. . .

Lapisan Masukan

Lapisan Tersembunyi

Lapisan Keluaran

Koneksi Maju Koneksi Berulang

(41)

Pada JST, setiap neuron menerima input (x) dari setiap neuron lain yang dikalikan dengan suatu nilai pembobotan (w) yang sesuai. Total penjumlahan akumulatif dari himpunan input terboboti dinamakan dengan level aktivasi. Level aktivasi inilah yang akan menentukan kemungkinan apakah suatu neuron dapat meneruskan sinyal ataukah tidak kepada neuron-neuron yang lain. Model aktivasi sinyal JST ditunjukkan pada Gambar 9.

Gambar 9. Bagan model aktivasi sinyal jaringan saraf tiruan (JST).

∑

= n

i t tW

X asi LevelAktiv

... (1) dengan

X : Input ke-i

W : Bobot untuk input ke-i

Sebelum dapat digunakan, JST harus diberikan pelatihan terlebih dahulu. Pelatihan ini diperlukan untuk menemukan nilai pembobotan yang tepat bagi JST agar keluarannya menjadi benar.

Pola pelatihan yang diterapkan bagi JST ada dua macam, yaitu pelatihan Supervised dan pelatihan Unsupervised. JST dikatakan belajar dengan Supervised apabila output yang diinginkan telah diketahui. Sedangkan JST dikatakan belajar dengan Unsupervised bila output yang diinginkan tidak diketahui.

Xn . . .

(42)

C. Pengklasifikasian Bayes

Menurut Rish (2004), pengklasifikasian Bayes merupakan suatu metode klasifikasi yang menggunakan suatu fungsi diskriminan pada peluang posterior kelas. Fungsi klasifikasi yang digunakan oleh kelas i dapat dinotasikan dengan:

)

|

(

)

(

P

x

P

ω

dengan ) ( _i

P ω : Peluang kelas i )

| (x _i

P ω : Peluang bersyarat x jika masuk ke dalam kelas i X : Vektor input

ω : Kelas i

Pengklasifikasian Bayes banyak digunakan pada PNN. Dengan menggunakan metode Bayes, klasifikasi dapat dilakukan seoptimal mungkin dengan cara meminimalisir nilai kerugian yang terjadi bila terjadi kesalahan klasifikasi. Pada kasus di mana terdapat dua kelas, untuk mengklasifikasikan input x agar masuk ke dalam kelas A, maka harus dipenuhi syarat:

) ( )

(x h c f x f

h_A _A _A > _B _B _B dengan

h : Kemungkinan contoh terambil dari kelas A

h : Kemungkinan contoh terambil dari kelas B

c : Biaya yang dikorbankan bila terjadi kesalahan klasifikasi input A

c : Biaya yang dikorbankan bila terjadi kesalahan klasifikasi input B

f : Fungsi kepekatan A

f : Fungsi kepekatan B

Apabila syarat persamaan di atas tidak terpenuhi, maka input x dimasukkan ke dalam kelas B.

D. Penduga Kepekatan Parzen

Menurut Fu (1994), Fungsi kepekatan yang digunakan untuk PNN yang berkaitan dengan data multivariat adalah fungsi kepekatan Parzen.

(43)

Fungsi Parzen merupakan suatu prosedur non parametrik yang mensintesis penduga Probability Density Function (PDF) Gauss. Fungsi Parzen akan memberikan keputusan klasifikasi setelah menghitung PDF untuk setiap kelas melalui pola pelatihan yang ada.

Pada fungsi Parzen terdapat fungsi pembobot yang disebut dengan fungsi Kernel (K(x)). Fungsi Parzen untuk data multivariat dapat dinotasikan dengan: ∑ ⎟ ⎠ ⎞ ⎜ ⎝ ⎛ − = = n i i x x K n x g 1 2 1 ) ( σ σ

Sedangkan fungsi Kernel yang digunakan adalah fungsi Gauss dinotasikan dengan: ⎟⎟ ⎠ ⎞ ⎜⎜ ⎝ ⎛ −

= ₂2

2 2 exp ) 2 ( 1 ) ( σ π σ x x K _d

Maka kita mendapatkan fungsi kepekatan untuk kelas A sebagai berikut:

∑

= ⎟⎟⎠ ⎞ ⎜⎜ ⎝ ⎛− − −

= NA

i Ai T Ai d d A A x x x x N x f 1 2 2 2 ) ( ) ( exp ) 2 ( 1 ) ( σ π σ

Jadi dapat dinotasikan:

N N

P A

A)=

(ω

∑

= ⎟⎟⎠ ⎞ ⎜⎜ ⎝ ⎛− − −

= NA

i Ai T Ai d d A A x x x x N x P 1 2 2 2 ) ( ) ( exp ) 2 ( 1 ) | ( σ π σ ω Sehingga:

∑

= ⎟⎟⎠ ⎞ ⎜⎜ ⎝ ⎛− − −

= NA

i Ai T Ai d d A A x x x x N x P P 1 2 2 2 ) ( ) ( exp ) 2 ( 1 ) | ( ) ( σ π σ ω ω dengan ) ( A

P ω : Peluang kelas A )

| (x A

P ω : Peluang bersyarat x jika masuk ke dalam kelas A

x : Pola pelatihan ke-i kelas A d : Dimensi vektor input

(44)

NA : Jumlah pola pelatihan kelas A

N : Jumlah pola pelatihan seluruh kelas σ : Faktor penghalus

E. Faktor Penghalus Sigma (σ)

Menurut Lee, D.X, et.al. (2004), σ merupakan suatu nilai parameter yang berguna untuk menghaluskan fungsi kernel. Secara tidak langsung nilai σ berperan pula dalam menentukan ketepatan klasifikasi PNN. Nilai σ tidak dapat ditentukan secara langsung, akan tetapi bisa didapatkan melalui metode statistik maupun dari hasil coba-coba. Pada penelitian ini, nilai σ didapatkan melalui Algoritma Genetik.

F. Probabilistic Neural Network (PNN)

Menurut Patterson (1996), PNN merupakan JST yang menggunakan teorema probabilitas klasik seperti pengklasifikasian Bayes dan penduga kepekatan Parzen. Proses yang dilakukan oleh PNN dapat berlangsung lebih cepat bila dibandingkan dengan JST Back Propagation. Hal ini terjadi disebabkan PNN hanya membutuhkan satu kali iterasi pelatihan bila dibandingkan dengan JST Back Propagation yang membutuhkan beberapa kali iterasi dalam proses pelatihannya.

Walaupun demikian, keakuratan dari klasifikasi PNN sangat ditentukan oleh nilai σ dan pola pelatihan yang diberikan. Bila nilai σ yang diterapkan pada PNN tepat, maka akurasi klasifikasi akan mendekati atau mencapai 100 %. Bila nilai σ yang diterapkan tidak tepat maka akurasi klasifikasi PNN akan berkurang.

Demikian pula dengan pola pelatihan PNN. Apabila pola pelatihan dan data masukan pada satu kelas yang sama sangat berbeda jauh nilainya, maka PNN akan mengekstrapolasi data masukan tersebut. Hal inilah yang nantinya akan mengakibatkan akurasi klasifikasi PNN turun cukup drastis.

Gambar 10 menunjukkan arsitektur Jaringan Saraf Tiruan PNN (Probabilistic Neural Network) untuk dua kategori (dua kelas).

(45)

Gambar 10. Bagan model jaringan saraf tiruan Probabilistic Neural Network.

PNN terdiri atas empat lapisan, yaitu: 1. Lapisan Masukan

Berfungsi untuk menampung data masukan untuk PNN. Sebelum dilakukan pengolahan oleh PNN, setiap vektor masukan yang masuk harus dinormalisasi terlebih dahulu.

) (X i Normalisas O= dengan

X = Vektor Data Masukan berdimensi n

Neuron A1 Neuron A2 . . . . . . . . . Neuron An Neuron B1 Neuron B2 . . . . . . . . . Neuron Bn X1 X2 Xn . . . . . . . . .

fA(x)

fB(x)

Pilih kelas ωi

dengan fωi(x)

yang maksi-mum . . . . . . . . . . . . . . . . . . . . . . . Lapisan Pola Lapisan Penjumlahan Lapisan Keluaran Lapisan Masukan

(46)

2. Lapisan Pola

Berfungsi untuk menampung pola pelatihan dari setiap kelas. ⎟⎟ ⎠ ⎞ ⎜⎜ ⎝ ⎛ −

=exp ( ₂) 1

σki T W X O dengan

X : Vektor Data masukan berdimensi n Wki : Pola pelatihan ke-i dari kelas K

σ : Parameter penghalus

3. Lapisan Penjumlahan

Berfungsi untuk menampung hasil penjumlahan setiap kelas pada lapisan pola

∑

= ⎟⎟⎠ ⎞ ⎜⎜ ⎝ ⎛ −

= NK

i ki T W X O 1 2 1 ) ( exp σ dengan

X : Vektor Data masukan berdimensi n Wki : Pola pelatihan ke-i dari kelas K

σ : Parameter penghalus; NK : Banyak pola pelatihan kelas K

4. Lapisan Keluaran

Berfungsi untuk menentukan keputusan klasifikasi.

⎪ ⎪ ⎩ ⎪ ⎪ ⎨ ⎧ ⎟ ⎟ ⎠ ⎞ ⎜ ⎜ ⎝ ⎛ − ≤ ⎟⎟ ⎠ ⎞ ⎜⎜ ⎝ ⎛ − ⎟ ⎟ ⎠ ⎞ ⎜ ⎜ ⎝ ⎛ − > ⎟⎟ ⎠ ⎞ ⎜⎜ ⎝ ⎛ − =

∑

= = = = k L k L N i N j lj T ki T N i N j lj T ki T W X W X KelasL W X W X KelasK O 1 1 2 2 1 1 2 2 1 ) exp 1 ) exp , 1 ) exp 1 ) exp , σ σ σ σ dengan

X : Vektor Data masukan berdimensi n Wki : Pola pelatihan ke-i dari kelas K

Wlj : Pola pelatihan ke-i dari kelas L

σ : Parameter penghalus

NK : Banyak pola pelatihan kelas K

(47)

G. Algoritma Genetik

Menurut Michalewicz (1995), algoritma genetik adalah suatu teknik proses komputasi yang pada dasarnya meniru teori evolusi alamiah. Pada algoritma ini, terdapat proses-proses utama yang menjadi prinsip utama dalam evolusi, yaitu kawin silang (recombination) dan mutasi (mutation). Algoritma ini menggunakan sistem seleksi alamiah (natural selection) terhadap individu baru yang muncul dari evolusi individu sebelumnya. Diharapkan individu solusi yang terseleksi merupakan individu solusi yang lebih baik bila dibandingkan dengan individu solusi yang lainnya. Istilah-istilah alam yang berkaitan dengan algoritma genetik selengkapnya pada Tabel 4.

Tabel 4. Daftar istilah algoritma genetik

No. Alam Komputer

1. Individu Solusi dari permasalahan 2. Populasi Gugus solusi 3. Kecocokan (fitness) Kualitas dari solusi 4. Kromosom Untaian gen

5. Gen Variabel permasalahan berupa digit biner

6. Lokus Posisi gen pada kromosom

7. Alel Gen yang memiliki lokus yang sepadan 8. Rekombinasi dan

Mutasi

Operator pencarian (operator genetik) H. Rekombinasi

Menurut Tandriarto (2002), rekombinasi adalah proses materi genetik dengan menggabungkan dua individu leluhur untuk mendapatkan satu atau lebih keturunan. Penggambaran rekombinasi satu titik pada lokus ke-3 ditunjukkan pada Gambar 11.

Gambar 11. Bagan model sederhana proses rekombinasi satu titik. 1 0 1 1 0

1 1 0 0 1 B

1 1 0 1 0

0 0 1 1 1

1 1 0 1 0

C 0 0 1

1 1 D

Tetua _{Rekombinasi satu}

titik

(48)

Pada individu A dan Individu B terjadi rekombinasi dari lokus ke-3 sampai lokus terakhir. Masing-masing fragmen kromosom kemudian saling bertukar posisi sehingga terbentuk dua individu baru C dan D. Sedangkan penggambaran rekombinasi dua titik pada lokus ke-3 sampai lokus ke-4 ditunjukkan pada Gambar 12.

Gambar 12. Bagan model sederhana proses rekombinasi dua titik. Pada Individu A dan B terjadi rekombinasi dari lokus 3 sampai ke-4 dan tiap fragmen kromosom kemudian saling bertukar posisi sehingga terbentuk dua individu baru C dan D.

Pada penelitian ini, operator rekombinasi Algoritma Genetik yang digunakan adalah rekombinasi satu titik.

I. Mutasi

Menurut Tandriarto (2002), mutasi adalah proses materi genetik dengan pengubahan alel, membalik urutan lokus, atau mengacak urutan lokus individu leluhur sehingga terbentuk individu baru. Operator mutasi yang sering digunakan dalam Algoritma Genetik adalah mutasi pembalikan dengan operator satu titik dan operator dua titik. Ilustrasi mutasi pembalikan satu titik pada lokus ke-2 dapat dilihat pada Gambar 13.

Gambar 13. Bagan model sederhana proses mutasi satu titik.

1 0 1 1 0

A B 1 1 1 1 0

Tetua Zuriat

1 0 1 1 0

1 1 0 0 1

1 1 0

1 0

0 0

1 1

1 0

C 0 0

1 1

Tetua _{Rekombinasi dua}

titik

(49)

Pada Gambar 13 tampak bahwa Individu A mengalami mutasi pada lokus ke-2. Gen pada lokus yang bermutasi ini mengalami pembalikkan gen dari 0 menjadi 1 sehingga terbentuk individu baru yaitu Individu B.

Penggambaran mutasi pembalikan dua titik pada lokus ke-2 dan lokus ke-3 dapat dilihat pada Gambar 14.

Gambar 14. Bagan model sederhana proses mutasi dua titik.

Individu A pada Gambar 14 mengalami mutasi pada lokus ke-2 dan ke-3. Gen pada lokus ke-2 mengalami pembalikan dari 0 menjadi 1 sedangkan gen pada lokus ke-3 mengalami pembalikan dari 1 menjadi 0 sehingga terbentuk Individu B.

Operator mutasi Algoritma Genetik yang digunakan pada penelitian ini adalah mutasi satu titik.

J. Seleksi

Menurut Tandriarto dalam Sukin (2004), seleksi merupakan proses penyaringan individu-individu dari populasi yang ada berdasarkan nilai ketahanan hidupnya (fitness) secara alamiah.

Semakin tinggi nilai fitness-nya maka peluang individu tersebut untuk bertahan hidup dan membentuk regenerasi individu baru semakin besar. Sedangkan individu yang memiliki nilai ketahanan hidup kecil secara alamiah akan tersisih dan punah sehingga tidak mungkin membentuk generasi baru.

K. Pemrosesan Paralel

Menurut Pacifico, et.al. (1998), Pemrosesan Paralel adalah penggunaan banyak prosesor yang saling bekerja sama satu sama lain untuk mencari suatu solusi tunggal dari suatu permasalahan. Pemrosesan paralel dapat digunakan untuk beberapa keperluan, di antaranya adalah untuk

1 0 1 1 0

A B 1 1 0 1 0

(50)

mempercepat waktu eksekusi dan mendistribusikan pencarian solusi dari permasalahan yang sangat kompleks.

L. Peningkatan Kecepatan

Dalam konteks komputasi paralel, peningkatan kecepatan menunjukkan seberapa cepat proses komputasi paralel dibandingkan dengan komputasi sekuensial. Pada dasarnya, peningkatan kecepatan (Speed Up) dirumuskan sebagai

Tp T Sp= 1 dengan

Sp : Peningkatan kecepatan

T1 : Waktu eksekusi dari algoritma sekuensial

Tp : Waktu eksekusi dari algoritma paralel

P : Jumlah prosesor yang terlibat dalam komputasi paralel

Menurut Hukum Amdahl (1967), peningkatan dari pemrosesan paralel tidak hanya bergantung pada banyaknya prosesor yang digunakan, akan tetapi lebih dipengaruhi oleh fraksi rasio antara intruksi sekuensial dengan keseluruhan intruksi pada suatu program.

F N F SpeedUp + ⎟ ⎠ ⎞ ⎜ ⎝ ⎛ − = 1 1 , dan par sek sek I I I F + = dengan

SpeedUp : Peningkatan kecepatan

F : Fraksi rasio intruksi sekuensial terhadap keseluruhan intruksi 1-F : Fraksi rasio intruksi paralel terhadap keseluruhan intruksi Isek : Intruksi Sekuensial

Ipar : Intruksi Paralel

N : Banyaknya prosesor

Hukum Amdahl menunjukkan bahwa peningkatan kinerja dari kecepatan (SpeedUp) proses paralel dengan F=0.01 hanya naik 10 kali lipat walaupun jumlah prosesor dinaikkan sebanyak 100 kali lipat (dari 10 buah

(51)

menjadi 1000 buah). Jadi nilai F pada program komputasi harus terus diperkecil untuk meningkatkan kecepatan pemrosesan paralel.

Bila hanya diketahui waktu pemrosesan intruksi paralel dan waktu pemrosesan intruksi sekuensial saja, maka perumusan SpeedUp menjadi:

N T T

T T SpeedUp

par sek

+ + =

dengan

SpeedUp : Peningkatan kecepatan

Tpar : Waktu yang dibutuhkan sebuah prosesor untuk mengeksekusi

perintah paralel

Tsek : Waktu yang dibutuhkan sebuah prosesor untuk mengeksekusi

perintah sekuensial N : Banyaknya prosesor

M.Efisiensi Sistem Paralel

Efisiensi adalah rasio antara Speed Up dengan banyaknya prosesor.

N SpeedUp Efficiency=

dengan

Efficiency : Efisiensi sistem paralel SpeedUp : Peningkatan kecepatan N : Banyaknya prosesor

(52)

III. METODOLOGI PENELITIAN

A. Tempat dan Waktu

Penelitian dilaksanakan di dua tempat yaitu di Laboratorium Biologi SMU N 1 Tegal, dan Wisma Deboy, Komplek Balumbang Jaya No 8, Darmaga, Bogor. Waktu penelitian adalah selama empat bulan yaitu dari bulan Juni sampai September 2005.

B. Bahan dan Alat

Dalam penelitian ini digunakan bahan utama berupa buah tomat segar varietas Permata yang diperoleh dari Kelompok Tani Desa Sumbaga, Kecamatan Bumijawa, Kabupaten Tegal. Buah tomat dikelompokkan menjadi tiga kelas mutu A, B, dan C. Pengelompokkan buah tomat dilakukan secara langsung oleh petani dan pedagang setempat berdasarkan kebiasaan di daerah tersebut dan dilakukan secara manual melihat kemulusan dan ukuran tomat. Untuk kepentingan penelitian, masing-masing kelas mutu diambil sampel sebanyak 50 buah, sehingga total sampel yang diperoleh adalah sebanyak 150 sampel, terdiri atas 50 sampel mutu A, 50 sampel mutu B dan 50 sampel mutu C. Gambar 15 adalah contoh tomat Permata dari ketiga kelas.

Peralatan yang digunakan dalam penelitian ini adalah jangka sorong, neraca Ohauss, dan dua buah komputer yang terhubung secara paralel melalui kartu jaringan. Spesifikasi kedua komputer dapat dilihat pada Tabel 5. Untuk kabel penghubung dua komputer digunakan kabel UTP (Unshielded Twisted Pair) dengan konektor RJ-45 dan panjang 2 meter. Sistem Operasi yang digunakan adalah Windows XP Professional dan program komputasi paralel yang digunakan adalah program komputer hasil penelitian Sukin (2004). Tabel 5. Spesifikasi komputer yang digunakan dalam penelitian

Komponen Komputer 1 Komputer 2 Prosesor AMD Duron 1.8 GHz AMD Athlon 1.75 GHz Memori (RAM) 256 Mb 128 Mb

(53)

lebar _panjang Gambar 15. Sampel tomat varietas Permata kelas A, kelas B, dan kelas C. C. Metode Penelitian

Penelitian ini dilakukan dalam beberapa tahapan dan metode sebagai berikut: 1. Pengambilan Data dan Pengukuran Sampel Tomat

Dalam penelitian ini akan digunakan tiga parameter sebagai parameter mutu buah tomat, yaitu parameter bobot, panjang, dan lebar. Pemilihan tiga parameter tersebut dilakukan dengan pertimbangan bahwa pada tingkat petani buah tomat segar di Indonesia terutama di Jawa Tengah, parameter mutu yang digunakan adalah ukuran fisik dan bobot buah tomat. Pertimbangan lainnya adalah ketiga parameter mutu yang dipilih tersebut relatif mudah diperoleh dan dapat dilakukan pengukuran secara sederhana sehingga akan menyederhanakan penelitian. Seluruh sampel kemudian diukur parameter bobot, panjang, dan lebarnya. Pengukuran bobot dilakukan dengan menggunakan neraca Ohauss, sedangkan panjang dan lebar tomat diukur dengan menggunakan jangka sorong seperti ditunjukkan Gambar 16. Pengukuran dilakukan terhadap seluruh sampel yaitu 50 sampel tiap kelas, sehingga secara keseluruhan terdapat 150 set data yang tiap set data terdiri atas bobot (gram), panjang (cm) dan lebar (cm). Hasil pengukuran dapat dilihat pada Lampiran 1.

(1)

Patterson, Dan W. 1996. Artificial Neural Networks: Theory and Applications.

Prentice Hall, Singapura

Rish, I. 2004. An empirical study of the naïve Bayes classifier.

http://www.intellektik.informatik.tu-darmstadt.de/~tom/IJCAI01/Rish.pdf

.

[09-08-2004].

Rubatzky, V.E. dan Yamaguchi, M. 1997. Sayuran Dunia Tiga. Penerbit ITB,

Bandung.

Seminar, K.B., Buono, A., dan Sukin, T.P.J. 2005. Desain dan Uji Komputasi

Paralel Penentuan Nilai Penghalus (

σ

) Algoritma Jaringan Syaraf

Probabilistik (PNN) untuk Klasifikasi Bunga Iris. Jurnal Ilmiah Ilmu

Komputer. Vol 3, No.1, hal 19-31

Seminar, K.B. 2000. Precision Agriculture: Paradigma dan Aplikasi. Agrimedia

ISSN 0853-8468 Vol.6 No.1

Soleh, Ahmad Zanbar. 2005. Ilmu Statistika: Pendekatan Teoritis dan Aplikatif

disertai Contoh Penggunaan SPSS. Penerbit Rekayasa Sains, Bandung

Sukin, T.P.J., 2004. Desain dan Implementasi Komputasi Paralel dengan

Algoritma Genetik untuk Prapemrosesan

Probabilistic Neural Network

.

Skripsi. Departemen Ilmu Komputer. Fakultas Matematika dan Ilmu

Pengetahuan Alam, IPB, Bogor

Trisnawati, Y. dan Setiawan, A.I. 2002. Tomat: Pembudidayaan Secara Komersil.

Penebar Swadaya. Jakarta.

Yayasan Bunga Nusantara dan Ditjen Tanaman Pangan dan Hortikultura. 1987.

Budidaya Tanaman Berbunga Indah. Yayasan Bunga Nusantara dan

Ditjen Tanaman Pangan dan Hortikultura, Jakarta.

(2)

Lampiran 1. Data Pengukuran Sampel Tomat Permata

sampel tomat A tomat B tomat C

no Bobot (gram)

Panjang (cm)

Lebar (cm)

Bobot (gram)

Panjang (cm)

Lebar (cm)

Bobot (gram)

Panjang (cm)

Lebar (cm)

1 67.7 5.0 4.5 50.5 5.0 4.3 36.4 3.8 3.9

2 64.7 5.2 4.5 46.1 4.7 4.4 26.5 3.6 3.7

3 60.4 4.8 4.5 59.7 5.3 4.6 34.5 4.4 3.7

4 57.9 4.8 4.5 54.6 4.7 4.8 27.7 4.1 3.5

5 62.1 4.6 4.6 54.4 4.8 4.6 37.1 4.0 3.4

6 60.1 4.8 4.6 51.5 5.0 4.3 32.8 4.0 3.8

7 54.5 4.6 4.4 48.0 4.9 4.5 26.9 3.7 3.5

8 70.1 4.8 4.7 51.9 5.0 4.5 24.8 3.5 3.7

9 71.8 4.9 4.7 53.2 5.0 4.5 36.9 4.4 4.0

10 59.7 4.8 4.5 48.0 4.5 4.2 24.3 3.7 3.6

11 54.1 4.9 4.5 47.8 5.0 4.5 28.2 3.7 3.6

12 67.0 4.8 4.7 56.5 5.0 4.6 30.2 4.4 3.7

13 49.4 4.8 4.3 57.1 5.0 4.5 22.7 3.6 3.3

14 67.1 4.9 4.7 50.0 5.0 4.6 28.4 3.7 3.6

15 56.3 4.6 4.8 46.8 5.0 4.4 26.7 3.6 3.6

16 74.7 5.3 4.8 45.8 5.2 4.5 32.0 3.8 3.7

17 70.4 5.1 4.8 55.3 4.8 4.7 33.5 4.3 3.5

18 69.6 5.0 4.8 41.7 4.8 4.0 20.8 3.3 3.2

19 68.8 4.8 4.7 47.4 5.0 4.2 23.5 3.1 3.2

20 72.6 5.1 4.8 46.0 4.2 4.4 31.0 4.0 3.7

21 77.0 5.1 4.9 44.8 4.5 4.1 30.7 4.0 3.5

22 67.0 4.9 4.7 48.0 4.8 4.2 34.0 4.1 3.8

23 69.0 5.1 4.7 52.2 4.4 4.2 23.7 3.8 3.5

24 67.7 4.9 4.6 43.2 5.0 4.2 22.9 3.5 3.6

25 59.3 4.6 4.4 47.6 4.6 4.2 34.2 3.4 3.6

26 70.5 4.7 4.8 43.8 4.7 4.3 35.7 4.3 3.8

27 59.5 4.5 4.7 44.9 4.7 4.0 25.7 4.0 3.6

28 61.5 4.8 4.6 51.7 4.8 4.7 30.8 3.9 4.0

29 55.0 5.0 4.3 49.5 4.8 4.2 35.7 4.2 3.9

30 67.4 4.9 4.7 43.7 4.6 4.2 35.7 4.3 3.9

31 74.2 5.1 4.8 43.6 5.0 4.3 43.6 4.5 4.1

32 54.9 4.3 4.5 40.1 4.3 4.3 33.3 4.0 3.7

33 68.4 4.9 4.7 49.2 4.2 4.1 31.2 4.1 3.6

34 71.9 4.9 5.0 44.0 4.6 4.1 27.9 3.8 3.3

35 64.0 5.0 4.8 48.0 4.8 4.1 20.3 3.8 3.3

36 70.9 5.2 4.7 40.2 4.6 4.4 33.8 4.2 3.7

37 73.7 4.8 4.8 41.4 4.5 4.2 32.4 4.3 4.0

38 70.8 5.2 4.7 36.0 4.1 4.1 30.8 4.1 3.6

39 74.4 5.3 4.8 40.6 4.5 4.2 35.4 4.0 3.8

40 65.3 5.1 4.6 37.1 4.2 4.1 33.4 4.4 3.8

41 78.3 5.0 5.1 34.3 4.1 4.0 33.4 4.1 3.8

42 73.6 5.0 4.9 34.7 4.0 4.0 29.9 4.1 3.7

43 73.2 5.1 4.6 47.3 4.7 4.4 33.3 4.5 3.9

44 60.9 5.0 4.5 36.8 4.2 4.1 28.4 4.2 3.8

45 79.4 5.0 4.8 35.7 4.2 4.1 34.4 3.9 3.8

46 59.2 4.6 4.9 54.4 5.1 4.7 36.9 4.1 3.8

47 77.3 4.9 4.9 45.1 4.6 4.4 37.5 3.8 3.5

(3)

49 70.5 4.9 4.8 37.4 4.2 4.1 30.4 3.9 3.8

50 69.5 5.1 4.7 56.6 5.0 4.7 31.7 3.9 3.7

Lampiran 2.

Data Hasil Percobaan Populasi AG 500 individu

Ras

io Pel

Populasi AG

Nilai Sigma Akurasi Klasifikasi

PNN (%) Waktu Total (detik)

Peni

Kece

pat

(%)

Efisie

i S

iste

l (%

)

Sekuensial Paralel Sekuensial Paralel Sekuensial Paralel

1 1 500 0.06499 0.04737 87.4074 87.4074 270 215 125.58 62.79 2 1 500 0.02516 0.03108 88.1481 88.1481 270 210 128.57 64.29 3 1 500 0.13623 0.36633 85.9259 85.9259 270 197 137.06 68.53 4 1 500 0.00013 0.00018 89.6296 88.8889 266 190 140.00 70.00 5 1 500 0.00041 0.00065 91.1111 89.6296 266 214 124.30 62.15 6 1 500 0.16003 0.00007 85.1852 88.1481 270 215 125.58 62.79 7 1 500 0.00010 0.00766 91.1111 88.8889 262 230 113.91 56.96 8 1 500 0.00119 0.00167 89.6296 85.9259 315 231 136.36 68.18 9 1 500 0.00024 0.00055 84.4444 82.9630 258 225 114.67 57.33 10 1 500 0.00869 0.00848 89.6296 89.6296 318 236 134.75 67.37 11 2 500 0.01646 0.01631 86.6667 86.6667 363 279 130.11 65.05 12 2 500 0.14007 0.05945 86.6667 86.6667 363 291 124.74 62.37 13 2 500 0.00902 0.00960 87.5000 88.3333 363 204 177.94 88.97 14 2 500 0.00078 0.00048 86.6667 87.5000 363 268 135.45 67.72 15 2 500 0.22800 0.21209 87.5000 87.5000 363 287 126.48 63.24 16 2 500 0.06033 0.00018 85.8333 87.5000 363 290 125.17 62.59 17 2 500 0.00487 0.00481 89.1667 89.1667 363 308 117.86 58.93 18 2 500 0.00055 0.00042 87.5000 87.5000 360 313 115.02 57.51 19 2 500 0.00017 0.03843 86.6667 85.8333 360 312 115.38 57.69 20 2 500 0.01721 0.01722 89.1667 89.1667 363 303 119.80 59.90 21 3 500 0.17744 0.13395 88.5714 88.5714 431 346 124.57 62.28 22 3 500 0.02296 0.02331 85.7143 85.7143 435 352 123.58 61.79 23 3 500 0.02058 0.02073 87.6190 87.6190 431 277 155.60 77.80 24 3 500 0.10758 0.10968 85.7143 85.7143 435 332 131.02 65.51 25 3 500 0.05670 0.00017 87.6190 88.5714 431 330 130.61 65.30 26 3 500 0.00240 0.00246 87.6190 87.6190 435 353 123.23 61.61 27 3 500 0.00298 0.00293 87.6190 87.6190 431 362 119.06 59.53 28 3 500 0.00283 0.00299 87.6190 86.6667 431 356 121.07 60.53 29 3 500 0.01039 0.01181 92.3810 92.3810 431 367 117.44 58.72 30 3 500 0.01330 0.01297 87.6190 87.6190 431 358 120.39 60.20 31 4 500 0.04074 0.04261 86.6667 86.6667 465 353 131.73 65.86 32 4 500 0.00032 0.00051 87.7778 86.6667 465 372 125.00 62.50 33 4 500 0.07974 0.26022 85.5556 85.5556 468 325 144.00 72.00 34 4 500 0.06786 0.07019 86.6667 86.6667 472 351 134.47 67.24 35 4 500 0.00545 0.00038 87.7778 86.6667 465 352 132.10 66.05 36 4 500 0.00191 0.00399 87.7778 87.7778 468 383 122.19 61.10 37 4 500 0.00339 0.00369 90.0000 90.0000 472 360 131.11 65.56 38 4 500 0.05687 0.02267 91.1111 91.1111 468 385 121.56 60.78 39 4 500 0.00916 0.00914 90.0000 90.0000 468 386 121.24 60.62 40 4 500 0.01573 0.01327 87.7778 87.7778 491 390 125.90 62.95 41 5 500 0.00026 0.00034 90.6667 89.3333 472 374 126.20 63.10 42 5 500 0.00030 0.00032 86.6667 86.6667 472 380 124.21 62.11 43 5 500 0.38764 0.23526 88.0000 88.0000 472 333 141.74 70.87 44 5 500 0.00340 0.00812 84.0000 84.0000 472 347 136.02 68.01 45 5 500 0.00571 0.00595 89.3333 89.3333 472 336 140.48 70.24 46 5 500 0.00283 0.00359 89.3333 89.3333 468 373 125.47 62.73 47 5 500 0.01271 0.02730 92.0000 92.0000 472 362 130.39 65.19

(4)

48 5 500 0.01071 0.01096 90.6667 90.6667 472 389 121.34 60.67 49 5 500 0.00667 0.00657 93.3333 93.3333 472 396 119.19 59.60 50 5 500 0.00133 0.00171 86.6667 86.6667 472 368 128.26 64.13

Lampiran 2. Data Hasil Percobaan Populasi AG 500 individu (lanjutan)

o Pel

han

pulasi AG

Nilai Sigma Akurasi Klasifikasi

PNN (%) Waktu Total (detik)

Peni

tan

Kec

epat

(%)

Efisie

i S

iste

l (%

)

Sekuensial Paralel Sekuensial Paralel Sekuensial Paralel

51 6 500 0.00015 0.00034 88.3333 88.3333 442 344 128.49 64.24 52 6 500 0.00042 0.15637 86.6667 85.0000 446 347 128.53 64.27 53 6 500 0.00233 0.00236 85.0000 85.0000 442 309 143.04 71.52 54 6 500 0.00570 0.00705 86.6667 86.6667 446 342 130.41 65.20 55 6 500 0.00594 0.00532 91.6667 91.6667 446 267 167.04 83.52 56 6 500 0.00632 0.00616 93.3333 93.3333 442 352 125.57 62.78 57 6 500 0.00322 0.00320 91.6667 91.6667 442 351 125.93 62.96 58 6 500 0.01437 0.01437 93.3333 93.3333 442 354 124.86 62.43 59 6 500 0.00408 0.00388 91.6667 91.6667 442 360 122.78 61.39 60 6 500 0.03678 0.03605 86.6667 86.6667 450 347 129.68 64.84 61 7 500 0.21960 0.12779 84.4444 84.4444 382 295 129.49 64.75 62 7 500 0.00108 0.00094 84.4444 84.4444 382 297 128.62 64.31 63 7 500 0.00596 0.00596 91.1111 91.1111 382 280 136.43 68.21 64 7 500 0.00713 0.00746 91.1111 88.8889 386 275 140.36 70.18 65 7 500 0.00663 0.00698 95.5556 95.5556 386 258 149.61 74.81 66 7 500 0.00061 0.00273 91.1111 91.1111 382 303 126.07 63.04 67 7 500 0.01457 0.01484 95.5556 95.5556 382 299 127.76 63.88 68 7 500 0.00156 0.00188 91.1111 91.1111 386 308 125.32 62.66 69 7 500 0.00566 0.00422 91.1111 91.1111 382 314 121.66 60.83 70 7 500 0.00029 0.00023 84.4444 84.4444 382 297 128.62 64.31 71 8 500 0.00079 0.00046 83.3333 83.3333 288 221 130.32 65.16 72 8 500 0.00109 0.00144 86.6667 86.6667 288 212 135.85 67.92 73 8 500 0.00670 0.00659 93.3333 93.3333 292 198 147.47 73.74 74 8 500 0.00827 0.00868 93.3333 93.3333 292 199 146.73 73.37 75 8 500 0.00438 0.00479 93.3333 93.3333 292 201 145.27 72.64 76 8 500 0.00197 0.00301 93.3333 93.3333 288 223 129.15 64.57 77 8 500 0.00328 0.00260 93.3333 93.3333 292 235 124.26 62.13 78 8 500 0.00439 0.00596 93.3333 93.3333 292 231 126.41 63.20 79 8 500 0.00013 0.12941 93.3333 90.0000 292 227 128.63 64.32 80 8 500 0.06430 0.05880 83.3333 83.3333 292 212 137.74 68.87 81 9 500 0.00200 0.00321 86.6667 86.6667 165 124 133.06 66.53 82 9 500 0.00109 0.00192 86.6667 86.6667 165 105 157.14 78.57 83 9 500 0.00700 0.00843 100.000 100.000 165 104 158.65 79.33 84 9 500 0.00704 0.00620 86.6667 86.6667 165 109 151.38 75.69 85 9 500 0.00561 0.00386 100.000 100.000 161 111 145.05 72.52 86 9 500 0.00149 0.00182 93.3333 93.3333 165 118 139.83 69.92 87 9 500 0.01787 0.01788 100.000 100.000 165 127 129.92 64.96 88 9 500 0.00429 0.00392 93.3333 93.3333 165 120 137.50 68.75 89 9 500 0.06232 0.10389 93.3333 93.3333 165 119 138.66 69.33 90 9 500 0.00023 0.00050 80.0000 80.0000 165 119 138.66 69.33

(5)

Lampiran 3. Data Hasil Percobaan Populasi AG 1000 individu

o Pel

han

pulasi AG

Nilai Sigma Akurasi Klasifikasi

PNN (%) Waktu Total (detik)

Peni

tan

Kec

epat

(%)

Efisie

i S

iste

l (%

)

Sekuensial Paralel Sekuensial Paralel Sekuensial Paralel

91 1 1000 0.10957 0.19728 87.4074 87.4074 540 497 108.65 54.33 92 1 1000 0.03111 0.03112 88.1481 88.1481 536 514 104.28 52.14 93 1 1000 0.05088 0.18571 85.9259 85.9259 547 506 108.10 54.05 94 1 1000 0.00018 0.00020 88.8889 88.8889 536 334 160.48 80.24 95 1 1000 0.00046 0.00037 90.3704 92.5926 540 435 124.14 62.07 96 1 1000 0.00012 0.00009 93.3333 94.0741 540 467 115.63 57.82 97 1 1000 0.00012 0.00743 88.8889 88.8889 540 501 107.78 53.89 98 1 1000 0.00095 0.00095 89.6296 89.6296 536 528 101.52 50.76 99 1 1000 0.00061 0.00025 83.7037 84.4444 536 534 100.37 50.19 100 1 1000 0.00847 0.00849 89.6296 89.6296 540 525 102.86 51.43 101 2 1000 0.01616 0.01623 86.6667 86.6667 723 502 144.02 72.01 102 2 1000 0.36408 0.20064 86.6667 86.6667 727 574 126.66 63.33 103 2 1000 0.00959 0.00960 88.3333 88.3333 723 584 123.80 61.90 104 2 1000 0.00057 0.00075 88.3333 87.5000 727 589 123.43 61.71 105 2 1000 0.40953 0.42979 87.5000 87.5000 727 592 122.80 61.40 106 2 1000 0.00012 0.00012 90.0000 90.0000 731 597 122.45 61.22 107 2 1000 0.00466 0.00463 89.1667 89.1667 731 599 122.04 61.02 108 2 1000 0.00059 0.00036 87.5000 89.1667 720 602 119.60 59.80 109 2 1000 0.00018 0.00019 86.6667 86.6667 727 600 121.17 60.58 110 2 1000 0.01659 0.01663 89.1667 89.1667 723 611 118.33 59.17 111 3 1000 0.11726 0.10933 88.5714 88.5714 862 557 154.76 77.38 112 3 1000 0.02305 0.01737 85.7143 85.7143 866 712 121.63 60.81 113 3 1000 0.01570 0.01581 87.6190 87.6190 858 735 116.73 58.37 114 3 1000 0.11706 0.11266 85.7143 85.7143 862 752 114.63 57.31 115 3 1000 0.05682 0.05675 87.6190 87.6190 866 812 106.65 53.33 116 3 1000 0.00274 0.00409 87.6190 87.6190 862 829 103.98 51.99 117 3 1000 0.00286 0.00292 87.6190 87.6190 870 811 107.27 53.64 118 3 1000 0.00041 0.00039 87.6190 89.5238 862 821 104.99 52.50 119 3 1000 0.01050 0.01047 92.3810 92.3810 862 811 106.29 53.14 120 3 1000 0.01322 0.01324 87.6190 87.6190 866 807 107.31 53.66 121 4 1000 0.04168 0.04253 86.6667 86.6667 933 794 117.51 58.75 122 4 1000 0.00026 0.00038 88.8889 90.0000 941 829 113.51 56.76 123 4 1000 0.18922 0.05741 85.5556 85.5556 941 851 110.58 55.29 124 4 1000 0.07780 0.06717 86.6667 86.6667 933 790 118.10 59.05 125 4 1000 0.00546 0.00034 87.7778 87.7778 933 745 125.23 62.62 126 4 1000 0.00208 0.00200 87.7778 87.7778 937 713 131.42 65.71 127 4 1000 0.00386 0.00312 90.0000 90.0000 933 682 136.80 68.40 128 4 1000 0.16479 0.04701 91.1111 91.1111 933 694 134.44 67.22 129 4 1000 0.00916 0.00896 90.0000 88.8889 933 698 133.67 66.83 130 4 1000 0.04735 0.03882 87.7778 87.7778 937 663 141.33 70.66 131 5 1000 0.03234 0.00033 86.6667 89.3333 941 714 131.79 65.90 132 5 1000 0.00029 0.00026 86.6667 86.6667 945 787 120.08 60.04 133 5 1000 0.12928 0.12224 88.0000 88.0000 941 807 116.60 58.30

(6)

134 5 1000 0.00354 0.00632 84.0000 84.0000 963 809 119.04 59.52 135 5 1000 0.00620 0.00578 89.3333 89.3333 945 798 118.42 59.21 136 5 1000 0.00309 0.00289 89.3333 89.3333 941 772 121.89 60.95 137 5 1000 0.02616 0.02556 92.0000 92.0000 945 701 134.81 67.40 138 5 1000 0.00411 0.01071 90.6667 90.6667 945 786 120.23 60.11 139 5 1000 0.00637 0.00627 93.3333 93.3333 948 759 124.90 62.45 140 5 1000 0.00148 0.00157 86.6667 86.6667 945 784 120.54 60.27

Lampiran 3. Data Hasil Percobaan Populasi AG 1000 individu (lanjutan)

Ras

io Pel

Populasi AG

Nilai Sigma Akurasi Klasifikasi

PNN (%) Waktu Total (detik)

Peni

tan

Kecepatan (%) Efis

i S

l (%

)

Sekuensial Paralel Sekuensial Paralel Sekuensial Paralel

141 6 1000 0.00018 0.00027 88.3333 90.0000 885 753 117.53 58.76 142 6 1000 0.08424 0.00042 85.0000 86.6667 888 798 111.28 55.64 143 6 1000 0.00307 0.00193 85.0000 85.0000 885 782 113.17 56.59 144 6 1000 0.00731 0.00587 86.6667 86.6667 885 812 108.99 54.50 145 6 1000 0.00577 0.00527 91.6667 91.6667 885 790 112.03 56.01 146 6 1000 0.00615 0.00619 93.3333 93.3333 885 775 114.19 57.10 147 6 1000 0.00315 0.00345 91.6667 91.6667 892 769 115.99 58.00 148 6 1000 0.01463 0.01442 93.3333 93.3333 892 786 113.49 56.74 149 6 1000 0.00414 0.00382 91.6667 91.6667 888 771 115.18 57.59 150 6 1000 0.03588 0.03719 86.6667 86.6667 885 749 118.16 59.08 151 7 1000 0.05863 0.08596 84.4444 84.4444 765 674 113.50 56.75 152 7 1000 0.00119 0.00094 84.4444 84.4444 772 666 115.92 57.96 153 7 1000 0.00615 0.00609 91.1111 91.1111 768 565 135.93 67.96 154 7 1000 0.00702 0.00698 91.1111 91.1111 768 628 122.29 61.15 155 7 1000 0.00672 0.00660 95.5556 95.5556 772 622 124.12 62.06 156 7 1000 0.00056 0.00055 91.1111 91.1111 768 624 123.08 61.54 157 7 1000 0.01446 0.01461 95.5556 95.5556 768 441 174.15 87.07 158 7 1000 0.00869 0.00180 91.1111 91.1111 768 586 131.06 65.53 159 7 1000 0.00392 0.00011 91.1111 91.1111 772 664 116.27 58.13 160 7 1000 0.00025 0.00021 84.4444 84.4444 768 639 120.19 60.09 161 8 1000 0.00045 0.00050 83.3333 83.3333 581 462 125.76 62.88 162 8 1000 0.00103 0.00180 86.6667 86.6667 588 442 133.03 66.52 163 8 1000 0.00664 0.00645 93.3333 93.3333 581 344 168.90 84.45 164 8 1000 0.00850 0.00828 93.3333 93.3333 581 377 154.11 77.06 165 8 1000 0.00420 0.00417 93.3333 93.3333 585 436 134.17 67.09 166 8 1000 0.00518 0.00185 93.3333 93.3333 581 423 137.35 68.68 167 8 1000 0.00309 0.00171 93.3333 93.3333 588 415 141.69 70.84 168 8 1000 0.00473 0.00344 93.3333 93.3333 581 408 142.40 71.20 169 8 1000 0.15618 0.10526 90.0000 90.0000 588 428 137.38 68.69 170 8 1000 0.24382 0.06314 83.3333 83.3333 585 358 163.41 81.70 171 9 1000 0.00061 0.00287 86.6667 86.6667 330 257 128.40 64.20 172 9 1000 0.00099 0.00249 86.6667 86.6667 330 186 177.42 88.71 173 9 1000 0.01070 0.00728 100.000 100.000 330 218 151.38 75.69 174 9 1000 0.00666 0.00623 86.6667 86.6667 330 221 149.32 74.66 175 9 1000 0.00369 0.00387 100.000 100.000 337 208 162.02 81.01 176 9 1000 0.00162 0.00174 93.3333 93.3333 330 221 149.32 74.66 177 9 1000 0.01800 0.01784 100.000 100.000 330 228 144.74 72.37 178 9 1000 0.00462 0.00465 93.3333 93.3333 330 228 144.74 72.37 179 9 1000 0.15259 0.18684 93.3333 93.3333 330 226 146.02 73.01 180 9 1000 0.00034 0.00045 80.0000 80.0000 330 248 133.06 66.53

Uji dan aplikasi komputasi paralel pada jaringan syaraf probabilistik (PNN) untuk proses klasifikasi mutu buah tomat segar

∑

)

|

(

)

(

P

x

P

ω

ω

∑

∑

∑

∑

∑

∑

∑

∑

Patterson, Dan W. 1996. Artificial Neural Networks: Theory and Applications.

Prentice Hall, Singapura

Rish, I. 2004. An empirical study of the naïve Bayes classifier.

http://www.intellektik.informatik.tu-darmstadt.de/~tom/IJCAI01/Rish.pdf

.

[09-08-2004].

Rubatzky, V.E. dan Yamaguchi, M. 1997. Sayuran Dunia Tiga. Penerbit ITB,

Bandung.

Seminar, K.B., Buono, A., dan Sukin, T.P.J. 2005. Desain dan Uji Komputasi

Paralel Penentuan Nilai Penghalus (

σ

) Algoritma Jaringan Syaraf

Probabilistik (PNN) untuk Klasifikasi Bunga Iris. Jurnal Ilmiah Ilmu

Komputer. Vol 3, No.1, hal 19-31

Seminar, K.B. 2000. Precision Agriculture: Paradigma dan Aplikasi. Agrimedia

ISSN 0853-8468 Vol.6 No.1

Soleh, Ahmad Zanbar. 2005. Ilmu Statistika: Pendekatan Teoritis dan Aplikatif

disertai Contoh Penggunaan SPSS. Penerbit Rekayasa Sains, Bandung

Sukin, T.P.J., 2004. Desain dan Implementasi Komputasi Paralel dengan

Algoritma Genetik untuk Prapemrosesan

Probabilistic Neural Network

.

Skripsi. Departemen Ilmu Komputer. Fakultas Matematika dan Ilmu

Pengetahuan Alam, IPB, Bogor

Trisnawati, Y. dan Setiawan, A.I. 2002. Tomat: Pembudidayaan Secara Komersil.

Penebar Swadaya. Jakarta.

Yayasan Bunga Nusantara dan Ditjen Tanaman Pangan dan Hortikultura. 1987.

Budidaya Tanaman Berbunga Indah. Yayasan Bunga Nusantara dan

Ditjen Tanaman Pangan dan Hortikultura, Jakarta.

Lampiran 1. Data Pengukuran Sampel Tomat Permata

Lampiran 2.

Data Hasil Percobaan Populasi AG 500 individu

Lampiran 2. Data Hasil Percobaan Populasi AG 500 individu (lanjutan)

Lampiran 3. Data Hasil Percobaan Populasi AG 1000 individu

Lampiran 3. Data Hasil Percobaan Populasi AG 1000 individu (lanjutan)

Parts

Dokumen yang terkait

APLIKASI KAPASITANSI METER MENGGUNAKAN ARDUINO UNO UNTUK UJI TINGKAT KEMATANGAN BUAH TOMAT

Desain dan Uji Komputasi Paralel Penentuan Nilai Penghalus (u) Algoritma Jaringan Syaraf ProbabiIistik (PIVIV) untuk Klasifikasi Bunga Iris

Uji dan aplikasi komputasi paralel pada jaringan syaraf probabilistik (PNN) untuk proses klasifikasi mutu tomat

Pengembangan Model Jaringan Syaraf Tiruan Probabilistik (PNN) Pada Identifikasi Pembicara

Aplikasi Jaringan Syaraf Tiruan untuk Pendugaan Mutu Pemeraman Pisang Raja Bulu setelah Penyimpanan

JARINGAN SYARAF TIRUAN UNTUK KLASIFIKASI KUALITAS KACANG HIJAUBERDASARKAN WARNA DAN UKURAN Jaringan Syaraf Tiruan Untuk Klasifikasi Kualitas Kacang Hijau Berdasarkan Warna Dan Ukuran.

JARINGAN SYARAF TIRUAN UNTUK KLASIFIKASI KUALITAS KACANG HIJAUBERDASARKAN WARNA DAN UKURAN Jaringan Syaraf Tiruan Untuk Klasifikasi Kualitas Kacang Hijau Berdasarkan Warna Dan Ukuran.

APLIKASI JARINGAN SYARAF TIRUAN UNTUK PENDUGAAN MUTU

Implementasi Komputasi Paralel untuk Optimalisasi Komputasi pada Aplikasi Transliterasi Huruf Latin ke Aksara Jawa

APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI CURAH HUJAN PADA KANTOR STASIUN METEOROLOGI HANG NADIM BATAM

Dokumen yang Anda mencari sudah siap untuk unduhkan