BAB V KESIMPULAN DAN SARAN
V.1 Kesimpulan
Setelah dilakukan perancangan sistem evaluasi mutu berbasis komputer logika fuzzy , pengolahan citra dan JST, maka dapat disimpulkan bahwa :
1. Program logika fuzzy yang dirancang bangun mampu mengenali buah melon sebanyak 66 buah dari 80 buah melon yang diujikan. Akurasi
tertinggi yang diperoleh adalah 82.5 dengan menggunakan selang brix 6, 6.6, 8.4, 10.5, 11.8 dan selang pH 5.8, 6.5, 7.8, 7.9, 9. Perolehan hasil
pengenalan rasa normalisasi adalah 33 rasa manis, 36 rasa sedang dan 11 rasa tawar. Data rasa ini merupakan input bagi JST.
2. Pengolahan citra yang dirancang untuk menduga mutu buah dapat mengenali nilai parameter berupa jarak jari-jari dari titik tengah melon ke
jaring terdekat r
1
, r
2
, r
3
,…, r
36
, rata–rata jari– jari, roundness , luas A, nilai rata-rata intensitas warna merah R, Hijau H, Biru B, colour
value CV, nilai indeks warna merah indeks R, indeks hijau indeks H, indeks biru indeks B, nilai hue H, saturation S, dan intensity I. Data
karakteristik buah melon ini akan menjadi input untuk JST. 3. Percobaan untuk menentukan nilai parameter optimal untuk arsitektur JST
sehingga akurasi dan waktu yang didapat adalah baik dan lebih cepat yaitu dengan menggunakan jumlah node lapisan tersembunyi sebanyak 30 dan
laju pembelajaran 0.8. Rata–rata akurasi yang didapatkan setelah pengulangan 3 kali adalah sebesar 80, rata–rata waktu pelatihan adalah
51.33 detik dan rata–rata waktu validasi adalah 0.162 detik dan waktu pendugaan 8.79 detik.
4. Model JST untuk pendugaan buah melon berdasarkan rasa dikembangkan dengan empat puluh sembilan lapisan masukan, tiga puluh lapisan
tersembunyi, dan tiga lapisan keluaran dengan laju pembelajaran 0.8 telah mampu menghasilkan akurasi total 90 pada proses validasi yang terdiri
dari akurasi pendugaan rasa manis sebesar 100, rasa sedang sebesar 75 dan rasa tawar sebesar 100.
V.2. SARAN
Beberapa saran setelah dilakukannya pen elitian perancangan sistem evaluasi mutu ini adalah :
1. Perlu adanya pengurangan beberapa parameter yang tidak terlalu berpengaruh dalam pendugaan mutu buah melon, seperti nilai indeks
warna merah indeks R, indeks warna hijau indeks G , indeks warna biru indeks B karena nilai rata-ratanya saling mendekati.
2. Pada proses normalisasi dan training dibutuhkan jumlah sampel yang lebih banyak lagi sehingga keragaman karakteristik buah melon semakin
banyak dan sistem dapat mengenali lebih baik lagi. 3. Perlu adanya penelitian lanjutan mengenai parameter yang diperlukan agar
lebih mendekati sempurna dalam proses pendugaan tingkat kemanisan buah melon.
DAFTAR PUSTAKA
Ahmad U. 2005. Pengolahan Citra Digital. Yogyakarta: Graha Ilmu. Arymurthy AM dan Suryana S. 1992. Pengantar Pengolahan Citra. Jakarta: PT
Elex Media Komputindo. Fausett L. 1994. Fundamentals of Neural Network. New Jersey: Prentice-Hall.
Fu L. 1994. Neural Networks in Computer Intelligence. Singapore: McGraw -Hill
Inc. Jang JSR, Sun CT and Mizutani E. 1997. Neuro-Fuzzy And Soft Computing A
Computational Approach to Learning and Machine Intelligence. New Jersey: Prentice-Hall.
Tsai JT, Chou JH, and Liu TK. 2006. Tuning the Structure and Parameters of a Neural Network by Using Hybrid. IEEE Trans Neural Netw 17:69-80.
Kristanto A. 2004. Jaringan Syaraf Tiruan . Yogyakarta: Gava Media. Kristanto A. 2004. Jaringan Syaraf Tiruan Konsep dasar, algoritma dan
Aplikasi . Yogyakarta: Gava Media. Kusumadewi S. 2003. Artificial Intelligence Teknik dan Aplikasinya.
Yogyakarta: Graha Ilmu. Mandala J. 2003. Pemanfaatan Transformasi Wavelet Citra Wajah Sebagai Sistem
Keamanan Kunci kombinasi. Tesis. Program Pascasarjana, Institut Teknologi Bandung.
Marimin. 2005. Teori dan Aplikasi Sistem Pakar dalam Teknologi Manajerial. Bogor: IPB Press.
Pal SK. 1989. Fuzzy: Pendekatan Matematik Untuk Pengenalan Pola. Sardy S, penerjemah. Jakarta: Penerbit Universitas Indonesia..
Prajnanta F. 2004. Pemeliharaan Secara Intensif Dan Kiat Sukses Beragribisnis Melon. Jakarta: Penebar Swadaya.
Ramadhan A. 2004. Microsoft Visual basic 6.0. Jakarta: PT Elex Media Komputindo.
Rao VB. 1995. C++ Neural Network and Fuzzy Logic. MT Books, IDG Books Worldwide, inc.
Rich E and Knight K. 1991. Artificial Inteligent. 2
nd
Ed. New Delhi: Mc Graw- Hill Inc.
Rukmana R. 1995. Melon Hibrida . Yogyakarta: Kanisius. Setiadi dan Parimin. 2004. Bertanam Melon Edisi Revisi. Jakarta: Penebar
Swadaya. Sibigtroth JM. 1992. Implementing fuzzy expert rules in hardware. The magazine
of artificial intelegence in practice Vol. 714: 25-28. Viot G. 1993. Fuzzy logic: concepts to construct. The magazine of artificial
intelligence in practice Vol. 74: 25-28. Zimmermann HJ. 1996. Fuzzy Set Theory and Its Applications 3
th
Ed. London: Kluwer Academic Publisher.
Tabel Lampiran 1. 80 Sampel yang Digunakan Untuk Sebelum Normalisasi
No. Sampel
brix pH
Organoleptik 1
S24 C14 U40 11,733 7,567
Manis 2
S21 C14 U40 11,667 7,167
Manis 3
S6 C12 U35 11,567 7,233
Manis 4
S29 C14 U40 11,300 7,233
Manis 5
S28 C14 U40 11,167 6,967
Manis 6
S9 C12 U40 10,633 7,600
Manis 7
S30 C14 U40 10,600 7,400
Manis 8
S25 C14 U40 10,600 7,567
Manis 9
S5 C12 U35 10,300 7,633
Manis 10
S14 C13 U30 10,200 7,033
Manis 11
S9 C12 U35 10,167 7,367
Manis 12
S26 C14 U40 10,033 7,467
Manis 13
S22 C14 U40 10,000 7,400
Manis 14
S17 C13 U35 9,900 7,033
Manis 15
S16 C13 U40 9,867 7,500
Manis 16
S27 C14 U40 9,867 7,567
Manis 17
S5 C12 U40 9,700 7,267
Manis 18
S25 C14 U35 9,667 7,000
Manis 19
S8 C12 U35 9,600 7,567
Manis 20
S22 C14 U35 9,533 6,900
Manis 21
S30 C14 U35 9,533 7,167
Manis 22
S23 C14 U35 9,500 7,367
Manis 23
S5 C12 U30 9,500 7,533
Manis 24
S18 C13 U35 9,400 7,167
Manis 25
S8 C12 U30 9,400 7,200
Manis 26
S3 C12 U35 9,400 7,433
Manis 27
S7 C12 U40 9,333 7,267
Manis 28
S27 C14 U35 9,267 7,233
Manis 29
S8 C12 U40 9,200 7,467
Manis 30
S12 C13 U40 9,200 7,767
Manis 31
S23 C14 U40 9,167 7,733
Manis 32
S1 C12 U35 9,100 7,633
Manis 33
S18 C13 U40 9,000 7,433
Manis 34
S20 C13 U35 8,700 6,967
Manis 35
S29 C14 U30 8,633 6,800
Manis 36
S16 C13 U30 8,533 7,067
Manis 37
S4 C12 U35 8,533 7,367
Manis 38
S4 C12 U30 8,433 7,200
Manis 39
S2 C12 U35 8,333 7,267
Manis 40
S21 C14 U35 9,833 7,167
Sedang
Tabel Lampiran 1. Lanjutan
No. Sampel
brix pH
Organoleptik 41
S9 C12 U30 9,667 7,100
Sedang 42
S19 C13 U35 9,633 7,000
Sedang 43
S12 C13 U35 9,633 7,500
Sedang 44
S28 C14 U35 9,467 7,133
Sedang 45
S26 C14 U35 9,367 7,100
Sedang 46
S13 C13 U40 9,200 7,533
Sedang 47
S19 C13 U40 9,067 7,600
Sedang 48
S10 C12 U35 9,033 7,267
Sedang 49
S29 C14 U35 9,000 7,100
Sedang 50
S13 C13 U35 8,967 7,400
Sedang 51
S10 C12 U40 8,967 7,600
Sedang 52
S2 C12 U40 8,833 7,433
Sedang 53
S1 C12 U30 8,800 7,100
Sedang 54
S20 C13 U30 8,800 7,267
Sedang 55
S15 C13 U35 8,733 6,967
Sedang 56
S13 C13 U30 8,700 6,733
Sedang 57
S19 C13 U30 8,700 6,900
Sedang 58
S3 C12 U40 8,633 7,400
Sedang 59
S12 C13 U30 8,567 7,167
Sedang 60
S11 C13 U40 8,533 7,833
Sedang 61
S14 C13 U35 8,500 7,500
Sedang 62
S21 C14 U30 8,467 6,633
Sedang 63
S17 C13 U30 8,467 6,833
Sedang 64
S14 C13 U40 8,367 7,500
Sedang 65
S17 C13 U40 8,233 7,700
Sedang 66
S1 C12 U40 8,167 7,600
Sedang 67
S11 C13 U35 8,133 7,400
Sedang 68
S6 C12 U40 8,033 7,533
Sedang 69
S11 C12 U30 7,900 7,033
Sedang 70
S30 C14 U30 7,867 6,700
Sedang 71
S24 C14 U35 7,567 6,933
Sedang 72
S3 C12 U30 7,567 7,233
Sedang 73
S26 C14 U30 7,433 6,633
Sedang 74
S22 C14 U30 7,400 6,900
Sedang 75
S10 C12 U30 7,233 7,133
Sedang 76
S15 C13 U30 7,200 7,167
Sedang 77
S23 C14 U30 7,000 6,833
Sedang 78
S20 C13 U40 7,300 7,400
Tawar 79
S24 C14 U30 7,167 6,767
Tawar 80
S6 C12 U30 6,867 6,133
Tawar
Tabel Lampiran 2. 80 Sampel yang Digunakan untuk JST Sesudah Normalisasi dengan
Fuzzy
Tabel Lampiran 2. Lanjutan
No. Sampel
brix pH
Normalisasi 1
S24 C14 U40 11,733 7,567
Manis 2
S21 C14 U40 11,667 7,167
Manis 3
S6 C12 U35 11,567 7,233
Manis 4
S29 C14 U40 11,300 7,233
Manis 5
S28 C14 U40 11,167 6,967
Manis 6
S9 C12 U40 10,633 7,600
Manis 7
S30 C14 U40 10,600 7,400
Manis 8
S25 C14 U40 10,600 7,567
Manis 9
S5 C12 U35 10,300 7,633
Manis 10
S14 C13 U30 10,200 7,033
Manis 11
S9 C12 U35 10,167 7,367
Manis 12
S26 C14 U40 10,033 7,467
Manis 13
S22 C14 U40 10,000 7,400
Manis 14
S17 C13 U35 9,900 7,033
Manis 15
S16 C13 U40 9,867 7,500
Manis 16
S27 C14 U40 9,867 7,567
Manis 17
S5 C12 U40 9,700 7,267
Manis 18
S25 C14 U35 9,667 7,000
Manis 19
S8 C12 U35 9,600 7,567
Manis 20
S22 C14 U35 9,533 6,900
Manis 21
S30 C14 U35 9,533 7,167
Manis 22
S23 C14 U35 9,500 7,367
Manis 23
S5 C12 U30 9,500 7,533
Manis 24
S18 C13 U35 9,400 7,167
Manis 25
S8 C12 U30 9,400 7,200
Manis 26
S3 C12 U35 9,400 7,433
Manis 27
S7 C12 U40 9,333 7,267
Manis 28
S27 C14 U35 9,267 7,233
Manis 29
S8 C12 U40 9,200 7,467
Manis 30
S12 C13 U40 9,200 7,767
Manis 31
S23 C14 U40 9,167 7,733
Manis 32
S1 C12 U35 9,100 7,633
Manis 33
S18 C13 U40 9,000 7,433
Manis 34
S20 C13 U35 8,700 6,967
Sedang 35
S29 C14 U30 8,633 6,800
Sedang 36
S16 C13 U30 8,533 7,067
Sedang 37
S4 C12 U35 8,533 7,367
Sedang 38
S4 C12 U30 8,433 7,200
Sedang 39
S2 C12 U35 8,333 7,267
Sedang 40
S21 C14 U35 9,833 7,167
Sedang No.
Sampel brix
pH Normalisasi
41 S9 C12 U30
9,667 7,100 Sedang
42 S19 C13 U35
9,633 7,000 Sedang
43 S12 C13 U35
9,633 7,500 Sedang
44 S28 C14 U35
9,467 7,133 Sedang
45 S26 C14 U35
9,367 7,100 Sedang
Gambar Lampiran 1. Form Tampilan input_Fuzzy
46 S13 C13 U40
9,200 7,533 Sedang
47 S19 C13 U40
9,067 7,600 Sedang
48 S10 C12 U35
9,033 7,267 Sedang
49 S29 C14 U35
9,000 7,100 Sedang
50 S13 C13 U35
8,967 7,400 Sedang
51 S10 C12 U40
8,967 7,600 Sedang
52 S2 C12 U40
8,833 7,433 Sedang
53 S1 C12 U30
8,800 7,100 Sedang
54 S20 C13 U30
8,800 7,267 Sedang
55 S15 C13 U35
8,733 6,967 Sedang
56 S13 C13 U30
8,700 6,733 Sedang
57 S19 C13 U30
8,700 6,900 Sedang
58 S3 C12 U40
8,633 7,400 Sedang
59 S12 C13 U30
8,567 7,167 Sedang
60 S11 C13 U40
8,533 7,833 Sedang
61 S14 C13 U35
8,500 7,500 Sedang
62 S21 C14 U30
8,467 6,633 Sedang
63 S17 C13 U30
8,467 6,833 Sedang
64 S14 C13 U40
8,367 7,500 Sedang
65 S17 C13 U40
8,233 7,700 Sedang
66 S1 C12 U40
8,167 7,600 Sedang
67 S11 C13 U35
8,133 7,400 Sedang
68 S6 C12 U40
8,033 7,533 Sedang
69 S11 C12 U30
7,900 7,033 Tawar
70 S30 C14 U30
7,867 6,700 Tawar
71 S24 C14 U35
7,567 6,933 Tawar
72 S3 C12 U30
7,567 7,233 Tawar
73 S26 C14 U30
7,433 6,633 Tawar
74 S22 C14 U30
7,400 6,900 Tawar
75 S10 C12 U30
7,233 7,133 Tawar
76 S15 C13 U30
7,200 7,167 Tawar
77 S23 C14 U30
7,000 6,833 Tawar
78 S20 C13 U40
7,300 7,400 Tawar
79 S24 C14 U30
7,167 6,767 Tawar
80 S6 C12 U30
6,867 6,133 Tawar
Gambar Lampiran 2. Form Tampilan hasil run form input_fuzzy
Nilai pH
Gambar Lampiran 3. Sampel Buah Melon Kombinasi Umur Buah dan Cabang
Nilai pH
Gambar Lampiran 3. Lanjutan c. Cabang 13 Umur Buah 30 Hari
e. Cabang 14 Umur Buah 30 Hari d. Cabang 14 Umur Buah 35 Hari
Kategori