56
Perbandingan hasil proses validasi dan testing pada FNN dan NN disajikan pada Gambar 38, ketepatan penentuan tahap kematangan buah manggis
berdasarkan warna kulit menggunakan FNN dan NN adalah sama yaitu sebesar 90.
Gambar 38 a Perbandingan validasi, b Perbandingan testing
4.12 Analisis Hasil FNN Berdasarkan Jumlah Target Kelas Klasifikasi
Berdasarkan hasil percobaan dalam penelitian ini menyatakan bahwa FNN dalam mengklasifikasi tahap kematangan buah manggis menggunakan data yang
sama namun menggunakan jumlah target kelas yang berbeda memberikan hasil yang berbeda. Demikian juga halnya klasifikasi menggunakan NN, akan
memberikan hasil yang berbeda jika menggunakan jumlah target kelas yang berbeda.
Perbandingan rata-rata hasil validasi dan testing pada pelatihan FNN dan NN dengan jumlah kelas target yang berbeda disajikan pada Gambar 39.
Gambar 39 Perbandingan hasil pelatihan a Validasi b Akurasi rata-rata
57
Dalam penelitian ini nilai akurasi rata-rata menunjukkan bahwa penggunaan FNN dalam klasifikasi tahap kematangan buah mangis ini
memberikan hasil yang lebih bagus daripada menggunakan NN. Hal ini menjelaskan bahwa himpunan fuzzy yang mempunyai derajat keanggotaan antara
0 dan 1 dapat digunakan untuk memisahkan pola yang mempunyai nilai ambigu atau berada diantara dua kelas menggunakan derajat keanggotaan, yang tidak bisa
dilakukan menggunakan klasifikasi klasik pada NN.
BAB V KESIMPULAN DAN SARAN
5.1 Kesimpulan
Dari penelitian yang telah dilakukan melalui percobaan-percobaan untuk mengembangkan model klasifikasi kematangan buah manggis berdasarkan warna
ke dalam kelas manggis mentah, ekspor dan lokaldomestik dan mendapatkan hasil yang memuaskan dapat ditarik beberapa kesimpulan.
1. Perubahan kombinasi parameter input dan perubahan jumlah neuron lapisan
tersembunyi cukup berpengaruh dalam mendapatkan pola pengenalan. 2.
Model FNN terbaik untuk mengklasifikasi kematangan buah manggis ke dalam kelas mentah, ekspor dan lokal diperoleh dengan 9 neuron pada lapisan
masukan, yaitu indek nilai hijau green, value, a, u, v, entropi, kontras, energi dan homogenitas, dan 15 neuron pada lapisan tersembunyi. Model ini
mampu menghasilkan akurasi sebesar 85. 3.
Model FNN yang terbentuk mampu mengenali semua kelas kematangan, sedangkan NN dengan struktur yang sama tidak mampu mengenali kelas
buah mentah, dengan perbandingan prosentase pengenalan FNN dan NN kelas buah mentah 100:0, kelas buah ekspor 100:87 dan kelas buah lokal
63:75. 4.
Akurasi FNN dengan 3 kelas target lebih bagus dibandingkan akurasi NN dengan 3 kelas target. Akurasi FNN dengan 5 kelas target lebih bagus
dibandingkan akurasi NN dengan 5 kelas target dan akurasi FNN dengan 2 kelas target mempunyai nilai yang sama dengan akurasi NN dengan 2 kelas
target. 5.
Model klasifikasi kematangan buah manggis ke dalam kelas mentah, ekspor dan lokal menggunakan FNN layak digunakan sebagai model alternatif dalam
klasifikasi tahap kematangan buah manggis berdasarkan warna.