46
Gambar 27 Derajat keanggotaan target pelatihan Berdasarkan pembahasan sebelumnya disebutkan bahwa semua variabel
yang dapat digunakan sebagai model penduga tahap kematangan buah manggis tidak dapat ditarik garis pembeda pada tiap tahap kematangannya karena terdapat
nilai-nilai atau pola yang berada diantara dua kelas. Hal ini terlihat pula pada derajat keanggotaan yang terbentuk, yang mempunyai nilai sangat dekat satu sama
lain. Hal ini menunjukkan bahwa terdapat ambiguitas yang tinggi dalam penentuan kelas kematangan buah manggis jika dilakukan menggunakan
klasifikasi klasik.
4.9 Program Model Penentuan Tahap Kematangan Buah Manggis
Program model penentuan tahap kematangan buah manggis dalam penelitian ini mempunyai beberapa tahapan, yaitu memanggil file citra yang sudah
disimpan, melakukan proses pengolahan citra untuk mendapatkan parameter penentu tahap kematangan manggis, dan menentukan tahap kematangan buah
manggis dari citra tersebut. Citra buah manggis yang dipanggil akan menghasilkan nilai RGB yang
merupakan parameter penentu utama, yang diperoleh dari nilai rata-rata keseluruhan piksel objek. Selanjutnya program tersebut akan menghitung
parameter penduga tahap kematangan buah manggis, yaitu mengkonversi parameter warna dari model warna RGB ke nilai value, a, u, v, serta
menghitung nilai entropi, kontras, energi dan homogenitas. Kemudian program akan menampilkan variabel-variabel penduga penentu tahap kematangan buah
47
manggis yang digunakan sebagai inputmasukan model FNN, yaitu R, V, a, u, v, entropi, kontras, energi dan homogenitas. Tahap terakhir adalah menentukan
tahap kematangan dari citra buah manggis tersebut berdasarkan bobot yang telah didapatkan dari hasil terbaik percobaan pelatihan menggunakan FNN. Bentuk
antar muka program model ditunjukkan pada Gambar 28, sedangkan source code desain program antar muka disajikan pada Lampiran 15.
Gambar 28 Antar muka model penentuan tahap kematangan manggis
4.10 Analisis Hasil Pemodelan FNN
Percobaan-percobaan dilakukan untuk mendapatkan model jaringan FNN yang terbaik dalam penentuan tahap kematangan buah manggis. Model FNN yang
terbaik adalah yang memberikan akurasi optimal ketika dilakukan validasi terhadap data training maupun pengujian pada data testing.
Dari empat model input yang dicobakan pada model output dengan tiga kelas target didapatkan hasil terbaik pada model FNN3. Model FNN3
menggunakan parameter g, v, a, u, v, entropi, kontras, energi dan homogenitas. Maksimum epoch yang digunakan adalah 3000 dan learning rate
adalah 1. Berikut adalah hasil percobaan yang dilakukan pada variasi jumlah neuron pada lapisan tersembunyi dari model FNN3. Hasil percobaan dari tiap
model input lainnya disajikan pada Lampiran 16.
