Tujuan Penelitian Manfaat Penelitian

Gambar 2 Skema komputasi FLBP dengan F=19 Valerina 2012. Valerina 2012 melakukan percobaan setiap nilai threshold FLBP F untuk identifikasi tumbuhan, sehingga mendapatkan akurasi identifikasi yang beragam Gambar 3, akurasi yang tertinggi didapat terlihat pada nilai threshold FLBP, F = 4. Pengambilan nilai threshold FLBP dilihat dalam hal adanya pengaruh besarnya nilai threshold FLBP terhadap komputasi. Semakin besar rentang nilai parameter, semakin banyak piksel yang harus diproses. 10 20 30 40 50 60 70 80 90 100 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 Akurasi Parameter fuzzifikasi F FLBP 8,1 247 251 253 251 252 240 190 152 211 250 159 130 114 158 219 104 85 96 107 160 74 69 80 89 117 Nilai FLBP 15; 31; 143; 159 135; 143; 151; 159; 167; 175; 183; 191; 199; 207; 215; 223; 231; 239; 247; 255 5; 7; 13; 15;21; 23; 29;31; 37;39;45; 47;53; 55; 61;63; 133; 135; 141;143;149; 151; 157; 159; 165; 167;173; 175; 181; 183;189; 191 135 143; 159 15; 31 135; 143 143; 159; 15; 31; 175; 191; 47; 63 14; 15; 30; 31 Jatropha curcas Linn. Nilai keabuan piksel Gambar 3 Hasil akurasi klasifikasi citra menggunakan FLBP.

2.2 Probabilistic Neural Network PNN

PNN merupakan Artificial Neural Network ANN yang menggunakan teorema probabilitas klasik pengklasifikasian Bayes. PNN diperkenalkan oleh Donald Specht pada tahun 1990. PNN menggunakan pelatihan training supervised. Training data PNN mudah dan cepat. Bobot bukan merupakan hasil training melainkan nilai yang dimasukkan tersedia Wu et al. 2007. Gambar 4 Struktur PNN. Struktur PNN pada Gambar 4 terdiri atas empat lapisan, yaitu lapisan masukan, lapisan pola, lapisan penjumlahan, dan lapisan keputusankeluaran. Lapisan masukan merupakan objek � yang terdiri atas � nilai ciri yang akan diklasifikasikan pada � kelas. Proses-proses yang terjadi setelah lapisan masukan adalah: 10 20 30 40 50 60 70 80 90 100 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 Akurasi Parameter fuzzifikasi F FLBP 8,2