Hubungan Tekstur dengan Tahap Kematangan Buah

60

5.2 Saran

Agar dapat mengenali pola dengan lebih baik, sehingga diharapkan mendapatkan akurasi yang lebih tinggi, penelitian selanjutnya disarankan : 1. Menggunakan sampel manggis dengan diameter yang seragam dan pengambilan nilai-nilai fiturnya memperhatikan diameter buah manggis, hal ini diharapkan akan mendapatkan nilai-nilai fitur yang lebih mencirikan buah manggis. 2. Jumlah data yang digunakan diperbanyak dan menggunakan data dari tahap kematangan 1 sampai tahap kematangan 6, hal ini diharapkan agar dapat mengenali pola dengan lebih baik. 3. Menggunakan rata-rata dari keempat sudut orientasi matriks co-occurrence pada ekstraksi ciri dalam mendapatkan nilai setiap ciri tekstur, hal ini diharapkan akan mendapatkan nilai ciri yang lebih bagus. 4. Menggunakan FNN tipe lainnya, dengan harapan mendapatkan pengenalan yang lebih bagus. DAFTAR PUSTAKA Abdullah, M. Z., Guan, L. C., Karim, A. A. 2001. The Application of Computer Vision System and Tomographic Radar Imaging for Asessing Phisical Properties of Food. Food Engineering 61 , 125-135. Ahmad, U. 2005. Pengolahan Citra Digital dan Teknik Pemrogramannya. Yogyakarta: Graha Ilmu. Backpropagation. n.d.. Retrieved November 23, 2011, from http:automatika.etf.bg.ac.rsfilespredmetios4nmMaterijali03_BackPropa gationMATLAB_nnet_BackPropagation.pdf Budi, W., Sumiyati, S. 2007. Prediksi Curah Hujan Kota Semarang Dengan Feedforward Neural Network Menggunakan Algoritma Quasi Newton BFGS Dan Levenberg-Marquardt. Jurnal Presipitasi Vol. 3 No. 2 . Chak, C.-K., Feng, G., Palaniswani, M. 1998. Implementation of Fuzzy Systems. In C. Leondes, Fuzzy Logic and Expert Systems Techniques and Applications. London: Academic Press. Departemen Pertanian. 2004. Standar Prosedur Operasi. Jakarta: Direktorat Tanaman Buah Departemen Pertanian. Duda, R. O., Hart, P. E., Stork, D. G. 1997. Pattern Classification. New Jersey: Pearson Prentice Hall. EasyRGB. n.d.. Retrieved June 7, 2011, from EasyRGB: http:www.easyrgb.com Fauset, L. 1994. Fundamental of Neural Network. New Jersey: Prentice Hall Inc. Gonzales, R. C., Wood, R. E. 2002. Digital Image Processing. New jersey: Prentice Hall. Haralick, R. M., Shanmugam, K., Dinstein, I. 1973. Textural Features for Image Classification. IEEE Transaction on Systems, Man adn Cybernetics Vol. 3 No. 6 , 610-621. Haykin, Simon. 1994. Neural Network : A Comprehensive Foundation. New York: Macmilan Publishing Company.