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.
48
a. Lapisan tersembunyi dengan jumlah neuron 2
Validasi terbaik dari proses training didapatkan pada saat mencapai error MSE sebesar 0.000179 yang diperoleh pada epoch 9, yang ditunjukkan
oleh Gambar 29. Proses training selesai dengan durasi kurang dari 1 detik dengan error MSE terkecil sebesar 0.000175 pada epoch 15.
Gambar 29 Pelatihan dengan 2 neuron pada lapisan tersembunyi Proses validasi dilakukan dengan menguji jaringan yang terbentuk
menggunakan data training. Hasil dari proses validasi mampu mengenali sebanyak 79 data dari 105 data atau 75. Pada proses pengujian
menggunakan data testing mampu mengenali sebanyak 14 data dari 20 data atau 70.
b. Lapisan tersembunyi dengan jumlah neuron 5
Validasi terbaik dari proses training didapatkan pada saat mencapai error MSE sebesar 0.000210 yang diperoleh pada epoch 5, yang ditunjukkan
oleh Gambar 30. Proses training selesai dengan durasi kurang dari 1 detik dengan error MSE terkecil sebesar 0.000200 pada epoch 11.
Hasil dari proses validasi mampu mengenali sebanyak 75 data dari 105 data atau 71. Pada proses pengujian menggunakan data testing mampu
mengenali sebanyak 15 data dari 20 data atau 75.
49
Gambar 30 Pelatihan dengan 5 neuron pada lapisan tersembunyi c.
Lapisan tersembunyi dengan jumlah neuron 10 Validasi terbaik dari proses training didapatkan pada saat mencapai
error MSE sebesar 0.000309 yang diperoleh pada epoch 15, yang ditunjukkan oleh Gambar 31. Proses training selesai dengan durasi 1 detik
dengan error MSE terkecil sebesar 0.000129 pada epoch 21.
Gambar 31 Pelatihan dengan 10 neuron pada lapisan tersembunyi Hasil dari proses validasi mampu mengenali sebanyak 77 data dari 105
data atau 73. Pada proses pengujian menggunakan data testing mampu mengenali sebanyak 15 data dari 20 data atau 75.
d. Lapisan tersembunyi dengan jumlah neuron 15
Validasi terbaik dari proses training didapatkan pada saat mencapai error MSE sebesar 0.0001671 yang diperoleh pada epoch 16, yang
ditunjukkan oleh Gambar 32. Proses training selesai dengan durasi 1 detik dengan error MSE terkecil sebesar 0.000161 pada epoch 22.
50
Gambar 32 Pelatihan dengan 15 neuron pada lapisan tersembunyi Hasil dari proses validasi mampu mengenali sebanyak 76 data dari 105
data atau 72. Pada proses pengujian menggunakan data testing mampu mengenali sebanyak 17 data dari 20 data atau 85.
e. Lapisan tersembunyi dengan jumlah neuron 20
Validasi terbaik dari proses training didapatkan pada saat mencapai error MSE sebesar 4.389e-005 yang diperoleh pada epoch 14, yang
ditunjukkan oleh Gambar 33. Proses training selesai dengan durasi 1 detik dengan error MSE terkecil sebesar 0.000199 pada epoch 20.
Gambar 33 Pelatihan dengan 20 neuron pada lapisan tersembunyi Hasil dari proses validasi mampu mengenali sebanyak 78 data dari 105
data atau 74. Pada proses pengujian menggunakan data testing mampu mengenali sebanyak 15 data dari 20 data atau 75.
f. Lapisan tersembunyi dengan jumlah neuron 25
Validasi terbaik dari proses training didapatkan pada saat mencapai error MSE sebesar 0.000429 yang diperoleh pada epoch 5, yang ditunjukkan
