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.
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.
Kategori