Pembandingan Akurasi Terhadap NN Desain Aplikasi FNN

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 51 oleh Gambar 34. Proses training selesai dengan durasi 1 detik dengan error MSE terkecil sebesar 9.42e-05 pada epoch 11. Gambar 34 Pelatihan dengan 25 neuron pada lapisan tersembunyi Hasil dari proses validasi mampu mengenali sebanyak 80 data dari 105 data atau 76. Pada proses pengujian menggunakan data testing mampu mengenali sebanyak 16 data dari 20 data atau 80. Dari gambar proses training pada Gambar 26 sampai dengan Gambar 31 diatas menunjukkan bahwa jumlah epoch yang berbeda tidak menentukan waktu pelatihan yang berbeda, bahkan justru menunjukkan waktu pelatihan yang rata- rata hampir sama. Dengan kata lain bahwa secara umum jumlah epoch, waktu pelatihan dan MSE yang didapatkan secara random tidak mempunyai pengaruh satu sama lain. Bentuk grafik yang landai menunjukkan lambatnya perubahan bobot untuk mencapai konvergen, sedangkan bentuk grafik yang menukik tajam menunjukkan cepatnya perubahan bobot untuk mencapai konvergen. Dengan memperhitungkan akurasi dan waktu pada saat pengenalan tahap kematangan buah manggis hasil pelatihan pada Tabel 6, maka model jaringan yang terbaik untuk penentuan tahap kematangan buah manggis ini adalah model jaringan yang menggunakan 15 neuron lapisan tersembunyi. Untuk mendapatkan perbandingan kemampuan pengenalan tahap kematangan buah manggis antara FNN dan NN pada penelitian ini, maka variabel-variabel model FNN3 dicobakan ke dalam jaringan NN dengan variasi jumlah neuron pada layar tersembunyi yang sama. Hasil pelatihan NN memberikan hasil terbaik menggunakan 20 neuron pada lapisan tersembunyi dengan akurasi sebesar 65. Perbandingan hasil percobaan pelatihan dengan 3