55
akurasi testing sebesar 70 untuk FNN dan akurasi testing sebesar 40 untuk NN.
Perbandingan prosentase hasil proses validasi dan testing pada FNN dan NN dapat dilihat pada Gambar 37, ketepatan penentuan tahap kematangan buah
manggis berdasarkan warna kulit menggunakan FNN adalah sebesar 70, sedangkan menggunakan NN sebesar 40.
Gambar 37 a Perbandingan validasi b Perbandingan pengenalan
b. Percobaan dengan 2 target output
Dari empat model input yang dicobakan pada 2 kelas target output didapatkan hasil terbaik pada model FNN2. Model FNN2 menggunakan
parameter r, g, b, v, a, u, v dan entropi. Hasil terbaik yang didapatkan adalah testing dengan akurasi sebesar 90 dengan 5 neuron pada lapisan tersembunyi.
Hasil percobaan model input 2 dengan variasi jumlah neuron pada lapisan tersembunyi disajikan pada Lampiran 21.
Untuk mendapatkan perbandingan kemampuan pengenalan tahap kematangan buah manggis antara FNN dan NN pada penelitian ini, maka
variabel-variabel model FNN2 dicobakan ke dalam jaringan NN dengan variasi jumlah neuron pada layar tersembunyi yang sama pula. Hasil pelatihan NN
memberikan hasil terbagus menggunakan 15 neuron pada lapisan tersembunyi dengan akurasi testing sebesar 90. Perbandingan percobaan pelatihan dengan 2
kelas target menggunakan FNN dan NN yang disajikan pada Lampiran 22 menunjukkan bahwa FNN dan NN mempunyai kemampuan pengenalan yang
sama dalam penentuan tahap kematangan buah manggis dengan 2 kelas target, yaitu memberikan akurasi testing sebesar 90.
56
Perbandingan hasil proses validasi dan testing pada FNN dan NN disajikan pada Gambar 38, ketepatan penentuan tahap kematangan buah manggis
berdasarkan warna kulit menggunakan FNN dan NN adalah sama yaitu sebesar 90.
Gambar 38 a Perbandingan validasi, b Perbandingan testing
4.12 Analisis Hasil FNN Berdasarkan Jumlah Target Kelas Klasifikasi
Berdasarkan hasil percobaan dalam penelitian ini menyatakan bahwa FNN dalam mengklasifikasi tahap kematangan buah manggis menggunakan data yang
sama namun menggunakan jumlah target kelas yang berbeda memberikan hasil yang berbeda. Demikian juga halnya klasifikasi menggunakan NN, akan
memberikan hasil yang berbeda jika menggunakan jumlah target kelas yang berbeda.
Perbandingan rata-rata hasil validasi dan testing pada pelatihan FNN dan NN dengan jumlah kelas target yang berbeda disajikan pada Gambar 39.
Gambar 39 Perbandingan hasil pelatihan a Validasi b Akurasi rata-rata
