bab iv - repository.ipb.ac.id · matrix (glcm) untuk mendapatkan ciri tekstur yang meliputi...

BAB IV

HASIL DAN PEMBAHASAN

4.1 Pengumpulan dan Praproses Data

Kegiatan pertama dalam penelitian tahap ini adalah melakukan

pengumpulan data untuk bahan penelitian. Penelitian ini menggunakan data

sekunder berupa citra buah manggis Padang dengan tingkat ketuaan atau

kematangan tahap 2, 3, 4, 5 dan 6. Jumlah dari masing-masing tahap kematangan

sejumlah 25 citra, sehingga jumlah data citra keseluruhan adalah 125 citra buah

manggis. Citra buah manggis ini merupakan hasil capture buah manggis pada tiap

tahap kematangan, yang diambil dengan perlakuan yang sama, dari buah manggis

kematangan tahap 2 yang dikembangkan sampai tahap 5. Citra yang digunakan

pada penelitian ini disajikan pada Lampiran 2.

Penentuan tahap kematangan atau tingkat ketuaan yang dimaksud pada

penelitian ini adalah tingkat ketuaan berdasarkan Ditjen tanaman buah dalam

Standar Prosedur Operasional (SPO) manggis deptan 2004. Tahap kematangan

pada SPO manggis tersebut dimulai dari kematangan tahap 0 sampai kematangan

tahap 6. Ciri perubahan pada tiap tahap kematangannya adalah perubahan warna

kulit manggis, yaitu perubahan dari warna kuning kehijauan yang merupakan

warna kulit buah manggis pada tahap kematangan 0, berangsur-angsur berubah

warna pada tiap tahap kematangannya ke warna ungu kehitaman yang merupakan

warna kulit buah manggis pada tahap kematangan 6. Hal ini disajikan pada Tabel

1.

Penentuan tahap kematangan yang dilakukan pada penelitian ini adalah

penentuan tahap kematangan menjadi tiga kelompok/kelas, yaitu membagi buah

manggis kedalam kelompok buah mentah untuk buah manggis yang berada pada

kematangan tahap 2, buah ekspor untuk buah manggis yang berada pada

kematangan tahap 3 dan 4, dan buah lokal/domestik untuk buah manggis yang

berada pada kematangan tahap 5 dan 6.

38

Data citra buah manggis yang digunakan tidak mempunyai ukuran yang

seragam dan tidak memperhitungkan diameter buah manggis dalam pengolahan

menjadi nilai-nilai fitur yang digunakan sebagai penentu tahap kematangan buah

manggis.

Citra buah manggis yang berjumlah 125 diolah menggunakan Matlab R2009a

sehingga didapatkan nilai-nilai RGB dari rata-rata semua piksel, yang disajikan

pada

Lampiran 3. Nilai-nilai RGB tersebut diolah kembali untuk mendapatkan

parameter-parameter yang digunakan sebagai variabel penentu tahap kematangan

buah manggis, yaitu HSV, L*u*v* dan L*a*b*. Dilakukan juga ekstraksi ciri

pada citra buah manggis tersebut menggunakan metode gray-level co-occurrence

matrix (GLCM) untuk mendapatkan ciri tekstur yang meliputi entropi, kontras,

energi dan homogenitas. Ekstraksi ciri dilakukan menggunakan orientasi sudut 0o

dan level keabuan 8. Selanjutnya data ini dibagi menjadi dua kelompok data yang

saling asing, yaitu data pelatihan/training sebanyak 105 data atau 85% dan data

uji/testing sebanyak 20 data atau 15%, setelah sebelumnya dilakukan transformasi

nilai-nilai tersebut kedalam selang 0 sampai 1.

4.2 Hubungan Indek RGB dengan Tahap Kematangan Buah

Berdasarkan data penelitian, perkembangan warna R, G dan B pada tiap

tahap kematangan tidak mempunyai pola yang teratur. Tidak ada pola yang jelas

untuk naik atau turunnya nilai RGB pada tiap perkembangan tahap kematangan.

Pada tahap perkembangan yang sama suatu data ada yang nilai RGB naik,

sebagian data yang lain nilainya turun, demikian juga terjadi pada tahap-tahap

perkembangan yang lain. Hal ini diperlihatkan pada Gambar 17.

Nilai rata-rata sebaran indek RGB pada penelitian ini menunjukkan derajat

kemerahan, kehijauan dan kebiruan buah yang menurun seiring dengan tingkat

ketuaan atau bertambahnya tahap kematangan. Hal ini ditunjukkan pada Gambar

18 dan Lampiran 4. Perubahan nilai RGB dapat menjelaskan fenomena

bertambahnya tingkat ketuaan buah manggis yang ditandai dengan perubahan dari

warna kuning kehijauan menjadi ungu kehitaman.

39

Gambar 17 Sebaran RGB pada tiap tahap kematangan

Gambar 18 Rata-rata nilai RGB

Indek warna RGB mempunyai nilai yang overlap pada tiap tahap kematangan

dengan tahap kematangan yang berbeda, namun tetap dapat digunakan sebagai

penduga model kematangan buah manggis menggunakan nilai koefisien

determinasi (R2) seperti pada Lampiran 5. Model regresi yang diduga kuat

memiliki keeratan hubungan antara warna dengan tahap kematangan adalah model

regresi menurut warna g (hijau). Nilai R2 warna g sebesar 0.4548

mengindikasikan bahwa sebesar 45% derajat kematangan ditentukan oleh

perubahan warna g.

4.3 Hubungan HSV dengan Tahap Kematangan Buah

Berdasarkan data penelitian yang ditunjukkan pada Gambar 19,

perkembangan nilai H naik turun tidak berpola pada tiap tahap kematangannya

dan nilai S mempunyai nilai yang mirip pada tiap tahap kematanganannya,

sehingga nilai H dan S tidak dapat digunakan sebagai penduga model kematangan

buah manggis.

0.6500

0.7000

0.7500

0.8000

Nila

i

Merah Hijau BiruFitur Penduga Tahap Kematangan

0.7200

0.7400

0.7600

0.7800

1 2 3 4 5 6 7

Nila

i RG

B

Tahap Kematangan

blue

red

green

40

Gambar 19 Sebaran HSV pada tiap tahap kematangan

Nilai rata-rata V menurun seiring dengan tingkat ketuaan buah manggis, hal ini

ditunjukkan oleh Gambar 20 dan Lampiran 6. Sebaran nilai V overlap pada tiap

tahap kematangan dengan tahap kematangan yang berbeda, namun tetap dapat

digunakan sebagai penduga model kematangan buah manggis menggunakan nilai

koefisien determinasi (R2) seperti pada Lampiran 7. Model regresi yang diduga

kuat memiliki keeratan hubungan antara warna dengan kematangan adalah model

regresi menurut nilai value. Nilai R2 sebesar 0.4062 mengindikasikan bahwa

sebesar 40% derajat kematangan ditentukan oleh perubahan nilai value.

Gambar 20 Rata-rata nilai HSV

Menurunnya nilai value menunjukkan menurunnya tingkat kecerahan

manggis, yang mengakibatkan perubahan warna dari merah kearah hitam. Hal ini

menjelaskan perubahan warna dari kuning kemerahan ke warna ungu kehitaman

pada buah manggis.

4.4 Hubungan L*a*b* dengan Tahap Kematangan Buah

Data pada penelitian ini menunjukkan bahwa nilai L*

(luminance/lightness) menurun seiring dengan tingkat ketuaan buah manggis,

-0.1000

0.1000

0.3000

0.5000

0.7000

0.9000

1.1000

Nila

i

H S VFitur Penduga Tahap Kematangan

0.0000

0.5000

1.0000

1 2 3 4 5 6 7

Rat

a-ra

ta

Tahap Kematangan

H

S

V

41

nilai a* meningkat seiring dengan tingkat ketuaan buah manggis, dan nilai b*

tidak mempunyai keteraturan pola pada perkembangan tahap ketuaan buah

manggis, hal ini ditunjukkan oleh Gambar 21, Gambar 22 dan Lampiran 8.

Menurunnya nilai L* menunjukkan perubahan warna dari terang ke warna

gelap, yaitu dari warna kuning kemerahan menjadi warna ungu kehitaman.

Meningkatnya nilai a* menunjukkan terjadi perubahan kadar warna merah yaitu

warna kuning kemerahan menjadi warna ungu kehitaman. Secara umum

perubahan warna L*a*b* seiring dengan tingkat ketuaan buah menunjukkan

perubahan warna dari kuning kemerahan menjadi warna ungu kehitaman.

Gambar 21 Sebaran L*a*b* pada tiap tahap kematangan

Gambar 22 Nilai rata-rata L*a*b*

Nilai L* dan a* mempunyai nilai yang overlap pada tiap tahap

kematangan dengan tahap kematangan yang berbeda, namun tetap dapat


koefisien determinasi (R2) seperti pada Lampiran 9. model regresi yang diduga

kuat memiliki keeratan hubungan antara warna L*a*b* dengan kematangan

0.0000

0.2000

0.4000

0.6000

0.8000

1.0000

Nila

i

L* a* b*Fitur Penduga Tahap Kematangan

0.0000

0.5000

1.0000

1 2 3 4 5 6 7

Rat

a-ra

ta

Tahap Kematangan

L*

a*

b*

42

adalah model regresi menurut nilai a*. Nilai R2 sebesar 0.4808 mengindikasikan

bahwa sebesar 48% derajat kematangan ditentukan oleh perubahan nilai a*.

4.5 Hubungan u*v* dengan Tahap Kematangan Buah

Data pada penelitian ini menunjukkan bahwa nilai u* dan v* meningkat

seiring dengan tingkat ketuaan buah manggis. Hal ini ditunjukkan oleh Gambar

23, Gambar 24 dan Lampiran 10.

Gambar 23 Sebaran u*v* pada tiap tahap kematangan

Gambar 24 Nilai rata-rata u*v*

Meningkatnya nilai u* dan v* menunjukkan bahwa terjadi perubahan kuat

warna merah ke hijau oleh nilai u* dan terjadi perubahan kuat warna kuning ke

biru oleh nilai v*. Hal ini mengakibatkan terjadinya perubahan warna dari kuning

kemerahan menjadi warna ungu kehitaman.

Nilai u* dan v* mempunyai nilai yang overlap pada tiap tahap kematangan

dengan tahap kematangan yang berbeda, namun tetap dapat digunakan sebagai

penduga model kematangan buah manggis menggunakan nilai koefisien

determinasi (R2) seperti pada Lampiran 11. Model regresi yang diduga kuat

memiliki keeratan hubungan antara warna L*u*v* dengan kematangan adalah

0.0000

0.2000

0.4000

0.6000

0.8000

1.0000

Nila

i

u* v*Fitur Penduga Tahap Kematangan

0.2400

0.4400

1 2 3 4 5 6 7Rat

a-ra

ta

Tahap Kematangan

u*

v*

43

model regresi menurut nilai u*v*. Nilai R2 sebesar 0.5856 mengindikasikan

bahwa sebesar 59% derajat kematangan ditentukan oleh perubahan nilai u*v*.

4.6 Hubungan Tekstur dengan Tahap Kematangan Buah

Berdasarkan data penelitian, nilai entropi (keteracakan dari distribusi

perbedaan lokal dari sebuah citra) semakin kecil seiring dengan bertambahnya

tahap kematangan, nilai kontras dan keragamannya meningkat seiring dengan

ketuaan buah manggis, nilai energi dan homogenitas tidak mempunyai keteraturan

pola pada perkembangan tiap tahap kematangan, hal ini ditunjukkan oleh Gambar

25, Gambar 26 dan Lampiran 12.

Gambar 25 Sebaran entropi, kontras, energi dan homogenitas pada tiap tahap kematangan

Gambar 26 Nilai rata-rata entropi, kontras, energi dan homogenitas

Hal ini menunjukkan manggis yang lebih muda permukaan kulitnya

mempunyai warna yang hampir seragam (homogen) sehingga intensitas warna

yang diterima kamera lebih tinggi. Menurut Ahmad (2005) dan Harlick et al.

0.0500

0.2500

0.4500

0.6500

0.8500

Nila

i

entropi kontras energi homogenitasFitur Penduga Tahap Kematangan

0.00000.20000.40000.60000.80001.0000

1 2 3 4 5 6 7

Nila

i Rat

a-ra

ta

Tahap Kematangan

entropi

kontras

energi

homogenitas

44

(1973) kontras merupakan fitur tekstur yang digunakan untuk mengukur kekuatan

perbedaan intensitas dalam citra.

Nilai entropi dan kontras mempunyai nilai yang overlap pada tiap tahap

kematangan dengan tahap kematangan yang berbeda, namun tetap dapat


koefisien determinasi (R2) seperti pada Lampiran 13. Model regresi yang diduga

kuat memiliki keeratan hubungan antara warna dengan kematangan adalah model

regresi menurut fitur entropi. Nilai R2 sebesar 0.3189 mengindikasikan bahwa

sebesar 32% derajat kematangan ditentukan oleh perubahan nilai entropi.

4.7 Parameter Penentu Tahap Kematangan Manggis

Parameter yang digunakan untuk menentukan tahap kematangan manggis

dalam penelitian ini adalah warna kulit manggis. Sebelum membangun sistem

untuk menentukan tahap kematangan buah manggis, terlebih dahulu dicari

variabel yang mempunyai korelasi dengan tingkat ketuaan atau tahap kematangan

buah manggis. Variabel ini selanjutnya digunakan sebagai variabel penduga

dalam penentuan tahap kematangan. Variabel-variabel yang diuji adalah RGB,

HSV, l*a*b*, l*u*v* dan entropi, energi, kontras serta homogenitas. Berdasar

hasil analisis, variabel penduga yang digunakan dalam penentuan tahap

kematangan buah manggis adalah nilai RGB, V, a*, u*, v*, entropi, energi,

kontras dan homogenitas.

Dalam penelitian ini digunakan 4 model kombinasi variabel dari variabel-

variabel penduga, disajikan pada Tabel 4. Empat model tersebut digunakan

sebagai input/masukan pada FNN yang akan digunakan sebagai model untuk

menentukan tahap kematangan buah manggis. Selanjutnya diambil hasil FNN

yang terbaik dari keempat model masukan tersebut sebagai model klasifikasi

kematangan buah manggis.

45

Tabel 4 Model variabel input/masukan penentuan tahap kematangan manggis

Model R G B V a* u* v* entropi energi kontras homogenitas FNN1

√

√ √ √ √ √

FNN2 √ √ √ √ √ √ √ √ FNN3 √ √ √ √ √ √ √ √ √

FNN4 √ √ √ √ √ √ √ √ √ √ √

4.8 Paramater Output Tahap Kematangan Manggis

Parameter output yang digunakan sebagai target pembelajaran dalam

penelitian ini adalah tahap kematangan manggis. Telah dijelaskan sebelumnya

bahwa penentuan tahap kematangan yang dilakukan pada penelitian ini adalah

penentuan tahap kematangan menjadi tiga kelompok/kelas, yaitu membagi buah

manggis kedalam kelas buah mentah atau belum matang untuk buah manggis

yang berada pada kematangan tahap 2, kelas buah ekspor untuk buah manggis

yang berada pada kematangan tahap 3 dan 4, dan kelas buah lokal/domestik untuk

buah manggis yang berada pada kematangan tahap 5 dan 6.

Nilai output yang digunakan adalah 1 untuk kelas manggis yang belum matang, 2

untuk kelas manggis ekspor dan 3 untuk kelas manggis lokal/domestik, disajikan

pada Tabel 5.

Tabel 5 Nilai output/keluaran tahap kematangan manggis

Output Tahap kematangan Keterangan

1 2 mentah/belum matang

2 3

ekspor

4

3 5 domestik

6

Sebelum proses training, akan dilakukan pengubahan nilai target pelatihan

menjadi target bernilai fuzzy terlebih dahulu, yaitu berupa derajat keanggotaan tiap

pola input terhadap tiap kelas kematangan, yang nilai-nilainya disajikan pada

Lampiran 14 dan grafiknya disajikan pada Gambar 27.

46

Gambar 27 Derajat keanggotaan target pelatihan

Berdasarkan pembahasan sebelumnya disebutkan bahwa semua variabel

yang dapat digunakan sebagai model penduga tahap kematangan buah manggis

tidak dapat ditarik garis pembeda pada tiap tahap kematangannya karena terdapat

nilai-nilai atau pola yang berada diantara dua kelas. Hal ini terlihat pula pada

derajat keanggotaan yang terbentuk, yang mempunyai nilai sangat dekat satu sama

lain. Hal ini menunjukkan bahwa terdapat ambiguitas yang tinggi dalam

penentuan kelas kematangan buah manggis jika dilakukan menggunakan

klasifikasi klasik.

4.9 Program Model Penentuan Tahap Kematangan Buah Manggis

Program model penentuan tahap kematangan buah manggis dalam

penelitian ini mempunyai beberapa tahapan, yaitu memanggil file citra yang sudah

disimpan, melakukan proses pengolahan citra untuk mendapatkan parameter

penentu tahap kematangan manggis, dan menentukan tahap kematangan buah

manggis dari citra tersebut.

Citra buah manggis yang dipanggil akan menghasilkan nilai RGB yang

merupakan parameter penentu utama, yang diperoleh dari nilai rata-rata

keseluruhan piksel objek. Selanjutnya program tersebut akan menghitung

parameter penduga tahap kematangan buah manggis, yaitu mengkonversi

parameter warna dari model warna RGB ke nilai value, a*, u*, v*, serta

menghitung nilai entropi, kontras, energi dan homogenitas. Kemudian program

akan menampilkan variabel-variabel penduga penentu tahap kematangan buah

47

manggis yang digunakan sebagai input/masukan 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



oleh Gambar 30. Proses training selesai dengan durasi kurang dari 1 detik


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


c. Lapisan tersembunyi dengan jumlah neuron 10


error (MSE) sebesar 0.000309 yang diperoleh pada epoch 15, yang

ditunjukkan oleh Gambar 31. Proses training selesai dengan durasi 1 detik






d. Lapisan tersembunyi dengan jumlah neuron 15


error (MSE) sebesar 0.0001671 yang diperoleh pada epoch 16, yang



50





e. Lapisan tersembunyi dengan jumlah neuron 20


error (MSE) sebesar 4.389e-005 yang diperoleh pada epoch 14, yang







f. Lapisan tersembunyi dengan jumlah neuron 25



51

oleh Gambar 34. Proses training selesai dengan durasi 1 detik dengan error

(MSE) terkecil sebesar 9.42e-05 pada epoch 11.





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

52

kelas target menggunakan FNN dan NN yang disajikan pada Lampiran 17, hal

tersebut menunjukkan bahwa FNN mempunyai kemampuan pengenalan yang

lebih baik dibandingkan NN dalam menentukan tahap kematangan buah manggis.

Perbandingan hasil proses validasi dan testing dari FNN dan NN disajikan pada

Gambar 35, dengan akurasi rata-rata FNN sebesar 85% dan NN sebesar 65%.

Tabel 6 Hasil pelatihan pengenalan tahap kematangan

FNN3

Lapisan Durasi MSE Epoch Akurasi Akurasi Tersembunyi Pelatihan Validasi(%) Testing(%) 2 neurons 0 0.000175 15 75 70

5 neurons 0 0.000200 11 71 75

10 neurons 1 0.000129 21 73 75

15 neurons 1 0.000161 22 72 85

20 neurons 1 0.000199 20 74 75

25 neurons 1 9.42e-05 11 76 80

Gambar 35 (a) Perbandingan validasi (b) Perbandingan testing

Berdasarkan matriks confussion pada Gambar 36, akurasi yang dihasilkan

oleh model FNN untuk buah manggis kelas mentah dan kelas ekspor adalah

100%. Hal ini berarti untuk menjaga kualitas buah manggis mentah dan ekspor

teknik ini bisa diandalkan. Untuk kelas manggis lokal teknik ini tidak bisa

dipergunakan. Dengan kata lain bahwa buah manggis dikelompokkan menjadi 3

kelas, yaitu kelas mentah, kelas ekspor, kelas bukan mentah dan bukan ekspor.

Jika hal tersebut yang dilakukan maka teknik mampu melakukan klasifikasi

dengan baik sebesar 100%.

53

Gambar 36 Matriks confussion hasil klasifikasi (a) FNN (b) NN

Kesalahan pendugaan sistem sebesar 15% pada model FNN dapat terjadi

karena ukuran sampel manggis yang digunakan tidak seragam dan dalam

pengambilan nilai-nilai fitur yang digunakan sebagai penentu kematangan

manggis mengabaikan diameter buah manggis. Jika ukuran sampel manggis yang

digunakan seragam dan atau pengambilan nilai-nilai fitur dilakukan hanya pada

area kulit buah manggis yang mengalami perkembangan warna seiring dengan

ketuaan atau tahap kematangan dimungkinkan akan mendapatkan nilai-nilai fitur

yang lebih mencirikan buah manggis tersebut. Atau dengan kata lain, akan

didapatkan nilai-nilai fitur yang mempunyai pengaruh lebih besar terhadap tahap

kematangan buah manggis, sehingga kesalahan pendugaan bisa menjadi lebih

kecil.

Berdasarkan perbandingan pengenalan tersebut diatas, FNN mempunyai

kemampuan yang lebih bagus dalam pengenalan terhadap tahap kematangan buah

manggis, sehingga model FNN layak digunakan sebagai model klasifikasi

kematangan buah manggis. Model FNN yang dikembangkan untuk klasifikasi

kematangan buah manggis menggunakan bobot yang didapatkan dari model

FNN3 dengan 15 neuron pada lapisan tersembunyi.

4.11 Analisis Hasil Pemodelan FNN Pembanding

FNN pembanding yang dimaksud dalam penelitian ini adalah FNN untuk

mengklasifikasi tahap kematangan manggis ke dalam 5 kelas dan 2 kelas target

klasifikasi. Hal ini dimaksudkan untuk mengetahui akurasi model FNN yang

dilatih menggunakan data, variasi input dan variasi jumlah neuron pada lapisan

input yang sama namun menggunakan jumlah target yang berbeda.

Lima kelas target klasifikasi buah manggis menunjukkan lima tahap

kematangan yang digunakan dalam penelitian ini, yaitu kelas 1 untuk buah yang

berada pada tahap kematangan 2 (mentah), kelas 2 untuk buah yang berada pada

54

tahap kematangan 3 (ekspor1), kelas 3 untuk buah yang berada pada tahap

kematangan 4 (ekspor2), kelas 4 untuk buah yang berada pada tahap kematangan

5 (lokal/domestik1) dan kelas 5 untuk buah yang berada pada tahap kematangan 6

(lokal/domestik2). Dua kelas target klasifikasi buah manggis menunjukkan tahap

kematangan buah untuk kelas ekspor dan lokal/domestik. Kelas 1 (ekspor) untuk

buah yang berada pada tahap kematangan 2, 3 dan 4. Kelas 2 (lokal/domestik)

untuk buah yang berada pada tahap kematangan 5 dan 6. Nilai output untuk

penentuan tahap kematangan buah manggis ke dalam 5 kelas dan 2 kelas target

disajikan dalam Lampiran 18.

Seperti pada percobaan sebelumnya, 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.

a. Percobaan dengan 5 kelas target output

Dari empat model input yang dicobakan pada 5 kelas target output

didapatkan hasil terbaik pada model FNN3. Model FNN3 menggunakan

parameter g, v, a*, u*, v*, entropi, kontras, energi dan homogenitas. Hasil terbaik

yang didapatkan adalah testing dengan akurasi sebesar 70% dengan 15 neuron

pada lapisan tersembunyi. Hasil percobaan model FNN3 dengan variasi jumlah

neuron pada lapisan tersembunyi disajikan pada Lampiran 19.




jumlah neuron pada layar tersembunyi yang sama pula. Hasil pelatihan NN

memberikan hasil terbagus menggunakan 25 neuron pada lapisan tersembunyi

dengan akurasi testing sebesar 40%. Pada perbandingan percobaan pelatihan

dengan 5 kelas target menggunakan FNN dan NN yang disajikan pada Lampiran

20 menunjukkan bahwa FNN mempunyai kemampuan yang lebih baik

dibandingkan NN dalam menentukan tahap kematangan buah manggis, yaitu

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.




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

57

Dalam penelitian ini nilai akurasi rata-rata menunjukkan bahwa

penggunaan FNN dalam klasifikasi tahap kematangan buah mangis ini

memberikan hasil yang lebih bagus daripada menggunakan NN. Hal ini

menjelaskan bahwa himpunan fuzzy yang mempunyai derajat keanggotaan antara

0 dan 1 dapat digunakan untuk memisahkan pola yang mempunyai nilai ambigu

atau berada diantara dua kelas menggunakan derajat keanggotaan, yang tidak bisa

dilakukan menggunakan klasifikasi klasik pada NN.

bab iv - repository.ipb.ac.id · matrix (glcm) untuk mendapatkan ciri tekstur yang meliputi...

Documents