HASIL DAN PEMBAHASAN
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.
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%.
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.
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
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
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%.
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.