BAB V KESIMPULAN DAN SARAN

(1)

BAB V

KESIMPULAN DAN SARAN

V.1 Kesimpulan

Setelah dilakukan perancangan sistem evaluasi mutu berbasis komputer

(logika fuzzy , pengolahan citra dan JST), maka dapat disimpulkan bahwa :

1. Program logika fuzzy yang dirancang bangun mampu mengenali buah

melon sebanyak 66 buah dari 80 buah melon yang diujikan. Akurasi

tertinggi yang diperoleh adalah 82.5% dengan menggunakan selang brix 6,

6.6, 8.4, 10.5, 11.8 dan selang pH 5.8, 6.5, 7.8, 7.9, 9. Perolehan hasil

pengenalan rasa normalisasi adalah 33 rasa manis, 36 rasa sedang dan 11

rasa tawar. Data rasa ini merupakan input bagi JST.

2. Pengolahan citra yang dirancang untuk menduga mutu buah dapat

mengenali nilai parameter berupa jarak jari-jari dari titik tengah melon ke

jaring terdekat (r

1

, r

2

, r

3

,…, r

36

), rata–rata jari– jari, roundness , luas (A),

nilai rata-rata intensitas warna merah (R), Hijau (H), Biru (B), colour

value (CV), nilai indeks warna merah (indeks R), indeks hijau (indeks H),

indeks biru (indeks B), nilai hue (H), saturation (S), dan intensity (I). Data

karakteristik buah melon ini akan menjadi input untuk JST.

3. Percobaan untuk menentukan nilai parameter optimal untuk arsitektur JST

sehingga akurasi dan waktu yang didapat adalah baik dan lebih cepat yaitu

dengan menggunakan jumlah node lapisan tersembunyi sebanyak 30 dan

laju pembelajaran 0.8. Rata–rata akurasi yang didapatkan setelah

pengulangan 3 kali adalah sebesar 80%, rata–rata waktu pelatihan adalah

51.33 detik dan rata–rata waktu validasi adalah 0.162 detik dan waktu

pendugaan 8.79 detik.

4. Model JST untuk pendugaan buah melon berdasarkan rasa dikembangkan

dengan empat puluh sembilan lapisan masukan, tiga puluh lapisan

tersembunyi, dan tiga lapisan keluaran dengan laju pembelajaran 0.8 telah

mampu menghasilkan akurasi total 90% pada proses validasi yang terdiri

dari akurasi pendugaan rasa manis sebesar 100%, rasa sedang sebesar

75% dan rasa tawar sebesar 100%.

(2)

V.2. SARAN

Beberapa saran setelah dilakukannya pen elitian perancangan sistem evaluasi

mutu ini adalah :

1. Perlu adanya pengurangan beberapa parameter yang tidak terlalu

berpengaruh dalam pendugaan mutu buah melon, seperti nilai indeks

warna merah (indeks R), indeks warna hijau (indeks G ), indeks warna

biru (indeks B) karena nilai rata-ratanya saling mendekati.

2. Pada proses normalisasi dan training dibutuhkan jumlah sampel yang lebih

banyak lagi sehingga keragaman karakteristik buah melon semakin

banyak dan sistem dapat mengenali lebih baik lagi.

3. Perlu adanya penelitian lanjutan mengenai parameter yang diperlukan agar

lebih mendekati sempurna dalam proses pendugaan tingkat kemanisan

buah melon.

(3)

DAFTAR PUSTAKA

Ahmad U. 2005. Pengolahan Citra Digital. Yogyakarta: Graha Ilmu.

Arymurthy AM dan Suryana S. 1992. Pengantar Pengolahan Citra. Jakarta: PT

Elex Media Komputindo.

Fausett L. 1994. Fundamentals of Neural Network. New Jersey: Prentice-Hall.

Fu L. 1994. Neural Networks in Computer Intelligence. Singapore: McGraw -Hill

Inc.

Jang JSR, Sun CT and Mizutani E. 1997. Neuro-Fuzzy And Soft Computing (A

Computational Approach to Learning and Machine Intelligence). New

Jersey: Prentice-Hall.

Tsai JT, Chou JH, and Liu TK. 2006. Tuning the Structure and Parameters of a

Neural Network by Using Hybrid. IEEE Trans Neural Netw 17:69-80.

Kristanto A. 2004. Jaringan Syaraf Tiruan . Yogyakarta: Gava Media.

Kristanto A. 2004. Jaringan Syaraf Tiruan (Konsep dasar, algoritma dan

Aplikasi) . Yogyakarta: Gava Media.

Kusumadewi S. 2003. Artificial Intelligence (Teknik dan Aplikasinya).

Yogyakarta: Graha Ilmu.

Mandala J. 2003. Pemanfaatan Transformasi Wavelet Citra Wajah Sebagai Sistem

Keamanan Kunci kombinasi. Tesis. Program Pascasarjana, Institut

Teknologi Bandung.

Marimin. 2005. Teori dan Aplikasi Sistem Pakar dalam Teknologi Manajerial.

Bogor: IPB Press.

Pal SK. 1989. Fuzzy: Pendekatan Matematik Untuk Pengenalan Pola. Sardy S,

penerjemah. Jakarta: Penerbit Universitas Indonesia..

Prajnanta F. 2004. Pemeliharaan Secara Intensif Dan Kiat Sukses Beragribisnis

Melon. Jakarta: Penebar Swadaya.

Ramadhan A. 2004. Microsoft Visual basic 6.0. Jakarta: PT Elex Media

Komputindo.

Rao VB. 1995. C++ Neural Network and Fuzzy Logic. M&T Books, IDG Books

Worldwide, inc.

Rich E and Knight K. 1991. Artificial Inteligent. 2

nd

Ed. New Delhi: Mc

Graw-Hill Inc.

(4)

Rukmana R. 1995. Melon Hibrida . Yogyakarta: Kanisius.

Setiadi dan Parimin. 2004. Bertanam Melon (Edisi Revisi). Jakarta: Penebar

Swadaya.

Sibigtroth JM. 1992. Implementing fuzzy expert rules in hardware. The magazine

of artificial intelegence in practice Vol. 7(14): 25-28.

Viot G. 1993. Fuzzy logic: concepts to construct. The magazine of artificial

intelligence in practice Vol. 7(4): 25-28.

Zimmermann HJ. 1996. Fuzzy Set Theory and Its Applications 3

th

Ed. London:

Kluwer Academic Publisher.

(5)

Tabel Lampiran 1. 80 Sampel yang Digunakan Untuk Sebelum Normalisasi

No. Sampel brix pH Organoleptik

1 S24 C14 U40 11,733 7,567 Manis 2 S21 C14 U40 11,667 7,167 Manis 3 S6 C12 U35 11,567 7,233 Manis 4 S29 C14 U40 11,300 7,233 Manis 5 S28 C14 U40 11,167 6,967 Manis 6 S9 C12 U40 10,633 7,600 Manis 7 S30 C14 U40 10,600 7,400 Manis 8 S25 C14 U40 10,600 7,567 Manis 9 S5 C12 U35 10,300 7,633 Manis 10 S14 C13 U30 10,200 7,033 Manis 11 S9 C12 U35 10,167 7,367 Manis 12 S26 C14 U40 10,033 7,467 Manis 13 S22 C14 U40 10,000 7,400 Manis 14 S17 C13 U35 9,900 7,033 Manis 15 S16 C13 U40 9,867 7,500 Manis 16 S27 C14 U40 9,867 7,567 Manis 17 S5 C12 U40 9,700 7,267 Manis 18 S25 C14 U35 9,667 7,000 Manis 19 S8 C12 U35 9,600 7,567 Manis 20 S22 C14 U35 9,533 6,900 Manis 21 S30 C14 U35 9,533 7,167 Manis 22 S23 C14 U35 9,500 7,367 Manis 23 S5 C12 U30 9,500 7,533 Manis 24 S18 C13 U35 9,400 7,167 Manis 25 S8 C12 U30 9,400 7,200 Manis 26 S3 C12 U35 9,400 7,433 Manis 27 S7 C12 U40 9,333 7,267 Manis 28 S27 C14 U35 9,267 7,233 Manis 29 S8 C12 U40 9,200 7,467 Manis 30 S12 C13 U40 9,200 7,767 Manis 31 S23 C14 U40 9,167 7,733 Manis 32 S1 C12 U35 9,100 7,633 Manis 33 S18 C13 U40 9,000 7,433 Manis 34 S20 C13 U35 8,700 6,967 Manis 35 S29 C14 U30 8,633 6,800 Manis 36 S16 C13 U30 8,533 7,067 Manis 37 S4 C12 U35 8,533 7,367 Manis 38 S4 C12 U30 8,433 7,200 Manis 39 S2 C12 U35 8,333 7,267 Manis 40 S21 C14 U35 9,833 7,167 Sedang

(6)

Tabel Lampiran 1. (Lanjutan)

No. Sampel brix pH Organoleptik

41 S9 C12 U30 9,667 7,100 Sedang 42 S19 C13 U35 9,633 7,000 Sedang 43 S12 C13 U35 9,633 7,500 Sedang 44 S28 C14 U35 9,467 7,133 Sedang 45 S26 C14 U35 9,367 7,100 Sedang 46 S13 C13 U40 9,200 7,533 Sedang 47 S19 C13 U40 9,067 7,600 Sedang 48 S10 C12 U35 9,033 7,267 Sedang 49 S29 C14 U35 9,000 7,100 Sedang 50 S13 C13 U35 8,967 7,400 Sedang 51 S10 C12 U40 8,967 7,600 Sedang 52 S2 C12 U40 8,833 7,433 Sedang 53 S1 C12 U30 8,800 7,100 Sedang 54 S20 C13 U30 8,800 7,267 Sedang 55 S15 C13 U35 8,733 6,967 Sedang 56 S13 C13 U30 8,700 6,733 Sedang 57 S19 C13 U30 8,700 6,900 Sedang 58 S3 C12 U40 8,633 7,400 Sedang 59 S12 C13 U30 8,567 7,167 Sedang 60 S11 C13 U40 8,533 7,833 Sedang 61 S14 C13 U35 8,500 7,500 Sedang 62 S21 C14 U30 8,467 6,633 Sedang 63 S17 C13 U30 8,467 6,833 Sedang 64 S14 C13 U40 8,367 7,500 Sedang 65 S17 C13 U40 8,233 7,700 Sedang 66 S1 C12 U40 8,167 7,600 Sedang 67 S11 C13 U35 8,133 7,400 Sedang 68 S6 C12 U40 8,033 7,533 Sedang 69 S11 C12 U30 7,900 7,033 Sedang 70 S30 C14 U30 7,867 6,700 Sedang 71 S24 C14 U35 7,567 6,933 Sedang 72 S3 C12 U30 7,567 7,233 Sedang 73 S26 C14 U30 7,433 6,633 Sedang 74 S22 C14 U30 7,400 6,900 Sedang 75 S10 C12 U30 7,233 7,133 Sedang 76 S15 C13 U30 7,200 7,167 Sedang 77 S23 C14 U30 7,000 6,833 Sedang 78 S20 C13 U40 7,300 7,400 Tawar 79 S24 C14 U30 7,167 6,767 Tawar 80 S6 C12 U30 6,867 6,133 Tawar

(7)

Tabel Lampiran 2. 80 Sampel yang Digunakan untuk JST Sesudah Normalisasi dengan

Fuzzy

Tabel Lampiran 2. (Lanjutan)

No. Sampel brix pH Normalisasi

1 S24 C14 U40 11,733 7,567 Manis 2 S21 C14 U40 11,667 7,167 Manis 3 S6 C12 U35 11,567 7,233 Manis 4 S29 C14 U40 11,300 7,233 Manis 5 S28 C14 U40 11,167 6,967 Manis 6 S9 C12 U40 10,633 7,600 Manis 7 S30 C14 U40 10,600 7,400 Manis 8 S25 C14 U40 10,600 7,567 Manis 9 S5 C12 U35 10,300 7,633 Manis 10 S14 C13 U30 10,200 7,033 Manis 11 S9 C12 U35 10,167 7,367 Manis 12 S26 C14 U40 10,033 7,467 Manis 13 S22 C14 U40 10,000 7,400 Manis 14 S17 C13 U35 9,900 7,033 Manis 15 S16 C13 U40 9,867 7,500 Manis 16 S27 C14 U40 9,867 7,567 Manis 17 S5 C12 U40 9,700 7,267 Manis 18 S25 C14 U35 9,667 7,000 Manis 19 S8 C12 U35 9,600 7,567 Manis 20 S22 C14 U35 9,533 6,900 Manis 21 S30 C14 U35 9,533 7,167 Manis 22 S23 C14 U35 9,500 7,367 Manis 23 S5 C12 U30 9,500 7,533 Manis 24 S18 C13 U35 9,400 7,167 Manis 25 S8 C12 U30 9,400 7,200 Manis 26 S3 C12 U35 9,400 7,433 Manis 27 S7 C12 U40 9,333 7,267 Manis 28 S27 C14 U35 9,267 7,233 Manis 29 S8 C12 U40 9,200 7,467 Manis 30 S12 C13 U40 9,200 7,767 Manis 31 S23 C14 U40 9,167 7,733 Manis 32 S1 C12 U35 9,100 7,633 Manis 33 S18 C13 U40 9,000 7,433 Manis 34 S20 C13 U35 8,700 6,967 Sedang 35 S29 C14 U30 8,633 6,800 Sedang 36 S16 C13 U30 8,533 7,067 Sedang 37 S4 C12 U35 8,533 7,367 Sedang 38 S4 C12 U30 8,433 7,200 Sedang 39 S2 C12 U35 8,333 7,267 Sedang 40 S21 C14 U35 9,833 7,167 Sedang

No. Sampel brix pH Normalisasi

41 S9 C12 U30 9,667 7,100 Sedang

42 S19 C13 U35 9,633 7,000 Sedang

43 S12 C13 U35 9,633 7,500 Sedang

44 S28 C14 U35 9,467 7,133 Sedang

(8)

Gambar Lampiran 1. Form Tampilan input_Fuzzy 46 S13 C13 U40 9,200 7,533 Sedang 47 S19 C13 U40 9,067 7,600 Sedang 48 S10 C12 U35 9,033 7,267 Sedang 49 S29 C14 U35 9,000 7,100 Sedang 50 S13 C13 U35 8,967 7,400 Sedang 51 S10 C12 U40 8,967 7,600 Sedang 52 S2 C12 U40 8,833 7,433 Sedang 53 S1 C12 U30 8,800 7,100 Sedang 54 S20 C13 U30 8,800 7,267 Sedang 55 S15 C13 U35 8,733 6,967 Sedang 56 S13 C13 U30 8,700 6,733 Sedang 57 S19 C13 U30 8,700 6,900 Sedang 58 S3 C12 U40 8,633 7,400 Sedang 59 S12 C13 U30 8,567 7,167 Sedang 60 S11 C13 U40 8,533 7,833 Sedang 61 S14 C13 U35 8,500 7,500 Sedang 62 S21 C14 U30 8,467 6,633 Sedang 63 S17 C13 U30 8,467 6,833 Sedang 64 S14 C13 U40 8,367 7,500 Sedang 65 S17 C13 U40 8,233 7,700 Sedang 66 S1 C12 U40 8,167 7,600 Sedang 67 S11 C13 U35 8,133 7,400 Sedang 68 S6 C12 U40 8,033 7,533 Sedang 69 S11 C12 U30 7,900 7,033 Tawar 70 S30 C14 U30 7,867 6,700 Tawar 71 S24 C14 U35 7,567 6,933 Tawar 72 S3 C12 U30 7,567 7,233 Tawar 73 S26 C14 U30 7,433 6,633 Tawar 74 S22 C14 U30 7,400 6,900 Tawar 75 S10 C12 U30 7,233 7,133 Tawar 76 S15 C13 U30 7,200 7,167 Tawar 77 S23 C14 U30 7,000 6,833 Tawar 78 S20 C13 U40 7,300 7,400 Tawar 79 S24 C14 U30 7,167 6,767 Tawar 80 S6 C12 U30 6,867 6,133 Tawar

(9)

Gambar Lampiran 2. Form Tampilan hasil (run) form input_fuzzy

(10)

Gambar Lampiran 3. Sampel Buah Melon Kombinasi Umur Buah dan Cabang

(11)

Gambar Lampiran 3. (Lanjutan) c. Cabang 13 Umur Buah 30 Hari

e. Cabang 14 Umur Buah 30 Hari

d. Cabang 14 Umur Buah 35 Hari

f. Cabang 14 Umur Buah 35 Hari

(12)

Gambar Lampiran 4. Sampel Buah Melon Berdasarkan Tingkatan Rasa h. Cabang 14 Umur Buah 35 Hari

i. Cabang 14 Umur Buah 35 Hari

(13)

(14)

a. Form Training Input_Image

b. Form Training Input_Target 1

(15)

c. Form Training Input_Target 2

d. Proses Menganalisa Kompo nen Warna Buah

(16)

e. Mengukur Keliling Objek

f. Menentukan Titik Pusat X dan Y

(17)

g. Hasil Pengolahan Citra

h. Form Tambah Sampel

(18)

a. Form Validasi Input_Image

b. Form Validasi Input_Target 1

(19)

c. Form Validasi Input_Target 2

d. Proses Menganalisa Komponen Warna Buah Gambar Lampiran 6. (Lanjutan)

(20)

e. Mengukur Keliling Objek

f. Menentukan Titik Pusat X dan Y Gambar Lampiran 6. (Lanjutan)

(21)

g. Form Hasil Pengolahan Citra

h. Form Tambah Sampel

(22)

a. Form Input Data Sampel Training

b. Form Input Jumlah Epoh

(23)

c. Form Input Learning Rate

d. Contoh Form Hasil Proses Training Gambar Lampiran 7. (Lanjutan)

(24)

e. Form Contoh Hasil Validasi

Tabel Lampiran 3. Percobaan 1 Menentukan Node Hidden dengan Learning Rate 0,5

ANN Training dan Validasi Jumlah node

hidden Ulangan ke - Epoh

Waktu Training (detik) Waktu Validasi (detik) Akurasi Validasi (%) 10 1 887 37 0.171 90 2 443 20 0.166 70 3 1606 64 0.177 70 20 1 1020 83 0.175 90 2 779 58 0.173 70 3 553 42 0.172 70 30 1 588 65 0.166 90 2 564 62 0.165 80 3 524 58 0.163 70 40 1 749 107 0.172 70 2 618 90 0.170 70 3 564 84 0.167 70 50 1 933 169 0.171 80 2 1088 199 0.172 80 3 1363 241 0.173 70 60 1 1232 259 0.172 80 2 976 208 0.170 70 3 1076 230 0.173 70 70 1 597 154 0.166 80 2 548 139 0.164 70 3 547 139 0.167 70 80 1 1358 395 0.172 80 2 933 262 0.169 70 3 1569 370 0.173 80 90 1 1028 364 0.169 80 2 2198 767 0.176 70 3 1673 586 0.172 80 100 1 663 217 0.167 70 2 1011 319 0.169 70 3 874 276 0.169 70

Gambar Lampiran 8. Tampilan Hasil Hidden Nilai Akurasi Tertinggi dengan Learning Rate 0,5

(25)

a. Training Hidden 10, LR 0,5

b. Validasi Hidden 10, LR 0,5

(26)

c. Training Hidden 20, LR 0,5

d. Validasi Hidden 20, LR 0,5 Gambar Lampiran 8. (Lanjutan)

(27)

e. Training Hidden 30, LR 0,5

f. Validasi Hidden 30, LR 0,5

Tabel Lampiran 4. Percobaan 2 Menentukan Learning Rate yang Optimal dengan

Hidden 30 (Hasil Percobaan 1)

ANN Training dan Validasi Jumlah node hidden Laju Pembelajaran Ulangan ke - Epoh Waktu Training (detik) Waktu Validasi (detik) Waktu Pendugaan (detik) Rata – rata Waktu Training Rata – rata Waktu Validasi Rata – rata Waktu Pendugaan Akurasi Validasi (%)

(28)

(detik) (detik) (detik) 30 0.3 1 666 73 0.167 9.15 80 2 610 68 0.166 9.25 80 3 599 67 0.167 9.22 69.33 0.167 9.21 70 30 0.5 1 588 65 0.166 9.03 90 2 564 62 0.165 9.16 80 3 524 58 0.163 9.12 61.67 0.165 9.10 70 30 0.8 1 507 56 0.163 9.00 90 2 483 53 0.162 8.87 80 3 401 45 0.162 8.50 51.33 0.162 8.79 70

Tabel Lampiran 5. Hasil Hidden dan Learning Rate Optimal

Jumlah node hidden Laju Pembelajaran Ulangan ke - Waktu Training (detik) Waktu Validasi (detik) Waktu Pendugaan (detik) Rata – rata Waktu Training (detik) Rata – rata Waktu Validasi (detik) Rata – rata Waktu Pendugaan (detik) Akur asi Validasi (%) Rata – rata Akurasi Validasi (%) 30 0,8 1 56 0.163 9.00 90 2 53 0.162 8.87 80 3 45 0.162 8.50 51.33 0.162 8.79 70 80

Tabel Lampiran 6. Hasil Hidden Optimal Percobaan 2 Menentukan Learning Rate yang

Optimal dengan Hidden 30

a. LR 0,3 Ulangan ke 1

(29)

b. LR 0,3 Ulangan ke 2

c. LR 0,3 Ulangan ke 3

d. LR 0,5 Ulangan ke 1

(30)

e. LR 0,5 Ulangan ke 2

f. LR 0,5 Ulangan ke 3

g. LR 0,8 Ulangan ke 1

(31)