PENGEMBANGAN MODEL PROBABILISTIC NEURAL NETWORKS UNTUK PENENTUAN KEMATANGAN BELIMBING MANIS ZAKI FATHUROHMAN

(1)

ZAKI FATHUROHMAN

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

INSTITUT PERTANIAN BOGOR

BOGOR

2009

(2)

ABSTRACT

ZAKI FATHUROHMAN. The Development of Probabilistic Neural Networks Model to Determine Starfruit Ripeness. Supervised by AGUS BUONO and AZIZ KUSTIYO.

The objectives of this research were to develop PNN model in determining starfruit ripeness. Experiments done by involving 354 image data of starfruits that classified into 5 classes. Feature extraction from those hundreds images was yield an image representation among others: amount of red pixels (R), amount of green pixels (G), substraction between R and G (R-G), and average value of Hue. Those features then became PNN inputs. After enjoining the last two classes, the best result could reach accuracy untill 90.86%.

(3)

PENGEMBANGAN MODEL PROBABILISTIC NEURAL NETWORKS

UNTUK PENENTUAN KEMATANGAN BELIMBING MANIS

Skripsi

Sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer

di Fakultas Matematika dan Ilmu Pengetahuan Alam

Institut Pertanian Bogor

Oleh:

ZAKI FATHUROHMAN

G64102006

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

INSTITUT PERTANIAN BOGOR

BOGOR

2009

(4)

Judul

: Pengembangan Model Probabilistic Neural Networks untuk Penentuan

Kematangan Belimbing Manis

Nama : Zaki Fathurohman

NRP

: G64102006

Menyetujui:

Pembimbing I

Pembimbing II

Dr. Ir. Agus Buono, M.Si., M.Kom.

Aziz Kustiyo, S.Si., M.Kom.

NIP 19660702 199302 1001

NIP 19700719 199802 1001

Mengetahui:

Dekan Fakultas Matematika dan Ilmu Pengetahuan Alam

Institut Pertanian Bogor

Dr. Drh. Hasim, DEA

NIP 19610328 198601 1002

(5)

PRAKATA

Syukur tak tertahan penulis panjatkan ke hadirat Allah ‘Azza wa Jalla. Shalawat dan salam tak henti tercurahkan bagi Rasulullaah SAW. Alhamdulillaahi rabbil ‘aalamiin, akhirnya penulis tiba di tahap kelulusan ini dengan menyelesaikan penelitian dan penulisan skripsi. Kajian kecerdasan komputasional menjadi topik penelitian pilihan penulis, tepatnya dengan judul Pengembangan Model Probabilistic Neural Networks untuk Penentuan Kematangan Belimbing Manis.

Perihal nikmat kebahagiaan ini membuat penulis tak bisa melupakan kebaikan banyak pihak. Oleh karena itu, penulis sampaikan banyak terimakasih kepada:

1. Ayahanda tercinta Bapak Muarif Sumadinata dan Ibunda terkasih Ibu Sasih; atas do’a, dukungan moril dan materil, serta curahan nasihat dan kasih sayang yang hitungannya tak mampu penulis hingga.

2. Bapak Dr. Ir. Agus Buono, M.Si., M.Kom. selaku Pembimbing I dan Bapak Aziz Kustiyo, S.Si., M.Kom selaku Pembimbing II, yang setiap bimbingannya begitu berarti. 3. Bapak Toto Haryanto, S.Kom selaku dosen penguji dan Bapak Hari Agung, S.Kom.,

M.Si. selaku Komdik yang telah berkenan berbagi waktu dan perhatian. 4. Bapak Dr. Ir. Irmansyah, M.Si. yang telah berbagi data citra buah belimbing. 5. Adikku Anis Khairunnisa atas nasihat dan dukungan semangatnya.

6. Teman-teman angkatan 39, 40, dan 41; termasuk Adi Arifin, Firmansyah, Ahmad Suhairi, Erus Ruswandi, Rusidi, Syaefudin, serta teman-teman kos Ukhuwah Bara IV 122 dari berbagai generasi.

7. Mas Adit, para saudara sepertemuan dan Ade Bukit atas segala bentuk dukungannya. 8. Fathoni Arief Musyaffa, Anggi Mardiyono, dan Febrie Subhan selaku pembahas saat

seminar skripsi.

9. Segenap staf dan karyawan Departemen Ilmu Komputer FMIPA IPB atas berbagai bantuan dan pelayanan yang sangat penulis rasakan.

10. Emak kost yang baik atas segala kemurahan hatinya.

11. Pihak-pihak lain yang tidak dapat penulis cantumkan satu per satu.

Segala yang paripurna hanya milik Allah SWT semata. Semoga penelitian ini bermanfaat adanya.

Bogor, September 2009

(6)

RIWAYAT HIDUP

Penulis dilahirkan pada 13 Maret 1985 di Majalengka, Jawa Barat. Penulis adalah sulung dari dua bersaudara, putra pasangan Bapak Rd. Muarif Sumadinata dan Ibu Sasih. Selulusnya dari SMU Negeri 1 Majalengka pada tahun 2002, penulis melanjutkan ke jenjang pendidikan sarjana di Departemen Ilmu Komputer FMIPA IPB melalui jalur USMI. Aktivitas kemahasiswaan yang penulis ikuti ialah: BEM TPB IPB (2002-2003), UKM Gema Almamater (2002-2004), Majalah NUANSA (2003-2004), dan LDK Al-Hurriyyah IPB (2004-2006). Selama mengikuti perkuliahan, penulis pernah memperoleh beasiswa dari PT. Indocement dan BAMUIS BNI. Adapun masa Praktik Kerja Lapangan (PKL), penulis jalani di Lembaga Biologi Molekuler Eijkman pada tahun 2006.

(7)

DAFTAR ISI

Halaman

DAFTAR TABEL...viii

DAFTAR GAMBAR ...viii

DAFTAR LAMPIRAN ...viii

PENDAHULUAN Latar Belakang ... 1 Tujuan ... 1 Ruang Lingkup ... 1 TINJAUAN PUSTAKA Belimbing Manis ... 1

Pemutuan Belimbing Manis ... 1

Warna Buah Belimbing Manis ... 2

Pengolahan Warna Model RGB dan HSI ... 2

Pemrosesan Histogram ... 2

Probabilistic Neural Networks ... 2

K-fold Cross Validation... 3

Confusion Matrix... 3 METODE PENELITIAN Tahapan Penelitian ... 4 Data Citra ... 4 Ekstraksi Ciri ... 5 Perancangan PNN... 5

Validasi Silang 3-kali ... 6

Akurasi ... 6

Lingkungan Pengembangan ... 6

HASIL DAN PEMBAHASAN PNN dengan h sama ... 6

Nilai Hue sebagai Representasi Citra ... 7

PNN h sama dan Input Nilai Hue Rata-rata... 8

PNN dengan h beda ... 8

Akurasi Kelas 4 dan Kelas 5... 9

PNN dan Penggabnngan Kelas 4 - Kelas 5 ... 10

KESIMPULAN DAN SARAN Kesimpulan... 10

Saran... 11

DAFTAR PUSTAKA ... 11

(8)

DAFTAR TABEL

Halaman

1 Confusion matrix data dengan 2 kelas... 4

2 Input ciri representasi citra... 5

3 Target kelas tingkat kematangan... 5

4 Validasi silang 3-kali ... 6

5 Confusion matrix Iterasi 1 (Akurasi 86.44%) ... 10

8 Nilai h untuk PNN h beda berakurasi 90.68% ... 10

DAFTAR GAMBAR

Halaman 1 Arsitektur PNN ... 3

2 Diagram alir penelitian... 4

3 Indeks A / Kelas 1 (Kematangan 40 hari) ... 4

4 Indeks B / Kelas 2 (Kematangan 50 hari) ... 4

5 Indeks C / Kelas 3 (Kematangan 60 hari) ... 4

6 Indeks D / Kelas 4 (Kematangan 70 hari) ... 4

7 Indeks E / Kelas 5 (Kematangan 80 hari) ... 5

8 Citra belimbing (256 x 192 px)... 5

9 Grafik Akurasi PNN (h sama) dengan input JumlahR dan JumlahG ... 6

10 Grafik Akurasi PNN (h sama) dengan input JumlahR, JumlahG, dan JumlahB ... 6

11 Grafik Akurasi PNN (h sama) dengan input JumlahR, JumlahG, dan SelisihRG... 7

12 Grafik Akurasi PNN (h sama) dengan input rerata R, G, B, H, S, dan I ... 7

13 Histogram Hue dari Indeks A / Kelas 1 (kematangan 40 hari) ... 7

14 Histogram Hue dari Indeks B / Kelas 2 (kematangan 50 hari)... 7

15 Histogram Hue dari Indeks C / Kelas 3 (kematangan 60 hari)... 8

16 Histogram Hue dari Indeks D / Kelas 4 (kematangan 70 hari) ... 8

17 Histogram Hue dari Indeks E / Kelas 5 (kematangan 80 hari) ... 8

18 Grafik Akurasi PNN (h sama) dengan input JumlahR, JumlahG, dan nilai Hue rata-rata ... 8

19 Grafik Akurasi PNN (h beda) dengan input JumlahR dan JumlahG... 8

20 Grafik Akurasi PNN (h beda) dengan input JumlahR, JumlahG, dan JumlahB... 9

21 Grafik Akurasi PNN (h beda) dengan input JumlahR, JumlahG, dan SelisihRG ... 9

22 Grafik Akurasi PNN (h beda) dengan input JumlahR, JumlahG, dan nilai Hue rata-rata... 9

23 Grafik Akurasi PNN (h beda) dengan input JumlahR, JumlahG, SelisihRG, dan nilai Hue rata-rata ... 9

DAFTAR LAMPIRAN

Halaman 1 PNN h sama dengan 2 input: JumlahR dan JumlahG ... 13

2 PNN h sama dengan 3 input: JumlahR, JumlahG, dan JumlahB ... 14

3 PNN h sama dengan 3 input: JumlahR, JumlahG, dan SelsisihRG... 15

4 PNN h beda dengan 2 input: JumlahR dan JumlahG ... 16

5 PNN h beda dengan 3 input: JumlahR, JumlahG, dan JumlahB ... 17

6 PNN h beda dengan 3 input: JumlahR, JumlahG, dan SelisihRG... 18

7 PNN h sama dengan 6 input: Rerata R, G, B, H, S dan I ... 19

8 PNN h sama dengan 3 input: Jumlah R, G dan Rerata H... 20

9 PNN h beda dengan 3 input: JumlahR, JumlahG dan Rerata Hue ... 21

10 PNN h beda dengan 4 input: JumlahR, JumlahG, SelisihRG, dan Hue Rata-rata... 22

11 PNN h beda (4 kelas) dengan 3 input JumlahR, JumlahG, dan Hue rata-rata... 23

12 PNN h beda (4 kelas) dengan 4 input JumlahR, JumlahG, SelisihRG, dan Rerata Hue ... 24

13 Arsitektur Model PNN untuk Penentuan Kematangan Belimbing Manis... 25

(9)

PENDAHULUAN Latar belakang

Belimbing manis (Averrhoa carambola

L) termasuk 1 dari 60 komoditas tanaman

buah-buahan binaan Direktorat Jenderal Hortikultura Departemen Pertanian RI (Deptan 2006). Salah satu bagian penting dari usaha budidayanya adalah tahap pascapanen.

Khusus untuk proses pemutuan, sejumlah aturan telah ditetapkan. Sehingga, buah belimbing yang dipasarkan haruslah memenuhi standar yang diterima konsumen secara luas, baik di pasar dalam negeri maupun pasar global. Itu semua dalam rangka menjamin mutu serta meningkatkan daya saing produk yang dihasilkan petani (RSNI 2007).

Namun secara konvensional, tahap pemutuan memakan waktu lumayan lama serta rentan menyebabkan kecacatan kepada buah. Solusinya adalah dengan memanfaatkan salah satu konsep kecerdasan komputasional yakni Jaringan Syaraf Tiruan (JST). Melalui serangkaian proses pemerolehan, pengolahan, dan pengelompokan data, proses pemutuan dapat ditangani sebagiannya oleh komputer.

Dalam berbagai studi, Probabilistic

Neural Networks (PNN) sebagai salah satu

arsitektur JST, telah terbukti menghasilkan akurasi tinggi. Misalnya untuk sortasi mentimun (Ferianto 2003) dan kurma (Fadel 2007). Bahkan untuk sortasi mentimun, hasil akurasinya terbandingkan lebih baik daripada JST Backprop. Tidak hanya itu, waktu pembelajarannya pun relatif lebih cepat dengan metode pembelajaran sekali-lewat.

Sementara itu, dalam penelitian terkait, Abdullah et al. (2005) telah mengembangkan sistem sortasi buah belimbing menggunakan JST multi-layer

perceptron dengan akurasi 90,5%.

Dengan latar belakang demikian, maka pengembangan model dalam penelitian ini, akan menggunakan Probabilistic Neural

Networks.

Tujuan

Penelitian ini bertujuan untuk mengembangkan model Probabilistic

Neural Network dalam penentuan

kematangan buah belimbing manis (Averrhoa Carambola L.).

Ruang lingkup

Pemutuan buah belimbing manis hanya ditentukan berdasarkan tingkat kematangan. Data citra buah belimbing manis merupakan hasil dari empat kali masa panen (masing-masing 75 data citra) dan panen kelima (54 data citra).

TINJAUAN PUSTAKA Belimbing Manis

Dalam taksonomi, belimbing (Averrhoa

carambola L ) termasuk dalam divisi

Spermatophyta, sub divisi Angiosperrnae, kelas Dicotyledonae, bangsa Geraniales, dan suku Oxalidaceae.

Di pasar global, belimbing dikenal dengan nama starfruit. Sedangkan di daerah, belimbing dikenal dengan beberapa nama: Asom jorbing (Batak), Balimbing manih (Minangkabau), Belimbing manis (Melayu), Balimbing amis (Sunda) Blimbing legi (Jawa Tengah), Bhalingbhing manis (Madura), Lembetua (Gorontato), Lombituka gula (Buol), Takule (Baree), Bainang sulapa (Makasar), Balireng (Bugis), Baknil kasluir (Kai), Totofuko (Ternate), Toiuo (Tidore), Balibi totofuko (Halmahera).

Buahnya berbentuk buni dengan panjang 4-13 cm. Buah muda berwarna hijau dan ketika tua berwarna kuning kehijauan. Di antara khasiatnya yaitu sebagai obat batuk, dan obat tekanan darah tinggi (Warintek 2006).

Pemutuan Belimbing Manis

Sortasi dan grading dilakukan untuk memperoleh buah dengan ukuran, tingkat kematangan dan kualitas yang seragam. Sortasi bertujuan untuk memisahkan buah yang layak jual dan tidak layak dijual, agar diperoleh buah yang seragam bentuk, warna, ukuran dan kematangannya. Sedangkan grading

dilakukan untuk memperoleh buah yang seragam ukurannya (besar, sedang, kecil atau sangat kecil).

Belimbing digolongkan ke dalam 3 (tiga) kelas mutu (RSNI 2007) yakni: (1) kelas super, (2) kelas A, dan (3) kelas B. Salah satu karakteristik varietas yang ditilik adalah mutu simpan dan penyimpangan pada warna.

Mutu simpan dipengaruhi oleh tingkat kematangan. Pengklasifikasian secara tepat dapat relatif menjamin mutu buah yang seragam. Ini demi kepentingan distribusi sesuai perkiraan jangka waktu. Sehingga,

(10)

begitu buah itu sampai di tangan konsumen, kondisi kemtangannya sesuai dengan yang diinginkan.

Warna Buah Belimbing Manis

Bukan hanya soal estetika, warna dan perubahannya juga menunjukkan isyarat penting dalam mengetahui tingkat kematangan buah. Pada buah belimbing, kematangan ditandai berubahnya warna hijau menjadi kuning, lalu menjadi ornye di saat terlalu matang. Perubahan ini disebabkan penurunan kandungan klorofil. Perubahan warna hijau juga terkait dengan proses penuaan dan penurunan kesegaran belimbing setelah panen. (Irmansyah, 2008).

Untuk pemutuan belimbing manis, Irmansyah (2008) menggunakan model warna RGB dan Abdullah et al. (2005) menggunakan model warna HSI sebagai representasi citra. Pada model RGB, ciri setiap cerita diwakili oleh jumlah R (piksel merah) dan G (piksel hijau). Sedangkan untuk model HSI, digunakan nilai rerata Hue untuk setiap citra. Diketahui pula, nilai Hue belimbing manis berkisar antara 21-51, di mana nilai yang kian kecil menunjukkan buah itu semakin matang (Abdullah et al. 2005).

Pengolahan Warna Model RGB dan HSI

Sebuah piksel citra dapat memiliki nilai RGB (merah, hijau, biru). Melalui model warna ini, pengolahan dilakukan dengan normalisasi terhadap ketiga komponen warna.

Cara melakukan normalisasi adalah sebagai berikut:

B

G

R

r

+

=

B

G

R

G

g

+

=

B

G

R

B

b

+

=

(Ahmad 2005)

Kemudian, besaran hasil nilai warna tersebut, digunakan untuk menentukan nilai sebuah piksel. Bila r lebih besar daripada g dan b, maka berarti piksel itu berwarna merah. Sedangkan bila g lebih besar dari r dan b, .maka piksel itu diputuskan berwarna hijau.

Adapun model warna HSI (Hue,

Saturation, Intensity), menampilkan warna

dalam besaran-besaran hue (corak), saturasi, dan intensitas. Model warna ini dianggap paling sesuai dengan persepsi manusia dalam memandang suatu warna.

Komponen warna RGB pada citra dapat dikonversi menjadi model warna HSI.

3 B

G

R

I

=

+

(

R

G

) (

R

B

)(

G

B

)

B

G

R

H

−

+

−

=

2

2 cos

(

R

G

B

)

B

G

R

S

1

3 min

,

+

−

=

(Ahmad 2005) Pemrosesan Histogram

Histogram merupakan dasar bagi banyak teknik pemrosesan di ranah spasial (spatial domain). Istilah ranah spasial sendiri merujuk pada agregat pixel-pixel yang menyusun suatu citra. Histogram tergolong sederhana dalam penghitungan melalui piranti lunak maupun kebutuhan sistem piranti kerasnya. Hal ini membuatnya populer digunakan dalam pemrosesan citra secara waktu-nyata (Gonzales 2002).

Histogram suatu citra dengan skala keabuan tertentu dalam wilayah/selang (range) [0, L-1] ialah sebuah fungsi diskret sebagai berikut:

( )

r

n

h

k

=

k, di mana

r

k : nilai skala keabuan k

n

k : banyak pixel

dalam citra yang bernilai skala keabuan k.

L : banyak nilai skala warna yang dimungkinkan untuk setiap piksel.

(Gonzalez 2002)

Probabilistic Neural Networks

Probabilistic Neural Networks

ialah JST 4 lapis untuk klasifikasi yang berbasis pada prinsip-prinsip statistika. Kelebihan utamanya ialah proses pembelajaran sekali-lewat dan wilayah keputusannya dijamin semakin mendekati batasan keputusan optimal-Bayes (Specht 1990). Kaidah keputusan Bayes dan penduga kepekatan Parzen menjadi ide dasar PNN.

Neuron pada input layer (lapisan pertama) akan memasuki pattern layer

(11)

(lapisan kedua). Pattern layer atau lapisan pola ini tak lain merupakan data latih itu sendiri.

Arsitektur empat lapisnya terdiri dari input layer, pattern layer, summation

layer, dan output layer.

Gambar 1 Arsitektur PNN Pada lapisan pola, keluarannya dihitung dengan persamaan sebagai berikut:

( )

_∏

= −













=

d j

h

j

x

K

x

f

j ij 1 Dengan:

d

=dimensi vektor

( )

_e

z

K

2 * 5 . 0 −

=

x

j vektor input kolom ke-j

=

x

ij vektor bobot baris ke-i kolom ke-j

5 / 1

*

)

(

*

14 .

1

−

=

std

j

n

h

_j [parameter pemulus ke-j] (Silverman 1985)

Berikutnya, keluaran dari lapisan pola yang bersesuaian dengan kelas/kategori tertentu, akan masuk ke summation layer (lapisan penjumlahan). Di masing-masing neuron kelas/kategori, akan dihitung penjumlahan dengan persamaan berikut:

( )

_{∑ ∏}

= =

























−

=

n i d j j ij j d d

h

x

K

n

h

x

p

1 1 2 1 2 /

1 ...

2

1 π

Dengan:

=

d

dimensi vektor input

=

n

jumlah data latih di suatu kategori,

=

j

x

vektor data uji ke-j,

=

ij

x

data latih ke-i untuk ciri j, Terakhir, pada output layer atau

decision layer, vektor input akan

digolongkan sebagai kelas Y jika nilai

( )

x

p

_Y paling besar untuk kelas Y.

Sedangkan untuk PNN dengan h (smoothing parameter) yang tetap, dirumuskan dalam persamaan berikut:

( )

_∑

=

−

=

n i ai t ai d d

h

x

n

h

x

p

1 2 2 /

]

2 )

(

)

(

exp[

1

2

1 π

Dengan:

=

x

vektor data uji,

ai

x

=

data latih ke-i dari kategori A, (Specht 1990)

K-fold cross validation

Validasi silang k-kali (k-fold cross

validation) merupakan metode membagi

sehimpun data contoh secara sembarang menjadi k himpunan bagian (subset). Selanjutnya percobaan dilakukan sebanyak k kali, masing-masing dengan komposisi data latih dan data uji yang berbeda. Dalam setiap percobaan, ditentukan satu subset data uji, sedangkan yang lainnya berperan sebagai data latih (Stone 1974 diacu dalam Fu 1994).

Confusion Matrix

Confusion Matrix merupakan

informasi tentang kelas data aktual dan kelas data hasil prediksi suatu algoritme. Kelas data aktual direpresentasikan dalam baris matriks, sedangkan kelas data hasil prediksi direpresentasikan dalam kolom matriks klasifikasi. Akurasi algoritma lazim dievaluasi dari data yang ada pada matriks. Dalam Tabel 1 tersaji confusion matrix

1

50 1 50 1 50 1 50 G H 1 36

2

3

4

5

R rg LAPIS POLA LAPIS PENJUM LAHAN LAPIS INPUT LAPIS OUTPUT

(12)

untuk data dengan dua kelas (Kohavi & Provost 1998 diacu dalam Hamilton 2002). Tabel 1 Confusion matrix data dengan 2 kelas Prediksi Data Kelas 1 Kelas 2 Kelas 1 a b Aktual Kelas 2 c d Keterangan:

• a adalah jumlah contoh Kelas 1 yang berhasil diprediksi dengan benar sebagai Kelas 1,

• b adalah jumlah contoh Kelas 1 yang tidak berhasil diprediksi dengan benar, sebab diprediksi sebagai Kelas 2, • c adalah jumlah contoh Kelas 2 yang

tidak berhasil diprediksi dengan benar, sebab diprediksi sebagai Kelas 1, • d adalah jumlah contoh Kelas 2 yang

berhasil diprediksi dengan benar sebagai Kelas 2.

METODE PENELITIAN

Proses pengembangan model sortasi buah belimbing manis pada penelitian ini mencakup ekstraksi ciri dan PNN-nya itu sendiri.

Tahapan Penelitian

Gambar 2 Diagram alir penelitian (1) tahap pelatihan dan (2) tahap pengujian

Data citra

Data yang digunakan dalam penelitian ini adalah data citra berformat

.bmp hasil pengolahan citra buah belimbing manis yang dilakukan Irmansyah (2008).

Kematangan Belimbing diklasifikasikan menjadi 5 indeks kematangan yaitu Indeks A, Indeks B, Indeks C, Indeks D, dan Indeks E. Dalam penelitian ini, kelima indeks kematangan tersebut secara berturut-turut menunjukkan belimbing yang dipetik pada umur 40 hari, 50 hari, 60 hari, 70 hari, dan 80 hari. Umur petik dihitung sejak putik berukuran sebesar gabah. Untuk masing-masing indeks kecuali Indeks E (54 buah), digunakan sebanyak 75 buah data citra.

Gambar 3 Indeks A / Kelas 1 (Kematangan 40 hari)

Gambar 4 Indeks B / Kelas 2 (Kematangan 50 hari)

Gambar 5 Indeks C / Kelas 3 (Kematangan 60 hari)

Gambar 6 Indeks D / Kelas 4 (Kematangan 70 hari)

data citra ekstraksi ciri (Jml _{R, Jml G, Jml B,} R-G, Rerata RGB&HSI) Probabilistic Neural Networks 1.Training ekstraksi ciri (Jml R, Jml G, Jml B, R-G, Rerata RGB&HSI) 2.Testing data citra Hasil Klasifikasi

(13)

Gambar 7 Indeks E / Kelas 5 (Kematangan 80 hari)

Gambar 8 Citra belimbing (256 x 192 px) Dari setiap citra, diketahui pula data TPT (Total Padatan Terlarut), Kadar Asam (KA), dan bobot buahnya (Irmansyah 2008).

Ekstraksi ciri

Untuk pengklasifikasi tingkat kematangan, nilai piksel warna setiap citra akan diolah dulu sebelum menjadi input jaringan. Karena taraf warna B tidak terlalu signifikan pengaruhnya dalam menentukan tingkat kematangan, hanya taraf warna R dan G saja yang diutamakan untuk membentuk histogram warna input (Mokji 2006). Meski demikian, untuk kepentingan penelitian, taraf warna B tetap akan diikutsertakan. Selain model RGB, akan dibuat pula model HSI dan histogramnya untuk input jaringan PNN.

Setiap citra direpresentasikan ke dalam matriks 3 dimensi yang memuat nilai 3 taraf warna RGB. Selanjutnya, dilakukan penghitungan agar setiap piksel pada setiap citra memiliki sebuah nilai warnanya sendiri, apakah itu r (merah), g (hijau), atau

b (biru).

Setelah itu, dihitunglah jumlah keseluruhan piksel-piksel baik yang bernilai

r, g, atau b. Sehingga, dari sebuah citra,

dapat diketahui berapa JumlahR (banyak piksel dengan r>g dan r>b), JumlahG (banyak piksel dengan g>r dan g>b), serta JumlahB (banyak piksel dengan b>r dan

b>g). Dari sini, akan dihitung pula

SelisihRG (JumlahR-JumlahG).

Selain itu, ciri lain yang akan digunakan adalah nilai hue rata-rata dari

setiap citra. Nilai hue rata-rata ini diperoleh dengan memakai pemrosesan histogram untuk model warna HSI.

Perancangan PNN

Arsitektur PNN memiliki bagian lapisan input dan output. Dalam penelitian ini akan dicobakan berbagai jenis kombinasi input. Input-input ini diperoleh dari proses ekstraksi ciri. Sebagai contoh, percobaan a adalah PNN dengan dua buah input yaitu JumlahR dan JumlahG. Begitu seterusnya sebagaimana tersaji dalam Tabel 2.

Tabel 2 Input ciri representasi citra No Input\Percob a b c d e f 1 JumlahR v v v v v 2 JumlahG v v v v v 3 JumlahB v 4 SelisihRG v v 5 Rerata R v 6 Rerata G v 7 Rerata B v 8 Rerata H v v v 9 Rerata S v 10 Rerata I v Sedangkan untuk output, PNN dalam penelitian ini memiliki 5 target kelas sesuai indeks kematangannya, sebagaimana tersaji dalam Tabel 3.

Tabel 3 Target kelas tingkat kematangan Indeks Tingkat kematangan Target kelas A 40 hari panen 1 B 50 hari panen 2 C 60 hari panen 3 D 70 hari panen 4 E 80 hari panen 5

Sedangkan untuk lapisan pola dan lapisan penjumlahan, akan digunakan dua model PNN. Pertama adalah PNN dengan h beda, di mana nilai h dihitung menurut rumus yang tersedia. Kedua adalah PNN dengan h sama, di mana besar h (parameter pemulus) bernilai sama (tetap) dalam setiap satu kali pembelajaran.

Untuk PNN dengan h sama, akan digunakan 7 buah nilai h. Ketujuh nilai h itu ialah: 100, 200, 300, 400, 500, 600 dan 700.

Selanjutnya akan ditentukan kombinasi jumlah data pelatihan dan pengujian yang berbeda-beda secara validasi silang.

(14)

Validasi silang 3-kali

Dalam validasi silang 3-kali, data citra dibagi ke dalam tiga subset. Setiap subset memiliki sejumlah data ciri citra dari semua kelas. Pada iterasi pertama, subset 1 menjadi data latih, sisanya menjadi data uji. Begitu seterusnya untuk setiap iterasi.

Karena setiap kelas tingkat kematangan memiliki 75 data citra, maka terdapat 25 data citra dalam setiap subset validasi. Adapun untuk kelas 5, setiap subset punya 18 data.

Tabel 4 Validasi silang 3-kali Subset Validasi Kelas Matang Jumlah Data 1 2 3 40 hari 75 25 25 25 50 hari 75 25 25 25 60 hari 75 25 25 25 70 hari 75 25 25 25 80 hari 54 18 18 18 Akurasi

Dengan menggunakan data pengujian, kinerja model PNN akan ditentukan dan diperbandingkan melalui besaran akirasi yang berhasil dicapai. Akurasi dihitung menggunakan persamaan berikut:

% 100 uji data total i klasifikas benar uji data Akurasi x

∑

= Lingkungan pengembangan

Perangkat lunak yang digunakan ialah sistem operasi Windows XP Home Edition, dan MATLAB 7.0.1. Kesemuanya berjalan di bawah spesifikasi perangkat keras prosesor Intel Pentium 4 2.26 GHz, RAM 760 MB, dan HD 80 GB.

HASIL DAN PEMBAHASAN PNN dengan h sama

Dalam model PNN h sama, percobaan awalnya melibatkan input berupa JumlahR, JumlahG, JumlahB, SelisihRG, dan nilai-nilai rerata taraf warna.

Untuk PNN dengan 2 buah input, yaitu JumlahR dan JumlahG, rerata akurasi terbesar (80.51%) dicapai oleh iterasi pertama (h=300) dan ketiga (h=400 dan h=500). Grafiknya tersaji dalam gambar berikut: R, G (h sama) 73.73 74.58 80.51 78.81 77.97 78.81 77.12 77.12 77.97 77.97 77.12 77.12 77.12 73.73 78.81 77.97 79.66 80.51 80.51 78.81 78.81 70.00 72.00 74.00 76.00 78.00 80.00 82.00 100 200 300 400 500 600 700 h A k u ra s i (% )

Iterasi 1 Iterasi 2 Iterasi 3 Gambar 9 Grafik Akurasi PNN (h sama)

dengan input JumlahR dan JumlahG Untuk akurasi PNN dengan input JumlahR, JumlahG, dan JumlahB, tidak berbeda dengan percobaan sebelumnya. Dari ketiga iterasi pada percobaan ini, rerata akurasi terbesar (80.51%) dicapai oleh iterasi pertama (h=300) dan ketiga (h=400 dan h=500). Grafiknya tersaji dalam gambar berikut: R, G, B (h sama) 73.73 74.58 80.51 78.81 77.97 78.81 77.12 77.12 77.97 77.97 77.12 77.12 77.12 73.73 78.81 77.97 79.66 80.51 80.51 78.81 78.81 70.00 72.00 74.00 76.00 78.00 80.00 82.00 100 200 300 400 500 600 700 h A k u ra s i (% )

dengan input JumlahR, JumlahG, dan JumlahB

Dari percobaan ini dapat diketahui, bahwa taraf warna B dalam model warna RGB memang layak untuk tidak diutamakan dalam penentuan kematangan buah belimbing manis.

Selanjutnya dicobakan input PNN baru yakni selisih JumlahR – JumlahG (SelisihRG). Dengan kata lain, input PNN-nya bertambah menjadi 3 buah, yaitu JumlahR, JumlahG, dan SelisihRG.

Untuk percobaan ini, dari ketiga iterasi, rerata akurasi terbesar (80.51%) dicapai oleh iterasi ketiga (h=600 dan h=700). Meski masih memperlihatkan kecenderungan menaik di nilai h yang besar, tapi akurasi terbesarnya belum meningkat dibanding percobaan sebelumnya. Grafiknya seperti tersaji dalam gambar berikut:

(15)

R, G, R-G (h sama) 74.58 76.27 77.97 79.66 79.66 79.66 78.81 78.81 77.12 77.97 77.97 77.12 77.97 78.81 77.97 78.81 77.12 79.66 79.66 80.51 80.51 70 72 74 76 78 80 82 100 200 300 400 500 600 700 h A k u ra s i (% )

dengan input JumlahR, JumlahG, dan SelisihRG

Dari Gambar 9, Gambar 10, dan Gambar 11 di atas, terlihat pengaruh nilai h (parameter pemulus) kepada capaian akurasi. PNN mencapai akurasi terbaiknya dalam rentang h 300-500, kecuali dalam percobaan dengan tambahan input SelisihRG. Di percobaan yang terakhir tadi, capaian akurasi masih cenderung meningkat pada nilai-nilai h besar dalam penelitian ini (500-700).

Berikutnya, masih dengan model PNN h sama, dicobakan input PNN berupa nilai rata-rata enam taraf warna dari setiap citra. Keenamnya ialah nilai rerata R, G, B, H, S, dan I. Keenam nilai tadi diperoleh dari penghitungan histogram warna.

Dari ketiga iterasi, rerata akurasi terbesar (56.78%) dicapai secara stagnan oleh iterasi pertama (untuk semua nilai h). Grafiknya tersaji dalam gambar berikut:

Rerata R, G, B, H, S, dan I 51.69 51.69 51.69 51.69 51.69 51.69 51.69 56.78 55.93 55.08 55.08 55.08 55.08 55.08 56.78 56.78 56.78 56.78 56.78 56.78 56.78 48 50 52 54 56 58 100 200 300 400 500 600 700 h A k u ra s i (% )

dengan input rerata R, G, B, H, S, dan I. Dari percobaan ini diketahui, meskipun memasukkan lebih banyak input dari dua model warna berbeda (RGB dan HSI), nilai akurasi malah menurun drastis. Hal ini dimungkinkan karena representasi citra dengan skala keabuan menyembunyikan representasi citra sebenarnya dari kematangan buah belimbing manis.

Akan tetapi, hal itu rupanya tidak mutlak. Dari penelitian terkait, diketahui bahwa nilai rerata Hue untuk setiap citra, ternyata menyimpan ciri unik untuk merepresentasikan citra buah belimbing manis.

Nilai Hue sebagai Representasi Citra

Dengan memilih citra secara sembarang dari masing-masing kelas, diperoleh histogram Hue yang memang menunjukkan ciri unik untuk setiap kelas. Di Indeks A/Kelas 1 (kematangan 40 hari) di mana buah tergolong mentah, hue rata-rata bernilai lebih besar dibanding kelas lainnya. Dengan kata lain, semakin matang buah belimbing, semakin kecil pula nilai rata-rata hue-nya. Hal ini terlihat dari histogram warna untuk kelima kelas itu yang terus bergeser ke arah kiri. Histogram dimaksud tersaji dalam gambar-gambar berikut ini:

Gambar 13 Histogram Hue dari Indeks A / Kelas 1 (kematangan 40 hari)

Gambar 14 Histogram Hue dari Indeks B / Kelas 2 (kematangan 50 hari)

(16)

Gambar 15 Histogram Hue dari Indeks C / Kelas 3 (kematangan 60 hari)

Gambar 16 Histogram Hue dari Indeks D / Kelas 4 (kematangan 70 hari)

Gambar 17 Histogram Hue dari Indeks E / Kelas 5 (kematangan 80 hari)

PNN h sama dan Input Nilai Hue Rata-rata

Dari potensi representasi nilai rerata hue tersebut, selanjutnya dicobakan PNN h sama tambahan input baru yaitu nilai

hue rata-rata. Sehingga, input PNN-nya menjadi: JumlahR, JumlahG, dan Rerata Hue.

Dari ketiga iterasi, rerata akurasi terbesar (80.51%) dicapai oleh iterasi pertama (h=300) dan iterasi ketiga (h=400 dan h=500). Grafiknya seperti tersaji dalam gambar berikut:

R, G, Rerata Hue (h sama)

73.73 74.58 80.51 78.81 77.97 78.81 77.12 77.12 77.97 77.97 77.12 77.12 77.12 73.73 78.81 77.97 79.66 80.51 80.51 78.81 78.81 70 72 74 76 78 80 82 100 200 300 400 500 600 700 h A k u ra s i (% )

Iterasi 1 Iterasi 2 Iterasi 3

Gambar 18 Grafik Akurasi PNN (h sama) dengan input JumlahR, JumlahG, dan

nilai Hue rata-rata

Membandingkan percobaan-percobaan di atas, terlihat bahwa untuk PNN h sama, dengan berbagai kombinasi input yang dilakukan, akurasi terbesarnya tetap saja tidak melampaui 80.51% dengan nilai terbaik 300-500.

PNN dengan h beda

Sebagaimana PNN h sama, kombinasi input untuk PNN h beda juga dibuat serupa. Pada percobaan pertama, input PNN ialah JumlahR dan JumlahG dari sebuah citra. Sedangkan PNN-nya memiliki h (paraneter pemulus) yang dihitung khusus untuk setiap ciri dari masing-masing kelas.

Dari ketiga iterasi, rerata akurasi terbesar (84.75%) dicapai oleh iterasi kedua. Grafiknya tersaji dalam gambar berikut:

R, G (h beda) 100 ₉₆ ₉₆ 76 84 88 68 76 60 80 80 60 66.67 88.89 77.78 78.81 84.75 76.27 0 20 40 60 80 100 1 2 3 Iterasi A k u ra s i

Kelas 1 Kelas 2 Kelas 3 Kelas 4 Kelas 5 Rerata Gambar 19 Grafik Akurasi PNN (h beda)

dengan input JumlahR dan JumlahG Dari percobaan ini mulai terlihat, penggunaan PNN dengan h beda mampu meningkatkan nilai akurasi. Hal ini jika

(17)

dibandingkan dengan percobaan serupa untuk PNN h sama yang hanya menghasilkan nilai 80.51%.sebagai akurasi terbesar.

Selanjutnya, dicobakan input PNN h beda berupa JumlahR, JumlahG, dan JumlahB. Dari ketiga iterasi, rerata akurasi terbesar (72.88%) dicapai oleh iterasi ketiga. Dari percobaan ini diketahui, bahwa PNN dengan h beda ternyata tidak membantu meningkatkan akurasi jaringan yang di dalamnya terdapat input berupa JumlahB. Malah sebaliknya, justru jadi menurunkan nilai akurasi. Grafiknya tersaji dalam gambar berikut:

R, G, B (h beda) 0 96 96 100 88 88 32 20 24 92 ₈₈ 96 50 61.11 _55.56 55.08 71.19 72.88 0 20 40 60 80 100 1 2 3 Iterasi A k u ra s i (% )

Kelas 1 Kelas 2 Kelas 3 Kelas 4 Kelas 5 Rerata Gambar 20 Grafik Akurasi PNN (h beda) dengan input JumlahR, JumlahG, dan

JumlahB

Berikutnya adalah PNN dengan input JumlahR, JumlahG, dan SelisihRG. Dari ketiga iterasi, rerata akurasi terbesar (82.2%) dicapai oleh iterasi kedua. Grafiknya tersaji dalam gambar berikut:

R, G, R-G (h beda) 100 ₉₆ ₉₆ 68 72 76 88 92 88 72 76 ₆₈ 55.56 72.22 61.11 77.97 82.2 78.81 0 20 40 60 80 100 1 2 3 Iterasi A k ur a s i (% )

Kelas 1 Kelas 2 Kelas 3 Kelas 4 Kelas 5 Rerata Gambar 21 Grafik Akurasi PNN (h beda) dengan input JumlahR, JumlahG, dan

SelisihRG

Kemudian dicobakan input PNN berupa JumlahR, JumlahG, dan Rerata Hue. Rerata akurasi terbesar (82.2%) dicapai oleh iterasi kedua. Grafiknya tersaji dalam gambar berikut:

R, G, Rerata Hue (h beda)

100 ₉₆ ₉₆ 80 76 88 72 84 60 84 76 68 66.67 77.78 83.33 81.36 82.2 78.81 0 20 40 60 80 100 1 2 3 Iterasi A k u ra s i (% )

Kelas 1 Kelas 2 Kelas 3 Kelas 4 Kelas 5 Rerata Gambar 22 Grafik Akurasi PNN (h beda) dengan input JumlahR, JumlahG, dan nilai

Hue rata-rata

Selanjutnya dicobakan PNN dengan input JumlahR, JumlahG, SelisihRG, dan Rerata Hue. Dari ketiga iterasi, rerata akurasi terbesar (83.05%) dicapai oleh iterasi ketiga. Grafiknya tersaji dalam gambar berikut:

R, G, R-G, Rerata Hue (h beda)

100 ₉₆ ₉₆ 72 72 76 88 92 88 80 64 80 55.56 72.22 72.22 80.51 79.66 83.05 0 20 40 60 80 100 1 2 3 Iterasi) A k u ra s i (% )

Kelas 1 Kelas 2 Kelas 3 Kelas 4 Kelas 5 Rerata Gambar 23 Grafik Akurasi PNN (h beda) dengan input JumlahR, JumlahG, SelisihRG,

dan nilai Hue rata-rata

Akurasi sebesar 83.05% dalam percobaan ini, lebh baik dibanding percobaan dengan input serupa untuk PNN h sama (80.51%). Sebagaimana halnya 2 percobaan sebelum ini, capaian akurasi 83.05% menunjukkan bahwa selain ciri SelisihRG, ciri Rerata Hue juga cukup menambah kualitas representasi kelas citra.

Membandingkan dengan akurasi terbesar dari PNN h sama (80.51%), didapati bahwa akurasi PNN h beda dalam beberapa kombinasi input jelas lebih tinggi nilai rerata akurasinya.

Akurasi Kelas 4 dan Kelas 5

Dari berbagai percobaan itu, tampak secara jelas bahwa akurasi untuk kelas 4 dan kelas 5 sering bernilai rendah.

Dengan melihat Histogram Hue untuk setiap kelas, diketahui ternyata antara kedua kelas (4 dan 5) itu ada nilai Hue yang saling bersisiran, sama-sama bernilai di bawah kisaran 50.

(18)

Kelas 4 dan kelas 5 menggambarkan buah belimbing yang matang. Dengan pengamatan tadi, diperkirakan bahwa akurasi kelas 4 dan kelas 5 akan meningkat jika kedua kelas itu digabungkan. Sehingga, pada akhirnya akan meningkatkan akurasi secara keseluruhan.

PNN dan Penggabnngan Kelas 4 - Kelas 5

Setelah penggabungan Kelas 4 dan Kelas 5, maka target PNN berubah dari 5 menjadi 4 kelas saja. Untuk PNN h beda, dengan input JumlahR, JumlahG, dan Rerata Hue diperoleh rerata akurasi secara berurutan untuk setiap iterasi ialah sebesar 87.29%, 88.14% dan 87.29%.

Sedangkan dengan input JumlahR, JumlahG, SelisihRG dan Rerata Hue, diperoleh rerata akurasi secara berurutan untuk setiap iterasi ialah sebesar 86.44%, 83.9%, dan 90.68%. PNN dengan akurasi 90.68% tadi, lalu dijadikan model untuk penentuan kematangan belimbing manis dalam penelitian ini.

Berikut ialah tabel-tabel confusion

matrix yang menunjukkan detail akurasi

untuk masing-masing iterasi dalam PNN h beda dengan 4 buah input (JumlahR, JumlahG, SelisihRG, dan Rerata Hue):

Tabel 5 Confusion matrix Iterasi 1 (Akurasi 86.44%) Hasil PNN Data Kelas 1 2 3 4 1 25 4 0 0 2 0 18 3 0 3 0 3 22 8 Aktual 4 0 0 0 35

Akurasi 90.68% ditunjukkan oleh Tabel 7 di atas. Untuk Kelas 1, terdapat satu contoh yang diklasifikasi salah sebagai Kelas 2. Untuk Kelas 2, terdapat masing-masing 3 data contoh yang diklasifikasi salah sebagai Kelas 1 dan Kelas 3. Untuk Kelas 3, terdapat 2 data contoh yang diklasifikasi salah sebagai Kelas 2, dan 1 data contoh yang diklasifikasi sebagai Kelas 4. Sedangkan untuk Kelas 4, terdapat 1 data contoh yang diklasifikasi salah sebagai Kelas 3. Hasil tersebut diperoleh dengan nilai-nilai h seperti tersaji dalam tabel berikut:

Tabel 8 Nilai h untuk PNN h beda berakurasi 90.68% *1.0e+003 h1 h2 h3 h4 Kelas 1 0.0019 1.0188 1.0189 0.0019 Kelas 2 0.0184 0.8040 0.8091 0.0016 Kelas 3 0.1786 0.2326 0.2623 0.0019 Kelas 4 1.9743 0.0749 1.9862 0.0027 PENUTUP Kesimpulan

Dari penelitian ini, ada beberapa kesimpulan yang bisa diambil:

1. Dengan berbagai kombinasi input baik itu untuk PNN h sama dan PNN h beda, capaian rerata akurasi terbesarnya bervariasi antara akurasi terendah 56.78% sampai dengan akurasi terbesar 90.68%.

2. Besar h (parameter pemulus) mempengaruhi akurasi PNN. Untuk PNN h sama, akurasi terbesar dicapai dengan h sebesar 300 – 500. Penghitungan h secara khusus dalam PNN h beda, terbukti menghasilkan akurasi lebih baik dibanding PNN dengan

h sama.

3. Input terbaik untuk model PNN bagi penentuan kematangan belimbing manis ini adalah JumlahR, JumlahG, SelisihRG, dan nilai Hue rata-rata.

4. Akurasi terbaik diperoleh dengan model PNN h beda yang memiliki lapisan input berisi JumlahR, JumlahG, SelisihR-G, dan nilai Hue rata-rata. Sedangkan nilai h1,

h2, h3, dan h4 untuk keempat

kelas secara berturut-turut ialah Kelas 1: 1,9; 1.018,8; 1.018,9; 1,9;

(19)

Kelas 2: 18,4; 804; 809,1; 1,6; Kelas 3: 178,6; 232,6; 262,3; 1,9; dan Kelas 4: 1.974,3; 74,9; 1.986,2; 2,7.

Saran

Lanjutan penelitian ini dapat dikembangkan dengan cara

1. Lebih mengoptimalkan penentuan

h (smoothing parameter) bagi

PNN.

2. Mengoptimalkan representasi citra dengan ekstraksi ciri yang lebih baik misalnya dengan menambahkan model warna L*a*b. 3. Melengkapi sistem pemutuan dengan tingkat kemanisan. Misalnya dengan memanfaatkan hasil pengukuran fisika-kimia.

DAFTAR PUSTAKA

Ahmad, Usman 2005. Pengolahan Citra

Digital dan Teknik Pemrogramannya.

Yogyakarta: Graha Ilmu.

Abdullah M.Z., Mohamad-Saleh J., Fathinul-Syahir, and Mohd-Azemi 2005. Discrimination and classification

of fresh-cut starfruits (Averrhoa

carambola L) using automated machine

vision system. Journal of Food

Engineering.

Departemen Pertanian 2006. Kepmentan No

511/Kpts/Pd.310/9/2006 tentang Jenis

Komoditi Tanaman Binaan Ditjen

Perkebunan, Ditjen Tanaman Pangan

dan Ditjen Hortikultura.

http://ditbuah.hortikultura.go.id/docdow nload/kepmentri-511-06binaan.pdf [Februari, 2008].

Deptan 2007. Rancangan Standar Nasional

Indonesia (RSNI) Buah Belimbing

Manis (Averrhoa Carambola L.).

http://agribisnis.deptan.go.id/Pustaka/Be limbing-1.htm [Februari 2008].

Fadel, M. 2007. Date Fruits Classification

Using Probabilistic Neural Networks.

[Desember 2008].

Ferianto, Teguh 2003. Aplikasi Jaringan

Syaraf Tiruan dan Analisis Komponen

Utama untuk Sortasi Mentimun.

[Skripsi]. Bogor: Departemen Ilmu Komputer FMIPA IPB.

Fu, LiMin 1994. Neural Networks in

Computer Intelligence. USA:

McGraw-Hill.

Gonzales, R.C. & Woods R.E. 2002. Digital

Image Processing, 2nd Edition. New

Jersey USA: Prentice Hall.

Hamilton H, Gurak E, Findlater L. 2003.

Confusion Matrix.

http://www2.cs.uregina.ca/~dbd/cs831/n otes/confusion_matrix/confusion_matrix .html [September 2009].

Irmansyah 2008. Evaluasi Mutu Belimbing

dengan Pengolahan Citra dan Logika Fuzzy. [Seminar Disertasi]. Bogor:

Departemen Keteknikan Pertanian IPB Bogor.

Kusumadewi, Sri 2004. Membangun Jaringan Syaraf Tiruan (Menggunakan MATLAB & Excel Link). Yogyakarta:

Graha Ilmu.

Mokji, M.M., and Abu Bakar, S.A.R. 2006.

Starfruit Grading Based on

2-Dimensional Color Map. Electrical and

Electronics, hal. 203-206. Johore, Malaysia: . Regional Postgraduate Conference on Engineering and Science (RPCES 2006).

Silverman, B. W. 1985. Density Estimation

for Statistics and Data Analysis.

Chapman and Hall, New York.

Specht, D.F. 1990. Probabilistic neural

networks and the polynomial adalines

as complementary techniques for

classification. IEEE Transactions on

Neural Networks, 1(1), hal. 111-121. Warintek 2006. Averrhoa Carambola L.

http://www.warintek.ristek.go.id/pangan _kesehatan/tanaman_obat/depkes/1-038.pdf [Februari 2008].

(20)

(21)

Lampiran 1 PNN h sama dengan 2 buah input: JumlahR dan JumlahG Matlab: pnnrg Iterasi 1 h 100 200 300 400 500 600 700 Kelas 1 100 (25) 100 (25) 100 (25) 100 (25) 100 (25) 100 (25) 100 (25) Kelas 2 72 (18) 76 (19) 76 (19) 80 (20) 80 (20) 80 (20) 72 (18) Kelas 3 76 (19) 72 (18) 80 (20) 80 (20) 80 (20) 84 (21) 84 (21) Kelas 4 60 (15) 64 (16) 80 (20) 72 (18) 64 (16) 64 (16) 64 (16) Kelas 5 55.56 (10) 55.56 (10) 61.11 (11) 55.56 (10) 61.11 (11) 61.11 (11) 61.11 (11) Rerata 73.73 (87) 74.58 (88) 80.51 (95) 78.81 (93) 77.97 (92) 78.81 (93) 77.12 (91) Iterasi 2 h 100 200 300 400 500 600 700 Kelas 1 84 (21) 84 (21) 84 (21) 84 (21) 84 (21) 88 (22) 88 (22) Kelas 2 64 (16) 68 (17) 64 (16) 60 (15) 56 (14) 52 (13) 52 (13) Kelas 3 88 (22) 96 (24) 92 (23) 92 (23) 92 (23) 92 (23) 92 (23) Kelas 4 64 (16) 68 (17) 76 (19) 68 (17) 68 (17) 68 (17) 52 (13) Kelas 5 88.88 (16) 72.22 (13) 72.22 (13) 83.33 (15) 88.89 (16) 88.89 (16) 88.89 (16) Rerata 77.12 (91) 77.97 (92) 77.97 (92) 77.12 (91) 77.12 (91) 77.12 (91) 73.73 (87) Iterasi 3 h 100 200 300 400 500 600 700 Kelas 1 96 (24) 88 (22) 88 (22) 88 (22) 88 (22) 88 (22) 88 (22) Kelas 2 88 (22) 84 (21) 80 (20) 80 (20) 80 (20) 76 (19) 76 (19) Kelas 3 80 (20) 80 (20) 88 (22) 92 (23) 92 (23) 92 (23) 92 (23) Kelas 4 64 (16) 72 (18) 76 (19) 76 (19) 76 (19) 72 (18) 72 (18) Kelas 5 61.11 (11) 61.11 (11) 61.11 (11) 61.11 (11) 61.11 (11) 61.11 (11) 61.11 (11) Rerata 78.81 (93) 77.97 (92) 79.66 (94) 80.51 (95) 80.51 (95) 78.81 (93) 78.81 (93)

R, G (h sama)

73.73 74.58 80.51 78.81 77.97 78.81 77.12 77.12 77.97 77.97 77.12 77.12 77.12 73.73 78.81 77.97 79.66 80.51 80.51 78.81 78.81 70.00 72.00 74.00 76.00 78.00 80.00 82.00 100 200 300 400 500 600 700 h A k u ra s i (% )

(22)

Lampiran 2 PNN h sama dengan 3 buah input: JumlahR, JumlahG, dan JumlahB Matlab: pnnrgb Iterasi 1 h 100 200 300 400 500 600 700 Kelas 1 100 (25) 100 (25) 100 (25) 100 (25) 100 (25) 100 (25) 100 (25) Kelas 2 72 (18) 76 (19) 76 (19) 80 (20) 80 (20) 80 (20) 72 (18) Kelas 3 76 (19) 72 (18) 80 (20) 80 (20) 80 (20) 84 (21) 84 (21) Kelas 4 60 (15) 64 (16) 80 (20) 72 (18) 64 (16) 64 (16) 64 (16) Kelas 5 55.56 (10) 55.56 (10) 61.11 (11) 55.56 (10) 61.11 (11) 61.11 (11) 61.11 (11) Rerata 73.73 (87) 74.58 (88) 80.51 (95) 78.81 (93) 77.97 (92) 78.81 (93) 77.12 (91) Iterasi 2 h 100 200 300 400 500 600 700 Kelas 1 84 (21) 84 (21) 84 (21) 84 (21) 84 (21) 88 (22) 88 (22) Kelas 2 64 (16) 68 (17) 64 (16) 60 (15) 56 (14) 52 (13) 52 (13) Kelas 3 88 (22) 96 (24) 92 (23) 92 (23) 92 (23) 92 (23) 92 (23) Kelas 4 64 (16) 68 (17) 76 (19) 68 (17) 68 (17) 68 (17) 52 (13) Kelas 5 88.89 (16) 72.22 (13) 72.22 (13) 83.33 (15) 88.89 (16) 88.89 (16) 88.89 (16) Rerata 77.12 (91) 77.97 (92) 77.97 (92) 77.12 (91) 77.12 (91) 77.12 (91) 73.73 (87) Iterasi 3 h 100 200 300 400 500 600 700 Kelas 1 96 (24) 88 (22) 88 (22) 88 (22) 88 (22) 88 (22) 88 (22) Kelas 2 88 (22) 84 (21) 80 (20) 80 (20) 80 (20) 76 (19) 76 (19) Kelas 3 80 (20) 80 (20) 88 (22) 92 (23) 92 (23) 92 (23) 92 (23) Kelas 4 64 (16) 72 (18) 76 (19) 76 (19) 76 (19) 72 (18) 72 (18) Kelas 5 61.11 (11) 61.11 (11) 61.11 (11) 61.11 (11) 61.11 (11) 61.11 (11) 61.11 (11) Rerata 78.81 (93) 77.97 (92) 79.66 (94) 80.51 (95) 80.51 (95) 78.81 (93) 78.81 (93)

R, G, B (h sama)

73.73 74.58 80.51 78.81 77.97 78.81 77.12 77.12 77.97 77.97 77.12 77.12 77.12 73.73 78.81 77.97 79.66 80.51 80.51 78.81 78.81 70.00 72.00 74.00 76.00 78.00 80.00 82.00 100 200 300 400 500 600 700 h A k u ra s i (% )

(23)

Lampiran 3 PNN h sama dengan 3 input: JumlahR, JumlahG, dan SelsisihRG MatlabL pnnrgr Iterasi 1 h 100 200 300 400 500 600 700 Kelas 1 100.00 (25) 100.00 (25) 100.00 (25) 100.00 (25) 100.00 (25) 100.00 (25) 100.00 (25) Kelas 2 72.00 (18) 80.00 (20) 76.00 (19) 76.00 (19) 80.00 (20) 80.00 (20) 80.00 (20) Kelas 3 76.00 (19) 76.00 (19) 76.00 (19) 80.00 (20) 80.00 (20) 80.00 (20) 80.00 (20) Kelas 4 60.00 (15) 64.00 (16) 76.00 (19) 80.00 (20) 76.00 (19) 72.00 (18) 68.00 (17) Kelas 5 61.11 (11) 55.56 (10) 55.56 (10) 55.56 (10) 55.56 (10) 61.11 (11) 61.11 (11) Rerata 74.58 (88) 76.27 (90) 77.97 (92) 79.66 (94) 79.66 (94) 79.66 (94) 78.81 (93) Iterasi 2 h 100 200 300 400 500 600 700 Kelas 1 84.00 (21) 84.00 (21) 84.00 (21) 84.00 (21) 84.00 (21) 84.00 (21) 84.00 (21) Kelas 2 76.00 (19) 64.00 (16) 68.00 (17) 64.00 (16) 60.00 (15) 60.00 (15) 60.00 (15) Kelas 3 88.00 (22) 96.00 (24) 96.00 (24) 92.00 (23) 92.00 (23) 92.00 (23) 92.00 (23) Kelas 4 68.00 (17) 64.00 (16) 68.00 (17) 76.00 (19) 76.00 (19) 72.00 (18) 72.00 (18) Kelas 5 77.78 (14) 77.78 (14) 72.22 (13) 72.22 (13) 72.22 (13) 83.33 (15) 88.89 (16) Rerata 78.81 (93) 77.12 (91) 77.97 (92) 77.97 (92) 77.12 (91) 77.97 (92) 78.81 (93) Iterasi 3 h 100 200 300 400 500 600 700 Kelas 1 92.00 (23) 88.00 (22) 88.00 (22) 88.00 (22) 88.00 (22) 88.00 (22) 88.00 (22) Kelas 2 88.00 (22) 88.00 (22) 84.00 (21) 80.00 (20) 80.00 (20) 80.00 (20) 80.00 (20) Kelas 3 80.00 (20) 80.00 (20) 80.00 (20) 88.00 (22) 88.00 (22) 92.00 (23) 92.00 (23) Kelas 4 60.00 (15) 68.00 (17) 68.00 (17) 76.00 (19) 76.00 (19) 76.00 (19) 76.00 (19) Kelas 5 66.67 (12) 66.67 (12) 61.11 (11) 61.11 (11) 61.11 (11) 61.11 (11) 61.11 (11) Rerata 77.97 (92) 78.81 (93) 77.12 (91) 79.66 (94) 79.66 (94) 80.51 (95) 80.51 (95)

R, G, R-G (h sama)

74.58 76.27 77.97 79.66 79.66 79.66 78.81 78.81 77.12 77.97 77.97 77.12 77.97 78.81 77.97 78.81 77.12 79.66 79.66 80.51 80.51 70 72 74 76 78 80 82 100 200 300 400 500 600 700 h A k u ra s i (% )

(24)

Lampiran 4 PNN h beda dengan 2 input: JumlahR dan JumlahG Matlab: pnnrg2 Iterasi 1 *1.0e+003 % h1 h2 Akurasi Kelas 1 0.0023 1.1133 100 (25) Kelas 2 0.0199 0.8255 76 (19) Kelas 3 0.2147 0.1749 68 (17) Kelas 4 1.2890 0.0986 80 (20) Kelas 5 2.7071 0.0813 66.67 (12) Rerata 78.81 (93) Iterasi 2 *1.0e+003 % h1 h2 Akurasi Kelas 1 0.0023 0.9921 96 (24) Kelas 2 0.0197 0.7823 84 (21) Kelas 3 0.1891 0.2056 76 (19) Kelas 4 1.2130 0.0526 80 (20) Kelas 5 2.6047 0.0575 88.89 (16) Rerata 84.75 (100) Iterasi 3 *1.0e+003 % h1 h2 Akurasi Kelas 1 0.0019 1.0188 96 (24) Kelas 2 0.0184 0.8040 88 (22) Kelas 3 0.1786 0.2326 60 (15) Kelas 4 1.1644 0.0920 60 (15) Kelas 5 2.4402 0.0661 77.78 (14) Rerata 76.27 (90)

R, G (h beda)

100 ₉₆ ₉₆ 76 84 88 68 76 60 80 80 60 66.67 88.89 77.78 78.81 84.75 _76.27 0 20 40 60 80 100 1 2 3 Iterasi A k u ra s i

(25)

Lampiran 5 PNN h beda dengan 3 input: JumlahR, JumlahG, dan JumlahB Matlab: pnnrgb2 Iterasi 1 *1.0e+003 % h1 h2 h3 Kelas 1 0.0023 1.1133 0 0 (0) Kelas 2 0.0199 0.8255 0.0001 100 (25) Kelas 3 0.2147 0.1749 0.0033 32 (8) Kelas 4 1.2890 0.0986 0.0004 92 (23) Kelas 5 2.7071 0.0813 0.0044 50 (9) Rerata 55.08 (65) Iterasi 2 *1.0e+003 % h1 h2 h3 Kelas 1 0.0023 0.9921 0.0001 96 (24) Kelas 2 0.0197 0.7823 0.0001 88 (22) Kelas 3 0.1891 0.2056 0.0013 20 (5) Kelas 4 1.2130 0.0526 0.0002 88 (22) Kelas 5 2.6047 0.0575 0.0011 61.11 (11) Rerata 71.19 (84) Iterasi 3 *1.0e+003 % h1 h2 h3 Kelas 1 0.0019 1.0188 0.0001 96 (24) Kelas 2 0.0184 0.8040 0.0001 88 (22) Kelas 3 0.1786 0.2326 0.0031 24 (6) Kelas 4 1.1644 0.0920 0.0004 96 (24) Kelas 5 2.4402 0.0661 0.0044 55.56 (10) Rerata 72.88 (86)

R, G, B (h beda)

0 96 96 100 88 88 32 20 24 92 ₈₈ 96 50 61.11 _55.56 55.08 71.19 72.88 0 20 40 60 80 100 1 2 3 Iterasi A k u ra s i (% )

(26)

Lampiran 6 PNN h beda dengan 3 input: JumlahR, JumlahG, dan SelisihRG. Matlab: pnnrgrr2 Iterasi 1 *1.0e+003 % h1 h2 h3 Akurasi Kelas 1 0.0023 1.1133 1.1138 100.00 (25) Kelas 2 0.0199 0.8255 0.8303 68.00 (17) Kelas 3 0.2147 0.1749 0.2506 88.00 (22) Kelas 4 1.2890 0.0986 1.2996 72.00 (18) Kelas 5 2.7071 0.0813 2.7252 55.56 (10) Rerata 77.97 (92) Iterasi 2 *1.0e+003 % h1 h2 h3 Akurasi Kelas 1 0.0023 0.9921 0.9924 96.00 (24) Kelas 2 0.0197 0.7823 0.7868 72.00 (18) Kelas 3 0.1891 0.2056 0.2676 92.00 (23) Kelas 4 1.2130 0.0526 1.2180 76.00 (19) Kelas 5 2.6047 0.0575 2.6176 72.22 (13) Rerata 82.20 (97) Iterasi 3 *1.0e+003 % h1 h2 h3 Kelas 1 0.0019 1.0188 1.0189 96.00 (24) Kelas 2 0.0184 0.8040 0.8091 76.00 (19) Kelas 3 0.1786 0.2326 0.2623 88.00 (22) Kelas 4 1.1644 0.0920 1.1547 68.00 (17) Kelas 5 2.4402 0.0661 2.4449 61.11 (11) Rerata 78.81 (93)

R, G, R-G (h beda)

100 ₉₆ ₉₆ 68 72 76 88 92 88 72 76 ₆₈ 55.56 72.22 61.11 77.97 82.2 78.81 0 20 40 60 80 100 1 2 3 Iterasi A k u ra s i (% )

(27)

Lampiran 7 PNN h sama dengan 6 input: Rerata R, G, B, H, S dan I Matlab: pnnrgbhsi Iterasi 1 h 100 200 300 400 500 600 700 Kelas 1 40.00 (10) 40.00 (10) 40.00 (10) 40.00 (10) 40.00 (10) 40.00 (10) 40.00 (10) Kelas 2 64.00 (16) 64.00 (16) 64.00 (16) 64.00 (16) 64.00 (16) 64.00 (16) 64.00 (16) Kelas 3 56.00 (14) 56.00 (14) 56.00 (14) 56.00 (14) 56.00 (14) 56.00 (14) 56.00 (14) Kelas 4 36.00 (9) 36.00 (9) 36.00 (9) 36.00 (9) 36.00 (9) 36.00 (9) 36.00 (9) Kelas 5 66.67 (12) 66.67 (12) 66.67 (12) 66.67 (12) 66.67 (12) 66.67 (12) 66.67 (12) Rerata 51.69 (61) 51.69 (61) 51.69 (61) 51.69 (61) 51.69 (61) 51.69 (61) 51.69 (61) Iterasi 2 h 100 200 300 400 500 600 700 Kelas 1 28.00 (7) 28.00 (7) 28.00 (7) 28.00 (7) 28.00 (7) 28.00 (7) 28.00 (7) Kelas 2 68.00 (17) 68.00 (17) 68.00 (17) 68.00 (17) 68.00 (17) 68.00 (17) 68.00 (17) Kelas 3 80.00 (20) 80.00 (20) 80.00 (20) 80.00 (20) 80.00 (20) 80.00 (20) 80.00 (20) Kelas 4 28.00 (7) 24.00 (6) 20.00 (5) 20.00 (5) 20.00 (5) 20.00 (5) 20.00 (5) Kelas 5 88.89 (16) 88.89 (16) 88.89 (16) 88.89 (16) 88.89 (16) 88.89 (16) 88.89 (16) Rerata 56.78 (67) 55.93 (66) 55.08 (65) 55.08 (65) 55.08 (65) 55.08 (65) 55.08 (65) Iterasi 3 h 100 200 300 400 500 600 700 Kelas 1 56.00 (14) 56.00 (14) 56.00 (14) 56.00 (14) 56.00 (14) 56.00 (14) 56.00 (14) Kelas 2 84.00 (21) 84.00 (21) 84.00 (21) 84.00 (21) 84.00 (21) 84.00 (21) 84.00 (21) Kelas 3 32.00 (8) 32.00 (8) 32.00 (8) 32.00 (8) 32.00 (8) 32.00 (8) 32.00 (8) Kelas 4 44.00 (11) 44.00 (11) 44.00 (11) 44.00 (11) 44.00 (11) 44.00 (11) 44.00 (11) Kelas 5 72.22 (13) 72.22 (13) 72.22 (13) 72.22 (13) 72.22 (13) 72.22 (13) 72.22 (13) Rerata 56.78 (67) 56.78 (67) 56.78 (67) 56.78 (67) 56.78 (67) 56.78 (67) 56.78 (67)

Rerata R, G, B, H, S, dan I

51.69 51.69 51.69 51.69 51.69 51.69 51.69 56.78 55.93 55.08 55.08 55.08 55.08 55.08 56.78 56.78 56.78 56.78 56.78 56.78 56.78 48 50 52 54 56 58 100 200 300 400 500 600 700 h A k u ra s i (% )

(28)

Lampiran 9 PNN h sama dengan 3 input: Jumlah R, G dan Rerata H Matlab: pnnrghue Iterasi 1 h 100 200 300 400 500 600 700 Kelas 1 100.00 (25) 100.00 (25) 100.00 (25) 100.00 (25) 100.00 (25) 100.00 (25) 100.00 (25) Kelas 2 72.00 (18) 76.00 (19) 76.00 (19) 80.00 (20) 80.00 (20) 80.00 (20) 72.00 (18) Kelas 3 76.00 (19) 72.00 (18) 80.00 (20) 80.00 (20) 80.00 (20) 84.00 (21) 84.00 (21) Kelas 4 60.00 (15) 64.00 (16) 80.00 (20) 72.00 (18) 64.00 (16) 64.00 (16) 64.00 (16) Kelas 5 55.56 (10) 55.56 (10) 61.11 (11) 55.56 (10) 61.11 (11) 61.11 (11) 61.11 (11) Rerata 73.73 (87) 74.58 (88) 80.51 (95) 78.81 (93) 77.97 (92) 78.81 (93) 77.12 (91) Iterasi 2 h 100 200 300 400 500 600 700 Kelas 1 84.00 (21) 84.00 (21) 84.00 (21) 84.00 (21) 84.00 (21) 88.00 (22) 88.00 (22) Kelas 2 64.00 (16) 68.00 (17) 64.00 (16) 60.00 (15) 56.00 (14) 52.00 (13) 52.00 (13) Kelas 3 88.00 (22) 96.00 (24) 92.00 (23) 92.00 (23) 92.00 (23) 92.00 (23) 92.00 (23) Kelas 4 64.00 (16) 68.00 (17) 76.00 (19) 68.00 (17) 68.00 (17) 68.00 (17) 52.00 (13) Kelas 5 88.89 (16) 72.22 (13) 72.22 (13) 83.33 (15) 88.89 (16) 88.89 (16) 88.89 (16) Rerata 77.12 (91) 77.97 (92) 77.97 (92) 77.12 (91) 77.12 (91) 77.12 (91) 73.73 (87) Iterasi 3 h 100 200 300 400 500 600 700 Kelas 1 96.00 (24) 88.00 (22) 88.00 (22) 88.00 (22) 88.00 (22) 88.00 (22) 88.00 (22) Kelas 2 88.00 (22) 84.00 (21) 80.00 (20) 80.00 (20) 80.00 (20) 76.00 (19) 76.00 (19) Kelas 3 80.00 (20) 80.00 (20) 88.00 (22) 92.00 (23) 92.00 (23) 92.00 (23) 92.00 (23) Kelas 4 64.00 (16) 72.00 (18) 76.00 (19) 76.00 (19) 76.00 (19) 72.00 (18) 72.00 (18) Kelas 5 61.11 (11) 61.11 (11) 61.11 (11) 61.11 (11) 61.11 (11) 61.11 (11) 61.11 (11) Rerata 78.81 (93) 77.97 (92) 79.66 (94) 80.51 (95) 80.51 (95) 78.81 (93) 78.81 (93)

R, G, Rerata Hue (h sama)

73.73 74.58 80.51 78.81 77.97 78.81 77.12 77.12 77.97 77.97 77.12 77.12 77.12 73.73 78.81 77.97 79.66 80.51 80.51 78.81 78.81 70 72 74 76 78 80 82 100 200 300 400 500 600 700 h A k u ra s i (% )

(29)

Lampiran 9 PNN h beda dengan 3 input: JumlahR, JumlahG dan Rerata Hue Matlab: pnnrghue2 Iterasi 1 *1.0e+003 % h1 h2 h3 Akurasi Kelas 1 0.0023 1.1133 0.0017 100.00 (25) Kelas 2 0.0199 0.8255 0.0016 80.00 (20) Kelas 3 0.2147 0.1749 0.0021 72.00 (18) Kelas 4 1.2890 0.0986 0.0023 84.00 (21) Kelas 5 2.7071 0.0813 0.0038 66.67 (12) Rerata 81.36 (96) Iterasi 2 *1.0e+003 % h1 h2 h3 Akurasi Kelas 1 0.0023 0.9921 0.0018 96.00 (24) Kelas 2 0.0197 0.7823 0.0016 76.00 (19) Kelas 3 0.1891 0.2056 0.0020 84.00 (21) Kelas 4 1.2130 0.0526 0.0025 76.00 (19) Kelas 5 2.6047 0.0575 0.0032 77.78 (14) Rerata 82.20 (97) Iterasi 3 *1.0e+003 % h1 h2 h3 Kelas 1 0.0019 1.0188 0.0019 96.00 (24) Kelas 2 0.0184 0.8040 0.0016 88.00 (22) Kelas 3 0.1786 0.2326 0.0019 60.00 (15) Kelas 4 1.1644 0.0920 0.0025 68.00 (17) Kelas 5 2.4402 0.0661 0.0034 83.33 (15) Rerata 78.81 (93)

R, G, Rerata Hue (h beda)

100 ₉₆ ₉₆ 80 76 88 72 84 60 84 76 68 66.67 77.78 83.33 81.36 82.2 _78.81 0 20 40 60 80 100 1 2 3 Iterasi A k u ra s i (% )

(30)

Lampiran 10 PNN h beda dengan 4 input: JumlahR, JumlahG, SelisihRG, dan Hue Rata-rata Matlab: pnnrgrhue2 Iterasi 1 *1.0e+003 % h1 h2 h3 h4 Akurasi Kelas 1 0.0023 1.1133 1.1138 0.0017 100.00 (25) Kelas 2 0.0199 0.8255 0.8303 0.0016 72.00 (18) Kelas 3 0.2147 0.1749 0.2506 0.0021 88.00 (22) Kelas 4 1.2890 0.0986 1.2996 0.0023 80.00 (20) Kelas 5 2.7071 0.0813 2.7252 0.0038 55.56 (10) Rerata 80.51 (95) Iterasi 2 *1.0e+003 % h1 h2 h3 h4 Akurasi Kelas 1 0.0023 0.9921 0.9924 0.0018 96.00 (24) Kelas 2 0.0197 0.7823 0.7868 0.0016 72.00 (18) Kelas 3 0.1891 0.2056 0.2676 0.0020 92.00 (23) Kelas 4 1.2130 0.0526 1.2180 0.0025 64.00 (16) Kelas 5 2.6047 0.0575 2.6176 0.0032 72.22 (13) Rerata 79.66 (94) Iterasi 3 *1.0e+003 % h1 h2 h3 h4 Akurasi Kelas 1 0.0019 1.0188 1.0189 0.0019 96.00 (24) Kelas 2 0.0184 0.8040 0.8091 0.0016 76.00 (19) Kelas 3 0.1786 0.2326 0.2623 0.0019 88.00 (22) Kelas 4 1.1644 0.0920 1.1547 0.0025 80.00 (20) Kelas 5 2.4402 0.0661 2.4449 0.0034 72.22 (13) Rerata 83.05 (98)

R, G, R-G, Rerata Hue (h beda)

100 96 96 72 72 76 88 92 88 80 64 80 55.56 72.22 72.22 80.51 79.66 83.05 0 20 40 60 80 100 1 2 3 Iterasi) A k u ra s i (% )

(31)

Lampiran 11 PNN h beda (4 kelas) dengan 3 input JumlahR, JumlahG, dan Hue rata-rata. Matlab: pnnrghue2kelas4 Iterasi 1 *1.0e+003 % h1 h2 h3 Akurasi Kelas 1 0.0023 1.1133 0.0017 100.00 (25) Kelas 2 0.0199 0.8255 0.0016 80.00 (20) Kelas 3 0.2147 0.1749 0.0021 72.00 (18) Kelas 4 2.1916 0.0821 0.0028 93.02 (40) Rerata 87.29 (103) Iterasi 2 *1.0e+003 % h1 h2 h3 Akurasi Kelas 1 0.0023 0.9921 0.0018 96.00 (24) Kelas 2 0.0197 0.7823 0.0016 76.00 (19) Kelas 3 0.1891 0.2056 0.0020 84.00 (21) Kelas 4 1.9650 0.0477 0.0027 93.02 (40) Rerata 88.14 (104) Iterasi 3 *1.0e+003 % h1 h2 h3 Kelas 1 0.0019 1.0188 0.0019 96.00 (24) Kelas 2 0.0184 0.8040 0.0016 88.00 (22) Kelas 3 0.1786 0.2326 0.0019 60.00 (15) Kelas 4 1.9743 0.0749 0.0027 97.67 (42) Rerata 87.29 (103)

R, G, Rerata Hue (h beda) 4 Kelas

100 ₉₆ ₉₆ 80 ₇₆ 88 72 84 60 93.02 93.02 97.67 87.29 88.14 87.29 0 20 40 60 80 100 1 2 3 Iterasi A k ur a s i (% )

(32)

Lampiran 12 PNN h beda (4 kelas) dengan 4 input JumlahR, JumlahG, SelisihRG, dan Rerata Hue. Matlab: pnnrgrhue2kelas4 Iterasi 1 *1.0e+003 % h1 h2 h3 h4 Akurasi Kelas 1 0.0023 1.1133 1.1138 0.0017 100.00 (25) Kelas 2 0.0199 0.8255 0.8303 0.0016 72.00 (18) Kelas 3 0.2147 0.1749 0.2506 0.0021 88.00 (22) Kelas 4 2.1916 0.0821 2.2120 0.0028 81.40 (35) Rerata 84.75 (100) Iterasi 2 *1.0e+003 % h1 h2 h3 h4 Akurasi Kelas 1 0.0023 0.9921 0.9924 0.0018 96.00 (24) Kelas 2 0.0197 0.7823 0.7868 0.0016 72.00 (18) Kelas 3 0.1891 0.2056 0.2676 0.0020 96.00 (24) Kelas 4 1.9650 0.0477 1.9746 0.0027 76.74 (33) Rerata 83.90 (99) Iterasi 3 *1.0e+003 % h1 h2 h3 h4 Akurasi Kelas 1 0.0019 1.0188 1.0189 0.0019 96.00 (24) Kelas 2 0.0184 0.8040 0.8091 0.0016 76.00 (19) Kelas 3 0.1786 0.2326 0.2623 0.0019 88.00 (22) Kelas 4 1.9743 0.0749 1.9862 0.0027 97.67 (42) Rerata 90.68 (107)