DAFTAR PUSTAKA. 1. Ahmad, U. (2005). Pengolahan Citra Digital dan Teknik Pemrogramannya. Jogjakarta: Penerbit Graha Ilmu

DAFTAR PUSTAKA

1. Ahmad, U. (2005). Pengolahan Citra Digital dan Teknik Pemrogramannya. Jogjakarta: Penerbit Graha Ilmu. 2. Artificial Neural Networks. (2007). Artificial Neural Networks. (Artificial Neural Networks) Retrieved April 1, 2008, from Artificial Neural Networks: http://www.learnartificialneuralnetworks.com/ 3. Badan Standardisasi Nasional. (2000). SNI 01-1902-2000. Badan Standardisasi Nasional. 4. Beverages Health and Vitality Team, Lipton, Unilever. (2005, September). Tea Flavonoids. Retrieved April 30, 2007, from Lipton: www.lipton.com/downloads/tea_health/beverage_guide/tea_flavanoids.pdf 5. Borah, S. (2005, Juli). Machine vision for tea quality monitoring with special emphasis on fermentation and grading. (Tezpur University) Retrieved Mei 31, 2008, from biriz: www.biriz.biz/cay/imalat/ENose.pdf 6. Borah, S., & Bhuyan, B. (2005, Maret 29). Non-destructive testing of tea fermentation. Retrieved Mei 8, 2007, from Warwick: www.eng.warwick.ac.uk/~esreal/SBorahNDT-02UK.pdf 7. British Standard Institution. (2002, July 12). BS Tea. Retrieved April 1, 2008, from Surrey: http://ftp.ee.surrey.ac.uk/papers/AI/L.Gillam/bs_tea.pdf 8. Chandra, B., & Varghese, P. P. (2007, April). Applications of Cascade Correlation Neural Networks for Cipher System Identification. Retrieved April 1, 2008, from waset: http://www.waset.org/pwaset/v20/v20-59.pdf 9. Encyclopaedia Britannica, Inc. (2000). Encyclopaedia Britannica. 10. Heaton Research, inc. (2005). Heaton Research. (Heaton Research) Retrieved April 15, 2008, from Hopfield Applet: http://www.heatonreseacrh.com/articles/61/page1.html 11. Hicks, A. (2001, Oktober). Article 4. Retrieved April 30, 2007, from Journal: www.journal.au.edu/au_techno/2001/oct2001/article4.pdf 12. Kohonen's Self Organizing Feature Maps. (2008). (ai-junkie) Retrieved April 1, 2008, from ai-junkie: http://www.aijunkie.com/ann/som/som1.html 13. Kristanto, A. (2004). Jaringan Syaraf Tiruan, Konsep Dasar dan, Algoritma dan Aplikasi. Yogyakarta: Gava Media.

129

14. Kuhne, P. (2004, Juni). Food and Nutrition, What Nourish Our Children? Retrieved Mei 8, 2007, from Waldorf Library: www.waldorflibrary.org/waldorf journals project/FoodandNutrition.pdf 15. Lam, M. (2001). Detox Tea. Retrieved April 30, 2007, from Dr Lam: www.drlam.com/pictures/pdf/DetoxTea.pdf 16. Medler, D. A., Dawson, & W., M. R. (Tanpa tahun). Using Redundancy to Improve the Performance of Artificial Neural Networks. Retrieved Maret 20, 2008, from CNBC: www.cnbc.cmu.edu/~medler/papers/ai94.pdf 17. Munir, R. (2004). Pengolahan Citra Digital dengan Pendekatan Algoritmik. Bandung: Informatika Bandung. 18. Niles, R. (2007). Standard Deviation. Retrieved Mei 7, 2007, from RobertNiles.Com: http://www.robertniles.com/stats/stdev.shtml 19. Ningrat, R. G. (2006). Teknologi Pengolahan Teh Hitam. Bandung: Penerbit ITB. 20. Rich, E., & Knight, K. (1991). Artificial intelligence, 2nd ed. McGrawHill, inc. 21. Russell, S., & Norvig, P. (2003). Artificial Intelligence, A Modern Approach. New Jersey: Pearson Education, Prentice Hall, Inc. 22. Schmoldt, D. S. (2001). Application of Artificial Intelligence to Risk Analysis for Forested Ecosystems. Retrieved Mei 8, 2007, from forprod: www.srs4702.forprod.vt.edu/pubsubj/pdf/01t4.pdf 23. Shehata, S., Cox, L. J., Fujii, J. K., & Dickson, C. A. (2004, Agustus). Factors Affecting Development of a Tea Industry in Hawaii. Retrieved Mei 8, 2007, from ctahr: www.ctahr.hawaii.edu/oc/freepubs/pdf/AB-15.pdf 24. Song, J.-W., Zhang, B.-T., & Kaang, B.-K. (1999). Temporal Pattern Recognition Using a Spiking Neural Network with Delays. (Seoul National University) Retrieved April 1, 2008, from BCS: http://www.bcs.rochester.edu/people/jwsohn/ijcnn0386.pdf 25. Spiegel, M. R., & Liu, J. (1999). Mathematical Handbook of Formulas and Tables. Singapore: McGraw-Hill Book Co. 26. Supriana, I., & Zacharias, T. (2007). Pemberian Argumentasi pada Jaringan Syaraf Tiruan non Statistik. Bandung: Sekolah Teknik Elektro dan Informatika, Institut Teknologi Bandung. 27. Wiki. (2005, Desember 31). Elman Networks. (TCL) Retrieved April 1, 2008, from Elman Networks: http://wiki.tcl.tk/15206

130

28. Wilson, B. (2007). Simulated Annealing/Boltzmann Machine Notes. (cse) Retrieved April 1, 2008, from cse: http://www.cse.unsw.edu.au/~billw/cs9444/Boltzmann-07-4up.pdf

131

LAMPIRAN

132

Lampiran 1

Prosedur pengamatan fisik teh hitam

Prosedur penentuan besar ukuran partikel teh hitam adalah sebagai berikut (Badan Standardisasi Nasional, 2000). 1. Contoh uji dengan massa



100 g diayak dengan menggunakan

ayakan yang menjadi batas atas kelas tersebut, misal, mesh 12 untuk BP 1. Teh tersebut secara berturutan diayak dengan ayakan yang lebih kecil, yakni mesh33 14, mesh 16, dan seterusnya. 2. Banyaknya teh yang berada dalam batas untuk grade tertentu dinyatakan dalam satuan persen.

Prosedur pengamatan fisik teh kering adalah sebagai berikut (Badan Standardisasi Nasional, 2000). 1. Contoh uji disebarkan secara merata di atas alas berwarna hitam untuk pengamatan warna. 2. Contoh uji disebarkan secara merata di atas alas berwarna putih untuk pengamatan bentuk, aroma, tekstur, keseragaman ukuran, adanya benda asing, serta adanya tip meliputi warna, jumlah, dan keadaannya. 3. Menyatakan hasil pengamatan sebagai berikut. a. Warna dinyatakan dengan kehitaman, kecokelatan, kemerahan, dan keabuan. b. Bentuk dinyatakan dengan tergulung / tidak tergulung, keriting / tidak keriting. c. Bau dinyatakan dengan normal / tidak normal / berbau asing. d. Tekstur dinyatakan dengan rapuh / tidak rapuh, padat / tidak padat. e. Benda asing dinyatakan dengan ada / tidak ada. f. Warna tip dinyatakan dengan kemerahan / keperakan. g. Jumlah tip dinyatakan dengan banyak / sedang / sedikit. 33

Mesh adalah ukuran yang menyatakan banyaknya lubang per satuan panjang inchi.

133

h. Keadaan tip dinyatakan sesuai hasil pengamatan seperti cerah, hidup, dan berambut rapat.

Standard yang berlaku di Inggris memberikan suatu diagram tentang bentuk dan jenis peralatan yang diperlukan seperti pada Gambar 0-1 (British Standard Institution, 2002).

Gambar 0-1

Peralatan yang diperlukan untuk verifikasi manual

134

Lampiran 2

Klasifikasi teh hitam

A. Elevasi Penanaman Elevasi penanaman merupakan suatu besaran yang melambangkan elevasi kebun atau tempat budidaya teh tersebut. Secara umum diklasifikasikan menjadi 3 kelompok seperti Tabel 0-1 (Hicks, 2001).

Tabel 0-1

Elevasi penanaman Jenis

Elevasi

Lowland

0 – 600 m

Midland

600 – 1200 m

Highland

1200 – 2000 m

Elevasi dapat menjadi faktor yang penting, ia mempengaruhi dalam penilaian mutu. Ada kecenderungan perbedaan penilaian berdasarkan perubahan elevasi penanaman.

B. Grade Grade merupakan sebuah sistem klasifikasi yang melambangkan seberapa besar butiran partikel teh hitam, atau seberapa besar ukuran ayakan yang dapat dilewati dan menahan butiran partikel teh tersebut .

Teh dibedakan menjadi dua jenis utama, ortodoks dan CTC (Crushing Tearing Curling). Teh ortodoks dibedakan menjadi 4 kelas, yakni teh daun (leafy grades), teh bubuk (broken grades), teh halus (small grades), dan teh campuran (mixed grades). Teh CTC hanya terdiri dari satu kelas. Rincian grade teh adalah seperti pada bagan berikut(Badan Standardisasi Nasional, 2000). 1. Ortodoks 1) Leavy Grades i) Orange Pekoe (OP) ii) Orange Pekoe Superior (OP Sup) iii) Flowery Orange Pekoe (FOP) iv) Souchon (S)

135

v) Broken Souchon (BS) vi) Broken Orange Pekoe Superior (BOP Sup) vii) Broken Orange Pekoe Grof (BOP GR) viii)

Broken Orange pekoe Spesial (BOP S)

ix) Leavy Mixed 2) Broken Grades i) Broken Orange Pekoe I / Broken Orange Pekoe (BOP I / BOP) ii) Broken Orange Pekoe II (BOP II) iii) Flowery Broken Orange Pekoe (FBOP) iv) Broken Pekoe (BP) v) Broken Pekoe II (BP II) vi) Broken Tea (BT) vii) Broken Tea II (BT) viii)

Broken Orange Pekoe Fanning Superior (BOPF Sup)

ix) Broken Orange Pekoe Fanning (BOPF) x) Broken Mixed (BM) 3) Small Grades i) Tippy Pekoe Fanning (TPF) ii) Pekoe Fanning (PF) iii) Fanning (F) iv) Fanning II (F II) v) Pekoe Fanning II (PF II) vi) Dust vii) Dust II viii)

Dust III

4) Mixed Grades 2. CTC 1) Broken Pekoe 1 (BP 1) 2) Pekoe Fanning 1 (PF 1) 3) Pekoe Dust (PD) 4) Dust 1 (D 1) 5) Fanning (FANN)

136

6) Dust 2 (D 2) 7) Broken Mixed (BMC) 8) Dust 3 (D 3) 9) Powdery Dust (PW Dust) 10) Mixed CTC

Gradasi teh merupakan bagian integral dalam proses produksi dan pengolahan teh melalui beberapa alat sortasi mekanis, namun verifikasi di laboratorium dilakukan secara manual terhadap sampel yang dikirimkan baik oleh kebun maupun oleh perusahaan carrier34. Verifikasi manual dilakukan dengan metode pengayakan bertingkat dan pengamatan fisik. Ayakan yang digunakan adalah ayakan bertingkat, sehingga teh akan tergradasi berdasarkan ukuran. Perincian standard ukuran teh ditunjukkan pada Tabel 0-2.

Tabel 0-2

Standard ukuran teh Jenis

Grade

< dari ayakan (mesh35)

> dari ayakan (mesh)

Ortodoks

OP

6 - 12

14

FP / BS

6-7

8

CTC

FF

7-5

8

FBOP / BOP I SP

8

10

GBOP / BOP I

10

12

BOP

12

14

BOPF

14

16

PF

22

24

DUST

24

32

BT

10 - 14

16

BP

8 - 12

14

Fann II

16 - 30

40

BM 2

12 - 16

24

BP 1 Bold / MC

6

10

BP 1 GR

8

12

BP 1

12

16

PF 1

16

24

PD

24

30

34

Istilah baku untuk perusahaan jasa pengiriman barang untuk ekspor, biasanya untuk perusahan pengapalan. 35 Mesh adalah sebuah satuan luas khusus untuk ayakan, melambangkan jumlah lubang ayakan per satuan panjang inchi.

137

Jenis

Grade

< dari ayakan (mesh35)

> dari ayakan (mesh)

D1

30

40

Fann II

16 - 24

30

D2

30 - 40

60

FNGS

16 - 40

60

BM 2

12 - 16

24

C. Kelas Mutu Kelas mutu teh melambangkan seberapa baik teh diproduksi dan seberapa tinggi kualitas teh tersebut, diatur dalam SNI 01 - 1902 - 2001(Badan Standardisasi Nasional, 2000). Komponen penilaian kelas mutu teh hitam meliputi penilaian terhadap partikel teh, cairan hasil infusi teh, dan ampas pasca penyeduhan, seperti pada Gambar 0-2.

Evaluasi Rutin Teh Hitam

Partikel

Air Seduhan

Ampas

Bentuk

Warna

Warna

Ukuran

Rasa

Kerataan Warna

Tip

Bau

Warna

Bau

Tekstur

Keseragaman

Gambar 0-2. Komponen evaluasi rutin mutu teh hitam(Badan Standardisasi Nasional, 2000).

138

Dari ketiga komponen tersebut, penilaian terhadap partikel teh hitam merupakan bagian yang paling vital, karena merupakan syarat minimum kelulusan bahwa teh layak dijual.

Penilaian diberikan ke dalam suatu skala antara A hingga E, dengan pendefinisian seperti pada Lampiran 5. Nilai kelas mutu yang baik dapat dikatakan sebagai bukti atas performa tahapan produksi yang baik.

139

Lampiran 3

Teknik pengambilan sampel formal

Pada dasarnya teknik pengambilan sampel yang digunakan dibedakan menurut asal dari sampel. Ada tiga jenis metode pengambilan sampel yang dikenal dan umum digunakan, meskipun tidak ada penamaan spesifik untuk masing-masing metode.

Di pabrik pengolahan teh proses pengambilan sampel dilakukan secara free flow36, di mana pada saat penuangan sampel ke dalam kemasan dilakukan pula penuangan ke dalam kantong sampel. Variasi dari metode ini adalah pengambilan secara acak pada saat penuangan teh ke dalam sack37 maupun pengambilan secara periodik untuk setiap sack, sedikit demi sedikit. Sampel diambil sekurangkurangnya 10 % dari total massa teh dalam setiap chop38. Untuk mendapatkan jumlah teh yang ideal dilakukan quartering39. Standard yang berlaku di Indonesia menyebutkan bahwa sampel untuk arsip sebanyak 100 g, dan untuk pembeli sebanyak 200 g. Sampel dikemas dalam kemasan 4 lapis kertas dengan aluminum foil di dalamnya.

Pengambilan sampel teh yang telah dikemas dalam ukuran kecil maupun sack dilakukan setidaknya 10 % dari massa teh dalam wadah tersebut. Untuk mendapatkan jumlah sampel yang diinginkan dapat dilakukan quartering beberapa kali. Sampel dikemas dalam kemasan 4 lapis kertas dengan aluminum foil di dalamnya(Badan Standardisasi Nasional, 2000).

Di perusahaan pengapalan, pengambilan sampel dilakukan sebagai berikut. 1. Sampel diambil berdasarkan instruksi contoh yang diberikan kepada bagian sampling. 36

Diambil ketika dialirkan. Semacam kantong kertas berukuran besar untuk mengangkut teh untuk ekspor. Kapasitas sekitar 60 kg. 38 Satuan terkecil pengapalan teh hitam, sama dengan 20 atau 40 sack. 39 Mencampur sampel secara hati-hati, membaginya menjadi 4 kelompok, dan mengambil dua diantaranya untuk dicampur kembali, dilakukan beberapa kali, hingga didapatkan jumlah sampel yang sesuai dengan yang diinginkan. 37

140

2. Daftar timbang dibuat dengan cara menimbang 10 % dari total sack teh yang datang. Sampel diambil sebanyak 400 g per kebun jenis no. chop secara acak. 3. Sampel diambil menggunakan semacam alat seperti pipa runcing yang ditusukkan ke dalam sack teh agar isinya keluar. 4. Isi yang keluar ditampung dalam sebuah kantong kertas dengan terlapisi aluminum di bagian dalam. 5. Lubang pada plastik sungkup dan sack teh ditambal dengan selotip dan ditandai dengan label sampling. 6. Sampel teh yang terkumpul dibagi menjadi 4 kantong dengan perincian: 1) 200 g untuk pembeli 2) 100 g untuk Kantor Pemasaran Bersama 3) 50 g untuk kantor perkebunan asal 4) 50 g untuk arsip 7. Setiap kantong diikat dengan tali resin dan disegel.

Perlu diperhatikan bahwa petugas pengambilan contoh harus memenuhi syarat, yakni orang yang berpengalaman atau dilatih terlebih dahulu, dan mempunyai ikatan dengan badan hukum, misal, pegawai perusahaan bersangkutan atau pegawai perusahaan audit.

141

Lampiran 4

Kompetensi ahli organoleptik

Standard yang diterapkan di PTPN VIII menyebutkan bahwa ahli organoleptic yang bekerja di Laboratorium Pusat PTPN VIII harus telah berpengalaman menjadi ahli organoleptic di pabrik di salah satu kebunnya. Ia harus memiliki pengetahuan yang dalam mengenai jalannya proses produksi di pabrik, karena cacat pada produk teh berasal dari cacat pada proses produksi. Sebagai contoh, bila teh ketika diseduh memberikan rasa hangus, ini terjadi karena proses pengeringan yang terlalu panas atau terlalu lama. Dia juga harus memiliki pengalaman memeriksa setiap sampel pada setiap tahapan produksi; tidak hanya produk hasil akhir teh hitam, tapi juga teh pra pelayuan, pasca pelayuan, teh pada tahapan fermentasi, dan sebagainya.

Ahli organoleptic di PTPN VIII diambil dari karyawan pada bagian produksi. Pelatihan mereka ditangani oleh Bagian Teknologi PTPN VIII. Pelatihan mereka juga dilakukan oleh Pusat Penelitian Teh dan Kina di Gambung.

Setiap bulan Oktober diadakan festival testing teh, untuk mengevaluasi kemampuan ahli organoleptic di masing-masing kebun. Festival teh ini diikuti oleh semua ahli organoleptic pada setiap kebun milik PTPN VIII, Kantor Pusat, dan Kantor Pemasaran Bersama, serta beberapa ahli organoleptic tamu.

Setiap laboratorium organoleptic mempekerjakan sedikitnya 3 ahli organoleptic. Dalam sehari dapat diselesaikan sekitar 300 sampel pada masa sibuk di hari Senin dan hari Kamis, atau 70 sampel pada masa tenang. Jam kerja para ahli tersebut antara pukul 7:00 hingga pukul 18:00, dengan waktu pengamatan sampel antara pukul 9:00 hingga 17:00, karena diperlukan cahaya matahari dalam pengamatan. Pekerjaan para ahli organoleptic meliputi hal-hal berikut. 1. Memastikan kebenaran administrasi masing-masing sampel. 2. Memeriksa setiap sampel teh meliputi ketampakan teh kering, ketampakan air seduhan, dan ketampakan ampas seduhan teh, dan memberikan penilaian yang sesuai terhadap sampel teh tersebut. 142

Seorang ahli organoleptic dapat menangani sekitar 80 sampel dalam waktu 45 menit. Setiap sampel ditangani dalam waktu kurang dari 15 menit, dengan waktu untuk pengamatan fisik teh kurang dari 2 menit. 3. Memutuskan apakah suatu produk teh layak untuk diproses pada tahapan selanjutnya, atau layak untuk dijual.

143

Lampiran 5

Rincian penilaian ketampakan teh hitam (Badan Standardisasi Nasional, 2000)

Penggolongan

Parameter

Penilaian A

Ortodoks

Teh Daun

Warna

B 40

kehitaman

kehitaman

C

D

kehitaman /

E 43

keabuan

keabuan

4142

(Leafy)

kemerahan Bentuk

tergulung

tergulung

kurang tergulung

tidak

tidak

tergulung

tergulung

sempurna

sempurna

Bau

normal

normal

normal

normal

normal

Tekstur 44

tidak rapuh

tidak rapuh

tidak rapuh

tidak rapuh

mudah rapuh

Keragaman

seragam

seragam

-

tidak

tidak

seragam

seragam, tidak rata

Massa

-45

-

-

Benda

tidak ada

tidak ada

tidak ada

sedikit

banyak

banyak untuk

cukup untuk

-

-

-

kehitaman /

keabuan

keabuan

kurang

tidak

tidak

keriting

keriting

keriting

normal

normal

Asing Tip

Teh

jenis BOP,

jenis BOP,

BOP Sup,

BOP Sup, OP,

OP, OP Sup

OP Sup

Warna

kehitaman

kehitaman

Bentuk

keriting

tergulung

Bubuk (Broken)

kemerahan

Bau

normal

normal

kurang normal / apek

Tekstur

tidak rapuh

tidak rapuh

tidak rapuh

mudah

mudah

rapuh

rapuh

Keragaman

seragam

seragam

kurang

kurang

tidak

seragam

Massa

berat

-

40

-

seragam,

seragam,

kurang rata

rata

-

-

Warna teh yang diinginkan Warna teh yang terjadi akibat banyaknya unsur kayu pada butiran teh. 42 Dalam praktek, sebagian besar teh dengan warna kemerahan jatuh pada kelas mutu E, dan keabuan terjadi pasca pengemasan sehingga tidak memiliki nilai tetap. 43 Warna teh akibat pemberian usaha mekanis berlebihan. 44 Tidak berkaitan dengan definisi tekstur umum. Di sini merujuk pada kemampuan fisik teh untuk mempertahankan bentuk (elastisitas). Tekstur dalam pengertian umum merujuk pada parameter keseragaman dalam definisi standard teh hitam. 45 Tidak dinyatakan dalam standard. 41

144

Penggolongan

Parameter

Benda

Penilaian A

B

C

D

E

tidak ada

tidak ada

tidak ada

sedikit

banyak

banyak untuk

cukup untuk

-

-

-

jenis BOP,

jenis BOP,

BOPF

BOPF

kehitaman

kehitaman /

kemerahan

keabuan

keabuan

Asing Tip

Teh

Warna

Halus (Small)

kemerahan Bentuk

rata, halus

halus, rata

kurang halus

halus

halus

Bau

normal

normal

normal

apek

normal / apek

Tekstur

padat

padat

padat

padat

padat

Keragaman

seragam

seragam

kurang

kurang

tidak

seragam

seragam /

seragam /

kurang rata

tidak rata

Massa

-

-

-

-

-

Benda

tidak ada

tidak ada

tidak ada

sedikit

banyak

Asing

CTC

Tip

-

-

-

-

-

Warna

kehitaman

kehitaman /

kehitaman /

keabuan

keabuan

kemerahan

kemerahan

bulat

bulat (butiran)

bulat (butiran)

bulat

bulat

(butiran)

tidak berserat

agak berserat

(butiran),

(butiran),

berserat

berserat

Bentuk

tidak berserat

banyak Bau

normal

normal

normal

apek

apek

Tekstur

tidak rapuh

tidak rapuh

tidak rapuh

rapuh

rapuh

Keragaman

seragam

seragam

seragam

kurang

tidak

seragam,

seragam,

rata

tidak rata

Massa

-

-

-

-

-

Benda

tidak ada

tidak ada

tidak ada

sedikit

banyak

-

-

-

-

-

Asing Tip

145

Lampiran 6

Konsep ekstraksi objek

A. Gambar Gambar merupakan suatu rangkaian titik dalam bentuk 2 dimensi membentuk suatu bidang datar, di mana setiap titik pada gambar mewakili warna dan intensitas tertentu (Ahmad, 2005).

Dalam penelitian ini, gambar dipandang sebagai suatu citra yang merekam partikel teh hitam yang dihamparkan secara merata pada suatu bidang datar dengan warna homogen. Dalam gambar terdapat informasi kasar yakni data tiap butiran teh yang terdapat di dalamnya, disederhanakan46 sebagai berikut.

Gambar.RangkaianObjek Persamaan 0-1

Definisi gambar

Objek teh dikenali dari latar, disederhanakan sebagai berikut. Proses ini dikenal dengan nama pembatasan (thresholding). Warna latar dimasukkan sebagai rentang nilai warna yang terdapat pada latar, dan objek teh dikenali sebagai objek bukan latar, seperti pada Persamaan 0-2.

If Gambar.Point(i, j).Color <> Latar.Color then „Ia merupakan titik dalam objek Teh End If Persamaan 0-2

Algoritma penambangan titik

Di dalam gambar juga terdapat informasi berupa beberapa barisan (array) dua dimensi untuk berbagai keperluan. Contoh adalah sebagai berikut. Status Teh adalah status per titik apakah ia merupakan sebuah titik yang mewakili objek teh

46 Pseudocode yang digunakan bukanlah suatu baris program, dan dimungkinkan untuk tidak mencerminkan implementasi sebenarnya.

146

atau bukan (0 dan 1). Status Cek adalah status per titik apakah telah dilakukan pengambilan data pada titik tersebut (0 dan 1), seperti pada Persamaan 0-3.

Gambar.StatusTeh(i, j)

„0 untuk latar, 1 untuk teh

Gambar.StatusCek(i, j)

„0 dan 1

Persamaan 0-3

Pemberian status titik

B. Objek, Teh Teh merupakan suatu objek dalam gambar di mana ia merupakan kumpulan dari titik – titik yang memiliki warna yang berbeda dengan latar. Ia didapatkan dengan melakukan pemisahan antara latar dan objek teh pada gambar. Dalam sebuah gambar dapat terdapat banyak teh.

Teh sendiri merupakan sebuah kumpulan dari titik yang menyusun sebuah objek seperti Persamaan 0-4. Setiap titik memiliki ukuran warna dan intensitas tersendiri.

Objek.RangkaianTitik Persamaan 0-4

Objek merupakan rangkaian titik

Setiap butiran teh memiliki parameter ukuran tersendiri yang telah dijabarkan pada Lampiran 7, terdiri atas parameter dimensi dan warna. Parameter warna teh didefinisikan sebagai rerata warna pada setiap titik pada teh.

Terdapat parameter elevasi penanaman dan kelas mutu teh seharusnya sebagai masukan tambahan yang diberikan bukan dari pengukuran. Mereka merupakan suatu masukan manual, yang diberikan untuk keperluan pelatihan jaringan syaraf tiruan dan verifikasi sistem.

147

C. Titik Titik merupakan suatu satuan terkecil yang terdapat pada gambar. Baik gambar maupun teh, mereka merupakan kumpulan titik.

Setiap titik menyimpan informasi warna, sesuai pada Lampiran 7. Titik sendiri dikenali dari di mana ia berada (koordinat) pada gambar. Ia juga menyimpan informasi apakah ia merupakan suatu titik pada latar, objek, maupun pinggiran objek, disederhanakan menjadi Persamaan 0-5.

Titik.Status Persamaan 0-5

„0 untuk latar, 1 untuk teh, 2 untuk pinggir teh Pemberian status titik

148

Lampiran 7

Konsep parameter ukur

A. Dimensi 1. Luas Dalam suatu kumpulan titik dalam suatu objek teh, luas didefinisikan sebagai jumlah titik dalam objek teh tersebut, sesuai Persamaan 0-6. Objek.Luas = Objek.countTitik Persamaan 0-6

Luas objek

Ia menggambarkan besar ukuran partikel teh yang sedang di ukur, di ukur sebagai suatu objek dua dimensi. Dalam teh, parameter ini diduga47 berkaitan erat dengan grade teh tersebut.

2. Pusat Massa Pusat massa didefinisikan sebagai posisi titik kesetimbangan massa suatu objek, baik secara horizontal maupun vertikal, sesuai Persamaan 0-7.

Objek.PusatMassax-Axis = Objek.sumMassax / Objek.countTitik Objek.PusatMassay-Axis = Objek.sumMassay / Objek.countTitik Persamaan 0-7

Pusat massa

Teh yang baik diduga akan memiliki pusat massa yang cenderung di tengah, sesuai butir bentuk tergulung pada definisi kelas pada Lampiran 5.

3. Momen Inersia Momen Inersia adalah besar rata – rata hasil kali antara jumlah titik vertikal dengan jaraknya terhadap pangkal dari sumbu acuan. Ia melambangkan nilai momen putar dari objek butiran teh, seperti pada Persamaan 0-8.

Objek.PusatMomenx-Axis = Objek.sumMassaxsquarred / Objek.countTitik 47

Diduga dalam arti pembuktian dalam penelitian belum dilakukan.

149

Objek.PusatMomeny-Axis = Objek.sumMassaysquared / Objek.countTitik Persamaan 0-8

Pusat momen

Teh yang baik diduga akan memiliki letak momen inersia yang berada di tengah, sesuai butir bentuk tergulung pada definisi kelas pada Lampiran 5.

4. Tinggi Tinggi didefinisikan sebagai jarak vertikal antara titik terendah dan titik tertinggi dalam suatu objek teh, seperti pada Persamaan 0-9.

Objek.Tinggi = Objek.yMax() - Objek.yMin() Persamaan 0-9

Tinggi objek

Bila teh dalam bentuk yang tergulung dengan baik, tinggi teh dalam keadaan tersebar akan cenderung merata.

5. Lebar Tinggi didefinisikan sebagai jarak vertikal antara titik terendah dan titik tertinggi dalam suatu objek teh, seperti pada Persamaan 0-10.

Objek.Lebar = Objek.xMax() - Objek.xMin() Persamaan 0-10

Lebar objek

Bila teh dalam bentuk yang tergulung dengan baik, tinggi teh dalam keadaan tersebar akan cenderung merata.

6. Panjang Panjang didefinisikan sebagai jarak Euclid terjauh antara dua titik dalam suatu objek teh, sesuai Persamaan 0-11.

150

Objek.Panjang = [cek jarak semua pasangan titik yang mungkin dan ambil jarak Euclid terjauh] Persamaan 0-11

Panjang objek

Pada teh, ia akan berkaitan banyak dengan bentuk dimensi seperti grade, kebulatan, dan lain – lain.

7. Keliling Keliling didefinisikan sebagai jumlah titik di dalam objek teh yang berbatasan dengan latar dari objek tersebut, sesuai Persamaan 0-12.

Objek.Keliling = Objek.CountTepi Persamaan 0-12

Keliling objek

Suatu bentuk teh yang tergulung atau keriting akan memiliki keliling yang lebih panjang.

8. Kompleksitas Bentuk Kompleksitas bentuk didefinisikan sebagai perbandingan antara keliling dengan luas suatu objek, sehingga suatu bentuk yang lebih rumit akan memiliki nilai kompleksitas bentuk yang lebih tinggi, sesuai Persamaan 0-13.

Objek.KompleksitasBentuk = Objek.Keliling ^ 2 / (4 * π * Objek.luas) Persamaan 0-13

Kompleksitas bentuk

Pada teh, bermacam parameter seperti pada Lampiran 5 seperti tergulung, keriting, dan lain – lain dapat dipetakan pada parameter ini.

9. Kebulatan Kebulatan didefinisikan sebagai perbandingan antara panjang dengan luas suatu objek; objek dengan bentuk yang mendekati bulat akan memiliki nilai kebulatan minimum, sesuai dengan Persamaan 0-14.

151

Objek.Kebulatan = π * Objek.Panjang ^ 2 / (4 * Objek.Luas) Persamaan 0-14

Kebulatan

Pada teh, ketergulungan dan kebulatan bentuk dapat didekati dari kedua parameter tersebut.

B. Warna 1. RGB Pada model warna ini, warna digambarkan sebagai hasil penjumlahan atas tiga warna dasar, yakni merah, hijau, dan biru. Dari pencampuran ini didapat warna – warna lain yang diinginkan. Model warna ini sangat populer digunakan dalam dunia digital, Telah dikenal beberapa standard sistem pewarnaan RGB, seperti sRGB, Adobe RGB, dan ProPhotoRGB.

Model ini diturunkan berdasarkan bagaimana cara retina bereaksi terhadap warna. Sel fotoreseptor pada mata manusia memiliki kepekaan berbeda pada panjang gelombang berbeda, sehingga mereka dapat dikelompokkan sesuai dengan panjang gelombang mana yang paling diberikan reaksi. Sebagian besar mamalia memiliki 2 jenis reseptor cahaya, 4 pada beberapa jenis burung, dan 3 pada manusia.

Sistem layar komputer standard menggunakan metode RGB untuk mendefinisikan cahaya; dengan cara memendarkan sel warna merah, hijau, dan biru dengan intensitas yang berbeda – beda dapat didapatkan warna – warna lain yang diinginkan.

Dalam penelitian ini, warna dari suatu objek didefinisikan sebagai rerata dari nilai parameter warna masing – masing titik penyusunnya, seperti pada Persamaan 0-15.

Objek.RGBR = Objek.meanRGBR Objek.RGBG = Objek.meanRGBG 152

Objek.RGBB = Objek.meanRGBB Objek.RGBIR48 = Objek.meanRGBIR Objek.RGBIG = Objek.meanRGBIG Objek.RGBIB = Objek.meanRGBIB Objek.RGBCV49 = Objek.meanRGBCV Persamaan 0-15

Nilai warna RGB

Parameter warna akan sangat berkaitan dengan warna objek teh yang diukur, sehingga dapat dengan mudah dipakai sebagai parameter untuk pengelompokan kelas.

2. CMYK Pada model ini, warna digambarkan sebagai subtraksi dari 3 warna dasar, di mana masing – masing warna dasar yang digunakan merupakan komplementer dari warna dasar pada model warna RGB. Warna dasar yang digunakan adalah warna magenta, kuning, dan cyan.

Model warna ini banyak diterapkan pada sistem pewarnaan untuk pencetak (printer dan plotter). Ia diterapkan berdasarkan fakta bahwa pencampuran ketiga warna tersebut pada intensitas maksimum akan memberikan warna hitam seperti pada gambar berikut, di luar ketidaksempurnaan subjek penghasil warna.

Model awal dari sistem warna ini hanya melibatkan ketiga warna tersebut. Dalam penerapannya ditambahkan warna dasar keempat, key50. Komponen keempat diterapkan untuk memudahkan representasi warna hitam, misal, penghematan tinta, dan penurunan biaya produksi karena tingginya kemurnian tinta, seperti pada gambar berikut.

48

I melambangkan indeks, yakni perbandingan antara nilai salah satu komponen warna terhadap jumlah komponen warna tersebut. 49 CV melambangkan hasil pemetaan nilai warna ke dalam sebuh parameter. 50 Beberapa sumber menerjemahkannya sebagai khrome, bentuk Latin dari chromation.

153

Dapat dilakukan penerjemahan dari dan ke ruang warna RGB dengan Persamaan 0-16.

K = max(R, G, B) C=1–R –K M=1–G–K Y=1–B–K Persamaan 0-16

Konversi RGB - CMYK

Dalam penelitian ini, warna dari suatu objek didefinisikan sebagai rerata dari nilai parameter warna masing – masing titik penyusunnya, seperti pada Persamaan 0-17.

Objek.CMYKC = Objek.meanCMYKC Objek.CMYKM = Objek.meanCMYKM Objek.CMYKY = Objek.meanCMYKY Objek.CMYKK = Objek.meanCMYKK Objek.CMYKIC = Objek.meanCMYKIC Objek.CMYKIM = Objek.meanCMYKIM Objek.CMYKIY = Objek.meanCMYKIY Objek.CMYKIK = Objek.meanCMYKIK Objek.CMYKCV = Objek.meanCMYKCV Persamaan 0-17

Nilai warna CMYK

Parameter warna akan sangat berkaitan dengan warna objek teh yang diukur, sehingga dapat dengan mudah dipakai sebagai parameter untuk pengelompokan kelas.

3. CIE XYZ Model warna ini adalah model warna yang distandardkan pada model warna CIE 1931. Model ini merupakan suatu usaha awal dalam upaya penggambaran sistem warna absolut. Model ini didasarkan atas penelitian oleh David Wright dan John 154

Guild mulai tahun 1920. Dalam model ini, warna digambarkan sebagai fungsi atas tiga spektrum warna dalam ruang warna absolut, dinamakan masing - masing X, Y, dan Z. Ketiga warna tersebut bukan merupakan warna yang dapat digambarkan (bersifat fiktif), atau tidak ada subjek yang dapat menghasilkan warna tersebut.

Dapat dilakukan penerjemahan dari dan ke ruang warna RGB dengan Persamaan 0-18. 𝑋 0.49 0.31 0.20 𝑅 𝑌 = 0.17697 0.8124 0.01063 𝐺 𝑍 0 0.01 0.99 𝐵 𝑅 2.365 −0.3896 −0.468 𝑋 𝐺 = −0.515 0.8124 0.088 𝑌 𝐵 0.005 −0.014 1.009 𝑍 Persamaan 0-18

Konversi RGB - CIEXYZ

Dalam penelitian ini, warna dari suatu objek didefinisikan sebagai rerata dari nilai parameter warna masing – masing titik penyusunnya, seperti pada Persamaan 0-19.

Objek.CIEXYZX = Objek.meanCIEXYZX Objek.CIEXYZY = Objek.meanCIEXYZY Objek.CIEXYZZ = Objek.meanCIEXYZZ Objek.CIEXYZIX = Objek.meanCIEXYZIX Objek.CIEXYZIY = Objek.meanCIEXYZIY Objek.CIEXYZIZ = Objek.meanCIEXYZIZ Objek.CIEXYZCV = Objek.meanCIEXYZCV Persamaan 0-19

Nilai warna CIEXYZ

Parameter warna akan sangat berkaitan dengan warna objek teh yang diukur, sehingga dapat dengan mudah dipakai sebagai parameter untuk pengelompokan kelas.

155

4. YUV, YDbDr, YIQ Model warna ini dipakai sebagai standard untuk sistem pewarnaan pada siaran televisi. Ketiga model warna ini diterapkan karena kemudahannya dalam konversi ke model warna RGB, namun dapat dengan mudah dibaca oleh televisi hitam putih, seperti pada ketiga gambar berikut. YUV diterapkan pada standard PAL, YDbDr pada standard SECAM, dan YIQ pada standard NTSC.

Model YIQ dibangun untuk memanfaatkan fakta bahwa mata manusia lebih peka terhadap rentang warna oranye – biru dibandingkan dengan rentang warna ungu – hijau, sehingga rentang kedua dapat disimpan dengan ukuran yang lebih kecil.

Dapat dilakukan penerjemahan dari dan ke ruang warna RGB dengan Persamaan 0-20.

Persamaan 0-20

Konversi RGB - [YUV, YDbDr, YIQ]

156

Dalam penelitian ini, warna dari suatu objek didefinisikan sebagai rerata dari nilai parameter warna masing – masing titik penyusunnya, seperti pada Persamaan 0-21.

Objek.YUVY = Objek.meanYUVY Objek.YUVU = Objek.meanYUVU Objek.YUVV = Objek.meanYUVV Objek.YUVIY = Objek.meanYUVIY Objek.YUVIU = Objek.meanYUVIU Objek.YUVIV = Objek.meanYUVIV Objek.YUVCV = Objek.meanYUVCV Objek.YDbDrY = Objek.meanYDbDrY Objek.YDbDrDb = Objek.meanYDbDrDb Objek.YDbDrDr = Objek.meanYDbDrDr Objek.YDbDrIY = Objek.meanYDbDrIY Objek.YDbDrIDb = Objek.meanYDbDrIDb Objek.YDbDrIDr = Objek.meanYDbDrIDr Objek.YDbDrCV = Objek.meanYDbDrCV Objek.YIQY = Objek.meanYIQY Objek.YIQI = Objek.meanYIQI Objek.YIQQ = Objek.meanYIQQ Objek.YIQIY = Objek.meanYIQIY Objek.YIQII = Objek.meanYIQII Objek.YIQIQ = Objek.meanYIQIQ Objek.YIQCV = Objek.meanYIQCV Persamaan 0-21

Nilai warna YUV, YDbDr, YIQ

Parameter warna akan sangat berkaitan dengan warna objek teh yang diukur, sehingga dapat dengan mudah dipakai sebagai parameter untuk pengelompokan kelas.

157

5. HSV dan HSL Pada model warna HSV, warna didefinisikan sebagai suatu fungsi dari tiga komponen. 1. Hue adalah warna yang diinterpretasikan manusia. 2. Saturasi adalah seberapa banyak warna itu ada pada objek. 3. Value adalah tingkat keterangan dari warna. Perbedaan antara saturasi dan value terlihat pada kedua gambar berikut.

Model warna HSL menggunakan istilah yang sama terhadap komponen penyusun warna yang digunakan, hue, saturasi, dan luminansi sebagai padanan dari value, tetapi berbeda dalam penerapan. Model ini menggunakan hue sebagai representasi warna seperti model warna HSV; Perbedaan terjadi pada definisi kedua parameter lain: 1. Pada HSL, selang saturasi berasal dari abu – abu menuju warna penuh, pada HSV, antara putih menuju warna penuh. 2. Pada HSL, selang luminansi berasal dari hitam menuju putih, sementara pada HSV, antara hitam ke warna penuh. Gambaran terhadap perbedaan tersebut terlihat pada Gambar 0-3.

Gambar 0-3

Perbandingan sistem warna HSL dan HSV

Dapat dilakukan penerjemahan dari dan ke ruang warna RGB dengan Persamaan 0-22.

158

RGB to HSL

HSL to RGB

159

RGB to and from HSL

Persamaan 0-22

Konversi RGB - [HSV, HSL]

Dalam penelitian ini, warna dari suatu objek didefinisikan sebagai rerata dari nilai parameter warna masing – masing titik penyusunnya, seperti pada Persamaan 0-23.

160

Objek.HSVH = Objek.meanHSVH Objek.HSVS = Objek.meanHSVS Objek.HSVV = Objek.meanHSVV Objek.HSVIH = Objek.meanHSVIH Objek.HSVIS = Objek.meanHSVIS Objek.HSVIV = Objek.meanHSVIV Objek.HSVCV = Objek.meanHSVCV Objek.HSLH = Objek.meanHSLH Objek.HSLS = Objek.meanHSLS Objek.HSLL = Objek.meanHSLL Objek.HSLIH = Objek.meanHSLIH Objek.HSLIS = Objek.meanHSLIS Objek.HSLIL = Objek.meanHSLIL Objek.HSLCV = Objek.meanHSLCV Persamaan 0-23

Nilai warna HSV, HSL

Parameter warna akan sangat berkaitan dengan warna objek teh yang diukur, sehingga dapat dengan mudah dipakai sebagai parameter untuk pengelompokan kelas.

C. Bentukan 1. Perbandingan Parameter hasil perbandingan didapat dengan cara membandingkan dua buah parameter atau lebih. Parameter yang terbentuk dengan perbandingan tersebut akan memiliki karakteristik sebaran tersendiri, terpisah dari parameter pembentuknya. Contoh sederhana adalah seperti Persamaan 0-24.

Objek.PanjangperLuas = Objek.Panjang / Objek.Luas Persamaan 0-24

Contoh parameter perbandingan

161

Lampiran 8

Jaringan syaraf tiruan propagasi balik

Jaringan syaraf tiruan adalah suatu bentuk arsitektur yang menekankan pada sistem pola hubungan antara unit – unit kecil pengambil keputusan. Ciri dari sistem jaringan tersebut adalah sebagai berikut (Rich & Knight, 1991). Struktur jaringan syaraf tiruan seperti pada Gambar II-1. 1. Banyak elemen proses sederhana sebagai emulator dari simpul syaraf. 2. Banyak hubungan antar elemen yang bersifat terbeban. Beban tersebut merupakan suatu perlambang dari “pengetahuan” yang tersimpan di dalam jaringan. 3. Kontrol sistem paralel terdistribusi. Setiap unit elemen proses bekerja dalam suatu laras, dan pengambilan keputusan dari sistem merupakan hasil dari keputusan setiap elemen dalam sistem. Ini dapat diterjemahkan ke dalam dua hal. a. Pada jaringan syaraf tiruan propagasi balik, sistem hanya dapat mengambil keputusan selama setiap elemen proses dapat memberikan keputusan. b. Dalam contoh jaringan Hopfield, sistem dapat mengambil keputusan meskipun sebagian dari elemen proses sistem tidak aktif.51 4. Penekanan pada kemampuan untuk mempelajari pola representasi internal (pengenalan pola) secara otomatis.

Secara logis, jaringan syaraf tiruan propagasi balik dapat digambarkan ke dalam Gambar 0-4. Masukan ke dalam jaringan syaraf tiruan diolah oleh sistem untuk menghasilkan suatu keputusan. Keputusan tersebut dibandingkan dengan keputusan yang diharapkan (dikenal dengan nama nilai target). Jaringan syaraf tiruan dimodifikasi sesuai dengan selisih antara nilai keluaran sistem dengan nilai target yang diharapkan. Proses ini dinamakan pelatihan jaringan syaraf tiruan, dan

51

Jaringan Hopfield di luar ruang lingkup thesis ini. Lebih lanjut dalam (Rich & Knight, 1991).

162

proses ini terus diulang hingga mencapai akurasi yang diinginkan / selisih antar keputusan dan target minimum.

Gambar 0-4

Bagan pelatihan jaringan syaraf tiruan propagasi balik

Pelatihan jaringan syaraf tiruan menggunakan algoritma logika propagasi balik adalah sebagai berikut. 1. Inisiasi. a. Setiap masukan data selang [0,1].

xi

datum masukan.

xi

dan target

tk

dinormalisasikan dalam

adalah variabel yang menyatakan besaran tk

adalah variabel yang menyatakan besaran

datum keluaran yang seharusnya. b. Untuk setiap bobot w ij dan bobot v jk diberikan suatu nilai acak antara selang [-1,1]. w ij adalah suatu variabel yang menyatakan bobot yang diberikan pada hubungan antara lapisan masukan dan lapisan tersembunyi. v jk adalah suatu variabel yang menyatakan bobot yang diberikan pada hubungan antara lapisan tersembunyi dan lapisan keluaran. 2. Tahap propagasi. a. Ambil sebuah sampel sebagai acuan set

163

xi

dan

tk

.

b. Lapisan tersembunyi h j dihitung dengan persamaan ℎ𝑗 = 1 1+𝑒

−

sebagai fungsi aktivasi.

𝑤 𝑖𝑗 𝑥 𝑖

c. Keluaran

yk

dihitung dengan persamaan 𝑦𝑘 =

1 1+𝑒

−

𝑣𝑗𝑘 ℎ 𝑗

,

yk

adalah variabel yang menyatakan besaran datum hasil perhitungan pada lapisan keluaran. d. Beda nilai antara target persamaan

𝑛 𝑝 =1

𝐸𝑘 =

tk

dan keluaran

𝑡 𝑘𝑝 −𝑦 𝑘𝑝

yk

dihitung dengan

2

𝑛

(root mean squared error),

p adalah suatu bilangan yang mewakili setiap sampel. 3. Propagasi Balik. a. Besar

error

dihitung

dk

dk = y k (1 - t k )(t k - y k ) . d k

dengan

persamaan

menyatakan selisih antara besaran

keluaran hasil perhitungan dengan keluaran yang seharusnya. b. v jk yang baru dihitung dengan persamaan v jk = v jk + b .d k .h j .

b

adalah suatu konstanta yang menyatakan laju pembelajaran. Konstanta ini ditentukan oleh pemakai algoritma (misal 0.35). c. Besar t

j

error

= h j (1 - h j ) å

t dk v jk

dihitung

j

. t

j

dengan

persamaan

menyatakan selisih antara nilai

k

hidden nodes dengan nilai hidden nodes yang seharusnya. d. w ij yang baru dihitung dengan persamaan w i j = w i j + b .t j . x i . 4. Loop. a. Pelatihan berpindah pada sampel selanjutnya. b. Proses dikembalikan pada tahap 2b. c. Bila keseluruhan sampel telah selesai dipelajari, bila

Ek

lebih

besar dari suatu nilai yang sangat kecil sebagai acuan, misal, 10

-5

, proses dikembalikan pada sampel yang paling awal.

Proses eksekusi dan terutama proses pelatihan jaringan syaraf tiruan merupakan proses yang sangat membutuhkan kekuatan komputasi; pelatihan suatu hubungan

164

antara masukan dan target yang rumit dapat memerlukan jutaan pengulangan pelatihan. Beberapa upaya untuk memperbaiki performa jaringan syaraf tiruan propagasi balik yang dikenal adalah sebagai berikut. 1. Mengganti fungsi aktivasi / pengambilan keputusan sesuai kebutuhan, seperti pada Gambar 0-5. 2. Metode pelatihan dengan pemberian momentum beban. Pada metode ini, pelatihan jaringan syaraf tiruan dilakukan seperti biasa, namun pada setiap pembaharuan beban diberikan faktor momentum, didefinisikan sebagai ∆𝑤 = 𝛼 𝑤 ′ − 𝑤 . Pola pikir penggunaan pembebanan adalah agar Bila suatu arah pelatihan telah terdefinisi dengan jelas, faktor momentum dapat mempercepat sistem mencapai akurasi yang diinginkan. 3. Perbaikan masukan dari sistem. Contoh dari metode perbaikan performa jaringan syaraf tiruan ini adalah penggunaan teknik analisis komponen utama dan penggunaan redundansi data (Medler, Dawson, & W., Tanpa tahun). 4. Penggabungan dengan metode sistem pakar lain, seperti algoritma genetika dan logika samar. Banyak pula digunakan pengembangan jaringan syaraf tiruan dengan cara memasukkan logika probabilitas.

165

Gambar 0-5

Bermacam fungsi aktivasi jaringan syaraf tiruan propagasi balik

166

Lampiran 9

Operasi dan atribut perangkat lunak

Tabel 0-3

Operasi dan atribut kelas EkstraksiData

Kelompok

Nama

Tipe

Peubah

Keterangan

Metode

addTeh

void

private

menambahkan sebuah objek ke basis data objek

addTitik

void

private

menambahkan sebuah titik citra ke dalam basis data objek

AmbilGambar

void

public

kontrol pengambilan file antar muka yang dibutuhkan

BacaData

void

public

kontrol pembacaan file basis data

checkStatus

int

private

pengecekan status titik

findTeh

void

public

menemukan bagian citra yang bukan latar

isPinggir

boolean

private

menunjukkan apakah sebuah titik merupakan titik tepi citra

isTepi

boolean

private

menunjukkan apakah sebuah titik merupakan tepi objek

Treshold

void

public

pemisahan antara objek dengan latar citra

TulisData

void

public

penulisan data citra ke dalam file basis data

updateRincian

void

public

perhitungan ulang nilai korelasi parameter

ValidasiNilaiTreshold

void

public

penentuan apakah nilai parameter treshold yang

antarmuka

Form

private

bagian antarmuka dari ekstraksi data

checkmap

boolean[][]

private

matriks bagian citra yang telah diakses

datateh

ListTeh

private

tempat penyimpanan data citra

gambar

Bitmap

private

citra yang akan diekstraksi

rincian

DaftarParameter

private

hasil perhitungan korelasi parameter

tresholdmap

boolean[][]

private

matriks penyimpanan hasil pemisahan antara

digunakan adalah parameter yang benar Atribut

latar dan objek citra

Tabel 0-4

Operasi dan atribut kelas JaringanSyarafTiruan

Kelompok

Nama

Tipe

Peubah

Keterangan

Metode

BacaBeban

void

public

Membaca file beban latihan

calculateAkurasi

void

public

Menghitung akurasi sistem

calculateDelta

void

public

Menghitung nilai delta sistem

calculateWeight

void

public

Menghitung beban sistem

IterasiBatasAkurasi

void

public

Melakukan iterasi pelatihan sistem hingga batas nilai akurasi yang diinginkan

IterasiBatasIterasi

void

public

Melakukan iterasi pelatihan sistem hingga batas nilai iterasi yang diinginkan

IterasiBatasIterasidanAkurasi

void

public

167

Melakukan iterasi pelatihan sistem

Kelompok

Nama

Tipe

Peubah

Keterangan hingga batas nilai iterasi atau akurasi yang diinginkan tercapai, tergantung yang mana yang tercapai terlebih dahulu

IterasiDatum

void

public

IterasiLatih

void

public

Propagasi

void

public

Melakukan iterasi pelatihan sistem sebanyak sebuah datum Melakukan sebuah iterasi pelatihan sistem Melakukan kalkulasi sistem berdasarkan masukan pada simpul masukan

TulisBeban

void

public

TulisIsiLaporanLatihan

void

public

TulisJudulLaporanLatihan

void

public

Menulis nilai beban sistem ke dalam file Menulis isi dari laporan iterasi pelatihan ke dalam file Menulis judul dari laporan iterasi pelatihan ke dalam file

Atribut

Akurasi

double[]

private

Nilai akurasi parameter sistem

banyaknodekeluaran

int

private

Banyaknya simpul keluaran sistem

banyaknodemasukan

int

private

Banyaknya simpul masukan sistem

banyaknodetersembunyi

int

private

Banyaknya simpul tersembunyi sistem

bebankeluaran

double[][]

private

Nilai beban keluaran sistem

bebanmasukan

double[][]

private

Nilai beban masukan sistem

Dataparameter

DaftarParameter

private

Nilai daftar kesimpulan parameter sistem

Deltakeluaran

double[]

private

Nilai delta keluaran sistem

Deltamasukan

double[]

private

Nilai delta masukan sistem

indeksparameter

int[]

private

Nilai indeks parameter sistem

Iterasi

int

private

Nilai iterasi sistem

Keluaran

Parameter

private

Nilai simpul keluaran sistem

lajupembelajaran

double

private

Nilai laju pembelajaran sistem

Listdata

ListTeh

package

Data latih terpakai

Masukan

Parameter

private

Nilai simpul masukan sistem

Target

Parameter

private

Nilai parameter target sistem

Targetakurasi

double

private

Nilai target akurasi sistem

Targetiterasi

int

private

Nilai target iterasi sistem

Tersembunyi

Parameter

private

Nilai simpul tersembunyi sistem

Totalakurasi

double

private

Nilai total akurasi sistem

168

Tabel 0-5

Operasi dan atribut kelas DaftarParameter

Kelompok

Nama

Tipe

Metode

DaftarParameter

Peubah

Keterangan

public

Kelas untuk menyimpan kesimpulan parameter objek

TulisData

void

public

UrutNaikKorelasi

void

public

Menuliskan data daftar parameter objek pada suatu file data Daftar parameter diurutkan menanjak berdasarkan nilai korelasi absolut

UrutTurunKorelasi

void

public

Daftar parameter diurutkan menurun berdasarkan nilai korelasi absolut

Atribut

banyakelemen

int

private

Banyaknya parameter pengukuran

banyakelemenarget

int

private

Banyaknya parameter target

elemen

ElemenDaftarParameter[]

private

Elemen daftar parameter

elementarget

ElemenDaftarParameter[]

private

elemen target daftar parameter

Tabel 0-6

Operasi dan atribut kelas Teh

Kelompok

Nama

Tipe

Peubah

Keterangan

Metode

computeKebulatan

double

public

Mengembalikan besar kebulatan objek

computeKompleksitasBentuk

double

public

Mengembalikan nilai kompleksitas bentuk objek

rerataWarna

double

public

Mengembalikan nilai rerata warna dari objek

Teh

public

Kelas untuk menyimpan nilai parameter dari objek

Atribut

banyakparameter

int

private

Banyaknya parameter objek

banyaktarget

int

private

Banyaknya parameter target objek

datateh

Parameter[]

private

Data parameter objek

rincian

ListTitik

private

Rincian titik anggota objek

target

Parameter[]

private

Data parameter target objek

Tabel 0-7

Operasi dan atribut kelas Titik

Kelompok

Nama

Tipe

Peubah

Keterangan

Metode

computeHSLS

double

public

Menghitung besar parameter HSL-S

computeHSVS

double

public

Menghitung besar parameter HSV-S

computeHue

double

public

Menghitung nilai Hue

DeltaB

double

private

Menghitung delta B, metode bantu

DeltaG

double

private

Menghitung delta G, metode bantu

DeltaMaxMin

double

private

Menghitung selisih nilai maksimal dan minimal RGB, metode bantu

169

Kelompok

Nama

Tipe

Peubah

Keterangan

DeltaR

double

private

Menghitung delta R, metode bantu

Indeks

double

private

Mengembalikan nilai indeks parameter, metode bantu

Max

double

private

Mengembalikan maksimal dari nilai parameter,

Min

double

private

Pemetaan

double

private

metode bantu Mengembalikan minimal dari nilai parameter, metode bantu Mengembalikan nilai pemetaan dari nilai parameter, metode bantu Titik Atribut

public

Kelas titik pada citra

banyakparameter

int

private

Banyaknya parameter titik

Datatitik

Parameter[]

private

Wadah parameter titik

Statustitik

int

private

Status titik, apakah titik pinggir, latar, objek, dan lain lain

Xaxis

int

private

Koordinat x titik

Yaxis

int

private

Koordinat y titik

170

Lampiran 10 Algoritma dan kueri perangkat lunak

Tabel 0-8

Algoritma treshold

Nama Kelas Nama Fungsi Keterangan Kontrak

Kondisi Awal Proses

Ekstraksi Data Treshold pemisahan antara objek dengan latar citra Telah ada citra acuan Dibangun suatu matriks biner, di mana nilai benar diberikan pada setiap titik objek dan salah diberikan pada setiap titik latar, berdasarkan Lampiran 6 dan Gambar IV-6.

Kondisi Akhir Notasi

Matriks peta treshold terbentuk Pseudocode berbasis Java

public void Treshold() { /*declare*/ boolean[][] wadahtreshold; int rvalue; int gvalue; int bvalue; int i; int j;

/*declare*/ int rmin; int rmax; int gmin; int gmax; int bmin; int bmax;

/*tes validasi nilai treshold*/

/*input*/ rmin = masukan; rmax = masukan; gmin = masukan; gmax = masukan; bmin = masukan; bmax = masukan;

/*initiate*/ if (this.getGambar() != null) { wadahtreshold = new boolean[this.getGambar().get_Width()][this.getGambar().get_Height()];

171

Nama Kelas

Ekstraksi Data

Nama Fungsi

Treshold

Keterangan Kontrak

pemisahan antara objek dengan latar citra

Kondisi Awal

Telah ada citra acuan

Proses

Dibangun suatu matriks biner, di mana nilai benar diberikan pada setiap titik objek dan salah diberikan pada setiap titik latar, berdasarkan Lampiran 6 dan Gambar IV-6.

Kondisi Akhir Notasi

Matriks peta treshold terbentuk Pseudocode berbasis Java

/*warnai*/ for (i = 0; i < this.getGambar().get_Width(); i = i + 1) { for (j = 0; j < this.getGambar().get_Height(); j = j + 1) { /*ambil nilai treshold*/ rvalue = this.getGambar().GetPixel(i, j).get_R(); gvalue = this.getGambar().GetPixel(i, j).get_G(); bvalue = this.getGambar().GetPixel(i, j).get_B();

/*warnai*/ if ((rvalue <= rmax && rvalue >= rmin) && (gvalue <= gmax && gvalue >= gmin) && (bvalue <= bmax && bvalue >= bmin)) { wadahtreshold[i][j] = false; } else { wadahtreshold[i][j] = true; } } }

/*output*/ this.setTresholdMap(wadahtreshold);

this.getPictureBoxTreshold().set_Image(this.getTresholdMap(this.getGambar())); this. getPictureBoxTreshold().Refresh(); } }

172

Tabel 0-9

Algoritma penambahan objek ke dalam basis data

Nama Kelas

Ekstraksi Data

Nama Fungsi

addTeh

Keterangan Kontrak

menambahkan sebuah objek ke basis data objek

Kondisi Awal

Telah ada peta treshold dan peta status-cek acuan, titik awal objek dalam citra telah ditemukan

Proses

Objek titik per titik dipindahkan ke dalam basis data, berdasarkan Lampiran 6 dan Gambar IV-7.

Kondisi Akhir Notasi

Terbentuk satu objek dalam basis data Pseudocode berbasis Java

private void addTeh(int i, int j) { /*declare*/ Teh partikel; Parameter[] target = new Parameter[2]; ListTitik list; ElementListTitik temp;

/*input*/ target[1] = masukan; list = new ListTitik();

/*process initiation*/ this.addTitik(list, i, j); temp = list.getFirst();

/*tandai check map*/ this.setCheckMap(i, j, true);

/*process*/ do { if ( this.getTresholdMap(temp.getxAxis(), temp.getyAxis() + 1) == true && this.getCheckMap(temp.getxAxis(), temp.getyAxis() + 1) == false && this.isPinggir(temp.getxAxis(), temp.getyAxis() + 1) == false ) { /*tambahkan titik*/ this.addTitik(list, temp.getxAxis(), temp.getyAxis() + 1); temp = list.getFirst();

/*tandai check map*/ this.setCheckMap(temp.getxAxis(), temp.getyAxis(), true);

173

Nama Kelas

Ekstraksi Data

Nama Fungsi

addTeh

Keterangan Kontrak

menambahkan sebuah objek ke basis data objek

Kondisi Awal

Telah ada peta treshold dan peta status-cek acuan, titik awal objek dalam citra telah ditemukan

Proses

Objek titik per titik dipindahkan ke dalam basis data, berdasarkan Lampiran 6 dan Gambar IV-7.

Kondisi Akhir Notasi

Terbentuk satu objek dalam basis data Pseudocode berbasis Java

} else if ( this.getTresholdMap(temp.getxAxis() + 1, temp.getyAxis() + 1) == true && this.getCheckMap(temp.getxAxis() + 1, temp.getyAxis() + 1) == false && this.isPinggir(temp.getxAxis() + 1, temp.getyAxis() + 1) == false ) { /*tambahkan titik*/ this.addTitik(list, temp.getxAxis() + 1, temp.getyAxis() + 1); temp = list.getFirst();

/*tandai check map*/ this.setCheckMap(temp.getxAxis(), temp.getyAxis(), true); } else if ( this.getTresholdMap(temp.getxAxis() + 1, temp.getyAxis()) == true && this.getCheckMap(temp.getxAxis() + 1, temp.getyAxis()) == false && this.isPinggir(temp.getxAxis() + 1, temp.getyAxis()) == false ) { /*tambahkan titik*/ this.addTitik(list, temp.getxAxis() + 1, temp.getyAxis()); temp = list.getFirst();

/*tandai check map*/ this.setCheckMap(temp.getxAxis(), temp.getyAxis(), true); } else if ( this.getTresholdMap(temp.getxAxis() + 1, temp.getyAxis() - 1) == true && this.getCheckMap(temp.getxAxis() + 1, temp.getyAxis() - 1) == false && this.isPinggir(temp.getxAxis() + 1, temp.getyAxis() - 1) == false ) { /*tambahkan titik*/ this.addTitik(list, temp.getxAxis() + 1, temp.getyAxis() - 1);

174

Nama Kelas

Ekstraksi Data

Nama Fungsi

addTeh

Keterangan Kontrak

menambahkan sebuah objek ke basis data objek

Kondisi Awal

Telah ada peta treshold dan peta status-cek acuan, titik awal objek dalam citra telah ditemukan

Proses

Objek titik per titik dipindahkan ke dalam basis data, berdasarkan Lampiran 6 dan Gambar IV-7.

Kondisi Akhir Notasi

Terbentuk satu objek dalam basis data Pseudocode berbasis Java

temp = list.getFirst();

/*tandai check map*/ this.setCheckMap(temp.getxAxis(), temp.getyAxis(), true); } else if ( this.getTresholdMap(temp.getxAxis(), temp.getyAxis() - 1) == true && this.getCheckMap(temp.getxAxis(), temp.getyAxis() - 1) == false && this.isPinggir(temp.getxAxis(), temp.getyAxis() - 1) == false ) { /*tambahkan titik*/ this.addTitik(list, temp.getxAxis(), temp.getyAxis() - 1); temp = list.getFirst();

/*tandai check map*/ this.setCheckMap(temp.getxAxis(), temp.getyAxis(), true); } else if ( this.getTresholdMap(temp.getxAxis() - 1, temp.getyAxis() - 1) == true && this.getCheckMap(temp.getxAxis() - 1, temp.getyAxis() - 1) == false && this.isPinggir(temp.getxAxis() - 1, temp.getyAxis() - 1) == false ) { /*tambahkan titik*/ this.addTitik(list, temp.getxAxis() - 1, temp.getyAxis() - 1); temp = list.getFirst();

/*tandai check map*/ this.setCheckMap(temp.getxAxis(), temp.getyAxis(), true); } else if ( this.getTresholdMap(temp.getxAxis() - 1, temp.getyAxis()) == true && this.getCheckMap(temp.getxAxis() - 1, temp.getyAxis()) == false && this.isPinggir(temp.getxAxis() - 1, temp.getyAxis()) == false

175

Nama Kelas

Ekstraksi Data

Nama Fungsi

addTeh

Keterangan Kontrak

menambahkan sebuah objek ke basis data objek

Kondisi Awal

Telah ada peta treshold dan peta status-cek acuan, titik awal objek dalam citra telah ditemukan

Proses

Objek titik per titik dipindahkan ke dalam basis data, berdasarkan Lampiran 6 dan Gambar IV-7.

Kondisi Akhir Notasi

Terbentuk satu objek dalam basis data Pseudocode berbasis Java

) { /*tambahkan titik*/ this.addTitik(list, temp.getxAxis() - 1, temp.getyAxis()); temp = list.getFirst();

/*tandai check map*/ this.setCheckMap(temp.getxAxis(), temp.getyAxis(), true); } else if ( this.getTresholdMap(temp.getxAxis() - 1, temp.getyAxis() + 1) == true && this.getCheckMap(temp.getxAxis() - 1, temp.getyAxis() + 1) == false && this.isPinggir(temp.getxAxis() - 1, temp.getyAxis() + 1) == false ) { /*tambahkan titik*/ this.addTitik(list, temp.getxAxis() - 1, temp.getyAxis() + 1); temp = list.getFirst();

/*tandai check map*/ this.setCheckMap(temp.getxAxis(), temp.getyAxis(), true); } else if (temp != list.getLast()) { temp = temp.getNext(); } } while (temp != list.getLast());

/*menambahkan teh ke basis data*/ partikel = new Teh(list, target); this.getDataTeh().InsertFirst(partikel); }

176

Tabel 0-10

Algoritma pelatihan jaringan syaraf tiruan, bagian propagasi

Nama Kelas

JaringanSyarafTiruan

Nama Fungsi

Propagasi

Keterangan Kontrak

Melakukan kalkulasi sistem berdasarkan masukan pada simpul masukan

Kondisi Awal

masukan data simpul masukan

Proses

Perhitungan nilai simpul tersembunyi dan simpul keluaran sistem berdasarkan Lampiran 8 dan Gambar IV-9.

Kondisi Akhir Notasi

terbentuk nilai simpul tersembunyi dan keluaran Pseudocode berbasis Java

public void Propagasi() { /*declare*/ int i; int j; int k; double alpha;

/*process*/ /*propagasi masukan*/ for (j = 1; j <= this.getBanyakNodeTersembunyi(); j = j + 1) { alpha = 0.0;

for (i = 0; i <= this.getBanyakNodeMasukan(); i = i + 1) { alpha = alpha + this.getBebanMasukan(i, j) * this.getMasukan(i).getBesar(); }

this.setTersembunyi(j, 1.0 / (1.0 + Exp(-1.0 * alpha))); }

/*propagasi keluaran*/ for (k = 1; k <= this.getBanyakNodeKeluaran(); k = k + 1) { alpha = 0.0;

for (j = 0; j <= this.getBanyakNodeTersembunyi(); j = j + 1) { alpha = alpha + this.getBebanKeluaran(j, k) * this.getTersembunyi(j).getBesar(); }

this.setKeluaran(k, 1.0 / (1.0 + Exp(-1.0 * alpha))); } }

177

Tabel 0-11

Algoritma pelatihan jaringan syaraf tiruan, bagian perhitungan delta

Nama Kelas

JaringanSyarafTiruan

Nama Fungsi

calculateDelta

Keterangan Kontrak

Menghitung nilai delta sistem

Kondisi Awal

Propagasi telah dilakukan, nilai target keluaran jaringan syaraf tiruan telah diketahui.

Proses

Perhitungan nilai simpul tersembunyi dan simpul keluaran sistem berdasarkan Lampiran 8 dan Gambar IV-9.

Kondisi Akhir Notasi

terbentuk nilai simpul tersembunyi dan keluaran Pseudocode berbasis Java

public void calculateDelta() { /*declare*/ int j; int k; double beta;

/*process*/ /*delta keluaran*/ for (k = 1; k <= this.banyaknodekeluaran; k = k + 1) { this.setDeltaKeluaran(k, this.getKeluaran(k).getBesar() * (1.0 - this.getKeluaran(k).getBesar()) * (this.getTarget(k).getBesar() - this.getKeluaran(k).getBesar())); }

/*delta masukan*/ for (j = 1; j <= this.getBanyakNodeTersembunyi(); j = j + 1) { beta = 0.0;

for (k = 1; k <= this.getBanyakNodeKeluaran(); k = k + 1) { beta = beta + this.getDeltaKeluaran(k) * this.getBebanKeluaran(j, k); }

this.setDeltaMasukan(j, this.getTersembunyi(j).getBesar() * (1.0 - this.getTersembunyi(j).getBesar()) * beta); } }

178

Tabel 0-12

Algoritma pelatihan jaringan syaraf tiruan, bagian propagasi balik

Nama Kelas

JaringanSyarafTiruan

Nama Fungsi

calculateWeight

Keterangan Kontrak

Menghitung beban sistem

Kondisi Awal

Propagasi dan perhitungan delta untuk propagasi balik telah dilakukan.

Proses

Perhitungan dan pengisian beban baru untuk setiap hubungan antar simpul, seperti pada Lampiran 8 dan Gambar IV-9.

Kondisi Akhir Notasi

Beban sistem terbaharui Pseudocode berbasis Java

public void calculateWeight() { /*declare*/ int i; int j; int k;

/*process*/ /*beban keluaran*/ for (j = 0; j <= this.getBanyakNodeTersembunyi(); j = j + 1) { for (k = 1; k <= this.getBanyakNodeKeluaran(); k = k + 1) { this.setBebanKeluaran(j, k, this.getBebanKeluaran(j, k) + this.getLajuPembelajaran() * this.getDeltaKeluaran(k) * this.getTersembunyi(j).getBesar()); } }

/*beban masukan*/ for (i = 0; i <= this.getBanyakNodeMasukan(); i = i + 1) { for (j = 1; j <= this.getBanyakNodeTersembunyi(); j = j + 1) { this.setBebanMasukan(i, j, this.getBebanMasukan(i, j) + this.getLajuPembelajaran() * this.getDeltaMasukan(j) * this.getMasukan(i).getBesar()); } } }

179

Tabel 0-13

Algoritma perhitungan korelasi parameter DaftarParameter52 / ListTeh53

Nama Kelas Nama Fungsi Keterangan Kontrak

Kondisi Awal

correlationcoefficientParameter Mengembalikan koefisien korelasi parameter Objek rangkaian objek dalam citra (ListTeh) telah dibentuk. Setiap parameter ukur dan target dikenali melalui indeks.

Proses

Berdasarkan nilai parameter ukur dan parameter target yang didapatkan, nilai korelasi antara parameter masukan dan keluaran dihitung, berdasarkan II.3. Konsep Analisis.

Kondisi Akhir Notasi

Nilai korelasi antara parameter dengan parameter target disimpan. Pseudocode berbasis Java

public double correlationcoefficientParameter(int indeks, int indekstarget) { /*declare*/ double jumlah;

/*process*/ if ( Pow(this.cubicsumParameter(indeks) - Pow(this.sumParameter(indeks), 2.0) / ToDouble(this.Count()), 1.0 / 2.0) * Pow(this.cubicsumTarget(indekstarget) - Pow(this.sumTarget(indekstarget), 2.0) / ToDouble(this.Count()), 1.0 / 2.0) == 0.0 ) { return 0.0; } else { jumlah = this.sumParameterTarget(indeks, indekstarget) - this.sumParameter(indeks) * this.sumTarget(indekstarget) / ToDouble(this.Count()); jumlah = jumlah / Pow(this.cubicsumParameter(indeks) - Pow(this.sumParameter(indeks), 2.0) / ToDouble(this.Count()), 1.0 / 2.0); jumlah = jumlah / (this.cubicsumTarget(indekstarget) - Pow(this.sumTarget(indekstarget), 2.0) / ToDouble(this.Count()), 1.0 / 2.0); }

/*output*/ return jumlah; }

52 53

Kelas kontrol di mana nilai disimpan. Kelas di mana perhitungan dilakukan agar dekat dengan basis data.

180

Tabel 0-14

Algoritma perhitungan nilai titik

Nama Kelas Nama Fungsi Keterangan Kontrak

Kondisi Awal

Titik Titik (Konstruktor) Kelas titik pada citra Nilai masukan seperti posisi titik dan nilai parameter dasar titik serta status titik telah diketahui.

Proses

Dibentuk sebuah objek titik dalam basis data. Perhitungan nilai parameter yang diperlukan dilakukan. Rangkaian parameter berdasarkan Lampiran 7.

Kondisi Akhir Notasi

Terbentuk sebuah objek dengan rangkaian parameter ukur yang didapatkan. Pseudocode berbasis Java

public Titik(int nilaix, int nilaiy, int nilaistatustitik, double nilairgbr, double nilairgbg, double nilairgbb) { /*reference*/ this.setxAxis(nilaix); this.setyAxis(nilaiy); this.setStatusTitik(nilaistatustitik);

/*parameter*/ Parameter[] param = new Parameter[this.getBanyakParameter()+1];

/*rgb, 1 - 7*/ param[1] = new Parameter("RGB-R", nilairgbr); param[2] = new Parameter("RGB-G", nilairgbg); param[3] = new Parameter("RGB-B", nilairgbb); param[4] = new Parameter("RGB-IR", this.Indeks(param[1].getBesar(), param[2].getBesar(), param[3].getBesar())); param[5] = new Parameter("RGB-IG", this.Indeks(param[2].getBesar(), param[3].getBesar(), param[1].getBesar())); param[6] = new Parameter("RGB-IB", this.Indeks(param[3].getBesar(), param[1].getBesar(), param[2].getBesar())); param[7] = new Parameter("RGB-CV", this.Pemetaan(param[1].getBesar(), param[2].getBesar(), param[3].getBesar()));

/*cmyk, 8 - 16*/ param[8] = new Parameter("CMYK-C", (1 - param[1].getBesar()) - this.Min(1 - param[1].getBesar(), 1 param[2].getBesar(), 1 - param[3].getBesar())); param[9] = new Parameter("CMYK-M", (1 - param[2].getBesar()) - this.Min(1 - param[1].getBesar(), 1 param[2].getBesar(), 1 - param[3].getBesar())); param[10] = new Parameter("CMYK-Y", (1 - param[3].getBesar()) - this.Min(1 - param[1].getBesar(), 1 param[2].getBesar(), 1 - param[3].getBesar())); param[11] = new Parameter("CMYK-K", this.Min(1 - param[1].getBesar(), 1 - param[2].getBesar(), 1 param[3].getBesar())); param[12] = new Parameter("CMYK-IC", this.Indeks(param[8].getBesar(), param[9].getBesar(), param[10].getBesar(), param[11].getBesar())); param[13] = new Parameter("CMYK-IM", this.Indeks(param[9].getBesar(), param[10].getBesar(), param[11].getBesar(), param[8].getBesar()));

181

Nama Kelas Nama Fungsi Keterangan Kontrak

Kondisi Awal

Titik Titik (Konstruktor) Kelas titik pada citra Nilai masukan seperti posisi titik dan nilai parameter dasar titik serta status titik telah diketahui.

Proses

Dibentuk sebuah objek titik dalam basis data. Perhitungan nilai parameter yang diperlukan dilakukan. Rangkaian parameter berdasarkan Lampiran 7.

Kondisi Akhir Notasi

Terbentuk sebuah objek dengan rangkaian parameter ukur yang didapatkan. Pseudocode berbasis Java

param[14] = new Parameter("CMYK-IY", this.Indeks(param[10].getBesar(), param[11].getBesar(), param[8].getBesar(), param[9].getBesar())); param[15] = new Parameter("CMYK-IK", this.Indeks(param[11].getBesar(), param[8].getBesar(), param[9].getBesar(), param[10].getBesar())); param[16] = new Parameter("CMYK-CV", this.Pemetaan(param[8].getBesar(), param[9].getBesar(), param[10].getBesar(), param[11].getBesar()));

/*ciexyz, 17 - 23*/ param[17] = new Parameter("CIE XYZ-X", (0.4124 * param[1].getBesar() + 0.3576 * param[2].getBesar() + 0.1805 * param[3].getBesar()) * (1 / (0.4124 + 0.3576 + 0.1805))); param[18] = new Parameter("CIE XYZ-Y", (0.2126 * param[1].getBesar() + 0.7152 * param[2].getBesar() + 0.0722 * param[3].getBesar()) * (1 / (0.2126 + 0.7152 + 0.0722))); param[19] = new Parameter("CIE XYZ-Z", (0.0193 * param[1].getBesar() + 0.1192 * param[2].getBesar() + 0.9505 * param[3].getBesar()) * (1 / (0.0193 + 0.1192 + 0.9505))); param[20] = new Parameter("CIE XYZ-IX", this.Indeks(param[17].getBesar(), param[18].getBesar(), param[19].getBesar())); param[21] = new Parameter("CIE XYZ-IY", this.Indeks(param[18].getBesar(), param[19].getBesar(), param[17].getBesar())); param[22] = new Parameter("CIE XYZ-IZ", this.Indeks(param[19].getBesar(), param[17].getBesar(), param[18].getBesar())); param[23] = new Parameter("CIE XYZ-CV", this.Indeks(param[17].getBesar(), param[18].getBesar(), param[19].getBesar()));

/*yuv, 24 - 30*/ param[24] = new Parameter("YUV-Y", (0.299 * param[1].getBesar() + 0.587 * param[2].getBesar() + 0.114 * param[3].getBesar()) * (1 / (0.299 + 0.587 + 0.114))); param[25] = new Parameter("YUV-U", ((-0.14713 * param[1].getBesar() - 0.28886 * param[2].getBesar() + 0.436 * param[3].getBesar()) + 0.43599) / (0.436 + 0.43599)); param[26] = new Parameter("YUV-V", ((0.615 * param[1].getBesar() - 0.51498 * param[2].getBesar() 0.10001 * param[3].getBesar()) + 0.61499) / (0.615 + 0.61499)); param[27] = new Parameter("YUV-IY", this.Indeks(param[24].getBesar(), param[25].getBesar(), param[26].getBesar())); param[28] = new Parameter("YUV-IU", this.Indeks(param[25].getBesar(), param[26].getBesar(), param[24].getBesar())); param[29] = new Parameter("YUV-IV", this.Indeks(param[26].getBesar(), param[24].getBesar(), param[25].getBesar())); param[30] = new Parameter("YUV-CV", this.Indeks(param[24].getBesar(), param[25].getBesar(), param[26].getBesar()));

182

Nama Kelas Nama Fungsi Keterangan Kontrak

Kondisi Awal

Titik Titik (Konstruktor) Kelas titik pada citra Nilai masukan seperti posisi titik dan nilai parameter dasar titik serta status titik telah diketahui.

Proses

Dibentuk sebuah objek titik dalam basis data. Perhitungan nilai parameter yang diperlukan dilakukan. Rangkaian parameter berdasarkan Lampiran 7.

Kondisi Akhir Notasi

Terbentuk sebuah objek dengan rangkaian parameter ukur yang didapatkan. Pseudocode berbasis Java

/*ydbdr, 31 - 37*/ param[31] = new Parameter("YDbDr-Y", (0.299 * param[1].getBesar() + 0.587 * param[2].getBesar() + 0.114 * param[3].getBesar()) * (1 / (0.299 + 0.587 + 0.114))); param[32] = new Parameter("YDbDr-Db", ((-0.45 * param[1].getBesar() - 0.883 * param[2].getBesar() + 1.333 * param[3].getBesar()) + 1.333) / (1.333 + 1.333)); param[33] = new Parameter("YDbDr-Dr", ((-1.333 * param[1].getBesar() + 1.116 * param[2].getBesar() + 0.217 * param[3].getBesar()) + 1.333) / (1.333 + 1.333)); param[34] = new Parameter("YDbDr-IY", this.Indeks(param[31].getBesar(), param[32].getBesar(), param[33].getBesar())); param[35] = new Parameter("YDbDr-IDb", this.Indeks(param[32].getBesar(), param[33].getBesar(), param[31].getBesar())); param[36] = new Parameter("YDbDr-IDr", this.Indeks(param[33].getBesar(), param[31].getBesar(), param[32].getBesar())); param[37] = new Parameter("YDbDr-CV", this.Pemetaan(param[31].getBesar(), param[32].getBesar(), param[33].getBesar()));

/*yiq, 38 - 44*/ param[38] = new Parameter("YIQ-Y", (0.299 * param[1].getBesar() + 0.587 * param[2].getBesar() + 0.114 * param[3].getBesar()) * (1 / (0.299 + 0.587 + 0.114))); param[39] = new Parameter("YIQ-I", ((0.59572 * param[1].getBesar() - 0.27445 * param[2].getBesar() 0.32126 * param[3].getBesar()) + 0.59571) / (0.59572 + 0.59571)); param[40] = new Parameter("YIQ-Q", ((0.21146 * param[1].getBesar() - 0.52259 * param[2].getBesar() + 0.31114 * param[3].getBesar()) + 0.52259) / (0.52260 + 0.52259)); param[41] = new Parameter("YIQ-IY", this.Indeks(param[38].getBesar(), param[39].getBesar(), param[40].getBesar())); param[42] = new Parameter("YIQ-II", this.Indeks(param[39].getBesar(), param[40].getBesar(), param[38].getBesar())); param[43] = new Parameter("YIQ-IQ", this.Indeks(param[40].getBesar(), param[38].getBesar(), param[39].getBesar())); param[44] = new Parameter("YIQ-CV", this.Pemetaan(param[38].getBesar(), param[39].getBesar(), param[40].getBesar()));

/*hsv, 45 - 51*/ param[45] = new Parameter("HSV-H", this.computeHue(param[1].getBesar(), param[2].getBesar(), param[3].getBesar())); param[46] = new Parameter("HSV-S", this.computeHSVS(param[1].getBesar(), param[2].getBesar(), param[3].getBesar()));

183

Nama Kelas Nama Fungsi Keterangan Kontrak

Kondisi Awal

Titik Titik (Konstruktor) Kelas titik pada citra Nilai masukan seperti posisi titik dan nilai parameter dasar titik serta status titik telah diketahui.

Proses

Dibentuk sebuah objek titik dalam basis data. Perhitungan nilai parameter yang diperlukan dilakukan. Rangkaian parameter berdasarkan Lampiran 7.

Kondisi Akhir Notasi

Terbentuk sebuah objek dengan rangkaian parameter ukur yang didapatkan. Pseudocode berbasis Java

param[47] = new Parameter("HSV-V", this.Max(param[1].getBesar(), param[2].getBesar(), param[3].getBesar())); param[48] = new Parameter("HSV-IH", this.Indeks(param[45].getBesar(), param[46].getBesar(), param[47].getBesar())); param[49] = new Parameter("HSV-IS", this.Indeks(param[46].getBesar(), param[47].getBesar(), param[45].getBesar())); param[50] = new Parameter("HSV-IV", this.Indeks(param[47].getBesar(), param[45].getBesar(), param[46].getBesar())); param[51] = new Parameter("HSV-CV", this.Pemetaan(param[45].getBesar(), param[46].getBesar(), param[47].getBesar()));

/*hsl, 52 - 58*/ param[52] = new Parameter("HSL-H", this.computeHue(param[1].getBesar(), param[2].getBesar(), param[3].getBesar())); param[54] = new Parameter("HSL-L", (this.Max(param[1].getBesar(), param[2].getBesar(), param[3].getBesar()) + this.Min(param[1].getBesar(), param[2].getBesar(), param[3].getBesar())) / 2); param[53] = new Parameter("HSL-S", this.computeHSLS(param[1].getBesar(), param[2].getBesar(), param[3].getBesar(), param[54].getBesar())); param[55] = new Parameter("HSL-IH", this.Indeks(param[52].getBesar(), param[53].getBesar(), param[54].getBesar())); param[56] = new Parameter("HSL-IS", this.Indeks(param[53].getBesar(), param[54].getBesar(), param[52].getBesar())); param[57] = new Parameter("HSL-IL", this.Indeks(param[54].getBesar(), param[52].getBesar(), param[53].getBesar())); param[58] = new Parameter("HSL-CV", this.Pemetaan(param[52].getBesar(), param[53].getBesar(), param[54].getBesar()));

this.setDataTitik(param);

}

184

Tabel 0-15

Algoritma perhitungan parameter ukur fisik

Nama Kelas Nama Fungsi Keterangan Kontrak

Kondisi Awal

Teh Teh (Konstruktor) Kelas untuk menyimpan nilai parameter dari objek Telah dibentuk suatu rangkaian titik yang mewakili objek dan rangkaian parameter target yang diperlukan.

Proses

Menggunakan data yang didapat pada setiap titik, dibentuk suatu data rangkaian parameter dari objek tersebut. Rangkaian parameter berdasarkan Lampiran 7.

Kondisi Akhir Notasi

Terbentuk sebuah objek dengan rangkaian parameter ukur yang didapatkan. Pseudocode berbasis Java

public Teh(ListTitik list, Parameter[] nilaitarget) { /*declare*/ int i;

/*parameter*/ Parameter[] param = new Parameter[this.getBanyakParameter() + 1]; Titik acu = new Titik();

/*process*/ for (i = 1; i <= 58; i = i + 1) { param[i] = new Parameter("Mean " + acu.getDataTitik(i).getNama(), this.rerataWarna(i, list)); }

/*physical*/ param[59] = new Parameter("Luas", ToDouble(list.Count())); param[60] = new Parameter("Pusat Massa x-Axis", ToDouble(list.sumMassax() / list.Count())); param[61] = new Parameter("Pusat Massa y-Axis", ToDouble(list.sumMassay() / list.Count())); param[62] = new Parameter("Pusat Momen x-Axis", ToDouble(list.sumMassaxSquared() / list.Count())); param[63] = new Parameter("Pusat Momen y-Axis", ToDouble(list.sumMassaySquared() / list.Count())); param[64] = new Parameter("Tinggi", ToDouble(list.yMax() - list.yMin())); param[65] = new Parameter("Lebar", ToDouble(list.xMax() - list.xMin())); param[66] = new Parameter("Panjang", list.Panjang()); param[67] = new Parameter("Keliling", ToDouble(list.CountEdge())); param[68] = new Parameter("Kompleksitas Bentuk", computeKompleksitasBentuk(param[59].getBesar(), param[67].getBesar())); param[69] = new Parameter("Kebulatan", computeKebulatan(param[59].getBesar(), param[66].getBesar()));

this.setDataTeh(param);

/*target kelas teh*/ this.setTarget(nilaitarget);

185

Nama Kelas Nama Fungsi Keterangan Kontrak

Kondisi Awal

Teh Teh (Konstruktor) Kelas untuk menyimpan nilai parameter dari objek Telah dibentuk suatu rangkaian titik yang mewakili objek dan rangkaian parameter target yang diperlukan.

Proses

Menggunakan data yang didapat pada setiap titik, dibentuk suatu data rangkaian parameter dari objek tersebut. Rangkaian parameter berdasarkan Lampiran 7.

Kondisi Akhir Notasi

Terbentuk sebuah objek dengan rangkaian parameter ukur yang didapatkan. Pseudocode berbasis Java

/*rincian*/ this.setRincian(list); }

186

Lampiran 11 Hasil uji verifikasi perangkat lunak

Identifikasi54

Butir Uji

Prosedur

Kriteria Hasil

0.1

Pengujian

Menekan Tombol

FormAmbilData ditampilkan

O

Pemanggilan

Pemasukan Data Latih

Antar Muka

Menekan Tombol

FormPelatihanJaringanSyarafTiruan

O

Pelatihan Jaringan Syaraf

ditampilkan

Validasi

Tiruan Menekan Tombol

FormTerapanAnalisis ditampilkan

O

Citra ditampilkan di layar

O

Penerapan Jaringan Syaraf Tiruan 1.1

Pengujian

Pada Antarmuka,

pengambilan

dilakukan pemilihan file

citra yang

citra yang akan

tersimpan di

diekstraksi

dalam basis data 1.2

1.3

Pengujian

Pengisian nilai treshold di

Nilai treshold disimpan di dalam

O, namun tidak

pemberian

blanko yang telah

sistem

ditampilkan di

nilai treshold

disediakan

Pengujian

Menekan tombol treshold

antarmuka Citra biner ditampilkan. Tidak

pemberian

berjalan bila citra yang akan

perintah

diekstraksi belum ada.

O

treshold 1.4

Pengujian

Menekan tombol

Data diekstraksi dari citra dan

pemberian

ekstraksi data

disimpan dalam basis data. Tidak

perintah

O

berjalan bila citra treshold tidak ada.

ekstraksi citra 1.5

1.6

Pengujian

Menekan tombol

Data disimpan dalam tempat yang

pemberian

penyimpanan data dan

telah ditentukan oleh aktor.

perintah

menentukan nama,

penyimpanan

bentuk file, dan tempat

data

file disimpan

Pengujian

Pengambilan data yang

Data sistem digantikan dengan data

pemberian

disimpan

yang diambil

Pengujian

Pada FormAmbilData,

Setiap terjadi perubahan data sistem,

pemberian

menekan tombol

perhitungan korelasi dilakukan

perintah

ekstraksi data

O

O

perintah pengambilan data 2.1

54

O, namun dimodifikasi. Hanya

Berdasarkan rencana uji.

187

Identifikasi54

Butir Uji

Prosedur

Kriteria Hasil

ekstraksi citra

Validasi dilakukan ketika data akan disimpan, untuk penghematan memori

2.2

Pengujian

Pada FormAmbilData,

Data korelasi disimpan bersama

pemberian

dilakukan penyimpanan

dengan data objek

perintah

data.

O

penyimpanan data 2.3

Pengujian

Pada FormAmbilData,

Data korelasi dihitung ulang

pemberian

dilakukan pengambilan

berdasarkan data yang baru

perintah

data.

O

pengambilan data 3.1

Pengujian

Memasukkan indeks dari

pemasukan

parameter mutu yang

indeks

akan dipakai.

Indeks parameter dan mutu disimpan

O, bentuk dimodifikasi dari rancangan

parameter ukur

awal.

dan mutu yang dipakai 3.2

Pengujian

Menekan tombol

pemberian

pengambilan data latih.

perintah

Data latih dipilih

Data latih disimpan di dalam sistem

O

O

pengambilan data latih 3.3

Pengujian

Menekan tombol Latih

Data target iterasi dan akurasi

pemberian

pada Form Pelatihan

disimpan di dalam sistem

perintah

JaringanSyarafTiruan

pelatihan 3.4

Pengujian

Memasukkan target

Pelatihan dilakukan, log pelatihan

pemasukan

iterasi dan akuasi yang

diberikan. Pelatihan dihentikan bila

target iterasi

dibutuhkan. Menekan

target pelatihan tercapai.

dan akurasi

tombol latih.

O

yang digunakan 3.5

Pengujian

Menekan tombol Tulis

pemberian

Data pada Form Pelatihan

perintah

Jaringan Syaraf Tiruan

Data beban dituliskan ke dalam data

O

O

penulisan beban 3.6

Pengujian

Pada Form Terapan

Data beban sistem digantikan data

pemberian

Analisis, ditekan tombol

beban yang diambil

perintah

ambil data beban

pembacaan beban

188

Identifikasi54

Butir Uji

Prosedur

Kriteria Hasil

3.7

Pengujian

Eksekusi data uji

Data uji dieksekusi, laporan pengujian

pemberian

diberikan.

diberikan.

Pengujian

Pada

Dengan menggunakan data citra yang

pemberian

FormTerapanAnalisis,

diekstraksi, sistem memberikan kelas

perintah

dilakukan pengambilan

mutu yang diinginkan

ekstraksi citra

gambar, penentuan beban

Validasi O

perintah eksekusi data uji 4.1

dan laporan parameter, treshold, dan eksekusi.

189

O

Lampiran 12 Nilai korelasi parameter dasar teh

Parameter dasar warna yang dipilih dalam pengamatan tumpukan cenderung untuk memiliki tingkat korelasi terhadap parameter mutu yang rendah, sehingga bila digunakan untuk jaringan syaraf tiruan akan memberikan performa yang cenderung lebih rendah bila dibandingkan dengan model korelasi tinggi.

Untuk pengamatan tumpukan dengan 1 keluaran, praktis hanya parameter dasar nilai indeks hijau (RGB-IG) yang memiliki korelasi tinggi terhadap parameter mutu. Untuk pengamatan tumpukan dengan 5 keluaran, terlihat bahwa masing – masing parameter memiliki korelasi yang tinggi terhadap parameter mutu E. Ini ekuivalen dengan pengamatan manual, di mana teh dengan mutu terburuk merupakan teh yang paling mudah diamati, seperti pada Tabel 0-16 dan Tabel 0-17.

Tabel 0-16

Nilai korelasi parameter standard 1 target kelas mutu pengamatan tumpukan. Nama

Nilai Korelasi Mutu Tampak

Nilai Minimum

Nilai Maksimum

Mean RGB-R

-0.35345421

0.443567637

0.547870088

Mean RGB-G

-0.043688764

0.416167533

0.481743806

Mean RGB-B

0.395224813

0.287875038

0.435791876

-0.399474337

0.342459137

0.417456141

Mean RGB-IG

-0.869158021

0.344367415

0.353267847

Mean RGB-IB

0.455538904

0.231397738

0.313173448

Mean RGB-CV

-0.35343754

0.443569428

0.547549546

Mean CMYK-C

0.650414039

0

0.006934246

Mean CMYK-M

-0.286398737

0.005343344

0.082766823

Mean CMYK-Y

-0.394162712

0.046244809

0.225968704

Mean CMYK-K

0.319621294

0.452129912

0.549744246

Mean CMYK-IC

0.648062048

0

0.01168959

Mean CMYK-IM

-0.324388248

0.009982905

0.108813311

Mean CMYK-IY

-0.454623749

0.084457389

0.302587849

Mean CMYK-IK

0.403541168

0.58859884

0.893933945

Mean CMYK-CV

0.662567049

0.00017939

0.006930891

Mean CIE XYZ-X

-0.120660569

0.420608204

0.480211349

Mean RGB-IR 55

55

Parameter dengan pengarsiran memiliki korelasi tinggi.

190

Nama

Nilai Korelasi Mutu Tampak

Nilai Minimum

Nilai Maksimum

Mean CIE XYZ-Y

-0.110883859

0.421018513

0.480079884

Mean CIE XYZ-Z

0.383489333

0.305367934

0.44166947

Mean CIE XYZ-IX

-0.417645054

0.338848559

0.371505552

Mean CIE XYZ-IY

-0.498607078

0.342951142

0.37098743

Mean CIE XYZ-IZ

0.455095205

0.257507018

0.318200299

Mean CIE XYZ-CV

-0.417645054

0.338848559

0.371505552

Mean YUV-Y

-0.120754051

0.421391651

0.480678603

Mean YUV-U

0.440850818

0.41401225

0.479812038

Mean YUV-V

-0.3458732

0.502579491

0.552843184

Mean YUV-IY

-0.183720177

0.298598817

0.327938592

Mean YUV-IU

0.409515143

0.288816291

0.33857689

Mean YUV-IV

-0.376556647

0.348050259

0.393534325

Mean YUV-CV

-0.183720177

0.298598817

0.327938592

Mean YDbDr-Y

-0.120754051

0.421391651

0.480678603

Mean YDbDr-Db

0.44084204

0.414008314

0.479812767

Mean YDbDr-Dr

0.345895121

0.447144619

0.497416714

Mean YDbDr-IY

-0.327947278

0.306260231

0.351557256

Mean YDbDr-IDb

0.439269706

0.311650583

0.339979431

Mean YDbDr-IDr

0.106443358

0.33667407

0.353760338

Mean YDbDr-CV

-0.117696962

0.421404854

0.480450826

Mean YIQ-Y

-0.120754051

0.421391651

0.480678603

Mean YIQ-I

-0.381751827

0.510277906

0.579704407

Mean YIQ-Q

0.640196237

0.473480847

0.487530175

Mean YIQ-IY

0.138297957

0.283370213

0.31870822

Mean YIQ-II

-0.403469774

0.3495391

0.389894215

Mean YIQ-IQ

0.443038782

0.311383866

0.340712452

Mean YIQ-CV

-0.123572286

0.421962087

0.481029255

Mean HSV-H

0.533720864

0.105373396

0.200640544

Mean HSV-S

-0.44724823

0.102355197

0.441337077

Mean HSV-V

-0.319621294

0.450255754

0.547870088

Mean HSV-IH

0.531117846

0.098848559

0.257907123

Mean HSV-IS

-0.515130363

0.13525732

0.417104921

Mean HSV-IV

0.479185344

0.473930257

0.617243334

Mean HSV-CV

0.534798796

0.106670531

0.200262216

Mean HSL-H

0.533720864

0.105373396

0.200640544

Mean HSL-S

-0.444442453

0.055189522

0.298120128

Mean HSL-L

0.260100081

0.385214366

0.462062399

Mean HSL-IH

0.515143572

0.129868886

0.287066945

Mean HSL-IS

-0.48966776

0.079539269

0.369546109

Mean HSL-IL

0.445103253

0.491254161

0.644600425

Mean HSL-CV

0.534524884

0.106112485

0.200078335

191

Tabel 0-17 Nilai korelasi parameter standard 5 target kelas mutu pengamatan tumpukan Nama Mean RGB-R Mean RGB-G Mean RGB-B Mean RGB-IR Mean RGB-IG Mean RGB-IB Mean RGB-CV Mean CMYK-C Mean CMYKM Mean CMYK-Y Mean CMYK-K Mean CMYKIC Mean CMYKIM Mean CMYKIY Mean CMYKIK Mean CMYKCV Mean CIE XYZX Mean CIE XYZY Mean CIE XYZZ Mean CIE XYZIX Mean CIE XYZIY Mean CIE XYZIZ Mean CIE XYZ-

Nilai Korelasi Mutu Tampak A

Nilai Korelasi Mutu Tampak B

Nilai Korelasi Mutu Tampak C

Nilai Korelasi Mutu Tampak D

Nilai Korelasi Mutu Tampak E

-0.08264517

0.176079549

0.334229021

0.383533332

-0.811196732

0.178027203

0.090023182

-0.446001802

0.064288353

0.113663064

0.078870734

-0.125241388

-0.553545571

-0.229998357

0.829914581

-0.086708484

0.144903891

0.511109668

0.302257993

-0.871563067

0.491747196

0.26960598

0.162198193

-0.027265454

-0.896285915

0.035044519

-0.160956014

-0.49373002

-0.280423237

0.900064752

-0.082299167

0.176196973

0.333322924

0.383550307

-0.810771037

Nilai Minim um 0.4435 67637 0.4161 67533 0.2878 75038 0.3424 59137 0.3443 67415 0.2313 97738 0.4435 69428

-0.176189729

-0.265809921

-0.265781142

-0.265809921

0.973590714

0

Nilai Maksim um 0.54787 0088 0.48174 3806 0.43579 1876 0.41745 6141 0.35326 7847 0.31317 3448 0.54754 9546 0.00693 4246

-0.187733784

0.114988237

0.537974777

0.342593313

-0.807822543

-0.096410899

0.151747059

0.504484951

0.315008148

-0.87482926

0.1057386

-0.164722433

-0.335222616

-0.388373791

0.78258024

0.0053 43344 0.0462 44809 0.4521 29912

0.08276 6823 0.22596 8704 0.54974 4246

-0.17422191

-0.265733563

-0.265711727

-0.265733563

0.971400762

0

0.01168 959

-0.155516941

0.152005678

0.478766099

0.355404182

-0.830659018

0.0099 82905

0.10881 3311

-0.037970424

0.191318117

0.430549482

0.324166061

-0.908063236

0.0844 57389

0.30258 7849

0.085684293

-0.175286877

-0.453294684

-0.337020655

0.879917923

0.5885 9884

0.89393 3945

-0.191407958

-0.270872139

-0.251817226

-0.260645566

0.974742889

0.0001 7939

0.00693 0891

0.038199694

0.131530022

-0.19069471

0.260600111

-0.239635117

0.4206 08204

0.48021 1349

0.113605951

0.123904217

-0.307079242

0.180055669

-0.110486596

0.4210 18513

0.48007 9884

0.083857728

-0.117569629

-0.559717623

-0.219126319

0.812555843

0.3053 67934

0.44166 947

-0.069647423

0.147604243

0.509747333

0.292880547

-0.8805847

0.3388 48559

0.37150 5552

0.006854459

0.171030901

0.481494469

0.259342755

-0.918722583

0.3429 51142

0.37098 743

0.034895319

-0.158477174

-0.497574996

-0.278004292

0.899161142

-0.069647423

0.147604243

0.509747333

0.292880547

-0.8805847

0.2575 07018 0.3388 48559

0.31820 0299 0.37150 5552

192

Nama CV Mean YUV-Y Mean YUV-U Mean YUV-V Mean YUV-IY Mean YUV-IU Mean YUV-IV Mean YUV-CV Mean YDbDrY Mean YDbDrDb Mean YDbDrDr Mean YDbDrIY Mean YDbDrIDb Mean YDbDrIDr Mean YDbDrCV Mean YIQ-Y Mean YIQ-I Mean YIQ-Q Mean YIQ-IY Mean YIQ-II Mean YIQ-IQ Mean YIQ-CV Mean HSV-H Mean HSV-S Mean HSV-V Mean HSV-IH Mean HSV-IS Mean HSV-IV Mean

Nilai Korelasi Mutu Tampak A

Nilai Korelasi Mutu Tampak B

Nilai Korelasi Mutu Tampak C

Nilai Korelasi Mutu Tampak D

Nilai Korelasi Mutu Tampak E

Nilai Minim um

Nilai Maksim um

0.084145591

0.12950837

-0.257017503

0.215857574

-0.172494032

-0.349884726

0.4213 91651 0.4140 1225 0.5025 79491 0.2985 98817 0.2888 16291 0.3480 50259 0.2985 98817

0.48067 8603 0.47981 2038 0.55284 3184 0.32793 8592 0.33857 689 0.39353 4325 0.32793 8592

0.054275768

-0.168106245

-0.484776487

-0.30187438

0.900481344

-0.137550997

0.137325847

0.514273302

0.33252627

-0.846574422

0.023511693

0.158641413

-0.088153713

0.255885333

-0.349884726

0.07644707

-0.174267688

-0.446512634

-0.337814622

0.882147874

-0.097363914

0.122565793

0.545657671

0.26177173

-0.83263128

0.023511693

0.158641413

-0.088153713

0.255885333

0.084145591

0.12950837

-0.257017503

0.215857574

-0.172494032

0.4213 91651

0.48067 8603

0.054283666

-0.168103976

-0.484777915

-0.301878889

0.900477113

0.4140 08314

0.47981 2767

0.137532545

-0.137332482

-0.514269015

-0.332518631

0.846587583

0.4471 44619

0.49741 6714

-0.094574467

0.174075307

0.322278127

0.370984411

-0.772763378

0.3062 60231

0.35155 7256

0.022404788

-0.199151827

-0.355648019

-0.333920573

0.866315631

0.3116 50583

0.33997 9431

0.214545429

-0.116471626

-0.238652063

-0.407796813

0.548375073

0.3366 7407

0.35376 0338

0.084584704

0.12839361

-0.260620831

0.213843616

-0.166201099

0.084145591

0.12950837

-0.257017503

0.215857574

-0.172494032

-0.10682016

0.148995308

0.50415533

0.32168058

-0.868011059

-0.145474653

-0.231281791

-0.387652569

-0.212386381

0.976795393

0.085434894

0.025743853

-0.453645805

-0.00063664

0.343103698

-0.070175777

0.130635958

0.534510176

0.246255946

-0.841226303

0.027529091

-0.200353032

-0.368715797

-0.338004307

0.879544045

0.083282811

0.130557919

-0.253037651

0.218164306

-0.178967385

-0.04430851

-0.235399807

-0.343707048

-0.316140654

0.939556019

-0.045145841

0.168450439

0.482209696

0.292073937

-0.897588232

-0.1057386

0.164722433

0.335222616

0.388373791

-0.78258024

-0.037997889

-0.230356613

-0.361882211

-0.310959337

0.94119605

0.0213368

0.203840518

0.421230096

0.281931918

-0.928339332

0.00249342

-0.161423213

-0.49296851

-0.233943053

0.885841356

0.4214 04854 0.4213 91651 0.5102 77906 0.4734 80847 0.2833 70213 0.3495 391 0.3113 83866 0.4219 62087 0.1053 73396 0.1023 55197 0.4502 55754 0.0988 48559 0.1352 5732 0.4739 30257

0.48045 0826 0.48067 8603 0.57970 4407 0.48753 0175 0.31870 822 0.38989 4215 0.34071 2452 0.48102 9255 0.20064 0544 0.44133 7077 0.54787 0088 0.25790 7123 0.41710 4921 0.61724 3334

-0.045578396

-0.236287692

-0.341617494

-0.316387627

0.939871209

0.1066

0.20026

193

Nama HSV-CV Mean HSL-H Mean HSL-S Mean HSL-L Mean HSL-IH Mean HSL-IS Mean HSL-IL Mean HSL-CV

Nilai Korelasi Mutu Tampak A

Nilai Korelasi Mutu Tampak B

Nilai Korelasi Mutu Tampak C

Nilai Korelasi Mutu Tampak D

Nilai Korelasi Mutu Tampak E

-0.04430851

-0.235399807

-0.343707048

-0.316140654

0.939556019

-0.042599751

0.164617986

0.474390205

0.299105997

-0.895514437

0.017493332

-0.024167634

-0.474536448

0.032009816

0.449200935

-0.023432859

-0.226334265

-0.364690129

-0.319193076

0.933650329

-0.000790624

0.188905078

0.439533441

0.288617347

-0.916265243

0.03042432

-0.13792262

-0.519152858

-0.243301346

0.869952505

-0.04519231

-0.236076687

-0.342292239

-0.316247071

0.939808307

Nilai Minim um 70531

Nilai Maksim um 2216

0.1053 73396 0.0551 89522 0.3852 14366 0.1298 68886 0.0795 39269 0.4912 54161 0.1061 12485

0.20064 0544 0.29812 0128 0.46206 2399 0.28706 6945 0.36954 6109 0.64460 0425 0.20007 8335

Untuk pengamatan butiran, korelasi yang didapat antara parameter ukur dan parameter mutu cenderung rendah (< 0.6 dan > -0.6), sehingga tidak akan memberikan akurasi pengamatan yang baik. Pembentukan standard nilai parameter ukur untuk pengamatan butiran masih tidak disarankan sebelum menemukan parameter ukur dengan korelasi > |0.8|terhada parameter mutu, seperti pada Tabel 0-18 dan Tabel 0-19.

Tabel 0-18

Nilai korelasi parameter standard 1 target kelas mutu pengamatan butiran

Nama

Nilai Korelasi Mutu Tampak

Nilai Minimum

Nilai Maksimum

Mean RGB-R

0.298703749

0.055153124

0.37254902

Mean RGB-G

0.173046959

0.068430516

0.360784314

Mean RGB-B

0.089865196

0.034356736

0.258823529

Mean RGB-IR

0.447038454

0.232943255

0.522184853

Mean RGB-IG

-0.303101459

0.307692308

0.465455695

Mean RGB-IB

-0.365394936

0.117762066

0.391740336

Mean RGB-CV

0.298321629

0.055204561

0.372500501

Mean CMYK-C

-0.227606681

0

0.109803922

Mean CMYK-M

0.366144932

0

0.095432918

Mean CMYK-Y

0.353552033

0.005490196

0.226778192

Mean CMYK-K

-0.245900874

0.62745098

0.926865885

Mean CMYK-IC

-0.203938062

0

0.121212121

Mean CMYK-IM

0.361142643

0

0.093330773

Mean CMYK-IY

0.332932106

0.00560432

0.222889426

Mean CMYK-IK

-0.318148672

0.683772406

0.943616194

194

Nama

Nilai Korelasi Mutu Tampak

Nilai Minimum

Nilai Maksimum

Mean CMYK-CV

-0.226550749

3.15E-05

0.109376353

Mean CIE XYZ-X

0.227789879

0.057334328

0.333866386

Mean CIE XYZ-Y

0.200618983

0.063579211

0.351110588

Mean CIE XYZ-Z

0.108523342

0.041643766

0.260217505

Mean CIE XYZ-IX

0.429331463

0.301756837

0.422641128

Mean CIE XYZ-IY

0.204454464

0.329599516

0.414779455

Mean CIE XYZ-IZ

-0.361142685

0.16411444

0.368643647

Mean CIE XYZ-CV

0.429331463

0.301756837

0.422641128

Mean YUV-Y

0.211361392

0.061257631

0.345078431

Mean YUV-U

-0.324889565

0.413698664

0.515511362

Mean YUV-V

0.371641964

0.452110833

0.558391122

Mean YUV-IY

0.209510165

0.05664087

0.269936399

Mean YUV-IU

-0.308474109

0.323614337

0.468189947

Mean YUV-IV

-0.029965983

0.376608145

0.481954726

Mean YUV-CV

0.209510165

0.05664087

0.269936399

Mean YDbDr-Y

0.211361392

0.061257631

0.345078431

Mean YDbDr-Db

-0.324909252

0.413700484

0.515518193

Mean YDbDr-Dr

-0.371657701

0.441595677

0.547879617

Mean YDbDr-IY

0.230557906

0.056173931

0.278475216

Mean YDbDr-IDb

-0.199394505

0.3338526

0.464329897

Mean YDbDr-IDr

-0.262937058

0.387266661

0.479496172

Mean YDbDr-CV

0.211190073

0.062925567

0.345347496

Mean YIQ-Y

0.211361392

0.061257631

0.345078431

Mean YIQ-I

0.39361949

0.461244282

0.583127677

Mean YIQ-Q

-0.027441193

0.432050885

0.506899824

Mean YIQ-IY

0.200786471

0.056185129

0.255877234

Mean YIQ-II

-0.097971331

0.388026896

0.47745836

Mean YIQ-IQ

-0.261887975

0.335293971

0.466356511

Mean YIQ-CV

0.211681994

0.062974906

0.345882661

Mean HSV-H

-0.355397382

0.044871795

0.522813907

Mean HSV-S

0.285363748

0.183333333

0.758451954

Mean HSV-V

0.245900874

0.073134115

0.37254902

Mean HSV-IH

-0.425415393

0.064500941

0.536495807

Mean HSV-IS

0.187484592

0.240468046

0.741224856

Mean HSV-IV

0.199134184

0.083641707

0.414825724

Mean HSV-CV

-0.35456577

0.046210448

0.522496744

Mean HSL-H

-0.355397382

0.044871795

0.522813907

Mean HSL-S

0.404240145

0.009174312

0.629610578

Mean HSL-L

0.198621593

0.053623312

0.282352941

Mean HSL-IH

-0.478414865

0.090216824

0.633378171

Mean HSL-IS

0.338075355

0.016955505

0.725045817

Mean HSL-IL

0.107746059

0.092102308

0.471372144

195

Nama

Nilai Korelasi Mutu Tampak

Nilai Minimum

Nilai Maksimum

Mean HSL-CV

-0.354026829

0.045636456

0.521729431

Luas

-0.403011512

1

4053

Pusat Massa x-Axis

-0.336657186

1

58

Pusat Massa y-Axis

-0.265660398

1

97

Pusat Momen x-Axis

-0.340454681

1

3907.927802

Pusat Momen y-Axis

-0.213798719

1

11439.32346

Tinggi

-0.339047509

0

98

Lebar

-0.274775005

0

183

Panjang

-0.300338768

0

185.6071119

Keliling

-0.330032428

1

762

Kompleksitas Bentuk

-0.057434593

0.079577472

14.89695755

Kebulatan

0.102002489

0

22.77654674

Tabel 0-19 Nilai korelasi parameter standard 5 target kelas mutu pengamatan butiran In de ks 1 2 3 4 5 6 7 8 9 10 11 12

13 14 15

16 17

Nama Mean RGB-R Mean RGB-G Mean RGB-B Mean RGB-IR Mean RGB-IG Mean RGB-IB Mean RGB-CV Mean CMYK-C Mean CMYK-M Mean CMYK-Y Mean CMYK-K Mean CMYK-IC Mean CMYKIM Mean CMYK-IY Mean CMYK-IK Mean CMYKCV Mean CIE XYZ-

Nilai Korelasi Mutu Tampak A

Nilai Korelasi Mutu Tampak B

Nilai Korelasi Mutu Tampak C

Nilai Korelasi Mutu Tampak D

Nilai Korelasi Mutu Tampak E

0.188842969 0.102489514 0.073929563 0.315151178

0.021712618

0.155917425

0.012345855

0.318243457

0.048161667

-0.20008853 0.229008027

0.000921894

0.221590368

0.0270983

0.129986109

0.198332087

0.300642528

-0.03363399

0.321702395 0.249142726

0.20831223 0.188575922

0.34092425 0.021458138

0.05474803 0.011422141 0.059312472

0.185162052 0.220924973

0.120075327 0.180285581

0.012307189 0.018601136

0.317974808 0.152554534

0.146561244

-0.14933881 0.004452078

0.032251885 0.019488347

0.32111981

-0.184321

0.026335246 0.051729834

0.167619761

0.111625041

0.182359183 0.132997252

-0.00818078 0.006487462

0.217609114 0.168945479

0.173661071 0.133596238

0.015983633 0.073605651

0.151122248

0.127056736

0.098852141

0.037282626 0.010665225 0.001423444

0.184623509 0.143734382

0.119572601

0.121774524 0.267861974

0.026577826

0.015932089 0.247345221 0.156127113 0.131616317

0.131778133 0.189583144

196

-0.24536919

0.369368446 0.281382339 0.137485712

0.316660182 0.35214209 0.341424518

0.018507047

-0.15153032

0.01032796

0.262642447

Nilai Minim um 0.0551 53124 0.0684 30516 0.0343 56736 0.2329 43255 0.3076 92308 0.1177 62066 0.0552 04561

0

Nilai Maksi mum 0.3725 4902 0.3607 84314 0.2588 23529 0.5221 84853 0.4654 55695 0.3917 40336 0.3725 00501 0.1098 03922 0.0954 32918 0.2267 78192 0.9268 65885 0.1212 12121

0 0.0056 0432 0.6837 72406

0.0933 30773 0.2228 89426 0.9436 16194

3.15E05 0.0573 34328

0.1093 76353 0.3338 66386

0 0 0.0054 90196 0.6274 5098

In de ks

18

19

20

21

22

23 24 25 26 27 28 29 30 31

32

33 34

35

36

37 38 39 40 41 42

Nama X Mean CIE XYZY Mean CIE XYZZ Mean CIE XYZIX Mean CIE XYZIY Mean CIE XYZIZ Mean CIE XYZCV Mean YUV-Y Mean YUV-U Mean YUV-V Mean YUV-IY Mean YUV-IU Mean YUV-IV Mean YUV-CV Mean YDbDr-Y Mean YDbDrDb Mean YDbDrDr Mean YDbDr-IY Mean YDbDrIDb Mean YDbDrIDr Mean YDbDrCV Mean YIQ-Y Mean YIQ-I Mean YIQ-Q Mean YIQ-IY Mean YIQ-II

Nilai Korelasi Mutu Tampak A

Nilai Korelasi Mutu Tampak B

Nilai Korelasi Mutu Tampak C

Nilai Korelasi Mutu Tampak D

Nilai Korelasi Mutu Tampak E

Nilai Minim um

Nilai Maksi mum

0.122664335

0.036959267

0.195196924

0.004960071

0.242954405

0.0635 79211

0.3511 10588

0.082015093

0.109110059

0.226152119

0.0232716

0.149928239

0.0416 43766

0.2602 17505

0.282726136

0.306060987

0.221926512

0.062928359

0.300243511

0.3017 56837

0.4226 41128

0.058635116

0.335677306

0.24090047

0.050659376

0.115766512

0.3295 99516

0.4147 79455

0.202640362

0.345366564

0.249269504

0.062511902

0.239959867

0.1641 1444

0.3686 43647

0.282726136 0.130858978

0.306060987

0.221926512 0.193118791

0.062928359

0.300243511

0.006924728

0.170101953 0.243854442 0.136800973

0.132562777 0.182039616

0.047534647

0.030350278

0.250908354 0.346123479

0.072434977 0.192123169

0.021188966 0.006279931

0.194867393

0.02939629 0.145459808

0.14011316

0.0079095 0.002803311 0.006279931

0.032810884

0.230929072 0.192123169 0.193118791

0.006924728

0.250908354

0.3017 56837 0.0612 57631 0.4136 98664 0.4521 10833 0.0566 4087 0.3236 14337 0.3766 08145 0.0566 4087 0.0612 57631

0.4226 41128 0.3450 78431 0.5155 11362 0.5583 91122 0.2699 36399 0.4681 89947 0.4819 54726 0.2699 36399 0.3450 78431

0.170118854

0.132568842

0.047530387

0.030344463

0.346136116

0.4137 00484

0.5155 18193

0.243856313 0.149049184

0.18204693

0.021180133 0.005685172

0.313208941

0.033403348

0.072424138 0.187018956

0.272316476

0.4415 95677 0.0561 73931

0.5478 79617 0.2784 75216

0.119673011

0.036090333

0.186486697

0.018376654

0.252957077

0.3338 526

0.4643 29897

0.181871615

0.028816704

0.181404862

0.010855842

0.288082751

0.3872 66661

0.4794 96172

0.006959118

0.250744057

0.006924728

0.250908354

0.034793562

0.003960757 0.056928583 0.006031468 0.004481051

0.359059841 0.109702374

0.0629 25567 0.0612 57631 0.4612 44282 0.4320 50885 0.0561 85129 0.3880 26896

0.3453 47496 0.3450 78431 0.5831 27677 0.5068 99824 0.2558 77234 0.4774 5836

0.028904791 0.136800973 0.130858978

0.032810884

0.046208434

0.046208434

0.193207177 0.193118791

-0.13078318 0.130858978 0.241986232 0.033548407 0.133832406

0.032963842

0.054630525

0.127333721 0.195028258

0.078615893

-0.12278738

0.22568372

0.032810884 0.182752099 0.018369119

197

0.313183668 0.254053114 0.334167073 0.093184799 0.254053114

0.245790142 0.149347911

In de ks 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58

Nama Mean YIQ-IQ Mean YIQ-CV Mean HSV-H Mean HSV-S Mean HSV-V Mean HSV-IH Mean HSV-IS Mean HSV-IV Mean HSV-CV Mean HSL-H Mean HSL-S Mean HSL-L Mean HSL-IH Mean HSL-IS Mean HSL-IL Mean HSL-CV

Nilai Korelasi Mutu Tampak A 0.165174122 0.131055822

Nilai Korelasi Mutu Tampak B 0.003493051 0.032609898

Nilai Korelasi Mutu Tampak C

0.299850499

0.006926173 0.026159532

0.251177515 0.295643256

0.245623604 0.182359183 0.119330956

0.086273579

0.166278522

0.00818078 0.065679191

0.281382339 0.333344906

0.260144548 0.207829108 0.080069746 0.081355622

0.06229207 0.011621195 0.025700601 0.026159532

0.077195143

0.241667771 0.204863328 0.135092131

0.096528153

0.256420537

0.011011488 0.077193845

0.238748351 0.359934058

0.083028307

0.195546304

-0.02874466 0.025604334 0.04464692

0.176312773 0.295045611 0.256964768

0.195848918 0.362229563

0.251743694 0.082635847 0.153805984

0.279353968 0.298864078

0.223499746

0.194143248

0.223681061 0.253492615 0.127124199

0.195848918 0.336294201

0.324995843 0.216812698

0.260588087 0.310305754

-0.09400502

0.145664666

0.222824756

0.258141866 0.233081299 0.080030152 0.200880416

0.092517848

0.0494335

Nilai Korelasi Mutu Tampak E

0.01310006

0.162373383 0.193005945 0.081355622

0.223681061 0.123504814 0.146561244

0.004452078

Nilai Korelasi Mutu Tampak D

0.244603558 0.295383768 0.295643256

Nilai Minim um 0.3352 93971 0.0629 74906 0.0448 71795 0.1833 33333 0.0731 34115 0.0645 00941 0.2404 68046 0.0836 41707 0.0462 10448 0.0448 71795 0.0091 74312 0.0536 23312 0.0902 16824 0.0169 55505 0.0921 02308 0.0456 36456

Nilai Maksi mum 0.4663 56511 0.3458 82661 0.5228 13907 0.7584 51954 0.3725 4902 0.5364 95807 0.7412 24856 0.4148 25724 0.5224 96744 0.5228 13907 0.6296 10578 0.2823 52941 0.6333 78171 0.7250 45817 0.4713 72144 0.5217 29431

1

4053

0.542034371

0.46133456

0.114732907

0.150127261

0.033032518

0.214764265

1

58

0.381449272

0.094422241

0.140694486

0.008493147

0.147959259

1

97

0.479045483

0.096234664

0.206185103

0.024763212

-0.19287738

1

3907.9 27802

63

Luas Pusat Massa xAxis Pusat Massa yAxis Pusat Momen x-Axis Pusat Momen y-Axis

0.194323061 0.112306951

11439. 32346

Tinggi

0.464770073

0

98

65

Lebar

0.392232219

0

66

Panjang

0.434168815

0.149817701 0.158890231 0.147115111 0.171810774

1

64

0.078283703 0.106880551

0

183 185.60 71119

67

Keliling Komplek sitas Bentuk Kebulata n

0.456260155

1

762

0.024314772

0.0795 77472

0.190224199

0

14.896 95755 22.776 54674

59

60

61

62

68 69

0.326373048

0.163503936 0.024399076

-0.09232119 0.100444959 0.096743443 0.076664333 0.080864082

0.004963422 0.019509232 0.004360903 0.002047117

-0.17617673

0.022213947

0.102472793 0.084093045

-0.01742387 0.077453725

198

0.101548293 0.206367389 0.150820924 0.158498631 0.195294093

Lampiran 13 Daftar parameter terpilih berdasarkan analisis korelasi

Parameter pilihan berdasarkan jenis sampel (tumpukan atau butiran) dan bentuk jaringan syaraf tiruan adalah sebagai berikut. Beberapa macam bentuk jaringan syaraf tiruan propagasi balik dicobakan untuk mencari kombinasi parameter yang akan memberikan hasil pengukuran dengan akurasi terdekat. Pilihan struktur jaringan syaraf tiruan dijelaskan pada bagian VI.3. 1. Tabel 0-20

Sampel tumpukan, jst 3-5-1

2. Tabel 0-21

Sampel tumpukan, jst 11-21-1

3. Tabel 0-22

Sampel tumpukan, jst 11-21-5

4. Tabel 0-23

Sampel butiran, jst 3-5-1

5. Tabel 0-24

Sampel butiran, jst 11-21-1

6. Tabel 0-25

Sampel butiran, jst 11-21-5

Tabel 0-20

Sampel tumpukan, jst 3-5-1

Nama

Nilai Korelasi Mutu Tampak

Nilai Minimum

Nilai Maksimum

Mean HSL-L / Mean RGB-G

0.805830545

0.923148378

0.960567557

Mean RGB-IG

-0.869158021

0.344367415

0.353267847

Tabel 0-21

Sampel tumpukan, jst 11-21-1

Nama

Nilai Korelasi Mutu Tampak

Nilai Minimum

Nilai Maksimum

Mean HSL-L / Mean RGB-G

0.805830545

0.923148378

0.960567557

Mean YIQ-Q / Mean RGB-IG

0.765465964

1.344597933

1.415726792

Mean HSV-S / Mean HSL-IS

0.757826328

1.114104044

1.286851112

Mean CMYK-Y / Mean HSL-S

0.754432159

0.678669513

0.84391682

Mean CMYK-CV / Mean HSV-IH

0.672939421

0.001427496

0.027758351

Mean HSL-S / Mean CMYK-Y

-0.749893224

1.184950905

1.473471227

Mean RGB-IG / Mean YIQ-Q

-0.767176355

0.706350975

0.743716746

Mean HSL-IS / Mean HSV-S

-0.76748175

0.777090676

0.897582237

Mean RGB-G / Mean HSL-L

-0.807537282

1.041051191

1.083249479

Mean RGB-IG

-0.869158021

0.344367415

0.353267847

199

Tabel 0-22 Nama

Mean HSL-IS / Mean HSV-S Mean YUV-V / Mean CIE XYZ-IX Mean RGB-B / Mean CMYKCV Mean HSV-CV / Mean CMYK-IK Mean HSV-IV / Mean CIE XYZ-Z Mean CIE XYZ-Z / Mean HSV-IV Mean YUV-V / Mean CIE XYZ-IY Mean CIE XYZ-IY / Mean YUV-V Mean YIQ-Q / Mean RGB-IG Mean RGB-IG / Mean YIQ-Q

Tabel 0-23

Sampel tumpukan, jst 11-21-5 Nilai Korelasi Mutu Tampak A 0.583912996

Nilai Korelasi Mutu Tampak B 0.280244115

Nilai Korelasi Mutu Tampak C 0.257916802 0.243283595

Nilai Korelasi Mutu Tampak D 0.052907024

Nilai Korelasi Mutu Tampak E 0.659147332 0.094645987

Nilai Minim um 0.7770 90676 1.4685 75597

Nilai Maksi mum 0.8975 82237 1.4942 24625

-0.567782133

-0.01430466

0.334533361

0.374443693

0.053182785

0.146355118

0.802149386

59.579 18774

1947.1 66474

-0.222235805

0.312992914

0.136078201

-0.271069965

0.942376885

0.1693 29052

0.2240 23506

-0.327672921

0.064860267

0.701177225

0.123793396

0.432437433

1.3975 23207

1.5519 97459

0.328020105

0.05551736

0.695043978

-0.129116

0.440622514

0.6443 30952

0.7155 51624

-0.49608269

0.018143092

0.470280885

0.452310277

0.444651563

1.4406 14668

1.4976 87416

0.497713501

0.022167815

0.467659153

-0.450155277

0.442268743

0.6676 96069

0.6941 48146

-0.303362557

0.257281951 0.25718755

0.302323723 0.304252847

-0.11638734

0.979355571

0.111610129

0.978225411

1.3445 97933 0.7063 50975

1.4157 26792 0.7437 16746

56

0.305174885

Sampel butiran, jst 3-5-1

Nama

Nilai Korelasi Mutu Tampak

Nilai Minimum

Nilai Maksimum

Mean CIE XYZ-IX / Mean YIQ-II

0.504558038

0.696691314

0.923316033

Luas / Mean HSL-S

-0.530502255

3.048780488

20077.68238

Nilai Korelasi Mutu Tampak

Nilai Minimum

Nilai Maksimum

Mean CIE XYZ-IX / Mean YIQ-II

0.504558038

0.696691314

0.923316033

Mean RGB-IR / Mean YUV-IV

0.501565833

0.545248524

1.111402437

Mean RGB-IR / Mean YIQ-II

0.498135378

0.537815625

1.141140147

Mean RGB-IR / Mean YDbDr-IDr

0.485207064

0.517546845

1.268951707

Tabel 0-24

Sampel butiran, jst 11-21-1

Nama

56

0.433449186

Pemilihan parameter berdasarkan korelasi terbaik terhadap masing - ,masing parameter mutu.

200

Nama

Nilai Korelasi Mutu Tampak

Nilai Minimum

Nilai Maksimum

Mean CIE XYZ-IX / Mean YDbDr-IDr

0.485068579

0.670434949

1.026730555

Luas / Mean HSL-S

-0.530502255

3.048780488

20077.68238

Tinggi / Mean HSL-S

-0.525669588

0

721.2226109

Luas / Mean CMYK-M

-0.519360389

1

838180.9969

Luas / Mean CMYK-IM

-0.5168031

1

817114.4239

-0.516317028

3.048780488

3197.020556

Keliling / Mean HSL-S

Tabel 0-25 Nama

Luas / Mean CMYK-M Mean HSV-IH / Mean HSL-IH Mean CIE XYZIZ / Mean YDbDr-Dr Mean HSV-S / Mean YUV-IV Mean CIE XYZCV / Mean YIQI Mean YIQ-I / Mean CIE XYZIX Mean HSL-S / Mean RGB-CV Lebar / Keliling Mean CIE XYZIX / Mean YIQII Mean YIQ-II / Mean CIE XYZCV

57

Sampel butiran, jst 11-21-5 Nilai Korelasi Mutu Tampak A 0.64634028

Nilai Korelasi Mutu Tampak C -0.20640843

Nilai Korelasi Mutu Tampak D 0.062344162

Nilai Korelasi Mutu Tampak E 0.295559922

Nilai Minim um 1

57

Nilai Korelasi Mutu Tampak B 0.072744257

Nilai Maksi mum 838180 .9969

0.401384533 0.171539825

0.056566355 0.349682051

0.093876745

0.049627988

0.29882474

0.264173196

0.067293769

0.198525334

0.6049 22577 0.3497 9705

0.8470 38675 0.7044 86227

0.133181904 0.218959012

0.372716617 0.308257646

0.224981317

0.087466284

0.2017883

0.310048435

0.09330833

0.142143991

0.4430 69949 0.6370 67615

1.5874 10839 0.7877 24453

0.215278282

0.30474663

0.311795944

0.086345776

-0.1397928

1.2694 79443

1.5696 92095

0.028546625 0.108810072 0.336617158

0.308458403 0.050742414

0.25658813

0.180229247

0.08350726

0.0467 52622 0

5.5188 2212 0.75

0.213370469

0.035735713

0.188713295 0.06992461

0.058909333 0.137992032 0.418642648

0.6966 91314

0.9233 16033

0.355182997

0.20868267

0.049870209

0.069054592

0.419837948

1.0830 52784

1.4353 55918

Parameter dipilih berdasarkan nilai korelasi terbaik terhadap masing – masing parameter mutu.

201

Lampiran 14 Parameter bantuan untuk pengujian jaringan syaraf tiruan

Untuk pengujian performa jaringan syaraf tiruan, dilakukan perbandingan dengan jaringan syaraf tiruan lain yang menggunakan struktur yang sama, namun menggunakan parameter masukan yang berbeda, sebagai berikut. 1. Tabel 0-26

Sampel tumpukan, jst 3-5-1, parameter standard

2. Tabel 0-27

Sampel tumpukan, jst 3-5-1, parameter korelasi

buruk 3. Tabel 0-28

Sampel tumpukan, jst 11-21-1, parameter standard

4. Tabel 0-29

Sampel tumpukan, jst 11-21-1, parameter korelasi

buruk 5. Tabel 0-30

Sampel tumpukan, jst 11-21-5, parameter standard

6. Tabel 0-31

Sampel tumpukan, jst 11-21-5, parameter korelasi

buruk 7. Tabel 0-32

Sampel butiran, jst 3-5-1, parameter standard

8. Tabel 0-33

Sampel butiran, jst 3-5-1, parameter korelasi buruk

9. Tabel 0-34

Sampel butiran, jst 11-21-1, parameter standard

10. Tabel 0-35

Sampel butiran, jst 11-21-1, parameter korelasi

buruk 11. Tabel 0-36

Sampel butiran, jst 11-21-5, parameter standard

12. Tabel 0-37

Sampel butiran, jst 11-21-5, parameter korelasi

buruk

Tabel 0-26

Sampel tumpukan, jst 3-5-1, parameter standard Nama

Tabel 0-27

Nilai Korelasi Mutu Tampak

Nilai Minimum

Nilai Maksimum

Mean RGB-R

-0.35345421

0.443567637

0.547870088

Mean RGB-B

0.395224813

0.287875038

0.435791876

Sampel tumpukan, jst 3-5-1, parameter korelasi buruk

Nama

Nilai Korelasi Mutu Tampak

Nilai Minimum

Nilai Maksimum

Mean HSL-IS / Mean CMYK-C

6.05E-07

1

228870.4861

Mean HSL-IS / Mean CMYK-IC

-5.80E-07

1

180403.7949

202

Tabel 0-28

Sampel tumpukan, jst 11-21-1, parameter standard Nama

Tabel 0-29

Nilai Korelasi Mutu Tampak

Nilai Minimum

Nilai Maksimum

Mean RGB-R

-0.35345421

0.443567637

0.547870088

Mean RGB-G

-0.043688764

0.416167533

0.481743806

Mean RGB-B

0.395224813

0.287875038

0.435791876

Mean RGB-IR

-0.399474337

0.342459137

0.417456141

Mean RGB-IG

-0.869158021

0.344367415

0.353267847

Mean RGB-IB

0.455538904

0.231397738

0.313173448

Mean RGB-CV

-0.35343754

0.443569428

0.547549546

Mean CMYK-C

0.650414039

0

0.006934246

Mean CMYK-M

-0.286398737

0.005343344

0.082766823

Mean CMYK-Y

-0.394162712

0.046244809

0.225968704

Sampel tumpukan, jst 11-21-1, parameter korelasi buruk

Nama

Nilai Korelasi Mutu Tampak

Nilai Minimum

Nilai Maksimum

Mean HSV-S / Mean CMYK-C

1.33E-05

1

267725.6945

Mean CMYK-IM / Mean CMYK-C

1.17E-05

1

54680.94294

Mean CMYK-Y / Mean CMYK-C

1.03E-05

1

128386

Mean HSV-S / Mean CMYK-IC

9.54E-06

1

211030.8415

Mean CMYK-Y / Mean CMYK-IC

3.68E-06

1

101198.3765

Mean HSL-IS / Mean CMYK-IC

-5.80E-07

1

180403.7949

Mean HSL-S / Mean CMYK-C

-1.38E-06

1

175289.192

Mean HSL-S / Mean CMYK-IC

-3.49E-06

1

138169.1278

Mean CMYK-IM / Mean CMYK-IC

-5.27E-06

0.880270405

43101.44914

Mean CMYK-CV / Mean CMYK-C

-1.10E-05

0.999247476

155.2039769

Tabel 0-30 Nama

Mean RGB-R Mean RGB-G Mean RGB-B Mean RGB-IR Mean RGB-IG Mean RGB-IB

Sampel tumpukan, jst 11-21-5, parameter standard

Nilai Korelasi Mutu Tampak A -0.08264517

Nilai Korelasi Mutu Tampak B 0.176079549

Nilai Korelasi Mutu Tampak C 0.334229021

Nilai Korelasi Mutu Tampak D 0.383533332

Nilai Korelasi Mutu Tampak E -0.811196732

0.178027203

0.090023182

-0.446001802

0.064288353

0.113663064

0.078870734

-0.125241388

-0.553545571

-0.229998357

0.829914581

-0.086708484

0.144903891

0.511109668

0.302257993

-0.871563067

0.491747196

0.26960598

0.162198193

-0.027265454

-0.896285915

0.035044519

-0.160956014

-0.49373002

-0.280423237

0.900064752

203

Nilai Minim um 0.4435 67637 0.4161 67533 0.2878 75038 0.3424 59137 0.3443 67415 0.2313 97738

Nilai Maksim um 0.54787 0088 0.48174 3806 0.43579 1876 0.41745 6141 0.35326 7847 0.31317 3448

Nama

Mean RGBCV Mean CMYKC Mean CMYKM Mean CMYKY

Nilai Korelasi Mutu Tampak A -0.082299167

Nilai Korelasi Mutu Tampak B 0.176196973

Nilai Korelasi Mutu Tampak C 0.333322924

Nilai Korelasi Mutu Tampak D 0.383550307

Nilai Korelasi Mutu Tampak E -0.810771037

Nilai Minim um 0.4435 69428

Nilai Maksim um 0.54754 9546

-0.176189729

-0.265809921

-0.265781142

-0.265809921

0.973590714

0

0.00693 4246

-0.187733784

0.114988237

0.537974777

0.342593313

-0.807822543

0.0053 43344

0.08276 6823

-0.096410899

0.151747059

0.504484951

0.315008148

-0.87482926

0.0462 44809

0.22596 8704

Tabel 0-31 Nama

Mean HSV-IV / Mean YDbDrIDb Mean CIE XYZIZ / Mean YIQCV Mean YDbDrIDb / Mean YDbDr-Dr Mean YUV-IV / Mean YUV-V Mean CIE XYZ-Y / Mean CMYKCV Mean YUV-IU / Mean CMYK-CV Mean CIE XYZIY / Mean CIE XYZ-X Mean YIQ-IY Mean YDbDr-IY / Mean YUV-V Mean YUV-V / Mean YDbDr-IY

58

Sampel tumpukan, jst 11-21-5, parameter korelasi buruk Nilai Korelasi Mutu Tampak A

Nilai Korelasi Mutu Tampak B 0.122162229

Nilai Korelasi Mutu Tampak C 0.503699245

Nilai Korelasi Mutu Tampak D -0.16068072

Nilai Korelasi Mutu Tampak E 0.786474849

Nilai Minim um 1.4425 7635

Nilai Maksi mum 1.8645 34136

-7.25E-06

0.192319923

0.383060741

0.327123087

0.902511003

0.5505 73361

0.7175 8988

0.256969089

0.002105137

0.589817862

0.229789802

0.564743712

0.6641 59217

0.7198 86066

0.114606484

0.306708317

0.298651842

0.005056641 0.365756992

0.154877563 0.161790194

0.261380597 0.828019165

0.6896 48054 65.919 21336

0.7239 08927 2587.2 11404

0.316134252

0.363865454

0.141933655

-0.82087049

0.028880384

0.021319587

0.001062871 0.486599448

0.000917161

0.479955812

47.978 66539 0.7255 02253

1723.6 10256 0.8790 18235

0.085434894

0.025743853

-0.00063664

0.343103698

0.062006726

0.090101205

0.123480475

0.003802989

0.065221803

-0.09089873

0.453645805 0.279391395 0.272814013

0.113592661

0.003100819

0.2833 70213 0.5860 76041 1.5525 95325

0.3187 0822 0.6440 82836 1.7062 63232

58

6.73E-05

0.001820138

Pemilihan parameter berdasarkan korelasi terburuk terhadap masing – masing parameter mutu.

204

Tabel 0-32

Sampel butiran, jst 3-5-1, parameter standard Nama

Tabel 0-33

Nilai Korelasi Mutu Tampak

Nilai Minimum

Nilai Maksimum

Luas

-0.403011512

1

4053

Panjang

-0.300338768

0

185.6071119

Sampel butiran, jst 3-5-1, parameter korelasi buruk

Nama

Nilai Korelasi Mutu Tampak

Nilai Minimum

Nilai Maksimum

Mean CIE XYZ-IX / Mean CIE XYZ-Z

0.000160719

1.20653358

10.00313343

Mean CIE XYZ-IY / Mean HSL-IS

-0.000101262

0.569956301

20.92599658

Tabel 0-34

Sampel butiran, jst 11-21-1, parameter standard

Nama

Nilai Korelasi Mutu Tampak

Nilai Minimum

Nilai Maksimum

Luas

-0.403011512

1

4053

Pusat Massa x-Axis

-0.336657186

1

58

Pusat Massa y-Axis

-0.265660398

1

97

Pusat Momen x-Axis

-0.340454681

1

3907.927802

Pusat Momen y-Axis

-0.213798719

1

11439.32346

Tinggi

-0.339047509

0

98

Lebar

-0.274775005

0

183

Panjang

-0.300338768

0

185.6071119

Keliling

-0.330032428

1

762

Kompleksitas Bentuk

-0.057434593

0.079577472

14.89695755

Tabel 0-35

Sampel butiran, jst 11-21-1, parameter korelasi buruk

Nama

Nilai Korelasi Mutu Tampak

Nilai Minimum

Nilai Maksimum

Mean CIE XYZ-IX / Mean CIE XYZ-Z

0.000160719

1.20653358

10.00313343

Mean HSV-S / Mean YUV-IY

0.000169357

0.970702106

10.86666445

Mean YIQ-I / Mean HSL-IL

0.001009722

1.112279406

5.438881073

Panjang / Pusat Massa x-Axis

0.001060798

0

13.44072398

Mean HSV-S / Mean CMYK-CV

0.00106246

3.459416651

9972.324183

-0.000101262

0.569956301

20.92599658

-0.00029407

0.673351657

28.26350762

Mean CIE XYZ-IY / Mean HSL-IS Mean YIQ-Q / Mean HSL-IS

205

Nama

Nilai Korelasi Mutu Tampak

Nilai Minimum

Nilai Maksimum

Mean CIE XYZ-CV / Mean HSV-IS

-0.000803376

0.561999696

1.338346636

Mean RGB-IR / Mean CMYK-CV

-0.000892042

2.445152467

11789.08862

Mean YDbDr-IDb / Mean CMYK-CV

-0.000973138

3.420216598

12818.88197

Tabel 0-36 Nama

Sampel butiran, jst 11-21-5, parameter standard

Nilai Korelasi Mutu Tampak A 0.542034371

Nilai Korelasi Mutu Tampak B -0.112306951

Nilai Korelasi Mutu Tampak C -0.200880416

Nilai Korelasi Mutu Tampak D 0.04464692

Nilai Korelasi Mutu Tampak E -0.256964768

Nilai Minim um 1

Nilai Maksim um 4053

0.46133456

-0.114732907

-0.150127261

0.033032518

-0.214764265

1

58

0.381449272

-0.094422241

-0.140694486

0.008493147

-0.147959259

1

97

0.479045483

-0.096234664

-0.206185103

0.024763212

-0.19287738

1

3907.92 7802

0.326373048

-0.078283703

-0.149817701

0.004963422

-0.101548293

1

11439.3 2346

0.464770073

-0.106880551

-0.158890231

0.019509232

-0.206367389

0

98

Lebar

0.392232219

-0.09232119

-0.147115111

0.004360903

-0.150820924

0

183

Panjang

0.434168815

-0.100444959

-0.171810774

0.002047117

-0.158498631

0

Keliling

0.456260155

-0.096743443

-0.17617673

0.022213947

-0.195294093

1

185.607 1119 762

Kompleks itas Bentuk

0.163503936

-0.076664333

-0.102472793

-0.01742387

0.024314772

0.0795 77472

14.8969 5755

Nilai Minim um 2.1719 46914 0.9875 78747 0.1236 78909 0.0039 60066

Nilai Maksi mum 12357. 01333 0.9990 85647 11.564 29345 0.4385 1347

Luas Pusat Massa xAxis Pusat Massa yAxis Pusat Momen x-Axis Pusat Momen y-Axis Tinggi

Tabel 0-37 Nama

Mean HSL-IL / Mean CMYK-CV Mean HSL-CV / Mean HSV-CV Mean RGB-R / Mean HSL-IS Mean RGB-IG / Pusat Massa yAxis Mean CMYKIM / Mean YDbDr-IDr Mean HSV-V /

Sampel butiran, jst 11-21-5, parameter korelasi buruk Nilai Korelasi Mutu Tampak A 0.0003822459

Nilai Korelasi Mutu Tampak B 0.05798996

Nilai Korelasi Mutu Tampak C -0.07763809

Nilai Korelasi Mutu Tampak D 0.007805648

Nilai Korelasi Mutu Tampak E 0.006289939

-9.06E-05

0.23747268

0.049143426 0.092613147

1.03E-05

0.004297306 0.112105232 0.157224252

0.054481535 0.112876727

0.171813587 0.047892561

0.13145907

0.111405857

-5.91E-05

0.208138689

0.166880232

0.00040847

0.036696626

0.315605155

0

0.2295 87324

-

-

-5.76E-05

0.096504251

0.328884389

1.2271

1.6434

59

Parameter ukur dipilih berdasarkan parameter dengan nilai korelasi terendah terhadap tiap parameter mutu.

206

Nama

Mean YUV-IY Mean YDbDr-IY / Mean CIE XYZ-IY Mean YUV-IY / Mean CMYK-IK Mean RGB-B / Mean CMYK-CV Mean RGB-G / Mean CMYK-CV

Nilai Korelasi Mutu Tampak A 0.220652741

Nilai Korelasi Mutu Tampak B 0.221972481

Nilai Korelasi Mutu Tampak C

Nilai Korelasi Mutu Tampak D

Nilai Korelasi Mutu Tampak E

Nilai Minim um 32545

Nilai Maksi mum 68507

0.142474762

0.059049135

0.201272349

8.82E-05

0.249909523

0.1361 28319

0.7128 53266

0.121060367 0.015086896

0.00846923

-5.51E-05

0.264623741

0.053887482

0.002974145

0.000717833

0.038449525

0.039169321

0.186448796 0.077737893 0.076067161

-0.00675494

0.000369908

0.0600 57281 1.8644 02699 2.1131 0088

0.3526 04421 5111.0 8177 7430.3 59195

207

Lampiran 15 Hasil pengujian kecepatan pelatihan sistem pakar

Pengujian memberikan perbaikan performa pelatihan pada setiap jaringan syaraf tiruan bila menggunakan parameter optimal, seperti pada rangkaian diagram berikut. 1. Gambar 0-6

Sampel tumpukan, jst 3-5-1

2. Gambar 0-7

Sampel tumpukan, jt 11-21-1

3. Gambar 0-8

Sampel tumpukan, jst 11-21-5

4. Gambar 0-9

Sampel butiran, jst 3-5-1

5. Gambar 0-10

Sampel butiran, jst 11-21-1

6. Gambar 0-11

Sampel butiran, jst 11-21-5

Gambar 0-6

Sampel tumpukan, jst 3-5-1

208

Gambar 0-7

Sampel tumpukan, jt 11-21-1

Gambar 0-8

Sampel tumpukan, jst 11-21-5

209

Gambar 0-9

Sampel butiran, jst 3-5-1

Gambar 0-10 Sampel butiran, jst 11-21-1

210

Gambar 0-11 Sampel butiran, jst 11-21-5

211

Lampiran 16 Hasil pengujian akurasi jaringan syaraf tiruan

Dalam pengujian, perbaikan performa akurasi jaringan syaraf tiruan hanya tercapai untuk sebagian bentuk jaringan syaraf tiruan. Hasil pengujian akurasi jaringan syaraf tiruan diberikan pada rangkaian tabel berikut. 1. Pengamatan Tumpukan a. JST 3-5-1 1. Tabel 0-38

Akurasi sampel tumpukan jst 3-5-1

parameter standard 2. Tabel 0-39

Akurasi sampel tumpukan jst 3-5-1

parameter optimal 3. Tabel 0-40

Akurasi sampel tumpukan jst 3-5-1

parameter disoptimal b. JST 11-21-1 1. Tabel 0-41

Akurasi sampel tumpukan jst 11-21-

1 parameter standard 2. Tabel 0-42

Akurasi sampel tumpukan jst 11-21-

1 parameter optimal 3. Tabel 0-43

Akurasi sampel tumpukan jst 11-21-

1 parameter disoptimal c. JST 11-21-5 1. Tabel 0-44

Akurasi sampel tumpukan jst 11-21-

5 parameter standard 2. Tabel 0-45

Akurasi sampel tumpukan jst 11-21-

5 parameter optimal 3. Tabel 0-46

Akurasi sampel tumpukan jst 11-21-

5 parameter disoptimal 2. Pengamatan Butiran a. JST 3-5-1 1. Tabel 0-47

Akurasi sampel butiran jst 3-5-1

parameter standard

212

2. Tabel 0-48

Akurasi sampel butiran jst 3-5-1

parameter optimal 3. Tabel 0-49

Akurasi sampel butiran jst 3-5-1

parameter disoptimal b. JST 11-21-1 1. Tabel 0-50

Akurasi sampel butiran jst 11-21-1

parameter standard 2. Tabel 0-51

Akurasi sampel butiran jst 11-21-1

parameter optimal 3. Tabel 0-52

Akurasi sampel butiran jst 11-21-1

parameter disoptimal c. JST 11-21-5 1. Tabel 0-53

Akurasi sampel butiran jst 11-21-5

parameter standard 2. Tabel 0-54

Akurasi sampel butiran jst 11-21-5

parameter optimal 3. Tabel 0-55

Akurasi sampel butiran jst 11-21-5

parameter disoptimal

Tabel 0-38

Akurasi sampel tumpukan jst 3-5-1 parameter standard Standard Kelas A Kelas B Kelas C Kelas D Kelas E Total

Tabel 0-39

Akurasi sampel tumpukan jst 3-5-1 parameter optimal Good Kelas A Kelas B

60

Benar Salah Jumlah Akurasi 100 0 100 1.00 53 47 100 0.53 100 0 100 1.00 93 7 100 0.93 87 13 100 0.87 433 67 500 0.8760

Benar

Salah

100 13

Jumlah 0 87

Akurasi terbaik dalam satu kelompok uji.

213

100 100

Akurasi 1.00 0.13

Good Kelas C Kelas D Kelas E Total

Tabel 0-40

Akurasi sampel tumpukan jst 3-5-1 parameter disoptimal Bad Kelas A Kelas B Kelas C Kelas D Kelas E Total

Tabel 0-41

Benar 0 100 0 0 0 100

Salah Jumlah Akurasi 100 100 0.00 0 100 1.00 100 100 0.00 100 100 0.00 100 100 0.00 400 500 0.20

Akurasi sampel tumpukan jst 11-21-1 parameter standard Standard Kelas A Kelas B Kelas C Kelas D Kelas E Total

Tabel 0-42

Benar Salah Jumlah Akurasi 67 33 100 0.67 0 100 100 0.00 100 0 100 1.00 280 220 500 0.56

Benar Salah Jumlah Akurasi 100 0 100 1.00 13 87 100 0.13 100 0 100 1.00 53 47 100 0.53 100 0 100 1.00 367 133 500 0.73

Akurasi sampel tumpukan jst 11-21-1 parameter optimal Good Kelas A Kelas B Kelas C Kelas D Kelas E Total

Benar 100 47 87 53 100 387

Salah 0 53 13 47 0 113

214

Jumlah 100 100 100 100 100 500

Akurasi 1.00 0.47 0.87 0.53 1.00 0.77

Tabel 0-43

Akurasi sampel tumpukan jst 11-21-1 parameter disoptimal Bad Kelas A Kelas B Kelas C Kelas D Kelas E Total

Tabel 0-44

Benar Salah Jumlah Akurasi 100 0 100 1.00 27 73 100 0.27 100 0 100 1.00 53 47 100 0.53 93 7 100 0.93 373 127 500 0.75

Akurasi sampel tumpukan jst 11-21-5 parameter optimal Good Kelas A Kelas B Kelas C Kelas D Kelas E Total

Tabel 0-46

0 100 0 0 0 100

Salah Jumlah Akurasi 100 100 0.00 0 100 1.00 100 100 0.00 100 100 0.00 100 100 0.00 400 500 0.20

Akurasi sampel tumpukan jst 11-21-5 parameter standard Standard Kelas A Kelas B Kelas C Kelas D Kelas E Total

Tabel 0-45

Benar

Benar Salah Jumlah Akurasi 100 0 100 1.00 20 80 100 0.20 100 0 100 1.00 47 53 100 0.47 93 7 100 0.93 360 140 500 0.72

Akurasi sampel tumpukan jst 11-21-5 parameter disoptimal Bad Kelas A Kelas B Kelas C Kelas D Kelas E Total

Benar Salah Jumlah Akurasi 100 0 100 1.00 0 100 100 0.00 100 0 100 1.00 80 20 100 0.80 100 0 100 1.00 380 120 500 0.76

215

Tabel 0-47

Akurasi sampel butiran jst 3-5-1 parameter standard Standard Kelas A Kelas B Kelas C Kelas D Kelas E Total

Tabel 0-48

Akurasi sampel butiran jst 3-5-1 parameter optimal Good Kelas A Kelas B Kelas C Kelas D Kelas E Total

Tabel 0-49

Benar 78 26 0 0 6 110

Salah 22 74 100 100 94 390

Jumlah 100 100 100 100 100 500

Akurasi 0.78 0.26 0.00 0.00 0.06 0.22

Akurasi sampel butiran jst 3-5-1 parameter disoptimal Bad Kelas A Kelas B Kelas C Kelas D Kelas E Total

Tabel 0-50

Benar Salah Jumlah Akurasi 71 29 100 0.71 58 42 100 0.58 0 100 100 0.00 0 100 100 0.00 0 100 100 0.00 129 371 500 0.26

Benar 87 11 0 0 0 98

Salah 13 89 100 64 100 366

Jumlah 100 100 100 64 100 464

Akurasi 0.87 0.11 0.00 0.00 0.00 0.21

Akurasi sampel butiran jst 11-21-1 parameter standard Standard Kelas A Kelas B Kelas C Kelas D

Benar Salah Jumlah Akurasi 55 45 100 0.55 33 67 100 0.33 6 94 100 0.06 10 90 100 0.10

216

Standard Kelas E Total

Tabel 0-51

Kelas A Kelas B Kelas C Kelas D Kelas E Total

Benar 75 39 20 0 2 135

Salah

Jumlah

25 61 80 100 98 365

100 100 100 100 100 500

Akurasi 0.75 0.39 0.20 0.00 0.02 0.27

Benar Salah Jumlah Akurasi 69 31 100 0.69 18 82 100 0.18 0 100 100 0.00 1 99 100 0.01 0 100 100 0.00 88 412 500 0.18

Akurasi sampel butiran jst 11-21-5 parameter standard Standard Kelas A Kelas B Kelas C Kelas D Kelas E Total

Tabel 0-54

Jumlah Akurasi 91 100 0.09 387 500 0.23

Akurasi sampel butiran jst 11-21-1 parameter disoptimal Bad Kelas A Kelas B Kelas C Kelas D Kelas E Total

Tabel 0-53

9 113

Salah

Akurasi sampel butiran jst 11-21-1 parameter optimal Good

Tabel 0-52

Benar

Benar Salah Jumlah Akurasi 51 49 100 0.51 44 56 100 0.44 22 78 100 0.22 16 84 100 0.16 25 75 100 0.25 157 343 500 0.31

Akurasi sampel butiran jst 11-21-5 parameter optimal Good Kelas A

Benar

Salah

42

Jumlah 58

217

100

Akurasi 0.42

Good Kelas B Kelas C Kelas D Kelas E Total

Tabel 0-55

Benar Salah Jumlah Akurasi 19 81 100 0.19 68 32 100 0.68 39 61 100 0.39 28 72 100 0.28 196 304 500 0.39

Akurasi sampel butiran jst 11-21-5 parameter disoptimal Bad Kelas A Kelas B Kelas C Kelas D Kelas E Total

Benar Salah Jumlah Akurasi 49 51 100 0.49 18 82 100 0.18 45 55 100 0.45 41 59 100 0.41 15 85 100 0.15 168 332 500 0.34

218