26

III. BAHAN DAN METODE

3.1. Lokasi dan Waktu Penelitian

3.1.1 Lokasi Penelitian

Lokasi Penelitian pada tahap perancangan dan pembuatan wahana dilakukan

di Laboratorium Akustik dan Instrumentasi, Institut Pertanian Bogor kemudian

pengambilan data lapang di Perairan Pantai Tanjung Kolser, Pulau Nuhuroa di

Kepulauan Kei, Maluku. Lokasi ini memiliki perairan yang tenang karena

merupakan perairan semi tertutup sehingga tenang dan aman dari terjangan

ombak, sehingga memperkecil sudut tilt, yaw dan roll atau pitching dari wahana

Penggambaran Bawah Air yang digunakan.

Gambar 5, Lokasi Penelitian Tanjung Kolser, Kepulauan Kei, Maluku.(lampiran 1. peta 3Dimensi bathymetri; titik-titik lifeform)

27

3.1.2 Waktu Penelitian

Penelitian ini dimulai dengan fase merancang dan membangun Wahana

Pencitraan Bawah Air (WPBA), kemudian pengambilan data lapang di perairan

berkarang, serta pengolahan data dan analisis, yang dapat dilihat pada Tabel 1.

Tabel 1, Alokasi penggunaan waktu selama masa penelitian berlangsung

No

Uraian Maret April Mei Juni Juli-dst

2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

1 Rancang Bangun Wahana

a Uji perangkat elektronik

b Uji Stabilitas Kolam

c Uji Pemotretan Lab.

2 Kalibrasi Kamera

a Kalibrasi Darat

b Kalibrasi Laut

3 Data Penunjang

c Kecerahan

d Bathymetri

4 Data Citra

E Life Form 1

F Life Form 2

g Life Form 3

5 Pengolahan Data

6 Analisis Data

7 Seminar

8 Thesis

3.2. Bahan dan Alat

Dalam penelitian ini digunakan beberapa bahan, peralatan termasuk juga

perangkat keras dan perangkat lunak secara skematis untuk pengambilan data,

proses pengolahan data serta analisis (Tabel 2)

.

28

Tabel 2, Tabulasi bahan dan peralatan serta fungsinya dalam penelitian ini

No Alat/Bahan Fungsi 1 WPBA Alat utama pengambilan data

a) Kamera Sony CCTV Photo Resolution VGA 640x480 dan Video Performance QVGA 320x240 5 fps + Cashing Kedap Air

pembuatan citra dan video

b) Garmin GPSmap Sounder C170 portable Bathymetry dan Geo-positioning

c) 2 bh Lampu 50 Wat, kedap air Untuk pencahayaan d) Vitek Color LCD Car Television

10" Untuk tampilan FOV+Target Life Form

e) DVR 60800, Stik Kontrol + Memori SD External 2 GB

Kontrol sistim dan penyimpanan data citra dan video

f) Unit Power System 3000 Wat Sumber energy perangkat di wahana yang beraliran AC.

g) Accu 24 VA Sumber energy perangkat di wahana yang beraliran DC.

2 Obyek Hexagon putih Obyek target untuk kalibrasi 3 Sechi Disk Pengukuran kecerahan 4 Alat selam Pemantauan dan verifikasi

5 Sony Underwater camera 10.1 Mega pixel Dokumentasi

6 Computer Unit Pengolahan data dan Untuk analisis 7 Perangkat lunak Photoshop versi 7.0 Pre-procesing dan ekstraksi 8 Perangkat lunak Imagej Pre-procesing dan ekstraksi 9 Perangkat lunak Arc View GIS 3.3 Layout Peta 10 Perangkat lunak Surfer 08 Layout Bathymetri 11 Perangkat lunak Matlab 7.0 Alat analisis Neural Network 12 Perangkat lunak Minitab 14 Alat analisis Statistik 13 Corel Draw 14 Disain gambar teknik wahana

14 Tangki percobaan laboratorium+Kolam Uji Wahana dan Sistem

15 Motor Tempel Untuk pembuatan data lapangan+transportasi

3.3. Metode

Penelitian ini dikerjakan dalam dua tahap utama yaitu: rancang bangun

WPBA yang di uji dilaboratorium dan penelitian lapang untuk pengambilan citra

dari target berupa lifeform karang, secara rinci akan dijelaskan secara poin

sebagaimana berikut.

29

3.3.1. Rancang Bangun Wahana Pencitraan Bawah Air

Efisiensi sebuah pekerjaan survey maupun riset di lapang sangat

dipengaruhi oleh metode dan peralatan yang dipergunakan. Hal ini merupakan

alasan rasional bagi sebuah pemikiran untuk perancangan wahana ini. Disisi lain

secara ilmiah, dengan mengacu pada prinsip dasar dari metode manta tow dan

prinsip kerja dari wahana bawah laut yang modern seperti Remotely Operated

Vehicle (ROV), Autonomous Underwater Vehicle (AUV), dan versi lainya, maka

dilakukan pembuatan WPBA yang merupakan sebuah penyederhanaan wahana

bawah air yang modern agar lebih efisien dari segi pembiayaan maupun lebih

sederhana pengoperasiannya.

WPBA terdiri dari rangka utama besi stainless steel 316, yang di pasang dua

pelampung disisi kiri dan kanan dari bahan PVC, sedangkan untuk perangkat

elektreonik dilengkapi dengan Sony CCTV, GPSmap Sounder serta Lampu

sebagai sumber cahaya yang kesemuanya terinstalasi dan bekerja secara

bersamaan untuk menghasilkan data citra yang terkoreksi koodinat dan kedalaman

keberadaanya. Sehingga dengan data tersebut dapat dilakukan identifikasi dan

kuantifikasi obyek maupun area sapuannya.

Kamera bawah air berfungsi melakukan pemotretan ataupun merekan data

berupa video, dimana prose pencuplikan dan perekaman diatur menggunakan

sebuah Stick DVR 60800 dengan mengatur model video dan jeda waktu setiap

pencuplikan citra. Untuk pengawasan dan pemantauan langsung digunakan Vitek

Color LCD Car, dan untuk penyimpanan data mentah menggunakan Eksternal

Memori SD yang terpasang pada Stick DVR.

Geo-positioning (penentuan data koordinat lintang dan bujur) digunakan

receiver dari GPSmap Sounder 170 C portable yang sekaligus memiliki transducer

single beam untuk pengukuran kedalaman. Kebutuhan cahaya yang stabil

diperlukan untuk mengatasi kondisi cuaca yang mempengaruhi iluminasi sinar

matahari kedalam perairan, untuk maksud tersebut digunakan dua unit lampu

kedap air dengan daya masing masing 50 Watt. (total 100 Watt). Semua data

kemudian dimasukan ke dalam komputer.(Bab IV, Gambar 18 - 25)

30

3.3.2. Metode Pengambilan Data

3.3.2.1. Pengambilan Data Pendukung

a) Kalibrasi Field Of View dan Camera View Angle

Kalibrasi beam kamera dilakukan agar mendapatkan ketetapan rasio

hubungan antara kedalaman terhadap ukuran Field Of View (FOV). FOV

merupakan kuantifikasi terhadap perubahan kedalaman yang menentukan luasan

FOV yang dihasilkan, hal ini tentunya sangat dipengaruhi oleh besar sudut beam

atau Camera View Angle (CVA) yang sudah menjadi standar keluaran pabrik,

yang harus di uji pengoperasiannya di darat dan di dalam air laut.

Kalibrasi dilakukan dengan mengukur setiap perubahan kedalaman terhadap

ukuran area sapuan yang diakibatkan oleh perubahan kedalaman tersebut dengan

memperhatikan besar sudut beam kamera. Persegi panjang dari sebuah bentuk

menyerupai irisan piramida dengan sisi berupa segi tiga sama kaki merupakan

bentuk terusan mengikuti pola FOV A ke B juga C (Gambar 6), sehingga jika B

dan C merupakan Paralel dari A maka, dari rumusan Clemens. S.R, et al, 1984(hal

415) dinyatakan bahwa;

Jika ………………………... (18)

Gambar 6, Ilustrasi Piramida dengan irisan-irisan(S) yang menjelaskan luas area.

Berdasarkan perubahan jarak (A, C, B)

Sehingga untuk penelitian ini perumusan metodenya menjadi berikut ini;

Jika ………………(19)

Dapat dilihat ilustrasinya pada Gambar 7.

S’

S A

C

B

31

Gambar 7, Ilustrasi metode kalibrasi kedalaman terhadap area sapuan dengan

memperhitungkan beam kamera.

Sehingga teknik kerja yang dilakukan di darat dapat berlaku sama dengan di

laut, adalah sebagaimana berikut (untuk kalibrasi darat);

• Obyek hexagon putih di tempatkan pada papan hitam dengan diberi

marka area 1 x 1 m

• Pada lantai diberikan skala jarak setiap 30 cm sebagai acuan perlakuan

jarak.

• Wahana yang sudah terinstalasi di tempatkan sejajar horizontal agar axis

obyek dan axis kamera berhimpit.

• Pemotretan dilakukan sebanyak 3 kali untuk setiap jarak 30 cm termasuk

jarak referensi 1 meter, dilakukan 31 kali perubahan jarak

Kemudian untuk kalibrasi dilaut, dilakukan sebagaimana prosedur berikut;

• Sebelum kalibrasi, terlebih dahulu dilakukan pengukuran kecerahan

dengan secchi disk, dimana hingga kedalaman dasar laut (11m) kecerahan

tampak masih 100%, dan obyek mulai tidak jelas saat Z ≤ 11m (10.5m)

• Tali yang telah diberi penanda di setiap 30 cm, ditambatkan pada obyek

hexagon berwarna putih tepat di tengah.

• Kemudian obyek ditempatkan tepat di bawah kamera, sejajar axis

keduanya

• Obyek diturunkan bertahap sesuai jarak tiap 30 cm hingga 30 kali (9m).

• Tiap jarak dilakukan pemotretan 3 kali, juga jarak referensi 1 meter.

O

32

a) Pengukuran Kecerahan

Prosedur pengukuran tingkat kecerahan perairan dilakukan dengan ;

• menggunakan Secchi Disk berwarna putih, berdiameter 30 cm yang

diikatkan dengan tali yang diberi penanda setiap jeda jarak 30 cm.

• secchi disk kemudian dimasukan ke dalam laut secara perlahan hingga

bentuk dan warna tidak lagi tampak pada kedalaman tertentu sebagaimana

kondisi perairan saat itu dan jarak dicatat.

• Setelah itu secchi disk kemudian ditarik kembali perlahan hingga bentuk

dan warna terlihat jelas dan pada jarak tersebut penarikan dihentikan,

kemudian dilakukan pencatatan jarak kedalaman sebagai persentase

kecerahan dengan melakukan perbandingan terhadap persentase

sebagaimana butir dua.

b) Bathymetri

Hubungannya dengan penggunaan data kedalaman untuk kuantifikasi luasan

area sapuan (FOV), ukuran lifeform target juga visualisasi pola tiga dimensi

lokasi penelitian sebagai data penunjang, maka digunakan GPSmap Sounder C170

Portable, dengan tranducer single beam yang telah terinstalasi pada WPBA, untuk

mendeteksi kedalaman perairan secara stasioner untuk titik sampling citra lifeform

dan pemantauan, pengukuran bathymetri lokasi dengan melakukan towing WPBA

secara Cruise Track Transek Paralel.

c) Geo-positioning

Akurasi data yang berhubungan dengan kebenaran tentang keberadaan

lifeform, titik kedalamannya serta penentuan posisi koordinat lokasi sebagai data

yang saling terkait dengan data kedalaman dalam format XYZ adalah sangat

penting untuk dilakukan, dimana pengambilan data ini dilakukan secara

bersamaan data bathymetry, dengan menggunakan GPSmap Sounder C170

Portable yang telah terinstalasi termasuk receiver pada WPBA

33

3.3.2.2. Teknik Pengambilan Data Citra

Pekerjaan pengambilan data lapangan mulai dilakukan, setelah terlebih

dahulu dilakukan towing zig-zag wahana (cruise track) di area penelitian untuk

mendapatkan posisi yang ideal, dengan memperhitungkan situasi dan kondisi

nyata habitat karang, faktor oseanografis, cuaca, serta kemungkinan lain yang

berpeluang mengganggu tingkat akurasi, efisiensi juga efektifitas pekerjaan yang

mau dilakukan. Kemudian citra karang diperoleh dengan melakukan pemotretan

terhadap beberapa jenis life form karang dari arah vertical (atas) dengan titik dan

jarak yang ditentukan dimana pengambilan data dilakukan berulang-ulang, dengan

asumsi bahwa setiap perubahan situasi akan mempengaruhi citra, sehingga akan

didapatkan data citra dalam jumlah banyak namun berbeda-beda terhadap setiap

lifeform karang. Jumlah lifeform yang menjadi target pengambilan data adalah

tiga lifeform yang masing masing berjumlah 3000 data citra, sehingga total citra

yang dihasilkan berjumlah 9000 data citra.

Pelaksanaan aktifitas pemotretan dilangsungkan dengan memperhitungkan

waktu efektif dari penyinaran matahari dengan sudut terhadap permukaan laut

yang efektif menghasilkan iluminasi maksimum kedalam perairan yakni saat

sudut datang cahaya adalah 45° timur dari sumbu vertical tertinggi kuliminasi

matahari hingga sudut 45° barat setelah titik tertinggi kulminasi matahari.

Menurut Antony J.F (2005; 0TUwww.seafriends.org.nz/phgraph/water.htmU0T)

pada sudut penetrasi 45° terjadi reflektansi hanya sebesar 3.5% saja dan makin

kecil hingga menjadi 0% saat matahari tegak lurus (90°). Hal ini menjadikan

asumsi bahwa perbedaan besar-kecilnya sudut penetrasi cahaya matahari yang

masuk ke perairan akan memberikan dampak terhadap kecerahan laut yang

mempengaruhi resolusi serta gangguan fisis air pada citra yang diproleh akan

berbeda dari target atau jenis yang sama. (lihat skenario Gambar 8 - 10)

34

Z1

Z2

Z3

Lifeform 1

Lifeform 2

Lifeform 3

Gambar 8, Skenario pengambilan data citra pada ketiga lifeform.; ST I,II,III) Stasiun Wahana tiap lifeform. Z1;Z2;Z3; adalah Tinggi air yang bervariasi tergantung situasi lapang dan pasang-surut. L1) jarak garis pantai hingga lifeform 1 mengikuti kedalaman St1. L2) jarak lifeform(lf) 1 ke lf 2, L3) jarak lf 2 ke lf 3, bersifat fleksibel

Gambar 9, Skema towing Cruise track dilokasi penelitian; keterangan; B (Boat),

W(Wahana), LB(Light Beam), CB(Camera Beam), AB(Acoustic Beam), R(receiver), Z(kedalaman), AT(Arah Towing), DL(Dasar Laut), dan LF(lifeform).

Wahana> St I St II St III Pantai

L1 L2 L3

B

Z

W

R

LB

CB

AB

AT

LF DL

35

Gambar 10, Skema towing Cruise track model Systematic Parallel (Simmond and MacLennan, 2005,H 313) dilokasi penelitian; Garis hitam dengan arah panah menunjukan arah line track dengan kecepatan rata-rata 2 knot, persegi empat hitam menunjukan titik lifeform (lihat lampiran 5)

3.3.4. Metode Analisis

Secara utuh dari analisis yang dilakukan tentang bagaimana memunculkan

unit-unit metode analisis yang menghasilkan pemahaman tentang bagaimana

mengenali pola untuk identifikasi obyek sehingga akan tampak prosesi dari suatu

metode sidik jari yang berkenaan tujuan penelitian ini.

Untuk penelitian ini dibuat suatu alur analisis yang dimulai dari data, image

pre-processing, ekstraksi ciri atau deskriptor obyek yang kemudian akan dilatih, di

analisis dan disimpulkan secara statistik. Atas dasar tersebut maka dibagun sebuah

alur analisis sebagaimana tertera pada Gambar 11 dan dari beberapa acuan teoritis

tentang arsitektur JST Multi layer Perceptron Back Propagation yang telah

disebut di atas dan dengan mengacu pada Lieberman dan Wang (2004) maka

dirancang JST. Namun tentunya sebelum analisis-analisis yang berhubungan

dengan metode sidik jari dilakukan, terlebih dahulu perlu dikemukakan analisis-

analisis yang berhubungan dengan hasil rancang-bangun WPBA, sebagaimana

dituliskan secara berurutan berikut ini.

36

Gambar 11, Alur Analisis pada Arsitektur JST Multi Layer Perceptron Backpropagatin yang akan digunakan dalam penelitian ini.

3.3.4.1. Interpolasi dan Ekstraprolasi Kalibrasi Kamera

Untuk mendapatkan kuantifikasi dari hasil kalibrasi yang dilakukan untuk

menguji efektifitas kamera dalam menghasilkan citra yang diharapkan berkualitas

maka analisis statistik interpolasi dan ekstrapolasi digunakan untuk

menyimpulkan data yang diperoleh.

a) Interpolasi Kalibrasi Kamera

Apabila harga suatu f(x) ingin kita ketahui, tetapi x tidak terdapat dalam

tabel, tetapi masih dalam interval [x1,y1], maka harga f(x) tersebut dapat ditaksir

dengan f(x) yang diketahui disekitarnya, penaksiran ini disebut interpolasi.

Aproksimasi atau dikenal sebagai interpolasi. merupakan salah satu usaha untuk

menyajikan data berbentuk grafis menjadi kalimat matematis. Secara umum

Image Pre-Processing

Coral Descriptor

CB

AB

ACS

CE

MC

Input Features

Hidden Layer

Output

Classification

ANN / JST

Metode Sidik

37

aproksimasi harus mendapatkan suatu fungsi yang melewati semua titik yang

diketahui. Karena harus melewati semua titik yang ada, maka ada banyak fungsi

yang memenuhi, kecuali jika fungsi tersebut mempunyai syarat tertentu.

x = xi → f(xi) = yi ………………... (20)

Sedangkan secara khusus aproksimasi tidak mensyaratkan melewati semua titik.

Walaupun demikian solusi haruslah merupakan hasil terbaik mendekati semua

titik diketahui. Aproksimasi secara khusus lebih dikenal dengan istillah regresi.

x = xi → f(xi) ≈ yi ……………..…. (21)

• Interpolasi Linier

Jika terdapat dua titik misalanya titik P1 (x1,y1) dan P2 (x2,y2) sedangkan ada

titik Q(x,y) yang berada di antara dua titik tersebut, maka kita dapat

menentukan nilai koordinat pada titik Q, perhatikan grafik di bawah ini ;

Gambar 12, Grafik Pola Garis Linier (Rozak, 2010)

Dari kurva di atas maka kita dapat menentukan persamaan garis dengan

menggunakan persamaan;

y-yR1R/yR2R-yR1R = x-xR1R/xR2R-xR1R ….............………………..…. (22)

y-yR1R= (yR2R-yR1R/xR2R-xR1R) x-xR1R ……………………………….. (23)

y = (yR2R-yR1R/xR2R-xR1R) x – xR1R + yR1 R ……………………………(24)

sehingga dengan mengetahui nilai x yang ditentukan maka akan diperoleh

nilai y dengan mensubtitusi x ke dalam persamaan.

38

b) Ekstraprolasi Kalibrasi Kamera

Teknik ekstrapolasi digunakan untuk melakukan pendugaan adanya data

dengan memanfaatkan data yang ada. Teknik ekstrapolasi pada umumnya

digunakan untuk melakukan peramalan terhadap data di masa datang dengan

memanfaatkan data historis yang telah dimiliki (Hanke & Reitsch 1992).

Beberapa teknik ekstrapolasi yang telah digunakan secara luas antara lain: Rataan

Bergerak, Regresi Kuadratik dan Regresi Eksponensial.

Misalkan terdapat data yR

1R

, yR

2R

, …, yR

nR

, Metode Rataan Bergerak yang

digunakan untuk meramal data adalah suatu metode untuk menduga yR

n+i R

yang

merupakan rataan dari m buah data terakhir sampai data ke-n, dalam hal ini m <<

n (m jauh lebih kecil daripada n) atau dapat diformulasikan:

……………………….(25)

Nilai m dapat ditentukan secara bebas dengan catatan bahwa m buah data terakhir

dapat merepresentasikan kumpulan data terakhir yang dipakai sebagai dasar untuk

meramalkan data berikutnya. Semakin besar nilai m maka semakin besar pula

efek pemulusan datanya. Metode Rataan Bergerak ini dapat digunakan dengan

asumsi bahwa data yang digunakan bersifat stasioner dan tidak mengandung

trend, musiman atau siklus (Hanke & Reitsch 1992).

Teknik ekstrapolasi lainnya yang juga sering digunakan adalah dengan

menggunakan regresi. Regresi linear digunakan ketika dapat diketahui dari

eksplorasi data yang ada bahwa data hanya mengandung trend linear,

sedangkan jika pola data contoh diketahui tidak linear atau mengandung trend

yang tidak linear maka dapat digunakan regresi kuadratik atau regresi

eksponensial. Bentuk umum dari regresi kuadratik adalah:

+ γ , i = 1, 2, …., n ………………… (26) kemudian untuk mendapatkan nilai dugaan data ke-i berdasarkan nilai kRiR.

Selanjutnya nilai-nilai dugaan berikutnya (nilai hasil ekstrapolasi) didapatkan

dengan menghitung untuk ŷRiR yang bernilai (n+1) atau (n+2), dan seterusnya.

Jika berdasarkan hasil eksplorasi data ternyata memiliki pola data yang

mengandung asimtot maka dipertimbangkan regresi eksponensial dengan rumus:

39

atau ……………….. (27) untuk mendapatkan nilai dugaan ke-i berdasarkan nilai kRiR Selanjutnya nilai-nilai

dugaan berikutnya (nilai hasil ekstrapolasi) didapatkan dengan menghitung ŷRiR

untuk i yang bernilai (n+1) atau (n+2), dan seterusnya (Hanke & Reitsch 1992

dalam Setiawan M.A, 2008).

Untuk menganalisis data yang diperoleh pada penelitian ini digunakan

analisis trend non linier, dimana langkah-langkah dalam menganalisis data adalah

sebagai berikut:

a. Membuat ploting garis dari data deret jarak terhadap jumlah pixel pada

tabulasi dengan skala hitung dengan mengambil sumbu datar menyatakan

jarak dan sumbu tegak menyatakan jumlah pixel. Jika titik-titik nampak

terletak sekitar garis lurus, trend linier dapat ditentukan. Jika tidak, trend

tidak linier harus diambil.

b. Jika menunjukkan trend non linier lalu buat garis lengkungan yang

diperkirakan paling cocok dengan kedudukan titik-titik itu.

c. Untuk trend non linier kemudian ditentukan peramalan terhadap

kemampuan kamera untuk kualitas jarak pandang maksimum.

3.3.4.2. Analisis Kecenderungan Fisheye Effect Akibat Kecembungan Lensa

Kamera Tingkat kecembungan dari sebuah kamera merupakan standard yang

diberikan oleh pabrikan, namun dampak dari hal tersebut menyebabkan sebuah

obyek akan berubah-ubah ukurannya jika berada pada posisi yang berbeda-beda

terhadap axis kamera. Kenampakan penglihatan sebagaimana akibat

kecembungan lensa kamera ini merupakan kemiripan penglihatan kita seperti

pantulan penglihatan mata ikan. Sehingga disebut sebagai efek mata ikan pada

kamera (Camera Fish Eye Effect). Pengukuran FEE lensa kamera yang digunakan

pada penelitian ini dilakukan dengan cara mengambil beberapa sampel gambar

dari citra yang telah diperoleh sebagai sampel;

1. dengan posisi sejajar axis,

2. 50% dari axis ke tepi searah horisintal

3. 100% dari axis ke tepi searah horizontal

40

4. 50% dari axis ke tepi searah vertikal

5. 100% dari axis ke tepi searah horizontal

6. 50% dari axis ke tepi searah diagonal

7. 100% dari axis ke tepi searah diagonal

Berdasarkan data yang diambil dari ketujuh posisi tersebut (lihar gambar

13) maka akan di analisis nilai-nilai deskriptor geometrik-nya, yang kemudian

dihitung nilai rata-rata rasio perubahan berhuhubungan dengan beda posisi

tersebut.

Gambar 13, Skema kerja dan analisis Fisheye Effect pada kamera yang digunakan pada penelitian sebagaimana prosedur 1 sampai 7.

3.3.4.3. Ekstraksi Deskriptor Citra Jenis Karang

Setelah image pre-processing dilakukan kemudian ekstraksi data deskriptor

dilakukan dan dikelompokan dalam dua proses, hal ini didasarkan atas bagaimana

proses fisis dari deskriptor itu bisa muncul dan berada pada sebuah obyek yang

nantinya menjadi data input (Xn) pada pelatihan jaringan syaraf tiruan yang

digunakan nanti.

a) Deskriptor Geometrik

Setiap benda adalah sesuatu bentuk yang memiliki keruangan tiga dimensi

(XYZ), ketika unsur keruangan tersebut tercuplik kedalam sebuah citra sebagai

dua dimensi (XY), maka yang akan tampak adalah benda dengan geometris;

41

panjang, lebar, serta kelilingngnya disertai kecenderungan-kecenderungan

fisisnya. Berdasarkan hal tersebut maka benda dikuantifikasi ukurannya dengan

konversi kedalam ukuran jumlah pixel yang memenuhi keruangan dua dimensi

benda tersebut. (lihat Gambar 14)

Gambar 14, Metode Deteksi Tepi dan Ujung Obyek (Sriyasa, 2003)

Penggunaan perangkat lunak citra, untuk ekstraksi data deskriptor lifeform

karang berdasarkan situasi fisis dari citra yang diperoleh dilakukan setelah pre-

processing terhadap citra tersebut, dengan menghitung area dan perimeter,

panjang dan lebar sebagai deskriptor geometrik sebagaimana berikut;

X1 = Area (A)

X2 = Perimeter (P)

X3 = Lebar (W)

X4 = Panjang (L)

X5 = Elongation (Elong = L/W)

X6 = Circularity (Circ = P/4ΠA)

X7 = Rectangular (Rect = P*L/A)

Data deskriptor X1, X2, X3 dan X4 dapat di ekstrak langsung namun X5,

X6 dan X7 harus dihitung terlebih dahulu karena merupakan deskriptor turunan

Pixcel (X,Yatas)

Awal deteksi

Pixcel (Xkiri,Y)

Pixcel (X,Ybawah) Pixcel (Xkanan,Y)

Akhir deteksi

42

dari keempat deskriptor lainya. Kemudian dengan scater plot, dilakukan analisis

hubungan trend data ke tujuh deskriptor terhadap perubahan jarak kedalaman.

b) Deskriptor Energetik

Citra merupakan suatu fungsi intensitas dala bidang dua dimensi. Intensitas

berrasal dari sumber cahaya, adalah sebuah bentuk energi. Fungsi intensitas

berada pada; 0 < f(x , y)< ∞ dimana fungsi intensitas merupakan fungsi sumber

cahaya yang menerangi obyek serta cahaya yang dipantulkan obyek yang ditulis

sebagai; 0 < I (x,y) < ∞ (iluminasi sumber cahaya), sedangkan 0 < r(x,y) < 1

(koefisien pantul obyek). Fungsi intensitas pada suatu titik (x,y) disebut derajat

keabuan atau gray level (l), dengan l terletak diantara ; LRminR ≤ 1 ≤ LRmaxR (Wijaya

dan Priyono, 2007).

Dengan menggunakan perangkat lunak Photosop, ekstraksi nilai Red Green

Blue (RGB) diambil sebagai informasi fungsi intensitas energi yang direfleksikan

lifeform dalam spektrum warna. Data ini di ambil untuk mendeskripsikan ciri

lifeform karang secara energetik, diantaranya;

X8 = Indeks warna merah (IRredR = R/(R+G+B))

X9 = Indeks warna hijau (IRgreenR = G/(R+G+B))

X10 = Indeks warna biru (IRblueR = B/(R+G+B))

X11 = Indeks warna kuning (IRyelowR = Y/(C+M+Y))

X12 = Intensitas (I = (R+G+B)/3)

X13 = Hue (Cos Hu = (2R-G-B)/(2√2(R+G)+(R+B)+(R+G))

X14 = Saturation (S = I – 3/(R+G+B)-(RGB)

3.3.4.4. Jaringan Syaraf Tiruan Yang Digunakan

JST Perambatan Balik merupakan salah satu model JST yang popular dan

ampuh. JST ini menggunakan arsitektur yang mirip dengan arsitektur JST Multi

Layer Perceptron (yang memiliki satu atau lebih lapisan tersembunyi diantara

lapisan masukan dan lapisan keluaran, sebagaimana Gambar 15). JST perambatan

balik menggunakan metode pembelajaran terawasi (supervised training) (Rich

dan Knight, 2001).

43

JST perambatan balik tidak memiliki hubungan umpan balik (feedback),

artinya suatu lapisan (layer) tidak memiliki hubungan dengan lapisan sebelumnya

sehingga bersifat umpan maju (feedforward), namun galat yang diperoleh

diumpankan kembali ke lapisan sebelumnya selama proses pelatihan, kemudian

dilakukan penyesuaian bobot seperti pada Gambar 4 merupakan arsitektur JST

perambatan balik dengan satu lapisan input (unit-unit XRiR), satu lapisan

tersembunyi (unit HRiR) dan satu lapisan output (unit-unit ORiR). Neuron-neuron pada

lapisan yang sama tidak saling berhubungan, tetapi pada lapisan yang berbeda

saling berhubungan (fully interconnected). Lapisan input berfungsi untuk

meneruskan input dan tidak melakukan komputasi, sedangkan lapisan

tersembunyi dan lapisan output melakukan komputasi. Pada Gambar 15

menjelaskan fungsi aktivasi yang berlaku sebagaimana Gambar 4.

Gambar 15, Jaringan Syaraf Tiruan menurut Kusumadewi, 2003.

Hasil ekstraksi deskriptor kemudian dimasukan kedalam jaringan syaraf

tiruan yang dibangun (Gambar 15). (Hasil diskusi dengan Indra Jaya,

pengembangan deskriptor dari; M. Ikbal 2005)

ω1

ω2

ω3

x

x

x

X f(x) Y = f(X)

Input Output

Nilai Bobot Nilai Bobot

44

Gambar 16, Model Jaringan Syaraf Tiruan yang Dikembangkan berdasarkan data

deskriptor yang digunakan.

Umumnya, neuron-neuron yang terletak pada lapisan yang sama akan

memiliki keadaan yang sama. Faktor terpenting dalam menentukan perilaku suatu

neuron adalah fungsi aktivasi dan pola bobotnya. Pada lapisan yang sama,

neuron-neuron akan memiliki aktivasi yang sama. Menurut Rich dan Knight

(2001) algoritma yang dipakai JST perambatan balik adalah sebagai berikut :

1) Tentukan Matrik XRAR sebagian lapisan input, vector ORCR sebagai lapisan

output dengan c sebagai banyak unit neuronnya, dan matrik HRBR sebagai

lapisan terselubung dengan B unit neuron. Tingkat aktivasi masing-masing

lapisan adalah;

- XRiR sebagai tingkat aktivasi pada lapisan input

- HRiR sebagai tingkat aktivasi pada lapisan terselubung

- ORkR sebagai tingkat aktivasi pada lapisan output

Normalisasi nilai input XRAR dan target YRKR dalam selang [0..1]

2) Bobot yang menghubungkan masing-masing layer adalah:

Input Layer

Hidden Layer

Hidden Layer 2 Hidden Layer 3

Output Layer

[1 0]

Hj5

Hj4

Hj3

Hj2

Hj1

1

Hj28

Hj9

Hj8

Hj7

Hj6

Hk5

Hk4

Hk3

Hk2

Hk1

1

Hk28

Hk9

Hk8

Hk7

Hk6

Hi5

Hi4

Hi3

Hi2

Hi1

1

Hi28

Hi9

Hi8

Hi7

Hi6

X14

X5

X4

X3

X2

X1

1

45

- WRij,R merupakan bobot yang menghubungkan lapisan lapisan input dengan

lapisan terselubung.

- Vjk, merupakan bobot ynag menghubungkan lapisan terselubung dengan

keluaran.

Tiap-tiap bobot harus bernilai acak dengan nilai antara -1 dan 1.

3) Inisialisasi aktivasi unit ambang, dimana nilai unit ini bersifat tetap dan

tidak berubah, yaitu:

- XR0R = 1.0 - HR0R = 1.0

4) Perambatan nilai aktivasi mulai dari unit-unit lapisan input ke unit-unit

lapisan terselubung dengan menggunakan fungsi aktivasi:

………………..(28)

dimana : XR0R = selalu bernilai 1 (satu) W0j = merupakan bobot ambang (threshold) untuk unit ke-j lapisan

terselubung

5) Lakukan perambatan aktivasi dari unit-unit lapisan terselubung ke unit-unit

lapisan output dengan fungsi aktivasi :

………………….(29)

dimana : HR0R = selalu bernilai 1 (satu)

VR0kR = merupakan bobot threshold unit ke-k lapisan output

6) Hitung besar error (δk) keluaran yang dihasilkan oleh lapisan output. Error

merupakan selisih antara output actual network (ORkR) dengan target (yRkR).

…….……….(30)

7) Hitung besar error (δRjR) unit-unit neuron pada lapisan terselubung sebagai

berikut: ………………….(31)

8) Sesuaikan bobot unit-unit neuron antara lapisan terselubung dengan lapisan

output dengan memberikan nilai learning rate (β) yang menentukan

kecepatan jaringan untuk melakukan training.

ΔvRjkR = βδRkRHRj R…….………………………………..(32)

Vjk = vRjkR + βδRkRHRj R……………………………………..(33)

dimana j = 0, ….,B dan k = 1,…., C

46

9) Sesuaikan bobot unit-unit neuron antara lapisan input dengan lapisan

terselubung ΔwRjkR = βδxRi R....……………….…………………..(34)

WRjkR = wRjkR + βδxRi R………………………………………(35)

dimana I = 0,…., A dan j = 1,….B

10) Kembali ke langkah 4 dan ulangi sampai dengan langkah 10, proses

dihentikan sampai dengan ORkR mendekati yRkR, dengan menentukan nilai

E < 0.0001.

Dari kedua hasil analisis data, baik dari laboratorium maupun dari data

lapang tersebut masing-masing akan memiliki nilai error tertentu. Sehingga dari

kedua kelompok nilai error (SSE) hasil pelatihan terhadap masing-masing

kesepuluh jenis karang tersebut anak dilakukan analisis Statistik untuk

membandingkan korelasi dan error yang terbaik yang dapat dipakai sebagai

indikator pembuktian kebenaran serta kesimpulan terhadap proses yang dilakukan.

Sementara data yang tersimpan sebagai data base pada jaringan syaraf tiruan

ini akan digunakan sebagai data base untuk mengenali jenis karang yang dilatih

datanya agar memudahkan secara cepat dan tepat penentuan jenis life form

karang.

47

3.3.4.5. Flow Chart Penelitian

Pada Gambar 17 ditunjukan diagram alir keseluruhan rangkaian penelitian

yang telah dilakukan.

Gambar 17, Bagan Alir (flow chart) Metode Penelitian

KECERAHAN

GEO’POSITION

BATHYMETRI

DATA PENUNJANG

TAHAP 1

TAHAP 2

MULAI

POTRET LIFE FORM

KARANG

DATA CITRA KARANG

PRE-PROCESSING

CITRA

RANCANG BANGUN WAHANA

UJI WAHANA

KALIBRASI DAN KOREKSI

KAMERA

POTRET TARGET

HEXAGON

DATA CITRA

PANGGIL CITRA

BACA CITRA SECARA

SISTEMATIS

ENHANCED CONTRAST

HISTOGRAM EQUALIZED

EXTRAKSI CIRI GEOMETRIK

EXTRAKSI CIRI ENERGETIK

ULANG PROSES SESUAI DATA

SIMPAN DATA SIDIKJARI/DESKRIPTOR OBYEK

DATA BASE *db ANALISIS DATA OUTPUT

SIMPULAN

INPUT DESKRIPTOR

AKTIVASI / PELATIHAN & PENGUJIAN

ITERASI + PROPAGASI MAJU

DAN BALIK

OUTPUT SSE

BERHENTI JIKA TIDAK ADA DATA

PERULANGAN JIKA MASIH ADA DATA