Upload
duongnguyet
View
229
Download
0
Embed Size (px)
Citation preview
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