PENGENALAN GENUS DIATOM MENGGUNAKAN PRINCIPAL … · Struktur JST Backpropagation ... 3. Contoh citra diatom asli berukuran 2560 x 1920 piksel. ... Lampiran 1 Algoritma p. elatihan

1

PENGENALAN GENUS DIATOM MENGGUNAKAN

PRINCIPAL COMPONENT ANALYSIS DAN

JARINGAN SYARAF TIRUAN BACKPROPAGATION

SEBAGAI CLASSIFIER

SILVIA RAHMI

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

INSTITUT PERTANIAN BOGOR

BOGOR

2012

PENGENALAN GENUS DIATOM MENGGUNAKAN

PRINCIPAL COMPONENT ANALYSIS DAN

JARINGAN SYARAF TIRUAN BACKPROPAGATION

SEBAGAI CLASSIFIER

SILVIA RAHMI

G64104036

Skripsi

Sebagai salah satu syarat untuk memperoleh gelar

Sarjana Komputer pada

Departemen Ilmu Komputer

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

INSTITUT PERTANIAN BOGOR

BOGOR

2012

ABSTRACT

SILVIA RAHMI. Identification of the Diatoms Genus Using Principal Component Analysis and

Backpropagation Neural Network as Classifier. Supervised by TOTO HARYANTO and NIKEN

T.M PRATIWI.

Diatoms are unicellular algae which have a size between 2 μm and 4 mm. Their importance

resides in the fact that they can be used in several research and scientific fields. For instance, they

can be used to measure sediment pH, medicinal, as water quality indicators, etc. The recognition

and identification of diatoms is a tedious work. This classification process is complicated even for

the experts, because there are hundreds of different taxa with many variations in shapes and

biological characteristics. This research apply Principal Component Analysis (PCA) for data

reduction and Artificial Neural Network (ANN) to identify some kind of diatoms. The proportion of PCA are used in this research is 80% and 90%. This proportion is considered to replace the

original data without much loss of information. Backpropagation ANN that used is a single hidden

layer. The data used in this study is a JPG image of diatom sampling using electric microscope

taken from Biomikro Laboratory, The productivity and Water Environment, Department of Water

Resources Management, Faculty of Fisheries and Marine Science, Bogor Agricultural University.

All images are divide using two scenarios percentage. The first scenario divide 60% for training

data and 40% for testing data, while the second percentage is 80% for training data and 20% of

testing data. As result, ANN can be used to identify diatoms. The results showed that the best

generalization rate of 90% was obtained in an experiment using 90% PCA proportion with 80% of

training data and 20% of testing data.

Keywords : artificial neural network, backpropagation, diatom, principal component analysis

Judul : Pengenalan Genus Diatom Menggunakan Principal Component Analysis

dan Jaringan Syaraf Tiruan Backpropagation sebagai Classifier

Nama : Silvia Rahmi

NRP : G64104036

Menyetujui:

Pembimbing I Pembimbing II

Toto Haryanto, S.Kom., M.Si. Dr. Ir. Niken T.M. Pratiwi, M.Si.

NIP 19680111 1992 3 2 002

Mengetahui :

Ketua Departemen Ilmu Komputer

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

NIP 19660702 1993 2 1 001

Tanggal Lulus :

5

PRAKATA

Alhamdulillahi Rabbil „alamin, puji syukur penulis panjatkan kepada Allah Subhanahu wa

Ta’ala atas berkat taufiq, hidayah, serta innayyah-Nya sehingga tugas akhir dengan judul

Pengenalan Genus Diatom (Bacillariophyceae) Menggunakan Principal Component Analysis

dan Jaringan Syaraf Tiruan Backpropagation sebagai Classifier dapat diselesaikan. Penelitian ini

dilaksanakan mulai Agustus 2012 hingga Desember 2012, bertempat di Departemen Ilmu

Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam dan Laboratorium Biomikro, Bagian

Produktivitas dan Lingkungan Perairan, Departemen Manajemen Sumber Daya Perairan, Fakultas

Perikanan dan Ilmu Kelautan, Institut Pertanian Bogor. .

Penulis juga menyampaikan ucapan terima kasih kepada:

1. Orang tua tercinta, Bapak Masri, S.Pd dan Ibu Nurjanis, S.Pd.I yang telah memberikan do‟a,

kasih sayang, dan dukungan baik moril maupun materil kepada penulis,

2. Suami tercinta Asep Mugia Raharjo, S.Pi yang senantiasa memberikan semangat kepada

penulis.

3. Toto Haryanto, S.Kom., M.Si. dan Dr. Ir. Niken T.M. Pratiwi, M.Si. selaku dosen

pembimbing yang telah memberikan arahan dan bimbingan dengan sabar kepada penulis

dalam menyelesaikan penelitian ini,

4. Aziz Kustiyo, S.Si., M.Kom. dan Muhammad Ashyar Agmalaro, S.Si., M.Kom. selaku dosen

penguji,

5. Seluruh pihak yang turut membantu dalam penyelesaian penelitian ini.

Penulis menyadari bahwa masih terdapat kekurangan dalam penulisan skripsi ini. Semoga

skripsi ini bermanfaat.

Bogor, Desember 2012

Silvia Rahmi

RIWAYAT HIDUP

Penulis dilahirkan pada tanggal 27 September 1989 di Padang Bukit, Pariaman. Penulis

merupakan anak kedua dari lima bersaudara dari pasangan Masri, S.Pd dan Nurjanis, S.Pd.I.

Pada tahun 2007 Penulis lulus dari SMAN 1 Lubuk Alung, Pariaman. Pada tahun yang sama,

Penulis lulus seleksi masuk IPB melalui Undangan Seleksi Masuk IPB. Pada tahun 2010, Penulis

lulus dari Program Diploma Manajemen Informatika, Institut Pertanian Bogor. Pada tahun yang

sama, Penulis melanjutkan program studi sarjana di Departemen Ilmu Komputer, Institut Pertanian

Bogor pada Program Studi Ilmu Komputer. Penulis bekerja sebagai staf pengajar pada bimbingan

pelajar Bintang Pelajar sejak Maret 2011 hingga November 2012. Tahun 2012 penulis diterima

sebagai CPNS pada Badan Pusat Statistik di Kabupaten Cirebon.

i

v

DAFTAR ISI

DAFTAR TABEL ......................................................................................................................vi

DAFTAR GAMBAR ..................................................................................................................vi

DAFTAR LAMPIRAN ............................................................................................................. vii

Latar Belakang ........................................................................................................................1

Tujuan ....................................................................................................................................1

Ruang Lingkup .......................................................................................................................1

Manfaat ..................................................................................................................................1

Diatom ....................................................................................................................................1

Citra Digital ............................................................................................................................2

Principal Component Analysis (PCA) ......................................................................................3

Jaringan Syaraf Tiruan Backpropagation .................................................................................4

Data Penelitian ........................................................................................................................5

Proses Pengenalan Diatom ......................................................................................................6

Struktur JST Backpropagation .................................................................................................7

Parameter Pengenalan Diatom menggunakan JST Backpropagation .........................................7

Lingkungan Pengembangan .....................................................................................................8

Percobaan 1 : PCA proporsi 80% dengan pembagian data latih 60% dan data uji 40% ..............8

Percobaan 2 : PCA proporsi 90% dengan pembagian data latih 60% dan data uji 40% ..............9

Percobaan 3 : PCA proporsi 80% dengan pembagian data latih 80% dan data uji 20% ............ 11

Percobaan 4 : PCA proporsi 90% dengan pembagian data latih 80% dan data uji 20% ............ 12

Perbandingan Empat Percobaan ............................................................................................. 13

Analisis Error ....................................................................................................................... 14

Kesimpulan ........................................................................................................................... 16

Saran .................................................................................................................................... 16

DAFTAR PUSTAKA ................................................................................................................ 16

LAMPIRAN .............................................................................................................................. 18

DAFTAR TABEL

1. Rincian genus diatom yang digunakan dalam penelitian. ........................................................ 5 2. Struktur JST Backpropagation. .............................................................................................. 7 3. Kelas target JST Backpropagation......................................................................................... 7 4. Akurasi maksimum Percobaan 1............................................................................................ 9 5. Akurasi maksimum Percobaan 2 ......................................................................................... 10 6. Akurasi maksimum ketiga toleransi kesalahan pada Percobaan 3. ........................................ 12 7. Akurasi maksimum ketiga toleransi kesalahan pada Percobaan 4. ........................................ 13 8. Akurasi maksimum empat percobaan. ................................................................................. 14 9. Waktu pelatihan untuk akurasi maksimum empat percobaan. ............................................... 14

10. Jumlah epoch untuk akurasi maksimum empat percobaan. ................................................... 14 11. Kelas citra dengan akurasi rendah........................................................................................ 16

DAFTAR GAMBAR

1. Citra diatom pennales (kiri) dan centrales (kanan) (Botes 2003). ............................................ 2 2. Arsitektur JST Backpropagation ............................................................................................ 4 3. Contoh citra diatom asli berukuran 2560 x 1920 piksel. ......................................................... 6 4. Contoh citra hasil kroping berukuran 1127 x 1097 piksel. ...................................................... 6 5. Contoh citra hasil resize (60 x 60 piksel). .............................................................................. 6 6. Tahapan Proses Pengenalan Diatom dengan JST Backpropagation. ....................................... 7 7. Generalisasi Percobaan 1 dengan toleransi galat 10-2. ............................................................. 8 8. Generalisasi Percobaan 1 dengan toleransi galat 10-3. ............................................................. 8 9. Generalisasi percobaan 1 untuk toleransi galat 10-4

. ............................................................... 9 10. Waktu pelatihan untuk akurasi maksimum Percobaan 1. ........................................................ 9 11. Jumlah epoch pelatihan untuk akurasi maksimum Percobaan 1. ............................................. 9 12. Generalisasi Percobaan 2 dengan toleransi galat 10-2. ........................................................... 10 13. Generalisasi Percobaan 2 dengan toleransi galat 10-3. ........................................................... 10 14. Generalisasi Percobaan 2 dengan toleransi galat 10-4 . .......................................................... 10 15. Waktu pelatihan untuk akurasi maksimum Percobaan 2. ...................................................... 10 16. Jumlah epoch untuk akurasi maksimum Percobaan 2. .......................................................... 11 17. Generalisasi percobaan 3 untuk toleransi galat 10-2. ............................................................. 11 18. Generalisasi Percobaan 3 dengan toleransi galat 10-3. ........................................................... 11 19. Generalisasi Percobaan 3 dengan toleransi galat 10-4. ........................................................... 11 20. Waktu pelatihan untuk akurasi maksimum Percobaan 3. ...................................................... 12 21. Jumlah epoch untuk akurasi maksimum Percobaan 3. .......................................................... 12 22. Generalisasi Percobaan 4 untuk toleransi galat 10-2. ............................................................. 12 23. Generalisasi Percobaan 4 dengan toleransi galat 10-3. ........................................................... 13 24. Generalisasi Percobaan 4 dengan toleransi galat 10-4. ........................................................... 13 25. Waktu pelatihan untuk akurasi maksimum Percobaan 4. ...................................................... 13 26. Jumlah epoch untuk akurasi maksimum Percobaan 4. .......................................................... 13 27. Perbandingan akurasi per genus diatom (a) Percobaan 1, (b) Percobaan 2, (c) Percobaan 3, (4)

Percobaan 4. ....................................................................................................................... 15 28. Kelas citra dengan akurasi tinggi ......................................................................................... 15 29. Citra dengan akurasi rendah (a) Kelas 1, (b) Kelas 3, (c) Kelas 5, (d) Kelas 8, (e) Kelas 10. . 15

DAFTAR LAMPIRAN

Lampiran 1 Algoritma pelatihan laju pemahaman variabel Jaringan Syaraf Tiruan

Backpropagation (traingdx) .................................................................................................. 19

Lampiran 2 Hasil pelatihan dan pengujian percobaan 1 ........................................................... 21

Lampiran 3 Hasil pelatihan dan pengujian percobaan 2 .......................................................... 22



Lampiran 6 Confusion Matrix Akurasi Terendah Empat Percobaan ........................................ 26

1

PENDAHULUAN

Latar Belakang

Diatom (Bacillariophyceae) merupakan

suatu mikroalgae uniselular (kadang

berkoloni) dengan ukuran berkisar antara

2 μ-m sampai 4 mm. Diatom dapat

ditemukan di ekosistem perairan tawar

maupun ekosistem laut dan secara umum

hidup pada tempat yang lembab. Diatom

mempunyai peranan penting dalam dunia

riset dan penelitian. Peranan tersebut di antaranya sebagai indikator kualitas air,

untuk pembuatan kapsul obat dan penentuan

umur fosil (Cristobal et al. 2004).

Diatom merupakan tumbuhan

mikroskopis yang merupakan tumpuan hidup

(langsung atau tak langsung) bagi sebagian

besar biota laut. Distribusi plankton diatom

bervariasi secara temporal (bergantung

waktu) dan spasial (menurut ruang), yang

banyak ditentukan oleh faktor-faktor

lingkungan yang mempengaruhinya. Sebaran horizontal, misalnya, banyak ditentukan oleh

suhu, salinitas, dan arus (Nontji 2008).

Struktur sel diatom berbeda dari algae

lainnya karena diatom memiliki cangkang

yang terbuat dari silika yang disebut frustul,

yang terdiri dari dua bagian.

Karakteristiknya dijadikan sebagai kunci

identifikasi diatom. Identifikasi diatom

biasanya dilakukan secara manual dengan

membandingkan pengamatan melalui

mikroskop dengan gambar diatom yang terdapat pada buku identifikasi (Tomas

1997). Hal ini cukup rumit dan

membutuhkan waktu. Diatom memiliki

ratusan taxa (nama yang diberikan kepada

sekelompok taksonom dalam sistem

nomenklatur) dengan banyak variasi bentuk

dan karakteristik biologis yang menyebabkan

proses identifikasinya tidak mudah bahkan

bagi seorang pakar (Cristobal et al. 2004).

Oleh karena itu pada penelitian ini

dikembangkan pemodelan identifikasi diatom

berbasiskan citra digital untuk memudahkan dan mengidentifikasi diatom secara otomatis

dan cepat.

Penelitian sebelumnya dengan objek yang

berbeda (Budiman 2008) menggunakan

Jaringan Syaraf Tiruan (JST)

Backpropagation sebagai teknik identifikasi

spesies Nematoda Puru Akar melalui

karakteristik morfologi ekor, dengan Analisis

Komponen Utama (Principal Component

Analysis) /PCA sebagai metode ekstraksi ciri

menghasilkan akurasi sebesar 88,3 %.

Berdasarkan hasil akurasi yang baik pada

penelitian sebelumnya, penelitian ini

dilakukan menggunakan metode penelitian

yang sama, yaitu JST Backpropagation dan

ekstraksi ciri PCA untuk identifikasi genus

diatom.

Tujuan

Tujuan penelitian ini adalah menerapkan

teknik ekstraksi ciri Principal Component

Analysis (PCA) dan metode klasifikasi (classifier) Jaringan Syaraf Tiruan (JST)

Backpropagation untuk identifikasi beberapa

genus diatom.

Ruang Lingkup

1. Data citra diatom yang digunakan pada

penelitian ini adalah citra digital

berformat JPG, hasil sampling

menggunakan mikroskop elektrik yang

diambil dari Laboratorium Biomikro,

Bagian Produktivitas dan Lingkungan

Perairan, Departemen Manajemen Sumber Daya Perairan, Fakultas

Perikanan dan Ilmu Kelautan, Institut

Pertanian Bogor.

2. Citra yang dipakai merupakan citra

diatom ordo Centrales yang terdiri dari 2

subordo dan ordo Pennales yang terdiri

dari 2 subordo.

Manfaat

Diharapkan terbangun suatu model

pengenalan diatom yang dapat membantu dan mempermudah dalam proses identifikasi

beberapa genus dari enam famili diatom.

TINJAUAN PUSTAKA

Diatom

Diatom merupakan fitoplankton yang

termasuk dalam kelas Bacillariophyceae.

Kelompok ini merupakan komponen

fitoplankton yang paling umum dijumpai di

laut. Diatom diberi julukan sebagai “jewel of

the sea” atau permata dari laut, karena selain kehadirannya yang sangat umum, kerangka

dinding selnya mengandung silika, bahan

bagaikan kaca, yang kaya dengan berbagai

variasi bentuk yang menawan dengan simetri

yang indah.

2

Jumlah jenis diatom lebih kurang 100.000

(Tomas 1997). Diatom terbagi atas dua ordo,

yaitu ordo Centrales (lebih popular disebut

centric diatom) dan Pennales (pennate

diatom). Diatom sentrik (centric) bercirikan

bentuk sel yang mempunyai simetri radial

atau konsentrik tanpa kutub, satu kutub, dan

dua kutub. Selnya bisa berbentuk bulat,

lonjong, silindris, dengan penampang bulat,

segitiga atau segi empat. Sebaliknya diatom

penat (pennate) mempunyai simetri bilateral yang bentuk umumnya memanjang, atau

berbentuk sigmoid seperti huruf “S”. Pada

sebagian sel diatom penat terdapat jalur

tengah yang disebut raphe (raphid); sebagian

yang lain tidak memiliki struktur ini

(araphid).

Sel kerangka silika diatom disebut frustul (frustule). Di dalam frustul terdapat

sitoplasma yang mengandung inti sel dan

vakuola yang besar. Diatom dapat hidup

sebagai individu sel tunggal yang soliter, atau

terhubung dengan sel lainnya membentuk

koloni bagaikan rantai, dengan rangkaian

antarsel yang bervariasi menurut jenis (Nontji

2008). Tomas (1997) membagi Diatom

Centrales dan Pennales ke dalam beberapa

subordo sebagai berikut.

1. Diatom Centrales (Ordo Biddulphiales)

Ornamental frustul tersusun menuju satu

titik, sebuah annulus atau areola pusat.

Terdiri dari 3 subordo berdasarkan

keberadaan pusat ornamentasi.

a. Subordo Coscinodisceae

Cangkang umumnya memiliki tonjolan

cincin marjinal dan simetri tanpa pusat

(apolar).

Famili Thalassiosiraceae

Famili Melosiraceae

Famili Leptocylindraceae

Famili Coscinodisceae

Famili Stellarimaceae

Famili Hemidiscaceae

Famili Asterolampraceae

b. Subordo Rhizosoleniineae

Cangkang unipolar tanpa tonjolan cincin

marjinal. Subordo ini terdiri dari famili

Rhizosoleniaceae.

c. Subordo Biddulphianeae

Cangkang bipolar tanpa tonjolan cincin

marjinal.

Famili Hemiaulaceae

Famili Cymatosiraceae

Famili Chaetocerotaceae

Famili Lithodesmiaceae

Famili Eupodiscaceae

2. Diatom Pennales (Ordo Bacillares)

Ornamental frustul tersusun menuju sebuah garis. Diatom pennales terdiri dari 2

subordo.

a. Subordo Fragillariineae

Merupakan diatom pennales araphid. Sel

berkumpul mmbentuk seperti bintang,

rantai spiral, pita, atau zigzag.

Famili Fragillariaceae

Famili Rhaphoneidaceae

Famili Taxoriaceae

Famili Thalassionemataceae

b. Subordo Bacillariineae

Merupakan diatom pennales raphid.

Semua jenis diatom ini diidentifikasi

hanya berdasarkan rafe yang dimilikinya.

Famili Achnanthaceae

Famili Phaeodactylaceae

Famili Naviculaceae

Famili Bacillariaceae

Famili Surirelaceae

Contoh citra diatom centrales dan

pennales ditunjukkan pada Gambar 1.

Gambar 1 Contoh citra diatom pennales

(kiri) dan centrales (kanan)

Citra Digital

Pengenalan genus diatom dapat dilakukan salah satunya dengan pengolahan citra

digital. Citra digital adalah citra yang

tersimpan dalam media digital. Citra digital

merupakan fungsi intensitas cahaya dua

dimensi f(x,y), x dan y menunjukkan

koordinat spasial, dan nilai f pada setiap titik

(x,y) adalah kecerahan citra pada titik

tersebut. Reperesentasinya ditunjukkan pada

Persamaan 1 (Gonzales dan Woods 2002).

)1,1()1,1()0,1(

)1,1()1,1()0,1(

)1,0()1,0()0,0(

),(

NMfMfMf

Nfff

Nfff

yxf

[1]

3

Representasi citra digital dapat berupa

citra dalam skala keabuan (grayscale) dengan

format 8-bit dan citra berwarna dengan

format 24-bit. Citra dalam skala keabuan

memiliki 256 tingkat keabuan atau intensitas

warna. Nilai tersebut berkisar antara 0 sampai

dengan 255. Nilai 0 menunjukkan tingkat

yang paling gelap sedangkan nilai 255

menunjukkan tingkat warna yang paling putih

(Budiman 2008).

Principal Component Analysis (PCA)

Teknik ekstraksi ciri yang digunakan pada

penelitian ini adalah Principal Component

Analysis (PCA). PCA merupakan teknik

multivariate yang paling banyak digunakan

pada hampir semua bidang (Abdi dan

Williams 2010). PCA mentransformasikan

sejumlah peubah yang saling berkorelasi

menjadi sekumpulan peubah yang tidak

berkorelasi (Jackson 1991). Teknik ini

mereduksi dimensi himpunan peubah yang

biasanya terdiri dari peubah yang banyak dan saling berkorelasi menjadi peubah baru yang

tidak berkorelasi. Teknik ini

mempertahankan sebanyak mungkin

keragaman dalam himpunan data tersebut

serta menghilangkan peubah-peubah asal

yang mempunya sumbangan informasi yang

relatif kecil (Budiman 2008).

PCA memanfaatkan nilai Eigen (akar ciri) dengan menggunakan data citra digital.

Persamaan 2 menunjukkan representasi citra

digital dalam matrik berukuran m x n (Buono

et al. 2002).

),(......),(

............

............

),(......),(

),(

1

111

nmm

n

yxfyxf

yxfyxf

yxf [2]

Kumpulan data citra dapat diubah dalam

suatu vektor citra berdimensi q dan vektor ini

dapat dituliskan sebagaimana Persamaan 3.

),(),...,,(),...,,(),...,,( 1111 kqkq yxfyxfyxfyxf [3]

Kemudian nilai rataan dari vektor tersebut

dapat dihitung dengan rumus pada Persamaan

4.

x =

k

g

gxk 1

1 ................................ [4]

dengan k adalah banyaknya kolom, danx

adalah nilai rataan dari citra vektor x. Selanjutnya dari data rataan berikut dicari

nilai kovariannya dengan menggunakan

Pesamaan 5 dan matriks kovarian yang

ditunjukkan pada Persamaan 6.

Tggg

k

g

g xxk

S ))((1

1

…………..[5]

S

qqqq

q

q

aaa

aaa

aaa

...

......

...

...

21

22221

1211

………….. [6]

Matriks S pada persamaan 6 merupakan

matrik kovarian dari vektor x. Dari nilai

kovarian tersebut dapat ditentukan vektor ciri (v) dan nilai ciri (b) dengan akar ciri yang

sudah terurut dari yang terbesar. Vektor ciri

dan nilai ciri dicari dengan menggunakan

Persamaan 7.

| S – bI | = 0

Sv = bv ………….……[7]

Penentuan proporsi dari nilai yang diambil dapat dihitung dengan cara

menggunakan m vektor Eigen yang

bersesuaian dengan m nilai Eigen terbaik

sesuai dengan Persamaan 8.

p

i

i

m

i

i

b

b

proporsi

1

1 ....................................[8]

Proporsi ini berguna untuk menentukan

besarnya komponen utama yang digunakan.

Komponen utama ini nantinya akan

digunakan sebagai masukan ke dalam metode

Jaringan Syaraf Tiruan.

Hasil penelitian Buono et al. (2002) yang

menggunakan proporsi PCA sebesar 80% dan 90% dan merujuk pada penelitian

Johnson dan Winchern (1998) mengenai

penerapan analisis statistik multivariate yang

menunjukkan bahwa proporsi 80% dan 90%

dapat menggantikan data asli tanpa banyak

kehilangan informasi.

Normalisasi merupakan salah satu

pendekatan yang dilakukan dalam penetapan

4

skala input dan target dalam suatu jaringan

syaraf tiruan. Rataan dan standar deviasi dari

data pelatihan dinormalisasi dengan cara

mengurangi nilai setiap piksel dengan rataan,

kemudian dibagi dengan standar deviasinya

(Budiman 2008). Rataan dan standar deviasi

dihitung menggunakan rumus pada

Persamaan 9 dan Persamaan 10.

rataan =

n

i

ipikseln

1

)(1

...................................[9]

stdev =

n

i

rataanpikselin 1

)(1

².................[10]

Berdasarkan hasil rataan dan standar deviasi

diperoleh piksel hasil normalisasi dengan rumus seperti pada Persamaan 11 (Budiman

2008).

piksel_normal = ( pikseli - rataan) / stdev[11]

Jaringan Syaraf Tiruan Backpropagation

Jaringan Syaraf Tiruan (JST) adalah

sistem pemroses informasi yang memiliki karakteristik mirip dengan jaringan syaraf

biologi. JST ditentukan oleh tiga hal yaitu

pola hubungan antar neuron (arsitektur

jaringan), metode untuk menetukan bobot

penghubung (metode training atau

algoritma), dan fungsi aktivasi. Salah satu

model JST adalah Backpropagation.

Backpropagation melatih jaringan untuk

mendapatkan keseimbangan antara

kemampuan jaringan untuk mengenali pola

yang digunakan dengan kemampuan jaringan

untuk memberikan respon yang benar terhadap pola masukan serupa (Siang 2009).

1. Arsitektur Metode Backpropagation.

Arsitektur jaringan syaraf tiruan metode

backpropagation memiliki beberapa unit

yang ada dalam satu atau lebih hidden layer

(Siang 2009).

Penelitian Budiman (2008), menggunakan

satu hidden layer dengan 10 neuron, yaitu

10, 20, 30, 40, 50, 60,70 80, 90 dan 100.

Akurasi maksimal sebesar 83.3% yang

dihasilkan pada hidden neuron 60. Gambar 2

menunjukkan arsitektur JST

Backpropagation dengan satu hidden layer.

1

x1

xi

…………

xm

z1

zi

zp

y1

yi

yn

1

…………

…………

Gambar 2 Arsitektur JST Backpropagation

2. Fungsi Aktivasi

Fungsi aktivasi yang dipakai dalam metode backpropagation, harus memenuhi

beberapa syarat, yaitu kontinu, terdiferensial

dengan mudah, dan merupakan fungsi yang

tidak turun. Fungsi tersebut diantaranya

adalah Sigmoid Biner (Log-Sigmoid),

Sigmoid Bipolar (Tan-Sigmoid) dan Identitas

(purelin).

a. Fungsi Sigmoid biner dengan range

(0,1).

exf

1

1)(

………………….[12]

Dengan turunan :

)](1)[()(' xfxfxf ………………[13]

b. Fungsi Sigmoid bipolar dengan range

(-1,1)

e

exf

1

1)(

……………………..[14]

Dengan turunan :

2

))(1))((1()('

xfxfxf

……….[15]

c. Fungsi Identitas :

f ( x ) = x………………………………..[16]

Dengan turunan :

f‟( x ) = 1 ……………………………[17]

3. Pemilihan Bobot dan Bias Awal

Bobot awal akan mempengaruhi apakah

jaringan mencapai titik minimum lokal atau

global, dan seberapa cepat konvergensinya.

Inisialisasi bobot dan bias awal dapat dilakukan dengan inisialisasi Nguyen-

5

Widrow. Inisialisasi ini lebih mempercepat

proses iterasi (Siang 2009).

Inisialisasi Nguyen-Widrow didefinisikan

sebagai berikut:

p

i

ij

ij

j

ij

ij

lamav

lamav

lamav

lamavbaruv

1

2)(

)(

)(

)()(

vij(lama) adalah nilai acak antara -0.5 dan 0.5

sedangkan bobot pada bias bernilai antara –β

dan β.

n p7.0

n = jumlah neuron input

p = jumlah neuron hidden

β = faktor pengali

4. Algoritma Backpropagation

Secara umum, pelatihan sebuah jaringan

metode perambatan balik terdiri dari tiga

langkah sebagai berikut.

a. Pelatihan pola masukan secara umpan

maju. Sinyal masukan dipropagasikan ke

hidden layer menggunakan fungsi aktivasi yang telah ditentukan.

b. Perhitungan dan propagasi balik dari

kumpulan kesalahan (galat/error).

c. Penyesuaian bobot pada semua layer,

sampai kondisi berhenti sudah dipenuhi

yaitu jika nilai kesalahan lebih kecil dari

nilai kesalahan referensi atau epoch

maksimal telah tercapai.

5. Fungsi Pelatihan Laju Pemahaman

Variabel (traingdx).

Laju pemahaman (learning rate) merupakan suatu konstanta yang nilainya

dapat berubah-ubah selama iterasi dan sangat

berpengaruh terhadap kinerja algoritma. Sulit

untuk menentukan besarnya learning rate

yang paling optimal, karena laju pemahaman

yang terlalu besar maupun terlalu kecil akan

menyebabkan pelatihan menjadi lambat

(Siang 2009).

Pelatihan akan lebih cepat apabila laju

pemahaman berubah nilainya selama proses

pelatihan. Jika error sekarang lebih besar

disbanding error sebelumnya, maka laju

pemahaman diturunkan. Fungsi pelatihan

pada Matlab yang mengkombinasikan

learning rate dengan faktor momentum

adalah traingdx. Fungsi pelatihan ini

mempunya kecepatan pelatihan yang tinggi.

Algoritma JST Backpropagation dengan

fungsi pelatihan Laju Pemahaman Variabel

(traingdx) disajikan pada Lampiran 1.

METODE PENELITIAN

Komponen yang perlu diperhatikan untuk

mencapai tujuan dari penelitian ini antara lain pengumpulan data citra digital, alur proses

pengenalan citra diatom menggunakan

Jaringan Syaraf Tiruan (JST). Hal lain terkait

metode penelitian adalah arsitekur JST yang

digunakan dan parameter keberhasilan

pengenalan diatom menggunakan JST.

Data Penelitian

Data citra diatom yang digunakan pada

penelitian ini adalah citra digital berformat

JPG yang merupakan hasil sampling

menggunakan mikroskop elektrik berukuran 14 mega pixel, menghasilkan resolusi citra

2560 x 1920 piksel. Pengambilan citra

dilakukan pada Laboratorium Biomikro,

Bagian Produktivitas dan Lingkungan

Perairan, Departemen Manajemen Sumber

Daya Perairan, Fakultas Perikanan dan Ilmu

Kelautan, Institut Pertanian Bogor. Citra

yang dipakai merupakan citra diatom ordo

Centrales yang terdiri dari 2 subordo dan

ordo Pennales yang terdiri dari 2 subordo.

Tabel 1 menunjukkan subordo , famili dan genus diatom yang digunakan pada

penelitian .

Tabel 1 Rincian genus diatom yang

digunakan dalam penelitian

Subordo Famili Genus

Coscinodisceae

Thalassiosiraceae *

Thalassiosira,

Cyclotella,

Lauderia

Skeletonema

Melosiraceae* Melosira

Coscinodisceae* Coscinodiscus

Biddulphianeae Hemiaulaceace* Eucampia,

Fragillariineae Fragillariaceae* Fragillaria,

Asterionela

Surirelaceae**

Surirela

Keterangan :

* Tomas C.R. 2004.

** Presscott G.W. 1970.

Jumlah keseluruhan famili diatom yang digunakan dalam penelitian berjumlah enam

famili yang terdiri dari sepuluh genus.

6

Masing-masing genus dikumpulkan 10 citra

sehingga total seluruh citra menjadi 100 citra.

Proses Pengenalan Diatom

Proses pengenalan diatom menggunakan

metode klasifikasi JST Backpropagation dan

ektraksi ciri PCA terdiri dari tahapan sebagai

berikut :

a. Fase pengumpulan data

Fase ini merupakan tahap pengambilan

data citra menggunakan mikroskop. Citra

diatom awal berukuran 2560 x 1920 piksel

dilakukan proses kroping sehingga pada satu

citra hanya akan terdapat satu jenis dari

genus diatom yang telah ditentukan. Gambar

3 dan Gambar 4 menunjukkan contoh citra

diatom awal dan hasil kropingnya.

Gambar 3 Contoh citra diatom asli berukuran

2560 x 1920 piksel

Gambar 4 Contoh citra hasil kroping

berukuran 1127 x 1097 piksel

Langkah selanjutnya yaitu melakukan

resize citra menjadi ukuran 60 x 60 piksel.

Proses resize ini bertujuan untuk mempercepat proses pelatihan dan pengujian

JST (Buono et al. 2002). Gambar 5

menunjukkan contoh citra hasil resize

berukuran 60 x 60 piksel.

Gambar 5 Contoh citra hasil resize

berukuran 60 x 60 piksel

b. Fase pembagian data

Fase ini merupakan tahap membagi data

citra menjadi dua bagian yaitu data latih dan

data uji. Persentase yang digunakan terdiri

dari dua skenario percobaan. Skenario pertama membagi data menjadi 60% data

latih dan 40% data uji dan pada skenario

kedua data dibagi menjadi 80% data latih

dan 20% data uji. Pada skenario pertama,

masing-masing genus yang terdiri dari

sepuluh citra akan dibagi menjadi enam citra

latih dan empat citra uji, sehingga total data

latih adalah 60 citra dan data uji adalah 40

citra. Selanjutnya pada skenario kedua

masing-masing genus akan dibagi menjadi

delapan data latih dan dua data uji, sehingga

total data latih menjadi sebanyak 80 citra dan total data uji 20 citra.

c. Fase praproses

Fase praproses terdiri dari tahapan

mengubah citra RGB (Red–Green–Blue)

hasil proses pemasukan data citra menjadi

citra grayscale. Proses ini dilakukan untuk

mengubah 3 layer matriks warna RGB

menjadi 1 layer matriks citra keabuan. Hal ini

berguna untuk mempercepat pengolahan citra

pada fase ekstraksi ciri menggunakan PCA.

Pada tahap praproses ini juga dilakukan normalisasi data untuk menetapkan skala

masukan dan target sehingga berada dalam

rentang tertentu.

d. Tahap ekstraksi ciri PCA.

Setelah dilakukan praproses, data latih

direduksi dimensinya menggunakan proporsi

PCA 80% dan 90%. Matriks kovarian

berukuran 3600 x 3600 akan menghasilkan

komponen utama dan nilai Eigen. Hasil dari

komponen utama berupa vektor ciri yang

akan diproyeksikan terhadap data latih dan

data uji. Proporsi PCA 80% berarti mengambil nilai kolom matriks yang

merepresentasikan komponen utama sebesar

80%. Inputan matriks yang akan masuk pada

tahap pelatihan JST Backpropagation

merupakan hasil proyeksi vektor ciri terhadap

citra latih.

Untuk proses pengenalan, suatu citra uji

(citra yang disajikan ke sistem untuk proses

7

pengenalan) memiliki dimensi yang sama

dengan citra latih telah disajikan ke sistem.

Citra uji tersebut kemudian di ekstraksi ciri

dengan cara dikalikan dengan vektor ciri citra

latih, dan akan menghasilkan vektor ciri

berisikan komponen utama yang memiliki

dimensi yang sama dengan komponen utama

data latih yang masuk pada pelatihan JST.

e. Fase klasifikasi menggunakan JST

Backpropagation.

Hasil pelatihan akan menghasilkan model

klasifikasi dan dilakukan pengujian

menggunakan data uji yang juga mengalami

proses grayscale dan normalisasi. Pada tahap

ini dilakukan beberapa percobaan dengan

mengkombinasikan persentase pembagian

data latih dan data uji, parameter proporsi

PCA, hidden neuron dan toleransi kesalahan yang digunakan. Kombinasi parameter

optimal adalah yang menghasilkan akurasi

terbaik. Langkah selanjutnya yaitu

melakukan analisis akurasi. Skema proses

pengenalan diatom dapat dilihat pada Gambar

6.

Gambar 6 Tahapan Proses Pengenalan

Diatom dengan JST

Backpropagation

Struktur JST Backpropagation

Identifikasi diatom dilakukan dengan

menggunakan JST metode pelatihan

Backpropagation. Struktur JST

menggunakan satu hidden layer dengan

sepuluh neuron dapat dilihat pada Tabel 2.

Tabel 2 Struktur JST Backpropagation

Karakteristik Spesifikasi

Arsitektur 1 hidden layer

Input neuron Dimensi PCA 80% dan 90% Hidden neuron 10,20,30,40,50,60,70,80,90,

dan 100 Output neuron Banyaknya kelas target

Inisialisasi

bobot dan bias Nguyen-Widrow

Fungsi

aktivasi

Sigmoid bipolar, Sigmoid biner

Toleransi galat 10-2, 10-3, dan 10-4

Algoritma

training

Variable laju pemahaman (traingdx)

Jumlah iterasi 5000 epoch

Laju

pembelajaran 10-1

Kelas target pada penelitian ini berjumlah

sepuluh target, dan setiap target mewakili

satu genus dari diatom yang

direpresentasikan dengan nilai 0 dan 1.

Target sistem ditunjukkan pada Tabel 3.

Tabel 3 Kelas target JST Backpropagation

Kelas Target

Coscinodiscus 1000000000

Asterionella 0100000000

Fragillaria 0010000000

Eucampia 0001000000

Melosira 0000100000

Skeletonema 0000010000

Surirella 0000001000

Cyclotella 0000000100

Lauderia 0000000010

Thalassiosira 00000000001

Parameter Pengenalan Diatom

menggunakan JST Backpropagation

Parameter yang digunakan untuk

mengetahui tingkat keberhasilan proses

identifikasi diatom menggunakan JST

Backpropagation adalah kovergensi dan

generalisasi. Konvergensi adalah tingkat

kecepatan jaringan mempelajari pola

masukan yang dinyatakan dengan satuan

waktu atau satuan epoch. Satu epoch adalah

lamanya jaringan mempelajari satu kali

seluruh pola pelatihan. Pada penelitian ini, maksimum epoch dibatasi sebanyak 5000

epoch. Generalisasi adalah tingkat

pengenalan jaringan dalam mengenali

8

sejumlah pola yang diberikan. Secara

matematis generalisasi dapat dituliskan

seperti pada Persamaan 18 (Buono et al.

2002).

Generalisasi= seluruhnyajumlah

benarpengenalanjumlah

_

__x100% [18]

Lingkungan Pengembangan

Spesifikasi perangkat keras dan perangkat

lunak yang digunakan untuk penelitian ini

adalah sebagai berikut :

a. Perangkat keras :

Processor Intel® CoreTM 2 Duo

Memory 1 GB

Hardisk 250 GB

b. Perangkat lunak :

Sistem operasi Microsoft Windows 7

Matlab 7.7 (R2008b)

HASIL DAN PEMBAHASAN

Penelitian ini terdiri dari empat percobaan yaitu kombinasi dua buah pembagian data

latih dengan dua proporsi PCA. Pada setiap

percobaan menggunakan kombinasi

parameter Jaringan Syaraf Tiruan (JST)

dengan toleransi kesalahan 10-2, 10-3, dan

10-4 serta hidden neuron 10, 20, 30, 40, 50,

60, 70, 80, 90, dan 100.

Percobaan 1 : PCA proporsi 80% dengan

pembagian data latih 60% dan data uji

40%

Matriks kovarian berukuran 3600 x 3600

yang berasal dari citra hasil normalisasi (60 x 3600) mengahasilkan nilai Eigen yang

mewakili 3600 kolom. Proporsi 80%

menghasilkan komponen utama berdimensi

27, yang berarti data sebanyak 27 kolom

mewakili sebesar 80% data citra. Komponen

utama dari proporsi 80% berupa matriks

berukuran 3600 x 27. Matriks PCA yang

menjadi inputan pada JST merupakan hasil

proyeksi dari matriks citra latih hasil

normalisasi dengan komponen utama,

sehingga dimensi matriks inputan JST pada Percobaan 1 adalah 60 x 27.

a. Generalisasi

Toleransi kesalahan 10-2, 10-3, dan 10-4

masing-masing akan dikombinasikan dengan

semua hidden neuron sehingga akan

didapatkan parameter optimal. Percobaan

menggunakan toleransi 10-2 menghasilkan

akurasi minimum 70% pada hidden neuron

20, 30, 40, 60, dan 80, sementara akurasi

maksimum sebesar 80% dihasilkan pada

hidden neuron 50. Gambar 7 menunjukkan

akurasi percobaan proporsi PCA 80% dengan

toleransi kesalahan 10-2.

Gambar 7 Generalisasi Percobaan 1 dengan

toleransi galat 10-2

Percobaan selanjutnya menggunakan

toleransi kesalahan 10-3. . Hasil akurasinya

tidak jauh berbeda bahkan cenderung

menurun jika dibandingkan dengan toleransi

kesalahan 10-2. Akurasi minimum terdapat

pada hidden neuron 10 yaitu sebesar 67.5% ,

sementara akurasi maksimumnya sebesar

75% yang terdapat pada lima hidden neuron sekaligus yaitu hidden neuron 50, 60, 70, 80,

dan 90. Gambar 8 menunjukkan akurasi

Percobaan 1 dengan toleransi kesalahan 10-3.



Percobaan selanjutnya menggunakan

toleransi kesalahan 10-4 mendapatkan hasil

akurasi pada semua hidden neuron lebih

besar dari 70%. Akurasi terbaik sebesar 80% diperoleh pada hidden neuron 30. Akurasi

minimum terdapat pada hidden neuron 40

yaitu sebesar 70%. Gambar 9 menunjukkan

akurasi Percobaan 1 dengan toleransi

kesalahan 10-4 .

9

Gambar 9 Generalisasi Percobaan 1 untuk toleransi galat 10-4

Dari ketiga toleransi kesalahan pada

percobaan dengan proporsi PCA 80% ini

didapat akurasi terbaik sebesar 80% yaitu

pada percobaan menggunakan toleransi

kesalahan 10-2 (hidden neuron 50) dan pada

percobaan menggunakan toleransi kesalahan

10-4 (hidden neuron 30). Terlihat bahwa pada setiap toleransi galat, akurasi cenderung

stabil untuk setiap hidden neuron. Tabel 4

menunjukkan akurasi maksimum pada setiap

toleransi galat beserta hidden neuron nya.

Tabel 4 Akurasi maksimum Percobaan 1

Galat Akurasi

maksimum Hidden neuron

10-2 80% 30

10-3 75% 80

10-4 80% 40, 50, dan 100

b. Konvergensi

Perbandingan waktu pelatihan untuk

akurasi maksimum masing-masing toleransi galat pada Percobaan 1 disajikan pada

Gambar 10.

Gambar 10 Waktu pelatihan untuk akurasi

maksimum Percobaan 1

Pada Gambar 10 terlihat bahwa waktu

pelatihan terkecil adalah dengan toleransi

kesalahan 10-2 yaitu sebesar 3.41 detik.

Toleransi kesalahan 10-3 menghasilkan

akurasi maksimum dengan lama waktu latih

7.6 detik. Kenaikan waktu latih yang

signifikan adalah ketika mengunakan

toleransi galat 10-4 yaitu dengan waktu latih

21.3 detik. Dengan demikian bahwa

penurunan toleransi galat berbanding terbalik

dengan waktu pelatihan.

Jumlah epoch pelatihan untuk akurasi

maksimum pada Percobaan 1 disajikan pada

Gambar 11.

Gambar 11 Jumlah epoch pelatihan untuk

akurasi maksimum Percobaan 1

Pada Gambar 11 terlihat bahwa jumlah

epoch minimum adalah 298 epoch ketika

menggunakan toleransi kesalahan 10-2. Toleransi kesalahan 10-3 menghasilkan

akurasi maksimum dengan jumlah epoch

pelatihan sebanyak 786, sedangkan toleransi

galat 10-4 yaitu pada percobaan ini epoch

pelatihannya berjumlah 2210.



40%

Percobaan menggunakan proporsi PCA

90% menghasilkan komponen matriks

berdimensi 60 x 38. Matriks hasil ekstraksi

inilah yang akan menjadi inputan untuk

klasifikasi diatom menggunakan JST

Backpropagation.

a. Generalisasi

Seperti pada Percobaan 1, pada Percobaan 2 akan dilakukan kombinasi

toleransi kesalahan 10-2, 10-3, dan 10-4 untuk

mendapatkan parameter optimal yang

menghasilkan akurasi terbaik. Percobaan

pertama menggunakan toleransi kesalahan

10-2 menghasilkan akurasi maksimum pada

hidden neuron 50 yaitu sebesar 80%.

Sedangkan akurasi minimum sebesar 72.5%

10

diperoleh pada hidden neuron 10.

Generalisasi Percobaan 2 dengan toleransi

kesalahan 10-2 dapat dilihat pada Gambar

12.



Percobaan berikutnya menggunakan

toleransi kesalahan 10-3, menghasilkan

akurasi terbaik sebesar 80% pada hidden

neuron 30 dan 40. Terlihat bahwa dengan

menggunakan parameter-parameter ini

akurasi cenderung naik dengan stabil, dengan akurasi minimum sebesar 72.5% yang

terdapat pada hidden neuron 10. Gambar 13

menunjukkan generalisasi Percobaan 2

dengan toleransi galat 10-3.



Percobaan 2 dengan toleransi galat 10-4

menunjukkan akurasi yang meningkat di

seluruh hidden neuron. Akurasi minimum pada kombinasi parameter ini adalah 75%

pada hidden neuron 10 dan 20, sementara

akurasi maksimum hidden neuron 30, 50, 80

sebesar 82.5%. Gambar 14 menunjukkan

generalisasi Percobaan 2 dengan toleransi

galat 10-4.



Pada Percobaan 2 terlihat bahwa

akurasinya cenderung naik jika dibandingkan

dengan percobaan 1. Akurasi terbaik

didapatkan dengan toleransi galat 10-4 sebesar

82.5 %. Tabel 5 menunjukkan akurasi maksimum pada setiap toleransi galat beserta

hidden neuron.

Tabel 5 Akurasi maksimum Percobaan 2

Galat Akurasi


10-2 80% 50

10-3 80% 30 dan 40

10-4 82.5% 30, 50, 70 dan 80

b. Konvergensi

Gambar 15 menunjukkan waktu latih

percobaan menggunakan tiga buah toleransi

galat yang menghasilkan akurasi maksimum

pada Percobaan 2.



11

Pada Gambar 15 terlihat bahwa waktu

pelatihan terkecil adalah 3.1 detik

menggunakan toleransi kesalahan 10-2.

Toleransi kesalahan 10-3 menghasilkan

akurasi maksimum dengan lama waktu latih

5.1 detik, sedangkan pada toleransi kesalahan

10-4 waktu latih tercatat sebesar 9.3 detik.

Seperti pada Percobaan 1, pada percobaan 2

penurunan toleransi galat juga berbanding

terbalik dengan waktu pelatihan.

Jumlah epoch pelatihan terkecil didapat pada toleransi kesalahan 10-2 yaitu 298

epoch. Pada toleransi kesalahan 10-3 dan 10-4

jumlah epoch pelatihannya masing-masing

501 dan 780 epoch. Gambar 16 menunjukkan

jumlah epoch untuk percobaan menggunakan

tiga buah toleransi galat yang menghasilkan

akurasi maksimum pada Percobaan 2.

Gambar 16 Jumlah epoch untuk akurasi




20%

Untuk Percobaan 3 menghasilkan

komponen utama berdimensi 80 x 29. Hasil

pengukuran parameter kinerja untuk

percobaan ini adalah sebagai berikut :

a. Generalisasi

Akurasi maksimum pada Percobaan 3

dengan toleransi galat 10-2 adalah 85% yang

di dapat pada hidden neuron 80. Akurasi minimum terdapat pada hidden neuron 20

dan 90 yaitu sebesar 70%. Gambar 17

menunjukkan generalisasi pada Percobaan 3

dengan toleransi galat 10-2.

Gambar 17 Generalisasi percobaan 3 untuk


Akurasi maksimum sebesar 85% juga

diperoleh ketika toleransi galat diturunkan

menjadi 10-3, yang terdapat pada hidden

neuron 100. Akurasi minimum sebesar 70% diperoleh pada hidden neuron 80. Hasil

generalisasi Percobaan 3 dengan toleransi

galat 10-3 ditunjukkan pada Gambar 18.

Gambar 18 Generalisasi Percobaan 3

dengan toleransi galat 10-3


menghasilkan akurasi maksimum 85% pada

hidden neuron 20 dan akurasi minimum sebesar 70% diperoleh pada hidden neuron

10, 30 dan 60. Gambar 19 menujukkan

generalisasi percobaan 3 dengan toleransi

galat 10-4.



12

Tabel 6 menunjukkan akurasi maksimum

untuk 3 buah toleransi kesalahan pada

Percobaan 3.

Tabel 6 Akurasi maksimum ketiga toleransi

kesalahan pada Percobaan 3

Galat Akurasi


10-2 85% 80

10-3 85% 100

10-4 85% 20

b. Konvergensi

Waktu latih terkecil sebesar 1.7 detik

diperoleh pada percobaan dengan

menggunakan toleransi galat 10-2. Sementara

percobaan menggunakan toleransi galat 10-3

dan 10-4 membutuhkan waktu latih masing-

masing sebesar 6.9 dan 29.3 detik. Gambar

20 menunjukkan waktu latih percobaan

menggunakan 3 buah toleransi galat yang

menghasilkan akurasi maksimum pada Percobaan 3.



Jumlah epoch pelatihan terkecil didapat

pada toleransi kesalahan 10-2 yaitu sebanyak

119 epoch. Pada toleransi kesalahan 10-3 dan

10-4 jumlah epoch pelatihannya masing-

masing 590 dan 2880 epoch. Gambar 15 menunjukkan jumlah epoch untuk percobaan


menghasilkan akurasi maksimum pada

Percobaan 3.

Gambar 21 Jumlah epoch untuk akurasi maksimum Percobaan 3



20%

Percobaan 4 menghasilkan komponen

utama berdimensi 80 x 42. Hasil pengukuran

parameter kinerja untuk percobaan ini adalah

sebagai berikut :

a. Generalisasi

Akurasi maksimum pada Percobaan 4

dengan toleransi galat 10-2 adalah 90% yang di dapat pada hidden neuron 100. Akurasi

minimum terdapat pada hidden neuron 70

yaitu sebesar 70%. Gambar 23 menunjukkan

generalisasi pada Percobaan 4 dengan

toleransi galat 10-2.

Gambar 22 Generalisasi Percobaan 4 untuk


Akurasi maksimum sebesar 80% diperoleh pada hidden neuron 30, 40, 50, 60,

70, 80 dan 90 ketika toleransi galat

diturunkan menjadi 10-3. Akurasi minimum

sebesar 75% diperoleh pada hidden neuron

10, 20, dan 100. Hasil generalisasi Percobaan

4 dengan toleransi galat 10-3 ditunjukkan pada

Gambar 23.

13




menghasilkan akurasi maksimum 80% pada

hidden neuron 20, 30, 90 dan 100. Enam

hidden neuron lainnya menghasilkan akurasi

sebesar 75%. Gambar 24 menujukkan

generalisasi percobaan 4 dengan toleransi

galat 10-4.



Tabel 7 menunjukkan akurasi maksimum

untuk 3 buah toleransi kesalahan pada

Percobaan 4. Akurasi tertinggi sebesar 90%

diperoleh pada percobaan dengan toleransi kesalahan 10-2.

Tabel 7 Akurasi maksimum ketiga toleransi

kesalahan pada Percobaan 4

Galat Akurasi


10-2 90% 100

10-3 80%

30, 40, 50, 60, 70, 80, 90

10-4 85% 20, 30, 90, 100

b. Konvergensi

Waktu latih terkecil sebesar 3.03 detik diperoleh pada percobaan dengan

menggunakan toleransi galat 10-2. Sementara

percobaan menggunakan toleransi galat 10-3

dan 10-4 membutuhkan waktu latih masing-

masing sebesar 5.8 dan 21.5 detik. Gambar

25 menunjukkan waktu latih percobaan



Percobaan 4.



Jumlah epoch pelatihan terkecil didapat

pada toleransi kesalahan 10-2 yaitu sebanyak

232 epoch. Pada toleransi kesalahan 10-3 dan

10-4 jumlah epoch pelatihannya masing-

masing 564 dan 2181 epoch. Gambar 26

menunjukkan jumlah epoch untuk percobaan menggunakan 3 buah toleransi galat yang


Percobaan 4.

Gambar 26 Jumlah epoch untuk akurasi


Perbandingan Empat Percobaan

a. Generalisasi

Setelah dilakukan empat buah percobaan

yang merupakan kombinasi dari dua buah

persentase pembagian data dan dua buah

proporsi PCA, didapatkan akurasi maksimum

pada Percobaan 4 yaitu sebesar 90%. Hal ini

menunjukkan bahwa semakin besar komponen utama yang dipakai untuk

14

pelatihan JST Backpropagation akan

memudahkan JST dalam melakukan

pengenalan. Tabel 8 menunjukkan

perbandingan akurasi maksimum empat

percobaan dengan ketiga toleransi galat.

Tabel 8 Akurasi maksimum empat percobaan

Toleransi Galat

Generalisasi (%)

P1 P2 P3 P4

10-2 80% 80% 85% 90%

10-3 75% 80% 85% 80%

10-4 80% 82.50% 85% 85%

Keterangan : P1 = Percobaan 1

b. Konvergensi

Dalam hal konvergensi terlihat bahwa

perbedaan persentase pembagian data latih

dan uji serta meningkatnya proporsi PCA

tidak mempengaruhi lamanya waktu

pelatihan dan jumlah epoch. Tabel 9

menunjukkan waktu pelatihan untuk akurasi

maksimum masing-masing percobaan pada

tiga toleransi galat.

Tabel 9 Waktu pelatihan untuk akurasi

maksimum empat percobaan

Toleransi Galat

Waktu Latih (detik)

P1 P2 P3 P4

10-2 3.41 3.10 1.7 3.03

10-3 7.6 5.10 6.9 5.8

10-4 21.3 9.30 29.3 21.5

Berdasarkan data pada Tabel 9, terlihat

bahwa waktu pelatihan terkecil dari keempat

percobaan terdapat pada Percobaan 3 dengan proporsi PCA 80% dan toleransi kesalahan

10-2 yaitu sebesar 1.7 detik. Jumlah epoch

terkecil juga terdapat pada Percobaan 3

menggunakan toleransi kesalahan 10-2. Tabel

10 menunjukkan banyaknya epoch untuk

akurasi maksimum masing-masing percobaan

pada ketiga toleransi galat.

Tabel 10 Jumlah epoch untuk akurasi

maksimum empat percobaan

Toleransi Galat

Banyaknya Epoch

P1 P2 P3 P4

10-2 298 298 118 232

10-3 786 501 590 564

10-4 2210 780 2888 2181

Keterangan : P1 = Percobaan 1

Analisis Error

Analisis error dilakukan untuk

mengetahui bagaimana akurasi setiap genus

pada masing-masing percobaan. Pada

Percobaan 1 dan Percobaan 2 genus

Coscinodiscus, Cyclotella dan Thalassiosira mempunyai akurasi yang rendah yaitu

dibawah 50%. Pada Percobaan 3, ada lima

genus yang memiliki akurasi rendah,

diantaranya Coscinodiscus, Fragillaria,

Melosira, Cyclotella dan Thalassiosira.

Kelima genus ini tetap mempunyai akurasi

rendah pada Percobaan 4.

Pada keempat percobaan, genus

Asterionella dan Eucampia mencapai

akurasi 100%, artinya semua citra uji pada

semua percobaan berhasil dikenali benar. Setiap genus diatom dikategorikan menjadi

satu kelas, sehingga ada sepuluh kelas yang

mewakili sepuluh genus diatom. Keterangan

kelas klasifikasi diatom ditunjukkan pada

Tabel 11 dan grafik akurasi per genus

ditunjukkan pada Gambar 27.

Tabel 11 Keterangan kelas klasifikasi diatom

Kelas Genus

1 Coscinodiscus

2 Asterionella

3 Fragillaria

4 Eucampia

5 Melosira

6 Skeletonema

7 Surirella

8 Cyclotella

9 Lauderia

10 Thalassiosira

15

(a)

(b)

(c)

(d)

Gambar 27 Perbandingan akurasi per genus

diatom (a) Percobaan 1, (b)

Percobaan 2, (c) Percobaan 3,

(4) Percobaan 4

Kelas yang cenderung memiliki akurasi

tinggi pada keempat percobaan di atas adalah

kelas 2, 4, 6, 7 dan 9. Kelas-kelas ini

cenderung memiliki tingkat kemiripan yang

rendah dengan kelas-kelas lainnya. Gambar

28 menunjukkan citra dengan akurasi tinggi.

(a) (b) (c)

(d) (e)

Gambar 28 Kelas citra dengan akurasi tinggi (a) Kelas 2, (b) Kelas 4, (c)

Kelas 6, (d) Kelas 7, (e) Kelas 9

Kelas yang cenderung memiliki akurasi

rendah adalah kelas 1, 3, 5, 8 dan 10. Hal ini

disebabkan karena kelas-kelas ini memiliki

kemiripan tinggi dengan beberapa kelas

lainnya. Gambar 29 menunjukkan citra

dengan akurasi rendah yang sering

teridentifikasi ke kelas lain.

(a) (b)

(c) (d) (e)

Gambar 29 Citra dengan akurasi rendah (a)

Kelas 1, (b) Kelas 3, (c) Kelas 5,

(d) Kelas 8, (e) Kelas 10

Tabel 12 menunjukkan kelas citra dengan

akurasi rendah dan kelas-kelas dimana citra

tersebut salah teridentifikasi.

16

Tabel 12 Kelas citra dengan akurasi rendah

Kelas

Awal

Kelas Hasil

Identifikasi

1 8

3 6

5 7, 8, 10

8 1

10 6, 8

Rendahnya akurasi juga disebabkan

karena pengambilan citra diatom yang hanya

dari sisi atas. Beberapa sel diatom cenderung

sangat mirip dari sisi atas, akan tetapi ketika

dilihat dari sisi lateral (samping) bisa sangat

jauh berbeda. Pengambilan posisi sel citra diatom yang berbeda-beda untuk masing-

masing genus juga berpengaruh pada

besarnya akurasi.

KESIMPULAN DAN SARAN

Kesimpulan

Berdasarkan penelitian yang dilakukan

dapat disimpulkan bahwa :

1. Model Jaringan Syaraf Tiruan

Backpropagation dapat digunakan untuk

pengenalan beberapa genus diatom (Bacillariophyceae).

2. Proses pengenalan beberapa genus diatom

(Bacillariophyceae) dengan menggunakan

persentase data latih sebesar 80%

memberikan hasil akurasi yang lebih baik

dibandingkan menggunakan persentase

data latih 60%.

3. PCA dengan proporsi 90% pada toleransi

kesalahan 10-2 menggunakan persentase

pembagian data latih 80% menghasilkan

kinerja JST optimal dengan akurasi 90%

pada hidden neuron 100.

4. Dalam hal konvergensi terlihat bahwa

perbedaan persentase pembagian data

latih dan uji serta meningkatnya proporsi

PCA tidak mempengaruhi lamanya waktu

pelatihan dan jumlah epoch.

Saran

Penelitian ini merupakan penelitian awal

mengenai identifikasi genus diatom, sehingga

masih dapat dikembangkan lebih lanjut untuk

mendapatkan hasil yang lebih optimal.

Adapun saran untuk penelitian lebih lanjut

antara lain :

1. Data penelitian sebaiknya ditambahkan

untuk lebih banyak variasi genus.

2. Mencoba metode lain seperti ekstraksi

fitur yang diharapkan dapat lebih

meningkatkan akurasi.

3. Metode 2DPCA yang tidak memerlukan

konversi matriks citra menjadi bentuk

vektor dapat digunakan sebagai

pengganti metode PCA untuk mengurangi waktu komputasi karena

matriks citra pada metode PCA harus

dikonversi menjadi bentuk vektor, yang

dengan dimensi besar akan memakan

waktu yang relatif lama.

4. Pengambilan posisi sel citra diatom

bukan hanya dari permukaan cangkang,

melainkan juga dari sisi lateral.

DAFTAR PUSTAKA

Abdi H, Williams LJ. 2010. Principal

Component Analysis. Wiley Interdisciplinary Reviews:

Computational Statistics 2, 2: 433–459.

Budiman R. 2008. Pengenalan spesies

nematoda puru akar melalui karakteristik

morfologi ekor menggunakan Jaringan

Syaraf Tiruan [skripsi]. Bogor: Fakultas

Matematika dan Ilmu Pengetahuan

Alam, Institut Pertanian Bogor.

Buono A, Rachmaniah M, Sarbini. 2002. Perbandingan Metode Eigen pada

Pengenalan Wajah. Bogor : Institut

Pertanian Bogor.

Cristobal G, Ridondo R, Flusser J, Sroubek F,

Forero MG. 2004. Automatic screening

and multifocus fusion methods for

diatom identification. CSIC-Academy of

Sciences of the Czech Republic Bilateral

Project 2003CZ0009.

Gonzales RC, Woods RE. 2002. Digital Image Processing. 2nd Edition. New

Jersey: Prentice-Hall.

Jackson RA. 1991. A User’s Guide to

Principal Components. John Wiley and

Son‟s, Inc.

Nontji A. 2008. Plankton Laut. Jakarta: LIPI

Press.

17

Presscott GW. 1970. The Freshwater Algae.

USA: Brown Company Publishers.

Siang JJ. 2009. Jaringan Syaraf Tiruan dan

Pemrogramannya Menggunakan

MATLAB . Yogyakarta: Andi Offset.

Tomas CR. 1997. Identifying Marine

Phytoplankton.. Florida : Florida Marine

Research Institute.

1

8

LAMPIRAN

19

Lampiran 1 Algoritma pelatihan laju pemahaman variabel Jaringan Syaraf Tiruan

Backpropagation (traingdx)

Algoritma backpropagation :

Inisialisasi bobot.

Kerjakan langkah-langkah berikut selama kondisi berhenti bernilai FALSE :

1. Untuk tiap-tiap pasangan elemen yang akan dilakukan pembelajaran, kerjakan :

Feedforward :

a. Tiap-tiap unit input (Xi, i=1,2,3,...,n) menerima sinyal xi dan meneruskan sinyal

tersebut ke semua unit pada lapisan yang ada diatasnya (lapisan tersembunyi).

b. Tiap-tiap unit tersembunyi (Zj, j=1,2,3,...,p) menjumlahkan sinyal-sinyal input terbobot:

n

i

ijijj vxvinz1

0_

Gunakan fungsi aktivasi untuk menghitung sinyal outputnya :

Zj = f(z_inj)

Dan kirimkan sinyal tersebut ke semua unit di lapisan atasnya (unit-unit output).

c. Tiap-tiap unit output (Yk, k=1,2,3,...,m) menjumlahkan sinyal-sinyal input terbobot.

p

i

jkikj wzwiny1

0_

Gunakan fungsi aktivasi untuk menghitung sinyal outputnya :

yk=f(y_ink)

Dan kirimkan sinyal tersebut ke semua unit dilapisan atasnya (unit-unit output).

Backpropagation

d. Tiap-tiap unit output (Yk, k=1,2,3,...,m) menerima target pola yang berhubungan

dengan pola input pembelajaran, hitung informasi error nya :

)_()( kkkk inyfyt

Kemudian hitung koreksi bobot (yang nantinya akan digunakan untuk memperbaiki

nilai wjk) :

jkjk zW

Hitung juga koreksi bias (yang nantinya akan digunakan untuk memperbaiki nilai w0k ):

kkw 0

Kirimkan k ini ke unit-unit yang ada dilapisan bawahnya.

e. Tiap-tiap unit tersembunyi (Zj, j=1,2,3,...,p) menjumlahkan delta inputnya (dari unit-

unit yang berada pada lapisan diatasnya) :

m

i

jkkj win1

_

20

Lampiran 1 Algoritma Pelatihan Jaringan Syaraf Tiruan Propagasi Balik (lanjutan)

Kalikan nilai ini dengan turunan dari fungsi aktivasinya untuk menghitung informasi

error :

)_(_ jjj inzfin

Kemudian hitung koreksi bobot (yang nantinya akan digunakan untuk memperbaiki

nilai vij):

ijjk xv

Kemudian hitung koreksi bias (yang nantinya akan digunakan untuk memperbaiki nilai

v0j):

jjv 0

f. Dengan Penambahan momentum, bobot baru pada waktu ke (t+1) didasarkan atas

bobot pada waktu t dan (t-1). Disini harus ditambahkan dua variabel baru yang

mencatat besarnya momentum untuk dua iterasi terakhir. Jika adalah konstanta (0 ≤ ≤ 1) yang menyatakan parameter momentum maka bobot baru dihitung berdasarkan

persamaan :

)1()()()1( twtwztwtw kjkjjkkjkj

dan

)1()()()1( tvtvxtvtv jijjijijjijji

2. Jika perbandingan antara error pelatihan yang baru dengan error pelatihan lama melebihi

maksimum kenaikan kinerja (max_perf_inc), maka bobot-bobot baru tersebut akan diabaikan,

sekaligus nilai learning rate akan dikurangi dengan cara mengalikannya dengan lr_dec. Jika

perbandingan antara error pelatihan baru dengan error pelatihan lama kurang dari maksimum

kenaikan kinerja, maka nilai bobot-bobot akan dipertahankan, sekaligus nilai learning rate

akan dinaikkan dengan cara mengalikannya dengan lr_inc

3. Tes Kondisi berhenti

21

Lampiran 2 Hasil pelatihan dan pengujian percobaan 1

a. Generalisasi

Toleransi Galat Hidden neuron

10 20 30 40 50 60 70 80 90 100

10-2 72.50% 70.00% 70.00% 70.00% 80.00% 70.00% 72.50% 70.00% 77.50% 77.50%

10-3 67.50% 72.50% 70.00% 72.50% 75.00% 75.00% 75.00% 75.00% 75.00% 72.50%

10-4 72.50% 72.50% 80.00% 70.00% 72.50% 77.50% 75.00% 77.50% 75.00% 75.00%

b. Waktu Latih

Toleransi Galat Hidden Neuron

10 20 30 40 50 60 70 80 90 100

10-2 31.4 12.9 4.1 6.4 3.41 3.4 1.7 2.4 1.6 1.7

10-3 46.4 14.2 6.4 5.6 7.6 5.1 7.3 8.4 4 8.3

10-4 46.3 39.2 21.3 17.9 8.2 6.1 6.3 7.7 5.9 11.7

c. Jumlah Epoch


10 20 30 40 50 60 70 80 90 100

10-2 2965 720 381 372 298 294 127 183 107 121

10-3 5000 1557 683 577 786 496 733 819 373 729

10-4 5000 4225 2210 1584 818 617 620 740 541 1104

d.

21

22

Lampiran 3 Hasil Pelatihan dan pengujian Percobaan 2

a. Generalisasi

Toleransi Galat Hidden neuron

10 20 30 40 50 60 70 80 90 100

10-2 72.50% 75.00% 75.00% 77.50% 80.00% 75.00% 75.00% 75.00% 77.50% 75.00%

10-3 72.50% 77.50% 80.00% 80.00% 75.00% 77.50% 77.50% 77.50% 77.50% 77.50%

10-4 75.00% 75.00% 82.50% 80.00% 82.50% 77.50% 82.50% 82.50% 80.00% 80.00%

b. Waktu Latih

Toleransi

Galat

Hidden Neuron

10 20 30 40 50 60 70 80 90 100

10-2 44.7 8.97 6.5 6.4 3.1 6.9 2.96 1.3 4 3.06

10-3 44.9 34.3 8.97 5.06 3.9 6.6 6.1 6.1 5.2 3

10-4 46.1 23.6 21.3 17.9 9.3 7.6 7.7 6.5 9 3.9

c. Jumlah epoch

Toleransi

Galat

Hidden Neuron

10 20 30 40 50 60 70 80 90 100

10-2 4897 972 699 372 298 340 324 90 352 255

10-3 5000 3793 917 501 332 581 550 543 460 232

10-4 5000 2469 2210 1584 780 677 708 688 971 306

22

23


a. Generalisasi


10 20 30 40 50 60 70 80 90 100

10-2 75.00% 70.00% 80.00% 80.00% 75.00% 75.00% 80.00% 85.00% 70.00% 75.00%

10-3 75.00% 75.00% 75.00% 80.00% 80.00% 75.00% 75.00% 70.00% 75.00% 85.00%

10-4 70.00% 85.00% 70.00% 75.00% 75.00% 70.00% 80.00% 80.00% 80.00% 80.00%

b. Waktu Latih


10 20 30 40 50 60 70 80 90 100

10-2 22.2 6.01 4.16 4.14 2.6 3.98 4.3 1.7 1.7 1.7

10-3 49.21 17.57 9.91 4.1 4.1 3.13 7.2 8.3 3.4 6.9

10-4 47.4 29.3 19.7 17.6 7.2 16.13 21.5 7.4 7.52 5

c. Jumlah epoch


10 20 30 40 50 60 70 80 90 100

10-2 2954 453 358 330 211 312 353 118 111 121

10-3 5000 1752 1030 387 371 279 612 759 278 590

10-4 4572 2888 1901 1659 789 1382 1943 694 765 412

23

24


a. Generalisasi

Toleransi

Galat

Hidden Neuron

10 20 30 40 50 60 70 80 90 100

10-2 75.00% 75.00% 85.00% 75.00% 85.00% 80.00% 70.00% 80.00% 75.00% 90.00%

10-3 75.00% 75.00% 80.00% 80.00% 80.00% 80.00% 80.00% 80.00% 80.00% 75.00%

10-4 75.00% 80.00% 80.00% 75.00% 75.00% 75.00% 75.00% 75.00% 80.00% 80.00%

b. Waktu Latih

Toleransi

Galat

Hidden Neuron

10 20 30 40 50 60 70 80 90 100

10-2 34.70 4.64 3.40 3.12 1.09 1.57 2.93 1.15 3.02 3.03

10-3 45.4 10.32 5.80 3.80 8.35 6.30 2.70 3.07 2.62 4.40

10-4 50.57 21.50 10.42 5.21 7.48 7.90 3.80 4.70 3.86 13.00

c. Jumlah epoch

Toleransi

Galat

Hidden Neuron

10 20 30 40 50 60 70 80 90 100

10-2 3599 375 292 280 68 116 244 73 240 232

10-3 5000 1074 564 350 784 569 205 251 195 347

10-4 5000 2181 1042 581 696 727 440 380 305 562

24

25

Lampiran 6 Confusion Matrix Akurasi Terendah Empat Percobaan

a. Percobaan 1 (Hidden Neuron 20, Toleransi galat 10-3)

b. Percobaan 2 (Hidden Neuron 10,Toleransi Galat 10-2)

Kelas 1 2 3 4 5 6 7 8 9 10

1 11 1 1

2 1111

3 111 1

4 1111

5 111 1

6 1111

7 1111

8 11 11

9 1 111

10 11 11

Kelas 1 2 3 4 5 6 7 8 9 10

1 11

1

1

2

1111

3

111

1

4

1111

5

111

1

6

111

1

7

1

111

8 1

1 1 1

9

1

111

10

1

11

1

25

26

Lampiran 6 Confusion Matrix Akurasi Terendah Empat Percobaan (lanjutan)

c. Percobaan 3 (Hidden Neuron 20, Toleransi galat 10-2)

Kelas 1 2 3 4 5 6 7 8 9 10

1 1 1

2 11

3 1

1

4 11

5 1 1

6 11

7 11

8 1 1

9 11

10 1 1

d. Percobaan 4 ( Hidden Neuron 70 , Toleransi galat 10-2)

Kelas 1 2 3 4 5 6 7 8 9 10

1 1 1

2 11

3 1 1

4 11

5 1 1

6 11

7 11

8 11

9 11

10 1 1

26

Documents

PENGENALAN GENUS DIATOM MENGGUNAKAN PRINCIPAL … · Struktur JST Backpropagation ... 3. Contoh citra diatom asli berukuran 2560 x 1920 piksel. ... Lampiran 1 Algoritma p. elatihan