PENERAPAN METODE JARINGAN SYARAF TIRUAN UNTUK PENDUGAAN JENIS KELAMIN IKAN: STUDI KASUS IKAN KOI (Cyprinus carpio)
Oleh: MUHAMMAD IQBAL C06400008
PROGRAM STUDI ILMU DAN TEKNOLOGI KELAUTAN FAKULTAS PERIKANAN DAN ILMU KELAUTAN INSTITUT PERTANIAN BOGOR
2005 PENERAPAN METODE JARINGAN SYARAF TIRUAN UNTUK PENDUGAAN JENIS KELAMIN IKAN: STUDI KASUS IKAN KOI (Cyprinus carpio)
SKRIPSI Sebagai salah satu syarat untuk memperoleh gelar Sarjana Perikanan pada Fakultas Perikanan dan Ilmu Kelautan
Oleh: MUHAMMAD IQBAL C06400008
PROGRAM STUDI ILMU DAN TEKNOLOGI KELAUTAN FAKULTAS PERIKANAN DAN ILMU KELAUTAN INSTITUT PERTANIAN BOGOR
2005
RINGKASAN MUHAMMAD IQBAL. Penerapan Metode Jaringan Syaraf Tiruan untuk Pendugaan Jenis Kelamin Ikan: Studi Kasus Ikan Koi (Cyprinus carpio ). Dibimbing oleh INDRA JAYA dan ODANG CARMAN. Koi (Cyprinus carpio) merupakan salah satu ikan yang dari dulu hingga saat ini terkenal di masyarakat, khususnya pecinta ikan hias, para hobiis dan pebisnis yang terjun langsung memelihara dan mengkomersialkannya. Koi terkenal karena warna, bentuk dan gerakannya yang menarik sehingga sederetan langkah dilakukan untuk mendapatkan keindahan tersebut. Salah satu langkah penting yang sering dilakukan adalah denga n penentuan jenis kelamin ikan dimana ikan koi jantan pada umumnya memiliki keindahan yang lebih bila dibandingkan dengan koi betina. Penelitian ini bertujuan untuk mengimplementasikan sebuah sistem yang mampu mengintegrasikan metode pemilahan jenis kela min melalui penerapan jaringan syaraf tiruan sebagai sebuah metode komputasi yang relatif baru dibidang perikanan. Diharapkan pengembangan sistem ini nantinya mampu melakukan pendugaan yang lebih dini terhadap jenis kelamin ikan koi. Pengumpulan data dilaksanakan pada bulan Desember 2004 sampai dengan Februari 2005. Sumber data diperoleh dari hasil foto ikan koi yang dipelihara di Laboratorium Basah Biologi Laut. Implementasi dan analisis sistem di lakukan di Laboratorium Akustik dan Instrumentasi Kelautan Departemen ITK dan Laboratorium Pengembangbiakan dan Genetika Ikan Departemen BDP untuk identifikasi jenis kelamin. Analisis citra ikan yang didapatkan menggunakan algoritma pengolahan citra sehingga akan dihasilkan nilai deskriptor – deskriptor sebagai masukan pada sebuah jaringan syaraf tiruan. Adapun deskriptor yang diambil yaitu Panjang, Lebar, Perimeter, Area, Elongation, Circulariy, Rectangular, Indeks Warna Merah, Indeks Warna Biru, Indeks Warna Hijau, Intensitas, Hue dan Saturasi objek ikan Koi. Hasil analisis menunjukan bahwa nilai deskriptor yang dihasilkan ikan jantan dan ikan betina pada umumnya berbeda nyata kecuali pada deskriptor Elongation dan deskriptor Iindeks Warna Hijau. Algoritma Jaringan Syaraf Tiruan (JST) yang digunakan adalah algoritma Backpropagation. Komponen algoritma JST yang digunakan berbeda untuk ikan jantan dan betina sangat tergantung pada nilai laju pembelajaran, jumlah neuron tersembunyi dan jumlah iterasi yang dilakukan, sedangkan nilai momentum yang digunakan sama yaitu 0.5 Tingkat akurasi terbaik yang diperoleh adalah 100% pada saat pelatihan baik pada ikan jantan maupun ikan betina sedangkan tingkat akurasi terbaik yang diperoleh pada saat validasi adalah 70%. Pada ikan jantan laju pembelajaran yang memberikan hasil validasi terbaik adalah learning rate 0.9 dengan iterasi maksimum 10,000 kali dan jumlah neuron tersembunyi sebanyak 39 buah, sedangkan pada ikan betina didapatkan nilai laju pembelajaran sebesar 0.3 dengan jumlah neuron tersembunyi sebanyak 39 buah dan iterasi maksimum sebanyak 10,000 kali. SKRIPSI
Judul
: PENERAPAN METODE JARINGAN SYARAF TIRUAN UNTUK PENDUGAAN JENIS KELAMIN IKAN: STUDI KASUS IKAN KOI (Cyprinus carpio)
Nama Mahasiswa
: Muhammad Iqbal
NRP
: C06400008
Disetujui, Pembimbing I
Pembimbing II
Dr. Ir. Indra Jaya, M.Sc. NIP. 131 578 799
Dr. Ir. Odang Carman, M.Sc. NIP. 131 578 847
Mengetahui, Dekan Fakultas Perikanan & Ilmu Kelautan
Dr. Ir. Kadarwan Soewardi, M.Sc. NIP. 130 805 031
Tanggal lulus: 21 Oktober 2005
KATA PENGANTAR Puji syukur kepada Tuhan Yang Maha Pengasih dan Pemurah, berkat karunia dan anugrah-Nya sehingga penyusunan skripsi dengan judul “Penerapan Metode Jaringan Syaraf Tiruan untuk Pendugaan Jenis Kelamin Ikan: Studi Kasus Ikan Koi (Cyprinus carpio) “ sebagai salah satu syarat kelulusan pada Fakultas Perikanan dan Ilmu Kelautan dapat diselesaikan. Terima kasih penulis ucapkan kepada Bapak Dr. Ir. Indra Jaya, M.Sc sebagai penanggung jawab Laboratorium Instrumentasi dan Telemetri Kelautan sekaligus sebagai ketua dosen pembimbing, Bapak Dr. Ir. Odang Carman, M.Sc selaku anggota dosen pembimbing dan atas izinnya menggunakan Laboratorium Pengembangbiakan dan Genetika Ikan Departemen BDP, Bapak Prof. Dr. Ir. Dedhi Soedharma, DEA selaku kepala Laboratorium Biologi Laut yang telah memberikan izin untuk penggunaan Laboratorium tersebut, Bapak Dr. Ir. Setyo Budi Susilo, M.Sc yang telah bersedia menjadi dosen penguji tamu. Penulis menyadari menyadari keterbatasan yang ada sehingga tulisan ini masih belum sempurna, oleh karena itu perbaikan dan penelitian selanjutnya masih tetap diperlukan. Namun demikian penulis berharap semoga tulisan ini berguna bagi penulis dan pihak lain yang memerlukan.
Bogor, Oktober 2005
Muhammad Iqbal
DAFTAR ISI
Halaman DAFTAR TABEL ............................................................................ v DAFTAR GAMBAR........................................................................
vi
DAFTAR LAMPIRAN....................................................................
viii
1.
PENDAHULUAN 1.1 Latar Belakang ....................................................................... 1.2 Tujuan ...................................................................................
1 3
2. TINJAUAN PUSTAKA 2.1 Klasifikasi dan Morfologi Koi.............................................. 2.2 Jaringan Syaraf Tiruan ..... .................................................... 2.3 JST Propagasi balik............................................................... 2.4 Penerapan Metode JST di Bidang Perikanan dan Kelautan..
4 8 14 18
3. BAHAN DAN METODE 3.1 Waktu dan Tempat Penelitian................................................ 3.2 Bahan dan Alat Penelitian...................................................... 3.3 Teknik Pengambilan Data ...................................................... 3.4 Penentuan Jenis Kelamin Ikan secara Histologi..................... 3.5 Penentuan Deskriptor Ikan dengan Pengolahan Citra ........... 3.6 Desain Perangkat Lunak Pendugaan Jenis Kelamin Ikan Koi. 3.7 Metode JST dalam identifikasi kelamin Ikan Koi.............. ..... 3.8 Validasi Model......................................................................
20 20 21 22 23 28 30 32
4. HASIL DAN PEMBAHASAN 4.1 Program Aplikasi JST ............................................................ 4.2 Mengedit Citra Hasil Pemotretan Dengan Image Editor......... 4.3 Perhitungan Deskriptor dengan Pengolahan Citra.................. 4.4 Basisdata KOI.......................................................................... 4.5 Histogram Citra........................................................................ 4.6 Karakteristik Deskriptor Geometrik........................................ 4.6.1 Karakteristik Deskriptor Panjang................................... 4.6.2 Karakteristik Deskriptor Lebar....................................... 4.6.3 Karakteristik Deskriptor Perimeter................................. 4.6.4 Karakteristik Deskriptor Area......................................... 4.6.5 Karakteristik Deskriptor Elongation............................... 4.6.6 Karakteristik Deskriptor Circularity............................... 4.6.7 Karakteristik deskriptor Rectangular.............................. 4.7 Karakteristik Deskriptor Warna...............................................
35 37 39 42 44 45 46 47 48 49 51 52 54 55
4.7.1 Karakteristik Deskriptor Indeks Warna Merah............... 56 4.7.2 Karakteristik Deskriptor Indeks Warna Hijau................. 57 4.7.3 Karakteristik Indeks Warna Biru...................................... 4.7.4 Karakteristik Deskriptor Intensitas................................... 6 4.7.5 Karkteristik Deskriptor Hue............................................. 4.7.6 Karakteristik Deskriptor Saturasi..................................... 63 iii 4.8 Pendugaan Jenis Kelamin Ikan Koi dengan JST...................... 65 4.8.1 Pelatihan JST.................................................................... 65 4.8.2 Pengujian JST................................................................... 73 4.9 Keunggulan metode JST dibandingkan metode histologi dan morfologi untuk penentuan jenis kelamin ikan koi......................... 72 5. KESIMPULAN DAN SARAN 5.1 Kesimpulan............................................................................... 5.2 Saran.........................................................................................
81 81
DAFTAR PUSTAKA.......................................................................
83
LAMPIRAN......................................................................................
85
RIWAYAT HIDUP............................................................................
90
iv 59 0 62
DAFTAR TABEL Halaman 1. Deskripsi Statistik Deskriptor Ikan koi Jantan pada proses pelatihan....................................................................
68
2. Tipe Jaringan Syaraf Tiruan Ikan Koi Jantan pada proses Pelatihan.........................................................................................
68
3. Deskripsi Statistik Deskriptor Ikan koi Betina pada proses pelatihan....................................................................
71
4. Tipe Jaringan Syaraf Tiruan Ikan Koi Betina pada proses Pelatihan.........................................................................................
71
5. Hasil Dugaan JST pada tipe JST pertama ikan koi jantan..............
75
6. Hasil Dugaan JST pada tipe JST kedua ikan koi jantan................
76
7. Hasil Dugaan JST pada tipe JST ketiga ikan koi jantan................
77
8. Hasil Dugaan JST pada tipe JST pertama ikan koi betina..............
78
9. Hasil Dugaan JST pada tipe JST kedua ikan koi betina..................
79
10. Hasil Dugaan JST pada tipe JST ketiga ikan koi betina...................
80
DAFTAR GAMBAR v 1. Ikan Koi Betina dan Ikan Koi Jantan……………………………
Halaman 8
2. Ikan Koi Lokal dan Ikan Koi Impor.............................................
9
3. Konsep Kerja Jaringan Syaraf Tiruan (JST)................................
11
4. Gambaran Jaringan Syaraf Tiruan (JST).....................................
12
5. Model Network Multilayer ..........................................................
13
6. Fungsi Aktivasi Sigmoid Biner....................................................
16
7. Arsitektur Jaringan Propagasi Balik.......................................... ..
18
8. Teknik Pengambilan Data............................................................ .
24
9. Metode Deteksi Tepi dan Ujung Objek.......................................
25
10. Koneksi Piksel 8-Path..................................................................
26
11. Alur Perhitungan Deskriptor..................................................... ...
28
12. Alur Program Utama yang dikembangkan..................................
30
13. Struktur Jaringan Syaraf Tiruan yang dikembangkan.................
33
14. Form Utama Aplikasi...................................................................
36
15. Modul Image Editor dan perhitungan secara manual...................
38
16. Citra sebelum dan sesudah diedit..................................................
39
17. Citra hasil Filter, Hasil Binerisasi dan Hasil Deteksi Tepi...........
40
18. Tampilan form Advance Filter......................................................
41
19. Struktur Direktori Aplikasi............................................................
42
20. Tampilan Form Database Editor...................................................
43
21. Tampilan Form Copy Database Untuk manipulasi Struktur Database........................................................................................
44
vi
vii 22. Tampilan form Histogram Citra....................................................
45
23. Grafik Pertumbuhan Linear Panjang Ikan Koi Jantan dan Betina..
46
24. Grafik Pertumbuhan Linear Lebar Ikan Koi Jantan dan Betina..
47
25. Grafik Pertumbuhan Linear Perimeter Ikan Koi Jantan dan Betina..
49
26. Grafik Pertumbuhan Linear Area Ikan Koi Jantan dan Betina..........
50
27. Grafik Pertumbuhan Linear Elongation Ikan Koi Jantan dan Betina..
52
28. Grafik Pertumbuhan linear Circularity ikan Koi Jantan dan Betina..
53
29. Grafik Pertumbuhan linear Rectangular ikan Koi Jantan dan Betina..
55
30. Grafik Pertumbuhan linear Indeks Warna Merah ikan Koi Jantan dan Betina.................................................................
57
31. Grafik Pertumbuhan linear Indeks Warna Hijau ikan Koi Jantan dan Betina..................................................................
58
32. Grafik Pertumbuhan linear Indeks Warna Biru ikan Koi Jantan dan Betina..................................................................
60
33. Grafik Pertumbuhan Linear Intensitas Ikan Koi Jantan dan Betina....
61
34. Grafik Pertumbuhan Linear Hue Ikan Koi Jantan dan Betina.............. 63 35. Grafik Pertumbuhan Linear Saturasi Ikan Koi Jantan dan Betina.......
64
36. Tampilan Form Learning Propagasi balik................................. ..
66
37. Grafik Perubahan sigma error JST pertama ikan jantan.............. .
69
38. Grafik Perubahan sigma error JST Kedua ikan jantan..................
69
39. Grafik Perubahan sigma error JST ketiga ikan jantan.............. ...
70
40. Grafik Perubahan sigma error JST pertama ikan betina.............. .
72
41. Grafik Perubahan sigma error JST Kedua ikan betina..................
73
42. Grafik Perubahan sigma error JST ketiga ikan betina.............. ...
73
43. Tampilan form Aktivasi JST.........................................................
74
DAFTAR LAMPIRAN Halaman 1. Data Deskriptor Ikan..................................................................
76
2. Hasil Perhitungan FHitung setiap deskriptor Menggunakan Software MINITAB...........................................
80
3. Data Masukan Pelatihan.............................................................
82
4. Data Masukan Pendugaan..........................................................
86
5. Kode Sumber Beberapa Modul Penting Aplikasi......................
88
6. Jenis-jenis JST yang dicoba untuk mencari parameter Terbaik........................................................................................
91
1.
viii
2. PENDAHULUAN
1.1 Latar Belakang Koi (Cyprinus carpio) merupakan salah satu ikan hias yang sejak dulu hingga saat ini terkenal di masyarakat, khususnya pecinta ikan hias, para hobiis dan pebisnis yang terjun langsung memelihara koi dan mengkomersialkannya. Hal ini disebabkan koi memiliki warna yang indah dan eksotis, bentuk dan gerakan yang menarik serta harga yang sangat menggiurkan. Untuk mendapatkan warna yang indah, bentuk dan gerakan yang menarik para pemelihara koi harus melakukan sederetan langkah yang rumit untuk dilakukan, salah satu langkah terpenting yang harus dilakukan adalah penentuan jenis kelamin (gender) secara dini. Penentuan gender ini penting dilakukan karena pada umumnya koi betina memiliki warna yang kurang tajam dibandingkan dengan koi jantan sehingga warna buram atau tidak cemerlang ini akan sangat menurunkan nilai dari seekor koi, terutama bagi seekor koi kontes. Penentuan gender yang dilakukan selama ini masih dilakukan secara manual sehingga dibutuhkan waktu yang cukup lama agar ciri – ciri fisik pembeda kelamin tersebut muncul, sehingga biaya produksi yang harus ditanggung oleh para pembudidaya ikan semakin besar, oleh karena itu diperlukan suatu cara yang lebih dini dan lebih baik dalam penentuan jenis kelamin ini. Perkembangan dunia komputer pada akhir–akhir ini sangat pesat. Hal ini terbukti dengan digunakanya komputer dan komponen yang terintegrasi dengannya hampir di setiap bidang. Salah satu sistem yang kemudian berkembang yaitu sistem kecerdasan
buatan (Artificial Intelegence). Kecerdasan buatan merupakan teknik menggunakan komputer untuk berpikir atau berperilaku seperti manusia yang jika diamati pada manusia dianggap cerdas. Pada kesempatan ini penulis mencoba meneliti mengenai salah satu subsistem dari sistem kecerdasan buatan , yaitu yang disebut dengan Jaringan Saraf Tiruan (JST) . JST merupakan suatu struktur komputasi yang dikembangkan dari proses jaringan saraf biologi di dalam otak, dengan kemampuan dasar yaitu mampu mempelajari contoh input dan output yang diberikan, kemudian belajar beradaptasi dengan lingkungan sehingga dapat memecahkan masalah – masalah yang tidak dapat dipecahkan dengan metode komputasi konvensional. JST merupakan teknik komputasi yang efektif untuk memecahkan berbagai permasalahan seperti pengidentifikasian sampel (termasuk pengidentifikasian suara dan citra), klasifikasi, kompresi data, optimasi, pemodelan dan peramalan serta pemecahan permasalahan kombinatorial, adaptive control dan multi sensor data fusion. Dalam aplikasinya, JST banyak dipakai dalam masalah klasifikasi (Haralobus dan Georgakarakos, 1996). Agar komputer bisa bertindak seperti dan sebaik manusia, maka komputer juga harus diberi bekal pengetahuan, dan mempunyai kemampuan menalar. Untuk itu pada teknik kecerdasan buatan, akan dicoba untuk memberikan beberapa metode untuk membekali komputer dengan kedua komponen tersebut agar komputer bisa menjadi mesin yang pintar (Kusumadewi, 2003).
1.2
Tujuan Tujuan dilakukannya penelitian ini adalah mendesain dan mengimplementasikan
sebuah sistem yang mampu melakukan metode pemilahan jenis kelamin ikan Koi (Cyprinus carpio) melalui penerapan metode jaringan syaraf tiruan.
3. TINJAUAN PUSTAKA
2.1.
Klasifikasi dan Morfologi Koi Koi berasal dari ikan karper hitam, sehingga secara sistematik koi dapat
diklasifikasikan sebagai berikut (Yusuf, 2002). Filum
: Chordata
Subfilum
: Vertebrata
Superklas
: Gnasthostomata
Kelas
: Osteichthyes
Superordo Ordo Famili Genus Spesies
: Teleostei : Ostariophysi : Cyprinidae : Cyprinus : Cyprinus carpio
Morfologi koi tidak jauh berbeda dengan jenis-jenis ikan yang lain yaitu terdiri atas bagian kepala, badan dan bagian mulut. Bagian badan memiliki pigmen atau warna seperti Xantofora (kuning), Melanofora (hitam), gunofora (putih kemilauan) dan Eritrofora (merah). Bagian kepala mirip dengan ikan mas koki, tetapi dilengkapi dengan satu sungut, sedangkan bagian mulut koi tidak terlalu lebar dan bagian rahang tidak memiliki gigi. Gigi yang digunakan untuk mengunyah makanan terletak pada bagian tenggorokan.
Penentuan jenis kelamin ikan koi pada saat ini dilakukan dengan dua cara yaitu menggunakan metode jaringan secara morfologi dan metode histologis. Secara morfologi, koi jantan dan betina dapat dibedakan dengan jelas. Perbedaan itu dapat dilihat dari beberapa ciri (Agoes.et.al, 2002) yaitu : 1. Koi jantan bertubuh lebih ramping dibandingkan dengan koi betina 2. Perut koi jantan mengecil sedangkan koi betina perutnya membesar 3. Warna koi jantan lebih menyolok atau nyata dibandingkan dengan koi betina yang berwarna kuning menyolok 4. Bagian anus koi jantan menonjol (cembung) sedangkan koi betina bagian anus cekung ke dalam 5. Koi jantan memiliki tutup insang kasar sedangkan koi betina memiliki tutup insang halus 6. Pada koi jantan, jika bagian perut ke anus dipijit akan mengeluarkan cairan putih seperti susu sedangkan pada koi betina cairanya bening 7. Gerakan koi jantan lebih gesit dibandingkan dengan koi betina. 8. Pertumbuhan koi jantan lebih lambat daripada betina seumurnya
Jenis kelamin ikan koi dapat dibedakan saat ikan tersebut sudah cukup dewasa, kurang lebih saat mencapai ukuran 25 cm. Koi jantan umumnya memiliki bentuk tubuh yang lebih ramping dengan ujung tubuh yang meruncing, kepalanya tampak lebih besar dari tubuhnya, sementara ikan koi betina memiliki kepala yang lebih kecil dan runcing. Tepi sirip dada bagian pangkal koi jantan lebih tebal dan kuat daripada sirip koi betina. Tubuh betina terlihat gemuk dan lebih lembut bila ditekan, lubang pelvic koi jantan lebih sempit dengan bentuk oval dan agak cekung. Induk koi jantan yang berkualitas
didapatkan setelah berumur kurang lebih dua tahun sedangkan untuk koi betina harus lebih dari tiga tahun (Ria, 1995). Untuk membedakan induk jantan dan induk betina memang agak sulit terutama jika ukurannya masih dibawah 25 cm. Induk yang dewasa harus berukuran minimum 40 cm, sehingga tanda-tanda kelaminya tampak jelas (Dayat dan Sitanggang, 2003).
(a)
(b)
Sumber: Agoes.et.al (2002) Gambar 1. Ikan Koi Betina (a) dan Koi Jantan (b)
Secara Histologis, penentuan jenis kelamin ikan koi dilakukan pada saat ikan berumur 140 hari, caranya yaitu dengan mengambil ikan uji lalu diletakkan diatas gelas objek dan dicacah, setelah itu diteteskan larutan asetokarmin dan didiamkan beberapa saat. Preparat ditutup dengan gelas penutup dan diamati dibawah mikroskop. Gonad ikan koi betina akan terlihat berukuran lebih besar dibandingkan dengan gonad ikan koi jantan (Zairin, 2002).
Koi yang ada di Indonesia memiliki banyak variasi terutama pola warna yang dihasilkan. Umumnya, pecinta ikan hias menggolongkan koi sebagai ikan hias biasa dan ikan hias untuk kontes. Pada dasarnya, ikan koi yang ada di Indonesia dikelompokkan menjadi 2, yaitu koi lokal dan koi impor. Koi lokal adalah hasil persilangan atau pembastaran antara koi Indonesia dan koi impor sedangkan koi impor adalah koi yang didatangkan dari Jepang. Koi lokal memiliki perbedaan yang jelas dengan koi impor. Koi lokal memiliki warna yang kurang cemerlang dibandingkan dengan koi impor. Koi impor memiliki warna yang lebih murni, warna putih tidak memudar kekuningan seperti koi lokal, bentuknya juga tidak pipih seperti koi lokal (Agoes.et.al, 2002).
(a)
(b)
Sumber: Agoes.et.al (2002) Gambar 2. Ikan Koi Impor (a) dan Ikan koi lokal (b) Untuk menyatakan apakah seekor koi (baik koi lokal maupun koi impor) berkualias memang sangat susah, sehingga dibutuhkan suatu standar minimal agar koi
tersebut dikatakan berkualitas terutama karena koi berfungsi sebagai ikan hias, tentu saja harus memberi kepuasan kepada konsumennya. 2.2 Jaringan syaraf tiruan Pada sistem yang menggunakan kecerdasan buatan, akan dicoba untuk memberikan output berupa solusi dari suatu masalah berdasarkan kumpulan pengetahuan yang ada. Input yang diberikan pada sistem yang menggunakan kecerdasan buatan berupa masalah. Pada sistem harus dilengkapi dengan sekumpulan pengetahuan yang ada pada basis pengetahuan. Sistem harus memiliki inference engine agar mampu mengambil kesimpulan berdasarkan fakta atau pengetahuan. Output yang diberikan berupa solusi masalah sebagai hasil dari inferensi. JST merupakan salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak manusia pada struktur komputasi, sehingga output yang dihasilkan bekerja seperti halnya sistem jaringan saraf biologi di dalam otak. Secara sederhana konsep kerja dari jaringan syaraf tiruan dapat dijelaskan oleh Gambar 3 (Demuth dan Beale, 1999 dalam Kusumadewi, 2003).
Target Input
Neuron-neuron jaringan syaraf tiruan yang memiliki bobot tertentu
Bandingkan
Perbaiki nilai Bobot
Sumber: ( Demuth dan Beale, 1999) in Kusumadewi (2003) Gambar 3. Konsep kerja jaringan syaraf tiruan
Seperti terlihat pada Gambar 3, bobot hubungan antara elemen atau neuron pada JST disesuaikan berdasarkan galat hasil perbandingan antara output dengan target sampai jaringan mencapai pola target. Jaringan syaraf tiruan adalah suatu grup pemrosesan elemen-elemen (neuronneuron), dimana suatu subgroup (layer) melakukan komputasi yang independent dan meneruskan hasilnya ke subgroup selanjutnya. Pemrosesan elemen-elemen dalam subgroup ele men mempunyai tingkat aktivasi dari input yang diterimanya, kemudian mengirimkannya sebagai sinyal ke beberapa elemen yang lain. Seperti yang ditunjukan pada Gambar 4, JST ini mempunyai beberapa input dan satu output.
Nilai Bobot
x
ù
x
ù
x
ù
X
X = ∑ ωi xi
Input
Fungsi Aktivasi
f(x)
Y = f(x)
Output
Sumber: Kusumadewi (2003) Gambar 4.
Gambaran Jaringan syaraf tiruan (JST)
Gambar 4 diatas dapat dijelaskan dengan singkat yaitu sebelum sinyal input dimasukan kedalam unit output, suatu sinyal X i digandakan dengan beban ωi terhadap X i dinyatakan dengan X = ∑ ωi x i . Oleh unit output X i dimasukan kedalam suatu fungsi transfer f (x ) tertentu (fungsi aktivasi) untuk menghasilkan output akhir. Fungsi transfer f (x ) dapat berupa fungsi linier atau fungsi lainya yang dapat lebih kompleks.
Layaknya jaringan syaraf biologi, jaringan syaraf tiruan memiliki karakteristikkarakteristik yang khas antara lain: a) Arsitektur Merupakan gambaran pola hubungan antara neuron. Pada arsitektur JST terdapat elemen – elemen pemrosesan informasi (neuron – neuron) yang saling berhubungan melalui connection link. Neuron – neuron disusun pada suatu lapisan (layer), umumnya lapisan – lapisan tersebut terdiri dari lapisan input (input layer), lapisan terselubung (hidden layer) dan lapisan output (ouput layer). Neuron – neuron pada lapisan yang sama biasanya memiliki sifat atau kelakuan yang sama. Arsitektur JST yang digunakan pada penelitian ini adalah multi – layer neural net (JST lapis ganda) yang memiliki satu lapisan terselubung (hidden layer) diantara lapisan input dan lapisan ouput. Arsitektur JST lapisan ganda adalah seperti gambar berikut.
Output Layer
O0
O1
Oc
H
H
H
vBC 1
H0
H1
H2
H3
HB
H
Hidden Layer
ù AB Input Layer
1
X0
X1
XA
Sumber: (Rich dan Knight) in Sriyasa (2003) Gambar 5. Model Network Multilayer (Rich dan Knight, 2001)
dimana : X A = Variabel input node A pada lapisan input, A=0, 1, 2, … H B = Output node B pada lapisan Hidden, B=0, 1, 2, … OC = Output node C pada lapisan terselubung (hidden layer) ωAB = Bobot yang menghubungkan node A pada lapisan input dengan node B pada lapisan hidden VBC = Bobot yang menghubungkan node B pada lapisan terselubung (hidden layer) dengan node C pada lapisan output.
b) Pelatihan (Training) Pembelajaran (learning) merupakan algoritma yang dipakai untuk penentuan bobot pada hubungan (connection link). Metode pelatihan jaringan syaraf tirua n dapat diklasifikasikan menjadi tiga yaitu: supervised, reinforcement dan unsupervised. Metode pelatihan supervised yaitu metode pembelajaran dengan output yang diharapkan telah diketahui sehingga pembelajaran ini dapat diasumsikan dengan guru yang hadir selama proses pelatihan dan setiap contoh yang diberikan terdiri dari nilai input dan nilai target. Selama proses pelatihan, nilai output yang dihasilkan dibandingkan dengan antar target untuk menentukan besarnya galat. Galat tersebut digunakan untuk mena mbah pembobot pada jaringan syaraf tiruan sehingga dapat meningkatkan kinerja jaringan. Proses pelatihan ini tercapai jika galat pada setiap contoh yang diberikan telah diperkecil pada tingkat yang dapat diterima.
Contoh algoritma yang menggunakan metode supervised adalah Delta rule, Backpropagation, Hebian dan Stokastik. Metode pelatihan reinforcement adalah dengan diasumsikan adanya guru yang hadir selama proses pelatihan, tetapi nilai target tidak diberikan, hanya diberikan indikasi bahwa nilai output adalah benar atau salah, indikasi ini digunakan oleh JST untuk memperbaiki kinerja jaringan. Contoh algoritma yang menggunakan metode reinforcement adalah Learning automata. Metode pelatihan Unsupervised adalah diasumsikan tanpa guru selama proses pelatihan, contoh yang diberikan selama pelatihan hanya berupa input tanpa nilai target. Sistem harus belajar menemukan dan beradaptasi terhadap perbedaan dan persamaan didalam nilai input yang diberikan . Contoh algoritma yang menggunakan metode unsupervised antara lain hopfield dan Kohonen feature Map. c) Fungsi aktivasi Fungsi aktivasi yang mentranformasikan total input JST pada suatu neuron untuk menghasilkan sinyal keluaran (outgoing activity). Fungsi aktivasi yang digunakan pada penelitian ini adalah fungsi sigmoid:
f (x ) =
1 − ωx (1 + e ∑ ) i i
…………………………………
(1)
.....................................................
(2)
dengan f ' ( x ) = δf ( x)(1 − f ( x)) dimana: δ =
∑ω x i
i
f ' ( x ) = turunan pertama fungsi aktivasi ωi = bobot neuron ke – i; i = 0,1,2,… X i = input ke – i pada layer
Fungsi sigmoid biner memiliki nilai pada range 0 sampai 1. oleh karena itu, fungsi ini sering digunakan untuk jaringan syaraf yang membutuhkan nilai output yang terletak pada interval 0 sampai 1. walaupun pada penelitian ini hanya membutuhkan nilai keluaran 0 dan 1 tetapi dengan menggunakan fungsi aktivasi sigmoid biner pengambilan keputusan dapat lebih teliti karena perubahan nilai output lebih ”halus” (mengikuti kurva sigmoid) dibandingkan dengan menggunakan fungsi biner, dimana perubahanya sangat ”kasar” (hanya memiliki keluaran 0 dan 1). Untuk mendapatkan nilai keluaran 0 dan 1 maka akan digunakan nilai 0.5 sebagai batas dimana nilai keluaran dibawah 0.5 dianggap sebagai keluaran 0 dan keluaran diatas 0.5 dianggap sebagai keluaran 1
ä = 0.2 f(x)
ä = 0.5 ä=1
Sumber: Kusumadewi (2002) Gambar 6. Fungsi aktivasi sigmoid biner Pada Gambar 6. dapat dilihat bahwa semakin kecil nilai δ = ∑ ωi xi maka keluaran atau output akan semakin landai, ini berarti perubahan nilai output yang dihasilkan akan semakin halus.
2.3
JST Propagasi Balik JST propagasi balik merupakan salah satu model JST yang popular dan tangguh.
JST ini menggunakan arsitektur yang mirip denga n arsitektur JST multi layer perceptron ( dengan satu atau lebih lapisan tersembunyi diantara lapisan masukan dan lapisan keluaran). JST propagasi balik menggunakan metode pembelajaran terawasi (supervised training) (Rich dan Knight, 2001). JST propagasi 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. Gambar 7 merupakan arsitektur JST propagasi balik dengan satu lapisan input (unit – unit X i ) , satu lapisan tersembunyi (unit-unit H i ) dan satu lapisan output (unit – unit Oi ). 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. Umumnya, neuron-neuron yang terletak pada lapisan yang sama akan memiliki keadaan yang sama. Faktor terpenting dalam menentukan kelakuan suatu neuron adalah fungsi aktivasi dan pola bobotnya. Pada lapisan yang sama, neuron-neuron akan memiliki aktivasi yang sama.
N i l a i
X0
I n p u t
X1
O1 H0 O2 H1
X2
O3 Bobot Matrik 1
Input Layer
Bobot Matrik 2
Hidden Layer
Output Layer
Sumber: Kusumadewi (2003) Gambar 7.
Arsitektur jaringan propagasi balik
Menurut Rich dan Knight (2001) algoritma yang dipakai pada JST propagasi balik adalah sebagai berikut : 1) Tentukan matrik X A sebagai lapisan input, vector OC sebagai lapisan output dengan C sebagai banyak unit neuronnya, dan matrik H B sebagai lapisan terselubung dengan B unit neuron. Tingkat aktivasi masing – masing lapisan adalah - X A sebagai tingkat aktivasi pada lapisan input - H B sebagai tingkat aktivasi pada lapisan terselubung - OC sebagai tingkat aktivasi pada lapisan output Normalisasi nilai input X A dan target YC dalam selang [0..1] 2) Bobot yang menghub ungkan masing – masing layer adalah: - ωAB merupakan bobot yang menghubungkan lapisan input dengan lapisan terselubung
- VBC merupakan bobot yang 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: - X 0 = 1.0
- H 0 = 1.0
4) Propagasi nilai aktivasi mulai dari unit-unit lapisan input ke unit-unit lapisan terselubung dengan menggunakan fungsi aktivasi : HB =
1 − ω x (1 + e ∑ ij i )
;………………………………
(3)
dimana : i
= 0,……A
j
= 1,…….B
X 0 = selalu bernilai 1 (satu) ω0 j = merupakan bobot threshold untuk unit ke-j lapisan terselubung 5) Propagasikan aktiva si dari unit – unit lapisan terselubung ke unit – unit lapisan output dengan fungsi aktivasi : Oc =
1 − V h (1 + e ∑ jk j )
dimana : i
= 0,……B
j
= 1,…….C
h0 = selalu bernilai 1 (satu)
;….…………………………………..
(4)
V0 k = merupakan bobot threshold unit ke- k lapisan output 6) Hitung besar error (äk ) keluaran yang dihasilkan oleh lapisan output. Error merupakan selisih antara output aktual network (O k ) dengan target (yk ). δk = Ok (1 − y k )( y k − Ok ) k=1,..C; …………………………...
(5)
7) Hitung besar error (äj ) unit- unit neuron pada lapisan terselubung sebagai berikut: δ j = H j (1 − H j )∑ δk ωjk ; j=1,...,B .......................................
(6)
8) Sesuaikan bobot unit- unit neuron antara lapisan terselubung dengan lapisan output dengan memberikan niali learning rate (â) yang menentukan kecepatan jaringan untuk melakukan training. ∆v jk = βδk H j ......................................................................
(7.a)
V jk = V jk + βδk H j .................................................................
(7.b)
dimana
j= 0,…..,B dan k= 1,…., C
9) Sesuaikan bobot unit- unit neuron antara lapisan input dengan lapisan terselubung ∆ωjk = βδxi .........................................................................
(8.a)
ωjk = ωjk + βδxi ............................................................. …..
(8.b)
dimana
i=0, …, A dan j= 1,…., B
10) Kembali ke langkah 4 dan ulangi sampai dengan langkah 10, proses dihentikan sampai dengan Ok mendekati yk , dengan menentukan nilai E<0.0001. 2.4
Penerapan metode JST di bidang perikanan dan kelautan Penerapan metode JST pada bidang perikanan dan kelautan masih jarang
dilakukan. Penerapan JST yang sudah dilakukan diantaranya pada tahun 2003, Wayan Sriyasa menerapkan algoritma propagasi balik untuk melakukan pendugaan schooling ikan. Dengan menggunakan jumlah neuron hidden dua kali dari jumlah neuron input dan variasi nilai laju pembelajaran 0.3; 0.5 dan 0.9 dilaporkan bahwa JST propagasi balik dapat diterapkan untuk pendugaan schooling ikan dengan ketelitian mencapai 100% pada saat pelatihan dan akurasi 70% pada saat validasi.
3. BAHAN DAN METODE 3.1
Waktu dan tempat penelitian Pengumpulan data dilaksanakan pada bulan Desember 2004 sampai dengan bulan
Februari 2005. Sumber data diperoleh dari hasil foto ikan koi yang dipelihara di Laboratorium Basah Biologi Laut. Implementasi dan analisis sistem dilakukan di Laboratorium Akustik dan Instrumentasi Kelautan, Departemen Ilmu dan Teknologi Kelautan, dan Laboratorium Pengembangbiakan dan Genetika Ikan Departemen Budidaya Perikanan, Fakultas Perikanan dan Ilmu Kelautan, Institut Pertanian Bogor. 3.2
Bahan dan alat penelitian Dalam penelitian ini digunakan seperangkat komputer lengkap dengan perangkat
lunak yang diperlukan serta alat dan bahan lain yang diperlukan. Perangkat komputer dan bahan yang digunakan yaitu : 1. Komputer dengan CPU berbasis AMD Athlon 2. Bahasa Pemrograman Borland Delphi 7.0 3. Software Pengolah gambar Adobe Photoshop 6.0 4. Program spreadsheet Microsoft Excel 5. Program Apllikasi basisdata Microsoft Acces 6. Lampu Pijar 30 Watt 7. Kamera Digital (3,2 MegaPiksel) 8. Bak pemeliharaan (3 x 1.5 x 0.5 m) 9. Akuarium (50 x50 x 30 cm) 10. Aerator
11. Kertas lilin warna biru 12. Penggaris (Alat Ukur Panjang) 13. Ikan Koi (80 ekor) Seluruh perangkat keras dan lunak tersebut dipergunakan dalam implementasi sistem serta program yang akan dikembangkan didalam penelitian ini. Ikan yang dipelihara adalah jenis ikan koi lokal dengan umur ikan satu bulan. Pemeliharaan ikan dilakukan pada bak berukuran 2x3 meter dan disekat dengan dimensi 20x30 cm. Penyekatan ini bertujuan agar ikan dapat dikenali, baik pada saat pengambilan data citra maupun pada proses pencocokan data citra dengan data jenis kelamin ikan yang ditentukan secara histologis. 3.3
Teknik pengambilan data Image atau citra didapatkan dari hasil pemotretan ikan pada satu sisi pemotretan
yaitu pemotretan pada bagian atas ikan. Pemotretan bagian atas ikan ini dilakukan pada jarak 20 cm dari ikan dengan bidang pandang tegak lurus kamera (Gambar 8). Kemudian citra dimasukan kedalam komputer dan disimpan dalam komputer dengan format JPEG Pengambilan data dilakukan setiap hari dengan frekuensi pengambilan sebanyak satu kali . Dengan frekuensi pengambilan data sekali sehari ini diharapkan mampu memperlihatkan perubahan nilai data deskriptor yang lebih baik.
3.4
Penentuan jenis kelamin ikan secara histologi Setelah pengambilan foto selama tiga bulan dilakukan , kemudian ikan –ikan koi
tersebut diambil data jenis kelaminnya sebagai input data target bagi sistem jaringan syaraf tiruan yang dibuat. Pada penelitian ini sebanyak 10 ikan yang di uji jenis kelaminnya sehingga didapatkan jenis kelamin yang berbeda yaitu jantan dan betina kemudian diambil satu ikan jantan dan satu ikan betina yang akan dianalisis pada sistem jaringan syaraf tiruan yang dikembangkan. Penentuan jenis kelamin ikan percobaan dilakukan secara histologi dengan cara pemeriksaan pada jaringan gonad. Adapun prosedur pelaksanaannya yaitu gonad diambil dan dihancurkan pada gelas objek sampai halus dan ditambahkan beberapa tetes larutan asetokarmin. Setelah itu didiamkan beberapa menit dan diamati menggunakan mikroskop. Gonad ikan koi betina akan terlihat berukuran lebih besar dibandingkan dengan gonad ikan koi jantan Larutan asetokarmin digunakan dala m pewarnaan jaringan gonad pada penentuan jenis kelamin ikan. Larutan asetokarmin dibuat dengan cara melarutkan 0.6 gram bubuk karmin dalam 100 ml asam asetat 45 %. Larutan dipanaskan selama 2-4 menit. Selanjutnya didinginkan dan disaring dengan menggunakan kertas saring untuk memisahkan partikel kasarnya (Guerrero dan Shelton, 1974). Setelah data jenis kelamin secara histologi didapatkan kemudian dilakukan insialisasi data target dimana data target ikan jenis kelamin jantan diberi nilai 1 sedangkan ikan dengan jenis kelamin betina deberi nilai 0.
Air Masuk
Ikan masuk
Kamera 15 cm 30 cm 30 cm
Tripot
5 cm
15 cm
Penggaris 30 cm
15 cm
Ikan Keluar
20 cm
Bak Penampung
Pompa
30 cm
Gambar 8. Teknik pengambilan Data
3.5
Penentuan deskriptor Ikan dengan Pengolahan Citra Penentuan deskriptor ikan koi dilakukan dengan membaca citra digital secara
keseluruhan dengan beberapa tahapan yaitu: 1) Setiap piksel citra dibaca secara sistematis dari atas ke bawah. 2) Kemudian dilakukan filtering warna berdasarkan nilai ambang objek. Sebelumnya ambang objek diukur dengan software pengolah image yaitu Adobe Photoshop 6.0.
3) Setelah objek didapatkan kemudian dilakukan binerisasi citra terfilter, dimana objek dan latar diberikan dua warna yang berbeda yaitu putih untuk objek dan hitam untuk latar. Pada tahap ini juga akan dihitung deskriptor indeks warna biru, merah, hijau,nilai hue, nilai saturasi, dan intensitas dari objek. 4) Dengan image yang sudah biner ini dilakukan perhitungan deskriptor
Perhitungan deskriptor diawali dengan perhitungan area dan perimeter dengan cara sebagai berikut:
Piksel (X, Yatas)
Awal Deteksi
Piksel (Xkiri, Y)
Akhir Deteksi Piksel (X, Ybawah) Piksel (Xkanan, Y)
Sumber: Sriyasa (2003) Gambar 9.
Metode Deteksi tepi dan ujung objek
Deteksi dilakukan dengan pembacaan piksel objek dengan menggunakan kaidah 8-Neighborhs, dimana piksel objek dikelilingi oleh 8 piksel lainya.
Pxl(i-1,j-1)
Pxl(i-1,j) Pxl(i,j)
Pxl(i,j-1) Pxl(i+1,j-1)
Pxl(i+1,j)
Pxl(i-1,j+1)
Pxl(i,j+1) Pxl(i+1,j+1)
Sumber: Balza (2005) Gambar 10.
Koneksi Piksel 8-Path
Pendeteksian tepi objek dilakukan dengan koneksi 8-neighborhs atau 8-path (Usman, 2002). Perimeter objek yaitu jumlah piksel yang menyusun seluruh tepi objek, dimana perimeter dapat dihitung dengan : Perimeter =
Piksel(t)(X,Y) .............................................................
(9)
Pengukuran luas (area) objek dan latar belakang dilakukan dengan membedakan citra objek dengan latar belakangnya menggunkan citra biner. Objek berwarna putih sedangkan latar berwarna hitam. Luas objek dihitung dengan cara menghitung jumlah piksel yang berwarna putih. Area =
Piksel(X,Y) .........................................................................
(10)
Lebar objek yaitu jarak atau selisih antara koordinat piksel tepi paling bawah dengan koordinat piksel paling atas, Lebar = Piksel(X, Ybawah) – Piksel(X, Yatas) .....................................
(11)
Pengukuran deskriptor lebar menggunakan rumus diatas dilakukan bila gradien (Xkanan ,Y) dan (Xkiri,Y) adalah nol. Jika gradien tersebut tidak nol maka perhitungan
deskriptor lebar dilakukan denga n menghitung panjang garis lurus yang tegak lurus dengan garis panjang, dengan memanfaatkan sifat gradien tegak lurus yaitu m1 * m2 =-1 ................................................................................................ m=
Y2 − Y1 X 2 − X1
..............................................................................................
(12) (13)
dimana: -
Y2 = Ybawah
-
Y1 = Yatas
-
X2 = Xkanan
-
X1 = Xkiri. Sedangkan panjang objek adalah selisih koordinat piksel tepi paling kanan dengan
koordinat tepi paling kiri, Panjang = Piksel(Xkanan , Y) – Piksel(Xkiri, Y) ....................................
(14)
Untuk konversi jumlah piksel kedalam nilai ukuran panjang (Milimeter) maka pada setiap pemotretan dilakukan pada perbesaran dan jarak yang sama dengan penggaris sebagai kontrol.
Langkah- langkah perhitungan deskriptor diatas dapat disusun dalam sebuah diagram alir sebagaimana ditunjukan pada Gambar 13.
Mula i
Pengeditan citra
Baca citra secara sistematis
Filtering dan Binerisasi serta hitung sebagian Deskriptor
Deteksi tepi, hitung Sisa Deskriptor
Simpan Hasil
Ya Masih ada data
Tidak
Selesai
Gambar 11. Alur penghitungan deskriptor
3.6
Desain perangkat lunak pendugaan jenis kelamin ikan Koi Perangkat lunak yang dikembangkan terdiri dari beberapa unit fungsional yaitu
unit pengolahan citra, unit perhitungan deskriptor, unit pembelajaran, unit aktivasi dan unit basisdata (database). Semua unit tersebut akan menjadi satu kesatuan membentuk sebuah program utama yang ma mpu melakukan pendugaan gender ikan koi (Gambar 12). Pertama kali unit pengolahan citra akan bekerja untuk mengolah citra agar dapat mendeteksi deskriptor yang dibutuhkan dengan melakukan proses filtering kemudian dilakukan proses binerisasi citra. Dengan citra yang sudah dibiner ini kemudian dlakukan proses pendeteksian tepi. Unit perhitungan deskriptor sebagian bekerja pada saat citra sudah terbiner yaitu melakukan perhitungan descriptor warna yaitu jumlah warna RGB dan nilai indeksnya, sedangkan sebagian lagi dilakukan pada saat citra sudah di deteksi perimeternya. Hasil perhitungan yang dilakukan oleh unit perhitungan deskriptor akan disimpan pada unit basisdata. Pada saat penyimpan di unit basisdata terdapat dua pilihan yaitu apakah data tersebut disimpan sebagai data pelatihan atau sebagai data aktivasi. Setelah semua citra dan deskriptor dideteksi dan datanya disimpan dalam basisdata, kemudian dilakukan proses pelatihan atau aktivasi jaringan. Jika dilakukan proses pelatihan maka akan digunakan basisdata pelatihan dan begitu juga sebaliknya. Pada proses pelatihan digunakan algoritma propagasi balik sedangkan pada proses aktivasi hanya menggunakan algoritma propagasi maju.
Mulai Panggil Image (*.JPG) dan Edit Citra
Baca citra secara Sistematis
Filtering dan Binerisasi
Database Pelatihan/ Aktivasi
Hitung sebagian Deskriptor
Simpan Hasil
Pelatihan/ Aktivasi
Deteksi Tepi dan Hitung Deskriptor
Simpan Hasil Ya Masih ada Data?
Tidak Pelatihan
Pelatihan/ Aktivasi
Propagasi Balik
Aktivasi Propagasi Maju
Tidak
Masih ada Data?
Ya
Ya Apakah error < 0.001
Keputusan
Tidak Selesai
Gambar 12. Alur program utama yang dikembangkan
3.7
Metode jaringan syaraf tiruan dalam identifikasi kelamin ikan Koi Pada model jaringan syaraf ini digunakan tiga lapisan yaitu lapisan input, lapisan tersembunyi (hidden layer) dan lapisan output. Pemilihan model dengan 3 lapisan ini dengan pertimbangan bahwa penggunaan JST lebih dari tiga lapisan tidak akan memperbaiki kinerja jaringan. Faktor deskriptor yang terdeteksi pada citra akan menjadi masukan pada lapisan input dengan jumlah titik simpul (node) pada input adalah sebanyak 14 unit, dengan data masukan berupa Area (A), perimeter (Pr), Lebar (L), panjang (P), Elongation(elong), Circularity (circ) , Rectangular(rect) , indeks warna merah (Ired), indeks warna hijau (I green), indeks warna biru (Iblue), intensitas (I), hue (Hu), dan Saturation (S). lapisan tersembunyi terdiri atas 1, 2 dan 3 kali noda input dan lapisan output terdiri atas satu titik simpul. Data input yang diberikan pada input layer terdiri atas : a)
X1 = Area (A)
b)
X2 = Perimeter (Pr)
c)
X3 = Lebar (L)
d)
X4 = Panjang (P)
e)
X5 = Elongation (Elong = P L )
f)
2 X6 = Circularity (Circ = P 4πA )
g)
X7 = Rectangular (rect = P ∗ L A )
h)
X8 = Indeks warna merah (Ired =
R ) ( R + G + B)
i)
X9 = Indeks warna hijau (I green =
G ) ( R + G + B)
j)
X10 = Indeks warna biru (I blue =
B ) ( R + G + B)
k)
X11 = Intensitas (I =
l)
X12 = hue (cos Hu =
m)
X13 = Saturation ( S = I −
R +G + B ) 3 2R − G − B ) (2 2( R + G) + ( R + B) ⋅ ( R + G ) 3 min( RGB) ) ( R + G + B)
Sebagai output terdiri atas dua keputusan yaitu jantan memberikan nilai >0.5 dan betina memberikan nilai < 0.5 Hidden Layer 1 Input Layer H1
1 H2 X1 H3
Output Layer
X2 H4
[0 1]
X3 H5 X4 H6
H7 X13 H8
HB Keterangan : B = 1, 2, 3 kali noda input
O1
Gambar 13. Struktur jaringan syaraf tiruan yang dikembangkan 3.8
Validasi model Setelah sistem menyelesaikan proses pembelajaran maka diperlukan adanya
proses pengujian kinerja apakah jaringan yang kita bangun telah bekerja sesuai dengan yang diharapkan tentu saja pengujian ini menggunakan data yang belum pernah diberikan kepada jaringan. Proses pengujian ini disebut dengan validasi. Kinerja jaringan dapat dinilai berdasarkan nilai RMSE (Root Mean Square Error) pada proses generalisasi contoh data input-output baru, nilai RMSE dapat dirumuskan menjadi :
RMSE
=
∑ (p n
− a)
2
;……………………………….
(15)
dimana : p = nilai prediksi yang dihasilkan oleh jaringan a = nilai target yang diberikan oleh jaringan n = jumlah contoh pada set data validasi
Jika sistem (JST) telah berhasil selama proses pelatihan dan validasi maka sistem tersebut sudah dapat digunakan untuk aplikasi selanjutnya.
4. HASIL DAN PEMBAHASAN
4.1
Program aplikasi JST Perangkat lunak yang dikembangkan dalam penentuan jenis kelamin ikan koi
dengan menggunakan pengolahan citra dan JST adalah berupa program aplikasi yang bekerja pada sistem operasi Microsoft Windows™. Aplikasi ini dibangun dengan teknologi yang mendukung objek GUI (Graphical User Interface), dimana dalam era pemrograman Windows objek GUI dapat mendukung aplikasi yang bersifat ramah pemakai (user friendly) sehingga dengan demikian aplikasi ini dapat mudah dipahami dan digunakan oleh pengguna. Secara garis besar aplikasi ini dikembangkan dengan dua unsur dasar yaitu unsur fungsi dan unsur komunikasi. Unsur fungsi dalam hal ini berarti bahwa aplikasi ini mampu melakukan fungsinya sebagai aplikasi yang dapat melakukan komputasi yang relatif rumit dengan serangkaian fungsi aritmatika dan logika yang kompleks tanpa mengalami gangguan pada saat aplikasi dijalankan. Unsur kedua adalah unsur komunikasi, dimaksudkan di sini bahwa aplikasi ini sebagaimana fungsinya untuk melakukan komputasi yang rumit namun tetap mudah digunakan oleh pengguna tanpa harus memiliki kemampuan pemrograman yang tinggi, bahkan diharapkan pengguna yang tidak memiliki kemampuan programming sama sekali dapat pula memakai aplikasi ini tanpa mengalami kesulitan. Perangkat lunak ini didesain dengan beberapa modul utama antara lain modul pengolah citra, modul pengedit citra (image editor), modul komputasi JST serta modul basisdata. Modul- modul ini kemudian diintegrasikan dalam menu- menu yang dikelompokkan berdasarkan fungsinya masing – masing. Aplikasi ini terdiri atas 8 menu
33
utama yang terdiri atas menu File, Edit, View, Tool, ANN, Report, Window, Help. Desain antarmuka aplikasi ini adalah seperti terlihat dalam Gambar 14.
Menu Utama
Hasil Analisis Image Processing
Citra Ikan KOI
Aksi Image Processing
Data Hasil Analisis
Histogram Keabuan
Gambar 14. Form utama aplikasi
Menu tersebut terdiri dari submenu yang berfungsi untuk melakukan operasi pengolahan citra dan komputasi untuk simulasi JST, serta penyimpanan dan pengelolaan basisdata koi.
4.2
Mengedit citra hasil pemotretan dengan image editor Citra yang dihasilkan dari hasil pemotretan tidak bisa langsung digunakan dalam
modul pengolah citra tetapi terlebih dahulu harus diedit sehingga tidak terjadi kesalahan
dalam pendeteksian nilai – nilai deskriptor ikan pada saat melakukan pengolahan citra. Pengeditan citra dapat dilakukan menggunakan image editor yang terintegrasi dalam aplikasi ini. Image editor dibuat sehingga user dapat melakukan pengeditan terhadap citra baik melakukan pengeditan yang bersifat standar seperti cropping, brush, sizing image maupun melakukan pengeditan yang berisifat advance seperti balancing, soften, lighten, gradien dan lain- lain. Untuk citra pemotretan, dimana ikan yang dipotret tidak tepat tegak lurus dapat juga diukur nilai deskriptornya, yaitu panjang dan lebar objek di dalam modul ini, dengan disediakannya fasilitas line tool dan zoom serta informasi nilai panjang vektor yang dihasilkan oleh line tool tersebut, seperti yang diperlihatkan dalam Gambar 15.
Zoom Sehingga Piksel Tepi terlihat cukup Jelas
Gambar 15. Modul image editor dan perhitungan deskriptor lebar Line tool digunakan untuk membuat garis yang menyatakan panjang maupun lebar dari ikan, sedangkan zoom digunakan untuk memudahkan user dalam menentukan ujung atau tepi dari objek yang diukur. Pengeditan citra pada umumnya dilakukan dengan beberapa langkah yaitu sizing image (pengubahan ukuran citra), cropping image (pemotongan citra) kemudian pemberian warna latar yang sama yaitu biru dengan brush. Contoh hasil pengeditan citra dapat dilihat pada Gambar 16.
(a)
(b) Gambar 16. (a) Citra sebelum diedit, (b) Citra Setelah diedit
4.3
Perhitungan deskriptor ikan dengan pengolahan citra Perhitungan deskriptor ikan dengan proses pengolahan citra dilakukan
menggunakan beberapa algoritma yang ada yaitu algoritma filtering, binerisasi dan algoritma pendeteksian tepi (edge detection).
1. Filtering : Langkah ini dilakukan untuk memastikan bahwa objek (Ikan) dengan latar terpisah dengan baik, nilai ambang yang digunakan dapat berbeda untuk setiap cit ra tergantung pada pembacaan histogram dan penangkapan visual dari user. Contoh hasil filter dapat dilihat pada Gambar 17.a. Terdapat dua fasilitas filter yang disediakan pada aplikasi ini yaitu filter yang didasarkan pada satu warna dasar kemudian filter berdasarkan tiga nilai RGB citra atau disebut advance filter (Gambar 18). 2. Binerisasi : Langkah ini dilakukan setelah proses filter dilakukan, proses binerisasi ini bertujuan untuk memisahkan objek dengan latar, sehingga perhitungan deskriptor objek dapat dilakukan dengan lebih mudah. Contoh hasil Binerisasi dapat dilihat pada Gambar 17.b. Pada proses binerisasi inilah akan dihitung nilai deskriptor luas, nilai indeks warna biru, indeks warna merah, indeks warna hijau, intensitas, hue dan saturasi dari objek. 3. Deteksi Tepi : Langkah ini dilakukan dengan memberikan nilai piksel putih pada setiap tepi objek yang dideteksi dengan matriks 8 – neighborhs. Pada proses ini juga akan dihitung nilai perimeter, panjang, lebar, elongation, rectangular dan nilai circularity dari objek.
Teknik pengolahan citra pada penelitian ini masih tergolong sederhana, masih tergantung pandangan visual pengguna terutama dalam penentuan nilai ambang objek citra, hal ini disebabkan oleh citra yang dihasilkan masih belum baik dikarenakan nilai RGB latar yang diharapkan berbeda jauh dengan nilai RGB objek ternyata sangat susah didapatkan karena kondisi pencahayaan dan tingkat kekeruhan air yang berbeda pada saat
pemotretan. Akibat bervariasinya nilai RGB latar ini menyebabkan automatisasi pengolahan citra susah dilakukan.
(a)
(b)
(c) Gambar 17. (a) Citra hasil filter (b) Citra hasil binerisasi (c) Citra hasil deteksi tepi
Gambar 18. Tampilan form Advance filter 4.4
Basisdata KOI Data yang dihasilkan dari proses pengolahan citra akan disimpan dalam basisdata
paradox. Basisdata koi ini terdiri atas dua alias yaitu basisdata untuk proses pembelajaran yang terdapat pada direktori C:\iqbal\databasekoilearn dan basisdata proses pengujian yang terdapat pada direktori C:\iqbal\databasekoiactiv.
Directory Directory Database
Gambar 19. Struktur Direktori Aplikasi Untuk melakukan pengeditan terhadap basisdata, pada aplikasi ini juga disediakan database editor yang akan membantu user dalam mengedit dan melihat data yang telah disimpan pada direktori tersebut.
Gambar 20. Tampilan form database editor
Pada database editor ini yang dapat diedit hanyalah isi dari setiap field basisdata tetapi tidak dapat merubah struktur dari basisdata. Bagi pengguna yang ingin menyimpan file basisdatanya dalam file Microsoft Acces juga disediakan tool untuk konversi basisdata dari basisdata Paradox ke basisdata Microsoft Acces, serta bagi pengguna yang sangat familiar dengan pengolahan data menggunakan Microsoft Excel juga telah disediakan ala t bantu konversi data ke Microsoft Excel (*.CSV). Untuk pengguna yang menguasai sedikit bahasa SQL (Baca: Sequel) maka disediakan juga alat bantu yang disebut copy database. Alat bantu ini sengaja ditujukan untuk merubah struktur dari basisdata sehingga dengan data yang sama dapat dilakukan proses pembelajaran atau aktivasi yang berbeda terutama jika pengguna menginginkan jumlah dan jenis input berbeda.
Gambar 21. Tampilan form copy database untuk manipulasi struktur basisdata
4.5
Histogram citra Pada aplikasi ini juga disediakan alat bantu bagi pengguna yang cukup baik
pemahamanya tentang sebaran warna citra yaitu histogram citra, dengan alat bantul ini diharapkan seorang pengguna dapat terbantu dalam menentukan nilai ambang dari setiap citra yang akan dianalisis. Nilai – nilai statistik citra ini juga dapat disimpan dalam sebuah file teks sehingga bagi pengguna yang ingin mengikuti perkembangan statistik histogram citra yang dianalisis dapat dengan mudah terbantu. Tampilan form histogram citra ini dapat dilihat pada Gambar 22 .
Gambar 22. Tampilan form histogram citra
4.6
Karakteristik deskriptor geometrik Data deskriptor yang termasuk data deskriptor geomerik yaitu panjang, lebar, area,
perimeter, elongation, circularity dan rectangular. Nilai elongation, circularity dan rectangular merupakan data turunan artinya data tersebut bukan merupakan data yang diambil secara langsung dari citra yang dimasukan tetapi merupakan hasil perhitungan dari data deskriptor geometrik yang lain.
4.6.1
Karakteristik deskriptor Panjang Kisaran panjang untuk ikan koi jantan yang diambil yaitu berkisar antara 57.10 -
98.97 mm dengan nilai rata-rata 78.09 mm dan simpangan baku sebesar 12.72 dengan kecepatan pertumbuhan linear ikan koi jantan ini sebesar 0.73 mm/hari dengan nilai R2 sebesar 0.99. Untuk ikan koi betina nilai panjang yang terdeteksi berkisar antara 60.66 – 113.49 mm dengan nilai rata – rata 93.10 dan simpangan baku sebesar 16.03 dengan kecepatan pertumbuhan linear sebesar 0.86 mm/hari pada R2 sebesar 0.94.
140 y = 0,9069x + 65,893 R 2 = 0,9438
120
Panjang (mm)
100 80
y = 0,726x + 55,943 R2 = 0,9942
60 40 20 0 0
10
20
30
40 Hari
Jantan
Betina
50
60
70
Gambar 23. Grafik pertumbuhan linear panjang ikan koi jantan ( ) dan betina ( ) Hasil perhitungan nilai FHitung menunjukan data deskriptor panjang ikan koi jantan dan data deskriptor panjang ikan koi betina berbeda nyata (lampiran 2), hal ini menunjukan pertumbuhan linear panjang ikan koi jantan dan betina berbeda nyata.
4.6.2
Karakteristik deskriptor Lebar
Kisaran lebar untuk ikan koi jantan yang diambil yaitu berkisar antara 27.41 50.21 mm dengan nilai rata-rata 39.52 mm dan simpangan baku sebesar 6.85 dengan kecepatan pertumbuhan linear lebar ikan koi jantan ini sebesar 0.39 mm/hari pada nilai R2 sebesar 0.97. Untuk ikan koi betina nilai lebar yang terdeteksi berkisar antara 25.26 – 59.66 mm dengan nilai rata – rata 47.61 dan simpangan baku sebesar 11.76 dengan kecepatan pertumbuhan linear sebesar 0.67 mm/hari pada R2 sebesar 0.96.
80
y = 0,6711x + 27,471
70
R 2 = 0,9612
60
Lebar (mm)
50 y = 0,3863x + 27,732 R 2 = 0,9689
40
30
20
10
0 0
10
20
30
40
50
60
70
Hari Jantan
Betina
Gambar 24. Grafik pertumbuhan linear lebar ikan koi jantan ( ) dan betina ( )
Hasil perhitungan nilai FHitung menunjukan data deskriptor lebar ikan koi jantan dan data deskriptor lebar ikan koi betina berbeda nyata (lampiran 2), hal ini menunjukan pertumbuhan linear lebar ikan koi jantan dan betina berbeda nyata.
4.6.3
Karakteristik deskriptor Perimeter Perimeter adalah jumlah piksel yang dianggap sebagai tepi dari ikan koi.
Perimeter ikan koi jantan pada penelitian ini berkisar antara 1769 - 6978 piksel dengan nilai rata-rata 4198.92 piksel dan simpangan baku sebesar 1398.97 dengan kecepatan pertumbuhan linear perimeter ikan koi jantan ini sebesar 78.79 piksel/hari pada nilai R2 sebesar 0.97. Untuk ikan koi betina nilai perimeter ya ng terdeteksi berkisar antara 2800 - 14980 piksel dengan nilai rata – rata 8112.04 dan simpangan baku sebesar 3686.28 dengan kecepatan pertumbuhan linear sebesar 212.49 piksel/hari pada R2 sebesar 0.98.
16000
y = 212,49x + 1737,3 R2 = 0,9802
14000
Perimeter (piksel)
12000
10000
y = 78,768x + 1796,5 R2 = 0,9669
8000
6000
4000
2000
0 0
10
20
30
40
50
60
70
Hari Jantan
Betina
Gambar 25. Grafik pertumbuhan linear perimeter ikan koi jantan ( ) dan betina ( )
Hasil perhitungan nilai FHitung menunjukan data deskriptor perimeter ikan koi jantan dan data deskriptor perimeter ikan koi betina berbeda nyata (lampiran 2), hal ini menunjukan pertumbuhan linear perimeter ikan koi jantan dan betina berbeda nyata.
4.6.4
Karakteristik deskriptor Area
Area adalah jumlah piksel yang dianggap sebagai objek. area ikan koi jantan pada penelitian ini berkisar antara 40216 - 96209 piksel dengan nilai rata-rata 64431.13 piksel dan simpangan baku sebesar 18559.96 dengan kecepatan pertumbuhan linear perimeter ikan koi jantan ini sebesar 1036.5 piksel/hari pada nilai R2 sebesar 0.95. Untuk ikan koi betina nilai area yang terdeteksi berkisar antara 48959 - 143310 piksel dengan nilai rata – rata 107446.37 dan simpangan baku sebesar 29630.54 dengan kecepatan pertumbuhan linear sebesar 1646.6 piksel/hari pada R2 sebesar 0.91.
180000
y = 1646,6x + 58351 160000
R2 = 0,911
140000
Area (piksel)
120000
100000
80000
y = 1036,5x + 32817 R2 = 0,9513
60000
40000
20000
0 0
10
20
30
40
50
60
70
Hari
Jantan
Betina
Gambar 26. Grafik pertumbuhan linear area ikan koi jantan ( ) dan betina ( )
Hasil perhitungan nilai FHitung menunjukan data deskriptor area ikan koi jantan dan data deskriptor area ikan koi betina berbeda nyata (lampiran 2), hal ini menunjukan pertumbuhan linear area ikan koi jantan dan betina berbeda nyata.
4.6.5
Karakteristik deskriptor Elongation
Elongation adalah nilai perbandingan antara panjang dan lebar suatu objek. Elongation ikan koi jantan pada penelitian ini berkisar antara 1.81 - 2.22 dengan nilai rata-rata 1.98 dan simpangan baku sebesar 0.08 dengan kecepatan pertumbuhan linear elongation ikan koi jantan ini sebesar -0.0013 /hari pada nilai R2 sebesar 0.0862. Untuk ikan koi betina nilai elongation yang terdeteksi berkisar antara 1.72 – 2.44 dengan nilai rata – rata 1.9997 dan simpangan baku sebesar 0.19007 dengan kecepatan pertumbuhan linear sebesar -0.0101/hari pada R2 sebesar 0.83.
3
2,5 y = -0,0013x + 2,0224 R2 = 0,0862
Elongation
2
y = -0,0101x + 2,3022 R2 = 0,8295
1,5
1
0,5
0 0
10
20
30
40
50
60
70
Hari Jantan
Betina
Gambar 27. Grafik pertumbuhan linear elongation ikan koi jantan ( ) dan betina ( )
Hasil perhitungan nilai FHitung menunjukan data deskriptor elongation ikan koi jantan dan data deskriptor elongation ikan koi betina tidak berbeda nyata (lampiran 2), hal ini menunjukan pertumbuhan linear elongation ikan koi jantan dan betina tidak berbeda nyata.
4.6.6
Karakteristik deskriptor Circularity
Circularity adalah nilai yang memberikan informasi apakah objek cenderung berbentuk bulat atau ellips, jika objek tersebut bulat maka nilai circularity objek tersebut sama dengan 1 dan nilai ini akan bertambah sesuai dengan kelonjonganya. Circularity ikan koi jantan pada penelitian ini berkisar antara 6.20 - 40.72 dengan nilai rata-rata 22.39 dan simpangan baku sebesar 8.47 dengan kecepatan pertumbuhan linear circularity ikan koi jantan ini sebesar -0.4435 /hari pada nilai R2 sebesar 0.84. Untuk ikan koi betina nilai circularity yang terdeteksi berkisar antara 12.75 – 124.67 dengan nilai rata – rata 50.82 dan simpangan baku sebesar 33.64 dengan kecepatan pertumbuhan linear sebesar -1.8663/hari pada R2 sebesar 0.91.
140
y = 1,8663x - 5,1719 R2 = 0,908
120
100
Circularity
80
60
y = 0,4435x + 8,8658 R2 = 0,8369
40
20
0 0
10
20
30
40
50
60
70
-20
Hari Jantan
Betina
Gambar 28. Grafik pertumbuhan linear circularity ikan koi jantan ( ) dan betina ( )
Hasil perhitungan nilai FHitung menunjukan data deskriptor circularity ikan koi jantan dan data deskriptor circularity ikan koi betina berbeda nyata (lampiran 2), hal ini menunjukan pertumbuhan linear circularity ikan koi jantan dan betina berbeda nyata.
4.6.7
Karakteristik deskriptor rectangular
Rectangular adalah nilai yang memberikan informasi apakah suatu objek berbentuk persegi, jika objek tersebut berbentuk persegi maka nilai rectangularnya sama dengan 1. Rectangular ikan koi jantan pada penelitian ini berkisar antara 0.04 – 0.06 dengan nilai rata-rata 0.05 dan simpangan baku sebesar 0.0044 dengan kecepatan pertumbuhan linear rectangular ikan koi jantan ini sebesar 0.0002 /hari pada nilai R2 sebesar 0.45. Untuk ikan koi betina nilai rectangular yang terdeteksi berkisar antara 0.0298 – 0.05228 dengan nilai rata – rata 0.0414 dan simpangan baku
sebesar 0.0060 dengan kecepatan pertumbuhan linear sebesar 0.0003/hari pada R2 sebesar 0.93. Untuk lebih jelasnya dapat dilihat gambar 31.
0,06
y = 0,0002x + 0,0432 R2 = 0,4386
0,05
y = 0,0003x + 0,0312 R2 = 0,9272
Rectangular
0,04
0,03
0,02
0,01
0 0
10
20
30
40
50
60
70
Hari Jantan
Betina
Gambar 29. Grafik pertumbuhan linear rectangular ikan koi jantan ( ) dan betina ( )
Hasil perhitungan nilai FHitung menunjukan data deskriptor rectangular ikan koi jantan dan data deskriptor rectangular ikan koi betina berbeda nyata (lampiran 2), hal ini menunjukan pertumbuhan linear rectangular ikan koi jantan dan betina berbeda nyata.
4.7
Karakteristik deskriptor warna Data deskriptor yang termasuk data deskriptor warna yaitu indeks warna merah,
indeks warna hijau, indeks warna biru, hue, saturasi dan intensitas. Nilai hue, saturasi dan intensitas merupakan data turunan artinya data tersebut bukan merupakan data yang diambil secara langsung dari citra yang dimasukan tetapi merupakan hasil perhitungan dari data deskriptor warna yang lain. Data yang dihasilkan dari deskriptor warna ini sangat fluktuatif disebabkan oleh pengkondisian cahaya dan air pada saat pengambilan
citra masih kurang baik. Pengkondisian cahaya pada penelitian ini hanya menggunakan lampu pijar 30 watt dengan keadaan terbuka, pada kondisi seperti ini pengaruh cahaya luar seperti sinar matahari ternyata masih ada, penggunaan air yang berulang-ulang pada pemotretan juga mempengaruhi warna ikan, karena sifat warna ikan koi yang mengikuti keadaan lingkungannya (komunikasi pribadi Carman, 2005).
4.7.1
Karakteristik deskriptor Indeks Warna Merah Kisaran nilai indeks warna merah ikan koi jantan yang dideteksi yaitu 0.145 –
0.263 dengan nilai rata – rata 0.178 dan simpangan baku sebesar 0.0208 pada R2 sebesar 0.17 dengan laju pertumbuhan linear sebesar -0.0005/hari. Sedangkan untuk ikan koi betina yang dideteksi memiliki kisaran nilai indeks warna merah antara 0.144 sampai 0.263 dengan nilai rata – rata sebesar 0.228 dan simpangan baku sebesar 0.0355 pada R2 0.20 dan memiliki tingkat pertumbuhan linear sebesar 0.0009/hari.
0,3 y = 0,0009x + 0,2 R2 = 0,2009
Indeks Warna Merah
0,25
0,2
0,15 y = -0,0005x + 0,1926 R2= 0,1737 0,1
0,05
0 0
1
0
2
0
3
0
4
0
5
0
6
0
7
0
Hari Jantan
Betina
Gambar 30. Grafik pertumbuhan linear Indeks Warna Merah ikan koi jantan ( ) dan betina ( )
Hasil perhitungan nilai FHitung menunjukan data deskriptor indeks warna merah ikan koi jantan dan data deskriptor indeks warna merah ikan koi betina berbeda nyata (lampiran 2), hal ini menunjukan pertumbuhan linear indeks warna merah ikan koi jantan dan betina berbeda nyata.
4.7.2
Karakteristik deskriptor Indeks Warna Hijau Kisaran nilai indeks warna hijau ikan koi jantan yang dideteksi yaitu 0.215 –
0.243 dengan nilai rata – rata 0.225 dan simpangan baku sebesar 0.005967 pada R2 sebesar 0.002 dengan laju pertumbuhan linear sebesar
2 x10-5 /hari. Sedangkan
untuk ikan koi betina yang dideteksi memiliki kisaran nilai indeks warna hijau antara 0.147 sampai 0.263 dengan nilai rata – rata sebesar 0.228 dan simpangan baku sebesar 0.03465 pada R2 0.14 dan memiliki laju pertumbuhan linear sebesar 0.0008/hari.
Gambar 31. Grafik pertumbuhan linear Indeks Warna Hijau ikan koi jantan ( ) dan betina ( )
Hasil perhitungan nilai FHitung menunjukan data deskriptor indeks warna hijau ikan koi jantan dan data deskriptor indeks warna hijau ikan koi betina tidak berbeda nyata (lampiran 2), hal ini menunjukan pertumbuhan linear indeks warna hijau ikan koi jantan dan betina tidak berbeda nyata.
4.7.3
Karakteristik deskri ptor Indeks Warna Biru Kisaran nilai indeks warna biru ikan koi jantan yang dideteksi yaitu 0.494 –
0.633 dengan nilai rata – rata 0.598 dan simpangan baku sebesar 0.0249 pada R2 sebesar 0.11 dengan laju pertumbuhan linear sebesar 0.0005/hari. Sedangkan untuk ikan koi betina yang dideteksi memiliki kisaran nilai indeks warna biru antara 0.475 sampai 0.709 dengan nilai rata – rata sebesar 0.545 dan simpangan baku sebesar 0.0701 pada R2 0.17 dan memiliki tingkat pertumbuhan linear sebesar -0.0017/hari.
Gambar 32. Grafik pertumbuhan linear Indeks Warna Biru ikan koi jantan ( ) dan betina ( )
Hasil perhitungan nilai FHitung menunjukan data deskriptor indeks warna biru ikan koi jantan dan data deskriptor indeks warna biru ikan koi betina berbeda nyata (lampiran 2), hal ini menunjukan pertumbuhan linear indeks warna biru ikan koi jantan dan betina berbeda nyata. 4.7.4
Karakteristik deskriptor Intensitas Intensitas adalah nilai rata – rata RGB suatu objek atau biasa disebut dengan
tingkat keabuan suatu objek. Kisaran nilai intensitas ikan koi jantan yang dideteksi yaitu 89.09– 118.31 dengan nilai rata – rata 95.56 dan simpangan baku sebesar 5.858 pada R2 sebesar 0.02 dengan laju pertumbuhan linear sebesar -0.0503/hari. Sedangkan untuk ikan koi betina yang dideteksi memiliki kisaran nilai intensitas antara 90.04 sampai 113.99 dengan nilai rata – rata sebesar 103.97 dan simpangan baku sebesar 4.529 pada R2 0.14 dan memiliki tingkat pertumbuhan linear sebesar 0.0983/hari.
Gambar 33. Grafik pertumbuhan linear Intensitas ikan koi jantan ( ) dan betina ( )
Hasil perhitungan nilai FHitung menunjukan data deskriptor intensitas ikan koi jantan dan data deskriptor intensitas ikan koi betina berbeda nyata (lampiran 2), hal ini menunjukan pertumbuhan linear intensitas ikan koi jantan dan betina berbeda nyata. 4.7.5
Karakteristik deskriptor Hue Kisaran nilai hue ikan koi jantan yang dideteksi yaitu 1.74 – 2.12 dengan nilai
rata – rata 2.004 dan simpangan baku sebesar 0.0728 pada R2 sebesar 0.17 dengan laju pertumbuhan linear sebesar 0.0017/hari. Sedangkan untuk ikan koi betina yang dideteksi memiliki kisaran nilai hue antara 1.74 sampai 2.16 dengan nilai rata – rata sebesar 1.852 dan simpangan baku sebesar 0.1286 pada R2 0.24 dan memiliki tingkat pertumbuhan linear sebesar -0.0037/hari.
Gambar 34. Grafik Pertumbuhan Linear Hue Ikan K oi Jantan ( ) dan Betina ( )
Hasil perhitungan nilai FHitung menunjukan data deskriptor hue ikan koi jantan dan data deskriptor hue ikan koi betina berbeda nyata (lampiran 2), hal ini menunjukan pertumbuhan linear hue ikan koi jantan dan betina berbeda nyata. 4.7.6
Karakteristik deskriptor Saturasi Saturasi adalah nilai yang memberikan informasi seberapa banyak nilai abu–abu
atau nilai minimum yang dimiliki oleh suatu objek. Kisaran nilai saturasi ikan koi jantan yang dideteksi yaitu 89.025 – 117.965 dengan nilai rata – rata 95.37 dan simpangan baku sebesar 5.7886 pada R2 sebesar 0.02 dengan laju pertumbuhan linear sebesar -0.049/hari. Sedangkan untuk ikan koi betina yang dideteksi memiliki kisaran nilai saturasi antara 89.94 sampai 113.6 dengan nilai rata – rata sebesar 103.67 dan simpangan baku sebesar 4.48 pada R2 0,13 dan memiliki tingkat pertumbuhan linear sebesar -0.0946/hari.
Gambar 35. Grafik Pertumbuhan Linear Saturasi Ikan Koi Jantan ( ) dan Betina ( )
Hasil perhitungan nilai FHitung menunjukan data deskriptor saturasi ikan koi jantan dan data deskriptor saturasi ikan koi betina berbeda nyata (lampiran 2), hal ini menunjukan pertumbuhan linear saturasi ikan koi jantan dan betina berbeda nyata. 4.8
Pendugaan jenis kelamin ikan koi dengan JST 4.8.1 Pelatihan JST Data yang dipakai dalam pelatihan adalah data deskriptor ikan yang terdiri dari
luas, area, perimeter, panjang, lebar, elongation, circularity, rectangular, indeks warna merah, indeks warna hijau, indeks warna biru, hue, saturasi dan intensitas dari citra ikan yang disimpan dalam basisdata pelatihan pada direktori C:\iqbal\Databasekoilearn. Data ini akan diproses pada modul aplikasi. Adapun tampilan modul aplikasi seperti terlihat pada Gambar 38.
Nama Basisdata Setting target error dan Jumlah neuron Hidden Learning Rate dan momentum yang digunakan
Report Pelatihan Grafik MSE error
Gambar 36. Tampilan form learning backpropagation
Data dipilih secara acak sebanyak 50 set data untuk masing – masing pelatihan. Proses dilakukan dengan beberapa urutan langkah yaitu mencari jumlah neuron tersembunyi (hidden layer) yang sesuai, mencari nilai laju pembelajaran (learning rate) dan nilai momentum (kecepatan perubahan bobot neuron) yang sesuai, kemudian mencoba keduanya dengan beberapa jumlah iterasi yang berbeda. Nilai target galat yang digunakan pada setiap jaringan ini yaitu 0.0001, dengan nilai target sekecil ini diharapkan jaringan sudah cukup stabil pada saat mencapai nilai galat tersebut. Pada proses pelatihan ini digunakan jumlah neuron tersembunyi 13, 26 dan 39 neuron, variasi nilai laju pembelajaran yaitu 0.3 ; 0.5 dan 0.9 , variasi nilai momentum 0.3 ; 0.5 dan 0.9 serta jumlah iterasi 3,000; 5,000 dan 10,000 iterasi. Beberapa variasi pelatihan ini diharapkan akan ditemukan kecendrungan pelatihan terbaik yang akan digunakan dalam proses aktivasi. 1. Deskripsi statistik data deskriptor pelatihan Pola penyebaran deskriptor data ikan koi jantan dan betina yang digunakan dalam proses pelatihan sangat menyebar dengan selang yang sangat jauh dan nilai simpangan baku yang sangat besar sehingga tidak ditemukan hubungan yang pasti antara deskriptor satu dengan deskriptor yang lainya. Dari Tabel 1. juga dapat dilihat bahwa secara deskriptif terdapat perbedaan yang cukup nyata antara data ikan koi jantan dan data ikan koi betina yang digunakan pada proses pelatihan.
Tabel 1. Deskripsi statistik data deskriptor ikan pada proses pelatihan Rata – Rata
Jantan Betina
Simpangan baku
Maksimum
Minimum
9182,194852
30444,44834
144554
0,0298167
5305,077334
17865,16162
96723
0,0389168
2. Pelatihan data deskriptor ikan koi jantan Data ikan koi jantan yang digunakan dalam proses pelatihan dapat dilihat pada Lampiran 3. Pada proses pelatihan terlihat bahwa JST yang baik adalah JST yang seimbang baik itu nilai laju pembelajaran, momentum, jumlah lapisan tersembunyi maupun jumlah iterasi. Jika salah satu nilai terlalu kecil maka JST akan terasa sangat lambat untuk mencapai keseimbangan sedangkan bila salah satu nilai terlalu besar maka kemungkinan terjadinya “early stopping” semakin besar. Early stopping adalah proses berhentinya pembelajaran yang diakibatkan oleh beberapa sebab antara lain terlalu banyaknya lapisan tersembunyi, terlalu kecilnya nilai laju pembelajaran dan terlalu kecilnya inisialisasi nilai random (Geman dan Dorsat, 1992). Terjadinya early stopping pada pelatihan ini disebabkan karena umumnya data yang dihasilkan memiliki perbedaan nilai yang cukup kecil sehingga pada saat perhitungan nilai galat JST akan dihasilkan nilai galat yang kecil juga sehingga untuk mendapatkan nilai target galat yang diberikan pada umumnya tidak diperlukan iterasi yang banyak dan jumlah neuron hidden yang banyak. Setelah dilakukan beberapa pelatihan (Lampiran 4) dengan kombinasi diatas maka untuk ikan koi jantan ini didapatkan tiga tipe JST terbaik yaitu semua JST mempunyai nilai momentum yang sama yaitu 0.5 dengan variasi learning rate 0.3 maka jumlah neuron hidden adalah 39 dengan jumlah iterasi 3,000 kali iterasi sedangkan pada learning rate 0.5 maka jumlah neuron hidden adalah 39 dengan
jumlah iterasi sebanyak 3,000 kali dan terakhir learning rate 0.9 maka jumlah neuron hidden adalah 39 dengan 10,000 kali iterasi (Tabel 2). Ketiga tipe JST tersebut berhasil menduga semua target dengan benar (akurasi 100%). Perubahan nilai MSE error pada ketiga tipe JST diatas dapat dilihat pada grafik dibawah ini, dimana perubahan MSE error terjadi sangat cepat pada awal iterasi kemudian melandai kecuramannya pada akhir – akhir iterasi. Adapun grafik perubahan nilai MSE error pada ketiga tipe JST yaitu:
Gambar 37. Grafik perubahan sigma error JST pertama ikan jantan
Gambar 40: Grafik perubahan sigma error JST kedua ikan jantan
Pada tipe JST yang ketiga untuk mencapai nilai target galat yang disyaratkan serta nilai MSE error diperlukan iterasi yang lebih banyak karena nilai learning rate yang cukup besar yaitu 0.9 sehingga perubahan nilai bobot pada setiap lapisan sangat cepat tetapi tidak stabil pada nilai MSE error yang dihasilkan , sehingga diperlukan iterasi yang lebih untuk mencapai kestabilan yang disyaratkan oleh jairingan.
Gambar 38. Grafik perubahan sigma error JST ketiga ikan jantan
JST tipe ketiga sebenarnya mengalami iterasi hanya sampai pada iterasi ke 8973 kali iterasi karena pada kondisi tersebut syarat nilai target dan minimum galat yang diberikan telah terpenuhi dan dianggap stabil oleh JST.
3. Pelatihan data deskriptor ikan koi betina Data ikan koi betina yang digunakan untuk pelatihan dapat dilihat pada Lampiran 3. Seperti halnya pelatihan yang dilakukan pada ikan jantan, ikan betina juga harus seimbang antara nilai momentum, laju pembelajaran, jumlah neuron hidden maupun jumlah iterasi. Jika nilai laju pembelajaran dan momentum terlalu kecil maka perubahan nilai galat yang dihasilkan sangat lambat sehingga diperlukan jumlah iterasi yang banyak untuk mencapai syarat yang diberikan oleh JST tetapi jumlah
iterasi yang diberikan juga tidak boleh terlalu besar karena perubahan nilai galat yang dihasilkan akan sangat kecil sehingga menyebabkan terjadinya ”early stopping”, sebaliknya jika nilai laju pembelajaran yang diberikan terlalu besar maka JST akan menjadi tidak stabil akibat perubahan nilai galat dan bobot yang terlalu besar. Dari hasil yang dilakukan didapatkan tiga buah tipe JST terbaik yaitu semua momentum memiliki nilai yang sama yaitu 0.5 dengan variasi nilai laju pembelajaran yaitu 0.3 maka JST terbaik menggunakan neuron hidden sebanyak 26 buah neuron dengan jumlah iterasi 10,000 kali, pada laju pembelajaran 0.5 didapatkan jumlah neuron 39 dengan 5,000 kali iterasi dan pada laju pembelajaran 0.9 didapatkan jumlah neuron hidden sebanyak 39 dengan iterasi sebanyak 10,000 kali (lihat Tabel 2). Ketiga tipe JST yang dipilih ini memiliki tingkat akurasi 100%. Pelatihan terbaik yang didapatkan pada ikan jantan dan ikan betina berbeda hal ini kemungkinan disebabkan karena adanya perbedaan yang nyata secara statistik pada sebagian besar deskriptor keduanya, sehingga untuk mencapai nilai maksimum yang disyaratkan oleh JST akan berbeda. Perubahan nilai MSE error pada ketiga tipe JST ini sama yaitu terjadi perubahan yang cukup besar pada awal iterasi kemudian semakin JST mendekati target atau nilai galatnya semakin kecil maka JST akan melambat prosesnya.
Gambar 39. Grafik perubahan sigma error JST pertama ikan betina
Gambar 40. Grafik perubahan sigma error JST kedua ikan betina
Gambar 41. Grafik perubahan sigma error JST ketiga ikan betina
Pada umumnya pelatihan ikan jantan akan lebih cepat bila dibandingkan dengan pelatihan yang dilakukan pada ikan betina hal ini disebabkan oleh inisialisasi target yang dilakukan dimana ikan jantan diinisialisasi tergetnya sama dengan 1 sedangkan ikan betina sama dengan 0, sesuai dengan sifat dari algoritma backpropagation yang digunakan bahwa perhitungan nilai bobot dengan target 1 akan lebih cepat bila dibandingkan dengan perhitungan nilai bobot dengan target nol. 4. Tipe JST terbaik pada proses pelatihan
Dari beberapa pelatihan ikan koi jantan maupun betina yang dilakukan kemudian diambil masing – masing tiga tipe pelatihan terbaik (Tabel 2). Dari hasil tersebut dapat dilihat bahwa semua JST memerlukan nilai perubahan bobot neuron (momentum) yang seimbang yaitu 0.5 artinya kecepatan perubahan bobot antara neuron yang satu dengan neuron pada lapisan berikutnya tidak boleh terlalu cepat atau terlalu lambat. Jumlah neuron tersembunyi yang dibutuhkan berkisar antara 2 – 3 kali banyaknya jumlah input.
Tabel 2: Tipe jaringan syaraf tiruan ikan koi jantan dan betina pada proses pelatihan
Momentum Learning Rate Iterasi Neuron hidden Akurasi
4.8.2
0,5 0,3 3000 39 100%
Jantan 0,5 0,5 5000 39 100%
0,5 0,9 10000 39 100%
0,5 0,3 3000 26 100%
Betina 0,5 0,5 5000 39 100%
0,5 0,9 10000 39 100%
Pengujian JST
Pengujian oleh JST dilakukan setelah didapatkan nilai–nilai bobot yang stabil pada proses pelatihan. Dari ke enam tipe pelatihan JST yang dilakukan kemudian dilakukan pengujian terhadap data yang belum pernah diberikan kepada masing- masing tipe JST. Data pengujian ini dipilih secara acak sebanyak 10 set data baik ikan jantan maupun ikan betina (Lampiran 4). Rancangan tampilan modul pengujian atau aktivasi untuk validasi ini terlihat seperti Gambar 45 . Perbedaan utama perancangan modul ini dengan modul pelatihan yaitu pada modul ini hanya melibatkan algoritma panjar maju saja, tanpa adanya algoritma propagasi balik dalam merambatkan nilai bobot input.
Gambar 42. Tampilan form Aktivasi JST
Hasil dugaan oleh masing–masing tipe JST dengan berbagai variasi parameter pelatihannya adalah sebagai berikut: 1. Pendugaan ikan jantan a. Pendugaan oleh tipe JST pertama ikan koi jantan Pendugaan yang dilakukan ini didasarkan pada nilai bobot yang dihasilkan oleh tipe JST pertama pada ikan koi jantan dengan parameter momentum sama dengan 0.5, laju pembelajaran sama dengan 0.3 , jumlah neuron hidden sama dengan 39 dan iterasi sebanyak 3,000 kali.
Pada tipe JST ini dari 10 data ikan jantan yang diuji ada 6 data ikan jantan yang dapat diduga dengan benar, artinya tingkat akurasi JST pada tipe JST ini sebesar 60%. Tabel 3. Hasil dugaan JST pada tipe pertama JST ikan koi jantan Data ke 1 2 3 4 5 6 7 8 9 10 Benar Salah Akurasi
Dugaan 0,6103 0,4774 0,5609 0,4851 0,5518 0,6000 0,4818 0,4637 0,5363 0,5503
Target 1 1 1 1 1 1 1 1 1 1
Error 0,3897 0,5226 0,4391 0,5149 0,4482 0,4 0,5182 0,5363 0,4637 0,4497
Keputusan Jantan Betina* Jantan Betina* Jantan Jantan Betina* Betina* Jantan Jantan 6 4 60%
Keterangan * = Dugaan salah
b. Pendugaan oleh tipe JST kedua ikan koi jantan Pendugaan yang dilakukan ini didasarkan pada nilai bobot yang dihasilkan oleh tipe JST kedua pada ikan koi jantan dengan parameter momentum sama dengan 0.5, laju pembelajaran sama dengan 0.5 , jumlah neuron hidden sama dengan 39 dan iterasi sebanyak 3,000 kali. Hasil dugaan Tipe JST ini menghasilkan tingkat akurasi 50% dengan 5 data ikan jantan yang ditebak dengan benar dan 5 data lain yang ditebak dengan salah.
Tabel 4. Hasil dugaan JST pada tipe kedua JST ikan koi jantan Data ke 1 2 3 4 5 6 7 8 9 10 Benar Salah Akurasi
Dugaan 0,52 0,5084 0,5662 0,4277 0,579 0,4746 0,4211 0,4364 0,4492 0,5797
Target 1 1 1 1 1 1 1 1 1 1
Error 0,48 0,4916 0,4338 0,5723 0,421 0,5254 0,5789 0,5636 0,5508 0,4203
Keputusan Jantan Jantan Jantan Betina* Jantan Betina* Betina* Betina* Betina* Jantan 5 5 50%
Keterangan : * Dugaan salah
Tipe jaringan ini memberikan nilai akurasi yang kurang baik bila dibandingkan dengan JST tipe pertama ya itu hanya 50 %, hal ini disebabkan oleh jumlah iterasi yang kurang banyak, sebaiknya iterasi dilakukan pada kisaran 3,500– 4,500 kali iterasi.
c. Pendugaan oleh tipe JST ketiga ikan koi jantan Pendugaan yang dilakukan ini didasarkan pada nilai bobot yang dihasilkan oleh tipe JST ketiga pada ikan koi jantan dengan parameter momentum sama dengan 0.5, laju pembelajaran sama dengan 0.9 , jumlah neuron hidden sama dengan 39 dan iterasi sebanyak 10,000 kali. Tipe JST ini memberikan hasil yang terbaik pada kesepuluh data dugaan dengan tingkat akurasi yang dihasilkan sebesar 70% dengan 7 data ikan jantan dapat ditebak dengan benar dan 3 data tidak dapat ditebak dengan benar. Tipe jaringan ini merupakan tipe jaringan yang paling stabil, ini terlihat dari 10,000 kali iterasi yang
disediakan, pada iterasi ke 8973 kali Tipe JST ini telah memenuhi syarat yang diperlukan oleh jaringan.
Tabel 5. Hasil dugaan JST pada tipe ketiga JST ikan koi Jantan Data ke 1 2 3 4 5 6 7 8 9 10 Benar Salah Akura si
Dugaan 0,58221 0,58668 0,5007 0,5432 0,5447 0,4876 0,474 0,5008 0,5154 0,4902
Target 1 1 1 1 1 1 1 1 1 1
Error 0,41779 0,41332 0,4993 0,4568 0,4553 0,5124 0,526 0,4992 0,4846 0,5098
Keputusan Jantan Jantan Jantan Jantan Jantan Betina* Betina* Jantan Jantan Betina* 7 3 70%
Keterangan : * Dugaan salah
2.
Pendugaan ikan betina a. Pendugaan oleh tipe JST pertama ikan koi betina Pendugaan yang dilakukan ini didasarkan pada nilai bobot yang dihasilkan oleh tipe JST tipe kedua pada ikan koi betina dengan parameter momentum sama dengan 0.5, laju pembelajaran sama dengan 0.3 , jumlah neuron hidden sama dengan 26 dan iterasi sebanyak 10,000 kali. Tipe jaringan ini cukup stabil dengan tingkat akurasi sebesar 70% dari 10 data validasi yang diberikan 7 data dapat ditebak dengan benar. Jaringan ini cukup stabil disebabkan nilai laju pembelajaran yang rendah dengan jumlah iterasi yang banyak sehingga penurunan nilai galat yang terjadi cukup stabil.
Tabel 6. Hasil dugaan JST pada tipe pertama JST ikan koi betina Data ke 1 2 3 4 5 6 7 8 9 10 Benar Salah Akurasi
Dugaan 0,3623 0,3662 0,4917 0,4392 0,4977 0,5446 0,4866 0,5109 0,5028 0,40593
Target 0 0 0 0 0 0 0 0 0 0
Error 0,3623 0,3662 0,4917 0,4392 0,4977 0,5446 0,4866 0,5109 0,5028 0,40593
Keputusan Betina Betina Betina Betina Betina Jantan* Betina Jantan* Jantan* Betina 7 3 70%
Keterangan : * Dugaan salah
b. Pendugaan oleh tipe JST kedua ikan koi betina Pendugaan yang dilakukan ini didasarkan pada nilai bobot yang dihasilkan oleh tipe JST kedua pada ikan koi betina dengan parameter momentum sama dengan 0.5, laju pembelajaran sama dengan 0.5 , jumlah neuron hidden sama dengan 39 dan iterasi sebanyak 5,000 kali. Tipe JST ini memberikan tingkat akurasi sebesar 60% dengan 6 data dugaan benar dan 4 data dugaan salah. Tingkat akurasi JST ini masih lebih rendah jika dibandingkan dengan tingkat akurasi JST tipe pertama hal ini disebabkan oleh nilai laju pembelajaran yang lebih besar bila dibandingkan dengan JST tipe pertama, menyebabkan perubahan nilai bobot jaringan yang tidak stabil walaupun pada tipe JST kedua ini jumlah neuron hidden-nya lebih banyak hal ini ternyata tidak memperbaiki kinerja jaringan.
Tabel 7. Hasil dugaan JST pada tipe kedua JST ikan koi betina Data ke 1 2 3 4 5 6 7 8 9 10 Benar Salah Akurasi
Dugaan 0,5362 0,4977 0,40023 0,4843 0,4977 0,5446 0,5843 0,4799 0,5238 0,4503
Target 0 0 0 0 0 0 0 0 0 0
Error 0,5362 0,4977 0,40023 0,4843 0,4977 0,5446 0,5843 0,4799 0,5238 0,4503
Keputusan Jantan* Betina Betina Betina Betina Jantan* Jantan* Betina Jantan* Betina 6 4 60%
Keterangan : * Dugaan salah
c. Pendugaan oleh tipe JST ketiga ikan koi betina Pendugaan yang dilakukan ini didasarkan pada nilai bobot yang dihasilkan oleh tipe JST ketiga pada ikan koi betina dengan parameter momentum sama dengan 0.5, laju pembelajaran sama dengan 0.9 , jumlah neuron hidden sama dengan 39 dan iterasi sebanyak 10,000 kali. Tipe JST ini hanya mampu memberikan tingkat akurasi sebesar 60%, dari 10 data yang diberikan 6 data dapat di duga dengan benar dan 4 data diduga dengan salah. Tipe JST ini memberikan hasil yang sama dengan JST tipe kedua, dari hasil ini terlihat bahwa dengan nilai laju pembelajaran yang lebih besar akan memberikan nilai akurasi yang sama dengan JST dengan nilai laju pembelajaran yang lebih kecil walaupun jumlah iterasi yang diberikan lebih besar.
Tabel 8. Hasil dugaan JST pada tipe ketiga JST ikan koi betina Data ke 1 2 3 4 5 6 7 8 9 10 Benar Salah Akurasi
Dugaan 0,3962 0,4598 0,6134 0,4538 0,6074 0,4151 0,5659 0,4124 0,4341 0,5706
Target 0 0 0 0 0 0 0 0 0 0
Error 0,3962 0,4598 0,6134 0,4538 0,6074 0,4151 0,5659 0,4124 0,4341 0,5706
Keputusan Betina Betina Jantan* Betina Jantan* Betina Jantan* Betina Betina Jantan* 6 4 60%
Keterangan : * Dugaan salah
Nilai laju pembelajaran yang besar menyebabkan JST tipe ketiga ini kurang stabil walaupun jumlah iterasi yang diberikan cukup besar bila dibandingkan dengan tipe JST kedua dan bila dibandingkan dengan tipe JST pertama maka nilai laju pembelajaran yang tidak stabil ini lebih berpengaruh terhadap tingkat akurasi jaringan walaupun jumlah neuron hidden pada JST tipe ketiga ini lebih banyak bila dibandingkan dengan JST tipe pertama dengan jumlah iterasi yang sama.
4.9
Keunggulan metode JST dibandingkan metode histologi dan morfologi untuk penentuan jenis kelamin ikan koi Hasil pembelajaran dan aktivasi diatas menunjukan bahwa JST dapat melakukan pendugaan jenis kelamin ikan walaupun dengan tingkat akurasi yang masih rendah dan jumlah contoh yang sedikit, hal ini berarti JST dapat diterapkan untuk menduga jenis kelamin ikan koi pada tingkat umur awal sebelum dapat dilakukan pendugaan menggunakan cara histologi maupun morfologi. Pendugaan menggunakan JST ini juga memiliki kelebihan yaitu kurangnya kontak langsung dengan objek deteksi, hal
ini berbeda dengan kedua metode lain yang memerlukan kontak langsung dengan objek, bahkan pada cara histologi harus membedah ikan koi tersebut, sehingga metode JST ini akan sangat baik untuk pendugaan awal atau sortir awal jenis kelamin ikan sebelum ikan koi benar-benar memiliki tanda-tanda kelamin secara morfologi.
5. KESIMPULAN DAN SARAN 5.1 Kesimpulan Berdasarkan hasil yang diperoleh diatas maka dapat disimpulkan bahwa pendugaan jenis kelamin ikan dalam hal ini ikan koi (Cyprinus carpio) menggunakan gabungan metode pengolahan citra dengan JST dapat dilakukan. Tipe algoritma JST yang digunakan berbeda untuk ikan jantan dan ikan betina sangat tergantung pada nilai laju pembelajaran, jumlah neuron tersembunyi dan jumlah iterasi yang dilakukan, sedangkan nilai momentum yang digunakan sama yaitu 0.5. Tingkat akurasi terbaik yang diperoleh adalah 100% pada saat pelatihan baik pada ikan jantan maupun ikan betina, sedangkan tingkat akurasi terbaik yang diperoleh pada saat validasi adalah sebesar 70%. Pada ikan jantan laju pembelajaran yang memberikan hasil validasi terbaik tersebut adalah laju pembelajaran 0.9 dengan jumlah iterasi maksimum 10,000 kali dan jumlah neuron tersembunyi sebanyak 39 buah sedangkan pada ikan betina didapatkan nilai laju pembelajaran sebesar 0.3 dengan jumlah neuron tersembunyi sebanyak 39 buah dan iterasi maksimum sebanyak 10,000 kali.
5.2 Saran Perlu ditambahkan jumlah contoh ikan yang diberikan pada saat pelatihan sehingga didapatkan tingkat akurasi yang lebih baik pada saat validasi. Untuk metode pengambilan data citra perlu pengkondisian cahaya yang lebih baik agar tidak terjadi bias yang terlalu besar karena perubahan cahaya yang terjadi.
72
Selain menggunakan algoritma propagasi balik sebaiknya ditambahkan algoritma – algoritma lain yang dimiliki kecerdasan buatan seperti logika fuzzy, Learning Vector Quantization (LVQ), sehingga akan didapatkan hasil dugaan yang jauh lebih baik.
DAFTAR PUSTAKA Achmad, B dan Kartika, F. 2004. Teknik Pengolahan Citra Digital Menggunakan Delphi. Penerbit Ardi Publishing. Yogyakarta. Agoes,O dan Murhananto. 2002. Budi Daya Koi. Agromedia Pustaka.
Jakarta
Anthony, P. 2000. Pemrograman Borland Delphi edisi 3. Penerbit Andi Yogyakarta. Yogyakarta. Bambang, R. 2004. Pemrograman Grafis Multimedia Menggunakan Delphi. Penerbit Andi. Yogyakarta. Balza, A dan Firdausy, K.2004. Teknik Pengolahan Citra Digital Menggunakan Delphi. Ardi Publishing. Yogyakarta Dayat dan Sitanggang.2003. Budidaya Koi Blitar pengalaman dari Ciganjur. Agromedia pustaka. Jakarta. Effendy . 1993. Mengenal beberapa Jenis Koi (Karper Jepang – Nishikigoi). Kanisius. Yogyakarta. German dan Dorsat. 1992. Using Early-Stopping to Avoid Overfitting in Wrapper-Based Feature Selection Employing Stochastic Search. http://www.ics.uci.edu/ Indra.1999. Fenotip warna keturunan hasil persilangan antara ikan koi (Cyprinus Carpio L) betina SHIRO-BEKKO dengan koi jantan SHIRO-BEKKO, KOHAKU, TAISHOSANKE dan TANCHO-KOHAKU. Skripsi Jurusan Budidaya Perikanan, FPIK,IPB. Bogor. Jogiyanto,H.M. 1988. Turbo Pascal versi 5.0 jilid 1. Andi offset. Yogyakarta.
Kusumadewi, S. 2003.Artificial Intellegence (teknik dan aplikasinya). Graha Ilmu. Yogyakarta. Musalini, U. 2004. Membangun Aplikasi Super Cantik dan Full Animasi dengan Delphi. Elex Media Komputindo. Jakarta. Nelwan, A. 1997. Pengolahan Gambar Secara Digital. Elex Media Komputindo. Jakarta.
74
Ria.1995. Seleksi Induk Koi dari tiga tipe Pola. Majalah Trubus edisi agustus hal 24. Riadi. 2001. Jaringan Syaraf Tiruan Untuk Pengenalan Tanda Tangan. Skripsi Jurusan Ilmu Komputer, FMIPA, IPB. Bogor. Rich, E dan Knight, K. 2001. Artificial Intelligence, 2nd edition. McGraw-Hill, inc. Toronto. Sriyasa, W. 2003. Identifikasi Jenis Kawanan (schooling) Ikan dengan Artificial Neural Network. Skripsi Jurusan Ilmu dan Teknologi Kelautan. FPIK, IPB. Bogor. Usman, A. 2002. Teknik Dasar Pengolahan Citra Digital. Jurusan Teknik Pertanian, Fakultas Teknologi Pertanian. IPB. Bogor. Wahana Komputer. 2003. Tip dan Trik Pemrograman Delphi 7.0. Penerbit Andi. Yogyakarta. Yusuf, B. 2002. Mencemerlangkan Warna Koi. PT Agromedia Pustaka. Jakarta.
Yonata. 2002. Kompresi Video Pemampatan data Video untuk aplikasi videophone dan multimedia over IP. Elex Media Komputindo. Jakarta. Zairin, Jr. 2002. Sex reversal memproduksi benih ikan jantan atau betina. Jakarta.
Lampiran 1. Data Deskriptor Ikan Panjang (mm) 57,1007 57,855 58,142 58,3178 59,142 59,732 60,137 62,8037 63,1412 63,0968 63,186 63,7803 64,488 66,2716 66,9716 67,086 68,0803 68,7803 69,0272 67,716 71,1843 71,5561 72,1561 72,9009 73,0091 74,0091 75,2301 76,2948 77,9066 78,3549 79,0412 79,8383 82,3459 82,4091 83,2301 83,9199 84,991 84,5561 85,0091 85,5199 86,037 86,9199 87,2098 87,9098 89,9414 89,9098 90,9414 90,9098 91,486 92,3803 92,9716 93,0272 93,3843
Lebar (mm) 27,4091 27,9825 28,0639 28,389 28,4639 28,4639 29,385 28,285 30,7361 28,9629 30,9876 31,5597 32,5679 33,8108 34,0108 34,9876 35,0697 35,5697 36,0108 35,0811 37,5317 38,0086 38,6086 39,7879 40,3788 39,9788 40,3686 40,5977 40,6388 40,4404 40,6956 40,927 41,0048 41,0879 41,0669 41,3934 41,1051 41,3086 41,4879 41,934 42,0385 42,8934 43,5513 44,0551 44,642 44,9513 45,402 45,9513 46,1876 46,7697 47,0108 47,8108 48,5317
Perimeter (piksel) 1769 1768 1805 2245 2665 2280 2387 2399 2402 2293 2446 2479 2532 2779 2779 2956 3023 3123 3479 2979 3127 3221 3321 3741 4041 4341 4459 4471 4511 4545 4613 4631 4751 4741 4620 4640 4726 4821 4941 4920 4987 5020 5326 5346 5443 5426 5543 5556 5626 5703 5749 5779 5827
Elongation 2,08328 2,06754 2,07177 2,05424 2,07779 2,09852 2,04652 2,22039 2,0543 2,17854 2,03907 2,02094 1,98011 1,96007 1,96913 1,91742 1,94129 1,93368 1,91685 1,93027 1,89664 1,88263 1,86891 1,83224 1,8081 1,85121 1,86358 1,87929 1,91705 1,93754 1,94225 1,95075 2,0082 2,00568 2,0267 2,02737 2,06765 2,04694 2,04901 2,03939 2,04662 2,02642 2,00246 1,99545 2,01473 2,00016 2,00303 1,97839 1,98075 1,97522 1,97766 1,94574 1,92419
Circularity 6,19537 6,06663 6,2939 9,73451 13,6869 9,9177 10,7455 10,8254 10,53 9,89221 10,7348 11,015 10,5714 12,4951 15,254 17,2313 17,7253 18,5558 22,9391 14,0166 15,0286 15,355 16,2327 20,3376 23,5583 26,7022 26,7474 26,4337 26,6464 27,5051 27,7839 27,9615 29,3861 29,2472 27,7575 27,3287 28,2768 29,3285 29,8176 26,8709 27,4189 27,5896 27,8177 26,711 27,6313 27,4519 28,3242 28,8507 28,9415 29,1454 29,5971 29,4758 30,0031
Rectangular 0,0389168 0,0394639 0,0395907 0,0401626 0,0407468 0,0407411 0,0418582 0,0419785 0,0444873 0,0431841 0,0441245 0,0453149 0,0434976 0,0455343 0,0465074 0,0481359 0,048165 0,0484614 0,0491712 0,0471255 0,0455746 0,0445576 0,0444991 0,0479418 0,0489178 0,0506588 0,0513134 0,051444 0,0520712 0,0529928 0,0527493 0,0535084 0,0552125 0,0553379 0,0558287 0,0553821 0,0555522 0,0553593 0,0541027 0,0500006 0,0500833 0,051267 0,0477815 0,0469927 0,0479347 0,0475317 0,0478073 0,0490377 0,0485279 0,0486291 0,0491589 0,0493044 0,0502996
Area (piksel) 40216 41023 41214 41222 41314 41732 42217 42317 43624 42318 44374 44420 48284 49209 50309 50374 51048 51848 52009 50409 51802 53795 54095 54788 55188 56188 59184 60209 60802 59795 60979 61066 61156 61188 61223 62723 62888 63095 65188 71723 72217 72723 81188 85188 85366 85388 86366 85188 87074 88848 88909 90209 90102
93,9561 94,0114 95,9414 96,0098 96,9098 98,1199 98,9716
48,6086 49,242 49,642 49,6513 49,5513 50,0934 50,2108
5834 5894 5903 5926 6978 6120 6179
1,93291 1,90917 1,93267 1,93368 1,95575 1,95874 1,97112
29,4244 29,9446 29,9066 29,3732 40,7234 30,8307 31,5959
0,0495909 0,0501192 0,0513413 0,05008 0,0504423 0,0508169 0,0516526
92095 92366 92766 95188 95198 96723 96209
Lampiran 1. Lanjutan Indeks Warna Merah 0,188521 0,188044 0,188 0,188913 0,188 0,186183 0,184911 0,184911 0,203936 0,203534 0,203521 0,26314 0,184799 0,184431 0,184431 0,203521 0,184799 0,184799 0,184431 0,184431 0,183935 0,183675 0,183675 0,151385 0,151385 0,151385 0,144744 0,184431 0,183935 0,183675 0,183675 0,183277 0,184043 0,151385 0,150936 0,150936 0,151385 0,183675 0,151385 0,150936 0,184911 0,150936 0,151385 0,151385 0,183277 0,151385 0,183277 0,151385 0,203521 0,184799 0,184431 0,184431 0,183935 0,183675 0,183277 0,183277 0,151385 0,151385 0,150936 0,184431
Indeks Warna Hijau 0,215557 0,215003 0,215006 0,216047 0,215006 0,215836 0,218024 0,218024 0,237113 0,236429 0,236476 0,243354 0,22775 0,227388 0,227388 0,236476 0,22775 0,22775 0,227388 0,227388 0,227128 0,226912 0,226912 0,221247 0,221247 0,221247 0,222392 0,227388 0,227128 0,226912 0,226912 0,226539 0,227481 0,221247 0,220938 0,220938 0,221247 0,226912 0,221247 0,220938 0,218024 0,220938 0,221247 0,221247 0,226539 0,221247 0,226539 0,221247 0,236476 0,22775 0,227388 0,227388 0,227128 0,226912 0,226539 0,226539 0,221247 0,221247 0,220938 0,227388
Indeks Warna Biru 0,595922 0,596953 0,596994 0,595039 0,596994 0,597981 0,597065 0,597065 0,558951 0,560037 0,560003 0,493507 0,587451 0,588181 0,588181 0,560003 0,587451 0,587451 0,588181 0,588181 0,588937 0,589414 0,589414 0,627368 0,627368 0,627368 0,632864 0,588181 0,588937 0,589414 0,589414 0,590184 0,588476 0,627368 0,628126 0,628126 0,627368 0,589414 0,627368 0,628126 0,597065 0,628126 0,627368 0,627368 0,590184 0,627368 0,590184 0,627368 0,560003 0,587451 0,588181 0,588181 0,588937 0,589414 0,590184 0,590184 0,627368 0,627368 0,628126 0,588181
Intensitas 91,3229 91,178 91,18 90,8405 91,18 91,2609 92,4834 92,4834 104,258 104,117 104,121 118,312 98,8723 98,7355 98,7355 104,121 98,8723 98,8723 98,7355 99,3022 98,5879 98,4708 98,4708 89,232 89,232 89,232 89,5516 98,7355 98,5879 98,4708 98,4708 98,327 100,363 89,232 89,0931 89,0931 89,232 98,4708 89,232 89,0931 92,4834 89,0931 89,232 89,232 98,327 89,232 98,327 89,232 104,121 98,8723 98,7355 98,7355 98,5879 98,4708 98,327 98,327 89,232 89,232 89,0931 98,7355
Hue 1,96496 1,96672 1,96687 1,9635 1,96687 1,97284 1,97665 1,97665 1,91051 1,91189 1,91192 1,74107 1,97471 1,97605 1,97605 1,91192 1,97471 1,97471 1,97605 1,97832 1,9778 1,97873 1,97873 2,09928 2,09928 2,09928 2,12577 1,97605 1,9778 1,97873 1,97873 1,98018 1,97737 2,09928 2,1012 2,1012 2,09928 1,97873 2,09928 2,1012 1,97665 2,1012 2,09928 2,09928 1,98018 2,09928 1,98018 2,09928 1,91192 1,97471 1,97605 1,97605 1,9778 1,97873 1,98018 1,98018 2,09928 2,09928 2,1012 1,97605
Saturation 91,1258 90,9477 90,9716 90,6864 90,9716 91,0198 92,2671 92,2671 103,989 103,848 103,842 117,965 98,6599 98,5026 98,5026 103,842 98,6599 98,6599 98,5026 99,0605 98,3343 98,2169 98,2169 89,1536 89,1536 89,1536 89,4846 98,5026 98,3343 98,2169 98,2169 98,0626 100,113 89,1536 89,0258 89,0258 89,1536 98,2169 89,1536 89,0258 92,2671 89,0258 89,1536 89,1536 98,0626 89,1536 98,0626 89,1536 103,842 98,6599 98,5026 98,5026 98,3343 98,2169 98,0626 98,0626 89,1536 89,1536 89,0258 98,5026
Target 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
Lampiran 1. Lanjutan Panjang (mm) 60,6605 61,2506 62,6824 63,2092 64,0887 68,6957 69,4505 69,8027 71,8027 72,4892 72,9823 73,9823 77,3443 79,5046 81,9599 82,9441 83,5149 84,5819 85,8189 85,5384 86,0553 87,4411 90,0493 91,5819 95,4449 95,5384 95,4553 96,0948 97,4892 99,4823 99,4823 100,604 100,344 100,95 101,959 100,544 102,537 102,149 100,279 103,041 103,706 104,275 105,999 106,018 107,041 108,041 108,679 108,59 108,999 109,775 110,299 107,818 109,586 111,041 111,979 112,19 112,99
Lebar (mm) 25,255 25,9931 26,0581 26,7968 27,9298 28,128 29,4022 29,997 30,9197 32,7626 33,2428 34,2428 35,0768 36,6509 38,853 39,4753 42,0683 42,8732 43,8452 43,8104 44,7488 45,0753 46,0683 46,9952 47,885 48,8104 49,7488 49,8364 49,9626 50,2428 50,2428 51,6672 52,0768 51,6509 51,853 50,0753 52,0889 51,4683 51,942 53,7411 54,7657 55,0104 55,8037 56,591 57,0411 58,7411 57,342 57,9165 58,1037 59,5035 59,1037 60,091 61,431 62,7411 63,342 64,2846 65,2846
Perimeter (piksel) 2800 3112 3194 3163 3194 3282 3303 3403 3603 3740 3950 3977 4035 4545 4901 5072 5482 5559 6145 6144 6201 6354 6815 6955 7292 7144 7201 7350 7040 7050 7977 8064 8535 8245 8501 8354 9365 9815 9876 9949 9965 10970 10200 10293 10849 10849 11076 11980 12670 12650 12770 12993 13898 13849 13976 14887 14087
Elongation 2,40192 2,35642 2,35642 2,35883 2,29464 2,44225 2,36209 2,32699 2,32223 2,21256 2,19543 2,16052 2,205 2,16924 2,10949 2,10116 1,98522 1,97284 1,95732 1,95247 1,92308 1,93989 1,95469 1,94875 1,99321 1,95734 1,91875 1,92821 1,95124 1,98003 1,98003 1,94715 1,92685 1,95448 1,96631 2,00786 1,9685 1,9847 1,93061 1,91736 1,89364 1,89557 1,8995 1,87342 1,87656 1,83928 1,89529 1,87495 1,87594 1,84486 1,8662 1,79426 1,78389 1,76983 1,76786 1,74522 1,73074
Circularity 12,7495 15,4434 15,4434 15,5741 13,5263 14,3881 14,0785 14,6527 16,1687 17,3516 18,6938 17,8242 16,6844 20,5885 22,5437 22,3667 24,4202 24,7122 28,8896 29,2937 29,7591 31,5332 35,3436 35,3111 37,3368 36,088 36,7059 36,5471 33,9638 33,9814 43,4878 41,1061 49,2791 47,5262 48,8305 54,7231 57,4366 64,1169 62,7043 63,5911 57,3005 71,8792 61,3905 62,7683 69,9705 69,452 71,9011 84,4489 94,024 93,4771 94,1291 97,1264 110,361 114,017 108,114 122,066 111,615
Rectangular 0,0312911 0,0318878 0,0318878 0,0331177 0,0298167 0,032412 0,0330967 0,0332762 0,0347306 0,0370031 0,0365096 0,035858 0,0349189 0,0364773 0,037538 0,0357556 0,0358641 0,0364225 0,036157 0,0365258 0,0374322 0,038665 0,0396507 0,0394611 0,0403074 0,0414152 0,0422204 0,0406925 0,041924 0,0429213 0,042904 0,0412691 0,0444 0,0457854 0,0448683 0,0495851 0,0439328 0,0439497 0,0420588 0,0446833 0,041163 0,0430335 0,0438377 0,0446453 0,0455895 0,0470356 0,0458755 0,0464799 0,046591 0,047925 0,0472627 0,0468178 0,0483109 0,052019 0,0493105 0,0498924 0,0521113
Area (piksel) 48959 49928 50874 51145 60033 59616 61698 62924 63924 64182 66452 70649 77694 79883 84831 91573 97962 99561 104067 102598 102876 101938 104624 109067 113388 112598 112476 117688 116182 116452 116499 125952 117694 113883 117831 101538 121573 119624 123844 123929 137977 133297 134933 134386 133929 134929 135844 135310 135933 136297 137933 138386 139347 133929 143844 144554 141554
113,49 113,49
66,0165 66,0165
14980 14980
1,71913 1,71913
124,668 124,668
0,0522801 0,0522801
143310 143310
Lampiran 1. Lanjutan Indeks Warna Merah
Indeks Warna Hijau
Indeks Warna Biru
Intensitas
0,159028 0,148073 0,143811 0,146721 0,161428 0,145272 0,148412 0,149566 0,149566 0,256844 0,256788 0,256781 0,256423 0,256419 0,256443 0,255646 0,262572 0,232915 0,214929 0,238209 0,238222 0,25566 0,262572 0,214929 0,220843 0,238209 0,238222 0,225208 0,256844 0,256788 0,256781 0,256535 0,256423 0,256419 0,256443 0,25566 0,255646 0,262572 0,23206 0,232044 0,232985 0,232633 0,232521 0,232312 0,232044 0,232044 0,23206 0,232627 0,232521 0,232633 0,232521 0,232312 0,232649 0,232044 0,23206
0,16263 0,150392 0,147114 0,150814 0,163554 0,14672 0,15304 0,153765 0,153765 0,258058 0,258094 0,25813 0,257619 0,257638 0,257614 0,256643 0,262474 0,236412 0,220153 0,242203 0,242216 0,256652 0,262474 0,220153 0,226088 0,242203 0,242216 0,227637 0,258058 0,258094 0,25813 0,257736 0,257619 0,257638 0,257614 0,256652 0,256643 0,262474 0,227687 0,227705 0,228632 0,22835 0,228271 0,228044 0,227705 0,227705 0,227687 0,228342 0,228271 0,22835 0,228271 0,228044 0,228315 0,227705 0,227687
0,678342 0,701535 0,709075 0,702465 0,675018 0,708008 0,698548 0,696669 0,696669 0,485098 0,485118 0,485089 0,485958 0,485943 0,485943 0,487711 0,474954 0,530672 0,564919 0,519589 0,519563 0,487688 0,474954 0,564919 0,553068 0,519589 0,519563 0,547155 0,485098 0,485118 0,485089 0,485728 0,485958 0,485943 0,485943 0,487688 0,487711 0,474954 0,540252 0,540251 0,538383 0,539017 0,539208 0,539643 0,540251 0,540251 0,540252 0,53903 0,539208 0,539017 0,539208 0,539643 0,539036 0,540251 0,540252
105,979 104,002 104,002 103,564 112,305 103,303 104,001 104,146 104,146 106,159 106,161 106,156 105,832 105,833 105,836 104,952 113,986 102,605 95,239 111,131 111,128 104,948 113,986 95,239 98,5401 111,131 111,128 90,0439 106,159 106,161 106,156 105,957 105,832 105,833 105,836 104,948 104,952 113,986 100,917 100,914 101,464 101,317 101,166 101,045 100,914 100,914 100,917 101,319 101,166 101,317 101,166 101,045 101,316 100,914 100,917
Hue 2,09659 2,15289 2,15289 2,1589 2,08613 2,16883 2,14944 2,14364 2,14364 1,75671 1,75686 1,75688 1,75785 1,75786 1,7578 1,75996 1,74152 1,82405 1,87921 1,80858 1,80855 1,75992 1,74152 1,87921 1,86049 1,80858 1,80855 1,84724 1,75671 1,75686 1,75688 1,75755 1,75785 1,75786 1,7578 1,75992 1,75996 1,74152 1,82746 1,8275 1,8247 1,82574 1,82607 1,82669 1,8275 1,8275 1,82746 1,82575 1,82607 1,82574 1,82607 1,82669 1,8257 1,8275 1,82746
Saturation 103,838 103,838 103,838 103,409 112,109 103,128 103,837 103,963 103,963 105,829 105,831 105,826 105,491 105,473 105,486 104,599 113,6 102,254 94,9765 110,816 110,804 104,595 113,6 94,9765 98,2661 110,816 110,804 89,9439 105,829 105,831 105,826 105,617 105,491 105,473 105,486 104,595 104,599 113,6 100,679 100,676 101,276 101,099 100,948 100,827 100,676 100,676 100,679 101,101 100,948 101,099 100,948 100,827 101,108 100,676 100,679
Target 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0,231828 0,231828 0,232627 0,232627
0,227229 0,227229 0,228342 0,228342
0,540943 0,540943 0,53903 0,53903
100,811 100,811 101,319 101,319
1,82818 1,82818 1,82575 1,82575
100,572 100,572 101,101 101,101
0 0 0 0
Lampiran 3. Data Masukan Pelatihan Panjang (mm)
Lebar (mm)
Elongation
Circularity
Rectangular
Indeks Warna
Indeks Warna
Indeks Warna Intensitas
Saturation
Hue
Panjang
Perimeter Lebar (mm)
Area Rectangular
Elongation
Circularity
Indeks Warna
Warna Intensitas
Hue
Saturation
Target
Panjang
Perimeter
Indeks Warna
Indeks
Indeks
Lebar (mm)
Elongation
Area Circularity
Rectangular
Intensitas
Hue
Saturation
Target
Perimeter Lebar (mm)
Elongation
Circularity
Rectangular
Intensitas
Hue
Saturation
Target
