8
disajikan contoh data Shorea hasil kodefikasi dari beberapa karakter yang bernilai nominal. Tabel 2 Karakter daun yang bernilai nominal Karakter Bentuk tulang daun Permukaan daun
Nilai Tidak menempel
Ujung daun Pangkal daun
Atas halus bawah kasar Atas bawah halus Meruncing Runcing Membulat Tumpul
Kode 1 1 2 1 2 1 2
Tabel 3 Contoh data Shorea hasil kodefikasi Fitur Panjang daun Lebar daun Bentuk tulang daun Permukaan daun Ujung daun Pangkal daun Keliling daun Luas daun Sudut Jumlah tulang daun Jenis Shorea
Nilai 23.2 cm 9.5 cm 1 1 1 1 53.2 cm 352.5 cm2 70 ° 33 Shorea ovalis
Perancangan Model JST Pada penelitian ini, digunakan JST dengan struktur seperti yang ditunjukan pada Tabel 4. Tabel 4 Karakteristik JST Karakteristik Arsitektur Neuron Input Neuron Output Fungsi aktivasi Inisialisasi bobot Hidden Neuron Toleransi Galat Learning Rate
Faktor Naik Faktor Turun delta0
deltamax
Spesifikasi 1 hidden layer 10 1 Sigmoid biner; Linier nguyen widrow 5, 10, 15, dan 20 10-7, 10-6, 10-5, 10-4, 10-3, 10-2, dan 10-1 0.01, 0.02, 0.03, 0.04, 0.05, 0.06, 0.07, 0.08, 0.09, dan 0.1 1.1, 1.2, 1.3, 1.4, 1.5, 1.6, 1.7, 1.8, dan 1.9 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, dan 0.9 0.01, 0.02, 0.03, 0.04, 0.05, 0.06, 0.07, 0.08, dan 0.09 10, 20, 30, 40,50, 60, 70, 80, 90, dan 100
Target didefinisikan pada Tabel 5. Misalnya untuk target dengan nilai 0.94, maka target tersebut menunjukan target kelas pertama. Tabel 5 Target jenis Shorea Jenis Shorea Shorea ovalis Shorea leprosula Shorea platyclados Shorea seminis Shorea beccariana
Kode Kelas 1 2 3 4 5
Rentang target 0.5 ≤ x < 1.5 1.5 ≤ x < 2.5 2.5 ≤ x < 3.5 3.5 ≤ x < 4.5 4.5 ≤ x < 5.5
Pembagian Data Uji dan Data Latih Pembagian data uji dan data latih menggunakan k-fold cross-validation sebagai teknik pembagian datanya. Pada teknik ini, dilakukan ulangan sebanyak k kali untuk pelatihan dan pengujian. Pada setiap ulangan disisakan setiap subset untuk pengujian dan subset lainnya untuk pelatihan. Pada penelitian ini, teknik yang digunakan ialah 5-fold crossvalidation. Empat subset digunakan sebagai data latih, sedangkan satu subset sisanya akan digunakan sebagai data uji. Pelatihan Sistem Pelatihan sistem menggunakan model JST propagasi balik resilient dengan parameter yang dibuat bervariasi, yaitu hidden neuron, toleransi galat, learning rate, faktor naik, faktor turun, delta0, dan deltamax. Pengujian Pengujian model dilakukan menggunakan data pengujian dengan teknik generalisasi untuk menghitung akurasinya. Teknik generalisasi yaitu jumlah (dalam %) pola yang berhasil dikenali dengan benar oleh JST. Generalisasi diberikan dengan persamaan berikut: Generalisasi=
Jumlah pola yang dikenali x 100% Jumlah seluruh pola
HASIL DAN PEMBAHASAN Penelitian ini mengidentifikasi lima jenis Shorea dengan menggunakan karakteristik morfologi daun, yaitu Shorea ovalis, Shorea leprosula, Shorea platyclados, Shorea seminis, dan Shorea beccariana. Kelima jenis Shorea ini masing-masing menjadi satu kelas dan terdiri atas 10 data. Karakteristik morfologi daun yang diamati ialah panjang daun, lebar daun, bentuk tulang daun, permukaan daun, ujung daun, pangkal daun, keliling daun, luas daun, sudut antar tulang daun, dan jumlah tulang daun. Setelah dilakukan pengumpulan data, dilakukan kodefikasi dari data tersebut sehingga data hasil
9
kodefikasi tersebut yang digunakan pada percobaan variasi parameter JST propagasi balik resilient pada percobaan 5-fold crossvalidation tanpa regresi dan 5-fold crossvalidation dengan regresi. Data percobaan selengkapnya pada penelitian ini dapat dilihat pada Lampiran 3 dan 4. Menentukan Parameter JST yang optimal Parameter optimal pada setiap tahap percobaan selanjutnya digunakan untuk percobaan berikutnya sehingga akan dihasilkan model JST yang baik dan maksimal. Karakteristik jaringan syaraf tiruan (JST) yang digunakan dalam penelitian ini merupakan parameter dari resilient backpropagation, yaitu hidden neuron, toleransi galat, learning rate, faktor naik, faktor turun, delta0, dan deltamax. Alur penentuan parameter optimal dapat dilihat pada Lampiran 5. Penentuan parameter optimal dimulai dengan percobaan terhadap jumlah hidden neuron. Jumlah hidden neuron yang bisa memberikan optimalisasi pada JST, baik dari segi tingginya akurasi maupun kecilnya epoch, akan digunakan pada percobaan selanjutnya, yaitu percobaan toleransi galat. Nilai toleransi galat yang paling optimal akan digunakan pada percobaan selanjutnya, yaitu percobaan learning rate. Percobaan-percobaan selanjutnya, yaitu percobaan dengan nilai faktor naik, nilai faktor turun, delta0, deltamax juga menerapkan konsep pencarian parameter optimal yang sama. Selain itu, untuk percobaan dengan nilai parameter yang menghasilkan akurasi dan epoch yang sama, penentuan nilai optimal menggunakan nilai MSE yang terkecil yang dihasilkan dari beberapa nilai parameter tersebut. Percobaan 1: 5-Fold Cross-Validation Tanpa Regresi Percobaan ini melibatkan lima kelompok percobaan dengan proporsi jumlah instances masing-masing kelas pada percobaan ini disajikan pada Tabel 6. Tabel 6 Proporsi jumlah instances masingmasing kelas setiap subset Kelas S. ovalis S. leprosula S. platyclados S. seminis S. beccariana Jumlah
1 2 2 2 2 2 10
2 2 2 2 2 2 10
Subset 3 2 2 2 2 2 10
4 2 2 2 2 2 10
5 2 2 2 2 2 10
Berdasarkan Tabel 6, ada lima grup percobaan, yaitu: Grup percobaan satu: data uji subset satu, data latih subset dua, tiga, empat, dan lima. Grup percobaan dua: data uji subset dua, data latih subset satu, tiga, empat, dan lima. Grup percobaan tiga: data uji subset tiga, data latih subset satu, dua, empat, dan lima. Grup percobaan empat: data uji subset empat, data latih subset satu, dua, tiga, dan lima. Grup percobaan lima: data uji subset lima, data latih subset satu, dua, tiga, dan empat. Pada percobaan ini, nilai fitur keliling daun dan luas daun menggunakan nilai sebenarnya, yaitu nilai dengan pengukuran secara manual. Perhitungan keliling daun diukur secara manual dengan menggunakan benang yang dibentangkan mengikuti bentuk daun dari titik awal sampai bertemu ke titik awal tersebut kembali, sedangkan perhitungan luas daun dilakukan dengan meletakkan daun diatas kertas berpetak, kemudian dilakukan perhitungan jumlah kotak penuh ditambah dengan jumlah kotak setengah penuh dikali seperempat. Pencarian parameter optimal dimulai dengan percobaan kombinasi jumlah hidden neuron. Jumlah hidden neuron yang digunakan ialah 5, 10, 15, dan 20, sedangkan parameter lain dibuat tetap sesuai nilai default-nya, yaitu nilai toleransi galat ialah 0.01, nilai learning rate 0.01, nilai faktor naik 1.2, nilai faktor turun 0.5, nilai delta0 0.07, dan nilai deltamax 50. Nilai hidden neuron yang optimal pada grup percobaan satu ialah 20, grup percobaan dua 20, grup percobaan tiga 20, grup percobaan empat 20, dan grup percobaan lima ialah 5. Nilai hidden neuron ini kemudian digunakan pada percobaan selanjutnya, yaitu percobaan kombinasi nilai toleransi galat. Pada percobaan nilai toleransi galat, nilainilai toleransi galat yang digunakan ialah 10-1, 10-2, 10-3, 10-4, 10-5, 10-6, dan 10-7. Nilai hidden neuron yang digunakan ialah nilai dari hasil percobaan sebelumnya, yaitu 20 untuk grup percobaan satu, dua, tiga, empat, dan 5 untuk grup percobaan lima, sedangkan parameter lain dibuat tetap sesuai nilai default-nya, yaitu nilai learning rate sebesar 0.01, nilai faktor naik 1.2, nilai faktor turun 0.5, nilai delta0 0.07, dan nilai deltamax 50. Nilai toleransi galat optimal pada grup percobaan satu ialah 10-2, grup percobaan dua 10-4, grup percobaan tiga 10-1, grup percobaan empat 10-1, dan grup percobaan lima 10-7. Nilai toleransi galat yang optimal ini
10
selanjutnya akan digunakan pada percobaan kombinasi nilai learning rate. Selanjutnya, dilakukan percobaan learning rate dengan nilai, yaitu 0.01, 0.02, 0.03, 0.04, 0.05, 0.06, 0.07, 0.08, 0.09, dan 0.1. Nilai hidden neuron dan toleransi galat yang digunakan pada masing-masing grup percobaan sesuai dengan nilai yang telah didapatkan pada percobaan sebelumnya, sedangkan parameter lain dibuat tetap sesuai nilai default-nya, yaitu nilai faktor naik sebesar 1.2, nilai faktor turun 0.5, nilai delta0 0.07, dan nilai deltamax 50. Nilai learning rate optimal dari grup percobaan satu ialah 0.06, grup percobaan dua 0.04, grup percobaan tiga 0.03, grup percobaan empat 0.04, grup percobaan lima 0.08. Nilai learning rate yang optimal ini akan digunakan pada percobaan kombinasi nilai faktor naik. Percobaan selanjutnya dilakukan dengan menggunakan kombinasi nilai faktor naik sebesar 1.1, 1.2, 1.3, 1.4, 1.5, 1.6, 1.7, 1.8, dan 1.9. Nilai hidden neuron, toleransi galat, dan learning rate yang digunakan pada masingmasing grup percobaan menggunakan nilai yang telah didapatkan pada percobaan sebelumnya, sedangkan parameter lain dibuat tetap, yaitu nilai faktor turun sebesar 0.5, nilai delta0 0.07, dan nilai deltamax 50. Nilai faktor naik yang optimal pada percobaan ini ialah 1.5 untuk grup percobaan satu, 1.6 untuk grup percobaan dua, 1.2 untuk grup percobaan tiga, 1.3 untuk grup percobaan empat, dam 1.2 untuk grup percobaan lima. Nilai faktor naik yang optimal ini akan digunakan pada percobaan kombinasi nilai faktor turun. Percobaan dengan kombinasi nilai faktor turun menggunakan nilai faktor turun, yaitu 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, dan 0.9. Nilai hidden neuron, toleransi galat, learning rate, dan faktor naik sesuai dengan nilai optimal yang didapatkan dari percobaan sebelumnya, sedangkan nilai delta0 ialah 0.07, dan nilai deltamax 50. Nilai faktor turun yang optimal untuk grup percobaan satu ialah 0.4, grup percobaan dua 0.5, grup percobaan tiga 0.6, grup percobaan empat 0.3, dan grup percobaan lima 0.8. Nilai faktor turun yang optimal ini akan digunakan pada percobaan selanjutnya, yaitu kombinasi nilai delta0. Percobaan dengan kombinasi nilai delta0 menggunakan nilai delta0 sebesar 0.01, 0.02, 0.03, 0.04, 0.05, 0.06, 0.07, 0.08, dan 0.09. Nilai hidden neuron, toleransi galat, learning rate, faktor naik, dan faktor turun sesuai dengan nilai optimal yang didapatkan dari percobaan sebelumnya, sedangkan nilai deltamax ialah 50.
Nilai delta0 yang optimal untuk grup percobaan satu ialah 0.02, grup percobaan dua 0.06, grup percobaan tiga 0.01, grup percobaan empat 0.06, dan grup percobaan lima 0.02. Nilai delta0 optimal yang didapatkan akan digunakan pada percobaan dengan kombinasi nilai deltamax. Percobaan terakhir ialah percobaan dengan kombinasi nilai deltamax. Nilai deltamax yang digunakan pada percobaan ini ialah 10, 20, 30, 40, 50, 60, 70, 80, 90, dan 100. Nilai hidden neuron, toleransi galat, learning rate, faktor naik, faktor turun, delta0 sesuai dengan nilai optimal yang didapatkan dari percobaan sebelumnya. Nilai deltamax optimal yang didapatkan untuk grup percobaan satu ialah 90, grup percobaan dua 20, grup percobaan tiga 100, grup percobaan empat 90, dan grup percobaan lima 70. Parameter optimal yang telah didapatkan dari percobaan pertama disajikan pada Tabel 7. Berdasarkan Tabel 7, dapat disimpulkan bahwa grup percobaan empat menghasilkan akurasi 100% dengan epoch terkecil dari seluruh grup percobaan, sehingga nilai masing-masing parameternya menghasilkan pola yang baik dalam mengidentifikasi kelima jenis Shorea yang dibahas pada penelitian ini. Tabel 7 Nilai optimal setiap grup percobaan tanpa regresi Parameter JST HN TL LR FN FT D0 DM Akurasi (%) Epoch
1 20 10-2 0.06 1.5 0.4 0.02 90 100 116
Grup percobaan ke2 3 4 20 20 20 10-4 10-1 10-1 0.04 0.03 0.04 1.6 1.2 1.3 0.5 0.6 0.3 0.06 0.01 0.06 20 100 90 100 100 100 1000 25 17
5 5 10-7 0.08 1.2 0.8 0.02 70 90 1000
Keterangan: HN : Hidden Neuron FT : Faktor Turun TL : Toleransi Galat D0 : Delta0 LR : Learning Rate DM : Deltamax FN : Faktor Naik Tingkat akurasi yang dihasilkan untuk masing-masing jenis Shorea dari setiap grup percobaan disajikan pada Tabel 8. Tabel 8 dan Gambar 17 menggambarkan bahwa grup percobaan satu, dua, tiga dan empat mampu mengidentifikasi kelima jenis Shorea dengan nilai akurasi 100%. Artinya, instances masing-masing kelas pada data uji teridentifikasi dengan benar. Pada grup percobaan lima, untuk jenis Shorea ovalis, Shorea platyclados, Shorea seminis, dan Shorea
11
3
4
5
100 100 100 100 100
100 100 100 100 100
100 100 100 100 100
100 100 100 100 100
100 50 100 100 100
Akurasi (%)
100
50
0 1
2
3 4 Grup Percobaan
5
Kelas Shorea
Ovalis (O) Seminis (S)
Leprosula (L) Beccariana (B)
Platyclados (P)
Gambar 17 Grafik akurasi grup percobaan terhadap masing-masing kelas Shorea (percobaan ke-1). Kesalahan identifikasi pada grup percobaan lima disebabkan salah satu instance Shorea leprosula bernilai 0.966 sehingga diidentifikasi sebagai Shorea ovalis. Selain itu, berdasarkan fitur yang diamati, keduanya cenderung memiliki kesamaan pada fitur-fitur tertentu dapat dilihat pada Lampiran 7. Berdasarkan hasil dari seluruh grup percobaan, didapatkan tingkat akurasi rata-rata untuk Shorea ovalis, Shorea platyclados, Shorea seminis, Shorea beccariana ialah 100%, dan Shorea leprosula sebesar 90% yang dapat dilihat pada Gambar 18. Percobaan 2: Dengan Regresi
5-Fold
Cross-Validation
Hal yang dilakukan pada percobaan ini sama seperti sebelumnya, yaitu melibatkan lima kelompok percobaan dan dengan proporsi
beccariana
2
100
seminis
ovalis leprosula platyclados seminis beccariana
1
100
platyclados
Kelas Shorea
Aku rasi Rata -rata (%) 100 90 100 100 100
100 90
50
leprosula
Akurasi Grup Percobaan ke(dalam %)
100
100
ovalis
Tabel 8 Akurasi kelas Shorea dari setiap grup percobaan (percobaan ke-1)
jumlah instance masing-masing kelas yang sama.
Akurasi Rata-rata (%)
beccariana menghasilkan akurasi 100%, sedangkan Shorea leprosula menghasilkan akurasi 50%. Hasil percobaan pertama selengkapnya dapat dilihat pada Lampiran 6.
0 Kelas Shorea
Gambar 18 Grafik akurasi rata-rata kelas Shorea dari semua grup percobaan (percobaan ke-1). Pada percobaan ini, nilai fitur keliling daun dan luas daun didekati dengan regresi linier. Untuk perhitungan keliling daun, keliling yang telah diukur secara manual merupakan variabel terikat (Y), sedangkan variabel bebas () ialah nilai keliling daun yang diukur dengan pendekatan rumus elips, yaitu r1 r2 .Persamaan garis regresi linier yang dihasilkan dari keliling daun tersebut ialah: ŷ = (1.0643 * X) – 1.5318 Diagram pencar yang dihasilkan dari kedua keliling tersebut dapat dilihat pada Gambar 19. Untuk perhitungan luas daun, luas yang telah dihitung sebelumnya secara manual merupakan variabel terikat ( ), sedangkan variabel bebas ) ialah nilai luas daun yang dihitung menggunakan pendekatan luas elips, yaitu π r1 r2 . Persamaan garis regresi linier yang dihasilkan dari kedua luas tersebut ialah: ŷ = (1.0611 * X) – 9.8281 Diagram pencar yang dihasilkan dari kedua luas daun tersebut dapat dilihat pada Gambar 20. Dari kedua diagram pencar keliling dan luas daun, terlihat ada hubungan linier antara variabel luas dan keliling daun yang telah dihitung sebelumnya dengan variabel luas dan keliling daun yang dihitung menggunakan pendekatan rumus elips sehingga, luas dan keliling daun yang sebenarnya diharapkan bisa didekati dengan hasil persamaan garis regresi linier tersebut. Pada Tabel 9 dan 10 disajikan contoh nilai fitur keliling dan luas daun dengan pendekatan persamaan garis regresi linier.
12
Y
70 60 50 40 30 20 10 0
y = 1,0643x - 1,5318
0
20
40
60
80
X
Gambar 19 Diagram pencar keliling daun. Y 300
y = 1,0611x - 9,8281
250 200 150
Seperti pada percobaan pertama, terlebih dahulu dilakukan pencarian parameter JST propagasi balik resilient optimal untuk menghasilkan akurasi yang baik. Pencarian parameter optimal dimulai dengan percobaan kombinasi jumlah hidden neuron. Jumlah hidden neuron yang digunakan ialah 5, 10, 15, dan 20, sedangkan parameter lain dibuat tetap sesuai nilai default-nya, yaitu nilai toleransi galat ialah 0.01, nilai learning rate 0.01, nilai faktor naik 1.2, nilai faktor turun 0.5, nilai delta0 0.07, dan nilai deltamax 50. Nilai hidden neuron yang optimal pada grup percobaan satu ialah 20, grup percobaan dua 15, grup percobaan tiga 20, grup percobaan empat 20, dan grup percobaan lima ialah 15. Nilai hidden neuron ini kemudian digunakan pada percobaan selanjutnya, yaitu percobaan kombinasi nilai toleransi galat.
100 50 0 0
100
200
300
X
Gambar 20 Diagram pencar luas daun. Tabel 9 Nilai fitur keliling daun dihitung secara manual dan dengan regresi linier Kelas Shorea ovalis leprosula platyclados seminis beccariana
Data ke1 2 1 2 1 2 1 2 1 2
Keliling dihitung manual 53.2 48.6 36.0 33.0 29.3 29.0 29.4 36.0 21.2 20.5
Keliling dengan regresi linier 53.1 47.8 36.9 33.4 28.9 28.4 29.2 36.1 21.4 21.0
Tabel 10 Nilai fitur luas daun dihitung secara manual dan dengan regresi linier Kelas Shorea ovalis leprosula platyclados seminis beccariana
Data ke1 2 1 2 1 2 1 2 1 2
Luas dihitung manual 176.3 140.8 76.5 69.5 33.8 27.5 45.5 64.8 28.3 24.8
Luas dengan regresi linier 173.8 134.6 79.5 66.1 40.8 39.7 43.1 65.1 24.7 23.9
Pada percobaan nilai toleransi galat, nilainilai toleransi galat yang digunakan ialah 10-1, 10-2, 10-3, 10-4, 10-5, 10-6, dan 10-7. Nilai hidden neuron yang digunakan ialah nilai dari hasil percobaan sebelumnya, yaitu 20 untuk grup percobaan satu, tiga, empat, dan 15 untuk grup percobaan dua, dan lima, sedangkan parameter lain dibuat tetap sesuai nilai default-nya, yaitu nilai learning rate sebesar 0.01, nilai faktor naik 1.2, nilai faktor turun 0.5, nilai delta0 0.07, dan nilai deltamax 50. Nilai toleransi galat optimal pada grup percobaan satu, dua, tiga dan empat ialah 10-2, dan grup percobaan lima 10-7. Nilai toleransi galat yang optimal ini selanjutnya akan digunakan pada percobaan kombinasi nilai learning rate. Selanjutnya, dilakukan percobaan learning rate dengan nilai, yaitu 0.01, 0.02, 0.03, 0.04, 0.05, 0.06, 0.07, 0.08, 0.09, dan 0.1. Nilai hidden neuron dan toleransi galat yang digunakan pada masing-masing grup percobaan sesuai dengan nilai yang telah didapatkan pada percobaan sebelumnya, sedangkan parameter lain dibuat tetap sesuai nilai default-nya, yaitu nilai faktor naik sebesar 1.2, nilai faktor turun 0.5, nilai delta0 0.07, dan nilai deltamax 50. Nilai learning rate optimal dari grup percobaan satu ialah 0.04, grup percobaan dua 0.09, grup percobaan tiga 0.06, grup percobaan empat 0.09, grup percobaan lima 0.08. Nilai learning rate yang optimal ini akan digunakan pada percobaan kombinasi nilai faktor naik. Percobaan selanjutnya dilakukan dengan menggunakan kombinasi nilai faktor naik sebesar 1.1, 1.2, 1.3, 1.4, 1.5, 1.6, 1.7, 1.8, dan 1.9. Nilai hidden neuron, toleransi galat, dan learning rate yang digunakan pada masing-
13
masing grup percobaan sesuai dengan nilai yang telah didapatkan pada percobaan sebelumnya, sedangkan parameter lain dibuat tetap, yaitu nilai faktor turun sebesar 0.5, nilai delta0 0.07, dan nilai deltamax 50. Nilai faktor naik yang optimal pada percobaan ini ialah 1.1 untuk grup percobaan satu, 1.4 untuk grup percobaan dua, 1.2 untuk grup percobaan tiga, 1.5 untuk grup percobaan empat, dan 1.3 untuk grup percobaan lima. Nilai faktor naik yang optimal ini akan digunakan pada percobaan kombinasi nilai faktor turun. Percobaan dengan kombinasi nilai faktor turun menggunakan nilai faktor turun 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, dan 0.9. Nilai hidden neuron, toleransi galat, learning rate, dan faktor naik ialah sesuai dengan nilai optimal yang didapatkan dari percobaan sebelumnya, sedangkan nilai delta0 ialah 0.07, dan nilai deltamax 50. Nilai faktor turun yang optimal untuk grup percobaan satu ialah 0.7, grup percobaan dua 0.5, dan grup percobaan tiga, empat, dan lima 0.6. Nilai faktor turun yang optimal ini akan digunakan pada percobaan selanjutnya, yaitu kombinasi nilai delta0. Percobaan dengan kombinasi nilai delta0 menggunakan nilai delta0 sebesar 0.01, 0.02, 0.03, 0.04, 0.05, 0.06, 0.07, 0.08, 0.09. Nilai hidden neuron, toleransi galat, learning rate, faktor naik, dan faktor turun sesuai dengan nilai optimal yang didapatkan dari percobaan sebelumnya, sedangkan nilai deltamax ialah 50. Nilai delta0 yang optimal untuk grup percobaan satu ialah 0.06, grup percobaan dua 0.08, grup percobaan tiga 0.06, grup percobaan empat 0.04, dan grup percobaan lima 0.04. Nilai delta0 optimal yang didapatkan akan digunakan pada percobaan dengan kombinasi nilai deltamax. Percobaan terakhir dilakukan dengan kombinasi nilai deltamax. Nilai deltamax yang digunakan pada percobaan ini ialah 10, 20, 30, 40, 50, 60, 70, 80, 90, dan 100. Nilai hidden neuron, toleransi galat, learning rate, faktor naik, faktor turun, delta0 sesuai dengan nilai optimal yang didapatkan dari percobaan sebelumnya. Nilai deltamax optimal yang didapatkan untuk grup percobaan satu ialah 10, grup percobaan dua 20, grup percobaan tiga 80, grup percobaan empat 80, dan grup percobaan lima 90. Parameter optimal yang telah didapatkan dari percobaan kedua disajikan pada Tabel 11. Sama seperti percobaan pertama, grup percobaan empat menghasilkan pola identifikasi kelima jenis Shorea dengan baik, karena
menghasilkan akurasi 100% dengan epoch terkecil dari seluruh grup percobaan. Tabel 11 Nilai optimal setiap grup percobaan dengan regresi Parameter JST HN TL LR FN FT D0 DM Akurasi (%) Epoch
1 20 10-2 0.04 1.1 0.7 0.06 10 100 97
Grup percobaan ke2 3 4 15 20 20 10-2 10-2 10-2 0.09 0.06 0.09 1.4 1.2 1.5 0.5 0.6 0.6 0.08 0.06 0.04 20 80 80 100 100 100 127 80 71
5 15 10-7 0.08 1.3 0.6 0.04 90 90 1000
Hasil akurasi kelas Shorea dari setiap grup percobaan dapat dilihat pada Tabel 12. Tabel 12 Akurasi kelas Shorea dari setiap grup percobaan (percobaan ke-2) Kelas Shorea ovalis leprosula platyclados seminis beccariana
Akurasi Grup Percobaan ke(dalam %) 1
2
3
4
5
100 100 100 100 100
100 100 100 100 100
100 100 100 100 100
100 100 100 100 100
100 50 100 100 100
Aku rasi Rata -rata (%) 100 90 100 100 100
Pada Tabel 12, identifikasi jenis Shorea ovalis, Shorea platyclados, Shorea seminis, Shorea beccariana pada grup percobaan satu, dua, tiga, empat, dan lima menghasilkan akurasi sebesar 100%. Artinya, masing-masing grup percobaan jenis Shorea teridentifikasi dengan benar, identifikasi Shorea leprosula pada grup percobaan satu, dua, tiga, dan empat menghasilkan akurasi 100%, sedangkan pada grup percobaan lima 50%. Hal ini disebabkan satu instance Shorea leprosula menghasilkan nilai 0.401 sehingga teridentifikasi sebagai Shorea ovalis. Selain itu, berdasarkan fitur yang diamati, keduanya cenderung memiliki kesamaan pada fitur-fitur tertentu yang dapat dilihat pada Lampiran 9. Hasil percobaan kedua selengkapnya dapat dilihat pada Lampiran 8. Pada Gambar 21 menyajikan hasil tingkat akurasi rata-rata untuk Shorea ovalis, Shorea platyclados, Shorea seminis, dan Shorea beccariana ialah 100%, serta Shorea leprosula ialah 90%.
14
untuk mendekati nilai luas dan keliling daun yang sebenarnya menggunakan rumus elips menghasilkan akurasi sebesar 94%. Perbandingan akurasi dengan Puspitasari (2011) dapat dilihat pada Tabel 14.
50
0 Ovalis
Leprosula Platyclados Seminis Beccariana
Grup Percobaan satu
dua
Kelas Shorea tiga
empat
lima
Gambar 21 Grafik akurasi kelas Shorea pada masing-masing grup percobaan (percobaan ke-2). Perbandingan Optimalisasi Kelompok Percobaan
Seluruh
Dari seluruh percobaan yang telah dilakukan, yaitu percobaan 5-fold crossvalidation tanpa regresi dan percobaan 5-fold cross-validation dengan regresi, didapat hasil akurasi yang sama. Perbandingan akurasi ratarata disajikan pada Tabel 13. Tabel 13 Perbandingan akurasi rata-rata seluruh percobaan Kelas Shorea ovalis leprosula platyclados seminis beccariana
Akurasi rata-rata (%) Percobaan 1 Percobaan 2 100 100 90 90 100 100 100 100 100 100
Dari data pada Tabel 13, dapat diketahui bahwa akurasi rata-rata keseluruhan yang dihasilkan kedua percobaan ialah 98%. Keduanya menghasilkan akurasi yang sama dengan hasil parameter optimal JST propagasi balik resilient yang berbeda, serta kesalahan identifikasi yang sama dari kedua percobaan, yaitu instance Shorea leprosula teridentifikasi sebagai Shorea ovalis. Grafik perbandingan akurasi kedua percobaan juga disajikan dalam Gambar 22. Perbandingan Sebelumnya
dengan
Penelitian
Penelitian kali ini akan dibandingkan dengan penelitian Puspitasari (2011), karena data yang digunakan sama. Penelitian Puspitasari (2011) menggunakan JST propagasi balik standar mampu mengidentifikasi jenis Shorea dengan akurasi rata-rata 90%. Selain itu, pendekatan dengan regresi linier dilakukan
Puspitasari (2011) menggunakan maksimum epoch mencapai 5000 epoch, artinya siklus setiap perubahan bobot (epoch) yang dilakukan pada setiap set pelatihan akan berhenti dicapai, yaitu bila mencapai maksimum epoch, yaitu 5000, sedangkan pada penelitian ini hanya 1000 epoch. Kesalahan identifikasi pada kedua percobaan yang dilakukan Puspitasari (2011) berbeda. Pada percobaan pertama, yaitu tanpa regresi, Shorea ovalis yang diidentifikasi sebagai Shorea beccariana, maupun sebaliknya, dan percobaan kedua, yaitu dengan regresi, Shorea beccariana dan Shorea leprosula diidentifikasi sebagai Shorea ovalis, sedangkan pada penelitian ini, kedua percobaan yang dilakukan menghasilkan akurasi yang sama serta kesalahan identifikasi yang sama, yaitu kesalahan identifikasi pada instance Shorea leprosula yang diidentifikasi sebagai Shorea ovalis. Kesalahan tersebut dapat terjadi karena nilai dari fitur nominal yang sama antara kedua jenis Shorea tersebut. 100 90 80 70 60 50 40 30 20 10 0
Akurasi rata-rata (%)
Akurasi (%)
100
Percobaan 1
Percobaan 2
Gambar 22 Grafik rata-rata akurasi masingmasing percobaan.
KESIMPULAN DAN SARAN Kesimpulan Penelitian ini mengidentifikasi lima jenis Shorea dengan menggunakan karakteristik morfologi daun, yaitu Shorea ovalis, Shorea leprosula, Shorea platyclados, Shorea seminis, dan Shorea beccariana menggunakan karakteristik morfologi daun dengan fitur yang diamati ialah panjang daun, lebar daun, bentuk tulang daun, permukaan daun, bentuk ujung dan
