IDENTIFIKASI JENIS SHOREA MENGGUNAKAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK BERDASARKAN KARAKTERISTIK MORFOLOGI DAUN
DEWI PUSPITASARI
DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2011
i
ABSTRACT DEWI PUSPITASARI. Shorea Species Identification Using Backpropagation Neural Network Based on Morphological Characteristics of Leaves. Supervised by AZIZ KUSTIYO. Dipterocarpaceae is a major timber tree of tropical rain forest. Shorea is a genus of the Dipterocarpaceae family which consists of around 194 species. Species diversity may lead to difficulty in distinguishing species of Shorea of one another. It takes knowledge from an expert in the field of Shorea to be able to identify the types of Shorea. Errors in identifying the type of Shorea wood can lead to inappropriate selection for the final usability. Identifying the type of Shorea carried out on five species of Shorea owned Bogor Botanical Gardens on the basis of morphological characteristics of leaves. The identification was carried out using Backpropagation Neural Network. To obtain the values of each leaf morphological characteristics of Shorea, each sample measurement data collected manually. The values are then processed using Backpropagation Neural Network to get the pattern from the training and the accuracy of the test phase. This research used a total of 50 data from five species of Shorea. The data are divided into five subsets. The fifth subset is used in the training and testing phases and conducted five times. The use of methods Backpropagation neural networks in identifying species Shorea produces an average accuracy of 90%. Keywords : Shorea, Backpropagation Neural Network.
iii
IDENTIFIKASI JENIS SHOREA MENGGUNAKAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK BERDASARKAN KARAKTERISTIK MORFOLOGI DAUN
DEWI PUSPITASARI
Skripsi Sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer pada Program Studi Ilmu Komputer
DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2011
ii
Judul Penelitian : Identifikasi Jenis Shorea Menggunakan Jaringan Syaraf Tiruan Propagasi Balik Berdasarkan Karakteristik Morfologi Daun Nama : Dewi Puspitasari NRP : G64086045
Menyetujui :
Pembimbing
Aziz Kustiyo, S.Si., M.Kom. NIP. 19700719 199802 1 001
Mengetahui : Ketua Departemen Ilmu Komputer
Dr. Ir. Sri Nurdiati, M.Sc. NIP. 19601126 198601 2 001
Tanggal Lulus :
iv
RIWAYAT HIDUP Penulis dilahirkan pada tanggal 26 Januari 1989 di Bogor. Penulis merupakan anak pertama dari dua bersaudara dari pasangan Bapak Harry Mulyadi, SP, M.Si dan Ibu Sri Budi Anggraeni (Alm). Tahun 2005 penulis lulus dari SMA Bina Bangsa Sejahtera Bogor, pada tahun yang sama penulis lulus seleksi masuk IPB melalui jalur Undangan Seleksi Masuk IPB. Tahun 2008 penulis lulus dari program Diploma Manajemen Informatika Institut Pertanian Bogor, pada tahun yang sama penulis melanjutkan program studi Sarjana di Departemen Ilmu Komputer, Institut Pertanian Bogor, dengan memilih program studi Ilmu Komputer.
v
PRAKATA Puji dan syukur penulis panjatkan kehadirat Allah SWT yang telah memberikan rahmat dan hidayah-Nya sehingga penulis dapat menyelesaikan karya ilmiah ini. Terima kasih penulis ucapkan kepada Bapak Aziz Kustiyo, S.Si, M.Kom selaku pembimbing. Adapun penulis mengucapkan terima kasih kepada: 1. Kedua orang tua yang telah memberikan dukungan, perhatian, dan doa sehingga penulis dapat menyelesaikan studi di departemen Ilmu Komputer IPB. 2. Dosen penguji, Bapak Toto Haryanto, S.Kom, M.Si dan Bapak Mushthofa, S.Kom, M.Sc atas saran dan bimbingannya. 3. Pihak Kebun Raya Bogor atas sample daun Shorea. 4. Pihak Biotrop atas literatur tentang Shorea. 5. Teman-teman satu bimbingan atas kerjasamanya. 6. Teman-teman Ekstensi ILKOM angkatan 3, atas kerjasamanya selama penelitian. Semoga penelitian ini dapat bermanfaat bagi semua pihak yang membutuhkan.
Bogor, Juni 2011
Dewi Puspitasari
vi
DAFTAR ISI
Halaman DAFTAR GAMBAR ...........................................................................................................................viii DAFTAR TABEL ...............................................................................................................................viii PENDAHULUAN .................................................................................................................................. 1 Latar Belakang ................................................................................................................................... 1 Tujuan Penelitian ............................................................................................................................... 1 Ruang Lingkup Penelitian .................................................................................................................. 1 Manfaat Penelitian ............................................................................................................................. 1 TINJAUAN PUSTAKA ......................................................................................................................... 1 Shorea ................................................................................................................................................ 1 Shorea Beccariana ............................................................................................................................. 2 Shorea Seminis ................................................................................................................................... 2 Shorea Platyclados ............................................................................................................................ 2 Shorea Leprosula ............................................................................................................................... 2 Shorea Ovalis ..................................................................................................................................... 3 Jaringan Syaraf Tiruan ....................................................................................................................... 3 Propagasi Balik .................................................................................................................................. 3 K-Fold cross validation ..................................................................................................................... 4 Normalisasi ........................................................................................................................................ 4 Regresi Linear .................................................................................................................................... 4 METODOLOGI ...................................................................................................................................... 5 Identifikasi Masalah ........................................................................................................................... 5 Pengumpulan Data ............................................................................................................................. 5 Praproses ............................................................................................................................................ 7 Pembagian Data Latih dan Data Uji................................................................................................... 7 Pelatihan............................................................................................................................................. 7 Pengujian ........................................................................................................................................... 7 Akurasi ............................................................................................................................................... 7 Lingkungan Pengembangan ............................................................................................................... 7 HASIL DAN PEMBAHASAN............................................................................................................... 7 Percobaan 1 : 5-Fold Cross Validation .............................................................................................. 7 Percobaan 2 : 5-Fold Cross Validation dengan Regresi Linear. ....................................................... 9 Perbandingan Percobaan 1 dan Percobaan 2. ................................................................................... 10 KESIMPULAN DAN SARAN............................................................................................................. 10 Kesimpulan ...................................................................................................................................... 10 Saran ................................................................................................................................................ 10 DAFTAR PUSTAKA ........................................................................................................................... 10 LAMPIRAN ......................................................................................................................................... 12
vii
DAFTAR GAMBAR Halaman 1 Pohon Shorea. ...................................................................................................................................... 2 2 Daun Shorea Beccariana. .................................................................................................................... 2 3 Daun Shorea Seminis. .......................................................................................................................... 2 4 Daun Shorea Platyclados..................................................................................................................... 2 5 Daun Shorea Leprosula. ...................................................................................................................... 3 6 Daun Shorea Ovalis. ............................................................................................................................ 3 7 Model JST Propagasi Balik. ................................................................................................................ 3 8 Grafik fungsi sigmoid biner. ................................................................................................................ 4 9 Elips. .................................................................................................................................................... 5 10 Diagram Alur Penelitian. ................................................................................................................... 5 11 Panjang Daun. .................................................................................................................................... 5 12 Lebar Daun. ....................................................................................................................................... 5 13 Bentuk Tulang Daun. ......................................................................................................................... 6 14 Ujung Daun. ....................................................................................................................................... 6 15 Pangkal Daun. .................................................................................................................................... 6 16 Keliling Daun. .................................................................................................................................... 6 17 Sudut Antar Tulang Daun. ................................................................................................................. 6 18 Grafik tingkat akurasi setiap jenis Shorea. ........................................................................................ 9 19 Diagram pencar luas daun. ................................................................................................................. 9 20 Diagram pencar keliling daun. ........................................................................................................... 9 21 Grafik tingkat akurasi setiap jenis Shorea dengan regresi linear. .................................................... 10 22 Grafik perbandingan tingkat akurasi dari setiap percobaan. ............................................................ 10
DAFTAR TABEL Halaman 1 Contoh data Shorea.............................................................................................................................. 6 2 Parameter JST Propagasi Balik. ........................................................................................................... 7 3 Target jenis Shorea. ............................................................................................................................. 7 4 Susunan data pelatihan dan data pengujian. ......................................................................................... 8 5 Parameter JST optimal setiap iterasi percobaan dan akurasinya. ......................................................... 8 6 Parameter JST optimal setiap iterasi percobaan dengan regresi linear. ............................................... 9
DAFTAR LAMPIRAN Halaman 1 Contoh data daun Shorea. .................................................................................................................. 13 2 Arsitektur JST. ................................................................................................................................... 13 3 Confusion matrix percobaan 1. .......................................................................................................... 14 4 Confusion matrix percobaan 2. .......................................................................................................... 15 5 Pencarian parameter JST optimal pada percobaan 1. ......................................................................... 16 6 Pencarian parameter JST optimal pada percobaan 2. ......................................................................... 17
viii
PENDAHULUAN Latar Belakang Indonesia merupakan negara yang memiliki kawasan hutan hujan tropis dengan keanekaragaman spesies tumbuhan yang sangat tinggi dan formasi hutan yang beragam. Dipterocarpaceae adalah pohon kayu utama dari hutan hujan tropis dan merupakan salah satu famili besar dengan jumlah mencapai 506 spesies di seluruh dunia. Shorea adalah nama marga dari famili Dipterocarpaceae yang beranggotakan sekitar 194 spesies. Ditinjau dari segi manfaat ekonomi, Shorea merupakan penghasil kayu-kayu Dipterocarpaceae yang terpenting, salah satunya adalah kayu meranti (meranti kuning, merah, dan putih). Kegunaan utama kayu meranti adalah untuk membuat kayu lapis dengan kualitas yang bagus. Beberapa Shorea juga menghasilkan tengkawang, yaitu buah meranti-merantian yang besar dan berlemak. Biji tengkawang mengeluarkan minyak yang berharga tinggi dan digunakan dalam industri kosmetika dan makanan. Keanekaragaman spesies dalam marga Shorea menyebabkan kesulitan untuk membedakan jenis Shorea satu dengan yang lainnya. Diperlukan pengetahuan serta pengalaman khusus dalam bidang ini untuk dapat membedakan jenis-jenis Shorea. Identifikasi jenis pohon penghasil kayu yang tidak akurat akan menyebabkan kesalahan identifikasi kayu gelondongan yang mengakibatkan pemilihan kayu yang tidak tepat untuk kegunaan akhir. Jika ditinjau dari segi kemudahan dan kecepatan dalam mendapatkan data, maka karakteristik morfologi dan anatomi menjadi acuan pertama dalam proses identifikasi tumbuhan. Karakteristik ini dapat diamati pada organ vegetatif tumbuhan, seperti daun, batang, dan cabang, serta pada organ generatif tumbuhan, seperti bunga dan buah. Kedua organ tumbuhan ini memiliki perbedaan waktu observasi. Organ generatif tumbuhan hanya dapat diamati pada waktu tertentu, sedangkan organ vegetatif tumbuhan cenderung tersedia sebagai sumber pengamatan sepanjang waktu (Hasanah 2009). Daun merupakan salah satu organ vegetatif tumbuhan dengan beberapa karakteristik yang dapat diamati. Sama halnya seperti daun, batang dan cabang juga merupakan organ vegetatif tumbuhan yang cenderung tersedia sebagai sumber pengamatan sepanjang waktu. Namun,
kulit batang dapat berubah warna atau kedalaman alur sejalan dengan bertambahnya umur pohon. Pada penelitian ini akan diterapkan Jaringan Syaraf Tiruan (JST) Propagasi Balik untuk mengidentifikasi jenis Shorea. Data specimen daun akan diolah dengan JST Propagasi Balik untuk mengetahui tingkat akurasi dari proses identifikasi tersebut. Tujuan Penelitian Tujuan penelitian ini adalah untuk menerapkan Jaringan Syaraf Tiruan (JST) Propagasi Balik dalam mengidentifikasi jenis Shorea, serta mengetahui tingkat akurasi dari proses identifikasi tersebut. Ruang Lingkup Penelitian Ruang lingkup pada penelitian ini adalah : 1. Identifikasi jenis Shorea dilakukan berdasarkan karakteristik morfologi daun. 2. Identifikasi jenis Shorea dilakukan pada lima jenis Shorea yang terdapat di Kebun Raya Bogor, yaitu Shorea Beccariana, Shorea Seminis, Shorea Platyclados, Shorea Leprosula, dan Shorea Ovalis. 3. Data yang digunakan adalah data hasil pengukuran daun Shorea secara manual. Manfaat Penelitian Manfaat penelitian ini adalah membantu masyarakat umum serta pihak-pihak terkait dalam mengidentifikasi jenis Shorea. TINJAUAN PUSTAKA Shorea Shorea adalah nama marga dari famili Dipterocarpaceae yang beranggotakan sekitar 194 spesies. Marga ini dinamai demikian untuk menghormati Sir John Shore, Gubernur Jenderal British East India Company, 1793-1798. Shorea menyebar terutama di Asia Tenggara, ke barat hingga Srilanka dan India utara, dan ke timur hingga Filipina dan Maluku. Shorea merupakan penghasil kayu-kayu Dipterocarpaceae yang terpenting, seperti aneka jenis kayu meranti (meranti merah, kuning, putih), balau, bangkirai, balangeran, dan lain-lain. Selain itu, marga ini juga menghasilkan damar dari berbagai kualitas yang digunakan dalam industri pernis dan cat. Ciri-ciri diagnostik utama Shorea adalah pohon sangat besar dengan kulit kayu dalam berlapis-lapis atau coklat merah gelap. Pohon hampir selalu besar, batang utama tinggi dan
1
silindris. Tangkai daun berukuran sekitar 0.52.5 cm. Daun berukuran panjang 4-18 cm dan lebar 2-8 cm, pangkal daun biasanya simetris, permukaan bawah daun bila diraba licin, pertulangan sekunder bersisip, berjumlah sekitar 7-25 pasang (Newman et al. 1999).
atau coklat kuning. Pertulangan sekunder berjumlah 9-17 pasang, pertulangan tersier tidak terlalu terlihat (Newman et al. 1999). Shorea Seminis merupakan salah satu Shorea penghasil tengkawang. Bijinya yang mengandung lemak dapat digunakan sebagai bahan dasar untuk pembuatan coklat, margarine, sabun dan bahan kosmetika.
Gambar 1 Pohon Shorea. Shorea Beccariana Shorea Beccariana termasuk dalam kelompok meranti merah. Perawakan pohon besar, batang tinggi lurus, berbentuk silinder. Daun berukuran panjang 8-26 cm dan lebar 2.98 cm, bila diraba licin pada kedua permukaan, ujung daun lancip pendek, pangkal daun berbentuk pasak. Pertulangan sekunder berjumlah 10-13 pasang, melengkung di seluruh panjangnya, pertulangan tersier terlihat jelas dan tegak lurus (Newman et al. 1999). Shorea Beccariana merupakan salah satu Shorea penghasil tengkawang. Biji tengkawang mengeluarkan minyak yang berharga tinggi dan digunakan dalam industri kosmetika dan makanan.
Gambar 3 Daun Shorea Seminis. Shorea Platyclados Shorea Platyclados termasuk dalam kelompok meranti merah. Perawakan pohon sangat besar, batang tidak bercabang hingga tinggi sekali. Daun berukuran panjang 6.1-13.1 cm dan lebar 2.2-4 cm, ujung daun lancip, pangkal daun membundar. Permukaan atas daun bila mengering berwarna coklat, bila diraba licin. Pertulangan sekunder berjumlah 12-25 pasang, pertulangan tersier hampir tidak terlihat (Newman et al. 1999). Shorea yang termasuk kedalam kelompok meranti merah seperti Shorea Platyclados umumnya kayunya digunakan untuk venir dan kayu lapis. Selain itu, kayunya juga dapat digunakan sebagai bangunan perumahan dan mebel.
Gambar 2 Daun Shorea Beccariana. Shorea Seminis Shorea Seminis termasuk dalam kelompok balau atau selangan batu. Tinggi pohon dapat mencapai 60 m. Daun berukuran panjang 9-18 cm dan lebar 2.5-8 cm, ujung daun berbentuk lancip panjang, pangkal daun berbentuk pasak atau membundar. Permukaan atas dan bawah daun bila mengering berwarna coklat kelabu
Gambar 4 Daun Shorea Platyclados. Shorea Leprosula Shorea Leprosula termasuk dalam kelompok meranti merah. Perawakan pohon besar, dapat mencapai tinggi 60 m, bebas cabang 35 m, diameter 1 m. Kulit coklat keabuabuan. Daun lonjong sampai bulat telur, panjang 8 - 14 cm dan lebar 3.5-4.5 cm.
2
Permukaan daun bagian bawah bersisik seperti krim, urat daun tersier rapat seperti tangga. Kayunya ringan, kerapatan 0,3-0,55 gr/cm3. Merupakan kayu berharga dan sangat baik untuk mebel, panel, lantai, langit-langit dan juga untuk kayu lapis. Menghasilkan resin yang dikenal dengan nama damar daging, yang dapat digunakan obat.
Jaringan Syaraf Tiruan Jaringan Syaraf Tiruan (JST) adalah sistem pemroses informasi yang memiliki karakteristik mirip dengan jaringan syaraf biologi. JST dibentuk sebagai generalisasi model matematika dari jaringan syaraf biologi, dengan asumsi bahwa :
Gambar 5 Daun Shorea Leprosula.
JST ditentukan oleh tiga hal :
Shorea Ovalis
1.
Shorea Ovalis termasuk dalam kelompok meranti merah. Perawakan pohon besar, tinggi pohon dapat mencapai 49 m, batang lurus berbentuk silinder agak meruncing. Daun lonjong atau jorong, berukuran panjang 7.8-21.9 cm dan lebar 2.7-6.9 cm, ujung daun lancip panjang, pangkal daun membundar, permukaan atas daun bila mengering berwarna coklat, bila diraba licin dengan bulu-bulu pendek yang renggang atau rapat, permukaan bawah daun bila mengering berwarna coklat, bila diraba kasar. Tepi daun kadang tergulung. Pertulangan sekunder berjumlah sekitar 18-26 pasang, mulamula lurus, melengkung hanya di dekat tepi daun atau melengkung di seluruh panjangnya, pertulangan tersier terlihat jelas (Newman et al. 1999).
2.
Kayu meranti merah banyak dipergunakan untuk kayu pertukangan dan kayu lapis.
Pemrosesan informasi terjadi pada banyak elemen sederhana (neuron). Sinyal dikirimkan di antara neuron-neuron melalui penghubung-penghubung. Penghubung antar neuron memiliki bobot yang akan memperkuat atau memperlemah sinyal. Untuk menentukan output, setiap neuron menggunakan fungsi aktivasi yang dikenakan pada jumlah input yang diterima untuk menentukan keluarannya.
3.
Pola hubungan antar neuron yang disebut arsitektur. Metode penentuan bobot pada setiap hubungannya (disebut juga training atau latihan). Fungsi aktivasi yang digunakan.
Gambar 7 Model JST Propagasi Balik. Propagasi Balik Propagasi Balik merupakan algoritme pembelajaran yang terawasi (supervised learning) dan biasanya digunakan oleh jaringan multilayer untuk mengubah bobot-bobot yang terhubung dengan semua neuron pada hidden layer (Kusumadewi 2004 diacu dalam Hardelina 2007).
Gambar 6 Daun Shorea Ovalis.
3
Karakteristik yang Propagasi Balik adalah :
dimiliki
oleh
JST
Jaringan Multilayer JST Propagasi Balik memiliki input layer, output layer, dan hidden layer. Setiap neuron pada suatu layer dalam JST Propagasi Balik mendapat sinyal input dari semua neuron pada layer sebelumnya.
Fungsi Aktivasi Fungsi aktivasi digunakan untuk menentukan keluaran suatu neuron. Fungsi aktivasi yang umum digunakan pada JST Propagasi Balik adalah fungsi sigmoid biner (output-nya memiliki rentang [0,1]). Grafik fungsi sigmoid biner dapat dilihat pada Gambar 8. ƒ(x)
Ketiga fase tersebut diulang terus hingga kondisi penghentian terpenuhi. Umumnya kondisi penghentian yang digunakan adalah jumlah iterasi atau kesalahan. Iterasi akan dihentikan jika jumlah iterasi yang dilakukan sudah melebihi jumlah maksimum iterasi yang ditetapkan, atau jika kesalahan yang terjadi sudah lebih kecil dari batas toleransi yang diijinkan. K-Fold cross validation K-fold cross validation dilakukan untuk membagi training set dan test set. K-fold cross validation mengulang k-kali untuk membagi sebuah himpunan contoh secara acak menjadi k subset yang paling bebas, setiap ulangan disisakan satu subset untuk pengujian dan subset lainnya untuk pelatihan (Fu 1994). Normalisasi
x
Normalisasi data dilakukan dengan cara membagi setiap data dengan nilai maksimum dari setiap fiturnya. Normalisasi dilakukan agar data memiliki range yang sama. Regresi Linear
Gambar 8 Grafik fungsi sigmoid biner. Persamaan fungsi sigmoid biner adalah sebagai berikut :
dengan turunannya,
Ada tiga tahap pelatihan pada JST Propagasi Balik, yaitu pelatihan input yang bersifat umpan maju (feed forward), perhitungan propagasi balik galat yang diperoleh, dan penyesuaian bobot.
Feed Forward Setiap neuron pada hidden layer dan output layer menghitung nilai aktivasinya masingmasing sesuai dengan fungsi aktivasi yang digunakan.
Propagasi balik galat Setiap output neuron menghitung informasi galat antara nilai output yang dihasilkan dengan nilai target yang telah ditetapkan. Informasi galat ini dikirimkan ke layer di bawahnya.
Penyesuaian bobot-bobot jaringan Setiap output neuron dan hidden neuron mengubah nilai bias dan bobot sesuai dengan nilai galat pada layer di atasnya.
Regresi linear adalah metode statistika yang digunakan untuk membentuk model hubungan antara variabel terikat (Y) dengan satu atau lebih variabel bebas (X). Data dari X dan Y diplotkan sehingga menghasilkan diagram pencar. Jika titik-titiknya mengikuti suatu garis lurus, maka kedua variabel tersebut saling berhubungan secara linear. Bila hubungan linear tersebut ada, maka kita nyatakan secara matematik dengan sebuah persamaan garis lurus yang disebut garis regresi linear. persamaan tersebut dapat dituliskan dalam bentuk : ŷ = a + bx, dimana a adalah intersep atau perpotongan dengan sumbu tegak dan b adalah kemiringan atau gradiennya (Walpole 1995). Nilai a dan b pada persamaan di atas, dapat diperoleh dengan rumus :
Elips Luas dan keliling elips dapat dihitung dengan rumus di bawah ini. Luas elips : πr1r2 Keliling : π (r1 + r2)
4
Identifikasi Masalah r2
r1
Gambar 9 Elips. dimana : r1 = sumbu panjang dari titik pusat r2 = sumbu pendek dari titik pusat METODOLOGI Pada bab ini akan dijelaskan mengenai tahapan-tahapan yang akan dilakukan dalam penelitian. Penelitian dimulai dengan melakukan identifikasi masalah, kemudian dilakukan pencarian dan pengumpulan data untuk digunakan pada tahap pelatihan dan pengujian. Berikut ini adalah ilustrasi tahapan metodologi penelitian yang digambarkan dengan diagram alur penelitian : Mulai
Shorea beranggotakan sekitar 194 spesies. Keanekaragaman spesies tersebut dapat mengakibatkan kesulitan dalam membedakan jenis Shorea satu dengan yang lainnya. Diperlukan pengetahuan dari orang yang berpengalaman dalam bidang Shorea untuk dapat mengenali jenis-jenis Shorea. Kesalahan dalam mengidentifikasi jenis Shorea dapat mengakibatkan pemilihan kayu yang tidak tepat untuk kegunaan akhir. Salah satu solusi dari permasalahan tersebut adalah dengan membuat suatu aplikasi yang dapat mengidentifikasi jenis-jenis Shorea. Aplikasi tersebut dibentuk dengan menggabungkan kemampuan dari ahli dalam bidang Shorea serta literatur yang terkait dengan bidang tersebut untuk mengetahui tingkat akurasi dari identifikasi tersebut. Pengumpulan Data Data yang digunakan pada penelitian ini adalah data hasil pengolahan daun Shorea yang sample-nya diambil dari Kebun Raya Bogor. Pada setiap sample dilakukan pengukuran data secara manual untuk mendapatkan nilai-nilai dari setiap karakteristik morfologi daun Shorea. Karakteristik morfologi daun Shorea yang diamati dan diukur adalah : 1.
Identifikasi Masalah
Panjang daun, yaitu panjang daun dari ujung daun sampai pangkal daun. Panjang
Pengumpulan Data
Gambar 11 Panjang Daun. 2.
Praproses
Lebar daun, yaitu permukaan daun yang paling lebar dengan posisi daun tegak lurus.
K-fold cross validation
Data Latih
Lebar
Data Uji
Gambar 12 Lebar Daun. 3. Pelatihan
Pengujian
Bentuk tulang daun, yaitu susunan tulang cabang pada daun. Bentuk tulang daun dapat dibedakan menjadi :
JST Propagasi Balik
a. Akurasi
Selesai
Gambar 10 Diagram Alur Penelitian.
Menempel : ujung tulang cabang bagian dalam sebelah kanan bertemu dengan ujung tulang cabang bagian dalam sebelah kiri. b. Tidak menempel : ujung tulang cabang bagian dalam sebelah kanan tidak bertemu dengan ujung tulang cabang bagian dalam sebelah kiri.
5
Ujung tulang cabang bagian dalam sebelah kiri
Ujung tulang cabang bagian dalam sebelah kanan
Gambar 13 Bentuk Tulang Daun. 4.
Keliling daun, yaitu keliling tepi daun yang diukur dengan menggunakan benang. Keliling
Gambar 16 Keliling Daun. 8.
Permukaan daun, yaitu keadaan permukaan daun bagian atas dan bawah, seperti : a. b. c. d.
5.
7.
Atas bawah halus Atas halus bawah kasar Atas bawah kasar Atas kasar bawah halus
Luas daun, yaitu luas permukaan daun yang diukur pada buku berpetak dengan menjumlahkan kotak yang terisi penuh dan kotak yang terisi setengah di dalam gambar daun kemudian dikali ¼. Contoh pengukuran luas :
Ujung daun, yaitu bentuk ujung daun. Beberapa bentuk ujung daun di antaranya : a.
b.
c.
d.
Runcing, jika kedua tepi daun di kanan kiri ibu tulang sedikit demi sedikit menuju ke atas dan pertemuannya pada puncak daun membentuk suatu lancip. Meruncing, seperti pada ujung yang runcing, tetapi titik pertemuan kedua tepi daunnya jauh lebih tinggi dari dugaan, hingga ujung daun nampak sempit panjang dan runcing. Tumpul, tepi daun yang semula masih agak jauh dari ibu tulang, cepat menuju ke suatu titik pertemuan, hingga terbentuk sudut yang tumpul. Membulat, seperti pada ujung yang tumpul, tetapi tidak terbentuk sudut sama sekali, hingga ujung daun merupakan semacam suatu busur.
Luas = ( jml kotak penuh + jml kotak ½) x ¼ = 16 x ¼ = 4 cm2 9.
Sudut antar tulang daun, yaitu sudut antara ibu tulang daun dengan tulang cabang daun sebelah kanan atau kiri yang diukur menggunakan busur. Sudut
Gambar 17 Sudut Antar Tulang Daun. 10. Jumlah tulang daun, yaitu jumlah tulang cabang daun sebelah kanan dan tulang cabang daun sebelah kiri.
Gambar 14 Ujung Daun. 6.
Pangkal daun, yaitu bentuk pangkal daun. Beberapa bentuk pangkal daun di antaranya: a. b. c. d.
Runcing Meruncing Tumpul Membulat
Gambar 15 Pangkal Daun.
Berikut ini adalah contoh data hasil perhitungan manual dan fitur-fiturnya yang disajikan pada Tabel 1. Tabel 1 Contoh data Shorea Jenis Shorea Panjang Lebar Bentuk tulang daun Permukaan Daun Ujung Daun Pangkal Daun Keliling Luas Sudut Jumlah tulang daun
Shorea Beccariana 9.2 cm 4.5 cm Tidak menempel Atas halus bawah kasar Meruncing Membulat 21.2 cm 56.5 cm2 70° 29
6
Tabel 3 Target jenis Shorea
Praproses Pada tahap praproses dilakukan proses diskretisasi data, yaitu mengubah data nominal menjadi data numerik. Beberapa fitur yang memiliki data nominal di antaranya adalah bentuk tulang daun, permukaan daun, ujung daun, dan pangkal daun. Selain itu, dilakukan normalisasi pada data hasil pengukuran daun untuk menyamakan range data. Contoh data Shorea yang telah didiskretisasi dapat dilihat pada Lampiran 1. Pembagian Data Latih dan Data Uji Teknik yang digunakan untuk membagi data latih dan data uji adalah 5-fold cross validation. Teknik ini akan membagi data menjadi lima sub sample terpisah, dimana empat sub sample akan digunakan sebagai data latih dan satu sub sample akan digunakan sebagai data uji. Pelatihan Arsitektur jaringan syaraf tiruan (JST) menggunakan algoritme propagasi balik dilatih dengan parameter-parameter JST. Gambar arsitektur JST untuk penelitian ini, dapat dilihat pada Lampiran 2. Pelatihan data dilakukan beberapa kali hingga menemukan galat terkecil. Kemudian hasil pelatihan tersebut disimpan untuk digunakan kembali pada tahap pengujian. Parameter JST yang digunakan pada proses pelatihan dapat dilihat pada Tabel 2. Tabel 2 Parameter JST Propagasi Balik Karakteristik Arsitektur Neuron input Hidden neuron Neuron output Fungsi aktivasi Toleransi galat Learning rate
Maksimum epoh
Spesifikasi 1 hidden layer 9 10, 20, 30, 40, 50, 60, 70, 80, 90, dan 100 5 Sigmoid biner 10-1, 10-2, 10-3, 10-4, 10-5, 10-6, dan 10-7. 0.01, 0.02, 0.03, 0.04, 0.05, 0.06, 0.07, 0.08, 0.09, dan 0.1 5000
Jenis Shorea Shorea Beccariana Shorea Seminis Shorea Platyclados Shorea Leprosula Shorea Ovalis
Target 10000 01000 00100 00010 00001
Akurasi Pengujian model JST menghasilkan akurasi yang dapat dihitung dengan cara menjumlahkan data uji yang berhasil dikenali dengan benar oleh JST dibagi dengan total data uji : Akurasi =
x 100%
Lingkungan Pengembangan Perangkat lunak yang digunakan dalam penelitian yaitu : 1. 2. 3.
Windows 7 Profesional Matlab 7.7.0 Microsoft Office Excel 2007
Perangkat keras yang digunakan dalam penelitian yaitu : 1. 2. 3.
Processor Genuine Intel 1.30 GHz RAM 1.00 GB Harddisk kapasitas 172 GB HASIL DAN PEMBAHASAN
Data karakteristik daun Shorea pada awalnya memiliki sepuluh fitur, yaitu 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. Namun, setelah data daun Shorea terkumpul, pada fitur bentuk tulang daun tidak terlihat perbedaan antar jenis daun Shorea yang diidentifikasi, sehingga fitur tersebut dihilangkan. Ada lima jenis Shorea yang diidentifikasi, yaitu Shorea Beccariana, Shorea Seminis, Shorea Platyclados, Shorea Leprosula, dan Shorea Ovalis. Kelima jenis Shorea tersebut masing-masing terdiri dari sepuluh data.
Pengujian
Percobaan 1 : 5-Fold Cross Validation
Pengujian model dilakukan menggunakan data uji. Neuron output yang dihasilkan mendifinisikan target dari jenis-jenis Shorea yang diidentifikasi. Definisi target dan jenis Shorea disajikan pada Tabel 3.
Percobaan ini melibatkan data hasil pengukuran daun Shorea yang telah dinormalisasi. Normalisasi data dilakukan dengan cara membagi setiap data dengan nilai maksimum pada setiap atributnya. Normalisasi tersebut dilakukan agar data berada pada range yang sama, yaitu 0-1. Data secara keseluruhan sebanyak 50 instance dibagi menjadi lima
7
subset yang jumlah masing-masing subset-nya hampir sama. Setiap subset terdiri dari 10 data yang merupakan gabungan dari lima jenis Shorea yang diidentifikasi. Subset-subset tersebut akan digunakan dalam tahap pelatihan dan pengujian. Pelatihan dan pengujian dilakukan sebanyak lima kali. Susunan data pelatihan dan data pengujian disajikan pada Tabel 4. Tabel 4 Susunan data pelatihan dan data pengujian Iterasi Iterasi pertama Iterasi kedua Iterasi ketiga Iterasi keempat Iterasi kelima
Pelatihan S2, S3, S4, S5 S1, S3, S4, S5 S1, S2, S4, S5 S1, S2, S3, S5 S1, S2, S3, S4
Pengujian S1 S2 S3 S4 S5
Sebelum dilakukan pengujian, terlebih dahulu dilakukan pencarian parameter JST yang optimal untuk mendapatkan model JST yang baik. Pencarian parameter JST optimal dilihat dari jumlah epoh minimum pada setiap percobaan. Percobaan-percobaan tersebut melibatkan beberapa kombinasi nilai dari parameter JST, seperti hidden neuron, learning rate, dan toleransi galat. Parameter optimal yang didapatkan pada setiap percobaan akan digunakan untuk percobaan selanjutnya. Penentuan parameter JST optimal pada percobaan ini dilihat melalui nilai parameter yang bisa menghasilkan nilai akurasi tertinggi untuk setiap iterasi. Jika ada dua atau lebih nilai parameter yang menghasilkan akurasi yang sama, maka penentuan parameter JST optimal akan dilihat berdasarkan nilai parameter yang memiliki epoh terkecil. Pencarian parameter JST optimal dimulai dengan percobaan kombinasi nilai hidden neuron. Nilai hidden neuron yang digunakan adalah 10, 20, 30, 40, 50, 60, 70, 80, 90, dan 100. Sementara itu, nilai parameter lain dibuat tetap, yaitu learning rate = 0.01 dan toleransi galat = 0.01. Percobaan selanjutnya adalah dengan kombinasi learning rate, 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 yang digunakan adalah nilai hasil dari percobaan sebelumnya. Nilai toleransi galat dibuat tetap, yaitu 0.01. Percobaan terakhir adalah dengan kombinasi nilai toleransi galat, yaitu 10-1, 10-2, 10-3, 10-4, 10-5, 10-6, 10-7. Nilai hidden neuron dan learning rate yang digunakan adalah nilai hasil dari percobaan sebelumnya.
Rincian pencarian parameter-parameter JST optimal dapat dilihat pada Lampiran 5. Parameter-parameter JST optimal yang didapatkan beserta akurasi yang dihasilkan dari setiap iterasi disajikan pada Tabel 5. Tabel 5 Parameter JST optimal setiap iterasi percobaan dan akurasinya Iterasi 1 2 3 4 5
HN LR 50 0.01 90 0.01 80 0.01 70 0.02 90 0.02 Rata-rata
TG 10-2 10-2 10-2 10-2 10-2
Akurasi 100% 90% 100% 90% 70% 90%
Keterangan : HN : Hidden Neuron LR : Learning Rate TG : Toleransi Galat Pada iterasi pertama dan ketiga dihasilkan akurasi sebesar 100%, artinya seluruh jenis Shorea yang diidentifikasi dapat dikenali dengan benar. Pada iterasi kedua dihasilkan akurasi sebesar 90%, untuk jenis Shorea Beccariana, Shorea Seminis, Shorea Platyclados, dan Shorea Leprosula dihasilkan akurasi sebesar 100%, sedangkan untuk jenis Shorea Ovalis dihasilkan akurasi sebesar 50%. Pada iterasi ini, salah satu dari jenis Shorea Ovalis teridentifikasi sebagai Shorea Beccariana. Pada iterasi keempat dihasilkan akurasi sebesar 90%, untuk jenis Shorea Seminis, Shorea Platyclados, Shorea Leprosula, dan Shorea Ovalis dihasilkan akurasi sebesar 100%, sedangkan untuk jenis Shorea Beccariana dihasilkan akurasi sebesar 50%. Pada iterasi ini, salah satu dari jenis Shorea Beccariana teridentifikasi sebagai Shorea Ovalis. Pada iterasi kelima dihasilkan akurasi sebesar 70%, untuk jenis Shorea Seminis, Shorea Platyclados, dan Shorea Ovalis dihasilkan akurasi sebesar 100%, sedangkan untuk jenis Shorea Beccariana dihasilkan akurasi sebesar 0% dan Shorea Leprosula dihasilkan akurasi sebesar 50%. Pada iterasi ini, jenis Shorea Beccariana teridentifikasi sebagai jenis Shorea Ovalis dan salah satu Shorea Leprosula teridentifikasi sebagai Shorea Platyclados. Secara keseluruhan, tingkat akurasi untuk jenis Shorea Beccariana adalah 70%, untuk jenis Shorea Seminis adalah 100%, untuk jenis Shorea Platyclados adalah 100%, untuk jenis Shorea Leprosula adalah 90%, dan untuk jenis Shorea Ovalis adalah 90%. Tingkat akurasi
8
yang dihasilkan untuk setiap jenis Shorea dapat dilihat pada Gambar 18.
Sama halnya dengan perhitungan keliling daun, keliling yang telah dihitung sebelumnya menggunakan benang merupakan variabel terikat (Y). Untuk variabel bebas (X) adalah keliling daun yang dihitung menggunakan rumus keliling elips, yaitu π (r1 + r2). Persamaan garis regresi linear yang dihasilkan dari kedua keliling daun tersebut adalah : ŷ = 1.0643x – 1.5318 Diagram pencar yang dihasilkan dari kedua keliling daun tersebut dapat dilihat pada Gambar 20.
Gambar 18 Grafik tingkat akurasi setiap jenis Shorea. Kesalahan yang terjadi pada percobaan ini adalah Shorea Ovalis yang diidentifikasi sebagai Shorea Beccariana, maupun sebaliknya. Kesalahan tersebut dapat terjadi karena nilai dari fitur nominal yang sama antara kedua jenis Shorea tersebut. Confusion Matrix untuk setiap iterasi pada percobaan 1, dapat dilihat pada Lampiran 3. Percobaan 2: 5-Fold Cross Validation dengan Regresi Linear. Pada percobaan ini, luas dan keliling daun yang sebenarnya akan coba didekati dengan regresi linear. Untuk perhitungan luas daun, luas yang telah dihitung sebelumnya dengan menggunakan buku berpetak merupakan variabel terikat (Y). Untuk variabel bebas (X) adalah luas daun yang dihitung menggunakan rumus luas elips, yaitu πr1r2. Persamaan garis regresi linear yang dihasilkan dari kedua luas daun tersebut adalah : ŷ = 1.0611x – 9.8281 Diagram pencar yang dihasilkan dari kedua luas daun tersebut dapat dilihat pada Gambar 19.
Gambar 20 Diagram pencar keliling daun. Dari kedua diagram pencar tersebut, terlihat bahwa ada hubungan linear antara variabel luas dan keliling daun yang telah dihitung sebelumnya dengan variabel luas dan keliling daun yang dihitung dengan menggunakan rumus elips. Dengan demikian, luas dan keliling daun yang sebenarnya diharapkan dapat didekati dengan hasil regresi linear tersebut. Seperti pada percobaan pertama, terlebih dahulu dilakukan pencarian parameter JST optimal untuk mendapatkan akurasi yang terbaik. Rincian pencarian parameter-parameter JST optimal dapat dilihat pada Lampiran 6. Parameter-parameter JST optimal yang didapatkan dari setiap percobaan disajikan pada Tabel 6. Tabel 6 Parameter JST optimal setiap iterasi percobaan dengan regresi linear Iterasi 1 2 3 4 5
HN LR 60 0.01 100 0.01 60 0.01 80 0.01 40 0.01 Rata-rata
TG 10-2 10-2 10-2 10-2 10-2
Akurasi 100% 100% 100% 100% 70% 94%
Gambar 19 Diagram pencar luas daun.
9
Pada iterasi pertama, kedua, ketiga, dan keempat dihasilkan akurasi sebesar 100% artinya seluruh jenis Shorea yang diidentifikasi dapat dikenali dengan benar. Pada iterasi kelima dihasilkan akurasi sebesar 70%, untuk jenis Shorea Seminis, Shorea Platyclados, dan Shorea Ovalis dihasilkan akurasi sebesar 100%, sedangkan untuk jenis Shorea Beccariana dihasilkan akurasi sebesar 0% dan Shorea Leprosula dihasilkan akurasi sebesar 50%. Pada iterasi ini, jenis Shorea Beccariana dan salah satu dari jenis Shorea Leprosula teridentifikasi sebagai Shorea Ovalis. Secara keseluruhan, tingkat akurasi untuk jenis Shorea Beccariana adalah 80%, untuk jenis Shorea Seminis adalah 100%, untuk jenis Shorea Platyclados adalah 100%, untuk jenis Shorea Leprosula adalah 90%, dan untuk jenis Shorea Ovalis adalah 100%. Tingkat akurasi yang dihasilkan untuk setiap jenis Shorea dapat dilihat pada Gambar 21.
Gambar 22 Grafik perbandingan tingkat akurasi dari setiap percobaan. KESIMPULAN DAN SARAN Kesimpulan Penelitian ini dilakukan untuk mencari fiturfitur dari karakteristik morfologi daun yang dapat digunakan untuk mengidentifikasi jenis Shorea. Penggunaan Jaringan Syaraf Tiruan (JST) Propagasi Balik dalam mengidentifikasi jenis Shorea menghasilkan akurasi rata-rata 90%. Selain itu, pendekatan dengan regresi linear dilakukan untuk mendekati nilai luas dan keliling daun yang sebenarnya menggunakan rumus elips dan menghasilkan akurasi sebesar 94%. Saran Penelitian ini dapat dikembangkan lebih lanjut untuk mendapatkan hasil yang lebih baik, yaitu :
Gambar 21 Grafik tingkat akurasi setiap jenis Shorea dengan regresi linear. Kesalahan yang terjadi pada percobaan ini yaitu Shorea Beccariana dan Shorea Leprosula. yang diidentifikasi sebagai Shorea Ovalis. Kesalahan tersebut dapat terjadi karena nilai dari fitur nominal yang sama antara kedua jenis Shorea tersebut. Confusion Matrix untuk setiap iterasi pada percobaan 2, dapat dilihat pada Lampiran 4. Perbandingan Percobaan 1 dan Percobaan 2. Percobaan 1 dan percobaan 2 menghasilkan rata-rata tingkat akurasi yang berbeda untuk seluruh jenis Shorea yang diidentifikasi. Pada percobaan 1 dihasilkan rata-rata akurasi sebesar 90%, sedangkan pada percobaan 2 dihasilkan rata-rata akurasi sebesar 94%. Terlihat adanya peningkatan akurasi pada percobaan kedua dengan menggunakan regresi linear. Perbandingan tingkat akurasi yang dihasilkan pada setiap percobaan dapat dilihat pada Gambar 22.
1. 2. 3.
Penggunaan citra daun mengidentifikasi daun Shorea. Jenis Shorea yang digunakan bervariasi. Mencari fitur-fitur lain yang digunakan untuk mengidentifikasi Shorea.
untuk lebih dapat jenis
DAFTAR PUSTAKA Fu, L. 1994. Neural Network in Computer Intelligence. McGraw-Hill, Singapore. Hardelina R. 2007. Klasifikasi Buah Melon Berjaring Menggunakan Jaringan Syaraf Tiruan Propagasi Balik Resilient [skripsi]. Bogor : Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor. Hasanah N. 2009. Analisis Taksonometri Pada Karakter Morfologi Daun Dikotiledon Kelas Magnoliopsida Menggunakan SOM Kohonen [skripsi]. Bogor : Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor.
10
Newman et al. 1999. Pedoman Identifikasi Pohon-Pohon Dipterocarpaceae Jawa sampai Niugini. Bogor : PROSEA INDONESIA. Newman et al. 1999. Pedoman Identifikasi Pohon-Pohon Dipterocarpaceae Pulau Kalimantan. Bogor : PROSEA INDONESIA. Newman et al. 1999. Pedoman Identifikasi Pohon-Pohon Dipterocarpaceae Sumatera. Bogor : PROSEA INDONESIA. Tjitrosoepomo G. 2005. Morfologi Tumbuhan. Yogyakarta : Fakultas Biologi, Universitas Gadjah Mada. Walpole RE. 1995. Pengantar Statistika. Edisi ke-3. Jakarta : PT Gramedia Pustaka Utama.
11
LAMPIRAN
12
Lampiran 1 Contoh data daun Shorea.
70
Jumlah Tulang Daun 29
Beccariana
24.75
70
31
Beccariana
45.5
40
24
Seminis
36
64.75
40
22
Seminis
29.3
33.75
60
32
Platyclados
29
27.5
55
30
Platyclados
36
76.5
55
43
Leprosula
1
33
69.5
55
40
Leprosula
1
1
53.2
176.25
70
33
Ovalis
1
1
48.6
140.75
70
32
Ovalis
No.
Panjang
Lebar
Permukaan Daun
Ujung Daun
Pangkal Daun
Keliling
Luas
Sudut
1
9.2
4.5
1
1
1
21.2
28.25
2
9
4.5
1
1
1
20.5
3
13.8
4.6
0
1
0
29.4
4
17.3
5.2
0
1
0
5
13.8
4.4
1
0
0
6
13.5
4.4
1
0
0
7
16.5
6.5
1
0
1
8
14.7
6.2
1
0
9
23.2
9.5
1
10
21.4
8.1
1
Shorea
Keterangan : Permukaan Daun 0 : Atas bawah halus 1 : Atas halus bawah kasar Ujung Daun 0 : Runcing 1 : Meruncing Pangkal Daun 0 : Tumpul 1 : Membulat Lampiran 2 Arsitektur JST. X1
Shorea Beccariana
h1
X2 Shorea Seminis X3
h2 Shorea Platyclados Shorea Leprosula
Shorea Ovalis
Output layer hn
X9 1 Input layer
1 Hidden layer
Keterangan : xn : banyaknya jumlah fitur karakteristik morfologi daun hn : banyaknya jumlah hidden neuron (10-100)
13
Lampiran 3 Confusion matrix percobaan 1. Iterasi 1 Shorea Beccariana Seminis Platyclados Leprosula Ovalis
Beccariana 2 0 0 0 0
Kelas Prediksi Seminis Platyclados 0 0 2 0 0 2 0 0 0 0
Leprosula 0 0 0 2 0
Ovalis 0 0 0 0 2
Beccariana 2 0 0 0 1
Seminis 0 2 0 0 0
Kelas Prediksi Platyclados 0 0 2 0 0
Leprosula 0 0 0 2 0
Ovalis 0 0 0 0 1
Beccariana 2 0 0 0 0
Seminis 0 2 0 0 0
Kelas Prediksi Platyclados 0 0 2 0 0
Leprosula 0 0 0 2 0
Ovalis 0 0 0 0 2
Beccariana 1 0 0 0 0
Kelas Prediksi Seminis Platyclados 0 0 2 0 0 2 0 0 0 0
Leprosula 0 0 0 2 0
Ovalis 1 0 0 0 2
Beccariana 0 0 0 0 0
Seminis 0 2 0 0 0
Kelas Prediksi Platyclados 0 0 2 1 0
Leprosula 0 0 0 1 0
Ovalis 2 0 0 0 2
Iterasi 2 Shorea Beccariana Seminis Platyclados Leprosula Ovalis Iterasi 3 Shorea Beccariana Seminis Platyclados Leprosula Ovalis Iterasi 4 Shorea Beccariana Seminis Platyclados Leprosula Ovalis Iterasi 5 Shorea Beccariana Seminis Platyclados Leprosula Ovalis
14
Lampiran 4 Confusion matrix percobaan 2. Iterasi 1 Shorea Beccariana Seminis Platyclados Leprosula Ovalis
Beccariana 2 0 0 0 0
Kelas Prediksi Seminis Platyclados 0 0 2 0 0 2 0 0 0 0
Leprosula 0 0 0 2 0
Ovalis 0 0 0 0 2
Beccariana 2 0 0 0 0
Seminis 0 2 0 0 0
Kelas Prediksi Platyclados 0 0 2 0 0
Leprosula 0 0 0 2 0
Ovalis 0 0 0 0 2
Beccariana 2 0 0 0 0
Seminis 0 2 0 0 0
Kelas Prediksi Platyclados 0 0 2 0 0
Leprosula 0 0 0 2 0
Ovalis 0 0 0 0 2
Beccariana 2 0 0 0 0
Seminis 0 2 0 0 0
Kelas Prediksi Platyclados 0 0 2 0 0
Leprosula 0 0 0 2 0
Ovalis 0 0 0 0 2
Beccariana 0 0 0 0 0
Kelas Prediksi Seminis Platyclados 0 0 2 0 0 2 0 0 0 0
Leprosula 0 0 0 1 0
Ovalis 2 0 0 1 2
Iterasi 2 Shorea Beccariana Seminis Platyclados Leprosula Ovalis Iterasi 3 Shorea Beccariana Seminis Platyclados Leprosula Ovalis Iterasi 4 Shorea Beccariana Seminis Platyclados Leprosula Ovalis Iterasi 5 Shorea Beccariana Seminis Platyclados Leprosula Ovalis
15
Lampiran 5 Pencarian parameter JST optimal pada percobaan 1. Hidden Neuron
Iterasi 10
20
30
40
50
60
70
80
90
100
1
70% epoh = 5000
80% epoh = 1072
80% epoh = 828
90% epoh = 626
100% epoh = 731
90% epoh = 429
80% epoh = 506
80% epoh = 406
80% epoh = 319
90 epoh = 289
2
90% epoh = 1058
80% epoh = 474
70% epoh = 304
90% epoh = 270
80% epoh = 218
70% epoh = 830
80% epoh = 404
70% epoh = 477
90% epoh = 186
90% epoh = 196
3
100% epoh = 1882
100% epoh = 1277
80% epoh = 1765
100% epoh = 1050
100% epoh = 511
100% epoh = 824
100% epoh = 436
100% epoh = 401
80% epoh = 429
90% epoh = 520
4
80% epoh = 3689
70% epoh = 1436
80% epoh = 680
70% epoh = 522
70% epoh = 505
80% epoh = 482
90% epoh = 490
80% epoh = 404
80% epoh = 394
80% epoh = 324
5
70% epoh = 851
70% epoh = 424
70% epoh = 392
70% epoh = 411
70% epoh = 301
70% epoh = 197
70% epoh = 190
70% epoh = 199
70% epoh = 188
70% epoh = 191
Iterasi
Hidden Neuron
Learning Rate 0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
0.1
1
50
90% epoh = 603
90% epoh = 1333
80% epoh = 481
80% epoh = 2001
80% epoh = 384
80% epoh = 588
80% epoh = 580
90% epoh = 705
90% epoh = 1076
90% epoh = 838
2
90
90% epoh = 193
70% epoh = 266
90% epoh = 255
70% epoh = 161
60% epoh = 157
80% epoh = 184
80% epoh = 147
80% epoh = 148
70% epoh = 145
80% epoh = 141
3
80
100% epoh = 421
80% epoh = 394
100% epoh = 537
80% epoh = 360
80% epoh = 383
100% epoh = 512
80% epoh = 421
80% epoh = 346
80% epoh = 355
90% epoh = 366
4
70
90% epoh = 332
90% epoh = 289
90% epoh = 505
90% epoh = 484
70% epoh = 372
70% epoh = 362
80% epoh = 393
90% epoh = 375
90% epoh = 385
80% epoh = 551
5
90
70% epoh = 192
70% epoh = 180
70% epoh = 229
70% epoh = 227
60% epoh = 248
70% epoh = 227
60% epoh = 153
60% epoh = 150
60% epoh = 228
60% epoh = 149
Iterasi
Hidden Neuron
Learning Rate
1
50
0.01
50% epoh = 131
90% epoh = 719
2
90
0.01
50% epoh = 144
3
80
0.01
4
70
5
90
Toleransi Galat 10-4
10-5
10-6
10-7
90% epoh = 5000
80% epoh = 5000
90% epoh = 5000
80% epoh = 5000
90% epoh = 5000
90% epoh = 192
80% epoh = 420
80% epoh = 1049
80% epoh = 1766
70% epoh = 2160
60% epoh = 4416
50% epoh = 114
80% epoh = 380
80% epoh = 5000
80% epoh = 5000
80% epoh = 5000
80% epoh = 5000
80% epoh = 5000
0.02
40% epoh = 122
90% epoh = 587
80% epoh = 5000
90% epoh = 5000
80% epoh = 5000
90% epoh = 5000
70% epoh = 5000
0.02
40% epoh = 97
70% epoh = 369
60% epoh = 5000
70% epoh = 5000
60% epoh = 5000
70% epoh = 5000
60% epoh = 5000
10
-1
10
-2
10
-3
16
Lampiran 6 Pencarian parameter JST optimal pada percobaan 2. Hidden Neuron
Iterasi 10
20
30
40
50
60
70
80
90
100
100% epoh = 3587
100% epoh = 2548
100% epoh = 1007
80% epoh = 1287
90% 1038
100% epoh = 632
80% epoh = 5000
90% epoh = 489
80% epoh = 517
90% epoh = 413
2
90% epoh = 1290
80% epoh = 391
90% epoh = 395
80% epoh = 2096
80% epoh = 5000
80% epoh = 295
90% epoh = 204
80% epoh = 278
90% epoh = 200
90% epoh = 194
3
100% epoh = 3637
100% epoh = 1820
100% epoh = 1695
100% epoh = 1318
90% epoh = 620
100% epoh = 635
100% epoh = 842
90% epoh = 413
90% epoh = 609
90% epoh = 599
4
80% epoh = 5000
70% epoh = 1126
70% epoh = 961
80% epoh = 730
80% epoh = 756
70% epoh = 618
80% epoh = 413
80% epoh = 385
70% epoh = 406
80% epoh = 436
5
80% epoh = 836
70% epoh = 520
80% epoh = 323
80% epoh = 286
70% epoh = 207
70% epoh = 209
70% epoh = 201
70% epoh = 193
70% epoh = 190
70% epoh = 189
Iterasi
Hidden Neuron
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
0.1
1
Learning Rate
1
60
100% epoh = 747
80% epoh = 608
80% epoh = 828
90% epoh = 703
80% epoh = 594
80% epoh = 892
80% epoh = 828
80% epoh = 686
90% epoh = 574
80% epoh = 585
2
100
90% epoh = 191
90% epoh = 370
90% epoh = 250
80% epoh = 162
80% epoh = 162
90% epoh = 344
80% epoh = 23
80% epoh = 149
80% epoh = 139
80% epoh = 146
3
60
90% epoh = 631
80% epoh = 573
80% epoh = 540
80% epoh = 706
80% epoh = 1031
80% epoh = 848
80% epoh = 703
80% epoh = 579
80% epoh = 695
80% epoh = 466
4
80
80% epoh = 306
80% epoh = 382
80% epoh = 383
70% epoh = 436
70% epoh = 377
80% epoh = 633
80% epoh = 363
80% epoh = 472
70% epoh = 363
70% epoh = 464
5
40
80% epoh = 277
70% epoh = 203
70% epoh = 192
70% epoh = 184
70% epoh = 937
70% epoh = 226
60% epoh = 172
70% epoh = 265
70% epoh = 170
60% epoh = 167
Iterasi
Hidden Neuron
Learning Rate
1
60
0.01
50% epoh = 114
80% epoh = 1063
2
100
0.01
40% epoh = 139
3
60
0.01
4
80
5
40
Toleransi Galat 10-4
10-5
10-6
10-7
80% epoh = 5000
80% epoh = 5000
80% epoh = 5000
80% epoh = 5000
80% epoh = 5000
90% epoh = 282
90% epoh = 517
70% epoh = 1440
80% epoh = 3438
80% epoh = 5000
70% epoh = 5000
70% epoh = 176
80% epoh = 736
80% epoh = 5000
80% epoh = 5000
80% epoh = 5000
80% epoh = 5000
80% epoh = 5000
0.01
40% epoh = 121
80% epoh = 410
80% epoh = 5000
70% epoh = 5000
80% epoh = 5000
80% epoh = 5000
80% epoh = 5000
0.01
40% epoh = 112
80% epoh = 317
80% epoh = 5000
70% epoh = 5000
80% epoh = 5000
60% epoh = 5000
80% epoh = 5000
10
-1
10
-2
10
-3
17
