III METODE PENELITIAN

III

METODE PENELITIAN

3.1 Lokasi dan Waktu Penelitian Penelitian ini dilakukan di Waduk Ir. H. Djuanda dan Laboratorium Akustik Fakultas Perikanan dan Ilmu Kelautan IPB Bogor. Kegiatan penelitian ini terbagi atas pengumpulan data, pengolahan data dan pelaporan hasil kegiatan.

3.2 Bahan dan Alat Bahan dan alat yang digunakan dalam penelitian ini adalah : a) Scientific Echosounder Simrad EY-60 frekuensi 120 kHz (ES120-7C) b) Jaring berbentuk kerucut dengan diameter alas 1 meter dan tinggi 5 meter. Bahan jaring terbuat dari PVC (polyvinylchoride) dengan ukuran mata jaring 0,5 cm, sehingga diupayakan ikan tidak merasa stress selama masa pengambilan data. c) Ikan air tawar yaitu ikan nila (O. niloticus), ikan mas (C. caprio), dan ikan patin (P. hypothalmus).

3.3 Data Akustik 3.3.1 Pengambilan Data Akustik Pengambilan data akustik pada ikan air tawar dilakukan secara in situ dengan metode pengukuran aspek dorsal (vertical fixed beaming), dimana ikan ditempatkan pada jaring (net cage) yang telah dimodifikasi agar tingkat stress ikan dapat dikurangi akibat terbatasnya ruang gerak. Pengambilan data akustik untuk tiap jenis ikan sebanyak 5 ekor dengan panjang yang berbeda sampai 3 hari/jenis ikan

berlangsung 2

atau setara memperoleh kurang lebih 6.000 pola

kawanan yang terdeteksi oleh akustik (Lampiran 1). Setelah itu, ikan diukur panjang total (TL) dan berat untuk setiap ukuran untuk memperoleh hubungan panjang-beratnya. Selain itu diukur pula lebar penampang dorsal (B) dari masingmasing ikan yang diuji (Gambar 7). Untuk memperoleh data hubungan bentuk gelembung renang (swimbladder) ikan dengan nilai backscattering (σbs) maka dilakukan pengambilan foto rontgen ikan (foto X-Ray).

24

Gambar 7. Penampang lateral dan dorsal ikan

Pengambilan data akustik dilakukan dengan menggunakan alat scientific echosounder SIMRAD EY-60 split beam dengan frekuensi tranducer 120 kHz (ES120-7C) yang memiliki sudut tranmisi (half beam width) 7o dan dioperasikan dengan pulse duration 0.128 ms. Jaring ikan ditenggelamkan sedalam kurang lebih 5 meter, dan posisi tranducer ditempatkan 0.5 meter di bawah permukaan air (Gambar 8). Pengaturan parameter akustik selama pengambilan data tertera pada Tabel 1.

Tabel 1. Pengaturan parameter untuk pengoperasian Simrad EY60

Parameter

Nilai

Frequency

120 KHz

Pulse Duration

0.128 ms

Power transmit

50 watt

SV threshold

-70 dB

TS threshold

-80 dB

Echogram

TVG = 40 log R

25

Gambar 8. Letak dan Posisi Alat Penelitian

26

3.3.2 Pemrosesan Data Akustik Sinyal akustik yang terekam dalam echogram selanjutnya diolah untuk mengubah raw data dengan perangkat lunak Echoview 4.8. Data yang dihasilkan dari pemrosesan data berupa matriks data akustik (MDA) yang terdiri dari matriks data target strength dan backscaterring volume (Sv). Selanjutnya setiap file memuat

MDA dianalisis dengan menggunakan deskriptor akustik yang

dikembangkan untuk identifikasi spesies dari modifikasi rumusan Charef et al. (2010) seperti tertera pada Tabel 2. Tabel 2. Deksriptor akustik menurut Charef et al. (2010) yang telah dimodifikasi Formula Hitungan

Deskriptor akustik Energetik Sv (dB)

10 log10 𝜎𝑠𝑣 σsv = volume backscattering coefficients

TS (dB)

10 log10 𝜎𝑏𝑠 σbs = backscattering cross section

Sa (dB)

10 log10

Skewness

𝜎𝑏𝑠 𝛹𝑅2 Sa = area backscattering strength, Ψ = equivalent beam angle (steradians), R = range (m) 𝐾3 (𝐸 𝑆𝐷 )2

dimana 𝐾3 =

3 𝑖 (𝐸 𝑖 − 𝐸𝑛 )

𝑛

𝑛−1 (𝑛−2)

jika n=3; 0 jika n<3

Ei = Energi akustik sampel ke-i, En = Energi akustik sampel ke-n, ESD = Standar deviasi energi akustik Kurtosis

𝑛(𝑛 + 1) 𝑛 − 1 𝑛 − 2 (𝑛 − 3)

𝑖

𝐸𝑖 − 𝐸𝑛 𝐸𝑆𝐷

4

−

3 𝑛−1 2 𝑛 − 2 (𝑛 − 3)

Morfometrik Tinggi (m)

𝑇𝑖𝑛𝑔𝑔𝑖𝑡𝑒𝑟𝑙𝑖 ℎ𝑎𝑡 = 𝑉𝑒𝑟𝑡𝑖𝑘𝑎𝑙𝑎𝑘 ℎ𝑖𝑟 − 𝑉𝑒𝑟𝑡𝑖𝑘𝑎𝑙𝑎𝑤𝑎𝑙 𝑐𝛾 𝑇𝑖𝑛𝑔𝑔𝑖𝑛𝑦𝑎𝑡𝑎 = 𝑇𝑖𝑛𝑔𝑔𝑖𝑡𝑒𝑟𝑙𝑖 ℎ𝑎𝑡 − 2 c = Kecepatan suara di air (m/s), γ = panjang pulsa (ms)

Bathymetrik 𝑛 𝐷𝑖 𝑖=1 𝑛

Kedalaman (m)

; Di = Kedalaman pada sampel i , n = Σ sampel

Ketinggian Relatif (m)

𝐾𝑒𝑡𝑖𝑛𝑔𝑔𝑖𝑎𝑛𝑚𝑖𝑛𝑖𝑚𝑢𝑚 + (𝑇𝑖𝑛𝑔𝑔𝑖𝑚𝑎𝑘𝑠𝑖𝑚𝑢𝑚 /2) ∗ 100 𝐾𝑒𝑑𝑎𝑙𝑎𝑚𝑎𝑛

27

Gambar 9. Skema Pengukuran Deskriptor Akustik

3.3.3 Analisis Nilai Deskriptor Akustik Analisis data statistik digunakan untuk mencari keeratan hubungan antar parameter deskriptor akustik dengan Analisis Faktor , mengelompokkan sampel ikan dengan nilai deskriptor akustik berdasarkan ukuran kemiripan (simmilarity) atau ketakmiripan (dissimilarity) dengan Analisis gerombol (Clusterring Analysis), dan Analisis Diskriminan (Discriminant Factor Analysis) unuk mengelompokkan individu ke dalam suatu obyek kelas berdasarkan sekumpulan peubah-peubah bebas (Fauziyah, 2005). Hasil analisis parameter deskriptor akustik menjadi pembanding dengan hasil yang diperoleh dari aplikasi JST Backpropagation dan MLP. Berdasarkan rekomendasi hasil penelitian Muhiddin (2007) aplikasi JSTB berbasis data deskriptor akustik disarankan untuk menguji terlebih dahulu nilai deskriptor yang diperoleh secara statistik agar dalam tingkat pembelajaran JST diperoleh hasil yang optimal parameter deskriptor yang signifikan dapat membedakan antara jenis ikan yang diuji cobakan.

28

3.4 Jaringan Saraf Tiruan 3.4.1 Arsitektur JST JST yang dipakai dalam penelitian ini yaitu tipe JSTB dengan 1 lapisan tersembunyi dengan 8 unit masukan, 1 lapisan tersembunyi, dan 3 unit keluaran. JSTB dipakai menggunakan model JST-PR (Pattern Recognition) dengan metode pelatihan scale conjugate gradient. Apabila jaringan telah memahami pola yang diberikan maka JST menguji keseluruhan data nilai deskriptor akustik yang diberikan. Proporsi perbandingan antara jumlah sampel pembelajaran dan sampel uji sebesar 70 : 30. Adapun JST MLP yang digunakan dalam penelitian ini menggunakan 8 unit masukan, 4 unit tersembunyi dan 3 unit keluaran. JST MLP menggunakan aturan pembelajaran terbimbing untuk pembanding hasil yang diperoleh dari arsitektur JST Backpropagation. 3.4.2 Rancangan Awal dan Pelatihan JST Nilai deskriptor akustik yang diperoleh masih dalam bentuk riil, oleh karena itu perlu dilakukan konversi nilai-nilai deskriptor akustik yang diperoleh dari bilangan riil menjadi bilangan biner atau bipolar. Formula untuk merubah bilangan riil menjadi bilangan biner/bipolar dalam JST dilakukan dengan rumus transformasi linier : 𝑥′ = dimana ,

𝑏 − 𝑎 (𝑥 − 𝑎) +𝑎 𝑏−𝑎 x' x a b

(20)

= bilangan biner/bipolar = bilangan riil = data minimum = data maksimum

Untuk menjalankan JSTB, mula-mula dilakukan penghitungan unit masukan keseluruhan yang sudah diboboti dengan bias. Setelah itu nilai tersebut diaktivasi dengan fungsi sigmoid biner dan bipolar agar dapat terkirim pada lapisan diatasnya (feed forward ). Apabila galat yang diperoleh masih besar dari learning rate, maka dilakukan backpropagation untuk merubah bobot sehingga pada setiap lapisan diperoleh hasil yang diharapkan.

29

Gambar 10. Rancangan Awal Arsitektur Backpropagation

Pada pelatihan JST MLP, iterasi terus dilakukan untuk semua data uji sampai diperoleh bobot dimana nilai keluaran sama dengan nilai target yang ditentukan, selanjutnya nilai bobot yang diperoleh digunakan untuk menguji data secara keseluruhan.

Gambar 11. Rancangan Awal Arsitektur MLP 3.4.3 Rancangan Akhir dan Pelatihan JST Apabila telah diperoleh hasil pelatihan JST dalam rancangan awal, maka nilai bobot baru untuk setiap lapisan dirubah menjadi nilai bobot yang sama dengan hasil dari perancangan awal. Setelah itu hasil dari masing-masing

30

arsitektur JST dibandingan dengan hasil perhitungan nilai deskriptor secara analitik (statistik).

Gambar 12. Diagram alir metode penelitian