PEMODELAN JARINGAN SARAF TIRUAN (Artificial Neural Networks) UNTUK IDENTIFIKASI KAWANAN LEMURU DENGAN MENGGUNAKAN DESKRIPTOR HIDROAKUSTIK
AMIR HAMZAH MUHIDDIN
SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2007
PERNYATAAN MENGENAI DISERTASI DAN SUMBER INFORMASI
Dengan ini saya menyatakan bahwa disertasi Pemodelan Jaringan Saraf Tiruan (Artificial Neural Networks) Untuk Identifikasi Kawanan Lemuru Dengan Menggunakan Deskriptor Hidroakustik adalah karya sendiri dengan arahan komisi pembimbing dan belum diajukan dalam bentuk apapun kepada perguruan tinggi manapun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir disertasi ini.
Bogor, April 2007
Amir Hamzah Muhiddin NIM C561024011
ABSTRAK
AMIR HAMZAH MUHIDDIN. Pemodelan Jaringan Saraf Tiruan (Artificial Neural Networks) Untuk Identifikasi Kawanan Lemuru Dengan Menggunakan Deskriptor Hidroakustrik. Dibimbing oleh INDRA JAYA, TOTOK HESTIRIANOTO dan DANIEL R. MONINTJA.
Dalam disertasi ini dilakukan pemodelan Jaringan Saraf Tiruan Perambatan Balik (JSTPB) untuk mengidentifikasi kawanan lemuru (Sardinella lemuru) dengan menggunakan deskriptor hidroakustik. Dalam pemodelan ini identifikasi dengan Metode Statistik Analisis Gerombol (Cluster Analysis) dan Metode Analisis Diskriminan (Descriminant Function Analysis) digunakan sebagai pembanding. Deskriptor hidroakustik yang digunakan terdiri dari 15 jenis deskriptor hidroakustik yang dikelompokkan kedalam kelompok deskriptor morfometrik, batimetrik, dan energetik. Ke-15 jenis deskriptor diekstrak dari 114 kawanan ikan dengan 58 diantaranya adalah kawanan ikan teridentifikasi (data latih) sedangkan 56 lainnya adalah kawanan ikan yang belum teridentifikasi (data uji). Analisis gerombol dilakukan dengan 35 kawanan ikan data latih dan 56 kawanan ikan data uji dengan masing-masing 11 deskriptor, sedangkan analisis diskriminan dilakukan dengan 56 kawanan data uji yang sebelumnya telah diidentifikasi dengan analisis gerombol dan 15 deskriptor hidroakustik. Hasil analisis gerombol menunjukkan bahwa +89% dari 56 kawanan tersebut adalah kawanan lemuru (50 kawanan) dengan 4 spesies kawanan ikan yaitu kawanan lemuru (12 kawanan), protolan (15 kawanan), sempenit (16 kawanan), dan campuran (7 kawanan) sedangkan 11% sisanya (6 kawanan) adalah kawanan nonlemuru. Dengan analisis diskriminan, klasifikasi terhadap 56 kawanan ikan dapat dilakukan dengan ketepatan hingga 98,2%, hanya 1 spesies kawanan sempenit yang teridentifikasi sebagai kawanan campuran sedang ke-55 kawanan ikan lainnya dapat diklasifikasikan dengan benar. Dari hasil analisis ini didapatkan 8 deskriptor utama yaitu deskriptor panjang (L), tinggi (H), luas (A), keliling (P), elongasi (E) dari kelompok deskriptor morfometrik; deskriptor tinggi relatif (Trel) dari kelompok deskriptor batimetrik; dan deskriptor rataan energi hamburan balik (Er) dan densitas (Dv) dari kelompok deskriptor energetik. Ada 3 tipe model jaringan yang digunakan dalam disertasi ini, yaitu model Jaringan Saraf Tiruan Perambatan Balik 1(JSTPB1), 2(JSTPB2), dan 3(JSTPB3). JSTPB1 adalah jaringan dengan 8 deskriptor utama hasil analisis statistik diskriminan pada lapisan masukan, JSTPB2 adalah jaringan yang menggunakan data deskriptor masukan yang sama banyaknya dengan data deskriptor yang digunakan metode statistik yaitu 15 deskriptor, JSTPB3 adalah jaringan yang menggunakan deskriptor hasil analisis tingkat kontribusi deskriptor pada JSTPB2 yang jumlahnya disamakan dengan jumlah deskriptor masukan JSTPB1, 8 deskriptor, tetapi dengan kelompok deskriptor yang berbeda. Dengan metode ini digunakan 114 kawanan ikan dengan 15 deskriptor hidroakustik. Setelah menggunakan beberapa model alternatif, model jaringan yang dipilih untuk digunakan dalam disertasi ini adalah model jaringan 8(8-1) untuk JSTPB1
dan JSTPB3 yaitu model dengan lapisan tersembunyi tunggal dengan 8 unit sel pada lapisan masukan dan 8 unit sel pada lapisan tersembunyi, sedangkan JSTPB2 menggunakan model jaringan 15(15-1) yaitu model jaringan dengan 15 unit sel masukan pada lapisan masukan dan 15 unit sel pada lapisan tersembunyi. Untuk mendapatkan hasil identifikasi yang optimal maka komposisi akhir data latih dan uji yang digunakan dalam Metode Jaringan Saraf Perambatan Balik adalah 80 pola data pada data latih dan 30 pola data pada data uji. Dengan komposisi data seperti yang disebutkan di atas, didapatkan ketepatan tingkat identifikasi masingmasing untuk JSTPB1 100%, JSTPB2 70%, JSTPB3 73,3% dengan jumlah hitungan iterasi masing-masing JSTPB1 10 kali iterasi, JSTPB2 32 kali iterasi, dan JSTPB3 14 kali iterasi. Hasil analisis kontribusi pareto pada JSTPB2 menunjukkan bahwa dari 15 jenis deskriptor yang digunakan, hanya kelompok deskriptor morfometrik dan energetik yang berperan besar dalam analisis ini. Kelompok deskriptor morfometrik yaitu; deskriptor keliling (P), panjang (L), luas(A), elongasi (E), dan tinggi (H), kelompok deskriptor energetik yaitu; kurtosis (K), skewness (S), dan intensitas hamburan balik (Er). Deskriptordeskriptor ini selanjutnya digunakan sebagai deskriptor masukan JSTPB3. Dalam disertasi ini disimpulkan bahwa; (1) Metode Statistik dan Jaringan Saraf Tiruan Perambatan Balik dapat digunakan dengan baik untuk identifikasi dan klasifikasi kawanan ikan pelagis, (2) Dari kedua metode didapatkan bahwa Morfometrik kawanan ikan berperan lebih besar dalam proses identifikasi dan klasifikasi dibanding energetik dan batimetrik, (3) Model jaringan saraf yang ideal adalah 8(8-1) untuk JSTPB1 dan JSTPB3 serta 15(15-1) untuk JSTPB2, (4) Untuk mendapatkan tingkat ketepatan yang optimum maka data kawanan ikan yang akan diidentifikasi dengan metode ini maksimum berjumlah 35,7% dari total data latih yang tersedia. Kata kunci: identifikasi, kawanan lemuru, deskriptor hidroakustik, metode jaringan saraf tiruan.
ABSTRACT AMIR HAMZAH MUHIDDIN. Modeling of Artificial Neural Networks for Identification of Lemuru Schools Using Hydroacoustic Descriptors. Supervised by INDRA JAYA, TOTOK HESTIRIANOTO and DANIEL R. MONINTJA In this dissertation, Back Propagation Artificial Neural Networks (BPANN) model was used to identify schools of lemuru (Sardinella lemuru) utilizing hydroacoustic descriptors. Statistical methods of Cluster Analysis and Discriminant Function Analysis were used for comparison. Hydroacoustic descriptor approach categorized as morphometric, bathymetric, and energetic descriptors was performed by using 15 types of hydroacoustic descriptors. The 15-descriptor types were extracted from 114 fish schools echogram of which 58 were identified (training data) while the other 56 schools were unidentified (testing data). Cluster analysis was performed on 35 fish school training data and 56 fish school testing data, each with 11 descriptors, while discriminant analysis was performed on 56 school testing data which had previously been identified with cluster analysis and 15 hydroacoustic descriptors. Results of cluster analysis showed that +89% of the 56 schools were lemuru (50 schools) with 4 fish species school namely lemuru (12 schools), protolan (15 schools), sempenit (16 schools), and combination (7 schools), while remaining 11% (6 schools) were non-lemuru schools. Using discriminant analysis, classification of 56 fish schools can be obtained with 98.2% accuracy; only 1 school of sempenit species was identified as combination of fish school, whereas the other 55 schools were correctly classified. Further, 8 key descriptors of the school were found, namely length (L), height (H), area (A), perimeter (P), Elongation (E) from morphometric descriptor category, Relative Altitude (Trel) from bathymetric descriptor category, and mean backscattering energy (Er) and Density (Dv) from energetic descriptor category. Three neural models were used in this dissertation: (1) Back Propagation Neural Network 1 (BPANN1), (2) BPANN2, and (3) BPANN3. BPANN1 was network with 8 key descriptors obtained from discriminant statistical analysis on input layer. BPANN2 was a network that used the same 15 input descriptors data with those used in statistical method. BPANN3 was network that used descriptors obtained from analysis of degree of descriptor’s contribution in BPANN2 with the same number of input descriptors as in BPANN1, but with different descriptor category. These methods used 114 fish schools with 15 hydroacoustic descriptors. After simulating several alternative models, the selected network models in this dissertation was network model 8(8-1) for BPANN1 and BPANN3, model with one hidden layer and 8 unit cells on input layer and 8 unit cell on hidden layer, whereas BPANN2 used network model 15(15-1), network model with 15 unit cells on input layer and 15 unit cells on hidden layer. In order to obtain optimal identification results, final composition of training and testing data used in Back Propagation Neural Network was 84 data patterns in training data and 30 data patterns in testing data. With this composition, degrees of identification accuracy for BPANN1, BPANN2, and BPANN3 were 100%, 70%, and 73.3% and with number of iteration were 10, 32, and 14, respectively. Results from pareto
contribution analysis on BPANN2 showed that from 15 descriptor types used, only morphometric and energetic descriptor categories play major roles in this analysis. The descriptors from morphometric category were perimeter (P), length (L), area (A), elongation (E), and height (H), while descriptors from energetic category were kurtosis (K), skewness (S), and mean intensity of back-scattering (Er). These descriptors were then used as input descriptors for BPANN3. In conclusion: 1) Statistical method and Back Propagation Neural Network can be well utilized to identify and classify pelagic fish schools, 2) Morphometric of fish schools played a larger role in identification and classification process compared to energetic and bathymetric, 3) Ideal neural network model was 8(8-1) for BPANN1 and BPANN3, and 15(15-1) for BPANN2, 4) In order to obtain optimum degree of accuracy, a maximum number of fish schools to be identified in the computation was 35.7% of total available training data.
Keywords: identification, lemuru schools, hydroacoustic descriptor, artificial neural networks method.
© Hak cipta milik Institut Pertanian Bogor, tahun 2007 Hak cipta dilindungi Undang-undang 1. Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan atau menyebutkan sumber a. Pengutipan hanya untuk kepentingan pendidikan, penelitian, penulisan karya ilmiah, penyusunan laporan, penulisan kritik atau tinjauan suatu masalah b. Pengutipan tidak merugikan kepentingan yang wajar IPB 2. Dilarang mengumumkan dan memperbanyak sebagian atau seluruh karya tulis dalam bentuk apapun tanpa izin IPB
PEMODELAN JARINGAN SARAF TIRUAN (Artificial Neural Networks) UNTUK IDENTIFIKASI KAWANAN LEMURU DENGAN MENGGUNAKAN DESKRIPTOR HIDROAKUSTIK
AMIR HAMZAH MUHIDDIN
Disertasi Sebagai salah satu syarat untuk memperoleh gelar Doktor pada Departemen Pemanfaatan Sumberdaya Perikanan
SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2007
LEMBAR PENGESAHAN
Judul Disertasi
Nama NIM Program Studi
: Pemodelan Jaringan Saraf Tiruan (Artificial Neural Networks) Untuk Identifikasi Kawanan Lemuru Dengan Menggunakan Deskriptor Hidroakustik : Amir Hamzah Muhiddin : C561024011 : Teknologi Kelautan
Disetujui, Komisi Pembimbing
Dr. Ir. Indra Jaya, MSc. Ketua
Dr. Ir. Totok Hestirianoto, MSc. Anggota
Prof. Dr. Ir. Daniel R. Monintja Anggota
Diketahui,
Program Studi Teknologi Kelautan Ketua,
Dekan Sekolah Pascasarjana IPB,
Prof.Dr.Ir. John Haluan.MSc
Prof. Dr.Ir.Khairil Anwar Notodiputro.MS
Tanggal Ujian :
Tanggal Lulus :
RIWAYAT HIDUP
Penulis lahir di Jakarta pada tanggal 20 November 1963, sebagai anak ketiga dari enam bersaudara pasangan Bapak Hammad Muhiddin dan Ibu Hadawijah. Pendidikan Sekolah Dasar, Sekolah Menengah Pertama, Sekolah Menengah Atas ditempuh di Ujung Pandang. Setamat SMA tahun 1982 penulis melanjutkan pendidikan S1 di Institut Teknologi Bandung (ITB) melalui Program Perintis I di Jurusan Teknik Geodesi. Penulis menyelesaikan pendidikan di ITB tahun 1990 dengan skripsi berjudul “Hitungan tiga dimensi dengan kontrol tinggi untuk penentuan posisi horisontal” skripsi yang berkaitan dengan Teknologi Global Positioning System (GPS). Sebelum dan setelah menyelesaikan studi di ITB penulis terlibat dalam beberapa kegiatan survey topografi dan hidrografi di beberapa daerah. Tahun 1992 hingga saat ini penulis bekerja di Universitas Hasanuddin (UNHAS) sebagai staf pengajar di Jurusan Ilmu Kelautan dan bertugas di Laboratorium Geomorfologi dan Menejemen Pantai. Sebelum melanjutkan pendidikan ke Institut Pertanian Bogor (IPB), dengan beasiswa UCECEPI Kanada penulis mengikuti kursus bahasa Inggris selama 9 bulan di IALF Denpasar Bali dan melanjutkan pendidikan S2 di University of Waterloo Kanada dalam bidang lingkungan tetapi karena sesuatu hal pendidikan tersebut tidak penulis selesaikan. Dengan beasiswa BPPS, penulis melanjutkan pendidikan S2 di Program Studi Teknologi Kelautan IPB tahun 2000 dan menyelesaikan pendidikan S2 dengan thesis berjudul “Pengamatan sinoptik sifat optik Perairan Muara Sungai Cimandiri Teluk Pelabuhan Ratu” pada Januari 2003, thesis yang berkaitan dengan bidang pengindraan jauh kelautan. Saat ini penulis juga tercatat sebagai dosen luar biasa di Fakultas Teknik Universitas Muslim Indonesia Makassar.
PRAKATA
Penggunaan Metode Jaringan Saraf Tiruan untuk mengidentifikasi kawanan ikan lemuru termasuk relatif baru. Sebelumnya metode yang digunakan untuk itu adalah Metode Statistik. Beberapa keunggulan Metode Jaringan Saraf Tiruan terhadap Metode Statistik menjadikan metode ini menarik untuk diteliti. Penulis mencoba mempelajari faktor-faktor yang berkaitan dengan penggunaan jaringan saraf tiruan dalam bidang perikanan. Dengan
selesainya
penelitian
dan
tulisan
disertasi
ini,
penulis
menyampaikan ucapan terima kasih kepada Bapak Dr. Ir. Indra Jaya, Msc., sebagai ketua komisi pembimbing, Bapak Dr. Ir. Totok Hestirianoto, MSc., dan Bapak Prof. Dr. Ir. Daniel R. Monintja masing-masing sebagai anggota komisi pembimbing atas bimbingan, saran dan kritik yang diberikan selama masa penelitian dan penulisan disertasi ini. Khusus kepada Bapak Prof. Dr. Ir. Daniel R. Monintja penulis mengucapkan banyak terimakasih atas kemudahan yang diberikan kepada penulis sehingga penulis dapat langsung meneruskan pendidikan S2 ke S3 di PS.TKL IPB. Ucapan terima kasih juga disampaikan kepada Bapak Ir. Duto Nugroho, MSi.(Kepala BRPL-DKP), dan Dr. Ir. Bambang Sadatomo, MSc. (Peneliti senior BRPL-DKP) atas kesempatan yang diberikan untuk mengikuti pelayaran survey akustik jalur Semarang-Tarakan yang sangat berkesan bagi penulis dan juga atas bantuan data akustik yang diberikan. Terima kasih juga penulis haturkan kepada rekan-rekan alumni ITB di BPPT, Dr. Ir. Ridwan Djamaluddin, M.Sc., Ir. Amarsyah di Departemen Kelautan dan Perikanan Gambir, dan rekan-rekan alumni ITB lainnya yang telah membantu menyediakan data survei akustik Selat Bali tahun 1998, 1999, 2000 yang penulis gunakan sebagai data penelitian dalam disertasi ini. Tidak lupa diucapkan terima kasih kepada kamerad Syaiful Akbar, David Pranata, Ultra Syahbunan, dan Arwin Lubis atas segala dukungan moral dan materil yang diberikan. Kepada seluruh rekan-rekan mahasiswa, staf pengajar dan administrasi Program Studi Teknologi Kelautan (PS TKL) IPB diucapkan terima kasih atas dukungan dan bantuannya selama ini dan kepada rekan Fauziyah diucapkan terima kasih atas izin untuk menggunakan dan memodifikasi Program ADA-2004.
Kepada Rektor Universitas Hasanuddin, Rektor Institut Pertanian Bogor, dan Direktur Jenderal Pendidikan Tinggi Departemen Pendidikan Nasional diucapkan terima kasih atas kesempatan dan bantuan beasiswa yang diberikan selama penulis menempuh pendidikan di IPB. Terakhir kepada kedua orang tua, anak (Dhila, Dayat, dan Iba), istri (Niar), dan saudara-saudara tercinta atas dukungan moral dan materil yang diberikan terus menerus penulis mengucapkan beribu terima kasih. Semoga seluruh bantuan yang diberikan bernilai ibadah dan diberikan balasan yang setimpal dari Allah SWT.
Bogor, April 2007
Penulis
DAFTAR ISI
Halaman DAFTAR ISI ………………………………………………………………...
xii
DAFTAR TABEL …………………………………………………………...
xv
DAFTAR GAMBAR ………………………………………………………...
xvii
DAFTAR LAMPIRAN ……………………………………………………...
xx
GLOSARI ……………………………………………………………………
xxi
1 PENDAHULUAN …………………………………………………...........
1
1.1 1.2 1.3 1.4 1.5
Latar Belakang …………………………………………………….... Batasan Masalah ………………………………………………......... Tujuan ……………………………………………………................. Manfaat Penelitian ………………………………………………….. Hipotesis ………………………………………………….................
1 3 4 4 4
2 TINJAUAN PUSTAKA ………………………………………..………..
5
2.1 Jaringan Saraf Tiruan ……………………………………………...... 2.1.1 Sel saraf tiruan (artificial neural) …………………………... 2.1.2 Koneksitas sel saraf tiruan (topology) ……………................ 2.1.3 Aturan pembelajaran (learning rule) ……………………...... 2.1.4 Arsitektur JST ………………………………………............. 2.1.5 Aplikasi JST dalam bidang perikanan …................................. 2.2 Ikan Pelagis ......................................................................................... 2.2.1 Kawanan dan gerombolan ikan pelagis .................................. 2.2.2 Struktur kawanan ikan pelagis .................................................. 2.2.3 Ukuran kawanan ikan pelagis .................................................. 2.2.4 Bentuk kawanan ikan pelagis ...................................................
5 7 9 10 14 18 22 22 25 26 27
3 METODOLOGI ........................................................................................
31
3.1 Data Akustik ....................................................................................... 3.1.1 Pemrosesan data akustik ......................................................... 3.1.2 Data hasil tangkapan ............................................................... 3.1.3 Matriks data akustik ................................................................
33 34 35 36
xii
Halaman 3.2 Hitungan Nilai Deskriptor .................................................................. 3.3 Deskriptor Akustik ............................................................................... 3.4 Identifikasi, Klasifikasi dan Penentuan Deskriptor Utama dengan Metode Statistik .................................................................................. 3.5 Arsitektur JST ..................................................................................... 3.6 Rancangan Awal JST .......................................................................... 3.7 Validasi Silang .................................................................................... 3.8 Hasil Validasi Silang .......................................................................... 4 DESKRIPTOR HIDROAKUSTIK KAWANAN IKAN PELAGIS .....
36 37 37 38 39 39 39 40
4.1 Pendahuluan ........................................................................................ 4.2 Metode Penelitian ............................................................................... 4.3 Hasil .................................................................................................... 4.3.1 Analisis korelasi ...................................................................... 4.3.2 Analisis komponen utama ....................................................... 4.4 Pembahasan ........................................................................................ 4.5 Kesimpulan .........................................................................................
40 43 47 48 55 57 60
5 IDENTIFIKASI DAN KLASIFIKASI KAWANAN IKAN PELAGIS DENGAN METODE STATISTIK .........................................................
61
5.1 Pendahuluan ........................................................................................ 5.2 Metode Penelitian ............................................................................... 5.3 Hasil .................................................................................................... 5.3.1 Analisis gerombol ................................................................... 5.3.2 Analisis diskriminan ............................................................... 5.4 Pembahasan ........................................................................................ 5.5 Kesimpulan .........................................................................................
61 62 67 67 72 78 80
6 IDENTIFIKASI DAN KLASIFIKASI KAWANAN IKAN PELAGIS DENGAN JARINGAN SARAF TIRUAN PERAMBATAN BALIK ........................................................................................................
82
6.1 Pendahuluan ........................................................................................ 6.2 Metode Penelitian ............................................................................... 6.2.1 Perancangan awal dan pelatihan JSTPB ................................. 6.2.2 Perancangan akhir dan uji coba JSTPB .................................. 6.3 Hasil ................................................................................................... 6.3.1 Hasil perancangan awal dan pelatihan JSTPB ........................ 6.3.2 Hasil perancangan akhir dan uji coba JSTPB ......................... 6.4 Pembahasan ........................................................................................ 6.5 Kesimpulan .........................................................................................
82 83 85 91 93 93 101 110 112
xiii
Halaman 7 PEMBAHASAN UMUM ..........................................................................
113
7.1 Karakteristik Kawanan Lemuru .......................................................... 7.2 Jaringan Saraf Tiruan Perambatan Balik ..........................................
113 115
8 KESIMPULAN DAN SARAN .................................................................
119
8.1 Kesimpulan ......................................................................................... 8.2 Saran ...................................................................................................
119 120
DAFTAR PUSTAKA ......................................................................................
121
LAMPIRAN .....................................................................................................
126
xiv
DAFTAR TABEL Halaman 1
Contoh deskriptor yang digunakan untuk identifikasi sardine, anchovy, dan horse mackarel (Haralabous & Georgakarakos, 1996) ……………
21
2
Deskriptor hidroakustik (Fauziyah, 2005) ...............................................
42
3
Rangkuman nilai rataan dan koefisien keragaman (kk dalam %) deskriptor morfometrik kawanan ikan berdasarkan selang waktu pengukuran .................................................................................................
49
4
Matriks korelasi antar deskriptor morfometrik ........................................
49
5
Rangkuman nilai rataan dan koefisien keragaman (kk dalam %) deskriptor batimetrik kawanan ikan berdasarkan selang waktu pengukuran ..............................................................................................
51
6
Matriks korelasi antar deskriptor batimetrik ............................................
51
7
Rangkuman nilai rataan dan koefisien keragaman (kk dalam %) deskriptor energetik kawanan ikan berdasarkan selang waktu pengukuran ..............................................................................................
52
8
Matriks korelasi antar deskriptor energetik ..............................................
52
9
Matriks korelasi antar deskriptor morfometrik, batimetrik, dan energetik ...................................................................................................
54
10
Deskriptor hidroakustik untuk analisis statistik (Fauziyah, 2005) ............
63
11
Kelompok kawanan ikan hasil analisis gerombol ....................................
67
12
Hasil pengelompokan 56 kawanan ikan (data A) dengan Metode Analisis Gerombol Terbimbing ..............................................................................
71
13
Nilai rataan deskriptor pada masing-masing kelompok ...........................
73
14
Koefisien fungsi diskriminan dan struktur matriks fungsi .......................
74
15
Eigenvalue dari kempat fungsi diskriminan ............................................
75
16
Hasil klasifikasi dengan Metode Analisis Diskriminan ...........................
77
xv
Halaman 17
Perbandingan hasil pelatihan beberapa metode pelatihan JSTPB model 8(5-1) dengan menggunakan data pelatihan yang sama ..........................
94
Perbandingan hasil pelatihan berdasarkan arsitektur jaringan yang berbeda dengan fungsi aktivasi tansig-purelin ........................................
99
19
Deskriptor pada unit sel masukan JSTPB1 ..............................................
102
20
Hasil identifikasi dan klasifikasi dengan JSTPB1 ...................................
103
21
Hasil identifikasi dan klasifikasi dengan JSTPB2 ...................................
106
22
Deskriptor pada unit sel masukan JSTPB3 ..............................................
107
23
Hasil identifikasi dan klasifikasi dengan JSTPB3 ...................................
109
24
Rangkuman hasil identifikasi dan klasifikasi dengan metode yang berbeda .....................................................................................................
117
18
xvi
DAFTAR GAMBAR
Halaman 1
Jaringan sel saraf biologi ...................................................................
5
2
Sebual sel saraf dengan masukan tunggal ..........................................
8
3
Sebuah sel saraf dengan r masukan ....................................................
8
4
Pemrosesan umpan balik ......................................................................
9
5
Arsitektur JSTPB sederhana ................................................................
12
6
JST dengan satu lapisan, dengan r masukan dan s buah sel saraf .................................................................................................................
14
7
Arsitektur JST umpan maju (feed-forward) dengan banyak lapisan .....
16
8
JST dengan banyak lapisan (multi layer) dengan r masukan dan s buah sel saraf .................................................................................................
17
Contoh deskriptor citra akustik kawanan ikan dengan intensitas hamburan balik yang berbeda pada setiap titik pikselnya .................................................................................................................
20
10
Sardinella lemuru Bleeker, 1853 (DKP) .............................................
24
11
Bentuk berlian dalam kawanan ikan (He, 1989) ...................................
26
12
Bentuk-bentuk kawanan ikan yang terdeteksi dengan peralatan Sonar (He, 1989) .............................................................................................
28
13
Pola sebaran ikan di dalam kolom air (Reid, 2000) .............................
29
14
Diagram alir metode penelitian ............................................................
32
15
Lintasan survei kapal Baruna Jaya IV di Selat Bali tahun 1998, 1999, 2000 ......................................................................................................
34
16
Deskriptor hidroakustik kawanan ikan pelagis ....................................
41
17
Diagram alir analisis deskriptor hidroakustik ......................................
44
9
xvii
Halaman 18
Citra akustik kawanan ikan setelah proses binerisasi (b) dan sebelumnya (a) ......................................................................................
47
19
Hasil plot AKU deskriptor hidroakustik ..............................................
56
20
Karakteristik deskriptor hasil AKU pada malam dan siang hari ..........
57
21
Diagram alir identifikasi dan klasifikasi dengan Metode Statistik ........
65
22
Contoh beberapa citra akustik kawanan ikan di Selat Bali ...................
69
23
Posisi anggota kelompok kelima kawanan ikan terhadap fungsi diskriminan 1 dan 2 ...............................................................................
76
Karakteristik 8 deskriptor utama dari kelima kelompok kawanan ikan ..................................................................................................................
78
25
Diagram alir proses perancangan hingga operasional JSTPB ..............
84
26
Grafik fungsi aktivasi Sigmoid Bipolar dan Linier ..............................
87
27
Diagram alir algoritma jaringan ...........................................................
89
28
Grafik hasil pelatihan dengan jumlah unit sel masukan yang berbeda (a) Jumlah unit masukan Vs Jumlah iterasi (b) Jumlah unit sel masukan Vs MSE ..................................................................................
95
Grafik hasil pelatihan dengan jumlah unit sel lapisan tersembunyi yang berbeda (a) Jumlah unit sel tersembunyi Vs Jumlah iterasi (b) Jumlah unit sel tersembunyi Vs MSE ...............................................................
96
Grafik hasil pelatihan berdasarkan arsitektur jaringan yang berbeda dengan fungsi aktivasi tansig-purelin (a) Model JSTPB Vs Jumlah iterasi (b) Model JSTPB Vs MSE .........................................................
98
24
29
30
31
Grafik hasil pelatihan dengan jumlah pola masukan yang berbeda (a) Jumlah pola masukan Vs Jumlah iterasi (b) Jumlah pola masukan Vs MSE ...................................................................................................... 100
32
Hasil simulasi data uji model JSTPB1 dengan arsitektur 8(8-1) dengan Metode Pelatihan Levenberg-Marquard ............................................... 103
33
Diagram Pareto JSTPB1 .......................................................................
104
xviii
Halaman 34
Hasil simulasi data uji model JSTPB2 15(15-1) dengan Metode Pelatihan Levenberg-Marquard ............................................................ 105
35
Diagram Pareto JSTPB2 .......................................................................
36
Hasil simulasi data uji model JSTPB3 8(8-1) dengan Metode Pelatihan Levenberg-Marquard ............................................................................ 108
37
Diagram Pareto JSTPB3 .......................................................................
106
109
xix
DAFTAR LAMPIRAN
Halaman 1 Data latih mentah .................................................................................
126
2 Data latih dalam bentuk z-score ...........................................................
127
3 Data latih dalam bentuk bipolar ...........................................................
128
4 Histogram deskriptor hidroakustik data latih ......................................
129
5 Data uji mentah ....................................................................................
133
6 Data uji dalam bentuk logaritmik .........................................................
134
7 Data uji dalam bentuk z-score ..............................................................
135
8 Data uji dalam bentuk bipolar ..............................................................
136
9 Histogram deskriptor hidroakustik data uji ..........................................
137
10 Hasil analisis gerombol ........................................................................
142
11 Hasil analisis diskriminan ....................................................................
144
12 Hasil hitungan JSTPB1 ........................................................................
152
13 Hasil hitungan JSTPB2 ........................................................................
154
14 Hasil hitungan JSTPB3 ........................................................................
158
15 Jumlah iterasi Vs ketepatan dari seluruh model JSTPB1 .....................
160
16 Jumlah iterasi Vs ketepatan dari seluruh model JSTPB2 .....................
161
17 Jumlah iterasi Vs ketepatan dari seluruh model JSTPB3 .....................
162
18 Deskripsi, sebaran, dan produksi lemuru ............................................
163
xx
GLOSARI
DAFTAR ISTILAH Akustik (acoustics)
=
Ilmu tentang suara yang mempelajari sifat perambatan suara di dalam suatu medium.
Arsitektur (architecture)
=
Deskripsi tentang jumlah sel, lapisan tersembunyi, fungsi aktivasi, dan koneksi antar lapisan.
Bias
=
Parameter sel saraf yang ditambahkan ke masukan terbobot yang selanjutnya diproses oleh fungsi aktivasi.
Bobot (weight)
=
Besaran pengali yang berfungsi menguatkan atau melemahkan masukan yang diberikan kedalam sebuah sel saraf.
Citra akustik (echogram)
=
Rekaman dari rangkaian gema yang divisualisasikan.
Deskriptor (descriptor)
=
Variabel atau peubah yang menggambarkan ciri atau sifat dari pantulan akustik, baik berupa morfometrik, batimetrik, dan energetik.
Fungsi aktivasi (activation function)
=
Fungsi aktivasi adalah fungsi yang secara spesifik menentukan langkah yang harus dilakukan oleh sebuah sel setelah sel tersebut menerima sinyal terbobot.
Gema (echo)
=
Gelombang suara yang dipantulkan obyek.
Gerombolan (shoaling)
=
Kelompok ikan yang terdiri dari beberapa kawanan ikan, bersifat tidak homogen, dan memiliki karakteristik masing-masing.
Hamburan balik (backscattering)
=
Jumlah energi per satuan waktu yang dipantulkan oleh target selama transmisi suara dari transducer.
Iterasi (epoch)
=
Pengulangan yang dilakukan untuk pemrosesan data.
Jaringan saraf tiruan (artificial neural networks)
=
Model yang dibuat untuk simulasi sistem saraf biologi.
xxi
Jarak euklidean (D) (euclidean distance)
=
Jarak antara vektor 1(x1, x2,…,xn) dan 2(y1, y2,…,yn) yang n
2 = ∑ (x i − y i ) 2 dihitung dengan D12 i =1
Jaringan umpan maju (feedforward network)
=
Lapisan jaringan yang hanya menerima masukan dari lapisan sebelumnya.
Kawanan (schooling)
=
Salah satu kelompok dari gerombolan, bersifat homogen, tersinkronisasi dan terpolarisasi ketika beruaya.
Kekuatan target (target strength)
=
Rasio intensitas gema yang diukur pada jarak 1m dari permukaan transducer dengan intensitas yang datang mengenai target.
Klasifikasi (classification)
=
Asosiasi antar vektor masukan dan vektor target.
Lemuru campuran
=
Kawanan ikan yang tercampur yang terdiri dari sempenit, protolan, dan lemuru.
Lemuru protolan
=
Lemuru yang berukuran panjang total antara 11-15cm.
Lemuru sempenit
=
Lemuru yang berukuran panjang total kurang dari 11cm.
Pelatihan (training)
=
Proses yang dilakukan terhadap setiap masukan terbobot dan bias agar jaringan mencapai kondisi tertentu yang diinginkan.
Perambatan balik (back propagation)
=
Metode pelatihan terbimbing dimana galat di rambatkan balik ke lapisan dibawahnya dengan terlebih dahulu diberi bobot.
Perceptron
=
Jaringan lapisan tunggal dengan fungsi aktivasi biner.
Sel saraf (neuron)
=
Elemen dasar pemrosesan pada jaringan saraf.
xxii
DEFINISI DESKRIPTOR
Batimetrik (bathymetric)
=
Posisi kawanan ikan dalam kolom perairan
Dimensi fraktal (fractal dimension)
=
Bangun dengan dimensi bukan bilangan bulat.
Elongasi (elongation)
=
Rasio antara panjang dan tinggi kawanan
Energetik (energetic)
=
Sifat internal kawanan dilihat dari pancaran energinya.
Kedalaman minimum (minimum depth)
=
Jarak terdekat antara permukaan laut dengan kawanan.
Ketinggian minimum (minimum altitude)
=
Jarak terdekat antara dasar perairan dengan kawanan.
Ketinggian relatif (relative altitude)
=
Rasio antara rataan ketinggian kedalaman perairan (%)
Kurtosis
=
Ukuran yang digunakan dalam menentukan ekor dan puncak suatu sebaran.
Luas
=
Total pixel dalam citra akustik kawanan ikan.
Panjang (length)
=
Jarak antar pixel terdepan dan terbelakang dari kawanan.
Rataan energi akustik (mean acoustic energy)
=
Energi akustik dari pixel atau backscattering cross section.
Rataan kedalaman (mean depth)
=
Jarak dari permukaan laut ke titik tengah kawanan.
Skewness
=
Kemenjuluran, menyatakan sifat sebaran terhadap nilai rataannya.
Tinggi (height)
=
Jarak antara sel tertinggi dan terendah dari kawanan ikan.
kawanan
dengan
xxiii
DAFTAR SINGKATAN
ADA-2004 AFD AG AKU JST JSTPB MDA MSE SV TS
= Acoustics Descriptor Analyzer Version 2004 = Analisis Fungsi Diskriminan = Analisis Gerombol = Analisis Komponen Utama = Jaringan Saraf Tiruan = Jaringan Saraf Tiruan Perambatan Balik = Matriks Data Akustik = Mean Square Error = Backscattering Volume = Target Strength
xxiv
