Seminar Nasional Ilmu Komputer (SNIK 2015) - Semarang, 10 Oktober 2015 ISBN: 978-602-1034-19-4
PENGENALAN KAPAL PADA CITRA DIGITAL MENGGUNAKAN IMAGE PROCESSING DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Sutikno1, Helmie Arif Wibawa2, Priyo Sidik Sasongko3 123
Jurusan Ilmu Komputer/Informatika, FSM, Universitas Diponegoro Email:
[email protected],
[email protected],
[email protected]
ABSTRAK Negara Indonesia merupakan negara kepulauan terbesar didunia dengan luas wilayah perairan dua kali lipat luas daratannya. Luas lautan Indonesia mencapai 3.257.483 km2 yang didalamnya terdapat berbagai jenis biota laut, termasuk spesies ikannya yang lebih dari 3.000 spesies. Namun, selama ini besarnya potensi perikanan tersebut belum dapat dinikmati sepenuhnya oleh Indonesia karena beberapa faktor, diantaranya banyaknya aktivitas illegal fishing di wilayah perairan Indonesia. Untuk mengurangi kerugian yang disebabkan illegal fishing, TNI Angkatan Udara melakukan pantauan laut melalui pesawat yang dilengkapi dengan foto udara untuk membantu dalam perekaman kegiatan illegal fishing diperairan. Dari hasil foto udara tersebut dilakukan analisis visual secara manual oleh manusia, belum bisa melakukan deteksi secara otomatis. Pada penelitian ini telah dibuat aplikasi pengenalan kapal pada citra digital dengan menggunakan image processing dan algoritma jaringan syaraf tiruan backpropagation yang nantinya bisa dikembangkan menjadi suatu sistem yang dapat mendeteksi kapal pada citra digtal. Dari hasil pengujian yang telah dilakukan sistem mampu mengenali citra kapal dengan prosentase 85% dengan jumlah data pengujian 40 data dengan rincian sistem mengenali 75% citra yang merupakan kapal dan 95% citra bukan kapal. Kata Kunci: Pengenalan, Kapal, Illegal Fiishing, Pengolahan Citra, Jaringan Syaraf Tiruan, Backpropagation
1. PENDAHULUAN Negara Indonesia merupakan negara kepulauan terbesar di dunia dengan luas wilayah perairan dua kali lipat dari luas daratannya. Dari total luas Indonesia sebesar 5.180.053 km2, luas lautan Indonesia mencapai 3.257.483 km2, sedangkan luas daratannya 1.922.570 km2 [1]. Dengan luas lautan yang besar tersebut, terdapat berbagai jenis biota laut, termasuk spesies ikannya yang lebih dari 3.000 spesies. Dengan kondisi tersebut, Indonesi memiliki potensi perikanan yang sangat besar. Namun, selama ini besarnya potensi perikanan tersebut belum dapat dinikmati sepenuhnya oleh Indonesia karena beberapa faktor, diantaranya banyaknya aktivitas illegal fishing di wilayah perairan Indonesia. Banyaknya jumlah kapal asing yang masuk wilayah Indonesia untuk mencuri kekayaan alam di wilayah perairan Indonesia lebih besar dari pada nilai yang didapat oleh nelayan Indonesia. Presiden Joko Widodo pernah mengatakan bahwa kerugian negara akibat aktivitas illegal fishing mencapai Rp 300 triliun pertahun. Jumlah tersebut jauh lebih besar dari pendapatan yang diraup Indonesia yang hanya sebesar Rp 63 triliun [2]. Kegiatan illegal fishing yang dilakukan oleh Kapal Perikanan Asing (KIA) dan Kapal Perikanan Indoneisa (KII) di Wilayah Pengelolaan Perikanan Indonesia (WPP-NRI), secara nyata melanggar Undang-Undang (UU) No. 31 tahun 2004 tentang perikanan sebagaimana diubah dengan UU No. 45 tahun 2009 dan peraturan perundang-undangan yang mengatur mengenai perikanan tangkap. Selain itu, illegal fishing oleh KII di wilayah perairan kompetensi Organisasi Pengelolaan Perikanan Regional (Regional Fisheries Management Organizations/RFMOs) dan di laut lepas, juga menyalahi resolusiresolusi RFMOs, termasuk ketentuan mengenai Conservation and Management Measures (CMM) dan ketentuan-ketentuan internasional tentang perikanan [3]. Untuk mengurangi kerugian yang disebabkan illegal fishing, TNI Angkatan Udara melakukan pantauan laut melalui pesawat. Pesawat ini dilengkapi dengan foto udara untuk membantu dalam perekaman kegiatan illegal fishing diperairan. Dari hasil foto udara tersebut dilakukan analisis visual secara manual oleh manusia, belum bisa melakukan deteksi secara otomatis [4]. Sehingga dari analisis secara manual tersebut masih terdapat kelemahan-kelemahan diantaranya yaitu terdapat kemungkinan kesalahan analisis dan masih terdapat citra gambar yang tidak dapat di deteksi karena kondisi foto (citra) yang menjangkau laut yang luas. Pada penelitian ini telah dibuat aplikasi pengenalan kapal pada citra digital dengan menggunakan image processing dan algoritma jaringan syaraf tiruan backpropagation yang nantinya bisa dikembangkan menjadi suatu sistem yang dapat mendeteksi kapal secara otomatis pada citra digital.
273
Seminar Nasional Ilmu Komputer (SNIK 2015) - Semarang, 10 Oktober 2015 ISBN: 978-602-1034-19-4 2. METODE 2.1. Metode Penelitian Metode yang digunakan dalam penelitian ini meliputi tahapan-tahapan seperti yang diilustrasikan pada Gambar 1. Analisis Sistem
Perancangan Sistem
Pembuatan Sistem
Pengujian Sistem
Penyimpulan dan penulisan naskah
Tinjauan tahap sebelumnya/modifikasi ulang
Gambar 1. Metode pengembangan. a. Analisis sistem Pada tahap awal, melakukan studi literatur untuk mengetahui perkembangan terakhir dari metode yang akan dikembangkan kemudian menganalisis kebutuhan sistem yang akan dibangun terkait dengan arsitektur yang akan dibuat. b. Perancangan sistem Merancang struktur basis data dan antarmuka (user interface). Selain itu dilakukan perancangan proses, fungsi, algoritma pada tahap preprocessing, ekstraksi fitur, pelatihan, dan pengujian sistem. Pada tahap preprocessing digunakan teknik image processing dan pada proses pelatihan dan pengujian dengan menggunakan algoritma jaringan syaraf tiruan backpropagation. c. Pembuatan sistem Mengimplementasikan hasil desain sistem dalam bentuk program yaitu dengan menggunakan bahasa pemrograman Visual Basic. Pembuatan program ini melibatkan 4 (empat) subprogram utama (modul), yaitu modul prepocessing, modul ekstraksi ciri, modul pelatihan data, modul pengujian data. d. Pengujian sistem Pada tahap ini menyiapkan data yang akan dilatih dan di uji kemudian melakukan pelatihan dan pengujian. e. Penyimpulan Setelah melalui tahap pengujian sistem dan setelah sistem yang dihasilkan mampu menghasilkan kinerja yang baik, maka dilaukan penyimpulan dan diformulasikan dari hasil yang telah dicapai untuk pengembangan penelitian selanjutnya. 2.2. Pengolahan Citra Pengolahan citra adalah pemrosesan citra khususnya dengan menggunakan komputer agar mudah diinterpretasi oleh manusia atau mesin, dimana pengolahan citra diterapkan biasanya untuk perbaikan atau modifikasi citra, penggabungan citra dengan citra lainnya, bisa juga digunakan jika suatu citra perlu dikelompokkan, kecocokkan atau diukur dan masih banyak lagi [5]. Sebuah warna pada citra didefinisikan dengan jumlah dari intensitas ketiga warna pokok RGB yang diperlukan untuk membentuk suatu warna. Kekuatan intensitas tiap komponen warna dapat berkisar antara 0% sampai 100% dan untuk menampilkan tingkat kekuatan intensitas ketiga warna tersebut maka digunakan satuan bit yang jumlah gabungannya menggambarkan jumlah warna yang ditampilkan pada layar monitor [5]. Derajat keabuan citra adalah representasi citra dengan hanya menggunakan satu warna grey (abu-abu) yang berbeda intensitasnya. Citra abu-abu dapat dihasilkan dari citra warna RGB dengan mengalikan ketiga komponen warna pokok merah, hijau dan biru dengan suatu koefisien yang jumlahnya satu [5]. (1) Y a R bG c B Citra dapat di representasikan dalam bentuk biner yang mempunyai dua intensitas warna pada tiap pixelnya yaitu 0 dan 1, dimana nilai 0 mewakili warna hitam dan nilai 1 mewakili warna putih. Citra biner merupakan tingkat abu-abu terendah yang dicapai dalam pembentukan citra [5]. 2.3. Jaringan Syaraf Tiruan Jaringan syaraf tiruan adalah sistem pengolahan informasi yang mempunyai karakteristik unjuk kerja tertentu sebagaimana jaringan syaraf biologis. Jaringan syaraf tiruan didasarkan pada beberapa asumsi [6]: a. Pengolahan informasi terjadi pada neuron. b. Sinyal-sinyal dilewatkan antar neuron melalui rantai penghubung. 274
Seminar Nasional Ilmu Komputer (SNIK 2015) - Semarang, 10 Oktober 2015 ISBN: 978-602-1034-19-4 c. Masing-masing rantai penghubung akan mengalikan sinyal yang ditransmisikan. d. Masing-masing neuron menggunakan fungsi aktivasi pada jaringan masukannya untuk menentukan sinyal keluaran. Jaringan syaraf tiruan dicirikan oleh hubungan pola antar neuron, metode untuk menentukan bobot dan fungsi aktivasinya. Sebuah jaringan syaraf terdiri dari banyak elemen pengolah sederhana yang disebut neuron, unit, cell, atau node. Masing -masing neuron dihubungkan ke neuron yang lain oleh rantai komunikasi terarah dengan masing-masing bobot yang berkaitan dengannya. Bobot merepresentasikan informasi yang digunakan oleh jaringan untuk memecahkan sebuah masalah. Masing-masing neuron mempunyai state internal, disebut sebagai aktivasi atau level pengaktifan (activation or activity level) yang merupakan fungsi masukan. Biasanya, sebuah neuron mengirim aktivasinya sebagai sebuah sinyal ke beberapa neuron. Sebagai catatan bahwa neuron hanya dapat mengirim satu sinyal pada suatu waktu, meskipun sinyal itu dikirim ke beberapa neuron yang lain. Gambar 2 menunjukkan sebuah neuron Y yang menerima input dari neuron X1, X2, dan X3. Bobot pada hubungan dari X1, X2, dan X3 ke neuron Y adalah w1, w2, dan w3. Jaringan masukan, y_in, ke neuron Y adalah jumlah dari sinyal terboboti (weighted signal) dari X1, X2, dan X3, yaitu: y_in = w1X1+w2X2+w3X3 (2)
Gambar 2. Sebuah neuron. Aktivasi y dari neuron Y diberikan oleh suatu fungsi dari jaringan masukannya, y = f(y_in), sebagai contohnya adalah fungsi sigmoid logistic (sebuah kurva berbentuk S) yang memenuhi persamaan: (3) atau fungsi aktivasi yang lain, semisal fungsi linier serta fungsi threshold. Dalam banyak kasus, digunakan fungsi aktivasi non linier. Fungsi non linier digunakan pada jaringan multilayer karena hasil pengumpanan sinyal melalui dua atau lebih layer dengan menggunakan fungsi linier akan diperoleh hasil yang tidak berbeda dengan apa yang diperoleh jika menggunakan single layer (lapis tunggal). Gambar 3 menunjukkan fungsi aktivasi sigmoid logistic.
Gambar 3. Fungsi aktivasi sigmoid biner. 2.4. Algoritma Pelatihan JST Backpropagation Aturan pembelajaran backpropagation dikembangkan dari delta rule dengan menambahkan hidden layer. Melatih jaringan dengan menggunakan metode backpropagation melibatkan tiga tahapan: feedforward pola pelatihan masukan, backpropagation terhadap error, serta penyesuain bobot [7]. Algoritma pelatihan backpropagation adalah sebagai berikut. Langkah 0 : Inisialisasi bobot (ambil bobot awal dengan nilai random yang cukup kecil) Langkah 1 : ketika kondisi berhenti salah, lakukan langkah 2-9. Langkah 2 : untuk masing-masing pasangan training, lakukan langkah 3-8. Feedforward: Langkah 3 : Tiap-tiap unit input (Xi, i=1,2,3,…n) menerima sinyal xi dan meneruskan sinyal tersebut ke semua unit pada lapisan yang ada diatasnya (lapisan tersembunyi). Langkah 4 : Tiap-tiap unit tersembunyi (Zi, j=1,2,3,…p) menjumlahkan sinyal-sinyal input terbobot: 275
Seminar Nasional Ilmu Komputer (SNIK 2015) - Semarang, 10 Oktober 2015 ISBN: 978-602-1034-19-4 n
z _ in j Vo j X iVij
(4) gunakan fungsi aktivasi untuk menghitung sinyal output-nya: Zj = f(Z_inj) Hitung fungsi aktivasi untuk menghitung sinyal keluaran, Zj=f(z_in), lalu mengirimkan sinyal ini kesemua unit pada layer diatasnya (unit keluaran). Langkah 5 : Tiap-tiap unit output (Yk,, K=1,2,3,…m) menjumlahkan sinyal-sinyal input terbobot. i 1
p
Y _ in k Wok Z iW jk
i 1 (5) gunakan fungsi aktivasi untuk menghitung sinyal output-nya Yk = f(Y_ink) (6) Dan kirimkan sinyal tersebut ke semua unit di lapisan atasnya (unit-unit output). Backpropagation: Langkah 6 : Tiap-tiap unit output (Yk, K=1,2,3,…m) menerima target pola yang berhubungan dengan pola input pembelajaran, hitung informasi errornya: k=(tk-yk)f’(y_ink) (7) kemudian hitung koreksi bobot (yang nantinya akan digunakan untuk memperbaiki nilai W jk): (8) W jk k z j
hitung juga koreksi bias (yang nantinya akan digunakan untuk memperbaiki nilai Wok):
Wok k
(9)
kirimkan ini
k
Langkah 7
: Tiap-tiap unit tersembunyi (Zj, j=1,2,3,…p) menjumlahkan delta input-nya (dari unit-unit yang berada pada lapisan diatasnya):
ke unit-unit yang ada dilapisan bawahnya.
m
_ in j k W jk k 1
(10)
Kalikan nilai ini dengan turunan dari fungsi aktivasinya untuk menghitung informasi error: j=_injf(z_inj) Kemudian hitung koreksi bobot (yang nantinya akan digunakan untuk memperbaiki nilai V1j):
V jk j X i
(11) (12)
Hitung juga koreksi bias (yang nantinya akan digunakan untuk memperbaiki nilai V 0j):
V0 j j
Langkah 8
(13) : Tiap-tiap unit output (Yk=1,2,3,…m) memperbaiki bias dan bobotnya (i=1,2,3,…p):
Wjk(baru)=wjk(lama)+wij Tiap-tiap unit tersembunyi (Zj, j=1,2,3,…p) memperbaiki bias dan bobotnya (i=0,1,2,…n) :
(14)
vjk(baru)=vjk(lama)+vij Langkah 9 : Uji syarat berhenti
(15)
3. HASIL DAN PEMBAHASAN 3.1. Deskripsi Sistem Pada penelitian ini, telah di buat suatu apolikasi pengenalan kapal pada citra digital dengan menggunakan metode image processing dan algoritma cerdas jaringan syaraf tiruan backpropagation. Aplikasi pengenalan kapal pada citra digital ini dibangun sesuai dengan Gambar 4.
276
Seminar Nasional Ilmu Komputer (SNIK 2015) - Semarang, 10 Oktober 2015 ISBN: 978-602-1034-19-4
Gambar 4. Aplikasi pengenalan kapal pada citra digital. Secara umum aplikasi ini terdiri dari tiga bagian yaitu input data latih dan data uji, pelatihan jaringan, serta pengujian sistem. a. Input data latih dan uji Data latih dan data uji digunakan untuk proses pelatihan dan pengujian algoritma jaringan syaraf tiruan backpropagation. Untuk mempersiapkan kedua proses tersebut maka data latih dan data uji di inputkan terlebih dahulu pada sistem ini untuk disimpan dalam database. Sebelum data disimpan, pada bagian ini terdapat dua proses yaitu proses perubahan dari citra RGB (Red Green Blue) berukuran 20x20 pixel menjadi citra keabuan dan proses binerisasi. Pada proses perubahan ke citra keabuan, citra hanya memiliki satu warna grey (abu-abu) yang berbeda intensitasnya. sedangkan pada proses perubahan ke biner, citra di representasikan hanya dua intensitas warna pada tiap pixelnya yaitu 0 dan 1. b. Proses pelatihan Setelah data latih dan data uji telah disimpan dalam database, maka data tersebut dilakukan pelatihan dengan menggunakan jaringan syaraf tiruan backpropagation. Tujuan dari proses pelatihan ini yaitu untuk mencari arsitektur jaringan terbaik. Hasil dari proses pelatihan berupa bobot-bobot jaringan yang kemudian disimpan dalam database. c. Proses pengujian Proses pengujian dilakukan pada citra berukuran 20x20 pixel, citra yang diuji berupa citra kapal dan citra bukan kapal. 3.2. Implementasi Sistem Sesuai dengan perancangan proses dan perancangan antarmuka, implementasi sistem ini terdiri dari 4 Implementasi, yaitu implementasi login, input data latih dan uji, Pelatihan dan Pengujian. 1) Implementasi login Pada implementasi login terdapat proses verifikasi pengguna. Jika pengguna terdapat dalam database maka pengguna akan diijinkan, jika tidak maka pengguna akan ditolak. Antarmuka login seperti pada Gambar 5.
Gambar 5. Implementasi login. 277
Seminar Nasional Ilmu Komputer (SNIK 2015) - Semarang, 10 Oktober 2015 ISBN: 978-602-1034-19-4 2) Implementasi data latih dan uji Implementasi data latih dan data uji terdapat proses input data yang berupa citra berukuran 20x20 pixel yang kemudian melalui proses perubahan ke gray scale dan proses binerisasi baru kemudian disimpam dalam database. Proses ini digunakan untuk mempersiapkan proses pelatihan dan proses pengujian. Antarmuka input data latih dan uji seperti pada Gambar 6.
Gambar 6. Implementasi input data latih dan uji. 3) Implementasi Pelatihan Implementasi pelatihan digunakan untuk proses pelatihan jaringan syaraf tiruan backpropagation. Input dari proses pelatihan ini yaitu citra pelatihan yang telah disimpan dalam database dan variabel input batas epoch, batas error dan nilai α (alfa). Sedangkan outputnya berupa bobot-bobot jaringan. Bobot-bobot ini disimpan dalam database untuk mempersiapkan proses pengujian. Antarmuka pelatihan jaringan seperti pada Gambar 7.
Gambar 7. Implementasi pelatihan. 4) Implementasi Pengujian Pada implementasi pengujian ini terdapat proses pengujian dengan menggunakan algoritma jaringan syaraf backpropagation pada fase feedforward, antarmukanya seperti pada Gambar 8. Input dari proses ini adalah citra yang akan diujikan dan bobot-bobot jaringan yang telah di simpan dalam database, sedangkan hasilnya adalah keputusan sistem apakah citra yang diuji merupakan citra kapal atau bukan.
Gambar 8. Implementasi pengujian. 278
Seminar Nasional Ilmu Komputer (SNIK 2015) - Semarang, 10 Oktober 2015 ISBN: 978-602-1034-19-4 3.3. Pengujian sistem Pada pengujian penelitian ini, dilakukan 2 pengujian yaitu pengujian pelatihan algoritma dan pengujian kinerja algoritma. a. Pengujian Pelatihan algoritma Algoritma yang digunakan untuk identifikasi citra kapal pada penelitian ini dengan menggunakan algoritma jaringan syaraf tiruan backpropagation. Pada algoritma ini terdapat proses pelatihan jaringan untuk mendapatkan bobot-bobot jaringan terbaik pada jaringan. Arsitektur jaringan yang digunakan dalam pelatihan ini terdiri dari 400 neuron pada layer input, satu layer tersebunyi yang terdiri dari 40 neuron, dan 1 neuron pada layer output seperti pada Gambar 9. Input dari jaringan ini terdiri dari 400 input sesuai dengan jumlah neuron pada layer input yaitu nilai dari pixel citra berukuran 20x20 pixel, sedangkan output dari jaringan ini terdiri dari 1 neuron yang terdapat 2 kemungkinan yaitu apakah citra merupakan citra kapal atau citra bukan kapal.
Gambar 9. Implementasi input data latih dan uji. Data yang digunakan dalam pelatihan ini berupa citra berukuran 20x20 pixel. Ada 128 data yang digunakan untuk pelatihan yang terdiri dari 48 citra kapal dan 80 data bukan kapal. Contoh citra yang digunakan untuk pelatihan yaitu seperti pada Tabel 1. Variabel input yang digunakan dalam pelatihan ini yaitu dengan menggunakan epoch maksimum 30.000, batas error 0,000001 dan nilai laju pembelajaran (α) =0,2. Tabel 1. Contoh data yang akan dilatih. No 1
Nama citra Kapal33
2
Kapal39
3
Kapal48
4
Kapal203
5
Kapal207
6
Nonkapal2
7
Nonkapal21
8
Nonkapal24
9
Nonkapal45
10
Nonkapal88
Citra
Dengan variabel input dan 128 citra pelatihan diatas, setelah dilakukan pelatihan didapatkan bobot-bobot dan error 0,000001 di capai pada epoch ke-6687. b. Pengujian kinerja sistem Pengujian kinerja sistem bertujuan untuk mengukur kinerja sistem khususnya algoritma yang digunakan. Algoritma yang digunakan yaitu algoritma jaringan syaraf tiruan backpropagation fase feedforward. Input dari proses pengujian ini yaitu bobot-bobot jaringan yang dihasilkan dari proses pelatihan sebelumnya dan data yang akan diuji yaitu citra berukuran 20x20 pixel. Hasil dari pengujian yaitu apakah citra yang diuji merupakan citra kapal atau bukan kapal. Data yang diujikan berjumlah 40 data yang terdiri dari 20 citra kapal dan 20 citra bukan kapal, seperti pada Tabel 2. Dari hasil pengujian pada Tabel 2 terlihat bahwa dari 40 hasil pengujian, sistem mampu mengenali 34 pengujian dengan rincian mampu 279
Seminar Nasional Ilmu Komputer (SNIK 2015) - Semarang, 10 Oktober 2015 ISBN: 978-602-1034-19-4 mengenali 15 citra yang merupakan citra kapal dan 19 citra bukan kapal. Dengan kata lain sistem mampu mengenali 85% atau sistem mengenali 75% citra yang merupakan kapal dan 95% citra bukan kapal. Tabel 2. Hasil pengujian. NO 1
Nama File DataUjiKapal-1
2
DataUjiKapal-2
3
DataUjiKapal-3
Salah
4
DataUjiKapal-4
Benar
5
DataUjiKapal-5
Benar
6
DataUjiKapal-6
Benar
7
DataUjiKapal-7
Benar
8
DataUjiKapal-8
Benar
9
DataUjiKapal-9
Benar
10
DataUjiKapal-10
Salah
11
DataUjiKapal-11
Benar
12
DataUjiKapal-12
Benar
13
DataUjiKapal-13
Benar
14
DataUjiKapal-14
Benar
15
DataUjiKapal-15
Benar
16
DataUjiKapal-16
Salah
17
DataUjiKapal-17
Salah
18
DataUjiKapal-18
Benar
19
DataUjiKapal-19
Benar
20
DataUjiKapal-20
Benar
21
DataUjiNonKapal-1
Benar
22
DataUjiNonKapal-2
Benar
23
DataUjiNonKapal-3
Benar
24
DataUjiNonKapal-4
Benar
25
DataUjiNonKapal-5
Benar
26
DataUjiNonKapal-6
Benar
27
DataUjiNonKapal-7
Benar
28
DataUjiNonKapal-8
Benar
29
DataUjiNonKapal-9
Benar
30
DataUjiNonKapal-10
Benar
31
DataUjiNonKapal-11
Benar
32
DataUjiNonKapal-12
Benar
33
DataUjiNonKapal-13
Benar
34
DataUjiNonKapal-14
Benar
35
DataUjiNonKapal-15
Salah
36
DataUjiNonKapal-16
Benar
37
DataUjiNonKapal-17
Benar
38
DataUjiNonKapal-18
Benar
29
DataUjiNonKapal-19
Benar
40
DataUjiNonKapal-20
Benar
280
Image
Hasil Benar Salah
Seminar Nasional Ilmu Komputer (SNIK 2015) - Semarang, 10 Oktober 2015 ISBN: 978-602-1034-19-4 4. SIMPULAN Aplikasi yang telah dibuat telah mampu melakukan input data latih dan uji, proses pelatihan, proses pengujian dengan menggunakan algoritma jaringan syaraf tiruan. Proses pelatihan dengan jaringan backpropagation untuk mengenali citra kapal dengan nilai α 0,2; sistem mampu mencapai error 0,000001 pada epoch ke-6687. Algoritma jaringan syaraf tiruan yang diterapkan pada aplikasi ini, mampu mengenali citra kapal dengan prosentase 85% dengan jumlah data pengujian 40 data, dengan rincian sistem mengenali 75% citra yang merupakan kapal dan 95% citra bukan kapal. 5. REFERENSI [1] Anonim. 2011. Kelautan dan Perikanan Dalam Angka 2011. Kementerian Kelautan dan Perikanan, Jakarta. [2] Harahap, I. 2014. Amankan Kedaulatan Laut Indonesia. (http://hankam.kompasiana.com/ 2014/12/04/amankan-kedaulatan-laut-indonesia-708278.html, diakses 22 maret 2015). [3] Anonim. 2015. Jaga Kelestarian Sumber Daya Kelautan Dan Perikanan, Kkp Terus Berantas Illegal Fishing dan Destructive Fishing. (http://djpsdkp.kkp.go.id/index.php/arsip/c/16/JAGAKELESTARIAN SUMBER-DAYA-KELAUTAN-DAN-PERIKANAN-KKP-TERUSBERANTAS-ILLEGAL-FISHING-DAN-DESTRUCTIVE-FISHING/?category_id=21, diakses 22 Maret 2015) [4] Romadoni, A. 2014. Pesawat TNI AU Deteksi Ratusan Kapal Lakukan Illegal Fishing. (http://news.liputan6.com/read/2145037/pesawat-tni-au-deteksi-ratusan-kapal-lakukan-illegalfishing, diakses 22 Maret 2015) [5] Ahmad, U. 2005. Pengolahan Citra Digital & Teknik Pemrogramannya. Graha Ilmu, Yogyakarta. [6] Kristanto, A. 2004. Jaringan Syaraf Tiruan (Konsep Dasar, Algoritma dan Aplikasi). Gava Media, Yogyakarta. [7] Fausett, L. 1994. Fundamentals of Neural Networks: Architecture, Algorithms, and Applications. Prentice Hall Inc.
281
Seminar Nasional Ilmu Komputer (SNIK 2015) - Semarang, 10 Oktober 2015 ISBN: 978-602-1034-19-4
282
