PENGENALAN SPESIES NEMATODA PURU AKAR (Meloidogyne spp.) MELALUI KARAKTER MORFOLOGI EKOR MENGGUNAKAN JARINGAN SYARAF TIRUAN RONI BUDIMAN

PENGENALAN SPESIES NEMATODA PURU AKAR (Meloidogyne spp.) MELALUI KARAKTER MORFOLOGI EKOR MENGGUNAKAN JARINGAN SYARAF TIRUAN

RONI BUDIMAN

DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR 2008

PENGENALAN SPESIES NEMATODA PURU AKAR (Meloidogyne spp.) MELALUI KARAKTER MORFOLOGI EKOR MENGGUNAKAN JARINGAN SYARAF TIRUAN

Skripsi Sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer pada Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Pertanian Bogor

RONI BUDIMAN G64104007

DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR 2008

Judul : Pengenalan Spesies Nematoda Puru Akar (Meloidogyne spp.) Melalui Karakter Morfologi Ekor Menggunakan Jaringan Syaraf Tiruan Nama : Roni Budiman NRP : G64104007

Menyetujui:

Pembimbing I,

Pembimbing II,

Aziz Kustiyo, S.Si, M.Kom. NIP 132206241

Dr.Ir. Abdul Muin Adnan, MS. NIP 130871922

Mengetahui : Dekan Fakultas Matematika Dan Ilmu Pengetahuan Alam Institut Pertanian Bogor

Dr. drh. Hasim, DEA NIP 131578806

Tanggal Lulus :

ABSTRAK RONI BUDIMAN. Pengenalan Spesies Nematoda Puru Akar (Meloidogyne spp.) Melalui Karakter Morfologi Ekor Menggunakan Jaringan Syaraf Tiruan. Dibimbing oleh AZIZ KUSTIYO dan ABDUL MUIN ADNAN. Nematoda adalah invertebrata multiseluler mirip cacing yang bisa hidup di air tawar, air laut, dan di dalam tanah. Nematoda memiliki lebih dari satu juta spesies, salah satunya adalah nematoda puru akar (Meloidogyne spp.). Nematoda ini termasuk nematoda pengganggu tanaman. Identifikasi nematoda puru akar (Meloidogyne spp.) dengan hasil yang akurat merupakan salah satu langkah awal dalam pengelolaan atau pengendalian dari nematoda tersebut. Cara umum untuk identifikasi nematoda adalah berdasarkan karakter morfologinya. Satu diantaranya adalah karakter morfologi bagian posterior larva instar 2 di sekitar ekor untuk setiap spesies Meloidogyne, yang hanya dapat dilakukan oleh pakar nematologi berpengalaman. Salah satu metode yang banyak digunakan dalam pengenalan pola adalah jaringan syaraf tiruan (JST). Metode ini mampu memberikan tingkat akurasi yang tinggi dalam berbagai pengenalan pola seperti, pengenalan wajah, sidik jari, dan tanda tangan. JST yang digunakan dalam penelitian ini adalah JST propagasi balik dengan arsitektur satu hidden layer. Untuk mereduksi ukuran dimensi data yang cukup besar maka diberlakukan praproses principal component analysis (PCA). Dari hasil penelitian ini didapatkan pengenalan dengan menggunakan praproses PCA proporsi 99% menghasilkan akurasi yang lebih baik bila dibandingkan dengan praproses dengan PCA proporsi 95% dan 90%. Nilai akurasi maksimum pada penelitian ini bisa mencapai angka 83.30%. Kata kunci: Nematoda, Meloidogyne, principal component analysis, jaringan syaraf tiruan.

RIWAYAT HIDUP Penulis dilahirkan di Batusangkar pada tanggal 7 September 1985 dari pasangan Bapak Ismed dan Ibu Hamidah. Penulis merupakan anak ke-3 dari 5 bersaudara. Tahun 2004 penulis menyelesaikan pendidikan di SMU 1 Batusangkar. Pada tahun yang sama penulis melanjutkan studi di Institut Pertanian Bogor sebagai civitas akademika S1 Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor.

KATA PENGANTAR Puji dan syukur penulis panjatkan kepada Allah SWT yang telah melimpahkan rahmat dan karunia-Nya sehingga penulis masih bisa menyelesaikan tulisan ini. Tulisan ini merupakan hasil penelitian yang telah dilakukan. Penulis juga tidak lupa mengucapkan terima kasih kepda pihak yang telah membantu sehingga penulisan hasil penelitian ini bisa terselesaikan dengan baik. Di antaranya adalah Bapak Aziz Kustiyo dan Bapak Abdul Muin Adnan selaku pembimbing skripsi. Terima kasih penulis sampaikan juga kepada seluruh keluarga terutama ke pada Ayahanda Ismed dan Ibunda Hamidah yang telah senatiasa mendoakan dan memberikan dukungan selama studi di Institut Pertanian Bogor, kakak penulis Hendri dan Rudi atas masukan dan semangat yang diberikan, serta adik penulis Herman dan Beni atas motivasi yang diberikan dalam mengerjakan penelitian ini. Penulis juga menyampaikan ucapan terima kasih kepada teman-teman satu bimbingan (Ganang dan Restu) yang telah menjadi teman diskusi selama melakukan penelitian, teman-teman ILKOM 41, teman-teman Pondok Angsa, serta pihak lain yang tidak dapat disebutkan satu-persatu. Akhir kata penulis mohon maaf jika dalam penulisan ini masih banyak kekurangannya. Namun penulis berharap semoga tulisan ini dapat bermanfaat bagi yang membacanya.

Bogor, September 2008

Roni Budiman

iv

DAFTAR ISI Halaman DAFTAR TABEL ............................................................................................................................. v DAFTAR GAMBAR ........................................................................................................................ v DAFTAR LAMPIRAN ..................................................................................................................... v PENDAHULUAN............................................................................................................................. 1 Latar Belakang .............................................................................................................................. 1 Tujuan ........................................................................................................................................... 1 Ruang lingkup ............................................................................................................................... 1 Manfaat ......................................................................................................................................... 1 TINJAUAN PUSTAKA .................................................................................................................... 2 Nematoda ...................................................................................................................................... 2 Nematoda puru akar (Meloidogyne spp) ....................................................................................... 2 Representasi Citra Digital ............................................................................................................. 2 Normalisasi Data .......................................................................................................................... 2 Jaringan syaraf Tiruan .................................................................................................................. 3 Jaringan Syaraf Tiruan Propagasi Balik........................................................................................ 4 HASIL DAN PEMBAHASAN ......................................................................................................... 6 Percobaan 1 : PCA dengan proporsi 90% ..................................................................................... 6 Percobaan 2 : PCA dengan proporsi 95% ..................................................................................... 7 Percobaan 3 : PCA dengan proporsi 99% ..................................................................................... 8 Perbandingan ketiga Jenis Percobaan ........................................................................................... 9 KESIMPULAN DAN SARAN ....................................................................................................... 10 Kesimpulan ................................................................................................................................. 10 Saran ........................................................................................................................................... 10 DAFTAR PUSTAKA ..................................................................................................................... 10

v

DAFTAR TABEL Halaman 1 Struktur JST ................................................................................................................................... 6 2 Target Sistem ................................................................................................................................. 6 3 Akurasi maksimum percobaan 1 .................................................................................................... 7 4 Akurasi maksimum percobaan 2 .................................................................................................... 8 5 Akurasi maksimum percobaan 3 .................................................................................................... 9 6 Akurasi maksimum percobaan1, 2, dan 3 ..................................................................................... 9 7 Waktu pelatihan akurasi maksimum tiap percobaan .................................................................... 10

DAFTAR GAMBAR Halaman 1 Morfologi posterior nematoda (Sikora 2005) .............................................................................. 2 2 Model JST sederhana (Fausett 1994) ........................................................................................... 4 3 Model JST propagasi balik (Fausett 1994) ................................................................................... 4 4 Contoh data percobaan ................................................................................................................. 5 5 Tahapan proses pengenalan nematoda ......................................................................................... 5 6 Akurasi PCA 90% dengan toleransi kesalahan 10-2 ..................................................................... 6 7 Akurasi PCA 90% dengan toleransi kesalahan 10-3 ..................................................................... 7 8 Akurasi PCA 90% dengan toleransi kesalahan 10-4 ..................................................................... 7 9 Waktu pelatihan akurasi maksimum pada percobaan 1 ................................................................ 7 10 Akurasi PCA 95% dengan toleransi kesalahan 10-2 ..................................................................... 7 11 Akurasi PCA 95% dengan toleransi kesalahan 10-3 ..................................................................... 8 12 Akurasi PCA 95% dengan toleransi kesalahan 10-4 ..................................................................... 8 13 Waktu pelatihan akurasi maksimum pada percobaan 2 ................................................................ 8 14 Akurasi PCA 99% dengan toleransi kesalahan 10-2 ..................................................................... 8 15 Akurasi PCA 99% dengan toleransi kesalahan 10-3 ..................................................................... 9 16 Akurasi PCA 99% dengan toleransi kesalahan 10-4 ..................................................................... 9 17 Waktu pelatihan akurasi maksimum pada percobaan 3 ................................................................ 9 18 Grafik perbandingan waktu pelatihan pada percobaan............................................................... 10

DAFTAR LAMPIRAN Halaman 1 Algoritma Pelatihan Jaringan Syaraf Tiruan Propagasi Balik .................................................... 12 2 Data Pelatihan ............................................................................................................................ 14 3 Data Uji ...................................................................................................................................... 15 4 Hasil Pelatihan dan pengujian percobaan 1 toleransi kesalahan JST 10-2 .................................. 16 5 Hasil pelatihan dan pengujian percobaan 1 toleransi kesalahan JST 10-3 .................................. 17 6 Hasil pelatihan dan pengujian percobaan 1 toerlansi kesalahan JST 10-4 .................................. 18 7 Hasil pelatihan dan pengujian percobaan 2 toleransi kesalahan JST 10-2 .................................. 19 8 Hasil pelatihan dan pengujian percobaan 2 toleransi kesalahan JST 10-3 .................................. 20 9 Hasil pelatihan dan pengujian percobaan 2 toleransi kesalahan JST 10-4 .................................. 21 10 Hasil pelatihan dan pengujian percobaan 3 toleransi kesalahan JST 10-2 .................................. 22 11 Hasil pelatihan dan pengujian percobaan 3 toleransi kesalahan JST 10-3 .................................. 23 12 Hasil pelatihan dan pengujian percobaan 3 toleransi kesalahan JST 10-4 .................................. 24

PENDAHULUAN Latar Belakang Dalam dunia pertanian hasil identifikasi dan klasifikasi nematoda sebagai salah satu organisme pengganggu tanaman sangat penting manfaatnya. Hasil identifikasi yang akurat akan menunjang penentuan strategi pengendalian nematoda yang akurat juga, karena antar jenis nematoda umumnya memerlukan pengelolaan serta penanggulangan yang berbeda satu sama lainnya. Sebaliknya, kesalahan identifikasi akan menyebabkan timbulnya pemilihan strategi pengendalian yang salah juga, yang akhirnya berakibat pada gagalnya pengendalian. Identifikasi nematoda dapat dilakukan dengan mengamati morfologi dan morfometri tubuhnya, baik terhadap larva maupun betina dewasa. Dalam proses identifikasi nematoda ini sering dijumpai berbagai kendala karena nematoda merupakan hewan yang ukurannya sangat kecil. Identifikasi tidak dapat dilakukan secara langsung, tetapi harus melalui beberapa tahapan, yaitu pengambilan contoh akar/tanah, ekstraksi, isolasi dan fiksasi dalam preparat gelas obyek baru dilakukan pengamatan dengan bantuan mikroskop. Tahapan-tahapan tersebut semuanya harus dilakukan di laboratorium. Identifikasi yang biasa dilakukan, yaitu secara konvensional, memerlukan waktu yang cukup lama dan melelahkan, itupun harus dilakukan oleh personal yang terampil dan berpengalaman. Atas dasar kesulitan-kesulitan tersebut, maka diperlukan adanya suatu metode identifikasi yang lebih praktis yang disertai dengan tingkat akurasi yang tinggi. Dengan banyak berkembangnya model teknologi komputer, bisa dilakukan pengklasifikasian atau identifikasi nematoda dengan pengolahan citra dan Jaringan Syaraf Tiruan (JST). Dalam beberapa penelitian JST mampu melakukan klasifikasi dengan baik, seperti penelitian tentang klasifikasi tingkat kematangan buah melon, klasifikasi jenis tanaman pertanian pada foto udara, serta penelitian lain yang tak kalah pentingnya adalah pengklasifikasian tumbuhan berdasarkan bentuk daun. Penelitian ini tidak jauh berbeda dengan penelitian tentang pengenalan pada manusia. Jika pada manusia yang dikenali adalah wajah ataupun sidik jari maka pada nematoda khususnya Meloidogyne spp. faktor pembeda

cenderung terletak pada tubuh bagian posterior di sekitar ekor. Untuk itu pada penelitian ini menggunakan data berupa citra tubuh bagian ekor dari larva nematoda puru akar (Meloidogyne spp.). Sistem pengenalan citra yang digunakan pada penelitian ini adalah pengenalan yang menggunakan informasi mentah dari piksel citra yang direpresentasikan ke dalam metode Principal Component Analysis (PCA), yang selanjutnya digunakan dalam pelatihan dan pengujian. Tujuan 1 Menerapkan dan menganalisis kinerja JST propagasi balik sebagai teknik pengenalan nematoda puru akar (Meloidogyne spp.). 2 Menerapkan dan menganalisis kemampuan PCA sebagai teknik reduksi data. Ruang lingkup Ruang lingkup penelitian ini adalah : 1 Metode yang digunakan untuk pengenalan adalah jaringan syaraf tiruan propagasi balik. 2 Metode yang digunakan untuk mereduksi dimensi data adalah principal component analysis (PCA). 3 Data yang digunakan dalam penelitian ini berupa citra digital larva instar 2 Meloidogyne spp. yang berskala keabuan dengan ukuran 60 x 60 piksel. 4 Data yang digunakan merupakan citra dengan format JPG, yang bersumber dari www.nematode.unl.edu. 5 Data yang digunakan adalah beberapa spesies Meloidogyne, yaitu : • Meloidogyne graminicola • M. haplanaria • M. hapla • M. chitwoodi • M. mayaguenensis • M. partityla Manfaat Manfaat dari penelitian ini adalah membangun suatu sistem pengenalan nematoda puru akar (Meloidogyne spp.), yang dapat membantu dan mempermudah dalam

2

proses identifikasi (Meloidogyne spp.).

nematoda

puru

akar

nematoda. Gambar 1 memperlihatkan struktur morfologi bagian posterior nematoda.

TINJAUAN PUSTAKA Nematoda Nematoda adalah invertebrata multiseluler mirip cacing yang bisa hidup di lingkungan air tawar, air laut, serta dalam tanah. Beberapa jenis nematoda ada yang mengalami perubahan bentuk menjadi bulat dan berbentuk spiral. Nematoda memiliki lebih dari satu juta spesies, yang umumnya terdapat di dalam tanah di seluruh permukaan bumi. Dari satu juta spesies ini ada yang menguntungkan dan ada pula yang merugikan bagi makhluk lainnya. Nematoda yang menguntungkan di antaranya adalah : • Nematoda parasit serangga yang dapat menekan populasi serangga hama • Nematoda predator terhadap nematoda parasit tumbuhan • Nematoda sporofitik sebagai pengurai Sementara itu tidak sedikit nematoda yang merugikan bagi tumbuhan. Makhluk ini biasanya sebagai parasit pada tumbuhan. Akibat yang ditimbulkan oleh nematoda ini adalah tumbuhan menjadi kurang sehat, bahkan pada kondisi terburuk tanaman bisa mati karena kekurangan suplai air dan hara. Gejala yang terlihat pada tanaman terserang nematoda adalah : • Tanaman tidak pemupukan

responsif

terhadap

• Pemulihan yang lambat dari kelayuan walaupun suplai air cukup • Kerusakan pada akar Untuk menanggulangi masalah yang ditimbulkan nematoda ini tentu diperlukan tindakan yang tepat. Langkah yang paling tepat dilakukan adalah dengan melakukan pengendalian terhadap nematoda perusak ini. Namun harus dipertimbangkan juga bahwa di dalam tanah terdapat beribu spesies nematoda, dan di antaranya tentu ada yang menguntungkan. Untuk itu perlu identifikasi terhadap nematoda tersebut sebelum dilakukan tindakan pengendalian, agar strategi penanggulangan tidak salah. Proses identifikasi biasanya dilakukan dengan pengamatan terhadap struktur morfologi dan morfometri dari tubuh

Gambar 1 Morfologi posterior nematoda (Sikora 2005). Nematoda puru akar (Meloidogyne spp) Nematoda puru akar (Meloidogyne spp) merupakan nematoda parasit tumbuhan yang penting di dunia, mempunyai kisaran inang yang sangat luas karena mampu menginfeksi lebih dari 2000 spesies tanaman. Ciri – ciri dari nematoda genus ini adalah: • Bentuknya bervariasi stadiumnya

sesuai

dengan

• Larva instar 2 berbentuk seperti cacing • Larva 3, 4 berbentuk seperti botol • Dewasa jantan berbentuk cacing dan betina berbentuk buah pir Representasi Citra Digital Citra digital adalah citra yang tersimpan dalam media digital seperti disket, harddisk. Citra digital merupakan fungsi intensitas cahaya dua dimensi f(x,y), x dan y menunjukkan koordinat spasial, dan nilai f pada setiap titik (x,y) adalah kecerahan citra pada titik tersebut (Gonzales & Woods, 2002). f ( x, y ) =

f (0, 0) f (1,0)

f (0,1) f (1,1)

f (0, N − 1) f (1, N − 1)

f ( M − 1,0)

f ( M − 1,1)

f ( M − 1, N − 1)

Representasi citra digital dapat berupa citra dalam skala keabuan (gray scale) dengan format 8-bit dan citra berwarna format 24-bit. Citra dalam skala keabuan memiliki 256 tingkat keabuan atau intensitas warna. Nilai tersebut berkisar antara 0 sampai dengan 255. Nilai 0 menunjukkan tingkat yang paling gelap sedangkan nilai 255 menunjukkan tingkat warna yang paling putih . Normalisasi Data Sebelum melakukan proses pelatihan, seringkali sangat bermanfaat jika kita menskalakan input dan target sehingga input

3

dan target ini selalu berada dalam rentang tertentu (Bhisop, 1995). Salah satu pendekatan yang digunakan dalam penskalaan input dan target suatu jaringan adalah dengan menormalisasi rataan dan standar deviasi dari data pelatihan. Normalisasi dapat dilakukan dengan cara mengurangi nilai setiap piksel dengan rataan kemudian dibagi standar deviasinya.

rataan = stdev =

1 n 1 n

n i =1 n i =1

( pixeli )

Principal Component Analysis (PCA) PCA adalah suatu teknik multivariate yang mentransformasikan sejumlah peubah yang saling berkorelasi menjadi sekumpulan peubah yang tidak berkorelasi (Jackson 1991). Tujuan metode PCA adalah untuk menentukan faktor-faktor yang menunjukkan seluruh kemungkinan variasi pada keseluruhan data melalui sebagian kecil faktor-faktor dari keseluruhan data (Achelia 2005). Teknik ini mereduksi dimensi himpunan peubah yang biasanya terdiri atas peubah yang banyak dan saling berkolerasi menjadi peubah baru yang tidak berkolerasi dengan mempertahankan sebanyak mungkin keragaman dalam himpunan data tersebut serta menghilangkan peubah-peubah asal yang mempunyai sumbangan informasi yang relatif kecil. PCA merupakan proses awal pada citra yang akan digunakan pada penelitian ini. Pemrosesan awal ini dilakukan bertujuan untuk mempercepat kinerja sistem. Langkah awal yang kita lakukan pada praproses PCA ini adalah menormalisasi citra input X. Dari matrik X ini selanjutnya dihitung matrik kovarian S dengan menggunakan persamaan :

( x − µ )( x − µ ) n

n

s1 p s2 p

s1 p

s2 p

s 2p

Dengan didapatkannya matrik kovarian ini maka langkah selanjutnya adalah menentukan vektor eigen (v), nilai eigen (b) serta proporsi yang akan digunakan dalam PCA. Vektor eigen dan nilai eigen dicari dengan menggunakan persamaan ciri : Sv = bv

Hasil dari normalisasi ini adalah suatu data dengan nilai rataan nol dan standar deviasi sama dengan satu.

n

s12 s22

| S – bI | = 0

( pixeli − rataan )2

pixel _ normali = ( pixeli − rataan) / stdev

1 S= n −1

S=

s12 s12

T

Sehingga didapat nilai eigen yang terurut dari yang besar ke yang kecil. Penentuan proporsi dari nilai yang diambil dapat dihitung dengan cara menggunakan m vektor eigen yang bersesuaian dengan m nilai eigen terbaik sesuai dengan persamaan berikut: m

proporsi =

i =1

bi

p i =1

bi

Proporsi ini berguna untuk menentukan besarnya komponen utama yang digunakan. Komponen utama ini nantinya akan digunakan sebagai masukan ke dalam JST. Jaringan Syaraf Tiruan Jaringan syaraf tiruan (JST) adalah sebuah sistem pemrosesan informasi yang mempunyai karakteristik serupa dengan jaringan syaraf biologis (Fausett 1994). Jaringan saraf tiruan dapat digunakan sebagai alat untuk memodelkan hubungan yang kompleks antara masukan (input) dan keluaran (output) pada sebuah sistem untuk menemukan pola-pola pada data. Metode ini menggunakan elemen perhitungan nonlinear dasar yang disebut neuron yang diorganisasikan sebagai jaringan yang saling berhubungan, sehingga mirip dengan jaringan syaraf manusia. Jaringan syaraf tiruan dicirikan oleh beberapa hal (Fausett 1994) : 1 Pola hubungan sederhana antara elemenelemen (neuron) 2 Metode penentuan bobot

4

3 Fungsi aktivasi yang akan menentukan sinyal output terhadap input yang diberikan

Gambar 2 Model JST sederhana(Fausett 1994). Pada Gambar 2 neuron x menerima input dari neuron I1,.. .., In. Bobot pada hubungan dari I1,.. .., In ke neuron x adalah W1,.. ., Wn. Sedangkan input ke neuron x adalah : N

x=.

Wj Ij j =1

• Fungsi Sigmoid biner 1 1 + e −α

Dengan turunan :

f ' ( x ) = f ( x )[1 − f ( x )] • Fungsi Sigmoid bipolar 1 − e −α f (x) = 1 + e −α

Dengan turunan :

f ' ( x) =

Model JST propagasi balik dengan arsitektur satu hidden layer dapat dilihat pada Gambar 3. Pada pelatihan JST propagasi balik terdapat 3 tahapan, yaitu (Fausett 1994) : • Feedforward

Nilai aktivasi neuron x ditentukan oleh fungsi aktivasi input yang diterimanya. Fungsi aktivasi yang umum digunakan jaringan syaraf tiruan adalah:

f (x) =

Gambar 3 Model JST propagasi balik (Fausett 1994).

(1 + f ( x))(1 − f ( x)) 2

Jaringan Syaraf Tiruan Propagasi Balik Propagasi balik merupakan Algoritme pembelajaran yang sifatnya terawasi (supervised learning), biasanya digunakan oleh jaringan multilayer untuk mengubah bobot. Karakteristik jaringan propagasi balik adalah sebagai berikut : • Jaringan multilayer • Fungsi aktivasi yang umumnya dipakai pada jaringan propagasi balik ini adalah fungsi sigmoid biner dan fungsi sigmoid bipolar.

Pada tahap ini, sinyal masukan (xi) dipropagasikan ke hidden layer menggunakan fungsi aktivasi yang telah ditentukan. Keluaran dari hidden layer ini (zj) dipropagasikan maju lagi ke layer selanjutnya dengan menggunakan fungsi aktivasi yang telah ditentukan, hingga menghasilkan keluaran jaringan (yk). Selanjutnya keluaran ini dibandingkan dengan target (tk) yang harus dicapai. Selisih keluaran jaringan dan target merupakan kesalahan yang terjadi. • Propagasi balik galat Berdasarkan error atau kesalahan yang terjadi pada tahap pertama, maka dihitung faktor k (k = 1,2,...,m). k digunakan untuk mendistribusikan kesalahan unit keluaran (yk) ke semua unit pada hidden layer yang terkoneksi dengan yk. k juga digunakan untuk memperbaharui bobot antara keluaran dan hidden layer. Dengan cara yang sama, dihitung faktor j di setiap unit pada hidden layer sebagai dasar perubahan bobot antara hidden layer dan unit masukan. • Penyesuaian bobot-bobot jaringan Setelah semua faktor dihitung, bobot pada semua lapisan dimodifikasi secara bersamaan. Inisialisasi bobot dapat dilakukan dengan inisialisasi Nguyen-Widrow. Inisialisasi ini lebih mempercepat proses pelatihan (Fauset, 1994).

5

Inisialisasi Nguyen-Widrow didefinisikan sebagai berikut: v ij ( baru ) =

β v ij ( lama ) v j ( lama )

=

β v ij ( lama ) p i =1

2

v ij ( lama )

vij(lama) adalah nilai acak antara -0.5 dan 0.5 sedangkan bobot pada bias bernilai antara – dan . n = jumlah neuron input

β = 0.7 n p

p = jumlah neuron hidden = faktor pengali

METODE PENELITIAN Data Data yang digunakan adalah citra 6 spesies Meloidogyne bagian posterior di sekitar ekor, dengan skala keabuan. Citra yang digunakan berukuran 60 x 60 piksel yang http://nematode.unl.edu/. diperoleh dari Contoh citra Meloidogyne yang digunakan dapat dilihat pada Gambar 4.

Selanjutnya kedua matrik data ini dinormalisasi, dan dari matrik data pelatihan ini selanjutnya akan dilakukan ekstraksi ciri dengan menggunakan metode PCA. Proses ini bertujuan untuk mereduksi dimensi input yang nantinya akan menjadi masukan pada JST. Pada proses PCA ini ditentukan proporsi yang akan digunakan. Pada penelitian ini melakukan 3 kali percobaan dengan proporsi yang berbeda yaitu : 90%, 95%, dan 99%. Hasil dari PCA ini nantinya berupa vektor ciri, yang selanjutnya akan digunakan untuk memproyeksikan data latih dan data uji. Dari hasil proyeksi terhadap citra latih akan didapat matrik latih yang berdimensi lebih kecil dan selanjutnya matrik ini akan digunakan dalam pelatihan JST, sehingga menghasilkan suatu model JST yang ingin dicari. Sementara itu hasil proyeksi terhadap citra uji akan digunakan dalam proses pengujian. Hal terakhir yang dilakukan dalam penelitian ini adalah menghitung akurasi atau tingkat keakuratan sistem. Proses dari pengenalan nematoda ini dapat dilihat pada Gambar 5.

Gambar 4 Contoh data percobaan. Citra Meloidogyne yang digunakan pada penelitian ini berjumlah 36 citra berasal dari 6 spesies Meloidogyne berbeda. Citra ini dibagi 2 menjadi 24 citra digunakan untuk data latih dan 12 untuk data uji. Proses Pengenalan Nematoda Proses pengenalan nematoda ini dimulai dari pembagian data Meloidogyne menjadi 2 kelompok yaitu data pelatihan dan data uji. Kedua kelompok data ini selanjutnya direpresentasikan kedalam bentuk matrik, sehingga nantinya dihasilkan 2 kelompok matrik yang merepresentasikan data uji dan data latih. Kedua kelompok matrik ini berukuran cukup besar, sehingga dibutuhkan metode praproses PCA untuk mereduksi dimensi matrik menjadi lebih kecil.

Gambar 5 Tahapan proses pengenalan. Struktur JST Identifikasi nematoda dilakukan menggunakan JST dengan metode pelatihan propagasi balik. Struktur JST yang digunakan dapat dilihat pada Tabel 1.

6

Karakteristik • Arsitektur Input neuron Hidden neuron Output neuron • Inisialisasi bobot • Fungsi aktivasi • Toleransi galat • Laju pembelajaran

Spesifikasi 1 hidden layer Dimensi PCA 90%, 95%, dan 99% 10, 20, 30, 40,50, 60, 70, 80, 90, dan 100 Banyaknya kelas target Nguyen-Widrow Sigmoid bipolar, Sigmoid biner 10-2, 10-3, dan 10-4 10-1

Kelas target pada penelitian ini berjumlah 6 dan setiap target mewakili satu spesies dari nematoda yang direpresentasikan dengan nilai 0 dan 1. Target JST pada penelitian ini dapat dilihat pada Tabel 2. Tabel 2 Target Sistem Kelas Graminicola Haplanaria Mayaguenensis Partitylia Chitwoodi Hapla

Target 100000 010000 001000 000100 000010 000001

menggunakan JST dengan toleransi kesalahan 10-2, 10-3, dan 10-4. dan dengan hidden neuron 10,20,...,100. Percobaan 1 : PCA dengan proporsi 90% Percobaan dengan menggunakan PCA proporsi 90% ini menghasilkan komponen utama yang berdimensi 13. Komponen utama inilah nantinya yang akan digunakan sebagai masukan pada JST. Pencarian parameter optimal pada sistem ini dilakukan dengan cara melakukan percobaan dengan mengganti nilai toleransi kesalahan pada JST. Toleransi kesalahan yang pertama kali digunakan adalah 10-2. Toleransi kesalahan ini digunakan pada hidden neuron 10, 20, 30, ..., 100. Dari kombinasi percobaan ini didapatkan hasil akurasi maksimum pada saat hidden neuron 50 dengan akurasi 75.00%, sedangkan akurasi minimum terjadi pada hidden neuron 10 dengan akurasi sebesar 33.80%. Hasil lengkap akurasi percobaan 1 dengan menggunakan toleransi kesalahan 10-2 disajikan pada Gambar 6. 80.00% 70.00% 60.00% Generalisasi

Tabel 1 Struktur JST

50.00% 40.00% 30.00% 20.00% 10.00% 0.00% 10

Parameter Percobaan Pengujian sistem dapat dilakukan dengan menghitung akurasi. Akurasi adalah jumlah data yang berhasil dikenali oleh JST. Persamaan Akurasi diberikan sebagai berikut : jumlah pengenalan yang benar Akurasi = × 100 % jumlah seluruhnya

Lingkungan Pengembangan Sistem ini diimplementasikan dengan software Matlab 701 pada sistem operasi Windows XP. Perangkat keras yang digunakan adalah komputer AMD Athlon 64 2.01 GHz, RAM sebesar 896 Mb, dan kapasitas hardisk 80 GB. HASIL DAN PEMBAHASAN Penelitian ini terdiri dari 3 percobaan yaitu percobaan dengan praproses PCA proporsi 90%, 95%, dan 99%. Pada setiap percobaan

20

30

40

50

60

70

80

90

100

Hidden Neuron

Gambar

6 Akurasi PCA 90% dengan toleransi kesalahan 10-2.

Toleransi kesalahan kemudian diturunkan menjadi 10-3. Pada percobaan ini didapatkan hasil yang tidak jauh berbeda dengan yang sebelumnya. Akurasi maksimum sama dengan yang sebelumnya namun pada percobaan dengan menggunakan toleransi kesalahan 10-3 ini akurasi maksimum pada saat hidden neuron 60. Sementara itu akurasi minimum adalah sebesar 58.30%, terjadi pada hidden neuron 20, 40, 50, dan 70. Hasil percobaan ini disajikan pada Gambar 7

80.00%

6

70.00%

5

60.00%

4 Waktu

Generalisasi

7

50.00% 40.00% 30.00%

3 2 1

20.00%

0

10.00%

0.0001

0.00% 10

20

30

40

50

60

70

80

90

0.001

0.01

Toleransi Kesalahan

100

Hidden Neuron

Gambar 7 Akurasi PCA 90% dengan toleransi kesalahan 10-3. Selanjutnya toleransi kesalahan diturunkan lagi menjadi 10-4, sehingga didapatkan hasil akurasi seperti yang terlihat pada Gambar 8. 80.00% 70.00%

50.00%

Pada gambar 9 terlihat bahwa pada percobaan 1 ini waktu terbaik untuk pelatihan JST terjadi pada saat menggunakan toleransi kesalahan 10-2. Dengan ini dapat disimpulkan bahwa pada percobaan 1, JST optimal terjadi pada hidden neuron 50 dan toleransi kesalahan 10-2 dengan tingkat akurasi sebesar 75.00% dan waktu pelatihan 1.094 detik. Percobaan 2 : PCA dengan proporsi 95%

40.00% 30.00% 20.00% 10.00% 0.00% 10

20

30

40

50

60

70

80

90

100

Hidden Neuron

Gambar 8 Akurasi PCA 90% dengan toleransi kesalahan 10-4. Pada Gambar 8 dapat dilihat bahwa tingkat akurasi mulai stabil pada angka 66.70%, sedangkan tingkat akurasi maksimum pada percobaan ini tidak berbeda dengan percobanpercobaan sebelumnya yaitu sebesar 75.00% terjadi pada hidden neuron 20. Perbandingan nilai akurasi maksimum tiap percobaan diatas dapat dilihat pada Tabel 3. Pada Tabel 3 terlihat bahwa perubahan toleransi kesalahan tidak mempengaruhi tingkat akurasi. Tabel 3 Akurasi maksimum percobaan 1 Toleransi kesalahan 10-2 10-3 10-4

Akurasi 75.00% 75.00% 75.00%

Hidden Neuron 50 60 20

Perbandingan waktu pelatihan untuk tiap akurasi maksimum pada percobaan 1 disajikan pada Gambar 9.

Percobaan menggunakan PCA proporsi 95% menghasilkan komponen utama yang berdimensi 16. Komponen utama ini yang nantinya menjadi masukan dalam JST. Pada percobaan 2 ini sama dengan percobaan 1 dilakukan 3 jenis kombinasi percobaan, yaitu percobaan dengan mengganti nilai toleransi kesalahan yang dikombinasikan dengan hidden neuron 10,20,30,...,100. Pada percobaan dengan menggunakan toleransi kesalahan 10-2 dihasilkan akurasi maksimum sebesar 75.00% pada hidden neuron 50,70, dan 90. Sementara itu untuk akurasi minimum adalah 33.3% pada hidden neuron 60 (Gambar 10). 80.00% 70.00% 60.00% Generalisasi

Generalisasi

60.00%

Gambar 9 Waktu pelatihan akurasi maksimum pada percobaan 1.

50.00% 40.00% 30.00% 20.00% 10.00% 0.00% 10

20

30

40

50

60

70

80

90

100

Hidden Neuron

Gambar 10 Akurasi PCA 95% dengan toleransi kesalahan 10-2. Percobaan selanjutnya adalah dengan menurunkan toleransi kesalahan menjadi 10-3. Dari kombinasi percobaan ini dihasilkan akurasi maksimum 75.00% pada hidden neuron 20 dan 90. Akurasi minimum pada

8

percobaan ini adalah 50.00% terjadi pada hidden neuron 40 dan 60 (Gambar 11).

2 Waktu

80.00%

2.5

70.00%

Generalisasi

60.00%

1.5 1

50.00%

0.5

40.00%

0 0.0001

30.00%

0.001

20.00%

0.01

Toleransi Kesalahan

10.00% 0.00% 10

20

30

40

50

60

70

80

90

100

Hidden Neuron

Gambar 11 Akurasi PCA 95% dengan toleransi kesalahan 10-3. Selanjutnya dengan menggunakan toleransi kesalahan 10-4 juga didapatkan akurasi maksimum yang sama yaitu sebesar 75.00%, pada hidden neuron 10 dan 60 (Gambar 12).

13

Waktu pelatihan akurasi maksimum pada percobaan 2.

Dari percobaan 2 ini dapat disimpulkan bahwa JST optimal pada saat kombinasi percobaan menggunakan toleransi kesalahan 10-2 dan hidden neuron 50 karena menghasilkan akurasi terbesar dan waktu pelatihan terkecil. Percobaan 3 : PCA dengan proporsi 99% Pada percobaan 3 diberlakukan praproses dengan PCA proporsi 99%. Dari praproses ini didapatkan suatu komponen utama yang berdimensi 21.

70% 60% 50% 40% 30% 20% 10% 0% 10

20

30

40

50

60

70

80

90

100

Hidden Neuron

Gambar 12 Akurasi PCA 95% dengan toleransi kesalahan 10-4. Perbandingan nilai akurasi maksimum tiap kombinasi percobaan 2 dapat dilihat pada Tabel 4. Pada Tabel 4 tanpak bahwa perubahan toleransi kesalahan tidak mempengaruhi tingkat akurasi maksimum, dan akurasi maksimum pada percobaan 2 ini adalah 75.00%. Tabel 4 Akurasi maksimum percobaan 2 Toleransi kesalahan 10-2 10-3 10-4

Akurasi 75.00% 75.00% 75.00%

Hidden Neuron 50, 70, 90 20, 90 10, 60

Perbandingan waktu pelatihan terbaik untuk akurasi maksimum pada percobaan 2 dapat dilihat pada Gambar 13. Waktu pelatihan terbaik (minimum) terjadi pada percobaan dengan menggunakan toleransi kesalahan 10-2 dan hidden nuron 50 yaitu sebesar 1.36 detik.

Pada percobaan dengan toleransi 10-2 didapatkan akurasi maksimum 83.30% pada hidden neuron 60. Sementara itu akurasi minimum 66.70%. Terdapat peningkatan akurasi maksimum pada percobaan ini dibandingkan dengan 2 percobaan sebelumnya. Hasil lengkap percobaan ini dapat dilihat pada Gambar 14. 90.00% 80.00% 70.00% Genralisasi

80%

Generalisasi

Gambar

60.00% 50.00% 40.00% 30.00% 20.00% 10.00% 0.00% 10

20

30

40

50

60

70

80

90

100

Hidden Neuron

Gambar 14 Akurasi PCA 99% dengan toleransi kesalahan 10-2. Selanjutnya dengan menggunakan toleransi kesalahan 10-3 didapatkan akurasi maksimum yang sama dengan kombinasi percobaan sebelumnya yaitu 83.30% pada hidden neuron 10 dan 80. Pada Gambar 15 terlihat bahwa akurasi stabil pada angka 75% mulai dari hidden neuron 20 sampai dengan 60, serta hidden neuron 90, 100.

1.2

90.00% 80.00% 70.00% 60.00% 50.00% 40.00% 30.00% 20.00% 10.00% 0.00%

1 Waktu

Generalisasi

9

0.8 0.6 0.4 0.2 0

10

20

30

40

50

60

70

80

90

0.0001

100

Hidden Neuron

Gambar 15 Akurasi PCA 99% dengan toleransi kesalahan 10-3. Kombinasi percobaan terakhir adalah dengan menggunakan toleransi kesalahan 10-4, dihasilkan akurasi maksimum 83.30% pada hidden neuron 30, 40, 50, 70, dan 100. Akurasi minimum pada percobaan ini terjadi pada hidden neuron 10 dan 90 (Gambar 16). 90.00% 80.00%

Generalisasi

70.00% 60.00% 50.00% 40.00% 30.00% 20.00% 10.00% 0.00% 10

20

30

40

50

60

70

80

90

100

Hidden Neuron

Gambar 16 Akurasi PCA 99% dengan toleransi kesalahan 10-4. Perbandingan nilai akurasi terbaik tiap percobaan diatas dapat dilihat pada Tabel 5. Tabel 5 Akurasi terbaik percobaan 3 Toleransi kesalahan 10-2 10-3 10-4

Akurasi 83.30% 83.30% 83.30%

Hidden Neuron 60 10, 80 30, 40, 50, 70, dan 100

Perbandingan waktu pelatihan untuk akurasi maksimum pada percobaan 3 disajikan pada Gambar 17. Disini terlihat bahwa waktu terbaik pelatihan terjadi pada percobaan dengan menggunakan toleransi kesalahan 10-2 dengan waktu pelatihan 0.641 detik.

0.001

0.01

Toleransi Kesalahan

Gambar

17

Waktu pelatihan akurasi maksimum pada percobaan 3.

Pada percobaan 3 ini dapat disimpulkan bahwa JST optimal terjadi pada percobaan menggunakan toleransi kesalahan 10-2 dan hidden neuron 60. Perbandingan ketiga Jenis Percobaan Dari tiga jenis percobaan yang telah dilakukan secara garis besar terlihat bahwa akurasi optimum tercapai pada saat praproses menggunakan PCA dengan proporsi 99%. Hal ini menunjukkan bahwa dengan semakin besar komponen utama menunjukkan informasi yang dibawa lebih banyak dan akan lebih memudahkan JST dalam melakukan pengenalan. Namun disini juga harus perhatikan bahwa pada percobaan 1 dan 2 tidak begitu memperlihatkan akurasi yang berbeda. Hal ini disebabkan oleh informasi hasil PCA pada percobaan 1 dan 2 tidak terlalu berbeda. Hal lain yang harus diperhatikan pada penelitian ini bahwa dengan meningkatkan proporsi dari PCA tidak menyebabkan waktu pelatihan menjadi semakin lama. Perbandingan akurasi percobaan dengan proporsi PCA 90%, 95%, dan 99% dapat dilihat pada Tabel 6. Pada tabel ini dapat dilihat bahwa perubahan toleransi kesalahan JST tidak mempengaruhi akurasi maksimum dari setiap percobaan. Tabel 6 Akurasi maksimum percobaan 1, 2, dan 3 Toleransi kesalahan 10-2 10-3 10-4

Proporsi PCA 90% 95% 99% 75.00% 75.00% 83.30% 75.00% 75.00% 83.30% 75.00% 75.00% 83.30%

Pada Tabel 7 dapat dilihat bahwa waktu pelatihan terbaik terjadi pada percobaan dengan proporsi PCA 99% dan menggunakan toleransi kesalahan 10-2, sedangkan pelatihan terlama terjadi pada percobaan dengan

10

proporsi PCA 90% dan toleransi kesalahan 10-4.

menggunakan

Tabel 7 Waktu pelatihan akurasi maksimum tiap percobaan Toleransi kesalahan 10-2 10-3 10-4

90% 1.094 1.328 5.203

Proporsi PCA 95% 1.360 2.203 1.859

99% 0.641 1.047 0.797

Grafik perbandingan waktu tiap percobaan disajikan pada Gambar 18. Dari grafik terlihat waktu pelatihan terkecil terjadi pada percobaan dengan proporsi PCA 99%. Dan pada setiap percobaan juga terlihat bahwa waktu terbaik (minimum) terjadi pada saat percobaan menggunakan toleransi kesalahan 10-2.

6

Waktu

5 4

0.01

3

0.001

2

0.0001

1 0 90%

95%

99%

Proporsi PCA

Gambar

18 Grafik perbandingan waktu pelatihan pada percobaan.

KESIMPULAN DAN SARAN Kesimpulan Berdasarkan penelitian yang dilakukan dapat disimpulkan bahwa : 1 Jaringan Syaraf Tiruan merupakan metode yang dapat digunakan untuk pengenalan nematoda puru akar (Meloidogyne spp.). 2 Proses pengenalan nematoda puru akar (Meloidogyne spp) dengan menggunakan praproses PCA proporsi 99% memberikan hasil akurasi yang lebih baik dibandingkan dengan PCA 90% dan 95%. 3 JST optimal pada saat masukan menggunakan PCA proporsi 99%, toleransi kesalahan yang digunakan pada JST 10-2, dan pada hidden neuron 60 dengan akurasi sebesar 88.30%. 4 Waktu pelatihan JST cenderung meningkat ketika toleransi kesalahan kecil.

Saran Penelitian ini dapat dikembangkan menjadi lebih baik jika menggunakan citra nematoda puru akar dengan arah pengenalan ekor yang sama. DAFTAR PUSTAKA Achelia, E. 2005. Pengenalan Wajah dalam Berbagai Sudut Pandang Terkelompok Menggunakan Jaringan Syaraf Tiruan Propagasi balik [skripsi]. Bogor: Depertemen Ilmu Komputer, FMIPA, IPB. Bhisop, C. M. 1995. Neural Networks for Pattern Recognition. Brimingham, Clarendon Press. Fauset L. 1994. Fundamentals of Neural Network : Architectures, Algorithms, and Applications. New Jersey, Printice-Hill. Gonzales, R. C. & R.E. Woods. 2002. Digital Image Processing. 2nd Edition. New Jersey: Prentice-Hall. Jackson, J. E. 1991. A User's Guide to Principal Components, John Wiley and Sons, Inc. Sikora R A dan Bridge J. 2005. Plant Parasitic Nematode in subtropical and tropical agriculture. Second edition. London.CABI.

11

LAMPIRAN

12

Lampiran 1 Algoritma Pelatihan Jaringan Syaraf Tiruan Propagasi Balik Langkah 0 : Inisialisasi nilai bobot. Langkah 1 : Selama kondisi berhenti masih tidak terpenuhi, laksanakan langkah 2 sampai 9. Langkah 2 : Untuk tiap pasangan pelatihan, kerjakan langkah 3 sampai 8. Langkah 3 : Tiap unit input (Xi, i=1,…,n) menerima sinyal input xi dan menyebarkan keseluruh unit pada lapis tersembunyi.

sinyal

itu

Langkah 4 : Untuk tiap unit tersembunyi (Zj, j=1,…,p) dihitung nilai input dengan menggunakan nilai bobotnya :

z _ in

= υ0 j +

j

n

x i υ ij

i=1

Kemudian dihitung nilai output dengan menggunakan fungsi aktivasi yang dipilih : zj = f ( z_inj ) Hasil fungsi tersebut dikirim ke semua unit pada lapis berikutnya yaitu lapis output. Langkah 5 : Untuk tiap unit output (Yk, k=1,..,m), dihitung nilai input dengan nilai bobot-nya :

menggunakan

p

y _ in k = w 0 k +

j =1

z j w jk

Kemudian dihitung nilai output dengan menggunakan fungsi aktivasi :

y

k

= f ( y _ in

)

k

Langkah 6 :Untuk tiap unit output (Yk,k=1,..,m) menerima pola target yang bersesuaian dengan pola input, lalu dihitung informasi kesalahan :

δk = (tk − yk ) f ' (y_ink ) Kemudian dihitung koreksi nilai bobot yang akan digunakan untuk mengoreksi nilai bobot wjk. :

∆w

= αδk z

jk

j

Hitung koreksi nilai bias yang akan digunakan untuk mengoreksi nilai wok :

∆w

0k

= αδ

k

kemudian nilai dikirim ke unit pada lapis sebelumnya. Langkah 7 : Untuk tiap unit tersembunyi (Zj, j=1,…,p) dihitung delta input yang berasal dari unit pada lapis output :

δ _ in

j

=

m k =1

δkw

jk

Kemudian nilai tersebut dikalikan dengan nilai turunan dari fungsi aktivasi untuk menghitung informasi kesalahan :

δ j = δ _ in j f ' ( z _ in j )

13

Lampiran 1 lanjutan Hitung koreksi nilai bobot yang kemudian digunakan untuk mem-perbaharui nilai :

∆ υ ij = α δ j x i dan hitung nilai koreksi bias yang kemudian digunakan untuk memperbaharui :

∆υ

oj

= αδ

j

Langkah 8 : Tiap nilai bias dan bobot (j=0,…,p) pada unit output (Yk, k=1,…,m) dan unit tersembunyi diperbaharui :

w jk (new) = w jk (old ) + ∆w jk υ ij ( n e w ) = υ ij ( o ld ) + ∆ υ ij Langkah 9 : Menguji apakah kondisi berhenti sudah terpenuhi. Kondisi berhenti ini terpenuhi jika: •

Nilai kesalahan lebih kecil dari nilai kesalahan referensi.

•

Epoch maksimal telah tercapai.

14

Lampiran 2 Data Pelatihan

Meloidoogyne Graminicola

M. haplanaria

M. mayaguenensis

M. Partityla

M. chitwoodi

M. hapla

15

Lampiran 3 Data Uji

Meloidogyne graminicola

M. haplanaria

M. mayaguenensis

M. partityla

M. chitwoodi

M. hapla

16

Lampiran 4 Hasil Pelatihan dan pengujian percobaan 1 toleransi kesalahan JST 10-2 Hidden neuron 10 20 30 40 50 60 70 80 90 100

Ulangan 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3

Epoch 3000 3000 2080 2274 632 185 372 341 235 242 194 827 205 635 198 332 112 133 139 748 594 335 109 180 113 28 55 95 278 23

Waktu latih 6.719 7.141 4.516 4.844 1.875 0.578 1.156 1.297 0.781 1.141 0.7190 2.26 1.094 1.891 0.719 1.156 0.625 0.906 0.922 2.672 1.969 1.625 0.625 0.875 0.938 0.344 0.407 0.906 12.66 0.359

Akurasi 4/12 33.3% 4/12 33.3% 4/12 33.3% 8/12 66.7% 8/12 66.7% 6/12 50.0% 5/12 41.7% 7/12 58.3% 5/12 41.7% 8/12 66.7% 6/12 50.0% 7/12 58.3% 9/12 75.0% 6/12 50.0% 7/12 58.3% 8/12 66.7% 7/12 58.3% 8/12 66.7% 7/12 58.3% 7/12 58.3% 7/12 58.3% 8/12 66.7% 6/12 50.0% 5/12 41.7% 7/12 58.3% 7/12 58.3% 7/12 58.3% 8/12 66.7% 8/12 66.7% 8/12 66.7%

17

Lampiran 5 Hasil pelatihan dan pengujian percobaan 1 toleransi kesalahan JST 10-3 Hidden neuron 10 20 30 40 50 60 70 80 90 100

Ulangan 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3

Epoch 3000 3000 3000 1820 741 394 628 423 363 946 319 2294 210 174 181 277 148 414 307 406 608 231 140 205 190 62 91 98 300 89

Waktu latih 6.36 7.36 6.953 4.937 1.797 1.297 2.219 1.531 1.203 2.937 1.203 6.14 2.094 0.766 0.969 1.328 0.891 1.594 1.422 1.656 2.218 1.406 0.89 1.11 1.125 0.641 0.719 0.734 1.437 0.703

4/12 5/12 8/12 7/12 5/12 6/12 8/12 7/12 7/12 7/12 4/12 7/12 7/12 7/12 6/12 9/12 6/12 8/12 7/12 6/12 7/12 8/12 6/12 6/12 8/12 8/12 7/12 8/12 8/12 8/12

Akurasi 33.3% 41.7% 66.7% 58.3% 41.7% 50.0% 66.7% 58.3% 58.3% 58.3% 33.3% 58.3% 58.3% 58.3% 50.0% 75.0% 50.0% 66.7% 58.3% 50.0% 58.3% 66.7% 50.0% 50.0% 66.7% 66.7% 58.3% 66.7% 66.7% 66.7%

18

Lampiran 6 Hasil pelatihan dan pengujian percobaan 1 toerlansi kesalahan JST 10-4 Hidden neuron 10 20 30 40 50 60 70 80 90 100

Ulangan 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3

Epoch 3000 3000 3000 2100 1405 921 1165 638 709 2309 444 320 321 371 435 384 236 516 153 451 646 168 232 264 232 117 434 124 362 204

Waktu latih 7.687 6.766 7.234 5.203 3.141 2.578 13.265 2.25 2.39 6.672 1.641 1.359 1.625 1.219 2.266 1.843 1.125 2.437 1.094 1.969 2.468 1.546 1.328 1.157 1.328 0.703 1.813 0.969 1.672 1.016

5/12 8/12 4/12 9/12 7/12 5/12 8/12 8/12 7/12 7/12 6/12 8/12 8/12 8/12 8/12 8/12 7/12 7/12 8/12 8/12 8/12 8/12 6/12 6/12 7/12 7/12 7/12 7/12 7/12 7/12

Akurasi 41.7% 66.7% 33.3% 75.0% 58.3% 41.7% 66.7% 66.7% 58.3% 58.3% 50.0% 66.7% 66.7% 66.7% 66.7% 66.7% 58.3% 58.3% 66.7% 66.7% 66.7% 66.7% 50.0% 50.0% 58.3% 58.3% 58.3% 58.3% 58.3% 58.3%

19

Lampiran 7 Hasil pelatihan dan pengujian percobaan 2 toleransi kesalahan JST 10-2 Hidden neuron 10 20 30 40 50 60 70 80 90 100

Ulangan 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3

Epoch 2129 3000 2719 350 626 279 200 1020 207 28 59 87 232 159 280 27 42 61 295 71 49 110 230 110 130 130 166 331 331 22

Waktu latih 6.719 8.922 6.203 1.438 1.859 1.078 1.110 3.094 0.984 0.797 0.391 1.766 1.360 1.735 1.11 0.734 0.453 0.719 1.734 0.532 0.422 2.046 1.204 1.687 0.75 1.375 0.828 1.844 1.438 0.344

7/12 7/12 7/12 7/12 7/12 7/12 7/12 7/12 7/12 6/12 5/12 6/12 9/12 8/12 8/12 4/12 4/12 4/12 9/12 7/12 8/12 6/12 6/12 6/12 8/12 9/12 7/12 7/12 7/12 7/12

Akurasi 58.3% 58.3% 58.3% 58.3% 58.3% 58.3% 58.3% 58.3% 58.3% 50.0% 41.7% 50.0% 75.0% 66.7% 66.7% 33.3% 33.3% 33.3% 75.0% 58.3% 66.7% 50.0% 50.0% 50.0% 66.7% 75.0% 58.3% 58.3% 58.3% 58.3%

20

Lampiran 8 Hasil pelatihan dan pengujian percobaan 2 toleransi kesalahan JST 10-3 Hidden neuron 10 20 30 40 50 60 70 80 90 100

Ulangan 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3

Epoch 3000 3000 1446 930 618 1011 233 311 164 135 208 193 179 342 655 195 204 402 278 210 429 63 71 359 284 75 337 120 132 75

Waktu latih 7.204 6.578 3.109 3.157 2.547 2.515 1.516 1.063 0.625 1.281 0.75 0.719 5.016 1.156 1.968 2.016 0.891 1.375 1.718 0.953 2.672 0.703 1.532 2.313 2.203 0.954 1.734 1.313 0.734 0.547

7/12 5/12 6/12 9/12 6/12 8/12 7/12 7/12 6/12 6/12 5/12 6/12 7/12 6/12 6/12 6/12 6/12 4/12 7/12 6/12 7/12 6/12 7/12 5/12 9/12 9/12 6/12 8/12 6/12 6/12

Akurasi 58.3% 41.7% 50.0% 75.0% 50.0% 66.7% 58.3% 58.3% 50.0% 50.0% 41.7% 50.0% 58.3% 50.0% 50.0% 50.0% 50.0% 33.3% 58.3% 50.0% 58.3% 50.0% 58.3% 41.7% 75.0% 75.0% 50.0% 66.7% 50.0% 50.0%

21

Lampiran 9 Hasil pelatihan dan pengujian percobaan 2 toleransi kesalahan JST 10-4 Hidden neuron 10 20 30 40 50 60 70 80 90 100

Ulangan 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3

Epoch 2822 3000 3000 2356 1405 2704 501 492 1429 1211 369 349 641 690 301 350 439 259 437 205 364 646 176 218 176 393 220 386 181 347

Waktu latih 8.515 7.047 6.750 8.328 3.688 6.844 2.468 1.844 5 4.937 1.5 1.391 2.859 2.687 1.313 1.859 1.969 1.343 2.469 1 1.719 3.484 0.921 1.125 1.344 1.672 1.047 2.329 0.937 1.547

9/12 7/12 8/12 7/12 7/12 7/12 7/12 6/12 6/12 7/12 7/12 7/12 8/12 7/12 7/12 9/12 8/12 7/12 7/12 6/12 7/12 7/12 6/12 6/12 8/12 6/12 8/12 8/12 8/12 8/12

Akurasi 75.0% 58.3% 66.7% 58.3% 58.3% 58.3% 58.3% 50.0% 50.0% 58.3% 58.3% 58.3% 66.7% 58.3% 58.3% 75.0% 66.7% 58.3% 58.3% 50.0% 58.3% 58.3% 50.0% 50.0% 66.7% 50.0% 66.7% 66.7% 66.7% 66.7%

22

Lampiran 10 Hasil pelatihan dan pengujian percobaan 3 toleransi kesalahan JST 10-2 Hidden neuron 10 20 30 40 50 60 70 80 90 100

Ulangan 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3

Epoch 2942 3000 1784 202 410 1533 554 152 135 816 67 374 491 323 47 110 159 183 33 32 52 190 402 556 255 99 154 39 33 205

Waktu latih 6.2660 6.046 3.61 0.7500 1.141 3.5 1.61 0.563 0.578 2.4370 0.406 1.093 1.6090 1.078 0.36 0.6410 0.688 0.75 0.391 0.344 0.407 0.985 1.703 2.1250 1.2190 0.61 0.766 0.5160 0.39 0.953

Akurasi 8/12 66.7% 7/12 58.3% 7/12 58.3% 8/12 66.7% 7/12 58.3% 7/12 58.3% 9/12 75.0% 7/12 58.3% 6/12 60.0% 8/12 66.7% 8/12 66.7% 8/12 66.7% 9/12 75.0% 8/12 66.7% 5/12 41.7% 10/12 83.3% 8/12 66.7% 7/12 58.3% 9/12 75.0% 8/12 66.7% 7/12 58.3% 7/12 58.3% 7/12 58.3% 8/12 66.7% 9/12 75.0% 8/12 66.7% 8/12 66.7% 8/12 66.7% 5/12 41.7% 6/12 60.0%

23

Lampiran 11 Hasil pelatihan dan pengujian percobaan 3 toleransi kesalahan JST 10-3 Hidden neuron 10 20 30 40 50 60 70 80 90 100

Ulangan 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3

Epoch 3000 1740 2320 2064 612 2300 247 398 460 689 388 262 445 76 246 465 146 286 189 204 49 238 94 125 307 270 190 323 284 161

Waktu latih 6.3600 5.265 4.906 4.9680 1.688 5.484 0.921 1.2350 1.672 2.0460 1.219 0.953 1.5460 0.484 0.922 1.7030 0.703 1.094 0.8430 0.906 0.407 1.047 0.594 0.657 1.3590 1.203 0.969 1.4840 1.266 0.891

Akurasi 10/12 83.3% 8/12 66.7% 7/12 58.3% 9/12 75.0% 9/12 75.0% 9/12 75..0% 7/12 58.3% 9/12 75.0% 7/12 58.3% 9/12 75.0% 8/12 66.7% 9/12 75.0% 9/12 75.0% 9/12 75.0% 8/12 66.7% 9/12 75.0% 6/12 50.0% 6/12 50.0% 9/12 75.0% 6/12 50.0% 9/12 75.0% 10/12 83.3% 7/12 58.3% 7/12 58.3% 9/12 75.0% 9/12 75.0% 8/12 66.7% 9/12 75.0% 7/12 58.3% 8/12 66.7%

24

Lampiran 12 Hasil pelatihan dan pengujian percobaan 3 toleransi kesalahan JST 10-4 Hidden neuron 10 20 30 40 50 60 70 80 90 100

Ulangan 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3

Epoch 3000 2740 1602 1855 1572 872 331 611 3000 302 320 1400 161 178 321 304 339 173 227 178 151 184 137 188 100 234 490 475 142 99

Waktu latih 8.6880 6.093 3.391 4.7660 3.672 2.313 1.1250 1.735 7.531 1.1410 1.094 3.843 0.7970 0.812 1.219 1.172 1.25 0.7810 1.0470 0.875 0.734 0.9220 0.891 0.922 0.6410 1.25 2.344 1.9840 1.015 0.656

Akurasi 8/12 66.7% 6/12 50.0% 8/12 66.7% 9/12 75.0% 8/12 66.7% 9/12 75.0% 10/12 83.3% 7/12 58.3% 6/12 50.0% 10/12 83.3% 7/12 58.3% 6/12 50.0% 10/12 83.3% 6/12 50.0% 10/12 83.3% 6/12 50.0% 8/12 66.7% 9/12 75.0% 10/12 83.3% 6/12 50.0% 7/12 58.3% 8/12 66.7% 8/12 66.7% 9/12 75.0% 8/12 66.7% 6/12 50.0% 8/12 66.7% 10/12 83.3% 9/12 75.0% 7/12 58.3%