PREDIKSI CROP VARIABEL TANAMAN PADI PADA DATA HYPERSPECTRAL MENGGUNAKAN ALGORITME BACKPROPAGATION NEURAL NETWORK
ERICSON SIREGAR
DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2010
PREDIKSI CROP VARIABEL TANAMAN PADI PADA DATA HYPERSPECTRAL MENGGUNAKAN ALGORITME BACKPROPAGATION NEURAL NETWORK
ERICSON SIREGAR
Skripsi Sebagai salah satu syarat untuk memperoleh Gelar Sarjana Komputer pada Departemen Ilmu Komputer
DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2010
ABSTRACT ERICSON SIREGAR. Prediction Of Paddy Rice Crop Variable In Hyperspectral Data Using Backpropagation Neural Network Algorithm. Under Direction of HARI AGUNG ADRIANTO AND MUHAMAD SADLY. Hyperspectral is a new technology in remote sensing which exploits hundreds of bands. Pusat Teknologi Inventarisasi Sumber Daya Alam Badan Pengkajian dan Penerapan Teknologi (PTISDA BPPT) applies hyperspectral in agriculture for yearly yield prediction. In this research, Leaf Area Index (LAI), number of chlorophyll (SPAD), and yearly paddy yield has been predicted with hyperspectral data using backpropagation neural network (BPNN) algorithm. The regions used are Indramayu and Subang; the growth periods of paddy are vegetative, reproductive and ripening, while the heights of the spectral acquisition are 10 cm, 50 cm, and Hymap (2000 m). The data was obtained in cooperation between PTISDA BPPT and ERSDAC Japan. In this study, three test procedures were conducted using backpropagation neural network algorithm, where the first and second procedures used Weka to predict the R2 and RMSE of LAI, SPAD, and yield. Prediction results show high accuracy for LAI but not for SPAD and yield. The third procedure used IDL for prediction yield RMSE, with a satisfactory result : an error value of 0.10153786. Keywords : paddy rice, LAI, SPAD, Yield, hyperspectral, backpropagation neural network (BPNN).
Judul Nama NRP
: Prediksi Crop Variabel Tanaman Padi Pada Data Hyperspectral Menggunakan Algoritme Backpropagation Neural Network : Ericson Siregar : G64061804
Menyetujui:
Pembimbing I,
Pembimbing II,
Hari Agung Adrianto, S.Kom, M.Si NIP 197609172005011001
Dr. Ir. Muhamad Sadly, M.Eng
Mengetahui: Ketua Departemen Ilmu Komputer,
Dr. Ir. Sri Nurdiati, M.Sc. NIP. 19601126 198601 2 001
Tanggal Lulus:
PRAKATA Puji syukur penulis panjatkan kepada Tuhan YME atas segala rahmat dan karunia-Nya sehingga tulisan ini berhasil diselesaikan. Tulisan ini merupakan hasil penelitian penulis sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer di FMIPA, IPB. Tulisan ini merupakan hasil penelitian yang bekerja sama dengan Pusat Teknologi Inventarisasi Sumber Daya Alam - Badan Pengkajian dan Penerapan Teknologi (PTISDA BPPT), yang beralamat di Gedung 2 Lantai 19 jalan M.H. Thamrin no 8 Jakarta Pusat. Kegiatan penelitian tersebut dilaksanakan mulai Maret 2010 sampai dengan Juli 2010. Pada kesempatan ini penulis ingin mengucapkan terima kasih kepada : 1. 2.
3. 4. 5. 6. 7. 8.
Orang tua tercinta, Bapak Nelson Siregar, SE dan Ibu Herlina Mulyani serta adik tersayang, Andreas Siregar untuk doa, kasih sayang, dan cinta kasih. Bapak Hari Agung Adrianto, S.Kom, M.Si dan Bapak Dr.Ir.Muhamad Sadly, M.Eng selaku dosen pembimbing tugas akhir. Terima kasih atas kesabaran dan dukungan dalam penyelesaian tugas akhir ini. Dr. Sri Nurdiati, MSc selaku Ketua Departemen Ilmu Komputer dan sebagai dosen penguji, serta seluruh staf Departemen Ilmu Komputer FMIPA IPB. Bapak Dr. Anto, bapak Ir. Sidik, dan bapak Dr. M. Evri terima kasih untuk masukan, motivasi, share dan bimbingannya. Teman-teman di BPPT Yohan, Yuli, dan Agus. Terima kasih atas semangat dan kebersamaannya selama penyelesaian tugas akhir ini. Sahabat-sahabatku Ilkomerz 43. Terima kasih atas motivasi dan kebersamaannya selama ini. Keluargaku Naposobulung HKBP Bogor terima kasih untuk motivasi dan dukungan selama ini. Seluruh pihak yang turut membantu baik secara langsung maupun tidak langsung dalam pelaksanaan tugas akhir.
Penulis menyadari bahwa pelaksanaan penelitian ini masih jauh dari kesempurnaan, namun besar harapan penulis bahwa apa yang telah dikerjakan dapat memberikan manfaat bagi semua pihak.
Bogor, Oktober 2010
Ericson Siregar
RIWAYAT HIDUP Penulis dilahirkan di Bogor pada tanggal 4 September 1988 yang merupakan anak pertama dari dua bersaudara dengan ayah bernama Nelson Siregar dan Ibu bernama Herlina Mulyani. Pada tahun 2006 lulus dari Sekolah Menengah Atas Negeri 5 Bogor dan diterima di Institut Pertanian Bogor melalui jalur USMI atau Undangan Seleksi Masuk IPB pada tahun yang sama. Setelah mengikuti kuliah matrikulasi selama satu tahun, penulis diterima di Departemen Ilmu Komputer.
v
DAFTAR ISI Halaman DAFTAR GAMBAR ................................................................................................................................... vii DAFTAR TABEL ....................................................................................................................................... vii DAFTAR LAMPIRAN ................................................................................................................................ vii PENDAHULUAN Latar Belakang ........................................................................................................................................... 1 Tujuan ........................................................................................................................................................ 1 Ruang Lingkup .......................................................................................................................................... 1 Manfaat ...................................................................................................................................................... 2 TINJAUAN PUSTAKA Crop Variabel Tanaman Padi .................................................................................................................... 2 Hyperspectral............................................................................................................................................. 2 Jaringan Syaraf Tiruan............................................................................................................................... 2 Multilayer Perceptron ............................................................................................................................... 3 Backpropagation........................................................................................................................................ 3 Supervised Learning .................................................................................................................................. 5 Root Mean Square Error (RMSE) ............................................................................................................ 5 Koefisien Determinasi (R2) ....................................................................................................................... 5 Cross Validation ........................................................................................................................................ 5 Supplied Test Set ....................................................................................................................................... 5 METODE PENELITIAN Studi Pustaka.............................................................................................................................................. 5 Pengenalan Data ........................................................................................................................................ 6 Praproses .................................................................................................................................................... 6 Pembuatan Prosedur Uji Data ................................................................................................................... 8 Pembagian dan Penyesuaian Data ............................................................................................................. 8 Data Latih................................................................................................................................................... 8 Data Uji ...................................................................................................................................................... 8 Rancangan Eksperimen ............................................................................................................................. 8 Lingkungan Pengembangan ...................................................................................................................... 8 HASIL DAN PEMBAHASAN Cross Validation 5 Fold Data Indramayu dan Subang ............................................................................. 9 Supplied Test Set Data Indramayu dan Subang ..................................................................................... 11 8-Fold Cross Validation .......................................................................................................................... 12 Evaluasi dan Analisis Hasil ..................................................................................................................... 12 KESIMPULAN DAN SARAN Kesimpulan .............................................................................................................................................. 12 Saran......................................................................................................................................................... 13 DAFTAR PUSTAKA...................................................................................................................................13 LAMPIRAN .................................................................................................................................................14
vi
DAFTAR GAMBAR Halaman 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
Hubungan perubahan panjang gelombang spektrum gandum dengan LAI .................................................... 1 Hubungan perubahan panjang gelombang spektrum gandum dengan kandungan klorofil ............................ 1 Grafik perbandingan reflectance ...................................................................................................................... 2 Model backpropagation neural network ......................................................................................................... 4 Tahapan metode penelitian ............................................................................................................................... 6 Diagram alur proses data. ................................................................................................................................. 7 Contoh file reflectance pada Data 0.0 .............................................................................................................. 7 Desain model backpropagation. ....................................................................................................................... 8 Grafik R2 LAI. ................................................................................................................................................... 9 Grafik RMSE LAI............................................................................................................................................. 9 Grafik R2 SPAD ..............................................................................................................................................10 Grafik RMSE SPAD .......................................................................................................................................10 Grafik R2 Yield ...............................................................................................................................................10 Grafik RMSE Yield .........................................................................................................................................11 Grafik batang perbandingan R2 Hymap. ........................................................................................................11 Grafik batang perbandingan RMSE Hymap. .................................................................................................11
DAFTAR TABEL Halaman 1 2 3 4 5 6 7 8 9 10
Nama data dan tahap praproses ........................................................................................................................ 6 Jumlah data untuk prosedur uji ......................................................................................................................... 8 Prediksi nilai R2 LAI dengan Cross Validation 5 fold ..................................................................................... 9 Prediksi nilai RMSE LAI dengan Cross Validation 5 fold .............................................................................. 9 Prediksi nilai R2 SPAD dengan Cross Validation 5 fold ................................................................................. 9 Prediksi nilai RMSE SPAD dengan Cross Validation 5 fold ........................................................................10 Prediksi nilai R2 Yield dengan Cross Validation 5 fold .................................................................................10 Prediksi nilai RMSE Yield dengan Cross Validation 5 fold ..........................................................................10 Prediksi nilai R2 LAI, SPAD, dan Yield dengan Supplied Test set data Hymap ..........................................11 Prediksi nilai RMSE LAI, SPAD, dan Yield dengan Supplied Test set data Hymap ...................................11
DAFTAR LAMPIRAN Halaman 1 2 3 4 5 6 7 8 9
Contoh reflectance data 0.1 ............................................................................................................................15 Contoh reflectance data 0.2 ............................................................................................................................15 Contoh reflectance data 1.0 ............................................................................................................................15 Contoh tampilan source code backpropagation neural network pada IDL ..................................................16 Grafik pola sebaran LAI .................................................................................................................................16 Grafik pola sebaran SPAD ..............................................................................................................................17 Grafik pola sebaran Yield ................................................................................................................................17 Hasil 8-fold cross validation data hymap terhadap data Yield .......................................................................18 Hasil best RMSE data hymap terhadap data Yield .........................................................................................18
vii
PENDAHULUAN Latar Belakang Teknologi hyperspectral merupakan teknologi baru di dunia penginderaan jarak jauh (remote sensing) yang menarik perhatian Pusat Teknologi Inventarisasi Sumber Daya Alam (PTISDA) Badan Pengkajian dan Penerapan Teknologi (BPPT) untuk melakukan pengkajian, penerapan, dan pengembangan teknologi untuk mendukung program ketahanan pangan nasional. Hyperspectral merupakan lanjutan dari teknologi konvensional yaitu multispectral remote sensing. Teknologi tersebut secara signifikan menambah kekuatan remote sensing, dimulai dari determinasi dan identifikasi orientasi pemecahan suatu permasalahan. Sekarang PTISDA BPPT bekerjasama dengan Earth Remote Sensing Data Analysis Center (ERSDAC) Jepang membuat program aplikasi teknologi hyperspectral remote sensing untuk pertanian yang disebut proyek Hypersri. Tujuan proyek tersebut yaitu untuk membangun model prediksi produktifitas padi berbasis teknologi hyperspectral. Data yang dimiliki BPPT terdiri atas data laboratorium variabel-variabel pertanian yaitu indeks luas permukaan daun (leaf area index/LAI), jumlah kandungan klorofil (SPAD), dan hasil panen (Yield). Patet et al. (2001) dalam Smith (2006) melakukan penelitian untuk menemukan hubungan antara perubahan panjang gelombang spektrum gandum dan leaf area index (LAI) atau indeks luas permukaan daun dan juga hubungan antara perubahan panjang gelombang spektrum gandum dengan kandungan klorofil. Hubungan linear dari perubahan panjang gelombang dengan LAI dan kandungan klorofil gandum mengindikasikan bahwa resolusi tinggi data spektral dapat digunakan untuk memperkirakan kondisi pertumbuhan hasil panen dan mengidentifikasi tekanan hasil panen. Grafik hubungan antara panjang gelombang spektrum gandum dengan LAI dapat dilihat pada Gambar 1 dan hubungan antara panjang gelombang spektrum gandum dengan kandungan klorofil dapat dilihat pada Gambar 2. Dasar data mengenai penelitian hyperspectral yang diperoleh dalam penelitian ini akan diterapkan metode Backpropagation Neural Network untuk memprediksi indeks luas permukaan daun (LAI), SPAD, dan Yield menggunakan nilai spektral tanaman padi.
Gambar
1
Hubungan perubahan gelombang spektrum dengan LAI (Patet et al. 2001).
panjang gandum
Gambar
2
Hubungan perubahan panjang gelombang spektrum gandum dengan kandungan klorofil (Patet et al. 2001).
Tujuan Tujuan dari penelitian ini yaitu memprediksi nilai leaf area index (LAI), jumlah klorofil daun (SPAD), dan hasil panen (Yield) tanaman padi berbasiskan data hyperspectral dengan menggunakan algoritme Backpropagation Neural Network (BPNN). Ruang Lingkup Data yang digunakan yaitu data hyperspectral dan data crop variabel milik PTISDA BPPT yang bekerja sama dengan ERSDAC Jepang. Data hyperspectral yang digunakan terdiri atas nilai-nilai reflectance dan panjang gelombang padi. Pada data yang akan digunakan, penentuan kelas telah ditentukan berdasarkan wilayah, jenis padi, masa pertumbuhan, dan ketinggian pengambilan data. Wilayah yang digunakan yaitu Indramayu dan Subang, masa pertumbuhan tanaman padi yaitu vegetatif, reproduktif, dan ripening, sedangkan ketinggian pengambilan data spektral yaitu 10 cm, 50 cm, dan Hymap (2000 m). Data untuk ketinggian 10 dan 50 cm disebut data Field_Spect 10 dan Field_Spect 50. Hasil prediksi dievaluasi 1
menggunakan nilai koefisien determinasi (R2) dan sebagai pembanding kebaikan hasil prediksi juga digunakan Root Mean Square Error (RMSE). Manfaat Manfaat dari penelitian ini yaitu membantu penelitian hyperspectral untuk mendapatkan hasil akurasi dari algoritme Backpropagation Neural Network (BPNN).
multispectral bisa memiliki celah/renggang antara spectral band yang dikumpulkan, sedangkan data hyperspectral memiliki kumpulan band yang kontinyu (Borengasser et al. 2008). Reflectance adalah persentase cahaya yg di pantulkan oleh suatu material (Borengasser et al. 2008). Nilai reflectance bervariasi untuk setiap benda dengan bahan yang berbeda. Grafik perbandingan nilai reflectance dapat dilihat pada Gambar 3.
TINJAUAN PUSTAKA Crop Variabel Tanaman Padi LAI (Leaf Area Index), merupakan pengukuran luas indeks daun tanaman padi. Pengukuran rasio total vegetasi permukaan daun padi dibagi dengan vegetasi atas permukaan tanah. SPAD (Special Products Analysis Division), adalah transmisi klorofil yang tinggi dengan jangkauan inframerah pendek cahaya berwarna merah, karena tumbuhan hijau menyerap radiasi yang terlihat untuk fotosintesis. Yield (hasil panen), data hasil panen yang diambil saat masa panen oleh mantri tani setempat. Hasil panen akan digunakan sebagai pengujian data. Hyperspectral Hyperspectral remote sensing merupakan suatu teknologi pencitraan jarak jauh yang merupakan adaptasi dari multispectral remote sensing. Multispectral menghasilkan gambar dengan beberapa band panjang gelombang yang relatif luas sedangkan hyperspectral mengumpulkan data gambar secara bersamaan dalam puluhan atau ratusan band spektral yang berdekatan. Data citra hyperspectral dihasilkan oleh alat yang disebut imaging spectrometer yang melibatkan konvergensi dua teknologi yaitu spektroskopi dan pencitraan jauh (Smith 2006). Smith (2006) menyatakan bahwa spektrum gambar hasil penyesuaian sensor, atmosfer, dan efek medan dibandingkan dengan spektrum reflectance lapangan atau laboratorium untuk memetakan material permukaan objek yang terkait. Pada umumnya, sensor mengumpulkan data secara pasif atau aktif. Sensor pasif mengumpulkan dan merekam energi elektromagnetik yang dipantulkan atau dipancarkan oleh permukaan suatu fitur tertentu, khususnya terusan dari sebuah lensa optik. Sensor aktif menghasilkan energi pemiliknya dan kemudian mengumpulkan sinyal yang dipantulkan dari permukaan bumi. Pada citra hyperspectral sumber data memasukkan 10 atau lebih data band. Lebar band data memiliki range 1 sampai 15 nanometer, sedangkan pada multispectral lebar band berkisar antara 50 sampai 120 nanometer. Data
Gambar 3 Grafik (Smith 2006). Jaringan Network)
Syaraf
perbandingan Tiruan
reflectance
(Artificial
Neural
Neural Network (NN) adalah suatu prosesor yang melakukan pendistribusian secara besarbesaran, yang memiliki kecenderungan alami untuk menyimpan suatu pengenalan yang pernah dialaminya. Dengan kata lain NN memiliki kemampuan untuk melakukan pembelajaran dan pendeteksian terhadap suatu objek. Secara mendasar, sistem pembelajaran adalah proses penambahan pengetahuan pada NN yang bersifat kontinuitas, sehingga pada saat digunakan pengetahuan tersebut dieksploitasikan secara maksimal dalam mengenali suatu objek. Menurut Kusumadewi (2006), jaringan syaraf tiruan merupakan salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak manusia tersebut. Jaringan syaraf tiruan dikembangkan sebagai model matematis dari syaraf biologis dengan asumsi bahwa : 1. Pemrosesan terjadi pada sederhana yang disebut neuron. 2. Sinyal dilewatkan penghubung.
antar
elemen-elemen neuron
melalui
3. Setiap penghubung memiliki bobot yang mengalikan sinyal yang lewat. 4. Setiap neuron memiliki fungsi aktivasi yang menentukan nilai sinyal output. 2
Jaringan syaraf dapat digolongkan menjadi berbagai jenis berdasarkan pada arsitekturnya, yaitu pola hubungan antara neuron-neuron, dan algoritme trainingnya, yaitu cara penentuan nilai bobot pada penghubung. Multilayer Perceptron Multilayer Perceptron adalah jaringan syaraf tiruan feedforward yang terdiri atas sejumlah neuron yang dihubungkan oleh weight penghubung. Neuron-neuron tersebut disusun dalam lapisanlapisan yang terdiri atas satu lapisan input (input layer), satu atau lebih lapisan tersembunyi (hidden layer), dan satu lapisan output (output layer). Menurut Riedmiller (1994, p50), lapisan input menerima sinyal dari luar, kemudian melewatkannya ke lapisan tersembunyi pertama, yang diteruskan sehingga akhirnya mencapai lapisan output. Proses yang terjadi pada multilayer perceptron neural network, adalah sebagai berikut: Input, proses ini merupakan bagian dari sistem kerja secara keseluruhan, karena proses masukan digunakan untuk menunjang pada proses pembelajaran serta proses pengujian. Pada proses ini, masukan diklasifikasikan berdasarkan keinginan pengguna, dimana bentuk masukan dapat berupa nilai logic atau bilangan biner ( 1 atau 0 ), atau juga bisa berupa nilai angka atau bilangan real (12.5 atau 100) dapat juga melakukan proses dengan menggunakan bilangan negatif. Proses pembelajaran, pada bagian ini merupakan sisi kelebihan dari metode neural network, dimana setiap permasalahan yang akan dihadapi dapat dipecahkan dengan melalui tahapan pembelajaran, seperti halnya otak manusia yang secara sifat biologis, memiliki kemampuan untuk mempelajari hal-hal yang baru. Memang pada dasarnya, neural network ini dibuat untuk dapat mempelajari sesuatu hal yang baru sehingga mampu melakukan penganalisisan tanpa menggunakan suatu rumusan yang baku. Proses pembelajaran ini sangat mempengaruhi sensitifitas kemampuan dalam melakukan penganalisisan, semakin banyak bahan atau masukan sebagai pembelajaran maka semakin mudah dan sensitif dalam melakukan analisis. Umumnya untuk membahas hal-hal yang cukup kompleks, multilayer perceptron neural network memiliki hidden neuron yang digunakan untuk mengimbangi setiap permasalahan yang dihadapi, umumnya untuk melakukan penganalisisn pada hal-hal yang rumit, rancangan neural network yang dibuat minimal memiliki tiga layer, namun hal ini tergantung pada tingkat kompleksitas yang dihadapi.
Proses perhitungan, saat pembelajaran Proses ini melibatkan dua faktor penting, yaitu masukan dan keluaran yang ditentukan. Keluaran tersebut merupakan bagian dari sistem atau metode pembelajaran yang dinamakan supervised learning, dengan demikian setiap masukan memiliki keluaran yang nantinya dijadikan sebagai acuan pembelajaran. Hal inilah yang membuat neural network melakukan penganalisisan, selain banyaknya masukan yang diberikan, proses pembelajaran yang dilakukan secara berulang pun menunjang kemampuan neural network saat menganalisis. Output, bagian ini merupakan proses yang digunakan untuk mengetahui seberapa besar pengaruh pembelajaran terhadap keluaran yang diinginkan. Backpropagation Backpropagation adalah istilah dalam penggunaan metode multilayer perceptron untuk melakukan proses update pada nilai vektor weight dan bias. Dalam penelitian ini pendekatan yang digunakan untuk update adalah Gradient Descent Backpropagation. Adapun bentuk metode weight ini memiliki beberapa macam, antara lain adalah sebagai berikut : Gradient Descent Backpropagation (GD) Metode steepest descent, juga dikenal sebagai gradient descent method, merupakan salah satu dari teknik lama untuk meminimalkan fungsi yang didefinisikan pada ruang input multidimensi. Metode ini membentuk dasar bagi banyak metode langsung yang digunakan dalam mengoptimalkan masalah yang terbatas maupun yang tidak terbatas. Walaupun metode ini konvergensinya lambat, tetapi metode ini paling sering digunakan dalam teknik optimasi nonlinear karena kesederhanaanya. Metode ini merupakan proses update untuk nilai weight dan bias dengan arah propagasi fungsinya selalu menurunkan nilai weight sebelumnya. Bentuk vektor weight tersebut berlaku seperti metode berikut : Wk+1 = wk – α . gk
,
dengan α merupakan learning rate dan g merupakan gradient yang berhubungan dengan nilai error yang diakibatkan oleh weight tersebut. Gradient Descent Backpropagation dengan Momentum (GDM) Penggunaan Momentum pada metode ini memberikan nilai tambah dimana hasil update diharapkan tidak berhenti pada kondisi yang dinamakan Local Minimum. Update dilakukan sehingga proses penelusuran mencapai nilai minimum yang paling puncak dalam pengertian nilai error yang paling kecil dapat tercapai.
3
Variable Learning Rate Backpropagation dengan Momentum (GDX) Penggunaan metode ini bertujuan untuk mempercepat waktu penyelesaian sehingga proses mendapatkan nilai error yang paling kecil dapat tercapai dengan cepat serta penelusuran yang lebih singkat. Sebaliknya jika nilai yang digunakan dalam praktisnya maka hasil yang didapatkan umumnya memperlambat proses penelusuran nilai error yang paling kecil. Dalam penggunaan metode ini para peniliti biasanya menggunakan cara memperbesar nilai dari Variabel Learning Rate saat hasil yang dicapai jauh dari target, dan sebaliknya saat hasil yang dicapai dekat dengan nilai target. Conjugate Gradient Backpropagation (CGP) Conjugate Gradient Backpropagation memiliki perbedaan dibandingkan dengan metode GD yaitu pada saat melakukan proses update, dimana untuk metode GD proses tersebut dilakukan setiap penggunaan rumus sedangkan pada proses CGX, update dilakukan setiap iterasi dilakukan. Quasi-Newton Backpropagation (BPGS) Metode Newton ini merupakan improvisasi dari metode CGX, dimana pencapaian nilai konfigurasi dapat dilakukan lebih cepat. Algoritme backpropagation dijalankan dengan melakukan generalisasi hukum pembelajaran Widrow-Hoff yang dikenal sebagai delta rule atau metode Least Mean Square (LMS). LMS melibatkan teknik gradient descent, teknik dimana parameter setiap bobot bergerak dalam arah yang berlawanan dengan error gradient. Setiap langkah menuruni gradient menghasilkan error yang lebih kecil sampai suatu error minimum tercapai. Fungsi aktivasi yang dipergunakan pada JST dengan memakai algoritme backpropagation Umumnya fungsi aktivasi yang dipergunakan adalah fungsi Sigmoid. Model backpropagation neural network dapat dilihat pada Gambar 4.
Forward Pass, Dalam fase ini dilakukan perhitungan dari input layer ke arah output layer. Sebuah input data dimasukkan ke multilayer perceptron untuk kemudian secara bertahap menghitung output dari masing-masing layer. Saat perhitungan telah sampai di output layer, akan diperoleh nilai error yang merupakan selisih output layer terakhir dengan teaching signal. Output neuron Ii pada input layer adalah Ii = xi
(1)
Output neuron Hj pada hidden layer adalah
,
(2)
dengan, (3) Setelah output neuron Hj diperoleh, selanjutnya perhitungan diteruskan untuk menghitung Ok pada output layer.
,
(4)
dengan,
(5) Error, yaitu selisih antara nilai output dengan target yang harus dicapai dalam hal ini didefinisikan sebagai Mean Square Error (MSE), yang dihitung .
(6)
Backward Pass, dalam fase ini dilakukan perhitungan dengan arah terbalik, yaitu dari output layer ke arah input layer. Error yang dihitung di atas dipakai untuk update weight tiap layer secara bertahap, dari output layer ke arah input layer. Dengan demikian pertama, apabila model tersebut terdiri atas 3 layer (input, hidden dan output layer), yang diupdate pertama kali adalah weight antara hidden layer dengan output layer. Update weight pada Hidden Layer - Output Layer. Weight wkj yang menghubungkan neuron j pada Hidden layer dan neuron k pada Output layer diupdate berdasarkan formula berikut: ,
Gambar 4 Model backpropagation neural network. Prosedur pembelajaran multilayer perceptron terdiri atas dua fase: forward pass dan backward pass.
(7)
Dengan,
(8) 4
η adalah learning rate yang mengontrol kecepatan perubahan posisi weight pada algoritme gradient descent, Hj adalah output neuron ke-j pada hidden layer, sedangkan δk didefnisikan sebagai berikut .
Root Mean Square Error (RMSE) Pada sebuah model, memeriksa galat dapat dilakukan dengan menghitung Root Mean Square Error (RMSE) dengan persamaan sebagai berikut:
(9)
Update weight pada Input Layer - Hidden Layer selanjutnya, weight wji yang menghubungkan neuron i pada input layer dan neuron j pada Hidden Layer di update berdasarkan formula berikut: ,
(10)
Dengan,
dimana n adalah jumlah data, adalah nilai aktual data ke-i, dan adalah nilai prediksi data ke-i. Koefisien Determinasi (R2) Koefisien determinasi disimbolkan dengan R2, sedangkan persamaannya sebagai berikut:
.
(11)
Apakah stopping criteria telah dicapai. Apabila telah dicapai, maka proses training berhenti. Jika belum dicapai, kembali ke langkah awal. Stopping criteria ini biasanya ditetapkan berdasarkan minimum Mean Square Error (MSE) yang harus dicapai, atau maksimum iterasi yang dilakukan. Contoh proses training dihentikan apabila MSE telah mencapai nilai 0.001 atau iterasi telah mencapai 104 epochs.(Nugroho A.S 2010) Setelah model NN mendapatkan weight yang optimal (yang mendekati output target yaitu nilai aktual crop variable) maka model NN dapat melakukan prediksi dengan satu kali iterasi forward pass dan mendapatkan nilai prediksi. Supervised Learning Tujuan pada pembelajaran supervised learning adalah untuk menentukan nilai bobot-bobot koneksi di dalam jaringan sehingga jaringan dapat melakukan pemetaan (mapping) dari input ke output sesuai dengan yang diinginkan. Pemetaan ini ditentukan melalui satu set pola contoh atau data pelatihan (training data set). Setiap pasangan pola p terdiri atas vektor input xp dan vektor target tp. Setelah selesai pelatihan, jika diberikan masukan xp seharusnya jaringan menghasilkan nilai output tp. Besarnya perbedaan antara nilai vektor target dengan output aktual diukur dengan nilai error yang disebut juga dengan cost function:
E = ∑
∑
P∑
t
s
di mana n adalah banyaknya unit pada output layer. Tujuan dari training ini yaitu mencari suatu nilai minimum global dari E.
∑ ∑
dimana adalah nilai y hasil prediksi dan rata-rata dari y aktual (Sembiring 1995).
adalah
Sembiring (1995) menyatakan bahwa semakin dekat dengan 1 makin baik kecocokan data dengan model, sedangkan semakin dekat dengan 0 maka semakin buruk kecocokan data dengan model. Range nilai yaitu dari 0 sampai dengan 1. Cross Validation Teknik membagi data dilakukan dengan cara membagi data menjadi data training dan data testing, setelah itu dilakukan uji coba ke beberapa fold. Contoh cross validation 5 fold, maka 4/5 dari data akan dijadikan data training dan 1/5 menjadi data testing. Menurut Fu (1994), K-fold cross validation mengulang k-kali untuk membagi sebuah himpunan contoh secara acak menjadi k subset yang saling bebas, setiap ulangan disisakan satu subset untuk pengujian dan subset lainnya untuk pelatihan. Supplied Test Set Teknik pengujian dimana model data training diuji ke data tes yang baru, yang masih belum dikenali polanya.
METODE PENELITIAN Tahapan yang dilakukan pada penelitian ini dapat dilihat pada Gambar 5. Studi Pustaka Studi pustaka dilakukan untuk memperoleh informasi yang dibutuhkan selama penelitian serta memahami tahapan yang harus dilakukan dalam metode penelitian. Informasi yang harus diketahui dalam penelitian ini yaitu mengenai hyperspectral dan backpropagation neural network. 5
percobaan, spektrometer memperoleh lima sampai dengan lima belas kali nilai untuk setiap panjang gelombang 350 sampai dengan 2500 nanometer. Data Hymap yang diperoleh tidak untuk seluruh titik percobaan di setiap daerah, karena hal tersebut data Field_Spect 10, Field_Spect 50, dan data crop variabel yang digunakan sesuai dengan data yang ada pada data Hymap. Data 0.0 berisi dua folder yaitu folder10 dan 50, yang berarti data Field_Spect 10 cm dan Field_Spect 50 cm. Setiap folder berisi file-file txt yang berisi nilai reflectance dari setiap titik percobaan pada setiap petakan dan juga terdapat sebuah file yang berisi daftar nama file dari file reflectance tersebut. Data crop variabel terdiri atas data LAI, SPAD, dan yield. Alat untuk mengukur LAI yaitu LICOR-LAI 2000, alat untuk mengukur SPAD yaitu chlorophyll meter (SPAD-502 Minolta), sedangkan nilai yield diperoleh melalui pengukuran ubinan saat masa panen.
Evaluasi dan Analisis Hasil
Pada data spektral ada beberapa nilai-nilai LAI, SPAD, dan yield yang kosong, sehingga pada pengujian hanya digunakan data yang memiliki nilai LAI, SPAD, atau yield sesuai prosedur uji data. Praproses
Gambar 5 Tahap metode penelitian. Pengenalan Data Pada penelitian ini digunakan data hyperspectral tanaman padi yang berisi informasi nilai-nilai reflectance tiga fase pertumbuhan tanaman padi yaitu vegetatif, reproduktif, dan ripening. Panjang gelombang yang digunakan untuk nilai-nilai reflectance yaitu 350 sampai dengan 2500 nanometer dengan interval 1 nanometer untuk ketinggian 10 cm (Field_Spect 10) dan 50 cm (Field_Spect 50), sedangkan untuk ketinggian 2000 m (Hymap) digunakan panjang gelombang 459 sampai dengan 2490 nanometer. Jumlah band pada data awal Hymap yaitu 126 band. Alat untuk mengukur data spektral Field_Spect 10 dan Field_Spect 50 yaitu spectrometer tipe USB4000 sedangkan untuk data Hymap menggunakan sensor Hymap (Hyperspectral Mapper). Data awal yang digunakan yaitu data spektral (Data 0.0 dan data Hymap) dan data crop variabel. Data tersebut diperoleh dari wilayah Indramayu dan Subang. Setiap daerah terdiri atas sepuluh segmen yang setiap segmen berukuran 500 x 500 meter, setiap segmen terdiri atas sepuluh petakan (quadrate) yang setiap petakan berukuran 10 x 10 meter, dan setiap petakan dibagi menjadi beberapa titik percobaan tempat pengambilan data spektral. Satu kali mengambil nilai spektral pada setiap titik
Praproses dilakukan pada Data 0.0 dan data Hymap mengikuti diagram alur yang dapat dilihat pada Gambar 6. Praproses data dimulai dari data 0.0, kemudian data 0.1, data 0.2, dan data 1.0. Keseluruhan praproses data dikerjakan menggunakan software Interactive Data Language (IDL). Penjelasan tahap praproses dapat dilihat pada Tabel 1. Tabel 1 Nama data dan tahap praproses data Nama Data
Tahap Praproses
Data 0.0
Data pengukuran dalam bentuk text file
Data 0.1
Data rerata ulangan pengukuran, Nilai spektral yang diambil pada tiap titik percobaan dilakukan perhitungan setiap panjang gelombang.
Data 0.2
Data rata-rata tiap petakan dihitung dari data 0.1 dan data yang mengandung noise dihapus.
Data 1.0
Resampling data spektral menjadi 114 band yang disesuaikan dengan template band pada data Hymap.
6
nama file Data 0.0 yaitu IN01q1p1_10, IN01q1p3_10, IN01q11p2_10, SB01q1p1_10, SB01q1p2_10 dan seterusnya. Sim mbol IN artinyya t diam mbil dari daeerah Indramayyu data tersebut sedangkan SB artinnya dari wilayyah Subang, q menunjjukkan quadraate, dan p meenunjukkan tittik percobaaan. Contoh ref eflectance data 0.1 seperti padda Lampirran 1. Proses data selanj njutnya yaitu menghitung m rattarata tiaap panjang geloombang untuk setiap quadratte, yaitu menghitung m ratta-rata dari bebberapa file yanng memiliiki kode q yang sama dan kemudiaan disimpaan ke dalam ffile baru pada folder data 0..2. Contohh untuk file dengan kodee IN01q1p1_10, IN01q11p2_10, sampaai dengan kodee IN01q1p10_110 dilakukkan perhitunggan rata-rata tiap panjanng gelombbang. Hasil perhitungan tiap panjanng gelombbang tersebut ddisimpan ke dalam file IN01qq1, jika nillai rata-rata paada range 6000 sampai dengaan 1300 nanometer n dann range 1500 sampai dengaan 1700 nanometer n terdaapat nilai yang g lebih dari 0.448, data teersebut diangggap memiliki noise dan tidaak diperguunakan untukk analisis dan d pengujiaan. Contohh reflectance data 0.2 dappat dilihat padda Lampirran 2.
D alur proses p data. Gambar 6 Diagram Contoh h reflectance yang y terdapat pada p Data 0.0 dapat dilih hat pada Gambaar 7.
Gambar 7 Contoh file refflectance pada Data 0.0. File-filee tersebut terdiiri atas 6 samppai 16 kolom. Baris peertama merrupakan heaader yang menunjukkkan banyakn nya pengambbilan nilai reflectancee. Kolom pertama p adalaah panjang gelombangg sedangkan kolom keddua sampai terakhir baris kedua saampai terakhirr merupakan s nilai-nilai spektral. Dari seetiap file data 0.0 dilakukan perhitungan rata-rata untuk u setiap panjang geloombang dan kemudian disimpan ke dalam d file baru u pada folder Data 0.1 dengan namaa file yang saama. Contoh
Tahhap proses dataa terakhir yaituu penggabungaan seluruhh data yang adda pada data 0.2 0 menjadi saatu file. Niilai-nilai reflecctance setiap fiile pada data 0.2 0 menjaddi kolom dari ffile pada data 1.0, tetapi nillai reflectaance yang disim mpan ke dalam m data 1.0 hanyya untuk panjang p gelom mbang yang terrdapat pada daata Hymap p. Nilai-nilai rreflectance yanng terdapat padda data 0.2 0 dilakukan penyesuaian terhadap daata Hymap p, sehingga uuntuk data 1.0 1 setiap nillai reflectaance dikalikann dengan 100000 dan panjanng gelombbang dalam sattuan 1/1000 nan nometer. Datta hymap terdirri atas 126 bannd dengan rangge panjangg gelombang 459 sampaii dengan 24990 nanomeeter dan lebarr band berbedda. Proses aw wal yang dilakukan d padaa data tersebut yaitu pemilihaan data un ntuk panjang gelombang teerpilih sehinggga menjaddi 114 band. Pemilihan 126 6 band menjaadi 116 ba and karena terdapat t sepulluh band yanng merupaakan band tterjadinya waater absorptioon (prosess penyerapan panjang gelom mbang oleh air a sebelum m jatuh ke perrmukaan bumi). Sepuluh bannd tersebuut dihapus seedangkan duaa band lainnyya dihapus (band 115 dan 116) karrena merupakaan band yang y menganduung noise. Datta Hymap untuuk daerah Indramayu dilakukan peembulatan nillai panjangg gelombang agar sesuaii dengan daata Field_S Spect 10 dan Field_Spect 50. Pad da data Hymap juga dilakukann penggabungaan untuk seluruh s file mennjadi sebuah file fi seperti proses Data 0.2 menjadi datta 1.0. Contoh reflectance daata 1.0 dappat dilihat padaa Lampiran 3.
7
Pembuatan Prosedur Uji Data
Data Uji
Prosedur pengujian yang dilakukan sebagai berikut:
Data uji yang digunakan merupakan data Hymap yang telah diproses menjadi data 1.0, yang disesuaikan dengan data variabel pertanian, yaitu LAI, SPAD, dan Yield.
1. Cross validation 5 fold dengan data Indramayu dan Subang, menggunakan data berikut:
Rancangan Eksperimen
Field_Spect_10 Field_Spect_50
Desain model backpropagation yang diterapkan pada penelitian ini dapat dilihat pada Gambar 8.
2. Supplied test set : data Training :Field_Spect_10, data testing: Hymap data Training :Field_Spect_50, data testing: Hymap 3. 8-fold cross validation Data hymap terhadap yield memprediksi nilai RMSE terbaik Prosedur 1 dan 2 dilakukan untuk memprediksi LAI, SPAD, dan Yield. Untuk prosedur 3 dilakukan menggunakan Interactive Data Language (IDL) dengan data hymap untuk memprediksi RMSE Yield. Jumlah data untuk prosedur uji dapat dilihat pada Tabel 2. Tabel 2 Jumlah data untuk prosedur uji Data Field_Spect 10
Field_Spect 50
Crop Variabel
Jumlah data
LAI
104
SPAD
105
Yield
64
LAI
104
SPAD
105
Yield
64
Hymap
F_S 10 dan F_S 50
Hymap
Yield (8-fold Cross Validation)
Pembagian dan Penyesuaian Data Proses pembagian dan penyesuaian data dilakukan agar dapat diuji ke dalam software Weka untuk cross validation 5 fold dan supplied test set. Untuk 8-fold cross validation proses pembagian data dan penyesuaian data dilakukan dengan Interactive Data Language (IDL). Contoh tampilan source code backpropagation neural network pada IDL dapat dilihat pada Lampiran 4. Data Latih Data Latih yang digunakan adalah data 1.0, dengan pemisahan daerah Indramayu dan Subang dengan pengambilan data pada ketinggian 10 cm dan 50 cm yang disesuaikan dengan data variabel pertanian, yaitu LAI, SPAD, dan Yield.
Gambar 8 Desain model backpropagation. Inisialisasi parameter backpropagation pada Weka: Input layer berupa masukan nilai awal hyperspectral jumlah inputan yaitu 114 band. Bias = 1. Learning rate = 0.1. Fungsi sigmoid = 1/1+e-x. Hidden neuron = 5, 10, 15, 20, 25, 30. Stopping condition = 500 epoch. Running backpropagation. Inisialisasi parameter backpropagation pada IDL : Input layer = matrix nilai inputan dan weight. Learning rate = 0.1. Fungsi sigmoid = 1/1+e-x. Hidden neuron = 10 neuron. Stopping condition = 1000 epoch. Running Backpropagation. Lingkungan Pengembangan Perangkat lunak penelitian yaitu:
yang
digunakan
untuk
1. Windows 7 Proffesional sebagai sistem operasi, 2. Interactive Data Language (IDL) untuk proses dan pengujian data, 3. Weka 3.6 sebagai pengujian data, 4. Notepad ++ , 5. Microsoft Excel sebagai editor program. Perangkat keras penelitian yaitu :
yang
digunakan
untuk
1. Processor Intel Dual-Core 1.66 GHz, 2. RAM 1.5 GB, 3. Harddisk kapasitas 120GB. 8
Tabel 4 Prediksi nillai RMSE LA AI dengan crooss validation 5 fold
HASIL H DAN PEMBAHASA P AN Hasil penggujian data men nggunakan Weeka 1. Cross Validation V 5 Fold F Data Indrramayu dan Subangg Pengujian cross validation v 5 fold data gujian LAI, Indramayuu dan Subangg untuk peng SPAD, dann Yield. Nilai R2 yang dipeeroleh untuk prediksi LAI, L SPAD, dan d Yield maasing-masing dapat dilihhat pada Tabel 3 dengan Gam mbar 9, Tabel 5 dengan Gambar G 11, daan Tabel 7 den ngan Gambar 13. Sedanggkan nilai RM MSE LAI, SPAD D, dan Yield data Field__Spect 10 dann Field_Spect 50 masingmasing dappat dilihat pad da Tabel 4 denngan Gambar 10, Tabel 6 dengan Gamb bar 12, dan Tab abel 8 dengan Gambar 14 4. Tabel 3 Prediksi nilaii R2 LAI deengan cross validation 5 fo old
0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0 0
10
20
30
40
Fs 10 Indra amayu
Fs 50 5 Indramayu
Fs 10 Suba ang
Fs 50 5 Subang
E LAI. Gambar 100 Grafik RMSE D dengan crooss Tabel 5 Prediksi niilai R2 SPAD validation 5 fold
1 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0 0
10
20
30 0
40
Fs 10 Indramayyu
Fs 50 In ndramayu
Fs 10 Subang
Fs 50 Subang S
Gambar 9 Grafik G R2 LAI.
9
Tabel 7 Prediksi nilai n R2 Yieldd dengan crooss validation 5 fold
1 0,8 0,6 0,4 0,2 0 0
10
20
30 0
40
Fss 10 Indramayu
Fs 50 Indramayu
Fss 10 Subang
Fs 50 Subang
Gambar 11 Grafik G R2 SPAD D. Tabel 6 P Prediksi nilai RMSE R SPAD dengan d cross validation 5 fo old
1 0,8 0,6 0,4 0,2 0 0
10
20
30
40
Fs 10 Indra amayu
Fs 50 5 Indramayu
Fs 10 Suba ang
Fs 50 5 Subang
Y Gambar 113 Grafik R2 Yield. Tabel 8 Prediksi nilai RMSE Yielld dengan crooss validation 5 fold
7 6 5 4 3 2 1 0 0
10 Fs s 10 Indramayu Fs s 10 Subang
20
30 40 Fs 50 0 Indramayu Fs 50 0 Subang
G Gambar 12 Grafik RMSE SPA AD.
1 10
3
1
2,5
0,8
2
0,6
1,5
0,4
1
0,2
0,5
0 0 0
10
20
30 0
Fs 10 Indramay yu
Fs 50 In ndramayu
Fs 10 Subang
Fs 50 Subang S
Gambar G 14 Graafik RMSE Yieeld. 2. Supplieed Subangg
5
40
Test Sett Data Indraamayu dan
Supplieed test set menggunakan m d data training Field_Specct 10 dan Fieeld_Spect 50 dengan data testing yaitu data Hymap p. Grafik perbbandingan R2 untuk Fielld_Spect 10 dan d Field_Specct 50 dalam mempredik ksi data Hymaap dapat dilihatt pada Tabel 9 dan Gam mbar 15. Untukk nilai RMSE dapat dilihat pada Tabell 10 dan Gambbar 16. Grafik pola sebaran nilai aktuaal dan predikssi untuk LAI dapat d dilihat pada Lamppiran 5, untukk SPAD pada Lampiran 6, dan untuk Yield pada Lam mpiran 7.
10
15
20
25
30
LAI 10
SPAD 10
Yield 10
LAI 50
SPAD 50
Yield 50
Gambaar 15 Grafik baatang perbandin ngan R2 Hymaap. Tabel 10 Prediksi nnilai RMSE LAI, SPAD, daan Yield dengann supplied testt set data Hymaap Indramayu ddan Subang
Prediksi nilai R2 LAI, SPAD D, dan Yield Tabel 9 P deengan supplied test set data d Hymap In ndramayu dan Subang S
18 16 14 12 10 8 6 4 2 0 5
10
15
20
25
30
LAI 10
SPAD 10
Yield 10
LAI 50
SPAD 50
Yield 50
Gam mbar 16 Grafik batang perband dingan RMSE Hymap.
1 11
Hasil pengujian data menggunakan Interactive Data Language (IDL) 3. 8-Fold Cross Validation Data hymap diuji terhadap crop variabel Yield dan diprediksi nilai RMSE, setelah itu diambil nilai RMSE terkecil yang menjadi acuan hasil panen yang error. Prediksi RMSE Yield dapat dilihat pada Lampiran 8. Evaluasi dan Analisis Hasil Hasil pengujian dievaluasi dengan membandingkan nilai prediksi R2 dan RMSE pada prosedur pertama dan kedua pengujian data menggunakan Weka. Perubahan parameter pada jumlah neuron hidden layer memberikan tingkat akurasi R2 dan nilai error (RMSE) yang beragam. Hasil Cross Validation 5 fold : a.
b.
c.
Prediksi nilai R2 LAI untuk data Field_Spect 10 yaitu 0.6-0.87 mencapai nilai maksimum ketika jumlah hidden neuron 10, untuk Field_Spect 50 nilai prediksi 0.89-0.91 mencapai nilai maksimum ketika jumlah hidden neuron 5, sedangkan nilai RMSE untuk kedua data pengukuran tersebut < 0.9. Prediksi nilai R2 SPAD untuk data Field_Spect 10 yaitu 0.01-0.33, untuk Field_Spect 50 nilai prediksi 0.009-0.53. Mencapai nilai maksimum bersamaan ketika jumlah hidden neuron 30, sedangkan nilai RMSE untuk kedua data pengukuran tersebut < 6. Prediksi nilai R2 Yield untuk data Field_Spect 10 yaitu 0.0001-0.2, untuk Field_Spect 50 nilai prediksi 0.1-0.3. Mencapai nilai maksimum bersamaan ketika jumlah hidden neuron 15, sedangkan nilai RMSE untuk kedua data pengukuran tersebut < 3.
Hasil Supplied Test Set : a.
b.
c.
Prediksi nilai R2 LAI untuk data Field_Spect 10 yaitu 0.1-0.6, untuk Field_Spect 50 nilai prediksi 0.90-0.91. sedangkan nilai RMSE untuk kedua data pengukuran tersebut < 2. Prediksi nilai R2 SPAD untuk data Field_Spect 10 yaitu 0.1-0.27, untuk Field_Spect 50 nilai prediksi 0.32-0.37. sedangkan nilai RMSE untuk kedua data pengukuran tersebut > 4. Prediksi nilai R2 Yield untuk data Field_Spect 10 yaitu 0.0005-0.03, untuk Field_Spect 50 nilai prediksi 0.00070.013. sedangkan nilai RMSE untuk kedua data pengukuran tersebut < 8.
Pengujian prosedur ketiga menggunakan IDL Hasil 8-fold cross validation : Menggunakan data hymap untuk memprediksi RMSE crop variabel Yield diperoleh hasil memuaskan, nilai RMSE terbaik yaitu 0.10153786 terjadi pada fold ke 6 dan dapat dilihat pada Lampiran 9.
KESIMPULAN DAN SARAN Kesimpulan Hasil penelitian menunjukkan : 1. Penggunaan parameter jumlah neuron pada hidden layer, momentum, laju pembelajaran, dan stopping condition menjadi faktor penting pada training dan testing data yaitu untuk menghasilkan nilai akurasi yang memuaskan baik pada pengujian Weka dan IDL. 2. Pemodelan prediksi dengan algoritme backpropagation membutuhkan waktu eksekusi yang tidak cukup singkat karena adanya training data sebelum testing data. 3. Pengujian prosedur pertama dan kedua menggunakan Weka menunjukkan bahwa prediksi nilai R2 untuk LAI jauh lebih tinggi jika dibandingkan dengan SPAD dan Yield. Sedangkan prediksi nilai RMSE, tingkat error LAI merupakan yang terendah diikuti SPAD dan Yield. 4. Prediksi nilai R2 dan RMSE untuk LAI, SPAD, dan Yield data Field_Spect 50 cenderung lebih baik dibandingkan data Field_Spect 10. 5. Penggunaan algoritme BPNN memberikan nilai prediksi R2 yang cukup stabil dan nilai hasil prediksi RMSE relatif tidak berbeda signifikan, ketika jumlah hidden neuron 5, 10, 15, 20, 25, dan 30 masing-masing pada data ketinggian 10 dan 50 Cm. 6. Data pengukuran daerah Indramayu memberikan nilai R2 dan RMSE relatif lebih baik dibandingkan data pengukuran daerah Subang. 7. Pengujian prosedur ketiga menggunakan 8-fold cross validation untuk prediksi Yield menghasilkan nilai RMSE yang memuaskan, nilai best RMSE yang diperoleh yaitu 0.10153786. 8. Error yang cukup signifikan dapat terjadi karena pengaruh dalam penggunaan alat dan cuaca yang tidak mendukung pada saat proses pengambilan data berlangsung serta human error.
12
Saran Penelitian berikutnya dapat melanjutkan pengujian data dengan data lapangan baru dan memperhatikan parameter learning rate, jumlah hidden neuron, momentum serta stoping criteria (iterasi maksimum). Implementasi pada IDL untuk klasifikasi dan penerapan data spectral dengan distribution map untuk efisiensi prediksi hasil panen(Yield).
DAFTAR PUSTAKA Borengasser M, Hungate WS, Watkins R.2008. Hyperspectral Remote Sensing Principal and Applications. New York: CRC Press. Canty M.J.2007. Image Analysis, Classification and Change Detection in Remote Sensing. US : CRC Press. Evri M.2009. Hyperspectral Program “HyperSRI”. PTISDA BPPT. Fu Limin. 1994. Neural Network in Computer Intelligence. Singapore : McGraw-Hill. Landgrebe, D. 2005. Multispectral Land Sensing: Where From, Where To?. Vol 43. No 3 hal 8. Nugroho A.S. 2010. Introduction to Artificial Neural Network , BPPT. Sadly M, Yasuda Y.1999. Research on a self-built learning control mechanism in backpropagation training: convergence improvement, japan photogrammtry and remote sensing journal. Sembiring RK. 1995. Analisis Regresi. Bandung: Penerbit ITB. Smith R.B.2006. Introduction to Hyperspectral Imaging. http://www.microimages.com/getstart/pdf/hyprs pec.pdf. [ 10 Juli 2010] Kusumadewi S, Hartati S .2006. Neuro-Fuzzy. Yogyakarta: Graha Ilmu.
13
LAMPIRAN
Lampiran 1 Contoh reflectance data 0.1.
Lampiran 2 Contoh reflectance data 0.2.
Lampiran 3 Contoh reflectance data 1.0.
15
Lampiran 4 Contoh tampilan source code backpropagation neural network pada IDL
Lampiran 5 Grafik pola sebaran LAI 6 5 N i l a i a k t u a l
4 3 2 1 0 0
1
2
3
4
5
6
Nilai Prediksi
16
Lampiran 6 Grafik pola sebaran SPAD 50 45 40 N i l a i a k t u a l
35 30 25 20 15 10 5 0 0
10
20
30
40
50
6
8
10
Nilai Prediksi
Lampiran 7 Grafik pola sebaran Yield 10 9 8 N i l a i a k t u a l
7 6 5 4 3 2 1 0 0
2
4 Nilai Prediksi
17
Lampiran 8 Hasil 8-fold cross validation data hymap terhadap data Yield
Lampiran 9 Hasil best RMSE data hymap terhadap data Yield
18