Tabel 12. Hasil nilai klasifikasi analisis diskriminan
Classification Results
a
Kode Ikan Predicted Group Membership
Total Mas
Nila Patin
Original Count Mas
1304
303 303
1910 Nila
128
1516
266 1910
Patin 128
164 1618
1910 Mas
68,3 15,9
15,9 100,0
Nila 6,7
79,4 13,9
100,0 Patin
6,7 8,6
84,7 100,0
a. 77.5 of original grouped cases correctly classified.
Hasil klasifikasi yang dilakukan dengan metode analisis diskiminan diperoleh jumlah sampel ikan mas yang dapat diidentifikasi sebesar 68,3, ikan
nila yang dapat diidentifikasi sebesar 79,4, dan ikan patin yang dapat teridentifikasi sebesar 87.4. Secara keseluruhan model fungsi diskriminan yang
diperoleh dari hasil penelitian ini memberikan ketepatan pengklasifikasian 3 kelompok ikan uji sebesar 77,5 Tabel 12.
Ketepatan identifikasi jenis ikan yang paling tinggi diperoleh oleh jenis ikan patin, hal ini dapat dijelaskan karena hampir seluruh variabel deskriptor
akustik kecuali variabel Kedalaman dapat membedakan secara jelas dibandingkan dengan ikan mas dan nila. Ketepatan identifikasi jenis ikan nila sangat
dipengaruhi oleh variabel deskriptor Kedalaman dimana ikan nila terdeteksi pada kedalaman 1-5 meter. Hal ini sesuai dengan sifat ikan nila sebagai hewan
omnivora yang dapat beradaptasi sebagai ikan permukaan maupun ikan dasar. Sedangkan ketepatan identifikasi ikan mas ditentukan oleh variabel deksriptor
Tinggi, Ketinggian Relatif, Skewness dan Kurtosis seperti yang diperlihatkan dari hasil analisis Cluster.
4.4 JST Backpropagation
Perancangan awal arsiteksur model JSTB menggunakan input deskriptor akustik yang sama digunakan dalam analisis statistik sebelumnya. Untuk
memperoleh model arsitektur JSTB yang optimum maka dilakukan asumsi sebagai berikut :
a. Penentuan metode pelatihan yang tepat
Metode pelatihan JSTB bertujuan untuk mempercepat kerja jaringan saraf tiruan dalam mengenali suatu pola Demuth Beale, 1998 dalam Muhiddin,
2004; Adetiba et. al, 2011. Metode pelatihan backpropagation yang digunakan bertujuan untuk memperoleh nilai Mean Square Error MSE di bawah toleransi
yang ditentukan dengan jumlah iterasi yang paling sedikit minimum. Salah satu aplikasi JSTB untuk pengenalan pola yaitu menggunakan JSTPR Pattern
Recognition. JSTPR dapat mengenali pola dalam bentuk deretan vektor dengan baik
menggunakan metode
pelatihan Scaled
Conjugate Gradient
Backpropagation. b.
Penentuan jumlah neuron dalam lapisan tersembunyi JSTPR adalah jaringan 2 lapis feed-forward dengan input dan target
masukan dalam bentuk biner dengan fungsi aktivasi pada layar tersembunyi menggunakan tansig dan fungsi aktivasi pada layar ouput menggunakan biner.
Penentuan jumlah neuron yang menghasilkan nilai ketepatan yang tinggi menggunakan metode trial and error .
Percobaan menggunakan berbagai jumlah neuron dari 1 – 100 neuron,
diperoleh ketepatan pengenalan jenis ikan di atas 80 kecuali untuk jumlah neuron 1 dan 80 yang hanya memberikan ketepatan akurasi sebesar 67,44 dan
31,63 . Nilai MSE yang paling kecil diperoleh pada penggunaan jumlah neuron sebanyak 50 yang memberikan nilai MSE sebesar 0,0783 dengan persentase error
sebesar 15,58. Tabel 13. Nilai MSE dan E JST-PR
No Algoritma Pelatihan
Fungsi Pelatihan Neuron
MSE E
1 Scale Conjugate Gradient
trainscg 1
0,1582 35,23
2 10
0,0917 19,65
3 20
0,0968 18,49
4
30 0,0778
15,34
5 40
0,0932 18,72
6 50
0,0783 15,58
7 60
0,1056 22,90
8 70
0,0952 19,76
9 80
0,2553 68,37
10 90
0,0927 18,48
11 100
0,0952 19,65
Hasil aplikasi JSTPR dalam pengenalan 3 jenis ikan dengan 5730 sampel pola diperoleh nilai MSE dengan ketepatan yang paling tinggi yaitu model JSTPR
dengan jumlah neuron pada lapisan tersembunyi sebanyak 30 neuron Tabel 13. Penggunaan 30 neuron pada lapisan tersembunyi JSTPR memberikan nilai MSE
pada data uji sebesar 0,0809 dengan persentase error sebesar 16,16. Nilai MSE yang diperoleh pada saat digunakan pada data uji diperoleh sebesar 0,0858
dengan persentase error sebesar 17,44. Sedangkan nilai MSE yang diperoleh pada saat validasi model JST-PR sebesar 0,0778 dengan tingkat akurasi sebesar
84,66 Tabel 14.
Tabel 14. Hasil pengujian dan validasi JST Backpropagation
Sampel MSE
Error Training
4010 8,09E-02
1,62E+01 Validasi
860 7,78E-02
1,53E+01 Testing
860 8,59E-02
1,74E+01
Gambar 17. Grafik MSE vs Epoch JST-PR
Tingkat akurasi pengenalan 3 jenis ikan uji secara rinci dapat dilihat pada matrik konfusi. Pada saat pelatihan model JST-PR dengan 30 neuron memberikan
ketepatan pengenalan jenis ikan mas sebesar 28,1, ikan nilai sebesar 27,6 dan
ikan patin sebesar 28,4 dengan total akurasi sebesar 84,1. Pada saat validasi model JST-PR diperoleh nilai akurasi pengenalan jenis ikan mas sebesar 27,1,
ikan nila sebesar 26,0 dan ikan patin sebesar 31,6 dengan total akurasi sebesar 84,8. Dari hasil aplikasi model JST-PR dapat disimpulkan bahwa pengenalan 3
jenis ikan air tawar menggunakan input masukan deskriptor akustik dapat dikenali dengan baik Tabel 15.
Tabel 15. Matriks konfusi JST-PR
Mas Nila
Patin Total
Prediction Prediction
Prediction Prediction
Training 28,10
27,60 28,40
84,10 Validasi
27,10 26,00
31,60 84,80
Testing 29,00
25,90 27,70
82,60 All
28,10 27,10
28,80 84,00
4.5 JST Multilayer Perceptron
