a obyek citra b perubahan ukuran
c perubahan posisi d perubahan orientasi
Gambar 22 Perubahan ukuran, posisi dan orientasi citra. Tabel 3 Struktur ciri citra yang digunakan pada pelatihan
No. Ekstraksi Ciri Mode
Citra Ukuran
Pixel Jumlah Rotasi
1 Warna RGB
300 x
220 10
0º, 45º, 60º, 90º, 135º,180º, 200º, 225º,
270º dan 315º 2 Tekstur Grayscale
300 x 220 10
0º, 45º, 60º, 90º, 135º,180º, 200º, 225º,
270º dan 315º 3
Tekstur - GLCM Grayscale
300 x 220 10
0º, 45º, 60º, 90º, 135º,180º, 200º, 225º,
270º dan 315º 4 Tekstur
- LBP8riu1 Grayscale
300 x 220 10
0º, 45º, 60º, 90º, 135º,180º, 200º, 225º,
270º dan 315º 5 Bentuk Grayscale
300 x 220 10
0º, 45º, 60º, 90º, 135º,180º, 200º, 225º,
270º dan 315º
4.2 Pembentukan Model dan Pencocokan Pola
Pembentukan model dan pencocokan pola dilakukan menggunakan JST backpropagation dengan arsitektur multi layer perceptron dengan satu hidden
layer. Jumlah neuron input sesuai dengan jumlah ekstraksi ciri. Jumlah neuron pada hidden layer didapat dari hasil trial error yang terbaik. Jumlah neuron
pada lapisan output disesuaikan dengan jumlah karang yang diidentifikasi.
Untuk inisialisasi bobot awal digunakan inisialisasi secara random dan fungsi aktivasi yang digunakan adalah sigmoid biner. Penggunaan sigmoid biner
sesuai untuk pengenalan dengan selang antara 0 dan 1. Toleransi galat yang digunakan yang menjadi batasan waktu bagi jaringan dalam melakukan pelatihan
adalah 10
-3
dan 10
-4
dan laju pembelajaran α = learning rate yang digunakan
adalah 0.1. Jumlah epoch maksimal yang ditetapkan adalah 3000 yang diperlukan sebagai kriteria henti jaringan. Satu epoch adalah proses satu kali perulangan
untuk melatih semua pasangan data pelatihan Kusumadewi Hartati 2006. Toleransi galat yang cukup kecil diharapkan akan memberikan hasil yang
cukup baik. Jika ternyata JST gagal mencapai kekonvergenan maka akan dilakukan penambahan jumlah hidden neuron sampai kekonvergenan tercapai.
Jika JST berhasil mencapai kekonvergenan maka akan dilihat generalisasinya dan dilakukan penambahan neuron. Jika ternyata generalisasi yang dihasilkan tidak
jauh berbeda dengan generalisasi sebelumnya maka JST telah sampai pada batas optimal. Penambahan kembali hidden neuron tidak akan menambah generalisasi
dan hanya akan menambah waktu komputasi. Berikut ini disajikan struktur JST yang digunakan Tabel 4 dan defenisi target dengan fungsi aktivasi sigmoid biner
Tabel 5. Tabel 4 Struktur JST untuk identifikasi citra karang
KARAKTERISTIK SPESIFIKASI
Arsitektur 1 lapisan
tersembunyi Neuron input
Hasil ekstraksi ciri Neuron hidden
trial error Neuron output
Jumlah genus karang Fungsi aktivasi
Sigmoid biner Toleransi galat
10
-3
dan 10
-4
Laju pembelajaran 0.1
Jumlah epoch maksimum 3000
Sampel pelatihan pada tiap genus karang 10 citra
Sampel pengujian pada tiap genus karang 5 citra
Tabel 5 Definisi target untuk fungsi sigmoid biner pada 5 genus karang
No. Target Representasi
Genus Karang
1 1 0 0 0 0 Madracis
2 0 1 0 0 0 Palauastrea
3 0 0 1 0 0 Pocillopora
4 0 0 0 1 0 Seriatophora
5 0 0 0 0 1 Stylophora
4.3 Algoritma Pelatihan
