Tabel 23 Hasil identifikasi dan klasifikasi JSTPB3
JK Jml. Hasil
identifikasi
1:N 2:S 3:L 4:C 5:P T.D 1:N 4
4100 0 0 0
2:S 7 0 457,1
1 14,3 114,3
114,3 3:L 5
0 120 360 0 0
120 4:C 6
0 116,7 583,3
0 0 5:P 8
0 112,5 0 112,5 6 75
Total 30 4
6 5
7 6
2
Pada Gambar 37 ditunjukkan kekuatan pengaruh kedelapan deskriptor dalam proses identifikasi dan klasifikasi JSTPB3. Dengan urutan kekuatan
kontribusi seperti pada gambar tersebut maka dapat disimpulkan bahwa kelompok deskriptor morfometrik adalah kelompok deskriptor yang paling berperan dalam
JSTPB3.
H Er
S E
K A
L P
0.2 0.4
0.6 0.8
1 1.2
D e
s k
ri pt
or
Tingkat Kontribusi
Gambar 37 Diagram Pareto JSTPB3. Dari penjelasan di atas dapat disimpulkan bahwa model jaringan JSTPB3
dengan 8 unit masukan pada 1 lapisan masukan, 8 unit sel tersembunyi pada 1 lapisan tersembunyi, dan 1 unit sel keluaran pada 1 lapisan keluaran dapat bekerja
secara optimal untuk identifikasi dan klasifikasi kawanan ikan dengan ketepatan hingga 73,33.
Galat hasil identifikasi yang terukur pada JSTPB2 dan JSTPB3 diduga karena beberapa data deskriptor citra akustik dari kelompok kawanan ikan satu
dengan lainnya bertampalan atau hampir bertampalan overlap sebagaimana terlihat pada Gambar 23. Pada gambar tersebut dapat dilihat bahwa, fungsi
diskriminan 1 dan 2 hanya dapat membedakan dengan benar 81,7 data uji, dengan demikian 18,3 sisanya dapat teridentifikasi sebagai anggota kelompok
kawanan lain. Kemungkinan lain dikemukakan oleh Simmonds et al.1996 yang mengatakan bahwa galat hasil identifikasi dapat disebabkan karena kemiripin
tingkah laku ikan yang diamati. Hasil hitungan JSTPB1, JSTPB2, dan JSTPB3 dapat dilihat masing-masing pada Lampiran 12, 13, dan 14.
6.4 Pembahasan
Dari hasil perancangan awal dan pelatihan JSTPB serta hasil analisis statistik, didapatkan model awal JSTB yang bekerja dengan metode pelatihan
Levenberg-Marquardt
. Model ini tersusun dari 8 unit sel masukan pada lapisan masukan, 5 unit sel tersembunyi pada lapisan tersembunyi dan 1 unit sel keluaran
pada 1 lapisan keluaran, model 85-1
.
Penggunaan metode
pelatihan
Levenberg-Marquardt
sebagaimana disebutkan di atas didasarkan pada kemampuan metode pelatihan ini untuk
mencapai fungsi tujuannya dengan lebih cepat dibandingkan dengan metode pelatihan lainnya lihat Tabel 17. Hasil ini sejalan dengan hasil penelitian
Demuth Beale 1998 yang juga menemukan hal yang sama. Kecepatan pemrosesan data yang ditunjukkan metode pelatihan
Levenberg-Marquardt
diduga karena metode ini menggunakan Algoritma Newton yang sudah dikembangkan.
Kreyszig 1988 mengemukakan bahwa algoritma Newton adalah algoritma yang efisien yang dapat digunakan untuk menyelesaikan operasi-operasi matriks.
Karena itu, penyelesaian Matriks Hesian dapat dilakukan dengan lebih cepat dan dengan penggunaan memori komputer yang lebih sedikit Demuth Beale,
1998. Hasil perancangan awal dan pelatihan JSTPB juga menunjukkan bahwa
setelah unit sel masukan berjumlah lebih besar dari 18, nilai MSE dan iterasi hitungan mencapai nilai yang melebihi batas toleransi lihat Gambar 28. Hal ini
