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
JST-MLP terdiri dari beberapa neuron yang terhubung dan mempunyai input masukan dan keluaran dimana perceptron akan menghitung jumlah nilai
perkalian penimbang dan masukan dari parameter permasalahan yang kemudian dibndingkan dengan nilai threshold. Aplikasi JST-MLP dikembangkan dengan
menggunakan metode pelatihan Backpropagation. Hasil percobaan aplikasi model JST-MLP diperoleh model arsitektur yang
memberikan nilai MSE yang paling kecil yaitu model JST-MLP 8-3-6-5-1, yaitu menggunakan 8 jenis masukan, 3 layar tersembunyi dan 1 keluaran. Besar nilai
laju pelatihan ditentukan sebesar 0,5. Setelah 81 iterasi diperoleh nilai MSE sebesar 0,0692 dengan ketepatan akurasi sebesar 85,7 Gambar 18.
Gambar 18. Grafik MSE vs Epoch JST-MLP Algoritma pelatihan yang digunakan dalam JST-MLP yaitu algoritma
Levenberg-Marquard yang dapat memberikan hasil yang lebih baik dibandingkan algoritma pelatihan yang lain. Hasil identifikasi 3 jenis ikan uji dalam JST-MLP
pada saat validasi diperoleh ketepatan penentuan jenis ikan mas sebesar 27,7, ikan nila sebesar 27,8 dan ikan patin sebesar 30,2 Tabel 16.
Dari hasil tersebut maka dapat disimpulkan bahwa dari aplikasi JST yang memberikan nilai ketepatan yang lebih tinggi dalam penentuan 3 jenis ikan air
tawar yaitu aplikasi JST-MLP dengan metode pelatihan Backpropagation. Tabel 16. Matriks konfusi JST-MLP
Classification Results
a
Kode Ikan Predicted Group Membership
Total Mas
Nila Patin
Count Mas
1587 1910
Nila
1595
1910 Patin
1730 1910
Mas 27,7
86,9 Nila
27,8 84,9
Patin 30,2
85,4
a. 85,7 of original grouped cases correctly classified.
Pengujian terhadap dua model JST yang diperoleh dengan menggunakan data acak sampel data ketiga jenis ikan uji dengan jumlah masing-masing sampel
sebanyak 150 sampel, diperoleh ketepatan klasifikasi dan identifikasi jenis ikan menggunakan model JSTPR sebesar 95,6 , lebih baik dibandingkan dengan
model JST-MLP dengan nilai akurasi sebesar 95,1 . Namun secara keseluruhan kedua model JST yang diperoleh dari hasil penelitian ini memberikan ketepatan
akurasi klasifikasi dan identifikasi ikan diatas 90 Tabel 17. Tabel 17. Matriks konfusi Pengujian Model JSTPR dan JST-MLP
Additional Test
Model JST Jenis Ikan
Predicted Group Membership Mas
Nila Patin
JST PR Mas
30,7
Nila
32,4
Patin
32,2 JST MLP
Mas 27,9
Nila 33,8
Patin
33,8
a.
95,6 of correctly classified by JST PR
b.
95,1 of correctly classified by JST MLP
V SIMPULAN DAN SARAN
5.1 Simpulan
