3.7 Metode jaringan syaraf tiruan dalam identifikasi kelamin ikan Koi
Pada model jaringan syaraf ini digunakan tiga lapisan yaitu lapisan input, lapisan tersembunyi hidden layer dan lapisan output. Pemilihan model dengan 3
lapisan ini dengan pertimbangan bahwa penggunaan JST lebih dari tiga lapisan tidak akan memperbaiki kinerja jaringan.
Faktor deskriptor yang terdeteksi pada citra akan menjadi masukan pada lapisan input dengan jumlah titik simpul node pada input adalah sebanyak 14
unit, dengan data masukan berupa Area A, perimeter Pr, Lebar L, panjang P, Elongationelong, Circularity circ , Rectangularrect , indeks warna merah
I
red
, indeks warna hijau I
green
, indeks warna biru I
blue
, intensitas I, hue Hu, dan Saturation S. lapisan tersembunyi terdiri atas 1, 2 dan 3 kali noda input dan
lapisan output terdiri atas satu titik simpul. Data input yang diberikan pada input layer terdiri atas :
a X
1
= Area A b
X
2
= Perimeter Pr c
X
3
= Lebar L d
X
4
= Panjang P e
X
5
= Elongation Elong = L
P
f X
6
= Circularity Circ = A
P π
4
2
g X
7
= Rectangular rect = A
L P
∗
h X
8
= Indeks warna merah I
red
= B
G R
R +
+
i X
9
= Indeks warna hijau I
green
= B
G R
G +
+
j X
10
= Indeks warna biru I
blue
= B
G R
B +
+
k X
11
= Intensitas I = 3
B G
R +
+
l X
12
= hue cos Hu = 2
2 2
G R
B R
G R
B G
R +
⋅ +
+ +
− −
m X
13
= Saturation S = min
3 RGB
B G
R I
+ +
−
Sebagai output terdiri atas dua keputusan yaitu jantan memberikan nilai 0.5 dan betina memberikan nilai 0.5
Keterangan : B = 1, 2, 3 kali noda input [0 1]
1
X
1
X
2
X
3
X
4
X
13
H
1
H
2
H
3
H
4
H
5
H
6
H
7
H
8
H
B
1
O
1
Input Layer Hidden Layer
Output Layer
Gambar 13. Struktur jaringan syaraf tiruan yang dikembangkan
3.8 Validasi model
Setelah sistem menyelesaikan proses pembelajaran maka diperlukan adanya proses pengujian kinerja apakah jaringan yang kita bangun telah bekerja sesuai dengan
yang diharapkan tentu saja pengujian ini menggunakan data yang belum pernah diberikan kepada jaringan. Proses pengujian ini disebut dengan validasi. Kinerja jaringan dapat
dinilai berdasarkan nilai RMSE Root Mean Square Error pada proses generalisasi contoh data input-output baru, nilai RMSE dapat dirumuskan menjadi :
n a
p RMSE
∑
− =
2
;………………………………. 15 dimana :
p = nilai prediksi yang dihasilkan oleh jaringan a = nilai target yang diberikan oleh jaringan
n = jumlah contoh pada set data validasi Jika sistem JST telah berhasil selama proses pelatihan dan validasi maka sistem
tersebut sudah dapat digunakan untuk aplikasi selanjutnya.
4. HASIL DAN PEMBAHASAN
Kategori