JSTPB2 digunakan sebagai pembanding Metode Statistik sedangkan JSTPB3 digunakan sebagai pembanding JSTPB1, perhatikan posisi JSTPB2 terhadap
metode statistik dan posisi JSTPB3 terhadap JSTPB1 yang sejajar pada Gambar 14.
6.3 Hasil
Perancangan awal model JSTPB dilakukan dalam 5 tahap untuk 1 menentukan metode pelatihan yang tepat, 2 menentukan kisaran jumlah unit
sel masukan, 3 menentukan kisaran jumlah unit sel tersembunyi, 4 menentukan kisaran jumlah lapisan tersembunyi, dan 5 menentukan kisaran jumlah pola
masukan.
6.3.1 Hasil perancangan awal dan pelatihan JSTPB
Berikut ini hasil rancangan awal model JSTPB yang dilakukan untuk menentukan kelima hal yang telah disebutkan sebelumnya. Hasil perancangan
awal ini selanjutnya digunakan sebagai nilai awal dalam pelatihan dan uji coba jaringan.
1 Metode pelatihan
Dalam JSTPB ada beberapa metode pelatihan yang dapat digunakan. Metode pelatihan tersebut pada dasarnya merupakan hasil pengembangan metode
pelatihan gradient descent Fausett, 1994; Lawrence, 1992. Penggunaan metode pelatihan yang tepat dapat mempercepat kerja jaringan saraf tiruan Demuth
Beale, 1998. Pada Tabel 17 dapat dilihat bahwa kesepuluh metode pelatihan yang
digunakan menghasilkan nilai MSE yang berada dalam batas toleransi 0,001, walaupun demikian dari kesepuluh metode tersebut, metode pelatihan Levenberg-
Marquardt memberikan nilai MSE terkecil yaitu sebesar 9,71 x 10
-5
dan hanya dalam 11 kali hitungan iterasi.
Tabel 17 Perbandingan hasil pelatihan beberapa metode pelatihan JSTPB model 85-1 dengan menggunakan data pelatihan yang sama
No Nama Penemu
Metode pelatihan JSTPB
Demuth Beale, 1998
Metode Pelatihan
Jumlah Iterasi, Max
1500 MSE
0.001
1 Scaled Conjugate
Gradient
trainscg 53
8,632 x 10
-04
2 Fletcher-Reeves Update
traincgf 103
9,421 x 10
-04
3 Polak-Ribie’re
traincgp 65
9,224 x 10
-04
4 Powel-Beale Restars
traincgb 47
8,315 x 10
-04
5 Broyden, Fletcher,
Goldfarb, Shanno
trainbfg 28
7,299 x 10
-04
6 One Step Secant
trainoss 41
9,155 x 10
-04
7 Gradient Descent
GD with Adaptive Learning
Rate
traingda 1167
9,983 x 10
-04
8 GD with Momentum and
Adaptive Learning Rate
traingdx 117
9,731 x 10
-04
9 Resilent Backpropagation
trainrp 210
9,823 x 10
-04
10 Levenberg-Marquard
trainlm 11
9,71 x 10
-05
Keterangan: MSE, mean square error
Ini berarti bahwa metode pelatihan Levenberg-Marquardt dapat mencapai fungsi tujuannnya lebih cepat dibandingkan dengan metode pelatihan lainnya.
Karenanya ditetapkan untuk menggunakan metode pelatihan Levenberq- Marquardt dalam proses perancangan model JSTPB tahap 2 hingga 5.
2 Jumlah unit sel masukan
Jumlah unit sel masukan menyatakan banyaknya variabel yang dapat digunakan untuk membedakan obyek penelitian yang satu dengan obyek
penelitian lainnya. Dalam disertasi ini variabel yang dimaksud adalah deskriptor kawanan ikan. Hasil penelitian pada Bab 5 menunjukkan bahwa deskriptor dapat
digunakan untuk membedakan spesies kawanan lemuru yang satu dengan lainnya. Dari bab yang sama diketahui bahwa terdapat 8 deskriptor utama yaitu L, H, A, P,
E, Trel, Er, dan Dv yang dapat digunakan sebagai pembeda antara kelompok kawanan ikan. Karena itu, pada tahapan ini nilai awal untuk jumlah unit sel
masukan ditetapkan sebanyak 8 buah sedangkan jumlah unit sel masukan selanjutnya berjumlah 9, 10, 11 dst. Jumlah deskriptor untuk unit sel masukan
diperbanyak hingga 30 deskriptor dengan cara menggandakan secara acak
deskriptor yang ada. Hasil pelatihan yang dilakukan dengan jumlah unit sel masukan yang berbeda dapat dilihat pada Gambar 28.
a b Gambar 28 Grafik hasil pelatihan dengan jumlah unit sel masukan yang berbeda
a Jumlah unit sel masukan Vs Jumlah iterasi b Jumlah unit sel masukan Vs MSE.
Pada Gambar 28 dapat dilihat bahwa jumlah unit masukan berpengaruh terhadap jumlah iterasi dan nilai MSE. Jika jumlah unit masukan diperbesar maka
kondisi konvergen jaringan cenderung akan dicapai lebih lama jumlah iterasi lebih banyak. Pada kondisi tersebut nilai MSE juga mempunyai kecenderungan
membesar, lebih besar dari batas toleransinya. Gambar tersebut juga menunjukkan bahwa batas toleransi jumlah iterasi
yaitu sebanyak maksimum1500 kali iterasi tercapai setelah unit sel masukan berjumlah 17 buah. Pada saat itu nilai MSE sudah melampaui batas toleransinya
MSE 0,001. Nilai-nilai tersebut tampaknya menurun setelah unit masukan berjumlah 20, tetapi Fausett 1994 menyarankan agar hitungan dihentikan setelah
nilai MSE melampaui nilai toleransinya, karena pada saat itu jaringan sudah kehilangan kemampuannya dalam melakukan identifikasi secara umum terhadap
data masukan.
Karena kedua hal tersebut di atas maka ditetapkan untuk merancang model JSTPB dengan unit sel masukan berjumlah antara 8 hingga 17 unit sel masukan.
Tetapi karena jumlah iterasi terkecil 19 kali iterasi dicapai ketika unit sel masukan berjumlah 8 unit dengan nilai MSE=0,00056 toleransi, karenanya nilai
awal jumlah masukan jaringan dapat dimulai dengan 8 unit masukan. Jika dengan jumlah ini fungsi tujuan tidak tercapai maka jumlah unit sel masukan ditambah 1
persatu hingga mencapai nilai maksimalnya.
3 Jumlah unit sel tersembunyi
Jumlah unit sel tersembunyi berfungsi untuk meningkatkan kemampuan jaringan untuk menyaring informasi yang diterima sehingga secara umum
informasi tersebut dapat diidentifikasi dan diklasifikasi. Karena data kawanan lemuru yang tersedia dikelompokkan kedalam 5 spesies kawanan maka pada
tahapan ini diatur agar nilai awal untuk jumlah unit sel tersembunyi adalah sebesar 5 buah dan jumlah unit sel tersembunyi selanjutnya berjumlah 6, 7, 8 dan
seterusnya atau kelipatan 5. Hasil pelatihan dengan jumlah unit sel tersembunyi yang berbeda dapat dilihat pada Gambar 29.
a b Gambar 29 Grafik hasil pelatihan dengan jumlah unit sel lapisan tersembunyi
yang berbeda a Jumlah unit sel tersembunyi Vs Jumlah iterasi b Jumlah unit sel tersembunyi Vs MSE.
Pada Gambar 29 dapat dilihat bahwa banyaknya unit sel tersembunyi pada lapisan tersembunyi menentukan jumlah iterasi dan nilai MSE. Gambar tersebut
menunjukkan kecenderungan penurunan jumlah iterasi dan nilai MSE. Ketika jumlah unit sel lapisan tersembunyi lebih sedikit, jumlah iterasi tampak lebih
tinggi dan ketika jumlah unit sel lapisan tersembunyi bertambah banyak maka jumlah iterasi semakin mengecil. Hal ini berarti bahwa peningkatan kecepatan
jaringan untuk mencapai kondisi konvergen dapat dilakukan dengan penambahan jumlah unit sel tersembunyi.
Gambar yang sama juga menunjukkan bahwa nilai MSE cenderung bergerak mengecil ketika jumlah unit sel tersembunyi diperbanyak. Tampak
bahwa nilai MSE masih berada di atas batas toleransi 0,001 ketika unit sel tersembunyi masih berjumlah 5 buah dengan jumlah iterasi masih cukup besar
56 iterasi. Berdasarkan kedua hal di atas maka ditetapkan untuk menggunakan unit
sel tersembunyi minimal sebanyak 5 buah unit sel dan akan ditambah satu atau hingga kelipatan lima untuk setiap pengulangan hitungan.
4 Jumlah lapisan tersembunyi
Sebagaimana jumlah unit sel tersembunyi, secara teoritis jika lapisan tersembunyi diperbanyak maka kemampuan jaringan untuk mencapai fungsi
tujuannya MSE0,001 menjadi lebih lambat mengingat jumlah lapisan tersembunyi menentukan jumlah langkah kerja jaringan seperti tampak pada
algoritma JSTPB. Kusumadewi komunikasi pribadi, Januari 2006 menyarankan agar jumlah lapisan tersembunyi tidak lebih dari 7 lapisan karena dengan jumlah
lapisan lebih dari itu ketidakstabilan jaringan akan mudah sekali terjadi. Hasil pelatihan JSTPB dengan jumlah lapisan tersembunyi yang berbeda dapat dilihat
pada Gambar 30. Sebagaimana dijelaskan sebelumnya, fungsi aktivasi yang digunakan pada
seluruh model ini adalah fungsi sigmoid bipolar tansig pada setiap lapisan tersembunyi sedangkan pada lapisan keluarannya digunakan fungsi linier
purelin. Tabel 18 dan Gambar 30 menunjukkan bahwa jumlah lapisan dalam JSTPB menentukan jumlah iterasi dan nilai MSE. Susunan angka pada Tabel 18
kolom 2 seperti pada baris 4 model jaringan ke-3 adalah 5-5-5-1 artinya, lapisan
tersembunyi pada model jaringan ke-3 berjumlah 3 lapisan dengan 5 buah unit sel tersembunyi pada setiap lapisannya.
Gambar 30 memperlihatkan dengan jelas fluktuasi jumlah iterasi akibat variasi jumlah lapisan tersembunyi. Jumlah iterasi terbesar =865 didapatkan
ketika lapisan tersembunyi berjumlah 7 lapisan sedangkan yang terkecil =6 didapatkan ketika lapisan tersebunyi berjumlah 1 lapisan.
Gambar yang sama juga memperlihatkan adanya kecenderungan dimana nilai MSE membesar ketika jumlah lapisan diperbanyak walaupun tetap dalam
batas toleransi 0,001. Nilai MSE terbesar 9,9258 x 10
-4
didapatkan ketika lapisan tersembunyi berjumlah 7 lapisan model 7 sedangkan nilai MSE terkecil
2,6087 x 10
-5
didapatkan ketika lapisan tersembunyi berjumlah 1 lapisan
model 1.
a b Gambar 30 Grafik hasil pelatihan berdasarkan arsitektur jaringan yang berbeda
dengan fungsi aktivasi tansig-purelin a Model JSTPB Vs Jumlah iterasi b Model JSTPB Vs MSE.
Tabel 18 Perbandingan hasil pelatihan berdasarkan arsitektur jaringan yang
berbeda dengan fungsi aktivasi tansig-purelin
.
Model Jaringan
Arsitektur Jaringan
Jumlah Iterasi
M S E 0.001
1 5-1 6 2,6087 x 10
-5
2 5-5-1
23 1,6288 x 10
-4
3 5-5-5-1
131 1,1706 x 10
-4
4 5-5-5-5-1
13 8,3708 x 10
-5
5 5-5-5-5-5-1
50 2,6559 x 10
-4
6 5-5-5-5-5-5-1
26 6,3735 x 10
-4
7 5-5-5-5-5-5-5-1
865 9.9258 x 10
-4
Dari penjelasan di atas ditetapkan bahwa jumlah lapisan tersembunyi berpengaruh terhadap kecepatan kerja jaringan JSTPB. Dalam disertasi ini jumlah
awal lapisan tersembunyi adalah sebanyak 1 lapisan dengan 5 unit sel tersembunyi. Jika dengan arsitektur seperti ini fungsi tujuan tidak dapat dicapai
maka jumlahnya dapat ditambah hingga jumlah maksimal 7 lapisan.
5 Jumlah pola pelatihan
Tahapan ini dilakukan untuk menentukan jumlah minimal data pelatihan yang diperlukan agar kerja jaringan dapat dioptimalkan. Dalam disertasi ini
kawanan ikan yang akan diidentifikasi adalah 4 spesies kawanan lemuru dan 1 kawanan non-lemuru, karenanya secara teoritis diperlukan minimal 5 pola
masukan untuk dapat melakukan identifikasi sedangkan jumlah pola selanjutnya adalah 6, 7, 8 atau sebanyak kelipatan dari 5. Hal ini sejalan dengan Hecht-
Nielsen 1990 yang diacu Haralabous Georgakarakos 1996 yang menyarankan agar penentuan jumlah minimum data yang diperlukan ditentukan
dengan Metode Leaving-one-out. Hasil pelatihan JSTPB dengan junlah pola masukan yang berbeda dapat dilihat pada Gambar 31.
a b Gambar 31 Grafik hasil pelatihan dengan jumlah pola masukan yang berbeda a
Jumlah pola masukan Vs Jumlah Iterasi b Jumlah pola masukan Vs M S E.
Gambar 31 memperlihatkan hasil pelatihan yang dilakukan dengan pola masukan yang berbeda-beda. Pada gambar tersebut tampak terlihat bahwa jumlah
iterasi dan nilai MSE cenderung bertambah besar ketika jumlah pola latihan diperbanyak. Jumlah iterasi terkecil =6 didapatkan ketika pola data pelatihan
berjumlah 5 buah, sedangkan nilai maksimumnya =1500 dicapai ketika pola data pelatihannya berjumlah 50 buah. Dari gambar yang sama tampak terlihat
bahwa nilai MSE terkecil =7,0953 x 10
-7
didapatkan ketika pola data pelatihan berjumlah 5 buah dan nilai terbesarnya =0,0186 didapatkan ketika pola data
pelatihan berjumlah 50 buah. Karenanya, jumlah pola data pelatihan yang digunakan dapat berjumlah antara 5 hingga +50 jumlah pola latihan. Pada kisaran
pola data tersebut jumlah iterasi berkisar antara 5 hingga 203 iterasi sedangkan nilai MSE yang dapat dicapai berkisar antara 7,0953 x 10
-7
hingga 7.8709 x 10
-4
0,001. Peningkatan nilai MSE ketika jumlah pola data ditambah seperti terlihat
pada Gambar 31 disebabkan karena galat yang timbul akibat salah melakukan identifikasi pola masukan ke-n juga dibebankan ke proses identifikasi pola ke-
n+1. Sebagaimana terlihat pada Gambar 27, pembebanan ini dilakukan dengan menjadikan bobot akhir proses identifikasi pola ke-n, yang koreksinya dihitung
berdasarkan nilai galat pola ke-n, menjadi bobot awal proses identifikasi pola ke- n+1. Karenanya, secara teoritis nilai MSE akan membesar ketika jumlah galat
hasil identifikasi pola-pola sebelumnya menumpuk pada pola-pola berikutnya. Berdasarkan hasil pemodelan jaringan yang dilakukan diatas maka model
awal yang akan digunakan untuk identifikasi dan klasifikasi kawanan ikan adalah model JSTPB 1 yang terdiri dari 1 lapisan masukan dengan 8 unit sel masukan,
sesuai banyaknya deskriptor utama hasil analisis statistik, 1 lapisan tersembunyi dengan 5 unit sel tersembunyi, sesuai banyaknya spesies kawanan ikan hasil
analisis statistik, dan 1 lapisan keluaran dengan 1 unit sel keluaran Y
k
; k = 1. Model ini menggunakan fungsi aktivasi sigmoid bipolar di lapisan tersembunyi
dan fungsi aktivasi linier di lapisan keluaran dan bekerja dengan metode pelatihan Levenberg-Marquardt dengan pola data masukan berjumlah 56 buah.
6.3.2 Hasil perancangan akhir dan uji coba JSTPB