1.3. Ruang Lingkup Penelitian
Ruang Lingkup Penelitian ini adalah : 1.
Pengukuran kuantitatif beberapa parameter deskriptor akustik beberapa jenis ikan air tawar nila, patin dan mas dengan akustik sorot terbagi
yang meliputi parameter Sv, Area Backscattering Strength, Target Strength,, Skewness, Kurtosis, Ketinggian, Ketinggian relatif dan
Kedalaman ikan. 2.
Pengembangan dan aplikasi program JST Backpropagation dan Multi Layer Perceptron MLP dalam penentuan jenis ikan air tawar dengan
akustik sorot terbagi berdasarkan parameter deskriptor akustik yang diperoleh.
1.4. Tujuan Penelitian
Penelitian ini bertujuan untuk : 1.
Mengukur deskriptor beberapa jenis ikan air tawar mas, nila, patin dari echogram SIMRAD EY60.
2. Membandingkan program JST Backpropagation dan Multi Layer
Perceptron MLP dengan model statistik dalam penentuan jenis ikan air tawar.
3. Menentukan karakteristik akustik ikan Mas, Nila dan Patin.
1.5. Manfaat Penelitian
Penelitian ini diharapkan dapat menjadi bahan informasi dalam hal : 1.
Peningkatan akurasi pendugaan stok ikan dengan metode akustik di perairan umum daratan Indonesia.
2. Peningkatan produktivitas penangkapan ikan target.
Gambar 1. Kerangka Penelitian
II TINJUAUAN PUSTAKA
2.1 Jaringan Saraf Tiruan
Sistem kecerdasan buatan yang dikenal dengan istilah JST, dalam bahasa Inggris disebut artificial neural network ANN, atau juga disebut simulated
neural network SNN, atau umumnya hanya disebut neural network NN. JST adalah jaringan dari sekelompok unit pemroses kecil yang dimodelkan
berdasarkan jaringan saraf manusia. JST merupakan salah satu sistem pemrosesan informasi yang didesain dengan menirukan cara kerja jaringan saraf manusia
dalam menyelesaikan suatu masalah dengan melakukan proses belajar melalui perubahan bobot sinapsisnya Siang, 2005.
Jaringan saraf manusia merupakan kumpulan sel-sel saraf neuron. Neuron mempunyai tugas mengolah informasi. Komponen-komponen utama dari
sebuah neuron dapat dikelompokkan menjadi tiga bagian, yaitu: 1. Dendrit. Dendrit bertugas untuk menerima informasi.
2. Badan sel soma. Badan sel berfungsi sebagai tempat pengolahan informasi. 3. Akson neurit. Akson mengirimkan impuls ke sel saraf lainnya.
Gambar 2. Susunan Sel Saraf Manusia
Hubungan antara sel saraf dipengaruhi oleh bobot weight yang menentukan besarnya pengaruh suatu sel saraf terhadap sel saraf lainnya
Lawrence, 1992 dalam Muhiddin, 2007. Dendrit menerima sinyal dari neuron lain melalui celah sinaptik. Sinyal yang berupa impuls elektrik tersebut
diperkuatdiperlemah di celah sinaptik, yang selanjutnya soma akan
menjumlahkan sinyal-sinyal yang masuk. Apabila jumlah sinyal tersebut melebihi batas ambang threshold, maka sinyal tersebut akan diteruskan ke sel lain melalui
akson. Jaringan saraf manusia memiliki daya komputasi yang menakjubkan
dimana manusia dapat mengenali sinyal input yang agak berbeda dari yang diterima sebelumnya, yang digambarkan sebagai pola aktivitas perjalanan impuls
pada jaringan sel saraf, yang bekerja secara simultan Siang, 2005. JST dikembangkan untuk meniru sistem pemroses informasi yang
memiliki karakteristik mirip dengan jaringan saraf manusia. JST mampu mengenali kegiatan dengan berbasis pada data. Masukan data akan dipelajari oleh
JST sehingga mempunyai kemampuan untuk memberi keputusan terhadap data yang belum pernah dipelajari.
Definisi JST menurut Muhiddin 2007 antara lain sebagai berikut : 1.
JST adalah jaringan kerja komputasi yang mencoba meniru kerja saraf biologi
2. Struktur JST menyerupai struktur jaringan saraf biologi
3. Pemrosesan informasi pada setiap impuls saraf dilakukan secara paralel
4. Setiap simpul saraf pada dasarnya adalah model matematik yang dapat
digunakan untuk memproses setiap informasi yang masuk.
2.1.1 Sel Saraf Tiruan Artificial Neural
Sel saraf tiruan menerima sinyal keluaran dari sel saraf tiruan lain, dimana output dari sel saraf itu sendiri ditentukan oleh 3 tiga hal yaitu pola hubungan
antar neuron, metode untuk menentukan bobot penghubung dan fungsi aktivasi Siang, 2005. Input dari sejumlah neuron x
1
,x
2
,…x
n
melalui penghubung dengan bobot hubungan w
1
,w
2
,…w
n
akan diterima oleh neuron Y sebagai fungsi penjumlahan. Selanjutnya impuls yang diterima Y akan ditentukan oleh fungsi
aktivasi. Apabila nilai fungsi aktivasi keluaran model jaringan lebih kuat maka sinyal akan diteruskan. Nilai tersebut juga dipakai sebagai dasar untuk merubah
bobot dalam meningkatkan kualitas koneksi antar satu neuron dengan neuron lainnya.
Sel saraf tiruan baik berupa sel tunggal atau jamak terdiri dari parameter masukan x, bobot w, bias b, masukan murni netn dan fungsi transfer F,
serta keluaran yang berupa skalar O. Bias adalah sebuah parameter saraf yang ditambahkan ke masukan yang sudah terbobot dan melewati fungsi aktivasi untuk
mengaktifkan keluaran sel. Masukan murni untuk fungsi transfer F diperoleh dari penjumlahan berbobot n = x w + b.
� = ∗ + 1
2.1.2 Koneksitas Sel Saraf Tiruan Topology
Pola komunikasi antar sel saraf tiruan terjadi dari sebuah sel saraf tiruan ke sebuah sel saraf tiruan penerima sinyal. Koneksitas yang terjadi antara sel-sel
saraf tiruan tersebut akan menentukan tipe pemrosesan yang terjadi dalam suatu JST. Bentuk koneksi yang terjadi antar sel saraf tiruan dapat bersifat inhibitory
connections bersifat menghambat pengiriman sinyal, dan exhibitory connections bersifat mengirimkan sinyal ke sel saraf tiruan pada lapisan berikutnya.
2.1.3 Arsitektur JST Backpropagation
Model JST Backpropagation melatih jaringan untuk mendapatkan keseimbangan antara kemampuan jaringan untuk mengenali pola yang digunakan
selama pelatihan serta kemampuan jaringan untuk memberikan respon yang benar terhadap pola masukan yang serupa dengan pola yang dipakai dalam pelatihan.
JST Backpropagation memiliki beberapa unit yang ada dalam satu atau lebih layar tersembunyi. Sebagai ilustrasi pada Gambar 3 di bawah ini terdapat
arsitektur JSTB JST Backpropagation yang terdiri dari n buah masukan ditambah sebuah bias, sebuah layar tersembunyi yang terdiri dari p unit
ditambah sebuah bias, serta m buah unit keluaran. Pada layar masukan terdapat sejumlah sel saraf yang berfungsi menerima
informasi dari luar dalam bentuk file atau data hasil pengolahan dari program lainnya. Pada layar tersembunyi terdapat sejumlah sel saraf yang berfungsi
mengolah informasi yang diterima dari layar masukan yang telah terlebih dahulu diberi bobot tertentu, sedangkan layar keluaran merupakan hasil yang diharapkan
dari hasil pengolahan dari layar sebelumnya layar tersembunyi.
Gambar 3. Arsitektur JST Backpropagation
2.1.4 Fungsi Aktivasi JST Backpropagation
Fungsi aktivasi yang dipakai dalam JSTB merupakan fungsi yang kontinyu, terdiferensiasi dan merupakan fungsi yang tidak turun. Fungsi aktivasi
yang sering dipakai yaitu fungsi sigmoid biner Gambar 4 yang memiliki interval nilai 0,1.
= 1
1 +
−
2
Gambar 4. Fungsi Aktivasi Sigmoid Biner Fungsi lain yang dipakai adalah fungsi sigmoid bipolar Gambar 5 yang
mirip dengan fungsi sigmoid bipolar dengan interval nilai -1,1. =
2 1 +
−
− 1 3
Gambar 5. Fungsi Aktivasi Sigmoid Bipolar
2.1.5 Aturan pembelajaran Learning Rule JST Backpropagation
Pelatihan JSTB terdiri dari 3 tahapan yaitu fase propagasi maju, propagasi mundur dan perubahan bobot. Pada propagasi maju, sinyal masukan xi
dipropagasikan ke layar tersembunyi menggunakan fungsi aktivasi yang ditentukan. Keluaran dari setiap unit layar tersembunyi z
j
selanjutnya dipropagasikan maju ke layar di atasnya menggunakan fungsi aktivasi yang
ditentukan sampai menghasilkan keluaran jaringan y
k
. =
+
� � �=1
4
= =
1 1 +
− _
5 Berikutnya keluaran jaringan y
k
akan dibandingkan dengan target yang harus dicapai t
k
. Selisih antara nilai keluaran dan target adalah kesalahan galat yang terjadi.
_ =
+
�=1
6
= _
= 1
1 +
− _
7 Sehingga selisih kesalahangalat antara keluaran jaringan dengan target yang
harus dicapai dirumuskan sebagai berikut : =
− 8
Fase tahap kedua yaitu propagasi mundur, berdasarkan galat y
k
-t
k
, dihitung faktor δ
k
yang dipakai untuk mendistribusikan kesalahan di unit yk ke semua unit tersembunyi yang terhubung langsung dengan y
k
. δ
k
juga di pakai untuk mengubah bobot garis yang berhubungan langsung dengan unit keluaran. Faktor δ
j
dihitung disetiap unit dilayar tersembunyi sebagai dasar perubahan bobot semua garis yang berasal dari unit di layar dibawahnya. Demikian seterusnya hingga
semua faktor δ di unit tersembunyi yang berhubungan langsung dengan unit masukan dihitung.
� = − 1 − 9 ∆
= � �
10 �_
= �
=1
11 � = �_
1 − 12 ∆
�
= � �
�
13 Fase terakhir yaitu fase perubahan bobot, dimana setelah semua faktor δ
dihitung, bobot semua garis dimodifikasi bersamaan. Perubahan bobot suatu garis didasarkan atas faktor δ neuron di layar atasnya. Ketiga fase tersebut diiterasi
hingga jaringan dapat mengenali pola yang diberikan yaitu jika kesalahan yang terjadi lebih kecil dari batas tolerasi yang diijinkan. Perubahan bobot garis yang
menuju ke unit keluaran dirumuskan : � =
+ ∆ 14
Perubahan bobot garis yang menuju ke unit tersembunyi dirumuskan :
�
� =
�
+ ∆
�
15
Keterangan :
x
1
…. x
n
: Masukan
y
1
…. y
n
: Keluaran
z
1
…. z
n
: Nilai lapisan tersembunyi
v
ji
: Bobot antara lapisan masukan dan lapisan tersembunyi
w
kj
: Bobot antara lapisan tersembunyi dan lapisan keluaran
δ
: Galat informasi
α
: Konstanta berkelanjutan
2.1.6 Arsitektur JST Multi Layer Perceptron MLP
Model jaringan perceptron ditemukan pertama kali oleh Rosenbatt 1962 dan Minsky
– Papert 1969. Perceptron merupakan salah satu bentuk jaringan sederhana, perceptron biasanya digunakan untuk mengklasifikasikan suatu pola
tipe tertentu yang sering dikenal dengan pemisahan secara linear Siang, 2005. Model JST MLP merupakan salah satu tipe arsitektur JST yang umum dan
paling sederhana digunakan karena memiliki keunggulan dalam kecepatan dan ketepatan pengolahan data Basheer,2000. JST MLP terdiri dari beberapa unit
masukan ditambah sebuah bias, x unit lapisan tersembunyi dan y unit keluaran Gambar 6.
Gambar 6. Arsitektur JST Multi Layer Perceptron MLP Arsitektur jaringan perceptron mirip dengan arsitektur jaringan Hebb.
Jaringan terdiri dari beberapa unit masukan ditambah sebuah bias, dan memiliki sebuah unit keluaran. Hanya saja fungsi aktivasi bukan merupakan fungsi biner
atau bipolar, tetapi memiliki kemungkinan nilai -1, 0 atau 1. Algoritma yang digunakan oleh aturan perceptron ini akan mengatur parameter-parameter
bebasnya melalu proses pembelajaran. Fungsi aktivasinya dibuat sedemikian rupa sehingga terjadi pembatasan antara daerah positif dan negatif.
2.1.7 Aturan Pembelajaran Learning Rule JST MLP
Algoritma pelatihan perceptron akan membandingkan hasil keluaran jaringan dengan target sesungguhnya setiap kali pola dimasukkan. Jika terdapat
perbedaan, maka bobot akan dimodifikasi.
Misalkan s sebagai vektor masukan, t adalah target keluaran, α adalah laju pemahaman, θ adalah nilai threshold. Algoritma untuk pelatihan perceptron
adalah sebagai berikut : Langkah 0 : Inisialisasi semua bobot dan bias umumnya wi = b = 0 . Set laju
pembelajaran α 0 α ≤ 1 untuk penyederhanaan set α =1. Kemudian set epoch = 0.
Langkah 1 : Apabila vektor masukan yang respon unit keluarannya tidak sama dengan target y ≠ t, lakukan langkah-langkah 2 – 6.
Langkah 2 : Untuk setiap pasangan s, t, kerjakan langkah 3 – 5. Pada langkah
ini epoch = epoch + 1. Epoch atau iterasi akan berhenti jika y = t atau tercapainya epoch maksimum.
Langkah 3 : Set aktivasi unit masukan xi = si i = 1, ..., n
Langkah 4 : Hitung respon untuk unit output : =
� �
�
+ 16
= =
1 �
� � − � ≤
≤ � −1 �
−� 17
Langkah 5 : Perbaiki bobot dan bias pola jika terjadi kesalahan, y ≠ t. Jika pada setiap epoch diketahui bahwa keluaran jaringan tidak sama
dengan target yang diinginkan, maka bobot harus di ubah menggunakan rumus :
Δwi = α t xi = t xi karena α = 1 18 Bobot baru = bobotlama + Δwi 19
Langkah 6 : Test kondisi berhenti, jika tidak terjadi perubahan bobot pada epoch tersebut.
2.1.8 Proses Pengujian
Proses pengujian merupakan tahap penyesuaian terhadap bobot yang telah terbentuk pada proses pelatihan. Algoritma untuk proses pengujian adalah sebagai
berikut : Langkah 0 : Ambil bobot dari hasil pembelajaran,
Langkah 1 : Untuk setiap vektor x, lakukan langkah 2 – 4,
Langkah 2 : Set nilai aktivasi dari unit masukan, xi = si; i=1,….,n,
Langkah 3 : Hitung total masukan ke unit keluaran, Net = xiwi + b, Langkah 4 : Gunakan fungsi aktivasi, Y = fnet.
2.2 Deskriptor Akustik
Deskriptor akustik adalah variabel atau peubah yang menggambarkan ciri atau sifat dari hambur balik gelombang akustik. Deskriptor akustik telah banyak
dikembangkan dalam mengidentifikasi karakteristik jenis ikan berdasarkan klasifikasi sinyal hidroakustik suatu kawanan ikan Reid et al., 2000. Deskriptor
yang dihasilkan dikelompokkan kedalam 5 tipe deskriptor utama yaitu : 1.
Positional Descriptors, yang menjelaskan posisi kawanan ikan horizontal dan vertikal
2. Morfometrik Descriptors, yang menjelaskan morfologi ikan target
3. Energetic Descriptors, yang menjelaskan total energi akustik, nilai rataan
dan variabilitas energi akustik dan pusat massa kawanan ikan. 4.
School Environment Descriptors, yang menjelaskan tentang jarak terpendek dan terjauh antat perimeter kawanan ikan dengan dasar perairan
5. Biological Descriptors, deskriptor yang menjelaskan sifat-sifat unik dari
jenis ikan yang diamati. Deskriptor akustik yang dihasilkan akan dianalisis dengan metode analisis
komponen utama sehingga dapat ditentukan variabel-variabel bebas deskriptor akustik yang dapat berpengaruh dalam membedakan sekumpulan kawanan ikan
Haralabous Georgakarakos, 1996.
2.3 Ikan Air Tawar 2.3.1 Ikan Mas Cyprinus carpio