Ruang Lingkup Penelitian Tujuan Penelitian Manfaat Penelitian Deskriptor Akustik

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