42 dari keempat deskriptor lainya. Kemudian dengan scater plot, dilakukan analisis
hubungan trend data ke tujuh deskriptor terhadap perubahan jarak kedalaman.
b Deskriptor Energetik
Citra merupakan suatu fungsi intensitas dala bidang dua dimensi. Intensitas berrasal dari sumber cahaya, adalah sebuah bentuk energi. Fungsi intensitas
berada pada; 0 fx , y ∞ dimana fungsi intensitas merupakan fungsi sumber
cahaya yang menerangi obyek serta cahaya yang dipantulkan obyek yang ditulis
sebagai; 0 I x,y ∞ iluminasi sumber cahaya, sedangkan 0 rx,y 1
koefisien pantul obyek. Fungsi intensitas pada suatu titik x,y disebut derajat
keabuan atau gray level l, dengan l terletak diantara ; L
R
min
R
≤ 1 ≤ L
R
max
R
Wijaya
dan Priyono, 2007.
Dengan menggunakan perangkat lunak Photosop, ekstraksi nilai Red Green Blue RGB diambil sebagai informasi fungsi intensitas energi yang direfleksikan
lifeform dalam spektrum warna. Data ini di ambil untuk mendeskripsikan ciri lifeform karang secara energetik, diantaranya;
X8 = Indeks warna merah I
R
red
R
= RR+G+B X9 = Indeks warna hijau I
R
green
R
= GR+G+B X10 = Indeks warna biru I
R
blue
R
= BR+G+B X11 = Indeks warna kuning I
R
yelow
R
= YC+M+Y X12 = Intensitas I = R+G+B3
X13 = Hue Cos Hu = 2R-G-B2 √βR+G+R+B+R+G
X14 = Saturation S = I – 3R+G+B-RGB
3.3.4.4. Jaringan Syaraf Tiruan Yang Digunakan
JST Perambatan Balik merupakan salah satu model JST yang popular dan ampuh. JST ini menggunakan arsitektur yang mirip dengan arsitektur JST Multi
Layer Perceptron yang memiliki satu atau lebih lapisan tersembunyi diantara lapisan masukan dan lapisan keluaran, sebagaimana Gambar 15. JST perambatan
balik menggunakan metode pembelajaran terawasi supervised training Rich dan Knight, 2001.
43 JST perambatan balik tidak memiliki hubungan umpan balik feedback,
artinya suatu lapisan layer tidak memiliki hubungan dengan lapisan sebelumnya sehingga bersifat umpan maju feedforward, namun galat yang diperoleh
diumpankan kembali ke lapisan sebelumnya selama proses pelatihan, kemudian dilakukan penyesuaian bobot seperti pada Gambar 4 merupakan arsitektur JST
perambatan balik dengan satu lapisan input unit-unit X
R
i
R
, satu lapisan
tersembunyi unit H
R
i
R
dan satu lapisan output unit-unit O
R
i
R
. Neuron-neuron pada lapisan yang sama tidak saling berhubungan, tetapi pada lapisan yang berbeda
saling berhubungan fully interconnected. Lapisan input berfungsi untuk meneruskan input dan tidak melakukan komputasi, sedangkan lapisan
tersembunyi dan lapisan output melakukan komputasi. Pada Gambar 15 menjelaskan fungsi aktivasi yang berlaku sebagaimana Gambar 4.
Gambar 15, Jaringan Syaraf Tiruan menurut Kusumadewi, 2003.
Hasil ekstraksi deskriptor kemudian dimasukan kedalam jaringan syaraf tiruan yang dibangun Gambar 15. Hasil diskusi dengan Indra Jaya,
pengembangan deskriptor dari; M. Ikbal 2005
ω1 ω2
ω3
x x
x
X fx Y = fX
Input Output
Nilai Bobot Nilai Bobot
44 Gambar 16, Model Jaringan Syaraf Tiruan yang Dikembangkan berdasarkan data
deskriptor yang digunakan. Umumnya, neuron-neuron yang terletak pada lapisan yang sama akan
memiliki keadaan yang sama. Faktor terpenting dalam menentukan perilaku suatu neuron adalah fungsi aktivasi dan pola bobotnya. Pada lapisan yang sama,
neuron-neuron akan memiliki aktivasi yang sama. Menurut Rich dan Knight 2001 algoritma yang dipakai JST perambatan balik adalah sebagai berikut :
1 Tentukan Matrik X
R
A
R
sebagian lapisan input, vector O
R
C
R
sebagai lapisan output dengan c sebagai banyak unit neuronnya, dan matrik H
R
B
R
sebagai lapisan terselubung dengan B unit neuron. Tingkat aktivasi masing-masing
lapisan adalah; - X
R
i
R
sebagai tingkat aktivasi pada lapisan input - H
R
i
R
sebagai tingkat aktivasi pada lapisan terselubung - O
R
k
R
sebagai tingkat aktivasi pada lapisan output Normalisasi nilai input X
R
A
R
dan target Y
R
K
R
dalam selang [0..1] 2 Bobot yang menghubungkan masing-masing layer adalah:
Input Layer Hidden Layer
Hidden Layer 2 Hidden Layer 3
Output Layer
[1 0] H
j
5 H
j
4 H
j
3 H
j
2 H
j
1
1
H
j
28 H
j
9 H
j
8 H
j
7 H
j
6 H
k
5 H
k
4 H
k
3 H
k
2 H
k
1
1
H
k
28 H
k
9 H
k
8 H
k
7 H
k
6
H
i
5 H
i
4 H
i
3 H
i
2 H
i
1 1
H
i
28
H
i
9 H
i
8 H
i
7 H
i
6
X14
X5 X4
X3 X2
X1
1
45 - W
R
ij,
R
merupakan bobot yang menghubungkan lapisan lapisan input dengan lapisan terselubung.
- Vjk, merupakan bobot ynag menghubungkan lapisan terselubung dengan keluaran.
Tiap-tiap bobot harus bernilai acak dengan nilai antara -1 dan 1. 3 Inisialisasi aktivasi unit ambang, dimana nilai unit ini bersifat tetap dan
tidak berubah, yaitu: -
X
R R
= 1.0 - H
R R
= 1.0 4 Perambatan nilai aktivasi mulai dari unit-unit lapisan input ke unit-unit
lapisan terselubung dengan menggunakan fungsi aktivasi: ………………..28
dimana : X
R R
= selalu bernilai 1 satu W0j
= merupakan bobot ambang threshold untuk unit ke-j lapisan terselubung
5 Lakukan perambatan aktivasi dari unit-unit lapisan terselubung ke unit-unit lapisan output dengan fungsi aktivasi :
………………….29 dimana : H
R R
= selalu bernilai 1 satu V
R
0k
R
= merupakan bobot threshold unit ke-k lapisan output 6 Hitung besar error
δk keluaran yang dihasilkan oleh lapisan output. Error merupakan selisih antara output actual network O
R
k
R
dengan target y
R
k
R
. …….……….30
7 Hitung besar error δ
R
j
R
unit-unit neuron pada lapisan terselubung sebagai berikut:
………………….31 8 Sesuaikan bobot unit-unit neuron antara lapisan terselubung dengan lapisan
output dengan memberikan nilai learning rate yang menentukan
kecepatan jaringan untuk melakukan training. Δv
R
jk
R
= βδ
R
k
R
H
R
j
R
…….………………………………..32 Vjk = v
R
jk
R
+ βδ
R
k
R
H
R
j
R
……………………………………..33 dimana
j = 0, ….,B dan k = 1,…., C
46 9 Sesuaikan bobot unit-unit neuron antara lapisan input dengan lapisan
terselubung Δw
R
jk
R
= βδx
R
i
R
....……………….…………………..34 W
R
jk
R
= w
R
jk
R
+ βδx
R
i
R
………………………………………35 dimana
I = 0,…., A dan j = 1,….B 10 Kembali ke langkah 4 dan ulangi sampai dengan langkah 10, proses
dihentikan sampai dengan O
R
k
R
mendekati y
R
k
R
, dengan menentukan nilai E 0.0001.
Dari kedua hasil analisis data, baik dari laboratorium maupun dari data lapang tersebut masing-masing akan memiliki nilai error tertentu. Sehingga dari
kedua kelompok nilai error SSE hasil pelatihan terhadap masing-masing kesepuluh jenis karang tersebut anak dilakukan analisis Statistik untuk
membandingkan korelasi dan error yang terbaik yang dapat dipakai sebagai indikator pembuktian kebenaran serta kesimpulan terhadap proses yang dilakukan.
Sementara data yang tersimpan sebagai data base pada jaringan syaraf tiruan ini akan digunakan sebagai data base untuk mengenali jenis karang yang dilatih
datanya agar memudahkan secara cepat dan tepat penentuan jenis life form karang.
47
3.3.4.5. Flow Chart Penelitian
