Pengenalan Spesies Nematoda Puru Akar (Meloidogyne spp.) Melalui Karakter Morfologi Ekor Menggunakan Jaringan Syaraf Tiruan

ABSTRAK
RONI BUDIMAN. Pengenalan Spesies Nematoda Puru Akar (Meloidogyne spp.) Melalui
Karakter Morfologi Ekor Menggunakan Jaringan Syaraf Tiruan. Dibimbing oleh AZIZ KUSTIYO
dan ABDUL MUIN ADNAN.
Nematoda adalah invertebrata multiseluler mirip cacing yang bisa hidup di air tawar, air
laut, dan di dalam tanah. Nematoda memiliki lebih dari satu juta spesies, salah satunya adalah
nematoda puru akar (Meloidogyne spp.). Nematoda ini termasuk nematoda pengganggu tanaman.
Identifikasi nematoda puru akar (Meloidogyne spp.) dengan hasil yang akurat merupakan
salah satu langkah awal dalam pengelolaan atau pengendalian dari nematoda tersebut. Cara umum
untuk identifikasi nematoda adalah berdasarkan karakter morfologinya. Satu diantaranya adalah
karakter morfologi bagian posterior larva instar 2 di sekitar ekor untuk setiap spesies
Meloidogyne, yang hanya dapat dilakukan oleh pakar nematologi berpengalaman.
Salah satu metode yang banyak digunakan dalam pengenalan pola adalah jaringan syaraf
tiruan (JST). Metode ini mampu memberikan tingkat akurasi yang tinggi dalam berbagai
pengenalan pola seperti, pengenalan wajah, sidik jari, dan tanda tangan. JST yang digunakan
dalam penelitian ini adalah JST propagasi balik dengan arsitektur satu hidden layer. Untuk
mereduksi ukuran dimensi data yang cukup besar maka diberlakukan praproses principal
component analysis (PCA).
Dari hasil penelitian ini didapatkan pengenalan dengan menggunakan praproses PCA
proporsi 99% menghasilkan akurasi yang lebih baik bila dibandingkan dengan praproses dengan
PCA proporsi 95% dan 90%. Nilai akurasi maksimum pada penelitian ini bisa mencapai angka

83.30%.

Kata kunci: Nematoda, Meloidogyne, principal component analysis, jaringan syaraf tiruan.

PENGENALAN SPESIES NEMATODA PURU AKAR (Meloidogyne spp.)
MELALUI KARAKTER MORFOLOGI EKOR
MENGGUNAKAN JARINGAN SYARAF TIRUAN

RONI BUDIMAN

DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
2008

PENGENALAN SPESIES NEMATODA PURU AKAR (Meloidogyne spp.)
MELALUI KARAKTER MORFOLOGI EKOR
MENGGUNAKAN JARINGAN SYARAF TIRUAN

RONI BUDIMAN

DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
2008

PENGENALAN SPESIES NEMATODA PURU AKAR (Meloidogyne spp.)
MELALUI KARAKTER MORFOLOGI EKOR
MENGGUNAKAN JARINGAN SYARAF TIRUAN

Skripsi
Sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer
pada Fakultas Matematika dan Ilmu Pengetahuan Alam
Institut Pertanian Bogor

RONI BUDIMAN
G64104007

DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

INSTITUT PERTANIAN BOGOR
2008

Judul : Pengenalan Spesies Nematoda Puru Akar (Meloidogyne spp.) Melalui
Karakter Morfologi Ekor Menggunakan Jaringan Syaraf Tiruan
Nama : Roni Budiman
NRP : G64104007

Menyetujui:

Pembimbing I,

Pembimbing II,

Aziz Kustiyo, S.Si, M.Kom.
NIP 132206241

Dr.Ir. Abdul Muin Adnan, MS.
NIP 130871922

Mengetahui :
Dekan Fakultas Matematika Dan Ilmu Pengetahuan Alam
Institut Pertanian Bogor

Dr. drh. Hasim, DEA
NIP 131578806

Tanggal Lulus :

ABSTRAK
RONI BUDIMAN. Pengenalan Spesies Nematoda Puru Akar (Meloidogyne spp.) Melalui
Karakter Morfologi Ekor Menggunakan Jaringan Syaraf Tiruan. Dibimbing oleh AZIZ KUSTIYO
dan ABDUL MUIN ADNAN.
Nematoda adalah invertebrata multiseluler mirip cacing yang bisa hidup di air tawar, air
laut, dan di dalam tanah. Nematoda memiliki lebih dari satu juta spesies, salah satunya adalah
nematoda puru akar (Meloidogyne spp.). Nematoda ini termasuk nematoda pengganggu tanaman.
Identifikasi nematoda puru akar (Meloidogyne spp.) dengan hasil yang akurat merupakan
salah satu langkah awal dalam pengelolaan atau pengendalian dari nematoda tersebut. Cara umum
untuk identifikasi nematoda adalah berdasarkan karakter morfologinya. Satu diantaranya adalah
karakter morfologi bagian posterior larva instar 2 di sekitar ekor untuk setiap spesies

Meloidogyne, yang hanya dapat dilakukan oleh pakar nematologi berpengalaman.
Salah satu metode yang banyak digunakan dalam pengenalan pola adalah jaringan syaraf
tiruan (JST). Metode ini mampu memberikan tingkat akurasi yang tinggi dalam berbagai
pengenalan pola seperti, pengenalan wajah, sidik jari, dan tanda tangan. JST yang digunakan
dalam penelitian ini adalah JST propagasi balik dengan arsitektur satu hidden layer. Untuk
mereduksi ukuran dimensi data yang cukup besar maka diberlakukan praproses principal
component analysis (PCA).
Dari hasil penelitian ini didapatkan pengenalan dengan menggunakan praproses PCA
proporsi 99% menghasilkan akurasi yang lebih baik bila dibandingkan dengan praproses dengan
PCA proporsi 95% dan 90%. Nilai akurasi maksimum pada penelitian ini bisa mencapai angka
83.30%.

Kata kunci: Nematoda, Meloidogyne, principal component analysis, jaringan syaraf tiruan.

RIWAYAT HIDUP
Penulis dilahirkan di Batusangkar pada tanggal 7 September 1985 dari pasangan Bapak
Ismed dan Ibu Hamidah. Penulis merupakan anak ke-3 dari 5 bersaudara.
Tahun 2004 penulis menyelesaikan pendidikan di SMU 1 Batusangkar. Pada tahun yang
sama penulis melanjutkan studi di Institut Pertanian Bogor sebagai civitas akademika S1
Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian

Bogor.

KATA PENGANTAR
Puji dan syukur penulis panjatkan kepada Allah SWT yang telah melimpahkan rahmat dan
karunia-Nya sehingga penulis masih bisa menyelesaikan tulisan ini. Tulisan ini merupakan hasil
penelitian yang telah dilakukan.
Penulis juga tidak lupa mengucapkan terima kasih kepda pihak yang telah membantu
sehingga penulisan hasil penelitian ini bisa terselesaikan dengan baik. Di antaranya adalah Bapak
Aziz Kustiyo dan Bapak Abdul Muin Adnan selaku pembimbing skripsi.
Terima kasih penulis sampaikan juga kepada seluruh keluarga terutama ke pada Ayahanda
Ismed dan Ibunda Hamidah yang telah senatiasa mendoakan dan memberikan dukungan selama
studi di Institut Pertanian Bogor, kakak penulis Hendri dan Rudi atas masukan dan semangat yang
diberikan, serta adik penulis Herman dan Beni atas motivasi yang diberikan dalam mengerjakan
penelitian ini. Penulis juga menyampaikan ucapan terima kasih kepada teman-teman satu
bimbingan (Ganang dan Restu) yang telah menjadi teman diskusi selama melakukan penelitian,
teman-teman ILKOM 41, teman-teman Pondok Angsa, serta pihak lain yang tidak dapat
disebutkan satu-persatu.
Akhir kata penulis mohon maaf jika dalam penulisan ini masih banyak kekurangannya.
Namun penulis berharap semoga tulisan ini dapat bermanfaat bagi yang membacanya.

Bogor, September 2008

Roni Budiman

iv

DAFTAR ISI
Halaman
DAFTAR TABEL ............................................................................................................................. v
DAFTAR GAMBAR ........................................................................................................................ v
DAFTAR LAMPIRAN ..................................................................................................................... v
PENDAHULUAN............................................................................................................................. 1
Latar Belakang .............................................................................................................................. 1
Tujuan ........................................................................................................................................... 1
Ruang lingkup ............................................................................................................................... 1
Manfaat ......................................................................................................................................... 1
TINJAUAN PUSTAKA .................................................................................................................... 2
Nematoda ...................................................................................................................................... 2
Nematoda puru akar (Meloidogyne spp) ....................................................................................... 2
Representasi Citra Digital ............................................................................................................. 2

Normalisasi Data .......................................................................................................................... 2
Jaringan syaraf Tiruan .................................................................................................................. 3
Jaringan Syaraf Tiruan Propagasi Balik........................................................................................ 4
HASIL DAN PEMBAHASAN ......................................................................................................... 6
Percobaan 1 : PCA dengan proporsi 90% ..................................................................................... 6
Percobaan 2 : PCA dengan proporsi 95% ..................................................................................... 7
Percobaan 3 : PCA dengan proporsi 99% ..................................................................................... 8
Perbandingan ketiga Jenis Percobaan ........................................................................................... 9
KESIMPULAN DAN SARAN ....................................................................................................... 10
Kesimpulan ................................................................................................................................. 10
Saran ........................................................................................................................................... 10
DAFTAR PUSTAKA ..................................................................................................................... 10

v

DAFTAR TABEL
Halaman
1 Struktur JST ................................................................................................................................... 6
2 Target Sistem ................................................................................................................................. 6
3 Akurasi maksimum percobaan 1 .................................................................................................... 7

4 Akurasi maksimum percobaan 2 .................................................................................................... 8
5 Akurasi maksimum percobaan 3 .................................................................................................... 9
6 Akurasi maksimum percobaan1, 2, dan 3 ..................................................................................... 9
7 Waktu pelatihan akurasi maksimum tiap percobaan .................................................................... 10

DAFTAR GAMBAR
Halaman
1 Morfologi posterior nematoda (Sikora 2005) .............................................................................. 2
2 Model JST sederhana (Fausett 1994) ........................................................................................... 4
3 Model JST propagasi balik (Fausett 1994) ................................................................................... 4
4 Contoh data percobaan ................................................................................................................. 5
5 Tahapan proses pengenalan nematoda ......................................................................................... 5
6 Akurasi PCA 90% dengan toleransi kesalahan 10-2 ..................................................................... 6
7 Akurasi PCA 90% dengan toleransi kesalahan 10-3 ..................................................................... 7
8 Akurasi PCA 90% dengan toleransi kesalahan 10-4 ..................................................................... 7
9 Waktu pelatihan akurasi maksimum pada percobaan 1 ................................................................ 7
10 Akurasi PCA 95% dengan toleransi kesalahan 10-2 ..................................................................... 7
11 Akurasi PCA 95% dengan toleransi kesalahan 10-3 ..................................................................... 8
12 Akurasi PCA 95% dengan toleransi kesalahan 10-4 ..................................................................... 8
13 Waktu pelatihan akurasi maksimum pada percobaan 2 ................................................................ 8

14 Akurasi PCA 99% dengan toleransi kesalahan 10-2 ..................................................................... 8
15 Akurasi PCA 99% dengan toleransi kesalahan 10-3 ..................................................................... 9
16 Akurasi PCA 99% dengan toleransi kesalahan 10-4 ..................................................................... 9
17 Waktu pelatihan akurasi maksimum pada percobaan 3 ................................................................ 9
18 Grafik perbandingan waktu pelatihan pada percobaan............................................................... 10

DAFTAR LAMPIRAN
Halaman
1 Algoritma Pelatihan Jaringan Syaraf Tiruan Propagasi Balik .................................................... 12
2 Data Pelatihan ............................................................................................................................ 14
3 Data Uji ...................................................................................................................................... 15
4 Hasil Pelatihan dan pengujian percobaan 1 toleransi kesalahan JST 10-2 .................................. 16
5 Hasil pelatihan dan pengujian percobaan 1 toleransi kesalahan JST 10-3 .................................. 17
6 Hasil pelatihan dan pengujian percobaan 1 toerlansi kesalahan JST 10-4 .................................. 18
7 Hasil pelatihan dan pengujian percobaan 2 toleransi kesalahan JST 10-2 .................................. 19
8 Hasil pelatihan dan pengujian percobaan 2 toleransi kesalahan JST 10-3 .................................. 20
9 Hasil pelatihan dan pengujian percobaan 2 toleransi kesalahan JST 10-4 .................................. 21
10 Hasil pelatihan dan pengujian percobaan 3 toleransi kesalahan JST 10-2 .................................. 22
11 Hasil pelatihan dan pengujian percobaan 3 toleransi kesalahan JST 10-3 .................................. 23
12 Hasil pelatihan dan pengujian percobaan 3 toleransi kesalahan JST 10-4 .................................. 24

PENDAHULUAN
Latar Belakang
Dalam dunia pertanian hasil identifikasi
dan klasifikasi nematoda sebagai salah satu
organisme pengganggu tanaman sangat
penting manfaatnya. Hasil identifikasi yang
akurat akan menunjang penentuan strategi
pengendalian nematoda yang akurat juga,
karena antar jenis nematoda umumnya
memerlukan
pengelolaan
serta
penanggulangan yang berbeda satu sama
lainnya. Sebaliknya, kesalahan identifikasi
akan menyebabkan timbulnya pemilihan
strategi pengendalian yang salah juga, yang
akhirnya
berakibat
pada
gagalnya
pengendalian.
Identifikasi nematoda dapat dilakukan
dengan mengamati morfologi dan morfometri
tubuhnya, baik terhadap larva maupun betina
dewasa. Dalam proses identifikasi nematoda
ini sering dijumpai berbagai kendala karena
nematoda merupakan hewan yang ukurannya
sangat kecil. Identifikasi tidak dapat dilakukan
secara langsung, tetapi harus melalui beberapa
tahapan, yaitu pengambilan contoh akar/tanah,
ekstraksi, isolasi dan fiksasi dalam preparat
gelas obyek baru dilakukan pengamatan
dengan bantuan mikroskop. Tahapan-tahapan
tersebut semuanya harus dilakukan di
laboratorium.
Identifikasi
yang
biasa
dilakukan,
yaitu secara
konvensional,
memerlukan waktu yang cukup lama dan
melelahkan, itupun harus dilakukan oleh
personal yang terampil dan berpengalaman.
Atas dasar kesulitan-kesulitan tersebut,
maka diperlukan adanya suatu metode
identifikasi yang lebih praktis yang disertai
dengan tingkat akurasi yang tinggi. Dengan
banyak berkembangnya model teknologi
komputer, bisa dilakukan pengklasifikasian
atau identifikasi nematoda dengan pengolahan
citra dan Jaringan Syaraf Tiruan (JST).
Dalam beberapa penelitian JST mampu
melakukan klasifikasi dengan baik, seperti
penelitian
tentang
klasifikasi
tingkat
kematangan buah melon, klasifikasi jenis
tanaman pertanian pada foto udara, serta
penelitian lain yang tak kalah pentingnya
adalah
pengklasifikasian
tumbuhan
berdasarkan bentuk daun.
Penelitian ini tidak jauh berbeda dengan
penelitian tentang pengenalan pada manusia.
Jika pada manusia yang dikenali adalah wajah
ataupun sidik jari maka pada nematoda
khususnya Meloidogyne spp. faktor pembeda

cenderung terletak pada tubuh bagian
posterior di sekitar ekor. Untuk itu pada
penelitian ini menggunakan data berupa citra
tubuh bagian ekor dari larva nematoda puru
akar (Meloidogyne spp.).
Sistem pengenalan citra yang digunakan
pada penelitian ini adalah pengenalan yang
menggunakan informasi mentah dari piksel
citra yang direpresentasikan ke dalam metode
Principal Component Analysis (PCA), yang
selanjutnya digunakan dalam pelatihan dan
pengujian.
Tujuan
1 Menerapkan dan menganalisis kinerja JST
propagasi balik sebagai teknik pengenalan
nematoda puru akar (Meloidogyne spp.).
2 Menerapkan
dan
menganalisis
kemampuan PCA sebagai teknik reduksi
data.
Ruang lingkup
Ruang lingkup penelitian ini adalah :
1 Metode yang digunakan untuk pengenalan
adalah jaringan syaraf tiruan propagasi
balik.
2 Metode yang digunakan untuk mereduksi
dimensi data adalah principal component
analysis (PCA).
3 Data yang digunakan dalam penelitian ini
berupa citra digital larva instar 2
Meloidogyne spp. yang berskala keabuan
dengan ukuran 60 x 60 piksel.
4 Data yang digunakan merupakan citra
dengan format JPG, yang bersumber dari
www.nematode.unl.edu.
5 Data yang digunakan adalah beberapa
spesies Meloidogyne, yaitu :
• Meloidogyne graminicola
• M. haplanaria
• M. hapla
• M. chitwoodi
• M. mayaguenensis
• M. partityla
Manfaat
Manfaat dari penelitian ini adalah
membangun
suatu
sistem
pengenalan
nematoda puru akar (Meloidogyne spp.), yang
dapat membantu dan mempermudah dalam

2

proses identifikasi
(Meloidogyne spp.).

nematoda

puru

akar

nematoda. Gambar 1 memperlihatkan struktur
morfologi bagian posterior nematoda.

TINJAUAN PUSTAKA
Nematoda
Nematoda adalah invertebrata multiseluler
mirip cacing yang bisa hidup di lingkungan air
tawar, air laut, serta dalam tanah. Beberapa
jenis nematoda ada yang mengalami
perubahan bentuk menjadi bulat dan
berbentuk spiral. Nematoda memiliki lebih
dari satu juta spesies, yang umumnya terdapat
di dalam tanah di seluruh permukaan bumi.
Dari satu juta spesies ini ada yang
menguntungkan dan ada pula yang merugikan
bagi makhluk lainnya. Nematoda yang
menguntungkan di antaranya adalah :
• Nematoda parasit serangga yang dapat
menekan populasi serangga hama
• Nematoda predator terhadap nematoda
parasit tumbuhan
• Nematoda sporofitik sebagai pengurai
Sementara itu tidak sedikit nematoda yang
merugikan bagi tumbuhan. Makhluk ini
biasanya sebagai parasit pada tumbuhan.
Akibat yang ditimbulkan oleh nematoda ini
adalah tumbuhan menjadi kurang sehat,
bahkan pada kondisi terburuk tanaman bisa
mati karena kekurangan suplai air dan hara.
Gejala yang terlihat pada tanaman terserang
nematoda adalah :
• Tanaman tidak
pemupukan

responsif

terhadap

• Pemulihan yang lambat dari kelayuan
walaupun suplai air cukup

Gambar 1 Morfologi posterior nematoda
(Sikora 2005).
Nematoda puru akar (Meloidogyne spp)
Nematoda puru akar (Meloidogyne spp)
merupakan nematoda parasit tumbuhan yang
penting di dunia, mempunyai kisaran inang
yang sangat luas karena mampu menginfeksi
lebih dari 2000 spesies tanaman.
Ciri – ciri dari nematoda genus ini adalah:
• Bentuknya bervariasi
stadiumnya

Proses identifikasi biasanya dilakukan
dengan
pengamatan terhadap struktur
morfologi dan morfometri dari tubuh

dengan

• Larva instar 2 berbentuk seperti cacing
• Larva 3, 4 berbentuk seperti botol
• Dewasa jantan berbentuk cacing dan
betina berbentuk buah pir
Representasi Citra Digital
Citra digital adalah citra yang tersimpan
dalam media digital seperti disket, harddisk.
Citra digital merupakan fungsi intensitas
cahaya dua dimensi f(x,y), x dan y
menunjukkan koordinat spasial, dan nilai f
pada setiap titik (x,y) adalah kecerahan citra
pada titik tersebut (Gonzales & Woods, 2002).

• Kerusakan pada akar
Untuk menanggulangi masalah yang
ditimbulkan nematoda ini tentu diperlukan
tindakan yang tepat. Langkah yang paling
tepat dilakukan adalah dengan melakukan
pengendalian terhadap nematoda perusak ini.
Namun harus dipertimbangkan juga bahwa di
dalam tanah terdapat beribu spesies nematoda,
dan di antaranya tentu ada yang
menguntungkan. Untuk itu perlu identifikasi
terhadap
nematoda
tersebut
sebelum
dilakukan tindakan pengendalian, agar strategi
penanggulangan tidak salah.

sesuai

f ( x, y ) =

f (0, 0)
f (1,0)

f (0,1)
f (1,1)

f (0, N − 1)
f (1, N − 1)

f ( M − 1,0)

f ( M − 1,1)

f ( M − 1, N − 1)

Representasi citra digital dapat berupa
citra dalam skala keabuan (gray scale) dengan
format 8-bit dan citra berwarna format 24-bit.
Citra dalam skala keabuan memiliki 256
tingkat keabuan atau intensitas warna. Nilai
tersebut berkisar antara 0 sampai dengan 255.
Nilai 0 menunjukkan tingkat yang paling
gelap sedangkan nilai 255 menunjukkan
tingkat warna yang paling putih .
Normalisasi Data
Sebelum melakukan proses pelatihan,
seringkali sangat bermanfaat jika kita
menskalakan input dan target sehingga input

3

dan target ini selalu berada dalam rentang
tertentu (Bhisop, 1995).
Salah satu pendekatan yang digunakan
dalam penskalaan input dan target suatu
jaringan adalah dengan menormalisasi rataan
dan standar deviasi dari data pelatihan.
Normalisasi dapat dilakukan dengan cara
mengurangi nilai setiap piksel dengan rataan
kemudian dibagi standar deviasinya.

rataan =

stdev =

1
n
1
n

n

( pixeli )

i =1
n

Hasil dari normalisasi ini adalah suatu data
dengan nilai rataan nol dan standar deviasi
sama dengan satu.
Principal Component Analysis (PCA)
PCA adalah suatu teknik multivariate yang
mentransformasikan sejumlah peubah yang
saling berkorelasi menjadi sekumpulan
peubah yang tidak berkorelasi (Jackson 1991).
Tujuan
metode
PCA
adalah
untuk
menentukan faktor-faktor yang menunjukkan
seluruh
kemungkinan
variasi
pada
keseluruhan data melalui sebagian kecil
faktor-faktor dari keseluruhan data (Achelia
2005). Teknik ini mereduksi dimensi
himpunan peubah yang biasanya terdiri atas
peubah yang banyak dan saling berkolerasi
menjadi peubah baru yang tidak berkolerasi
dengan mempertahankan sebanyak mungkin
keragaman dalam himpunan data tersebut
serta menghilangkan peubah-peubah asal yang
mempunyai sumbangan informasi yang relatif
kecil.
PCA merupakan proses awal pada citra
yang akan digunakan pada penelitian ini.
Pemrosesan awal ini dilakukan bertujuan
untuk mempercepat kinerja sistem. Langkah
awal yang kita lakukan pada praproses PCA
ini adalah menormalisasi citra input X.
Dari matrik X ini selanjutnya dihitung
matrik kovarian S dengan menggunakan
persamaan :
n

( x − µ )( x − µ )
n

s1 p
s2 p

s1 p

s2 p

s 2p

Dengan didapatkannya matrik kovarian ini
maka langkah selanjutnya adalah menentukan
vektor eigen (v), nilai eigen (b) serta proporsi
yang akan digunakan dalam PCA. Vektor
eigen dan nilai eigen dicari dengan
menggunakan persamaan ciri :

Sv = bv

pixel _ normali = ( pixeli − rataan) / stdev

n

s12
s22

| S – bI | = 0

( pixeli − rataan )2

i =1

1
S=
n −1

S=

s12
s12

T

Sehingga didapat nilai eigen yang terurut
dari yang besar ke yang kecil.
Penentuan proporsi dari nilai yang diambil
dapat dihitung dengan cara menggunakan m
vektor eigen yang bersesuaian dengan m nilai
eigen terbaik sesuai dengan persamaan
berikut:
m

bi
proporsi =

i =1
p

bi
i =1

Proporsi ini berguna untuk menentukan
besarnya komponen utama yang digunakan.
Komponen utama ini nantinya akan digunakan
sebagai masukan ke dalam JST.
Jaringan Syaraf Tiruan
Jaringan syaraf tiruan (JST) adalah sebuah
sistem
pemrosesan
informasi
yang
mempunyai karakteristik serupa dengan
jaringan syaraf biologis (Fausett 1994).
Jaringan saraf tiruan dapat digunakan sebagai
alat untuk memodelkan hubungan yang
kompleks antara masukan (input) dan
keluaran (output) pada sebuah sistem untuk
menemukan pola-pola pada data. Metode ini
menggunakan elemen perhitungan nonlinear
dasar
yang
disebut
neuron
yang
diorganisasikan sebagai jaringan yang saling
berhubungan, sehingga mirip dengan jaringan
syaraf manusia.
Jaringan syaraf tiruan dicirikan oleh
beberapa hal (Fausett 1994) :
1 Pola hubungan sederhana antara elemenelemen (neuron)
2 Metode penentuan bobot

4

3 Fungsi aktivasi yang akan menentukan
sinyal output terhadap input yang
diberikan

Gambar 2 Model JST sederhana(Fausett
1994).
Pada Gambar 2 neuron x menerima input
dari neuron I1,.. .., In. Bobot pada hubungan
dari I1,.. .., In ke neuron x adalah W1,.. ., Wn.
Sedangkan input ke neuron x adalah :
N

x=.

Wj Ij
j =1

• Fungsi Sigmoid biner
1
1 + e −α

Dengan turunan :

f ' ( x ) = f ( x )[1 − f ( x )]
• Fungsi Sigmoid bipolar
1 − e −α
f (x) =
1 + e −α

Dengan turunan :

f ' ( x) =

Model JST propagasi balik dengan
arsitektur satu hidden layer dapat dilihat pada
Gambar 3. Pada pelatihan JST propagasi balik
terdapat 3 tahapan, yaitu (Fausett 1994) :
• Feedforward

Nilai aktivasi neuron x ditentukan oleh
fungsi aktivasi input yang diterimanya. Fungsi
aktivasi yang umum digunakan jaringan
syaraf tiruan adalah:

f (x) =

Gambar 3 Model JST propagasi balik
(Fausett 1994).

(1 + f ( x))(1 − f ( x))
2

Jaringan Syaraf Tiruan Propagasi Balik
Propagasi balik merupakan Algoritme
pembelajaran
yang
sifatnya
terawasi
(supervised learning), biasanya digunakan
oleh jaringan multilayer untuk mengubah
bobot.
Karakteristik jaringan propagasi balik
adalah sebagai berikut :
• Jaringan multilayer
• Fungsi aktivasi yang umumnya dipakai
pada jaringan propagasi balik ini adalah
fungsi sigmoid biner dan fungsi sigmoid
bipolar.

Pada tahap ini, sinyal masukan (xi)
dipropagasikan
ke
hidden
layer
menggunakan fungsi aktivasi yang telah
ditentukan. Keluaran dari hidden layer ini
(zj) dipropagasikan maju lagi ke layer
selanjutnya dengan menggunakan fungsi
aktivasi yang telah ditentukan, hingga
menghasilkan keluaran jaringan (yk).
Selanjutnya keluaran ini dibandingkan
dengan target (tk) yang harus dicapai. Selisih
keluaran jaringan dan target merupakan
kesalahan yang terjadi.
• Propagasi balik galat
Berdasarkan error atau kesalahan yang
terjadi pada tahap pertama, maka dihitung
faktor k (k = 1,2,...,m). k digunakan untuk
mendistribusikan kesalahan unit keluaran
(yk) ke semua unit pada hidden layer yang
terkoneksi dengan yk. k juga digunakan
untuk memperbaharui bobot antara keluaran
dan hidden layer. Dengan cara yang sama,
dihitung faktor j di setiap unit pada hidden
layer sebagai dasar perubahan bobot antara
hidden layer dan unit masukan.
• Penyesuaian bobot-bobot jaringan
Setelah semua faktor
dihitung, bobot
pada semua lapisan dimodifikasi secara
bersamaan.
Inisialisasi bobot dapat dilakukan dengan
inisialisasi Nguyen-Widrow. Inisialisasi ini
lebih mempercepat proses pelatihan (Fauset,
1994).

5

Inisialisasi Nguyen-Widrow didefinisikan
sebagai berikut:
v ij ( baru ) =

β v ij ( lama )
v j ( lama )

=

β v ij ( lama )
p
2

v ij ( lama )
i =1

vij(lama) adalah nilai acak antara -0.5 dan 0.5
sedangkan bobot pada bias bernilai antara –
dan .
n = jumlah neuron input

β = 0.7 n p

p = jumlah neuron hidden
= faktor pengali

METODE PENELITIAN
Data
Data yang digunakan adalah citra 6
spesies Meloidogyne bagian posterior di
sekitar ekor, dengan skala keabuan. Citra yang
digunakan berukuran 60 x 60 piksel yang
diperoleh dari
http://nematode.unl.edu/.
Contoh citra Meloidogyne yang digunakan
dapat dilihat pada Gambar 4.

Selanjutnya kedua matrik data ini
dinormalisasi, dan dari matrik data pelatihan
ini selanjutnya akan dilakukan ekstraksi ciri
dengan menggunakan metode PCA. Proses ini
bertujuan untuk mereduksi dimensi input yang
nantinya akan menjadi masukan pada JST.
Pada proses PCA ini ditentukan proporsi yang
akan digunakan. Pada penelitian ini
melakukan 3 kali percobaan dengan proporsi
yang berbeda yaitu : 90%, 95%, dan 99%.
Hasil dari PCA ini nantinya berupa vektor
ciri, yang selanjutnya akan digunakan untuk
memproyeksikan data latih dan data uji. Dari
hasil proyeksi terhadap citra latih akan didapat
matrik latih yang berdimensi lebih kecil dan
selanjutnya matrik ini akan digunakan dalam
pelatihan JST, sehingga menghasilkan suatu
model JST yang ingin dicari. Sementara itu
hasil proyeksi terhadap citra uji akan
digunakan dalam proses pengujian. Hal
terakhir yang dilakukan dalam penelitian ini
adalah menghitung akurasi atau tingkat
keakuratan sistem. Proses dari pengenalan
nematoda ini dapat dilihat pada Gambar 5.

Gambar 4 Contoh data percobaan.
Citra Meloidogyne yang digunakan pada
penelitian ini berjumlah 36 citra berasal dari 6
spesies Meloidogyne berbeda. Citra ini dibagi
2 menjadi 24 citra digunakan untuk data latih
dan 12 untuk data uji.
Proses Pengenalan Nematoda
Proses pengenalan nematoda ini dimulai
dari pembagian data Meloidogyne menjadi 2
kelompok yaitu data pelatihan dan data uji.
Kedua kelompok data ini selanjutnya
direpresentasikan kedalam bentuk matrik,
sehingga nantinya dihasilkan 2 kelompok
matrik yang merepresentasikan data uji dan
data latih. Kedua kelompok matrik ini
berukuran cukup besar, sehingga dibutuhkan
metode praproses PCA untuk mereduksi
dimensi matrik menjadi lebih kecil.

Gambar 5 Tahapan proses pengenalan.
Struktur JST
Identifikasi
nematoda
dilakukan
menggunakan JST dengan metode pelatihan
propagasi balik. Struktur JST yang digunakan
dapat dilihat pada Tabel 1.

6

Karakteristik
• Arsitektur
Input neuron
Hidden neuron
Output neuron
• Inisialisasi
bobot
• Fungsi
aktivasi
• Toleransi
galat
• Laju
pembelajaran

Spesifikasi
1 hidden layer
Dimensi PCA 90%, 95%,
dan 99%
10, 20, 30, 40,50, 60, 70,
80, 90, dan 100
Banyaknya kelas target
Nguyen-Widrow
Sigmoid bipolar, Sigmoid
biner
10-2, 10-3, dan 10-4
10-1

Kelas target pada penelitian ini berjumlah
6 dan setiap target mewakili satu spesies dari
nematoda yang direpresentasikan dengan nilai
0 dan 1. Target JST pada penelitian ini dapat
dilihat pada Tabel 2.
Tabel 2 Target Sistem
Kelas
Graminicola
Haplanaria
Mayaguenensis
Partitylia
Chitwoodi
Hapla

Target
100000
010000
001000
000100
000010
000001

menggunakan JST dengan toleransi kesalahan
10-2, 10-3, dan 10-4. dan dengan hidden neuron
10,20,...,100.
Percobaan 1 : PCA dengan proporsi 90%
Percobaan dengan menggunakan PCA
proporsi 90% ini menghasilkan komponen
utama yang berdimensi 13. Komponen utama
inilah nantinya yang akan digunakan sebagai
masukan pada JST.
Pencarian parameter optimal pada sistem
ini dilakukan dengan cara melakukan
percobaan dengan mengganti nilai toleransi
kesalahan pada JST.
Toleransi kesalahan yang pertama kali
digunakan adalah 10-2. Toleransi kesalahan ini
digunakan pada hidden neuron 10, 20, 30, ...,
100. Dari kombinasi percobaan ini didapatkan
hasil akurasi maksimum pada saat hidden
neuron 50 dengan akurasi 75.00%, sedangkan
akurasi minimum terjadi pada hidden neuron
10 dengan akurasi sebesar 33.80%. Hasil
lengkap akurasi percobaan 1 dengan
menggunakan toleransi kesalahan 10-2
disajikan pada Gambar 6.
80.00%
70.00%
60.00%
Generalisasi

Tabel 1 Struktur JST

50.00%
40.00%
30.00%
20.00%
10.00%
0.00%
10

Parameter Percobaan
Pengujian sistem dapat dilakukan dengan
menghitung akurasi. Akurasi adalah jumlah
data yang berhasil dikenali oleh JST.
Persamaan Akurasi diberikan sebagai berikut :
jumlah pengenalan yang benar
Akurasi =
× 100 %
jumlah seluruhnya

Lingkungan Pengembangan
Sistem ini diimplementasikan dengan
software Matlab 701 pada sistem operasi
Windows XP.
Perangkat keras yang digunakan adalah
komputer AMD Athlon 64 2.01 GHz, RAM
sebesar 896 Mb, dan kapasitas hardisk 80 GB.

HASIL DAN PEMBAHASAN
Penelitian ini terdiri dari 3 percobaan yaitu
percobaan dengan praproses PCA proporsi
90%, 95%, dan 99%. Pada setiap percobaan

20

30

40

50

60

70

80

90

100

Hidden Neuron

Gambar

6 Akurasi PCA 90% dengan
toleransi kesalahan 10-2.

Toleransi kesalahan kemudian diturunkan
menjadi 10-3. Pada percobaan ini didapatkan
hasil yang tidak jauh berbeda dengan yang
sebelumnya. Akurasi maksimum sama dengan
yang sebelumnya namun pada percobaan
dengan menggunakan toleransi kesalahan 10-3
ini akurasi maksimum pada saat hidden
neuron 60. Sementara itu akurasi minimum
adalah sebesar 58.30%, terjadi pada hidden
neuron 20, 40, 50, dan 70. Hasil percobaan ini
disajikan pada Gambar 7

80.00%

6

70.00%

5

60.00%

4
Waktu

Generalisasi

7

50.00%
40.00%

3
2

30.00%

1
20.00%

0
10.00%

0.0001

0.00%
10

20

30

40

50

60

70

80

90

0.001

0.01

Toleransi Kesalahan

100

Hidden Neuron

Gambar 7 Akurasi PCA 90% dengan toleransi
kesalahan 10-3.
Selanjutnya toleransi kesalahan diturunkan
lagi menjadi 10-4, sehingga didapatkan hasil
akurasi seperti yang terlihat pada Gambar 8.
80.00%
70.00%

50.00%
40.00%

Pada gambar 9 terlihat bahwa pada
percobaan 1 ini waktu terbaik untuk pelatihan
JST terjadi pada saat menggunakan toleransi
kesalahan 10-2. Dengan ini dapat disimpulkan
bahwa pada percobaan 1, JST optimal terjadi
pada hidden neuron 50 dan toleransi
kesalahan 10-2 dengan tingkat akurasi sebesar
75.00% dan waktu pelatihan 1.094 detik.
Percobaan 2 : PCA dengan proporsi 95%

30.00%
20.00%
10.00%
0.00%
10

20

30

40

50

60

70

80

90

100

Hidden Neuron

Gambar 8 Akurasi PCA 90% dengan toleransi
kesalahan 10-4.
Pada Gambar 8 dapat dilihat bahwa tingkat
akurasi mulai stabil pada angka 66.70%,
sedangkan tingkat akurasi maksimum pada
percobaan ini tidak berbeda dengan percobanpercobaan sebelumnya yaitu sebesar 75.00%
terjadi pada hidden neuron 20.
Perbandingan nilai akurasi maksimum tiap
percobaan diatas dapat dilihat pada Tabel 3.
Pada Tabel 3 terlihat bahwa perubahan
toleransi kesalahan tidak mempengaruhi
tingkat akurasi.
Tabel 3 Akurasi maksimum percobaan 1
Toleransi
kesalahan
10-2
10-3
10-4

Akurasi
75.00%
75.00%
75.00%

Hidden
Neuron
50
60
20

Perbandingan waktu pelatihan untuk tiap
akurasi maksimum pada percobaan 1 disajikan
pada Gambar 9.

Percobaan menggunakan PCA proporsi
95% menghasilkan komponen utama yang
berdimensi 16. Komponen utama ini yang
nantinya menjadi masukan dalam JST.
Pada percobaan 2 ini sama dengan
percobaan 1 dilakukan 3 jenis kombinasi
percobaan, yaitu percobaan dengan mengganti
nilai toleransi kesalahan yang dikombinasikan
dengan hidden neuron 10,20,30,...,100.
Pada percobaan dengan menggunakan
toleransi kesalahan 10-2 dihasilkan akurasi
maksimum sebesar 75.00% pada hidden
neuron 50,70, dan 90. Sementara itu untuk
akurasi minimum adalah 33.3% pada hidden
neuron 60 (Gambar 10).
80.00%
70.00%
60.00%
Generalisasi

Generalisasi

60.00%

Gambar 9 Waktu pelatihan akurasi maksimum
pada percobaan 1.

50.00%
40.00%
30.00%
20.00%
10.00%
0.00%
10

20

30

40

50

60

70

80

90

100

Hidden Neuron

Gambar 10 Akurasi PCA 95% dengan
toleransi kesalahan 10-2.
Percobaan selanjutnya adalah dengan
menurunkan toleransi kesalahan menjadi 10-3.
Dari kombinasi percobaan ini dihasilkan
akurasi maksimum 75.00% pada hidden
neuron 20 dan 90. Akurasi minimum pada

8

percobaan ini adalah 50.00% terjadi pada
hidden neuron 40 dan 60 (Gambar 11).

2.5
2
Waktu

80.00%
70.00%

1.5
1

Generalisasi

60.00%
50.00%

0.5

40.00%

0

30.00%

0.0001

0.001

20.00%

0.01

Toleransi Kesalahan

10.00%
0.00%
10

20

30

40

50

60

70

80

90

100

Gambar

13

Hidden Neuron

Gambar 11 Akurasi PCA 95% dengan
toleransi kesalahan 10-3.
Selanjutnya
dengan
menggunakan
toleransi kesalahan 10-4 juga didapatkan
akurasi maksimum yang sama yaitu sebesar
75.00%, pada hidden neuron 10 dan 60
(Gambar 12).

Dari percobaan 2 ini dapat disimpulkan
bahwa JST optimal pada saat kombinasi
percobaan menggunakan toleransi kesalahan
10-2 dan hidden neuron 50 karena
menghasilkan akurasi terbesar dan waktu
pelatihan terkecil.
Percobaan 3 : PCA dengan proporsi 99%
Pada percobaan 3 diberlakukan praproses
dengan PCA proporsi 99%. Dari praproses ini
didapatkan suatu komponen utama yang
berdimensi 21.

70%
60%
50%
40%
30%
20%
10%
0%
10

20

30

40

50

60

70

80

90

100

Hidden Neuron

Gambar 12 Akurasi PCA 95% dengan
toleransi kesalahan 10-4.
Perbandingan nilai akurasi maksimum tiap
kombinasi percobaan 2 dapat dilihat pada
Tabel 4. Pada Tabel 4 tanpak bahwa
perubahan
toleransi
kesalahan
tidak
mempengaruhi tingkat akurasi maksimum,
dan akurasi maksimum pada percobaan 2 ini
adalah 75.00%.
Tabel 4 Akurasi maksimum percobaan 2

Pada percobaan dengan toleransi 10-2
didapatkan akurasi maksimum 83.30% pada
hidden neuron 60. Sementara itu akurasi
minimum 66.70%. Terdapat peningkatan
akurasi maksimum pada percobaan ini
dibandingkan
dengan
2
percobaan
sebelumnya. Hasil lengkap percobaan ini
dapat dilihat pada Gambar 14.
90.00%
80.00%
70.00%
Genralisasi

80%

Generalisasi

Waktu pelatihan akurasi
maksimum pada percobaan 2.

60.00%
50.00%
40.00%
30.00%
20.00%
10.00%
0.00%
10

20

30

40

50

60

70

80

90

100

Hidden Neuron

Toleransi
kesalahan
10-2
10-3
10-4

Akurasi
75.00%
75.00%
75.00%

Hidden
Neuron
50, 70, 90
20, 90
10, 60

Perbandingan waktu pelatihan terbaik
untuk akurasi maksimum pada percobaan 2
dapat dilihat pada Gambar 13. Waktu
pelatihan terbaik (minimum) terjadi pada
percobaan dengan menggunakan toleransi
kesalahan 10-2 dan hidden nuron 50 yaitu
sebesar 1.36 detik.

Gambar 14 Akurasi PCA 99% dengan
toleransi kesalahan 10-2.
Selanjutnya
dengan
menggunakan
toleransi kesalahan 10-3 didapatkan akurasi
maksimum yang sama dengan kombinasi
percobaan sebelumnya yaitu 83.30% pada
hidden neuron 10 dan 80. Pada Gambar 15
terlihat bahwa akurasi stabil pada angka 75%
mulai dari hidden neuron 20 sampai dengan
60, serta hidden neuron 90, 100.

1.2

90.00%
80.00%
70.00%
60.00%
50.00%
40.00%
30.00%
20.00%
10.00%
0.00%

1
0.8
Waktu

Generalisasi

9

0.6
0.4
0.2
0
0.0001

10

20

30

40

50

60

70

80

90

100

0.001

0.01

Toleransi Kesalahan

Hidden Neuron

Gambar 15 Akurasi PCA 99% dengan
toleransi kesalahan 10-3.
Kombinasi percobaan terakhir adalah
dengan menggunakan toleransi kesalahan 10-4,
dihasilkan akurasi maksimum 83.30% pada
hidden neuron 30, 40, 50, 70, dan 100.
Akurasi minimum pada percobaan ini terjadi
pada hidden neuron 10 dan 90 (Gambar 16).
90.00%
80.00%

Generalisasi

70.00%
60.00%
50.00%
40.00%
30.00%
20.00%
10.00%
0.00%
10

20

30

40

50

60

70

80

90

100

Hidden Neuron

Gambar 16 Akurasi PCA 99% dengan
toleransi kesalahan 10-4.
Perbandingan nilai akurasi terbaik tiap
percobaan diatas dapat dilihat pada Tabel 5.
Tabel 5 Akurasi terbaik percobaan 3
Toleransi
kesalahan
10-2
10-3
10-4

Akurasi
83.30%
83.30%
83.30%

Hidden
Neuron
60
10, 80
30, 40, 50,
70, dan 100

Perbandingan waktu pelatihan untuk
akurasi maksimum pada percobaan 3 disajikan
pada Gambar 17. Disini terlihat bahwa waktu
terbaik pelatihan terjadi pada percobaan
dengan menggunakan toleransi kesalahan 10-2
dengan waktu pelatihan 0.641 detik.

Gambar

17

Waktu pelatihan akurasi
maksimum pada percobaan 3.

Pada percobaan 3 ini dapat disimpulkan
bahwa JST optimal terjadi pada percobaan
menggunakan toleransi kesalahan 10-2 dan
hidden neuron 60.
Perbandingan ketiga Jenis Percobaan
Dari tiga jenis percobaan yang telah
dilakukan secara garis besar terlihat bahwa
akurasi optimum tercapai pada saat praproses
menggunakan PCA dengan proporsi 99%. Hal
ini menunjukkan bahwa dengan semakin besar
komponen utama menunjukkan informasi
yang dibawa lebih banyak dan akan lebih
memudahkan
JST
dalam
melakukan
pengenalan. Namun disini juga harus
perhatikan bahwa pada percobaan 1 dan 2
tidak begitu memperlihatkan akurasi yang
berbeda. Hal ini disebabkan oleh informasi
hasil PCA pada percobaan 1 dan 2 tidak
terlalu berbeda. Hal lain yang harus
diperhatikan pada penelitian ini bahwa dengan
meningkatkan proporsi dari PCA tidak
menyebabkan waktu pelatihan menjadi
semakin lama.
Perbandingan akurasi percobaan dengan
proporsi PCA 90%, 95%, dan 99% dapat
dilihat pada Tabel 6. Pada tabel ini dapat
dilihat bahwa perubahan toleransi kesalahan
JST tidak mempengaruhi akurasi maksimum
dari setiap percobaan.
Tabel 6 Akurasi maksimum percobaan 1, 2,
dan 3
Toleransi
kesalahan
10-2
10-3
10-4

Proporsi PCA
90%
95%
99%
75.00% 75.00% 83.30%
75.00% 75.00% 83.30%
75.00% 75.00% 83.30%

Pada Tabel 7 dapat dilihat bahwa waktu
pelatihan terbaik terjadi pada percobaan
dengan proporsi PCA 99% dan menggunakan
toleransi kesalahan 10-2, sedangkan pelatihan
terlama terjadi pada percobaan dengan

10

proporsi PCA 90% dan
toleransi kesalahan 10-4.

menggunakan

Tabel 7 Waktu pelatihan akurasi maksimum
tiap percobaan
Toleransi
kesalahan
10-2
10-3
10-4

90%
1.094
1.328
5.203

Proporsi PCA
95%
1.360
2.203
1.859

99%
0.641
1.047
0.797

Grafik perbandingan waktu tiap percobaan
disajikan pada Gambar 18. Dari grafik terlihat
waktu pelatihan terkecil terjadi pada
percobaan dengan proporsi PCA 99%. Dan
pada setiap percobaan juga terlihat bahwa
waktu terbaik (minimum) terjadi pada saat
percobaan menggunakan toleransi kesalahan
10-2.

6

Waktu

5
4

0.01

3

0.001

2

0.0001

1
0
90%

95%

99%

Proporsi PCA

Gambar

18 Grafik perbandingan waktu
pelatihan pada percobaan.

KESIMPULAN DAN SARAN
Kesimpulan
Berdasarkan penelitian yang dilakukan
dapat disimpulkan bahwa :
1 Jaringan Syaraf Tiruan merupakan metode
yang dapat digunakan untuk pengenalan
nematoda puru akar (Meloidogyne spp.).
2 Proses pengenalan nematoda puru akar
(Meloidogyne spp) dengan menggunakan
praproses PCA proporsi 99% memberikan
hasil akurasi yang lebih baik dibandingkan
dengan PCA 90% dan 95%.
3 JST optimal pada saat masukan
menggunakan PCA proporsi 99%,
toleransi kesalahan yang digunakan pada
JST 10-2, dan pada hidden neuron 60
dengan akurasi sebesar 88.30%.
4 Waktu pelatihan JST cenderung meningkat
ketika toleransi kesalahan kecil.

Saran
Penelitian ini dapat dikembangkan
menjadi lebih baik jika menggunakan citra
nematoda puru akar dengan arah pengenalan
ekor yang sama.

DAFTAR PUSTAKA
Achelia, E. 2005. Pengenalan Wajah dalam
Berbagai Sudut Pandang Terkelompok
Menggunakan Jaringan Syaraf Tiruan
Propagasi
balik
[skripsi].
Bogor:
Depertemen Ilmu Komputer, FMIPA, IPB.
Bhisop, C. M. 1995. Neural Networks for
Pattern
Recognition.
Brimingham,
Clarendon Press.
Fauset L. 1994. Fundamentals of Neural
Network : Architectures, Algorithms, and
Applications. New Jersey, Printice-Hill.
Gonzales, R. C. & R.E. Woods. 2002. Digital
Image Processing. 2nd Edition. New
Jersey: Prentice-Hall.
Jackson, J. E. 1991. A User's Guide to
Principal Components, John Wiley and
Sons, Inc.
Sikora R A dan Bridge J. 2005. Plant
Parasitic Nematode in subtropical and
tropical agriculture. Second edition.
London.CABI.

11

LAMPIRAN

12

Lampiran 1 Algoritma Pelatihan Jaringan Syaraf Tiruan Propagasi Balik

Langkah 0 : Inisialisasi nilai bobot.
Langkah 1 : Selama kondisi berhenti masih tidak terpenuhi, laksanakan langkah 2 sampai 9.
Langkah 2 : Untuk tiap pasangan pelatihan, kerjakan langkah 3 sampai 8.
Langkah 3 : Tiap unit input (Xi, i=1,…,n) menerima sinyal input xi dan menyebarkan
keseluruh unit pada lapis tersembunyi.

sinyal

itu

Langkah 4 : Untuk tiap unit tersembunyi (Zj, j=1,…,p) dihitung nilai input dengan menggunakan
nilai bobotnya :
n

z _ in

= υ0 j +

j

x i υ ij
i =1

Kemudian dihitung nilai output dengan menggunakan fungsi aktivasi yang dipilih : zj = f ( z_inj )
Hasil fungsi tersebut dikirim ke semua unit pada lapis berikutnya yaitu lapis output.
Langkah 5 : Untuk tiap unit output (Yk, k=1,..,m), dihitung nilai input dengan
nilai bobot-nya :

menggunakan

p

y _ in k = w 0 k +

z j w jk
j =1

Kemudian dihitung nilai output dengan menggunakan fungsi aktivasi :

y

k

= f ( y _ in

)

k

Langkah 6 :Untuk tiap unit output (Yk,k=1,..,m) menerima pola target yang bersesuaian dengan
pola input, lalu dihitung informasi kesalahan :

δk = (tk − yk ) f ' (y_ink )
Kemudian dihitung koreksi nilai bobot yang akan digunakan untuk mengoreksi nilai bobot wjk. :

∆w

= αδk z

jk

j

Hitung koreksi nilai bias yang akan digunakan untuk mengoreksi nilai wok :

∆w

0k

= αδ

k

kemudian nilai dikirim ke unit pada lapis sebelumnya.
Langkah 7 : Untuk tiap unit tersembunyi (Zj, j=1,…,p) dihitung delta input yang berasal dari unit
pada lapis output :
m

δ _ in

j

δkw

=

jk

k =1

Kemudian nilai tersebut dikalikan dengan nilai turunan dari fungsi aktivasi untuk menghitung
informasi kesalahan :

δ j = δ _ in j f ' ( z _ in j )

13

Lampiran 1 lanjutan

Hitung koreksi nilai bobot yang kemudian digunakan untuk mem-perbaharui nilai :

∆ υ ij = α δ j x i
dan hitung nilai koreksi bias yang kemudian digunakan untuk memperbaharui :

∆υ

oj

= αδ

j

Langkah 8 : Tiap nilai bias dan bobot (j=0,…,p) pada unit output (Yk, k=1,…,m) dan unit
tersembunyi diperbaharui :

w jk (new) = w jk (old ) + ∆w jk
υ ij ( n e w ) = υ ij ( o ld ) + ∆ υ ij
Langkah 9 : Menguji apakah kondisi berhenti sudah terpenuhi.
Kondisi berhenti ini terpenuhi jika:
•

Nilai kesalahan lebih kecil dari nilai kesalahan referensi.

•

Epoch maksimal telah tercapai.

14

Lampiran 2 Data Pelatihan

Meloidoogyne Graminicola

M. haplanaria

M. mayaguenensis

M. Partityla

M. chitwoodi

M. hapla

15

Lampiran 3 Data Uji

Meloidogyne graminicola

M. haplanaria

M. mayaguenensis

M. partityla

M. chitwoodi

M. hapla

16

Lampiran 4 Hasil Pelatihan dan pengujian percobaan 1 toleransi kesalahan JST 10-2

Hidden neuron
10

20

30

40

50

60

70

80

90

100

Ulangan
1
2
3
1
2
3
1
2
3
1
2
3
1
2
3
1
2
3
1
2
3
1
2
3
1
2
3
1
2
3

Epoch
3000
3000
2080
2274
632
185
372
341
235
242
194
827
205
635
198
332
112
133
139
748
594
335
109
180
113
28
55
95
278
23

Waktu latih
6.719
7.141
4.516
4.844
1.875
0.578
1.156
1.297
0.781
1.141
0.7190
2.26
1.094
1.891
0.719
1.156
0.625
0.906
0.922
2.672
1.969
1.625
0.625
0.875
0.938
0.344
0.407
0.906
12.66
0.359

Akurasi
4/12
33.3%
4/12
33.3%
4/12
33.3%
8/12
66.7%
8/12
66.7%
6/12
50.0%
5/12
41.7%
7/12
58.3%
5/12
41.7%
8/12
66.7%
6/12
50.0%
7/12
58.3%
9/12
75.0%
6/12
50.0%
7/12
58.3%
8/12
66.7%
7/12
58.3%
8/12
66.7%
7/12
58.3%
7/12
58.3%
7/12
58.3%
8/12
66.7%
6/12
50.0%
5/12
41.7%
7/12
58.3%
7/12
58.3%
7/12
58.3%
8/12
66.7%
8/12
66.7%
8/12
66.7%

17

Lampiran 5 Hasil pelatihan dan pengujian percobaan 1 toleransi kesalahan JST 10-3

Hidden neuron
10

20

30

40

50

60

70

80

90

100

Ulangan
1
2
3
1
2
3
1
2
3
1
2
3
1
2
3
1
2
3
1
2
3
1
2
3
1
2
3
1
2
3

Epoch
3000
3000
3000
1820
741
394
628
423
363
946
319
2294
210
174
181
277
148
414
307
406
608
231
140
205
190
62
91
98
300
89

Waktu latih
6.36
7.36
6.953
4.937
1.797
1.297
2.219
1.531
1.203
2.937
1.203
6.14
2.094
0.766
0.969
1.328
0.891
1.594
1.422
1.656
2.218
1.406
0.89
1.11
1.125
0.641
0.719
0.734
1.437
0.703

4/12
5/12
8/12
7/12
5/12
6/12
8/12
7/12
7/12
7/12
4/12
7/12
7/12
7/12
6/12
9/12
6/12
8/12
7/12
6/12
7/12
8/12
6/12
6/12
8/12
8/12
7/12
8/12
8/12
8/12

Akurasi
33.3%
41.7%
66.7%
58.3%
41.7%
50.0%
66.7%
58.3%
58.3%
58.3%
33.3%
58.3%
58.3%
58.3%
50.0%
75.0%
50.0%
66.7%
58.3%
50.0%
58.3%
66.7%
50.0%
50.0%
66.7%
66.7%
58.3%
66.7%
66.7%
66.7%

18

Lampiran 6 Hasil pelatihan dan pengujian percobaan 1 toerlansi kesalahan JST 10-4

Hidden neuron
10

20

30

40

50

60

70

80

90

100

Ulangan
1
2
3
1
2
3
1
2
3
1
2
3
1
2
3
1
2
3
1
2
3
1
2
3
1
2
3
1
2
3

Epoch
3000
3000
3000
2100
1405
921
1165
638
709
2309
444
320
321
371
435
384
236
516
153
451
646
168
232
264
232
117
434
124
362
204

Waktu latih
7.687
6.766
7.234
5.203
3.141
2.578
13.265
2.25
2.39
6.672
1.641
1.359
1.625
1.219
2.266
1.843
1.125
2.437
1.094
1.969
2.468
1.546
1.328
1.157
1.328
0.703
1.813
0.969
1.672
1.016

5/12
8/12
4/12
9/12
7/12
5/12
8/12
8/12
7/12
7/12
6/12
8/12
8/12
8/12
8/12
8/12
7/12
7/12
8/12
8/12
8/12
8/12
6/12
6/12
7/12
7/12
7/12
7/12
7/12
7/12

Akurasi
41.7%
66.7%
33.3%
75.0%
58.3%
41.7%
66.7%
66.7%
58.3%
58.3%
50.0%
66.7%
66.7%
66.7%
66.7%
66.7%
58.3%
58.3%
66.7%
66.7%
66.7%
66.7%
50.0%
50.0%
58.3%
58.3%
58.3%
58.3%
58.3%
58.3%

19

Lampiran 7 Hasil pelatihan dan pengujian percobaan 2 toleransi kesalahan JST 10-2

Hidden neuron
10

20

30

40

50

60

70

80

90

100

Ulangan
1
2
3
1
2
3
1
2
3
1
2
3
1
2
3
1
2
3
1
2
3
1
2
3
1
2
3
1
2
3

Epoch
2129
3000
2719
350
626
279
200
1020
207
28
59
87
232
159
280
27
42
61
295
71
49
110
230
110
130
130
166
331
331
22

Waktu latih
6.719
8.922
6.203
1.438
1.859
1.078
1.110
3.094
0.984
0.797
0.391
1.766
1.360
1.735
1.11
0.734
0.453
0.719
1.734
0.532
0.422
2.046
1.204
1.687
0.75
1.375
0.828
1.844
1.438
0.344

7/12
7/12
7/12
7/12
7/12
7/12
7/12
7/12
7/12
6/12
5/12
6/12
9/12
8/12
8/12
4/12
4/12
4/12
9/12
7/12
8/12
6/12
6/12
6/12
8/12
9/12
7/12
7/12
7/12
7/12

Akurasi
58.3%
58.3%
58.3%
58.3%
58.3%
58.3%
58.3%
58.3%
58.3%
50.0%
41.7%
50.0%
75.0%
66.7%
66.7%
33.3%
33.3%
33.3%
75.0%
58.3%
66.7%
50.0%
50.0%
50.0%
66.7%
75.0%
58.3%
58.3%
58.3%
58.3%

20

Lampiran 8 Hasil pelatihan dan pengujian percobaan 2 toleransi kesalahan JST 10-3

Hidden neuron
10

20

30

40

50

60

70

80

90

100

Ulangan
1
2
3
1
2
3
1
2
3
1
2
3
1
2
3
1
2
3
1
2
3
1
2
3
1
2
3
1
2
3

Epoch
3000
3000
1446
930
618
1011
233
311
164
135
208
193
179
342
655
195
204
402
278
210
429
63
71
359
284
75
337
120
132
75

Waktu latih
7.204
6.578
3.109
3.157
2.547
2.515
1.516
1.063
0.625
1.281
0.75
0.719
5.016
1.156
1.968
2.016
0.891
1.375
1.718
0.953
2.672
0.703
1.532
2.313
2.203
0.954
1.734
1.313
0.734
0.547

7/12
5/12
6/12
9/12
6/12
8/12
7/12
7/12
6/12
6/12
5/12
6/12
7/12
6/12
6/12
6/12
6/12
4/12
7/12
6/12
7/12
6/12
7/12
5/12
9/12
9/12
6/12
8/12
6/12
6/12

Akurasi
58.3%
41.7%
50.0%
75.0%
50.0%
66.7%
58.3%
58.3%
50.0%
50.0%
41.7%
50.0%
58.3%
50.0%
50.0%
50.0%
50.0%
33.3%
58.3%
50.0%
58.3%
50.0%
58.3%
41.7%
75.0%
75.0%
50.0%
66.7%
50.0%
50.0%

21

Lampiran 9 Hasil pelatihan dan pengujian percobaan 2 toleransi kesalahan JST 10-4

Hidden neuron
10

20

30

40

50

60

70

80

90

100

Ulangan
1
2
3
1
2
3
1