Simpulan Saran The Comparison of Artificial Neural Network Models And Statistical Analysis In Determining The Types Of Freshwater Fishes Using Acoustic Descriptors

V SIMPULAN DAN SARAN

5.1 Simpulan

Dalam tesis ini metode JST dan Analisis Statistik digunakan untuk identifikasi dan klasifikasi jenis ikan mas, nila, dan patin. Hasil penelitian ini memberikan hasil bahwa : 1. Analisis diskriminan memberikan ketepatan identifikasi dan klasifikasi ikan sebesar 77.5 . 2. Aplikasi JST Backpropagation dengan menggunakan JSTPR diperoleh ketepatan identifikasi dan klasifikasi ikan sebesar 84.8. 3. Aplikasi JST-MLP dengan metode pelatihan Backpropagation diperoleh ketepatan identifikasi dan klasifikan ikan mas, nila dan patin sebesar 85.7 Dari hasil penelitian ini dapat disimpulkan bahwa aplikasi dan pengembangan JST memberikan tingkat ketepatan yang lebih tinggi dengan menggunakan model arsitektur JST-MLP 8-3-6-5-1, dibandingkan dengan JST Backpropagation dan analisis statistik.

5.2 Saran

Pemodelan Jaringan Saraf Tiruan untuk identifikasi dan klasifikasi jenis ikan air tawar perlu dilakukan uji coba terhadap jenis ikan lain, untuk melihat sejauh mana model JST dari hasil penelitian ini dapat melihat variasi dalam identifikasi dan klasifikasi jenis ikan air tawar di Indonesia. DAFTAR PUSTAKA Adetiba E, Ekeh JC, Matthews VO, Daramola SA, Eleanya MEU. 2011. Estimating An Optimal Backpropagation Algorithm for Training An ANN with the EGFR Exon 19 nucleotide Sequence: An Electronic Diagnostic Basis for Non –Small Cell Lung CancerNSCLC. JETEAS. 2 1: 74-78. ISSN: 2141-7016 Basheer IA, Hajmeer M. 2000. Artificial neural networks: fundamentals, computing, design, and application. J Microbiol Methods. 43:3 –31. Charef A, Ohshimo S, Aoki I, Absi NA. 2010. Classification Of Fish Schools Based On Evaluation Of Acoustic Descriptor Characteristics. Fisheries Science. 76:1-11. Demuth H, Beale M. 1998. Neural Network Toolbox for Use with MATLAB, User’s Guide Ver. 3.0. Boston. MathWorks Inc. 515 pp. Diner N, Weill A, Coail JY, and Coudevil JM. 1989. Ines-Movies: A New Acoustic Data Acquisition and Processing System. ICES Journal of Marine Science, 45:255-267. Fauziyah. 2005. Identifikasi, Klasifikasi dan Analisis Struktur Spesies Kawanan Ikan Pelagis berdasarkan Metode Deskriptor Akustik. Disertasi tidak dipublikasikan. Bogor. Sekolah Pascasarjana IPB. 178 hal. Frouzova JK, Kubecka J, Mrkvicka T. 2011. Differences In Acoustic Target Strength Pattern Between Fish With One And Two Chambered Swimbladder During Rotation In The Horizontal Plane. Fisheries Research. 109:114-118. Georgakarakos S, Paterakis OA. 1993. School: A Software for Fish School Identification. ICES Journal of Marine Science, 8:94-108. Haralabous J, Georgakarakos S. 1996. Artificial Neural Networks as a Tool for Species Identification of Fish School. ICES Journal of Marine Science, 53:173-180. Jaya I, Sriyasa W. 2004. Fish School Identification in the Bali Straits Using Acoustic Descriptors and Artificial Neural Networks Techniques. IReSES Journal of Remote Sensing and Earth Sciences. Vol. 14: 43-49. Jech JM, Michaels WL. 2006. A Multifrequency Method to Classify and Evaluate Fisheries Acoustics Data. Can J Fish Aquat Sci. 63:2225 –2235. Kartamihardja ES, Purnomo K, Tjahjo DWH, Umar C, Sunarno MTD dan. Koeshendrajana S. 2008. Petunjuk Teknis Pemulihan Sumberdaya Ikan di Perairan Umum Daratan Indonesia. Jakarta. Pusat Riset Perikanan Tangkap, BRKP. Lawrence, 1992. Introduction to Neural Networks and Expert System. California Scientific Software. 264 pp. Muhiddin AM, 2007. Permodelan Jaringan Saraf Tiruan Artificial Neural Networks Untuk Identifikasi Kawanan Lemuru Dengan Menggunakan Deskriptor Akustik. Disertasi tidak dipublikasikan. Bogor. Sekolah Pascasarjana IPB. 165 hal. Reid D, Scalabrin C, Petitgas P, Masse J, Auckland R, Carrera P, and Georgakarakos S. 2000. Standard protocol for the analysis of school based data from echosounder surveys. Fisheries Research, 47:125-136. Robotham A, Bosch P, Estrada JCG, Castilla J, Calvo IP. 2010. Acoustic Identification of small pelagic fish species in Chile using support vector machines and neural networks. Fisheries Research. 102:115-122. Umar C, Kartamihardja ES. 2006. Keanekaragaman Jenis Ikan dan Produksi Tangkapan di Perairan Waduk Ir. H Djuanda Jatiluhur. Prosiding Seminar Nasional Ikan IV. Jatiluhur. 29-30 Agustus 2006. Santoso S. 2002. Buku Latihan SPSS Statistik Multivariat. Jakarta. Penerbit Elex Media Komputindo. 342 hal. Siang JJ. 2005. Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan Matlab. Yogyakarta. Penerbit Andi. 308 hal. Simmonds EJ, MacLennan DN. 2005. Fisheries Acoustic : Theory and Practice 2 nd ed. London. Blackwell Science Ltd. 437 p. Wijopriono, Natsir M, Slotte A and Priatna A. 2006. Spatial Distribution and Shoaling Behaviour of Fishery Resources in the waters off western coast of Aceh : preliminary results from the post tsunami expedition 2005. IFRJ Indonesian Fisheries Research Journal. 12 : 15-25. Wudianto. 2001. Analisis sebaran dan kelimpahan ikan lemuru Sardinella lemuru Bleeker,1853 di perairan Selat Bali; kaitannya dengan optimasi penangkapan. Disertasi tidak dipublikasikan. Bogor. Sekolah Pascasarjana IPB. 221 hal. Lampiran 1. Pengukuran Morfometrik Ikan Ikan Mas Cyprinus carpio No TL FL DL DL 1 W 1 26,30 21,50 6,90 4,20 250 2 30,10 25,50 6,90 4,10 360 3 29,20 23,20 7,70 4,30 350 4 31,70 27,00 7,80 4,60 440 5 37,00 31,00 9,70 5,60 800 Ikan Nila Oreochromis niloticus No TL FL DL DL 1 W 1 23,50 20,00 8,50 3,60 313 2 24,50 21,50 8,80 3,80 384 3 26,00 21,80 9,80 4,40 486 4 34,50 27,40 11,80 5,10 819 5 38,50 31,50 11,90 4,90 1073 Ikan Patin Pangasius pangasius No TL FL DL DL 1 W 1 31,50 27,00 6,40 2,70 235 2 37,00 30,10 6,30 3,15 336 3 35,20 29,00 5,70 3,40 315 4 36,20 30,00 6,90 2,90 336 5 45,00 37,00 8,60 4,30 748 Keterangan : TL = Total Length cm FL = Fork Length cm DL = Dorsal Length bag. tengah cm DL 1 = Dorsal Length bag. atas cm W = Bobot Ikan gram Lampiran 2. Echogram ikan Ikan Mas Cyprinus carpio Ikan Nila Oreochromis niloticus Ikan Patin Pangasius hypothalmus Lampiran 3. Pengukuran Kualitas Air 1. Derajat Keasaman pH Depth 01.00 WIB 05.00 WIB 09.00 WIB 13.00 WIB 17.00 WIB 21.00 WIB 7,62 7,65 7,65 7,63 7,58 7,56 1 7,72 7,67 7,64 7,64 7,64 7,50 2 7,37 7,51 7,56 7,54 7,54 7,53 3 8,09 8,14 8,02 7,94 7,84 7,68 4 7,93 8,03 8,09 8,13 8,09 8,04 5 8,10 8,14 8,14 8,18 7,97 7,90 2. Oksigen terlarut mgL Depth 01.00 WIB 05.00 WIB 09.00 WIB 13.00 WIB 17.00 WIB 21.00 WIB 5,38 5,31 5,37 5,32 5,35 5,31 1 5,10 5,16 5,02 5,10 5,03 4,91 2 6,10 5,90 5,75 5,72 5,66 5,61 3 6,07 5,76 5,63 5,54 5,34 5,35 4 5,71 5,68 5,66 5,48 5,42 5,21 5 5,62 5,76 5,77 5,36 5,30 5,02 3. Suhu o C Depth 01.00 WIB 05.00 WIB 09.00 WIB 13.00 WIB 17.00 WIB 21.00 WIB 27,60 27,10 27,10 27,10 27,00 26,90 1 27,10 26,80 26,80 26,60 26,30 26,30 2 27,60 27,30 27,10 27,00 27,10 26,90 3 28,20 28,60 28,20 28,00 27,90 27,90 4 28,20 27,80 27,50 27,50 27,30 27,40 5 27,90 27,60 27,50 27,50 27,20 27,30 Lampiran 4. Citra X-Ray Ikan a. Citra X Ray ikan Mas lateral aspect kiri dan dorsal aspect kanan b. Citra X Ray ikan Nila lateral aspect kiri dan dorsal aspect kanan c. Citra X Ray ikan Patin lateral aspect kiri dan dorsal aspect kanan Lampiran 5. Analisis Statistik Analisis Faktor Correlation Matrix Tinggi Kedalaman Ketinggian Relatif Skewness Kurtosis Sv Target strength Sa Tinggi 1 0.074 -0.025 0.499 0.33 0.084 -0.158 0.062 Kedalaman 0.074 1 -0.765 -0.039 -0.041 -0.66 -0.676 -0.286 Ketinggian Relatif -0.025 -0.765 1 0.153 0.153 0.445 0.48 -0.031 Skewness 0.499 -0.039 0.153 1 0.868 0.185 0.067 -0.041 Kurtosis 0.33 -0.041 0.153 0.868 1 0.109 0.022 -0.106 Sv 0.084 -0.66 0.445 0.185 0.109 1 0.879 0.668 Target strength -0.158 -0.676 0.48 0.067 0.022 0.879 1 0.555 Sa 0.062 -0.286 -0.031 -0.041 -0.106 0.668 0.555 1 KMO and Bartletts Test Kaiser-Meyer-Olkin Measure of Sampling Adequacy. 0.64 Bartletts Test of Sphericity Approx. Chi- Square 34,938.13 df 28 Sig. Rotated Component Matrix Component 1 2 3 Ketinggian Relatif 0.93 -0.006 0.081 Kedalaman -0.856 -0.347 0.035 Sa -0.073 0.939 -0.038 Sv 0.49 0.817 0.138 Target strength 0.591 0.712 -0.04 Skewness 0.121 -0.003 0.947 Kurtosis 0.168 -0.109 0.884 Tinggi -0.229 0.133 0.692 Analisis Cluster Initial Cluster Centers Cluster 1 2 3 Zscore: Tinggi 0.55 0.18 -0.88 Zscore: Kedalaman -1.03 -1.66 -1.09 Zscore: Ketinggian Relatif 26.31 0.42 2.03 Zscore: Skewness 0.97 -0.55 6.87 Zscore: Kurtosis 0.54 -0.66 14.12 Zscore: Sv -0.28 4.41 0.43 Zscore: Target strength -0.25 3.65 0.89 Zscore: Sa -2.20 3.30 -1.83 Final Cluster Centers Cluster 1 2 3 Zscore: Tinggi 0.55 -0.09 0.1 Zscore: Kedalaman -1.03 0.64 -0.74 Zscore: Ketinggian Relatif 26.31 -0.58 0.66 Zscore: Skewness 0.97 -0.28 0.32 Zscore: Kurtosis 0.54 -0.23 0.27 Zscore: Sv -0.28 -0.64 0.73 Zscore: Target strength -0.25 -0.63 0.72 Zscore: Sa -2.2 -0.3 0.34 ANOVA Cluster Error F Sig. Mean Square df Mean Square df Zscore: Tinggi 24.61 2 0.992 5,727.00 24.815 Zscore: Kedalaman 1,357.55 2 0.526 5,727.00 2,579.60 Zscore: Ketinggian Relatif 1,435.19 2 0.499 5,727.00 2,875.30 Zscore: Skewness 257.49 2 0.91 5,727.00 282.823 Zscore: Kurtosis 180.571 2 0.937 5,727.00 192.653 Zscore: Sv 1,345.97 2 0.53 5,727.00 2,538.11 Zscore: Target strength 1,302.68 2 0.545 5,727.00 2,388.36 Zscore: Sa 297.394 2 0.896 5,727.00 331.731 Analisis Diskriminan Eigenvalues Function Eigenvalue of Variance Cumulative Canonical Correlation 1 0.87 60.05 60.05 0.68 2 0.58 39.95 100 0.60 Wilks Lambda Test of Functions Wilks Lambda Chi- square df Sig. 1 through 2 0.34 6171.72 16 2 0.63 2602.91 7 Functions at Group Centroids Kode Ikan Function 1 2 mas -1.306 0.129 nila 0.516 -0.987 patin 0.790 0.858 Classification Results a Kode Ikan Predicted Group Membership Total Mas Nila Patin Original Count Mas 1304 303 303 1910 Nila 128 1516 266 1910 Patin 128 164 1618 1910 Mas 68.3 15.9 15.9 100.0 Nila 6.7 79.4 13.9 100.0 Patin 6.7 8.6 84.7 100.0

a. 77.5 of original grouped cases correctly classified.