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.