85
4.2.3. Hasil Analisis JST Untuk Life Form Karang
Membangun JST pada aplikasi Matlab dengan pola melakukan umpan maju feed forward dan kemudian perambatan galat mundur back-propagation yang
dibentuk arsitekturnya untuk penelitian ini terdiri dari 14 lapisan masukan input yakni nilai sidik deskriptor X1 sampai X14, yang dilatih melalui 3 lapisan
tersembunyi hidden layer yang masing-masing lapisan terdiri dari 28 neuron menggunakan bobot jaringan 0.75, konstanta belajar adalah 0.1, momentum 0.01,
serta rasio kesalahan 0.9 serta 1 lapisan keluaran pendugaan output dengan dua pola target yakni 1 0, dalam 7515000 epoch, sedangkan fungsi aktivasi logsig
adalah fungsi yang dipakai dalam JST ini, digunakan untuk melakukan iterasi terhadap data dalam bentuk matriks 14 x 2100 70 dari 3000 untuk pelatihan,
kemudian 14 x 900 30 dari 3000 untuk pengujian. Selain itu, untuk pendugaan akurasi pengenalan life form maka dilakukan pelatihan data matrix sebanyak 14 x
3000, terbagi dalam 30 kelompok, masing-masing sebanyak 14 x 100 data matrix. lihat Lampiran 11
Dari hasil pelatihan untuk ke-2100 data tersebut terjadi keterpisahan secara linier atau konvergensi linier yang sangat cepat yaitu hanya pada epoch ke-1, yang
menghasilkan error sebesar 0.10, dan dugaan output sebesar 0.90 terhadap target 1. Hal ini menginformasikan bahwa hasil pelatihan dapat berhasil mengenali sidik
deskriptor lifeform secara baik.
86 Grafik 58, Sum Square Error SSE JST pada pelatihan 70 data sidik 14
deskriptor sebanyak 2100. Setelah prosesi pelatihan selesai untuk JST perambatan mundur yang
didahului umpan maju, maka dilakukan pengujian data menggunakan data baru sebanyak 30 dari 3000 yaitu matrix 14 x 900 data. Pada pengujian terhadap
hasil pengenalan dari pelatihan ini dilakukan perambatan maju tanpa perambatan mundur, memberikan nilai rata-rata secara keseluruhan dari 900 baris data adalah
0.8 hasil uji 1 atau mendekati target. Untuk menentukan tingkat akurasi pendugaan lifeform karang maka
pelatihan dilakukan untuk ke-3000 data yang terbagi dalam 30 kelompok data dengan hasil iterasi yang dapat dilihat pada Gambar 59 - 61. Dari pelatihan yang
dilakukan terhadap 30 kelompok data yang diambil secara acak, masing-masing kelompok terdiri dari 100 baris terhadap 14 kolom deskriptor. Ternyata bahwa
keterpisahan konvergen secara linier serta cepat dengan 1 kali epoch 7515000, terjadi pada 25 kelompok data yang dilatih, kemudian konvergensi tidak linier
terjadi dengan 2 epoch 15015000 pada kelompok data ke 10, 18 dan 29. Sementara konvergensi tidak terjadi pada kelompok data ke-16 dan ke-24 hingga
epoch terakhir 1500015000.
87 Gambar 59, Grafik Sum Square Error SSE JST pada pelatihan 100 data sidik
deskriptor iterasi 1. Mewakili kesamaan pola dari kelompok data ke 1-9, 11- 15, 17, 19-23, 25-28, 30 sebanyak 25 iterasi set data.lampiran 12
Gambar 60, Grafik Sum Square Error SSE JST di pelatihan kelompok 100
data sidik deskriptor iterasi 10 mewakili kesamaan pola dari kelompok ke 10, 18, 29 sebanyak 3 iterasi set data. lampiran 12
88 Gambar 61, Grafik Sum Square Error SSE JST di pelatihan kelompok 100
data sidik deskriptor iterasi 16 mewakili pola dari kelompok ke 16 dan 24 sebanya 2 iterasi set data. lampiran 12
Cepatnya proses pembelajaran ini diakibatkan karena penggunaan hidden layer yang banyak sebanyak tiga lapisan dengan masing-masing terdiri dari 28
neuron atau totalnya 84 neuron, menyebabkan terjadinya pemberhentian awal early stopping sehingga tidak diperlukan jumlah epoch yang banyak pada setiap
iterasi pelatihan dan pengujian data input. Perbedaan-perbedaan yang terjadi sebagaimana Gambar lain yang
dimunculkan, bisa terjadi sebagaimana konvergensi yang gagal pada kelompok data ke-16 dan 24 dikarenakan keterbatasan atau kondisi perceptron yang tidak
mengijinkan kemungkinan penempatan lapisan tersembunyi diantara lapisan input dan output terhadap kecil atau bahkan besarnya variasi pola dari input-input yang
dimasukan terhadap pola target yang diinginkan. Dengan kata lain tidak terjadinya konvergensi bisa disebabkan oleh terlalu kecilnya variasi data ataupun adanya
data tertentu yang terlalu kecil, juga bahkan terlalu besar, akan bisa menyebabkan terlalu besarnya error yang terjadi, tidak diimbangi dengan pola masukan input-
input indikator pembelajaran serta konfigurasi numerik yang diberikan, seperti kesesuaian learning rate, momentum, bias, target, galat, rasio kesalahan, jumlah
epoch, jumlah neuron, jumlah input, tipe output serta fungsi aktivasi. Namun dari hasil pelatihan ini secara keseluruhan memberikan hasil pelatihan berupa hasil
pengurangan nilai target terhadap sum square error SSE sehingga diperoleh nilai output dugaan secara keseluruhan bahwa jaringan arsitektur yang dibangun
beserta variabel input yang diberikan mampu mengenali input deskriptor lifeform karang dengan baik sebagai karang Sub-masive CS Coral yang dapat dilihat
seperti pada Tabel 5.
89 Tabel 5, Tabulasi tingkat akurasi JST untuk deteksi Lifeform karang. E = Error,
A =OutputDugaan, T = Target, = Dugaan Salah {Output 0}, MC = Masive Coral
Kelompok Data ke-n
Error E Output
DugaanA Target T
Keputusan Masive Coral
MC 1
0.000205516 0.99979448
1 Benar
2 0.240101
0.759899 1
Benar 3
0.00598525 0.99401475
1 Benar
4 0.000503747
0.999496253 1
Benar 5
0.00127813 0.99872187
1 Benar
6 0.00802414
0.99197586 1
Benar 7
0.250868317 0.749131683
1 Benar
8 0.014332
0.985668 1
Benar
9 0.0764111
0.9235889 1
Benar 10
0.0053706 0.9946294
1 Benar
11 0.000186185
0.999813815 1
Benar 12
0.00104509 0.99895491
1 Benar
13 0.035095489
0.964904511 1
Benar 14
0.001021256 0.998978744
1 Benar
15 0.000116946
0.999883054 1
Benar 16
17.9197 -16.9197
1 Salah
17 0.000295294
0.999704706 1
Benar 18
0.00467773 0.99532227
1 Benar
19 0.0366268
0.9633732 1
Benar 20
0.000407498 0.999592502
1 Benar
21 0.0783133
0.9216867 1
Benar 22
0.000155058 0.999844942
1 Benar
23 0.00174714
0.99825286 1
Benar 24
101.549 -100.549
1 Salah
25 0.000962765
0.999037235 1
Benar 26
0.000192007 0.999807993
1 Benar
27 0.0395623
0.9604377 1
Benar
90 28
0.057417561 0.942582439
1 Benar
29 0.0256859
0.9743141 1
Benar 30
0.000695836 0.999304164
1 Benar
Benar 28
Salah 2
Akurasi 92,86
4.3. Profil Unjuk Kerja Wahana Pencitraan Bawah Air Untuk Survei
Kategori