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

ABSTRAK
RESTU SUCI ANDAYANI. Pengenalan Spesies Nematoda Puru Akar (Meloidogyne spp.)
Melalui Karakter Sidik Perinium Menggunakan Jaringan Syaraf Tiruan. Dibimbing oleh AZIZ
KUSTIYO dan ABDUL MUIN ADNAN.
Nematoda adalah hewan mikroskopik yang bentuknya menyerupai cacing dan banyak jenisnya
yang dapat menyerang tanaman. Kerusakan tanaman akibat serangan nematoda ini sering tidak
khas dan membingungkan. Di antara sekian banyak jenis nematoda yang ada di dalam tanah harus
ditentukan jenis nematoda yang mana yang bertanggung jawab dalam kerusakan tanaman, karena
tidak semua nematoda merusak tanaman. Untuk mengetahui peran nematoda yang didapatkan
dalam ekosistem tanaman, diperlukan identifikasi untuk menentukan jenis nematoda. Kesalahan
dalam identifikasi dapat menyebabkan kesalahan dalam pengendalian dan manajemen terhadap
nematoda tersebut.
Dalam penelitian ini akan dibangun suatu sistem yang mampu mengidentifikasi nematoda
parasit tumbuhan menggunakan jaringan syaraf tiruan propagasi balik dengan praproses
transformasi wavelet. Data yang digunakan dalam penelitian ini merupakan data citra perineal
pattern (sidik perinium). Data citra tersebut berjumlah 24 buah yang berasal dari 4 spesies
nematoda yaitu Meloidogyne incognita, M. javanica, M. arenaria, dan M. hapla. Sebelum citra
dimasukkan ke dalam jaringan untuk proses pengenalan maka dilakukan proses segmentasi untuk
menghilangkan background yang tidak beraturan dan tidak rata yang terdapat pada citra. Citra
yang telah mengalami proses segmentasi masih berdimensi cukup besar. Untuk memperkecil
dimensi maka dilakukan proses transformasi wavelet sebanyak 3 level.

Proses identifikasi nematoda pada penelitian ini menggunakan Jaringan Syaraf Tiruan
Propagasi Balik karena dinilai dapat menangani pengenalan pola-pola kompleks dengan sangat
baik. Parameter yang diamati adalah nilai akurasi maksimum dengan kombinasi hidden neuron,
toleransi kesalahan, level dekomposisi wavelet, dan fungsi pelatihan jaringan syaraf tiruan.
Dari hasil percobaan didapatkan nilai akurasi 87.5% yang berasal dari dekomposisi level 1
dengan toleransi kesalahan 0.001 dan hidden neuron 50 menggunakan fungsi pelatihan traingd.
Kata kunci : nematoda, sidik perinium, meloidogyne, wavelet, propagasi balik, jaringan syaraf
tiruan

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

RESTU SUCI ANDAYANI

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

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

RESTU SUCI ANDAYANI

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

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

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

RESTU SUCI ANDAYANI
G64104044

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

ABSTRAK
RESTU SUCI ANDAYANI. Pengenalan Spesies Nematoda Puru Akar (Meloidogyne spp.)
Melalui Karakter Sidik Perinium Menggunakan Jaringan Syaraf Tiruan. Dibimbing oleh AZIZ
KUSTIYO dan ABDUL MUIN ADNAN.
Nematoda adalah hewan mikroskopik yang bentuknya menyerupai cacing dan banyak jenisnya
yang dapat menyerang tanaman. Kerusakan tanaman akibat serangan nematoda ini sering tidak
khas dan membingungkan. Di antara sekian banyak jenis nematoda yang ada di dalam tanah harus
ditentukan jenis nematoda yang mana yang bertanggung jawab dalam kerusakan tanaman, karena
tidak semua nematoda merusak tanaman. Untuk mengetahui peran nematoda yang didapatkan
dalam ekosistem tanaman, diperlukan identifikasi untuk menentukan jenis nematoda. Kesalahan
dalam identifikasi dapat menyebabkan kesalahan dalam pengendalian dan manajemen terhadap
nematoda tersebut.

Dalam penelitian ini akan dibangun suatu sistem yang mampu mengidentifikasi nematoda
parasit tumbuhan menggunakan jaringan syaraf tiruan propagasi balik dengan praproses
transformasi wavelet. Data yang digunakan dalam penelitian ini merupakan data citra perineal
pattern (sidik perinium). Data citra tersebut berjumlah 24 buah yang berasal dari 4 spesies
nematoda yaitu Meloidogyne incognita, M. javanica, M. arenaria, dan M. hapla. Sebelum citra
dimasukkan ke dalam jaringan untuk proses pengenalan maka dilakukan proses segmentasi untuk
menghilangkan background yang tidak beraturan dan tidak rata yang terdapat pada citra. Citra
yang telah mengalami proses segmentasi masih berdimensi cukup besar. Untuk memperkecil
dimensi maka dilakukan proses transformasi wavelet sebanyak 3 level.
Proses identifikasi nematoda pada penelitian ini menggunakan Jaringan Syaraf Tiruan
Propagasi Balik karena dinilai dapat menangani pengenalan pola-pola kompleks dengan sangat
baik. Parameter yang diamati adalah nilai akurasi maksimum dengan kombinasi hidden neuron,
toleransi kesalahan, level dekomposisi wavelet, dan fungsi pelatihan jaringan syaraf tiruan.
Dari hasil percobaan didapatkan nilai akurasi 87.5% yang berasal dari dekomposisi level 1
dengan toleransi kesalahan 0.001 dan hidden neuron 50 menggunakan fungsi pelatihan traingd.
Kata kunci : nematoda, sidik perinium, meloidogyne, wavelet, propagasi balik, jaringan syaraf
tiruan

Judul : Pengenalan Spesies Nematoda Puru Akar (Meloidogyne spp.) Melalui
Karakter Sidik Perinium Menggunakan Jaringan Syaraf Tiruan

Nama : Restu Suci Andayani
NRP

: G64104044

Menyetujui :
Pembimbing I,

Pembimbing II,

Aziz Kustiyo, S.Si., M.Kom.
NIP 132 206 241

Dr. Ir. Abdul Muin Adnan, MS
NIP 130 871 922

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

Dr. drh. Hasim, DEA
NIP 131 578 806

Tanggal Lulus:

RIWAYAT HIDUP
Penulis dilahirkan di Subang tanggal 10 Januari 1987. Penulis adalah anak pertama dari dua
bersaudara pasangan Bapak Tono Suhartono, S.Sos dan Ibu Erah Suhaerah, S.Pdi.
Penulis menjalani pendidikan SLTA di SMAN 1 Subang sampai dengan tahun 2004.
Setelah lulus pada tahun 2004, penulis diterima sebagai mahasiswi Departemen Ilmu Komputer
IPB melalui jalur USMI (Undangan Seleksi Masuk IPB). Pada bulan Juli sampai dengan Agustus
2007, penulis melakukan Praktik Kerja Lapangan di PT.Elex Media Komputindo, Jakarta Pusat.

PRAKATA
Segala puji dan syukur penulis ucapkan kepada Allah SWT, karena atas ridha dan rahmat-Nya
penulis dapat menyelesaikan tugas akhir mengenai identifikasi nematoda parasit tumbuhan
menggunakan jaringan syaraf tiruan propagasi balik. Kegiatan ini telah dilakukan selama kurang
lebih tujuh bulan. Pelaksanaan kegiatan ini dimulai dari Januari 2008 sampai dengan Juli 2008.
Pada kesempatan ini, penulis menyampaikan terima kasih kepada semua pihak yang telah
banyak membantu penulis selama proses penyelesaian tugas akhir ini, khususnya kepada Bapak

Aziz Kustiyo, S.Si., M.Kom. selaku pembimbing pertama yang telah banyak memberikan saran
dan masukan selama masa penyelesaian tugas akhir, juga kepada Bapak Dr. Ir. Abdul Muin
Adnan, MS. selaku pembimbing kedua yang telah banyak memberikan ilmu dan pengetahuan baru
kepada penulis. Penulis juga mengucapkan terima kasih kepada Sony Hartono Wijaya, M.Kom.,
yang telah bersedia menjadi moderator seminar dan penguji tugas akhir.
Dalam penyelesaian tugas akhir ini, penulis telah banyak mendapatkan masukan, bimbingan,
dan dorongan dari berbagai pihak. Melalui skripsi ini penulis mengucapkan terima kasih sebesarbesarnya kepada semua pihak yang telah membantu kelancaran penelitian dan selama masa
perkuliahan, diantaranya yaitu :
1

Kepada kedua orang tua tercinta dan adikku Yeddy atas doa, semangat, perhatian dan nasihat
yang diberikan kepada penulis selama proses penyelesaian tugas akhir.

2

Indri Puspitasari, mbak Ami, dan mbak Wanda yang dengan setia mendengarkan keluh kesah
atas kesulitan yang penulis hadapi selama ini.

3

Roni, Inez, Nur, dan Ganang, teman-teman satu bimbingan yang telah sama-sama berjuang
dalam menyelesaikan tugas akhir.

4

Windy, Didi, dan Ana yang telah bersedia menjadi pembahas pada saat seminar.

5

Teman-teman Fricy, mbak Nica, mbak Iyan, mbak Wilna, Uni Aries, Dina, Nien, Sarah, Riri,
Diah.

6

Ayu, Ingrid, Intan, Tresna teman bercanda yang mengasyikkan dan lucu sehingga membuat
penulis tertawa.

7

Teman-teman ilkomerz 41 yang telah banyak memberikan bantuan selama penyelesaian tugas

akhir dan selama masa perkuliahan di IPB.

8

Seluruh Dosen, Staf Pengajar, dan Karyawan Departemen Ilmu Komputer.

9

Kepada semua pihak lainnya yang telah membantu penulis yang tidak dapat dituliskan satu
persatu.

Penulisan skripsi ini masih jauh dari sempurna, oleh karena itu kritik dan saran akan selalu
diterima dengan terbuka. Semoga tulisan ini bermanfaat.

Bogor, September 2008

Restu Suci Andayani

DAFTAR ISI
Halaman

DAFTAR TABEL .............................................................................................................................. ix
DAFTAR GAMBAR ......................................................................................................................... ix
DAFTAR LAMPIRAN ...................................................................................................................... ix
PENDAHULUAN ................................................................................................................................1
Latar Belakang .................................................................................................................................1
Tujuan ..............................................................................................................................................1
Ruang Lingkup ................................................................................................................................1
Manfaat ............................................................................................................................................1
TINJAUAN PUSTAKA.......................................................................................................................1
Nematoda .........................................................................................................................................1
Nematoda Puru Akar .......................................................................................................................2
Representasi Citra Digital ...............................................................................................................2
Segmentasi Citra ..............................................................................................................................2
Transformasi Wavelet .....................................................................................................................3
Dekomposisi Haar ...........................................................................................................................3
Jaringan Syaraf Tiruan ....................................................................................................................4
Jaringan Syaraf Tiruan Propagasi Balik .........................................................................................5
METODE PENELITIAN .....................................................................................................................6
Tahapan Pengenalan Nematoda ......................................................................................................6
Data ..................................................................................................................................................6

Segmentasi Citra ..............................................................................................................................6
Transformasi Wavelet .....................................................................................................................7
Proses Pengenalan Nematoda..........................................................................................................7
Akurasi .............................................................................................................................................7
Lingkungan Pengembangan ............................................................................................................7
HASIL DAN PEMBAHASAN............................................................................................................7
Percobaan 1 : Pengenalan Nematoda menggunakan fungsi pelatihan traingdx ............................8
Percobaan 2 : Pengenalan Nematoda menggunakan fungsi pelatihan traingd ..............................9
Perbandingan Kedua jenis Percobaan ...........................................................................................10
KESIMPULAN DAN SARAN..........................................................................................................11
Kesimpulan ....................................................................................................................................11
Saran ..............................................................................................................................................11
DAFTAR PUSTAKA .................................................................................................................... ...11

ix

DAFTAR TABEL
Halaman
1
2
3
4
5
6
7
8

Struktur JST Propagasi Balik........................................................................................................7
Definisi Kelas Target ....................................................................................................................7
Akurasi terbaik wavelet level 1 ....................................................................................................8
Akurasi terbaik wavelet level 2 ....................................................................................................9
Akurasi terbaik wavelet level 3 ....................................................................................................9
Akurasi terbaik wavelet level 1 ....................................................................................................9
Akurasi terbaik wavelet level 2 ..................................................................................................10
Akurasi terbaik wavelet level 3 ..................................................................................................10

DAFTAR GAMBAR
Halaman
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

Salah satu contoh sidik perinium Meloidogyne sp. ......................................................................2
Representasi citra digital berukuran M x N..................................................................................2
Bank filter Haar .............................................................................................................................3
Struktur Jaringan Syaraf Tiruan Sederhana..................................................................................5
Arsitektur Jaringan Syaraf Tiruan Propagasi Balik......................................................................5
Tahapan Pengenalan Nematoda ....................................................................................................6
Contoh citra hasil segmentasi .......................................................................................................8
Contoh citra hasil dekomposisi wavelet ......................................................................................8
Grafik perbandingan akurasi wavelet level 1 ...............................................................................8
Grafik perbandingan akurasi wavelet level 2 ...............................................................................8
Grafik perbandingan akurasi wavelet level 3 ...............................................................................9
Grafik perbandingan akurasi wavelet level 1 ...............................................................................9
Grafik perbandingan akurasi wavelet level 2 .............................................................................10
Grafik perbandingan akurasi wavelet level 3 .............................................................................10
Perbandingan akurasi terbaik dari dua jenis percobaan .............................................................10

DAFTAR LAMPIRAN
Halaman
1
2
3
4
5
6
7

Algoritma jaringan syaraf tiruan propagasi balik .......................................................................14
Citra sidik perinium untuk data pelatihan ..................................................................................16
Citra sidik perinium untuk data pengujian .................................................................................17
Tabel nilai akurasi toleransi kesalahan 0.1 .................................................................................18
Tabel nilai akurasi toleransi kesalahan 0.01 ...............................................................................23
Tabel nilai akurasi toleransi kesalahan 0.001 .............................................................................28
Tabel nilai akurasi toleransi kesalahan 0.0001...........................................................................33

1

PENDAHULUAN
Latar Belakang
Nematoda adalah hewan mikroskopik
yang bentuknya menyerupai cacing dan
banyak jenis yang dapat menyerang tanaman.
Kerusakan tanaman akibat serangan nematoda
ini sering tidak khas dan membingungkan. Di
antara sekian banyak jenis nematoda yang ada
di dalam tanah harus ditentukan jenis
nematoda yang mana yang bertanggung jawab
dalam kerusakan tanaman, karena tidak semua
nematoda merusak tanaman. Nematoda yang
berbahaya dan tidak berbahaya yang ada di
dalam ekosistem tanaman adalah :
• parasitik yang merugikan tanaman,
• non parasitik, biasanya menguntungkan
tanaman, karena sebagai parasit serangga,
predator
nematoda,
saprofitik,
dan
saprozoik.
Untuk mengetahui peran nematoda yang
didapatkan dalam ekosistem tanaman,
diperlukan identifikasi untuk menentukan
jenis nematoda. Kesalahan dalam identifikasi
dapat
menyebabkan
kesalahan
dalam
pengendalian dan manajemen terhadap
nematoda tersebut.
Untuk saat ini, identifikasi terhadap
nematoda mengalami kesulitan karena
dilakukan secara manual melalui pengamatan
morfologi individu nematoda di bawah
mikroskop cahaya. Cara konvensional ini
membutuhkan waktu yang cukup lama karena
pengamatan harus dilakukan terhadap banyak
contoh. Oleh karena itu dibutuhkan sistem
komputer yang dapat mengidentifikasi jenis
nematoda dengan hanya mengamati citra
nematoda tersebut, sehingga nematoda yang
telah diamati dapat diklasifikasikan ke dalam
kelas tertentu dan dapat ditentukan termasuk
ke dalam nematoda berbahaya atau tidak.
Proses
identifikasi
nematoda
ini
menggunakan jaringan syaraf tiruan propagasi
balik karena metode ini dinilai sangat baik
dalam menangani pengenalan pola-pola
kompleks (Puspitaningrum 2006).
Tujuan
Penelitian
ini
bertujuan
untuk
mengidentifikasi nematoda parasit tumbuhan
secara cepat, praktis dan efisien dengan
pengolahan citra menggunakan jaringan
syaraf tiruan propagasi balik.

Ruang Lingkup
Ruang lingkup penelitian ini meliputi citra
perineal pattern (sidik perinium) dari
beberapa nematoda puru akar (Meloidogyne
sp.) betina dewasa dengan ukuran citra 260 x
230 piksel. Data Meloidogyne sp. yang
digunakan pada penelitian ini yaitu
Meloidogyne arenaria, M. hapla, M.incognita,
dan M. javanica.
Jaringan syaraf tiruan yang digunakan
dalam penelitian ini menggunakan algoritma
pembelajaran propagasi balik. Fungsi aktivasi
yang digunakan sigmoid biner, laju
pembelajaran 0.1 dan fungsi pelatihan yang
digunakan yaitu traingdx dan traingd.
Manfaat Penelitian
Mendapatkan suatu sistem yang dapat
mengidentifikasi
nematoda
puru
akar
(Meloidogyne spp.) betina dewasa yang
menyerang tanaman secara cepat dan akurat,
sehingga manajemen nematoda tersebut dapat
dilakukan secara efektif dan efisien.

TINJAUAN PUSTAKA
Nematoda
Nematoda adalah binatang mikroskopik
yang bentuk tubuhnya menyerupai cacing
belut (eelworm) atau benang. Beberapa jenis
ada yang mengalami perubahan bentuk
menjadi seperti buah lemon, pir, bulat, atau
spiral. Nematoda parasit tumbuhan merupakan
parasit obligat (hanya dapat makan dari
jaringan tanaman yang masih hidup) dengan
menyerap cairan sel inangnya menggunakan
alat penusuk dan pengisap yang disebut stilet
di rongga mulutnya. Sebagian besar nematoda
parasit menyerang akar atau bagian tanaman
lainnya di bawah permukaan tanah, walaupun
ada juga yang menyerang batang, tunas, daun,
bunga atau biji. Nematoda parasitik biasanya
dapat dijumpai di dalam tubuh inang.
Beberapa nematoda memarasit dari luar
jaringan tanaman (disebut ektoparasit), masuk
dalam jaringan tanaman (endoparasit) atau di
antara keduanya (semi-endoparasit) baik
sebagai parasit berpindah (migrator) atau
parasit menetap (sedenter).
Tanaman yang sudah terserang nematoda
juga menjadi kurang tahan terhadap tekanan
faktor lingkungan, misalnya lebih mudah layu
pada kondisi kekurangan air dan suhu tinggi,
kekurangan hara, dan lain-lain. Karena
sebaran nematoda dalam tanah bersifat
mengelompok
(clusterred
distribution),
bentuk dan ukuran area yang terserang

2

biasanya bervariasi dan tidak ada batas yang
tegas antara area sakit dan area yang sehat
(Tjahjono 2007).
Nematoda Puru Akar
Nematoda puru akar secara ekonomis
merupakan kelompok nematoda penyerang
tanaman yang paling penting diseluruh dunia,
yang menyerang hampir sepanjang masa
tanam (Hussey & Janssen 2002). Empat jenis
nematoda puru akar yaitu Meloidogyne
incognita, M. javanica, M. arenaria, dan M.
hapla berkontribusi sebanyak 95% dari
seluruh gangguan yang disebabkan oleh
nematoda puru akar yang menyebabkan
gangguan pada lahan pertanian dengan M.
incognita yang secara ekonomis merupakan
spesies yang paling utama merusak.
Salah satu metode yang dapat digunakan
untuk mengidentifikasi nematoda puru akar
(Meloidogyne sp.) adalah dengan mengamati
bentuk dari perineal pattern (sidik perinium)
nematoda betina dewasa. Sidik perinium
merupakan bentuk atau pola striasi kutikula
yang berada di bagian posterior dari nematoda
betina dewasa. Metode dengan mengamati
sidik perinium merupakan metode yang paling
baik untuk mendiagnosis karakter dari
nematoda betina dewasa untuk membantu
identifikasi sampai tingkat spesies (Hussey &
Janssen 2002).

pada titik tersebut (Gonzales & Wood 2002).
Ketika x,y, dan nilai amplitudo dari f
seluruhnya adalah terbatas, jumlahnya diskrit,
maka disebut sebagai citra digital. Citra digital
dibentuk dari elemen-elemen dengan jumlah
terbatas, masing-masing mempunyai lokasi
dan nilai khusus. Elemen-elemen tersebut
adalah picture elements (pixels), image
elements, dan pels. Sebuah citra digital dapat
dibuat dengan mengkonversikan continuous
sensed data ke dalam bentuk digital dengan
melalui dua proses yaitu sampling dan
quantization. Sampling merupakan proses
dijitasi dengan cara melakukan transformasi
pemetaan nilai koordinat (x,y) yang
membentuk fungsi diskrit, hasilnya pada citra
berupa memposisikan piksel dari suatu lokasi
citra. Quantization merupakan hasil dari
proses sampling, kemudian dilakukan proses
dijitasi terhadap nilai gray level yang
dipetakan ke dalam interval tertentu (misalnya
interval 0-255). Hasil dari dua proses tersebut
berupa matriks dengan nilai nyata. Contohnya
matriks tersebut mempunyai M baris dan N
kolom sehingga dapat diilustrasikan pada
Gambar 2.

f (0,1) L f (0, N −1) ⎤
⎡ f (0,0)
⎢ f (1,0)
f (1,1) L f (1, N −1) ⎥⎥
⎢
f (x, y) =
⎢ M
⎥
M
M
⎢
⎥
⎣ f (M −1,0) f (M −1,1) f (M −1, N −1)⎦
Gambar 2 Representasi citra digital
berukuran M x N.
Segmentasi Citra

a. M. arenaria

b. M. hapla

c. M. incognita

d. M. javanica

Gambar 1 Contoh sidik perinium
Meloidogyne sp.
Representasi Citra Digital
Citra dapat didefinisikan sebagai fungsi
dua dimensi f(x,y), dengan x dan y merupakan
ruang koordinat, dan amplitudo dari f pada
tiap pasang koordinat (x,y) yang disebut
sebagai intensity atau gray level dari citra

Segmentasi mengacu pada operasi untuk
membagi-bagi citra ke dalam suatu bagian
atau memisahkan citra menjadi objek-objek
yang terpisah (McAndrew 2004). Single
thresholding adalah mengubah citra grayscale
menjadi citra biner (hitam dan putih) dengan
cara memilih level keabuan T dalam citra asli,
kemudian setiap piksel pada citra asli tersebut
diubah menjadi hitam dan putih berdasarkan
nilai keabuannya lebih besar atau lebih kecil
dari T:
piksel menjadi

{

putih jika nilai keabuan > T
hitam jika nilai keabuan ≤ T

Sebagai contoh thresholding, diberikan citra
grayscale X, kemudian diberikan level
keabuan T :
X >T

3

Perintah diatas akan mengembalikan nilai 1
(benar) untuk seluruh piksel yang nilai
keabuannya lebih besar dari T dan 0 (salah)
untuk seluruh piksel yang bernilai kurang dari
atau sama dengan T , sehingga akan
menghasilkan citra biner X. Seperti halnya
memisahkan
objek
dari
background,
thresholding
menyediakan
cara
yang
sederhana untuk memperlihatkan aspek
tersembunyi yang terdapat pada citra
(McAndrew 2004).
Transformasi Wavelet
Wavelet merupakan metode matematika
yang berfungsi untuk mendekomposisi secara
hierarki. Tanpa memperhatikan pemakaian
fungsi untuk citra, kurva atau permukaan,
wavelet menawarkan teknik yang elegan
untuk merepresentasikan level secara rinci
(Stollnitz et al. 1995). Penggunaan wavelet
telah menyediakan kelas baru untuk algoritma
pemrosesan citra yang kuat yaitu wavelet
dapat digunakan untuk mengurangi noise,
deteksi tepi, dan kompresi. Seluruh bentuk
wavelet bekerja dengan cara mengambil ratarata bobot dari nilai input dan menyediakan
informasi penting lainnya agar dapat
memperoleh kembali input asli (McAndrew
2004).
Secara umum transformasi wavelet dapat
digambarkan dalam bentuk discrete wavelet
transform. Jika fungsi yang sedang diperluas
adalah suatu urutan dari nilai diskrit, dari
suatu fungsi kontinu f(x), koefisien yang
dihasilkan disebut discrete wavelet transform
(DWT) dari f(x). DWT dapat ditulis sebagai
berikut (Gonzales & Wood 2002) :
1

Wϕ ( j 0 , k ) =
Wψ ( j , k ) =

( x)
∑ f ( x) ϕ
j0 ,k
M x

(1)

1

( x)
∑ f ( x )ψ
j ,k
M x

(2)

untuk j ≥ j0 dan

f ( x) =
+

1
M

Transformasi wavelet pada bidang dua
dimensi, dapat dibagi menjadi dua cara yaitu :
dekomposisi standar dan dekomposisi
nonstandar
(McAndrew
2004).
Pada
dekomposisi standar, seluruh transformasi
wavelet dilakukan pada kolom dulu,
kemudian dilakukan lagi pada baris hasil dari
transformasi pertama. Pada dekomposisi
nonstandar, transformasi wavelet dilakukan
per level pada kolom, kemudian transformasi
wavelet level yang sama diterapkan pada
barisnya.
Dekomposisi
nonstandar
menghasilkan empat citra, yaitu : citra
pendekatan sebagai hasil sesungguhnya
transformasi wavelet, citra detil horizontal,
citra detil vertikal, dan citra detil diagonal.
Ketiga citra terakhir digunakan untuk
merekonstruksi ulang citra ke citra aslinya.
Dekomposisi Haar
Dekomposisi haar merupakan induk
wavelet yang paling sederhana. Cara untuk
menghitung transformasi wavelet adalah
dengan mengambil rata-rata dan mengambil
selisih dari koefisien secara berulang atau
disebut juga sebagai bank filter. Proses
dekomposisi Haar menerapkan bank filter
dengan h0 = h1= 1/√2 sebagai koefisien lowpass yang menghasilkan citra pendekatan, dan
g0 = 1/√2, g1 = -1/√2 sebagai koefisien highpass yang menghasilkan citra detil
(Cahyaningtias 2007). Bank filter Haar dapat
dilihat pada Gambar 3.

h0

h1

0

0

L

g0
0

g1
0

0
h0

0
h1

L
L

0

0

g0

g1 L

M

M

M

M

M

Gambar 3 Bank filter Haar.
Dekomposisi Haar didefinisikan dengan
fungsi (McAndrew 2004):

1

( x)
∑ Wϕ ( j , k ) ϕ
j0 ,k
0
M k
∞
∑ ∑ W ψ ( j , k )ψ ( x)
j = j0 k

0,1,2,..., M – 1 dan M = 2J, j = 0,1,2,...J-1, k =
0,1,2,...,2j-1. Persamaan 1 disebut sebagai
koefisien pendekatan dan persamaan 2 disebut
sebagai koefisien detil untuk discrete wavelet
transform (DWT).

j ,k

(3)
Pada persamaan 1, 2, dan 3 , f(x), ϕ j0 ,k ( x)
(fungsi penyekalaan) dan ψ j ,k ( x ) (wavelet)
merupakan fungsi dari variabel diskrit x =

⎧ 1 if 0 < x < 1 / 2
⎪
ψ ( x ) = ⎨− 1 if 1 / 2 ≤ x < 1
⎪ 0 otherwise
⎩

Untuk merepresentasikan dekomposisi Haar
dalam sebuah citra adalah dengan cara
mengambil nilai rata-rata dari piksel yang

4

berpasangan, untuk mendapatkan citra dengan
resolusi baru yang lebih rendah. Beberapa
informasi
akan
hilang
pada
proses
pengambilan nilai rata-rata ini. Untuk
mendapatkan kembali nilai piksel yang asli
dari nilai yang telah dirata-ratakan, maka
diperlukan penyimpanan terhadap beberapa
koefisien detil, untuk mengambil informasi
yang
hilang.
Selanjutnya,
setelah
didekomposisi maka telah didapatkan resolusi
yang lebih rendah dan koefisien detil dari citra
asli. Terakhir, dilakukan proses transformasi
wavelet atau dekomposisi wavelet dari nilai
piksel asli dari citra menjadi koefisien tunggal
yang merepresentasikan keseluruhan nilai
rata-rata dari citra asli, yang diikuti oleh
koefisien detil untuk meningkatkan resolusi
(Stollnitz et al. 1995).
Hasil Dekomposisi Haar dapat dihitung
menggunakan rumus :
si =

a i + a i +1
, dan di = si –
2

ai .

Variabel si merupakan citra pendekatan,
variabel di merupakan citra detil, ai
merupakan himpunan bilangan yang akan
didekomposisi.
Jaringan Syaraf Tiruan
Jaringan Syaraf Tiruan adalah suatu sistem
yang memproses informasi yang memiliki
karakteristik-karakteristik yang sama dengan
jaringan syaraf biologis. Sebuah jaringan
syaraf dikarakteristikkan dengan :
•

Pola hubungan antara neuron-neuron
(yang disebut dengan arsitektur),

•

Metode untuk menentukan bobot pada
hubungan (yang disebut dengan training,
atau learning, algorithm)., dan

•

Fungsi aktivasi.

Jaringan syaraf terdiri dari sejumlah besar
elemen pemrosesan sederhana yang disebut
neuron, units, cells, atau node dan sejumlah
besar bobot dari hubungan antara elemenelemen tersebut (Fausset 1994).
Menurut Fu (1994), jaringan syaraf dapat
direpresentasikan dengan sekumpulan node
dan arah panah. Sebuah node mewakili sebuah
neuron dan sebuah arah panah mewakili
sebuah hubungan dimana sinyal mengalir
diantara syaraf. Jaringan syaraf mempunyai
arsitektur secara paralel dan terdistribusi
dengan sejumlah besar node dan hubunganhubungannya. Setiap titik hubungan dari satu

neuron dengan yang lainnya dan dihubungkan
dengan sebuah bobot.
Topologi dari jaringan syaraf dapat
dispesifikasikan dengan sejumlah lapisan dan
sejumlah neuron pada tiap lapisannya. Tipe
dari lapisan-lapisan tersebut adalah :
1

2

3

Lapisan Masukan (Input layer) : neuronneuron dalam lapisan ini disebut unit-unit
masukan, yang menerima masukan dari
luar berupa representasi suatu masalah
agar dapat diproses oleh suatu jaringan.
Unit masukan ini tidak memproses
informasi hanya mendistribusikannya ke
lapisan yang lain.
Lapisan Tersembunyi (Hidden layer) :
neuron- neuron dalam lapisan ini disebut
unit-unit tersembunyi yang tidak dapat
diamati secara langsung.
Lapisan Keluaran (Output layer) :
neuron- neuron dalam lapisan ini disebut
unit-unit keluaran. Keluaran dari lapisan
ini merupakan keluaran dari jaringan
syaraf
tiruan
terhadap
suatu
permasalahan.

Jaringan
syaraf
secara
biologi
mentransmisikan sinyal-sinyal elektrokimia
melalui jalur-jalur syaraf. Tiap syaraf
menerima sinyal dari syaraf yang lainnya
melalui sambungan khusus yang disebut
synapses. Beberapa masukan cenderung untuk
membangkitkan syaraf yang tereksitasi,
beberapa yang lain cenderung untuk
mencegahnya. Ketika efek kumulatif melewati
nilai ambang batas (threshold), syaraf akan
mengirimkan sinyal ke syaraf yang lainnya.
Jaringan
syaraf
tiruan
memodelkan
karakteristik dari jaringan syaraf secara
biologi tersebut. Setiap syaraf tiruan
menerima sejumlah masukan. Setiap masukan
dikalikan dengan bobot yang sama dengan
kekuatan synapsis. Jumlah keseluruhan dari
bobot
masukan–masukan
menentukan
kemungkinan syaraf mengirimkan sinyal yang
disebut level aktivasi (activation Level).
Setiap input Xi dimodulasikan dengan bobot
Wi dan total input dapat dinotasikan sebagai
berikut :

∑XW
i

i

i

atau dapat juga dalam bentuk vektor,

X ⋅ W dengan X = [X1, X2, ...,Xn] dan W =

[W1, W2, ..., Wn]. Sinyal input lebih jauh lagi
diproses oleh fungsi aktivasinya untuk
memproduksi sinyal output yang jika tidak nol
maka akan ditransmisikan (Fu 1994). Struktur

5

jaringan sederhana dari jaringan syaraf tiruan
dapat dilihat pada Gambar 4.

1

1
V01
V0p

X1

X2

W1

X1

W2

.
.
.

V0j

V11

V1p

Vij

X3

W3

Gambar 4 Struktur Jaringan Syaraf Tiruan
Sederhana (Fausset 1994).
Jaringan Syaraf Tiruan Propagasi Balik
Menurut Fu (1994), jaringan propagasi
balik
adalah
jaringan
umpan
maju
(feedforward) yang terdiri dari banyak lapisan
(multilayer) dengan perbedaan fungsi transfer
dalam syaraf tiruan dan aturan pembelajaran
(learning rule) yang lebih kuat. Aturan
pembelajaran atau yang dikenal sebagai
backpropagation, yang merupakan teknik
gradient
descent
dengan
backward
error(gradient)
propagation.
Jaringan
propagasi balik pada intinya mempelajari
pemetaan dari pola input (contohnya, fitur
yang telah diekstraksi) kepada sekumpulan
pola output (contohnya, kelas dari informasi).
Jaringan propagasi balik terdiri dari satu
lapisan input, satu lapisan output, dan satu
atau lebih lapisan tersembunyi. Jika pola input
digambarkan dengan n bits atau n nilai, maka
seharusnya terdapat n unit input untuk
menampungnya. Demikian juga dengan unit
output ditentukan dengan berapa banyak bit
atau nilai yang dilibatkan dalam pola output.
Arsitektur jaringan syaraf tiruan propagasi
balik dapat dilihat pada Gambar 5.

Vip

.
.
. Vn1
Xn

Vnp

Input layer

Vnj

W11

W1k
. W1m

.
.

Vi1

Xi

W0k

Z1

V1j

Y

W01
W0m

Wj1
Wjk

Zj

Y1
.
.
.
Yk

Wjm

.
.
.

.
.
. Wp1
Wpk

Zp

Ym
Wpm

Hidden layer

output layer

Gambar 5 Arsitektur Jaringan Syaraf Tiruan
Propagasi Balik (Fausset 1994).
Menurut Fausset (1994), pelatihan pada
jaringan syaraf tiruan propagasi balik meliputi
3 tahap yaitu :
• Feedforward dari pola masukan
Selama feedforward, setiap unit masukan
menerima
sinyal
masukan
dan
menyebarkannya
ke
tiap
unit
tersembunyi. Tiap unit tersembunyi
menghitung nilai aktivasinya dan
mengirimkannya ke tiap unit keluaran.
Tiap unit keluaran menghitung nilai
aktivasinya untuk membentuk jawaban
dari jaringan terhadap pola input yang
diberikan.
• Propagasi balik dari kesalahan
Selama pelatihan, tiap unit output
membandingkan nilai aktivasi yang telah
dihitungnya dengan nilai target untuk
menentukan kesalahan pola pada unit
tersebut. Berdasarkan kesalahan tersebut,
nilai δk dihitung. Nilai δk digunakan
untuk mendistribusikan kesalahan pada
unit keluaran kembali ke semua unit pada
lapisan sebelumnya. Kondisi ini juga
selanjutnya
digunakan
untuk
memperbaiki bobot antara lapisan
keluaran dan lapisan tersembunyi.
Dengan cara yang sama, nilai δj juga
dihitung pada tiap unit tersembunyi.
Namun nilai δj pada unit tersembunyi
tidak digunakan untuk mendistribusikan
kesalahan kembali ke unit masukan,
tetapi digunakan untuk memperbaiki
bobot antara lapisan masukan dan lapisan
tersembunyi.
• Penyesuaian bobot
Setelah semua nilai δ ditentukan,
dilakukan penyesuaian terhadap bobot

6

pada semua lapisan. Penyesuaian bobot
dari lapisan tersembunyi ke lapisan
keluaran berdasarkan nilai δk dan nilai
aktivasi pada lapisan tersembunyi.
Penyesuaian bobot dari lapisan masukan
ke lapisan tersembunyi berdasarkan pada
nilai δj dan nilai aktivasi pada lapisan
masukan.

Mulai

Citra sidik perinium
Meloidogyne sp.

Segmentasi Citra

Algoritma jaringan syaraf tiruan
propagasi balik secara lengkap dapat dilihat
pada Lampiran 1.

Wavelet
Level 1

Fungsi aktivasi pada jaringan syaraf tiruan
propagasi balik harus memiliki karakteristik
kontinu, diferensiabel, dan tidak menurun
secara monoton. Menurut Siang (2005) salah
satu fungsi yang memenuhi ketiga syarat
tersebut sehingga sering dipakai adalah fungsi
sigmoid biner yang memiliki range (0,1) yang
didefinisikan sebagai :

f ( x) =

1
1 + e −x

METODE PENELITIAN

Wavelet
Level 2

Wavelet
Level 3

Citra Latih

Citra Uji

Pelatihan JST
Propagasi Balik

Tahapan Pengenalan Nematoda
Pengenalan nematoda ini mengalami
beberapa tahap untuk proses pengenalannya.
Tahapan proses pengenalan nematoda
ditunjukkan pada Gambar 6.
Data
Data yang digunakan dalam penelitian ini
merupakan data citra sidik perinium. Data
citra tersebut berjumlah 24 buah yang berasal
dari 4 spesies nematoda yaitu Meloidogyne
incognita, M. javanica, M. arenaria, dan M.
hapla. Masing-masing spesies mempunyai 6
citra sidik perinium. Tiap citra berdimensi 260
x 230 piksel dengan format jpg. Data ini
diambil dari buku International Meloidogyne
Project North Carolina melalui proses
scanning. Citra sidik perinium dari masingmasing spesies kemudian dibagi menjadi dua
bagian, 4 buah untuk data latih dan 2 buah
untuk data uji. Pembagian ini dibuat
sedemikian sehingga jaringan memiliki data
latih yang cukup untuk melakukan proses
pengenalan dan jaringan juga dapat diberikan
data uji yang tidak terlalu sedikit. Citra sidik
perinium yang digunakan pada penelitian ini
dapat dilihat pada Lampiran 2 dan 3.

Model JST

Pengujian JST
Propagasi Balik

Penghitungan
Akurasi

Selesai

Gambar 6 Tahapan pengenalan nematoda.
Segmentasi Citra
Sebelum citra dimasukkan ke dalam
jaringan untuk proses pengenalan maka
dilakukan
proses
segmentasi
untuk
menghilangkan background yang tidak
beraturan dan tidak rata yang terdapat pada
citra. Segmentasi pada citra ini akan
menghasilkan
citra
yang
mempunyai
background yang berwarna putih.
Transformasi Wavelet
Citra yang telah mengalami proses
segmentasi masih berdimensi cukup besar
yaitu 260x230 piksel. Untuk memperkecil
dimensi maka dilakukan proses transformasi

7

wavelet.
Setelah
dilakukan
proses
transformasi wavelet untuk level 1 maka
dimensi citra akan menjadi 130x115 piksel,
untuk level 2 maka dimensi citra akan menjadi
65x58 piksel, dan pada level 3 akan menjadi
33x29 piksel. Dalam penelitian ini, akan
dilakukan proses transformasi wavelet
sebanyak 3 level.
Proses Pengenalan Nematoda
Citra hasil dari proses transformasi
wavelet kemudian akan dimasukkan sebagai
input jaringan syaraf tiruan propagasi balik.
Struktur jaringan syaraf tiruan propagasi balik
yang digunakan disajikan pada Tabel 1.
Tabel 1 Struktur JST propagasi balik.
•

Karakteristik

Spesifikasi

Arsitektur

1 Hidden Layer

Neuron input
Neuron hidden

10, 20, 30, 40, 50, 60,
70, 80, 90, 100

Neuron output

Banyaknya kelas
target, yaitu 4

•

Fungsi aktivasi

•

Laju
Pembelajaran

•

Toleransi
Kesalahan

•

Fungsi
Pelatihan

•

Sesuai dimensi citra

jaringan masing-masing dilakukan percobaan
dengan menggunakan kombinasi hidden
neuron, toleransi kesalahan, dan dimensi citra
input. Percobaan menggunakan kombinasi
tersebut dilakukan sebanyak 5 kali ulangan x
jumlah hidden neuron 10 buah x 4 buah
toleransi kesalahan x 3 level dekomposisi
wavelet x 2 fungsi pelatihan jaringan. Total
percobaan yang dilakukan adalah sebanyak
1200 kali percobaan.
Akurasi
Akurasi biasanya diuji dengan data baru
diluar dari data pelatihan. Pada penelitian ini,
hasil penelitian diukur dengan akurasi untuk
melihat kinerja JST propagasi balik dalam
mengenali pola yang dihitung:
Akurasi =

jumlah pola yang dikenal
× 100%
jumlah seluruh pola

Lingkungan Pengembangan
Perangkat keras dan perangkat lunak yang
digunakan pada penelitian ini adalah sebagai
berikut :
Perangkat keras

Sigmoid biner

•

Prosessor : Intel CoreTM 2 Duo 2.00 Ghz,

0.1

•

Memori : 0.99 GB, dan

•

Harddisk : 120 GB.

10-1, 10-2, 10-3, dan
10-4
traingdx, traingd

Epoch

Perangkat Lunak
•

Sistem Operasi : Microsoft Windows XP,

•

Aplikasi pemrograman : Matlab 7.0.1.

4000

HASIL DAN PEMBAHASAN
Banyaknya kelas target pada penelitian ini
sesuai dengan banyaknya jumlah spesies yang
diperoleh yaitu 4 buah. Setiap target mewakili
satu spesies yang direpresentasikan dengan
nilai 0 dan 1. Definisi target secara lengkap
dapat dilihat pada Tabel 2.
Tabel 2 Definisi kelas target.
Kelas
M. arenaria
M. hapla
M. incognita
M. javanica

Target
1000
0100
0010
0001

Penelitian ini menggunakan 2 jenis fungsi
pelatihan jaringan propagasi balik untuk
mencari tingkat akurasi yang terbaik. Fungsi
pelatihan jaringan yang digunakan adalah
traingdx dan traingd. Tiap fungsi pelatihan

Percobaan yang dilakukan pada penelitian
ini menggunakan 2 fungsi pelatihan jaringan
yang berbeda. Untuk percobaan 1,
menggunakan fungsi pelatihan traingdx. Data
citra akan mengalami proses segmentasi dan
dekomposisi wavelet sebanyak 3 level,
kemudian pada percobaan ini akan diamati
nilai akurasi terbaik untuk menemukan
kombinasi hidden neuron, toleransi kesalahan,
dan level dekomposisi. Pada percobaan 2
fungsi pelatihan jaringan yang digunakan
adalah traingd. Sama halnya seperti pada
percobaan 1, pada percobaan 2 ini data citra
mengalami
proses
segmentasi
dan
dekomposisi wavelet sebanyak 3 level,
kemudian pada percobaan ini juga akan
diamati nilai
akurasi terbaik untuk
menemukan kombinasi hidden neuron,

8

toleransi kesalahan, dan level dekomposisi.
Tabel nilai akurasi hasil dari kedua jenis
percobaan secara lengkap dapat dilihat pada
Lampiran 4, 5, 6, dan 7. Contoh citra hasil
segmentasi dapat dilihat pada Gambar 7, dan
contoh citra hasil dekomposisi wavelet tiap
level dapat dilihat pada Gambar 8.

Gambar 9 Grafik perbandingan akurasi
wavelet level 1.

a. Citra Asli

b. Citra hasil segmentasi

Gambar 7 Contoh citra hasil segmentasi.

Nilai akurasi yang dihasilkan mencapai
nilai maksimum sebesar 75% dan mencapai
nilai
minimum
sebesar
50%.
Data
perbandingan akurasi terbaik wavelet level 1
selengkapnya dapat dilihat pada Tabel 3.
Tabel 3 Akurasi terbaik wavelet level 1.

a. level 1

b. level 2
•

Toleransi
Kesalahan
10-1
10-2
10-3

Akurasi
Terbaik
62.5%
75 %
75 %

10-4

75 %

Hidden Neuron
80, 90
60
20, 40, 60, 70,
90
60

Dekomposisi Wavelet Level 2

Kombinasi kedua mengkombinasikan citra
hasil dekomposisi wavelet level 2 dengan 4
buah nilai toleransi kesalahan dan 10 buah
hidden neuron. Hasil dari kombinasi ini dapat
dilihat pada Gambar 10.
c. level 3
Gambar 8 Contoh citra hasil dekomposisi
wavelet.
Percobaan 1 :

•

Pengenalan
nematoda
menggunakan
fungsi
pelatihan traingdx

Dekomposisi Wavelet Level 1

Kombinasi pertama yang dilakukan adalah
menggunakan citra hasil dekomposisi wavelet
level 1 dikombinasikan dengan 4 buah nilai
toleransi kesalahan dan 10 buah hidden
neuron. Nilai akurasi yang dihasilkan dapat
dilihat pada Gambar 9.

Gambar 10 Grafik perbandingan akurasi
wavelet level 2.
Nilai akurasi yang diperoleh mencapai
nilai maksimum sebesar 75% pada toleransi
kesalahan 10-3 pada hidden neuron 70 dan
pada toleransi kesalahan 10-4 pada hidden
neuron 60. Nilai akurasi minimum yang
diperoleh sebesar 25% yang dihasilkan pada
hidden neuron 10 dengan nilai toleransi
kesalahan 10-4. Hasil akurasi terbaik dari

9

pengenalan nematoda menggunakan citra
pendekatan level 2 dapat dilihat pada Tabel 4.

Percobaan 2 :

Tabel 4 Akurasi terbaik wavelet level 2.

•

Toleransi
Kesalahan
10-1
10-2

Akurasi
Terbaik
62.5%
62.5%

10-3
10-4

75%
75%

Pengenalan
nematoda
menggunakan
fungsi
pelatihan traingd

Hidden Neuron

•

10, 30, 50, 60, 90
30, 50, 60, 90,
100
70
60

Kombinasi pertama yang dilakukan sama
seperti pada percobaan pertama yaitu
menggunakan 4 buah toleransi kesalahan
dengan 10 buah hidden neuron dan
menggunakan citra pendekatan wavelet level
1. Kombinasi ini menghasilkan nilai akurasi
yang mengalami kenaikan dan penurunan.
Hasil selengkapnya dapat dilihat pada Gambar
11.

Dekomposisi Wavelet Level 3

Pengenalan
nematoda
kemudian
dilanjutkan
menggunakan
citra
hasil
dekomposisi wavelet level 3 dengan 4 buah
nilai toleransi kesalahan dan 10 buah hidden
neuron. Grafik nilai akurasi yang dihasilkan
dapat dilihat pada Gambar 10.

Dekomposisi Wavelet Level 1

Gambar 12 Grafik perbandingan akurasi
wavelet level 1.

Gambar 11 Grafik perbandingan akurasi
wavelet level 3.
Nilai akurasi yang dihasilkan mencapai
nilai maksimum sebesar 75% pada toleransi
kesalahan 10-1, hidden neuron 90 dan pada
toleransi kesalahan 10-4 dengan hidden neuron
80. Nilai minimum yang dihasilkan sebesar
25% pada toleransi kesalahan 10-1 pada
hidden neuron 20 dan 30.
Hasil akurasi terbaik dari pengenalan
menggunakan citra pendekatan level 3 dapat
dilihat pada Tabel 5.

Nilai akurasi yang dihasilkan pada
kombinasi ini mencapai nilai maksimum
sebesar 87.5% dengan toleransi kesalahan 10-3
pada hidden neuron 50. Nilai akurasi
minimum yang dihasilkan sebesar 37.5%
dengan toleransi kesalahan 10-4 pada hidden
neuron 10 dan dihasilkan juga pada toleransi
kesalahan 10-1 pada hidden neuron 90.
Perbandingan nilai akurasi terbaik yang
menggunakan citra hasil dekomposisi wavelet
level 1 dapat dilihat pada Tabel 6.
Tabel 6 Akurasi terbaik wavelet level 1.
Toleransi
Kesalahan
10-1
10-2
10-3
10-4

Tabel 5 Akurasi terbaik wavelet level 3.
Toleransi
Kesalahan
10-1
10-2
10-3
10-4

Akurasi Terbaik
75%
62.5%
62.5%
75%

Hidden
Neuron
90
90
40, 80
80

•

Akurasi
Terbaik
75%
75%
87.5%
75%

Hidden
Neuron
50
20, 40, 50
50
30, 60, 70

Dekomposisi Wavelet Level 2

Pada percobaan kedua ini, kombinasi terus
dilakukan. Kombinasi ini menggunakan citra
hasil dekomposisi wavelet level 2 dengan 4
nilai toleransi kesalahan dan 10 buah hidden
neuron. Grafik akurasi yang dihasilkan dapat
dilihat pada Gambar 13.

10

seperti kombinasi sebelumnya yang telah
dilakukan, setiap kenaikan nilai akurasi selalu
diiringi penurunan begitu juga sebaliknya.
Nilai minimum yang dihasilkan sebesar 25%
yang dihasilkan dengan toleransi kesalahan
10-1 pada hidden neuron 10 dan dengan
toleransi kesalahan 10-3 pada hidden neuron
10.
Nilai akurasi terbaik dari kombinasi yang
telah dilakukan dapat dilihat pada Tabel 8.
Gambar 13 Grafik perbandingan akurasi
wavelet level 2.
Pada kombinasi ini nilai akurasi
maksimum yang dihasilkan sebesar 75% pada
nilai toleransi kesalahan 10-1, 10-3, dan 10-4.
Nilai akurasi minimum yang dihasilkan
sebesar 37.5% dihasilkan pada toleransi
kesalahan 10-1 dan 10-4 pada hidden neuron
10. Nilai akurasi pada kombinasi ini juga
konstan pada nilai 50% dan 62.5%.
Nilai akurasi terbaik dari keempat
kombinasi tersebut dapat dilihat pada Tabel 7.
Tabel 7 Akurasi terbaik wavelet level 2.
Toleransi
Kesalahan
10-1
10-2
-3

10
10-4

Akurasi
Terbaik

Hidden
Neuron
75%

62.5%
75%
75%

20
10, 30, 40, 50,
60, 70, 80, 90
50
40

Tabel 8 Akurasi terbaik wavelet level 3.
Toleransi
Kesalahan
10-1
10-2

Akurasi
Terbaik
75%
62.5%

10-3
10-4

62.5%
62.5%

Hidden
Neuron
30
20, 40, 90,
100
60, 80
40

Perbandingan kedua jenis percobaan
Pada Gambar 15 dapat dilihat bahwa
perbandingan akurasi terbaik dari dua jenis
percobaan yang terdiri atas pengenalan
nematoda menggunakan fungsi pelatihan
traingdx menggunakan dekomposisi wavelet
level 1 (dxL1), level 2 (dxL2), dan level 3
(dxL3),
dan
pengenalan
nematoda
menggunakan fungsi pelatihan traingd
menggunakan dekomposisi wavelet level 1
(dL1), level 2 (dL2), dan level 3 (dL3).
100.00%

•

90.00%

Dekomposisi Wavelet Level 3

80.00%
70.00%

Pengenalan kemudian dilanjutkan dengan
menggunakan citra hasil dekomposisi wavelet
level 3 dengan 4 buah toleransi kesalahan dan
10 buah hidden neuron. Nilai akurasinya
dapat dilihat pada Gambar 14.

0.1

60.00%

0.01
50.00%
0.001
40.00%

0.0001

30.00%
20.00%
10.00%
0.00%
dxL1

dxL2

dxL3

dL1

dL2

dL3

Gambar 15 Perbandingan akurasi terbaik
dari dua jenis percobaan.

Gambar 14 Grafik perbandingan akurasi
wavelet level 3.
Nilai akurasi pada kombinasi ini mencapai
nilai maksimum 75% dengan toleransi
kesalahan 10-1 pada hidden neuron 30. Sama

Berdasarkan Gambar 15, nilai akurasi
maksimum dari seluruh percobaan berada
pada level 1 dengan toleransi kesalahan 0.001
dengan menggunakan fungsi pelatihan
traingd. Pada penelitian ini, setiap
peningkatan nilai akurasi selalu diiringi
dengan penurunan nilai akurasi pada tiap level
dengan nilai toleransi kesalahan yang sama
begitu juga sebaliknya setiap penurunan selalu
diiringi dengan peningkatan nilai akurasi pada
nilai toleransi kesalahan yang sama.

11

KESIMPULAN DAN SARAN
Kesimpulan
Berdasarkan penelitian yang telah
dilakukan, maka dapat disimpulkan bahwa :
1

Pada percobaan pertama yaitu pengenalan
nematoda menggunakan fungsi pelatihan
traingdx didapatkan nilai akurasi terbaik
yaitu sebesar 75%, sedangkan pada
percobaan kedua yaitu pengenalan
nematoda menggunakan fungsi pelatihan
traingd didapatkan nilai akurasi terbaik
yaitu sebesar 87.5%.

2

Akurasi maksimum yang dicapai adalah
sebesar 87.5% pada saat dekomposisi
wavelet level 1.

3

Akurasi maksimum terjadi ketika jaringan
syaraf
tiruan
propagasi
balik
menggunakan fungsi pelatihan traingd,
pada dekomposisi level 1, dengan hidden
neuron 50 dan toleransi kesalahan sebesar
0.001.

4

Setiap nilai akurasi mencapai nilai yang
terbaik selalu diiringi juga dengan
penurunan nilai akurasi pada hidden
neuron selanjutnya, tetapi juga selalu
berada pada nilai yang cukup konstan.

Saran
Penelitian ini merupakan penelitian awal,
sehingga penelitian ini dapat dikembangkan
lagi pada penelitian berikutnya dengan saran
sebagai berikut :
•

Data yang digunakan pada penelitian ini
mempunyai background yang tidak
beraturan dan tidak seragam. Pada
penelitian
selanjutnya
sebaiknya
digunakan data citra yang mempunyai
background yang bersih, teratur dan
seragam, sehingga sidik perinium dapat
terlihat jelas.

•

Menambahkan variasi sidik perinium
untuk masing-masing spesies.

•

Mencoba metode praproses lainnya untuk
meningkatkan nilai akurasi sebagai
contoh menggunakan metode analisis
komponen utama (PCA).

DAFTAR PUSTAKA
Cahyaningtias T. 2007. Pengenalan Wajah
dengan Praproses Transformasi Wavelet
[Skripsi]. Bogor : Departemen Ilmu
Komputer