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,