Pengenalan Spesies Nematoda Puru Akar

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,