(4) Dimensi horisontal kawanan cenderung lebih besar dibandingkan dengan dimensi vertikalnya sehingga bentuk kawanan ikan cenderung lebih pipih dan
3) Algoritma jaringan
Seperti telah diketahui, ketika JSTPB digunakan maka pada setiap unit sel dalam jaringan tersebut terjadi tiga proses pengolahan data yaitu: proses membaca dan meneruskan informasi pola masukan, proses perambatan balik galat yang berkaitan dengan hasil pelatihan, dan proses penghitungan nilai bobot (Fausett, 1994). Dalam disertasi ini setiap unit sel dituliskan dengan huruf besar sedangkan hasil proses dari unit sel tersebut ditulis dengan huruf kecil contoh, unit sel tersembunyi ke-i dituliskan Zi sedangkan hasil proses unit sel ini dituliskan dengan zi.
Selama proses umpan maju (feedforward), setiap unit sel masukan (Xi) menerima sebuah sinyal masukan dan meneruskan sinyal tersebut ke unit-unit tersembunyi diatasnya (Z1,…,Zp). Setiap unit sel tersembunyi selanjutnya menghitung fungsi aktivasinya dan jika memenuhi syarat hasilnya di kirimkan kesetiap unit sel keluaran. Setiap unit sel keluaran (Yk) menghitung fungsi aktivasinya untuk menentukan reaksi jaringan terhadap pola masukan yang diberikan.
Selama pelatihan, nilai galat (e) hasil identifikasi pola masukan dihitung disetiap unit sel keluaran dengan cara membandingkan hasil hitungan unit sel keluaran (yk) dengan nilai target yang telah ditetapkan sebelumnya (tk) dan dirumuskan dengan (e=tk-yk). Berdasarkan nilai galat ini, faktor δk ditentukan. Faktor δk adalah faktor pengali yang digunakan untuk mendistribusikan galat yang ada pada unit sel keluaran ke seluruh unit sel pada lapisan sebelumnya (unit-unit lapisan tersembunyi yang tersambung ke unit sel keluaran Yk). Selain itu, faktor δk
digunakan juga untuk memperbaharui bobot antara lapisan keluaran dan lapisan tersembunyi. Selanjutnya, dengan cara yang sama, faktor δj dihitung pada setiap unit sel tersembunyi Zj untuk mendistribusikan galat pada unit sel tersembunyi ke seluruh unit sel pada lapisan masukan (unit-unit lapisan masukan Xi yang tersambung ke unit sel tersembunyi Zj).
Setelah seluruh faktor δ ditentukan, bobot-bobot pada setiap lapisan dihitung secara bersamaan. Hitungan bobot dari lapisan unit-unit tersembunyi ke unit-unit keluaran didasarkan pada faktor δk dan fungsi aktivasi dari unit sel tersembunyi Zj. Hitungan bobot dari unit sel masukan Xi ke unit sel tersembunyi
Zj didasarkan pada faktor δj dan aktivasi Xi dari unit-unit masukan. Dalam disertasi ini setiap unit sel dituliskan dengan huruf besar sedangkan hasil proses hitungan di unit sel ini dituliskan dengan huruf kecil contoh, unit sel tersembunyi ke-j dituliskan Zj sedangkan hasil proses unit sel ini dituliskan dengan zi.
Gambar 27 Diagram alir algoritma jaringan.
Hitung bobot awal Nguyen-Widrow
(1990)
MSE < toleransi Hitung sinyal masukan (15),
Keluaran (16) lap. tersembunyi Inisialisasi bobot awal dgn bilangan acak Antar -1,1
Hitung sinyal masukan (17), Keluaran (18) lap. Keluaran
(t-y), MSE
,
Data masukan (x) dan target (t)
Hitung faktor δk (19), koreksi bobot & dan bias (20), (21), bobot
& bias baru (26) lap. keluaran Hitung faktor δi(23), koreksi bobot & bias(24), (25) bobot & bias baru(27), lap. tersembunyi
Bobot & bias baru jadi nilai inisialisasi baru
Cetak hasil
SELESAI MULAI
T Y
Algoritma JSTPB;
Langkah 0. Inisialisasi bobot dari Xi ke Zj dan dari Zj ke Yk dengan nilai acak yang kecil.
Langkah 1. Selama kondisi stop belum dilalui maka lakukan langkah 2-9 dan hitung bobot awal JSTPB dengan Metode Nguyen-Widrow.
Langkah 2. Untuk setiap pasang data masukan lakukan langkah 3-8 berikut:
Umpan maju (feedforward)
Langkah 3. Setiap unit sel masukan (Xi, i=1,...,n) menerima sinyal xi dan meneruskannya ke semua unit sel di lapisan diatasnya.
Langkah 4. Setiap unit sel tersembunyi (Zj, j=1,...,p) menjumlahkan setiap sinyal masukan yang telah diberi bobot,
∑
= + = n 1 i ij i oj j v x v in _ z , ... (15)sinyal keluaran dihitung dengan fungsi aktivasi, ) in _ z ( f zj= j , ... (16)
dan mengirimkan hasilnya ke setiap unit sel di lapisan diatasnya (unit-unit keluaran).
Langkah 5. Setiap unit sel keluaran (Yk, k=1,...,m) menjumlahkan setiap sinyal yang telah diberi bobot yang diterimanya,
∑
= + = m 1 j jk j ok k w z w in _ y , ... (17)dengan fungsi aktivasi sinyal keluaran dihitung dengan, ) in _ y ( f yk = k , ... (18)
Perambatan balik nilai galat (backpropagation of error)
Langkah 6. Setiap unit sel keluaran (Yk, k=1,...,m) menerima pola target (tk) yang sesuai dengan pola masukan pelatihan, hitung faktor δ,
) in _ y ( ' f ) y t ( k k k k = − δ , ... (19) hitung koreksi bobot dengan,
j k jk z
w =αδ
Δ , ... (20) hitung koreksi bias dengan,
k k 0
w =αδ
selanjutnya nilai δk digunakan di lapisan bawah.
Langkah 7. Setiap unit sel tersembunyi (Zj, j=1,...,k) menjumlahkan nilai δ yang telah diberi bobot dari lapisan diatasnya,
∑
= δ = δ m 1 k jk k j w in _ , ... (22)Selanjutnya hitung nilai δj dengan, ) in _ z ( ' f in _ j j j=δ δ , ... (23) hitung koreksi bobot dengan,
i j ij x
w =αδ
Δ , ... (24) hitung koreksi bias dengan,
j j 0
v =αδ
Δ , ... (25)
Perbaharui nilai bobot jaringan dan bobot bias,
Langkah 8. Setiap unit sel keluaran (Yk, k=1,...,m) memperbaharui bobot bias dan lapisan dengan,
jk jk
jk(baru) w (lama) w
w = +Δ ... (26) Setiap unit sel tersembunyi (Zj, j=1,...,p) memperbaharui bobot bias dan lapisan dengan,
ij ij
ij(baru) v (lama) v
v = +Δ ... (27)
Langkah 9. Test kondisi stop.
6.2.2 Perancangan akhir dan uji coba JSTPB
Perancangan akhir dilakukan untuk menentukan apakah model awal JSTPB yang dihasilkan pada tahap rancangan awal dapat digunakan untuk mengidentifikasi dan mengklasifikasi data uji yang diberikan dengan ketepatan, jumlah iterasi, dan pencapaian fungsi tujuan seperti yang disyaratkan sebelumnya dan dengan komposisi awal data latih dan uji 58:56.
Jika dalam proses pengujian didapatkan bahwa model awal JSTPB tidak dapat mencapai fungsi tujuannya maka dilakukan pemodelan ulang dengan mengubah jumlah unit sel dan lapisan tersembunyi. Perubahan model dilakukan hingga dicapai jumlah maksimum unit sel dan lapisan seperti yang dihasilkan saat perancangan awal. Haralabous & Georgakarakos (1996) menyarankan untuk
menggunakan 12 hingga 18 unit sel tersembunyi untuk 140 data uji atau 9% hingga 12% dari total data uji.
Jika fungsi tujuan tetap tidak dapat dicapai dengan model terakhir maka jumlah pola masukan data latih ditambah secara acak per n pola masukan, sehingga setiap penambahan n pola masukan ke data latih akan mengurangi n pola data uji. Nilai n menyatakan jumlah pola data yang ditambahkan atau dikurangkan dari data latih dan data uji. Haralabous & Georgakarakos (1996) mengemukakan bahwa dengan jumlah pola data uji sebanyak 5-35% dari total data yang tersedia dapat dicapai tingkat ketepatan identifikasi hingga 80%, tergantung spesies kawanan ikan. Dengan demikian, berdasarkan prosentase data uji seperti yang dikemukakan di atas maka perubahan komposisi jumlah pola data latih (58 pola) dan data uji (56 pola) hanya dapat dilakukan hingga jumlah pola data uji berkisar antara 6 hingga 40 pola.
Karena keluaran yang diinginkan berjumlah 5 kawanan ikan yang berbeda maka jumlah unit sel lapisan tersembunyi dari setiap rancangan model yang baru akan selalu dimulai dengan jumlah 5 unit sel tersembunyi dengan tetap menggunakan fungsi aktivasi sigmoid bipolar (tansig) pada lapisan tersembunyi, fungsi linier (purelin) pada lapisan keluaran, dan menggunakan metode pelatihan Levenberg-Marquardt (trainlm).
Sebagaimana disebutkan sebelumnya, ada 3 arsitektur JSTPB yang akan dibangun yang dibedakan berdasarkan jumlah dan tipe deskriptor akustik yang digunakan sebagai masukannya. Ketiga JSTPB tersebut adalah:
(1) JSTPB tipe 1 (JSTPB1) dengan unit sel masukan sebanyak 8 deskriptor hasil analisis statistik.
(2) JSTPB tipe 2 (JSTPB2) dengan jumlah unit sel masukan sebanyak jumlah deskriptor yang digunakan dalam analisis diskriminan yaitu sebanyak 15 deskriptor.
(3) JSTPB tipe 3 (JSTPB3) adalah JSTPB dengan jumlah unit sel masukan yang sama dengan jumlah unit sel masukan JSTPB1 yaitu 8 unit sel masukan tetapi deskriptor yang digunakan adalah deskriptor hasil analisis tingkat kontribusi yang dilakukan dengan JSTPB2.
JSTPB2 digunakan sebagai pembanding Metode Statistik sedangkan JSTPB3 digunakan sebagai pembanding JSTPB1, perhatikan posisi JSTPB2 terhadap metode statistik dan posisi JSTPB3 terhadap JSTPB1 yang sejajar pada Gambar 14.
6.3 Hasil
Perancangan awal model JSTPB dilakukan dalam 5 tahap untuk 1) menentukan metode pelatihan yang tepat, 2) menentukan kisaran jumlah unit
sel masukan, 3) menentukan kisaran jumlah unit sel tersembunyi, 4) menentukan kisaran jumlah lapisan tersembunyi, dan 5) menentukan kisaran jumlah pola masukan.
6.3.1 Hasil perancangan awal dan pelatihan JSTPB
Berikut ini hasil rancangan awal model JSTPB yang dilakukan untuk menentukan kelima hal yang telah disebutkan sebelumnya. Hasil perancangan awal ini selanjutnya digunakan sebagai nilai awal dalam pelatihan dan uji coba jaringan.
