Identifikasi Benih Gandum Dengan Jaringan Saraf

Benih gandum (wheat) memiliki tiga varietas yang berbeda yaitu Kama, Rosa dan Canadian. Untuk mengidentifikasi jenis benih tersebut, diperlukan data hasil pengukuran geometris aktual dari masing-masing jenis gandum tersebut. Penulis memperoleh data dari https://archive.ics.uci.edu/ml/datasets/seeds, di mana data tersebut memiliki 7 variabel pengukuran geometris, yaitu:

1. Area A,

2. Perimeter P,

3. Compactness C = 4*pi*A/P^2,

4. Length of kernel (panjang benih),

5. Width of kernel (panjang benih),

6. Asymmetry coefficient (koefisien asimetri)

7. Length of kernel groove (panjang lekukan benih).

Semua parameter adalah nilai aktual berkelanjutan (real-valued continuous).

Penulis menggunakan file data tersebut ke dalam format teks (CSV, terpisah koma) yang bisa dibaca oleh aplikasi Neuroshell 2. Untuk melakukan hal ini, penulis menggunakan 3 konfigurasi jaringan saraf yang tersedia yaitu backpropagation (3 lapisan dengan 1 lapisan neuron tersembunyi), Kohonen dan PNN.

Gambar 1 menunjukkan tampilan data dalam Excel, terlihat ada 210 baris data, di mana masing-masing jenis benih gandum memiliki 70 sampel pengukuran. Baik benih gandum jenis Kama, Rosa dan Canadian, masing-masing memiliki 70 sampel.

Data Pengukuran Geometris Benih Gandum

Dalam kasus identifikasi benih, sesuai konfigurasi jaringan yang digunakan. Berikut pengaturan konfigurasi untuk jaringan saraf yang digunakan:

Konfigurasi  Back Propagation

 
 Konfigurasi Kohonen

 

 Konfigurasi PNN

Berikut adalah statistik hasil prediksi ke tiga jaringan di atas:
Hasil statistik jaringan BAck Propagation

HAsil Statistik Kohonen

Hasil Statistik PNN

Selanjutnya hasil prediksi bisa digunakan untuk mengklasifikasi jika ada data baru yang muncul. Hal itu bisa menggunakan file Excel, baik dengan memasukkan formula dari konfigurasi jaringan, nilai-nilai bobot dan bias diketahui). Atau dengan menggunakan aplikasi pemrograman (Visual Basic/C), jaringan terlatih bisa digunakan untuk memberikan hasil klasifikasi.

Tampilan hasil prediksi di Excel untuk jaringan Back Propagation

Tampilan program

Kesimpulan:

Metode optimisasi klasifikasi dengan menggunakan jaringan saraf menunjukkan hasil yang baik, dan diperoleh dalam waktu yang cepat.

Jaringan backpropagation dalam kasus ini terlihat memberikan hasil lebih baik dibanding Kohonen dan PNN. Hasil prediksi jaringan backpropagation dengan 3 neuron output prediksi perlu dikonversi untuk mencari neuron pemenang yang dihitung berdasarkan nilai maksimum di antara semua neuron.

Hasil prediksi jaringan Kohonen tidak menunjukkan termasuk kelas mana hasil prediksi yang dihasilkan, beruntung data input yang digunakan sudah berurutan sehingga pengklasifikasian bisa dibandingkan dengan kelompok data aktual.

Hasil prediksi PNN dibandingkan dengan kedua jaringan lain lebih mudah menunjukkan statistik prediksinya secara automatis. Sementara jaringan backpropagation dan Kohonen statistiknya perlu dihitung secara manual.

Catatan: Artikel lengkap bisa di download dari link berikut 

https://www.academia.edu/30318954/Identifikasi_Benih_Gandum_Dengan_Jaringan_Saraf