2. Inisialisasi Nguyen Windrow
Waktu pembelajaran jaringan propagasi balik yang bobot dan biasnya diinisalisasi dengan inisialisasi Nguyen-Widrow lebih cepat dibandingkan bila
diinisialisasi dengan inisialisasi acak. Pada inisialisasi Nguyen-Widrow, inisialisasi acak tetap terpakai tetapi digunakan untuk menginisialisasi bias dan
bobot dari unit tersembunyi ke unit output saja. Untuk bias dan bobot dari unit- unit input ke unit-unit tersembuyi digunakan bias dan bobot yang khusus
diskala agar jatuh pada range tertentu. Dengan penskalaan maka diharapkan kemampuan belajar dari unit-unit tersembunyi dapat meningkat.
Faktor skala Nguyen- Widrow didefenisikan sebagai :
⁄
di mana : n = banyak unit input
p = banyak unit tersembunyi = faktor skala
Prosedur inisialisasi Nguyen-Widrow Untuk setiap unit tersembunyi dari unit ke-1 sampai unit ke-p :
1. Inisialisasi vektor bobot dari unit-unit input ke unit-unit tersembunyi j = 1, …,
p dengan cara : a. Menentukan bobot-bobot antara unit input ke unit tersembunyi v
ij
: v
ij
lama = bilangan acak antara - dan
di mana i = 1, …, n. b. Menghitung ||v
ij
||. c. Menginisialisasi kembali v
ij :
‖ ‖
2. Menentukan bias antara unit input ke unit tersembuni j = 1, …, p. v
oj
diset dengan bilangan acak yang terletak pada skala antara -
dan .
2.5.3 Pengupdate Bobot dengan Momentum
Universitas Sumatera Utara
Penambahan parameter momentum dalam mengupdate bobot seringkali bisa mempercepat proses pelatihan. Ini disebabkan karena momentum memaksa proses
perubahan bobot terus bergerak sehingga tidak terperangkap dalam minimum- minimum lokal. Pengupdatean bobot pada proses pelatihan jaringan yang biasa adalah
sebagai berikut : Δw
jk
= α δ
k
z
j
Δv
ij
= α δ
j
x
i
Jika error tidak terjadi output actual telah sama dengan output target maka δ
k
menjadi nol dan hal ini akan menyebabkan koreksi bobot Δw
jk
= 0, atau dengan kata lain pengupdatean bobot berlanjut dalam arah yang sama seperti sebelumnya.
Jika parameter momentum digunakan maka persamaan-persamaan pengupdatean bobot dengan langkah pelatihan t, dan t+1 untuk langkah pelatihan selajutnya,
mengalami modifikasi sebagai berikut : Δw
jk
t + 1 = α δ
k
z
j
+ µ Δw
jk
t Δv
ij
t + 1 = α δ
j
x
i
+ µ Δv
ij
t dengan µ adalah parameter momentum dalam range antara 0 sampai 1.
Universitas Sumatera Utara
BAB 3 ANALISIS DAN PERANCANGAN
Pada bab ini dibahas tentang bagaimana proses sistem jaringan saraf tiruan dengan
menggunakan metode propagasi balik untuk pengenalan tulisan tangan berbentuk huruf jawi arab melayu dan membahas tentang analisis kebutuhan sistem tersebut
beserta perancangan sistemnya. Pada tahap perancangan sistem yang dilakukan adalah mentransformasikan model analisis ke model perancangan.
3.1 Analisis Data Sistem
Data dan sampel yang akan digunakan adalah tulisan tangan yang berbentuk huruf jawi arab melayu ditulis dikertas putih dengan tinta berwarna hitam. Setelah
pengambilan data, data tersebut di scan, setelah itu hasil scannernya di simpan dalam bentuk folder jpeg.
Untuk melakukan pengenalan tulisan tangan berbentuk huruf jawi arab melayumenggunakan jaringan saraf tiruan harus melalui tahapan-tahapan tertentu
sehingga dapat menjadi masukan yang baik bagi jaringan saraf tiruan. Jumlah data yang diambil sebanyak 12 pola tulisan tangan berbentuk huruf arab melayu jawi dari
12 orang, 1 orang terdiri dari 7 kata kata yang diambil adalah nama-nama hari.
3.2 Pra - Pengolahan Citra
Sebelum ketahapan jaringan saraf tiruan, terlebih dahulu data yang telah diambil dilakukan proses prapengolahan citra. Pada sistem ini prapengolahan yang dilakukan
adalah binarization, normalisasi, thinning dan feature extraction.
Universitas Sumatera Utara