2. Data yang digunakan oleh sistem haruslah data real atau nyata dan sesuai sehingga dapat menghasilkan pengenalan pola yang tepat dan memberikan
informasi yang tepat dan sesuai dengan tidak mengurangi kualitas informasi.
3. Efektifitas dan efisiensi dapat terlihat dari waktu respon antara pengguna dengan sistem.
4. Sistem yang nantinya telah dibuat dapat dikembangkan dengan mudah sehingga sistem dapat tetap digunakan di masa yang akan datang.
3.1.3. Analisis Proses
Dalam sistem ini ada 2 metode yaitu metode backpropagation dan metode perceptron yang digunakan untuk melakukan pengenalan pola PIN barcode.
Proses pengenalan pola PIN barcode ini yaitu dilakukan pelatihan akan suatu pola PIN barcode dengan kedua metode tersebut, dimana dalam proses pelatihan
dilakukan penginputan nomor identifikasi setiap barcode yang ingin dilatih. Kemudian dilakukan proses threshold dari citra barcode dan dilakukan proses
reduksi data citra tersebut yang pada akhirnya dilakukan pelatihan jaringan saraf tiruan untuk mengetahui pola dari PIN barcode.
Berikut ini akan diberikan contoh analisis perhitungan bagaimana metode backpropagation dan metode perceptron dalam melakukan pelatihan terhadap
suatu pola. Dengan yang pertama sebagai contoh yaitu penerapan metode algoritma backpropagation untuk mengenali fungsi XOR yang memilki 2
masukan x1 dan x2, dimana akan dilakukan iterasi terhadap pola pertama yaitu x1 = 1, x2 = 1 dan t = 0 dengan laju pembelajaranlearning rate
α = 0.2. berikut ini penyelesaian yang akan dilakukan dengan backpropagation menggunakan 1
lapisan tersembunyi yang terdiri dari 3 unit. 1. Inisialisasi semua bobot langkah 0 – langkah 3
Inisialisasi bobot ini akan dilakukan pemberian bobot secara acak seperti contoh pada tabel 3.1 dan tabel 3.2.
Universitas Sumatera Utara
Tabel 3.1 Nilai Bobot Lapisan Masukan ke Lapisan Tersembunyi v
ji
Tabel 3.2 Bobot Lapisan Masukan ke Lapisan Tersembunyi w
kj
Y z1
0.5 z2
-0.3 z3
-0.4 1
-0.1
2. Hitung keluaran unit tersembunyi zj langkah 4 z_net
j
= v
jo
+
∑ �� ���
� �=1
z_net
1
= -0.3+10.2+10.3 = 0.2 z_net
2
= 0.3+10.3+10.1 = 0.7 z_net
3
= 0.3+1-0.1+1-0.1 = 0.1 z
j
= fz_net
j
=
1 1+
�
−�_����
z1 =
1 1+
�
−0.2
= 0.55 ; z2 =
1 1+
�
−0.7
= 0.67 ; z3 =
1 1+
�
−0.1
= 0.52.
3. Hitung keluaran unit y
k
langkah 5 y_net
k
= w
ko
+
∑
� � =1
z
j
w
kj
y_net
k
= y_net = -0.1+0.550.5+0.67-0.3+0.52-0.4 = -0.24 y = fy_net =
1 1+
�
−�_���
=
1 1+
�
0.24
= 0.44 4.
Hitung faktor δ di unit keluaran y
k
langkah 6 �
k
= t
k
– y
k
f’y_net
k
= t
k
– y
k
y
k
1-y
k
�
k
= δ = t – y y1 – y = 0 – 0.44 0.44 1 – 0.44 = -0.11 Suku perubahan bobot w
kj
dengan α = 0.2: Δw
kj
= α �
k
z
j
= α �z ; j = 0,1, ..., 3 Δw
10
= 0.2 -0.111 = -0.02 z1
z2 z3
x1 0.2
0.3 -0.1
x2 0.3
0.1 -0.1
1 -0.3
0.3 0.3
Universitas Sumatera Utara
Δw
11
= 0.2 -0.110.55 = -0.01 Δw
10
= 0.2 -0.110.67 = -0.01 Δw
10
= 0.2 -0.110.52 = -0.01 5.
Hitung penjumlahan kesalahan dari unit tersembunyi =δ langkah 7 �
_
net
j
= �
k
w
1j
�
_
net
1
= 0.110.5 = -0.05 �
_
net
2
= 0.11-0.3 = 0.03 �
_
net
3
= 0.11-0.4 = 0.04 faktor kesalahan δ di unit tersembunyi:
�
j =
�_net
j
f’z_net
j
= �_net
j
z
j
1-z
j
�
1
= -0.050.05 1 – 0.05 = - 0.01 �
2
= 0.030.67 1 – 0.67 = 0.01 �
3
= 0.040.52 1 – 0.52 = 0.01 Suku perubahaan bobot ke unit tersembunyi
Δv
ji =
α �
j
x
i
dapat dilihat pada tabel 3.3. j = 1,2,3; i = 0,1,2
Tabel 3.3 Nilai Suku Perubahan Bobot
z1 z2
z3 x1
Δv
11
= 0.2 -0.011 = 0
Δv
21
= 0.2 0.011 = 0
Δv
31
= 0.2 0.011 = 0
x2 Δv
12
= 0.2 -0.011 = 0
Δv
22
= 0.2 0.011 = 0
Δv
32
= 0.2 0.011 = 0
1 Δv
13
= 0.2 -0.011 = 0
Δv
23
= 0.2 0.011 = 0
Δv
32
= 0.2 0.011 = 0
6. Hitung semua perubahan bobot langkah 8 w
kj
baru = w
kj
lama + Δw
kj
k = 1 ; j = 0,1, ..., 3 w
11
baru = 0.5 – 0.01 = 0.49 w
12
baru = -0.3 – 0.01 = -0.31 w
13
baru = -0.4 – 0.01 = -0.41 w
10
baru = -0.1 – 0.02 = -0.12 perubahan bobot unit tersembunyi:
v
ji
baru = v
ji
lama + Δv
ji
j = 1,2,3 ; i = 0,1,2
Universitas Sumatera Utara
Tabel 3.4 Perubahan Bobot Unit Tersembunyi
z1 z2
z3 x1
v
11
baru = 0.2+0
= 0.2 v
21
baru = 0.3+0
= 0.3 v
31
baru = - 0.1+0
= -0.1 x2
v
12
baru = 0.3+0
= 0.3 v
22
baru = 0.1+0
= 0.1 v
32
baru = - 0.1+0
= -0.1 1
v
13
baru = - 0.3+0
= -0.3 v
23
baru = 0.3+0
= 0.3 v
33
baru = 0.3+0
= 0.3
Hasil pada tabel 3.4 merupakan iterasi untuk pola pertama, untuk mengetahui nilai dari 1 iterasi penuh semua pola maka dapat dilakukan iterasi
pada pola kedua yaitu x1 = 1, x2 = 0, dan t = 1, pola ketiga yaitu x1 = 0, x2 = 1, dan t = 1, dan pola keempat yaitu x1 = 0, x2 = 0, dan t = 0.
Selanjutnya merupakan contoh penerapan metode algoritma perceptron untuk mengenali pola logika XOR dengan input dan output bipolar, dimana x1 =
1,1,-1,-1 dan x2 = 1,-1,1,-1 dengan target = -1,1,1,-1.
1. inisialisasi bobotw dan biasb awal yaitu w1 = 0, w2 = 0, dan b = 0 dengan laju pembelajaran learning rate
α = 1 dan � threshold = 0. 2. Lakukan:
a. Set aktivasi unit masukan x
i
= s
i
i = 1, ...,n b. Hitung respon unit keluar: net =
∑ �� �� + �
�
. net = x1.w1 + x2.w2 + b 10 + 10 + 0 = 0
y = f net y = f0 = 0 c.
Δw = α t x
i
Δw = 11-1 = -1
wbaru = wlama +Δw wbaru = 0+-1 = -1 Δb = α t Δb = 11 = 1
bbaru = blama +Δb bbaru = 0+1 = 1
Perhitungan diatas merupakan 1 penerapan metode algoritma perceptron terhadap 2 variabel dari masukan x1 dan x2. Dibawah ini merupakan perhitungan
secara keseluruhan untuk mengenali pola logika XOR dengan metode algoritma perceptron yang dapat dilihat dari tabel 3.5.
Universitas Sumatera Utara
Tabel 3.5 Hasil Iterasi Pertama
input target
perubahan bobot bobot baru
x1 x2
b t
Net y
=fnet Δw1 Δw2 Δb w1 w2 b
INISIALISASI 1
1 1
-1 -1
-1 -1
-1 -1
-1 1
-1 1
1 -1
-1 1
-1 1
-2 -1
1 1
1 -2
-1 -1
1 1
-1 -1
-1 -1
-1 1
-1 1
1 1
1 -1
-2 Dari hasil pada tabel 3.5 maka diperoleh bobot baru yaitu w1 = 0 dan w2 =
0, dan b = -2. Dari hasil ini maka dihitunglah kembali apakah y = fnet = nilai target yang diberikan. Hasil perhitungan tersebut dapat dilihat pada tabel 3.6.
Tabel 3.6 Hasil Perhitungan Setelah Diperoleh Bobot dan Bias Baru
s1 s2
1 t
net y
1 1
1 -1
-2 -1
1 -1
1 1
-2 -1
-1 1
1 1
-2 -1
-1 -1
1 -1
-2 -1
Dari hasil pada tabel 3.6 ternyata y = fnet ≠ t, maka dari itu akan
dilakukan kembali perhitungan ke iterasi selanjutnya hingga mencapai y = fnet = t.
3.2. Pemodelan
