Iridologi CALL FOR PAPER 2010 MUNAS APTIKOM.

276 Seminar dan Call For Paper Munas Aptikom Politeknik Telkom Bandung, 9 Oktober 2010 memilii kinerja layaknya sebuah jaringan syaraf manusia dan dapat diimplementasikan dengan menggunakan program komputer sehingga mampu menyelesaikan sejumlah proses perhitungan selama proses pembelajaran[6]. BPNN dapat diaplikasikan untuk pengenalan pola iris mata, pada algoritma proses pelatihan BPNNuntuk pengubahan nilai dimulai dari lapisan output dan berakhir pada lapisan input. BPNN melatih jaringan untuk mendapatkan keseimbangan antara kemampuan jaringan untuk mengenali pola yang digunakan selama pelatihan serta kemampuan jaringan untuk memberikan respon yang benar terhadap pola masukan yang serupa tapi tidak sama dengan pola yang dipakai selama pelatihan. BPNN memiliki beberapa unit neuron yang ada dalam satu atau lebih lapisan tersembunyi. Gambar 1 adalah arsitektur Back Propagation dengan n buah masukan ditambah sebuah bias pada lapisan input, sebuah lapisan tersembunyi yang terdiri dari p unit ditambah sebuah bias, serta m buah unit keluaran pada lapisan output, untuk alur secara umum misalnya untuk V 22 merupakan bobot garis dari unit masukan X 2 ke unit lapisan tersembunyi Z 2 V 20 merupakan bobot garis yang menghubungkan bias di unit masukan ke unit lapisan tersembunyi Z 2 . W 22 merupakan bobot dari unit lapisan tersembunyi Z 2 ke unit keluaran Y 2 W 20 merupakan bobot dari bias di lapisan tersembunyi ke unit keluaran Y 2 . Gambar 1. Arsitektur Back Propagation Neural Network Terdapat 3 tiga fase dalam pelatihan BPNN[6], yaitu : 1. Fase Maju atau Fase Feed Forward, 2. Fase Mundur atau Back Propagation, dan 3. Fase Modifikasi Bobot. Dalam fase Feed Forward, pola masukan dihitung maju dimulai dari lapisan input hingga lapisan output menggunakan fungsi aktivasi yang ditentukan. Sedangkan dalam fase Back Propagation, tiap - tiap unit output menerima target pola yang berhubungan dengan pola input untuk dihitung nilai kesalahannya. Fase selanjutnya adalah modifikasi bobot yang bertujuan untuk menurunkan kesalahan yang terjadi.

1.4 Algoritma Pelatihan BPNN

Berdasarkan gambar 2.1, standar algoritma pelatihan Back PropagationNeural Network yang digunakan adalah sebagai berikut : a. Inisialisasi bobot dengan mengambil nilai bobot berdasarkan nilai random yang cukup kecil. b. Menetapkan Maksimum Epoch, laju pemahaman α, target error c. Inisialisasi Epoch = 0, dan menetapkan Mean Square Error MSE atau Sum Square Error SSE. d. Kerjakan langkah - langkah berikut selama Epoch Maksimum Epoch dan MSE Target Error : • Epoch = Epoch + 1. • Untuk tiap - tiap pasangan elemen yang akan dilakukan pelatihan, kerjakan langkah 1 - 6 : Feed Forward 1. Tiap - tiap unit input X i i=1,2,…,n menerima sinyal X i dan meneruskan sinyal tersebut ke semua unit pada lapisan yang terletak diatasnya lapisan tersembunyi. 2. Tiap - tiap unit tersembunyi Z j j=1,2,…,p menjumlahkan sinyal - sinyal input terbobot : Z_in j =V j0 + X i V ji n i=1 Z j = ƒ Z_in j Fungsi ƒZ_in j merupakan fungsi aktivasi yang digunakan untuk menghitung sinyal outputnya. Setelah sinyal output dihasilkan, sinyal tersebut dikirimkan ke semua unit diatasnya lapisan output. 3. Tiap - tiap unit output Y k k=1,2,…,m menjumlahkan sinyal - sinyal input terbobot : Y_in k =W k0 + Z j W kj p j=1 Y k = ƒ Y_in k Fungsi ƒY_in k merupakan fungsi aktivasi yang digunakan untuk menghitung sinyal outputnya. Setelah sinyal output dihasilkan, kirimkan sinyal tersebut ke semua unit diatasnya lapisan output. Back Propagation