71 4.2.3 Skenario pengujian
Pada tugas akhir ini, digunakan 3 tiga objek citra yang akan diuji, 10 sepuluh citra pembelajaran dan 5 lima citra yang akan diuji. Seluruh citra pembelajaran akan diuji
menggunakan 100 seratus epoh. Adapun banyak parameter yang terdapat dalam penelitian ini adalah input masukan sebanyak 200x200, unit tersembunyi = 100, dan
unit keluaran = 3 berupa bentuk binari. Objek keluaran akan didefinisikan menggunakan 3 angka binari. Dalam
penelitian ini tersedia 8 delapan objek citra yang dinomori menggunakan binari. Mesjid Raya Medan menempati urutan objek pertama dengan nilai keluaran 000.
Kantor Pose Medan menempati urutan objek kedua, dengan nilai keluaran 001, begitu seterusnya sampai pada objek ke-8, yang akan memiliki nilai keluaran 111. Beberapa
citra pembelajaran penelitian dapat dilihat pada Tabel 4.3.
Tabel 4.3 Tabel Citra Pembelajaran
No Nama
Objek Keterangan Citra Pembelajaran
Citra Asli Citra HCD
1. Kantor Pos
Medan
Kantor_pos_1.JPG out_txKantor_pos_1.JPG
Kantor_pos_3.JPG out_txKantor_pos_3.JPG
Kantor_pos_6.JPG
out_txKantor_pos_6.JPG
Universitas Sumatera Utara
72
Tabel 4.3 Tabel Citra Pembelajaran Lanjutan
No Nama Objek
Keterangan Citra Pembelajaran Citra Asli
Citra HCD
Kantor_pos_10.JPG out_txKantor_pos_10.JPG
2. Mesjid
Raya Medan
Mesjid_Raya_2.JPG out_txMesjid_Raya_2.JPG
Mesjid_Raya_4.JPG out_txMesjid_Raya_4.JPG
Mesjid_Raya_6.JPG out_txMesjid_Raya_6.JPG
Universitas Sumatera Utara
73
Tabel 4.3 Tabel Citra Pembelajaran Lanjutan
No Nama
Objek Keterangan Citra Pembelajaran
Citra Asli Citra HCD
Mesjid_Raya_8.JPG out_txMesjid_Raya_8.JPG
3.
Istana Maimun
Istana_Maimun_1.JPG out_txIstana_Maimun_1.JPG
Istana_Maimun_4.JPG out_txIstana_Maimun_4.JPG
Istana_Maimun_6.JPG out_txIstana_Maimun_6.JPG
Universitas Sumatera Utara
74 Skenario pengujian yang digunakan adalah sebagai berikut.
1. Menentukan nilai parameter inisilasiasi awal BP dari seluruh citra yang sudah
dimasukkan, yaitu: hidden layer, alpha, epoh maksimal, dan nilai toleransi eror. Nilai parameter yang dilakukan adalah unit masukan = 40.000, hidden layer =
100, nilai keluaran = 3, alpha = 0.1, epoh maksimal = 100 dan nilai toleransi eror = 0.01.
2. Sistem akan menentukan nilai bobot dan bias menggunakan citra HCD yang
menghasilkan nilai biner 0 dan 1 sebagai nilai input. Dari persamaan 3.1 sebelumnya, maka nilai p = 100 dan n = 40.000 ditemukanlah nilai
–
dan ada di antara
−
0,7
dan 0,7 dimana hasil inisialisasi sebagian nilai bias awal data sebagian yang dapat dilihat sebagai berikut:
-0.15394 0.57355 -0.05144 0.47877 -0.55412 0.24404 -0.05966 0.49379 0.29939 -0.05173
dan nilai bias akan dikalkukasikan menggunakan persamaan 2.31 untuk mendapatkan nilai aktivasi sesuai dengan persamaan 2.32 menuju hidden layer,
yang hasil sebagiannya dapat dilihat sebagai berikut. 0.00008 0.98599 0.9875
0.0154 0.0001
0.98189 0.9999
1.80 0.00008 4.5463
Hasil kalkukasi dari hidden layer akan dikirim menuju keluaran sesuai dengan persamaan 2.33 sehingga menghasilkan nilai berikut.
0.73990 0.00369 -0.06997 0.36131 0.74524 -1.45042 0.01449 0.2385 -0.11625 -0.68038
Yang kemudian akan menghasilkan fungsi aktifasi sesuai dengan persamaan 2.34 dan menghasilkan nilai berikut.
3.02619 0.04562 0.00894 0.94701 0.99935 1
0.06120 1.80487 0.99999 0.50554
Universitas Sumatera Utara
75 3.
Tiap unit keluaran menerima target pola yang berkaitan dengan pola input pembelajaran menggunakan persamaan 2.35. Bobot-bobot tersebut akan
diperbaiki menggunakan 2.36 untuk dikirim ke unit tersembunyi pada persamaan 2.37.
4. Sistem akan melakukan pembelajaran terhadap bobot sampai ditemukan nilai delta
untuk memperbaiki bias dan bobot berdasarkan nilai eror dan epoh yang sudah ditentukan menggunakan persamaan 2.38 dan 2.39. Dari hasil pembelajaran
menggunakan epoh 100, sistem memberikan nilai eror sebesar 0,027. 5.
Melakukan pencarian citra baru dengan memasukkan citra yang akan dicari. 6.
Citra tersebut akan diubah ke dalam HCD dengan parameter yang sudah ditentukan dalam sistem, yaitu: alpha = 1; k = 0,01; threshold = 120 dan sigma =
0,05 yang disimpan dalam bentuk binari ke dalam database kemudian dipanggil lagi untuk melakukan perbandingan nilai bobot.
7. Mengulangi proses ketiga sampai proses ke lima untuk mendapatkan nilai bobot
citra. Nilai citra yang dicari akan dibandingkan bobotnya dengan citra yang ada dalam sistem. Bila sistem menemukan citra yang mirip, maka sistem akan
memanggil nama objek menggunakan nomor binary objek. 4.2.4 Hasil pengujian
Setelah melakukan pembelajaran pada sistem, maka dilakukanlah pengujian pada 5 lima citra uji pada masing-masing objek untuk membuktikan penelitian ini sehingga
diperoleh hasil berupa persentase eror kemiripan citra dari citra pembelajaran terhadap citra uji. Beberapa hasil dari pengujian citra terhadap sistem dapat dilihat pada Tabel
4.4.
Universitas Sumatera Utara
76
Tabel 4.4 Tabel Hasil Pengujian No
Citra Keterangan
Eror Asli
HCD
1.
Kantor_pos_13.JPG out_txKantor_pos_13.JPG
Berhasil Ditemukan
24.09
2.
Kantor_pos_14.JPG out_txKantor_pos_14.JPG
Tidak Berhasil
Ditemukan 78.09
3.
Mesjid_Raya_13.JPG out_txMesjid_Raya_13.JPG
Berhasil Ditemukan
12.85
4.
Mesjid_Raya_15.JPG out_txMesjid_Raya_15.JPG
Berhasil Ditemukan
7.84
5.
Istana_Maimun_12.JPG out_txIstana_Maimun_12.JPG
Tidak Berhasil
Ditemukan 39.62
Universitas Sumatera Utara
77
BAB 5
KESIMPULAN DAN SARAN
5.1 Kesimpulan