BAB 3
METODOLOGI PENELITIAN
3.1 Analisis Sistem metode perceptron dan backpropagation
Tahapan analisis terhadap suatu sistem dilakukan sebelum tahapan perancangan dilakukan. Sistem pengenalan pola pada penelitian ini adalah neural network
dengan backpropagation dan perceptron sebagai metode pelatihan untuk memperoleh bobot neural network sebagai aplikasi pengenalan daun. Gambar
yang akan digunakan sebagai data pelatihan maupun data pengujian terlebih dahulu diolah menggunakan image processing sehingga dapat digunakan sebagai
masukan neural network. Data gambar berwarna diubah menjadi manjadi data gambar grayscale sehingga diperoleh dimensi data yang lebih kecil. Proses
selanjutnya adalah proses thresholding yaitu proses mengubah gambar yang memiliki tingkat warna abu-abu menjadi gambar biner berdasarkan suatu nilai
tertentu yang menjadi tolak ukurnya yaitu nilai antara 0 hitam 255 putih. Salah satu unsur pokok yang harus dipertimbangkan dalam tahapan
analisis sistem ini yaitu masalah perangkat lunak, karena perangkat lunak yang digunakan haruslah sesuai dengan masalah yang akan diselesaikan. Software yang
dipakai untuk perancangan perangkat lunak adalah Microsoft Visual Basic 6.0. Software ini dipilih karena tampilan dan penggunaan tools-nya yang user friendly.
Untuk memudahkan perancangan perangkat lunak tersebut, maka dibutuhkan arsitektur jaringan dari metode perceptron dan backpropagation serta flowchart
dari setiap mekanisme yang ada. Alasan penggunaan arsitektur jaringan dan flowchart adalah supaya dapat digambarkan secara jelas alur dari proses, struktur
perulangan, teknik pengambilan keputusan serta mekanisme kalkulasi yang ada
Universitas Sumatera Utara
pada sistem. Setelah arsitektur jaringan dan flowchart terbentuk, barulah dilakukan proses pembentukan sistem yang sebenarnya.
3.2 Arsitektur Jaringan Metode Perceptron dan Backpropagation
Arsitektur jaringan untuk metode perceptron yang akan diterapkan pada sistem dalam penelitian ini yaitu terdapat 2 input x
1
dan x
2
dengan 1 output target t. Arsitektur jaringan terdiri dari 1 lapisan input dan 1 lapisan output. Hanya ada 1
neuron pada lapisan output, karena target yang diharapkan berbentuk biner, maka
fungsi aktivasi yang digunakan adalah fungsi hard limit, dirumuskan sebagai:
y=
Arsitektur jaringan untuk metode perceptron seperti yang ditunjukkan pada gambar 3.1:
Gambar 3.1. Arsitektur jaringan metode perceptron
{
1,
0, Jika x
≤ 0
Jika x 0
x
2
x
1
∑xw
w
2
Fy_in
y_in w
1
y
Universitas Sumatera Utara
Untuk metode backpropagation seperti yang ditunjukkan pada gambar 3.2, akan dibentuk jaringan saraf untuk operasi XOR. Ada 2 input x
1
dan x
2
• Lapisan input, Bobot awal yang menguhubungkan neuron-neuron pada lapisan input dan lapisan tersembunyi v
dengan 1 output target t. Arsitektur jaringan terdiri dari:
11
, v
12
, v
21
, v
22
dan bobot bias v0
1
dan v0
2
dipilih secara acak. Demikian pula bobot awal yang menghubungkan neuron-neuron pada lapisan tersembunyi dan lapisan output w
1
,w
2
dan bobot bias w
• Lapisan tersembunyi dengan 4 neuron, fungsi aktivasi yang digunakan pada setiap neuron pada lapisan ini adalah fungsi sigmoid : z=
juga dipilih secara acak.
in z
e
_
1 1
−
+ • Lapisan output dengan 1 neuron, fungsi aktivasi yang digunakan pada neuron
di lapisan ini adalah fungsi sigmoid: y=
in y
e
_
1 1
−
+
Gambar 3.2. Arsitektur jaringan metode backpropagation
z
1
y
x
1
V0
1
+
∑
= 2
1 1
i i
i
v x
z_in
1
z
2 V0
2
+
∑
= 2
1 2
i i
i
v x
z_in
2
z
3 V0
3
+
∑
= 2
1 3
i i
i
v x
z_in
3
z
4 V0
4
+
∑
= 2
1 4
i i
i
v x
z_in
4
x
2
1
w0+
∑
= 4
1 i
i i
w x
1
w
1
w
2
w
3
w
4
w y_in
v
11
v
12
v
13
v
14
v
21
v
22
v
23
v
24
v
01
v
02
v
03
v
04
Universitas Sumatera Utara
3.3 Flowchart Sistem
Kategori