Back Propagation Neural Network BPNN

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 Seminar dan Call For Paper Munas Aptikom Politeknik Telkom Bandung, 9 Oktober 2010 277 4. Tiap - tiap unit output Y k k=1,2,3,…,m menerima target pola yang berhubungan dengan pola input pelatihan, hitung informasi errornya : δ = T k – Y k ƒ’Y_in k = T k - Y k Y k 1- Y k untuk T adalah target dan selanjutnya, hitung koreksi bobot yang akan digunakan untuk memperbaiki nilai : ∆ W kj = α δ k Z j k=1,2,…m ; j=0,1,…p Hitung juga koreksi bias yang akan digunakan untuk memperbaiki nilai : ∆ W k0 = α δ k Kemudian dikirim ke unit - unit yang terletak pada lapisan bawahnya. 5. Tiap-tiap unit tersembunyi Zj j=1,2,…,p menjumlahkan delta inputnya dari unit - unit yang ada pada lapisan diatasnya : δ_in j = δ k W kj m k=1 Kalikan nilai ini dengan turunan dari fungsi aktivasinya untuk menghitung informasi error : δ j = δ_in j ƒ’Z_in j = δ_in j Z j 1 - Z j Kemudian hitung koreksi bobot yang akan digunakan untuk memperbaiki nilai : ∆V ji = α δ j X i Hitung juga koreksi bias yang akan digunakan untuk memperbaiki nilai : ∆V j0 = α δ j Fase Modifikasi Bobot 6. Tiap - tiap unit output Y k k=1,2,…,m memperbaiki bias dan bobotnya j=0,1,2,…,p : W kj baru = W kj lama+ ∆W kj Tiap - tiap unit tersembunyi Z j j=1,2,…,p memperbaiki bias dan bobotnya i=0,1,2,…,n : V ji baru = V ji lama+ ∆V ji • Hitung MSE atau SSE. Setelah pelatihan selesai dilakukan, jaringan dapat digunakan untuk pengujian. Dalam hal ini, hanya feed forward langkah 1 sampai 3 saja yang dipakai untuk menentukan keluaran jaringan. 2. ANALISIS DAN PERANCANGAN 2.1 Kebutuhan Fungsi Agar pembangunan sistem ini tidak keluar dari jalur atau rencana yang telah ditetapkan, maka diperlukan batasan yang jelas sebagai tujuan utamanya. Beberapa kebutuhan sistem yang akan didefinisikan diantaranya adalah : 1. Kemampuan untuk memasukan data pelatihan, fungsi dan parameter BPNN. 2. Mempunyai kemampuan untuk melakukan pengolahan citra dan perhitungan BPNN. 3. Dapat menampilkan grafik, banyaknya iterasi dan MSE SSE. 4. Mampu melakukan seleksi bagian iris mata. 5. Mampu melakukan identifikasi iris mata normal, gejala kolesterol, kolesterol sub-akut dan kolesterolakut. 6. Menampilkan persentase kemiripan dari hasil identifikasi. 2.2 Data Flow Diagram Pada Gambar 2 merupakan DFD level 1, pada DFD level 1 ini dijelaskan fungsi-fungsi dan arus data yang mengalir pada sistem. Berikut ini adalah fungsi-fungsi yang terdapat pada aplikasi perangkat lunak ini: 1. Pengolahan Citra, yaitu proses pengolahan citra dari data pelatihan dan data pengujian sehingga mengasilkan suatu data numerik yang nantinya akan diproses oleh BPNN dan proses identifikasi. Pada pengolahan citra data-data yang dimasukan akan disimpan dalam sebuah file db_pelatihan dan db_pengujian. 2. BPNN, yaitu proses perhitungan dengan menggunakan prinsip jaringan syaraf tiruan untuk mendapatkan nilai keluaran atau output yang digunakan untuk mengidentifikasi iris mata, data yang akan diproses BPNN diambil dari file db_pelatihan. 3. Identifikasi, yaitu proses pengidentifikasian iris mata yang datanya diambil dari file db_pengujian, data ini yang akan di ujikan untuk mengenali iris mata berdasarkan proses pelatihan yang telah dilakukan oleh BPNN. 4. Seleksi, yaitu proses memisahkan iris mata dengan bagian-bagian yang tidak diperlukan, sebagai masukan pada data pengujian.