Analisis Perbandingan Online Dan Offline Training Pada Jaringan Backpropagation Pada Kasus Pengenalan Huruf Abjad

(1)

ANALISIS PERBANDINGAN ONLINE DAN OFFLINE TRAINING

PADA JARINGAN BACKPROPAGATION PADA KASUS

PENGENALAN HURUF ABJAD

TESIS

MUHAMMAD ANGGI RIVAI NST

117038015

PROGRAM STUDI S2 TEKNIK INFORMATIKA

FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI

UNIVERSITAS SUMATERA UTARA

MEDAN

2015

(2)

ANALISIS PERBANDINGAN ONLINE DAN OFFLINE TRAINING

PADA JARINGAN BACKPROPAGATION PADA KASUS

PENGENALAN HURUF ABJAD

TESIS

Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah

Magister Teknik Informatika

MUHAMMAD ANGGI RIVAI NST

117038015

PROGRAM STUDI S2 TEKNIK INFORMATIKA

FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI

UNIVERSITAS SUMATERA UTARA

MEDAN

2015

(3)

PERSETUJUAN

Judul : Analisis Perbandingan Online Dan Offline Training Pada Jaringan Backpropagation Pada Kasus

Pengenalan Huruf Abjad

Nama : M. Anggi Rivai Nst

Nomor Induk Mahasiswa : 117038015

Program Studi : Magister (S2) Teknik Informatika Fakultas : Ilmu Komputer dan Teknologi Informasi

Universitas Sumatera Utara Komisi Pembimbing :

Pembimbing 2 Pembimbing 1

Dr. Zakarias Situmorang Prof. Dr. Muhammad Zarlis

Diketahui/disetujui oleh

Magister (S2) Teknik Informatika Ketua,

Prof. Dr. Muhammad Zarlis NIP. 19570701 198601 1 003

(4)

PERNYATAAN

ANALISIS PERBANDINGAN ONLINE DAN OFFLINE TRAINING PADA JARINGAN BACKPROPAGATION PADA KASUS

PENGENALAN HURUF ABJAD

TESIS

Saya mengakui bahwa tesis ini adalah hasil karya saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya.

Medan,18 April 2015

M. Anggi Rivai Nst 117038015

(5)

PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN

AKADEMIS

Sebagai sivitas akademika Universitas Sumatera Utara, saya yang bertanda tangan di bawah ini:

Nama : M. Anggi Rivai Nst

NIM : 117038015

Program Studi : Magister (S2) Teknik Informatika Jenis Karya Ilmiah : Tesis

Demi pengembangan ilmu pengetahuan, menyetujui untuk memberikan kepada Universitas Sumatera Utara Hak Bebas Royalti Non-Eksklusif (Non-Exclusive Royalty Free Right) atas tesis saya yang berjudul:

ANALISIS PERBANDINGAN ONLINE DAN OFFLINE TRAINING PADA JARINGAN BACKPROPAGATION PADA KASUS

PENGENALAN HURUF ABJAD

Beserta perangkat yang ada (jika diperlukan). Dengan Hak Bebas Royalti Non-Eksklusif ini, Universitas Sumatera Utara berhak menyimpan, mengalih media, memformat, mengelola dalam bentuk database, merawat dan mempublikasikan tesis saya tanpa meminta izin dari saya selama tetap mencantumkan nama saya sebagai penulis dan sebagai pemegang dan/atau sebagai pemilik hak cipta.

Demikian pernyataan ini dibuat dengan sebenarnya.

Medan, 18 April 2015

M. Anggi Rivai Nst NIM. 117038015

(6)

Telah diuji pada

Tanggal: 18 April 2015

PANITIA PENGUJI TESIS

Ketua : Prof. Dr. Muhammad Zarlis Anggota : 1. Dr. Zakarias Situmorang

2. Prof. Dr. Opim Salim Sitompul 3. Prof. Dr. Herman Mawengkang 4. Dr. Syahril Effendi S.Si, M.IT

(7)

RIWAYAT HIDUP

DATA PRIBADI

Nama Lengkap (berikut gelar) : M. Anggi Rivai Nst, S.kom Tempat dan Tanggal Lahir : Medan, 06 Agustus 1988

Alamat Rumah : Prof. H. M. Yamin SH

Gg. Pisang No. 2 Medan

Telepon/Faks/HP : 085261036037

E-mail : anggi.rivai@angkasapura2.co.id

Instansi Tempat Bekerja : Angkasapura II

Alamat Kantor : Perhubungan Perkantoran Bandara Internasional Sultan Syarif Kasim II Pekanbaru

DATA PENDIDIKAN

SD : SD N 0608053 Medan TAMAT: 2000 SLTP : SLTP N 14 Medan TAMAT: 2003

SLTA : SMA N 8 Medan TAMAT: 2006

S1 : Ilmu Komputer USU TAMAT: 2010 S2 : Teknik Informatika USU TAMAT: 2015

(8)

KATA PENGANTAR

Puji syukur kepada Allah SWT atas segala rahmat dan karunia-Nya sehingga tesis ini dapat diselesaikan walaupun dengan waktu yang cukup lama. Penulis ucapkan terima kasih yang sebesar-besarnya kepada:

1. Rektor Universitas Sumatera Utara, Prof. Dr. dr. Syahril Pasaribu, DTM&H, M.Sc (CTM), Sp. A(K) atas kesempatan yang diberikan kepada penulis untuk mengikuti dan menyelesaikan pendidikan Program Magister.

2. Dekan Fakultas FASILKOM-TI dan Ketua Program Studi Magister (S2) Teknik Informatika Universitas Sumatera Utara Prof. Dr. Muhammad Zarlis atas kesempatan yang diberikan kepada saya menjadi mahasiswa Program Magister.

3. Sekretaris Program Studi Magister (S2) Teknik Informatika M. Andri Budiman, S.T, M.Comp, M.E.M beserta seluruh staff pengajar pada Program Studi Magister (S2) Teknik Informatika Universitas Sumatera Utara, yang telah bersedia memberi bimbingan dan semangat serta selalu mengingatkan penulis sehingga dapat menyelesaikan pendidikan.

4. Terimakasih yang tak terhingga dan penghargaan setinggi-tingginya saya ucapkan kepada Prof. Dr. Muhammad Zarlis, selaku pembimbing utama dan kepada Dr. Zakarias Situmorang, selaku pembimbing lapangan yang dengan penuh kesabaran menuntun serta membimbing saya hingga selesainya tesis ini dengan baik.

5. Terimakasih yang tak terhingga dan penghargaan setinggi-tingginya saya ucapkan kepada Prof. Dr. Herman Mawengkang, Prof. Dr. Opim Salim Sitompul dan Dr. Syahril Effendi, S.Si, M.IT, sebagai pembanding yang telah memberikan saran dan masukan serta arahan yang baik demi penyelesaian tesis ini.

6. Staff Pegawai dan Administrasi pada Program Studi Magister (S2) Teknik Informatika Universitas Sumatera Utara yang telah memberikan bantuan dan pelayanan terbaik kapada penulis selama mengikuti perkuliahan hingga saat ini.

(9)

7. Terimakasih kepada Bapak, Ibu, Abang dan Adek yang telah memberikan support baik secara moril serta materil sehingga dapat tercapai apa yang diharapkan dan dapat menjadi kenangan yang terindah buat kita selaku keluarga.

8. Terimakasih banyak kepada teman-teman satu angkatan Program Studi Magister (S2) Teknik Informatika Universitas Sumatera Utara serta teman-teman diluar sivitas akademika yang telah mensupport dan mengingatkan penulis untuk bisa menyelesaikan program magister.

Dengan segala kekurangan dan kerendahan hati, sekali lagi penulis mengucapkan terimakasih. Semoga kiranya Allah SWT membalas segala bantuan dan kebaikan yang telah kalian berikan.

Medan, 18 April 2015

M. Anggi Rivai Nst NIM. 117038015

(10)

ABSTRAK

Penelitian ini dibuat untuk pembelajaran tentang model jaringan syaraf tiruan yaitu

Backpropagation, dimana didalamnya terdapat metode pembelajaran-pembelajaran yang bermanfaat untuk kita ketahui dalam identifikasi masalah sehingga dapat mempelajari model dengan sendirinya dengan memiliki langkah-langkah yang telah kita berikan. Ada dua metode dari model Backpropagation dalam melakukan pembelajaran berupa pelatihan-pelatihan secara langsung(Online) dan secara tidak langsung(Offline). Dengan membandingkan kedua metode ini maka analisis dari pengenalan huruf abjad akan mudah didapat berdasarkan titik-titik yang dimiliki tiap iterasi yang ada. Dengan melakukan perbandingan kedua metode ini kita juga dapat mengetahui dimana perbedaan yang didapat sehingga kita dapat mengetahui dengan baik yang mana sebaiknya kita gunakan dalam proses melakukan perkenalan huruf abjad. Berdasarkan perbandingan yang dibuat bukan hanya untuk melakukan perbandingan yang baik atau buruk tetapi untuk pembelajaran tentang akurasi dan waktu yang digunakan.

(11)

ANALISIS PERBANDINGAN ONLINE DAN OFFLINE TRAINING PADA JARINGAN BACKPROPAGATION PADA KASUS

PENGENALAN HURUF ABJAD

ABSTRACT

This study was made for the study of neural network models are Backpropagation, in which there are methods of teaching-learning useful for us to know the identification of the problem so that it can learn the model by itself by having the steps we have given. There are two methods of Backpropagation models of learning in conducting such Online Training and Offline Training. By comparing these two methods, the analysis of the introduction of the alphabet will be easy to come by dots which each iteration there. By doing a comparison of these two methods we also can find out where the differences are obtained so that we can know all too well that which should be used in the process of introduction letter of the alphabet. Based on that comparison is made not only to do good or bad comparison but for learning about the accuracy and time spent.

(12)

DAFTAR ISI

Hal.

Kata Pengantar vii

Abstrak ix

Abstract x

Daftar Isi xi

Daftar Tabel xiii

Daftar Gambar xiv

BAB I Pendahuluan 1

1.1Latar Belakang 1

1.2Rumusan Masalah 3

1.3Maksud dan Tujuan 3

1.4Batasan Masalah 3

1.5Metodologi Penelitian 4

1.5.1 Tahap Identifikasi Masalah 4

1.5.2 Tahap Pengembangan Algoritma 4

1.5.3 Tahap Implementasi dan Pengujian 4

1.6Sitematika Penulisan 5

BAB II Dasa Teori 6

2.1Jaringan Syaraf Tiruan 6

2.2Backpropagation 7

2.3Online Backpropagation 10

2.4Offline Backpropagation 11

2.5Klasifikasi Pada Jaringan Syaraf Tiruan 12

BAB III Metode Penelitian 14

3.1 Rancangan Penelitian 14

3.1.1 Analisis Proses Offline dan Online Jaringan Backpropagation 16 3.1.1.1Analisis Proses Pelatihan Offline 16

3.1.1.2Analisis Proses Pelatihan Online 18

(13)

3.2.1 Alat Penelitian 20

3.2.2 Bahan Penelitian 21

3.2.2.1Bahan Penelitian Karakter Huruf 21

3.2.2.2Parameter Jaringan Backpropagation 21

3.2.2.3Target Output Backpropagation 22

3.3 Kerangka Kerja Penelitian (Frame Works) 23

BAB IV Hasil dan Pembahasan 24

4.1 Pengantar 24

4.2 Persiapan Analisis dan Pengujian 26

4.3 Pengujian 30

4.3.1 Pengujian A (Karakter A – B) 30

4.3.2 Pengujian B (Karakter A – J) 32

4.3.3 Pengujian B (Karakter A – Z) 35

4.4Pembahasan 37

BAB V Kesimpulan dan Saran 39

5.1Kesimpulan 39

5.2Saran 40

(14)

DAFTAR TABEL

Hal.

Tabel 3.1 Target Output Data Pelatihan 22

Tabel 4.1 Data Pengujian Karakter 26

Tabel 4.2 Hasil Pengujian Pelatihan Online 37

(15)

DAFTAR GAMBAR

Hal. Gambar 2.1 Arsitektur Multilayer Neural Network 8 Gambar 2.2 Model dari sebuah jaringan neuron 12 Gambar 2.3 Ilustrasi Klasifikasi Pola Menggunakan Jaringan Syaraf Tiruan 13 Gambar 3.1 Rancangan Arsitektur Jaringan Syaraf Tiruan 15

Gambar 3.2 Karakter Pelatihan 15

Gambar 3.3 Proses Pelatihan Offline 18

Gambar 3.4 Proses Pelatihan Online 20

Gambar 3.5 Proses Kerangka Kerja 23

Gambar 4.1 Tampilan Utama Aplikasi 24

Gambar 4.2 Antarmuka Data Training 25

Gambar 4.3 Pelatihan Online pengujian A 31

Gambar 4.4 Pelatihan Offline pengujian A 31

Gambar 4.5 Perbandingan Error Pengujian A 32

Gambar 4.6 Pelatihan Online pengujian B 33

Gambar 4.7 Pelatihan Offline pengujian B 33

Gambar 4.8 Perbandingan Error Pengujian B 34

Gambar 4.9 Pelatihan Online pengujian C 35

Gambar 4.10 Pelatihan Offline pengujian C 36

(16)

ABSTRAK

Penelitian ini dibuat untuk pembelajaran tentang model jaringan syaraf tiruan yaitu

(17)

ANALISIS PERBANDINGAN ONLINE DAN OFFLINE TRAINING PADA JARINGAN BACKPROPAGATION PADA KASUS

PENGENALAN HURUF ABJAD

ABSTRACT

(18)

BAB I

PENDAHULUAN

1.1 Latar Belakang

Artificial Neural Network atau jaringan syaraf tiruan merupakan bidang yang sangat berkembang saat ini. Pemanfaatan teknologi mesin dan computer yang tidak terbatas sebagai alat bantu dalam aktifitas manusia mendorong penelitian secara besar-besaran terhadap kecerdasan buatan atau artificial intelligence. Mesin yang selama ini hanya bekerja sesuai dengan instruksi yang ditentukan diharapkan mampu bekerja dan mengambil keputusan sekaligus layaknya manusia (Parker, 2006).

Identifikasi dan klasifikasi merupakan kegiatan menggolongkan objek kedalam kategori tertentu untuk tujuan – tujuan tertentu. Kegiatan identifikasi dan klasifikasi yang membutuhkan pengetahuan dan intuisi manusia dapat digantikan oleh mesin sehingga dapat meningkatkan kecepatan dalam kegiatan produksi pada beberapa bidang industri maupun kecepatan pengolahan data pada bidang – bidang lain. Jaringan syaraf tiruan merupakan model matematika yang meniru cara kerja syaraf manusia sehingga computer atau mesin dapat belajar dari data yang diberikan dan memberikan output yang ditentukan. Mesin yang telah dilengkapi dengan jaringan syaraf tiruan dapat belajar terhadap lingkungan yang diberikan dan mampu melakukan kegiatan yang selama ini masih dilakukan oleh manusia yaitu mengambil keputusan terhadap identifikasi maupun klasifikasi.

BackPropagation merupakan salah satu model dari jaringan syaraf tiruan, dimana backpropagation menggunakan beberapa lapisan yang terdiri dari lapisan input, hidden dan output (Hermawan, 2006). Tiap lapisan terdiri dari node – node yang saling terhubung dan tiap hubungan diberikan bobot.

(19)

Jaringan backpropagation merupakan metode yang banyak digunakan dalam proses identifikasi dan proses klasifikasi karena kemampuannya dalam mempelajari beberapa kelas sekaligus melalui proses propagasi balik.

BackPropagation merupakan metode yang sangat baik dalam proses pengenalan mengingat kemampuannya dalam mengadaptasikan kondisi jaringan dengan data yang diberikan dengan proses pembelajaran (Hermawan, 2006). Proses pembelajaran jaringan syaraf tiruan terbagi menjadi dua jenis yaitu pembelajaran

online dan offline. Pembelajaran online merupakan pembelajaran dimana proses perbaikan bobot dilakukan pada tiap sample data yang dilatih pada tiap iterasi sedangkan pembelajaran offline melakukan perbaikan bobot jaringan menggunakan error dari seluruh sample data (Duffner & Garcia, 2007). Pembelajaran online maupun

offline memiliki kelebihan dan kelemahan tersendiri. Beberapa penelitian menilai pembelajaran online lebih baik daripada pembelajaran offline, beberapa penelitian lain mengatakan sebaliknya (Lemme, 2010), (Singh, 2012), (Sha & Bajic, 2000).

Secara teoritis pembelajaran offline memberikan performa yang lebih baik daripada pembelajaran online, dimana pembelajaran offline memberikan kecepatan belajar yang lebih baik dibandingkan dengan pembelajaran online. Sistem nyata atau

real time system yang menggunakan data actual atau data terus berkembang dan bervariasi membuat pembelajaran offline menjadi pembelajaran yang tidak efektif, dan pada kasus ini online training memberikan kinerja yang lebih baik dibandingkan dengan pembelajaran offline (LeCun, 1998)(Istook, 2003).

Perbedaan kinerja baik itu kecepatan maupun akurasi pada pelatihan online

dan offline pada beberapa kasus tidak diuraikan secara rinci pada beberapa penelitian yang ada sehingga penulis bermaksud untuk meneliti lebih lanjut perbedaan kinerja dari kedua jenis pelatihan tersebut. Dari uraian diatas maka penulis bermaksud untuk melakukan penelitian terhadap pembelajaran online dan offline pada algoritma

BackPropagation untuk mendapatkan perbandingan kinerja pada kasus pengenalan huruf abjad pada citra digital sebagai pembanding antara kedua jenis pembelajaran tersebut, maka penelitian Tesis ini berjudul: “ANALISIS PERBANDINGAN ONLINE DAN OFFLINE TRAINING PADA JARINGAN BACKPROPAGATION PADA KASUS PENGENALAN HURUF ABJAD”.

(20)

1.2 Rumusan Masalah

1. Bagaimana implementasi pelatihan offline dan online jaringan saraf tiruan backpropagation pada kasus pengenalan huruf abjad pada citra digital.

2. Bagaiman perbandingan performa pelatihan offline dan online pada sisi akurasi dan waktu.

1.3 Maksud dan Tujuan

Maksud dari penulisan ini adalah mengetahui perbandingan pembelajaran online dan

offline pada jaringan backpropagation pada kasus pengenalan huruf abjad sehingga lebih mudah didapat hasil secara efektif.

Tujuan yang ingin dicapai dari penelitian ini adalah sebagai berikut:

1. Mengetahui perbandingan kinerja pembelajaran online dan offline pada jaringan backpropagation pada kasus pengenalan huruf abjad.

2. Mengetahui jenis pembelajaran yang lebih baik pada kasus pengenalan huruf abjad baik dari segi errorny maupun kecepatan mencapaian hasil dan dapat memberikan referensi tambahan pada penelitian jaringan syaraf tiruan khususnya jaringan backpropagation.

1.4 Batasan Masalah

Dalam penelitian ini telah ditentukan batasan – batasan dari topik yang dibahas sehingga tidak menyebabkan cakupan pembahasan yang terlalu luas sehingga fokus utama dari penelitian menjadi kabur. Beberapa batasan masalah yang ditentukan pada penelitian ini dapat dijabarkan sebagai berikut.

1. Media yang digunakan dalam penelitian ini adalah citra digital.

2. Pembelajaran online dan offline pada metode backpropagation akan menjadi topik utama pada penelitian ini.

(21)

3. Jaringan Backpropagation yang digunakan adalah jaringan backpropagation normal dimana tidak menggunakan teknik adaptive dan momentum.

4. Implementasi penelitan dilakukan dengan penerapan pembelajaran online dan offline dalam pengenalan huruf abjad pada citra digital.

5. Ukuran default huruf atau angka adalah tinggi 10 piksel dan lebar 9 piksel.

6. Jenis huruf (font) dari karakter yang digunakan pada penelitian adalah Arial dan huruf yang digunakan adalah huruf latin.

7. Karakter yang digunakan merupakan karakter alphabet dalam huruf besar atau capital

dan karakter numeric dari “0” sampai “9”.

8. Pengujian dan implementasi akan menggunakan perangkat lunak yang dibangun pada

penelitian ini dengan menggunakan Visual Studio 2010.

1.5 Metodologi Penelitian

Metode penelitian dalam penyusunan penelitian ini secara garis besar dibagi menjadi beberapa tahap yaitu, tahap mengidentifikasi masalah, pengembangan algoritma, dan implementasi dan pengujian.

1.5.1 Tahap Identifikasi masalah

Tahap identifikasi masalah yang dilakukan adalah analisis terhadap beberapa penelitian dan jurnal mengenai jaringan saraf tiruan backpropagation khususnya pada teknik pelatihan offline dan online untuk mengidentifikasi masalah yang timbul pada topic tersebut.

1.5.2 Tahap Pengembangan Algoritma

Tahap pengembangan algoritma merupakan tahap dimana dilakukan kegiatan perancangan dan pengembangan jaringan saraf tiruan backpropagation, algoritma pelatihan jaringan saraf tiruan backpropagation yang dikembangkan akan menghasilkan dua buah model yaitu model pelatihan offline dan model pelatihan

(22)

1.5.3 Tahap Implmentasi dan Pengujian

Tahap implementasi dan pengujian merupakan tahap dimana model yang dihasilkan dari pengembangan algoritma pelatihan jaringan saraf tiruan backpropagation di-implementasikan pada kasus identifikasi dan pengenalan huruf abjad pada citra digital, hasil implementasi kemudian akan di-uji pada beberapa lingkungan dan kondisi untuk memperoleh hasil perbandingan kinerja pada kedua model pelatihan yang dibangun yaitu model offline dan model online.

1.6 Sistematika Penulisan

Sistematika penulisan penelitian ini disusun untuk memberikan gambaran umum tentang penelitian yang dilakukan. Dalam menyajikan laporan tesis ini digunakan sistematika penulisan sebagai berikut:

BAB I PENDAHULUAN

Bab ini berisi latar belakang rumusan masalah, maksud dan tujuan, batasan masalah, metodologi penelitian dan sistematika penulisan.

BAB II TINJAUAN PUSTAKA

Bab ini menjelaskan konsep dasar dan teori-teori dari tugas akhir yang digunakan.

BAB III ANALISIS DAN PERANCANGAN

Bab ini menjelaskan analisis dan perancangan sistem Analisis yang dilakukan berupa analisis basis data, analisis kebutuhan non-fungsional, dan analisis kebutuhan fungsional.

BAB IV IMPLEMENTASI DAN PENGUJIAN

Bab ini berisi implementasi dari hasil analisis dan perancangan serta hasil pengujian perangkat lunak. Sistem diuji dengan menggunakan metode pengujian white box.

BAB V KESIMPULAN DAN SARAN

Bab ini berisi tentang kesimpulan berdasarkan tujuan yang ingin dicapai dalam penilitian tesis ini dan saran-saran yang dapat diberikan untuk penggunaan dan pengembangan perangkat lunak lebih lanjut

(23)

BAB II

DASAR TEORI

Landasan teori adalah teori-teori yang relevan dan dapat digunakan untuk menjelaskan variabel-variabel penelitian. Landasan teori ini juga berfungsi sebagai dasar untuk memberi jawaban sementara terhadap rumusan yang diajukan serta membantu dalam penyusunan instrument penelitian.

2.1. Jaringan Syaraf Tiruan

Jaringan Syaraf Tiruan (artifical neural network) atau di singkat JST adalah sistem komputasi dimana arsitektur dan operasi di ilhami dari pengetahuan tentang sel syaraf biologi di dalam otak (Hermawan, 2006). JST dapat digambarkan sebagai model matematis dan komputasi untuk fungsi aproksimasi non-linear, klasifikasi data cluster dan regresi non-parametrik atau sebuah simulasi dari koleksi model saraf biologi.

Model saraf ditunjukkan dengan kemampuannya dalam emulasi, analisis, prediksi dan asosiasi. Kemampuan yang dimiliki JST dapat digunakan untuk belajar dan menghasilkan aturan atau operasi dari beberapa contoh atau input yang dimasukkan dan membuat prediksi tentang kemungkinan output yang akan muncul atau menyimpan karakteristik dari input yang disimpan kepadanya. Jaringan syaraf merupakan sebuah kelompok pengolahan elemen dalam suatu kelompok yang khusus membuat perhitungan sendiri dan memberikan hasilnya kepada kelompok kedua atau berikutnya. Setiap sub-kelompok menurut gilirannya harus membuat perhitungan sendiri dan memberikan hasilnya untuk subgrup atau kelompok yang belum melakukan perhitungan. Pada akhirnya sebuah kelompok dari satu atau beberapa pengolahan elemen tersebut menghasilkan keluaran (output) dari jaringan.

(24)

Setiap pengolahan elemen membuat perhitungan berdasarkan pada jumlah masukan (input). Sebuah kelompok pengolahan elemen disebut layer atau lapisan dalam jaringan. Lapisan pertama adalah input dan yang terakhir adalah output. Lapisan di antara lapisan input dan output disebut dengan lapisan tersembunyi (hidden layer). Jaringan sayaraf tiruan merupakan suatu bentuk arsitektur yang terdistribusikan paralel dengan sejumlah besar node dan hubungan antar-node tersebut. Tiap titik hubungan dari satu node ke node yang lain mempunyai harga yang diasosiasikan dengan bobot. Setiap node memiliki suatu nilai yang diasosiasikan sebagai nilai aktivasi node.

2.2. Backpropagation

Jaringan perambatan galat (backpropagation) merupakan salah satu algoritma yang sering digunakan dalam menyelesaikan masalah – masalah yang rumit. Hal ini dimungkinkan karena jaringan dengan algoritma ini dilatih dengan menggunakan metode belajar terbimbing. Pada jaringan diberikan sepasang pola yang terdiri atas pola masukan dan pola yang diinginkan. Ketiak suatu pola diberikan kepada jaringan, bobot-bobot diubah untuk memperkecil perbedaan pola keluaran dan pola yang diinginkan. Latihan ini dilakukan berulang-ulang sehingga semua pola yang dikeluarkan jaringan dapat memenuhi pola yang diinginkan (Hermawan, 2006).

Backpropagation atau biasa sering disebut jaringan feed forward, mampu berevolusi melalui perubahan bobot pada jaringan yang biasa digunakan untuk bidang prediksi, klasifikasi dan fungsi aproksimasi (Tiwari, 2013). Algoritma pelatihan jaringan saraf perambatan galat mundur terdiri atas dua langkah, yaitu perambatan maju dan perambatan mundur. Langkah perambatan maju dan perambatan mundur ini dilakukan pada jaringan untuk setiap pola yang diberikan selama jaringan mengalami pelatihan.

Sebuah jaringan backpropagation sederahana terdiri dari sebuah input dan output layer. Input pada input layer diteruskan melalui bobot untuk membawa input menuju lapisan output (Muijrers, 2011). Jaringan perambatan galat mundur terdiri atas tiga lapisan atau lebih unit pengolah. Ketiga lapisan tersebut terhubung secara penuh. Perambatan galat maju dimulai dengan memberikan pola masukan ke lapisan

(25)

masukan. Pola masukan ini merupakan nilai aktivasi unit-unit masuka. Dengan melakukan perambatan maju dihitung nilai aktivasi pada unit-unit di lapisan berikutnya. Pada setiap lapisan, tiap unit pengolah melakukan penjumlahan berbobot dan menerapkan fungsi sigmoid untuk menghitung keluarannya.

Gambar 2.1 : Arsitektur Multilayer Neural Network

Sumber : Hermawan, A

Algoritma selengkapnya elatihan jaringan backpropagation adalah sebagai berikut (Hermawan, 2006) :

Langkah 0 :Inisialisasi bobot (ambil bobot awal dengan nilai random yang cukup kecil).

Langkah 1 :Bila syarat berhenti adalah salah, kerjakan langkah 2 sampai 9 Langkah 2 :Untuk setiap pasangan pelatihan, kerjakan langkah 3-8.

Feedforward:

Langkah 3 : Tiap-tiap unit input (Xi, i=1,2,3,...,n) menerima sinyal xi dan

meneruskan sinyal ke semua unit pada lapisan hidden (lapisan tersembunyi).

Langkah 4 : Tiap-tiap unit lapisan tersembunyi (Zj, j=1,2,3,...,p) menjumlahkan …

… …

… y1

a1 ak ai

x1 xn

b1 bj

w11 w1k

w1i

wn1

wnk wni

v11 v1l

v1j vk1

vkl

vkj vi1

vil _v_ij

u11 u1m uj1 uj1 Hidden Layer Output Layer Input Layer ul1 ulm

(26)

sinyal-sinyal input terbobot:

z_inj = v0j +



 n i ij iv x 1 (2.1)

v=Bobot awal input ke hidden.

Gunakan fungsi aktivasi untuk menghitung sinyal outputnya:

zj = f(z_inj) (2.2)

dan mengirimkan sinyal tersebut ke semua unit di lapisan atasnya (unit unit output).

Langkah 5 : Tiap-tiap output (Yk, k=1,2,3,...,m) menjumlahkan sinyal-sinyal

input terbobot.

y_ink = w0k +



 p j jk jw z 1 (2.3)

gunakan fungsi aktivasi untuk menghitung sinyal outputnya:

yk = f(y_ink) (2.4)

dan kirimkan sinyal tersebut ke semua unit di lapisan hidden (lapisan tersembunyi).

Catatan: Langkah (b) dilakukan sebanyak jumlah lapisan tersembunyi.

Backpropagation

Langkah 6 : Tiap-tiap unit output (Yk, k=1,2,3,...,m) menerima target pola yang

berhubungan dengan pola input pembelajaran, hitung informasi errornya

k = (tk-yk) f’(y_ink) (2.5)

Kemudian hitung koreksi bobot (yang nantinya akan digunakan untuk memperbaiki nilai wjk):

(27)

wjk = kzj

(2.6)

Hitung juga koreksi bias

w0k = k (2.7)

Langkah 7 : Tiap-tiap unit lapisan tersembunyi (Zj, j=1,2,3,...,p) menjumlahkan delta inputnya (dari unit-unit yang berada dilapisan hidden).

_inj =



 m

jk kw

 (2.8)

Kalikan nilai ini dengan turunan dari fungsi aktivasi untuk menghitung informasi error:

j = _injf’(z_inj) (2.9)

kemudian hitung koreksi bobot:

vij = jxi (2.10)

Langkah 8 :Tiap-tiap unit ouput (Yk, k=1,2,3,...,m) memperbaiki bias dan

bobotnya (j=1,2,3,...,p):

wjk(baru) = wjk(lama) + wjk (2.11)

Tiap-tiap unit lapisan tersembunyi (Zj, j=1,2,3,...,p) memperbaiki nilai bias dan bobotnya (i=1,2,3,...,n. ):

vij(baru) = vij(lama) + vij (2.12)

Langkah 9 : Uji syarat berhenti.

(28)

Online backpropagation merupakan jaringan backpropagation yang menggunakan proses update secara online. Online dimaksudkan setiap perubahan bobot dilakukan pada setiap sample atau pada setiap input. Pelatihan dimulai dengan memasukkan nilai input dan melakukan perambatan maju, error kemudian dikalkulasi dan update bobot baru langsung diterapkan untuk input tersebut. Proses update bobot dilakukan untuk setiap varian input (Istook, 2003).

Online training dapat juga disebut sebagai stochastic training, dimana pelatihan dilakukan dengan memilih sebuah sample tunggal yang dapat dilakukan secara acak untuk digunakan sebagai input pada tiap iterasi pelatihan (LeCun, 1998). Perkiraan terhadap gradient kemudian dikomputasi berdasarkan error dari iterasi tersebut dan perubahan bobot kemudian dapat dilakukan. Beberapa kelebihan On-Line training yaitu sebagai berikut (LeCun, 1998) :

 Online training biasanya lebih cepat daripada Offline training

 Pelatihan Online training juga biasanya memberikan hasil yang lebih baik ketimbang Offline training.

 Online training dapat dilakukan untuk mendeteksi pola input.

Backpropagation mungkin algoritma pembelajaran yang paling popular, algoritma untuk perceptron multilayer merupakan jenis arsitektur jaringan saraf yang sederhana dan efekif. Ini adalah metode backpropagtion secara online dengan tingkat adaptif pembelajaran secara global yang didasari oleh ide yang disebut sudut tingkat peringatan yang di inisiasikan. Dengan nilai yang sangat kecil dan ditambah atau di kurangi sesuai dengan evolusi criteria kesalahan dari interiaksi terakhir.

Terdapat dua kelompok tingkat pembelajaran :

1. Mengacu kepada metode penyesuaian tingkat pembelajaran secara keseluruhan untuk seluruh jaringan

2. Adaptasi secara independen tergantung tingkat masalah yang dihadapi

2.4. Offline Backpropagation

Offline backpropagation merupakan jaringan backpropagation yang menggunakan proses update secara batch. Offline dimaksudkan setiap perubahan bobot dilakukan pada saat error dari tiap set diperoleh. Pelatihan dimulai dengan memasukkan nilai

(29)

input dan melakukan perambatan maju, error kemudian ditampung dan disumarikan sampai pada sample input terakhir. Proses update bobot dilakukan berdasarkan error yang diperoleh dari semua set input (Istook, 2003).

Offline training dapat juga disebut sebagai batch training, dimana pelatihan dilakukan dengan error dari setiap sample input ditampung terlebih dahulu kemudian digunakan untuk proses update bobot pada saat semua sample telah dilatih. Beberapa kelebihan Offline training yaitu sebagai berikut (LeCun, 1998) :

 Kondisi dari konvergensi dapat dengan mudah dilacak dan dipelajari.

 Beberapa teknik peningkatan pembelajaran hanya bekerja pada off-line training.  Analisis teori terhadap perubahan bobot dan konvergensi lebih mudah.

2.5. Klasifikasi Pada Jaringan Syaraf Tiruan

Jaringan syaraf tiruan merupakan bidang pengetahuan yang mana bertujuan untuk menciptakan mesin yang memiliki kecerdasan dan pemahaman dengan menerapkan simulasi dari system syaraf manusia (Cheriet, 2007). Sebuah jaringan syaraf tiruan terdiri dari beberapa neuron – neuron yang saling terhubung satu sama lain.

Pada jaringan syaraf tiruan sebuah neuron sering juga disebut dengan sebuah unit atau sebuah node. Sebuah model neuron memiliki beberapa koneksi yang memiliki bobot, unit penjumlah dan sebuah fungsi aktivasi.

(30)

Jaringan syaraf tiruan mampu merekam pengetahuan yang direpresentasikan dengan bobot pada koneksi antar neuron. Proses pelatihan sebuah jaringan syaraf tiruan merupakan kegiatan memberikan sejumlah input pada jaringan sehingga jaringan memodifikasi bobot – bobot pada tiap koneksi neuronnya dalam rangka mempelajari input yang diberikan. Jaringan syaraf yang telah mampu memahami input yang telah diberikan kemudian dapat digunakan untuk kegiatan identifikasi dan klasifikasi. Kemampuan jaringan syaraf dalam melakukan identifikasi dan klasifikasi tidak terlepas pada kemampuannya beradaptasi terhadap input yang diberikan dalam bentuk perubahan bobot pada koneksi antar neuron.

Gambar 2.3 Ilustrasi Klasifikasi Pola Menggunakan Jaringan Syaraf Tiruan (McClelland, 2013)

Kemampuan klasifikasi yang dimiliki oleh jaringan syaraf tiruan kemudian dimanfaatkan pada berbagai bidang seperti bidang identifikasi objek dan klasifikasi pola. Beberapa set objek diberikan kepada jaringan dalam proses pelatihan sehingga jaringan mampu mengenali dan mengidentifikasi objek – objek tersebut.

Jaringan syaraf memberikan kelebihan tersendiri dibandingkan dengan metode identifikasi dan klasifikasi lain seperti metode yang menggunakan teknik pengolahan citra pada

umumnya, dimana jaringan syaraf membutuhkan media penyimpanan yang jauh lebih sedikit disbandingkan dengan metode lain yang menggunakan teknik pengolahan citra sebagai basisnya.

(31)

BAB III

METODOLOGI PENELITIAN

Backpropagation merupakan model jaringan syaraf tiruan yang memiliki performa yang sangat baik dalam operasi klasifikasi dan identifikasi. Backpropagation memiliki dua proses utama yaitu forward propagation dimana input akan diproses melalui neuron yang terdapat pada jaringan dan menghasilkan output atau tanggapan. Tahap kedua adalah backward propagation dimana bobot yang menghubungkan antar neuron di koreksi sebagai reaksi atas perbaikan tanggapan yang tidak sesuai dengan yang diharapkan. Kedua operasi tersebut akan terus dilakukan sampai jaringan mampu memberikan output atau tanggapan yang diharapkan.

Operasi pelatihan pada jaringan backpropagation terdiri dari dua kategori yaitu pelatihan online dan pelatihan offline. Pada penelitian ini akan dilakukan analisis dan perbandingan kinerja dari kedua jenis pelatihan pada kasus klasifikasi karakter dengan menggunakan perangkat lunak yang dibangun.

3.1 Rancangan Penelitian

Langkah – langkah yang akan dilakukan dalam penelitian ini adalah

1. Persiapan karakter yang akan digunakan pada proses pelatihan online dan offline pada jaringan backpropagation dalam bentuk format citra digital.

2. Perancangan jaringan backpropagation yang akan digunakan pada penelitian.

3. Menentukan parameter bobot, bias dan target yang akan digunakan pada pelatihan online dan offline.

4. Melakukan pengamatan terhadap performa pembelajaran pada pelatihan online dan offline dari jaringan backpropagation yang dibangun.

(32)

5. Melakukan analisa terhadap kecepatan pelatihan, perubahan gradien dan akurasi dari kedua jenis pelatihan.

Arsitektur jaringan syaraf tiruan backpropagation yang akan digunakan pada penelitian ini dapat dilihat pada gambar 3.1 berikut ini.

x100

h72

o5 Unit Input

Unit Hidden

Unit Output

Gambar 3.1 Rancangan Arsitektur Jaringan Syaraf Tiruan.

Karakter yang digunakan pada penelitian ini adalah karakter ‘A’ –‘Z’ dengan jenis kapital seperti yang terlihat pada gambar 3.2 berikut.

(33)

3.1.1 Analisis Proses Pelatihan Offline dan Online Jaringan Backpropagation

Pada penelitian ini perhatian utama yang akan dianalisis adalah kinerja dari pelatihan atau training pada jaringan backpropagation menggunakan dua jenis pelatihan yang berbeda yaitu offline dan online. Kasus yang digunakan adalah kasus identifikasi karakter pada citra digital. Setiap jenis pelatihan pada jaringan saraf tiruan backpropagation baik itu pelatihan offline maupun pelatihan online memiliki tahapan proses yang berbeda. Tahapan – tahapan proses dari masing – masing jenis pelatihan dapat dijabarkan sebagai berikut.

3.1.1.1. Analisis Proses Pelatihan Offline

Pelatihan offline merupakan pelatihan jaringan saraf tiruan yang menganut konsep

batch. Secara garis besar tahapan pelatihan pada jenis pelatihan offline dapat dijabarkan sebagai berikut.

1. Baca nilai input dari data latih ke – n. 2. Teruskan nilai input ke unit input.

3. Teruskan nilai input yang diterima oleh unit input ke unit tersembunyi atau hidden.

4. Hitung nilai keluaran dari unit tersembunyi menggunakan nilai sinyal input terbobot menggunakan persamaan 2.2 dan melakukan perhitungan fungsi aktivasi untuk memperoleh nilai keluaran dari unit tersembunyi menggunakan persamaan 2.3.

5. Teruskan nilai keluaran dari unit tersembunyi ke unit output.

6. Hitung nilai keluaran dari unit output dengan menghitung nilai sinyal keluaran unit keluaran terbobot menggunakan persamaan 2.3 yang kemudian diikuti dengan menghitung nilai output menggunakan fungsi aktivasi menggunakan persamaan 2.4.

7. Hitung galat error untuk data latih ke – n menggunakan persamaan 2.5.

8. Hitung koreksi untuk tiap bobot pada lapisan tersembunyi menggunakan persamaan 2.6.

9. Hitung galat error pada unit tersembunyi menggunakan persamaan 2.9.

10. Hitung koreksi untuk tiap bobot pada lapisan input menggunakan persamaan 2.10.

(34)

12. Setelah semua data latih telah di presentasikan ke dalam jaringan lakukan perubahan bobot pada unit tersembunyi menggunakan nilai koreksi bobot hasil dari perhitungan menggunakan persamaan berikut.

Dimana :

= nilai koreksi bobot lapisan tersembunyi.

= jumlah data latih

13. lakukan perubahan bobot pada unit input menggunakan nilai koreksi bobot hasil dari perhitungan menggunakan persamaan berikut.

Dimana :

= nilai koreksi bobot lapisan input.

= jumlah data latih

Seperti yang dapat dilihat pada tahapan proses diatas, pelatihan offline mendata nilai perubahan bobot pada setiap data latih. Setelah semua data latih telah dipresentasikan maka nilai perubahan bobot pada setiap data latih dijumlahkan untuk memperoleh nilai perubahan bobot baru yang digunakan untuk proses perubahan bobot. Berikut diagram alir dari proses pelatihan offline.

(35)

START

Input Data Latih

For n = 1 to JumlahDataLatih

Menghitung Nilai Keluaran unti Tersembunyi

Menghitung Nilai Keluaran unit Output

Menghitung Koreksi Bobot Tersembunyi

Menghitung Koreksi Bobot Input

Masih terdapat

data latih ? B B

Menghitung Koreksi Bobot Keseluruhan tidak

Melakukan Update Bobot baru pada

jaringan

STOP

Gambar 3.3 Proses Pelatihan Offline

3.1.1.2. Analisis Proses Pelatihan Online

Pelatihan online merupakan pelatihan jaringan saraf tiruan yang menganut konsep

linear atau stochastic. Secara garis besar tahapan pelatihan pada jenis pelatihan online

dapat dijabarkan sebagai berikut.

1. Baca nilai input dari data latih ke – n. 2. Teruskan nilai input ke unit input.

3. Teruskan nilai input yang diterima oleh unit input ke unit tersembunyi atau hidden.

(36)

7. Hitung galat error untuk data latih ke – n menggunakan persamaan 2.5.

8. Hitung koreksi untuk tiap bobot pada lapisan tersembunyi menggunakan persamaan 2.6.

9. Lakukan update bobot pada lapisan tersembunyi menggunakan persamaan 2.11. 10. Hitung galat error pada unit tersembunyi menggunakan persamaan 2.9.

11. Hitung koreksi untuk tiap bobot pada lapisan input menggunakan persamaan 2.10.

12. Lakukan update bobot pada lapisan input menggunakan persamaan 2.12 13. Lanjutkan tahap pelatihan untuk data latih n+1.

Seperti yang dapat dilihat pada tahapan proses diatas, pelatihan online tidak melakukan pendataan koreksi bobot yang disebabkan oleh setiap data latih. Nilai koreksi bobot yang diperoleh dari tiap data latih langsung diterapakan untuk melakukan perubahan bobot pada jaringan. Berikut diagram alir dari proses pelatihan online.

(37)

START

Input Data Latih

For n = 1 to JumlahDataLatih

Menghitung Nilai Keluaran unti Tersembunyi

Menghitung Nilai Keluaran unit Output

Menghitung Koreksi Bobot Tersembunyi

Menghitung Koreksi Bobot Input

Masih terdapat

data latih ? B B

ya Melakukan Update

Bobot baru pada jaringan

STOP tidak

Gambar 3.4 Proses Pelatihan Online.

3.2 Alat Penelitian dan Bahan Penelitian

3.2.1 Alat Penelitan

Pada penelitian ini digunakan alat penelitian berupa perangkat keras dan perangkat lunak sebagai berikut:

a. Perangkat keras

(38)

- Prosessor Intel Pentium Core2Duo 3.0 GHz.

- RAM DDR2 2 GB.

- HDD 500 GB.

- Monitor 4” dengan resolusi la ar 4 piksel.

b. Perangkat lunak

1. Sistem Operasi Windows 7 2. Microsoft Visual Basic 2010.

3.2.2 Bahan Penelitian

Bahan yang digunakan pada penelitian ini adalah databinerisasi dari karakter huruf dan angka pada citra digital yang digunakan, jumlah node input, jumlah node hidden, jumlah node output beserta bobot – bobot pada tiap koneksi node pada jaringan

backpropagation. Berikut rincian dari bahan – bahan penelitian yang akan digunakan.

3.2.2.1 Bahan Penelitian Karakter Huruf

Bahan penelitian yang akan digunakan pada penelitian ini adalah huruf karakter huruf kapital. Berdasarkan batasan masalah yang telah penulis jabarkan, ukuran jendela untuk tiap karakter adalah 10 x 10 piksel. Arah pembacaan nilai dilakukan dari sumbu Y menuju sumbu X, dengan kata lain pembacaan nilai piksel dilakukan kebawah dan dilanjutkan ke samping. Bagian dari karakter akan diberi nilai 0, dan selain dari bagian karakter atau background akan bernilai 1.

3.2.2.2 Parameter Jaringan Backpropagation

Pada jaringan backpropagation terdapat beberapa parameter yang harus ditentukan untuk membentuk jaringan backpropagation itu sendiri, berikut parameter – parameter yang akan digunakan pada penelitian ini.

1. Jumlah Node Input.

Sesuai dengan batasan masalah yang telah penulis uraikan mengenai ukuran piksel pada tiap karakter yaitu 10 x 10, maka jumlah node input pada jaringan harus dapat menampung tiap nilai dari tiap piksel karakter, sehingga jumlah node input yang digunakan adalah 100 Node.

2. Jumlah Node Output.

(39)

itu harus disusun pola output biner yang dapat mengakomodasi jumlah karakter, sehingga digunakan jumlah node output sebanyak 5 node, dimana 2 ^ 5 adalah 32 sehingga dengan menggunakan 5 node akan memberikan kemungkinan 32 nilai keluaran berbeda yang mana sudah lebih dari cukup untuk mengakomodasi 26 karakter yang digunakan pada penelitian ini.

3. Jumlah Node Hidden.

Jumlah node hidden dapat dikalkulasikan sebagai berikut.

NH = = (2/3 * 100) + 5 = 72 Hiden Node.

3.2.2.3 Target Output Backpropagation

Pada proses pelatihan harus ditentukan target output dari tiap karakter yang dipelajari. Berikut table target output pada tiap karakter.

Tabel 3.1 Target Output Data Pelatihan

No. Karakter Target Output

1. A 0 0 0 0 0

2. B 0 0 0 0 1

3. C 0 0 0 1 0

4. D 0 0 0 1 1

5. E 0 0 1 0 0

6. F 0 0 1 0 1

7. G 0 0 1 1 0

8. H 0 0 1 1 1

9. I 0 1 0 0 0

10. J 0 1 0 0 1

11. K 0 1 0 1 0

12. L 0 1 0 1 1

13. M 0 1 1 0 0

14. N 0 1 1 0 1

15. O 0 1 1 1 0

16. P 0 1 1 1 1

17. Q 1 0 0 0 0

18. R 1 0 0 0 1

19. S 1 0 0 1 0

20. T 1 0 0 1 1

21. U 1 0 1 0 0

22. V 1 0 1 0 1

23. W 1 0 1 1 0

(40)

25. Y 1 1 0 0 0

26. Z 1 1 0 0 1

3.3 Kerangka kerja Penelitian (Frame Works)

Berikut kerangka kerja yang digunakan sebagai langkah-langkah dalam penyelesaian permasalahan diatas.

Gambar 3.5 Proses Kerangka Kerja. Masukkan Huruf yang sudah

ditentukan targetnya

Konversi Ke Biner

Model Offline Model Online

Perbandingan dari Sisi Akurasi, Error yang didapat, Waktu yang dicapai, dan Pencapaian yang

(41)

BAB IV

HASIL DAN PEMBAHASAN

4.1. Pengantar

Penelitian ini bertujuan untuk meneliti perbedaan kinerja pada jaringan saraf tiruan

bakcpropagation menggunakan pelatihan online dan pelatihan offline dengan menggunakan kasus identifikasi karakter pada citra digital sebagai kasus perbandingan. Pengujian yang dilakukan pada penelitian ini dilakukan dengan mengembangkan sebuah aplikasi perangkat lunak yang digunakan untuk melatih jaringan saraf tiruan backpropagation dan mengidentifikasi karakter pada citra digital menggunakan jaringan yang telah dilatih. Aplikasi yang digunakan pada penelitian ini dibangun menggunakan MS Visual Studio 2010. Tampilan utama dari aplikasi yang dikembangkan dapat dilihat pada gambar 4.1 berikut.

(42)

Aplikasi yang dibangun memiliki beberapa fitur utama yaitu pelatihan jaringan saraf tiruan backpropagation terhadap data karakter dan kemudian identifikasi. Seperti yang telah dijelaskan sebelumnya, aplikasi yang dibangun merupakan alat bantu untuk meneliti kinerja jaringan dan bukanlah output utama dari penelitian ini. Untuk mengakomodasi kebutuhan akan pelatihan dan identifikasi terhadap karakter pada citra digital maka aplikasi dilengkapi dengan beberapa antarmuka seperti antarmuka data training yang dapat dilihat pada gambar 4.2 berikut.

Gambar 4.2 Antarmuka Data Training

Antarmuka data training seperti yang terlihat pada gambar 4.2 memiliki beberapa fungsi yang dapat digunakan untuk melakukan penambahan dan penghapusan data latih yang digunakan untuk melatih jaringan saraf tiruan

backpropagation sebelum jaringan bacpropagation tersebut dapat digunakan untuk proses identifikasi atau pengenalan.

(43)

4.2. Persiapan Analisis dan Pengujian

Analisis yang dilakukan pada penelitian ini adalah analisis terhadap kinerja jaringan saraf tiruan backpropagation menggunakan pelatihan yang berbeda yaitu online dan

offline training. Untuk dapat melakukan analisis terhadap jaringan saraf

backpropagation tersebut maka akan dilakukan pengujian terhadap jaringan

backpropagation yang dibangun. Parameter – parameter dan data yang diperlukan oleh kegiatan pengujian pertama sekali harus ditentukan dan disiapkan seperti data karakter, parameter tingkat pembelajaran, bobot dan lain sebagainya.

Data karakter yang digunakan pada penelitian ini seperti dijelaskan pada bab-bab sebelumnya bersumber dari citra karakter yang dibuat menggunakan software bantu (Adobe Photoshop) dengan ukuran 10 x 10 piksel. Setiap data karakter yang digunakan akan diberikan target output sehingga dapat digunakan pada proses pelatihan seperti yang terlihat pada tabel 4.1 berikut.

Tabel 4.1. Data Pengujian Karakter

No. Karakter Input Target

Output 1. A 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 1

1 1 1 1 0 0 0 1 1 1 1 0 0 0 1 0 1 1 1 1 0 1 1 1 1 0 1 1 1 1 1 0 0 0 1 0 1 1 1 1 1 1 1 1 0 0 0 1 1 1 1 1 1 1 1 1 1 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

0 0 0 0 0

2. B 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 1 0 1 1 1 0 1 1 1 0 1 0 1 1 1 0 1 1 1 0 1 0 1 1 1 0 1 1 1 0 1 0 1 1 1 0 1 1 1 0 1 1 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

0 0 0 0 1

3. C 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 1 1 1 1 0 1 1 1 1 1 0 1 1 0 1 1 1 1 1 1 1 0 1 0 1 1 1 1 1 1 1 0 1 0 1 1 1 1 1 1 1 0 1 1 0 1 1 1 1 1 0 1 1 1 1 0 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

0 0 0 1 0

4. D 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 1 0 1 1 1 1 1 1 1 0 1 0 1 1 1 1 1 1 1 0 1 0 1 1 1 1 1 1 1 0 1 0 1 1 1 1 1 1 1 0 1 1 0 1 1 1 1 1 0 1 1 1 1 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

0 0 0 1 1

5. E 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 1 0 1 1 1 0 1 1 1 0 1 0 1 1 1 0 1 1 1 0 1 0 1 1 1 0 1 1 1 0 1 0 1 1 1 0 1 1 1 0 1 0 1 1 1 0 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1

(44)

1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

6. F 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 1 0 1 1 1 0 1 1 1 1 1 0 1 1 1 0 1 1 1 1 1 0 1 1 1 0 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

0 0 1 0 1

7. G 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 1 1 1 1 0 1 1 1 1 1 0 1 1 0 1 1 1 1 1 1 1 0 1 0 1 1 1 1 1 1 1 0 1 0 1 1 1 0 1 1 1 0 1 1 0 1 1 0 1 1 0 1 1 1 1 0 1 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

0 0 1 1 0

8. H 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

0 0 1 1 1

9. I 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

0 1 0 0 0

10. J 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 0 1 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

0 1 0 0 1

11. K 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 0 1 0 1 1 1 1 1 1 0 1 1 1 0 1 1 1 1 0 1 1 1 1 1 0 1 1 0 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

0 1 0 1 0

12. L 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

0 1 0 1 1

13. M 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 1 1 0 0 1 1 1 1 1 1 1 1 1 1 0 0 0 0 1 1 1 1 1 1 1 1 1 1 0 0 1 1 1 1 0 0 0 0 1 1 1 1 0 0 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

0 1 1 0 0

14. N 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 1 1 0 1 1 1 1 1 1 1 1 1 1 0 0 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 1 0 0 1 1 1 1 1 1 1 1 1 1 0 1 1 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

0 1 1 0 1

15. O 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 1 1 1 1 0 1 1 1 1 1 0 1 1 0 1 1 1 1 1 1 1 0 1 0 1 1 1 1 1 1 1 0 1 0 1 1 1 1 1 1 1 0 1 1 0 1 1 1 1 1 0 1 1 1 1 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

0 1 1 1 0

16. P 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 1 0 1 1 1 0 1 1 1 1 1 0 1 1 1 0 1 1 1 1 1 0 1 1 1 0 1 1 1 1 1 0 1 1 1 0 1 1 1 1 1 1 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

0 1 1 1 1

17. Q 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 1 1 1 1 0 1 1 1 1 1 0 1 1 0 1 1 1 1 1 1 1 0 1 0 1 1 1 1 1 0 1 0 1 0 1 1 1 1 1 0 1 0 1

(45)

1 0 1 1 1 1 1 0 1 1 1 1 0 0 0 0 0 1 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

18. R 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 1 0 1 1 1 0 1 1 1 1 1 0 1 1 1 0 1 1 1 1 1 0 1 1 1 0 1 1 1 1 1 0 1 1 1 0 0 1 1 1 1 0 1 1 1 0 1 0 0 1 1 1 0 0 0 1 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

1 0 0 0 1

19. S 1 1 1 1 1 1 1 1 1 1 1 0 0 0 1 1 0 0 1 1 0 1 1 1 0 1 1 1 0 1 0 1 1 1 0 1 1 1 0 1 0 1 1 1 0 1 1 1 0 1 0 1 1 1 0 1 1 1 0 1 1 0 0 1 1 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

1 0 0 1 0

20. T 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 1 0 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

1 0 0 1 1

21. U 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 0 1 1 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

1 0 1 0 0

22. V 1 1 1 1 1 1 1 1 1 1 0 0 1 1 1 1 1 1 1 1 1 1 0 0 0 1 1 1 1 1 1 1 1 1 1 0 0 1 1 1 1 1 1 1 1 1 1 0 0 1 1 1 1 1 1 0 0 1 1 1 1 1 0 0 0 1 1 1 1 1 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

1 0 1 0 1

23. W 0 0 0 1 1 1 1 1 1 1 1 1 1 0 0 0 0 1 1 1 1 1 1 1 1 1 1 0 0 1 1 1 1 1 0 0 0 1 1 1 1 0 0 0 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 1 0 0 0 1 1 1 1 1 1 1 1 1 1 0 0 0 1 1 1 1 1 1 1 1 1 1 0 0 1 1 1 0 0 0 0 0 1 1 1

1 0 1 1 0

24. X 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 0 1 1 0 0 1 1 1 0 0 1 1 1 1 1 0 1 0 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 0 1 0 1 1 1 1 1 0 0 1 1 1 0 0 1 1 0 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

1 0 1 1 1

25. Y 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 1 0 0 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 1 1 1 1 0 1 1 1 1 1 1 1 0 0 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

1 1 0 0 0

26. Z 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 1 0 1 1 1 1 1 1 0 0 1 0 1 1 1 1 0 0 1 0 1 0 1 1 1 0 1 1 1 0 1 0 1 0 0 1 1 1 1 0 1 0 0 1 1 1 1 1 1 0 1 0 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

1 1 0 0 1

Pada table 4.1 dapat dilihat atribut dari data karakter pelatihan yang akan digunakan pada proses pelatihan jaringan. Penjelasan atribut dari data karakter pelatihan dapat dijabarkan sebagai berikut.

a. Input, nilai input diperoleh dari nilai piksel yang membentuk citra dari karakter pelatihan dimana piksel berwarna putih direpresentasikan dengan nilai “1” dan

(46)

piksel berwarna hitam dimana merupakan piksel penyusun karakter direpresentasikan dengan nilai “0”.

b. Target, target merupakan nilai acuan kepada jaringan selama pelatihan. Jaringan akan memproses input berupa fitur dari citra karakter yang kemudian memeriksa output jaringan dengan nilai target pada karakter yang bersangkutan, jika output dan target tidak sesuai, maka jaringan akan melakukan perambatan balik atau backpropagation sebagai langkah pembelajaran.

Jaringan saraf tiruan backpropagation memiliki arsitektur jaringan yang tetap sehingga diperlukan pengaturan konfigurasi dan penentuan parameter dalam membangun jaringan saraf tiruan backpropagation sebelum dapat digunakan. Seperti yang telah disebutkan pada sub bab sebelumnya, jaringan saraf backpropagation yang digunakan pada penelitian ini memiliki arsitektur sebagai berikut.

a. Jumlah unit input : 100 unit.

b. Jumlah unit tersembunyi (hidden node) : 60 unit. c. Jumlah unit output : 6 unit.

Penggunaan jumlah unit input dengan jumlah 100 unit bertujuan untuk dapat mengakomodasi citra karakter yang berukuran 10 x 10 piksel, dimana citra dengan ukuran 10 x 10 piksel memiliki total piksel berjumlah 100 piksel sehingga diperlukan 100 unit input untuk dapat menerima nilai dari piksel dari citra karakter yang digunakan. Jumlah unit tersembunyi dipilih sebanyak 60 unit dengan mempertimbangkan bahwa jumlah unit tersembunyi harus diantara jumlah unit input dan jumlah unit keluaran. Unit output atau unit keluaran menggunakan 6 unit untuk dapat mengakomodasi rentang target karakter yang digunakan yaitu berjumlah 26 karakter.

(47)

Pengujian akan dilakukan secara bertahap yang mana setiap tahap akan menggunakan jumlah data karakter yang berbeda – beda. Secara garis besar pengujian yang akan dilakukan pada penelitian ini terdiri dari 5 pengujian yaitu pengujian A dengan menggunakan jumlah data pelatihan sebanyak dua data, pengujian B dengan menggunakan jumlah data pelatihan sebanyak 10 buah data, pengujian C dengan menggunakan jumlah data pelatihan sebanyak 26 buah data.

Pembagian pengujian berdasarkan jumlah data pelatihan bertujuan untuk melakukan analisis terhadap jaringan saraf backpropagation menggunakan jenis pelatihan yang berbeda dengan menggunakan beban data latih yang berbeda. Sehingga diharapkan dapat dilihat kelebihan dan kekurangan dari setiap jenis pelatihan yang akan dianalisis pada penelitian ini.

4.3.1. Pengujian A (Karakter A – B)

Pengujian A dilakukan dengan melakukan pelatihan pada jaringan saraf tiruan

backpropagation menggunakan dua data latih yaitu karakter A dan B. Pelatihan pada pengujian A akan dilakukan sebanyak dua pelatihan yaitu pelatihan online dan pelatihan offline. Proses pelatihan pada jaringan saraf tiruan backpropagation pada pengujian ini menggunakan parameter pelatihan sebagai berikut.

a. Maksimum Epoch : 5000

b. Alpha (Tingkat Pembelajaran) : 0.5 c. Minimum Error / Goal : 0.001

Proses pelatihan dilakukan menggunakan aplikasi yang telah dikembangkan dengan menggunakan data latih citra karakter yang telah disiapkan pada bagian sebelumnya. Proses pelatihan dapat dilihat pada gambar 4.3 dan gambar 4.4 berikut.

(48)

Gambar 4.3 Pelatihan Online pengujian A

Pelatihan online pada pengujian A seperti yang terlihat pada gambar 4.3 mampu mencapai goal atau target minimum error pada epoch ke 112. Statistik memperlihatkan pelatihan online membutuhkan waktu 16 detik dalam proses pelatihannya.

Gambar 4.4 Pelatihan Offline pengujian A

Pelatihan offline pada pengujian A seperti yang terlihat pada gambar 4.3 mampu mencapai goal atau target minimum error pada epoch ke 262. Statistik memperlihatkan pelatihan offline membutuhkan waktu 39 detik dalam proses pelatihannya. Tabel rincian dari nilai error tiap epoch dari masing – masing pelatihan dapat dilihat pada lampiran A.1. Berikut grafik dari error komparatif pada pengujian A.

(49)

Gambar 4.5 Perbandingan Error Pengujian A

4.3.2. Pengujian B (Karakter A – J)

Pengujian B dilakukan dengan melakukan pelatihan pada jaringan saraf tiruan

backpropagation menggunakan sepuluh data latih yaitu karakter A sampai J. Pelatihan pada pengujian B akan dilakukan sebanyak dua pelatihan yaitu pelatihan online dan pelatihan offline. Proses pelatihan pada jaringan saraf tiruan backpropagation pada pengujian ini menggunakan parameter pelatihan sebagai berikut.

a. Maksimum Epoch : 5000

b. Alpha (Tingkat Pembelajaran) : 0.5 c. Minimum Error / Goal : 0.001

0 0,05 0,1 0,15 0,2 0,25 0,3 0,35 0,4 0,45 0,5

1 6

11 16 21 26 31 36 41 46 51 56 61 66 71 76 81 86 91 96

Perbandingan Error

Offline Online

(50)

Gambar 4.6 Pelatihan online pengujian B

Pelatihan online pada pengujian B seperti yang terlihat pada gambar 4.6 mampu mencapai goal atau target minimum error pada epoch ke 176. Statistik memperlihatkan pelatihan online membutuhkan waktu 2 menit 11 detik dalam proses pelatihannya.

(51)

Pelatihan offline pada pengujian B seperti yang terlihat pada gambar 4.7 mampu mencapai goal atau target minimum error pada epoch ke 1571. Statistik memperlihatkan pelatihan offline membutuhkan waktu 19 menit 40 detik dalam proses pelatihannya. Tabel rincian dari nilai error tiap epoch dari masing – masing pelatihan dapat dilihat pada lampiran A.2. Berikut grafik dari error komparatif pada pengujian B.

Gambar 4.8 Perbandingan Error Pengujian B

4.3.3. Pengujian C (Karakter A – Z)

Pengujian C dilakukan dengan melakukan pelatihan pada jaringan saraf tiruan

backpropagation menggunakan 26 data latih yaitu karakter A sampai Z. Pelatihan pada pengujian C akan dilakukan sebanyak dua pelatihan yaitu pelatihan online dan pelatihan offline. Proses pelatihan pada jaringan saraf tiruan backpropagation pada pengujian ini menggunakan parameter pelatihan sebagai berikut.

a. Maksimum Epoch : 5000

b. Alpha (Tingkat Pembelajaran) : 0.5 c. Minimum Error / Goal : 0.001

0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8

1 9

17 25 33 41 49 57 65 73 81 89 97 ₁₀₅ ₁₁₃ ₁₂₁ ₁₂₉ ₁₃₇ ₁₄₅ ₁₅₃ ₁₆₁ ₁₆₉ ₁₇₇

Perbandingan Error

Offline Online

(52)

Gambar 4.9 Pelatihan online pengujian C

Pelatihan online pada pengujian B seperti yang terlihat pada gambar 4.9 tidak mampu mencapai goal atau target minimum error pada epoch ke 300. Statistik memperlihatkan pelatihan online membutuhkan waktu 9 menit 54 detik dalam proses pelatihannya untuk mencapai 300 epoch.

(53)

Gambar 4.10 Pelatihan offline pengujian C

Pelatihan offline pada pengujian C seperti yang terlihat pada gambar 4.10 tidak mampu mencapai goal atau target minimum error pada epoch ke 300. Statistik memperlihatkan pelatihan offline membutuhkan waktu 9 menit 44 detik dalam proses pelatihannya. Tabel rincian dari nilai error tiap epoch dari masing – masing pelatihan dapat dilihat pada lampiran A.3. Berikut grafik dari error komparatif pada pengujian B.

(54)

Gambar 4.11 Perbandingan Error Pengujian C

4.4. Pembahasan

Pengujian yang telah dilakukan pada sub bab sebelumnya memberikan hasil statistik yang berbeda untuk tiap jenis pelatihan. Pada sub bab ini akan dilakukan analisis hasil pengujian serta pembahasan terhadap kinerja kedua jenis pelatihan jaringan saraf tiruan backpropagation berdasarkan hasil analisis yang dilakukan. Berdasarkan pengujian yang telah dilakukan maka dapat diperoleh data kinerja dari kedua jenis pelatihan seperti yang terlihat pada tabel berikut.

Tabel 4.2 Hasil Pengujian Pelatihan Online

No. Pengujian Data Latih Target Epoch yang

dibutuhkan

Waktu

1. Pengujian A A – B Tercapai 112 16 Detik

2. Pengujian B A – J Tercapai 176 2 Menit 11 Detik

3. Pengujian C A – Z Tidak 300 9 Menit 54

0 0,2 0,4 0,6 0,8 1 1,2

1 ₁₄ ₂₇ ₄₀ ₅₃ ₆₆ ₇₉ ₉₂

105 118 131 144 157 170 183 196 209 222 235 248 261 274 287 300

Perbandingan Error

Offline Online

(55)

Detik

Tabel 4.3 Hasil Pengujian Pelatihan Offline

No. Pengujian Data Latih Target Epoch yang

dibutuhkan

Waktu

1. Pengujian A A – B Tercapai 262 39 Detik

2. Pengujian B A – J Tercapai 1571 19 Menit 40 Detik

3. Pengujian C A – Z Tidak 300 9 Menit 44

Detik

goal. Namun seiring bertambahnya jumlah data latih atau data training, pelatihan

online memperlihatkan pergerakan error yang semakin tidak stabil seiring bertambahnya jumlah training. Pelatihan menggunakan jaringan offline memiliki pergerakan error lebih stabil dimana error menurun secara halus. Hal ini menunjukkan pelatihan offline memberikan kestabilan yang cukup tinggi dan memiliki toleransi terhadap meningkatnya jumlah data training.

(56)

BAB V

KESIMPULAN DAN SARAN

5.1. Kesimpulan

Kesimpulan yang dapat diambil dari penelitian ini adalah sebagai berikut :

1. Analisis terhadap kinerja pelatihan jaringan backpropagation menggunakan pelatihan online memberikan hasil lebih baik dibandingkan dengan pelatihan menggunakan offlinetraining.

2. Proses pembelajaran menggunakan pelatihan online training terkesan tidak stabil dimana terlihat pergerakan error pada onlinetraining bergerak naik turun sebelum mencapai global optima. Tingkat ketidak stabilan jaringan cenderung meningkat seiring meningkatnya jumlah data latih.

3. Proses pembelajaran menggunakan pelatihan offline training memiliki kinerja yang tidak sebaik jaringan online dimana pergerakan error menuju global optima terkesan bergerak halus sepanjang kurva. Namun pelatihan offline bersifat stabil dan toleran terhadap meningkatnya jumlah data latih.

4. Pada kasus identifikasi karakter yang mana objek karakter memiliki jumlah yang terbatas yaitu berkisar 64 karakter untuk karakter latin, pelatihan online lebih cocok diterapkan dibandingkan dengan pelatihan offline. Namun jika objek karakter terus bertambah seperti penambahan karakter khusus dan karakter-karakter dalam bahasa lain maka pelatihan offline lebih direkomendasikan karena kestabilan nya dalam proses pelatihan.

(57)

Saran – saran yang dapat penulis sampaikan setelah melakukan penelitian ini adalah sebagai berikut :

1. Untuk penelitian lebih lanjut alangkah baiknya dilakukan penelitian terhadap faktor – faktor pengaruh lainnya seperti tingkat pembelajaran dan momentum.

2. Penelitian yang akan datang diharapkan dapat dilakukan pada kasus – kasus yang berbeda seperti klasifikasi dan implementasi pengambilan keputusan.

(58)

DAFTAR PUSTAKA

ALGORITHM FOR MLP AND APPLICATION TO AN IDENTIFICATION PROBLEM. Durban: Centre For Engineering Research, Technikon Natal.

Baxes, & Gregory, A. (1994). Digital Image Processing : Principles and Applications.

New York: John Wiley & Sons.

Cheriet, M. (2007). Character Recognition System. Canada: John Willey & Son.

Duffner, S., & Garcia, C. (2007). An Online Backpropagation Algorithm with Validation Error-Based Adaptive Learning Rate. Cesson-Sevigne: Orange Labs.

Hermawan, A. (2006). Jaringan Saraf Tiruan. Yogyakarta: Penerbit Andi.

Istook, E. (2003). IMPROVED BACKPROPAGATION LEARNING IN NEURAL NETWORKS WITH WINDOWED MOMENTUM. International Journal of Neural Systems , vol. 12, No. 3 &4 .

LeCun, Y. (1998). Efficient BackProp. New Jersey: Springer.

Lemme, A. (2010). Efficient online learning of a non-negative sparse autoencoder.

Bielefeld: CoR-Lab.

McClelland, J. (2013). Explorations in Parallel Distributed Processing: A Handbook of Models, Programs, and Exercises. Stanford.

Muijrers, V. (2011). Training a Back-Propagation Network with Temporal Difference Learning and a database for the board game pente. Philedelphia: ECTS.

Parker, L. R. (2006). Notes on Multilayer, Feedforward Neural Networks. CS494/594: Projects in Machine Learning.

Sha, D., & Bajic, V. B. (2000). ON-LINE ADAPTIVE LEARNING RATE BP

Singh, G. (2012). Recognition of Handwritten Hindi Characters using

Backpropagation Neural Network. International Journal of Computer Science and Information Technologies , Vol. 3.

(59)

Sutoyo, T. (2009). Pengolahan Citra Digital. Yogyakarta: Penerbit Andi.

Tiwari, R. R. (2013). HANDWRITTEN DIGIT RECOGNITION USING BACKPROPAGATION NEURAL NETWORK& K-NEAREST

NEIGHBOUR CLASSIFIER. International Journal of Electrical, Electronics and Data Communication , Vol. 1.

(1)

Gambar 4.11 Perbandingan Error Pengujian C 4.4. Pembahasan

Tabel 4.2 Hasil Pengujian Pelatihan Online

No. Pengujian Data Latih Target Epoch yang dibutuhkan

Waktu

1. Pengujian A A – B Tercapai 112 16 Detik

2. Pengujian B A – J Tercapai 176 2 Menit 11 Detik

3. Pengujian C A – Z Tidak 300 9 Menit 54

0 0,2 0,4 0,6 0,8 1 1,2

1 ₁₄ ₂₇ ₄₀ ₅₃ ₆₆ ₇₉ ₉₂

105 118 131 144 157 170 183 196 209 222 235 248 261 274 287 300

E rr o r

Perbandingan Error

Offline Online

(2)

Detik

Tabel 4.3 Hasil Pengujian Pelatihan Offline

No. Pengujian Data Latih Target Epoch yang dibutuhkan

Waktu

1. Pengujian A A – B Tercapai 262 39 Detik

2. Pengujian B A – J Tercapai 1571 19 Menit 40 Detik

3. Pengujian C A – Z Tidak 300 9 Menit 44

Detik

Berdasarkan hasil pengujian seperti yang dapat dilihat pada tabel 4.2 dan 4.3 diatas, dapat dilihat bahwa pelatihan jaringan backpropagation menggunakan pelatihan online memberikan kinerja yang jauh lebih baik dibandingkan dengan pelatihan offline baik dari sisi waktu maupun epoch yang dibutuhkan untuk mencapai goal. Namun seiring bertambahnya jumlah data latih atau data training, pelatihan online memperlihatkan pergerakan error yang semakin tidak stabil seiring bertambahnya jumlah training. Pelatihan menggunakan jaringan offline memiliki pergerakan error lebih stabil dimana error menurun secara halus. Hal ini menunjukkan pelatihan offline memberikan kestabilan yang cukup tinggi dan memiliki toleransi terhadap meningkatnya jumlah data training.

(3)

BAB V

KESIMPULAN DAN SARAN

5.1. Kesimpulan

Kesimpulan yang dapat diambil dari penelitian ini adalah sebagai berikut :

1. Analisis terhadap kinerja pelatihan jaringan backpropagation menggunakan pelatihan online memberikan hasil lebih baik dibandingkan dengan pelatihan menggunakan offlinetraining.

5.2. Saran

(4)

Saran – saran yang dapat penulis sampaikan setelah melakukan penelitian ini adalah sebagai berikut :

1. Untuk penelitian lebih lanjut alangkah baiknya dilakukan penelitian terhadap faktor – faktor pengaruh lainnya seperti tingkat pembelajaran dan momentum.

2. Penelitian yang akan datang diharapkan dapat dilakukan pada kasus – kasus yang berbeda seperti klasifikasi dan implementasi pengambilan keputusan.

(5)

DAFTAR PUSTAKA

ALGORITHM FOR MLP AND APPLICATION TO AN IDENTIFICATION PROBLEM. Durban: Centre For Engineering Research, Technikon Natal.

Baxes, & Gregory, A. (1994). Digital Image Processing : Principles and Applications. New York: John Wiley & Sons.

Cheriet, M. (2007). Character Recognition System. Canada: John Willey & Son.

Duffner, S., & Garcia, C. (2007). An Online Backpropagation Algorithm with Validation Error-Based Adaptive Learning Rate. Cesson-Sevigne: Orange Labs.

Hermawan, A. (2006). Jaringan Saraf Tiruan. Yogyakarta: Penerbit Andi.

Istook, E. (2003). IMPROVED BACKPROPAGATION LEARNING IN NEURAL NETWORKS WITH WINDOWED MOMENTUM. International Journal of Neural Systems , vol. 12, No. 3 &4 .

LeCun, Y. (1998). Efficient BackProp. New Jersey: Springer.

Lemme, A. (2010). Efficient online learning of a non-negative sparse autoencoder. Bielefeld: CoR-Lab.

McClelland, J. (2013). Explorations in Parallel Distributed Processing: A Handbook of Models, Programs, and Exercises. Stanford.

Muijrers, V. (2011). Training a Back-Propagation Network with Temporal Difference Learning and a database for the board game pente. Philedelphia: ECTS.

Parker, L. R. (2006). Notes on Multilayer, Feedforward Neural Networks. CS494/594: Projects in Machine Learning.

Sha, D., & Bajic, V. B. (2000). ON-LINE ADAPTIVE LEARNING RATE BP

Singh, G. (2012). Recognition of Handwritten Hindi Characters using

Backpropagation Neural Network. International Journal of Computer Science and Information Technologies , Vol. 3.

(6)

Sutoyo, T. (2009). Pengolahan Citra Digital. Yogyakarta: Penerbit Andi.

Tiwari, R. R. (2013). HANDWRITTEN DIGIT RECOGNITION USING BACKPROPAGATION NEURAL NETWORK& K-NEAREST

NEIGHBOUR CLASSIFIER. International Journal of Electrical, Electronics and Data Communication , Vol. 1.

Analisis Perbandingan Online Dan Offline Training Pada Jaringan Backpropagation Pada Kasus Pengenalan Huruf Abjad

ANALISIS PERBANDINGAN ONLINE DAN OFFLINE TRAINING

PADA JARINGAN BACKPROPAGATION PADA KASUS

PENGENALAN HURUF ABJAD

TESIS

MUHAMMAD ANGGI RIVAI NST

117038015

PROGRAM STUDI S2 TEKNIK INFORMATIKA

FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI

UNIVERSITAS SUMATERA UTARA

MEDAN

2015

ANALISIS PERBANDINGAN ONLINE DAN OFFLINE TRAINING

PADA JARINGAN BACKPROPAGATION PADA KASUS

PENGENALAN HURUF ABJAD

TESIS

Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah

Magister Teknik Informatika

MUHAMMAD ANGGI RIVAI NST

117038015

PROGRAM STUDI S2 TEKNIK INFORMATIKA

FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI

UNIVERSITAS SUMATERA UTARA

MEDAN

2015







Perbandingan Error

Perbandingan Error

Perbandingan Error

Perbandingan Error

Parts

Dokumen yang terkait

Pengembangan Metode Backpropagation Dengan Menggunakan Adaptive Learning Rate Dan Parallel Training Dalam Pengenalan Huruf Atau Angka Pada Citra Digital

Pengenalan Tulisan Tangan Huruf Jawi (Arab Melayu) Berbentuk Kata Menggunakan Jaringan Saraf Tiruan

Pengenalan Kata Tulisan Tangan Huruf Korea Menggunakan Jaringan Saraf Tiruan Propagasi Balik

Penerapan Jaringan Saraf Tiruan Untuk Pengenalan Pola Huruf Dengan Metode Backpropagation

Perbandingan Metode Jaringan Syaraf Tiruan Backpropagation Dan Learning Vector Quantization Pada Pengenalan Wajah

PEMBANGUNAN APLIKASI PENGENALAN HURUF BALOK PEMBANGUNAN APLIKASI PENGENALAN HURUF BALOK MENGGUNAKAN BACKPROPAGATION.

APLIKASI PENGENALAN HURUF HIJAIYAH, ANGKA DAN HURUF ABJAD DENGAN AUGMNETED REALITY BERBASIS ANDROID

Pengenalan Tulisan Tangan Offline Dengan Algoritma Generalized Hough Transform dan Backpropagation

Analisis Perbandingan Online Dan Offline Training Pada Jaringan Backpropagation Pada Kasus Pengenalan Huruf Abjad

ANALISIS PERBANDINGAN ONLINE DAN OFFLINE TRAINING PADA JARINGAN BACKPROPAGATION PADA KASUS PENGENALAN HURUF ABJAD TESIS MUHAMMAD ANGGI RIVAI NST 117038015

Dokumen yang Anda mencari sudah siap untuk unduhkan