Pengolahan Citra TINJAUAN PUSTAKA

22 Jika terjadi perbedaan pola output hasil pembelajaran dengan pola target, maka akan muncul galat. Jika nilai galat ini masih cukup besar, maka perlu iterasi pembelajaran yang berikutnya Kusumadewi, 2003. Ilustrasi supervised learning dapat dilihat pada Gambar 10. Gambar 10 Supervised Learning Rios. Backpropagation adalah salah satu algoritma yang menggunakan metode supervised learning. Pelatihan backpropagation meliputi 3 fase. Fase pertama adalah fase maju atau propagasi maju. Pola masukan dihitung maju mulai dari layar masukan hingga layar keluaran menggunakan fungsi aktivasi yang ditentukan. Fase kedua adalah fase mundur atau propagasi mundur. Selisih antara keluaran jaringan dengan target yang diinginkan merupakan kesalahan yang terjadi. Kesalahan tersebut dipropagasikan mundur, mulai garis yang berhubungan langsung dengan unit-unit di layar keluaran. Fase ketiga adalah modifikasi bobot untuk menurunkan kesalahan yang terjadi. Ketiga fase tersebut diulang-ulang terus hingga kondisi penghentian dipenuhi. Umumnya kondisi penghentian yang dipakai adalah jumlah iterasi atau kesalahan. Berikut proses selengkapnya yang terjadi pada setiap fase Siang 2009. Fase I : Propagasi maju Selama propagasi maju, sinyal masukan x i dipropagasikan ke lapisan tersembunyi menggunakan fungsi aktivasi yang ditentukan. Keluaran setiap unit lapisan tersembunyi z j tersebut selanjutnya dipropagasikan maju ke layar tersembunyi di atasnya menggunakan fungsi aktivasi yang ditentukan. Demikian seterusnya hingga menghasilkan keluaran jaringan y k . Berikutnya keluaran 23 jaringan y k dibandingkan dengan target yang harus dicapai t k . Selisih dari t k terhadap y k yaitu t k -y k adalah kesalahan yang terjadi. Jika kesalahan ini lebih kecil dari batas toleransi yang ditentukan, maka iterasi dihentikan. Tetapi apabila kesalahan masih lebih besar dari batas toleransinya, maka bobot setiap garis dalam jaringan dimodifikasi untuk mengurangi kesalahan yang terjadi. Fase II : Propagasi Mundur Berdasarkan kesalahan t k -y k , dihitung faktor δ k k = 1, 2, …, m yang dipakai untuk mendistribusikan kesalahan di unit yk ke semua unit tersembunyi yang terhubung langsung dengan y k . Faktor δ k juga dipakai untuk mengubah bobot garis yang berhubungan langsung dengan unit keluaran. Dengan cara yang sama, dihitung faktor δ j j = 1, 2, …, m di setiap unit di lapisan tersembunyi di layar bawahnya. Demikian seterusnya hingga semua faktor δ di unit tersembunyi yang berhubungan langsung dengan unit masukan dihitung. Fase III : Perubahan Bobot Setelah semua faktor δ dihitung, bobot semua garis dimodifikasi bersamaan. Perubahan bobot satu garis didasarkan atas faktor δ neuron di lapisan atasnya. Sebagai contoh, perubahan bobot garis yang menuju lapisan keluaran didasarkan atas δ k yang ada di unit keluaran. Ketiga fase tersebut diulang-ulang terus hingga kondisi penghentian dipenuhi. Umumnya kondisi penghentian yang sering dipakai adalah jumlah iterasi atau kesalahan. Iterasi dihentikan jika jumlah iterasi yang dilakukan sudah melebihi jumlah maksimum iterasi yang ditetapkan atau jika kesalahan yang terjadi sudah lebih kecil dari batas toleransi yang diijinkan. Setelah pelatihan selesai dilakukan, jaringan dapat dipakai untuk pengenalan pola. Dalam hal ini hanya propagasi maju saja yang digunakan untuk menentukan keluaran jaringan. Algoritma selengkapnya disajikan pada Lampiran 1. Berikut fungsi kinerja yang digunakan oleh backpropagation, yaitu Mean Square Error MSE yang didapatkan dari nilai rata-rata kuadrat error yang terjadi antara output jaringan y k dan target t k . � = 1 � t k − y k 2 �=1 .................................................... 31