Proses Self-Organizing Map Neural Network
E. Proses Self-Organizing Map Neural Network
Pada sistem yang dibuat ini dilakukan dua jenis training yaitu backpropagation dan Self Organizing Map agar diketahui perbedaan hasil training dan simulasi dari masing- masing jaringan. Setelah dilakukan training menggunakan backpropagation dan disimulasikan jaringannya, selanjutnya dilakukan training dari data citra keping PCB yang telah diperoleh berdasarkan rata-rata biner, ambang, dan standar deviasi.
Algoritma pada pelatihan ini yaitu, pertama inisialisasi random reference vector untuk tiap neuron. Misalnya struktur yang dipakai adalah two-dimensional array SOM, diatur pada array n x n. Tiap vektor berdimensi d, sama dengan dimensi data. Kedua, untuk tiap input vector training data x, tentukan best-matching neuron, yaitu neuron yang memiliki jarak terdekat dengan input vector x, diukur memakai Euclidean distance. Neuron ini disebut winner.Ketiga, meng-update reference vector dari winner neuron ini dan neighboring neuron . Neighboring neuron ini didefinisikan sebagai neuron
yang topographically berada pada posisi yang dekat dengan Gambar 10. Tampilan pelatihan backpropagation
winner neuron di array n x n.
Citra yang dipakai sebanyak 30 citra. Dari masing-masing citra dilakukan preproses untuk mendapatkan rata-rata biner, Citra yang dipakai sebanyak 30 citra. Dari masing-masing citra dilakukan preproses untuk mendapatkan rata-rata biner,
Pada proses Self Organizing Map terdapat at beberapa tahap dalam membentuk jaringan dan melatih jarin ingan yang telah
terbentuk. Jaringan SOM dapat dibentuk dengan gan perintah :
Gambar 14. Plot SOM yan ang terbentuk Net adalah variabel som yang akan dibua uat, newc adalah
perintah membentuk jaringan baru untuk self o f organizing map F. Pengujian Sistem
dengan data yang dimasukan berdasarkan nila ilai tertinggi dan Proses pengujian hanya dilakukan an terhadap model yang terendah dari data citra keping PCB dimana na data tersebut digunakan dalam penelitian ini yaitu tu Back Propagation dan meliputi nilai ambang, nilai biner dan st standar deviasi, self organizing map neural network . . Hal ini sejalan dengan kemudian diklasifikasikan menjadi dua yaitu 1 1 untuk Baik dan tujuan dari penelitian yaitu seberapa e efektif dan akurat model
2 untuk Tidak Baik. ini digunakan. Pengujian dilakukan han anya pada proses training Setelah jaringan baru terbentuk selanj njutnya melatih data dan pengujian data yang diguna nakan pada saat menguji jaringan tersebut, Untuk keperluan melatih jarin ringan digunakan keping PCB. Pengujian dilakukan pa pada model feed-forward perintah train disertai dengan maximum epoch h yaitu 1000, dan back propagation dengan algoritma le levenberg marquardt dan toleransi error yaitu 0.001. Gambar 13 menam nampilkan proses self organizing map . training jaringan dengan algoritma som. m. Gambar 14
15 buah citra PCB yang menampilkan plot pemetaan jaringan som yan ang dibentuk dari masing-masing sudah mempunyai nil nilai rata-rata citra biner, masukan.
Pengujian sistem dilakukan pada 1
nilai standar deviasi, dan nilai ambang. g.
Tabel 3. Data citra uj uji PCB Nilai
No
Deviasi
Ambang g Biner
Antara backpropagation dan self organizing map
Gambar 13. Proses pelatihan jarinan S n SOM
dilakukan perbandingan pengujian. . Tabel 4 menampilkan perbandingan tingkat keberhasilan dan an kesalahan pada proses pengujian.
Tabel 4. Perbandingan tingkat keberhasilan proses pengujian
G. Interpretasi
Jumlah Jumlah Jumlah
Melalui penelitian yang dilakukan ini, diperoleh berbagai Latih
No Data Epoch Epoch
propagati Organizing
hasil yang berkaitan dengan backpropagation dan self organizing map . Berdasarkan pengujian data yang dilakukan
dengan kedua metode tersebut ditemukan bahwa tingkat
kesalahan yang lebih sedikit adalah dengan menggunakan 2 30 188
metode backpropagation. Dari sisi akurasi pengujian data
error
diperoleh bahwa metode backpropagation lebih baik dari pada self organizing map . Sehingga dapat disimpulkan bahwa
Berdasarkan tabel diatas, dapat disimpulkan bahwa metode backpropagation dengan pelatihan train levenberg backpropagation lebih baik dari pada Self Organizing Map marquardt sangat layak menjadi teknik atau metode yang karena memiliki tingkat kesalahan yang rendah saat digunakan sebagai inferensi jaringan syaraf tiruan dalam melakukan pengujian data.
menguji cetakan label komponen PCB. Perbandingan
jaringan
backpropagation dan
self H. Implikasi Penelitian
organizing map dalam tingkat pengenalan saat pengujian citra PCB ditampilkan pada tabel 5.
1) Aspek Sistem
Tabel 5. Perbandingan tingkat akurasi pengujian citra PCB
a) Hardware
No Standar Nilai Nilai Dari sisi hardware yang digunakan, akan lebih mudah Deviasi Ambang
Biner BACKPROPAGATION SOM dan lebih cepat bila hardware yang digunakan memiliki 1 78.3103 52.8626 232.9520
spesifikasi yang lebih baik. Penggunaan generasi komputer 2 77.1710 52.8626 232.9520
Baik
Baik
yang lebih baik terutama dari sisi processor dan memori 3 76.7822 52.8626 232.9520
Tidak baik
Tidak baik
yang besar akan membuat proses pengolahan data lebih 4 75.9953 52.8626 232.9520
Tidak baik
Tidak baik
cepat, penggunaan display yang cukup besar dengan pixel 5 78.3103 52.8626 232.9520
Tidak baik
Tidak baik
yang lebih baik serta tingkat resolusi yang tinggi akan 6 75.9583 52.8626 232.9520
Baik
Baik
memudahkan untuk melihat citra dengan ukuran yang 7 77.6906 52.8626 232.9520
Tidak baik
Tidak baik
besar dan tentu saja dilengkapi dengan grapich card yang 8 77.5835 52.8626 232.9520
Baik
Baik
lebih tinggi kualitasnya akan meningkatkan kualitas citra 9 78.3103 52.8626 232.9520
Tidak baik
Baik
dan akurasi data yang ingin diperoleh. Penggunaan kamera 10 76.5912 52.8626 232.9520
Baik
Baik
untuk mengambil citra uji diupayakan memiliki tingkat 11 78.3103 52.8626 232.9520
Tidak baik
Tidak baik
pixel yang baik dan tinggi agar citra yang diperoleh lebih 12 77.1980 52.8626 232.9520
Baik
Baik
Tidak baik
Tidak Baik
Tidak baik
Tidak baik
b) Software
Dari sisi software yang digunakan, Matlab sudah cukup 16 77.1350 52.8626 232.9520
dapat diandalkan untuk pemrosesan dan pengolahan citra 17 77.3597 52.8626 232.9520
Tidak baik
Tidak Baik
digital, terlebih fungsi toolbox yang disediakan oleh 18 76.5183 52.8626 232.9520
Baik
Baik
Matlab sudah memadai akan kebutuhan sistem yang 19 77.5000 52.8626 232.9520
Tidak baik
Tidak baik
dikembangkan. Tetapi akan sangat baik apabila digunakan 20 76.3903 52.8626 232.9520
Baik
Baik
versi yang terbaru, GUI yang dikembangkan dapat dibuat 22 77.0809 52.8626 232.9520
Tidak baik
Tidak baik
lebih informatif dalam penyajian informasi dan dilengkapi 23 78.3103 52.8626 232.9520
Baik
Tidak baik
dangan script yang lebih efisien dan efektif. 24 77.0809 52.8626 232.9520
Tidak baik
Tidak baik
Baik
Baik
Tidak baik
Tidak baik
c) Mekanisme
Dari sisi penataan, penelitian mengenai pembuatan sistem deteksi cetakan label komponen pada keping PCB
Tidak baik
Baik
akan lebih dapat berkembang dengan dipermudahnya 29 77.5000 52.8626 232.9520
akses terhadap data spasial atau citra digital suatu objek 30 74.9982 36.2420 242.4920
Tidak baik
Tidak baik
Baik
Baik
Tidak baik
Tidak baik
dengan cara pengambilan citra dilakukan secara real time dan diproses secara langsung sehingga data yang diperoleh
Berdasarkan tabel perbandingan tingkat pengujian kualitas
lebih tinggi.
keping PCB yang telah dilakukan antara jaringan 2) Aspek Manajerial backpropagation dan self organizing map dapat di simpulkan bahwa jaringan backpropagation memiliki tingkat pengenalan
a) Sumber Daya Manusia
yang lebih akurat dibandingkan jaringan self organizing map.
Implikasi penelitian pada bidang ini melihat dari sisi
4 Melakukan perbaikan atas hasil evaluasi
sumber daya manusia, perlu disediakan sumber daya manusia yang cukup memiliki pengetahuan dan keahlian dibidang
5 Maintenance
pengolahan citra digital dan kecerdasan buatan untuk mengembangkan penelitian dibidang ini.
5. KESIMPULAN DAN SARAN
b) Pendidikan dan Latihan
A. Kesimpulan
Implikasi penelitian bidang ini perlu diadakan pendidikan Berdasarkan pembahasan hasil penelitian yang telah dan pelatihan dibidang pengolahan citra digital dan dibahas di bab sebelumnya, maka dalam penelitian deteksi
kecerdasan buatan pada sumber daya manusia yang akan label
keeping PCB menggunakan menggunakan dan mengoperasikan hasil penelitian ini.
komponen pada
backpropagation dan self organizing map neural network ini
3) Aspek Penelitian Lanjut dapat diambil kesimpulan sebagai berikut:
1) Keberhasilan sistem dalam mendeteksi label komponen
a) Pengembangan Ruang Lingkup pada keping PCB dipengaruhi oleh akuisisi citra dan Untuk penelitian selanjutnya, ruang lingkup yang ada perlu
pada preproses.
diperluas sehingga prototype yang dikembangkan dapat
2) Pengambilan citra yang tidak tepat dan preproses yang mengolah model data spasial dengan objek dalam citra digital
buruk menyebabkan sistem tidak mampu mengenali yang berbeda yang ditunjang dengan teknik inferensi yang
suatu citra dengan baik.
berbeda pula.
3) Backpropagation dan self organizing map dapat digunakan sebagai jaringan syaraf tiruan untuk sistem
b) Pengembangan Metode deteksi label komponen pada keping PCB Untuk penelitian selanjutnya perlu dikaji beberapa metode
4) Tingkat keberhasilan dari kedua metode yang digunakan pengolahan citra digital dan variasi model kecerdasan buatan
dalam penelitian ini di peroleh tingkat akurasi yang yang dapat digunakan secara bersama untuk mendapatkan
tinggi pada jaringan backpropagation dengan akurasi hasil yang lebih baik dengan tingkat ketelitian yang lebih
jaringan sekitar 96.67%.
tinggi.
5) Self Organizing Map hanya menghasilkan tingkat
c) Pengembangan Indikator
akurasi sekitar 86.67%.