29
Hasil dari ekstraksi fitur di atas adalah : 1 1 1 1 1 1 1 1 1 1
1 1 1 1 0 0 1 1 1 1 1 1 1 0 0 0 0 1 1 1
1 1 1 0 0 0 0 1 1 1 1 1 1 0 0 1 0 0 1 1
1 1 0 0 1 1 0 0 1 1 1 1 0 0 0 0 0 0 1 1
1 0 0 0 0 0 0 0 0 1 1 0 0 1 1 1 1 0 0 1
1 0 0 1 1 1 1 0 0 0
3.4. Pelatihan Jaringan Menggunakan Nguyen Widrow dan Adaptive Learning
Rate
Setelah melakukan tahapan ekstraksi fitur, tahapan berikutnya yaitu klasifikasi dengan menggunakan jaringan syaraf tiruan propagasi balik. Dalam tahapan ini terhadap dua
proses yaitu proses pelatihan dan pengujian. Pada proses pelatihan dilakukan proses pelatihan jaringan syaraf tiruan dengan menggunakan nilai fitur yang didapat dari data
yang dilatih. Setelah proses pelatihan, masuk ke proses pengujian yaitu dengan menggunakan nilai fitur yang didapatkan dari data yang diuji. Jaringan harus
dirancang terlebih dahulu sebelum data dilatih dan diuji. Pelatihan citra dengan jaringan syaraf tiruan propagasi balik pada penelitian ini
menggunakan metode Nguyen-Widrow pada tahap inisialisasi bobot awal dilanjutkan dengan metode adaptive learning rate pada saat koreksi bobot pada proses backward
propagation. Secara umum alur proses pelatihan jaringan syaraf tiruan menggunakan metode Nguyen-Widrow dan adaptive learning rate dapat dilihat pada Gambar 3.9 :
Universitas Sumatera Utara
30
n i
ij i
j j
v x
v in
z
1
_
p i
jk i
k j
w z
w in
y
1
_
_
k k
k k
in y
f y
t
j k
jk
z W
k k
w
Universitas Sumatera Utara
31
Gambar 3.9. Diagram alur proses training citra alfanumerik
m i
jk k
j
w in
1
_
_ _
j j
j
in z
f in
i j
jk
x v
j j
v
jk jk
jk
w lama
w baru
w
ij ij
ij
w lama
v baru
v
Universitas Sumatera Utara
32
3.5. Perancangan Jaringan Propagasi Balik
3.5.1. Arsitektur Jaringan Propagasi Balik Jaringan syaraf tiruan yang dibangun memiliki satu lapisan input, satu lapisan
tersembunyi dan satu lapisan output dengan parameter sebagai berikut. 1.
Jumlah Node pada Input Layer Subjek penelitian ini adalah karakter alfanumerik huruf dan angka, terdiri dari
himpunan karakter huruf besar 26 karakter dan angka 10 karakter, sehingga didapat 36 karakter. Berdasarkan batasan masalah yang penulis telah jabarkan, ukuran
jendela untuk tiap karakter adalah 10x10 piksel, maka jumlah node input pada jaringan harus dapat menampung tiap nilai dari piksel karakter, sehingga jumlah node
input yang digunakan adalah 100 node. 2.
Jumlah Node pada Output Layer Output pada jaringan adalah berupa kode ASCII masing-masing karakter yaitu
sebanyak 8 digit. Untuk itu harus disusun pola output biner sebanyak 8 node. 3.
Jumlah Node pada Hidden Layer Jumlah unit hidden yang digunakan adalah sebanyak 6 node.
Pada algoritma Nguyen-Widrow, semakin besar jumlah node pada hidden layer maka faktor skala juga akan semakin besar. Jika faktor skala besar maka nilai bobot juga
akan bertambah dan interval bias dari input layer menuju hidden layer akan semakin besar juga. Penambahan bias pada pembelajaran dengan metode backpropagation
akan meningkatkan sinyal keluaran dari sebuah layer.
Gambar 3.10. Arsitektur Jaringan
Universitas Sumatera Utara
33
3.5.2. Algoritma Backpropagation Inisialisasi bobot ambil bobot awal dengan nilai random yang cukup kecil.
Kerjakan langkah-langkah berikut selama kondisi berhenti bernilai FALSE :
1. Untuk tiap-tiap pasangan elemen yang akan dilakukan pembelajaran, kerjakan :
Feedforward : a. Tiap-tiap unit input X
i
, i=1,2,3,...,n menerima sinyal x
i
dan meneruskan sinyal tersebut ke semua unit pada lapisan yang ada
diatasnya lapisan tersembunyi. b. Tiap-tiap unit tersembunyi Z
j
, j=1,2,3,...,p menjumlahkan sinyal- sinyal input terbobot :
n i
ij i
j j
v x
v in
z
1
_ Gunakan fungsi aktivasi untuk menghitung sinyal outputnya :
Z
j
= fz_in
j
Dan kirimkan sinyal tersebut ke semua unit di lapisan atasnya unit- unit output.
c. Tiap-tiap unit output Y
k
, k=1,2,3,...,m menjumlahkan sinyal-sinyal input terbobot.
p i
jk i
k j
w z
w in
y
1
_ Gunakan fungsi aktivasi untuk menghitung sinyal outputnya :
y
k
=fy_in
k
Dan kirimkan sinyal tersebut ke semua unit dilapisan atasnya unit-unit output.
Backpropagation d. Tiap-tiap unit output Yk, k=1,2,3,...,m menerima target pola yang
berhubungan dengan pola input pembelajaran, hitung informasi error nya :
_
k k
k k
in y
f y
t
Kemudian hitung koreksi bobot yang nantinya akan digunakan untuk memperbaiki nilai w
jk
:
Universitas Sumatera Utara
34
j k
jk
z W
Hitung juga koreksi bias yang nantinya akan digunakan untuk
memperbaiki nilai w
0k
:
k k
w
Kirimkan
k
ini ke unit-unit yang ada dilapisan bawahnya. e. Tiap-tiap unit tersembunyi Z
j
, j=1,2,3,...,p menjumlahkan delta inputnya dari unit-unit yang berada pada lapisan diatasnya :
m i
jk k
j
w in
1
_
Kalikan nilai ini dengan turunan dari fungsi aktivasinya untuk
menghitung informasi error : _
_
j j
j
in z
f in
Kemudian hitung koreksi bobot yang nantinya akan digunakan untuk memperbaiki nilai v
ij
:
i j
jk
x v
Kemudian hitung koreksi bias yang nantinya akan digunakan untuk
memperbaiki nilai v
0j
:
j j
v
f. Tiap-tiap unit output Y
k
, k=1,2,3,...,m memperbaiki bias dan bobotnya j=0,1,2,...,p:
jk jk
jk
w lama
w baru
w
Tiap-tiap unit tersembunyi Zj, j=1,2,3,...,p memperbaiki bias dan bobotnya i=0,1,2,...,n
ij ij
ij
w lama
v baru
v
2. Tes Kondisi berhenti
Universitas Sumatera Utara
35
BAB IV HASIL DAN PEMBAHASAN
