4. � = 8.343856322771955E-7
5. � = 2.0704120530256926E-7
6. � = 1.337101475753271E-7
7. � = -9.94664428550213E-8
Tahap akhir untuk memperoleh tujuh nilai invariant moment untuk setiap objek dilakukan dengan cara menghitung nilai
�. Setelah nilai � diperoleh, maka nilai tersebut langsung didefenisikan kedalam |log|
�||. Nilai tujuh invariant moment dari objek yang terdapat pada citra adalah sebagai berikut.
1. � = 7.050538826097915
2. � = 16.591219491401443
3. � = 27.200101473672124
4. � = 27.68359758219342
5. � = 57.26367893080876
6. � = 36.126163527591224
7. � = 55.82047309450023
3.4. Klasifikasi
Setelah nilai fitur dari citra diperoleh, maka tahap selanjutnya adalah tahap klasifikasi citra. Pada penelitian ini menggunakan metode jaringan saraf tiruan Radial Basis
Function untuk melakukan klasifikasi citra daun pada tanaman. Tahap – tahap yang
dilakukan adalah sebagai berikut: tahap peracangan arsitektur Radial Basis Function serta tahap pelatihan dan pengujian Radial Basis Function.
3.4.1. Perancangan Arsitektur
Radial Basis Function Sebelum dilakukan proses pelatihan, maka harus dirancang terlebih dahulu jaringan
Radial Basis Function. Pada penelitian ini, arsitektur jaringan Radial Basis Function yang dirancang terdiri dari 7 neuron pada lapisan input, 5 neuron pada lapisan
tersembunyi, 1 bias dan 5 neuron pada lapisan output. Jumlah 7 neuron pada lapisan input ditentukan berdasarkan hasil dari ekstraksi fitur. Sedangkan 5 neuron pada
lapisan output ditentukan berdasarkan nilai target keluaran. Pada penelitian ini,
Universitas Sumatera Utara
arsitektur jaringan Radial Basis Function yang akan dirancang dapat dilihat pada Gambar 3.9.
Gambar 3.9. Arsitektur umum Radial Basis Function pada sistem
Adapun penjelasan arsitektur Radial Basis Fuction pada Gambar 3.9. adalah sebagai berikut.
1. Lapisan input memiliki 7 neuron, lapisan tersembunyi memiliki 5 neuron
ditambah 1 bias dan memiliki 5 neuron pada lapisan output . 2.
x
1
sampai dengan x
7
adalah neuron pada lapisan input, � sampai dengan �
adalah neuron pada lapisan tersembunyi dan sampai
adalah neuron pada lapisan output.
3. b
1
merupakan bias yang menuju ke lapisan output. 4.
� adalah nilia bobot koneksi antara neuron lapisan input dengan neuron j pada lapisan tersembunyi. Sedangkan w
jk
adalah nilai bobot koneksi antara neuron j lapisan tersembunyi.
3.4.2. Tahap Pelatihan dan Pengujian Radial Basis Function
Tahap pelatihan Radial Basis Function bertujuan untuk mendapatkan nilai bobot akhir yang akan digunakan pada tahap pengujian. Pelatihan jaringan Radial Basis Function
menggunakan arsitektur jaringan dengan 7 neuron input, 6 neuron hidden dan 5 neuron output. Sedangkan tahap pengujian bertujuan untuk mendapatkan hasil output
dari data sesuai dengan target. Perhitungan Radial Basis Function dapat diuraikan sebagai berikut:
Universitas Sumatera Utara
1. Inialisasi nilai awal input. Proses dari input layer ke hidden layer. Nilai input
dapat dilihat pada tabel 3.1.
Tabel 3.1. Nilai input awal
Gambar
X
1
X
2
X
3
X
4
X
5
X
6
X
7
1 -1.3628
-0.8585 -0.2918
-0.2728 1.2493
0.2659 1.2707
2 -1.3426
-0.8677 -0.2332
-0.2684 1.2230
0.1469 1.3420
3 -1.3453
-0.8557 -0.2709
-0.2590 1.2316
0.1679 1.3313
4 -1.3931
-0.8724 -0.1072
-0.3158 1.1795
0.1812 1.3278
5 -1.3823
-0.8303 -0.2472
-0.2991 1.2563
0.2306 1.2719
2. Inisialisasi nilai centroid awal yang ditentukan dari data input yang diambil secara
acak menggunakan algoritma k-means. Nilai awal centroid dapat dilihat pada
Tabel 3.2. Tabel 3.2. Nilai awal centroid
Centroid
X
1
X
2
X
3
X
4
X
5
X
6
X
7
1 -1.3628
-0.8585 -0.2918
-0.2728 1.2493
0.2659 1.2707
2 -1.3453
-0.8557 -0.2709
-0.2590 1.2316
0.1679 1.3313
3 -1.3823
-0.8303 -0.2472
-0.2991 1.2563
0.2306 1.2719
Setelah menentukan nilai awal centroid maka nilai tersebut yang akan digunakan untuk mencari nilai centroid baru pada setiap hidden layer.
3. Kemudian hitung jarak data dengan nilai centroid menggunakan Euclidean
Distance menggunakan persamaan 2.14
Centroid 1 Perulangan 1
= √ −
+ −
+ −
+ … + −
= √ − . − − .
+ − . − − .
+ … + . − .
= 0
Universitas Sumatera Utara
= √ − . − − .
+ − . − − .
+ … + . − .
= 0.1547698
= √ − . − − .
+ − . − − .
+ … + . − .
= 0.1198328
= √ − . − − .
+ − . − − .
+ … + . − .
= 0.2287881
= √ − . − − .
+ − . − − .
+ … + . − .
= 0.0721309
Centroid 2 Perulangan 1
= √ −
+ −
+ −
+ … + −
= √ − . − − .
+ − . − − .
+ … + . − .
= 0.1349197
= √ − . − − .
+ − . − − .
+ … + . − .
= 0.0478225
= √ − . − − .
+ − . − − .
+ … + . − .
= 0
= √ − . − − .
+ − . − − .
+ … + . − .
=
0.1548079
= √ − . − − .
+ − . − − .
+ … + . − .
= 0.13013393
Centroid 3 Perulangan 1
= √ −
+ −
+ −
+ … + −
= √ − . − − .
+ − . − − .
+ … + . − .
= 0.0717835
Universitas Sumatera Utara
= √ − . − − .
+ − . − − .
+ … + . − .
= 0.12996589
= √ − . − − .
+ − . − − .
+ … + . − .
= 0.1106960
= √ − . − − .
+ − . − − .
+ … + . − .
=
0.1822947
= √ − . − − .
+ − . − − .
+ … + . − .
= 0
Hasil perhitungan jarak pada setiap hidden node dapat dilihat pada Tabel 3.3
Tabel 3.3. Nilai Euclidean Distance pada masing – masing node
Gambar ke
E1 E2
E3 C1
C2 C3
1 0.0
0.1349197 0.0717835 1
2
0.1547698 0.0478225 0.1299660 1
3 0.2287881
0.0 0.1106960
1
4
0.1198328 0.1548079 0.1822947 1
5 0.0721309 0.1301339
0.0 1
4. Update nilai centroid terbaru menggunakan persamaan
. Centroid1 =
= Centroid2 =
.
= . Centroid3 =
= 5.
Lakukan iterasi pada langkah 3 dan 4. Iterasi berhenti apabila nilai centroid terbaru tidak mengalami perubahan setelah dilakukan iterasi beberapa kali. Hal ini
menandakan bahwa proses pencarian centroid menggunakan algoritma K-Means selesai.Tabel 3.4 menunjukkan nilai akhir centroid.
Universitas Sumatera Utara
Tabel 3.4. Nilai ter-update centroid
Centroid
X
1
X
2
X
3
X
4
X
5
X
6
X
7
1 -1.3513
-0.8528 -0.2933
-0.2524 1.3023
0.1991 1.2484
2 -1.3878
-0.8560 -0.2047
-0.3017 1.2910
0.2431 1.2162
3 -1.3565
-0.8198 -0.2774
-0.2934 1.2429
0.1846 1.3195
6. Setelah nilai centroid diperoleh, maka tahap selanjutnya adalah mencari nilai
fungsi Gaussian φ dengan nilai spread σ = 1 menggunakan persamaan 2.12.
� =
− − .
− − . +
. − .
……….+ . − .
= 0.96
… …
� =
− − .
− − . + − .
− − . ……….+ .
− .
= 0.99
� =
− − .
− − . + − .
− − . ……….+ .
− .
= 0.99
… …
� =
− − .
− − . + − .
− − . ……….+ .
− .
= 0.99
� =
− − .
− − . + − .
− − . ……….+ .
− .
= 0.99
… …
� =
− − .
− − . + − .
− − . ……….+ .
− . .
= 0.99
Universitas Sumatera Utara
�
=
. .
. .
. .
. .
. .
. .
. .
7. Setelah nilai gaussian diketahui pada hidden layer maka tahap selanjutnya
adalah proses hidden layer menuju output layer. Pada tahap ini menghitung bobot baru W dengan mengalikan pseudoinvers dari matriks gaussian dengan
target d dari data training dengan menggunakan persamaan berikut:
�
�
= . .
. .
. .
. .
. .
. . .
.
�
�
� = . .
. .
. .
. .
. .
. .
. .
. �
�
�
−
= .
. .
. .
− .
. −
. .
. −
. −
. .
− .
− .
. =
�
�
= . .
. .
. .
. .
. .
. . .
.
= �
�
�
−
�
�
− . .
− . − .
. − .
− . .
− . .
− . .
. − .
− . .
− .
. .
− .
= �
+
= �
�
�
−
�
�
Universitas Sumatera Utara
Maka w
1
= -.33.342; 16.1203; -2.6967; - 0.0088; 19.8837 w
2
= - 0.0073; 6.4442; - 17.7493; - 0.0074; 11.2829 w
3
= - 33.3345; 58.0635; 6.9885; -100.001; 68.2785 bias = -0.0073; -79.3556; 13.2249; 98.9922; -97.817
8. Proses training Radial Basis Function selesai, hasil training di simpan ke dalam
database untuk digunakan pada pengujian. Hasil training yang disimpan adalah centroid1, centroid2, centroid3, nilai output dan nilai standar deviasi yang
digunakan dalam proses training jaringan Radial Basis Function. 9.
Setelah data training disimpan ke dalam database pada SQLite Manager. maka proses pengujian dilakukan dengan menggunakan rumus pada persamaan 2.17.
3.5. Data
