Untuk memperoleh jaringan yang optimal terlebih dahulu kita mengetahui ekstraksi ciri yang optimal pula. Dalam hal ini penelitian
melakukan kombinasi ciri feature untuk dapat meghasilkan ekstraksi ciri yang memberikan hasil akurasi terbaik.
3.2.2 Pelatihan dan Pengujian Arsitektur JST
Dalam penelitian ini, proses pengenalan pola aksara Batak Karo dilakukan dengan mengklasifikasikan feature yang telah ditentukan.
Metode yang digunakan dalam prosespengenalanadalah metode Jaringan Syaraf Tiruan Back Propagation. Metode pengenalan ini
dipilih karena kemampuannya untuk menghasilkan decision boundaries yang kompleks pada fitur-fitur yang ada. Hasil ini dapat
dilihat dengan nilai keakuratan yang dihasilkan dari pengujian sampel diluar kumpulan sampel yang digunakan pada saat pelatihan.
Metode pembagian data pelatihan dan pengujian arsitektur JST yang digunakan adalah 4-Fold Cross Validation. Metode ini dipakai
karena menggunakan data yang berbeda untuk proses pelatihan dan pengujiannya, sehingga dapat diketahui dengan benar akurasi sistem
yang telah dibuat. Hasil ekstraksi ciri dan label data, akan digunakan sebagai input-an dalam proses pelatihan dan pengujian arsitektur JST.
Hasil dari proses ini adalah model jaringan dengan akurasi terbaik, yang akan digunakan dalam proses pengenalan.
Pada proses awal sesuai dengan metode K-Fold Cross Validation, data yang berjumlah 168 dibagi menjadi 4 bagian.Dari 4
bagian tersebut akan dilakukan 4 kali percobaan dalam proses pelatihan dan pengujian arsitektur JST. Berikut ini tabel penggunaan
bagian dalam setiap percobaan: PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Tabel 3.14-Fold Cross Validation
Percobaan Training Testing 1
1,2 3,4
2 1,3
2,4 3
1,4 2,3
4 3,4
1,2
Ada 2 jenis arsitektur jaringan syaraf tiruan yang digunakan untuk proses pelatihan dan pengujian, yaitu arsitektur dengan satu
hidden layer dan dua hidden layer. 1.
Arsitektur Jaringan Syaraf Tiruan 1 Hidden Layer Diambil contoh dengan ciri 8 maka jumlah data input sebanyak
45 atribut, kemudian digunakan 1 hidden layer, dengan jumlah neuron pada hidden layer 1 sebanyak j, dan jumlah output
sebanyak 21.
Gambar 3.7Arsitektur JST 1 Hidden Layer
X1
X2
X3
X45 Z1
Z2
Z3
Zj Y1
Y2
Y3
Y21
Vij Wij
Input Hidden Layer 1
Output
2. Arsitektur Jaringan Syaraf Tiruan 2 Hidden Layer
Diambil contoh dengan ciri 8 maka jumlah data input sebanyak 45 atribut, kemudian digunakan 2 hidden layer, dengan jumlah
neuron pada hidden layer 2sebanyak j, dan jumlah output sebanyak 21.
Gambar 3.8Arsitektur JST 2 Hidden Layer
Berikut ini rincian parameter dalam arsitektur jaringan syaraf tiruan:
1. Lapisan jaringan terdiri dari 4 lapis, yaitu satu lapis masukan
input, 2 lapis tersembunyi hidden layer dan satu lapis keluaran output.
2. Untuk input dimana Xi adalah jaringan terdiri dari 1 – ineuron,
dimana i merupakan jumlah total data hasil ekstraksi ciri yang telah ditentukan. Berikut tabel jumlah data yang digunakan:
X1 X2
X3
X45 Z1
Z2
Z3
Zj Z1
Z2
Z3
Zj Y1
Y2
Y3
Y21
Vij Vij
Wij
Hidden Layer 1 Hidden Layer 2
Input Output
Tabel 3.2Jumlah Data Input Arsitektur Jaringan Kombinasi Feature
Feature Kombinasi Feature
Jumlah Data Feature
1 [Black]
9 2
[dig1] 9
3 [dig2]
9 4
[Black + dig1] 9 + 9 =18
5 [Black + dig2]
9 + 9 = 18 6
[horz + vert] 9 + 9 = 18
7 [dig1 + dig2]
9 + 9 = 18 8
[Black + dig1 + dig2, + horz + vert]
9 + 18 + 18= 45
3. Untuk mendapatkan arsitektur jaringan yang optimal, digunakan 2
jenis arsitektur jaringan yaitu dengan 1 hidden layer dan 2 hidden layer, dimana lapisan tersembunyi pertama dan kedua memiliki
jumlah neuron yang bervariasi mulai dari 10,15,… dilanjutkan
dengan kelipatan 5 hingga 45. Namun apabila pada neuron 45 nilai akurasi masih tinggi, maka dilanjutkan dengan kelipatan 5
selanjutnya hingga hasil akurasinya turun. Contoh: 10,15,20,…45 4.
Fungsi aktivasi yang digunakan adalah sigmoid biner logsig. 5.
Fungsi pelatihan yang digunakan adalah trainrp. 6.
Batas iterasiepoch adalah 500. 7.
Nilai laju pemahaman =learning rate adalah 0, 2.
8. Jumlah neuron pada lapisan keluaran output adalah 21, sesuai
dengan jumlah target aksara 9.
Memiliki 21neuron output yang merupakan target keluaran jaringan diantaranya,
target 1: BA 1,0,0….0, target 2: TA 0,1,0..target 3 : DA 0,0,1,
…0, ……, target 21: CA 0,0,0…1 PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Dalam pengujianarsitektur JST, dilakukan beberapa kali percobaan untuk mendapatkan model jaringan terbaik berdasarkan
akurasi hasil yang tertinggi. Percobaan dilakukan dengan mengambil sejumlah data hasil ekstraksi ciri berdasarkan kombinasi ciri yang ada
pada tabel 3.2 sebagai data masukan. Untuk setiap kombinasi ciri, dilakukan percobaan lagi dengan mengubah-ubah jumlah lapisan
tersembunyi, yaitu satu lapisan tersembunyi dan 2 lapisan tersembunyi. Pada satu lapisan tersembunyi, jumlah neuron divariasi
mulai dari 10, 15 hingga 45 dengan penambahan jumlah kelipatan 5, contohnya
10,15,20….,45.Dari percobaan tersebut diperoleh jumlah neuron dengan akurasi tertinggi. Jumlah neuron dengan akurasi
tertinggi di lapisan tersembunyi ke-1 kemudian digunakan dalam 2 lapisan tersembunyi. Jumlah neuron di lapisan tersembunyi ke-2
divariasi sama seperti di lapisan tersembunyi ke-1 hingga memperoleh akurasi tertingginya. Dari semua percobaan tersebut akan diperoleh
model jaringan terbaik berdasarkan akurasi yang tertinggi.
3.2.3 Uji Data Tunggal
