BAB 4 DISAIN MODEL
4.1 Pembentukan Model dan Pencocokan Pola
Pembentukan model dan pencocokan pola dilakukan menggunakan JST Propagasi Balik Backpropagation. Menggunakan arsitektur Multi Layer
Perceptron dengan satu lapisan tersembunyi Gambar 16. Fungsi pada Matlab yang digunakan untuk membangun jaringan ini adalah :
Net = newffminmaxp,[hidden,second], {transFunc,transFunc},tr;
Dimana, Minmaxp
: Matriks berukuran px2 yang berisi nilai minimum dan
maksimum, dengan p adalah jumlah variabel input.
Hidden :
Jumlah hidden neuron Second
: Jumlah output layer , sama dengan banyaknya jenis kayu yang
akan diidentifikasi transFunc
: Fungsi aktivasi jaringan, menggunakan sigmoid biner.
tr :
Fungsi pelatihan untuk bobot, menggunakan ‘traincgp’
Gambar 16 Model arsitektur multilayer perceptron.
Energi Homogeni t as
Mer ah R Hi j au G
Bi r u B Ent ropy
Level St d Deviasi
Kont r as h1
h2
hn
b1 b2
n
[ 0, 1] kayu 1 [ 0, 1] kayu 2
[ 0, 1] kayu 3 [ 0, 1] kayu 4
[ 0, 1] kayu 5
Jumlah neuron pada lapisan output sama dengan jumlah jenis kayu yang akan diidentifikasi. Sedangkan jumlah neuron pada lapisan tersembunyi yang
digunakan adalah 9, 18, 24 dan 36. Inisialisasi bobot awal telah dilakukan oleh fungsi di atas newff dan
fungsi aktivasi adalah sigmoid biner fungsi Matlab menggunakan Logsig.
Penggunaan sigmoid biner sesuai untuk pengenala n dengan selang berada antara 0 dan 1. Dilihat secara matematis, sigmoid biner jauh lebih cepat dibanding dengan
sigmoid bipolar karena operasi yang dilakukan jauh lebih sedikit. Fungsi
pelatihan menggunakan fungsi traincgp. pada penelitian, fungsi traincgp
memiliki waktu pelatihan tercepat dibanding fungsi lainya. Target menggunakan nilai 1 untuk yang sesuai dan 0 untuk yang tidak sesuai
dengan jenis kayu. Toleransi galat mse yang digunakan adalah 1e-7 dan 1e-12. Laju pembelajaran adalah 0.1. Jumlah epoc h maksimal adalah 2800. Perintah
Matlab secara lengkap untuk pembangunan jaringan sampai pelatihan dapat dilihat pada Lampiran 3.
Selanjutnya dilakukan pengujian simulasi pada jaringan yang sudah dilatih, dengan menggunakan perintah Matlab sebagai berikut :
hasil = sim net1train, uji;
4.2 Pembuat Keputusan
Kategori