Tabel 3.2 3 Fold Cross Validation
Percobaan Train Validation Test 1
3 1
2 2
1 2
3 3
2 3
1
Tabel 3.3 5 Fold Cross Validation
Percobaan Train Validation Test 1
3,4,5 1
2 2
1,4,5 2
3 3
1,2,5 3
4 4
1,2,3 4
5 5
2,3,4 5
1
Tabel 3.4 10 Fold Cross Validation
Percobaan Train
Validation Test 1
3,4,5,6,7,8,9,10 1
2 2
1,4,5,6,7,8,9,10 2
3 3
1,2,5,6,7,8,9,10 3
4 4
1,2,3,6,7,8,9,10 4
5 5
1,2,3,4,7,8,9,10 5
6 6
1,2,3,4,5,8,9,10 6
7 7
1,2,3,4,5,6,9,10 7
8 8
1,2,3,4,5,6,7,10 8
9 9
1,2,3,4,5,6,7,8 9
10 10
2,3,4,5,6,7,8,9 10
1
Setelah itu data feature yang telah dipilih akan dijadikan sebagai input pada jaringan syaraf tiruan, pada subbab selanjutnya akan dijelaskan mengenai arsitektur
jaringan yang akan digunakan pada saat proses pelatihan dan pengujian.
3.1.4. Jaringan Syaraf Tiruan
Metode klasifikasi jaringan syaraf tiruan propagasi balik 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.
Beberapa nilai parameter yang akan diatur pada jaringan syaraf tiruan propagasi balik :
1. Epochiterasi
2. Hidden layerlapis tersembunyi
3. Fungsi training
3.1.5. Arsitektur Jaringan Syaraf Tiruan
Ada 2 jenis arsitektur jaringan syaraf tiruan yang akan digunakan untuk proses pelatihan dan pengujian, yaitu arsitektur dengan 1 hidden layer dan 2 hidden
layer. Untuk masing-masing arsitektur akan dilakukan percobaan dengan mengkombinasikan beberapa parameter seperti jumlah neuron input yang akan
bervariasi sesuai dengan feature yang dipilih, jumlah neuron pada masing-masing hidden layer serta fungsi training.
Satu hidden layer
x1 x2
x3 x4
xi z1
z2 z3
zj y1
y2 y3
Input Hidden Layer 1
Output
Gambar 3.6 Arsitektur jaringan pelatihan dan pengujian 1 hiddel layer
Pada gambar 3.6, merupakan gambaran arsitektur jaringan dengan 1 hidden layer yang akan digunakan untuk pengujian pemilihan feature yang menghasilkan
nilai akurasi yang baik, yaitu dengan memilih feature mean, variance, min atau max dan atau mengkombinasikan feature-feature tersebut sebagai input pada model
jaringan. Adapun penjelasan mengenai gambar di atas adalah sebagai berikut : 1.
Input x1, x2, x3, ..... xi merupakan lapisan input pada jaringan yang akan mewakili feature terpilih, sesuai dengan tabel 3.1. Sebagai contoh, jika
feature yang dipilih adalah MFCC 13 coefficients dengan nilai statistik mean maka nilai-nilai yang akan mengisi lapisan input jaringan adalah nilai
yang ada pada indeks 1-13 dalam database, sehingga secara otomatis jumlah neuron pada lapisan input berjumlah sebanyak 13, mengikuti jumlah
nilai feature yang dipilih. 2.
Hidden layer 1 z1, z2, z3, ..... zj merupakan lapisan tersembunyi yang digunakan untuk mentransformasikan nilai-nilai input menjadi nilai yang
dapat digunakan pada lapisan output. Jumlah neuron pada lapisan ini secara default sebanyak 10 neuron, karena pada dasarnya arsitektur jaringan
dengan 1 hidden layer digunakan untuk mencari feature yang menghasilkan nilai akurasi paling baik.
3. Output y1, y2, y3 merupakan lapisan output dengan neuron berjumlah 3,
yaitu sebagai target luaran dari jaringan, bernilai antara 0 dan 1. Ada tiga target luaran yaitu 1 0 0, 0 1 0, dan 0 0 1, masing-masing mewakili jenis
burung Cucak Hijau, Cucak Rawa dan Kenari secara berturut-turut.
Gambar 3.7 Contoh model jaringan 1 hidden layer dengan MFCC 13 coefficients dan feature mean
Dua hidden layer
x1 x2
x3 x4
xi z1
z2 z3
zj y1
y2 y3
z1 z2
z3
zk
Input Hidden Layer 1
Hidden Layer 2 Output
Gambar 3.8 Arsitektur jaringan pelatihan dan pengujian 2 hidden layer
Pada gambar 3.7, merupakan gambaran arsitektur jaringan dengan 2 hidden layer yang akan digunakan untuk optimalisasi jaringan yang telah dihasilkan
sebelumnya pada arsitektur jaringan dengan 1 hidden layer. Sama halnya dengan arsitektur jaringan 1 hidden layer, adapun penjelasan mengenai gambar di atas
adalah sebagai berikut : 1.
Input x1, x2, x3, ..... xi merupakan lapisan input pada jaringan yang akan mewakili feature terpilih, sesuai dengan tabel 3.1. Sebagai contoh, jika
feature yang dipilih adalah MFCC 13 coefficients dengan nilai statistik mean maka nilai-nilai yang akan mengisi lapisan input jaringan adalah nilai
yang ada pada indeks 1-13 dalam database, sehingga secara otomatis jumlah neuron pada lapisan input berjumlah sebanyak 13, mengikuti jumlah
nilai feature yang dipilih. 2.
Hidden layer 1 z1, z2, z3, ..... zj merupakan lapisan tersembunyi yang digunakan untuk mentransformasikan nilai-nilai input menjadi nilai yang
dapat digunakan pada lapisan tersembunyi yang kedua. Jumlah neuron pada PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
lapisan ini secara default sebanyak 10 neuron, sesuai dengan tujuan yang dicapai pada arsitektur jaringan dengan 1 hidden layer.
3. Hidden layer 2 z1, z2, z3, ..... zk merupakan lapisan tersembunyi yang
digunakan untuk mentransformasikan nilai-nilai pada lapis tersembunyi yang pertama menjadi nilai yang dapat digunakan pada lapisan output.
Tujuan penggunaan lapisan tersembunyi kedua ini adalah untuk mengetahui nilai akurasi yang dihasilkan, apakah akan bertambah atau berkurang dari
nilai akurasi yang dihasilkan pada penggunaan satu lapis tersembunyi. 4.
Output y1, y2, y3 merupakan lapisan output dengan neuron berjumlah 3, yaitu sebagai target luaran dari jaringan, bernilai antara 0 dan 1. Ada tiga
target luaran yaitu 1 0 0, 0 1 0, dan 0 0 1, masing-masing mewakili jenis burung Cucak Hijau, Cucak Rawa dan Kenari secara berturut-turut.
Gambar 3.9 Contoh model jaringan 2 hidden layer dengan MFCC 13 coefficients dan feature mean
Secara garis besar, kedua gambar di atas merupakan arsitektur jaringan yang akan digunakan selama proses pelatihan model jaringan, dengan rincian sebagai
berikut : 1.
Untuk lapisan input terdiri dari 1 – i neuron, i merupakan jumlah total coefficients yang dipilih sesuai yang tertera pada tabel ekstraksi ciri.
2. Untuk mendapatkan jaringan yang optimal, lapisan hidden layer yang kedua
akan memiliki jumlah neuron yang bervariasi antara 10 – 40, untuk fungsi
transfer yang digunakan adalah tansig tan-sigmoid karena data input telah dilakukan normalisasi dengan mapminmax sehingga memiliki nilai dengan
rentang [-1,1]. PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
3. Mempunyai 3 neuron output dengan fungsi transfer softmax.
3.1.6. Metode Pengujian
