Algoritma Pelatihan BPNN CALL FOR PAPER 2010 MUNAS APTIKOM.
Seminar dan Call For Paper Munas Aptikom Politeknik
Telkom Bandung, 9 Oktober 2010
277
4. Tiap - tiap unit output Y
k
k=1,2,3,…,m menerima target pola yang berhubungan
dengan pola input pelatihan, hitung informasi errornya :
δ = T
k
– Y
k
ƒ’Y_in
k
= T
k
- Y
k
Y
k
1- Y
k
untuk T adalah target dan selanjutnya, hitung koreksi bobot yang akan digunakan
untuk memperbaiki nilai : ∆ W
kj
= α δ
k
Z
j
k=1,2,…m ; j=0,1,…p
Hitung juga koreksi bias yang akan digunakan untuk memperbaiki nilai :
∆ W
k0
= α δ
k
Kemudian dikirim ke unit - unit yang terletak pada lapisan bawahnya.
5. Tiap-tiap unit tersembunyi Zj j=1,2,…,p
menjumlahkan delta inputnya dari unit - unit yang ada pada lapisan diatasnya :
δ_in
j
= δ
k
W
kj m
k=1
Kalikan nilai ini dengan turunan dari fungsi aktivasinya untuk menghitung
informasi error : δ
j
= δ_in
j
ƒ’Z_in
j
= δ_in
j
Z
j
1 - Z
j
Kemudian hitung koreksi bobot yang akan digunakan untuk memperbaiki nilai
: ∆V
ji
= α δ
j
X
i
Hitung juga koreksi bias yang akan digunakan untuk memperbaiki nilai
: ∆V
j0
= α δ
j
Fase Modifikasi Bobot
6. Tiap - tiap unit output Y
k
k=1,2,…,m memperbaiki bias dan bobotnya
j=0,1,2,…,p : W
kj
baru = W
kj
lama+ ∆W
kj
Tiap - tiap unit tersembunyi Z
j
j=1,2,…,p memperbaiki bias dan bobotnya
i=0,1,2,…,n : V
ji
baru = V
ji
lama+ ∆V
ji
• Hitung MSE atau SSE.
Setelah pelatihan selesai dilakukan, jaringan dapat digunakan untuk pengujian. Dalam hal ini,
hanya feed forward langkah 1 sampai 3 saja yang dipakai untuk menentukan keluaran jaringan.
2. ANALISIS DAN PERANCANGAN
2.1 Kebutuhan Fungsi
Agar pembangunan sistem ini tidak keluar dari jalur atau rencana yang telah ditetapkan, maka
diperlukan batasan yang jelas sebagai tujuan utamanya. Beberapa kebutuhan sistem yang akan
didefinisikan diantaranya adalah : 1.
Kemampuan untuk memasukan data pelatihan, fungsi dan parameter BPNN.
2. Mempunyai kemampuan untuk melakukan
pengolahan citra dan perhitungan BPNN. 3.
Dapat menampilkan grafik, banyaknya iterasi dan MSE SSE.
4. Mampu melakukan seleksi bagian iris mata.
5. Mampu melakukan identifikasi iris mata
normal, gejala kolesterol, kolesterol sub-akut dan kolesterolakut.
6. Menampilkan persentase kemiripan dari hasil
identifikasi. 2.2
Data Flow Diagram
Pada Gambar 2 merupakan DFD level 1, pada DFD level 1 ini dijelaskan fungsi-fungsi dan arus
data yang mengalir pada sistem. Berikut ini adalah fungsi-fungsi yang terdapat pada aplikasi perangkat
lunak ini:
1. Pengolahan Citra, yaitu proses pengolahan
citra dari data pelatihan dan data pengujian sehingga mengasilkan suatu data numerik
yang nantinya akan diproses oleh BPNN dan proses identifikasi. Pada pengolahan citra
data-data yang dimasukan akan disimpan dalam sebuah file db_pelatihan dan
db_pengujian.
2. BPNN, yaitu proses perhitungan dengan
menggunakan prinsip jaringan syaraf tiruan untuk mendapatkan nilai keluaran atau output
yang digunakan untuk mengidentifikasi iris mata, data yang akan diproses BPNN diambil
dari file db_pelatihan.
3. Identifikasi, yaitu proses pengidentifikasian
iris mata yang datanya diambil dari file db_pengujian, data ini yang akan di ujikan
untuk mengenali iris mata berdasarkan proses pelatihan yang telah dilakukan oleh BPNN.
4. Seleksi, yaitu proses memisahkan iris mata
dengan bagian-bagian yang tidak diperlukan, sebagai masukan pada data pengujian.
278
User
Data_Pengujian Pa
Gambar
Pada peng proses, di
Perubaha Konversi
Citra Iri Pengamb
pixel
Output_Pengujian Output_Pelatihan
arameter_BPNN Fungsi_BPNN
Data_Pelat db_pelat
Data_fu Data_parame
r 2. DFD level
golahan citra iantaranya Gra
an ukuran pixe ke data nume
s mata G angan
S P
B
1. Pengo
Cit
1.2 BPNN
1.4 Seleksi
tihan tihan
Pixel_pelatihan ungsi_BPNN
eter_BPNN Data_pixel_pelatihan
l 1 Aplikasi P akan dilakuka
ayscale, Peng el menjadi 70
erik, seperti pa
Grayscale
Per
eminar dan Politeknik Tel
Bandung, 9 O
1 olahan
tra
1.3 Identifikasi
Dat Net
Net db_pengujia
Pixel_pengujian Data_pixel_p
erangkat Luna an berberapa
gambangan, 0 x 70,
ada Gambar 3
rubahan ukura
Call For Pape lkom
Oktober 2010
ta_Pengujian n
pengujian
ak
an K
G
N m
2.
a
b
3. 3.
a
er Munas Ap Konversi data n
Gambar 3. Pro
Nilai dari data masukan ke dal
.3 Perancang
a. Form BPN
G
b. Form Irido
Ga
. HASIL D
.1 Persiapan
a. Data pela
Data pela sebagai masu
data pelatihan keakuratan p
ptikom numeric
oses pengolaha numerik inila
lam jaringan B
gan Antar M
NN Pelatihan
Gambar 4. For
ologi Penguj
ambar 5. Form
DAN PEMBA Data
tihan atihan yaitu da
ukan untuk pro n adalah untuk
proses penguj an citra
ah yang akan BPNN
uka
n
rm BPNN ian
m Iridologi
AHASAN
ata yang akan oses BPNN. T
k membandin jian berdasar
n dijadikan
n dijadikan Tujuan dari
ngkan nilai rkan hasil
Seminar dan Call For Paper Munas Aptikom Politeknik
Telkom Bandung, 9 Oktober 2010
279
pelatihan, data tersebut terdiri 4 sampel iris mata yaitu iris mata normal, gejala kolesterol,
kolesterol sub-akut, kolesterolakut yang semuanya berupa file gambar. Untuk masing-
masing jenis iris mata terdiri dari 6 iris mata, sehingga keseluruhan data pelatihan sebanyak 24
iris mata data pelatihan.
b. Data pengujian
Data pengujian digunakan untuk menentukan nilai keakuratan BPNN dalam mengidentifikasi
pola iris mata, berdasarkan proses simulasi dari hasil data pelatihan. Data pengujian tersebut
berupa gambar iris mata yang akan diuji klasifikasinya berdasarkan data pelatihan yang
telah dilakukan.