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.

3.2 Pengujian

Pada jaringan BPNN yang telah dilatih akan dilakukan pengujian untuk menentukan hasil identifikasi dari iris mata yang diujikan. Pada pengujian ini menggunakan lapisan input sebanyak 49 unit neuron, lapisan tersembunyi sebanyak 120 unit neuron, lapisan output sebanyak 4 unit neuron dengan laju pemahaman 0.01, 0.05 dan 0.09, momentum 0.8, dan perhitungan error menggunakan MSE. Penggunaan laju pemahaman yang berbeda bertujuan untuk melihat perbedaan output yang dihasikan. Berdasarkan Tabel 2 dan Tabel 3, untuk hasil Tabel 2 didapatkan hasil persentase kemiripan yang tinggi dan dapat mengidentifikasi iris mata yang diujikan, karena iris mata pada Tabel 2 telah dilakukan pelatihan BPNN terlebih dahulu dibandingkan dengan Tabel 3 yang tidak ikut dalam pelatihan BPNN, dari iris mata yang tidak ikut pelatihan BPNN dapat disimpulkan bahwa jaringan BPNN yang telah dilatih dengan laju pemahaman yang berbeda dapat mengidentifikasi dari iris mata yang diujikan, namun untuk nilai persentase kemiripan yang rendah mengakibatkan iris mata yang diujikan tidak dikenali, jika diberikan perbedaan nilai laju pemahaman yang terlalu tinggi. Tabel 2. Hasil pengujian dengan 4 contoh iris mata yang ikut pelatihan BPNN File Pengujian Laju pemahaman Persentase kemiripan Identifikasi iris mata Mata1.jpg 0.01 98.6 Normal 0.05 97.1 Normal 0.09 96.2 Normal Mata 10.jpg 0.01 97.5 Gejala kolesterol 0.05 98.0 Gejala kolesterol 0.09 95.4 Gejala kolesterol Mata 13.jpg 0.01 98.2 Kolesterol sub- akut 0.05 96.7 Kolesterol sub- akut 0.09 97.4 Kolesterol sub- akut Mata 19.jpg 0.01 97.5 Kolesterol akut 0.05 98.0 Kolesterol akut 0.09 97.5 Kolesterol akut Tabel 3. Hasil pengujian dengan 4 contoh iris mata yang tidak ikut pelatihan BPNN File Pengujian Laju pemahaman Persentase kemiripan Identifikasi iris mata Uji ke-1.jpg 0.01 88.2 Kolesterol sub- akut 0.05 98.8 Kolesterol sub- akut 0.09 68.0 Kolesterol sub- akut Uji ke-2.jpg 0.01 100 Normal 0.05 100 Normal 0.09 98 Normal Uji ke-3.jpg 0.01 ? Tidak dikenali 0.05 54 Gejala kolesterol 0.09 ? Tidak dikenali Uji ke- 0.01 98.0 Kolesterol akut 280 Seminar dan Call For Paper Munas Aptikom Politeknik Telkom Bandung, 9 Oktober 2010 19.jpg 0.05 99.9 Kolesterol akut 0.09 87.9 Kolesterol akut

4. KESIMPULAN

Telah dihasilkan aplikasi perangkat lunak yang dapat digunakan untuk identifikasi kolesterol pada iris mata, dengan parameter-parameter yang digunakan untuk proses pelatihan BPNN sangat mempengaruhi keberhasilan dalam mengidentifikasi iris mata yang akan diujikan, antara lain banyaknya neuron pada lapisan tersembunyi, bobot awal yang diberi nilai random. Hasil pada waktu dilakukan pengujian untuk tabel 3 dengan nilai persentase kemiripan yang rendah mengakibatkan iris mata yang diujikan tidak dikenali, jika diberikan perbedaan nilai laju pemahaman yang terlalu tinggi, dan pada pengujian dengan laju pemahaman 0.05 didapatkan nilai persentase kemiripan mencapai 100. Kelebihan pada aplikasi ini diharapkan dapat membantu ahli iridologi untuk melakukan identifikasi gangguan kolesterol dengan cara yang aman, dan mudah karena hanya memerlukan gambar iris mata dari orang yang akan diperiksa. Kelemahan pada aplikasi ini antara lain untuk keakuratan dalam mengidentifikasi iris mata normal, gejala kolesterol, kolesterol sub-akut dan kolesterol akut dipengaruhi oleh proses seleksi untuk pengambilan iris mata pada waktu pengujian, dan kualitas citra iris mata yang akan diujikan. DAFTAR PUSTAKA [1] Ali, Jafar M.H dan Hassanien, Aboul Ella, An Iris Recognition System to Enhance E- Security Environment Based on Wavelet Theory, AMO-Advanced Modeling and Optimazion, Vol. 5, No. 2, 2003. http:www.biometricscatalog.orgdocuments 2ff6bd5a-8a16-440a-9386-1ce7cb32f3f2.pdf di akses pada tanggal 11 Januari 2008. [2] Basuki, Achmad dkk, 2005, “Pengolahan Citra Digital”, Yogyakarta : Graha Ilmu. [3] Hiru, Karkyadno danan, 2005, ”Iridologi Mendeteksi Penyakit Hanya Dengan Mengintip Mata”, Jakarta : Gramedia Pustaka Utama. [4] Munir, Rinaldi, 2004, ”Pengolahan Citra Digital dengan Pendekatan Algoritmik”, Bandung : INFORMATIKA. [5] Oktavia, Nur Yusuf dkk, 2002, ”Aplikasi Jaringan Syaraf Tiruan Untuk Pengenalan Huruf Pada Pengolahan Citra Berbasis Web”, Skripsi : PENS-ITS. [6] Siang, JJ, 2005, ”Jaringan Syaraf Tiruan Pemrogramannya Menggunakan Matlab”, Yogyakarta : ANDI. [7] Su’udi, Ahmad Indah S.Y, 2006, ”Menjadi Dokter Muslim Metode : Ilahiyah, Alamiah Dan Ilmiah”, Java Pustaka Media Utama, Surabaya. [8] Wildes, Richard P, Iris Recognition: An Emerging Biometric Technologi, Proceeding of the IEEE, Vol. 5, No 9, 9 September 1997. http:www.paper.edu.cnpersonluosiwei2.p df di akses pada tanggal 12 Januari 2008. [9] Zainal, Amdan, 2002, “AplikasiNeural Network Pada Pengenalan Pola Tanda Tangan”, Skripsi: PENS-ITS