26 Δ
= � � ; = , , … , ; = , , … , � 2.22
Langkah 7: Hitung penjumlahan
�_
j
pada unit tersembunyi =
1,2,…,� dengan menggunakan persamaan 2.23. Hitung faktor
� pada unit tersembunyi menggunakan persamaan 2.24. Kemudian hitung suku perubahan bobot
yang akan digunakan untuk memperoleh nilai bobot
yang baru dengan menggunakan persamaan 2.25. �_
j
= ∑ �
k kj m
k=
2.23 �
= �_
′ _ =
�_ 1
− 2.24
� = � � ;
= 1,2,…,� ; = 0,1,…,
2.25
Fase III: Perubahan Bobot
Langkah 8: Hitung semua perubahan bobot.
Perubahan bobot pada unit keluaran ditunjukkan pada persamaan 2.26. � =
+ Δ
; =1,2,…, ; =0,1,…,�
2.26 Perubahan bobot pada unit tersembunyi ditunjukkan pada persamaan 2.27.
� = +
Δ ; j=1,2,
…,� ; =1,2,…, 2.27
Setelah pelatihan jaringan selesai dilakukan, maka pengenalan pola dapat dilakukan. Pada pelatihan backpropagation, nilai output jaringan hanya diperoleh pada
fase propagasi maju langkah 4 dan 5. Fungsi aktivasi yang dipakai adalah fungsi sigmoid biner. Apabila dilakukan penggantian fungsi aktivasi, maka persamaan 2.18
dan persamaan 2.20 harus disesuaikan. Penggantian fungsi aktivasi akan mempengaruhi output
yang akan dihasilkan, oleh karena itu langkah selanjutnya langkah 6 dan langkah 7 harus disesuaikan.
2.7. Penelitian Terdahulu
Penelitian tentang identifikasi kayu sudah dilakukan oleh peneliti terdahulu dengan menggunakan berbagai metode. Pada tahun 2014, Mohan S. melakukan penelitian
untuk identifikasi kayu di India. Citra kayu diambil dengan menggunakan kamera dijital dengan resolusi tinggi. Citra yang diambil adalah permukaan luar kulit kayu. Penelitian
ini menggunakan metode ekstraksi fitur Grey Level Co-Occurrence Matrix dalam
Universitas Sumatera Utara
27
mendapatkan ciri citra kayu. Fitur GLCM yang digunakan yaitu entropy, standard deviation
dan correlation. Teknik klasifikasi yang digunakan adalah metode korelasi. Hasil percobaan menunjukkan tingkat akurasi sebesar 95.
Penelitian yang dilakukan oleh Risaldi et al. 2014 adalah klasifikasi kualitas kayu kelapa dengan menggunakan metode ekstraksi fitur GLCM untuk ekstraksi ciri
citra kayu kelapa dan klasifikasi data dengan menggunakan backpropagation dan libSVM. Parameter yang menentukan kualitas kayu kelapa yaitu berupa kelurusan serat
kayu dan kepadatan serat kayu. Hasil penelitian didapatkan bahwa backpropagation memiliki akurasi yang lebih tinggi dari libSVM dalam klasifikasi kualitas kayu kelapa.
Penelitian lain yaitu klasifikasi spesies kayu tropis dengan metode Kohonen self- organizing map
yang digunakan untuk mengklasifikasi kayu. Citra kayu diekstraksi dengan menggunakan teknik ekstraksi fitur yaitu Grey Level Aura Matrix BGLAM
dan Statistical Properties of Pores Distribution SPPD. BGLAM menghasilkan fitur sebanyak 157 buah dan SPPD sebanyak 21 buah. Jumlah cluster KSOM adalah
sebanyak 61 cluster dan memiliki jumlah cluster yang tumpang tindih yang bervariasi untuk setiap map. Hasil penelitian ini adalah penggunaan map dengan ukuran 23x23
dapat menghasilkan cluster tumpang tindih dengan jumlah yang paling rendah yaitu sebanyak 11 buah Ahmad Yusof, 2013.
Gunawan et al. 2011 melakukan penelitian identifikasi kayu dengan tujuan untuk mengembangkan sebuah sistem yang dapat mengklasifikasikan empat jenis kayu
yang diperdagangkan di Indonesia. Identifikasi kayu dilakukan dengan menggunakan citra mikroskopis kayu. Citra diambil dengan menggunakan kamera mikroskopis.
Metode yang digunakan untuk klasifikasi citra kayu adalah support vector machine. Sedangkan metode untuk ekstraksi fitur citra yaitu two-dimensional principal
component analysis 2D-PCA. Pada metode klasifikasi dengan SVM, digunakan dua
buah kernel yaitu kernel RBF radial basis function dan kernel Polinomial. Penelitian ini berhasil mencapai akurasi 95.85 dalam mengidentifikasi kayu dengan
menggunakan kernel Polinomial. Penelitian terdahulu yang telah dipaparkan akan diuraikan secara singkat pada
Tabel 2.1.
Universitas Sumatera Utara
28
Tabel 2.1. Penelitian terdahulu
Perbedaan penelitian yang dilakukan dengan penelitian terdahulu adalah pada penelitian ini, identifikasi jenis kayu dilakukan dengan menggunakan metode grey level
co-occurrence matrix GLCM sebagai metode ekstraksi fitur dan metode jaringan saraf
tiruan backpropagation sebagai metode klasifikasi. Penelitian ini juga menggunakan metode normalisasi decimal scaling untuk menormalisasi data hasil ekstraksi fitur
GLCM sebelum masuk ke tahap klasifikasi dengan menggunakan backpropagation.
No Peneliti
Tahun Metode
Akurasi Ekstraksi Fitur
Klasifikasi 1
Mohan, S., K. Venkatachalapathy
P. Sudhakar 2014 Grey Level Co-
Occurrence Matrix
Metode Korelasi 95
2 Moh.Risaldi,
Purwanto, H.
Himawan 2014 Grey Level Co-
Occurrence Matrix
Backpropagation 81,76
3 Azlin Ahmad
Rubiyah Yusof 2013
Basic Grey Level Aura Matrix
Kohonen Self- Organizing Map
-
4
A.A. Gede Rai Gunawan, Sri
Nurdiati Yandra Arkeman 2011
Two- dimensional principal
component analysis 2D-
PCA Support Vector
Machine 95,83
Universitas Sumatera Utara
BAB 1 PENDAHULUAN