3.4 Flowchart Training Perceptron dan Backpropagation
Pada bagian ini, input training adalah geometri dasar daun dari proses ekstraksi fitur. Kemudian dilakukan inisialisasi bobot awal set weight dengan data
transpose dari input training. Kemudian masuk ke dalam proses pembelajaran atau training untuk mendapatkan bobot weight yang sesuai. Proses akhir
menyimpan bobot awal dan bobot akhir yang akan digunakan untuk proses pengenalan. Flowchart untuk training perceptron ini dapat dilihat pada gambar
3.8:
Gambar 3.8. Flowchart pelatihan daun training perceptron
Training NN
Input NN Set weight = transpose
dari input Y_in =
∑x
i
w
i
Stop Save weight awal
dan akhir Y_in=target
Ya Tidak
New weight = w
i
= w
i
+ ∆w
i
Universitas Sumatera Utara
Sedangkan 3.9:
untuk training backpropagation ditunjukkan pada flowchart gambar
Training NN
Input NN Set weight = transpose
dari input Y_in =
∑x
i
w
i
z_in
j
= v
0 j
+
∑
= n
i ij
i
v x
1 fungsi aktivasi untuk menghitung
sinyal output-nya: z
j
= fz_in
j
y_in
k
= w
0 k
+
∑
= p
i jk
i
w z
1
fungsi aktivasi untuk menghitung sinyal output-nya= y
k
= fy_in
k
hitung informasi error-nya: δ
k
= t
k
-y
k
f’y_in
k
hitung koreksi bobot untuk memperbaiki nilai w
jk
; ∆w
jk
=α δ
k
z
j
hitung koreksi bias untuk memperbaiki nilai w
0k
: ∆w
0k
=α δ
k
1 2
Universitas Sumatera Utara
Gambar 3.9. Flowchart pelatihan daun training backpropagation
Stop errortarget error
Save weight awal dan akhir
menjumlahkan delta input-nya δ_in
j
=
∑
= m
k jk
k
w
1
δ
hitung informasi error-nya: δ
j
= δ_ in
j
f’z_in
j
hitung koreksi bobot untuk memperbaiki nilai v
ij
; ∆v
jk
=α δ
j
x
i
hitung koreksi bias untuk memperbaiki nilai v
0j
: ∆v
0j
=α δ
j
memperbaiki bias dan bobotnya w
jk
baru=w
jk
lama+ ∆w
jk
memperbaiki bias dan bobotnya v
ij
baru= v
ij
lama+ ∆ v
ij
Ya Tidak
1
2
Universitas Sumatera Utara
3.5 Flowchart Recognition Perceptron dan Backpropagation
Proses pertama yang dilakukan adalah mengambil load dan menentukan target pelatihan training yang disimpan dari database. Input NN diperoleh dari
ekstraksi geometri dasar daun. Kemudian mengambil load data bobot weight awal dan akhir database dan memasukkan nilai bobot ke dalam variabel bobot
untuk proses pengenalan recognition. Setelah mendapatkan nilai aktivasinya, dicari hasil output find output dan dibandingkan hasilnya dengan
membandingkan target yang sudah disimpan di dalam database. Flowchart untuk recognition perceptron ini disajikan pada gambar 3.10:
Gambar 3.10. Flowchart untuk pengenalan daun recognition perceptron
Recognition NN
Input NN Load Set weight
Y_in = ∑x
i
w
i
Stop
Compare output dengan data yang menjadi target
Display result
Load set target
Find Output
Universitas Sumatera Utara
Sedangkan flowchart untuk recognition backpropagation ditunjukkan pada
gambar 3.11:
Gambar 3.8. Flowchart untuk pengenalan daun recognition backpropagation
Recognition NN
Input NN Load Set weight
Stop
Compare output dengan data yang menjadi target
Display result
Load set target
Find Output z_in
j
= v
0 j
+
∑
= n
i ij
i
v x
1 fungsi aktivasi untuk menghitung
sinyal output-nya= z
j
= fz_in
j
y_in
k
= w
0 k
+
∑
= p
i jk
i
w z
1
fungsi aktivasi untuk menghitung sinyal output-nya= y
k
= fy_in
k
Universitas Sumatera Utara
3.6 Perencanaan User Interface
Kategori