30
diperoleh dari transformasi log1R nilai reflektan NIR buah mangga. Tahap selanjutnya dilakukan normalisasi 0-1 data absorban dan analisis komponen utama Principal Component analysis
analisis tersebut dilakukan dengan program MINITAB R-15. Principal Component analysis PCA menghasilkan variabel baru dengan jumlah yang lebih
sedikit namun tidak menghilangkan informasi yang ada pada variabel awal. Dalam model JST, data spektra akan digunakan sebagai variabel input berjumlah 1500 data setiap sampelnya. Jumlah data
yang sangat banyak dapat menyulitkan kinerja JST sehingga diperlukan variabel baru hasil PCA yang mewakili variabel sebelumnya.
Pelatihan yang dilakukan dalam penelitian ini, dilakukan secara berkelompok batch training. Dalam pelatian berkelompok ini, semua data masukan PC dan target TPT dan kekerasan harus
disusun sebagai matriks. Dalam jaringan syaraf tiruan semua data untuk pendugaan dikelompokkan menjadi 2 set data, yaitu data pelatihan dan data pengujian. Kedua set data tersebut disusun dalam dua
buah matriks yang berbeda. Diagram alir persiapan data dapat dillihat pada Lampiran 12.
3.5.2 Inisialisasi Jaringan
Arsitektur yang digunakan adalah jaringan syaraf tiruan lapis jamak dengan satu hidden layer. Siang 2009, menyatakan bahwa jaringan dengan sebuah hidden layer sudah cukup bagi jaringan
untuk mengenali sembarang perkawanan antara masukan dan target. Jumlah neuron pada lapisan input adalah jumlah PC, dengan jumlah minimal neuron pada lapisan tersembunyi dihitung menggunakan
Persamaan 39 Cheng-Lin, Y. et al. 2001 di dalam Mastur et al. 2005. Jumlah neuron pada lapisan output adalah satu, dimana neuron tersebut mewakili TPT atau kekerasan. Skematik jaringan syaraf
tiruan yang digunakan dalam penelitian ini dapat dilihat pada Gambar 18. Algoritma pembelajaran yang digunakan adalah resilient backpropagation yang merupakan
modifikasi dari backpropagation. Dalam melakukan pelatihan, jaringan syaraf tiruan diberikan data masukan dan data target atau supervised learning.
Gambar 18. Skematik jaringan syaraf tiruan untuk menduga TPT dan kekerasan Pengembangan jaringan syaraf tiruan tersebut dilakukan dengan menggunakan program
MATLAB version 7.7.0.471 R2008b. Langkah pertama pembangunan sebuah jaringan syaraf tiruan backpropagation dengan menggunakan Matlab adalah membuat inisiasi jaringan. Perintah yang
digunakan untuk membentuk jaringan backpropagation adalah “newff” dengan sebagai berikut:
net = newffPR,[S1 S2...Si],{TF1 TF2...Tfi},BTF,BLF,PF;
I
1
I
2
In
H
1
H
2
Hn
O
TPT atau Kekerasan
Hidden Layer Input Layer
Output Layer
PC
1 1
31
dimana : net
= jaringan backpropagation yang terdiri dari n lapisan PR
= matriks ordo Rx2 yang berisi nilai minimum dan maksimum R buah elemen masukan
Si 1,2,...,n = jumlah unit pada lapisan ke-I I = 1,2,...n Tfi I = 1,2,...n = fungsi aktivasi yang dipakai pada lapisan ke-i. Default = tansig
BTF = fungsi pelatihan jaringan. Default = traingdx
BLF = fungsi perubahan bobotbias. Default = learngdm
PF = fungsi perhitungan error. Default = mse
Dengan menggunakan perintah tersebut maka terbentuk jaringan dengan nama “net”. Fungsi aktivasi yang dipakai adalah sigmoid bipolar dalam Matlab dinyatakan sebagai
“tansig”, sigmoid biner dalam Matlab dinyatakan sebagai
“logsig”, dan identitas dalam Matlab dinyatakan sebagai “pureline”.
Pelatihan yang dilakukan dalam Matlab dapat menggunakan berbagai fungsi, semuanya bertujuan untuk mempercepat pelatihan. Fungsi default yang dipakai Matlab adalah “traingdx”. Dalam
penelitian ini digunakan fungsi resilient backpropagation dalam Matlab dinyatakan sebagai “trainrp”. Hal ini dilakukan karena pada metode standar backpropagation seringkali terlalu lambat
dalam pelatihannya. Dalam backpropagation, perhitungan ujuk kerja dilakukan berdasarkan kuadrat
rata-rata kesalahan MSE.
3.5.3 Inisialisasi Bobot
