3.1.3 Fase Pengujian Jaringan Saraf Tiruan Propagasi Balik
Fase pengujian dilakukan melalui dua tahap, yaitu pengujian terhadapa data yang dilatihkan dan pengujian terhadap data baru yang belum pernah dilatihkan.Ketika
jaringan diuji dengan menggunakan data pelatihan, yang diuji adalah kemampuan memorisasi jaringan ingatan jaringan, sebab kasus-kasus yang dimasukkan telah
dipelajari sebelumnya.Fase pengujian hanya menggunakan tahap umpan maju yang dipakai untuk mencari nilai keluaran lapisan tersembunyi dan lapisan
keluaran. Hasil dari proses pengujian ini juga akan berbentuk matriks dengan ukuran yang sama dengan matriks target yang pernah dilatihkan. Pada sistem
jaringan saraf tiruan ini, hasil pengujian telah dipolakan pada suatu kondisi tertentu. Jika hasil keluaran kurang dari 0,5 maka dianggap memiliki keluaran 0
dan jika hasil keluaran lebih besar atau sama dengan 0,5 dianggap memiliki output 1.
3.2 Perancang Sistem
Perancangan memiliki tujuan untuk menentukan kondisi akhir yang diharapkan dari perangkat lunak yang akan dibangun dan merumuskan cara yang harus
dilakukan untuk memperoleh hasil tersebut. Pada perangkat lunak pengenalan karakter pada plat nomor kendaraan bermotor dengan menggunakan sistem saraf
tiruan metode propagasi balik, tahap perancangan yang dilakukan mencakup perancangan arsitektur jaringan, perancangan dat flow diagram, kamus data,
perancangan antarmuka dan perancangan procedural.
3.2.1 Perancangan Arsitektur Jaringan
Jaringan yang akan dirancang dalam penelitian ini adalah jaringan propagasi balik backpropagation. Arsitektur jaringan saraf tiruan terdiri dari lapisan input input
layer, lapisan tersembunyi hidden layer dan lapisan output output layer. Rancangan arsitektur jaringan saraf tiruan yang digunakan pada penelitian ini
dapat dilihat pada Gambar 3.10.
Universitas Sumatera Utara
\
Gambar 3.5 Arsitektur jaringan saraf tiruan propagasi balik
Berdasarkan gambar 3.5 tersebut maka rincian rancangan arsitektur jaringan saraf tiruan yang digunakan adalah:
1. Lapisan input 1 buah. Lapisan input terdiri dari neuron-neuron atau unit-
unit input, mulai dari input 1 sampai unit input n di mana n = 26. 2.
Lapisan tersembunyi 2 buah. Lapisan tersembunyi terdiri dari unit-unit tersembunyi mulai dari unit tersembunyi 1 sampai unit tersembunyi p di
mana p = 36, 56,dan 64. 3.
Lapisan output 1 buah. Lapisan output terdiri dari unit-unit output mulai dari unit output 1 sampai unit output m di mana m = 36.
4. x
1
hingga x
56
merupakan unit-unit lapisan input, y
1
hingga y
36
merupakan unit-unit lapisan output dari z
1
sampai z
p
merupakan unit-unit lapisan tersembunyi.
5. b
1
merupakan bias ke layer tersembunyi dan b
2
merupakan bias ke lapis keluaran.
6. V
0j
dan w
ok
masing-masing adalah bobot bias untuk unit tersembunyi ke-j dan unit output ke-k, v
ij
adalah bobot koneksi antara unit ke-I lapisan input dengan unit ke-j lapisan tersembunyi dengan unit ke-k lapisan output.
Z1
Z2 Zp
X2 X1
X3
6
Y1 Y2
Y36
Z2
Z1 Zp
Universitas Sumatera Utara
Fungsi aktivasi yang akan digunakan dalam penelitian ini yaitu fungsi sigmoid biner logsig dan nilai minimal error SSE yang ingin dicapai yaitu 0,001. Laju
pembelajaran yang digunakan 0,01 sampai 0,9 dan nilai momentum yang digunakan 0,95 . Maksimum iterasi yang diberikan kepada sistem sebesar 50000
epoch. Vektor output dan target keluaran jaringan yang dirancang dapat dilihat pada table 3.1.
Tabel 3.1 Vektor Output dan Target Keluaran Jaringan
Vektor Output Target
10000000000000000000000000000000000 01000000000000000000000000000000000
1 00100000000000000000000000000000000
2 00010000000000000000000000000000000
3 00001000000000000000000000000000000
4 00000100000000000000000000000000000
5 00000010000000000000000000000000000
6 00000001000000000000000000000000000
7 00000000100000000000000000000000000
8 00000000010000000000000000000000000
9 00000000001000000000000000000000000
A 00000000000100000000000000000000000
B 00000000000010000000000000000000000
C 00000000000001000000000000000000000
D 00000000000000100000000000000000000
E 00000000000000010000000000000000000
F 00000000000000001000000000000000000
G 00000000000000000100000000000000000
H 00000000000000000010000000000000000
I 00000000000000000001000000000000000
J 00000000000000000000100000000000000
K 00000000000000000000010000000000000
L
Universitas Sumatera Utara
Tabel 3.1 Vektor Output dan Target Keluaran Jaringan lanjutan
00000000000000000000001000000000000 M
00000000000000000000000100000000000 N
00000000000000000000000010000000000 O
00000000000000000000000001000000000 P
00000000000000000000000000100000000 Q
00000000000000000000000000010000000 R
00000000000000000000000000001000000 S
00000000000000000000000000000100000 T
00000000000000000000000000000010000 U
00000000000000000000000000000001000 V
00000000000000000000000000000000100 W
00000000000000000000000000000000010 X
00000000000000000000000000000000001 Y
00000000000000000000000000000000000 Z
3.2.5.2 Proses Pelatihan Jaringan Saraf Tiruan propagasi Balik
Pelatihan dilakukan dengan menggunakan data pelatihan yang diperoleh dari hasil pengolahan citra yang disimpan di dalam database. Pada database data pelatihan
terdapat pola input dan target keluaran yang diharapkan untuk jaringan. Adapun flowchart dari pelatihan JST propagasi balik dapat dilihat pada gambar 3.21.
Mula-mula dilakukan inisialisasi bobot jaringan dengan menggunakan inisialisasi Nguyen Widrow persamaan 2.25-2.28. Tentukan berapa nilai laju
pembelajaran dan momentum yang akan digunakan. Setelah dilakukan inisialisasi maka proses selanjutnya adalah menghitung
setiap nilai keluaran yang dihasilkan di setiap unit lapis tersembunyi dan unit lapis keluaran persamaan 2.152.16. Kemudian hitung nilai factor kesalahan yang
terdapat pada unit keluaran ᵟ
k
dan unit tersembunyi ᵟ
j
. Dengan menggunakan factor kesalahan tersebut hitung koreksi bobot dan bias ΔW
kj
dan ΔW
k0
antara
Universitas Sumatera Utara
lapisan tersembunyi dengan lapisan output dari koreksi bobot dan bias Δv
ji
dan ΔV
j0
antara lapisan input dan lapisan tersembunyi persamaan 2.16-2.21. Selanjutnya dilakukan pembaharuan bobot dengan menggunakan nilai koreksi
bobot tersebut persamaan 2.23 dan2.24. Langkah ini terus dilakukan selama nilai error yang dihasilkan masih lebih besar dari batasan error yang diberikan
dan iterasi yang dilakukan sistem belum mencapai nilai dari maksimum iterasi yang diberikan.
Gambar 3.6 Flowchart pelatihan JST Propagasi Balik
mulai
Inisialisasi bobot,learning rate, target, momentum dan
epoch Hitung nilai keluaran di Zi
Hitung nilai keluaran di Yk
Hitung nilai kesalahan di unit keluaran dan perubahan
bobot W Hitung nilai kesalahan diunit
tersembunyi dan perubahan bobot V
Perubahan bobot Hitung nilai error
Error toleransi and iterasi epoch
Output bobot pelatihan
berhenti
Universitas Sumatera Utara
3.2.5.3 Proses pengujian Jaringan Saraf Tiruan Propagasi Balik
Pada pengujian JST propagasi balik hanya digunakan tahap umpan maju.Adapun flowchart pengujian yang dilakukan dapat dilihat pada gambar 3.22. Pengujian
kemampuan jaringan untuk mengenali pola dilakukan dengan memberikan input nilai numerik hasil pengolahan citra. Bobot yang digunakan merupakan bobot
hasil pelatihan.Kemudian dihitung setiap nilai keluaran yang ada di unit tersembunyi dan dilanjutkan dengan menghitung nilai keluaran di unit keluaran
persamaan 2.15 dan 2.16. Hasil dari unit keluaran dibandingkan akan lebih besar dari 0,5, jika ia maka
nilai unit tersebut di ubah menjadi 1, dan sebaliknya diubah menjadi 0. Selanjutnya nilai-nilai dari keluaran tersebut dibandingkan dengan nilai karakter
yang ada. Selanjutnya sistem akan menampilkan karakter yang berhasil dikenali.
N Y
Y
Gambar 3.7 flowchart pengujian JST propagasi balik
Mulai
Input Nilai Numerik, bobot pelatihan
Hitung Nilai Keluaran di Unit Tersembunyi Z
j
Hitung Nilai Keluaran di Unit Keluaran Y
k
Nilai Keluaran Y
k
0.5
Pencocokan Karakter
Output karakter yang dikenali
Selesai Output Nilai
Keluaran = 0 Output Nilai
Keluaran = 1
Universitas Sumatera Utara
Keterangan Gambar 3.7: 1.
Mula – mula konversi citra uji kedalam data numerik. 2.
Data numerik mengirim signal ke lapisan tersembunyi untuk menghitung nilai keluaran di unit tersembunyi Zi.
3. Nilai keluaran tersebut mengirim signal ke unit keluaran dan menghitung
nilai keluaran pada Yk. 4.
Karena bobot yang digunakan bilangan acak antara 0 sampai 1, kemungkinan nilai keluaran adalah bilangan pecahan. Maka kita lakukan
konversi ke vektor biner dengan menetapkan angka batas. Yaitu 0,5. Jika nilai keluaran di Yk 0,5 maka nilai akan diubah menjadi 1. Jika angka
pada keluaran Yk 0,5 maka angka diubah menjadi 0. 5.
Vektor keluaran yang dihasilkan akan menghasilkan pola karakter yang akan dibandingkan dengan pola data yang dijadikan input.
6. Pola yang paling mendekati akan dikenali sebagai karakter sesuai pola
tersebut
Universitas Sumatera Utara
BAB IV HASIL DAN PENGUJIAN
Setelah memalui proses perancangan, selanjutnya akan dikembangkan ketahap implementasi dan pengujian sistem. Untuk mengetahui apakah implementasi
apakah sistem berhasil melakukan pembacaan pola atau tidak.
4.1 Pembuatan Sistem
Proses pembacaan karakter dilakukan secara 2 tahap, yaitu proses pembelajaran karakter learning dan proses pengenalan karakter mapping.
4.1.1 Proses Pembelajaran Karakter
Proses yang harus dilakukan untuk pembelajaran 36 karakter yaitu antara lain : 1.
Pengambilan gambar Untuk proses pembelajaran, pengambilan gambarnya hanya load gambar dari file
yang sudah ada. 2.
Proses thresholding Agar dapat dilakukan segmentasi karakter, maka harus dilakukan thresholding.
Sehingga nilai dari gambar menjadi 0 hitam dan 1putih 3.
Segmentasi karakter Pertama, mendeteksi warna putih pada setiap barisnya. Pendeteksian warna putih
yang pertama ditentukan sebagai awal pemotongan, dan jika sudah tidak dideteksi warna putih lagi maka ditentukan sebagai akhir pemotongan. Berikut pendeteksian
disajikan dalam fungsi program.
Universitas Sumatera Utara