Analisis Masalah Perancangan Antarmuka

Sebagai contoh perhitungan manual, dimisalkan sebuah gambar hasil cropping yang berukuran 277x335 piksel akan diubah menjadi 4x4 piksel. Dalam perubahan dari ukuran asli citra menjadi ukuran 4x4 dilakukan perbandingan rasio tinggi dan lebarnya. Berikut ini contoh perhitungannya. Gambar 3.3 merupakan ukuran citra asli. Gambar 3.3 : Citra Ukuran 277x335 Piksel Ukuran asli: Tinggi = 227 piksel Lebar = 335 piksel Rasio untuk tinggi  227 : 4 = 56.75 Rasio untuk lebar  335 : 4 = 83.75 3. Konversi RGB to Grayscale Tahap preprocessing selanjutnya adalah proses pengubahan citra RGB Red Green Blue menjadi Grayscale. Secara matematis perhitungannya adalah sebagai berikut : , = � , + � , + � , 3 … … … … … … … … … … … … … … 3.1 Gambar 3.4 Perubahan RGB To Grayscale Berikut ini contoh perhitungannya : F 1 x, y = 3 + 52 + 251 3 = 102 F 2 x, y = 13 + 112 + 249 3 = 125 F 3 x, y = 14 + 125 + 249 3 = 129 F 4 x, y = 3 + 107 + 251 3 = 120 F 5 x, y = 9 + 73 + 246 3 = 109 F 6 x, y = 14 + 108 + 249 3 = 124 F 7 x, y = 16 + 113 + 249 3 = 126 F 8 x, y = 18 + 102 + 250 3 = 123 F 9 x, y = 17 + 98 + 236 3 =117 F 10 x, y = 19 + 122 + 240 3 = 127 F 11 x, y = 24 + 135 + 245 3 = 135 F 12 x, y = 26 + 119 + 245 3 = 130 F 13 x, y = 15+ 62 + 209 3 = 95 F 14 x, y = 17 + 88 + 214 3 = 106 F 15 x, y = 26 + 117 +219 3 = 120 F 16 x, y = 27+ 106 + 223 3 = 118 4. Konversi Grayscale ke Citra Biner Proses tresholding yaitu dengan menggunakan nilai ambang T = 128 akan menghasilkan citra biner. Dengan menggunakan rumus pada persamaan 2.6 pengambangan citra Grayscale untuk menghasilkan citra biner adalah sebagai berikut: Gambar 3.5 Proses Thresholding

3.2.2 Proses Pelatihan dan Pengujian Jaringan

Proses Pelatihan merupakan suatu proses iterasi dan pada sistem tertentu akan membutuhkan waktu yang cukup panjang pada proses pelatihan. Selama proses pelatihan, faktor bobot akan mengalami perubahan dan bila tahapan telah selesai maka nilai-nilai faktor bobot akan disimpan. Sedangkan pada proses pengujian, proses dilakukan pada data masukan yang baru yang belum pernah dilatih sebelumnya dan dihitung dengan menggunakan bobot hasil pelatihan yang telah disimpan sebelumnya. Proses pelatihan dan pengujian pada sistem ini dilakukan dengan menggunakan 2 buah metode, yaitu Learning Vector Quantization dan Backpropagation. Berikut ini adalah data yang akan dijadikan sebagai input dari proses Pelatihan dan Pengujian.

1. Pelatihan Learning Vector Quantization

a. Tentukan nilai maksimum perulangan epoch, error minimum, rasio pembelajaran � dan pengurangan rasio. Pada contoh ini digunakan batasan sebagai berikut: Maksimum perulangan = 4 Error minimum = 0,01 Rasio Pelatihan � = 0,05 Pengurangan rasio = 0,1 b. Misalkan disajikan dua buah vector masukan untuk percobaan, seperti terlihat pada Tabel 3.1 Tabel 3.1 Vector Masukan c. Tentukan vector w sebagai bobot awal dan input sisanya sebagai vector x, seperti pada Tabel 3.2 berikut ini: Tabel 3.2 Inisialisasi Bobot Awal w dan Masukan x d. Tahap Pelatihan. Untuk setiap data masukan x dihitung terhadang setiap data bobot w dengan rumus pada persamaan berikut: = − 2 =1 … … … … … … … … … … … … … 3.2 Epoch ke-1: Data ke-1 76, 112, 116, 123, 68, 93, 94, 105, 82, 101, 110, 114, 79, 93, 112, 117 Hitung jarak Cj terhadap bobot awal w, seperti terlihat pada Tabel 3.3: Tabel 3.3 Perhitungan Jarak Cj e. Hitung bobot w baru berdasarkan jarak terkecil dengan persamaan 2.15, seperti telihat pada Tabel 3.4 Tabel 3.4 Perhitungan Bobot Baru Wjbaru = Wjlama + α [x – Wjlama] w1 60+0.0576-60 60.800 w2 98+0.05112-98 98.700 w3 106+0.05116-106 106.500 w4 92+0.05123-92 93.550 w5 74+0.0568-74 73.700 w6 96+0.0593-96 95.850 w7 100+0.0594-100 99.700 w8 94+0.05105-94 94.550 w9 90+0.0582-90 89.600 w10 105+0.05101-105 104.800 w11 114+0.05110-114 113.800 w12 106+0.05114-106 106.400 w13 65+0.0579-65 65.700 w14 81+0.0593-81 81.600 w15 101+0.05112-101 101.550 w16 96+0.05117-96 97.050 Dilakukan perhitungan perubahan nilai rasio dengan rumus: � � = �s � − � � � ∗ � �……………………..3.3 � � = 0.05 – 0.10.05 = 0.045 Epoch ke-2: Data ke-1

76, 112, 116, 123, 68, 93, 94, 105, 82, 101, 110, 114, 79, 93, 112, 117

Hitung jarak Cj terhadap bobot awal w, seperti terlihat pada Tabel 3.5: Tabel 3.5 Perhitungan Jarak Cj X W j baru x-w baru 2 √ � 76 60.800 231.04000 50.06239 112 98.700 176.89000 116 106.500 90.25000 123 93.550 867.30250 68 73.700 32.49000 93 95.850 8.12250 94 99.700 32.49000 105 94.550 109.20250 82 89.600 57.76000 101 104.800 14.44000 110 113.800 14.44000 114 106.400 57.76000 79 65.700 176.89000 93 81.600 129.96000 112 101.550 109.20250 117 97.050 398.00250 Hitung bobot baru berdasarkan jarak terkecil Hitung bobot w baru berdasarkan jarak terkecil dengan rasio � = 0.045 , seperti telihat pada Tabel 3.6 Tabel 3.6 Perhitungan Bobot W j baru Wjbaru = Wjlama + α [x - Wjlama] w1 60.800+0.045[76-60.800] 61.48400 w2 98.700+0.045[112-98.700] 99.29850 w3 106.500+0.045[116-106.500] 106.92750 w4 93.550+0.045[123-93.550] 94.87525 w5 73.700+0.045[68-73.700] 73.44350 w6 95.850+0.045[93-95.800] 95.72175 w7 99.700+0.045[94-99.700] 99.44350 w8 94.550+0.045[105-94.550] 95.02025 w9 89.600+0.045[82-89.600] 89.25800 w10 104.800+0.045[101-104.800] 104.62900 w11 113.800+0.045[110-113.800] 113.62900 w12 106.400+0.045[114-106.400] 106.74200 w13 65.700+0.045[79-65.700] 66.29850 w14 81.600+0.045[93-81.600] 82.11300 w15 101.550+0.045[112-101.550] 102.02025 w16 97.050+0.045[117-97.050] 97.94775 Hitung perubahan nilai rasio, seperti berikut: � � = 0.045−0.10.045 = 0.0405 Epoch ke-3: Data ke-1

76, 112, 116, 123, 68, 93, 94, 105, 82, 101, 110, 114, 79, 93, 112, 117

Hitung jarak Cj terhadap bobot awal w, seperti terlihat pada Tabel 3.7: Tabel 3.7 Perhitungan Jarak Cj X W j lama x-w baru 2 √ � 76 61.48400 210.71426 47.80958 112 99.29850 161.32810 116 106.92750 82.31026 123 94.87525 791.00156 68 73.44350 29.63169 93 95.72175 7.40792 94 99.44350 29.63169 105 95.02025 99.59541 82 89.25800 52.67856 101 104.62900 13.16964 110 113.62900 13.16964 114 106.74200 52.67856 79 66.29850 161.32810 93 82.11300 118.52677 112 102.02025 99.59541 117 97.94775 362.98823 Hitung bobot baru berdasarkan jarak terkecil Hitung bobot w baru berdasarkan jarak terkecil dengan � � = 0.0405 , seperti telihat pada Tabel 3.8 Tabel 3.8 Perhitungan Bobot W j baru Dilakukan perhitungan perubahan nilai rasio, seperti berikut: � = 0.0405−0.10.0405 = 0.03645 Epoch ke-4: Data ke-1

76, 112, 116, 123, 68, 93, 94, 105, 82, 101, 110, 114, 79, 93, 112, 117

Hitung jarak Cj terhadap bobot awal w, seperti terlihat pada Tabel 3.9: Tabel 3.9 Perhitungan Jarak Cj X w baru x-w baru 2 √ � 76 62.0719 193.992 45.87329 112 99.81291 148.5251 116 107.2949 75.77813 123 96.0143 728.2279 68 73.22304 27.28013 93 95.61152 6.82003 94 99.22304 27.28013 105 95.42443 91.69154 Wjbaru = Wjlama + α [x - Wjlama] w1 61.48400+0.0405[76-61.48400] 62.07190 w2 99.29850+0.0405[112-99.29850] 99.81291 w3 106.9750+0.0405[116-106.9750] 107.29494 w4 94.87525+0.0405[123-94.87525] 96.01430 w5 73.44350+0.0405[68-73.44350] 73.22304 w6 95.72175+0.0405[93-95.72175] 95.61152 w7 99.44350+0.0405[94-99.44350] 99.22304 w8 95.02025+0.0405[105-95.02025] 95.42443 w9 89.25800+0.0405[82-89.25800] 88.96405 w10 104.62900+0.0405[101-104.62900] 104.48203 w11 113.62900+0.0405[110-113.62900] 113.48203 w12 106.74200+0.0405[114-106.74200] 107.03595 w13 66.29850+0.0405[79-66.29850] 66.81291 w14 82.11300+0.0405[93-82.11300] 82.55392 w15 102.02025+0.0405[112-102.02025] 102.42443 w16 97.94775+0.0405[117-97.94775] 98.71937 82 88.96405 48.49801 101 104.482 12.1245 110 113.482 12.1245 114 107.036 48.49801 79 66.81291 148.5251 93 82.55392 109.1205 112 102.4244 91.69154 117 98.71937 334.1816 Hitung bobot baru berdasarkan jarak terkecil Hitung bobot w baru berdasarkan jarak terkecil dengan � � = 0.03645 , seperti telihat pada Tabel 3.10 Tabel 3.10 Perhitungan Bobot W j baru Wjbaru = Wjlama + α [x - Wjlama] w1 62.07190+0.03645[76-62.07190] 62.63599 w2 99.81291+0.03645[112-99.81291] 100.30649 w3 107.29494+0.03645[116-107.29494] 107.64749 w4 96.01430+0.03645[123-96.01430] 97.10722 w5 73.22304+0.03645[68-73.22304] 73.01151 w6 95.61152+0.03645[93-95.61152] 95.50575 w7 99.22304+0.03645[94-99.22304] 99.01151 w8 95.42443+0.03645[105-95.42443] 95.81224 w9 88.96405+0.03645[82-88.96405] 88.68201 w10 104.48203+0.03645[101-104.48203] 104.34100 w11 113.48203+0.03645[110-113.48203] 113.34100 w12 107.03595+0.03645[114-107.03595] 107.31799 w13 66.81291+0.03645[79-66.81291] 67.30649 w14 82.55392+0.03645[93-82.55392] 82.97699 w15 102.42443+0.03645[112-102.42443] 102.81224 w16 98.71937+0.03645[1170-98.71937] 99.45973 Dilakukan perhitungan perubahan nilai rasio, seperti berikut: � = 0.03645−0.10.3645 = 0.03281

2. Pengujian Learning Vector Quantization

Proses Pengujian dengan metode Learning Vector Quantization menggunakan rumus yang sama dengan perhitungan bobot pada proses pelatihan. Berikut ini langkah- langkahnya: a. Data pengujian dihitung terhadap setiap data bobot w yang telah dihasilkan pada tahap Pelatihan. Untuk setiap data masukan x dihitung terhadap setiap data bobot w dengan rumus pada persamaan 3.2, seperti pada Tabel 3.11 berikut: Tabel 3.11 Perhitungan Jarak Cj x baru x-w akhir 2 √ � 61 2.67645 45.94815 87 177.06262 90 311.43395 82 228.22819 71 4.04615 90 30.31331 92 49.16121 91 23.15766 82 44.64922 96 69.57234 100 177.98237 95 151.73295 65 5.31989 78 24.77043 83 392.52487 79 418.60063 b. Dilihat jarak Cj terkecil yang diperoleh pada perhitungan terhadap data test. Kelas bobot yang memiliki jarak terkecil menjadi hasil dari proses Pengujian ini. Jarak Cj pelatihan = 45.87329 Jarak Cj data pengujian = 45.94815 Sehingga di peroleh persentasi keasliannya= 45.94815 45.87329 ∗ 100 = 100

3. Proses Pelatihan Backpropagation

Pelatihan dengan metode Backpropagation menggunakan 2 alur perhitungan, yaitu alur maju dan alur mundur. Berikut ini merupakan tahap-tahap perhitungannya. a. Data masukan proses Pelatihan Backpropagation, seperti terlihat pada Tabel 3.12 berikut ini: Tabel 3.12 Data Masukan Gambar Target Vector P1 1 1 1 1 1 1 1 1 1 1 1 1 1 Masukan 1 b. Ubah nilai target kedalam angka biner seperti berikut ini: Tabel 3.13 Target Backpropagation Gambar Target Biner P1 1 1 c. Tentukan nilai maksimum perulangan, error minimum, dan rasio Pelatihan. Pada contoh perhitungan ini digunakan batasan sebagai berikut: Maksimum perulangan = 2 Error minimum = 0,01 Rasio Pelatihan = 0,05 d. Inisialisasikan bobot awal dengan nilai acak antara 0 dan 1. a. Bobot awal masukan ke hidden layer v Tabel 3.14 Bobot Awal v Bobot awal v Nilai v01 0.00000 v1 0.78600 v2 0.48700 v3 0.62300 v4 0.34500 v5 0.45900 v6 0.98700 v7 0.21700 v8 0.38900 v9 0.67800 v10 0.27800 v11 0.76800 v12 0.56400 v13 0.28800 v14 0.98700 v15 0.36700 v16 0.46700 b. Bobot awal hidden ke keluaran w Tabel 3.15 Bobot Awal w w 01 w 11 0.641 e. Perulangan dilakukan selama nilai perulangan maksimal perulangan dan nilai kuadrat error nilai error minimum. Setiap data dilakukan perulangan dilakukan perhitungan seperti pada langkah 5 sampai 8 f. Alur maju: Data ke-1 Epoch-1 Tiap unit masukan dihitung menggunakan nilai bobot. Berikut ini operasi pada hidden layer dengan menggunakan rumus pada persamaan 2.17: 1 = 0 + 0 ∗ 0,786 + 1 ∗ 0.478 + 1 ∗ 0.623 + 1 ∗ 0.345 + 0 ∗ 0.459 + 1 ∗ 0.987 + 1 ∗ 0.217 + 1 ∗ 0.389 + 1 ∗ 0.678 + 1 ∗ 0.278 + 1 ∗ 0.768 + 1 ∗ 0.564 + 0 ∗ 0.288 + 0 ∗ 0.987 + 1 ∗ 0.367 + 1 ∗ 467 = 6.170 Hitung nilai output sesuai dengan persamaan 3.3 dengan menggunakan fungsi aktivasi yang dipilih. = 1 1 + − _ … … … … … … … … … … … … … … … … … … … … … … … … … … … . 3.3 1 = 1 1 + −6.170 = 0.9979 1 Untuk tiap keluaran, jumlahkan bobot sinyal masukannya dengan menggunakan rumus pada persamaan 2.19. y_in 1 = w + z 1 w 1 = 0 + 0.8090.641 = 0.63966 Kemudian hitung nila output dengan menggunakan fungsi aktivasi = 1 1 + − _ … … … … … … … … … … … … … … … … … … … … … … … … … … . 3.4 1 = 1 1 + −0.63966 = 0.65468 g. Alur mundur Hitung faktor unit kesalahan informasinya � : � = � − ∗ 1 1 + − _ ∗ 1 − 1 1 + − _ … … … … … … … … … . . 3.5 � 1 = 1 − 0.65468 ∗ 0.65468 ∗ 1 − 0.65468 = 0.07807 Hitung suku perubahan bobot w Δ jk seperti pada persamaan 2.22 : ∆ 11 = 0.05 ∗ 0.07807 ∗ 0.99791 = 0.00390 Hitung suku perubahan bobot w Δ 0k dengan persamaan 2.23 : ∆ 01 = 0.05 ∗ 0.07807 = 0.00390 Hitung delta input untuk hidden layer dengan persamaan 2.24: � 1 = 0.07807 ∗ 0.641 = 0.05004 Hitung faktor kesalahan unit tersembunyi : � = �_ ∗ 1 1 + − ∗ 1 − 1 1 + − … … … … … … . . 3.6 � 1 = 0.05004 ∗ 0.99791 ∗ 1 − 0.99791 = 0.00010 Hitung suku perubahan bobot v seperti pada persamaan 2.27: ∆ 11 = 0.05 ∗ 0.00010 ∗ 0 = 0 ∆ 21 = 0.05 ∗ 0.00010 ∗ 1 = 0.00010 ∆ 31 = 0.05 ∗ 0.00010 ∗ 1 = 0.00010 ∆ 41 = 0.05 ∗ 0.00010 ∗ 1 = 0.00010 ∆ 51 = 0.05 ∗ 0.00010 ∗ 0 = 0.00000 ∆ 61 = 0.05 ∗ 0.00010 ∗ 1 = 0.00010 ∆ 71 = 0.05 ∗ 0.00010 ∗ 1 = 0.00010 ∆ 81 = 0.05 ∗ 0.00010 ∗ 1 = 0.00010 ∆ 91 = 0.05 ∗ 0.00010 ∗ 1 = 0.00010 ∆ 101 = 0.05 ∗ 0.00010 ∗ 1 = 0.00010 ∆ 111 = 0.05 ∗ 0.00010 ∗ 1 = 0.00010 ∆ 121 = 0.05 ∗ 0.00010 ∗ 1 = 0.00010 ∆ 131 = 0.05 ∗ 0.00010 ∗ 0 = 0.00010 ∆ 141 = 0.05 ∗ 0.00010 ∗ 0 = 0.00010 ∆ 151 = 0.05 ∗ 0.00010 ∗ 1 = 0.00010 ∆ 161 = 0.05 ∗ 0.00010 ∗ 1 = 0.00010 Hitung suku perubahan bobot v 0j dengan menggunakan persamaan 2.26: ∆ = 0.05 ∗ 0.00001 = 0.00001 Hitung bobot w baru dengan persamaan 2.28: 01 = 0 + 0.00390 = 0.00390 11 = 0.641 + 0.00390 = 0.64490 Hitung bobot v baru dengan persamaan 2.29: 01 = 0 + 0.00001 = 0.00001 11 = 0.786 + 0.00043 = 0.78600 21 = 0.487 + 0.00043 = 0.48701 31 = 0.623 + 0.00043 = 0.62301 41 = 0.345 + 0.00043 = 0.34501 51 = 0.459 + 0.00043 = 0.45900 61 = 0.987 + 0.00043 = 0.98701 71 = 0.217 + 0.00043 = 0.21701 81 = 0.389 + 0.00043 = 0.38901 91 = 0.678 + 0.00043 = 0.67801 101 = 0.278 + 0.00043 = 0.27801 111 = 0.786 + 0.00043 = 0.76801 121 = 0.564 + 0.00043 = 0.56401 131 = 0.288 + 0.00043 = 0.28800 141 = 0.987 + 0.00043 = 0.98700 151 = 0.367 + 0.00043 = 0.36701 161 = 0.467 + 0.00043 = 0.46701

4. Proses Pengujian Backpropagation

Proses pengujian merupakan proses dimana komputer mengenali data test dengan menggunakan nilai bobot yang telah diperoleh dari proses pelatihan. Proses pengujian merupakan proses dimana komputer mengenali data test dengan menggunakan nilai bobot yang telah diperoleh dari proses pelatihan. Berikut ini langkah-langkah Pengujiannya: a. Hitung data test menggunakan perhitungan pada alur maju. Perhitungan ini dilakukan satu persatu terhadap setiap hasil w dan v dari setiap data. Jika data hasil sudah sesuai dengan dengan tujuan maka perhitungan dihentikan. Misalkan data masukan 0 1 1 1 0 0 0 1 0 1 1 1 0 0 0 1 1 Hitung dengan persamaan 2.30 1 = 0.00176 + 0 ∗ 0.786 + 1 ∗ 0.4701 + 1 ∗ 0.62301 + 1 ∗ 0.34501 + 0 ∗ 0.459 + 0 ∗ 0.98701 + 0 ∗ 0.21701 + 1 ∗ 0.38901 + 0 ∗ 0.67801 + 1 ∗ 0.27801 + 1 ∗ 0.76801 + 1 ∗ 0.56401 + 0 ∗ 0.288 + 0 ∗ 0.987 + 1 ∗ 36701 + 1 ∗ 0.46701 = 4.28985 = 1 1 + − _ … … … … … … … … … … … … … … … … . … … … … … … … … … … … … … 2.31 1 = 1 1 + −4.28985 = 0.98648 b. Operasi pada output layer, dihitungh dengan persamaan 2.32: _ 1 = 0.00435 + 0.5971 ∗ 0.64451 = 0.67108 = 1 1 + − _ … … … … … … … . … … … … … … … … … … … … … … … … . … . . 3.7 1 = 1 1 + −0.67108 = 0.66174 Nilai y k 0.5 , maka memenuhi target 1.

3.3 Perancangan Arsitektur Jaringan

Jaringan yang dirancang dalam sistem ini adalah jaringan Learning Vector Quantization dan jaringan Backpropagation. Berikut ini merupakan perancangan arsitektur jaringan yang akan di implementasikan ke dalam program.

3.3.1 Jaringan Learning Vector Quantization

Arsitektur jaringan Learning Vector Quantization yang dirancang dalam penelitian ini terdiri dari 1600 masukan sesuai dengan jumlah matriks Grayscale citra hasil prepocessing sebanyak 40x40 piksel nilai masukan x, dan pada penelitian ini jenis kelas yang dimaksud adalah jenis uang kertas rupiah, seperti pada Tabel 3.16 Tabel 3.16 Penentuan Kelas Jaringan LVQ Kelas Keluaran Jenis Uang 1 y 1 1000 2 y 2 2000 3 y 3 5000 4 y 4 10000 5 y 5 20000 6 y 6 50000 7 y 7 100000 Arsitektur Jaringan Saraf Tiruan yang digunakan pada penelitian ini dapat dilihat pada Gambar 3.6. Gambar 3.6 Arsitektur Jaringan LVQ Keterangan : x 1 -x 1600 adalah nilai piksel dari citra masukan w 1,1 adalah nilai bobot yang dia ambil dari citra masukan ||x=w 1 || adalah jarak terdekat antara bobot dan nilai masukan y 1 -y 7 adalah kelas yang didefinisikan sebagai keluaran berupa jenis uang kertas rupiah

3.3.2 Jaringan Backpropagation

Arsitektur jaringan Backpropagation yang dirancang dalam penelitian ini terdiri dari 1600 masukan sesuai dengan jumlah matriks biner citra hasil prepocessing sebanyak 40x40 piksel sebagai nilai masukan jaringan, terdiri dari 1 lapisan tersembunyi dengan 6 neuron, dan 1 lapisan keluaran dengan 3 neuron untuk keluaran sebagai target, fungsi sigmoid biner digunakan sebagai fungsi aktivasi pada semua lapisan Jaringan Saraf Tiruan, dimana vector keluaran sebagai target dapat dilihat pada Tabel 3.17 berikut : Tabel 3.17 Target keluaran jaringan Backpropagation Keluaran Target Nilai Biner Jenis Uang 1 001 1000 2 010 2000 3 011 5000 4 100 10000 5 101 20000 6 110 50000 7 111 100000 Arsitektur Jaringan Saraf Tiruan yang digunakan pada penelitian ini dapat dilihat pada Gambar 3.7. Gambar 3.7 Arsitektur Jaringan Backpropagation Keterangan: x = Masukan input berupa nilai piksel citra uang. v ij = Bobot pada lapisan tersembunyi. w ij = Bobot pada lapisan keluaran. v oj = Bias pada lapisan tersembunyi w oj = Bias pada lapisan tersembunyi dan lapisan keluaran. j = 1,2,3,…..,n. n = Jumlah unit pengolah pada lapisan tersembunyi. k = Jumlah unit pengolah pada lapisan keluaran. y = Keluaran hasil target.

3.4 Data Flow Diagram DFD

Data Flow Diagram DFD adalah suatu model logika data atau proses yang dibuat untuk menggambarkan darimana asal data dan kemana tujuan data yang keluar dari sistem, dimana data disimpan, proses apa yang menghasilkan data tersebut dan interaksi antara data yang tersimpan dan proses yang dikenakan pada data tersebut. DFD menunjukan hubungan antar data pada sistem dan proses pada sistem.

3.4.1 DFD Level 0

Pada sistem ini digunakan DFD level 0 seperti pada gambar 3.8 Implementasi Metode LVQ dan Backpropagation User data pelatihan, data pengujian hasil pelatihan, hasil pengujian Gambar 3.8 : DFD Level 0 DFD level 0, merupakan proses dalam sistem secara umum. Pada tahap awal, user menginputkan data pelatihan untuk pelatihan dan data pengujian untuk pengujian menggunakan metode Jaringan Saraf Tiruan, sedangkan aplikasi menampilkan hasil pelatihan dan hasil pengujian data kepada user

3.4.2 DFD Level 1

Pada sistem ini digunakan DFD level 1 seperti pada Gambar 3.9 1.0 Proses Pelatihan User 2.0 Proses Pengujian Tabel Bobot data_uji Input image, data_latih, bobot awal, maksimal epoch, error minimum bobot akhir Hasil pelatihan Hasil pengujian Bobot_akhir Gambar 3.9 DFD Level 1 Pada DFD level 1 ini terlihat terdapat 2 proses yang harus dilakukan dalam sistem ini, antara lain: 1. Proses Pelatihan Proses pelatihan adalah proses melatih data masukan berupa citra masukan, bobot_awal, maksimal_epoch, error_minimum, rasio pembelajaran � sesuai dengan aturan Jaringan Saraf Tiruan untuk mengenali data tersebut. 2. Proses Pengujian Proses pengujian merupakan tahap untuk melakukan test terhadap data masukan baru untuk dibandingkan dengan data pelatihan, dimana data masukan merupakan data baru, tetapi bobot yang digunakan adalah bobot_akhir hasil pelatihan yang telah disimpan dalam database.

3.4.3 DFD Level 2

Pada sistem ini digunakan DFD level 2 seperti pada Gambar 3.10 1.1 Input Citra Uang Kertas User 1.3 Proses Pelatihan JST Tabel bobot 1.2 Preprocessing CItra Citra RGB Citra grayscale biner Bobot akhir Hasil keluaran Epoch, min_error, rasio_pembelajaran Input citra Gambar 3.10 DFD Level 2 Pada DFD level 2 pada proses 1 ini dijelaskan setiap tahapan yang dilakukan dalam proses pelatihan, dimana citra uang kertas diambil dari file data untuk kemudian dilakukan prepocessing terhadap citra RGB tersebut sehingga diperoleh citra Grayscale maupun citra biner sebagai masukan untuk proses pelatihan, sebelum proses dilakukan tentukan terlebih dahulu maksimal_epoch, minimum_error, laju_pembelajaran, pengurangan_rasio. Setelat dilakukan proses pelatihan, maka bobot akhir hasil pelatihan disimpan untuk kemudian akan digunakan pada proses pengujian nantinya. 2.1 Input Citra Uang Kertas User 2.3 Proses Pengujian JST Tabel Bobot 2.2 Preprocessing CItra Citra RGB Citra grayscale biner Hasil keluaran Bobot pelatihan Input citra Gambar 3.11 DFD Level 2 Pada DFD level 2 pada proses 2 ini dijelaskan tahapan untuk melakukan pengujian terhadap suatu data masukan citra yang diproses melalui prepocessing untuk mendapatkan citra biner atau citra Grayscale sebagai msukan, kemudian bobot akhir hasil pelatihan diambil, dan dihitung terhadap setiap target.

3.5 Perancangan Flowchart Sistem

Untuk menggambarkan flowchart semua proses yang dijalankan di dalam program yang diimplementasikan untuk memeriksa keaslian mata uang kertas dengan mengimplementasikan metode Learning Vector Quantization LVQ dan metode Backpropagation dapat dilihat pada flowchart berikut ini :

3.5.1 Flowchart Pelatihan Learning Vector Quantization LVQ

Berikut ini merupakan flowchart Pelatihan pada metode Learning Vector Quantization LVQ. start Inisialisasi bobot, maks_epoch, min_error, rasio pembelajaran α, pengurangan rasio Tentukan target kelas Epochmaks_epoch, Rasio αmin_error Simpan bobot akhir selesai Input data pelatihan nilai piksel citra Hitung Jarak terdekat Cj=totalX-Wi2 Epoch=epoch+1 ya Hitung bobot baru Wjbaru = Wjlama + αX-Wjlama ya Cj=target? Epoch=0 Hitung bobot baru Wjbaru = Wjlama - αX-Wjlama tidak BobotW baru Rasio α= α-pengurangan rasio α Tidak Gambar 3.12 Flowchart Pelatihan LVQ

3.5.2 Flowchart Pengujian Learning Vector Quantization LVQ

Berikut ini merupakan flowchart Pengujian pada metode Learning Vector Quantization LVQ. Gambar 3.13 Flowchart Pengujian LVQ

3.5.3 Flowchart Pelatihan Backpropagation

Berikut ini merupakan flowchart Pelatihan pada metode Backpropagation start Inisialisasi bobotacak, bias, maks_epoch, min_error, rasio pembelajaran α Epoch=0 Epoch= maks_epoch? Hitung keluaran di unit keluaran Yk Hitung vaktor kesalahan di unit keluaran δk perubahan bobot Δwjk Δwok Hitung nilai error Nilai error = target error Simpan bobot akhir selesai ya Tidak tidak Input data pelatihan nilai piksel citra Hitung keluaran di unit tersembunyi Zj Epoch=epoch+1 ya Hitung vaktor kesalahan di unit tersembunyi δj perubahan bobot Δvij Δvoj Perbaiki bobot dan bias baru pada unit keluaran Wjibaru=Wjilama+ Δwjk W0kbaru=W0klama+ Δw0k Perbaiki bobot dan bias baru pada lapisan tersembunyi Vijbaru=Vijlama+ ΔVij V0jbaru=V0jlama+ ΔV0j Gambar 3.14 Flowchart Pelatihan Backpropagation

3.5.4 Flowchart Pengujian Backpropagation

Berikut ini merupakan flowchart Pengujian pada metode Backpropagation start Hitung smua keluaran di unit tersembunyi Zj Hitung semua nilai keluaran di unit keluaran Yk Output hasil pengujian Input data pengujian dan bobot hasil pelatihan selesai Pencocokan hasil pengujian Yk =0.5 Yk=1 Yk=0 ya tidak Gambar 3.15 : Flowchart Pengujian Backpropagation

3.6 Perancangan Struktur Tabel

Perancangan struktur Tabel berguna dalam merancang basis data yang akan digunakan untuk keperluan aplikasi ini. Aplikasi ini menggunakan beberapa Tabel diantaranya Tabel learning_lvq, Tabel bobot_lvq, Tabel learning_Backpropagation, Tabel bobot_w_Backpropagation, Tabel bobot_v_Backpropagation, Tabel hasil_pengenalan. Berikut ini merupakan struktur dari masing-masing Tabel tersebut.

3.6.1 Tabel Learning LVQ

Tabel learning lvq ini berfungsi untuk menyimpan hasil pelatihan dari sebuah citra dengan metode LVQ. Tabel 3.18 Struktur Tabel Learning LVQ No Nama Field Tipe Data Ukuran Keterangan 1 Id_learning Integer 4 Nomor identititas pelatihan 2 Jenis_uang Varchar 15 Jenis uang yang disimpan 3 Maks_perulangan Integer 9 Maksimal perulangan epoch 4 Error_minimum Decimal 9 Minimum error 5 Rasio_pembelajaran Decimal 9 Rasio pembelajaran 6 Pengurangan rasio Decimal 9 pengurangan rasio 7 Hasil Decimal 9 Hasil pelatihan 8. Waktu Varchar 50 Waktu pelatihan

3.6.2 Tabel Bobot LVQ

Tabel bobot LVQ ini berfungsi untuk menyimpan nilai bobot pelatihan dari sebuah citra dengan metode LVQ. Tabel 3.19 Struktur Tabel Bobot LVQ No Nama Field Tipe Data Ukuran Keterangan 1 Id_bobot Integer 4 Nomor identititas bobot hasil pelatihan 2 Id_learning Integer 5 Nomor identititas pelatihan 3 Bobotw Decimal 9 Nilai bobot w hasil pelatihan

3.6.3 Tabel Learning Backpropagation

Tabel learning Backpropagation ini berfungsi untuk menyimpan hasil pelatihan dari sebuah citra dengan metode Backpropagation. Tabel 3.20 Struktur Tabel Learning Backpropagation No Nama Field Tipe Data Ukuran Keterangan 1 Id_learning Integer 4 Nomor identititas pelatihan 2 jenis_uang Varchar 15 Jenis uang yang disimpan 3 maks_perulangan Integer 9 Maksimal perulangan epoch 4 error_min Decimal 9 Minimum error 5 rasio_pelatihan Decimal 9 Rasio pelatihan 6 y1 Decimal 9 Hasil nilai y1 7 y2 Decimal 9 Hasil nilai y2 8 y3 Decimal 9 Hasil nilai y3 9 Target Varchar 50 Target 10. Waktu Varchar 50 Waktu Pelatihan

3.6.4 Tabel Bobot V Backpropagation

Tabel bobot v Backpropagation ini berfungsi untuk menyimpan nilai bobot v hasil pelatihan dari sebuah citra dengan metode Backpropagation. Tabel 3.21 Struktur Tabel Bobot v Backpropagation No Nama Field Tipe Data Ukuran Keterangan 1 Id_bobot Integer 4 Nomor identititas bobot hasil pelatihan 2 Id_learning Integer 4 Nomor identititas pelatihan 3 bobot_v Decimal 9 Bobot v hasil pelatihan

3.6.5 Tabel Bobot W Backpropagation

Tabel bobot W Backpropagation ini berfungsi untuk menyimpan nilai bobot W hasil pelatihan dari sebuah citra dengan metode Backpropagation. Tabel 3.22 Struktur Tabel Bobot w Backpropagation No Nama Field Tipe Data Ukuran Keterangan 1 Id_bobot Integer 4 Nomor identititas bobot hasil pelatihan 2 Id_learning Integer 4 Nomor identititas pelatihan 3 bobot_w Decimal 9 Bobot w hasil pelatihan

3.6.6 Tabel Vnol Backpropagation

Tabel Vnol Backpropagation ini berfungsi untuk menyimpan nilai Vnol hasil pelatihan dari sebuah citra dengan metode Backpropagation. Tabel 3.23 Struktur Tabel Bobot vnol Backpropagation No Nama Field Tipe Data Ukuran Keterangan 1 Id_bobot Integer 4 Nomor identititas bobot hasil pelatihan 2 Id_learning Integer 4 Nomor identititas pelatihan 3 Nilai Decimal 9 Nilai vnol

3.6.7 Tabel Hasil Pengenalan

Tabel hasil pengenalan Backpropagation ini berfungsi untuk menyimpan hasil pelatihan dari sebuah citra dengan metode Backpropagation. Tabel 3.24 Struktur Tabel Hasil Pengenalan No Nama Field Tipe Data Ukuran Keterangan 1 Id_pengenalan Integer 4 Nomor identititas pengenalan 2 Jenis pengenalan Varchar 25 Jenis pengenalan 3 Hasil Varchar 20 hasil pengenalan 4. Waktu Varchar 50 Waktu pengujian

3.7 Perancangan Antarmuka

Perancangan antarmuka merupakan sebuah penggambaran, perencanaan, dan pembuatan sketsa atau pengaturan dari beberapa elemen yang terpisah ke dalam satu kesatuan yang utuh dan berfungsi. Adapun perancangan antarmuka perangkat lunak adalah sebagai berikut : Gambar 3.16 Tampilan Awal Program Keterangan : 1. Menu “Metode LVQ” yang berisi dari 2 seubmenu yaitu “Proses Pelatihan” dan “Proses Pengujian” 2. Submenu “Proses Pelatihan” yang berisi pelatihan yang berisi tampilan proses pelatihan citra dengan metode LVQ. 3. Submenu “Proses Pengujian” yang berisi pelatihan yang berisi tampilan proses pengujian citra dengan metode LVQ. 4. Menu “Metode Backpropagation” yang berisi dari 2 seubmenu yaitu “Proses Pelatihan” dan “Proses Pengujian” 5. Submenu “Proses Pelatihan” yang berisi pelatihan yang berisi tampilan proses pelatihan citra dengan metode Backpropagation. 6. Submenu “Proses Pengujian” yang berisi pelatihan yang berisi tampilan proses pengujian citra dengan metode Backpropagation. 7. Menu “Hasil Akurasi” yang menampilkan persentasi keakurasian dari kedua metode dalam ketepatannya memeriksa uang kertas 8. Menu “Tentang Penulis” berisi data penulis. Gambar 3.17 Perancangan Proses Pelatihan Keterangan: 1. Menu image, terdiri dari 3 submenu yaitu 2 Input image, untuk memasukkan gambar yang akan diproses kedalam pictrurebox “gambar uang” 5. 2. Submenu “Clear” 3 membersihkan seluruh isi tampilan. 3. Submenu “Close” 4 membersihkan seluruh isi tampilan. 4. Picturebox 6 penampung hasil cropping pada gambar uang 5. Botton 7 “Konversi RGB to Grayscale” untuk mengubah gambar hasil cropping ke gambar grayscale yang akan di tampung pada picturebox 8 6. Richtextbox 9 secara otomatis menampilkan nilai piksel dari gambar grayscale 7. Richtextbox 10 untuk mendapat nilai bobot pelatihan 8. Richtextbox 11 untuk mendapat nilai masukan pelatihan 9. Ketentuan pelatihan 12Tentukan epoch, minimum error , rasio pembelajaran 10. Button 13 mulai pelatihan dan selama proses berjalan waktu akan ditampilkan pada textboxt 14 11. Hasil pelatihan akan ditampilkan pada richtextbox 15 12. Uuntuk menyimpan bobot dan hasil pelatihan pilih jenis uang pada combobox 16 kemudian klik button “simpan” 17 Gambar 3.18 Rancangan Form Pengujian Keterangan: 1. Menu image, terdiri dari 3 submenu yaitu 2 Input image, untuk memasukkan gambar yang akan diproses kedalam pictrurebox “gambar uang” 5. 2. Submenu “Clear” 3 membersihkan seluruh isi tampilan. 3. Submenu “Close” 4 membersihkan seluruh isi tampilan. 4. Picturebox 6 penampung hasil cropping pada gambar uang 5. Botton 8 “Konversi RGB to Grayscale” untuk mengubah gambar hasil cropping ke gambar grayscale yang akan di tampung pada picturebox 7 6. Richtextbox 9 secara otomatis menampilkan nilai piksel dari gambar grayscale 7. Richtextbox 10 untuk mendapat nilai masukan pengujian 8. Button 11 mulai pengujian dan selama proses berjalan waktu akan ditampilkan pada textboxt 13 9. Hasil pelatihan akan ditampilkan pada richtextbox 12 10. Pilih hasil pengujian “dikenali” atau “tidak dikenali” 11. Kemudian klik button “simpan” 17 untuk menyimpan hasil pengujian dan waktu.

BAB 4 IMPLEMENTASI DAN PENGUJIAN SISTEM

4.1 Implementasi

Pada bab ini dijelaskan hasil analisis dan perancangan sistem yang akan mengimplementasi metode Learning Vector Quantization LVQ dan Backpropagation ke dalam bentuk program dengan mengggunakan bahasa pemrograman Visual Basic 2012 dengan database Microsoft SQL server 2005. Pada bab sebelumnya telah dijelaskan prinsip kerja dari metode Learning Vector Quantization LVQ dan Backpropagation.

4.1.1 Spesifikasi Perangkat Keras dan Perangkat Lunak

Spesifikasi perangkat keras dan perangkat lunak yang digunakan untuk membangun program adalah sebagai berikut: 1. Prosesor Intel® Pentium® CPU B950 2.10 GHz. 2. Kapasitas harddisk 300 GB 3. Memori RAM yang digunakan 4.00 GB. 4. Sistem operasi Windows 7 Ultimate 5. Tools yang digunakanadalahVisual Basic 2012 6. Database Microsoft SQL Server 2005

4.1.2 Proses Pengolahan Citra Uang

Berikut ini adalah tahapan awal program yang dilakukan yaitu setelah input citra awal kemudian lakukan proses cropping citra uang kertas seperti pada Gambar 4.1. Gambar 4.1 Proses Cropping Citra Hasil cropping yang dihasilkan telah di scaling untuk penyeragaman ukuran citranya, kemudian pilih button “Convert RGB to Grayscale” sehingga hasil cropping berubah menjadi grayscale dan ditampilkan nilai piksel dari citra grayscale, seperti pada Gambar 4.2 Gambar 4.2 Proses Perubahan RGB to Citra Grayscale Setelah didapat bobot dan nilai masukan berdasarkan hasil cropping citra sebelumnya, maka tentukan parameter pelatihan LVQ, seperti pada Gambar 4.3. Gambar 4.3 Syarat pelatihan Selanjutnya klil “Start Learning LVQ” , jika telah selesai pelatihan maka akan ditampilkan hasil perhitungan Cj dan terlihat waktu selama proses pelatihan, seperti pada Gambar 4.4. Gambar 4.4 Proses Pelatihan LVQ Kemudian, lakukan proses pengenalan dengan cara yang sama, input citra, lakukan preprocessing kemudian lanjut klik “mulai pengenalan” seperti pada Gambar 4.5 berikut ini: Gambar 4.5 Proses Pengujian LVQ Berikut ini proses pelatihan Backpropagation dengan melakukan proses yang sama seperti LVQ, seperti pada Gambar 4.6 berikut ini: Gambar 4.6 Proses pelatihan Backpropagation Berikut ini merupakan proses pengujian dengan metode Backpropagation, seperti pada Gambar 4.7 berikut : Gambar 4.7 Proses pengujian Backpropagation