Analisis Proses Analisis Sistem

Perangkat lunak yang dibangun harus memiliki message error pesan kesalahan jika pengguna tidak lengkap memasukkan masukan ataupun jika masukan yang dimasukkan salah.

3.1.3 Analisis Proses

Secara umum ada empat proses yang terjadi pada sistem ini, yaitu: pengolahan citra, ekstraksi fitur, pelatihan serta pengujian. Tapi yang akan dianalisis adalah proses pelatihan dan pengujian. Berikut ini adalah langkah-langkah dalam pelatihan dan pengujian dalam contoh sederhana: 1. Inisialisasi vektor masukan x_a 1 = [1 1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1] x_a 2 = [-1 1 1 -1 -1 -1 -1 -1 -1 -1 -1 -1] x_ka 1 = [-1 -1 -1 1 1 -1 -1 -1 -1 -1 -1 -1] x_ka 2 = [-1 -1 -1 -1 1 1 -1 -1 -1 -1 -1 -1] x_ba 1 = [-1 -1 -1 -1 -1 -1 -1 1 1 -1 -1 -1] x_ba 2 = [-1 -1 -1 -1 -1 -1 -1 -1 1 1 -1 -1] 2. Inisialisasi vektor keluaran y_a = [-1 -1 1] y_ka = [-1 1 -1] y_ba = [1 -1 -1] 3. Lakukan proses pelatihan dan hitung bobot w_a = x_a 1 T .y_a+ x_a 2 T .y_a w_ka = x_ka 1 T .y_ka+ x_ka 2 T .y_ka w_ba = x_ba 1 T .y_ba+ x_ba 2 T .y_ba ∑ = ⋅ = P p p T p y x w 1 Universitas Sumatera Utara x_a 1 T .y_a = w_a 1 ⎣ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎡ 1 1 −1 −1 −1 −1 −1 −1 −1 −1 −1 −1⎦ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎤ . [ −1 −1 1] = ⎣ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎡ −1 −1 1 −1 −1 1 1 1 −1 1 1 −1 1 1 −1 1 1 −1 1 1 −1 1 1 −1 1 1 −1 1 1 −1 1 1 −1 1 1 −1⎦ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎤ x_a 2 T .y_a = w_a 2 ⎣ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎡ −1 1 1 −1 −1 −1 −1 −1 −1 −1 −1 −1⎦ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎤ . [ −1 −1 1] = ⎣ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎡ 1 1 −1 −1 −1 1 −1 −1 1 1 1 −1 1 1 −1 1 1 −1 1 1 −1 1 1 −1 1 1 −1 1 1 −1 1 1 −1 1 1 −1⎦ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎤ w_a = x_a 1 T .y_a+ x_a 2 T .y_a ⎣ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎡ −1 −1 1 −1 −1 1 1 1 −1 1 1 −1 1 1 −1 1 1 −1 1 1 −1 1 1 −1 1 1 −1 1 1 −1 1 1 −1 1 1 −1⎦ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎤ + ⎣ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎡ 1 1 −1 −1 −1 1 −1 −1 1 1 1 −1 1 1 −1 1 1 −1 1 1 −1 1 1 −1 1 1 −1 1 1 −1 1 1 −1 1 1 −1⎦ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎤ = ⎣ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎡ −2 −2 2 2 2 −2 2 2 −2 2 2 −2 2 2 −2 2 2 −2 2 2 −2 2 2 −2 2 2 −2 2 2 −2⎦ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎤ Universitas Sumatera Utara x_ka 1 T .y_ka = w_ka 1 ⎣ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎡ −1 −1 −1 1 1 −1 −1 −1 −1 −1 −1 −1⎦ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎤ . [ −1 1 −1] = ⎣ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎡ 1 −1 1 1 −1 1 1 −1 1 −1 1 −1 −1 1 −1 1 −1 1 1 −1 1 1 −1 1 1 −1 1 1 −1 1 1 −1 1 1 −1 1 ⎦ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎤ x_ka 2 T .y_ka = w_ka 2 ⎣ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎡ −1 −1 −1 −1 1 1 −1 −1 −1 −1 −1 −1⎦ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎤ . [ −1 1 −1] = ⎣ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎡ 1 −1 1 1 −1 1 1 −1 1 1 −1 1 −1 1 −1 −1 1 −1 1 −1 1 1 −1 1 1 −1 1 1 −1 1 1 −1 1 1 −1 1 ⎦ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎤ w_ka = x_ka 1 T .y_ka+ x_ka 2 T .y_ka ⎣ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎡ 1 −1 1 1 −1 1 1 −1 1 −1 1 −1 −1 1 −1 1 −1 1 1 −1 1 1 −1 1 1 −1 1 1 −1 1 1 −1 1 1 −1 1 ⎦ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎤ + ⎣ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎡ 1 −1 1 1 −1 1 1 −1 1 1 −1 1 −1 1 −1 −1 1 −1 1 −1 1 1 −1 1 1 −1 1 1 −1 1 1 −1 1 1 −1 1 ⎦ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎤ = ⎣ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎡ 2 −2 2 2 −2 2 2 −2 2 −2 2 −2 −2 2 −2 2 −2 2 2 −2 2 2 −2 2 2 −2 2 2 −2 2 2 −2 2 2 −2 2 ⎦ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎤ Universitas Sumatera Utara x_ba 1 T .y_ba = w_ba 1 ⎣ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎡ −1 −1 −1 −1 −1 −1 −1 1 1 −1 −1 −1⎦ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎤ . [1 −1 −1] = ⎣ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎡ −1 1 −1 −1 1 −1 −1 1 −1 −1 1 −1 −1 1 −1 −1 1 −1 −1 1 −1 1 −1 1 1 −1 1 −1 1 −1 −1 1 −1 −1 1 −1⎦ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎤ x_ba 2 T .y_ba = w_ba 2 ⎣ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎡ −1 −1 −1 −1 −1 −1 −1 −1 1 1 −1 −1⎦ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎤ . [1 −1 −1] = ⎣ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎡ −1 1 1 −1 1 1 −1 1 1 −1 1 1 −1 1 1 −1 1 1 −1 1 1 −1 1 1 1 −1 −1 1 −1 −1 −1 1 1 −1 1 1 ⎦ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎤ w_ba = x_ba 1 T .y_ba+ x_ba 2 T .y_ba ⎣ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎡ −1 1 −1 −1 1 −1 −1 1 −1 −1 1 −1 −1 1 −1 −1 1 −1 −1 1 −1 1 −1 1 1 −1 1 −1 1 −1 −1 1 −1 −1 1 −1⎦ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎤ + ⎣ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎡ −1 1 1 −1 1 1 −1 1 1 −1 1 1 −1 1 1 −1 1 1 −1 1 1 −1 1 1 1 −1 −1 1 −1 −1 −1 1 1 −1 1 1 ⎦ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎤ = ⎣ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎡ −2 2 2 −2 2 2 −2 2 2 −2 2 2 −2 2 2 −2 2 2 −2 2 2 2 −2 −2 2 −2 −2 −2 2 2 −2 2 2 −2 2 2 ⎦ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎤ Universitas Sumatera Utara wtotal = w_a+w_ka+w_ba ⎣ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎡ −2 −2 2 2 2 −2 2 2 −2 2 2 −2 2 2 −2 2 2 −2 2 2 −2 2 2 −2 2 2 −2 2 2 −2⎦ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎤ + ⎣ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎡ 2 −2 2 2 −2 2 2 −2 2 −2 2 −2 −2 2 −2 2 −2 2 2 −2 2 2 −2 2 2 −2 2 2 −2 2 2 −2 2 2 −2 2 ⎦ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎤ + ⎣ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎡ −2 2 2 −2 2 2 −2 2 2 −2 2 2 −2 2 2 −2 2 2 −2 2 2 2 −2 −2 2 −2 −2 −2 2 2 −2 2 2 −2 2 2 ⎦ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎤ = ⎣ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎡ 4 −2 −2 6 4 −2 6 −2 −2 6 −2 2 2 2 2 2 2 6 −2 −2 6 −2 −2 2 2 2 2 2 2 2 2 2 ⎦ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎤ 4. Lakukan proses pengujian citra dengan bobot yang telah didapatkan Fungsi aktivasi pada sistem ini berbeda dengan fungsi aktivasi pada umumnya. Nilai diubah jadi “1” apabila elemen pada vektor hasilnya adalah yang paling positif, sedangkan nilai yang diubah jadi “-1” adalah sisanya. x_a 1 .w = y_a [1 1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1] . ⎣ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎡ 4 −2 −2 6 4 −2 6 −2 −2 6 −2 2 2 2 2 2 2 6 −2 −2 6 −2 −2 2 2 2 2 2 2 2 2 2 ⎦ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎤ = [-20 -20 4] Universitas Sumatera Utara [-20 -20 4] berarti akan berubah menjadi [-1 -1 1] yang merupakan y_a. Berarti x_a 1 berhasil dikenali x_a 2 .w = y_a [-1 1 1 -1 -1 -1 -1 -1 -1 -1 -1 -1] . ⎣ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎡ 4 −2 −2 6 4 −2 6 −2 −2 6 −2 2 2 2 2 2 2 6 −2 −2 6 −2 −2 2 2 2 2 2 2 2 2 2 ⎦ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎤ = [-20 -20 4] [-20 -20 4] berarti akan berubah menjadi [-1 -1 1] yang merupakan y_a. Berarti x_a 2 berhasil dikenali x_ka 1 .w = y_ka [-1 -1 -1 1 1 -1 -1 -1 -1 -1 -1 -1] . ⎣ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎡ 4 −2 −2 6 4 −2 6 −2 −2 6 −2 2 2 2 2 2 2 6 −2 −2 6 −2 −2 2 2 2 2 2 2 2 2 2 ⎦ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎤ = [-24 8 -24] [-24 8 -24] berarti akan berubah menjadi [-1 1 -1] yang merupakan y_ka. Berarti x_ka 1 berhasil dikenali x_ka 2 .w = y_ka [-1 -1 -1 -1 1 1 -1 -1 -1 -1 -1 -1] . ⎣ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎡ 4 −2 −2 6 4 −2 6 −2 −2 6 −2 2 2 2 2 2 2 6 −2 −2 6 −2 −2 2 2 2 2 2 2 2 2 2 ⎦ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎤ = [-16 0 -16] Universitas Sumatera Utara [-16 0 -16] berarti akan berubah menjadi [-1 1 -1] yang merupakan y_ka. Berarti x_ka 2 berhasil dikenali x_ba 1 .w = y_ba [-1 -1 -1 -1 -1 -1 -1 1 1 -1 -1 -1] . ⎣ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎡ 4 −2 −2 6 4 −2 6 −2 −2 6 −2 2 2 2 2 2 2 6 −2 −2 6 −2 −2 2 2 2 2 2 2 2 2 2 ⎦ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎤ = [8 -24 -24] [8 -24 -24] berarti akan berubah menjadi [1 -1 -1] yang merupakan y_ba. Berarti x_ba 1 berhasil dikenali x_a 1 .w = y_a [-1 -1 -1 -1 -1 -1 -1 -1 1 1 -1 -1] . ⎣ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎡ 4 −2 −2 6 4 −2 6 −2 −2 6 −2 2 2 2 2 2 2 6 −2 −2 6 −2 −2 2 2 2 2 2 2 2 2 2 ⎦ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎤ = [0 -16 16] [0 -16 -16] berarti akan berubah menjadi [1 -1 -1] yang merupakan y_ba. Berarti x_ba 2 berhasil dikenali Dalam penelitian ini, dilakukan modifikasi pada fungsi aktivasinya. Fungsi aktivasi yang umum digunakan pada hetero-association yaitu: Ini dikarenakan tipe hetero-associative memiliki kapasitas memori yang sangat sedikit sehingga menyebabkan hetero-associative sangat sulit dalam mempelajari dan mengenali pola dalam jumlah yang banyakRojas,1996. Pada     ≤ − = 1 1 j j j y if y if y S Universitas Sumatera Utara penelitian ini digunakan 620 sampel untuk pelatihan. Melihat kondisi tersebut, maka perlu penyesuaian dalam fungsi aktivasinya. Bila diamati, semua nilai hasil perkalian vektor input dan bobot bernilai -10.000 ,sehingga dengan fungsi aktivasi biasa, semua nilai itu akan diubah menjadi “-1” dan menyebabkan gagal dalam pengenalan. Namun dari semua nilai itu terdapat satu nilai yang paling positif. Oleh karena itu, fungsi aktivasi diubah menjadi: apabila terdapat nilai yang paling positif atau paling maksimal di antara elemen lainnya maka nilai itu akan diubah menjadi “+1” dan sisanya nilai dibawah nilai maksimum tersebut diubah menjadi “-1”. Ini membuat kapasitas memori menjadi meningkat dikarenakan proses aktivasi hanya berfokus pada 1 elemen saja pada vektor output.. Fungsi aktivasi yang telah dimodifikasi tersebut adalah sebagai berikut :

3.2 Pemodelan