c. Step 5 Tiap unit keluaran y
k
, k = 1,…, m jumlahkan bobot sinyal masukannya, _
= +
+
=1
… . . … … … … … … … … … … … … … … … … … … … … . 2.19 Kemudian dihitung nilai output dengan menggunakan fungsi aktivasi
= ′ _ … … … … … … … … … … … … … … … … … … … … … … … … . . … … . . 2.20
Backpropagation of error:
d. Step 6 Tiap unit keluaran y
k
, k = 1,…, m menerima pola target yang saling berhubungan pada masukan pola input, hitung kesalahan informasinya,
δ
k
= t
k
– y
k
f’ y_in
k
………………...……………………...…………...………2.21 hitung koreksi bobotnya yang digunakan untuk memperbaharui nilai w
jk
: Δw
jk
= α δ
k
z
j
……………………………………………………...………………2.22 hitung koreksi biasnya yang digunakan untuk memperbaharui nilai w
ok
Δw
0k
= α δ
k
…………………………...…………………………………………..2.23 dan kirimkan δ
k
ke unit-unit pada lapisan pada layer sebelummya.
e. Step 7 Setiap unit lapisan tersembunyi z
j
, j = 1,…, p dihitung delta input yang berasal dari
unit pada layer di atasnya : �
= �
=1
… … … … … … . … … … … … … … … … … … … … … … … … … . . . . . 2.24 Kemudian nilai tersebut dikalikan dengan turunan fungsi aktivasinya untuk
menghitung informasi kesalahannya, δ
j
= δ_in
j
f’ z_in
j
……………… ………………………………….……….……2.25 hitung koreksi bobotnya digunakan untuk memperbaharui v
oj
: Δv
0j
= α δ
j
……………………..…………………………………………...…2.26 hitung koreksi bobotnya digunakan untuk memperbaharui v
ij
: Δv
ij
= α δ
j
x
i
……….……………………………………………….………...……2.27
Update nilai bobot dan bias
f. Step 8 Tiap unit keluaran yk, k = 1.. m update bias dan bobotnya
j = 0,…, p: w
jk
baru = w
jk
lama + Δ w
jk
……………………………………………..…...2.28 Setiap unit pada lapisan tersembunyi memperbaiki bias dan bobotnya.
v
ij
baru = v
ij
lama + Δ v
ij
………….……………………………………..…...2.29
g. Step 9 Menguji apakah kondisi berhenti dan sudah terpenuhi.
Algoritma Testing Pengujian
Setelah pelatihan, jaringan saraf Backpropagation diaplikasikan dengan menggunakan fase yang diberikan sebelumnya dari algoritma pelatihan. Prosedur
aplikasinya adalah sebagai berikut
Step 0 : Inisialisasi bobot dari algoritma pelatihan
Step 1 : Untuk setiap vector input, kerjakan step 2-4
Step 2 : Untuk i = 1,.......,n: set aktifasi dari unit input ; i x
Step 3 : Untuk j = 1,.....p
= +
=1
… … . … … … … … … … … … … … … … … … … … … … . . … . . 2.30 =
… … … … … … … … … … … … … … … … … … … … … … … … … … … . . . 2.31 Step 4 :
= 0 +
=1
… … . … … … … … … … … … … … … … … … … … … . . … . . . . 2.32 =
_ … … … … … … … … … … … … … … … … … … … … … … … … . . … … . . 2.33
2.6 Peneliti Terdahulu
Berdasarkan penelitian sebelumnya yang mendukung pengangkatan judul ini, maka dilampirkan beberapa jurnal pendukung, antara lain:
1. Penelitan Dewanto Harjunowibowo.2010. “Perangkat Lunak Deteksi Uang Palsu
Berbasis LVQ Memanfaatkan Ultraviolet”.
Peneliti melakukan penelitian dengan memanfaatkan sinar ultraviolet, berdasarkan hasil yang diperoleh dan uraian pembahasan, maka dapat diambil
kesimpulan penggunaan cahaya ultraviolet untuk menampilkan citra ciri khas uang asli adalah sangat efektif dan untuk meningkatkan keamanan sistem, perlu
penambahan variable masukan JST dengan pola yang dibentuk oleh deteksi tepi.
2. Penelitian Dawud Gede Wicaksono . 2008. “Perangkat Lunak Pendeteksian Nilai
Nominal dan Keaslian Uang Kertas Rupiah Menggunakan Jaringan Saraf Tiruan Backpropagation
”.
Peneliti merancang perangkat lunak yang mampu mengenali nilai nominal uang kertas rupiah beserta keasliannya melalui proses pengolahan citra berbasiskan
metode Jaringan Saraf Tiruan dengan algoritma Backpropagation, dimana pola khas dari tiap jenis uang kertas inilah yang dikenali oleh perangkat lunak ini,
sehingga mampu membedakan tidak hanya uang kertas rupiah, tetapi juga jenis uang kertas pecahan lain.
3. Penelitian Elias Dianta Ginting. “Deteksi Tepi Menggunakan Metode Canny
dengan Matlab untuk Membedakan Uang Asli dan Uang Palsu”.
Pada penelitian ini, cara membedakan uang palsu dan uang asli dengan memanfaatkan tanda air pada uang kertas, sehingga penulis membuat suatu
aplikasi yang bias mendeteksi benang pengaman dari suatu mata uang kertas, dengan memperlihatkan ada tidaknya tanda air pada uang kertas.
4. Penelitian Maharani Dessy Wuryandari dan
Irawan Afrianto. 2012. “Perbandingan Metode Jaringan Saraf Tiruan Backpropagation dan Learning
Vector Quantization pada Pengujian Wajah”. Penelitian ini bertujuan
membandingkan kedua metode ini untuk mengenali wajah, serta mengetahui hasil
optimal dari kedua metode tersebut dalam pengujian wajah, dan dapat disimpulkan bahwa dari segi akurasi dan waktu pengujian bahwa metode Learning Vector
Quantization memiliki kemampuan lebih baik dibandingkan dengan metode
Backpropagation.
5. Penelitian Agus Nurkhozin, Mohammad Isa Irawan, dan Imam Mukhlas. 2011.
“Komparasi hasil Klasifikasi Penyakit Diabetes Mellitus Menggunakan Jaringan Saraf Tiruan Backpropagation dan Learning Vector Quantization
”.
Penelitian ini bertujuan mengkomparasi hasil klasifikasi menggunakan kedua metode ini dalam mengklasifikasi penyakit diabetes untuk melihat metode mana
yang memiliki tingkat akurasi dan kecepatan tinggi.
BAB 3 ANALISIS DAN PERANCANGAN
Bab ini menjelaskan tentang proses sistem Jaringan Saraf Tiruan metode Learning Vector Quantization LVQ dan Backpropagation untuk memeriksa keaslian mata
uang kertas dan analisis kebutuhan sistem yang akan dibangun serta perancangannya, serta tahap perthitungan manual dengan menggunakan kedua metode tersebut.
3.1 Analisis Masalah
Analisis merupakan langkah-langkah memberikan gambaran umum terhadap permasalahan yang akan diimplementasikan pada program yang akan dibuat untuk
menyelesaikan masalah. Analisis juga dapat menggambarkan bagaimana proses sebuah metode untuk mendapatkan hasil yang akan diperoleh dalam sebuah
perhitungan manual.
Perbandingan metode Jaringan Saraf Tiruan Learning Vector Quantization dan Backpropagation dapat dilihat melalui implementasinya dalam memeriksa mata uang
kertas, sehingga dapat mengetahui dan merekomendasikan metode yang lebih baik dari segi akurasi dan waktu diantara kedua metode tersebut dalam pemeriksaan uang
kertas. Metode Learning Vector Quantization dan Backpropagation memiliki langkah-langkah yang sama dalam sistem pemeriksaan uang kertas. Data yang
digunakan untuk proses pengujian terlebih dahulu harus dipelajari untuk mendapatkan bobot yang kemudian disimpan kedalam database, dan dapat digunakan pada proses
pengujian data test data yang akan dikenali.