Untuk memperoleh jaringan yang optimal terlebih dahulu kita mengetahui ekstraksi ciri yang optimal pula. Dalam hal ini penelitian
melakukan kombinasi ciri
feature
untuk dapat meghasilkan ekstraksi ciri yang memberikan hasil akurasi terbaik.
3.2.2 Pelatihan dan Pengujian Arsitektur JST
Dalam penelitian ini, proses pengenalan pola aksara Batak Karo dilakukan dengan mengklasifikasikan
feature
yang telah ditentukan. Metode yang digunakan dalam prosespengenalanadalah metode
Jaringan Syaraf Tiruan
Back Propagation.
Metode pengenalan ini dipilih karena kemampuannya untuk menghasilkan
decision boundaries
yang kompleks pada fitur-fitur yang ada. Hasil ini dapat dilihat dengan nilai keakuratan yang dihasilkan dari pengujian sampel
diluar kumpulan sampel yang digunakan pada saat pelatihan. Metode pembagian data pelatihan dan pengujian arsitektur JST
yang digunakan adalah
4-Fold Cross Validation
. Metode ini dipakai karena menggunakan data yang berbeda untuk proses pelatihan dan
pengujiannya, sehingga dapat diketahui dengan benar akurasi sistem yang telah dibuat. Hasil ekstraksi ciri dan label data, akan digunakan
sebagai
input-
an dalam proses pelatihan dan pengujian arsitektur JST. Hasil dari proses ini adalah model jaringan dengan akurasi terbaik,
yang akan digunakan dalam proses pengenalan. Pada proses awal sesuai dengan metode
K-Fold Cross Validation
, data yang berjumlah 168 dibagi menjadi 4 bagian.Dari 4 bagian tersebut akan dilakukan 4 kali percobaan dalam proses
pelatihan dan pengujian arsitektur JST. Berikut ini tabel penggunaan bagian dalam setiap percobaan:
Tabel 3.14
-F old Cross Validation
Percobaan Training Testing 1
1,2 3,4
2 1,3
2,4 3
1,4 2,3
4 3,4
1,2
Ada 2 jenis arsitektur jaringan syaraf tiruan yang digunakan untuk proses pelatihan dan pengujian, yaitu arsitektur dengan satu
hidden layer
dan dua
hidden layer.
1. Arsitektur Jaringan Syaraf Tiruan 1
Hidden Layer
Diambil contoh dengan ciri 8 maka jumlah data
input
sebanyak 45 atribut, kemudian digunakan 1
hidden layer,
dengan jumlah
neuron
pada
hidden layer 1
sebanyak j, dan jumlah
output
sebanyak 21.
Gambar 3.7Arsitektur JST 1 Hidden Layer
X1
X2
X3
X45 Z1
Z2
Z3
Zj Y1
Y2
Y3
Y21
Vij Wij
Input Hidden Layer 1
Output
2. Arsitektur Jaringan Syaraf Tiruan 2
Hidden Layer
Diambil contoh dengan ciri 8 maka jumlah data
input
sebanyak 45 atribut, kemudian digunakan 2
hidden layer,
dengan jumlah
neuron
pada
hidden layer 2
sebanyak j, dan jumlah
output
sebanyak 21.
Gambar 3.8Arsitektur JST 2 Hidden Layer
Berikut ini rincian parameter dalam arsitektur jaringan syaraf tiruan:
1. Lapisan jaringan terdiri dari 4 lapis, yaitu satu lapis masukan
input,
2 lapis tersembunyi
hidden layer
dan satu lapis keluaran
output
. 2.
Untuk
input
dimana Xi adalah jaringan terdiri dari 1
– i
neuron,
dimana i merupakan jumlah total data hasil ekstraksi ciri yang telah ditentukan. Berikut tabel jumlah data yang digunakan:
X1 X2
X3
X45 Z1
Z2
Z3
Zj Z1
Z2
Z3
Zj Y1
Y2
Y3
Y21
Vij Vij
Wij
Hidden Layer 1 Hidden Layer 2
Input Output
Tabel 3.2Jumlah Data
Input
Arsitektur Jaringan Kombinasi Feature
Feature Kombinasi Feature
Jumlah Data Feature
1 [Black]
9 2
[dig1] 9
3 [dig2]
9 4
[Black + dig1] 9 + 9 =18
5 [Black + dig2]
9 + 9 = 18 6
[horz + vert] 9 + 9 = 18
7 [dig1 + dig2]
9 + 9 = 18 8
[Black + dig1 + dig2, + horz + vert]
9 + 18 + 18= 45
3. Untuk mendapatkan arsitektur jaringan yang optimal, digunakan 2
jenis arsitektur jaringan yaitu dengan 1
hidden layer
dan 2
hidden
layer, dimana lapisan tersembunyi pertama dan kedua memiliki jumlah
neuron
yang bervariasi mulai dari 10,15,… dilanjutkan dengan kelipatan 5 hingga 45. Namun apabila pada
neuron
45 nilai akurasi masih tinggi, maka dilanjutkan dengan kelipatan 5
selanjutnya hingga hasil akurasinya turun. Contoh: 10,15,20,…45 4.
Fungsi aktivasi yang digunakan adalah
sigmoid biner logsig.
5. Fungsi pelatihan yang digunakan adalah
trainrp.
6. Batas iterasi
epoch
adalah 500. 7.
Nilai laju pemahaman =
learning rate
adalah 0, 2. 8.
Jumlah
neuron
pada lapisan keluaran
output
adalah 21, sesuai dengan jumlah target aksara
9. Memiliki 21
neuron output
yang merupakan target keluaran jaringan diantaranya,
target 1: BA 1,0,0….0, target 2: TA 0,1,0..target 3 : DA 0,0,1,
…0, ……, target 21: CA 0,0,0…1 PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Dalam pengujianarsitektur JST, dilakukan beberapa kali percobaan untuk mendapatkan model jaringan terbaik berdasarkan
akurasi hasil yang tertinggi. Percobaan dilakukan dengan mengambil sejumlah data hasil ekstraksi ciri berdasarkan kombinasi ciri yang ada
pada tabel 3.2 sebagai data masukan. Untuk setiap kombinasi ciri, dilakukan percobaan lagi dengan mengubah-ubah jumlah lapisan
tersembunyi, yaitu satu lapisan tersembunyi dan 2 lapisan tersembunyi. Pada satu lapisan tersembunyi, jumlah
neuron
divariasi mulai dari 10, 15 hingga 45 dengan penambahan jumlah kelipatan 5,
contohnya 10,15,20….,45.Dari percobaan tersebut diperoleh jumlah
neuron
dengan akurasi tertinggi. Jumlah
neuron
dengan akurasi tertinggi di lapisan tersembunyi ke-1 kemudian digunakan dalam 2
lapisan tersembunyi. Jumlah
neuron
di lapisan tersembunyi ke-2 divariasi sama seperti di lapisan tersembunyi ke-1 hingga memperoleh
akurasi tertingginya. Dari semua percobaan tersebut akan diperoleh model jaringan terbaik berdasarkan akurasi yang tertinggi.
3.2.3 Uji Data Tunggal
