3.1.4 Proses Pengenalan Pola Tanda Tangan
Proses pengenalan pola tanda tangan juga akan melakukan proses ekstraksi ciri terhadap gambar tanda tangan. Hasil ekstraksi ciri kemudian dimasukkan
sebagai bit input pada fase pengenalan. Dengan menggunakan nilai bobot hasil pelatihan yang telah tersimpan di dalam database dan perhitungan metode JST,
identitas pemilik tanda tangan dapat diketahui. Proses pengenalan ini dapat digambarkan dalam bentuk flowchart seperti terlihat pada gambar 3.8.
Gambar 3.8 Flowchart Proses Pengenalan Tanda Tangan
3.1.5 Proses Backpropagation
Metode Backpropagation digunakan untuk mengenali hasil ekstraksi pola
dari tanda tangan. Proses ini terdiri dari fase pelatihan dan pengenalan. Fase pelatihan adalah proses dimana setiap ciri atau pola karakter dilatih
dan hasil perhitungan bobot disimpan ke database untuk digunakan pada fase pengenalan. Arsitektur jaringan Backpropagation dapat dilihat pada gambar 3.9.
Gambar 3.9 Keterangan Arsitektur Jaringan Backpropagation
Secara ringkas, fase pelatihan Backpropagation adalah sebagai berikut: Pertama lakukan Inisialisasi nilai awal :
a Isi nilai bobot v dan w dengan nilai acak yang kecil.
b Tentukan learning rate
α c
Set maksimum epoch atau toleransi error. Perulangan akan berhenti bila epoch mencapai maksimum epoch atau kuadrat error berada
dibawah toleransi error.
Tahap Feedforward
1 Isi Nilai pada neuron lapisan tersembunyi z.
Untuk j = 1 to p, hitung: z_in
j
= v
0j
+
n
i ij
i
v x
1
…3.1 z
j
= fz_in
j
…3.2 2
Isi Nilai pada neuron lapisan output y. Untuk k = 1 to m, hitung: y_in
k
= w
0k
+
p
j jk
j
w z
1
…3.3 y
k
= fy_in
k
…3.4
Tahap Backpropagation
3 Hitung informasi errornya untuk mengubah nilai bobot w. Untuk k=1 to m,
lakukan: δ
k
= t
k
– y
k
f’y_in
k
…3.5
Oleh karena f’x = fx [1 – fx], maka: δ
k
= t
k
– y
k
fy_in
k
1 - fy_in
k
…3.6 Oleh karena y
k
= fy_in
k
, maka: δ
k
= t
k
– y
k
y
k
1 - y
k
…3.7 Hitung perubahan bobot w:
Δw
jk
= α δ
k
z
j
dan Δw
0k
= α δ
k
…3.8 4
Hitung informasi error untuk mengubah nilai bobot v. Untuk j=1 to p, lakukan:
δ_in
j
=
m
k jk
k
w
1
…3.9
kalikan nilai ini dengan turunan dari fungsi aktivasinya untuk menghitung informasi error:
δ
j
= δ_in
j
f’z_in
j
…3.10 Oleh karena f’x = fx [1 – fx], maka:
δ
j
= δ_in
j
z_in
j
1 - z_in
j
…3.11 Oleh karena z
k
= fz_in
k
, maka: δ
j
= δ_in
j
z
j
1 - z
j
…3.12 Hitung perubahan bobot v :
Δv
ij
= α δ
j
x
i
dan Δv
0j
= α δ
j …
3.13
Tahap Update Bobot dan Bias
5 Hitung: w
jk
baru = w
jk
lama + Δw
jk
…3.14 v
ij
baru = v
ij
lama + Δv
ij …
3.15 6
Tes kondisi berhenti, bila epoch mencapai maksimum epoch atau kuadrat error target error.
Dengan demikian, setiap perulangan 1x epoh akan terjadi hal berikut: a
Tahap feedforward: update semua nilai neuron, z dan kemudian nilai y. b
Tahap backpropagation: hitung nilai error w dan v. c
Tahap update bobot: ubah nilai bobot garis w dan v.
Hasil perhitungan bobot, w dan v ini akan dihitung dan disimpan ke dalam database untuk digunakan dalam fase pengenalan. Proses pelatihan
Backpropagation dapat digambarkan dalam bentuk flowchart seperti terlihat pada gambar 3.10 berikut.
Gambar 3.10 Flowchart Proses Pelatihan Backpropagation
Hasil proses pelatihan backpropagation adalah bobot v dan w yang akan disimpan dan digunakan pada saat proses pengenalan. Pada fase
pengenalan, hanya tahap feedforward yang perlu dijalankan untuk mendapatkan nilai y. Deretan nilai y adalah bit-bit output yang menunjuk pada
salah satu pola yang paling mirip dengan pola input.
3.2 Perancangan Tampilan
Kategori