Gloeosporium Piperatum - ANALISIS DAN PERANCANGAN SISTEM

ANALISIS DAN PERANCANGAN SISTEM

3 Gloeosporium Piperatum

Pada penelitian ini, rancangan arsitektur jaringan saraf tiruan dapat dilihat pada gambar 3.6

Classification

Neural network backpropagation

Gambar 3.9. Arsitektur jaringan saraf tiruan

Adapun penjelasan dari rancangan arsitktur jaringan saraf tiruan pada gambar 3.5 adalah sebagai berikut.

1. Lapisan input memiliki 162 neuron ditambah 1 buah bias, lapisan tersembunyi memiliki 165 neuron dengan ditambah 1 bias dan lapisan ouput memiliki 3 neuron.

2. x1 sampai dengan x162 adalah neuron pada lapisan input, z1 sampai dengan z165 adalah neuron pada lapisan tersembunyi dan y1 sampai dengan y3 adalah neuron pada lapisan ouput.

3. b1 merupakan bias yang menuju pada lapisan tersembunyi, sedangkan b2 adalah bias yang menuju lapisan output.

4. vij merupakan nilai bobot koneksi antara neuron i pada lapisan input dengan neuron j pada lapisan tersembunyi. Kemudian wjk adalah nilai bobot koneksi antara neuron j pada lapisan tersembunyi dengan neuron k pada lapisan output. voj adalah bobot koneksi antara bias dengan neuron j pada lapisan tersembunyi sedangkan woj adalah bobot koneksi antara bias dengan neuron k pada lapisan output.

3.4.2. Tahap Pelatihan Backpropagation

Setelah jaringan terbentuk, maka tahap selanjutnya adalah pelatihan jaringan menggunakan backpropagation. Adapaun tujuan dari pelatihan jaringan backpropagation adalah untuk mengatur nilai bobot yang terdapat pada jaringan, sehingga nilai error yang dihasilkan akan semakin kecil. Setelah pelatihan jaringan selesai dilakukan, bobot akhir pada proses pelatihan akan disimpan yang kemudian bobot akhir tersebut akan digunakan pada tahap pengujian. Proses pelatihan dapat dilihat pada Gambar 3.7.

Gambar 3.10. Proses pelatihan jaringan backpropagation

Pertama input data pelatihan ke dalam jaringan. Pada penelitian ini, terdapat 30 data pelatihan untuk setiap output, dimana terdapat 3 output sehingga total keseluruhan data adalah 90 data pelatihan. Pada setiap data masukan backpropagation terdiri dari 162 neuron input, dimana data tersebut didapatkan dari hasil ekstrasi fitur. Kemudian tentukan target kelas dari setiap data input, lalu lakukan inisiasi pada seluruh nilai bobot dan bias secara acak pada range 1 sampai -1, kemudian tentukan nilai parameter learning rate, minumum_error dan maksimum_epoch yang akan

Tentukan arsitektur jaringan (x input, z hidden, y output) Inisiasi semua bobot secara acak

Tentukan parameter backpropagation (learning rate, maksimal epoch, minimum error)

Input data pelatihan Tentukan class target

For epoch <= maksimum epoch

For jumlahdata <= maksimum jumlahdata

Hitung seluruh keluaran pada lapisan tersembunyi Hitung seluruh keluaran pada lapisan output Hitung seluruh error pada lapisan output

Hitung seluruh suku perubahan bobot pada lapisan output Hitung seluruh error pada lapisan tersembunyi

Hitung seluruh suku perubahan bobot pada lapisan tersembunyi Hitung seluruh suku perubahan bobot pada lapisan output Hitung seluruh suku perubahan bobot pada lapisan tersembunyi End for

If total_error >= minimum error Hentikan iterasi

End for

digunakan. Pelatihan akan terus berjalan selama nilai epoch lebih kecil dari nilai maksimum epoch yang ditentukan.

Fase forward dilakukan setelah proses inisiasi selesai dengan cara menghitung seluruh nilai keluaran neuron yang terdapat pada lapisan tersembunyi (zj) dan lapisan output (yk) menggunakan persamaan 2.11 sampai 2.14. Fase backward kemudian dilakukan dengan menghitung faktor kesalahan pada lapisan output ( ) dan lapisan tersembunyi ( ) menggunakan persamaan 2.12 dan 2.15. Hasil dari perhitungan faktor kesalahan, kemudian akan digunakan untuk menghitung suku perubahan bobot pada lapisan output ( ) dan lapisan tersembunyi ( ) menggunakan persamaan 2.13 dan 2.16. Jumlah error kemudian dihitung pada data masukan dengan melakukan penjumlahan nilai error pada setiap output neuron, kemudian hitung jumlah error pada setiap epoch dengan menjumlahkan hasil penjumlahan error setiap data masukkan.

Apabila nilai error setiap epoch lebih kecil dari nilai minimum error yang telah ditentukan, maka iterasi akan berhenti dan begitu juga sebaliknya. Setelah iterasi berhenti, nilai bobot akhir kemudian akan disimpan untuk menjadi input bagi setiap tahap pengujian.

Proses Pelatihan Backpropagation

Tahap pelatihan backpropogation dilakukan untuk mendapatkan nilai bobot akhir yang kemudian akan digunakan untuk tahap pengujian. Berikut ini adalah uraian pelatihan jaringan backpropagation menggunakan 3 neuron input, 1 neuron hidden dan 1 neuron output.

a. Diberikan data dengan menggunakan input x1 sampai x3 dan target yang dapat dilihat pada tabel 3.5.

Tabel 3.5. Input dan Target

Data X1 X2 X3 Target

Gambar1 0.42 0.32 0.86 1

Gambar2 0.40 0.22 0.52 1

b. Inisiasi bobot awal dengan nilai antar 0 sampai 1

 Inisiasi bobot koneksi antara lapisan input dan lapisan tersembunyi (Vji) seperti yang terlihat pada tabel 3.6.

Tabel 3.6. Bobot awal Vji

Data V10 V11 V12 V13

Gambar1 0.32 0.673 0.352 0.162

 Inisiasi bobot koneksi antara lapisan tersembunyi dan lapisan output (Wkj) seperti yang terlihat pada tabel 3.7

Tabel 3.7. Bobot awal Wkj

Data W10 W11

Gambar1 0.786 0.472

c. Tentukan parameter learning rate, minimum error dan maksimum epoch.

 Learning rate = 0.5

 Minimum error = 0.01

 Maksimum epoch = 2

d. Dilakukan iterasi selama epoch < maksimal epoch dan nilai error > minimum error

e. Lakukan langkah fase forward

 Hitung nilai pada lapisan tersembunyi dengan menggunakan persamaan 2.11. = = = 1*(0.32) + 0.42*(0.673) + 0.32*(0.352) + 0.86*(0.16) 0.32 + 0.282 + 0.112 + 0.128 0.842

 Kemudian hitung nilai keluaran zj pada node di lapisan tersembunyi menggunakan persamaan 2.12 (menggunakan fungsi aktivasi sigmoid biner).

 Hitung nilai pada node di lapisan output menggunakan persamaan 2.13. = = = 1*(0.786) + 0.69*(0.472) 0.786 + 0.32 1.11

 Kemudian hitung nilai keluaran yk pada node di lapisan output menggunakan persamaan 2.14 (menggunakan fungsi aktivasi sigmoid biner).

= 0.75

f. Lakukan langkah – langkah pada fase backward.

 Hitung faktor di unit keluaran � dengan menggunakan persamaan 2.15.

= (1 - 0.75) * 0.75 * (1 – 0.75) = 0.25 * 0.75 * 0.25

= 0.046

 Hitung suku perubahan bobot � dengan menggunakan persamaan 2.16

= 0.5 * 0.046 * 1 = 0.025545 = 0.023 = 0.5 * 0.046 * 0.69 = 0.015

 Hitung penjumlahan pada unit tersembunyi dengan menggunakan persamaan 2.17.

= 0.046 * 0.476 = 0.021

 Hitung faktor pada unit tersembunyi menggunakan persamaan 2.18 = 0.021 * (0.69) * (1 - 0.69) = 0.0044

 Hitung suku perubahan bobot dengan menggunakan persamaan 2.19. = 0.5 * 0.0044 * 1 = 0.002 = 0.5 * 0.0044 * 0.42 = 0.001 = 0.5 * 0.0044 * 0.32 = 0.001 = 0.5 * 0.0044 * 0.86 = 0.001

g. Hitung perubahan bobot jaringan backpropagation.

 Hitung bobot baru setiap node lapisan output menggunakan persamaan 2.20

= 0.786 + 0.0023 = 0.809 = 0.472 + 0.015 = 0.487

 Hitung bobot baru setiap node lapisan tersembunyi dengan persamaan 2.21

= 0.32 + 0.002 = 0.322 = 0.673 + 0.001 = 0.674 = 0.352 + 0.001 = 0.353 = 0.162 + 0.001 = 0.163

h. Hitung nilai error jaringan dengan menambahkan jumlah nilai error setiap node pada lapisan output. Karena neuron output hanya satu maka,

Error = 0.0044

3.4.3. Tahap Pengujian Backpropagation

Proses pengujian jaringan backpropagation dilakukan dengan hanya melaksanakan fase arah maju (feed forward), karena pada tahap ini, data yang akan diuji adalah data hasil ekstraksi fitur, dimana data tersebut bukan termasuk data pelatihan. Bobot yang digunakan pada fase feed forward adalah bobot hasil pelatihan, dimana kemudian dilakukan perhitungan nilai keluaran setiap node pada lapisan tersembunyi dan lapisan output.

Kemudian dilakukan pengujian terhadap hasil keluaran setiap node pada lapisan output. Apabila hasil keluaran node lebih besar dari 0,5 maka nilai keluaran pada node tersebut akan diubah menjadi 1. Sebaliknya nilai keluaran pada node akan diubah menjadi 0 jika nilai keluaran pada node tersebut lebih kecil dari 0.

Proses Pengujian Backpropagation

Pada proses pengujian backpropagation, data uji akan menjadi input bagi jaringan backpropagation dan bobot yang digunakan adalah bobot hasil pelatihan. Berikut adalah contoh langkah - langkah pengujian backpropagation dengan menggunakan nilai bobot hasil pelatihan.

 Masukkan data uji ke dalam jaringan. Data uji ditunjukkan pada Tabel 3.8.

Tabel 3.8. Data uji

Data X1 X2 X3

Gambar4 0.55 0.31 0.64

 Gunakan bobot hasil pelatihan seperti yang ditunjukkan pada Tabel 3.9 dan Tabel 3.10.

Tabel 3.9. Bobot Vkj baru

Bobot V10 V11 V12 V13

Nilai 0.33 0.11 0.354 0.534

Tabel 3.10. Bobot Wkj baru

Bobot W10 W11

Nilai 0.808 0.43

 Hitung nilai pada node di lapisan tersembunyi dengan menggunakan persamaan 2.11. = = = 1*(0.33) + 0.55*(0.11) + 0.31*(0.354) + 0.64*(0.534) 0.33 + 0.0605 + 0.11 + 0.348 0.848

 Hitung nilai keluaran zj pada node di lapisan tersembunyi menggunakan persamaan 2.12

= 0.7

 Hitung nilai pada node di lapisan output dengan menggunakan persamaan 2.13. = = = 1*(0.808) + 0.7*(0.43) 0.808 + 0.301 1.109

 Kemudian hitung nilai keluaran yk pada node di lapisan output menggunakan persamaan 2.14.

= 0.752

 Nilai keluaran adalah 0.752, dimana 0.752 > 0.5. Maka nilai memenuhi target 1

3.5. Perancangan Sistem

Pada tahap ini akan dilakukan perancangan antarmuka dari sistem untuk mengklasifikasi jenis jamur penyebab penyakit Antraknosa pada cabai.

3.5.1. Perancangan Antarmuka

Membangun sebuah sistem diperlukan suatu perancangan interface (antarmuka) yang merupakan gambaran secara umum tampilan dari sistem yang akan dibangun. Tujuan dari rancangan antarmuka sistem ini sendiri adalah untuk memberikan kemudahan dalam membangun sistem sehingga dapat dipahami tujuan dan fungsi dari setiap tampilan pada sistem tersebut

3.5.1.1. Rancangan Halaman Awal

Gambar 3.11. Rancangan Halaman Awal

Keterangan :

1. Logo dari sistem yang berupa gambar tanaman cabai. 2. Tombol untuk menampilkan halaman pelatihan 3. Tombol untuk menampilkan halaman pengujian

3.5.1.2. Rancangan Tampilan Halaman Pengujian dan Klasifikasi

Gambar 3.12. Rancangan Halaman Pengujian Sistem

LOGO

PELATIHAN PENGUJIAN PENGENALAN JAMUR PADA TANAMAN CABAI

browse reset identifikasi

Citra Input Citra Brightness &

Contrast Citra Sharpening

Hasil Ekstrasi Fitur

Hasil Klasifikasi

Keterangan

4 5 6

Keterangan :

1. Tombol browse untuk memilih citra cabai yang akan dideteksi. 2. Tombol reset untuk menghapus citra cabai yang salah

3. Tombol identifikasi untuk memulai pemrosesan pada sistem 4. Kotak 4 untuk menampilkan citra yang diinput

5. Kotak 5 untuk menampilkan citra yang telah di proses brightness dan contrast 6. Kotak 6 untuk menampilkan citra yang telah diproses sharpening

7. Kotak 7 untuk menampilkan hasil ekstraksi fitur

8. Kotak 8 untuk menampilkan hasil dari klasifikasi mengguakan backpropagation

BAB 4

Dalam dokumen Penerapan Neural Network Backpropagation Untuk Klasifikasi Jamur Penyebab Penyakit Antraknosa Pada Cabai (Halaman 35-46)