BAB II LANDASAN TEORI
2.4 Jaringan Syaraf
2.4.2 Jaringan Syaraf Tiruan (JST)
Sebuah jaringan syaraf tiruan merupakan model jaringan neural yang meniru prinsip kerja dari neuron otak manusia (neuron biologis). (Kusumadewi, 2003) JST muncul pertama kali muncul setelah model sederhana dari neuron buatan diperkenalkan oleh McCulloch dan Pitts pada tahun 1943. Model sederhana berdasarkan fungsi neuron biologis yang merupakan dasar unit pensinyalan dari sistem syaraf.
Jaringan syaraf tiruan memiliki beberapa kemampuan seperti yang dimiliki oleh manusia, yaitu :
1. Kemampuan untuk belajar dari pengalaman
2. Kemampuan melakukan perumpamaan (generalization) terhadap input baru dari pengalaman yang dimilikinya.
3. Kemampuan memisahkan (abstraction) karateristik penting dari input yang mengandung data yang tidak penting.
Dengan kemampuan jaringan syaraf tiruan, masalah yang rumit termasuk kurangnya informasi yang tersedian dapat diatasi. Jaringan syaraf tiruan telah dimanfaatkan dalam beberapa bidang pengetahuan seperti pemrosesan sinyal (pengenalan pola, pengenalan suara, dan pengenalan gambar), kompresi, rekonstruksi data, pengumpulan data dan penyederhanaan data.
yaitu:
1. Himpunan unit-unit yang dihubungkan dengan jalur koneksi. Jalur-jalur tersebut mempunyai bobot/kekuatan yang berbeda-beda. Bobot yang mempunyai nilai positif akan memperkuat sinyal dan yang bernilai negatif akan memperlemah sinyal yang dibawanya. Jumlah struktur dan pola hubungan antar unit-unit tersebut akan menentukan arsitektur jaringan (dan juga model jaringan yang terbentuk).
2. Suatu unit penjumlah yang akan menjumlahkan input-input sinyal yang sudah dikalikan dengan bobotnya. Misalkan X1, X2, …, Xm adalah unit-unit input dan Wj1, Wj2, … , Wjmadalah bobot penghubung dari unit-unit tersebut ke unit keluaran Yj, maka unit penjumlah akan memberikan keluaran sebesar
uj = X1 Wj1 + X2Wj2 + … +XmWm.
3. Fungsi aktivasi yang akan menentukan apakah sinyal dari input neuron akan diteruskan ke neuron lain ataukah tidak
2.4.2.2 Arsitektur Jaringan Syaraf Tiruan.
Arsitektur jaringan syaraf tiruan merupakan pengaturan spesifik dan hubungan antar neuron pada lapisan dalam jaringan. Neuron-neuron yang terletak pada lapisan yang sama memiliki sifat dan fungsi aktivasi yang sama.
Neuron-neuron dalam jaringan syaraf tiruan dikelompokkan dalam lapisan masukan (input layer) merupakan lapisan pertama yang menerima sinyal dari bagian luar jaringan, lapisan tersembunyi (hidden layer) yaitu lapisan yang menerima sinyal dari neuron pada lapisan masukan dan lapisan keluaran (output layer) yaitu lapisan yang mengekstrak ciri dari yang berkaitan atau pola dari sinyal yang diterima.
Beberapa arsitektur jaringan yang sering dipakai dalam jaringan syaraf tiruan antara lain :
1. Jaringan dengan lapisan tunggal (single layer network)
Jaringan dengan lapisan tunggal hanya memiliki satu lapisan dengan bobot – bobot saling terhubung. Jaringan ini hanya menerima input,
kemudian secara langsung akan mengolahnya mejadi output tanpa harus melalui lapisan tersembunyi. Semua unit input akan dihubungkan dengan setiap unit output.
lapisan bobot-bobot yang terletak antara 2 lapisan yang bersebelahan. Jaringa dengan banyak lapisan ini dapat menyelesaikan permasalahan yang lebih sulit daripada lapisan dengan lapisan tunggal.
Gambar 2.4 multilayar network
2.4.2.3 Fungsi Aktivasi
Dalam jaringan syaraf tiruan, fungsi aktivasi digunakan untuk menentukan keluaran suatu neuron. Argumen fungsi aktivasi adalahnet masukan (kombinasi linier masukan dan bobotnya). Jika net=∑ , maka fungsi aktivasinya adalah f (net) = f(∑XjWi ) (Jong Jek Siang, 2009).
Fungsi aktivasi dalam jaringan syaraf tiruan : 1. Fungsi threshold
( ) = 1,0, < 0 ≥ 0
Gambar 2.5 Threshold
Jika fungsi thereshold berharga -1 atau 1 disebut threshold bipolar. 2. Fungsi Log-Sigmod/sigmod biner(Logsig)
( ) =
Nilai fungsi dari sigmod terletak antara 0 dan 1 dan dapat diturunkan menjadi
( ) = ( ) 1 − ( )
Gambar 2.6 Logsig 3. Fungsi Identitas/Linear
( ) =
(2.7)
(2.8)
(2.9)
Gambar 2.7 Identitas
Fungsi identitas sering digunakan jika diinginkan keluaran jaringan berupa bilangan rill ( bukan hanya pada range (0,1) atau (-1,1)).
4. Fungsi hard Limit (hardlim)
( ) = 0,1, > 0 ≤ 0
Gambar 2.8 Hard Limit 5. Fungsi Symetric Hard Limit (hardlims)
( ) = 1,0, > 0 = 0 −1, < 0
Gambar 2.9 Symetric hard Limit
(2.11)
6. Fungsi Bipolar (dengan threshold)
( ) = 1,−1, ≥ 0 < 0
Gambar 2.10 Bipolar
7. Fungsi Saturating Linear (satlin)
( ) = + 0,5; 1, − 0,5 ≤ ≤ 0,5 > 0,5 0, ≤ −0,5
Gambar 2.11 Saturating Linear
8. Fungsi Symetric Saturating Linear (satlins)
( ) = , 1, − 1 ≤ ≤ 1 ≥ 1 0, ≤ −1
(2.13)
(2.14)
Gambar 2.12 Symetric Saturaturing Linear
9. Fungsi Hyperbolic Tangent Sigmod/Sigmod Bipolar (Tansig)
Fungsi sigmod bipolar hampir sama dengan fungsi sigmod biner, hanya saja output dari fungsi ini memiliki range antara 1 sampai -1
( ) =
Dengan fungsi turunan menjadi
( ) = [1 + ( )][1 − ( )]
Gambar 2.13 Sigmod Bipolar
(2.16)
2.4.3 Jaringan Syaraf Tiruan Propagasi Balik (Backpropagation)
Propagasi balik merupakan algoritma pembelajaran yang menggunakan banyak lapisan untuk mengubah bobot-bobot yang terhubung dengan neuron-neuron yang ada lapisan tersembunyinya. Algoritma propagasi balik menggunakan
error output untuk mengubah nilai bobot-bobotnya dalam arah mundur (backward). Untuk mendapatkan error ini, tahap perambatan maju (forward propagation) harus dikerjakan terlebih dahulu (Kusumadewi, 2003).
2.4.3.1 Arsitektur Propagasi Balik
Propagasi balik memiliki beberapa unit neuron yang ada dalam satu atau lebih layar tersembunyi. Gambar 2.10 adalah arsitektur Propagasi balik dengan n
buah masukan (ditambah sebuah bias), serta m buah unit keluaran. Vji merupakan bobot garis dari unit masukan Xi ke unit layar tersembunyi Zj(Vj0 merupakan bobot garis yang menghubungkan bias di unit masukan ke unit layar tersembunyi
Zj). Wkj merupakan bobot dari unit layar tersembunyi Zj ke unit keluaran yk (Wk0
Gambar 2.14 Arsitektur Propagasi Balik (JJ Siang, 2005)
2.4.3.2 Fungsi Aktivasi Propagasi Balik
Fungsi aktivasi pada metode propagasi balik menggunakan sebuah fungsi aktivasi beserta turunan dari fungsi tersebut. Propagasi balik dapat menggunakan fungsi aktivasi sigmoid biner (yang memiliki range (0,1)) maupun sigmoid bipolar
(yang memiliki range (-1,1)) beserta turunan fungsinya. Pemilihan fungsi aktivasi tergantung pada kebutuhan nilai keluaran jaringan yang diharapkan. Bila keluaran jaringan yang diharapkan ada yang bernilai negatif, maka digunakan fungsi
sigmoid bipolar, sebaliknya bila nilai keluaran jaringan yang diharapkan bernilai positif atau sama dengan nol, maka digunakan fungsi sigmoid biner. Selain fungsi
sigmoid fungsi yang bias digunakan dalam metode propagasi balik adalah fungsi linear.
Fungsi sigmod biner :
( ) = Dengan turunan
( ) = ( )(1 − ( )) Fungsi sigmod bipolar
( ) = Dengan turunan
′( ) = [1 + ( )][1 − ( )]
Fungsi sigmoid memiliki nilai maksimum = 1. Maka untuk pola yang targetnya >1, pola masukan dan keluaran harus terlebih dahulu ditransformasikan sehingga semua polanya memiliki range yang sama seperti fungsi sigmoid yang dipakai. Alternatif lain adalah menggunakan fungsi aktivasi sigmoid hanya pada layar yang bukan layar keluaran. Pada layar keluaran, fungsi aktivasi yang dipakai adalah fungsi identitas : f(x) = x.
2.4.3.3 Laju Pembelajaran (Learning Rate)
Laju belajar merupakan suatu konstanta yang ditentukan pada awal pembelajaran. Laju belajar berfungsi memperbaiki kecepatan komputasi back propagation untuk mencapai target yang diinginkan. Pada tahap pembelajaran propagasi balik, penyesuaian bobot dilakukan berdasarkan nilai kesalahan yang dicapai oleh jaringan dengan tujuan agar suatu saat tercapai konfigurasi bobot
(2.18)
(2.19)
(2.20)
2.4.3.4 Algoritma Propagasi Balik
Pelatihan propagasi balik meliputi 3 fase. Fase pertama adalah fase maju. Pola masukan dihitung maju mulai dari layar masukan hingga layar keluaran menggunakan fungsi aktivasi yang ditentukan. Fase kedua adalah fase mundur. Selisih antara keluaran jaringan dengan target yang diinginkan merupakan kesalahan yang terjadi. Kesalahan tersebut dipropagasikan mundur dimulai dari garis yang berhubungan langsung dengan unit–unit di layar keluaran fase ketiga adalah modifikasi bobot untuk menurunkan kesalahan yang terjadi. (Kusumadewi, 2003)
Algoritma pelatihan jaringan syaraf tiruan propagasi balik adalah sebagai berikut :
Langkah 0 : Inisialisasi semua bobot dengan bilangan acak kecil
Langkah 1 : Jika kondisi pengehntian belum terpenuhi, lakukan langkah 2-9.
Langkah 2 : Untuk setiap pasang data pelatihan, lakukan langkah 3-8.
Fase I : Propagasi maju
Langkah 3 : Tiap unit masukan menerima sinyal dan meneruskan ke unit tersembunyi diatasnya.
Langkah 4 : Hitung semua keluaran di unit tersembunyi Zj (j=1,2,3,..p).
= + ∑ ( )
= ( ) =1 + 1
Langkah 5 : Hitung semua keluaran jaringan di unit Yk (k = 1, 2,…m).
= + ∑ ( ) = ( ) =
Fase II : Propagasi mundur
Langkah 6 : Hitung mundur faktor unit keluaran berdasarkan kesalahan di setiap unit keluaran Yk (k = 1, 2,…m).
= ( − ) ( ′ ) = ( − ) (1 − )
merupakan unit kesalahan yang akan dipakai dalam perubahan bobot layar dibawahnya (Langkah 7).
Hitung suku perubahan bobot Wkj (yang akan dipakai nanti untuk merubah bobot
Wkj ) dengan laju percepatan α.
∆ = ; = 1,2, . . , ; = 0,1, ..p
Langkah 7 : Hitung faktor unit tersembunyi berdasarkan kesalahan di setiap untit tersembunyi Zj (j=1,2,3,..p). = ∑ ( ) (2.22) (2.23) (2.24) (2.25) (2.26)
Vji.
∆ = = 1,2, . . , ; = 0,1, … ,
Fase III : Perubahan bobot
Langkah 8: Hitung semua perubahan bobot
Perubahan bobot garis yang menuju ke unit keluaran :
( ) = ( ) + ∇
Perubahan bobot garis yang menuju ke unit tersembunyi :
( ) = ( ) + ∇
Langkah 9: kondisi perulangan.
Setelah pelatihan selesai dilakukan, jaringan dapat dipakai untuk pengenalan pola. Dalam hal ini hanya propagasi maju (langkah 4 dan 5) saja yang dipakai untuk menentukan keluaran jaringan.
(2.27)
33
BAB III
ANALISA DAN PERANCANGAN SISTEM
Pada bab ini akan menjelaskan gambaran sistem secara umum untuk mengenali plat nomor kendaraan dengan menggunakan metode Propagasi Balik. Untuk itu, dibutuhkan dua tahap Jaringan Syaraf Tiruan Propagasi Balik dalam pengenalan plat nomor, yaitu:
a. Tahap pelatihan (training) untuk pembentukan model
b. Tahap pengujian (testing) yang sekaligus sebagai pengenalan plat nomor kendaraan.
Bab ini juga akan mendesain rancangan userinterface dari aplikasi yang akan dibangun serta perangkat keras dan lunak yang digunakan.
3.1 Analisa Sistem
Sistem yang akan dibangun adalah untuk mengenali plat nomor kendaraan bermotor khususnya DIY Yogyakarta dengan menggunakan metode Propagasi Balik. Karakter yang akan dikenali ialah angka 0 sampai 9 dan huruf A sampai Z, dimana pengenalannya dilakukan pada setiap karakter yang ada pada plat nomor kendaraan tersebut.
Input yang akan diproses dengan menggunakan ekstensi *.jpg. Gambar yang di inputkan kemudian dikenali melalui ekstraksi ciri.
Tabel 3.1. Data Training A 5 N 5 B 5 O 5 C 5 P 5 D 5 Q 5 E 5 R 5 F 5 S 5 G 5 T 5 H 5 U 5 I 5 V 5 J 5 W 5 K 5 X 5 L 5 Y 5 M 5 Z 5 0 5 5 5 1 5 6 5 2 5 7 5 3 5 8 5 4 5 9 5
Gambar yang akan di proses merupakan plat nomor kendaraan pribadi yang menpunyai background hitam dan warna setiap karater berwana putih. Gambar dibawah ini merupakan penjelasan bagian-bagian dari sebuah plat nomor dapat dilihat pada gambar 3.1 berikut.
A B C
D
Gambar 3.1 Plat Nomor Kendaraan Bermotor Keterangan gambar :
A = Nomor kode wilayah B = Nomor urut pendaftaran C = Nomor tanda pengenal D = Tanggal masa berlaku
3.2 Analisa klasifikasi dengan JST Propagasi Balik
Metode klasifikasi dengan JST Propagasi Balik dipilih karena beberapa kelebihan yang dimilikinya, yaitu kemudahannya untuk diimplementasikan, serta kekuatan generalisasinya yang baik sehingga dapat memberika hasil yang akurat dengan sampel di luar sampel yang digunakan untuk pembelajaran.
1. Lapisan tersembunyi
Secara garis besar dalam Jaringan Syaraf Tiruan Propagasi Balik terdiri dari tiga lapisan yaitu lapisan masukan, lapisan tersembunyi dan lapisan keluaran. Namun untuk menghasilkan hasil yang maksimal lapisan tersembunyi dapat dipecah dan dibuat beberapa lapisan baru. Untuk
lapisan tersembunyi ditambah lapisan keluaran) sudah mampu untuk memecahkan masalah dengan hasil yang maksimal. (Jong Jek Siang, 2009). 2. Fungsi aktivasi
Dalam Propagasi Balik, fungsi aktivasi yang dipakai harus memenuhi beberapa syarat yaitu kontinu, terdiferensial dengan mudah dan merupakan fungsi yang tidak turun. Salah satu fungsi yang memenuhi ketiga syarat tersebut yaitu sigmod biner (Logsig) yang memiliki range (0,1) dan sigmod bipolar (Tansig) yang memiliki range (-1,1). (Jong Jek Siang, 2009).
3. Inisialisasi Bobot
Pemilihan bobot awal sangat mempengaruhi jaringan syaraf dalam mencapai nilai minimum terhadap nilai eror, serta cepat tidaknya pelatihan menuju kekonvergenan (menuju satu titik pertemuan). Apabila nilai bobot awal terlalu besar, maka input ke setiap lapisan tersembunyi atau lapisan output
akan jatuh pada daerah fungsi turunan yang akan sangat kecil. Sebaliknya, apabila nilai bobot awal terlalu kecil maka input ke setiap lapisan tersembunyi atau lapisan output akan sangat kecil, yang akan menyebabkan proses pelatihan akan berjalan sangat lambat. Biasanya bobot awal diinisialisasi secara random dengan nilai antara -0,5 sampai 0,5 (atau -1 sampai 1, atau interval yang lain). Jika menggunakan bobot awal secara tetap
maka hal ini dapat memicu lambatnya proses training. Untuk proses pelatihan ini menggunakan bobot awal secara acak. (Jong Jek Siang, 2009).
3.3 Perancangan Sistem
Perancangan sistem yang menjelaskan urutan proses dalam program. Terdapat proses ekstraksi ciri, proses pembentukan model dengan Propagasi Balik dan analisa hasil.
Kumpulan Huruf A-Z dan 0-9 Ekstrasi Ciri Propagasi Balik Model Foto Plat Nomor Ekstrasi Ciri Propagasi Balik Hasil Training Testing Penyusunan Angka dan Huruf kembali
Segmentasi
menentukan suatu model pada setiap angka dan huruf. Kemudian mengklasifikasikan sampel-sampel angka dan huruf ke dalam model pola yang sesuai. Dalam proses pengenalan pola plat nomor kendaraan dan pembentukan metode Propagasi Balik ada dua tahap yang dilakukan yaitu tahap pelatihan (training) dan tahap pengujian (testing).