Klasifikasi Citra dengan Backpropagation Neural Network

ANALISIS DAN PERANCANGAN

3.6 Klasifikasi Citra dengan Backpropagation Neural Network

Setelah di dapat nilai fitur pada proses ekstraksi fitur menggunakan Zoning, tahapan berikutnya yaitu proses klasifikasi citra menggunakan metode Backpropagation Neural Network. Tahap-tahap yang dilakukan adalah sebagai berikut: tahap perancangan arsitektur backpropagation Neural Network, tahap pelatihan backpropagation dan tahap pengujian backpropagation.

3.6.1. Tahap Perancangan Arsitektur Backpropagation Neural Network

Sebelum dilakukan proses pelatihan, maka Backpropagation Neural Network harus di rancang terlnih dahulu. Pada penelitian ini, arsitektur jaringan backpropagation yang akan dirancang terdiri dari 121 neuron pada lapisan input, 5 neuron pada lapisan tersembunyi dan 3 neuron pada lapisan output. Jumlah 121 neuron pada lapisan input ditentukan berdasarkan jumlah fitur dari hasil ekstraksi.

Pada penelitian ini arsitektur jaringan saraf tiruan yang akan di rancang dapat dilihat pada Gambar 3.7.

Gambar 3.7. Arsitektur Backpropagation

Adapun penjelasan arsitektur jaringan saraf tiruan pada Gambar 3.7 adalah sebagai berikut

1. Lapisan input memliki 121 neuron ditambah 1 neuron bias, lapisan tersembunyi memilki 5 neuron ditambah 1 neuron bias sedangkan lapisan output memiliki 3 neuron.

2. 𝑥₁ sampai dengan 𝑥₁₂₁ adalah neuron-neuron pada lapisan input 𝑧₁ sampai dengan 𝑧₅ adalah neuron-neuron pada lapisan tersembunyi dan 𝑦₁ sampai 𝑦₃ adalah neuron-neuron pada lapisan output.

3. 𝑏₁ merupakan bias yang menuju ke lapisan tersembunyi sedangkan 𝑏₂ merupakan bias yang menuju ke lapisan output.

4. 𝑣_𝑖𝑗 adalah nilai bobot koneksi antara neuron 𝑖 lapisan input dengan neuron 𝑗 adalah neuron tersembunyi. Sedangkan 𝑤_𝑗𝑘 adalah nilai bobot koneksi antara neuron 𝑗 lapisan tersembunyi dengan neuron 𝑘 pada lapisan output. 𝑣_𝑜𝑗 adalah bobot koneksi antara bias dengan neuron j dilapisan tersembunyi sedangkan 𝑤_𝑜𝑘 adalah bobot koneksi antara bias dengan neuron 𝑘 di lapisan output.

3.6.2 Tahap Pelatihan Backpropagation

Setelah jaringan dibentuk, maka tahap pelatihan jaringan menggunakan backpropagation dapat dilakukan. Tujuan dari pelatihan jaringan backpropagation adalah mengatur nilai error agar menjadi semakin kecil atau membuat agar nilai output mendekati target. Setelah pelatihan jaringan selesai, bobot akhir proses pelatihan akan disimpan, dimana bobot akhir tersebut akan digunakan pada tahap pengujian. Proses pelatihan jaringan backpropagation dapat dilihat pada gambar 3.8.

Gambar 3.8. Proses Pelatihan Jaringan Backpropagation

3.6.3 Tahap 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 4 neuron input, 1 neuron hidden dan 1 neuron output akan diuraikan sebagai berikut.

a. Data yang diberikan dengan menggunakan input X1 sampai X4 dan target yang dapat dilihat pada Tabel 3.2.

Tabel 3.1. Input dan Target

Data X1 X2 X3 X4 Target

Gambar1 0.28 0.35 0.69 0.98 1 Gambar2 0.30 0.72 0.58 0.83 1

b. Inisiasi bobot awal dengan nilai antar 0 sampai 1

 Inisiasi bobot koneksi antara lapisan input dan lapisan tersembunyi (𝑉_𝑗𝑖) seperti yang terlihat pada Tabel 3.3.



Tabel 3.2. Bobot awal Vji

Bobot Awal (Vji) V10 (bias) V11 V12 V13 V14 Gambar1 0.251 0.673 0.293 0.561 0.284

 Inisiasi bobot koneksi antara lapisan tersembunyi dan lapisan output (𝑊_𝑘𝑗) seperti yang terlihat pada Tabel 3.4.

Tabel 3.3. Bobot awal Wkj

Bobot Awal (Wkj) W10 W11

Gambar1 0.786 0.564

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 𝑧_𝑛𝑒𝑡_𝑗 pada lapisan tersembunyi dengan menggunakan Persamaan:

𝑧_𝑛𝑒𝑡₁= menggunakan fungsi aktivasi sigmoid biner.

𝑧₁ = 𝑓(𝑧_𝑛𝑒𝑡₁) = 1

1 + 𝑒⁻⁽¹⁾ = 0.730

 Hitung nilai 𝑦_𝑛𝑒𝑡_𝑘 pada node di lapisan output menggunakan Persamaan:

𝑦_𝑛𝑒𝑡₁=

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

𝑦₁ = 𝑓(𝑦_𝑛𝑒𝑡₁) = 1

1 + 𝑒^−(1.198) = 0.769

f. Lakukan langkah – langkah pada fase backward.

 Hitung faktor 𝛿 di unit keluaran 𝑦𝑘 dengan menggunakan Persamaan:

𝛿₁ = (1 - 0.769) * 0.769 * (1 – 0.769)

= 0.231 * 0.769 * 0.231

= 0.041

 Hitung suku perubahan bobot 𝑊_𝑘𝑗 dengan menggunakan Persamaan:

Δ𝑤₀₁ = 0.5 * 0.041 * 1 = 0.021 Δ𝑤₁₁ = 0.5 * 0.041 * 0.730 = 0.015

 Hitung penjumlahan 𝛿_𝑛𝑒𝑡_𝑗 pada unit tersembunyi 𝑧_𝑗 dengan menggunakan Persamaan:

𝛿_𝑛𝑒𝑡1 = 0.041 * 0.564 = 0.023

 Hitung faktor 𝛿 pada unit tersembunyi menggunakan Persamaan:

𝛿1 = 0.023 * (0.730) * (1 - 0.730) = 0.004

 Hitung suku perubahan bobot 𝑣𝑗𝑖 dengan menggunakan Persamaan:

Δ𝑣₁₀ = 0.5 * 0.004 * 1 = 0.002 Δ𝑣₁₁ = 0.5 * 0.004 * 0.28 = 0.00056 Δ𝑣₁₂ = 0.5 * 0.004 * 0.35 = 0.0007 Δ𝑣₁₃ = 0.5 * 0.004 * 0.69 = 0.00138 ∆𝑣₁₄ = 0.5 * 0.004 * 0.98 = 0.0196 g. Hitung perubahan bobot jaringan backpropagation.

 Hitung bobot baru setiap node lapisan output menggunakan Persamaan:.

𝑤₁₀ = 0.786 + 0.021 = 0.807 w₁₁ = 0.564 + 0.015 = 0.579

 Hitung bobot baru setiap node lapisan tersembunyi dengan Persamaan:

𝑣₁₀ = 0.251 + 0.002 = 0.253 𝑣₁₁ = 0.673 + 0.00056 = 0.673 𝑣₁₂ = 0.293 + 0.0007 = 0.2937 𝑣₁₃ = 0.561 + 0.00138 = 0.5623 𝑣₁₄ = 0.284 + 0.0196 = 0.3036

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

Error = 0.041

Adapun alur flowchart pada proses pelatihan dapat dilihat pada Gambar 3.9.

Gambar 3.9. Flowchart Proses Pelatihan

Penjelasan dari flowchart diatas, sebagai berikut:

1. Menentukan nilai pembelajaran dan nilai momentum 2. Menginput dataset citra CT scan yang akan dilatih 3. Mmasukkan data awal nilai bobot secara acak

4. Memproses siklus preubahan bobot sesuai dengan nilai epoch yang sudah ditentukan

5. Masuk ke tahap feed forward

6. Lalu memasukkan unit input X, nilai fitur hasil zoning, dimana satu unit x terdiri dari X1- X121

7. Menerima nilai input layer untuk di komputasi di hidden layer 8. Menerima nilai dari hidden layer untuk dikomputasi di output layer

9. Menghitung nilai error, lalu apabila nilai error <= targer error masuk ke dalam bobot pelatihan, jika error >= target error maka peroses akan berulang (backward) dengan nilai bobot yang berubah

10. Selesai

3.6.4. Tahap Pengujian Backpropagation

Proses pengujian jaringan backpropagation dilakukan dengan hanya melaksanakan fase arah maju (feed forward). Pada tahap ini, data yang akan diuji merupakan data hasil ekstraksi fitur, dimana data tersebut bukan termasuk data pelatihan. Kemudian bobot yang digunakan pada fase feed forward adalah bobot hasil pelatihan. Lalu dilakukan perhitungan nilai keluaran dari 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 jaringan backpropagation terhadap hasil klasifikasi citra CT scan dapat dilihat pada Gambar 3.10.

Gambar 3.10. Proses Pengujian Jaringan Backpropagation 3.6.5. Proses Pengujian Backpropagation

Pada proses pengujian backpropagation, data uji akan menjadi masukkan bagi jaringan backpropagation dan bobot yang digunakan adalah bobot hasil pelatihan. Contoh langkah - langkah pengujian backpropagation dengan menggunakan nilai bobot hasil pelatihan adalah sebagai berikut.

 Masukkan data uji ke dalam jaringan. Data uji ditunjukkan pada Tabel 3.5.

Tabel 3.4. Data uji

Data X1 X2 X3 X4

Gambar3 0.65 0.32 0.56 0.36

 Gunakan bobot hasil pelatihan seperti yang ditunjukkan pada Tabel 3.6 dan Tabel 3.7.

Tabel 3.5. Bobot Vkj baru

Bobot V10 V11 V12 V13 V14

Nilai 0.121 0.222 0.354 0.516 0.865

Tabel 3.6. Bobot Wkj baru Bobot W10 W11 Nilai 0.241 0.315

 Hitung nilai 𝑧_𝑛𝑒𝑡_𝑗 pada node di lapisan tersembunyi dengan menggunakan Persamaan:

 Kemudian hitung nilai keluaran 𝑦_𝑘 pada node di lapisan output menggunakan Persamaan:

𝑦₁= 𝑓(𝑦_𝑛𝑒𝑡₁) = 1

1 + 𝑒^−(0.432) = 0.606

 Nilai keluaran 𝑦₁ adalah 0.606, dimana 0.606 > 0.5. Maka nilai 𝑦₁ memenuhi target 1.

Adapun alur flowchart pada proses pengujian dapat dilihat pada Gambar 3.11.

Gambar 3.11. Flowchart Proses Pengujian Penjelasan dari flowchart diatas, sebagai berikut:

1. Menampilkan data citra CT scan otak 2. Mengambil nilai bobot pelatihan 3. Lalu masuk ke tahap feed forward

4. Lalu memasukkan unit input X, nilai fitur hasil zoning, dimana satu unit x terdiri dari X1- X121

5. Menerima nilai input layer untuk di komputasi di hidden layer 6. Menerima nilai dari hidden layer untuk dikomputasi di output layer 7. Nilai Max output layer menjadi hasil klasifikasi citra CT scan 8. Proses Selesai