BAB 1
PENDAHULUAN
1. 1 Latar Belakang
Jaringan saraf buatan merupakan kumpulan dari elemen-elemen pemrosesan buatan yang disebut neuron. Sebuah neuron akan mempunyai banyak nilai masukan yang berasal dari neuron-neuron lain yang berhubungan dengan neuron tersebut dan akan menghasilkan sebuah nilai keluaran. Neuron tersebut akan berhubungan dengan neuron-neuron yang lain jika ada bobot-bobot yang menghubungkannya. Hal tersebut dapat digambarkan sebagai berikut:
X1 Wi1 Neuron i X2 Wi2 Xi . . . Xj
Gambar 1. 1 Proses pada suatu neuron Neuron 1 Neuron 2 Neuron j Wij net i f(net i)
Pandang neuron ipada gambar di atas. Dari gambar tersebut dapat kita lihat bahwa neuron i menerima nilai-nilai masukan dari neuron-neuron j (xj), nilai-nilai masukan tersebut dapat diterima karena adanya bobot-bobot yang menghubungkan antara neuron-neuron j dengan neuron i tersebut. Bobot-bobot tersebut adalah wij yaitu bobot-bobot yang menghubungkan neuron-neuron j dengan neuron i. Sebelum neuron i mengeluarkan nilai keluarannya, maka neuron i terlebih dahulu akan menghitung nilai “net input”nya (neti). Persamaan matematis untuk menghitung nilai tersebut adalah 1 i j ij j net x w
(1.1)Jika nilai yang dikeluarkan oleh neuron i adalah xi maka
xi f net( i) (1.2)
dimana fungsi tersebut merupakan fungsi aktivasi, yaitu fungsi yang digunakan untuk mengaktifkan suatu neuron sehingga menghasilkan nilai keluaran yang diinginkan.
Nilai keluaran dari neuron i tersebut dapat diteruskan ke neuron yang lain atau akan dapat menjadi nilai keluaran aktual, hal ini tergantung pada letak dari neuron i tersebut. Jika neuron i tersebut menghasilkan nilai keluaran aktual, maka nilai tersebut akan dibandingkan dengan suatu nilai yang disebut target. Perbandingan kedua nilai tersebut yang akan memunculkan suatu error.
Pelatihan pada jaringan saraf dilakukan untuk meminimalkan error yang terjadi, yang pada intinya adalah dengan mencari bobot-bobot terbaik(Freeman et al, 1992). Salah satu aturan yang dapat digunakan untuk mencari bobot terbaik adalah aturan delta, secara matematis aturan tersebut dapat dirumuskan sebagai berikut:
( 1) ( ) ( ) ij ij ij w t w t w t (1.3) dimana ( ) E t
Salah satu metode pelatihan yang menggunakan aturan delta adalah metode pelatihan propagasi balik, namun karena jaringan saraf propagasi balik menggunakan konsep jaringan saraf berlapis banyak maka akan ada lapisan tersembunyi pada jaringan saraf propagasi balik. Dengan adanya lapisan tersembunyi yang terletak diantara lapisan masukan dan lapisan keluaran maka aturan delta akan mengalami perluasan sehingga disebut aturan delta yang digeneralisasi(Schalkoff, 1992).Pada jaringan saraf propagasi balik agar perubahan yang besar bisa terjadi, maka wij dapat dikalikan dengan suatu variabel yang disebut juga laju pembelajaran ( ) (Freeman et al, 1992). Hal ini dapat mempercepat untuk mendapatkan bobot-bobot yang diinginkan, sehingga persamaan (1.4)dapat dituliskan menjadi
( ) ( ) ij ij E t w t w (1.5)
Faktor lain yang selama ini telah banyak digunakan untuk mengontrol penyesuaian bobot adalah momentum ( ) . Hal ini menyebabkan pada persamaan (1.5) akan bertambah satu suku lagi, sehingga dituliskan menjadi
( ) ( ) ( 1) ij ij ij E t w t w t w (1.6)
Disamping kedua faktor tersebut, faktor ketiga yang selanjutnya dimunculkan adalah faktor proporsional ( ) (Zweiri et al, 2003). Penambahan faktor ketiga tersebut akan menyertakan suatu suku baru yaitu e w t( ( )), yang selanjutnya akan merubah persamaan (1.6) menjadi ij( ) ( ) ij( 1) ( ( )) ij E t w t w t e w t w (1.7)
Melalui persamaan (1.7) dapat dilihat bahwa untuk mengontrol penyesuaian bobot pada jaringan saraf propagasi balik telah ada tiga faktor yang akan mempengaruhinya yaitu laju pembelajaran ( ) , momentum ( ) dan faktor proporsional ( ) .
1. 2 Identifikasi Masalah
Suku ketiga yang menyertai faktor proporsional adalah e w t( ( )), dimana
( ( ))
e w t merupakan jumlah dari selisih antara target dengan nilai keluaran aktual setiap neuron di lapisan keluaran. Sehingga masalah pada penelitian ini adalah :
1. Bagaimana suku ketiga tersebut diimplementasikan untuk melakukan penyesuaian bobot pada lapisan tersembunyi?
2. Bagaimana kinerja dari jaringan saraf propagasi balik yang telah memanfaatkan faktor ketiga tersebut dalam pengenalan pola khususnya pola eigenfaces wajah seseorang?
1. 3 Batasan Masalah
Agar penelitian ini tidak mengambang dan fokus pada hal-hal yang diinginkan, maka perlu adanya beberapa batasan yaitu :
1. Pola wajah yang digunakan adalah pola wajah manusia yang bersifat statis pada posisi frontal
2. Format wajah yang digunakan adalah PCX model grey level 8 bit 3. Fungsi aktivasi yang digunakan adalah fungsi sigmoid
4. Bobot awal hanya diinisialisasi dengan metode nguyen widrow 5. Lapisan tersembunyi yang digunakan hanya satu lapisan
6. Fungsi erorr yang digunakan adalah fungsi Mean Square Error (MSE) 7. Kesalahan pelatihan dihitung dengan Sum Square Error(SSE)
8. Kesalahan pelatihan yang diinginkan adalah 0. 01 9. Epoch maksimum adalah 1000
10. Kinerja yang akan dilihat adalah masalah generalisasi, memorisasi dan kecepatan konvergensi pada jaringan saraf propagasi balik
1. 4 Tujuan Penelitian
Penelitian ini bertujuan untuk memberikan teori baru mengenai jaringan saraf propagasi balik, yaitu dengan menambahkan faktor ketiga yang disebut faktor proporsional. Disamping itu penelitian ini juga bertujuan untuk membandingkan kinerja dari jaringan saraf propagasi balik tiga faktor tersebut dengan jaringan saraf propagasi balik yang standard (dua faktor) pada pengenalan wajah berbasis eigenfaces.
1. 5 Kerangka Penelitian
Penelitian ini dilakukan melalui studi literatur yaitu dengan membaca literatur-literatur dan jurnal-jurnal yang berkaitan dengan jaringan saraf buatan. Disamping itu penelitian ini juga akan melakukan simulasi untuk mendapatkan kesimpulan yang diinginkan. Kerangka penelitian yang akan dikembangkan adalah sebagai berikut :
Gambar 1. 2 Kerangka Penelitian
Penjelasan dari bagan diatas adalah sebagai berikut:
1. Pengambilan sampel wajah dilakukan dengan kamera digital sebanyak lima orang dalam enam konfigurasi yaitu netral, tertawa, senyum, sedih, marah, dan kaget.
2. Setiap sampel diroping dengan sebuah windows berukuran 33 x 33. Kroping
Jaringan Saraf Tiruan Menentukan arsitektur jaringan Pembelajaran dengan 2 faktor
Pembelajaran dengan 3 faktor
Analisis dan kesimpulan Pengambilan & pengolahan sample wajah Digitasi sample wajah Transformasi dengan eigenfaces Normalisasi data
6. Bagi data hasil transformasi menjadi dua kelompok yaitu data untuk pelatihan dan data untuk pengujian
7. Tetapkan pola target yang diinginkan
8. Tetapkan arsitektur jaringan saraf propagasi balik yang diinginkan seperti: a. Banyaknya neuron pada lapisan masukan
b. Banyaknya neuron pada lapisan keluaran c. Banyaknya neuron pada lapisan tersembunyi
9. Buat dua kelompok penelitian dimana setiap kelompok memiliki 9 percobaan yang berbeda berdasarkan nilai laju pembelajaran ( ) , dan momentum( ) . Kelompok tersebut adalah sebagai berikut :
a. Kelompok I nilai dan yang digunakan sama dan akan meningkat dari 0. 1 sampai dengan 0. 9
b. Kelompok II nilaiakan meningkat dari 0. 1 sampai dengan 0.9 sedangkan nilai akan menurun dari nilai 0. 9 sampai dengan 0. 1
10. Dari setiap kelompok tersebut diadakan simulasi terhadap data pelatihan untuk melihat kecepatan konvergensinya
11. Hasil dari pelatihan tersebut selanjutnya diuji untuk mengamati kemamapuan memorisasi dan generalisasi jaringan.
12. Selanjutnya faktor proporsional diimplementasikan kedalam setiap kelompok melalui 3 tahap. Implementasi tahap 1 dilakukan dengan nilai faktor proporsional pada interval [ 0.1 , 0.9 ] sedangkan implementasi tahap 2 dilakukan dengan nilai faktor proporsional pada interval [ 0.01 , 0.09 ], dan implementasi tahap 3 dilakukan dengan nilai faktor proporsional pada interval [ 0.001 , 0.009 ].
13. Untuk setiap implementasi lakukan kembali simulasi seperti pada langkah 10 dan 11
14. Hasil simulasi dengan dua faktor dan dengan tiga faktor selanjutnya di analisa untuk mendapatkan kesimpulan mengenai pengaruh faktor ketiga (faktor proporsional) pada kinerja dari jaringan saraf propagasi balik
1. 6 Tinjauan Pustaka
Berikut ini akan diberikan beberapa tinjauan pustaka mengenai eigenfaces dan jaringan saraf propagasi balik
1.6.1 Jaringan saraf propagasi balik
Jaringan saraf propagasi balik menggunakan metode pelatihan yang terawasi. Metode pelatihan yang terawasi adalah metode pelatihan yang memiliki target. Pelatihan pada jaringan saraf propagasi balik merupakan pencarian terhadap bobot-bobot yang sesuai untuk menghasilkan error yang diinginkan. Error pada setiap iterasi pelatihan dapat dicari dengan suatu fungsi yang disebut fungsi error.
Jaringan saraf propagasi balik yang menggunakan konsep jaringan berlapis banyak akan mencari bobot-bobot yang sesuai melalui atuiran delta yang digeneralisasi. Aturan delta yang digeneralisasi merupakan perluasan dari aturan delta yang akan memunculkan faktor kesalahan pada lapisan tersembunyi dan faktor kesalahan pada lapisan keluaran. Faktor kesalahan tersebut muncul karena dalam mencari bobot yang diinginkan, aturan delta menggunakan metode gradient descent. Metode gradient descent memandang bahwa kesalahan merupakan fungsi bobot (Setawan, 1999). Bobot senantiasa di ubah setiap kali pembelajaran sehingga menyebabkan kesalahan semakin kecil. Perubahan bobot melalui metode gradient descent dapat dirumuskan sesuai dengan persamaan (1. 4).
Untuk mengontrol penyesuaian bobot pada jaringan saraf propagasi balik selama ini telah digunakan dua faktor yaitu laju pembelajaran ( ) , momentum ( ) . Dengan adanya dua faktor yang digunakan pada jaringan saraf propagasi balik untuk selanjutnya perubahan bobot dirumuskan melalui persamaan (1. 6). Banyak riset yang
Faktor proporsional mampu meningkatkan kecepatan konvergensi jaringan pada permasalahan XOR(Zweiri et al, 2003). Pada permasalahan pengklasifikasian data, faktor proporsional mampu meningkatkan kinerja pada pengklasifikasian data kecil yaitu data yang mempunyai jumlah instans sebanyak 16(Saman, 2006).
Untuk pengklasifikasian data berukuran sedang dengan jumlah instans sebanyak 150, faktor proporsional menyebabkan kinerja jaringan menjadi buruk(Saman, 2006). Hal yang sama juga terjadi pada pengklasifikasian data yang berukuran besar yaitu data yang menggunakan jumlah instans sebanyak 600 (Saman, 2006).
1.6.2 Eigenfaces
Eigenfaces merupakan suatu metode yang digunakan untuk mentransformasikan dan mereduksi dimensi dari suatu citra (Setawan, 1999). Eigenfaces menggunakan metode Principal Component Analysis (PCA) yaitu suatu metode matematika untuk merepresentasikan sebuah objek, mengekstraksi ciri-ciri sebuah objek dan mereduksi sebuah objek dengan cara mentransformasikannya menggunakan eigenvalue dan eigenvector secara linier(Harahap, 2007).
Eigenfaces dapat diperoleh dengan terlebih dahulu merepresentasikan setiap matriks wajah menjadi matriks linier, yang kemudian akan ditentukan vektor wajah rata-ratanya. Dari vektor wajah rata-rata tersebut akan dicari matriks covariancenya yang selanjutnya akan diperoleh eigenvalue dan eigenvectornya. Melalui eigenvector matriks covariance inilah akan kita peroleh eigenfaces yang selanjutnya akan digunakan untuk mendapatkan objek pada penelitian ini. Namun data tersebut harus dinormalisasikan terlebih dahulu untuk dapat menjadi pola masukan yang baik pada jaringan saraf propagasi balik.
