Uji Coba 1 : Learning Rate. Nama variabel Nilai. Grafik Uji Coba % Inisial Variabel : % 80.00%

Transkripsi

1 Uji Coba 1 : Learning Rate Inisial Variabel : Nama variabel Nilai Learning Rate (α) 0.1, 0.5, 0.8, 0.9 Momentum 0.5 Jumlah hidden node [ ] % % 80.00% 60.00% 40.00% Grafik Uji Coba Fungsi aktivasi Tangen Sigmoid 20.00% Iterasi (Epoch) Training % Lr 0.1 Lr 0.5 Lr 0.8 Lr 0.9 Akurasi Data Training Akurasi Data Testing

2 Evaluasi : Uji Coba 1 Learnin g Rate Akurasi dataset training Akurasi dataset testing Waktu (Detik) MSE ,67% 41,30% ,26% 45,65% ,15% 50% % 50% Semakin besar learning rate maka rentang untuk menentukan perubahan bobot dalam neural network semakin besar dan berpengaruh dengan kedekatan fitur kepada kelas yang lain. Saat learning rate kecil maka perubahan bobot semakin kecil dan kedekatan pola ke kelas lain dari inisial target juga semakin jauh. Lihat Penjelasan Learning Rate

3 Uji Coba 2 : Momentum % Inisial Variabel : 90.00% 80.00% Nama variabel Nilai 70.00% Learning Rate (α) % 50.00% Momentum (μ) 0.1, 0.5, % Jumlah hidden node [ ] 30.00% Fungsi aktivasi Tangen Sigmoid 20.00% 10.00% Iterasi Training % (Epoch) Grafik Uji Coba μ 0.1 μ 0.5 μ 0.9 Akurasi Data Training Akurasi Data Testing

4 Evaluasi : Uji Coba 2 Moment um Akurasi dataset training Akurasi dataset testing ,9% 43,47% % 54,3% % 78,26% 28 Waktu (Detik) Berdasarkan tabel diatas, dapat dilihat bahwa semakin besar nilai konstanta momentum, proses pelatihan semakin cepat. Dengan momentum selain untuk mempercepat proses training juga digunakan untuk mencapai akurasi yang optimum namun dengan melihat keseimbangan nilai learning rate dan momentum. Lihat Penjelasan Momentum

5 Uji Coba 3 : Jumlah Node Inisial Variabel : Nama variabel Nilai Learning Rate (α) 0.8 Momentum 0.9 Jumlah hidden node [ ] [ ] [ ] Fungsi aktivasi Tangen Sigmoid Iterasi Training (Epoch) % % 80.00% 60.00% 40.00% 20.00% 0.00% Grafik Uji Coba [ ] [ ] [ ] Akurasi Data Training Akurasi Data Testing

6 Evaluasi : Uji Coba 3 Jumlah Node Akurasi dataset training Akurasi dataset testing Waktu (Detik) [ ] 13,7% 15,2% 72 [ ] 67,58% 47,3 % 32 [ ] 100% 78,26% 28 Tidak ada kepastian tentang berapa banyak jumlah node yang paling optimal. Dalam neural network jumlah node bergantung pada keunikan pola setiap dataset.

7 Uji Coba 4 : Level Dekomposisi 200% Inisial Variabel : 180% Nama variabel Nilai 160% 140% Learning Rate (α) % Momentum % 80% Jumlah hidden node [ ] 60% Fungsi aktivasi Tangen Sigmoid 40% Iterasi Training (Epoch) % Level Wavelet 3, 4, 5 0% Grafik Uji Coba Level 5 Level 4 Level 3 Akurasi Data Testing Akurasi Data Training

8 Evaluasi : Uji Coba 4 Level Wavelet Akurasi dataset training Akurasi dataset testing Waktu (Detik) Level 3 68,7% 47,8% 23 Level 4 79,12% 54,34% 26 Level 5 100% 78,26% 28 Level 5 lebih optimal, meskipun lebih lama. Dalam setiap level nilai fitur mempresentasikan nilai skala yang berbeda, semakin besar level semakin baik tapi penghitungan akan memakan waktu lebih lama Hasil ini membuktikan bahwa kesimpulan dari penelitian Manesh Kokare, P.K. Biswas, B.N. Chatterji [3] benar dan dapat diaplikasikan pada pengenalan motif batik.

9 KESIMPULAN Penggunaan transformasi Rotated Wavelet Filter dalam ekstraksi fitur pengenalan batik cukup efektif untuk menghasilkan citra dekomposisi khususnya dalam representasi citra detail diagonal. Penggunaan Neural Network varian Multi Layer Perceptron untuk mengklasifikasi fitur motif batik yang dikombinasikan dengan transformasi wavelet memberikan hasil yang cukup akurat. Representasi vektor fitur dengan dekomposisi level 5 lebih efektif daripada dekomposisi pada level dibawahnya. Dari hasil uji coba bisa disimpulkan bahwa akurasi tertinggi yaitu 100% untuk data testing sama dengan data training dan dicapai 78,26% untuk data testing yang berbeda dengan data training. Kedua akurasi didapat pada nilai learning rate 0.8, menggunakan momentum 0.9, pada jumlah komposisi node hidden layer [ ] di level dekomposisi ke-5.

10 SARAN Penggunaan data citra batik yang lengkap dari dinas kebudayaan dan pariwisata nasional. Adanya proses seleksi untuk motif batik yang memiliki unsur modern atau pola khusus. Pengembangan aplikasi ke sistem pengenalan isen-isen dalam batik yang juga mempengaruhi definisi dari setiap motif. Penilitian lebih lanjut untuk menggunakan algoritma training neural network yang lain seperti algoritma Lavenberg Marquard (TRAINLM) dan Gradient Descent with Adaptive learning rate backpropagation (TRAINGDA).

11

12 Motif Geometri Nama Motif Deskripsi Contoh Batik Parang Pola ini terdiri atas satu atau lebih ragam hias yang tersusun membentuk garis-garis sejajar dengan sudut miring 45 o. Terdapat ragam hias berbentuk belah ketupat sejajar dengan deretan ragam hias utama pola parang, disebut mlinjon. Ceplok Motif batik yang didalamnya terdapat gambar-gambar segi empat, lingkaran dan segala variasinya dalam membuat sebuah pola yang teratur. Lereng Pada dasarnya sama dengan pola parang tetapi memiliki perbedaan pada tidak adanya hias mlinjon dan hias gareng. Semen Lung-Lungan Buketan Motif Non-Geometri Ragam hias utama yang merupakan ciri pola semen adalah meru. Hakikat meru adalah lambang gunung atau tempat tumbuhan bertunas atau bersemi sehingga motif ini disebut dengan semen, yang diambil dari kata dasar semi. Sebagian besar motif lung-lungan mempunyai ragam hias utama serupa dengan motif semen. Berbeda dengan pola semen, ragam hias utama lung-lungan tidak selalu mengandung ragam hias meru. Pola buketan mudah dikenali melalui rangkaian bunga atau kelopak bunga dengan kupu-kupu, burung, atau berbagai satwa kecil mengelilinginya Back

13 Proses Multi Layer Perceptron 1. Inisialisasi semua bobot dengan bilangan acak kecil. 2. Jika kondisi penghentian belum dipenuhi, lakukan langkah Untuk setiap pasang data pembelajaran, lakukan langkah Tiap unit masukan menerima sinyal dan meneruskannya ke unit tersembunyi. 5. Hitung semua keluaran di unit tersembunyi z j (j = 1, 2,..., p). n Z_Net j = V j0 + i=1 X i V ji.(2.5) Z j = f Z_Net j = 1 e 2z_net j 1+e 2z_net...(2.6) j 6. Hitung semua keluaran jaringan di unit keluaran y k (k = 1, 2,...,m). Y_Net k = W k0 + Z j W kj.(2.7) Y k = f Y_Net k p j=1 = 1 e 2z_net k 1+e 2z_net k (2.8) 7. Hitung faktor δ unit keluaran berdasarkan kesalahan di unit keluaran yk (k = 1, 2,..., m). δ k = t k y k f Y_Net k = t k y k y k (1 y k ), t k = target..(2.9) Hitung perubahan bobot wkj dengan laju pemahaman α W kj = αδ k Z j Dimana k = 1, 2,., m; j = 0, 1,, p.(2.10)

14 Proses Multi Layer Perceptron 8. Hitung faktor δ unit tersembunyi berdasarkan kesalahan di setiap unit tersembunyi zj (j = 1, δ_net j = m k=1 Faktor δ pada unit tersembunyi. δ k w kj (2.11) δ j = δ Net j f Z Net j = δ Net j Z j(1 zj) (2.12) Hitung suku perubahan bobot vji. V ji = αδ j X i,...(2.13) Dimana j = 1,2,, p; i = 1,2,., n 9. Hitung semua perubahan bobot. Perubahan bobot garis yang menuju ke unit keluaran, yaitu: W kj baru = W kj lama + W kj, k = 1,2,, m; j = 0,1,, p Perubahan bobot garis yang menuju ke unit tersembunyi, yaitu: V ji baru = V ji lama + V ji, i = 1,2,, n; j = 0,1,, p

15 Proses Multi Layer Perceptron Sedangkan algoritma untuk testing dalam MLP adalah sebagai berikut : 1. Inisialisasi bobot (dari algoritma pelatihan). 2. Untuk setiap unit masukan, lakukan langkah Untuk i = 1,...,n, atur aktivasi unit masukan x i. 4. Untuk j = 1,...,p : Z_Net j = V j0 + Z j = f Z_Net j 5. Untuk k = 1,...,m : Y_Net k = W k0 + Y k = f Y_Net k Back n i=1 X i V ji..(2.16) = 1 e 2z_net j 1+e 2z_net.. (2.17) j p j=1 Z j W kj (2.18) = 1 e 2z_net k 1+e 2z_net k...(2.19)

16 MSE Pada tugas akhir ini, untuk menghitung error dengan menggunakan Nilai tengah kesalahan kuadrat / mean squared error (MSE) : MSE = n i=1 e 2 i n Dimana e adalah e = y t Keterangan : n = banyak target e = error y = Nilai simulasi t = Nilai target

17 Learning Rate (α) Back Learning rate menentukan seberapa besar perubahan bobot-bobot w pada tiap langkah, jika learning rate terlalu kecil algoritma akan memakan waktu lama menuju konvergen. Sebaliknya jika learning rate terlalu besar maka algoritma menjadi divergen. W kj = αδ k Z j Perubahan Bobot untuk Nilai Learning Rate Kecil Perubahan Bobot untuk Nilai Learning Rate Besar

18 Momentum (μ) Back Teknik yang bisa menolong jaringan keluar dari lokal minima adalah dengan menggunakan momentum. Dengan momentum m, bobot diperbaharui pada setiap waktu iterasi. W kj baru = W kj lama + μ V kj Momentum ini menambahkan sebuah perkalian dengan bobot sebelumnya pada bobot saat ini. Pada saat gradient tidak terlalu banyak bergerak, ini akan meningkatkan ukuran langkah yang diambil menuju nilai minimum.

19 Code : Energy & Standart Deviasi function [ELL,SLL,ELH,SLH,EHL,SHL,EHH,SHH] = Energy_SDeviasi(LL,LH,HL,HH) [ELL1,SLL1,ELH1,SLH1,EHL1,SHL1,EHH1,SHH1] = %mengambil function Energy_SDeviasi(LL1,LH1,HL1,HH1); energy ukuran = setiap energy(x,m,n) bidang [M %[ELL2,SLL2,ELH2,SLH2,EHL2,SHL2,EHH2,SHH2] penghitungan N]= size(ll); energi = %menghitung energy=sum(abs(x(:)))/(m*n); Energy_SDeviasi(LL2,LH2,HL2,HH2); nilai energi dan standart end [ELL3,SLL3,ELH3,SLH3,EHL3,SHL3,EHH3,SHH3] deviasi dari subbidang 1 = Energy_SDeviasi(LL3,LH3,HL3,HH3); ELL = energy(ll,m,n); function [ELL4,SLL4,ELH4,SLH4,EHL4,SHL4,EHH4,SHH4] = SDeviasi(LL,M,N); = SDeviasi(X,M,N) = %menghitung% Energy_SDeviasi(LL4,LH4,HL4,HH4); penghitungan nilai standart energi deviasi dan standart meanx [ELL5,SLL5,ELH5,SLH5,EHL5,SHL5,EHH5,SHH5] = mean2(x); deviasi dari subbidang 2 = selx Energy_SDeviasi(LL5,LH5,HL5,HH5); ELH = energy(lh,m,n); (X-meanX).^2; SDeviasi=sqrt(sum(selX(:)/(M*N))); SLH = SDeviasi(LH,M,N); %menghitung nilai energi dan end standart deviasi dari subbidang 3 EHL = energy(hl,m,n); SHL = SDeviasi(HL,M,N); %menghitung nilai energi dan standart deviasi dari subbidang 4 EHH = energy(hh,m,n); SHH = SDeviasi(HH,M,N); end Fungsi Per Level Fungsi Per Bidang Fungsi Energy+Stn dart Deviasi

20 Code : Training & Testing MLP function NN_Training(dataset,lr,mc) %mengambil input data ekstrasi fitur beserta target training function t= NN_Testing(dataset,kelas_test) data_training %inisialisasi = xlsread(dataset,1); kelas_train data_test = = dataset; xlsread(dataset,2); data_train Nkelas=size(data_test,1); = data_training'; kelas_train data_test = = data_test'; kelas_train'; %normalisasi %Normalisasi data train testing menjadi dengan rentang antara -1 sampai -1 dan 1 1 [m n] = size(data_test); [pn,minp,maxp,tn,mint,maxt]=premnmx(data_train,kelas_ minp = evalin('base', 'minp'); train); maxp = evalin('base', 'maxp'); %membuat minimp = (inisialisasi) zeros(m,n); neural network net=newff(minmax(pn),[40 maximp = zeros(m,n); 20 1],{'tansig','tansig','tansig'},'traingdm'); for i=1:n %menentukan minimp(:,i) nilai = minp; epoch(iterasi),momentum dan learning maximp(:,i) rate = maxp; net.trainparam.epochs=1000; end net.trainparam.lr=lr; an = 2.*(data_test-minimp)./(maximp-minimp) - 1; net.trainparam.mc=mc; %melakukan simulasi testing %melakukan net = evalin('base', training terhadap 'net'); model neural network net=train(net,pn,tn); y=sim(net,an); %network %denormalisasi hasil dari kelas training testing disimpan dengan output beserta maks nilai 6 dari dan min Minp 1 dan Maxp assignin('base', t = 0.5*(y+1)*(6-1) 'net', + 1; net); assignin('base','minp',minp); prediksi = round(t); assignin('base','maxp',maxp); Training Testing

21 Code : Rotated Wavelet Transform FunctionEF_daub4_rwf(Image) function [LL,LH,HL,HH] = Daub4(X,HLL,HLH,HHL,HHH) %mengambil %dekomposisi filter untuk bank representasi RWF berisill1,hll,hlh,hhl,hhh Image Approximation dari / Subbidang DWT yang 1 dirotasi LL load = conv2(x,hll,'same'); filter_asli.mat; %dekomposisi LL = downsample(ll,2,1);ll level 1 = LL'; [LL1,LH1,HL1,HH1] LL = downsample(ll,2,1);ll = = LL'; Daub4(Image,HLL_R,HLH_R,HHL_R,HHH_R); %dekomposisi untuk representasi Image Horizontal %dekomposisi Detail / Subbidang level 2 [LL2,LH2,HL2,HH2] LH = conv2(x,hlh,'same'); = Daub4(LL1,HLL_R,HLH_R,HHL_R,HHH_R); LH = downsample(lh,2,1);lh = LH'; %dekomposisi LH = downsample(lh,2,1);lh level 3 = LH'; [LL3,LH3,HL3,HH3] %dekomposisi untuk = representasi Image Vertical Daub4(LL2,HLL_R,HLH_R,HHL_R,HHH_R); Detail/ Subbidang 3 %dekomposisi HL = conv2(x,hhl,'same'); level 4 [LL4,LH4,HL4,HH4] HL = downsample(hl,2,1);hl = = HL'; Daub4(LL3,HLL_R,HLH_R,HHL_R,HHH_R); HL = downsample(hl,2,1);hl = HL'; %dekomposisi %dekomposisi level untuk 5 representasi Image Diagonal [LL5,LH5,HL5,HH5] Detail/ Subbidang = 4 Daub4(LL4,HLL_R,HLH_R,HHL_R,HHH_R); HH = conv2(x,hhh,'same'); HH = downsample(hh,2,1);hh = HH'; HH = downsample(hh,2,1);hh = HH'; end Ekstraksi Per Level Ekstraksi Per Bidang