PERANCANGAN SISTEM PENGENALAN BENTUK OBJEK DENGAN ALGORITMA BACKPROPAGATION PADA BEAGLE BOARD

Transkripsi

1 PERANCANGAN SISTEM PENGENALAN BENTUK OBJEK DENGAN ALGORITMA BACKPROPAGATION PADA BEAGLE BOARD Satrio Dewanto 1 ; Friska Setiokoadiputro 2 ; RamaJaya 3 ; Daniel Setya Hadi 4 1 Jurusan Sistem Komputer, Fakultas Ilmu Komputer, BINUS University Jalan KH Syahdan No. 9, Palmerah, Jakarta Barat satrio@binus.edu ABSTRACT Industry automation is a technic used by industries to minimize production cost and increase quality and quantity by integrating mechatronics, computer, and information technology. Industry automation will reduce dependency towards human resources and increase work efficiency from human. This research is purposed to design an object form recognition system on a beagle board which will be developed into an industry automation application. The system is able to separate stuffs based on object form for packaging, storaging, or else. The research uses methodology of literature study from books, e-books, internet articles, and experimental method. The research result is an object form recognition system in backpropagation algorithm on beagle board with only identifying object forms that have been given to the system: square and triale. In designing an object form recognition system on beagle board, it needs to use efficient algorithm in using memory because of the beagle board limited memory. Keywords: recognition, form, object, backpropagation, beagle board ABSTRAK Otomasi industri merupakan teknik yang digunakan oleh industri untuk memperkecil biaya produksi dan meningkatkan kualitas serta kuantitas produksi dengan cara mengintegrasi teknologi mekatronika, teknologi komputer dan teknologi informasi. Otomasi industri akan mengurangi ketergantungan akan sumber daya manusia dan juga meningkatkan efisiensi kerja dari manusia. Penelitian ini bertujuan untuk merancang sebuah sistem pengenalan bentuk objek pada sebuah beagle board yang dapat dikembangkan menjadi aplikasi otomasi industry. Sistem tersebut dapat memisahkan benda-benda berdasarkan bentuknya untuk keperluan packaging, penyimpanan dalam gudang, dan lain-lain. Penelitian menggunakan metodologi studi pustaka dari berbagai buku, e-book, artikel di internet dan metode eksperimen. Hasil yang diperoleh dari penelitian adalah Sistem Pengenalan Bentuk Objek dengan algoritma backpropagation pada beagle board hanya dapat mengenali bentuk benda yang sudah pernah dilatih pada sistem, yaitu bentuk kotak dan bentuk segitiga. Dalam perancangan Sistem Pengenalan Bentuk Objek pada Beagle Board perlu digunakan algoritma yang efisien dalam pemakaian memori, dikarenakan memori dalam beagle board yang sangat terbatas. Kata kunci: Pengenalan, bentuk, objek, backprogataion, beagle board 40 Jurnal Teknik Komputer Vol. 18 No.1 Februari 2010: 40-51

2 PENDAHULUAN Seiring dengan berkembangnya industri-industri di dunia, permintaan akan barang yang berkualitas tinggi semakin meningkat. Produsen dipaksa untuk meningkatkan kualitas dan kuantitas produksinya. Namun untuk memenuhi segala kebutuhan konsumen yang sangat banyak dan bervariasi, para produsen harus menemukan cara untuk mengatasi masalah yang ada agar proses produksi dapat berlangsung dengan cepat, efisien, serta hemat biaya. Salah satu caranya adalah dengan otomasi industri. Otomasi industri merupakan teknik yang digunakan oleh industri untuk memperkecil biaya produksi dan meningkatkan kualitas serta kuantitas produksi dengan cara mengintegrasi teknologi mekatronika, teknologi komputer dan teknologi informasi. Otomasi industri akan mengurangi ketergantungan akan sumber daya manusia dan juga meningkatkan efisiensi kerja dari manusia. Otomasi Industri sangat bergantung pada komputer sebagai pusat control dari mesin. Saat ini telah banyak bermunculan Single Board Computer (SBC) sebagai ganti komputer desktop yang telah lama dipakai, salah satunya adalah beagle board. Beagle board merupakan SBC yang berbasiskan ARM Cortex A8 dengan platform OMAP3530 yang memungkinkan untuk aplikasi-aplikasi multimedia. Beagle Board adalah sebuah Single Board Computer (SBC) yang berbasiskan TI OMAP3530. Beagle board berukuran sekitar 3" x 3" dan memiliki semua fungsionalitas komputer dasar. OMAP3530 meliputi CPU Cortex-A8 ARM (yang dapat menjalankan Windows CE, Linux atau Symbian), sebuah TMS320C64x + DSP untuk menjalankan video dan audio decoding, dan Imagination Technologies PowerVR SGX530 GPU untuk menjalankan 2D dan 3D rendering yang mendukung OpenGL ES 2,0. Penelitian ini bertujuan untuk merancang sebuah sistem pengenalan bentuk objek pada sebuah beagle board yang dapat dikembangkan menjadi aplikasi otomasi industri yang dapat memisahkan benda-benda berdasarkan bentuknya untuk keperluan packaging, penyimpanan dalam gudang, dan lain-lain. Deskripsi Sistem Beagle board melakukan pelatihan dan pengujian ketika program untuk sistem pengenalan bentuk objek sudah disimpan pada beagle board. Input gambar objek diambil dari sebuah kamera webcam dan diterima oleh beagle board untuk diproses. Beagle board melakukan pemrosesan citra agar gambar yang diambil sebagai input dapat dengan mudah dapat dilatih dan diuji oleh sistem. Pelatihan pada beagle board menggunakan algoritma backpropagation agar setiap objek yang dilatih dapat dikenali pada saat pengujian sistem. Jaringan Saraf Tiruan Pembuatan struktur jaringan saraf tiruan diilhami oleh struktur jaringan biologi, khususnya jaringan otak manusia. Hal ini menyerupai kerja otak dalam dua hal yaitu: 1. Pengetahuan diperoleh oleh jaringan melalui suatu proses belajar. 2. Kekuatan hubungan antar sel saraf yang dikenal dengan bobot sinapsis digunakan untuk menyimpan pengetahuan. Seperti halnya otak manusia, jaringan saraf juga terdiri dari beberapa neuron, dan ada hubungan antara neuron-neuron tersebut. Pada jaringan saraf hubungan ini dikenal dengan bobot. Informasi yang masuk pada neuron akan diolah dan dikirimkan lagi pada neuron-neuron yg lain. Informasi itu disimpan pada suatu nilai tertentu pada bobot tersebut (Gambar 1). Perancangan Sistem Pengenalan (Satrio Dewanto; dkk) 41

3 Gambar 1 Model Tiruan Sebuah Neuron Pada jaringan saraf tiruan, neuron buatan ini bekerja mirip dengan cara kerja neuron secara biologis. Informasi (input) akan dikirim ke neuron dengan bobot kedatangan tertentu. Input ini akan diproses oleh suatu fungsi perambatan yang akan menjumlahkan nilai-nilai semua bobot yang datang. Hasil penjumlahan ini kemudian akan dibandingkan dengan suatu nilai ambang (threshold) tertentu melalui fungsi aktifasi setiap neuron. Apabila input tersebut melewati nilai ambang tertentu, maka neuron tersebut akan diaktifkan, tapi kalau tidak, neuron tersebut tidak akan diaktifkan. Apabila neuron tersebut diaktifkan, maka neuron tersebut akan mengirimkan bobot ke neuron-neuron yang berhubungan dengannya dan demikian seterusnya. Neuron-neuron pada jaringan saraf akan dikumpulkan dalam lapisan-lapisan, yang sering disebut dengan neuron layer. Informasi yang diberikan pada jaringan saraf akan dirambatkan dari lapisan ke lapisan mulai dari lapisan input sampai lapisan output melalui lapisan-lapisan yang lain (hidden layer). Informasi akan dirambatkan tergantung dari algoritma pembelajarannya. Fungsi Aktivasi Sigmoid Biner Pada penelitian ini, fungsi aktivasi yang digunakan adalah sigmoid binrer. Fungsi ini digunakan untuk jaringan saraf yang dilatih dengan menggunakan metode backpropagation. Fungsi sigmoid biner memiliki nilai pada range 0 sampai 1. Oleh karena itu, fungsi ini sering digunakan untuk jaringan saraf yang membutuhkan nilai output yang terletak pada interval 0 sampai 1. Namun dapat digunakan juga oleh jaringan saraf yang nilai outputnya 0 atau 1. Fungsi sigmoid biner dirumuskan: Salah satu keuntungan fungsi sigmoid adalah bahwa derivatifnya dapat dinyatakan dalam fungsi itu sendiri, yaitu: Karena fungsi tersebut telah dihitung selama perambatan maju pada pelatihan maka waktu perhitungan rambat balik dapat dikurangi. 42 Jurnal Teknik Komputer Vol. 18 No.1 Februari 2010: 40-51

4 Parameter Jaringan Saraf Tiruan 1. Learning rate ( α ) Learning rate yang besar mempercepat pengurangan eror terutama pada tahap awal proses belajar JST. Walaupun konstanta belajar yang besar dapat mempercepat proses belajar JST, namun ada kondisi tertentu dimana tidak dapat tercapai eror minimum yang diinginkan, karena JST terpental pada eror minimum yang sebenarnya. Bila digunakan konstanta belajar yang kecil maka JST dapat mencapai eror minimum yang diinginkan, namun proses belajar membutuhkan waktu yang lama. 2. Momentum (β) Semakin besar α maka pengurangan eror semakin besar, namun seringkali eror tidak bisa mencapai eror minimum global, sehingga untuk mengatasi hal tersebut digunakan laju belajar yang kecil, namun membutuhkan jumlah iterasi yang besar. Untuk mengatasi hal tersebut digunakan momentum yang dapat membantu proses pengurangan eror pada jaringan lebih cepat (Kanata, 2001). 3. Eror Minimum (Threshold) Semakin kecil eror (ideal eror = 0) maka keluaran jaringan hampir sama atau sama dengan target. Algoritma Pelatihan Backpropagation Algoritma pelatihan backpropagasi (backpropagation) atau yang diterjemahkan menjadi propagasi balik, pertama kali dirumuskan oleh Werbos dan dipopulerkan oleh Rumelhart dan McClelland untuk dipakai pada JST. Algoritma ini juga banyak dipakai pada aplikasi pengaturan karena proses pelatihannya didasarkan pada hubungan yang sederhana, yaitu jika keluaran memberikan hasil yang salah, maka bobot (weight) dikoreksi supaya erornya dapat diperkecil. Respon jaringan selanjutnya diharapkan akan lebih mendekati nilai yang benar. Backpropagation juga berkemampuan untuk memperbaiki bobot pada lapisan tersembunyi (hidden layer). Secara garis besar, algoritma ini disebut sebagai propagasi balik, karena ketika jaringan diberikan pola masukan sebagai pola pelatihan maka pola tersebut menuju ke unit-unit pada lapisan tersembunyi untuk diteruskan ke unit-unit lapisan keluaran. Kemudian unit-unit lapisan keluaran memberikan tanggapan yang disebut sebagai keluaran jaringan. Saat keluaran jaringan tidak sama dengan keluaran yang diharapkan maka keluaran akan menyebar mundur (backward) pada lapisan tersembunyi diteruskan ke unit pada lapisan masukan. Oleh karenanya, mekanisme pelatihan tersebut dinamakan backpropagation atau propagasi balik. Tahap pelatihan merupakan langkah bagaimana suatu jaringan saraf tiruan berlatih, yaitu dengan cara melakukan perubahan bobot (sambungan antar lapisan yang membentuk jaringan melalui masing-masing unitnya). Sedangkan pemecahan masalah baru akan dilakukan jika proses pelatihan tersebut selesai. Fase ini disebut pengujian atau testing. Algoritma pelatihan backpropagation terdiri dari dua proses, perambatan maju (feed forward) dan backpropagation dari erornya. Untuk jelasnya dapat dijelaskan rinciannya sebagai berikut: Langkah 0: Pemberian inisialisasi bobot (diberi nilai kecil secara acak). Langkah 1: Ulangi langkah 2 hingga 9 sampai kondisi akhir iterasi dipenuhi. Langkah 2: Untuk masing-masing pasangan data pelatihan (training data) lakukan langkah 3 hingga 8. Propagasi maju atau feedforward: Perancangan Sistem Pengenalan (Satrio Dewanto; dkk) 43

5 Langkah 3: Masing-masing unit masukan (Xi, i = 1,...n) menerima sinyal masukan Xi dan sinyal tersebut disebarkan ke unit-unit bagian berikutnya (unit-unit lapisan tersembunyi). Langkah 4: Masing-masing unit dilapisan tersembunyi dikalikan dengan faktor bobot dan dijumlahkan serta ditambah dengan biasnya: Kemudian menghitung sesuai dengan fungsi aktifasi yang digunakan: bila yang digunakan adalah fungsi sigmoid maka bentuk fungsi tersebut adalah: Kemudian mengirim sinyal tersebut ke semua unit keluaran (unit keluaran). Zj = Unit ke-j pada lapisan tersembunyi Z_inj = keluaran untuk unit Zj V0j = nilai bobot sambungan pada bias untuk unit Zi Vij = nilai bobot sambungan dari unit Xi ke unit Zi Langkah 5: Masing-masing unit keluaran (yk, k = l,2,3...m) dikalikan dengan faktor bobot dan dijumlahkan: Menghitung kembali sesuai dengan fungsi aktifasi Yk = unit ke -k pada lapisan keluaran Y_ink = net masukan untuk unit Yk W0k = nilai bobot sambungan pada bias untuk unit Yk Wjk = nilai bobot sambungan dari Zij ke unit Yk Backpropagasi dan erornya: Langkah 6: Masing-masing unit keluaran (Yk, k = l,...,m) menerima pola target sesuai dengan pola masukan saat pelatihan atau training dan dihitung erornya: karena f (y_ink) = yk menggunakan fungsi sigmoid, maka: Menghitung perbaikan faktor bobot (kemudian untuk memperbaiki wjk). Menghitung perbaikan koreksi: 44 Jurnal Teknik Komputer Vol. 18 No.1 Februari 2010: 40-51

6 dan menggunakan nilai δk pada semua unit lapisan sebelumnya. δk = faktor pengaturan nilai bobot sambungan pada lapisan keluaran α = konstanta laju pelatihan (leaming rate) 0 < α < 1 Langkah 7: Masing-masing bobot yang menghubungkan unit-unit lapisan keluaran dengan unit-unit pada lapisan tersembunyi (Zj,j=1..,p) dikalikan delta dan dijumlahkan sebagai masukan ke unit-unit lapisan berikutnya. Selanjutnya dikalikan dengan turunan dari fungsi aktifasinya untuk menghitung eror. Kemudian menghitung perbaikan bobot (digunakan untuk memperbaiki Vij). Kemudian menghitung perbaikan bias (untuk memperbaiki v0j). δj = faktor pengaturan nilai bobot sambungan pada lapisan tersembunyi Memperbaiki bobot dan bias: Langkah 8: Masing-masing keluaran unit (yk, k=1,..,m) diperbaiki bias dan bobotnya (j = 0,...,p). Masing-masing unit tersembunyi (Zj, j: 1,...,p) diperbaiki bias dan bobotnya (j=0,...,n). Langkah 9: Uji kondisi pemberhentian. Untuk pembaharuan nilai bobot terdapat tambahan metode yang dapat digunakan yaitu dengan menggunakan momentum yang didasarkan pada kombinasi antara gradien sekarang dengan gradien yang lalu. Hal ini berguna jika terdapat beberapa data pelatihan yang sangat berbeda dari mayoritas data pelatihan yang lain. Untuk menggunakan momentum ini, nilai bobot dari satu atau lebih lapis sebelumnya harus disimpan. Persamaan pembaharuan nilai bobot dengan menggunakan momentum adalah: β = konstanta momentum 0 < β < 1 Struktur Jaringan Saraf Optimal Jaringan saraf tiruan pada sistem dirancang agar memiliki struktur yang optimal. Struktur jaringan yang optimpal harus memiliki komponen-komponen jaringan yang optimal pula, optimal disini berarti yang paling sesuai dengan sistem, komponen-komponen tersebut meliputi input layer, hidden layer, output layer, training set, learning rate, momentum, dan jumlah node pada setiap layer-nya. Agar mendapatkan struktur jaringan saraf yang optimal untuk sistem, dilakukan Perancangan Sistem Pengenalan (Satrio Dewanto; dkk) 45

7 percobaan untuk mencari jumlah hidden layer, jumlah node hidden layer, nilai learning rate dan nilai momentum yang optimum. Dari semua percobaan yang dilakukan, didapat struktur jaringan saraf tiruan yang optimal untuk sistem pengenalan bentuk objek adalah menggunakan 3 hidden layer dengan jumlah node 200, 60, dan 40 serta nilai learning rate yang digunakan 0.5 dan momentum 0.9 dengan jumlah node pada input layer dan output layer secara berturut-turut adalah 2500 node dan 2 node. Jumlah node pada input layer sebanyak 2500 disesuaikan dengan jumlah input yang masuk, untuk setiap gambar akan menghasilkan input berupa matriks 50 x 50 sehingga dibutuhkan node pada input sebanyak 2500 node untuk menampung input dari gambar tersebut. Jumlah node pada output layer sebanyak 2 node dikarenakan bentuk yang hendak dikenali oleh sistem tidak lebih dari 2 2, pada layer output ini digunakan binary encode untuk menentukan hasilnya. Struktur jaringan saraf yang didapat dari hasil percobaan akan digunakan untuk pelatihan dan pengujian sistem. Pemrosesan Citra Citra objek diambil oleh webcam 1.3 mega pixel dengan kondisi latar belakang gambar yang sudah ditentukan dan dengan objek dalam daerah tertentu. Objek yang berada tepat pada batas atau melebihi batas daerah akan menghasilkan citra yang tidak sah. Citra yang diambil oleh webcam akan dikonversi ke dalam bentuk grayscale image. Image dalam bentuk grayscale tersebut akan digandakan ke dalam variable lain dan akan dicari edge-nya dengan menggunakan metode Canny. Hasil dari metode Canny tersebut akan mengalami dilation untuk menghilangkan celahcelah yang mungkin terbentuk agar edge yang didapat mampu konvergen atau menyatu membentuk contour. Setelah mengalami proses Canny dan dilation, gambar tersebut akan dicari contournya dan digambarkan ke dalam satu variable penampung image yang terpisah dari image aslinya. Penggambaran contour ini perlu dilakukan agar kita dapat menghilangkan titik-titik kecil tidak diinginkan yang sebelumnya dapat terdeteksi sebagai suatu contour atau objek. Parameter yang digunakan pada saat penggambaran contour tersebut dapat digunakan untuk menghilangkan titiktitik kecil yang terdeteksi sebagai suatu contour. Dari hasil gambar contour tersebut, akan dicari jumlah contour sebenarnya yang mewakili objek yang sebenarnya. Idealnya suatu objek hanya memiliki sebuah contour yang tidak terputus (untuk kasus benda tiga dimensi contour yang dimiliki oleh suatu benda bisa terputus untuk daerahdaerah belakang benda). Hasil contour yang didapat akan digunakan untuk mencari ROI (Region Of Interest) dari gambar aslinya sehingga bagian yang tidak perlu dari gambar tersebut dapat dihilangkan. Setelah ROI dari gambar tersebut di dapat, gambar tersebut akan di-crop sesuai ROI yang didapat dan menjalani proses resize dan perubahan format file untuk disesuaikan sebagai input untuk proses pelatihan. Pelatihan Sistem Pelatihan dilakukan dengan menggunakan struktur jaringan yang optimum yang didapat dari percobaan. Sistem melatih 2 bentuk objek (kotak dan segitiga) dengan posisi kotak horizontal, seperti pada gambar 2, dan posisi segitiga tegak, seperti gambar Jurnal Teknik Komputer Vol. 18 No.1 Februari 2010: 40-51

8 Gambar 2 Gambar Posisi Kotak yang Dilatih Gambar 3 Gambar Posisi Segitiga yang Dilatih Pelatihan dilakukan dengan mengatur parameter-parameter seperti MSE minimum dan jumlah iterasi atau epoh maksimum, serta menentukan gambar yang akan dilatih. Pengaturan nilai MSE minimum ditujukan untuk membuat pelatihan berhenti saat MSE telah mencapai nilai MSE minimum yang telah kita atur tersebut meskipun iterasi masih lebih kecil dari batas iterasi maksimum. Pengaturan jumlah iterasi maksimum ditujukan untuk membuat pelatihan berhenti saat jumlah iterasi sistem telah mencapai jumlah iterasi maksimum yang telah kita tentukan, meskipun MSE masih lebih besar dari MSE minimum yang kita tentukan. Hasil dari pelatihan adalah sekumpulan bobot terakhir yang disimpan dalam file bobot.xml. bobot ini adalah bobot terakhir saat pelatihan selesai, yang akan dipakai untuk pengenalan bentuk objek. Pengujian Sistem Dengan menggunakan struktur jaringan yang sama dengan pelatihan sistem dan dengan menggunakan bobot dari hasil pelatihan, dilakukan pengujian sistem dengan menggunakan bobot tersebut untuk mengetahui tingkat akurasi pengenalan sistem. Masing-masing pengujian dilakukan dengan menggunakan 30 gambar yang terdiri dari 3 kelompok. Kelompok pertama menggunakan input 10 gambar yang dilatih (5 gambar kotak dan 5 gambar segitiga yang digunakan untuk pelatihan), kelompok kedua menggunakan input 10 gambar dengan objek yang sama yang belum pernah dilatih (5 kotak dan 5 segitiga) dengan letak bergeser, dan kelompok ketiga menggunakan input 10 gambar dengan objek yang berbeda yang belum pernah dilatih. Pengaruh Perubahan Jumlah Iterasi Terhadap Akurasi Sistem Pada percobaan ini dilakukan pelatihan sistem dengan mengubah-ubah batas iterasi maksimum mulai dari 100 hingga iterasi. Nilai MSE minimum yang dipakai saat pelatihan adalah , penetapan nilai MSE ini ditujukan agar sistem berhenti hanya karena pengaruh jumlah iterasi saja. Penetapan nilai MSE minimum yang sangat kecil akan membuat sistem lebih lama mencapai MSE tersebut, sehingga sistem akan berhenti pada iterasi maksimum yang sudah ditetapkan. Jumlah gambar yang dilatih pada percobaan ini sebanyak 10 gambar (5 kotak dan 5 segitiga). Pengaruh Perubahan MSE Terhadap Akurasi Sistem Pada percobaan ini dilakukan pelatihan sistem dengan mengubah ubah nilai MSE minimum mulai dari 0.1 sampai Batas iterasi maksimum yang dipakai saat pelatihan adalah , Penetapan batas iterasi yang sangat besar ditujukan supaya sistem hanya dipengaruhi oleh besarnya nilai MSE minimum untuk berhenti. Penetapan batas iterasi maksimum yang besar akan mengakibatkan pelatihan akan sangat lama untuk mencapai jumlah iterasi seperti itu, sehingga pelatihan akan lebih dahulu mencapai MSE sesuai dengan nilai MSE minimum yang diberikan. Jumlah gambar yang dilatih pada percobaan ini sebanyak 10 gambar (5 kotak dan 5 segitiga). Perancangan Sistem Pengenalan (Satrio Dewanto; dkk) 47

9 Tabel 1 Pengujian iterasi kelompok pertama Tabel 2 Pengujian iterasi kelompok kedua Tabel 3 Pengujian iterasi kelompok ketiga Tabel 4 Pengujian MSE kelompok pertama 48 Jurnal Teknik Komputer Vol. 18 No.1 Februari 2010: 40-51

10 Tabel 5 Pengujian MSE kelompok kedua Tabel 6 Pengujian MSE kelompok ketiga Pengaruh Banyaknya Gambar yang Dilatih Terhadap Akurasi Sistem Pada percobaan ini dilakukan pelatihan sistem dengan mengubah-ubah jumlah gambar yang dilatih mulai dari 1 gambar untuk setiap bentuk objek hingga 5 gambar untuk setiap bentuk objek. Input gambar untuk pengujian menggunakan input 10 gambar dengan objek yang sama yang belum pernah dilatih (5 kotak dan 5 segitiga) dengan letak bergeser. Batas iterasi maksimum yang dipakai saat pelatihan adalah 3000 iterasi, dan nilai minimum MSE Penentuan jumlah iterasi maksimum sebanyak 3000 didasarkan pada perolehan jumlah iterasi pada percobaan sebelumnya untuk pengujian terhadap 10 gambar dengan objek yang sama yang belum pernah dilatih (5 kotak dan 5 segitiga) dengan letak bergeser. Jumlah Gambar (gambar) Tabel 7 Pengujian jumlah gambar yang dilatih MSE Dikenali (dari 5 kotak dan 5 segitiga) Kotak Segitiga E E E E E Waktu Pelatihan dan Pengujian Pada Laptop Dengan Beagle Board Pelatihan sistem pada beagle board dilakukan dengan struktur jaringan saraf tiruan yang sama dengan struktur yang dipakai untuk pelatihan pada laptop. Perancangan Sistem Pengenalan (Satrio Dewanto; dkk) 49

11 Tabel 8 Pelatihan pada laptop dan beagle board Tabel 9 Time breakdown pelatihan Tabel 10 Time breakdown pelatihan PENUTUP Simpulan dalam penelitian ini untuk mendapatkan struktur jaringan saraf tiruan yang optimal maka perlu dilakukan percobaan untuk mendapatkan parameter dari jaringan yang sesuai. Jumlah node pada hidden layer yang semakin banyak akan membuat jumlah iterasi semakin sedikit untuk mencapai nilai MSE tertentu, sampai pada jumlah node tertentu maka perubahannya tidak begitu signifikan. Nilai learning rate dan momentum akan mempengaruhi sistem dalam mendapatkan MSE. Nilai learning rate yang terbaik adalah tidak terlalu besar dan tidak terlalu kecil, begitu pula dengan momentum. Jumlah hidden layer pada suatu jaringan akan mempengaruhi akurasi sistem tersebut. Semakin banyak hidden layer maka sistem akan semakin akurat, tapi sampai jumlah hidden layer tertentu maka pengaruhnya tidak terlalu signifikan. Dengan jumlah iterasi pada peatihan semakin banyak, maka akurasi sistem akan semakin baik dan MSE yang dihasilkan semakin kecil. Semakin kecil nilai MSE menunjukkan bahwa akurasi sistem semakin 50 Jurnal Teknik Komputer Vol. 18 No.1 Februari 2010: 40-51

12 baik. Semakin banyak gambar yang dilatih maka akurasi sistem akan semakin baik, tetapi dengan iterasi yang tetap maka akan menghasilkan MSE yang semakin membesar. Sistem yang dikembangkan telah bisa melakukan translation invariant, tetapi belum dapat melakukan rotation invariant. Penggunaan beagle board kurang lebih adalah sama dengan penggunaan laptop. Perbedaannya adalah pada kapasitas memori yang kecil sehingga diperlukan algoritma khusus yang tidak memakai memori terlalu besar. Untuk pelatihan sistem dilakukan di laptop karena hasil yang diperoleh sama dengan yang dilakukan dengan beagle board tetapi pemakaian waktu lebih singkat. DAFTAR PUSTAKA Adobe Systems, Abode RGB (1998) Color Space Specification (2005). dfs/adobergb1998.pdf Anonim. Bab 8 Jaringan Saraf Tiruan (Neural Network). kuliah/kecerdasan Buatan/Bab 8 Jaringan Syaraf Tiruan.pdf Bradski, Gary. Adrian Kaehler. (2008). Learning OpenCV, edisi ke-1. O Reily Media. California Burger, Wilhelm. Mark J. Burge. (2008). Digital Image Processing. Spinger. New York D. Kulkarni, Arun. (2001). Computer Vision and Fuzzy-Neural Systems. Prentice Hall PTR. USA Kusumadewi, Sri. Sri Hartati. (2006). Neuro-Fuzzy. Graha Ilmu. Yogyakarta Perancangan Sistem Pengenalan (Satrio Dewanto; dkk) 51