BAB 3 METODOLOGI PERANCANGAN

Transkripsi

1 9 BAB 3 METODOLOGI PERANCANGAN Bab n bers penjelasan mengena langkah-langkah perhtungan serta prosedurprosedur yang dgunakan untuk menemukan solus atas rumusan masalah pada Bab. Dalam bab n juga akan dtamplkan objek-objek yang dgunakan dalam peneltan untuk kebutuhan tranng data. 3. Pengenalan Ctra Objek Pada peneltan n, dgunakan 70 ctra objek yang terdr dar 7 model kontur sandal Dhf s tampak atas (kanan atau kr saja, bukan sepasang). Setap model sandal dambl sampel sebanyak 0 ctra dalam poss yang berbeda-beda, d mana 8 ctra dgunakan sebaga tahap pelathan (sample learnng) dan ctra dgunakan sebaga tahap pengujan (sample detecton). Setap ctra menggunakan format btmap karena format n menympan ctra pksel per pksel dan tanpa kompres data sehngga tdak terjad kehlangan nformas pada ctra yang dapat mengurang keakuratan pengenalan. Ctra yang dgunakan ratarata berukuran 4 x 38 pksel sesua dengan pertmbangan untuk memperoleh keteltan dan kecepatan pengenalan yang optmal. Proses pengamblan ctra adalah dengan cara memotret objek menggunakan kamera dgtal. Ctra tersebut kemudan dubah ke dalam bentuk fle.bmp berukuran 4 x 38 pksel dengan menggunakan software Adobe Photoshop.

2 30 Berkut n adalah ctra objek yang dgunakan dalam peneltan: Hat Kodok

3 3 Lumba-lumba Panda

4 3 Paus Semangka

5 33 Strober 3. Representas Ctra Dengan Fourer Descrptors Peneltan n memanfaatkan Fourer Descrptors sebaga praproses untuk mencptakan representas ctra yang akan dgunakan sebaga nput bag jarngan syaraf truan. Proses representas ctra dengan Fourer Descrptors terdr dar beberapa tahap, yatu tahap read pcture, tahap mencar centre of gravty, tahap mencar Pont M (ttk terjauh), tahap mencar ttk-ttk koordnat, tahap menghtung panjang dan besar sudut dar kontur objek, dan tahap mencar parameter Fourer Descrptors. 3.. Read Pcture Modul n dgunakan untuk mengambl objek dar fle grafk PCX 56 warna. Ada lma prosedur yang dpanggl dalam modul n, yatu prosedur ReadHeader, ReadPalette, ChangePalette, dan UnpackPCX. Prosedur ReadHeader berfungs untuk menbaca record yang bers header fle PCX yang berukuran 8 byte dan berada pada awal fle. Header yang sudah terbaca

6 34 dtampung ke dalam satu varabel yang bernama Head. Varabel Head telah ddeklaraskan sebaga record. Feld-feld pada Head bers nformas header. Dar feld Manufacturer (byte 0) dan Verson (byte ) dapat dketahu apakah fle yang sedang dbaca adalah fle PCX 56 warna. Jka benar, dmens mage (byte 4) dsmpan ke dalam varabel Wdth dan Depth. Selan tu, yang perlu dsmpan adalah feld BytePerLne (byte 66) yang dmasukkan ke dalam varabel Bytes. Varabel n bers jumlah byte per bars dar data fle PCX. Prosedur ReadPalette untuk membaca palet warna. Palet n ukurannya 768 byte dan berada pada akhr fle. Ukuran 768 byte n terdr dar 56 tngkat warna merah (R), hjau (G), dan bru (B). Palet selalu dawal dengan kode. Palet yang terbaca dsmpan ke dalam varabel Color. Tamplan mode VGA hanya menyedakan 64 tngkat untuk warna merah, hjau, dan bru, oleh sebab tu 56 tngkat warna n harus dbag dengan 4 agar menjad 64 tngkat warna. Prosedur ChangePalette merupakan suatu nterups yang membertahukan bahwa akan terjad transfer nformas ke card VGA. Prosedur UnpackPCX adalah prosedur untuk membuka data fle PCX yang tercompress dengan melakukan encodng. Proses encodng data fle PCX dsebut runlength encodng dan dlakukan dengan membaca data per bars. Jumlah bars data fle PCX dperoleh dar varabel Depth. Pada setap bars, pertama-tama dlakukan pembacaan byte pertama dar setap bars, msalkan byte pertama bernla j. Dua bt awal dperksa apakah. Jka bukan, maka byte tu sendr merupakan suatu nla data tunggal. Tetap jka benar, maka ada k byte data yang bernla j, d mana k adalah nla dar ssa enam bt terakhr ( k ) dar byte

7 35 pertama tad. Jka byte pertama adalah 0 00, maka k = 3. Proses pembacaan (scannng) n dlakukan sampa byte terakhr (byte 60) dar setap bars. Hasl dar pembacaan ctra fle PCX n dsmpan ke dalam varabel Image. Jad Image adalah varabel array yang menympan nformas ctra dengan ukuran 60 x 00 pksel. 3.. Centre Of Gravty Setelah ctra PCX dbaca, langkah berkutnya adalah menentukan ttk berat (centre of gravty) objek. Untuk mencar ttk berat, persamaannya adalah : T N N M y M x t= t=, = t, (3.) N N A A t= t= ( x y ) t Untuk memasukkan nla-nla ke dalam persamaan n, yang harus dcar terlebh dahulu adalah chan code. Setelah chan code dcar, baru dapat dperoleh harga momen sumbu x (M x ), momen sumbu y (M y ), dan luas (A). Dalam mencar chan code, langkah pertama adalah menemukan ttk awal objek. Pencaran ttk awal dlakukan dengan prosedur Intal_Search. Pencaran ttk awal objek dlakukan dengan scannng per bars dmula dar pksel palng kr atas. Setap pksel memlk tngkat warna tertentu. Karena Objek berwarna dengan latar belakang puth, maka pencaran akan berhent jka sudah menemukan pksel yang berwarna. Arah atau chan pada chan code dcar mula dar ttk awal dan berakhr pada ttk yang sama. Pencaran dlakukan dengan prosedur SearchCode. Cara pencaran arah dapat dlhat pada Gambar 3.

8 chan drecton 7 startng chan chan = 0 chan = chan = chan = 3 chan = 4 chan = 5 chan = 6 chan = 7 Gambar 3. Pencaran arah pada Freeman Code Karena scannng dlakukan dar atas, maka arah mula-mula danggap 0. Hasl pencaran arah n dsmpan ke dalam daftar berkat (lnk-lst) dengan chan code sebaga penunjuk/ponter awal daftar berkat. Prosedur untuk menympan arah-arah chan code adalah prosedur SaveCode_To_Buffer. Selan mendapatkan arah-arah chan code, dar prosedur ChanCode dsmpan juga koordnat-koordnat ttk yang membentuk kellng

9 37 objek. Koordnat-koordnat n dsmpan ke dalam daftar berkat juga, d mana kontur sebaga penunjuk awal. Proses penympanan koordnat n dlakukan dengan prosedur SaveCoord_To_Buffer. Dar ttk-ttk yang membentuk kellng objek dperoleh magemage, jumlah ttk dsmpan dalam varabel SumOfPont. Setelah dperoleh arah-arah chan code, nla M x, M y, dan A dapat dcar dengan melhat tabel. Tabel 3. Tabel Rumus mencar luas (A) dan momen Vektor A M x M y 0 y y 0 + y y y x x 0 0 x 3 + y 6 y y 6 + x x 4 y y 0 5 y 6 + y y 6 + x x x 7 y 6 + y y 6 x x Dengan dperoleh nla M x, M y dan A, maka ttk berat (ttk T) dapat dcar, koordnat ttk berat dnyatakan dengan (X t,y t ).

10 38 Pada akhr prosedur chan code, s dar daftar berkat dpndahkan ke dalam array dengan prosedur MoveCoordToArray. Varabel array yang dgunakan adalah ArContour. Pemndahan n dlakukan karena s daftar berkat n akan berubah setelah objek mengalam transformas. Setelah s daftar berkat dpndahkan, memor yang dgunakan untuk daftar berkat dbebaskan dengan prosedur DsposeContour Pont M Prosedur Pont_M untuk mencar ttk terjauh (ttk M) dar ttk berat. Cara pencaran ttk M dengan mengukur jarak antara ttk M dengan ttk-ttk yang membentuk kellng objek (kontur). Hasl pengukuran jarak dbandngkan, ttk yang menghaslkan jarak terjauh dengan ttk T dnyatakan sebaga ttk M. Rumus untuk mengukur jarak dapat dhtung dengan persamaan: d ( x x ) + ( y y ) p t p t = (3.) Jarak d dapat dcar karena koordnat ttk T dan ttk-ttk lannya sudah dketahu. Jarak maksmum dsmpan ke dalam varabel dmax, sedangkan koordnat ttk terjauh dnyatakan dengan (X max,y max ) Car Ttk Koordnat Ttk terjauh (ttk M) merupakan koordnat dar ttk pertama, dlanjutkan dengan koordnat ttk ke dua dan seterusnya hngga mencapa koordnat ttk ke semblan. Pada kontur objek yang dtelt penuls hanya menentukan 9 ttk koordnat.

11 Htung panjang dan sudut (Menghtung Panjang dan Besar Sudut dar Kontur Objek) Dengan mengetahu ttk-ttk koordnat kontur objek, maka dapat dhtung panjang setap edge dar objek yang bersangkutan (lhat Gambar 3.). Suatu edge dnyatakan oleh dua buah verteks yang berdampngan. ( x, ) m y m l m Δl l ( x, ) m y ( x, ) y Gambar 3. Gambar sebuah edge E yang dbentuk dar dua buah verteks yang berdampngan V dan V m Untuk menghtung panjang edge dar verteks V sampa dengan verteks V m dapat dgunakan rumus Pythagoras. D mana egde E merupakan ss mrngnya, sehngga panjang dar edge E adalah: Δ l = l + l (3.3) m d mana: l = x x dan m l m = y y (3.4) m Sehngga rumusnya secara lengkap menjad sepert d bawah n : ( x x ) + ( y y ) m m Δ l = (3.5)

12 40 Sedangkan untuk mencar besarnya sudut dar sebuah verteks ke verteks lannya dgunakan cara vektor. ΔΦ merupakan perubahan sudut pada verteks V (lhat Gambar 3.3). Terdapat dua edge yang bertemu pada verteks V, yatu edge (V -,V ) dan edge (V,V + ). V + V + V ΔΦ ΔΦ V V V Gambar 3.3 Gambar dua buah edge yang bertemu pada verteks V dengan sudut sebesar ΔΦ Untuk mencar besar sudut ΔΦ dgunakan cara vektor dot product, yakn : cos ΔΦ = V V V VV + V VV + (3.6) Atau dapat juga dtulskan sebaga berkut: cos ΔΦ = ( x x )( x+ x ) + ( y y )( y+ y ) ( x x ) + ( y y ) ( x x ) + ( y y ) (3.7) + + Karena untuk bahasa pemrograman C# memberkan nla arccos (- Φ ) d antara 0 π, jad untuk menentukan tanda (postf atau negatf) dar ΔΦ n dgunakan teor graden dar suatu edge (lhat Gambar 3.4).

13 4 V + ΔΦ V α β α β V Gambar 3.4 Gambar dua buah edge dengan gaden m dan m Dengan menentukan: tg( β ) tg β tgα a = (3.8) + tg β tgα d mana: m = tgα = y x y x m = y x + tgβ = (3.9) + y x dan memerksa apakah tg(β α) n bernla postf atau negatf, maka dapat dtentukan:. Perubahan sudut = + ΔΦ, jka 0 < ΔΦ < dan tg(β - α) postf atau ½ π < ΔΦ < π dan tg(β α) negatf.. Perubahan sudut = - ΔΦ, jka 0 < ΔΦ < dan tg(β α) negatf atau ½ π < ΔΦ < π dan tg(β - α) postf. Dengan menggunakan cara-cara sepert d atas, maka dapat dhtung besarnya perubahan sudut dar suatu verteks ke verteks lannya. Akan tetap akan muncul satu

14 4 kesultan lag apabla salah satu edge dar kontur objek tersebut ternyata sejajar dengan sumbu Y atau dengan kata lan Δx = 0, sehngga graden untuk edge tersebut adalah: y = y m = (3.0) 0 Komputer tdak dapat menghtung suatu blangan yang dbag dengan 0. Oleh karena tu dgunakan pendekatan lan, khusus untuk edge yang sejajar dengan sumbu Y atau Δx = 0, yatu dengan memperhatkan arah perputarannya. Untuk hal n ada dua keadaan yatu bla x + = x atau x - = x. Untuk masng-masng keadaan ada 4 kemungknan perputaran arah (lhat Gambar 3.5 (a) dan Gambar 3.5 (b)). Untuk keadaan x + = x (Gambar 3.5 (a)) a. Untuk x - < x dan y > y +, maka perubahan sudut ΔΦ adalah bertanda postf. b. Untuk x - < x dan y < y +, maka perubahan sudut ΔΦ adalah bertanda negatf. c. Untuk x - > x dan y > y +, maka perubahan sudut ΔΦ adalah bertanda negatf. d. Untuk x - > x dan y < y +, maka perubahan sudut ΔΦ adalah bertanda postf. Untuk keadaan x - = x (Gambar 3.5 (b)) a..untuk x > x + dan y - < y, maka perubahan sudut ΔΦ adalah bertanda negatf. b. Untuk x > x + dan y - > y, maka perubahan sudut ΔΦ adalah bertanda postf c. Untuk x < x + dan y - < y, maka perubahan sudut ΔΦ adalah bertanda postf d. Untuk x < x + dan y - > y, maka perubahan sudut ΔΦ adalah bertanda negatf

15 43 V + a c V V V b d V + Gambar 3.5 (a) Berbaga kemungknan perputaran arah untuk keadaan x = x +. V c a V + V d V + b V Gambar 3.5 (b) Berbaga kemungknan perputaran arah untuk keadaan x - = x. Dengan pendekatan-pendekatan sepert nlah dapat dhtung panjang dan besar sudut dar suatu verteks ke verteks lan pada kontur suatu objek.

16 Car parameter Setelah mendapatkan panjang dan besar sudut dar suatu verteks ke verteks lannya pada kontur suatu objek, maka dapat dhtung besarnya parameter Fourer Descrptors dar objek tersebut. Untuk menghtung parameter Fourer Descrptors dar suatu objek cukup menggunakan rumus-rumus sebaga berkut: m μ = π ΔΦ dan 0 l k L k = k a n = m nπ k = ΔΦ k n lk π l sn L b n = m nπ k = ΔΦ k n lk π l cos L (3.) d mana: m : jumlah atau banyaknya ttk atau verteks dar suatu kontur objek l k : panjang edge yang ke-k ΔΦ k : besarnya sudut pada verteks atau ttk ke-k L : besarnya kelllng objek (panjang kontur objek) Besarnya nla m = 9 dtentukan oleh penuls, sedangkan besarnya nla l k dan ΔΦ k (panjang edge dan besar sudut) bsa ddapatkan dar Prosedur Ht_pjg_sdt. Sedangkan kellng objek (nla L) ddapatkan dengan menjumlahkan seluruh panjang edge pada kontur objek. Dengan mengetahu seluruh besarnya nla-nla varabel yang dperlukan, maka besarnya parameter Fourer Descrptors dapat dcar atau dhtung. Parameter-parameter Fourer Descrptors dar suatu objek merupakan cr-cr dar objek tersebut. Dengan cr-cr n, maka suatu objek dapat dkenal.

17 Klasfkas Representas Ctra Objek Mengunakan Jarngan Saraf Truan 3.3. Tahap Pelathan Jarngan Saraf Truan JST dgunakan untuk mengelompokkan ctra objek yang telah drepresentaskan sebaga deret Fourer. Proses pengelompokkan terdr dar dua tahap, yatu tahap pelathan dan tahap pengujan. Tahap pelathan berguna untuk menentukan bobot untuk masng-masng node pada tap lapsan JST, sedangkan tahap pengujan berguna untuk mengenal ctra yang dujkan pada JST. Model JST yang dgunakan adalah model JST Back Propagaton dengan topolog 3 layer, yatu layer masukan (nput layer), layer tersembuny (hdden layer), dan layer keluaran (output layer). Dalam peneltan n, ctra objek yang dtelt sebanyak 56 sehngga terdapat 56 node pada nput layer dan ada 7 tpe model sandal sehngga terdapat 7 node pada output layer. Kemudan output yang dhaslkan pada output layer dbandngkan dengan output yang dharapkan. Jka terdapat selsh, maka nla selsh yang terjad dpropagas balk ke layer sebelumnya untuk dlakukan penyesuaan bobot. Pada dasarnya untuk membentuk suatu sstem neural, hanya dperlukan 3 tahap, yatu forward propagaton, backward propagaton, dan update weght Forward Propagaton Forward propagaton bertujuan untuk menentukan output dar suatu node. Output yang dmaksud d sn adalah keluaran dar output layer apakah sudah sesua dengan target output atau belum.

18 46 Weght Input Layer Output Layer Gambar 3.6 Representas Forward Propagaton Weght yang terdapat pada gambar merupakan weght dar output layer. Untuk mencar output yang terdapat pada output layer dapat dcar dengan rumus sebaga berkut : Output = + e Acc (3.) dmana e = blangan euler =, Sedangkan Acc merupakan blangan accumulator, yatu jumlah perkalan dar weght pada output layer dengan output pada nput layer. Acc = Σ (Weght j Out ) (3.3)

19 47 Sebaga contoh penerapannya adalah sebaga berkut : msalkan nput layer ada sebanyak 3 node dan output layer ada sebanyak node. Weght Weght 0,4-0,3 0, 0, -0,5-0,6 0, 0,4-0,3-0, Hdden Layer Output Layer Input Layer Gambar 3.7 Perhtungan Output pada Output Layer Target output pada output layer adalah 0,7 dan 0, sedangkan target Galat system = 0,000.

20 48 Input Layer Hdden Layer Output Layer Output = 0, Output =? Output =? Output = 0,3 Output =? Output =? Output 3 = 0, Maka langkah pertama yang dlakukan adalah mencar blangan accumulator pada hdden layer. Acc = Σ (Weght j Out ) Acc Hdden = Σ (Weght j Output pada Input Layer) = (0,4 0,) + (0, 0,3) + (0,4 0,) = 0,5 Acc Hdden = Σ (Weght j Output pada Input Layer) = (-0,3 0,) + (-0,6 0,3) + (-0, 0,) = -0,3 Setelah mendapatkan blangan accumulator-nya, maka bsa dcar output pada hdden layer, dengan rumus : Output = + e Acc Output = + e AccHdden Output = + e AccHdden + e = 0, 5 + e = 0, 3 = 0,5374 = 0,448 Selanjutnya adalah menghtung blangan accumulator pada output layer. Acc = Σ (Weght j Out ) Acc Output = Σ (Weght j Output pada Hdden Layer) = (0, 0,537) + (0, 0,443) = 0,57

21 49 Acc Output = Σ (Weght j Output pada Hdden Layer) = (-0,5 0,537) + (-03 0,443) = -0,404 Setelah mendapatkan blangan accumulator-nya, maka bsa dcar output pada output layer, dengan rumus : Output = + e Acc Output = + e AccOutput Output = + e AccOutput + e = 0, 57 + e = 0, 404 = 0,5379 = 0, Backward Propagaton Int dar Backward Propagaton adalah untuk mencar galat suatu node. Dar hasl Forward Propagaton pastlah akan dhaslkan suatu output dan output tersebut belum tentu sesua dengan target output, oleh karena tu perbandngan kesalahan dar target output dengan output yang dhaslkan tersebut, kta sebut dengan galat. Dalam Backward Propagaton juga dkenal dengan yang dsebut nsalsas output. Insalsas output pada dasarnya adalah menentukan galat d suatu node dengan target output.

22 50 Weght Weght Hdden Layer Output Layer Input Layer Gambar 3.8 Representas Backward Propagaton Untuk mencar galat d output layer, dapat dhtung dengan rumus : Galat = Output ( - Output) (Target Output).. (3.4) Galat system dapat dhtung dengan rumus : Galat system = abs( erroroutput ) n.. (3.5) d mana n = jumlah node pada output layer. Sedangkan untuk mencar galat d tahap selanjutnya, dapat dhtung dengan rumus : Galat = Output ( - Output) Acc. (3.6) D mana blangan accumulator adalah :

23 5 Acc = Σ (Weght j Galat j ) (3.7) Sebaga contoh penerapannya, dlanjutkan dar perhtungan Forward Propagaton. Galat = Output ( - Output) (Target Output) Galat Output = 0,5379 ( - 0,5379) (0,7-0,5379) = 0,0403 rumus : Galat Output = 0,400 ( - 0,400) (0, - 0,400) = -0,0483 Setelah mendapatkan Galat pada output layer, maka bsa dcar Galat system dengan Galat system = abs( erroroutput ) n Galat system = 0, ,0483 = 0,0443 Karena Galat system mash lebh besar dar 0,000, maka harus dhtung galat d tahap selanjutnya. Selanjutnya adalah menghtung blangan accumulator pada hdden layer. Acc = Σ (Weght j Galat j ) Acc Hdden = Σ (Weght j Galat j pada Output Layer) = (0, 0,0403) + (-0,5 (-0,0483)) = 0,03 Acc Hdden = Σ (Weght j Galat j pada Output Layer) = (0, 0,0403) + (-0,3 (-0,0483)) = 0,085 Setelah mendapatkan blangan accumulator-nya, maka bsa dcar galat pada hdden layer, dengan rumus : Galat = Output ( - Output) Acc

24 5 Galat Hdden = Output ( - Output) Acc Hdden = 0,537 ( 0,537) 0,03 = 0,008 Galat Hdden = Output ( - Output) Acc Hdden = 0,443 ( 0,443) 0,085 = 0,0046 Selanjutnya adalah menghtung blangan accumulator pada nput layer. Acc = Σ (Weght j Galat j ) Acc Input = Σ (Weght j Galat j pada Hdden Layer) = (0,4 0,008) + (-0,3 0,0046 ) = 0,008 Acc Input = Σ (Weght j Galat j pada Hdden Layer) = (0, 0,008) + (-0,6 0,0046) = 0,009 Acc Input 3 = Σ (Weght j Galat j pada Hdden Layer) = (0,4 0,008) + (-0, 0,0046) = 0,007 Setelah mendapatkan blangan accumulator-nya, maka bsa dcar galat pada nput layer, dengan rumus : Galat = Output ( - Output) Acc Galat Input = Output ( - Output) Acc Input = 0, ( 0,) 0,008 = 0,000 Galat Input = Output ( - Output) Acc Input = 0,3 ( 0,3) 0,009 = 0,0004 Galat Input 3 = Output ( - Output) Acc Input 3 = 0, ( 0,) 0,007 = 0,0004

25 Update Weght Sebenarnya nt dar JST adalah mencar weght yang sesua dar nput yang dmasukkan sehngga menjad output yang dngnkan. Weght n nantnya ddapat setelah mendapatkan output dan galat dar setap node. Rumus untuk mencar weght baru : Weght = Weght + (Alpha Output sebelum Galat sesudah ) (3.8) Alpha d atas dapat dartkan sebaga tahap belajar suatu sstem, semakn tngg nlanya, maka semakn tngg kecepatan belajarnya, namun dengan demkan akan berdampak kurang bak, karena akan mendapatkan galat yang tdak merata. Sehngga dengan demkan, lebh bak kta menggunakan Alpha yang kecl, walaupun tahap belajarnya lambat, tetap hasl keakuratannya tngg. Sebaga contoh penerapannya, dlanjutkan dar perhtungan Backward Propagaton, yatu mencar weght baru antara nput layer dan hdden layer dengan Alpha = 0,000. Weght = Weght + (Alpha Output sebelum Galat sesudah ) Weght antara node nput layer dan node hdden layer = Weght + (Alpha Output sebelum Galat sesudah ) = 0,4 + (0,000 0, 0,008 ) = 0,40000 Weght antara node nput layer dan node hdden layer = Weght + (Alpha Output sebelum Galat sesudah ) = 0,4 + (0,000 0, 0,0046) = 0,4000 Weght antara node nput layer dan node hdden layer = Weght + (Alpha Output sebelum Galat sesudah ) = 0,4 + (0,000 0,3 0,008) = 0,4000 Weght antara node nput layer dan node hdden layer = Weght + (Alpha Output sebelum Galat sesudah ) = 0,4 + (0,000 0,3 0,0046) = 0,4000

26 54 Weght antara node 3 nput layer dan node hdden layer = Weght + (Alpha Output sebelum Galat sesudah ) = 0,4 + (0,000 0, 0,008) = 0,4000 Weght antara node 3 nput layer dan node hdden layer = Weght + (Alpha Output sebelum Galat sesudah ) = 0,4 + (0,000 0, 0,0046) = 0, Tranng Telah dbahas d atas bahwa proses belajar suatu sstem terdr dar proses Forward Propagaton, Backward Propagaton, dan Update Weght. Sekal melewat 3 tahap n dsebut dengan kal tranng ( epoch). Semakn banyak tranng yang dlakukan maka akan semakn kecl pula tngkat galat yang dhaslkan d output layernya, dan dengan demkan semakn kecl juga galat suatu sstem. Proses tranng akan berhent, jka salah satu konds d bawah n dpenuh : a. Nla batas tolerans galat tercapa, dalam art Galat system target Galat system. b. Nla epoch yang dtentukan telah tercapa. c. Nla output yang dhaslkan pada output layer sesua dengan target output. Langkah-langkah tranng : a. Plh tranng par. Aplkaskan vektor nput ke dalam network. b. Htung output dar network. c. Htung galat antara actual output dengan target output. d. Sesuakan bobot dengan cara memnmumkan galat. e. Ulang sampa dengan 4 untuk setap vektor dalam tranng set.

27 Rancangan Layar 3.4. Rancangan Layar About Form About akan dgunakan untuk menamplkan keterangan sngkat dar program aplkas yang dbuat sepert judul, mahasswa yang membuat, dosen yang membmbng, dan sebaganya. Pada form n terdapat dua button, yatu Enter, untuk masuk ke form utama pengolah ctra, dan button Ext untuk keluar dar program aplkas. PERANCANGAN PROGRAM SIMULASI KLASIFIKASI PRODUK SANDAL DHIIF S DENGAN METODE BACK PROPAGATION DAN FOURIER DESCRIPTORS Dbuat dalam rangka memenuh tugas akhr (skrps) jenjang Strata (S) Bnus Unversty Jakarta Dbuat oleh: Margaretha Lyda Eka Pratw ( ) Dbmbng oleh: Bapak Dr. Ir. Haryono Soeparno, M.Sc. Ngarap Imanuel Mank, Drs., M.Kom. Enter Ext Gambar 3.9 Rancangan Layar About 3.4. Rancangan Layar Vew Pada Tab Vew dalam Form Image Recognton, user dapat mengontrol nput yang dbutuhkan dalam proses pengenalan ctra hngga sepert parameter Fourer Descrptors dan network yang akan dgunakan, melhat hasl pengolahan ctra, dan menympan output yang dhaslkan.

28 56 Browse Image Status Error: Epoch: Stop Tranng Result ParameterFD Load Network Tran Network Recognze Clear Save Network Gambar 3.0 Rancangan Layar Vew Rancangan Layar Settng Pada Tab Settng dalam Form Image Recognton, user dapat menentukan parameter-parameter yang dgunakan untuk membangun jarngan syaraf truan, sepert jumlah layer, maksmum galat, jumlah node pada tap layer, serta url path tempat mage yang akan d-tranng. Number of Layers: Max galat: Number of nput unts: Number of hdden unts: Number of output unts: Tranng Images Propertes Browse Save Settng Gambar 3. Rancangan Layar Settng