lalu menghitung sinyal keluarannya dengan fungsi aktivasi, z j = f z_in j

Transkripsi

1 LAMPIRAN

2 17 Lampiran 1 Algoritme JST propagasi balik resilient (Susanto 2006) Langkah 0. Inisialisasi bobot Langkah 1. Selama syarat henti salah, lakukan langkah 2 9 Langkah 2. Untuk setiap pasangan pelatihan (masukan dan target), lakukan langkah 3 8 Langkah 3. Setiap unit masukan (X i, i = 1,...,n) menerima sinyal masukan x i dan meneruskannya ke seluruh unit pada lapisan diatasnya (hidden unit) Langkah 4. Setiap unit tersembunyi (Z j, j = 1,...,p) menghitung total sinyal masukan terbobot, z_in j = v 0j + x i n i=1 v ij, lalu menghitung sinyal keluarannya dengan fungsi aktivasi, z j = f z_in j, dan mengirimkan sinyal ini ke seluruh unit pada lapisan atasnya (lapisan output). Langkah 5. Setiap unit output (Y k, k = 1,...,m) menghitung total sinyal masukan terbobot, y_in k = w 0k + x i p j=1 w jk, lalu menghitung sinyal keluaran dengan fungsi aktivasi, y k = f y_in k. Langkah 6. Setiap unit output (Y k, k = 1,...,m) menerima sebuah pola target yang sesuai dengan polamasukan pelatihannya. Unit tersebut menghitung informasi kesalahan, δ k = (t k - y k ) f' y_in k φ2 jk = δ k z j β2 k = δ k φφ2 jk = φ2 jk * φ2 jk (old) ββ2 k = β2 k * β2 k (old) kemudian menghitung koreksi bobot (digunakan untuk mengubah w jk nanti), FN* w jk old ; φφ2 jk >0 w jk = FT* w jk old ; φφ2 jk <0 w jk old ; φφ2 jk =0 w jk = min ( w jk, deltamax) - w jk ; φ2 jk >0 w jk = w jk ; φ2 jk <0 0; φ2 jk =0 hitung juga nilai koreksi bias (yang nantinya akan digunakan untuk memperbaiki nilai b2 k ) FN* b2 k old ; ββ2 k >0 b2 k = FT* b2 k old ; ββ2 k <0 b2 k old ; ββ2 k =0 min ( b2 k, delta max); ββ2 k >0 b2 k = max ( b2 k, delta min); ββ2 k <0 - b2 k ; β2 k >0 b2 k = b2 k ; β2 k <0 0; β2 k =0

3 18 Langkah 7. Setiap unit tersembunyi (Z j, j = 1,...,p) menghitung selisih input (dari unit-unit pada layer atasnya) m δ_in j = δ k k=1 w jk lalu mengalikannya dengan turunan fungsi aktivasi untuk menghitung informasi errornya δ1 j = δ_in j f' z_in j φ1 ij = δ1 j x j β1 j = δ1 j φφ1 ij = φ1 ij * φ1 ij (old) ββ1 j = β1 j * β1 j (old) kemudian hitung koreksi bobot (yang nantinya akan digunakan untuk memperbaiki nilai v ij ) FN* v ij old ; φφ1 ij >0 v ij = FT* v ij old ; φφ1 ij <0 v ij old ; φφ1 ij =0 v ij = min ( v ij, deltamax) - v ij ; φ1 ij >0 v ij = v ij ; φ1 ij <0 0; φ1 ij =0 hitung juga koreksi bias (yang nantinya akan digunakan untuk memperbaiki nilai 1 ) FN* b1 j old ; ββ1 j >0 b1 j = FT* b1 j old ; ββ1 j <0 b1 j old ; ββ1 j =0 min ( b1 j, delta max); ββ2 k >0 b1 j = max b1 j, delta min ; ββ2 k <0 b1 j ; β1 j >0 b1 j = b1 j ; β1 j <0 0; β1 j =0 Langkah 8. Setiap unit output (Y k, k = 1,...,m) mengubah bias dan bobot-bobotnya (j=0,...,p) w jk new = w jk old + w jk b2 k new = b2 k old + b2 k Setiap unit tersembunyi (Z j, j = 1,...,p) mengubah bias dan bobot-bobotnya (i=1,..,n) v ij new = v ij old + v ij b1 j new = b1 j old + b1 j Langkah 9. Uji syarat henti : Jika besar mean squared error 1 n t n k- y k 2 lebih kecil daripada toleransi yang telah k=1 ditentukan atau jumlah epoch pelatihan sudah mencapai epoch maksimum, selesai; jika tidak, kembali ke Langkah 1.

4 19 Lampiran 2 Ilustrasi arsitektur jaringan syaraf tiruan propagasi balik Keterangan : Arsitektur backpropagation dengan n buah masukan (ditambah dengan sebuah bias), sebuah hidden layer yang terdiri dari p unit ditambah dengan sebuah bias), serta m buah unit keluaran. V ji merupakan bobot garis dari unit masukan X i ke unit hidden layer Z j (V j0 merupakan bobot garis yang menghubungkan bias di unit masukan ke unit hidden layer Z j ). W kj merupakan bobot garis dari unit hidden layer Z j ke unit keluaran Y k (W k0 merupakan bobot garis yang menghubungkan bias di unit hidden layer ke unit keluaran Z k ). Lampiran 3 Data percobaan (fitur keliling dan luas menggunakan perhitungan manual) Data ke- tulang permukaan ujung panjang lebar pangkal keliling luas sudut jml tulang kelas

5 20 Data ke- tulang permukaan ujung panjang lebar pangkal keliling luas sudut jml tulang Keterangan: Fitur - Bentuk tulang 1 : Tidak menempel - Permukaan 1 : Atas halus bawah kasar 2 : Atas bawah halus - Ujung 1 : Meruncing 2 : Runcing - Pangkal 1 : Membulat 2 : Tumpul Kelas 1 : Shorea ovalis 2: Shorea leprosula 3 : Shorea platyclados 4 : Shorea seminis 5 : Shorea beccariana kelas

6 21 Lampiran 4 Data percobaan (fitur keliling dan luas menggunakan pendekatan regresi linier) Data ke- tulang panjang lebar permukaan ujung pangkal keliling luas sudut jml tulang kelas

7 22 Data ke- tulang panjang lebar permukaan ujung pangkal keliling luas sudut jml tulang kelas

8 Lampiran 5 Flowchart penentuan parameter optimal 23

9 24 Lampiran 6 Hasil percobaan 1 Nilai optimal hidden neuron HN Nilai optimal toleransi galat TL E E E E E E E E E E E E E E E E E E E E E

10 25 TL E E E E E E E E E E E E E E Nilai optimal learning rate LR

11 26 LR Nilai optimal faktor naik FN

12 27 FN Nilai optimal faktor turun FT

13 28 FT Nilai optimal delta0 D

14 29 D Nilai optimal deltamax DM

15 30 DM

16 31 Lampiran 7 Kesalahan identifikasi pada percobaan 1 Nilai dari fitur nominal yang sama antara Shorea leprosula dengan Shorea ovalis yang menyebabkan kesalahan identifikasi pada percobaan 1 panjang lebar tulang permukaan ujung pangkal keliling luas sudut jml tulang kelas Hasil identifikasi dari grup percobaan lima : Kelas Sebenarnya Hasil identifikasi Kelas Prediksi ovalis (kode kelas: 1) leprosula (kode kelas: 2) Kelas Shorea platyclados (kode kelas: 3) seminis (kode kelas: 4) beccariana (kode kelas: 5) Jenis Shorea Kode Kelas Rentang target Shorea ovalis x < 1.5 Shorea leprosula x < 2.5 Shorea platyclados x < 3.5 Shorea seminis x < 4.5 Shorea beccariana x < 5.5

17 32 Lampiran 8 Hasil percobaan 2 Nilai optimal hidden neuron HN Nilai optimal toleransi galat TL E E E E E E E E E E E E E E E E E E E E E E

18 33 TL E E E E E E E E E E E E E E E E E E E E E E E E E E E E Nilai optimal learning rate LR

19 34 LR Nilai optimal faktor naik FN

20 35 FN Nilai optimal faktor turun FT

21 36 FT Nilai optimal delta0 D

22 37 D Nilai optimal deltamax DM

23 38 DM

24 39 DM Lampiran 9 Kesalahan identifikasi pada percobaan 2 Nilai dari fitur nominal yang sama antara Shorea leprosula dengan Shorea ovalis yang menyebabkan kesalahan identifikasi pada Percobaan 2 lebar tulang panjang permukaan ujung pangkal keliling luas sudut jml tulang kelas Hasil identifikasi dari grup percobaan lima : Kelas Sebenarnya Hasil identifikasi Kelas Prediksi ovalis (kode kelas: 1) leprosula (kode kelas: 2) Kelas Shorea platyclados (kode kelas: 3) seminis (kode kelas: 4) beccariana (kode kelas: 5) Jenis Shorea Kode Kelas Rentang target Shorea ovalis x < 1.5 Shorea leprosula x < 2.5 Shorea platyclados x < 3.5 Shorea seminis x < 4.5 Shorea beccariana x < 5.5