Backpropagation Method
ABSTRACT
Tectona Grandis Teak or included in the first grade because of the strength, durability and
beauty. In the timber industry now, teak are also processed pieces of parquet (parquet) floor
coverings. Parquet wood also has a variety of patterns. In this writing wood parquet pattern is
classified into 3 (three) kinds of patterns. The patterns it is a striped pattern, a curved pattern
that resembles the letter U and also the pattern somewhat disabled (handicap not exceeding 20
per cent). The patterns of parquet teak in this paper entered for classification in automation.
Classification automation conducted in this study based on texture analysis GLDM. Input data
analysis texture is then used to classify using Neural Networks backpropagation method.
KLASIFIKASI PARKET KAYU JATI BERDASARKAN
ANALISA TEKSTUR GLDM MENGGUNAKAN METODE
BACKPROPAGATION
ABSTRAK
Kayu jati atau Tectona Grandis termasuk dalam kelas satu karena kekuatan, keawetan
dan keindahannya. Dalam industri kayu sekarang, jati juga diolah keping-keping parket
(parquet) penutup lantai. Parket kayu juga memiliki pola yang bermacam-macam. Pada
penulisan ini pola parket kayu diklasifikasikan menjadi 3(tiga) macam pola. Pola-pola
tersebut adalah pola bergaris, pola melengkung yang menyerupai huruf U dan juga pola yang
agak cacat (cacatnya tidak melebihi 20 persen). Pola-pola parket kayu jati dalam skripsi ini
dimasukkan untuk pengklasifikasian secara otomatisasi. Klasifikasi otomatisasi yang
dilakukan dalam penelitian ini berdasarkan analisa tekstur GLDM. Data input hasil analisa
tekstur ini kemudian digunakan untuk mengklasifikasi menggunakan Jaringan Saraf Tiruan
menggunakan metode backpropagation.
Kata Kunci : Klasifikasi, Parket Kayu Jati, Jaringan Saraf Tiruan, Backpropagation.
PENDAHULUAN
Kayu jati Indonesia memiliki beberapa kelebihan yang mungkin tidak dimiliki oleh kayu-kayu
jenis lain baik dari sisi kekuatan ataupun teksturnya. Dalam industri kayu sekarang, jati juga
diolah keping-keping parket (parquet) penutup lantai.
Parket kayu juga memiliki pola yang bermacam-macam. Pada penulisan ini pola parket kayu
diklasifikasikan menjadi 3(tiga) macam pola. Pola-pola tersebut adalah pola bergaris, pola
melengkung yang menyerupai huruf U dan juga pola yang agak cacat (cacatnya tidak
melebihi 20 persen). Pengenalan pola untuk klasifikasi ini menggunakan otomatisasi.
Dalam menentukan klasifikasi otomatisasi maka harus ditentukan variabel yang akan
digunakan dengan analisa tekstur. Analisa tekstur bekerja dengan mengamati pola
ketergantungan antar piksel dalam domain spasial. Setelah dilakukan analisa tekstur perlu
dilakukan klasifikasi pada tekstur yang telah dilakukan. Terdapat berbagai macam cara dalam
mengklasifikasikan tekstur ini. Banyak cara ataupun metode yang bisa digunakkan dalam
melakukan klasifikasi. Salah satu metode pangklasifikasian adalah dengan menggunakan
Artificial Neural Network (ANN).
Dalam penulisan ini akan dibuat suatu klasifikasi pada parket kayu jati dengan menggunakan
suatu Artificial Neural Network dengan metode backpropagation. Klasifikasi ini berdasarkan
pada tekstur yang telah dibuat dengan menggunakan metode GLDM (grey level difference
method).
Tujuan dari pengklasifikasian ini adalah untuk membuat aplikasi klasifikasi tekstur guna
mengklasifikasi jenis parket berdasarkan dari hasil analisa tekstur berdasarkan GLDM.
Aplikasi dibuat dengan menggunakan metode Backpropagation.
TINJAUAN PUSTAKA
Metode Backpropagation
Backpropagation merupakan algoritma pembelajaran yang terawasi dan biasanya digunakan
oleh perceptron dengan banyak lapisan untuk mengubah bobot-bobot yang terhubung dengan
neuron-neuron yang ada pada lapisan tersembunyinya. Algoritma backpropagation
menggunakan error output untuk mengubah nilai bobot-bobotnya dalam arah mundur
(backward). Untuk mendapatkan error ini, tahap perambatan maju (forward propagation)
harus dikerjakan terlebih dahulu. Pada saat perambatan maju, neuron-neuron diaktifkan
dengan menggunakan fungsi aktivasi yang dapat didiferensiasikan.
Hasil teoritis yang ada menunjukkan bahwa jaringan dengan sebuah layar tersembunyi sudah
cukup bagi backpropagation untuk mengenali sembarang pasangan antara masukan dan target
dengan tingkat ketelitian yang ditentukan. Akan tetapi penambahan jumlah layar tersembunyi
kadangkala membuat pelatihan lebih mudah.
Jika jaringan memiliki lebih dari satu layar tersembunyi, maka algoritma pelatihan yang
dijabarkan sebelumnya perlu direvisi. Dalam propagasi maju, keluaran harus dihitung untuk
tiap layar, dimulai dari layar tersembunyi paling bawah (terdekat dengan masukan).
Sebaliknya, dalam propagasi mundur, faktor kesalahan (δ) perlu dihitung untuk tiap layar
tersembunyi, dimulai dari layar keluaran.
Data dalam penulisan ini menggunakan data parket kayu jati yang terlebih dahulu dilakukan
analisa tekstur dengan menggunakan GLDM (grey level difference method). Data- data yang
diambil meliputi semua features yang telah ditentukan. Fitur-fitur dalam menentukan data
adalah Contrast, Angular Second Moment (ASM), Entropy, Inverse Difference Moment (IDM)
dan Mean. Nilai dari fitur-fitur ini berdasarkan dari sudut yang diambil yaitu sudut 0˚, sudut
45˚, sudut 90˚ dan sudut 135˚ (lihat lampiran). Pada MATLAB data-data ini akan dijadikan
menjadi matriks-matriks. Matriks-matriks ini akan disusun menjadi matriks 20x13. Data ini
pada program diberi variable “x”. Namun pada penyusunan matriks ini tidak langsung dibuat
menjadi matriks 20x13, melainkan dengan cara membuat baris matriks terlebih dahulu lalu
baru membuat kolom matriksnya.
Pada program ini juga akan diberikan tujuan (goal) dari pelatihan input dari data-data yang
telah dimasukkan. Sama seperti data input, untuk tujuan ini juga akan dibuat matriks. Matriks
yang digunakan adalah matriks 1x3. Matriks tujuan ini akan menjadi tujuan dari setiap kolom
pada matriks inputan.
Model Pelatihan
Pelatihan yang dilakukan terhadap data sesuai dengan contoh jaringan saraf tiruan berikut:
'logsig'},'traingdx','learngdm','mse');
Pada program ini juga akan dibuat simulasi dari inputan yang telah dimasukkan. Dengan
simulasi ini besarnya kesalahan (error) mula-mula dapat ditentukan. Perintah untuk
melakukan simulasi yaitu:
[y,Pf,Af,e,perf] = sim (net,p,[],[],t)
Maksud dari sintaks diatas adalah simulasi untuk menghitung keluaran dari jaringan (yang
diberi variable “y”). Selain itu besarnya error dapat ditentukan sebelumnya (variable “e”).
Pada sintaks diatas juga akan dilihat performa dari jaringan yang dilatih.
Setelah program melakukan simulasi lalu dimasukkan parameter-parameter pelatihan sebagai
berikut:
net.trainParam.show = 50;
net.trainParam.epochs = 10000;
net.trainParam.goal = 0.1;
net.trainParam.lr = 0.01;
net.trainParam.lr_inc= 1.05;
net.trainParam.lr_dec = 0.7;
net.trainParam.mc = 0.9;
net.trainParam.min_grad = 1e-10;
net = train (net,p,t)
Paramater yang ada pada program yaitu: show epoch, goal, learning rate, momentum serta
minimum gradient. Epoch adalah banyaknya iterasi atau perulangan yang dilakukan. Epoch
yang dimasukkan sebanyak 10000 epoch. Epoch ini akan diperiksa setiap 50 epoch oleh
program apakah epoch tersebut telah mencapai goal yang diinginkan. Goal adalah error yang
ingin dicapai, pada penelitian ini dipilih nilai goal = 0,1. Learning rate untuk menentukan
laju pemahaman pada simulasi, dalam penelitian ini dipilih laju pemahaman 0,01. Goal dan
Learning Rate ini juga dapat diubah sesuai dengan keinginan user. Minimum gradient untuk
menentukan besarnya nilai gradient terkecil, dalam penelitian ini dipilih minimum gradient
sampai 10-10. Jika perintah net = train (net,p,t) dijalankan, maka bobot akan ditraining
(disimulasi). Perintah ini juga menyebabkan bobot akan dijalankan secara acak.
Hasil Program
Output diatas merupakan bobot awal dan bias dari pelatihan backpropagation sebelum dilatih.
Bobot awal dan bias ini ditentukan secara acak oleh program. Jadi, setiap program dijalankan
bobot awal dan bias akan berbeda. Bobot awal ini nantinya akan dilatih dengan parameter-
parameter training yang ada diatas. Pelatihan bobot awal ini akan dilatih bedasarkan epoch
yang ditentukan.
Sebelum dilakukan training, terlebih dahulu dilakukan simulasi. Output diatas merupakan
hasil keluaran dari simulasi program yang telah dijalankan. Hasil y pada output diatas adalah
target yang ingin dicapai dari data masukan. Selain itu output diatas juga menunjukkan
kesalahan (error) yang dilakukan oleh program serta menampilkan performa dari simulasi
yang telah dijalankan. Setelah melakukan simulasi program akan melakukan training dengan
parameter-parameter yang ditentukan sebelumnya. Output ini bisa berubahsesuai dengan
penempatan perintah yang dilakukan.
TRAINGDX, Epoch 9950/10000, MSE 0.200855/0.1, Gradient 9.54739e-005/1e-010
TRAINGDX, Epoch 10000/10000, MSE 0.200855/0.1, Gradient 4.98762e-006/1e-010
TRAINGDX, Maximum epoch reached, performance goal was not met.
Potongan output diatas menunjukkan perulangan dari epoch. Pada output diatas dapat dilihat
bahwa setiap 50 epoch program akan mencetak dan memberitahu tingkat kesalahan apakah
tingkat kesalahan tersebut sudah memenuhi apa yang diinginkan. Dari output diatas dapat
dilihat bahwa epoch maksimal sudah terlampaui namun, tujuan (goal) belum terpenuhi. Ini
berarti jaringan tidak mengenali pola pelatihan. Selain itu grafik perubahan error juga
ditampilkan pada gambar 1.1.
Sedangkan untuk hasil output diatas adalah bobot akhir dan bias pada setelah simulasi
dilaksanakan. Hasil ini tidak sesuai disebabkan karena data masukkan yang ada terlalu sedikit.
Gambar 1.2 Grafik perubahan Error
Gambar 1.2 adalah simulasi pelatihan dari input yang telah dimasukkan. Output akan tetap
berada pada error 0,2 jauh dari error yang diinginkan.
Pada penelitian ini juga dilakukan beberapa percobaan antara lain dengan menambah data
masukan dengan cara menyalin data yang sudah ada namun, output yang dihasilkan tetap
tidak sesuai dengan yang diharapkan. Selain itu juga dilakukan percobaan dengan
memasukkan bobot awal tetap, dengan cara ini goal yang dihasilkan sempat mencapai 0,1
namun hasilnya tetap tidak konvergen. Learning rate dan goal pun sempat dirubah menjadi
lebih besar namun, hasil yang dicapai juga tidak konvergen
PENUTUP
Kesimpulan
Berdasarkan hasil analisa dan pembahasan yang telah diuraikan pada bab sebelumnya, maka
dapat diambil beberapa kesimpulan sebagai berikut. Penelitian ini tidak menghasilkan output
yang diharapkan. Output ini tidak sesuai yang diharapkan karena kemungkinan data input
yang terlalu sedikit. Data yang terlalu sedikit ini selain mengakibatkan output yang tidak
sesuai dengan harapan dan juga menghasilkan output yang tidak konvergen karena jaringan
ini tidak mengenali pola yang telah dimasukkan.
Saran
Jaringan tidak mengenali pola dan output yang dihasilkan tidak konvergen. Diharapkan agar
pelatihan ini berhasil (jaringan mengenali pola) dan output yang dihasilkan sesuai dibutuhkan
data-data yang banyak, atau pengenalan berdasarkan hasil analisa tekstur menggunakan
metode GDLM.
Klasifikasi parket kayu jati pada penelitian ini dilakukan berdasarkan analisa tekstur. Pada
citra untuk kelas A terdapat 3(tiga) buah pola untuk klasifikasi, untuk citra kelas B terdapat
5(lima) buah pola untuk klasifikasi C terdapat 5(lima) buah pola untuk klasifikasi. Klasifikasi
dilakukan menggunakan metode backpropagation dengan 1 (satu) lapisan input, 3(tiga) buah
lapisan tersembunyi dan 1 (satu) lapisan output. Pelatihan ini menggunakan fungsi aktivasi
Logsig, laju pembelajaran, momentum serta mempunyai kuadrat rata-rata galat. Hasil yang
didapatkan dari penelitian ini tidak sesuai dengan yang diharapkan, dapat dilihat dari output
yang dihasilkan dimana kesalahan (error) yang dihasilkan masih tinggi yaitu 0,2.
DAFTAR PUSTAKA
[1]. Hermawan, Arief., Jaringan Saraf Tiruan Teori dan Aplikasi. Yogyakarta: Penerbit
Andi, 2006.
[2]. Kusumadewi, Sri, Sri Hartati., NEURO-FUZZY Integrasi Sistem Fuzzy dan Jaringan
Saraf. Yogyakarta: Graha Ilmu, 2006.
[3] Mutiara, Ahmad Benny., Catatan Kuliah Jaringan Saraf Tiruan. Universitas
Gunadarma, 2009.
[4]. Nafisah, Sari., Pengklasifikasian Jenis Tanah Menggunakan Jaringan Syaraf Tiruan
Backpropagation. Universitas Gunadarma, 2008.
[5]. Septiana, Diah Ayu., Analisis Tekstur Kayu Parket Dengan Menggunakan Metode
Statistikal Grey Level Run Length Matrix. Universitas Gunadarma, 2009.
[6]. Siang, Jong Jek., Jaringan Saraf Tiruan & Pemrogramannya Menggunakan Matlab.
Yogyakarta: Penerbit Andi, 2004.
[7] Topi Mäenpää, Jaakko Viertola, and Matti Pietikäinen., Optimizing color and texture
features for real-time visual inspection. Machine Vision Group Department of
Electrical and Information Engineering University of Oulu, Finland.
http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.97.5610&rep=rep1&type=
pdf, diunduh tanggal 11 Januari 2010
[6]. Zahab, Nicky Muhammad., Analisis Tekstur Parket Kayu Jati Dengan Menggunakan
Metode Statistikal Gray Level Difference Method. Universitas Gunadarma, 2009.