8/15/2019 Variasi Hidden Layer Dalam Pengenalan Pola Reptil Dengan Neuroph Studio 9
1/20
Abstrak. Telah dilakukan percobaan
variasi Hidden Layer dalam pengenalan
pola reptil dengan neuroph studio 2.9.
dalam percobaan ini, dilakukan dengan 6
tahap yaitu dengan variasi Hidden Layer
5, 10, 15, dan 20 hasil percobaan
menunjukan bahwa jumlah Hidden
Layer sangat mempengaruhi respon dari
sistem. Semakin banyak Hidden Layer
yang digunakan maka Respon Sistem
akan semakin baik dan sebaliknya.Begitu juga variasi Hidden Layer juga
mempengaruhi tingkat error dari sistem.
Semakain banyak Hidden Layer yang
digunakan maka semakin mengurangi
error dari sistem. Namun jika Hidden
Layer yang digunakan berlebihan maka
Error Sistem akan semakin besar pula.
I. PENDAHULUAN
Jaringan Syaraf Tiruan adalah paradigma pemrosesan suatu informasi yangterinspirasi oleh sistim sel syaraf biologi,
sama seperti otak yang memproses suatu
informasi. Elemen mendasar dari paradigma
tersebut adalah struktur yang baru darisistim pemrosesan informasi. Jaringan
Syaraf Tiruan, seperti manusia, belajar dari
suatu contoh. Jaringan Syaraf Tiruandibentuk untuk memecahkan suatu masalah
tertentu seperti pengenalan pola atau
klasifikasi karena proses pembelajaran.
Jaringan Syaraf Tiruan berkembang secara pesat pada beberapa tahun terakhir. Jaringan
Syaraf Tiruan telah dikembangkan sebelum
adanya suatu komputer konvensional yangcanggih dan terus berkembang walaupun
pernah mengalami masa vakum selama
beberapa tahun.
1. Perbandingan Jaringan Syaraf Tiruan
dengan Konvensional
Jaringan Syaraf Tiruan memiliki endekatan
yang berbeda untuk memecahkan masalah
bila dibandingkan dengan sebuah komputer
konvensional. Umumnya komputerkonvensional menggunakan pendekatan
algoritma (komputer konvensional
menjalankan sekumpulan perintah untuk
memecahkan masalah). Jika suatu perintahtidak diketahui oleh komputer konvensional
maka komputer konvensional tidak dapat
memecahkan masalah yang ada. Sangat penting mengetahui bagaimana
memecahkan suatu masalah pada komputer
konvensional dimana komputerkonvensional akan sangat bermanfaat jika
dapat melakukan sesuatu dimana pengguna belum mengatahui bagaimana
melakukannya.
Gambar 1. Sebuah Sel Saraf Sederhana
Jaringan Syaraf Tiruan dan suatu algoritma
komputer konvensional tidak saling bersaing
namun saling melengkapi satu sama lain.Pada suatu kegiatan yang besar, sistim yang
diperlukan biasanya menggunakan
kombinasi antara keduanya (biasanyasebuah komputer konvensional digunakan
MENENTUKAN KUALITAS ANGGUR DENGAN METODE RADIAL BASIC
FUNCTION (RBF) MENGGUNAKAN NEUROPH STUDIO 2.9
Ernes Josias Blegur
1114201017
Jurusan Fisika, Fakultas MIPA Institut Teknologi Sepuluh Nopember
8/15/2019 Variasi Hidden Layer Dalam Pengenalan Pola Reptil Dengan Neuroph Studio 9
2/20
untuk mengontrol Jaringan Syaraf Tiruan
untuk menghasilkan efisiensi yang
maksimal. Jaringan Syaraf Tiruan tidakmemberikan suatu keajiban tetapi jika
digunakan secara tepat akan menghasilkan
sasuatu hasil yang luar biasa.
2. Model Dasar Jaringan Syaraf Tiruan
Mengadopsi esensi dasar dari system syaraf
biologi, syaraf tiruan digambarkan sebagai berikut : Menerima input atau masukan baik
dari data yang dimasukkan ataudari output
sel syaraf pada jaringan syaraf. Setiap input
datang melalui suatu koneksiatau hubunganyang mempunyai sebuah bobot (weight ).
etiap sel syaraf mempunyai sebuah nilai
ambang. Jumlah bobot dari input dandikurangi dengan nilai ambang kemudian
akan mendapatkan suatu aktivasi dari selsyaraf ( post synaptic potential , PSP, dari sel
syaraf). Signal aktivasi kemudian menjadifungsi aktivasi / fungsi transfer untuk
menghasilkan output dari sel syaraf.
Jika tahapan fungsi aktivasi digunakan (
output sel syaraf = 0 jika input = 0) maka tindakan sel syaraf sama
dengan sel syaraf biologi yang dijelaskan
diatas (pengurangan nilai ambang dari jumlah bobot dan membandingkan dengan 0
adalah sama dengan membandingkan jumlah
bobot dengan nilai ambang). Biasanyatahapan fungsi jarang digunakan dalan
Jaringan Syaraf Tiruan. Fungsi aktivasi (f(.))
dapat dilihat pada Gambar 2.
Gambar 2. Fungsi Aktifasi
Bagaimana sel syaraf saling berhubungan?Jika suatu jaringan ingin digunakan untuk
berbagai keperluan maka harus memiliki
input (akan membawa nilai dari suatu
variabel dari luar) dan output (dari prediksiatau signal kontrol). Input dan output sesuai
dengan sensor dan syaraf motorik seperti
signal datang dari mata kemudian diteruskanke tangan, Dalam hal ini terdapat sel syarafatau neuron pada lapisan tersembunyi
berperan pada jaringan ini. Input, lapisan
tersembunyi dan output sel syarafdiperlukan untuk saling terhubung satu sama
lain. Berdasarkan dari arsitektur (pola
koneksi), Jaringan Syaraf Tiruan dapat
dibagi kedalam dua katagori :
a. Struktur feedforward
Sebuah jaringan yang sederhana mempunyaistruktur feedforward dimana signal bergerak
dari input kemudian melewati lapisantersembunyi dan akhirnya mencapai unit
output (mempunyai struktur perilaku yangstabil).
Tipe jaringan feedforward mempunyai sel
syaraf yang tersusun dari beberapa lapisan.
Lapisan input bukan merupakan sel syaraf.Lapisan ini hanya member pelayanan
dengan mengenalkan suatu nilai dari suatu
variabel. Lapisan tersembunyi danlapisanoutput sel syaraf terhubung satu sama lain
dengan lapisan sebelumnya. Kemungkinan
yang timbul adalah adanya hubungandengan beberapa unit dari lapisan
sebelumnya atau terhubung semuanya
(lebih baik).
Gambar 3. Jaringan Saraf Tiruan
Feedforward
8/15/2019 Variasi Hidden Layer Dalam Pengenalan Pola Reptil Dengan Neuroph Studio 9
3/20
Yang termasuk dalam struktur feedforward
yaitu Single-layer perceptron, Multilayer
perceptron, Radial-basis function networks,
Higher-order networks dan Polynomial
learning networks
b.
Struktur recurrent (feedback)
Jika suatu jaringan berulang (mempunyai
koneksi kembali dari output ke input) akanmenimbulkan ketidakstabilan dan akan
menghasilkan dinamika yang sangat
kompleks. Jaringan yang berulang sangatmenarik untuk diteliti dalam Jaringan Syaraf
Tiruan, namun sejauh ini structure
feedforward sangat berguna untuk
memecahkan masalah. Yang termasukdalam stuktur recurrent (feedback) yaitu
Competitive networks, Self-organizing maps, Hopfield networks dan Adaptive-resonanse
theory models
Gambar 4. Jaringan Saraf Tiruan Feedback
Ketika sebuah Jaringan Syaraf digunakan.
Input dari nilai suatu variable ditempatkan
dalam suatu input unit dan kemudian unit
lapisan tersembunyi dan lapisan outputmenjalankannya. Setiap lapisan tersebut
menghitung nilai aktivasi dengan
mengambil jumlah bobot output dari setiapunit dari lapisan sebelumnya dan kemudian
dikurangi dengan nilai ambang. Nilai
aktifasi kemudian melalui fungsi aktifasiuntuk menghasilakan output dari sel syaraf.
Ketika semua unit pada Jaringan Syaraf
telah dijalankan maka aksi dari lapisan
output merupakan output dari seluruh
jaringan syaraf.
3. Lapisan pada Jaringan Syaraf Tiruan
Jaringan Syaraf Tiruan biasanya mempunyai3 group atau lapisan yaitu unit-unit : lapisan
input yang terhubung dengan lapisan
tersembunyi yang selanjutnya terhubungdengan lapisan output.
a. Aktifitas unit-unit lapisan input
menunjukkan informasi dasar yangkemudian digunakan dalam Jaringan
Syaraf Tiruan.
b.
Aktifitas setiap unit-unit lapisantersembunyi ditentukan oleh aktifitas dari
unit-unit input dan bobot dari koneksiantara unit-unit input dan unit-unit
lapisan tersembunyic. Karakteristik dari unit-unit output
tergantung dari aktifitas unit-unit lapisan
tersembunyi dan bobot antara unit-unit
lapisan tersembunyi dan unit-unit output.
4. Perceptron
Perceptron termasuk kedalam salah satu
bentuk Jaringan Syaraf Tiruan yangsederhana. Perceptron biasanya digunakan
untuk mengklasifikasikan suatu tipe pola
tertentu yang sering dikenal dengan istilah
pemisahan secara linear. Pada dasarnya perceptron pada Jaringan Syaraf dengan satu
lapisan memiliki bobot yang bisa diatur dan
suatu nilai ambang. Algoritma yang
digunakan oleh aturan perceptron ini akan
mengatur parameter-parameter bebasnyamelalui proses pembelajaran. Fungsi
aktivasi dibuat sedemikian rupa sehinggaterjadi pembatasan antara daerah positif dan
daerah negatif. Perceptron dapat dilihat di
gambar 5.
8/15/2019 Variasi Hidden Layer Dalam Pengenalan Pola Reptil Dengan Neuroph Studio 9
4/20
Gambar 5. Bentuk Percepton
5. Radial Basic FunctionModel jaringan ini neuron-neuron
keluarannya adalah hasil kombinasi linear
fungsi basis neuron-neuron pada hiddenlayer. Sebagai fungsi basis yang umum
digunakan adalah Gaussian pada Hidenlayer RBF, sedangakan jaringan MLP
menggunakan fungsi sigmoid.pada prinsipnya RBF addalah emulasi sifat
jaringan biologi yang umumnya neuron
yang paling aktif adalah neuron yang palingsensitive menerima rangsangan sinyal
masukan.sehingga orientasi sensitivitas
respo tersebut hanaya terhadap beberapa
daerah dalam wilayah masukan. JST denganhidden layer tunggal pada dasranya lapisan
tersebut berisi neuron-neuron yang sensitiveatau aktif secara local. Sedangakankeluaranya terdiri dari unit-unit linear.
Pada unit-unit hidden layer respon unit
bersifat local dan berkurang sebagai fungsi jarak masukan dari pusat unit penerima
rangsangan
6. Proses PembelajaranUmumnya, jika menggunakan Jaringan
Syaraf Tiruan, hubungan antara input dan
output harus diketahui secara pasti dan jika
hubungan tersebut telah diketahui makadapat dibuat suatu model. Hal lain yang
penting adalah proses belajar hubungan
input/output dilakukan dengan
pembelajaran. Ada dua tipe pembelajaranyang dikenal yaitu : pembelajaran terawasi
dan pembelajaran tak terawasi.
Pada pembelajaran terawasi, metode ini
digunakan jika output yang diharapkan telah
diketahui sebelumnya. Biasanya pembelajaran dilakukan dengan
menggunakan data yang telah ada. Pada
contoh diatas misalnya data pasar sahamyang ada pada DOW, NASDAQ atauFTSE, data yang ada sebelumnya mengenai
aplikasi kredit yang berhasil termasuk daftar
pertanyaan atau posisi sebuah robot dan
reaksi yang benar.
Pada metode pembelajaran yang tidak
terawasi, tidak memerlukan target output.
Pada metode ini tidak dapat ditentukan hasil
seperti apa yang diharapkan selama proses pembelajaran. Selama proses pembelajaran,
nilai bobot disusun dalam suatu rangetertentu tergantung pada nilai input yang
diberikan. Tujuan pembelajaran ini adalah
mengelompokkan unit-unit yang hampirsama dalam suatu area tertentu.
Pembelajaran seperti ini biasanya sangat
cocok untuk pengelompokkan (klasifikasi)
pola.
7. Fungsi Transfer
Karakter dari Jaringan Syaraf Tiruantergantung atas bobot dan fungsi inputoutput
(fungsi transfer) yang mempunyai ciritertentu untuk setiap unit. Fungsi ini terdiri
dari 3 katagori yaitu :
Untuk linear units, Aktifitas output adalah
sebanding dengan jumlah bobot output.Untuk threshold units, Output diatur satu
dari dua tingkatan tergantung dari apakah
jumlah input adalah lebih besar atau lebih
kecil dari nilai ambang.
Untuk sigmoid units, Output terus menerus berubah-ubah tetapi tidak berbentuk linear.
Unit ini mengandung kesamaan yang lebih besar dari sel syaraf sebenarnya
dibandingkan dengan linear dan threshold
unit, namun ketiganya harusdipertimbangkan dengan perkiraan kasar.
8/15/2019 Variasi Hidden Layer Dalam Pengenalan Pola Reptil Dengan Neuroph Studio 9
5/20
Untuk membuat Jaringan Syaraf Tiruan
untuk melakukan beberapa kerja khusus.
Harus dipilih bagaimana unit-unitdihubungkan antara satu dengan yang lain
dan harus mengatur bobot dari hubungan
tersebut secara tepat. Hubungan tersebutmenentukan apakah mungkin suatu unitmempengaruhi unit yang lain. Bobot
menentukan kekuatan dari pengaruh
tersebut.Dapat dilakukan pembelajaran terhadap 3
lapisan pada Jaringan Syaraf Tiruan untuk
melakukan kerja khusus dengan
menggunakan prosedure dibawah ini :a. Memperkenalkan Jaringan Syaraf Tiruan
dengan contoh pembelajaran yang terdiri
dari sebuah pola dari aktifitas untuk unit-unit input bersama dengan pola yang
diharapkan dari aktifitas untuk unit-unit
output.
b. Menentukan seberapa dekat outputsebenarnya dari Jaringan Syaraf Tiruan
sesuai dengan output yang diharapkan.
c. Mengubah bobot setiap hubungan agarJaringan Syaraf Tiruan menghasilkan
suatu perkiraan yang lebih baik dari
output yang diharapkan.
Ilustrasi dari prosedure pembelajaran diatasdapat dilihat dibawah ini :Diasumsikan bahwa suatu Jaringan Syaraf
Tiruan dapat mengenali digit dari tulisan
tangan. Dapat digunakan suatu arraydengan 256 sensor, setiap sensor merekam
ada tidaknya tinta pada suatu digit. Jaringan
Syaraf Tiruan memerlukan 256 unit-unit
input (satu untuk setiap sensor), 10 unit-unitoutput (satu untuk setiap digit) dan sebuah
nomor dari unit-unit tersembunyi.
Untuk setiap digit yang direkam oleh sensor,Jaringan Syaraf Tiruan akan menghasilkanaktifitas yang tinggi pada unit output yang
cocok dan aktifitas yang rendah pada unit-
unit output yang lain.Untuk pembelajaran Jaringan Syaraf Tiruan,
ditampilkan sebuah gambar dari sebuah digit
dan membandingkan aktifitas sebenarnya
dari 10 unit-unit output dengan aktifitas
yang diharapkan. Kemudian menghitung
error, dimana ditentukan sebagai persegiyang berbeda antara aktifitas sebenarnya dan
aktifitas yang diharapkan. Selanjutnya
mengubah bobot setiap hubungan untukmengurangi error. Hal ini dilakukan berulang-ulang dengan banyak gambar yang
berbeda.
Untuk mengimplementasikan prosedure inidiperlukan perhitungan error derivative
untuk bobot (EW) supaya perubahan bobot
oleh sebuah jumlah yang sesuai pada nilai
dimana error berubah karena bobot diubah.Suatu cara untuk menghitung EW adalah
mengubah bobot sedikit dan meneliti
bagaimana error dapat berubah. Namunmetode ini kurang efisien karena
membutuhkan gangguan yang berbeda untuk
setiap dari sekian banyak bobot.
Cara lain yang sering digunakan untukmenghitung EW adalah dengan
menggunakan algoritma back-propagation.
Saat ini merupakan metode yang pentinguntuk pembelajaran Jaringan Syaraf Tiruan.
Metode ini dikembangkan secara mandiri
oleh 2 tim yaitu Fogelman-Soulie, Gallinari
dan Le Cun dari Prancis dan Rumelhart,
Hinton dan Williams dari Amerika.
8. Faktor Keberhasilan Jaringan Syaraf
Tiruan Jaringan Syaraf Tiruan mengalami“booming” dan diminati beberapa tahun
terakhir ini, dan sangat sukses digunakan
untuk memecahkan berbagai masaalah
dalam berbagai disiplin ilmu seperti : bidangfinansial, kedokteran, teknik, geologi dan
fisika. Lebih jauh lagi, bahwa sesuatu
masaalah dengan menggunakan JaringanSyaraf Tiruan dapat diprediksi,dikelompokkan dan dikontrol.
Ada beberapa faktor yang mendukung
keberhasilan tersebut antara lain :
Handal. Jaringan Syaraf Tiruan adalahteknik pemodelan yang sangat memuaskan
8/15/2019 Variasi Hidden Layer Dalam Pengenalan Pola Reptil Dengan Neuroph Studio 9
6/20
yang dapat membuat model suatu fungsi
yang sangat kompleks. Khususnya Jaringan
Syaraf Tiruan nonlinear. Sejak beberapatahun, model linear umumnya digunakan
dimana model linear dikenal dengan strategi
optimasi. Jaringan Syaraf Tiruan jugamenggunakan model nonlinear dengan
berbagai variabel.
Mudah digunakan. Jaringan Syaraf Tiruan
dipelajari dengan contoh. Pengguna Jaringan
Syaraf Tiruan mengumpulkan data danmelakukan pembelajaran algoritma untuk
mempelajari secara otomatis struktur data,
sehingga pengguna tidak memerlukan
pengetahuan khusus mengenai bagaimanamemilih dan mempersiapkan data,
bagaimana memilih Jaringan Syaraf Tiruanyang tepat, bagaimana membaca hasil,
tingkatan pengetahuan yang diperlukanuntuk keberhasilan Menggunakan Jaringan
Syaraf Tiruan tidak lebih dari pemecahan
masalah yang menggunakan metode statistik
nonlinear yang telah dikenal.
9. Aplikasi Jaringan Syaraf TiruanJaringan Syaraf Tiruan mampu
menggambarkan setiap situasi adanya
sebuah hubungan antara variabel predictor(independents, inputs) dan variabel
predicted (dependents, outputs), ketika
hubungan tersebut sangat kompleks dantidak mudah untuk menjelaskan kedalam
istilah yang umum dari “correlations” atau
“differences between groups”.
II. METODE PERCOBAAN
Eksperimen ini dilakukan dengan
menggunakan pola atau gambar yang sama
yaitu pola atau gambar reptile dengan pola
pengganggunya berupa pola warna, dengan
4 tahap dengan variasi Hidden Layer yang
berbeda yaitu pengambilan data
menggunakan Hidden Layer 5, 10, 15, dan
20 sehingga hasilnya dapat dibandingkan.
Berikut adalah diagram alir dalam
ekperimen ini:
Gambar 6. Diagram Alir Eksperimen
III. HASIL DAN PEMBAHASAN
Berdasarkan hasil ekperimen diperoleh data
hubungan antara variasi jumlah Hidden
Layer, Respon Sistem serta dan Error
Sistem.
Hidden
LayerRespon Sistem Error Sistem
5 920 iterasi 0,254173
10 420 iterasi 0,245572
15 280 iterasi 0,243321
20 275 iterasi 0,24707125 - 0,264414
Tabel 1. Hubungan antara Variasi Hidden
Layer, Respon Sistem dan Error Sistem
Dapat dilihat jaringan saraf tiruan pada
ekperimen dengan 10 Hidden Layer
8/15/2019 Variasi Hidden Layer Dalam Pengenalan Pola Reptil Dengan Neuroph Studio 9
7/20
Gambar 6. Jaringan pada eksperimen dengan
10 Hidden Layer
Berdasarkan tabel 1 maka dapat dianalisis bahwa jumlah Hidden Layer mempengaruhi
Respon Sistem, keduanya memiliki
hubungan linearitas atau berbanding lurus,
dimana jika input Hidden Layer semakin
banyak maka akan mempercepat Respon
Sistem dalam menganalisis pola yang
diinputkan.
Dari grafik juga dapat dilihat perbandingan
Respon Sistem berdasarkan jumlah inputanHidden Layer
Gambar 7. Respon Sistem pada eksperimen
dengan 5 Hidden Layer
Gambar 8. Respon Sistem pada eksperimen
dengan 10 Hidden Layer
Gambar 9. Respon Sistem pada eksperimen
dengan 20 Hidden Layer
Demikian juga dari table 1 dapat dianalisis
bahwa jumlah Hidden Layer, berbanding
terbalik dengan error sisitem dimana jika
input Hidden Layer semakin banyak maka
tinggkat Error Sistem dalam menganalisis
pola atau gambar semakin kecil namun jika
terlalu banyak atau input Hidden Layer yang
berlebihan maka Error Sistem akan semakin
meningkat.
IV. KESIMPULAN
Bedasarkan hasil eksperimen dapat
disimpulkan bahwa:
1. Variasi Hidden Layer berpengaruh
terhadap Respon Sistem, dimana semakin
8/15/2019 Variasi Hidden Layer Dalam Pengenalan Pola Reptil Dengan Neuroph Studio 9
8/20
banyak input Hidden Layer maka Respon
Sistem semakin cepat dalam
menganalisis pola da sebaliknya semakin
sedikit input Hidden Layer maka Respon
Sistem akan semakin lama.
2.
Variasi Hidden Layer berpengaruh
terhadap Error Sistem dimana semakin
banyak input Hidden Layer maka error
system semakin semakin kecil dalam
menganalisis pola da sebaliknya semakin
sedikit input Hidden Layer maka Error
Sistem akan semakin besar. Namun jika
input Hidden Layer berlebihan maka
Error Sistem akan semakin besar pula.
8/15/2019 Variasi Hidden Layer Dalam Pengenalan Pola Reptil Dengan Neuroph Studio 9
9/20
LAMPIRAN
1. POLA INPUTAN
2. HASIL PERCOBAAN
A. PERCOBAAN 1 (REPTIL 5)
8/15/2019 Variasi Hidden Layer Dalam Pengenalan Pola Reptil Dengan Neuroph Studio 9
10/20
8/15/2019 Variasi Hidden Layer Dalam Pengenalan Pola Reptil Dengan Neuroph Studio 9
11/20
B. PERCOBAAN 2 (REPTIL 10)
8/15/2019 Variasi Hidden Layer Dalam Pengenalan Pola Reptil Dengan Neuroph Studio 9
12/20
C. PERCOBAAN 3 (REPTIL15)
8/15/2019 Variasi Hidden Layer Dalam Pengenalan Pola Reptil Dengan Neuroph Studio 9
13/20
D. PERCOBAAN 4 (REPTIL20)
8/15/2019 Variasi Hidden Layer Dalam Pengenalan Pola Reptil Dengan Neuroph Studio 9
14/20
8/15/2019 Variasi Hidden Layer Dalam Pengenalan Pola Reptil Dengan Neuroph Studio 9
15/20
E. PERCOBAAN 5 (REPTIL25)
8/15/2019 Variasi Hidden Layer Dalam Pengenalan Pola Reptil Dengan Neuroph Studio 9
16/20
F. DATA NILAI OUTPUT TIAP GAMBAR DENGAN VARIASI LAYER
NO
PERCOBAAN REPTIL 5
1 2 3 4 5 6 7 8 9 10
1
REPT
046 :
0.0063REPT
045 :
0.028
REPT044 :
0.0011
REPT043 :
0.0044
REPT
049 :0.0026
REPT
048 :0.0808
REPT
047 :
0.0004REPT
REPT
046 :
0.2808REPT
045 : 0
REPT
044 :0.0451
REPT
043 :0.0019
REPT
049 :
0.3035REPT
048 :
0.0327REPT
047 :
0.0095
REPT042 :
REPT
046 :
0.0075REPT
045 :
0.0221
REPT044 :
0.0742
REPT043 :
0.0198
REPT
049 :0.0069
REPT
048 :0.0001
REPT
047 :
0.4917REPT
REPT
046 :
0.0089REPT
045 :
0.0201
REPT044 : 0
REPT
043 :0.8511
REPT
049 :
0.007REPT
048 :
0.0882REPT
047 :
0.0316
REPT042 :
REPT
046 :
0.0526REPT
045 :
0.0074
REPT044 :
0.8924
REPT043 :
0.0003
REPT
049 :0.0365
REPT
048 :0.0038
REPT
047 :
0.0758REPT
REPT
046 :
0.0001REPT
045 :
0.9386
REPT044 :
0.0021
REPT043 :
0.0406
REPT
049 : 0REPT
048 :
0.0003REPT
047 :
0.0325
REPT042 :
REPT
046 :
0.2808REPT
045 : 0
REPT
044 :0.0451
REPT
043 :0.0019
REPT
049 :
0.3035REPT
048 :
0.0327REPT
047 :
0.0095
REPT042 :
REPT
046 :
0.0075REPT
045 :
0.022
REPT044 :
0.0737
REPT043 :
0.0198
REPT
049 :0.0069
REPT
048 :0.0001
REPT
047 :
0.491REPT
REPT
046 :
0.0632REPT
045 :
0.0069
REPT044 :
0.0038
REPT043 :
0.0969
REPT
049 :0.0377
REPT
048 :0.8183
REPT
047 :
0.0028REPT
REPT
046 :
0.2808REPT
045 : 0
REPT
044 :0.0451
REPT
043 :0.0019
REPT
049 :
0.3035REPT
048 :
0.0327REPT
047 :
0.0095
REPT042 :
8/15/2019 Variasi Hidden Layer Dalam Pengenalan Pola Reptil Dengan Neuroph Studio 9
17/20
042 :
0.0001REPT
041 :
0.0037
REPT040 :
0.8801
0.0052
REPT041 :
0.3231
REPT
040 :0.0021
042 :
0.7147REPT
041 :
0.0074
REPT040 : 0
0.0232
REPT041 :
0.0078
REPT
040 :0.0052
042 :
0.1278REPT
041 :
0.0431
REPT040 :
0.0003
0.0589
REPT041 :
0.0001
REPT
040 :0.0481
0.0052
REPT041 :
0.3231
REPT
040 :0.0021
042 :
0.7138REPT
041 :
0.0074
REPT040 : 0
042 :
0.0014REPT
041 :
0.0463
REPT040 :
0.0963
0.0052
REPT041 :
0.3231
REPT
040 :0.0021
PERCOBAAN REPTIL 10
2
1 2 3 4 5 6 7 8 9 10
REPT
046 :
0.0224REPT
045 :
0.0942REPT044 :
0.0159
REPT043 :
0.0525
REPT049 :
0.0043
REPT
048 :0.0705
REPT
047 :0.0008
REPT
042 :
0.0123REPT
041 :
0.002
REPT040 :
0.8851
REPT
046 :
0.0201REPT
045 :
0.0015REPT044 :
0.0107
REPT043 :
0.0407
REPT049 :
0.0607
REPT
048 :0.0005
REPT
047 :0.004
REPT
042 :
0.0006REPT
041 :
0.9058
REPT040 :
0.0016
REPT
046 :
0.0125REPT
045 :
0.0172REPT044 :
0.0449
REPT043 :
0.0025
REPT049 :
0.028
REPT
048 :0.0081
REPT
047 :0.0459
REPT
042 :
0.9072REPT
041 :
0.0002
REPT040 :
0.0083
REPT
046 :
0.0422REPT
045 :
0.0083REPT044 :
0.005
REPT043 :
0.8345
REPT049 :
0.0004
REPT
048 :0.0013
REPT
047 :0.1382
REPT
042 :
0.0049REPT
041 :
0.0325
REPT040 :
0.0169
REPT
046 :
0.0047REPT
045 :
0.0016REPT044 :
0.9105
REPT043 :
0.0016
REPT049 :
0.0154
REPT
048 :0.0001
REPT
047 :0.0694
REPT
042 :
0.0208REPT
041 :
0.0042
REPT040 :
0.0072
REPT
046 :
0.0002REPT
045 :
0.8588REPT044 :
0.0028
REPT043 :
0.0078
REPT049 :
0.0001
REPT
048 :0.0025
REPT
047 :0.0495
REPT
042 :
0.0521REPT
041 :
0.0021
REPT040 :
0.0371
REPT
046 :
0.8749REPT
045 :
0.0001REPT044 :
0.0086
REPT043 :
0.0443
REPT049 :
0.0252
REPT
048 :0.0612
REPT
047 :0.0064
REPT
042 :
0.004REPT
041 :
0.0114
REPT040 :
0.0318
REPT
046 :
0.0098REPT
045 :
0.0476REPT044 :
0.0311
REPT043 :
0.1117
REPT049 :
0.0001
REPT
048 :0.0002
REPT
047 :0.8101
REPT
042 :
0.0296REPT
041 :
0.0051
REPT040 :
0.0018
REPT
046 :
0.0544REPT
045 :
0.0007REPT044 :
0.0002
REPT043 :
0.0026
REPT049 :
0.023
REPT
048 :0.8663
REPT
047 : 0REPT
042 :
0.0055
REPT041 :
0.0002
REPT
040 :0.0573
REPT
046 :
0.0376REPT
045 :
0.0001REPT044 :
0.019
REPT043 :
0.0014
REPT049 :
0.8965
REPT
048 :0.0369
REPT
047 :0.0001
REPT
042 :
0.0325REPT
041 :
0.063
REPT040 :
0.0025
PERCOBAAN REPTIL 15
3
1 2 3 4 5 6 7 8 9 10
REPT
046 :
REPT
046 :
REPT
046 :
REPT
046 :
REPT
046 :
REPT
046 :
REPT
046 :
REPT
046 :
REPT
046 :
REPT
046 :
8/15/2019 Variasi Hidden Layer Dalam Pengenalan Pola Reptil Dengan Neuroph Studio 9
18/20
0.0224
REPT045 :
0.0942
REPT
044 :0.0159
REPT043 :
0.0525
REPT
049 :0.0043
REPT
048 :
0.0705
REPT047 :
0.0008REPT
042 :
0.0123REPT
041 :
0.002
REPT040 :
0.8851
0.0201
REPT045 :
0.0015
REPT
044 :0.0107
REPT043 :
0.0407
REPT
049 :0.0607
REPT
048 :
0.0005
REPT047 :
0.004REPT
042 :
0.0006REPT
041 :
0.9058
REPT040 :
0.0016
0.0125
REPT045 :
0.0172
REPT
044 :0.0449
REPT043 :
0.0025
REPT
049 :0.028
REPT
048 :
0.0081
REPT047 :
0.0459REPT
042 :
0.9072REPT
041 :
0.0002
REPT040 :
0.0083
0.0422
REPT045 :
0.0083
REPT
044 :0.005
REPT043 :
0.8345
REPT
049 :0.0004
REPT
048 :
0.0013
REPT047 :
0.1382REPT
042 :
0.0049REPT
041 :
0.0325
REPT040 :
0.0169
0.0047
REPT045 :
0.0016
REPT
044 :0.9105
REPT043 :
0.0016
REPT
049 :0.0154
REPT
048 :
0.0001
REPT047 :
0.0694REPT
042 :
0.0208REPT
041 :
0.0042
REPT040 :
0.0072
0.0002
REPT045 :
0.8588
REPT
044 :0.0028
REPT043 :
0.0078
REPT
049 :0.0001
REPT
048 :
0.0025
REPT047 :
0.0495REPT
042 :
0.0521REPT
041 :
0.0021
REPT040 :
0.0371
0.8749
REPT045 :
0.0001
REPT
044 :0.0086
REPT043 :
0.0443
REPT
049 :0.0252
REPT
048 :
0.0612
REPT047 :
0.0064REPT
042 :
0.004REPT
041 :
0.0114
REPT040 :
0.0318
0.0098
REPT045 :
0.0476
REPT
044 :0.0311
REPT043 :
0.1117
REPT
049 :0.0001
REPT
048 :
0.0002
REPT047 :
0.8101REPT
042 :
0.0296REPT
041 :
0.0051
REPT040 :
0.0018
0.0544
REPT045 :
0.0007
REPT
044 :0.0002
REPT043 :
0.0026
REPT
049 :0.023
REPT
048 :
0.8663
REPT047 : 0
REPT042 :
0.0055
REPT041 :
0.0002
REPT
040 :0.0573
0.0376
REPT045 :
0.0001
REPT
044 :0.019
REPT043 :
0.0014
REPT
049 :0.8965
REPT
048 :
0.0369
REPT047 :
0.0001REPT
042 :
0.0325REPT
041 :
0.063
REPT040 :
0.0025
PERCOBAAN REPTIL 20
4
1 2 3 4 5 6 7 8 9 10
REPT
046 :
0.011
REPT045 :
0.0501
REPT
044 :0.0006
REPT
043 :0.0375
REPT
049 :0.0035
REPT
046 :
0.0026
REPT045 :
0.0005
REPT
044 :0.0187
REPT
043 :0.0357
REPT
049 :0.057
REPT
046 :
0.0274
REPT045 :
0.012
REPT
044 :0.0107
REPT
043 :0.0395
REPT
049 :0.005
REPT
046 :
0.0478
REPT045 :
0.0229
REPT
044 :0.0019
REPT
043 :0.8649
REPT
049 :0.0014
REPT
046 :
0.0001
REPT045 :
0.03
REPT
044 :0.9251
REPT
043 :0.0003
REPT
049 :0.0289
REPT
046 :
0.0002
REPT045 :
0.8949
REPT
044 :0.0264
REPT
043 :0.0205
REPT
049 :0.0002
REPT
046 :
0.8487
REPT045 :
0.0005
REPT
044 :0.0009
REPT
043 :0.0595
REPT
049 :0.0717
REPT
046 :
0.0528
REPT045 :
0.0054
REPT
044 :0.0158
REPT
043 :0.0164
REPT
049 :0.0185
REPT
046 :
0.043
REPT045 :
0.0111
REPT
044 :0.0007
REPT
043 :0.0052
REPT
049 :0.0248
REPT
046 :
0.0383
REPT045 :
0.0001
REPT
044 :0.0097
REPT
043 :0.0007
REPT
049 :0.8585
8/15/2019 Variasi Hidden Layer Dalam Pengenalan Pola Reptil Dengan Neuroph Studio 9
19/20
REPT
048 :0.0918
REPT
047 :
0.0003REPT
042 :0.0059
REPT
041 :
0.0009REPT
040 :
0.8553
REPT
048 :0.0105
REPT
047 :
0.0336REPT
042 :0.0003
REPT
041 :
0.8885REPT
040 :
0.0003
REPT
048 :0.0003
REPT
047 :
0.0538REPT
042 :0.852
REPT
041 :
0.0005REPT
040 :
0.0149
REPT
048 :0.003
REPT
047 :
0.0193REPT
042 :0.0846
REPT
041 :
0.0316REPT
040 :
0.0685
REPT
048 :0.0019
REPT
047 :
0.015REPT
042 :0.0377
REPT
041 :
0.0219REPT
040 :
0.0004
REPT
048 :0.0065
REPT
047 :
0.0055REPT
042 :0.0339
REPT
041 :
0.0006REPT
040 :
0.0624
REPT
048 :0.0103
REPT
047 :
0.047REPT
042 :0.0336
REPT
041 :
0.0044REPT
040 :
0.0318
REPT
048 :0.0174
REPT
047 :
0.8641REPT
042 :0.0775
REPT
041 :
0.034REPT
040 :
0.0002
REPT
048 :0.8566
REPT
047 :
0.0209REPT
042 :0.0001
REPT
041 :
0.0208REPT
040 :
0.0844
REPT
048 :0.0501
REPT
047 :
0.0146REPT
042 :0.0021
REPT
041 :
0.0164REPT
040 :
0.0039
PERCOBAAN REPTIL 25
5
1 2 3 4 5 6 7 8 9 10
PERCOBAAN REPTIL 30
1 2 3 4 5 6 7 8 9 10
8/15/2019 Variasi Hidden Layer Dalam Pengenalan Pola Reptil Dengan Neuroph Studio 9
20/20
Top Related