variasi hidden layer dalam pengenalan pola reptil dengan neuroph studio 9

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


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


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.


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.


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


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


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





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


8/20

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.


9/20

LAMPIRAN

1. POLA INPUTAN

2. HASIL PERCOBAAN

A. PERCOBAAN 1 (REPTIL 5)


10/20


11/20

B. PERCOBAAN 2 (REPTIL 10)


12/20

C. PERCOBAAN 3 (REPTIL15)


13/20

D. PERCOBAAN 4 (REPTIL20)


14/20


15/20

E. PERCOBAAN 5 (REPTIL25)


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 :


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 :


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


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


20/20

variasi hidden layer dalam pengenalan pola reptil dengan neuroph studio 9

Documents