ANALISIS PERBANDINGAN PENGENALAN TANDA TANGAN DENGAN MENGGUNAKAN METODE PERCEPTRON DAN BACKPROPAGATION Skripsi Sebagai Salah Satu Syarat untuk Memperoleh Gelar Sarjana Komputer Fakultas Sains dan Teknologi Universitas Islam Negeri Syarif Hidayatullah Jakarta
Oleh: Haryo Kusuma Pratama 106091002927
PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS ISLAM NEGERI SYARIF HIDAYATULLAH JAKARTA 1431 H / 2011 M
ANALISIS PERBANDINGAN PENGENALAN TANDA TANGAN DENGAN MENGGUNAKAN METODE PERCEPTRON DAN BACKPROPAGATION Skripsi Sebagai Salah Satu Syarat untuk Memperoleh Gelar Sarjana Komputer Fakultas Sains dan Teknologi Universitas Islam Negeri Syarif Hidayatullah Jakarta
Oleh: Haryo Kusuma Pratama 106091002927
PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS ISLAM NEGERI SYARIF HIDAYATULLAH JAKARTA 1432 H / 2011 M ii
iii
iv
DAFTAR ISI
Halaman Halaman Judul ............................................................................................. ii Persetujuan Penguji ...................................................................................... iii Halaman Pengesahan ................................................................................... iv Halaman Pernyataan .................................................................................... v Abstrak ........................................................................................................ vi Kata Pengantar ............................................................................................. vii Daftar Isi....................................................................................................... ix Daftar Gambar ............................................................................................. xiii Daftar Tabel ................................................................................................. xvi Daftar Lampiran ........................................................................................... xvii Daftar Istilah ................................................................................................. xviii BAB I
PENDAHULUAN
1.1. Latar Belakang .............................................................................. 1 1.2. Perumusan Masalah ........................................................................ 2 1.3. Tujuan dan Manfaat ...................................................................... 3 1.4. Pembatasan Masalah ...................................................................... 4 1.5. Metodologi Penelitian .................................................................... 5 1.6. Sistematika Penulisan .................................................................... 6 BAB II LANDASAN TEORI 2.1. Sistem Biometrika ......................................................................... 8
ix
2.1.1. Pengertian ............................................................................ 8 2.1.2. Persyaratan Pemilihan Suatu Biometrika .............................. 10 2.1.3. Tanda Tangan ...................................................................... 12 2.2. Kecerdasan Buatan ........................................................................ 12 2.2.1. Pengertian ............................................................................ 12 2.2.2. Sejarah ................................................................................. 16 2.2.3. Lingkup Kecerdasan Buatan pada Aplikasi Komersial ......... 18 2.2.4. Kecerdasan Buatan dan Kecerdasan Alami .......................... 20 2.2.5. Komputasi Kecerdasan Buatan dan Komputasi Konvensional 22 2.3. Jaringan Syaraf Tiruan ................................................................... 23 2.3.1. Otak Manusia ...................................................................... 23 2.3.2. Komponen Jaringan Syaraf .................................................. 25 2.3.3. Arsitektur Jaringan ............................................................... 27 2.4. Metode Perceptron ........................................................................ 30 2.5. Metode Backpropagation ............................................................... 32 2.6. Pre-Processing ............................................................................... 37 2.6.1. Proses Pengambangan .......................................................... 37 2.6.2. Ekstraksi Ciri ....................................................................... 37 2.7. Studi Literatur Sejenis .................................................................... 38 2.8. Microsoft Visual Basic .................................................................. 41 2.8.1. Sejarah Singkat ..................................................................... 41 2.8.2. Struktur Aplikasi................................................................... 41 2.8.3. Tampilan Layar .................................................................... 42
x
2.9. Microsoft Access ........................................................................... 47 BAB III METODOLOGI PENELITIAN 3.1. Metode Pengumpulan Data ............................................................ 48 3.2. Metode Pengembangan Perangkat Lunak ...................................... 48 3.3. Analisis Kebutuhan Sistem ............................................................ 50 3.4. Analisis Proses Kerja ...................................................................... 51 3.5. Kerangka Berpikir ......................................................................... 53 BAB IV PEMBAHASAN DAN IMPLEMENTASI 4.1. Pembahasan ................................................................................... 54 4.1.1. Pembahasan Cara Kerja Proses .......................................... 54 4.1.1.1. Proses Pengambangan ........................................... 54 4.1.1.2. Proses Pelatihan Pola Tanda Tangan ...................... 57 4.1.1.3. Proses Pengenalan Pola Tanda Tangan .................. 59 4.1.1.4. Proses Backpropagation ........................................ 59 4.1.1.5. Proses Perceptron .................................................. 65 4.1.2. Pembahasan Perancangan ................................................... 68 4.1.2.1. Perancangan Tampilan .......................................... 68 4.1.2.1.1
Rancangan Form Spalsh Screen ............... 68
4.1.2.1.2
Rancangan Form Utama ........................... 69
4.1.2.1.3
Rancangan Form Buka Gambar ............... 71
4.1.2.1.4
Form Atur Tebal Pensil ............................ 72
4.1.2.1.5
Form Pilih Threshold ............................... 73
4.1.2.1.6
Rancangan Form Pelatihan ....................... 73
xi
4.1.2.1.7
Rancangan Form Pengenalan .................... 74
4.1.2.1.8
Rancangan Form Hasil Pengenalan .......... 76
4.1.2.1.9
Rancangan Form Database ....................... 76
4.1.2.1.10 Rancangan Form About ........................... 78 4.1.2.2. Perancangan Database ........................................... 78 4.2. Implementasi ................................................................................. 80 4.2.1. Form Splash Screen ........................................................... 80 4.2.2. Form Utama ....................................................................... 80 4.2.3. Form Buka ......................................................................... 81 4.2.4. Form Atur Tebal Pensil ...................................................... 83 4.2.5. Form Pilih Threshold ......................................................... 84 4.2.6. Form Pelatihan ................................................................... 84 4.2.7. Form Pengenalan ............................................................... 85 4.2.8. Form Hasil Pengenalan ...................................................... 85 4.2.9. Form Database ................................................................... 86 4.2.10. Form History/log ............................................................... 87 4.2.11. Form About ....................................................................... 87 4.3. Hasil Pengujian .............................................................................. 87 BAB V KESIMPULAN DAN SARAN 5.1. Kesimpulan ................................................................................... 91 5.2. Saran ............................................................................................. 92 DAFTAR PUSTAKA ................................................................................. 93 LAMPIRAN-LAMPIRAN
xii
ABSTRAK
Jaringan Syaraf Tiruan (JST) adalah salah satu cabang ilmu dari bidang ilmu Kecerdasan Buatan (Artificial Intelligence) dan merupakan alat untuk memecahkan
masalah
terutama
di
bidang-bidang
yang
melibatkan
pengelompokan dan pengenalan pola (pattern recognition). Salah satu manfaat dari JST adalah untuk mengenali pola tanda tangan. Perceptron dan Backpropagation adalah metode JST yang dapat digunakan untuk mengenali pola tanda tangan. Sebelum dapat dikenali, pola tanda tangan harus dilatih terlebih dahulu. Awalnya, gambar tanda tangan akan di-thresholding dan diekstraksi ciri menjadi pola 20 x 20. Bit hasil ekstraksi ciri kemudian dilatih dan dikenali dengan menggunakan metode Perceptron dan Backpropagation. Perbedaan kedua metode terletak pada rumus perhitungan yang digunakan. Aplikasi dapat melakukan pengenalan tanda tangan dengan menggunakan metode Perceptron dan Backpropagation. Proses pelatihan dan pengenalan metode Perceptron jauh lebih cepat dari metode Backpropagation. Tetapi dengan keunggulan arsitektur jaringannya, metode Backpropagation lebih baik dan akurat dari metode Perceptron.
i
PERNYATAAN DENGAN INI SAYA MENYATAKAN BAHWA SKRIPSI INI BENARBENAR HASIL KARYA SENDIRI YANG BELUM PERNAH DIAJUKAN SEBAGAI SKRIPSI ATAU KARYA ILMIAH PADA PERGURUAN TINGGI ATAU LEMBAGA MANAPUN.
Jakarta, Mei 2011
Haryo Kusuma Pratama 106091002927
iv
KATA PENGANTAR
Bismillahirrahmannirrahiim……… Puji dan syukur penulis panjatkan kehadirat Allah SWT, yang telah memberikan
rahmat,
taufik
dan
hidayah-Nya,
sehingga
penulis
dapat
menyelesaikan penyusunan skripsi ini. Shalawat serta salam semoga Allah limpahkan kepada Nabi besar Muhammad SAW yang telah membawa pertunjuk dan pedoman hidup bagi manusia, juga kepada keluarga dan sahabat yang telah mewariskan nilai Islam kepada kita semua. Skripsi ini penulis buat sebagai syarat kelulusan dalam menempuh pendidikan jenjang Strata-1 (S1) di Universitas Islam Negeri Syarif Hidayatullah Jakarta. Selain itu juga penulis berharap penelitian ini dapat bermanfaat sehingga perkembangan ilmu pengetahuan dan teknologi di UIN Syarif Hidayatullah Jakarta dapat lebih maju dan lulusannya dapat bekerja secara kooperatif dengan semua elemen informatika dari seluruh dunia. Mengingat jasa dan bantuan dari semua pihak maka dalam kesempatan ini penulis menghaturkan terima kasih yang sedalam - dalamnya : 1. Bapak Dr. Syopiansyah Jaya Putra, M.Sis selaku Dekan Fakultas Sains dan Teknologi UIN Syarif Hidayatullah Jakarta. 2. Bapak Yusuf Durrachman, M.Sc, MIT, Ketua Program Studi Teknik Informatika UI Syarif Hidayatullah Jakarta. 3. Ibu Khodijah Hulliyah, MSi, dosen pembimbing 1 yang telah banyak meluangkan waktu dalam memberikan bimbingan, pengarahan dan
vii
petunjuk - petunjuk yang berharga kepada penulis sehingga skripsi dapat diselesaikan. 4. Ibu Viva Arifin, MMSi, selaku Pembimbing 2 yang telah banyak meluangkan waktu dalam memberikan bimbingan, pengarahan dan petunjuk - petunjuk yang berharga kepada penulis sehingga skripsi dapat diselesaikan. 5. Bapak dan Ibu penguji yang memberikan kritik dan saran pada skripsi ini. 6. Dosen-Dosen Fakultas Sains dan Teknologi yang telah mengajarkan kepada penulis berbagai macam ilmu yang dapat penulis terapkan dalam penulisan skripsi ini. 7. Kedua orang tua penulis, yang telah mendidik, membimbing serta memberikan motivasi dalam penyusunan skripsi ini. 8. Teman-Teman seperjuangan TI UIN 2006 yang telah membantu memberikan support dan motivasi kepada penulis, baik selama perkuliahan terlebih selama menyelesaikan skripsi ini. Semoga segala bantuan dan amal baik yang telah diberikan kepada penulis akan dibalas oleh Allah SWT dengan pahala yang berlipat ganda. Penulis menyadari masih jauh dari sempurna dalam penelitian ini, baik penulisan maupun aplikasinya sendiri. Oleh karena itu penulis mengharapkan saran dan kritik yang dapat membangun skripsi ini lebih baik lagi. Jakarta, Mei 2011
Penulis
viii
DAFTAR ISTILAH
Blackbox
Suatu jenis pengujian perangkat lunak berdasarkan dengan input, output pemakai.
Coding
Tahapan dimana pengembangan software melakukan pembangunan aplikasi.
Design
Tahapan dimana pengembangan software melakukan perancangan.
Error
Kesalahan.
JST
Jaringan Syaraf Tiruan.
Planning
Tahapan dimana pengembangan software melakukan perencanaan.
Recognition
Pengenalan
Signature
Tulisan tangan seseorang yang mempunyai gaya tulisan ciri khas tertentu.
Testing
Tahapan dimana pengembangan software melakukan uji coba terhadap aplikasi.
Training
Pelatihan.
UML
Unified Modelling Language
User
Pengguna dari sistem
User Friendly
Bersahabat untuk digunakan, sehingga user mudah untuk menggunakan.
VB
Visual Basic
xviii
BAB I PENDAHULUAN
1.1
Latar Belakang Pemilihan Judul Tanda tangan (Inggris: signature berasal dari Latin: signare yang berarti
"tanda") atau Paraf adalah tulisan tangan, yang diberikan gaya tulisan tertentu dari nama seseorang atau tanda identifikasi lainnya yang ditulis pada dokumen sebagai sebuah bukti dari identitas dan kemauan. Tanda tangan berlaku sebagai segel. Fungsi tanda tangan adalah untuk pembuktian. Dalam kehidupan sehari-hari, tanda tangan digunakan sebagai identifikasi dari pemilik tanda tangan. Keberadaan tanda tangan dalam sebuah dokumen menyatakan bahwa pihak yang menandatangani, mengetahui dan menyetujui seluruh isi dari dokumen. Pembubuhan tanda tangan sering dijumpai pada kegiatan administrasi perbankan, seperti: transaksi penarikan uang secara tunai, penyetoran, kliring giro dan transaksi perbankan lainnya. Pada zaman teknologi ini, pencocokan karakteristik tanda tangan dengan pemiliknya dapat dilakukan dengan menggunakan komputer, sehingga akan menghemat waktu bila dibandingkan dengan melakukannya secara manual. Caranya adalah dengan menggunakan Jaringan Syaraf Tiruan (JST). Metode JST yang dapat digunakan untuk melakukan pengenalan terhadap karakteristik tanda tangan adalah metode Perceptron dan Backpropagation. Metode Perceptron merupakan bentuk jaringan syaraf yang digunakan untuk mengklasifikasikan suatu pola tertentu yang sering dikenal dengan pemisahan secara linear. Algoritma yang digunakan oleh aturan Perceptron ini akan
1
2
mengatur parameter-parameter bebasnya melalui proses pembelajaran. Untuk mengenali tanda tangan, semua pola tanda tangan akan melalui fase training (pelatihan / pembelajaran). Pada fase ini, semua pola tanda tangan akan dipelajari oleh metode Perceptron. Setelah itu, pola tanda tangan yang telah dipelajari akan dapat dikenali melalui fase recognition (pengenalan). Sedangkan metode Backpropagation
merupakan
salah
satu
algoritma
pembelajaran
yang
menyesuaikan bobot-bobot jaringan syaraf tiruan dengan arah mundur berdasarkan nilai error di dalam proses pembelajaran. Sama seperti metode Perceptron, metode Backpropagation juga mempunyai fase pelatihan untuk mempelajari pola tanda tangan dan fase pengenalan untuk mengenali identitas pemilik tanda tangan. Perbedaan kedua metode terletak pada rumus dan konsep perhitungan JST untuk setiap proses pelatihan dan pengenalan. Penulis tertarik untuk mempelajari cara kerja metode Perceptron dan Backpropagation dalam melakukan pengenalan terhadap karakteristik tanda tangan. Oleh karena itu, penulis ingin merancang aplikasi pengenalan tanda tangan yang menerapkan kedua metode ini dan melakukan analisis perbandingan terhadap kinerja kedua metode, dengan mengambil tugas akhir yang berjudul ”Analisis Perbandingan Pengenalan Tanda Tangan dengan Menggunakan Metode Perceptron dan Backpropagation”.
1.2
Perumusan Masalah Pencocokan karakteristik tanda tangan dengan pemiliknya dapat dilakukan
dengan cepat dengan menggunakan jaringan syaraf tiruan. Untuk melakukan
3
pengenalan ini, maka dibutuhkan sebuah aplikasi yang menerapkan metode JST untuk melatih dan mengenali pola tanda tangan. Yang menjadi permasalahan adalah: 1. bagaimana menerapkan salah satu teknik pengolahan citra, yaitu proses thresholding (pengambangan), untuk mengubah gambar scan tanda tangan menjadi gambar hitam putih, 2. bagaimana melakukan proses ekstraksi ciri terhadap gambar hitam putih, 3. bagaimana melakukan pembelajaran pola tanda tangan melalui fase pelatihan (training) dengan menggunakan metode Perceptron dan Backpropagation, 4. bagaimana melakukan pengenalan terhadap pola tanda tangan dengan menggunakan metode Perceptron dan Backpropagation, dan 5. bagaimana mencatat waktu eksekusi dan keakuratan dari masing-masing metode, sehingga dapat dibandingkan hasilnya.
1.3
Tujuan dan Manfaat Adapun tujuan penyusunan tugas akhir ini adalah:
1. Menghasilkan aplikasi yang dapat melakukan proses pelatihan dan pengenalan terhadap pola tanda tangan secara digital dengan menggunakan komputer, melalui metode Perceptron dan Backpropagation, 2. Memahami dan mengetahui cara kerja dari metode Perceptron dan Backpropagation dalam melakukan proses pelatihan dan pengenalan terhadap tanda tangan.
4
3. Mengetahui perbedaan kecepatan dan keakuratan dari metode Perceptron dan Backpropagation. Sedangkan, manfaat penyusunan tugas akhir ini adalah aplikasi yang dihasilkan dapat digunakan untuk melakukan pengenalan terhadap tanda tangan. Selain itu, pembaca juga dapat mengetahui analisis perbandingan kinerja dan keakuratan antara kedua metode tersebut.
1.4
Pembatasan Masalah Pembatasan masalah dalam merancang perangkat lunak ini antara lain :
1. Input dari aplikasi adalah: a. Gambar tanda tangan (dalam format bmp, jpg, gif), atau b. Tanda tangan yang digambar dengan menggunakan mouse pada area kosong yang disediakan oleh aplikasi. 2. Bila input merupakan gambar tanda tangan, maka aplikasi akan melakukan proses pengambangan (thresholding) untuk membuang latar yang tidak dibutuhkan. Hasil proses thresholding adalah gambar hitam putih (biner). 3. Output dari aplikasi adalah identitas pemilik tanda tangan, belum sampai pada tahap menunjukan prosentase keaslian pemilik tanda tangan dan adanya tindak pemalsuan pada tanda tangan. 4. Proses yang dilakukan aplikasi adalah proses pelatihan (training) dan proses pengenalan (recognition). 5. User
dapat
memilih
untuk
menggunakan
metode
Backpropagation di dalam fase pelatihan atau pengenalan.
Perceptron
atau
5
6. Aplikasi dibangun dengan menggunakan bahasa pemograman Microsoft Visual Basic 6.0, sedangkan untuk menyimpan bobot hasil pelatihan, aplikasi menggunakan Microsoft Access 2007.
1.5
Metodologi Penelitian Adapun metodologi penelitian yang dilakukan, terbagi atas:
1. Metodologi Pengumpulan Data, terdiri dari: a. Studi Pustaka Pengumpulan data dilakukan dengan cara mengambil sumber referensi dari buku teks ataupun internet mengenai cara kerja metode Perceptron dan Backpropagation. b. Sampling Penulis mengumpulkan beberapa contoh gambar tanda tangan dari internet ataupun secara manual, untuk kebutuhan pengujian terhadap aplikasi. 2. Metodologi Pengembangan Perangkat Lunak, terdiri dari: a. Analisis Kebutuhan Sistem, mengkaji informasi untuk dirangkum agar lebih efektif serta menganalisa kebutuhan sesuai informasi yang dirangkum. b. Perancangan Sistem, merancang algoritma sesuai metode yang digunakan. c. Konstruksi Sistem, membangun perangkat lunak dengan menggunakan bahasa pemograman Microsoft Visual Basic 6.0 dan menggunakan database Microsoft Access 2007.
6
d. Pengujian, mengeksekusi program dengan tujuan menemukan kesalahan serta menguji sistem hasil implementasi algoritma. e. Melakukan penyusunan laporan tugas akhir.
1.6
Sistematika Penulisan Sistematika penulisan tugas akhir ini dibagi menjadi 5 bab, dengan
masing-masing bab menjelaskan hal-hal yang berhubungan dengan topik tugas akhir secara sistematis. Berikut adalah sistematika penulisan dari isi setiap bab: BAB I
PENDAHULUAN Pada bab ini, akan dibahas mengenai latar belakang pemilihan judul, perumusan masalah, tujuan dan manfaat, pembatasan masalah, metodologi penelitian serta sistematika penulisan.
BAB II
LANDASAN TEORI Bab ini berisi landasan teori yang berhubungan dengan sistem biometrika, jaringan syaraf tiruan, arsitektur jaringan, metode Perceptron, metode Backpropagation, pre-processing, tinjauan pustaka mengenai hasil penelitian yang sudah ada dan teori mengenai bahasa pemograman Microsoft Visual Basic, serta database Microsoft Access.
BAB III
METODOLOGI PENELITIAN Pada bab ini, akan dibahas mengenai metodologi penelitian yang digunakan dalam menyelesaian tugas akhir ini.
7
BAB IV
PEMBAHASAN DAN IMPLEMENTASI Pada bab ini, akan dibahas mengenai semua proses yang dilakukan di dalam aplikasi, perancangan tampilan aplikasi dan hasil implementasi berupa capture-screen dari masing-masing form di dalam aplikasi. Bab ini juga akan menampilkan hasil pengujian aplikasi dan perbandingan di antara kedua metode jaringan syaraf tiruan.
BAB V
KESIMPULAN DAN SARAN Bab ini berisi kesimpulan dan saran terhadap penulisan tugas akhir.
BAB II LANDASAN TEORI
2.1
Sistem Biometrika
2.1.1
Pengertian “Badanmu adalah password-mu” – itulah ungkapan yang sering melekat
pada istilah biometrika. Ungkapan tersebut tidak berlebihan karena memang demikian adanya. Secara harfiah, biometrika atau biometrics berasal dari kata bio dan metrics. Bio berarti sesuatu yang hidup, dan metrics berarti mengukur. Biometrika berarti mengukur karakteristik pembeda (distinguishing traits) pada badan atau perilaku seseorang yang digunakan untuk melakukan pengenalan secara otomatis terhadap identitas orang tersebut, dengan membandingkannya dengan karakteristik yang sebelumnya telah disimpan pada suatu database. Pengenalan terhadap identitas seseorang dapat dilakukan secara waktu nyata (realtime), tidak membutuhkan waktu berjam-jam atau berhari-hari untuk proses pengenalan itu. Secara umum, karakteristik pembeda tersebut dapat dikelompokkan menjadi 2, yaitu karakteristik fisiologis atau fisik (physiological / physical characteristics)
dan
karakteristik
perilaku
(behavioral
characteristics).
Biometrika berdasarkan karakteristik fisiologis / fisik menggunakan bagianbagian fisik dari tubuh seseorang sebagai kode unik untuk pengenalan, seperti DNA, telinga, jejak panas pada wajah, geometri tangan, pembuluh tangan, wajah, sidik jari, iris, telapak tangan, retina, telinga, gigi dan bau (komposisi kimia) dari 8
9
keringat tubuh. Sedangkan biometrika berdasarkan karakteristik perilaku menggunakan perilaku seseorang sebagai kode unik untuk melakukan pengenalan, seperti gaya berjalan, hentakan tombol, tanda tangan dan suara. Khusus untuk suara, lebih tepat disebut sebagai karakteristik gabungan, karena suara dibentuk berdasarkan karakteristik fisik (bagian fisik tubuh manusia yang memproduksi suara) dan karakteristik perilaku (cara atau logat seseorang dalam berbicara). Bau dan komposisi kimia dari keringat tubuh juga sering dikatakan sebagai biometrika berdasarkan karakteristik kimia (chemical characteristics). Gambar 2.1 menampilkan beberapa karakteristik biometrika.
Gambar 2.1 Berbagai Karakteristik Biometrika (Sumber : Putra, 2008, 22) Perkembangan terbaru dari dunia biometrika adalah munculnya teknologi biometrika kognitif (cognitive biometrics), yaitu teknologi biometrika yang didasarkan pada tanggapan spesifik otak manusia sebagai pemicu agar komputer melakukan pencarian pada database. Teknologi ini menggabungkan persepsi manusia dengan suatu database pada komputer melalui suatu antarmuka brainmachine. Saat ini di beberapa negara maju, seperti Amerika, biometrika kognitif
10
telah dikembangkan untuk pengenal bau dan pemantau wajah. Penggunaan biometrika untuk sistem pengenalan memiliki beberapa keunggulan dibanding sistem tradisional (penggunaan password, PIN, kartu dan kunci), di antaranya: 1. Non-repudiation Suatu sistem yang menggunakan teknologi biometrika untuk melakukan suatu akses, penggunanya tidak akan dapat melakukan penyangkalan bahwa bukan dia yang melakukan akses atau transaksi. Hal ini berbeda dengan penggunaan password atau PIN. 2. Keamanan (security). Sistem berbasis password dapat diserang dengan menggunakan metode atau algoritma brute force, sedangkan sistem biometrika tidak dapat diserang dengan cara ini karena sistem biometrika membutuhkan kehadiran pengguna secara langsung pada proses pengenalan. 3. Penyaringan (screening) Proses penyaringan diperlukan untuk mengatasi seseorang yang menggunakan banyak identitas, seperti teroris yang dapat menggunakan lebih dari satu paspor untuk memasuki suatu negara. (Putra, 2008, 21-23)
2.1.2
Persyaratan Pemilihan Suatu Biometrika Tidak semua bagian tubuh atau perilaku seseorang dapat digunakan
sebagai biometrika. Ada beberapa persyaratan yang harus dipenuhi agar bagian tubuh atau perilaku manusia dapat digunakan sebagai biometrika, antara lain:
11
1. Universal (universality), artinya karakteristik yang dipilih harus dimiliki oleh setiap orang. Tahi lalat di dahi seseorang tidak dapat dijadikan biometrika karena tidak semua orang memiliki tahi lalat di dahi. 2. Membedakan (distinctiveness), artinya karakteristik yang dipilih memiliki kemampuan membedakan antara satu orang dengan orang lain. Berat dan tinggi badan seseorang tidak dapat digunakan sebagai biometrika karena banyak orang yang memiliki berat dan tinggi badan yang sama. 3. Permanen (permanence), artinya karakteristik yang dipilih tidak cepat berubah dalam periode waktu yang lama. 4. Kolektabilitas (collectability), artinya karakteristik yang dipilih mudah diperoleh dan dapat diukur secara kuantitatif. 5. Unjuk kerja (performance), artinya karakteristik yang dipilih dapat memberikan unjuk kerja yang bagus baik dari segi akurasi maupun kecepatan, termasuk sumber daya yang dibutuhkan untuk meperolehnya. 6. Dapat
diterima
(acceptability),
artinya
masyarakat
mau
menerima
karakteristik yang digunakan. 7. Tidak mudah dikelabui (circumvention), artinya karakteristik yang dipilih tidak mudah dikelabui dengan berbagai cara curang. Syarat nomor 1 – 4 adalah syarat utama (syarat wajib) yang harus dipenuhi, sedangkan syarat nomor 5 – 7 merupakan syarat tambahan. Bila karakteristik yang dipilih memenuhi persyaratan di atas maka karakteristik tersebut dapat digunakan sebagai biometrika. (Putra, 2008, 23-24)
12
2.1.3
Tanda Tangan Tanda tangan (Inggris: signature berasal dari Latin: signare yang berarti
"tanda") atau Paraf adalah tulisan tangan, terkadang diberi gaya tulisan tertentu dari nama seseorang atau tanda identifikasi lainnya yang ditulis pada dokumen sebagai sebuah bukti dari identitas dan kemauan. Tanda tangan berlaku sebagai segel. Sejak berabad-abad lamanya, tanda tangan digunakan untuk membuktikan otentikasi pada dokumen kertas, misalnya: surat, piagam, ijazah, buku, karya seni dan sebagainya. Tanda tangan mempunyai karakteristik sebagai berikut: 1. Tanda tangan adalah bukti yang otentik. 2. Tanda tangan tidak dapat dilupakan. 3. Tanda tangan tidak dapat dipindah untuk digunakan ulang. 4. Dokumen yang telah ditandatangani adalah valid dan tidak dapat diubah. 5. Tanda tangan tidak dapat disangkal (repudiation). (Schneier, 1996, 34-35)
2.2
Kecerdasan Buatan
2.2.1
Pengertian Kecerdasan buatan atau Artificial Intelligence (AI) merupakan salah satu
bagian ilmu komputer yang membuat agar mesin (komputer) dapat melakukan pekerjaan seperti dan sebaik yang dilakukan oleh manusia. AI adalah cabang dari ilmu komputer yang mempelajari automatisasi tingkah laku cerdas.
13
Pada awal diciptakannya, komputer hanya difungsikan sebagai alat hitung saja. Namun seiring dengan perkembangan zaman, teknologi komputer semakin ditingkatkan dan peran komputer semakin mendominasi kehidupan umat manusia. Komputer tidak lagi hanya digunakan sebagai alat hitung, lebih dari itu, komputer diharapkan untuk dapat diberdayakan untuk mengerjakan segala sesuatu yang bisa dikerjakan oleh manusia. Manusia bisa menjadi pandai dalam menyelesaikan segala permasalahan di dunia ini karena manusia mempunyai pengetahuan dan pengalaman. Pengetahuan diperoleh dari belajar. Semakin banyak bekal pengetahuan yang dimiliki oleh seseorang tentu saja diharapkan akan lebih mampu dalam menyelesaikan permasalahan. Namun bekal pengetahuan saja tidak cukup, manusia juga diberi akal untuk melakukan penalaran, mengambil kesimpulan berdasarkan pengetahuan dan pengalaman yang mereka miliki. Tanpa memiliki kemampuan menalar yang baik, manusia dengan segudang pengalaman dan pengetahuan tidak akan dapat menyelesaikan masalah dengan baik. Demikian pula, dengan kemampuan menalar yang sangat baik, namun tanpa bekal pengetahuan dan pengalaman yang memadai, manusia juga tidak akan bisa menyelesaikan masalah dengan baik. Agar komputer bisa bertindak seperti dan sebaik manusia, maka komputer juga harus diberi bekal pengetahuan dan mempunyai kemampuan untuk menalar. Untuk itu AI akan mencoba untuk memberikan beberapa metode untuk membekali komputer dengan kedua komponen tersebut agar komputer bisa menjadi mesin yang pintar.
14
Lebih detilnya, pengertian AI dapat dilihat dari berbagai sudut pandang, antara lain: 1. Sudut pandang kecerdasan. AI akan membuat mesin menjadi ‘cerdas’ (mampu berbuat seperti apa yang dilakukan oleh manusia). 2. Sudut pandang penelitian. AI adalah suatu studi bagaimana membuat agar komputer dapat melakukan sesuatu sebaik yang dikerjakan oleh manusia. Domain yang sering dibahas oleh para peneliti meliputi: a. Mundane task 1) Persepsi (vision & speech). 2) Bahasa alami (understanding, generation & translation). 3) Pemikiran yang bersifat commonsense. 4) Robot control. b. Formal task 1) Matematika (geometri, logika, kalkulus integral, pembuktian). 2) Permainan / games. c. Expert task 1) Analisis finansial. 2) Analisis medikal. 3) Analisis ilmu pengetahuan. 4) Rekayasa (desain, pencarian kegagalan, perencanaan manufaktur) 3. Sudut pandang bisnis.
15
AI adalah kumpulan peralatan yang sangat powerful dan metodologis dalam menyelesaikan masalah-masalah bisnis. 4. Sudut pandang pemograman. AI meliputi studi tentang pemograman simbolik, penyelesaian masalah (problem solving) dan pencarian (searching). (Kusumadewi, 2003, 1-2) Untuk menciptakan aplikasi AI ada 2 bagian utama yang sangat dibutuhkan, yaitu: 1. Basis Pengetahuan (Knowledge Base), berisi fakta-fakta, teori, pemikiran dan hubungan antara satu dengan yang lainnya. 2. Motor Inferensi (Inference Engine), yaitu kemampuan menarik kesimpulan berdasarkan pengalaman.
Gambar 2.2 Penerapan Konsep AI di Komputer (Sumber : Kusumadewi, 2003, 3) Beberapa definisi atau pengertian dari AI dapat dilihat pada tabel 2.1 berikut. Tabel 2.1 Beberapa definisi AI (Sumber : Desiani dan Arhami, 2005, 1-2) No. 1. 2. 3.
Definisi AI “The existing new effort to make computers think … machine with mind, in full, and literal sense” (Haugeland, 1985) “The automation of activities that we associate with human thinking, activities such as decision making, problem solving, learning …” (Bellman, 1978) “The study of mental faculties through the use of computasional models”
16
4. 5. 6. 7. 8. 9. 10. 11. 12.
(Chaniak and mcDermott, 1985) “The study of the computation that make it possible to perceive, reason and act” (Winston, 1992) “The art of creating machine that performs functions that require intelligence when performed by people” (Kurzweil, 1990) “The study of how to make computers to do things at which, at the moment, people are better” (Rich and Knight, 1991) “A field of study that seeks to explain and emulate intelligent behaviour in term of computational processes” (Schalkoff, 1990) “The branch of computer science that is concerned with the automation of intelligent behaviour” (Luger and Stubblefield, 1993) System that thinks like humans. System that acts like humans. System that thinks rationally. System that acts rationally.
Dari beberapa definisi pada tabel 2.1, definisi AI dapat dibagi dalam empat kategori, yaitu: 1. Sistem yang dapat berpikir seperti manusia “Thinking humanly” 2. Sistem yang dapat bertingkah laku seperti manusia “Acting humanly” 3. Sistem yang dapat berpikir secara rasional “Thinking rationally” 4. Sistem yang dapat bertingkah laku secara rasional “Acting rationally” Secara historis, keempat pendekatan tersebut telah dilakukan. Pendekatan manusia haruslah merupakan suatu ilmu empiris, termasuk hipotesa dan konfirmasi percobaan dan pendekatan rasional meliputi kombinasi dari matematika dan rekayasa. (Desiani dan Arhami, 2005, 3)
2.2.2
Sejarah AI termasuk bidang ilmu yang relatif muda. Pada tahun 1950-an para
ilmuan dan peneliti mulai memikirkan bagaimana caranya agar mesin dapat
17
melakukan pekerjaannya seperti yang bisa dikerjakan oleh manusia. Alan Turing, seorang matematikawan dari Inggris pertama kali mengusulkan adanya tes untuk melihat bisa tidaknya sebuah mesin dikatakan cerdas. Hasil tes tersebut kemudian dikenal dengan Turing Test, dimana si mesin tersebut menyamar seolah-olah sebagai seseorang di dalam suatu permainan yang mampu memberikan respon terhadap serangkaian pertanyaan yang diajukan. Turing beranggapan bahwa, jika mesin dapat membuat seseorang percaya bahwa dirinya mampu berkomunikasi dengan orang lain, maka dapat dikatakan bahwa mesin tersebut cerdas, seperti layaknya manusia. AI itu sendiri dimunculkan oleh seorang profesor dari Massachusetts Institute of Technology yang bernama John McCarthy pada tahun 1956 pada Darmouth Conference yang dihadiri oleh para peneliti AI. Pada konferensi tersebut juga didefinisikan tujuan utama dari kecerdasan buatan, yaitu mengetahui dan memodelkan proses-proses berpikir manusia dan mendesain mesin agar dapat menirukan kelakuan mesin tersebut. Beberapa program AI yang mulai dibuat pada tahun 1956-1966, antara lain: 1. Logic Theorist, diperkenalkan pada Dartmouth Conference, program ini dapat membuktikan teorema-teorema matematika. 2. Sad Sam, diprogram oleh Robert K. Lindsay (1960). Program ini dapat mengetahui kalimat-kalimat sederhana yang ditulis dalam bahasa Inggris dan mampu memberikan jawaban dari fakta-fakta yang didengar dalam sebuah percakapan.
18
3. ELIZA, diprogram oleh Joseph Weizenbaum (1967). Program ini mampu melakukan terapi terhadap pasien dengan memberikan beberapa pertanyaan dan jawaban. (Kusumadewi, 2003, 5-6)
2.2.3
Lingkup Kecerdasan Buatan pada Aplikasi Komersial Makin
pesatnya
perkembangan
teknologi
menyebabkan
adanya
perkembangan dan perluasan lingkup yang membutuhkan kehadiran AI. Karakteristik ‘cerdas’ sudah mulai dibutuhkan di berbagai disiplin ilmu dan teknologi. AI tidak hanya dominan di bidang ilmu komputer (informatika), namun juga sudah merambah di berbagai disiplin ilmu yang lain. Irisan antara psikologi dan AI melahirkan sebuah area yang dikenal dengan nama cognition & psycolinguistics. Irisan antara teknik elektro dengan AI melahirkan berbagai ilmu, seperti: pengolahan citra, teori kendali, pengenalan pola dan robotika. Dewasa ini, AI juga memberikan konstribusi yang cukup besar di bidang manajemen. Adanya sistem pendukung keputusan dan Sistem Informasi Manajemen juga tidak terlepas dari andil AI. Adanya irisan penggunaan AI di berbagai disiplin ilmu tersebut menyebabkan cukup rumitnya untuk mengklasifikasikan AI menurut disiplin ilmu yang menggunakannya. Untuk memudahkan hal tersebut, maka pengklasifikasian lingkup AI didasarkan pada output yang diberikan, yaitu pada aplikasi komersial (meskipun sebenarnya AI itu sendiri bukan merupakan medan komersial). (Kusumadewi, 2003, 6) Lingkup utama dalam kecerdasan buatan adalah:
19
1. Sistem Pakar (Expert System). Disini, komputer digunakan sebagai sarana untuk menyimpan pengetahuan para pakar. Dengan demikian, komputer akan memiliki keahlian untuk menyelesaikan permasalahan dengan meniru keahlian yang dimiliki oleh pakar. 2. Pengolahan Bahasa
Alami (Natural Language Processing). Dengan
pengolahan bahasa alami ini diharapkan user dapat berkomunikasi dengan komputer dengan menggunakan bahasa sehari-hari. 3. Pengenalan Ucapan (Speech Recognition). Melalui pengenalan ucapan diharapkan manusia dapat berkomunikasi dengan komputer menggunakan suara. 4. Robotika & Sistem Sensor (Robotics & Sensory Systems). 5. Computer Vision, mencoba untuk dapat menginterpretasikan gambar atau objek-objek tampak melalui komputer. 6. Intelligent Computer-aided Instruction. Komputer dapat digunakan sebagai tutor yang dapat melatih dan mengajar. 7. Game Playing. Permainan dapat menghasilkan sejumlah besar pencarian ruang. Hal ini cukup besar dan kompleks dan membutuhkan teknik pencarian untuk
menentukan
alternatif
pengeksplorasian
ruang
permasalahan.
Untungnya, setiap permainan memiliki aturan main. Hal ini mempermudah upaya menghasilkan ruang pencarian. Beberapa karakteristik yang ada pada sistem yang menggunakan AI adalah pemogramannya yang cenderung bersifat simbolik ketimbang algoritmik, bisa mengakomodasi input yang tidak lengkap, bisa melakukan inferensi dan adanya
20
pemisahan antara kontrol dengan pengetahuan. Namun, seiring dengan perkembangan teknologi, muncul beberapa teknologi yang juga bertujuan untuk membuat agar komputer menjadi cerdas sehingga dapat menirukan kerja manusia sehari-hari. Teknologi ini juga mampu mengakomodasi adanya ketidakpastian dan ketidaktepatan data input. Dengan didasari pada teori himpunan, maka pada tahun 1965 muncul Logika Fuzzy. Kemudian pada tahun 1975, John Holland mengatakan bahwa setiap problem berbentuk adaptasi (alami maupun buatan) secara umum dapat diformulasikan dalam terminologi genetika. Algoritma genetika ini merupakan simulasi proses evolusi Darwin dan operasi genetika atas kromosom. (Kusumadewi, 2003, 7)
2.2.4
Kecerdasan Buatan dan Kecerdasan Alami Jika dibandingkan dengan kecerdasan alami (kecerdasan yang dimiliki
oleh manusia), kecerdasan buatan (AI) memiliki beberapa keuntungan antara lain: 1. AI lebih bersifat permanen. Kecerdasan alami akan cepat mengalami perubahan. Hal ini dimungkinkan karena sifat manusia yang pelupa. AI tidak akan berubah sepanjang sistem komputer dan program tidak diubah. 2. AI lebih mudah diduplikasi dan disebarkan. Mentransfer pengetahuan manusia dari satu orang ke orang lain membutuhkan proses yang sangat lama, dan keahlian itu juga tidak akan pernah dapat diduplikasi dengan lengkap. Oleh karena itu, jika pengetahuan terletak pada
21
suatu sistem komputer, pengetahuan tersebut dapat disalin atau diduplikasi dari komputer tersebut dan dapat dipindahkan dengan mudah ke komputer yang lain. 3. AI lebih murah dibanding dengan kecerdasan alami. Menyediakan layanan komputer akan lebih mudah dan lebih murah dibandingkan dengan harus mendatangkan seseorang untuk mengerjakan sejumlah pekerjaan dalam jangka waktu yang sangat lama. 4. AI bersifat konsisten. Hal ini disebabkan karena AI adalah bagian dari teknologi komputer. Sedangkan kecerdasan alami akan senantiasa berubah-ubah. 5. AI dapat didokumentasi. Keputusan yang dibuat oleh komputer dapat didokumentasi dengan mudah dengan cara melacak setiap aktivitas dari sistem tersebut. Kecerdasan alami sangat sulit untuk direproduksi. 6. AI lebih cepat. AI dapat mengerjakan pekerjaan jauh lebih cepat dibanding dengan kecerdasan alami. 7. AI lebih baik. AI dapat mengerjakan pekerjaan lebih baik dibanding dengan kecerdasan alami. (Kusumadewi, 2003, 3-4)
Sedangkan keuntungan dari kecerdasan alami dibandingkan dengan AI adalah:
22
1. Kreatif. Kemampuan untuk menambah ataupun memenuhi pengetahuan itu sangat melekat pada jiwa manusia. Pada kecerdasan buatan, untuk menambah pengetahuan harus dilakukan melalui sistem yang dibangun. 2. Kecerdasan alami memungkinkan orang untuk menggunakan pengalaman secara langsung. Sedangkan AI buatan harus berkerja dengan input-input simbolik. 3. Pemikiran manusia dapat digunakan secara luas, sedangkan AI sangat terbatas. (Kusumadewi, 2003, 4)
2.2.5
Komputasi Kecerdasan Buatan dan Komputasi Konvensional Pada awal diciptakannya, komputer hanya diperuntukkan sebagai alat
hitung (komputasi konvensional). Untuk itu, ada beberapa perbedaan antara komputasi yang dilakukan pada
kecerdasan
buatan dengan komputasi
konvensional tersebut. Perbedaan komputasi kecerdasan buatan dengan komputasi konvensional dapat dilihat pada tabel 2.2. Tabel 2.2 Perbedaan Kecerdasan Buatan dengan Pemograman Konvensional (Sumber : Kusumadewi, 2003, 5) Dimensi Pemrosesan Sifat Input Pencarian Keterangan Fokus
Kecerdasan Buatan (AI) Mengandung konsep-konsep simbolik Tidak harus lengkap Kebanyakan bersifat Heuristic Disediakan Pengetahuan
Pemograman Konvensional Algoritmik Harus lengkap Biasanya didasarkan pada algoritma Biasanya tidak disediakan Data dan Informasi
23
Struktur Sifat Output Pemeliharan dan update Kemampuan menalar
2.3
Kontrol dipisahkan pengetahuan Kuantitatif Relatif mudah Ya
dari Kontrol terintegrasi informasi (data) Kualitatif Sulit
dengan
Tidak
Jaringan Syaraf Tiruan Jaringan syaraf adalah salah satu representasi buatan dari otak manusia
yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak manusia tersebut. Istilah buatan ini digunakan karena jaringan syaraf diimplementasikan dengan menggunakan program komputer yang mampu menyelesaikan sejumlah proses perhitungan selama proses pembelajaran. (Kusumadewi, 2003, 207)
2.3.1
Otak Manusia Otak manusia berisi berjuta-juta sel syaraf yang bertugas untuk memproses
informasi. Tiap-tiap sel bekerja seperti suatu prosesor sederhana. Masing-masing sel tersebut saling berinteraksi sehingga mendukung kemampuan kerja otak manusia. Illustrasi susunan syaraf manusia dapat dilihat pada gambar 2.2 berikut.
24
Gambar 2.3 Susunan Syaraf Manusia (Sumber : Kusumadewi, 2003, 207) Gambar 2.3 menunjukkan susunan syaraf pada manusia. Setiap sel syaraf (neuron) akan memiliki satu inti sel, inti sel ini nanti yang akan bertugas untuk melakukan pemrosesan informasi. Informasi yang datang akan diterima oleh dendrit. Selain menerima informasi, dendrit juga menyertai axon sebagai keluaran dari suatu pemrosesan informasi. Informasi hasil olahan ini akan menjadi masukan bagi neuron lainnya dimana antar dendrit kedua sel dipertemukan dengan synapsis. Informasi yang dikirimkan antar neuron ini berupa rangsangan yang dilewatkan melalui dendrit. Informasi yang datang dan diterima oleh dendrit akan dijumlahkan dan dikirim melalui axon ke dendrit akhir yang bersentuhan dengan dendrit dari neuron yang lain. Informasi ini akan diterima oleh neuron lain jika memenuhi batasan tertentu yang sering dikenal dengan nama nilai ambang (threshold). Pada kasus ini, neuron tersebut dikatakan teraktivasi. Hubungan antar neuron terjadi secara adaptif, artinya struktur hubungan tersebut terjadi secara dinamis. Otak manusia selalu memiliki kemampuan untuk belajar dengan melakukan adaptasi. (Kusumadewi, 2003, 208)
25
2.3.2
Komponen Jaringan Syaraf Tiruan Ada beberapa tipe jaringan syaraf tiruan, namun demikian, hampir
semuanya memiliki komponen-komponen yang sama. Seperti halnya otak manusia, jaringan syaraf tiruan juga terdiri dari beberapa neuron dan terdapat hubungan
antar
neuron
tersebut.
Neuron-neuron
tersebut
akan
mentransformasikan informasi yang diterima melalui sambungan keluarnya menuju ke neuron-neuron yang lain. Pada jaringan syaraf tiruan, hubungan ini dikenal dengan bobot. Informasi tersebut disimpan pada suatu nilai tertentu pada bobot tersebut. Gambar 2.4 menunjukkan struktur neuron pada jaringan syaraf.
Gambar 2.4 Susunan Neuron Jaringan Syaraf Tiruan (Sumber : Kusumadewi, 2003, 210) Jika dilihat, neuron buatan ini sebenarnya mirip dengan sel neuron biologis. Neuron-neuron buatan tersebut bekerja dengan cara yang sama pula dengan neuron-neuron biologis. Informasi (disebut dengan: input) akan dikirim ke neuron dengan bobot kedatangan tertentu. Input ini akan diproses oleh suatu fungsi perambatan yang akan menjumlahkan nilai-nilai semua bobot yang datang. Hasil penjumlahan ini kemudian akan dibandingkan dengan suatu nilai ambang (threshold) tertentu melalui fungsi aktivasi setiap neuron. Apabila input tersebut melewati suatu nilai ambang tertentu, maka neuron tersebut akan diaktifkan, tapi kalau tidak, maka neuron tersebut tidak akan diaktifkan. Apabila neuron tersebut
26
diaktifkan, maka neuron tersebut akan mengirimkan output melalui bobot-bobot outputnya ke semua neuron yang berhubungan dengannya. Demikian seterusnya. Pada jaringan syaraf, neuron-neuron akan dikumpulkan dalam lapisanlapisan (layer) yang disebut dengan lapisan neuron (neuron layers). Biasanya neuron-neuron pada satu lapisan akan dihubungkan dengan lapisan-lapisan sebelum dan sesudahnya, kecuali lapisan input dan lapisan output. Informasi yang diberikan pada jaringan syaraf akan dirambatkan lapisan ke lapisan, mulai dari lapisan input sampai ke lapisan output melalui lapisan yang lainnya, yang sering dikenal dengan nama lapisan tersembunyi (hidden layer). Tergantung pada algoritma pembelajarannya, bisa jadi informasi tersebut akan dirambatkan secara mundur pada jaringan. Gambar 2.5 menujukkan jaringan syaraf dengan 3 lapisan.
Nilai Input
Neuron-neuron pada lapisan input
Neuron-neuron pada lapisan tersembunyi
Neuron-neuron pada lapisan output
Nilai Output
Gambar 2.5 Jaringan Syaraf dengan 3 Lapisan (Sumber : Kusumadewi, 2003, 211)
27
Gambar 2.5 bukanlah struktur umum jaringan syaraf. Beberapa jaringan syaraf ada juga yang tidak memiliki lapisan tersembunyi, dan ada juga jaringan syaraf dimana neuron-neuronnya disusun dalam bentuk matriks.
2.3.3
Arsitektur Jaringan Umumnya, neuron-neuron yang terletak pada lapisan yang sama akan
memiliki keadaan yang sama. Pada setiap lapisan yang sama, neuron-neuron akan memiliki fungsi aktivasi yang sama. Apabila neuron-neuron dalam suatu lapisan akan dihubungkan dengan neuron-neuron pada lapisan yang lain, maka setiap neuron pada lapisan tersebut juga harus dihubungkan dengan setiap lapisan pada lapisan lainnya. Ada beberapa arsitektur jaringan syaraf, antara lain: 1. Jaringan dengan lapisan tunggal (single layer net) Jaringan dengan lapisan tunggal hanya memiliki satu lapisan dengan bobotbobot terhubung. Jaringan hanya menerima input kemudian secara langsung akan mengolahnya menjadi output tanpa harus melalui lapisan tersembunyi (gambar 2.5). Pada gambar 2.5, lapisan input memiliki 3 neuron, yaitu X1, X2 dan X3. Sedangkan pada lapisan output memiliki 2 neuron, yaitu Y1 dan Y2. Neuron-neuron pada kedua lapisan saling berhubungan. Seberapa besar hubungan antara 2 neuron ditentukan oleh bobot yang bersesuaian. Semua unit input akan dihubungkan dengan setiap unit output.
28
Gambar 2.6 Jaringan Syaraf dengan Lapisan Tunggal (Sumber : Kusumadewi, 2003, 212)
2. Jaringan dengan banyak lapisan(multilayer net) Jaringan dengan banyak lapisan memiliki 1 atau lebih lapisan yang terletak di antara lapisan input dan lapisan output (memiliki 1 atau lebih lapisan tersembunyi), seperti terlihat pada gambar 2.7. Umumnya, ada lapisan bobotbobot yang terletak antara 2 lapisan yang bersebelahan. Jaringan dengan banyak lapisan ini menyelesaikan permasalahan yang lebih sulit daripada lapisan dengan lapisan tunggal, tentu saja dengan pembelajaran yang lebih rumit. Namun demikian, pada banyak kasus, pembelajaran pada jaringan dengan banyak lapisan ini lebih sukses dalam menyelesaikan masalah.
29
Gambar 2.7 Jaringan Syaraf dengan Banyak Lapisan (Sumber : Kusumadewi, 2003, 213) 3. Jaringan dengan lapisan kompetitif (competitive layer net) Umumnya, hubungan antar neuron pada lapisan kompetitif ini tidak diperlihatkan pada diagram arsitektur. Gambar 2.8 menunjukkan salah satu contoh arsitektur jaringan dengan lapisan kompetitif yang memiliki bobot -ŋ.
30
Gambar 2.8 Jaringan Syaraf dengan Lapisan Kompetitif (Sumber : Kusumadewi, 2003, 214)
2.4
Metode Perceptron Perceptron terdiri suatu input dan output. Perceptron merupakan bentuk
paling sederhana dari JST yang biasanya digunakan untuk pengklasifikasian jenis pola khusus yang biasa disebut linearly separable (pola-pola yang terletak pada sisi yang berlawanan pada suatu bidang). Fungsi aktivasi yang digunakan algoritma Perceptron adalah fungsi hard limiting. Output unit akan bernilai 1 bila jumlah bobot input lebih besar daripada threshold. Nilai threshold pada fungsi aktivasi adalah non-negatif. (Desiani, 2006, 178) Algoritma Perceptron dapat dituliskan sebagai berikut: 1. Inisialisasi Bobot Set semua bobot dan threshold (Ө) untuk bilangan acak kecil atau sama dengan nilai 0. 2. Kalkulasi aktivasi
31
a. Tingkatkan aktivasi suatu nilai input dihitung oleh contoh penyajian untuk jaringan. b. Untuk setiap set data / pola yang akan dilatih, tingkat aktivasi output (Yk, k=1,2,3,...m, dimana m = banyaknya lapisan output) suatu unit output dihitung dengan: n
Yk = Fh ( X iWki + Ө) i 1
dengan Wki adalah bobot, Xi (i=1,2,3,...n, dimana n = banyaknya lapisan input) adalah bit input dari pola yang akan dilatih, Ө adalah threshold, dan Fh adalah fungsi hard limit, sebagai berikut: 1, jika a > Ө Fh(a) 0, jika a < Ө 3. Pelatihan Bobot a. Mengatur bobot dengan: Wki (t + 1) = Wki(t) – ΔWki dengan Wki adalah bobot dari input unit i ke k pada waktu t (atau iterasi ke t) dan ΔWki adalah bobot yang diatur. b. Perubahan bobot dihitung dengan aturan delta: ΔWki = ŋδkXi dengan ŋ adalah tingkat pembelajaran percobaan independen (0 < ŋ < 1) dan δk adalah error pada unit k, yaitu: δj =Tk - Yk dengan Tk merupakan aktivasi output yang diinginkan dan Yk adalah aktivasi output yang sebenarnya pada unit output k.
32
4. Ulangi iterasi hingga mencapai konvergensi atau tidak ada bobot yang berubah pada langkah 3. (Desiani, 2006, 178-179)
Arsitektur jaringan Perceptron dapat dilihat pada gambar 2.9 berikut.
Gambar 2.9 Arsitektur Jaringan Perceptron (Sumber : Puspitaningrum, 2006, 30)
Algoritma Perceptron ini bisa digunakan baik untuk input biner (0 / 1) maupun bipolar (-1 / 1), dengan Ө tertentu. Pada algoritma tersebut, bobot-bobot yang diperbaiki hanyalah bobot-bobot yang berhubungan dengan input yang aktif (Xi ≠ 0) dan bobot-bobot yang tidak menghasilkan nilai Y yang benar. (Kusumadewi, 2003, 225)
2.5
Metode Backpropagation Backpropagation merupakan metode pembelajaran yang terawasi dan
biasanya digunakan oleh perceptron dengan banyak lapisan untuk mengubah
33
bobot-bobot yang terhubung dengan neuron-neuron yang ada pada lapisan tersembunyinya. Metode 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 sigmoid, yaitu: f(x) =
1 1 + e-x
Arsitektur jaringan backpropagation dapat dilihat pada gambar 2.10 berikut.
Gambar 2.10 Arsitektur Jaringan Backpropagation (Sumber : Kusumadewi, 2003, 236) Algoritma backpropgation dapat dibagi ke dalam 2 bagian, yaitu:
34
1.
Algoritma Pelatihan / Pembelajaran (Training), terdiri atas 3 tahap yaitu: perambatan maju (forward propagation), perambatan mundur untuk mengubah nilai bobot (backpropagation) dan tahap pengaturan bobot.
2.
Algoritma Pengenalan (Recognition), menggunakan perambatan maju. (Puspitaningrum, 2006, 128) Algoritma pelatihan backpropagation adalah sebagai berikut:
0.
Inisialisasi bobot (ambil bobot awal dengan nilai random yang kecil). Tentukan pula nilai angka pembelajaran (α), nilai toleransi error (bila menggunakan nilai ambang sebagai kondisi berhenti) dan set maksimum epoch (bila menggunakan banyaknya epoch sebagai kondisi berhenti).
1.
While kondisi berhenti tidak terpenuhi, maka untuk setiap pasangan elemen yang akan dilatih, lakukan langkah ke-2 sampai ke-8. Tahap Feedforward
2.
Setiap input xi (dari unit ke-1 sampai unit ke-n pada lapisan input) mengirimkan sinyal input ke semua unit yang ada di lapisan atasnya (ke lapisan tersembunyi): xi.
3.
Pada setiap unit di lapisan tersembunyi (zj; i = 1,2,...p) menjumlahkan sinyal-sinyal input terbobot: n
z_inj = v0j +
x v
i ij
i 1
gunakan fungsi aktivasi untuk menghitung sinyal outputnya: zj = f(z_inj) dan kirimkan sinyal tersebut ke semua unit di lapisan atasnya (unit-unit output).
35
4.
Tiap–tiap unit output (Yk, k=1,2,3,...m) menjumlahkan sinyal-sinyal input terbobot. p
y_ink = w0k +
z
j
w jk
j 1
gunakan fungsi aktivasi untuk menghitung sinyal outputnya: yk = f(y_ink) dan kirimkan sinyal tersebut ke semua unit di lapisan atasnya (unit-unit output). Tahap Backpropagation 5.
Tiap–tiap unit output (Yk, k=1,2,3,...m) menerima target pola yang berhubungan dengan pola input pembelajaran, hitung informasi errornya: δk = (tk – yk) f’(y_ink) kemudian hitung koreksi bobot (yang nantinya akan digunakan untuk memperbaiki nilai wjk): Δwjk = α δk zj hitung juga koreksi bias (yang nantinya akan digunakan untuk memperbaiki nilai w0k): Δw0k = α δk kirimkan δk ini ke unit-unit yang ada di lapisan bawahnya.
6.
Tiap-tiap unit tersembunyi (zj; j = 1,2,...p) menjumlahkan delta inputnya (dari unit-unit yang berada di lapisan atasnya): m
δ_inj =
k 1
k
w jk
36
kalikan nilai ini dengan turunan dari fungsi aktivasinya untuk menghitung informasi error: δj = δ_inj f’(z_inj) kemudian hitung koreksi bobot (yang nantinya akan digunakan untuk memperbaiki nilai vij): Δvij = α δj xi hitung juga koreksi bias (yang nantinya akan digunakan untuk memperbaiki nilai v0j): Δv0j = α δj Tahap Update Bobot dan Bias 7.
Tiap–tiap unit output (Yk, k=1,2,3,...m) memperbaiki bias dan bobotnya (j=0,1,2,...,p): wjk (baru) = wjk (lama) + Δwjk Tiap-tiap unit tersembunyi (zj; j = 1,2,...p) memperbaiki bias dan bobotnya (i=0,1,2,...,n): vij (baru) = vij (lama) + Δvij
8.
Tes kondisi berhenti, bila mencapai maksimum epoch atau kuadrat error < target error. (Puspitaningrum, 2006, 129-130) Algoritma
backpropagation
pengenalan hanya
perlu
(recognition) menjalankan
dengan tahap
menggunakan
feedforward
hingga
mendapatkan nilai yk. Pasangan yk adalah output dari metode backpropagation.
37
2.6
Pre-Processing
2.6.1
Proses Pengambangan Proses pengambangan (thresholding) akan menghasilkan citra biner, yaitu
citra yang memiliki dua nilai tingkat keabuan, yaitu hitam dan putih. Secara umum, proses pengambangan citra grayscale untuk menghasilkan citra biner adalah sebagai berikut: 1, if f(x, y) > T g(x,y) 0, if f(x,y) < T dengan g(x,y) adalah citra biner dari citra grayscale f(x, y), dan T menyatakan nilai ambang (threshold) yang bernilai di antara 1-255. Nilai T memegang peran sangat penting dalam proses pengambangan. Kualitas hasil citra biner sangat tergantung pada nilai T yang digunakan. (Putra, 2009, 110)
2.6.2
Ekstraksi Ciri Proses ekstraksi ciri berfungsi untuk mengubah suatu pola menjadi
bit-bit digital sehingga dapat dimengerti oleh komputer. Misalkan dilakukan proses ekstraksi ciri terhadap citra karakter sebagai berikut,
Gambar 2.11 Karakter ‘T’
38
Citra pola karakter dibagi menjadi matriks berukuran m x n (m baris dan n kolom). Pada contoh ini, matriks yang digunakan adalah 10 x 10. Pada setiap kotak (elemen), dilakukan penelusuran. Jika ditemukan nilai 0 (piksel hitam) dalam jumlah tertentu, maka diberikan nilai 0 (warna hitam) pada kotak tersebut. Namun, jika tidak demikian, maka diberikan nilai 1 (warna putih) untuk kotak tersebut. Dari sini, diperoleh hasil ekstraksi ciri berupa nilai barisan bit 0 dan 1 sebanyak 100 bit. (Kusumadewi, 2003, 269)
Gambar 2.12 Proses Ekstraksi Ciri
2.7
Studi Literatur Sejenis Berdasarkan jurnal "Identifikasi Tanda Tangan Menggunakan Jaringan
Syaraf Tiruan Perambatan Balik (Backpropagation)" yang ditulis oleh Achmad dkk., pengujian dilakukan terhadap tanda tangan yang telah dilatih sebelumnya. Hasil pengenalan tanda tangan dapat dilihat pada tabel 2.3.
39
Tabel 2.3 Tingkat Keberhasilan Pengenalan Data Internal (Sumber: http://eprints.undip.ac.id/172/1/100_106_ahmad_rizal.pdf)
Berdasarkan tabel 2.3, terlihat bahwa sistem memiliki tingkat keberhasilan sebesar 95% untuk mengenali tanda tangan seseorang yang telah dilatihkan. Sedangkan apabila pengujian dilakukan terhadap data tanda tangan di luar basisdata. Hasil pengenalan terhadap tanda tangan sebagai data luar dapat dilihat pada tabel 2.4.
40
Tabel 2.4 Tingkat Keberhasilan Pengenalan Data Eksternal (Sumber: http://eprints.undip.ac.id/172/1/100_106_ahmad_rizal.pdf)
Berdasarkan jurnal "Pengenalan Huruf Berbasis Jaringan Syaraf Tiruan Menggunakan Algoritma Perceptron" yang ditulis oleh Wahyono dkk. (Universitas
Gadjah
Mada),
Perceptron
digunakan
untuk
melakukan
pengklasifikasian pola huruf. Hasil kesimpulan yang didapat dari penelitian adalah: “Dengan
menggunakan
algoritma
Perceptron,
ternyata
bisa
dilakukan
pengklasifikasian pola huruf. Meskipun dalam pelatihan data yang sedikit, saat pengujiannya hasil yang didapat menunjukkan bahwa beberapa pola tidak sesuai dengan klasifikasi polanya tetapi persentase ketidaksesuaian ini lebih kecil dibandingkan dengan pengujian data yang memiliki data pelatihan lebih banyak.”
41
2.8
Microsoft Visual Basic Microsoft Visual Basic adalah bahasa pemograman yang digunakan untuk
membuat aplikasi Windows yang berbasis grafis (GUI – Graphical User Interface). Visual Basic merupakan event-driven programming (pemograman terkendali kejadian) artinya program menunggu sampai adanya respon dari pemakai berupa event atau kejadian tertentu (tombol diklik, menu dipilih, dan event lainnya). Ketika event terdeteksi, kode yang berhubungan dengan event (prosedur event) akan dijalankan. (Kusumo, 2000, 1)
2.8.1
Sejarah Singkat Berikut ini adalah point-point penting dalam sejarah perkembangan Visual
Basic, sebagai berikut: 1. Visual Basic pertama sekali diperkenalkan pada tahun 1991, yaitu program Visual Basic untuk DOS dan untuk Windows. 2. Visual Basic 3.0 dirilis tahun 1993. 3. Visual Basic 4.0 dirilis pada akhir 1995 (tambahan dukungan untuk aplikasi 32 bit). 4. Visual Basic 6.0 dirilis pada akhir tahun 1998. (Kusumo, 2000, 1)
2.8.2
Struktur Aplikasi Struktur aplikasi (proyek) terdiri dari:
42
1. Form adalah windows atau jendela, di mana programmer akan membuat tampilan user interface. 2. Kontrol (control) adalah tampilan berbasis grafis yang dimasukkan pada form untuk membuat interaksi dengan pemakai. Contoh kontrol adalah textbox, label, scroll bar, command button (tombol) dan kontrol lainnya. Form dan kontrol adalah objek. 3. Properti (properties) adalah nilai atau karakteristik yang dimiliki oleh sebuah objek Visual Basic. Contoh: Name, Captions, Size, Color, Position dan Text. Visual Basic menerapkan properti default atau standard. Programmer dapat mengubah properti saat mendesain program atau run time (ketika program dijalankan). 4. Metode (methods) adalah serangkaian perintah yang sudah tersedia pada suatu objek yang dapat diminta untuk mengerjakan tugas khusus. 5. Prosedur Kejadian (event procedures) adalah kode yang berhubungan dengan suatu objek. Kode ini akan dieksekusi ketika ada respon dari pemakai berupa event tertentu. 6. Prosedur Umum (general procedures) adalah kode yang tidak berhubungan dengan suatu objek. Kode ini harus diminta oleh aplikasi. 7. Modul (module) adalah kumpulan dari prosedur umum, fungsi umum, deklarasi variabel dan definisi konstanta yang digunakan oleh aplikasi. Langkah-langkah untuk mengembangkan aplikasi adalah: 1. Membuat user interface atau tampilan. 2. Mengatur properti objek.
43
3. Menulis kode program. (Kusumo, 2000, 2)
Gambar 2.13 Struktur Aplikasi Visual Basic (Sumber : Kusumo, 2000, 2)
2.8.3
Tampilan Layar Tampilan layar Microsof Visual Basic terdiri dari:
1. Main Windows (jendela utama) terdiri dari title bar (baris judul), menu bar dan toolbar. Baris judul berisi nama proyek, mode operasi Visual Basic sekarang dan form yang aktif. Menu bar merupakan menu drop-down dimana programmer dapat mengatur operasi dari lingkungan Visual Basic. Toolbar berisi kumpulan gambar yang mewakili perintah yang ada di menu. Jendela utama juga menampilkan lokasi dari form yang aktif relatif terhadap sudur kiri atas layar (satuan ukurannya twips), juga panjang dan lebar dari form yang aktif.
Gambar 2.14 Main Windows Visual Basic
44
(Sumber : Ario Suryo Kusumo, 2000, 3) 2. Form Windows (jendela form) adalah pusat dari pengembangan aplikasi Visual Basic. Di sinilah, tempat programmer mendesain atau “menggambar” aplikasi.
Gambar 2.15 Form Visual Basic (Sumber : Kusumo, 2000, 4) 3. Project Windows (jendela proyek) menampilkan daftar form dan modul dari proyek. Proyek merupakan kumpulan dari modul form, modul class, modul standar dan file sumber yang membentuk suatu aplikasi.
Gambar 2.16 Jendela Proyek (Sumber : Kusumo, 2000, 4)
45
4. Toolbox adalah kumpulan dari objek yang digunakan untuk membuat user interface serta kontrol bagi program aplikasi. Ada dua cara untuk menempatkan kontrol pada suatu form, yaitu: a. Klik ganda kontrol di dalam toolbox. Selanjutnya, kita dapat mengubah besar dan ukurannya serta memindahkannya dengan metode drag and drop. b. Klik kontrol di dalam toolbox, kemudian pindahkan pointer mouse pada jendela form. Kursor berubah menjadi tanda tambah (cross). Tempatkan mouse pointer pada sudut kiri atas dimana kontrol ingin diletakkan, tekan tombol mouse kiri dan tahan ketika menyeret (drag) kursor ke arah sudut kanan bawah.
Pointer
Picture Box
Label
Text Box
Frame
Command Button
Check Box Combo Box Horizontal Scroll Bar Timer Directory List Box
Option Button List Box Vertical Scroll Bar Drive List Box File List Box
Shape
Line
Image
Data
OLE
Gambar 2.17 Toolbox (Sumber : Kusumo, 2000, 5)
46
5. Properties Windows (jendela properti) berisi daftar struktur setting properti yang digunakan pada sebuah objek terpilih. Kotak drop-down pada bagian atas jendela berisi daftar semua objek pada form yang aktif. Ada dua tab tampilan: Alphabetic (urut berdasarkan abjad) dan Categorized (urut berdasarkan kategori / kelompok). Di bagian bawah kotak terdapat properti dari objek terpilih.
Gambar 2.18 Jendela Properti (Sumber : Kusumo, 2000, 6) 6. Form Layout Windows (jendela layout form) menampilkan posisi form relatif terhadap layar monitor.
47
Gambar 2.19 Jendela Layout Form (Sumber : Kusumo, 2000, 6) 2.9
Microsoft Access Microsoft Access (atau Microsoft Office Access) adalah sebuah program
aplikasi basis data komputer relasional yang ditujukan untuk kalangan rumahan dan perusahaan kecil hingga menengah. Aplikasi ini merupakan anggota dari beberapa aplikasi Microsoft Office, selain tentunya Microsoft Word, Microsoft Excel, dan Microsoft PowerPoint. Aplikasi ini menggunakan mesin basis data Microsoft Jet Database Engine, dan juga menggunakan tampilan grafis yang intuitif sehingga memudahkan pengguna. Versi terakhir adalah Microsoft Office Access 2007 yang termasuk ke dalam Microsoft Office System 2007. Microsoft Access dapat menggunakan data yang disimpan di dalam format Microsoft Access, Microsoft Jet Database Engine, Microsoft SQL Server, Oracle Database, atau semua kontainer basis data yang mendukung standar ODBC. Para pengguna
/
programmer
yang
mahir
dapat
menggunakannya
untuk
mengembangkan perangkat lunak aplikasi yang kompleks, sementara para programmer yang kurang mahir dapat menggunakannya untuk mengembangkan perangkat lunak aplikasi yang sederhana.
(http://office.microsoft.com/en-
gb/access-help/introduction-to-importing-and-exporting-data-HA101790599.aspx)
BAB III METODOLOGI PENELITIAN
3.1
Metodologi Pengumpulan Data Dalam melakukan pengumpulan data, penulis menggunakan dua macam teknik untuk mendapatkan bahan - bahan sebagai dasar penelitian, yaitu studi pustaka, sampling : 1.
Studi Pustaka Pengumpulan data dilakukan dengan cara mengambil sumber referensi dari buku teks ataupun internet mengenai cara kerja metode Perceptron dan Backpropagation.
2.
Sampling Penulis mengumpulkan beberapa contoh gambar tanda tangan dari internet ataupun secara manual, untuk kebutuhan pengujian terhadap aplikasi.
3.2.
Metodologi Pengembangan Perangkat Lunak Perancangan aplikasi pengenalan tanda tangan menggunakan metode
Perceptron dan Backpropagation ini menggunakan tahapan Model Sekuensial Linier (Linear Sequential Model) Gambar 3.1 menggambarkan model sekuensial linier.
48
49
Gambar 3.1 Model Sekuensial Linier (Sumber : Pressman, 2002)
Sekuensial linier mengusulkan sebuah pendekatan kepada perkembangan perangkat lunak yang sistematik dan sekuensial yang mulai pada tingkat dan kemajuan sistem pada seluruh analisis, desain, kode dan pengujian. Model sekuensial linier melingkupi aktivitas-aktivitas sebagai berikut: 1. Rekayasa dan pemodelan sistem / informasi, yaitu: a. Analisis kebutuhan perangkat lunak Proses pengumpulan kebutuhan diintensifkan dan difokuskan, khususnya pada aplikasi. Untuk memahami sifat aplikasi yang dibangun, perekayasa (analis) harus memahami domain informasi, tingkah laku, unjuk kerja dan antarmuka yang diperlukan. b. Desain Desain perangkat lunak adalah proses multi langkah yang berfokus pada 4 atribut program yang berbeda, yaitu struktur data, arsitektur perangkat lunak, representasi interface dan detail algoritma. Proses desain menerjemahkan syarat / kebutuhan ke dalam sebuah perangkat lunak.
50
2. Generasi Kode Desain harus diterjemahkan ke dalam bentuk kode mesin yang dapat dibaca. Jika desain dilakukan dengan cara yang lengkap, pembuatan kode dapat diselesaikan dengan baik. 3. Pengujian Sekali kode dibuat, pengujian program dimulai. Proses pengujian berfokus pada logika internal perangkat lunak, memastikan bahwa semua pernyataan sudah diuji, dan pada eksternal fungsional, yaitu mengarahkan pengujian untuk menemukan kesalahan dan memastikan bahwa input yang dibatasi akan memberikan hasil aktual yang sesuai dengan hasil yang dibutuhkan. Model sekuensial linier adalah paradigma rekayasa perangkat lunak yang paling luas dipakai dan paling tua. (Pressman, 2002) Tahapan analisis akan mencakup analisis kebutuhan sistem serta analisis proses kerja aplikasi yang digambarkan secara umum dengan menggunakan flowchart.
3.3
Analisis Kebutuhan Sistem Analisis kebutuhan sistem merupakan proses identifikasi dan evaluasi
permasalahan-permasalahan yang ada, sehingga sistem yang dibangun sesuai dengan kriteria yang diharapkan. Metode Perceptron dan Backpropagation akan diimplementasikan untuk melakukan pengenalan terhadap pola tanda tangan. Oleh karena itu, aplikasi harus memenuhi kebutuhan sebagai berikut:
51
1. Aplikasi harus menyediakan fitur penggambaran tanda tangan oleh user. Cara melakukan penggambaran adalah dengan click-and-drag dengan mouse. 2. Aplikasi dapat menerima input berupa gambar scan tanda tangan dalam format bmp, jpg atau gif dan melakukan proses pengambangan (thresholding) untuk mengubah gambar menjadi gambar biner. 3. Aplikasi harus mampu menambah pengetahuan pola tanda tangan dan identitas pemiliknya di dalam database melalui proses pelatihan dengan menggunakan metode Perceptron dan Backpropagation. 4. Aplikasi harus mampu melakukan proses pengenalan terhadap pola tanda tangan dengan menggunakan metode Perceptron dan Backpropagation. 5. Output dari aplikasi adalah nama identitas pemilik tanda tangan.
3.4
Analisis Proses Kerja Proses kerja aplikasi mencakup: penerimaan input gambar scan tanda
tangan, proses pengambangan (thresholding), proses ekstraksi ciri dan proses pelatihan serta proses pengenalan. Proses pengenalan hanya akan dapat mengenali semua pola tanda tangan yang sudah dilatih sebelumnya. Secara garis besar, proses kerja aplikasi dapat digambarkan dalam bentuk flowchart seperti terlihat pada gambar 3.2.
52
Gambar 3.2 Gambaran Proses Kerja Aplikasi
53
3.5
Kerangka Berpikir Dalam melakukan penelitian ini, penulis melakukan tahapan - tahapan
kegiatan dengan mengikuti rencana kegiatan yang tertuang dalam model konseptual penelitian ini. Merumuskan masalah dan analisis
Studi Pustaka dan Sampling Metode Pengembangan Sistem Analisis Perancangan Aplikasi Perancangan Basis Data
Analisis Kebutuhan Sistem Analisis Proses Kerja
Desain
Perancangan Tampilan Kode
Pengujian Sampling
Implementasi kode
Tes
Kesimpulan dan saran pembuatan sistem
Gambar 3.3 Kerangka Berpikir
BAB IV PEMBAHASAN DAN IMPLEMENTASI
4.1
Pembahasan Pembahasan akan mencakup pembahasan cara kerja semua proses yang
dilakukan di dalam aplikasi dan pembahasan perancangan. Pembahasan perancangan meliputi perancangan tampilan dan perancangan database.
4.1.1
Pembahasan Cara Kerja Proses
4.1.1.1 Proses Pengambangan Sebagai contoh, input gambar tanda tangan adalah gambar 4.1:
Gambar 4.1 Contoh Input Gambar Tanda Tangan Pada proses pengambangan, gambar harus dilakukan proses grayscale terlebih dahulu. Proses grayscale dilakukan untuk mengubah gambar RGB 24 bit menjadi gambar grayscale 8 bit. Proses grayscale akan mengikuti rumus berikut: GRAY = (R + G + B) / 3 Setiap piksel di dalam gambar akan memiliki nilai R, G dan B yang sama yaitu GRAY. Proses ini akan menghasilkan gambar keabu-abuan. Sebagai contoh, misalkan input gambar tanda tangan mempunyai nilai piksel seperti gambar 4.2.
54 1
55
Gambar 4.2 Nilai Piksel pada Input Gambar Pada gambar 4.2 di atas, piksel-1 mempunyai nilai R = 185, G = 137, B = 55, maka perhitungan grayscale adalah: Gray = (185 + 137 + 55) / 3 Gray = 125.6 (dibulatkan ke 126) Hasil pemrosesan grayscale dari gambar 4.2 akan mendapatkan hasil seperti pada gambar 4.3.
Gambar 4.3 Hasil Grayscale
56
Setelah dilakukan proses grayscale,
kemudian dilakukan proses
pengambangan untuk membedakan tulisan dan latar. Jika threshold ditentukan 140, maka piksel-1 diberi warna hitam karena memiliki nilai grayscale lebih kecil dari 140. Hasil proses pengambangan adalah seperti pada gambar 4.4 :
Gambar 4.4 Hasil Perhitungan Proses Pengambangan
Gambar hasil proses pengambangan terhadap gambar 4.1 dapat dilihat pada gambar 4.5 berikut:
Gambar 4.5 Hasil Proses Pengambangan
57
4.1.1.2 Proses Pelatihan Pola Tanda Tangan Proses pelatihan akan mengekstraksi ciri dari pola tanda tangan, menyimpannya ke database dan menghitung bobot pelatihan. Bobot pelatihan ini akan digunakan dalam fase pengenalan. Backpropagation dan Perceptron dapat mempelajari beberapa sampel pola sekaligus untuk 1 identitas. Semakin banyak sampel yang dilatih, maka semakin akurat pula proses pengenalan dari pola tanda tangan tersebut. Proses pelatihan dapat digambarkan dalam bentuk flowchart sebagai berikut.
Gambar 4.6 Flowchart Proses Pelatihan Tanda Tangan (Training) Sesuai pada flowchart (gambar 4.6), sebelum gambar tanda tangan dilatih dengan menggunakan JST, gambar tanda tangan akan terlebih dahulu dilakukan proses pengambangan dan diekstraksi ciri (binerisasi). Proses ekstraksi ciri dapat dilihat pada gambar 4.7 berikut.
58
Thresholding
Hasil proses pengambangan diCrop dan dibuang sisi yang kosong
Sampel Tanda Tangan
Ekstraksi Ciri 20 x 20 20 kotak
20 kotak
Hasil Ekstraksi Ciri 20 x 20 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 0
0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 1 1 0 0 0
0 0 0 0 0 0 1 1 1 1 1 0 0 0 1 1 0 0 0 0
0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0
0 0 1 1 1 1 1 0 0 0 1 1 1 1 0 0 0 0 0 0
0 1 1 1 1 0 0 0 0 1 1 1 1 0 0 0 0 0 0 0
0 1 1 0 0 0 0 0 1 1 1 1 0 0 0 0 0 0 0 0
1 1 0 0 0 0 1 1 1 1 1 0 0 0 0 0 0 0 0 0
1 1 0 1 1 1 1 1 0 1 1 0 0 0 0 0 0 0 0 0
1 1 1 1 1 1 1 0 0 1 1 0 0 0 0 0 0 0 0 0
0 1 1 1 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 1 1 0 0 1 1 1 1 0 0 0 0
0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 0 0 0 0
0 0 0 0 0 0 0 0 0 1 1 1 1 0 0 0 0 0 0 0
Gambar 4.7 Proses Ekstraksi Ciri Selanjutnya, hasil ekstraksi ciri dari gambar tanda tangan dimasukkan ke metode pelatihan Perceptron dan Backpropagation.
59
4.1.1.3 Proses Pengenalan Pola Tanda Tangan Proses pengenalan pola tanda tangan juga akan melakukan proses ekstraksi ciri terhadap gambar tanda tangan. Hasil ekstraksi ciri kemudian dimasukkan sebagai bit input pada fase pengenalan. Dengan menggunakan nilai bobot hasil pelatihan yang telah tersimpan di dalam database dan perhitungan metode JST, identitas pemilik tanda tangan dapat diketahui. Proses pengenalan ini dapat digambarkan dalam bentuk flowchart seperti terlihat pada gambar 4.8.
Gambar 4.8 Flowchart Proses Pengenalan Tanda Tangan
4.1.1.4 Proses Backpropagation Metode Backpropagation digunakan untuk mengenali hasil ekstraksi pola dari tanda tangan. Proses ini terdiri dari fase pelatihan dan pengenalan.
60
Fase pelatihan adalah proses dimana setiap ciri atau pola karakter dilatih dan hasil perhitungan bobot disimpan ke database untuk digunakan pada fase pengenalan. Arsitektur jaringan Backpropagation dapat dilihat pada gambar 4.9.
Gambar 4.9 Arsitektur Jaringan Backpropagation Secara ringkas, fase pelatihan Backpropagation adalah sebagai berikut: 0.
Inisialisasi nilai awal berikut: a. Isi nilai bobot (v dan w) dengan nilai acak yang kecil. b. Tentukan learning rate (α) c. Set maksimum epoch atau toleransi error. Perulangan akan berhenti bila epoch mencapai maksimum epoch atau kuadrat error berada dibawah toleransi error. Tahap Feedforward
1.
Isi Nilai pada neuron lapisan tersembunyi (z). Untuk j = 1 to p, hitung:
61
n
z_inj = v0j +
x v
i ij
i 1
zj = f(z_inj) 2.
Isi Nilai pada neuron lapisan output (y). Untuk k = 1 to m, hitung: p
y_ink = w0k +
z
j
w jk
j 1
yk = f(y_ink) Tahap Backpropagation 3.
Hitung informasi errornya untuk mengubah nilai bobot w. Untuk k=1 to m, lakukan: δk = (tk – yk) f’(y_ink) Oleh karena f’(x) = f(x) [1 – f(x)], maka: δk = (tk – yk) f(y_ink) (1 - f(y_ink)) Oleh karena yk = f(y_ink), maka: δk = (tk – yk) yk (1 - yk) Hitung perubahan bobot w: Δwjk = α δk zj dan Δw0k = α δk
4.
Hitung informasi error untuk mengubah nilai bobot v. Untuk j=1 to p, lakukan: m
δ_inj =
k
w jk
k 1
kalikan nilai ini dengan turunan dari fungsi aktivasinya untuk menghitung informasi error:
62
δj = δ_inj f’(z_inj) Oleh karena f’(x) = f(x) [1 – f(x)], maka: δj = δ_inj f(z_inj) (1 – f(z_inj)) Oleh karena zj = f(z_inj), maka: δj = δ_inj zj (1 - zj) Hitung perubahan bobot v : Δvij = α δj xi dan Δv0j = α δj Tahap Update Bobot dan Bias 5.
wjk (baru) = wjk (lama) + Δwjk
Hitung:
vij (baru) = vij (lama) + Δvij 6.
Tes kondisi berhenti, bila epoch mencapai maksimum epoch atau kuadrat error < target error. Dengan demikian, setiap perulangan 1x epoh akan terjadi hal berikut:
a.
tahap feedforward: update semua nilai neuron, z dan kemudian nilai y.
b.
tahap backpropagation: hitung nilai error w dan v.
c.
tahap update bobot: ubah nilai bobot garis w dan v. Hasil perhitungan bobot, w dan v ini akan dihitung dan disimpan ke dalam
database
untuk
digunakan
dalam
fase
pengenalan.
Proses
pelatihan
Backpropagation dapat digambarkan dalam bentuk flowchart seperti terlihat pada gambar 4.10 berikut.
63
START Masukkan: Input : x (n) Target : T (m) dengan m = banyak lapisan output dan n = 400 (hasil ekstraksi ciri 20 x 20)
Tentukan bobot V(i, j) dan W(j,k) secara acak dengan: i = 1 ... n dan j = i ... p Tetapkan MaxEpoh, limit (error minimum yang diharapkan) dan α (Learning Rate)
While (Epoh < MaxEpoh) atau (δ2 > limit)
Untuk setiap pola data yang akan dilatih Xi = angka biner 0 atau 1 dari hasil ekstraksi ciri data Hitung nilai pada lapisan tersembunyi (z) dan lapisan output (y) : TAHAP FEEDFORWARD
Hitung Informasi Error:
TAHAP BACKPROPAGATION
Hitung Bobot: UPDATE BOBOT
Next
End While
END
Gambar 4.10 Flowchart Proses Pelatihan Backpropagation
64
Hasil proses pelatihan backpropagation adalah bobot v dan w yang akan disimpan dan digunakan pada saat proses pengenalan. Agar lebih jelas mengenai proses pelatihan backpropagation, perhatikan contoh berikut. Misalkan, hasil ekstraksi ciri tanda tangan yang akan dilatih seperti terlihat pada gambar 4.11.
Gambar 4.11 Contoh Proses Pelatihan Parameter yang akan digunakan dalam algoritma Backpropagation adalah: 1. Banyak lapisan input (n) = 15 (hasil ekstraksi ciri berupa 3 x 5 kotak) 2. Banyak lapisan hidden (p) = 10 3. Banyak lapisan output (m) = 4 (target / output bernilai 4 bit) 4. alpha = 0.2 dan Maksimum Epoh = 10 Maka, proses pelatihan pola tanda tangan pada gambar 4.11 dengan menggunakan algoritma Backpropagation adalah sebagai berikut: Lihat pada Lampiran B-1 Pada fase pengenalan Backpropagation, hanya tahap feedforward yang perlu dijalankan untuk mendapatkan nilai y. Deretan nilai y adalah bit-bit output yang menunjuk pada salah satu pola yang paling mirip dengan pola input.
65
Sebagai contoh, misalkan dimasukkan gambar tanda tangan hasil ekstraksi ciri untuk dikenali, seperti terlihat pada gambar 4.12.
Gambar 4.12 Pola Tanda Tangan yang Akan Dikenali Hasil ekstraksi ciri dari karakter pada gambar 4.12 adalah “0 0 1 0 0 1 0 1 1 1 0 1 1 1 1”. Dengan mengambil nilai bobot w dan v pada contoh proses pelatihan sebelumnya, maka proses pengenalan dengan mengikuti tahap feedforward adalah sebagai berikut: Lihat pada Lampiran B-46 Pada contoh di atas, bit output yang dihasilkan adalah nilai y(1), y(2), y(3) dan y(4). Dengan demikian, pola tanda tangan yang dirujuk adalah pola yang memiliki target / bit output = 0010. Pada gambar 4.11, pola tanda tangan yang memiliki bit output 0010 adalah pola TTD-2. Dengan demikian, pola TTD-2 pada contoh proses perhitungan backpropagation ini dapat dikenali dengan baik.
4.1.1.5 Proses Perceptron Metode Perceptron terdiri dari suatu input dan output. Arsitektur jaringannya terdiri dari beberapa unit masukan (ditambah sebuah bias), dan memiliki sebuah unit keluaran. Arsitektur jaringan Perceptron dapat dilihat pada gambar 4.13.
66
Gambar 4.13 Arsitektur Jaringan Perceptron Secara ringkas, fase pelatihan Perceptron adalah sebagai berikut: 1. Inisialisasi Bobot Untuk nilai awal, set semua bobot w sama dengan 0. Threshold (Ө) yang digunakan bernilai 0. 2. Kalkulasi aktivasi a. Tingkatkan aktivasi suatu nilai input dihitung oleh contoh penyajian untuk jaringan. b. Untuk setiap set data / pola yang akan dilatih, tingkat aktivasi output (Yk, k=1,2,3,...m, dimana m = banyaknya lapisan output) suatu unit output dihitung dengan: n
Yk = Fh ( X iWki + Ө) i 1
dengan Wki adalah bobot, Xi (i=1,2,3,...n, dimana n = banyaknya lapisan input) adalah bit input dari pola yang akan dilatih, Ө adalah threshold, dan Fh adalah fungsi hard limit, sebagai berikut: 1, jika a > Ө Fh(a) 0, jika a < Ө
67
3. Pelatihan Bobot a. Mengatur bobot dengan: Wki (t + 1) = Wki(t) – ΔWki dengan Wki adalah bobot dari input unit i ke k pada waktu t (atau iterasi ke t) dan ΔWki adalah bobot yang diatur. b. Perubahan bobot dihitung dengan aturan delta: ΔWki = ŋδkXi dengan
ŋ
adalah
tingkat
pembelajaran
percobaan
independen (0 < ŋ < 1) dan δk adalah error pada unit k, yaitu: δj =Tk - Yk dengan Tk merupakan aktivasi output yang diinginkan dan Yk adalah aktivasi output yang sebenarnya pada unit output k. 4. Ulangi iterasi hingga tidak ada bobot w yang berubah pada langkah 3. Untuk fase pengenalan pada metode Perceptron, cukup lakukan poin 2, sehingga mendapatkan deretan nilai output y. Dengan menggunakan pola yang sama seperti terlihat pada gambar 4.11, maka langkah-langkah proses pelatihan metode Perceptron adalah sebagai berikut: Lihat pada lampiran B-48 Untuk proses pengenalan pola pada gambar 4.12, maka langkah-langkah proses pengenalan metode Perceptron adalah sebagai berikut: Lihat pada Lampiran B-57
68
4.1.2
Pembahasan Perancangan
4.1.2.1 Perancangan Tampilan Perancangan aplikasi identifikasi tanda tangan dengan menggunakan metode Perceptron dan Backpropagation ini dilakukan dengan menggunakan bahasa pemograman Microsoft Visual Basic 6.0 (VB6). Aplikasi memiliki 10 buah form, antara lain: 1. Form Splash Screen. 2. Form Utama. 3. Form Buka Gambar. 4. Form Atur Tebal Pensil. 5. Form Pilih Threshold. 6. Form Pelatihan. 7. Form Pengenalan. 8. Form Hasil Pengenalan. 9. Form Database Pengenalan. 10. Form History / log 11. Form About. 4.1.2.1.1 Rancangan Form Splash Screen Form ini menampilkan logo dan nama aplikasi serta identitas mahasiswa penyusun tugas akhir (nama dan NIM). Form ini akan tampil pertama sekali saat aplikasi dijalankan. Rancangan form dapat dilihat pada gambar 4.14.
69
Gambar 4.14 Rancangan Form Splash Screen Keterangan: 1 : label, berisi jurusan dan program studi. 2 : picture box, menampilkan logo (icon) aplikasi. 3 : label, berisi nama aplikasi. 4 : label, berisi nama dan NIM dari penulis / penyusun tugas akhir. 5 : label, berisi nama universitas, kota dan tahun pembuatan aplikasi.
4.1.2.1.2 Rancangan Form Utama Form Utama berfungsi untuk menampilkan gambar tanda tangan yang discan untuk dikenali. Pada form ini, user juga dapat langsung membuat tanda tangannya pada daerah penggambaran. Rancangan form dapat dilihat pada gambar 4.15.
70
Gambar 4.15 Rancangan Form Utama Keterangan: 1 : tombol ‘Buka’, untuk membuka Form “Buka Gambar”. 2 : tombol ‘Kosongkan’, untuk mengosongkan daerah tampilan gambar. 3 : tombol ‘Proses Pengambangan’, untuk melakukan proses thresholding. 4 : tombol ‘Pelatihan Pola’, untuk melatih pola tanda tangan. 5 : tombol ‘Pengenalan Pola’, untuk menampilkan hasil pengenalan tanda tangan dengan membuka Form Proses Pengenalan. 6 : tombol ‘Database’, untuk menampilkan pola tanda tangan yang telah dilatih dan disimpan pada database, dengan membuka Form Database. 7 : tombol ‘About’, untuk membuka Form About.
71
8 : tombol ‘Keluar’, untuk menutup form. 9 : daerah tampilan gambar tanda tangan atau tempat membubuhkan tanda tangan user secara manual.
4.1.2.1.3 Rancangan Form Buka Gambar Form Buka Gambar berfungsi untuk memilih gambar tanda tangan hasil scan yang tersimpan pada harddisk dan akan ditampilkan pada Form Utama. Rancangan Form dapat dilihat pada gambar 4.16.
Gambar 4.16 Rancangan Form Buka Gambar Keterangan: 1 : combobox, untuk memilih drive. 2 : listbox, untuk menampilkan direktori / folder.
72
3 : textbox, untuk menampilkan nama file gambar. 4 : listbox, untuk menampilkan list file yang berupa gambar. 5 : tombol “OK”, untuk memilih file gambar. 6 : daerah tampilan gambar. 7 : ukuran file gambar berupa a x b pixel.
4.1.2.1.4 Form Atur Tebal Pensil Form ini berfungsi untuk mengatur ketebalan pensil yang akan digunakan untuk melakukan coretan tanda tangan. Semakin besar nilai ini, maka semakin tebal pula coretan tinta tanda tangan pada area penggambaran. Form ini akan muncul setelah user menekan klik kanan mouse pada area kosong di form Utama. Rancangan form dapat dilihat pada gambar 4.17.
Gambar 4.17 Rancangan Form Atur Tebal Pensil Keterangan: 1 : label, menampilkan nilai lebar pensil. 2 : slider, untuk memilih nilai lebar pensil. 3 : tombol “OK”, untuk memilih nilai lebar pensil. 4 : tombol “Batal”, untuk membatalkan pengaturan nilai pensil.
73
4.1.2.1.5 Form Pilih Threshold Form ini berfungsi untuk memilih nilai threshold (yang akan digunakan untuk melakukan proses pengambangan terhadap gambar). Form pengaturan akan muncul sesaat setelah user menekan tombol “Proses Pengambangan” pada toolbar. Rancangan form dapat dilihat pada gambar 4.18.
Gambar 4.18 Rancangan Form Pilih Threshold Keterangan: 1 : label, menampilkan nilai threshold. 2 : slider, untuk memilih nilai threshold. 3 : tombol “OK”, untuk memilih nilai threshold dan melakukan proses pengambangan terhadap gambar yang terdapat pada Form Utama. 4 : tombol “Batal”, untuk membatalkan proses pengambangan.
4.1.2.1.6 Rancangan Form Pelatihan Form Pelatihan berfungsi untuk melakukan pelatihan pola terhadap input gambar tanda tangan yang ditampilkan pada Form Utama. Gambar tanda tangan akan diekstraksi ciri dan dilatih dengan menggunakan metode Perceptron dan Backpropagation. Rancangan form dapat dilihat pada gambar 4.19.
74
Gambar 4.19 Rancangan Form Pelatihan Keterangan: 1 : textbox, untuk memasukkan nama dari pemilik tanda tangan. 2 : tombol “Latih Pola Tanda Tangan”, untuk melakukan proses pelatihan pola dan menyimpannya ke dalam database. 3 : picturebox, merupakan daerah hasil ekstraksi ciri tanda tangan (20 x 20 kotak).
4.1.2.1.7 Rancangan Form Pengenalan Form Pengenalan berfungsi untuk melakukan proses pengenalan dan menampilkan hasil pengenalan pada Form Hasil Pengenalan. Rancangan form dapat dilihat pada gambar 4.20.
75
x
Proses Pengenalan
3
Kenali dengan Metode :
1
Nama Pemilik
2
:
No Urut Database :
Kenali Pola TTD
4
Hasil Ekstraksi Ciri Tanda Tangan :
5
Gambar 4.20 Rancangan Form Pengenalan Keterangan: 1 : combobox, berisi pilihan metode JST yang akan digunakan. 2
textbox, untuk menampilkan nama dari pemilik tanda tangan.
3 : textbox, untuk menampilkan nomor urut database. 4 : tombol “Kenali Pola TTD”, untuk melakukan proses pengenalan dan menampilkan gambar tanda tangan pada form Hasil Pengenalan. 5 : picturebox, merupakan daerah hasil ekstraksi ciri tanda tangan (20 x 20 kotak).
76
4.1.2.1.8 Rancangan Form Hasil Pengenalan Form Hasil Pengenalan berfungsi untuk menampilkan hasil dari proses pengenalan yang telah dilakukan oleh Form Proses Pengenalan. Rancangan form dapat dilihat pada gambar 4.21. Hasil Pengenalan dengan Metode X
x
Hasil Pengenalan : Pemilik tanda tangan adalah X
1
2
OK
3
Gambar 4.21 Rancangan Form Hasil Pengenalan Keterangan: 1 : nama pemilik tanda tangan. 2 : gambar tanda tangan yang dikenali. 3 : tombol “OK”, untuk menutup form.
4.1.2.1.9 Rancangan Form Database Form Database berfungsi untuk menampilkan semua pola tanda tangan yang telah dilatih dan disimpan di dalam database. Form ini dibutuhkan user
77
untuk melihat pola tanda tangan beserta identitas pemilik tanda tangan yang telah tersimpan di dalam database. Rancangan form dapat dilihat pada gambar 4.22. x
Database
Nama Pemilik :
Ekstraksi Ciri Pola Tanda Tangan:
1 3 Gambar Tanda Tangan :
2
OK
4
Gambar 4.22 Rancangan Form Database Pengenalan Keterangan: 1 : list, untuk memilih nama pemilik. 2 : picturebox, untuk menampilkan gambar tanda tangan. 3 : pola tanda tangan dari pemilik yang sedang ditunjuk pada list nama. 4 : tombol “OK”, untuk menutup form.
4.1.2.1.10 Rancangan Form About Form ini berfungsi untuk menampilkan identitas dari mahasiswa penyusun tugas akhir dan sekaligus pembuat aplikasi. Rancangan form dapat dilihat pada gambar 4.23.
78
Gambar 4.23 Rancangan Form About Keterangan: 1 : gambar logo aplikasi. 2 : nama aplikasi. 3 : nama dan NIM mahasiswa penyusun tugas akhir. 4 : nama jurusan, program studi, nama universitas dan tahun pembuatan. 5 : tombol ‘OK’, untuk menutup form About. 6 : tombol ‘System Info’, untuk menampilkan kotak dialog “System Information” dari windows, yang berisi spesifikasi software dan hardware dari komputer yang sedang digunakan.
4.1.2.2 Perancangan Database Penulis menggunakan Microsoft Access 2003 untuk menyimpan pola tanda tangan dan bobot hasil pelatihan untuk metode Perceptron dan Backpropagation. Di dalam database, terdapat 3 (dua) buah tabel, yaitu: 1. Tabel ”Pola”.
79
Tabel ini berfungsi untuk menyimpan semua nama pemilik serta pola tanda tangan hasil ekstraksi ciri. Struktur tabelnya adalah tabel 4.1. Tabel 4.1 Tabel ’POLA’ No. 1.
Field Name NamaPemilik
Data Type Text (50)
2.
Input
Text (400)
3.
Output
Text (8)
Keterangan Berisi nama pemilik tanda tangan. Berisi 400 bit biner hasil ekstraksi ciri dari pola 20 x 20. Berisi nomor urut pola dalam bentuk 8 bit biner.
2. Tabel ”HasilPerceptron”. Fungsi dari tabel ini adalah untuk menyimpan bobot W hasil pelatihan dari metode Perceptron. Struktur tabelnya adalah sebagai tabel 4.2. Tabel 4.2 Struktur Tabel ’HasilPerceptron’ No. 1. 2. 3. 4.
Field Name Variabel Indeks1 Indeks2 Nilai
Data Type Text (1) Integer Integer Double
Keterangan Berisi nama variabel”w”. Indeks array-1. Indeks array-2. Nilai bobot.
3. Tabel ”HasilBackpropagation”. Fungsi dari tabel ini adalah untuk menyimpan bobot V dan W hasil pelatihan dari metode Backpropagation. Struktur tabelnya adalah tabel 4.1. Tabel 4.3 Struktur Tabel ’HasilBackpropagation’ No. 1. 2. 3. 4.
Field Name Variabel Indeks1 Indeks2 Nilai
Data Type Text (1) Integer Integer Double
Keterangan Berisi nama variabel ”v” atau ”w”. Indeks array-1. Indeks array-2. Nilai bobot.
80
4.2
Implementasi Subbab implementasi akan berisi hasil output dari pengujian aplikasi.
Output disertai dengan capture screen dari masing-masing form.
4.2.1
Form Splash Screen Setelah aplikasi dijalankan, form splash screen akan muncul. Form ini
berisi nama aplikasi dan identitas penyusun tugas akhir sekaligus pembuat program. Tampilan form splash screen dapat dilihat pada gambar 4.24.
Gambar 4.24 Tampilan Form Splash Screen 4.2.2
Form Utama Beberapa saat kemudian, form utama akan muncul. Form ini berisi
beberapa tombol untuk membuka gambar, mengosongkan area penggambaran tanda tangan, melakukan proses pelatihan pola, melakukan proses pengenalan pola, melihat pola tanda tangan yang ada di dalam database dan menampilkan
81
identitas pembuat tugas akhir melalui form About. Tampilan form utama dapat dilihat pada gambar 4.25.
Gambar 4.25 Tampilan Form Utama Pengguna dapat memilih untuk melakukan penggambaran tanda tangan secara manual dengan mencoret menggunakan mouse pada area penggambaran (kotak yang berwarna putih) atau memilih dan membuka gambar tanda tangan yang berformat bmp, jpg atau gif.
4.2.3
Form Buka Bila user ingin membuka gambar scan tanda tangan, maka klik tombol
”Buka” pada toolbar dan form Buka akan tampil seperti pada gambar 4.26.
82
Gambar 4.26 Tampilan Form Buka
Pilih tombol ”OK” dan gambar tanda tangan akan ter-load pada form Utama seperti terlihat pada gambar 4.27.
83
Gambar 4.27 Gambar Tanda Tangan ter-Load
4.2.4
Form Atur Tebal Pensil Untuk mengatur tebalnya coretan tinta pada area penggambaran, klik
kanan mouse pada area kosong berwarna putih pada form Utama, dan form pengaturan akan muncul seperti pada gambar 4.28.
Gambar 4.28 Tampilan Form Atur Tebal Pensil Semakin besar nilai ketebalan pensil, maka semakin tebal pula coretan tanda tangan pada area penggambaran.
84
4.2.5
Form Pilih Threshold Untuk
melakukan
proses
pengambangan,
tekan
tombol
“Proses
Pengambangan” pada form Utama, dan form input Threshold akan muncul seperti pada gambar 4.29.
Gambar 4.29 Tampilan Form Input Threshold
4.2.6
Form Pelatihan Untuk melakukan proses pelatihan, tekan tombol “Pelatihan Pola” pada
form Utama, dan form Pelatihan akan muncul seperti pada gambar 4.30.
Gambar 4.30 Tampilan Form Pelatihan
85
4.2.7
Form Pengenalan Setelah proses pelatihan selesai, maka pengguna dapat menggunakan
gambar tanda tangan untuk dikenali. Tekan tombol “Pengenalan” untuk melakukan proses pengenalan pada tanda tangan. Form pengenalan akan tampil seperti terlihat pada gambar 4.31.
Gambar 4.31 Tampilan Form Pengenalan
4.2.8
Form Hasil Pengenalan Tekan tombol “Proses Pengenalan” pada Form Pengenalan dan aplikasi
akan melakukan proses pengenalan terhadap pola tanda tangan dengan menggunakan metode Backpropagation. Tampilan hasil pengenalan dapat dilihat pada gambar 4.32.
86
Gambar 4.32 Tampilan Form Hasil Pengenalan
4.2.9
Form Database Tekan tombol “Database” pada form Utama dan aplikasi akan
menampilkan Form Database seperti terlihat pada gambar 4.33.
Gambar 4.33 Tampilan Form Database
87
4.2.10 Form History/Log Untuk membuka form history, pengguna dapat mengklik tombol File pada form utama lalu klik tombol tampilankan history/log. Form History/log akan muncul seperti pada gambar 4.34
Gambar 4.34 Tampilan Form History/log 4.2.11 Form About Untuk membuka form About, pengguna dapat mengklik tombol “About” pada form Utama. Form About akan muncul seperti pada gambar 4.35.
88
Gambar 4.35 Tampilan Form About
4.3
Hasil Pengujian Perceptron merupakan metode JST dengan lapisan tunggal, sedangkan
Backpropagation merupakan metode JST dengan banyak lapisan. Metode Perceptron dengan layar tunggal memiliki keterbatasan dalam pengenalan pola. Kelemahan ini bisa ditanggulangi dengan menambahkan satu atau beberapa layar tersembunyi di antara layar masukan dan layar keluaran. Meskipun penggunaan Backpropagation dengan banyak layar tersembunyi memiliki kelebihan manfaat untuk beberapa kasus, tetapi proses pelatihannya membutuhkan waktu yang lama. Hal ini berbeda dengan metode Perceptron yang sangat cepat. Di dalam aplikasi, spesifikasi jaringan yang digunakan pada masingmasing metode JST dapat dilihat pada tabel 4.4. Tabel 4.4 Spesifikasi Metode JST Spesifikasi Banyaknya lapisan
Perceptron 400
Backpropagation 400
89
Input (n)
(didapatkan dari hasil ekstraksi ciri 20 x 20)
Banyaknya lapisan tersembunyi (m)
Tidak ada
50
Banyaknya lapisan Output (k)
8 (nomor urut pola di dalam database berukuran 8 bit)
8
0.2
0.2
0 Sampai bobot tidak berubah
0.5 1000 (maksimum epoh)
Alpha (tingkat pembelajaran) Threshold Perulangan Proses Pelatihan
Dari beberapa pengujian pada lampiran-2 yang dilakukan oleh penulis, penulis menarik beberapa kesimpulan perbandingan kinerja di antara kedua metode sebagai berikut: 1. Metode Backpropagation yang memiliki arsitektur jaringan multilayer net, memiliki akurasi yang lebih baik, dibandingkan dengan metode Perceptron yang hanya mempunyai jaringan single layer net. 2. Banyaknya lapisan tersembunyi di dalam metode Backpropagation membuat proses pelatihan dan proses pengenalan dengan metode Backpropagation jauh lebih lambat bila dibandingkan dengan metode Perceptron.
4.4
Mekanisme Pencatatan Waktu Untuk mencatat waktu secara real-time dalam proses pelatihan dan proses
pengenalan dengan menggunakan metode Perceptron dan Backpropagation,
90
digunakan syntax “Timer” untuk mendapatkan total detik, dihitung dari pukul 00:00 dini hari. Caranya dapat dilihat pada gambar 4.36.
Gambar 4.36 Mekanisme Pencatatan Waktu di dalam Aplikasi Sebagai contoh, misalkan WaktuMulai = 61986.66 dan WaktuSelesai = 62013.05, maka waktu real-time yang dibutuhkan untuk menyelesaikan proses adalah selesih dari keduanya, yaitu: 26.3899 detik.
BAB V KESIMPULAN DAN SARAN
5.1
Kesimpulan Setelah menyelesaikan aplikasi pengenalan tanda tangan dengan
menggunakan metode Perceptron dan Backpropagation ini, penulis menarik kesimpulan sebagai berikut: 1. Aplikasi dapat melakukan pengenalan pola tanda tangan secara digital dengan menggunakan metode Perceptron dan Backpropagation, sehingga dapat digunakan dan diekmbangkan lebih lanjut untuk diimplementasikan dalam kegiatan administrasi, seperti: verifikasi tanda tangan pada instansi perbankan atau kegiatan administrasi pada perkantoran yang membutuhkan pengenalan tanda tangan. 2. Dari hasil pengujian, proses pelatihan dan pengenalan dengan menggunakan metode Perceptron jauh lebih cepat daripada metode Backpropagation. Tetapi dalam hal keakuratan, metode Backpropagation lebih baik karena metode Backpropagation memiliki lapisan tersembunyi sedangkan Perceptron tidak. 3. Pelatihan pola (fase training) dengan menggunakan metode Perceptron dan Backpropagation dapat dilakukan beberapa kali untuk 1 identitas pemilik. Ini ditujukan untuk meningkatkan akurasi dan meminimalkan kesalahan pengenalan pola terhadap suatu pola tanda tangan.
91 8
92
5.2
Saran Beberapa saran yang dapat diberikan dan mungkin dapat membantu dalam
pengembangan aplikasi ini lebih lanjut adalah : 1. Aplikasi dapat dikembangkan dengan menambahkan metode Jaringan Syaraf Tiruan (JST) lainnya, seperti: Learning Vector Quantization (LVQ), Perceptron, jaringan Kohonen dan metode JST lainnya, sehingga dapat dianalisis dan diketahui metode pengenalan bentuk yang terbaik. 2. Aplikasi ini dapat menjadi dasar bagi aplikasi pengenalan bentuk lainnya yang menggunakan metode jaringan syaraf tiruan, seperti: aplikasi pengenalan karakter tulisan dan aplikasi pengenalan wajah. 3. Hasil pengenalan tanda tangan dapat dikembangkan lebih lanjut untuk diimplementasikan
untuk
mendukung
kegiatan
administrasi,
seperti:
pengenalan tanda tangan pada instansi perbankan atau kegiatan administrasi pada kantor. 4. Hasil pengenalan tanda tangan dapat dikembangkan sampai tahap prosentase keaslian dari pemilik tanda tangan. 5. Seluruh tahapan sampai pada menggunakan mouse.
tahap
pengenalan dilakukan dengan
CURRICULUM VITAE BIODATA Nama
: Haryo Kusuma Pratama
Umur
: 21 Tahun
Tempat/Tanggal Lahir
: Jakarta, 5 September 1989
Alamat Sekarang
: Jl. Tampomas 3 No.18 Blok XI Rt.05/18 Kayuringin Jaya Bekasi Selatan
Nomor Telepon
: 08989292115
Jenis Kelamin
: Laki-laki
Agama
: Islam
Kewarganegaraan
: Indonesia
Status Menikah
: Belum Menikah
Email
:
[email protected]
PENDIDIKAN 2003 - 2006
: SMA Bani Saleh Bekasi.
2000 - 2003
: SMP Islam Raudhatul Jannah.
1994 - 2000
: SD Islam Assyafiiyah Puloair Sukabumi.
Demikian bahwa yang tertuliskan diatas dibuat dengan sebenarnya.
Jakarta, 16 Juni 2011 Hormat Saya
Haryo Kusuma Pratama
DAFTAR PUSTAKA
Desiani, A. dan Arhami, M., 2006, Konsep Kecerdasan Buatan, Yogyakarta : Andi. http://office.microsoft.com/en-gb/access-help/introduction-to-importing-andexporting-data-HA101790599.aspx (15 Oktober 2010) Kusumadewi, S., 2003, Artificial Intelligence (Teknik dan Aplikasinya), Yogyakarta : Graha Ilmu. Kusumo, A.S, 2000, Microsoft Visual Basic 6.0, Jakarta : Elex Media Komputindo. Pressman, R., 2002, Rekayasa Perangkat Lunak, Yogyakarta : Andi. Puspitaningrum, D., 2006, Pengantar Jaringan Syaraf Tiruan, Yogyakarta : Andi. Putra, D., 2008, Sistem Biometrika, Yogyakarta : Andi. Schneier, B., 1996, Applied Cryptography 2nd Edition, John Wiley & Sons. Suyanto, 2011, Artificial Intelligence, Bandung : Informatika.
91
C-1 LAMPIRAN C SOURCE CODE PROGRAM VERSION 5.00 Begin VB.Form frmSplashScreen BorderStyle = 0 'None Caption = "Aplikasi Pengenalan Tanda Tangan" ClientHeight = 4530 ClientLeft = 0 ClientTop = 0 ClientWidth = 7530 Icon = "frmSplashScreen.frx":0000 KeyPreview = -1 'True LinkTopic = "Form1" LockControls = -1 'True ScaleHeight = 4530 ScaleWidth = 7530 ShowInTaskbar = 0 'False StartUpPosition = 2 'CenterScreen Begin VB.PictureBox Picture1 Appearance = 0 'Flat AutoSize = -1 'True BackColor = &H80000005& ForeColor = &H80000008& Height = 4530 Left = 0 Picture = "frmSplashScreen.frx":2CFA ScaleHeight = 4500 ScaleWidth = 7500 TabIndex = 0 Top = 0 Width = 7530 End Begin VB.Timer Timer1 Interval = 1000 Left = 6240 Top = 645 End End Attribute VB_Name = "frmSplashScreen" Attribute VB_GlobalNameSpace = False Attribute VB_Creatable = False Attribute VB_PredeclaredId = True Attribute VB_Exposed = False Option Explicit Private Wkt As Integer Private Sub Form_KeyPress(KeyAscii As Integer) Timer1.Enabled = False Unload Me frmUtama.Show End Sub
Private Sub Form_Load() Wkt = 0 End Sub Private Sub Picture1_Click() Timer1.Enabled = False Unload Me frmUtama.Show End Sub Private Sub Timer1_Timer() Wkt = Wkt + 1 If Wkt = 5 Then Unload Me frmUtama.Show End If End Sub
VERSION 5.00 Begin VB.Form frmBuka BorderStyle = 1 'Fixed Single Caption = "Buka" ClientHeight = 7725 ClientLeft = 45 ClientTop = 435 ClientWidth = 7245 Icon = "frmBuka.frx":0000 LinkTopic = "Form1" LockControls = -1 'True MaxButton = 0 'False MinButton = 0 'False ScaleHeight = 515 ScaleMode = 3 'Pixel ScaleWidth = 483 StartUpPosition = 2 'CenterScreen Begin VB.PictureBox picBoxFoto Appearance = 0 'Flat AutoRedraw = -1 'True AutoSize = -1 'True BackColor = &H80000004& Enabled = 0 'False ForeColor = &H80000008& Height = 3255 Left = 180 ScaleHeight = 215 ScaleMode = 3 'Pixel ScaleWidth = 456 TabIndex = 5 Top = 3960 Visible = 0 'False Width = 6870 End Begin VB.FileListBox filePicture BeginProperty Font Name = "Tahoma"
C-2 Size = 8.25 Charset = 0 Weight = 400 Underline = 0 'False Italic = 0 'False Strikethrough = 0 'False EndProperty Height = 3210 Left = 4725 TabIndex = 4 Top = 120 Width = 2325 End Begin VB.CommandButton cmdOK Caption = "&Ok" BeginProperty Font Name = "Tahoma" Size = 9 Charset = 0 Weight = 700 Underline = 0 'False Italic = 0 'False Strikethrough = 0 'False EndProperty Height = 375 Left = 5760 TabIndex = 3 Top = 3465 Width = 1215 End Begin VB.TextBox txtFileName BeginProperty Font Name = "Tahoma" Size = 8.25 Charset = 0 Weight = 400 Underline = 0 'False Italic = 0 'False Strikethrough = 0 'False EndProperty Height = 315 Left = 1155 TabIndex = 2 Top = 3495 Width = 4515 End Begin VB.DirListBox dirFolder BeginProperty Font Name = "Tahoma" Size = 8.25 Charset = 0 Weight = 400 Underline = 0 'False Italic = 0 'False Strikethrough = 0 'False EndProperty
Height = 2790 Left = 180 TabIndex = 1 Top = 510 Width = 4440 End Begin VB.DriveListBox drvLookIn BeginProperty Font Name = "Tahoma" Size = 8.25 Charset = 0 Weight = 400 Underline = 0 'False Italic = 0 'False Strikethrough = 0 'False EndProperty Height = 315 Left = 930 TabIndex = 0 Top = 120 Width = 3705 End Begin VB.Label lblUkuran BackStyle = 0 'Transparent Caption = "10 x 10 pixel" BeginProperty Font Name = "Tahoma" Size = 8.25 Charset = 0 Weight = 400 Underline = 0 'False Italic = 0 'False Strikethrough = 0 'False EndProperty Height = 345 Left = 180 TabIndex = 8 Top = 7290 Width = 6870 End Begin VB.Image imgFoto BorderStyle = 1 'Fixed Single Height = 3255 Left = 180 Top = 3960 Width = 6870 End Begin VB.Label Label3 BackStyle = 0 'Transparent Caption = "Cari di :" BeginProperty Font Name = "Tahoma" Size = 9 Charset = 0 Weight = 700 Underline = 0 'False
C-3 Italic = 0 'False Strikethrough = 0 'False EndProperty Height = 210 Left = 180 TabIndex = 7 Top = 172 Width = 855 End Begin VB.Label Label1 Caption = "Nama File :" BeginProperty Font Name = "Tahoma" Size = 9 Charset = 0 Weight = 700 Underline = 0 'False Italic = 0 'False Strikethrough = 0 'False EndProperty Height = 255 Left = 120 TabIndex = 6 Top = 3525 Width = 975 End End Attribute VB_Name = "frmBuka" Attribute VB_GlobalNameSpace = False Attribute VB_Creatable = False Attribute VB_PredeclaredId = True Attribute VB_Exposed = False Option Explicit Private Sub cmdOK_Click() On Error GoTo errOpen If Trim(txtFileName.Text) <> "" Then 'Set properti file di status bar With frmUtama .StatusBar1.Panels(1).Text = dirFolder & "\" & filePicture.FileName .StatusBar1.Panels(2).Text = Str(picBoxFoto.ScaleWidth) & " x " & Str(picBoxFoto.ScaleHeight) End With 'Hide Form frmBuka.Hide 'Tipe File If UCase(Right(Trim(txtFileName.Text), 3)) = "JPG" Or _ UCase(Right(Trim(txtFileName.Text), 3)) = "BMP" Or _
UCase(Right(Trim(txtFileName.Text), 3)) = "GIF" Then 'Load gambar With frmUtama .Picture1.Picture = LoadPicture(dirFolder & "\" & filePicture.FileName) .Picture1.Visible = True 'Pindahkan gambar ke tengah Call frmUtama.SetTengah 'Dibatasi 800 x 600 If .Picture1.ScaleWidth > 800 Or .Picture1.ScaleHeight > 600 Then MsgBox "Ukuran file citra " & filePicture.FileName & _ " terlalu besar ! Ukuran maksimum 800 x 600.", vbInformation, "Buka Gambar" 'Kosongkan panel .StatusBar1.Panels(1).Text = "" .StatusBar1.Panels(2).Text = "" 'Show Form Buka frmBuka.Show Exit Sub End If End With End If Else 'File belum dipilih MsgBox "File belum dipilih", vbInformation, "Error Open File" frmUtama.Picture1.Visible = False End If Exit Sub errOpen: If Right(dirFolder, 1) = "\" Then frmUtama.Picture1.Picture = LoadPicture(dirFolder & filePicture.FileName) Else frmUtama.Picture1.Picture = LoadPicture(dirFolder & "\" & filePicture.FileName) End If 'Cek Ukuran
C-4 If frmUtama.Picture1.ScaleWidth > 800 Or frmUtama.Picture1.ScaleHeight > 600 Then MsgBox "Ukuran file citra " & filePicture.FileName & _ " terlalu besar ! Maksimum 800 x 600.", vbInformation, "Buka Gambar" frmUtama.StatusBar1.Panels(1).Text = "" frmUtama.StatusBar1.Panels(2).Text = "" frmBuka.Show Exit Sub End If 'Hide Form frmBuka.Hide
imgFoto.Picture = LoadPicture(dirFolder & filePicture.FileName) Else imgFoto.Picture = LoadPicture(dirFolder & "\" & filePicture.FileName) End If lblUkuran.Caption = "Ukuran piksel : " & Str(picBoxFoto.ScaleWidth) & " x " & _ Str(picBoxFoto.ScaleHeight) End Sub Private Sub Form_Activate() filePicture.Path = dirFolder.Path filePicture.Pattern = "*.jpg;*.bmp;*.gif" End Sub
End Sub Private Sub DirFolder_Change() filePicture.Path = dirFolder.Path filePicture.Pattern = "*.jpg;*.bmp;*.gif" imgFoto.Picture = LoadPicture("") lblUkuran.Caption = " " If filePicture.ListCount = 0 Then txtFileName.Text = "" End If End Sub Private Sub DrvLookIn_Change() On Error GoTo errOpen dirFolder.Path = drvLookIn.Drive imgFoto.Picture = LoadPicture("") lblUkuran.Caption = " " If filePicture.ListCount = 0 Then txtFileName.Text = "" End If Exit Sub errOpen: MsgBox "Drive Kosong !", vbInformation, "Drive Error" drvLookIn.Drive = "C:\" End Sub Private Sub FilePicture_Click() On Error GoTo errOpen txtFileName.Text = filePicture.FileName imgFoto.Picture = LoadPicture(dirFolder & "\" & filePicture.FileName) picBoxFoto.Picture = LoadPicture(dirFolder & "\" & filePicture.FileName) Call Preview lblUkuran.Caption = "Ukuran piksel : " & Str(picBoxFoto.ScaleWidth) & " x " & _ Str(picBoxFoto.ScaleHeight) Exit Sub errOpen: If Right(dirFolder, 1) = "\" Then
Private Sub Preview() imgFoto.Stretch = False If (picBoxFoto.Width <= 200) Then If (picBoxFoto.Height <= 220) Then imgFoto.Height = picBoxFoto.Height imgFoto.Width = picBoxFoto.Width Else imgFoto.Stretch = True imgFoto.Height = 200 imgFoto.Width = picBoxFoto.Width End If Else If (picBoxFoto.Height <= 220) Then imgFoto.Stretch = True imgFoto.Height = picBoxFoto.Height imgFoto.Width = 240 Else imgFoto.Stretch = True imgFoto.Height = 200 imgFoto.Width = 240 End If End If End Sub
VERSION 5.00 Object = "{831FDD16-0C5C-11D2-A9FC0000F8754DA1}#2.0#0"; "Mscomctl.ocx" Object = "{F9043C88-F6F2-101A-A3C908002B2F49FB}#1.2#0"; "Comdlg32.ocx" Begin VB.Form frmUtama Caption = "Pengenalan Tanda Tangan dengan Metode Perceptron dan Metode Backpropagation" ClientHeight = 8445 ClientLeft = 165 ClientTop = 855 ClientWidth = 13770 Icon = "frmUtama.frx":0000 LinkTopic = "Form1"
C-5 LockControls = -1 'True ScaleHeight = 563 ScaleMode = 3 'Pixel ScaleWidth = 918 StartUpPosition = 3 'Windows Default WindowState = 2 'Maximized Begin MSComctlLib.ProgressBar ProgressBar1 Align = 2 'Align Bottom Height = 120 Left = 0 TabIndex = 3 Top = 7995 Visible = 0 'False Width = 13770 _ExtentX = 24289 _ExtentY = 212 _Version = 393216 Appearance = 0 End Begin MSComctlLib.StatusBar StatusBar1 Align = 2 'Align Bottom Height = 330 Left = 0 TabIndex = 2 Top = 8115 Width = 13770 _ExtentX = 24289 _ExtentY = 582 _Version = 393216 BeginProperty Panels {8E3867A5-8586-11D1B16A-00C0F0283628} NumPanels = 6 BeginProperty Panel1 {8E3867AB-8586-11D1B16A-00C0F0283628} AutoSize = 1 Object.Width = 14631 MinWidth = 11324 Text = "C:\" TextSave = "C:\" EndProperty BeginProperty Panel2 {8E3867AB-8586-11D1B16A-00C0F0283628} Alignment = 1 Object.Width = 3175 MinWidth = 3175 Text = "0 x 0 pixels" TextSave = "0 x 0 pixels" EndProperty BeginProperty Panel3 {8E3867AB-8586-11D1B16A-00C0F0283628} Style = 1 Alignment = 1 Enabled = 0 'False Object.Width = 1058 MinWidth = 1058 TextSave = "CAPS"
EndProperty BeginProperty Panel4 {8E3867AB-8586-11D1B16A-00C0F0283628} Style = 2 Alignment = 1 Enabled = 0 'False Object.Width = 1058 MinWidth = 1058 TextSave = "NUM" EndProperty BeginProperty Panel5 {8E3867AB-8586-11D1B16A-00C0F0283628} Style = 3 Alignment = 1 Enabled = 0 'False Object.Width = 1058 MinWidth = 1058 TextSave = "INS" EndProperty BeginProperty Panel6 {8E3867AB-8586-11D1B16A-00C0F0283628} Alignment = 1 Object.Width = 2646 MinWidth = 2646 Text = "0 detik" TextSave = "0 detik" EndProperty EndProperty BeginProperty Font {0BE35203-8F91-11CE9DE3-00AA004BB851} Name = "Tahoma" Size = 8.25 Charset = 0 Weight = 400 Underline = 0 'False Italic = 0 'False Strikethrough = 0 'False EndProperty End Begin MSComctlLib.ImageList ImageList1 Left = 1290 Top = 1860 _ExtentX = 1005 _ExtentY = 1005 BackColor = -2147483643 ImageWidth = 32 ImageHeight = 32 MaskColor = 12632256 _Version = 393216 BeginProperty Images {2C247F25-8591-11D1B16A-00C0F0283628} NumListImages = 8 BeginProperty ListImage1 {2C247F27-859111D1-B16A-00C0F0283628} Picture = "frmUtama.frx":2CFA Key = ""
C-6 EndProperty BeginProperty ListImage2 {2C247F27-859111D1-B16A-00C0F0283628} Picture = "frmUtama.frx":39D4 Key = "" EndProperty BeginProperty ListImage3 {2C247F27-859111D1-B16A-00C0F0283628} Picture = "frmUtama.frx":46AE Key = "" EndProperty BeginProperty ListImage4 {2C247F27-859111D1-B16A-00C0F0283628} Picture = "frmUtama.frx":5388 Key = "" EndProperty BeginProperty ListImage5 {2C247F27-859111D1-B16A-00C0F0283628} Picture = "frmUtama.frx":6062 Key = "" EndProperty BeginProperty ListImage6 {2C247F27-859111D1-B16A-00C0F0283628} Picture = "frmUtama.frx":6D3C Key = "" EndProperty BeginProperty ListImage7 {2C247F27-859111D1-B16A-00C0F0283628} Picture = "frmUtama.frx":7A16 Key = "" EndProperty BeginProperty ListImage8 {2C247F27-859111D1-B16A-00C0F0283628} Picture = "frmUtama.frx":86F0 Key = "" EndProperty EndProperty End Begin MSComctlLib.Toolbar Toolbar1 Align = 1 'Align Top Height = 810 Left = 0 TabIndex = 0 Top = 0 Width = 13770 _ExtentX = 24289 _ExtentY = 1429 ButtonWidth = 2143 ButtonHeight = 1376 Wrappable = 0 'False Appearance = 1 Style = 1 ImageList = "ImageList1" DisabledImageList= "ImageList2" _Version = 393216
BeginProperty Buttons {66833FE8-8583-11D1B16A-00C0F0283628} NumButtons = 10 BeginProperty Button1 {66833FEA-858311D1-B16A-00C0F0283628} Caption = "Buka" Key = "BUKA" Object.ToolTipText = "Buka file gambar (*.bmp, *.gif, *.jpg)" ImageIndex = 1 EndProperty BeginProperty Button2 {66833FEA-858311D1-B16A-00C0F0283628} Caption = "Kosongkan" Key = "KOSONGKAN" Object.ToolTipText = "Kosongkan area penggambaran" ImageIndex = 2 EndProperty BeginProperty Button3 {66833FEA-858311D1-B16A-00C0F0283628} Style = 3 EndProperty BeginProperty Button4 {66833FEA-858311D1-B16A-00C0F0283628} Caption = "Pengambangan" Key = "PENGAMBANGAN" Object.ToolTipText = "Pengambangan (thresholding)" ImageIndex = 3 EndProperty BeginProperty Button5 {66833FEA-858311D1-B16A-00C0F0283628} Caption = "Pelatihan" Key = "PELATIHAN" Object.ToolTipText = "Melatih pola tanda tangan dan menyimpannya ke database" ImageIndex = 4 EndProperty BeginProperty Button6 {66833FEA-858311D1-B16A-00C0F0283628} Caption = "Pengenalan" Key = "PENGENALAN" Object.ToolTipText = "Mengenali identitas pemilik tanda tangan" ImageIndex = 5 EndProperty BeginProperty Button7 {66833FEA-858311D1-B16A-00C0F0283628} Caption = "Database" Key = "DATABASE" Object.ToolTipText = "Database pola tanda tangan yang telah dikenali" ImageIndex = 6 EndProperty
C-7 BeginProperty Button8 {66833FEA-858311D1-B16A-00C0F0283628} Style = 3 EndProperty BeginProperty Button9 {66833FEA-858311D1-B16A-00C0F0283628} Caption = "About" Key = "ABOUT" Object.ToolTipText = "Mengenai pembuat tugas akhir" ImageIndex = 7 EndProperty BeginProperty Button10 {66833FEA-858311D1-B16A-00C0F0283628} Caption = "Keluar" Key = "KELUAR" Object.ToolTipText = "Keluar dari perangkat lunak" ImageIndex = 8 EndProperty EndProperty MousePointer = 99 MouseIcon = "frmUtama.frx":93CA End Begin VB.PictureBox PictureOut Appearance = 0 'Flat BackColor = &H00000000& ForeColor = &H80000008& Height = 7020 Left = 0 ScaleHeight = 466 ScaleMode = 3 'Pixel ScaleWidth = 917 TabIndex = 1 Top = 810 Width = 13785 Begin VB.PictureBox Picture1 Appearance = 0 'Flat AutoRedraw = -1 'True AutoSize = -1 'True BackColor = &H80000005& BorderStyle = 0 'None DrawWidth = 100 FillStyle = 0 'Solid FontTransparent = 0 'False ForeColor = &H00000000& Height = 2535 Left = 5520 MouseIcon = "frmUtama.frx":96E4 MousePointer = 99 'Custom ScaleHeight = 169 ScaleMode = 3 'Pixel ScaleWidth = 191 TabIndex = 4 Top = 2385 Width = 2865
End Begin VB.Timer tmrWaktu Enabled = 0 'False Interval = 10 Left = 2205 Top = 3840 End Begin MSComDlg.CommonDialog CommonDialog1 Left = 750 Top = 1065 _ExtentX = 847 _ExtentY = 847 _Version = 393216 CancelError = -1 'True Filter = "Bitmap File (*.bmp)|*.bmp" End Begin MSComctlLib.ImageList ImageList2 Left = 1875 Top = 1020 _ExtentX = 1005 _ExtentY = 1005 BackColor = -2147483643 ImageWidth = 32 ImageHeight = 32 MaskColor = 12632256 _Version = 393216 BeginProperty Images {2C247F25-8591-11D1B16A-00C0F0283628} NumListImages = 8 BeginProperty ListImage1 {2C247F27-859111D1-B16A-00C0F0283628} Picture = "frmUtama.frx":99EE Key = "" EndProperty BeginProperty ListImage2 {2C247F27-859111D1-B16A-00C0F0283628} Picture = "frmUtama.frx":A6C8 Key = "" EndProperty BeginProperty ListImage3 {2C247F27-859111D1-B16A-00C0F0283628} Picture = "frmUtama.frx":B3A2 Key = "" EndProperty BeginProperty ListImage4 {2C247F27-859111D1-B16A-00C0F0283628} Picture = "frmUtama.frx":C07C Key = "" EndProperty BeginProperty ListImage5 {2C247F27-859111D1-B16A-00C0F0283628} Picture = "frmUtama.frx":CD56 Key = "" EndProperty
C-8 BeginProperty ListImage6 {2C247F27-859111D1-B16A-00C0F0283628} Picture = "frmUtama.frx":DA30 Key = "" EndProperty BeginProperty ListImage7 {2C247F27-859111D1-B16A-00C0F0283628} Picture = "frmUtama.frx":E70A Key = "" EndProperty BeginProperty ListImage8 {2C247F27-859111D1-B16A-00C0F0283628} Picture = "frmUtama.frx":F3E4 Key = "" EndProperty EndProperty End End Begin VB.Menu mnuFile Caption = "File" Begin VB.Menu mnuBuka Caption = "Buka" End Begin VB.Menu mnuBukaLog Caption = "Tampilkan History / Log" End Begin VB.Menu mn1 Caption = "-" End Begin VB.Menu mnuKeluar Caption = "Keluar" End End Begin VB.Menu mnuProses Caption = "Proses" Begin VB.Menu mnuKosongkan Caption = "Kosongkan Area Penggambaran" End Begin VB.Menu mnu2 Caption = "-" End Begin VB.Menu mnuPengambangan Caption = "Proses Pengambangan (Thresholding)" End Begin VB.Menu mnu3 Caption = "-" End Begin VB.Menu mnuPelatihan Caption = "Proses Pelatihan" End Begin VB.Menu mnuPengenalan Caption = "Proses Pengenalan" End Begin VB.Menu mnu4
Caption = "-" End Begin VB.Menu mnuDatabase Caption = "List Database" End End Begin VB.Menu mnuAbout Caption = "About" End End Attribute VB_Name = "frmUtama" Attribute VB_GlobalNameSpace = False Attribute VB_Creatable = False Attribute VB_PredeclaredId = True Attribute VB_Exposed = False Option Explicit Private I As Long Private J As Long 'Waktu Private Waktu As Double Private WaktuMulai As Double 'Is draw mode? Private bDrawMode As Boolean 'Is user drawing? Private DrawNow As Boolean Private Sub Form_Load() 'Thresholding nThreshold = 150 'Pencil Width nPencilWidth = 15 'Aktifkan Con = koneksi ADO ke database access Con.ConnectionString = "Provider=Microsoft.Jet.OLEDB.4.0;Data Source=" &_ App.Path & "\Database.mdb;Persist Security Info=False" Con.Open 'Default Draw Mode Call Kosongkan End Sub Private Sub Form_Resize() On Error Resume Next 'Pada saat form di-Resize (diubah ukurannya) If Me.Width < 5000 Then Me.Width = 5000 If Me.Height < 3000 Then Me.Height = 3000
C-9 PictureOut.Move 0, Toolbar1.Height, Me.ScaleWidth, Me.ScaleHeight - Toolbar1.Height StatusBar1.Height 'Geser gambar ke tengah Call SetTengah End Sub 'Prosedur untuk menggeser gambar ke tengah Public Sub SetTengah() With frmUtama .Picture1.Move (.ScaleWidth - .Picture1.Width) \ 2, _ (.ScaleHeight - .Toolbar1.Height .StatusBar1.Height - .Picture1.Height) \ 2 End With
End Sub Private Sub mnuPengenalan_Click() frmPengenalan.Show vbModal End Sub Private Sub tmrWaktu_Timer() 'Periksa selisih waktu dengan waktu mulai Waktu = Timer - WaktuMulai StatusBar1.Panels(6).Text = Format(Waktu, "0.00") & " detik" End Sub Private Sub Toolbar1_ButtonClick(ByVal Button As MSComctlLib.Button) Select Case Button.Key
End Sub
Case "BUKA":
Private Sub Form_Unload(Cancel As Integer)
Case "KOSONGKAN":
'Tutup koneksi ke Access Con.Close Set Con = Nothing End End Sub Private Sub mnuAbout_Click() frmAbout.Show vbModal End Sub Private Sub mnuBuka_Click() Call BukaFile End Sub
Call BukaFile
Case "PENGAMBANGAN": Pengambangan
frmPelatihan.Show
Case frmPengenalan.Show vbModal
"PENGENALAN":
Case "DATABASE": vbModal
frmDatabase.Show
Case "ABOUT": vbModal
frmAbout.Show
End
End Select End Sub
Private Sub mnuDatabase_Click() frmDatabase.Show vbModal End Sub Private Sub mnuKeluar_Click() End End Sub
Call
Case "PELATIHAN": vbModal
Case "KELUAR": Private Sub mnuBukaLog_Click() frmLog.Show vbModal End Sub
Call Kosongkan
Private Sub BukaFile() 'Buka File frmBuka.Show vbModal 'Jika gambar tidak kosong If Picture1.Picture <> 0 Then
Private Sub mnuPelatihan_Click() frmPelatihan.Show vbModal End Sub
'Set draw mode = false bDrawMode = False
Private Sub mnuPengambangan_Click() Call Pengambangan
'Hidupkan Tombol With Toolbar1
C-10 .Buttons(4).Enabled = True 'Pengambangan mnuPengambangan.Enabled = True .Buttons(5).Enabled = False 'Pelatihan Pola mnuPelatihan.Enabled = False .Buttons(6).Enabled = False 'Pengenalan Pola mnuPengenalan.Enabled = False End With
Picture1.PSet (X, Y) Else 'Right click frmTebalPensil.Show vbModal End If End If End Sub
'Default Picture1.MousePointer = 0
Private Sub Picture1_MouseMove(Button As Integer, Shift As Integer, X As Single, Y As Single)
End If If bDrawMode Then End Sub Private Sub Kosongkan() 'Set Draw Mode bDrawMode = True 'Hapus gambar Picture1.Cls Set Picture1.Picture = Nothing 'Set posisi dan ukuran Picture1 Picture1.Move 0, Toolbar1.Height, 300, 300 Call SetTengah 'Custom Picture1.MousePointer = 99 'Hidupkan Tombol With Toolbar1 .Buttons(4).Enabled = False 'Pengambangan mnuPengambangan.Enabled = False .Buttons(5).Enabled = False 'Pelatihan Pola mnuPelatihan.Enabled = False .Buttons(6).Enabled = False 'Pengenalan Pola mnuPengenalan.Enabled = False End With
'Tebal pensil Picture1.DrawWidth = nPencilWidth If DrawNow Then 'Set piksel Picture1.PSet (X, Y) DoEvents If mnuPengambangan.Enabled = False Then 'Hidupkan Tombol With Toolbar1 .Buttons(4).Enabled = True 'Pengambangan mnuPengambangan.Enabled = True .Buttons(5).Enabled = False 'Pelatihan Pola mnuPelatihan.Enabled = False .Buttons(6).Enabled = False 'Pengenalan Pola mnuPengenalan.Enabled = False End With End If End If End If
End Sub
End Sub
'---------------' DRAW MODE '----------------
Private Sub Picture1_MouseUp(Button As Integer, Shift As Integer, X As Single, Y As Single) DrawNow = False
Private Sub Picture1_MouseDown(Button As Integer, Shift As Integer, X As Single, Y As Single) 'Mouse click If bDrawMode Then If Button = 1 Then 'Left click DrawNow = True Picture1.DrawWidth = nPencilWidth
End Sub 'Prosedur untuk melakukan Pengambangan Private Sub Pengambangan() 'Dalam fase Draw, tidak perlu thresholding If bDrawMode = True Then 'Hidupkan Tombol
C-11 With Toolbar1 .Buttons(4).Enabled = False 'Pengambangan mnuPengambangan.Enabled = False .Buttons(5).Enabled = True 'Pelatihan mnuPelatihan.Enabled = True .Buttons(6).Enabled = True 'Pengenalan mnuPengenalan.Enabled = True End With Exit Sub End If 'Show Threshold frmThreshold.Show vbModal If bCancel = True Then Exit Sub 'Matikan Tombol With Toolbar1 .Buttons(1).Enabled = False 'Buka mnuBuka.Enabled = False .Buttons(2).Enabled = False 'Kosongkan mnuKosongkan.Enabled = False .Buttons(4).Enabled = False 'Pengambangan mnuPengambangan.Enabled = False .Buttons(5).Enabled = False 'Pelatihan mnuPelatihan.Enabled = False .Buttons(6).Enabled = False 'Pengenalan mnuPengenalan.Enabled = False .Buttons(7).Enabled = False 'Database mnuDatabase.Enabled = False End With DoEvents '-----------------------------'LAKUKAN PROSES PENGAMBANGAN '-----------------------------'Warna RGB Dim Warna As WarnaRGB Dim Gray As Long 'Timer Waktu WaktuMulai = Timer tmrWaktu.Enabled = True 'Kembalikan gambar ke gambar asli If bDrawMode Then SavePicture Picture1.Image, App.Path & "\pic.tmp" Picture1.Picture = LoadPicture(App.Path & "\pic.tmp") End If 'Progress Bar 1 ProgressBar1.Value = 0 ProgressBar1.Max = Picture1.ScaleWidth
ProgressBar1.Visible = True 'Ubah gambar ke Gray Scale For I = 0 To Picture1.ScaleWidth - 1 For J = 0 To Picture1.ScaleHeight - 1 'Warna piksel dalam RGB Warna = GetRGB(Picture1, I, J) 'Nilai Grayscale Gray = Grayscale(Warna) If Gray >= nThreshold Then 'Lebih besar dari threshold, set nilai menjadi putih SetPixel Picture1.hdc, I, J, RGB(255, 255, 255) Else 'Lebih kecil dari threshold, set nilai menjadi hitam SetPixel Picture1.hdc, I, J, RGB(0, 0, 0) End If Next J 'Refresh Picture Box Picture1.Refresh DoEvents 'Progress Bar ProgressBar1.Value = ProgressBar1.Value + 1 Next I 'Progress Bar ProgressBar1.Visible = False 'Timer Waktu tmrWaktu.Enabled = False 'Hidupkan Tombol With Toolbar1 .Buttons(1).Enabled = True 'Buka mnuBuka.Enabled = True .Buttons(2).Enabled = True 'Kosongkan mnuKosongkan.Enabled = True .Buttons(4).Enabled = False 'Pengambangan mnuPengambangan.Enabled = False .Buttons(5).Enabled = True 'Pelatihan mnuPelatihan.Enabled = True .Buttons(6).Enabled = True 'Pengenalan mnuPengenalan.Enabled = True .Buttons(7).Enabled = True 'Database mnuDatabase.Enabled = True End With
C-12
End Sub
B-1 LAMPIRAN B HASIL PENGUJIAN PROSES PERHITUNGAN A. Hasil proses pelatihan pola tanda tangan pada gambar 3.11 dengan menggunakan algoritma Backpropagation ( hal.62) Data ke-1 : X = 010101111010101 T = 0001 Data ke-2 : X = 001001011101111 T = 0010 Pengacakan Nilai Bobot V dari nilai -0.5 sampai 0.5 --------------------------------------------------V(0,1) = -0.3295 V(0,2) = -0.4123 V(0,3) = 0.3674 V(0,4) = -0.2374 V(0,5) = -0.423 V(0,6) = 0.3995 V(0,7) = -0.3335 V(0,8) = -0.1346 V(0,9) = -0.4657 V(0,10) = -0.4724 V(1,1) = 0.282 V(1,2) = 0.019 V(1,3) = -0.4576 V(1,4) = -0.0278 V(1,5) = 0.2138 V(1,6) = 0.4889 V(1,7) = 0.1324 V(1,8) = 0.4676 V(1,9) = 0.1965 V(1,10) = 0.2753 V(2,1) = -0.2267 V(2,2) = -0.4551 V(2,3) = 0.4956 V(2,4) = 0.3781 V(2,5) = -0.2694 V(2,6) = -0.3269 V(2,7) = 0.1111 V(2,8) = -0.4683 V(2,9) = 0.0042 V(2,10) = 0.1177 V(3,1) = 0.0429 V(3,2) = 0.2672 V(3,3) = 0.3287 V(3,4) = -0.3869 V(3,5) = 0.0256 V(3,6) = 0.0536 V(3,7) = 0.2352 V(3,8) = 0.4249 V(3,9) = 0.3247 V(3,10) = -0.1092 V(4,1) = 0.1925 V(4,2) = -0.447 V(4,3) = -0.0598 V(4,4) = 0.31
B-2 V(4,5) = 0.2006 V(4,6) = -0.0024 V(4,7) = -0.3936 V(4,8) = -0.2201 V(4,9) = -0.2094 V(4,10) = -0.2414 V(5,1) = -0.1453 V(5,2) = -0.4337 V(5,3) = 0.4315 V(5,4) = -0.4296 V(5,5) = 0.1538 V(5,6) = 0.4035 V(5,7) = 0.3888 V(5,8) = -0.3015 V(5,9) = -0.2307 V(5,10) = -0.1773 V(6,1) = -0.3376 V(6,2) = 0.1431 V(6,3) = 0.4355 V(6,4) = 0.2926 V(6,5) = -0.0131 V(6,6) = -0.3615 V(6,7) = -0.3162 V(6,8) = 0.079 V(6,9) = -0.3722 V(6,10) = -0.2842 V(7,1) = -0.0171 V(7,2) = 0.1818 V(7,3) = -0.4149 V(7,4) = -0.156 V(7,5) = -0.4016 V(7,6) = 0.3354 V(7,7) = -0.1413 V(7,8) = 0.2886 V(7,9) = 0.2646 V(7,10) = -0.1947 V(8,1) = 0.4488 V(8,2) = -0.216 V(8,3) = -0.4871 V(8,4) = -0.4083 V(8,5) = 0.0897 V(8,6) = -0.4042 V(8,7) = -0.188 V(8,8) = -0.3055 V(8,9) = 0.047 V(8,10) = -0.0105 V(9,1) = 0.4274 V(9,2) = -0.1519 V(9,3) = 0.3206 V(9,4) = 0.1685 V(9,5) = 0.0937 V(9,6) = 0.318 V(9,7) = -0.3549 V(9,8) = -0.0705 V(9,9) = 0.342 V(9,10) = 0.1044 V(10,1) = 0.286 V(10,2) = -0.2587 V(10,3) = -0.3589 V(10,4) = 0.2072 V(10,5) = 0.2433 V(10,6) = -0.1306 V(10,7) = 0.2565
B-3 V(10,8) = 0.3608 V(10,9) = -0.4831 V(10,10) = 0.314 V(11,1) = -0.0772 V(11,2) = 0.0963 V(11,3) = 0.107 V(11,4) = 0.075 V(11,5) = 0.1711 V(11,6) = -0.3829 V(11,7) = -0.2521 V(11,8) = -0.1133 V(11,9) = 0.4702 V(11,10) = -0.2801 V(12,1) = -0.2948 V(12,2) = 0.0149 V(12,3) = 0.0856 V(12,4) = 0.1391 V(12,5) = -0.0212 V(12,6) = 0.4595 V(12,7) = -0.2481 V(12,8) = -0.391 V(12,9) = 0.3033 V(12,10) = -0.0451 V(13,1) = 0.0002 V(13,2) = 0.3954 V(13,3) = -0.0558 V(13,4) = 0.0322 V(13,5) = 0.2993 V(13,6) = 0.2326 V(13,7) = -0.0985 V(13,8) = 0.1604 V(13,9) = -0.3508 V(13,10) = -0.3482 V(14,1) = 0.1751 V(14,2) = 0.3394 V(14,3) = -0.419 V(14,4) = 0.1217 V(14,5) = 0.4996 V(14,6) = 0.1004 V(14,7) = -0.4363 V(14,8) = -0.0919 V(14,9) = 0.4061 V(14,10) = -0.0878 V(15,1) = 0.1284 V(15,2) = 0.0109 V(15,3) = 0.3634 V(15,4) = 0.0403 V(15,5) = 0.4783 V(15,6) = 0.1645 V(15,7) = 0.3715 V(15,8) = 0.4849 V(15,9) = 0.4101 V(15,10) = -0.3656 W(0,1) = -0.0385 W(0,2) = 0.2459 W(0,3) = 0.3928 W(0,4) = 0.4208 W(1,1) = -0.3976 W(1,2) = 0.0576 W(1,3) = -0.0425 W(1,4) = -0.4764 W(2,1) = -0.4403 W(2,2) = 0.1858
B-4 W(2,3) = 0.3074 W(2,4) = -0.3228 W(3,1) = -0.1667 W(3,2) = -0.3696 W(3,3) = 0.2392 W(3,4) = 0.1471 W(4,1) = 0.1578 W(4,2) = 0.1258 W(4,3) = 0.2219 W(4,4) = -0.0665 W(5,1) = 0.0643 W(5,2) = 0.2031 W(5,3) = -0.479 W(5,4) = 0.0363 W(6,1) = 0.0216 W(6,2) = 0.3313 W(6,3) = 0.1365 W(6,4) = 0.1899 W(7,1) = 0.0296 W(7,2) = -0.4897 W(7,3) = 0.0683 W(7,4) = -0.3402 W(8,1) = -0.3803 W(8,2) = 0.2713 W(8,3) = 0.051 W(8,4) = 0.4462 W(9,1) = 0.2606 W(9,2) = 0.0831 W(9,3) = 0.3501 W(9,4) = -0.451 W(10,1) = 0.2179 W(10,2) = 0.2112 W(10,3) = -0.0344 W(10,4) = -0.0318 EPOH KE – 1 * Data ke – 1 = pola TTD-1 X = 010101111010101 z_in(1) = V(0,1) + (X(1) * V(1,1)) + (X(2) * V(2,1)) + (X(3) * V(3,1)) + (X(4) * V(4,1)) + (X(5) * V(5,1)) + (X(6) * V(6,1)) + (X(7) * V(7,1)) + (X(8) * V(8,1)) + (X(9) * V(9,1)) + (X(10) * V(10,1)) + (X(11) * V(11,1)) + (X(12) * V(12,1)) + (X(13) * V(13,1)) + (X(14) * V(14,1)) + (X(15) * V(15,1)) z_in(1) = -0.3295 + (0 * 0.282) + (1 * -0.2267) + (0 * 0.0429) + (1 * 0.1925) + (0 * -0.1453) + (1 * -0.3376) + (1 * -0.0171) + (1 * 0.4488) + (1 * 0.4274) + (0 * 0.286) + (1 * -0.0772) + (0 * -0.2948) + (1 * 0.0002) + (0 * 0.1751) + (1 * 0.1284) z_in(1) = -0.3295 + 0.5387 = 0.2092 z(1) = f(z_in(1)) = 0.5521 z_in(2) = V(0,2) + (X(1) * V(1,2)) + (X(2) * V(2,2)) + (X(3) * V(3,2)) (X(4) * V(4,2)) + (X(5) * V(5,2)) + (X(6) * V(6,2)) + (X(7) * V(7,2)) (X(8) * V(8,2)) + (X(9) * V(9,2)) + (X(10) * V(10,2)) + (X(11) * V(11,2)) (X(12) * V(12,2)) + (X(13) * V(13,2)) + (X(14) * V(14,2)) + (X(15) V(15,2)) z_in(2) = -0.4123 + (0 * 0.019) + (1 * -0.4551) + (0 * 0.2672) + (1 * 0.447) + (0 * -0.4337) + (1 * 0.1431) + (1 * 0.1818) + (1 * -0.216) + (1 * 0.1519) + (0 * -0.2587) + (1 * 0.0963) + (0 * 0.0149) + (1 * 0.3954) + (0 0.3394) + (1 * 0.0109) z_in(2) = -0.4123 + -0.4425 = -0.8548 z(2) = f(z_in(2)) = 0.2984
+ + + * *
B-5
z_in(3) = V(0,3) + (X(1) * V(1,3)) + (X(2) * V(2,3)) + (X(3) * V(3,3)) (X(4) * V(4,3)) + (X(5) * V(5,3)) + (X(6) * V(6,3)) + (X(7) * V(7,3)) (X(8) * V(8,3)) + (X(9) * V(9,3)) + (X(10) * V(10,3)) + (X(11) * V(11,3)) (X(12) * V(12,3)) + (X(13) * V(13,3)) + (X(14) * V(14,3)) + (X(15) V(15,3)) z_in(3) = 0.3674 + (0 * -0.4576) + (1 * 0.4956) + (0 * 0.3287) + (1 * 0.0598) + (0 * 0.4315) + (1 * 0.4355) + (1 * -0.4149) + (1 * -0.4871) + (1 0.3206) + (0 * -0.3589) + (1 * 0.107) + (0 * 0.0856) + (1 * -0.0558) + (0 -0.419) + (1 * 0.3634) z_in(3) = 0.3674 + 0.7045 = 1.0719 z(3) = f(z_in(3)) = 0.745
+ + + *
z_in(4) = V(0,4) + (X(1) * V(1,4)) + (X(2) * V(2,4)) + (X(3) * V(3,4)) (X(4) * V(4,4)) + (X(5) * V(5,4)) + (X(6) * V(6,4)) + (X(7) * V(7,4)) (X(8) * V(8,4)) + (X(9) * V(9,4)) + (X(10) * V(10,4)) + (X(11) * V(11,4)) (X(12) * V(12,4)) + (X(13) * V(13,4)) + (X(14) * V(14,4)) + (X(15) V(15,4)) z_in(4) = -0.2374 + (0 * -0.0278) + (1 * 0.3781) + (0 * -0.3869) + (1 0.31) + (0 * -0.4296) + (1 * 0.2926) + (1 * -0.156) + (1 * -0.4083) + (1 0.1685) + (0 * 0.2072) + (1 * 0.075) + (0 * 0.1391) + (1 * 0.0322) + (0 0.1217) + (1 * 0.0403) z_in(4) = -0.2374 + 0.7324 = 0.495 z(4) = f(z_in(4)) = 0.6213
+ + + *
z_in(5) = V(0,5) + (X(1) * V(1,5)) + (X(2) * V(2,5)) + (X(3) * V(3,5)) (X(4) * V(4,5)) + (X(5) * V(5,5)) + (X(6) * V(6,5)) + (X(7) * V(7,5)) (X(8) * V(8,5)) + (X(9) * V(9,5)) + (X(10) * V(10,5)) + (X(11) * V(11,5)) (X(12) * V(12,5)) + (X(13) * V(13,5)) + (X(14) * V(14,5)) + (X(15) V(15,5)) z_in(5) = -0.423 + (0 * 0.2138) + (1 * -0.2694) + (0 * 0.0256) + (1 0.2006) + (0 * 0.1538) + (1 * -0.0131) + (1 * -0.4016) + (1 * 0.0897) + (1 0.0937) + (0 * 0.2433) + (1 * 0.1711) + (0 * -0.0212) + (1 * 0.2993) + (0 0.4996) + (1 * 0.4783) z_in(5) = -0.423 + 0.6486 = 0.2256 z(5) = f(z_in(5)) = 0.5562
+ + + *
z_in(6) = V(0,6) + (X(1) * V(1,6)) + (X(2) * V(2,6)) + (X(3) * V(3,6)) (X(4) * V(4,6)) + (X(5) * V(5,6)) + (X(6) * V(6,6)) + (X(7) * V(7,6)) (X(8) * V(8,6)) + (X(9) * V(9,6)) + (X(10) * V(10,6)) + (X(11) * V(11,6)) (X(12) * V(12,6)) + (X(13) * V(13,6)) + (X(14) * V(14,6)) + (X(15) V(15,6)) z_in(6) = 0.3995 + (0 * 0.4889) + (1 * -0.3269) + (0 * 0.0536) + (1 * 0.0024) + (0 * 0.4035) + (1 * -0.3615) + (1 * 0.3354) + (1 * -0.4042) + (1 0.318) + (0 * -0.1306) + (1 * -0.3829) + (0 * 0.4595) + (1 * 0.2326) + (0 0.1004) + (1 * 0.1645) z_in(6) = 0.3995 + -0.4274 = -0.0279 z(6) = f(z_in(6)) = 0.493
+ + + *
* *
* * *
* * *
* *
z_in(7) = V(0,7) + (X(1) * V(1,7)) + (X(2) * V(2,7)) + (X(3) * V(3,7)) + (X(4) * V(4,7)) + (X(5) * V(5,7)) + (X(6) * V(6,7)) + (X(7) * V(7,7)) + (X(8) * V(8,7)) + (X(9) * V(9,7)) + (X(10) * V(10,7)) + (X(11) * V(11,7)) + (X(12) * V(12,7)) + (X(13) * V(13,7)) + (X(14) * V(14,7)) + (X(15) * V(15,7)) z_in(7) = -0.3335 + (0 * 0.1324) + (1 * 0.1111) + (0 * 0.2352) + (1 * 0.3936) + (0 * 0.3888) + (1 * -0.3162) + (1 * -0.1413) + (1 * -0.188) + (1 * -0.3549) + (0 * 0.2565) + (1 * -0.2521) + (0 * -0.2481) + (1 * -0.0985) + (0 * -0.4363) + (1 * 0.3715) z_in(7) = -0.3335 + -1.262 = -1.5955 z(7) = f(z_in(7)) = 0.1686 z_in(8) = V(0,8) + (X(1) * V(1,8)) + (X(2) * V(2,8)) + (X(3) * V(3,8)) + (X(4) * V(4,8)) + (X(5) * V(5,8)) + (X(6) * V(6,8)) + (X(7) * V(7,8)) +
B-6 (X(8) * V(8,8)) + (X(9) * V(9,8)) + (X(10) * V(10,8)) + (X(11) * V(11,8)) (X(12) * V(12,8)) + (X(13) * V(13,8)) + (X(14) * V(14,8)) + (X(15) V(15,8)) z_in(8) = -0.1346 + (0 * 0.4676) + (1 * -0.4683) + (0 * 0.4249) + (1 * 0.2201) + (0 * -0.3015) + (1 * 0.079) + (1 * 0.2886) + (1 * -0.3055) + (1 -0.0705) + (0 * 0.3608) + (1 * -0.1133) + (0 * -0.391) + (1 * 0.1604) + (0 -0.0919) + (1 * 0.4849) z_in(8) = -0.1346 + -0.1648 = -0.2994 z(8) = f(z_in(8)) = 0.4257
+ *
z_in(9) = V(0,9) + (X(1) * V(1,9)) + (X(2) * V(2,9)) + (X(3) * V(3,9)) (X(4) * V(4,9)) + (X(5) * V(5,9)) + (X(6) * V(6,9)) + (X(7) * V(7,9)) (X(8) * V(8,9)) + (X(9) * V(9,9)) + (X(10) * V(10,9)) + (X(11) * V(11,9)) (X(12) * V(12,9)) + (X(13) * V(13,9)) + (X(14) * V(14,9)) + (X(15) V(15,9)) z_in(9) = -0.4657 + (0 * 0.1965) + (1 * 0.0042) + (0 * 0.3247) + (1 * 0.2094) + (0 * -0.2307) + (1 * -0.3722) + (1 * 0.2646) + (1 * 0.047) + (1 0.342) + (0 * -0.4831) + (1 * 0.4702) + (0 * 0.3033) + (1 * -0.3508) + (0 0.4061) + (1 * 0.4101) z_in(9) = -0.4657 + 0.6057 = 0.14 z(9) = f(z_in(9)) = 0.5349
+ + + *
* *
* *
z_in(10) = V(0,10) + (X(1) * V(1,10)) + (X(2) * V(2,10)) + (X(3) * V(3,10)) + (X(4) * V(4,10)) + (X(5) * V(5,10)) + (X(6) * V(6,10)) + (X(7) * V(7,10)) + (X(8) * V(8,10)) + (X(9) * V(9,10)) + (X(10) * V(10,10)) + (X(11) * V(11,10)) + (X(12) * V(12,10)) + (X(13) * V(13,10)) + (X(14) * V(14,10)) + (X(15) * V(15,10)) z_in(10) = -0.4724 + (0 * 0.2753) + (1 * 0.1177) + (0 * -0.1092) + (1 * 0.2414) + (0 * -0.1773) + (1 * -0.2842) + (1 * -0.1947) + (1 * -0.0105) + (1 * 0.1044) + (0 * 0.314) + (1 * -0.2801) + (0 * -0.0451) + (1 * -0.3482) + (0 * -0.0878) + (1 * -0.3656) z_in(10) = -0.4724 + -1.5026 = -1.975 z(10) = f(z_in(10)) = 0.1219 y_in(1) = w(0,1) + (z(1) * w(1,1)) + (z(2) * w(2,1)) + (z(3) * w(3,1)) + (z(4) * w(4,1)) + (z(5) * w(5,1)) + (z(6) * w(6,1)) + (z(7) * w(7,1)) + (z(8) * w(8,1)) + (z(9) * w(9,1)) + (z(10) * w(10,1)) y_in(1) = -0.0385 + (0.5521 * -0.3976) + (0.2984 * -0.4403) + (0.745 * 0.1667) + (0.6213 * 0.1578) + (0.5562 * 0.0643) + (0.493 * 0.0216) + (0.1686 * 0.0296) + (0.4257 * -0.3803) + (0.5349 * 0.2606) + (0.1219 * 0.2179) y_in(1) = -0.0385 + -0.3216 = -0.3601 y(1) = f(y_in(1)) = 0.4109 y_in(2) = w(0,2) + (z(1) * w(1,2)) + (z(2) * w(2,2)) + (z(3) * w(3,2)) + (z(4) * w(4,2)) + (z(5) * w(5,2)) + (z(6) * w(6,2)) + (z(7) * w(7,2)) + (z(8) * w(8,2)) + (z(9) * w(9,2)) + (z(10) * w(10,2)) y_in(2) = 0.2459 + (0.5521 * 0.0576) + (0.2984 * 0.1858) + (0.745 * -0.3696) + (0.6213 * 0.1258) + (0.5562 * 0.2031) + (0.493 * 0.3313) + (0.1686 * 0.4897) + (0.4257 * 0.2713) + (0.5349 * 0.0831) + (0.1219 * 0.2112) y_in(2) = 0.2459 + 0.2695 = 0.5154 y(2) = f(y_in(2)) = 0.6261 y_in(3) = w(0,3) + (z(1) * w(1,3)) + (z(2) * w(2,3)) + (z(3) * w(3,3)) + (z(4) * w(4,3)) + (z(5) * w(5,3)) + (z(6) * w(6,3)) + (z(7) * w(7,3)) + (z(8) * w(8,3)) + (z(9) * w(9,3)) + (z(10) * w(10,3)) y_in(3) = 0.3928 + (0.5521 * -0.0425) + (0.2984 * 0.3074) + (0.745 * 0.2392) + (0.6213 * 0.2219) + (0.5562 * -0.479) + (0.493 * 0.1365) + (0.1686 * 0.0683) + (0.4257 * 0.051) + (0.5349 * 0.3501) + (0.1219 * -0.0344) y_in(3) = 0.3928 + 0.4015 = 0.7943 y(3) = f(y_in(3)) = 0.6888 y_in(4) = w(0,4) + (z(1) * w(1,4)) + (z(2) * w(2,4)) + (z(3) * w(3,4)) + (z(4) * w(4,4)) + (z(5) * w(5,4)) + (z(6) * w(6,4)) + (z(7) * w(7,4)) +
B-7 (z(8) * w(8,4)) + (z(9) * w(9,4)) + (z(10) * w(10,4)) y_in(4) = 0.4208 + (0.5521 * -0.4764) + (0.2984 * -0.3228) + (0.745 * 0.1471) + (0.6213 * -0.0665) + (0.5562 * 0.0363) + (0.493 * 0.1899) + (0.1686 * -0.3402) + (0.4257 * 0.4462) + (0.5349 * -0.451) + (0.1219 * 0.0318) y_in(4) = 0.4208 + -0.2898 = 0.131 y(4) = f(y_in(4)) = 0.5327 Delta(1) = (T(1) - Y(1)) * Y(1) * (1 - Y(1)) Delta(1) = (0 - 0.4109) * 0.4109 * (1 - 0.4109) Delta(1) = -0.0995 Delta(2) = (T(2) - Y(2)) * Y(2) * (1 - Y(2)) Delta(2) = (0 - 0.6261) * 0.6261 * (1 - 0.6261) Delta(2) = -0.1466 Delta(3) = (T(3) - Y(3)) * Y(3) * (1 - Y(3)) Delta(3) = (0 - 0.6888) * 0.6888 * (1 - 0.6888) Delta(3) = -0.1476 Delta(4) = (T(4) - Y(4)) * Y(4) * (1 - Y(4)) Delta(4) = (1 - 0.5327) * 0.5327 * (1 - 0.5327) Delta(4) = 0.1163 DeltaW(1,1) = Alpha * Delta(1) * z(1) DeltaW(1,1) = 0.2 * -0.0995 * 0.5521 = -0.011 DeltaW(1,2) = Alpha * Delta(2) * z(1) DeltaW(1,2) = 0.2 * -0.1466 * 0.5521 = -0.0162 DeltaW(1,3) = Alpha * Delta(3) * z(1) DeltaW(1,3) = 0.2 * -0.1476 * 0.5521 = -0.0163 DeltaW(1,4) = Alpha * Delta(4) * z(1) DeltaW(1,4) = 0.2 * 0.1163 * 0.5521 = 0.0128 DeltaW(2,1) = Alpha * Delta(1) * z(2) DeltaW(2,1) = 0.2 * -0.0995 * 0.2984 = -0.0059 DeltaW(2,2) = Alpha * Delta(2) * z(2) DeltaW(2,2) = 0.2 * -0.1466 * 0.2984 = -0.0087 DeltaW(2,3) = Alpha * Delta(3) * z(2) DeltaW(2,3) = 0.2 * -0.1476 * 0.2984 = -0.0088 DeltaW(2,4) = Alpha * Delta(4) * z(2) DeltaW(2,4) = 0.2 * 0.1163 * 0.2984 = 0.0069 DeltaW(3,1) = Alpha * Delta(1) * z(3) DeltaW(3,1) = 0.2 * -0.0995 * 0.745 = -0.0148 DeltaW(3,2) = Alpha * Delta(2) * z(3) DeltaW(3,2) = 0.2 * -0.1466 * 0.745 = -0.0218 DeltaW(3,3) = Alpha * Delta(3) * z(3) DeltaW(3,3) = 0.2 * -0.1476 * 0.745 = -0.022 DeltaW(3,4) = Alpha * Delta(4) * z(3) DeltaW(3,4) = 0.2 * 0.1163 * 0.745 = 0.0173 DeltaW(4,1) = Alpha * Delta(1) * z(4) DeltaW(4,1) = 0.2 * -0.0995 * 0.6213 = -0.0124
B-8 DeltaW(4,2) = Alpha * Delta(2) * z(4) DeltaW(4,2) = 0.2 * -0.1466 * 0.6213 = -0.0182 DeltaW(4,3) = Alpha * Delta(3) * z(4) DeltaW(4,3) = 0.2 * -0.1476 * 0.6213 = -0.0183 DeltaW(4,4) = Alpha * Delta(4) * z(4) DeltaW(4,4) = 0.2 * 0.1163 * 0.6213 = 0.0145 DeltaW(5,1) = Alpha * Delta(1) * z(5) DeltaW(5,1) = 0.2 * -0.0995 * 0.5562 = -0.0111 DeltaW(5,2) = Alpha * Delta(2) * z(5) DeltaW(5,2) = 0.2 * -0.1466 * 0.5562 = -0.0163 DeltaW(5,3) = Alpha * Delta(3) * z(5) DeltaW(5,3) = 0.2 * -0.1476 * 0.5562 = -0.0164 DeltaW(5,4) = Alpha * Delta(4) * z(5) DeltaW(5,4) = 0.2 * 0.1163 * 0.5562 = 0.0129 DeltaW(6,1) = Alpha * Delta(1) * z(6) DeltaW(6,1) = 0.2 * -0.0995 * 0.493 = -0.0098 DeltaW(6,2) = Alpha * Delta(2) * z(6) DeltaW(6,2) = 0.2 * -0.1466 * 0.493 = -0.0145 DeltaW(6,3) = Alpha * Delta(3) * z(6) DeltaW(6,3) = 0.2 * -0.1476 * 0.493 = -0.0146 DeltaW(6,4) = Alpha * Delta(4) * z(6) DeltaW(6,4) = 0.2 * 0.1163 * 0.493 = 0.0115 DeltaW(7,1) = Alpha * Delta(1) * z(7) DeltaW(7,1) = 0.2 * -0.0995 * 0.1686 = -0.0034 DeltaW(7,2) = Alpha * Delta(2) * z(7) DeltaW(7,2) = 0.2 * -0.1466 * 0.1686 = -0.0049 DeltaW(7,3) = Alpha * Delta(3) * z(7) DeltaW(7,3) = 0.2 * -0.1476 * 0.1686 = -0.005 DeltaW(7,4) = Alpha * Delta(4) * z(7) DeltaW(7,4) = 0.2 * 0.1163 * 0.1686 = 0.0039 DeltaW(8,1) = Alpha * Delta(1) * z(8) DeltaW(8,1) = 0.2 * -0.0995 * 0.4257 = -0.0085 DeltaW(8,2) = Alpha * Delta(2) * z(8) DeltaW(8,2) = 0.2 * -0.1466 * 0.4257 = -0.0125 DeltaW(8,3) = Alpha * Delta(3) * z(8) DeltaW(8,3) = 0.2 * -0.1476 * 0.4257 = -0.0126 DeltaW(8,4) = Alpha * Delta(4) * z(8) DeltaW(8,4) = 0.2 * 0.1163 * 0.4257 = 0.0099 DeltaW(9,1) = Alpha * Delta(1) * z(9) DeltaW(9,1) = 0.2 * -0.0995 * 0.5349 = -0.0106 DeltaW(9,2) = Alpha * Delta(2) * z(9) DeltaW(9,2) = 0.2 * -0.1466 * 0.5349 = -0.0157
B-9 DeltaW(9,3) = Alpha * Delta(3) * z(9) DeltaW(9,3) = 0.2 * -0.1476 * 0.5349 = -0.0158 DeltaW(9,4) = Alpha * Delta(4) * z(9) DeltaW(9,4) = 0.2 * 0.1163 * 0.5349 = 0.0124 DeltaW(10,1) = Alpha * Delta(1) * z(10) DeltaW(10,1) = 0.2 * -0.0995 * 0.1219 = -0.0024 DeltaW(10,2) = Alpha * Delta(2) * z(10) DeltaW(10,2) = 0.2 * -0.1466 * 0.1219 = -0.0036 DeltaW(10,3) = Alpha * Delta(3) * z(10) DeltaW(10,3) = 0.2 * -0.1476 * 0.1219 = -0.0036 DeltaW(10,4) = Alpha * Delta(4) * z(10) DeltaW(10,4) = 0.2 * 0.1163 * 0.1219 = 0.0028 DeltaW(0,1) = Alpha * Delta(1) DeltaW(0,1) = 0.2 * -0.0995 = -0.0199 DeltaW(0,2) = Alpha * Delta(2) DeltaW(0,2) = 0.2 * -0.1466 = -0.0293 DeltaW(0,3) = Alpha * Delta(3) DeltaW(0,3) = 0.2 * -0.1476 = -0.0295 DeltaW(0,4) = Alpha * Delta(4) DeltaW(0,4) = 0.2 * 0.1163 = 0.0233 Delta_in(1) = (Delta(1) * w(1,1)) + (Delta(2) * w(1,2)) + (Delta(3) * w(1,3)) + (Delta(4) * w(1,4)) Delta_in(1) = (-0.0995 * -0.3976) + (-0.1466 * 0.0576) + (-0.1476 * -0.0425) + (0.1163 * -0.4764) Delta_in(1) = -0.018 Delta2(1) = (Delta_in(1) * z(1) * (1 - z(1)) Delta2(1) = (-0.018 * 0.5521 * (1 - 0.5521) Delta2(1) = -0.0045 Delta_in(2) = (Delta(1) * w(2,1)) + (Delta(2) * w(2,2)) + (Delta(3) * w(2,3)) + (Delta(4) * w(2,4)) Delta_in(2) = (-0.0995 * -0.4403) + (-0.1466 * 0.1858) + (-0.1476 * 0.3074) + (0.1163 * -0.3228) Delta_in(2) = -0.0663 Delta2(2) = (Delta_in(2) * z(2) * (1 - z(2)) Delta2(2) = (-0.0663 * 0.2984 * (1 - 0.2984) Delta2(2) = -0.0139 Delta_in(3) = (Delta(1) * w(3,1)) + (Delta(2) * w(3,2)) + (Delta(3) * w(3,3)) + (Delta(4) * w(3,4)) Delta_in(3) = (-0.0995 * -0.1667) + (-0.1466 * -0.3696) + (-0.1476 * 0.2392) + (0.1163 * 0.1471) Delta_in(3) = 0.0526 Delta2(3) = (Delta_in(3) * z(3) * (1 - z(3)) Delta2(3) = (0.0526 * 0.745 * (1 - 0.745) Delta2(3) = 0.01 Delta_in(4) = (Delta(1) * w(4,1)) + (Delta(2) * w(4,2)) + (Delta(3) * w(4,3)) + (Delta(4) * w(4,4)) Delta_in(4) = (-0.0995 * 0.1578) + (-0.1466 * 0.1258) + (-0.1476 * 0.2219) +
B-10 (0.1163 * -0.0665) Delta_in(4) = -0.0746 Delta2(4) = (Delta_in(4) * z(4) * (1 - z(4)) Delta2(4) = (-0.0746 * 0.6213 * (1 - 0.6213) Delta2(4) = -0.0176 Delta_in(5) = (Delta(1) * w(5,1)) + (Delta(2) * w(5,2)) + (Delta(3) * w(5,3)) + (Delta(4) * w(5,4)) Delta_in(5) = (-0.0995 * 0.0643) + (-0.1466 * 0.2031) + (-0.1476 * -0.479) + (0.1163 * 0.0363) Delta_in(5) = 0.0387 Delta2(5) = (Delta_in(5) * z(5) * (1 - z(5)) Delta2(5) = (0.0387 * 0.5562 * (1 - 0.5562) Delta2(5) = 0.0096 Delta_in(6) = (Delta(1) * w(6,1)) + (Delta(2) * w(6,2)) + (Delta(3) * w(6,3)) + (Delta(4) * w(6,4)) Delta_in(6) = (-0.0995 * 0.0216) + (-0.1466 * 0.3313) + (-0.1476 * 0.1365) + (0.1163 * 0.1899) Delta_in(6) = -0.0488 Delta2(6) = (Delta_in(6) * z(6) * (1 - z(6)) Delta2(6) = (-0.0488 * 0.493 * (1 - 0.493) Delta2(6) = -0.0122 Delta_in(7) = (Delta(1) * w(7,1)) + (Delta(2) * w(7,2)) + (Delta(3) * w(7,3)) + (Delta(4) * w(7,4)) Delta_in(7) = (-0.0995 * 0.0296) + (-0.1466 * -0.4897) + (-0.1476 * 0.0683) + (0.1163 * -0.3402) Delta_in(7) = 0.0192 Delta2(7) = (Delta_in(7) * z(7) * (1 - z(7)) Delta2(7) = (0.0192 * 0.1686 * (1 - 0.1686) Delta2(7) = 0.0027 Delta_in(8) = (Delta(1) * w(8,1)) + (Delta(2) * w(8,2)) + (Delta(3) * w(8,3)) + (Delta(4) * w(8,4)) Delta_in(8) = (-0.0995 * -0.3803) + (-0.1466 * 0.2713) + (-0.1476 * 0.051) + (0.1163 * 0.4462) Delta_in(8) = 0.0424 Delta2(8) = (Delta_in(8) * z(8) * (1 - z(8)) Delta2(8) = (0.0424 * 0.4257 * (1 - 0.4257) Delta2(8) = 0.0104 Delta_in(9) = (Delta(1) * w(9,1)) + (Delta(2) * w(9,2)) + (Delta(3) * w(9,3)) + (Delta(4) * w(9,4)) Delta_in(9) = (-0.0995 * 0.2606) + (-0.1466 * 0.0831) + (-0.1476 * 0.3501) + (0.1163 * -0.451) Delta_in(9) = -0.1422 Delta2(9) = (Delta_in(9) * z(9) * (1 - z(9)) Delta2(9) = (-0.1422 * 0.5349 * (1 - 0.5349) Delta2(9) = -0.0354 Delta_in(10) = (Delta(1) * w(10,1)) + (Delta(2) * w(10,2)) + (Delta(3) * w(10,3)) + (Delta(4) * w(10,4)) Delta_in(10) = (-0.0995 * 0.2179) + (-0.1466 * 0.2112) + (-0.1476 * -0.0344) + (0.1163 * -0.0318) Delta_in(10) = -0.0513
B-11 Delta2(10) = (Delta_in(10) * z(10) * (1 - z(10)) Delta2(10) = (-0.0513 * 0.1219 * (1 - 0.1219) Delta2(10) = -0.0055 DeltaV(1,1) = Alpha * Delta2(1) * X(1) DeltaV(1,1) = 0.2 * -0.0045 * 0 = 0 DeltaV(1,2) = Alpha * Delta2(2) * X(1) DeltaV(1,2) = 0.2 * -0.0139 * 0 = 0 DeltaV(1,3) = Alpha * Delta2(3) * X(1) DeltaV(1,3) = 0.2 * 0.01 * 0 = 0 DeltaV(1,4) = Alpha * Delta2(4) * X(1) DeltaV(1,4) = 0.2 * -0.0176 * 0 = 0 DeltaV(1,5) = Alpha * Delta2(5) * X(1) DeltaV(1,5) = 0.2 * 0.0096 * 0 = 0 DeltaV(1,6) = Alpha * Delta2(6) * X(1) DeltaV(1,6) = 0.2 * -0.0122 * 0 = 0 DeltaV(1,7) = Alpha * Delta2(7) * X(1) DeltaV(1,7) = 0.2 * 0.0027 * 0 = 0 DeltaV(1,8) = Alpha * Delta2(8) * X(1) DeltaV(1,8) = 0.2 * 0.0104 * 0 = 0 DeltaV(1,9) = Alpha * Delta2(9) * X(1) DeltaV(1,9) = 0.2 * -0.0354 * 0 = 0 DeltaV(1,10) = Alpha * Delta2(10) * X(1) DeltaV(1,10) = 0.2 * -0.0055 * 0 = 0 DeltaV(2,1) = Alpha * Delta2(1) * X(2) DeltaV(2,1) = 0.2 * -0.0045 * 1 = -0.0009 DeltaV(2,2) = Alpha * Delta2(2) * X(2) DeltaV(2,2) = 0.2 * -0.0139 * 1 = -0.00278 DeltaV(2,3) = Alpha * Delta2(3) * X(2) DeltaV(2,3) = 0.2 * 0.01 * 1 = 0.002 DeltaV(2,4) = Alpha * Delta2(4) * X(2) DeltaV(2,4) = 0.2 * -0.0176 * 1 = -0.00352 DeltaV(2,5) = Alpha * Delta2(5) * X(2) DeltaV(2,5) = 0.2 * 0.0096 * 1 = 0.00192 DeltaV(2,6) = Alpha * Delta2(6) * X(2) DeltaV(2,6) = 0.2 * -0.0122 * 1 = -0.00244 DeltaV(2,7) = Alpha * Delta2(7) * X(2) DeltaV(2,7) = 0.2 * 0.0027 * 1 = 0.00054 DeltaV(2,8) = Alpha * Delta2(8) * X(2) DeltaV(2,8) = 0.2 * 0.0104 * 1 = 0.00208 DeltaV(2,9) = Alpha * Delta2(9) * X(2) DeltaV(2,9) = 0.2 * -0.0354 * 1 = -0.00708 DeltaV(2,10) = Alpha * Delta2(10) * X(2) DeltaV(2,10) = 0.2 * -0.0055 * 1 = -0.0011 DeltaV(3,1) = Alpha * Delta2(1) * X(3) DeltaV(3,1) = 0.2 * -0.0045 * 0 = 0 DeltaV(3,2) = Alpha * Delta2(2) * X(3) DeltaV(3,2) = 0.2 * -0.0139 * 0 = 0 DeltaV(3,3) = Alpha * Delta2(3) * X(3) DeltaV(3,3) = 0.2 * 0.01 * 0 = 0 DeltaV(3,4) = Alpha * Delta2(4) * X(3) DeltaV(3,4) = 0.2 * -0.0176 * 0 = 0 DeltaV(3,5) = Alpha * Delta2(5) * X(3) DeltaV(3,5) = 0.2 * 0.0096 * 0 = 0 DeltaV(3,6) = Alpha * Delta2(6) * X(3) DeltaV(3,6) = 0.2 * -0.0122 * 0 = 0 DeltaV(3,7) = Alpha * Delta2(7) * X(3) DeltaV(3,7) = 0.2 * 0.0027 * 0 = 0 DeltaV(3,8) = Alpha * Delta2(8) * X(3) DeltaV(3,8) = 0.2 * 0.0104 * 0 = 0 DeltaV(3,9) = Alpha * Delta2(9) * X(3) DeltaV(3,9) = 0.2 * -0.0354 * 0 = 0 DeltaV(3,10) = Alpha * Delta2(10) * X(3)
B-12 DeltaV(3,10) = 0.2 * -0.0055 * 0 = 0 DeltaV(4,1) = Alpha * Delta2(1) * X(4) DeltaV(4,1) = 0.2 * -0.0045 * 1 = -0.0009 DeltaV(4,2) = Alpha * Delta2(2) * X(4) DeltaV(4,2) = 0.2 * -0.0139 * 1 = -0.00278 DeltaV(4,3) = Alpha * Delta2(3) * X(4) DeltaV(4,3) = 0.2 * 0.01 * 1 = 0.002 DeltaV(4,4) = Alpha * Delta2(4) * X(4) DeltaV(4,4) = 0.2 * -0.0176 * 1 = -0.00352 DeltaV(4,5) = Alpha * Delta2(5) * X(4) DeltaV(4,5) = 0.2 * 0.0096 * 1 = 0.00192 DeltaV(4,6) = Alpha * Delta2(6) * X(4) DeltaV(4,6) = 0.2 * -0.0122 * 1 = -0.00244 DeltaV(4,7) = Alpha * Delta2(7) * X(4) DeltaV(4,7) = 0.2 * 0.0027 * 1 = 0.00054 DeltaV(4,8) = Alpha * Delta2(8) * X(4) DeltaV(4,8) = 0.2 * 0.0104 * 1 = 0.00208 DeltaV(4,9) = Alpha * Delta2(9) * X(4) DeltaV(4,9) = 0.2 * -0.0354 * 1 = -0.00708 DeltaV(4,10) = Alpha * Delta2(10) * X(4) DeltaV(4,10) = 0.2 * -0.0055 * 1 = -0.0011 DeltaV(5,1) = Alpha * Delta2(1) * X(5) DeltaV(5,1) = 0.2 * -0.0045 * 0 = 0 DeltaV(5,2) = Alpha * Delta2(2) * X(5) DeltaV(5,2) = 0.2 * -0.0139 * 0 = 0 DeltaV(5,3) = Alpha * Delta2(3) * X(5) DeltaV(5,3) = 0.2 * 0.01 * 0 = 0 DeltaV(5,4) = Alpha * Delta2(4) * X(5) DeltaV(5,4) = 0.2 * -0.0176 * 0 = 0 DeltaV(5,5) = Alpha * Delta2(5) * X(5) DeltaV(5,5) = 0.2 * 0.0096 * 0 = 0 DeltaV(5,6) = Alpha * Delta2(6) * X(5) DeltaV(5,6) = 0.2 * -0.0122 * 0 = 0 DeltaV(5,7) = Alpha * Delta2(7) * X(5) DeltaV(5,7) = 0.2 * 0.0027 * 0 = 0 DeltaV(5,8) = Alpha * Delta2(8) * X(5) DeltaV(5,8) = 0.2 * 0.0104 * 0 = 0 DeltaV(5,9) = Alpha * Delta2(9) * X(5) DeltaV(5,9) = 0.2 * -0.0354 * 0 = 0 DeltaV(5,10) = Alpha * Delta2(10) * X(5) DeltaV(5,10) = 0.2 * -0.0055 * 0 = 0 DeltaV(6,1) = Alpha * Delta2(1) * X(6) DeltaV(6,1) = 0.2 * -0.0045 * 1 = -0.0009 DeltaV(6,2) = Alpha * Delta2(2) * X(6) DeltaV(6,2) = 0.2 * -0.0139 * 1 = -0.00278 DeltaV(6,3) = Alpha * Delta2(3) * X(6) DeltaV(6,3) = 0.2 * 0.01 * 1 = 0.002 DeltaV(6,4) = Alpha * Delta2(4) * X(6) DeltaV(6,4) = 0.2 * -0.0176 * 1 = -0.00352 DeltaV(6,5) = Alpha * Delta2(5) * X(6) DeltaV(6,5) = 0.2 * 0.0096 * 1 = 0.00192 DeltaV(6,6) = Alpha * Delta2(6) * X(6) DeltaV(6,6) = 0.2 * -0.0122 * 1 = -0.00244 DeltaV(6,7) = Alpha * Delta2(7) * X(6) DeltaV(6,7) = 0.2 * 0.0027 * 1 = 0.00054 DeltaV(6,8) = Alpha * Delta2(8) * X(6) DeltaV(6,8) = 0.2 * 0.0104 * 1 = 0.00208 DeltaV(6,9) = Alpha * Delta2(9) * X(6) DeltaV(6,9) = 0.2 * -0.0354 * 1 = -0.00708 DeltaV(6,10) = Alpha * Delta2(10) * X(6) DeltaV(6,10) = 0.2 * -0.0055 * 1 = -0.0011 DeltaV(7,1) = Alpha * Delta2(1) * X(7) DeltaV(7,1) = 0.2 * -0.0045 * 1 = -0.0009
B-13 DeltaV(7,2) = Alpha * Delta2(2) * X(7) DeltaV(7,2) = 0.2 * -0.0139 * 1 = -0.00278 DeltaV(7,3) = Alpha * Delta2(3) * X(7) DeltaV(7,3) = 0.2 * 0.01 * 1 = 0.002 DeltaV(7,4) = Alpha * Delta2(4) * X(7) DeltaV(7,4) = 0.2 * -0.0176 * 1 = -0.00352 DeltaV(7,5) = Alpha * Delta2(5) * X(7) DeltaV(7,5) = 0.2 * 0.0096 * 1 = 0.00192 DeltaV(7,6) = Alpha * Delta2(6) * X(7) DeltaV(7,6) = 0.2 * -0.0122 * 1 = -0.00244 DeltaV(7,7) = Alpha * Delta2(7) * X(7) DeltaV(7,7) = 0.2 * 0.0027 * 1 = 0.00054 DeltaV(7,8) = Alpha * Delta2(8) * X(7) DeltaV(7,8) = 0.2 * 0.0104 * 1 = 0.00208 DeltaV(7,9) = Alpha * Delta2(9) * X(7) DeltaV(7,9) = 0.2 * -0.0354 * 1 = -0.00708 DeltaV(7,10) = Alpha * Delta2(10) * X(7) DeltaV(7,10) = 0.2 * -0.0055 * 1 = -0.0011 DeltaV(8,1) = Alpha * Delta2(1) * X(8) DeltaV(8,1) = 0.2 * -0.0045 * 1 = -0.0009 DeltaV(8,2) = Alpha * Delta2(2) * X(8) DeltaV(8,2) = 0.2 * -0.0139 * 1 = -0.00278 DeltaV(8,3) = Alpha * Delta2(3) * X(8) DeltaV(8,3) = 0.2 * 0.01 * 1 = 0.002 DeltaV(8,4) = Alpha * Delta2(4) * X(8) DeltaV(8,4) = 0.2 * -0.0176 * 1 = -0.00352 DeltaV(8,5) = Alpha * Delta2(5) * X(8) DeltaV(8,5) = 0.2 * 0.0096 * 1 = 0.00192 DeltaV(8,6) = Alpha * Delta2(6) * X(8) DeltaV(8,6) = 0.2 * -0.0122 * 1 = -0.00244 DeltaV(8,7) = Alpha * Delta2(7) * X(8) DeltaV(8,7) = 0.2 * 0.0027 * 1 = 0.00054 DeltaV(8,8) = Alpha * Delta2(8) * X(8) DeltaV(8,8) = 0.2 * 0.0104 * 1 = 0.00208 DeltaV(8,9) = Alpha * Delta2(9) * X(8) DeltaV(8,9) = 0.2 * -0.0354 * 1 = -0.00708 DeltaV(8,10) = Alpha * Delta2(10) * X(8) DeltaV(8,10) = 0.2 * -0.0055 * 1 = -0.0011 DeltaV(9,1) = Alpha * Delta2(1) * X(9) DeltaV(9,1) = 0.2 * -0.0045 * 1 = -0.0009 DeltaV(9,2) = Alpha * Delta2(2) * X(9) DeltaV(9,2) = 0.2 * -0.0139 * 1 = -0.00278 DeltaV(9,3) = Alpha * Delta2(3) * X(9) DeltaV(9,3) = 0.2 * 0.01 * 1 = 0.002 DeltaV(9,4) = Alpha * Delta2(4) * X(9) DeltaV(9,4) = 0.2 * -0.0176 * 1 = -0.00352 DeltaV(9,5) = Alpha * Delta2(5) * X(9) DeltaV(9,5) = 0.2 * 0.0096 * 1 = 0.00192 DeltaV(9,6) = Alpha * Delta2(6) * X(9) DeltaV(9,6) = 0.2 * -0.0122 * 1 = -0.00244 DeltaV(9,7) = Alpha * Delta2(7) * X(9) DeltaV(9,7) = 0.2 * 0.0027 * 1 = 0.00054 DeltaV(9,8) = Alpha * Delta2(8) * X(9) DeltaV(9,8) = 0.2 * 0.0104 * 1 = 0.00208 DeltaV(9,9) = Alpha * Delta2(9) * X(9) DeltaV(9,9) = 0.2 * -0.0354 * 1 = -0.00708 DeltaV(9,10) = Alpha * Delta2(10) * X(9) DeltaV(9,10) = 0.2 * -0.0055 * 1 = -0.0011 DeltaV(10,1) = Alpha * Delta2(1) * X(10) DeltaV(10,1) = 0.2 * -0.0045 * 0 = 0 DeltaV(10,2) = Alpha * Delta2(2) * X(10) DeltaV(10,2) = 0.2 * -0.0139 * 0 = 0 DeltaV(10,3) = Alpha * Delta2(3) * X(10)
B-14 DeltaV(10,3) = 0.2 * 0.01 * 0 = 0 DeltaV(10,4) = Alpha * Delta2(4) * X(10) DeltaV(10,4) = 0.2 * -0.0176 * 0 = 0 DeltaV(10,5) = Alpha * Delta2(5) * X(10) DeltaV(10,5) = 0.2 * 0.0096 * 0 = 0 DeltaV(10,6) = Alpha * Delta2(6) * X(10) DeltaV(10,6) = 0.2 * -0.0122 * 0 = 0 DeltaV(10,7) = Alpha * Delta2(7) * X(10) DeltaV(10,7) = 0.2 * 0.0027 * 0 = 0 DeltaV(10,8) = Alpha * Delta2(8) * X(10) DeltaV(10,8) = 0.2 * 0.0104 * 0 = 0 DeltaV(10,9) = Alpha * Delta2(9) * X(10) DeltaV(10,9) = 0.2 * -0.0354 * 0 = 0 DeltaV(10,10) = Alpha * Delta2(10) * X(10) DeltaV(10,10) = 0.2 * -0.0055 * 0 = 0 DeltaV(11,1) = Alpha * Delta2(1) * X(11) DeltaV(11,1) = 0.2 * -0.0045 * 1 = -0.0009 DeltaV(11,2) = Alpha * Delta2(2) * X(11) DeltaV(11,2) = 0.2 * -0.0139 * 1 = -0.00278 DeltaV(11,3) = Alpha * Delta2(3) * X(11) DeltaV(11,3) = 0.2 * 0.01 * 1 = 0.002 DeltaV(11,4) = Alpha * Delta2(4) * X(11) DeltaV(11,4) = 0.2 * -0.0176 * 1 = -0.00352 DeltaV(11,5) = Alpha * Delta2(5) * X(11) DeltaV(11,5) = 0.2 * 0.0096 * 1 = 0.00192 DeltaV(11,6) = Alpha * Delta2(6) * X(11) DeltaV(11,6) = 0.2 * -0.0122 * 1 = -0.00244 DeltaV(11,7) = Alpha * Delta2(7) * X(11) DeltaV(11,7) = 0.2 * 0.0027 * 1 = 0.00054 DeltaV(11,8) = Alpha * Delta2(8) * X(11) DeltaV(11,8) = 0.2 * 0.0104 * 1 = 0.00208 DeltaV(11,9) = Alpha * Delta2(9) * X(11) DeltaV(11,9) = 0.2 * -0.0354 * 1 = -0.00708 DeltaV(11,10) = Alpha * Delta2(10) * X(11) DeltaV(11,10) = 0.2 * -0.0055 * 1 = -0.0011 DeltaV(12,1) = Alpha * Delta2(1) * X(12) DeltaV(12,1) = 0.2 * -0.0045 * 0 = 0 DeltaV(12,2) = Alpha * Delta2(2) * X(12) DeltaV(12,2) = 0.2 * -0.0139 * 0 = 0 DeltaV(12,3) = Alpha * Delta2(3) * X(12) DeltaV(12,3) = 0.2 * 0.01 * 0 = 0 DeltaV(12,4) = Alpha * Delta2(4) * X(12) DeltaV(12,4) = 0.2 * -0.0176 * 0 = 0 DeltaV(12,5) = Alpha * Delta2(5) * X(12) DeltaV(12,5) = 0.2 * 0.0096 * 0 = 0 DeltaV(12,6) = Alpha * Delta2(6) * X(12) DeltaV(12,6) = 0.2 * -0.0122 * 0 = 0 DeltaV(12,7) = Alpha * Delta2(7) * X(12) DeltaV(12,7) = 0.2 * 0.0027 * 0 = 0 DeltaV(12,8) = Alpha * Delta2(8) * X(12) DeltaV(12,8) = 0.2 * 0.0104 * 0 = 0 DeltaV(12,9) = Alpha * Delta2(9) * X(12) DeltaV(12,9) = 0.2 * -0.0354 * 0 = 0 DeltaV(12,10) = Alpha * Delta2(10) * X(12) DeltaV(12,10) = 0.2 * -0.0055 * 0 = 0 DeltaV(13,1) = Alpha * Delta2(1) * X(13) DeltaV(13,1) = 0.2 * -0.0045 * 1 = -0.0009 DeltaV(13,2) = Alpha * Delta2(2) * X(13) DeltaV(13,2) = 0.2 * -0.0139 * 1 = -0.00278 DeltaV(13,3) = Alpha * Delta2(3) * X(13) DeltaV(13,3) = 0.2 * 0.01 * 1 = 0.002 DeltaV(13,4) = Alpha * Delta2(4) * X(13) DeltaV(13,4) = 0.2 * -0.0176 * 1 = -0.00352
B-15 DeltaV(13,5) = Alpha * Delta2(5) * X(13) DeltaV(13,5) = 0.2 * 0.0096 * 1 = 0.00192 DeltaV(13,6) = Alpha * Delta2(6) * X(13) DeltaV(13,6) = 0.2 * -0.0122 * 1 = -0.00244 DeltaV(13,7) = Alpha * Delta2(7) * X(13) DeltaV(13,7) = 0.2 * 0.0027 * 1 = 0.00054 DeltaV(13,8) = Alpha * Delta2(8) * X(13) DeltaV(13,8) = 0.2 * 0.0104 * 1 = 0.00208 DeltaV(13,9) = Alpha * Delta2(9) * X(13) DeltaV(13,9) = 0.2 * -0.0354 * 1 = -0.00708 DeltaV(13,10) = Alpha * Delta2(10) * X(13) DeltaV(13,10) = 0.2 * -0.0055 * 1 = -0.0011 DeltaV(14,1) = Alpha * Delta2(1) * X(14) DeltaV(14,1) = 0.2 * -0.0045 * 0 = 0 DeltaV(14,2) = Alpha * Delta2(2) * X(14) DeltaV(14,2) = 0.2 * -0.0139 * 0 = 0 DeltaV(14,3) = Alpha * Delta2(3) * X(14) DeltaV(14,3) = 0.2 * 0.01 * 0 = 0 DeltaV(14,4) = Alpha * Delta2(4) * X(14) DeltaV(14,4) = 0.2 * -0.0176 * 0 = 0 DeltaV(14,5) = Alpha * Delta2(5) * X(14) DeltaV(14,5) = 0.2 * 0.0096 * 0 = 0 DeltaV(14,6) = Alpha * Delta2(6) * X(14) DeltaV(14,6) = 0.2 * -0.0122 * 0 = 0 DeltaV(14,7) = Alpha * Delta2(7) * X(14) DeltaV(14,7) = 0.2 * 0.0027 * 0 = 0 DeltaV(14,8) = Alpha * Delta2(8) * X(14) DeltaV(14,8) = 0.2 * 0.0104 * 0 = 0 DeltaV(14,9) = Alpha * Delta2(9) * X(14) DeltaV(14,9) = 0.2 * -0.0354 * 0 = 0 DeltaV(14,10) = Alpha * Delta2(10) * X(14) DeltaV(14,10) = 0.2 * -0.0055 * 0 = 0 DeltaV(15,1) = Alpha * Delta2(1) * X(15) DeltaV(15,1) = 0.2 * -0.0045 * 1 = -0.0009 DeltaV(15,2) = Alpha * Delta2(2) * X(15) DeltaV(15,2) = 0.2 * -0.0139 * 1 = -0.00278 DeltaV(15,3) = Alpha * Delta2(3) * X(15) DeltaV(15,3) = 0.2 * 0.01 * 1 = 0.002 DeltaV(15,4) = Alpha * Delta2(4) * X(15) DeltaV(15,4) = 0.2 * -0.0176 * 1 = -0.00352 DeltaV(15,5) = Alpha * Delta2(5) * X(15) DeltaV(15,5) = 0.2 * 0.0096 * 1 = 0.00192 DeltaV(15,6) = Alpha * Delta2(6) * X(15) DeltaV(15,6) = 0.2 * -0.0122 * 1 = -0.00244 DeltaV(15,7) = Alpha * Delta2(7) * X(15) DeltaV(15,7) = 0.2 * 0.0027 * 1 = 0.00054 DeltaV(15,8) = Alpha * Delta2(8) * X(15) DeltaV(15,8) = 0.2 * 0.0104 * 1 = 0.00208 DeltaV(15,9) = Alpha * Delta2(9) * X(15) DeltaV(15,9) = 0.2 * -0.0354 * 1 = -0.00708 DeltaV(15,10) = Alpha * Delta2(10) * X(15) DeltaV(15,10) = 0.2 * -0.0055 * 1 = -0.0011 DeltaV(0,1) DeltaV(0,1) DeltaV(0,2) DeltaV(0,2) DeltaV(0,3) DeltaV(0,3) DeltaV(0,4) DeltaV(0,4) DeltaV(0,5) DeltaV(0,5)
= = = = = = = = = =
Alpha 0.2 * Alpha 0.2 * Alpha 0.2 * Alpha 0.2 * Alpha 0.2 *
* Delta2(1) -0.0045 = -0.0009 * Delta2(2) -0.0139 = -0.00278 * Delta2(3) 0.01 = 0.002 * Delta2(4) -0.0176 = -0.00352 * Delta2(5) 0.0096 = 0.00192
B-16 DeltaV(0,6) = Alpha * Delta2(6) DeltaV(0,6) = 0.2 * -0.0122 = -0.00244 DeltaV(0,7) = Alpha * Delta2(7) DeltaV(0,7) = 0.2 * 0.0027 = 0.00054 DeltaV(0,8) = Alpha * Delta2(8) DeltaV(0,8) = 0.2 * 0.0104 = 0.00208 DeltaV(0,9) = Alpha * Delta2(9) DeltaV(0,9) = 0.2 * -0.0354 = -0.00708 DeltaV(0,10) = Alpha * Delta2(10) DeltaV(0,10) = 0.2 * -0.0055 = -0.0011 w(1,1) w(1,1) w(1,2) w(1,2) w(1,3) w(1,3) w(1,4) w(1,4) w(2,1) w(2,1) w(2,2) w(2,2) w(2,3) w(2,3) w(2,4) w(2,4) w(3,1) w(3,1) w(3,2) w(3,2) w(3,3) w(3,3) w(3,4) w(3,4) w(4,1) w(4,1) w(4,2) w(4,2) w(4,3) w(4,3) w(4,4) w(4,4) w(5,1) w(5,1) w(5,2) w(5,2) w(5,3) w(5,3) w(5,4) w(5,4) w(6,1) w(6,1) w(6,2) w(6,2) w(6,3) w(6,3) w(6,4) w(6,4) w(7,1) w(7,1) w(7,2) w(7,2)
= = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = =
w(1,1) + DeltaW(1,1) -0.3976 + -0.011 = -0.4086 w(1,2) + DeltaW(1,2) 0.0576 + -0.0162 = 0.0414 w(1,3) + DeltaW(1,3) -0.0425 + -0.0163 = -0.0588 w(1,4) + DeltaW(1,4) -0.4764 + 0.0128 = -0.4636 w(2,1) + DeltaW(2,1) -0.4403 + -0.0059 = -0.4462 w(2,2) + DeltaW(2,2) 0.1858 + -0.0087 = 0.1771 w(2,3) + DeltaW(2,3) 0.3074 + -0.0088 = 0.2986 w(2,4) + DeltaW(2,4) -0.3228 + 0.0069 = -0.3159 w(3,1) + DeltaW(3,1) -0.1667 + -0.0148 = -0.1815 w(3,2) + DeltaW(3,2) -0.3696 + -0.0218 = -0.3914 w(3,3) + DeltaW(3,3) 0.2392 + -0.022 = 0.2172 w(3,4) + DeltaW(3,4) 0.1471 + 0.0173 = 0.1644 w(4,1) + DeltaW(4,1) 0.1578 + -0.0124 = 0.1454 w(4,2) + DeltaW(4,2) 0.1258 + -0.0182 = 0.1076 w(4,3) + DeltaW(4,3) 0.2219 + -0.0183 = 0.2036 w(4,4) + DeltaW(4,4) -0.0665 + 0.0145 = -0.052 w(5,1) + DeltaW(5,1) 0.0643 + -0.0111 = 0.0532 w(5,2) + DeltaW(5,2) 0.2031 + -0.0163 = 0.1868 w(5,3) + DeltaW(5,3) -0.479 + -0.0164 = -0.4954 w(5,4) + DeltaW(5,4) 0.0363 + 0.0129 = 0.0492 w(6,1) + DeltaW(6,1) 0.0216 + -0.0098 = 0.0118 w(6,2) + DeltaW(6,2) 0.3313 + -0.0145 = 0.3168 w(6,3) + DeltaW(6,3) 0.1365 + -0.0146 = 0.1219 w(6,4) + DeltaW(6,4) 0.1899 + 0.0115 = 0.2014 w(7,1) + DeltaW(7,1) 0.0296 + -0.0034 = 0.0262 w(7,2) + DeltaW(7,2) -0.4897 + -0.0049 = -0.4946
B-17 w(7,3) = w(7,3) + DeltaW(7,3) w(7,3) = 0.0683 + -0.005 = 0.0633 w(7,4) = w(7,4) + DeltaW(7,4) w(7,4) = -0.3402 + 0.0039 = -0.3363 w(8,1) = w(8,1) + DeltaW(8,1) w(8,1) = -0.3803 + -0.0085 = -0.3888 w(8,2) = w(8,2) + DeltaW(8,2) w(8,2) = 0.2713 + -0.0125 = 0.2588 w(8,3) = w(8,3) + DeltaW(8,3) w(8,3) = 0.051 + -0.0126 = 0.0384 w(8,4) = w(8,4) + DeltaW(8,4) w(8,4) = 0.4462 + 0.0099 = 0.4561 w(9,1) = w(9,1) + DeltaW(9,1) w(9,1) = 0.2606 + -0.0106 = 0.25 w(9,2) = w(9,2) + DeltaW(9,2) w(9,2) = 0.0831 + -0.0157 = 0.0674 w(9,3) = w(9,3) + DeltaW(9,3) w(9,3) = 0.3501 + -0.0158 = 0.3343 w(9,4) = w(9,4) + DeltaW(9,4) w(9,4) = -0.451 + 0.0124 = -0.4386 w(10,1) = w(10,1) + DeltaW(10,1) w(10,1) = 0.2179 + -0.0024 = 0.2155 w(10,2) = w(10,2) + DeltaW(10,2) w(10,2) = 0.2112 + -0.0036 = 0.2076 w(10,3) = w(10,3) + DeltaW(10,3) w(10,3) = -0.0344 + -0.0036 = -0.038 w(10,4) = w(10,4) + DeltaW(10,4) w(10,4) = -0.0318 + 0.0028 = -0.029 v(1,1) = v(1,1) + DeltaV(1,1) v(1,1) = 0.282 + 0 = 0.282 v(1,2) = v(1,2) + DeltaV(1,2) v(1,2) = 0.019 + 0 = 0.019 v(1,3) = v(1,3) + DeltaV(1,3) v(1,3) = -0.4576 + 0 = -0.4576 v(1,4) = v(1,4) + DeltaV(1,4) v(1,4) = -0.0278 + 0 = -0.0278 v(1,5) = v(1,5) + DeltaV(1,5) v(1,5) = 0.2138 + 0 = 0.2138 v(1,6) = v(1,6) + DeltaV(1,6) v(1,6) = 0.4889 + 0 = 0.4889 v(1,7) = v(1,7) + DeltaV(1,7) v(1,7) = 0.1324 + 0 = 0.1324 v(1,8) = v(1,8) + DeltaV(1,8) v(1,8) = 0.4676 + 0 = 0.4676 v(1,9) = v(1,9) + DeltaV(1,9) v(1,9) = 0.1965 + 0 = 0.1965 v(1,10) = v(1,10) + DeltaV(1,10) v(1,10) = 0.2753 + 0 = 0.2753 v(2,1) = v(2,1) + DeltaV(2,1) v(2,1) = -0.2267 + -0.0009 = -0.2276 v(2,2) = v(2,2) + DeltaV(2,2) v(2,2) = -0.4551 + -0.00278 = -0.45788 v(2,3) = v(2,3) + DeltaV(2,3) v(2,3) = 0.4956 + 0.002 = 0.4976 v(2,4) = v(2,4) + DeltaV(2,4) v(2,4) = 0.3781 + -0.00352 = 0.37458 v(2,5) = v(2,5) + DeltaV(2,5) v(2,5) = -0.2694 + 0.00192 = -0.26748 v(2,6) = v(2,6) + DeltaV(2,6) v(2,6) = -0.3269 + -0.00244 = -0.32934 v(2,7) = v(2,7) + DeltaV(2,7) v(2,7) = 0.1111 + 0.00054 = 0.11164
B-18 v(2,8) = v(2,8) + DeltaV(2,8) v(2,8) = -0.4683 + 0.00208 = -0.46622 v(2,9) = v(2,9) + DeltaV(2,9) v(2,9) = 0.0042 + -0.00708 = -0.00288 v(2,10) = v(2,10) + DeltaV(2,10) v(2,10) = 0.1177 + -0.0011 = 0.1166 v(3,1) = v(3,1) + DeltaV(3,1) v(3,1) = 0.0429 + 0 = 0.0429 v(3,2) = v(3,2) + DeltaV(3,2) v(3,2) = 0.2672 + 0 = 0.2672 v(3,3) = v(3,3) + DeltaV(3,3) v(3,3) = 0.3287 + 0 = 0.3287 v(3,4) = v(3,4) + DeltaV(3,4) v(3,4) = -0.3869 + 0 = -0.3869 v(3,5) = v(3,5) + DeltaV(3,5) v(3,5) = 0.0256 + 0 = 0.0256 v(3,6) = v(3,6) + DeltaV(3,6) v(3,6) = 0.0536 + 0 = 0.0536 v(3,7) = v(3,7) + DeltaV(3,7) v(3,7) = 0.2352 + 0 = 0.2352 v(3,8) = v(3,8) + DeltaV(3,8) v(3,8) = 0.4249 + 0 = 0.4249 v(3,9) = v(3,9) + DeltaV(3,9) v(3,9) = 0.3247 + 0 = 0.3247 v(3,10) = v(3,10) + DeltaV(3,10) v(3,10) = -0.1092 + 0 = -0.1092 v(4,1) = v(4,1) + DeltaV(4,1) v(4,1) = 0.1925 + -0.0009 = 0.1916 v(4,2) = v(4,2) + DeltaV(4,2) v(4,2) = -0.447 + -0.00278 = -0.44978 v(4,3) = v(4,3) + DeltaV(4,3) v(4,3) = -0.0598 + 0.002 = -0.0578 v(4,4) = v(4,4) + DeltaV(4,4) v(4,4) = 0.31 + -0.00352 = 0.30648 v(4,5) = v(4,5) + DeltaV(4,5) v(4,5) = 0.2006 + 0.00192 = 0.20252 v(4,6) = v(4,6) + DeltaV(4,6) v(4,6) = -0.0024 + -0.00244 = -0.00484 v(4,7) = v(4,7) + DeltaV(4,7) v(4,7) = -0.3936 + 0.00054 = -0.39306 v(4,8) = v(4,8) + DeltaV(4,8) v(4,8) = -0.2201 + 0.00208 = -0.21802 v(4,9) = v(4,9) + DeltaV(4,9) v(4,9) = -0.2094 + -0.00708 = -0.21648 v(4,10) = v(4,10) + DeltaV(4,10) v(4,10) = -0.2414 + -0.0011 = -0.2425 v(5,1) = v(5,1) + DeltaV(5,1) v(5,1) = -0.1453 + 0 = -0.1453 v(5,2) = v(5,2) + DeltaV(5,2) v(5,2) = -0.4337 + 0 = -0.4337 v(5,3) = v(5,3) + DeltaV(5,3) v(5,3) = 0.4315 + 0 = 0.4315 v(5,4) = v(5,4) + DeltaV(5,4) v(5,4) = -0.4296 + 0 = -0.4296 v(5,5) = v(5,5) + DeltaV(5,5) v(5,5) = 0.1538 + 0 = 0.1538 v(5,6) = v(5,6) + DeltaV(5,6) v(5,6) = 0.4035 + 0 = 0.4035 v(5,7) = v(5,7) + DeltaV(5,7) v(5,7) = 0.3888 + 0 = 0.3888 v(5,8) = v(5,8) + DeltaV(5,8) v(5,8) = -0.3015 + 0 = -0.3015 v(5,9) = v(5,9) + DeltaV(5,9)
B-19 v(5,9) = -0.2307 + 0 = -0.2307 v(5,10) = v(5,10) + DeltaV(5,10) v(5,10) = -0.1773 + 0 = -0.1773 v(6,1) = v(6,1) + DeltaV(6,1) v(6,1) = -0.3376 + -0.0009 = -0.3385 v(6,2) = v(6,2) + DeltaV(6,2) v(6,2) = 0.1431 + -0.00278 = 0.14032 v(6,3) = v(6,3) + DeltaV(6,3) v(6,3) = 0.4355 + 0.002 = 0.4375 v(6,4) = v(6,4) + DeltaV(6,4) v(6,4) = 0.2926 + -0.00352 = 0.28908 v(6,5) = v(6,5) + DeltaV(6,5) v(6,5) = -0.0131 + 0.00192 = -0.01118 v(6,6) = v(6,6) + DeltaV(6,6) v(6,6) = -0.3615 + -0.00244 = -0.36394 v(6,7) = v(6,7) + DeltaV(6,7) v(6,7) = -0.3162 + 0.00054 = -0.31566 v(6,8) = v(6,8) + DeltaV(6,8) v(6,8) = 0.079 + 0.00208 = 0.08108 v(6,9) = v(6,9) + DeltaV(6,9) v(6,9) = -0.3722 + -0.00708 = -0.37928 v(6,10) = v(6,10) + DeltaV(6,10) v(6,10) = -0.2842 + -0.0011 = -0.2853 v(7,1) = v(7,1) + DeltaV(7,1) v(7,1) = -0.0171 + -0.0009 = -0.018 v(7,2) = v(7,2) + DeltaV(7,2) v(7,2) = 0.1818 + -0.00278 = 0.17902 v(7,3) = v(7,3) + DeltaV(7,3) v(7,3) = -0.4149 + 0.002 = -0.4129 v(7,4) = v(7,4) + DeltaV(7,4) v(7,4) = -0.156 + -0.00352 = -0.15952 v(7,5) = v(7,5) + DeltaV(7,5) v(7,5) = -0.4016 + 0.00192 = -0.39968 v(7,6) = v(7,6) + DeltaV(7,6) v(7,6) = 0.3354 + -0.00244 = 0.33296 v(7,7) = v(7,7) + DeltaV(7,7) v(7,7) = -0.1413 + 0.00054 = -0.14076 v(7,8) = v(7,8) + DeltaV(7,8) v(7,8) = 0.2886 + 0.00208 = 0.29068 v(7,9) = v(7,9) + DeltaV(7,9) v(7,9) = 0.2646 + -0.00708 = 0.25752 v(7,10) = v(7,10) + DeltaV(7,10) v(7,10) = -0.1947 + -0.0011 = -0.1958 v(8,1) = v(8,1) + DeltaV(8,1) v(8,1) = 0.4488 + -0.0009 = 0.4479 v(8,2) = v(8,2) + DeltaV(8,2) v(8,2) = -0.216 + -0.00278 = -0.21878 v(8,3) = v(8,3) + DeltaV(8,3) v(8,3) = -0.4871 + 0.002 = -0.4851 v(8,4) = v(8,4) + DeltaV(8,4) v(8,4) = -0.4083 + -0.00352 = -0.41182 v(8,5) = v(8,5) + DeltaV(8,5) v(8,5) = 0.0897 + 0.00192 = 0.09162 v(8,6) = v(8,6) + DeltaV(8,6) v(8,6) = -0.4042 + -0.00244 = -0.40664 v(8,7) = v(8,7) + DeltaV(8,7) v(8,7) = -0.188 + 0.00054 = -0.18746 v(8,8) = v(8,8) + DeltaV(8,8) v(8,8) = -0.3055 + 0.00208 = -0.30342 v(8,9) = v(8,9) + DeltaV(8,9) v(8,9) = 0.047 + -0.00708 = 0.03992 v(8,10) = v(8,10) + DeltaV(8,10) v(8,10) = -0.0105 + -0.0011 = -0.0116
B-20 v(9,1) = v(9,1) + DeltaV(9,1) v(9,1) = 0.4274 + -0.0009 = 0.4265 v(9,2) = v(9,2) + DeltaV(9,2) v(9,2) = -0.1519 + -0.00278 = -0.15468 v(9,3) = v(9,3) + DeltaV(9,3) v(9,3) = 0.3206 + 0.002 = 0.3226 v(9,4) = v(9,4) + DeltaV(9,4) v(9,4) = 0.1685 + -0.00352 = 0.16498 v(9,5) = v(9,5) + DeltaV(9,5) v(9,5) = 0.0937 + 0.00192 = 0.09562 v(9,6) = v(9,6) + DeltaV(9,6) v(9,6) = 0.318 + -0.00244 = 0.31556 v(9,7) = v(9,7) + DeltaV(9,7) v(9,7) = -0.3549 + 0.00054 = -0.35436 v(9,8) = v(9,8) + DeltaV(9,8) v(9,8) = -0.0705 + 0.00208 = -0.06842 v(9,9) = v(9,9) + DeltaV(9,9) v(9,9) = 0.342 + -0.00708 = 0.33492 v(9,10) = v(9,10) + DeltaV(9,10) v(9,10) = 0.1044 + -0.0011 = 0.1033 v(10,1) = v(10,1) + DeltaV(10,1) v(10,1) = 0.286 + 0 = 0.286 v(10,2) = v(10,2) + DeltaV(10,2) v(10,2) = -0.2587 + 0 = -0.2587 v(10,3) = v(10,3) + DeltaV(10,3) v(10,3) = -0.3589 + 0 = -0.3589 v(10,4) = v(10,4) + DeltaV(10,4) v(10,4) = 0.2072 + 0 = 0.2072 v(10,5) = v(10,5) + DeltaV(10,5) v(10,5) = 0.2433 + 0 = 0.2433 v(10,6) = v(10,6) + DeltaV(10,6) v(10,6) = -0.1306 + 0 = -0.1306 v(10,7) = v(10,7) + DeltaV(10,7) v(10,7) = 0.2565 + 0 = 0.2565 v(10,8) = v(10,8) + DeltaV(10,8) v(10,8) = 0.3608 + 0 = 0.3608 v(10,9) = v(10,9) + DeltaV(10,9) v(10,9) = -0.4831 + 0 = -0.4831 v(10,10) = v(10,10) + DeltaV(10,10) v(10,10) = 0.314 + 0 = 0.314 v(11,1) = v(11,1) + DeltaV(11,1) v(11,1) = -0.0772 + -0.0009 = -0.0781 v(11,2) = v(11,2) + DeltaV(11,2) v(11,2) = 0.0963 + -0.00278 = 0.09352 v(11,3) = v(11,3) + DeltaV(11,3) v(11,3) = 0.107 + 0.002 = 0.109 v(11,4) = v(11,4) + DeltaV(11,4) v(11,4) = 0.075 + -0.00352 = 0.07148 v(11,5) = v(11,5) + DeltaV(11,5) v(11,5) = 0.1711 + 0.00192 = 0.17302 v(11,6) = v(11,6) + DeltaV(11,6) v(11,6) = -0.3829 + -0.00244 = -0.38534 v(11,7) = v(11,7) + DeltaV(11,7) v(11,7) = -0.2521 + 0.00054 = -0.25156 v(11,8) = v(11,8) + DeltaV(11,8) v(11,8) = -0.1133 + 0.00208 = -0.11122 v(11,9) = v(11,9) + DeltaV(11,9) v(11,9) = 0.4702 + -0.00708 = 0.46312 v(11,10) = v(11,10) + DeltaV(11,10) v(11,10) = -0.2801 + -0.0011 = -0.2812 v(12,1) = v(12,1) + DeltaV(12,1) v(12,1) = -0.2948 + 0 = -0.2948 v(12,2) = v(12,2) + DeltaV(12,2)
B-21 v(12,2) = 0.0149 + 0 = 0.0149 v(12,3) = v(12,3) + DeltaV(12,3) v(12,3) = 0.0856 + 0 = 0.0856 v(12,4) = v(12,4) + DeltaV(12,4) v(12,4) = 0.1391 + 0 = 0.1391 v(12,5) = v(12,5) + DeltaV(12,5) v(12,5) = -0.0212 + 0 = -0.0212 v(12,6) = v(12,6) + DeltaV(12,6) v(12,6) = 0.4595 + 0 = 0.4595 v(12,7) = v(12,7) + DeltaV(12,7) v(12,7) = -0.2481 + 0 = -0.2481 v(12,8) = v(12,8) + DeltaV(12,8) v(12,8) = -0.391 + 0 = -0.391 v(12,9) = v(12,9) + DeltaV(12,9) v(12,9) = 0.3033 + 0 = 0.3033 v(12,10) = v(12,10) + DeltaV(12,10) v(12,10) = -0.0451 + 0 = -0.0451 v(13,1) = v(13,1) + DeltaV(13,1) v(13,1) = 0.0002 + -0.0009 = -0.0007 v(13,2) = v(13,2) + DeltaV(13,2) v(13,2) = 0.3954 + -0.00278 = 0.39262 v(13,3) = v(13,3) + DeltaV(13,3) v(13,3) = -0.0558 + 0.002 = -0.0538 v(13,4) = v(13,4) + DeltaV(13,4) v(13,4) = 0.0322 + -0.00352 = 0.02868 v(13,5) = v(13,5) + DeltaV(13,5) v(13,5) = 0.2993 + 0.00192 = 0.30122 v(13,6) = v(13,6) + DeltaV(13,6) v(13,6) = 0.2326 + -0.00244 = 0.23016 v(13,7) = v(13,7) + DeltaV(13,7) v(13,7) = -0.0985 + 0.00054 = -0.09796 v(13,8) = v(13,8) + DeltaV(13,8) v(13,8) = 0.1604 + 0.00208 = 0.16248 v(13,9) = v(13,9) + DeltaV(13,9) v(13,9) = -0.3508 + -0.00708 = -0.35788 v(13,10) = v(13,10) + DeltaV(13,10) v(13,10) = -0.3482 + -0.0011 = -0.3493 v(14,1) = v(14,1) + DeltaV(14,1) v(14,1) = 0.1751 + 0 = 0.1751 v(14,2) = v(14,2) + DeltaV(14,2) v(14,2) = 0.3394 + 0 = 0.3394 v(14,3) = v(14,3) + DeltaV(14,3) v(14,3) = -0.419 + 0 = -0.419 v(14,4) = v(14,4) + DeltaV(14,4) v(14,4) = 0.1217 + 0 = 0.1217 v(14,5) = v(14,5) + DeltaV(14,5) v(14,5) = 0.4996 + 0 = 0.4996 v(14,6) = v(14,6) + DeltaV(14,6) v(14,6) = 0.1004 + 0 = 0.1004 v(14,7) = v(14,7) + DeltaV(14,7) v(14,7) = -0.4363 + 0 = -0.4363 v(14,8) = v(14,8) + DeltaV(14,8) v(14,8) = -0.0919 + 0 = -0.0919 v(14,9) = v(14,9) + DeltaV(14,9) v(14,9) = 0.4061 + 0 = 0.4061 v(14,10) = v(14,10) + DeltaV(14,10) v(14,10) = -0.0878 + 0 = -0.0878 v(15,1) = v(15,1) + DeltaV(15,1) v(15,1) = 0.1284 + -0.0009 = 0.1275 v(15,2) = v(15,2) + DeltaV(15,2) v(15,2) = 0.0109 + -0.00278 = 0.00812 v(15,3) = v(15,3) + DeltaV(15,3) v(15,3) = 0.3634 + 0.002 = 0.3654
B-22 v(15,4) = v(15,4) + DeltaV(15,4) v(15,4) = 0.0403 + -0.00352 = 0.03678 v(15,5) = v(15,5) + DeltaV(15,5) v(15,5) = 0.4783 + 0.00192 = 0.48022 v(15,6) = v(15,6) + DeltaV(15,6) v(15,6) = 0.1645 + -0.00244 = 0.16206 v(15,7) = v(15,7) + DeltaV(15,7) v(15,7) = 0.3715 + 0.00054 = 0.37204 v(15,8) = v(15,8) + DeltaV(15,8) v(15,8) = 0.4849 + 0.00208 = 0.48698 v(15,9) = v(15,9) + DeltaV(15,9) v(15,9) = 0.4101 + -0.00708 = 0.40302 v(15,10) = v(15,10) + DeltaV(15,10) v(15,10) = -0.3656 + -0.0011 = -0.3667
* Data ke - 2 = pola TTD-2 X = 001001011101111 z_in(1) = V(0,1) + (X(1) * V(1,1)) + (X(2) * V(2,1)) + (X(3) * V(3,1)) (X(4) * V(4,1)) + (X(5) * V(5,1)) + (X(6) * V(6,1)) + (X(7) * V(7,1)) (X(8) * V(8,1)) + (X(9) * V(9,1)) + (X(10) * V(10,1)) + (X(11) * V(11,1)) (X(12) * V(12,1)) + (X(13) * V(13,1)) + (X(14) * V(14,1)) + (X(15) V(15,1)) z_in(1) = -0.3295 + (0 * 0.282) + (0 * -0.2276) + (1 * 0.0429) + (0 0.1916) + (0 * -0.1453) + (1 * -0.3385) + (0 * -0.018) + (1 * 0.4479) + (1 0.4265) + (1 * 0.286) + (0 * -0.0781) + (1 * -0.2948) + (1 * -0.0007) + (1 0.1751) + (1 * 0.1275) z_in(1) = -0.3295 + 0.8719 = 0.5424 z(1) = f(z_in(1)) = 0.6324
+ + + *
z_in(2) = V(0,2) + (X(1) * V(1,2)) + (X(2) * V(2,2)) + (X(3) * V(3,2)) (X(4) * V(4,2)) + (X(5) * V(5,2)) + (X(6) * V(6,2)) + (X(7) * V(7,2)) (X(8) * V(8,2)) + (X(9) * V(9,2)) + (X(10) * V(10,2)) + (X(11) * V(11,2)) (X(12) * V(12,2)) + (X(13) * V(13,2)) + (X(14) * V(14,2)) + (X(15) V(15,2)) z_in(2) = -0.4123 + (0 * 0.019) + (0 * -0.45788) + (1 * 0.2672) + (0 * 0.44978) + (0 * -0.4337) + (1 * 0.14032) + (0 * 0.17902) + (1 * -0.21878) (1 * -0.15468) + (1 * -0.2587) + (0 * 0.09352) + (1 * 0.0149) + (1 0.39262) + (1 * 0.3394) + (1 * 0.00812) z_in(2) = -0.4123 + 0.5304 = 0.1181 z(2) = f(z_in(2)) = 0.5295
+ + + *
z_in(3) = V(0,3) + (X(1) * V(1,3)) + (X(2) * V(2,3)) + (X(3) * V(3,3)) (X(4) * V(4,3)) + (X(5) * V(5,3)) + (X(6) * V(6,3)) + (X(7) * V(7,3)) (X(8) * V(8,3)) + (X(9) * V(9,3)) + (X(10) * V(10,3)) + (X(11) * V(11,3)) (X(12) * V(12,3)) + (X(13) * V(13,3)) + (X(14) * V(14,3)) + (X(15) V(15,3)) z_in(3) = 0.3674 + (0 * -0.4576) + (0 * 0.4976) + (1 * 0.3287) + (0 * 0.0578) + (0 * 0.4315) + (1 * 0.4375) + (0 * -0.4129) + (1 * -0.4851) + (1 0.3226) + (1 * -0.3589) + (0 * 0.109) + (1 * 0.0856) + (1 * -0.0538) + (1 -0.419) + (1 * 0.3654) z_in(3) = 0.3674 + 0.223 = 0.5904 z(3) = f(z_in(3)) = 0.6435
+ + + *
z_in(4) = V(0,4) + (X(1) * V(1,4)) + (X(2) * V(2,4)) + (X(3) * V(3,4)) (X(4) * V(4,4)) + (X(5) * V(5,4)) + (X(6) * V(6,4)) + (X(7) * V(7,4)) (X(8) * V(8,4)) + (X(9) * V(9,4)) + (X(10) * V(10,4)) + (X(11) * V(11,4)) (X(12) * V(12,4)) + (X(13) * V(13,4)) + (X(14) * V(14,4)) + (X(15) V(15,4)) z_in(4) = -0.2374 + (0 * -0.0278) + (0 * 0.37458) + (1 * -0.3869) + (0 0.30648) + (0 * -0.4296) + (1 * 0.28908) + (0 * -0.15952) + (1 * -0.41182)
+ + + *
* * *
+ *
* *
* +
B-23 (1 * 0.16498) + (1 * 0.2072) + (0 * 0.07148) + (1 * 0.1391) + (1 * 0.02868) + (1 * 0.1217) + (1 * 0.03678) z_in(4) = -0.2374 + 0.1888 = -0.0486 z(4) = f(z_in(4)) = 0.4879 z_in(5) = V(0,5) + (X(1) * V(1,5)) + (X(2) * V(2,5)) + (X(3) * V(3,5)) + (X(4) * V(4,5)) + (X(5) * V(5,5)) + (X(6) * V(6,5)) + (X(7) * V(7,5)) + (X(8) * V(8,5)) + (X(9) * V(9,5)) + (X(10) * V(10,5)) + (X(11) * V(11,5)) + (X(12) * V(12,5)) + (X(13) * V(13,5)) + (X(14) * V(14,5)) + (X(15) * V(15,5)) z_in(5) = -0.423 + (0 * 0.2138) + (0 * -0.26748) + (1 * 0.0256) + (0 * 0.20252) + (0 * 0.1538) + (1 * -0.01118) + (0 * -0.39968) + (1 * 0.09162) + (1 * 0.09562) + (1 * 0.2433) + (0 * 0.17302) + (1 * -0.0212) + (1 * 0.30122) + (1 * 0.4996) + (1 * 0.48022) z_in(5) = -0.423 + 1.7048 = 1.2818 z(5) = f(z_in(5)) = 0.7828 z_in(6) = V(0,6) + (X(1) * V(1,6)) + (X(2) * V(2,6)) + (X(3) * V(3,6)) (X(4) * V(4,6)) + (X(5) * V(5,6)) + (X(6) * V(6,6)) + (X(7) * V(7,6)) (X(8) * V(8,6)) + (X(9) * V(9,6)) + (X(10) * V(10,6)) + (X(11) * V(11,6)) (X(12) * V(12,6)) + (X(13) * V(13,6)) + (X(14) * V(14,6)) + (X(15) V(15,6)) z_in(6) = 0.3995 + (0 * 0.4889) + (0 * -0.32934) + (1 * 0.0536) + (0 * 0.00484) + (0 * 0.4035) + (1 * -0.36394) + (0 * 0.33296) + (1 * -0.40664) (1 * 0.31556) + (1 * -0.1306) + (0 * -0.38534) + (1 * 0.4595) + (1 0.23016) + (1 * 0.1004) + (1 * 0.16206) z_in(6) = 0.3995 + 0.4201 = 0.8196 z(6) = f(z_in(6)) = 0.6942
+ + + *
z_in(7) = V(0,7) + (X(1) * V(1,7)) + (X(2) * V(2,7)) + (X(3) * V(3,7)) (X(4) * V(4,7)) + (X(5) * V(5,7)) + (X(6) * V(6,7)) + (X(7) * V(7,7)) (X(8) * V(8,7)) + (X(9) * V(9,7)) + (X(10) * V(10,7)) + (X(11) * V(11,7)) (X(12) * V(12,7)) + (X(13) * V(13,7)) + (X(14) * V(14,7)) + (X(15) V(15,7)) z_in(7) = -0.3335 + (0 * 0.1324) + (0 * 0.11164) + (1 * 0.2352) + (0 * 0.39306) + (0 * 0.3888) + (1 * -0.31566) + (0 * -0.14076) + (1 * -0.18746) (1 * -0.35436) + (1 * 0.2565) + (0 * -0.25156) + (1 * -0.2481) + (1 * 0.09796) + (1 * -0.4363) + (1 * 0.37204) z_in(7) = -0.3335 + -0.7761 = -1.1096 z(7) = f(z_in(7)) = 0.2479
+ + + *
z_in(8) = V(0,8) + (X(1) * V(1,8)) + (X(2) * V(2,8)) + (X(3) * V(3,8)) (X(4) * V(4,8)) + (X(5) * V(5,8)) + (X(6) * V(6,8)) + (X(7) * V(7,8)) (X(8) * V(8,8)) + (X(9) * V(9,8)) + (X(10) * V(10,8)) + (X(11) * V(11,8)) (X(12) * V(12,8)) + (X(13) * V(13,8)) + (X(14) * V(14,8)) + (X(15) V(15,8)) z_in(8) = -0.1346 + (0 * 0.4676) + (0 * -0.46622) + (1 * 0.4249) + (0 * 0.21802) + (0 * -0.3015) + (1 * 0.08108) + (0 * 0.29068) + (1 * -0.30342) (1 * -0.06842) + (1 * 0.3608) + (0 * -0.11122) + (1 * -0.391) + (1 0.16248) + (1 * -0.0919) + (1 * 0.48698) z_in(8) = -0.1346 + 0.6615 = 0.5269 z(8) = f(z_in(8)) = 0.6288
+ + + *
z_in(9) = V(0,9) + (X(1) * V(1,9)) + (X(2) * V(2,9)) + (X(3) * V(3,9)) (X(4) * V(4,9)) + (X(5) * V(5,9)) + (X(6) * V(6,9)) + (X(7) * V(7,9)) (X(8) * V(8,9)) + (X(9) * V(9,9)) + (X(10) * V(10,9)) + (X(11) * V(11,9)) (X(12) * V(12,9)) + (X(13) * V(13,9)) + (X(14) * V(14,9)) + (X(15) V(15,9)) z_in(9) = -0.4657 + (0 * 0.1965) + (0 * -0.00288) + (1 * 0.3247) + (0 * 0.21648) + (0 * -0.2307) + (1 * -0.37928) + (0 * 0.25752) + (1 * 0.03992) (1 * 0.33492) + (1 * -0.4831) + (0 * 0.46312) + (1 * 0.3033) + (1 * 0.35788) + (1 * 0.4061) + (1 * 0.40302) z_in(9) = -0.4657 + 0.5917 = 0.126
+ + + *
+ *
+ -
+ *
+ -
B-24 z(9) = f(z_in(9)) = 0.5315 z_in(10) = V(0,10) + (X(1) * V(1,10)) + (X(2) * V(2,10)) + (X(3) * V(3,10)) + (X(4) * V(4,10)) + (X(5) * V(5,10)) + (X(6) * V(6,10)) + (X(7) * V(7,10)) + (X(8) * V(8,10)) + (X(9) * V(9,10)) + (X(10) * V(10,10)) + (X(11) * V(11,10)) + (X(12) * V(12,10)) + (X(13) * V(13,10)) + (X(14) * V(14,10)) + (X(15) * V(15,10)) z_in(10) = -0.4724 + (0 * 0.2753) + (0 * 0.1166) + (1 * -0.1092) + (0 * 0.2425) + (0 * -0.1773) + (1 * -0.2853) + (0 * -0.1958) + (1 * -0.0116) + (1 * 0.1033) + (1 * 0.314) + (0 * -0.2812) + (1 * -0.0451) + (1 * -0.3493) + (1 * -0.0878) + (1 * -0.3667) z_in(10) = -0.4724 + -0.8377 = -1.3101 z(10) = f(z_in(10)) = 0.2125 y_in(1) = w(0,1) + (z(1) * w(1,1)) + (z(2) * w(2,1)) + (z(3) * w(3,1)) + (z(4) * w(4,1)) + (z(5) * w(5,1)) + (z(6) * w(6,1)) + (z(7) * w(7,1)) + (z(8) * w(8,1)) + (z(9) * w(9,1)) + (z(10) * w(10,1)) y_in(1) = -0.0385 + (0.6324 * -0.4086) + (0.5295 * -0.4462) + (0.6435 * 0.1815) + (0.4879 * 0.1454) + (0.7828 * 0.0532) + (0.6942 * 0.0118) + (0.2479 * 0.0262) + (0.6288 * -0.3888) + (0.5315 * 0.25) + (0.2125 * 0.2155) y_in(1) = -0.0385 + -0.55 = -0.5885 y(1) = f(y_in(1)) = 0.357 y_in(2) = w(0,2) + (z(1) * w(1,2)) + (z(2) * w(2,2)) + (z(3) (z(4) * w(4,2)) + (z(5) * w(5,2)) + (z(6) * w(6,2)) + (z(7) (z(8) * w(8,2)) + (z(9) * w(9,2)) + (z(10) * w(10,2)) y_in(2) = 0.2459 + (0.6324 * 0.0414) + (0.5295 * 0.1771) + 0.3914) + (0.4879 * 0.1076) + (0.7828 * 0.1868) + (0.6942 (0.2479 * -0.4946) + (0.6288 * 0.2588) + (0.5315 * 0.0674) 0.2076) y_in(2) = 0.2459 + 0.4068 = 0.6527 y(2) = f(y_in(2)) = 0.6576 y_in(3) = w(0,3) + (z(1) * w(1,3)) + (z(2) * w(2,3)) + (z(3) (z(4) * w(4,3)) + (z(5) * w(5,3)) + (z(6) * w(6,3)) + (z(7) (z(8) * w(8,3)) + (z(9) * w(9,3)) + (z(10) * w(10,3)) y_in(3) = 0.3928 + (0.6324 * -0.0588) + (0.5295 * 0.2986) 0.2172) + (0.4879 * 0.2036) + (0.7828 * -0.4954) + (0.6942 (0.2479 * 0.0633) + (0.6288 * 0.0384) + (0.5315 * 0.3343) + 0.038) y_in(3) = 0.3928 + 0.2663 = 0.6591 y(3) = f(y_in(3)) = 0.6591 y_in(4) = w(0,4) + (z(1) * w(1,4)) + (z(2) * w(2,4)) + (z(3) (z(4) * w(4,4)) + (z(5) * w(5,4)) + (z(6) * w(6,4)) + (z(7) (z(8) * w(8,4)) + (z(9) * w(9,4)) + (z(10) * w(10,4)) y_in(4) = 0.4208 + (0.6324 * -0.4636) + (0.5295 * -0.3159) 0.1644) + (0.4879 * -0.052) + (0.7828 * 0.0492) + (0.6942 (0.2479 * -0.3363) + (0.6288 * 0.4561) + (0.5315 * -0.4386) + 0.029) y_in(4) = 0.4208 + -0.2376 = 0.1832 y(4) = f(y_in(4)) = 0.5457 Delta(1) = (T(1) - Y(1)) * Y(1) * (1 - Y(1)) Delta(1) = (0 - 0.357) * 0.357 * (1 - 0.357) Delta(1) = -0.0819 Delta(2) = (T(2) - Y(2)) * Y(2) * (1 - Y(2)) Delta(2) = (0 - 0.6576) * 0.6576 * (1 - 0.6576) Delta(2) = -0.1481 Delta(3) = (T(3) - Y(3)) * Y(3) * (1 - Y(3)) Delta(3) = (1 - 0.6591) * 0.6591 * (1 - 0.6591)
* w(3,2)) + * w(7,2)) + (0.6435 * * 0.3168) + + (0.2125 *
* w(3,3)) + * w(7,3)) + + (0.6435 * * 0.1219) + (0.2125 * -
* w(3,4)) + * w(7,4)) + + (0.6435 * * 0.2014) + (0.2125 * -
B-25 Delta(3) = 0.0766 Delta(4) = (T(4) - Y(4)) * Y(4) * (1 - Y(4)) Delta(4) = (0 - 0.5457) * 0.5457 * (1 - 0.5457) Delta(4) = -0.1353 DeltaW(1,1) = Alpha * Delta(1) * z(1) DeltaW(1,1) = 0.2 * -0.0819 * 0.6324 = -0.0104 DeltaW(1,2) = Alpha * Delta(2) * z(1) DeltaW(1,2) = 0.2 * -0.1481 * 0.6324 = -0.0187 DeltaW(1,3) = Alpha * Delta(3) * z(1) DeltaW(1,3) = 0.2 * 0.0766 * 0.6324 = 0.0097 DeltaW(1,4) = Alpha * Delta(4) * z(1) DeltaW(1,4) = 0.2 * -0.1353 * 0.6324 = -0.0171 DeltaW(2,1) = Alpha * Delta(1) * z(2) DeltaW(2,1) = 0.2 * -0.0819 * 0.5295 = -0.0087 DeltaW(2,2) = Alpha * Delta(2) * z(2) DeltaW(2,2) = 0.2 * -0.1481 * 0.5295 = -0.0157 DeltaW(2,3) = Alpha * Delta(3) * z(2) DeltaW(2,3) = 0.2 * 0.0766 * 0.5295 = 0.0081 DeltaW(2,4) = Alpha * Delta(4) * z(2) DeltaW(2,4) = 0.2 * -0.1353 * 0.5295 = -0.0143 DeltaW(3,1) = Alpha * Delta(1) * z(3) DeltaW(3,1) = 0.2 * -0.0819 * 0.6435 = -0.0105 DeltaW(3,2) = Alpha * Delta(2) * z(3) DeltaW(3,2) = 0.2 * -0.1481 * 0.6435 = -0.0191 DeltaW(3,3) = Alpha * Delta(3) * z(3) DeltaW(3,3) = 0.2 * 0.0766 * 0.6435 = 0.0099 DeltaW(3,4) = Alpha * Delta(4) * z(3) DeltaW(3,4) = 0.2 * -0.1353 * 0.6435 = -0.0174 DeltaW(4,1) = Alpha * Delta(1) * z(4) DeltaW(4,1) = 0.2 * -0.0819 * 0.4879 = -0.008 DeltaW(4,2) = Alpha * Delta(2) * z(4) DeltaW(4,2) = 0.2 * -0.1481 * 0.4879 = -0.0145 DeltaW(4,3) = Alpha * Delta(3) * z(4) DeltaW(4,3) = 0.2 * 0.0766 * 0.4879 = 0.0075 DeltaW(4,4) = Alpha * Delta(4) * z(4) DeltaW(4,4) = 0.2 * -0.1353 * 0.4879 = -0.0132 DeltaW(5,1) = Alpha * Delta(1) * z(5) DeltaW(5,1) = 0.2 * -0.0819 * 0.7828 = -0.0128 DeltaW(5,2) = Alpha * Delta(2) * z(5) DeltaW(5,2) = 0.2 * -0.1481 * 0.7828 = -0.0232 DeltaW(5,3) = Alpha * Delta(3) * z(5) DeltaW(5,3) = 0.2 * 0.0766 * 0.7828 = 0.012
B-26 DeltaW(5,4) = Alpha * Delta(4) * z(5) DeltaW(5,4) = 0.2 * -0.1353 * 0.7828 = -0.0212 DeltaW(6,1) = Alpha * Delta(1) * z(6) DeltaW(6,1) = 0.2 * -0.0819 * 0.6942 = -0.0114 DeltaW(6,2) = Alpha * Delta(2) * z(6) DeltaW(6,2) = 0.2 * -0.1481 * 0.6942 = -0.0206 DeltaW(6,3) = Alpha * Delta(3) * z(6) DeltaW(6,3) = 0.2 * 0.0766 * 0.6942 = 0.0106 DeltaW(6,4) = Alpha * Delta(4) * z(6) DeltaW(6,4) = 0.2 * -0.1353 * 0.6942 = -0.0188 DeltaW(7,1) = Alpha * Delta(1) * z(7) DeltaW(7,1) = 0.2 * -0.0819 * 0.2479 = -0.0041 DeltaW(7,2) = Alpha * Delta(2) * z(7) DeltaW(7,2) = 0.2 * -0.1481 * 0.2479 = -0.0073 DeltaW(7,3) = Alpha * Delta(3) * z(7) DeltaW(7,3) = 0.2 * 0.0766 * 0.2479 = 0.0038 DeltaW(7,4) = Alpha * Delta(4) * z(7) DeltaW(7,4) = 0.2 * -0.1353 * 0.2479 = -0.0067 DeltaW(8,1) = Alpha * Delta(1) * z(8) DeltaW(8,1) = 0.2 * -0.0819 * 0.6288 = -0.0103 DeltaW(8,2) = Alpha * Delta(2) * z(8) DeltaW(8,2) = 0.2 * -0.1481 * 0.6288 = -0.0186 DeltaW(8,3) = Alpha * Delta(3) * z(8) DeltaW(8,3) = 0.2 * 0.0766 * 0.6288 = 0.0096 DeltaW(8,4) = Alpha * Delta(4) * z(8) DeltaW(8,4) = 0.2 * -0.1353 * 0.6288 = -0.017 DeltaW(9,1) = Alpha * Delta(1) * z(9) DeltaW(9,1) = 0.2 * -0.0819 * 0.5315 = -0.0087 DeltaW(9,2) = Alpha * Delta(2) * z(9) DeltaW(9,2) = 0.2 * -0.1481 * 0.5315 = -0.0157 DeltaW(9,3) = Alpha * Delta(3) * z(9) DeltaW(9,3) = 0.2 * 0.0766 * 0.5315 = 0.0081 DeltaW(9,4) = Alpha * Delta(4) * z(9) DeltaW(9,4) = 0.2 * -0.1353 * 0.5315 = -0.0144 DeltaW(10,1) = Alpha * Delta(1) * z(10) DeltaW(10,1) = 0.2 * -0.0819 * 0.2125 = -0.0035 DeltaW(10,2) = Alpha * Delta(2) * z(10) DeltaW(10,2) = 0.2 * -0.1481 * 0.2125 = -0.0063 DeltaW(10,3) = Alpha * Delta(3) * z(10) DeltaW(10,3) = 0.2 * 0.0766 * 0.2125 = 0.0033 DeltaW(10,4) = Alpha * Delta(4) * z(10) DeltaW(10,4) = 0.2 * -0.1353 * 0.2125 = -0.0058
B-27 DeltaW(0,1) = Alpha * Delta(1) DeltaW(0,1) = 0.2 * -0.0819 = -0.0164 DeltaW(0,2) = Alpha * Delta(2) DeltaW(0,2) = 0.2 * -0.1481 = -0.0296 DeltaW(0,3) = Alpha * Delta(3) DeltaW(0,3) = 0.2 * 0.0766 = 0.0153 DeltaW(0,4) = Alpha * Delta(4) DeltaW(0,4) = 0.2 * -0.1353 = -0.0271 Delta_in(1) = (Delta(1) * w(1,1)) + (Delta(2) * w(1,2)) + (Delta(3) * w(1,3)) + (Delta(4) * w(1,4)) Delta_in(1) = (-0.0819 * -0.4086) + (-0.1481 * 0.0414) + (0.0766 * -0.0588) + (-0.1353 * -0.4636) Delta_in(1) = 0.0856 Delta2(1) = (Delta_in(1) * z(1) * (1 - z(1)) Delta2(1) = (0.0856 * 0.6324 * (1 - 0.6324) Delta2(1) = 0.0199 Delta_in(2) = (Delta(1) * w(2,1)) + (Delta(2) * w(2,2)) + (Delta(3) * w(2,3)) + (Delta(4) * w(2,4)) Delta_in(2) = (-0.0819 * -0.4462) + (-0.1481 * 0.1771) + (0.0766 * 0.2986) + (-0.1353 * -0.3159) Delta_in(2) = 0.0759 Delta2(2) = (Delta_in(2) * z(2) * (1 - z(2)) Delta2(2) = (0.0759 * 0.5295 * (1 - 0.5295) Delta2(2) = 0.0189 Delta_in(3) = (Delta(1) * w(3,1)) + (Delta(2) * w(3,2)) + (Delta(3) * w(3,3)) + (Delta(4) * w(3,4)) Delta_in(3) = (-0.0819 * -0.1815) + (-0.1481 * -0.3914) + (0.0766 * 0.2172) + (-0.1353 * 0.1644) Delta_in(3) = 0.0672 Delta2(3) = (Delta_in(3) * z(3) * (1 - z(3)) Delta2(3) = (0.0672 * 0.6435 * (1 - 0.6435) Delta2(3) = 0.0154 Delta_in(4) = (Delta(1) * w(4,1)) + (Delta(2) * w(4,2)) + (Delta(3) * w(4,3)) + (Delta(4) * w(4,4)) Delta_in(4) = (-0.0819 * 0.1454) + (-0.1481 * 0.1076) + (0.0766 * 0.2036) + (-0.1353 * -0.052) Delta_in(4) = -0.0052 Delta2(4) = (Delta_in(4) * z(4) * (1 - z(4)) Delta2(4) = (-0.0052 * 0.4879 * (1 - 0.4879) Delta2(4) = -0.0013 Delta_in(5) = (Delta(1) * w(5,1)) + (Delta(2) * w(5,2)) + (Delta(3) * w(5,3)) + (Delta(4) * w(5,4)) Delta_in(5) = (-0.0819 * 0.0532) + (-0.1481 * 0.1868) + (0.0766 * -0.4954) + (-0.1353 * 0.0492) Delta_in(5) = -0.0766 Delta2(5) = (Delta_in(5) * z(5) * (1 - z(5)) Delta2(5) = (-0.0766 * 0.7828 * (1 - 0.7828) Delta2(5) = -0.013 Delta_in(6) =
(Delta(1) *
w(6,1)) +
(Delta(2)
* w(6,2))
+ (Delta(3)
*
B-28 w(6,3)) + (Delta(4) * w(6,4)) Delta_in(6) = (-0.0819 * 0.0118) + (-0.1481 * 0.3168) + (0.0766 * 0.1219) + (-0.1353 * 0.2014) Delta_in(6) = -0.0658 Delta2(6) = (Delta_in(6) * z(6) * (1 - z(6)) Delta2(6) = (-0.0658 * 0.6942 * (1 - 0.6942) Delta2(6) = -0.014 Delta_in(7) = (Delta(1) * w(7,1)) + (Delta(2) * w(7,2)) + (Delta(3) * w(7,3)) + (Delta(4) * w(7,4)) Delta_in(7) = (-0.0819 * 0.0262) + (-0.1481 * -0.4946) + (0.0766 * 0.0633) + (-0.1353 * -0.3363) Delta_in(7) = 0.1215 Delta2(7) = (Delta_in(7) * z(7) * (1 - z(7)) Delta2(7) = (0.1215 * 0.2479 * (1 - 0.2479) Delta2(7) = 0.0227 Delta_in(8) = (Delta(1) * w(8,1)) + (Delta(2) * w(8,2)) + (Delta(3) * w(8,3)) + (Delta(4) * w(8,4)) Delta_in(8) = (-0.0819 * -0.3888) + (-0.1481 * 0.2588) + (0.0766 * 0.0384) + (-0.1353 * 0.4561) Delta_in(8) = -0.0653 Delta2(8) = (Delta_in(8) * z(8) * (1 - z(8)) Delta2(8) = (-0.0653 * 0.6288 * (1 - 0.6288) Delta2(8) = -0.0152 Delta_in(9) = (Delta(1) * w(9,1)) + (Delta(2) * w(9,2)) + (Delta(3) * w(9,3)) + (Delta(4) * w(9,4)) Delta_in(9) = (-0.0819 * 0.25) + (-0.1481 * 0.0674) + (0.0766 * 0.3343) + (0.1353 * -0.4386) Delta_in(9) = 0.0545 Delta2(9) = (Delta_in(9) * z(9) * (1 - z(9)) Delta2(9) = (0.0545 * 0.5315 * (1 - 0.5315) Delta2(9) = 0.0136 Delta_in(10) = (Delta(1) * w(10,1)) + (Delta(2) * w(10,2)) + (Delta(3) * w(10,3)) + (Delta(4) * w(10,4)) Delta_in(10) = (-0.0819 * 0.2155) + (-0.1481 * 0.2076) + (0.0766 * -0.038) + (-0.1353 * -0.029) Delta_in(10) = -0.0474 Delta2(10) = (Delta_in(10) * z(10) * (1 - z(10)) Delta2(10) = (-0.0474 * 0.2125 * (1 - 0.2125) Delta2(10) = -0.0079 DeltaV(1,1) DeltaV(1,1) DeltaV(1,2) DeltaV(1,2) DeltaV(1,3) DeltaV(1,3) DeltaV(1,4) DeltaV(1,4) DeltaV(1,5) DeltaV(1,5) DeltaV(1,6) DeltaV(1,6) DeltaV(1,7) DeltaV(1,7)
= = = = = = = = = = = = = =
Alpha 0.2 * Alpha 0.2 * Alpha 0.2 * Alpha 0.2 * Alpha 0.2 * Alpha 0.2 * Alpha 0.2 *
* Delta2(1) * X(1) 0.0199 * 0 = 0 * Delta2(2) * X(1) 0.0189 * 0 = 0 * Delta2(3) * X(1) 0.0154 * 0 = 0 * Delta2(4) * X(1) -0.0013 * 0 = 0 * Delta2(5) * X(1) -0.013 * 0 = 0 * Delta2(6) * X(1) -0.014 * 0 = 0 * Delta2(7) * X(1) 0.0227 * 0 = 0
B-29 DeltaV(1,8) = Alpha * Delta2(8) * X(1) DeltaV(1,8) = 0.2 * -0.0152 * 0 = 0 DeltaV(1,9) = Alpha * Delta2(9) * X(1) DeltaV(1,9) = 0.2 * 0.0136 * 0 = 0 DeltaV(1,10) = Alpha * Delta2(10) * X(1) DeltaV(1,10) = 0.2 * -0.0079 * 0 = 0 DeltaV(2,1) = Alpha * Delta2(1) * X(2) DeltaV(2,1) = 0.2 * 0.0199 * 0 = 0 DeltaV(2,2) = Alpha * Delta2(2) * X(2) DeltaV(2,2) = 0.2 * 0.0189 * 0 = 0 DeltaV(2,3) = Alpha * Delta2(3) * X(2) DeltaV(2,3) = 0.2 * 0.0154 * 0 = 0 DeltaV(2,4) = Alpha * Delta2(4) * X(2) DeltaV(2,4) = 0.2 * -0.0013 * 0 = 0 DeltaV(2,5) = Alpha * Delta2(5) * X(2) DeltaV(2,5) = 0.2 * -0.013 * 0 = 0 DeltaV(2,6) = Alpha * Delta2(6) * X(2) DeltaV(2,6) = 0.2 * -0.014 * 0 = 0 DeltaV(2,7) = Alpha * Delta2(7) * X(2) DeltaV(2,7) = 0.2 * 0.0227 * 0 = 0 DeltaV(2,8) = Alpha * Delta2(8) * X(2) DeltaV(2,8) = 0.2 * -0.0152 * 0 = 0 DeltaV(2,9) = Alpha * Delta2(9) * X(2) DeltaV(2,9) = 0.2 * 0.0136 * 0 = 0 DeltaV(2,10) = Alpha * Delta2(10) * X(2) DeltaV(2,10) = 0.2 * -0.0079 * 0 = 0 DeltaV(3,1) = Alpha * Delta2(1) * X(3) DeltaV(3,1) = 0.2 * 0.0199 * 1 = 0.00398 DeltaV(3,2) = Alpha * Delta2(2) * X(3) DeltaV(3,2) = 0.2 * 0.0189 * 1 = 0.00378 DeltaV(3,3) = Alpha * Delta2(3) * X(3) DeltaV(3,3) = 0.2 * 0.0154 * 1 = 0.00308 DeltaV(3,4) = Alpha * Delta2(4) * X(3) DeltaV(3,4) = 0.2 * -0.0013 * 1 = -0.00026 DeltaV(3,5) = Alpha * Delta2(5) * X(3) DeltaV(3,5) = 0.2 * -0.013 * 1 = -0.0026 DeltaV(3,6) = Alpha * Delta2(6) * X(3) DeltaV(3,6) = 0.2 * -0.014 * 1 = -0.0028 DeltaV(3,7) = Alpha * Delta2(7) * X(3) DeltaV(3,7) = 0.2 * 0.0227 * 1 = 0.00454 DeltaV(3,8) = Alpha * Delta2(8) * X(3) DeltaV(3,8) = 0.2 * -0.0152 * 1 = -0.00304 DeltaV(3,9) = Alpha * Delta2(9) * X(3) DeltaV(3,9) = 0.2 * 0.0136 * 1 = 0.00272 DeltaV(3,10) = Alpha * Delta2(10) * X(3) DeltaV(3,10) = 0.2 * -0.0079 * 1 = -0.00158 DeltaV(4,1) = Alpha * Delta2(1) * X(4) DeltaV(4,1) = 0.2 * 0.0199 * 0 = 0 DeltaV(4,2) = Alpha * Delta2(2) * X(4) DeltaV(4,2) = 0.2 * 0.0189 * 0 = 0 DeltaV(4,3) = Alpha * Delta2(3) * X(4) DeltaV(4,3) = 0.2 * 0.0154 * 0 = 0 DeltaV(4,4) = Alpha * Delta2(4) * X(4) DeltaV(4,4) = 0.2 * -0.0013 * 0 = 0 DeltaV(4,5) = Alpha * Delta2(5) * X(4) DeltaV(4,5) = 0.2 * -0.013 * 0 = 0 DeltaV(4,6) = Alpha * Delta2(6) * X(4) DeltaV(4,6) = 0.2 * -0.014 * 0 = 0 DeltaV(4,7) = Alpha * Delta2(7) * X(4) DeltaV(4,7) = 0.2 * 0.0227 * 0 = 0 DeltaV(4,8) = Alpha * Delta2(8) * X(4) DeltaV(4,8) = 0.2 * -0.0152 * 0 = 0 DeltaV(4,9) = Alpha * Delta2(9) * X(4)
B-30 DeltaV(4,9) = 0.2 * 0.0136 * 0 = 0 DeltaV(4,10) = Alpha * Delta2(10) * X(4) DeltaV(4,10) = 0.2 * -0.0079 * 0 = 0 DeltaV(5,1) = Alpha * Delta2(1) * X(5) DeltaV(5,1) = 0.2 * 0.0199 * 0 = 0 DeltaV(5,2) = Alpha * Delta2(2) * X(5) DeltaV(5,2) = 0.2 * 0.0189 * 0 = 0 DeltaV(5,3) = Alpha * Delta2(3) * X(5) DeltaV(5,3) = 0.2 * 0.0154 * 0 = 0 DeltaV(5,4) = Alpha * Delta2(4) * X(5) DeltaV(5,4) = 0.2 * -0.0013 * 0 = 0 DeltaV(5,5) = Alpha * Delta2(5) * X(5) DeltaV(5,5) = 0.2 * -0.013 * 0 = 0 DeltaV(5,6) = Alpha * Delta2(6) * X(5) DeltaV(5,6) = 0.2 * -0.014 * 0 = 0 DeltaV(5,7) = Alpha * Delta2(7) * X(5) DeltaV(5,7) = 0.2 * 0.0227 * 0 = 0 DeltaV(5,8) = Alpha * Delta2(8) * X(5) DeltaV(5,8) = 0.2 * -0.0152 * 0 = 0 DeltaV(5,9) = Alpha * Delta2(9) * X(5) DeltaV(5,9) = 0.2 * 0.0136 * 0 = 0 DeltaV(5,10) = Alpha * Delta2(10) * X(5) DeltaV(5,10) = 0.2 * -0.0079 * 0 = 0 DeltaV(6,1) = Alpha * Delta2(1) * X(6) DeltaV(6,1) = 0.2 * 0.0199 * 1 = 0.00398 DeltaV(6,2) = Alpha * Delta2(2) * X(6) DeltaV(6,2) = 0.2 * 0.0189 * 1 = 0.00378 DeltaV(6,3) = Alpha * Delta2(3) * X(6) DeltaV(6,3) = 0.2 * 0.0154 * 1 = 0.00308 DeltaV(6,4) = Alpha * Delta2(4) * X(6) DeltaV(6,4) = 0.2 * -0.0013 * 1 = -0.00026 DeltaV(6,5) = Alpha * Delta2(5) * X(6) DeltaV(6,5) = 0.2 * -0.013 * 1 = -0.0026 DeltaV(6,6) = Alpha * Delta2(6) * X(6) DeltaV(6,6) = 0.2 * -0.014 * 1 = -0.0028 DeltaV(6,7) = Alpha * Delta2(7) * X(6) DeltaV(6,7) = 0.2 * 0.0227 * 1 = 0.00454 DeltaV(6,8) = Alpha * Delta2(8) * X(6) DeltaV(6,8) = 0.2 * -0.0152 * 1 = -0.00304 DeltaV(6,9) = Alpha * Delta2(9) * X(6) DeltaV(6,9) = 0.2 * 0.0136 * 1 = 0.00272 DeltaV(6,10) = Alpha * Delta2(10) * X(6) DeltaV(6,10) = 0.2 * -0.0079 * 1 = -0.00158 DeltaV(7,1) = Alpha * Delta2(1) * X(7) DeltaV(7,1) = 0.2 * 0.0199 * 0 = 0 DeltaV(7,2) = Alpha * Delta2(2) * X(7) DeltaV(7,2) = 0.2 * 0.0189 * 0 = 0 DeltaV(7,3) = Alpha * Delta2(3) * X(7) DeltaV(7,3) = 0.2 * 0.0154 * 0 = 0 DeltaV(7,4) = Alpha * Delta2(4) * X(7) DeltaV(7,4) = 0.2 * -0.0013 * 0 = 0 DeltaV(7,5) = Alpha * Delta2(5) * X(7) DeltaV(7,5) = 0.2 * -0.013 * 0 = 0 DeltaV(7,6) = Alpha * Delta2(6) * X(7) DeltaV(7,6) = 0.2 * -0.014 * 0 = 0 DeltaV(7,7) = Alpha * Delta2(7) * X(7) DeltaV(7,7) = 0.2 * 0.0227 * 0 = 0 DeltaV(7,8) = Alpha * Delta2(8) * X(7) DeltaV(7,8) = 0.2 * -0.0152 * 0 = 0 DeltaV(7,9) = Alpha * Delta2(9) * X(7) DeltaV(7,9) = 0.2 * 0.0136 * 0 = 0 DeltaV(7,10) = Alpha * Delta2(10) * X(7) DeltaV(7,10) = 0.2 * -0.0079 * 0 = 0
B-31 DeltaV(8,1) = Alpha * Delta2(1) * X(8) DeltaV(8,1) = 0.2 * 0.0199 * 1 = 0.00398 DeltaV(8,2) = Alpha * Delta2(2) * X(8) DeltaV(8,2) = 0.2 * 0.0189 * 1 = 0.00378 DeltaV(8,3) = Alpha * Delta2(3) * X(8) DeltaV(8,3) = 0.2 * 0.0154 * 1 = 0.00308 DeltaV(8,4) = Alpha * Delta2(4) * X(8) DeltaV(8,4) = 0.2 * -0.0013 * 1 = -0.00026 DeltaV(8,5) = Alpha * Delta2(5) * X(8) DeltaV(8,5) = 0.2 * -0.013 * 1 = -0.0026 DeltaV(8,6) = Alpha * Delta2(6) * X(8) DeltaV(8,6) = 0.2 * -0.014 * 1 = -0.0028 DeltaV(8,7) = Alpha * Delta2(7) * X(8) DeltaV(8,7) = 0.2 * 0.0227 * 1 = 0.00454 DeltaV(8,8) = Alpha * Delta2(8) * X(8) DeltaV(8,8) = 0.2 * -0.0152 * 1 = -0.00304 DeltaV(8,9) = Alpha * Delta2(9) * X(8) DeltaV(8,9) = 0.2 * 0.0136 * 1 = 0.00272 DeltaV(8,10) = Alpha * Delta2(10) * X(8) DeltaV(8,10) = 0.2 * -0.0079 * 1 = -0.00158 DeltaV(9,1) = Alpha * Delta2(1) * X(9) DeltaV(9,1) = 0.2 * 0.0199 * 1 = 0.00398 DeltaV(9,2) = Alpha * Delta2(2) * X(9) DeltaV(9,2) = 0.2 * 0.0189 * 1 = 0.00378 DeltaV(9,3) = Alpha * Delta2(3) * X(9) DeltaV(9,3) = 0.2 * 0.0154 * 1 = 0.00308 DeltaV(9,4) = Alpha * Delta2(4) * X(9) DeltaV(9,4) = 0.2 * -0.0013 * 1 = -0.00026 DeltaV(9,5) = Alpha * Delta2(5) * X(9) DeltaV(9,5) = 0.2 * -0.013 * 1 = -0.0026 DeltaV(9,6) = Alpha * Delta2(6) * X(9) DeltaV(9,6) = 0.2 * -0.014 * 1 = -0.0028 DeltaV(9,7) = Alpha * Delta2(7) * X(9) DeltaV(9,7) = 0.2 * 0.0227 * 1 = 0.00454 DeltaV(9,8) = Alpha * Delta2(8) * X(9) DeltaV(9,8) = 0.2 * -0.0152 * 1 = -0.00304 DeltaV(9,9) = Alpha * Delta2(9) * X(9) DeltaV(9,9) = 0.2 * 0.0136 * 1 = 0.00272 DeltaV(9,10) = Alpha * Delta2(10) * X(9) DeltaV(9,10) = 0.2 * -0.0079 * 1 = -0.00158 DeltaV(10,1) = Alpha * Delta2(1) * X(10) DeltaV(10,1) = 0.2 * 0.0199 * 1 = 0.00398 DeltaV(10,2) = Alpha * Delta2(2) * X(10) DeltaV(10,2) = 0.2 * 0.0189 * 1 = 0.00378 DeltaV(10,3) = Alpha * Delta2(3) * X(10) DeltaV(10,3) = 0.2 * 0.0154 * 1 = 0.00308 DeltaV(10,4) = Alpha * Delta2(4) * X(10) DeltaV(10,4) = 0.2 * -0.0013 * 1 = -0.00026 DeltaV(10,5) = Alpha * Delta2(5) * X(10) DeltaV(10,5) = 0.2 * -0.013 * 1 = -0.0026 DeltaV(10,6) = Alpha * Delta2(6) * X(10) DeltaV(10,6) = 0.2 * -0.014 * 1 = -0.0028 DeltaV(10,7) = Alpha * Delta2(7) * X(10) DeltaV(10,7) = 0.2 * 0.0227 * 1 = 0.00454 DeltaV(10,8) = Alpha * Delta2(8) * X(10) DeltaV(10,8) = 0.2 * -0.0152 * 1 = -0.00304 DeltaV(10,9) = Alpha * Delta2(9) * X(10) DeltaV(10,9) = 0.2 * 0.0136 * 1 = 0.00272 DeltaV(10,10) = Alpha * Delta2(10) * X(10) DeltaV(10,10) = 0.2 * -0.0079 * 1 = -0.00158 DeltaV(11,1) = Alpha * Delta2(1) * X(11) DeltaV(11,1) = 0.2 * 0.0199 * 0 = 0 DeltaV(11,2) = Alpha * Delta2(2) * X(11)
B-32 DeltaV(11,2) = 0.2 * 0.0189 * 0 = 0 DeltaV(11,3) = Alpha * Delta2(3) * X(11) DeltaV(11,3) = 0.2 * 0.0154 * 0 = 0 DeltaV(11,4) = Alpha * Delta2(4) * X(11) DeltaV(11,4) = 0.2 * -0.0013 * 0 = 0 DeltaV(11,5) = Alpha * Delta2(5) * X(11) DeltaV(11,5) = 0.2 * -0.013 * 0 = 0 DeltaV(11,6) = Alpha * Delta2(6) * X(11) DeltaV(11,6) = 0.2 * -0.014 * 0 = 0 DeltaV(11,7) = Alpha * Delta2(7) * X(11) DeltaV(11,7) = 0.2 * 0.0227 * 0 = 0 DeltaV(11,8) = Alpha * Delta2(8) * X(11) DeltaV(11,8) = 0.2 * -0.0152 * 0 = 0 DeltaV(11,9) = Alpha * Delta2(9) * X(11) DeltaV(11,9) = 0.2 * 0.0136 * 0 = 0 DeltaV(11,10) = Alpha * Delta2(10) * X(11) DeltaV(11,10) = 0.2 * -0.0079 * 0 = 0 DeltaV(12,1) = Alpha * Delta2(1) * X(12) DeltaV(12,1) = 0.2 * 0.0199 * 1 = 0.00398 DeltaV(12,2) = Alpha * Delta2(2) * X(12) DeltaV(12,2) = 0.2 * 0.0189 * 1 = 0.00378 DeltaV(12,3) = Alpha * Delta2(3) * X(12) DeltaV(12,3) = 0.2 * 0.0154 * 1 = 0.00308 DeltaV(12,4) = Alpha * Delta2(4) * X(12) DeltaV(12,4) = 0.2 * -0.0013 * 1 = -0.00026 DeltaV(12,5) = Alpha * Delta2(5) * X(12) DeltaV(12,5) = 0.2 * -0.013 * 1 = -0.0026 DeltaV(12,6) = Alpha * Delta2(6) * X(12) DeltaV(12,6) = 0.2 * -0.014 * 1 = -0.0028 DeltaV(12,7) = Alpha * Delta2(7) * X(12) DeltaV(12,7) = 0.2 * 0.0227 * 1 = 0.00454 DeltaV(12,8) = Alpha * Delta2(8) * X(12) DeltaV(12,8) = 0.2 * -0.0152 * 1 = -0.00304 DeltaV(12,9) = Alpha * Delta2(9) * X(12) DeltaV(12,9) = 0.2 * 0.0136 * 1 = 0.00272 DeltaV(12,10) = Alpha * Delta2(10) * X(12) DeltaV(12,10) = 0.2 * -0.0079 * 1 = -0.00158 DeltaV(13,1) = Alpha * Delta2(1) * X(13) DeltaV(13,1) = 0.2 * 0.0199 * 1 = 0.00398 DeltaV(13,2) = Alpha * Delta2(2) * X(13) DeltaV(13,2) = 0.2 * 0.0189 * 1 = 0.00378 DeltaV(13,3) = Alpha * Delta2(3) * X(13) DeltaV(13,3) = 0.2 * 0.0154 * 1 = 0.00308 DeltaV(13,4) = Alpha * Delta2(4) * X(13) DeltaV(13,4) = 0.2 * -0.0013 * 1 = -0.00026 DeltaV(13,5) = Alpha * Delta2(5) * X(13) DeltaV(13,5) = 0.2 * -0.013 * 1 = -0.0026 DeltaV(13,6) = Alpha * Delta2(6) * X(13) DeltaV(13,6) = 0.2 * -0.014 * 1 = -0.0028 DeltaV(13,7) = Alpha * Delta2(7) * X(13) DeltaV(13,7) = 0.2 * 0.0227 * 1 = 0.00454 DeltaV(13,8) = Alpha * Delta2(8) * X(13) DeltaV(13,8) = 0.2 * -0.0152 * 1 = -0.00304 DeltaV(13,9) = Alpha * Delta2(9) * X(13) DeltaV(13,9) = 0.2 * 0.0136 * 1 = 0.00272 DeltaV(13,10) = Alpha * Delta2(10) * X(13) DeltaV(13,10) = 0.2 * -0.0079 * 1 = -0.00158 DeltaV(14,1) = Alpha * Delta2(1) * X(14) DeltaV(14,1) = 0.2 * 0.0199 * 1 = 0.00398 DeltaV(14,2) = Alpha * Delta2(2) * X(14) DeltaV(14,2) = 0.2 * 0.0189 * 1 = 0.00378 DeltaV(14,3) = Alpha * Delta2(3) * X(14) DeltaV(14,3) = 0.2 * 0.0154 * 1 = 0.00308
B-33 DeltaV(14,4) = Alpha * Delta2(4) * X(14) DeltaV(14,4) = 0.2 * -0.0013 * 1 = -0.00026 DeltaV(14,5) = Alpha * Delta2(5) * X(14) DeltaV(14,5) = 0.2 * -0.013 * 1 = -0.0026 DeltaV(14,6) = Alpha * Delta2(6) * X(14) DeltaV(14,6) = 0.2 * -0.014 * 1 = -0.0028 DeltaV(14,7) = Alpha * Delta2(7) * X(14) DeltaV(14,7) = 0.2 * 0.0227 * 1 = 0.00454 DeltaV(14,8) = Alpha * Delta2(8) * X(14) DeltaV(14,8) = 0.2 * -0.0152 * 1 = -0.00304 DeltaV(14,9) = Alpha * Delta2(9) * X(14) DeltaV(14,9) = 0.2 * 0.0136 * 1 = 0.00272 DeltaV(14,10) = Alpha * Delta2(10) * X(14) DeltaV(14,10) = 0.2 * -0.0079 * 1 = -0.00158 DeltaV(15,1) = Alpha * Delta2(1) * X(15) DeltaV(15,1) = 0.2 * 0.0199 * 1 = 0.00398 DeltaV(15,2) = Alpha * Delta2(2) * X(15) DeltaV(15,2) = 0.2 * 0.0189 * 1 = 0.00378 DeltaV(15,3) = Alpha * Delta2(3) * X(15) DeltaV(15,3) = 0.2 * 0.0154 * 1 = 0.00308 DeltaV(15,4) = Alpha * Delta2(4) * X(15) DeltaV(15,4) = 0.2 * -0.0013 * 1 = -0.00026 DeltaV(15,5) = Alpha * Delta2(5) * X(15) DeltaV(15,5) = 0.2 * -0.013 * 1 = -0.0026 DeltaV(15,6) = Alpha * Delta2(6) * X(15) DeltaV(15,6) = 0.2 * -0.014 * 1 = -0.0028 DeltaV(15,7) = Alpha * Delta2(7) * X(15) DeltaV(15,7) = 0.2 * 0.0227 * 1 = 0.00454 DeltaV(15,8) = Alpha * Delta2(8) * X(15) DeltaV(15,8) = 0.2 * -0.0152 * 1 = -0.00304 DeltaV(15,9) = Alpha * Delta2(9) * X(15) DeltaV(15,9) = 0.2 * 0.0136 * 1 = 0.00272 DeltaV(15,10) = Alpha * Delta2(10) * X(15) DeltaV(15,10) = 0.2 * -0.0079 * 1 = -0.00158 DeltaV(0,1) = Alpha * Delta2(1) DeltaV(0,1) = 0.2 * 0.0199 = 0.00398 DeltaV(0,2) = Alpha * Delta2(2) DeltaV(0,2) = 0.2 * 0.0189 = 0.00378 DeltaV(0,3) = Alpha * Delta2(3) DeltaV(0,3) = 0.2 * 0.0154 = 0.00308 DeltaV(0,4) = Alpha * Delta2(4) DeltaV(0,4) = 0.2 * -0.0013 = -0.00026 DeltaV(0,5) = Alpha * Delta2(5) DeltaV(0,5) = 0.2 * -0.013 = -0.0026 DeltaV(0,6) = Alpha * Delta2(6) DeltaV(0,6) = 0.2 * -0.014 = -0.0028 DeltaV(0,7) = Alpha * Delta2(7) DeltaV(0,7) = 0.2 * 0.0227 = 0.00454 DeltaV(0,8) = Alpha * Delta2(8) DeltaV(0,8) = 0.2 * -0.0152 = -0.00304 DeltaV(0,9) = Alpha * Delta2(9) DeltaV(0,9) = 0.2 * 0.0136 = 0.00272 DeltaV(0,10) = Alpha * Delta2(10) DeltaV(0,10) = 0.2 * -0.0079 = -0.00158 w(1,1) w(1,1) w(1,2) w(1,2) w(1,3) w(1,3) w(1,4)
= = = = = = =
w(1,1) + DeltaW(1,1) -0.4086 + -0.0104 = -0.419 w(1,2) + DeltaW(1,2) 0.0414 + -0.0187 = 0.0227 w(1,3) + DeltaW(1,3) -0.0588 + 0.0097 = -0.0491 w(1,4) + DeltaW(1,4)
B-34 w(1,4) w(2,1) w(2,1) w(2,2) w(2,2) w(2,3) w(2,3) w(2,4) w(2,4) w(3,1) w(3,1) w(3,2) w(3,2) w(3,3) w(3,3) w(3,4) w(3,4) w(4,1) w(4,1) w(4,2) w(4,2) w(4,3) w(4,3) w(4,4) w(4,4) w(5,1) w(5,1) w(5,2) w(5,2) w(5,3) w(5,3) w(5,4) w(5,4) w(6,1) w(6,1) w(6,2) w(6,2) w(6,3) w(6,3) w(6,4) w(6,4) w(7,1) w(7,1) w(7,2) w(7,2) w(7,3) w(7,3) w(7,4) w(7,4) w(8,1) w(8,1) w(8,2) w(8,2) w(8,3) w(8,3) w(8,4) w(8,4) w(9,1) w(9,1) w(9,2) w(9,2) w(9,3) w(9,3)
= = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = =
-0.4636 + -0.0171 = -0.4807 w(2,1) + DeltaW(2,1) -0.4462 + -0.0087 = -0.4549 w(2,2) + DeltaW(2,2) 0.1771 + -0.0157 = 0.1614 w(2,3) + DeltaW(2,3) 0.2986 + 0.0081 = 0.3067 w(2,4) + DeltaW(2,4) -0.3159 + -0.0143 = -0.3302 w(3,1) + DeltaW(3,1) -0.1815 + -0.0105 = -0.192 w(3,2) + DeltaW(3,2) -0.3914 + -0.0191 = -0.4105 w(3,3) + DeltaW(3,3) 0.2172 + 0.0099 = 0.2271 w(3,4) + DeltaW(3,4) 0.1644 + -0.0174 = 0.147 w(4,1) + DeltaW(4,1) 0.1454 + -0.008 = 0.1374 w(4,2) + DeltaW(4,2) 0.1076 + -0.0145 = 0.0931 w(4,3) + DeltaW(4,3) 0.2036 + 0.0075 = 0.2111 w(4,4) + DeltaW(4,4) -0.052 + -0.0132 = -0.0652 w(5,1) + DeltaW(5,1) 0.0532 + -0.0128 = 0.0404 w(5,2) + DeltaW(5,2) 0.1868 + -0.0232 = 0.1636 w(5,3) + DeltaW(5,3) -0.4954 + 0.012 = -0.4834 w(5,4) + DeltaW(5,4) 0.0492 + -0.0212 = 0.028 w(6,1) + DeltaW(6,1) 0.0118 + -0.0114 = 4.00000000000001E-04 w(6,2) + DeltaW(6,2) 0.3168 + -0.0206 = 0.2962 w(6,3) + DeltaW(6,3) 0.1219 + 0.0106 = 0.1325 w(6,4) + DeltaW(6,4) 0.2014 + -0.0188 = 0.1826 w(7,1) + DeltaW(7,1) 0.0262 + -0.0041 = 0.0221 w(7,2) + DeltaW(7,2) -0.4946 + -0.0073 = -0.5019 w(7,3) + DeltaW(7,3) 0.0633 + 0.0038 = 0.0671 w(7,4) + DeltaW(7,4) -0.3363 + -0.0067 = -0.343 w(8,1) + DeltaW(8,1) -0.3888 + -0.0103 = -0.3991 w(8,2) + DeltaW(8,2) 0.2588 + -0.0186 = 0.2402 w(8,3) + DeltaW(8,3) 0.0384 + 0.0096 = 0.048 w(8,4) + DeltaW(8,4) 0.4561 + -0.017 = 0.4391 w(9,1) + DeltaW(9,1) 0.25 + -0.0087 = 0.2413 w(9,2) + DeltaW(9,2) 0.0674 + -0.0157 = 0.0517 w(9,3) + DeltaW(9,3) 0.3343 + 0.0081 = 0.3424
B-35 w(9,4) = w(9,4) + DeltaW(9,4) w(9,4) = -0.4386 + -0.0144 = -0.453 w(10,1) = w(10,1) + DeltaW(10,1) w(10,1) = 0.2155 + -0.0035 = 0.212 w(10,2) = w(10,2) + DeltaW(10,2) w(10,2) = 0.2076 + -0.0063 = 0.2013 w(10,3) = w(10,3) + DeltaW(10,3) w(10,3) = -0.038 + 0.0033 = -0.0347 w(10,4) = w(10,4) + DeltaW(10,4) w(10,4) = -0.029 + -0.0058 = -0.0348 v(1,1) = v(1,1) + DeltaV(1,1) v(1,1) = 0.282 + 0 = 0.282 v(1,2) = v(1,2) + DeltaV(1,2) v(1,2) = 0.019 + 0 = 0.019 v(1,3) = v(1,3) + DeltaV(1,3) v(1,3) = -0.4576 + 0 = -0.4576 v(1,4) = v(1,4) + DeltaV(1,4) v(1,4) = -0.0278 + 0 = -0.0278 v(1,5) = v(1,5) + DeltaV(1,5) v(1,5) = 0.2138 + 0 = 0.2138 v(1,6) = v(1,6) + DeltaV(1,6) v(1,6) = 0.4889 + 0 = 0.4889 v(1,7) = v(1,7) + DeltaV(1,7) v(1,7) = 0.1324 + 0 = 0.1324 v(1,8) = v(1,8) + DeltaV(1,8) v(1,8) = 0.4676 + 0 = 0.4676 v(1,9) = v(1,9) + DeltaV(1,9) v(1,9) = 0.1965 + 0 = 0.1965 v(1,10) = v(1,10) + DeltaV(1,10) v(1,10) = 0.2753 + 0 = 0.2753 v(2,1) = v(2,1) + DeltaV(2,1) v(2,1) = -0.2276 + 0 = -0.2276 v(2,2) = v(2,2) + DeltaV(2,2) v(2,2) = -0.45788 + 0 = -0.45788 v(2,3) = v(2,3) + DeltaV(2,3) v(2,3) = 0.4976 + 0 = 0.4976 v(2,4) = v(2,4) + DeltaV(2,4) v(2,4) = 0.37458 + 0 = 0.37458 v(2,5) = v(2,5) + DeltaV(2,5) v(2,5) = -0.26748 + 0 = -0.26748 v(2,6) = v(2,6) + DeltaV(2,6) v(2,6) = -0.32934 + 0 = -0.32934 v(2,7) = v(2,7) + DeltaV(2,7) v(2,7) = 0.11164 + 0 = 0.11164 v(2,8) = v(2,8) + DeltaV(2,8) v(2,8) = -0.46622 + 0 = -0.46622 v(2,9) = v(2,9) + DeltaV(2,9) v(2,9) = -0.00288 + 0 = -0.00288 v(2,10) = v(2,10) + DeltaV(2,10) v(2,10) = 0.1166 + 0 = 0.1166 v(3,1) = v(3,1) + DeltaV(3,1) v(3,1) = 0.0429 + 0.00398 = 0.04688 v(3,2) = v(3,2) + DeltaV(3,2) v(3,2) = 0.2672 + 0.00378 = 0.27098 v(3,3) = v(3,3) + DeltaV(3,3) v(3,3) = 0.3287 + 0.00308 = 0.33178 v(3,4) = v(3,4) + DeltaV(3,4) v(3,4) = -0.3869 + -0.00026 = -0.38716 v(3,5) = v(3,5) + DeltaV(3,5) v(3,5) = 0.0256 + -0.0026 = 0.023 v(3,6) = v(3,6) + DeltaV(3,6) v(3,6) = 0.0536 + -0.0028 = 0.0508
B-36 v(3,7) = v(3,7) + DeltaV(3,7) v(3,7) = 0.2352 + 0.00454 = 0.23974 v(3,8) = v(3,8) + DeltaV(3,8) v(3,8) = 0.4249 + -0.00304 = 0.42186 v(3,9) = v(3,9) + DeltaV(3,9) v(3,9) = 0.3247 + 0.00272 = 0.32742 v(3,10) = v(3,10) + DeltaV(3,10) v(3,10) = -0.1092 + -0.00158 = -0.11078 v(4,1) = v(4,1) + DeltaV(4,1) v(4,1) = 0.1916 + 0 = 0.1916 v(4,2) = v(4,2) + DeltaV(4,2) v(4,2) = -0.44978 + 0 = -0.44978 v(4,3) = v(4,3) + DeltaV(4,3) v(4,3) = -0.0578 + 0 = -0.0578 v(4,4) = v(4,4) + DeltaV(4,4) v(4,4) = 0.30648 + 0 = 0.30648 v(4,5) = v(4,5) + DeltaV(4,5) v(4,5) = 0.20252 + 0 = 0.20252 v(4,6) = v(4,6) + DeltaV(4,6) v(4,6) = -0.00484 + 0 = -0.00484 v(4,7) = v(4,7) + DeltaV(4,7) v(4,7) = -0.39306 + 0 = -0.39306 v(4,8) = v(4,8) + DeltaV(4,8) v(4,8) = -0.21802 + 0 = -0.21802 v(4,9) = v(4,9) + DeltaV(4,9) v(4,9) = -0.21648 + 0 = -0.21648 v(4,10) = v(4,10) + DeltaV(4,10) v(4,10) = -0.2425 + 0 = -0.2425 v(5,1) = v(5,1) + DeltaV(5,1) v(5,1) = -0.1453 + 0 = -0.1453 v(5,2) = v(5,2) + DeltaV(5,2) v(5,2) = -0.4337 + 0 = -0.4337 v(5,3) = v(5,3) + DeltaV(5,3) v(5,3) = 0.4315 + 0 = 0.4315 v(5,4) = v(5,4) + DeltaV(5,4) v(5,4) = -0.4296 + 0 = -0.4296 v(5,5) = v(5,5) + DeltaV(5,5) v(5,5) = 0.1538 + 0 = 0.1538 v(5,6) = v(5,6) + DeltaV(5,6) v(5,6) = 0.4035 + 0 = 0.4035 v(5,7) = v(5,7) + DeltaV(5,7) v(5,7) = 0.3888 + 0 = 0.3888 v(5,8) = v(5,8) + DeltaV(5,8) v(5,8) = -0.3015 + 0 = -0.3015 v(5,9) = v(5,9) + DeltaV(5,9) v(5,9) = -0.2307 + 0 = -0.2307 v(5,10) = v(5,10) + DeltaV(5,10) v(5,10) = -0.1773 + 0 = -0.1773 v(6,1) = v(6,1) + DeltaV(6,1) v(6,1) = -0.3385 + 0.00398 = -0.33452 v(6,2) = v(6,2) + DeltaV(6,2) v(6,2) = 0.14032 + 0.00378 = 0.1441 v(6,3) = v(6,3) + DeltaV(6,3) v(6,3) = 0.4375 + 0.00308 = 0.44058 v(6,4) = v(6,4) + DeltaV(6,4) v(6,4) = 0.28908 + -0.00026 = 0.28882 v(6,5) = v(6,5) + DeltaV(6,5) v(6,5) = -0.01118 + -0.0026 = -0.01378 v(6,6) = v(6,6) + DeltaV(6,6) v(6,6) = -0.36394 + -0.0028 = -0.36674 v(6,7) = v(6,7) + DeltaV(6,7) v(6,7) = -0.31566 + 0.00454 = -0.31112 v(6,8) = v(6,8) + DeltaV(6,8)
B-37 v(6,8) = 0.08108 + -0.00304 = 0.07804 v(6,9) = v(6,9) + DeltaV(6,9) v(6,9) = -0.37928 + 0.00272 = -0.37656 v(6,10) = v(6,10) + DeltaV(6,10) v(6,10) = -0.2853 + -0.00158 = -0.28688 v(7,1) = v(7,1) + DeltaV(7,1) v(7,1) = -0.018 + 0 = -0.018 v(7,2) = v(7,2) + DeltaV(7,2) v(7,2) = 0.17902 + 0 = 0.17902 v(7,3) = v(7,3) + DeltaV(7,3) v(7,3) = -0.4129 + 0 = -0.4129 v(7,4) = v(7,4) + DeltaV(7,4) v(7,4) = -0.15952 + 0 = -0.15952 v(7,5) = v(7,5) + DeltaV(7,5) v(7,5) = -0.39968 + 0 = -0.39968 v(7,6) = v(7,6) + DeltaV(7,6) v(7,6) = 0.33296 + 0 = 0.33296 v(7,7) = v(7,7) + DeltaV(7,7) v(7,7) = -0.14076 + 0 = -0.14076 v(7,8) = v(7,8) + DeltaV(7,8) v(7,8) = 0.29068 + 0 = 0.29068 v(7,9) = v(7,9) + DeltaV(7,9) v(7,9) = 0.25752 + 0 = 0.25752 v(7,10) = v(7,10) + DeltaV(7,10) v(7,10) = -0.1958 + 0 = -0.1958 v(8,1) = v(8,1) + DeltaV(8,1) v(8,1) = 0.4479 + 0.00398 = 0.45188 v(8,2) = v(8,2) + DeltaV(8,2) v(8,2) = -0.21878 + 0.00378 = -0.215 v(8,3) = v(8,3) + DeltaV(8,3) v(8,3) = -0.4851 + 0.00308 = -0.48202 v(8,4) = v(8,4) + DeltaV(8,4) v(8,4) = -0.41182 + -0.00026 = -0.41208 v(8,5) = v(8,5) + DeltaV(8,5) v(8,5) = 0.09162 + -0.0026 = 0.08902 v(8,6) = v(8,6) + DeltaV(8,6) v(8,6) = -0.40664 + -0.0028 = -0.40944 v(8,7) = v(8,7) + DeltaV(8,7) v(8,7) = -0.18746 + 0.00454 = -0.18292 v(8,8) = v(8,8) + DeltaV(8,8) v(8,8) = -0.30342 + -0.00304 = -0.30646 v(8,9) = v(8,9) + DeltaV(8,9) v(8,9) = 0.03992 + 0.00272 = 0.04264 v(8,10) = v(8,10) + DeltaV(8,10) v(8,10) = -0.0116 + -0.00158 = -0.01318 v(9,1) = v(9,1) + DeltaV(9,1) v(9,1) = 0.4265 + 0.00398 = 0.43048 v(9,2) = v(9,2) + DeltaV(9,2) v(9,2) = -0.15468 + 0.00378 = -0.1509 v(9,3) = v(9,3) + DeltaV(9,3) v(9,3) = 0.3226 + 0.00308 = 0.32568 v(9,4) = v(9,4) + DeltaV(9,4) v(9,4) = 0.16498 + -0.00026 = 0.16472 v(9,5) = v(9,5) + DeltaV(9,5) v(9,5) = 0.09562 + -0.0026 = 0.09302 v(9,6) = v(9,6) + DeltaV(9,6) v(9,6) = 0.31556 + -0.0028 = 0.31276 v(9,7) = v(9,7) + DeltaV(9,7) v(9,7) = -0.35436 + 0.00454 = -0.34982 v(9,8) = v(9,8) + DeltaV(9,8) v(9,8) = -0.06842 + -0.00304 = -0.07146 v(9,9) = v(9,9) + DeltaV(9,9) v(9,9) = 0.33492 + 0.00272 = 0.33764
B-38 v(9,10) = v(9,10) + DeltaV(9,10) v(9,10) = 0.1033 + -0.00158 = 0.10172 v(10,1) = v(10,1) + DeltaV(10,1) v(10,1) = 0.286 + 0.00398 = 0.28998 v(10,2) = v(10,2) + DeltaV(10,2) v(10,2) = -0.2587 + 0.00378 = -0.25492 v(10,3) = v(10,3) + DeltaV(10,3) v(10,3) = -0.3589 + 0.00308 = -0.35582 v(10,4) = v(10,4) + DeltaV(10,4) v(10,4) = 0.2072 + -0.00026 = 0.20694 v(10,5) = v(10,5) + DeltaV(10,5) v(10,5) = 0.2433 + -0.0026 = 0.2407 v(10,6) = v(10,6) + DeltaV(10,6) v(10,6) = -0.1306 + -0.0028 = -0.1334 v(10,7) = v(10,7) + DeltaV(10,7) v(10,7) = 0.2565 + 0.00454 = 0.26104 v(10,8) = v(10,8) + DeltaV(10,8) v(10,8) = 0.3608 + -0.00304 = 0.35776 v(10,9) = v(10,9) + DeltaV(10,9) v(10,9) = -0.4831 + 0.00272 = -0.48038 v(10,10) = v(10,10) + DeltaV(10,10) v(10,10) = 0.314 + -0.00158 = 0.31242 v(11,1) = v(11,1) + DeltaV(11,1) v(11,1) = -0.0781 + 0 = -0.0781 v(11,2) = v(11,2) + DeltaV(11,2) v(11,2) = 0.09352 + 0 = 0.09352 v(11,3) = v(11,3) + DeltaV(11,3) v(11,3) = 0.109 + 0 = 0.109 v(11,4) = v(11,4) + DeltaV(11,4) v(11,4) = 0.07148 + 0 = 0.07148 v(11,5) = v(11,5) + DeltaV(11,5) v(11,5) = 0.17302 + 0 = 0.17302 v(11,6) = v(11,6) + DeltaV(11,6) v(11,6) = -0.38534 + 0 = -0.38534 v(11,7) = v(11,7) + DeltaV(11,7) v(11,7) = -0.25156 + 0 = -0.25156 v(11,8) = v(11,8) + DeltaV(11,8) v(11,8) = -0.11122 + 0 = -0.11122 v(11,9) = v(11,9) + DeltaV(11,9) v(11,9) = 0.46312 + 0 = 0.46312 v(11,10) = v(11,10) + DeltaV(11,10) v(11,10) = -0.2812 + 0 = -0.2812 v(12,1) = v(12,1) + DeltaV(12,1) v(12,1) = -0.2948 + 0.00398 = -0.29082 v(12,2) = v(12,2) + DeltaV(12,2) v(12,2) = 0.0149 + 0.00378 = 0.01868 v(12,3) = v(12,3) + DeltaV(12,3) v(12,3) = 0.0856 + 0.00308 = 0.08868 v(12,4) = v(12,4) + DeltaV(12,4) v(12,4) = 0.1391 + -0.00026 = 0.13884 v(12,5) = v(12,5) + DeltaV(12,5) v(12,5) = -0.0212 + -0.0026 = -0.0238 v(12,6) = v(12,6) + DeltaV(12,6) v(12,6) = 0.4595 + -0.0028 = 0.4567 v(12,7) = v(12,7) + DeltaV(12,7) v(12,7) = -0.2481 + 0.00454 = -0.24356 v(12,8) = v(12,8) + DeltaV(12,8) v(12,8) = -0.391 + -0.00304 = -0.39404 v(12,9) = v(12,9) + DeltaV(12,9) v(12,9) = 0.3033 + 0.00272 = 0.30602 v(12,10) = v(12,10) + DeltaV(12,10) v(12,10) = -0.0451 + -0.00158 = -0.04668 v(13,1) = v(13,1) + DeltaV(13,1)
B-39 v(13,1) = -0.0007 + 0.00398 = 0.00328 v(13,2) = v(13,2) + DeltaV(13,2) v(13,2) = 0.39262 + 0.00378 = 0.3964 v(13,3) = v(13,3) + DeltaV(13,3) v(13,3) = -0.0538 + 0.00308 = -0.05072 v(13,4) = v(13,4) + DeltaV(13,4) v(13,4) = 0.02868 + -0.00026 = 0.02842 v(13,5) = v(13,5) + DeltaV(13,5) v(13,5) = 0.30122 + -0.0026 = 0.29862 v(13,6) = v(13,6) + DeltaV(13,6) v(13,6) = 0.23016 + -0.0028 = 0.22736 v(13,7) = v(13,7) + DeltaV(13,7) v(13,7) = -0.09796 + 0.00454 = -0.09342 v(13,8) = v(13,8) + DeltaV(13,8) v(13,8) = 0.16248 + -0.00304 = 0.15944 v(13,9) = v(13,9) + DeltaV(13,9) v(13,9) = -0.35788 + 0.00272 = -0.35516 v(13,10) = v(13,10) + DeltaV(13,10) v(13,10) = -0.3493 + -0.00158 = -0.35088 v(14,1) = v(14,1) + DeltaV(14,1) v(14,1) = 0.1751 + 0.00398 = 0.17908 v(14,2) = v(14,2) + DeltaV(14,2) v(14,2) = 0.3394 + 0.00378 = 0.34318 v(14,3) = v(14,3) + DeltaV(14,3) v(14,3) = -0.419 + 0.00308 = -0.41592 v(14,4) = v(14,4) + DeltaV(14,4) v(14,4) = 0.1217 + -0.00026 = 0.12144 v(14,5) = v(14,5) + DeltaV(14,5) v(14,5) = 0.4996 + -0.0026 = 0.497 v(14,6) = v(14,6) + DeltaV(14,6) v(14,6) = 0.1004 + -0.0028 = 0.0976 v(14,7) = v(14,7) + DeltaV(14,7) v(14,7) = -0.4363 + 0.00454 = -0.43176 v(14,8) = v(14,8) + DeltaV(14,8) v(14,8) = -0.0919 + -0.00304 = -0.09494 v(14,9) = v(14,9) + DeltaV(14,9) v(14,9) = 0.4061 + 0.00272 = 0.40882 v(14,10) = v(14,10) + DeltaV(14,10) v(14,10) = -0.0878 + -0.00158 = -0.08938 v(15,1) = v(15,1) + DeltaV(15,1) v(15,1) = 0.1275 + 0.00398 = 0.13148 v(15,2) = v(15,2) + DeltaV(15,2) v(15,2) = 0.00812 + 0.00378 = 0.0119 v(15,3) = v(15,3) + DeltaV(15,3) v(15,3) = 0.3654 + 0.00308 = 0.36848 v(15,4) = v(15,4) + DeltaV(15,4) v(15,4) = 0.03678 + -0.00026 = 0.03652 v(15,5) = v(15,5) + DeltaV(15,5) v(15,5) = 0.48022 + -0.0026 = 0.47762 v(15,6) = v(15,6) + DeltaV(15,6) v(15,6) = 0.16206 + -0.0028 = 0.15926 v(15,7) = v(15,7) + DeltaV(15,7) v(15,7) = 0.37204 + 0.00454 = 0.37658 v(15,8) = v(15,8) + DeltaV(15,8) v(15,8) = 0.48698 + -0.00304 = 0.48394 v(15,9) = v(15,9) + DeltaV(15,9) v(15,9) = 0.40302 + 0.00272 = 0.40574 v(15,10) = v(15,10) + DeltaV(15,10) v(15,10) = -0.3667 + -0.00158 = -0.36828 Dan seterusnya… Proses perhitungan berulang untuk epoh ke-2, epoh ke-3 sampai epoh ke-10.
B-40 Hasil akhir perhitungan bobot pada epoh ke-10 adalah sebagai berikut: w(1,1) w(1,1) w(1,2) w(1,2) w(1,3) w(1,3) w(1,4) w(1,4) w(2,1) w(2,1) w(2,2) w(2,2) w(2,3) w(2,3) w(2,4) w(2,4) w(3,1) w(3,1) w(3,2) w(3,2) w(3,3) w(3,3) w(3,4) w(3,4) w(4,1) w(4,1) w(4,2) w(4,2) w(4,3) w(4,3) w(4,4) w(4,4) w(5,1) w(5,1) w(5,2) w(5,2) w(5,3) w(5,3) w(5,4) w(5,4) w(6,1) w(6,1) w(6,2) w(6,2) w(6,3) w(6,3) w(6,4) w(6,4) w(7,1) w(7,1) w(7,2) w(7,2) w(7,3) w(7,3) w(7,4) w(7,4) w(8,1) w(8,1) w(8,2) w(8,2) w(8,3)
= = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = =
w(1,1) + DeltaW(1,1) -0.5467 + -0.0048 = -0.5515 w(1,2) + DeltaW(1,2) -0.2136 + -0.0103 = -0.2239 w(1,3) + DeltaW(1,3) -0.11 + 0.0129 = -0.0971 w(1,4) + DeltaW(1,4) -0.4933 + -0.0169 = -0.5102 w(2,1) + DeltaW(2,1) -0.5387 + -0.004 = -0.5427 w(2,2) + DeltaW(2,2) 9.99999999999942E-05 + -0.0086 = -8.50000000000001E-03 w(2,3) + DeltaW(2,3) 0.304 + 0.0107 = 0.3147 w(2,4) + DeltaW(2,4) -0.3799 + -0.0141 = -0.394 w(3,1) + DeltaW(3,1) -0.3467 + -0.0049 = -0.3516 w(3,2) + DeltaW(3,2) -0.6907 + -0.0106 = -0.7013 w(3,3) + DeltaW(3,3) 0.1136 + 0.0132 = 0.1268 w(3,4) + DeltaW(3,4) 0.1756 + -0.0173 = 0.1583 w(4,1) + DeltaW(4,1) 0.0217 + -0.0033 = 0.0184 w(4,2) + DeltaW(4,2) -0.1149 + -0.0071 = -0.122 w(4,3) + DeltaW(4,3) 0.1177 + 0.0088 = 0.1265 w(4,4) + DeltaW(4,4) -0.0342 + -0.0116 = -0.0458 w(5,1) + DeltaW(5,1) -0.0977 + -0.0054 = -0.1031 w(5,2) + DeltaW(5,2) -0.095 + -0.0116 = -0.1066 w(5,3) + DeltaW(5,3) -0.5303 + 0.0144 = -0.5159 w(5,4) + DeltaW(5,4) -0.007 + -0.0189 = -0.0259 w(6,1) + DeltaW(6,1) -0.1153 + -0.0045 = -0.1198 w(6,2) + DeltaW(6,2) 0.0787 + -0.0097 = 0.069 w(6,3) + DeltaW(6,3) 0.1 + 0.0121 = 0.1121 w(6,4) + DeltaW(6,4) 0.146 + -0.0158 = 0.1302 w(7,1) + DeltaW(7,1) -0.0254 + -0.0022 = -0.0276 w(7,2) + DeltaW(7,2) -0.5914 + -0.0048 = -0.5962 w(7,3) + DeltaW(7,3) 0.056 + 0.006 = 0.062 w(7,4) + DeltaW(7,4) -0.3605 + -0.0078 = -0.3683 w(8,1) + DeltaW(8,1) -0.5065 + -0.0042 = -0.5107 w(8,2) + DeltaW(8,2) 0.0382 + -0.0091 = 0.0291 w(8,3) + DeltaW(8,3)
B-41 w(8,3) = 0.0154 + 0.0113 = 0.0267 w(8,4) = w(8,4) + DeltaW(8,4) w(8,4) = 0.4076 + -0.0149 = 0.3927 w(9,1) = w(9,1) + DeltaW(9,1) w(9,1) = 0.1348 + -0.0037 = 0.1311 w(9,2) = w(9,2) + DeltaW(9,2) w(9,2) = -0.1447 + -0.008 = -0.1527 w(9,3) = w(9,3) + DeltaW(9,3) w(9,3) = 0.2851 + 0.01 = 0.2951 w(9,4) = w(9,4) + DeltaW(9,4) w(9,4) = -0.4563 + -0.0131 = -0.4694 w(10,1) = w(10,1) + DeltaW(10,1) w(10,1) = 0.1805 + -0.0013 = 0.1792 w(10,2) = w(10,2) + DeltaW(10,2) w(10,2) = 0.1409 + -0.0029 = 0.138 w(10,3) = w(10,3) + DeltaW(10,3) w(10,3) = -0.0379 + 0.0036 = -0.0343 w(10,4) = w(10,4) + DeltaW(10,4) w(10,4) = -0.0513 + -0.0047 = -0.056 v(1,1) = v(1,1) + DeltaV(1,1) v(1,1) = 0.282 + 0 = 0.282 v(1,2) = v(1,2) + DeltaV(1,2) v(1,2) = 0.019 + 0 = 0.019 v(1,3) = v(1,3) + DeltaV(1,3) v(1,3) = -0.4576 + 0 = -0.4576 v(1,4) = v(1,4) + DeltaV(1,4) v(1,4) = -0.0278 + 0 = -0.0278 v(1,5) = v(1,5) + DeltaV(1,5) v(1,5) = 0.2138 + 0 = 0.2138 v(1,6) = v(1,6) + DeltaV(1,6) v(1,6) = 0.4889 + 0 = 0.4889 v(1,7) = v(1,7) + DeltaV(1,7) v(1,7) = 0.1324 + 0 = 0.1324 v(1,8) = v(1,8) + DeltaV(1,8) v(1,8) = 0.4676 + 0 = 0.4676 v(1,9) = v(1,9) + DeltaV(1,9) v(1,9) = 0.1965 + 0 = 0.1965 v(1,10) = v(1,10) + DeltaV(1,10) v(1,10) = 0.2753 + 0 = 0.2753 v(2,1) = v(2,1) + DeltaV(2,1) v(2,1) = -0.23038 + 0 = -0.23038 v(2,2) = v(2,2) + DeltaV(2,2) v(2,2) = -0.4818 + 0 = -0.4818 v(2,3) = v(2,3) + DeltaV(2,3) v(2,3) = 0.51898 + 0 = 0.51898 v(2,4) = v(2,4) + DeltaV(2,4) v(2,4) = 0.35826 + 0 = 0.35826 v(2,5) = v(2,5) + DeltaV(2,5) v(2,5) = -0.23652 + 0 = -0.23652 v(2,6) = v(2,6) + DeltaV(2,6) v(2,6) = -0.33684 + 0 = -0.33684 v(2,7) = v(2,7) + DeltaV(2,7) v(2,7) = 0.11372 + 0 = 0.11372 v(2,8) = v(2,8) + DeltaV(2,8) v(2,8) = -0.43992 + 0 = -0.43992 v(2,9) = v(2,9) + DeltaV(2,9) v(2,9) = -0.0528 + 0 = -0.0528 v(2,10) = v(2,10) + DeltaV(2,10) v(2,10) = 0.11052 + 0 = 0.11052 v(3,1) = v(3,1) + DeltaV(3,1) v(3,1) = 0.07864 + 0.00352 = 0.08216 v(3,2) = v(3,2) + DeltaV(3,2)
B-42 v(3,2) = 0.30494 + 0.00448 = 0.30942 v(3,3) = v(3,3) + DeltaV(3,3) v(3,3) = 0.35576 + 0.0021 = 0.35786 v(3,4) = v(3,4) + DeltaV(3,4) v(3,4) = -0.38092 + 0.00114 = -0.37978 v(3,5) = v(3,5) + DeltaV(3,5) v(3,5) = 0.00938 + -0.00128 = 0.0081 v(3,6) = v(3,6) + DeltaV(3,6) v(3,6) = 0.03948 + -0.00046 = 0.03902 v(3,7) = v(3,7) + DeltaV(3,7) v(3,7) = 0.2763 + 0.00408 = 0.28038 v(3,8) = v(3,8) + DeltaV(3,8) v(3,8) = 0.40464 + -0.00156 = 0.40308 v(3,9) = v(3,9) + DeltaV(3,9) v(3,9) = 0.35852 + 0.00432 = 0.36284 v(3,10) = v(3,10) + DeltaV(3,10) v(3,10) = -0.11814 + -0.00044 = -0.11858 v(4,1) = v(4,1) + DeltaV(4,1) v(4,1) = 0.18882 + 0 = 0.18882 v(4,2) = v(4,2) + DeltaV(4,2) v(4,2) = -0.4737 + 0 = -0.4737 v(4,3) = v(4,3) + DeltaV(4,3) v(4,3) = -0.03642 + 0 = -0.03642 v(4,4) = v(4,4) + DeltaV(4,4) v(4,4) = 0.29016 + 0 = 0.29016 v(4,5) = v(4,5) + DeltaV(4,5) v(4,5) = 0.23348 + 0 = 0.23348 v(4,6) = v(4,6) + DeltaV(4,6) v(4,6) = -0.01234 + 0 = -0.01234 v(4,7) = v(4,7) + DeltaV(4,7) v(4,7) = -0.39098 + 0 = -0.39098 v(4,8) = v(4,8) + DeltaV(4,8) v(4,8) = -0.19172 + 0 = -0.19172 v(4,9) = v(4,9) + DeltaV(4,9) v(4,9) = -0.2664 + 0 = -0.2664 v(4,10) = v(4,10) + DeltaV(4,10) v(4,10) = -0.24858 + 0 = -0.24858 v(5,1) = v(5,1) + DeltaV(5,1) v(5,1) = -0.1453 + 0 = -0.1453 v(5,2) = v(5,2) + DeltaV(5,2) v(5,2) = -0.4337 + 0 = -0.4337 v(5,3) = v(5,3) + DeltaV(5,3) v(5,3) = 0.4315 + 0 = 0.4315 v(5,4) = v(5,4) + DeltaV(5,4) v(5,4) = -0.4296 + 0 = -0.4296 v(5,5) = v(5,5) + DeltaV(5,5) v(5,5) = 0.1538 + 0 = 0.1538 v(5,6) = v(5,6) + DeltaV(5,6) v(5,6) = 0.4035 + 0 = 0.4035 v(5,7) = v(5,7) + DeltaV(5,7) v(5,7) = 0.3888 + 0 = 0.3888 v(5,8) = v(5,8) + DeltaV(5,8) v(5,8) = -0.3015 + 0 = -0.3015 v(5,9) = v(5,9) + DeltaV(5,9) v(5,9) = -0.2307 + 0 = -0.2307 v(5,10) = v(5,10) + DeltaV(5,10) v(5,10) = -0.1773 + 0 = -0.1773 v(6,1) = v(6,1) + DeltaV(6,1) v(6,1) = -0.30554 + 0.00352 = -0.30202 v(6,2) = v(6,2) + DeltaV(6,2) v(6,2) = 0.15414 + 0.00448 = 0.15862 v(6,3) = v(6,3) + DeltaV(6,3) v(6,3) = 0.48594 + 0.0021 = 0.48804
B-43 v(6,4) = v(6,4) + DeltaV(6,4) v(6,4) = 0.27874 + 0.00114 = 0.27988 v(6,5) = v(6,5) + DeltaV(6,5) v(6,5) = 0.00356 + -0.00128 = 0.00228 v(6,6) = v(6,6) + DeltaV(6,6) v(6,6) = -0.38556 + -0.00046 = -0.38602 v(6,7) = v(6,7) + DeltaV(6,7) v(6,7) = -0.27248 + 0.00408 = -0.2684 v(6,8) = v(6,8) + DeltaV(6,8) v(6,8) = 0.08712 + -0.00156 = 0.08556 v(6,9) = v(6,9) + DeltaV(6,9) v(6,9) = -0.39538 + 0.00432 = -0.39106 v(6,10) = v(6,10) + DeltaV(6,10) v(6,10) = -0.30032 + -0.00044 = -0.30076 v(7,1) = v(7,1) + DeltaV(7,1) v(7,1) = -0.02078 + 0 = -0.02078 v(7,2) = v(7,2) + DeltaV(7,2) v(7,2) = 0.1551 + 0 = 0.1551 v(7,3) = v(7,3) + DeltaV(7,3) v(7,3) = -0.39152 + 0 = -0.39152 v(7,4) = v(7,4) + DeltaV(7,4) v(7,4) = -0.17584 + 0 = -0.17584 v(7,5) = v(7,5) + DeltaV(7,5) v(7,5) = -0.36872 + 0 = -0.36872 v(7,6) = v(7,6) + DeltaV(7,6) v(7,6) = 0.32546 + 0 = 0.32546 v(7,7) = v(7,7) + DeltaV(7,7) v(7,7) = -0.13868 + 0 = -0.13868 v(7,8) = v(7,8) + DeltaV(7,8) v(7,8) = 0.31698 + 0 = 0.31698 v(7,9) = v(7,9) + DeltaV(7,9) v(7,9) = 0.2076 + 0 = 0.2076 v(7,10) = v(7,10) + DeltaV(7,10) v(7,10) = -0.20188 + 0 = -0.20188 v(8,1) = v(8,1) + DeltaV(8,1) v(8,1) = 0.48086 + 0.00352 = 0.48438 v(8,2) = v(8,2) + DeltaV(8,2) v(8,2) = -0.20496 + 0.00448 = -0.20048 v(8,3) = v(8,3) + DeltaV(8,3) v(8,3) = -0.43666 + 0.0021 = -0.43456 v(8,4) = v(8,4) + DeltaV(8,4) v(8,4) = -0.42216 + 0.00114 = -0.42102 v(8,5) = v(8,5) + DeltaV(8,5) v(8,5) = 0.10636 + -0.00128 = 0.10508 v(8,6) = v(8,6) + DeltaV(8,6) v(8,6) = -0.42826 + -0.00046 = -0.42872 v(8,7) = v(8,7) + DeltaV(8,7) v(8,7) = -0.14428 + 0.00408 = -0.1402 v(8,8) = v(8,8) + DeltaV(8,8) v(8,8) = -0.29738 + -0.00156 = -0.29894 v(8,9) = v(8,9) + DeltaV(8,9) v(8,9) = 0.02382 + 0.00432 = 0.02814 v(8,10) = v(8,10) + DeltaV(8,10) v(8,10) = -0.02662 + -0.00044 = -0.02706 v(9,1) = v(9,1) + DeltaV(9,1) v(9,1) = 0.45946 + 0.00352 = 0.46298 v(9,2) = v(9,2) + DeltaV(9,2) v(9,2) = -0.14086 + 0.00448 = -0.13638 v(9,3) = v(9,3) + DeltaV(9,3) v(9,3) = 0.37104 + 0.0021 = 0.37314 v(9,4) = v(9,4) + DeltaV(9,4) v(9,4) = 0.15464 + 0.00114 = 0.15578 v(9,5) = v(9,5) + DeltaV(9,5)
B-44 v(9,5) = 0.11036 + -0.00128 = 0.10908 v(9,6) = v(9,6) + DeltaV(9,6) v(9,6) = 0.29394 + -0.00046 = 0.29348 v(9,7) = v(9,7) + DeltaV(9,7) v(9,7) = -0.31118 + 0.00408 = -0.3071 v(9,8) = v(9,8) + DeltaV(9,8) v(9,8) = -0.06238 + -0.00156 = -0.06394 v(9,9) = v(9,9) + DeltaV(9,9) v(9,9) = 0.31882 + 0.00432 = 0.32314 v(9,10) = v(9,10) + DeltaV(9,10) v(9,10) = 0.08828 + -0.00044 = 0.08784 v(10,1) = v(10,1) + DeltaV(10,1) v(10,1) = 0.32174 + 0.00352 = 0.32526 v(10,2) = v(10,2) + DeltaV(10,2) v(10,2) = -0.22096 + 0.00448 = -0.21648 v(10,3) = v(10,3) + DeltaV(10,3) v(10,3) = -0.33184 + 0.0021 = -0.32974 v(10,4) = v(10,4) + DeltaV(10,4) v(10,4) = 0.21318 + 0.00114 = 0.21432 v(10,5) = v(10,5) + DeltaV(10,5) v(10,5) = 0.22708 + -0.00128 = 0.2258 v(10,6) = v(10,6) + DeltaV(10,6) v(10,6) = -0.14472 + -0.00046 = -0.14518 v(10,7) = v(10,7) + DeltaV(10,7) v(10,7) = 0.2976 + 0.00408 = 0.30168 v(10,8) = v(10,8) + DeltaV(10,8) v(10,8) = 0.34054 + -0.00156 = 0.33898 v(10,9) = v(10,9) + DeltaV(10,9) v(10,9) = -0.44928 + 0.00432 = -0.44496 v(10,10) = v(10,10) + DeltaV(10,10) v(10,10) = 0.30506 + -0.00044 = 0.30462 v(11,1) = v(11,1) + DeltaV(11,1) v(11,1) = -0.08088 + 0 = -0.08088 v(11,2) = v(11,2) + DeltaV(11,2) v(11,2) = 0.0696 + 0 = 0.0696 v(11,3) = v(11,3) + DeltaV(11,3) v(11,3) = 0.13038 + 0 = 0.13038 v(11,4) = v(11,4) + DeltaV(11,4) v(11,4) = 0.05516 + 0 = 0.05516 v(11,5) = v(11,5) + DeltaV(11,5) v(11,5) = 0.20398 + 0 = 0.20398 v(11,6) = v(11,6) + DeltaV(11,6) v(11,6) = -0.39284 + 0 = -0.39284 v(11,7) = v(11,7) + DeltaV(11,7) v(11,7) = -0.24948 + 0 = -0.24948 v(11,8) = v(11,8) + DeltaV(11,8) v(11,8) = -0.08492 + 0 = -0.08492 v(11,9) = v(11,9) + DeltaV(11,9) v(11,9) = 0.4132 + 0 = 0.4132 v(11,10) = v(11,10) + DeltaV(11,10) v(11,10) = -0.28728 + 0 = -0.28728 v(12,1) = v(12,1) + DeltaV(12,1) v(12,1) = -0.25906 + 0.00352 = -0.25554 v(12,2) = v(12,2) + DeltaV(12,2) v(12,2) = 0.05264 + 0.00448 = 0.05712 v(12,3) = v(12,3) + DeltaV(12,3) v(12,3) = 0.11266 + 0.0021 = 0.11476 v(12,4) = v(12,4) + DeltaV(12,4) v(12,4) = 0.14508 + 0.00114 = 0.14622 v(12,5) = v(12,5) + DeltaV(12,5) v(12,5) = -0.03742 + -0.00128 = -0.0387 v(12,6) = v(12,6) + DeltaV(12,6) v(12,6) = 0.44538 + -0.00046 = 0.44492
B-45 v(12,7) = v(12,7) + DeltaV(12,7) v(12,7) = -0.207 + 0.00408 = -0.20292 v(12,8) = v(12,8) + DeltaV(12,8) v(12,8) = -0.41126 + -0.00156 = -0.41282 v(12,9) = v(12,9) + DeltaV(12,9) v(12,9) = 0.33712 + 0.00432 = 0.34144 v(12,10) = v(12,10) + DeltaV(12,10) v(12,10) = -0.05404 + -0.00044 = -0.05448 v(13,1) = v(13,1) + DeltaV(13,1) v(13,1) = 0.03226 + 0.00352 = 0.03578 v(13,2) = v(13,2) + DeltaV(13,2) v(13,2) = 0.40644 + 0.00448 = 0.41092 v(13,3) = v(13,3) + DeltaV(13,3) v(13,3) = -5.35999999999999E-03 + 0.0021 = -3.25999999999999E-03 v(13,4) = v(13,4) + DeltaV(13,4) v(13,4) = 0.01834 + 0.00114 = 0.01948 v(13,5) = v(13,5) + DeltaV(13,5) v(13,5) = 0.31596 + -0.00128 = 0.31468 v(13,6) = v(13,6) + DeltaV(13,6) v(13,6) = 0.20854 + -0.00046 = 0.20808 v(13,7) = v(13,7) + DeltaV(13,7) v(13,7) = -0.05478 + 0.00408 = -0.0507 v(13,8) = v(13,8) + DeltaV(13,8) v(13,8) = 0.16852 + -0.00156 = 0.16696 v(13,9) = v(13,9) + DeltaV(13,9) v(13,9) = -0.37398 + 0.00432 = -0.36966 v(13,10) = v(13,10) + DeltaV(13,10) v(13,10) = -0.36432 + -0.00044 = -0.36476 v(14,1) = v(14,1) + DeltaV(14,1) v(14,1) = 0.21084 + 0.00352 = 0.21436 v(14,2) = v(14,2) + DeltaV(14,2) v(14,2) = 0.37714 + 0.00448 = 0.38162 v(14,3) = v(14,3) + DeltaV(14,3) v(14,3) = -0.39194 + 0.0021 = -0.38984 v(14,4) = v(14,4) + DeltaV(14,4) v(14,4) = 0.12768 + 0.00114 = 0.12882 v(14,5) = v(14,5) + DeltaV(14,5) v(14,5) = 0.48338 + -0.00128 = 0.4821 v(14,6) = v(14,6) + DeltaV(14,6) v(14,6) = 0.08628 + -0.00046 = 0.08582 v(14,7) = v(14,7) + DeltaV(14,7) v(14,7) = -0.3952 + 0.00408 = -0.39112 v(14,8) = v(14,8) + DeltaV(14,8) v(14,8) = -0.11216 + -0.00156 = -0.11372 v(14,9) = v(14,9) + DeltaV(14,9) v(14,9) = 0.43992 + 0.00432 = 0.44424 v(14,10) = v(14,10) + DeltaV(14,10) v(14,10) = -0.09674 + -0.00044 = -0.09718 v(15,1) = v(15,1) + DeltaV(15,1) v(15,1) = 0.16046 + 0.00352 = 0.16398 v(15,2) = v(15,2) + DeltaV(15,2) v(15,2) = 0.02194 + 0.00448 = 0.02642 v(15,3) = v(15,3) + DeltaV(15,3) v(15,3) = 0.41384 + 0.0021 = 0.41594 v(15,4) = v(15,4) + DeltaV(15,4) v(15,4) = 0.02644 + 0.00114 = 0.02758 v(15,5) = v(15,5) + DeltaV(15,5) v(15,5) = 0.49496 + -0.00128 = 0.49368 v(15,6) = v(15,6) + DeltaV(15,6) v(15,6) = 0.14044 + -0.00046 = 0.13998 v(15,7) = v(15,7) + DeltaV(15,7) v(15,7) = 0.41522 + 0.00408 = 0.4193 v(15,8) = v(15,8) + DeltaV(15,8)
B-46 v(15,8) = 0.49302 + v(15,9) = v(15,9) + v(15,9) = 0.38692 + v(15,10) = v(15,10) v(15,10) = -0.38172
-0.00156 = 0.49146 DeltaV(15,9) 0.00432 = 0.39124 + DeltaV(15,10) + -0.00044 = -0.38216
B. Dengan mengambil nilai bobot w dan v pada contoh proses pelatihan sebelumnya, maka proses pengenalan dengan mengikuti tahap feedforward (hal.108) Pola Input X = 001001011101111 z_in(1) = V(0,1) + (X(1) * V(1,1)) + (X(2) * V(2,1)) + (X(3) * V(3,1)) + (X(4) * V(4,1)) + (X(5) * V(5,1)) + (X(6) * V(6,1)) + (X(7) * V(7,1)) + (X(8) * V(8,1)) + (X(9) * V(9,1)) + (X(10) * V(10,1)) + (X(11) * V(11,1)) + (X(12) * V(12,1)) + (X(13) * V(13,1)) + (X(14) * V(14,1)) + (X(15) * V(15,1)) z_in(1) = -0.3295 + (0 * 0.282) + (0 * -0.23038) + (1 * 0.08216) + (0 * 0.18882) + (0 * -0.1453) + (1 * -0.30202) + (0 * -0.02078) + (1 * 0.48438) + (1 * 0.46298) + (1 * 0.32526) + (0 * -0.08088) + (1 * -0.25554) + (1 * 0.03578) + (1 * 0.21436) + (1 * 0.16398) z_in(1) = -0.3295 + 1.2113 = 0.8818 z(1) = f(z_in(1)) = 0.7072 z_in(2) = V(0,2) + (X(1) * V(1,2)) + (X(2) * V(2,2)) + (X(3) * V(3,2)) + (X(4) V(4,2)) + (X(5) * V(5,2)) + (X(6) * V(6,2)) + (X(7) * V(7,2)) + (X(8) * V(8,2)) (X(9) * V(9,2)) + (X(10) * V(10,2)) + (X(11) * V(11,2)) + (X(12) * V(12,2)) + (X(13) V(13,2)) + (X(14) * V(14,2)) + (X(15) * V(15,2)) z_in(2) = -0.4123 + (0 * 0.019) + (0 * -0.4818) + (1 * 0.30942) + (0 * -0.4737) + (0 -0.4337) + (1 * 0.15862) + (0 * 0.1551) + (1 * -0.20048) + (1 * -0.13638) + (1 * 0.21648) + (0 * 0.0696) + (1 * 0.05712) + (1 * 0.41092) + (1 * 0.38162) + (1 0.02642) z_in(2) = -0.4123 + 0.7908 = 0.3785 z(2) = f(z_in(2)) = 0.5935
* + * * *
z_in(3) = V(0,3) + (X(1) * V(1,3)) + (X(2) * V(2,3)) + (X(3) * V(3,3)) + (X(4) * V(4,3)) + (X(5) * V(5,3)) + (X(6) * V(6,3)) + (X(7) * V(7,3)) + (X(8) * V(8,3)) + (X(9) * V(9,3)) + (X(10) * V(10,3)) + (X(11) * V(11,3)) + (X(12) * V(12,3)) + (X(13) * V(13,3)) + (X(14) * V(14,3)) + (X(15) * V(15,3)) z_in(3) = 0.3674 + (0 * -0.4576) + (0 * 0.51898) + (1 * 0.35786) + (0 * -0.03642) + (0 * 0.4315) + (1 * 0.48804) + (0 * -0.39152) + (1 * -0.43456) + (1 * 0.37314) + (1 * 0.32974) + (0 * 0.13038) + (1 * 0.11476) + (1 * -3.25999999999999E-03) + (1 * 0.38984) + (1 * 0.41594) z_in(3) = 0.3674 + 0.5923 = 0.9597 z(3) = f(z_in(3)) = 0.7231 z_in(4) = V(0,4) + (X(1) * V(1,4)) + (X(2) * V(2,4)) + (X(3) * V(3,4)) + (X(4) V(4,4)) + (X(5) * V(5,4)) + (X(6) * V(6,4)) + (X(7) * V(7,4)) + (X(8) * V(8,4)) (X(9) * V(9,4)) + (X(10) * V(10,4)) + (X(11) * V(11,4)) + (X(12) * V(12,4)) + (X(13) V(13,4)) + (X(14) * V(14,4)) + (X(15) * V(15,4)) z_in(4) = -0.2374 + (0 * -0.0278) + (0 * 0.35826) + (1 * -0.37978) + (0 * 0.29016) (0 * -0.4296) + (1 * 0.27988) + (0 * -0.17584) + (1 * -0.42102) + (1 * 0.15578) + (1 0.21432) + (0 * 0.05516) + (1 * 0.14622) + (1 * 0.01948) + (1 * 0.12882) + (1 0.02758) z_in(4) = -0.2374 + 0.1713 = -0.0661 z(4) = f(z_in(4)) = 0.4835
* + * + * *
z_in(5) = V(0,5) + (X(1) * V(1,5)) + (X(2) * V(2,5)) + (X(3) * V(3,5)) + (X(4) * V(4,5)) + (X(5) * V(5,5)) + (X(6) * V(6,5)) + (X(7) * V(7,5)) + (X(8) * V(8,5)) + (X(9) * V(9,5)) + (X(10) * V(10,5)) + (X(11) * V(11,5)) + (X(12) * V(12,5)) + (X(13) * V(13,5)) + (X(14) * V(14,5)) + (X(15) * V(15,5))
B-47 z_in(5) = -0.423 + (0 * 0.2138) + (0 * -0.23652) + (1 * 0.0081) + (0 * 0.23348) + (0 * 0.1538) + (1 * 0.00228) + (0 * -0.36872) + (1 * 0.10508) + (1 * 0.10908) + (1 * 0.2258) + (0 * 0.20398) + (1 * -0.0387) + (1 * 0.31468) + (1 * 0.4821) + (1 * 0.49368) z_in(5) = -0.423 + 1.7021 = 1.2791 z(5) = f(z_in(5)) = 0.7823 z_in(6) = V(0,6) + (X(1) * V(1,6)) + (X(2) * V(2,6)) + (X(3) * V(3,6)) + (X(4) * V(4,6)) + (X(5) * V(5,6)) + (X(6) * V(6,6)) + (X(7) * V(7,6)) + (X(8) * V(8,6)) + (X(9) * V(9,6)) + (X(10) * V(10,6)) + (X(11) * V(11,6)) + (X(12) * V(12,6)) + (X(13) * V(13,6)) + (X(14) * V(14,6)) + (X(15) * V(15,6)) z_in(6) = 0.3995 + (0 * 0.4889) + (0 * -0.33684) + (1 * 0.03902) + (0 * -0.01234) + (0 * 0.4035) + (1 * -0.38602) + (0 * 0.32546) + (1 * -0.42872) + (1 * 0.29348) + (1 * 0.14518) + (0 * -0.39284) + (1 * 0.44492) + (1 * 0.20808) + (1 * 0.08582) + (1 * 0.13998) z_in(6) = 0.3995 + 0.2514 = 0.6509 z(6) = f(z_in(6)) = 0.6572 z_in(7) = V(0,7) + (X(1) * V(1,7)) + (X(2) * V(2,7)) + (X(3) * V(3,7)) + (X(4) * V(4,7)) + (X(5) * V(5,7)) + (X(6) * V(6,7)) + (X(7) * V(7,7)) + (X(8) * V(8,7)) + (X(9) * V(9,7)) + (X(10) * V(10,7)) + (X(11) * V(11,7)) + (X(12) * V(12,7)) + (X(13) * V(13,7)) + (X(14) * V(14,7)) + (X(15) * V(15,7)) z_in(7) = -0.3335 + (0 * 0.1324) + (0 * 0.11372) + (1 * 0.28038) + (0 * -0.39098) + (0 * 0.3888) + (1 * -0.2684) + (0 * -0.13868) + (1 * -0.1402) + (1 * -0.3071) + (1 * 0.30168) + (0 * -0.24948) + (1 * -0.20292) + (1 * -0.0507) + (1 * -0.39112) + (1 * 0.4193) z_in(7) = -0.3335 + -0.3591 = -0.6926 z(7) = f(z_in(7)) = 0.3335
z_in(8) = V(0,8) + (X(1) * V(1,8)) + (X(2) * V(2,8)) + (X(3) * V(3,8)) + (X(4) V(4,8)) + (X(5) * V(5,8)) + (X(6) * V(6,8)) + (X(7) * V(7,8)) + (X(8) * V(8,8)) (X(9) * V(9,8)) + (X(10) * V(10,8)) + (X(11) * V(11,8)) + (X(12) * V(12,8)) + (X(13) V(13,8)) + (X(14) * V(14,8)) + (X(15) * V(15,8)) z_in(8) = -0.1346 + (0 * 0.4676) + (0 * -0.43992) + (1 * 0.40308) + (0 * -0.19172) (0 * -0.3015) + (1 * 0.08556) + (0 * 0.31698) + (1 * -0.29894) + (1 * -0.06394) + (1 0.33898) + (0 * -0.08492) + (1 * -0.41282) + (1 * 0.16696) + (1 * -0.11372) + (1 0.49146) z_in(8) = -0.1346 + 0.5966 = 0.462 z(8) = f(z_in(8)) = 0.6135
* + * + * *
z_in(9) = V(0,9) + (X(1) * V(1,9)) + (X(2) * V(2,9)) + (X(3) * V(3,9)) + (X(4) * V(4,9)) + (X(5) * V(5,9)) + (X(6) * V(6,9)) + (X(7) * V(7,9)) + (X(8) * V(8,9)) + (X(9) * V(9,9)) + (X(10) * V(10,9)) + (X(11) * V(11,9)) + (X(12) * V(12,9)) + (X(13) * V(13,9)) + (X(14) * V(14,9)) + (X(15) * V(15,9)) z_in(9) = -0.4657 + (0 * 0.1965) + (0 * -0.0528) + (1 * 0.36284) + (0 * -0.2664) + (0 * -0.2307) + (1 * -0.39106) + (0 * 0.2076) + (1 * 0.02814) + (1 * 0.32314) + (1 * 0.44496) + (0 * 0.4132) + (1 * 0.34144) + (1 * -0.36966) + (1 * 0.44424) + (1 * 0.39124) z_in(9) = -0.4657 + 0.6854 = 0.2197 z(9) = f(z_in(9)) = 0.5547 z_in(10) = V(0,10) + (X(1) * V(1,10)) + (X(2) * V(2,10)) + (X(3) * V(3,10)) + (X(4) * V(4,10)) + (X(5) * V(5,10)) + (X(6) * V(6,10)) + (X(7) * V(7,10)) + (X(8) * V(8,10)) + (X(9) * V(9,10)) + (X(10) * V(10,10)) + (X(11) * V(11,10)) + (X(12) * V(12,10)) + (X(13) * V(13,10)) + (X(14) * V(14,10)) + (X(15) * V(15,10)) z_in(10) = -0.4724 + (0 * 0.2753) + (0 * 0.11052) + (1 * -0.11858) + (0 * -0.24858) + (0 * -0.1773) + (1 * -0.30076) + (0 * -0.20188) + (1 * -0.02706) + (1 * 0.08784) + (1 * 0.30462) + (0 * -0.28728) + (1 * -0.05448) + (1 * -0.36476) + (1 * -0.09718) + (1 * -0.38216) z_in(10) = -0.4724 + -0.9525 = -1.4249 z(10) = f(z_in(10)) = 0.1939
B-48 y_in(1) = w(0,1) + (z(1) * w(1,1)) + (z(2) * w(2,1)) + (z(3) w(4,1)) + (z(5) * w(5,1)) + (z(6) * w(6,1)) + (z(7) * w(7,1)) (z(9) * w(9,1)) + (z(10) * w(10,1)) y_in(1) = -0.0385 + (0.7072 * -0.5515) + (0.5935 * -0.5427) + (0.4835 * 0.0184) + (0.7823 * -0.1031) + (0.6572 * -0.1198) + (0.6135 * -0.5107) + (0.5547 * 0.1311) + (0.1939 * 0.1792) y_in(1) = -0.0385 + -1.3319 = -1.3704 y(1) = f(y_in(1)) = 0.2026
* w(3,1)) + (z(4) * + (z(8) * w(8,1)) + (0.7231 * -0.3516) + (0.3335 * -0.0276) +
y_in(2) = w(0,2) + (z(1) * w(1,2)) + (z(2) * w(2,2)) + (z(3) * w(3,2)) + (z(4) w(4,2)) + (z(5) * w(5,2)) + (z(6) * w(6,2)) + (z(7) * w(7,2)) + (z(8) * w(8,2)) (z(9) * w(9,2)) + (z(10) * w(10,2)) y_in(2) = 0.2459 + (0.7072 * -0.2239) + (0.5935 * -8.50000000000001E-03) + (0.7231 * 0.7013) + (0.4835 * -0.122) + (0.7823 * -0.1066) + (0.6572 * 0.069) + (0.3335 * 0.5962) + (0.6135 * 0.0291) + (0.5547 * -0.1527) + (0.1939 * 0.138) y_in(2) = 0.2459 + -1.0065 = -0.7606 y(2) = f(y_in(2)) = 0.3185
* +
y_in(3) = w(0,3) + (z(1) * w(1,3)) + (z(2) * w(2,3)) + (z(3) * w(3,3)) + (z(4) w(4,3)) + (z(5) * w(5,3)) + (z(6) * w(6,3)) + (z(7) * w(7,3)) + (z(8) * w(8,3)) (z(9) * w(9,3)) + (z(10) * w(10,3)) y_in(3) = 0.3928 + (0.7072 * -0.0971) + (0.5935 * 0.3147) + (0.7231 * 0.1268) (0.4835 * 0.1265) + (0.7823 * -0.5159) + (0.6572 * 0.1121) + (0.3335 * 0.062) (0.6135 * 0.0267) + (0.5547 * 0.2951) + (0.1939 * -0.0343) y_in(3) = 0.3928 + 0.1351 = 0.5279 y(3) = f(y_in(3)) = 0.629
* +
y_in(4) = w(0,4) + (z(1) * w(1,4)) + (z(2) * w(2,4)) + (z(3) w(4,4)) + (z(5) * w(5,4)) + (z(6) * w(6,4)) + (z(7) * w(7,4)) (z(9) * w(9,4)) + (z(10) * w(10,4)) y_in(4) = 0.4208 + (0.7072 * -0.5102) + (0.5935 * -0.394) + (0.4835 * -0.0458) + (0.7823 * -0.0259) + (0.6572 * 0.1302) + (0.6135 * 0.3927) + (0.5547 * -0.4694) + (0.1939 * -0.056) y_in(4) = 0.4208 + -0.5902 = -0.1694 y(4) = f(y_in(4)) = 0.4578 y(1) y(2) y(3) y(4)
= = = =
0.2026 < 0.3185 < 0.629 >= 0.4578 <
0.5 0.5 0.5 0.5
--> --> --> -->
dibulatkan dibulatkan dibulatkan dibulatkan
menjadi menjadi menjadi menjadi
-
+ +
* w(3,4)) + (z(4) * + (z(8) * w(8,4)) + (0.7231 * 0.1583) + (0.3335 * -0.3683) +
0 0 1 0
Hasil = 0010 Tanda Tangan dengan layer output 0010 adalah pola TTD-2
C. Dengan menggunakan pola yang sama seperti terlihat pada gambar 4.11, maka langkahlangkah proses pelatihan metode Perceptron (hal.113)
--------------------ITERASI ke - 1 --------------------* Data ke - 1 X = 010101111010101 T = 0001 Y(1) = (X(1) * w(1,1)) + (X(2) * w(1,2)) + (X(3) * w(1,3)) + (X(4) *
B-49 w(1,4)) + (X(5) * w(1,5)) + (X(6) * w(1,6)) + (X(7) * w(1,7)) + (X(8) * w(1,8)) + (X(9) * w(1,9)) + (X(10) * w(1,10)) + (X(11) * w(1,11)) + (X(12) * w(1,12)) + (X(13) * w(1,13)) + (X(14) * w(1,14)) + (X(15) * w(1,15)) + 0 Y(1) = (0 * 0) + (1 * 0) + (0 * 0) + (1 * 0) + (0 * 0) + (1 * 0) + (1 * 0) + (1 * 0) + (1 * 0) + (0 * 0) + (1 * 0) + (0 * 0) + (1 * 0) + (0 * 0) + (1 * 0) + 0 Y(1) = 0 Fungsi hardlimit: Y(1) >= 0, sehingga Y(1) = 1 Y(1) tidak sama dengan nilai T(1), sehingga lakukan update bobot: w(1,1) = w(1,1) + (Alpha * (T(1) - Y(1)) * X(1)) w(1,1) = 0 + (0.2 * (0 - 1) * 0) = 0 w(1,2) = w(1,2) + (Alpha * (T(1) - Y(1)) * X(2)) w(1,2) = 0 + (0.2 * (0 - 1) * 1) = -0.2 w(1,3) = w(1,3) + (Alpha * (T(1) - Y(1)) * X(3)) w(1,3) = 0 + (0.2 * (0 - 1) * 0) = 0 w(1,4) = w(1,4) + (Alpha * (T(1) - Y(1)) * X(4)) w(1,4) = 0 + (0.2 * (0 - 1) * 1) = -0.2 w(1,5) = w(1,5) + (Alpha * (T(1) - Y(1)) * X(5)) w(1,5) = 0 + (0.2 * (0 - 1) * 0) = 0 w(1,6) = w(1,6) + (Alpha * (T(1) - Y(1)) * X(6)) w(1,6) = 0 + (0.2 * (0 - 1) * 1) = -0.2 w(1,7) = w(1,7) + (Alpha * (T(1) - Y(1)) * X(7)) w(1,7) = 0 + (0.2 * (0 - 1) * 1) = -0.2 w(1,8) = w(1,8) + (Alpha * (T(1) - Y(1)) * X(8)) w(1,8) = 0 + (0.2 * (0 - 1) * 1) = -0.2 w(1,9) = w(1,9) + (Alpha * (T(1) - Y(1)) * X(9)) w(1,9) = 0 + (0.2 * (0 - 1) * 1) = -0.2 w(1,10) = w(1,10) + (Alpha * (T(1) - Y(1)) * X(10)) w(1,10) = 0 + (0.2 * (0 - 1) * 0) = 0 w(1,11) = w(1,11) + (Alpha * (T(1) - Y(1)) * X(11)) w(1,11) = 0 + (0.2 * (0 - 1) * 1) = -0.2 w(1,12) = w(1,12) + (Alpha * (T(1) - Y(1)) * X(12)) w(1,12) = 0 + (0.2 * (0 - 1) * 0) = 0 w(1,13) = w(1,13) + (Alpha * (T(1) - Y(1)) * X(13)) w(1,13) = 0 + (0.2 * (0 - 1) * 1) = -0.2 w(1,14) = w(1,14) + (Alpha * (T(1) - Y(1)) * X(14)) w(1,14) = 0 + (0.2 * (0 - 1) * 0) = 0 w(1,15) = w(1,15) + (Alpha * (T(1) - Y(1)) * X(15)) w(1,15) = 0 + (0.2 * (0 - 1) * 1) = -0.2 Y(2) = (X(1) * w(2,1)) + (X(2) * w(2,2)) + (X(3) * w(2,3)) + (X(4) * w(2,4)) + (X(5) * w(2,5)) + (X(6) * w(2,6)) + (X(7) * w(2,7)) + (X(8) * w(2,8)) + (X(9) * w(2,9)) + (X(10) * w(2,10)) + (X(11) * w(2,11)) + (X(12) * w(2,12)) + (X(13) * w(2,13)) + (X(14) * w(2,14)) + (X(15) * w(2,15)) + 0 Y(2) = (0 * 0) + (1 * 0) + (0 * 0) + (1 * 0) + (0 * 0) + (1 * 0) + (1 * 0) + (1 * 0) + (1 * 0) + (0 * 0) + (1 * 0) + (0 * 0) + (1 * 0) + (0 * 0) + (1 * 0) + 0 Y(2) = 0 Fungsi hardlimit: Y(2) >= 0, sehingga Y(2) = 1 Y(2) tidak sama dengan nilai T(2), w(2,1) = w(2,1) + (Alpha * (T(2) w(2,1) = 0 + (0.2 * (0 - 1) * 0) = w(2,2) = w(2,2) + (Alpha * (T(2) w(2,2) = 0 + (0.2 * (0 - 1) * 1) = w(2,3) = w(2,3) + (Alpha * (T(2) w(2,3) = 0 + (0.2 * (0 - 1) * 0) = w(2,4) = w(2,4) + (Alpha * (T(2) w(2,4) = 0 + (0.2 * (0 - 1) * 1) = w(2,5) = w(2,5) + (Alpha * (T(2) -
sehingga lakukan update bobot: Y(2)) * X(1)) 0 Y(2)) * X(2)) -0.2 Y(2)) * X(3)) 0 Y(2)) * X(4)) -0.2 Y(2)) * X(5))
B-50 w(2,5) = 0 + (0.2 * (0 - 1) * 0) = 0 w(2,6) = w(2,6) + (Alpha * (T(2) - Y(2)) * w(2,6) = 0 + (0.2 * (0 - 1) * 1) = -0.2 w(2,7) = w(2,7) + (Alpha * (T(2) - Y(2)) * w(2,7) = 0 + (0.2 * (0 - 1) * 1) = -0.2 w(2,8) = w(2,8) + (Alpha * (T(2) - Y(2)) * w(2,8) = 0 + (0.2 * (0 - 1) * 1) = -0.2 w(2,9) = w(2,9) + (Alpha * (T(2) - Y(2)) * w(2,9) = 0 + (0.2 * (0 - 1) * 1) = -0.2 w(2,10) = w(2,10) + (Alpha * (T(2) - Y(2)) w(2,10) = 0 + (0.2 * (0 - 1) * 0) = 0 w(2,11) = w(2,11) + (Alpha * (T(2) - Y(2)) w(2,11) = 0 + (0.2 * (0 - 1) * 1) = -0.2 w(2,12) = w(2,12) + (Alpha * (T(2) - Y(2)) w(2,12) = 0 + (0.2 * (0 - 1) * 0) = 0 w(2,13) = w(2,13) + (Alpha * (T(2) - Y(2)) w(2,13) = 0 + (0.2 * (0 - 1) * 1) = -0.2 w(2,14) = w(2,14) + (Alpha * (T(2) - Y(2)) w(2,14) = 0 + (0.2 * (0 - 1) * 0) = 0 w(2,15) = w(2,15) + (Alpha * (T(2) - Y(2)) w(2,15) = 0 + (0.2 * (0 - 1) * 1) = -0.2
X(6)) X(7)) X(8)) X(9)) * X(10)) * X(11)) * X(12)) * X(13)) * X(14)) * X(15))
Y(3) = (X(1) * w(3,1)) + (X(2) * w(3,2)) + (X(3) * w(3,3)) + (X(4) * w(3,4)) + (X(5) * w(3,5)) + (X(6) * w(3,6)) + (X(7) * w(3,7)) + (X(8) * w(3,8)) + (X(9) * w(3,9)) + (X(10) * w(3,10)) + (X(11) * w(3,11)) + (X(12) * w(3,12)) + (X(13) * w(3,13)) + (X(14) * w(3,14)) + (X(15) * w(3,15)) + 0 Y(3) = (0 * 0) + (1 * 0) + (0 * 0) + (1 * 0) + (0 * 0) + (1 * 0) + (1 * 0) + (1 * 0) + (1 * 0) + (0 * 0) + (1 * 0) + (0 * 0) + (1 * 0) + (0 * 0) + (1 * 0) + 0 Y(3) = 0 Fungsi hardlimit: Y(3) >= 0, sehingga Y(3) = 1 Y(3) tidak sama dengan nilai T(3), sehingga lakukan update bobot: w(3,1) = w(3,1) + (Alpha * (T(3) - Y(3)) * X(1)) w(3,1) = 0 + (0.2 * (0 - 1) * 0) = 0 w(3,2) = w(3,2) + (Alpha * (T(3) - Y(3)) * X(2)) w(3,2) = 0 + (0.2 * (0 - 1) * 1) = -0.2 w(3,3) = w(3,3) + (Alpha * (T(3) - Y(3)) * X(3)) w(3,3) = 0 + (0.2 * (0 - 1) * 0) = 0 w(3,4) = w(3,4) + (Alpha * (T(3) - Y(3)) * X(4)) w(3,4) = 0 + (0.2 * (0 - 1) * 1) = -0.2 w(3,5) = w(3,5) + (Alpha * (T(3) - Y(3)) * X(5)) w(3,5) = 0 + (0.2 * (0 - 1) * 0) = 0 w(3,6) = w(3,6) + (Alpha * (T(3) - Y(3)) * X(6)) w(3,6) = 0 + (0.2 * (0 - 1) * 1) = -0.2 w(3,7) = w(3,7) + (Alpha * (T(3) - Y(3)) * X(7)) w(3,7) = 0 + (0.2 * (0 - 1) * 1) = -0.2 w(3,8) = w(3,8) + (Alpha * (T(3) - Y(3)) * X(8)) w(3,8) = 0 + (0.2 * (0 - 1) * 1) = -0.2 w(3,9) = w(3,9) + (Alpha * (T(3) - Y(3)) * X(9)) w(3,9) = 0 + (0.2 * (0 - 1) * 1) = -0.2 w(3,10) = w(3,10) + (Alpha * (T(3) - Y(3)) * X(10)) w(3,10) = 0 + (0.2 * (0 - 1) * 0) = 0 w(3,11) = w(3,11) + (Alpha * (T(3) - Y(3)) * X(11)) w(3,11) = 0 + (0.2 * (0 - 1) * 1) = -0.2 w(3,12) = w(3,12) + (Alpha * (T(3) - Y(3)) * X(12)) w(3,12) = 0 + (0.2 * (0 - 1) * 0) = 0 w(3,13) = w(3,13) + (Alpha * (T(3) - Y(3)) * X(13)) w(3,13) = 0 + (0.2 * (0 - 1) * 1) = -0.2 w(3,14) = w(3,14) + (Alpha * (T(3) - Y(3)) * X(14)) w(3,14) = 0 + (0.2 * (0 - 1) * 0) = 0 w(3,15) = w(3,15) + (Alpha * (T(3) - Y(3)) * X(15))
B-51 w(3,15) = 0 + (0.2 * (0 - 1) * 1) = -0.2 Y(4) = (X(1) * w(4,1)) + (X(2) * w(4,2)) + (X(3) * w(4,3)) + (X(4) * w(4,4)) + (X(5) * w(4,5)) + (X(6) * w(4,6)) + (X(7) * w(4,7)) + (X(8) * w(4,8)) + (X(9) * w(4,9)) + (X(10) * w(4,10)) + (X(11) * w(4,11)) + (X(12) * w(4,12)) + (X(13) * w(4,13)) + (X(14) * w(4,14)) + (X(15) * w(4,15)) + 0 Y(4) = (0 * 0) + (1 * 0) + (0 * 0) + (1 * 0) + (0 * 0) + (1 * 0) + (1 * 0) + (1 * 0) + (1 * 0) + (0 * 0) + (1 * 0) + (0 * 0) + (1 * 0) + (0 * 0) + (1 * 0) + 0 Y(4) = 0 Fungsi hardlimit: Y(4) >= 0, sehingga Y(4) = 1 Y(4) = nilai T(4), tidak perlu melakukan update bobot. * Data ke - 2 X = 001001011101111 T = 0010 Y(1) = (X(1) * w(1,1)) + (X(2) * w(1,2)) + (X(3) * w(1,3)) + (X(4) * w(1,4)) + (X(5) * w(1,5)) + (X(6) * w(1,6)) + (X(7) * w(1,7)) + (X(8) * w(1,8)) + (X(9) * w(1,9)) + (X(10) * w(1,10)) + (X(11) * w(1,11)) + (X(12) * w(1,12)) + (X(13) * w(1,13)) + (X(14) * w(1,14)) + (X(15) * w(1,15)) + 0 Y(1) = (0 * 0) + (0 * -0.2) + (1 * 0) + (0 * -0.2) + (0 * 0) + (1 * -0.2) + (0 * -0.2) + (1 * -0.2) + (1 * -0.2) + (1 * 0) + (0 * -0.2) + (1 * 0) + (1 * -0.2) + (1 * 0) + (1 * -0.2) + 0 Y(1) = -1 Fungsi hardlimit: Y(1) < 0, sehingga Y(1) = 0 Y(1) = nilai T(1), tidak perlu melakukan update bobot. Y(2) = (X(1) * w(2,1)) + (X(2) * w(2,2)) + (X(3) * w(2,3)) + (X(4) * w(2,4)) + (X(5) * w(2,5)) + (X(6) * w(2,6)) + (X(7) * w(2,7)) + (X(8) * w(2,8)) + (X(9) * w(2,9)) + (X(10) * w(2,10)) + (X(11) * w(2,11)) + (X(12) * w(2,12)) + (X(13) * w(2,13)) + (X(14) * w(2,14)) + (X(15) * w(2,15)) + 0 Y(2) = (0 * 0) + (0 * -0.2) + (1 * 0) + (0 * -0.2) + (0 * 0) + (1 * -0.2) + (0 * -0.2) + (1 * -0.2) + (1 * -0.2) + (1 * 0) + (0 * -0.2) + (1 * 0) + (1 * -0.2) + (1 * 0) + (1 * -0.2) + 0 Y(2) = -1 Fungsi hardlimit: Y(2) < 0, sehingga Y(2) = 0 Y(2) = nilai T(2), tidak perlu melakukan update bobot. Y(3) = (X(1) * w(3,1)) + (X(2) * w(3,2)) + (X(3) * w(3,3)) + (X(4) * w(3,4)) + (X(5) * w(3,5)) + (X(6) * w(3,6)) + (X(7) * w(3,7)) + (X(8) * w(3,8)) + (X(9) * w(3,9)) + (X(10) * w(3,10)) + (X(11) * w(3,11)) + (X(12) * w(3,12)) + (X(13) * w(3,13)) + (X(14) * w(3,14)) + (X(15) * w(3,15)) + 0 Y(3) = (0 * 0) + (0 * -0.2) + (1 * 0) + (0 * -0.2) + (0 * 0) + (1 * -0.2) + (0 * -0.2) + (1 * -0.2) + (1 * -0.2) + (1 * 0) + (0 * -0.2) + (1 * 0) + (1 * -0.2) + (1 * 0) + (1 * -0.2) + 0 Y(3) = -1 Fungsi hardlimit: Y(3) < 0, sehingga Y(3) = 0 Y(3) tidak sama dengan nilai T(3), sehingga lakukan update bobot: w(3,1) = w(3,1) + (Alpha * (T(3) - Y(3)) * X(1)) w(3,1) = 0 + (0.2 * (1 - 0) * 0) = 0 w(3,2) = w(3,2) + (Alpha * (T(3) - Y(3)) * X(2)) w(3,2) = -0.2 + (0.2 * (1 - 0) * 0) = -0.2 w(3,3) = w(3,3) + (Alpha * (T(3) - Y(3)) * X(3)) w(3,3) = 0 + (0.2 * (1 - 0) * 1) = 0.2
B-52 w(3,4) = w(3,4) + (Alpha * (T(3) - Y(3)) * X(4)) w(3,4) = -0.2 + (0.2 * (1 - 0) * 0) = -0.2 w(3,5) = w(3,5) + (Alpha * (T(3) - Y(3)) * X(5)) w(3,5) = 0 + (0.2 * (1 - 0) * 0) = 0 w(3,6) = w(3,6) + (Alpha * (T(3) - Y(3)) * X(6)) w(3,6) = -0.2 + (0.2 * (1 - 0) * 1) = 0 w(3,7) = w(3,7) + (Alpha * (T(3) - Y(3)) * X(7)) w(3,7) = -0.2 + (0.2 * (1 - 0) * 0) = -0.2 w(3,8) = w(3,8) + (Alpha * (T(3) - Y(3)) * X(8)) w(3,8) = -0.2 + (0.2 * (1 - 0) * 1) = 0 w(3,9) = w(3,9) + (Alpha * (T(3) - Y(3)) * X(9)) w(3,9) = -0.2 + (0.2 * (1 - 0) * 1) = 0 w(3,10) = w(3,10) + (Alpha * (T(3) - Y(3)) * X(10)) w(3,10) = 0 + (0.2 * (1 - 0) * 1) = 0.2 w(3,11) = w(3,11) + (Alpha * (T(3) - Y(3)) * X(11)) w(3,11) = -0.2 + (0.2 * (1 - 0) * 0) = -0.2 w(3,12) = w(3,12) + (Alpha * (T(3) - Y(3)) * X(12)) w(3,12) = 0 + (0.2 * (1 - 0) * 1) = 0.2 w(3,13) = w(3,13) + (Alpha * (T(3) - Y(3)) * X(13)) w(3,13) = -0.2 + (0.2 * (1 - 0) * 1) = 0 w(3,14) = w(3,14) + (Alpha * (T(3) - Y(3)) * X(14)) w(3,14) = 0 + (0.2 * (1 - 0) * 1) = 0.2 w(3,15) = w(3,15) + (Alpha * (T(3) - Y(3)) * X(15)) w(3,15) = -0.2 + (0.2 * (1 - 0) * 1) = 0 Y(4) = (X(1) * w(4,1)) + (X(2) * w(4,2)) + (X(3) * w(4,3)) + (X(4) * w(4,4)) + (X(5) * w(4,5)) + (X(6) * w(4,6)) + (X(7) * w(4,7)) + (X(8) * w(4,8)) + (X(9) * w(4,9)) + (X(10) * w(4,10)) + (X(11) * w(4,11)) + (X(12) * w(4,12)) + (X(13) * w(4,13)) + (X(14) * w(4,14)) + (X(15) * w(4,15)) + 0 Y(4) = (0 * 0) + (0 * 0) + (1 * 0) + (0 * 0) + (0 * 0) + (1 * 0) + (0 * 0) + (1 * 0) + (1 * 0) + (1 * 0) + (0 * 0) + (1 * 0) + (1 * 0) + (1 * 0) + (1 * 0) + 0 Y(4) = 0 Fungsi hardlimit: Y(4) >= 0, sehingga Y(4) = 1 Y(4) tidak sama dengan nilai T(4), sehingga lakukan update bobot: w(4,1) = w(4,1) + (Alpha * (T(4) - Y(4)) * X(1)) w(4,1) = 0 + (0.2 * (0 - 1) * 0) = 0 w(4,2) = w(4,2) + (Alpha * (T(4) - Y(4)) * X(2)) w(4,2) = 0 + (0.2 * (0 - 1) * 0) = 0 w(4,3) = w(4,3) + (Alpha * (T(4) - Y(4)) * X(3)) w(4,3) = 0 + (0.2 * (0 - 1) * 1) = -0.2 w(4,4) = w(4,4) + (Alpha * (T(4) - Y(4)) * X(4)) w(4,4) = 0 + (0.2 * (0 - 1) * 0) = 0 w(4,5) = w(4,5) + (Alpha * (T(4) - Y(4)) * X(5)) w(4,5) = 0 + (0.2 * (0 - 1) * 0) = 0 w(4,6) = w(4,6) + (Alpha * (T(4) - Y(4)) * X(6)) w(4,6) = 0 + (0.2 * (0 - 1) * 1) = -0.2 w(4,7) = w(4,7) + (Alpha * (T(4) - Y(4)) * X(7)) w(4,7) = 0 + (0.2 * (0 - 1) * 0) = 0 w(4,8) = w(4,8) + (Alpha * (T(4) - Y(4)) * X(8)) w(4,8) = 0 + (0.2 * (0 - 1) * 1) = -0.2 w(4,9) = w(4,9) + (Alpha * (T(4) - Y(4)) * X(9)) w(4,9) = 0 + (0.2 * (0 - 1) * 1) = -0.2 w(4,10) = w(4,10) + (Alpha * (T(4) - Y(4)) * X(10)) w(4,10) = 0 + (0.2 * (0 - 1) * 1) = -0.2 w(4,11) = w(4,11) + (Alpha * (T(4) - Y(4)) * X(11)) w(4,11) = 0 + (0.2 * (0 - 1) * 0) = 0 w(4,12) = w(4,12) + (Alpha * (T(4) - Y(4)) * X(12)) w(4,12) = 0 + (0.2 * (0 - 1) * 1) = -0.2 w(4,13) = w(4,13) + (Alpha * (T(4) - Y(4)) * X(13)) w(4,13) = 0 + (0.2 * (0 - 1) * 1) = -0.2
B-53 w(4,14) w(4,14) w(4,15) w(4,15)
= = = =
w(4,14) + (Alpha * 0 + (0.2 * (0 - 1) w(4,15) + (Alpha * 0 + (0.2 * (0 - 1)
(T(4) - Y(4)) * X(14)) * 1) = -0.2 (T(4) - Y(4)) * X(15)) * 1) = -0.2
--------------------ITERASI ke - 2 --------------------* Data ke - 1 X = 010101111010101 T = 0001 Y(1) = (X(1) * w(1,1)) + (X(2) * w(1,2)) + (X(3) * w(1,3)) + (X(4) * w(1,4)) + (X(5) * w(1,5)) + (X(6) * w(1,6)) + (X(7) * w(1,7)) + (X(8) * w(1,8)) + (X(9) * w(1,9)) + (X(10) * w(1,10)) + (X(11) * w(1,11)) + (X(12) * w(1,12)) + (X(13) * w(1,13)) + (X(14) * w(1,14)) + (X(15) * w(1,15)) + 0 Y(1) = (0 * 0) + (1 * -0.2) + (0 * 0) + (1 * -0.2) + (0 * 0) + (1 * -0.2) + (1 * -0.2) + (1 * -0.2) + (1 * -0.2) + (0 * 0) + (1 * -0.2) + (0 * 0) + (1 * -0.2) + (0 * 0) + (1 * -0.2) + 0 Y(1) = -1.8 Fungsi hardlimit: Y(1) < 0, sehingga Y(1) = 0 Y(1) = nilai T(1), tidak perlu melakukan update bobot. Y(2) = (X(1) * w(2,1)) + (X(2) * w(2,2)) + (X(3) * w(2,3)) + (X(4) * w(2,4)) + (X(5) * w(2,5)) + (X(6) * w(2,6)) + (X(7) * w(2,7)) + (X(8) * w(2,8)) + (X(9) * w(2,9)) + (X(10) * w(2,10)) + (X(11) * w(2,11)) + (X(12) * w(2,12)) + (X(13) * w(2,13)) + (X(14) * w(2,14)) + (X(15) * w(2,15)) + 0 Y(2) = (0 * 0) + (1 * -0.2) + (0 * 0) + (1 * -0.2) + (0 * 0) + (1 * -0.2) + (1 * -0.2) + (1 * -0.2) + (1 * -0.2) + (0 * 0) + (1 * -0.2) + (0 * 0) + (1 * -0.2) + (0 * 0) + (1 * -0.2) + 0 Y(2) = -1.8 Fungsi hardlimit: Y(2) < 0, sehingga Y(2) = 0 Y(2) = nilai T(2), tidak perlu melakukan update bobot. Y(3) = (X(1) * w(3,1)) + (X(2) * w(3,2)) + (X(3) * w(3,3)) + (X(4) * w(3,4)) + (X(5) * w(3,5)) + (X(6) * w(3,6)) + (X(7) * w(3,7)) + (X(8) * w(3,8)) + (X(9) * w(3,9)) + (X(10) * w(3,10)) + (X(11) * w(3,11)) + (X(12) * w(3,12)) + (X(13) * w(3,13)) + (X(14) * w(3,14)) + (X(15) * w(3,15)) + 0 Y(3) = (0 * 0) + (1 * -0.2) + (0 * 0.2) + (1 * -0.2) + (0 * 0) + (1 * 0) + (1 * -0.2) + (1 * 0) + (1 * 0) + (0 * 0.2) + (1 * -0.2) + (0 * 0.2) + (1 * 0) + (0 * 0.2) + (1 * 0) + 0 Y(3) = -0.8 Fungsi hardlimit: Y(3) < 0, sehingga Y(3) = 0 Y(3) = nilai T(3), tidak perlu melakukan update bobot. Y(4) = (X(1) * w(4,1)) + (X(2) * w(4,2)) + (X(3) * w(4,3)) + (X(4) w(4,4)) + (X(5) * w(4,5)) + (X(6) * w(4,6)) + (X(7) * w(4,7)) + (X(8) w(4,8)) + (X(9) * w(4,9)) + (X(10) * w(4,10)) + (X(11) * w(4,11)) (X(12) * w(4,12)) + (X(13) * w(4,13)) + (X(14) * w(4,14)) + (X(15) w(4,15)) + 0 Y(4) = (0 * 0) + (1 * 0) + (0 * -0.2) + (1 * 0) + (0 * 0) + (1 * -0.2) (1 * 0) + (1 * -0.2) + (1 * -0.2) + (0 * -0.2) + (1 * 0) + (0 * -0.2) (1 * -0.2) + (0 * -0.2) + (1 * -0.2) + 0 Y(4) = -1 Fungsi hardlimit: Y(4) < 0, sehingga Y(4) = 0
* * + * + +
B-54 Y(4) tidak sama dengan nilai T(4), sehingga lakukan update bobot: w(4,1) = w(4,1) + (Alpha * (T(4) - Y(4)) * X(1)) w(4,1) = 0 + (0.2 * (1 - 0) * 0) = 0 w(4,2) = w(4,2) + (Alpha * (T(4) - Y(4)) * X(2)) w(4,2) = 0 + (0.2 * (1 - 0) * 1) = 0.2 w(4,3) = w(4,3) + (Alpha * (T(4) - Y(4)) * X(3)) w(4,3) = -0.2 + (0.2 * (1 - 0) * 0) = -0.2 w(4,4) = w(4,4) + (Alpha * (T(4) - Y(4)) * X(4)) w(4,4) = 0 + (0.2 * (1 - 0) * 1) = 0.2 w(4,5) = w(4,5) + (Alpha * (T(4) - Y(4)) * X(5)) w(4,5) = 0 + (0.2 * (1 - 0) * 0) = 0 w(4,6) = w(4,6) + (Alpha * (T(4) - Y(4)) * X(6)) w(4,6) = -0.2 + (0.2 * (1 - 0) * 1) = 0 w(4,7) = w(4,7) + (Alpha * (T(4) - Y(4)) * X(7)) w(4,7) = 0 + (0.2 * (1 - 0) * 1) = 0.2 w(4,8) = w(4,8) + (Alpha * (T(4) - Y(4)) * X(8)) w(4,8) = -0.2 + (0.2 * (1 - 0) * 1) = 0 w(4,9) = w(4,9) + (Alpha * (T(4) - Y(4)) * X(9)) w(4,9) = -0.2 + (0.2 * (1 - 0) * 1) = 0 w(4,10) = w(4,10) + (Alpha * (T(4) - Y(4)) * X(10)) w(4,10) = -0.2 + (0.2 * (1 - 0) * 0) = -0.2 w(4,11) = w(4,11) + (Alpha * (T(4) - Y(4)) * X(11)) w(4,11) = 0 + (0.2 * (1 - 0) * 1) = 0.2 w(4,12) = w(4,12) + (Alpha * (T(4) - Y(4)) * X(12)) w(4,12) = -0.2 + (0.2 * (1 - 0) * 0) = -0.2 w(4,13) = w(4,13) + (Alpha * (T(4) - Y(4)) * X(13)) w(4,13) = -0.2 + (0.2 * (1 - 0) * 1) = 0 w(4,14) = w(4,14) + (Alpha * (T(4) - Y(4)) * X(14)) w(4,14) = -0.2 + (0.2 * (1 - 0) * 0) = -0.2 w(4,15) = w(4,15) + (Alpha * (T(4) - Y(4)) * X(15)) w(4,15) = -0.2 + (0.2 * (1 - 0) * 1) = 0 * Data ke - 2 X = 001001011101111 T = 0010 Y(1) = (X(1) * w(1,1)) + (X(2) * w(1,2)) + (X(3) * w(1,3)) + (X(4) * w(1,4)) + (X(5) * w(1,5)) + (X(6) * w(1,6)) + (X(7) * w(1,7)) + (X(8) * w(1,8)) + (X(9) * w(1,9)) + (X(10) * w(1,10)) + (X(11) * w(1,11)) + (X(12) * w(1,12)) + (X(13) * w(1,13)) + (X(14) * w(1,14)) + (X(15) * w(1,15)) + 0 Y(1) = (0 * 0) + (0 * -0.2) + (1 * 0) + (0 * -0.2) + (0 * 0) + (1 * -0.2) + (0 * -0.2) + (1 * -0.2) + (1 * -0.2) + (1 * 0) + (0 * -0.2) + (1 * 0) + (1 * -0.2) + (1 * 0) + (1 * -0.2) + 0 Y(1) = -1 Fungsi hardlimit: Y(1) < 0, sehingga Y(1) = 0 Y(1) = nilai T(1), tidak perlu melakukan update bobot. Y(2) = (X(1) * w(2,1)) + (X(2) * w(2,2)) + (X(3) * w(2,3)) + (X(4) * w(2,4)) + (X(5) * w(2,5)) + (X(6) * w(2,6)) + (X(7) * w(2,7)) + (X(8) * w(2,8)) + (X(9) * w(2,9)) + (X(10) * w(2,10)) + (X(11) * w(2,11)) + (X(12) * w(2,12)) + (X(13) * w(2,13)) + (X(14) * w(2,14)) + (X(15) * w(2,15)) + 0 Y(2) = (0 * 0) + (0 * -0.2) + (1 * 0) + (0 * -0.2) + (0 * 0) + (1 * -0.2) + (0 * -0.2) + (1 * -0.2) + (1 * -0.2) + (1 * 0) + (0 * -0.2) + (1 * 0) + (1 * -0.2) + (1 * 0) + (1 * -0.2) + 0 Y(2) = -1 Fungsi hardlimit: Y(2) < 0, sehingga Y(2) = 0 Y(2) = nilai T(2), tidak perlu melakukan update bobot. Y(3) = (X(1) * w(3,1)) + (X(2) * w(3,2)) + (X(3) * w(3,3)) + (X(4) *
B-55 w(3,4)) + (X(5) * w(3,5)) + (X(6) * w(3,6)) + (X(7) * w(3,7)) + (X(8) * w(3,8)) + (X(9) * w(3,9)) + (X(10) * w(3,10)) + (X(11) * w(3,11)) + (X(12) * w(3,12)) + (X(13) * w(3,13)) + (X(14) * w(3,14)) + (X(15) * w(3,15)) + 0 Y(3) = (0 * 0) + (0 * -0.2) + (1 * 0.2) + (0 * -0.2) + (0 * 0) + (1 * 0) + (0 * -0.2) + (1 * 0) + (1 * 0) + (1 * 0.2) + (0 * -0.2) + (1 * 0.2) + (1 * 0) + (1 * 0.2) + (1 * 0) + 0 Y(3) = 0.8 Fungsi hardlimit: Y(3) >= 0, sehingga Y(3) = 1 Y(3) = nilai T(3), tidak perlu melakukan update bobot. Y(4) = (X(1) * w(4,1)) + (X(2) * w(4,2)) + (X(3) * w(4,3)) + (X(4) * w(4,4)) + (X(5) * w(4,5)) + (X(6) * w(4,6)) + (X(7) * w(4,7)) + (X(8) * w(4,8)) + (X(9) * w(4,9)) + (X(10) * w(4,10)) + (X(11) * w(4,11)) + (X(12) * w(4,12)) + (X(13) * w(4,13)) + (X(14) * w(4,14)) + (X(15) * w(4,15)) + 0 Y(4) = (0 * 0) + (0 * 0.2) + (1 * -0.2) + (0 * 0.2) + (0 * 0) + (1 * 0) + (0 * 0.2) + (1 * 0) + (1 * 0) + (1 * -0.2) + (0 * 0.2) + (1 * -0.2) + (1 * 0) + (1 * -0.2) + (1 * 0) + 0 Y(4) = -0.8 Fungsi hardlimit: Y(4) < 0, sehingga Y(4) = 0 Y(4) = nilai T(4), tidak perlu melakukan update bobot. --------------------ITERASI ke - 3 --------------------* Data ke - 1 X = 010101111010101 T = 0001 Y(1) = (X(1) * w(1,1)) + (X(2) * w(1,2)) + (X(3) * w(1,3)) + (X(4) * w(1,4)) + (X(5) * w(1,5)) + (X(6) * w(1,6)) + (X(7) * w(1,7)) + (X(8) * w(1,8)) + (X(9) * w(1,9)) + (X(10) * w(1,10)) + (X(11) * w(1,11)) + (X(12) * w(1,12)) + (X(13) * w(1,13)) + (X(14) * w(1,14)) + (X(15) * w(1,15)) + 0 Y(1) = (0 * 0) + (1 * -0.2) + (0 * 0) + (1 * -0.2) + (0 * 0) + (1 * -0.2) + (1 * -0.2) + (1 * -0.2) + (1 * -0.2) + (0 * 0) + (1 * -0.2) + (0 * 0) + (1 * -0.2) + (0 * 0) + (1 * -0.2) + 0 Y(1) = -1.8 Fungsi hardlimit: Y(1) < 0, sehingga Y(1) = 0 Y(1) = nilai T(1), tidak perlu melakukan update bobot. Y(2) = (X(1) * w(2,1)) + (X(2) * w(2,2)) + (X(3) * w(2,3)) + (X(4) * w(2,4)) + (X(5) * w(2,5)) + (X(6) * w(2,6)) + (X(7) * w(2,7)) + (X(8) * w(2,8)) + (X(9) * w(2,9)) + (X(10) * w(2,10)) + (X(11) * w(2,11)) + (X(12) * w(2,12)) + (X(13) * w(2,13)) + (X(14) * w(2,14)) + (X(15) * w(2,15)) + 0 Y(2) = (0 * 0) + (1 * -0.2) + (0 * 0) + (1 * -0.2) + (0 * 0) + (1 * -0.2) + (1 * -0.2) + (1 * -0.2) + (1 * -0.2) + (0 * 0) + (1 * -0.2) + (0 * 0) + (1 * -0.2) + (0 * 0) + (1 * -0.2) + 0 Y(2) = -1.8 Fungsi hardlimit: Y(2) < 0, sehingga Y(2) = 0 Y(2) = nilai T(2), tidak perlu melakukan update bobot. Y(3) = (X(1) * w(3,1)) + (X(2) * w(3,2)) + (X(3) * w(3,3)) + (X(4) w(3,4)) + (X(5) * w(3,5)) + (X(6) * w(3,6)) + (X(7) * w(3,7)) + (X(8) w(3,8)) + (X(9) * w(3,9)) + (X(10) * w(3,10)) + (X(11) * w(3,11)) (X(12) * w(3,12)) + (X(13) * w(3,13)) + (X(14) * w(3,14)) + (X(15)
* * + *
B-56 w(3,15)) + 0 Y(3) = (0 * 0) + (1 * -0.2) + (0 * 0.2) + (1 * -0.2) + (0 * 0) + (1 * 0) + (1 * -0.2) + (1 * 0) + (1 * 0) + (0 * 0.2) + (1 * -0.2) + (0 * 0.2) + (1 * 0) + (0 * 0.2) + (1 * 0) + 0 Y(3) = -0.8 Fungsi hardlimit: Y(3) < 0, sehingga Y(3) = 0 Y(3) = nilai T(3), tidak perlu melakukan update bobot. Y(4) = (X(1) * w(4,1)) + (X(2) * w(4,2)) + (X(3) * w(4,3)) + (X(4) * w(4,4)) + (X(5) * w(4,5)) + (X(6) * w(4,6)) + (X(7) * w(4,7)) + (X(8) * w(4,8)) + (X(9) * w(4,9)) + (X(10) * w(4,10)) + (X(11) * w(4,11)) + (X(12) * w(4,12)) + (X(13) * w(4,13)) + (X(14) * w(4,14)) + (X(15) * w(4,15)) + 0 Y(4) = (0 * 0) + (1 * 0.2) + (0 * -0.2) + (1 * 0.2) + (0 * 0) + (1 * 0) + (1 * 0.2) + (1 * 0) + (1 * 0) + (0 * -0.2) + (1 * 0.2) + (0 * -0.2) + (1 * 0) + (0 * -0.2) + (1 * 0) + 0 Y(4) = 0.8 Fungsi hardlimit: Y(4) >= 0, sehingga Y(4) = 1 Y(4) = nilai T(4), tidak perlu melakukan update bobot. * Data ke - 2 X = 001001011101111 T = 0010 Y(1) = (X(1) * w(1,1)) + (X(2) * w(1,2)) + (X(3) * w(1,3)) + (X(4) * w(1,4)) + (X(5) * w(1,5)) + (X(6) * w(1,6)) + (X(7) * w(1,7)) + (X(8) * w(1,8)) + (X(9) * w(1,9)) + (X(10) * w(1,10)) + (X(11) * w(1,11)) + (X(12) * w(1,12)) + (X(13) * w(1,13)) + (X(14) * w(1,14)) + (X(15) * w(1,15)) + 0 Y(1) = (0 * 0) + (0 * -0.2) + (1 * 0) + (0 * -0.2) + (0 * 0) + (1 * -0.2) + (0 * -0.2) + (1 * -0.2) + (1 * -0.2) + (1 * 0) + (0 * -0.2) + (1 * 0) + (1 * -0.2) + (1 * 0) + (1 * -0.2) + 0 Y(1) = -1 Fungsi hardlimit: Y(1) < 0, sehingga Y(1) = 0 Y(1) = nilai T(1), tidak perlu melakukan update bobot. Y(2) = (X(1) * w(2,1)) + (X(2) * w(2,2)) + (X(3) * w(2,3)) + (X(4) * w(2,4)) + (X(5) * w(2,5)) + (X(6) * w(2,6)) + (X(7) * w(2,7)) + (X(8) * w(2,8)) + (X(9) * w(2,9)) + (X(10) * w(2,10)) + (X(11) * w(2,11)) + (X(12) * w(2,12)) + (X(13) * w(2,13)) + (X(14) * w(2,14)) + (X(15) * w(2,15)) + 0 Y(2) = (0 * 0) + (0 * -0.2) + (1 * 0) + (0 * -0.2) + (0 * 0) + (1 * -0.2) + (0 * -0.2) + (1 * -0.2) + (1 * -0.2) + (1 * 0) + (0 * -0.2) + (1 * 0) + (1 * -0.2) + (1 * 0) + (1 * -0.2) + 0 Y(2) = -1 Fungsi hardlimit: Y(2) < 0, sehingga Y(2) = 0 Y(2) = nilai T(2), tidak perlu melakukan update bobot. Y(3) = (X(1) * w(3,1)) + (X(2) * w(3,2)) + (X(3) * w(3,3)) + (X(4) * w(3,4)) + (X(5) * w(3,5)) + (X(6) * w(3,6)) + (X(7) * w(3,7)) + (X(8) * w(3,8)) + (X(9) * w(3,9)) + (X(10) * w(3,10)) + (X(11) * w(3,11)) + (X(12) * w(3,12)) + (X(13) * w(3,13)) + (X(14) * w(3,14)) + (X(15) * w(3,15)) + 0 Y(3) = (0 * 0) + (0 * -0.2) + (1 * 0.2) + (0 * -0.2) + (0 * 0) + (1 * 0) + (0 * -0.2) + (1 * 0) + (1 * 0) + (1 * 0.2) + (0 * -0.2) + (1 * 0.2) + (1 * 0) + (1 * 0.2) + (1 * 0) + 0 Y(3) = 0.8 Fungsi hardlimit: Y(3) >= 0, sehingga Y(3) = 1
B-57 Y(3) = nilai T(3), tidak perlu melakukan update bobot. Y(4) = (X(1) * w(4,1)) + (X(2) * w(4,2)) + (X(3) * w(4,3)) + (X(4) * w(4,4)) + (X(5) * w(4,5)) + (X(6) * w(4,6)) + (X(7) * w(4,7)) + (X(8) * w(4,8)) + (X(9) * w(4,9)) + (X(10) * w(4,10)) + (X(11) * w(4,11)) + (X(12) * w(4,12)) + (X(13) * w(4,13)) + (X(14) * w(4,14)) + (X(15) * w(4,15)) + 0 Y(4) = (0 * 0) + (0 * 0.2) + (1 * -0.2) + (0 * 0.2) + (0 * 0) + (1 * 0) + (0 * 0.2) + (1 * 0) + (1 * 0) + (1 * -0.2) + (0 * 0.2) + (1 * -0.2) + (1 * 0) + (1 * -0.2) + (1 * 0) + 0 Y(4) = -0.8 Fungsi hardlimit: Y(4) < 0, sehingga Y(4) = 0 Y(4) = nilai T(4), tidak perlu melakukan update bobot.
Tidak ada bobot yang berubah. Proses Pelatihan selesai.
D. Proses pengenalan pola pada gambar 4.12, maka langkah-langkah proses pengenalan metode Perceptron hal( X = 001001011101111 Y(1) = (X(1) * w(1,1)) + (X(2) * w(1,2)) + (X(3) * w(1,3)) + (X(4) * w(1,4)) + (X(5) * w(1,5)) + (X(6) * w(1,6)) + (X(7) * w(1,7)) + (X(8) * w(1,8)) + (X(9) * w(1,9)) + (X(10) * w(1,10)) + (X(11) * w(1,11)) + (X(12) * w(1,12)) + (X(13) * w(1,13)) + (X(14) * w(1,14)) + (X(15) * w(1,15)) + 0 Y(1) = (0 * 0) + (0 * -0.2) + (1 * 0) + (0 * -0.2) + (0 * 0) + (1 * -0.2) + (0 * -0.2) + (1 * -0.2) + (1 * -0.2) + (1 * 0) + (0 * -0.2) + (1 * 0) + (1 * -0.2) + (1 * 0) + (1 * -0.2) + 0 Y(1) = -1 Fungsi hardlimit: Y(1) < 0, sehingga Y(1) = 0 Y(2) = (X(1) * w(2,1)) + (X(2) * w(2,2)) + (X(3) * w(2,3)) + (X(4) * w(2,4)) + (X(5) * w(2,5)) + (X(6) * w(2,6)) + (X(7) * w(2,7)) + (X(8) * w(2,8)) + (X(9) * w(2,9)) + (X(10) * w(2,10)) + (X(11) * w(2,11)) + (X(12) * w(2,12)) + (X(13) * w(2,13)) + (X(14) * w(2,14)) + (X(15) * w(2,15)) + 0 Y(2) = (0 * 0) + (0 * -0.2) + (1 * 0) + (0 * -0.2) + (0 * 0) + (1 * -0.2) + (0 * -0.2) + (1 * -0.2) + (1 * -0.2) + (1 * 0) + (0 * -0.2) + (1 * 0) + (1 * -0.2) + (1 * 0) + (1 * -0.2) + 0 Y(2) = -1 Fungsi hardlimit: Y(2) < 0, sehingga Y(2) = 0 Y(3) = (X(1) * w(3,1)) + (X(2) * w(3,2)) + (X(3) * w(3,3)) + (X(4) * w(3,4)) + (X(5) * w(3,5)) + (X(6) * w(3,6)) + (X(7) * w(3,7)) + (X(8) * w(3,8)) + (X(9) * w(3,9)) + (X(10) * w(3,10)) + (X(11) * w(3,11)) + (X(12) * w(3,12)) + (X(13) * w(3,13)) + (X(14) * w(3,14)) + (X(15) * w(3,15)) + 0 Y(3) = (0 * 0) + (0 * -0.2) + (1 * 0.2) + (0 * -0.2) + (0 * 0) + (1 * 0) + (0 * -0.2) + (1 * 0) + (1 * 0) + (1 * 0.2) + (0 * -0.2) + (1 * 0.2) + (1 * 0) + (1 * 0.2) + (1 * 0) + 0 Y(3) = 0.8 Fungsi hardlimit: Y(3) >= 0, sehingga Y(3) = 1 Y(4) = (X(1) * w(4,1)) + (X(2) * w(4,2)) + (X(3) * w(4,3)) + (X(4) w(4,4)) + (X(5) * w(4,5)) + (X(6) * w(4,6)) + (X(7) * w(4,7)) + (X(8) w(4,8)) + (X(9) * w(4,9)) + (X(10) * w(4,10)) + (X(11) * w(4,11)) (X(12) * w(4,12)) + (X(13) * w(4,13)) + (X(14) * w(4,14)) + (X(15)
* * + *
B-58 w(4,15)) + 0 Y(4) = (0 * 0) + (0 * 0.2) + (1 * -0.2) + (0 * 0.2) + (0 * 0) + (1 * 0) + (0 * 0.2) + (1 * 0) + (1 * 0) + (1 * -0.2) + (0 * 0.2) + (1 * -0.2) + (1 * 0) + (1 * -0.2) + (1 * 0) + 0 Y(4) = -0.8 Fungsi hardlimit: Y(4) < 0, sehingga Y(4) = 0
Hasil = 0010 Tanda Tangan dengan layer output 0010 adalah pola TTD-2
A-1
LAMPIRAN A HASIL PENGUJIAN APLIKASI
A.1
Fase Pelatihan Pada fase pelatihan, sampel tanda tangan dimasukkan dan dilatih satu-per-
satu sehingga pola tanda tangan dapat dikenali pada fase pengenalan. Berikut adalah 10 (sepuluh) buah sampel tanda tangan yang dilatih:
01. Sri Dewi
02. Diah Puspita
03. Emha Taufik
04. Budi Suryo
05. Aditya Siregar
06. Tribowo Kuswanto
08. Dwi Wahyu 07. Dessy Sabine
09. Dave Saleh
10. Heri Kuwanto
A-2
Waktu pelatihan yang dibutuhkan untuk melakukan proses pelatihan terhadap sampel tanda tangan dapat dilihat pada tabel A.1. Tabel A.1 Waktu Proses Pelatihan
A.2
Data ke-
Perceptron (detik)
Backpropagation (detik)
1 2 3 4 5 6 7 8 9 10
3.014 3.015 3.015 3.016 3.047 3.062 3.063 3.078 3.078 3.109
26.204 35.625 43.765 52.672 61.641 70.687 79.313 88.14 96.891 105.672
Fase Pengenalan Pada fase pengenalan, apabila sampel tanda tangan yang dimasukkan sama
dengan gambar sampel tanda tangan ketika dilatih, penulis mendapatkan hasil keakuratan pengenalan sebesar 100%, atau dengan kata lain, semua pola dapat dikenali dengan baik oleh metode Perceptron maupun Backpropagation. Oleh karena itu, penulis mencoba membuat 10 (sepuluh) buah sampel tanda tangan secara manual untuk menguji akurasi masing-masing metode. Berikut adalah sampel tanda tangan yang akan dikenali:
A-3
01. Sri Dewi
02. Diah Puspita
03. Emha Taufik 04. Budi Suryo
06. Tribowo Kuswanto 05. Aditya Siregar
07. Dessy Sabine
08. Dwi Wahyu
09. Dave Saleh
10. Heri Kuwanto
Hasil pengenalan dan waktu yang dibutuhkan untuk proses pengenalan dapat dilihat pada tabel A.2.
A-4
Tabel A.2 Waktu dan Hasil Proses Pengenalan Data ke1 2 3 4 5 6 7 8 9 10
Perceptron Backpropagation Dikenali Waktu (detik) Dikenali Waktu (detik) Ya 0.047 Ya 0.360 Ya 0.047 Ya 0.343 Tidak Ya 0.359 Ya Ya 0.046 0.343 Ya Ya 0.063 0.360 Ya Ya 0.063 0.359 Ya Ya 0.063 0.344 Ya Ya 0.062 0.360 Ya Ya 0.047 0.343 Ya Ya 0.063 0.343
Pada contoh kasus pengenalan di atas, metode Backpropagation berhasil mengenali semua sampel dengan baik, sedangkan Perceptron gagal satu buah sampel, yaitu sampel ke-3.
