Jaringan Syaraf Tiruan untuk Identifikasi Wajah
Berikut ini merupakan contoh aplikasi pemrograman Jaringan Syaraf Tiruan Backpropagation sederhana untuk identifikasi wajah seseorang berdasarkan ciri mata, hidung, mulut, dan telinga.
1. Langkah pertama yaitu mempersiapkan data untuk proses pelatihan dan pengujian
Berikut ini merupakan contoh data untuk proses pelatihan
No | Ciri/ Feature | Target | |||
Mata | Hidung | Mulut | Telinga | Nama Orang | |
1 | 0.35 | 0.47 | 0.88 | 0.34 | Adi |
2 | 0.59 | 0.11 | 0.90 | 0.56 | Budi |
3 | 0.19 | 0.89 | 0.54 | 0.38 | Candra |
4 | 0.36 | 0.90 | 0.39 | 0.82 | Dedi |
5 | 0.58 | 0.45 | 0.80 | 0.91 | Erik |
6 | 0.40 | 0.45 | 0.80 | 0.35 | Adi |
7 | 0.61 | 0.11 | 0.90 | 0.55 | Budi |
8 | 0.20 | 0.87 | 0.56 | 0.41 | Candra |
9 | 0.38 | 0.88 | 0.35 | 0.85 | Dedi |
10 | 0.57 | 0.46 | 0.82 | 0.92 | Erik |
11 | 0.33 | 0.45 | 0.85 | 0.37 | Adi |
12 | 0.55 | 0.14 | 0.90 | 0.57 | Budi |
13 | 0.18 | 0.87 | 0.55 | 0.40 | Candra |
14 | 0.38 | 0.89 | 0.37 | 0.85 | Dedi |
15 | 0.56 | 0.47 | 0.83 | 0.91 | Erik |
Sedangkan contoh data untuk pengujian adalah sbb:
No | Ciri/ Feature | Target | |||
Mata | Hidung | Mulut | Telinga | Nama Orang | |
1 | 0.38 | 0.43 | 0.85 | 0.34 | Adi |
2 | 0.60 | 0.14 | 0.87 | 0.57 | Budi |
3 | 0.19 | 0.88 | 0.60 | 0.40 | Candra |
4 | 0.35 | 0.90 | 0.41 | 0.83 | Dedi |
5 | 0.59 | 0.45 | 0.78 | 0.93 | Erik |
2. Langkah berikutnya yaitu menyusun data latih beserta target latih sesuai dengan format pemrograman JST di Matlab. Data latih disusun sehingga menjadi matriks berukuran 4 x 15 seperti berikut ini
0.35 | 0.59 | 0.19 | 0.36 | 0.58 | 0.40 | 0.61 | 0.20 | 0.38 | 0.57 | 0.33 | 0.55 | 0.18 | 0.38 | 0.56 |
0.47 | 0.11 | 0.89 | 0.90 | 0.45 | 0.45 | 0.11 | 0.87 | 0.88 | 0.46 | 0.45 | 0.14 | 0.87 | 0.89 | 0.47 |
0.88 | 0.90 | 0.54 | 0.39 | 0.80 | 0.80 | 0.90 | 0.56 | 0.35 | 0.82 | 0.85 | 0.90 | 0.55 | 0.37 | 0.83 |
0.34 | 0.56 | 0.38 | 0.82 | 0.91 | 0.35 | 0.55 | 0.41 | 0.85 | 0.92 | 0.37 | 0.57 | 0.40 | 0.85 | 0.91 |
Sedangkan target latih disusun menjadi matriks berukuran 1 x 15 seperti berikut ini
1 | 2 | 3 | 4 | 5 | 1 | 2 | 3 | 4 | 5 | 1 | 2 | 3 | 4 | 5 |
Keterangan: 1 = Adi, 2 = Budi, 3 = Candra, 4 = Dedi, 5 = Erik
3. Langkah selanjutnya yaitu menuliskan coding pada script matlab seperti berikut ini
3.1 Coding untuk menuliskan data latih dan target latih pada matlab
% Mempersiapkan data latih dan target latih data_latih = [0.35,0.59,0.19,0.36,0.58,0.40,0.61,0.20,0.38,0.57,0.33,0.55,0.18,0.38,0.56;... 0.47,0.11,0.89,0.90,0.45,0.45,0.11,0.87,0.88,0.46,0.45,0.14,0.87,0.89,0.47;... 0.88,0.90,0.54,0.39,0.80,0.80,0.90,0.56,0.35,0.82,0.85,0.90,0.55,0.37,0.83;... 0.34,0.56,0.38,0.82,0.91,0.35,0.55,0.41,0.85,0.92,0.37,0.57,0.40,0.85,0.91]; target_latih = [1,2,3,4,5,1,2,3,4,5,1,2,3,4,5]; [~,N] = size(data_latih);
3.2 Selanjutnya membuat coding Jaringan Syaraf Tiruan Backpropagation dengan arsitektur 4-2-1 dan inisialisasi bobot awal secara acak. Pada pemrograman ini digunakan fungsi aktivasi sigmoid biner (logsig) pada hidden layer dan fungsi aktivasi linear (purelin) pada layer keluaran. Sedangkan fungsi pelatihan menggunakan metode gradien descent
% Pembuatan JST net = newff(minmax(data_latih),[2 1],{'logsig','purelin'},'traingdx'); net.IW{1,1} = [-7.62,0.97,-2.60,-9.55;-5.83,-3.41,3.08,-4.44]; net.LW{2,1} = [-2.40,-2.67]; net.b{1,1} = [9.38;-2.7]; net.b{2,1} = 5.93;
3.3 Membuat coding untuk memberikan parameter-parameter yang mempengaruhi proses pelatihan jst seperti parameter jumlah epoch, target error, learning rate, momentum.
% Memberikan nilai untuk mempengaruhi proses pelatihan net.performFcn = 'mse'; net.trainParam.goal = 0.01; net.trainParam.show = 20; net.trainParam.epochs = 1000; net.trainParam.mc = 0.95; net.trainParam.lr = 0.1;
3.4 Membuat coding untuk melakukan pelatihan jaringan
% Proses training [net_keluaran,tr,Y,E] = train(net,data_latih,target_latih);
sehingga muncul tampilan seperti berikut:
Pada tampilan tersebut ditunjukkan bahwa target error (mse) tercapai pada epoch ke 506. Kita bisa melihat error (mse) yang dihasilkan pada setiap epoch dengan meng-klik tombol ‘performance’ sehingga muncul tampilan seperti berikut:
Sedangkan koefisien korelasi hasil pelatihan dapat dilihat dengan meng-klik tombol ‘regression’ sehingga diperoleh:
Nilai koefisien korelasi sebesar 0.99751 menunjukkan bahwa akurasi hasil proses pelatihan sangat baik.
3.5 Untuk melihat nilai-nilai hasil pelatihan, kita dapat menuliskan coding sbb:
% Hasil setelah pelatihan bobot_hidden = net_keluaran.IW{1,1}; bobot_keluaran = net_keluaran.LW{2,1}; bias_hidden = net_keluaran.b{1,1}; bias_keluaran = net_keluaran.b{2,1}; jumlah_iterasi = tr.num_epochs; nilai_keluaran = Y; nilai_error = E; error_MSE = (1/N)*sum(nilai_error.^2);
4. Langkah terakhir yaitu proses pengujian jaringan
4.1 Data uji disusun seperti ditunjukkan oleh matriks berikut
0.38 | 0.60 | 0.19 | 0.35 | 0.59 |
0.43 | 0.14 | 0.88 | 0.90 | 0.45 |
0.85 | 0.87 | 0.60 | 0.41 | 0.78 |
0.34 | 0.57 | 0.40 | 0.83 | 0.93 |
4.2 Dalam matlab kita dapat menuliskan coding sbb:
% Performa jaringan data_uji = [0.38,0.60,0.19,0.35,0.59;... 0.43,0.14,0.88,0.90,0.45;... 0.85,0.87,0.60,0.41,0.78;... 0.34,0.57,0.40,0.83,0.93]; hasil_uji = round(sim(net_keluaran,data_uji))
sehingga diperoleh hasil pada command window seperti berikut ini:
Hasil tersebut 100% sesuai dengan target uji yang telah diberikan sebelumnya. Pada contoh ini ditunjukkan bahwa JST dapat mengidentifikasi/ membedakan pola wajah seseorang berdasarkan ciri mata, hidung, mulut, dan telinga dengan baik.
Posted on August 24, 2015, in Data mining, Pengenalan Matlab, Pengenalan Pola and tagged aplikasi jaringan syaraf tiruan matlab, aplikasi jst matlab, aplikasi jst sederhana matlab, aplikasi jst untuk pengenalan wajah, aplikasi pengenalan wajah menggunakan jst matlab, back propagation artificial neural network, cara membuat jaringan syaraf tiruan matlab, cara membuat jst backpropagation matlab, cara membuat jst matlab, contoh aplikasi jaringan syaraf tiruan matlab, contoh jaringan syaraf tiruan sederhana matlab, contoh jst sederhana matlab, data mining jaringan syaraf tiruan, data mining menggunakan matlab, face recognition menggunakan matlab, identifikasi wajah menggunakan jaringan syaraf tiruan, jaringan syaraf tiruan back propagation, jaringan syaraf tiruan backpropagation matlab, jaringan syaraf tiruan matlab, jaringan syaraf tiruan propagasi balik matlab, pemrograman matlab jaringan syaraf tiruan sederhana, pengenalan wajah dengan jaringan syaraf tiruan sederhana, pengenalan wajah menggunakan jst matlab, tutorial jaringan syaraf tiruan matlab. Bookmark the permalink. 85 Comments.
Malam mas, saya mw nanya nih
saya punya data latih berukuran 15×15, error di matlab net.IW{1,1} = [-7.62,0.97,-2.60,-9.55;-5.83,-3.41,3.08,-4.44]; “net.IW{1,1} must be a 2-by-15 matrix.
“. masalahnya diman ya mas
Makasi mas
selamat malam juga vina
proses inisialisasi bobot harus disesuaikan dg arsitektur jst
misal jumlah neuron pada layer masukan adalah 15 dan jumlah neuron pada layer tersembunyi adalah 2, maka inisialisasi bobot net.{I,W} harus berukuran 2×15
semoga membantu
makasi mas,
mw nanyak lg mas klo inisialisasi bobot hanya dengan hanya menulis net.{I,W} tanpa memberi nilai bisa ga?
mas punya tutorial buat Local binary patterns (LBP) ga?
makasi mas
sama sama vina
pemrograman jst menggunakan matlab bisa dilakukan tanpa inisialisasi bobot
jika proses itu tdk dilakukan, secara default, matlab akan menginisialisasi bobot awal secara acak
materi mengenai lbp bisa dipelajari menggunakan buku jaringan syaraf tiruan & pemrogramannya menggunakan matlab karangan drs. jong jek siang
Iya mas, makasi atas informasinya
sama sama vina
Mas, ketika memberi perintah :
[~,N] = size(data_latih);
kok muncul error :
??? [~,N] = size(data_latih);
|
Error: Expression or statement is incorrect–possibly unbalanced (, {, or [.
Maksudnya Apa ya mas?
Errornya itu di variabel data_latih mas
Dicek lagi apakah variabel data_latih sdh benar
sepertinya karena perbedaan syntak pada matlab 2009 dengan 2014 mas. Njenengan pakai yang 2014 kan? saya baca di mathwork.com karena ini.
coba link berikut:
http://www.mathworks.com/matlabcentral/newsreader/view_thread/332710
saya dah coba gak ada yang error dengan variabel di atas..
ternyata solusinya mengganti (~) dengan “type” mas 🙂
Mas Adi, bisa dijelaskan maksud dari parameter2 berikut:
net.performFcn = ‘mse’;
net.trainParam.goal = 0.01;
net.trainParam.show = 20;
net.trainParam.epochs = 1000;
net.trainParam.mc = 0.95;
net.trainParam.lr = 0.1;
terus bagaimana membaca nilai korelasi R itu bagus/tidak? apakah R = 0,99xxx itu berarti akurasi yang bagus (99%) begitu ya Mas? mohon pencerahnnya mas..
1. Performansi jaringan & error goal dinyatakan dlm nilai MSE
2. MSE yg digunakan adl 0,01
3. Nilai MSE akan ditampilkan setiap 20 epoch
4. Nilai momentum adalah 0,95
5. Nilai learning rate/laju pembelajaran adalah 0,1
Akurasi dan korelasi beda mas
akurasi nilainya 0-100%, sedangkan korelasi nilainya 0-1
terima kasih mas
nanya lagi mas, apakah dalam setiap training, harus mencapai “performance goal met” ? kenapa kadang untuk data lain saya dapetnya “validation stop”, atau kadang berhenti pada maksimum epoch.. maksud dari itu semua apa ya mas?
Iterasi dalam jst akan berhenti ketika target error tercapai
Jika target error belum tercapai, maka iterasi akan berhenti pada epoch maksimum
assalamualaikum mas Adi,
angka-angka yg didalam tabel dari no 1-15 itu didapat darimana ya (yang 0, ….) dan cara untuk mendapatkan angka2 itu bgaimna? terimakasih
Waalaikumsalam Annisa Amalia,
nilai tersebut hanya contoh saja
jika diaplikasikan ke dalam sistem pengenalan wajah yg sebenarnya, salah satu ciri yang bisa digunakan adalah ciri geometri misalnya jarak antara mata kiri dg mata kanan, mata (kiri/kanan) dg hidung, mata dg mulut, hidung dg mulut, dsb
gitu yah.. makasih mas
Assalamualaikum mas adi …
Salam Kenal Mas Saya Muwahhid …
Gini mas saya punya tugas seperti contoh yang di atas apalagi saya pemula mohon bisa memberikan materi atau refrensi untuk saya pelajari biar bisa mengerti alur dari Jaringan Syaraf Tiruan untuk Identifikasi Wajah ?
Mohon bantuannya makasih banyak
Waalaikumsalam Muwahhid Zain
Salam kenal juga
ada banyak sekali jenis algoritma dan metode identifikasi wajah
Materi dan source code mengenai sistem tersebut dapat dilihat pada laman berikut http://www.mathworks.com/matlabcentral/fileexchange/?utf8=%E2%9C%93&term=face+recognition
Makasih mas atas bantuannya ….
Mas adi data yang kita ambi di atas itu dari mana ?
data tersebut hanya contoh saja
jika diaplikasikan ke dalam sistem pengenalan wajah yg sebenarnya, salah satu ciri yang bisa digunakan adalah ciri geometri misalnya jarak antara mata kiri dg mata kanan, mata (kiri/kanan) dg hidung, mata dg mulut, hidung dg mulut, dsb
Warning: NEWFF used in an obsolete way.
> In obs_use at 17
In newff>create_network at 126
In newff at 101
See help for NEWFF to update calls to the new argument list.
Mas kalo seperti di atas ?
Itu hanya peringatan saja
Silakan pada baris koding paling atas ditambahkan perintah
clc; clear; close all; warning off all;
Assalamualaikum Mas Adi, bisa dibahas tentang grafik hasil training seperti Regresi, dll?
Mas adi, numpang nanya lagi mas,, untuk mencari ciri geometri misalnya jarak antara mata kiri dg mata kanan, mata (kiri/kanan) dg hidung, mata dg mulut, hidung dg mulut, dsb ?
Itu bisa di dapatkan dimana yah ?
materinya bisa dilihat di sini mas
https://pemrogramanmatlab.com/2015/10/22/cara-mengukur-jarak-antara-dua-objek-dalam-citra/
dan
https://pemrogramanmatlab.com/2013/11/05/deteksi-wajah-face-detection-menggunakan-algoritma-viola-jones/
mas, bagaimana membuat coding untuk mendiagnosis penyakit menggunakan jst backpropagation? trimakasih
salah satu materinya bisa dilihat pada jurnal penelitian saya pada laman berikut https://www.academia.edu/11333784/Identification_of_Plasmodium_Falciparum_Phase_in_Red_Blood_Cells_using_Artificial_Neural_Networks
Assalamualaikum mas Adi, cara menentukan jumlah neuron di layer tersembunyi itu bagaimana ya?
terimakasih
Waalaikumsalam annisa
Jumlah neuron dalam lapisan tersembunyi ditentukan dg cara trial & error
Jumlah neuron, jumlah layer tersembunyi, jenis fungsi aktivasi, jenis fungsi pelatihan, target error, jumlah epoch, laju pembelajaran, dan momentum dapat dijadikan sebagai variabel penelitian dalam merancang arsitektur jaringan syaraf tiruan
contoh kasusnya gimana ya mas, bingung saya…
mohon penjelasan nya mas
Mas saya mempunyai kendala
Kasus saya pengenalan pada sidik jari
Tetapi nilai output
Untuk citra yang dikenali dan tidak dikenali adalah 0.999
Semuanya mas.
Mohon bantuannya mas
Assalamualaikum mas. Kalau jst diaplikasikan ke gui bagaimana yah mas untuk proses training dan testingnya. Makasih
Waalaikumsalam manir
bisa dilihat pada laman berikut https://pemrogramanmatlab.com/2016/10/24/jaringan-syaraf-tiruan-untuk-klasifikasi-citra-daun/
salam ka, terima kasih postingannya sangat membantu 🙂
saya mau tanya ka, kalau pada text mining, pada saat tf idf, data training dan data testingnya di gabung atau pisah ka? terima kasih
Assalamualaikum.. mas salam kenal saya danial..
saya nyoba pakai data yg diatas tetapi ketika proses epoch terhenti terus gradient = infinity, itu artnya apa ya mas ?
Mas Adi, dasar untuk menentukan inisialisasi bobot berdasarkan apa ya ? Apa angkanya dikarang aja ? Lalu inisialisasi bobot yg bagaimana yg membuat akurasinya tinggi ? Terima kasih
inisialisasi bobot dilakukan secara acak karena kita tidak tahu berapa nilai bobot terbaik yang dapat menghasilkan nilai keluaran yang mendekati target
bobot diinisialisasi dengan bilangan acak kecil yang terdiri dari bilangan positif dan negatif
Mas Adi, di window Neural Network Performance, ada tulisan “Best Training Perfomance is 0.0099659”, angka 0.0099659 tsb menunjukan apa ya mas ? Thx
angka tsb menunjukkan bahwa nilai mse yg dihasilkan pada iterasi tertentu sudah mencapai target error
% Mempersiapkan data latih dan target latih
data_latih = [0.508,0.492,0.414,0.586,0.524,0.476,0.49,0.51,0.591,0.409,0.425,0.575,0.407,0.593,0.431,0.569,0.47,0.53,0.349,0.651,0.456,0.544,0.437,0.563;…
0.632,0.368,0.857,0.143,0.766,0.234,0.667,0.333,0.655,0.345,0.455,0.545,0.5,0.5,0.429,0.571,0.408,0.592,0.766,0.234,0.594,0.406,0.623,0.373;…
0.517,0.437,0.623,0.368,0.595,0.381,0.708,0.292,0.708,0.292,0.686,0.314,0.517,0.437,0.623,0.368,0.595,0.381,0.708,0.292,0.708,0.292,0.517,0.437;…
0.703,0.6,0.707,0.605,0.802,0.701,0.807,0.7,0.806,0.609,0.703,0.6,0.707,0.605,0.802,0.701,0.807,0.7,0.806,0.609,0.874,0.762,0.707,0.605;…
0.627,0.619,0.771,0.63,0.816,0.744,0.747,0.708,0.852,0.858,0.627,0.822,0.6095,0.671,0.626,0.558,0.784,0.683,0.689,0.519,0.699,0.731,0.755,0.605;…
0.723,0.277,0.614,0.386,0.682,0.318,0.692,0.309,0.704,0.296,0.809,0.191,0.718,0.274,0.678,0.321,0.71,0.29,0.779,0.221,0.639,0.361,0.737,0.263];
target_latih = [1,0,1,0,1,0,1,0,1,0,1,0,1,0,1,0,1,0,1,0,1,0,1,0];
[M,N] = size(data_latih);
mas data di atas adalah data latih saya bias bantu ngga cara buat jst nya
inputnya cuma ada 6 dan outputnya ada 2
% Pembuatan JST
net = newff(minmax(data_latih),[2 1],{‘logsig’,’purelin’},’traingdx’);
net.IW{1,1} = [-7.62,0.97,-2.60,-9.55;-5.83,-3.41,3.08,-4.44];
net.LW{2,1} = [-2.40,-2.67];
net.b{1,1} = [9.38;-2.7];
net.b{2,1} = 5.93;
bias dijelasin ngga kode diatas.
mas adi, input saya ada 21 dengan data latih 20ribuan, hasilnya 21x20ribuan, tapi dari baris pertama hinggah akhir sama semua ? mohon pencerahannya mas
mas adi, Best Training Perfomance saya 67.3591, itu masalahnya dimana yah mas ??
Mas Adi, kalo misalnya kita mau klasifikasi ke dalam 4 kelas, apa jumlah neuron outputnya harus 4 juga ? Atau cukup 1 aja ? Thx mas
Utk jumlah neuron pada layer keluaran bisa satu saja, bisa juga berjumlah 4
Satu neuron jika target kelas diisi dg angka misal 1, 2, 3, 4
Empat neuron jika target kelas diisi dg bilangan biner misal 0,0,0,0 ; 0,0,0,1 ; 0,0,1,0 dst
Nah, koding untuk nge-set jumlah neuron di ouput layer gimana ya mas ? Soalnya saya ga nemu2 caranya ngeset jumlah neuron di output layer. Thx mas
pada perintah
net = newff(minmax(data_latih),[2 1],{‘logsig’,’purelin’},’traingdx’);
angka [2 1] menyatakan bahwa ada 2 neuron pada hidden layer dan 1 neuron pada output layer
angka2 tsb bisa kita ubah sesuai dg kebutuhan
mas kalo pengen normalisasiin tapi secara otomatis dari matlab nya bisa ga?
untuk normalisasi secara otomatis bisa menggunakan persamaan normalisasi yang ada pada halaman berikut
https://pemrogramanmatlab.com/2016/07/08/jaringan-syaraf-tiruan-untuk-prediksi-menggunakan-matlab/
https://pemrogramanmatlab.com/2017/07/26/jaringan-syaraf-tiruan-untuk-memprediksi-jumlah-penduduk/
salam mas adi, kalau kode tersebut saya gunakan untuk pengenalan pola plat kendaraan bisa gak, kalau bisa apanya saja yang harus dimodifikasi?
Utk identifikasi plat nomor kendaraan bisa menggunakan ekstraksi ciri pola biner dan algoritma jaringan syaraf tiruan
tapi saya bingung mas di pengolahan citranya, kan plat itu terdapat beberapa huruf dan angka yg artinya harus dipetakan satu-satu dengan cara cropping. Nah saya bingung bagaimana cara croppingnya. Mohon bantuannya mas
Utk melalukan cropping citra secara otomatis bisa melihat materi pada halaman berikut ini
https://pemrogramanmatlab.com/2016/07/07/cara-melakukan-cropping-citra-secara-otomatis/
saya masih bingung cara pakai nya pada objek plat nomor kendaraan mas.
Koding tsb dapat diimplementasikan utk semua jenis citra termasuk deteksi plat nomor kendaraan
Sya sudah coba ganti objeknya mas, tp gak berhasil kepisah huruf plat nya. Atau ada yg hrus d ubah dr codingnya ya?
Bisa dicoba dg metode2 yg lain
Mas sy mau bertanya. Saya punya kasus penentuan tarif kamar hotel dengan 13 variabel input dan target outputnya adalah harga kamar hotel sesuai tipe kamar dgn jumlah 4 (berarti ada 4 jenis output). Nah kalo pake JST backpropagation codingnya sama gak dgn yg 1 output target ato gmna mas? Mohon bantuannya, terima kasih 🙂
Utk kasus tsb bisa menggunakan 1 nilai keluaran saja yaitu harga kamar hotel
Mas, inisialisasi bobot nya, boleh angka yang lebih besar dari 1??
Boleh atiqoh
kak, boleh minta tolong jelasin ini:
net = newff(minmax(data_latih),[2 1],{‘logsig’,’purelin’},’traingdx’);
net.IW{1,1} = [-7.62,0.97,-2.60,-9.55;-5.83,-3.41,3.08,-4.44];
net.LW{2,1} = [-2.40,-2.67];
net.b{1,1} = [9.38;-2.7];
net.b{2,1} = 5.93;
cara nentuin nilai-nilainya?
makasih
Nilai parameter tersebut bisa divariasikan sehingga diperoleh nilai yg menghasilkan akurasi paling tinggi
metode apa saja yang bisa digunakan untuk Jaringan Syaraf Tiruan untuk Identifikasi Wajah ini mas …???
Salah satunya bisa menggunakan metode viola jones
pak, maksud R=NaN di plot regresi itu apa ya? waktu saya train network keterangan di validation & Test pasti NaN. Penyebabnya apa? solusinya apa ya pak? Terimakasih
Saya rasa di proses pembentukan arsitektur jaringan masih ada yang belum benar
Bisa disesuaikan
% Pembuatan JST
net = newff(minmax(data_latih),[2 1],{‘logsig’,’purelin’},’traingdx’);
net.IW{1,1} = [-7.62,0.97,-2.60,-9.55;-5.83,-3.41,3.08,-4.44];
net.LW{2,1} = [-2.40,-2.67];
net.b{1,1} = [9.38;-2.7];
net.b{2,1} = 5.93;
mas,bisa di jelasin lagi ga?
data latih saya ada 60 gambar dan cirinya ada 24.
terima kasih
Mas adi, saya mau bertanya. Saya menerapkan ann backpropagation sebagai prakiraan beban listrik. Saya sudah menginisialisasi bobot awal sendiri dengan nilai bobot berdasarkan teori nguyen and widrow mas, tapi kok setiap running hasil yang saya dapatkan masih berubah-ubah ya? kalau seperti ini permasalahannya ada di mana ya mas? dan solusinya seperti apa? terimakasih
Jika bobot awal sudah diinisialisasi dengan benar maka akurasi hasil prediksi tidak akan berubah2
Assalamualaikum mas adi, kalau data latih dan uji nya saya ganti menggunakan data saya dengan format excel bagaimana caranya? Terimakasih mas adi
perintah untuk membaca data dari excel adalah xlsread
selamat malam mas adi ..mau tanya mas …nilai” data untuk proses pelatihan dan pengujian itu di dapatkannya bagaimana ya mas ?apa kita meng inpukan sendiri atau di rposes dulu dengan matlab sehingga menghasilkan nilai tersebut atau bagaimana mas ? tolong pencerahannya ..terima kasih sebelumnya ..selamat malam
Selamat malam
Untuk mendapatkan nilai2 tersebut, bisa membaca materi di halaman berikut ini
https://pemrogramanmatlab.com/2018/05/31/ekstraksi-ciri-wajah-menggunakan-algoritma-viola-jones/
mas adi, sy mau tanya apakah layak membuat gui backpropagation untuk prediksi harga saham sebagai bahan tugas akhir? dari yng saya temukan kebanyakan dikerjakan dgn coding manual. terimakasih
saya rasa layak membuat gui backpropagation untuk prediksi harga saham sebagai bahan tugas akhir
apakah data target harus doinormalisasi juga mas adi?
Selama nilai target itu kecil maka tidak perlu dinormalisasi
mas saya mau tanya kalau ingin membuat prediksi wajah dengan algoritma LVQ dengan ekstraksinya PCA itu bagaimana ya mas untuk code nya?
materi mengenai lvq bisa dilihat pada halaman berikut ini
https://pemrogramanmatlab.com/2018/08/14/pengenalan-pola-bentuk-menggunakan-moment-invariants-dan-jaringan-syaraf-tiruan-lvq/
sedangkan materi mengenai pca bisa dilihat pada
https://pemrogramanmatlab.com/2018/08/14/pengenalan-wajah-menggunakan-algoritma-pca/
bisa dikombinasikan dan diimplementasikan ke dalam sistem pengenalan wajah
net.IW{1,1}
net.LW{2,1}
net.b{1,1}
net.b{2,1}
Mas Adi, bisa tolong jelaskan maksd dari IW, LW, b dan angka2 yang ada di dlm kurung kurawa?