View
236
Download
0
Category
Preview:
Citation preview
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
ii
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
iii
iv
ix
DAFTAR ISI
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
Halaman
x
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
xi
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
xii
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
i
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.
iv
PERNYATAAN
DENGAN INI SAYA MENYATAKAN BAHWA SKRIPSI INI BENAR-
BENAR 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
vii
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
viii
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
xviii
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
1
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
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 Perceptron atau
Backpropagation di dalam fase pelatihan atau pengenalan.
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.
8
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 bagian-
bagian 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
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 brain-
machine. 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. Definisi AI
1. “The existing new effort to make computers think … machine with mind, in full, and literal sense” (Haugeland, 1985)
2. “The automation of activities that we associate with human thinking, activities such as decision making, problem solving, learning …” (Bellman, 1978)
3. “The study of mental faculties through the use of computasional models”
16
(Chaniak and mcDermott, 1985)
4. “The study of the computation that make it possible to perceive, reason and act” (Winston, 1992)
5. “The art of creating machine that performs functions that require intelligence when performed by people” (Kurzweil, 1990)
6. “The study of how to make computers to do things at which, at the moment, people are better” (Rich and Knight, 1991)
7. “A field of study that seeks to explain and emulate intelligent behaviour in term of computational processes” (Schalkoff, 1990)
8. “The branch of computer science that is concerned with the automation of intelligent behaviour” (Luger and Stubblefield, 1993)
9. System that thinks like humans. 10. System that acts like humans. 11. System that thinks rationally. 12. 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 Kecerdasan Buatan (AI) Pemograman Konvensional
Pemrosesan Mengandung konsep-konsep simbolik
Algoritmik
Sifat Input Tidak harus lengkap Harus lengkap
Pencarian Kebanyakan bersifat Heuristic
Biasanya didasarkan pada algoritma
Keterangan Disediakan Biasanya tidak disediakan Fokus Pengetahuan Data dan Informasi
23
Struktur Kontrol dipisahkan dari pengetahuan
Kontrol terintegrasi dengan informasi (data)
Sifat Output Kuantitatif Kualitatif Pemeliharan dan update
Relatif mudah Sulit
Kemampuan menalar
Ya Tidak
2.3 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 lapisan-
lapisan (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 bobot-
bobot 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 bobot-
bobot 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:
Yk = Fh (
n
ikiiWX
1
+ Ө)
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
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.
Fh(a)
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:
z_inj = v0j +
n
iijivx
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.
y_ink = w0k +
p
jjkj wz
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):
δ_inj =
m
kjkk w
1
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 pengenalan (recognition) dengan menggunakan
backpropagation hanya perlu menjalankan tahap 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
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’
g(x,y)
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
Label
Frame
Check Box
Combo Box
Horizontal Scroll Bar
Timer
Directory List Box
Shape
Image
OLE
Picture Box
Text Box
Command Button
Option Button
List Box
Vertical Scroll Bar
Drive List Box
File List Box
Line
Data
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)
48
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.
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.
Gambar 3.3 Kerangka Berpikir
Metode Pengembangan Sistem
Merumuskan masalah dan analisis
Studi Pustaka dan Sampling
Analisis
Desain
Kode
Tes
Analisis Kebutuhan Sistem
Analisis Proses Kerja Perancangan Aplikasi
Perancangan Basis Data
Perancangan Tampilan
Implementasi kode
Pengujian Sampling
Kesimpulan dan saran pembuatan sistem
1 54
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.
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
Sampel Tanda Tangan Hasil proses pengambangan di-Crop dan dibuang sisi yang kosong
20 kotak
20 kotak
Ekstraksi Ciri 20 x 20
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 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 0 0 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 1 1 0 0 0 0 0 1 1 1 0 0 0 0 0 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 1 1 1 1 1 1 1 1 1 0 0 0 0 1 1 0 0 0 0 0 0 1 1 1 1 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 1 1 1 0 0 0 0 0 0 0 0 1 1 1 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 1 1 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 1 1 1 1 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
Hasil Ekstraksi Ciri 20 x 20
Thresholding
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
z_inj = v0j +
n
iijivx
1
zj = f(z_inj)
2. Isi Nilai pada neuron lapisan output (y).
Untuk k = 1 to m, hitung:
y_ink = w0k +
p
jjkj wz
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:
δ_inj =
m
kjkk w
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. Hitung: wjk (baru) = wjk (lama) + Δwjk
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
Hitung nilai pada lapisan tersembunyi (z) dan lapisan output (y) :
UPDATEBOBOT
TAHAPBACKPROPAGATION
START
Tentukan bobot V(i, j) dan W(j,k) secara acakdengan: i = 1 ... n dan j = i ... p
Tetapkan MaxEpoh, limit (error minimum yang diharapkan) dan α (Learning Rate)
Masukkan:Input : x (n)
Target : T (m)
dengan m = banyak lapisan output dan n = 400 (hasil ekstraksi ciri 20 x 20)
While (Epoh < MaxEpoh) atau (δ2 > limit)
Untuk setiap pola data yang akan dilatih
Xi = angka biner 0 atau 1 darihasil ekstraksi ciri data
Next
EndWhile
END
TAHAPFEEDFORWARD
Hitung Informasi Error:
Hitung Bobot:
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:
Yk = Fh (
n
ikiiWX
1+ Ө)
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
0, jika a < Ө Fh(a)
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 di-
scan 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
Kenali Pola TTD
xProses Pengenalan
No Urut Database : 4
Nama Pemilik : 2
Hasil Ekstraksi Ciri Tanda Tangan :
5
3
Kenali dengan Metode : 1
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.
OK
xHasil Pengenalan dengan Metode X
3
Hasil Pengenalan :
Pemilik tanda tangan adalah X
2
1
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.
xDatabase
1
OK 4
Ekstraksi Ciri Pola Tanda Tangan:
3
Nama Pemilik :
Gambar Tanda Tangan :
2
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. Field Name Data Type Keterangan 1. NamaPemilik Text (50) Berisi nama pemilik tanda tangan.
2. Input Text (400) Berisi 400 bit biner hasil ekstraksi ciri dari pola 20 x 20.
3. Output Text (8) 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. Field Name Data Type Keterangan 1. Variabel Text (1) Berisi nama variabel”w”. 2. Indeks1 Integer Indeks array-1. 3. Indeks2 Integer Indeks array-2. 4. Nilai Double 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. Field Name Data Type Keterangan 1. Variabel Text (1) Berisi nama variabel ”v” atau ”w”. 2. Indeks1 Integer Indeks array-1. 3. Indeks2 Integer Indeks array-2. 4. Nilai Double 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 masing-
masing metode JST dapat dilihat pada tabel 4.4.
Tabel 4.4 Spesifikasi Metode JST
Spesifikasi Perceptron Backpropagation Banyaknya lapisan 400 400
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
Alpha (tingkat pembelajaran) 0.2 0.2
Threshold 0 0.5 Perulangan Proses
Pelatihan Sampai bobot tidak
berubah 1000
(maksimum epoh)
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.
8 91
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.
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 tahap pengenalan dilakukan dengan
menggunakan mouse.
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 : yoyo_pratama@yahoo.co.id
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
91
DAFTAR PUSTAKA
Desiani, A. dan Arhami, M., 2006, Konsep Kecerdasan Buatan, Yogyakarta :
Andi.
http://office.microsoft.com/en-gb/access-help/introduction-to-importing-and-
exporting-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.
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 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
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 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-A9FC-0000F8754DA1}#2.0#0"; "Mscomctl.ocx" Object = "{F9043C88-F6F2-101A-A3C9-08002B2F49FB}#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 {8E3867A5-8586-11D1-B16A-00C0F0283628} NumPanels = 6 BeginProperty Panel1 {8E3867AB-8586-11D1-B16A-00C0F0283628} AutoSize = 1 Object.Width = 14631 MinWidth = 11324 Text = "C:\" TextSave = "C:\" EndProperty BeginProperty Panel2 {8E3867AB-8586-11D1-B16A-00C0F0283628} Alignment = 1 Object.Width = 3175 MinWidth = 3175 Text = "0 x 0 pixels" TextSave = "0 x 0 pixels" EndProperty BeginProperty Panel3 {8E3867AB-8586-11D1-B16A-00C0F0283628} Style = 1 Alignment = 1 Enabled = 0 'False Object.Width = 1058 MinWidth = 1058 TextSave = "CAPS"
EndProperty BeginProperty Panel4 {8E3867AB-8586-11D1-B16A-00C0F0283628} Style = 2 Alignment = 1 Enabled = 0 'False Object.Width = 1058 MinWidth = 1058 TextSave = "NUM" EndProperty BeginProperty Panel5 {8E3867AB-8586-11D1-B16A-00C0F0283628} Style = 3 Alignment = 1 Enabled = 0 'False Object.Width = 1058 MinWidth = 1058 TextSave = "INS" EndProperty BeginProperty Panel6 {8E3867AB-8586-11D1-B16A-00C0F0283628} Alignment = 1 Object.Width = 2646 MinWidth = 2646 Text = "0 detik" TextSave = "0 detik" EndProperty EndProperty BeginProperty Font {0BE35203-8F91-11CE-9DE3-00AA004BB851} 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 {2C247F25-8591-11D1-B16A-00C0F0283628} NumListImages = 8 BeginProperty ListImage1 {2C247F27-8591-11D1-B16A-00C0F0283628} Picture = "frmUtama.frx":2CFA Key = ""
C-6
EndProperty BeginProperty ListImage2 {2C247F27-8591-11D1-B16A-00C0F0283628} Picture = "frmUtama.frx":39D4 Key = "" EndProperty BeginProperty ListImage3 {2C247F27-8591-11D1-B16A-00C0F0283628} Picture = "frmUtama.frx":46AE Key = "" EndProperty BeginProperty ListImage4 {2C247F27-8591-11D1-B16A-00C0F0283628} Picture = "frmUtama.frx":5388 Key = "" EndProperty BeginProperty ListImage5 {2C247F27-8591-11D1-B16A-00C0F0283628} Picture = "frmUtama.frx":6062 Key = "" EndProperty BeginProperty ListImage6 {2C247F27-8591-11D1-B16A-00C0F0283628} Picture = "frmUtama.frx":6D3C Key = "" EndProperty BeginProperty ListImage7 {2C247F27-8591-11D1-B16A-00C0F0283628} Picture = "frmUtama.frx":7A16 Key = "" EndProperty BeginProperty ListImage8 {2C247F27-8591-11D1-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 {66833FE8-8583-11D1-B16A-00C0F0283628} NumButtons = 10 BeginProperty Button1 {66833FEA-8583-11D1-B16A-00C0F0283628} Caption = "Buka" Key = "BUKA" Object.ToolTipText = "Buka file gambar (*.bmp, *.gif, *.jpg)" ImageIndex = 1 EndProperty BeginProperty Button2 {66833FEA-8583-11D1-B16A-00C0F0283628} Caption = "Kosongkan" Key = "KOSONGKAN" Object.ToolTipText = "Kosongkan area penggambaran" ImageIndex = 2 EndProperty BeginProperty Button3 {66833FEA-8583-11D1-B16A-00C0F0283628} Style = 3 EndProperty BeginProperty Button4 {66833FEA-8583-11D1-B16A-00C0F0283628} Caption = "Pengambangan" Key = "PENGAMBANGAN" Object.ToolTipText = "Pengambangan (thresholding)" ImageIndex = 3 EndProperty BeginProperty Button5 {66833FEA-8583-11D1-B16A-00C0F0283628} Caption = "Pelatihan" Key = "PELATIHAN" Object.ToolTipText = "Melatih pola tanda tangan dan menyimpannya ke database" ImageIndex = 4 EndProperty BeginProperty Button6 {66833FEA-8583-11D1-B16A-00C0F0283628} Caption = "Pengenalan" Key = "PENGENALAN" Object.ToolTipText = "Mengenali identitas pemilik tanda tangan" ImageIndex = 5 EndProperty BeginProperty Button7 {66833FEA-8583-11D1-B16A-00C0F0283628} Caption = "Database" Key = "DATABASE" Object.ToolTipText = "Database pola tanda tangan yang telah dikenali" ImageIndex = 6 EndProperty
C-7
BeginProperty Button8 {66833FEA-8583-11D1-B16A-00C0F0283628} Style = 3 EndProperty BeginProperty Button9 {66833FEA-8583-11D1-B16A-00C0F0283628} Caption = "About" Key = "ABOUT" Object.ToolTipText = "Mengenai pembuat tugas akhir" ImageIndex = 7 EndProperty BeginProperty Button10 {66833FEA-8583-11D1-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 {2C247F25-8591-11D1-B16A-00C0F0283628} NumListImages = 8 BeginProperty ListImage1 {2C247F27-8591-11D1-B16A-00C0F0283628} Picture = "frmUtama.frx":99EE Key = "" EndProperty BeginProperty ListImage2 {2C247F27-8591-11D1-B16A-00C0F0283628} Picture = "frmUtama.frx":A6C8 Key = "" EndProperty BeginProperty ListImage3 {2C247F27-8591-11D1-B16A-00C0F0283628} Picture = "frmUtama.frx":B3A2 Key = "" EndProperty BeginProperty ListImage4 {2C247F27-8591-11D1-B16A-00C0F0283628} Picture = "frmUtama.frx":C07C Key = "" EndProperty BeginProperty ListImage5 {2C247F27-8591-11D1-B16A-00C0F0283628} Picture = "frmUtama.frx":CD56 Key = "" EndProperty
C-8
BeginProperty ListImage6 {2C247F27-8591-11D1-B16A-00C0F0283628} Picture = "frmUtama.frx":DA30 Key = "" EndProperty BeginProperty ListImage7 {2C247F27-8591-11D1-B16A-00C0F0283628} Picture = "frmUtama.frx":E70A Key = "" EndProperty BeginProperty ListImage8 {2C247F27-8591-11D1-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 Form_Unload(Cancel As Integer) '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 Private Sub mnuBukaLog_Click() frmLog.Show vbModal End Sub Private Sub mnuDatabase_Click() frmDatabase.Show vbModal End Sub Private Sub mnuKeluar_Click() End End Sub Private Sub mnuPelatihan_Click() frmPelatihan.Show vbModal End Sub Private Sub mnuPengambangan_Click() Call Pengambangan
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 Case "BUKA": Call BukaFile Case "KOSONGKAN": Call Kosongkan Case "PENGAMBANGAN": Call Pengambangan Case "PELATIHAN": frmPelatihan.Show vbModal Case "PENGENALAN": frmPengenalan.Show vbModal Case "DATABASE": frmDatabase.Show vbModal Case "ABOUT": frmAbout.Show vbModal Case "KELUAR": End End Select End Sub Private Sub BukaFile() 'Buka File frmBuka.Show vbModal 'Jika gambar tidak kosong If Picture1.Picture <> 0 Then 'Set draw mode = false bDrawMode = False '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 'Default Picture1.MousePointer = 0 End If 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 End Sub '---------------- ' DRAW MODE '---------------- 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
Picture1.PSet (X, Y) Else 'Right click frmTebalPensil.Show vbModal End If End If End Sub Private Sub Picture1_MouseMove(Button As Integer, Shift As Integer, X As Single, Y As Single) If bDrawMode Then '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 Private Sub Picture1_MouseUp(Button As Integer, Shift As Integer, X As Single, Y As Single) DrawNow = False 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) = Alpha * Delta2(1) DeltaV(0,1) = 0.2 * -0.0045 = -0.0009 DeltaV(0,2) = Alpha * Delta2(2) DeltaV(0,2) = 0.2 * -0.0139 = -0.00278 DeltaV(0,3) = Alpha * Delta2(3) DeltaV(0,3) = 0.2 * 0.01 = 0.002 DeltaV(0,4) = Alpha * Delta2(4) DeltaV(0,4) = 0.2 * -0.0176 = -0.00352 DeltaV(0,5) = Alpha * Delta2(5) DeltaV(0,5) = 0.2 * 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) + DeltaW(1,1) w(1,1) = -0.3976 + -0.011 = -0.4086 w(1,2) = w(1,2) + DeltaW(1,2) w(1,2) = 0.0576 + -0.0162 = 0.0414 w(1,3) = w(1,3) + DeltaW(1,3) w(1,3) = -0.0425 + -0.0163 = -0.0588 w(1,4) = w(1,4) + DeltaW(1,4) w(1,4) = -0.4764 + 0.0128 = -0.4636 w(2,1) = w(2,1) + DeltaW(2,1) w(2,1) = -0.4403 + -0.0059 = -0.4462 w(2,2) = w(2,2) + DeltaW(2,2) w(2,2) = 0.1858 + -0.0087 = 0.1771 w(2,3) = w(2,3) + DeltaW(2,3) w(2,3) = 0.3074 + -0.0088 = 0.2986 w(2,4) = w(2,4) + DeltaW(2,4) w(2,4) = -0.3228 + 0.0069 = -0.3159 w(3,1) = w(3,1) + DeltaW(3,1) w(3,1) = -0.1667 + -0.0148 = -0.1815 w(3,2) = w(3,2) + DeltaW(3,2) w(3,2) = -0.3696 + -0.0218 = -0.3914 w(3,3) = w(3,3) + DeltaW(3,3) w(3,3) = 0.2392 + -0.022 = 0.2172 w(3,4) = w(3,4) + DeltaW(3,4) w(3,4) = 0.1471 + 0.0173 = 0.1644 w(4,1) = w(4,1) + DeltaW(4,1) w(4,1) = 0.1578 + -0.0124 = 0.1454 w(4,2) = w(4,2) + DeltaW(4,2) w(4,2) = 0.1258 + -0.0182 = 0.1076 w(4,3) = w(4,3) + DeltaW(4,3) w(4,3) = 0.2219 + -0.0183 = 0.2036 w(4,4) = w(4,4) + DeltaW(4,4) w(4,4) = -0.0665 + 0.0145 = -0.052 w(5,1) = w(5,1) + DeltaW(5,1) w(5,1) = 0.0643 + -0.0111 = 0.0532 w(5,2) = w(5,2) + DeltaW(5,2) w(5,2) = 0.2031 + -0.0163 = 0.1868 w(5,3) = w(5,3) + DeltaW(5,3) w(5,3) = -0.479 + -0.0164 = -0.4954 w(5,4) = w(5,4) + DeltaW(5,4) w(5,4) = 0.0363 + 0.0129 = 0.0492 w(6,1) = w(6,1) + DeltaW(6,1) w(6,1) = 0.0216 + -0.0098 = 0.0118 w(6,2) = w(6,2) + DeltaW(6,2) w(6,2) = 0.3313 + -0.0145 = 0.3168 w(6,3) = w(6,3) + DeltaW(6,3) w(6,3) = 0.1365 + -0.0146 = 0.1219 w(6,4) = w(6,4) + DeltaW(6,4) w(6,4) = 0.1899 + 0.0115 = 0.2014 w(7,1) = w(7,1) + DeltaW(7,1) w(7,1) = 0.0296 + -0.0034 = 0.0262 w(7,2) = w(7,2) + DeltaW(7,2) w(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) * 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 + (0.6324 * 0.0414) + (0.5295 * 0.1771) + (0.6435 * -0.3914) + (0.4879 * 0.1076) + (0.7828 * 0.1868) + (0.6942 * 0.3168) + (0.2479 * -0.4946) + (0.6288 * 0.2588) + (0.5315 * 0.0674) + (0.2125 * 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) * 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 + (0.6324 * -0.0588) + (0.5295 * 0.2986) + (0.6435 * 0.2172) + (0.4879 * 0.2036) + (0.7828 * -0.4954) + (0.6942 * 0.1219) + (0.2479 * 0.0633) + (0.6288 * 0.0384) + (0.5315 * 0.3343) + (0.2125 * -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) * w(3,4)) + (z(4) * w(4,4)) + (z(5) * w(5,4)) + (z(6) * w(6,4)) + (z(7) * w(7,4)) + (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) + (0.6435 * 0.1644) + (0.4879 * -0.052) + (0.7828 * 0.0492) + (0.6942 * 0.2014) + (0.2479 * -0.3363) + (0.6288 * 0.4561) + (0.5315 * -0.4386) + (0.2125 * -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)
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) = Alpha * Delta2(1) * X(1) DeltaV(1,1) = 0.2 * 0.0199 * 0 = 0 DeltaV(1,2) = Alpha * Delta2(2) * X(1) DeltaV(1,2) = 0.2 * 0.0189 * 0 = 0 DeltaV(1,3) = Alpha * Delta2(3) * X(1) DeltaV(1,3) = 0.2 * 0.0154 * 0 = 0 DeltaV(1,4) = Alpha * Delta2(4) * X(1) DeltaV(1,4) = 0.2 * -0.0013 * 0 = 0 DeltaV(1,5) = Alpha * Delta2(5) * X(1) DeltaV(1,5) = 0.2 * -0.013 * 0 = 0 DeltaV(1,6) = Alpha * Delta2(6) * X(1) DeltaV(1,6) = 0.2 * -0.014 * 0 = 0 DeltaV(1,7) = Alpha * Delta2(7) * X(1) DeltaV(1,7) = 0.2 * 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) + DeltaW(1,1) w(1,1) = -0.4086 + -0.0104 = -0.419 w(1,2) = w(1,2) + DeltaW(1,2) w(1,2) = 0.0414 + -0.0187 = 0.0227 w(1,3) = w(1,3) + DeltaW(1,3) w(1,3) = -0.0588 + 0.0097 = -0.0491 w(1,4) = w(1,4) + DeltaW(1,4)
B-34
w(1,4) = -0.4636 + -0.0171 = -0.4807 w(2,1) = w(2,1) + DeltaW(2,1) w(2,1) = -0.4462 + -0.0087 = -0.4549 w(2,2) = w(2,2) + DeltaW(2,2) w(2,2) = 0.1771 + -0.0157 = 0.1614 w(2,3) = w(2,3) + DeltaW(2,3) w(2,3) = 0.2986 + 0.0081 = 0.3067 w(2,4) = w(2,4) + DeltaW(2,4) w(2,4) = -0.3159 + -0.0143 = -0.3302 w(3,1) = w(3,1) + DeltaW(3,1) w(3,1) = -0.1815 + -0.0105 = -0.192 w(3,2) = w(3,2) + DeltaW(3,2) w(3,2) = -0.3914 + -0.0191 = -0.4105 w(3,3) = w(3,3) + DeltaW(3,3) w(3,3) = 0.2172 + 0.0099 = 0.2271 w(3,4) = w(3,4) + DeltaW(3,4) w(3,4) = 0.1644 + -0.0174 = 0.147 w(4,1) = w(4,1) + DeltaW(4,1) w(4,1) = 0.1454 + -0.008 = 0.1374 w(4,2) = w(4,2) + DeltaW(4,2) w(4,2) = 0.1076 + -0.0145 = 0.0931 w(4,3) = w(4,3) + DeltaW(4,3) w(4,3) = 0.2036 + 0.0075 = 0.2111 w(4,4) = w(4,4) + DeltaW(4,4) w(4,4) = -0.052 + -0.0132 = -0.0652 w(5,1) = w(5,1) + DeltaW(5,1) w(5,1) = 0.0532 + -0.0128 = 0.0404 w(5,2) = w(5,2) + DeltaW(5,2) w(5,2) = 0.1868 + -0.0232 = 0.1636 w(5,3) = w(5,3) + DeltaW(5,3) w(5,3) = -0.4954 + 0.012 = -0.4834 w(5,4) = w(5,4) + DeltaW(5,4) w(5,4) = 0.0492 + -0.0212 = 0.028 w(6,1) = w(6,1) + DeltaW(6,1) w(6,1) = 0.0118 + -0.0114 = 4.00000000000001E-04 w(6,2) = w(6,2) + DeltaW(6,2) w(6,2) = 0.3168 + -0.0206 = 0.2962 w(6,3) = w(6,3) + DeltaW(6,3) w(6,3) = 0.1219 + 0.0106 = 0.1325 w(6,4) = w(6,4) + DeltaW(6,4) w(6,4) = 0.2014 + -0.0188 = 0.1826 w(7,1) = w(7,1) + DeltaW(7,1) w(7,1) = 0.0262 + -0.0041 = 0.0221 w(7,2) = w(7,2) + DeltaW(7,2) w(7,2) = -0.4946 + -0.0073 = -0.5019 w(7,3) = w(7,3) + DeltaW(7,3) w(7,3) = 0.0633 + 0.0038 = 0.0671 w(7,4) = w(7,4) + DeltaW(7,4) w(7,4) = -0.3363 + -0.0067 = -0.343 w(8,1) = w(8,1) + DeltaW(8,1) w(8,1) = -0.3888 + -0.0103 = -0.3991 w(8,2) = w(8,2) + DeltaW(8,2) w(8,2) = 0.2588 + -0.0186 = 0.2402 w(8,3) = w(8,3) + DeltaW(8,3) w(8,3) = 0.0384 + 0.0096 = 0.048 w(8,4) = w(8,4) + DeltaW(8,4) w(8,4) = 0.4561 + -0.017 = 0.4391 w(9,1) = w(9,1) + DeltaW(9,1) w(9,1) = 0.25 + -0.0087 = 0.2413 w(9,2) = w(9,2) + DeltaW(9,2) w(9,2) = 0.0674 + -0.0157 = 0.0517 w(9,3) = w(9,3) + DeltaW(9,3) w(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) + DeltaW(1,1) w(1,1) = -0.5467 + -0.0048 = -0.5515 w(1,2) = w(1,2) + DeltaW(1,2) w(1,2) = -0.2136 + -0.0103 = -0.2239 w(1,3) = w(1,3) + DeltaW(1,3) w(1,3) = -0.11 + 0.0129 = -0.0971 w(1,4) = w(1,4) + DeltaW(1,4) w(1,4) = -0.4933 + -0.0169 = -0.5102 w(2,1) = w(2,1) + DeltaW(2,1) w(2,1) = -0.5387 + -0.004 = -0.5427 w(2,2) = w(2,2) + DeltaW(2,2) w(2,2) = 9.99999999999942E-05 + -0.0086 = -8.50000000000001E-03 w(2,3) = w(2,3) + DeltaW(2,3) w(2,3) = 0.304 + 0.0107 = 0.3147 w(2,4) = w(2,4) + DeltaW(2,4) w(2,4) = -0.3799 + -0.0141 = -0.394 w(3,1) = w(3,1) + DeltaW(3,1) w(3,1) = -0.3467 + -0.0049 = -0.3516 w(3,2) = w(3,2) + DeltaW(3,2) w(3,2) = -0.6907 + -0.0106 = -0.7013 w(3,3) = w(3,3) + DeltaW(3,3) w(3,3) = 0.1136 + 0.0132 = 0.1268 w(3,4) = w(3,4) + DeltaW(3,4) w(3,4) = 0.1756 + -0.0173 = 0.1583 w(4,1) = w(4,1) + DeltaW(4,1) w(4,1) = 0.0217 + -0.0033 = 0.0184 w(4,2) = w(4,2) + DeltaW(4,2) w(4,2) = -0.1149 + -0.0071 = -0.122 w(4,3) = w(4,3) + DeltaW(4,3) w(4,3) = 0.1177 + 0.0088 = 0.1265 w(4,4) = w(4,4) + DeltaW(4,4) w(4,4) = -0.0342 + -0.0116 = -0.0458 w(5,1) = w(5,1) + DeltaW(5,1) w(5,1) = -0.0977 + -0.0054 = -0.1031 w(5,2) = w(5,2) + DeltaW(5,2) w(5,2) = -0.095 + -0.0116 = -0.1066 w(5,3) = w(5,3) + DeltaW(5,3) w(5,3) = -0.5303 + 0.0144 = -0.5159 w(5,4) = w(5,4) + DeltaW(5,4) w(5,4) = -0.007 + -0.0189 = -0.0259 w(6,1) = w(6,1) + DeltaW(6,1) w(6,1) = -0.1153 + -0.0045 = -0.1198 w(6,2) = w(6,2) + DeltaW(6,2) w(6,2) = 0.0787 + -0.0097 = 0.069 w(6,3) = w(6,3) + DeltaW(6,3) w(6,3) = 0.1 + 0.0121 = 0.1121 w(6,4) = w(6,4) + DeltaW(6,4) w(6,4) = 0.146 + -0.0158 = 0.1302 w(7,1) = w(7,1) + DeltaW(7,1) w(7,1) = -0.0254 + -0.0022 = -0.0276 w(7,2) = w(7,2) + DeltaW(7,2) w(7,2) = -0.5914 + -0.0048 = -0.5962 w(7,3) = w(7,3) + DeltaW(7,3) w(7,3) = 0.056 + 0.006 = 0.062 w(7,4) = w(7,4) + DeltaW(7,4) w(7,4) = -0.3605 + -0.0078 = -0.3683 w(8,1) = w(8,1) + DeltaW(8,1) w(8,1) = -0.5065 + -0.0042 = -0.5107 w(8,2) = w(8,2) + DeltaW(8,2) w(8,2) = 0.0382 + -0.0091 = 0.0291 w(8,3) = 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 + -0.00156 = 0.49146 v(15,9) = v(15,9) + DeltaV(15,9) v(15,9) = 0.38692 + 0.00432 = 0.39124 v(15,10) = v(15,10) + DeltaV(15,10) v(15,10) = -0.38172 + -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(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 + (0.7072 * -0.5515) + (0.5935 * -0.5427) + (0.7231 * -0.3516) + (0.4835 * 0.0184) + (0.7823 * -0.1031) + (0.6572 * -0.1198) + (0.3335 * -0.0276) + (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 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(3,4)) + (z(4) * w(4,4)) + (z(5) * w(5,4)) + (z(6) * w(6,4)) + (z(7) * w(7,4)) + (z(8) * w(8,4)) + (z(9) * w(9,4)) + (z(10) * w(10,4)) y_in(4) = 0.4208 + (0.7072 * -0.5102) + (0.5935 * -0.394) + (0.7231 * 0.1583) + (0.4835 * -0.0458) + (0.7823 * -0.0259) + (0.6572 * 0.1302) + (0.3335 * -0.3683) + (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) = 0.2026 < 0.5 --> dibulatkan menjadi 0 y(2) = 0.3185 < 0.5 --> dibulatkan menjadi 0 y(3) = 0.629 >= 0.5 --> dibulatkan menjadi 1 y(4) = 0.4578 < 0.5 --> dibulatkan menjadi 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 langkah-langkah 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), sehingga lakukan update bobot: w(2,1) = w(2,1) + (Alpha * (T(2) - Y(2)) * X(1)) w(2,1) = 0 + (0.2 * (0 - 1) * 0) = 0 w(2,2) = w(2,2) + (Alpha * (T(2) - Y(2)) * X(2)) w(2,2) = 0 + (0.2 * (0 - 1) * 1) = -0.2 w(2,3) = w(2,3) + (Alpha * (T(2) - Y(2)) * X(3)) w(2,3) = 0 + (0.2 * (0 - 1) * 0) = 0 w(2,4) = w(2,4) + (Alpha * (T(2) - Y(2)) * X(4)) w(2,4) = 0 + (0.2 * (0 - 1) * 1) = -0.2 w(2,5) = w(2,5) + (Alpha * (T(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)) * X(6)) w(2,6) = 0 + (0.2 * (0 - 1) * 1) = -0.2 w(2,7) = w(2,7) + (Alpha * (T(2) - Y(2)) * X(7)) w(2,7) = 0 + (0.2 * (0 - 1) * 1) = -0.2 w(2,8) = w(2,8) + (Alpha * (T(2) - Y(2)) * X(8)) w(2,8) = 0 + (0.2 * (0 - 1) * 1) = -0.2 w(2,9) = w(2,9) + (Alpha * (T(2) - Y(2)) * X(9)) w(2,9) = 0 + (0.2 * (0 - 1) * 1) = -0.2 w(2,10) = w(2,10) + (Alpha * (T(2) - Y(2)) * X(10)) w(2,10) = 0 + (0.2 * (0 - 1) * 0) = 0 w(2,11) = w(2,11) + (Alpha * (T(2) - Y(2)) * X(11)) w(2,11) = 0 + (0.2 * (0 - 1) * 1) = -0.2 w(2,12) = w(2,12) + (Alpha * (T(2) - Y(2)) * X(12)) w(2,12) = 0 + (0.2 * (0 - 1) * 0) = 0 w(2,13) = w(2,13) + (Alpha * (T(2) - Y(2)) * X(13)) w(2,13) = 0 + (0.2 * (0 - 1) * 1) = -0.2 w(2,14) = w(2,14) + (Alpha * (T(2) - Y(2)) * X(14)) w(2,14) = 0 + (0.2 * (0 - 1) * 0) = 0 w(2,15) = w(2,15) + (Alpha * (T(2) - Y(2)) * X(15)) w(2,15) = 0 + (0.2 * (0 - 1) * 1) = -0.2 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) + (Alpha * (T(4) - Y(4)) * X(14)) w(4,14) = 0 + (0.2 * (0 - 1) * 1) = -0.2 w(4,15) = w(4,15) + (Alpha * (T(4) - Y(4)) * X(15)) w(4,15) = 0 + (0.2 * (0 - 1) * 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
07. Dessy Sabine
08. Dwi Wahyu
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
Data ke- Perceptron (detik)
Backpropagation
(detik)
1 3.014 26.204 2 3.015 35.625 3 3.015 43.765 4 3.016 52.672 5 3.047 61.641 6 3.062 70.687 7 3.063 79.313 8 3.078 88.14 9 3.078 96.891
10 3.109 105.672
A.2 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
05. Aditya Siregar
06. Tribowo Kuswanto
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 ke- Perceptron Backpropagation
Dikenali Waktu (detik) Dikenali Waktu (detik) 1 Ya 0.047 Ya 0.360 2 Ya 0.047 Ya 0.343 3 Tidak - Ya 0.359 4 Ya 0.046 Ya 0.343 5 Ya 0.063 Ya 0.360 6 Ya 0.063 Ya 0.359 7 Ya 0.063 Ya 0.344 8 Ya 0.062 Ya 0.360 9 Ya 0.047 Ya 0.343
10 Ya 0.063 Ya 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.
Recommended