51
Abstract
This paper presents a Feature Recognition Network for pattern recognition that
learns the patterns by remembering their different segments. The basa algorithm for this
network is a Boolean net. Simulation results show that the network can recognize
patterns after significant noise, deformation, translation and event scaling. The network
is compared to existing popular network used for the same purpose. The network is also
analized as regard to interconnection complexity and information storage/retrieval.
Keywords: jaringan saraf, Novel Feature Recognition, algoritma Boolean Net, citra
digital
PENDAHULUAN
Jaringan saraf tiruan (Artificial
Neural Network) merupakan bagian
dari teknologi komputer yang saat ini
banyak dikembangkan guna pembuatan
aplikasi-aplikasi
dalam
berbagai
bidang, penerapan jaringan saraf tiruan
tidak terbatas pada bidang pembuatan
perangkat lunak (software) melainkan
juga diterapkan pada pembuatan
perangkat keras (hardware).
Revolusi
jaringan
saraf
dikembangkan pada tahun delapan
puluhan. Algoritma baru ditawarkan
dan yang lama ditingkatkan. Setiap
algoritma dianalisa dan dianalisa ulang
untuk
menetapkan
attibutnya,
kekurangannya (flaw), dan batasannya.
Salah satu bidang yang diamati adalah
jaringan yang digunakan untuk
menerapkan fungsi-fungsi Boolean.
Beberapa metode populer yang ada
digunakan untuk melatih jaringan saraf
menggunakan
dua
lapis
jaringan
Perceptron.
Widrow-Hoff menyarankan aturan
Delta yang mempertahankan bahwa tidak
ada perubahan beban (bobot) yang terjadi
jika unjuk kerja yang sebenarnya dan yang
diharapkan sesuai. Dalam kasus suatu
perbedaan (bila terjadi perbedaan),
perubahan pada bobot adalah proposional
terhadap
error
yang
diperhatikan
(Ramelhart
dan
MacCleland,1986).
Kohonen (1984) menyediakan alternatif
yang lebih sederhana terhadap aturan
pembelajaran Perceptron dalam rancangan
memori assosiatifnya.
Karena
Aljabar
Boolean
dipertimbangkan menjadi pemecahan
yang terbaik terhadap masalah klasifikasi,
representasi dari masalah pada Logic
Boolean dan konsekuensinya penerapan
jaringan saraf akan sangat membantu pada
pengelompokannya
(Classification).
Meskipun beberapa fungsi Boolean secara
linier terpisah, tidak semua fungsi dapat
diterapkan, hal ini menunjukkan tidak ada
algoritma umum yang dapat menerapkan
stiap fungsi Boolean.
Hasil penelitian terbaru oleh D. E.
Rumelhart dan J. L. McCleland
menyatakan
Although
multilayered
system of linear threshold units are very
powerful and capable of computing any
Boolean function, there is no learning
algorithm for the general case. Suatu
variasi daria aturan delta dikenal sebagai
Generalized Delta Rule (aturan delta yang
digeneralisasi) digunakan untuk melatih
jaringan kerja perceptron multilayer.
Aturan juga diterapkan pada jaringan
XOR, pengecek parity, encoder, penggeser
(shiffer), negator, dan penambah (Adder).
Untuk kasus yang umum suatu jaringan
akan mampu mempelajari (learning)
setelah melalui iterasi dalam jumlah yang
besar. Suatu jaringan saraf digunakan
unruk menerapkan fungsi-fungsi Boolean
disajikan pada gambar 1. Jaringan ini
menggunakan korelasi antar nilai-nilai
Step 2: Calculate W k = [w 1k , w
2 k , , w kn ], w ik {1,1}
W k is the weight vector
associated with A k
It is calculated as w ik = 2a
ik - 1 i.e.,
1 if a ik = 1
w ik =
-1 if a ik = 0
Step 3: Set the k th neurons
threshold as k = i a ik
w ik
Step 4 : Repeat A k by going
back to step 1
Output : A set of weight vectors W k
and neuron thresholds k
Gambar 1. Algoritma untuk
Implementasi Boolean
Sangat sedikit yang brhasil mencoba
memecahkan masalah pengenalan
karakter menggunakan jaringan saraf ,
53
DARI
ALGORITMA
FEATURE RECOGNITION
Algoritma jaringan saraf yang ada tidak
dapat menjelaskan dirinya sendiri secara
analitikal sebagai pertumbuhan lapis demi
lapis tersembunyi, bahkan jika jaringan
saraf tersebut konvergen maka akan
mempergunakan jumlah iterasi yang tak
terbatas agar jaringan saraf tersebut dapat
bekerja dengan baik. Pada penelitian ini
(makalah) mengembangkan algoritma
jaringan
Boolean
yang
menjamin
transformasi dari setiap fungsi Boolean
terhadap
suatu
fungsi
threshold,
menggunakan bobot integer sederhana dan
hanya dua layer. Selanjutnya konvergensi
hanya menggunakan itrasi tunggal dan
algoritma yang ada dapat dianalisa secara
matematis. Ada dua versi algoritma ini,
versi binari dan versi umum. Versi binari
berhubungan dengan implementasi fungsifungsi bernilai menerus (fungsi-fungsi
skalar terbobot). Penelitian (makalah) ini
menggunakan versi binari dari algoritma
Boolean.
a. Algoritma
Pelatihan
Jaringan
Boolean
/* Pelatihan jaringan */
For i = 1 to k do /* k=total dari banyaknya pola pelatihan */
Terima Pola A i ;
Hitung Weight (bobot) W i ;
For sub-patterns (pola-pola) A ilm /* l =1 2, m = 1 2 */
Hitung banyaknya inputan yang benar ilm dan set nilai ambang (threshold);
Endfor
/* Pengenalan (Recognize) terhadap pola-pola baru */
For r = 1 to n do /* n = total dari banyaknya pola yang diklasifikasikan */
Terima Pola A r ;
For i = 1 to k do
Hitung inner product P rilm ; /* inner product dari A rim dengan neuron A ilm */
If P rilm = ilm ; set par fire ilm = 1; /* rekam (record) sebagian firing */
Hitung fire i = lm par fire ilm ; /* cek keseluruhan firing */
Pilih (select) MAX(fire) and output class;
Enfor
Gambar 2. Algoritma Feature Recognition untuk trainning dan detection pola
a
11
ik
wik rk
55
Start
Pelatihan
W = 2a - 1
Theta
Stop
Mempelajari
seluruh pola-pola pelatihan dan
mengingat subpola
2.
Membagi
pola
input baru ke dalam 16 bagian (64
segmen/blok)
3.
Membandingkan
masing-masing segmen secara
individu terhadap segmen-segmen
yang berhubungan dari pola-pola
yang
dilatih
untuk
menghitungsetiap kesesuaian.
4.
Mendapatkan
jumlah total segmen yang sesuai
untuk setiap pola.
57
59
(obyek)
dan
pola
yang
mengalami
pergeseran
digunakan
suatu
metode
segmentasi, walaupun suatu
pola bergeser dari aslinya
(origin) ke tempat yang
berbeda/koordinatnya berbeda
(seperti kasus diatas), tidak
mempunyai pengaruh dalam
proses pengenalan dari suatu
pola. Hal ini disebabkan
penentuan frame (batas area)
dari suatu pola (object) dalam
citra dapat dibagi menjadi
daerah-daerah yang homogen.
d. Atribut-atribut Algoritma
Atribut-atribut yang digunakan dalam
algoritma ini :
1) Jumlah Sweep : Jaringan saraf
yang ada melewati jumlah
penyapuan (number of sweeps)
yang tak terbatas dari pola-pla
pelatihan sebelum jaringan
mendapat pelatihan. Setelah
jaringan saraf dilatih, sangat
sulit memperkenalkan pola
pembelajaran baru. Pengenalan
tersebut dimaksudkan agar
jaringan harus melewati suatu
fase tak terpelajar cukup
panjang sebelum jaringan
dapat belajar lagi. Di lain pihak
jaringan saraf yang ditawarkan
hanya melalui satu pembersih
(sweep) pola untuk diingat,
meskipun sudah melalui tahap
pembelajaran,
suatu
pola
pelatihan baru dapat ditambahkan
setiap
waktu
terhadap jaringan yang terlatih
tanpa melalui siklus iterasi
yang berulang-ulang.
2) Konvergensi : Meskipun
aturan yang cukup kuat
seperti The Generalized
Delta
Rule
biasanya
berhasil dalam pelatihan
suatu pola, konvergensi
tidak selalu menjamin, ini
menjadi kelemahan utama
jaringan
saraf
yang
terdahulu, karena tidak
dapat menjelaskan diri
sendiri secara matematis.
Secara berlawanan jaringan
saraf
yang
ditawarkan
menjamin
terhadap
konvergensi pada suatu
sweep tunggal. Sebagai
tambahan jaringan saraf
standar
menggunakan
skema pengaturan bobot
yang kompleks, sedangkan
jaringan
saraf
yang
ditawarkan menggunakan
bobot integer sederhana.
3) Ruggedness : Simulasi
pengenalan
karakter
dilakukan
menggunakan
algoritma ini menunjukkan
bahwa noise dan distoris
yang dipertimbangkan dapat
ditoleransi.
4) Sistem Berdiri Sendiri :
Beberapa
jaringan
menggunakan
tingkat
pemrosesan (preprocessing)
untuk
menggabungkan
invarian
terhadap
efek
geometri tertentu. Jaringan
ini
sepenuhnya
berdiri
sendiri
dan
mengenali
pergeseran, penskalaan, dan
noise.
61
a. Metodologi klasifikasi
b. Hasil
63