Anda di halaman 1dari 39

PENGENALAN POLA

ANGKA
0 SAMPAI 9
MENGGUNAKAN
JARINGAN SYARAF
TIRUAN DENGAN
MODEL JARINGAN
KOHONEN
Oleh Clara Wastiunamsih
BAB I
PENDAHULUAN
LATAR BELAKANG
 Mengenali pola sebuah angka bukan menjadi hal
yang sulit bagi manusia, akan tetapi berbeda
halnya dengan komputer. Komputer harus
memiliki algoritma atau cara tersendiri untuk
dapat mengenali pola sebuah angka.
 Pada pengenalan pola angka 0 sampai 9,
dibutuhkan sebuah metode yang dapat
mengelompokkan angka masukan ke dalam
kelompok angka yang mirip satu sama lain.
 Metode Jaringan Syaraf Tiruan dengan Model
Jaringan Kohonen secara otomatis
mengelompokkan angka berdasarkan bentuknya.
RUMUSAN MASALAH
 Bagaimana cara kerja pengenalan pola angka
0 sampai 9 menggunakan metode Jaringan
Syaraf Tiruan dengan model Jaringan
Kohonen?

 Bagaimana mengimplementasikan
pengenalan pola angka 0 sampai 9
menggunakan metode Jaringan Syaraf Tiruan
dengan model Jaringan Kohonen dalam
program?

 Berapa prosentase keberhasilan


pengenalan pola angka 0 sampai 9
menggunakan metode Jaringan Syaraf Tiruan
dengan model Jaringan Kohonen?
BATASAN MASALAH
 Input : angka 0, 1, 2, 3, 4, 5, 6, 7, 8, dan 9.
 Input berupa file grafik BMP-1 bit (biner).
 Jml pola template = 50 pola, jml pola uji 20
pola yang terdiri dari dua kelompok angka
0, 1, 2, 3, 4, 5, 6, 7, 8, dan 9.
 Pola input akan disamakan ukurannya
yaitu 30 X 30 pixel.
 Metode yang dipakai = Jaringan Syaraf
Tiruan dengan model Jaringan Kohonen.
 Software yang dipakai = Matlab 6.5.1.
TUJUAN PENULISAN
 Mempelajari cara kerja pengenalan
pola angka 0 sampai 9 menggunakan
metode Jaringan Syaraf Tiruan dengan
model Jaringan Kohonen.
 Membuat sistem pengenalan pola
angka 0 sampai 9 menggunakan metode
Jaringan Syaraf Tiruan dengan model
Jaringan Kohonen.
 Mengetahui tingkat keberhasilan
metode Jaringan Syaraf Tiruan dengan
model Jaringan Kohonen yang
digunakan untuk pengenalan pola
angka 0 sampai 9.
BAB II
DASAR TEORI
PENGENALAN POLA
 Pola adalah entitas yang dapat terdefinisi
dan dapat diidentifikasi melalui ciri-cirinya.
 Ciri-ciri tersebut digunakan untuk
membedakan suatu pola dengan pola
lainnya.
 Ciri pada suatu pola diperoleh dari hasil
pengukuran terhadap objek uji.
 Pengenalan pola bertujuan untuk
menentukan kelompok atau kategori pola
berdasarkan ciri-ciri yang dimiliki oleh pola
tersebut.
FASE PENGENALAN POLA
 Fase pelatihan
 beberapa contoh pola dipelajari untuk menentukan
ciri yang akan digunakan dalam proses pengenalan
serta prosedur klasifikasinya
 Fase pengenalan latihan
 pola diambil cirinya kemudian ditentukan kelas
kelompoknya
METODE PENGENALAN POLA
 Pendekatan Geometric / Statistik
 Pendekatan Sruktural / Sintaktik

 Pendekatan Computational Intelligent


 Pendekatan Logika Kabur
 Pendekatan Jaringan Syaraf Tiruan
JARINGAN SYARAF BIOLOGI
 Neuron
Axon
dari Neuron lain Dendrit
dari Neuron lain
Dendrit

Celah Sinapsis

SOMA

Axon

Celah Sinapsis Dendrit


dari Neuron lain

Axon
dari Neuron lain
JARINGAN SYARAF BIOLOGI
 Komponen utama neuron
 Soma
 Axon (output)
 Dendrites (input)
 Proses :
 Dendrit menerima sinyal dari neuron lain.Sinyal
tersebut berupa impuls elektrik yang dikirim melalui
celah sinaptik melalui proses kimiawi.
 Sinyal tersebut dimodifikasi (diperkuat / diperlemah) di
celah sinaptik.
 Soma menjumlahkan semua sinyal yang masuk. Kalau
jumlahan itu kuat dan melebihi batas ambang
(threshold), maka sinyal tersebut akan diteruskan ke
sel lain melalui axon.
JARINGAN SYARAF TIRUAN
 Jaringan Syaraf Tiruan dibentuk sebagai
generalisasi model matematika dari
jaringan syaraf biologi, dengan asumsi
bahwa :
 Pemrosesan informasi terjadi pada banyak elemen
sederhana (neuron).
 Sinyal dikirimkan diantara neuron-neuron melalui

penghubung-penghubung.
 Penghubung antar neuron memiliki bobot yang akan

memperkuat atau memperlemah sinyal.


 Untuk menentukan output, setiap neuron

menggunakan fungsi aktivasi yang dikenakan pada


jumlahan input yang diterima. Besarnya output ini
selanjutnya dibandingkan dengan suatu batas
ambang.
JARINGAN SYARAF TIRUAN
W1
X1  Keterangan :
 X = neuron input
W2
 W = bobot
X2 Y
 Y = neuron output

W3
X3
METODE PELATIHAN PADA
JARINGAN SYARAF TIRUAN
 Pelatihan Supervised
 Terdapat sejumlah pasangan data yaitu
masukan dan target keluaran, yang dipakai
untuk melatih jaringan hingga diperoleh bobot
yang diinginkan. Pasangan data tersebut
berfungsi sebagai “pemandu” untuk melatih
jaringan hingga diperoleh bentuk terbaik.
 Pelatihan Unsupervised
 Perubahan bobot di dalam proses
pelatihannya dilakukan berdasarkan
parameter tertentu dan jaringan dimodifikasi
menurut ukuran parameter tersebut.
JST KOHONEN
 Jaringan Kohonen adalah model jaringan yang
menggunakan pelatihan unsupervised.
 Tidak menggunakan perhitungan net

 Tidak memiliki fungsi aktivasi

 Perhitungannya menggunakan jarak Euclidean


ARSITEKTUR JST KOHONEN
Y1

Yj

Ym
 Representasi
W1n
Wm1
bobot :
n
Wj1 Wji Wj
Wmi
W11 W1i Wmn

w11 ... w1i ... w1n


…..
wj1 ... wji …wjn
…..
wm1 ... wmi …wmn

X1 Xi Xn
… …
TOPOLOGI DALAM JST KOHONEN
 Topologi Linear (satu dimensi)
W
* * * * * * * *

Topologi Bujursangkar (dua dimensi) (a)


Vector sekitar w berjarak 2

 Topologi Heksagonal (dua dimensi)  (b)

(a) (b)

R=2 R=2

W W
R=1
R=1
ALGORITMA JST KOHONEN
1. Inisialisasi
1. Bobot wij (acak)
2. Laju pemahaman awal dan faktor penurunannya
3. Bentuk dan jari-jari (topologi) sekitarnya
2. Selama kondisi penghentian salah, lakukan
langkah 3-8
3. Untuk setiap vector masukan x, lakukan 4-6
4. Hitung D(j) = untuk semua j

∑i
( w ji − xi ) 2
ALGORITMA JST KOHONEN
1. Tentukan indeks j sedemikian hingga D(j)
minimum
2. Untuk setiap unit j dan unit di sekitarnya
dilakukan modifikasi bobot sebagai berikut :

3. Modifikasi laju pemahaman


w baru
ji = w lama
ji + α ( x i − w lama
ji )
Laju pemahaman dimodifikasi dengan
mengalikan nilai laju pemahaman dengan
koefisian penurunannya.
ALGORITMA JST KOHONEN
1. Uji kondisi penghentian
Kondisi penghentian iterasi adalah
selisih antara wji saat itu dengan wji
pada iterasi sebelumnya. Apabila semua
wji hanya berubah sedikit saja, berarti
iterasi sudah mencapai konvergensi
sehingga dapat dihentikan.
Pengelompokan vektor input dilakukan
dengan menghitung jarak vektor
dengan bobot optimal.
BAB III
ANALISIS DAN
PERANCANGAN SISTEM
INPUT
 Pola template  50 pola terdiri dari angka 0, 1,
2, 3, 4, 5, 6, 7, 8, 9 masing-masing jenis 5 pola.
 Pola uji  20 pola terdiri dari 2 kelompok pola
angka 0, 1, 2, 3, 4, 5, 6, 7, 8, 9
PROSES
 Preprocessing
 Pelatihan

 Clustering

 Pengujian
PREPROCESSING

Pola input

Ukuran jd 30 x 30 pixel Jadi bentuk vektor 1x900


PELATIHAN 1

Inisialisasi bobot
Jml kolom = 900

Jml baris = 10

PELATIHAN 2
Hitung jarak dg rumus : ∑
i
( w ji − xi ) 2

Pola Template
Matriks bobot
d1
d2
… d3
… d10
Dipilih yg terkecil

Vektor pemenang + vektor tetangga


Dimodifikasi dg rumus :
Modifikasi Alpha :
Alpha x koefisien penurunan
w baru
ji = w lama
ji + α (
x i − w lama
ji )
CLUSTERING
Bobot optimal
Pola Template

Dihitung jarak
… …

… 555556
99999 33
666677

Identitas = 9 Tak beridentitas


PENGUJIAN
Bobot optimal
Pola Uji

Dihitung jarak
… …

pola pola pola … pola

Dikenali sebagai
angka 9 Tak dikenali
BAB IV
HASIL DAN PEMBAHASAN
POLA TEMPLATE
POLA UJI
INPUT
 Topologi
 Linear
 Bujursangkar
 Heksagonal
 Alpha (0<alpha<1)
0.1, 0.2, 0.3, 0.4, …,0.9
 Koefisien Penurunan Alpha

0.1, 0.2, 0.3, 0.4, …,0.9


 Jari – jari

0 dan 1
KOMBINASI INPUT DG HASIL TERBAIK
PD POLA UJI KELOMPOK 1
Alpha Koefisien penurunan Jari-jari Jumlah pola uji Banyak dikenali Persentase dikenali
alpha

0.8 0.5 0 10 10 100%

0.9 0.5 0 10 10 100%

0.8 0.6 0 10 10 100%

0.9 0.6 0 10 10 100%

0.8 0.7 0 10 10 100%

0.9 0.7 0 10 10 100%

0.8 0.8 0 10 10 100%

0.9 0.8 0 10 10 100%

0.7 0.9 0 10 10 100%

0.8 0.9 0 10 10 100%

0.9 0.9 0 10 10 100%


KOMBINASI INPUT DG HASIL TERBAIK
PD POLA UJI KELOMPOK 2
Alpha Koefisien penurunan Jari-jari Jumlah pola uji Banyak dikenali Persentase dikenali
alpha

0.9 0.1 0 10 5 50%


0.9 0.3 0 10 5 50%
0.8 0.4 0 10 5 50%
0.7 0.5 0 10 5 50%
0.8 0.5 0 10 5 50%
0.9 0.6 0 10 5 50%
0.8 0.7 0 10 5 50%
0.9 0.7 0 10 5 50%
0.8 0.8 0 10 5 50%
0.9 0.8 0 10 5 50%
0.7 0.9 0 10 5 50%
0.8 0.9 0 10 5 50%
0.9 0.9 0 10 5 50%
BAB V
KESIMPULAN DAN SARAN
KESIMPULAN 1
1. Jaringan Syaraf Tiruan dengan Model
Jaringan Kohonen dapat digunakan
untuk pengenalan pola angka 0 sampai 9.
KESIMPULAN 2
1. Berdasarkan hasil penelitian dan percobaan
yang telah dilakukan dapat diperoleh
kesimpulan bahwa pengenalan pola angka 0
sampai 9 menggunakan Jaringan Syaraf
Tiruan dengan Model Jaringan Kohonen
memiliki tingkat keberhasilan yg tinggi
dengan kondisi :
•semua kelas memiliki identitas
•masing-masing pola uji masuk ke kelas yang
sesuai.
Pola uji yang masuk ke kelas sesuai
dengan identitasnya merupakan pola yang
hanya memiliki sedikit perbedaan struktur
pixel dengan struktur pixel pola template
yang menjadi acuan penamaan kelas
tersebut.
SARAN
 Memilih pola template yang lebih universal
sehingga dapat digunakan untuk aplikasi
pengenalan pola angka yang lebih luas
penggunaannya. Contoh penggunaan
pengenalan pola angka yang lebih luas
adalah pada pengenalan kodepos.
 Menampilkan visualisasi perubahan bobot
yang terjadi agar user dapat mengetahui
lebih jelas tetang proses yang sedang
berlangsung.