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 teta pi berbeda halnya dengan komputer. Komputer harus memiliki algoritma atau cara t ersendiri untuk dapat mengenali pola sebuah angka. Pada pengenalan pola angka 0 sampai 9, dibutuhkan sebuah metode yang dapat mengelompokkan angka masukan ke da lam kelompok angka yang mirip satu sama lain. Metode Jaringan Syaraf Tiruan deng an Model Jaringan Kohonen secara otomatis mengelompokkan angka berdasarkan bentu knya.

RUMUSAN MASALAH Bagaimana cara kerja pengenalan pola angka 0 sampai 9 menggunakan metode Jaringa n Syaraf Tiruan dengan model Jaringan Kohonen? Bagaimana mengimplementasikan pen genalan pola angka 0 sampai 9 menggunakan metode Jaringan Syaraf Tiruan dengan m odel Jaringan Kohonen dalam program? Berapa prosentase keberhasilan pengenalan p ola angka 0 sampai 9 menggunakan metode Jaringan Syaraf Tiruan dengan model Jari ngan Kohonen?

BATASAN MASALAH

Input : angka 0, 1, 2, 3, 4, 5, 6, 7, 8, dan 9. Input berupa file grafik BMP-1 b it (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 u kurannya yaitu 30 X 30 pixel. Metode yang dipakai = Jaringan Syaraf Tiruan denga n model Jaringan Kohonen. Software yang dipakai = Matlab 6.5.1.

TUJUAN PENULISAN

Mempelajari cara kerja pengenalan pola angka 0 sampai 9 menggunakan metode Jarin gan 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 m odel 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-ciri nya. Ciri-ciri tersebut digunakan untuk membedakan suatu pola dengan pola lainny a. Ciri pada suatu pola diperoleh dari hasil pengukuran terhadap objek uji. Peng enalan pola bertujuan untuk menentukan kelompok atau kategori pola berdasarkan c iri-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 pola diambil cirinya kemudian di tentukan kelas kelompoknya

Fase pengenalan latihan

METODE PENGENALAN POLA Pendekatan Geometric / Statistik putational Intelligent

Pendekatan Sruktural / Sintaktik

Pendekatan Com

Pendekatan Logika Kabur Pendekatan Jaringan Syaraf Tiruan

JARINGAN SYARAF BIOLOGI Neuron Axon dari Neuron lain Dendrit Dendrit dari Neuron lain 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) Dendrit menerima sinyal dari neuron lain.Si nyal 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.

Proses :

JARINGAN SYARAF TIRUAN Jaringan Syaraf Tiruan dibentuk sebagai generalisasi model matematika dari jarin gan syaraf biologi, dengan asumsi bahwa : Pemrosesan informasi terjadi pada banyak elemen sederhana (neuron). Sinyal dikir imkan diantara neuron-neuron melalui penghubung-penghubung. Penghubung antar neu ron memiliki bobot yang akan memperkuat atau memperlemah sinyal. Untuk menentuka n 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 W2 Keterangan : X2 Y

X = neuron input W = bobot Y = neuron output X3 W3

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 ter sebut berfungsi sebagai pemandu untuk melatih jaringan hingga diperoleh bentuk ter baik. Pelatihan Unsupervised Perubahan bobot di dalam proses pelatihannya dilakukan berdasarkan parameter ter tentu 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 W1n Yj Wm1 Ym

Representasi bobot : w11 ... w1i ... w1n Wj1 Wji Wj n W11 W1i Wmi Wmn .. wj1 ... wji wjn .. wm1 ... wmi wmn X1 Xi Xn

TOPOLOGI DALAM JST KOHONEN Topologi Linear (satu dimensi) * * * * W * * * * Topologi Bujursangkar (dua dimensi) Vector sekitar w berjarak 2 (a) (b) R=2 W W R=2 R=1 R=1 (a) Topologi Heksagonal (dua dimensi) (b)

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

ALGORITMA JST KOHONEN 1. 2. Tentukan indeks j sedemikian hingga D(j) minimum Untuk setiap unit j dan unit di sekitarnya dilakukan modifikasi bobot sebagai berikut : Modifikasi laju pemaham an 3. w baru = w lama + ( xi w lama ) ji ji ji Laju pemahaman dimodifikasi dengan mengalikan nilai laju pemahaman dengan koefis ian penurunannya.

ALGORITMA JST KOHONEN 1. Uji kondisi penghentian Kondisi penghentian iterasi adalah selisih at itu dengan wji pada iterasi sebelumnya. Apabila semua wji hanya it saja, berarti iterasi sudah mencapai konvergensi sehingga dapat engelompokan vektor input dilakukan dengan menghitung jarak vektor optimal. antara wji sa berubah sedik dihentikan. P dengan bobot

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-mas ing 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 : Pola Template Matriks bobot d1 d2 d3 d10 i ( w ji xi ) 2 Dipilih yg terkecil Vektor pemenang + vektor tetangga Dimodifikasi dg rumus : Mo difikasi Alpha : Alpha x koefisien penurunan w baru = w lama + xi w lama ji ji ji ( )

CLUSTERING Pola Template Dihitung jarak Bobot optimal 99999 33 555556 666677 Identitas = 9 Tak beridentitas

PENGUJIAN Pola Uji Dihitung jarak Bobot optimal 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 , ,0.9 Jari jari 0 dan 1 Koefisien Penurunan Alpha 0.1, 0.2, 0.3, 0.4

KOMBINASI INPUT DG HASIL TERBAIK PD POLA UJI KELOMPOK 1 Alpha Koefisien penurunan alpha Jari-jari Jumlah pola uji Banyak dikenali Persen tase dikenali 0.8 0.9 0.8 0.9 0.8 0.9 0.8 0.9 0.7 0.8 0.9 0.5 0.5 0.6 0.6 0.7 0.7 0.8 0.8 0.9 0.9 0.9 0 0 0 0 0 0 0 0 0 0 0 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100%

KOMBINASI INPUT DG HASIL TERBAIK PD POLA UJI KELOMPOK 2 Alpha Koefisien penurunan alpha 0.1 0.3 0.4 0.5 0.5 0.6 0.7 0.7 0.8 0.8 0.9 0.9 0.9 Jari-jari Jumlah pola uji Banyak dikenali Persentase dikenali 0.9 0.9 0.8 0.7 0.8 0.9 0.8 0.9 0.8 0.9 0.7 0.8 0.9 0 0 0 0 0 0 0 0 0 0 0 0 0 10 10 10 10 10 10 10 10 10 10 10 10 10 5 5 5 5 5 5 5 5 5 5 5 5 5 50% 50% 50% 50% 50% 50% 50% 50% 50% 50% 50% 50% 50%

BAB V KESIMPULAN DAN SARAN

KESIMPULAN 1 1. Jaringan Syaraf Tiruan dengan Model Jaringan Kohonen dapat digunakan untuk penge nalan 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 Ti ruan dengan Model Jaringan Kohonen memiliki tingkat keberhasilan yg tinggi denga n kondisi : semua kelas memiliki identitas masing-masing pola uji masuk ke kelas y ang sesuai. Pola uji yang masuk ke kelas sesuai dengan identitasnya merupakan po la yang hanya memiliki sedikit perbedaan struktur pixel dengan struktur pixel po la 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. Menampilka n visualisasi perubahan bobot yang terjadi agar user dapat mengetahui lebih jela s tetang proses yang sedang berlangsung.