Pendahuluan
Pengenalan pola (pattern recognition) merupakan salah satu masalah lazim yang
banyak menyita perhatian, baik pengenalan pola wajah, sidik jari, tulisan tangan, huruf,
maupun pola karakter hasil cetakan.
Tahapan dalam pengenalan pola terdiri dari prapengolahan, ekstraksi ciri, dan
klasifikasi. Dalam artikel ini akan di bahas tentang analisis pengenalan pola
sederhana dengan menggunakan jaringan syaraf tiruan yaitu metode hebbian.
Jaringan syaraf tiruan (Artifial Neural Network) merupakan salah satu
sistem pemrosesan informasi yang di desain dengan menirukan cara kerja
otak manusia dalam menyelesaikan suatu masalah dengan melakukan
proses belajar melalui perubahan bobot sinapsisnya. Jaringan saraf tiruan
mampu melakukan pengenalan kegiatan berbasis data masa lalu. Data
masa lalu akan di pelajari oleh jaringan syaraf tiruan sehingga mempunyai
kemampuan untuk memberikan keputusan terhadap data yang belum
pernah dipelajari
Selanjutnya diubah kedalam representasi nilai bipolar, X = 1 dan O = -1. Dapat dilihat pada
gambar dibawah :
| | | |
X1 X2 X3
| |
¿ ¿ ¿ 1 1 1
O ¿ O X4 X5 X 6 −1 1 −1
¿ ¿ ¿ X7 X8 X 9 1 1 1
| | | | | |
O ¿ O X1 X2 X3 −1 1 −1
O ¿ O X4 X5 X 6 −1 1 −1
¿ O ¿ X7 X8 X 9 1 −1 1
w 1 baru=0+ ( 1 x (−1))=−1
w 2 baru=0+ ¿
w 3 baru=0+ ( 1 x (−1))=−1
w 5 baru=0+ ( 1 x (−1))=−1
w 7 baru=0+ ( 1 x (−1))=−1
w 8 baru=0+ ( 1 x (−1))=−1
w 9 baru=0+ ( 1 x (−1))=−1
| | | | | |
O ¿ O X1 X2 X3 −1 1 −1
O ¿ O X4 X5 X 6 −1 1 −1
¿ O ¿ X7 X8 X 9 1 −1 1
b = -1
w 2 baru=−1+ ( 1 x 1 )=0
w 5 baru=−1+ ( (1 ) x 1 ) =0
w 6 baru=1+ (−1 x 1 ) =0
w 7 baru=−1+ (1 x 1 ) =0
w 9 baru=−1+ (1 x 1 ) =0
Setelah itu lakukan update bias baru untuk pola 2 : b baru=b lama + y
b baru=−1+1=0
Tahap kedua dengan metode jaringan Heb yaitu tahap Testing, gunakan bobot pada
masing-masing pola untuk dilakukan testing atau pengujian seperti dibawah ini :
Bobot yang digunakan untuk testing (pengujian)
w 1=−2, w 2=0 , w 3=−2, w 4=0, w 5=0 , w 6=0 , w 7=0 , w 8=−2 , w 9=0
b=0
Melakukan uji untuk pola 1 :
net=∑ wi xi +b
net=−6
−6< 0 , F 12=−1 sesuai nilai target pola 1 mengenali pola huruf I
net= {(−2 x (−1) ) + ( 0 x 1 ) + ( −2 x (−1) ) + ( 0 x (−1 ) ) + ( 0 x 1 )+ ( 0 x−1 )+ ( 0 x 1 ) + (−2 x(−1) ) +(0 x 1) }+2
net=6
6 ≥ 0 , F 12=1 sesuai nilai target pola 2 mengenali pola huruf A
Setelah tahap testing dilakukan, selanjutnya dilakukan pengujian terhadap sebuah input pola
uji berikut
Pola uji 1 = I
O # O
O # O
O # O
| | | | | |
O ¿ O X1 X2 X3 −1 1 −1
O ¿ O X4 X5 X 6 −1 1 −1
O ¿ O X7 X8 X 9 −1 1 −1
net=∑ wi xi +b
net= {(−2 x (−1) ) + ( 0 x 1 ) + ( −2 x (−1) ) + ( 0 x (−1 ) ) + ( 0 x 1 )+ ( 0 x−1 )+ ( 0 x−1 )+ (−2 x 1 )+(0 x (−1)) }+ 0
net =2
2 ≥0 , F 12=−1 diklasifikasikan dalam kategori pola 1 tidak mengenali pola huruf I
Pola Uji = A
O # O
O # O
# # #
| | | | | |
O ¿ O X1 X2 X3 −1 1 −1
O ¿ O X4 X5 X 6 −1 1 −1
¿ ¿ ¿ X7 X8 X 9 1 1 1
net=∑ wi xi +b
net =2
2 ≥0 , F 12=1 diklasifikasikan dalam kategori pola 2 mengenali pola huruf A
1. Vektor input [0.5, 2.0] dan output menggunakan fungsi aktivasi threshold dan sigmoid :
Penyelesaian :
a. net = x 0 w0+ x 1 w1+ x 2 w 2
= 1(0.5)+(0.5)(1.5)+(2.0)(-1.0)= -0.75
threshold function, maka f(x) = 0