PENGENALAN POLA ANGKA 0 SAMPAI 9 MENGGUNAKAN JARINGAN SYARAF TIRUAN DENGAN MODEL JARINGAN KOHONENOleh Clara Wastiunamsih BAB I PENDAHULUANLATAR 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 (b in er ). 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. S o f tw a re 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 TEORIPENGENALAN 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 klasifikasinyapola diambil cirinya kemudian ditentukan kelas kelompoknya Fase pengenalan latihanMETODE PENGENALAN POLA Pendekatan Geometric / StatistikPendekatan Sruktural / SintaktikPendekatan Computational IntelligentPendekatan Logika KaburPendekatan Jaringan Syaraf TiruanJARINGAN SYARAF BIOLOGINeuron A xo n d a r i N e u r o n la inD e n d ri tC e l a h S in a p sisS O M AA xo n A xo n d a r i N e u r o n la in D e n d ri t d a r i N e u r o n la inC e l a h S in a p sis D e n d ri t d a r i N e u r o n la inJARINGAN SYARAF BIOLOGI Komponen utama neuron SomaAxon (output)Dendrites (input)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 (t h resho ld ), maka sinyal tersebut akan diteruskan ke sel lain melalui ax o n. Proses : 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 TIRUANW1X1 Keterangan :W2X2X3 YW3 X = neuron inputW = bobotY = neuron outputMETODE 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. Perubahan bobot di dalam proses pelatihannya dilakukan berdasarkan parameter tertentu dan jaringan dimodifikasi menurut ukuran parameter tersebut. Pelatihan Unsupervised JST KOHONEN Jaringan Kohonen adalah model jaringan yang menggunakan pelatihan unsupervised. Tidak menggunakan perhitungan net Tidak memiliki fungsi aktivasiPerhitungannya menggunakan jarak EuclideanARSITEKTUR JST KOHONENY1 Yj Wm1 Representasi bobot : Ym11wj1 .. wm1 ... wmi wmn 1i..jiW11 W1nW1i Wj1 WjiXi Wj n Wmi Wmnn w ... w ... w ... w wjn 1nX1 XTOPOLOGI DALAM JST KOHONEN (a)R = 2W R = 1 Topologi Linear (satu dimensi)W* * * * * * * *Vector sekitar w berjarak 2Topologi Bujursangkar (dua dimensi) (a)Topologi Heksagonal (dua dimensi) (b)(b)R = 2WR = 1ALGORITMA JST KOHONEN1. Inisialisasi 1. Bobot wij (acak)2. Laju pemahaman awal dan faktor penurunannya 3. Bentuk dan jari-jari (topologi) sekitarnya2. Selama kondisi penghentian salah, lakukan langkah 3-83. Untuk setiap vector masukan x, lakukan 4-64. Hitung D(j) = untuk semua j i iji -xw)( 2ALGORITMA JST KOHONEN1. 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 ba ru ji l am a ji wxww -+= alam a j ii( )Laju pemahaman dimodifikasi dengan mengalikan nilai laju pemahaman dengan koefisian penurunannya.ALGORITMA JST KOHONEN1. Uji kondisi penghentian Kondisi penghentian iterasi adalah selisih antara w saat itu dengan wjiji 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, 9PROSES PreprocessingPelatihanClusteringPengujianPREPROCESSINGUkuran jd 30 x 30 pixel Pola inputJadi bentuk vektor 1x900PELATIHAN 1Inisialisasi bobotJml kolom = 900Jml baris = 10baru ji lama ji Dipilih yg terkecil Vektor pemenang + vektor tetanggaDimodifikasi dg rumus : Modifikasi Alpha :Alpha x koefisien penurunanwxww -+= alama jii( )PELATIHAN 2Pola Template Hitung jarak dg rumus : -xw)(i ij iMatriks bobot 2d1 d2 d3d10CLUSTERINGPola Template Dihitung jarak Bobot optimal9 9 9 9 9 3 3 5 5 5 5 5 6 6 6 6 6 7 7Identitas = 9 Tak beridentitasPENGUJIANPola Uji Bobot optimal Dihitung jarak Dikenali sebagai angka 9 pola pola pola polaTak dikenali BAB IV HASIL DAN PEMBAHASANPOLA TEMPLATEPOLA UJIINPUT Topologi LinearBujursangkarHeksagonal Alpha (0