PENGENALAN POLA ANGKA 0 SAMPAI 9 MENGGUNAKAN JARINGAN SYARAF TIRUAN DENGAN MODEL JARINGAN KOHONEN

Oleh Clara Wastiunamsih

BAB IPENDAHULUAN

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

SOMA

Dendrit

Celah Sinapsis

Axondari Neuron lain

Axon

Axondari Neuron lain

Dendritdari Neuron lain

Dendritdari Neuron lain

Celah Sinapsis

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

Keterangan : X = neuron input W = bobot Y = neuron output

X1

X2

X3

Y

W2

W3

W1

METODE PELATIHAN PADA JARINGAN SYARAF TIRUANPelatihan 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

Representasi bobot :

Y1 Yj Ym… …

X1 Xi Xn

W11 W1i

W1nWj1 Wji W jn

Wm1

WmiWmn

… …

w11 ... w1i ... w1n …..

wj1 ... wji …wjn

…..wm1 ... wmi …wmn

TOPOLOGI DALAM JST KOHONEN Topologi Linear (satu dimensi)

Topologi Bujursangkar (dua dimensi) (a) Topologi Heksagonal (dua dimensi) (b)

* * * * * * * *W

Vector sekitar w berjarak 2

WR = 1

R = 2

(a)

W

(b)

R = 2

R = 1

ALGORITMA JST KOHONEN1. 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 4-64. Hitung D(j) = untuk semua j

∑ −i

iji xw 2)(

ALGORITMA 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

Laju pemahaman dimodifikasi dengan mengalikan nilai laju pemahaman dengan koefisian penurunannya.

( )lamajii

lamaji

baruji wxww −+= α

ALGORITMA JST KOHONEN1. 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 IIIANALISIS 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

Jadi bentuk vektor 1x900

Pola input

Ukuran jd 30 x 30 pixel

PELATIHAN 1

Inisialisasi bobot

…

Jml kolom = 900

Jml baris = 10

d1d2d3d10

PELATIHAN 2∑ −i

iji xw 2)(

( )lamajii

lamaji

baruji wxww −+= α

…

Pola Template

…

Hitung jarak dg rumus :

Dipilih yg terkecil

Vektor pemenang + vektor tetanggaDimodifikasi dg rumus :

Modifikasi Alpha :Alpha x koefisien penurunan

Matriks bobot

CLUSTERING

…

Pola Template

…

9 9 9 9 9 3 3 5 5 5 5 5 6 6 6 6 6 7 7

…

Bobot optimal

Dihitung jarak

Identitas = 9 Tak beridentitas

PENGUJIAN

…

Pola Uji

…

…

Bobot optimal

Dihitung jarak

Dikenali sebagai angka 9 Tak dikenali

pola pola pola pola

BAB IVHASIL DAN PEMBAHASAN

POLA TEMPLATE

POLA UJI

INPUTTopologi

Linear Bujursangkar Heksagonal

Alpha (0<alpha<1)0.1, 0.2, 0.3, 0.4, …,0.9

Koefisien Penurunan Alpha0.1, 0.2, 0.3, 0.4, …,0.9

Jari – jari0 dan 1

KOMBINASI INPUT DG HASIL TERBAIK PD POLA UJI KELOMPOK 1

Alpha Koefisien penurunan alpha

Jari-jari Jumlah pola uji Banyak dikenali Persentase dikenali

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 alpha

Jari-jari Jumlah pola uji Banyak dikenali Persentase dikenali

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 VKESIMPULAN DAN SARAN

KESIMPULAN 11. Jaringan Syaraf Tiruan dengan Model

Jaringan Kohonen dapat digunakan untuk pengenalan pola angka 0 sampai 9.

KESIMPULAN 21. 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.