BAB 4 HASIL PENELITIAN
4.1.1 Pengujian mayor terhadap citra masukan yang
Pengujian mayor jaringan syaraf tiruan yang diteliti, dilakukan terhadap masukan citra huruf berderau. Contoh citra huruf berderau untuk pengujian mayor ini diperlihatkan pada Gambar 4.1.
Hasil pengujian mayor jaringan syaraf tiruan untuk keadaan derau yang bertingkat dari 0 % hingga 50 % terhadap tingkat pengenalan, diperlihatkan pada Gambar 4.2.
a b c
d e f
g h i
j k l
Gambar 4.1 Contoh citra huruf berderau; (a) dan (g) citra asli; (b) dan (h) berderau 5 %; (c) dan (i) berderau 15%; (d) dan (j) berderau 25%; (e) dan (k) berderau 30%; (f) dan (l) berderau 35%.
100 100 100 100 99.3 99 95.7 76 34.7 4.3 0 10 20 30 40 50 60 70 80 90 100 5 10 15 20 25 30 35 40 45 50 Tingkat derau (%) Tingkat pengenalan (% )
Gambar 4.2 Grafik pengaruh derau terhadap tingkat pengenalan untuk citra huruf masukan yang beragam.
4.1.2 Pengujian minor terhadap citra masukan yang mengalami deformasi proporsi, pergeseran, dan perputaran
4.1.2.1 Pengujian terhadap citra yang mengalami deformasi proporsi
Pada pengujian minor jaringan terhadap citra masukan yang mengalami deformasi proporsi, contoh citranya diperlihatkan pada Gambar 4.3.
a b c
d e f
Gambar 4.3 Contoh citra yang mengalami deformasi proporsi, dengan (a) dan (d) citra asli, (b) dan (e) kurus, (c) dan (f) gemuk.
Hasil pengujian minor terhadap citra yang mengalami deformasi proporsi di atas, diperlihatkan pada Tabel 4.1.
Tabel 4.1. Pengaruh deformasi proporsi terhadap tingkat pengenalan.
Proporsi Kurus Normal Gemuk
Tingkat pengenalan (%) 76,7 100 85,0
4.1.2.2 Pengujian terhadap citra yang mengalami deformasi pergeseran Contoh citra yang dipergunakan untuk pengujian minor terhadap citra yang mengalami deformasi pergeseran diperlihatkan pada Gambar 4.4.
a b c
d e f
Gambar 4.4 Contoh citra yang mengalami deformasi pergeseran, dengan (a) dan (d) citra asli, (b) tergeser ke kiri satu piksel, (c) tergeser ke kanan 2 piksel, (e) tergeser ke atas dua piksel dan (f) tergeser ke bawah tiga piksel.
Hasil pengujian minor untuk menyelidiki pengaruh deformasi pergeseran terhadap tingkat pengenalan diperlihatkan pada Tabel 4.2.
Tabel 4.2 Pengaruh deformasi pergeseran terhadap tingkat pengenalan. Jarak geser (piksel) 0 1 2 3
kiri 100 80,3 40,0 6,3 kanan 100 79,3 22,0 5,3 atas 100 82,0 71,0 41,4 Tingkat pengenalan pada arah geser ke … (%) bawah 100 90,3 76,0 40,0
4.1.2.3 Pengujian terhadap citra yang mengalami deformasi perputaran Citra masukan yang mengalami deformasi perputaran, yang dipergunakan dalam penelitian ini diperlihatkan contohnya pada Gambar 4.5.
a b c
d e f
Gambar 4.5 Contoh citra yang mengalami deformasi perputaran, dengan (a) dan (d) citra asli, (b) dan (e) terputar -5 o , (c) dan (f) terputar 5 o.
Hasil pengujian jaringan untuk pengaruh deformasi perputaran terhadap tingkat pengenalan, diperlihatkan pada Tabel 4.3.
Tabel 4.3 Pengaruh deformasi perputaran terhadap tingkat pengenalan. Perputaran ( … o) -15 -10 -5 0 5 10 15 Tingkat
pengenalan (%)
76,7 93,0 100 100 96,7 91,3 76,0
4.1.3 Pengujian gabungan terhadap citra masukan yang berderau dan mengalami deformasi proporsi, pergeseran dan perputaran
Pengujian gabungan, merupakan gabungan dari pengujian mayor dengan pengujian minor. Contoh citra yang dipergunakan untuk pengujian gabungan ini diperlihatkan pada Gambar 4.6.
a b c
d e f
Gambar 4.6. Contoh citra berderau yang mengalami deformasi proporsi, pergeseran dan perputaran; (a) dan (d) citra asli; (b) dan (e) berderau 10 %, kurus, tergeser ke kiri satu piksel dan terputar 5 o ; (c) dan (f) berderau 10 %, gemuk, tergeser ke kanan satu piksel dan terputar -5 o.
Hasil pengujian pengaruh derau terhadap tingkat pengenalan jaringan, pada citra yang mengalami deformasi proporsi, pergeseran, dan perputaran diperlihatkan pada Tabel 4.4.
Tabel 4.4 Pengaruh derau terhadap tingkat pengenalan, pada citra yang mengalami deformasi proporsi, pergeseran, dan perputaran.
Derau (%) 0 5 10 15 20 25 30 35 40 45 50 Tingkat pengenalan
pada citra huruf yang kurus, tergeser ke kiri satu piksel dan terputar 5o (%)
52,3 51,7 51,0 50,0 48,7 45,7 43,7 34,3 21,0 12,7 4,0
Tingkat pengenalan pada citra huruf yang gemuk, tergeser ke kanan satu piksel dan terputar -5o (%)
4.1.4 Panjang waktu pelatihan dan pengenalan
Panjang waktu pelatihan dan pengenalan jaringan yang terkonstruksi atas 26 kelas pola, dengan dua sampel di setiap kelasnya, diperlihatkan pada Tabel 4.5.
Tabel 4.5 Panjang waktu pelatihan dan pengenalan, pada jaringan yang terkonstruksi atas 26 kelas pola, dengan dua sampel di setiap kelasnya.
Panjang waktu (detik) Tahap I 4,6
Pelatihan
Tahap II 161,4
Pengenalan/huruf 0,7
4.1.5 Pengujian pengaruh derau dan faktor penyekala
Pengaruh derau dan faktor penyekala (σ) pada jaringan syaraf tiruan terhadap tingkat pengenalan dan kerapatan probabilitas, diperlihatkan pada Tabel 4.6 dan 4.7.
Tabel 4.6 Tingkat pengenalan jaringan (%) pada keadaan σ dan derau yang beragam. Derau ( % ) σ = 0,01 σ = 0,24 (optimum) σ = 100 0 100 100 100 50 3,7 4,3 4
Tabel 4.7 Rerata kerapatan probabilitas pada keadaan σ dan derau yang beragam. Derau ( % ) σ = 0,01 σ = 0,24 (optimum) σ = 100 0 0,502 0,933 1,000 50 0,000 0,018 0,999
4.1.6 Pengujian pengaruh derau dan bentuk huruf
Pengaruh derau dan bentuk huruf (‘A’, ‘B’, ‘C’, …, ‘Z‘) terhadap tingkat pengenalan, diperlihatkan pada Tabel 4.7.
Tabel 4.7 Tingkat pengenalan jaringan untuk citra huruf masukan yang seragam, pada keadaan tingkat derau 40%.
(a) Urut huruf. (b) Urut tingkat pengenalan. Huruf Tingkat pengenalan (%) Huruf Tingkat pengenalan (%) A 88,7 B 62,0 B 62,0 D 64,7 C 65,0 C 65,0 D 64,7 U 65,3 E 73,0 N 72,0 F 84,0 E 73,0 G 76,3 T 73,7 H 86,0 X 75,7 I 86,0 G 76,3 J 87,0 Q 79,3 K 80,0 P 79,7 L 83,0 K 80,0 M 88,3 R 81,7 N 72,0 V 81,7 O 86,0 L 83,0 P 79,7 F 84,0 Q 79,3 Z 84,0 R 81,7 S 84,7 S 84,7 Y 84,7 T 73,7 H 86,0 U 65,3 I 86,0 V 81,7 O 86,0 W 96,7 J 87,0 X 75,7 M 88,3 Y 84,7 A 88,7 Z 84,0 W 96,7
Dengan mengacu pada Tabel 4.7(b), dipilih huruf-huruf ‘B’, ‘X’, ‘Z’, dan ‘W’ dengan berdasarkan pada peringkat tingkat pengenalannya, yaitu dari peringkat terbawah hingga peringkat teratas. Pengujian lebih lanjut keempat huruf ini diperlihatkan hasilnya pada Gambar 4.7.
0 20 40 60 80 100 Tingkat derau (%) Tingkat pengenalan (% ) Huruf 'B' 100 100 100 100 99.7 98.7 91.3 62 23.7 3 Huruf 'X' 100 100 100 100 100 100 96.3 75.7 33 3 Huruf 'Z' 100 100 100 100 100 100 98 84 39.7 4.3 Huruf 'W' 100 100 100 100 100 100 100 96.7 61 9.7 5 10 15 20 25 30 35 40 45 50
Gambar 4.7. Grafik pengaruh derau yang bertingkat terhadap tingkat pengenalan untuk bentuk huruf ‘B’,’X’,’Z’,dan ‘W’.
4.2 Pembahasan 4.2.1 Pengaruh derau terhadap tingkat pengenalan
Hasil pengujian pada Gambar 4.1 memperlihatkan bahwa pada keadaan derau yang mencapai 20% jaringan syaraf masih dapat mengenali semua
masukannya. Pada keadaan derau antara 20 % hingga 35 %, jaringan syaraf mengalami kemerosotan tingkat pengenalan yang kecil, yaitu kurang dari 5 %. Selanjutnya pada keadaan antara 35 % hingga 50 %, kemerosotan tingkat pengenalannya menjadi sangat besar, yaitu hingga mencapai 93 %.
Berdasarkan uraian di atas, dapat dikatakan bahwa jaringan syaraf yang diteliti tidak begitu terpengaruh (tidak sensitif) terhadap derau, pada keadaan tingkat derau dari 0 % hingga 35 %. Hal ini diindikasikan dengan adanya kesalahan tingkat pengenalan yang kurang dari 5 %.
4.2.2 Pengaruh deformasi proporsi, pergeseran dan perputaran terhadap tingkat pengenalan
Pengaruh deformasi proporsi pada citra masukan diperlihatkan pada Tabel 4.2. Pada tabel tersebut diperlihatkan bahwa proporsi huruf yang kurus maupun gemuk sangat mempengaruhi tingkat pengenalan jaringan. Proporsi huruf yang kurus mempunyai tingkat pengenalan yang lebih rendah sekitar 10 % dari pada yang gemuk.
Tabel 4.3 memperlihatkan pengaruh pergeseran terhadap tingkat pengenalan jaringan. Pada tabel tersebut terlihat bahwa tingkat pengenalan jaringan syaraf sangat terpengaruh walaupun pergeserannya hanya sejauh satu piksel. Selain itu terlihat juga bahwa pergeseran ke bawah dan ke atas lebih bisa diterima oleh jaringan syaraf daripada pergeseran yang ke kiri dan ke kanan.
Pengaruh perputaran terhadap tingkat pengenalan yang diperlihatkan pada Tabel 4.4 mengindikasikan bahwa, untuk perputaran hingga sekitar +/- 5o, tingkat
pengenalan jaringan syaraf masih tidak begitu terpengaruh, karena kesalahan tingkat pengenalan kurang dari 5 %. Akan tetapi, jika perputarannya makin lebih besar dari 5o, tingkat pengenalan jaringan syarafnya makin terpengaruh oleh perputaran tersebut.
Dengan menggunakan perkataan yang lebih umum, Tabel 4.2 hingga 4.4 memperlihatkan bahwa jaringan syaraf yang diteliti sangat terpengaruh (sensitif) terhadap proporsi, pergeseran dan perputaran yang dialami masukannya.
4.2.3 Pengaruh derau serta deformasi proporsi, pergeseran, dan perpu- taran terhadap tingkat pengenalan
Pengujian gabungan untuk menyelidiki pengaruh derau serta deformasi proporsi, pergeseran, dan perputaran yang diperlihatkan pada Tabel 4.5, mengindikasikan bahwa kemerosotan tingkat pengenalan jaringan dari tingkat derau 0 % hingga 20 % masih relatif kecil, yaitu kurang dari 5 %. Bila hal ini dibandingkan dengan tingkat pengenalan jaringan pada citra yang tanpa mengalami penyekalaan, pergeseran dan perputaran pada Tabel 4.1, maka kemerosotan tingkat pengenalan jaringan yang kurang dari 5 % ini berkurang rentangnya sebanyak 15 %.
Dari uraian di atas, dapat diindikasikan pula bahwa ketidaksensitifan jaringan terhadap derau pada rentang tingkat derau tertentu masih nampak. Namun, akibat pengaruh deformasi proporsi, perputaran dan pergeseran ini, ketidaksensitifan jaringan pada rentang derau tertentu berkurang sebanyak 15 %.
4.2.4 Panjang waktu pelatihan dan pengenalan
Panjang waktu pelatihan dan pengujian, selain ditentukan oleh konfigurasi jaringan syaraf pada lapis pola yang menyimpan sampel-sampel pola, juga ditentukan oleh konfigurasi komputer yang digunakan. Pada Tabel 4.5, konfigurasi jaringan syaraf yang lapis polanya terdiri atas 26 kelas, dengan dua sampel di setiap kelasnya, serta menggunakan komputer yang konfigurasinya berbasiskan prosesor AMD5X86/133MHz, panjang waktu pengujian untuk setiap citra huruf hanya 0,7 detik. Selain itu, Tabel 4.5 juga memperlihatkan bahwa dalam hal pelatihan, panjang waktu pelatihan tahap I paling pendek, karena pada tahap tersebut hanya berlangsung proses penyimpanan semua citra yang dilatihkan dalam bentuk vektor pada lapis pola, sedangkan pelatihan tahap II lebih lama, pada tahap ini berlangsung proses iterasi untuk mencari nilai faktor penyekala yang optimum.
4.2.6 Pengaruh derau dan faktor penyekala
Derau dan faktor penyekala menurut Tabel 4.6(a), terlihat tidak mempunyai pengaruh yang signifikan terhadap tingkat pengenalan jaringan. Namun, pada Tabel 4.6(b), derau dan faktor penyekala ini terlihat mempunyai pengaruh yang signifikan terhadap rerata kerapatan probabilitas. Pada keadaan derau 0 % hingga 50 %, nilai faktor penyekala yang makin jauh dari nilaa optimumnya, memberikan rentang rerata kerapatan probabilitas yang makin sempit. Proses komputasi pada rentang rerata kerapatan probabilitas yang makin sempit ini, memerlukan bilangan pecahan (floating point) yang makin panjang.
Bila bilangan pecahan ini terlalu panjang sampai melebihi yang dapat ditangani oleh komputernya, hasil penghitungan kerapatan probabilitasnya akan selalu 0 (untuk faktor penyekala yang terlalu kecil) atau selalu 1 (untuk faktor penyekala yang terlalu besar), pada semua tingkatan derau. Ini berarti, jaringan syaraf sudah benar-benar tidak dapat mengenali lagi masukannya.
4.2.6 Pengaruh derau dan bentuk huruf
Derau dan bentuk huruf mempunyai pengaruh terhadap tingkat pengenalan jaringan syaraf tiruan yang diteliti, seperti diperlihatkan pada Tabel 4.7. Sebagai contoh yang ekstrim, huruf ‘B’ mempunyai tingkat pengenalan sekitar 34% lebih rendah daripada huruf ‘W’, pada keadaan tingkat derau 40%. Adanya kejadian ini dikarenakan, huruf ‘B’ jarak huruf yang lebih dekat dengan huruf-huruf yang lainnya seperti huruf ‘D’, ‘E’, dan ‘R’, pada keadaan tingkat derau 40% tersebut.
Penelitian lebih jauh terhadap pengaruh derau dan bentuk huruf, dilakukan dengan melakukan pengujian terhadap huruf-huruf terpilih ‘B’, ‘X’, ‘Z’, dan ‘W’, untuk keadaan derau yang beragam dari 0% hingga 50%. Sebagaimana terlihat pada Gambar 4.7, huruf ‘B’ mempunyai titik patah (cut-off) tingkat pengenalan yang terendah, bila dibandingkan dengan huruf-huruf ’X’, ‘Z’ dan ‘W’. Seperti halnya pada kejadian di atas, hal ini dikarenakan karena huruf ‘B’ mempunyai jarak huruf yang lebih dekat dengan huruf-huruf yang lainnya bila dibandingkan dengan huruf-huruf ‘X’, ‘Z’, dan ‘W’.
Dari dua kejadian di atas, dapat dikatakan bahwa jaringan syaraf yang diteliti sensitif terhadap bentuk huruf pada kondisi derau tinggi. Berdasarkan
Gambar 4.7, sifat sensitif ini mulai nampak pada tingkat derau 35%, yang diindikasikan dengan adanya perbedaan tingkat pengenalan yang lebih dari 5%, antara tingkat pengenalan huruf ‘B’ dengan huruf ‘W’.
BAB 5
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Berdasarkan hasil penelitian tentang pengenalan citra huruf berderau dengan jaringan syaraf tiruan yang berdasarkan sifat-sifat statistis, disimpulkan hal-hal sebagai berikut.
1. Pemrosesan data yang berdasarkan sifat-sifat statistis merupakan dasar jaringan syaraf tiruan yang diteliti. Sifat-sifat statistis yang digunakan adalah yang berkaitan dengan distribusi kerapatan probabilitas pola masukan terhadap pola-pola yang disimpan. Distribusi kerapatan probabilitas ini dihitung secara non-parametris dengan menggunakan jendela Parzen. Selanjutnya, distribusi kerapatan probabilitas ini diproses lebih lanjut dengan berdasarkan pada pengklasifikasi Bayes untuk menghasilkan keluaran jaringan.
2. Unjukkerja jaringan syaraf tiruan yang diteliti telah memperlihatkan hasil yang mengagumkan dalam pengenalan citra huruf berderau. Huruf dengan kandungan tingkat derau hingga 35 %, masih dapat ditangani oleh jaringan, dengan tingkat kesalahan pengenalan kurang dari 5 %. Hal ini berarti, jaringan syaraf yang diteliti tidak sensitif terhadap huruf dengan kandungan tingkat derau hingga 35 %. Bila dibandingkan dengan kemampuan pengenalan oleh mata manusia, maka jaringan syaraf yang diteliti ini lebih unggul, karena
huruf dengan kandungan tingkat derau hingga 35 % sangat sulit dikenali oleh mata manusia.
3. Adanya deformasi huruf dalam hal proporsi, pergeseran dan perputaran, mengakibatkan turun dengan drastisnya tingkat pengenalan jaringan. Jaringan syaraf yang diteliti, memperlihatkan watak pengenalan yang sensitif terhadap deformasi huruf. Bila dibandingkan dengan mata manusia, maka unjukkerja jaringan syaraf dalam hal deformasi huruf ini lebih rendah, karena mata manusia tidak mempunyai watak pengenalan yang sesensitif jaringan syaraf yang diteliti terhadap deformasi huruf ini.
4. Watak pengenalan jaringan syaraf terhadap huruf berderau yang mengalami deformasi dalam hal proporsi, pergeseran, dan perputaran masih menunjukkan adanya ketidaksentitifan jaringan terhadap derau pada rentang tertentu. Namun rentang ketidaksensitifan ini lebih sempit bila dibandingkan dengan pengenalan jaringan terhadap huruf yang tidak mengalami deformasi.
5. Pelatihan jaringan syaraf yang diteliti dilakukan dengan dua tahap. Tahap yang pertama adalah, penyimpanan semua pola pelatihan ke dalam jaringan. Sedangkan tahap yang kedua adalah, pencarian secara iteratif nilai faktor penyekalanya yang optimum.
6. Tingkat pengenalan jaringan syaraf tidak memperlihatkan kesensitifan terhadap perubahan nilai faktor penyekala, yang merupakan salah satu variabel pada fungsi kernel. Akan tetapi, nilai faktor penyekala yang terlalu jauh dari optimumnya akan dapat menyebabkan jaringan benar-benar tidak dapat lagi mengenali masukannya.
7. Bentuk huruf (‘A’, ‘B’, ‘C’, …, atau ‘Z’) mempunyai pengaruh terhadap tingkat pengenalan jaringan pada tingkat derau yang tinggi. Jaringan syaraf terlihat mulai menampakkan kesensitifan terhadap bentuk huruf ini pada keadaan tingkat derau 35%.
5.2 Saran
1. Jaringan syaraf tiruan yang digunakan dalam penelitian ini, melakukan pemrosesan terhadap sejumlah 1024 data masukan, di setiap elemen pemroses pada lapis pola. Adanya pemrosesan data yang jumlahnya sangat besar ini berakibat, bila jaringan syaraf tiruan ini diberikan banyak pola pelatihan, maka jumlah elemen pemrosesnya akan makin banyak. Ini berarti, waktu pelatihan dan pengujian jaringan akan menjadi makin panjang. Untuk mengatasi hal ini, penelitian ini dapat dikembangkan lebih lanjut dengan menambahkan suatu pengolah awal yang akan mengekstraksi ciri-ciri pola, sebelum pola tersebut masuk ke jaringan. Dengan cara ini, setiap pola dapat diwakili oleh sederetan nilai koefisien (Chandran et al, 1997). Dengan demikian, akan terjadi pengurangan yang sangat drastis pada ukuran pola-pola ini, yang akan menaikkan kecepatan jaringan secara signifikan baik dalam pelatihan maupun pengujiannya.
2. Bentuk huruf (‘A’, ‘B’, ‘C’, …, atau ‘Z’) yang digunakan dalam penelitian ini, mempunyai jarak huruf yang beragam antara huruf yang satu dengan lainnya. Sebagai contoh, huruf ‘B’ mempunyai jarak huruf yang lebih kecil dengan
huruf-huruf yang lainnya seperti huruf ‘D’, ‘E’, dan ‘R’, daripada huruf ‘W’. Hal ini berakibat, pada keadaan tingkat derau yang tinggi (misalnya 40%), tingkat pengenalan jaringan terhadap huruf ‘B’ lebih rendah daripada huruf ‘W’. Oleh karena itu, tingkat pengenalan jaringan masih dapat ditingkatkan lagi dengan menggunakan seperangkat huruf masukan yang jarak hurufnya makin berjauhan antara suatu huruf dengan huruf-huruf lainnya.
3. Secara perangkat-lunak, kecepatan pelatihan dapat ditingkatkan lagi dengan menggunakan algoritma minimisasi fungsi yang lebih cepat.
4. Secara perangkat-keras, kecepatan pelatihan dan juga pengenalan jaringan dapat ditingkatkan lagi dengan cara menggunakan komputer yang mempunyai kecepatan lebih tinggi.
BAB 6
RINGKASAN
Penelitian yang dilakukan dapat diringkas menjadi beberapa topik bahasan seperti di bawah ini.
6.1 Latar Belakang
Pengenalan citra huruf berderau pernah diselidiki oleh beberapa peneliti. Penelitian yang terakhir (Watanabe, 1996) menghasilkan suatu jaringan syaraf tiruan yang mampu mengenali citra huruf berderau ukuran 32x32 piksel dengan kandungan derau sekitar 20 %.
Dalam penelitian ini, penulis bermaksud untuk menghasilkan sesuatu yang lebih dari yang pernah ada sebelumnya, yaitu suatu jaringan syaraf tiruan yang mampu mengenali citra huruf berderau berukuran 32x32 piksel dengan kandungan derau yang lebih dari 30 %.
6.2 Tinjauan Pustaka
Jaringan syaraf tiruan adalah suatu jaringan yang dimodelkan berdasarkan ciri organisasi otak manusia, yang mampu melakukan pengolahan secara paralel dan non-linear, serta mampu pula mengangani informasi-informasi yang kompleks. Dengan berdasar pada hal tersebut, Donald Specht telah memperkenalkan suatu jaringan syaraf tiruan yang berdasarkan sifat-sifat statistis yang dinamakan jaringan syaraf probabilistis. Dalam penelitian ini, jaringan
syaraf probabilistis inilah yang dikembangkan untuk dapat melakukan pengenalan terhadap citra huruf berderau.
6.3 Landasan Teori
Jaringan syaraf tiruan yang dikembangkan dalam penelitian ini, merupakan jaringan syaraf yang memanfaatkan sifat-sifat statistis kelas pola, dalam melakukan proses klasifikasi. Dalam hal ini proses klasifikasinya menggunakan pengklasifikasi Bayes. Ada suatu hal yang rumit dalam pengklasifikasi Bayes ini yaitu, penentuan nilai fungsi kerapatan probabilitas suatu kelas pola. Untuk mendapatkan nilai fungsi ini, maka setiap pola masukan harus dievaluasi terhadap setiap sampel pola yang ada di setiap kelas. Ini berarti, memerlukan suatu proses komputasi yang ekstensif.
6.4 Cara Penelitian
Penelitian ini, pada dasarnya dilakukan dengan cara memodifikasi jaringan syaraf probabilistis yang telah ada sebelumnya. Modifikasi di sini dilakukan terhadap fungsi kernel yang terdapat pada lapis pola pada jaringan syaraf tersebut. Secara ringkas, modifikasi ini mencakup dua hal berikut.
1. Menggunakan fungsi jarak Minkowski orde-1 yang diimplementasikan secara operasi logika XOR untuk pengolahan data biner, sebagai pengganti fungsi jarak Eucledian. Dengan cara ini, proses komputasi menjadi lebih cepat.
2. Memperkenalkan pencarian nilai faktor penyekala yang umum untuk setiap pola huruf yang dilatihkan, dengan memperhatikan sifat-sifat jaringan pada
keadaan derau 0 % dan derau 50 %. Hal ini memberikan hasil tingkat pengenalan jaringan menjadi lebih akurat, terutama bila berhadapan dengan citra huruf dengan kandungan derau yang tinggi.
6.5 Hasil Penelitian
Penelitian yang dilakukan telah menghasilkan suatu jaringan yang tidak sensitif terhadap derau. Hal ini didasarkan atas hasil pengujian yang memperlihatkan bahwa, tingkat kesalahan pengenalan yang kurang dari 5% masih dapat diperoleh, pada keadaan tingkat derau yang mencapai 35 %.
Meskipun tidak sensitif terhadap derau, namun jaringan yang dirancang ternyata sensitif terhadap adanya deformasi proporsi, pergeseran, dan perputaran. Hasil pengujian memperlihatkan adanya deformasi tersebut yang relatif kecil, telah menyebabkan turun dengan drastisnya tingkat pengenalan jaringan. Sebagai contoh, tingkat pengenalan jaringan untuk citra dengan huruf yang kurus, tergeser ke kiri satu piksel dan terputar 5o hanya mencapai 52,3 %.
Bentuk huruf masukan (‘A’, ‘B’, ‘C’ …, atau ‘Z’), mempunyai pengaruh terhadap tingkat pengenalan jaringan pada keadaan tingkat derau yang tinggi. Jaringan mulai memperlihatkan kesensitifannya terhadap bentuk huruf pada tingkat derau 35%, yang diindikasikan dengan adanya perbedaan tingkat pengenalan yang lebih dari 5% antara huruf ‘B’ dengan huruf ‘W’.
DAFTAR PUSTAKA
Buchanan, James L., dan Turner, Peter R., 1994, Numerical Methods and Analysis, McGraw-Hill Inc. New York.
Chandran, Vinod, Carswell, Brett, Boashash, Boualem, dan Elgar, Steve, 1997, "Pattern Recognition Using Invariants Defined from Higher Order Spectra: 2-D Image Inputs", IEEE Transactions on Image Processing, Vol. 6. No. 5, pp 703-712.
Demuth, Howard dan Beale, Mark, 1994, Neural Networks Toolbox: For Use with MATLAB, The Mathworks, Inc., Massachusetts.
Fausett, Laurene, 1994, Fundamentals of Neural Networks, Prentice Hall, Inc., New Jersey.
Lin, Chin-Teng dan Lee, George C.S., 1996, Neural Fuzzy Systems, Prentice Hall, Inc. New Jersey.
Masters, Timothy, 1995, Advanced Algorithm for Neural Networks: A C++ Sourcebook, John Wiley & Sons, Inc., Toronto.
Patterson, Dan W., 1996, Artificial Neural Networks, Simon & Schuster (Asia) Pte. Ltd., Singapore.
Watanabe, Sumio, 1996, "An Ultrasonic 3-D Robot Vision System Based on the Statistical Properties of Neural Networks", Neural Networks for Robotic Control: Theory and Applications, Edited by A.M.S. Zalzala and A.S. Morris, Ellis Horwood Limited, London.
Wilson, Randall D. dan Martinez, Tony R., 1997, "Improved Heterogeneous Distance Functions", Journal of Artificial Intelligence Research, No. 6, pp 1-34.
L.1 Daftar Kode Sumber
Kode-kode sumber yang dirancang dalam penelitian ini diperlihatkan pada daftar sebagai berikut.
1. Kode sumber pengujian berbasiskan teks.
txtpnn.m - Pengujian PNN berbasiskan teks
2. Kode sumber pengujian berbasiskan GUI.
guipnn.m - Callback untuk pengujian PNN berbasiskan GUI
guipnnfg.m - Figure untuk pengujian PNN berbasiskan GUI
3. Kode sumber pelatihan
latih.m - Pelatihan PNN
4. Kode sumber bersama yang digunakan oleh kode sumber pegujian berbasiskan teks dan GUI, serta pelatihan.
simupnn.m - Simulasi PNN
lhlayer.m - Simulasi lapis pola dan penjumlahan pada PNN
imdc.m - Vektorisasi dan pengkontaminasian derau pada citra
geser.m - Pergeseran citra
*) Keterangan: PNN (Probabilistic Neural Network) GUI (Graphical User Interface)