Pengenalan Pola Angka Menggunakan Jaringan Syaraf Tiruan Model Jaringan Kohonen

PENGENALAN POLA

ANGKA

0 SAMPAI 9

MENGGUNAKAN

JARINGAN SYARAF

TIRUAN DENGAN

MODEL JARINGAN

KOHONEN

BAB I

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

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.

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

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

JARINGAN SYARAF BIOLOGI

 Neuron SOMA Dendrit Celah Sinapsis Axon dari Neuron lain

Axon

Axon dari Neuron lain

Dendrit dari Neuron lain

Dendrit dari 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

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

JARINGAN SYARAF TIRUAN

 Keterangan :  X = neuron input  W = bobot  Y = neuron output X₁ X₂ X₃ Y W2 W3 W1

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 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

ARSITEKTUR JST KOHONEN

 Representasi bobot : Y_{1 …} Y_{j …} Y_m X₁ X_i X_n W₁₁ W_1i W_1n W_j1 W_ji Wjn W_m1 W_mi W_mn … … w₁₁ ... w_1i ... w_1n ….. w_j1 ... w_ji …w_jn ….. w_m1 ... w_mi …w_mn

TOPOLOGI DALAM JST KOHONEN

 Topologi Linear (satu dimensi)

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

* * * * W * * * *

Vector sekitar w berjarak 2

W R = 1 R = 2 (a) W (b) R = 2 R = 1

ALGORITMA JST KOHONEN

1. 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 4-6 4. Hitung D(j) = untuk semua j

∑

− i i ji x w ₎2 (

ALGORITMA JST KOHONEN

1. 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.

(

lama

)

ji i lama ji baru ji

w

x

w

w

=

+

α

−

ALGORITMA JST KOHONEN

1.

Uji kondisi penghentian

Kondisi penghentian iterasi adalah

selisih antara w

_ji

saat itu dengan w

_ji

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

BAB III

ANALISIS DAN

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

PROSES

 Preprocessing  Pelatihan

 Clustering  Pengujian

PREPROCESSING

Jadi bentuk vektor 1x900 Pola input

PELATIHAN 1

Inisialisasi bobot

…

Jml kolom = 900

d1 d2 d3 d10

PELATIHAN 2

∑

− i i ji x w ₎2 (

(

lama

)

ji i lama ji baru ji w x w w = +

α

− … Pola Template … Hitung jarak dg rumus :

Dipilih yg terkecil Vektor pemenang + vektor tetangga

Dimodifikasi dg rumus : Modifikasi Alpha :

Alpha x koefisien penurunan

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

PENGUJIAN

… Pola Uji … … Bobot optimal Dihitung jarak Dikenali sebagai

angka 9 Tak dikenali

BAB IV

INPUT



Topologi

 Linear  Bujursangkar  Heksagonal 

Alpha (0<alpha<1)

0.1, 0.2, 0.3, 0.4, …,0.9



Koefisien Penurunan Alpha

0.1, 0.2, 0.3, 0.4, …,0.9



Jari – jari

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 V

KESIMPULAN 1

1. Jaringan Syaraf Tiruan dengan Model

Jaringan Kohonen dapat digunakan

KESIMPULAN 2

1. 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

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