BAB II
LANDASAN TEORI
2.1. Jaringan Syaraf Tiruan
Jaringan saraf tiruan (artificial neural network) adalah sistem komputasi yang arsitektur dan operasinya diinspirasi dari pengetahuan tentang sel saraf biologis di dalam otak. Jaringan saraf tiruan tercipta sebagai suatu generalisasi model matematis dari pemahaman manusia (human cognition) yang didasarkan atas asumsi sebagai berikut :
1. Pemrosesan informasi terjadi pada elemen sederhana yang disebut neuron.
2. Isyarat mengalir di antara sel saraf/neuron melalui suatu sambungan penghubung.
3. Setiap sambungan penghubung memiliki bobot yang bersesuaian. Bobot ini akan digunakan untuk menggandakan/mengalikan isyarat yang dikirim melaluinya.
4. Setiap sel saraf akan menerapkan fungsi aktivasi terhadap isyarat hasil penjumlahan berbobot yang masuk kepadanya untuk menentukan isyarat keluarannya.
Jaringan saraf tiruan dapat belajar dari pengalaman, melakukan generalisasi atas contoh-contoh yang diperolehnya dan mengabstraksi karakterisasi esensial input bahkan untuk data yang tidak relevan. Model saraf ditunjukkan dengan kemampuannya dalam emulasi, analisis, prediksi, dan asosiasi. Kemampuan yang dimiliki JST dapat digunakan untuk belajar dan menghasilkan aturan atau operasi dari beberapa contoh atau input yang dimasukkan dan membuat prediksi tentang kemungkinan output yang akan muncul atau menyimpan karakteristik dari input yang disimpan kepadanya.(Hermawan,2006)
xvii
Semua keluaran atau kesimpulan yang ditarik oleh jaringan didasarkan pada pengalamannya selama mengikuti proses pembelajaran. Pada proses pembelajaran, ke dalam JST dimasukkan pola-pola masukan (dan keluaran) lalu jaringan akan diajari untuk memberikan jawaban yang bisa diterima.
Pada dasarnya karakteristik JST ditentukan oleh :
1. Pola hubungan antar neuron (disebut arsitektur jaringan)
2. Metode penentuan bobot-bobot sambungan (disebut dengan pelatihan atau proses belajar jaringan)
3. Fungsi aktivasi
Ada beberapa tipe jaringan syaraf, namun demikian hampir semuanya memiliki komponen-komponen yang sama. Seperti halnya otak manusia, jaringan syaraf juga terdiri dari beberapa neuron, dan ada hubungan antara neuron-neuron tersebut. Neuron-neuron tersebut akan mentransformasikan informasi yang diterima melalui
sambungan keluarannya menuju ke neuron-neuron yang lain. Pada jaringan syaraf, hubungan ini dikenal dengan nama Bobot. Informasi tersebut disimpan pada suatu
nilai tertentu pada bobot tersebut.(Hermawan,2006) Model struktur neuron jaringan syaraf tiruan :
Gambar 2.1. Model Struktur JST
Jika kita lihat, neuron buatan ini sebenarnya mirip dengan sel neuron biologis. Neuron-neuron buatan tersebut bekerja dengan cara yang sama pula dengan neuron-neuron biologis. Informasi (input) akan dikirim ke neuron-neuron dengan bobot kedatangan tertentu. Input ini akan diproses oleh suatu fungsi perambatan yang akan menjumlahkan nilai-nilai semua bobot yang akan datang. Hasil penjumlahan ini kemudian akan dibandingkan dengan suatu nilai ambang tertentu melalui fungsi aktifasi setiap neuron. Apabila input itu melewati suatu nilai ambang tertentu, maka neuron tersebut akan diaktifkan. Apabila neuron tersebut diaktifkan, maka neuron tersebut tidak akan mengirimkan output melalui bobot-bobot outputnya ke semua neuron yang berhubungan dengannya demikian seterusnya.
Pada jaringan syaraf, neuron-neuron akan dikumpulkan dalam lapisan-lapisan (layer) yang disebut dengan lapisan neuron (neuron layers). Biasanya neuron-neuron pada satu lapisan akan dihubungkan dengan lapisan-lapisan sebelum dan sesudahnya
(kecuali lapisan input dan lapisan output). Informasi yang diberikan pada jaringan syaraf akan dirambatkan lapisan ke lapisan, mulai dari lapisan input ke lapisan output
melalui lapisan yang lainnya yang sering disebut dengan nama lapisan tersembunyi (hidden layer). Tergantung pada algoritma pembelajarannya, bisa jadi informasi tersebut akan dirambatkan secara mundur pada jaringan.(Puspitaningrum,2006)
2.2. Pelatihan Terbimbing (Supervised Training) dan Tak Terbimbing (Unsupervised Training)
Sebagian besar jaringan saraf melakukan penyesuaian bobot-bobotnya selama menjalani prosedur latihan. Pelatihan dapat berupa pelatihan terbimbing (supervised training) di mana diperlukan pasangan masukan-sasaran untuk tiap pola yang dilatihkan. Jenis kedua adalah pelatihan tak terbimbing (unsupervised training). Pada metode ini, penyesuaian bobot (sebagai tanggapan terhadap masukan), tak perlu disertai sasaran. Dalam pelatihan tak terbimbing, jaringan mengklasifikasikan pola-pola yang ada berdasarkan kategori kesamaan.
Perbedaan antara supervised training dan unsupervised training tergantung pada bagaimana algoritma pelatihan menggunakan informasi kelas atau jenis pola.
xix
Algoritma supervised training memanfaatkan informasi dari setiap contoh pelatihan. Dengan informasi ini algoritma supervised training dapat mendeteksi kesalahan klasifikasi pola sebagai umpan balik ke dalam jaringan. Sedangkan algoritma unsupervised training menggunakan contoh yang tidak diklasifikasikan jenisnya. Sistem akan dengan sendirinya memprosesnya. Algoritma unsupervised training memiliki kompleksitas perhitungan dan akurasi yang lebih rendah jika dibandingkan dengan algoritma supervised training, tetapi lebih praktis dalam hal kecepatan.(Rao,1995)
2.3. Arsitektur JST
Seperti telah dijelaskan sebelumnya bahwa neuron-neuron dikelompokan dalam lapisan-lapisan. Umumnya, neuron-neuron yang terletak pada lapisan yang sama akan memiliki keadaan yang sama. Faktor terpenting dalam menentukan kelakuan suatu
neuron adalah fungsi aktifasi dan pola bobotnya. Pada setiap lapisan yang sama, neuron-neuron akan memiliki fungsi aktivasi yang sama. Apabila neuron-neuron
dalam suatu lapisan (misalkan lapisan tersembunyi) akan dihubungkan dengan neuron-neuron pada lapisan yang lain (misalkan lapisan output), maka setiap neuron pada lapisan tersebut (misalkan lapisan tersembunyi) juga harus dihubungkan dengan setiap lapisan pada lapisan lainnya (misalkan lapisan output).
Terdapat 3 macam arsitektur JST, yaitu :
1. Jaringan dengan lapisan tunggal (single layer net)
Gambar 2.3. Jaringan dengan lapisan tunggal
2. Jaringan dengan banyak lapisan (multilayer net)
xxi
Gambar 2.4. Jaringan dengan banyak lapisan
3. Jaringan dengan lapisan kompetitif (competitive layer net)
Pada jaringan ini sekumpulan neuron bersaing untuk mendapatkan hak menjadi aktif. Umumnya hubungan antar neuron pada lapisan kompetitif ini tidak diperlihatkan pada diagram arsitektur. Gambar 2.5 menunjukkan salah satu contoh arsitektur jaringan dengan lapisan kompetitif yang memiliki bobot - .(Hermawan,200θ)
Gambar 2.5. Jaringan dengan lapisan kompetitif
2.4. Metode JST
Beberapa contoh metode Jaringan Syaraf Tiruan adalah sebagai berikut : A. Backpropagation
Salah satu arsitektur jaringan saraf tiruan yang sangat populer adalah multilayer feedforward networks. Secara umum, jaringan seperti ini terdiri dari sejumlah unit neuron sebagai lapisan masukan, satu atau lebih lapisan simpul-simpul neuron komputasi lapisan tersembunyi, dan sebuah lapisan simpul-simpul neuron komputasi keluaran. Sinyal masukan dipropagasikan ke arah depan (arah lapisan keluaran), lapisan demi lapisan. Jenis jaringan ini adalah hasil generalisasi dari arsitektur perceptron satu lapisan, jadi biasa disebut sebagai multilayer perceptron (MLPs).
seluruh data latihan dalam sebuah proses pelatihan jaringan) sampai error yang terjadi mencapai batas kecil toleransi tertentu atau nol. Jaringan backpropagation dapat dilihat pada Gambar 2.6.
Gambar 2.6. Backpropagation
Dari Gambar 2.6 dapat dilihat bahwa yang bertindak sebagai dendrit adalah X1 dan X2, yaitu data masukan pada jaringan tersebut. Terdapat 2 sinapsis atau bobot yaitu V dan W, sedangkan Z dan Y merupakan bagian dari soma atau badal sel dari jaringan tersebut. Dan yang bertindak sebagai akson atau data keluaran adalah Y.(Rao,1995)
B. Learning Vector Quantization (LVQ)
xxiii
Gambar 2.7. Learning vector quantization
Gambar 2.7 memperlihatkan bahwa yang bertindak sebagai dendrit atau data masukan adalah X1-X6, yang bertindak sebagai sinapsis atau bobot adalah W, sedangkan soma atau badan sel dari jaringan ini adalah perhitungan ܺ −ܹ . Dan yang bertindak
sebagai akson atau data keluaran adalah Y.(Rojas,1996)
C. Hebb rule
Hebb rule adalah metode pembelajaran yang paling sederhana. Pada metode ini, pembelajaran dilakukan dengan cara memperbaiki nilai bobot sedemikian rupa sehingga jika ada 2 neuron yang terhubung, dan keduanya pada kondisi „hidup‟ (on) pada saat yang sama, maka bobot antara keduanya dinaikkan. Apabila data direpresentasikan secara bipolar, maka perbaikan bobotnya adalah:
Wi(baru) = wi(lama) + xi*y
dengan:
wi : bobot data input ke-i.
xi : input data ke-i.
y : output data.
Misalkan kita gunakan pasangan vektor input s dan vektor output sebagai pasangan vektor yang akan dilatih. Sedangkan vektor yang hendak digunakan untuk testing adalah vektor x.(Hermawan,2006)
D. Perceptron
Perceptron juga termasuk salah satu bentuk jaringan syaraf yang sederhana.
Perceptron biasanya digunakan untuk mengklasifikasikan suatu tipe pola tertentu yang sering dikenal dengan pemisahan secara linear. Pada dasarnya, perceptron pada jaringan syaraf dengan satu lapisan memiliki bobot yang bisa diatur dan suatu nilai ambang (threshold). Algorima yang digunakan oleh aturan perceptron ini mengatur parameter-parameter bebasnya melalui proses pembelajaran. Nilai threshold ( ) pada
fungsi aktivasi adalah non negative. Fungsi aktivasi ini dibuat sedemikian rupa sehingga terjadi pembatasan antara daerah positif dan daerah
negatif.(Hermawan,2006)
2.5. Associative Memory
Associative memory adalah sebuah content-addressable structure (struktur yang isinya
memiliki alamat tersendiri) yang memetakan suatu kumpulan pola masukan untuk kumpulan pola keluaran. Sebuah content-addressable structure adalah suatu tipe memory yang membolehkan pemanggilan kembali data berdasarkan kemiripan antara pola masukan dan pola yang disimpan dalam memori. Jaringan syaraf associative memory adalah jaringan yang bobot-bobotnya ditentukan sedemikian rupa sehingga jaringan tersebut dapat menyimpan kumpulan pengelompokan pola.
Contoh sederhana associative memory :
Tabel dibawah menunjukkan sebuah memori yang berisi nama beberapa orang. Jika memori yang diberikan merupakan data yang memiliki alamat tersendiri,maka dengan menggunakan string yang salah “Crhistpher Columbus” sebagai kata kunci maka
cukup untuk mendapatkan nama yang benar “Christopher Columbus”.
Alex Graham Bell
Thomas Edison
Masukan : Christopher Colombus Keluaran :
Crhistpher Columbus → Albert Einstein → Christopher Columbus
xxv
Blaise Pascal
Dalam hal ini, memori tipe ini kuat dan toleran terhadap kesalahan, karena menunjukkan kemampuan memperbaiki kesalahan.(Rao,1995)
Arsitektur model associative memory :
Gambar 2.9. Associative memory
2.6. Bagian-bagian dalam Associative memory
Ada dua bagian dari associative memory, yaitu : auto-associative dan hetero-associative. Sebuah auto-associative memory mengambil pola yang terbaru yang paling mirip dengan pola sekarang. Dalam hetero-associative memory, pola yang diambil pada umumnya berbeda dari pola masukan tidak hanya dalam isi tapi kemungkinan dalam tipe dan format, sesuai dengan isi memori.
Associative memory adalah sebuah sistem yang menghubungkan dua pola (X, Y) sehingga ketika salah satu ditemui, yang lain dapat dipanggil.
2.6.1 Auto-associative memory
Misalkan, y[1], y[2], y[3], ………y[M], menjadi angka dalam pola yang disimpan dan
2.6.2 Hetero-associative memory
Disini kegunaan memori lebih umum. Misalkan, kita memiliki angka dari pasangan
kata kunci {c(1), y(1)}, {c(2), y(2)}, …………., {c(M), y(M)}. Hetero-associative
memory akan mengeluarkan pola vektor y(m) jika versi kabur atau tidak lengkap dari c(m) yang dimasukkan. Salah satu kelebihan dari hetero-associative memory ini ialah proses pelatihannya yang hanya satu epoch (siklus pelatihan).(Rojas,1996)
Contoh dari hetero-associative memory :
Pola binary berpasangan s:t dengan |s| = 4 dan |t| = 2 Total bobot unit masukan ke keluaran : y _ in j= ∑ xi wij
Fungsi aktivasi :
Bobot yang dihitung dengan Hebbian rule (jumlah dari keseluruhan setelah
dipasangkan) W = ∑ siT(p) tj (p)
Contoh latihan :
xxvii
2.7. Pengenalan Pola
Pengenalan pola merupakan sebuah metode yang telah lama ada dan terus berkembang hingga saat ini. Pengenalan pola tradisional masih berbasis pada kemampuan alat indera manusia. Manusia mampu mengingat suatu informasi pola secara menyeluruh hanya dengan berdasarkan sebagian informasi yang tersimpan dalam ingatannya. Sebagai contoh, dengan hanya mendengar sebagian lagu, dapat membuat kita mengingat seluruh lagu.
Pengenalan pola adalah kemampuan manusia untuk mengenali obyek-obyek berdasarkan ciri-ciri dan pengetahuan yang pernah diamatinya dari obyek tersebut.
Tujuan dari pengenalan pola ini adalah mengklasifikasikan dan mendeskripsikan pola atau obyek kompleks berdasarkan ciri-cirinya.(Bishop,1996)
Saat ini, komputer telah memiliki sistem intelejen visual, yang membuat dirinya dapat melihat dan mengenali sebuah obyek. Untuk dapat mengenali sebuah obyek komputer harus melakukan pengolahan citra dan pengenalan pola. Pengolahan citra digunakan untuk mendapatkan citra dengan kualitas yang baik, sementara pengenalan pola berfungsi agar komputer dapat mengenali citra tersebut.
Dalam pengenalan pola, kita bisa membagi keseluruhan proses menjadi tiga tahap yaitu :
b) Pengolahan data (data preprocessing), yaitu tahap saat data digital yang diperoleh dari tahap sebelumnya diekstraksi karakteristiknya dan kemudian karakteristik tersebut menjadi data output.
c) Pengklasifikasian keputusan (decision classification), yaitu tahap saat karakteristik yang diperoleh pada tahap sebelumnya, digunakan untuk mengklasifikasikan obyek.
Gambar 2.10. Representasi konseptual dari sistem pengenalan pola
Dalam pengenalan pola, banyak sekali metode yang bisa digunakan dan tidak
ada suatu metode yang bisa dikatakan paling tepat. Metode terbaik yang digunakan untuk mengenali suatu pola, berbeda-beda tergantung obyek yang diteliti. Namun
demikian, pendekatan pengenalan pola yang saat ini sedang berkembang adalah dengan menggunakan jaringan syaraf tiruan.(Bishop,1995)
Jadi dapat kita simpulkan bahwa pengenalan pola adalah suatu proses untuk mengenali sebuah obyek dengan berbagai metode, dan dalam proses pengenalannya harus memiliki tingkat akurasi yang tinggi. Adapun tingkat akurasi yang tinggi ini, berarti bahwa suatu metode pengenalan pola yang diaplikasikan pada komputer harus mampu mengenali, meskipun pola tersebut secara manual sulit untuk dikenali oleh manusia.
2.8. Citra Digital
xxix
Dalam tahapan pengenalan pola, data analog sebuah citra harus diubah melalui penerjemah menjadi citra digital. Citra digital adalah representasi dari sebuah citra yang disimpan dalam bentuk array dua dimensi, dan setiap array-nya akan menyimpan nilai warna dan intensitas pencahayaan. Untuk mengubah citra analog menjadi citra digital, kita bisa menggunakan beberapa alat seperti, kamera digital dan scanner.
Satuan terkecil dari suatu citra disebut piksel (picture element/pixel/pel) yang berarti element citra. Citra dibentuk dari kotak-kotak persegi yang teratur sehingga jarak horizontal dan vertikal antara piksel adalah sama pada seluruh bagian citra. setiap piksel diwakili oleh bilangan bulat (integer) untuk menunjukkan lokasinya dalam bidang citra. Sebuah bilangan bulat juga digunakan untuk menunjukkan cahaya atau keadaan terang gelap piksel tersebut.(Ahmad,2005)
Gambar 2.11. Sistem Koordinat pada Citra Digital
Untuk menunjukkan lokasi piksel, koordinat (0,0) berfungsi untuk menunjukkan posisi sudut kiri atas pada citra, indeks x bergerak ke kanan dan indeks y bergerak ke bawah. Koordinat (m-1, n-1) digunakan untuk menunjukkan posisi kanan bawah dalam citra berukuran m x n piksel.
Untuk menunjukkan tingkat pencahayaan suatu piksel, digunakan bilangan bulat yang besarnya 8 bit (1 byte) untuk setiap piksel, dengan lebar selang antara 0 -255, di mana 0 untuk warna hitam, 255 untuk warna putih dan tingkat keabuan ditandai dengan nilai di antara 0 – 255.
2.8.1 Format Citra JPEG
Meskipun kompresi gambar JPEG sangatlah efisien dan selalu menyimpan gambar dalam kategori warna true color (24 bit), format ini bersifat lossy, yang berarti bahwa kualitas gambar dikorbankan bila tingkat kompresi yang dipilih semakin tinggi.
Tabel 2.1. Perbandingan jenis file gambar
Jenis
Katakana adalah salah satu daripada tiga cara penulisan bahasa Jepang. Katakana biasanya digunakan untuk menulis kata-kata yang berasal dari bahasa asing yang sudah diserap ke dalam bahasa Jepang, selain itu juga digunakan untuk menuliskan
xxxi
Beberapa penelitian yang telah dilakukan sebelumnya yang berkaitan dengan penelitian ini adalah :
1. Penelitian oleh Tika Romauli Siregar (201η) dengan judul “Implementasi
Jaringan Syaraf Metode Bidirectional Associative Memory Untuk Pengenalan
Pola Wajah”. Penelitian ini menggunakan metode Bidirectional Associative
Memory yang dapat mengenali pola baik dengan data yang tidak lengkap atau dengan noise. Pada pengujian didapat tiga hasil yaitu yang pertama, pengujian terhadap data pola wajah yang telah dilatih diperoleh tingkat pengenalan sebesar 100%, kedua pengujian terhadap data pola wajah yang baru diambil memiliki tingkat pengenalan sebesar 70%, ketiga pengujian pola wajah yang telah diberi noise memiliki tingkat pengenalan sebesar 80%, sehingga diperoleh kesimpulan bahwa metode Bidirectional Associative Memory sangat tahan terhadap noise.
2. Penelitian oleh Jakup Ginting (2014) dengan judul “Implementasi Jaringan Saraf
Tiruan Untuk Pengenalan Pola dan Penerjemahan Aksara Karo Dengan Metode Associative Memory Tipe Hetero-Association”. Penelitian ini memproses citra digital yang akan menghasilkan matriks bobot yang dijadikan sebagai tolak ukur untuk pengujian pengenalan pola karakter Aksara Karo. Penelitian ini memiliki dua pengujian, pertama pengujian terhadap data pola karate yang telah dilatih
diperoleh tingkat pengenalan sebesar 82,7419%, kedua pengujian pola karakter yang tidak dilatih memiliki tingkat pengenalan sebesar 79,0323%. Sehingga diambil kesimpulan bahwa metode associative memory tipe hetero-association dapat mengenal pola cukup baik, walaupun dengan proses pelatihan hanya sekali.
3. Penelitian oleh Yayang Kurniati (201η) dengan judul “Implementasi Metode
Bidirectional Associative Memory Pada Absensi Berbasis Identifikasi Wajah”.
