BAB 1
PENDAHULUAN
1.1. Latar Belakang Masalah
Pada sistem informasi jaringan syaraf tiruan (JST) digunakan untuk pengolahan data
yang memiliki karakteristik kinerja tertentu, menirukan cara kerja otak manusia untuk menyelesaikan suatu masalah yang mana proses pembelajaran berdasarkan perubahan bobot sinapsisnya. JST dapat digunakan untuk memodelkan hubungan kompleks antara input dan output untuk dapat menemukan pola-pola pada data atau klasifikasi data melalui proses pembelajaran. Pada proses pembelajaran, pola-pola input atau output dimasukkan ke dalam jaringan saraf tiruan, lalu jaringan akan diajari untuk
memberikan jawaban yang bisa diterima. (Djalu, 2006).
Ada beberapa metode yang digunakan dalam jaringan syaraf tiruan, diantaranya adalah metode Learning Vector Quantization (LVQ). Pelatihan metode LVQ terletak pada lapisan kompetitif, dimana lapisan tersebut akan belajar secara otomatis untuk mengklasifikasikan (clustering) vektor input ke dalam kelasnya. Di mana kelas yang dihasilkan tersebut tergantung pada jarak vektor input yang akan dihitung dan diambil jarak minimum-nya, selanjutnya akan dijadikan sebagai vektor bobot dan vektor input baru. Apabila ada ditemukan 2 vektor yang hampir sama maka lapisan kompetitif tersebut akan mengklasifikasikan vektor input ke dalam kelas yang sama. Di dalam jaringan syaraf tiruan metode LVQ, memiliki kelemahan yang menyangkut tentang perhentian learning error (α), dimana LVQ sering melewati solusi optimal (clustering), dalam hal ini tingkat kesalahan minimal error rate yang cukup jelas. (Nascimento, 2005)
Penelitian (Basu et al, 2010) pada Use of Artificial Neural Network in Pattern Network, meskipun ada beberapa kelebihan dan kekurangan pada penerapan
kecerdasan buatan dalam pengenalan pola, selalu diperoleh hasil yang lebih baik dari pada tanpa menggunakan jaringan syaraf tiruan.
2
Penelitian (Blachnik dan Duch, 2011), pada LVQ algorithm with instance weighting for generation of prototype-based rules, dengan memanfaatkan parameter
fungsi pelatihan pada metode LVQ dapat membentukan prototipe berdasarkan modifikasi aturan pada logika fuzzy.
Penelitian (Munjal, 2011), pada ANN paradigms for Audio Recognition, dengan membandingkan tiga metode jaringan syaraf tiruan Learning Vector Quantization (LVQ), Multilayer Perceptron dan Self Organized Map (SOM), dimana
metode klasik LVQ memberikan hasil akurasi kurang baik dibandingkan metode MLP, tetapi metode LVQ akan menjadi lebih baik jika pemilihan jumlah hidden layer dikombinasikan dengan metode lain.
Berdasarkan uraian di atas, dapat disimpulkan jaringan syaraf tiruan LVQ untuk mengenal pola tertentu masih memliki akurasi yang kurang baik pada fungsi pelatihannya, sehingga diperlukan kombinasi dengan metode lain untuk dapat mengoptimalkan pengenalan pola dalam pelatihan metode LVQ. Salah satu metode untuk mengoptimalisasi data adalah algoritma genetika. Sehingga penulis tertarik mencoba melakukan penelitian untuk menganalisa akurasi pembelajaran pada metode LVQ dengan menggunakan algoritma genetika dalam pengenalan pola alfanumerik.
1.2. Rumusan Masalah
Berdasarkan uraian di atas, jaringan syaraf tiruan dengan menggunakan metode Learning Vector Quantization (LVQ) untuk mengenal pola tertentu masih memliki
akurasi yang kurang baik pada fungsi pelatihannya, sehingga diperlukan suatu metode pendekatan tertentu untuk meningkatkan akurasi pembelajaran pada jaringan syaraf tiruan metode LVQ.
1.3. Batasan Masalah
Agar analisis dalam penelitian ini tidak menyimpang dan terarah, maka rumusan masalah di atas dapat dibatasi sebagai berikut:
1. Media yang digunakan adalah pola alfanumerik yang berupa pola matriks biner [0,1], dengan ukuran matrik 5 x 7.
2. Alfanumerik yang digunakan adalah huruf kapital [A…Z] dan angka [0…9].
3
1.4. Tujuan Penelitian
Tujuan penelitian ini adalah untuk meningkatkan akurasi pembelajaran Learning Vector Quantization (LVQ) dengan menggunakan algoritma genetika pada
pengenalan pola alfanumerik.
1.5. Manfaat Penelitian
Adapun manfaat penelitian diharapkan adalah sebagai berikut:
1. Diharapkan penelitian ini dapat menjadi bahan refrensi belajar dan mengajar dan sebagai refrensi untuk kasus atau pembahasan yang berkaitan dengan penelitian ini.
2. Dengan mengetahui sejauh mana algoritma genetika dapat meningkatkan akurasi pembelajaran metode Learning Vector Quantization (LVQ) pada pengenalan pola alfanumerik.