Recurrent Neural Network Huruf Katakana

Mengadopsi esensi dasar dari system syaraf biologi, syaraf tiruan dijelaskan yaitu menerima input atau masukan baik dari data yang dimasukkan atau dari output sel syaraf pada jaringan syaraf. Setiap input datang melalui suatu koneksi atau hubungan yang mempunyai sebuah bobot weight. Setiap sel syaraf mempunyai sebuah nilai ambang. Jumlah bobot dari input dan dikurangi dengan nilai ambang kemudian akan mendapatkan suatu aktivasi dari sel syaraf post synaptic potential, PSP, dari sel syaraf. Signal aktivasi kemudian menjadi fungsi aktivasi fungsi transfer untuk menghasilkan output dari sel syaraf. Jika tahapan fungsi aktivasi digunakan output sel syaraf = 0 jika input 0 dan 1 jika input = 0 maka tindakan sel syaraf sama dengan sel syaraf biologi yang dijelaskan diatas pengurangan nilai ambang dari jumlah bobot dan membandingkan dengan 0 adalah sama dengan membandingkan jumlah bobot dengan nilai ambang. Biasany tahapan fungsi jarang digunakan dalam jaringan syaraf tiruan.

2.6 Recurrent Neural Network

Recurrent Neural Network RNN adalah neural network dengan fasilitas umpan balik menuju neuron itu sendiri maupun neuron yang lain, sehingga aliran informasi dari masukan mempunyai arah jamak Aribowo, 2010 . Recurrent Neural Network adalah jaringan yang mempunyai minimal satu feedback loop. RNN memiliki kemampuan penggambaran yang sangat bagus dan dapat mengatasi kelemahan feedfoward Soelaiman Rifa’i, 2010 . Keluaran RNN tidak hanya bergantung pada masukan saat itu saja, tetapi juga tergantung pada kondisi masukan neural network untuk waktu lampau. Kondisi ini dimaksudkan untuk menampung kejadian lampau diikutkan pada proses komputasi. Hal ini penting untuk masalah yang cukup rumit, dan tanggapan keluaran neural network berkaitan dengan variasi waktu time-varying , sehingga neural network memiliki kepekaan terhadap waktu dengan memori kondisi lampau. Struktur Recurrent Neural Network dapat dilihat pada gambar 2.8 Universitas Sumatera Utara Gambar 2.8 Struktur Recurrent Neural Network Aribowo, 2011 Keluaran Recurrent Neural Network dapat dihitung dengan persamaan sebagai berikut : dimana : • xˆk ∈ℜ n adalah internal state vector • A∈ℜ nxn adalah matrik tetap • xk ∈ℜ n adalah state vector • uk ∈ℜ m adalah vektor masukan, Nilai uk dan xk diketahui • mxnk k W W ∈ℜ 1, 2, , adalah bobot pada lapisan hidden • nxm k k V V ∈ℜ 1, 2, , adalah bobot pada lapisan output • xˆk +1 adalah nilai dari state vektor hasil perkiraan pada iterasi ke k +1 Fungsi aktifasi yang digunakan pada jaringan adalah T m [ ... ] 1 σ = σ σ , σ ∈ℜ m dan φ ∈ℜ mxm Universitas Sumatera Utara Nilai σ dan φ dihitung dengan menggunakan fungsi sigmoid Soelaiman Rifa’i, 2010. Adapun arsitektur umum Recurrent Neural Network yang dapat dilihat pada gambar 2.9 Gambar 2.9 Arsitektur umum Recurent Neural Network Soelaiman Rifa’i, 2010.

2.7 Huruf Katakana

Bahasa Jepang memiliki aturan gramatikal, cara baca dan cara menulis huruf bahasa Jepang. Bahasa Jepang memiliki 3 tiga huruf, yaitu huruf hiragana, huruf katakana, dan huruf kanji. Katakana jauh lebih sulit dikuasai dibanding Hiragana karena hanya digunakan untuk kata-kata tertentu, sehingga kesempatan untuk berlatih membacanya lebih jarang. Sebagaimana telah disebutkan sebelumnya, katakana digunakan terutama untuk kata yang diimpor dari bahasa asing. Kata-kata impor tersebut banyak yang berasal dari bahasa Inggris. Katakana juga bisa digunakan untuk menekankan kata-kata tertentu sebagaimana penggunaan huruf tebal. Universitas Sumatera Utara Katakana melambangkan suara-suara yang sama dengan Hiragana, namun tentu saja semua hurufnya berbeda Handoyono Susanto, 2010. Untuk lebih jelas dapat dilihat seperti pada gambar 2.10. Gambar 2.10 Tabel huruf Katakana Handoyono ,2011

2.8 Penelitian Terdahulu