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 Charles Darwin
Universitas Sumatera Utara
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 biarkan ym menjadi komponen dari vektor tersebut, mewakili fitur yang diambil dari
pola. Auto-associative memory akan mengeluarkan vektor pola ym ketika dimasukkan versi kabur atau tidak lengkap dari ym.Rojas,1996
Universitas Sumatera Utara
2.6.2 Hetero-associative memory
Disini kegunaan memori lebih umum. Misalkan, kita memiliki angka dari pasangan kata kunci {c1, y1}, {c2, y2}, …………., {cM, yM}. Hetero-associative
memory akan mengeluarkan pola vektor ym jika versi kabur atau tidak lengkap dari cm 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
= ∑ x
i
w
ij
Fungsi aktivasi :
Bobot yang dihitung dengan Hebbian rule jumlah dari keseluruhan setelah dipasangkan
W = ∑ s
i T
p t
j
p
Contoh latihan :
Pemanggilan kembali :
Universitas Sumatera Utara
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 : a
Perolehan data data acquisition, yaitu tahap saat data analog akan dilewatkan pada penerjemah yang akan membuatnya menjadi format digital
untuk diproses oleh komputer.
Universitas Sumatera Utara
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