BAB 3
ANALISIS DAN PERANCANGAN
3.1 Analisis Jaringan Saraf Tiruan
Perceptron juga termasuk salah satu bentuk jaringan saraf yang sederhana. Perceptron biasanya digunakan untuk mengklasifikasikan suatu pola tertentu yang sering dikenal
dengan pemisahan secara linear. Sesuai dengan karakteristik jaringan saraf tiruan, pada dasarnya perceptron memiliki kecenderungan yang sama dengan jenis jaringan
saraf tiruan lainnya, namun setiap jenis memiliki karakteristik masing-masing, seperti halnya single layer Jaringan saraf tiruan, biasanya hanya digunakan untuk
memberikan solusi yang sifatnya hanya sederhana saja.
Perceptron pada jaringan saraf tiruan dengan satu lapisan memiliki bobot yang bisa diatur dan suatu nilai ambang threshold. Algoritma yang digunakan oleh aturan
ini akan mengatur parameter-parameter bebasnya melalui proses pembelajaran. Nilai threshold pada fungsi aktivasi adalah non negatif. Fungsi aktivasi ini dibuat
sedemikian rupa sehingga terjadi pembatasan antara daerah positif dan daerah negatif.
Gambar 3.1
Pembatas Linear Perceptron.
Universitas Sumatera Utara
Garis pemisah antara daerah positif dan daerah nol memiliki pertidaksamaan:
1 1
+
2 2
+ 3 Sedangkan garis pemisah antara daerah negatif dengan daerah nol memiliki
pertidaksamaan:
1 1
+
2 2
+ −3
Misalkan kita gunakan pasangan vektor input s dan vektor output sebagai pasangan vektor yang akan dilatih.
3.2 Analisis Pengenalan Pola
Pengenalan pola, optical character recognition disebut aplikasi saraf utama bila melibatkan cek dan alamat surat yang keduanya ditulis dengan tangan. Masalah-
masalah pengenalan pola juga terdapat dalam bidang inspeksi industri, misalnya dalam inspeksi silicon wafer, terdapat cacat yang tidak mudah dikenali, lalu penyaring
berdasar jaringan saraf menjadi alat yag disukai.
Metode pengenalan pola dengan jaringan saraf tiruan dilatih dengan seperangkat data untuk bisa mengenal dan mengidentifikasi pola data atau kurva.
Proses pelatihan sering disebut tahap belajar learning process. Sehingga learning process menjadi bagian yang penting juga dalam metode. Pemilihan algoritma dan
parameter yang bersesuaian dan penentuan berapa banyak perangkat data yang dibutuhkan dalam learning process sangat penting untuk menentukan akurasi dari
peramalan yang dihasilkan Hagan, 1996.
Universitas Sumatera Utara
Awal neural network diset secara acak, kemudian perangkat data dimasukkan ke jaringan saraf untuk pembelajaran atau pelatihan. Ketika data dimasukkan, jaringan
saraf akan belajar dengan mengubah parameter-parameternya sehingga semakin mendekati atau semakin sesuai dengan pola data masukan tersebut. Ketika semua data
latih sudah dimasukkan, jaringan saraf dianggap sudah dapat mengenal dan mengidentifikasi pola data tersebut sehingga telah siap digunakan untuk menghasilkan
keluaran. Hasil keluarannya dengan demikian akan sesuai dengan pola data yang telah diidentifikasi oleh neural network.
Prinsipnya ada dua cara untuk melatih neural network yaitu dengan supervised learning dan unsupervised learning. Pada unsupervised learning, neural network
hanya diberi data masukan saja tapi bagaimana outputnya tidak ditentukan. Ketika data yang dimasukkan bertambah, neural network akan mengkategorikan atau
mengelompokkan data masukan tersebut. Pada supervised learning, neural network diberi sepasang data latih yang terdiri dari data masukan dan target. Jadi ketika data
yang dimasukan bertambah neural network akan mengubah karakteristik internalnya agar bisa menghasilkan keluaran seperti targetnya. Maka dengan demikian cara
learning yang bisa dipakai untuk pengenalan pola adalah yang supervised learning karena data yang harus dilatihkan adalah berupa pasangan data input dan target
Hagan, 1996.
3.3 Algoritma Perceptron
Kategori