Kombinasi Algoritma Jaringan Syaraf Tiruan Learning Vector Quantization (LVQ) Dan Self Organizing Kohonen Pada Kecepatan Pengenalan Pola Tanda Tangan

KOMBINASI ALGORITMA JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION (LVQ) DAN SELF
ORGANIZING KOHONEN PADA KECEPATAN PENGENALAN POLA TANDA TANGAN
TESIS EMNITA BR GINTING
117038071
PROGRAM STUDI S2 TEKNIK INFORMATIKA FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA MEDAN 2013
Universita Sumatera Utara

KOMBINASI ALGORITMA JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION (LVQ) DAN SELF
ORGANIZING KOHONEN PADA KECEPATAN PENGENALAN POLA TANDA TANGAN
TESIS Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh
ijazah Magister Teknik Informatika EMNITA BR GINTING 117038071
PROGRAM STUDI S2 TEKNIK INFORMATIKA FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA MEDAN 2013
Universita Sumatera Utara

PERSETUJUAN

JUDUL NAMA

: KOMBINASI ALGORITMA JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION (LVQ) DAN SELF ORGANIZING KOHONEN PADA KECEPATAN PENGENALAN POLA TANDA TANGAN

: EMNITA BR GINTING

NOMOR INDUK MAHASISWA : 117038071

PROGRAM STUDI

: MAGISTER TEKNIK INFORMATIKA

FAKULTAS Komisi Pembimbing

: ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA
:

Pembimbing 2

Pembimbing 1

Dr. Zakarias Situmorang

Prof. Dr. Muhammad Zarlis

Diketahui/disetujui oleh Ketua Program Studi,
Prof. Dr. Muhammad Zarlis NIP. 19570701 198601 1 003

Universita Sumatera Utara

PERNYATAAN

KOMBINASI ALGORITMA JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION (LVQ) DAN SELF ORGANIZING KOHONEN PADA
KECEPATAN PENGENALAN POLA TANDA TANGAN
TESIS
Saya mengakui bahwa tesis ini adalah hasil karya saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya.

Medan,

Oktober 2013

Emnita br Ginting 117038071

Universita Sumatera Utara

PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN
AKADEMIS

Sebagai sivitas akademika Universitas Sumatera Utara, saya yang bertanda tangan dibawah ini:

Nama

: Emnita br Ginting

NIM

: 117038071

Program Studi

: Teknik Informatika

Demi pengembangan ilmu pengetahuan, menyetujui untuk memberikan kepada Universitas Sumatera Utara Hak Bebas Royalti Non-Eksklusif (Non-Exclusive Royalty Free Right) atas tesis saya yang berjudul:

KOMBINASI ALGORITMA JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION (LVQ) DAN SELF ORGANIZING KOHONEN PADA
KECEPATAN PENGENALAN POLA TANDA TANGAN
Beserta perangkat yang ada (jika diperlukan). Dengan Hak Bebas Royalti NonEksklusif ini, Universitas Sumatera Utara berhak menyimpan, mengalih media, memformat, mengelola dalam bentuk database, merawat dan mempublikasikan tesis saya tanpa meminta izin dari saya selama tetap mencantumkan nama saya sebagai penulis dan sebagai pemegang dan/ atau sebagai pemilik hak cipta.

Demikian pernyataan ini dibuat dengan sebenarnya.

Medan,

Oktober 2013

Emnita br Ginting 117038071

Universita Sumatera Utara

Telah diuji pada Tanggal: Oktober 2013

PANITIA PENGUJI TESIS

Ketua

: Prof.Dr.Muhammad Zarlis

Anggota : 1. Dr.Zakarias Situmorang

2. Prof.Dr.Herman Mawengkang

3. Prof.Dr.Tulus

4. Dr.Marwan Ramli,M.Si

Universita Sumatera Utara

RIWAYAT HIDUP

DATA PRIBADI

Nama Lengkap

: Emnita br Ginting, S.Kom.

Tempat dan Tanggal Lahir : Juhar, 09 Februari 1987

Alamat Rumah

: Jl. Setia Budi No. 285 A Tanjung Sari

Telepon/ Faks/ HP

: (061) 8211129/ -/ 081375356664

E-mail

: emnita_ginting@yahoo.com

Instansi Tempat Bekerja : -

Alamat Kantor

:-

DATA PENDIDIKAN

SD : SDN No: 043944 Juhar

TAMAT: 1999

SLTP : SLTP Negeri 1 Juhar

TAMAT: 2002

SLTA : SMA Swasta Santo Thomas 1 Medan

TAMAT: 2005

S1 : Ilmu Komputer Universitas Sumatera Utara

TAMAT: 2010

S2 : Teknik Informatika Universitas Sumatera Utara TAMAT: -

Universita Sumatera Utara

KATA PENGANTAR
Puji syukur penulis panjatkan kehadirat Tuhan Yang Maha Esa atas berkat, rahmat dan karunianya berupa pengetahuan, kesehatan dan kesempatan yang diberikan kepada penulis sehingga dapat menyelesaikan tesis dengan judul “KOMBINASI ALGORITMA JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION (LVQ) DAN SELF ORGANIZING KOHONEN PADA KECEPATAN PENGENALAN POLA TANDA TANGAN”.
Penulis dalam penyusunan untuk menyelesaikan tesis ini banyak mendapati kesulitan dan kendala–kendala yang dihadapi, namun berkat bantuan, dorongan, nasehat dari berbagai pihak terutama dari dosen pembimbing serta dari para dosen, maka tugas tesis ini dapat diselesaikan dengan baik. Terutama tidak lepas dari dorongan orang tua, kakak, adik yang juga telah banyak memberikan bantuan dan dorongan hingga penulis dapat sampai pada TESIS ini.
Untuk itu penulis ingin menyampaiakan ucapan terimakasih yang sebesar– besarnya kepada :
1. Kedua Orangtua saya Ayahanda Sebastianus Derom Ginting dan Ibunda Sulaweti br Tarigan tercinta yang telah memberikan kasih sayangnya, doa yang tak pernah putus serta dorongan moril maupun materil kepada saya sehingga dapat menyelesaikan tesis ini dengan baik.
2. Bapak Prof. Dr. Muhammad Zarlis, selaku Ketua Program Studi Pascasarjana Teknik Informatika Fakultas Ilmu Komputer dan Teknologi Informasi Sumatera Utara Medan sekaligus Pembimbing I yang telah bersedia memberikan bimbingan serta pengarahan hingga selsesainya penulisan tesis ini.
3. Bapak Dr. Zakarias Situmorang selaku Dosen Pembimbing II yang telah bersedia memberikan bimbingan serta pengarahan hingga selesainya penulisan tesis ini.
4. Bapak Dosen Penguji yang telah memberikan saran untuk perbaikan dan penyelesaian tesis ini.
Universita Sumatera Utara

5. Bapak dan Ibu Dosen yang telah memberikan materi perkuliahan dan ilmu pengetahuan selama penulis menyelesaikan Program Studi Pascasarjana Teknik Informatika.
6. Segenap sivitas akademika Program Studi Pascasarjana Teknik Informatika Sumatera Utara.
7. Teman – teman seperjuangan Angkatan 2011 Kom-C yang telah memberikan dukungan dalam penyelesaian tesis ini.
8. Kakak saya Raskarina Ginting dan Rehlitna Ginting, adik saya Ingan Pulungta Ginting, serta sepupu saya Nopita Tarigan yang telah banyak memberikan dorongan dan bantuan kepada saya sehingga dapat menyelesaikan tesis ini dengan baik.
Penulis menyadari bahwa masih ada kekurangan dalam penulisan tesis ini, untuk itu, penulis mengharapkan kritik dan saran dari pembaca demi kesempurnaan penelitian selanjutnya.
Akhir kata penulis berharap semoga karya ilmiah ini dapat bermanfaat bagi semua pihak, khususnya dalam bidang pendidikan.

Medan, Penulis

Oktober 2013

Emnita br Ginting 117038071

Universita Sumatera Utara

ABSTRAK
Tanda tangan adalah sebuah bentuk khusus dari tulisan tangan yang mengandung karakter khusus dan bentuk-bentuk tambahan yang sering digunakan sebagai bukti verifikasi identitas seseorang. Sebagian tanda tangan dapat dibaca, namun banyak pula tanda tangan yang tidak dapat dibaca. Kendati demikian, sebuah tanda tangan dapat ditangani sebagai sebuah citra sehingga dapat dikenali dengan menggunakan aplikasi pengenalan pola pada pengolahan citra. Karena tanda tangan merupakan mekanisme primer untuk authentication dan authorization dalam transaksi legal, maka kebutuhan akan penelitian pada pengembangan aplikasi pengenalan dan verifikasi tanda tangan secara otomatis dan efisien meningkat dari tahun ke tahun. Metode yang banyak digunakan dalam pengenalan tanda tangan adalah metode jaringan syaraf tiruan. Pada jaringan syaraf tiruan terdapat proses pembelajaran serta pengenalan. Salah satu algoritma jaringan syaraf tiruan adalah Learning Vector Quantization (LVQ) dan Self Organizing Kohonen. Proses-proses yang terjadi pada metode jaringan syaraf tiruan memerlukan waktu yang relatif lama. Hal ini dipengaruhi banyaknya sampel data yang digunakan sebagai alat update bobot yang dilatih. Semakin banyak dan besar ukuran dari pola yang dilatih, semakin lama pula waktu yang dibutuhkan jaringan. LVQ adalah suatu metode pelatihan pada lapisan kompetitif terawasi yang akan belajar secara otomatis untuk mengklasifikasikan vektor-vektor input kedalam kelaskelas tertentu. Kelas-kelas yang dihasilkan tergantung pada jarak antara vektor-vektor input. Jika ada 2 vektor input yang hampir sama maka lapisan kompetitif akan mengklasifikasikan kedua vektor input tersebut ke dalam kelas yang sama. Jaringan Self Organizing Kohonen merupakan salah satu model jaringan syaraf tiruan yang menggunakan metode pembelajaran tanpa supervisi atau tak terbimbing yang menyerupai model jaringan syaraf manusia. Untuk mempercepat proses komputansi pada training dan recognition maka dibangun sebuah algoritma kombinasi antara LVQ dengan Self Organizing Kohonen dengan memodifikasi pemberian bobot sehingga diperoleh waktu yang lebih singkat dalam proses training serta recognition.
Kata Kunci: Tanda Tangan, Learning Vector Quantization (LVQ), Self Organizing Kohonen.
Universita Sumatera Utara

COMBINATION ALGORITHM OF NEURAL NETWORK LEARNING VECTOR QUANTIZATION (LVQ) AND KOHONEN SELF ORGANIZING ON THE SPEED OF THE SIGNATURE PATTERN RECOGNITION
ABSTRACT
Signature is a special form of handwriting that contain special characters and additional forms are often used as proof of a person's identity verification. Partially legible signature, but many signatures that can not be read. However, a signature can be handled as an image so that it can be recognized using pattern recognition applications in image processing. Because the signature is the primary mechanism for authentication and authorization in legal transactions, the need for research on the development of recognition applications and automatic signature verification and efficiently increases from year to year. The method is widely used in signature recognition is a method of artificial neural network. On artificial neural networks are learning and recognition. One neural network algorithm is Learning Vector Quantization ( LVQ ) and Self Organizing Kohonen. Processes that occur in the neural network method requires a relatively long time. It is influenced by the number of data samples are used as a means of weight training update. The more and the large size of the pattern being trained, the longer the time it takes the network. LVQ is a method of training the unsupervised competitive layer will automatically learn to classify input vectors into certain classes. The classes are generated depends on the distance between the input vectors. If there are 2 input vectors are nearly as competitive layer will then classify both the input vectors into the same class. Kohonen Self Organizing Network is one of the neural network model which uses learning methods or unguided unsupervised neural network model that resembles humans. To speed up the computing process in the training and recognition is then developed an algorithm and a combination of LVQ and Self Organizing Kohonen by modifying the weight given to obtain a shorter time in the process of training and recognition.
Keywords : Signature, Learning Vector Quantization ( LVQ ), Self Organizing Kohonen.
Universita Sumatera Utara

DAFTAR ISI

HALAMAN JUDUL PERSETUJUAN PERNYATAAN ORISINALITAS PERSETUJUAN PUBLIKASI PANITIA PENGUJI RIWAYAT HIDUP UCAPAN TERIMA KASIH ABSTRAK ABSTRACT DAFTAR ISI DAFTAR GAMBAR DAFTAR TABEL
BAB 1 PENDAHULUAN 1.1 Latar Belakang 1.2 Rumusan Masalah 1.3 Tujuan Penelitian 1.4 Batasan Masalah 1.5 Metodologi Penelitian 1.5.1 Tahap Pengumpulan Data 1.5.2 Tahap Pembangunan Perangkat Lunak
BAB 2 LANDASAN TEORI 2.1. Citra Digital 2.2. Pengolahan Data Citra 2.3. Edge Detection Method 2.4. Jaringan Syaraf Biologi 2.5. Jaringan Syaraf Tiruan ( Neural Network (NN)) 2.5.1 Arsitektur Jaringan Syaraf

Halaman i ii
iii iv v vi vii ix x xi xiv xvi
1 1 3 4 4 4 4 4
5 5 10 11 13 14 15

Universita Sumatera Utara

2.5.2 Keuntungan Menggunakan Komputasi dengan JST 2.5.3 Algoritma Umum Jaringan Syaraf Tiruan 2.5.4 Fungsi Aktivasi 2.6. Sejarah Jaringan Syaraf Tiruan 2.7. Paradigma Pembelajaran 2.7.1 Pelatihan Dengan Supervisi 2.7.2 Pelatihan Tanpa Supervisi 2.8. Jaringan Syaraf Learning Vector Quantization (LVQ) 2.9. Jaringan Syaraf Kohonen Self Organizing 2.10. Jaringan Syaraf New JST

17 18 19 20 20 22 23 23 25 27

BAB 3 MOTODOLOGI PENELITIAN 3.1. Rancangan Penelitian 3.2. Bahan Penelitian 3.3. Pembacaan File Citra 3.4. Menghitung Nilai Grayscale Citra 3.5. Deteksi Tepi 3.6. Binerisasi 3.7. Flow Chart Pengenalan Tanda Tangan Dengan JST LVQ 3.8. Flow Chart Proses Pengenalan Tanda Tangan Dengan JST Self Organizing Kohonen 3.9. Flow Chart Proses Pengenalan Tanda Tangan Dengan Jaringan New JST 3.10. Perhitungan Dengan LVQ 3.11. Perhitungan Dengan Self Organizing Kohonen 3.12. Perhitungan Dengan New JST

28 28 29 30 32 33 35 36
38
40 43 50 52

BAB 4 HASIL DAN PEMBAHASAN 4.1 Implementasi Training 4.1.1 Percobaan Pertama 4.1.2 Implementasi Recognition 4.2 Percobaan Kedua 4.2.1 Proses Training

55 56 56 58 60 61

Universita Sumatera Utara

4.2.2 Proses Recognition
BAB 5 KESIMPULAN DAN SARAN 5.1 Kesimpulan 5.2 Saran
DAFTAR PUSTAKA

63
66 66 66
67

Universita Sumatera Utara

DAFTAR GAMBAR

Halaman

Gambar 2.1 Kordinat Citra Digital …….....................................................

6

Gambar 2.2 Representasi Citra Digital Dalam 2 Dimensi …….................

7

Gambar 2.3 Citra Biner ………………………………..............................

8

Gambar 2.4 Citra Keabuan ……………………………............................

8

Gambar 2.5 Bit True Color …………………………...............................

9

Gambar 2.6 Citra Warna 8 Bit …………………………………................

9

Gambar 2.7 Citra Warna 16 Bit …………………………........................

9

Gambar 2.8 Citra Warna 24 Bit …………………………........................ 10

Gambar 2.9 Pembagian Region dari mxn (340x272) pixel menjadi pxq (10X8) 11

Gambar 2.10 Susunan Neuron Biologis …………………….................... 13

Gambar 2.11 Jaringan Syaraf Tiruan dengan Lapisan Tunggal …………… 16

Gambar 2.12 Jaringan Syaraf Tiruan dengan Banyak Lapisan ……….…… 17

Gambar 2.13 Fungsi Aktivasi ……………………………………………… 19

Gambar 2.14 Fungsi Aktivasi ……………………………………………... 19

Gambar 2.15 Arsitektur Jaringan Learning Vector Quantization ………… 24

Gambar 2.16 Arsitektur Jaringan Self Organizing Kohonen ……………..

26

Gambar 3.1 Flow Chart Rancangan Penelitian ……………………........

29

Gambar 3.2 Citra Tanda Tangan ...............................................................

30

Gambar 3.3 Contoh Nilai Piksel Citra Warna ...............................,...........

31

Gambar 3.4 Matriks Nilai RGB Citra Warna …………............................

32

Gambar 3.5 Matriks Nilai Grayscale …………….....................................

33

Gambar 3.6 Dua Buah Matriks Kernel ......................................................

33

Gambar 3.7 Matriks Citra 3x3 Pixel dengan Dua Filter ………………….

34

Gambar 3.8 Nilai Konvolusi (M) Sekitar Piksel 3x3 ……………………..

34

Gambar 3.9 Matriks Hasil Deteksi Tepi Citra 3x3 ……………………….

34

Gambar 3.10 Matriks Citra Biner …………………………………………. 35

Gambar 3.11 Citra Tanda Tangan Biner ………………………………….. 36

Gambar 3.12 Flow Chart Pengenalan Tanda Tangan Metode LVQ ….....

37

Gambar 3.13 Flow Chart Pengenalan Tanda Tangan Metode LVQ (Lanjutan) 38

Universita Sumatera Utara

Gambar 3.14 Flow Chart Pengenalan Tanda Tangan Metode Self Organizing

Kohonen ……………………………………………………………...….

39

Gambar 3.15 Flow Chart Proses Pengenalan Tanda Tangan dengan Jaringan

New JST ………………………………………………………………….

40

Gambar 3.16 Flow Chart Pengenalan Tanda Tangan Metode New JST…

41

Gambar 3.17 Flow Chart Pengenalan Tanda Tangan Metode New JST

(Lanjutan) ………………………………………………………………..

42

Gambar 4.1 Tampilan Menu Utama Aplikasi …………………………...

56

Gambar 4.2 Tampilan Proses Training Tanda Tangan Metode LVQ …..

57

Gambar 4.3 Tampilan Proses Training Tanda Tangan Metode Self Organizing

Kohonen …………………………………………………………………

57

Gambar 4.4 Tampilan Proses Training Tanda Tangan Metode New JST.

58

Gambar 4.5 Tampilan Pengenalan Tanda Tangan Metode LVQ ………

59

Gambar 4.6 Tampilan Pengenalan Tanda Tangan Metode Self Organizing

Kohonen ………………………………………………………………..

59

Gambar 4.7 Tampilan Pengenalan Tanda Tangan Metode New JST ....

60

Gambar 4.8 Tampilan Training Tanda Tangan Metode LVQ ………....

61

Gambar 4.9 Tampilan Training Tanda Tangan Metode Self Organizing

Kohonen ………………………………………………………………..

62

Gambar 4.10 Tampilan Training Tanda Tangan Metode New JST …...

62

Gambar 4.11 Tampilan Pengenalan Tanda Tangan Metode LVQ …....

63

Gambar 4.12 Tampilan Pengenalan Tanda Tangan Metode Self Organizing

Kohonen ……………………………………………………………..…

64

Gambar 4.13 Tampilan Pengenalan Tanda Tangan Metode New JST...

64

Universita Sumatera Utara

DAFTAR TABEL Halaman
Tabel 2.1 Perbedaan Jaringan Syaraf Biologis dengan JST ........................ 14 Tabel 3.1 Data Matrik Input Gambar ........................................................... 43 Tabel 3.2 Data Bobot ……………………………………………………….. 43 Tabel 3.3 Data Latih ………………………………………………………... 44
Universita Sumatera Utara

ABSTRAK
Tanda tangan adalah sebuah bentuk khusus dari tulisan tangan yang mengandung karakter khusus dan bentuk-bentuk tambahan yang sering digunakan sebagai bukti verifikasi identitas seseorang. Sebagian tanda tangan dapat dibaca, namun banyak pula tanda tangan yang tidak dapat dibaca. Kendati demikian, sebuah tanda tangan dapat ditangani sebagai sebuah citra sehingga dapat dikenali dengan menggunakan aplikasi pengenalan pola pada pengolahan citra. Karena tanda tangan merupakan mekanisme primer untuk authentication dan authorization dalam transaksi legal, maka kebutuhan akan penelitian pada pengembangan aplikasi pengenalan dan verifikasi tanda tangan secara otomatis dan efisien meningkat dari tahun ke tahun. Metode yang banyak digunakan dalam pengenalan tanda tangan adalah metode jaringan syaraf tiruan. Pada jaringan syaraf tiruan terdapat proses pembelajaran serta pengenalan. Salah satu algoritma jaringan syaraf tiruan adalah Learning Vector Quantization (LVQ) dan Self Organizing Kohonen. Proses-proses yang terjadi pada metode jaringan syaraf tiruan memerlukan waktu yang relatif lama. Hal ini dipengaruhi banyaknya sampel data yang digunakan sebagai alat update bobot yang dilatih. Semakin banyak dan besar ukuran dari pola yang dilatih, semakin lama pula waktu yang dibutuhkan jaringan. LVQ adalah suatu metode pelatihan pada lapisan kompetitif terawasi yang akan belajar secara otomatis untuk mengklasifikasikan vektor-vektor input kedalam kelaskelas tertentu. Kelas-kelas yang dihasilkan tergantung pada jarak antara vektor-vektor input. Jika ada 2 vektor input yang hampir sama maka lapisan kompetitif akan mengklasifikasikan kedua vektor input tersebut ke dalam kelas yang sama. Jaringan Self Organizing Kohonen merupakan salah satu model jaringan syaraf tiruan yang menggunakan metode pembelajaran tanpa supervisi atau tak terbimbing yang menyerupai model jaringan syaraf manusia. Untuk mempercepat proses komputansi pada training dan recognition maka dibangun sebuah algoritma kombinasi antara LVQ dengan Self Organizing Kohonen dengan memodifikasi pemberian bobot sehingga diperoleh waktu yang lebih singkat dalam proses training serta recognition.
Kata Kunci: Tanda Tangan, Learning Vector Quantization (LVQ), Self Organizing Kohonen.

COMBINATION ALGORITHM OF NEURAL NETWORK LEARNING VECTOR QUANTIZATION (LVQ) AND KOHONEN SELF ORGANIZING ON THE SPEED OF THE SIGNATURE PATTERN RECOGNITION
ABSTRACT
Signature is a special form of handwriting that contain special characters and additional forms are often used as proof of a person's identity verification. Partially legible signature, but many signatures that can not be read. However, a signature can be handled as an image so that it can be recognized using pattern recognition applications in image processing. Because the signature is the primary mechanism for authentication and authorization in legal transactions, the need for research on the development of recognition applications and automatic signature verification and efficiently increases from year to year. The method is widely used in signature recognition is a method of artificial neural network. On artificial neural networks are learning and recognition. One neural network algorithm is Learning Vector Quantization ( LVQ ) and Self Organizing Kohonen. Processes that occur in the neural network method requires a relatively long time. It is influenced by the number of data samples are used as a means of weight training update. The more and the large size of the pattern being trained, the longer the time it takes the network. LVQ is a method of training the unsupervised competitive layer will automatically learn to classify input vectors into certain classes. The classes are generated depends on the distance between the input vectors. If there are 2 input vectors are nearly as competitive layer will then classify both the input vectors into the same class. Kohonen Self Organizing Network is one of the neural network model which uses learning methods or unguided unsupervised neural network model that resembles humans. To speed up the computing process in the training and recognition is then developed an algorithm and a combination of LVQ and Self Organizing Kohonen by modifying the weight given to obtain a shorter time in the process of training and recognition.
Keywords : Signature, Learning Vector Quantization ( LVQ ), Self Organizing Kohonen.

BAB 1
PENDAHULUAN
1.1 Latar Belakang Jaringan Syaraf Tiruan (JST) adalah sebuah alat pemodelan data statistik non-linier. JST dapat digunakan untuk memodelkan hubungan yang kompleks antara input dan output untuk menemukan pola-pola pada data. Jaringan Syaraf Tiruan merupakan salah satu sistem pemrosesan informasi yang didesain dengan menirukan cara kerja otak manusia dalam menyelesaikan suatu masalah dengan melakukan proses pembelajaran melalui perubahan bobot sinapsisnya. Sebuah JST dikonfigurasikan untuk aplikasi tertentu seperti pengenalan pola atau klasifikasi data, melalui proses pembelajaran. Pada proses pembelajaran, kedalam jaringan saraf tiruan dimasukkan pola-pola input atau output lalu jaringan akan diajari untuk memberikan jawaban yang bisa diterima.
Pada penelitian Prabowo dengan judul Perbandingan Antara Metode Kohonen Neural Network dengan Metode Learning Vector Quantization pada Pengenalan Pola Tandatangan memberikan hasil bahwa dengan menggunakan pola-pola yang sudah disediakan, metode LVQ lebih akurat dalam mengklasifikasikan tanda tangan dengan rata-rata keberhasilan sebesar 93.80 % dibanding dengan metode Kohonen (89.59%). Hal ini disebabkan proses update faktor pembobot metode LVQ yang menggunakan banyak pola untuk proses pelatihan dibandingkan metode Kohonen yang bobot awalnya diambil secara acak dan di-update hingga dapat mengklasifikasikan diri sejumlah kelas yang diinginkan (Prabowo, 2006).
Proses pembelajaran menggunakan metode LVQ memerlukan waktu yang relatif lebih lama daripada metode Kohonen. Hal ini dipengaruhi banyaknya sampel pola yang digunakan sebagai alat update bobot yang dilatih. Semakin banyak dan besar ukuran dari pola yang dilatih, semakin lama pula waktu yang dibutuhkan metode LVQ untuk proses pelatihan.
Dari hasil perbandingan diatas didapat bahwa metode Kohonen dapat melakukan proses pembelajaran lebih cepat untuk mengklasifikasikan tandatangan dibanding metode LVQ meskipun dari faktor keberhasilan dalam mengklasifikasikan pola, metode LVQ lebih unggul dari metode Kohonen.
Universita Sumatera Utara

JST terdiri dari beberapa metode yaitu metode Hebb Rule, Perceptron, Delta Rule, Backpropagation, Heteroassociative Memory (BAM), Learning Vector Quantization serta Self Organizing Kohonen. Jaringan syaraf yang digunakan oleh penulis adalah jaringan syaraf tiruan dengan metode Learning Vector Quantization (LVQ) dan metode Backpropagation. Disini penulis ingin mengkombinasikan kedua metode di atas untuk mempercepat proses pengenalan tanda tangan.
LVQ adalah suatu metode pelatihan pada lapisan kompetitif terawasi yang akan belajar secara otomatis untuk mengklasifikasikan vektor-vektor input kedalam kelaskelas tertentu. Kelas-kelas yang dihasilkan tergantung pada jarak antara vektor-vektor input. Jika ada 2 vektor input yang hampir sama maka lapisan kompetitif akan mengklasifikasikan kedua vektor input tersebut ke dalam kelas yang sama.
Jaringan Self Organizing Kohonen merupakan salah satu model jaringan syaraf tiruan yang menggunakan metode pembelajaran tanpa supervisi atau tak terbimbing (unsupervised learning) yang menyerupai model jaringan syaraf manusia. Sifat antropometric tersebut ditunjukkan dengan kemampuan menerima masukan dan reaksinya yang lazim dimiliki manusia (Valenturf, 1995). Keunggulan lain dari algoritma Self Organizing Kohonen adalah mampu untuk memetakan data berdimensi tinggi kedalam bentuk peta berdimensi rendah. Proses pemetaan terjadi apabila sebuah pola berdimensi bebas diproyeksikan dari ruang masukan ke posisi pada array berdimensi satu atau dua.
Tanda tangan adalah sebuah bentuk khusus dari tulisan tangan yang mengandung karakter khusus dan bentuk-bentuk tambahan yang sering digunakan sebagai bukti verifikasi identitas seseorang. Sebagian tanda tangan dapat dibaca, namun banyak pula tanda tangan yang tidak dapat dibaca (unreadable). Kendati demikian, sebuah tanda tangan dapat ditangani sebagai sebuah citra sehingga dapat dikenali dengan menggunakan aplikasi pengenalan pola pada pengolahan citra (Qur’ani, 2010).
Karena tanda tangan merupakan mekanisme primer untuk authentication dan authorization dalam transaksi legal, kebutuhan akan penelitian pada pengembangan aplikasi pengenalan dan verifikasi tanda tangan yang otomatis dan efisien meningkat pada tahun-tahun terakhir ini (Qur’ani, 2010).
Pengenalan dan verifikasi tanda tangan meliputi dua bagian yang berbeda tetapi berkaitan erat satu sama lain. Yang pertama adalah identifikasi dari pemilik tanda tangan, sedangkan yang kedua adalah keputusan apakah tanda tangan tersebut asli
Universita Sumatera Utara

atau dipalsukan. Selain itu, bergantung pada kebutuhannya, pengenalan tanda tangan dibagi menjadi dua kelas yang berbeda yaitu pengenalan dan verifikasi tanda tangan online dan offline. Pada pengenalan secara on line, dibutuhkan beberapa alat bantu khusus yang digunakan untuk mengukur kecepatan dan tekanan tangan ketika membuat tanda tangan. Dilain pihak, hampir semua sistem pengenalan tanda tangan offline bergantung pada teknik pengolahan citra dan feature extraction (Qur’ani, 2010).
Dengan melihat penelitian Prabowo diatas, maka penulis berniat melakukan melakukan kombinasi dari kedua algoritma dengan mengambil kelebihan dari masingmasing algoritma diatas dan memberi judul tesis ini dengan Kombinasi Algoritma Jaringan Syaraf Tiruan Learning Vector Quantization (LVQ) dengan Self Organizing Kohonen pada Kecepatan Pengenalan Pola Tanda Tangan.
1.2 Rumusan Masalah Berdasarkan latar belakang, maka yang menjadi rumusan masalah pada penelitian ini adalah: Bagaimana peningkatan kecepatan proses pengenalan pola tanda tangan dengan mengkombinasikan algoritma Learning Vector Quantizatin dan Self Organizing Kohonen.
1.3 Tujuan Penelitian Penelitian ini bertujuan untuk mengkombinasikan algoritma Learning Vector Quantization dan Self Organizing Kohonen untuk mempercepat pengenalan pola tanda tangan.
1.4 Batasan Masalah Adapun batasan masalah pada tesis ini adalah:
a. Input data pelatihan dan pengujian berupa file citra tanda tangan hasil scan yang berformat *.BMP.
Universita Sumatera Utara

b. Proses kecepatan pengenalan pola tandatangan dilakukan dengan mengkombinasi algoritma Learning Vector Quantization dengan Self Organizing Kohonen.
1.5 Metodologi Penelitian Metode penelitian dalam penyusunan tugas ini dibagi menjadi dua tahap yaitu, tahap pengumpulan data serta pembangunan perangkat lunak. 1.5.1 Tahap Pengumpulan Data Teknik pengumpulan yang dilakukan adalah study pustaka atau study literatur. Pengumpulan data dengan cara mengumpulkan literatur, jurnal, paper dan bacaanbacaan yang ada kaitannya dengan judul penelitian. 1.5.2 Tahap Pembangunan Perangkat Lunak Pada tahap ini dilakukan penulisan program yang sesuai dengan algoritma yang sudah dirancang serta dilakukan pengujian program agar sesuai dengan yang diharapkan.
Universita Sumatera Utara

BAB 2 LANDASAN TEORI

2.1 Citra Digital
Citra merupakan fungsi kontinyu dari intensitas cahaya pada bidang dua dimensi. Intensitas cahaya merupakan hasil kali antara jumlah pancaran (illuminasi) cahaya yang diterima objek dengan derajat kemampuan obyek memantulkan cahaya. Citra digital umumnya direpresentasikan dalam bentuk matriks 2 dimensi dengan ukuran NxM. Elemen terkecil dalam citra digital (elemen matriks) disebut pixel. Setiap nilai pixel pada citra merepresentasikan nilai intensitas cahaya (Budi, 2009). Nilai fungsi intensitas f(x,y) memiliki rentang nilai yang disebut skala keabuan, yaitu:

l min < f(x,y) < l max atau 0 f(x,y) L-1 ............................................................ (1)

Dimana:

f(x,y)

: nilai intensitas pada posisi x,y.

l max = L : nilai max intensitas (skala keabuan)

l min

: nilai min intensitas

Suatu citra dapat didefinisikan sebagai fungsi f(x,y), berukuran M baris dan N kolom, dengan x dan y adalah koordinat spasial dan amplitudo f di titik kordinat f(x,y) dinamakan intensitas atau tingkat keabuan dari citra pada titik tersebut. Apabila nilai x, y dan nilai amplitudo f secara keseluruhan berhingga (finite) dan nilai bernilai diskrit maka dapat dikatakan bahwa citra tersebut adalah citra digital (Putra, 2010).

Universita Sumatera Utara

Kordinat citra digital dapat dilihat pada Gambar 2.1.
Gambar 2.1 Kordinat Citra Digital Sebuah citra digital dapat diwakili oleh sebuah matriks dua dimensi f(x,y) yang terdiri dari M kolom dan N baris, dimana perpotongan antara kolom dan baris disebut piksel (pixel = picture element) atau elemen terkecil dari sebuah citra. Citra digital dapat ditulis dalam bentuk matrik sebagai berikut (Kusumanto,, 2011).
………......... (2) Suatu citra ƒ(x,y) dalam fungsi matematis dapat dituliskan sebagai berikut: 0 x M-1 0 y N-1 0 ƒ(x,y) G-1 dimana : M = jumlah piksel baris (row) pada array citra N = jumlah piksel kolom (column) pada array citra
Universita Sumatera Utara

G = nilai skala keabuan (graylevel) Besarnya nilai M, N dan G pada umumnya merupakan perpangkatan dari dua. M = 2m ; N = 2n; G = 2k ....................................................................................... (3) Dimana: Nilai m, n dan k adalah bilangan bulat positif. Interval (0,G) disebut skala keabuan (grayscale). Besar G tergantung pada proses digitalisasinya. Biasanya keabuan 0 (nol) menyatakan intensitas hitam dan 1 (satu) menyatakan intensitas putih. Untuk citra 8 bit, nilai G sama dengan 28 = 256 warna (derajat keabuan).
Gambar 2.2 Representasi Citra Digital Dalam 2 Dimensi (Kusumanto, 2011) Jenis citra berdasarkan nilai pikselnya adalah sebagai berikut (Putra, 2010): 1. Citra Biner Citra biner adalah citra digital yang hanya memiliki dua kemungkinan nilai piksel yaitu hitam dan putih. Citra biner juga disebut sebagai citra black and white (B&W) atau citra monokrom. Hanya dibutuhkan 1 bit untuk mewakili nilai setiap piksel dari citra biner. Citra biner sering kali muncul sebagai hasil dari proses pengolahan seperti segmentasi, pengambangan, morfologi ataupun dithering.
Universita Sumatera Utara

Gambar 2.3 Citra Biner (Putra, 2010) 2. Citra Grayscale Citra grayscale merupakan citra digital yang hanya memiliki satu nilai kanal pada setiap pikselnya, dengan kata lain nilai bagian RED=Green=Blue. Nilai tersebut digunakan untuk menunjukkan tingkat intensitas. Warna yang dimiliki adalah warna dari hitam, keabuan dan putih. Tingkatan keabuan disini merupakan warna abu dengan berbagai tingkatan dari hitam hingga mendekati putih. Citra grayscale berikut memiliki kedalaman warna 8 bit (256 kombinasi warna keabuan).
Gambar 2.4 Citra Keabuan (Putra, 2010) 3. Citra Warna (8 bit) Setiap piksel dari citra warna (8 bit) hanya diwakili oleh 8 bit dengan jumlah warna maksimum yang dapat digunakan adalah 256 warna. Ada dua jenis citra warna 8 bit. Pertama, citra warna 8 bit dengan menggunakan palet warna 256 dengan setiap paletnya memiliki pemetaan nilai (colormap) RGB tertentu. Model ini lebih sering digunakan. Kedua, setiap pixel memiliki format 8 bit sebagai berikut.
Bit-7 Bit-6 Bit-5 Bit-4 Bit-3 Bit-2 Bit-1 Bit-0 RRRGGGB B
Bentuk kedua ini dinamakan 8 bit true color. Berikut ini adalah warna-warnanya.
Universita Sumatera Utara

Gambar 2.5 8 bit true color
Gambar 2.6 Citra Warna 8 bit (Putra, 2010) 4. Citra Warna (16 bit) Citra warna 16 bit (biasanya disebut sebagai citra highcolor) dengan setiap pikselnya diwakili dengan 2 byte memory (16 bit). Warna 16 bit memiliki 65536 warna.
Gambar 2.7 Citra Warna 16 bit (Putra, 2010) 5. Citra Warna (24 bit)
Gambar 2.8 Citra Warna 24 bit (Putra, 2010)
Universita Sumatera Utara

2.2 Pengolahan Data Citra Data yang digunakan dalam penelitian ini adalah sekumpulan citra untuk pembelajaran (learning data set) dan sekumpulan citra untuk pengujian (testing data set) yang diperoleh dari hasil scanning tanda tangan. Citra tanda tangan yang digunakan berukuran 340 x 272 pixel. Citra tersebut mengalami proses konversi ke gray scaling jika merupakan citra true color, selanjutnya citra akan dikenai proses deteksi tepi berbasis gradien dengan operator Roberts, yang dilanjutkan dengan proses operasi negasi. Citra analisis merupakan citra grayscale dengan skala 8 bit yang memiliki intensitas warna berkisar antara 0 sebagai nilai minimum sampai 255 yang merupakan nilai maksimum. Citra analisis kemudian dikonversi ke dalam barisan bilangan biner sepanjang 340 x 272 untuk masing-masing citra. Untuk setiap pixel dengan nilai intensitas warna 237 diberi nilai 1, sedangkan untuk nilai intensitas warna > 237 diberi nilai 0, sehingga akan diperoleh barisan nilai yang terdiri dari 0 dan 1 sepanjang 92480 elemen. Kemudian dilakukan proses pembagian region (wilayah) sehingga menghasilkan 10 x 8 region yang berisi penjumlahan nilai pixel dalam region yang masing-masingnya berukuran 34x34 pixel.
Gambar 2.9 Pembagian region dari m x n (340x272) pixel menjadi p x q (10x8)
Universita Sumatera Utara

2.3 Edge Detection Method Edge detection atau deteksi tepi digunakan untuk melihat apakah suatu edge atau tepi melewati atau berada di dekat suatu titik (pixel) dalam sebuah citra (Sigit,dkk.,2005). Tepi adalah batas antara dua daerah dengan sifat tingkat keabuan yang relatif berbeda. Tujuan dari deteksi tepi adalah menandai bagian yang menjadi detil citra, dan memperbaiki detil citra yang kabur karena error atau efek proses akuisisi citra (Sigit, dkk.,2005). Batas suatu obyek semakin nampak bersamaan dengan ketidak kontinuitasan intensitas dalam suatu citra. Eksperimen pada sistem penglihatan manusia menunjukkan bahwa suatu citra sangat penting, bahkan suatu obyek dapat dikenali hanya dari garis bentuk kasarnya saja (croude outline). Kenyataan ini merupakan konsep prinsip untuk merepresentasikan suatu obyek melalui batasnya. Tepi lokal (local edge) adalah daerah kecil dalam suatu citra yang tingkat keabuan lokalnya berubah dengan sangat cepat dengan cara yang sederhana (misalnya monotonik). Operator tepi (edge operator) adalah operator matematis (atau yang hasil komputasinya ekuivalen), yang dengan perluasan kecil, didesain untuk mendeteksi keberadaan tepi lokal dalam suatu fungsi citra (Low, 1991). Pada intinya, ide yang mendasari sebagian algoritma pendeteksian tepi adalah perhitungan suatu operator derivatif lokal. Dalam teknik deteksi tepi ini, diasumsikan bahwa tepi adalah pixel yang memiliki nilai gradien tinggi. Gradien itu sendiri adalah ukuran besarnya perubahan intensitas yang terjadi.
Pada citra digital f(x,y) turunan berarah sepanjang sekian obyek akan bernilai maksimum pada arah normal dari kontur tepian yang bersesuaian. Sifat ini dipergunakan sebagai dasar pemanfaatan operator gradien sebagai deteksi tepi. Gradien suatu citra f(x,y) pada lokasi x,y data didefinisikan sebagai vektor.
............................... (2.1)
Operator gradien menghitung intensitas perubahan tingkat keabuan dan arah dimana perubahan terjadi. Hal ini dihitung berdasarkan perbedaan nilai pixel-pixel yang
Universita Sumatera Utara

bertetangga. Operator Robert Cross adalah operator gradien yang sederhana berukuran 2 x 2. Operator ini menyediakan pendekatan paling sederhana dari magnitude gradien, yang dapat ditunjukkan dengan fungsi matematis berikut ini, yaitu:
............ (2.2)
Mask konvolusi untuk Operator Roberts adalah:
Gambar 2 menunjukkan algoritma deteksi tepi dengan operator Robert yang diikuti dengan proses negasi. Pengurangan 255 terhadap nilai hasil penjumlahan 2 konvolusi dari citra dimaksudkan untuk menegasikan, karena hasil konvolusi biasanya berada di sekitar nilai 0 (nilai kecil), sehingga jika ditampilkan, citra tepi kebanyakan berwarna gelap (hitam). 2.4 Jaringan Syaraf Biologi Otak manusia memiliki struktur yang sangat kompleks dan memiliki kemampuan yang luar biasa. Otak terdiri dari neuron-neuron dan penghubung yang disebut sinapsis. Neuron bekerja berdasarkan impuls/sinyal yang diberikan pada neuron. Neuron meneruskannya pada neuron lain. Diperkirakan manusia memiliki 1012 neuron dan 6x1018 sinapsis. Dengan jumlah yang begitu banyak, otak mampu mengenali pola, melakukan perhitungan, dan mengontrol organ-organ tubuh dengan kecepatan yang lebih tinggi dibandingkan komputer digital (Puspitaningrum, 2006). Sebagai perbandingan, pengenalan wajah seseorang yang sedikit berubah misal memakai topi, memiliki jenggot tambahan dan lainnya akan lebih cepat dilakukan manusia dibandingkan komputer. Pada waktu lahir, otak mempunyai struktur yang menakjubkan karena kemampuannya membentuk sendiri aturan-aturan/pola berdasarkan pengalaman yang diterima. Jumlah dan kemampuan neuron berkembang seiring dengan pertumbuhan fisik manusia, terutama pada umur 0-2 tahun. Pada 2 tahun pertama umur manusia, terbentuk 1 juta sinapsis per detiknya.
Universita Sumatera Utara

Gambar 2.10 Susunan Neuron Biologis [Puspitaningrum, 2006] Menurut Medsker dan Liebowitz dalam Septiani (2005) perbedaan terminologis antara jaringan syaraf biologis dan tiruan disajikan pada Tabel 2.1.
Tabel 2.1 Perbedaan Jaringan Syaraf Biologis dengan JST [Septiani, 2005]
Neuron memiliki 3 komponen penting yaitu dendrit, soma dan axon. Dendrit menerima sinyal dari neuron lain. Sinyal/tersebut berupa impuls elektrik yang dikirim melalui celah sinaptik melalui proses kimiawi. Sinyal tersebut dimodifikasi (diperkuat/diperlemah) di celah sinaptik. Berikutnya, soma menjumlahkan semua sinyal-sinyal yang masuk. Kalau jumlahan tersebut cukup kuat dan melebihi batas ambang (threshold), maka sinyal tersebut akan diteruskan ke sel lain melalui axon. Frekuensi penerusan sinyal berbeda-bedaantara satu sel dengan yang lain. Neuron biologi merupakan sistem yang "fault tolerant" dalam 2 hal. Pertama, manusia dapat mengenali sinyal input yang agak berbeda dari yang pernah kita terima sebelumnya. Sebagai contoh, manusia sering dapat mengenali seseorang yang wajahnya pernah dilihat dari foto, atau dapat mengenali seseorang yang wajahnya agak berbeda karena sudah lama tidak dijumpainya. Kedua, otak manusia tetap mampu bekerja meskipun beberapa neuronnya tidak mampu bekerja dengan baik. Jika sebuah neuron rusak,
Universita Sumatera Utara

neuron lain kadang-kadang dapat dilatih untuk menggantikan fungsi sel yang rusak tersebut.
2.5 Jaringan Syaraf Tiruan (Neural Network (NN))
Jaringan Syaraf Tiruan (JST) adalah suatu metode pembelajaran yang diinspirasi dari jaringan sistem pembelajaran biologis yang terjadi dari jaringan sel syaraf (neuron) yang terhubung satu dengan yang lainnya (Silvia, 2007).
Berikut adalah beberapa definisi JST : a. JST adalah suatu teknik pemrosesan informasi berbasis komputer yang
mensimulasikan dan memodelkan sistem syaraf biologis. b. Suatu model matematik yang mengandung sejumlah besar elemen pemroses
yang diorganisasikan dalam lapisan-lapisan. c. Suatu sistem komputasi yang dibuat dari sejumlah elemen pemroses yang
sederhana dan saling diinterkoneksikan untuk memproses informasi melalui masukan dari luar dan mampu inresponsi keadaan yang dinamis. d. JST adalah suatu teknologi komputasi yang berbasis hanya pada model syaraf biologis dan mencoba mensimulasikan tingkah laku dan kerja model syaraf. e. JST adalah sistem pemroses informasi yang memiliki karakteristik mirip dengan jaringan syaraf biologi. JST dibentuk sebagai generalisasi model matematika dari jaringan syaraf biologi, dengan asumsi bahwa : 1. Pemrosesan informasi terjadi pada banyak elemen sederhana (neuron). 2. Sinyal dikirirnkan diantara neuron-neuron melalui penghubung-penghubung. 3. Penghubung antar neuron memiliki bobot yang akan memperkuat atau memperlemah sinyal. 4. Untuk menentukan output, setiap neuron menggunakan fungsi aktivasi (biasanyabukan fungsi linier) yang dikenakan pada jumlahan input yang diterima. Besarnya output ini selanjutnya dibandingkan dengan suatu batas ambang. 2.5.1 Arsitektur Jaringan Syaraf Ada beberapa arsitektur jaringan syaraf (Silvia, 2007), antara lain: a. Jaringan dengan Lapisan Tunggal (Single Layer Network)
Universita Sumatera Utara

Pada jaringan ini, sekumpulan masukan neuron dihubungkan langsung dengan sekumpulan keluarannya. Sinyal mengalir searah dari layar (lapisan) masukan sampai layar (lapisan) keluaran. Setiap simpul dihubungkan dengan simpul lainnya yang berada diatasnya dan dibawahnya, tetapi tidak dengan simpul yang berada pada lapisan yang sama. Model yang masuk kategori ini antara lain : ADALINE, Hopfield, Perceptron, LVQ, dan lain-lain. Pada gambar berikut diperlihatkan arsitektur jaringan layar tunggal dengan n buah masukan (x1, x2,..., xn) dan m buah keluaran (y1, y2,..., ym)
Gambar 2.11 Jaringan Syaraf Tiruan dengan Lapisan Tunggal [Puspitorini, 2008] b. Jaringan dengan Banyak Lapisan (Multiple Layer Network)
Jaringan dengan banyak lapisan memiliki 1 atau lebih lapisan yang terletak diantara lapisan input dan lapisan output. Seperti terlihat gambar dibawah ada lapisan lapisan yang terletak diantara 2 lapisan yang bersebelahan. Jaringan dengan banyak lapisan ini dapat menyelesaikan permasalahan lebih sulit dari pada jaringan lapisan tunggal, tentu saja dengan pembelajaran yang lebih rumit. Namun demikian, pada banyak kasus, pembelajaran pada jaringan dengan banyak lapisan ini lebih sukses dalam menyelesaikan masalah. Model yang termasuk kategori ini antara lain : MADALINE, backpropagation. Pada Gambar 2.3 diperlihatkan jaringan dengan n buah unit masukan (x1, x2,..., xn), sebuah layar tersembunyi yang terdiri dari m buah unit (z1,z2,...,zm) dan 1 buah unit keluaran.
Universita Sumatera Utara

Gambar 2.12 Jaringan Syaraf Tiruan dengan Banyak Lapisan [Puspitorini, 2008]
c. Jaringan Reccurent Model jaringan reccurent (reccurent network) mirip dengan jaringan layar tunggal ataupun jamak. Hanya saja, ada simpul keluaran yanng memberikan sinyal pada unit masukan (sering disebut feedback loop). Dengan kata lain sinyal mengalir dua arah, yaitu maju dan mundur. Contoh : Hopfield network, Jordan network, Elmal network.
2.5.2 Keuntungan Menggunakan Komputasi dengan JST Kemampuan dan proses komputasi pada JST memberikan keuntungan-keuntungan sebagai berikut :
1. JST bersifat adaptif terhadap perubahan parameter yang mempengaruhi karakteristik sistem, sehingga pada proses belajar, JST mampu belajar secara adaptif dan melaksanakan tugas berbasis pada data yang diberikan saat pelatihan.
2. JST memiliki kekebalan atau toleran terhadap kesalahan. Artinya, JST tetap berfungsi walaupun ada ketidak-lengkapan data yang dimasukkan. JST mempunyai kemampuan mengisi bagian masukan yangkurang lengkap sedemikian rupa sehingga tetap diperoleh keluaran yang lengkap.
3. JST dapat dilatih memberikan keputusan dengan memberikan set pelatihan sebelumnya untuk mencapai target tertentu, sehingga JST mampu membangun dan memberikan jawaban sesuai dengan informasi yang diterima pada proses pelatihan.
4. JST mempunyai struktur paralel dan terdistribusi. Artinya, komputasi dapat dilakukan oleh lebih dari satu elemen pemroses yang bekerja secara simultan.
Universita Sumatera Utara

5. JST mampu mengklasiflkasi pola masukan dan pola keluaran. Melalui proses penyesuaian, pola keluaran dihubungkan dengan masukan yang diberikan oleh JST.
6. JST mengurangi derau, sehingga dihasilkan keluaran yang lebih bersih. 7. JST dapat dimanfaatkan pada proses optimisasi penyelesaian suatu masalah. 8. JST dapat digunakan pada proses pengendalian sistem agar masukan
memperoleh tanggapan yang diinginkan. 2.5.3 Algoritma Umum Jaringan Syaraf Tiruan Algoritma pembelajaran/pelatihan jaringan syaraf tiruan adalah sebagai berikut: Dimasukkan n contoh pelatihan ke dalam jaringan saraf tiruan. Lakukan :
1. Inisialisasi bobot-bobot jaringan. Set i = 1. 2. Masukkan contoh ke-i (dari sekumpulan contoh pembelajaran yang terdapat
dalam set pelatihan) ke dalam jaringan pada lapisan input. 3. Cari tingkat aktivasi unit-unit output menggunakan algoritma aplikasi.
If kinerja jaringan memenuhi standar yang ditentukan sebelumnya (memenuhi syarat berhenti) then exit.
4. Update bobot-bobot dengan menggunakan aturan pembelajaran jaringan. If i=n, then reset i = 1. Else i = i - 1. Ke langkah 2.
Algoritma aplikasi/inferensi jaringan saraf tiruan : Dimasukkan sebuah contoh pelatihan ke dalam jaringan saraf tiruan. Lakukan:
1. Masukkan kasus ke dalam jaringan pada lapisan input. 2. Hitung tingkat aktivasi node-node jaringan. 3. Untuk jaringan koneksi umpan maju, jika tingkat aktivasi dari semua unit
output-nya telah dikalkulasi, maka exit. Untuk jaringan koneksi balik, jika tingkat aktivasi dari semua unit output menjadi konstan atau mendekati konstan, maka exit. J jika tidak, kembali ke langkah 2. Jika jaringannya tidak stabil, maka exit dan fail. 2.5.4 Fungsi aktivasi
Universita Sumatera Utara

Ada beberapa fungsi aktivasi yang sering digunakan dalam jaringan saraf tiruan, antara lain (Puspitorini, 2008): a. Fungsi Undak Biner Hard Limit
Jaringan dengan lapisan tunggal sering menggunakan fungsi undak (step function) untuk mengkonversikan input dari suatu variabel yang bernilai kontinu ke suatu output biner (0 atau 1). Fungsi undak biner hard limit dirumuskan sebagai berikut:
y=
Gambar 2.13 Fungsi aktivasi: Undak Biner Hard Limit [Puspitorini, 2008] b. Fungsi Undak Biner Threshold
Fungsi undak biner dengan menggunakan nilai ambang sering juga disebut dengan nama fungsi nilai ambang (threshold) atau fungsi Heaviside. Fungsi undak biner (dengan nilai ambang ) dirumuskan sebagai berikut:
y=
Sumber: Puspitorini, 2008 Gambar 2.14 Fungsi aktivasi: Undak Biner Threshold [Puspitorini, 2008]
2.6 Sejarah Jaringan Syaraf Tiruan Jaringan syaraf tiruan sederhana pertama kali diperkenalkan oleh McCulloch dan Pitts di tahun 1943. McCulloch dan Pitts menyimpulkan bahwa kombinasi beberapa neuron sederhana menjadi sebuah sistem neural akan meningkatkan kemampuan komputasinya. Bobot dalam jaringan yang diusulkan oleh McCulloch dan Pitts diatur untuk melakukan fungsi logika sederhana. Fungsi aktivasi yang dipakai adalah fungsi threshold. Tahun 1958, Rosenblatt memperkenalkan dan mulai mengembangkan
Universita Sumatera Utara

model jaringan yang disebut Perceptron. Metode pelatihan diperkenalkan untuk mengoptimalkan hasil iterasinya.
Widrow dan Hoff (1960) mengembangkan perceptron dengan memperkenalkan aturan pelatihan jaringan, yang dikenal sebagai aturan delta (atau sering disebut kuadrat rata-rata terkecil). Aturan ini akan mengubah bobot perceptron apabila keluaran yang dihasilkan tidak sesuai dengan target yang diinginkan. Apa yang dilakukan peneliti terdahulu hanya menggunakan jaringan dengan layer tunggal (single layer). Rumelhart (1986) mengembangkan perceptron menjadi Backpropagation, yang memungkinkan jaringan diproses melalui beberapa layer.
Selain itu, beberapa model jaringan syaraf tiruan lain juga dikembangkan oleh Kohonen (1972), Hopfield (1982) dan lainnya. Pengembangan yang ramai dibicarakan sejak tahun 1990an adalah aplikasi model-model jaringan syaraf tiruan untuk menyelesaikan berbagai masalah di dunia nyata. Jaringan Syaraf Tiruan ditentukan oleh tiga hal :
1. Pola hubungan antar neuron (disebut arsitektur jaringan) 2. Metode untuk menentukan bobot penghubung (disebut metode
learning/training). 3. Fungsi aktivasi
2.7 Paradigma Pembelajaran
Berdasarkan cara memodifikasi bobotnya, ada 2 macam pelatihan yang dikenal yaitu dengan supervisi (supervised) dan tanpa supervisi (unsupervised). Dalam pelatihan dengan supervisi, terdapat sejumlah pasangan data (masukan-target keluaran) yang dipakai untuk melatih jaringa