16
2.3.1. Supervised Learning
Sistem pembelajaran pada metoda Supervised Learning adalah sistem pembelajaran yang mana, setiap pengetahuan yang akan diberikan kepada sistem, pada awalnya
diberikan suatu acuan untuk memetakan suatu masukan menjadi suatu keluaran yang diinginkan. Proses pembelajaran ini akan terus dilakukan selama kondisi kesalahan
atau kondisi yang diinginkan belum tercapai. Adapun setiap perolehan kesalahan akan dikalkulasikan untuk setiap pemrosesan hingga data atau nilai yang diinginkan telah
tercapai.
2.3.2. Unsupervised Learning
Sistem pembelajaran pada jaringan syaraf tiruan, yang mana sistem ini memberikan sepenuhnya pada hasil komputasi dari setiap pemrosesan, sehingga pada sistem ini
tidak membutuhkan adanya acuan awal agar perolehan nilai dapat dicapai. Meskipun secara mendasar, proses ini tetap mengkalkulasikan setiap langkah pada setiap
kesalahannya dengan mengkalkulasikan setiap nilai bobot yang didapat.
2.4. Model Jaringan Hopfield
Algoritma Artificial Neural Network Hopfield diperkenalkan pada tahun 1982 di California Institute of Technology. Dalam jaringan Hopfield semua neuron saling
berhubungan penuh. Neuron yang satu mengeluarkan output dan kemudian menjadi input bagi semua neuron lain. Proses ini terus berulang sampai output yang diinginkan
tercapai.
Model Diskrit jaringan Hopfield dalam bobot sinaptiknya menggunakan vektor biner dimensi n atau dapat dituliskan a{0,1}
n
. Model ini berisi n neural dan jaringan terdiri dari nn-1 interkoneksi dua jalur.
Zulkarnain Harun : Pengenalan Pola Angka Dengan Menggunakan Algoritma Hopfield, 2008. USU Repository © 2009
17 Model Jaringan Hopfield secara matematis dapat disajikan dalam matriks
simetris NxN dengan diagonal utamanya bernilai 0. Pemberian nilai 0 pada diagonal utama dimaksudkan agar setiap neuron tidak memberi input pada dirinya sendiri.
Dengan demikian jaringan Hopfield merupakan suatu jaringan dengan bobot simetrik, bahwa:
w
ij
= w
ji
dan
w
ii
= 0.
Perubahan data pada jaringan terjadi secara asinkron unit berubah satu persatu, tergantung pada sinyal yang diterima. Perubahan yang terjadi memiliki sebuah fungsi
yang berguna untuk melihat apakah sebuah jaringan sudah dalam kondisi stabil. Dalam hal ini Hopfield menggunakan fungsi Lyapunov. Jaringan dikatakan sudah
stabil jika terjadi konvergen pada aktivasi yang ada.
2.5.1. Input Masukan
Proses ini merupakan bagian dari sistem kerja secara keseluruhan, karena proses masukan digunakan untuk menunjang pada proses pembelajaran serta proses
pengujian. Pada proses ini, masukan berupa grafis berupa piksel yang di representasikan sebagai nilai logic atau bilangan biner 1 dan 0, atau dalam bentuk
bipolar menjadi 1 dan -1. Pola grafis kemudian diubah ke dalam bentuk matriks.
Zulkarnain Harun : Pengenalan Pola Angka Dengan Menggunakan Algoritma Hopfield, 2008. USU Repository © 2009
18 Contoh bidang yang sudah diisi dengan pola x
Gambar 6. Sekumpulan titik membentuk pola x pada bidang gambar
Dari bidang tersebut diperoleh bentuk matriks yang bersesuaian:
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 1 0 0 0 0 1 0 0 0 0 0 1 0 0 1 0 0 0
0 0 0 0 1 1 0 0 0 0 0 0 0 0 1 1 0 0 0 0
0 0 0 1 0 0 1 0 0 0 0 0 1 0 0 0 0 1 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
Zulkarnain Harun : Pengenalan Pola Angka Dengan Menggunakan Algoritma Hopfield, 2008. USU Repository © 2009
19 Dari matriks di atas kemudian diubah ke dalam bentuk bipolar sehingga diperoleh:
-1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1
-1 -1 1 -1 -1 -1 -1 1 -1 -1 -1 -1 -1 1 -1 -1 1 -1 -1 -1
-1 -1 -1 -1 1 1 -1 -1 -1 -1 -1 -1 -1 -1 1 1 -1 -1 -1 -1
-1 -1 -1 1 -1 -1 1 -1 -1 -1 -1 -1 1 -1 -1 -1 -1 1 -1 -1
-1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1
Matriks di atas kemudian diolah menjadi matriks bobot yang akan digunakan sebagai media penyimpan pola, sekaligus menandakan dimulainya proses pembelajaran.
2.5.2. Proses Pembelajaran
Kategori