X
1
X
n
X
i
Y
m
Y
j
Y
1
W
11
W
1m
W
1j
W
i1
W
ij
W
im
W
n1
W
nj
W
nm
Lapisan Output Lapisan Input
Net = x
1
w
1
+ x
2
w
2
+ x
3
w
3............................................................................................................
2.1
Keterangan: - Net = total semua perkalian nilai input dengan bobot
- x = input - w = bobot
Besarnya impuls yang diterima oleh Y mengikuti fungsi aktivasi y = fnet. Apabila nilai fungsi aktivasi cukup kuat, maka sinyal akan diteruskan. Nilai fungsi
aktivasi keluaran model jaringan juga dapat dipakai sebagai dasar untuk merubah bobotSiang, 2004.
2.1.1. Arsitektur Jaringan Saraf Tiruan
Jaringan saraf tiruan dibagi dalam 3 macam arsitektur,yaitu: a. Jaringan lapis tunggal
Jaringan yang memiliki arsitektur jenis ini hanya memiliki satu buah lapisan bobot terkoneksi. Jaringan lapisan-tunggal terdiri dari unit-unit masukan yang menerima
sinyal dari dunia luar, dan unit-unit keluaran dimana kita bisa membaca respons dari jaringan saraf tiruan tersebut. Pada Gambar 2.2. jelas terlihat bahwa unit masukan
sepenuhnya terkoneksi dengan unit keluaran, sedangkan unit masukan dengan masing- masing unit masukan tidak terkoneksi demikian juga di antara unit keluaran dengan
unit keluaran yang lain tidak terkoneksi.
Gambar 2.2. Jaringan Lapis Tunggal
b. Jaringan multi lapis
Universitas Sumatera Utara
A
1
A
i
A
A
j
- ∈
- ∈
- ∈
- ∈
- ∈
- ∈
X
1
X
n
X
i
Z
p
Z
j
Z
1
V
11
V
1p
V
1j
V
i1
V
ij
V
ip
V
n1
V
nj
V
np
Lapisan Output Lapisan Input
Y
m
Y
k
Y
1
W
11
W
1k
W
1m
W
j1
W
jk
W
jm
W
p1
W
pk
W
pm
Lapisan Tersembunyi
Merupakan jaringan dengan satu atau lebih lapisan tersembunyi hidden layer. Jaringan multi lapis ini memiliki kemampuan lebih dalam memecahkan masalah bila
dibandingkan dengan jaringan lapis tunggal, namun pelatihannya mungkin lebih rumit. Pada beberapa kasus, pelatihan pada jaringan ini lebih baik karena
memungkinkan bagi jaringan untuk memecahkan masalah yang tidak dapat diselesaikan jaringan berlapis tunggal karena jaringan tidak bisa dilatih untuk
menampilkan secara benar. Jaringan ini dapat dilihat pada Gambar 2.3.
Gambar 2.3. Jaringan Multi Lapis
c. Jaringan kompetitif Bentuk lapisan kompetitif merupakan jaringan saraf tiruan yang sangat besar.
Interkoneksi antarneuron pada lapisan ini tidak ditunjukkan pada arsitektur seperti jaringan yang lain. Pada jaringan ini sekumpulan neuron bersaing untuk mendapatkan
hak menjadi aktif atau sering pula disebut dengan prinsip winner takes all atau yang menanglah yang mengambil semua bagiannyaPuspitaningrum, 2006.
Gambar 2.4. Jaringan Kompetitif
2.1.2. Manfaat Jaringan Saraf Tiruan
Universitas Sumatera Utara
Jaringan saraf tiruan menawarkan kemampuan sebagai berikut:
1.
Nonlinearity. Sebuah neuron buatan bisa saja linier dan tidak linier. Jaringan saraf tiruan yang terdiri dari interkoneksi neuron yang nonlinier
yang membuat jaringan saraf itu nonlinier. Ketidaklinieran adalah sifat yang sangat penting secara khusus jika mekanisme fisik yang berperan
untuk membangkitkan sinyal input bersifat nonlinier.
2. Input-output mapping. Sebuah paradigma popular dari pembelajaran
disebut learning with a teacher belajar dengan guru atau supervised learning pembelajaran terbimbing yang melibatkan modifikasi bobot
sinapsis jaringan saraf tiruan dengan mengaplikasikan kumpulan sampel training. Setiap contoh terdiri dari sebuah input sinyal yang sangat unik
dan respon yang diinginkan. Jaringan direpresentasikan dengan sebuah contoh yang diambil secara acak, dan bobot sinapsis parameter bebas dari
jaringan, dimodifikasikan untuk meminimalisasi perbedaan antara hasil yang diinginkan dengan hasil yang sebenarnya yang dihasilkan oleh
jaringan dengan sinyal input sesuai dengan kriteria statistika. Pelatihan jaringan diulangi sampai mencapai kondisi dimana tidak ada perubahan
yang signifikan pada bobot sinapsis.
3. Adaptivity. Neural network memiliki kemampuan untuk menyesuaikan
bobot sinaptik mereka terhadap perubahan pada lingkungannya. Secara khusus, jaringan saraf dilatih untuk beroperasi pada lingkungan tertentu
terlebih dalam menghadapi perubahan kecil yang terjadi dalam kondisi lingkungan operasi. Arsitektur alami jaringan saraf untuk klasifikasi pola,
pemrosesan sinyal dan aplikasi kontrol, ditambah dengan kemampuan adaptif jaringan, membuatnya menjadi alat yang berguna dalam klasifikasi
pola adaptif, pengolahan kemampuan adaptif dan kontrol adaptif. Secara umum, dapat dikatakan bahwa semakin adaptif kita membuat sebuah
sistem memastikan bahwa sistem akan semakin stabil dan semakin kuat daya gunanya ketika sistem diperlukan untuk beroperasi di lingkungan
nonstasioner. Harus ditekankan, bagaimanapun adaptivitas tidak selalu menimbulkan kekuatan, sebaliknya dapat berlawanan. Misalnya, sistem
adaptif dengan konstanta waktu yang singkat cenderung untuk merespon gangguan palsu, menyebabkan drastis pada kinerja sistem.
Universitas Sumatera Utara
4. Evidential Response. Dalam konteks klasifikasi pola, jaringan saraf dapat
dirancang untuk memberikan informasi tidak hanya tentang pola yang khusus, tetapi juga kepercayaan confidence tentang keputusan yang
dibuat. Informasi yang terakhir ini dapat digunakan untuk menolak pola ambigu, dengan demikian meningkatkan kinerja klasifikasi jaringan.
5. Contextual Information. Pengetahuan direpresentasikan oleh struktur dan
aktivasi dari jaringan saraf. Setiap neuron dalam jaringan berpotensi dipengaruhi oleh aktivitas global semua neuron lain dalam jaringan.
Akibatnya, informasi kontekstual ditangani secara alami oleh jaringan saraf.
6. Fault Tolerance. Jaringan saraf yang diimplementasikan pada bentuk
hardware, memiliki potensi untuk bersifat fault tolerant toleran terhadap kesalahan, dalam arti bahwa kinerjanya menurun dalam kondisi operasi
buruk. Contohnya, jika neuron atau link penghubung rusak, pemanggilan pola yang tersimpan akan terganggu kualitasnya. Berhubungan denga sifat
distribusi informasi yang tersimpan dalam jaringan, kerusakan harus segera diperbaiki sebelum respon keseluruhan jaringan menurun secara drastis.
Pada prinsipnya, sebuah jaringan saraf menunjukkan penurunan dalam kinerjanya. Ada beberapa bukti empiris untuk komputasi yang kuat, tetapi
biasanya hal ini tidak terkendali. Untuk memastikan bahwa jaringan saraf toleran terhadap kesalahan, mungkin perlu untuk membuat pengukuran
kolektif dalam merancang algoritma yang digunakan untuk melatih jaringan.
7. VLSI Implementability. Sifat dasar dari jaringan saraf tiruan yang parallel
membuatnya berpotensi untuk mengkomputasikan tugas-tugas tertentu dengan cepat. Fitur yang sama ini membuat jaringan saraf tiruan tepat pada
implementasi penggunaan teknologi VLSI Very Large Scale Integrated. Salah satu manfaat dari VLSI adalah menyediakan sebuah cara untuk
mendapatkan sebuah tingkah laku yang kompleks dalam sebuah kebiasaan yang hirarki.
8. Uniformity of Analysis and Design. Pada dasarnya, jaringan saraf tiruan
dikenal sebagai pemroses informasi. Dikatakan demikian sama dengan notasi yang digunakan pada semua domain yang melibatkan aplikasi
Universitas Sumatera Utara
jaringan saraf tiruan. Fitur ini memanifestasikan dirinya dengan cara yang berbeda:
a. Neuron, antara satu dengan yang lain, merepresentasikan sebuah bahan yang sama terhadap semua jaringan saraf tiruan.
b. Keadaan yang sama ini membuat jaringan saraf tiruan mungkin untuk berbagi teori dan algoritma pembelajaran dalam aplikasi yang berbeda.
c. Jaringan modular dapat dibangun melalui integrasi tanpa hubungan pada modul-modul.
9. Neurobiological Analogy. Rancangan jaringan saraf tiruan dianalogikan
dengan otak manusia, yang merupakan bukti nyata bahwa toleransi terhadap kesalahan pada pemrosesan parallel tidak hanya mungkin tetapi
juga cepat dan kuatNainggolan, 2011.
2.2.Pengenalan Pola
Secara umum teknik pengenalan pola bertujuan untuk mengklasifikasikan dan mendeskripsikan pola atau objek kompleks melalui pengukuran sifat-sifat atau ciri-ciri
objek bersangkutan. Pola adalah entitas yang terdefinisi dan dapat diberi suatu identifikasi atau
nama, seperti gelombang suara, sidik jari, raut wajah, dan lain sebagainya. Suatu sistem pengenalan pola melakukan akuisisi data melalui sejumlah alat pengindera atau
sensor, mengatur bentuk representasi data, serta melakukan proses analisis dan klasifikasi data. Data bisa berbentuk gambar seperti pada klasifikasi sel darah putih
menggunakan citra makroskopis. Data juga dapat berbentuk berbentuk sinyal satu dimensi menurut perubahan waktu, misalnya untuk identifikasi seorang pembicara
berdasarkan suaranya, maka digunakan pola hasil transformasi gelombang suara dari orang tersebut.
Terdapat dua pendekatan utama pada pengenalan pola yaitu pendekatan geometrik atau statistik dan pendekatan struktural atau sintaktik. Kedua pendekatan
tesebut sebenarnya mempunyai tahapan yang analoginya dapat dinyatakan sebagai berikut. Kalau pada pendekatan statistik perbedaan antara objek dilakukan
berdasarkan ciri objek dan fungsi kerapatan pola, maka pada pendekatan sintaktik
Universitas Sumatera Utara
dilakukan melalui penentuan primitif yang dapat menggambarkan objek bersangkutan dan penyusunan tata bahasanya. Selanjutnya kalau pada pendekatan statistik proses
pengelompokan polanya dilakukan melalui proses estimasi dan klasifikasi, pada pendekatan sintaktik dilakukan melalui proses inferensi dan deskripsi. Secara intuitif,
pendekatan sintaktik lebih menarik, karena lebih dekat dengan strategi pengenalan yang dilakukan manusia. Akan tetapi dalam penetapannya lebih sulit dibandingkan
dengan pendekatan statistik, terutama dalam penentuan primitif serta penentuan hubungan strukturalnya diantara primitif. Di lain pihak pendekatan statistik dapat
lebih diterima karena menggunakan dasar-dasar yang lebih mapan, yaitu teori keputusan berdasarkan statistik. Model pengenalan pola dari pendekatan statistik
dapat dilihat pada Gambar 2.5.Murni, 1992
Gambar 2.5. Model pengenalan pola dengan pendekatan statistik
2.2.1. Proses Pra Pengolahan
Proses awal yang dilakukan untuk memperbaiki kualitas citra edge enhancement menggunakan teknik-teknik pengolahan citra.
2.2.2. Ekstraksi Fitur
