yang berkaitan sebagai ciri. Beberapa ekstraksi fitur mungkin perlu mengubah citra masukan sebagai citra biner, melakukan penipisan pola, dan sebagainya. Ekstraksi
fitur yang digunakan pada penelitian ini adalah Diagonal Based Feature Extraction.
2.2.3. Klasifikasi dan Segmentasi
Klasifikasi adalah proses mengelompokkan objek ke dalam kelas yang sesuai. Proses klasifikasi citra dilakukan dengan memasukkan setiap piksel citra tersebut ke dalam
suatu kategori objek yang sudah diketahui. Segmentasi adalah proses membagi suatu citra menjadi wilayah-wilayah yang
homogen berdasarkan kriteria keserupaan yang tertentu antara tingkat keabuan suatu piksel dengan tingkat keabuan piksel-piksel tetangganya.
2.2.4. Seleksi Ciri
Proses memilih ciri pada suatu objek agar diperoleh ciri yang optimum, yaitu ciri yang dapat digunakan untuk membedakan suatu objek dengan objek yang lainnya.
2.2.5. Latihan
Proses belajar membuat aturan klasifikasi sehingga jumlah kelas yang tumpang tindih dibuat sekecil mungkinSitorus, 2006.
2.3. Pengenalan Pola Asosiatif
Tujuan dari pengenalan pola ini adalah untuk mengasosiasikan vektor masukan yang diketahui dengan vektor keluaran yang diberikan. Masukan vektor yang mengalami
gangguan noiseRojas, 1996. Associative memory terdiri dari dua jenis pengenalan pola, yaitu:
a. Heteroassociative networks memetakan m masukan vektor x
1
,x
2
,…,x
m
dalam ruang n-dimensional ke m masukan vektor y
1
,y
2
,…,y
m
dalam ruang
Universitas Sumatera Utara
k-dimensional. Ini diperoleh dari algoritma pembelajaran, namun akan menjadi sangat sulit ketika jumlah m vector yang akan dipelajari terlalu
besarRojas, 1996. Contoh:
Pasangan pola biner x:y di mana |x| = 4 dan |y| = 2. Total bobot input ke
neuron output :
.....................................................................................................
2.2 Keterangan: j,k = 1,2,3...
Fungsi aktivasi:
Bobot dihitung dengan aturan Hebbian jumlah outer products semua pasangan training
...................................................................................
2.3 4 sampel training :
x
p
y
p
p=1 1 0 0 0 1, 0 p=2 1 1 0 0 1, 0
p=3 0 0 0 1 0, 1 p=4 0 0 1 1 0, 1
Perhitungan bobot:
Proses Recall: Recall dikatakan benar apabila Sy yang dihasilkan setelah diubah dengan
fungsi aktivasi, sama dengan target yang ditentukan dari awal. Contoh: x = 1 0 0 0
∑
=
k k
j k
j
w x
y
,
≤ =
1
j j
j
y if
y if
y S
∑
=
⋅ =
P p
p T
p
y x
W
1
[ ]
=
= ⋅
1 1
1
1 1
y x
T
[ ]
=
= ⋅
1 1
1 1
1
2 2
y x
T
[ ]
=
= ⋅
1 1
1
3 3
y x
T
[ ]
=
= ⋅
1 1
1 1
1
4 4
y x
T
=
+
+
+
= 2
1 1
2
1 1
1 1
1 1
W
[ ]
, 1
2 2
1 1
2 1
= =
= y
S y
Universitas Sumatera Utara
Recall Y
1
, Recall benar. x = 0 1 1 0 tidak memiliki kemiripan sama sekali dengan masukan
training yang ada
x = 0 1 0 0 memiliki kemiripan dengan i
1
dan i
2
Peng, 1995 b. Autoassociative networks adalah subset yang istimewa dari jaringan
hetero-associative, dimana setiap vektor diasosiasikan dengan vektor itu sendiri, misalnya: y
i
=x
i
untuk i = 1,…,m. Fungsi dari jaringan ini adalah untuk memperbaiki masukan vektor yang mengalami kerusakanRojas,
1996. Contoh:
Hampir sama dengan jaringan hetero-associative,kecuali x
p
=y
p
untuk semua p=1,…,P. Sebuah pola tunggal i = 1,1,1,-1 bobot dihitung dengan
aturan Hebbian – outer product.
Proses Recall:
Peng, 1995
[ ]
gagal Recall
sesuai, tidak
pola ,
1 1
1 1
2 1
1 2
1 1
= =
=
y S
y
[ ]
benar call
Y y
S y
_ Re
, recalls
, 1
1 2
1 1
2 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
x x
W
T
dikenali tidak
1 1
1 1
noisy more
1 1
1 1
2 2
2 2
1 1
info missing
1 1
1 1
2 2
2 2
1 1
1 1
pat. noisy
1 1
1 1
4 4
4 4
1 1
1 1
pat. training
→ =
⋅ −
− −
− →
− =
⋅ −
− →
− =
⋅ −
− −
→ −
= ⋅
−
W W
W W
Universitas Sumatera Utara
2.4. Citra
