23
adalah nilai kerapatan probabilitas kelas i terhadap masukan x
j
, yang merupakan salah satu anggota kelas tersebut.
Gunakan Algoritma 2.1 Algoritma pencarian kuadratis pada halaman 12 untuk operasi minimisasi fungsi g
ij
σ di atas. Langkah 6. Sambungkan
nilai σ
opt
yang didapat, ke setiap elemen pemroses yang terdapat pada lapis pola.
3.3.2.2 Implementasi komputasi
Implementasi komputasi jaringan syaraf tiruan adalah berupa langkah- langkah komputasi yang dilakukan jaringan bila menerima pola masukan.
Langkah-langkah ini dijelaskan dengan algoritma sebagai berikut.
Algoritma 3.2 Implementasi komputasi jaringan syaraf tiruan
Langkah O. Inisialisasi bobot
w dan faktor penyekala σ dari hasil pelatihan.
Langkah 1. Untuk setiap pola masukan yang akan diklasifikasi, kerjakan Langkah 2-4.
Langkah 2. Lapis pola:
Untuk setiap sampel j j=1 … n dari kelas i i = A … Z: hitung masukan jaringan dengan rumus jarak Minkowsky orde-1
yang ternormalisasi lihat persamaan 2.8:
m w
x D
m k
k ij
k ij
∑
=
− =
1 _
3.5 PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
24
dengan m adalah jumlah elemen vektor x atau w
ij
. Karena masukan jaringan dan bobotnya berupa bilangan biner,
maka komputasi
∑
=
−
m k
k ij
k
w x
1 _
dalam MATLAB dapat dilakukan lebih cepat, dengan menggunakan hal-hal sebagai berikut.
1. Tipe data 1 byte pada x
k
dan w
ij_k
, sebagai pengganti tipe data default 8 byte.
2. Operasi logika x
k
xor w
ij_k
, sebagai pengganti operasi aritmatika
k ij
k
w x
_
−
. 3.
Operasi pencarian banyaknya elemen tidak nol pada vektor hasil operasi x
k
xor w
ij_k
, sebagai pengganti operasi penjumlahan elemen vektor.
Hitung keluaran lapis ini dengan fungsi kernel Gaussian:
2
⎟⎟ ⎠
⎞ ⎜⎜
⎝ ⎛
−
=
σ
ij
D ij
e K
3.6 Langkah 3. Lapis
penjumlahan: hitung penjumlahan ternormalisasi untuk setiap kelas i i = A… Z.
n K
f
n j
ij i
∑
=
=
1
3.7 dengan n adalah jumlah sampel di setiap kelas.
Langkah 4. Lapis maksimum:
hitung keluaran
jaringan sebagai:
max
i
f y
= 3.8
25
3.3.3 Pelatihan dan pengujian jaringan syaraf tiruan
Pelatihan jaringan syaraf tiruan dilakukan dengan melatihkan pola huruf dalam bentuk vektor. Pola huruf ini terdiri atas huruf A hingga Z, dengan dua
macam jenis huruf, yaitu Roman dan Arial untuk setiap hurufnya, sebagaimana yang diperlihatkan pada Gambar 3.1.
Dengan adanya pelatihan, maka pada lapis pola akan terdapat sejumlah 52 elemen pemroses, yang terdiri atas 26 kelas elemen pemroses dengan 2 sampel
tiap kelasnya. Selain adanya pengkonstruksian elemen-elemen pemroses pada lapis pola, pelatihan juga akan memberikan nilai faktor penyekala, yang
merupakan salah satu variabel elemen pemroses pada lapis pola. Setelah pelatihan selesai, selanjutnya dilakukan pengujian pengenalan
jaringan. Untuk itu, jaringan dimasuki citra-citra huruf secara beruntun dari A hingga Z yang terdiri atas dua jenis huruf yaitu Roman dan Arial. Bila semua citra
huruf tersebut kemudian dapat dikenali, maka berarti jaringannya telah terlatih.
3.3.4 Implementasi keseluruhan sistem
Sistem pengenalan citra huruf berderau yang telah dirancang di atas, selanjutnya diimplementasikan dalam bentuk program MATLAB. Dalam
implementasi ini, terdapat dua macam basis implementasi program sebagai berikut.
1. Implementasi berbasiskan teks, yang bertujuan untuk memperlihatkan unjuk-
kerja sistem dalam hal tingkat pengenalan, serta lama waktu pelatihan dan pengujian.
