19
menjadi suatu vektor dengan 1024 elemen. Hal ini dilakukan karena komputasi data dalam bentuk vektor lebih cepat daripada komputasi data dalam bentuk
matriks bujursangkar. Vektor dengan 1024 elemen, merupakan informasi masukan bagi jaringan
syaraf tiruan. Dengan informasi ini, jaringan syaraf tiruan mengenali informasi huruf yang ada dalam vektor tersebut. Hasil pengenalan jaringan syaraf tiruan
berupa informasi nomor huruf dari 1 hingga 26, yang merupakan urutan nomor alfabet dari A hingga Z. Untuk mendapatkan keluaran sistem yang berupa citra,
selanjutnya dilakukan asosiasi citra terhadap keluaran dari jaringan syaraf tiruan.
3.3.2 Perancangan jaringan syaraf tiruan
Arsitektur jaringan syaraf yang dirancang, pada dasarnya bersumber pada jaringan syaraf probabilistis yang dikenalkan oleh Donald Specht. Akan tetapi,
dalam penelitian ini dilakukan modifikasi dalam fungsi kernelnya, untuk mendapatkan komputasi yang lebih cepat. Untuk lebih jelasnya, arsitektur
jaringan syaraf tiruan ini diperlihatkan dalam Gambar 3.3 sebagai berikut. PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
20
y
…
…
…
f
A
f
Z
ω
A1
ω
An
ω
Z1
w
A1 1
w
Zn 1024
… …
maks
ω
Zn
Lapis maksimum
Lapis penjumlahan
Lapis pola
σ x
1
x
2
x
1024
Gambar 3.3 Jaringan syaraf probabilistis.
Jaringan syaraf probabilistis pada Gambar 3.2 di atas, pada dasarnya mempunyai 3 lapis, yaitu lapis pola, lapis penjumlahan, dan lapis maksimum.
Berikut ini penjelasan untuk setiap lapis jaringan syaraf tiruan di atas. 1.
Lapis pola terdiri atas 26 kelas dari ω
A
hingga ω
Z
. Setiap kelas mempunyai sampel dari 1 hingga n. Oleh karena itu dalam lapis ini akan ada 26xn elemen
pemroses. Setiap elemen pemroses berfungsi untuk mencari besar nilai PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
21
kemiripan masukan terhadap sampel di setiap kelas, dengan menggunakan fungsi kernel yang telah ditentukan sebelumnya.
2. Lapis penjumlahan terdiri atas 26 elemen pemroses. Setiap elemen pemroses
pada lapis ini berfungsi untuk melakukan penjumlahan ternormalisasi atas nilai-nilai kemiripan di setiap kelas. Hasil penjumlahan ternormalisasi ini
adalah nilai fungsi kerapatan probabilitas kelas. 3.
Lapis maksimum hanya terdiri atas satu elemen pemroses. Keluaran dari lapis ini berupa nomor kelas yang nilai fungsi kerapatan probabilitas kelasnya
tertinggi.
3.3.2.1 Pelatihan
Pelatihan jaringan syaraf probabilistis pada dasarnya hanya terdiri atas dua tahap pengkonstruksian lapis pola sebagai berikut.
1. Tahap pertama: pembentukan elemen pemroses dan penyimpanan bobotnya.
2. Tahap kedua: pencarian nilai faktor penyekala
σ yang merupakan nilai prasikap pada lapis pola.
Dua lapis yang lain yaitu lapis penjumlahan dan lapis maksimum tidak mengalami perubahan. Algoritma untuk pengkonstruksian lapis pola di atas diperlihatkan di
bawah ini.
Algoritma 3.1 Pelatihan jaringan syaraf tiruan
Langkah 1. Pelatihan tahap pertama:
