Analisis Accurate Learning Pada Learning Vector Quantization (LVQ) Menggunakan Algoritma Genetika Dalam Pengenalan Pola Alfanumerik

BAB 1
PENDAHULUAN

1.1. Latar Belakang Masalah
Pada sistem informasi jaringan syaraf tiruan (JST) digunakan untuk pengolahan data
yang memiliki karakteristik kinerja tertentu, menirukan cara kerja otak manusia untuk
menyelesaikan suatu masalah yang mana proses pembelajaran berdasarkan perubahan
bobot sinapsisnya. JST dapat digunakan untuk memodelkan hubungan kompleks
antara input dan output untuk dapat menemukan pola-pola pada data atau klasifikasi
data melalui proses pembelajaran. Pada proses pembelajaran, pola-pola input atau
output dimasukkan ke dalam jaringan saraf tiruan, lalu jaringan akan diajari untuk
memberikan jawaban yang bisa diterima. (Djalu, 2006).
Ada beberapa metode yang digunakan dalam jaringan syaraf tiruan,
diantaranya adalah metode Learning Vector Quantization (LVQ). Pelatihan metode
LVQ terletak pada lapisan kompetitif, dimana lapisan tersebut akan belajar secara
otomatis untuk mengklasifikasikan (clustering) vektor input ke dalam kelasnya. Di
mana kelas yang dihasilkan tersebut tergantung pada jarak vektor input yang akan
dihitung dan diambil jarak minimum-nya, selanjutnya akan dijadikan sebagai vektor
bobot dan vektor input baru. Apabila ada ditemukan 2 vektor yang hampir sama maka
lapisan kompetitif tersebut akan mengklasifikasikan vektor input ke dalam kelas yang
sama. Di dalam jaringan syaraf tiruan metode LVQ, memiliki kelemahan yang

menyangkut tentang perhentian learning error (α), dimana LVQ sering melewati
solusi optimal (clustering), dalam hal ini tingkat kesalahan minimal error rate yang
cukup jelas. (Nascimento, 2005)
Penelitian (Basu et al, 2010) pada Use of Artificial Neural Network in Pattern
Network, meskipun ada beberapa kelebihan dan kekurangan pada penerapan
kecerdasan buatan dalam pengenalan pola, selalu diperoleh hasil yang lebih baik dari
pada tanpa menggunakan jaringan syaraf tiruan.

Universitas Sumatera Utara

2

Penelitian (Blachnik dan Duch, 2011), pada LVQ algorithm with instance
weighting for generation of prototype-based rules, dengan memanfaatkan parameter
fungsi pelatihan pada metode LVQ dapat membentukan prototipe berdasarkan
modifikasi aturan pada logika fuzzy.
Penelitian (Munjal, 2011), pada ANN paradigms for Audio Recognition,
dengan membandingkan tiga metode jaringan syaraf tiruan Learning Vector
Quantization (LVQ), Multilayer Perceptron dan Self Organized Map (SOM), dimana
metode klasik LVQ memberikan hasil akurasi kurang baik dibandingkan metode

MLP, tetapi metode LVQ akan menjadi lebih baik jika pemilihan jumlah hidden layer
dikombinasikan dengan metode lain.
Berdasarkan uraian di atas, dapat disimpulkan jaringan syaraf tiruan LVQ
untuk mengenal pola tertentu masih memliki akurasi yang kurang baik pada fungsi
pelatihannya, sehingga diperlukan kombinasi dengan metode lain untuk dapat
mengoptimalkan pengenalan pola dalam pelatihan metode LVQ. Salah satu metode
untuk mengoptimalisasi data adalah algoritma genetika. Sehingga penulis tertarik
mencoba melakukan penelitian untuk menganalisa akurasi pembelajaran pada metode
LVQ dengan menggunakan algoritma genetika dalam pengenalan pola alfanumerik.

1.2. Rumusan Masalah
Berdasarkan uraian di atas, jaringan syaraf tiruan dengan menggunakan metode
Learning Vector Quantization (LVQ) untuk mengenal pola tertentu masih memliki
akurasi yang kurang baik pada fungsi pelatihannya, sehingga diperlukan suatu metode
pendekatan tertentu untuk meningkatkan akurasi pembelajaran pada jaringan syaraf
tiruan metode LVQ.

1.3. Batasan Masalah
Agar analisis dalam penelitian ini tidak menyimpang dan terarah, maka rumusan
masalah di atas dapat dibatasi sebagai berikut:

1. Media yang digunakan adalah pola alfanumerik yang berupa pola matriks
biner [0,1], dengan ukuran matrik 5 x 7.
2. Alfanumerik yang digunakan adalah huruf kapital [A…Z] dan angka [0…9].

Universitas Sumatera Utara

3

1.4. Tujuan Penelitian
Tujuan penelitian ini adalah untuk meningkatkan akurasi pembelajaran Learning
Vector Quantization (LVQ) dengan menggunakan algoritma genetika pada
pengenalan pola alfanumerik.

1.5. Manfaat Penelitian
Adapun manfaat penelitian diharapkan adalah sebagai berikut:
1. Diharapkan penelitian ini dapat menjadi bahan refrensi belajar dan mengajar
dan sebagai refrensi untuk kasus atau pembahasan yang berkaitan dengan
penelitian ini.
2. Dengan mengetahui sejauh mana algoritma genetika dapat meningkatkan
akurasi pembelajaran metode Learning Vector Quantization (LVQ) pada

pengenalan pola alfanumerik.

Universitas Sumatera Utara