Porceedng of Semanr on Intellgent Technology and Its Applcatons (SITIA 2002) Insttut Teknolog Sepuluh Nopember, Surabaya, May 7 th, 2002 Metode Ekstraks Data Untuk Pengenalan Huruf Dan Angka Tulsan Tangan Dengan Menggunakan Jarngan Syaraf Buatan Propagas Balk A.P. Nugraha dan A.B. Mutara Jurusan Teknk Informatka, Fakultas Teknolog Industr, Unverstas Gunadarma, Jl. Margonda Raya No 100, Depok Tel. 78881112 ext.309 emal: amutara@staff.gunadarma.ac.d Abstract Pada penulsan n dsajkan suatu metode untuk mengenal pola huruf dan angka tulsan tangan dengan menggunakan konsep jarngan syaraf buatan propagas balk. Jarngan syaraf buatan yang dgunakan menggunakan fungs aktvas sgmod pada semua la-psannya, juga struktur neuronnya bersfat kaku (tdak fleksbel). Adapun metode pengenalan pola huruf dan angka tulsan tangan tersebut dfokuskan pada cara pengekstrakan data dar sampel yang telah ada. Langkah-langkah pengekstrakan data tersebut adalah pertama, membag sampel menjad beberapa area pengamatan (regon). Kedua, dar setap regon tersebut dambl nla pxel yang aktfnya, sehngga ddapat data numerk sebanyak jumlah regon yang ada. Ketga, data numerk yang sudah dhaslkan, dnormal-sas dengan cara perbandngan tetap, dmana setap data numerk dar masng-masng regon tad dbag dengan nla terbesar dar semua data numerk dar sampel yang sama. Untuk membuktkan metode tersebut penuls membuat suatu aplkas pendukung yatu Char-Cog-ntron dengan menggunakan bahasa pemrograman Delph 6.0 Enterprse. Adapun langkah-langkah peng-analsaan yang pertama kal dlakukan adalah menentu-kan karakterstk jarngan syaraf buatan terbak untuk metode n. Kemudan, danalsa komposs regon ter-bak untuk sampel yang akan dgunakan sehngga dapat memberkan hasl akhr yang terbak. Hasl akhr dar penganalsaan tersebut menunjukkan bahwa pola yang dhaslkan dengan menggunakan metode tersebut dapat dkenal dengan bak oleh jarngan syaraf buatan. Keywords Jarngan saraf buatan, propagas balk, neuron, Learn rate I. PENDAHULUAN Secara awam, aspek yang cukup pentng yang men-dasar berbaga teor dalam AI adalah sstem pengenalan pola (Pattern Recognzng) yang merupakan bagan dar pengmplementasan Artfcal Neural Network (ANN) atau Jarngan Syaraf Buatan secara prakts. Sstem pengenalan pola merupakan komponen pentng dalam proses penruan kemampuan nderaw manusa terutama penglhatan dan pendengaran. Sebaga contoh, untuk menru ndera penglhatan manusa, komputer harus mempunya suatu mekansme standar dan logs dalam mengenal pola yang ada pada suatu ctra yang sedang dproses. Dar snlah dperoleh motvas untuk mencoba suatu konsep sederhana untuk mengenal pola dar suatu ctra sehngga dapat ddentfkas dengan bak oleh komputer. Permasalahan utama yang terjad apabla hendak mengenal suatu pola tertentu dan mengumpankannya ke dalam suatu proses jarngan syaraf buatan adalah bagamana proses akuss data dlakukan sehngga menghaslkan sejumlah data numerk yang representtatf dan konssten terhadap sampel yang dberkan. Dalam penulsan n, kta mencoba mengaplkaskan suatu metoda sederhana untuk mengenal suatu ctra sehngga dapat ddentfkas dengan bak oleh komputer dengan memanfaatkan berbaga teor sepert Image Proccessng, Artfcal Neural Networks. Ctra yang akan dproses akan dbatas pada ctra yang merepresentaskan huruf-huruf alpabet berkut angka-angka arab secara sngular. Program bantu yang penuls buat untuk mensmulaskan metoda n dbuat dengan menggunakan Bahasa Pemrograman Borland Delph 6.0 Enterprse pada sstem operas yang mendukung. Tujuan utama dar penulsan n adalah untuk menganalss dan membuktkan bahwa metoda sederhana untuk mengekstraks data dar sampel yang berupa huruf dan angka tulsan tangan yang penuls buat dapat dmplementaskan dengan bak sesua dengan tujuannya sehngga komputer dapat mengdentfkas ctra huruf dan angka tulsan tangan secara bak dan konssten. Hal n dapat dukur dengan melhat bahwa dengan menggunakan metode yang dmaksud, suatu jarngan syaraf buatan tertentu dapat mempelajarnya serta mengenal pola-pola yang dberkan. Selan tu dharapkan dapat dperoleh konsep sederhana yang dapat mendasar dan dapat dmplementaskan pada suatu proses otomatsas, msalnya OCR (Object Character Reader). II. TEORI A. Unsur Pengolahan Ctra Secara umum dan sederhana, ctra dapat ddefnskan sebaga representas vsual dar suatu objek. Lebh jauh ctra juga dapat dartkan sebaga gambaran yang representatf mengena suatu objek sedemkan sehngga ctra tersebut dapat memberkan 1
Porceedng of Semanr on Intellgent Technology and Its Applcatons (SITIA 2002) Insttut Teknolog Sepuluh Nopember, Surabaya, May 7 th, 2002 kesan yang mendalam mengena objek yang dmaksud. Jka ngn mendefnskannya lebh bebas lag, ctra dapat ddefnskan sebaga bentuk vsual yang dapat dterma secara bak oleh ndera penglhatan, apapun bentuknya. Dalam bdang komputer, ctra atau dsebut juga mage merupakan representas vsual dar suatu objek setelah mengalam berbaga transformas data dar berbaga bentuk rangkaan numerk. Komputer memlk cara pandang tersendr terhadap suatu ctra. Berbeda dengan ctra konvensonal yang msalnya dengan melalu proses fotografs sepert pada foto dapat dhaslkan suatu ctra nyata yang langsung dapat dnkmat oleh ndera penglhatan, ctra pada komputer harus melalu beberapa tahapan yang cukup rumt. Tahapan-tahapan tersebut dapat dgambarkan sebaga suatu rangkaan proses dar proses akuss data, manpulas data, vsualsas data, serta proses penympanan data. Penjelasan lebh lanjut dar proses-proses tersebut dapat dlhat pada [8]. Dantara proses tersebut datas, proses penympanan data adalah bagan palng pelk dar pengolahan ctra pada komputer. Saat n sudah ter-dapat banyak metode yang dapat dgunakan untuk menympan suatu ctra dgtal ke dalam suatu fle. Fle adalah meda penympanan standar pada sstem komputer. Metode-metode penympanan tad tentunya memlk perbedaan yang cukup berart antara satu dengan yang lannya. Hal yang palng membedakan basanya adalah tngkat kompres data yang dtawarkan oleh masng-masng metode. Beberapa metode yang sudah cukup dkenal adalah BMP, JPEG, PCX, WMF, TIFF, dll. B. Jarngan Syaraf Propagasa Balk Propagas balk merupakan salah satu proses belajar jarngan syaraf buatan dmana dalam proses belajar tersebut pengubahan nla berlangsung pada arah mundur, yatu mula dar lapsan output dan berakhr d lapsan nput. Algortma belajar propagas balk adalah sebaga berkut [5] : 1. Perhtungan nla keluaran neuron pada lapsan tersembuny dan output. dmana, = nomor neuron yang sedang dhtung snyal aktvasnya. j = nomor neuron yang outputnya dkontrbuskan pada neuron s j = nla output neuron j w j = net s = f N = j=1 ( net ) ( w s ) nla bobot hubungan antara neuron ke dan ke j q = nla bas neuron ke fungs net atau f(net ) dsebut juga sebaga fungs aktvas yang bentuknya dapat bermacam-macam. j j + q 2. Perhtungan kesalahan dalam proses belajar dsebut dengan fungs energ. dmana, E = y = output target neuron output x s = output aktual neuron output I pada saat jarngan terhubung dengan sample x 3. Perhtungan senstvtas (ä ) neuron-neuron dalam lapsan tersembuny dan lapsan output. Dmana persamaan yang dgunakan untuk perhtungan senstvtas bak untuk lapsan tersembuny maupun lapsan output, tergantung dar fungs aktvas yang dgunakan. 4. Perhtungan nla perubahan bobot dan bas. perubahan bobot : perubahan bas : 5. Perhtungan nla bobot dan bas baru. bobot baru : w = w bas baru : x x ( y s ) ( x, y ) + w 6. Langkah-langkah tersebut dulang sampa devas keluaran kecl sehngga mencapa stoppng krtera error yang dharapkan. Fungs aktvas dapat dbaratkan sebaga pendefnsan penguatan non lner dalam sstem analog (contnue). Penguatan (gan) n dhtung dengan mencar raso perubahan pada fungs output neuron pada lapsan tersembuny dan lapsan keluaran, dmana penguatan merupakan kemrngan kurva pada suatu tngkat eksstens tertentu, dan nlanya berubah dar harga yang kecl pada ekstas negatf yang besar (kurvanya hampr mendatar) menjad harga yang besar pada ekstas nol, dan nlanya kembal mengecl serng dengan ekstas yang semakn besar dan postf. Fungs aktvas tdak hanya dgunakan pada saat perhtungan nla keluaran neuron saja (neuron pada lapsan tersembuny dan lapsan output), tetap turunan pertamanya dgunakan juga untuk menghtung perubahan bobot dan bas pada proses belajar. Dalam penulsan n dgunakan fungs aktvas Sgmod Parameter pentng lannya dar JSB adalah bagamana output dar JSB tersebut drepresentaskan, secara terlokalsas atau terdstrbus. Dalam penulsan n akan dgunakan metode output yang drepresentaskan secara terdstrbus. Hal n dkarenakan banyaknya jumlah varas output yang harus drepresentaskan, sehngga tdaklah efektf bla drepresentaskan dengan jumlah dgt sebanyak varas output yang berbeda. Perlu dketahu, sepert yang telah dsebutkan pada bagan batasan masalah, bahwa ctra yang akan x wj ( x, y) = δ s j ( x y) = δ q, + momentum w t+1 t t t 1 j j j j q t+1 = q + q t t 2 2
Porceedng of Semanr on Intellgent Technology and Its Applcatons (SITIA 2002) Insttut Teknolog Sepuluh Nopember, Surabaya, May 7 th, 2002 dcoba untuk dkenal adalah ctra huruf-huruf alpabet (huruf kecl maupun huruf kaptal) berkut angka-angka arab satuan, yang berart ada sejumlah 62 (13 huruf kecl+13 huruf besar+10 angka arab satuan) objek yang harus drepresentaskan sebaga target output. Tentunya sangatlah tdak efektf bla 62 objek tersebut drepresentaskan dengan sejumlah 62 dgt bner output. Pada metode output terdstrbus, setap huruf alpabet dan angka arab akan dkonvers ke dalam bentuk pengkodean 6 bt. Berart hanya dperlukan 6 neuron yang akan dgunakan sebaga output pada lapsan output JSB. Tetap dengan pengkodean 6 bt berart terseda 2 6 = 64 varas output yag berbeda, sedangkan smbol atau objek yang akan drepresentaskan hanya ada 62 objek, untuk tu penuls menambahkan dua objek tambahan untuk melengkap ketersedaan pengkodean, kedua objek tersebut adalah > dan?. III. IMPLEMENTASI KONSEP A. Anals Masalah Suatu ctra huruf atau angka (selanjutnya akan dsebut sampel) yang akan ddentfkas menggunakan JSB, haruslah melalu tahapan-tahapan tertentu terlebh dahulu sehngga dapat menjad nput yang bak bag JSB. Adapun nput yang dapat dterma oleh dengan bak oleh JSB adalah berupa kumpulan data numerk. Dengan demkan maka permasalahan pertama adalah bagamana mengkonvers suatu ctra dgtal menjad kumpulan data numerk yang representatf dan konssten. Tentunya walaupun JSB yang dgunakan memlk karakterstk, struktur ataupun konfguras yang sudah cukup spesfk, mash ada parameterparameter pentng lan dar JSB tersebut yang harus datur untuk mendapatkan hasl terbak. Parameterparameter tersebut antara lan adalah pengaruh bas dan bobot awal, nla momentum, nla LearnRates, nla stoppng crtera error, epoch, dan lan sebaganya. Penyesuaan terhadap nla-nla tersebut adalah masalah berkutnya yang akan danalsa. B. Metode Akuss Data Setap sampel yang akan damat dan danalsa oleh JSB harus drepresentaskan secara bak ke dalam bentuk data numerk. Untuk tu dperlukan suatu metode yang dapat mengekstraks data cr dar setap sampel tad secara konssten. Tentunya data numerk yang dhaslkan haruslah benar-benar dapat mewakl karakterstk atau cr-cr dar sampel yang damat, sehngga dharapkan dar sekumpulan data dengan target yang sama akan dhaslkan suatu generalsas atau pencran secara umum terhadap suatu target yang sejens. Proses akuss data tersebut harus benar-benar akurat dengan mempertmbangkan semua karakterstk dar setap sampel yang tdak lan adalah suatu ctra dgtal, dmana setap ctra dgtal memlk karakterstk tertentu. B.1. Karakterstk Sampel Sampel-sampel yang akan damat tentunya harus dbatas dengan suatu struktur dmens dan homogensas pxel yang sederhana, sehngga dharapkan dapat mempermudah proses analsa terhadap konsep n. Setap sampel adalah satu ctra dgtal yang nla warna dar pxel-pxelnya terhomo-gensas menjad dua representas warna, yatu warna aktf (htam) dan warna nonaktf (selan htam). Selan tu dmens dar setap sampel dbatas sebesar area yang dsedakan pada program aplkas, tetap tdak akan mengurang fleksbltas dan skalabltas yang dharapkan. B.2. Ekstraks Data Untuk mendapatkan data yang akurat dan konssten dar setap sampel, dgunakan suatu metode sederhana yatu dengan cara menghtung jumlah pxel aktf yang terdapat pada bagan-bagan dar sampel. Adapun algortma umum dar pengekstrakan data numerk dar setap sampel adalah sebaga berkut : 1. Setap sampel yang damat, dbag menjad beberapa area, msalnya 4 kolom dan 5 bars, sehngga akan terdapat 20 area pengamatan; 2. jumlah pxel yang aktf dar setap area yang ada dhtung secara akurat; 3. dhaslkan sejumlah 20 data numerk dengan atrbut kolom dan bars yang dharapkan dapat mewakl data cr dar sampel yang damat. Setelah melalu tahapan normalsas, data-data numerk tad akan menjad data nput pada JSB. Dengan demkan jumlah area yang ada pada setap sampel akan bersesuaan dengan jumlah neuron nput JSB yang akan dgunakan. Agar dapat dhaslkan kumpulan data yang seragam, maka setap sampel yang akan damat haruslah memlk jumlah area pembagan Gambar 3.1. Contoh sampel yang merepresentaskan huruf A yang sama. Berkut contoh pengekstrakan data cr dar sampel pada Gambar 3.1. 3
Porceedng of Semanr on Intellgent Technology and Its Applcatons (SITIA 2002) Insttut Teknolog Sepuluh Nopember, Surabaya, May 7 th, 2002 0 22 3 0 0 13 13 0 19 14 23 0 13 0 3 21 21 21 21 10 13 0 0 9 Gambar 3.2. Pembagan regon pada sample berkut nla pxel aktfnya B.3. Normalsas Data Tentunya sampel yang dbuat tdak mungkn akan memlk dmens yang dentk antara yang satu dengan yang lannya. Hal n merupakan faktor skalabltas. Selan tu setap sampel juga akan memlk bentuk yang unk, dapatlah dkatakan tdak mungkn ada dua sampel yang bentuknya dentk. Hal tersebut merupakan faktor fleksbltas. Namun, untuk menjaga faktor skalabltas dan fleksbltas tersebut, data numerk yang dhaslkan pada proses sebelumnya akan menjad tdak konssten lag. Untuk tu dperlukan satu proses tambahan untuk mempertahankan konsstens data terhadap sampel pengamatan, yatu bahwa setap data numerk harus melalu suatu proses normalsas data. Metode normalsas yang akan dgunakan adalah juga suatu metoda normalsas yang palng sederhana yatu normalsas perbandngan tetap. Dalam kasus n adalah perbandngan antara jumlah pxel aktf pada masng-masng area dalam suatu sampel akan dbandngkan (dbag) dengan jumlah pxel aktf terbanyak dalam satu area yang ada pada sampel yang sama. Hasl dar proses normalsas n adalah sekumpulan data numerk yang bernla antara 0 (nol) dan 1 (satu). Pada Gambar 3.2., nla pxel tertngg adalah 23, maka untuk menormalsas sampel tersebut setap nla pxel aktf pada setap regon akan dbag dengan 23. Berkut adalah contoh dar tabel normalsas terhadap data numerk yang telah dhaslkan pada contoh sebelumnya. Tabel 1 Normalsas dar contoh Nla pxel Regon Asl Ternormalsas 1 0 0 2 22 0.9565 3 3 0.1304 4 0 0 5 0 0 6 13 0.5652 7 13 0.5652 8 0 0 9 19 0.8261 10 14 0.6087 11 23 1 12 0 0 13 13 0.5652 14 0 0 15 3 0.1304 16 10 0.4348 17 13 0.5652 18 0 0 19 0 0 20 9 0.3913 B.4. Akumulas Data Numerk Setelah setap data numerk pada masng-masng sampel dnormalsas, maka kumpulan data tersebut akan dakumulas ke dalam bentuk tabular. Sehngga akhrnya dapat dengan mudah dmplementaskan ke dalam JSB. Data akhr yang terakumulas haruslah mencakup semua parameter nput yang dperlukan oleh JSB dar setap sampel pengamatan. Adapun data yang harus ada adalah target output dar setap sampel serta kumpulan data numerk untuk tap-tap area pada masng-masng sampel. C. Struktur Jarngan Syaraf Buatan JSB hanyalah dgunakan sebaga alat untuk menganalsa serta membuktkan konsep ekstraks yang dbuat. Oleh karenanya bagan n tentunya bukanlah mater pembahasan utama. Adapun jarngan syaraf yang dgunakan memlk batasan-batasan serta karakterstk tertentu yang dsesuakan secara emprs terhadap kebutuhan. Hal n menyebabkan sfat dar jarngan syaraf yang dgunakan cenderung bersfat rgd atau kaku. Tetap walaupun demkan pemlhan karakterstk maupun pemberan parameter-parameter yang dgunakan merupakan hasl beberapa kal percobaan yang dlakukan secara emprs. Struktur JSB merupakan kumpulan neuron-neuron yang teratur sedemkan rupa sehngga membentuk susunan yang memlk art. Struktur JSB sebagamana dapat dlhat [8]. Adapun ketentuan jumlah neuron pada tap-tap lapsan dapat dlhat pada tabel berkut : Tabel 2. Dstrbus Neuron Lapsan Jumlah neuron Input Tergantung jumlah regon Hden 10 Output 6 JSB memlk berbaga jens algortma yang dapat dmplementaskan. Dsn dgunakan algortma propagas balk. Fungs aktvas yang dgunakan adalah fungs aktvas sgmod n. fungs sgmod memlk karakterstk serta performa yang palng unggul dsbandngkan dengan fungs aktvas lannya. Selan struktur, algortma, serta fungs aktvas yang dgunakan, mash ada parameter-parameter sgnfkan lannya yang sangat mempengaruh karakters- 4
Porceedng of Semanr on Intellgent Technology and Its Applcatons (SITIA 2002) Insttut Teknolog Sepuluh Nopember, Surabaya, May 7 th, 2002 tk JSB secara keseluruhan. Nla dar parameterparameter tersebut akan sangat mempenga-ruh hasl akhr dar JSB. Adapun parameter-parameter penentu lan tersebut antara lan :Nla awal, LearnRate (Laju Belajar), Momentum, Stoppng Crtera Error, HardTrappng MatchLevel Selanjutnya, mplementas detal konsep pengenalan Ctra Huruf dan Angka pada Program Aplkas CharCogntron dapat dlhat d [8] IV. ANALISIS DAN SIMULASI A. Preparas Sampel Pentunya pembuatan sampel perlu dperhatkan dengan cermat guna memperoleh data yang konssten terhadap nla acuan target. Karakterstk sampel yang bak harus memenuh krtera yatu bahwa antara sampel-sampel yang sejens (sama nla target acuannya; msal A ) harus memlk bentuk keterbacaan yang sama (Human Readable Character). Bentuk dar sampel-sampel tersebut harus konssten dengan nla acuannya sehngga dharapkan akan menghaslkan kumpulan sampel yang konssten dan seragam. Jumlah sampel juga akan sangat mempengaruh performas dar JSB jka dlhat dar jumlah teras yang harus dlakukan pada setap epoch-nya yang ber-bandng lurus dengan jumlah sampels. Untuk tu dperlukan optmalsas jumlah sampel yang akan duj sehngga bsa ddapatkan komposs yang bak dengan jumlah sampel semnmal mungkn, tetap tdak me-ngurang relabltas serta konsstens kumpulan sampel tersebut. Dkarenakan masalah-masalah tersebut bersfat emprs, maka dbuat suatu komposs percobaan sepert terlhat pada Tabel 3., bahwa untuk membuktkan bahwa konsep pengenalan huruf dan angka yang dgunakan dengan memberkan hasl yang bak, tdak perlu harus semua target acuan yang mungkn ( a.. z ; A.. Z ; 0.. 1 ) dujkan pada percobaan n. B. Smulas Aktftas Belajar Percobaan-percobaan pertama yang dlakukan adalah analsa pengaruh nla-nla LearnRates, Momentum, dan terakhr adalah pengaruh jangkauan nla awal. Untuk dua percobaan pertama dgunakan jangkauan nla awal -2 s/d 2. Percobaan yang akan dlakukan akan dber beberapa batasan sehngga dapat dperoleh hasl yang efektf. Adapun batasan-batasan tersebut antara lan adalah : 1. Sampel yang akan dgunakan pada pembahasan dan analsa adalah Sample1 dengan Regon = 5*4; 2. Jumlah epoch maksmum adalah 1000; 3. Proses belajar dhentkan apabla sudah tercapa salah satu dar dua krtera, yatu HardTrapppng MatchLevel atau Stoppng Crtera Error; 4. Untuk setap kasus dlakukan beberapa kal percobaan dan dambl satu yang terbak untuk dtamplkan dalam pembahasan, dan untuk djadkan acuan sementara bag proses belajar berkutnya; 5. Hasl terbak dar percobaan dtentukan dar nla HardTrappng MatchLevel terbesar dan atau nla Stoppng Crtera Error terkecl; 6. Percobaan dnyatakan berhasl apabla tercapa konds MatchLevel=100%, yang artnya bahwa JSB tersebut sudah dapat mengenal drnya sendr ; 7. Tujuan utama dar percobaan n adalah untuk mendapatkan karakterstk JSB yang terbak sehngga JSB tersebut dapat mempelajar pola yang dberkan dengan bak. Tabel 3 Komposs Sampel Kode Target Group Sample Sample1 [100] Sample2 [100] Sample3 [60] Target Acuan Jumlah Sampel ASCII Dec Bn A 20 65 10 001010 I 20 73 18 100010 U 20 85 30 011110 E 20 69 14 001110 O 20 79 24 011000 a 20 97 36 100100 20 105 44 101100 u 20 117 56 111000 e 20 101 40 101000 o 20 111 50 110010 0 10 48 0 000000 1 10 49 1 000001 2 10 50 2 000010 3 10 51 3 000011 4 10 52 4 000100 5 10 53 5 000101 Berkut akan dtamplkan hasl percobaan untuk sample 1 (sample lan dapat dlhat d [8]) B.1. Pengaruh Learnrate Untuk melakukan analsa pengaruh LearnRates terhadap JSB, pertama kal harus dtetapkan nla Momentum = 0, agar percobaan n tdak terpengaruh oleh nla Momentum tersebut. Percobaan n dlakukan pada nla-nla LearnRates yang krts dan cukup ekstrm yatu 0,1; 0,2; 0,5; 0,9; 1. Walaupun nla LearnRates sendr adalah blangan real yang lebh besar dar nol, tetap nla d atas satu sangatlah tdak danjurkan, mengngat bahwa dengan semakn tnggnya nla LearnRates, maka karakterstk JSB menjad semakn lar (sangat berfluktuas) dan tdak dapat dduga (unpredctable). Pada smulas-smulas berkut, hanya dtamplkan grafk ErrorLevel dan hasl yang dcapanya yatu berupa nla ErrorLevel, MatchLevel, dan nla epoch terakhr. Tabel 4. Hasl percobaan pengaruh LearnRates Percobaan LearnRates Epoch ErrorLevel MatchLevel Smulas 1 0.1 1000 29.19698 43% Smulas 2 0.2 1000 45.42733 55% Smulas 3 0.5 1000 40.53675 54% Smulas 4 0.9 1000 79.49562 20% Smulas 5 1 1000 119.99389 0% 5
Porceedng of Semanr on Intellgent Technology and Its Applcatons (SITIA 2002) Insttut Teknolog Sepuluh Nopember, Surabaya, May 7 th, 2002 Dar ke lma smulas tersebut dapat dbuat kesmpulan bahwa LearnRates terbak dengan ErrorLevel palng rendah adalah 0,1 dan LearnRates terbak berdasarkan MatchLevel tertngg adalah 0,2. Tetap dkarenakan tngkat keberhaslan dar percobaan n tdak dukur berdasarkan rendahnya nla ErrorLevel, melankan dar tnggnya nla MatchLevel, maka Smulas 2 dengan LearnRates = 0,2 yang akan dgunakan pada percobaan berkutnya B.2. Pengaruh Momentum Percobaan berkut akan menggunakan nla LearnRates terbak yang ddapat dar percobaan sebelumnya dan menggunakan nla Momentum yang berbeda (0,1;0,2;0,5;0,8;0,9;1) untuk danalsa hasl terbak berdasarkan nla Momentum tersebut. Adapun parameter lannnya sepert jangkauan nla awal, mash sama dengan percobaan sebelumnya. Berkut hasl beberapa smulas yang dlakukan terhadap perubahan nla Momentum. Dar smulas-smulas d atas dapat dperoleh kesmpulan yatu bahwa JSB memlk kecenderungan belajar yang lebh bak dengan pemlhan jangkauan smetrs dan sebalknya untuk asmetrs. Dar Smulas 7 dan Smulas 8 terlhat bahwa dengan magntas lebh kecl (-2 s/d +2), JSB juga memlk kecenderungan belajar yang lebh bak. Untuk tu pada percobaan berkutnya akan dpergunakan jangkauan nla tersebut. Tabel 5. Hasl percobaan pengaruh Momentum Percobaan Momentum Epoch ErrorLevel MatchLevel Smulas 1 0.1 1000 25.48247 80% Smulas 2 0.2 1000 47.16077 45% Smulas 3 0.5 215 12.87525 100% Smulas 4 0.8 1000 30.6719 65% Smulas 5 0.9 1000 27.94824 67% Smulas 6 1 1000 50.2894 52% Dar enam smulas d atas dapat dsmpulkan bahwa nla Momentum terbak dperoleh pada Smulas 3 dengan nla Momentum = 0,5. Pada Smulas 3 tersebut dperoleh nla keberhaslan MatchLevel = 100% pada epoch 215 yang sangat menunjukkan bahwa JSB dapat belajar dengan bak pada konds n. Oleh karenanya kombnas nla LearnRates dan Momentum nlah yang untuk sementara dapat djadkan acuan terbak untuk analsa berkutnya. B.3. Pengaruh Jangkuan Nla Awal Berkutnya adalah percobaan untuk menganalsa pengaruh jangkauan nla awal pada JSB. Pada percobaan n akan dgunakan JSB dengan karakterstk terbak yang ddapatkan dar percobaan sebelumnya yatu nla LearnRates = 0,2 dan nla Momentum = 0,5. Berkut hasl beberapa smulas terhadap perbedaan jangkauan nla awal. Tabel 4.4. Hasl percobaan pengaruh Jangkauan Percobaan Jangkauan Epoch ErrorLevel MatchLevel Sm1(A) 0 s/d +2 1000 119,99886 0 % Sm2(A) 0 s/d +5 1000 239,99459 0 % Sm3(A) -5 s/d 0 1000 30,69999 74 % Sm4(A) -2 s/d 0 1000 42.82592 41 % Sm5(A) -5 s/d 2 1000 35.93632 59 % Sm6(A) -2 s/d +5 1000 139.87458 20 % Sm7(S) -2 s/d +2 215 12.87525 100 % Sm8(S) -5 s/d +5 100 13.38231 91 % B.4. Pengaruh Komposs Regon pada Sampel JSB Dar semua percobaan d atas telah ddapat suatu karakterstk JSB yang bak dengan parameterparameter nla LearnRates = 0,2; Momentum = 0,5 dan jangkauan nla awal = -2 s/d +2. Percobaan-percobaan tersebut sudah dapat cukup membuktkan bahwa metode pengenalan pola huruf dan angka tulsan tangan yang dbuat oleh penuls dapat dpelajar dengan bak oleh JSB. Hal tersebut dtanda dengan tercapanya nla MatchLevel = 100% dengan karakterstk yang dmaksud. Namun untuk lebh melengkap percobaan dan analsa terhadap metode n, maka penuls melakukan satu lag percobaan yatu pengaruh komposs Regon terhadap karakterstk JSB dan hasl akhr yang akan ddapat. Hasl dar beberapa smulas yang dlakukan dapat dlhat pada tabel 6. Dar ke enam smulas tersebut dapat dlhat bahwa Smulas 1 memberkan hasl belajar palng bak. Oleh karena tu dapat dsmpulkan sementara bahwa komposs Regon 5*4 adalah yang terbak. Tabel 6. Hasl percobaan pengaruh komposs Regon Percobaan Regon Epoch ErrorLevel MatchLevel Smulas 1 5*4 215 12.87525 100% Smulas 2 4*5 1000 40.38083 58% Smulas 3 4*4 1000 38.39191 45% Smulas 4 3*3 1000 40.23196 59% Smulas 5 4*3 1000 36.55019 53% Smulas 6 3*4 1000 26.20377 78% V. KESIMPULAN Kesmpulan utama yang dapat dambl yatu bahwa metode pengenalan ctra huruf dan angka tulsan tangan yang dbuat dapat dmplementaskan dengan bak terhadap suatu jarngan syaraf buatan tertentu dan telah danalsa dengan menggunakan program aplkas CharCogntron yang juga telah dbuat sebelumnya. Secara tekns, ada beberapa hasl analsa yang dapat dsmpulkan, dantaranya bahwa () nla LearnRates terbak untuk metode n adalah 0,2; () nla Momentum terbak untuk metode n adalah 0,5; () jangkauan nla terbak adalah -0,2 s/d +0,2; (v) komposs Regon terbak adalah 5*4; Secara umum hal lan yang dapat dsmpulkan dar analsa yang dlakukan, antara lan : () Pemlhan sampel yang bak mutlak harus dlakukan karena akan sangat mempengaruh hasl akhr; () Untuk mendapatkan hasl yang terbak dengan menggunakan JSB, harus dlakukan performance tunnng terlebh dahulu terhadap JSB tersebut, sehngga ddapatkan karakterstk khas untuk kasus n; () Metode yang dbuat oleh penuls telah terbukt dapat 6
Porceedng of Semanr on Intellgent Technology and Its Applcatons (SITIA 2002) Insttut Teknolog Sepuluh Nopember, Surabaya, May 7 th, 2002 dpelajar (learnable) dan dkenal pola-polanya dengan bak oleh JSB; Daftar Pustaka [1] Alex Berson and Stephen J., Data Warehousng, Data Mnng and Olap, McGraw Hll, USA, 1997 [2] Irwan Arfn, Perancangan Modul Program dan Praktkum Jarngan Neural Buatan, Gunadarma, Jakarta, 1999 [3] Smon Haykn, Neural Networks : a Comprehensf Foundaton, Prentce Hall Internatonal Inc., New Jersey, 1999 [4] Kemal Ade Sekarwat, Jarngan Syaraf Truan, http://www.gunadarma.ac.d, 1998 [5] Braun Feulner Malaka, Praktkum Neural Netze, Spnger-Verlag, Berln, 1996 [6] Igor Aleksander and Helen Morton, An Introducton to Neural Computng, Chapman and Hall, London, 1990 [7] Schneder, G. Mchael and Bruell, Steven C., Advanced Programmng and Problem Solvng wth Pascal, John Wley and Sons, New York, 1987 [8] A.P. Nugraha, Skrps, Gunadarma, 2002 7