G. Learning Vector Quantization (LVQ) Learning Vector Quantization (LVQ) adalah suatu metode untuk melakukan pembelajaran pada lapisan kompetitif yang terawasi. Suatu lapisan kompetitif akan secara otomatis belajar untuk meng- klasifikasikan vektor-vektor input. Kelas-kelas yang didapatkan se- bagai hasil dari lapisan kompetitif ini hanya tergantung pada jarak antara vektor-vektor input. Jika 2 vektor input mendekati sama, maka lapisan kompetitif akan meletakkan kedua vektor input ter- sebut ke dalam kelas yang sama. Algoritma 1. Tetapkan: bobot (W), Maksimum epoh (MaxEpoh), error minimum yang diharapkan (Eps), Learning rate (a). 2. Masukkan: o Input: x(m,n); o Targetm : T(1,n) 3. Tetapkan kondisi awal: ¢ if ° epoh=0; i 1 £8 5 o. err=1. L p 4. Kerjakan jika: (epoch eps) a. epoh = epoh+1; (i b. Kerjakan untuk i=1 sampain i. Tentukan J sedemikian hingga |x-w 5 | minimum. (sebut sebagai C;) ii. Perbaiki wj dengan ketentuan: o. dika T= Cj maka: wj(baru)=w;(lama)+ ©. (x-w;(lama)) o. dika T+ Cj maka: wj(baru)=w;(lama)- co (x-w;(lama)) c. Kurangi nilai a. Contoh 8.8: Misalkan diketahui 10 input vektor dalam 2 kelas sebagai berikut: (1, 0, 0, 0, 1, 0) 4, (0...) aot dn OD (0, 0, 1, 0, 0, 1) (0, 0, 1, 0, 1, 0) (0, 1, 0, 0, 0, 1) (1,/0, 1, .0,°1, 1) AnRwWNH BPHREN7. (0, 0, 1, 1, 0,.0) 2 B. (0, 2, 0, 1, Oey 0) 2 Sa lB, OCP Vay ay 2 10...(0,.2,,2, 1, 1, 21) 2 Dua input pertama akan dijadikan sebagai inisialisasi bobot: Vektor (w) Kelas 1. (1, 0, 0, 0, 1, 0) 1 2. 0,-2.4 6} 2 Sedangkaninput sisanya: Vektor (x) Kelas (0, 0, 1, 0, 0, 1) a. (0, 0, 1, 0, 1, 0) (0, 1, 0, 0, 0, 1) (1, 0,.3,0, 1, 2) (0, 0, 1, 1, 0, 0) (0, 1, 0, 1, 0, 0) (15 0,{050L,0 07) (0, 1, 1, 1, 1, 1) eyAaKHewnH RVNNNEBE akan digunakan sebagai data yang akan dilatih. Arsitektur jaringan syaraf pada contoh 8.8 ini seperti terlihat pada Gambar 8.29. Gambar 8.29 Arsitektur jaringan untuk contoh 8.8.Sebagai nilai awal dipilih learning rate (a=0,05), dengan pengurang- an sebesar 0,1*a,; dan maksimum epoh (MaxEpoh=10). Epoh ke-1: ® Datake-1:(0, 0, 1, 0, 0, 1) Jarak pada: * bobot ke-1 = = ¥O-0? +@-0)? +00)? +0-0)7 +-1)2 +00)? = 2,0. * bobot ke-2 = . 2 4 @-1? 4-12 +0-12 +@-2 40-0)? = 2,0. Jarak terkecil pada bobot ke/1 ) Target data ke-1=(1 a Bobot ke- 1 baru: war +)a* (x2 - wi) 1 + 0,05*(0-1) = 0,9500; Wie ¥ a*(xi2 - Wz) = 0 + 0,05*(0-0) = 0,0000; wa + G* (x13 - Wiz) = 0 + 0,05*(1-0) = 0,0500; we + O* (Xin - Wis) = 0 + 0,05*(0-0) = 0,0000; wis + a*(Xis - wis) = 1 + 0,05*(0-1) = 0,9500; Wie + O* (Xie ~ Wig) = 0 + 0,05*(1-0) = 0,0500; Jadi w, = (0,9500 0,0000 0,0500 0,0000 0,9500 0,0500) ® Datake-2:(0, 0, 1, 0, 1, 0) Jarak pada: * bobot ke-1 = = Yo- 0,95)? + 0-0)? += 005)? + 0)? + (1-095)? + (00,05) = 1,3454. * bobot ke-2 = = 4-0)? +@-1)7 +a-? +@-0? +4 ( = 1,4142. Jarak terkecil pada bobot ke/1) Target data Hecnetd ae 7 Bobot ke- 1 baru: - Wu) = 0,95 + 0,05*(0-0,95) = 0,9025; + @*(xX22 - Wiz) = 0,00 + 0,05*(0-0,00) = 0,0000; + @* (X22 - Wis) = 0,05 + 0,05*(1-0,05) = 0,0975; Wis = Win + O* (X24 - Wie) = 0,00 + 0,05*(0-0,00) = 0,0000; + a* (X25 - Wis) = 0,95 + 0,05*(1-0,95) = 0,9525; + + 0,05*(0-0,05) = 0,0475; Q* (X26 - Wis) = 0,05 Jadi wi = (0,9025 0,0000 0,0975 0,0000 0,9525 0,0475)® Datake-3: (0, 1, 0, 0, 0, 1) Jarak pada: * bobot ke-1 = = ¥(0-0,9025)7 + (1-0)? + (0 - 0,0975)? + (0-0)? + (0 - 0,9525)? + (1 - 0,0475)2 = 1,9075 * bobot ke-2 = = 0-0)? +-1)? 4-1)? 4-1? + (0-1)? + 0-0)? = 2,000. Jarak terkecil pada bobot ke~f) Target data ke-3= 2) z Bobot ke- 1 baru: Wi = Wii /+)O* (x31 — Wir) = 0,9025 Wiz = Wi2 + @* (X32 — Wi2) = 0,0000 0,05*(0-0,9025) = 0,05*(0-0,0000) = + + Wig = Wis + O* (X33 — Wi) = 0,0975 + 0,05*(1-0,0975) = Wig = Wig + O*(X34.— Wig) = 0,0000 + 0,05*(0-0,0000) = Wis = Wis + O* (x55 - Wis) = 0,9525 + 0,05*(1-0,9525) = Wis = Wig + O* (X36 — Wis) = 0,0475 + 0,05*(0-0,0475) = dadi: wi = (0,8574 0,0500 0,0926 0,0000 0,9049 0,0951) ® Datake-4: (1, 0, 1, 0, AUT) Jarak pada * bobot/ ke-1 = i vi 2 2 2 2 2 2 = ¥(-0,8574)” + (0 - 0,050)” + (1 - 0,0926) + (0-0)? + (10,9049) + (1 - 0,0951) = 1,2938 * bobot ke-2 = = 2,000. Jarak terkecil pi Target data ke-4 Bobot ke- 1 baru bobot re-A) win = wi #)a*(xa - win) = 0,8574 + 0,05*(1-0,8574) = 0/8645; Wiz = Wiz + O* (X42 — Wir) 0,0500 + 0,05*(0-0,0500) = 0,0475; Wis = Wis + a*(x43 - wis) = 0,0926 + 0,05*(1-0,0926) = 0,1380; Wie = Wu + O* (4 - Wa) = 0,0000 + 0,05*(0-0,0000) = 0,0000; Wis = Wis + O* (X45 — Wis) = 0,9049 + 0,05*(1-0,9049) = 0,9096; Wie = Wis + O* (X46 - Wis) = 0,0951 + 0,05*(1-0,0951) = 0,1404; Jadi: w = (0,8645 0,0475 0,1380 0,0000 0,9096 0,1404)5 Datake-5: (0, 0, 1, 1, 0, 0) Jarak pada: * bobot ke-1 = = Yo 0,8645)? + (00,0475)? + (1- 01380)? + (1-0)? + (0 - 09096)” + (00,1404) = 1,8275 * bobot ke-2 = Bobot ke- 2 baru Jadi: GQ) = wa @)a* (xs. - wa) = = Waa + O*(Xs2 - Wor) = 0 + 0,05*(1-0) = 0,0000; 1 = Was + O* (X53 — Wa3) = 1 1 1 0 + + 0,05*(0-1) = 0,9500; + 0,05*(1-1) = 1,0000; + 0,05*(0-1) = 1,0000; + 0,05*(1-1) = 0,9500; + 0,05*(1-0) = 0,0000; + O* (Xs - Wa) = = Was + O* (X55 — Was) = Was + O*(Xs6 - Woe) = Wz = (0,0000 0,9500 1,0000 1,0000 0,9500 0,0000) ® Datake-6: (0, 1, 0, 1, 0, 0) Jarak pada: * bobot ke-1 = = 4(0-0,8645)? + (1 - 0,0475)? + (0 - 0,1380)" + (1-0)? + (0 - 0,9096) + (0 0.1404)" = 1,8764 * bobot ke-2 = Target 7 +0 = 1,3802. 9500)" + (0-1) +( Jarak terkecil rer ke2) data ke-6=(2 Bobot ke- 2 baru War = War \+)a*(x61 - Wai) = 0,0000 + 0,05*(0-0,0000) = 0,0000; Woe Waa Waa Wie Jadi: = Wao + O*(Xe2 - Wa2) = 0,9500 + 0,05*(1-0,9500) = 0,9525; = Wr3 + O* (Xe: - Waa) = 1,0000 + 0,05*(0-1,0000) = 0,9500; = Woe + O*(Xeq - Waa) = 1,0000 + 0,05*(1-1,0000) = 1,0000; = Was + a*(Xes - Was) = 0,9500 + 0,05*(0-0,9500) = 0,9025; = Wig + A* (X66 - Was) = 0,0000 + 0,05*(0-0,0000) = 0,0000; Wa = (0,0000 0,9525 0,9500 1,0000 0,9025 0,0000)® Datake-7: (1, 0, 0, 1, 0, 1) Jarak pada: * bobot ke-1 = 2, 2 2 2 2 2 = ¥(1-0,8645)* + (0 - 0,0475)~ + (0 - 0,1380)~ +(1- 0)” + (0 -0,9096)~ + (1 - 0,1404)' = 1,6143 * bobot ke-2 = 0)” +¢ = 2,1504 Jarak terkecil os og R Target data ke-7: Bobot ke- 1 baru: wa = wir *(x1 - Wu) = 0,8645 - 0,0266*(1-0,8645) = 0,8577; Wi2 = Wiz @* (x72 — Wiz) = 0,0475 - 0,0266*(0-0,0475) = 0,0499; Win = Wis - O* (273 - Wis) = 0,1380 - 0,0266*(0-0,1380) = 0,1449; Wie = Wie - O*(27¢ - Wig) = 0,0000 - 0,0266*(1-0,0000) = -0,0500; Wis = Wis - O* (25 - wis) = 0,9096 - 0,0266*(0-0,9096) = 0,9551; Wig = Wig - O* (X76 - Wig) = 0,1404 - 0,0266*(1-0,1404) = 0,0974; Jadi: wi = (0,8577 0,0499 0,1449 -0,0500 0,9511 0,0974) ® Data ke-8: (0, 1, 1, 1, 1, 1) Jarak pada: * bobot ke-1 = = Yeo-0,8577) + (10,0499)? + 10,1449)? + (1+ 0,0500)? + (10,9551)? + (10,0974)? = 2,0710 * bobot ke-2 = = 1,0028 Jarak terkecil pada bobot kel) Target data ke-8= (2) = Bobot ke- 2 baru: —~ = wal +)a* (xe. - wn) = 0,0000 + 0,05*(0-0,0000) = 0,0000; = Aina + O* (Xe2 — W22) = 0,9525 + 0,05*(1-0,9525) = 0,9549; Wa: + a*(%s2 - Wa) = 0,9500 + 0,05*(0-0,9500) = 0, 9525; = Woe + O*(Xe4 - Woe) = 1,0000 + 0,05*(1-1,0000) = 1,0000; Was + G* (X95 - Was) = 0,9025 + 0,05*(0-0,9025) = 0,9074; = Wag + G*(Xe5 - Woe) = 0,0000 + 0,05*(0-0,0000) = 0,0500; (0,0000 0,9549 0,9525 1,0000 0,9074 0,0500) a@ - 0,1*a = 0,05 - 0,1*0,05 = 0,045 Proses tersebut diteruskan untuk epoh ke-2 sampai ke-10, untul setiap data dengan menggunakan cara yang sama. Setelah mencapa epoh yang ke-10 diperoleh bobot akhir:ty = (0,3727 0,2161 0,6347 -0,2164 0,7981 0,4254) ¥2=(0,0000 0,7969 0,7900 1,0000 0,5869 0,2171) \pabila kita ingin mensimulasikan input: (0, 1, 0, 1, 1, 0), naka kita cari terlebih dahulu jarak input tersebut dengan kedua sobot. Nomor dari bobot dengan jarak yang terpendek akan menjadi kelasnya. Jarak pada: * bobot ke-1 = = Flo 03727)? + (0.2161)? + (0 - 0.6347)? + (1+ 0,2164)? + (10,7981) + (00,4254) = 1,6904 * bobot ke-2 = = 2 + (10,7969) + (0 - 0,790)" + (1-1) + (1 - 0,5869)” + (0 -0,2171)7 = 0,9398 Jarak terkecil pada bobot ke-2 Sehingga input tersebut termasuk dalam kelas 2. Contoh 8.9: Akan dicoba untuk mengenali huruf A, B, atau H yang direpresen- tasikan dengan menggunakan kode 0 dan 1 pada matriks berukuran 9x7 seperti terlihat pada Gambar 8.30. 0001000 oo10100 o100010 o1000 1 0 ——_—> Or 12 Fro 9.1281 Toe 0100010 he (0D, by |b 1 AD 0.,.0On le L Gambar 8.30 Pemetaan huruf pada matriks 9x7. Pada Gambar 8.30 tersebut, kode 1 menunjukkan suatu kotak ber- warna hitam, sedangkan kode 0 menunjukkan suatu kotak berwarna putih. Untuk mempermudah dalam mengimplementasikannya, ma- triks 9x7 tersebut dibawa ke bentuk vektor 63 kolom. Pada Gambar 8.30 tersebut vektor yang bersesuaian adalah: 000100000101000100010010001001111100111110010001011000111100011Misalkan ada 15 data yang akan dilatih, yaitu 5 data A, 5 data B, dan 5 data H, sebagai berikut (Gambar 8.31, 8.32 dan 8.33): _ ae aE Gambar 8.31 Pola huruf ‘A’ pada matriks 9x7. [3 he Oo Gambar 8.32 Pola huruf B’ pada matriks 9x7. =x LE on Gambar 8.33 Pola huruf ‘H’ pada matriks 9x7. i Be oe Gambar 8.34 Pola huruf yang digunakan sebagai bobot.Matrik yang akan dilatih adalah transformasi Gambar 8.31, 8.32, dan 8.33 yaitu: P=[111111110000011000001100000110000011111111100000110000011000001; 00010000010100001010000101000111110010001001000101100011110001 00010000010100001010001000100100010111111110000011000001100000 00010000010100010001010000011000001111111110000011000001100000 00010000110110010001001000100111110100000110000011000001100000 111110010000101000001100001011111001000010100000110000101111100; 11111111000001100000110000011111110100000110000011000001111111 11111101000001100000110000011000010111110010000101000001111111 111111010000011000001100000101111101000001100000110000010111110; 111111010000011000010111110010000101000001100000110000011111110; 100000110000011000001100000111111111000001100000110000011000001; 110001111000111111111111111111000111100011110001111000111100011; 100000110000011000001100000110000011111111111111110000011000001; 110001101000100100010010001001111100100010010001001000101100011; 11101110100010010001001000100111110010001001000100100010111011}}; dengan vertor output (target): T=[1111122222333 3 3]; Angka 1 menunjukkan kelas A, angka 2 menunjukkan kelas B, dan angka 3 menunjukkan kelas H. Sedangkan untuk matriks bobot diperoleh dari transformasi dari Gambar 8.34. w=[000100000101000100010010001001111100111110010001011000111100011; 101110011000101000001100001010111001000010100000111000011011110; 1100011110001112000111100011111111121111111100011110001111000114}; Sebagai nilai awal dipilih learning rate (a=0,05), dengan pengurang- an sebesar 0,1*a; dan maksimum epoh (MaxEpoh=30). Epoh ke-1: ® Data ke-1: Pi=(1111111100000110000011000001100000111111111000 00110000011000001); Jarak pada: * Bobot ke-1 = 5,9161 * Bobot ke-2 = 4,7958 * Bobot ke-3 = 4,4721 Jarak terkecil pada bobot ke-3 Target data ke-1= 1 Bobot ke- 3 baru (wy): 1,0000 1,0000 -0,0500 -0,0500 -0,0500 1,0000 1,0000 1,0000 1,0500 0,0000 0,0000 0,0000 1,0500 1,0000 1,0000 1,0500 0,0000 0,0000 0,0000 1,0500 1,0000 1,0000 1,0500 0,0000 0,0000 0,0000 1,0500 1,0000 1,0000 1,0500.1,0500 1,0500 1,0500 1,0500 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0500 0,0000 0,0000 0,0000 1,0500 12,0000 1,0000 1,0500 0,0000 0,0000 0,0000 1,0500 1,0000 1,0500 0,0000 0,0000 0,0000 1,0500 1,0000 —_,® Data ke-2: P2=(0001000001010000101000010100011111001000100100 01011000111100011); Jarak pada * Bobot ke-1 = 3,3166 * Bobot ke-2 5,5678 * Bobot ke-3 = 5,7228 Jarak terkecil pada bobot ke-1 Target data ke-2= 1 Bobot ke-1 baru (wi): 0,0000 0,0000 0,0000 1,0000 0,0000 0,0000 0,0000 0,0000 ... 0,0000 1,0000 0,0000 1,0000 0,0000 0,0000 0,0000 0,9550 ... 0,0450 0,0000 0,0450 0,9550 0,0000 0,0000 0,9550 0,0450 ... 0,0000 0,0450 0,9550 0,0000 0,0000 1,0000 1,0000 1,0000 ... 1,0000 1,0000 0,0000 0,0000 1,0000 0,9550 0,9550 0,9550 1,0000 0,0000 0,0000 1,0000 0,0000 0,0000 0,0000 1,0000 ... 0,0000 1,0000 1,0000 0,0000 0,0000 0,0000 1,0000 1,0000 ... 1,0000 1,0000 0,0000 0,0000 0,0000 1,0000 1,0000 a = 0,0405 Proses tersebut diteruskan untuk data ke-3 sampai data ke-15, kemudian dilanjutkan epoh ke-2 sampai ke-30, untuk setiap data dengan menggunakan cara yang sama. Setelah mencapai epoh yang ke-30 diperoleh bobot akhir: Wi = -0,0297 -0,0297 -0,0140 1,0297 -0,0140 -0,0297 -0,0297 0,0000 0,0113 1,0297 0,0000 1,0297 0,0113 0,0000 06,0000 0,9010 0,0990 0,0000 0,0990 0,9010 0,0000 0,0443 0,9044 0,0513 . 0,0000 0,0513 0,9044 0,0443 0,0443 0,9557 0,9080 0,9080 \0,9080 0,9557 0,0443 0,1330 0,9590 0,9375 0,9375 0,9375 0,9590 0,1330 0,1330 0,8670 0,0000 0,0000 0,0000 0,8670 40,1330 1,0297 0,8670 0,0000 0,0000 0,0000 0,8670 1,0297 1,0000 0,8670 -0,0140 0,0000 -0,0140 0,8670 1,0000 W2= 1,0000 0,1358 1,0217 1,0217 1,0217 0,1014 -0,0005 1,0000 0,8858 0,0000 0,0000 0,0000 0,9203 0,0797 1,0000 0,0000 0,0000 0,0000 0,0000 0,0244 0,9756 1,0000 0,0244 0,0244 0,0244 0,0244 0,9203 0,0553 0,9733 0,0712 0,9570 0,9570 ... 0,9570 0,0903 -0,0322 1,0000 0,0185 0,0185 0,0185 0,0185 ... 0,9097 0,0506 1,0000 0,0000 06,0000 0,0000 0,0000 0,0291 0,9709 1,0000 0,8858 0,0000 0,0000 0,0000 0,0345 0,9655 0,9733 0,1464 1,0322 1,0322 1,0322 0,9978 -0,0005 W3= 1,0000 0,9823 -0,0504 -0,0504 -0,0504 0,9823 1,0000 1,0000 1,0327 0,0000 0,0000 0,0000 1,0327 1,0000 1,0000 1,0327 0,0194 0,0194 0,0194 1,0327 1,0000 1,0000 1,0327 0,0194 0,0194 0,0194 1,0327 1,0000 1,0000 1,0327 1,0132 1,01321,0132 1,0327 1,0000 1,0000 1,0000 0,9806 0,9806 0,9806 1,0000 1,0000 1,0000 1,0504 0,0177 0,0177 0,0177 1,0504 -1,0000 1,0000 1,0327 0,0000 0,0000 0,0000 1,0327 1,0000 1,0000 1,0327 0,0000 0,0000 0,0000 1,0327 1,0000 Apabila kita ingin melakukan testing input: X=(0001000000100000101000010100010001001000101111 11110000011000001); yang bersesuaian dengan Gambar 8.35. Gambar 8.35 Pola huruf yang digunakan sebagai tes . maka kita cari terlebih dahulu jarak input tersebut dengan kedua bobot. Nomor dari bobot dengan jarak yang terpendek akan menjadi kelasnya. Jarak pada: * bobot ke-1 = 0,0693 * bobot ke-2 = 1,7655 * bobot ke-3 = 2,2446 Jarak terkecil pada bobot ke-1 Sehingga input tersebut termasuk dalam kelas A. Contoh 8.10: Kita memiliki data tentang beberapa pola karakter A, B dan H dengan mengunakan tulisan tangan seperti terlihat pada Gambar 8.36. Kita akan menggunakan Metode LVQ untuk melatih pola-pola yang ada, sehingga nantinya kalo ada pola baru, kita dapat menentukan pola tersebut termasuk dalam kelas mana.[Bi [ds] A Abe 4 Ou & AW a 222 i>] 3/9 aia o 8 1} & ey (e) A d A “” A A Pe A AIAIA a]z[=|s) SJzr]Es] ae EOL [B/8|e/B iv |n]H | Gambar 8.36 Pola huruf A, B, H dengan tulisan tangan. Sebelum kita melatih pola-pola yang telah ada, terlebih dahulu akan kita * lakukan preprosesing sebagai berikut: Penyederhanaan pola citra karakter dengan melakukan deteksi tepi. Deteksi tepi ini dilakukan untuk menghilangkan tepi-tepi citra yang tidak berisi garis-garis penyusun citra pola karakter. Deteksi tepi dilakukan dengan menggunakan operator Sobel. Selama proses deteksi tepi ini dilakukan penelusuran gambar secara vertikal dan horisontal sambil melihat apakah terjadi perubahan warna secara mendadak yang melebihi suatu harga antara 2 titik yang berdekatan. Setelah disederhanakan, setiap citra pola karakter dibagi menjadi matriks berukuran mxn (m baris, n kolom). Pada contoh ini, matriks yang terjadi berukuran 8x7. Setiap elemen matriks berisi 10x10 piksel. Lihat Gambar 8.37. Setiap kotak (elemen) kita lakukan penelusuran. Jika ditemukan nilai 1 (ada piksel) dalam jumlah tertentu (dalam contoh ini > 10 piksel), maka kita beri nilai 1 pada kotak tersebut. Namun jika tidak demikian, kita beri nilai 0 untuk kotak tersebut. Dari sini kita peroleh matriks berukuran 8x7, dengan tiap elemen bernilai 1 atau 0. Kemudian, matriks tersebut kita bawa ke bentuk vektor dengan ukuran mn (56 elemen). Karena setiap pola berupa vektor berukuran 56 elemen, maka apabila kita punya 60 pola, maka sekarang kita memiliki matriks berukuran 60x56.Gambar 8.37 Matriks 8x7 dengan tiap elemen berisi 10x10 piksel. Dari matriks berukuran 60x56 ini kita gunakan 3 baris sebagai bobot. Ketiga baris tersebut adalah elemen matriks pada baris ke-1 (pola huruf A), baris ke-21 (pola huruf B), dan baris ke 41 (pola huruf H). Ukuran matriks bobot bobot 56x3. Sehingga untuk pembelajaran hanya kita lakukan pada elemen-elemen sisanya, yaitu matriks berukuran 57x56. Vektor target berukuran 57, dengan nilai 1 yang mewakili huruf A, nilai 2 mewakili huruf B, dan nilai 3 mewakili huruf H. Matriks bobot setelah epoh ke-10 adalah: We 0,000 0,000 -0,066 0,000 0,000 0,000 0,000 0,000 0,000 0,000 -0,054 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 -0,016 0,214 0,1910,016 0,974 -0,029 0,932 0,805 -0,166 0,933 0,495 0,028 0,000 0,019 0,285 0,000 0,000 0,000 0,000 0,000 0,000 -0,105 0,904 1,152 0,108 0,947 0,431 0,914 0,640 -0,293 0,910 0,524 0,939 0,884 0,228 0,733 0,000 0,000 0,000 0,000 0,000 0,000 -0,088 0,098 1,075 0,960 1,009 0,702 0,853 1,163 0,508 1,000 0,957 0,952 1,070 0,067 0,762 0,000 0,000 0,000 0,000 0,000 0,000 0,157 0,085 1,142 0,947 0,926 0,958 0,149 0,031 0,830 0,272 0,619 1,013 1,025 1,031 0,613 0,760 0,000 0,000 0,000 0,000 0,069 0,866 0,585 1,038 0,990 1,108 0,490 -0,075 0,952 0,103 0,147 0,983 1,028 1,080 0,171 0,334 0,760 0,000 0,000 0,000 -0,056 0,000 0,730 0,304 0,931 -0,040 0,608 0,178 \ -0,040 0,828 0,032 / -0,024 0,422 0,716 -0,017 -0,058 0,198 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 Sekarang kita akan lakukan testing terhadap pola karakter yang ikut dilatih, yaitu input data ke-2 masing-masing untuk huruf A, B dan H.* = Untuk huruf o Jarak terhadap bobot ke-1 = 3,0681 o Jarak terhadap bobot ke-2 = 3,0736 o Jarak terhadap bobot ke-3 = 3,4500 Jarak paling pendek adalah jarak dengan bobot ke-1, dengan demikian pola karakter tersebut dikenali sebagai huruf ‘A’. * = Untuk huruf o darak terhadap bobot ke-1 = 3,5087 o Jarak terhadap bobot ke-2 = 2,4079 o Jarak terhadap bobot ke-3 = 83,5897 darak paling pendek adalah jarak dengan bobot ke-2, dengan demikian pola karakter tersebut dikenali sebagai huruf ‘B’. * = Untuk huruf H: o Jarak terhadap bobot ke-1 = 3,3045 o Jarak terhadap bobot ke-2 = 3,9236 o Jdarak terhadap bobot ke-3 = 2,1927 darak paling pendek adalah jarak dengan bobot ke-3, dengan demikian pola karakter tersebut dikenali sebagai huruf ‘H’. Kemudian kita akan melakukan testing terhadap pola karakter yang belum dikenali (tidak ikut dilatih). Pola tersebut ada yang berupa karakter yang sama sekali tidak ikut dilatih, dan ada pula yang me- rupakan modifikasi dari karakter yang ikut dilatih dengan meng- hilangkan beberapa bagiannya. Hasilnya terlihat pada Tabel 8.3:Tabel 8.3 Hasil testing terhadap pola yang belum dikenali. "| Sarak terhadap bobot ke- | Jarak | pi caan ; | eee RUN ectne | ee Pola ; / ilienweu sebagai ee ee Hy 3,6943 | 33908 | 2,8775 3 H f \ 3,1688 3,6657 3,2154 4,1239 3,5281 2,8987 4,1124 Dari hasil pada tabel terlihat bahwa, dari 8 pola tersebut hanya 1 pola yang tidak tepat dari dugaan, yaitu pola ke-2. Pada pola tersebut dugaan kita adalah mendekati huruf A, namun setelah dites ternyata pola tersebut lebih mendekati huruf H.