You are on page 1of 8

J.

Pilar Sains 6 (2) Juli 2007


© Jurusan Pendidikan MIPA FKIP Universitas Riau
ISSN 1412-5595

PENGGUNAAN METODE JARINGAN NEURAL PERCEPTRON UNTUK


MENGENAL POLA KARAKTER KAPITAL

Zaiful Bahri1
Dosen Program Studi Pendidikan Matematika FKIP Universitas Riau

Abstrak
Pemodelan dengan jaringan neural merupakan pembelajran dan penyesuaian dari suatu objek.
Metode perceptron merupakan metode pembelajaran dengan pengawasan dalam sistem jaringan syaraf
tiruan. Dalam mengenal pola beberapa huruf diperlukan beberapa neuron untuk membedakannya.
Neuron-neuron akan menghasilkan nilai kombinasi yang digunakan untuk mengenal pola huruf-huruf
tersebut. Dalam tulisan ini akan dibahas mengenal pola huruf kapital A, B, C, D dan E. MATLAB
digunakan untuk mensimulasikan proses pembelajaran menggunakan metode jaringan neural perceptron.

Kata-kunci : Jaringan syaraf, Perceptron, Model, Pengenalan Pola, Pembelajaran

A. Pendahuluan Rosenbaltt (1950) merancang perceptron dengan


Pemodelan dengan jaringan neural menguraikan pemodelan kemampuan sistem
merupakan pembelajaran dan penyesuaian suatu pengenalan pola untuk sistem penggambaran
objek. Model-model jaringan neural dapat biologi. Metode perceptron merupakan metode
diklasifikasikan menurut beberapa kriteria, seperti pembelajaran dalam sistem jaringan neural,
metode pembelajaran. Menurut arsitekturnya, tipe sehingga jaringan yang dihasilkan harus
input dapat berupa biner atau bipolar, begitu juga mempunyai parameter yang dapat diatur dengan
untuk output (biner atau bipolar). Dalam hal ini cara mengubah pembelajaran dengan pengawasan.
pemodelan dipandang dari kumpulan data input- Jaringan neural terdiri dari sejumlah neuron dan
outputnya. Pemodelan dengan perceptron sejumlah masukan.
menggambarkan suatu usaha untuk membangun Dalam merancang jaringan neural yang
kecerdasan dan sistem pembelajaran sendiri perlu diperhatikan adalah banyaknya spesifikasi
menggunakan komponen sederhana yang berasal yang akan diidentifikasi dan jumlah neuron yang
dari model jaringan biologi yang diperkenalkan akan digunakan.
oleh McCuulloch dan Pitts (1943). Berikutnya
B. Metode
Persiapan menggunakan perceptron untuk , layer output biasanya mempunyai n simpul
aplikasi pengenalan pola digambarkan sebagai yang masing-masing berkorespondensi terhadap
elemen matrik yang berisi 0 dan 1. Layer pertama suatu kelas.
pada perceptron dinyatakan dengan suatu Setiap fungsi dalam layer 1 adalah fungsi
kumpulan dari “detector tanda” sebagai isyarat tetap/konstan yang dihitung terdahulu, memetakan
input untuk mengetahui tanda khusus. Layer kedua semua atau sebagian pola input ke dalam nilai
(output) mengambil output dari tanda khusus biner atau suatu nilai bipolar
dalam layer pertama dan mengklasifikasikan pola . Satuan output adalah suatu unsur ambang
data yang diberikan. Pembelajaran dinyatakan linear dengan nilai ambang yang dinyatakan
dengan membuat aturan hubungan yang relevan dengan :
(bobot ) dengan suatu nilai threshold (nilai
ambang ). Untuk persoalan dua kelas, layer
output biasanya mempunyai hanya satu
node(simpul). Untuk persolan kelas- dengan
Zaiful Bahri Penggunaan Metode Jaringan Neural /30

dimana adalah suatu bobot yang dapat Dalam persamaan (1), fungsi f(.) adalah
dimodifikasi berhubungan dengan kedatangan fungsi aktivasi dari perceptron dan hal ini khusus
isyarat dan adalah suatu bentuk berlaku untuk suatu fungsi signum sgn(x) atau
penyederhanaan. fungsi step(x) :

(2)

(3)
Prosedur pembelajaran hanya mengambil
bobot yang berhubungan terhadap satuan output 1. Pilih suatu vektor input x dari kumpulan
dalam layer terakhir. Jika hanya bobot pendahulu data pelatihan.
pada layer terakhir yang diubah, perceptron dalam 2. Jika perceptron memberikan suatu
gambar 1 biasanya diperlakukan sebagai jawaban salah, modifikasi semua bobot
perceptron layer tunggal. Dimulai dengan suatu terhubung sesuai dengan =
himpunan bobot terhubung yang acak, algoritma dimana adalah suatu target output dan
pembelajaran dasar untuk perceptron layer tunggal adalah tingkat pembelajaran.
diulangi mengikuti tahapan berikut sampai bobot
konvergen.
Aturan pembelajarang dapat dispesifikasikan
dengan merubah nilai
ambang sesuai dengan persamaan (1). Nilai untuk kesalahan. Nilai adalah proporsional terhadap
tingkat pembelajaran dapat menjadi konstan kesalahan biasanya membuat untuk
melalui pelatihan atau proporsional terhadap suatu
konvergen lebih cepat tetapi dapat menyebabkan
pembelajaran tidak stabil.
Zaiful Bahri Penggunaan Metode Jaringan Neural /31

Misalnya arsitektur neural network yang terdiri dari s neuron dan R masukan dapat
dinyatakan seperti gambar 1.
C. Pembahasan didefinisikan terlebih dahulu dan tidak ada satu
aturan yang dapat mengikat tentang kombinasi
1. Perancangan Arsitektur Jaringan
keluaran neuron dengan sesuatu yang
Mengacu pada gambar 1, dan kebutuhan diidentifikasi.
untuk mengidentifikasi lima huruf, diperlukan Selanjutnya, arsitektur neural network untuk
tiga neuron untuk membedakannya. Untuk nilai menyelesaikan persoalan ini adalah seperti pada
masukan telah diketahui bahwa setiap huruf gambar 2. Dari gambar 2 terlihat nilai dan
direpresentasikan dengan 35 nilai yang berbeda. nilai sebelum tanda koma menunjukan
Karena itu, masukan untuk masalah ini adalah neuron yang akan menerima bobot w, sedangkan
sebanyak 35. Ketiga neuron tersebut akan nilai setelah tanda koma menunjukan masukan
menghasilkan nilai yang kombinasi digunakan nilai bobot. Jadi adalah nilai bobot ke-21
untuk mengidentifikasikan furuf-huruf tersebut. yang dimasukan ke dalam neuron ke-3.
Kombinasi yang setara dengan sebuah huruf
Arsitektur jaringan terdiri dari tiga neuron 2. Instruksi dan Inisialisasi Variabel
yang mendapatkan masukan sebanyak 35,
Instruksi pertama adalah newp, instruksi
karena itu ada 3 x 35 nilai bobot yang
untuk membuat jaringan neural baru dengan
diperlukan. Masing-masing 35 nilai bobot
metode perceptron. Instruksi ini memiliki
tersebut diberikan untuk setiap neuron.
sintaks newp(PR,S), dengan PR adalah matriks
Keluaran neuron ( ) akan
berdimensi Rx2 yang nilai minimum dan
dimasukkan ke fungsi hardlim (hardlimit),
maksimum R adalah banyaknya masukan ke
sebuah fungsi pada MATLAB yang akan
setiap neuron. Untuk kasus ini, akan ada 35 x 2
mengonversikan nilai masukan menjadi nol (0)
matriks yang menjadi masukan bagi setiap
atau satu (1). Dari fungsi hardlim dapat
neuron dengan nilai minimum dan maksimum
diidentifikasi huruf-huruf A, B, C, D dan E.
masing-masing adalah nol dan satu. Sedangkan
Kombinasi keluaran neuron untuk mengenal
S adalah banyaknya neuron, karena banyaknya
pola huruf A, B, C, D dan E didefinisikan
neuron sama dengan tiga, maka S=3.
sebagai 000 untuk A, 001 untuk B, 010 untuk C,
neuron harus menghasilkan nilai seperti yang
101 untuk D dan 111 untum E.
telah didefinisikan sebelumnya. Misalnya,
MATLAB digunakan untuk mensimulasikan
untuk masukan pA, neuron pertama dan kedua
proses pembelajaran menggunakan metode
harus 0 dan neuron ketiga harus 1. Hal ini akan
perceptron. Diperlukan pengetahuan mengenai
mempermudah simulasi.
instruksi-instruksi pada MATLAB yang
berhubungan dengan neural network.
Zaiful Bahri Penggunaan Metode Jaringan Neural /32

Gambar 2. Arsitektur neural network untuk mendeteksi huruf A, B, C, D


dan E
Dari gambar 2 dapat dilihat bahwa Tabel 1. Korespondensi neuron, nilai masukan
arsitektur jaringan tersebut dapat berdiri sendiri. dan target
Untuk setiap masukan, hubungan neuron, nilai Untuk inisialisasi jaringan bagi ketiga
masukan dan target yang diinginkan dapat neuron tersebut pada MATLAB, digunakan
dilihat pada tabel 1. instruksi newp, dimana jaringan yang terbentuk
Neuron Masukan Target untuk masing-masing net1, net2 dan net3, begitu
pA, pB, pC 0 juga untuk masukan masing-masing huruf.
1 pD, pE 1
pA, pB, pD 0
2 pC, pE 1
pA, pC 0
3 pB, pD, pE 1
net1=newp([0 1;0 1;0 1;0 1;0 1; 0 1;0 1;
0 1;0 1;0 1; 0 1;0 1;0 1;0 1;
0 1; 0 1;0 1;0 1;0 1;0 1; 0 1;
0 1;0 1;0 1;0 1; 0 1;0 1;0 1;
0 1;0 1; 0 1;0 1;0 1;0 1;0 1],1); untuk neuron 1
net2=newp([0 1;0 1;0 1;0 1;0 1; 0 1;0 1;
0 1;0 1;0 1; 0 1;0 1; 0 1;0 1;
0 1; 0 1;0 1;0 1; 0 1;0 1; 0 1;
0 1;0 1;0 1; 0 1; 0 1;0 1;0 1;
0 1;0 1;0 1;0 1;0 1;0 1;0 1],1); untuk neuron 2
net3=newp([0 1;0 1;0 1;0 1;0 1; 0 1;0 1;
Zaiful Bahri Penggunaan Metode Jaringan Neural /33

0 1;0 1;0 1; 0 1;0 1;0 1;0 1;


0 1; 0 1;0 1;0 1;0 1;0 1; 0 1;
0 1;0 1;0 1;0 1; 0 1;0 1;0 1;
0 1;0 1; 0 1;0 1;0 1;0 1;0 1],1); untuk neuron 3
Sedangkan data masukan untuk masing-masing huruf adalah seperti berikut ini :
pA=[0;0;1;0;0; 1;1;0;1;1; 1;1;0;1;1; 1;1;0;1;1; 1;1;1;1;1; 1;1;0;1;1; 1;1;0;1;1];
pB=[1;1;1;1;0; 1;1;1;1;1; 1;1;0;0;1; 1;1;1;1;0; 1;1;0;0;1; 1;1;1;1;1; 1;1;1;1;0];
pC=[0;1;1;1;0; 1;1;1;1;1; 1;1;0;0;1; 1;1;0;0;0; 1;1;0;0;1; 1;1;1;1;1; 0;1;1;1;0];
pD=[1;1;1;1;0; 1;1;1;1;1; 1;1;0;1;1; 1;1;0;1;1; 1;1;0;1;1; 1;1;1;1;1; 1;1;1;1;0];
pE=[1;1;1;1;1; 1;1;1;1;1; 1;1;0;0;0; 1;1;1;1;1; 1;1;0;0;0; 1;1;1;1;1; 1;1;1;1;1];
Jika data masukan tersebut disatukan Untuk mensimulasikan neuron ini, dapat
menjadi aliran data untuk huruf A, B, C, D dan digunakan instruksi sim, dengan sintaks sebagi
E, maka data tersebut dapat dideklarasikan berikut [Y,Pf,Af,E,perf]=sim(net,P,Pi,Ai,T).
dalam MATLAB sebagai berikut : Dalam hal ini, return value yang akan digunakan
pTOTAL=[pA pB pC pD pE]. Selajutnya target adalah net, sedangkan passing valuenya adalah
untuk masing masing network adalah sebagai P(nilai masukan) dan T(target). Sedangkan
berikut : passing value yang akan digunakan net, P(nilai
t1=[0 0 0 1 1] untuk neuron 1 masukan) dan T (target). Dengan instruksi sim
t2=[0 0 1 0 1] untuk neuron 2 tidak lagi diperlukan instruksi hardlim karena
t3=[0 1 0 1 1] untuk neuron 3 sudah disimulasikan dalam fungsi sim.
Instruksi selanjutnya yang diperlukan Langkah awal adalah melakukan simulasi
adalah train. Instruksi ini memilik sintaks dengan mendeklarasikan semua variabel pada
[net,tr,Y,E,Pf,Af]=train(net,P,T,Pi,Ai,VV,TV). command window MATLAB. Variabel tersebut
Dalam tulisan ini, return value dari instruksi adalah ketiga neuron, data masukan, dan data
adalah Y sebagai output dari network. target setiap neuron.
3. Skenario Simulasi Jaringan dan Hasil
Setelah arsitektur jaringan serta variable-variabel diketahui, simulasi pada MATLAB dapat
dilakukan. Hasil inisialisasi jaringan dan variabel dapat dilihat seperti gambar 3.

s
Gambar 3. Inisialisasi jaringan dan variabel- variabel neuron pada Matlab

Gambar 4. Konvergensi keluaran neuron pertama setelah epoch ke 12


Nilai bobot yang dihasilkan dari pembelajaran neuron pertama, yang disimpan dalam variabel w1,
adalah sebagai berikut :
w1 ={ 4 4 -1 4 3 -1 -1 4 -1 -1 -1 -1 0 2 -4 -1 -1 -3 -1 5 -1
-1 -5 2 -4 -1 -1 4 -1 -1 -1 -1 4 -1 -2}
Zaiful Bahri Penggunaan Metode Jaringan Neural /34

sedangkan nilai bias yang disimpan dalam variabel b1 adalah -1. Proses simulasi selanjutnya adalah untuk
neuron kedua dan ketiga dengan instruksi yang sama dengan neuron pertama dengan variabel disesuaikan,
dan diperoleh :

Gambar 5. Konvergensi keluaran neuron kedua setelah epoch ke 3


Perbedaan nilai keluaran neuron kedua dengan nilai keluaran yang diharapkan sejak pembelajaran
dimulai, dapat digambarkan sebagai berikut (gambar 5). Nilai bobot yang dihasilkan dari pembelajaran
neuron kedua, yang disimpan pada w2 adalah :
w2 ={ -1 1 0 1 1 0 0 1 0 0 0 0 0 -2 -1 0 0 0 -2 -1 0 0 -
1 -2 -1 0 0 1 0 0 -2 0 1 0 0}
sedangkan nilai bias yang disimpan dalam variabel b2 adalah 0. Nilai bobot yang dihasilkan dari
pembelajaran neuron ketiga (gambar 6), yang disimpan dalam variabel w3, adalah sebagai berikut :
w3 ={ 6 3 -1 3 0 -1 -1 3 -1 -1 -1 -1 0 -1 -1 -1 -1 3 2 -1 -1 -1
-4 -1 -1 -1 -1 3 -1 -1 2 -1 3 -1 -4}
sedangkan nilai bias yang disimpan dalam variabel b3 adalah -1. Setelah semua neuron konvergen,
jaringan dapat digunakan untuk mengidentifikasi huruf A, B, C, D dan E. Untuk simulasi huruf A
digunakan instruksi: aTOTAL = [sim(net1,pA) sim(net2,pA) sim(net3,pA)].

Gambar 6. Konvergensi keluaran neuron ketiga setelah epoch ke 5


Instruksi untuk data masukan huruf lain Y1 tersebut adalah Y1=[0 0 0 1 1]. Terlihat
mengikuti instruksi di atas. Hasil simulasi bahwa nilai Y1 sama dengan t1 (target pertama),
keluaran ketiga neuron adalah [0 0 0], [0 0 1], [0 sehingga error untuk keluaran pertama yaitu
1 0], [1 0 1], [1 1 1] masing-masing untuk huruf e1=Y1-t1, maka diperoleh e1=[0 0 0 0 0]. Untuk
A, B, C, D, dan E. Hasil ini sama dengan neuron kedua dan ketiga digunakan variabel Y2
representasi huruf-huruf tersebut. dan Y3 dan diperoleh berturut - turut Y2=[0 0
Untuk neuron pertama dengan data 1 0 1] dan Y3=[0 1 0 1 1], yang sama dengan
masukan pTOTAL dihasilkan keluaran yang target t2 dan t3, yang menghasilkan e2=[0 0 0
kemudian disimpan dalam variabel Y1. Variabel 0 0] dan e3=[0 0 0 0 0]
Zaiful Bahri Penggunaan Metode Jaringan Neural /35

4. Pengujian mengidentifikasi data masukan yang telah


dimodifikasi. Berhasil tidaknya proses
Untuk menguji kinerja neuron ini
identifikasi ditentukan dengan kesamaan
diperlukan masukan yang sudah dimodifikasi
keluaran jaringan neuron dengan target yang
sedemikian rupa berbeda dari data masukan
telah ditetapkan. Selanjutnya, dilakukan
awal, namun polanya masih kelihatan. Berikut
langkah-langkah yang sama seperti pada saat
adalah data awal dan data yang telah
pembelajaran. Perbedaannya adalah pada saat
dimodifikasi (Tabel 2) untuk masukan masing
pembelajaran ini tidak diperlukan lagi instruksi
huruf A,B,C, D dan E. Dengan menggunakan
train. Berikut data masukan untuk masing-
variabel target yang sama dengan saat
masing huruf yang sudah dimodifikas
pembelajaran, dapat disimulasikan apakah
arsitektur jaringan yang dibuat dapat

Huru Awal Modifikasi Huru Awal Modifikasi Huru Awal Modifikasi


f f f

A B C

D E

Tabel 2. Korespondensi Data awal sat pelatihan dan data modifikasi untuk pengujian

pA1=[0;1;1;1;0; 1;1;0;1;1; 1;1;0;1;1; 1;1;0;1;1; 1;1;1;1;1; 1;1;0;1;1; 1;1;0;1;1];


pB1=[1;1;1;1;1; 1;1;1;1;1; 1;1;0;0;1; 1;1;1;1;0; 1;1;0;0;1; 1;1;1;1;1; 1;1;1;1;1];
pC1=[0;1;1;1;1; 1;1;1;1;1; 1;1;0;0;1; 1;1;0;0;0; 1;1;0;0;1; 1;1;1;1;1; 0;1;1;1;1];
pD1=[1;1;1;0;0; 1;1;1;1;0; 1;1;0;1;1; 1;1;0;1;1; 1;1;0;1;1; 1;1;1;1;0; 1;1;1;0;0];
pE1=[1;1;1;1;1; 1;1;1;1;1; 1;1;0;0;0; 1;1;1;0;0; 1;1;0;0;0; 1;1;1;1;1; 1;1;1;1;1];
Setelah data masukan yang baru menghasilkan keluaran [0 0 0], sama seperti
dideklarasikan di MATLAB, keluaran dapat representasi untuk huruf A. Begitu juga untuk
dilakukan dengan instruksi simulasi sim untuk huruf B, C, D dan E yang masing-masing
masing-masing huruf. Instruksinya adalah: menghasilkan [0 0 1], [0 1 0], [1 0 1] dan [1 1 1].
aTOTAL=[sim(net1,pA1) sim(net2,pA1) Tingkat ketidakteraturan data uji sesungguhnya
sim(net3,pA1)] masih sangat sederhana, sehingga kemampuan
Instruksi di atas dapat digunakan untuk jaringan neuron masih bisa mengenal pola masukan
masing-masing huruf dengan variabel yang sebagai huruf yang diidentifikasi. Namun jika data
disesuaikan. Terlihat, pada saat data masukan uji diubah dengan dengan data yang polanya agak
adalah adata uji untuk huruf A, jaringan neuron berbeda seperti pola yang pertama:
01100 11111
11110 11111
11000 11011
11000 dan 11011
11000 11011
11110 11111
01100 11111
Zaiful Bahri Penggunaan Metode Jaringan Neural /36

Hasil simulasi menunjukkan keluaran [1 1 0] yang tidak mengenal pola masukan tersebut,
bukan representasi dari kelima huruf, walaupun karena polanya mirip dengan huruf O,
polanya masih kelihatan sebagai huruf C, begitu juga sehingga keluarannya tidak seperti yang
dengan pola yang kedua, hasil simulasi menunjukkan diharapkan.
keluaran [1 0 0] yang bukan representasi dari kelima
huruf, walaupun polanya masih kelihatan sebagai E. Daftar Pustaka.
huruf D.
[1] Diah Puspitaningrum, Pengantar Jaringan
D. Kesimpulan Syaraf Tiruan, Andi Yokyakarta, 2006.
[2] Jong Jek Siang, Jaringan Syaraf Tiruan dan
Jaringan neural terdiri dari sejumlah neuron dan Pemogramannya Menggunakan MATLAB, Andi
sejumlah masukan. Dalam merancang jaringan neural Yoyakarta, 2009.
yang perlu diperhatikan adalah banyaknya spesifikasi [3] Mike Susmikanti dan Arya Adhiyaksa.
yang akan diidentifikasi. Identifikasi Huruf Menggunakan Metode
Dari beberapa data uji yang dilakukan dapat Pembelajaran Perceptron Dalam Jaringan Neural.
diambil kesimpulan bahwa : Prosiding Semiloka Teknologi Simulasi dan
1. Jika pola masukan masih mirip dengan pola Komputasi serta Aplikasi, 2005.
awal maka arsitektur jaringan neuron yang [4] Pandya, A. S., Pattern Reconition with Neural
dibanguan masih mampu mengidentifikasi Networks in C++, CRC Press 1994.
pola masukan tersebut. [5]. Sergios Theodoridis and Konstantinos
2. Jika pola masukan tidak mirip dengan pola Koutroumbas, Pattern Recognition, Third
awal seperti pola huruf D, jaringan neural Edition, Elsevier (USA), 2006.