Professional Documents
Culture Documents
Radial Basis Function Dengan Randomize Cluster Decision: Pengenalan Huruf Menggunakan Model Jaringan Saraf Tiruan
Radial Basis Function Dengan Randomize Cluster Decision: Pengenalan Huruf Menggunakan Model Jaringan Saraf Tiruan
Abstract
Artificial Neural Network is the adaptive model in Artificial Intelligence as become the model of learning.
Many research in artificial neural network using BackPropagation. More of 70 prosen researcher using this
model to solve all problem in its research. BP using supervised learning, which indicated the output as the basis
of failure value as a feedback of its activation. This paper I will introduced another method in artificial neural
network called Radial Basis Function to recognize various font. RBF is a mocel of ANN which adopt both
supervised and unsupervised learning. The Hidden layer doesn’t form first when the building of its architecture.
In this model Hidden layer will form after we could cluster for all various font itself. A number of hidden layer
based on a number of cluster center. Weighting in Hidden and output layer using Gaussian model and
Pseudoinverse matrices. Although I didn’t compare the result of both model BP and RBF for this problem, the
result of this research almost get 70 % success in order to recognize all font pattern.
Keywords: Artificial Neural Network, adaptive, Radial Basis Function, Gaussian, Pseudoinverse
F-63
Seminar Nasional Aplikasi Teknologi Informasi 2005 (SNATI 2005) ISBN: 979-756-061-6
Yogyakarta, 18 Juni 2005
F-64
Seminar Nasional Aplikasi Teknologi Informasi 2005 (SNATI 2005) ISBN: 979-756-061-6
Yogyakarta, 18 Juni 2005
F-65
Seminar Nasional Aplikasi Teknologi Informasi 2005 (SNATI 2005) ISBN: 979-756-061-6
Yogyakarta, 18 Juni 2005
Perhitungan invers matriks menggunakan model Cluster dibentuk secara otomatis untuk
Gauss (banyak terdapat metode untuk pencarian invers menentukan pusat cluster yang kemudian akan
matriks tersebut, contohnya adalah Gauss, Gauss- digunakan pada model radial basis function.
Jordan, Dekomposisi LU dan sebagainya). Kelemahan Hasil yang diperoleh dari model gabungan ini
pada matriks Gauss Jordan adalah nilai 0 sehingga ternyata menunjukkan keakuratan yang cukup
menimbulkan kesalahan devide by zero atau nilai tak baik. Hasil uji coba membuktikan bahwa lebih
hingga, sehingga perlu penambahan mekanisme dari 97 prosen (atau hampir 100 prosen) huruf
pivoting untuk menghilangkan atau mengeliminasi dapat dikenali oleh sistem berbasis radial
kelemahan model tersebut. tersebut. Dari 50 kali percobaan ternyata
Model awal yang dikembangkan menggunakan terdapat kesalahan antara dua dan satu saja.
tambahan layer bias untuk koneksi ke layer output, Sehingga kesimpulan yang didapat dari
sehingga matriks yang terbentuk akan bertambah 1 penelitian ini sudah cukup baik untuk
untuk kolom akhir (n+1). Setelah melalui proses pengenalan pola abjad dan kemungkinan
pembelajaran tersebut maka bobot akhir didapat. dikembangkan pada model pattern recognition
Proses berikutnya dilakukan dengan memasukkan nilai lain yang lebih kompleks.
persamaan ke 5, sehingga hasil yang didadapat dapat Saran kedepan dapat dilakukan dalam
menentukan hasil sistem yang dibuat. penentuan titik cluster yand dilakukan tidak
dengan cara random, tetapi dapat dilakukan
dengan model pembentukan cluster secara
otomatis (C-Cluster) dan lain-lain. Sehingga
memang cluster yang terbentuk merupakan
kelompok yang berciri dan bersesuaian antara
pola-pola yang sama.
DAFTAR PUSTAKA
[BUT92] Butorovic,L.J. Citkusev.
Backpropagation and Forward
propagation. International Joint
Conference of Neural Network.
Gambar 5. Contoh 1 pola karakter alfabet huruf besar 1992.
untuk pembelajaran [CHE92] Chester, M., Neural Network A
Tutorial, Prentice Hall International
5. Hasil New Jersey
Percobaan dilakukan terhadap karakter abjad [ERW02] Erwin, Muhammad. Sistem cerdas
besar (A-Z) dengan memberikan pelatihan sebanyak 4 identifikasi objek 2 dimensi
pola untuk masing-masing font tertentu, sehingga menggunakan jaringan saraf tiruan
jumlah data pelatihan sebanyak 4 * 26 buah atau propagasi balik. Skripsi S1 Teknik
sekitar 104 data pelatihan dengan output sebanyak 26 Informatika. 2002
(jumlah abjad A-Z). Pengujian dilakukan dengan [ERW05] Erwin, Muhammad. Diktat kuliah
memberikan sinyal derau atau noise terhadap abjad Jaringan Saraf Tiruan (version 3.0).
yang terbentuk. Dari 50 data pengujian didapat 38 data Jurusan Teknik Informatika, Fakultas
dikenali dan 12 data tidak dikenali oleh sistem. Proses Teknologi Industri, Universitas Islam
untuk mengenali pola dilakukan sangat cepat atau Indonesia. 2005.
kurang lebih kurang dari 2 detik. Walaupun dikatakan [FAU94] Fausett, Laurence. Fundamental Of
model ini tidak terlalu berhasil (dilihat dari prosentase Neural Network. New Jersey :
hasil yang didapat, tetapi setidaknya hampir 80 prosen Prentice Hall, 1994.
dapat dikenali dan dikatakan baik). [KOS92] Kosko, B., ed. Neural Network for
Signal processing. Englewood Cliffs,
6. Penutup dan Kesimpulan NJ : Prentice-Hall, 1992.
Pengenalan huruf menggunakan jaringan saraf [KOS99] Kosz, D. New numerical methods of
tiruan telah banyak dikembangkan dalam beberapa fingerprints’ recognition based on
penelitian sebelumnya. Pada penelitian ini telah mathematical description of
dikembangkan perpaduan model Jaringan saraf tiruan arrangement of dermatopologys and
antara model radial dengan pembentukan cluster creation minutiae. OPTEL. 1999.
menggunakan model SOMA (Self Organizing Map).
F-66
Seminar Nasional Aplikasi Teknologi Informasi 2005 (SNATI 2005) ISBN: 979-756-061-6
Yogyakarta, 18 Juni 2005
F-67