SUPERVISED
LEARNING
Ketua
: Megawati Sinaga (131112241)
Anggota : Kardiko Simbolon (131112233)
Annisa Sharfina (131110518)
Jhon Tulus (131111041)
Dinda Praitiwi Manurung (131111831)
Rima Urmila Tamba (131112004)
Iin Rosa Yp (131112616)
Friska Aprianri Nababan (131112659)
Ricardo Rinaldy Y. Lumbantobing (131112314)
Suandi Tarihoran (131110925)
Jefri Daniel Erikcandro Sinaga (131112268)
BAB I
Pendahuluan
1.1 Latar Belakang
Jaringan Saraf Tiruan(Artificial Neural Network)merupakan suatu sistem
pemrosesan informasi yang didesain dengan menirukan cara kerja otak
manusia dalam menyelesaikan suatu masalah dengan melakukan proses
belajar melalui perubahan bobot sinapsisnya.
Selain itu jaringan saraf tiruan merupakan suatu metode komputasi yang
meniru sistem jaringan saraf biologi. Metode ini menggunakan elemen
perhitungan non-linear dasar yang disebut neuron yang diorganisasikan
sebagai jaringan yang saling berhubungan, sehingga mirip dengan jaringan
saraf manusia. Jaringan saraf tiruan dibentuk untuk memecahkan masalah
tertentu seperti pengenalan pola klafikasi karena proses pembelajaran.
Cara pembelajaran atau pelatihan jaringan saraf tiruan
dikelompokkan menjadi beberapa bagian, 2 diantaranya
supervised learning dan unsupervised learning.
Supervised learning merupakan suatu pembelajaran yang
terawasi dimana jika output yang diharapkan telah diketahui
sebelumnya. Biasanya pembelajaran ini dilakukan dengan
menggunakan data yang telah ada.
Contoh algoritma jaringan saraf tiruan yang mernggunakan
metode supervised learning adalah hebbian (hebb rule),
perceptron, adaline, boltzman, hapfield, dan backpropagation.
1.2 Rumusan Masalah
Berdasarkan paparan di atas, maka masalah yang ingin
diselesaikan adalah :
Mengetahui bagaimana algoritma perceptron menentukan
sebuah pola.
1.3 Batasan Masalah
Menyesuaikan target huruf dengan satu pola inputan yang
sudah di rusak(destroyed).
1.4 Tujuan
Mengetahui perbedaan dari rancangan pengenalan pola untuk
mengidentifikasi huruf.
BAB II
ANALISIS
2.1 Perceptron
Perceptron merupakan salah satu bentuk jaringan sederhana,
Perceptron biasanya digunakan untuk mengklasifikasikan suatu pola
tipe tertentu yang sering dikenal dengan pemisahan secara linear.
Perceptron memiliki kemampuan lebih baik dari pada algoritma
pembelajaran Hebb. Perceptron merupakan pengembangan aturan
hebb dimana terdapat tiga bagian yaitu unit sensor (dengan
aktivitasi biner), unit-asociator (dengan aktivasi biner), dan unit
respon (dengan aktivasi bipolar).
Algoritma pelatihan perceptron lebih baik dibandingkan model Hebbian karena:
Setiap kali pola dimasukkan, hasil keluaran jaringan dibandingkan dengan target yang
sesungguhnya. Jika terdapat perbedaan, maka bobot akan dimodifikasi. Jadi tidak
semua bobot selalu dimodifikasi dalam setiap iterasinya
Modifikasi bobot tidak hanya ditentukan oleh perkalian antara target dan masukan,
tetapi juga melibatkan suatu laju pembelajaran yang besar dapat diatur.
Pelatihan dilakukan berulang-ulang untuk semua kemungkinan pola yang ada hingga
jaringan dapat mengerti polanya (ditandai dengan samanya semua keluaran jaringan
dengan target keluaran yang diiinginkan). Satu siklus pelatihan yang melibatkan
semua pola disebut Epoch. Dalam jaringan Hebbian, pelatihan hanya dilakukan dalam
satu Epoch saja.
Teorema konvergensi perceptron menyatakan bahwa apabila ada bobot yang tepat,
maka proses pelatihan akan konvergen ke bobot yang tepat tersebut
2.2 Desain
Pola Huruf
2.3 Pengenalan Pola
Identifikasi Huruf
2.3.1 Arsitektur
Arsitektur Jaringan Syaraf Tiruan yang digunakan
adalah perceptron dengan 63 neuron input dan 7
neuron output dengan arsitektur lapis tunggal
2.3.2 Pengujian Huruf
Sedangkan untuk algoritma lengkapnya adalah
sebagai berikut
1. Baca Input
2. Binerisasi input
3. Untuk i 1 sampai 7 lakukan langkah 4 sampai 7
4. yin=bobot[i,64]
5. Untuk j 1 sampai 63 lakukan yin=yin+datauji[j]*bobot[i,j];
6. y[i]=f(yin)
7. jika y[i]=1 berarti pola yang dimasukan merupakan huruf ke-i
8. jika tidak ada satupun y[i] yang bernilai satu maka pola yang diinputkan tidak
bisa diklasifikasikan.
BAB V
KESIMPULAN
Metode pengenalan pola dengan algoritma perceptron
dapat diimplementasikan pada pengenalan huruf.
Dengan menggunakan algoritma perceptron ternyata
bisa dilakukan pengklasifikasian pola huruf. Meskipun
dalam pelatihan dengan data yang sedikit, saat
pengujiannya hasil yang didapat menunjukan bahwa
beberapa pola sesuai dengan klasifikasi polanya.
Algoritma Perceptron memastikan inputan yang di input
sesuai dengan keluaran yang di tampilkan.