Escolar Documentos
Profissional Documentos
Cultura Documentos
gomkuadrat@gmail.com
3
I.
PENDAHULUAN
II.
DASAR TEORI
unit masukan
keluaran:
net=x 1 w1 + x2 w 2+ x 3 w3
net= x i wi +b
(1)
B. Perceptron
Jaringan perceptron terdiri dari beberapa unit
masukan(ditambah seluruh bias) dan memiliki sebuah unit
keluaran seperti pada Gambar 2. Hanya saja fungsi aktivasi
bukan merupakan fungsi biner/bipolar, tetapi memiliki
kemungkinan nilai -1, 0, atau 1.
f ( net )=
1, jikanet >
{0, jika net
1, jika net <
(4)
dengan
w=t x i
(5)
dan
b=t
(6)
f ( net )=
III.
METODOLOGI
1, jikanet>
{0, jika net
1, jika net <
w 1 x 1+ w2 x2 +...+ wn x n +b=
(2)
w 1 x 1+ w2 x2 +...+ wn x n +b=
(3)
C. Pelatihan Perceptron
Misalkan s adalah vektor masukan dan t adalah target
keluaran, adalah learning rate yang ditentukan, dan
adalah threshold yang ditentukan, maka algoritma pelatihan
perceptron adalah sebagai berikut:
Inisialisasi semua bobot(w) dan bias(b). Tentukan learning
rate(). Untuk penyederhanaan, biasanya diberi nilai 1.
Selama ada elemen vektor masukan yang respon unit
keluarannya tidak sama dengan target, dilakukan: Set aktivasi
A. Algoritma
Pertama-tama, buat pola data training dari huruf A,B
dan C, seperti pada Gambar 3. Setelah itu vektor masukan
(pola tulisan yang digunakan) dan target (t) yang diinginkan
dibentuk, dengan bobot (w) awal yang dibuat dengan nilai=0,
serta bias (b) awal = 1. Setiap vektor masukan (pola 1 sampai
9) mempunyai (97) = 63 komponen.
Pola 5
Pola 6
Pola 7
Pola 8
Pola 9
0
0
1
0
0
Pola Masukan
Pola 1
Pola 2
Pola 3
Pola 4
Pola 5
Pola 6
Pola 7
Pola 8
Pola 9
Target(t)
0
1
0
0
1
0
0
1
0
Pola Masukan
Pola 1
Pola 2
Pola 3
Pola 4
Pola 5
Pola 6
Pola 7
Pola 8
Pola 9
Pola Masukan
Pola 1
Pola 2
Pola 3
Pola 4
Target(t)
1
0
0
1
Target(t)
0
0
1
0
0
1
0
0
1
Huruf
Gambar 5 Arsitektur program pengenalan karakter perceptron
IV.
A. Hasil
Untuk dapat melakukan pengenalan karakter dengan
menggunakan algoritma perceptron, pertama-tama adalah
dengan melakukan training data. Baru setelah itu memasukkan
input karakter berupa matriks biner yang menyerupai karakter
A, atau B, atau C. Berikut merupakan contoh matriks
input untuk pengenalan karakter:
A
B
C
A
B
C
A
B
C
Jumlah
Data
Training
1
1
1
2
2
2
3
3
3
100.00%
Waktu
Penyelesaian
Akurasi
10 detik
12 detik
15 detik
900 detik
917 detik
934 detik
14400 detik
14467 detik
14500 detik
72,56 %
73,25 %
74,72 %
85,67 %
87,4 %
88,12 %
91,2 %
91,8 %
92 %
Ratarata
Akurasi
73,51%
87,0633%
91,6667%
87.06%
91.67%
73.51%
80.00%
60.00%
40.00%
Gambar 6 Contoh matriks input karakter
20.00%
0.00%
1
B. Pengujian
Pengujian terhadap program simulasi ini dilakukan dengan
tujuan agar dapat diketahui apakah program yang dibuat
telah sesuai dengan yang diinginkan dengan parameter
unjuk-kerja diukur dari prosentase pengenalan terhadap
karakter huruf besar yang diujikan. Pengujian ini meliputi
mengubah jumlah data training yang digunakan dan
pengubahan nilai threshold.
16000
14000
12000
10000
8000
6000
4000
2000
12.33
0
1
14455.67
917
2
A
B
C
A
B
C
A
B
C
A
B
C
A
B
C
A
B
C
A
B
C
A
B
C
A
B
C
A
B
C
A
B
C
1
1
1
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
60%
30%
A
B
C
A
B
C
A
B
C
A
B
C
Nilai
Threshold
Akurasi
10
10
10
15
15
15
20
20
20
25
25
25
30 %
10 %
40 %
40 %
20 %
20 %
40 %
20 %
20 %
40 %
40 %
20 %
Ratarata
Akurasi
27%
33%
56%
61%
61%
61%
67%
62%
60%
73%
73%
73%
70%
50%
Jumlah
Data
Training
1
1
1
1
1
1
1
1
1
1
1
1
40 %
20 %
40 %
51 %
57 %
60 %
55 %
60 %
67 %
55 %
60 %
67 %
55 %
60 %
67 %
55 %
70 %
75 %
62 %
64 %
60%
60 %
60 %
60%
80 %
60 %
80 %
80 %
60 %
80 %
80 %
60 %
80 %
80%
Huruf
30
30
30
10
10
10
15
15
15
20
20
20
25
25
25
30
30
30
10
10
10
15
15
15
20
20
20
25
25
25
30
30
30
Jumlah Data
Training = 1
Jumlah Data
Training = 2
40%
Jumlah Data
Training = 3
20%
10%
0%
10
15
20
25
30
27%
27%
33%
V.
KESIMPULAN
2.
PUSTAKA
[1]
[2]
[3]
[4]
[5]
BIODATA PENELITI
Nama: Raymond Gomgom Sitorus.
TTL: Palangkaraya, 01 Januari 1993
Pendidikan: S1 Universitas Brawijaya
Malang.