MAKALAH PENGANTAR TEKNOLOGI INFORMASI (PATTERN RECOGNITION

Publisher nayahcawa

Friday, December 2, 2016

MAKALAH

PENGANTAR TEKNOLOGI INFORMASI

PENGENALAN POLA (PATTERN RECOGNITION)

Disusun oleh:

Dedy Indra Setiawan 16753011

PROGRAM STUDY MANAJEMEN INFORMATIKA

POLITEKINIK NEGERI LAMPUNG

TAHUN 2016/2017

DAFTAR ISI

BAB Pendahuluan

1.1 Latar Belakang......................................................................................... 3

1.2 Rumusan Masalah.................................................................................... 4

1.3 Batasan Masalah....................................................................................... 4

1.4 Tujuan....................................................................................................... 4

BAB II Dasar Teori

2.1 Supervise learning method....................................................................... 5

2.2 Kecerdasan Jaringan Syaraf Tiruan.......................................................... 5

2.3 Algoritma Perceptron............................................................................... 5

2.4 Proses Pengolahan Citra........................................................................... 6

2.5 Prinsipal Komponen Analisis................................................................... 7

BAB III PERANCANGAN SISTEM

2.1 Desain Sistem Pengenalan Benda Terkorosi............................................ 8

2.1.1 Prinsipal Komponen Analisis................................................................ 8

2.2.2 Kecerdasan Jaringan Syaraf.................................................................. 8

2.2 Desain Pola Huruf.................................................................................... 8

2.2.1 Teknik Pembacaan Pola Huruf dengan Binerisasi................................. 10

BAB IV Pembahasan

4.2 Pengenalan pola bahan terkorosi.............................................................. 13

4.3.1 Pengujian Huruf.................................................................................... 14

4.3.2 implementasi sistem............................................................................... 14

BAB V Pendahuluan

KESIMPULAN............................................................................................. 17

DAFTAR PUSTAKA

BAB I

PENDAHULUAN

1.1 latar belakang

Pengenalan pola merupakan bidang di dalam pembelajaran mesin yang bertujuan untuk mengklasifikasikan objek berdasarkan ciri-ciri yang dimilikinya. Seperti image, berat, atau parameter-parameter lain yang ditentukan kedalam kategori atau kelas.

Seiring dengan perkembangan zaman, teknologi yang menggunakan komputer berkembang dengan pesat. Hampir setiap individu di dunia memerlukan komputer sebagai alat bantu untuk menyelesaikan masalahnya. Hampir semua sistem analog digantikan dengan sistem komputerisasi. Keunggulannya adalah sistem komputerisasi lebih mudah dalam pengontrolan. Dalam hal ini misalnya pengontrolan di dalam mengidentifikasi suatu objek atau citra. Komputer diusahakan untuk dapat bekerja mendekati proses kerja otak manusia.

Kemampuan inilah yang dikembangkan dengan menggunakan mesin (komputer). Dengan pengenalan pola kita mampu mengimplementasikan kemampuan cerdas komputer agar dapat mendekati proses otak manusia. Dalam makalah ini kami melakuan studi komparasi berbeda dengan dua contoh pengenalan pola yaitu PENGENALAN POLA BAHAN TERKOROSI MENGGUNAKAN METODA PEMBELAJARAN PERCEPTRON PADA SISTIM JARINGAN SYARAF dengan PENGENALAN HURUF BERBASIS JARINGAN SYARAF TIRUAN MENGGUNAKAN ALGORITMA PERCEPTRON. Dalam contoh pengenalan pola tersebut kami membahas tentang metode pengenalan pola yang sama dalam kasus yang berbeda. Metode yang sama dalam dua contoh tesebut adalah metode sistem jaringan syaraf tiruan dengan menggunakan algoritma perceptron.

Algoritma Perceptron dalam jaringan syaraf tiruan dikenal sebagai algoritma yang hanya digunakan untuk mengklasifikasikan apakah sebuah pola masuk ke suatu kelas atau tidak. Namun dari sifat tersebut nampaknya perceptron juga mampu digunakan untuk mengklasifikasikan sebuah pola masuk kekelas mana, dengan cara membandingkan pola kedalam setiap kelas yang ada. Dengan kemampuan metode jaringan syaraf tiruan kami ingin mengetahui mengapa metode tersebut dapat diimplementasikan dalam masalah yang berbeda.

1.2 rumusan masalah

Pembahasan dari dua metode pengenalan pola yaitu metode jaringan syaraf tiruan dengan algoritma perceptron.

1.3 batasan masalah

Batasan masalah dari study komparasi adalah Bagaimana metode JST (jaringan syaraf tiruan) dalam merancang pengenalan pola untuk mengidentifikasi huruf dan pengenalan pola bahan terkorosi?
1.4 tujuan

Mengetahui perbedaan dari rancangan pengenalan pola untuk mengidentifikasi huruf dan pengenalan pola bahan terkorosi.

BAB II

DASAR TEORI

2.1 Supervise learning method

Metode klasifikasi dan prediksi dinamakan supervised learning, dengan alasan ada proses supervisi, yaitu data training disertai dengan label yang menunjukkan kelas observasi, dan data baru diklasifikasikan berdasarkan training set. Tujuan pada pembelajaran supervised learning adalah untuk menentukan nilai bobot-bobot koneksi di dalam jaringan sehingga jaringan dapat melakukan pemetaan (mapping) dari input ke output sesuai dengan yang diinginkan. Pemetaan ini ditentukan melalui satu set pola contoh atau data pelatihan (training data set).

2.2 kecerdasan jaringan syaraf tiruan

Jaringan saraf tiruan (JST) (Bahasa Inggris: artificial neural network (ANN), atau juga disebut simulated neural network (SNN), atau umumnya hanya disebut neural network (NN)), adalah jaringan dari sekelompok unit pemroses kecil yang dimodelkan berdasarkan jaringan saraf manusia. JST merupakan sistem adaptif yang dapat merubah strukturnya untuk memecahkan masalah berdasarkan informasi eksternal maupun internal yang mengalir melalui jaringan tersebut.

Pemodelan jaringan syaraf merupakan pembelajaran dan penyesuaian suatu obyek. Metode perceptron adalah metode pembelajaran dengan pengawasan dalam sistim jaringan syaraf, sehingga jaringan yang dihasilkan harus mempunyai parameter yang dapat

diatur dengan cara mengubah melalui aturan pembelajaran dengan pengawasan perceptro untuk aplikasi pengenalan pola digambarkan sebagai unsur matrik antara 0 dan 1. Layer pertama perceptron menyatakan suatu kumpulan ”detektor tanda” sebagai isyarat input untuk mengetahui tanda khusus.

2.3 algoritma perceptron

Perceptron adalah salah satu algoritma pembelajaran single layer yang mempelajari suatu procedure dengan melakukan perulangan sampai mendapatkan bobot neural yang tepat. Algoritma Pembelajaran Perceptron lebih baik dibandingkan dengan algoritma Hebb rule (Fausset, Fundamentals of Neural Networks :Architectures, Algorithms, and Applications). Perceptron menggunakan fungsi aktivasi biner untuk unit sensor dan unit asosiasi serta menggunakan +1, 0, -1 aktivasi untuk respon unit.

2.4 proses pengolahan citra

Suatu pola mempunyai suatu tekstur khusus, dengan berbagai variasi dalam tingkat keabuan atau warna. Rata-rata tingkat keabuan dan simpangan baku dinyatakan sebagai momen. Rata-rata dihubungkan dengan momen pertama, simpangan baku tergantung pada momen kedua dan terdapat beberapa ukuran lainnya yang digunakan untuk menyatakan karakteristik suatu daerah tekstur.

2.5 Prinsipal Komponen Analisis

Prinsipal komponen analisis (PCA) adalah teknik untuk menyederhanakan kumpulan data dengan mengurangi kumpulan data banyak dimensi menjadi dimensi yang lebih rendah. Analisis ini adalah suatu transformasi linier orthogonal yang mentransformasi data ke sistem koordinat baru, sehingga keragaman terbesar dengan suatu proyeksi berada pada koordinat pertama (disebut prinsipal komponen pertama), keragaman terbesar kedua pada koordinat kedua dan seterusnya. Untuk suatu matriks data dengan nilai tengah nol (sebaran normal baku).

BAB III

PERANCANGAN SISTEM

3.1 desain sistem pengenalan benda terkorosi

3.1.1 prinsipal komponen analisis

Y T = X TW = V Σ

V ΣWT adalah singular value dekomposisi (svd) dari

X T [7]. PCA untuk data matriks X diberikan

sebagai :

Y =WT X = ΣV T (9)

dimana W ΣV T adalah svd dari X. PCA dapt

menggunakan metoda kovaransi atau metoda korelasi.

3.1.2 kecerdasan jaringan syaraf

Berhubungan terhadap satuan output (dalam layer terakhir). Jika hanya bobot pendahulu pada layer terakhir yang dirubah, perceptron dalam gambar 3 diperlakukan sebagai perceptron layer tunggal. Dimulai dengan himpunan bobot terhubung yang acak, algoritma pembelajaran perceptron layer tunggal diulangi mengikuti tahapan berikut sampai bobot konvergen:

a. Pilih suatu vektor input x dari kumpulan data pelatihan

b. Jika perceptron memberikan jawaban salah, modifikasi semua bobot terhubung wi sesuai dengan i i i Δw =η t x , i t : target output dan η : tingkat pembelajaran.

3.2 desain pola huruf

Dalam klasifikasi huruf pada penelitian ini hanya dibatasi menggunakan huruf kapital dari ‘A’, ‘B’, ‘C’,’D’,’E’,’J’,’K’. Huruf-huruf yang akan diklasifikasi terlebih dahulu dibentuk polanya menggunakan matriks berukuran 9x7, yang digambarkan dengan symbol ‘.’ (titik) dan ‘#’ (kres). Sebagai contoh berikut beberapa pola yang diikutsertakan dalam penelitian ini:

Tabel. 1. Pola Huruf dalam matrik 9x7 (Pola Input Satu)

Huruf	Pola	Huruf	Pola
A	..##... ...#... ...#... ..#.#.. ..#.#.. .#####. .#...#. .#...#. ###.###	E	####### .#....# .#..... .#.#... .###... .#.#... .#..... .#....# #######
B	######. .#....# .#....# .#....# .#####. .#....# .#....# .#....# ######.	J	...#### .....#. .....#. .....#. .....#. .....#. .#...#. .#...#. ..###..
C	..##### .#....# #...... #...... #...... #...... #...... .#....# ..####.	K	###..## .#..#.. .#.#... .##.... .##.... .#.#... .#..#.. .#...#. ###..##
D	#####.. .#...#. .#....# .#....# .#....# .#....# .#....# .#...#. #####..

Pola inilah yang akan digunakan sebagai data pelatihan dengan target sesuai dengan pola yang diinginkan, dengan merubah pola input tersebut menjadi sekumpulan vector bit 0 dan 1 sebanyak 63 digit dimana 0 menggantikan titik dan 1 menggantikan tanda ‘#’, dan pola output (target) sebanyak 7 bit. Pasangan pola input dan output dari data-data di atas bisa dilihat dalam tabel 2 berikut:

Tabel 2. Pola Vektor Input dan Vektor Output (Pola Input Satu)

No	Huruf	Vektor Input ( 63 bit )	Vektor Output ( 7 bit)
1.	A	0011000 0001000 0001000 0010100 0010100 0111110 0100010 0100010 1110111	1000000
2.	B	1111110 0100001 0100001 0100001 0111110 0100001 0100001 0100001 1111110	0100000
3.	C	0011111 0100001 1000000 1000000 1000000 1000000 1000000 0100001 0011110	0010000
4.	D	1111100 0100010 0100001 0100001 0100001 0100001 0100001 0100010 1111100	0001000
5.	E	1111111 0100001 0100000 0101000 0111000 0101000 0100000 0100001 1111111	0000100
6.	J	0001111 0000010 0000010 0000010 0000010 0000010 0100010 0100010 0011100	0000010
7.	K	1110011 0100100 0101000 0110000 0110000 0101000 0100100 0100010 1110011	0000001

3.2.1 teknik pembacaan pola dengan biner

Dalam pembuatan program penelitian ini digunakan bahasa pemgroman

berbasiskan desktop yaitu Delphi 6. Beberapa tahapan proses dalam penelitian ini adalah:

1. Input pola dalam bentuk matriks sebanyak jumlah pola dan target yang diinginkan

2. Binerisasi pola input menjadi vector input dengan mengubah ‘.’ Menjadi 0 dan ‘#’ menjadi 1.

3. Melakukan pelatihan dari vector input dan vector output.

4. Pengujian huruf

Dalam pembacaan input pola bisa dilakukan secara serempak dan sekaligus dengan aturan, baris pertama input adalah bilangan bulat yang menyatakan banyaknya pola yang ingin dilatih (ingat jenis huruf yang digunakan tetap hanya ‘A’,’B’,’C’,’D’,’E’,’J’,’K) untuk pola pertama menempati baris kedua sampai baris ke 10 yang kemudian baris berikutnya diikuti target dari pola yang diinginkan, untuk pola kedua menempati baris ke-12 sampai bari ke-18 dan kemudian baris berikutnya diikuti target dari pola yang diinginkan dan seterusnya sampai pola ke-n, sebagai contoh berikut aturan input pola yang digunakan sebanyak 2 buah yaitu A, dan B.

..##...

...#...

..#.#..

.#####.

.#...#.

###.### A......

######.

.#....#

.#####.

.#....#

######.

.B.....

Dari pola ini program membaca baris perbaris string yang kemudian dibinerisasi dengan aturan yang telah dijelaskan sebelumnya kedalam tipe data array satu dimensi.

BAB IV

Pembahasan

4.2 pengenalan pola bahan terkorosi

Pengenalan pola terhadap bahan terkorosi dan tidak terkorosi meliputi tiga tiga tahapan, adapun mikrostruktur dan preparasi contoh bahan terkorosi dan tidak terkorosi telah dianalisis sebelumnya di laboratorium yang dpat menggunakan berbagai alat diantaranya mikrogatif, mikroskop optik ataupun SEM. Tahap pertama digunakan proses pengolahan citra, tahap kedua dilakukan analisis prinsipal komponen dan tahap ketiga menggunakan kecerdasan jaringan syaraf. Struktur pola dalam bentuk gambar atau foto dapat dikonversi dengan proses pengolahan citra menjadi bentuk digital. Untuk menentukan karakteristik dari pola tersebut mengidentifikasi apakah suatu bahan terkorosi atau tidak terkorosi digunakan kecerdasan jaringa syaraf tiruan. Dianalisis beberapa contoh bahan terkorosi dan tidak terkorosi hasil preparasi laboratorium serta contoh data dari daftar pustaka. Pada tahap kedua, matriks data pembelajaran berukuran 8 x 6, akan dimasukkan untuk tiap neuron secara bersamaan. Diambil enam nilai karakteristik yang terbesar atau dominan, dengan delapan contoh input yang diberikan, yang terdiri dari enam contoh input untuk bahan terkorosi dan dua contoh input untuk bahan tidak terkorosi. Data pelatihan diambil enam contoh input diantaranya berturut-turut satu contoh bahan tidak terkorosi dan lima contoh bahan terkorosi. Pada simulasi pertama diambil satu contoh input bahan tidak terkorosi dan lima contoh input bahan terkorosi. Berikutnya pada simulasi kedua diambil satu contoh input bahan tidak terkorosi, empat contoh input bahan terkorosi, satu contoh input bahan dengan mikrostruktur tidak seharusnya.

Sedangkan pada simulasi ketiga diberikan 5 contoh bahan terkorosi dan 1 bahan tidak terkorosi. Secara keseluruhan program dan hasil diberikan pada lampiran B dengan catatan kode 1 untuk bahan terkorosi dan kode 0 untuk bahan tidak terkorosi atau mikrostruktur yang tidak seharusnya. Hasil keberhasilan identifikasi diberikan dalam tabel 1 berikut ini, untuk 32 contoh input.

Tabel 1. Hasil Identifikasi Jaringan Syaraf

*Contoh* *Bahan*	*Jumlah benar***	*Jumlah salah***	*Prosentase ketelitian*
Terkorosi	25	0	100%
Tidak Terkorosi	6	1	86%

4.2.1 pengujian huruf

Sama seperti pada pelatihan data, untuk pengujian data kita menggunakan input pola matriks 9x7 yang terdiri dari karakter titik atau #, setelah pola diinputkan kemudian pola tersebut dibinerisasi untuk selanjutnya dilakukan pengujian, bentuk pola input data untuk pengujian hanya bersifat tunggal seperti berikut:

..##...

...#...

..#.#..

.#####.

.#...#.

###.###

Huruf A

Sedangkan untuk algoritma lengkapnya adalah sebagai berikut

1. Baca Input

2. Binerisasi input

3. Untuk iß 1 sampai 7 lakukan langkah 4 sampai 7

4. yin=bobot[i,64]

5. Untuk jß 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.

4.3.2 implementasi sistem

Implementasi pembuatan sistem ini didasarkan pada rancangan sistem yang sudah dibahas sebelumnya dimana sistem ini dibagi menjadi dua sub sistem yaitu subsistem pelatihan data dan yang kedua subsistem pengujian data. Dengan menggunakan data yang ada seperti pada bab Perancangan Sistem sebagai input pelatihan dan input pengujian didapatkan hasil sebagai berikut:

Tabel 3. Hasil Pengujian dengan Data Pelatihan 7 buah

INPUT	TARGET	OUTPUT
A	A	A atau B
B	B	D atau K
C	C	C atau D atau K
D	D	D
E	E	K
J	J	J
K	K	Tidak Masuk Manapun

Empat (yaitu huruf ‘A’,’C’,’D’, dan ‘J’) dari tujuh pola input pengujian yang juga merupakan pola input pelatihan menunjukan hasil yang sesuai meskipun pola huruf tersebut juga diklasifikasikan ke dalam kelas lain, misalnya pola ‘A’ diklasifikasikan ke ‘A’ juga ke ‘B’. Sedangkan pola huruf ‘B’, dan ‘E’ diklasifikasikan ke kelas yang berbeda. Namur untuk pola ‘K’ justru tidak dapat diklasifikasikan ke kelas manapun.

Kemudian dicoba menggunakan pola input pengujian yang berbeda dengan pola input pelatihan [Fausset, Fundamentals of Neural Networks : Architectures, Algorithms, and Applications, halaman 72, pola input dua dan tiga ] didapatkan hasil sebagai berikut:

Tabel 4. Hasil Pengujian dengan input pengujian berbeda

INPUT	TARGET	OUTPUT POLA INPUT 2	OUTPUT POLA INPUT 3
A	A	A	B
B	B	D atau K	D atau K
C	C	C	C
D	D	C atau D	D
E	E	C atau K	K
J	J	J	J
K	K	C atau K	K

Ternyata didapatkan hasil yang lebih akurat (A, C, D, J, dan K pada pola input 2, serta C,D,J,K pada pola input 3) dalam mengklasifikasian huruf dibandingkan kita menggunakan pola input pengujian yang sama dengan pola input pelatihan.

Kemudian dicoba menggunakan input pelatihan yang lebih banyak (21 buah) dengan pola huruf yang sama [Fausset, Fundamentals of Neural Networks : Architectures, Algorithms, and Applications, halaman 72] dan input pengujian yang sama dengan pengujian sebelumnya didapatkan hasil yang berbeda.

Tabel 5. Hasil Pengujian dengan Data Pelatihan 21 buah

INPUT	TARGET	OUTPUT POLA 1	OUTPUT POLA 2	OUTPUT POLA 3
A	A	A atau B	A	B
B	B	K	-	D atau K
C	C	K	B	B
D	D	B atau K	-	B atau K
E	E	K	K	K

J	J	J	J	B atau J
K	K	-	-	K

Ternyata ketika menggunakan pola input satu, pola input dua dan pola input tiga sebagai data pelatihan sekaligus sebagai data pengujian, hasilnya lebih tidak akurat dibandingkan dengan pengujian sebelumnya.

BAB V

kesimpulan

Metode pengenalan pola dengan algoritma perceptron dapat diimplementasikan pada pengenalan huruf dan pengenalan bahan korosi.

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 tidak sesuai dengan klasifikasi polanya tetapi persentasi ketidaksesuaian ini lebih kecil dibadingkan dengan pengujian data yang memiliki data pelatihan lebih banyak.

Pemodelan untuk membedakan klasfikasi bahan terkorosi dan tidak terkorosi menggunakan kecerdasan jaringan syaraf dengan metode perceptron. Dalam pembelajaran, pelatihan dan simulasi tersebut diatas, diperoleh hasil yang sesuai dan yang diharapkan. merupakan pembelajaran dan adaptasi suatu obyek yang cukup baik.

DAFTAR PUSTAKA

http://en.wikipedia.org/wiki/Corrosion,

27/04/2007, page 1-8. [6]

http://en.wikipedia.org/wiki/Principal_com ponents_analysis, 23/02/2007, page1-10.

http://en.wikipedia.org/wiki/Singular value

Blanter .NET - Informasi Pengetahuan Masa Kini

Friday, December 2, 2016

MAKALAH PENGANTAR TEKNOLOGI INFORMASI (PATTERN RECOGNITION

BAB I

1.2 rumusan masalah

BAB II

2.1 Supervise learning method

2.2 kecerdasan jaringan syaraf tiruan

2.3 algoritma perceptron

2.4 proses pengolahan citra

2.5 Prinsipal Komponen Analisis

PERANCANGAN SISTEM

3.1 desain sistem pengenalan benda terkorosi

3.1.1 prinsipal komponen analisis

3.1.2 kecerdasan jaringan syaraf

3.2 desain pola huruf

3.2.1 teknik pembacaan pola dengan biner

BAB IV

Pembahasan

4.2 pengenalan pola bahan terkorosi

4.2.1 pengujian huruf

4.3.2 implementasi sistem

BAB V

kesimpulan