PENGGUNAAN METODE JARINGAN NEURAL PERCEPTRON UNTUK MENGENAL POLA KARAKTER KAPITAL Zaiful Bahri 1 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 Pemodelan dengan jaringan neural merupakan pembelajaran dan penyesuaian suatu objek. Model-model jaringan neural dapat diklasifikasikan menurut beberapa kriteria, seperti metode pembelajaran. Menurut arsitekturnya, tipe input dapat berupa biner atau bipolar, begitu juga untuk output (biner atau bipolar). Dalam hal ini pemodelan dipandang dari kumpulan data input- outputnya. Pemodelan dengan perceptron menggambarkan suatu usaha untuk membangun kecerdasan dan sistem pembelajaran sendiri menggunakan komponen sederhana yang berasal dari model jaringan biologi yang diperkenalkan oleh McCuulloch dan Pitts (1943). Berikutnya Rosenbaltt (1950) merancang perceptron dengan menguraikan pemodelan kemampuan sistem pengenalan pola untuk sistem penggambaran biologi. Metode perceptron merupakan metode pembelajaran dalam sistem jaringan neural, sehingga jaringan yang dihasilkan harus mempunyai parameter yang dapat diatur dengan cara mengubah pembelajaran dengan pengawasan. Jaringan neural terdiri dari sejumlah neuron dan sejumlah masukan. Dalam merancang jaringan neural yang perlu diperhatikan adalah banyaknya spesifikasi yang akan diidentifikasi dan jumlah neuron yang akan digunakan. B. Metode Persiapan menggunakan perceptron untuk aplikasi pengenalan pola digambarkan sebagai elemen matrik yang berisi 0 dan 1. Layer pertama pada perceptron dinyatakan dengan suatu kumpulan dari “detector tanda” sebagai isyarat input untuk mengetahui tanda khusus. Layer kedua (output) mengambil output dari tanda khusus dalam layer pertama dan mengklasifikasikan pola data yang diberikan. Pembelajaran dinyatakan dengan membuat aturan hubungan yang relevan (bobot   ) dengan suatu nilai threshold (nilai ambang ). Untuk persoalan dua kelas, layer output biasanya mempunyai hanya satu node(simpul). Untuk persolan kelas-  dengan , layer output biasanya mempunyai n simpul yang masing-masing berkorespondensi terhadap suatu kelas. Setiap fungsi dalam layer 1 adalah fungsi tetap/konstan yang dihitung terdahulu, memetakan semua atau sebagian pola input ke dalam nilai biner     atau suatu nilai bipolar    . Satuan output adalah suatu unsur ambang linear dengan nilai ambang  yang dinyatakan dengan : J. Pilar Sains 6 (2) Juli 2007 © Jurusan Pendidikan MIPA FKIP Universitas Riau ISSN 1412-5595