Library Automation and Digital Archive
LONTAR
Fakultas Ilmu Komputer
Universitas Indonesia

Pencarian Sederhana

Find Similar Add to Favorite

Call Number SK-0259
Collection Type Skripsi
Title SIMANTAP: Simulator Jaringan Neural Artmap/Sius Wibisono
Author Wibisono, Sius;
Publisher Depok: Fasilkom UI, 1994
Subject
Location FASILKOM-UI;
Lokasi : Perpustakaan Fakultas Ilmu Komputer
Nomor Panggil ID Koleksi Status
SK-0259 94/6964 TERSEDIA
Tidak ada review pada koleksi ini: 4439
Jaringan neural yang merupakan salah satu metode pengenalan pola yang semakin banyak digunakan, diinspirasikan oleh otak manusia. Otak manusia terdiri dari sejumlah besar neuron, yang sesungguhnya secara individu lambat dan sering salah. Neuron-neuron itu saling bekerja sama dalam jaringan rumit yang ternyata dapta melakukan hal-hal yang belum bisa disamai komputer terhebat di dunia sekalipun. Model ARTMAP merupakan salah satu model jaringan neural hasil perkembangan dari keluarga model ART (Adaptive Resonance Theory)[CaGR91]. Model ARTMAP ini dapat belajar sendiri secara "real-time", artinya dapat belajar terus menerus tanpa membedakan lagi modus latihan dan modus pengujian. ARTMAP dapat mengklasifikasi vektor-vektor dalma berbagai jumlah dan urutan ke dalam kategori-kategori pengenalan berdasarkan pada keberhasilan prediksi yang dibuatnya. Proses belajarnya yang secara terawasi agak berbeda dengan proses belajar model ART lainnya. ARTMAP yang disimulasikan memiliki dua modul ART1 yang masing-masing bersifat swaatur, dan dapatt mempelajari kategori vektor masukan biner yang diterima, tanpa merusak pengetahuannya yang lama. Dalam tugas akhir ini dibuat suatu simulator jaringan neural ARTMAP (SIMANTAP) yang bersifat interaktif pada komputer sekuensial dengan sistem operasi UNIX dan GUI OSF/MOTIF berbasis X-Windows. Simulator ini dapat digunakan untuk penerapan ARTMAP ke masalah pengenalan pola, untuk studi banding ataupun penelitian model ARTMAP, serta juga dapat digunakan oleh program aplikasi lain yang membutuhkannya. SIMANTAP telah dicoba untuk mempelajari 2000 pola karakter numerik 0,1...9. Sejumlah 1800 karakter yang dicoba merupakan hasil distorsi secara acak 200 karakter lainnya. Pada percobaan dengan modus belajar on-line ARTMAP berhasil mencapai tingkat kebenaran prediksi 90% . ARTMAP dapat mengklasifikasi dengan benar 100% dari 2000 pola yang diterimanya hanya dengan mempelajari 2000 pola itu sebanyak 2 hingga 4 kali. Pada percobaan juga diperoleh: ARTMAP hanya perlu membentuk 55-401 kategori internal bagi 2000 pola yang diterimanya.