PENGENALAN TULISAN TANGAN HURUF JAWI (ARAB MELAYU)

BERBENTUK KATA MENGGUNAKAN JARINGAN SARAF TIRUAN

SKRIPSI
YAYUK ANGGRAINI
091402009

PROGRAM STUDI TEKNOLOGI INFORMASI

FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
2014

ABSTRAK

Perkembangan teknologi dimasa sekarang begitu pesat, terutama dibidang komputer.

Hal ini disebabkan komputer lebih unggul dibandingkan dengan alat hitung lainnya
karena mampu mengingat data, mengambil keputusan yang logis, mengelola data dan
informasi dan sebagainya. Salah satu yang sedang popular saat ini adalah teknologi
pengenalan huruf. Pengenalan huruf tangan adalah proses untuk mengenali tulisan
huruf seseorang oleh komputer. Penelitian ini adalah membuat sistem pengenalan
tulisan tangan berbentuk huruf jawi (arab melayu) yang inputnya berupa tulisan huruf
jawi (arab melayu) dan di scan, dikenali dengan huruf jawi (arab melayu)
menggunakan jaringan saraf tiruan. Metode zoning digunakan untuk meningkatkan
nilai fitur pada jaringan propagasi balik pada pengenalan huruf tulisan tangan. Metode
ini membagi data sampel di bagi menjadi 30x17 zona, yaitu 510 zona dengan ukuran
masing-masing zona adalah 10x10 piksel. Metode zoning menghitung jumlah piksel
aktif (hitam) setiap zona dan melakukan perbandingan terhadap zona yang memiliki
jumlah piksel aktif paling banyak. Selain itu juga dihitung rata-rata nilai zona setiap
baris dan kolom. Dari ekstraksi fitur tersebut didapatkan 510 nilai fitu. Nilai fitur
tersebut dijadikan masukan untuk klasifikasi menggunakan jaringan propagasi balik.
Sebanyak 84 data sampel digunakan untuk pelatihan dan 21 data sampel berbeda
digunakan untuk uji tingkat pengenalan. Dari pengujian yang dilakukan didapatkan
tingkat pengenalan menggunakan metode zoning fitur ekstraksi ini adalah 89.05%.
Kata Kuncihuruf tulisan tangan, jaringan saraf tiruan, propagasi balik, zoning.

Recognation on Jawi Letter Handwritting (Malayan Arab)

By Words Using Artificial Neural Network

ABSTRACT

Technology nowadays had been developed rapidly, escpecially on computing. This

issue is caused by computing is better than any other computations because it could
memorizing the data, making logical decision, managing data and informations.
Handwritting recognation is a process to recognize human handwritting by computer.
In this research, the system made to recognize jawi letters (malayan arab) which the
input constituted as scanned jawi letters handwritting, the method is using artificial
neural network. Zoning method used to increase feature value on back propagation
network at handwritting recognation. This method devided the sample to devide into
30x17 zone, is 510 zones with each zone with 10x10 pixel. The zoning method counts
the amount of the active pixel (black) for each zone and process the comparison about
the zone that have the most active pixel. Beside that it also count the average for the
zone value for each row and colomn. By this extraction featured, gains 510 feature
values. Feature values becomes input to classify using back propagation network.
Eighty four of data samples to be used as trainning and 21 of deifferent data samples
to be used to testing recognation. Along with the testing, resulting recognation level of
this zoning feature extraction is 89.05%.

Keyword-- letter handwritting, artificial neural network, back propagation, zoning.

DAFTAR ISI

PERSETUJUAN ............................................................................................................ i
PERNYATAAN ........................................................................................................... ii
PENGHARGAAN ....................................................................................................... iii
ABSTRAK ................................................................................................................... iv
ABSTRACT .................................................................................................................. v
DAFTAR ISI ................................................................................................................ vi
DAFTAR TABEL ...................................................................................................... viii
DAFTAR GAMBAR ................................................................................................... ix
BAB 1 PENDAHULUAN ............................................................................................ 1
1.1.

Latar Belakang ............................................................................................ 1

1.2.

Rumusan Masalah ....................................................................................... 2

1.3.

Batasan Masalahs ........................................................................................ 2

1.4.

Tujuan Penelitian ........................................................................................ 3

1.5.

Manfaat Penelitian

1.6.

Metode Penelitian ....................................................................................... 3

1.7.

Sistematika Penulisan ................................................................................. 4

BAB 2 TINJAUAN PUSTAKA ................................................................................... 6

2.1.

2.2.

Pra-Pengenalan Pola ................................................................................... 6

2.1.1. Citra Digital

Pengolahan Citra

a. Pembentukan Matriks Biner

b. Normalisasi

c. Thinning .................................................................................................. 8
2.3.

Ekstraksi Fitur ............................................................................................. 8

2.3.1. Zoning

2.4.

Jaringan Saraf Tiruan .................................................................................. 9

2.5.

Algoritma Propagasi Balik .......................................................................... 9

1. Algoritma Pelatihan

11

2. Algoritma Aplikasi

12

2.5.1. Fungsi Aktifasi

13

2.5.2. Inisialisasi Bobot dan Bias

14

1. Inisialisasi Acak

14

2. Inisialisasi Nguyen Windrow

14

2.5.3. Pengupdate Bobot dengan Momentum

15

BAB 3 ANALISIS DAN PERANCANGAN ............................................................. 17

3.1.

Analisis data Sistem

17

3.2.

Pra-Pengolahan Citra

17

a. Pembentukan Matrik Biner

b. Normalisasi

18
19

c. Thinning ................................................................................................ 20
3.3.

Ekstraksi Fitur ........................................................................................... 21

3.4.

Metode Ekstraksi Zoning

3.5.

Tahap Setelah Ekstraksi Fitur ................................................................... 24

3.6.

Perancangan Jaringan Propagasi Balik

24

3.6.1. Proses Pelatihan

26

22

3.6.2. Proses Pengujian ............................................................................. 27

BAB 4 IMPLEMENTASI DAN PENGUJIAN SISTEM ........................................... 28
4.1.

Implementasi ............................................................................................. 28

4.2.

Spesifikasi Perangkat Keras dan Perangkat Keras .................................... 29

4.3.

Pengujian

4.4.

Persiapan Sistem Jaringan Saraf Tiruan

29

4.5.

Hasil Pelatihan

30

4.6.

Hasil Pelatihan Jaringan Saraf Tiruan

31

4.7.

Hasil Pengujian Jaringan Saraf Tiruan ..................................................... 35

. 29

BAB 5 KESIMPULAN DAN SARAN ...................................................................... 38

5.1.

Kesimpulan .............................................................................................. 38

5.2.

Saran ........................................................................................................ 38

DAFTAR PUSTAKA ................................................................................................. 39

LAMPIRAN A

41

DAFTAR TABEL

Hal
Tabel 1. Vektor Output dan Target Keluaran Jaringan

26

Tabel 4.1 Hasil Pelatihan Jaringan Saraf Tiruan Propagasi Balik

31

Tabel 4.2 Hasil Pengujian Jaringan Saraf Tiruan Propagasi Balik

36

DAFTAR GAMBAR

Hal
Gambar 2.1 Jaringan Propagasi Balik dengan Satu Buah Lapisan Tersembunyi

10

Gambar 2.2 Fungsi Sigmoid Biner dengan Rentang (0,1)

14

Gambar 3.1 Tahapan Pra-Pengolahan Citra

18

Gambar 3.2 Flowchart Matriks Biner

19

Gambar 3.3 Citra Hasil Normalisasi

20

Gambar 3.4 Citra Hasil Thinning

20

Gambar 3.5 Diagram Ekstraksi Fitur

21

Gambar 3.6 Flowchart Ekstraksi Fitur Zoning

23

Gambar 3.7 Hasil Zoning

24

Gambar 4.1 Input Citra Pengujian

30

Gambar 4.2 Output Citra Pengujian

30

Gambar 4.3 Hasil Citra Algoritma Zoning

30

ABSTRAK

Perkembangan teknologi dimasa sekarang begitu pesat, terutama dibidang komputer.

Hal ini disebabkan komputer lebih unggul dibandingkan dengan alat hitung lainnya
karena mampu mengingat data, mengambil keputusan yang logis, mengelola data dan
informasi dan sebagainya. Salah satu yang sedang popular saat ini adalah teknologi
pengenalan huruf. Pengenalan huruf tangan adalah proses untuk mengenali tulisan
huruf seseorang oleh komputer. Penelitian ini adalah membuat sistem pengenalan
tulisan tangan berbentuk huruf jawi (arab melayu) yang inputnya berupa tulisan huruf
jawi (arab melayu) dan di scan, dikenali dengan huruf jawi (arab melayu)
menggunakan jaringan saraf tiruan. Metode zoning digunakan untuk meningkatkan
nilai fitur pada jaringan propagasi balik pada pengenalan huruf tulisan tangan. Metode
ini membagi data sampel di bagi menjadi 30x17 zona, yaitu 510 zona dengan ukuran
masing-masing zona adalah 10x10 piksel. Metode zoning menghitung jumlah piksel
aktif (hitam) setiap zona dan melakukan perbandingan terhadap zona yang memiliki
jumlah piksel aktif paling banyak. Selain itu juga dihitung rata-rata nilai zona setiap
baris dan kolom. Dari ekstraksi fitur tersebut didapatkan 510 nilai fitu. Nilai fitur
tersebut dijadikan masukan untuk klasifikasi menggunakan jaringan propagasi balik.
Sebanyak 84 data sampel digunakan untuk pelatihan dan 21 data sampel berbeda
digunakan untuk uji tingkat pengenalan. Dari pengujian yang dilakukan didapatkan
tingkat pengenalan menggunakan metode zoning fitur ekstraksi ini adalah 89.05%.
Kata Kuncihuruf tulisan tangan, jaringan saraf tiruan, propagasi balik, zoning.

Recognation on Jawi Letter Handwritting (Malayan Arab)

By Words Using Artificial Neural Network

ABSTRACT

Technology nowadays had been developed rapidly, escpecially on computing. This

issue is caused by computing is better than any other computations because it could
memorizing the data, making logical decision, managing data and informations.
Handwritting recognation is a process to recognize human handwritting by computer.
In this research, the system made to recognize jawi letters (malayan arab) which the
input constituted as scanned jawi letters handwritting, the method is using artificial
neural network. Zoning method used to increase feature value on back propagation
network at handwritting recognation. This method devided the sample to devide into
30x17 zone, is 510 zones with each zone with 10x10 pixel. The zoning method counts
the amount of the active pixel (black) for each zone and process the comparison about
the zone that have the most active pixel. Beside that it also count the average for the
zone value for each row and colomn. By this extraction featured, gains 510 feature
values. Feature values becomes input to classify using back propagation network.
Eighty four of data samples to be used as trainning and 21 of deifferent data samples
to be used to testing recognation. Along with the testing, resulting recognation level of
this zoning feature extraction is 89.05%.

Keyword-- letter handwritting, artificial neural network, back propagation, zoning.

BAB 1
PENDAHULUAN

1.1

Latar Belakang

Perkembangan teknologi dimasa sekarang begitu pesat, terutama di bidang komputer.

Pemanfaatan komputer semakin digunakan untuk mempermudah pekerjaan, karena
setiap informasi yang dihasilkan akan selalu ditampilkan kedalam bentuk informasi
yang akurat dan spesifik, baik itu dibidang pendidikan, kesehatan, ekonomi dan
sebagainya. Hal ini disebabkan komputer lebih unggul dibandingkan dengan alat
hitung lainnya karena mampu mengingat data, mengambil keputusan yang logis,
mengelola data dan informasi dan sebagainya. Salah satunya yang sedang popular saat
ini adalah teknologi pengenalan huruf. Pengenalan huruf tangan adalah proses untuk
mengenali tulisan huruf seseorang oleh komputer.
Pengenalan tulisan tangan secara luas dianggap sebagai salah satu masalah
yang paling sulit dalam bidang pengenalan pola karena besarnya variasi yang hadir
dalam pola masukan (Plamondon & Srihari, 2000). Penelitian mengenai penulisan
tangan banyak dilakukan salah satunya adalah Pengenalan Tulisan Tangan Latin
Bersambung Menggunakan Jaringan Saraf Tiruan Propagasi Balik (Khairunnisa,
2012).
Tahapan awal untuk pengenalan tulisan tangan adalah prapengolahan citra, dan
fitur ekstraksi. Beberapa metode ekstraksi yang dapat digunakan adalah model
deformable, profil kontur, zoning, momen zernike, dekriptor fourier dan gabor.
Pada penelitian ini penulis mengambil fitur ekstraksi dengan metode zoning.
Untuk setiap data sampel yang telah melalui proses prapengolahan citra akan
dilakukan ekstraksi fitur. Ekstrak sidilakukan menggunakan metode zoning.

Jaringan saraf tiruan adalah sistem pemroses informasi yang memiliki karakteristik
mirip dengan jaringan saraf manusia. Jaringan saraf tiruan telah banyak digunakan
dalam bidang pengenalan pola (pattern rcognition). salah satu implementasinya
adalah pengenalan karakter. Metode propagasi balik merupakan metode yang sangat
baik dalam menangani masalah pengenalan pola-pola kompleks, metode ini
merupakan metode jaringan saraf tiruan yang populer (Puspitaningrum, 2006).
Permasalahan yang muncul pada proses pengenalan tulisan tangan adalah
bagaimana sebuah teknik pengenalan dapat mengenali berbagai tulisan tangan dengan
ukuran, ketebalan yang berbeda, posisi kemiringan citra tulisan pada saat pengambilan
citra tulisan tangan tersebut melalui alat camera atau scanner. Dari permasalahan
tersebut dapat diambil satu permasalahan utama yaitu bagaimana tulisan tangan dapat
dikenali sebagai kata yang benar, bagaimana mekanisme algoritma yang diterapkan
sehingga mekanisme ukuran dan bentuk pola yang berbeda, pola tersebut dapat
dikenali sebagai kata yang sama dan faktor apa saja yang dapat mempengaruhi hasil
pengenalannya.
Pada Tugas Akhir ini, akan dibahas pengenalan tulisan tangan yang berbentuk
huruf jawi (arab melayu) dalam bentuk kata. Pengenalan dilakukan dengan jaringan
saraf tiruan menggunakan metode propagasi balik.

1.2

Rumusan Masalah

Berdasarkana latar belakang diatas dapat diambil satu permasalahan yaitu :

Bagaimana komputer dapat mengenali karakter dari tulisan tangan yang berbentuk
huruf jawi (arab melayu)

1.3

Batasan Masalah

Adapun batasan masalah pada penelitian ini adalah:

1. Citra gambar berupa tulisan tangan yang berbentuk huruf jawi (arab
melayu) dalam bentuk kata.
2. Diambil dari 12 tulisan tangan orang, dengan setiap orang menuliskan 7
sampel kata yang berbeda.

3. Metode yang dipakai adalah jaringan saraf tiruan

4. Arsitektur jaringan saraf tiruan yang dipakai adalah jaringan saraf tiruan
propagasi balik.

1.4

Tujuan Penelitian

Tujuan dari penelitian ini adalah membuat sistem pengenalan tulisan tangan berbentuk
huruf jawi (arab melayu) yang inputnya berupa tulisan huruf jawi dan discan, dikenali
dengan huruf jawi menggunakan jaringan saraf tiruan.

1.5

Manfaat Penelitian

Manfaat dari penelitian ini adalah:

1.

Agar dapat dijadikan salah satu alternative lain dalam pengenalan tulisan
tangan yang berbentuk hufur jawi.

2.

Mengetahui kemampuan metode jaringan saraf tiruan propagasi balik untuk

pengenalan tulisan tangan yang berbentuk huruf jawi .

3.

Menambah pemahaman penulis tentang jaringan saraf tiruan propagasi balik

untuk pengenalan tulisan tangan yang berbentuk huruf jawi.

1.6

Metode Penelitian

Tahapan-tahapan yang akan dilakukan pada pelaksanaan skripsi ini adalah sebagai
berikut:
1. Studi Literatur
Studi literatur dilakukan dengan mengumpulkan bahan-bahan referensi baik
dari buku, artikel, paper, jurnal, makalah, maupun situs-situs internet. Studi
literatur yang dilakukan terkait dengan pengenalan tulisan tangan.

2. Analisis Permasalahan
Pada tahap ini dilakukan analisis terhadap hasil studi literatur untuk
mengetahui dan mendapatkan pemahaman mengenai jaringan saraf tiruan
untuk menyelesaikan masalah pengenalan tulisan tangan.

3. Perancangan Sistem
Pada tahap ini dilakukan perancangan arsitektur, pengumpulan data pelatihan,
pemilihan lingkungan pengembangan dan perancangan antarmuka. Proses
perancangan dilakukan berdasarkan hasil analisis studi literatur yang telah
didapatkan.

4. Implementasi Sistem
Pada tahap ini dilakukan proses implementasi pengkodean program dalam
aplikasi komputer menggunakan bahasa pemrograman yang telah dipilih yang
sesuai dengan analisis dan perancangan yang sudah dilakukan. Pelatihan
jaringan, verifikasi dan validasi.

5. Pengujian
Pada tahap ini dilakukan proses pengujian dan percobaan terhadap sistem
sesuai dengan kebutuhan yang ditentukan sebelumnya serta memastikan
program yang dibuat berjalan seperti yang diharapkan.

6. Dokumentasi
Pada tahap ini dilakukan pembuatan dokumentasi sistem, lengkap dengan
analisis yang diperoleh.

7. Penyusunan Laporan
Pada tahap ini dilakukan dokumentasi hasil analisis dan implementasi dari
jaringan saraf tiruan propagasi balik.

1.7

Sistematika Penulisan

Penulisan skripsi ini menggunakan sistematika penulisan yang membagi pembahasan

skrispi dalam lima bagian utama, yang terdiri atas:

Bab I

Pendahuluan

Pada bab ini merupakan pendahuluan yang berisi latar belakang, rumusan masalah,
tujuan penelitian, batasan masalah, metodologi penelitian, dan sistematika penulisan
skripsi.

Bab II Tinjauan Pustaka

Pada bab ini membahas mengenai teori-teori yang digunakan untuk memahami
permasalahan yang berkaitan dengan pengenalan tulisan tangan yaitu
pengolahan citra, ektraksi fitur dan jaringan saraf tiruan.

Bab III Analisis dan Perancangan Sistem

Pada bab ini berisikan analisis mengenai metode yang digunakan untuk
menyelesaikan masalah dan perancangan dari sistem yang dibangun.

Bab IV Implementasi dan Pengujian Sistem

Pada bab ini dibahas mengenai spesifikasi kebutuhan perangkat keras
(hardware) dan perangkat lunak (software) dari sistem. Kemudian terdapat
cara kerja dari sistem dan menampilkan hasil dari pengujian sistem ini.

Bab V Kesimpulan dan Saran

Pada bab ini dibuat mengenai rangkuman dari hasil analisis dan implementasi
kerja sistem pada bagian sebelumnya, dan pada bagian ini terdapat saran yang
diberikan untuk pengembangan sistem selanjutnya.

BAB 2
TINJAUAN PUSTAKA

Pada bab ini akan membahas landasan teori-teori yang bersifat ilmiah untuk
mendukung penulisan skripsi ini. Teknik-teknik yang dibahas mengenai pengenalan
pola, prapengolahan citra, jaringan saraf tiruan propagasi balik dan beberapa sub
pokok pembahasan lainnya yang menjadi landasan teori dalam penulisan skripsi ini.

2.1.

Pra-Pengolahan Citra

Citra disebut sebagai gambaran dari objek yang telah mengalami perubahan dalam
pengolahan

2.1.1. Citra Digital

Citra digital didefenisikan sebagai representasi diskrit dari data spasial (tata letak) dan
intensitas (warna) informasi (Solomon & Breckon, 2011). Citra digital dapat diproses
secara langsung oleh komputer.

Ada banyak cara untuk menyimpan citra digital kedalam memori. Seperti:
1. Citra biner hanya memiliki 2 warna, yaitu warna hitam dan warna putih. Satu
piksel membutuhkan satu bit memori untuk menyimpan kedua warna ini yaitu
hitam dan putih. piksel-piksel objek bernilai 1 yaitu berwarna hitam dan
piksel-piksel latar belakang bernilai 0 yaitu berwarna putih.

2. Citra keabuan adalah citra yang setiap pikselnya mengandung satu layer di
mana nilai intensitasnya berada pada interval 0 (hitam) 255 (putih).
Untukmenghitung citra grayscale (keabuan) digunakan rumus:
(

dengan I(x,y) adalah level keabuan pada suatu koordinat yang diperoleh dengan
mengatur warna R (merah), G (hijau), B (biru) yang ditunjukkan oleh nilai parameter
, dan . Secara umum nilai , dan adalah 0.33. Nilai yang lain juga dapat
diberikan untuk ketiga parameter tersbut asalkan total keseluruhannya adalah 1 (Putra,
2009).
3. Citra warna adalah setiap piksel pada citra warna yang merupakan kombinasi
dari tiga warna dasar RGB (Red Green Blue). Setiap warna dasar
menggunakan penyimpanan 8 bit = 1 byte yang berarti setiap warna
mempunyai tingkatan sebanyak 255 warna.

2.2.

Pengolahan Citra

Tujuan dari pengolahan citra adalah untuk mendapatkan informasi dari citra dan
menghasilkan citra yang diinginkan. Terlebih dahulu citra harus diolah sebelum
masuk ke proses jaringan saraf tiruan
a. Pembentukan Matriks Biner (Binarization)
Proses ini akan menghasilkan citra hitam putih yang bersih dari tingkat keabun
(grayscale), atau dengan kata lain metode ini mengonversi citra gray-level ke
citra bilevel (binary image). Pada tahap ini setiap nilai pixel RGB akan diambil
nilai rata-ratanya untuk kemudian dicek, jika nilai yang dihasilkan kurang dari
nilai threshold yang dihasilkan maka nilai pixel tersebut diubah menjadi warna
hitam, sebaliknya jika lebih besar dari nilai konstan maka akan diubah menjadi
warna putih (Khairunnisa, 2012).
b. Normalisasi
Normalisasi adalah proses mengubah ukuran citra, baik menambah atau
mengurangi, menjadi ukuran yang ditentukan tanpa menghilangkan informasi
penting dari citra tersebut (Sharma, dkk, 2012). Dengan adanya proses
normalisasi maka ukuran semua citra yang akan diproses menjadi seragam.

c. Thinning
Thinning adalah proses pengurangan data yang mengikis (erode) sebuah objek
hingga menjadi ukuran 1 piksel dan menghasilkan kerangka (skeleton) dari
objek tersebut. Objek seperti huruf atau silhouettes dapat lebih mudah dikenali
dengan melihat kepada kerangkanya saja (Phillips, 2000). Pada penelitian ini
digunakan algoritma thinning Zhang-Suen.
Algoritma ini untuk citra biner, dimana piksel background citra bernilai
0, dan piksel foreground (region) bernilai 1. Algoritma ini cocok untuk
aplikasi OCR (Optical Character Recognition), yang digunakan untuk bentuk
yang diperpanjang (elongated). Algoritma ini terdiri dari beberapa
penelusuran, dimana setiap penelusurannya terdiri dari 2 langkah dasar yang
diaplikasikan terhadap titik yang pikselnya bernilai 1, dan memiliki paling
sedikit 1 piksel dari 8-tetangganya yang bernilai 0.

2.3.

Ekstraksi Fitur (Feature Extraction)

Feature extraction adalah proses pengukuran terhadap data yang telah dinormalisasi
untuk membentuk sebuah nilai fitur. Nilai fitur digunakan oleh pengklasifikasi untuk
mengenali

unit

masukan

dengan

unit

target

keluaran

dan

memudahkan

pengklasifikasian karena nilai ini mudah untuk dibedakan (Pradeep, dkk, 2011).
Secara luas, fitur adalah semua hasil pengukuran yang bisa diperoleh. Fitur juga
bisa menggambarkan karakteristik objek yang dipantau (Putra, 2009). Contoh dari
fitur level rendah adalah intensitas sinyal. Fitur bisa berupa simbol, numerik atau
keduanya. Contoh dari fitur simbol adalah warna. Contoh dari fitur numerik adalah
berat. Fitur bisa diperoleh dengan mengaplikasikan algoritma pencari fitur pada data
masukan. Fitur dapat dinyatakan dengan variabel kontinu, diskret atau diskret-biner.
Fitur biner dapat digunakan untuk menyatakan ada tidaknya suatu fitur tertentu (Putra,
2012).
Fitur yang baik memiliki syarat berikut, yaitu mudah dalam komputasi, memiliki
tingkat keberhasilan yang tinggi dan besarnya data dapat diperkecil tanpa
menghilangkan informasi penting (Putra, 2009).

2.3.1.

Zoning

Zoning adalah salah satu ekstraksi fitur yang paling popular dan sederhana untuk
diimplementasikan (Sharma, dkk, 2012). Sistem optical character recognition (OCR)
komersil yang dikembangkan oleh CALERA menggunakan metode zoning pada citra
biner (Bosker, 1992). Setiap citra dibagi menjadi NxM zona dan dari setiap zona
tersebut dihitung nilai fitur sehingga didapatkan fitur dengan panjang NxM. Salah satu
cara menghitung nilai fitur setiap zona adalah dengan menghitung jumlah piksel hitam
setiap zona dan membaginya dengan jumlah piksel hitam terbanyak yang terdapat
pada salah satu zona (Putra, 2012).

2.4.

Jaringan Saraf Tiruan

Jaringan Saraf Tiruan adalah jaringan komputasional yang mensimulasikan jaringan

sel saraf (neuron) dari pusat sistem saraf makhluk hidup (manusia atau hewan)
(Graupe, 2007). Jaringan saraf tiruan pertama kali didesain oleh Warren Mc-Culloh
dan Walter Pitts pada tahun 1943.Mc Cullah-Pitts menemukan bahwa dengan
mengkombinasikan banyak neuron sederhana sehingga menjadi sebuah sistem saraf
merupakan peningkatan tenaga komputasional.
Jaringan saraf tiruan disusun dengan asumsi yang sama seperti jaringan saraf
biologi (Puspitaningrum, 2006):
1.

Pengolahan informasi terjadi pada elemen-elemen pemrosesan (neuron).

2.

Sinyal antara dua buah neuron diteruskan melalui link-link koneksi.

3.

Setiap link koneksi memiliki bobot terasosiasi.

4.

Setiap neuron menerapkan sebuah fungsi aktivasi terhadap input jaringan (jumlah
sinyal input berbobot). Tujuannya adalah untuk menentukan sinyal output.

2.5.

Algoritma Propagasi Balik

Algoritma propagasi balik (Back Propagation) pertama dikembangkan pada tahun

1986 oleh Rumelhart, Hinton dan Williams untuk menentukan bobot dan digunakan
untuk pelatihan perceptron multi lapis (Graupe, 2007). Metode propagasi balik

merupakan metode yang sangat baik dalam menangani masalah pengelanan pola-pola
kompleks. Metode ini merupakan metode jaringan saraf tiruan yang populer. Beberapa
contoh aplikasi yang melibatkan metode ini adalah pengompresian data, pendeteksian
virus komputer, pengidentifikasian objek, sintesis suara dari teks, dan lain lain
(Puspitaningrum, 2006).
Istilah propagasi balik diambil dari cara kerja jaringan ini, yaitu bahwa
gradient error unit-unit tersembunyi diturunkan dari penyiaran kembali error-error
yang diasosiasikan dengan unit-unit output. Hal ini karena nilai target untuk unit-unti
tersembunyi tidak diberikan (Puspitaningrum, 2006). Propagasi balik adalah metode
pembelajaran terawasi (supervised learning). Metode ini membutuhkan nilai yang
sudah ditentukan sebelumnya untuk mendapatkan output yang diinginkan pada proses
pembelajaran. Contoh jaringan propagasi balik dengan satu buah lapisan tersembunyi
dapat dilihat pada Gambar 2.1

Gambar 2.1 Jaringan propagasi balik dengan satu buah lapisan tersembunyi
(Puspitaningrum, 2006)
Algoritma propagasi balik dapat dibagi ke dalam 2 bagian (Puspitaningrum, 2006):
1.

Algoritma pelatihan
Terdiri dari 3 tahap: tahap umpan maju pola pelatihan input, tahap pemropagasian
error, dan tahap pengaturan bobot.

2.

Algoritma aplikasi
Yang digunakan hanyalah tahap umpan maju saja.
1. Algoritma Pelatihan
Inisialisasi bobot-bobot.
Tentukan pula nilai toleransi error atau nilai ambang (bila menggunakan nilai
ambang sebagai kondisi berhenti); atau set maksimal epoch (bila
menggunakan banyaknya epoch sebagai kondisi berhenti).
1. While kondisi berhenti tidak terpenuhi do langkah ke-2 sampai langkah ke-9.
2. Untuk setiap pasangan pola pelatihan, lakukan langkah ke-3 sampai langkah
ke-8.

A. Tahap Umpan Maju

3. Setiap unit input xi (dari unit ke-1 sampai unit ke-n pada lapisan input)
mengirimkan sinyal input ke semua unit yang ada di lapisan atasnya (ke
lapisan tersembunyi)
4. Pada setiap unit di lapisan tersembunyi zj (dari unit ke-1 sampai unit ke-p;
i=i,,n; j=,...,p) sinyal output lapisan tersembunyinya dihitung dengan
menerapkan fungsi ativasi terhadap penjumlahan sinyal-sinyal input berbobot
xi:
(

( )

kemudian dikirim ke semua unit di lapisan atasnya.

5. Setiap unit di lapisan output yk (dari unit ke-1 sampai unit ke-m; i=1,...,n;
k=1,,m) dihitung sinyal outputnya dengan menerapkan fungsi aktivasi
terhadap penjumlahan sinyal-sinyal input berbobot zj bagi lapisan ini:
(

( )

B. Tahap Pemropagasibalikan Error

6. Setiap unit output yk (dari unit ke-1 sampai unit ke-m; i=1,,p; k=1,.,m)
menerima pol target tk lalu informasi kesalahan lapisan output (k) dihitung. k
dikirim ke lapisan di bawahnya dan digunakan untuk mengitung besar koreksi

bobot dan bias (wjk dan w0k) antara lapisan tersembunyi dengan lapisan
output:
(

) (

( )

wjk = k zj
w0k = k
7. Pada setiap unit di lapisan tersembunyi (dari unit ke-1 sampai unit ke-p;
i=1,,n; j=1,,p; k=1,,m) dilakukan perhitungan informasi kesalahan
lapisan tersembunyi (j). j kemudian digunakan untuk menghitung besar
koreksi bobot dan bias (wjk dan w0k) antara lapisan input dan lapisan
tersembunyi.
(

)) (

( )

vij = j xi
v0j = j
C. Tahap Peng-update-an Bobot dan Bias
8. Pada setiap unit output yk (dari unit ke-1 sampai unit ke-m) dilakukan pengupdate-an bias dan bobot (j=0,,p; k=1,,m) sehingga bias dan bobot baru
menjadi: wjk (baru) = wjk (lama) + wjk
Dari unit ke-1 sampai unit ke-p di lapisan tersembunyi juga dilakukan
peng-update-an pada bias dan bobotnya (i=0,,n; j=1,,p):
vij (baru) = vij (lama) + vij
9. Tes kondisi berhenti.

2. Algoritma Aplikasi
Inisialisasi bobot.Bobot ini diambil dari bobot-bobot terakhir yang diperoleh
dari algoritma pelatihan.

1. Untuk seitap vektor input, lakukanlah langkah ke-2 sampai ke-4.

2. Setiap unit input xi (dari unit ke-1 sampai unit ke-n pada lapisan input;
i=1,,n) menerima sinyal input pengujian xi dan menyiarkan sinyal xi ke
semua unikt pada lapisan di atasnya (unit-unit tersembunyi).
3. Setiap unit di lapisaan tersembunyi zj (dari unit ke-1 sampai unit ke-p;
i=1,,n; j=1,.,p) menghitung sinyal outputnya dengan menerapkan fungsi
aktivasi terhadap penjumlahan sinyal-sinyal input xi. Sinyal output dari lapisan
tersembunyi kemudian dikirim ke semua unit pada lapisan di atasnya:
(

( )

4. Setiap unit output yk (dari unit ke-1 sampai unit ke-m; j=1,,p; k=1,,m)
menghitung sinyal outputnya dengan menerapkan fungsi aktivasi terhadap
penjumlahan sinyal-sinyal input bagi lapisan ini, yaitu sinyal-sinyal input zj
dari lapisan tersembunyi:
(

2.5.1

( )

Fungsi Aktifasi

Pilihan fungsi aktivasi yang dapat digunakan pada metode propagasi balik yaitu fungsi
sigmoid biner, sigmoid bipolar dan tangent hiperbolik.Karakteristiki yang harus miliki
fungsi aktivasi tersebut adalah kontinu, diferensiabel dan tidak menurun secara
monoton.Fungsi aktivasi diharapkan jenuh (mendekati nilai-nilai maksimum dan
minimum secara asimtot) (Puspitaningrum, 2006).

1. Fungsi Sigmoid Biner

Fungsi ini merupakan fungsi yang umum digunakan. Rentang-nya adalah (0,1) dan
didefenisikan sebagai :

( )

( )

dengan turunan :
( )

( )(

( ))

( )

Fungsi sigmoid biner diilustrasikan pada gambar 2.2.

Gambar 2.2 Fungsi sigmoid biner dengan rentang (0,1) (Puspitaningrum, 2006)

2.5.2

Inisialisasi Bobot dan Bias

Cepat atau tidaknya pembelajaran pada pelatihan jaringan propagasi balik salah
satunya dipengaruhi oleh nilai bobot antar neuron dan nilai bias. Semakin baik
inisialisasi bobot dan bias semakin cepat pula pembelajaran jaringan propagasi balik.
Bobot dan bias pada jaringan propagasi balik dapat dinisialisasi dengan berbagai cara
seperti inisialisasi acak, nguyen-widrow dan lain-lain (Putra, 2012).

1. Inisialisasi Acak
Prosedur yang umum dilakukan adalah menginisialisasi bias dan bobot, baik
dari unit input ke unit tersembunyi maupun dari unit tersembunyi ke unit
output secara acak dalam sebuah interval tertentu (- dan ), misalnya antara 0.4 sampai 0.4, -0.5 sampai 0.5, dan -1 sampai 1 (Puspitaningrum, 2006).

2. Inisialisasi Nguyen Windrow

Waktu pembelajaran jaringan propagasi balik yang bobot dan biasnya
diinisalisasi dengan inisialisasi Nguyen-Widrow lebih cepat dibandingkan bila
diinisialisasi dengan inisialisasi acak. Pada inisialisasi Nguyen-Widrow,
inisialisasi acak tetap terpakai tetapi digunakan untuk menginisialisasi bias dan
bobot dari unit tersembunyi ke unit output saja. Untuk bias dan bobot dari unitunit input ke unit-unit tersembuyi digunakan bias dan bobot yang khusus
diskala agar jatuh pada range tertentu. Dengan penskalaan maka diharapkan
kemampuan belajar dari unit-unit tersembunyi dapat meningkat.
Faktor skala Nguyen-Widrow () didefenisikan sebagai :
( )

di mana :
n = banyak unit input
p = banyak unit tersembunyi
= faktor skala

Prosedur inisialisasi Nguyen-Widrow

Untuk setiap unit tersembunyi dari unit ke-1 sampai unit ke-p :
1. Inisialisasi vektor bobot dari unit-unit input ke unit-unit tersembunyi (j = 1, ,
p) dengan cara :
a. Menentukan bobot-bobot antara unit input ke unit tersembunyi (vij) :
vij(lama) = bilangan acak antara - dan
di mana i = 1, , n.
b. Menghitung ||vij ||.
c. Menginisialisasi kembali vij :
(

2. Menentukan bias antara unit input ke unit tersembuni (j = 1, , p). voj diset
dengan bilangan acak yang terletak pada skala antara - dan .

2.5.3

Pengupdate Bobot dengan Momentum

Penambahan parameter momentum dalam mengupdate bobot seringkali bisa

mempercepat proses pelatihan. Ini disebabkan karena momentum memaksa proses
perubahan bobot terus bergerak sehingga tidak terperangkap dalam minimumminimum lokal. Pengupdatean bobot pada proses pelatihan jaringan yang biasa adalah
sebagai berikut :
wjk = k zj
vij = jxi
Jika error tidak terjadi (output actual telah sama dengan output target) maka k
menjadi nol dan hal ini akan menyebabkan koreksi bobot wjk = 0, atau dengan kata
lain pengupdatean bobot berlanjut dalam arah yang sama seperti sebelumnya.
Jika parameter momentum digunakan maka persamaan-persamaan pengupdatean
bobot dengan langkah pelatihan t, dan t+1 untuk langkah pelatihan selajutnya,
mengalami modifikasi sebagai berikut :
wjk(t + 1) = k zj + wjk(t)
vij(t + 1) = j xi + vij(t)
dengan adalah parameter momentum dalam range antara 0 sampai 1.

BAB 3
ANALISIS DAN PERANCANGAN

Pada bab ini dibahas tentang bagaimana proses sistem jaringan saraf tiruan dengan
menggunakan metode propagasi balik untuk pengenalan tulisan tangan berbentuk
huruf jawi (arab melayu) dan membahas tentang analisis kebutuhan sistem tersebut
beserta perancangan sistemnya. Pada tahap perancangan sistem yang dilakukan adalah
mentransformasikan model analisis ke model perancangan.

3.1

Analisis Data Sistem

Data dan sampel yang akan digunakan adalah tulisan tangan yang berbentuk

huruf jawi (arab melayu) ditulis dikertas putih dengan tinta berwarna hitam. Setelah
pengambilan data, data tersebut di scan, setelah itu hasil scannernya di simpan dalam
bentuk folder jpeg.
Untuk melakukan pengenalan tulisan tangan berbentuk huruf jawi (arab
melayu)menggunakan jaringan saraf tiruan harus melalui tahapan-tahapan tertentu
sehingga dapat menjadi masukan yang baik bagi jaringan saraf tiruan. Jumlah data
yang diambil sebanyak 12 pola tulisan tangan berbentuk huruf arab melayu (jawi) dari
12 orang, 1 orang terdiri dari 7 kata (kata yang diambil adalah nama-nama hari).

3.2

Pra - Pengolahan Citra

Sebelum ketahapan jaringan saraf tiruan, terlebih dahulu data yang telah diambil
dilakukan proses prapengolahan citra. Pada sistem ini prapengolahan yang dilakukan
adalah binarization, normalisasi, thinning dan feature extraction.

Gambar 3.1 Tahapan Pra-Pengolahan citra

a) Pembentukan Matriks Biner (Binarization)

Matriks biner citra ini menghasilkan citra hitam putih yang bersih dari tingkat
keabun (grayscale), atau dengan kata lain metode ini mengonversi citra graylevel ke citra bilevel (binary image). Pada tahap ini setiap nilai pixel RGB akan
diambil nilai rata-ratanya untuk kemudian dicek, jika nilai yang dihasilkan
kurang dari nilai threshold yang dihasilkan maka nilai pixel tersebut diubah
menjadi warna hitam, sebaliknya jika lebih besar dari nilai konstan maka akan
diubah menjadi warna putih (Khairunnisa, 2012).
Jika citra dari nilai pixel pada koordinat (x,y) berwarna hitam maka
nilai matriks biner pada baris i dan kolom j adalah 1, dan sebaliknya 0. Adapun
diagram alir proses dari matriks biner ini dapat dilihat pada gambar 3.2 :

Mulai

Inisialisasi
tinggi, lebar
x= 0
y=0

Selesai

tidak

y < tinggi

y=y+1

ya
x < lebar

tidak

ya
Nilai rata-rata
(x,y) = (R + G +
B) /3

Matriks[y][x] = 0

ya

(x,y) < T

tidak

Matriks[y][x] = 1

x= x + 1

Gambar 3.2 Matriks Biner

b) Normalisasi
Ukuran citra yang telah di crop berbeda-beda sehingga belum bisa digunakan
sebagai

masukan

standar

untuk

diektraksi.

Citra

tersebut

haruslah

dinormalisasi terlebih dahulu yaitu dengan menggunakan ukuran citra yang

sesuai untuk diekstrakkan yaitu 300x170 pixel. Contoh citra hasil pemotongan
yang dinormalisasi dapat dilihat pada Gambar 3.3.

a.

b.

Gambar 3.3. hasil citra normalisasi, (a) citra RGB, (b) citra hasil normalisasi

c) Pembentukan Matriks Tulang (Thinning)

Tahapan selanjutnya adalah mengunakan proses thinning. Proses thinning
dilakukan supaya mendapatkan kerangka dari objek karakter pada citra dapat
diproses. Proses thinning ini bertujuan membentuk matriks dari citra tulisan
tangan yang kebetulan garisnya 1 pixel. Algoritma yang dipakai dalam proses
thinning ini adalah algoritma ZhangSuen yang belum dimodifikasi (Zhang &
Suen, 1984).
Algoritma Zhang-Suen ini menggunakan metode paralel yang mana
nilai baru bagi setiap pixel dihasilkan dari nilai pixel pada iterasi sebelumnya.
Hasil citra yang telah diubah menggunakan proses thinning dapat dilihat pada
Gambar 3.4.

a.

b.

Gambar 3.4. citra hasil thinning, (a) citra normalisasi, (b) citra thinning

3.3

Fitur Ekstraksi (Feature Extraction)

Pada tahapan fitur ekstraksi dilakukan agar nilai yang telah dinormalisasikan dapat
membentuk sebuah nilai fitur agar mendapatkan nilai-nilai unik dari citra yang telah
mengalami proses prapengolahan citra sebelumnya. Setiap data hasil ekstraksi fitur
harus benar-benar dapat mewakili karakteristik atau keunikan dari data tersebut. oleh
karena itu diperlukan suatu cara bagaimana agar dapat mendapatkan nilai-nilai unik
dari data tersebut sebab data yang ingin dianalisis oleh jaringan saraf tiruan harus
direpsentasikan dengan baik ke dalam bentuk numerik ataupun biner.
Pada tahap ini, citra yang berukuran 300x170 piksel dibagi menjadi 30 kolom
dan 17 kolom dengan masing-masing kolom terdapat 10 piksel. Proses ekstraksi fitur
menggunakan zonning dapat dilihat pada gambar 3.5.

Gambar 3.5. Diagram ekstraks fitur

3.4

Metode Ekstraksi Zoning

Metode zining dapat dibagi menjadi 3 proses, yaitu:

1.

Hitung jumlah piksel hitam setiap zona dari Z1 sampai Z510.

2.

Tentukan zona yang memiliki jumlah piksel hitam paling tinggi.

3.

Hitung nilai fitur setiap zona dari Z1 sampai Z510.

Yaitu menggunakan rumus :
Nilai fitur Zn = Zn / Ztertinggi
dimana 1 n 510
Nilai fitur didapatkan dengan melakukan perbandingan jumlah piksel hitam dari
satu zona dengan zona yang didapatkan dari proses no 2.

Flowchart dari proses ekstraksi zoning dapat dilihat pada gambar 3.6.

y0

Start

Inisialisasi
ZONA_L 30, ZONA_T 17
img (hasil Thinning)
tinggi img(height), lebar img(width)
piksel_zona[ZONA_T][ZONA_L] 0.0
piksel_zona_max 0.0
x, y, k, l

yy+1

y < ZONA_T

No

End

No
Yes
x0

y0
No

x < ZONA_L
y y + 10

y < tinggi

Yes
Yes
piksel_zona[y][x]
piksel_zona[y][x] /
piksel_zona_max

x0
No
x x + 10
x < lebar

piksel_zona_max
piksel_zona[y/10][x/10]

Yes
ky

kk+1

k < y + 10

No

Yes

piksel_zona[y/10][x/10]
>
piksel_zona_max

No

Yes
lx
No

l < x + 10

ll+1

Yes
No
img(l, k) = 0

Yes
piksel_zona[y/10][x/10]
piksel_zona[y/10][x/10] + 1

Gambar 3.6.flowchart ekstraksi fitur zoning

xx+1

Gambar 3.7 Pembagian zona menjadi 30 kolom dengan 17 baris, masing-masing

zona berukuran 10x10 piksel.

3.5

Tahap Setelah Ekstraksi Fitur

Setelah melakukan tahapan ekstraksi fitur dan tahapan berikutnya yaitu klasifikasi
dengan menggunakan jaringan saraf tiruan propagasi balik. Dalam tapahan ini
terdapat dua proses yaitu proses pelatihan dan proses pengujian. Pada proses pelatihan
dilakukan pelatihan jaringan saraf tiruan dengan menggunakan nilai fitur yang didapat
dari data yang dilatih. Sebelum data digunakan, terlebih dahulu datanya harus sudah
dilatih. Setelah proses pelatihan, masuk ke proses pengujian yaitu dengan
menggunakan nilai fitur yang didapatkan dari data yang diuji. Jaringan harus
dirancang terlebih dahulu sebelum data di latih dan diuji.

3.6

Perancangan Jaringan Propagasi Balik

Jaringan yang dirancang dalam penelitian ini adalah jaringan propagasi balik.
Arsitektur jaringan saraf tiruan terdiri dari lapisan input (input layer), lapisan
tersembunyi (hidden layer) dan lapisan output (output layer).
Berdasarkan perancangan isi atas jaringan saraf tiruan yang dibangun pada
penelitian ini dapat dilihat pada gamabar 3.8

Gambar 3.8 Arsitektur Jaringan Saraf Tiruan

Berdasarkan gambar 3.8, rincian rancangan arsitektur jaringan saraf tiruan
yang digunakan adalah :
1. 1 lapisan input. Lapisan input terdiri dari unit-unit input mulai dari unit input 1
sampai unit input i, dimana i = 510.
2. 1 lapisan tersembunyi. Lapisan tersembunyi terdiri dari unit-unit tersembunyi
mulai dari unit tersembunyi 1 sampai unit tersembunyi j, dimana j = 96.
3. 1 lapisan output. Lapisan output terdiri dari unit-unit output mulai dari unit output
1 sampai unit output k, dimana k = 7.
4. x1 sampai x510 merupakan unit-unit lapisan input, y1 sampai y7 merupakan unit-unit
lapisan output dan z1 sampai zp merupakan unit-unit lapisan tersembunyi.
5. b1 merupakan bias ke lapisan tersembunyi dan b2 merupakan bias ke lapisan
keluaran.
6. v0j dan w0k masing-masing adalah bobot bias untuk unit tersembunyi ke-j dan unit
output ke-k. vij adalah bobot koneksi antara unit ke-i lapisan input dengan unit ke-j

lapisan tersembunyi, sedangkan wjk adalah bobot koneksi antara unit ke-j lapisan
tersembunyi dengan unit ke-k lapisan output.

Tabel 1. Vektor Output dan target keluaran jaringan

3.6.1

Vektor Output

Target

10000000000000000000000000

Senin

01000000000000000000000000

Selasa

00100000000000000000000000

Rabu

00010000000000000000000000

Kamis

00001000000000000000000000

Jumat

00000100000000000000000000

Sabtu

00000010000000000000000000

Minggu

Proses Pelathan

Prose pelatihan dilakukan agar dapat melatih jaringan yang akan dapat mengenali
huruf jawi (arab melayu) tulisan tangan baik yang dilatih ataupun yang tidak
dilatihkan dengan menggunakan jaringan saraf tiruan propagasi balik. Bertujuan untuk
mendapatkan keseimbangan antara kemampuan tanggapan yang benar terhadap
masukan yang dipakai untuk pelatihan jaringan (memorisasi) dan kemampuan
memberikan tanggapan yang benar untuk masukan yang sejenis namun tidak identik
dengan yang dipakai pada pelatihan.
Proses pelatihan terdiri dari 3 tahap. Tahap yang pertama yaitu tahap umpan maju
pola yang digunakan untuk mencari nilai lapisan tersembunyi dan nilai lapisan
keluaran menggunakan aktivasi yang ditentukan. Tahap yang kedua adalaha tahap
mundur, jika hasil keluaran tidak sesuai dengan target maka dilakukan propagasi balik
untuk mendapatkan nilai error yang ada di lapisan keluaran dan lapisan tersembunyi.
Tahap yang ketiga adalah memperbaharu nilai bobot yang ada dilapisan tersembunyi
dan lapisan masukkan untuk menentukan error yang terjadi. Setelah itu lakukan lagi
umpan maju dan propagasi balik jika nilai keluarannya tidak sesuai dengan nilai yang

ditargetkan. Proses ini dilakukan secara berulang kali sampai mendapatkan batasan
error yang ditentukan dari jaringan.

3.6.2

Proses Pengujian

Proses pengujian adalah menguji jaringan yang telah dilatih untuk mengenali data uji
maupun tidak digunakan pada tahapan pelatihan jaringan. Jaringan diharapkan dapat
mengenali huruf-huruf jawi (arab melayu) yang terdapat pada data uji. Pada proses
pengujian hanya mnggunakan tahap umpan maju untuk mencari nilai keluaran lapisan
tersembunyi dan lapisan keluaran.
Ketika jaringan diuji dengan menggunakan data pelatihan, yang diuji adalah
kemampuan memorisasi jaringannya, sebab kasus-kasusyang dimasukkan telah
dipelajari sebelumnya. Dan sebaliknya, pada saat jaringan diuji dengan menggunakan
data baru, yang diuji adalah kemampuan generalisasi jaringannnya.

BAB 4
IMPLEMENTASI DAN PENGUJIAN SISTEM

Pada bab ini akan diuraikan tahapan selanjutnya dalam pengembangan software yaitu
tahap implementasi dan pengujian sistem. Di sini akan dijelaskan tentang proses
pengimplementasian algoritma ke dalam sistem dan melakukan pengujian dari
software yang dikembangkan.

4.1.

Implementasi

Data yang telah dikenali pada bab sebelumnya haruslah diimplementasikan ke dalam
kode pemrograman agar dapat dilakukan pengujian untuk mengetahui kemampuan
kombinasi metode zoning. Pada penelitian ini pemrograman yang digunakan adalah
bahasa pemrograman java. Pada bab sebelumnya telah dibahas tentang cara kerja
sistem yang dibangun dengan mnggunakan jaringan saraf tiruan.
Pengkodean dilakukan menjadi 5 modul utama, yaitu :
1.

Modul prapengolahan citra

Merupakan modul untuk melaksakan semua proses prapengolahan citra dan
melaksanakan proses ekstraksi fitur.

2.

Modul inisialisasi
Merupakan model untuk melaksanakan inisialisasi bobot awal.

3.

Modul pelatihan jaringan

Merupakan modul untuk melaksanakan proses pelatihan jaringan propagasi balik.

4.

Modul pengujian jaringan

Merupakan modul untuk melaksanakan proses pengujian jaringan propagasi balik
yang telah dilatihkan.

5.

Modul program utama

Merupakan modul untuk menjalankan modul prapengolahan citra, pelatihan
jaringan dan pengujian jaringan.

4.2.

Spesifikasi Perangkat Keras dan Perangkat Lunak yang digunakan

Spesifikasi perangkat lunak dan perangkat keras yang digunakan untuk membut
sistemnya adalah sebagai berikut:
1. Processor Pentium Intel Core i3-2310M
2. Kapasitas harddiks 500GB.
3. Memory RAM yang digunakan 2.00GB.
4. Sistem operasi Microsoft Windows 7.
5. Tools dari Java.
6. Printer canon MP198.

4.3.
Setelah

Pengujian
melakukan

tahap

implementasi

maka

dilakukan

tahap

pengujian

kemampuanmetode zoning pada jaringan saraf tiruan untuk pengenalan tulisan tangan
huruf jawi (arab melayu). Untuk mengetahui seberapa tingkat kecocokannya dengan
metode tersebut, dibangunsebuah jaringan dengan menggunakan metode zoning.
Jaringan yang menggunakan metode zoning menggunakan 510 nilai fitur.

4.4.

Persiapan Sistem Jaringan Saraf Tiruan

Ketika jaringan tersebut memiliki lapisan tersembunyi dan lapisan keluaran yang sama
yaitu 96 neuron lapisan tersembuni dan 7 neuron lapisan keluaran. Lapisan masukan
sesuai dengan metode ekstraksi yang digunakan yaitu zoning (510 neuron masukan).
Jaringan tersebut dilatih dengan menggunakan data latihan dengan paramter pelatihan,
yaitu learning rate : 0.5, momentum 0.5. Data latihan dapat dilihat pada lampiran B.

4.5.

Hasil Pengujian

Setelah jaringan tersebut dilatih kemudian jaringan dilakukan pengujian pada tingkat
pencocokan dari jaringan tersebut. Pengenalan diuji dengan menggunakan data uji
yaitu data baru yang tidak digunakan pada tahap pelatihan. Data yang digunakan
untuk pengujian adalah 21 pola kata (Lampiran B).
Pengujian dilakukan dengan menggunakan pemrograman java. Dengan
menggunakan contoh sebagai berikut:
Input : Masukkan nama file gambar yang ingin diuji. Seperti pada gambar 4.1

Gambar 4.1. input citra pengujian

Output : Sistem akan mengenali file gambar yang diuji sesuai dengan karakternya.
Seperti pada gambar 4.2

Gambar 4.2. Output citra pengujian

Hasil dari citra algoritma zoningdapat dilihat pada gambar 4.3

Gambar 4.3Hasil citra algoritma zoning.

4.6.

Hasil Pelatihan Jaringan Saraf Tiruan

Pelatihan jaringan saraf tiruan ini berfungsi untuk mengajarkan kepada jaringan polapola tulisan huruf yang ada sehingga diharapkan jaringan dapat mengenali pola-pola
tulisan baru yang diberikan. Pada tahap pelatihan ini ditampilkan beberapa kombinasi
lapisan tersembunyi, learning rate, momentum yang berbeda-beda. Hasil pelatihan
jaringan saraf tiruan propagasi balik dapat dilihat pada tabel 4.1.
Tabel 4.1 Hasil Pelatihan Jaringan Saraf Tiruan Propagasi Balik
Input

Learning Momentum Epoch

Tingkat
Output
Rate
Kecocokan
0,5
0,5
100
88,93%
Senin
Senin1
0,4
0,2
1000
88,83%
Senin
Senin1
0,1
0,1
10
87,95%
Senin
Senin1
0,1
0,4
200
87,89%
Senin
Senin1
0.4
0.4
2000
88,68%
Senin
Senin1
0,1
0,1
120
87,92%
Senin
Senin1
0,1
0,1
120
87,54%
Senin
Senin2
0,1
0,1
1000
87,22%
Senin
Senin2
0,7
0,4
1000
89,02%
Senin
Senin2
0,9
0,9
10
89,95%
Senin
Senin2
0,9
0,6
30
89,54%
Senin
Senin2
0,9
0,9
90
89,99%
Senin
Senin2
0,5
0,5
100
90.00%
Senin
Senin2
0,1
0,1
10
88,22%
Senin
Senin3
0,5
0,5
100
89,99%
Senin
Senin3
0,7
0,7
1000
89,74%
Senin
Senin3
0,5
0,5
100
89,99%
Senin
Senin4
0,4
0,9
100
89,94%
Senin
Senin4
Tabel 4.1 Hasil Pelatihan Jaringan Saraf Tiruan Propagasi Balik (Lanjutan)
input
Senin5
Senin5
Senin6
Senin7
Senn7
Senin8
Senin8
Senin8
Senin9
Senin10
Senin11

Learning
rate
0,2
0,5
0,5
0,1
0,5
0,2
0,3
0,5
0,5
0,5
0,5

Momentum Epoch
0,2
0,5
0,5
0,1
0,5
0,4
0,7
0,5
0,5
0,5
0,5

800
100
100
10
100
10
100
100
100
100
100

Tingkat
Kecocokan
88,07%
89,26%
90,00%
87,59%
89,25%
88,54%
89,21%
89,99%
89,19%
88,90%
89,09%

Outpu
Senin
Senin
Senin
Senin
Senin
Senin
Senin
Senin
Senin
Senin
Senin

Senin12
Selasa1
Selasa2
Selasa3
Selasa4
Selasa5
Selasa6
Selasa7
Selasa8

0,5
0,5
0,5
0,5
0,5
0,5
0,5
0,5
0,5

0,5
0,5
0,5
0,5
0,5
0,5
0,5
0,5
0,5

100
100
100
100
100
100
100
100
100

89,99%
89,09%
88,95%
89,05%
89,01%
89,11%
89,06%
89,01%
89,02%

Senin
Selasa
Selasa
Selasa
Selasa
Selasa
Selasa
Selasa
Selasa

Tabel 4.1 Hasil Pelatihan Jaringan Saraf Tiruan Propagasi Balik (Lanjutan)
Input
Selasa9
Selasa10
Selasa11
Selasa12
Rabu1
Rabu2
Rabu3
Rabu4
Rabu5
Rabu6
Rabu7
Rabu8
Kamis9
Kamis10
Kamis11
Kamis12
Jumat1
Jumat2
Jumat4
Jumat5
Jumat6

Learning
rate
0,5
0,5
0,5
0,5
0,5
0,5
0,5
0,5
0,5
0,5
0,5
0,5
0,5
0,5
0,5
0,5
0,5
0,5
0,5
0,5
0,5

Momentum Epoch
0,5
0,5
0,5
0,5
0,5
0,5
0,5
0,5
0,5
0,5
0,5
0,5
0,5
0,5
0,5
0,5
0,5
0,5
0,5
0,5
0,5

100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100

Tingkat
Kecocokan
89,07%
89,16%
88,90%
89,23%
89,49%
89,29%
89,06%
89,13%
89,49%
89,18%
88,82%
89,08%
89,21%
88,94%
89,20%
89,31%
88,89%
89,20%
89,17%
89,07%
89,04%

Output
Selasa
Selasa
Selasa
Selasa
Rabu
Rabu
Rabu
Rabu
Rabu
Rabu
Rabu
Rabu
Kamis
Kamis
Kamis
Kamis
Jumat
Jumat
Jumat
Jumat
Jumat

Tabel 4.1 Hasil Pelatihan Jaringan Saraf Tiruan Propagasi Balik (Lanjutan)
Input

Learning

Momentm

Epoch

Tingkat

Output

Jumat7
Jumat8
Jumat9
Jumat10
Jumat11
Jumat12
Sabtu1
Sabtu2
Sabtu3
Sabtu4
Sabtu5
Sabtu6
Sabtu7
Sabtu8
Sabtu9
Sabtu10
Sabtu11
Sabtu12
Minggu1
Minggu2
Minggu3

Input
Mingggu4
Minggu5
Minggu6
Minggu7
Minggu8
Minggu9
Minggu10
Minggu11
Minggu11
Minggu12
Minggu12

rate
0,5
0,5
0,5
0,5
0,5
0,5
0,5
0,5
0,5
0,5
0,5
0,5
0,5
0,5
0,5
0,5
0,5
0,5
0,5
0,5
0,5

Learning
rate
0,5
0,5
0,5
0,5
0,5
0,5
0,5
0,5
0,4
0,4
0,5

0,5
0,5
0,5
0,5
0,5
0,5
0,5
0,5
0,5
0,5
0,5
0,5
0,5
0,5
0,5
0,5
0,5
0,5
0,5
0,5
0,5

100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100

Momentum Epoch
0,5
0,5
0,5
0,5
0,5
0,5
0,5
0,5
0,4
0,4
0,5

100
100
100
100
100
100
100
100
200
200
100

Kecocokan
89,02%
89,35%
89,05%
89,44%
88,96%
89,21%
89,40%
89,35%
89,54%
89,36%
89,13%
89,58%
89,22%
89,08%
89,16%
89,46%
89,41%
89,71%
89.99%
89,23%
89,34%

Tingkat
Kecocokan
89,00%
89,04%
89,09%
88,90%
88,92%
88,98%
89,08%
89,40%
88,50%
88,64%
88,98%

Jumat
Jumat
Jumat
Jumat
Jumat
Jumat
Sabtu
Sabtu
Sabtu
Sabtu
Sabtu
Sabtu
Sabtu
Sabtu
Sabtu
Sabtu
Sabtu
Sabtu
Minggu
Minggu
Minggu

Output
Minggu
Minggu
Minggu
Minggu
Minggu
Minggu
Minggu
Minggu
Minggu
Minggu
Minggu

4.7.

Hasil Pengujian Jaringan Saraf Tiruan

Pada tahap pengujian dilakkan pengujian dengan menggunakan 21 pola. Hasil

pengujian dapat dilihat pada tabel 4.2. nilai pengujian dan pelatihan didapat dari
penghitungan sebagai berikut :
Untuk Pelatihan
( )
Untuk pengujian
( )

Tabel 4.2 Hasil Pengujian Jaringan Saraf Tiruan Propagasi Balik.

Input
Senin13
Senin14
Senin15
Selasa13
Selasa14
Selasa15
Rabu13
Rabu14
Rabu15
Kamis13
Kamis14
Kamis15
Jumat13
Jumat14
Jumat15
Sabtu13
Sabtu14
Sabtu15
Minggu13
Minggu14
Minggu15

Learning
Rate
0,5
0,5
0,5
0,5
0,5
0,5
0,5
0,5
0,5
0,5
0,5
0,5
0,5
0,5
0,5
0,5
0,5
0,5
0,5
0,5
0,5

Momentum Epoch
0,5
0,5
0,5
0,5
0,5
0,5
0,5
0,5
0,5
0,5
0,5
0,5
0,5
0,5
0,5
0,5
0,5
0,5
05,
0,5
0,5

100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100

Tingkat
Kecocokan
89,99%
88,88%
89,24%
89,33%
89,12%
88,91%
89,02%
89,02%
88,91%
89,16%
89,36%
88,91%
88,31%
89,19%
89,25%
88,72%
88,66%
88,63%
89,70%
89,34%
89,59%

Output
Senin
Senin
Senin
Selasa
Selasa
Selasa
Rabu
Rabu
Rabu
Kamis
Kamis
Kamis
Jumat
Jumat
Jumat
Sabtu
Sabtu
Sabtu
Minggu
Minggu
Minggu

Daritabel 4.1 didapatkan tingkat pengenalannya 86.87% dengan learning rate 0,5,
momentum 0,5 dan epoch 100. Sedangkan dari tabel 4.2 didapatkan tingkat
pengenalannya 89.05% dengan learning rate 0,5, momentum 0,5 dan epoch 100.

BAB 5

KESIMPULAN DAN SARAN

5.1.

Kesimpulan

Berdasarkan hasil analisis dan pengujian pada bab bab sebelumnya, dapat diambil
kesimpulannya
1. Jaringan saraf tiruan propagasi balik yang telah dilatih dengan data pola kata
(nama-nama hari) dapat digunakan untuk mengenali tulisan tangan dengan
bentuk hurub jawi (arab melayu).
2. Pada pelatihan dengan menggunakan learning rate 0,5, momentum 0,5 dan
epoch 100 didapatkan hasil 86.87 %.
3. Dari hasil pengujian diperoleh dengan learning rate sebesar 0.5, momentum
sebesar 0,5 dan epoch 100 didapatkan hasil 89.05%.
4. Semakin tinggi learning rate dan momentumnya maka semakin sedikit epoch
yang diperlukan jaringan untuk mencapai solusi tersebut. Semakin tinggi
tingkat kecocokannya maka semakin rendah tingkat keerrorannya.
5. Dari hasil pengujian yang dilakukan dicapai tingkat pengenalan sebesar
89.05% dengan menggunakan metode zoning.

5.2.

Saran

yang digunakan hanya dilatih hingga mencapai batas error 0.32. Setelah melakukan
pelatihan nilai error yang dicapai belum tentu merupakan nilai minimum. Maka untuk
pelatihan selanjutna perlu dilakukan hingga mendapatkan tingkat yang lebih baik lagi.

DAFTAR PUSTAKA

Bosker, M. 1992.Omnidocument Technologies.Proceeding of the IEEE.80: 10661078.

Emanuel, A. W. J. dan Hartono, A.Juni 2008.Pengembangan Aplikasi Pengenalan

Karakter Alfanumerik Dengan Menggunakan Algoritma Neural Network ThreeLayer Backpropagation.Jurnal. Bandung, Indonesia : Universitas Kristen
Maranatha.

Graupe, D. 2007. Principles of Artificial Neural Networks (2nd edition). Chicago:

World Scientific.

Haryando, E. D. dan Susanto, L. W. 2011.Penerapan Jaringan Saraf Tiruan metode

Propagasi Balik Dalam Pengenalan Tulisan Tangan Huruf JepangJenis
Hiragana dan Katakana.Jurnal. Bandung, Indonesia : Universitas Kristen
Maranatha.

Khairunnisa. 2012. Pengenalan Tulisan Tangan Bersambung Menggunakan Jaringan

Saraf Tiruan Propagasi Balik. Sekripsi. Medan, Indonesia: Universitas
Sumatera Utara.

Kusumadewi, S. (2003).Artificial Intelligence (Teknik dan Aplikasinya).1 Januari

2003.Penerbit Graha Ilmu Yogyakarta.

Pardede, J. 2001. Studi Perbandingan Beberapa Algortima Thinning Dalam

Pengenalan Pola.Skripsi. Medan: Universitas Sumatera Utara.

40

Prakoso, T. dkk.Pengenalan Pola Huruf arab Tulis Tangan Menggunakan JAringan

Saraf Tiruan dengan MEtode Perambatan Balik.Jurnal. Semarang, Indonesia :
Universitas Diponegoro.

Plamondon, R. & Srihari, S.N. 2000. On-line and off-line handwriting recognition: a
comprehensive survey. IEEE Transactions on Pattern Analysis and Machine
Intelligence22(1): hal. 63-84.

Puspitaningrum, D. 2006. Pengantar Jaringan Saraf Tiruan. Yogyakarta: Andi Offset.

Putra, D. 2009. Sistem Biometrika Konsep Dasar, Teknik Analisis Citra, dan Tahapan
Membangun Aplikasi Sistem Biometrika. Yogyakarta: Andi.

Putra, N. 2012. Peningkatan Nilai Fitur Jaringan Popagasi Balik Pada Pengenalan
Angka Tulisan Tangan Menggunakan Metode Zoning dan Diagonal Based
Feature Extraction.Skripsi. Medan, Indonesia: Universitas Sumatera Utara.

Safitri, I. 2010. Penggunaan Jaringan Saraf Tiruan untuk Pengklasifikasian Status

Gizi.

Skripsi. Malang, Indonesia : Universitas Islam Negri Maulana MAlik

Ibrahim: Malang.

Solomon, C & Breckon, T. 2011.Fundamentals of Digital Image Processing A

Practical Approach with Examples in Matlab. UK: John Wiley & Sons, Inc.

Swastika, W. 2009.Pengenalan karakter dengan menggunakan artificial nueral

network.PC Media 9: hal. 120.