Yayuk Anggraini
Yayuk Anggraini
SKRIPSI
YAYUK ANGGRAINI
091402009
ABSTRAK
ABSTRACT
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.
1.2.
1.3.
1.4.
1.5.
Manfaat Penelitian
1.6.
1.7.
2.2.
Pengolahan Citra
b. Normalisasi
c. Thinning .................................................................................................. 8
2.3.
2.4.
2.5.
11
2. Algoritma Aplikasi
12
13
14
1. Inisialisasi Acak
14
14
15
17
3.2.
Pra-Pengolahan Citra
17
18
19
c. Thinning ................................................................................................ 20
3.3.
3.4.
3.5.
3.6.
24
26
22
Implementasi ............................................................................................. 28
4.2.
4.3.
Pengujian
4.4.
29
4.5.
Hasil Pelatihan
30
4.6.
31
4.7.
. 29
Kesimpulan .............................................................................................. 38
5.2.
Saran ........................................................................................................ 38
41
DAFTAR TABEL
Hal
Tabel 1. Vektor Output dan Target Keluaran Jaringan
26
31
36
DAFTAR GAMBAR
Hal
Gambar 2.1 Jaringan Propagasi Balik dengan Satu Buah Lapisan Tersembunyi
10
14
18
19
20
20
21
23
24
30
30
30
ABSTRAK
ABSTRACT
BAB 1
PENDAHULUAN
1.1
Latar Belakang
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
1.3
Batasan Masalah
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
Agar dapat dijadikan salah satu alternative lain dalam pengenalan tulisan
tangan yang berbentuk hufur jawi.
2.
3.
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
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 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
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.
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.
2.
3.
4.
Setiap neuron menerapkan sebuah fungsi aktivasi terhadap input jaringan (jumlah
sinyal input berbobot). Tujuannya adalah untuk menentukan sinyal output.
2.5.
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.
( )
( )
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.
( )
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).
( )
( )
dengan turunan :
( )
( )(
( ))
( )
Gambar 2.2 Fungsi sigmoid biner dengan rentang (0,1) (Puspitaningrum, 2006)
2.5.2
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).
di mana :
n = banyak unit input
p = banyak unit tersembunyi
= faktor skala
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
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
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
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.
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
b) Normalisasi
Ukuran citra yang telah di crop berbeda-beda sehingga belum bisa digunakan
sebagai
masukan
standar
untuk
diektraksi.
Citra
tersebut
haruslah
a.
b.
Gambar 3.3. hasil citra normalisasi, (a) citra RGB, (b) citra hasil normalisasi
a.
b.
Gambar 3.4. citra hasil thinning, (a) citra normalisasi, (b) citra thinning
3.3
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.
3.4
2.
3.
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
xx+1
3.5
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
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
lapisan tersembunyi, sedangkan wjk adalah bobot koneksi antara unit ke-j lapisan
tersembunyi dengan unit ke-k lapisan output.
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.
2.
Modul inisialisasi
Merupakan model untuk melaksanakan inisialisasi bobot awal.
3.
4.
5.
4.2.
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.
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
Output : Sistem akan mengenali file gambar yang diuji sesuai dengan karakternya.
Seperti pada gambar 4.2
4.6.
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
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.
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
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
40
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.
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.
Ibrahim: Malang.