Thesis PDF
Thesis PDF
Abstrak- Pengenalan pola secara automatis adalah masalah yang banyak menyita
perhatian sekarang ini, baik pengenalan pola wajah, sidik jari, tulisan tangan maupun pola
karakter hasil cetakan. Yang menjadi alasan penelitian adalah kemampuan untuk mengenali secara
efektif dengan menggunakan pola contoh yang sedikit. Satu pendekatan yang menunjukkan hasil
yang menjanjikan dalam pengenalan pola adalah dengan menggunakan jaringan saraf tiruan.
Jaringan saraf tiruan telah dikembangkan sebagai generalisasi model matematik dari
pembelajaran otak manusia. Jaringan saraf tiruan algoritma belajar perambatan-balik
(backpropagation) adalah salah satu algoritma belajar terpandu (supervised). Aplikasi jaringan ini
melibatkan pemetaan sekumpulan masukan terhadap sekumpulan acuan keluaran. Dalam penelitian
ini, jaringan saraf dilatih dengan menggunakan 234 karakter huruf besar tiap jenis font dan diuji
dengan 702 karakter yang terdiri atas 234 karakter data latih dan 468 karakter data baru untuk
setiap jenis font. Jenis font yang digunakan dalam penelitian ini adalah Calisto MT, Courier New,
Tahoma, dan Time New Roman.
Hasil pengujian menunjukkan arsitektur dan parameter jaringan yang memberikan unjuk-
kerja paling optimal untuk seluruh jenis font adalah 60 neuron pada lapisan tersembunyi, laju
pembelajaran 0,01, momentum 0,9 dan iterasi 1000 kali. Prosentase pengenalan dari pelatihan
jaringan dengan arsitektur dan parameter jaringan optimal ini untuk data latih dan data baru
masing-masing adalah 100% dan 99,89% dengan jumlah karakter takdikenali untuk data latih
sebanyak 0 karakter dan data baru sebanyak 2 karakter.
3.1 Prapengolahan
Yang dilakukan pada tahap ini
xn adalah menyederhanakan citra sehingga siap
yn
untuk dianalisis. Pada proses prapengolahan
ini, citra aras warna diubah menjadi aras
wk keabuan kemudian diambangkan. Citra hasil
proses pengambangan adalah citra biner
wj
dengan latar-belakang berwarna hitam dan
Gambar 2.3 Arsitektur jaringan saraf tiruan bagian latar depan yang merupakan citra
perambatan-balik yang akan diproses berwarna putih.
Kemudian citra diperhalus dengan
Proses belajar dari jaringan saraf menghilangkan piksel yang lemah dengan
perambatan-balik ini secara garis besar adalah opersai morfologi close dan majority. Setelah
setelah menerima masukan pada lapisan masukan, itu dicari batas atas, batas bawah, batas
maka masukan itu akan dirambatkan melewati kanan, dan batas kiri dari citra dan mengubah
setiap lapisan di atasnya hingga suatu keluaran ukuran citra menjadi berukuran 80 80
dihasilkan oleh jaringan. Keluaran yang piksel. Citra inilah yang siap untuk dianalisis
dihasilkan oleh jaringan akan dibandingkan pada proses ekstraksi ciri.
dengan acuan keluaran, sehingga suatu galat akan
dibangkitkan. Selanjutnya, jaringan akan 3.2 Ekstraksi Ciri
melewatkan turunan dari galat tersebut ke lapisan Citra hasil prapengolahan, dibagi
tersembunyi dengan menggunakan sambungan menjadi 16 baris dan 16 kolom. Pada setiap
berbobot yang masih belum diubah nilainya. kotak dilakukan penghitungan piksel, bila
Kemudian setiap neuron pada lapisan ditemukan jumlah piksel 1 lebih dari 12
tersembunyi akan menghitung jumlah bobot dari piksel, maka kotak tersebut diberi nilai satu,
galat yang dirambatbalikkan sebelumnya. Galat bila tidak maka kotak tersebut diberi nilai 0.
perambatan-balik inilah yang memberi nama Hasilnya disimpan dalam matriks 16 16.
jaringan ini sebagai jaringan perambatan-balik
(backpropagation). 3.3 Klasifikasi dengan Menggunakan
Setelah masing-masing neuron dari Jaringan Saraf Tiruan.
lapisan tersembunyi dan lapisan keluaran Terdapat dua tahap dalam klasifikasi
menemukan besarnya galat, maka neuron-neuron dengan menggunakan jaringan saraf tiruan,
ini akan mengubah nilai bobotnya untuk yaitu tahap pelatihan dan tahap klasifikasi.
mengurangi besarnya galat. Proses ini Pada tahap klasifikasi, pola sebagai masukan
berlangsung terus-menerus hingga galat yang pada jaringan saraf tiruan menghasilkan
dihasilkan oleh jaringan tersebut mendekati nol. keluaran yang menyajikan apa yang diyakini
Jaringan saraf jenis inilah yang digunakan dalam oleh jaringan saraf sebagai keluaran yang
tugas akhir ini. benar. Namun demikian, agar tahap
klasifikasi berhasil harus didahului dengan
tahap pelatihan. Pada tahap ini jaringan saraf Huruf Data Data
menerima sekumpulan masukan yang bersesuaian Latih Baru
dengan sekumpulan keluaran. Dengan kata lain, M 100 100
jaringan saraf tiruan belajar untuk memasangkan N 100 100
keluaran yang benar terhadap pola masukan yang O 100 100
bersesuaian. P 100 100
Q 100 100
IV. HASIL PENELITIAN DAN PEMBAHASAN R 100 100
Pengujian terhadap program simulasi ini S 100 100
dilakukan dengan tujuan agar dapat diketahui T 100 100
apakah program yang dibuat telah sesuai dengan U 100 100
yang diinginkan dengan parameter unjuk-kerja
V 100 100
diukur dari prosentase pengenalan terhadap
W 100 100
karakter huruf besar yang diujikan. Pengujian
X 100 100
dilakukan sebanyak 12 kali dengan variasi neuron
pada lapisan tersembunyi 18, 60,dan 1000,laju Y 100 100
pembelajaran dan momentum 0,01 dengan 0,9 Z 100 100
dan 0,1 dengan 0,1, dan iterasi 500 kali dan 1000 dikenali 936 1870
kali dengan jumlah karakter 2808 karakter yang takdikenali 0 2
terdiri atas 926 karakter data latih dan 1872 %rata-rata 100 99,893
karakter baru.
Hasil pengujian menunjukkan variasi Tabel 4.1 menunjukkan prosentase
arsitektur dan parameter jaringan yang pengenalan data latih dan data baru masing-
menghasilkan unjuk-kerja paling optimal untuk masing 100% dan 99,89% dengan jumlah
seluruh jenis font adalah 60 neuron pada lapisan karakter takdikenali sebanyak 0 karakter pada
tersembunyi, laju pembelajaran dan momentum data latih dan 2 karakter pada data baru.
masing-masing adalah 0,01 dan 0,9, dan iterasi Tabel 4.1 juga menunjukkan bahwa
1000 kali yaitu untuk jenis font Calisto MT prosentase pengenalan data latih lebih tinggi
sebesar 99,78% (terbaik pertama), untuk jenis dibandingkan dengan prosentase pengenalan
font Courier New sebesar 98,50% (terbaik kedua), data baru. Perbedaan prosentase pengenalan
untuk jenis font Tahoma sebesar 99,35% (terbaik antara data latih dan data baru disebabkan
kelima), dan untuk jenis font Time New Roman data latih adalah data yang memiliki struktur
sebesar 99,57% (terbaik pertama). Tabel 4.1 hasil pola yang sama dengan data yang digunakan
pengujian dengan arsitektur dan parameter pada saat pelatihan jaringan sehingga
jaringan optimal untuk seluruh jenis font. menghasilkan prosentase pengenalan yang
cukup tinggi, sedangkan data baru adalah
Tabel 4.1 Hasil pengujian dengan keseluruhan data yang benar-benar belum pernah
jenis font menggunakan 60 neuron pada lapisan dilatihkan pada jaringan walaupun memiliki
tersembunyi, laju pembelajaran 0,01, momentum struktur pola yang mirip sehingga
0,9 dan iterasi 1000 kali. menghasilkan prosentase pengenalan yang
cenderung lebih rendah dibandingkan dengan
Huruf Data Data prosentase pengenalan data latih.
Latih Baru
A 100 100
B 100 100 V. PENUTUP
C 100 100 5.1 Kesimpulan
D 100 100 Kesimpulan yang dapat diambil dari
pembuatan dan pengujian program simulasi
E 100 98,611
pengenalan karakter huruf besar adalah
F 100 100
sebagai berikut.
G 100 100
1. Prosentase pengenalan terhadap data
H 100 98,611
latih lebih tinggi dibandingkan
I 100 100 dengan prosentase pengenalan
J 100 100 terhadap data baru.
K 100 100 2. Arsitektur dan parameter jaringan
L 100 100 yang memberikan hasil unjuk-kerja
Tabel 4.1 Hasil pengujian dengan keseluruhan paling optimal adalah 60 neuron
jenis font menggunakan 60 neuron pada lapisan pada lapisan tersembunyi, laju
tersembunyi, laju pembelajaran 0,01, momentum pembelajaran 0,01, momentum 0,9,
0,9 dan iterasi 1000 kali (lanjutan). dan iterasi 1000 kali.
3. Prosentase pengenalan dari pelatihan [6]. Jain, A.K., Fundamentals of Digital
jaringan dengan asitektur dan parameter Image Processing, Prentice Hall of
jaringan optimal dan melibatkan seluruh India Private Limited, New Delhi,
jenis font suntuk data latih dan data baru 1995.
masing-masing adalah 100% dan 99,89% [7]. Kusumoputro, B., E. Philipus dan
dengan jumlah karakter takdikenali untuk M.W. Rahmat, Pengenalan Huruf
data latih sebanyak 0 karakter dan untuk Tulisan Tangan Menggunakan
data baru sebanyak 2 karakter. Logika Fuzzy dan Jaringan Syaraf
Tiruan, Fakultas Ilmu Komputer,
5.2 Saran Universitas Indonesia.
1. Perlu digunakan arsitektur dan parameter [8]. Mudjihardjo, P., T.S. Widodo dan A.
jaringan yang memberikan hasil Susanto, Penerapan Jaringan
pengenalan yang lebih optimal pada Perambatan-Balik untuk Deteksi
penelitian dan pengembangan berikutnya. Kesalahan pada Pengenalan Kode
2. Perlu dilakukan pengenalan tulisan Pos Tulisan Tangan, Seminar
tangan atau karakter huruf kecil dengan Nasional Teknik Elektro, G-20,
menggunakan algoritma ekstraksi ciri 2003.
yang berbeda pada penelitian dan [9]. Murni, A., Pengantar Pengolahan
pengembangan berikutnya. Citra, PT. Elekmedia Komputindo,
3. Dapat digunakan jumlah neuron yang Kelompok Gramedia, Jakarta, 1992.
tetap sesuai dengan format ASCII 8-bit [10]. Pittas, I., Digital Image Processing
pada penelitian dan pengembangan Algoritms, Prentice Hall
berikutnya. International (UK) Ltd, 1993.
[11]. Proakis, J.G. dan D.G. Manolakis,
Pemrosesan Sinyal Digital, Prinsip,
Algoritma dan Aplikasi, edisi Bahasa
Indonesia, PT Prenhallindo, Jakarta,
1997.
[12]. Sigit, R., A. Shinji, dan S. Hisashi,
Aplikasi Jaringan Syaraf Tiruan
untuk Mengenali Angka, IECI
Chapter, Japan Series, Vol.3 No.1,
2001.
[13]. Russ, J.C., The Image Processing
Handbook 2nd edition, CRC Pres Inc,
1994.
DAFTAR PUSTAKA [14]. Saputra, E., Jaringan Syaraf Tiruan
untuk Identifikasi Kode Derau Palsu,
[1]. Demuth, H. dan M. Beale, Neural Tugas Akhir, Jurusan Teknik
Networks Toolbox for User with Elektro, Fakultas Teknik, Universitas
MATLAB, The Mathwork, Inc, 2001. Diponegoro, 2000.
[2]. Hanselman, D. dan B. Littlefield, [15]. Schalkoff, R.J., Digital Image
MATLAB Bahasa Komputasi Teknis, Processing and Computer Vision,
(terj. Jozep Edyanto), ANDI, Department of Electrical and
Yogyakarta, 2000. Computer Engineering, Clemson
[3]. Hartadi, D., Simulasi Penghitungan Sel University, Clemson, South
Darah Merah, Tugas Akhir, Jurusan Carolina.
Teknik Elektro, Fakultas Teknik, [16]. Schalkoff, R.J, Pattern Recognition:
Universitas Diponegoro, 2003. Statistical, Structural and Neural
[4]. Haykin, S., Neural Networks, a Approaches, John Wiley & Sons,
Comprehensive Foundation, Mcmillan Inc, 1992.
College Publishing Company, New [17]. Sekarwati, K.A, Jaringan Saraf
York. Tiruan, Universitas Gunadarma.
[5]. Ivana, Pengenalan Ucapan Vokal [18]. Suhardi, I., Y.U. Imardjoko, dan H.
Bahasa Indonesia Dengan Jaringan Samiadji, Evaluasi Jaringan Syaraf
Syaraf Tiruan Menggunakan Linear Tiruan untuk Pengenalan Karakter
Predictive Coding, Tugas Akhir, Jurusan Tulisan Tangan Jenis Cetak,
Teknik Elektro, Fakultas Teknik, Seminar Nasional Teknik Elektro, G-
Universitas Diponegoro, 2003. 1, 2003.
[19]. Wilson, A.T., Off-line Handwritng Andi Prasojo. Mahasiswa
Recoghnition Using Artificial Neural Teknik Elektro Universitas
Networks, University of Minnesota, Diponegoro angkatan 1998,
Morris. dengan konsentrasi teknik
[20]. ---------------, Image Processing Toolbox, telekomunikasi. Saat ini
for user’s with MALTLAB, user’s guide sedang menyelesaikan studi
version 3, The mathwork Inc, 2001. strata-1 (S1).
Pembimbing II