PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

PENGENALAN HURUF UNTUK SANDI KOTAK

MENGGUNAKAN METODE BACKPROPAGATION

SKRIPSI

Diajukan untuk Memenuhi Salah Satu Syarat

Memperoleh Gelar Sarjana Komputer

Program Studi Teknik Informatika

Oleh:

Oktaviani

NIM: 125314070

PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

2018
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

CHARACTER RECOGNATION OF SANDI KOTAK

USING BACKPROPAGATION METHOD

A THESIS

Presented as Partial Fulfillment of Requirements

To Obtain Sarjana Komputer Degree
In Informatics Engineering Department

By :
Oktaviani
125314070

INFORMATICS ENGINEERING STUDY PROGRAM

INFORMATICS ENGINEERING DEPARTMENT
FACULTY OF SCIENCE AND TECHNOLOGY
SANATA DHARMA UNIVERSITY
YOGYAKARTA
2018
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

iii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

iv
 PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

MOTTO

“Memulai dengan penuh keyakinan

Menjalankan dengan penuh keikhlasan

Menyelesaikan dengan penuh kebahagiaan”

“Berjuang tanpa putus asa dan memetik buah manis di kemudian hari”

v
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

vi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

vii
 PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

ABSTRAK

Sandi Kotak adalah salah satu sandi yang digunakan dalam kegiatan
kepramukaan. Untuk mengenali suatu obyek dibutuhkan proses pembelajaran,
yang didapat melalui ciri-ciri dan pengalaman dalam mengamati suatu obyek yang
serupa. Metode yang bisa digunakan untuk mengenali pola tersebut salah satunya
adalah metode Jaringan Syaraf Tiruan Backpropagation.

Pada Backpropagation, dibentuk sebuah jaringan Syaraf Tiruan dengan

struktur layer input, layer tersembunyi dan layer output. Dalam pelatihan jaringan
tersebut layer tersembunyi mempunyai fungsi aktivasi yang berpengaruh pada alat
tersebut.

Tujuan dari penelitian ini adalah mengetahui kemampuan metode

backpropagation dalam mengenali sandi kotak dan mengetahui berapa besar
prosentase keakuratan penggunaan metode Backpropagation dalam pengenalan
sandi kotak.

Pada penelitian ini digunakan pencirian menghitung mean dan standar

deviasi untuk histogram kolom, menghitung mean dan standar deviasi untuk
histogram baris, menghitung titik hitam pada segmentasi 9 kemudian menghitung
mean dan standar deviasinya. Hasil yang diperoleh adalah ketika menggunakan 6
ciri dengan tingkat keberhasilan sebesar 100%. Dari hasil yang diperoleh dalam
penelitian maka penelitian ini dinyatakan berhasil dalam membuktikan bahwa
metode backpropagation mampu mengenali sandi kotak.

viii
 PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

ABSTRACT

Sandi Kotak is one of the codes used in scouting activities. To recognize

an object requires a learning process, obtained through the characteristics and
experience in observing a similar object. Methods that can be used to recognize
the pattern one of them is Neural Network Backpropagation.

In backpropagation, a neural network formed with the structure of input

layer, hidden layer and output layer. In the network training the hidden layer has
an activation function that affects the tool.

The purpose of this research is to know the ability of backpropagation

method in recognizing Sandi Kotak and to know how big the percentage of
accuracy of using Backpropagation method in Sandi Kotak recognition.

This study used the calculation of the mean and standard deviation for the
column histogram, calculating the mean and standard deviation for the histogram
line, calculating the black dot on segmentation 9 then calculating the mean and
standard deviation. The results obtained are when using 6 feature with a success
rate of accuracy 100%. From the results obtained in the research, this research is
declared successful in proving that the backpropagation method is able to
recognize Sandi Kotak.

ix
 PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

KATA PENGANTAR

Puji dan syukur penulis panjatkan kepada Tuhan Yang Maha Esa,
sehingga penulis dapat menyelesaikan tugas akhir dengan judul “Pengenalan
Huruf untuk Sandi Kotak menggunakan Metode Backpropagation”. Tugas akhir
ini merupakan salah satu mata kuliah wajib dan sebagai syarat akademik untuk
memperoleh gelar sarjana computer program Teknik Informatika Universitas
Sanata Dharma Yogyakarta.

Pada kesempatan ini, penulis ingin mengucapkan terima kasih kepada

pihak-pihak yang telah membantu penulis selama penelitian maupun saat
mengerjakan tugas akhir ini. Ucapan terima kasih sebesar-besarnya penulis
sampaikan kepada:

1. Tuhan Yesus Kristus, atas kasih-Nya yang melimpah, penyertaan, dan

segala pertolongan yang diberikan dalam proses pembuatan tugas akhir.
2. Dr. Cyprianus Kuntoro Adi, SJ., M.A., M.Sc selaku dosen pembimbing
tugas akhir sekaligus dosen pembimbing akademik, atas bimbingan, waktu
dan saran yang telah diberikan kepada penulis.
3. Dr. Anastasia Rita Widiarti M.Kom selaku ketua program studi Teknik
Informatika, atas bimbingan, kritik dan saran yang telah diberikan kepada
penulis.
4. Seluruh dosen Teknik Informatika atas ilmu yang diberikan selama kuliah.
5. Kedua orang tua penulis, Mamah dan Papah, serta kakak-kakak (Cici,
Yano, Rara, Roby, Vivin dan Lius) untuk dukungan, kasih sayang dan doa
yang mengiringi.
6. Kak Widodo yang telah memberikan bantuan dan saran dalam pembuatan
tugas akhir.
7. Sahabat-sahabat (Eva, Lia, Mery, Wegi, Daniel, Alex dan Andreas) yang
selalu memberikan support dalam menyelesaikan tugas akhir ini.

x
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

xi
 PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

DAFTAR ISI

HALAMAN JUDUL………………………………………………………….i
HALAMAN PENGESAHAN………………………………………………..iv
MOTTO……………………………………………………………………….v
PERNYATAAN KEASLIAN KARYA……………………………………..vi
LEMBAR PERPUSTAKAAN………………………………………………vii
ABSTRAK……………………………………………………………………viii
KATA PENGANTAR……………………………………………………….x
DAFTAR ISI…………………………………………………………………xii
DAFTAR TABEL…………………………………………………………..xiv
DAFTAR GAMBAR……………………………………………………….xv
BAB I PENDAHULUAN……………………………………………….…1
1.1. Latar Belakang………………………………………………. 1
1.2. Rumusan Masalah…………………………………………… 2
1.3. Tujuan Penelitian…………………………………………….. 2
1.4. Manfaat………………….…………………………………….2
1.5. Batasan Masalah………………………………………………2
1.6. Sistematika Penulisan…………………………………………3

BAB II LANDASAN TEORI……………………………………………...4

2.1. Sandi Kotak……………………………………………………4
2.2. Pengolahan Citra Digital……………………………………...5
2.3. Jaringan Syaraf Tiruan………………………………………8

BAB III METODE PENELITIAN………………………………………18

3.1. Data……………………………………………………………18
3.2. Spesifikasi Perangkat………………………………………...19
3.3. Prosedur Kerja……………………………………………….20

xii
 PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

3.4. Gambaran Umum Sistem……………………………………30

3.5. Rancangan Implementasi…………………………………….31
3.6. Model Desain…………………………………………………31
3.7. Skenario Pengujian…………………………………………..32

BAB IV HASIL UJI DAN ANALISIS…………………………………..33

4.1. Hasil Uji……………………………………………………....33
4.2. Testing Data Tunggal………………………………………..48
4.3. Analisis Data…………………………………………………50

BAB V PENUTUP………………………………………………………..51
5.1. Kesimpulan…………………………………………………...51
5.2. Saran……………………………………………………….....51

DAFTAR PUSTAKA…………………………………………….………52

xiii
 PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

DAFTAR TABEL

Tabel 2.1. Sandi Kotak………………………………………………………..5

Tabel 3.1. Motif Sandi Kotak………………………………………………...27

Tabel 3.2. Contoh target dan output………………………………………….28

Tabel 4.1. 3-Fold Cross Validation……………………………………….…..33

Tabel 4.2. Hasil Akurasi seluruh percobaan pengujian…………………….…34

Tabel 4.3. Output program jaringan backpropagation pada ciri 1………….…36

Tabel 4.4. Output program jaringan backpropagation pada ciri 2………….…37

Tabel 4.5. Output program jaringan backpropagation pada ciri 3………….…38

Tabel 4.6. Output program jaringan backpropagation pada ciri 4…………….39

Tabel 4.7. Output program jaringan backpropagation pada ciri 5………….…40

Tabel 4.8. Output program jaringan backpropagation pada ciri 6………….…41

Tabel 4.9. Output program jaringan backpropagation pada percobaan 2….….42

Tabel 4.10. Output program jaringan backpropagation pada percobaan 3……43

Tabel 4.11. Output program jaringan backpropagation pada percobaan 4……44

Tabel 4.12. Output program jaringan backpropagation pada percobaan 5……46

Tabel 4.13. Output program jaringan backpropagation pada percobaan 6……47

Tabel 4.14. Hasil Testing Data………………………………………………..48

xiv
 PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

DAFTAR GAMBAR

Gambar 2.1. Arsitektur Jaringan Layar Tunggal……………………………..…10

Gambar 2.2. Arsitektur Jaringan Layar Jamak……………………………….....11
Gambar 2.3. Struktur Jaringan Backpropagation……………………………….12
Gambar 2.4. Fungsi Aktivasi Linier………………………………………….…13
Gambar 2.5. Fungsi Aktivasi Sigmoid Biner………………………………...…13
Gambar 2.6. Fungsi Aktivasi Sigmoid Bipolar…………………………………13
Gambar 3.1. Motif Sandi Kotak…………………………………………..……18
Gambar 3.2. Contoh Motif Sandi Kotak menggunakan Pensil dan Spidol….…19
Gambar 3.3. Blog Diagram Sistem………………………………………….….20
Gambar 3.4. Contoh Gambar Scan yang telah dipotong…………………….…21
Gambar 3.5. Perubahan Citra setelah dilakukan Complement………………....22
Gambar 3.6. Perubahan Citra setelah dilakukan thinning………………..…….22
Gambar 3.7. Contoh Citra dibagi menjadi 9 segmen……………………..……24
Gambar 3.8. Arsitektur 1 hidden layer……………………………………..….29
Gambar 3.9. User Interface Menu Utama…………………………………..…31
Gambar 4.1. Grafik Perubahan Akurasi…………………………………...…..35
Gambar 4.2. Grafik Perubahan Akurasi Ciri 1…………………………..……37
Gambar 4.3. Grafik Perubahan Akurasi Ciri 2………………………..………38
Gambar 4.4. Grafik Perubahan Akurasi Ciri 3………………………..………39
Gambar 4.5. Grafik Perubahan Akurasi Ciri 4…………………………..……40
Gambar 4.6. Grafik Perubahan Akurasi Ciri 5…………………………..…....41
Gambar 4.7. Grafik Perubahan Akurasi Ciri 6…………………………..……42
Gambar 4.8. Grafik Perubahan Akurasi Percobaan 2…………………..…….43
Gambar 4.9. Grafik Perubahan Akurasi Percobaan 3…………………...……44
Gambar 4.10. Grafik Perubahan Akurasi Percobaan 4…………………...…..45

xv
 PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Gambar 4.11. Grafik Perubahan Akurasi Percobaan 5……………….……..47

Gambar 4.12. Grafik Perubahan Akurasi Percobaan 6……………….……..48

xvi
 PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

BAB 1

PENDAHULUAN

1.1 Latar Belakang

Kata sandi berasal dari bahasa sansakerta yang artinya rahasia,
sandi adalah suatu kode rahasia dan hanya orang tertentu yang mengetahui
kerahasiaannya. Khususnya dalam kegiatan pramuka banyak dikenal
berbagai macam sandi, salah satunya ialah sandi kotak. Sandi kotak sendiri
mempunyai banyak variasi diantaranya sandi kotak I, sandi kotak II, sandi
kotak III dan sejenisnya.
Dalam kegiatan pramuka sandi digunakan untuk melatih diri dalam
menyelesaikan masalah namun tidak semua manusia dapat mengerti dan
menerjemahkan setiap sandi. Untuk menerjemahkan sebuah sandi ke
dalam huruf latin, seseorang harus mengetahui masing-masing kunci untuk
huruf latin. Tiap sandi memiliki kunci yang berbeda-beda untuk membuat
dan menerjemahkannya.
Telah dilakukan penelitian untuk konversi sandi kotak rangkap
(sandi kotak II) ke huruf latin dengan penerapan metode backpropagation,
jaringan syaraf tiruan oleh Letsoin (2010). Tujuan dari peneliti tersebut
untuk membuktikan apakah dengan metode backpropagation dapat
mengenali pola sandi kotak sehingga dapat digunakan untuk konversi ke
huruf latin. Hasil dari penelitian membuktikan bahwa metode
backpropagation dapat mengenali pola sandi kotak sehingga dapat
digunakan untuk konversi ke huruf latin dan mendapatkan presentase
ketepatan sebesar 75,6410%.
Berhubungan dengan masalah pengenalan pola, Jaringan Syaraf
Tiruan (JST) sudah banyak digunakan, misalnya untuk pengenalan huruf,
angka, suara dan untuk mengenali tanda tangan. Dalam JST terdapat

1
 PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

banyak metode yang dapat digunakan untuk mengenali pola. Berbeda

dengan penelitian yang dilakuan oleh Letsoin (2010), dalam tugas akhir ini
penulis melakukan penelitian untuk pengenalan huruf untuk sandi kotak I
menggunakan jaringan syaraf tiruan backpropagation.

1.2 Rumusan Masalah

a) Apakah pendekatan backpropagation mampu mengenali sandi
kotak dengan baik?
b) Berapa presentase keberhasilan pengenalan sandi kotak
menggunakan metode backpropagation?

1.3 Tujuan Penelitian

a) Mengetahui apakah metode backpropagation dapat mengenali
sandi kotak dengan baik.
b) Mengetahui persentase keberhasilan pengenalan sandi kotak
menggunakan metode backpropagation.

1.4 Manfaat
a) Bagi peneliti
Dapat mengetahui metode backpropagation dapat digunakan
sebagai alat dalam mengenali sandi kotak I.
b) Bagi peneliti lain
Dapat digunakan sebagai bahan studi untuk dikembangkan menjadi
alat yang lebih baik.

1.5 Batasan Masalah

Adapun batasan dalam sistem ini adalah.
a) Sistem ini hanya dapat melakukan konversi satu arah, yaitu bentuk
Sandi Kotak ke dalam bentuk huruf.
b) Format gambar yang digunakan bertipe .png

2
 PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

1.6 Sistematika Penulisan

BAB 1 PENDAHULUAN
Berisi latar belakang, rumusan masalah, tujuan, batasan
masalah, dan sistematika penulisan.

BAB 2 DASAR TEORI

Berisi landasan teori yang dipakai dalam pengenalan sandi
kotak, meliputi pengenalan sandi kotak, algoritma
backpropagation , dan jaringan syaraf tiruan.

BAB 3 METODE PENELITIAN

Bab ini berisi Metode Penelitian mengenai tahap-tahap
perancangan penelitian yang akan dibangun, meliputi
pengumpulan data, pemrosesan dan pengolahan data, dan
perancangan alat uji yang dibuat.

BAB 4 HASIL UJI DAN ANALISIS

Bab ini berisi hasil pengujian program yang telah dibuat
dan analisis dari keseluruhan pengujian.

BAB 5 PENUTUP
Bab ini berisi penutup yang merupakan kesimpulan dari
hasil program yang telah dibuat dan saran untuk penelitian
selanjutnya.

3
 PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

BAB 2

DASAR TEORI

Bab ini berisi mengenai teori-teori yang mendukung dalam

penelitian ini. Teori-teori yang digunakan dalam penelitian ini antara lain
mengenai sandi kotak, pengolahan citra digital, ekstraksi ciri dan jaringan
syaraf tiruan metode backpropagation. Metode backpropagation digunakan
untuk proses pengenalan dalam perancangan alat uji.

2. 1 Sandi Kotak
Sandi merupakan alat atau aksara yang digunakan untuk
berkomunikasi yang hanya diketahui oleh kelompok tertentu. Kata sandi
berasal dari bahasa sansakerta yang artinya rahasia, sandi adalah suatu
kode rahasia.
Secara umum, sandi dalam perkembangan teknologi saat ini dapat
diartikan sebagai hal yang berhubungan dengan pengamanan informasi
yang bersifat rahasia dan dilakukan secara terstruktur, sandi dibuat dengan
mempunyai tujuan tertentu.
Khususnya dalam kegiatan pramuka, sandi sudah banyak dikenal
dan digunakan untuk berkomunikasi dalam keadaan tertentu. Terdapat
banyak macam sandi yang dikenal dalam kepramukaan, salah satunya
ialah sandi kotak. Sandi kotak sendiri mempunyai banyak variasi
diantaranya sandi kotak I, sandi kotak II, dan sandi kotak III. Setiap sandi
kotak mempunyai rumus yang berbeda.
Dalam penelitian ini, sandi yang digunakan adalah sandi kotak I.
Sandi kotak I terdiri dari dua bagian. Bagian pertama berbentuk kotak-
kotak terdiri dari garis vertical dan garis horizontal dan bagian kedua
berbentuk tanda silang.
Sandi kotak berjumlah 26 motif (Chabib Rohman, 2016). Motif
sandi kotak dapat dilihat dari tabel dibawah ini.

4
 PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Tabel 2.1. Sandi Kotak

A B C D

E F G H

I J K L

M N O P

Q R S T

U V W X

Y Z

2. 2 Pengolahan Citra Digital

Istilah pengolahan citra digital menyatakan “pemrosesan gambar
berdimensi dua melalui computer digital” (Jain,1989). Menurut Efford
(2000), pengolahan citra adalah istilah umum untuk berbagai teknik yang
keberadaannya untuk memanipulasi dan memodifikasi citra dengan
berbagai cara. Foto adalah contoh gambar berdimensi dua yang dapat
diolah dengan mudah. Setiap foto dalam bentuk citra digital (berasal dari
kamera digital) dapat diolah melalui perangkat lunak tertentu. Sebagai
contoh, apabila hasil bidikan kamera terlihat agak gelap, citra dapat diolah
menjadi lebih terang.
Sebuah citra digital adalah kumpulan piksel-piksel yang disusun
dalam larik dua dimensi. Indeks baris dan kolom (x,y) dari sebuah piksel

5
 PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

dinyatakan dalam bilangan bulat dan nilai-nilai tersebut mendefinisikan

suatu ukuran intensitas cahaya pada titik tersebut. Satuan atau bagian
terkecil dari suatu citra disebut piksel (picture element).

Proses yang dilakukan dari pembuatan aplikasi ini dimulai dari

preprocessing, ekstraksi ciri, kemudian hasil ekstraksi ciri dimasukkan ke
dalam pelatihan arsitektur jaringan syaraf tiruan, setelah itu akan diperoleh
model jaringan yang menghasilkan tingkat keberhasilan tertinggi, dan akan
dilakukan uji pada sebuah data yang telah di ekstraksi ciri.

1. Preprocessing
Preprocessing adalah pengolah citra menjadi bentuk dari citra lama
menjadi citra yang baru. Tujuan dari preprocessing diantaranya
adalah untuk menghilangkan noise, memperjelas features(fitur)
data, memperkecil/memperbesar ukuran data, dan mengkonversi
data asli agar diperoleh data yang sesuai kebutuhan. Beberapa yang
dilakukan adalah mengubah citra warna ke citra keabuan lalu ke
citra hitam putih. Citra warna adalah citra yang terbentuk atas
representasi 3 keping warna yaitu RGB (Red, Green, dan Blue).
Masing-masing dari keeping warna ini memiliki besar yang sama
dan mempresentasikan warna yang terdekat dengan intensitas 0-
225.
Citra keabuan adalah citra yang merupakan rerata dari 3
keping warna RGB yang dimampatkan menjadi warna keabuan
yang hanya memiliki 1 keping warna saja dengan intensitas 0-225.
Citra hitam putih atau citra biner adalah citra yang hanya memiliki
1 keping warna saja dengan intensitas 0-1.

2. Binerisasi
Binerisasi citra merupakan proses merubah citra ke dalam
bentuk biner (0 dan 1). Dengan merubah citra ke dalam bentuk

6
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

biner, citra hanya akan mempunyai dua warna yaitu hitam dan
putih.
Pembentukan citra biner memerlukan nilai batas keabuan
yang akan digunakan sebagai nilai patokan. Piksel dengan derajat
keabuan lebih besar dari nilai batas akan diberi nilai 1 dan
sebaliknya piksel dengan derajat keabuan lebih kecil dari nilai akan
diberi nilai 0.
Persamaan untuk binerisasi dapat dilihat pada rumus dibawah ini.
𝑎 , 𝑓(𝑥, 𝑦) < 𝑇
𝑓(𝑥, 𝑦)′ = { 1 …… (1)
𝑎2 , 𝑓(𝑥, 𝑦) ≥ 𝑇
Nilai 𝑎1 biasanya bernilai 0 dan nilai 𝑎2 bernilai 1.

3. Pengubahan Ukuran Citra

Pengubahan ukuran citra atau yang biasa disebut resizing
adalah mengubah ukuran citra menjadi sesuai dengan yang kita
butuhkan. Dalam matlab terdapat fungsi imresize yang
menggunakan metode interpolasi untuk pengubahan ukuran citra.
Interpolasi adalah perhitungan rerata nilai pixel yang bertetangga
untuk nantinya ditempatkan pada ukuran citra yang baru.

4. Penipisan Citra
Penipisan citra (thinning) merupakan operasi pemrosesan reduksi
citra biner yang dalam hal ini objek (region) menjadi rangka
(skeleton) yang menghampiri garis sumbu objek. Tujuan dari
penipisan citra ini adalah untuk mengurasi bagian yang tidak perlu
(redundant) sehingga dihasilkan informasi yang esensial saja.

5. Ciri Histogram
Histogram citra merupakan diagram yang menggambarkan
distribusi frekuensi nilai intensitas warna dalam suatu citra. Sumbu
horizontal merupakan nilai intensitas warna sedangkan sumbu

7
 PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

vertical merupakan frekuensi/jumlah piksel. Histogram dapat

merepresentasikan karakteristik dari suatu citra.

6. Segmentasi 9 Bagian
Segmentasi citra merupakan proses yang ditujukan untuk
mendapatkan objek-objek yang terkandung didalam citra atau
membagi citra kedalam beberapa daerah dengan setiap objek atau
daerah memiliki kemiripan atribut.

7. Ciri Intensitas dalam Segmen

Pada dasarnya intensitas citra bernilai 0 dan 1. Pada citra yang
sudah ke dalam bentuk biner dilakukan penjumlahan nilai
intensitas citra baik horizontal (baris) maupun vertical (kolom)
dalam tiap segmen.

Dalam penelitian ini proses yang dilakukan adalah mengubah citra

ke warna keabuan, setelah itu diubah ke citra hitam putih. Citra hitam
putih tersebut kemudian dilakukan binerisasi, pengubahan ukuran citra,
penipisan citra, ciri histogram, segmentasi 9 bagian, dan ciri intensitas
dalam segmen.

2. 3 Jaringan Syaraf Tiruan (Backpropagation)

Jaringan syaraf tiruan (JST) adalah system pemroses informasi
yang memiliki karakteristik mirip dengan jaringan syaraf biologi (Siang,
2009).
Jaringan syaraf tiruan dibentuk sebagai model matematika dari syaraf
biologis dengan asumsi bahwa:
1. Pemrosesan informasi terjadi pada neuron yang dianggap elemen
sederhana.
2. Sinyal dikirim melalui penghubung dari neuron satu ke neuron
selanjutnya.

8
 PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

3. Penghubung antar neuron memiliki bobot yang akan memperkuat

atau memperlemah sinyal.
4. Untuk menentukan output, setiap neuron menggunakan fungsi
aktivasi (biasanya bukan fungsi linier) yang dikenakan pada
jumlahan input yang diterima. Besarnya output ini selanjutnya
dibandingkan dengan suatu atas ambang.

Jaringan syaraf tiruan ditentukan oleh 3 hal:

1. Pola hubungan antar neuron (disebut arsitektur jaringan)

2. Metode untuk menentukan bobot penghubung (disebut metode
training/learning/algoritma
3. Fungsi aktivasi

Beberapa arsitektur jaringan yang sering dipakai dalam jaringan syaraf

tiruan antara lain:

1. Jaringan Layar Tunggal (Single Layer Network)

Dalam jaringan ini, sekumpulan input neuron dihubungkan
langsung dengan sekumpulan outputnya. Dalam beberapa model
(misal perceptron), hanya ada sebuah unit neuron output.

9
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Gambar 2.1. Arsitektur jaringan layar tunggal

Gambar 2.1 menunjukkan arsitektur jaringan dengan unit n unit

input (X₁,X₂, …, Xₙ) dan m buah unit output (Y₁,Y₂, …, Yₙ).

2. Jaringan Layar Jamak (Multi Layer Network)

Jaringan layar jamak merupakan perluasan dari layar
tunggal. Dalam jaringan ini, selain unit input dan output, ada unit-
unit lain (sering disebut layar tersembunyi). Dimungkinkan pula
ada beberapa layar tersembunyi. Sama seperti pada unit input dan
output, unit-unit dalam satu layar tidak saling berhubungan.

10
 PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Gambar 2.2. Arsitektur jaringan layar jamak

Gambar 2.2 adalah jaringan dengan n buah unit input

(X₁,X₂, …, Xₙ), sebuah layar tersembunyi yang terdiri dari p buah

unit (Z₁,…, Zₚ) dan m buah unit output (Y₁,Y₂, …, Yₙ).

Jaringan layar jamak dapat menyelesaikan masalah yang

lebih kompleks dibandingkan dengan layar tunggal, meskipun
kadangkala proses pelatihan lebih kompleks dan lama.

3. Jaringan Recurrent
Model jaringan recurrent mirip dengan jaringan layar
tunggal ataupun ganda. Hanya saja, ada neuron output yang
memberikan sinyal pada unit input (sering disebut feedback loop).

Backpropagation (propagasi balik) adalah jaringan syaraf tiruan

yang menggunakan konsep jaringan berlapis jamak. Jaringan syaraf
propagasi balik terdiri dari lapisan masukan (input), lapisan keluaran
(output), dan lapisan diantara input dan output yang disebut lapisan
tersembunyi (hidden). Lapisan tersembunyi bisa terdiri lebih dari 1 lapis

11
 PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

dan ini dapat mempengaruhi proses training pada sebuah jaringan syaraf
tiruan.

Gambar 2.3. Struktur jaringan backpropagation

Dalam backpropagation, fungsi aktivasi yang dipakai harus memenuhi

beberapa syarat yaitu kontinu, terdiferensial dengan mudah dan merupakan
fungsi yang tidak turun. Fungsi aktivasi yang sering digunakan dalam
propagasi balik (Fatia, tanpa tahun) adalah:

1. Fungsi linier (identitas)

Fungsi linier memiliki nilai output yang sama dengan nilai
inputnya

Gambar 2.4. Fungsi Aktivasi Linier (Matlab, tanpa tahun)

12
 PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

2. Fungsi sigmoid biner

Fungsi sigmoid biner memiliki nilai pada range 0 sampai 1

Gambar 2.5. Fungsi Aktivasi Sigmoid Biner (Matlab, tanpa tahun)

3. Fungsi sigmoid bipolar

Fungsi sigmoid bipolar memiliki nilai pada range -1 sampai 1.

Gambar 2.6. Fungsi Aktivasi Sigmoid Bipolar (Matlab, tanpa tahun)

Proses pelatihan jaringan syaraf tiruan backpropagation meliputi 3 fase

(Siang, 2009) yaitu propagasi maju, propagasi mundur, dan perubahan bobot. Fase
pertama adalah fase propagasi maju, pola masukan dihitung maju mulai dari layar
masukan hingga layar keluaran menggunakan fungsi aktivasi yang ditentukan.
Fase kedua adalah fase propagasi mundur, selisih antara keluaran jaringan dengan
target yang diinginkan merupakan kesalahan yang terjadi. Kesalahan tersebut
dipropagasikan mundur, dimulai dari garis yang berhubungan langsung dengan
unit-unit dilayar keluaran. Fase ketiga adalah modifikasi bobot untuk menurunkan
kesalahan yang terjadi.

13
 PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

1. Fase I : Propagasi maju

Selama propagasi maju, sinyal masukan (=xᵢ) dipropagasikan ke layar
tersembunyi menggunakan fungsi aktivasi yang ditentukan. Keluaran dari
setiap unit layar tersembunyi (=zⱼ) tersebut selanjutnya dipropagasikan maju
lagi ke layar tersembunyi diatasnya menggunakan fungsi aktivasi yang
ditentukan. Demikian seterusnya sehingga menghasilkan keluaran jaringan
(=yₖ).
Berikutnya, keluaran jaringan (=yₖ) dibandingkan dengan target yang
harus dicapai (=tₖ). Selisih tₖ-yₖ adalah kesalahan yang terjadi. Jika kesalahan
ini lebih kecil dari batas toleransi yang ditentukan, maka iterasi dihentikan.
Akan tetapi apabila kesalahan masih lebih besar dari batas toleransinya, maka
bobot setiap garis dalam jaringan akan dimodifikasi untuk mengurangi
kesalahan yang terjadi.
2. Fase II : Propagasi mundur
Berdasarkan kesalahan tₖ-yₖ, dihitung factor ₖ (k=1,2,…,m) yang dipakai
untuk mendistribusikan kesalahan di unit yₖ ke semua unit tersembunyi yang
terhubung langsung dengan yₖ. ₖ juga dipakai untuk mengubah bobot garis
yang berhubungan langsung dengan unit keluaran.
Dengan cara yang sama, dihitung factor ⱼ di setiap unit dilayar
tersembunyi sebagai dasar perubahan bobot semua garis yang berasal dari unit
tersembunyi dilayar bawahnya. Demikian seterusnya hingga semua factor  di
unit tersembunyi yang berhubungan langsung dengan unit masukan dihitung.
3. Fase III : Perubahan bobot
Setelah semua factor  dihitung, bobot semua garis dimodifikasi
bersamaan. Perubahan suatu garis didasarkan atas factor  neuron dilayar
atasnya. Sebagai contoh, perubahan bobot garis yang menuju ke layar
keluaran didasarkan atas ₖ yang ada di unit keluaran.
Ketiga fase tersebut di ulang-ulang terus hingga kondisi penghentian
dipenuhi. Umumnya kondisi penghentian yang sering dipakai adalah jumlah
iterasi atau kesalahan. Iterasi akan dihentikan jika jumlah iterasi yang

14
 PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

dilakukan sudah melebihi jumlah maksimum iterasi yang ditetapkan, atau jika
kesalahan yang terjadi sudah lebih kecil dari batas toleransi yang diijinkan.

Langkah langkah algoritma pelatihan untuk jaringan dengan satu layar

tersembunyi menurut Siang (Siang, 2009) adalah sebagai berikut:

Langkah 0 : Inisialisasi semua bobot dengan bilangan acak kecil

Langkah 1 : Jika kondisi oenghentian belum terpenuhi, lakukan

langkah 2-9

langkah 2 : Untuk setiap pasang data pelatihan, lakukan langkah 3-8

Fase I : Propagasi Maju

Langkah 3 : Tiap unit masukan menerima sinyal dan meneruskannya ke

unit tersembunyi diatasnya

Langkah 4 : Hitung semua keluaran di unit tersembunyi 𝑧𝑗 (𝑗 = 1,2, … , 𝑝)

𝑧_𝑛𝑒𝑡𝑗 = 𝑣𝑗0 + ∑𝑛𝑖=1 𝑥𝑖 𝑣𝑗𝑖 …….(2)

1
𝑧𝑗 = 𝑓(𝑧𝑛𝑒𝑡 𝑗 ) = −𝑧_𝑛𝑒𝑡𝑗 …….(3)
1+ 𝑒

Langkah 5 : Hitung semua keluaran jaringan di unit 𝑦𝑘 (𝑘 = 1,2, … , 𝑚)

𝑦_𝑛𝑒𝑡𝑘 = 𝑤𝑘0 + ∑𝑝𝑗=1 𝑧𝑗 𝑤𝑘 𝑗 ……(4)

1
𝑦𝑘 = 𝑓 (𝑦𝑛𝑒𝑡 𝑘 ) = ……..(5)
1+𝑒 −𝑦_𝑛𝑒𝑡𝑘

Fase II : Propagasi Mundur

Langkah 6 : Hitung factor  unit keluaran berdasarkan kesalahan di setiap

unit keluaran 𝑦𝑘 (𝑘 = 1,2, … , 𝑚)

15
 PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

𝛿𝑘 = (𝑡𝑘 − 𝑦𝑘 )𝑓 ′ (𝑦𝑛𝑒𝑡 𝑘 ) = (𝑡𝑘 − 𝑦𝑘 )𝑦𝑘 (1 − 𝑦𝑘 )….(6)

𝛿𝑘 merupakan unit kesalahan yang akan dipakai dalam perubahan bobot

layar dibawahnya (langkah 7)

Hitung suku perubahan bobot 𝑤𝑘𝑗 (yang akan dipakai nanti untuk merubah
bobot 𝑤𝑘𝑗 ) dengan laju percepatan 

∆𝑤𝑘𝑗 = 𝛼 𝛿𝑘 𝑧𝑗 ……(7)

k=1,2,…,m ; j=0,1,…,p

Langkah 7 : Hitung factor  unit tersembunyi berdasarkan kesalahan

disetiap unit tersembunyi 𝑧𝑗 (j=1,2,…p)

𝛿_𝑛𝑒𝑡𝑗 = ∑𝑚
𝑘=1 𝛿𝑘 𝑤𝑘𝑗 ………..(8)

Factor  unit tersembunyi :

𝛿𝑗 = 𝛿_𝑛𝑒𝑡𝑗 𝑓 ′ (𝑧𝑛𝑒𝑡 𝑗 ) = 𝛿_𝑛𝑒𝑡𝑗 = 𝛿𝑛𝑒𝑡 𝑗 𝑧𝑗 (1 − 𝑧𝑗 )…..(9)

Hitung suku perubahan bobot 𝑣𝑗𝑖 (yang akan dipakai nanti untuk merubah
bobot 𝑣𝑗𝑖 )

∆𝑣𝑗𝑖 = 𝛼 𝛿𝑗 𝑥𝑖 …………….(10)

j=1,2,…,p ; i=0,1,…,n

Fase III : Perubahan Bobot

Langkah 8 : Hitung semua perubahan bobot

Perubahan bobot garis yang menuju ke unit keluaran :

𝑤𝑘𝑗 (𝑏𝑎𝑟𝑢) = 𝑤𝑘𝑗 (𝑙𝑎𝑚𝑎) + ∆𝑤𝑘𝑗 …..(11)

16
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

(k=1,2,…,m ; j=0,1,…,p)

𝑣𝑗𝑖 (𝑏𝑎𝑟𝑢) = 𝑣𝑗𝑖 (𝑙𝑎𝑚𝑎) + ∆𝑣𝑗𝑖 ……(12)

(j=1,2,..p ; i=0,1,2,…,n)

17
 PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

BAB 3

METODE PENELITIAN

Bab ini berisi proses pengolahan data yang digunakan dalam penelitian,
prosedur yang dilakukan dalam proses ekstraksi ciri dan proses jaringan syaraf
tiruan, dan evaluasi nilai hasil pengenalan.

3. 1 Data
Data yang digunakan dalam pengenalan huruf untuk sandi kotak ini
berjumlah 26 karakter. Data gambar sandi kotak diambil melalui internet,
kemudian data dibuat tulis tangan menggunakan spidol dan pensil.

Gambar 3.1. 26 Motif Sandi Kotak I

Data sandi kotak dibuat dengan pensil dan spidol masing-masing sebanyak
26 karakter. Setiap motif sandi kotak ditulis sebanyak 3 kali menggunakan pensil
dan 3 kali menggunakan spidol. Jumlah masing-masing data untuk pensil dan
spidol adalah sebanyak 78, maka total data yang digunakan adalah 156 data.

Data dibuat dengan pensil dan spidol dengan tujuan membedakan

ketebalan dari tiap motif.

18
 PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Gambar 3.2. Contoh Motif Sandi Kotak menggunakan pensil dan spidol

3. 2 Spesifikasi Perangkat
3.2.1 Hardware
Spesifikasi hardware adalah sebagai berikut :
a. Komputer/Laptop dengan spesifikasi
1) Processor Intel(R) Core(TM) i3-4030 CPU @ 1.90GHz
2) RAM 2.00 GB
3) System Type 64-bit
4) Windows 7 Ultimate
b. Scanner Canon (Mp 230)
3.2.2 Software
Software yang digunakan dalam sistem ini adalah
a. Microsoft Office
b. MATLAB R2017a.
c. Gimp 2

19
 PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

3. 3 Prosedur Kerja
Dalam penelitian ini dilakukan beberapa proses kerja yaitu pengolahan
data, preprocessing, ekstraksi ciri dan proses jaringan syaraf tiruan metode
backpropagation. Proses diawali dengan pengolahan data, preprocessing data,
mengambil ciri data sandi kotak, kemudian hasil ekstraksi ciri dimasukkan
kedalam pelatihan arsitektur jaringan syaraf tiruan dengan parameter yang
telah ditentukan. Dari hasil model jaringan tersebut sehingga diperoleh model
jaringan yang menghasilkan tingkat keberhasilan terbaik. Pada data yang telah
di ekstraksi ciri juga dilakukan pengujian data. Proses secara umum dapat
dilakukan dari blog diagram berikut.

Data Preprocessing Ekstraksi Ciri

Output Backpropagation

Gambar 3.3. Blog Diagram Sistem

3.3.1. Data
Data dibuat dengan tulis tangan menggunakan pensil dan spidol.
Motif sandi kotak ditulis sebanyak 3 kali untuk pulpen dan sebanyak 3 kali
untuk spidol. Data dibuat menggunakan pulpen dan spidol untuk
mendapatkan perbedaan ketebalan motif sandi kotak.
1. Pengolahan data
Pengolahan data dilakukan dalam beberapa tahap. Tahap-tahap
tersebut antara lain :
a. Men-scan data
Men-scan data dilakukan untuk mengubah data dari tulisan tangan
dijadikan data digital dan dimasukkan ke dalam laptop.
b. Pemotongan data gambar

20
 PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Pemotongan data gambar dilakukan dengan memotong gambar

yang telah di scan perhalaman untuk diambil permotifnya dan dijadikan
data digital yang lebih spesifik.

Gambar 3.4. Contoh gambar scan yang telah dipotong

Pada penelitian ini ukuran pemotongan gambar sebesar 140x140

permotifnya.

3.3.2. Preprocessing

Pada penelitian ini pemrosesan citra dilakukan dengan langkah-

langkah berikut:

1. Resizing citra
Pada langkah ini dilakukan pengubahan gambar berbentuk persegi
dengan ukuran 200x200. Hal ini dilakukan agar data yang dilakukan
agar semua data gambar berukuran sama.
2. Komplemen citra
Pada langkah ini dilakukan pengambilan complement dari gambar, hal
ini dilakukan untuk menemukan semua struktur yang kecil, sehingga
nilai-nilai piksel struktur lebih tinggi daripada latar belakang.

21
 PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Gambar 3.5. Perubahan gambar setelah dilakukan complement

3. Mengubah citra warna

Pada penelitian ini dilakukan pengubahan dari citra warna ke citra
keabuan kemudian ke citra hitam putih. Pengubahan citra dari
grayscale ke dalam bentuk biner dilakukan dengan nilai threshold yang
ditentukan dengan menggunakan fungsi graythresh. Hasil dari proses
pada tiap layernya akan menghasilkan biner dengan nilai 0 dan 1.
4. Penipisan citra
Penipisan citra dilakukan untuk mengubah ukuran citra menjadi lebih
kecil karena hanya informasi penting saja yang diambil. Penipisan
citra juga dapat mengurangi penggunaan memori, memudahkan
analisis struktur sebuah obyek dan dapat digunakan untuk klasifikasi
pada pengenalan pola.

Gambar 3.6. Perubahan gambar setelah dilakukan thinning

22
 PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

3.3.3. Ekstraksi Ciri

Pada penelitian ini pengambilan ciri citra diambil menggunakan

diagram yang menggambarkan distribusi frekuensi nilai intensitas warna
dalam suatu citra yang biasa disebut histogram (Praveen Kumar, Shivangi
Garg, Sandeep Tiwari, 2012). Dari histogram tersebut diambil nilai mean
(rata-rata) dan nilai standar deviasi.

Pengambilan ciri juga dilakukan menggunakan algoritma intensitas

karakter. Intensitas karakter digunakan untuk menghitung nilai piksel
hitam pada sebuah citra. Pada proses ini dilakukan pembagian citra ke
beberapa segmen yang lebih kecil, pembagian citra ini dimaksudkan untuk
mempermudah dalam pencirian gambar. Pada penelitian ini citra dibagi
menjadi 9 segmen. Intensitas karakter digunakan pada setiap segmen yang
telah dibagi menjadi 9. Proses ektraksi ciri menggunakan inputan
citra/gambar sandi kotak yang berjumlah 156 motif sandi. Dalam
melakukan proses ekstraksi ciri dilakukan dengan beberapa tahap, yaitu:

a. Mengambil ciri histogram kolom

b. Mengambil ciri histogram baris
c. Menghitung nilai mean dari histogram baris dan kolom
d. Menghitung nilai standar deviasi dari histogram baris dan kolom
e. Membagi citra menjadi 9 segmen
f. Mencirikan citra pada tiap segmen menggunakan IOC (Intencity Of
Character) untuk menghitung nilai piksel hitam (black)
g. Menghitung nilai mean dan standar deviasi dari segmen 9.

23
 PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Gambar 3.7. Contoh Citra dibagi menjadi 9 segmen

Output yang dihasilkan dari proses ekstraksi ciri adalah nilai dari mean
dan standar deviasi. Untuk mendapatkan jaringan yang optimal terlebih dahulu
kita mengetahui ekstraksi ciri yang optimal pula. Dalam penelitian ini dilakukan
kombinasi ciri (feature) untuk dapat menghasilkan ekstraksi ciri yang
menghasilkan tingkat keberhasilan tertinggi.

Berikut adalah langkah-langkah dalam ekstraksi ciri:

1. Fungsi Ambil Fitur

a) Mulai
b) Membaca citra gambar yang akan melakukan proses
ekstraksi ciri
c) Mengambil nilai histogram kolom dengan menjumlah nilai-
nilai pada matrik citra
d) Mengambil nilai histogram baris dengan menjumlah nilai
pada setiap baris dari matrik citra

24
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

e) Menghitung nilai mean dan standar deviasi dari histogram

kolom
f) Menghitung nilai mean dan standar deviasi dari histogram
baris
g) Untuk mendapatkan ciri segmentasi 9, citra dibagi menjadi
9 bagian. Menghitung banyak garis dan kolom pada citra
yang telah dibaca.
h) Membagi 3 baris matriks citra yang ada r3=rows/3.
Membagi 3 kolom matriks citra yang ada c3=columns/3
i) Membuat citra baru yang bernama im1 dari baris 1 sampai
r3 dan dari kolom 1 sampai c3
j) Membuat citra baru bernama im2 dari baris 1 sampai r3
dari kolom c3+1 sampai 2xc3
k) Membuat citra baru bernama im3 dari baris 1 sampai r3 dan
dari kolom 2xc3+1 sampai akhir dari kolom
l) Membuat citra baru bernama im4 dari baris r3+1 sampai
2xr3 dan kolom 1 sampai c3
m) Membuat citra baru bernama im5 dari baris r3+1 sampai
2xr3 dan dari kolom c3+1 sampai 2xc3
n) Membuat citra baru bernama im6 berukuran dari baris r3+1
sampai 2xr3 dan dari kolom 2xc3+1 sampai akhir dari
kolom
o) Membuat citra baru bernama im7 dari baris 2xr3+1 sampai
akhir baris dari baris dan kolom 1 sampai c3
p) Membuat citra baru bernama im8 dari baris 2xr3+1 sampai
akhir dari baris dan dari kolom c3+1 sampai 2xc3
q) Membuat citra baru bernama im9 dari baris 2xr3+1 sampai
akhir dari baris dan dari kolom 2xc3+1 sampai akhir dari
kolom
r) Menyediakan keluaran berupa citra baru im1, im2, im3,
im4, im5, im6, im7, im8, im9

25
 PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

s) Menghitung titik hitam yang ada pada setiap baris dan

kolom dalam setiap segmen 1 sampai dengan segmen 9.
t) Setelah didapatkan nilai titik hitam pada setiap segmen, lalu
menghitung nilai mean dan standar deviasi dari setiap
segmen.
u) Selesai

2. Intencity Of Character
a) Mulai
b) Mendapatkan jumlah kolom dan baris dari matriks citra
c) Membuat counter dan di inisialisasi dengan angka 0
d) Untuk i=1 sampai kolom lakukan langkah e), jika sudah
memenuhi kolom lakukan langkah g)
e) Untuk j=1 sampai baris lakukan langkah f) jika sudah
memenuhi sampai baris lakukan langkah d)
f) Jika newimage(I,j) sama dengan 0 tambah nilai counter
sebanyak 1
g) Selesai

3.3.4. Backpropagation

Mengambil data set ciri DataLatihSandiKotak menggunakan fungsi load

dan menormalisasi data tersebut. Membuat target data dan dimasukkan ke variable
t.

Untuk melakukan pelatihan alat yang telat dibuat, pertama-tama dibuat

sebuah jaringan backpropagation. Pada penelitian ini ada 6 data untuk setiap
motifnya dan ada 26 motif jadi total semua huruf ada 156 motif. Untuk data
pelatihan digunakan 4 data untuk setiap motif. Karena ada 26 motif maka total
data motif sandi kotak yang digunakan untuk pelatihan ada sebanyak 104 motif.

26
 PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Target yang telah disiapkan sebanyak 26 target karena terdapat 26 motif sandi
kotak yang berupa matriks.

Percobaan pelatihan dalam penelitian ini dilakukan sebanyak 6 kali, setiap

percobaan dilakukan perubahan ciri yang dipakai untuk melihat peningkatan
akurasinya saat pengujian.

Arsitektur yang digunakan dalam penelitian ini adalah arsitektur dengan

satu hidden layer.

1. Arsitektur Jaringan Syaraf Tiruan 1 hidden layer

Contoh dengan menggunakan 6 ciri dengan inputan hasil ekstraksi ciri
berjumlah 104, menggunakan 1 hidden layer dengan jumlah neuron pada
hidden layer 1 sebanyak j, dan jumlah output sebanyak 26 berupa huruf latin.
Motif sandi kotak berjumlah sebanyak 26, contoh motif dapat dilihat pada
gambar dibawah:
Tabel 3.1. 26 motif sandi kotak

Ciri yang digunakan adalah sebagai berikut:

1. Nilai mean dari histogram baris

2. Nilai standar deviasi dari histogram baris
3. Nilai mean dari histogram kolom

27
 PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

4. Nilai standar deviasi dari histogram kolom

5. Nilai mean dari IOC (Intencity Of Character) Segmen 9
6. Nilai standar deviasi dari IOC (Intencity Of Character) Segmen 9

Tabel 3.2. Contoh target dan output

Target Output
00000000000000000000000001
00000000000000000000000010

00000000000000000000000100

00000000000000000000001000
00000000000000000000010000
00000000000000000000100000

00000000000000000001000000
00000000000000000010000000

00000000000000000100000000

00000000000000001000000000

00000000000000010000000000

00000000000000100000000000
00000000000001000000000000

00000000000010000000000000

00000000000100000000000000

00000000001000000000000000

00000000010000000000000000

00000000100000000000000000

00000001000000000000000000

00000010000000000000000000

28
 PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

00000100000000000000000000

00001000000000000000000000

00010000000000000000000000
00100000000000000000000000

01000000000000000000000000

10000000000000000000000000

Gambar 3.8. Arsitektur 1 hidden layer

3.3.5. Analisis data

Menganalisa hasil uji dari alat yang telah dibuat. Alat yang
telah dibuat dikatakan berhasil jika:

29
 PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

1. Ada tulisan tangan motif sandi kotak yang dapat terdeteksi dan
dapat dikenali.
2. Presentase akurasi dari fungsi yang diterapkan lebih dari atau
sama dengan 75% (75%)
𝑏𝑎𝑛𝑦𝑎𝑘 𝑑𝑎𝑡𝑎 𝑏𝑒𝑛𝑎𝑟
𝑎𝑘𝑢𝑟𝑎𝑠𝑖 = x 100%
𝑡𝑜𝑡𝑎𝑙 𝑑𝑎𝑡𝑎

3. 4 Gambaran Umum Sistem

Rancangan sistem backpropagation pada penelitian ini meliputi data
input yang merupakan data ciri dari sandi kotak yang dipakai. Untuk
hidden layer hanya digunakan 1 hidden layer yang jumlah neuron
bervariasi mulai dari 5,10… dilanjutkan dengan kelipatan 5 hingga 30.
Keluarannya ada 26 karena target berupa matriks 26x1 yang akan
dicocokkan pada target masing-masing motif. Rancangan ini sudah
memenuhi rancangan sebuah jaringan backpropagation yang memiliki 3
komponen yaitu input, hidden layer, dan output.
Sistem yang dibangun akan dipakai untuk mengenali sandi kotak
menggunakan metode backpropagation. Motif yang dapat dikenali adalah
26 motif sandi kotak.
Citra tulisan tangan sandi kotak di format .png. Citra yang akan
dilakukan preprocessing awalnya berupa citra warna, dilakukan perubahan
dari citra warna menjadi citra biner hitam putih. Setelah diubah menjadi
citra biner maka dilakukan perubahan ukuran citra menjadi berukuran
200x200 piksel. Citra yang ukurannya telah berubah akan ditipiskan,
kemudian citra yang telah ditipiskan tersebut disegmentasi menjadi 3x3
segmen. Setelah di segmentasi akan dilakukan ekstraksi ciri dimana setiap
segmen dari sebuah citra akan diambil cirinya menggunakan algorutma
intensitas karakter. Ciri yang digunakan juga diambil dari histogram, ciri
yang diambil adalah mean dan standar deviasi dari histogram kolom, mean
dan standar deviasi dari histogram baris.
Ciri yang telah didapatkan dari sebuah citra akan dimasukkan kedalam
sistem jaringan syaraf tiruan.

30
 PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

3. 5 Rancangan Implementasi
Dalam penelitian ini dibuat beberapa script untuk mengolah citra,
membagi citra dalam segmen, mengambil ciri standar deviasi dari
histogram kolom dan histogram baris, mengambil ciri rata-rata dari
histogram kolom dan histogram baris, mengambil ciri intensitas of
character, mengambil data ciri, membuat target, membagi target, pola
jaringan, testing dan akurasi.

3. 6 Model Desain
Pada penelitian ini dibuat sebuah rancangan user interface atau
tampilan desktop sehingga pengguna akan lebih mudah melihat hasil dari
jalannya program. Rancangan user interface dapat dilihat pada gambar.
1. Menu Utama

Gambar 3.9. Interface Menu Utama

31
 PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

3. 7 Skenario Pengujian
Pengujian dilakukan dengan membagi data untuk training dan testing.
Jumlah data yang digunakan 156 motif dimana pada tiap hurufnya terdapat
6 data motif sandi kotak. Pembagian dilakukan dengan menggunakan 4
motif data ciri pada setiap motifnya sebagai data training dan 2 motif data
ciri pada setiap motifnya sebagai data testing. Jadi total data training
sebanyak 104 motif dan data testing sebanyak 52 motif sandi kotak.
Percobaan akan dilakukan sebanyak 6 kali dengan menggunakan ciri 1
sampai ciri 6 berikut:
1. Kombinasi pertama menggunakan ciri 1
2. Kombinasi kedua menggunakan ciri 1 dan ciri 2
3. Kombinasi ketiga menggunakan ciri 1, ciri 2 dan ciri 3.
4. Kombinasi keempat menggunakan ciri 1, ciri 2, ciri 3, dan ciri 4.
5. Kombinasi kelima menggunakan ciri 1, ciri 2, ciri 3, ciri 4, dan ciri 5.
6. Kombinasi keenam menggunakan ciri 1, ciri 2, ciri 3, ciri 4, ciri 5, dan
ciri 6.

Pada saat akan melatih data telah disiapkan struktur jaringan

menggunakan satu lapisan tersembunyi dengan jumlah unit neuron 5,10,…
sampai dengan 30.

Setelah proses training selesai maka akan dilakukan proses testing

dimana data testing akan dimasukkan menggunakan struktur jaringan yang
sama dengan struktur jaringan trainingnya. Setelah itu akan dilihat apakah
akurasi dari pengenalan data testing tersebut sudah memenuhi atau belum.
Jika sudah ditemukan akurasi yang terbaik maka struktur jaringan yang
terbaik dan kombinasi ciri terbaik akan digunakan untuk menguji data
tunggal yang telah disiapkan.

32
 PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

BAB 4

HASIL UJI DAN ANALISIS

Dalam bab ini berisi mengenai hasil penelitian dan analisis hasil penelitian
dari sistem yang telah dibuat. Hasil penelitian besisi perbandingan akurasi yang di
peroleh dari percobaan metode backpropagation berdasarkan jumlah unit hidden
layer yang digunakan.

4.1 Hasil Uji

Pada penelitian ini, data total yang digunakan adalah sebanyak 156 motif
sandi kotak. Dengan pembagian data yang digunakan untuk data latih adalah
sebanyak 104 motif sandi kotak dan untuk data uji adalah sebanyak 52 motif
sandi kotak.
Metode pembagian data pelatihan dan pengujian arsitektur JST yang
digunakan adalah 3-Fold Cross Validation, data yang berjumlah 156 dibagi
menjadi 3 bagian. Dari 3 bagian tersebut akan dilakukan 3 kali percobaan
dalam proses pelatihan dan pengujian arsitektur JST. Berikut tabel penggunaan
bagian dalam setiap percobaan:

Tabel 4.1. 3-Fold Cross Validation

Percobaan Training Testing
1 1,2 3
2 1,3 2
3 2,3 1

Peneliti melakukan percobaan dengan menggunakan 6 ciri. Pada setiap

percobaan dilakukan dengan hanya menggunakan 1 ciri sampai dengan
menggunakan 6 ciri. Setelah dilakukan percobaan terlihat ada peningkatan
akurasi pada setiap penambahan ciri. Ciri yang digunakan adalah sebagai
berikut:

33
 PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

1. Ciri 1 adalah nilai mean dari histogram kolom

2. Ciri 2 adalah nilai standar deviasi dari histogram kolom
3. Ciri 3 adalah nilai mean dari histogram baris
4. Ciri 4 adalah nilai standar deviasi dari histogram baris
5. Ciri 5 adalah nilai mean dari ciri IoC yang didapat dari 9 segmen
6. Ciri 6 adalah nilai standar deviasi dari ciri IoC yang didapan dari 9 segmen

Dari seluruh percobaan variasi kombinasi ciri dan parameter arsitektur

jaringan, maka diperoleh akurasi tertinggi dengan tabel sebagai berikut.

Tabel 4.2. Hasil Akurasi Seluruh Percobaan Pengujian

Jumlah Neuron
No Ciri Akurasi (%)
Hidden Layer 1
1 Ciri 1 20 13,46
2 Ciri 1 dan ciri 2 30 63,46
3 Ciri 1, ciri 2, ciri 3 30 90,38
4 Ciri 1, ciri 2, ciri 3, 15 98,15
ciri 4
5 Ciri 1,ciri 2, ciri 3, 25 100
ciri 4, ciri 5
6 Ciri 1, ciri 2, ciri 3, 5 100
ciri 4, ciri 5, ciri 6

Dari tabel 4.1 dapat dilihat akurasi tertinggi ada pada kombinasi ciri 5 dengan
jumlah unit neuron 25 mendapatkan akurasi 100% dan ciri 6 dengan jumlah unit
neuron 5 mendapatkan akurasi 100%. Perubahan naik turunnya akurasi dapat
dilihat lebih jelas pada grafik berikut:

34
 PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Grafik Perubahan Akurasi

120
98.15 100 100
100 90.38

80
63.46
Akurasi

60

40

20 13.46

0
Ciri 1 Ciri 2 Ciri 3 Ciri 4 Ciri 5 Ciri 6

Gambar 4.1. Grafik Perubahan Akurasi

Adapun hasil dari setiap percobaan dapat dideskripsikan sebagai berikut:

1. Percobaan 1
Pada percobaan 1 dilakukan sebanyak 6 kali dengan menggunakan masing-
masing 1 ciri. Berikut adalah ciri yang digunakan dalam percobaan 1.
a. Ciri 1 adalah nilai mean dari histogram kolom
b. Ciri 2 adalah nilai standar deviasi dari histogram kolom
c. Ciri 3 adalah nilai mean dari histogram baris
d. Ciri 4 adalah nilai standar deviasi dari histogram baris
e. Ciri 5 adalah nilai mean dari ciri IoC yang didapat dari 9
segmen
f. Ciri 6 adalah nilai standar deviasi dari ciri IoC yang didapan
dari 9 segmen
Hal yang diambil adalah jumlah lapisan tersembunyi ada 1, jumlah unit
neuron pada lapisan tersembunyi adalah 5,10,…, sampai dengan 30.
Jumlah iterasi yang dilakukan adalah sebanyak 100 kali.

35
 PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Dari percobaan dengan menggunakan ciri 1 yaitu nilai mean dari histogram
kolom telah didapatkan hasil sebagai berikut

Tabel 4.3 Output program jaringan backpropagation pada ciri 1

Hidden Total Data Data Benar Akurasi Epochs

Layer 1 (%)
5 104 12 11,53 10
10 104 10 9.61 5
15 104 12 11.53 4
20 104 14 13.46 3
25 104 14 13.46 3
30 104 10 9.61 3

Dapat dilihat dari data tabel 4.2 diatas bahwa ciri 1 mendapatkan
akurasi tertinggi pada hidden layer 1 dengan jumlah neuron 20 dan 25
yaitu 13.46%. Perubahan naik turun tingkat akurasi dapat dilihat pada
grafik diberikut ini:

Grafik Perubahan Akurasi

16%
14%
12%
10%
Akurasi

8%
6%
4%
2%
0%
5 10 15 20 25 30
Jumlah Neuron

Gambar 4.2. Grafik Perubahan Akurasi Ciri 1

36
 PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Dari percobaan dengan menggunakan ciri 2 yaitu nilai standar deviasi dari
histogram kolom telah didapatkan hasil sebagai berikut

Tabel 4.4 Output program jaringan backpropagation pada ciri 2

Hidden Total Data Data Benar Akurasi Epochs

Layer 1 (%)
5 104 6 5.76 19
10 104 8 7.69 11
15 104 6 5.76 8
20 104 6 5.76 7
25 104 6 5.76 6
30 104 10 9.61 6

Dapat dilihat dari data tabel 4.3 diatas bahwa ciri 2 mendapatkan
akurasi tertinggi pada hidden layer 1 dengan jumlah neuron 30 yaitu
9.61%. Perubahan naik turun tingkat akurasi dapat dilihat pada grafik
diberikut ini:

Grafik Perubahan Akurasi

12%

10%

8%
Akurasi

6%

4%

2%

0%
5 10 15 20 25 30
Jumlah Neuron

Gambar 4.3. Grafik Perubahan Akurasi Ciri 2

37
 PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Dari percobaan dengan menggunakan ciri 3 yaitu nilai mean dari histogram
baris telah didapatkan hasil sebagai berikut

Tabel 4.5 Output program jaringan backpropagation pada ciri 3

Hidden Total Data Data Benar Akurasi Epochs

Layer 1 (%)
5 104 6 5.76 11
10 104 8 7.69 7
15 104 6 5.76 5
20 104 0 0 5
25 104 4 3.84 5
30 104 4 3.84 5

Dapat dilihat dari data tabel 4.4 diatas bahwa ciri 3 mendapatkan
akurasi tertinggi pada hidden layer 1 dengan jumlah neuron 10 yaitu
7.69%. Perubahan naik turun tingkat akurasi dapat dilihat pada grafik
diberikut ini:

Grafik Perubahan Akurasi

8%
7%
6%
5%
Akurasi

4%
3%
2%
1%
0%
5 10 15 20 25 30
Jumlah Neuron

Gambar 4.4. Grafik Perubahan Akurasi Ciri 3

38
 PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Dari percobaan dengan menggunakan ciri 4 yaitu nilai standar deviasi dari
histogram baris telah didapatkan hasil sebagai berikut

Tabel 4.6 Output program jaringan backpropagation pada ciri 4

Hidden Total Data Data Benar Akurasi Epochs

Layer 1 (%)
5 104 6 5.76 23
10 104 6 5.76 14
15 104 6 5.76 10
20 104 4 3.84 8
25 104 4 3.84 7
30 104 4 3.84 7

Dapat dilihat dari data tabel 4.5 diatas bahwa ciri 4 mendapatkan
akurasi tertinggi pada hidden layer 1 dengan jumlah neuron 5,10 dan 15
yaitu 5.76%. Perubahan naik turun tingkat akurasi dapat dilihat pada grafik
diberikut ini:

Grafik Perubahan Akurasi

6%

5%

4%
Akurasi

3%

2%

1%

0%
5 10 15 20 25 30
Jumlah Neuron

Gambar 4.5. Grafik Perubahan Akurasi Ciri 4

39
 PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Dari percobaan dengan menggunakan ciri 5 yaitu nilai mean dari

segmentasi 9 telah didapatkan hasil sebagai berikut

Tabel 4.7 Output program jaringan backpropagation pada ciri 5

Hidden Total Data Data Benar Akurasi Epochs

Layer 1 (%)
5 104 4 3.84 25
10 104 4 3.84 17
15 104 4 3.84 14
20 104 4 3.84 11
25 104 4 3.84 10
30 104 4 3.84 8

Dapat dilihat dari data tabel 4.5 diatas bahwa ciri 5 mendapatkan
akurasi yang sama pada setiap jumlah neuron yaitu 3.84%. Perubahan naik
turun tingkat akurasi dapat dilihat pada grafik diberikut ini:

Grafik Perubahan Akurasi

4%
4%
3%
3%
Akurasi

2%
2%
1%
1%
0%
5 10 15 20 25 30
Jumlah Neuron

Gambar 4.6. Grafik Perubahan Akurasi Ciri 5

40
 PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Dari percobaan dengan menggunakan ciri 6 yaitu nilai standar deviasi dari
segmentasi 9 telah didapatkan hasil sebagai berikut

Tabel 4.8 Output program jaringan backpropagation pada ciri 6

Hidden Total Data Data Benar Akurasi Epochs

Layer 1 (%)
5 104 4 3.84 6
10 104 4 3.84 2
15 104 4 3.84 1
20 104 4 3.84 1
25 104 4 3.84 1
30 104 4 3.84 2

Dapat dilihat dari data tabel 4.6 diatas bahwa ciri 6 mendapatkan
akurasi yang sama pada setiap jumlah neuron yaitu 3.84%. Perubahan naik
turun tingkat akurasi dapat dilihat pada grafik diberikut ini:

Grafik Perubahan Akurasi

4%
4%
3%
3%
Akurasi

2%
2%
1%
1%
0%
5 10 15 20 25 30
Jumlah Neuron

Gambar 4.7. Grafik Perubahan Akurasi Ciri 6

41
 PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

2. Percobaan 2
Pada percobaan 2 dilakukan menggunakan 2 ciri yaitu nilai mean dari
histogram kolom dan standar deviasi dari histogram kolom. Hal yang
diambil adalah jumlah lapisan tersembunyi ada 1, jumlah unit neuron pada
lapisan tersembunyi adalah 5,10,…, sampai dengan 30. Jumlah iterasi yang
dilakukan adalah sebanyak 100 kali. Dari percobaan 2 telah didapatkan
hasil sebagai berikut.

Tabel 4.9 Output jaringan backpropagation pada percobaan 2

Hidden Total Data Data Benar Akurasi Epochs

Layer 1 (%)
5 104 46 44.23 19
10 104 50 48.07 13
15 104 50 48.07 10
20 104 52 50 8
25 104 53 50.96 7
30 104 66 63.46 7

Dapat dilihat dari data tabel 4.2 diatas bahwa percobaan 2

mendapatkan akurasi tertinggi pada hidden layer 1 dengan jumlah neuron
30 yaitu 63.46%. Perubahan naik turun tingkat akurasi dapat dilihat pada
grafik diberikut ini:

42
 PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Grafik Perubahan Akurasi

70%

60%

50%
Akurasi

40%

30%

20%

10%

0%
5 10 15 20 25 30
Jumlah Neuron

Gambar 4.8. Grafik Perubahan Akurasi Percobaan 2

3. Percobaan 3
Pada percobaan 3 dilakukan menggunakan 3 ciri yaitu nilai mean dari
histogram kolom, standar deviasi dari histogram kolom, dan nilai mean dari
histogram baris. Hal yang diambil adalah jumlah lapisan tersembunyi ada
1, jumlah unit neuron pada lapisan tersembunyi adalah 5,10,…, sampai
dengan 30. Jumlah iterasi yang dilakukan adalah sebanyak 100 kali. Dari
percobaan 3 telah didapatkan hasil sebagai berikut.

Tabel 4.10 Output jaringan backpropagation pada percobaan 3

Hidden Total Data Data Benar Akurasi Epochs

Layer 1 (%)
5 104 86 82.69 19
10 104 87 83.65 13
15 104 84 80.76 11
20 104 84 80.76 9
25 104 86 82.69 8
30 104 94 90.38 8

43
 PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Dapat dilihat dari data tabel 4.3 diatas bahwa percobaan 3 mendapatkan
akurasi tertinggi pada hidden layer 1 dengan jumlah neuron 30 yaitu 90.38%.
Perubahan naik turun tingkat akurasi dapat dilihat pada grafik diberikut ini:

Grafik Perubahan Akurasi

92%
90%
88%
86%
Akurasi

84%
82%
80%
78%
76%
74%
5 10 15 20 25 30
Jumlah Neuron

Gambar 4.9. Grafik Perubahan Akurasi Percobaan 3

4. Percobaan 4
Pada percobaan 4 dilakukan menggunakan 4 ciri yaitu nilai mean dari
histogram kolom, standar deviasi dari histogram kolom, nilai mean dari
histogram baris dan nilai standar deviasi dari histogram baris. Hal yang
diambil adalah jumlah lapisan tersembunyi ada 1, jumlah unit neuron pada
lapisan tersembunyi adalah 5,10,…, sampai dengan 30. Jumlah iterasi yang
dilakukan adalah sebanyak 100 kali. Dari percobaan 4 telah didapatkan
hasil sebagai berikut.

Tabel 4.11 Output jaringan backpropagation pada percobaan 4

Hidden Total Data Data Benar Akurasi Epochs

Layer 1 (%)
5 104 94 90.38 20
10 104 102 98.07 15

44
 PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

15 104 100 96.15 12

20 104 102 98.07 11
25 104 98 94.23 10
30 104 101 97.11 9

Dapat dilihat dari data tabel 4.4 diatas bahwa percobaan 4

mendapatkan akurasi tertinggi pada hidden layer 1 dengan jumlah neuron
10 dan 20 yaitu 98.07%. Perubahan naik turun tingkat akurasi dapat dilihat
pada grafik diberikut ini:

Grafik Perubahan Akurasi

100%

98%

96%
Akurasi

94%

92%

90%

88%

86%
5 10 15 20 25 30
Jumlah Neuron

Gambar 4.10. Grafik Perubahan Akurasi Percobaan 4

5. Percobaan 5
Pada percobaan 5 dilakukan menggunakan 5 ciri yaitu nilai mean dari
histogram kolom, standar deviasi dari histogram kolom, nilai mean dari
histogram baris, nilai standar deviasi dari histogram baris dan nilai mean
dari ciri IoC segmen 9. Hal yang diambil adalah jumlah lapisan
tersembunyi ada 1, jumlah unit neuron pada lapisan tersembunyi adalah

45
 PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

5,10,…, sampai dengan 30. Jumlah iterasi yang dilakukan adalah sebanyak
100 kali. Dari percobaan 5 telah didapatkan hasil sebagai berikut

Tabel 4.12 Output jaringan backpropagation pada percobaan 5

Hidden Total Data Data Benar Akurasi Epochs

Layer 1 (%)
5 104 102 98.07 28
10 104 102 98.07 16
15 104 102 98.07 13
20 104 102 98.07 11
25 104 104 100 11
30 104 104 100 5

Dapat dilihat dari data tabel 4.5 diatas bahwa percobaan 5

mendapatkan akurasi tertinggi pada hidden layer 1 dengan jumlah neuron
25 dan 30 yaitu 100%. Perubahan naik turun tingkat akurasi dapat dilihat
pada grafik diberikut ini:

Grafik Perubahan Akurasi

101%

100%

100%
Akurasi

99%

99%

98%

98%

97%
5 10 15 20 25 30
Jumlah Neuron

Gambar 4.11. Grafik Perubahan Akurasi Percobaan 5

46
 PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

6. Percobaan 6
Pada percobaan 6 dilakukan menggunakan 6 ciri yaitu nilai mean dari
histogram kolom, standar deviasi dari histogram kolom, nilai mean dari
histogram baris, nilai standar deviasi dari histogram baris, nilai mean dari
ciri IoC segmen 9 dan nilai standar deviasi dari ciri IoC segmen 9. Hal
yang diambil adalah jumlah lapisan tersembunyi ada 1, jumlah unit neuron
pada lapisan tersembunyi adalah 5,10,…, sampai dengan 30. Jumlah iterasi
yang dilakukan adalah sebanyak 100 kali. Dari percobaan 6 telah
didapatkan hasil sebagai berikut

Tabel 4.13 Output jaringan backpropagation pada percobaan 6

Hidden Total Data Data Benar Akurasi Epochs

Layer 1 (%)
5 104 104 100 28
10 104 104 100 16
15 104 104 100 12
20 104 104 100 11
25 104 104 100 10
30 104 104 100 10

Dapat dilihat dari data tabel 4.5 diatas bahwa percobaan 6

mendapatkan akurasi tertinggi pada hidden layer 1 yaitu 100% pada setiap
unit neuron yang ditentukan. Perubahan naik turun tingkat akurasi dapat
dilihat pada grafik diberikut ini:

47
 PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Series 1
100%
90%
80%
70%
60%
50%
Series 1
40%
30%
20%
10%
0%
5 10 15 20 25 30

Gambar 4.12. Grafik Perubahan Akurasi Percobaan 6

4.2 Testing Data Tunggal

Pada penelitian ini dilakukan pula testing data tunggal dengan

menggunakan 2 data dari setiap hurufnya, jadi total data yang digunakan untuk
testing data tunggal ada 52 motif. Karena hasil terbaik merupakan pada percobaan
6 dengan menggunakan semua ciri maka yang akan digunakan sebagai acuan
pengujian adalah percobaan 6. Hasil testing data tersebut sebagai berikut.

Tabel 4.14 Hasil testing data

Output Tidak
No Input Dikenali dikenali Akurasi
Motif 1 Motif 2
1 A A A 2 0 100%
2 B B B 2 0 100%
3 C C C 2 0 100%
4 D D D 2 0 100%
5 E E E 2 0 100%

48
 PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

6 F F F 2 0 100%
7 G G G 2 0 100%
8 H H H 2 0 100%
9 I I I 2 0 100%
10 J J J 2 0 100%
11 K K K 2 0 100%
12 L L L 2 0 100%
13 M M M 2 0 100%
14 N N N 2 0 100%
15 O O O 2 0 100%
16 P P P 2 0 100%
17 Q Q Q 2 0 100%
18 R R R 2 0 100%
19 S S Y 1 1 50%
20 T W T 1 1 50%
21 U U U 2 0 100%
22 V V V 2 0 100%
23 W W W 2 0 100%
24 X X X 2 0 100%
25 Y Y Y 2 0 100%
26 Z S Z 1 1 50%
Jumlah 49 3
Rata-rata akurasi

Pada hasil percobaan diatas memperoleh hasil dengan total data yang
dikenali ada sebanyak 49 motif dan yang tidak dikenali sebanyak 3 motif.

49
 PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

4.3 Analisis Data

Setelah melakukan percobaan sebanyak 6 kali dengan menambah ciri yang

digunakan terlihat adanya perubahan akurasi ketika dilakukan perubahan tersebut.
Hasil terbaik dari percobaan yang dilakukan dapat dilihat pada tabel 4.5, dengan
banyaknya data yang terbaca terdapat pada percobaan 6 sebanyak 104 motif dari
104 motif dengan akurasi 100% dengan menggunakan 6 ciri.

Dapat dilihat pula data yang terbaca paling sedikit terdapat pada percobaan
1 sebanyak 10 motif dari 104 motif dengan akurasi 9.61% dengan menggunakan 1
ciri. Dari data tersebut dapat dikatakan bahwa alat ini dapat mengenali motif sandi
kotak.

Dengan dilakukannya perubahan atau penambahan ciri pada jaringan

syaraf tiruan didapatlah peningkatan presentase untuk data dengan menggunakan
6 ciri. Jadi untuk meningkatkan presentase keberhasilan dapat dilakukan dengan
penggunakan ciri dan banyaknya neuron.

Dilakukan juga pengujian terhadap data tunggal untuk melihat hasil dari
pelatihan jaringan yang dilakukan. Dari pengujian tersebut didapatkan hasil yang
baik, ada 49 motif yang dapat dikenali dan 2 motif yang tidak dapat dikenali.

Dari hasil yang diperoleh dari penelitian ini tentang pengenalan huruf
menggunakan sandi kotak menggunakan metode backpropagation maka diketahui
bahwa:

1) Pada penelitian ini terdapat 104 motif sandi kotak yang dapat terdeteksi dan
dikenali, maka dapat dikatakan algoritma backpropagation dapat mengenali
motif sandi kotak.
2) Presentase akurasi pada penelitian ini adalah sebesar 100%.

Maka dapat dikatakan penelitian ini berhasil karena sudah memenuhi tujuan
penelitian karena tingkat akurasi keberhasilan sudah melebihi 80% presentase
keberhasilan.

50
 PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

BAB 5
PENUTUP

5.1 Kesimpulan
Pada penelitian ini telah didapatkan bahwa metode backpropagation dapat
digunakan untuk mengenali motif sandi kotak. Hal ini dapat dilihat dengan
adanya motif yang terbaca dengan tepat oleh ahli uji backpropagation. Tingkat
akurasi tertinggi dapat dilihat pada percobaan 6 sebesar 100% menggunakan
sebanyak 6 ciri yang merupakan nilai mean dari histogram kolom, nilai standar
deviasi dari histogram kolom, nilai mean dari histogram baris, nilai standar
deviasi dari histogram baris, nilai mean dari ciri IoC segmen 9, dan nilai
standar deviasi dari ciri IoC segmen 9. Jaringan yang digunakan adalah
jaringan dengan 1 lapisan tersembunyi dan 1 lapisan keluaran, dengan jumlah
unit neuron bervariasi 5,10,…, kelipatan 5 sampai dengan 30. Iterasi yang
terjadi sebesar 28 kali dengan MSE 0.0494.

5.2 Saran
Bagi peneliti yang akan menggunakan algoritma backpropagation untuk
pengenalan huruf untuk sandi kotak menggunakan metode backpropagation,
alat ini dapat ditingkatkan. Peningkatan tersebut dapat dilakukan dengan cara
memberi nilai untuk bobot.

51
 PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

DAFTAR PUSTAKA

Siang, J J. 2005. Jaringan Syaraf Tiruan & Pemrogramannya Menggunakan

Matlab. Yogyakarta: Andi Offset.

Kadir, A. dan Susanto, A., 2013, Teori dan Aplikasi Pengolahan Citra.
Yogyakarta: Andi Offset

Letsoin, B N N. 2010. Penerapan Metode Backpropagation Jaringan Syaraf

Tiruan Untuk Konversi Sandi Kotak Rangkap Ke Huruf Latin. Universitas
Kristen Duta Wacana.

Minartiningtiyas, B A. 2013. Pengenalan Pola.

http://informatika.web.id/category/pengenalan-pola/. Di akses tanggal 16
november 2015.

Kumar,P, Shivangi,G, & Tiwari,S. (2012) “Character Recognition using

Neural Network”, IJCST Vol 3, Issue 2, pp. 978-981.

Farm, P. 2007. Jaringan Syaraf Tiruan.

https://onesmart.wordpress.com/category/jaringan-syaraf-tiruan/. Diakses
tanggal 11 april 2018.

Sunarya,I,M,G, Kesiman,M,W,A, & Purnami,I,A,P. (2015) “Segmentasi

Citra Tulisan Tangan Aksara Bali Berbasis Proyeksi Vertikal dan
Horizontal”, Jurnal Informatika Vol.9, No.1, pp.982-992.

Maulana, A. 2013. Pengenalan Pola Citra (Thinning).

https://anggamaulana20.wordpress.com/2013/12/06/penipisan-pola-citra-
thinning/. Diakses tanggal 15 april 2018.

Pamungkas, A. Pengolahan Citra Digital – Ekstraksi Ciri Citra.

https://pemrogramanmatlab.com/pengolahan-citra-digital/ekstraksi-ciri-citra-
digital/. Diakses tanggal 15 april 2018.

52