Jawa Backpropagation
Jawa Backpropagation
SKRIPSI
Oleh:
135314061
YOGYAKARTA
2018
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
A THESIS
By :
Student ID:
135314061
YOGYAKARTA
2018
i
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Motto
"I don't stop when I am tired, I stop when I am done." And I am trying to apply
that way
iv
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
ABSTRAK
Indonesia merupakan negara yang kaya akan budaya dan adat. Penulisan
Aksara Jawa merupakan tradisi penulisan yang cukup kental. Dengan mengingat
betapa pentingnya pelestarian dan penyebarluasan budaya, maka penelitian
mengenai upaya digital dan pengolahan pada hasil digital sangat diperlukan,
misalnya pengenalan pada aksara Jawa. Neural network merupakan salah satu
metode yang dapat digunakan untuk mengenali pola tulisan tangan aksara Jawa.
Neural network sendiri dimisalkan sebagai analogi sistem kerja otak manusia.
Terdiri dari atas sebuah unit pemroses yang disebut neuron yang berisi penambah
dan fungsi aktivasi,sejumlah bobot,sejumlah vektor masukan.
Penelitian ini nantinya akan membuat sistem yang mampu mengenali aksara
Jawa seperti huruf pada umumnya . Sistem yang akan dibangun ini menerapkan
jaringan syaraf tiruan untuk pemodelan sistemnya dan Intencity Of Character,
Mark Direction sebagai ekstraksi cirinya.
Pengujian pengenalan aksara Jawa dengan Jaringan Syaraf Tiruan Propagasi
Balik dengan melakukan pembentukan arsitektur jaringan menghasilkan akurasi
tertinggi yaitu sebesar 83% dengan menggunakan 2 lapisan tersembunyi dengan
jumlah neuron pada lapisan tersembunyai 1 sebanyak 75 neuron dan 65 pada
lapisan tersembunyi 2.
vii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
ABSTRACT
viii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
DAFTAR ISI
xi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
DAFTAR GAMBAR
Gambar II.3 Tanda “Pada Pangkat” untuk Mengapit Penulisan Angka Jawa ..... 5
xiii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Gambar IV.15 Gambar Pembagian Data latih dan Data Uji ................................ 33
Gambar IV.22 Tampilan Interface pengujian data tunggal Jaringan Syaraf Tiruan
................................................................................................................... 75
xiv
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
DAFTAR TABEL
Tabel IV.1......................................................................................................... 31
xv
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xvi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xvii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
BAB I
PENDAHULUAN
1
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
BAB II
LANDASAN TEORI
Gambar 2.3 Tanda “Pada Pangkat” untuk Mengapit Penulisan Angka Jawa
5
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Beberapa dari Angka, seperti pada Gambar 2.3 dalam Aksara Jawa
memiliki bentuk yang mirip dengan kelompok Aksara Jawa lainnya.
Beberapa diantaranya misalkan angka “1” dalam Aksara Jawa memiliki
bentuk yang sama dengan huruf “Ga” pada kelompok Aksara Jawa
Nglegena, kemudia angka “9” sama dengan huruf “ ya” dalam kelompok
Aksara Jawa Nglegena. Oleh karena ini, penulisan Angka Jawa, menurut
pedoman yang ditulis oleh Darusuprapta dkk, harus diapit oleh tanda baca
yang memiliki istilah “ pada pangkat” seperti Gambar 2.3.
sehingga dasar informasi ini objek dapat diklasifikasikan dengan ciri yang
berbeda.Ini adalah bagian penting dari setiap sistem pengenalan. Ekstraksi
ciri memiliki dua tujuan:
1) Membuang aspek-aspek yang tidak relevan dari gambar dan mengambil
data yang penting atau diperlukan.
2) Transform data ke dalam sebuah representasi yang membawa informasi
lebih eksplisit.
Dengan demikian,ekstraksi ciri memungkinkan untuk mengambil ciri penting
dalam sebuah gambar. Ciri penting tersebut dapat membedakan satu citra
dengan citra lainnya, ciri juga dapat lebih memperjelas pola perbedaan yang
akan sangat memudahkan pemisahan antara kelas dalam proses
pengelompokan. Penelitian ini mengunakan ekstraksi ciri:
Jadi dalam mencari nilai dari nilai dari ekstraksi mark direction
Terbentuk dari konvolusi matriks 3x3
10
11
12
13
(2.1)
(2.2)
6. Hitung faktor δunit keluaran berdasarkan kesalahan di setiap unit
keluaran yk (k = 1,2,…,m)
(2.3)
7. Hitung suku perubahan bobot wkj (yang akan dipakai nanti untuk
merubah bobot wkj) dengan laju percepatan α
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
14
(2.5)
Faktor δ unit tersembunyi
(2.6)
Hitung suku perubahan bobot vji (yang akan digunakan nanti untuk
merubah bobot vji)
(2.7)
9. Hitung semua perubahan bobot
Perubahan bobot garis yang menuju ke unit keluaran
(2.8)
Perubahan bobot garis yang menuju ke unit tersembunyi
(2.9)
10. Setelah pelatihan selesai dilakukan, jaringan dapat dipakai untuk
pengenalan pola.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
BAB III
METODOLOGI PENELITIAN
Pada bab ini menjelaskan tentang bagaimana cara mendapatkan data, lalu
proses pemrosesan citra, ektraksi ciri sampai dengan proses pengujian dengan
jaringan syaraf tiruan.
13
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
14
3.1.4 Pengujian
Pada tahap pengujian ini, dari seluruh data yang ada dibagi
menjadi 2 bagian, yaitu 2/3 bagian untuk data pelatihan dan 1/3 untuk
data uji dengan metode Hold Out membagi data secara acak , sehingga
tidak ada data yang sama di dalam data untuk uji dan pelatihan tersebut.
Platform Notebook- Pc
15
16
3.3.1 Data
Sumber data diperoleh dari tulisan tangan aksara Jawa dari
responden. Data yang sudah di scan lalu dicrop sehingga menjadi data
yang siap diolah.
3.3.2 Preprocessing
Setelah data siap diolah maka dilakukan proses preprocessing
sehingga data tersedia untuk diekstraksi ciri Berikut tahapan dari
preprocessing.
1. Pemotongan Citra
Tahap awal dari penelitian adalah pemotongan blangko aksara citra
menjadi 1 aksara saja
2. Grayscalling
Tahap selanjutnya, data citra aksara Jawa yang telah dicrop diubah
skala warnanya menjadi citra dengan skala keabuan dengan
menggunakan fungsi matlab rgb2gray.
3. Binerisasi
Binerisasi Setelah didapat citra aksara Jawa dengan skala warna
keabuan, diperlukan tahap binerisasi yang mengubah intensitas nilai
piksel citra menjadi 0 dan 1 saja, dimana 0 direpresentasikan sebagai
warna hitam dan 1 direpresentasikan sebagai warna putih pada citra.
Dalam hal ini, digunakan fungsi dari MATLAB yaitu im2bw.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
17
4. Resize Citra
Pada tahap ini, dilakukan resizing atau mengubah ukuran matriks
citra menjadi ukuran 42 x 42 dengan menggunakan fungsi MATLAB
imresize. Hal ini dilakukan karena pada tahapan sebelumnya, hasil
ukuran matriks citranya berbeda, sehingga nantinya lebih mudah
dalam melakukan proses ekstraksi ciri.
5. Penipisan Citra
Tahap thinning atau penipisan merupakan tahap akhir preprocessing.
Pada tahap ini, citra biner aksara Jawa akan diubah ketebalan
pikselnya sehingga untuk setiap data citra aksara Jawa menjadi citra
kerangka dengan ketebalan 1 piksel. Hasil proses thinning ini
nantinya yang digunakan untuk melakukan ekstraksi ciri. Thinning
dilakukan dengan menggunakan metode Rosenfeld.
3.3.4 Normalisasi
Dari data hasil ekstraksi ciri yang ada, maka dilakukan normalisasi
dengan metode mapstd. Normalisasi bertujuan untuk mengubah datat
menjadi rentang tertentu. Berikut merupakan dats yang sudah diubah
normalisasi mapstd
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
18
19
20
21
22
23
C. Hidden Layer 2
Hidden layer 2 (y1,y2,y3,…,yj) merupakan lapisan tersembunyi
yang digunakan untuk memindah nilai dari hidden layer
sebelumnya sehingga menjadi nilai keluarannya. Dalam hal
jumlah neuron, jumlahnya bisa divariasi baik itu
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
24
25
26
BAB IV
IMPLEMENTASI HASIL DESAIN
2. Cropping
Tahap selanjutnya adalah melakukan cropping. Cropping dilakukan
secara manual dimana data awal aksara yang berupa citra kumpulan aksara
menjadi citra yang hanya berisi satu aksara saja.
27
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
28
4. Binerisasi Citra
Dengan menggunakan fungsi im2bw pada MATLAB, citra aksara
yang digunakan diubah menjadi citra hitam putih yang hanya memiliki
nilai piksel 0 dan 1.
29
5. Resize Citra
Langkah Berikutnya adalah mengubah ukuran Citra menjadi 42 x 42
hal ini lakukan untuk mempermudah Ektraksi Ciri.
6. Penipisan Citra
Penipisan citra dilakukan dengan menggunakan fungsi Rosenfeld
sehingga didapatkan ketebalan citra menjadi 1 piksel.
30
Langkah Pertama
Membagi Citra menjadi 9 segmen
Langkah Kedua
Mengambil Ciri piksel hitam
Langkah Ketiga
Mengambil Ciri arah Horizontal
31
32
8. Normalisasi Data
Normalisasi data mengunakan fungsi MATLAB yaitu mapstd yaitu
mengubah data menjadi rentang tertentu.
9. Membagi Data Testing dan Training 2/3 dan 1/3 dengan Hold Method
33
Banyaknya data aksara sebanyak 300 data lalu dibagi 2/3 untuk Data
Latih dan 1/3 untuk Data Uji. Jadi banyak ada 200 data latih dan 100
data uji
.
4.2 Hasil dan Analisis Hasil
Dalam Penelitian ini akan mengunakan 20 jenis aksara Jawa yang
didapat dari dari tulisan tangan 5 orang yang berbeda . Penelitian ini mencari
model arsitektur jaringan syaraf tiruan yang paling optimal dalam proses
pengenalannya. Untuk mendapatkan akurasi paling maksimal digunakan
variasi jumlah hidden layer, jumlah neuron, dan model jaringan nya. Setelah
mendapatkan arsitektur paling optimal akan dilakukan uji data tunggal untuk
melakukan pengenalan .
34
1. Pengujian
Pengujian Ciri 1 dengan 1 hidden layer dan 2 hidden layer dengan
input berjumlah 9
Pengujian JST
35
35 60%
40 59%
45 55%
50 62%
70 55 57%
60 62%
65 61%
70 61%
75 57%
Pengujian JST
36
Pengujian JST
37
Pengujian JST
38
Pengujian JST
70 27%
75 22%
39
60 22% 24 % 22%
65 24% 27% 27%
75 23% 22% 24 %
70 60 23%
65 23%
70 19%
75 17 %
40
Pengujian JST
41
60 60 33%
65 37%
70 31%
75 30%
42
43
70 60 70%
65 71%
70 69%
75 69%
Pengujian Ciri 6 dengan 2 hidden layer menghasilkan akurasi
tertinggi sebesar 71% pada Neuron 70 pada hidden layer 1 dan
Neuron 65 pada hidden layer 2. Pengujian pada kombinasi ciri 6
menghasilkan akurasi tertinggi 71% dari hidden layer 1 dengan
Neuron 70 dan Neuron 65 hidden layer 2.
Pengujian JST
44
70 63%
75 68%
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
45
46
Pengujian JST
70 62%
75 67%
Pengujian JST
47
70 65%
75 67%
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
48
49
Pengujian JST
Pengujian JST
50
70 32%
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
51
75 32%
52
Pengujian JST
70 48%
75 46%
Pengujian JST
53
70 38 %
75 34%
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
54
75 41 % 41% 33%
55
70 46%
75 45%
Pengujian JST
Neuron Akurasi Akurasi Akurasi
Traingdx Traingda Trainrp
20 49% 46% 45%
25 46% 56% 46%
30 48% 51% 50%
35 50% 56% 50%
40 46% 50% 51%
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
56
70 51%
75 49%
57
58
70 66 %
75 70 %
Pengujian Ciri 16 dengan 2 hidden layer menghasilkan
akurasi tertinggi sebesar 61% pada Neuron 40 pada hidden layer 1
dan Neuron 75 pada hidden layer 2. Pengujian pada kombinasi ciri16
menghasilkan akurasi tertinggi 70% dari 2 hidden layer Neuron 40
dan 75.
59
Pengujian JST
Neuron Akurasi Akurasi Akurasi
Traingdx Traingda Trainrp
20 62% 59% 58%
25 68% 59% 56%
30 66% 64% 63%
35 67% 67% 66%
40 67% 71% 60%
45 70% 69% 55%
50 68% 66% 61%
55 65% 68% 58%
60 69% 70% 64%
65 67% 68% 58%
70 68% 68% 63 %
75 65 % 69% 62 %
60
40 69%
45 62%
50 72%
40 55 64%
60 66%
65 69%
70 66 %
75 73 %
55 71% 69% 63 %
60 71% 70% 63 %
65 68% 68% 61 %
70 70% 69% 62 %
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
61
75 73 % 71% 64%
70 71%
75 72 %
Pengujian JST
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
62
63
50 42%
60 55 45%
60 39%
65 41%
70 38%
75 31%
45 43% 41% 36 %
50 48% 47 % 45%
55 45% 48 % 50%
60 45% 44% 39 %
65 44% 46% 36 %
70 49 % 54 % 40 %
75 53 % 44 % 46 %
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
64
Pengujian JST
Neuron Neuron2 Akurasi
Trainrp
20 37%
25 36%
30 38%
35 39%
40 44%
45 37%
50 49 %
55 55 41 %
60 40 %
65 40%
70 42 %
75 43 %
Pengujian Ciri 20 dengan 2 hidden layer menghasilkan
akurasi tertinggi sebesar 49% pada Neuron 55 pada hidden layer 1
dan Neuron 50 pada hidden layer 2. Pengujian pada kombinasi ciri20
menghasilkan akurasi tertinggi 50% dari 1hidden layer Neuron 55.
Pengujian JST
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
65
66
50 65%
70 55 58%
60 59%
65 59%
70 65%
75 59%
67
30 69% 70% 59 %
35 72% 68% 58%
40 71 % 72% 58 %
45 69% 68% 57 %
50 65% 58 % 58%
55 70% 70 % 58 %
70 70% 71% 70 %
68
65 74%
70 70%
75 68 %
Pengujian Ciri 22 dengan 2 hidden layer menghasilkan
akurasi tertinggi sebesar 74% pada Neuron 75 pada hidden layer 1
dan Neuron 75 pada hidden layer 2. Pengujian pada kombinasi ciri
22 menghasilkan akurasi tertinggi 74% dari 2 hidden layer Neuron
75 dan 75.
Pengujian JST
Neuron Akurasi Akurasi Akurasi
Traingdx Traingda Trainrp
20 64% 63% 54%
25 66% 66% 52%
30 72% 67% 53 %
35 67% 68% 60%
40 66 % 69% 58%
45 65% 70 % 63 %
50 67% 70 % 63%
55 69% 68 % 56 %
60 68% 68% 56 %
65 69% 68% 64 %
70 71% 75% 64%
75 73% 72 % 61%
69
70 73%
75 69 %
70
30 63% 56% 58 %
35 21% 59% 50 %
40 40% 58% 59%
45 33% 61% 58%
50 64% 61% 52%
60 52% 65% 58 %
65 59% 65% 52%
70 51% 67 % 55%
70 70%
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
71
75 68 %
Pengujian Ciri 24 dengan 2 hidden layer menghasilkan
akurasi tertinggi sebesar 74% pada Neuron 70 pada hidden layer 1
dan Neuron 55 pada hidden layer 2. Pengujian pada kombinasi ciri
23 menghasilkan akurasi tertinggi 75% dari 2 hidden layer Neuron
70 dan 55.
Pengujian JST
Neuron Akurasi Akurasi Akurasi
Traingdx Traingda Trainrp
20 37% 63% 57%
25 71% 66% 69%
30 70% 71% 53 %
35 70% 65% 66 %
40 74% 78% 65%
45 74% 78 % 63%
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
72
50 72% 74% 66 %
55 74% 71 % 63%
60 74% 71 % 72 %
65 75% 69% 64 %
70 73 % 78 % 63%
75 77% 77 % 70 %
Pengujian JST
Neuron Neuron2 Akurasi
Traingdx
20 70%
25 72%
30 74%
35 70%
40 74%
45 76%
50 77%
75 55 77%
60 76%
65 83 %
70 65%
75 72%
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
73
74
75
Gambar 4.21 Tampilan Interface pengujian data tunggal Jaringan Syaraf Tiruan
76
BAB V
PENUTUP
5.1 Kesimpulan
Dari kesimpulan penelitian ini, pengenalan pola tulisan Aksara Jawa
mengunakan metode Backpropagation, dapat disimpulkan dalam beberapa
hal, sebagai berikut:
1. Dalam proses pengujian arsitektur ,mengunakan kombinasi ciri vertical,
horizontal,diagonal ke kanan, diagonal ke kiri dan nilai piksel hitam.
Terdapat 5 (buah) input yang akan diuji dan diperoleh hasil yang optimal
dalam melakukan pengenalan yaitu:
1. Arsitektur dengan input 9 ,2 hidden layer dengan jumlah neuron 70 dan
30 menghasilkan akurasi sebesar 63 %.
2. Arsitektur dengan input 18, 2 hidden layer dengan jumlah neuron 70
dan 60 dengan akurasi sebesar 71%.
3. Arsitektur dengan input 27, 1 hidden layer dengan jumlah neuron 45
dengan akurasi sebesar 74%.
4. Arsitektur dengan input 36,2 hidden layer dengan jumlah neuron 70 dan
55 dengan akurasi sebesar 75 %.
5. Arsitektur dengan input 45 ,2 hidden layer dengan jumlah neuron 75 dan
65 dengan akurasi sebesar 83%.
2. Dalam pengujian data tunggal pada sistem dengan arsitektur jaringan
syaraf tiruan kombinasi ciri input 45 mengunakan 2 hidden layer neuron
75 dan 65 tedapat aksara Jawa yang tidak dapat dikenali yaitu aksara
“Ca” dan “ WA” tidak dapat dikenali sesuai targetnya.
5.2 Saran
Saran yang dapat diberikan untuk mengembangkan aplikasi ini
kedepannya adalah :
1. Mengunakan Ekstraksi Ciri yang berbeda
79
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
80
2. Jumlah data aksara yang akan digunakan dalam pelatihan dan pengujian
arsitektur jaringan ditambah lagi atau dapat menggunakan aksara Jawa
lainnya karena aksara Jawa bermacam-macam.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
81
DAFTAR PUSTAKA
Kadir, Abdul dan Susanto, Adhi.(2013). Teori dan Aplikasi Pengolahan Citra.
Yogyakarta : Penerbit ANDI.
Putra, Darma. (2009). Pengolahan Citra Digital. Yogyakarta : Penerbit ANDI.
Siang, Jong Jek. (2009). Jaringan Syaraf Tiruan dan Pemrogramannya
mengunakan MATLAB. Yogyakarta : Penerbit ANDI.
Prasetyo, Eko (2012) . Data Mining Konsep dan Aplikasi menggunakan
MATLAB
Surinta, O. (2010). Overview of Handwritten Thai character Recognition.
http://www.ai.rug.nl/~mrolarik/APSMeeting/09-07-
2010%20Overview%20of%20Handwritten%20Thai%20Character%20Recogni
tion.pdf. 12 Oktober 2016.
Widiarti, A.R. (2011). Comparing Hilditch, Rosenfeld, Zhang-Suen,
Nagendraprasad – Wang-Gupta Thinning.International Scholarly and
Scientific Research & Innovation. No 6. Vol 5. halaman 1.
http://waset.org/publications/6492/comparing-hilditch-rosenfeld-zhang-suen-
and-nagendraprasad-wang-gupta-thinning. 14 Oktober 2016
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
82
LAMPIRAN
Source code
Viewutama.m
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
83
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
84
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
85
Preprocessing.m
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
86
Mark Direction.m
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
87
Ioc.m
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
88
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
89