Jawa Backpropagation

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
PENGENALAN POLA TULISAN TANGAN
AKSARA JAWA DENGAN ALGORITMA BACKPROPAGATION
SKRIPSI
Diajukan Untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana
Komputer Program Studi Teknik Informatika
Oleh:
Aloysius Tanto Wibowo
135314061
PROGRAM STUDI TEKNIK INFORMATIKA
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS SANATA DHARMA
YOGYAKARTA
2018
PATTERN RECOGNITION HANDWRITTER OF JAVA CHARACTER
USING BACKPROPAGATION ALGORITHM
A THESIS
Presented as Partial of the Requirements to Obtain the Sarjana Komputer
Degree in Informatics Engineering Study Program
By :
Aloysius Tanto Wibowo
Student ID:
135314061
INFORMATICS ENGINEERING STUDY PROGRAM
INFORMATICS ENGINEERING DEPARTMENT
FACULTY OF SCIENCE AND TECHNOLOGY
SANATA DHARMA UNIVERSITY
YOGYAKARTA
2018
i
Motto
"I don't stop when I am tired, I stop when I am done." And I am trying to apply
that way
iv
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.
Kata kunci: Pengenalan Pola, Mark Direction, Intencity Of Character, Jaringan

Syaraf Tiruan Back Propagation
vii
ABSTRACT
Indonesia is a country with rich culture and customs. Writing Javanese

script is a fairly thick tradition of writing. Bearing in mind the importance of
cultural preservation and dissemination, research on digital efforts and processing
of digital results is necessary, for example the introduction of Javanese script.
Neural network is one of method that can be used to recognize handwriting
pattern Java script. Neural network itself is exemplified as the analogy of the
working system of the human brain. It consists of a processing unit called a
neuron that contains an adder and an activation function, a number of weights, a
number of input vectors.
This research will create a system that is able to recognize Javanese
characters like letters in general. The system will be built use artificial neural
network for system modeling and Intensity Of Character, Mark Direction as a
characteristic extraction.
Testing of Javanese script with Artificial Back Propagation Neural Networks
by performing the formation of network architecture fields produce the highest
accuracy of 83% by using 2 hidden layers with the number of neurons in the
embedded layer 1 of 75 neurons and 65 in the hidden layer 2.
Key Words: Pattern Introduction, Mark Direction, Intensity Of Character, Neural

Network artificial Back Propagation
viii
DAFTAR ISI
HALAMAN JUDUL ........................................................................................... i

MOTTO ............................................................................................................ iv
ABSTRAK......................................................................................................... vi
KATA PENGANTAR ..................................................................................... viii
DAFTAR ISI ...................................................................................................... x
HALAMAN GAMBAR .................................................................................. xiii
HALAMAN TABEL ...................................................................................... xiv
BAB I PENDAHULUAN ................................................................................. 1
I.1 Latar Belakang ....................................................................................... 1
I.2 Rumusan Masalah Penelitian ................................................................ 2
I.3 Tujuan Penulisan.................................................................................... 2
I.4 Batasan Masalah .................................................................................... 2
I.5 Manfaat Penelitian ................................................................................. 3
I.6 Metodologi Penelitian ............................................................................. 3
I.6.1 Pengumpulan Data ............................................................................. 3
I.6.2 Perancangan Alat Uji .......................................................................... 3
I.6.3 Pembuatan Alat Uji ............................................................................ 3
I.6.4 Pengujian ........................................................................................... 3
I.6.5 Analisis Hasil ..................................................................................... 4
I.7 Sistematika Penulisan ............................................................................ 4
BAB II LANDASAN TEORI ........................................................................... 5
II.1 Sejarah Aksara Jawa ............................................................................ 5
II.2 Pengenalan Pola .................................................................................... 6
II.3 Ekstraksi Ciri ........................................................................................ 6
II.3.1 Intencity Of Character ...................................................................... 7
II.3.2 Mark Direction................................................................................. 7
II.4 Hold Out Method .................................................................................. 7
II.5 Jaringan Syaraf Tiruan ........................................................................ 8
II.5.1 Arsitektur Jaringan ........................................................................... 9
II.5.2 Neural Network Backpropagation .................................................. 10
III METODOLOGI PENELITIAN .............................................................. 13

III.1 Tahapan Penelitian ............................................................................ 13
xi
III.1.1 Studi Literatur............................................................................... 13

III.1.2 Pengumpulan Data ........................................................................ 13
III.1.3 Pembuatan Alat Uji....................................................................... 13
III.1.4 Pengujian ...................................................................................... 14
III.2 Kebutuhan Sistem ............................................................................. 14
III.2.1 Perangkat Keras (Hardware) ........................................................ 14
III.2.2 Perangkat Lunak (Software).......................................................... 14
III.3 Perancangan Sistem .......................................................................... 15
III.3.1 Data .............................................................................................. 16
III.3.2 Preprocessing................................................................................ 16
III.3.3 Ekstraksi Ciri ................................................................................ 17
III.3.4 Normalisasi .................................................................................. 17
III.3.5 Jaringan Syaraf Tiruan .................................................................. 18
III.3.6 Model Arsitektur Jaringan Syaraf Tiruan ...................................... 18
III.3.7 Uji Data Tunggal .......................................................................... 25
III.4 Desain Alat Uji................................................................................... 26
III.4.1 Form Pengujian Jaringan Syaraf Tiruan ........................................ 26
III.4.2 Form Pengujian Data Tunggal ...................................................... 26
BAB IV IMPLEMENTASI HASIL DESAIN ................................................ 27

IV.1 Implementasi Sistem .......................................................................... 27
IV.2 Hasil dan Analisis Hasil ..................................................................... 33
IV.2.1 Pengujian Variasi Arsitektur Jaringan Syaraf Tiruan ..................... 33
IV.2.2 Implementasi User Interface.......................................................... 72
IV.2.3 Pengujian Data Tunggal ................................................................ 73
BAB V PENUTUP .......................................................................................... 79

V.1 Kesimpulan ......................................................................................... 79
V.2 Saran ................................................................................................... 80
DAFTAR PUSTAKA ......................................................................................81
LAMPIRAN ....................................................................................................82
xii
DAFTAR GAMBAR
Gambar II.1 Contoh Aksara Jawa Nglegena ......................................................... 5
Gambar II.2 Angka Jawa...................................................................................... 5
Gambar II.3 Tanda “Pada Pangkat” untuk Mengapit Penulisan Angka Jawa ..... 5
Gambar II.4 Struktur elemen tanda arah (Surinta, 2010) ....................................... 7
Gambar II.5 Skema Hold Method......................................................................... 8
Gambar II.6 Jaringan Lapis Tunggal .................................................................... 9
Gambar II.7 Jaringan Lapis Majemuk ................................................................ 10
Gambar II.8 Ilustrasi Arsitektur Jaringan Backpropagation (Siang,2005) ........... 11
Gambar III.1Diagram Block Sistem ................................................................... 15
Gambar III.2 Blangko aksara Jawa yang sudah terisi .......................................... 16
Gambar III.3 Normalisasi mapstd....................................................................... 18
Gambar III.4 Arsitektur jaringan 1 hidden layer ................................................. 18
Gambar III.5 Arsitektur Jaringan 2 hidden layer ................................................ 21
Gambar III.6 Form Pengujian Jaringan............................................................... 26
Gambar III.7 Form Pengujian Data Tunggal....................................................... 26
Gambar IV.1 Blangko aksara Jawa..................................................................... 27
Gambar IV.2 Data yang sudah di Crop ............................................................... 27
Gambar IV.3 Mengubah Citra menjadi keabuan ................................................. 28
Gambar IV.4 Binerisasi Citra ............................................................................. 28
Gambar IV.5 Resize Citra .................................................................................. 29
Gambar IV.6 Penipisan Citra ............................................................................. 29
Gambar IV.7 Gambar Citra yang sudah dibagi 9 segmen ................................... 30
Gambar IV.8 Mengambil Ciri nilai 0 atau hitam................................................. 30
xiii
Gambar IV.9 Mengambil Ciri Arah Horizontal .................................................. 30
Gambar IV.10 Mengambil Ciri arah Vertical ..................................................... 31
Gambar IV.11 Mengambil Ciri arah Diagonal ke kanan ..................................... 31
Gambar IV.12 Mengambil Ciri arah Diagonal ke Kiri ........................................ 31
Gambar IV.13 Data yang sudah dinormalisasi .................................................... 32
Gambar IV.14 Implementasi Hold Out Method .................................................. 33
Gambar IV.15 Gambar Pembagian Data latih dan Data Uji ................................ 33
Gambar IV.16 Grafik pengujian input bernilai 9 ................................................. 41
Gambar IV.17 Grafik Akurasi Pengujian input bernilai 18 ................................ 57
Gambar IV.18 Grafik Pengujian input bernilai 27 .............................................. 66
Gambar IV.19 Grafik Pengujian input bernilai 36 .............................................. 71
Gambar IV.20 Grafik Pengujian input ................................................................ 73
Gambar IV.21 Tampilan Interface pengujian Jaringan Syaraf Tiruan ................. 74
Gambar IV.22 Tampilan Interface pengujian data tunggal Jaringan Syaraf Tiruan
................................................................................................................... 75
xiv
DAFTAR TABEL
Tabel III.1 Tabel Spesifikasi Hardware ( Komputer) ......................................... 14
Tabel III.2 Kombinasi Ciri ................................................................................ 19
Tabel III.3 Pembuatan Target ............................................................................ 21
Tabel III.4 Kombinasi Ciri ................................................................................ 22
Tabel III.5 Pembuatan Target ............................................................................ 24
Tabel III.6 Confusion Matrix............................................................................. 25
Tabel IV.1......................................................................................................... 31
Tabel IV.2 Akurasi 1 hidden layer Ciri 1 .......................................................... 34
Tabel IV.3 Akurasi 1 hidden layer Ciri 1 .......................................................... 34
Tabel IV.4Akurasi Ciri 2 1 hidden layer ........................................................... 35
Tabel IV.5 Akurasi Ciri 2 hidden layer ............................................................ 36
Tabel IV.6 Akurasi Ciri 3 1 hidden layer ........................................................... 37
Tabel IV.7 Akurasi Ciri 3 2 hidden layer .......................................................... 38
Tabel IV.8 Akurasi Ciri 4 1hidden layer .......................................................... 38
Tabel IV.9 Akurasi Ciri 4 2 hidden layer .......................................................... 39
Tabel IV.10 Akurasi Ciri 5 1 hidden layer......................................................... 40
xv
Tabel IV.18Akurasi Ciri 9 1 hidden layer.......................................................... 46
Tabel IV.20 Akurasi Ciri 10 2 hidden layer....................................................... 47
Tabel IV.23Akurasi Ciri 11 2 hidden layer........................................................ 50
Tabel IV.26 Akurasi 1 hidden layer .................................................................. 52
Tabel IV.28 Ciri 14 1 hidden layer .................................................................... 53
Tabel IV.32 Akurasi Ciri16 1 hidden layer........................................................ 56
Tabel IV.33 Akurasi Ciri 16 2 Hidden Layer ..................................................... 57
Tabel IV.34 Akurasi 17 1 hidden layer............................................................. 58
xvi
Tabel IV.52Klasifikasi Data Tunggal ................................................................ 73
xvii
BAB I
PENDAHULUAN
1.1 Latar Belakang

Indonesia merupakan negara kepulauan yang kaya akan budaya dan adat
istiadatnya. Hal ini tercermin dari banyaknya warisan hasil budaya yang dimiliki
oleh setiap daerah. Salah satunya adalah suku bangsa Jawa. Suku bangsa Jawa
memiliki warisan hasil budaya yaitu wayang, tarian, aksara Jawa, dan lain
sebagainya. Penulisan Aksara Jawa merupakan tradisi penulisan yang cukup
kental. Media penulisan Aksara Jawa pun bermacam-macam. Bisa menggunakan
media naskah, lontar, prasasti, logam, dan lain-lain.
Dengan mengingat betapa pentingnya upaya-upaya mengenali, pelestarian,
dan penyebarluasan maka penelitian mengenai upaya digital dan pengolahan pada
hasil digital, misalnya pengenalan pada aksara Jawa. Pengenalan pola atau bisa
disebut pattern recognition adalah bisa diartikan segala kegiatan yang dilakukan
untuk pengambilan keputusan atau kesimpulan berdasarkan pola- pola kompleks
objek atau informasi. Ripley (1996). Tujuan pengenalan pola mengklasifikasi dan
mendeskripsikan pola atau obyek kompleks melalui pengetahuan sifat-sifat atau
ciri-ciri obyek tersebut.Penelitian ini diharapkan dapat meningkatkan minat
generasi muda dalam melestarikan kebudayaan Jawa khususnya aksara Jawa.
Neural network merupakan salah satu metode yang dapat digunakan untuk
mengenali pola tulisan tangan aksara Jawa. Neural network 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. Fungsi aktivasi berguna untuk mengatur keluaran yang diberikan
neuron.Neural Networks dapat menggunakan algoritma Backpropagation .Metode
ini kemudian disebut dengan Neural Network Backpropagation.
Backpropagation memiliki keunggulan dalam menghitung pola keluaran.
Jika ada error maka bobot dalam jaringan akan diperbaharui untuk mengurangi
error tersebut. Backpropagation sudah dikembangkan oleh peneliti, Nur Bekti
1
Arum W (2016) menggunakan Jaringan Syaraf Tiruan Backpropagation untuk

Aksara nglegena dengan Wavelet dengan akurasi sebesar 86,40 %. Sedangkan
penelitian lainnya dari Betty Isnawati ( 2015) mengunakan Jaringan Syaraf Tiruan
Backpropagation untuk huruf dasar aksara Jawa dengan akurasi 75 %. Penelitian
dari Farida Asriani dan Azis Wisnu Widhi Nugraha (2010 ) mengunakan
Pengenalan Pola Aksara Jawa Tulisan Tangan dengan Jaringan Syaraf Tiruan
Perambatan-Balik dengan akurasi 95,81%.
Penelitian ini akan menerapkan metode Jaringan Syaraf Tiruan
Backpropagation untuk mengenali tulisan tangan aksara Jawa . Ekstrasi Ciri yang
digunakan adalah intencity of character dan mark direction. Tingkat keberhasilan
ditentukan oleh akurasi dari algoritma Backpropagation yang mampu mengenali
pola dari tulisan tangan aksara jawa.
1.2 Rumusan Masalah Penelitian

Dengan melihat latar belakang masalah, terdapat beberapa rumusan
masalah yang dapat dirumuskan sebagai berikut:
1. Berapakah presentase keberhasilan pengenalan pola aksara Jawa dengan
metode backpropagation?
1.3 Tujuan Penulisan

Tujuan penulisan yang ingin dicapai menurut rumusan masalah penelitian
sebagai berikut:
1. Membuat sistem untuk mengenali tulisan tangan aksara Jawa dengan
algoritma Backpropagation.
2. Mengetahui akurasi dari algoritma Backpropagation untuk mengenali
tulisan tangan aksara Jawa.
1.4 Batasan Masalah

Untuk menghindari yang pembahasan yang terlalu luas maka peneliti
membatasi penelitian ini dengan hal – hal sebagai berikut:
1. Sistem hanya untuk mengenali 20 huruf aksara Jawa.
2. Data Citra Aksara diambil dari 5 orang tulisan tangan.

3. Format Citra yang akan diolah adalah jpg.
1.5 Manfaat Penelitian

Bila penelitian ini berhasil dilaksanakan akan didapatkan manfaat sebagai
berikut:
1. Membantu pemerintah dalam memperkenalkan aksara Jawa kepada
masyarakat.
2. Membantu para peneliti untuk dijadikan referensi ataupun untuk
dikembangkan.
1.6 Metodologi Penelitian

Metodologi penelitian dan langkah – langkah yang digunakan dalam
penelitian ini adalah berikut:
1.6.1 Pengumpulan Data
Data yang digunakan adalah data dari blangko dari 5 orang respoden
yang menulis 1 aksara sebanyak 3 kali . Jadi total data ada 5 x 3 x 20
sebanyak 300 data. 1 aksara ada 15 data. Data kemudian discan
menjadi data digital .
1.6.2 Perancangan Alat Uji
Alat uji dibuat dengan pendekatan object oriented. Desain alat uji
digambarkan menggunakan Activity diagram. Model yang sudah
dirancang dimasukkan ke dalam user Interface.
1.6.3 Pembuatan Alat Uji
Pembuatan alat uji mengunakan aplikasi matlab dan data bertipe .data
yang berisi dari ektraksi ciri dari intencity of character dan mark
direction.
1.6.4 Pengujian
Pengujian alat uji akan digunakan untuk mencari model arsitektur
jaringan Backpropagation untuk mendapatkan akurasi tertinggi dalam
mengenali pola.
1.6.5 Analisis Hasil

Analisis hasil dan kesimpulan dari penelitian ini adalah untuk mencari
akurasi tertinggi dari arsitektur jaringan Backpropagation dan uji data
tunggal yang telah dibuat.
1.7 Sistematika Penulisan

Sistematika penulisan dibagi menjadi beberapa bab, yaitu:
Bab I : Pendahuluan
Bab ini berisi tentang latar belakang, rumusan
masalah,tujuan, batasan masalah, manfaat penelitian,metode
penelitian,dan sistematika penelitian
Bab II : Landasan Teori
Bab ini berisi uraian singkat mengenai dasar teori yang
digunakan dalam penelitian ini merancang dan membangun
sistem.
Bab III : Metodologi Penelitian
Bab ini berisi data yang akan digunakan, spesifikasi
perangkat lunak dan perangkat keras dan metode desain
perancangan alat uji.
Bab IV : Implementasi dan Analisis Hasil
Bab ini berisi tentang pengujian tentang implementasi
perancangan antar muka, implementasi jaringan syaraf tiruan
Backpropagation ke dalam program, dan hasil pengujian
sistem syang diuji dengan mengunakan dataset dari ekstraksi
ciri intencity of character dan mark direction sebanyak 25
ciri.
Bab V : Kesimpulan dan Saran
Bab ini berisi kesimpulan dari penelitian yang telah
dilakukan dan saran – saran untuk penelitian berikutnya.
BAB II
LANDASAN TEORI
2.1 Sejarah Aksara Jawa

Cerakan (Abjad/Aksara Jawa) adalah huruf yang digunakan dalam ejaan
bahasa Jawa yang pada dasarnya terdiri atas dua puluh aksara pokok
(nglegena), yang ditunjukkan pada Gambar 2.1, yang bersifat silabik
(kesukukataan). Bentuk kontemporer Aksara Jawa terbentuk sejak masa
Kerajaan Mataram pada abad ke-17.
Selain dua puluh aksara tersebut, Aksara Jawa juga memiliki kelompok
aksara kapital (murda), vokal (murda), rekaan ( rekan), pengubah bunyi
(sandangan) ,penutup kosonan (pasangan),pangkon,tanda baca, dan angka.
Gambar 2.1 Contoh Aksara Jawa Nglegena
Gambar 2.2 Angka Jawa
Gambar 2.3 Tanda “Pada Pangkat” untuk Mengapit Penulisan Angka Jawa
5
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.
2.2 Pengenalan Pola

Pengenalan pola (pattern recognition) dapat diartikan sebagai proses
klasifikasi dari objek atau pola menjadi beberapa kategori atau kelas dan
bertujuan untuk pengambilan keputusan (Theodoridis and Koutroumbas
2006). Tujuan dari pengenalan pola ini adalah mengklasifikasi dan
mendeskripsikan pola atau obyek kompleks melalui pengetahuan sifat-sifat
atau ciri-ciri obyek tersebut. Pola adalah entitas yang terdefinisi dan dapat
diberikan suatu identifikasi atau nama misalkan aksara.
Pengenalan pola pada dasarnya terdiri dari 3 langkah utama, yaitu
preprocessing, ekstraksi ciri dan pengenalan. Preprocessing merupakan
langkah awal dimana dilakukan dari keseluruhan data obyek yang ada agar
dapat menghasilkan ciri yang lebih baik pada tahap berikutnya. Pada tahap ini
informasi yang dianggap penting akan lebih ditonjolkan. Tahap selanjutnya
adalah ekstraksi ciri, tahap ini berfungsi untuk menemukan karakteristik
pembeda yang mewakili sifat utama suatu data obyek, sekaligus mengurangi
jumlah data tersebut menjadi lebih sedikit tetapi representatif. Tahap akhir
yaitu pengenalan, pada tahap ini data yang ada akan dikelompokkan menjadi
kelas yang sesuai (Putra, 2010).
2.3 Ekstraksi Ciri

Ekstraksi ciri adalah proses penggalian informasi atau ciri penting dari
suatu gambar yang dapat dibedakan dari suatu objek atau kelompok objek
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:
2.3.1 Intencity Of Character

Ekstraksi Ciri intencity of Character adalah ekstraksi ciri untuk mencari
nilai piksel hitam atau nol.
Algoritma dari Intencity Of character
1. Mulai
2. Membaca kolom dan baris pada sebuah citra
3. Membuat variabel baru bernama black
4. Membaca kolom mulai dari 1 dari banyaknya kolom
5. Membaca baris mulai dari 1 dari banyak baris
6. Jika menemukan nilai biner 0 maka tambahkan ke variabel baru
bernama black
7. Selesai
2.3.2 Mark Direction
Ekstraksi ciri Mark Direction adalah ekstraksi ciri untuk mencari nilai
dari tanda arah horizontal, vertical, diagonal ke kanan, dan diagonal ke
kiri.
.
Gambar 2.4 Struktur elemen tanda arah (Surinta, 2010)
Algoritma Mark Direction

1. Mulai
2. Membaca kolom dan baris pada sebuah citra.
3. Membuat variabel baru bernama vert,horz, dig1,dig 2.
4. Membaca kolom mulai dari 1 dari banyak nya kolom
5. Membaca baris mulai dari 1 dari banyaknya baris.
6. Jika newimage (I,j)sama dengan 0 lakukan langkah 7
7. Jika newimage (I,j) + new image (i-1,j) + newimage (i+1,j) sama
dengan 0 lakukan langkah 8)
8. Jika newimage (I-1,j-1) + newimage (I-1,j+1) + newimage ( I,j+1) +
newimage (I+1,j-) + newimage (i+1,j+1) sama dengan 6, maka
tambahkan counter vert=vert+1
9. Jika newimage (I,j) + newimage(I,j-1) + newimage (I,j+1) sama
dengan 0 lakukan langkah 10)
10. Jika newimage (i-1,j-1) + newimage (i-1,j) + newimage (i+1,j-1) +
newimage (i+1,j) + newimage (i+1,j+1) sama dengan 6, maka
tambahkan counter horz=horz+1
11. Jika newimage (I,j) + newimage (i-1,j-1) + newimage (i+1,j+1)
sama dengan 0 lakukan langkah l2)
12. Jika newimage (i-1,j) + newimage(i-1,j+1) + newimage (I,j-1) +
newimage (I,j+1) + newimage (i+1,j-1) + newimage (i+1,j) sama
dengan 6, maka tambahkan counter dig1=dig1+1
13. Jika newimage (I,j) + newimage (i-1,j+1) + newimage (i+1,j-1)
sama dengan 0 lakukan langkah 14)
14. Jika newimage (i-1,j-1) + newimage (i-1,j) + newimage (I,j-1) +

newimage (I,j+1) + newimage (i+1,j) + newimage (i+1,j+1) sama
dengan 6, maka tambahkan counter dig2=dig2+1
15. Selesai
Jadi dalam mencari nilai dari nilai dari ekstraksi mark direction
Terbentuk dari konvolusi matriks 3x3
Gambar 2.5 Konvolusi matriks dari mark direction
2.4 Hold Out Method

Menurut Han, Jiawei (2011, p370), holdout method adalah data yang
diberikan secara acak dibagi menjadi dua set independen, yaitu training set
dan test set. Biasanya, dua pertiga dari data yang dialokasikan untuk training
set, dan sisanya, sepertiga dialokasikan untuk test set. Training set digunakan
untuk menurunkan model. Akurasi model tersebut kemudian diperkirakan
dengan test set.
10
Gambar 2.6 Skema Hold Method
2.5 Jaringan Syaraf Tiruan

Jaringan syaraf tiruan digunakan dalam proses pemodelan data dari hasil
ekstraksi ciri suatu data yang didalamnya terdapat proses pembelajaran
sehingga nantinya mampu mengenali data baru yang belum pernah digunakan
sebelumnya selama proses pembelajarannya. Jaringan syaraf tiruan
merupakan topik yang hangat dibicarakan dan mengundang banyak
kekaguman karena kemampuannya yang bisa meniru sifat sistem yang
diinputkan (Siang, 2009). Jaringan Syaraf Tiruan ditentukan oleh 3 hal
berikut :
1. Pola hubungan antar neuron (arsitektur jaringan).
2. Metode untuk menentukan bobot penghubung (disebut metode
training/learning/algoritma).
3. Fungsi aktivasi.
2.5.1 Arsitektur Jaringan

Beberapa arsitektur jaringan yang sering dipakai dalam jaringan syaraf
tiruan antara lain :
1. Jaringan Lapis Tunggal (Single Layer Network)

Dalam jaringan ini, sekumpulan input neuron dihubungkan secara
langsung dengan sekumpulan output-nya. Dalam beberapa model (misal
perceptron), hanya ada sebuah unit neuron output.
11
Gambar 2.7 Jaringan Lapis Tunggal
2. Jaringan Lapis Majemuk

Jaringan lapis majemuk merupakan perluasan dari jaringan lapis
tunggal. Dalam jaringan ini, selain terdapat masukan (input) dan
keluaran (output), terdapat unit-unit lain diantara keduanya, sering
disebut sebagai lapis tersembunyi (hidden layer). Dalam jaringan ini,
memungkinkan adanya beberapa lapisan tersembunyi, dan pada unit-
unit satu lapis tidak saling berhubungan.
Gambar 2.8 Jaringan Lapis Majemuk
2.5.2 Neural Network Backpropagation

Backpropagation merupakan algoritma pembelajaran yang terawasi
dan biasanya digunakan oleh perceptron dengan banyak lapisan untuk
mengubah bobot-bobot yang terhubung dengan neuron-neuron yang ada
pada lapisan tersembunyinya. Algoritma backpropagation
12
menggunakan error output untuk mengubah nilai bobot-bobotnya dalam

arah mundur (backward). Untuk mendapatkan error ini, tahap
perambatan maju (feedfoward) harus dikerjakan terlebih dahulu. Inti
dari Backpropagation adalah untuk mencari error suatu node. Dari hasil
forward phase akan dihasilkan suatu output, dari output tersebut,
pastilah tidak sesuai dengan target yang diinginkan. Perbandingan
kesalahan dari target yang diinginkan dengan output yang dihasilkan
disebut dengan error.
Gambar 2.9 Ilustrasi Arsitektur Jaringan Backpropagation (Siang,2005)
Menurut Haykin (1999) Backpropagation merupakan suatu teknik

untuk meminimalisasi gradient pada dimensi weight dalam jaringan
saraf tiruan lapis banyak (multi layer neural network), proses pelatihan
akan dilakukan berulang-ulang sampai nilai error lebih kecil dari yang
ditentukan. Dalam proses pelatihan jaringan Backpropagation ini,
digunakan fungsi nilai ambang batas binary sigmoid.
Menurut Fausett (1994) sebelum melakukan proses pelatihan,
terdapat beberapa parameter jaringan yang harus ditentukan dahulu,
yaitu :
1. Tingkat pelatihan (Learning rate) yang dilambangkan dengan
parameter, harus diberikan dan mempunyai nilai positif kurang dari
13
satu. Semakin tinggi nilainya, maka semakin cepat kemampuan

jaringan untuk belajar. Akan tetapi hal ini kurang baik. Karena
error yang dihasilkan tidak merata, tidak merata disini maksudnya
adalah error untuk pembelajarannya tidak tentu, bisa lebih banyak
di sisi tertentu.
2. Toleransi kesalahan (error tolerance), semakin kecil kesalahan,
maka jaringan akan memiliki nilai bobot yang lebih akurat, tetapi
akan memperpanjang waktu pelatihan.
3. Jumlah maksimal proses pelatihan yang dilakukan (maximum
epoch), biasanya bernilai besar dan diberikan untuk mencegah
terjadi perulangan tanpa akhir.
4. Nilai ambang batas atau bias (threshold value), dilambangkan θ.
Parameter ini tidak harus diberikan (optional). Apabila tidak
diberikan, maka nilainya sama dengan nol.
Secara umum, algoritma pelatihan jaringan backpropagation
adalah sebagai berikut :
1. Inisialisasi semua bobot dengan bilangan acak kecil.
2. Jika kondisi penghentian belum terpenuhi, lakukan langkah 3-10.
3. Untuk setiap pasang data pelatihan, lakukan langkah 4-9.
4. Tiap unit masukan menerima sinyal dan masukan ke unit
tersembunyi di atasnya.
5. Hitung semua keluaran di unit tersembunyi zj = (j = 1,2,3,…,p)
(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
14
Δ𝑤𝑘𝑗= 𝛼 𝛿𝑘𝑧𝑗 ; k = 1,2,…,m ; j = 0,1,…,p (2.4)

8. Hitung faktor δunit tersembunyi berdasarkan kesalahn di setiap unit
tersembunyi zj (j = 1,2, … ,p)
(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.
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.
3.1 Tahapan Penelitian

3.1.1 Studi Literatur
Tahap ini diperlukan untuk memperoleh sumber-sumber teori
yang terkait dengan penelitian Tugas Akhir ini. Teori-teori yang terkait
dengan penelitian ini seperti tentang aksara Jawa. Jaringan Syaraf
Tiruan Backpropagation , ekstraksi ciri dengan Mark Direction, serta
intencity Of Character.
3.1.2 Pengumpulan Data
Tahap ini dilakukan dalam penelitian untuk mendapatkan data
untuk tugas akhir. Data yang digunakan dalam penelitian ini adalah data
citra aksara Jawa yang merupakan hasil scan tulisan tangan aksara Jawa
yang berasal responden yang kemudian di-crop sehingga menjadi data
yang akan diolah. Data citra aksara Jawa yang digunakan dalam
penelitian yaitu aksara Jawa ha, na, ca , ra, ka, da, ta, sa, wa, la, pa,
dha, ja, ya, nya. Total semua aksara ada 20. Blangko dibagikan kepada
5 responden menulis sebanyak tiga kali untuk satu aksara. Jadi banyak
data adalah 300 data. 1 aksara ada 15 data.
3.1.3 Pembuatan Alat Uji
Pada tahap ini, dirancang, suatu alat uji dari perancangan
interface dan pembuatan arsitektur Jaringan Syaraf Tiruan
Backpropagation dan Ekstraksi Ciri Intencity Of Character dan Mark
Direction untuk mengidentifikasi aksara Jawa lalu mendapatkan akurasi
dari sistem yang dibangun.
13
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.
3.2 Kebutuhan Sistem

Penerapan Algoritma Backpropagation untuk pengenalan pola tulisan
Aksara Jawa menggunakan berbagai macam software dan hardware. Adapun
hardware dan software yang digunakan untuk pembuatan dan pengujian alat
uji adalah sebagai berikut:
3.2.1 Perangkat Keras (Hardware)
Perangkat keras berikut ini akan digunakan untuk membuat dan
menguji sistem. Spesifikasi perangkat keras sebagi berikut:
Tabel 3.2 Tabel Spesifikasi Hardware ( Komputer)
Platform Notebook- Pc
Processor Intel Core i3
Hard Drive 4GB DDr3
Graphic Processing Unit NVIDIA GeForce
Operating System Microsoft Windows 8.1
Memory 4GB DDR3
3.2.2 Perangkat Lunak (Software)

Perangkat lunak yang digunakan dalam membangun sistem
adalah matlab yang digunakan untuk membangun sistem serta Notepad
++ dan Matlab 2015 a yang digunakan untuk pembuatan model .
15
3.3 Perancangan Sistem

Berikut ini adalah gambaran sistem secara keseluruhan :
Gambar 3.1 Diagram Block Sistem
Gambaran umum sistem yang akan dibangun m erupakan sistem

pengenalan aksara Jawa, dimana sistem mampu menejemahkan data masukan
berupa citra aksara Jawa menjadi informasi mengenai pola dari aksara
tersebut ke dalam huruf latin. Dari data awal yang didapat dari hasil scan,
dilakukan preprocessing terlebih dahulu sebelum akhirnya data yang ada siap
digunakan. Dari data yang ada tersebut, kemudian di-crop sehingga dalam 1
citra hanya terdapat 1 aksara Jawa saja. Setelah itu, dilakukan proses ekstraksi
ciri terhadap tiap citra aksaranya dengan menggunakan Intencity of Character
dan Mark Direction sehingga didapat ciri untuk tiap 1 citra aksaranya. Setelah
didapat cirinya, dilakukan proses pembelajaran untuk tiap ciri yang telah
didapatkan dari model jaringan syaraf tiruan Backpropagation untuk
mendapatkan akurasi paling tinggi. Kemudian dilakukan Uji data tunggal data
citra digital yang belum pernah diujikan untuk diklasifikasi ke dalam huruf
latin.
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.
Gambar 3.2 Blangko aksara Jawa yang sudah terisi
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.
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.
3.3.3 Ekstraksi Ciri

Setelah melakukan thinning, ketebalannya citra menjadi menjadi
1 piksel. Setelah langkah tersebut tahap berikutnya melakukan
ekstraksi ciri penelitian ini mengunakan ektraksi ciri Intencity of
Character dan Mark Direction. Tetapi sebelum melakukan ekstraksi
ciri, citra yang sudah ditipiskan dibagi 9 segmen. Ekstraksi ciri
Intencity of Character adalah ekstraksi ciri untuk mencari nilai piksel
hitam atau 0. Sedangkan Mark Direction adalah ekstraksi ciri untuk
menghitung nilai memenuhi tanda arah horizontal,vertical,diagonal ke
kanan , diagonal ke kiri.
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
18
Gambar 3.3 Normalisasi mapstd
3.3.5 Jaringan Syaraf Tiruan

Langkah selanjutnya setelah ekstraksi ciri memilih metode Jaringan
Syaraf Tiruan untuk mengenali pola tulisan tangan aksara Jawa karena
mampu menghasilkan akurasi tinggi dari pengujian.
3.3.6 Model Arsitektur Jaringan Syaraf Tiruan

Arsitekur jaringan yang digunakan dalam proses pelatihan dan
pengujian antara lain arsitektur backpropagation dengan 1 hidden layer
dan 2 hidden layer. Untuk tiap arsitektur jaringannya, akan dilakukan
percobaan dengan beberapa kombinasi seperti variasi jumlah neuron
input yang disesuaikan dengan hasil Ekstrasi Ciri yang dihasilkan
Intencity of Character dan Mark Direction
1. Arsitektur Jaringan Syaraf Tiruan 1 hidden layer
Gambar 3.4 Arsitektur jaringan 1 hidden layer
Pada gambar 3.4adalah gambar model jaringan dengan 1 hidden

layer yang akan digunakan dalam proses pengujian jaringan dengan
19
nilai ekstraksi ciri yang telah dinormalisasi. Berikut penjelasan

mengenai gambar di atas :
A. Input (x1, x2, x3, …, xj) merupakan lapisan input dalam jaringan
syaraf tiruan yang dipilih berdasarkan nilai ciri sesuai nilai yang
didapat dari dimensi ciri ,misalnya dalam penelitian ini
mengunakan berbagai kombinasi ciri sebagai berikut:
Tabel 3.1 Kombinasi Ciri
Kombinasi Ekstraksi Ciri Jumlah

Ciri
Ciri 1 [ Black] 9
Ciri 2 [ Dig1] 9
Ciri 3 [ Dig2] 9
Ciri 4 [Horz] 9
Ciri 5 [ Vert] 9
Ciri 6 [Black,dig1] 9+9 =18
Ciri 7 [Black, dig2] 9+9 =18
Ciri 8 [Black , horz] 9+9 = 18
Ciri 9 [Black,Vert] 9+9 = 18
Ciri 10 [Dig1,Dig2] 9+9 = 18
Ciri 11 [ Dig1, Horz] 9+9 = 18
Ciri 12 [Dig1, Vert] 9+9 = 18
Ciri 13 [Dig, Horz] 9+9 =18
Ciri 14 [Dig2, Vert] 9+9 = 18
Ciri 15 [Horz, Vert] 9+ 9 = 18
Ciri 16 [Black, dig1,dig2] 9+9+9 = 27
Ciri 17 [Black,dig1, horz] 9+9+9 =27
Ciri 18 [Black,dig2, Vert] 9+9+9 = 27
Ciri 19 [Dig1,dig2, Horz] 9+9+9 = 27
Ciri 20 [Dig1,dig2, Vert] 9+9+9 =27
20

Ciri
Ciri 21 [dig2, vert, horz] 9+ 9+9 = 27
Ciri 22 [black, dig1, dig2, 9+9+9+9 =36
horz]
Ciri 23 [black,dig1,dig2, 9+ 9+9+9 = 36
Vert]
Ciri 24 [dig1,dig2,horz, 9+9 +9 +9 =
Vert] 36
Ciri 25 [black, dig1, dig2, 9+9+9+9+9 =
horz, vert] 45
Jadi misalnya mengunakan kombinasi ciri 25 maka nilai ciri

berjumlah 45. Maka lapisan input ini indeks ini menjadi x1
sampai x45 artinya ada 45 masukan dalam inputnya.
B. Hidden layer (h1,h2,h3,…,yj) merupakan lapisan tersembunyi

yang digunakan untuk mentransformasikan nilai input menjadi
nilai yang bisa diolah sehingga didapat nilai output-nya. Dalam
hal jumlah neuron, jumlahnya bisa divariasi baik itu 20,25,30,75
dan seterusnya, sehingga dapat dibandingkan akurasi yang terbaik
yang didapat membutuhkan berapa banyak jumlah neuron pada
hidden layer.
C. Output (y1,y2,y3,…,y20) merupakan lapisan luaran yang

memiliki 20 neuron, sesuai dengan jumlah aksara Jawa yang
digunakan. Target luaran pada lapisan output ini
direpresentasikan biner 0 dan 1 , sehingga taget luaran untuk
masing-masing aksara berbeda yang dikenali adalah sebagai
berikut :
21
Tabel 3.2 Pembuatan Target

Huruf Aksara Notasi Bilangan Biner
Ha 1000000000000000000
Na 0100000000000000000
Ca 0010000000000000000
Ra 0001000000000000000
Ka 0000100000000000000
Da 0000010000000000000
Ta 0000001000000000000
Sa 0000000100000000000
Wa 0000000010000000000
La 0000000001000000000
Pa 0000000000100000000
Dha 0000000000010000000
Ja 0000000000001000000
Ya 0000000000000100000
Ma 0000000000000010000
Ga 0000000000000001000
Ba 0000000000000000100
Tha 0000000000000000010
Nga 0000000000000000001
2. Arsitektur Jaringan Syaraf Tiruan 2 hidden layer
Gambar 3.5 Arsitektur Jaringan 2 hidden layer

22
Pada gambar 3. adalah gambar model jaringan dengan 2 hidden layer

yang akan digunakan dalam proses pengujian jaringan dengan nilai
ekstraksi ciri yang telah dinormalisasi. Berikut penjelasan mengenai
gambar di atas:
A. Input (x1, x2, x3, …, xj) merupakan lapisan input dalam jaringan
syaraf tiruan yang dipilih berdasarkan nilai ciri sesuai nilai yang
didapat dari dimensi ciri ,misalnya dalam penelitian ini
mengunakan berbagai kombinasi ciri sebagai berikut:
Tabel 3.3 Kombinasi Ciri

Ciri
Ciri 1 [ Black] 9
Ciri 2 [ Dig1] 9
Ciri 3 [ Dig2] 9
Ciri 4 [Horz] 9
Ciri 5 [ Vert] 9
Ciri 10 [Dig1,Dig2] 9+9 = 18
Ciri 11 [ Dig1, Horz] 9+9 = 18
Ciri 12 [Dig1, Vert] 9+9 = 18
Ciri 14 [Dig2, Vert] 9+9 = 18
23

Ciri
Ciri 19 [Dig1,dig2, Horz] 9+9+9 = 27
horz]
Vert]
Ciri 24 [dig1,dig2,horz, 9+9 +9 +9 =
Vert] 36
horz, vert] 45
Jadi misalnya mengunakan kombinasi ciri 25 maka nilai ciri

berjumlah 45. Maka lapisan input ini indeks ini menjadi x1
sampai x45 artinya ada 45 masukan dalam inputnya.
B. Hidden layer 1(y1,y2,y3,…,yj) merupakan lapisan tersembunyi

yang digunakan untuk memindah nilai input menjadi nilai yang
kemudian diteruskan ke hidden layer selanjutnya. Dalam hal
jumlah neuron, jumlahnya bisa divariasi baik itu dan 20,
25,30,40,50,60.70,75 seterusnya, sehingga dapat dibandingkan
akurasi terbaik yang didapat tersebut membutuhkan berapa
banyak jumlah neuron pada hidden layer 1.
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
24
20,25,30,45,60,75 dan seterusnya, sehingga dapat dibandingkan

akurasi terbaik yang didapat tersebut membutuhkan berapa
banyak jumlah neuron pada hidden layer 2. Tujuan menambahkan
hidden layer ini adalah untuk mengetahui akurasi yang didapat
lebih baik terrsebut dibanding dengan akurasi yang didapat dari
hanya menggunakan 1 hidden layer.
C. Output (z1,z2,z3,…,z20) merupakan lapisan luaran yang memiliki

20 neuron, sesuai dengan jumlah aksara Jawa yang digunakan.
Nilai target pada lapisan output ini direpresentasikan 0 dan 1,
sehingga taget luaran untuk masing-masing aksara berbeda yang
dikenali, seperti yang ditunjukkan pada
Tabel 3.3 Pembuatan Target

Huruf Aksara Notasi Bilangan Biner
Ha 1000000000000000000
Na 0100000000000000000
Ca 0010000000000000000
Ra 0001000000000000000
Ka 0000100000000000000
Da 0000010000000000000
Ta 0000001000000000000
Sa 0000000100000000000
Wa 0000000010000000000
La 0000000001000000000
Pa 0000000000100000000
Dha 0000000000010000000
Ja 0000000000001000000
Ya 0000000000000100000
Ma 0000000000000010000
Ga 0000000000000001000
Ba 0000000000000000100
Tha 0000000000000000010
Nga 0000000000000000001
25
3.3.7 Uji Data Tunggal

Setelah Data dibagi menjadi 2/3 untuk data latih dan 1/3 untuk testing
langkah berikutnya adalah pehitungan akurasi kebenaran pengujian bisa
mengunakan confusion matrix yang dapat dilakukan dengan ketentuan
sebagai berikut :
Gambar 3.6 Confusion Matrix
Confusion Matriks berisi jumlah data masukan yang teridentifikasi ke

dalam suatu kelas atau target. Untuk menentukan nilai akurasinya,
ditentukan dengan menjumlahkan nilai diagonal pada confusion
matrixnya kemudian dibagi dengan keseluruhan jumlah data atau dapat
direpresentasikan dengan rumus berikut :
Hasil Benar = Jumlah Diagonal Matriks / jumlah data x 100 (3.1)
Setelah itu tahap selanjutnya adalah testing data tunggal yaitu menguji
sistem yang sudah dibuat dengan pengujian dengan data baru yang
belum pernah diuji untuk data testing maupun data latih.
3.4 Desain Alat Uji

3.4.1 Form Pengujian Jaringan Syaraf Tiruan
Form menu ini digunakan untuk melakukan training dan melihat total
data uji dan akurasi.
26
Gambar 3.7 Form Pengujian Jaringan
3.4.2 Form Pengujian Data Tunggal

Form ini digunakan untuk melakukan testing data tunggal dengal
memilih citra lalu button kenali berfungsi untuk mengenali Citra aksara
menjadi tulisan latin.
Gambar 3.8 Form Pengujian Data Tunggal

BAB IV
IMPLEMENTASI HASIL DESAIN
4.1 Implementasi Sistem

Pada bab ini akan menjelaskan bagamaina data citra aksara Jawa akan
diolah mulai dari tahap dari preprocessing sampai pembagian Data.
1. Data Aksara
Data aksara yang digunakan berisikan aksara Jawa yang didapat dari
pengisian blangko. Berikut contoh Blangko beserta isinya.
Gambar 4.1 Blangko aksara Jawa
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.
Gambar 4.2 Data yang sudah di Crop
27
28
3. Mengubah Citra Warna

Langkah Selanjutnya adalah merupakan proses perubahan warna
pada citra warna, yaitu diubah menjadi citra keabuan dengan
menggunakan fungsi rgb2gray pada MATLAB.
Gambar 4.3 Mengubah Citra menjadi keabuan
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.
Gambar 4.4 Binerisasi Citra

29
5. Resize Citra
Langkah Berikutnya adalah mengubah ukuran Citra menjadi 42 x 42
hal ini lakukan untuk mempermudah Ektraksi Ciri.
Gambar 4.5 Resize Citra
6. Penipisan Citra
Penipisan citra dilakukan dengan menggunakan fungsi Rosenfeld
sehingga didapatkan ketebalan citra menjadi 1 piksel.
Gambar 4.6 Penipisan Citra
7. Ektraksi Ciri IoC dan Mark Direction

Proses Ekstraksi Ciri mengunakan metode Intencity of Character
dan Mark Direction. Ioc untuk menghitung nilai piksel hitam atau nol. dan
Mark Direction menghitung nilai horizontal, vertical, diagonal ke kanan,
30
diagonal ke kiri. Sebelum melakukan dibagi menjadi 9 segmen. Jadi

ukuran 1 citra yang sudah tersegmen menjadi 14 X 14.
Langkah Pertama
Membagi Citra menjadi 9 segmen
Gambar 4.7 Gambar Citra yang sudah dibagi 9 segmen
Langkah Kedua
Mengambil Ciri piksel hitam
Gambar 4.8 Mengambil Ciri nilai 0 atau hitam
Langkah Ketiga
Mengambil Ciri arah Horizontal
Gambar 4.9 Mengambil Ciri Arah Horizontal
Mengambil Ciri Arah Vertical
Gambar 4.10 Mengambil Ciri arah Vertical

31
Mengambil Ciri Diagonal Ke kanan
Gambar 4.11 Mengambil Ciri arah Diagonal ke kanan
Mengambil Ciri Diagonal Ke Kiri
Gambar 4.12 Mengambil Ciri arah Diagonal ke Kiri
Tahap Selanjutnya adalah melakukan Kombinasi Ciri

Ciri
Ciri 1 [ Black] 9
Ciri 2 [ Dig1] 9
Ciri 3 [ Dig2] 9
Ciri 4 [Horz] 9
Ciri 5 [ Vert] 9
Ciri 10 [Dig1,Dig2] 9+9 = 18
Ciri 11 [ Dig1, Horz] 9+9 = 18
Ciri 12 [Dig1, Vert] 9+9 = 18
Ciri 14 [Dig2, Vert] 9+9 = 18
32

Ciri
Ciri 19 [Dig1,dig2, Horz] 9+9+9 = 27
horz]
Vert]
Ciri 24 [dig1,dig2,horz, 9+9 +9 +9 =
Vert] 36
horz, vert] 45
Penjelasan tentang kombinasi Ciri yang akan digunakan dalam model

arsitektur jaringan syaraf tiruan.
8. Normalisasi Data
Normalisasi data mengunakan fungsi MATLAB yaitu mapstd yaitu
mengubah data menjadi rentang tertentu.
Gambar 4. 13 Data yang sudah dinormalisasi
9. Membagi Data Testing dan Training 2/3 dan 1/3 dengan Hold Method
Gambar 4. 14 Implementasi Hold Out Method

33
Gambar 4.15 Gambar Pembagian Data latih dan Data Uji
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 .
4.2.2 Pengujian Variasi Arsitektur Jaringan Syaraf Tiruan

Dalam variasi pengujian jaringan syaraf tiruan digunakan 100
data. Sebelum melakukan pengujian harus dilakukan tahap ekstraksi
ciri. Dalam pengujian penelitian ini menguji semua kombinasi ciri dari
ciri 1 sampai 25 untuk mendapatkan akurasi paling maksimal. Jadi
input yang akan digunakan bernilai 9,18,27,36, 45 . Dimensi Matriks
yang akan terbentuk menjadi 9 x 100, 18x100,27 x 100, 36 x 100 , 45x
100. Dalam percobaan ini dilakukan beberapa kali percobaan dengan
melakukan variasi model arsitektur jaringan syaraf tiruan, perubahan
jumlah neuron pada hidden layer. Fungsi aktivasi yang digunakan
adalah tansig dan fungsi luarannya logsig. Literasi yang digunakan
berjumlah 2000.
34
1. Pengujian
Pengujian Ciri 1 dengan 1 hidden layer dan 2 hidden layer dengan
input berjumlah 9
Tabel 4.1 Akurasi 1 hidden layer Ciri 1

Pengujian JST
Neuron Akurasi Akurasi Akurasi
Traingdx Traingda Trainrp
20 47% 53% 54%
25 49% 52% 51%
30 54% 51% 50%
35 59% 55% 50%
40 58% 60% 54%
45 54% 59% 48%
50 57% 62% 53%
55 57% 60% 56%
60 60% 57 % 49%
65 60% 62% 58%
70 62% 58% 56%
75 59% 57% 57%
Pada pengujian pada ciri 1 mengunakan 1 hidden layer akurasi

tertinggi diperoleh pada Neuron 70 fungsi pelatihan traingdx dengan
akurasi 62 %. Kemudian Neuron bernilai 70 akan diuji kembali
dengan 2 hidden layer melalui fungsi pelatihan yang sama.
Tabel 4.5 Akurasi 1 hidden layer Ciri 1
Pengujian JST
Neuron Neuron2 Akurasi

Traingdx
20 51%
25 56%
30 63%
35
35 60%
40 59%
45 55%
50 62%
70 55 57%
60 62%
65 61%
70 61%
75 57%
Pengujian Ciri 1 dengan 2 hidden layer menghasilkan akurasi

tertinggi sebesar 63% pada Neuron 70 pada hidden layer 1 dan
Neuron 30 pada hidden layer 2 .
Pengujian pada kombinasi ciri 1 menghasilkan akurasi
tertinggi 63% dengan 2 hidden layer 70 pada Neuron hidden layer 1
dan 30 pada hidden layer 2.
Pengujian Ciri 2, 1 hidden layer dan 2 hidden layer
Tabel 4.6 Akurasi Ciri 2 1 hidden layer
Pengujian JST

20 19% 19% 19%
25 20% 19% 17%
30 20% 25% 24%
35 17% 19 % 22%
40 18% 16% 15%
45 17% 19% 19%
36
50 15% 17% 18%

55 20% 21% 25%
60 16% 16 % 15%
65 21% 19% 21%
70 21% 20% 20%
75 23% 20% 20%

tertinggi diperoleh pada Neuron 55 fungsi pelatihan trainrp dengan
Tabel 4.7 Akurasi Ciri 2 hidden layer
Pengujian JST

Trainrp
20 21%
25 18%
30 19%
35 23%
40 20%
45 24%
50 16%
55 55 19%
60 18 %
65 19%
70 18%
75 22%
37

Neuron 45 pada hidden layer 2 .
Pengujian pada kombinasi ciri 2 menghasilkan akurasi
tertinggi 25% dengan 1 hidden layer 55 pada Neuron.
Pengujian JST

20 22% 24% 28%
25 23% 22% 24%
30 22% 20% 24%
35 20% 21% 24%
40 25% 18% 27%
45 21% 26% 20%
50 24% 21% 25%
55 25% 26% 24%
60 22% 23% 22%
65 24% 23% 25%
70 25% 22% 24%
75 21% 14% 26%

tertinggi diperoleh pada Neuron 20 fungsi pelatihan trainrp dengan
38
Pengujian JST

Trainrp
20 22%
25 25%
30 19%
35 25%
40 25%
45 20%
50 19%
20 55 26%
60 22%
65 24%
70 27%
75 22%

Neuron 70 pada hidden layer 2. Pengujian pada kombinasi ciri 3
menghasilkan akurasi tertinggi 28% dari hidden layer 1 dengan
Neuron 20.
Pengujian pada ciri 4, 1 hidden layer dan 2 hidden layer

Tabel 4.9 Akurasi Ciri 4 1hidden layer
Pengujian JST
20 22% 23% 25%
25 23% 21% 20%
30 22% 24% 16%

35 20% 21% 21%
40 25% 25% 23%

39

45 21% 22% 24%
50 24% 22% 25%
55 25% 26% 19%
60 22% 24 % 22%
65 24% 27% 27%
70 29% 23% 16%
75 23% 22% 24 %
Pada pengujian pada ciri 4 mengunakan 1 hidden layer

akurasi tertinggi diperoleh pada Neuron 70 fungsi pelatihan traingda
dengan akurasi 29%. Kemudian Neuron bernilai 70 akan diuji
kembali dengan 2 hidden layer melalui fungsi pelatihan yang sama.

Pengujian JST

Traingda
20 22%
25 27%
30 30%
35 22%
40 21%
45 23%
50 22%
55 23%
70 60 23%
65 23%
70 19%
75 17 %

40

menghasilkan akurasi tertinggi 26% dari 2hidden layer dengan
Neuron 70 dan 30 .
Pengujian JST

20 34% 30% 28%
25 33% 38% 32%
30 31% 32% 29%
35 36% 32% 34%
40 39% 35% 31%
45 34% 31% 31%
50 33% 32% 29%
55 35% 36% 35%
60 41% 39% 26%
65 33% 34% 30%
70 30% 37% 33%
75 38% 39% 32%

akurasi 41%. Kemudian Neuron bernilai 60 akan diuji kembali

Pengujian JST
41

Traingdx
20 38%
25 33%
30 33%
35 39%
40 34%
45 35%
50 39%
55 38%
60 60 33%
65 37%
70 31%
75 30%

Neuron 60 .
Gambar 4.16 Grafik pengujian input bernilai 9

42
Pada pengujian dengan kombinasi Ciri dengan input 9

menghasilkalkan akurasi tertinggi 63% dengan dua hidden layer dengan
neuron 70 dan 30.
Pengujian Kombinasi ciri 6 sampai 15 mengunakan mengunakan arsitektur

Jaringan Syaraf Tiruan mengunakan input 18 dengan 1 hidden layer dan 2
hidden layer

Pengujian JST

20 58% 58% 49%

25 55% 58% 57%
30 60% 53% 54%

35 60% 63% 51%
40 69% 71% 55%
45 66% 73% 53%

50 60% 63% 57%
55 65% 69% 54%
60 66% 65% 60%

65 66% 65% 49%
70 71% 67% 63%
75 68% 70% 59%

43

Pengujian JST

Traingdx
20 47%
25 59%
30 59%
35 63%
40 70%
45 60%
50 66%
55 38%
70 60 70%
65 71%
70 69%
75 69%
Neuron 70 dan Neuron 65 hidden layer 2.
Pengujian JST

20 53% 63% 62 %
25 55% 56% 57%
44
30 62% 63% 54%

35 63% 63% 51%
40 61% 67% 55%
45 67% 69% 53%
50 58% 66% 57%
55 67% 68% 54%
60 65% 69% 60%
65 71% 69% 49%
70 62% 67% 63%
75 66% 68% 59%


Pengujian JST

Traingdx
20 63%
25 61%
30 65%
35 55%
40 62%
45 62%
50 70%
65 55 68%
60 65%
65 64%
70 63%
75 68%
45

Neuron 50 pada hidden layer 2. Pengujian pada kombinasi ciri7
Neuron 65.

Pengujian JST
20 56% 55% 65%

25 54% 59% 53%
30 62% 60% 54%

35 60% 57% 54%
40 67% 64% 60%
45 65% 65% 58%

50 58% 62% 57%
55 66% 64% 61%
60 63% 62% 59%

65 65% 63% 60%
70 64% 64% 61%
75 64% 69% 57%


46
Pengujian JST

Traingdx
20 69%
25 60%
30 56%
35 68%
40 58%
45 65%
50 71%
40 55 70%
60 65%
65 62%
70 62%
75 67%

menghasilkan akurasi tertinggi 71% dari 2 hidden layer dengan
Neuron 40 dan 55 .
Pengujian JST

20 52% 56% 61%
25 61% 63% 53%
30 58% 55% 54%
47
35 70% 68% 58%

40 63% 62% 62%
45 70% 68% 64%
50 64% 64% 60%
55 64% 64% 61%
60 68% 68% 62%
65 65% 65% 58%
70 69% 69% 62%
75 67% 67% 60%


Pengujian JST

Traingdx
20 57%
25 56%
30 63%
35 61%
40 69%
45 61%
50 65%
45 55 62%
60 67%
65 66%
70 65%
75 67%
48

Neuron 45.
Pengujian Ciri 10, 1hidden layer dan 2 hidden layer

Pengujian JST
20 25% 26% 31%

25 25% 28% 26%
30 27% 29% 28%

35 29% 29% 31%
40 29% 26% 27%
45 27% 28% 27%

50 32% 29% 32%
55 28% 29% 27%
60 35% 31% 34%

65 32% 33% 28%
70 26% 32% 28%
75 29% 31% 33%

akurasi tertinggi diperoleh pada Neuron 60 fungsi pelatihan trainrp

49
Pengujian JST

Trainrp
20 27%
25 31%
30 25%
35 32%
40 28%
45 31%
50 35%
60 55 31%
60 26%
65 29%
70 29%
75 28%
Pengujian Ciri 10 dengan 2 hidden layer menghasilkan
akurasi tertinggi sebesar 35% pada Neuron 60 pada hidden layer 1
dan Neuron 50 pada hidden layer 2. Pengujian pada kombinasi ciri10
Neuron 60 dan 50.
Pengujian JST

20 40% 32% 34%
25 30% 40% 33%
50
30 34% 32% 31%

35 36% 29% 35%
40 32% 36% 32%
45 37% 31% 41%
50 39% 34% 37%
55 34% 34% 37%
60 32% 37% 36%
65 40% 37% 34%
70 39% 40% 33%
75 34% 35% 35%


Pengujian JST
Trainrp
20 36%
25 37%
30 38%
35 32%
40 32%
45 33%
50 29%
60 55 36%
60 38%
65 38%
70 32%
51
75 32%

dan Neuron 65pada hidden layer 2. Pengujian pada kombinasi ciri11
menghasilkan akurasi tertinggi 41% dari 1 hidden layer Neuron 45
.
Pengujian Ciri 12 1 hidden layer dan 2 hidden layer

Pengujian JST

20 38% 40% 33%

25 39% 39% 36%
30 39% 42% 41%

35 43% 48% 46%
40 40% 42% 39%
45 42% 43% 41%

50 41% 41% 41%
55 42% 45% 46%
60 53% 42% 40%

65 43% 44% 39%
70 45% 45% 42%
75 42% 47% 36%

akurasi tertinggi diperoleh pada Neuron 60 fungsi pelatihan traingdx

52
Pengujian JST

Traingdx
20 45%
25 44%
30 41%
35 44%
40 43%
45 48%
50 43%
60 55 49%
60 46%
65 46%
70 48%
75 46%

.
Pengujian Ciri 13, 1 hidden layer dan 2 hidden layer.
Tabel 4.27 Akurasi 1 hidden layer
Pengujian JST

20 35% 35% 36%
25 32% 33% 38%
30 36% 36% 36%
35 40% 39% 38%
53
40 41% 39% 33%

45 36% 34% 36%
50 35% 35% 32%
55 43% 35% 42%
60 34% 34% 35%
65 37% 33% 36%
70 37% 36% 37%
75 35% 32% 32 %


Pengujian JST
Trainrp
20 34%
25 35%
30 37%
35 33%
40 33%
45 40%
50 32%
55 55 36%
60 34%
65 39%
70 38 %
75 34%
54

.
Tabel 4.29 Ciri 14 1 hidden layer

Pengujian JST

20 25% 16% 37%

25 38% 43% 38%
30 45% 41% 30%

35 39% 45% 43%
40 41% 38% 40%
45 42% 45% 43%

50 42% 42% 39%
55 47% 45% 38%
60 44% 49% 39%

65 48 % 48% 38%
70 43% 44% 38%
75 41 % 41% 33%


Pengujian JST
55

Traingdx
20 42 %
25 39%
30 41%
35 41%
40 44 %
45 42%
50 44%
55 55 40%
60 45%
65 50%
70 46%
75 45%

dan 65.
Pengujian JST
20 49% 46% 45%
25 46% 56% 46%
30 48% 51% 50%
35 50% 56% 50%
40 46% 50% 51%
56
45 58% 57% 53%

50 50 % 47% 53%
55 48% 55% 49 %
60 47% 51% 47 %
65 63% 60% 54%
70 54% 55% 53%
75 58% 61% 46 %


Pengujian JST
Traingdx
20 56%
25 48%
30 52%
35 53%
40 55 %
45 56%
50 58%
65 55 56%
60 58%
65 58%
70 51%
75 49%

57

menghasilkan akurasi tertinggi 63% dari 1 hidden layer Neuron
65.
Gambar 4.17 Grafik Akurasi Pengujian input bernilai 18
Pada pengujian dengan input 18 menghasilkan akurasi tertinggi

Pada arsitektur jaringan syaraf tiruan 2 hidden layer dengan jumlah
neuron 70 dan 60 dengan fungsi pelatihan traingdx.
Tabel 4.33 Akurasi Ciri16 1 hidden layer

Pengujian JST

20 62% 60% 52%

25 45% 61% 54%
30 63% 60% 53%

35 63% 62% 57%
40 66% 69% 56%
45 62% 63% 59%

50 62% 66 % 57%
60 64% 65% 60%

65 63% 65% 54 %
58

75 63 % 66% 55%

Tabel 4.34 Akurasi Ciri 16 2 Hidden Layer

Pengujian JST
Traingda
20 62%
25 63%
30 65%
35 58%
40 59%
45 67%
50 65%
40 55 64%
60 69%
65 69%
70 66 %
75 70 %
dan 75.

59
Tabel 4.35 Akurasi 17 1 hidden layer
Pengujian JST
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 %

tertinggi diperoleh pada Neuron 40 fungsi pelatihan traingda dengan

Pengujian JST
Traingda
20 63%
25 66%
30 65%
35 66%
60
40 69%
45 62%
50 72%
40 55 64%
60 66%
65 69%
70 66 %
75 73 %

dan 75.
Pengujian Ciri 18 1hidden layer dan 2 hidden layer

Pengujian JST

20 63% 61% 58%

25 55% 52% 58%
30 61% 64% 64%

35 70% 72% 65%
40 69% 72% 67%
45 74% 73% 68%

50 73% 73% 60%
55 71% 69% 63 %
60 71% 70% 63 %
65 68% 68% 61 %
70 70% 69% 62 %
61
75 73 % 71% 64%


Pengujian JST
Traingdx
20 65%
25 70%
30 62%
35 69%
40 67%
45 71%
50 72%
40 55 73%
60 69%
65 68%
70 71%
75 72 %

menghasilkan akurasi tertinggi 74% dari 1hidden layer Neuron 45.
Pengujian Ciri 19 1 hidden layer dan 2 hidden layer
Pengujian JST
62

20 43% 41% 36%
25 35% 37% 38%
30 39% 37% 41%
35 36% 44% 41%
40 39% 41% 42 %
45 48% 45% 41%
50 43% 45% 44%
55 43% 42% 46%
60 47% 47% 50 %
65 45% 46% 43%
70 48% 48% 38 %
75 50 % 50 % 44 %

kembali dengan 2 hidden layer melalui fungsi pelatihan yang sama

Pengujian JST
Trainrp
20 35%
25 44%
30 45%
35 46%
40 44%
45 42%
63
50 42%
60 55 45%
60 39%
65 41%
70 38%
75 31%

menghasilkan akurasi tertinggi 50% dari 1 hidden layer Neuron
60.
Pengujian Ciri 20 1hidden layer dan 2 hidden layer

Pengujian JST

20 36% 39% 43%

25 45% 44% 45%
30 48% 52% 43%

35 47% 48% 35 %
40 42% 41% 43%
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 %
64

Pengujian JST
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 %
menghasilkan akurasi tertinggi 50% dari 1hidden layer Neuron 55.
Pengujian JST
65

20 50% 44% 45%
25 58% 57% 57%
30 61% 58% 52%
35 56% 57% 54%
40 57 % 63% 54%
45 57% 55% 54 %
50 61% 64% 56 %
55 58% 59 % 50%
60 59% 56% 59 %
65 56% 58% 55 %
70 64% 64% 56%
75 64 % 63% 58 %


Pengujian JST
Traingdx
20 55%
25 56%
30 59%
35 60%
40 59%
45 53 %
66
50 65%
70 55 58%
60 59%
65 59%
70 65%
75 59%

dan Neuron 70 pada hidden layer 2. Pengujian pada kombinasi
ciri21 menghasilkan akurasi tertinggi 65% dari 1 hidden layer
Neuron 70 dan 70 .
Tabel akurasi pengujian jst

80%
70%
60%
50%
40%
Akurasi
30%
20%
10%
0%
Ciri 16 Ciri 17 Ciri 18 Ciri 19 Ciri 20 Ciri 21
Gambar 4.18 Grafik Pengujian input bernilai 27
Pada pengujian arsitektur jaringan syaraf tiruan dengan input 27 akurasi

tertinggi 74% didapat dari arsitektur jaringan syaraf tiruan dengan 1 hidden
layer neuron 45 .
Pengujian Ciri 22, dengan 1 hidden layer dan 2 hidden layer

Pengujian JST
67

20 63% 57% 60%

25 62% 58% 60%
30 69% 70% 59 %
35 72% 68% 58%
40 71 % 72% 58 %
45 69% 68% 57 %
50 65% 58 % 58%
55 70% 70 % 58 %
60 67% 70% 64%

65 65% 66% 51 %
70 70% 71% 70 %
75 72% 73% 61%


Pengujian JST
Traingda
20 64%
25 62%
30 60 %
35 68 %
40 74%
45 69%
50 69%
75 55 70%
60 73%
68
65 74%
70 70%
75 68 %
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
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


Pengujian JST
Traingda
20 59%
25 65%
30 65 %
35 69%
40 73 %
45 75%
50 73%
70 55 75%
60 72 %
65 74 %
70 73%
75 69 %

70.
Pengujian Ciri 24 1, hidden layer dan 2 hidden layer

Pengujian JST

70
20 45% 50% 45%

25 53% 63% 51%
30 63% 56% 58 %
35 21% 59% 50 %
40 40% 58% 59%
45 33% 61% 58%
50 64% 61% 52%
55 46% 62% 59%
60 52% 65% 58 %
65 59% 65% 52%
70 51% 67 % 55%
75 60% 65% 61%


Pengujian JST
Traingda
20 57%
25 65%
30 65 %
35 69%
40 70 %
45 71%
50 73%
70 55 74%
60 72 %
65 70 %
70 70%
71
75 68 %
70 dan 55.
Tabel Pengujian Jst

76%
74%
72%
70%
68%
Akurasi
66%
64%
62%
60%
Ciri 21 Ciri 22 Ciri 23 Ciri 24
Gambar 4.19 Grafik Pengujian input bernilai 36
Pada pengujian arsitektur jaringan syaraf tiruan input 36 akurasi

tertinggi yaitu 75 % dengan neuron 70 dan 55.
Pengujian JST
20 37% 63% 57%
25 71% 66% 69%
30 70% 71% 53 %
35 70% 65% 66 %
40 74% 78% 65%
45 74% 78 % 63%
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
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%
73

70 dan 65.
Akurasi pengujian jst

90%
80%
70%
60%
50%
40%
30%
20%
10%
0%
input 18 input 27 input 36 input 45
Akurasi 63% 71% 74% 75% 83%
Gambar 4.19 Grafik Pengujian input
Dalam penelitian ini setelah melakukan pengujian dengan semua

kombinasi ciri 1 sampai kombinasi ciri 25. Kombinasi Ciri 25 memiliki
akurasi paling tinggi yaitu 83% dengan mengunakan 2 hidden layer
dengan neuron 70 dan 65 dengan metode pelatihan traingdx.
Dalam penelitian ini menguji berdasarkan input lalu mendapatkan
akurasi sebesar 63% pada input 9 , 71% pada input 18, 74% pada input
27, 75% pada input 36 dan 83% dengan input 45.
74
4.2.2 Implementasi User Interface

Berikut ini adalah tampilan antarmuka pelatihan dengan jaringan
syaraf tiruan. Interface ini berfungsi melakukan pengujian jaringan
syaraf tiruan dengan memasukkan input yang akan digunakan sebagai
arsitektur jaringan syaraf tiruan.
Gambar 4.20 Tampilan Interface pengujian Jaringan Syaraf Tiruan
Setelah melakukan pengujian jaringan syaraf tiruan adalah pengujian

data tunggal. Interface data tunggal berfungsi untuk mengenali data
baru yang belum pernah diuji ke dalam model jaringan syaraf tiruan.
75
Gambar 4.21 Tampilan Interface pengujian data tunggal Jaringan Syaraf Tiruan
4.2.1 Pengujian Data Tunggal

Pada penelitian ini dilakukan testing data tunggal dengan 1 data
pada setiap aksaranya jadi untuk testing data tunggal terdapat 20 data
aksara Karena hasil akurasi terbaik didapatkan pada kombinasi ciri 25
maka arsitektur jaringan yang tersebut dipakai untuk testing data
tunggal.
Tabel 4.53 Klasifikasi Data Tunggal
Aksara Klasifikasi Status

Ha Ha Benar
Na Na Benar
Ca Dha Salah
Ra Ra Benar
Ka Ka Benar
Da Da Benar
Ta Ta Benar
Sa Sa Benar
Wa Pa Salah
La La Benar
Pa Pa Benar
76
Dha Dha Benar

Ja Ja Benar
Ya Ya Benar
Nya Nya Benar
Ma Ma Benar
Ga Ga Benar
Ba Ba Benar
Tha Tha Benar
Nga Nga Benar
Setelah melakukan percobaan dengan kombinasi ciri 1 sampai

kombinasi ciri 25 lalu mengunakan percobaan 1 hidden layer, 2 hidden
layer dan mengunakan parameter parameter yang sudah ditentukan
untuk arsitektur jaringan syaraf tiruan. Dari hasil yang diperoleh pada
penelitian ini tentang Pengenalan Pola Backpropagation maka
diketahui:
1. Presentase keberhasilan dari beberapa parameter yang diterapkan
pada penelitian ini diperoleh akurasi terbaik sebesar 83% maka
penelitian ini dikatakan berhasil karena sudah memenuhi tujuan
penelitian karena akurasi dalam pengenalan sudah melebihi 75%
presentase keberhasilan
2. Dalam uji data tunggal terdapat dua kesalahan dalam mengenali
aksara yaitu pada huruf “Ca” di klasifikasi menjadi “Dha” dan Wa
diklasifikasi menjadi “Pa”
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
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.
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
82
LAMPIRAN
Source code
Viewutama.m
83
84
85
Preprocessing.m
86
Mark Direction.m
87
Ioc.m
88
89

Jawa Backpropagation

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Jawa Backpropagation

Diunggah oleh

Hak Cipta:

Format Tersedia

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

PENGENALAN POLA TULISAN TANGAN

AKSARA JAWA DENGAN ALGORITMA BACKPROPAGATION

Diajukan Untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana

Komputer Program Studi Teknik Informatika

Aloysius Tanto Wibowo

PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

PATTERN RECOGNITION HANDWRITTER OF JAVA CHARACTER

USING BACKPROPAGATION ALGORITHM

Presented as Partial of the Requirements to Obtain the Sarjana Komputer

Degree in Informatics Engineering Study Program

Aloysius Tanto Wibowo

INFORMATICS ENGINEERING STUDY PROGRAM

INFORMATICS ENGINEERING DEPARTMENT

FACULTY OF SCIENCE AND TECHNOLOGY

SANATA DHARMA UNIVERSITY

Kata kunci: Pengenalan Pola, Mark Direction, Intencity Of Character, Jaringan

Indonesia is a country with rich culture and customs. Writing Javanese

Key Words: Pattern Introduction, Mark Direction, Intensity Of Character, Neural

HALAMAN JUDUL ........................................................................................... i

III METODOLOGI PENELITIAN .............................................................. 13

III.1.1 Studi Literatur............................................................................... 13

BAB IV IMPLEMENTASI HASIL DESAIN ................................................ 27

BAB V PENUTUP .......................................................................................... 79

Gambar II.1 Contoh Aksara Jawa Nglegena ......................................................... 5

Gambar II.2 Angka Jawa...................................................................................... 5

Gambar II.4 Struktur elemen tanda arah (Surinta, 2010) ....................................... 7

Gambar II.5 Skema Hold Method......................................................................... 8

Gambar II.6 Jaringan Lapis Tunggal .................................................................... 9

Gambar II.7 Jaringan Lapis Majemuk ................................................................ 10

Gambar II.8 Ilustrasi Arsitektur Jaringan Backpropagation (Siang,2005) ........... 11

Gambar III.1Diagram Block Sistem ................................................................... 15

Gambar III.2 Blangko aksara Jawa yang sudah terisi .......................................... 16

Gambar III.3 Normalisasi mapstd....................................................................... 18

Gambar III.4 Arsitektur jaringan 1 hidden layer ................................................. 18

Gambar III.5 Arsitektur Jaringan 2 hidden layer ................................................ 21

Gambar III.6 Form Pengujian Jaringan............................................................... 26

Gambar III.7 Form Pengujian Data Tunggal....................................................... 26

Gambar IV.1 Blangko aksara Jawa..................................................................... 27

Gambar IV.2 Data yang sudah di Crop ............................................................... 27

Gambar IV.3 Mengubah Citra menjadi keabuan ................................................. 28

Gambar IV.4 Binerisasi Citra ............................................................................. 28

Gambar IV.5 Resize Citra .................................................................................. 29

Gambar IV.6 Penipisan Citra ............................................................................. 29

Gambar IV.7 Gambar Citra yang sudah dibagi 9 segmen ................................... 30

Gambar IV.8 Mengambil Ciri nilai 0 atau hitam................................................. 30

Gambar IV.9 Mengambil Ciri Arah Horizontal .................................................. 30

Gambar IV.10 Mengambil Ciri arah Vertical ..................................................... 31

Gambar IV.11 Mengambil Ciri arah Diagonal ke kanan ..................................... 31

Gambar IV.12 Mengambil Ciri arah Diagonal ke Kiri ........................................ 31

Gambar IV.13 Data yang sudah dinormalisasi .................................................... 32

Gambar IV.14 Implementasi Hold Out Method .................................................. 33

Gambar IV.16 Grafik pengujian input bernilai 9 ................................................. 41

Gambar IV.17 Grafik Akurasi Pengujian input bernilai 18 ................................ 57

Gambar IV.18 Grafik Pengujian input bernilai 27 .............................................. 66

Gambar IV.19 Grafik Pengujian input bernilai 36 .............................................. 71

Gambar IV.20 Grafik Pengujian input ................................................................ 73

Gambar IV.21 Tampilan Interface pengujian Jaringan Syaraf Tiruan ................. 74

Tabel III.1 Tabel Spesifikasi Hardware ( Komputer) ......................................... 14

Tabel III.2 Kombinasi Ciri ................................................................................ 19

Tabel III.3 Pembuatan Target ............................................................................ 21

Tabel III.4 Kombinasi Ciri ................................................................................ 22