MENGGUNAKAN ALGORITMA MOMENTUM BACKPROPAGATION NEURAL NETWORK A. Pendahuluan Besarnya peningkatan jumlah kendaraan ini ikut memberikan dampak pada munculnya masalah lalu lintas seperti kemacetan lalu lintas. Kemacetan lalu lintas adalah kondisi yang terjadi ketika jumlah kendaraan di jalan melebihi kapasitas jalan, dan ditandai oleh deselerasi, keterlambatan waktu tempuh, dan antrian panjang(Olusina dan Samson, 2014). Selain kemacetan, jumlah tindak pelanggaran lalu lintas juga ikut meningkat. Penelitian sejenis juga pernah dilakukan oleh Ganapathy dan Lui (2008) di Malaysia. Namun sistem yang dibangun pada penelitian kali ini lebih ditujukan untuk penerapan di suatu lahan parkir mobil. Pada penelitian kali ini akan dibahas sistem untuk mengenali karakter pada citra plat nomor kendaraan di Indonesia. Adapun algoritma yang digunakan oleh sistem pada tahappengenalan karakter plat nomor adalah algoritma Momentum Backpropagation Neural Network. Namun sebelum citra karakter masuk ke tahap pengenalan, akan digunakan Haar Wavelet untuk mereduksi dan menyeragamkan dimensi citra. Hasil dari penelitian ini diharapkan dapat menjadi awal untuk mewujudkan sistem Lalu Lintas Cerdas di Indonesia demi kenyamanan seluruh pengguna jalan. B. Metode Pada artikel ini, peneliti mengusulkan sistem untuk mengenali karakter yang ada pada citra plat nomor kendaraan di Indonesia. Mula-mula sistem akan menerima inputan berupa citra plat nomor berformat RGB atau full color. Citra plat nomor adalah citra yang hanya mengandung bagian plat nomor dari suatu kendaraan tanpa ada objek lain.Langkah selanjutnya adalah melakukan pemrosesan awal pada citra plat nomor yaitu grayscaling dan thresholding. Langkah ini akan mengubah citra input RGB menjadi citra grayscale.Grayscalingadalah proses untuk menghasilkan citraaras keabuan dari citra berwarna (Ibrahim et al., 2013). Sedangkan thresholding adalah proses untuk mengubah citra aras keabuan menjadi citra biner atau citra yang hanya terdiri dari warna hitam dan putih. Thresholding digunakan untuk memisahkan objek dari latar belakang, mengurangi derau pada citra, danmeningkatkan kecepatan komputasi pada tahapan berikutnya. C. Hasil Dari Pembahasan Transformasi Haar Waveletpada masing-masing citra karakter hasil segmentasi nantinya akan menghasilkan matriks berukuran 32u32. Matriks ini kemudian diubah menjadi vektor berukuran 1024 dan selanjutnya akan menjadi nilai inputan untuk setiap node yang berada di lapisan input pada Jaringan Saraf Tiruan (JST). Untuk langkah terakhir pada penelitian ini, yaitu pengenalan karakter, digunakan dua jaringan yang masing-masing bertugas untuk mengenali karakter huruf dan angka. Penggunaan dua jaringan ini bertujuan untuk menghindarkan sistem dari kesalahan pengenalan yang sering terjadi pada sistem pengenalan karakter dengan satu jaringan,terutama untuk karakter angka dan huruf yang memiliki bentuk serupa, seperti angka “1” dikenal sebagai huruf “I” dan sebaliknya. Hal ini dikarenakan, pada sistem yang menggunakan dua jaringan, pelatihan masing-masing jaringan akan terfokus untuk salah satu jenis karakter saja yaitu huruf atau angka. D. Kesimpulan Berdasarkan hasil pengujian terhadap sistem yang diusulkan, dapat ditarik kesimpulan bahwa sistem mampu melakukan pengenalan pola dengan baik. Hasilnya, dari total 276 karakter yang terdiri dari huruf dan angka, sistem mampu mengenali 268 karakter diantaranya. Sehingga akurasi sistem yang diusulkan pada penelitian kali ini mencapai 97,01%.Meskipun hasil yang didapatkan sudah cukup memuaskan, untuk masa yang akan datang masih diperlukan penelitian tentang pengenalan karakter plat nomor kendaraan terutama untuk mengenali karakter plat nomor pada kendaraan yang sedang bergerak bahkan dalam kecepatan tinggi. 2. APLIKASI PENGENALAN POLA PADA HURUF TULISAN TANGAN MENGGUNAKAN JARINGAN SARAF TIRUAN DENGAN METODE EKSTRAKSI FITUR GEOMETRI A. Pendahuluan Untuk dapat mengenali huruf tulisan tangan, harus ada beberapa data yang akan mewakili setiap bentuk huruf tersebut yang diambil dari beberapa objek, yang merupakan suatu data digital. Data digital tersebut dapat diperoleh dengan melakukan scan gambar dengan format bitmap. Dari hasil scan tersebut, diperoleh citra yang kemudian dilakukan operasi praproses yang terdiri dari pola dan bentuk huruf tulisan tangan. Dari proses input citra ini, maka dapat dibangun suatu sistem cerdas yang memanfaatkan komputer untuk membaca tulisan tangan. Pada penelitian yang dilakukan oleh Andi Prasojo yang berjudul “Pengenalan Karakter Alfabet Menggunakan Jaringan Syaraf Tiruan”. Metode klasifikasi yang digunakan adalah jaringan saraf tiruan perambatan-balik (backpropagation). Dalam penelitian yang dilakukannya, jaringan saraf tiruan menggunakan 234 karakter huruf besar untuk tiap jenis font dan diuji dengan 702 karakter yang terdiri atas 234 karakter data latih dan 468 karakter data baru untuk setiap jenis font. Ekstraksi fitur geometri citra batik digunakan untuk membantu komputer dalam mengenali pola atau motif batik. Penelitian tersebut menghasilkan sistem ekstraksi fitur geometri citra batik dan merepresentasikan fitur geometri tersebut menggunakan kurva cardinal spline. B. Metode Penelitian ini menggunakan metode penelitian yang mencakup studi literatur, ke-mudian dilakukan analisa kebutuhan akan komponen-komponen yang dibutuhkan da-lam pembuatan aplikasi pengenalan setiap karakter huruf alfabet berdasarkan pola citra dari huruf tulisan tangan hasil segmentasi dan ekstraksi fitur geometri setiap karakter huruf, selanjutnaya perancangan sistem, kemudian dilakukan tahap implementasi dan pengujian, serta analisis. Tahap terakhir adalah kesimpulan dan saran. C. Hasil Dari Pembahasan Hasil ekstraksi setiap karakter huruf pada featureout.mat diproses dengan net (hasil pelatihan) untuk menemukan karakter yang tepat. Pengujian juga dilakukan terhadap sampel lain dengan bentuk jenis tulisan tangan yang bebeda. Hal ini dilakukan untuk menguji sistem apakah berjalan dengan yang diharapkan. Faktor lain yang menunjang keberhasilan aplikasi dalam melakukan pengenalan karakter adalah bentuk penulisan memiliki pola karakter yang mirip dengan data latih. Oleh karena itu, aplikasi ini diperlukan banyak data pelatihan. Dengan semakin mirip penulisan karakter huruf tulisan tangan dan karakter yang tidak berdekatan, nilai akurasi dari identifikasi akan semakin tinggi tingkat keberhasilan yang diperoleh. D. Kesimpulan Dari hasil penelitian yang dilakukan dengan menerapkan jaringan saraf tiruang dengan ekstraksi fitur geometri untuk pengenalan pola pada huruf tulisan tangan, dapat diambil kesimpulan bahwa : 1) Pada pengujian yang telah dilakukan, penulisan harus sesuai dengan data pelatihan pada setiap huruf besar yang jelas dan karakter yang tidak berdekatan mampu dikenali dengan baik oleh aplikasi tanpa terjadi kesalahan. Fitur huruf diekstrak secara terpisah untuk setiap zona 50x50 piksel dan pencocokan fitur geometri tersebut disimpan di dalam featureout.mat agar dapat diproses dengan jaringan syaraf tiruan untuk menemukan karakter huruf yang tepat. 2) Pengujian pada aplikasi dengan menerapkan jaringan syaraf tiruan dengan ekstraksi fitur geometri berhasil melakukan pengenalan karakter terhadap citra pada pengujian dengan tingkat keberhasilan 86,535%. 3) Pada pengujian “OPPORTUNITY” berjumlah 11 karakter yang ditulis mengahasilkan 12 jumlah ekstraksi. Hal ini terjadi ketika huruf yang di tulis terpisah atau putus. Kesalahan pada identifikasi spasi disebabkan karena tidak terbacanya database spasi oleh aplikasi. Contoh pada input “SISTEM KOMPUTER” yang terbaca “SISTEMKOMPUTER” oleh aplikasi. 3. PENGENALAN POLA PERILAKU SEORANG MANUSIA DALAM PERMAINAN SUTEN MENGGUNAKAN METODE JARINGAN SARAF TIRUAN PROPAGASI BALIK A. Pendahuluan Dalam ilmu komputer, khususnya di bidang kecerdasan buatan, dikenal sebuah metode yang disebut dengan jaringan saraf tiruan. Jaringan saraf tiruan merupakan suatu paradigma pemrosesan informasi yang mengambil permodelan dari cara kerja jaringan saraf biologi dalam memroses informasi. Latar belakang perkembangan jaringan saraf tiruan didasari oleh keinginan agar komputer mampu menirukan kemampuan manusia dalam memroses informasi. Jaringan saraf tiruan telah terbukti mampu untuk menyelesaikan berbagai masalah yang mengandung ketidak pastian di dalamnya, yang biasanya hanya bisa diselesaikan oleh manusia. Beberapa masalah tersebut antara lain adalah peramalan, pengenalan wajah, pengenalan tulisan tangan, dan pengenalan suara. Masalah-masalah ini tidak dapat diselesaikan oleh metode-metode perhitungan pada umumnya. Dapat dikatakan bahwa jaringan saraf tiruan merupakan salah satu paradigma pemrosesan informasi yang paling mendekati kemampuan pemrosesan informasi manusia. Melihat kemiripan paradigma pemrosesan data antara jaringan saraf tiruan dan otak manusia tersebut, timbul suatu pertanyaan yaitu sejauh mana jaringan saraf tiruan mampu mengenali pola perilaku yang dihasilkan dari otak manusia. Namun, diperlukan suatu media yang baik untuk membatasi pola tersebut sehingga menjadi pola yang dapat dibaca dengan mudah oleh komputer. Permainan suten dapat digunakan untuk membatasi pola perilaku manusia. Permainan suten memberikan pola yang terbatas namun dapat mencerminkan kecenderungan dari perilaku manusia yang memainkannya. Pada penelitian ini, jaringan saraf tiruan akan mengenali pola permainan suten yang dikeluarkan oleh subjek penelitian. B. Metode 1. Jaringan Saraf Tiruan (Artificial Neural Network) Menurut Siang (2005), jaringan saraf tiruan adalah sistem pemroses informasi yang memiliki karakteristik mirip jaringan saraf biologi. Jaringan saraf tiruan dibentuk sebagai generalisasi model matematika dari jaringan saraf biologi, dengan asumsi : 1) 1.Pemrosesan informasi terjadi pada banyak elemen sederhana (neuron). 2) 2.Sinyal dikirimkan diantara neuron-neuron melalui penghubung- penghubung. 3) 3.Penghubung antar neuron memiliki bobot yang akan memperkuat atau memperlemah sinyal. 4) 4.Untuk menentukan output, setiap neuron menggunakan fungsi aktivasi yang dikenakan pada jumlahan input yang diterima. Besarnya output ini selanjutnya dibandingkan dengan batas ambang. 2. Algoritma Backpropagation Algoritma pelatihan propagasi balik (backpropagation) adalah pengembangan dari algoritma pelatihan perceptron yang menggunakan arsitektur jaringan layar banyak. Algoritma pelatihan propagasi balik mampu mengatasi keterbatasan pengenalan pola pada algoritma-algoritma sebelumnya. 3. Model Unified Software Development Process (USDP) Menurut Nugroho (2010), USDP merupakan metode pengembangan/rekayasa perangkat lunak yang berbasiskan komponen, yang berarti sistem perangkat lunak yang kelak dihasilkan akan terdiri atas komponen-komponen perangkat lunak yang saling terhubung melalui antarmuka yang terdefinisi dengan baik. C. Hasil Dari Pemnbahasan Kesimpulan yang didapatkan sebagai hasil penelitian ini ditarik berdasarkan data statistik kemenangan yang didapatkan dari hasil pengujian. Pertama, dihitung selisih antara persentase kemenangan komputer yang menggunakan jaringan saraf tiruan dengan yang tidak menggunakan jaringan saraf tiruan untuk setiap pengguna. Kemudian dihitung rata-rata dari seluruh selisih persentase tersebut. Nilai rata-rata tersebut menjadi tolak ukur efektivitas jaringan saraf tiruan dalam mengenali pola perilaku manusia dalam permainan suten pada penelitian ini. D. Kesimpulan Dengan adanya hasil penelitian yang dilaksanakan, maka peneliti menarik kesimpulan berdasarkan dari uraian yang telah dibahas, yaitu : 1) Jaringan saraf tiruan umpan maju dengan layar banyak menggunakan algoritma pelatihan propagasi balik dengan arsitektur empat neuron layar input, tujuh neuron layar tersembunyi, dan satu neuron layar output mampu mengenali pola perilaku manusia dalam permainan suten. 2) Dalam permainan suten antara komputer dan subjek penelitian, terdapat peningkatan persentase kemenangan komputer yang menggunakan jaringan saraf tiruan dibandingkan dengan komputer yang tidak menggunakan jaringan saraf tiruan. Rata-rata peningkatan persentase kemenangan adalah 18,33%. 4. PENGENALAN POLA LOGO MERK MOBIL DENGAN MENGGUNAKAN ALGORITMA DETEKSI TEPI PREWITT DAN JARINGAN SARAF TIRUAN BACKPROPAGATION A. Pendahuluan Pengenalan pola menggunakan jaringan saraf tiruan merupakan ilmu yang berkembang dengan pesat. Banyaknya metode serta kebutuhan dari pengguna akan kecerdasan komputasi dalam menentukan pola, mendorong ilmu ini untuk terus berkembang. Algoritma Prewitt merupakan salah satu algoritma deteksi tepi (edge detection) yang cukup mudah untuk diimplementasikan dan memiliki keakuratan yang cukup baik sedangkan Backpropagation merupakan satu dari sekian banyak algoritma pelatihan jaringan saraf tiruan. Dengan menggabungkan kedua algoritma ini, diharapkan akan memberikan hasil yang cukup akurat. B. Metode Pada jurnal ini, akan dilakukan pengenalan pola logo mobil pada jaringan dimana terdapat sebelas logo mobil yang berbeda yang akan dilakukan pelatihan dan kemudian jaringan akan diuji dengan logo-logo mobil pengujian akan dilakukan sebanyak delapan kali dimana semuanya akan diuji dari gambar yang berbeda dari yang dilatihkan. 1. Algoritma Deteksi Tepi Prewitt Dalam pengenalan pola pada jaringan saraf tiruan, algoritma deteksi tepi Prewitt akan digunakan sebagai feature extraction yang akan merubah citra logo mobil menjadi citra biner yang sudah terdeteksi tepiannya. Pada umumnya cara kerja deteksi tepi Prewitt mirip dengan cara kerja deteksi tepi Sobel, namun perbedaannya hanya terletak pada template yang tidak menggunakan nilai yang sama. 2. Algoritma Backpropagation Algoritma Backpropagation bekerja melalui koreksi bobot pada jaringan saraf tiruan. Bobot yang awalnya dipilih secara acak antara 0 hingga 1 kemudian akan terus dikoreksi hingga maksimum epoh ataupun nilai eror sudah lebih kecil dari target eror. C. Hasil Dari Pembahasan Pada melakukan training, program dibuat dengan menggunakan bahasa Java dan IDE NetBeans, spesifikasi komputer yang digunakan adalah MacBook Pro dengan processor i5 dan RAM 8 GB. Resolusi gambar adalah 640x480 pixel. Setelah melakukan training maka selanjutnya adalah tahapan pengujian jaringan dengan menggunakan 8 gambar logo mobil dimana sebagian logo adalah logo yang sama yang digunakan pada saat training namun dengan warna dan gambar yang berbeda. Dari hasil recognition tersebut dapat dilihat bahwa jaringan mampu mengenali sebagian besar logo yang sudah dilatihkan namun masih ada kesalahan pada menentukan hasil. Dari 8 logo mobil yang sudah diuji, jaringan hanya mampu mengenali dengan tepat 1 logo saja, sedangkan 3 logo yang dikenali lainnya memiliki hasil yang salah, 4 logo yang tidak diuji juga diprediksi dengan tepat sebagai logo yang tidak dikenali namun terdapat 1 logo yaitu logo Mazda yang merupakan kesalahan pengenalan. Nilai threshold yang digunakan ketika melakukan pengujian adalah sama dengan nilai target eror yaitu 0.01 sehingga apabila nilai selisih MSE dari gambar uji dengan gambar training lebih besar dari 0.01 maka akan dianggap tidak dikenali. D. Kesimpulan Dari hasil pengujian, dapat disimpulkan bahwa jaringan dengan arsitektur di atas dapat digunakan dalam mengenali logo-logo mobil, namun kita harus menambah data training agar hasil pada pengenalan logo bisa lebih baik dimana saat pengujian dilakukan, dari 4 logo hanya terdapat 1 logo saja yang diprediksi tepat, 2 logo dapat dikenali namun tidak tepat dan 1 logo salah dalam pengenalan. Pada logo-logo yang belum ditraining, jaringan dapat melakukan pengenalan dengan baik dimana semua logo tersebut tidak dikenali. Pada proses training, nilai rata-rata training untuk setiap logo adalah 25076 ms. 5. SISTEM IDENTIFIKASI DAN PENGENALAN POLA CITRA TANDA-TANGAN MENGGUNAKAN SISTEM JARINGAN SARAF TIRUAN (ARTIFICIAL NEURAL NETWORKS) DENGAN METODE BACKPROPAGATION A. Pendahuluan Pengenalan tanda-tangantermasuk masalah yang sulit dalam pengenalan pola, hal tersebut dikarenakan setiap tanda-tangan seseorang memiliki ciri-ciri yang identik namun tidak sama. Dengan ciri-ciri yang unik yang berbeda setiap orangnya dapat kita gunakan untuk mengidentifikasinya. Dalam hal tersebut kita butuhkan sistem perangkat lunak untuk menganalisis dan mengidentifikasi tanda- tangan seseorang. Telah banyak penelitian yang dilakukan untuk mengenali tanda-tangan, salah satunya adalah penelitian yang dilakukan oleh Riadi (2001) yang menggunakan metode JST propagasibalik yang memiliki arsitektur multi layer neural network dengan satu lapisan tersembunyi. Penelitian ini menggunakan JST dengan melalui tiga representasi pola input, yaitu representasi biner, bipolar dan kontinu. Sedangkan data tanda-tangan berupa tanda-tangan kasar (raw signature image) tanpa dilakukan ekstraksi ciri dari citra tanda-tangan. Penelitian lain dilakukan oleh Hidayatno, dkk (2008) dengan menggunakan metode-metode propagasi balik standar, data tanda-tangan yang digunakan sebagai masukan bukan lagi tanda-tangan kasar, tetapi citra tanda-tangan yang telah dilakukan tahap segmentasi dan ekstraksi ciri. Namun tahap segmentasi hanya menggunakan proses klasterisasi, tanpa dilakukan pengolahan citra lebih lanjut. Penelitian-penelitian tersebut masih dapat dikembangkan bukan hanya sebagai pengidentifikasi melainkan juga sebagai pengenal citra tanda-tangan dengan penggunakan metode praproses serta penggunaan jaringan saraf tiruan yang lain sebagai pembanding. B. Metode 1. Akusisi Citra 2. Segmentasi Citra 3. Ekstraksi Citra 4. Jaringan Saraf Tiruan 5. Pelatihan JST 6. Simpan Bobot 7. Pengujian JST 8. Pengenalan Pola C. Hasil Dari Pembahasan Pengenalan pola dilakukan terhadap 10 citra tanda-tangan luaran dengan menggunakan 5 jumlah pola pelatihan. Hasil pengenalan terlihat pada Tabel 4. Dari data dapat terlihat bahwa sama halnya pada proses pengujian dengan 1 pola pelatihan, pengujian dengan 5 pola pelatihan masih memiliki persentase besar dalam menguji pola yang juga digunakan dalam proses pelatihan yaitu sebesar 91% sedangkan pada proses pengujian terhadap pola citra uji diluar pola yang digunakan dalam proses pelatihan memiliki persentase keberhasilan cukup besar yaitu 70%.Persentase keberhasilan terbesar dimiliki oleh nama kenal Riezka Rosalia yaitu dengan persentase keberhasilan mencapai 90%. Keberhasilan pengenalan pola terhadap nama kenal Riezka Rosalia mungkin dikarnakan hampir setiap pola tanda-tangan yang dimiliki tidak mengalami perubahan yang signifikan dan cendrung mirip antara citra tanda-tangan satu dengan yang lainnya.Keberhasilan pengenalan pola paling rendah dengan persentase 60%, dan dimiliki oleh nama kenal Riza Amelia dan Zaitun. Hal ini terjadi mungkin disebabkan oleh terjadinya perubahan yang signifikan pada setiap citra pola tanda-tangan masing-masing nama kenal, sehingga sistem memiliki kekurangan kemampuan untuk mengidentifikasi setiap pola masukkan yang diujikan. D. Kesimpulan Sistem pengenalan pola tanda-tangan merupakan sistem yang dapat dirancang untuk mengenali pola tanda-tangan yang serupa dengan menampilkan persentase kecocokan.Pengenalan pola dilakukan dengan pencocokan nilai representasi input citra pola tanda-tangan pengujian dengan citra referensi yang ada pada pola pelatihan membandingkan nilai representasi input pada kedua citra tersebut.Lamamya waktu pelatihan ditentukan oleh besarnya nilai laju pemahaman dan banyaknya jumlah unit pada lapisan tersembunyi.Sistem memiliki pelatihan dengan waktu tercepat yaitu 14 detik dengan nilai laju pemahaman 0.3 dan banyaknya unit layar tersembunyi 10.Semakin banyak jumlah pola citra tanda-tangan yang digunakan pada proses pelatihan, akan membuat sistem semakin besar kemungkinan untuk mengenali setiap pola luaran yang diujikan.Jika pola pelatihan sebanyak 1 buah, maka sistem mampu mengenali pola luaran sebesar 50% sedangkan dengan pola pelatihan 5, sistem mampu mengenali pola tanda-tangan luaran sebesar 70%.