1, APRIL 2018 | 37
ABSTRAK
Khat kufi memiliki bentuk huruf hijaiyah yang unik berbentuk kotak. Banyak penelitian yang
membahas pengenalan huruf hijaiyah namun untuk spesifik khat belum ada. Pada penelitian ini
penulis melakukan simulasi pengenalan pola huruf hijaiyah khat kufi menggunakan deteksi tepi sobel
dan jaringan syaraf tiruan backpropagation dengan menggunakan parameter uji learning rate dan
epoch. Simulasi dilakukan 28 target huruf hijaiyah dengan learning rate 0.01, 0.05, 0.1, 0.5, dan epoch
25, 1000, 3000, 5000, 10000. Akurasi terbaik didapatkan pada learning rate 0.01 dan epoch 10000
yaitu 100%. Penelitian ini dapat dikembangkan menggunakan deteksi tepi canny, prewitt, atau robert
serta JST LVQ, ADALINE, atau RBF.
Kata Kunci: Khat Kufi, Deteksi Tepi Sobel, Jaringan Syaraf Tiruan Backpropagation, Simulasi
ABSTRACT
Khat kufi has a unique hijaiyah shape that is square in shape. Much of the research that discusses the
introduction of the hijaiyah letters but for the specifics khat does not yet exist. In this study, the author
performs a simulation of hijaiyah khat kufi pattern recognition using sobel edge detection and artificial
neural network backpropagation using learning rate test and epoch parameters. The simulation has
been done on 28 target letters hijaiyah with learning rate 0.01, 0.05, 0.1, 0.5, and epoch 25, 1000,
3000, 5000, 10000. The best accuracy obtained at learning rate 0.01 and epoch 10000 is 100%. This
research can be developed using canny edge detection, prewitt, or robert and also JST LVQ,
ADALINE, or RBF.
Keywords: Khat Kufi, Detection Of Sobel Edge, Backpropagation Artificial Neural Networks,
Simulation
DOI : 10.15408/jti.v11i1.6262
Irvan F, dkk: Pengenalan Pola Huruf… 37-46 p-ISSN 1979-9160 | e-ISSN 2549-7901
38 | JURNAL TEKNIK INFORMATIKA VOL 11 NO. 1, APRIL 2018
Irvan F, dkk: Pengenalan Pola Huruf… 37-46 p-ISSN 1979-9160 | e-ISSN 2549-7901
JURNAL TEKNIK INFORMATIKA VOL 11 NO. 1, APRIL 2018 | 39
Irvan F, dkk: Pengenalan Pola Huruf… 37-46 p-ISSN 1979-9160 | e-ISSN 2549-7901
40 | JURNAL TEKNIK INFORMATIKA VOL 11 NO. 1, APRIL 2018
Irvan F, dkk: Pengenalan Pola Huruf… 37-46 p-ISSN 1979-9160 | e-ISSN 2549-7901
JURNAL TEKNIK INFORMATIKA VOL 11 NO. 1, APRIL 2018 | 41
Irvan F, dkk: Pengenalan Pola Huruf… 37-46 p-ISSN 1979-9160 | e-ISSN 2549-7901
42 | JURNAL TEKNIK INFORMATIKA VOL 11 NO. 1, APRIL 2018
IV. IMPLEMENTASI SIMULASI DAN melakukan simulasi pada sistem yang telah
EKSPERIMEN dibuat dengan parameter pengaruh hasil
jaringan, learning rate, maksimal epoch
4.1 Problem Formulation terhadap akurasi pengenalan.
Berdasarkan permasalahan yang telah
dipaparkan sebelumnya, penulis menerapkan 4.2 Modelling Formulation
gabungan dari salah satu metode pengolahan Simulasi sistem dibuat berdasarkan
citra dan jaringan syaraf tiruan yaitu, deteksi tepi pemodelan yang dirancang pada tahap ini.
sobel dan jaringan syaraf tiruan Sistem dibuat untuk dapat menjalankan tahap
backpropagation. Penerapan ini diharapkan pelatihan dan identifikasi dari metode jaringan
dapat menghasilkan proses pembelajaran pada syaraf tiruan backpropagation.
sistem menggunakan jaringan syaraf tiruan
backpropagation yang nantinya akan
memberikan hasil pengenalan pola huruf hijaiyah
khatkufi.
Pada penelitian ini, masalah yang harus
diselesaikan adalah bagaimana menerapkan
metode jaringan syaraf tiruan backpropagation
dan deteksi tepi sobel untuk mengenali pola
huruf hijaiyah khat kufi. Penulis akan
Irvan F, dkk: Pengenalan Pola Huruf… 37-46 p-ISSN 1979-9160 | e-ISSN 2549-7901
JURNAL TEKNIK INFORMATIKA VOL 11 NO. 1, APRIL 2018 | 43
Irvan F, dkk: Pengenalan Pola Huruf… 37-46 p-ISSN 1979-9160 | e-ISSN 2549-7901
44 | JURNAL TEKNIK INFORMATIKA VOL 11 NO. 1, APRIL 2018
Irvan F, dkk: Pengenalan Pola Huruf… 37-46 p-ISSN 1979-9160 | e-ISSN 2549-7901
JURNAL TEKNIK INFORMATIKA VOL 11 NO. 1, APRIL 2018 | 45
nilai laju pemahamannya maka citra yang dilakukan yaitu akuisisi citra, scaling
algoritma menjadi semakin tidak stabil dan grayscale, deteksi tepi, thresholding, dilasi
dan akurasinya rendah. dan selanjutnya matriks hasil dilasi disimpan di
- net.trainParam.epochs = sebuah folder penyimpanan.
Epoch; Pelatihan jaringan syaraf tiruan dengan
Digunakan untuk menentukan jumlah algoritma backpropagation menggunakan 8
maksimum epoch pelatihan (iterasi). skenario pelatihan dengan paramater epoch
Pada penelitian ini semakin besar 1000, 3000, 5000, dan 10000 serta learning rate
jumlah epoch maka proses pelatihan 0.01, 0.05, 0.1, 0.5. Berdasarkan skenario
membutuhkan waktu yang lama tapi pelatihan yang telah dilakukan didapatkan hasil
menghasilkan tingkat akurasi yang maksimal pada skenario E4 (lihat Tabel 2)
cukup tinggi. Namun sebaliknya dengan tingkat akurasi 100%.
semakin kecil jumlah epoch maka
proses pelatihan membutuhkan waktu 6.2 Saran
yang relatif singkat tapi menghasilkan Penulis menyarankan untuk nengembangkan
tingkat akurasi yang rendah. penelitian ini agar menjadi lebih baik dengan
- net.trainParam.goal = 0; melakukan beberapa hal seperti simulasi
Digunakan untuk menentukan batas peneltian yang dilakukan tidak hanya berbasis
nilai MSE agar iterasi dihentikan. dekstop, tapi juga smartphone. Pengenalan pola
Proses pelatihan akan berhenti juga tidak hanya untuk mengenali huruf tapi juga
nilai MSE<max MSE yang ditentukan karakter huruf dan output yang diberikan berupa
atau jumlah epoch = nilai epoch yang suara. Penelitian ini dapat dikembangkan dengan
ditentukan. Default nilai MSE adalah melakukan pengenalan pola khat lain. Juga tidak
0, dan pelatihan ini menggunakan hanya huruf tapi juga mengenali kata atau
MSE = 0. Nilai MSE yang didapatkan kalimat. Kemudian dapat pula menggunakan
pada proses pelatihan terdapat pada teknik pengenalan pola lainnya seperti PCA, JST
Tabel 3 berikut ini. LVQ, JST ADALAINE, serta deteksi tepi lain
seperti canny, robert, dan prewitt.
Tabel 3 Nilai MSE Skenario
No. Skenario MSE DAFTAR PUSTAKA
1 LR1 66.286
2 LR2 66.2565 [1] Sirojuddin, D. 2007. Seni Kaligrafi
3 LR3 65.2589 Islam. Jakarta: Multi Kreasi Singgasana.
4 LR4 66.8746 [2] Siang, J.J. (2009). Jaringan Syaraf
5 E1 3.5116 Tiruan dan Pemrograman
6 E2 0.6476 Menggunakan Matlab. Yogyakarta:
7 E3 0.31099 Andi.
8 E4 0.028944
[3] Putra, Darma. 2010. Pengolahan Citra
. Digital. Yogyakarta: Andi.
VI. PENUTUP [4] Abed, Majida Ali dan Hamid Ali Abed
Alasad. 2015. High Accuracy Arabic
6.1 Kesimpulan Handwritten Characters Recognition
Berdasarkan rumusan masalah dan Using Error Back Propagation Artificial
penjelasan yang sudah penulis jelaskan pada bab Neural Networks. University of Tikrit.
sebelumnya, maka penulis membuat kesimpulan Tikrit Iraq.
bahwa huruf hijaiyah khat kufi dapat dikenali [5] Kanta, Imam Anggara. 2013.
polanya pada sistem dengan mengambil nilai Pengenalan Pola Huruf Hijaiyah
matriks hasil deteksi tepi dan dilasi melalui Tulisan Tangan Menggunakan Logika
teknik pengolahan citra dan jaringan syaraf Fuzzy dengan Jaringan Syaraf Tiruan
tiruan dengan menggunakan algoritma Backpropagation. Universitas
backpropagation. Muhammadiyah Surakarta. Surakarta.
Alur proses secara keseluruahan terlebih [6] Jas, Nurul Ainis. 2016. Identifikasi
dahulu dilakukan pra-proses citra, melakukan Jenis-jenis Kaligrafi Islam dengan
pembelajaran dengan jaringan syaraf tiruan dan Menggunakan Teknik Pengolahan Citra
melakukan pengenalan pola. Tahapan pra-proses dan Jaringan Syaraf Tiruan Algoritma
Irvan F, dkk: Pengenalan Pola Huruf… 37-46 p-ISSN 1979-9160 | e-ISSN 2549-7901
46 | JURNAL TEKNIK INFORMATIKA VOL 11 NO. 1, APRIL 2018
Irvan F, dkk: Pengenalan Pola Huruf… 37-46 p-ISSN 1979-9160 | e-ISSN 2549-7901