41

BAB III

METODOLOGI PENELITIAN

3.1 Waktu dan Tempat Penelitian

Penelitian ini dilaksanakan di Laboratorium Fakultas Ilmu Komputer dan

Teknologi Informasi (FKTI), Universitas Mulawarman, yang beralamat di

Kampus Gunung Kelua, Jl. Kuaro I / 5, Kotak Pos 1068, Samarinda 75119. Dan

diuntuk waktu penelitian dimulai dari Januari sampai dengan bulan Maret 2019.

Adapun rencana penelitian terlampir.

3.2 Metode Penelitian

3.2.1 Metode Pengambilan Data

a. Studi Pustaka

Metode ini dilakukan untuk mengumpulkan bahan referensi untuk membantu

peneliti dalam melakukan penelitian. Referensi yang diambil dari berbagai sumber,

misalnya artikel ilmiah, bukut teks dan sumber-sumber lain yang mendukung

penelitian ini.

b. Observasi

Metode ini akan diterapkan pada saat melakukan pengamatan langsung

terhadap objek penelitian. Dalam hal ini, responden yang melakukan penulisan

aksara sunda.
 42

c. Wawancara

Metode ini akan diterapkan pada saat peneliti mengambil data yang akan

digunakan sebagai data uji. Data yang digunakan adalah data gambar tulisan tangan

aksara sunda yang akan ditulis oleh 15 orang, masing – masing orang akan menulis

7 huruf vokal aksara sunda.

3.2.2 Tahapan Penelitian

Penelitian ini akan dilakukan dalam beberapa tahapan, untuk lebih jelasnya

dapat dilihat pada gambar dibawah ini :

Gambar 3.1 Tahapan Penelitian

 43

Penjelasan mengenai flowchart tahapan penelitian adalah sebagai berikut :

1. Melakukan studi pustaka yang bertujuan untuk mencari referensi dari

berbagai sumber seperti jurnal, artikel ilmiah, skripsi terdahulu dan yang

lainnya yang berkaitan dengan pengenalan pola yang menggunakan metode

BPNN dan LVQ. Wawancara dilakukan pada saat proses pengumpulan data

yang akan digunakan pada penelitian ini.

2. Proses pengumpulan data dilakukan dengan cara wawancara. Data

diperoleh dari tulisan tangan 15 orang yang akan menuliskan aksara sunda

sebanyak 7 huruf.

3. Setelah data diperoleh maka selanjutnya melakukan preprocessing citra

untuk mendapatkan hasil gambar yang lebih baik, sehingga memudahkan

untuk proses penelitian.

4. Analisa data akan dibagi menjadi 2 yaitu analisa data menggunakan metode

BPNN dan analisa data menggunakan metode LVQ.

5. Setelah melakukan analisa data menggunakan 2 metode tersebut maka

selanjutnya adalah melakukan komparasi hasil keakuratan 2 metode

tersebut dalam mengenali pola aksara sunda.

6. Setelah langkah membandingkan hasil pengenalan selesai dilakukan, maka

akan diambil suatu kesimpulan untuk melihat perbandingan keakuratan dari

kedua metode yang digunakan.

 44

3.2.3 Sampel Data Penelitian

Penelitian ini berjenis kuantitatif, karena penelitian ini akan

membandingkan 2 metode mesin kecerdasan buatan (machine learning) yaitu

metode BPNN dan metode LVQ untuk memperoleh perbandingan keakuratan

dalam mengenali pola aksara sunda.

Data yang digunakan dalam penelitian adalah data primer. Data diperoleh

dengan cara mengambil gambar yang berupa tulisan tangan 15 orang yang per

orangnya akan menuliskan 7 huruf vocal aksara sunda. Setelah itu data tersebut

akan digunakan untuk melakukan pelatihan program dan sebagai data uji sistem.

Berikut adalah sampel data huruf vokal aksara Sunda.

Gambar 3.2 Aksara Sunda Swara (Vokal mandiri)

3.2.4 Metode Pengambilan Sampel

Metode pengambilan sampel data yang akan digunakan dalam penelitian ini

adalah metode purposive sampling. Metode ini menggunakan kriteria yang telah

dipilih oleh peneliti dalam memilih sampel. Kriteria pemilihan sampel yang

digunakan adalah kriteria inklusi, yaitu kriteria sampel yang diinginkan oleh
 45

peneliti berdasarkan tujuan penelitian. Kriteria inklusi yang dipakai pada penelitian

ini adalah sebagai berikut :

1. Responden yang mengetahui dan mampu menuliskan aksara sunda dengan

baik.

2. Responden yang dapat menulis kaligrafi atau huruf arab dengan baik, karna

pada dasarnya aksara sunda mempunyai kemiripan dengan huruf arab.

3.3 Tahapan Preprocessing Citra

Gambar 3.3 Tahapan preprocessing citra

 46

Penjelasan mengenai flowchart tahapan preprocessing citra adalah sebagai berikut:

1. Tahap pertama adalah memasukkan citra input yang telah didapatkan dari

hasil wawancara. Citra input ini pada awalnya ditulis diatas sebuah kertas

putih dan spidol hitam, kemudian hasilnya di scan untuk dapat di proses di

system komputer. Karna dalam satu kertas setiap responden menuliskan 7

huruf aksara sunda, maka setelah proses scanning, akan dilakukan proses

pemotongan gambar yang bertujuan untuk menjadikan satu gambar per

masing masing huruf agar lebih mudah untuk di proses.

2. Tahap kedua yaitu normalisasi ukuran citra. Normalisasi citra adalah proses

mengecilkan ukuran citra berdasarkan jumlah pikselnya. Misalnya citra

dengan ukuran 480 x 640 piksel dikecilkan menjadi 1/32 ukuran asli

menjadi 15 x 20 piksel. Proses normalisasi citra diperlukan untuk

mengurangi jumlah piksel citra namun tetap dengan mempertimbangkan

bentuk objek supaya tidak mengalami perubahan signifikan. Jumlah piksel

citra dikurangi agar jumlah node atau neuron pada layer input jaringan

syaraf tiruan yang digunakan tidak terlalu banyak sehingga mengakibatkan

waktu pemrosesan terlalu lama.

3. Tahap ke-3 adalah proses tresholding. Tresholding merupakan salah satu

metode segmentasi citra yang memisahkan antara objek dengan background

dalam suatu citra berdasarkan pada perbedaan tingkat kecerahannya atau

gelap terang nya. Region citra yang cenderung gelap akan dibuat semakin

gelap (hitam sempurna dengan nilai intensitas sebesar 0), sedangkan region

citra yang cenderung terang akan dibuat semakin terang (putih sempurna
 47

dengan nilai intensitas sebesar 1). Oleh karena itu, keluaran dari proses

segmentasi dengan metode thresholding adalah berupa citra biner dengan

nilai intensitas piksel sebesar 0 atau 1.

4. Tahap ke-4 yaitu penajaman citra. Proses ini dilakukan untuk memperoleh

dan memperjelas citra yang akan digunakan pada proses selanjutnya.

5. Tahap ke-5 yaitu binerisasi. Pada tahap ini citra digital akan dikonversi

kedalam bentuk citra biner. Citra biner adalah citra yang mempunyai dua

nilai derajat keabuan (grayscale) yaitu hitam dan putih. Pixel objek bernilai

1 dan pixel latar belakang bernilai 0, artinya latar belakang akan berwarna

putih dan objek akan berwarna hitam.

6. Tahap ke-6 yaitu penipisan citra. Penipisan citra adalah pengurangan bagian

pada sebuah citra untuk memperoleh informasi dasar tentang pembentukkan

citra atau memperoleh citra tanpa merusak dasar informasi dari citra aslinya

(Widiarti, 2011). Hasil penipisan citra adalah sebuah skeleton atau

kerangka.
 48

Gambaran sistem preprocessing citra dapat dilihat pada Gambar 3.4.

Gambar 3.4 Sistem tahapan preprocessing citra

Pada Gambar 3.4 merupakan gambar tampilan tahapan preprocessing citra.

Tahapan dimulai input citra asli, proses normalisasi, proses tresholding, proses

penajaman citra, proses binerisasi, dan proses penipisan citra.

3.4 Ektraksi Ciri

Ektraksi ciri adalah pengambilan ciri pada sebuah citra yang membuat

komputer dapat mengenali citra tersebut dengan lebih baik. Pada penelitin ini

ekstraksi ciri yang digunakan adalah intensitas karakter (intensity of character) dan

tanda arah (mark direction).

 49

3.5 Analisis Data Menggunakan Metode Backpropagation Neural Network

(BPNN)

Setelah data citra telah diperoleh, langkah selanjutnya adalah melakukan

analisis data citra menggunakan metode BPNN. Tahapan proses pelatihan dengan

menggunakan metode BPNN dapat dilihat pada Gambar 3.3 :

Gambar 3.5 Algoritma metode BPNN

 50

Penjelasan mengenai flowchart pelatihan algoritma Backpropagation Neural

Network (BPNN) adalah sebagai berikut:

1. Dimulai dengan memasukkan pasangan data pelatihan yaitu data tulisan

tangan yang telah diubah melalui proses preprocessing citra dan target yang

akan dicapai.

2. Tahap kedua yang dilakukan adalah inisialisasi bobot dengan bilangan acak

kecil dengan range -1 sampai 1.

3. Memasukkan nilai epoch = 0. Epoch bernilai 0 artinya belum ada iterasi

yang dilakukan oleh program.

4. Masuk ke fase 1, yaitu fase propagasi maju. Sinyal masukan (= Xi)

dipropagasikan ke layar tersembunyi menggunakan fungsi aktivasi yang

ditentukan. Keluaran dari setiap unit layar tersembunyi (= Zj ) tersebut

selanjutnya dipropagasikan maju lagi ke layar tersembunyi diatasnya

menggunakan fungsi aktivasi yang ditentukan. Demikian seterusnya hingga

menghasilkan keluaran jaringan (= Yk ).

5. Selanjutnya menuju fase 2 yaitu propagasi mundur. Berdasarkan kesalahan

tk – Yk , dihitung factor δk (k = 1, 2, …, m) yang dipakai untuk

mendistribusikan kesalahan di unit Yk ke semua unit tersembunyi yang

terhubung langsung dengan Yk. δk juga dipakai untuk mengubah bobot garis

yang berhubungan langsung dengan unit keluaran. Selanjutnya menghitung

suku perubahan bobot Wjk (yang akan dipakai nanti untuk merubah bobot

Wjk) .Dengan cara yang sama, dihitung factor δj disetiap unit layar

tersembunyi di layar bawahnya. Demikian seterusnya hingga semua factor

 51

δ di unit tersembunyi yang berhubungan langsung dengan masukan

dihitung.

6. Selanjutnya masuk ke tahap terakhir yaitu perubahan bobot. Setelah semua

factor δ dihitung, bobot semua garis dimodifikasi bersamaan. Perubahan

bobot suatu garis didasarkan atas factor δ neuron di layar atasnya. Ketiga

fase tersebut diulang – ulang terus hingga kondisi penghentian dipenuhi.

Umunya kondisi pengentian yang sering dipakai adalah jumlah iterasi atau

kesalahan. Iterasi akan dihentikan jika jumlah iterasi yang dilakukan sudah

melebihi jumlah maksimum iterasi yang ditetapkan, atau jika kesalahan

yang terjadi sudah lebih kecil dari batas toleransi yang diijinkan.

7. Apabila nilai i sudah lebih besar dari jumlah pola maka selanjutnya yaitu

menghitung nilai Mean Square Error (MSE). Setelah menghitung nilai

MSE maka selanjutnya akan diperiksa kembali apakah nilai epoch max

yang telah ditentukan lebih besar dari epoch hasil perulangan sebelumnya

dan nilai MSE lebih besar dari target kesalahan, maka iterasi akan

dihentikan dan bobot terakhir akan disimpan.

Setelah dilakukan pelatihan maka akan diperoleh bobot-bobot akhir. Bobot ini

selanjutnya akan digunakan untuk melakukan testing atau pengujian. Algoritma

proses pengujian disajikan pada Gambar 3.5:

 52

Gambar 3.6 Flowchart proses testing metode BPNN

Penjelasan mengenai flowchart proses testing metode BPNN adalah sebagai

berikut:

1. Memasukan data uji yang berupa tulisan tangan aksara sunda berupa

gambar yang telah diubah dahulu ke dalam biner.

2. Membaca bobot terakhir yang disimpan pada proses pelatihan sebelumnya.

3. Memasuki fase feedforward dimana pada fase ini menggunakan bobot

terakhir yang didapatkan pada proses pelatihan sebelumnya dan disimpan

dalam basis data. Setelah itu maka akan didapatkan hasil pengenalan pola

aksara sunda dari metode BPNN.

 53

3.6 Analisis Data Menggunakan Metode Learning Vector Quantization

(LVQ)

Tahapan proses pelatihan dengan menggunakan metode LVQ dapat dilihat

pada Gambar 3.6:

 54

Gambar 3.7 Algoritma metode LVQ

Penjelasan mengenai flowchart pelatihan algoritma LVQ adalah sebagai berikut:

1. Tahap pertama adalah menetapkan bobot, maksimum epoch, error minimal,

learning rate dan penurunan alpha.

2. Memasukkan input dan target yang akan dicapai

3. Menetapkan kondisi awal yaitu epoch = 0, i = 1 dan j = 1.

4. Selanjutkan akan diperiksa apakah epoch < max epoch dan α > error minimal,

jika tidak maka perhitungan akan selesai, jika iya maka akan dilanjutkan ke

tahap berikutnya.

5. Melakukan perulangan epoch = epoch + 1, sampai didapatkan nilai minimum

Sj

6. Setelah didapatkan nilai minimum Sj maka selanjutnya adalah memperbarui

bobot.
 55

7. Jika T = Cj maka rumus yang digunakan adalah 𝑤𝑗 (𝑏𝑎𝑟𝑢) = 𝑤𝑗 (𝑙𝑎𝑚𝑎) +

𝛼 |𝑥 − 𝑤𝑗 |

8. Jika T ≠ Cj maka rumus yang digunakan adalah 𝑤𝑗 (𝑏𝑎𝑟𝑢) = 𝑤𝑗 (𝑙𝑎𝑚𝑎) −

𝛼 |𝑥 − 𝑤𝑗 |

9. Selanjutnya adalah mengurangi laju pelatihan atau disebut penurunan alpha.

Setelah dilakukan pelatihan maka akan diperoleh bobot-bobot akhir. Bobot ini

selanjutnya akan digunakan untuk melakukan testing atau pengujian. Algoritma

proses pengujian disajikan pada Gambar 3.7.

Gambar 3.8 Flowchart proses testing metode LVQ

 56

Penjelasan mengenai flowchart proses testing metode LVQ adalah sebagai berikut:

1. Tahap pertama yaitu memasukkan data uji yang berupa tulisan tangan

aksara sunda berupa gambar yang telah diubah dahulu ke dalam biner dan

memasukkan bobot terakhir yang diperoleh dari proses pelatihan

sebelumnya.

2. Selanjutnya yaitu menghitung jarak antara data yang akan diuji dengan

bobot terakhir yang didapatkan pada proses pelatihan sebelumnya.

3. Selanjutnya pilih neuron dengan jarak minimum dengan perhitungan

Euclidean (jarak terdekat). Maksud dari tahapan ini adalah jika dua vektor

input memiliki nilai yang mendekati atau hampir sama, maka dalam lapisan

kompetitif akan mengenali kedua input tersebut ke dalam kelas yang sama

atau dapat disamakan dengan proses pengklasifikasian (pengelompokkan).

3.7 Pengukuran Perhitungan

Pengukuran pengukuran yang akan digunakan pada penelitian ini

menggunakan metode Mean Square Error (MSE). Dengan persamaan 3.1.

1
𝑀𝑆𝐸 = = ∑𝑀 𝑁
𝑥=1 ∑𝑦=1(𝑆𝑥𝑦 − 𝐶𝑥𝑦 )
2
(3.1)
𝑀𝑁

Keterangan :

𝑥 dan 𝑦 = koordinat gambar

M dan N = dimensi gambar

𝑆𝑥𝑦 dan 𝐶𝑥𝑦 = C_max2 memiliki nilai maksimum dalam gambar yaitu nilai

maksimum dari nilai piksel yaitu 255 dan nilai minimum yaitu 1
 57

3.8 Perangkat Penelitian

Penelitian ini akan menggunakan perangkat lunak yaitu MATLAB R2015a.

Perangkat lunak ini memiliki tools yang dapat memproses matriks dalam ukuran

yang besar, dan memang biasa digunakan dalam pengenalan pola.

3.9 Jadwal Penelitian

Berbagai aktivitas dan kegiatan dalam penelitian ini dapat terjadwal dan selesai

sesuai dengan waktu yang telah ditentukan, maka perlu disusun dalam suatu jadwal

penelitian. Penelitian ini dilaksanakan selama 4 (empat) bulan, dimulai pada bulan

Desember 2018 hingga Maret 2019. Rencana rangkaian kegiatan dapat dilihat pada

Tabel 3.1.

Tabel 3.1 Jadwal Penelitian

2018 2019
No Jenis Kegiatan Desember Januari Februari Maret
1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4
A. Tahapan Pra Penelitian
1 Menentukan judul penelitian
2 Menyusun rumusan masalah
3 Studi literatur
4 Mempelajari data dan metode
5 Menyusun metode penelitian
6 Menyusun proposal penelitian
7 Revisi proposal penelitian
8 Seminar proposal
B. Tahapan Penelitian
1 Pengumpulan data uji
2 Analisis data
Pengujian data Training dan data
3 Testing dengan menggunakan
metode Backpropagation
Pengujian data Training dan data
Testing dengan menggunakan
4
metode Learning Vector
Quantization
C. Tahap Akhir Penelitian
1 Penyusunan Laporan
2 Revisi laporan
3 Penyempurnaan laporan
4 Penulisan artikel ilmiah
5 Seminar hasil