Upload
lamphuc
View
256
Download
8
Embed Size (px)
Citation preview
IMPLEMENTASI JARINGAN SYARAF TIRUAN BACKPROPAGATION
PADA PENGENALAN POLA BATIK MOTIF LAMPUNG
(SKRIPSI)
Oleh
ROSYAD KAMIL
JURUSAN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS LAMPUNG
2017
i
ABSTRACT
THE IMPLEMENTATION OF BACKPROPAGATION ARTIFICIAL
NEURAL NETWORK FOR RECOGNITION OF BATIK MOTIF
LAMPUNG
By
ROSYAD KAMIL
United Nations Educational, Scientific, and Culture Organization (UNESCO) has
recognized batik cloth is one of the world cultural heritage that originated from
Indonesia, exactly on October 2, 2009. Batik in Indonesia has a motive that many,
varied and almost every motif of batik various regions have similar motives, but if
viewed in more detail batik cloth from different regions are not the same. Certain
people who have expertise and knowledge in the field of batik that can distinguish
batik motif from various regions. Lampung is one area in Indonesia that has a
cloth motif that characterizes the Lampung area used as batik cloth. This study
discusses the backpropagation artificial neural network that will be used for the
classification of pattern batik motif Lampung. Batik motif lampung used is
sembagi, siger ratu agung, jung agung and siger clove cengkih, while for batik is
not a motive Lampung used parang kusumo and broken parang. Stages to be done
are scaling, grayscale, tresholding and classification. Comparison of training data
and data testing used is 70:30 and 80:30 with the need of backpropagation neural
network that is epoch = 2000, learning rate = 0.1 and target error = 0.001. The
greatest accuracy value is found in the 70:30 data is 92%.
Keywords : Batik, Pattern Recognition, Artificial Neural Network,
Backpropagation, Lampung
ii
ABSTRAK
IMPLEMENTASI JARINGAN SYARAF TIRUAN BACKPROPAGATION
PADA PENGENALAN POLA BATIK MOTIF LAMPUNG
Oleh
ROSYAD KAMIL
United Nations Educational, Scientific, and Culture Organization (UNESCO)
telah mengakui kain batik merupakan salah satu warisan budaya dunia yang
berasal dari Indonesia, tepat pada tanggal 2 Oktober 2009. Batik di Indonesia
memiliki motif yang bergitu banyak, bervariasi dan hampir setiap motif batik dari
berbagai daerah memiliki motif yang serupa, namun jika dilihat lebih rinci kain
batik dari berbagai daerah tidak sama. Orang-orang tertentu saja yang memiliki
keahlian dan pengetahuan pada bidang membatik yang dapat membedakan motif
batik dari berbagai daerah. Lampung merupakan salah satu daerah di Indonesia
yang memiliki motif kain mencirikan daerah Lampung yang dijadikan sebagai
kain batik. Penelitian ini membahas jaringan syaraf tiruan backpropagation yang
akan digunakan untuk klasifikasi pola batik motif Lampung. Batik motif lampung
yang digunakan yaitu sembagi, siger ratu agung, jung agung dan siger kembang
cengkih, sedangkan untuk batik bukan motif Lampung digunakan parang kusumo
dan parang rusak. Tahapan-tahapan yang akan dilakukan yaitu scaling, grayscale,
tresholding dan klasifikasi. Perbandingan data training dan data testing yang
digunakan yaitu 70:30 dan 80:30 dengan kebutuhan jaringan syaraf tiruan
backpropagation yaitu epoch=2000, learning rate=0,1 dan target error=0,001.
Nilai accuracy terbesar didapat pada data 70:30 yaitu 92%.
Kata Kunci : Batik, Pengenalan Pola, Jaringan Syaraf Tiruan,
Backpropagation, Lampung
IMPLEMENTASI JARINGAN SYARAF TIRUAN BACKPROPAGATION
PADA PENGENALAN POLA BATIK MOTIF LAMPUNG
Oleh :
ROSYAD KAMIL
Skripsi
Sebagai Salah Satu Syarat untuk Memperoleh Gelar
SARJANA KOMPUTER
pada
Jurusan Ilmu Komputer
Fakultas Matematika dan Ilmu Pengetahuan Alam
JURUSAN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS LAMPUNG
2017
vii
RIWAYAT HIDUP
Penulis dilahirkan pada tanggal 22 Juli 1995 di Bandar
Lampung, dengan Ibu bernama Nita Yunitasari dan
Ayah bernama Hery Novpriansyah.
Penulis menyelesaikan pendidikan formal pertama kali
di Taman Kanak-kanak Aisyiyah Teluk Betung, Bandar
Lampung tahun 2001, menyelesaikan Sekolah Dasar
(SD) di SD Negeri 5 Talang Bandar Lampung tahun 2007, menyelesaikan
Sekolah Menengah Pertama (SMP) di SMP Negeri 3 Bandar Lampung tahun
2010, kemudian melanjutkan jenjang Madrasah Aliyah Negeri (MAN) di MAN 2
Bandar Lampung mengambil jurusan Ilmu Pengetahuan Alam (IPA) dan lulus
tahun 2013.
Pada tahun 2013, penulis terdaftar sebagai mahasiswa Jurusan Ilmu Komputer
Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Lampung melalui
jalur SBMPTN. Pada bulan Januari – Maret 2016, penulis melakukan kerja
praktik di PT. Sinar Niaga Sejahtera (SNS) Region Sumatera Bagian Selatan
(SBS) 2 selama 40 hari. Kemudian pada bulan Juli 2016 penulis melakukan
Kuliah Kerja Nyata (KKN) selama 40 hari di Desa Gunung Agung, Terusan
Nunyai, Kabupaten Lampung Tengah.
viii
Selama menjadi mahasiswa, penulis aktif dalam beberapa organisasi dan kegiatan
kemahasiswaan, antara lain:
1. Rohani Islam (ROIS) Fakultas Matematika dan Ilmu Pengetahuan Alam
Universitas Lampung dengan menjabat sebagai Anggota Bidang
Hubungan Masyarakat (HUMAS) pada tahun 2014-2015.
2. Badan Eksekutif Mahasiswa (BEM) Universitas Keluarga Besar
Mahasiswa (KBM) Universitas Lampung dengan menjabat sebagai staff
kementrian Pendidikan dan Kepemudaan (P&K) pada tahun 2014-2015.
3. Himpunan Mahasiswa Jurusan Ilmu Komputer (Himakom) Universitas
Lampung dengan menjabat sebagai Anggota Bidang Internal pada tahun
2015-2016.
4. Badan Eksekutif Mahasiswa (BEM) Fakultas Matematika dan Ilmu
Pengetahuan Alam (FMIPA) Universitas Lampung dengan menjabat
sebagai kepala departemen Hubungan Luar dan Pengabdian Masyarakat
(HLPM) pada tahun 2015-2016.
5. Dewan Pewakilan Mahasiswa (DPM) Fakultas Matematika dan Ilmu
Pengetahuan Alam (FMIPA) Universitas Lampung dengan menjabat
sebagai anggota komisi 2 pada tahun 2016-2017.
6. Acara Pelantikan Korps Muda BEM (KMB) X Jilid 2 pada tahun 2015
sebagai Ketua Pelaksana.
ix
PERSEMBAHAN
Puji dan syukur saya panjatkan kepada Allah SWT atas segala
rahmat dan berkah-Nya sehingga skripsi ini dapat terselesaikan.
Teruntuk kedua orang tuaku Bapak Hery Novpriansyah dan Ibu
Nita Yunitasari yang selalu memberikan do’a, nasehat, serta
segala daya dan upayanya demi tercapai harapan dan cita-citaku.
Mereka merupakan motivasi terbesar untuk mencapai keinginan
dan cita-citaku untuk di dunia maupun di akhirat.
Keluarga besar yang telah memberikan dukungan dan apresiasi.
Keluarga Ilmu Komputer 2013
Serta Almamater tercinta,
Universitas Lampung.
x
MOTTO
"Khoirunnas anfa’uhum linnas.
(Sebaik-baiknya Manusia adalah yang bermanfaat bagi manusia
lain)"
(HR. Thabrani dan Daruqutni)
“Maka sesungguhnya bersama kesulitan ada kemudahan”
(Q.S. Al-Insyirah: 5)
"Sesungguhnya Allah tidak mengubah keadaan sesuatu kaum
sehingga mereka mengubah keadaan yang ada pada diri mereka
sendiri"
(Q.S.Ar-Ra’d:11)
xi
SANWACANA
Assalamualaikum wr, wb.
Alhamdulillah, segala puji bagi Allah SWT yang telah melimpahkan rahmat,
hidayah, kesehatan dan karunia-Nya sehingga penulis dapat menyelesaikan
penulisan skripsi yang berjudul “Implementasi Jaringan Syaraf Tiruan
Backpropagation pada Pengenalan Pola Batik Motif Lampung ” dengan baik.
Terima kasih penulis ucapkan kepada semua pihak yang telah membantu dan
berperan besar dalam menyusun skripsi ini, antara lain :
1. Kedua orangtua tercinta, Bapak Hery Novpriansyah dan Ibu Nita Yunitasari
yang telah memberikan doa, nasehat, kasih sayang, dukungan dan semangat
yang tak terhingga serta memfasilitasi kebutuhan untuk menyelesaikan skripsi
ini.
2. Bapak Rico Andrian, S.Si., M.Kom. sebagai pembimbing utama yang telah
membimbing, memotivasi serta memberikan ide, kritik dan saran selama
masa perkuliahan dan penyusunan skripsi sehingga penulis bisa sampai di
tahap ini.
3. Bapak Bambang Hermanto, S.Kom., M.Cs. sebagai pembimbing kedua yang
telah membimbing serta memberikan bantuan, ide, nasehat, kritik dan saran
dalam penyusunan skripsi ini.
xii
4. Bapak Dr. Eng. Admi Syarif sebagai pembahas, yang telah memberikan
komentar dan masukan yang bermanfaat untuk perbaikan dalam penyusunan
skripsi ini.
5. Bapak Prof. Warsito, S.Si., D.E.A., Ph.D. sebagai Dekan FMIPA Universitas
Lampung.
6. Bapak Dr. Ir. Kurnia Muludi, M.S.Sc. sebagai Ketua Jurusan Ilmu Komputer
FMIPA Universitas Lampung.
7. Bapak Didik Kurniawan, S.Si., M.T., sebagai Sekretaris Jurusan Ilmu
Komputer FMIPA Universitas Lampung.
8. Bapak dan Ibu Dosen Jurusan Ilmu Komputer yang telah memberikan ilmu
dan pengalaman hidup selama penulis menjadi mahasiswa.
9. Ibu Ade Nora Maela dan Pak Irshan yang telah membantu segala urusan
administrasi penulis di Jurusan Ilmu Komputer.
10. Om Yudi dan Uak Nana yang telah memberikan nasehat, motivasi dan saran
baik dalam pengerjaan skripsi ini maupun untuk masa depan.
11. Kyai Faris, Kakak Iza, Abang Ammar, Usamah, Nina dan Jundi yang
merupakan penyemangat dan dorongan untuk menyelesaikan skipsi ini
hingga sukses dikemudian hari.
12. Fachri, Fuad, Naufal, Afif, Nazhim, Hadiyan, Faisal dan Yudis yang selalu
kumpul bersama dan menanyakan kabar dan skripsi hingga skripsi ini selesai.
13. Adly, Dika, Hafizh, Asep, Maulidi, Abdi, Apri, Meitra, Radit dan Tegar yang
saling memberikan semangat dalam menyelesaikan skripsi.
14. Sahabat seperjuangan Widi, Faiq, Rifqi, Agum, Rido dan Sitepu yang selalu
memberikan semangat dalam penyusunan skripsi ini.
xiii
15. Teman-teman yang telah membantu memberikan ide dan masukan dalam
penulisan, Wibi dan Rifaldhi di masa penyusunan skripsi ini.
16. Teman penulisan skripsi Adib yang telah membantu dalam penukaran ide dan
pencarian data selama penelitian.
17. Keluarga Ilmu Komputer 2013 yang tidak bisa disebutkan satu per satu,
terima kasih atas kebersamaannya selama ini.
18. Mas Zai yang telah membukakan pintu ruang skripsi agar penulis bisa belajar
dan mengerjakan penelitian hingga selesai.
19. Almamater tercinta, Universitas Lampung.
Penulis menyadari bahwa skripsi ini masih jauh dari kesempurnaan, akan tetapi
sedikit harapan semoga skripsi ini bermanfaat bagi perkembangan ilmu
pengetahuan terutama bagi teman-teman Ilmu Komputer.
Bandarlampung, 25 Desember 2017
Rosyad Kamil
xiv
DAFTAR ISI
Halaman
DAFTAR ISI ....................................................................................................... xiv
DAFTAR GAMBAR ......................................................................................... xvii
DAFTAR TABEL ............................................................................................ xviii
I. PENDAHULUAN ............................................................................................ 1
A. Latar Belakang ........................................................................................... 1
B. Rumusan Masalah ...................................................................................... 4
C. Batasan Masalah ......................................................................................... 4
D. Tujuan ........................................................................................................ 5
E. Manfaat ....................................................................................................... 5
II. TINJAUAN PUSTAKA ................................................................................. 6
A. Sejarah Batik .............................................................................................. 6
B. Batik Lampung ........................................................................................... 7
C. Pengenalan Pola.......................................................................................... 8
1. Preprocessing ..................................................................................... 9
2. Feature Extraction ............................................................................... 9
xv
3. Classification ..................................................................................... 10
D. Jaringan Syaraf Tiruan ............................................................................. 11
1. Konsep Dasar Pemodelan Jaringan Syaraf Tiruan ............................ 11
2. Konsep Dasar Jaringan Syaraf Tiruan ............................................... 13
3. Arsitektur Jaringan Syaraf Tiruan ..................................................... 14
E. Backpropagation....................................................................................... 17
F. Arsitektur Backpropagation .................................................................... 18
G. Recall, Precision, Accuracy dan Error Rate ........................................... 19
III. METODOLOGI PENELITIAN ................................................................. 21
A. Tahapan Penelitian ................................................................................... 21
1. Pengumpulan Citra Batik Motif Lampung ........................................ 22
2. Scaling ............................................................................................... 22
3. Grayscale ........................................................................................... 22
4. Thresholding ...................................................................................... 23
5. Data Training dan Data Testing......................................................... 24
6. Klasifikasi Menggunakan JST Backpropagation .............................. 24
B. Waktu dan Tempat Penelitian .................................................................. 32
C. Alat dan Bahan ......................................................................................... 32
IV. HASIL DAN PEMBAHASAN ..................................................................... 34
A. Data Motif Batik....................................................................................... 34
B. Scaling ..................................................................................................... 35
xvi
C. Grayscale .................................................................................................. 36
D. Thresholding ............................................................................................ 38
E. Jaringan Syaraf Tiruan Backpropagation ................................................. 40
F. Pengujian Metode ..................................................................................... 44
G. Perbandingan JST Backpropagation dengan KNN .................................. 50
V. KESIMPULAN DAN SARAN ...................................................................... 53
A. Kesimpulan .............................................................................................. 53
B. Saran ......................................................................................................... 53
DAFTAR PUSTAKA .......................................................................................... 55
LAMPIRAN ......................................................................................................... 57
xvii
DAFTAR GAMBAR
Gambar Halaman
1. Proses Pengenalan Pola ....................................................................................... 8
2. Model Jaringan Syaraf Tiruan ........................................................................... 12
3. Arsitektur Jaringan Lapisan Tunggal ................................................................ 15
4. Arsitektur Jaringan Lapisan Jamak ................................................................... 16
5. Arsitektur Jaringan Lapisan Kompetitif ............................................................ 17
6. Arsitektur Backpropagation .............................................................................. 18
7. Tahapan Penelitan ............................................................................................. 21
8. Notation and index labeling used in backpropagation ..................................... 25
9. Citra Batik Motif (a) Sembagi (b) Siger Ratu Agung (c) Jung Agung ............. 34
10. Citra Batik Motif Sembagi yang Diperkecil ................................................... 35
11. Citra Batik Motif Sembagi Grayscale............................................................. 37
12. Citra Batik Motif Sembagi Threshold ............................................................. 38
13. Arsitektur JST Backpropagation untuk Motif Batik ....................................... 42
14. Grafik Perbandingan Accuracy dan Error Rate Data 70:30 ........................... 50
xviii
DAFTAR TABEL
Tabel Halaman
1. Multiclass Confusion Matrices ......................................................................... 19
2. Nilai RGB Citra Motif Sembagi ....................................................................... 36
3. Nilai Grayscale Batik Motif Sembagi .............................................................. 37
4. Nilai Biner Batik Motif Sembagi ...................................................................... 39
5. Array Satu Dimensi Citra Motif Sambagi ......................................................... 40
6. Confusion Matrices Hasil Klasifikasi Motif Batik 70:30 ................................. 45
7. Confusion Matrices Hasil Klasifikasi Motif Batik 80:20 ................................. 46
8. Recall, Precision, Accuracy dan Error Rate Hasil Klasifikasi Motif ............... 47
9. Recall, Precision, Accuracy dan Error Rate Hasil Klasifikasi Motif ............... 49
10. Pengujian dengan orientasi arah sudut 00, 45
0, 90
0, 135
0 ............................... 52
I. PENDAHULUAN
A. Latar Belakang
Indonesia merupakan negara yang memiliki beragam suku bangsa, bahasa,
budaya dan kesenian dearah yang tersebar dari sabang samapai merauke.
United Nations Educational, Scientific, and Culture Organization
(UNESCO) telah mengakui kain batik merupakan salah satu warisan budaya
dunia yang berasal dari Indonesia, tepat pada tanggal 2 Oktober 2009
(Brasilka, Ernawati, & Andreswari, 2015). Sumatera atau sering juga ditulis
Sumatra merupakan pulau yang berada di sebelah Barat Indonesia, Sumatra
merupakan pulau yang cukup luas dan memiliki beberapa provinsi. Lampung
salah satu provinsi di Sumatra yang memiliki motif kain mencirikan daerah
Lampung yang dijadikan sebagai kain batik seperti motif sembagi, siger dan
kapal. Kain batik motif Lampung merupakan kain yang sangat penting,
karena kain batik motif Lampung telah digunakan bahkan diwajibkan dalam
hari-hari tertentu pada beberapa instansi di provinsi Lampung.
Batik memiliki motif yang bergitu banyak, bervariasi dan hampir setiap motif
batik dari berbagai daerah memiliki motif yang serupa, namun jika dilihat
lebih rinci kain batik dari berbagai daerah tidak sama. Orang-orang tertentu
saja yang memiliki keahlian pada bidang membatik yang memiliki
2
pengetahuan tentang pengenalan motif batik (Pebrianasari, Mulyanto, &
Dolphina, 2015).
Pengenalan pola sudah digunakan pada berbagai penelitian dalam bidang
yang berbeda-beda. Pengenalan pola telah diterapkan pada pengenalan wajah,
finger print, tanda tangan, nomor kendaraan, retina dan motif batik.
Algoritma Backpropagation merupakan salah satu algoritma supervised pada
jaringan syaraf tiruan yang digunakan untuk pengenalan pola pada banyak
bidang. Backpropagation dapat melatih jaringan untuk mengenali pola yang
digunakan selama pelatihan serta kemampuan jaringan untuk memberikan
respon yang benar terhadap pola masukan yang serupa (tapi tidak sama)
dengan pola yang dipakai selama pelatihan (Redjeki, 2013). Backpropagation
terdiri dari 3 lapisan, yaitu lapisan masukan atau input layer terdiri atas
variabel masukan unit sel saraf, lapisan tersembunyi atau hidden layer terdiri
atas unit sel saraf, dan lapisan keluaran atau output layer terdiri atas keluaran
unit sel saraf (Wuryandari & Afrianto, 2012). Penelitian yang telah dilakukan
pada pengenalan pola dengan menggunakan jaringan syaraf tiruan
backpropagation, pada tahun 2017 telah dilakukan penelitian oleh Anita
Ahmad Kasim, Retantyo Wardoyo dan Agus Harjoko yang membahas batik
classification with artificial neural network on texture-shape feature of main
ornament. Fitur texture dan fitur shape pada batik akan digabungkan untuk
mengklasifikasikan citra menggunakan artificial neural network. Nilai
akurasi dari klasifikasi neural network setiap kelas batik pada fase training
dan testing akan dibandingkan dengan menggunakan fitur texture, shape dan
kombinasi texture dan shape. Percobaan menunjukkan bahwa fitur shape
3
memiliki tingkat akurasi terendah yaitu 80,95% dan kombinasi fitur texture
and shape menghasilkan nilai akurasi lebih besar yaitu 90,48%. Penelitian
lainnya dilakukan oleh Vera Pebrianasari, Edy Mulyanto dan Erlin Dolphina
pada tahun 2015 yang membahas pengenalan motif batik pekalongan
menggunakan algoritma backpropagation. Algoritma backpropagation
digunakan untuk mengenali motif batik Pekalongan. Hasil akhir yang
diperoleh yaitu algoritma backpropagation bisa digunakan untuk mengenali
motif batik Pekalongan dengan tingkat akurasi yang diperoleh mencapai
88,62%. Penelitian menggunakan dataset batik Lampung dilakukan oleh
Muhammad Adib Naufal pada tahun 2017 yang membahas implementasi
metode klasifikasi K-Nearest Neighbor (KNN) untuk pengenalan pola batik
motif Lampung. Ekstraksi fitur yang digunakan adalah Gray Level Co-
occurrence Matrices (GLCM), fitur-fitur pada GLCM yang digunakan
berjumlah 4 fitur yaitu Angular Second Moment (ASM), Contrast,
Homogeneity dan Correlation, setiap fitur dihitung menggunakan satu piksel
jarak di empat arah, yaitu 00, 45
0, 90
0, dan 135
0. Hasil akhir yang diperoleh
yaitu akurasi tertinggi didapatkan pada orientasi arah sudut 1350 di nilai k = 7
dan 25 yaitu sebesar 97,959%, dan tingkat akurasi terendah pada orientasi
arah sudut sebesar 00 dengan nilai k = 19 yaitu sebesar 70%.
Penelitian-penelitian yang telah dilakukan menghasilkan tingkat akurasi yang
cukup tinggi. Akurasi yang dihasilkan cukup tinggi inilah yang mendasari
untuk mengenali pola motif batik Lampung menggunakan jaringan syaraf
tiruan backpropagation. Batik sangat cocok dijadikan objek penelitian
pengenalan pola, karena batik mempunyai pola motif yang kompleks dan
4
bervariasi. Peneliti mengangkat tema implementasi jaringan syaraf tiruan
backpropagation pada pengenalan pola batik motif Lampung.
B. Rumusan Masalah
Rumusan masalah yang akan dibahas dalam penelitian ini adalah bagaimana
mengenali dan membedakan pola batik motif Lampung dan pola batik bukan
motif Lampung menggunakan metode jaringan syaraf tiruan
backpropagation.
C. Batasan Masalah
Batasan masalah dalam implementasi metode jaringan syaraf tiruan
backpropagation pada pengenalan batik motif Lampung adalah sebagai
berikut.
1. Dataset yang digunakan dalam penelitian ini berkisar 250 data dengan
menggunakan 4 batik motif Lampung dan 2 batik motif bukan
lampung.
2. Pengujian metode jaringan syaraf tiruan backpropagation terhadap
batik motif Lampung.
3. Hasil klasifikasi pada data uji adalah batik motif Lampung atau batik
bukan motif Lampung.
5
D. Tujuan
Penelitian implementasi jaringan syaraf tiruan backpropagation pada
pengenalan pola batik motif Lampung bertujuan untuk menghitung tingkat
akurasi metode backpropagation dalam membedakan batik motif Lampung
atau bukan batik motif Lampung.
E. Manfaat
Manfaat dari implementasi metode jaringan syaraf tiruan backpropagation
pada pengenalan batik motif Lampung ini yaitu mempermudah pengenalan
batik motif Lampung dan batik bukan motif Lampung.
6
II. TINJAUAN PUSTAKA
A. Sejarah Batik
Indonesia merupakan negara yang memiliki beragam suku bangsa, bahasa,
budaya dan kesenian dearah yang tersebar dari sabang samapai merauke.
United Nations Educational, Scientific, and Culture Organization
(UNESCO) telah mengakui kain batik merupakan salah satu warisan budaya
dunia yang berasal dari Indonesia, tepat pada tanggal 2 Oktober 2009. Jenis
dan corak batik tradisional tergolong sangat banyak, corak dan variasi
batiknya sesuai dengan filosofi dan budaya masing-masing daerah (Brasilka,
Ernawati, & Andreswari, 2015).
Kesenian batik adalah kesenian gambar di atas kain untuk pakaian yang
menjadi salah satu kebudayaan keluarga raja-raja Indonesia zaman dahulu.
Batik awalnya dikerjakan hanya terbatas dalam keraton saja dan hasilnya
untuk pakaian raja dan keluarga serta para pengikutnya. Pengikut raja banyak
yang tinggal di luar keraton, oleh karena itu maka kesenian batik ini dibawa
oleh mereka ke luar keraton dan dikerjakan ditempatnya masing-masing.
Kesenian batik ini lama-lama ditiru oleh rakyat terdekat dan selanjutnya
meluas menjadi pekerjaan kaum wanita. Batik yang tadinya hanya pakaian
7
keluarga keraton, kemudian menjadi pakaian rakyat yang digemari, baik
wanita maupun pria (Restianti, 2010).
B. Batik Lampung
Lampung pada awalnya tidak memiliki tradisi membatik, namun ada
peninggalan yang disebut sebagai batik pertama yang dikenakan oleh
masyarakat Lampung, yaitu kain sebagi. Sebagi merupakan kain yang berasal
dari Tiongkok dan sudah dikenakan oleh masayarakat Lampung sejak masa
kerajaan Sriwijaya. Zuraida Kherustika (Kepala UPTD Museum Lampung)
dalam Lampung Post, menjelaskan bahwa hubungan perdagangan Lampung
dengan Tiongkok membawa kebudayaan baru yaitu tekstil atau batik kain
sebagi. Motif pada kain Sebagi kebanyakan menjelaskan tentang alam,
seperti bunga dan dedaunan (Rudiansyah, 2016).
Lampung memiliki keunikan motif tersendiri yang berbeda dengan motif
daerah-daerah lain di Indonesia. Motif yang menjadi sangat khas bagi
kebudayaan Lampung adalah motif perahu dan pohon kehidupan, dua motif
ini merupakan motif yang paling terkenal dan menjadi rebutan para kolektor
asing. Motif-motif tersebut terdapat pada kain tampan, palepai dan tatibin.
Situs-situs peninggalan motif Lampung yang sudah melegenda pada kain
tapis, palepai tampan maupun tatibin inilah yang akan dituangkan kedalam
corak batik. Batik maupun tapis adalah sisa peninggalan budaya yang
diturunkan secara turun temurun selama ratusan tahun silam yang patut
dilestarikan (Artistiana, 2010).
8
C. Pengenalan Pola
Pengenalan pola merupakan suatu ilmu untuk mengklasifikasikan atau
menggambarkan pengukuran kuantitatif fitur (ciri) atau sifat utama dari suatu
obyek. Tujuan dari pengenalan pola adalah menentukan kelompok atau
kategori pola berdasarkan ciri-ciri yang dimiliki oleh pola tersebut atau
dengan kata lain, pengenalan pola membedakan suatu objek dengan objek
yang lain. Klasifikasi terhadap suatu objek dapat dilakukan dengan melalui
tahapan yang dapat dilihat pada Gambar 1. Citra diambil menggunakan
kamera, citra yang didapat diolah tanpa kehilangan informasi yang penting.
Informasi dari citra kemudian diekstraksi fitur yang bertujuan untuk
mengukur fitur dan sifat tertentu.
Gambar 1. Proses Pengenalan Pola (Duda, Hart, & Stork, 2001)
9
Fitur-fitur ini (atau lebih tepatnya, nilai-nilai fitur) kemudian diteruskan ke
classifier yang mengevaluasi fitur yang didapat dan membuat keputusan
akhir citra masuk ke kelas mana (Duda, Hart, & Stork, 2001).
1. Preprocessing
Preprocessing adalah tahapan yang dilakukan sebelum ciri suatu citra
diekstraksi, diantaranya scaling, grayscale dan thresholding. Scaling
adalah merubah ukuran suatu citra menjadi piksel yang lebih kecil agar
dapat terlihat pola dari suatu citra dan memudahkan dalam proses
klasifikasi. Nilai RGB tiap-tiap piksel akan dicari pada proses scaling.
Citra akan melalui tahap grayscale atau perubahan citra menjadi
keabuabuan setelah melalui proses scaling. Citra yang telah dirubah
menjadi grayscale nantinya hanya akan memiliki satu nilai untuk setiap
piksel. Thresholding digunakan untuk mengubah citra menjadi citra hitam
putih atau citra biner (Pebrianasari, Mulyanto, & Dolphina, 2015).
2. Feature Extraction
Tujuan Feature Extraction adalah untuk mengkarakterisasi objek yang
akan dikenali oleh pengukuran yang nilainya sangat mirip untuk benda-
benda dalam kategori yang sama dan sangat berbeda untuk objek dalam
kategori yang berbeda (Duda, Hart, & Stork, 2001). Ekstraksi ciri
merupakan salah satu proses awal yang penting dalam melakukan
klasifikasi citra dalam pengenalan pola. Citra batik yang terklasifikasi
dengan baik akan memberikan informasi citra batik yang dapat digunakan
10
untuk pelestarian motif batik (Kasim & Harjoko, Klasifikasi Citra Batik
Menggunakan Jaringan Syaraf Tiruan Berdasarkan Gray Level Co-
Occurrence Matrices (GLCM), 2014). Hasil yang diperoleh dalam
penelitian ini adalah klasifikasi citra batik berdasarkan nilai biner motif
citra batik dengan metode jaringan syaraf tiruan backpropagation.
3. Classification
Classification adalah proses penemuan model (atau fungsi) yang
menggambarkan dan membedakan kelas data atau konsep yang bertujuan
agar bisa digunakan untuk memprediksi kelas dari objek yang label
kelasnya diketahui (Kasim & Harjoko, Klasifikasi Citra Batik
Menggunakan Jaringan Syaraf Tiruan Berdasarkan Gray Level Co-
Occurrence Matrices (GLCM), 2014). Algoritma klasifikasi yang banyak
digunakan secara luas, yaitu Decision atau Classification Trees, Bayesian
Classifiers atau Naive Bayes classifiers, Jaringan Syaraf Tiruan, Analisa
Statistik, Algoritma Genetika, Rough Sets, K-Nearest Neighbor, Metode
Rule Based, Memory Based Reasoning, dan Support Vector Machines
(SVM). Hasil dari feature extraction akan digunakan sebagai masukan
dalam pembelajaran jaringan syaraf tiruan backpropagation. Proses ini
dilakukan agar data atau citra dapat dikategorikan dalam suatu kelas
tertentu yang telah ditentukan.
11
D. Jaringan Syaraf Tiruan
Jaringan syaraf tiruan merupakan salah satu sistem pemrosesan informasi
yang didesain dengan menirukan cara kerja otak manusia dalam
menyelesaikan suatu masalah dengan melakukan proses belajar melalui
perubahan bobot sinapsisnya. Jaringan syaraf tiruan mampu melakukan
pengenalan kegiatan berbasis data masa lalu. Data masa lalu akan dipelajari
oleh jaringan syaraf tiruan sehingga mempunyai kemampuan untuk
memberikan keputusan terhadap data yang belum pernah dipelajari (Fitryadi
& Sutikno, 2016). Jaringan syaraf tiruan tercipta sebagai suatu generalisasi
model matematis dari pemahaman manusia (human cognition) yang
didasarkan atas asumsi sebagai berikut :
1. Pemrosesan informasi terjadi pada elemen sederhana yang disebut
neuron.
2. Isyarat mengalir di antara sel saraf atau neuron melalui suatu
sambungan penghubung.
3. Sambungan penghubung memiliki bobot yang bersesuaian.
4. Sel saraf merupakan fungsi aktivasi terhadap isyarat hasil penjumlahan
berbobot yang masuk kepadanya untuk menentukan isyarat
keluarannya (Wuryandari & Afrianto, 2012).
1. Konsep Dasar Pemodelan Jaringan Syaraf Tiruan
Jaringan syaraf terdiri atas beberapa neuron dan ada hubungan antara
neuron– neuron tersebut. Neuron adalah sebuah unit pemroses informasi
12
yang menjadi dasar pengoperasian jaringan syaraf tiruan. Syaraf adalah
sebuah unit pemroses informasi dengan tiga elemen dasar yaitu :
a. Satu set link yang terhubung.
b. Penjumlah untuk menghitung besarnya penambahan pada sinyal
masukan.
c. Fungsi aktivasi untuk membatasi banyaknya keluaran pada syaraf.
Jaringan syaraf sebagian besar melakukan penyesuaian bobot–bobotnya
selama menjalani pelatihan. Pelatihan dapat berupa pelatihan terbimbing di
mana diperlukan pasangan masukan sasaran untuk tiap pola yang
dilatihkan (Kasim & Harjoko, Klasifikasi Citra Batik Menggunakan
Jaringan Syaraf Tiruan Berdasarkan Gray Level Co-Occurrence Matrices
(GLCM), 2014). Gambar 2 dibawah ini menggambarkan model jaringan
syaraf tiruan.
Gambar 2. Model Jaringan Syaraf Tiruan (Haykin, 2009)
13
2. Konsep Dasar Jaringan Syaraf Tiruan
Pola-pola informasi input dan output yang diberikan kedalam jaringan
syaraf tiruan diproses dalam neuron. Neuron-neuron tersebut terkumpul
didalam lapisan-lapisan yang disebut layers. Lapisan-lapisan penyusun
jaringan syaraf tiruan tersebut dapat dibagi menjadi 3 yaitu input layer,
hidden layer dan output layer (Pebrianasari, Mulyanto, & Dolphina,
2015).
a. Input layer
Unit-unit didalam input layer disebut unit-unit input. Unit-unit input
tersebut menerima pola masukan data dari luar yang menggambarkan
suatu permasalahan.
b. Hidden layer
Unit-unit didalam hidden layer disebut unit-unit hidden. Output dari
unit-unit hidden tidak dapat secara langsung diamati.
c. Output layer
Unit-unit di dalam output layer disebut unit-unit output. Output dari
layer ini merupakan solusi jaringan syaraf tiruan terhadap sutu
permasalahan.
Jaringan syaraf tiruan disusun oleh kumpulan neuron yang saling
berhubungan untuk membentuk sistem neuronal yang mampu belajar dan
memahami mekanismenya. Jaringan syaraf tiruan dicirikan oleh arsitektur
spesifiknya, arsitektur ini dilambangkan dengan jumlah neuron dari
lapisan masukan, jumlah lapisan tersembunyi, jumlah neuron pada setiap
14
lapisan tersembunyi dan jumlah neuron pada lapisan output (Tarik, Kodad,
& Miloud, 2014).
3. Arsitektur Jaringan Syaraf Tiruan
Neuron-neuron akan dikumpulkan dalam lapisan-lapisan yang disebut
dengan lapisan neuron. Neuron-neuron pada satu lapisan akan
dihubungkan dengan lapisan-lapisan sebelum dan sesudahnya. Informasi
yang diberikan pada jaringan syaraf akan dirambatkan lapisan ke lapisan,
mulai dari lapisan masukan sampai ke lapisan keluaran melalui lapisan
tersembunyi. Jaringan syaraf tiruan merupakan jaringan yang sering
digunakan dalam berbagai aplikasi (Wuryandari & Afrianto, 2012).
Arsitektur jaringan syaraf tiruan tersebut, antara lain:
a. Jaringan Lapisan Tunggal
Jaringan dengan lapisan tunggal yang ditunjukkan pada Gambar 3
terdiri dari 1 input layer dan 1 output layer. Neuron atau unit yang
terdapat didalam input layer selalu terhubung dengan setiap neuron
yang terdapat pada output layer. Jaringan ini hanya menerima input
kemudian secara langsung akan mengolahnya menjadi output tanpa
harus melalui hidden layer.
15
Arsitektur jaringan lapisan tunggal ditunjukkan pada Gambar 3.
b. Jaringan Lapisan Jamak (Multilayer Network)
Jaringan multilayer, selain ada unit-unit input dan unit-unit output,
juga terdapat unit-unit tersembunyi (hidden). Jumlah unit hidden
tergantung pada kebutuhan. Jaringan yang semakin kompleks, unit
hidden yang dibutuhkan akan semakin banyak, demikian pula
dengan jumlah layer.
Gambar 3. Arsitektur Jaringan Lapisan Tunggal (Haykin, 2009)
16
Arsitektur jaringan lapisan jamak ditunjukkan pada Gambar 4.
c. Jaringan Lapisan Kompetitif (Competitive Layer Network)
Jaringan competitive, suatu lapisan yang berisi neuron-neuron akan
menyusun dirinya sendiri berdasarkan input nilai tertentu dalam
suatu kelompok yang dikenal dengan istilah cluster.
Gambar 4. Arsitektur Jaringan Lapisan Jamak (Haykin, 2009)
17
Arsitektur jaringan lapisan kompetitif ditunjukkan pada Gambar 5.
E. Backpropagation
Arsitektur jaringan syaraf tiruan yang sangat populer salah satunya adalah
multilayer feedforward networks. Jaringan seperti ini, secara umum terdiri
dari sejumlah unit neuron sebagai lapisan masukan, satu atau lebih neuron
sebagai lapisan tersembunyi, dan sejumlah unit neuron sebagai lapisan
keluaran. Sinyal masukan dipropagasikan ke arah depan (arah lapisan
keluaran), lapisan demi lapisan. Jenis jaringan ini adalah hasil generalisasi
dari arsitektur perceptron satu lapisan, jadi biasa disebut sebagai multilayer
perceptron (MLP). Backpropagation adalah sebuah metode sistematik untuk
pelatihan multilayer jaringan syaraf tiruan. Metode ini memiliki dasar
matematis yang kuat, obyektif dan algoritma ini mendapatkan bentuk
persamaan dan nilai koefisien dalam formula dengan meminimalkan jumlah
kuadrat galat error melalui model yang dikembangkan (Redjeki, 2013).
Gambar 5. Arsitektur Jaringan Lapisan Kompetitif (Haykin, 2009)
18
F. Arsitektur Backpropagation
Jaringan syaraf terdiri dari 3 lapisan, yaitu lapisan masukan atau input terdiri
atas variabel masukan unit sel saraf, lapisan tersembunyi terdiri atas beberapa
unit sel saraf, dan lapisan keluaran atau output terdiri atas beberapa keluaran
unit sel saraf (Wuryandari & Afrianto, 2012). Arsitektur jaringan metode
backpropagation ditunjukkan pada Gambar 6.
Gambar 6 dapat dilihat bahwa yang bertindak sebagai lapisan masukan
adalah X yang data masukan akan berada pada jaringan tersebut. Sinapsis
atau bobot yaitu V sebagai bobot dari lapisan masukan ke lapisan
tersembunyi dan W sebagai bobot dari lapisan tersembunyi ke lapisan
keluaran, sedangkan Z merupakan lapisan tersembunyi dari jaringan tersebut
sedangkan data keluaran akan dikeluarkan oleh lapisan keluaran yaitu Y.
Gambar 6. Arsitektur Backpropagation (Wuryandari & Afrianto, 2012)
19
G. Recall, Precision, Accuracy dan Error Rate
True Class (TC) adalah jumlah citra batik yang diklasifikasi dengan JST
Backpropagation tepat sasaran pada kelasnya. False Class (FC) adalah
jumlah citra batik yang diklasifikasi dengan JST Backpropagation tidak tepat
sasaran atau diklasifikasi pada kelas batik lainnya.
Table 1. Multiclass Confusion Matrices (Kasim, Wardoyo, & Harjoko, Batik
Classification with Artificial Neural Network Based on Texture-Shape
Feature of Main Ornament, 2017)
TC = True Class
FC = False Class
Output Class
C1 C2 C3 C4 C5
Target
Class
C1 TC1 FC1 FC1 FC1 FC1
C2 FC2 TC2 FC2 FC2 FC2
C3 FC3 FC3 TC3 FC3 FC3
C4 FC4 FC4 FC4 TC4 FC4
C5 FC5 FC5 FC5 FC5 TC5
Citra batik yang diklasifikasi sesuai dengan kelasnya akan masuk ke dalam
TC dan citra batik yang diklasifikasi tidak sesuai dengan kelasnya akan
masuk ke dalam hasil klasifikasi citra batik tersebut baik FC1, FC2, FC3,
FC4 maupun FC5. Nilai recall, precision, akurasi dan error rate akan
dihitung ketika seluruh data testing sudah selesai diklasifikasi. Nilai Recall,
precision, akurasi dan error rate dihitung dengan menggunakan rumus ini
(Kasim, Wardoyo, & Harjoko, Batik Classification with Artificial Neural
Network Based on Texture-Shape Feature of Main Ornament, 2017).
20
(1)
Keterangan :
Recall = nilai accuracy berdasarkan outputclass
TC = jumlah batik yang masuk true class (TC)
Outputclass_true = jumlah batik output pada suatu targetclass
(2)
Keterangan :
Precision = nilai accuracy berdasarkan targetclass
TC = jumlah batik yang masuk true class (TC)
Targetclass_true = jumlah batik target pada suatu outputclass
(3)
Keterangan :
Accuracy = nilai accuracy keseluruhan data testing
TC 1/2/3/4/5 = jumlah batik yang diklasifikasi benar pada setiap class
C 1/2/3/4/5 = jumlah batik yang digunakan pada setiap class
(4)
Keterangan :
Error rate = nilai error dalam klasifikasi data testing
Accuracy = nilai accuracy keseluruhan data testing
21
III. METODOLOGI PENELITIAN
A. Tahapan Penelitian
Tahapan penelitian merupakan langkah-langkah yang dilakukan dalam
peneltian. Tahapan penelitian yang dilakukan dalam implementasi jaringan
syaraf tiruan Backpropagation pada pengenalan pola batik motif Lampung
ditujukan pada Gambar 7.
Gambar 7. Tahapan Penelitan
22
1. Pengumpulan Citra Batik Motif Lampung
Pengumpulan Citra Batik Motif Lampung didapatkan dari tempat
penjualan kain batik motif Lampung yang bernama Siger Roemah Batik.
Lokasi tempat data diambil beralamatkan di Jalan Bayam, No. 38,
Beringin Raya, Kemiling, Bandar Lampung 35158. Data diambil
menggunakan Kamera SLR Canon EOS 1200D dengan motif batik
Lampung yang diambil yaitu motif sembagi, siger ratu agung, jung agung
dan siger kembang cengkih. Citra yang diambil untuk masing-masing
motif adalah 50 citra dengan format JPEG (Joint Photographic Experts
Group). Citra selanjutnya akan disimpan dalam folder dengan nama
dataset.
2. Scaling
Scaling merupakan proses mengubah ukuran citra agar seluruh citra yang
digunakan memiliki ukuran yang sama. Proses scaling ini akan mengubah
ukuran citra pada data latih dan data uji menjadi citra dengan ukuran 50 x
50 piksel agar citra tidak memiliki banyak nilai untuk diolah dalam proses
klasifikasi (Pebrianasari, Mulyanto, & Dolphina, 2015).
3. Grayscale
Citra akan melalui tahap grayscale atau perubahan citra menjadi keabu-
abuan setelah dilakukan proses scaling.
23
Nilai grayscale tiap-tiap piksel dicari dengan rumus:
(5)
Keterangan:
R = Nilai Red
G = Nilai Green
B = Nilai Blue
Citra akan diambil nilai R (Red), G (Green) dan B (Blue) untuk dimasukan
dalam persamaan 1 untuk mendapatkan nilai grayscale. Nilai grayscale
yang didapat akan menggantikan nilai RGB pada setiap piksel citra
(Pebrianasari, Mulyanto, & Dolphina, 2015).
4. Thresholding
Tresholding merupakan proses pengubahan citra menjadi citra biner atau
citra hitam putih. Proses tresholding dilakukan dengan langkah sebagai
berikut :
a. Nilai threshold (T) ditentukan dengan rentang 0-255, dalam
penelitian ini diambil nilai T=118.
b. Nilai piksel jika didapat lebih dari atau sama dengan 118 maka ubah
nilai piksel pada citra menjadi 1, jika nilai piksel kurang dari 118
maka ubah nilai piksel menjadi 0.
Hasil keluaran inilah yang akan digunakan sebagai input dalam
pembelajaran backpropagation (Pebrianasari, Mulyanto, & Dolphina,
2015).
24
5. Data Training dan Data Testing
Tahap ini akan melakukan pemisahan dataset atau citra yang sudah
dikumpulkan pada tahap sebelumnya menjadi dua bagian yaitu data
training dan data testing. Data training atau data latih merupakan suatu
data yang digunakan untuk melatih suatu sistem agar dapat mengenali pola
dari data tersebut dan dijadikan bahan atau data acuan dalam pengenalan
suatu pola. Data testing atau data uji merupakan suatu data yang
digunakan pada sistem untuk menguji apakah data tersebut memiliki
kecocokan atau sesuai dengan pola yang sudah didapatkan dari data yang
sudah di latih (training). Jumlah data training dan data testing yang
digunakan adalah 70:30 dan 80:20 yang berguna untuk mencari tingkat
akurasi yang optimal.
6. Klasifikasi Menggunakan JST Backpropagation
Citra batik akan diklasifikasi masuk kedalam kelas mana dengan
menggunakan JST backpropagation. Interlayer didefinisikan sebagai
celah antara dua layer berturut-turut yang membungkus bobot koneksi dan
hanya berisi neuron layer atas, dapat dilihat pada Gambar 8 (dengan
asumsi bahwa semua layer diposisikan di atas input layer). Jaringan
backpropagation dengan interlayer L, dimana interlayer .
25
Bobot koneksi dilambangkan dengan berada pada interlayer l dan
menghubungkan node j dari interlayer l dengan node i lebih rendah
(sebelumnya) dari interlayer (node i adalah node sumber dan node j
adalah node tujuan). Interlayer l terdapat neuron khas yaitu neuron j yang
mengintergrasikan sinyal dan menghasilkan nilai , sesuai dinamika
neuron:
∑
(6)
Keterangan :
= nilai input
Gambar 8. Notation and index labeling used in
backpropagation (Basheer & Hajmeer, 2000)
26
Keterangan (lanjutan) :
= jumlah neuron
= bobot
= nilai output dari Interlayer
Aktivasi neuron yang sesuai , ditentukan dengan menggunakan fungsi
transfer , yang mengubah total sinyal menjadi bilangan real dari interval
yang dibatasi:
(
) (∑
)
(7)
Keterangan :
= aktivasi neuron
( ) = aktivasi neuron
= jumlah neuron
= bobot
= nilai output dari interlayer
27
Fungsi pupoler yang sering digunakan pada backpropagation adalah
sigmoid:
(8)
Keterangan (lanjutan) :
= aktivasi neuron
= nilai input
Nilai dan dimana dan . Persamaan (6), (7)
dan (8) digunakan semua node untuk menghitung aktivasi. Input node
untuk aktivasi hanyalah input mentah. Interlayer terdapat bobot arbitary
pada iterasi (t) yang akan diperbarui dari nilai sebelumnya ( ):
(9)
Keterangan (lanjutan) :
= bobot arbitary
= bobot arbitrary sebelumnya
= perubahan bobot
28
adalah ( ) perubahan incremental dalam bobot. Perubahan bobot
ditentukan melalui peraturan delta yang dapat ditulis sebagai:
(10)
Keterangan :
= perubahan bobot
= learning rate
= perubahan bobot di hidden layer
= input interlayer ke
= koefisien momentum
= perubahan bobot sebelumnya
Dimana adalah learning rate yang mengendalikan ukuran langkah
selanjutnya, adalah koefisien momentum, dan adalah input dari
interlayer ke . Bagian pertama dari sisi kanan Persamaan (10) adalah
aturan delta yang asli. Momentum ditambahkan untuk mengarahkan
pencarian pada error ke global minimum dengan mengizinkan sebagian
perubahan sebelumnya (besar dan arahnya) ditambahkan ke langkah
pembaruan saat ini. Persamaan (10) juga dapat diterapkan pada ambang
batas neuron (bias) yang dapat dianggap sebagai penghubung, bobot sama
dengan nilai ambang batas, untuk imaginary neuron yang aktivasinya tetap
pada 1.0.
29
Perubahan bobot juga dapat ditentukan dengan menggunakan kemiringan
gradien yang ditulis dalam bentuk umum untuk interlayer l:
(
)
(11)
Keterangan (lanjutan) :
= perubahan bobot
= error gradient
Perubahan incremental untuk interlayer l, tugas utamanya adalah untuk
mengukur error gradient ( ). Menggunakan Persamaan (10) dan
(11), perubahan bobot yang diperlukan dapat diturunkan dengan ekspresi
yang berbeda tergantung pada neuron yang dipertimbangkan berada pada
output layer atau hidden layer. Jika neuron berada di output layer, maka l
= L di Persamaan (10), dengan dihitung dari:
(
)
(12)
Keterangan (lanjutan) :
= perubahan bobot di output layer
= aktivasi neuron
= target output
30
Neuron yang berada dalam hidden layer, perubahan bobot l juga dihitung
dengan menggunakan Persamaan (10) dengan dari:
( ) (∑
)
(13)
Keterangan (lanjutan) :
= perubahan bobot di hidden layer
= aktivasi neuron
= perubahan bobot
= bobot interlayer
dihitung untuk non-output layer (l) dimulai dengan layer satu tingkat
di atas (l + 1) dan bergerak turun layer demi layer. Artinya, untuk lapisan
tersembunyi terakhir (teratas) dalam jaringan, ditentukan melalui
dari lapisan keluaran yang dihitung dengan menggunakan Persamaan (12).
Persamaan delta di atas (Persamaan (12) dan (13)) didasarkan pada fungsi
transfer sigmoid yang diberikan dalam Persamaan (8). Fungsi yang
berbeda, (
) dan (
) di Persamaan (12) dan (13), masing-
masing, harus diganti dengan turunan pertama yang relevan dari fungsi
yang digunakan. Teknik pendistribusian backward the errors dimulai dari
output layer turun melalui hidden layer memberikan nama metode
backpropagation of error dengan aturan delta yang dimodifikasi (Basheer
& Hajmeer, 2000).
31
Proses jaringan syaraf tiruan backpropagation dimulai dengan membaca
data input, bobot awal, parameter training (learning rate, maksimum
epoch, target error), dan target output. Proses feedforward dimulai dari
pembacaan bobot awal, bias awal dan pembacaan nilai input yang
diteruskan ke lapisan hidden hingga sampai pada lapisan output. Nilai
error yang masih lebih besar dari terget error, maka proses feedforward
dilanjutkan ke proses backpropagation. Proses ini bertujuan untuk
memperkecil nilai error dengan memperbaiki nilai bobot dan bias pada
setiap lapisan. Proses feedforward dan backpropagation berlangsung
berulang-ulang hingga tercapai tujuan training, yaitu jumlah epoch
(jumlah perulangan proses feedforward dan backpropagation) lebih besar
atau sama dengan maksimum epoch, atau nilai target error lebih kecil atau
sama dengan output (Pebrianasari, Mulyanto, & Dolphina, 2015).
Jaringan saraf tiruan metode backpropagation digunakan fungsi aktivasi
yang berfungsi untuk menentukan keluaran dari suatu neuron atau
jaringan. Fungsi aktivasi yang digunakan dalam penelitian ini adalah
fungsi sigmoid. Nilai dari fungsi sigmoid terletak 0 dan 1 serta dapat
diturunkan secara mudah. Data akan mengalami proses pengolahan citra
kemudian akan didapatkan fitur citra berupa citra biner. Proses training
data menggunakan learning rate sebesar 0,1 dan target error sebesar 0,001
kemudian dicari jumlah epoh dan hidden layer untuk mencari arsitektur
jaringan metode backpropagation yang optimal (Kasim, Wardoyo, &
Harjoko, Batik Classification with Artificial Neural Network Based on
Texture-Shape Feature of Main Ornament, 2017).
32
Backpropagation adalah proses perulangan yang terus memperbarui bobot
setiap perulangannya untuk mencapai keluaran yang diinginkan. Proses
perulangan dinyatakan berakhir karena sudah melebihi jumlah epoch atau
sudah memenuhi target error (Verma, Verma, & Tripathi, 2014).
B. Waktu dan Tempat Penelitian
Penelitian dilakukan di Laboratorium Skripsi Jurusan Ilmu Komputer,
Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Lampung yang
beralamatkan di Jalan Soemantri Bojonegoro No.1 Gedong Meneng, Bandar
Lampung dan Siger Roemah Batik. Lokasi yang beralamatkan di Jalan
Bayam, No. 38, Beringin Raya, Kemiling, Bandar Lampung. Penelitian ini
dilaksanakan pada semester genap tahun ajaran 2016/2017.
C. Alat dan Bahan
Alat dan bahan yang dibutuhkan dalam penelitian ini adalah sebagai berikut:
1. Alat Penelitian
a. Perangkat Keras
- Laptop ASUS X202E dengan spesifikasi Processor Intel(R)
Core(TM) i3-3217U 64-Bit, Harddisk 500 GB, dan RAM 4 GB.
- Kamera SLR Canon EOS 1200D 18 Megapixel.
33
b. Perangkat Lunak
- Sistem Operasi Windows 8 64-Bit.
- Python 3.4, digunakan untuk pembuatan sistem.
- Adobe Photoshop CS 5, merubah ukuran citra (scaling).
- ClickCharts 1.31, digunakan untuk pembuatan flowchart.
- Open CV, digunakan untuk merubah citra (grayscale dan threshold)
2. Bahan Penelitian
Citra Batik Motif Lampung dengan motif Jung Agung dan Jung Besiger
yang diperoleh dari Siger Roemah Batik dan beralamatkan di Jalan
Bayam, No. 38, Beringin Raya, Kemiling, Bandar Lampung 35158.
53
V. KESIMPULAN DAN SARAN
A. Kesimpulan
Hasil yang didapat dalam penelitian dengan menggunakan kebutuhan
maksimum epoch = 2000 learning rate = 0,1 dan target error = 0,001 yaitu
nilai recall, precision, accuracy dan error rate. Nilai recall, precision,
accuracy dan error rate terbesar terdapat pada data training dan data testing
70:30, untuk nilai recall dan precision masing-masing kelas adalah batik
motif sembagi 86,67% dan 92,86%, batik motif jung agung 93,33% dan
93,33%, batik motif siger ratu agung 93,33% dan 93,33%, batik motif siger
kembang cengkih 93,33% dan 93,33% untuk bukan batik Lampung 93,33%
dan 87,5%. Jaringan syaraf tiruan backpropagation secara keseluruhan dapat
membedakan batik motif Lampung dengan bukan batik motif Lampung
secara baik dengan tinggkat accuracy 92% dan error rate 8%.
B. Saran
Saran yang dapat dilakukan untuk penelitian selanjutnya.
1. Dataset citra batik yang digunakan perlu ditambahkan agar hasil akurasi
dapat meningkat.
54
2. Ruang lingkup pengenalan motif tidak hanya untuk batik motif Lampung
saja, akan sangat bermanfaat jika batik dari daerah lain dapat
diklasifikasi.
55
DAFTAR PUSTAKA
Artistiana, N. R. (2010). Kreasi Batik Nusantara. ISBN: 978-602-8185-52-3,
Bogor: Horizon, pp. 60-62.
Basheer, I.A., & Hajmeer, M. (2000). Artificial Neural Networks: Fundamentals,
Computing, Design and Application. Journal of Microbiological Method, pp.
3-31
Brasilka, Y., Ernawati, & Andreswari, D. (2015). Klasifikasi Citra Batik Besurek
Berdasarkan Ekstraksi Fitur Tekstur Menggunakan Jaringan Syaraf Tiruan
Self Organizing MAP (SOM). Jurnal Rekursif, Universitas Bengkulu, Vol. 3
No. 2, ISSN: 2303-0755, pp. 132-145.
Duda, R. O., Hart, P. E., & Stork, D. G. (2001). Pattern Classification, Second
Edition. United States of America: John Wiley and Sons, Inc. All rights
reserved, pp. 3-19.
Fitryadi, K., & Sutikno. (2016). Pengenalan Jenis Golongan Darah
Menggunakan Jaringan Syaraf Tiruan Perceptron. Jurnal Masyarakat
Informatika, Universitas Diponegoro, Vol. 7 No. 1, ISSN: 2086-4930,
pp. 1-10.
Haykin, S. (2009). Neural Networks and Learning Machines, Third Edition.
United States of America: Pearson Prentice Hall. All rights reserved, ISBN-
13: 978-0-13-147139-9, ISBN-10: 0-13-147139-2, pp. 10-24.
Kasim, A. A., & Harjoko, A. (2014). Klasifikasi Citra Batik Menggunakan
Jaringan Syaraf Tiruan Berdasarkan Gray Level Co-Occurrence Matrices
(GLCM). Seminar Nasional Aplikasi Teknologi Informasi (SNATI), ISSN:
1907-5022, pp. C-7 - C-13.
Kasim, A. A., Wardoyo, R., & Harjoko, A. (2017). Batik Classification with
Artificial Neural Network Based on Texture-Shape Feature of Main
Ornament. I.J. Intelligent Systems and Applications, DOI: 10.5815, pp. 55-65.
56
Naufal, M.A. (2017). Implementasi Metode Klasifikasi K-Nearest Neighbor (K-
NN) untuk Pengenalan Pola Batik Motif Lampung [Skripsi]. Bandar
Lampung: Universitas Lampung
Pebrianasari, V., Mulyanto, E., & Dolphina, E. (2015). Analisis Pengenalan Motif
Batik Pekalongan Menggunakan Algoritma Backpropagation. Techno.COM,
Universitas Dian Nuswantoro Semarang, Vol. 14, No. 4, pp. 281-190.
Redjeki, S. (2013). Perbandingan Algoritma Backpropagation dan K-Nearest
Neighbor (K-NN) untuk Identifikasi Penyakit. Seminar Nasional Aplikasi
Teknologi Informasi (SNATI), ISSN: 1907-5022, pp. I-1 - I-5.
Restianti, H. (2010). Mengenal Batik. Bogor: Tim Quadra, ISBN: 978-979-054-
263-1, pp. 2-5.
Rudiansyah. (2016). Sebagi, Riwayat Batik Lampung. Bandar Lampung:
Lampung Post, 18 September 2016.
Tarik, H., Kodad, M., & Miloud, J. E. (2014). Digital Movements Images
Restoring by Artificial Neural Netwoks. Computer Science and Engineering,
DOI: 10.5923, pp. 36-42.
Verma, K., Verma, L. K., & Tripathi, P. (2014). Image Classification using
Backpropagation Algorithm. Journal of Computer Science and Software
Application, Vol. 1, No. 2, pp. 7-15.
Wuryandari, M. D., & Afrianto, I. (2012). Perbandingan Metode Jaringan Syaraf
Tiruan Backpropagation dan Learning Vector Quantization pada Pengenalan
Wajah. Jurnal Komputer dan Informatika (KOMPUTA) Universitas Komputer
Indonesia, Edisi. I, Vol. 1, pp. 45-51.