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.