KLASIFIKASI POLA HURUF VOKAL DENGAN ... Hasil Mulai Citra uji Pemrosesan awal (dibagi 4 Segmen) Ekstraksi nilai fitur histogram Hasil BAB III METODOLOGI PENELITIAN Pengujian Hasil

Dhita Azzahra Pancorowati

1110100053

KLASIFIKASI POLA HURUF VOKAL

DENGAN MENGGUNAKAN

JARINGAN SARAF TIRUAN

BACKPROPAGATION

Jurusan Fisika

Fakultas Matematika dan Ilmu Pengetahuan Alam

Institut Teknologi Sepuluh Nopember

BAB I

PENDAHULUAN

Mengapa JST?

Aplikasi JST pada

penelitian ini

Pengembangan yang bisa dlakukan

1.1 Latar Belakang

BAB I

PENDAHULUAN 1.2 Perumusan

Masalah

a. Bagaimana

merancang

software untuk

mengenali pola

huruf vokal

menggunakan

metode jaringan

saraf tiruan?

b. Bagaimana cara

melatih software

yang telah dibuat

agar siap

diaplikasikan dan

lebih peka

terhadap pola-pola

tulisan yang ingin

dikenali?

BAB I

PENDAHULUAN

1.3 Batasan Masalah

a. Jaringan saraf tiruan yang dibuat ini dibuat menggunakan MATLAB

2008.

c. Huruf yang dijadikan input data latih dan data uji hanya bentuk huruf

dari Microsoft Office.

e. Data uji dan data latih memiliki ukuran yang sama.

d. Data uji dan data latih hanya huruf kapital saja.

b. Huruf yang dijadikan input data latih dan data uji hanya huruf Vokal.

BAB I

PENDAHULUAN 1.4 Tujuan Tugas

Akhir

Penelitian ini dilakukan

bertujuan untuk membuat

suatu sistem jaringan saraf

tiruan untuk mengenali

pola huruf vokal.

BAB II

TINJAUAN PUSTAKA 2.1 Pengertian Jaringan Saraf

Tiruan

JST mengadopsi

Sehingga bisa dikatakan bahwa Jaringan

Syaraf Tiruan adalah paradigma pemrosesan

suatu informasi yang terinspirasi oleh sistim

sel syaraf biologi, sama seperti otak yang

memproses suatu informasi

BAB II

TINJAUAN PUSTAKA 2.2 Model Dasar Jaringan Saraf

Tiruan

Input Fungsi

Aktivasi Output

BAB II

TINJAUAN PUSTAKA

2.3 Backpropagation

Seperti halnya model JST lain,

Backpropagation melatih jaringan untuk

mendapatkan keseimbangan antara kemampuan

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

BAB II

TINJAUAN PUSTAKA 2.4 Pelatihan Standar

Backpropagation

Fase Maju (Tahap penginisiasian bobot awal)

Fase Mundur (Tahap pencocokan bobot akhir dengan target sehingga diperoleh error)

Tahap Modifikasi Bobot (Penyusaian bobot dengan target untuk memperkecil error)

BAB III

METODOLOGI PENELITIAN

3.1 Objek Peneliitian

Bermacam-macam pola huruf vokal

Scanner (mengekstrak huruf vokal kedalam bentuk .bmp)

Laptop dengan software MATLAB

BAB III


3.2 Metodologi

Penelitian

Mulai

Analisa

Kerja

Pengolahan

Awal Citra

Pembuatan

Jaringan

Pengujian

Jaringan

Pelatihan

Jaringan

Selesai

BAB III


3.2.1 Pemrosesan

Awal Citra

Mulai

Citra latih

Pemrosesan awal (dibagi 4 Segmen)

Ekstraksi nilai fitur histogram

Hasil

Mulai

Citra uji

Pemrosesan awal (dibagi 4 Segmen)

Ekstraksi nilai fitur histogram

Hasil

BAB III


Pengujian

Hasil ekstraksi fitur citra uji

Bobot yang diperoleh dari hasil pelatihan

3.2.2 Jaringan

Backpropagation Mulai

Hasil

Hasil ekstraksi

fitur citra latih

JST

backpropagation

untuk pelatihan

BAB IV

ANALISA DATA DAN PEMBAHASAN

Analisa Data

Contoh pola huruf vokal yang dijadikan data latih dan data

uji

BAB IV


Pemrosesan Awal

Pemrosesan awal

citra dilakukan

dengan membagi

citra menjadi 4

bagian atau empat

segmen. Seperti

pada gambar

disamping.

Setiap segmen akan diekstrak 2

nilai fitur yaitu mean dan standar

deviasi, sehingga akan diperoleh 8

nilai fitur disetiap citra.

BAB IV


Hasil Ekstraksi Fitur

Histogram

Mean 1 0,9292

Mean 2 0,9063

Mean 3 0,9670

Mean 4 0,9422

Standar deviasi 1 0,2565




Mean 1 0,8599

Mean 2 0,9046

Mean 3 0,8547

Mean 4 0,9139





Tabel 4.1 Nilai fitur huruf A

Tabel 4.2 Nilai fitur huruf E

BAB IV


Mean 1 0,9042

Mean 2 0,8980

Mean 3 0,8892

Mean 4 0,9260





Mean 1 0,9287

Mean 2 0,9199

Mean 3 0,7627

Mean 4 0,7526





Tabel 4.4 Nilai fitur huruf O

Tabel 4.3 Nilai fitur huruf I

BAB IV


Mean 1 0,9011

Mean 2 0,9018

Mean 3 0,8648

Mean 4 0,8698





Tabel 4.5 Nilai fitur huruf U

BAB IV


Pelatihan Jaringan

Target yang ditentukan

untuk pelatihan

jaringan ini merupakan

kombinasi angka 1 dan

0, karena fungsi

aktivasi yang

digunakan adalah

sigmoid biner. Berikut

adalah target yang

ditentukan untuk setiap

pola huruf vokal:

Huruf A [1 0 0 0 0]

Huruf E [0 1 0 0 0]

Huruf I [0 0 1 0 0]

Huruf O [0 0 0 1 0]

Huruf U [0 0 0 0 1]

Tabel 4.6 Target untuk setiap klasifikasi

BAB IV


Citra

Latih

Terdeteksi Sebagai Akuras

i Eror

Jumlah

Citra A E I O U Tidak

Kenal

A 78 0 2 2 3 5 86,67 13,33 90

E 1 80 1 0 5 3 88,89 11,11 90

I 2 2 79 2 3 2 87,78 12,22 90

O 1 3 5 75 4 2 83,33 16,67 90

U 4 9 4 5 66 2 73,33 26,67 90

Rata-rata prosentase 84 16 450

Tabel 4.7 Keakurasian dari pelatihan jaringan (jumlah hidden layer

4, jumlah neuron 50 , epoch 4500)

BAB IV


Dari pelatihan

jaringan bisa

diketahui performa

jaringan dengan

melihat grafik MSE

(Mean Squared

Error). Grafik ini

menunjukan error

yang ada pada setiap

iterasi yang

dilakukan jaringan.

Berikut adalah

gambar grafik dari

MSE jaringan ini.

BAB IV


Citra

Latih

Terdeteksi Sebagai Akuras

i Eror

Jumlah

Citra A E I O U Tidak

Kenal

A 24 0 2 2 1 1 80 20 30

E 1 26 1 0 0 2 86,67 13,33 30

I 2 0 24 1 1 2 80 20 30

O 1 0 3 22 2 2 73,33 26,67 30

U 3 1 3 2 18 3 60 40 30

Rata-rata porsentase 76 24 150

Pengujian Jaringan

Tabel 4.7 Keakurasian dari pengujian jaringan (jumlah hidden

layer 4, jumlah neuron 50 , epoch 4500)

BAB V

KESIMPULAN DAN SARAN

Kesimpulan

1. Sistem perangkat

lunak yang dibuat

telah berhasil

mengklasifikasikan

huruf vokal kedalam

kelompok A, I, U, E

dan O.

2. Dari hasil pelatihan sisitem

perangkat lunak yang telah

dibuat diperoleh prosentasi

akurasi yang paling maksimal

adalah sebesar 84% dengan

parameter epoch 4500, learning

rate 0,1, jumlah lapian

tersembunyi 5 dan jumlah

neuron ada setiap lapisan

tersembunyi sebanyak 50

neuron, dengan pelatihan

dilakukan dengan menggunakn

citra latih.

3. Hasil pengujian sistem

perangkat lunak yang

telah dibuat ini diperoleh

prosentasi akurasi

sebesar 76%, dengan

pengujian menggunakan

citra uji yang berbeda

dengan yang digunakan

pada saat pelatihan.

BAB V

KESIMPULAN DAN SARAN

Saran

1. Menambah

jumlah fitur

sehingga lebih

banyak parameter

yang bisa digunakan

jaringan ini untuk

mengklasifikasi.

2. Jaringan ini dapat

dikembangkan

untuk mengenali

jenis huruf yang

lebih banyak lagi.

TERIMA KASIH

[email protected]

Documents

KLASIFIKASI POLA HURUF VOKAL DENGAN ... Hasil Mulai Citra uji Pemrosesan awal (dibagi 4 Segmen) Ekstraksi nilai fitur histogram Hasil BAB III METODOLOGI PENELITIAN Pengujian Hasil