METODE BACKPROPAGATION UNTUK ALIH AKSARA JAWA …repository.usd.ac.id/35047/2/155314024_full.pdf · METODE BACKPROPAGATION UNTUK ALIH AKSARA JAWA CETAK MENGGUNAKAN CIRI ICZ-ZCZ SKRIPSI

METODE BACKPROPAGATION UNTUK ALIH AKSARA JAWA CETAK

MENGGUNAKAN CIRI ICZ-ZCZ

SKRIPSI

Diajukan untuk Memenuhi Salah Satu Syarat

Memperoleh Gelar Sarjana Komputer

Program Studi Teknik Informatika

Oleh:

Osmond Giovanni Indyaputra

155314024

PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

YOGYAKARTA

2019

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

BACKPROPAGATION METHOD FOR PRINTED JAVANESE

CHARACTER RECOGNITION USING ICZ-ZCZ

THESIS

Submitted in Partial Fulfillment of The Requirements

for The Degree of Sarjana Komputer

In Informatics Engineering Study Program

By:


155314024

INFORMATICS ENGINEERING STUDY PROGRAM

FACULTY OF SCIENCE AND TECHNOLOGY

SANATA DHARMA UNIVERSITY

YOGYAKARTA

2019


iii

HALAMAN PERSETUJUAN

SKRIPSI



Oleh:


155314024

Telah Disetujui Oleh:

Dosen Pembimbing

Dr. Anastasia Rita Widiarti, M.Kom. Tanggal: ...............................


iv

HALAMAN PENGESAHAN

SKRIPSI



Dipersiapkan dan Disusun Oleh:


155314024

Telah Dipertahankan di Depan Panitia Penguji

Pada tanggal 11 Juni 2019

dan Dinyatakan Memenuhi Syarat

Susunan Panitia Penguji

Nama Lengkap Tanda Tangan

Ketua : Eko Hari Parmadi S.Si., M.Kom. ........................

Sekretaris : Dr. Cyprianus Kuntoro Adi, S.J., M.A., M.Sc. ........................

Anggota : Dr. Anastasia Rita Widiarti, M.Kom. ........................

Yogyakarta, ................................................

Fakultas Sains dan Teknologi

Universitas Sanata Dharma

Dekan

Sudi Mungkasi, S.Si., M.Math.Sc., Ph.D.


v

PERNYATAAN KEASLIAN KARYA

Saya menyatakan dengan sesungguhnya bahwa tugas akhir yang saya tulis tidak

mengandung atau memuat hasil karya orang lain, kecuali yang telah disebutkan

dalam daftar pustaka dan kutipan selayaknya karya ilmiah.

Yogyakarta, ............................

Penulis



vi

LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH

UNTUK KEPENTINGAN AKADEMIS

Yang bertanda tangan dibawah ini, saya mahasiswa Universitas Sanata Dharma:

Nama : Osmond Giovanni Indyaputra

NIM : 155314024

Demi pengembangan ilmu pengetahuan, saya memberikan kepada perpustakaan

Universitas Sanata Dharma karya ilmiah yang berjudul:



beserta perangkat yang diperlukan (bila ada). Dengan demikian saya memberikan

kepada perpustakaan Universitas Sanata Dharma hak untuk menyimpan,

mengalihkan dalam bentuk media lain, mengelolanya dalam bentuk pengkalan data,

mendistribusikan secara terbatas dan mempublikasikan di internet atau media lain

untuk kepentingan akademis tanpa perlu meminta izin dari saya maupun

memberikan royalti kepada saya selama tetap mencantumkan nama saya sebagai

penulis.

Demikian pernyataan ini saya buat dengan sebenarnya.

Yogyakarta, ............................

Yang menyatakan



vii

ABSTRAK

Indonesia merupakan salah satu negara kepulauan terbesar di dunia, yang

memiliki luas wilayah dari Sabang sampai Merauke, sehingga tak heran jika

Indonesia memiliki kekayaan budaya. Salah satu budaya Indonesia adalah tulisan

kuno dokumen beraksara Jawa, yang memiliki umur puluhan tahun lebih, sehingga

perlu adanya digitalisasi bahkan alih aksara untuk dokumen-dokumen tersebut.

Dalam penelitian ini, penulis membuat alih aksara Jawa yang diambil dari 1

halaman buku Hamong Tani. Untuk setiap aksara dilakukan ekstraksi ciri dengan

metode ICZ-ZCZ 4*5 zona, dan dari ciri tersebut menjadi input jaringan syaraf

tiruan sebagai pengklasifikasiannya dengan metode backpropagation. Sehingga

didapatkan akurasi sebesar 97,87% dengan arsitektur jaringan syaraf tiruan yakni

40-45-20-4.

Kata kunci: alih aksara, Image Cetroid and Zone-Zone Centroid and Zone,

backpropagation.


viii

ABSTRACT

Indonesia is one of the largest archipelagic countries in the world, which has

an area from Sabang to Merauke, so it is not surprising that Indonesia has a rich

cultural heritage. One of the Indonesian cultures is manuscript in Javanese

characters, which have more than a year of age, so that it is necessary to digitize

and even translate the documents. In this study, the author made the Javanese

character recognition from a scanned page of Hamong Tani's book. For each

character a feature is extracted using the ICZ-ZCZ 4 * 5 zone, and from these

features it becomes an input of artificial neural networks as a classification with the

backpropagation method. So that the accuracy of 97.87% is obtained with the

artificial neural network architecture that is 40-45-20-4.

Keywords: character recognition, Image Cetroid Zone and Zone Centroid

Zones, backpropagation.


ix

MOTTO

Segala perkara dapat kutanggung di dalam Dia yang memberi kekuatan kepadaku.

(Filipi 4:13)

Janganlah takut, sebab Aku menyertai engkau, janganlah bimbang, sebab Aku ini

Allahmu; Aku akan meneguhkan bahkan akan menolong engkau; Aku akan

memegang engkau dengan tangan kanan-Ku yang membawa kemenangan.

(Yesaya 41:10)

Dan apa saja yang kamu minta dalam doa dengan penuh kepercayaan, kamu

akan menerimanya.

(Matius 21:22)


x

KATA PENGANTAR

Puji syukur saya panjatkan atas hadirat Tuhan Yesus Kristus karena oleh

kasihnya yang begitu besar dan penggenapan janji-Nya sehingga tugas akhir saya

yang berjudul “Metode Backpropagation untuk Alih Aksara Jawa Cetak

Menggunakan Ciri ICZ-ZCZ” dapat diselesaikan dengan baik dan tepat waktu.

Tugas akhir ini merupakan salah satu persyaratan yang wajib ditempuh untuk

memperoleh gelar Sarjana Komputer di Program Studi Teknik Informatika

Universitas Sanata Dharma Yogyakarta. Selama persiapan dan penyusunan tugas

akhir ini saya mendapat banyak dukungan dan bantuan dari berbagai pihak sehingga

saya menyampaikan terimakasih kepada:

1. Ibu Dr. Anastasia Rita Widiarti, M.Kom. selaku dosen pembimbing tugas

akhir yang telah bersedia memberikan arahan, motivasi, serta kekuatan dalam

pekerjaan saya selama saya menyelesaikan tugas akhir.

2. Ibu saya tercinta Mama Maryati yang selalu memberikan segalanya untuk

saya, yang bekerja mencari nafkah sendirian untuk saya, agar saya bisa

mendapatkan gelar Sarjana Komputer.

3. Kakak saya tercinta Nidia Gabriella yang selalu memberikan motivasi bagi

saya untuk tidak pernah menunda-nunda pekerjaan dan tidak boleh mengeluh

atas masalah hidup yang dihadapi.

4. Saudari Yussy Natalia yang selalu memberikan semangatnya kepada saya

untuk tidak boleh menyerah dalam segala hal.

5. Saudara Yulius Elfrisa, saudara Agenda Yudha, dan saudari Asih Sulistyani

teman seperjuangan RPL yang berjuang bersama untuk menyelesaikan tugas

akhir kami masing-masing.

6. Seluruh dosen Teknik Informatika Universitas Sanata Dharma yang telah

mendidik, memberikan ilmu pengetahuan dan pengalaman yang berharga

untuk dapat menyelesaikan tugas akhir saya ini.

7. Teman-teman satu angkatan, keluarga Teknik Informatika 2015 yang juga

selalu berjuang bersama untuk menyelesaikan tugas akhir kami masing-

masing.


xi

Penulis menyadari bahwa masih ada banyak kekurangan dari tugas akhir ini,

sehingga penulis mengharapkan kritik dan saran yang bersifat membangun untuk

menyempurnakannya. Semoga tugas akhir ini dapat bermanfaat bagi siapapun yang

membacanya dan bagi saya khususnya sebagai penulis.

Yogyakarta, ............................

Penulis



xii

DAFTAR ISI

HALAMAN JUDUL ................................................................................................ i

TITLE PAGE .......................................................................................................... ii

HALAMAN PERSETUJUAN ............................................................................... iii

HALAMAN PENGESAHAN ................................................................................ iv

PERNYATAAN KEASLIAN KARYA ................................................................. v

LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH

UNTUK KEPENTINGAN AKADEMIS .............................................................. vi

ABSTRAK ............................................................................................................ vii

ABSTRACT ......................................................................................................... viii

MOTTO ................................................................................................................. ix

KATA PENGANTAR ............................................................................................ x

DAFTAR ISI ......................................................................................................... xii

DAFTAR GAMBAR ........................................................................................... xiv

DAFTAR TABEL ................................................................................................ xvi

BAB I PENDAHULUAN ....................................................................................... 1

1.1. Latar Belakang Masalah ........................................................................... 1

1.2. Rumusan Masalah ..................................................................................... 3

1.3. Tujuan ....................................................................................................... 3

1.4. Manfaat Penelitian .................................................................................... 3

1.5. Batasan Masalah ....................................................................................... 3

1.6. Metodologi Penelitian ............................................................................... 4

1.7. Sistematika Penulisan ............................................................................... 4

BAB II LANDASAN TEORI ................................................................................. 6

2.1. Pengenalan Pola ........................................................................................ 6

2.2. Backpropagation ....................................................................................... 9

2.3. ICZ-ZCZ ................................................................................................. 19

2.4. Pemrosesan Citra Digital ........................................................................ 24

2.4.1. Preprocessing ................................................................................. 25 2.4.1.1. Binarization ............................................................................. 25 2.4.1.2. Noise Reduction (Connected Components) ............................. 26 2.4.1.3. Segmentation (Profil Proyeksi) ................................................ 29

2.5. Pengujian................................................................................................. 31

2.6. Aksara Jawa ............................................................................................ 33


xiii

BAB III METODE PENELITIAN........................................................................ 39

3.1. Bahan Riset/Data .................................................................................... 39

3.2. Peralatan Penelitian ................................................................................. 39

3.3. Metode Pengumpulan Data ..................................................................... 39

3.4. Tahap Penelitian...................................................................................... 40

3.4.1. Identifikasi Masalah ...................................................................... 40 3.4.2. Studi Pustaka ................................................................................. 40

3.4.3. Pengumpulan Data......................................................................... 40 3.4.4. Perancangan Alat Uji ..................................................................... 41 3.4.5. Pengolahan Data ............................................................................ 41

3.5. Desain Interface ...................................................................................... 48

3.6. Pengujian (Testing) dan Pengukuran Akurasi Sistem ............................. 48

BAB IV HASIL DAN ANALISA ........................................................................ 49

4.1. Data ......................................................................................................... 49

4.1.1. Akuisisi Data ................................................................................. 49 4.1.2. Cropping ........................................................................................ 50

4.2. Preprocessing ......................................................................................... 51

4.3. Ekstraksi Ciri .......................................................................................... 56

4.4. Pembuatan Dataset ................................................................................. 57

4.5. Klasifikasi ............................................................................................... 59

4.6. Pengujian................................................................................................. 61

4.6.1. Satu Hidden Layer ......................................................................... 62 4.6.2. Dua Hidden Layer ......................................................................... 63 4.6.3. Arsitektur Optimal ......................................................................... 64

BAB V PENUTUP ................................................................................................ 69

5.1. Kesimpulan ............................................................................................. 69

5.2. Saran ....................................................................................................... 70

DAFTAR PUSTAKA ........................................................................................... 71

LAMPIRAN .......................................................................................................... 73


xiv

DAFTAR GAMBAR

Gambar 2.1 Contoh Pola Bentuk Citra ................................................................... 6 Gambar 2.2 Struktur Sistem Pengenalan Pola ........................................................ 7 Gambar 2.3 Sifat Fitur dan Keterpisahannya (a) Fitur bagus (b) Fitur jelek (c)

Fitur keterpisahan linier (d) Fitur keterpisahan nonlinier (d) Fitur

berkorelasi tinggi (f) Fitur multi-modal ............................................... 8

Gambar 2.4 Klasifikasi 2 Kelas .............................................................................. 9

Gambar 2.5 Arsitektur Backpropagation .............................................................. 10

Gambar 2.6 Fungsi Aktivasi Sigmoid Biner Range (0,1) ..................................... 11 Gambar 2.7 Fungsi Aktivasi Sigmoid Biner Range (-1,1) .................................... 11 Gambar 2.8 Contoh Arsitektur Backpropagation ................................................. 14 Gambar 2.9 Citra Aksara Pa ................................................................................. 20 Gambar 2.10 Pembagian Zona dan Perhitungan Jarak ICZ .................................. 21

Gambar 2.11 Pembagian Zona dan Perhitungan Jarak (ZCZ) .............................. 23 Gambar 2.12 Citra Biner “para” ber-noise ............................................................ 27

Gambar 2.13 CCL berkonflik ............................................................................... 28 Gambar 2.14 CCL yang ber-label ......................................................................... 28

Gambar 2.15 Citra Biner “para”............................................................................ 30 Gambar 2.16 Hasil Profil Proyeksi Horizontal ..................................................... 30

Gambar 2.17 Hasil Profil Proyeksi Vertikal ......................................................... 31 Gambar 2.18 Aksara Jawa Legena ........................................................................ 33

Gambar 2.19 Sandhangan Swara .......................................................................... 34 Gambar 2.20 Sandhangan Panyigeg Wanda ......................................................... 34 Gambar 2.21 Sandhangan Wyanjana .................................................................... 35

Gambar 2.22 Sandhangan Pangkon ...................................................................... 35 Gambar 2.23 Aksara Pasangan ............................................................................. 36

Gambar 2.24 Penulisan Aksara Apel Batu ............................................................ 36 Gambar 2.26 Aksara Wilangan ............................................................................. 38 Gambar 3.1 Diagram Pengolahan Data ................................................................. 41

Gambar 3.2 Diagram Tahap Preprocessing .......................................................... 43

Gambar 3.3 Gambar Desain Alat Uji .................................................................... 48

Gambar 4.1 Citra Halaman Buku Hamong Tani ................................................... 49 Gambar 4.2 Cropping Aksara ............................................................................... 50

Gambar 4.3 Citra Biner Aksara Ta ....................................................................... 51 Gambar 4.4 Noise pada Citra Biner Aksara Pa..................................................... 52 Gambar 4.5 Reduksi Derau Citra Biner Aksara Ta............................................... 53 Gambar 4.6 Aksara pepet (a) Citra pepet ber-noise (b) Preprocessing Citra pepet

dengan rentang piksel 60 (c) Preprocessing Citra pepet dengan

rentang piksel 95 ................................................................................ 54 Gambar 4.7 Segmentasi Aksara Ta ....................................................................... 55 Gambar 4.8 Kegagalan Segmentasi Aksara Ni ..................................................... 56 Gambar 4.9 Hasil Ekstraksi Ciri Aksara Ta .......................................................... 57

Gambar 4.10 Arsitektur Jaringan Klasifikasi Aksara Ta ...................................... 60 Gambar 4.11 Model 3-Fold Cross Validation ....................................................... 61


xv

Gambar 4.12 Arsitektur Jaringan 1 Hidden Layer ................................................ 62 Gambar 4.13 Arsitektur Jaringan 2 Hidden Layer ................................................ 63

Gambar 4.14 Arsitektur Jaringan yang Optimal ................................................... 64


xvi

DAFTAR TABEL

Tabel 2.1 Bobot dari Layar Masukan ke Layar Tersembunyi .............................. 14 Tabel 2.2 Bobot dari Layar Tersembunyi ke Layar Keluaran .............................. 15 Tabel 2.3 Suku Perubahan Bobot ke Layar Tersembunyi..................................... 17 Tabel 2.4 Perubahan Bobot ke Layar Tersembunyi .............................................. 18

Tabel 2.5 Contoh Tabel Confusion Matrix ........................................................... 32 Tabel 3.1 Target dalam Biner................................................................................ 47

Tabel 4.1 Jumlah Aksara untuk Klasifikasi .......................................................... 58 Tabel 4.2 Ciri Aksara Ta ....................................................................................... 59 Tabel 4.5 Akurasi Tertinggi Jaringan 1 Hidden Layer ......................................... 62 Tabel 4.6 Akurasi Tertinggi Jaringan 2 Hidden Layer ......................................... 63 Tabel 4.7 Confusion Matrix 3-Fold Cross Validation Model (a).......................... 65

Tabel 4.8 Confusion Matrix 3-Fold Cross Validation Model (b) ......................... 66 Tabel 4.9 Confusion Matrix 3-Fold Cross Validation Model (c).......................... 67


1

BAB I

PENDAHULUAN

1.1. Latar Belakang Masalah

Indonesia merupakan salah satu negara kepulauan terbesar di dunia,

yang memiliki luas wilayah dari Sabang sampai Merauke, sehingga tak heran

jika Indonesia memiliki kekayaan budaya. Kekayaan budaya yang dimiliki

Indonesia sangat beragam, ada adat istiadat seperti upacara adat, ada dari segi

kesenian baik tari-tarian, musik daerah, dan dongeng atau cerita rakyat.

Kemudian dari segi bangunan ada candi, benteng, monumen, dan istana. Lalu

dari segi peninggalan-peninggalan kuno ada fosil, artefak, arca, dan tulisan

kuno. Tulisan kuno juga banyak ditemukan di berbagai media, ada tulisan

dari media batu (prasasti), media kertas, dan media daun.

Namun dengan adanya globalisasi, budaya-budaya dari luar pun masuk

ke Indonesia. Sehingga budaya Bangsa Indonesia mulai tidak diperhatikan

lagi, karena sebagian orang menganggap bahwa budaya dari luar adalah

budaya modern. Budaya yang akhir-akhir ini kurang diperhatikan adalah

budaya peninggalan berupa tulisan kuno. Salah satu budaya tulisan kuno

adalah tulisan-tulisan berupa dokumen beraksara Jawa. Banyak dokumen

yang bertuliskan aksara Jawa yang disimpan di Keraton Yogyakarta, dimana

dokumen tersebut sangat di jaga keberadaannya. Karena dokumen beraksara

Jawa ini, memiliki umur puluhan tahun lebih, sehingga perlu adanya

digitalisasi terhadap dokumen tersebut. Bila tidak dilakukan digitalisasi akan

membuat dokumen tersebut menjadi rusak bahkan hilang keberadaannya.

Sungguh memprihatinkan jika kondisi tersebut terjadi. Dengan adanya

pengenalan pola dan pemrosesan citra, maka dokumen-dokumen kuno

tersebut dapat digitalisasikan secara otomatis, bahkan dapat dilakukan alih

aksara dari aksara Jawa menjadi tulisan latin, karena masih ada masyarakat

yang tidak bisa membaca aksara Jawa, bahkan masyarakat Jawa itu sendiri.

Sehingga dengan adanya alih aksara ini, masyarakat menjadi tahu akan isi

dan makna dari dokumen-dokumen kuno tersebut. Beberapa penelitian yang


2

berkaitan dalam bidang alih aksara ini adalah penelitian dari Widiarti dan

Wastu (2009) dengan jumlah data sebanyak 1000 gambar tulisan tangan,

dimana 800 gambar sebagai data training dan 200 gambar sebagai data

testing. Dari penelitian yang dilakukan, didapatkan hasil dengan tingkat

akurasi tertinggi sebesar 85,7% dengan menggunakan metode Hidden

Markov Model. Namun ternyata penelitian dari Budhi dan Adipranata (2015)

dengan jumlah data sebanyak 620 gambar tulisan tangan, didapatkan akurasi

yang lebih tinggi, yakni sebesar 98,71% dengan menggunakan kombinasi

metode Chi2 dan backpropagation network.

Berdasarkan dari penelitian yang sudah ada, dan dengan tingkat akurasi

diperoleh dari penelitian sebelumnya, maka penulis ingin menerapkan

metode yang sama namun dengan data yang berbeda, yakni melakukan alih

aksara Jawa cetak beraksara Jawa dengan menggunakan backpropagation

untuk pengklasifikasiannya dan menggunakan metode ICZ-ZCZ untuk

ekstraksi cirinya. Alasan menggunakan metode backpropagation dan ICZ-

ZCZ adalah karena tingginya akurasi yang dihasilkan dari penelitian Budhi

dan Adipranata (2015) untuk pengenalan aksara Jawa tulisan tangan yakni

sebesar 98,71%, dengan menggunakan kombinasi backpropagation dan Chi2

dan dengan ciri ICZ-ZCZ yang berzonasi 4*5. Akan tetapi dengan metode

backpropagation sendiri dan dengan ciri yang sama, akurasi yang dihasilkan

hanya 79,03%. Sehingga penulis ingin mencoba apakah dengan data berbeda

dapat meningkat kan akurasi dari metode backpropagation untuk alih aksara

Jawa. Namun, dengan melakukan alih aksara manuskrip cetak beraksara Jawa

ini banyak tantangan yang harus dihadapi, yakni adalah banyaknya noise pada

citra input, sehingga perlu adanya noise reduction atau reduksi derau agar

informasi yang penulis butuhkah tidak hilang, dalam kata lain yakni agar

aksara Jawa tidak hilang dan dapat dilakukan alih aksara. Dengan adanya

penelitian ini diharapkan orang akan terbantu dalam mengenal aksara Jawa

dan dapat belajar membaca dokumen yang bertuliskan aksara Jawa. Sehingga

adanya keikutsertaan untuk melestarikan salah satu kekayaan budaya

Indonesia.


3

1.2. Rumusan Masalah

Berapakah persentase keberhasilan backpropagation dalam melakukan alih

aksara pada manuskrip cetak beraksara Jawa ?

1.3. Tujuan

Mengetahui kinerja backpropagation dalam melakukan alih aksara pada

manuskrip cetak beraksara Jawa dengan ditunjukan dengan tingkat

akurasinya.

1.4. Manfaat Penelitian

Sebagai salah satu cara untuk melestarikan budaya Indonesia berupa

peninggalan dokumen kuno yang bertulikan aksara Jawa dengan melakukan

pengenalan aksara Jawa.

1.5. Batasan Masalah

Batasan masalah yang ada dalam penelitian ini adalah sebagai berikut:

1. Pengenalan pola berupa sebuah citra aksara dari 1 halaman manuskrip

cetak beraksara Jawa (buku Hamong Tani) yang di ambil dari proses

scanning. Kemudian, dilakukan proses cropping untuk masing-masing

aksara agar dapat menjadi dataset.

2. Kondisi asli manuskrip tidak bersih. Ini akan membuat gambar hasil

digitalisasi tidak jelas sehingga citra input memiliki noise yang cukup

banyak.

3. Pengenalan aksara Jawa memiliki kesulitan tersendiri karena terbentuk

dari aksara pokok (legena), aksara vokal (swara), aksara rekaan (rekan),

pengubah bunyi (sandhangan), penutup konsonan (pasangan), penutup

suku kata (sigeg), angka (wilangan), dan tanda baca.

4. Aksara yang diteliti sebanyak 15 jenis aksara dengan jumlah 340 data

dengan minimal jumlah dari masing-masing aksara sebanyak 9 data.


4

5. Luaran yang diharapkan adalah pengenalan aksara.

1.6. Metodologi Penelitian

1. Studi Literatur

Tahap ini adalah tahap untuk mempelajari semua hal-hal yang

mendukung penelitian melalui buku-buku referensi ataupun jurnal yang

berkaitan dengan pengenalan aksara.

2. Pengumpulan Data

Tahap ini adalah tahap mencari data citra manuskrip cetak beraksara

Jawa yang akan digunakan sebagai bahan dalam penelitian. Data

dikumpulkan dengan melakukan scanning buku bertuliskan aksara

Jawa.

3. Pembuatan Alat Uji

Tahap ini adalah tahap mendesain alat uji dan membangunnya

berdasarkan rancangan yang telah dibuat untuk dipakai sebagai alat uji

penelitian.

4. Pengujian

Tahap ini sistem diuji performanya dengan menghitung tingkat akurasi

yang dihasilkan dalam pengenalan aksara Jawa cetak.

5. Hasil dan Analisa

Tahap ini dilakukan menganalisa hasil penelitian berdasarkan tahapan

dan proses yang telah dikerjakan dengan didukung oleh teori-teori yang

dipakai.

1.7. Sistematika Penulisan

1. Bab I Pendahuluan

Bagian ini berisi mengenai latar belakang, rumusan masalah, tujuan,

batasan masalah, metodologi penelitian, dan sistematika penulisan.


5

2. Bab II Landasan Teori

Bagian ini berisi tentang teori-teori yang berkaitan dengan topik tugas

akhir.

3. Bab III Metode Penelitian

Bagian ini berisi tentang bahan riset atau data, peralatan penelitian,

metode pengumpulan data, tahap penelitian, desain alat uji, cara

pengujian, dan cara pengukuran akurasi sistem.

4. Bab IV Hasil dan Analisa

Bagian ini menjelaskan tentang implementasi dari konsep yang sudah

dibuat dan memaparkan hasil analisa terhadap langkah-langkah penelitian

yang sudah dikerjakan. Semua langkah penelitian dipaparkan secara rinci

dan disertai dengan capture output dari masing-masing tahapan yang

telah dilakukan.

5. Bab V Penutup

Bagian ini berisi kesimpulan dari penelitian yang telah dikerjakan. Selain

itu juga berisi saran untuk kemajuan dan pengembangan penelitian

berikutnya yang mengulas tentang pengenalan aksara Jawa.


6

BAB II

LANDASAN TEORI

2.1. Pengenalan Pola

Menurut Putra (2010) pengenalan pola (pattern recognition) adalah

suatu ilmu untuk mengklasifikasikan atau menggambarkan sesuatu

berdasarkan pengukuran kuantitatil fitur (ciri) atau sifat utama dari suatu

obyek. Pola sendiri adalah suatu entitas yang terdefinisi dan dapat

diidentifikasikan serta diberi nama. Pola bisa merupakan kumpulan hasil

pengukuran atau pemantulan dan bisa dinyatakan dalam notasi vektor atau

matrik. Gambar 2.1 menunjukan contoh hasil pengukuran pola bentuk citra.

Gambar 2.1 Contoh Pola Bentuk Citra

Struktur dari sistem pengenalan pola ditunjukan oleh Gambar 2.2. Sistem

terdiri atas sensor (misalnya kamera), suatu algoritma atau mekanisme

pencari fitur, dan algoritma untuk klasifikasi atau pengenalan (bergantung

pada pendekatan yang dilakukan). Sebagai tambahan, biasanya beberapa data

yang sudah diklasifikasikan diasumsikan telah tersedia untuk melatih sistem.


7

Gambar 2.2 Struktur Sistem Pengenalan Pola

Sensor berfungsi untuk menangkap objek dari dunia nyata dan selanjutnya

diubah menjadi sinyal digital (sinyal yang terdiri atas sekumpulan bilangan)

melalui proses digitalisasi.

Pra-Pengolahan berfungsi mempersiapkan citra atau sinyal agar dapat

menghasilkan ciri yang lebih baik pada tahap berikutnya. Pada tahap ini

sinyal informasi ditonjolkan dan sinyal pengganggu (derau atau noise)

diminimalisasi.

Pencari dan seleksi fitur berfungsi menemukan karakteristik pembeda yang

mewakili sifat utama sinyal dan sekaligus mengurangi dimensi sinyal menjadi

sekumpulan bilangan yang lebih sedikit tetapi representatif.

Algoritma klasifikasi berfungsi untuk mengelompokan fitur kedalam kelas

yang sesuai.

Algoritma deskripsi berfungsi memberikan deskripsi pada sinyal.

Fitur (features) atau disebut juga atribut adalah semua hasil pengukuran yang

bisa diperoleh dan merupakan karakteristik pembeda dari objek fitur dapat

berupa simbol seperti warna, numerik seperti serta, atau gabungan keduanya.

Fitur dapat dinyatakan dengan variabel kontinu, diskret, atau diskret-biner.

Fitur biner dapat digunakan untuk menyatakan ada atau tidaknya suatu fitur

tertentu. Fitur yang baik memiliki syarat berikut. (1) Mudah dalam

komputasi; (2) Mampu sebagai pembeda dan memberikan keberhasilan tinggi

dalam pengenalan; Dan, (3) besarnya data dapat diperkecil tanpa

menghilangkan informasi penting. Beberapa sifat fitur dijelaskan pada

Gambar 2.3.


8

Gambar 2.3 Sifat Fitur dan Keterpisahannya (a) Fitur bagus (b) Fitur jelek

(c) Fitur keterpisahan linier (d) Fitur keterpisahan nonlinier (d) Fitur

berkorelasi tinggi (f) Fitur multi-modal

Sumber: Pengolahan Citra Digital, 2010

Vektor fitur (features vector) adalah gabungan atau kombinasi dari beberapa

fitur dan dinyatakan sebagai vektor kolom. Benyaknya fitur pembentuk

vektor disebut dengan dimensi dari vektor fitur. Pada contoh berikut, x adalah

vektor berdimensi 1, y berdimensi 2, z berdimensi 3, dan v berdimensi d.

𝑥 = [𝑡𝑖𝑛𝑔𝑔𝑖] ...........................................................(2.1)

𝑦 = [𝑏𝑒𝑟𝑎𝑡

𝑘𝑒𝑐𝑒𝑝𝑎𝑡𝑎𝑛] ...................................................(2.2)

𝑧 = [

𝑡𝑖𝑛𝑔𝑔𝑖𝑏𝑒𝑟𝑎𝑡

𝑘𝑒𝑐𝑒𝑝𝑎𝑡𝑎𝑛] ....................................................(2.3)

𝑣 =

[ 𝑣1

𝑣2

.

.

.𝑣𝑑]

................................................................(2.4)

Pola dapat dikatakan sama dengan fitur atau vektor fitur yang merupakan

sifat utama dari suatu objek. namun, dalam pengenalan (klasifikasi), pola

merupakan sepasang variabel (x , ω) dengan x menyatakan sekumpulan

pemantauan (pengamatan) atau fitur atau vektor fitur, sedangkan ω

merupakan konsep dibalik pengamatan.


9

Pemisah (classifier) merupakan teknik atau metode untuk memilah

(mengelompokan) vektor fitur ke dalam kelas-kelas tertentu. Pada Gambar

2.4 pemilah berperan dalam membagi daerah ruang fitur ke dalam daerah

yang berhubungan dengan kelas A atau kelas B. Garis pemisah antara kedua

kelas tersebut disebut dengan garis keputusan (decision line).

Gambar 2.4 Klasifikasi 2 Kelas

2.2. Backpropagation

Menurut Siang (2005) backpropagation melatih jaringan untuk

mendapatkan keseimbangan antara kemampuan jaringan untuk mengenali

pola yang digunakan selama pelatihan serta kemapuan jaringan untuk

memberikan respon yang benar terhadap pola masukan yang serupa (tapi

tidak sama) dengan pola yang dipakai selama pelatihan.

Backpropagation memiliki beberapa unit yang ada dalam satu atau

lebih layar tersembunyi. Gambar 2.5 adalah arsitektur backpropagation

dengan n buah masukan (ditambah sebuah bias), sebuah layar tersembunyi

yang terdiri dari p unit (ditambahkan sebuah bias), serta m buah unit keluaran.


10

Gambar 2.5 Arsitektur Backpropagation

vji merupakan bobot garis dari unit masukan xi ke unit layar tersembunyi zj

(vj0 merupakan bobot garis yang menghubungkan bias di unit masukan ke

unit layar tersembunyi zj), wkj merupakan bobot dari unit layar tersembunyi

zj ke unit keluaran yk (wk0 merupakan bobot dari bias di layar tersembunyi ke

unit keluaran zk).

Dalam backpropagation, fungsi aktivasi yang akan dipakai harus

memenuhi beberapa syarat yaitu: kontinu, terdeferensial dengan mudah dan

merupakan fungsi yang tidak turun. Salah satu fungsi yang memenuhi ketiga

syarat tersebut sehingga sering dipakai adalah fungsi sigmoid biner yang

memiliki range (0,1).

𝑓(𝑥) =1

1+𝑒−𝑥 .......................................... (2.5)

dengan turunan

𝑓′(𝑥) = 𝑓(𝑥)(1 − 𝑓(𝑥)) ............................... (2.6)


11

Grafik fungsinya tampak pada Gambar 2.6

Gambar 2.6 Fungsi Aktivasi Sigmoid Biner Range (0,1)

Fungsi lain yang sering dipakai adalah fungsi sigmoid bipolar yang bentuk

fungsinya mirip dengan fungsi sigmoid biner, tapi dengan range (-1,1).

𝑓(𝑥) =2

1+𝑒−𝑥 − 1 ................................... (2.7)

dengan turunan

𝑓′(𝑥) =(1+𝑓(𝑥))(1−𝑓(𝑥))

2 ..................................... (2.8)

Grafik fungsinya tampak pada Gambar 2.7

Gambar 2.7 Fungsi Aktivasi Sigmoid Biner Range (-1,1)

Fungsi sigmoid memiliki nilai maksimum = 1. Maka untuk pola yang

targetnya > 1, pola masukan dan keluaran harus terlebih dahulu

ditransformasi sehingga semua polanya memiliki range yang sama seperti

sigmoid yang dipakai. Alternatif lain adalah menggunakan fungsi aktivasi

sigmoid hanya pada layar yang bukan layar keluaran. Pada layar keluaran,

fungsi aktivasi yang dipakai adalah fungsi identitas : 𝑓(𝑥) = 𝑥.


12

Pelatihan backpropagation meliputi 3 fase. Fase pertama adalah fase

maju. Pola masukan dihitung maju mulai dari layar masukan hingga layar

keluaran menggunakan fungsi aktivasi yang ditentukan. Fase kedua adalah

fase mundur. Selisih antara keluaran jaringan dengan target yang diinginkan

merupakan kesalahan yang terjadi. Kesalahan tersebut dipropagasikan

mundur, dimulai dari garis yang berhubungan langsung dengan unit-unit di

layar keluaran. Fase ketiga adalah modifikasi bobot untuk menurunkan

kesalahan yang terjadi.

Fase I : propagasi maju

Selama propagasi maju, sinyal masukan (= xi) dipropagasikan ke layar

tersembunyi menggunakan fungsi aktivasi yang ditentukan. Keluaran dari

setiap unit layar tersembunyi (= zj) tersebut selanjutnya dipropagasikan maju

lagi ke layar tersembunyi di atasnya menggunakan fungsi aktivasi yang

ditentukan. Demikian seterusnya hingga menghasilkan keluaran jaringan (=

yk).

Berikutnya, keluaran jaringan (= yk) dibandingkan dengan target yang

harus dicapai (tk). Selisih tk – yk adalah kesalahan yang terjadi. Jika, kesalahan

ini lebih kecil dari batas toleransi yang ditentukan, maka iterasi dihentikan.

Akan tetapi apabila kesalahan masih lebih besar dari batas toleransinya, maka

bobot setiap garis dalam jaringan akan dimodifikasi untuk mengurangi

kesalahan yang terjadi.

Fase II: propagasi mundur

Berdasarkan kesalahan tk – yk, dihitung faktor δk (k = 1, 2, ..., m) yang

dipakai untuk mendistribusikan kesalahan di unit yk kesemua unit

tersembunyi yang terhubung langsung dengan yk. δk juga dipakai untuk

mengubah bobot garis yang berhubungan langsung dengan unit keluaran.

Dengan cara yang sama, dihitung faktor δj di setiap unit di layar

tersembunyi sebagai dasar perubahan bobot semua garis berasal dari unit

tersembunyi di layar di bawahnya. Demikian seterusnya hingga semua faktor


13

δ di unit tersembunyi yang berhubungan langsung dengan unit masukan

dihitung.

Fase III : perubahan bobot

Setelah semua faktor δ dihitung, bobot semua garis dimodifikasi

bersamaan. Perubahan bobot suatu garis didasarkan atas faktor δ neuron di

atasnya. Sebagai contoh, perubahan bobot garis yang menuju ke layar

keluaran didasarkan atas δk yang ada di unit keluaran.

Ketiga fase tersebut diulang-ulang terus hingga kondisi penghentian

dipenuhi. Umumnya kondisi penghentian yang dipakai adalah jumlah iterasi

atau kesalahan. Iterasi akan dihentikan jika jumlah iterasi yang dilakukan

sudah melebihi jumlah maksimum iterasi yang ditetapkan, atau jika kesalahan

yang terjadi sudah lebih kecil dari batas toleransi yang diijinkan.

Sebagai contoh dalam penerapan algoritma pelatihan untuk jaringan

dengan satu layar tersembunyi [3.36 2.58 3.21 2.56 3.37 4.85] merupakan

matrix 1x6 sebagai input dari model backpropagation dan dengan fungsi

aktivasi sigmoid biner adalah sebagai berikut:

Arsitektur backpropagation dengan 1 layar tersembunyi yang terdiri dari 3

unit untuk target bernilai 0 tampak pada Gambar 2.8.


14

Gambar 2.8 Contoh Arsitektur Backpropagation

Langkah 0 : Inisialisasi semua bobot dengan bilangan acak kecil. Misal

didapat bobot seperti Tabel 2.1 (bobot dari layar masukan ke layar

tersembunyi y = vji) dan 2.2 (bobot dari layar tersembunyi ke layar keluaran

= wkj).

Tabel 2.1 Bobot dari Layar Masukan ke Layar Tersembunyi

z1 z2 z3

x1 0.2 0.3 -0.1

x2 0.3 0.1 -0.1

x3 -0.1 0.2 0.3

x4 0.2 -0.1 0.3

x5 -0.1 -0.3 0.2

x6 0.3 0.1 0.2

1 -0.3 0.3 0.3


15

Tabel 2.2 Bobot dari Layar Tersembunyi ke Layar Keluaran

y

z1 0.5

z2 -0.3

z3 -0.4

1 -0.1

Iterasi 1

Langkah 1 : Hitung keluaran unit tersembunyi (zj)

𝑧_𝑛𝑒𝑡𝑗 = 𝑣𝑗0 + ∑𝑥𝑖𝑣𝑗𝑖

𝑛

𝑖=1

……………………………(2.9)

𝑧_𝑛𝑒𝑡1 = −0.3 + 3.36(0.2) + 2.58(0.3) + 3.21(−0.1) + 2.56(0.2)

+ 3.37(−0.1) + 4.85(0.3) = 2.46

𝑧_𝑛𝑒𝑡2 = 0.3 + 3.36(0.3) + 2.58(0.1) + 3.21(0.2) + 2.56(−0.1) + 3.37(−0.3)

+ 4.85(0.1) = 1.43

𝑧_𝑛𝑒𝑡3 = 0.3 + 3.36(−0.1) + 2.58(−0.1) + 3.21(0.3) + 2.56(0.3) + 3.37(0.2)

+ 4.85(0.2) = 3.08

𝑧𝑗 = 𝑓 (𝑧𝑛𝑒𝑡𝑗) =

1

1 + 𝑒−𝑧_𝑛𝑒𝑡𝑗 ……………………………(2.10)

𝑧1 =1

1 + 𝑒−2.46= 0.92; 𝑧2 =

1

1 + 𝑒−1.43= 0.81; 𝑧3 =

1

1 + 𝑒−3.08= 0.96

Langkah 2 : Hitung keluaran unit (yk)

𝑦_𝑛𝑒𝑡𝑘 = 𝑤𝑘0 + ∑𝑧𝑗𝑤𝑘𝑗

𝑝

𝑗=1

…………………………….(2.11)


16

Karena jaringan hanya memiliki sebuah unit keluaran y maka y_netk = 𝑦𝑛𝑒𝑡 =

𝑤10 + ∑ 𝑧𝑗𝑤𝑘𝑗 = −0.1 + 0.92(0.5) + 0.81(−0.3) + 0.96(−0.4)3𝑗=1 =

−0.26

𝑦 = 𝑓(𝑦_𝑛𝑒𝑡) =1

1 + 𝑒−𝑦_𝑛𝑒𝑡=

1

1 + 𝑒0.35= 0.57

Langkah 3 : Hitung faktor δ di unit keluaran yk

𝛿𝑘 = (𝑡𝑘 − 𝑦𝑘)𝑓′(𝑦_𝑛𝑒𝑡𝑘) = (𝑡𝑘 − 𝑦𝑘)𝑦𝑘(1 − 𝑦𝑘) ...................(2.12)

Karena jaringan hanya memiliki sebuah keluaran maka 𝛿𝑘 = 𝛿 = (𝑡 −

𝑦)𝑦(1 − 𝑦) = (0 − 0.57)(0.57)(1 − 0.57) = −0.14

Suku perubahan bobot wkj (dengan α = 0.2):

∆𝑤𝑘𝑗 = 𝛼 𝛿𝑘 𝑧𝑗 ; 𝑘 = 1, 2, … , 𝑝 ; 𝑗 = 0, 1, … , 𝑛 ……………(2.13)

∆𝑤𝑘𝑗 = 𝛼 𝛿 𝑥𝑗 ; 𝑗 = 0, 1, 2, 3

∆𝑤10 = 0.2(−0.14)(1) = −0.8

∆𝑤11 = 0.2(−0.14)(0.92) = −0.74

∆𝑤12 = 0.2(−0.14)(0.81) = −0.65

∆𝑤13 = 0.2(−0.14)(0.96) = −0.76

Langkah 4 : Hitung faktor δ unit tersembunyi berdasarkan kesalahan di setiap

unit tersembunyi zj (j = 1, 2, ... , p)

𝛿_𝑛𝑒𝑡𝑗 = ∑ 𝛿𝑘𝑤𝑘𝑗

𝑚

𝑘=1

………………………………(2.14)

Karena jaringan hanya memiliki sebuah unit keluaran maka δ_netj = δ w1j

𝛿_𝑛𝑒𝑡1 = (−0.14)(0.5) = −0.07


17

𝛿_𝑛𝑒𝑡2 = (−0.14)(−0.3) = 0.04

𝛿_𝑛𝑒𝑡3 = (−0.14)(−0.4) = 0.06

Faktor δ unit tersembunyi :

𝛿𝑗 = 𝛿_𝑛𝑒𝑡𝑗 𝑓′(𝑧_𝑛𝑒𝑡𝑗) = 𝛿_𝑛𝑒𝑡𝑗 𝑧𝑗 (1 − 𝑧𝑗) ………………(2.15)

𝛿1 = (−0.07)(0.92)(1 − 0.92) = −0.01

𝛿2 = (0.04)(0.81)(1 − 0.81) = 0.01

𝛿3 = (0.06)(0.96)(1 − 0.96) = 0.00

Hitung suku perubahan bobot vji (yang akan dipakai nanti untuk merubah

bobot vji)

∆𝑣𝑗𝑖 = 𝛼 𝛿𝑗 𝑥𝑖 ; 𝑗 = 1, 2, … , 𝑝 ; 𝑖 = 0, 1, … , 𝑛 ……………...(2.16)

Tabel 2.3 Suku Perubahan Bobot ke Layar Tersembunyi

z1 z2 z3

x1 Δvji = (0.2)(-0.01)(3.36) = 0 Δvji = (0.2)(0.01)(3.36) = 0 Δvji = (0.2)(0)(3.36) = 0

x2 Δvji = (0.2)(-0.01)(2.58) = 0 Δvji = (0.2)(0.01)(2.58) = 0 Δvji = (0.2)(0)(2.58) = 0

x3 Δvji = (0.2)(-0.01)(3.21) = 0 Δvji = (0.2)(0.01)(3.21) = 0 Δvji = (0.2)(0)(3.21) = 0

x4 Δvji = (0.2)(-0.01)(2.56) = 0 Δvji = (0.2)(0.01)(2.56) = 0 Δvji = (0.2)(0)(2.56) = 0

x5 Δvji = (0.2)(-0.01)(3.37) = Δvji = (0.2)(0.01)(3.37) = 0 Δvji = (0.2)(0)(3.37) = 0

x6 Δvji = (0.2)(-0.01)(4.85) = 0 Δvji = (0.2)(0.01)(4.85) = 0 Δvji = (0.2)(0)(4.85) = 0

1 Δvji = (0.2)(-0.01)(1) = 0 Δvji = (0.2)(0.01)(1) = 0 Δvji = (0.2)(0)(1) = 0

Langkah 4 : Hitung semua perubahan bobot

Perubahan bobot garis yang menuju ke unit keluaran:

𝑤𝑘𝑗(𝑏𝑎𝑟𝑢) = 𝑤𝑘𝑗(𝑙𝑎𝑚𝑎) + ∆𝑤𝑘𝑗 ; (𝑘 = 1, 2, … ,𝑚 ; 𝑗 = 0, 1, … , 𝑝).. (2.17)

𝑤10(𝑏𝑎𝑟𝑢) = −0.1 − 0.8 = −0.9


18

𝑤11(𝑏𝑎𝑟𝑢) = 0.5 − 0.74 = −0.24

𝑤12(𝑏𝑎𝑟𝑢) = −0.3 − 0.65 = −0.95

𝑤13(𝑏𝑎𝑟𝑢) = −0.4 − 0.76 = −1.16

Perubahan bobot garis yang menuju ke unit tersembunyi:

𝑣𝑗𝑖(𝑏𝑎𝑟𝑢) = 𝑣𝑗𝑖(𝑙𝑎𝑚𝑎) + ∆𝑣𝑗𝑖 ; (𝑗 = 1, 2, … , 𝑝 ; 𝑖 = 0, 1, … , 𝑛)......... (2.18)

Tabel 2.4 Perubahan Bobot ke Layar Tersembunyi

z1 z2 z3

x1 Δvji(baru) = 0.2 + 0 = 0.2 Δvji(baru) = 0.3 + 0 = 0.3 Δvji(baru) = -0.1 + 0 = -

0.1

x2 Δvji(baru) = 0.3 + 0 = 0.3 Δvji(baru) = 0.1 + 0 = 0.1 Δvji(baru) = -0.1 + 0 = -

0.1

x3 Δvji(baru) = -0.1 + 0 = -0.1 Δvji(baru) = 0.2 + 0 = 0.2 Δvji(baru) = 0.3 + 0 = 0.3

x4 Δvji(baru) = 0.2 + 0 = 0.2 Δvji(baru) = -0.1 + 0 = -0.1 Δvji(baru) = 0.3 + 0 = 0.3

x5 Δvji(baru) = -0.1 + 0 = -0.1 Δvji(baru) = 0.2 + 0 = -0.3 Δvji(baru) = 0.2 + 0 = 0.2

x6 Δvji(baru) = 0.3 + 0 = 0.3 Δvji(baru) = 0.1 + 0 = 0.1 Δvji(baru) = 0.2 + 0 = 0.2

1 Δvji(baru) = -0.3 + 0 = -0.3 Δvji(baru) = 0.3 + 0 = 0.4 Δvji(baru) = 0.3 + 0 = 0.3

Ulangi langkah 1 hingga kondisi pernghentian belum terpenuhi.

Iterasi 2

Langkah 1 : Hitung keluaran unit tersembunyi (zj)

𝑧_𝑛𝑒𝑡1 = −0.3 + 3.36(0.2) + 2.58(0.3) + 3.21(−0.1) + 2.56(0.2)

+ 3.37(−0.1) + 4.85(0.3) = 2.46

𝑧_𝑛𝑒𝑡2 = 0.3 + 3.36(0.3) + 2.58(0.1) + 3.21(0.2) + 2.56(−0.1) + 3.37(−0.3)

+ 4.85(0.1) = 1.43

𝑧_𝑛𝑒𝑡3 = 0.3 + 3.36(−0.1) + 2.58(−0.1) + 3.21(0.3) + 2.56(0.3) + 3.37(0.2)

+ 4.85(0.2) = 3.08

𝑧1 =1

1 + 𝑒−2.46= 0.92; 𝑧2 =

1

1 + 𝑒−1.43= 0.81; 𝑧3 =

1

1 + 𝑒−3.08= 0.96


19

Langkah 2 : Hitung keluaran unit (yk)

Karena jaringan hanya memiliki sebuah unit keluaran y maka y_netk = 𝑦𝑛𝑒𝑡 =

𝑤10 + ∑ 𝑧𝑗𝑤𝑘𝑗 = −0.9 + 0.92(−0.24) + 0.81(−0.95) +3𝑗=1

0.96(−1.16) = −3

𝑦 = 𝑓(𝑦_𝑛𝑒𝑡) =1

1 + 𝑒−𝑦_𝑛𝑒𝑡=

1

1 + 𝑒−3= 0

Karena y = t = 0 maka kondisi penghentian sudah terpenuhi karena keluaran

= target yaitu bernilai 0.

2.3. ICZ-ZCZ

Image Centroid Zone (ICZ) dan Zone Centroid Zone (ZCZ) adalah

metode ekstraksi ciri yang memanfaatkan jenis zonasi dan zona sentroid dari

zona sebuah citra telah dibagi menjadi beberapa bagian. Metode ini dimulai

dengan membagi suatu gambar ke beberapa zona yang sama. Setelah

membagi gambar menjadi zona yang sama, metode ICZ menghitung pusat

dari gambar. Untuk setiap zona, jarak rata-rata antara gambar hitam piksel

dan zona centroid dihitung. Dalam metode ZCZ, pusat dari gambar dihitung

sebagai ganti centroid dari masing-masing zona. Untuk masing-masing zona,

jarak rata-rata antara piksel gambar hitam dan pusat gambar adalah dihitung.

Jarak rata-rata kemudian digunakan sebagai fitur untuk klasifikasi (Budhi &

Adipranata, 2015). Untuk menemukan titik centroid dapat dinyatakan dengan

rumus sebagai berikut:

𝑥𝑐 =∑ 𝑥𝑖 . 𝑝𝑖

𝑛𝑖=1

∑ 𝑝𝑖𝑛𝑖=1

…………………………………(2.19)

𝑦𝑐 =∑ 𝑦𝑖 . 𝑝𝑖

𝑛𝑖=1

∑ 𝑝𝑖𝑛𝑖=1

…………………………………(2.20)


20

Dengan:

xc : centroid pada koordinat x

yc : centroid pada koordinat y

xi : koordinat titik x ke-i

yi : koordinat titik y ke-i

pi : nilai piksel pada titik ke-i

Dalam perhitungan jarak antara centroid dengan nilai piksel yang ada di

dalam zona, digunakan perhitungan jarak euclidean distance dengan rumus

pada persamaan 2.21.

𝑑(𝑥, 𝑦) = √∑(𝑥𝑘 − 𝑦𝑘)2

𝑛

𝑘=1

…………………………………(2.21)

Dengan:

d(x,y) : jarak antara vektor objek x dan y

n : jumlah dimensi objek

xk , yk : nilai vektor objek x dan y ke-k

Gambar 2.9 Citra Aksara Pa

Misalkan terdapat sebuah citra aksara pa seperti Gambar 2.9. prinsip kerja

dari ekstraksi ciri menggunakan ICZ adalah sebagai berikut. Langkah

pertama adalah mencari titik centroid-nya. Citra masukan untuk proses

ekstraksi ciri adalah citra biner, sehingga objek dari citra memiliki

representasi nilai 1, atau bagian yang berwarna putih. Dengan demikian nilai

xi dan yi adalah 1 sedangkan untuk nilai pi tergantung dari sumbu mana yang

akan dicari, jika sumbu x maka nilai pi merupakan nilai kordinat objek pada

sumbu x, sedangkan jika sumbu y maka nilai pi merupakan nilai koordinat

objek pada sumbu y. Berdasarkan pada persamaan rumus 2.19 dan 2.20 ketika


21

suatu bilangan dikalikan 1 akan menghasilkan bilangan itu sendiri, maka

secara sederhana kita cukup menjumlahkan nilai koordinat pada masing-

masing sumbu untuk setiap piksel objeknya. Titik centroid untuk xc dan yc

dapat dihitung dengan:

𝑥𝑐 =2 + 3 + 7 + 8 + 1 + 4 + 6 + 9 + 1 + 4 + 6 + 9 + 1 + 4 + 6 + 9 + 1 + 4 + 6 + 9 + 1 + 4 + 5 + 6 + 9

25

= 5

𝑦𝑐 =1 + 1 + 1 + 1 + 2 + 2 + 2 + 2 + 3 + 3 + 3 + 3 + 4 + 4 + 4 + 4 + 5 + 5 + 5 + 5 + 6 + 6 + 6 + 6 + 6

25

= 3,6

Dengan hasil yang diperoleh maka koordinat centroid objek tersebut berada

di titik (5,3.6). Setelah titik centroid diperoleh maka objek tersebut dibagi

menjadi beberapa zona. Sebagai contoh objek tersebut dibagi menjadi 3 zona

secara horizontal. Kemudian setelah dibagi menjadi 3 zona secara horizontal,

hitung jarak masing-masing piksel yang ada disetiap zona terhadap titik

centroid-nya. Total nilai jarak yang ada disetiap zona merupakan nilai rerata

dari jarak semua piksel di zona tersebut. hasil dari ekstraksi ciri ICZ akan

menghasilkan 3 fitur dari objek tersebut.

Gambar 2.10 Pembagian Zona dan Perhitungan Jarak ICZ

Gambar 2.10 merupakan represntasi pembagian zona menggunakan ICZ yang

dibagi menjadi 3 zona sama besar secara horizontal pada citra aksara pa.

Perhitungan untuk fitur pada zona 1 adalah sebagai berikut:

𝑑1 = √(2 − 5)2 + (1 − 3.6)2 = 3.97


22

𝑑2 = √(3 − 5)2 + (1 − 3.6)2 = 3.28

𝑑3 = √(7 − 5)2 + (1 − 3.6)2 = 3.28

𝑑4 = √(8 − 5)2 + (1 − 3.6)2 = 3.97

𝑑5 = √(1 − 5)2 + (2 − 3.6)2 = 4.31

𝑑6 = √(4 − 5)2 + (2 − 3.6)2 = 1.89

𝑑7 = √(6 − 5)2 + (2 − 3.6)2 = 1.89

𝑑8 = √(9 − 5)2 + (2 − 3.6)2 = 4.31

𝑓𝑖𝑡𝑢𝑟1 =3.97 + 3.28 + 3.28 + 3.97 + 4.31 + 1.89 + 1.89 + 4.31

8= 3.36

Berdasarkan hasil perhitungan di atas maka ciri atau fitur dari zona 1 adalah

3.36. Cara yang sama juga berlaku untuk mencari nilai ciri atau fitur pada

zona 2 dan zona 3 sehingga diperoleh fitur zona ke 2 adalah 2.58 serta zona

ke 3 adalah 3.21. Jika digabungkan maka menghasilkan 3 fitur, yaitu [3.36

2.58 3.21]. Setelah semua ciri yang dihitung menggunakan metode ICZ

diperoleh, maka dilanjutkan dengan mengekstrak ciri objek menggunakan

metode ZCZ.

Prinsip kerja dari ekstaksi ciri menggunakan ZCZ adalah sebagai

berikut. Langkah pertama adalah membagi ke dalam beberapa zona, sama

dengan langkah sebelumnya, yaitu membagi ke dalam 3 zona secara

horizontal kemudian mencari titik centroid untuk setiap zona yang ada.

Setelah didapatkan titik centroid-nya, kemudian hitung jarak antara masing-

masing piksel yang ada disetiap zona terhadap titik centroid-nya

menggunakan euclidean distance. Total nilai jarak yang ada disetiap zona

merupakan nilai rerata dari jarak semua piksel di zona tersebut. Hasil

ekstraksi ciri ZCZ akan menghasilkan 3 fitur dari objek tersebut, sesuai

dengan jumlah pembagian zona yang diberikan.


23

Adapun titik centroid xc dan yc pada zona 1 adalah sebagai berikut:

𝑥𝑐 =2 + 3 + 7 + 8 + 1 + 4 + 6 + 9

8= 5

𝑦𝑐 =1 + 1 + 1 + 1 + 2 + 2 + 2 + 2

8= 1.5

Dengan demikian maka titik centroid pada zona 1 adalah (5 , 1.5). Proses

yang sama juga dilakukan untuk mencari titik centroid pada zona 2 dan zona

3, yang masing-masing titik centroid-nya adalah (5 , 3.5) dan (5 , 5.56).

Gambar 2.11 Pembagian Zona dan Perhitungan Jarak (ZCZ)

Gambar 2.11 merupakan representasi pembagian zona menggunakan ZCZ

yang dibagi menjadi 3 zona sama besar secara horizontal pada citra aksara pa.

Perhitungan untuk fitur pada zona 1 adalah sebagai berikut:

𝑑1 = √(2 − 5)2 + (1 − 1.5)2 = 3.04

𝑑2 = √(3 − 5)2 + (1 − 1.5)2 = 2.06

𝑑3 = √(7 − 5)2 + (1 − 1.5)2 = 2.06

𝑑4 = √(8 − 5)2 + (1 − 1.5)2 = 3.04

𝑑5 = √(1 − 5)2 + (2 − 1.5)2 = 4.03


24

𝑑6 = √(4 − 5)2 + (2 − 1.5)2 = 1.12

𝑑7 = √(6 − 5)2 + (2 − 1.5)2 = 1.12

𝑑8 = √(9 − 5)2 + (2 − 1.5)2 = 4.03

𝑓𝑖𝑡𝑢𝑟1 =3.04 + 2.06 + 2.06 + 3.04 + 4.03 + 1.12 + 1.12 + 4.03

8= 2.56

Berdasarkan hasil perhitungan di atas maka ciri atau fitur dari zona 1 adalah

2.56. Cara yang sama juga berlaku untuk mencari nilai ciri atau fitur pada

zona 2 dan zona 3 sehingga diperoleh fitur zona ke 2 adalah 3.37 serta zona

ke 3 adalah 4.85. Jika digabungkan maka menghasilkan 3 fitur, yaitu [2.56

3.37 4.85]. Setelah semua ciri yang dihitung menggunakan metode ICZ dan

ZCZ diperoleh, lalu fitur tersebut digabungkan sehingga menjadi 6 fitur yang

mempresentasikan citra tersebut, sehingga dapat ditulis [3.36 2.58 3.21 2.56

3.37 4.85].

2.4. Pemrosesan Citra Digital

Menurut Putra (2010) secara umum, pengolahan citra digital menunjuk

pada pemrosesan gambar 2 dimensi menggunakan komputer. Dalam konteks

yang lebih luas, pengolahan citra digital mengacu pada pemrosesan setiap

data 2 dimensi. Citra digital merupakan sebuah larik (array) yang berisi nilai-

nilai real maupun komplek yang dipresentasikan dengan deretan bit tertentu.

Suatu citra dapat didefinisikan sebagai fungsi 𝑓(𝑥, 𝑦) berukuran M

baris dan N kolom, dengan 𝑥 dan 𝑦 adalah koordinat spasial, dan amplitudo

𝑓 di titik koordniat (𝑥, 𝑦) dinamakan intensitas atau tingkat keabuan dari citra

pada titik tersebut. Apabila nilai 𝑥, 𝑦, dan nilai amplitudo 𝑓 secara

keseluruhan berhingga (finite) dan bernilai diskrit maka dapat dikatakan

bahwa citra tersebut adalah citra digital. Citra digital dapat ditulis dalam

bentuk matrik sebagai berikut.


25

𝑓(𝑥, 𝑦) = [

𝑓(0,0) 𝑓(0,1) ⋯ 𝑓(0, 𝑁 − 1)𝑓(1,0) 𝑓(1,1) ⋯ 𝑓(1, 𝑁 − 1)

⋮ ⋮ ⋮𝑓(𝑀 − 1,0) 𝑓(𝑀 − 1,1) ⋯ 𝑓(𝑀 − 1,𝑁 − 1)

]……...(2.22)

Nilai pada suatu irisan antara baris dan kolom (pada posisi 𝑥, 𝑦) disebut

dengan picture elements, image elements, pels, atau pixels. Istilah terakhir

(pixel) paling sering digunakan pada citra digital.

2.4.1. Preprocessing

Menurut Andono dkk (2017) preprocessing adalah tahap

pemrosesan data (dalam hal ini citra digital) agar data bisa dan layak

digunakan untuk tahap berikutnya. Hal ini dilakukan karena hasil

citra digital dari proses akuisisi biasanya memiliki beberapa

masalah, misalnya terjadi noise atau adanya objek-objek penganggu.

Beberapa masalah tersebut disebabkan oleh kurang akuratnya sensor

atau transducers yang digunakan saat proses akuisisi. Selain itu,

tujuan preprocessing adalah untuk membuat citra digital agar sesuai

dengan kebutuhan ekstraksi fiturnya.

a. Binarization

Binarization adalah proses untuk mengubah citra berwarna atau

citra grayscale menjadi citra biner. Menurut Putra (2010) Citra

biner adalah citra digital yang hanya memiliki dua kemungkinan

nilai pixel yaitu hitam dan putih. Citra biner juga disebut sebagai

citra B&W (black and white) atau citra monochrome. Hanya

dibutuhkan 1 bit untuk mewakili nilai setiap pixel dari citra

biner. Citra biner sering kali muncul sebagai hasil dari proses

pengolahan seperti segmentasi, pengambangan, morfologi,

ataupun dithering. Menurut Kadir dan Susanto (2013) nilai

ambang ditentukan dengan terlebih dahulu melihat histogram

citra dan dipilih nilai untuk ambang pada bagian lemah. Secara

matematis, thersholding atau pengambangan intensitas dapat

dinyatakan melalui persamaan:


26

𝑔(𝑥, 𝑦) = {1 𝑖𝑓 𝑓(𝑥, 𝑦) > 𝑇

0 𝑖𝑓 𝑓(𝑥, 𝑦) ≤ 𝑇 ……………….(2.23)

Dengan:

g(x,y) : citra hasil segmentasi atau citra biner

f(x,y) : citra masukan

(x,y) : titik (x,y) pada citra

T : nilai thersholding (nilai ambang)

b. Noise Reduction (Connected Components)

Menurut Kadir dan Susanto (2013) derau atau noise

sesungguhnya adalah komponen di citra yang tidak

dikehendaki. Dalam praktik, kehadiran derau tidak dapat

dihindari. Sebagai contoh, derau Gaussian biasa muncul pada

sembarang isyarat. Derau putih (white noise) biasa menyertai

pada siaran televisi yang berasal dari stasiun pemancar yang

lemah. Derau butiran biasa muncul dalam film-film fotografi.

Derau yang dinamakan garam dan merica (salt and pepper)

sering mewarnai citra.

Penghilangan derau dapat dilakukan dengan pendekatan linear

ataupun nonlinear. Penghilangan derau secara linear dapat

dilakukan baik pada kawasan spasial maupun frekuensi.

Termasuk pemrosesan pada kawasan spasial yaitu penggunaan

filter lolos-rendah. Ataupun filter rerata aritmetik, filter rerata

harmonik, dan filter rerata kontraharmonik. Pada kawasan

frekuensi, filter homomorfik ataupun filter lolos-rendah

butterworth dapat digunakan.

Selain menggunakan pendekatan linear ataupun nonlinear,

reduksi derau juga dapat menggunakan algoritma connected

component. Connected components analysis (CCA) adalah

langkah biasa dalam pemrosesan citra, seperti mengekstraksi

fitur area atau ukuran objek berbentuk arbitrer dalam gambar

biner. Proses tersebut berdasarkan connected components


27

labelling (CCL) yang menciptakan gambar berlabel dengan

dimensi yang sama dengan gambar aslinya di mana semua

piksel dari setiap komponen yang terhubung diberi label yang

unik (Klaiber dkk., 2015). Dengan adanya pemberian label pada

objek, dapat diseleksi objek-objek yang dideteksi sebagai noise.

Sehingga noise dapat dihilangkan dengan memberikan ukuran

rata-rata piksel pada objek. Sebagai contoh, ada sebuah citra

biner aksara Jawa pa dan ra dalam satu bagian yang terdapat

noise disekitarannya.

Gambar 2.12 Citra Biner “para” ber-noise

Gambar 2.12 adalah representasi citra biner yang ber-noise,

dalam menggunakan CCL langkah pertama adalah mencari

koordinat piksel yang merupakan foreground atau dalam kata

lain koordinat piksel yang bernilai 1, dari kiri ke kanan pada

masing-masing baris, kemudian koordinat tersebut diberi label.

Jika tetangga koordinat piksel tersebut memiliki label maka,

koordinat tersebut berlabel tetanggnya. Jika label tetangganya

konflik (ada 2 label berbeda pada tetangganya) seperti pada

Gambar 2.13 maka dilakukan relabel menjadi 1 label.


28

Gambar 2.13 CCL berkonflik

Gambar 2.13 adalah representasi dari koordinat piksel yang

tetangganya berbeda yakni 3 dan 6, sehingga label 6 akan

menjadi label 3. Ulangi terus hingga semua foreground

memiliki label seperti Gambar 2.14.

Gambar 2.14 CCL yang ber-label

Gambar 2.14 adalah representasi dari hasil akhir CCL, sehingga

label 1, 2, dan 5 merupakan noise, karena ukuran piksel untuk

sebuah aksara tidak memenuhi karena ukurannya yang kurang

dari ukuran aksara, sehingga noise tersebut dihilangkan.


29

c. Segmentation (Profil Proyeksi)

Menurut Andono dkk. (2017) segmentasi merupakan bagian

dari tahap preprocessing yang bertujuan untuk memisahkan

objek tertentu yang dikehendaki (foreground) dengan objek lain

yang tidak dikehendaki (bakcground). Output segmentasi

biasanya berupa citra biner, di mana foreground diberi simbol

`1` dan background diberi simbol `0`. Beberapa metode

segmentasi yang biasa digunakan adalah thresholding,

multitherholding, deteksi tepi, k-means clustering, filter gabor,

fuzzy c-means clustering, watershed, transformasi hough dan

lain-lain.

Menurut Kadir dan Susanto (2013) proyeksi citra adalah bentuk

satu dimensi isi citra yang dihitung berdasarkan sumbu

koordinat. Definisinya sebagai berikut:

𝑃ℎ𝑜𝑟(𝑏) = ∑ 𝐼(𝑏, 𝑘𝑗)𝑁𝑗=1 ....................................................(2.24)

𝑃𝑣𝑒𝑟(𝑘) = ∑ 𝐼(𝑏𝑘, 𝑘)𝑀𝑗=1 ................................................... (2.25)

Dengan:

M : tinggi citra

N : lebar citra

Phor(b) : jumlah nilai piksel pada baris b

Pver(k) : jumlah nilai piksel pada kolom k

Dalam pengaplikasiannya profil proyeksi ini digunakan untuk

line segmentation yaitu memisahkan antar baris pada aksara dan

character segmentation yaitu memisahkan antar aksara pada

satu baris. Sebagai contoh, ada sebuah citra biner aksara Jawa

pa dan ra dalam satu bagian.


30

Gambar 2.15 Citra Biner “para”

Gambar 2.15 adalah representasi aksara pa dan ra. Dengan

menggunakan profil proyeksi secara horizontal maka akan

dilakukannya penjumlahan piksel yang bernilai 1 pada setiap

kolom disetiap barisnya untuk mengetahui letak garis batas pada

masing-masing baris aksara. Pada citra biner Gambar 2.15,

piksel yang berwarna hitam mempunyai nilai piksel 0 dan

komponen yang berwarna putih mempunyai nilai piksel 1,

sehingga diperoleh matriks proyeksi horizontalnya adalah [0 0

8 7 6 6 6 7 0 0]. Dengan hasil yang diperoleh, matriks yang

bernilai 0 adalah baris tersebut tidak terdapat objek. Sehingga,

dapat kita lakukan pemotongan untuk memisahkan baris antar

aksara (line segmentation). Sehingga hasil dari line

segmentation seperti Gambar 2.16.

Gambar 2.16 Hasil Profil Proyeksi Horizontal

Kemudian dilanjutkan dengan profil proyeksi secara vertikal.

Dengan menggunakan profil proyeksi secara vertikal maka akan

dilakukannya penjumlahan piksel yang bernilai 1 pada setiap


31

baris disetiap kolomnya untuk mengetahui letak garis batas pada

masing-masing aksara. Pada citra biner Gambar 2.16, piksel

yang berwarna hitam mempunyai nilai piksel 0 dan komponen

yang berwarna putih mempunyai nilai piksel 1, sehingga

diperoleh matriks proyeksi vertikalnya adalah [0 0 5 1 1 5 1 5 1

1 5 0 1 1 6 1 1 5 0 0]. Dengan hasil yang diperoleh, matriks yang

bernilai 0 adalah kolom tersebut tidak terdapat objek. Sehingga,

dapat kita lakukan pemotongan untuk memisahkan antar aksara

(character segmentation). Sehingga hasil dari character

segmentation seperti Gambar 2.17.

Gambar 2.17 Hasil Profil Proyeksi Vertikal

Gambar 2.17 adalah representasi citra hasil profil proyeksi

terhadap Gambar 2.15. Gambar sebelah kiri adalah aksara pa

dan gambar sebelah kanan adalah aksara ra yang tersegmentasi

dengan baik.

2.5. Pengujian

Proses akhir dari penelitian ini adalah menguji keberhasilan metode

backpropagation untuk alih aksara manuskrip cetak beraksara Jawa sehingga

perlu dihitung tingkat akurasinya. Dalam menghitung tingkat akurasinya

dapat menggunakan confusion matrix. Confusion matrix merupakan salah

satu metode yang dapat digunakan untuk mengukur kinerja suatu metode

klasifikasi. Pada dasarnya confusion matrix mengandung informasi yang

membandingkan hasil klasifikasi yang dilakukan oleh sistem dengan hasil


32

klasifikasi yang seharusnya (Prasetyo, 2012). Dalam pengaplikasiannya

confusion matrix bekerja dengan membuat tabel seperti pada Tabel 2.5.

Tabel 2.5 Contoh Tabel Confusion Matrix

ha na ca ra ka

ha 20 1 0 5 2

na 1 40 3 4 1

ca 5 5 20 4 7

ra 2 1 2 10 0

ka 0 3 8 0 6

Untuk menemukan tingkat akurasi dari confusion matrix yaitu dengan

membandingan objek yang dikenali benar dengan semua objek yang ada

seperti pada rumus dibawah ini:

𝑎𝑘𝑢𝑟𝑎𝑠𝑖 =∑𝑜𝑏𝑗𝑒𝑘 𝑦𝑎𝑛𝑔 𝑑𝑖𝑘𝑒𝑛𝑎𝑙𝑖 𝑏𝑒𝑛𝑎𝑟

∑𝑠𝑒𝑚𝑢𝑎 𝑜𝑏𝑗𝑒𝑘× 100% ............................(2.26)

Sehingga akurasi pada contoh Tabel 2.5 diatas adalah:

𝑎𝑘𝑢𝑟𝑎𝑠𝑖 =20+40+10+10+6

20+1+0+5+2+1+40+3+4+1+5+5+20+4+7+2+1+2+10+0+0+3+8+0+6× 100% =64%


33

2.6. Aksara Jawa

Aksara Jawa terdiri dari 20 aksara pokok (legena) yang bersifat

kesukukataan. Sifat penulisan aksara Jawa ditulis dari kiri ke kanan dan

ditulis secara bersambung tanpa spasi antar kata. Menurut Hadiprijono (2013)

aksara Jawa terdiri dari 20 aksara, yaitu dari aksara ha sampai nga adalah

seperti pada Gambar 2.18.

Gambar 2.18 Aksara Jawa Legena

Gambar 2.18 merupakan aksara dasar atau pokok yang berjumlah sebanyak

20 aksara. Aksara pokok atau sering disebut legena memiliki arti aksara wuda

(telanjang) sebab belum diikuti dengan sandhangan. Selain aksara pokok

(legena), aksara vokal (swara), aksara rekaan (rekan), pengubah bunyi

(sandhangan), penutup konsonan (pasangan), penutup suku kata (sigeg),

angka (wilangan), dan tanda baca. Aksara sandhangan adalah aksara yang

dipakai untuk mengubah bunyi dari aksara yang diikutinya. Secara khusus,

aksara sandhangan tersebut dibagi ke dalam 4 jenis, yaitu 5 sandhangan

swara, 3 sandhangan penyigeg wanda, 3 sandhangan wyanjana, dan

sandhangan pangkon. Untuk sandhangan swara terdiri dari 5 aksara, seperti

pada Gambar 2.19.


34

Gambar 2.19 Sandhangan Swara

Gambar 2.19 merupakan kumpulan dari sandhangan swara, yaitu terdiri dari

wulu, suku, taling, taling-tarung, dan pepet. Masing-masing sandhangan

mempunyai karakteristik tersendiri dalam mengubah bunyi suatu aksara yang

diikutinya, yaitu wulu akan membuat suku kata menjadi bunyi vokal /i/, suku

akan membuat suku kata menjadi bunyi vokal /u/, taling akan membuat suku

kata menjadi bunyi vokal /é/, taling-tarung akan membuat suku kata menjadi

bunyi vokal /o/, dan pepet akan membuat suku kata menjadi bunyi vokal /ê/.

Sebagai contoh, untuk membentuk kata “siji” berarti harus menambahkan

wulu pada aksara sa dan ja untuk mengubah bunyinya menjadi si dan ji.

Selanjutnya, sandhangan panyigeg wanda terdiri 3 aksara seperti Gambar

2.20.

Gambar 2.20 Sandhangan Panyigeg Wanda

Gambar 2.20 adalah sandhangan panyigeg wanda yang terdiri dari layar,

wignyan, dan cecak. Sigeg artinya pembuat konsonan atau penutup suku kata

sedangkan wanda artinya suku kata. Fungsi sandhangan layar akan memberi

bunyi /r/, wignyan akan memberi bunyi /h/, dan cecak akan membuat bunyi

/ng/ pada suku kata yang diikutinya. Sebagai contoh, untuk membentuk kata


35

“gajah” maka dapat ditulis dengan aksara ga dan ja kemudian diberi

sandhangan wignyan yang akan memberi konsonan atau akhiran h. Jenis

sandhangan berikutnya adalah sandhangan wyanjana yang terdiri dari 3

aksara seperti Gambar 2.21.

Gambar 2.21 Sandhangan Wyanjana

Gambar 2.21 adalah contoh dari sandhangan wyanjana yang terdiri dari

cakra, keret, dan pengkal. Sandhangan wyanjana merupakan penanda dari

gugus konsonan, yakni cakra akan memberikan sisipan kata /ra/, keret akan

memberikan sisipan kata /re/ dan pengkal akan memberikan sisipan kata /ya/

pada masing-masing aksara yang diikutinya. Sebgai contoh pada Gambar

2.21 untuk membentuk kata “putra” maka dapat ditulis dengan aksara pa yang

diberi suku lalu aksara ta tang diberi cakra. Jenis sandhangan terakhir adalah,

sandhangan pangkon.

Gambar 2.22 Sandhangan Pangkon

Gambar 2.22 adalah sandhangan pangkon. Fungsi pangkon adalah sebagai

penutup suku kata atau membentuk konsonan pada suku kata yang berada di

depannya. Sebagai contoh, ketika ingin membentuk kata “tangan” maka dapat

ditulis dengan aksara ta, nga, dan na yang diberi pangkon sehingga menjadi

konsonan n.


36

Selain aksara pokok, dalam penulisan aksara Jawa juga terdapat aksara

pasangan. Jumlah dan bunyi aksara pasangan sama seperti aksara legena,

yaitu berjumlah 20 dan terdiri dari ha sampai nga. Berikut ini adalah contoh

dari aksara pasangan.

Gambar 2.23 Aksara Pasangan

Gambar 2.23 adalah contoh dari aksara pasangan. Hanya terdapat 3 aksara

saja yang ditulis sejajar dengan legena, yaitu pasangan ha, pasangan sa, dan

pasangan pa, selain itu penulisan pasangan ditulis di bawah legena. Fungsi

dari aksara pasangan adalah pembentuk konsonan atau penutup suku kata

sehingga suku kata yang diberi pasangan dapat digabungkan dengan aksara

selanjutnya. Sebagai contoh Gambar 2.24.

Gambar 2.24 Penulisan Aksara Apel Batu


37

Gambar 2.24 merupakan contoh penulisan aksara Jawa menggunakan aksara

pasangan. Jika dibaca maka bunyi dari aksara tersebut adalah “apel batu”.

Untuk membentuk kata “apel” maka diperlukan aksara ha dan pa yang diberi

sandhangan pepet dan aksara la. Penggunaan pangkon harus diletakan

diakhir suku kata sehingga untuk membentuk konsonan /l/ maka pada aksara

la diberi pasangan untuk menyambung suku kata berikutnya, yaitu ba.

Selanjutnya untuk membentuk suku kata tu menggunakan aksara ta yang

diberi sandhangan suku.

Selain dari 20 suku kata dari ha sampai nga terdapat pula aksara untuk

mengakomodasi kata yang tidak bisa memenuhi penulisan dengan aksara

pokok (legena). Aksara tersebut terdiri dari 5 buah, yang disebut dengan

aksara rekan. Berikut adalah kelima aksara rekan yang dapat dilihat melalui

Gambar 2.25.

Gambar 2.25 Aksara Rekan

Gambar 2.25 merupakan kumpulan aksara rekan. Dengan adanya aksara

rekan maka bentuk-bentuk kata yang ditulis menggunakan bahasa asing dapat

dipenuhi. Bahasa asing yang di maksud lebih dipengaruhi oleh bahasa Arab,

seperti kha, dza, fa, za, dan gha. Dalam penerapannya, aksara fa dapat pula

ditulis sebagai va. Aksara berikutnya adalah aksara wilangan, yakni aksara

yang mempresentasikan angka. Berikut adalah aksara wilangan yang dapat

dilihat melalui Gambar 2.26.


38

Gambar 2.26 Aksara Wilangan

Gambar 2.26 merupakan kumpulan aksara wilangan. Dengan adanya aksara

wilangan maka bentuk-bentuk angka yang ditulis dapat dipenuhi.


39

BAB III

METODE PENELITIAN

3.1. Bahan Riset/Data

Penelitian ini menggunakan bahan sebuah citra 1 halaman manuskrip

cetak beraksara Jawa yang kemudian dilakukan cropping untuk masing-

masing aksara dan hasil cropping tersebut sebagai input yang akan diproses

dalam alih aksara. Citra manuskrip cetak beraksara Jawa ini diperoleh dengan

melakukan scanning, dan manuskrip yang digunakan adalah buku Hamong

Tani. Kemudian dari hasil cropping didapatkan berbagai jenis aksara, lalu

dihitung jumlah dari masing-masing jenis aksara, kemudian jenis aksara yang

berjumlah kurang dari 9 tidak akan dipakai dalam penelitian ini.

3.2. Peralatan Penelitian

Perangkat keras yang digunakan untuk membuat sistem alih aksara ini

adalah sebuah komputer dengan processor Intel Core i3, kapasitas memory

sebesar 6 GB, dan ruang penyimpanan (hard disk) sebesar 500 GB.

Sedangkan untuk perangkat lunak yang dipakai untuk pengujian alih

aksara ini adalah Matlab R2018a dan perangkat lunak untuk proses cropping

adalah Corel Draw X8. Pemilihan perangkat lunak ini dikarenakan adanya

dukungan toolbox untuk pemrosesan citra dan cocok untuk dipakai dalam

pengolahan data berupa matriks.

3.3. Metode Pengumpulan Data

Langkah awal dalam pengumpulan data pada penelitian ini adalah

observasi, yang merupakan salah satu metode dalam pengumpulan data,

dengan melakukan pengamatan terhadap suatu objek yang akan diteliti. Pada

penelitian ini, objek yang diteliti adalah sebuah buku bertuliskan aksara Jawa

yakni buku Hamong Tani. Kemudian, agar buku tersebut dapat diteliti,


40

dibutuhkan data berupa citra atau gambar dari halaman buku tersebut.

Sehingga, langkah berikutnya adalah melakukan scanning pada buku

tersebut.

3.4. Tahap Penelitian

3.4.1. Identifikasi Masalah

Tahap awal dalam penelitian ini adalah merumuskan masalah

dengan melihat kondisi yang terjadi saat ini, bahkan kondisi dimasa

mendatang yaitu membuat sistem alih aksara pada manuskrip cetak

beraksara Jawa. Data yang digunakan pada penelitian ini adalah citra

halaman buku yang sudah dilakukan scanning. Sehingga rumusan

masalah yang akan diselesaikan adalah membuat sistem alih aksara

manuskrip cetak beraksara Jawa dan mengukur performa sistem yang

telah dibangun dengan mengetahui hasil presentase keberhasilannya.

3.4.2. Studi Pustaka

Dalam penelitian ini penulis membutuhkan sumber informasi

mengenai teori-teori yang digunakan dalam penelitian ini. Sumber

tersebut dapat berupa buku referensi, jurnal ilmiah, dan literatur

lainnya yang mendukung penelitian ini. Melalui studi pustaka penulis

memperoleh informasi mengenai penelitian-penelitian yang sudah

pernah dilakukan sebelumnya. Sehingga dapat menjadi landasan teori

dalam melakukan penelitian ini, bahkan dapat digunakan juga sebagai

pembanding dari penelitian sebelumnya. Dengan melalui studi

pustaka ini penulis dapat mengerjakan tugas akhir ini dan dapat

mempertanggungjawabkan kebenarannya.

3.4.3. Pengumpulan Data

Tahap ini merupakan tahap penting dalam penyelesaian tugas

akhir, karena tahap ini merupakan pondasi dalam melakukan suatu

penelitian. Pada tahap ini sangat berkaitan dengan identifikasi

masalah, yaitu setelah menentukan rumusan masalah yang akan


41

diselesaikan pada tugas akhir ini. Dalam penelitian ini langkah awal

dalam pengumpulan data pada penelitian ini adalah observasi, yang

merupakan salah satu metode dalam pengumpulan data, dengan

melakukan pengamatan terhadap suatu objek yang akan diteliti.

3.4.4. Perancangan Alat Uji

Alat uji yang akan dibangun ini, membutuhkan sebuah button

untuk meng-input-kan citra aksara Jawa dari hasil cropping pada buku

Hamong Tani. Lalu menampilkan citra input. Kemudian

membutuhkan sebuah button lagi untuk melakukan proses alih aksara

dan menampilkan hasil dari pengenalan aksara citra input tersebut.

3.4.5. Pengolahan Data

Setelah semua data yang dibutuhkan dalam penelitain

terkumpul proses selanjutnya adalah pengolahan data. Cara

pengolahan data dapat dinyatakan ke dalam bentuk blok diagram

seperti pada Gambar 3.1.

Gambar 3.1 Diagram Pengolahan Data


42

Pada Gambar 3.1 terdapat 2 bagian utama, yakni membuat

dataset dan pengujian (testing). Dimana dalam bagian pelatihan

memiliki langkah akuisisi data, cropping, preprocessing, ekstraksi

ciri, dan yang terakhir adalah pembentukan dataset. Sedangkan, untuk

bagian pengujian memiliki langkah yang hampir sama yakni akuisisi

data, cropping, preprocessing, dan ekstraksi ciri namun yang

membedakan adalah langkah selanjutnya yakni klasifikasi dan

pengujian. Dalam melakukan klasifikasi diperlukan dataset yang telah

dibuat pada bagian pelatihan. Setelah itu berlanjut pada langkah dan

pengujian. Penjelasan dari masing-masing langkah tersebut adalah

sebagai berikut:

a. Akuisisi Data

Akuisisi data adalah suatu proses dimana melakukan sampling

pada data fisik menjadi data digital. Dalam penelitian ini

penerapannya adalah melakukan proses scanning 1 halaman buku

Hamong Tani. Sehingga data yang akan digunakan untuk proses

alih aksara manusktip cetak ini, berasal dari citra dari halaman

buku Hamong Tani.

b. Cropping

Cropping adalah proses memotong setiap karakter (aksara) untuk

menjadi sebuah gambar baru dimana dari hasil pemotongan

gambar tersebut menjadi input dalam sistem agar aksara tersebut

dapat dikenali. Cropping dilakukan secara manual menggunakan

Corel Draw X8. Setelah cropping dilakukan dihitung jumlah

aksara yang di dapat dari masing-masing jenis aksara. Jenis

aksara yang akan digunakan untuk penelitian adalah jenis aksaya

yang mempunyai jumlah aksara lebih besar dari 9 data.


43

c. Preprocessing

Preprocessing adalah proses awal memulai alih aksara, karena

data yang akan diolah tidak semua dalam keadaan bersih. Seperti

citra banyak noise, tulisan yang tidak jelas, dan masih banyak lagi

keadaan-keadaan yang harus di sempurnakan agar dapat

dilakukan ekstraksi ciri, serta dapat dilakukan pengklasifikasian.

Proses preprocessing pada penelitian ini dapat digambarkan

menjadi blok diagram seperti pada Gambar 3.2.

Gambar 3.2 Diagram Tahap Preprocessing

Gambar 3.2 merupakan tahapan proses preprocessing, dimana

tahapan tersebut secara berurutan adalah binarization, noise

reduction, segmentation. Binarization adalah proses untuk

mengubah citra menjadi citra biner. Binarization dilakukan untuk

menetukan bagian background dan foreground pada citra. Proses

ini menggunakan toolbox pada Matlab yaitu fungsi im2bw().

Setalah proses binarization, proses selanjutnya adalah noise

reduction. Noise reduction adalah proses untuk mengurangi atau

bahkan menghilangkan derau pada citra input. Proses ini

menggunakan toolbox pada Matlab yaitu fungsi

bwareaopen(), dimana dalam fungsi tersebut terdapat

parameter rentang piksel gambar yang akan dihilangkan dan

struktur elemen berapa ketetanggan yang di inginkan untuk

melakukan metode connected component. Setelah dilakukannya


44

noise reduction dilakukan proses terakhir pada tahap

preprocessing adalah segmentation, proses ini digunakan untuk

menemukan memotong tepi pada setiap aksara, agar dapat

dilakukan ekstraksi ciri, sehingga ciri tersebut dapat digunakan

untuk pengklasifikasian. Proses ini menggunkan metode profil

proyeksi. Dimana algoritma metode tersebut sebagai berikut:

Langkah 0: Input berupa citra biner

Proyeksi Horizontal

Langkah 1: Hitung piksel berwarna hitam pada

setiap baris pada citra

Langkah 2: Lakukan pemotongan citra dengan

batas baris yang bernilai 0

Proyeksi Vertikal

Langkah 3: Dari hasil pemotongan citra,

hitung piksel berwarna hitam pada

setiap kolom pada citra hasil

pemotongan

Langkah 4: Lakukan pemotongan citra dengan

batas kolom yang bernilai 0

Langkah 5: Selesai

Jika ada aksara yang tidak tersegmentasi dengan baik, aksara

tersebut tidak digunakan dalam penelitian ini.

d. Ekstraksi Ciri

Ekstaksi ciri merupakan proses pengambilan informasi yang

peting pada suatu objek, agar objek tersebut dapat dilakukan

klasifikasi. Ekstraksi ciri tersebut kemudian disimpan dalam

dataset agar ketika ada input yang masuk untuk dilakukan

klasifikasi, maka input akan dilakukan ekstraksi ciri kemudian

dibandingankan dengan ekstraksi ciri yang ada di dataset. Dalam

penelitian ini ekstraksi yang dipakai adalah ICZ-ZCZ (Image

Centroid and Zone-Zone Centroid). Metode ekstraksi ciri ini

adalah melakukan pembagian zona pada objek. Pada penelitian

ini pembagian zona dibagi menjadi 4*5 zona. Metode ICZ-ZCZ

merupakan gabungan dari kedua metode yakni ICZ dan ZCZ.

Pada metode ICZ menghasilkan 20 ciri dan ZCZ, memiliki 20


45

ciri. Sehingga pada penelitian ini masing-masing karakter atau

masing-masing aksara Jawa memiliki 40 ciri. Dimana algoritma

metode tersebut sebagai berikut:

Langkah 0: Input berupa citra biner

Metode ICZ

Langkah 1: Menentukan titik centroid pada

citra

Langkah 2: Membagi citra menjadi beberapa

zona

Langkah 3: Hitung rata-rata jarak setiap

piksel bewarna hitam disetiap

zona ke titik centroid

Metode ZCZ

Langkah 4: Membagi citra menjadi beberapa

zona

Langkah 5: Menentukan titik centroid di

setiap zona

Langkah 6: Hitung rata-rata jarak setiap

piksel bewarna hitam ke titik

centroid pada masing-masing zona

Metode ICZ-ZCZ

Langkah 7: Kombinasikan masing-masing rata-

rata jarak pada setiap zona

menjadi 1 kesatuan vektor

Langkah 8: Selesai

e. Pembuatan Dataset

Data yang telah melalui proses preprocessing dan ekstraksi ciri,

menghasilkan 40 ciri dari masing-masing karakter atau aksara

Jawa. Ciri aksara tersebutlah yang disimpan dalam dataset

kemudian diberi label untuk masing-masing ciri. Label yang

dimaksdud di sini adalah penamaan setiap masing-masing aksara

Jawa. Sehingga nanti pada proses klasifikasi dataset akan

dibandingkan ciri dari citra input dengan ciri yang telah tersimpan

dalam dataset.

f. Klasifikasi

Klasifikasi adalah proses di mana alih aksara itu terjadi. Metode

klasifikasi yang digunakan adalah artificial neural netwok,

metode yang lebih spesifik lagi yakni backpropagation. Dari ciri


46

yang didapat setelah proses ekstraksi ciri, kemudian ciri tersebut

menjadi input dari klasifikasi ini. Kemudian masuk kedalam

artificial neural network dan mengharapkan keluaran berupa

tulisan latin (label dari ciri yang ada di dataset). Dimana

algoritma metode tersebut sebagai berikut:

Langkah 0: Inisialisasi semua bobot dengan

bilangan acak kecil

Langkah 1: Jika kondisi penghentian belum

terpenuhi, lakukan langkah 2 – 8

Langkah 2: Untuk setiap pasang data

pelatihan, lakukan langkah 3 – 8

Fase I : Propagasi maju

Langkah 3: Tiap unit masukan menerima sinyal

dan meneruskannya ke unit

tersembunyi di atasnya

Langkah 4: Hitung semua keluaran di unit

tersembunyi zj

Langkah 5: Hitung semua keluaran jaringan di

unit yk

Fase II : Propagasi mundur

Langkah 6: Hitung faktor δ unit keluaran

berdasarkan kesalahan di setiap

unit keluaran yk

Langkah 7: Hitung faktor δ unit tersembunyi

berdasarkan kesalahan di setiap

unit tersembunyi zj

Fase III : Perubahan bobot

Langkah 8: Hitung semua perubahan bobot

Langkah 9: Selesai

Agar dapat menghasilkan akurasi yang tinggi, output

dikonversikan menjadi biner, sebagai contoh jika target terdapat

sebanyak 16 maka di-akarkan untuk menemukan nilai binernya

sehingga jumlah biner adalah √16 = 4


47

Tabel 3.1 Target dalam Biner

Target

Sebenarnya

Target

Biner

1 1 1 1 1

2 1 1 1 0

3 1 1 0 1

4 1 1 0 0

5 1 0 1 1

6 1 0 1 0

7 1 0 0 1

8 1 0 0 0

9 0 1 1 1

10 0 1 1 0

11 0 1 0 1

12 0 1 0 0

13 0 0 1 1

14 0 0 1 0

15 0 0 0 1

16 0 0 0 0

Kemudian setelah output dikonversikan menjadi biner kemudian

jaringan di variasikan parameter yang ada, yakni jumlah neuron

dari rentang 5 sampai 50, fungsi aktivasi yakni logsig dan tansig,

fungsi pelatihan yakni trainlm dan traingdx untuk menemukan

akurasi tertinggi dan arsitektur jaringan yang optimal, serta

jumlah hidden layer yakni 1 hidden layer dan 2 hidden layer.

g. Pengujian

Pengujian merupakan proses terakhir yaitu mencari performa dari

sistem yang telah dibuat. Dalam kata lain, mencari akurasi dari

proses alih aksara manuskrip cetak beraksara Jawa ini dan

mencari akurasi dalam pengenalan aksara. Metode yang

digunakan untuk menghitung akurasi adalah dengan confusion

matrix. Namun dalam menggunakan metode tersebut digunakan

metode 3 fold cross validation, yakni membagi 2/3 data sebagai

data training dan 1/3 data sebagai data testing.


48

3.5. Desain Interface

Gambar 3.3 Gambar Desain Alat Uji

Secara garis besar desain alat uji pada Gambar 3.3 memiliki bagian

penting yaitu header sebagai judul dari penelitian ini, kemudian footer

sebagai identitas dari penulis, kemudian tombol input untuk citra input dan

tombol proses alih aksara untuk menghasilkan output berupa alih aksara dan

label berupa tingkat akurasi sistem.

3.6. Pengujian (Testing) dan Pengukuran Akurasi Sistem

Dalam melakukan pengujian, 2/3 dataset untuk masing-masing jenis

aksara Jawa digunakan sebagai data training dan 1/3 dataset untuk masing-

masing jenis aksara Jawa digunakan sebagai data testing. Kemudian data

testing digunakan sebagai input pada sistem lalu dihitung banyaknya

terjemahan yang benar dan menghitung tingkat akurasi sistem dalam

melakukan alih aksara. Nilai akurasi tersebut menjadi performa sistem yang

telah dibangun.


49

BAB IV

HASIL DAN ANALISA

Pada bab ini akan diuraikan masing-masing tahapan dari alih aksara Jawa

cetak dengan menggunakan metode backpropagation dengan ciri ICZ-ZCZ. Secara

umum tahapan yang dikerjakan seperti pada Gambar 3.1 tentang Diagram Tahap

Penelitian.

4.1. Data

4.1.1. Akuisisi Data

Data berupa citra sebuah halaman buku Hamong Tani yang

telah dilakukan scanning. Data yang digunakan dalam penelitian ini

adalah buku Hamong Tani pada halaman 2.

Gambar 4.1 Citra Halaman Buku Hamong Tani

Sumber: Hamong Tani, 1876.


50

Gambar 4.1 merupakan citra dari hasil scanning buku Hamong Tani

halaman 2. Karena dalam penelitian ini membutuhkan citra input

berupa citra aksara, maka dibutuhkan citra satu halaman terlebih

dahulu dalam penelitian awal ini.

4.1.2. Cropping

Proses cropping adalah proses memotong setiap aksara dari citra

satu halaman buku Hamong Tani tersebut. Proses ini dilakukan secara

manual dengan menggunakan perangkat lunak Corel Draw X8.

Gambar 4.2 Cropping Aksara

Gambar 4.2 merupakan hasil cropping salah satu aksara yang terdapat

pada citra hasil scanning halaman buku Hamong Tani. Dalam Gambar

4.2 aksara yang dilakukan cropping adalah aksara pa. Citra aksara pa

tersebut berukuran 81 x 48 piksel dengan ekstensi .PNG. Pemilihan

digunakannya ekstensi .PNG karena, dalam Corel Draw X8 yang

mendukung untuk dapat diolah dalam Matlab adalah ekstensi .PNG

yang berformat citra RGB. Dari hasil cropping pada citra halaman


51

buku Hamong Tani didapatkan 155 jenis aksara dengan banyaknya

jumlah pada masing-masing jenis aksara yang dapat dilihat pada

Lampiran 1.

4.2. Preprocessing

Preprocessing adalah proses awal memulai alih aksara, karena data

yang akan diolah tidak semua dalam keadaan bersih. Seperti citra banyak

noise, tulisan yang tidak jelas, dan masih banyak lagi keadaan-keadaan yang

harus di sempurnakan agar dapat dilakukan proses selanjutnya. Proses

preprocessing ini dibagi menjadi 3 tahap yang dapat dilihat pada Gambar 3.2

yaitu binarization, noise reduction, dan segmentation.

4.1.1. Binarization

Binarization merupakan proses untuk mengubah citra input menjadi

citra biner yang dimana citra tersebut hanya terdiri dari hitam dan

putih saya. Proses ini dilakukan agar dapat mengetahui bagian dari

background dan foreground. Untuk mengubah citra input menjadi

citra biner digunakan fungsi yang tersedia pada toolbox Matlab yakni

im2bw().

Gambar 4.3 Citra Biner Aksara Ta


52

Gambar 4.3 merupakan representasi dari citra biner yang diperoleh

dari mengubah citra aksara pa hasil cropping pada Gambar 4.2. Hal

tersebut dibuktikan dengan nilai variabel I, yang merupakan citra

aksara ta yang memiliki nilai 47x95x3 uint8 yang bearti citra tersebut

merupakan citra RGB menjadi 47x95 logical pada variabel I_BW.

Lalu pada baris ke-3 dari syntax program di atas yakni I_BW =

~I_BW; bermaksud untuk menggati background berwarna hitam

(bernilai 0) dan foreground berwarna putih (bernilai 1). Kemudian

setelah dilakukan binerisasi pada baris ke-4 dilakukan resize citra

menjadi 100x100 piksel, dengan tujuan agar semua citra input

memiliki ukuran sama pada saat memasuki sistem. Alasan

menggunakan ukuran 100x100 piksel adalah agar mempermudah

dalam membagi zona untuk masuk pada proses ekstraksi ciri.

4.1.2. Reduksi Derau

Pada Gambar 4.3, citra aksara tersebut terdapat noise pada bagian

kanan atas aksara. Noise tersebut harus dihilangkan agar tidak

mengganggu saat proses ekstraksi ciri, karena jika tidak dihilangkan

maka noise tersebut akan masuk juga ke dalam dataset yang akan

dibangun untuk melakukan klasifikasi nantinya. Sehingga noise

tersebut juga akan berpengaruh pada proses klasifikasi.

Gambar 4.4 Noise pada Citra Biner Aksara Pa

Gambar 4.4 adalah representasi citra yang ber-noise, dimana noise

tersebut ditunjuk dengan lingkaran merah. Dalam proses noise

reduction menggunakan metode connected component, yang dimana


53

metode tersebut menggunakan fungsi yang tersedia pada toolbox

Matlab yakni bwareaopen().

Gambar 4.5 Reduksi Derau Citra Biner Aksara Ta

Gambar 4.6 adalah representasi dari citra biner yang sudah dilakukan

reduksi noise. Bila dibandingkan dengan Gambar 4.5 noise yang

berada di kanan atas aksara ta tersebut telah hilang. Kemudian, jika

melihat dari syntax program diatas, terdapat 3 parameter. Dimana

parameter ke-1 adalah citra yang akan dilakukan reduksi noise,

kemudian parameter ke-2 adalah, rentan piksel yang akan dihapus.

Dalam kata lain di syntax tersebut jika piksel kurang dari 60 maka

diangap noise dan akan dihilangkan. Parameter yang ke-3 adalah

struktur elemen untuk melakukan labeling seperti pada Gambar 2.14.

Struktur elemen yang digunakan pada kasus ini menggunakan struktur

elemen 8 ketetanggan. Pemilihan strktur tersebut dikarenakan

penulisan aksara yang bercetak miring sehingga bila dilakukan

labeling akan ada objek yang terdeteksi di bagian pojok struktur

elemen (struktur elemen 3x3 piksel).

Agar dapat mempercepat proses preprocessing ditetapkan rentan

piksel untuk nilai parameter ke-2 yaitu sebesar 60 piksel. Hal tersebut

diperoleh ketika menginputkan 60 piksel kedalam parameter fungsi

bwareaopen() banyak aksara yang tereduksi noise-nya. Namun


54

ada beberapa juga yang lebih dari 60 piksel agar noise bisa direduksi

namun tidak banyak.

(a) (b) (c)

Gambar 4.6 Aksara pepet (a) Citra pepet ber-noise (b) Preprocessing

Citra pepet dengan rentang piksel 60 (c) Preprocessing Citra pepet

dengan rentang piksel 95

Gambar 4.6 merupakan citra aksara pepet yang memiliki noise pada

bagian pojok kanan atas. Jika parameter ke-2 pada fungsi

bwareaopen() bernilai 60, maka noise akan tetap ada. Namun, jika

parameter ke-2 pada fungsi bwareaopen() bernilai 95, maka noise

baru akan hilang.

4.1.3. Segmentasi

Pada Gambar 4.5, citra aksara tersebut memiliki tepi pada bagian sisi

kiri, atas, dan bawah. Setelah dilakukan reduksi derau, citra aksara

tersebut perlu dilakukan segmentasi untuk menghilangkan tepi-tepi

tersebut. Perlunya penghilangan tepi pada aksara ini berpengaruh

kepada proses ekstraksi ciri. Karena tepi-tepi pada aksara tersebut

akan ikut ter-ekstrak, sehingga pada saat proses klasifikasi akan

menurunkan akurasi nya. Proses segmentasi dilakukan dengan metode

profil proyeksi.

Proyeksi dilakukan dua kali yakni secara horizontal dan vertikal.

Proyeksi secara horizontal dilakukan untuk mengetahui berapa

banyak piksel putih (piksel bernilai 1) pada setiap baris citra aksara.

Sedangkan, proyeksi secara vertikal dilakukan untuk mengetahui

berapa banyak piksel putih (piksel bernilai 1) pada setiap kolom citra

aksara. Luaran dari profil proyeksi adalah sebuah matriks yang


55

mempresentasikan letak atau posisi aksara dalam citra aksara tersebut.

Dimana panjang matriks adalah 𝑛 × 1. Dengan kata lain posisi aksara

ditentukan pada indeks matriks yang tidak bernilai 0. Hasil proyeksi

pada Gambar 4.5 dapat dilihat pada Lampiran 2.

Dalam Lampiran 2 posisi aksara ta untuk proyeksi secara horizontal

berada di indeks ke-20 sampai dengan indeks ke-94, sedangkan posisi

untuk proyeksi secara vertikal berada di indeks ke-4 sampai dengan

indeks ke-97. Sehingga setelah mendapatkan hasil dari profil

proyeksi, citra dipotong dengan fungsi imcrop() pada toolbox

Matlab dengan parameter hasil indeks dari proyeksi profil tersebut.

Dalam hal ini fungsi proyeksi secara horizontal adalah untuk

memotong sisi bagian atas dan bawah, sedangkan fungsi proyeksi

secara vertikal adalah untuk memotong sisi pada bagian kiri dan

kanan.

Gambar 4.7 Segmentasi Aksara Ta


56

Gambar 4.7 adalah representasi dari hasil segmentasi dengan

menggunakan metode profil proyeksi. Pada syntax diatas parameter

kedua dari fungsi imcrop matirks bernilai [4 20 93 74]. Angka 4

adalah indeks minimum dari hasil proyeksi vertikal, angka 20 adalah

indeks minimum dari hasil proyeksi horizontal, angka 93 adalah hasil

dari pengurangan indeks maksimum dengan indeks minimum dari

hasil proyeksi vertikal, yakni 97 – 4 = 93, dan angka 74 adalah hasil

dari pengurangan indeks maksimum dengan indeks minimum dari

hasil proyeksi horizontal, yakni 94 – 20 = 74.

Namun, setelah dilakukan segmentasi, aksara yang mengandung

aksara pasangan tidak ter-segmentasi dengan baik.

Gambar 4.8 Kegagalan Segmentasi Aksara Ni

Gambar 4.8 merupakan hasil kegagalan proses segmentasi.

Sebenarnya secara teori tidak gagal, namun hasil dari cropping lah

yang gagal karena aksara pasangan wulu ikut terpotong secara

otomatis pada fungsi imcrop(). Sebanyak 218 aksara yang tidak

ter-segmentasi dengan baik dapat dilihat pada Lampiran 3.

4.3. Ekstraksi Ciri

Ekstraksi ciri menggunakan metode ICZ-ZCZ, dengan kata lain

terdapat 2 tahap utama yakni ICZ dan ZCZ. Dimana tahap ICZ adalah

menentukan koordinat titik centroid lalu membagi menjadi 4*5 zona,

kemudian menghitung jarak piksel putih (piksel bernilai 1) dengan titik

centroid tersebut dengan rumus ecluidiance distance. Sedangkan, tahap ZCZ

Segmentasi


57

adalah membagi menjadi 4*5 zona kemudian pada masing-masing zona

ditentukan terlebih dahulu titik centroid-nya, setelah itu mengitung jarak

piksel putih (piksel bernilai 1) dengan titik centroid pada masing-masing zona

tersebut dengan menggunakan euclidiace distance. Karena zona yang

digunakan adalah 4*5, sehingga masing-masing tahapan memiliki 20 ciri, bila

digabungkan menjadi 40 ciri

Sebagai contoh digunakan Gambar 4.7 yakni aksara ta untuk

menemukan ciri dari aksara tersebut, sehingga ciri dari aksara ta diperoleh

sebagai berikut:

Gambar 4.9 Hasil Ekstraksi Ciri Aksara Ta

Gambar 4.9 merupakan nilai dari ekstraksi ciri untuk aksara ta yang

menghasilkan matriks berukuran 1x40. Ekstraksi ciri ini dilakukan untuk

semua aksara agar dapat membuat dataset dan dilakukan klasifikasi.

4.4. Pembuatan Dataset

Pembuatan dataset digunakan untuk menyimpan ciri-ciri dari setiap

citra agar dapat dilakukan alih aksara Jawa pada proses klasifikasi. Pada

Lampiran 1 data citra aksara berjumlah sebanyak 155 jenis aksara dengan 685

data, namun pada Lampiran 3, sebanyak 218 data citra tidak tersegmentasi


58

dengan baik, sehingga citra tersebut tidak masuk ke dalam dataset. Sehingga

total data citra pada dataset sebanyak 465 citra. Namun, dari 155 jenis aksara

dan 465 data citra aksara dari hasil cropping satu halaman buku Hamong

Tani, aksara yang jumlahnya kurang dari 3 tidak akan digunakan untuk

penelitian. Karena kondisi tersebut mempengaruhi proses pengujian dimana

mengunakan metode 3-fold cross validation sehingga, aksara dengan

jumlahnya kurang dari 3 tidak akan bisa dibagi menjadi data training dan

data testing karena jumlahnya yang terlalu sedikit. Sehingga dari 155 jenis

aksara tersebut, yang akan dilakukan klasifikasi menjadi sebanyak 15 jenis

aksara saja, dengan jumlah data citra sebanyak 340 citra. Adapun diantaranya

adalah sebagai berikut:

Tabel 4.1 Jumlah Aksara untuk Klasifikasi

Aksara Target Jumlah

wulu 1 54

na 2 50

taling 3 36

ta 4 33

cecek 5 21

pepet 6 21

ka 7 19

ma 8 15

sa 9 15

ha 10 14

tarung 11 14

wa 12 13

nga 13 13

la 14 12

pu 15 10

TOTAL 340

Pembuatan dataset secara umum dapat di lihat pada blok diagram Gambar

3.1 dimana dataset disimpan ke dalam Ms.Excel yang isinya dapat dilihat

pada Lampiran 4.


59

4.5. Klasifikasi

Setelah melalui tahapan ekstraksi ciri maka dilakukan klasifikasi untuk

melakukan proses alih aksara. Klasifikasi yang digunakan adalah

backpropagation, namun sebelum melakukan klasifikasi target-target yang

berada pada Tabel 4.1 tersebut, kemudian dikonversikan menjadi biner

seperti pada Tabel 3.1.

Pertama yang dilakukan adalah meng-import dataset, kemudian

memisahkan antara ciri dengan target, dimana ciri pada kolom 1 sampai 40

dan target pada kolom 41. Kemudian ubah target menjadi biner dengan format

pada Tabel 3.1. Setelah itu, transpose ciri dan target agar dapat masuk

kedalam jaringan. Kemudian transpose juga ciri yang akan dilakukan

klasifikasi. Setelah itu buat model jaringan dengan ciri dan target dari dataset.

Setelah dibuat model jaringannya, lakukan klasifikasi dengan ciri yang akan

dilakukan klasifikasi. Langkah selanjutnya bulatkan hasil dari variabel output

dan kemudian transpose kembali dan kembalikan format target dari biner ke

target sebenarnya.

Dengan mengambil contoh pada Gambar 4.7 dimana gambar tersebut

merupakan ciri dari aksara ta. Berikut adalah ciri dari aksara ta tersebut:

Tabel 4.2 Ciri Aksara Ta

ciri 1 50,96548 ciri 21 5,353035

ciri 2 39,8733 ciri 22 6,600507

ciri 3 38,5978 ciri 23 7,230221

ciri 4 36,52311 ciri 24 6,737019

ciri 5 52,30362 ciri 25 7,445361

ciri 6 43,72082 ciri 26 8,167553

ciri 7 28,35083 ciri 27 9,233131

ciri 8 10,06881 ciri 28 3,439762

ciri 9 24,08737 ciri 29 7,404701

ciri 10 44,34216 ciri 30 6,885378

ciri 11 44,95409 ciri 31 9.804983

ciri 12 34,13443 ciri 32 6,480713

ciri 13 14,60466 ciri 33 6,806025

ciri 14 22,57729 ciri 34 6,975246

ciri 15 43,10011 ciri 35 7,286272


60

ciri 16 55,182 ciri 36 7,624696

ciri 17 44,28766 ciri 37 6,382834

ciri 18 34,89259 ciri 38 4,754338

ciri 19 36,22797 ciri 39 4,983417

ciri 20 53,84396 ciri 40 7,200762

target 4

Pada Tabel 4.2 target untuk aksara ta ada lah 4, target tersebut diubah menjadi

biner dengan kententuan pada Tabel 3.1, yakni [1 1 0 0] dengan ciri pada

tahap ICZ yakni ciri 1 sampai dengan ciri 20 dan ciri pada tahap ZCZ yakni

ciri 21 sampai dengan ciri 40. Sehingga arsitektur jaringan yang akan dibuat

nantinya memiliki 40 input dan 4 output. Dengan mencoba menggunakan

arsitektur 40-5-4, yakni 40 input, 1 hidden layer dengan 5 neuron, dan 4

output sehingga gambaran arsitektur jaringannya adalah sebagai berikut:

Gambar 4.10 Arsitektur Jaringan Klasifikasi Aksara Ta

Gambar 4.10 merupakan representasi arsitektur yang dibuat untuk mengenali

aksara ta. Dimana sistem telah berhasil mengklasifikasi ciri pada Tabel 4.2

sebagai 4 yang ditunjukan pada variabel output = 4.


61

4.6. Pengujian

Untuk menerapkan metode 3-fold cross validation, data ciri citra dari

masing-masing aksara yang berjumlah 340, kemudian di bagi 2/3 data

menjadi data training dan 1/3 data menjadi data testing. Dimana dalam

pembagian data tersebut dibentuk model sebagai berikut:

Gambar 4.11 Model 3-Fold Cross Validation

Gambar 4.11 merupakan representasi dari model 3-fold cross validation.

Dimana pada bagian (a) 2/3 data training diambil dari atas sedangkan 1/3

data testing diambil dari bawah. Pada bagian (b) 2/3 data training diambil

dari bawah sedangkan 1/3 data testing diambil dari atas. Pada bagian (c) 1/3

data training diambil dari atas dan bawah sedangkan 1/3 data testing diambil

dari tengah. Kemudian setelah dilakukan klasifikasi pada masing-masing

model, kemudian akurasi sesungguhnya adalah hasil rata-rata dari akurasi ke

tiga model tersebut.

Proses pengujian menggunakan jaringan syaraf tiruan ini

memvariasikan beberapa parameter, yakni diantaranya fungsi aktivasi

(logsing dan tansig) pada hidden layer, jumlah neuron (5, 10, 15, 20, 25, 30,

35, 40, 45, 50) dan jumlah hidden layer (1 dan 2), serta metode pelatihan


62

jaringan (traingdx dan trainlm). Sedangkan fungsi aktivasi untuk output layer

ditetapkan menggunakan pureline. Memvariasikan beberapa parameter

tersebut bertujuan untuk menemukan arsitektur jaringan mana yang optimal,

dalam kata lain memiliki akurasi yang tertinggi.

4.6.1. Satu Hidden Layer

Gambar 4.12 Arsitektur Jaringan 1 Hidden Layer

Gambar 4.12 merupakan representasi dari arsitektur jaringan syaraf

tiruan dengan 1 hidden layer. Namun dalam arstiektur tersebut

dilakukan variasi beberapa parameter untuk menentukan akurasi

tertinggi yang dapat di lihat pada Lampiran 5.

Tabel 4.3 Akurasi Tertinggi Jaringan 1 Hidden Layer

Fungsi Aktivasi

Hidden Layer

Fungsi Pelatihan

Jaringan

Jumlah

Neuron

Waktu

(detik)

Akurasi

(%)

Logsig Traingdx 20 2,5 93,03

Logsig Trainlm 45 25,5 96,06

Tansig Trainlm 40 15,6 94.55

Tansig Traingdx 40 2,4 95,76

Dari grafik pada Lampiran 5 terlihat bahwa akurasi tertinggi berada

pada grafik untuk logsig trainlm. Dimana grafik tersebut merupakan

hasil akurasi untuk jaringan syaraf tiruan menggunakan fungsi

aktivasi logsig untuk hidden layer dan trainlm untuk fungsi pelatihan.

Kemudian Tabel 4.3 merupakan akurasi tertinggi untuk setiap grafik,

dan akurasi tertinggi yakni grafik untuk logsig trainlm dengan nilai

akurasi sebesar 96,06% dan dengan waktu pengujian selama 22,5


63

detik. Sehingga arsitektur jaringan dengan akurasi tertinggi tersebut,

yakni (40-45-4) selanjutnya digunakan untuk mencoba menggunakan

2 hidden layer dimana menggunakan fungsi aktivasi pada hidden

layer tansig dan fungsi pelatihan adalah trainlm dan jumlah neuron

pada hidden layer 1 sebanyak 45.

4.6.2. Dua Hidden Layer

Gambar 4.13 Arsitektur Jaringan 2 Hidden Layer

Gambar 4.13 merupakan representasi dari arsitektur jaringan syaraf

tiruan dengan 2 hidden layer. Dengan mengambil jaringan yang

optimal pada jaringan dengan 1 hidden layer yakni menggunakan

fungsi aktivasi pada hidden layer adalah logsig dan fungsi pelatihan

adalah trainlm dan jumlah neuron pada hidden layer 1 sebanyak 45,

maka yang variasi yang dilakukan adalah jumlah neuron pada hidden

layer 2. Sehingga akurasi yang didapatkan dapat dilihat pada

Lampiran 6.

Tabel 4.4 Akurasi Tertinggi Jaringan 2 Hidden Layer

Fungsi

Aktivasi

Hidden Layer

Fungsi

Pelatihan

Jaringan

Jumlah

Neuron pada

hidden layer

2

Waktu

(detik)

Akurasi

(%)

Logsig Traingdx 10 7,1 91,81

Logsig Trainlm 20 69,5 97,87

Tansig Trainlm 10 45,8 96.67

Tansig Traingdx 20 3 93,63


64

Dari grafik pada Lampiran 6 terlihat bahwa akurasi tertinggi berada

pada grafik untuk logsig trainlm. Dimana grafik tersebut merupakan

hasil akurasi untuk jaringan syaraf tiruan menggunakan fungsi

aktivasi logsig untuk hidden layer ke dua dan trainlm untuk fungsi

pelatihan. Kemudian Tabel 4.4 merupakan akurasi tertinggi untuk

setiap grafik, dan akurasi tertinggi yakni grafik untuk logsig trainlm

dengan nilai akurasi sebesar 97,87% dan dengan waktu pengujian

selama 69,5 detik. Sehingga arsitektur jaringan dengan akurasi

tertinggi tersebut, yakni (40-45-20-4).

4.6.3. Arsitektur Optimal

Gambar 4.14 Arsitektur Jaringan yang Optimal

Dari hasil penelitian dengan menggunakan jaringan 1 hidden layer

dan 2 hidden layer disimpulkan bahwa arsitektur optimal yakni

arsitektur dengan 2 hidden layer dengan jumlah neuron sebanyak 45

pada hidden layer 1, dan 20 neuron pada hidden layer 2, serta dengan

fungsi aktivasinya adalah tansig, serta fungsi pelatihannya adalah

traingdx (40-45-20-4). Arsitektur tersebut dikatakan optimal karena

akurasi yang dihasilkan tertinggi yakni sebesar 97.87%.

Dari hasil akurasi, pengujian yang dilakukan dengan menggunakan

confusion matrix, sehingga berikut ini adalah hasil tabel confusion

matrix pada masing-masing model.


65

Tabel 4.5 Confusion Matrix 3-Fold Cross Validation Model (a)

wulu na taling ta cecek pepet ka ma sa ha tarung wa nga la pu n/a

wulu 18 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

na 0 16 0 0 0 0 0 0 0 0 0 0 0 0 0 0

taling 0 0 12 0 0 0 0 0 0 0 0 0 0 0 0 0

ta 0 0 0 11 0 0 0 0 0 0 0 0 0 0 0 0

cecek 0 0 0 0 7 0 0 0 0 0 0 0 0 0 0 0

pepet 0 0 0 0 0 7 0 0 0 0 0 0 0 0 0 0

ka 0 0 0 0 0 0 4 2 0 0 0 0 0 0 0 0

ma 0 0 0 0 0 0 0 5 0 0 0 0 0 0 0 0

sa 0 0 0 0 0 0 0 0 5 0 0 0 0 0 0 0

ha 0 0 0 0 0 0 0 0 0 4 0 0 0 0 0 0

tarung 0 0 0 0 0 0 0 0 0 0 4 0 0 0 0 0

wa 0 0 0 0 0 0 0 0 0 0 0 4 0 0 0 0

nga 0 0 0 0 0 0 0 0 0 1 0 0 3 0 0 0

la 0 0 0 0 0 0 0 0 0 0 0 0 0 4 0 0

pu 0 0 0 0 0 0 0 0 0 0 0 0 0 0 3 0

n/a 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

Keterangan: Aksara yang dikenali benar n/a: Aksara tidak dikenali

Aksara yang dikenali salah

Akurasi yang dihasilkan dari confusion matrix Tabel 4.10 dengan persamaan 2.27 adalah:

𝑎𝑘𝑢𝑟𝑎𝑠𝑖 =∑Aksara yang dikenali benar

∑Semua Aksara× 100% = 97.27%


66

Tabel 4.6 Confusion Matrix 3-Fold Cross Validation Model (b)


wulu 18 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

na 0 16 0 0 0 0 0 0 0 0 0 0 0 0 0 0

taling 0 0 12 0 0 0 0 0 0 0 0 0 0 0 0 0

ta 0 0 0 11 0 0 0 0 0 0 0 0 0 0 0 0

cecek 0 0 0 0 7 0 0 0 0 0 0 0 0 0 0 0

pepet 0 0 0 0 0 7 0 0 0 0 0 0 0 0 0 0

ka 0 0 0 0 0 0 6 0 0 0 0 0 0 0 0 0

ma 0 0 0 0 0 0 0 5 0 0 0 0 0 0 0 0

sa 0 0 0 0 0 0 0 0 5 0 0 0 0 0 0 0

ha 0 0 0 0 0 0 0 0 0 4 0 0 0 0 0 0

tarung 0 0 0 0 0 0 0 0 0 0 4 0 0 0 0 0

wa 0 0 0 0 0 0 0 0 0 0 0 3 0 0 0 1

nga 0 0 0 0 0 0 0 0 0 0 0 0 3 1 0 0

la 0 0 0 0 0 0 0 0 0 0 0 0 0 4 0 0

pu 0 0 0 0 0 0 0 0 0 0 0 0 0 0 3 0

n/a 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0





∑Semua Aksara× 100% = 98.18%


67

Tabel 4.7 Confusion Matrix 3-Fold Cross Validation Model (c)


wulu 17 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0

na 0 16 0 0 0 0 0 0 0 0 0 0 0 0 0 0

taling 0 0 12 0 0 0 0 0 0 0 0 0 0 0 0 0

ta 0 0 0 11 0 0 0 0 0 0 0 0 0 0 0 0

cecek 0 0 0 0 7 0 0 0 0 0 0 0 0 0 0 0

pepet 0 0 0 0 0 7 0 0 0 0 0 0 0 0 0 0

ka 0 0 0 0 0 0 6 0 0 0 0 0 0 0 0 0

ma 0 0 0 0 0 0 0 5 0 0 0 0 0 0 0 0

sa 0 0 0 0 0 0 0 0 4 0 1 0 0 0 0 0

ha 0 0 0 0 0 0 0 0 0 4 0 0 0 0 0 0

tarung 0 0 0 0 0 0 0 0 0 0 4 0 0 0 0 0

wa 0 0 0 0 0 0 0 0 0 0 0 4 0 0 0 0

nga 0 0 0 0 0 0 0 0 0 0 0 0 4 0 0 0

la 0 0 0 0 0 0 0 0 0 0 0 0 0 4 0 0

pu 0 0 0 0 0 0 0 0 0 0 0 0 0 0 3 0

n/a 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0





∑Semua Aksara× 100% = 98.18%


68

Tabel 4.8, Tabel 4.9, dan Tabel 4.10 merupakan hasil confusion matrix

dari masing-masing model 3-fold cross validation. Namun, dari ketiga

model tersebut untuk menentukan akurasi sebenarnya yakni mencari

nilai rata-ratanya, yakni dengan menambahkan ketiga akurasi tersebut

lalu dibagi 3. 97.27+98.18+98.18

3= 97.87%.


69

BAB V

PENUTUP

5.1. Kesimpulan

Dari hasil penelitian tetang Metode Backpropagation untuk Alih

Aksara Jawa Cetak Menggunakan Ciri ICZ-ZCZ yang telah dikerjakan

maka dapat ditarik kesimpulan sebagai berikut:

1. Penelitian ini menggunakan model klasifikasi jaringan syaraf

tiruan backpropagation dengan menggunakan ciri ICZ-ZCZ 4*5

zona dan dengan data sebanyak 340 citra, untuk 15 aksara Jawa

cetak dengan jumlah data training sebanyak 230 serta data

testing sebanyak 110 dengan metode pengujian 3-fold cross

validation menghasilkan akurasi sebesar 97,87%.

2. Arsitektur jaringan syaraf tiruan yang optimal untuk alih aksara

Jawa cetak adalah 40-45-20-4. Yakni 40 ciri/input, dengan 45

neuron pada hidden layer 1 dan 20 neuron pada hidden layer 2,

serta 4 output. Dengan fungsi aktivasi pada hidden layer yakni

logsig dan fungsi pelatihan trainlm.

3. Kelemahan klasifikasi menggunakan backpropagation adalah

target yang dihasilkan (output layer) merupakan bilangan

desimal, sedangkan target yang akan diinginkan ialah bilangan

asli yakni 1 s/d 15, sehingga pembulatan dari target yang

dihasilkan dari bilangan desimal menjadi bilangan asli sangatlah

berpengaruh.

4. Kelebihan klasifikasi menggunakan backpropagation adalah

akurasi yang dapat ditingkatkan dengan mevariasi parameter-

parameter yang ada, seperti jumlah hidden layer, jumlah neuron

pada hidden layer, fungsi aktivasi pada hidden layer, dan fungsi

pelatihan jaringan.

5. Ekstraksi ciri yang digunakan pada penelitian ini menggunakan

ICZ-ZCZ, dimana dari hasil akurasi yang di dapat, metode ini


70

dapat digunakan untuk alih aksara Jawa cetak. Namun,

kelemahan ciri ICZ-ZCZ yakni dalam merata-rata jarak seluruh

piksel dalam suatu zona dapat bernilai sama dengan zona yang

lainnya.

5.2. Saran

Untuk penelitian selanjutnya tentang Metode Backpropagation

untuk Alih Aksara Jawa Cetak Menggunakan Ciri ICZ-ZCZ, terdapat

beberapa sara untuk memperbaiki kekurangan pada penelitian tersebut,

antara lain:

1. Menambahkan data untuk masing-masing aksara, alangkah

baiknya data dari masing-masing aksara lebih dari 50.

2. Perlu adanya modifikasi untuk proses segmentasi untuk aksara-

aksara yang memiliki aksara pasangan, sehingga aksara yang

memiliki pasangan juga dapat dilakukan alih aksara.


71

DAFTAR PUSTAKA

Andono, Pulung Nurtantio, dkk. 2017. Pengolahan Citra Digital. Yogyakarta:

Penerbit Andi.

Budhi, Gregorius Satia & Adipranata, Rudy. 2015. Handwritten Javanese

Character Recognition Using Several Artificial Neural Network Methods,

J. ICT Res. Appl, Vol. 8. No. 3: 195-212.

Hadiprijono, J.S. 2013. Trampil Maca Ian Nulis Aksara Jawa. Yogyakarta:

Kanisius.

Handoyo, Kasih. 2017. Transliterasi Nama Jalan Beraksara Jawa. Program Studi

Teknik Informatika. Fakultas Sains dan Teknologi. Universitas Sanata

Dharma.

Holle, KP. 1876. Hamong Tani. Batavia: Landsdrukkerij.

Kadir, Abdul dan Susanto, Adhi. 2013. Teori dan Aplikasi Pengolahan Citra.

Yogyakarta: Penerbit Andi.

Klaiber, M. J., Bailey D. G., Baroud Y., & Simon S. 2015. A Resource-Efficient

Hardware Architecture for Connected Components Analysis. IEEE

Transactions on Circuits and Systems for Video Technology. IEEE

Transactions on Circuits and Systems for Video Technology: 1.

Prasetyo, E. 2012. Data Mining: Konsep dan Aplikasi meenggunakan Matlab.

Yogyakarta: Penerbit Andi.

Putra, Darma. 2010. Pengolahan Citra Digital. Yogyakarta: Penerbit Andi.

Rajashekararadhya, S.V. & Ranjan, P. Vanaja. 2005. Efficient Zone Based Feature

Extraction Algorithm for Handwritten Numeral Recognition of Four

Popular South Indian Scripts. Journal of Theoretical and Applied

Information Technology, Vol. 4:1171-1181.

Siang, JJ. 2005. Jaringan Syaraf Tiruan dan Pemrogramannya menggunakan

Matlab. Yogyakarta: Penerbit Andi.


72

Widiarti, Anastasia Rita., Harjoko, Agus., Marsono & Hartati, Sri. 2014.

Preprocesing Model of Manuscripts in Javanese Characters. Journal of

Signal and Information Processing, Vol. 5: 112-122.

Widiarti, Anastasia Rita & Watsu, Phalita Nari. 2009. Javanese Character

Recognition Using Hidden Markov Model. World Academy of Science,

Engineering and Technology International Journal of Computer and

Information Engineering, Vol. 3: 2201-2204.


73

LAMPIRAN


74

Lampiran 1 Jumlah Aksara Hasil Cropping

Aksara Jumlah Aksara Jumlah Aksara Jumlah

wulu 54 n_wa 3 hang 1

na 50 ngi 3 jang 1

taling 36 s_ka 3 jeng 1

ta 33 t 3 kê 1

cecek 21 yê 3 l_hing 1

pepet 21 dê 2 l_lah 1

ka 19 di 2 l_sa 1

ma 15 hê 2 layar 1

sa 15 ho 2 le 1

ha 14 ja 2 lih 1

tarung 14 l_li 2 lu 1

wa 13 m_ma 2 lung 1

nga 12 m_tu 2 m_ba 1

la 12 mang 2 m_bang 1

pu 11 mu 2 m_pa 1

ni 11 n_hê 2 m_pah 1

wulu_cecek 10 n_hing 2 mi 1

_ha 9 n_ka 2 mung 1

wi 9 n_ma 2 n_dhe 1

pa 8 n_na 2 n_ho 1

_ta 7 n_nga 2 n_kê 1

hu 7 n_tê 2 n_mu 1

pada lingsa 7 n_ti 2 n_ne 1

_ka 6 n_tu 2 n_ni 1

_sa 6 nging 2 n_pa 1

n 6 pepet_cecek 2 n_si 1

n_ta 6 pra 2 n_su 1

te 6 ra 2 n_te 1

ti 6 s 2 n_wo 1

wignyan 6 s_tu 2 nge 1

ya 6 wê 2 ngê 1

da 5 wo 2 ngra 1

ga 5 yang 2 ngu 1

n_ha 5 _ba 2 pe 1

tu 5 _dha 1 rah 1

ba 4 _hu 1 rang 1

bê 4 _ma 1 re 1

bo 4 _pah 1 rê 1

hing 4 _ping 1 rêng 1

kang 4 _re 1 ru 1

ke 4 _sar 1 s_kê 1

ne 4 _si 1 s_ku 1


75

Aksara Jumlah Aksara Jumlah Aksara Jumlah

nê 4 _su 1 s_ta 1

si 4 _wa 1 s_ti 1

_hing 3 A 1 t_ha 1

_la 3 A1 1 t_ka 1

_pa 3 dha 1 t_sar 1

_pu 3 dhu 1 tah 1

gi 3 du 1 tê 1

l_la 3 ge 1 we 1

li 3 gê 1 yo 1

n_to 3 gih 1 TOTAL 683

Lampiran 2 Matriks Proyeksi Aksara Ta

Indeks

ke -

Proyeksi

Horizontal

Proyeksi

Vertikal

Indeks

ke -

Proyeksi

Horizontal

Proyeksi

Vertikal

1 0 0 26 23 38

2 0 0 27 56 36

3 0 0 28 58 34

4 0 29 29 60 22

5 0 31 30 63 18

6 0 34 31 66 16

7 0 42 32 69 13

8 0 44 33 40 6

9 0 46 34 42 6

10 0 27 35 40 6

11 0 26 36 42 6

12 0 24 37 41 6

13 0 21 38 41 11

14 0 12 39 37 29

15 0 12 40 38 31

16 0 10 41 38 33

17 0 36 42 39 24

18 0 38 43 38 24

19 0 40 44 37 26

20 13 48 45 38 30

21 15 50 46 40 32

22 17 55 47 40 38

23 18 61 48 39 35

24 19 61 49 38 33

25 22 61 50 42 31

51 41 30 76 43 13

52 41 13 77 42 13

53 40 13 78 43 12


76

Lampiran 3 Aksara-aksara yang tidak ter-Segmentasi dengan Baik

AKSARA AKSARA AKSARA

_dha.png m_pah.png ni(7).png

_hing(1).png m_tu.png ni(8).png

_hing(2).png mang(2).png ni(9).png

_hing.png mang.png ni(10).png

_pa(1).png mi.png ni.png

_pa(2).png mung.png pada lingsa(1).png

_pah.png n_dhe.png pe.png

_ping.png n_ha(1).png pu.png

_re.png n_ha(2).png rah.png

_sar.png n_ha(3).png rang.png

_si.png n_ha(4).png re.png

_ta(3).png n_ha.png rê.png

A.png n_hê(1).png rêng.png

b-ê(1).png n_hê.png ru.png

b-ê(2).png n_hing(1).png s_ka(1).png

b-ê(3).png n_hing.png s_ka(2).png

Indeks

ke -

Proyeksi

Horizontal

Proyeksi

Vertikal

Indeks

ke -

Proyeksi

Horizontal

Proyeksi

Vertikal

54 43 13 79 42 12

55 43 13 80 43 12

56 39 13 81 42 10

57 39 13 82 60 16

58 39 13 83 59 19

59 39 13 84 61 23

60 38 19 85 59 41

61 39 22 86 57 45

62 38 20 87 57 45

63 40 29 88 10 62

64 40 31 89 10 62

65 40 31 90 10 63

66 40 61 91 10 63

67 40 61 92 9 58

68 40 61 93 9 55

69 40 52 94 8 54

70 40 49 95 0 34

71 40 45 96 0 30

72 40 41 97 0 30

73 40 24 98 0 0

74 40 21 99 0 0

75 42 19 100 0 0


77


b-ê.png n_ho.png s_ka.png

bo(1).png n_ka(1).png s_kê.png

bo(2).png n_ka.png s_ta.png

bo(3).png n_kê.png s_ti.png

bo.png n_ma(1).png si(1).png

cecek(15).png n_mu.png si(2).png

dê(1).png n_ne.png si(3).png

dê.png n_nga.png si.png

di(1).png n_nga.png t_ha.png

di.png n_ni.png t_ka.png

ga.png n_pa.png t_sar.png

ge.png n_pu.png tah.png

gê.png n_sa.png te(1).png

gi(1).png n_si.png te(2).png

gi(2).png n_su.png te(3).png

gi.png n_ta(1).png te(4).png

gih.png n_ta(2).png te(5).png

hang.png n_ta(3).png te.png

hê(1).png n_ta(4).png tê.png

hê.png n_ta(5).png ti(1).png

hing(1).png n_ta.png ti(2).png

hing(2).png n_tê(1).png ti(3).png

hing(3).png n_tê.png ti(4).png

hing.png n_te.png ti(5).png

ho(1).png n_ti(1).png ti.png

ho.png n_ti.png tu(4).png

hu(3).png n_to(1).png wê(1).png

jang.png n_to(2).png wê.png

jeng.png n_to.png we.png

ka(9).png n_wa(1).png wi(1).png

kang(1).png n_wo.png wi(2).png

kang(2).png na(1).png wi(3).png

kang(3).png na(6).png wi(4).png

kang.png na(15).png wi(5).png

ke(1).png na(23).png wi(6).png

ke(2).png ne(1).png wi(7).png

ke(3).png ne(2).png wi(8).png

ke.png ne(3).png wi.png

kê.png ne.png wo(1).png

l_hing.png nê(1).png wo.png

l_la(1).png nê(2).png wulu_cecek(1).png

l_la(2).png nê(3).png wulu_cecek(2).png

l_la.png nê.png wulu_cecek(3).png


78


l_li(1).png nga(13).png wulu_cecek(4).png

l_li.png nge.png wulu_cecek(5).png

l_la(1).png ngê.png wulu_cecek(6).png

l_la(2).png ngi(1).png wulu_cecek(7).png

l_la.png ngi(2).png wulu_cecek(8).png

l_sa.png ngi.png wulu_cecek(9).png

li(1).png nging(1).png wulu_cecek.png

li(2).png nging.png yang(1).png

li.png ni(1).png yang.png

lih.png ni(2).png yê(1).png

lung.png ni(3).png yê(2).png

m_ba.png ni(4).png yê.png

m_bang.png ni(5).png yo.png

m_pa.png ni(6).png TOTAL = 218


79

Lampiran 4 Pembuatan Dataset


80

Lampiran 5 Grafik Akurasi Jaringan dengan 1 Hidden Layer


81

Lampiran 6 Grafik Akurasi Jaringan dengan 2 Hidden Layer


82

Lampiran 7 Syntax Proyeksi Profil

function [ProyHor,ProyVer] = ProjectionProfile(BW) [m, n] = size (BW); ProyHor = zeros(m,1); ProyVer = zeros(n,1);

for i=1:m for j=1:n ProyHor(i) = ProyHor(i) + BW(i,j); ProyVer(j) = ProyVer(j) + BW(i,j); end end end

function [Image] = Cropping(BW,ProyHor,ProyVer) m = length(ProyHor); n = length(ProyVer); h = []; hLine0 = 0; hLine1 = 0; for i = 1:m if ProyHor(i) ~= 0 if i == 1 if ProyHor(i + 1) == 0 hLine0 = i; else hLine0 = 1; end elseif i == m if ProyHor(i - 1) == 0 hLine1 = i; h = [h; hLine0 hLine1]; else hLine1 = i; h = [h; hLine0 hLine1]; end else if ProyHor(i - 1) == 0 hLine0 = i; end if ProyHor(i + 1) == 0 hLine1 = i; if hLine0 < 0 hLine0 = m; end if hLine1 < 0 hLine1 = m; end h = [h; hLine0 hLine1]; end end end end


83

newImage = {}; [indeksH, z] = size(h); for i=1:indeksH hFirst = h(i,1); hLast = (h(i,2))-hFirst; [index data] = size(newImage); if index == 0 newImage{1,1} = imcrop(BW,[1 hFirst n hLast]); else newImage{index+1,1} = imcrop(BW,[1 hFirst n hLast]); end end Image = {}; for j=1:length(newImage) [hor,ver] = ProjectionProfile(newImage{j,1}); v = []; vLine0 = 0; vLine1 = 0; n = length(ver); for i = 1:n if ver(i) ~= 0 if i == 1 if ver(i + 1) == 0 vLine0 = i; else vLine0 = 1; end elseif i == n if ver(i - 1) == 0 vLine1 = i; v = [v; vLine0 vLine1]; else vLine1 = i; v = [v; vLine0 vLine1]; end else if ver(i - 1) == 0 vLine0 = i; end if ver(i + 1) == 0 vLine1 = i; if vLine0 < 0 vLine0 = n; end if vLine1 < 0 vLine1 = n; end v = [v; vLine0 vLine1]; end end end end [indeksV, z] = size(v); for k=1:indeksV vFirst = v(k,1); vLast = (v(k,2))-vFirst;


84

[index data] = size(Image); if index == 0 Image{1,1} = imcrop(newImage{j,1},[vFirst 1 vLast

length(hor)]); else Image{index+1,1} = imcrop(newImage{j,1},[vFirst 1

vLast length(hor)]); end end end

Lampiran 8 Syntax Ekstraksi Ciri

function [Features, FeaturesDisplay] = FeaturesExtraction(BW) %ICZ %image centroid [x,y] = size(BW); HelpRow = round(x/4); HelpCol = round(y/5); xc = 0; yc = 0; TotalPixel = 0; for i = 1:x for j = 1:y if(BW(i,j)==1) xc = xc + j; yc = yc + i; TotalPixel = TotalPixel +1; end end end xc = xc/TotalPixel; yc = yc/TotalPixel; TotalDistance = 0; Pixsel = 0;

%FeaturesExtraction with ICZ Method %Zone 1 for i = 1:HelpRow for j = 1:HelpCol if(BW(i,j) == 1) distance = sqrt((j-xc)^2 + (i-yc)^2); TotalDistance = TotalDistance + distance; Pixsel = Pixsel+1; end end z1 = TotalDistance/Pixsel; if(isnan(z1)) z1=0; end end TotalDistance = 0; Pixsel = 0;


85

...

%Zone 20 for i = HelpRow+HelpRow+HelpRow+1:HelpRow+HelpRow+HelpRow+HelpRow for j = HelpCol + HelpCol + HelpCol + HelpCol + 1 : HelpCol +

HelpCol + HelpCol + HelpCol + HelpCol if(BW(i,j) == 1) distance = sqrt((j-xc)^2 + (i-yc)^2); TotalDistance = TotalDistance + distance; Pixsel = Pixsel+1; end end z20 = TotalDistance/Pixsel; if(isnan(z20)) z20=0; end end

%ZCZ %image centroid xc1 = 0; yc1 = 0; ...

xc20 = 0; yc20 = 0; TotalPixel = 0; %centroid zone 1 for i = 1:HelpRow for j = 1:HelpCol if(BW(i,j)==1) xc1 = xc1 + j; yc1 = yc1 + i; TotalPixel = TotalPixel +1; end end end xc1 = xc1/TotalPixel; yc1 = yc1/TotalPixel; TotalPixel = 0;

...

%centroid zone 20 for i = HelpRow+HelpRow+HelpRow+1:HelpRow+HelpRow+HelpRow+HelpRow

for j = HelpCol + HelpCol + HelpCol + HelpCol + 1 :

HelpCol + HelpCol + HelpCol + HelpCol + HelpCol if(BW(i,j)==1) xc20 = xc20 + j; yc20 = yc20 + i; TotalPixel = TotalPixel +1; end end end xc20 = xc20/TotalPixel; yc20 = yc20/TotalPixel;


86

%FeaturesExtraction with ZCZ Method TotalDistance = 0; Pixsel = 0; %Zone 1 for i = 1:HelpRow for j = 1:HelpCol if(BW(i,j) == 1) distance = sqrt((j-xc1)^2 + (i-yc1)^2); TotalDistance = TotalDistance + distance; Pixsel = Pixsel+1; end end z21 = TotalDistance/Pixsel; if(isnan(z21)) z21=0; end end

... %Zone 20 for i = HelpRow+HelpRow+HelpRow+1:HelpRow+HelpRow+HelpRow+HelpRow for j = HelpCol + HelpCol +HelpCol + HelpCol + 1 : HelpCol +

HelpCol + HelpCol + HelpCol + HelpCol if(BW(i,j) == 1) distance = sqrt((j-xc20)^2 + (i-yc20)^2); TotalDistance = TotalDistance + distance; Pixsel = Pixsel+1; end end z40 = TotalDistance/Pixsel; if(isnan(z40)) z40=0; end end

Features = [z1 z2 z3 z4 z5 z6 z7 z8 z9 z10 z11 z12 z13 z14 z15 z16

z17 z18 z19 z20 z21 z22 z23 z24 z25 z26 z27 z28 z29 z30 z31 z32

z33 z34 z35 z36 z37 z38 z39 z40]; end

Lampiran 9 Syntax Klasifikasi

function [outputFinal] = Backpropagation(Features, neuron) data = xlsread('dataset.xlsx'); label = xlsread('label.xlsx'); feature = data(:,1:40); targetHelp = data(:,41); target = zeros(length(targetHelp),4); for a = 1 : length(targetHelp) for b = 1 : length(label) if targetHelp(a) == label(b) target(a,1)=label(b,2); target(a,2)=label(b,3); target(a,3)=label(b,4); target(a,4)=label(b,5); end


87

end end

feature = feature'; target = target';

rand('seed', 1) Features = Features'; net = newff(feature,target,

neuron,{'tansig','purelin'},'traingdx'); [net,~]=train(net,feature,target); output = sim(net,Features); luaran = round(output); luaran = luaran';

for b = 1 : length(label) if luaran(:,:) == label(b,2:end) outputFinal = label(b); end end end

Lampiran 10 Desain Interface


88


Documents

METODE BACKPROPAGATION UNTUK ALIH AKSARA JAWA …repository.usd.ac.id/35047/2/155314024_full.pdf · METODE BACKPROPAGATION UNTUK ALIH AKSARA JAWA CETAK MENGGUNAKAN CIRI ICZ-ZCZ SKRIPSI