PENGENALAN POLA TULISAN TANGAN AKSARA JAWA DENGAN ... · faculty of science and technology sanata dharma university yogyakarta 2018 plagiat merupakan tindakan tidak terpuji. plagiat

PENGENALAN POLA TULISAN TANGAN

AKSARA JAWA DENGAN ALGORITMA BACKPROPAGATION

SKRIPSI

Diajukan Untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana

Komputer Program Studi Teknik Informatika

Oleh:

Aloysius Tanto Wibowo

135314061

PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

YOGYAKARTA

2018

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

i

PATTERN RECOGNITION HANDWRITTER OF JAVA CHARACTER

USING BACKPROPAGATION ALGORITHM

A THESIS

Presented as Partial of the Requirements to Obtain the Sarjana Komputer

Degree in Informatics Engineering Study Program

By :

Aloysius Tanto Wibowo

Student ID:

135314061

INFORMATICS ENGINEERING STUDY PROGRAM

INFORMATICS ENGINEERING DEPARTMENT

FACULTY OF SCIENCE AND TECHNOLOGY

SANATA DHARMA UNIVERSITY

YOGYAKARTA

2018





iv

Motto

"I don't stop when I am tired, I stop when I am done." And I am trying to apply

that way


vii

ABSTRAK

Indonesia merupakan negara yang kaya akan budaya dan adat. Penulisan

Aksara Jawa merupakan tradisi penulisan yang cukup kental. Dengan mengingat

betapa pentingnya pelestarian dan penyebarluasan budaya, maka penelitian

mengenai upaya digital dan pengolahan pada hasil digital sangat diperlukan,

misalnya pengenalan pada aksara Jawa. Neural network merupakan salah satu

metode yang dapat digunakan untuk mengenali pola tulisan tangan aksara Jawa.

Neural network sendiri dimisalkan sebagai analogi sistem kerja otak manusia.

Terdiri dari atas sebuah unit pemroses yang disebut neuron yang berisi penambah

dan fungsi aktivasi,sejumlah bobot,sejumlah vektor masukan.

Penelitian ini nantinya akan membuat sistem yang mampu mengenali aksara

Jawa seperti huruf pada umumnya . Sistem yang akan dibangun ini menerapkan

jaringan syaraf tiruan untuk pemodelan sistemnya dan Intencity Of Character,

Mark Direction sebagai ekstraksi cirinya.

Pengujian pengenalan aksara Jawa dengan Jaringan Syaraf Tiruan Propagasi

Balik dengan melakukan pembentukan arsitektur jaringan menghasilkan akurasi

tertinggi yaitu sebesar 83% dengan menggunakan 2 lapisan tersembunyi dengan

jumlah neuron pada lapisan tersembunyai 1 sebanyak 75 neuron dan 65 pada

lapisan tersembunyi 2.

Kata kunci: Pengenalan Pola, Mark Direction, Intencity Of Character, Jaringan

Syaraf Tiruan Back Propagation


viii

ABSTRACT

Indonesia is a country with rich culture and customs. Writing Javanese

script is a fairly thick tradition of writing. Bearing in mind the importance of

cultural preservation and dissemination, research on digital efforts and processing

of digital results is necessary, for example the introduction of Javanese script.

Neural network is one of method that can be used to recognize handwriting

pattern Java script. Neural network itself is exemplified as the analogy of the

working system of the human brain. It consists of a processing unit called a

neuron that contains an adder and an activation function, a number of weights, a

number of input vectors.

This research will create a system that is able to recognize Javanese

characters like letters in general. The system will be built use artificial neural

network for system modeling and Intensity Of Character, Mark Direction as a

characteristic extraction.

Testing of Javanese script with Artificial Back Propagation Neural Networks

by performing the formation of network architecture fields produce the highest

accuracy of 83% by using 2 hidden layers with the number of neurons in the

embedded layer 1 of 75 neurons and 65 in the hidden layer 2.

Key Words: Pattern Introduction, Mark Direction, Intensity Of Character, Neural

Network artificial Back Propagation




xi

DAFTAR ISI

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

MOTTO ............................................................................................................ iv

ABSTRAK ......................................................................................................... vi

KATA PENGANTAR ..................................................................................... viii

DAFTAR ISI ...................................................................................................... x

HALAMAN GAMBAR .................................................................................. xiii

HALAMAN TABEL ...................................................................................... xiv

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

I.1 Latar Belakang ....................................................................................... 1

I.2 Rumusan Masalah Penelitian ................................................................ 2

I.3 Tujuan Penulisan.................................................................................... 2

I.4 Batasan Masalah .................................................................................... 2

I.5 Manfaat Penelitian ................................................................................. 3

I.6 Metodologi Penelitian ............................................................................. 3

I.6.1 Pengumpulan Data ............................................................................. 3

I.6.2 Perancangan Alat Uji .......................................................................... 3

I.6.3 Pembuatan Alat Uji ............................................................................ 3

I.6.4 Pengujian ........................................................................................... 3

I.6.5 Analisis Hasil ..................................................................................... 4

I.7 Sistematika Penulisan ............................................................................ 4

BAB II LANDASAN TEORI ........................................................................... 5

II.1 Sejarah Aksara Jawa ............................................................................ 5

II.2 Pengenalan Pola .................................................................................... 6

II.3 Ekstraksi Ciri ........................................................................................ 6

II.3.1 Intencity Of Character ...................................................................... 7

II.3.2 Mark Direction................................................................................. 7

II.4 Hold Out Method .................................................................................. 7

II.5 Jaringan Syaraf Tiruan ........................................................................ 8

II.5.1 Arsitektur Jaringan ........................................................................... 9

II.5.2 Neural Network Backpropagation .................................................. 10

III METODOLOGI PENELITIAN .............................................................. 13

III.1 Tahapan Penelitian ............................................................................ 13


xii

III.1.1 Studi Literatur............................................................................... 13

III.1.2 Pengumpulan Data ........................................................................ 13

III.1.3 Pembuatan Alat Uji....................................................................... 13

III.1.4 Pengujian ...................................................................................... 14

III.2 Kebutuhan Sistem ............................................................................. 14

III.2.1 Perangkat Keras (Hardware) ........................................................ 14

III.2.2 Perangkat Lunak (Software).......................................................... 14

III.3 Perancangan Sistem .......................................................................... 15

III.3.1 Data .............................................................................................. 16

III.3.2 Preprocessing................................................................................ 16

III.3.3 Ekstraksi Ciri ................................................................................ 17

III.3.4 Normalisasi .................................................................................. 17

III.3.5 Jaringan Syaraf Tiruan .................................................................. 18

III.3.6 Model Arsitektur Jaringan Syaraf Tiruan ...................................... 18

III.3.7 Uji Data Tunggal .......................................................................... 25

III.4 Desain Alat Uji ................................................................................... 26

III.4.1 Form Pengujian Jaringan Syaraf Tiruan ........................................ 26

III.4.2 Form Pengujian Data Tunggal ...................................................... 26

BAB IV IMPLEMENTASI HASIL DESAIN ................................................ 27

IV.1 Implementasi Sistem .......................................................................... 27

IV.2 Hasil dan Analisis Hasil ..................................................................... 33

IV.2.1 Pengujian Variasi Arsitektur Jaringan Syaraf Tiruan ..................... 33

IV.2.2 Implementasi User Interface.......................................................... 72

IV.2.3 Pengujian Data Tunggal ................................................................ 73

BAB V PENUTUP .......................................................................................... 79

V.1 Kesimpulan ......................................................................................... 79

V.2 Saran ................................................................................................... 80

DAFTAR PUSTAKA ......................................................................................81

LAMPIRAN ....................................................................................................82


xiii

DAFTAR GAMBAR

Gambar II.1 Contoh Aksara Jawa Nglegena ......................................................... 5

Gambar II.2 Angka Jawa...................................................................................... 5

Gambar II.3 Tanda “Pada Pangkat” untuk Mengapit Penulisan Angka Jawa ..... 5

Gambar II.4 Struktur elemen tanda arah (Surinta, 2010) ....................................... 7

Gambar II.5 Skema Hold Method ......................................................................... 8

Gambar II.6 Jaringan Lapis Tunggal .................................................................... 9

Gambar II.7 Jaringan Lapis Majemuk ................................................................ 10

Gambar II.8 Ilustrasi Arsitektur Jaringan Backpropagation (Siang,2005) ........... 11

Gambar III.1Diagram Block Sistem ................................................................... 15

Gambar III.2 Blangko aksara Jawa yang sudah terisi .......................................... 16

Gambar III.3 Normalisasi mapstd....................................................................... 18

Gambar III.4 Arsitektur jaringan 1 hidden layer ................................................. 18

Gambar III.5 Arsitektur Jaringan 2 hidden layer ................................................ 21

Gambar III.6 Form Pengujian Jaringan............................................................... 26

Gambar III.7 Form Pengujian Data Tunggal....................................................... 26

Gambar IV.1 Blangko aksara Jawa..................................................................... 27

Gambar IV.2 Data yang sudah di Crop ............................................................... 27

Gambar IV.3 Mengubah Citra menjadi keabuan ................................................. 28

Gambar IV.4 Binerisasi Citra ............................................................................. 28

Gambar IV.5 Resize Citra .................................................................................. 29

Gambar IV.6 Penipisan Citra ............................................................................. 29

Gambar IV.7 Gambar Citra yang sudah dibagi 9 segmen ................................... 30

Gambar IV.8 Mengambil Ciri nilai 0 atau hitam................................................. 30


xiv

Gambar IV.9 Mengambil Ciri Arah Horizontal .................................................. 30

Gambar IV.10 Mengambil Ciri arah Vertical ..................................................... 31

Gambar IV.11 Mengambil Ciri arah Diagonal ke kanan ..................................... 31

Gambar IV.12 Mengambil Ciri arah Diagonal ke Kiri ........................................ 31

Gambar IV.13 Data yang sudah dinormalisasi .................................................... 32

Gambar IV.14 Implementasi Hold Out Method .................................................. 33

Gambar IV.15 Gambar Pembagian Data latih dan Data Uji ................................ 33

Gambar IV.16 Grafik pengujian input bernilai 9 ................................................. 41

Gambar IV.17 Grafik Akurasi Pengujian input bernilai 18 ................................ 57

Gambar IV.18 Grafik Pengujian input bernilai 27 .............................................. 66

Gambar IV.19 Grafik Pengujian input bernilai 36 .............................................. 71

Gambar IV.20 Grafik Pengujian input ................................................................ 73

Gambar IV.21 Tampilan Interface pengujian Jaringan Syaraf Tiruan ................. 74

Gambar IV.22 Tampilan Interface pengujian data tunggal Jaringan Syaraf Tiruan

................................................................................................................... 75


xv

DAFTAR TABEL

Tabel III.1 Tabel Spesifikasi Hardware ( Komputer) ......................................... 14

Tabel III.2 Kombinasi Ciri ................................................................................ 19

Tabel III.3 Pembuatan Target ............................................................................ 21

Tabel III.4 Kombinasi Ciri ................................................................................ 22

Tabel III.5 Pembuatan Target ............................................................................ 24

Tabel III.6 Confusion Matrix ............................................................................. 25

Tabel IV.1 ......................................................................................................... 31

Tabel IV.2 Akurasi 1 hidden layer Ciri 1 .......................................................... 34

Tabel IV.3 Akurasi 1 hidden layer Ciri 1 .......................................................... 34

Tabel IV.4Akurasi Ciri 2 1 hidden layer ........................................................... 35

Tabel IV.5 Akurasi Ciri 2 hidden layer ............................................................ 36

Tabel IV.6 Akurasi Ciri 3 1 hidden layer ........................................................... 37

Tabel IV.7 Akurasi Ciri 3 2 hidden layer .......................................................... 38

Tabel IV.8 Akurasi Ciri 4 1hidden layer .......................................................... 38

Tabel IV.9 Akurasi Ciri 4 2 hidden layer .......................................................... 39

Tabel IV.10 Akurasi Ciri 5 1 hidden layer......................................................... 40




xvi






Tabel IV.18Akurasi Ciri 9 1 hidden layer.......................................................... 46


Tabel IV.20 Akurasi Ciri 10 2 hidden layer ....................................................... 47



Tabel IV.23Akurasi Ciri 11 2 hidden layer ........................................................ 50



Tabel IV.26 Akurasi 1 hidden layer .................................................................. 52


Tabel IV.28 Ciri 14 1 hidden layer .................................................................... 53




Tabel IV.32 Akurasi Ciri16 1 hidden layer ........................................................ 56

Tabel IV.33 Akurasi Ciri 16 2 Hidden Layer ..................................................... 57

Tabel IV.34 Akurasi 17 1 hidden layer ............................................................. 58





xvii















Tabel IV.52Klasifikasi Data Tunggal ................................................................ 73


1

BAB I

PENDAHULUAN

1.1 Latar Belakang

Indonesia merupakan negara kepulauan yang kaya akan budaya dan adat

istiadatnya. Hal ini tercermin dari banyaknya warisan hasil budaya yang dimiliki

oleh setiap daerah. Salah satunya adalah suku bangsa Jawa. Suku bangsa Jawa

memiliki warisan hasil budaya yaitu wayang, tarian, aksara Jawa, dan lain

sebagainya. Penulisan Aksara Jawa merupakan tradisi penulisan yang cukup

kental. Media penulisan Aksara Jawa pun bermacam-macam. Bisa menggunakan

media naskah, lontar, prasasti, logam, dan lain-lain.

Dengan mengingat betapa pentingnya upaya-upaya mengenali, pelestarian,

dan penyebarluasan maka penelitian mengenai upaya digital dan pengolahan pada

hasil digital, misalnya pengenalan pada aksara Jawa. Pengenalan pola atau bisa

disebut pattern recognition adalah bisa diartikan segala kegiatan yang dilakukan

untuk pengambilan keputusan atau kesimpulan berdasarkan pola- pola kompleks

objek atau informasi. Ripley (1996). Tujuan pengenalan pola mengklasifikasi dan

mendeskripsikan pola atau obyek kompleks melalui pengetahuan sifat-sifat atau

ciri-ciri obyek tersebut.Penelitian ini diharapkan dapat meningkatkan minat

generasi muda dalam melestarikan kebudayaan Jawa khususnya aksara Jawa.

Neural network merupakan salah satu metode yang dapat digunakan untuk

mengenali pola tulisan tangan aksara Jawa. Neural network dimisalkan sebagai

analogi sistem kerja otak manusia. Terdiri dari atas sebuah unit pemroses yang

disebut neuron yang berisi penambah dan fungsi aktivasi,sejumlah bobot,sejumlah

vektor masukan. Fungsi aktivasi berguna untuk mengatur keluaran yang diberikan

neuron.Neural Networks dapat menggunakan algoritma Backpropagation .Metode

ini kemudian disebut dengan Neural Network Backpropagation.

Backpropagation memiliki keunggulan dalam menghitung pola keluaran.

Jika ada error maka bobot dalam jaringan akan diperbaharui untuk mengurangi

error tersebut. Backpropagation sudah dikembangkan oleh peneliti, Nur Bekti


2

Arum W (2016) menggunakan Jaringan Syaraf Tiruan Backpropagation untuk

Aksara nglegena dengan Wavelet dengan akurasi sebesar 86,40 %. Sedangkan

penelitian lainnya dari Betty Isnawati ( 2015) mengunakan Jaringan Syaraf Tiruan

Backpropagation untuk huruf dasar aksara Jawa dengan akurasi 75 %. Penelitian

dari Farida Asriani dan Azis Wisnu Widhi Nugraha (2010 ) mengunakan

Pengenalan Pola Aksara Jawa Tulisan Tangan dengan Jaringan Syaraf Tiruan

Perambatan-Balik dengan akurasi 95,81%.

Penelitian ini akan menerapkan metode Jaringan Syaraf Tiruan

Backpropagation untuk mengenali tulisan tangan aksara Jawa . Ekstrasi Ciri yang

digunakan adalah intencity of character dan mark direction. Tingkat keberhasilan

ditentukan oleh akurasi dari algoritma Backpropagation yang mampu mengenali

pola dari tulisan tangan aksara jawa.

1.2 Rumusan Masalah Penelitian

Dengan melihat latar belakang masalah, terdapat beberapa rumusan

masalah yang dapat dirumuskan sebagai berikut:

1. Berapakah presentase keberhasilan pengenalan pola aksara Jawa dengan

metode backpropagation?

1.3 Tujuan Penulisan

Tujuan penulisan yang ingin dicapai menurut rumusan masalah penelitian

sebagai berikut:

1. Membuat sistem untuk mengenali tulisan tangan aksara Jawa dengan

algoritma Backpropagation.

2. Mengetahui akurasi dari algoritma Backpropagation untuk mengenali

tulisan tangan aksara Jawa.

1.4 Batasan Masalah

Untuk menghindari yang pembahasan yang terlalu luas maka peneliti

membatasi penelitian ini dengan hal – hal sebagai berikut:

1. Sistem hanya untuk mengenali 20 huruf aksara Jawa.


3

2. Data Citra Aksara diambil dari 5 orang tulisan tangan.

3. Format Citra yang akan diolah adalah jpg.

1.5 Manfaat Penelitian

Bila penelitian ini berhasil dilaksanakan akan didapatkan manfaat sebagai

berikut:

1. Membantu pemerintah dalam memperkenalkan aksara Jawa kepada

masyarakat.

2. Membantu para peneliti untuk dijadikan referensi ataupun untuk

dikembangkan.

1.6 Metodologi Penelitian

Metodologi penelitian dan langkah – langkah yang digunakan dalam

penelitian ini adalah berikut:

1.6.1 Pengumpulan Data

Data yang digunakan adalah data dari blangko dari 5 orang respoden

yang menulis 1 aksara sebanyak 3 kali . Jadi total data ada 5 x 3 x 20

sebanyak 300 data. 1 aksara ada 15 data. Data kemudian discan

menjadi data digital .

1.6.2 Perancangan Alat Uji

Alat uji dibuat dengan pendekatan object oriented. Desain alat uji

digambarkan menggunakan Activity diagram. Model yang sudah

dirancang dimasukkan ke dalam user Interface.

1.6.3 Pembuatan Alat Uji

Pembuatan alat uji mengunakan aplikasi matlab dan data bertipe .data

yang berisi dari ektraksi ciri dari intencity of character dan mark

direction.

1.6.4 Pengujian

Pengujian alat uji akan digunakan untuk mencari model arsitektur

jaringan Backpropagation untuk mendapatkan akurasi tertinggi dalam

mengenali pola.


4

1.6.5 Analisis Hasil

Analisis hasil dan kesimpulan dari penelitian ini adalah untuk mencari

akurasi tertinggi dari arsitektur jaringan Backpropagation dan uji data

tunggal yang telah dibuat.

1.7 Sistematika Penulisan

Sistematika penulisan dibagi menjadi beberapa bab, yaitu:

Bab I : Pendahuluan

Bab ini berisi tentang latar belakang, rumusan

masalah,tujuan, batasan masalah, manfaat penelitian,metode

penelitian,dan sistematika penelitian

Bab II : Landasan Teori

Bab ini berisi uraian singkat mengenai dasar teori yang

digunakan dalam penelitian ini merancang dan membangun

sistem.

Bab III : Metodologi Penelitian

Bab ini berisi data yang akan digunakan, spesifikasi

perangkat lunak dan perangkat keras dan metode desain

perancangan alat uji.

Bab IV : Implementasi dan Analisis Hasil

Bab ini berisi tentang pengujian tentang implementasi

perancangan antar muka, implementasi jaringan syaraf tiruan

Backpropagation ke dalam program, dan hasil pengujian

sistem syang diuji dengan mengunakan dataset dari ekstraksi

ciri intencity of character dan mark direction sebanyak 25

ciri.

Bab V : Kesimpulan dan Saran

Bab ini berisi kesimpulan dari penelitian yang telah

dilakukan dan saran – saran untuk penelitian berikutnya.


5

BAB II

LANDASAN TEORI

2.1 Sejarah Aksara Jawa

Cerakan (Abjad/Aksara Jawa) adalah huruf yang digunakan dalam ejaan

bahasa Jawa yang pada dasarnya terdiri atas dua puluh aksara pokok

(nglegena), yang ditunjukkan pada Gambar 2.1, yang bersifat silabik

(kesukukataan). Bentuk kontemporer Aksara Jawa terbentuk sejak masa

Kerajaan Mataram pada abad ke-17.

Selain dua puluh aksara tersebut, Aksara Jawa juga memiliki kelompok

aksara kapital (murda), vokal (murda), rekaan ( rekan), pengubah bunyi

(sandangan) ,penutup kosonan (pasangan),pangkon,tanda baca, dan angka.

Gambar 2.1 Contoh Aksara Jawa Nglegena

Gambar 2.2 Angka Jawa

Gambar 2.3 Tanda “Pada Pangkat” untuk Mengapit Penulisan Angka Jawa


6

Beberapa dari Angka, seperti pada Gambar 2.3 dalam Aksara Jawa

memiliki bentuk yang mirip dengan kelompok Aksara Jawa lainnya.

Beberapa diantaranya misalkan angka “1” dalam Aksara Jawa memiliki

bentuk yang sama dengan huruf “Ga” pada kelompok Aksara Jawa

Nglegena, kemudia angka “9” sama dengan huruf “ ya” dalam kelompok

Aksara Jawa Nglegena. Oleh karena ini, penulisan Angka Jawa, menurut

pedoman yang ditulis oleh Darusuprapta dkk, harus diapit oleh tanda baca

yang memiliki istilah “ pada pangkat” seperti Gambar 2.3.

2.2 Pengenalan Pola

Pengenalan pola (pattern recognition) dapat diartikan sebagai proses

klasifikasi dari objek atau pola menjadi beberapa kategori atau kelas dan

bertujuan untuk pengambilan keputusan (Theodoridis and Koutroumbas

2006). Tujuan dari pengenalan pola ini adalah mengklasifikasi dan

mendeskripsikan pola atau obyek kompleks melalui pengetahuan sifat-sifat

atau ciri-ciri obyek tersebut. Pola adalah entitas yang terdefinisi dan dapat

diberikan suatu identifikasi atau nama misalkan aksara.

Pengenalan pola pada dasarnya terdiri dari 3 langkah utama, yaitu

preprocessing, ekstraksi ciri dan pengenalan. Preprocessing merupakan

langkah awal dimana dilakukan dari keseluruhan data obyek yang ada agar

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

informasi yang dianggap penting akan lebih ditonjolkan. Tahap selanjutnya

adalah ekstraksi ciri, tahap ini berfungsi untuk menemukan karakteristik

pembeda yang mewakili sifat utama suatu data obyek, sekaligus mengurangi

jumlah data tersebut menjadi lebih sedikit tetapi representatif. Tahap akhir

yaitu pengenalan, pada tahap ini data yang ada akan dikelompokkan menjadi

kelas yang sesuai (Putra, 2010).

2.3 Ekstraksi Ciri

Ekstraksi ciri adalah proses penggalian informasi atau ciri penting dari

suatu gambar yang dapat dibedakan dari suatu objek atau kelompok objek


7

sehingga dasar informasi ini objek dapat diklasifikasikan dengan ciri yang

berbeda.Ini adalah bagian penting dari setiap sistem pengenalan. Ekstraksi

ciri memiliki dua tujuan:

1) Membuang aspek-aspek yang tidak relevan dari gambar dan mengambil

data yang penting atau diperlukan.

2) Transform data ke dalam sebuah representasi yang membawa informasi

lebih eksplisit.

Dengan demikian,ekstraksi ciri memungkinkan untuk mengambil ciri penting

dalam sebuah gambar. Ciri penting tersebut dapat membedakan satu citra

dengan citra lainnya, ciri juga dapat lebih memperjelas pola perbedaan yang

akan sangat memudahkan pemisahan antara kelas dalam proses

pengelompokan. Penelitian ini mengunakan ekstraksi ciri:

2.3.1 Intencity Of Character

Ekstraksi Ciri intencity of Character adalah ekstraksi ciri untuk mencari

nilai piksel hitam atau nol.

Algoritma dari Intencity Of character

1. Mulai

2. Membaca kolom dan baris pada sebuah citra

3. Membuat variabel baru bernama black

4. Membaca kolom mulai dari 1 dari banyaknya kolom

5. Membaca baris mulai dari 1 dari banyak baris

6. Jika menemukan nilai biner 0 maka tambahkan ke variabel baru

bernama black

7. Selesai

2.3.2 Mark Direction

Ekstraksi ciri Mark Direction adalah ekstraksi ciri untuk mencari nilai

dari tanda arah horizontal, vertical, diagonal ke kanan, dan diagonal ke

kiri.

.


8

Gambar 2.4 Struktur elemen tanda arah (Surinta, 2010)

Algoritma Mark Direction

1. Mulai

2. Membaca kolom dan baris pada sebuah citra.

3. Membuat variabel baru bernama vert,horz, dig1,dig 2.

4. Membaca kolom mulai dari 1 dari banyak nya kolom

5. Membaca baris mulai dari 1 dari banyaknya baris.

6. Jika newimage (I,j)sama dengan 0 lakukan langkah 7

7. Jika newimage (I,j) + new image (i-1,j) + newimage (i+1,j) sama

dengan 0 lakukan langkah 8)

8. Jika newimage (I-1,j-1) + newimage (I-1,j+1) + newimage ( I,j+1) +

newimage (I+1,j-) + newimage (i+1,j+1) sama dengan 6, maka

tambahkan counter vert=vert+1

9. Jika newimage (I,j) + newimage(I,j-1) + newimage (I,j+1) sama

dengan 0 lakukan langkah 10)

10. Jika newimage (i-1,j-1) + newimage (i-1,j) + newimage (i+1,j-1) +

newimage (i+1,j) + newimage (i+1,j+1) sama dengan 6, maka

tambahkan counter horz=horz+1

11. Jika newimage (I,j) + newimage (i-1,j-1) + newimage (i+1,j+1)

sama dengan 0 lakukan langkah l2)

12. Jika newimage (i-1,j) + newimage(i-1,j+1) + newimage (I,j-1) +

newimage (I,j+1) + newimage (i+1,j-1) + newimage (i+1,j) sama

dengan 6, maka tambahkan counter dig1=dig1+1

13. Jika newimage (I,j) + newimage (i-1,j+1) + newimage (i+1,j-1)

sama dengan 0 lakukan langkah 14)


9

14. Jika newimage (i-1,j-1) + newimage (i-1,j) + newimage (I,j-1) +

newimage (I,j+1) + newimage (i+1,j) + newimage (i+1,j+1) sama

dengan 6, maka tambahkan counter dig2=dig2+1

15. Selesai

Jadi dalam mencari nilai dari nilai dari ekstraksi mark direction

Terbentuk dari konvolusi matriks 3x3

Gambar 2.5 Konvolusi matriks dari mark direction

2.4 Hold Out Method

Menurut Han, Jiawei (2011, p370), holdout method adalah data yang

diberikan secara acak dibagi menjadi dua set independen, yaitu training set

dan test set. Biasanya, dua pertiga dari data yang dialokasikan untuk training

set, dan sisanya, sepertiga dialokasikan untuk test set. Training set digunakan

untuk menurunkan model. Akurasi model tersebut kemudian diperkirakan

dengan test set.


10

Gambar 2.6 Skema Hold Method

2.5 Jaringan Syaraf Tiruan

Jaringan syaraf tiruan digunakan dalam proses pemodelan data dari hasil

ekstraksi ciri suatu data yang didalamnya terdapat proses pembelajaran

sehingga nantinya mampu mengenali data baru yang belum pernah digunakan

sebelumnya selama proses pembelajarannya. Jaringan syaraf tiruan

merupakan topik yang hangat dibicarakan dan mengundang banyak

kekaguman karena kemampuannya yang bisa meniru sifat sistem yang

diinputkan (Siang, 2009). Jaringan Syaraf Tiruan ditentukan oleh 3 hal

berikut :

1. Pola hubungan antar neuron (arsitektur jaringan).

2. Metode untuk menentukan bobot penghubung (disebut metode

training/learning/algoritma).

3. Fungsi aktivasi.

2.5.1 Arsitektur Jaringan

Beberapa arsitektur jaringan yang sering dipakai dalam jaringan syaraf

tiruan antara lain :

1. Jaringan Lapis Tunggal (Single Layer Network)

Dalam jaringan ini, sekumpulan input neuron dihubungkan secara

langsung dengan sekumpulan output-nya. Dalam beberapa model (misal

perceptron), hanya ada sebuah unit neuron output.


11

Gambar 2.7 Jaringan Lapis Tunggal

2. Jaringan Lapis Majemuk

Jaringan lapis majemuk merupakan perluasan dari jaringan lapis

tunggal. Dalam jaringan ini, selain terdapat masukan (input) dan

keluaran (output), terdapat unit-unit lain diantara keduanya, sering

disebut sebagai lapis tersembunyi (hidden layer). Dalam jaringan ini,

memungkinkan adanya beberapa lapisan tersembunyi, dan pada unit-

unit satu lapis tidak saling berhubungan.

Gambar 2.8 Jaringan Lapis Majemuk

2.5.2 Neural Network Backpropagation

Backpropagation merupakan algoritma pembelajaran yang terawasi

dan biasanya digunakan oleh perceptron dengan banyak lapisan untuk

mengubah bobot-bobot yang terhubung dengan neuron-neuron yang ada

pada lapisan tersembunyinya. Algoritma backpropagation


12

menggunakan error output untuk mengubah nilai bobot-bobotnya dalam

arah mundur (backward). Untuk mendapatkan error ini, tahap

perambatan maju (feedfoward) harus dikerjakan terlebih dahulu. Inti

dari Backpropagation adalah untuk mencari error suatu node. Dari hasil

forward phase akan dihasilkan suatu output, dari output tersebut,

pastilah tidak sesuai dengan target yang diinginkan. Perbandingan

kesalahan dari target yang diinginkan dengan output yang dihasilkan

disebut dengan error.

Gambar 2.9 Ilustrasi Arsitektur Jaringan Backpropagation (Siang,2005)

Menurut Haykin (1999) Backpropagation merupakan suatu teknik

untuk meminimalisasi gradient pada dimensi weight dalam jaringan

saraf tiruan lapis banyak (multi layer neural network), proses pelatihan

akan dilakukan berulang-ulang sampai nilai error lebih kecil dari yang

ditentukan. Dalam proses pelatihan jaringan Backpropagation ini,

digunakan fungsi nilai ambang batas binary sigmoid.

Menurut Fausett (1994) sebelum melakukan proses pelatihan,

terdapat beberapa parameter jaringan yang harus ditentukan dahulu,

yaitu :

1. Tingkat pelatihan (Learning rate) yang dilambangkan dengan

parameter, harus diberikan dan mempunyai nilai positif kurang dari


13

satu. Semakin tinggi nilainya, maka semakin cepat kemampuan

jaringan untuk belajar. Akan tetapi hal ini kurang baik. Karena

error yang dihasilkan tidak merata, tidak merata disini maksudnya

adalah error untuk pembelajarannya tidak tentu, bisa lebih banyak

di sisi tertentu.

2. Toleransi kesalahan (error tolerance), semakin kecil kesalahan,

maka jaringan akan memiliki nilai bobot yang lebih akurat, tetapi

akan memperpanjang waktu pelatihan.

3. Jumlah maksimal proses pelatihan yang dilakukan (maximum

epoch), biasanya bernilai besar dan diberikan untuk mencegah

terjadi perulangan tanpa akhir.

4. Nilai ambang batas atau bias (threshold value), dilambangkan θ.

Parameter ini tidak harus diberikan (optional). Apabila tidak

diberikan, maka nilainya sama dengan nol.

Secara umum, algoritma pelatihan jaringan backpropagation

adalah sebagai berikut :

1. Inisialisasi semua bobot dengan bilangan acak kecil.

2. Jika kondisi penghentian belum terpenuhi, lakukan langkah 3-10.

3. Untuk setiap pasang data pelatihan, lakukan langkah 4-9.

4. Tiap unit masukan menerima sinyal dan masukan ke unit

tersembunyi di atasnya.

5. Hitung semua keluaran di unit tersembunyi zj = (j = 1,2,3,…,p)

(2.1)

(2.2)

6. Hitung faktor δunit keluaran berdasarkan kesalahan di setiap unit

keluaran yk (k = 1,2,…,m)

(2.3)

7. Hitung suku perubahan bobot wkj (yang akan dipakai nanti untuk

merubah bobot wkj) dengan laju percepatan α


14

Δ𝑤𝑘𝑗= 𝛼 𝛿𝑘𝑧𝑗 ; k = 1,2,…,m ; j = 0,1,…,p (2.4)

8. Hitung faktor δunit tersembunyi berdasarkan kesalahn di setiap unit

tersembunyi zj (j = 1,2, … ,p)

(2.5)

Faktor δ unit tersembunyi

(2.6)

Hitung suku perubahan bobot vji (yang akan digunakan nanti untuk

merubah bobot vji)

(2.7)

9. Hitung semua perubahan bobot

Perubahan bobot garis yang menuju ke unit keluaran

(2.8)

Perubahan bobot garis yang menuju ke unit tersembunyi

(2.9)

10. Setelah pelatihan selesai dilakukan, jaringan dapat dipakai untuk

pengenalan pola.


13

BAB III

METODOLOGI PENELITIAN

Pada bab ini menjelaskan tentang bagaimana cara mendapatkan data, lalu

proses pemrosesan citra, ektraksi ciri sampai dengan proses pengujian dengan

jaringan syaraf tiruan.

3.1 Tahapan Penelitian

3.1.1 Studi Literatur

Tahap ini diperlukan untuk memperoleh sumber-sumber teori

yang terkait dengan penelitian Tugas Akhir ini. Teori-teori yang terkait

dengan penelitian ini seperti tentang aksara Jawa. Jaringan Syaraf

Tiruan Backpropagation , ekstraksi ciri dengan Mark Direction, serta

intencity Of Character.

3.1.2 Pengumpulan Data

Tahap ini dilakukan dalam penelitian untuk mendapatkan data

untuk tugas akhir. Data yang digunakan dalam penelitian ini adalah data

citra aksara Jawa yang merupakan hasil scan tulisan tangan aksara Jawa

yang berasal responden yang kemudian di-crop sehingga menjadi data

yang akan diolah. Data citra aksara Jawa yang digunakan dalam

penelitian yaitu aksara Jawa ha, na, ca , ra, ka, da, ta, sa, wa, la, pa,

dha, ja, ya, nya. Total semua aksara ada 20. Blangko dibagikan kepada

5 responden menulis sebanyak tiga kali untuk satu aksara. Jadi banyak

data adalah 300 data. 1 aksara ada 15 data.

3.1.3 Pembuatan Alat Uji

Pada tahap ini, dirancang, suatu alat uji dari perancangan

interface dan pembuatan arsitektur Jaringan Syaraf Tiruan

Backpropagation dan Ekstraksi Ciri Intencity Of Character dan Mark

Direction untuk mengidentifikasi aksara Jawa lalu mendapatkan akurasi

dari sistem yang dibangun.


14

3.1.4 Pengujian

Pada tahap pengujian ini, dari seluruh data yang ada dibagi

menjadi 2 bagian, yaitu 2/3 bagian untuk data pelatihan dan 1/3 untuk

data uji dengan metode Hold Out membagi data secara acak , sehingga

tidak ada data yang sama di dalam data untuk uji dan pelatihan tersebut.

3.2 Kebutuhan Sistem

Penerapan Algoritma Backpropagation untuk pengenalan pola tulisan

Aksara Jawa menggunakan berbagai macam software dan hardware. Adapun

hardware dan software yang digunakan untuk pembuatan dan pengujian alat

uji adalah sebagai berikut:

3.2.1 Perangkat Keras (Hardware)

Perangkat keras berikut ini akan digunakan untuk membuat dan

menguji sistem. Spesifikasi perangkat keras sebagi berikut:

Tabel 3.2 Tabel Spesifikasi Hardware ( Komputer)

Platform Notebook- Pc

Processor Intel Core i3

Hard Drive 4GB DDr3

Graphic Processing Unit NVIDIA GeForce

Operating System Microsoft Windows 8.1

Memory 4GB DDR3

3.2.2 Perangkat Lunak (Software)

Perangkat lunak yang digunakan dalam membangun sistem

adalah matlab yang digunakan untuk membangun sistem serta Notepad

++ dan Matlab 2015 a yang digunakan untuk pembuatan model .


15

3.3 Perancangan Sistem

Berikut ini adalah gambaran sistem secara keseluruhan :

Gambar 3.1 Diagram Block Sistem

Gambaran umum sistem yang akan dibangun m erupakan sistem

pengenalan aksara Jawa, dimana sistem mampu menejemahkan data masukan

berupa citra aksara Jawa menjadi informasi mengenai pola dari aksara

tersebut ke dalam huruf latin. Dari data awal yang didapat dari hasil scan,

dilakukan preprocessing terlebih dahulu sebelum akhirnya data yang ada siap

digunakan. Dari data yang ada tersebut, kemudian di-crop sehingga dalam 1

citra hanya terdapat 1 aksara Jawa saja. Setelah itu, dilakukan proses ekstraksi

ciri terhadap tiap citra aksaranya dengan menggunakan Intencity of Character

dan Mark Direction sehingga didapat ciri untuk tiap 1 citra aksaranya. Setelah

didapat cirinya, dilakukan proses pembelajaran untuk tiap ciri yang telah

didapatkan dari model jaringan syaraf tiruan Backpropagation untuk

mendapatkan akurasi paling tinggi. Kemudian dilakukan Uji data tunggal data

citra digital yang belum pernah diujikan untuk diklasifikasi ke dalam huruf

latin.


16

3.3.1 Data

Sumber data diperoleh dari tulisan tangan aksara Jawa dari

responden. Data yang sudah di scan lalu dicrop sehingga menjadi data

yang siap diolah.

Gambar 3.2 Blangko aksara Jawa yang sudah terisi

3.3.2 Preprocessing

Setelah data siap diolah maka dilakukan proses preprocessing

sehingga data tersedia untuk diekstraksi ciri Berikut tahapan dari

preprocessing.

1. Pemotongan Citra

Tahap awal dari penelitian adalah pemotongan blangko aksara citra

menjadi 1 aksara saja

2. Grayscalling

Tahap selanjutnya, data citra aksara Jawa yang telah dicrop diubah

skala warnanya menjadi citra dengan skala keabuan dengan

menggunakan fungsi matlab rgb2gray.

3. Binerisasi

Binerisasi Setelah didapat citra aksara Jawa dengan skala warna

keabuan, diperlukan tahap binerisasi yang mengubah intensitas nilai

piksel citra menjadi 0 dan 1 saja, dimana 0 direpresentasikan sebagai

warna hitam dan 1 direpresentasikan sebagai warna putih pada citra.

Dalam hal ini, digunakan fungsi dari MATLAB yaitu im2bw.


17

4. Resize Citra

Pada tahap ini, dilakukan resizing atau mengubah ukuran matriks

citra menjadi ukuran 42 x 42 dengan menggunakan fungsi MATLAB

imresize. Hal ini dilakukan karena pada tahapan sebelumnya, hasil

ukuran matriks citranya berbeda, sehingga nantinya lebih mudah

dalam melakukan proses ekstraksi ciri.

5. Penipisan Citra

Tahap thinning atau penipisan merupakan tahap akhir preprocessing.

Pada tahap ini, citra biner aksara Jawa akan diubah ketebalan

pikselnya sehingga untuk setiap data citra aksara Jawa menjadi citra

kerangka dengan ketebalan 1 piksel. Hasil proses thinning ini

nantinya yang digunakan untuk melakukan ekstraksi ciri. Thinning

dilakukan dengan menggunakan metode Rosenfeld.

3.3.3 Ekstraksi Ciri

Setelah melakukan thinning, ketebalannya citra menjadi menjadi

1 piksel. Setelah langkah tersebut tahap berikutnya melakukan

ekstraksi ciri penelitian ini mengunakan ektraksi ciri Intencity of

Character dan Mark Direction. Tetapi sebelum melakukan ekstraksi

ciri, citra yang sudah ditipiskan dibagi 9 segmen. Ekstraksi ciri

Intencity of Character adalah ekstraksi ciri untuk mencari nilai piksel

hitam atau 0. Sedangkan Mark Direction adalah ekstraksi ciri untuk

menghitung nilai memenuhi tanda arah horizontal,vertical,diagonal ke

kanan , diagonal ke kiri.

3.3.4 Normalisasi

Dari data hasil ekstraksi ciri yang ada, maka dilakukan normalisasi

dengan metode mapstd. Normalisasi bertujuan untuk mengubah datat

menjadi rentang tertentu. Berikut merupakan dats yang sudah diubah

normalisasi mapstd


18

Gambar 3.3 Normalisasi mapstd

3.3.5 Jaringan Syaraf Tiruan

Langkah selanjutnya setelah ekstraksi ciri memilih metode Jaringan

Syaraf Tiruan untuk mengenali pola tulisan tangan aksara Jawa karena

mampu menghasilkan akurasi tinggi dari pengujian.

3.3.6 Model Arsitektur Jaringan Syaraf Tiruan

Arsitekur jaringan yang digunakan dalam proses pelatihan dan

pengujian antara lain arsitektur backpropagation dengan 1 hidden layer

dan 2 hidden layer. Untuk tiap arsitektur jaringannya, akan dilakukan

percobaan dengan beberapa kombinasi seperti variasi jumlah neuron

input yang disesuaikan dengan hasil Ekstrasi Ciri yang dihasilkan

Intencity of Character dan Mark Direction

1. Arsitektur Jaringan Syaraf Tiruan 1 hidden layer

Gambar 3.4 Arsitektur jaringan 1 hidden layer

Pada gambar 3.4adalah gambar model jaringan dengan 1 hidden

layer yang akan digunakan dalam proses pengujian jaringan dengan


19

nilai ekstraksi ciri yang telah dinormalisasi. Berikut penjelasan

mengenai gambar di atas :

A. Input (x1, x2, x3, …, xj) merupakan lapisan input dalam jaringan

syaraf tiruan yang dipilih berdasarkan nilai ciri sesuai nilai yang

didapat dari dimensi ciri ,misalnya dalam penelitian ini

mengunakan berbagai kombinasi ciri sebagai berikut:

Tabel 3.1 Kombinasi Ciri

Kombinasi

Ciri

Ekstraksi Ciri Jumlah

Ciri 1 [ Black] 9

Ciri 2 [ Dig1] 9

Ciri 3 [ Dig2] 9

Ciri 4 [Horz] 9

Ciri 5 [ Vert] 9

Ciri 6 [Black,dig1] 9+9 =18

Ciri 7 [Black, dig2] 9+9 =18

Ciri 8 [Black , horz] 9+9 = 18

Ciri 9 [Black,Vert] 9+9 = 18

Ciri 10 [Dig1,Dig2] 9+9 = 18

Ciri 11 [ Dig1, Horz] 9+9 = 18

Ciri 12 [Dig1, Vert] 9+9 = 18

Ciri 13 [Dig, Horz] 9+9 =18

Ciri 14 [Dig2, Vert] 9+9 = 18

Ciri 15 [Horz, Vert] 9+ 9 = 18

Ciri 16 [Black, dig1,dig2] 9+9+9 = 27

Ciri 17 [Black,dig1, horz] 9+9+9 =27

Ciri 18 [Black,dig2, Vert] 9+9+9 = 27

Ciri 19 [Dig1,dig2, Horz] 9+9+9 = 27

Ciri 20 [Dig1,dig2, Vert] 9+9+9 =27


20

Kombinasi

Ciri


Ciri 21 [dig2, vert, horz] 9+ 9+9 = 27

Ciri 22 [black, dig1, dig2,

horz]

9+9+9+9 =36

Ciri 23 [black,dig1,dig2,

Vert]

9+ 9+9+9 = 36

Ciri 24 [dig1,dig2,horz,

Vert]

9+9 +9 +9 =

36


horz, vert]

9+9+9+9+9 =

45

Jadi misalnya mengunakan kombinasi ciri 25 maka nilai ciri

berjumlah 45. Maka lapisan input ini indeks ini menjadi x1

sampai x45 artinya ada 45 masukan dalam inputnya.

B. Hidden layer (h1,h2,h3,…,yj) merupakan lapisan tersembunyi

yang digunakan untuk mentransformasikan nilai input menjadi

nilai yang bisa diolah sehingga didapat nilai output-nya. Dalam

hal jumlah neuron, jumlahnya bisa divariasi baik itu 20,25,30,75

dan seterusnya, sehingga dapat dibandingkan akurasi yang terbaik

yang didapat membutuhkan berapa banyak jumlah neuron pada

hidden layer.

C. Output (y1,y2,y3,…,y20) merupakan lapisan luaran yang

memiliki 20 neuron, sesuai dengan jumlah aksara Jawa yang

digunakan. Target luaran pada lapisan output ini

direpresentasikan biner 0 dan 1 , sehingga taget luaran untuk

masing-masing aksara berbeda yang dikenali adalah sebagai

berikut :


21

Tabel 3.2 Pembuatan Target

Huruf Aksara Notasi Bilangan Biner

Ha 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

Na 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

Ca 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

Ra 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

Ka 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0

Da 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0

Ta 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0

Sa 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0

Wa 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0

La 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0

Pa 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0

Dha 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0

Ja 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0

Ya 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0

Ma 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0

Ga 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0

Ba 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0

Tha 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0

Nga 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1

2. Arsitektur Jaringan Syaraf Tiruan 2 hidden layer

Gambar 3.5 Arsitektur Jaringan 2 hidden layer


22

Pada gambar 3. adalah gambar model jaringan dengan 2 hidden layer

yang akan digunakan dalam proses pengujian jaringan dengan nilai

ekstraksi ciri yang telah dinormalisasi. Berikut penjelasan mengenai

gambar di atas:

A. Input (x1, x2, x3, …, xj) merupakan lapisan input dalam jaringan

syaraf tiruan yang dipilih berdasarkan nilai ciri sesuai nilai yang

didapat dari dimensi ciri ,misalnya dalam penelitian ini

mengunakan berbagai kombinasi ciri sebagai berikut:

Tabel 3.3 Kombinasi Ciri

Kombinasi

Ciri


Ciri 1 [ Black] 9

Ciri 2 [ Dig1] 9

Ciri 3 [ Dig2] 9

Ciri 4 [Horz] 9

Ciri 5 [ Vert] 9





Ciri 10 [Dig1,Dig2] 9+9 = 18

Ciri 11 [ Dig1, Horz] 9+9 = 18

Ciri 12 [Dig1, Vert] 9+9 = 18


Ciri 14 [Dig2, Vert] 9+9 = 18






23

Kombinasi

Ciri


Ciri 19 [Dig1,dig2, Horz] 9+9+9 = 27




horz]

9+9+9+9 =36


Vert]

9+ 9+9+9 = 36


Vert]

9+9 +9 +9 =

36


horz, vert]

9+9+9+9+9 =

45

Jadi misalnya mengunakan kombinasi ciri 25 maka nilai ciri

berjumlah 45. Maka lapisan input ini indeks ini menjadi x1

sampai x45 artinya ada 45 masukan dalam inputnya.

B. Hidden layer 1(y1,y2,y3,…,yj) merupakan lapisan tersembunyi

yang digunakan untuk memindah nilai input menjadi nilai yang

kemudian diteruskan ke hidden layer selanjutnya. Dalam hal

jumlah neuron, jumlahnya bisa divariasi baik itu dan 20,

25,30,40,50,60.70,75 seterusnya, sehingga dapat dibandingkan

akurasi terbaik yang didapat tersebut membutuhkan berapa

banyak jumlah neuron pada hidden layer 1.

C. Hidden Layer 2

Hidden layer 2 (y1,y2,y3,…,yj) merupakan lapisan tersembunyi

yang digunakan untuk memindah nilai dari hidden layer

sebelumnya sehingga menjadi nilai keluarannya. Dalam hal

jumlah neuron, jumlahnya bisa divariasi baik itu


24

20,25,30,45,60,75 dan seterusnya, sehingga dapat dibandingkan

akurasi terbaik yang didapat tersebut membutuhkan berapa

banyak jumlah neuron pada hidden layer 2. Tujuan menambahkan

hidden layer ini adalah untuk mengetahui akurasi yang didapat

lebih baik terrsebut dibanding dengan akurasi yang didapat dari

hanya menggunakan 1 hidden layer.

C. Output (z1,z2,z3,…,z20) merupakan lapisan luaran yang memiliki

20 neuron, sesuai dengan jumlah aksara Jawa yang digunakan.

Nilai target pada lapisan output ini direpresentasikan 0 dan 1,

sehingga taget luaran untuk masing-masing aksara berbeda yang

dikenali, seperti yang ditunjukkan pada

Tabel 3.3 Pembuatan Target

Huruf Aksara Notasi Bilangan Biner

Ha 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

Na 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

Ca 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

Ra 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

Ka 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0

Da 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0

Ta 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0

Sa 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0

Wa 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0

La 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0

Pa 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0

Dha 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0

Ja 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0

Ya 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0

Ma 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0

Ga 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0

Ba 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0

Tha 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0

Nga 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1


25

3.3.7 Uji Data Tunggal

Setelah Data dibagi menjadi 2/3 untuk data latih dan 1/3 untuk testing

langkah berikutnya adalah pehitungan akurasi kebenaran pengujian bisa

mengunakan confusion matrix yang dapat dilakukan dengan ketentuan

sebagai berikut :

Gambar 3.6 Confusion Matrix

Confusion Matriks berisi jumlah data masukan yang teridentifikasi ke

dalam suatu kelas atau target. Untuk menentukan nilai akurasinya,

ditentukan dengan menjumlahkan nilai diagonal pada confusion

matrixnya kemudian dibagi dengan keseluruhan jumlah data atau dapat

direpresentasikan dengan rumus berikut :

Hasil Benar = Jumlah Diagonal Matriks / jumlah data x 100 (3.1)

Setelah itu tahap selanjutnya adalah testing data tunggal yaitu menguji

sistem yang sudah dibuat dengan pengujian dengan data baru yang

belum pernah diuji untuk data testing maupun data latih.

3.4 Desain Alat Uji

3.4.1 Form Pengujian Jaringan Syaraf Tiruan

Form menu ini digunakan untuk melakukan training dan melihat total

data uji dan akurasi.


26

Gambar 3.7 Form Pengujian Jaringan

3.4.2 Form Pengujian Data Tunggal

Form ini digunakan untuk melakukan testing data tunggal dengal

memilih citra lalu button kenali berfungsi untuk mengenali Citra aksara

menjadi tulisan latin.

Gambar 3.8 Form Pengujian Data Tunggal


27

BAB IV

IMPLEMENTASI HASIL DESAIN

4.1 Implementasi Sistem

Pada bab ini akan menjelaskan bagamaina data citra aksara Jawa akan

diolah mulai dari tahap dari preprocessing sampai pembagian Data.

1. Data Aksara

Data aksara yang digunakan berisikan aksara Jawa yang didapat dari

pengisian blangko. Berikut contoh Blangko beserta isinya.

Gambar 4.1 Blangko aksara Jawa

2. Cropping

Tahap selanjutnya adalah melakukan cropping. Cropping dilakukan

secara manual dimana data awal aksara yang berupa citra kumpulan aksara

menjadi citra yang hanya berisi satu aksara saja.

Gambar 4.2 Data yang sudah di Crop


28

3. Mengubah Citra Warna

Langkah Selanjutnya adalah merupakan proses perubahan warna

pada citra warna, yaitu diubah menjadi citra keabuan dengan

menggunakan fungsi rgb2gray pada MATLAB.

Gambar 4.3 Mengubah Citra menjadi keabuan

4. Binerisasi Citra

Dengan menggunakan fungsi im2bw pada MATLAB, citra aksara

yang digunakan diubah menjadi citra hitam putih yang hanya memiliki

nilai piksel 0 dan 1.

Gambar 4.4 Binerisasi Citra


29

5. Resize Citra

Langkah Berikutnya adalah mengubah ukuran Citra menjadi 42 x 42

hal ini lakukan untuk mempermudah Ektraksi Ciri.

Gambar 4.5 Resize Citra

6. Penipisan Citra

Penipisan citra dilakukan dengan menggunakan fungsi Rosenfeld

sehingga didapatkan ketebalan citra menjadi 1 piksel.

Gambar 4.6 Penipisan Citra

7. Ektraksi Ciri IoC dan Mark Direction

Proses Ekstraksi Ciri mengunakan metode Intencity of Character

dan Mark Direction. Ioc untuk menghitung nilai piksel hitam atau nol. dan

Mark Direction menghitung nilai horizontal, vertical, diagonal ke kanan,


30

diagonal ke kiri. Sebelum melakukan dibagi menjadi 9 segmen. Jadi

ukuran 1 citra yang sudah tersegmen menjadi 14 X 14.

Langkah Pertama

Membagi Citra menjadi 9 segmen

Gambar 4.7 Gambar Citra yang sudah dibagi 9 segmen

Langkah Kedua

Mengambil Ciri piksel hitam

Gambar 4.8 Mengambil Ciri nilai 0 atau hitam

Langkah Ketiga

Mengambil Ciri arah Horizontal

Gambar 4.9 Mengambil Ciri Arah Horizontal

Mengambil Ciri Arah Vertical

Gambar 4.10 Mengambil Ciri arah Vertical


31

Mengambil Ciri Diagonal Ke kanan

Gambar 4.11 Mengambil Ciri arah Diagonal ke kanan

Mengambil Ciri Diagonal Ke Kiri

Gambar 4.12 Mengambil Ciri arah Diagonal ke Kiri

Tahap Selanjutnya adalah melakukan Kombinasi Ciri

Kombinasi

Ciri


Ciri 1 [ Black] 9

Ciri 2 [ Dig1] 9

Ciri 3 [ Dig2] 9

Ciri 4 [Horz] 9

Ciri 5 [ Vert] 9





Ciri 10 [Dig1,Dig2] 9+9 = 18

Ciri 11 [ Dig1, Horz] 9+9 = 18

Ciri 12 [Dig1, Vert] 9+9 = 18


Ciri 14 [Dig2, Vert] 9+9 = 18






32

Kombinasi

Ciri


Ciri 19 [Dig1,dig2, Horz] 9+9+9 = 27




horz]

9+9+9+9 =36


Vert]

9+ 9+9+9 = 36


Vert]

9+9 +9 +9 =

36


horz, vert]

9+9+9+9+9 =

45

Penjelasan tentang kombinasi Ciri yang akan digunakan dalam model

arsitektur jaringan syaraf tiruan.

8. Normalisasi Data

Normalisasi data mengunakan fungsi MATLAB yaitu mapstd yaitu

mengubah data menjadi rentang tertentu.

Gambar 4. 13 Data yang sudah dinormalisasi

9. Membagi Data Testing dan Training 2/3 dan 1/3 dengan Hold Method

Gambar 4. 14 Implementasi Hold Out Method


33

Gambar 4.15 Gambar Pembagian Data latih dan Data Uji

Banyaknya data aksara sebanyak 300 data lalu dibagi 2/3 untuk Data

Latih dan 1/3 untuk Data Uji. Jadi banyak ada 200 data latih dan 100

data uji

.

4.2 Hasil dan Analisis Hasil

Dalam Penelitian ini akan mengunakan 20 jenis aksara Jawa yang

didapat dari dari tulisan tangan 5 orang yang berbeda . Penelitian ini mencari

model arsitektur jaringan syaraf tiruan yang paling optimal dalam proses

pengenalannya. Untuk mendapatkan akurasi paling maksimal digunakan

variasi jumlah hidden layer, jumlah neuron, dan model jaringan nya. Setelah

mendapatkan arsitektur paling optimal akan dilakukan uji data tunggal untuk

melakukan pengenalan .

4.2.2 Pengujian Variasi Arsitektur Jaringan Syaraf Tiruan

Dalam variasi pengujian jaringan syaraf tiruan digunakan 100

data. Sebelum melakukan pengujian harus dilakukan tahap ekstraksi

ciri. Dalam pengujian penelitian ini menguji semua kombinasi ciri dari

ciri 1 sampai 25 untuk mendapatkan akurasi paling maksimal. Jadi

input yang akan digunakan bernilai 9,18,27,36, 45 . Dimensi Matriks

yang akan terbentuk menjadi 9 x 100, 18x100,27 x 100, 36 x 100 , 45x

100. Dalam percobaan ini dilakukan beberapa kali percobaan dengan

melakukan variasi model arsitektur jaringan syaraf tiruan, perubahan

jumlah neuron pada hidden layer. Fungsi aktivasi yang digunakan

adalah tansig dan fungsi luarannya logsig. Literasi yang digunakan

berjumlah 2000.


34

1. Pengujian

Pengujian Ciri 1 dengan 1 hidden layer dan 2 hidden layer dengan

input berjumlah 9

Tabel 4.1 Akurasi 1 hidden layer Ciri 1

Pengujian JST

Neuron Akurasi

Traingdx

Akurasi

Traingda

Akurasi

Trainrp

20 47% 53% 54%

25 49% 52% 51%

30 54% 51% 50%

35 59% 55% 50%

40 58% 60% 54%

45 54% 59% 48%

50 57% 62% 53%

55 57% 60% 56%

60 60% 57 % 49%

65 60% 62% 58%

70 62% 58% 56%

75 59% 57% 57%

Pada pengujian pada ciri 1 mengunakan 1 hidden layer akurasi

tertinggi diperoleh pada Neuron 70 fungsi pelatihan traingdx dengan

akurasi 62 %. Kemudian Neuron bernilai 70 akan diuji kembali

dengan 2 hidden layer melalui fungsi pelatihan yang sama.

Tabel 4.5 Akurasi 1 hidden layer Ciri 1

Pengujian JST

Neuron Neuron2 Akurasi

Traingdx

20 51%

25 56%

30 63%


35

70

35 60%

40 59%

45 55%

50 62%

55 57%

60 62%

65 61%

70 61%

75 57%

Pengujian Ciri 1 dengan 2 hidden layer menghasilkan akurasi

tertinggi sebesar 63% pada Neuron 70 pada hidden layer 1 dan

Neuron 30 pada hidden layer 2 .

Pengujian pada kombinasi ciri 1 menghasilkan akurasi

tertinggi 63% dengan 2 hidden layer 70 pada Neuron hidden layer 1

dan 30 pada hidden layer 2.

Pengujian Ciri 2, 1 hidden layer dan 2 hidden layer

Tabel 4.6 Akurasi Ciri 2 1 hidden layer

Pengujian JST

Neuron Akurasi

Traingdx

Akurasi

Traingda

Akurasi

Trainrp

20 19% 19% 19%

25 20% 19% 17%

30 20% 25% 24%

35 17% 19 % 22%

40 18% 16% 15%

45 17% 19% 19%


36

50 15% 17% 18%

55 20% 21% 25%

60 16% 16 % 15%

65 21% 19% 21%

70 21% 20% 20%

75 23% 20% 20%


tertinggi diperoleh pada Neuron 55 fungsi pelatihan trainrp dengan



Tabel 4.7 Akurasi Ciri 2 hidden layer

Pengujian JST


Trainrp

55

20 21%

25 18%

30 19%

35 23%

40 20%

45 24%

50 16%

55 19%

60 18 %

65 19%

70 18%

75 22%


37



Neuron 45 pada hidden layer 2 .

Pengujian pada kombinasi ciri 2 menghasilkan akurasi

tertinggi 25% dengan 1 hidden layer 55 pada Neuron.



Pengujian JST

Neuron Akurasi

Traingdx

Akurasi

Traingda

Akurasi

Trainrp

20 22% 24% 28%

25 23% 22% 24%

30 22% 20% 24%

35 20% 21% 24%

40 25% 18% 27%

45 21% 26% 20%

50 24% 21% 25%

55 25% 26% 24%

60 22% 23% 22%

65 24% 23% 25%

70 25% 22% 24%

75 21% 14% 26%


tertinggi diperoleh pada Neuron 20 fungsi pelatihan trainrp dengan





38

Pengujian JST


Trainrp

20

20 22%

25 25%

30 19%

35 25%

40 25%

45 20%

50 19%

55 26%

60 22%

65 24%

70 27%

75 22%



Neuron 70 pada hidden layer 2. Pengujian pada kombinasi ciri 3

menghasilkan akurasi tertinggi 28% dari hidden layer 1 dengan

Neuron 20.

Pengujian pada ciri 4, 1 hidden layer dan 2 hidden layer

Tabel 4.9 Akurasi Ciri 4 1hidden layer

Pengujian JST

Neuron Akurasi

Traingdx

Akurasi

Traingda

Akurasi

Trainrp

20 22% 23% 25%

25 23% 21% 20%

30 22% 24% 16%

35 20% 21% 21%

40 25% 25% 23%

Neuron Akurasi Akurasi Akurasi


39

Traingdx Traingda Trainrp

45 21% 22% 24%

50 24% 22% 25%

55 25% 26% 19%

60 22% 24 % 22%

65 24% 27% 27%

70 29% 23% 16%

75 23% 22% 24 %

Pada pengujian pada ciri 4 mengunakan 1 hidden layer

akurasi tertinggi diperoleh pada Neuron 70 fungsi pelatihan traingda

dengan akurasi 29%. Kemudian Neuron bernilai 70 akan diuji

kembali dengan 2 hidden layer melalui fungsi pelatihan yang sama.


Pengujian JST


Traingda

70

20 22%

25 27%

30 30%

35 22%

40 21%

45 23%

50 22%

55 23%

60 23%

65 23%

70 19%

75 17 %




40


menghasilkan akurasi tertinggi 26% dari 2hidden layer dengan

Neuron 70 dan 30 .



Pengujian JST

Neuron Akurasi

Traingdx

Akurasi

Traingda

Akurasi

Trainrp

20 34% 30% 28%

25 33% 38% 32%

30 31% 32% 29%

35 36% 32% 34%

40 39% 35% 31%

45 34% 31% 31%

50 33% 32% 29%

55 35% 36% 35%

60 41% 39% 26%

65 33% 34% 30%

70 30% 37% 33%

75 38% 39% 32%



akurasi 41%. Kemudian Neuron bernilai 60 akan diuji kembali



Pengujian JST


41


Traingdx

60

20 38%

25 33%

30 33%

35 39%

40 34%

45 35%

50 39%

55 38%

60 33%

65 37%

70 31%

75 30%





Neuron 60 .

Gambar 4.16 Grafik pengujian input bernilai 9


42

Pada pengujian dengan kombinasi Ciri dengan input 9

menghasilkalkan akurasi tertinggi 63% dengan dua hidden layer dengan

neuron 70 dan 30.

Pengujian Kombinasi ciri 6 sampai 15 mengunakan mengunakan arsitektur

Jaringan Syaraf Tiruan mengunakan input 18 dengan 1 hidden layer dan 2

hidden layer



Pengujian JST

Neuron Akurasi

Traingdx

Akurasi

Traingda

Akurasi

Trainrp

20 58% 58% 49%

25 55% 58% 57%

30 60% 53% 54%

35 60% 63% 51%

40 69% 71% 55%

45 66% 73% 53%

50 60% 63% 57%

55 65% 69% 54%

60 66% 65% 60%

65 66% 65% 49%

70 71% 67% 63%

75 68% 70% 59%






43


Pengujian JST


Traingdx

70

20 47%

25 59%

30 59%

35 63%

40 70%

45 60%

50 66%

55 38%

60 70%

65 71%

70 69%

75 69%





Neuron 70 dan Neuron 65 hidden layer 2.



Pengujian JST

Neuron Akurasi

Traingdx

Akurasi

Traingda

Akurasi

Trainrp

20 53% 63% 62 %

25 55% 56% 57%


44

30 62% 63% 54%

35 63% 63% 51%

40 61% 67% 55%

45 67% 69% 53%

50 58% 66% 57%

55 67% 68% 54%

60 65% 69% 60%

65 71% 69% 49%

70 62% 67% 63%

75 66% 68% 59%






Pengujian JST


Traingdx

65

20 63%

25 61%

30 65%

35 55%

40 62%

45 62%

50 70%

55 68%

60 65%

65 64%

70 63%

75 68%


45



Neuron 50 pada hidden layer 2. Pengujian pada kombinasi ciri7


Neuron 65.



Pengujian JST

Neuron Akurasi

Traingdx

Akurasi

Traingda

Akurasi

Trainrp

20 56% 55% 65%

25 54% 59% 53%

30 62% 60% 54%

35 60% 57% 54%

40 67% 64% 60%

45 65% 65% 58%

50 58% 62% 57%

55 66% 64% 61%

60 63% 62% 59%

65 65% 63% 60%

70 64% 64% 61%

75 64% 69% 57%







46

Pengujian JST


Traingdx

40

20 69%

25 60%

30 56%

35 68%

40 58%

45 65%

50 71%

55 70%

60 65%

65 62%

70 62%

75 67%




menghasilkan akurasi tertinggi 71% dari 2 hidden layer dengan

Neuron 40 dan 55 .



Pengujian JST

Neuron Akurasi

Traingdx

Akurasi

Traingda

Akurasi

Trainrp

20 52% 56% 61%

25 61% 63% 53%

30 58% 55% 54%


47

35 70% 68% 58%

40 63% 62% 62%

45 70% 68% 64%

50 64% 64% 60%

55 64% 64% 61%

60 68% 68% 62%

65 65% 65% 58%

70 69% 69% 62%

75 67% 67% 60%






Pengujian JST


Traingdx

45

20 57%

25 56%

30 63%

35 61%

40 69%

45 61%

50 65%

55 62%

60 67%

65 66%

70 65%

75 67%


48





Neuron 45.

Pengujian Ciri 10, 1hidden layer dan 2 hidden layer


Pengujian JST

Neuron Akurasi

Traingdx

Akurasi

Traingda

Akurasi

Trainrp

20 25% 26% 31%

25 25% 28% 26%

30 27% 29% 28%

35 29% 29% 31%

40 29% 26% 27%

45 27% 28% 27%

50 32% 29% 32%

55 28% 29% 27%

60 35% 31% 34%

65 32% 33% 28%

70 26% 32% 28%

75 29% 31% 33%


akurasi tertinggi diperoleh pada Neuron 60 fungsi pelatihan trainrp





49

Pengujian JST


Trainrp

60

20 27%

25 31%

30 25%

35 32%

40 28%

45 31%

50 35%

55 31%

60 26%

65 29%

70 29%

75 28%

Pengujian Ciri 10 dengan 2 hidden layer menghasilkan

akurasi tertinggi sebesar 35% pada Neuron 60 pada hidden layer 1

dan Neuron 50 pada hidden layer 2. Pengujian pada kombinasi ciri10


Neuron 60 dan 50.



Pengujian JST

Neuron Akurasi

Traingdx

Akurasi

Traingda

Akurasi

Trainrp

20 40% 32% 34%

25 30% 40% 33%


50

30 34% 32% 31%

35 36% 29% 35%

40 32% 36% 32%

45 37% 31% 41%

50 39% 34% 37%

55 34% 34% 37%

60 32% 37% 36%

65 40% 37% 34%

70 39% 40% 33%

75 34% 35% 35%






Pengujian JST


Trainrp

60

20 36%

25 37%

30 38%

35 32%

40 32%

45 33%

50 29%

55 36%

60 38%

65 38%

70 32%


51

75 32%



dan Neuron 65pada hidden layer 2. Pengujian pada kombinasi ciri11

menghasilkan akurasi tertinggi 41% dari 1 hidden layer Neuron 45

.

Pengujian Ciri 12 1 hidden layer dan 2 hidden layer


Pengujian JST

Neuron Akurasi

Traingdx

Akurasi

Traingda

Akurasi

Trainrp

20 38% 40% 33%

25 39% 39% 36%

30 39% 42% 41%

35 43% 48% 46%

40 40% 42% 39%

45 42% 43% 41%

50 41% 41% 41%

55 42% 45% 46%

60 53% 42% 40%

65 43% 44% 39%

70 45% 45% 42%

75 42% 47% 36%


akurasi tertinggi diperoleh pada Neuron 60 fungsi pelatihan traingdx





52

Pengujian JST


Traingdx

60

20 45%

25 44%

30 41%

35 44%

40 43%

45 48%

50 43%

55 49%

60 46%

65 46%

70 48%

75 46%





.

Pengujian Ciri 13, 1 hidden layer dan 2 hidden layer.

Tabel 4.27 Akurasi 1 hidden layer

Pengujian JST

Neuron Akurasi

Traingdx

Akurasi

Traingda

Akurasi

Trainrp

20 35% 35% 36%

25 32% 33% 38%

30 36% 36% 36%

35 40% 39% 38%


53

40 41% 39% 33%

45 36% 34% 36%

50 35% 35% 32%

55 43% 35% 42%

60 34% 34% 35%

65 37% 33% 36%

70 37% 36% 37%

75 35% 32% 32 %






Pengujian JST


Trainrp

55

20 34%

25 35%

30 37%

35 33%

40 33%

45 40%

50 32%

55 36%

60 34%

65 39%

70 38 %

75 34%


54





.


Tabel 4.29 Ciri 14 1 hidden layer

Pengujian JST

Neuron Akurasi

Traingdx

Akurasi

Traingda

Akurasi

Trainrp

20 25% 16% 37%

25 38% 43% 38%

30 45% 41% 30%

35 39% 45% 43%

40 41% 38% 40%

45 42% 45% 43%

50 42% 42% 39%

55 47% 45% 38%

60 44% 49% 39%

65 48 % 48% 38%

70 43% 44% 38%

75 41 % 41% 33%






Pengujian JST


55


Traingdx

55

20 42 %

25 39%

30 41%

35 41%

40 44 %

45 42%

50 44%

55 40%

60 45%

65 50%

70 46%

75 45%





dan 65.



Pengujian JST

Neuron Akurasi

Traingdx

Akurasi

Traingda

Akurasi

Trainrp

20 49% 46% 45%

25 46% 56% 46%

30 48% 51% 50%

35 50% 56% 50%

40 46% 50% 51%


56

45 58% 57% 53%

50 50 % 47% 53%

55 48% 55% 49 %

60 47% 51% 47 %

65 63% 60% 54%

70 54% 55% 53%

75 58% 61% 46 %






Pengujian JST


Traingdx

65

20 56%

25 48%

30 52%

35 53%

40 55 %

45 56%

50 58%

55 56%

60 58%

65 58%

70 51%

75 49%




57


menghasilkan akurasi tertinggi 63% dari 1 hidden layer Neuron

65.

Gambar 4.17 Grafik Akurasi Pengujian input bernilai 18

Pada pengujian dengan input 18 menghasilkan akurasi tertinggi

Pada arsitektur jaringan syaraf tiruan 2 hidden layer dengan jumlah

neuron 70 dan 60 dengan fungsi pelatihan traingdx.


Tabel 4.33 Akurasi Ciri16 1 hidden layer

Pengujian JST

Neuron Akurasi

Traingdx

Akurasi

Traingda

Akurasi

Trainrp

20 62% 60% 52%

25 45% 61% 54%

30 63% 60% 53%

35 63% 62% 57%

40 66% 69% 56%

45 62% 63% 59%

50 62% 66 % 57%

60 64% 65% 60%

65 63% 65% 54 %


58

Neuron Akurasi

Traingdx

Akurasi

Traingda

Akurasi

Trainrp

75 63 % 66% 55%





Tabel 4.34 Akurasi Ciri 16 2 Hidden Layer

Pengujian JST


Traingda

40

20 62%

25 63%

30 65%

35 58%

40 59%

45 67%

50 65%

55 64%

60 69%

65 69%

70 66 %

75 70 %





dan 75.



59

Tabel 4.35 Akurasi 17 1 hidden layer

Pengujian JST

Neuron Akurasi

Traingdx

Akurasi

Traingda

Akurasi

Trainrp

20 62% 59% 58%

25 68% 59% 56%

30 66% 64% 63%

35 67% 67% 66%

40 67% 71% 60%

45 70% 69% 55%

50 68% 66% 61%

55 65% 68% 58%

60 69% 70% 64%

65 67% 68% 58%

70 68% 68% 63 %

75 65 % 69% 62 %


tertinggi diperoleh pada Neuron 40 fungsi pelatihan traingda dengan




Pengujian JST


Traingda

20 63%

25 66%

30 65%

35 66%


60

40

40 69%

45 62%

50 72%

55 64%

60 66%

65 69%

70 66 %

75 73 %





dan 75.

Pengujian Ciri 18 1hidden layer dan 2 hidden layer


Pengujian JST

Neuron Akurasi

Traingdx

Akurasi

Traingda

Akurasi

Trainrp

20 63% 61% 58%

25 55% 52% 58%

30 61% 64% 64%

35 70% 72% 65%

40 69% 72% 67%

45 74% 73% 68%

50 73% 73% 60%

55 71% 69% 63 %

60 71% 70% 63 %

65 68% 68% 61 %

70 70% 69% 62 %


61

75 73 % 71% 64%






Pengujian JST


Traingdx

40

20 65%

25 70%

30 62%

35 69%

40 67%

45 71%

50 72%

55 73%

60 69%

65 68%

70 71%

75 72 %




menghasilkan akurasi tertinggi 74% dari 1hidden layer Neuron 45.

Pengujian Ciri 19 1 hidden layer dan 2 hidden layer


Pengujian JST


62

Neuron Akurasi

Traingdx

Akurasi

Traingda

Akurasi

Trainrp

20 43% 41% 36%

25 35% 37% 38%

30 39% 37% 41%

35 36% 44% 41%

40 39% 41% 42 %

45 48% 45% 41%

50 43% 45% 44%

55 43% 42% 46%

60 47% 47% 50 %

65 45% 46% 43%

70 48% 48% 38 %

75 50 % 50 % 44 %




kembali dengan 2 hidden layer melalui fungsi pelatihan yang sama


Pengujian JST


Trainrp

20 35%

25 44%

30 45%

35 46%

40 44%

45 42%


63

60

50 42%

55 45%

60 39%

65 41%

70 38%

75 31%




menghasilkan akurasi tertinggi 50% dari 1 hidden layer Neuron

60.

Pengujian Ciri 20 1hidden layer dan 2 hidden layer


Pengujian JST

Neuron Akurasi

Traingdx

Akurasi

Traingda

Akurasi

Trainrp

20 36% 39% 43%

25 45% 44% 45%

30 48% 52% 43%

35 47% 48% 35 %

40 42% 41% 43%

45 43% 41% 36 %

50 48% 47 % 45%

55 45% 48 % 50%

60 45% 44% 39 %

65 44% 46% 36 %

70 49 % 54 % 40 %

75 53 % 44 % 46 %


64






Pengujian JST


Trainrp

55

20 37%

25 36%

30 38%

35 39%

40 44%

45 37%

50 49 %

55 41 %

60 40 %

65 40%

70 42 %

75 43 %




menghasilkan akurasi tertinggi 50% dari 1hidden layer Neuron 55.



Pengujian JST


65

Neuron Akurasi

Traingdx

Akurasi

Traingda

Akurasi

Trainrp

20 50% 44% 45%

25 58% 57% 57%

30 61% 58% 52%

35 56% 57% 54%

40 57 % 63% 54%

45 57% 55% 54 %

50 61% 64% 56 %

55 58% 59 % 50%

60 59% 56% 59 %

65 56% 58% 55 %

70 64% 64% 56%

75 64 % 63% 58 %






Pengujian JST


Traingdx

20 55%

25 56%

30 59%

35 60%

40 59%

45 53 %


66

70

50 65%

55 58%

60 59%

65 59%

70 65%

75 59%



dan Neuron 70 pada hidden layer 2. Pengujian pada kombinasi

ciri21 menghasilkan akurasi tertinggi 65% dari 1 hidden layer

Neuron 70 dan 70 .

Gambar 4.18 Grafik Pengujian input bernilai 27

Pada pengujian arsitektur jaringan syaraf tiruan dengan input 27 akurasi

tertinggi 74% didapat dari arsitektur jaringan syaraf tiruan dengan 1 hidden

layer neuron 45 .

Pengujian Ciri 22, dengan 1 hidden layer dan 2 hidden layer


Pengujian JST

0%

10%

20%

30%

40%

50%

60%

70%

80%

Ciri 16 Ciri 17 Ciri 18 Ciri 19 Ciri 20 Ciri 21

Tabel akurasi pengujian jst

Akurasi


67

Neuron Akurasi

Traingdx

Akurasi

Traingda

Akurasi

Trainrp

20 63% 57% 60%

25 62% 58% 60%

30 69% 70% 59 %

35 72% 68% 58%

40 71 % 72% 58 %

45 69% 68% 57 %

50 65% 58 % 58%

55 70% 70 % 58 %

60 67% 70% 64%

65 65% 66% 51 %

70 70% 71% 70 %

75 72% 73% 61%






Pengujian JST


Traingda

75

20 64%

25 62%

30 60 %

35 68 %

40 74%

45 69%

50 69%

55 70%

60 73%


68

65 74%

70 70%

75 68 %



dan Neuron 75 pada hidden layer 2. Pengujian pada kombinasi ciri

22 menghasilkan akurasi tertinggi 74% dari 2 hidden layer Neuron

75 dan 75.



Pengujian JST

Neuron Akurasi

Traingdx

Akurasi

Traingda

Akurasi

Trainrp

20 64% 63% 54%

25 66% 66% 52%

30 72% 67% 53 %

35 67% 68% 60%

40 66 % 69% 58%

45 65% 70 % 63 %

50 67% 70 % 63%

55 69% 68 % 56 %

60 68% 68% 56 %

65 69% 68% 64 %

70 71% 75% 64%

75 73% 72 % 61%




69




Pengujian JST


Traingda

70

20 59%

25 65%

30 65 %

35 69%

40 73 %

45 75%

50 73%

55 75%

60 72 %

65 74 %

70 73%

75 69 %





70.

Pengujian Ciri 24 1, hidden layer dan 2 hidden layer


Pengujian JST

Neuron Akurasi

Traingdx

Akurasi

Traingda

Akurasi

Trainrp


70

20 45% 50% 45%

25 53% 63% 51%

30 63% 56% 58 %

35 21% 59% 50 %

40 40% 58% 59%

45 33% 61% 58%

50 64% 61% 52%

55 46% 62% 59%

60 52% 65% 58 %

65 59% 65% 52%

70 51% 67 % 55%

75 60% 65% 61%






Pengujian JST


Traingda

70

20 57%

25 65%

30 65 %

35 69%

40 70 %

45 71%

50 73%

55 74%

60 72 %

65 70 %

70 70%


71

75 68 %





70 dan 55.

Gambar 4.19 Grafik Pengujian input bernilai 36

Pada pengujian arsitektur jaringan syaraf tiruan input 36 akurasi

tertinggi yaitu 75 % dengan neuron 70 dan 55.



Pengujian JST

Neuron Akurasi

Traingdx

Akurasi

Traingda

Akurasi

Trainrp

20 37% 63% 57%

25 71% 66% 69%

30 70% 71% 53 %

35 70% 65% 66 %

40 74% 78% 65%

45 74% 78 % 63%

60%

62%

64%

66%

68%

70%

72%

74%

76%

Ciri 21 Ciri 22 Ciri 23 Ciri 24

Tabel Pengujian Jst

Akurasi


72

50 72% 74% 66 %

55 74% 71 % 63%

60 74% 71 % 72 %

65 75% 69% 64 %

70 73 % 78 % 63%

75 77% 77 % 70 %






Pengujian JST


Traingdx

75

20 70%

25 72%

30 74%

35 70%

40 74%

45 76%

50 77%

55 77%

60 76%

65 83 %

70 65%

75 72%


73





70 dan 65.

Gambar 4.19 Grafik Pengujian input

Dalam penelitian ini setelah melakukan pengujian dengan semua

kombinasi ciri 1 sampai kombinasi ciri 25. Kombinasi Ciri 25 memiliki

akurasi paling tinggi yaitu 83% dengan mengunakan 2 hidden layer

dengan neuron 70 dan 65 dengan metode pelatihan traingdx.

Dalam penelitian ini menguji berdasarkan input lalu mendapatkan

akurasi sebesar 63% pada input 9 , 71% pada input 18, 74% pada input

27, 75% pada input 36 dan 83% dengan input 45.

input 18 input 27 input 36 input 45

Akurasi 63% 71% 74% 75% 83%

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

Akurasi pengujian jst


74

4.2.2 Implementasi User Interface

Berikut ini adalah tampilan antarmuka pelatihan dengan jaringan

syaraf tiruan. Interface ini berfungsi melakukan pengujian jaringan

syaraf tiruan dengan memasukkan input yang akan digunakan sebagai

arsitektur jaringan syaraf tiruan.

Gambar 4.20 Tampilan Interface pengujian Jaringan Syaraf Tiruan

Setelah melakukan pengujian jaringan syaraf tiruan adalah pengujian

data tunggal. Interface data tunggal berfungsi untuk mengenali data

baru yang belum pernah diuji ke dalam model jaringan syaraf tiruan.


75

Gambar 4.21 Tampilan Interface pengujian data tunggal Jaringan Syaraf Tiruan

4.2.1 Pengujian Data Tunggal

Pada penelitian ini dilakukan testing data tunggal dengan 1 data

pada setiap aksaranya jadi untuk testing data tunggal terdapat 20 data

aksara Karena hasil akurasi terbaik didapatkan pada kombinasi ciri 25

maka arsitektur jaringan yang tersebut dipakai untuk testing data

tunggal.

Tabel 4.53 Klasifikasi Data Tunggal

Aksara Klasifikasi Status

Ha Ha Benar

Na Na Benar

Ca Dha Salah

Ra Ra Benar

Ka Ka Benar

Da Da Benar

Ta Ta Benar

Sa Sa Benar

Wa Pa Salah

La La Benar

Pa Pa Benar


76

Dha Dha Benar

Ja Ja Benar

Ya Ya Benar

Nya Nya Benar

Ma Ma Benar

Ga Ga Benar

Ba Ba Benar

Tha Tha Benar

Nga Nga Benar

Setelah melakukan percobaan dengan kombinasi ciri 1 sampai

kombinasi ciri 25 lalu mengunakan percobaan 1 hidden layer, 2 hidden

layer dan mengunakan parameter parameter yang sudah ditentukan

untuk arsitektur jaringan syaraf tiruan. Dari hasil yang diperoleh pada

penelitian ini tentang Pengenalan Pola Backpropagation maka

diketahui:

1. Presentase keberhasilan dari beberapa parameter yang diterapkan

pada penelitian ini diperoleh akurasi terbaik sebesar 83% maka

penelitian ini dikatakan berhasil karena sudah memenuhi tujuan

penelitian karena akurasi dalam pengenalan sudah melebihi 75%

presentase keberhasilan

2. Dalam uji data tunggal terdapat dua kesalahan dalam mengenali

aksara yaitu pada huruf “Ca” di klasifikasi menjadi “Dha” dan Wa

diklasifikasi menjadi “Pa”


79

BAB V

PENUTUP

5.1 Kesimpulan

Dari kesimpulan penelitian ini, pengenalan pola tulisan Aksara Jawa

mengunakan metode Backpropagation, dapat disimpulkan dalam beberapa

hal, sebagai berikut:

1. Dalam proses pengujian arsitektur ,mengunakan kombinasi ciri vertical,

horizontal,diagonal ke kanan, diagonal ke kiri dan nilai piksel hitam.

Terdapat 5 (buah) input yang akan diuji dan diperoleh hasil yang optimal

dalam melakukan pengenalan yaitu:

1. Arsitektur dengan input 9 ,2 hidden layer dengan jumlah neuron 70 dan

30 menghasilkan akurasi sebesar 63 %.

2. Arsitektur dengan input 18, 2 hidden layer dengan jumlah neuron 70

dan 60 dengan akurasi sebesar 71%.

3. Arsitektur dengan input 27, 1 hidden layer dengan jumlah neuron 45

dengan akurasi sebesar 74%.

4. Arsitektur dengan input 36,2 hidden layer dengan jumlah neuron 70 dan

55 dengan akurasi sebesar 75 %.

5. Arsitektur dengan input 45 ,2 hidden layer dengan jumlah neuron 75 dan

65 dengan akurasi sebesar 83%.

2. Dalam pengujian data tunggal pada sistem dengan arsitektur jaringan

syaraf tiruan kombinasi ciri input 45 mengunakan 2 hidden layer neuron

75 dan 65 tedapat aksara Jawa yang tidak dapat dikenali yaitu aksara

“Ca” dan “ WA” tidak dapat dikenali sesuai targetnya.

5.2 Saran

Saran yang dapat diberikan untuk mengembangkan aplikasi ini

kedepannya adalah :

1. Mengunakan Ekstraksi Ciri yang berbeda


80

2. Jumlah data aksara yang akan digunakan dalam pelatihan dan pengujian

arsitektur jaringan ditambah lagi atau dapat menggunakan aksara Jawa

lainnya karena aksara Jawa bermacam-macam.


81

DAFTAR PUSTAKA

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

Yogyakarta : Penerbit ANDI.

Putra, Darma. (2009). Pengolahan Citra Digital. Yogyakarta : Penerbit ANDI.

Siang, Jong Jek. (2009). Jaringan Syaraf Tiruan dan Pemrogramannya

mengunakan MATLAB. Yogyakarta : Penerbit ANDI.

Prasetyo, Eko (2012) . Data Mining Konsep dan Aplikasi menggunakan

MATLAB

Surinta, O. (2010). Overview of Handwritten Thai character Recognition.

http://www.ai.rug.nl/~mrolarik/APSMeeting/09-07-

2010%20Overview%20of%20Handwritten%20Thai%20Character%20Recogni

tion.pdf. 12 Oktober 2016.

Widiarti, A.R. (2011). Comparing Hilditch, Rosenfeld, Zhang-Suen,

Nagendraprasad – Wang-Gupta Thinning.International Scholarly and

Scientific Research & Innovation. No 6. Vol 5. halaman 1.

http://waset.org/publications/6492/comparing-hilditch-rosenfeld-zhang-suen-

and-nagendraprasad-wang-gupta-thinning. 14 Oktober 2016


82

LAMPIRAN

Source code

Viewutama.m


83


84


85

Preprocessing.m


86

Mark Direction.m


87

Ioc.m


88


89


Documents

PENGENALAN POLA TULISAN TANGAN AKSARA JAWA DENGAN ... · faculty of science and technology sanata dharma university yogyakarta 2018 plagiat merupakan tindakan tidak terpuji. plagiat