i Universitas Kristen Maranatha
PENGENALAN TULISAN TANGAN AKSARA BATAK TOBA
MENGGUNAKAN JARINGAN SARAF TIRUAN BERBASIS MULTILAYER
PERCEPTRON
Disusun oleh :
Nama : J. Rio Sihombing NRP : 0322129
Jurusan Teknik Elektro, Fakultas Teknik, Universitas Kristen Maranatha Jl. Prof. Drg. Suria Sumantri, MPH no 65, Bandung 40164, Indonesia
Email : riosihombing@gmail.com
ABSTRAK
Aksara Batak Toba merupakan salah satu budaya Indonesia yang layak dilestarikan. Salah satu upaya untuk melestarikannya maka pada Tugas Akhir ini dirancang sebuah sistem pengenalan tulisan tangan aksara Batak Toba menggunakan jaringan saraf tiruan berbasis algoritma multilayer perceptron.
Jaringan saraf tiruan merupakan salah satu metode yang sering digunakan dalam pengenalan pola. Dalam Tugas Akhir ini proses perancangan jaringan saraf tiruan melalui beberapa tahap yaitu tahap pra proses meliputi binerisasi, inversi, segmentasi, dan normalisasi, tahap selanjutnya adalah ekstraksi ciri menggunakan metoda fourier descriptor, dan langkah terakhir adalah learning algoritma menggunakan multilayer perceptron. Jaringan saraf tiruan yang digunakan memiliki arsitektur backpropagation neural network.
Data tulisan tangan berasal dari 15 naracoba dengan 2 kali penulisan sehingga diperoleh sebanyak 30 set data. Dari percobaan diperoleh hasil 96.02% berhasil dikenali jika data uji sama dengan data latih dan rata-rata 78.12% berhasil dikenali jika data uji berbeda dengan data latih.
Kata kunci :
HANDWRITTEN BATAK TOBA ALPHABET RECOGNITION USING MULTILAYER PERCEPTRON BASED NEURAL NETWORK
Composed by :
Name : J. Rio Sihombing NRP : 0322129
Department of Electrical Engineering, Faculty of Engineering, Maranatha Christian University, Jl. Prof. drg. Surya Sumantri, MPH. No 65
Bandung 40164, Indonesia
Email : riosihombing@gmail.com
ABSTRACT
Batak Toba alphabet is one of Indonesia culture that need to be preserved. For this purpose a neural networks-based system is developed to recognize handwritten Batak Toba alphabet.
Artificial Neural Neetworks (ANN) is one of most popular method in pattern recognition. In this research the ANN is developed throught several steps, such as pre processing (binarization, inversion, segmentation, and normalization), feature extraction (fourier descriptor), and recognition (using multilayer perceptron learning algorithm).
Handwritten data taken from 15 subjects throught writing. From experiment, the recognition 96.02% succeed when testing data is same as training data and about 78.12% succeed when testing data differ from training data.
Key words :
v Universitas Kristen Maranatha
DAFTAR ISI
Halaman LEMBAR PENGESAHAN
SURAT PERNYATAAN
PERNYATAAN PUBLIKASI LAPORAN PENELITIAN
ABSTRAK ... i
ABSTRACT ... ii
KATA PENGANTAR ... iii
DAFTAR ISI ... v
DAFTAR TABEL ... viii
DAFTAR GAMBAR ... ix
BAB I PENDAHULUAN I.1 Latar Belakang ... 1
I.2 Rumusan Masalah ... 2
I.3 Tujuan ... 2
I.4 Batasan Masalah ... 2
I.5 Sistematika Penulisan ... 3
BAB II LANDASAN TEORI II.1 Aksara Batak Toba ... 4
II.3 Jaringan Saraf Tiruan ... 8
II.3.1 Pengertian Jaringan Saraf Tiruan ... 9
II.3.2 Arsitektur Jaringan Saraf Tiruan ... 13
II.3.3 Fungsi Aktivasi ... 14
II.3.4 Backpropagation dengan Momentum ... 18
II.3.5 Training Algoritma ... 19
BAB III PERANCANGAN DAN REALISASI III.1 Blok Diagram ... 23
III.2 Langkah Kerja ... 23
III.3 Perancangan Program ... 30
III.3.1 Konfigurasi Pengujian ... 31
III.3.2 Diagram Alir Training Algoritma ... 34
III.3.3 Diagram Alir Pengujian ... 35
BAB IV ANALISIS DATA IV.1 Pelatihan Jaringan Saraf Tiruan ... 36
IV.2 Aturan Pembulatan ... 36
IV.3 Pengujian Jaringan Saraf Tiruan ... 38
IV.4 Error Pengujian Jaringan Saraf Tiruan ... 45
IV.5 Analisis Data ... 47
BAB V SIMPULAN DAN SARAN V.1 Simpulan ... 50
vii Universitas Kristen Maranatha
DAFTAR PUSTAKA ... 52 LAMPIRAN A
DAFTAR TABEL
Halaman
Tabel 3.1 Jumlah input node, hidden neuron dan output neuron ... 31
Tabel 3.2 Nilai target ... 33
Tabel 4.1 Jumlah iterasi setiap konfigurasi ... 36
Tabel 4.2 Contoh aturan pembulatan dikenali ... 37
Tabel 4.3 Contoh aturan pembulatan salah dikenali ... 37
Tabel 4.4 Contoh aturan pembulatan tidak dikenali ... 38
Tabel 4.5 Persentase kategori 1 konfigurasi A ... 39
Tabel 4.6 Persentase kategori 1 konfigurasi B... 40
Tabel 4.7 Persentase kategori 1 konfigurasi C ... 41
Tabel 4.8 Persentase kategori 2 konfigurasi A ... 42
Tabel 4.9 Persentase kategori 2 konfigurasi B ... 43
Tabel 4.10 Persentase kategori 2 konfigurasi C ... 44
Tabel 4.11 Rata-rata error kategori 1 ... 45
Tabel 4.12 Rata-rata error kategori 2 ... 46
Tabel 4.13 Persentase rata-rata kategori 1 ... 49
ix Universitas Kristen Maranatha
DAFTAR GAMBAR
Halaman
Gambar 2.1 Akasara Batak Toba versi modern ... 6
Gambar 2.2 Aksara Batak Toba versi tradisional ... 6
Gambar 2.3 Sel saraf biologis manusia ... 11
Gambar 2.4 Model Neuron McCulloch-Pitts ... 12
Gambar 2.5 Fungsi identitas ... 15
Gambar 2.6 Fungsi tangga a) bipolar b) biner ... 15
Gambar 2.7 Fungsi sigmoid ... 16
Gambar 2.8 Fungsi bisigmoid ... 17
Gambar 2.9 Fungsi saturating linear ... 17
Gambar 2.10 Fungsi symmetric saturating linear ... 18
Gambar 3.1 Blok Diagram pengenalan tulisan tangan ... 23
Gambar 3.2 Hasil scan tulisan tangan ... 24
Gambar 3.3 Hasil proses binerisasi ... 25
Gambar 3.4 Hasil proses inversi ... 26
Gambar 3.5 Hasil proses segmentasi pertama ... 27
Gambar 3.6 Hasil proses segmentasi kedua ... 28
Gambar 3.7 Hasil proses normalisasi ... 29
Gambar 3.8 Arsitektur jaringan saraf tiruan yang akan dirancang ... 30
Gambar 3.9 Diagaram alir training algoritma ... 34
Gambar 3.10 Diagaram alir pengujian ... 35
BAB I
PENDAHULUAN
I.1 Latar Belakang
Bahasa Batak Toba merupakan salah satu keanekaragaman seni dan budaya Indonesia yang telah dipakai lebih dari beberapa juta masyarakat suku Batak Toba sejak beberapa ratus tahun yang lalu.[3] Namun tulisan Batak Toba sendiri sudah sangat jarang digunakan. Hal ini diakibatkan karena kurangnya kesadaran untuk mempelajari dan melestarikan budaya sendiri. Sebagai salah satu cara untuk melestarikan budaya tersebut maka pada Tugas Akhir ini dibahas bagaimana pengenalan tulisan Batak Toba menggunakan Jaringan Saraf Tiruan.
Jaringan saraf manusia terbentuk dari jutaan neuron yang terkoneksi dan terintegrasi satu dengan yang lain. Susunan jaringan saraf yang terdapat dalam otak manusia ini dapat dengan cepat bekerja dalam proses belajar, mengenali pola, mengingat, dan memproses informasi. Untuk itu dikembangkan suatu model yang disebut dengan Jaringan Saraf Tiruan (JST) yang dapat menyerupai kemampuan jaringan saraf manusia dalam pengenalan pola dan pengenalan karakter pada Tulisan Batak Toba.
2 Universitas Kristen Maranatha mengenali tulisan tangan dengan baik. Tugas Akhir ini akan dibuat dalam bentuk simulasi dengan menggunakan perangkat lunak MATLAB (Matrix Laboratory).
I.2 Rumusan Masalah
Masalah yang akan dibahas pada Tugas Akhir ini adalah :
(a) Bagaimana merancang Jaringan Saraf Tiruan (JST) dengan algoritma Backpropagation untuk pengenalan tulisan tangan Aksara Batak Toba?
(b) Bagaimana hasil pengenalan tulisan tangan Aksara Batak Toba menggunakan MLP pada JST dengan algoritma Backpropagation?
I.3 Tujuan
(a) Merancang JST dengan algoritma Backpropagation untuk pengenalan tulisan tangan Aksara Batak Toba.
(b) Menganalisis hasil pengenalan tulisan tangan Aksara Batak Toba.
I.4 Batasan Masalah
Batasan – batasan masalah dalam Tugas Akhir ini adalah :
(a) Pengenalan tulisan tangan Aksara Batak Toba dilakukan secara offline. (b) Aksara Batak Toba yang digunakan yaitu versi modern.
(c) Pengenalan tulisan tangan hanya per-karakter.
I.5 Sistematika Penulisan
Sistematika dalam penulisan laporan ini terdiri dari 5 BAB, yaitu sebagai berikut :
BAB I : PENDAHULUAN
Bab ini berisi latar belakang masalah, rumusan masalah, tujuan penelitian, batasan masalah, dan sistematika penulisan
BAB II : LANDASAN TEORI
Bab ini berisi teori-teori penunjang yang diperlukan untuk merancang dan merealisasikan Jaringan Saraf Tiruan dengan algoritma Backpropagation.
BAB III : PERANCANGAN DAN REALISASI
Bab ini berisi pembuatan program yang akan digunakan dalam pengenalan tulisan tangan.
BAB IV : ANALISIS DATA
Bab ini berisi pengamatan dan hasil pengolahan data yang telah dilakukan dengan menggunakan Jaringan Saraf Tiruan dengan algoritma Backpropagation dan analisis sistem agar sesuai yang telah ditetapkan
BAB V : SIMPULAN DAN SARAN
50 Universitas Kristen Maranatha
BAB V
SIMPULAN DAN SARAN
V.1 Simpulan
Simpulan yang didapat dari hasil percobaan yang dilakukan pada Tugas Akhir ini adalah :
1. Persentase rata-rata keberhasilan pengenalan aksara Batak Toba untuk kategori 1 adalah sebesar 96.02% dan paling tinggi pada konfigurasi C sebesar 97.55%.
2. Persentase rata-rata keberhasilan pengenalan aksara Batak Toba untuk kategori 2 adalah sebesar 78.12% dan paling tinggi pada konfigurasi B dan C sebesar 78.94%.
3. Kategori 1 konfigurasi A yang paling tinggi persentase dikenali adalah aksara ‘a, ha, ma, ra, ta, pa, ga, ja, da, nga, wa, ya, nya, i, dan u’ dan yang paling rendah adalah aksara ‘la’.
4. Kategori 1 konfigurasi B yang paling tinggi persentase dikenali adalah aksara ‘a, ha, ma, ra, ta, pa, ga, ja, da, nga, wa, ya, nya, i, dan u’ dan yang paling rendah adalah aksara ‘na dan la’.
5. Kategori 1 konfigurasi C yang paling tinggi persentase dikenali adalah aksara ‘ha, ma, ra, ta, pa, ga, ja, da, nga, wa, ya, nya, i, dan u’ dan yang paling rendah adalah aksara ‘la’.
6. Kategori 2 konfigurasi A yang paling tinggi persentase dikenali adalah aksara ‘ha, ra, dan i’ dan yang paling rendah adalah aksara ‘ba’.
8. Kategori 2 konfigurasi C yang paling tinggi persentase dikenali adalah aksara ‘ha, ra, dan ba’ dan yang paling rendah adalah aksara ‘na’.
9. Aksara “la” mempunyai persentase dikenali yang paling kecil dari seluruh aksara, hal ini disebabkan dalam pengambilan ekstraksi ciri aksara “pa” mempunyai jumlah fitur ekstraksi yang paling kecil. Jumlah fitur inilah yang dipakai untuk menyamakan input seluruh aksara pada batch. Maka karena itu aksara “la” dan “ga” tidak mencakup seluruh informasi cirinya sehingga kedua aksara ini salah dikenali sebagai aksara “pa”.
V.2 Saran
1. Metode untuk ektraksi ciri dapat dilakukan dengan metode yang lain yang dapat mencakup sebagian besar informasi dari karakter.
52 Universitas Kristen Maranatha
DAFTAR PUSTAKA
1. Sutha, J. Ramaraj, N. Desember 2007. Neural Based Offline Tamil
Handwritten Character Recognition System, Conference on Computational
Intelligence and Multimedia Applications (ICCIMA), Vol. 2, pp. 446 - 450.
2. Wilson, D. R. Martinez, T. R. 10 Desember 2003. The General Inefficiency of
Batch Training for Gradient Descent Learning. Journal Neural Networks.
Vol. 16. pp. 1429 – 1451. UK.
3. Panggabean, M. dan Rønningen, L. November 2009. Character Recognition of the Batak Toba Alphabet Using Signatures and Simplified Chain Code.
Signal and Image Processing Applications (ICSIPA), IEEE, pp. 215 – 220. 4. Jain, A.K. Mao, Jianchang. dan Mohiuddin, K. Maret 1996. Artificial Neural
Networks: A Tutorial. IEEE, Vol. 29 No. 3, pp. 31-44.
5. Kozok, Uli. Februari 2009. Surat Batak: Sejarah Perkembangan Tulisan Batak, Berikut Pedoman Menulis Aksara Batak dan Cap Sisimangaraja XII.
KPG (Kepustakaan Populer Gramedia) & EFEO.
6. Haykin, Simon. 2005. Neural Network: A Comprehensive Foundations, 2nd Edition. India : Prentice Hall.
7. Fausett, Laurenne. 19 Desember 1993. Fundamentals Of Neural Networks, Architectures, Algorithms, and Application.
8. Riedmiller, Martin. dan Braun, Heinrich. 1993. A Direct Adaptive Method for Faster Backpropagation Learning: The RPROP Algorithm. IEEE, Vol. 1, pp.
586 – 591.
9. Boger, Zvi. Dan Guterman, Hugo. Oktober 1997. Knowledge Extraction from
Artificial Neural Networks Models. Orlando : IEEE Systems, Man and
