Pengenalan Pola Garis Dasar Kalimat Pada Tulisan Tangan Untuk Mengetahui Karakter Seseorang Dengan Menggunakan Algoritma Resilient Backpropagation.

(1)

i Universitas Kristen Maranatha DENGAN MENGGUNAKAN

ALGORITMA RESILIENT BACKPROPAGATION

ABSTRAK

Juventus Suharta (0722026)

Jurusan Teknik Elektro Universitas Kristen Maranatha email : reuvens_email@yahoo.com

Grafologi adalah ilmu yang mempelajari karakter seseorang seseorang dengan cara menganalisa tulisan tangan. Menganalisa tulisan tangan sangatlah membantu dalam banyak bidang saat ini, misalnya dalam bidang pendidikan, kriminalitas dan dapat digunakan sebagai konseling. Salah satu cara yang digunakan dalam grafologi untuk mengetahui karakter seseorang, adalah dengan menganalisa pola garis dasar kalimat dari tulisan tangan.

Pada Tugas Akhir ini dirancang dan direalisasikan perangkat lunak berbasis Jaringan Saraf Tiruan untuk mengenali pola garis dasar kalimat dari tulisan tangan manusia, dengan menggunakan nilai rata-rata dari posisi pixel yang bernilai 1 pada citra yang akan menjadi masukan dari data latih dan data uji pada Algoritma Resilient Backpropagation. Perangkat lunak ini direalisasikan menggunakan MATLAB R2008a.

Perangkat lunak pengenalan pola garis dasar tulisan tangan pada Tugas Akhir ini berhasil direalisasikan dan diperoleh keberhasilan pengenalan sebesar 65,63% pada pengujian. Persentase pengenalan masing-masing pola: untuk pola garis lurus 75%, pola garis menaik 62,5%, untuk pola garis menurun, dan untuk pola garis acak 87,5%.

(2)

ii Universitas Kristen Maranatha ABSTRACT

Juventus Suharta (0722026)

Department of Electrical Engineering Maranatha Christian University email : reuvens_email@yahoo.com

Graphology is the study of a person's character by analyzing handwriting. Analyzing handwriting is helpful in many areas today, for example in education, crime and can be used as counseling. One method used in graphology to know the character of a person, is by analyzing the baseline pattern of handwritten sentences

_.

This final project is designed and realized a software based Artificial Neural Networks to recognize patterns of baseline sentences of human handwriting, by using out the average value of the positions of pixels of value 1 in entire image that will become input from the training data and testing data in Resilient Backpropagation Algorithm. The software is realized using MATLAB R2008a.

Handwriting Baseline Pattern Recognition on this final project successfully realized. In testing, this software has 65.63% recognize well. Percentage identity of each pattern: for straight line pattern 75%, for ascending line pattern 62,5%, for descending line pattern, and for random line pattern 87,5%.

(3)

iii Universitas Kristen Maranatha

ABSTRACT ... ii

KATA PENGANTAR ... ii

DAFTAR GAMBAR ... viii

DAFTAR TABEL ... x

BAB I ... 1

Pendahuluan ... 1

I.1 Latar Belakang ... 1

I.2 Identifikasi Masalah ... 2

I.3 Pembatasan Masalah ... 2

I.4 Tujuan Tugas Akhir ... 3

I.5 Sistematika Penelitian ... 3

BAB II ... 5

LANDASAN TEORI ... 5

II.1 Teori Dasar Citra Dijital ... 5

II.1.1 Pixel Dan Resolusi Citra ... 5

II.1.2 Ciri Citra ... 6

II.2 Pengolahan Citra Dijital ... 6

II.2.1 Grayscale ... 6

II.2.2 Binerisasi ... 7

II.2.3 Cropping ... 8

II.2.4 Resizing... 8

II.3 Jaringan Syaraf Biologi ... 8

II.4 Jaringan Syaraf Tiruan ... 10

II.4.1 Arsitektur Jaringan Syaraf Tiruan ... 10

II.4.2 Fungsi Aktivasi ... 12

II.4.3 Bias ... 13

II.4.4 Laju Pembelajaran / Learning Rate ... 13

II.5 Metode Backpropagation ... 14

II.5.1 Arsitektur Backpropagation ... 15

II.5.2 Algoritma Pelatihan Backpropagation ... 17

(4)

iv Universitas Kristen Maranatha

II.5.4 Pengujian ... 22

II.6 Metode Resilient Backpropagation (Rprop) ... 23

II.6.1 Arsitektur Resilient Backpropagation (Rprop) ... 24

II.6.2 Algoritma Resilient Backpropagation (Rprop) ... 24

II.7 Grafologi... 33

II.7.1 Definisi Grafologi ... 33

II.7.2 Pola Garis Dasar kalimat Dalam Grafologi ... 34

BAB III... 37

PERANCANGAN PERANGKAT LUNAK ... 37

III.1 Arsitektur Perancangan ... 37

III.2 Diagram Alir ... 38

III.2.1 Diagram Alir Praproses ... 39

III.2.2 Diagram Alir Tahapan Mencari Nilai Rata-rata... 40

III.2.3 Diagram Alir Pelatihan Algoritma Resilient Backpropagation ... 43

III.2.4 Diagram Alir Pengujian Algoritma Resilient Backpropagation... 44

III.3 Penerapan Grafologi... 45

III.4 Perancangan Antarmuka Pemakai (User Interface) ... 48

BAB IV ... 50

SIMULASI DAN ANALISA ... 50

IV.1 Proses Pelatihan ... 50

IV.1.1 Percobaan 1: Pengaruh Jumlah Hidden Neuron ... 50

IV.1.2 Percobaan 2: Pengaruh Faktor Naik (FN) ... 52

IV.1.3 Percobaan 3: Pengaruh Faktor Turun (FT) ... 54

IV.2 Proses Pengujian ... 55

IV.2.1 Pengujian I ... 59

IV.2.2 Pengujian II ... 63

IV.3 Analisa ... 67

BAB V ... 68

KESIMPULAN DAN SARAN ... 68

V.1 Kesimpulan... 68

(5)

(6)

vi Universitas Kristen Maranatha

Gambar 2. 2 Single Layer Network ... 11

Gambar 2. 3 Multi Layer Network ... 11

Gambar 2. 4 Model JST Resilient Backpropagation ... 24

Gambar 2. 5 Arsitektur Risilent Backpropagation Dalam Contoh Perhitungan ... 29

Gambar 2. 6 Pola Garis Dasar Lurus ... 34

Gambar 2. 7 Pola Garis Dasar Naik ... 35

Gambar 2. 8 Pola Garis Dasar Turun ... 35

Gambar 2. 9 Pola Garis Dasar Tidak Beraturan ... 36

Gambar 3. 1 Arsitektur Resilient Backpropagation Pengenalan Pola Garis... Dasar Tulisan ... 37

Gambar 3. 2 Diagram Alir Utama ... 38

Gambar 3. 3 Diagram Alir Praproses ... 39

Gambar 3. 4 Diagram Alir Tahapan Mencari Nilai Rata-rata ... 40

Gambar 3. 5 Citra 4x4 ... 41

Gambar 3. 6 Citra 4x4 Dengan Garis Nilai Rata-rata Posisi Pixel bernilai 1 ... 42

Gambar 3. 7 Diagram Alir Pelatihan Algoritma Risilent Backpropagation ... 43

Gambar 3. 8 Diagram Alir Pengujian Algoritma Risilent Backpropagation ... 44

Gambar 3. 9 Pola Garis Dasar Lurus ... 45

Gambar 3. 10 Pola Garis Dasar Naik ... 46

Gambar 3. 11 Pola Garis Dasar Turun ... 46

Gambar 3. 12 Pola Garis Dasar Tidak Beraturan ... 47

Gambar 3. 13 Antarmuka Perangkat Lunak ... 48

Gambar 4. 1 Grafik Perbandingan Jumlah Pengenalan Terhadap Jumlah... Hidden Neuron ... 50

Gambar 4. 2 Grafik Perbandingan Jumlah Pengenalan Pola Terhadap FN ... 52

(7)

(8)

viii Universitas Kristen Maranatha

Tabel 2. 2 Bobot Dari Hidden Layer Ke Output Layer... 28

Tabel 3. 1 Atribut MATLAB Pada Perancangan Perangkat Lunak ... 48

Tabel 4. 1 Tabel Percobaan Jumlah Hidden Neuron... 51

Tabel 4. 2 Tabel Percobaan Faktor Naik ... 53

Tabel 4. 3 Tabel Percobaan Faktor Turun ... 54

Tabel 4. 4 Tabel Data Input Pengujian... 58

Tabel 4. 5 Tabel Hasil Pengujian I ... 59

(9)

A - 1

LAMPIRAN A

(10)

(11)

A - 3

for i6=1:hiddenlayer for j6=1:jmlhinput

bobot_in(i6,j6)=beta*bobot_in_r_trans(i6,j6)/bobot_inabs(i6); end

end

bobot_bias_in=(beta-rand(hiddenlayer,1)*(beta--beta));

b2=bobot_bias_in;

while con e=0;

for i1=1:jmlhdata

for j1=1:hiddenlayer; (j1)=bobot_bias_in(j1); for k1=1:jmlhinput

z_net(j1)=z_net(j1)+x(i1,k1)*bobot_in(j1,k1); end

zj(j1)=(2/(1+exp(-z_net(j1))))-1; end

y_net = bobot_bias_hidden+zj*bobot_hidden;

for l1=1:outputlayer

yj(l1)=1/(1+exp(-y_net(l1)));

f_errorj_out(l1)=(target(i1,l1)-yj(l1))*(yj(l1)*(1-(yj(l1)))); end

delbobot_hidden=(f_errorj_out'*zj); delbobot_bias_hidden=f_errorj_out';

delbobot_hidden_2=delbobot_hidden_s.*delbobot_hidden;

delbobot_bias_hidden_2=delbobot_bias_hidden_s.*delbobot_bias_hidden;

delbobot_hidden_s=delbobot_hidden;

(12)

(13)

A - 5

f_error_hidden= bobot_hidden*f_errorj_out'*((yj)*(1-(yj))');

delbobot_bias_in=f_error_hidden';

delbobot_in_2=delbobot_in_s.*delbobot_in;

delbobot_bias_in_2=delbobot_bias_in_s.*delbobot_bias_in;

delbobot_in_s=delbobot_in;

(14)

A - 6

bobot_hidden=bobot_hidden+delbobot_hidden';

bobot_bias_hidden=bobot_bias_hidden+delbobot_bias_hidden'; bobot_in=bobot_in+delbobot_in;

bobot_bias_in=bobot_bias_in+delbobot_bias_in';

(15)

A - 7

Program Pengujian

clear all; clc;

load total_uji.matinputtotal2 load rprop1.mat

tic

x=inputtotal2;

[jmlhdata jmlhinput]=size(x); hiddenlayer=29;

outputlayer=2; alp_p=1.2; alp_m=0.5;

for i1=1:jmlhdata

for j1=1:hiddenlayer;

z_net(j1)=bobot_bias_in(j1); for k1=1:jmlhinput

z_net(j1)=z_net(j1)+x(i1,k1)*bobot_in(j1,k1); end

zj(j1)=(2/(1+exp(-z_net(j1))))-1; end

for l1=1:outputlayer

yj(l1)=1/(1+exp(-y_net(l1))); end

yj ;

y=round(yj) end

(16)

A - 8

% LAT('CALLBACK',hObject,eventData,handles,...) calls the local

% function named CALLBACK in LAT.M with the given input arguments. %

% LAT('Property','Value',...) creates a new LAT or raises the

% existing singleton*. Starting from the left, property value pairs are % applied to the GUI before lat_OpeningFcn gets called. An

% unrecognized property name or invalid value makes property application % stop. All inputs are passed to lat_OpeningFcn via varargin.

%

% *See GUI Options on GUIDE's Tools menu. Choose "GUI allows only one % instance to run (singleton)".

%

% See also: GUIDE, GUIDATA, GUIHANDLES

% Edit the above text to modify the response to help lat

% Last Modified by GUIDE v2.5 29-Jul-2013 23:06:54

% Begin initialization code - DO NOT EDIT

gui_Singleton = 1;

gui_State.gui_Callback = str2func(varargin{1}); end

if nargout

[varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:}); else

gui_mainfcn(gui_State, varargin{:}); end

(17)

A - 9

% --- Executes just before lat is made visible.

function lat_OpeningFcn(hObject, eventdata, handles, varargin)

% This function has no output args, see OutputFcn. % hObject handle to figure

% eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % varargin command line arguments to lat (see VARARGIN)

% Choose default command line output for lat

handles.output = hObject;

% Update handles structure

guidata(hObject, handles);

% UIWAIT makes lat wait for user response (see UIRESUME) % uiwait(handles.figure1);

% --- Outputs from this function are returned to the command line.

function varargout = lat_OutputFcn(hObject, eventdata, handles)

% varargout cell array for returning output args (see VARARGOUT); % hObject handle to figure

% eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA)

% Get default command line output from handles structure

varargout{1} = handles.output;

% --- Executes on button press in pushbutton1.

function pushbutton1_Callback(hObject, eventdata, handles)

% hObject handle to pushbutton1 (see GCBO)

(18)

A - 10

(19)

A - 11

delbobot_hidden_2=delbobot_hidden_s.*delbobot_hidden;

delbobot_bias_hidden_2=delbobot_bias_hidden_s.*delbobot_bias_hidden;

delbobot_hidden_s=delbobot_hidden;

(20)

A - 12

f_error_hidden= bobot_hidden*f_errorj_out'*((yj)*(1-(yj))');

delbobot_bias_in=f_error_hidden';

delbobot_in_2=delbobot_in_s.*delbobot_in;

delbobot_bias_in_2=delbobot_bias_in_s.*delbobot_bias_in;

delbobot_in_s=delbobot_in;

(21)

A - 13

bobot_hidden=bobot_hidden+delbobot_hidden';

bobot_bias_hidden=bobot_bias_hidden+delbobot_bias_hidden'; bobot_in=bobot_in+delbobot_in;

(22)

A - 14

plot(epoch,e,'m.-'); title('Grafik Error Terhadap Epoch'); hold on;

save rprop1.matbobot_inbobot_bias_inbobot_hiddenBobot_bias_hidden

function edit1_Callback(hObject, eventdata, handles)

% hObject handle to edit1 (see GCBO)

% Hints: get(hObject,'String') returns contents of edit1 as text

% str2double(get(hObject,'String')) returns contents of edit1 as a double

(23)

A - 15

function edit1_CreateFcn(hObject, eventdata, handles)

% eventdata reserved - to be defined in a future version of MATLAB % handles empty - handles not created until after all CreateFcns called

% Hint: edit controls usually have a white background on Windows. % See ISPC and COMPUTER.

if ispc && isequal(get(hObject,'BackgroundColor'), get(0,'defaultUicontrolBackgroundColor'))

set(hObject,'BackgroundColor','white'); end

% --- Executes during object creation, after setting all properties.

(24)

A - 16

[FileName,PathName] = uigetfile('*.jpg','Select the JPG-file'); handles.gambar=imread(fullfile(PathName, FileName));

handles.glurus4=rgb2gray(handles.gambar);

(25)

A - 17 height]);%%position vector, [xmin ymin width height].

(26)

A - 18

% %% make sure the image doesn't disappear if we plot something else % hold on

(27)

A - 19

y_net = Bobot_bias_hidden+zj*bobot_hidden; tinggi, cenderung mencoba mengatur, memiliki kontrol diri baik, hidupnya serba teratur dan penuh dengan aturan main dan jadwal';

elseif y==[0 1];

x='Pola Garis Dasar Naik'

karakter='Tulisan dengan garis dasar menaik ditemukan pada lebih dari 90% orang yang berhasil dalam kehidupan. Karakter tipe tulisan ini optimisme, aktif, berfikir positif, dan selalu berusaha untuk mencapai cita-cita';

elseif y==[1 0];

x='Pola Garis Dasar Turun'

karakter='Karakter tipe tulisan seperti ini cenderung melihat segala sesuatu dari segi buruknya, susahnya, ataupun masalahnya. Orang yang menulis dengan gaya ini sering merasa sinis terhadap lingkungan sekitar dan merasa selalu menjadi korban keadaan';

else

x='Pola Garis Dasar Acak'

karakter='Karakter tipe tulisan seperti ini kadang tampak bersemangat, lalu tertawa, tetapi kemudian tiba-tiba loyo dan berdiri tegak, atau bahkan menangis tersedu-sedu. Mereka memiliki pengendalian diri yang buruk dan kondisi emosi yang tidak stabil' ;

(28)

A - 20

% --- Executes on selection change in listbox1.

function listbox1_Callback(hObject, eventdata, handles)

% hObject handle to listbox1 (see GCBO)

% Hints: contents = get(hObject,'String') returns listbox1 contents as cell array % contents{get(hObject,'Value')} returns selected item from listbox1

function listbox1_CreateFcn(hObject, eventdata, handles)

% hObject handle to listbox1 (see GCBO)

(29)

A - 21

% --- Executes on button press in EXIT.

function EXIT_Callback(hObject, eventdata, handles)

% hObject handle to EXIT (see GCBO)

(30)

B - 1

LAMPIRAN B

NILAI RATA-RATA POSISI PIXEL BERNILAI 1

(31)

B - 2

Data Latih Responden

ke

Nilai Rata-rata Posisi Pixel_{Bernilai 1}

(32)

B - 3

ke

(33)

B - 4

ke

(34)

B - 5

ke

(35)

B - 6

Tabel (Responden 1-16) Nilai Rata-rata Posisi Pixel (input 1-26) Data Pengujian

Data Uji Responden

ke

(36)

B - 7

Data Uji Responden

ke

(37)

B - 8

Data Uji Responden

ke

(38)

B - 9

Data Uji Responden

ke

(39)

C - 1

LAMPIRAN C

(40)

C - 2

Nama CITRA Tulisan Tangan Pola

Garis

Keluaran

Pola GarisPengenalan Karakter

Resp1

Lurus Lurus Benar Tipe Orang Dengan Tulisan Ini Adalah Orang Yang Memiliki Konsentrasi Cukup Tinggi,Memiliki Energi Yang

Besar, Cenderung Mencoba Mengatur ,Biasa Menyiapkan Dirinya Saat Berhadapan Dengan Orang Lain,Orang Ini

Sangat Terkontrol ,Mengikuti Aturan Main Dan Diplomatis,Hidupnya Serba Teratur, Penuh Dengan Aturan

Main Dan Jadwal

Resp2

Main Dan Jadwal

Resp3

Main Dan Jadwal

Resp4

(41)

C - 3

Nama CITRA Tulisan Tangan

Garis Pola GarisPengenalan Karakter

Resp5

Main Dan Jadwal

Resp6

Main Dan Jadwal

Resp7

Lurus Acak Salah Tipe Orang Dengan Tulisan Ini Memiliki Perasaan Yang Tidak Stabil ,Kadang Bersemangat, Tertawa , Tetapi Kemudian Tiba-Tiba Loyo Bahkan Menangis, Memiliki Pengendalian Diri Yang Buruk, Merasa Kehilangan Rasa Aman (Karena Ditinggalkan , Tidak Ada Orang Yang Bisa

dipercaya dan Diperlakukan Kasar), Cenderung Merasa Rapuh Dan Mudah Hancur, Cenderung Merusak Diri Dan

Impulsi

Resp8

Lurus Acak Salah Tipe Orang Dengan Tulisan Ini Memiliki Perasaan Yang Tidak Stabil ,Kadang Bersemangat, Tertawa , Tetapi Kemudian Tiba-Tiba Loyo Bahkan Menangis, Memiliki Pengendalian Diri Yang Buruk, Merasa Kehilangan Rasa Aman (Karena Ditinggalkan , Tidak Ada Orang Yang Bisa

(42)

C - 4

Resp9

Naik Naik Benar Tipe Orang Dengan Tulisan Ini Adalah Orang Yang Optimis,Aktif,Berpikir Positif,Selalu Berusaha Mencapai

Cita

Resp10

Cita

Resp11

Cita

Resp12 Naik Naik Benar _{Optimis,Aktif,Berpikir Positif,Selalu Berusaha Mencapai}Tipe Orang Dengan Tulisan Ini Adalah Orang Yang Cita

Resp13

Naik Lurus Salah Tipe Orang Dengan Tulisan Ini Adalah Orang Yang Memiliki Konsentrasi Cukup Tinggi,Memiliki Energi Yang

Main Dan Jadwal

Resp14

Naik Lurus Salah Tipe Orang Dengan Tulisan Ini Adalah Orang Yang Memiliki Konsentrasi Cukup Tinggi,Memiliki Energi Yang

(43)

C - 5

Resp15

Naik Acak Salah Tipe Orang Dengan Tulisan Ini Memiliki Perasaan Yang Tidak Stabil ,Kadang Bersemangat, Tertawa , Tetapi Kemudian Tiba-Tiba Loyo Bahkan Menangis, Memiliki Pengendalian Diri Yang Buruk, Merasa Kehilangan Rasa Aman (Karena Ditinggalkan , Tidak Ada Orang Yang Bisa

Impulsif

Resp16

Cita

Resp17

Turun Turun Benar Tipe Orang Dengan Tulisan Ini Adalah Orang Yang Optimis,Aktif,Berpikir Positif,Selalu Berusaha Mencapai

Cita

Resp18

Turun Acak Salah Tipe Orang Dengan Tulisan Ini Memiliki Perasaan Yang Tidak Stabil ,Kadang Bersemangat, Tertawa , Tetapi Kemudian Tiba-Tiba Loyo Bahkan Menangis, Memiliki Pengendalian Diri Yang Buruk, Merasa Kehilangan Rasa Aman (Karena Ditinggalkan , Tidak Ada Orang Yang Bisa

Impulsif

Resp19

(44)

C - 6

Garis Pola Garis

Resp20

Impulsif

Resp21

Turun Acak Salah Tipe Orang Dengan Tulisan Ini Memiliki Perasaan Yang Tidak Stabil ,Kadang Bersemangat, Tertawa , Tetapi Kemudian Tiba-Tiba Loyo Bahkan Menangis, Memiliki Pengendalian Diri Yang Buruk, Merasa Kehilangan Rasa Aman (Karena Ditinggalkan , Tidak Ada Orang Yang Bisa

Impulsif

Resp22

Turun Turun Benar Tipe Orang Dengan Tulisan Ini Sering Melihat Segala Sesuatu Dari Segi Buruk,Berpikir Negatif,Sering Merasa Sinis Terhadap Lingkungan Sekitar, Sering Merasa Selalu

Menjadi Korban Keadaan, Hidupnya Selalu Rumit,Susah Dan Berujung Aneh

Resp23

Turun Turun Benar Tipe Orang Dengan Tulisan Ini Sering Melihat Segala Sesuatu Dari Segi Buruk,Berpikir Negatif,Sering Merasa Sinis Terhadap Lingkungan Sekitar, Sering Merasa Selalu

Menjadi Korban Keadaan, Hidupnya Selalu Rumit,Susah Dan Berujung Aneh

Resp24

Turun Acak Salah Tipe Orang Dengan Tulisan Ini Memiliki Perasaan Yang Tidak Stabil ,Kadang Bersemangat, Tertawa , Tetapi Kemudian Tiba-Tiba Loyo Bahkan Menangis, Memiliki Pengendalian Diri Yang Buruk, Merasa Kehilangan Rasa Aman (Karena Ditinggalkan , Tidak Ada Orang Yang Bisa

(45)

C - 7

Acak Lurus Salah Tipe Orang Dengan Tulisan Ini Adalah Orang Yang Memiliki Konsentrasi Cukup Tinggi,Memiliki Energi Yang

Main Dan Jadwal

Resp26

Acak Acak Benar Tipe Orang Dengan Tulisan Ini Memiliki Perasaan Yang Tidak Stabil ,Kadang Bersemangat, Tertawa , Tetapi Kemudian Tiba-Tiba Loyo Bahkan Menangis, Memiliki Pengendalian Diri Yang Buruk, Merasa Kehilangan Rasa Aman (Karena Ditinggalkan , Tidak Ada Orang Yang Bisa

Impulsif

Resp27

Impulsif

Resp28

(46)

C - 8

Resp29

Impulsif

Resp30

Impulsif

Resp31

Impulsif

Resp32

(47)

D - 1

LAMPIRAN D

(48)

D - 2

(49)

1

Universitas Kristen Maranatha Bab ini akan membahas mengenai latar belakang masalah, identifikasi masalah, batasan masalah, tujuan Tugas Akhir, dan sistematika penulisan dari Tugas Akhir ini.

I.1 Latar Belakang

Saat ini teknologi komputer telah banyak diterapkan untuk membantu menyelesaikan berbagai masalah. Salah satu permasalahan tersebut adalah pengenalan karakter tulisan tangan, yang telah lama diidentifikasi sebagai salah satu permasalahan yang sulit. Untuk memecahkan masalah tersebut dirancang suatu perangkat lunak yang menerapkan sistem yang menyerupai sistem kerja otak manusia yang dikenal dengan Jaringan Syaraf Tiruan (JST). JST merupakan salah satu teknik untuk pengenalan pola yang memiliki kemampuan yang sangat baik.

Kemiringan garis dasar tulisan bercerita banyak tentang bagaimana seseorang mengekspresikan perasaannya. Seorang yang sangat mudah mengekspresikan perasaannya disebut dengan orang yang emosional, sedang yang tidak berarti tidak emosional. Garis dasar adalah garis imajiner yang tercipta ketika bagian bawah dari huruf-huruf kata ataupun kalimat saling terhubung. Garis dasar ini bisa mengarah ke bagian atas kertas, ke bagian bawah kertas, mendatar, ataupun naik turun tidak beraturan[8].

(50)

Teknik Elektro 2

Universitas Kristen Maranatha Salah satu metode JST yang memilki kemampuan pembelajaran yang sangat baik adalah metode Backpropagation yang dikembangkan oleh Rumelhart, Hinton dan Williams pada tahun 1986. Kelemahan metode Backpropagation adalah pelatihan akan berjalan dengan lambat jika dimensi input terlalu besar. Untuk mengatasi masalah tersebut biasanya dilakukan praproses tertentu untuk mengekstraksi ciri pada data input sehingga dimensi input-nya menjadi lebih kecil. Beberapa modifikasi dari metode Backpropagation telah diajukan untuk menambah kecepatan pembelajaran. Martin Riedmiller dan Heinrich Braun telah mengembangkan suatu metode yang disebut Resilient Backpropagation (RPROP). Menurut Riedmiller & Braun (1993), algoritma RPROP sejauh ini terbukti sebagai metode yang memiliki kecepatan pembelajaran yang baik dan juga andal.

Pada penelitian ini metode yang digunakan adalah Resilient Backpropagation sebagai algoritma pembelajaran dan pengujian.

I.2 Perumusan Masalah

Terdapat beberapa perumusan masalah dalam pembuatan Tugas Akhir ini. Adapun perumusan masalah tersebut antara lain :

1. Bagaimana merancang JST (Jaringan Saraf Tiruan) dengan menggunakan Algoritma Resilient Backpropagation dalam matlab ? 2. Bagaimana proses pengenalan pola kemiringan garis dasar tulisan

tangan dengan Algoritma Resilient Backpropagation ?

I.3 Tujuan Tugas Akhir

Tujuan yang nantinya akan dicapai melalui Tugas Akhir ini adalah : 1. Memahami dan menerapkan Algoritma Resilient Backpropagation. 2. Merancang perangkat lunak yang dapat mengenali pola kemiringan

(51)

Teknik Elektro 3

Universitas Kristen Maranatha I.4 Pembatasan Masalah

Batasan-batasan masalah dalam Tugas Akhir ini adalah :

1. Tulisan tangan yang akan digunakan sebagai data latih dan uji ada 72 pola tulisan tangan (40 buah digunakan untuk data latih dan 32 buah sebagai data uji).

2. Responden menuliskan tulisan tangannya pada kertas yang dibatasi kotak berukuran 21 x 17 cm.

3. Tulisan tangan dipindai dengan resolusi 200 dpi dan komponen warna 24 bit format Red Green Blue (RGB) untuk memperoleh citra tulisan tangan.

4. Citra tulisan tangan yang digunakan adalah 50 x 1000 piksel dengan ekstensi Joint Photographic Experts Group (JPEG).

5. Teknik pelatihan dan pengujian yang digunakan adalah Resilient Backpropagation.

6. Pola garis dasar yang digunakan (garis dasar lurus, menaik, menurun, dan tidak beraturan).

7. Pola garis lurus derajat kemiringan sudutnya (θ) sebesar -3° < θ < 3°, pola garis menaik derajat kemiringan sudutnya (θ) sebesar θ≥ 3°, pola garis menurun derajat kemiringan sudutnya (θ) sebesar θ ≤ -3° dan pola garis tidak beraturan derajat kemiringan sudutnya (θ) tidak beraturan

(52)

Teknik Elektro 4

Universitas Kristen Maranatha I.5 Sistematika Penulisan

Sistematika yang akan digunakan untuk menyusun laporan ini adalah sebagai berikut :

Bab 1. Pendahuluan

Merupakan bab yang menjelaskan mengenai latar belakang masalah, identifikasi masalah, batasan masalah, tujuan Tugas Akhir, dan sistematika penulisan dari Tugas Akhir ini.

Bab 2. Landasan Teori

Merupakan bab yang disusun untuk memberikan penjelasan mengenai Teori Dasar Citra, Pengolahan Citra Digital, metode Jaringan Syaraf Tiruan dan Algoritma Resilient Backpropagation. Bab 3. Perancangan Perangkat Lunak

Bab ini berisi penjelasan desain yang akan dilakukan untuk membuat perangkat lunak penganalisa kepribadian dari tulisan tangan dengan menggunakan Algoritma Resilient Backpropagation.

Bab 4. Simulasi dan Analisa

Bab ini berisi hasil yang diperoleh dari penelitian dan analisa data yang diperoleh melalui Tugas Akhir ini.

Bab 5. Kesimpulan dan Saran

(53)

Teknik Elektro

68 _{Universitas Kristen Maranatha}

Pada bab ini disimpulkan hasil pengamatan dan saran-saran untuk perbaikan penelitian selanjutnya.

V.1 Kesimpulan

1. Pengenalan pola tulisan tangan menggunakan Jaringan Saraf Tiruan Resilient Backpropagation telah berhasil diimplementasikan dan dapat

berfungsi untuk mengenali karakter seseorang sesuai referensi yang ada.

2. Dari 32 sampel data uji pengenalan pola garis dasar tulisan tangan menggunakan nilai rata-rata posisi pixel bernilai 1, sistem mampu mengenali dengan benar 21 data uji atau 65,63 %. Adapun besar presentase pengenalan per pola:

• Untuk Pola Garis Lurus : 75% • Untuk Pola Garis Menaik : 62,5% • Untuk Pola Garis Menurun : 37,5% • Untuk Pola Garis Acak : 87,5%

V.2 Saran

1. Arsitektur tektur Jaringan Syaraf Tiruan Resilient Backpropagation untuk pengenalan pola garis dasar tulisan tangan dapat dikembangkan dengan melakukan pengenalan secara online.

2. Penggunaan metode ekstraksi ciri untuk meningkatkan akurasi pengenalan Jaringan Syaraf Tiruan.

(54)

69

Universitas Kristen Maranatha [2] Ghosh,Rajib, Mandal,Gouranga, Skew Detection and Correction of Online

Bangla Handwritten Word ,July 2012.

[3] Haykin, Simon. Neural Networks: A Comprehensive Foundation. Second Edition. New Jersey: Prentice-Hal, Inc. 1999.

[4] Heaton, Jeff . Introduction to Neural Networks with Java. Second Edition. St. Louis: Heaton Research. 2008.

[5] Jek Siang. Jong. Jaringan Syaraf Tiruan & Pemogramannya menggunakan MATLAB, Andi, Yogyakarta. 2004.

[6] Karohs,Erika. Measurements in Handwriting with illustrations and comprehensive interpretation: ISHA

[7] Kusumadewi, Sri. Membangun Jaringan Syaraf Tiruan Menggunakan MATLAB & Excel Link, Graha Mulia, Yogyakarta.

2004.

[8] Ludvianto, Bayu. Analisis Tulisan Tangan, Gramedia Pustaka Utama, Jakarta. 2011.

[9] Rafael.C.Gonzales. Digital Image Processing. New Jersey: Prentice Hall. 2001.

[10] Riedmiller, M & Braun, H. A Direct Adaptive Method For Faster Backpropagation Learning : The RPROP Algorithm. 1993.

[11] Rojas, Raúl. Neural Networks A Systematic Introduction. Germany: Springer. 1996.

[12] R.Thomas & G.W.Awcock. Applied Image Processing. Singapore: Mc Graw-Hill International Edition. 1996.

[13] Saputro, D. W. Pengenalan Karakter Tulisan Tangan

Dengan Menggunakan Jaringan Syaraf Tiruan Propagasi

Balik Resilient . Skripsi. Jurusan Ilmu Komputer Fakultas Matematika