Pengenalan Tulisan Tangan Aksara Batak Toba Menggunakan Jaringan Saraf Tiruan Berbasis Algoritma Resilient Propagation.

(1)

Universitas Kristen Maranatha i

PENGENALAN TULISAN TANGAN AKSARA BATAK TOBA

MENGGUNAKAN JARINGAN SARAF TIRUAN BERBASIS

ALGORITMA RESILIENT PROPAGATION

Disusun oleh :

Nama : Robin Panjaitan

NRP : 0622017

Jurusan Teknik Elektro, Fakultas Teknik, Universitas Kristen Maranatha

Jl. Prof. Drg. Suria Sumantri, MPH no 65, Bandung 40164, Indonesia

Email : robin_panbers@yahoo.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 resilient propagation.

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 freeman chain code, dan langkah terakhir adalah learning algoritma

menggunakan resilient propagation. Jaringan saraf tiruan yang digunakan

memiliki arsitektur multilayer perceptron.

Data tulisan tangan berasal dari 15 naracoba dengan 2 kali penulisan

sehingga diperoleh sebanyak 30 set data. Dari percobaan diperoleh hasil 100%

berhasil dikenali jika data uji sama dengan data latih dan rata-rata 63.56% berhasil

dikenali jika data uji berbeda dengan data latih.

Kata kunci :

aksara Batak Toba, jaringan saraf tiruan, resilient propagation, freeman chain

(2)

Universitas Kristen Maranatha ii

HANDWRITTEN BATAK TOBA ALPHABET RECOGNITION USING

RESILIENT PROPAGATION ALGORITHM

BASED NEURAL NETWORK

Composed by :

Name : Robin Panjaitan

NRP : 0622017

Department of Electrical Engineering, Faculty of Engineering,

Maranatha Christian University, Jl. Prof. drg. Surya Sumantri, MPH. No 65

Bandung 40164, Indonesia

Email : robin_panbers@yahoo.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 (freeman chain code), and recognition (using resilient

propagation learning algorithm).

Handwritten data taken from 15 subjects throught writing. From

experiment, the recognition 100% succeed when testing data is same as training

data and about 62.56% succeed when testing data differ from training data.

Key words :

Batak Toba alphabet, Artificial neural networks , resilient propagation, freeman

(3)

Universitas Kristen Maranatha

PERNYATAAN PUBLIKASI LAPORAN PENELITIAN

ABSTRAK ... i

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 ... 2

BAB II LANDASAN TEORI II.1 Aksara Batak Toba ... 4

II.2 Freeman Chain Code ... 6

(4)

Universitas Kristen Maranatha vi

II.3.1 Pengertian Jaringan Saraf Tiruan ... 9

II.3.2 Arsitektur Jaringan Saraf Tiruan ... 13

II.3.3 Fungsi Aktivasi ... 14

II.4 Resilient Propagation ………... 18

BAB III PERANCANGAN DAN REALISASI III.1 Blok Diagram ... 20

III.2 Langkah Kerja ... 20

III.3 Perancangan Program ... 29

III.3.1 Training Algoritma ... 30

III.3.2 Diagram Alir Training Algoritma ... 35

BAB IV ANALISIS DATA IV.1 Pelatihan Jaringan Saraf Tiruan ... 36

IV.2 Pengujian Jaringan Saraf Tiruan ... 36

IV.3 Error Pengujian Jaringan Saraf Tiruan ... 43

IV.3 Analisis Data ... 46

BAB V SIMPULAN DAN SARAN V.1 Simpulan ... 48

V.2 Saran ... 49

DAFTAR PUSTAKA ... 50

LAMPIRAN A

(5)

Universitas Kristen Maranatha vii

DAFTAR TABEL

Halaman

Tabel 3.1 Jumlah input node, hidden neuron dan output neuron ... 30

Tabel 3.2 Nilai target ... 34

Tabel 4.1 Jumlah iterasi setiap konfigurasi ... 36

Tabel 4.2 Persentase kategori 1 konfigurasi A ... 37

Tabel 4.3 Persentase kategori 1 konfigurasi B... 38

Tabel 4.4 Persentase kategori 1 konfigurasi C ... 39

Tabel 4.5 Persentase kategori 2 konfigurasi A ... 40

Tabel 4.6 Persentase kategori 2 konfigurasi B ... 41

Tabel 4.7 Persentase kategori 2 konfigurasi C ... 42

Tabel 4.8 Rata-rata error kategori 1 ... 45

(6)

Gambar 2.10 Fungsi saturating linear ... 17

Gambar 2.11 Fungsi symmetric saturating linear ... 17

Gambar 3.1 Diagram Blok ... 20

Gambar 3.9 Arsitektur jaringan saraf tiruan yang akan dirancang ... 29

(7)

LAMPIRAN A

1. Kotak pengumpulan data

DATA UJI AKSARA BATAK

Nama (optional) : Jenis Kelamin :

(8)

A2

(9)

(10)

(11)

(12)

(13)

(14)

(15)

(16)

(17)

(18)

(19)

(20)

(21)

(22)

(23)

(24)

(25)

(26)

(27)

(28)

(29)

(30)

(31)

(32)

(33)

(34)

(35)

(36)

(37)

(38)

Universitas Kristen Maranatha

B1

LAMPIRAN B

1. Program memanggil data hasi scan

file = input('Masukkan nama File: ', 's'); data=imread(file);

figure; imshow(data);

2. Program binerisasi

databiner=im2bw(data,0.95); figure;

imshow(databiner);

3. Program inversi

databiner1=ubah(databiner);

program fungsi ubah

function [furuh]=ubah(huruf)

4. Program segmentasi 1

(39)

Program segmentasi 2

(40)

Program fungsi skeet

(41)

5. Program proses normalisasi

(42)

B5

6. Proses ekstraksi ciri

x=a4;freeman;a5=cell;

program fungsi freeman

BW=bwboundaries(x); [mm,nn]=size(BW); for i=1:mm

(43)

z = fchcode(cell1, conn, dir); z1 = fchcode(cell2, conn, dir); z2 = fchcode(cell3, conn, dir); k=struct2cell(z);

Program fungsi fchcode

function c = fchcode(b, conn, dir) [np, nc] = size(b); C(13)=5; C(14)=6; C(15)=7;

a = circshift(b, [-1, 0]); DEL = a - b;

if any(abs(DEL(:, 1)) > 1) | any(abs(DEL(:, 2)) > 1); error('input ada yang terputus.')

end

(44)

B7 fcc = C(z);

c.fcc = fcc;

7. Program menyamakan jumlah input

x=a5;samakan;a6=y;

program fungsi samakan

[R,C]=size(x); if R>250

y=x(1:250); else if R<250

(45)

B8 y=x;

end end

8. Program resilient propagation

(46)

v=a + (b-a).*rand(jlhhid,jlhin); w=a + (b-a).*rand(jlhout,jlhhid); nettj=v*x;

cost = mean2((sum((t-y).^2))/5);

epoch=0;

(47)

(48)

B11 nettk=w*z;

y=1./(1+exp(-nettk));

cost = mean2((sum((t-y).^2))/5);

epoch=epoch+1; if epoch == 50000 break ; end

end

(49)

1

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.[7] 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 akan dibahas bagaimana

pengenalan tulisan tangan aksara 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 aksara

Batak Toba.

Dalam Tugas Akhir ini pengenalan tulisan tangan aksara Batak Toba

dilakukan dengan menggunakan JST beraksitektur Multilayer Perceptron (MLP) dan

beralgoritmakan Resilient Propagation . JST ini dirancang dengan paradigma diawasi

(supervised).[4] Nilai keluaran yang diharapkan akan dikurangi dengan nilai keluaran

aktual untuk mendapatkan error unit. Bobot akan diubah sampai mendapatkan fungsi

(50)

2

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

Resilient Propagation untuk pengenalan tulisan tangan aksara Batak

Toba?

(b) Bagaimana hasil pengenalan tulisan tangan aksara Batak Toba

menggunakan MLP pada JST dengan algoritma Resilient Propagation?

I.3 Tujuan

(a) Membuat simulasi pengenalan tulisan tangan aksara Batak Toba dengan

menerapkan MLP pada JST dengan algoritma Resilient Propagation.

(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.

(d) Menggunakan resolusi 75 dpi.

I.5 Sistematika Penulisan

Adapun sistematika dalam penulisan laporan ini terdiri dari 5 BAB, yaitu

(51)

3

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 Resilient Propagation.

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 Resilient Propagation.

BAB V : SIMPULAN DAN SARAN

Bab ini berisi simpulan dari uraian pembahasan yang ada dalam

bab sebelumnya serta saran-saran yang berguna untuk

(52)

Universitas Kristen Maranatha 48

BAB V

SIMPULAN DAN SARAN

V.1 Simpulan

Simpulan yang didapat dari hasil percobaan yang dilakukan pada Tugas Akhir

ini adalah :

1. Pengenalan aksara Batak Toba untuk kategori 1 adalah sebesar 100% untuk

semua aksara.

2. Arsitektur hidden layer 175 neuron (konfigurasi A) kategori 2, aksara yang

paling tinggi persentase dikenali adalah aksara ‘ya’ dan yang paling rendah

adalah aksara ‘sa’.

3. Arsitektur hidden layer 200 neuron (konfigurasi B) kategori 2, aksara yang

paling tinggi persentase dikenali adalah aksara ‘pa’ dan ‘i’ dan yang paling

rendah adalah aksara ‘na’.

4. Arsitektur hidden layer 225 neuron (konfigurasi C) kategori 2, aksara yang

paling tinggi persentase dikenali adalah aksara ‘pa’, ‘nga’, dan ‘i’ dan yang

(53)

Universitas Kristen Maranatha 49

V.2 Saran

1. Jumlah data latih pada training algoritma dapat ditambah.

(54)

50

DAFTAR PUSTAKA

1. Boger, Zvi. Dan Guterman, Hugo. Oktober 1997. Knowledge Extraction from

Artificial Neural Networks Models. Orlando : IEEE Systems, Man and Cybernetics Conference.

2. Fausett, Laurenne. 19 Desember 1993. Fundamentals Of Neural Networks,

Architectures, Algorithms, and Application.

3. Haykin, Simon. 2005. Neural Network: A Comprehensive Foundations, 2nd

Edition. India : Prentice Hall.

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. Riedmiller, Martin. dan Braun, Heinrich. 1993. A Direct Adaptive Method for

Faster Backpropagation Learning: The RPROP Algorithm. IEEE, Vol. 1, pp.

586 – 591.

7. Panggabean, M. dan Rønningen, L. November 2009. Character Recognition

of the Batak Toba Alphabet Using Signatures and Simplified Chain Code.