Pengenalan Pola Garis Dasar Kalimat Pada Tulisan Tangan Dengan Menggunakan Algoritma Backpropagation

(1)

PENGENALAN POLA GARIS DASAR KALIMAT

PADA TULISAN TANGAN DENGAN MENGGUNAKAN

ALGORITMA BACKPROPAGATION

SKRIPSI

Diajukan untuk Menempuh Ujian Akhir Sarjana

RASYIDA NURLAILANI

10110772

PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS TEKNIK DAN ILMU KOMPUTER

(2)

iii

KATA PENGANTAR

Segala puji dan syukur sedalam-dalamnya ke hadirat ALLAH SWT, yang telah

memberikan karunia dan hidayah-Nya sehingga penulis dapat menyelesaikan

Tugas Akhir yang mengambil tema :

“

PENGENALAN POLA GARIS DASAR

TULISAN

TANGGAN

MENGGUNAKAN

ALGORITMA

BACKPROPAGATION

”. ini disusun untuk

memperoleh gelar Strata 1 (S1)

Fakultas Teknik, Jurusan Informatika di Universitas Komputer Indonesia

(UNIKOM) Bandung.

Dalam menyelesaikan laporan Tugas Akhir ini, penulis banyak sekali mendapat

bantuan serta dorongan dari berbagai pihak, baik moril maupun materil.Oleh karna

itu perkenankan penulis menyampaikan terima kasih dan penghargaan

sebesar-besarnya kepada :

1.

Allah SWT yang telah memberikan kelancaran dalam penyusunan laporan

Tugas Akhir ini.

2.

Kepada Ayahnda Ir. Norlan, M.Tech.Mgt dan Ibunda Reni Nurhayati yang

saya hormati dan saya cintai yang telah dengan sabar memberikan dukungan

dan motivasi kepada penulis, dan tidak lupa kepada dua adik saya Hanisa

Nur’Aini dan Ikhsan Taufik Nurrahman

yang saya sayangi yang telah

banyak membantu dan memberikan saya motivasi untuk menyelesaikan

tugas akhir ini.

3.

Ibu Sufaatin, S.T. M.Kom selaku dosen pembimbing yang telah

menyediakan waktunya dan memberikan banyak masukan kepada penulis.

4.

Ibu Kania Evita Dewi, S.Pd, M.Si., sebagai Reviewer dan selaku Dosen

Wali.

5.

Bapak Syibly Avivy A. Mulachela, M.Psi.,CMHA selaku narasumber yang

(3)

iv

6.

Wahyu Pratomo, S.T, M.T selaku teman, kaka dan pembimbig luar, yang

selalu memberikan masukan, bimbingan dan motivasi selama penulis

menyusun laporan ini.

7.

Buat sahabat ku selama ini Mahdi Ramadhan dan Genia Pascamala yang

selalu memberi motivasi dan semangat.

8.

Keluarga besar PHP Indonesia regol Bandung dan Keluarga besar KPGB

atas waktunya untuk meminjamkan tempat nya selama mengerjakan

penyusunan laporan.

9.

Kepada teman seperjuangan Swayji Giandika, Doni Sutawijaya, Arienten

Dwi Hidayat, Hadi Hartadi dan Tommy Saputra.

10.

Kepada teman

–

teman keluarga besar IF 13 Bergoyang 2010.

11.

Dan juga kepada seluruh pihak-pihak yang tidak bisa penulis sebutkan satu

persatu.

Penulis berharap semoga tulisan ini dapat bermanfaat bagi semua pihak dan

semoga hasil penelitian ini dapat dilanjutkan sehingga didapatkan hasil yang lebih

baik dari yang telah penulis susun.

Bandung, Febuari 2016

(4)

v

DAFTAR ISI

ABSTRAK ... i

ABSTRACT ... ii

KATA PENGANTAR ... iii

DAFTAR ISI ... v

DAFTAR GAMBAR ... ix

DAFTAR TABEL ... xi

DAFTAR SIMBOL ... xii

DAFTAR PUSTAKA ... xv

DAFTAR LAMPIRAN ... xiv

BAB 1 PENDAHULUAN ... 1

1.1 Latar Belakang Masalah ... 1

1.2 Rumusan Masala ... 2

1.3 Maksud dan Tujuan ... 2

1.4 Batasan Masalah... 3

1.5 Metodologi Penelitian ... 3

1.5.1 Metode Pengumpulan Data ... 3

1.5.2 Metode Pembangunan Perangkat Lunak ... 4

1.6 Sistematika Penulisan ... 6

BAB 2 LANDASAN TEORI ... 9

2.1. Definisis Kepribadian dan Deteksi Kepribadian ... 9

2.2. Pengertian Tulisan Tangan ... 10

2.2.1.Pengenalan Tulisan Tangan ... 10

(5)

vi

2.2.3. Penentuan Analisis Tulisan Tangan ... 11

2.3. Jaringan Syaraf Tiruan (JST) ... 14

2.3.1. Jaringan Syaraf Tiruan... 14

2.3.2. Arsitektur JST ... 16

2.3.3. Proses Pembelajaran JST ... 18

2.3.4. Pembelajaran Terawasi ... 19

2.3.4.1. Algoritma Neguyen Widrow dan Backpropagation ... 20

2.4. Pengolahan Citra Digital ... 28

2.4.1. Citra ... 28

2.4.2. Citra Digital ... 28

2.4.3. Cropping ... 29

2.4.4. Resize Citra ... 30

2.4.5. Grayscale ... 30

2.4.6. Thresholding ... 30

2.4.7. Citra Biner ... 31

2.4.8. Konversi Citra Grayscale ke Citra Biner ... 31

2.4.9. Cropping ... 33

2.5. Grafologi ... 34

2.5.1. Manfaat Mempelajari Grafologi ... 34

2.5.2. Keterbatasan Grafologi Dasar ... 35

2.6. Alat

–

alat Pemodelan Sistem ... 36

2.6.1. Flowchart ... 36

2.6.2. Diagram Konteks ... 36

2.6.3. DFD (Data Flow Diagram) ... 36

2.7. Pengujian ... 37

2.7.1. Black Box ... 37

2.7.2. Pengujian Akurasi ... 38

2.8. Matlab ... 38

BAB 3 ANALISIS DAN PERANCANGAN ... 41

3.1.Analisis Sistem ... 41

(6)

vii

3.1.2. Analisis Aplikasi ... 41

3.2. Analisis Penyelesaian Masalah ... 42

3.2.1. Analisis Data Masukan ... 42

3.2.2. Analisis Proses ... 46

3.2.3.Input Citra Proses ... 47

3.2.4. Image Processing ... 48

3.2.5. Cropping ... 49

3.2.6. Normalisasi ... 50

3.2.7. Grayscale ... 51

3.2.8. Thresholding ... 55

3.3. Analisis Metode ... 58

3.3.1. Backpropagation ... 59

3.4. Analisis Kebutuhan Non Fungsional ... 119

3.4.1. Analisis Kebutuhan Perangkat Keras ... 119

3.4.2. Anlaisis Kebutuhan Perangkat Luak ... 119

3.4.3. Analisis Pengguna ... 119

3.5. Analisis Kebutuhan Fungsional ... 120

3.5.1. Diagram Konteks Data Flow ... 120

3.5.2. Diagram Level 1Pengenlan Karakter Tulisan Tangan ... 120

3.5.3. Spesifikasi Proses ... 121

3.6. Perancangan Sistem ... 123

3.6.1. Perancangan Struktur Menu ... 123

3.6.2. Perancangan Antar Muka ... 123

3.6.3. Perancangan Antar Muka Pesan ... 124

3.6.4. Jaringan Semantik ... 125

BAB 4 IMPLEMENTASI DAN PERANCANGAN SISTEM ... 127

4.1.Implementasi ... 127

4.1.1.Implementasi Perangkat Keras ... 127

4.1.2.Implementasi Perangkat Lunak ... 128

(7)

viii

4.2.Pengujian Sistem ... 131

4.2.1.Pengujian Black Box ... 131

4.2.2.Skenario Pengujian Black Box ... 131

4.2.3.Hasil Pengujian Black Box ... 132

4.2.4.Pengujian Akurasi ... 133

4.2.5.Hasil Pengujian Akurasi ... 134

BAB 5 KESIMPULAN DAN SARAN ... 137

5.1 Kesimpulan ... 137

5.2 Saran ... 137

(8)

xv

DAFTAR PUSTAKA

[1]

https://www.karohs.com/books/GraphologyBooks

,Handwriting Analsysis.

[2]

Hermawan, Arief.

Jaringan saraf tiruan, Teori dan Aplikasi.

Yogyakarta :

Andi.2006

[3]

Achmad Hidayanto, R.Rizal Isnanto , Identifikasi Tanda Tangan

Menggunakan Jaringan Saraf Tiruan Perambatan Balik (

Backpropagation

).

[4]

Anifuddin Aziz, Muhamad Haikal,

Face Detection Using Backpropagation

Neural Network,

Universitas Gadjah Mada., Yogyakarta

[5]

Sayful Hakam, Adiwijaya , Andrian Rakhmatsyah, Pengenalan Pola Sidik

Jari berbasis Transformasi Wavelet dan Jaringan Syaraf Tiruan

Backpropagation., Teknik Informatika. Universitas Telkom.

[6]

tutorialspoint.com, Software Devlopment Life Cycle, tutorialspoint.com

[7]

Ludvianto, Bayu.

Analisis Tulisan Tangan. Gramedia, Jakarta.

2011

[8]

M. H. Purnomo dan A. Kurniawan, Supervised Neural Networks dan

Aplikasinya, Yogyakarta: Graha Ilmu, 2006

[9] Hermawan, Arief. 2006.

Jaringan Saraf Tiruan Teori dan Aplikasi

.

Yogyakarta: Andi.

[10] Puspitaningrum, Diyah. 2006.

Pengantar Jaringan Saraf Tiruan

.

Yogyakarta: Andi.

[11] S. Kusumadewi, Artificial Intelligence (Teknik dan Aplikasinya), Yogyakarta:

Graha Ilmu, 2003

[12] Siang, Jong Jek. 2009

Jaringan Saraf Tiruan & Pemrogramannya

Menggunakan Matlab

. Yogyakarta: Andi.

[13]

F. L, Fundamentals of Neural Network: Architectures, Algorithms, and

Applications, New Jersey: Prentice-Hall, 2002

[14]

http://informatika.stei.itb.ac.id/~rinaldi.munir/Buku/Pengolahan%20Citra

(9)

BIODATA PENULIS

1.

DATA PRIBADI

Nama

: Rasyida Nurlailani

Jenis Kelamin

: Perempuan

Tempat /Tanggal Lahir

: Bandung / 26 Juli 1991

Agama

: Islam

Status Pernikahan

: Belum Menikah

Alamat Rumah

:Jl. Inhoftank No 17, RT/RW 03/06, Kelurahan

Pelindung Hewan, Kecamatan Astanaanyar

Alamat Email

: rasyida_nurlailani@yahoo.com

2.

RIWAYAT PENDIDIKAN

Pendidikan Formal

Sekolah Dasar 1997

–

2003

: SD Negeri 07 Ulak Karang Selatang , PADANG

SMP

: SMP Negeri 13 Padang

SMA

: SMK MedikaCom

Perguruan Tinggi 2010 - 2016 : S1 Jurusan Teknik Informatika Fakultas Teknik

dan

Ilmu

Komputer

Universitas

Komputer

Indonesia

Demikian riwayat hidup ini saya buat dengan sebenar-benarnya dalam keadaan

sadar dan tanpa paksaan.

Bandung, Februari 2016

(10)

(11)

(12)

Jurnal Ilmiah Komputer dan Informatika (KOMPUTA)

45

Edisi. .. Volume. .., Bulan 20.. ISSN : 2089-9033

PENGENALAN POLA GARIS DASAR KALIMAT PADA TULISAN

TANGAN DENGAN MENGUNAKAN ALGORITMA

BACKPROPAGATION

Rasyida Nurlailani

Program Studi Teknik Informatika

Fakultas Teknik dan Ilmu Komputer Universitas Komputer Indonesia

Jl. Dipati Ukur No. 112-116 Bandung

E-mail : rasyida_nurlailani@yahoo.com

ABSTRAK

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.Pengenalan tulisan tangan dapat menggunakan jaringan saraf tiruan dengan cara mengklasifikasikan vektor-vektor masukan ke dalam kelas-kelas yang sudah ditentukan, salah satu metode jaringan saraf tiruan adalah

backpropagation

Data citra yang digunakan untuk analisis melalui tahapan proses image processing terlebih dulu seperti proses cropping, grayscale, edge detection,

thresholding, normalisasi dan segmentasi citra. Pola

garis dasar yang digunakan pada penelitian ini adalah empat pola garis dasar yaitu, pola garis dasaar naik, pola garis dasar turun, pola garis dasar lurus dan pola garis dasar acak.

Setelah melakukan proses pembelajaran dan pengenalan yang telah dilakukan dengan menggunakan algoritma backpropagation dapat digunakan dalam mengenali pola garis dasar tulisan tangan dan diperoleh nilai akurasi sebesar 54.33%. Persentase pengenalan masing – masing pola : untuk pola garis dasar lurus 82.35%, untuk pola garis dasar naik 55%, untuk pola garis dasar turun 50% dan untuk pola garis dasar acak 30%

.

Kata kunci : Grafologi, Jaringan Saraf Tiruan, Backpropagation, Image Processing, Garis Dasar, Tulisan Tangan.

1.

PENDAHULUAN

Pada bagian ini akan dipaparkan mengenai latar belakang masalah, maksud dan tujuan.

1.1 Latar Belakang

Hasil kerja manusia sangat ditentukan oleh sifat dan karakter diri pribadi seseorang. Di Perancis dan Swiss banyak perusahaan yang mencari karakter karyawan yang sesuai dengan kriteria perusahaan. Banyak cara yang dapat dilakukan untuk dapat menilai karakter seseorang, ada yang melalu wajah, bahasa tubuh, dan tulisan tangan. Untuk membaca karakter seseorang melalui tulisan tangan dapat

dipelajari lewat suatu ilmu yang disebut “Grafologi”. Grafologi sendiri adalah ilmu yang yang digunakan untuk mengetahui karakter serta kepribadian seseorang melalui tulisan atau coretan tangan yang ditorehkan pada kertas maupun media lain. Istilah lainnya disebut handwriting analysis. Dalam grafologi ada beberapa cara untuk mengetahui karakter seseorang, dengan cara memperhatikan pola dari tulisan tangan seperti pola garis dasar, ukuran huruf, kemiringan huruf dan kata, penekanan pena, jarak antar huruf dan jarak antar kata[1].

Pengenalan pola tulisan tangan dilakukan dengan bantuan perangkat lunak yang menggunakan Jaringan Saraf Tiruan (JST). JST didefinisikan sebagai suatu sistem pemrosesan informasi yang mempunyai karakteristik menyerupai jaringan saraf manusia. JST tercipta sebagai suatu generalisasi model matematis dari jaringan saraf biologi[2] Salah satu metode JST yang memilki kemampuan pembelajaran yang sangat baik adalah algoritma

Backpropagation yang dikembangkan oleh

Rumelhart, Hinton dan Williams, pada tahun 1986. Di lihat dari hasil penelitian sebelumnya, Identifikasi Tanda Tangan Menggunakan jaringan Saraf Tiruan Perambatan Balik (Backpropagation) denagn t ingkat keberhasilan sebesar 88% [3]. Sedangkan pada penelitian Face Dection Using Backpropagation

Neural Networks menghasilkannilai akurasi sebesar

90%[4]. Dan hasil penelitian pada Pengenalan pola sidik jari berbasis transformasi wavelet dan jaringan saraf tiruan Backpropagation tingkat akurasi yang di hasilkan adalah 81,67%[5].

Berdasarkan kelebihan metode

Backpropagation pada hasil penelitian sebelumnya,

(13)

Jurnal Ilmiah Komputer dan Informatika (KOMPUTA)

46

mencari nilai akurasi dari algoritma algoritma

backpropagation pada pengenalan pola garis dasar

kalimat.

1.2 Maksud dan Tujuan

Maksud penelitian ini adalah menganalisis algoritma backpropagation pada aplikasi yang dapat yang dapat mengetahui karakteristik manusia berdasarkan pola garis dasar tulisan tangan.

Tujuan yang akan dicapai dalam penelitian adalah Untuk mengetahui nilai akurasi dari algoritma

Backpropagation pada pola garis dasar kalimat.

1.3 Grafologi

Grafologi merupakan ilmu tulisan tangan yang dihasilkan oleh pikiran atau kerja otak, berdasarkan hal tersebut banyak ahli grafologi yang menyebut

tulisan tangan dengan “tulisan otak”. Para ahli

menyebutkan bahwa grafologi merupakan sebuah ilmu empiris yang dapat dibuktikan berdasarkan fenomena dalam satu populasi dan ada kuantifikasi hasil atau ada hasil dari uji statistik yang bisa dipertanggungjawabkan.

Grafologi berasal dari kata graphos yang berarti coretan dan logos adalah ilmu. Berdasarkan pengertian tersebut dapat dikatakan bahwa grafologi merupakan sebuah cabang ilmu yang mempelajari sebuah coretan tangan. Tulisan tangan disini bukan selalu huruf saja yang dapat dianalisis, namun sebuah coretan-coretan tangan juga dapat memiliki arti tersendiri. Grafologi juga dikatakan sebagai seni membaca tulisan tangan, karena tulisan setiap orang memiliki ciri-ciri yang khusus. [1]

1.4Dasar Penentuan Analisis Tulisan Tangan

Terdapat beberapa dasar yang penentuan analisis tulisan tangan, berikut adalah dasar-dasar dalam penentuan analisis tulisan tangan: [1]

1. Margin tulisan

Margin tulisan dalam ilmu grafologi menunjukan seseorang dan sosialnya.

2. Spasi atau jarak antar huruf

Dalam ilmu tata tulis, spasi merupakan salah satu jenis pemisah kata. Spasi adalah daerah kosong yang memang sengaja diadakan sebagai pemberi spasi dan pemisah, baik pemisah huruf, kata, angka atau tanda baca. Tidak ada angka atau spasi resmi yang dapat dijadikan patokan pasti atau resmi dalam spasi ini. Secara garis besar, spasi merupakan cerminan nyaman atau tidaknya seseorang (penulis) terhadap orang lain. Spasi atau jarak dalam tulisan terdapat tiga bagian, yaitu:

a. Jarak antar kata

Untuk spasi atau jarak antar kata pada tulisan adalah satu huruf. Jika spasi antar kata kurang dari 1

huruf “m” maka spasi tersebut kecil yang berarti

orang tersebut memiliki karakter orang yang memiliki sifat sosial yang tinggi. Sedangkan jika

spasi antar hurufnya lebih dari satu huruf “m” maka

dikatakan lebar yang berarti orang tersebut merupakan orang yang individualis.

b. Jarak antar huruf

Untuk spasi atau jarak huruf pada tulisan biasanya antara 1-2mm. Jadi jika spasi tulisan antar huruf seseorang kurang dari 1mm akan dikatakan kecil yang berarti orang tersebut memiliki karakter orang yang membutuhkan perhatian dan dorongan dari orang lain, sedangkan lebih dari 2 mm akan dikatakan besar yang berarti orang tersebut memiliki karakter penuh akan kehati-hatian terhadap seseorang. c. Jarak antar baris

Untuk spasi antar baris spasinya hampir sama dengan spasi antar kata dan antar huruf. Untuk spasi baris yang kecil mengindikasikan bahwa orang tersebut merupakan orang yang senang terlibat langsung dengan suatu hal, sedangkan spasi yang lebar mengindikasikan bahwa orang tersebut merupakan orang yang senang bekerja dibalik layar. 3. Garis dasar tulisan

Garis dasar atau baseline adalah garis imajiner dari setiap tulisan. Dalam ilmu grofologi, garis dasar diperumpamakan sebagai garis dasar untuk mencapai cita-cita. Garis dasar tulisan memiliki beberapa variasi diantaranya

a. Garis Dasar Lurus

Tipe orang dengan tulisan ini adalah orang yang memiliki konsentrasi cukup tinggi, memiliki energy 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 b. Garis Dasar Naik

Tipe orang dengan tulisan ini adalah orang yang optimis, aktif, berpikir positif, selalu berusaha mecapai cita.

c. Garis Dasar Turun

Tipe orang dengan t ulisan i ni 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. d. Garis Dasar Tak Menentu

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

e. Garis Dasar Cembung

(14)

Jurnal Ilmiah Komputer dan Informatika (KOMPUTA)

47

namun juga cepat meghilang f. Garis Dasar Cekung

Tipe orang dengan tulisan ini mengidentifikasikan adanya suatu sifat yang penuh keraguan dalam hal bertindak atau mengambil keputusan, namun perasaan ini akhirnya daoat segera diatasi dan semangatnya bergerak naik menunjukan adanya kegigihan dalam dirinya.

4. Ukuran tulisan

Ukuran tulisan lebih menjelaskan mengenai sejauh mana dia memandang dirinya sendiri dan membayangkan bagaimana dia seharusnya dipandang oleh lingkungan sosialnya.

5. Tekanan tulisan

Tekanan tulisan pada seseorang berhubungan dengan emosi seseorang yang menulis.

6. Zona penulisan 7. Kemiringan tulisan

Kemiringan tulisan seseorang berhubungan dengan sifat dan kecenderungan tindakan yang dilakukannya.

8. Jenis penulisan

Jenis penulisan seseorang terdapat dua jenis penulisan yaitu cetak dan bersambung, dan dalam grafologi akan berhubungan dengan interaksi sosial. 9. Kecepatan penulisan

Kecepatan seseorang dalam menulis dapat memberikan gambaran mengenai potensi kecerdasan dan kecepatan berpikir seseorang. Kecepatan penulisan seseorang juga berhubungan erat dengan kecepatan bertindak dan spontanitas seseorang. 10. Bentuk huruf awal dan akhir

Bentuk huruf awal dan akhir tulisan dapat dijadikan gambaran bagi kita untuk melihat karakter dan sifat penulisnya.

1.5Backpropagation

Metode pembelajaran ini merupakan termasuk arsitektur jaringan saraf tiruan multilayer

feedforward networks. Secara umum, jaringan ini

terdiri dari sejumlah unit neuron sebagai lapisan masukan, satu atau lebih lapisan simpul- simpul neuron lapisan tersembunyi dan sebuah lapisan simpul-simpul neuron keluaran. Sinyal masukan yang masuk dipropagasikan mulai dari lapisan awal sampai akhir ke arah lapisan keluaran. Jenis jaringan ini merupakan hasil dari generalisasi arsitektur perceptron satu lapisan, jadi biasa disebut dengan

multilayer perceptron (MLPs). Error back

propagation merupakan algoritma MLPs yang

menggunakan prinsip pembelajaran terawasi. Propagasi balik terjadi (ke arah lapisan masukan) setelah jaringan menghasilkan keluaran yang mengandung eror. Pada fase ini seluruh bobot sinapsis yang tidak memiliki aktivasi nol pada jaringan akan disesuaikan dengan mengkoreksi/memperkecil eror yang terjadi (error

correction rule). Untuk pembelajaran jaringan,

pasangan fase propagasi ke depan dan balik dilakukan secara berulang untuk satu set data latihan, kemudian diulangi sejumlah epoch (satu sesi lewatan untuk seluruh data latihan dalam sebuah proses pembelajaran jaringan) sampai eror yang terjadi mencapai batas kecil toleransi tertentu atau bernilai nol. Pada Gambar 1 berikut menjelaskan cara kerja dari jaringan saraf tiruan dengan menggunakan metode backpropagation:

Gambar 1. Metode Backpropagation

Algoritma propagasibalik dapat dibagi ke dalam dua bagian[12][13]:

1. Algoritma pelatihan

Algoritma pelatihan terdiri dari tiga tahap, yaitu: tahap propagasi maju, tahap propagasi mundur, dan tahap perubahan bobot.

2. Algoritma aplikasi

Algoritma aplikasi hanya menggunakan tahap umpan maju saja.

Algoritma pelatihan untuk jaringan dengan satu lapisan tersembunyi (dengan fungsi aktivasi sigmoid biner) adalah sebagai berikut:

Langkah 0:Inisialisasi semua bobot dengan bilangan acak kecil.

Langkah 1: Jika kondisi penghentian belum terpenuhi, lakukan langkah 2-9.

Langkah 2: Untuk setiap pasangan data pelatihan, lakukan langkah 3-8.

Fase I: Propagasi maju

Langkah 3: Tiap unit masukan menerima sinyal dan meneruskannya ke unit tersembunyi di atasnya.

Langkah 4: Hitung semua keluaran di unit tersembunyi = , , … , .

_ = + ∑

=

Dimana :

(15)

48

= input biner

= bobot inisialisasi v

= ( _ ) =

+ − _

Dimana:

_ = sinyal input

e = exponent

Langkah 5: Hitung semua keluaran jaringan di unit

= , , … , .

_ = + ∑

=

Dimana :

= bobot bias

= unit output

= bobot inisialisai w

= _ _{= +} _{− _}

Dimana

_ = sinyal output

e = exponen

Tentukan error minimum dan error

maksimum (k=1, …, m). Error dapat diperhitungan seperti pada

= ∑ � −

Dimana

� = Target = nilai output

Tentukan jumlah epoch minimum dan epoch

maksimum. Seperti pada

� _ ℎ = _{� _}�ℎ

Fase II : Propgasi mundur

Langkah 6 : Hitung factor � unit input dan output berdasarkan kesalahan di setiap unit keluaran =

, , … ,

� = − ′₍ ₎

� = − −

Dimana

_ = sinyal output = Target

= nilai output

dan � merupakan unit unit kesalahan yang akan dipakai dalam perubahan bobot lapisan di bawahnya (langkah7) Hitung suku perubahan bobot (yang akan dipakai nanti untuk merubah bobot ) dengan laju percepatan �.

∆ = �� ; = , , … . , ; = , , … ,

Dimana:

� = learning rate/ rasio pembelajaran

� = factor unit kesalahan = sinyal input

Hitung koreksi bias ∆ untuk memperbaiki nilai

∆

∆ = ��

Dimana:

� = factor unit kesalahan

Langkah 7 : Hitung factor � unit hidden berdasarkan kesalahan di setiap unit keluaran

�_ = ∑ �

= Dimana:

� = factor unit kesalahan = bobot inisialisai w

Faktr � unit tersembunyi :

� = �_ ′_{( _ ) = �} ₋

Dimana:

�_ = koreksi error

= unit output

Hitung suku perubahan bobot ( yang akan di pakai nanti untuk perubahan bobot )

Δ = ��

Dimana:

(16)

Jurnal Ilmiah Komputer dan Informatika (KOMPUTA)

49

= nilai input

Hitung suku perubahan bobot

Δ = ��

Dimana:

� = faktor unit tersembunyi

Fase III : perubahan bobot

Langkah 8 : hitung semua perubahan bobot

Perubahan bobot garis yang menunjukan unit keluaran :

� = � � + ∆

Dimana:

∆ = Perubahan bobot

Perubahan bobot garis yang menunjukan ke unit tersembunyi :

� = � � + ∆

∆ = Perubahan bobot ∆

Langkah 9 :

Uji kondisi pemberhentian (akhir iterasi) pengujian pemberhentian dilakukan dengan menghitung nilai

error. Jika mencari nilai error yang tidak memiliki

nilai target maka rumus mencari nilai error adalah sebagai berikut :

−

Jika sudah memiliki nilai target maka rumus mencari nilai error

adalah sebagai berikut :

∑ � −

Dimana

� = Target = nilai output

1.6 Pengolahan Citra Digital

Secara harfiah, citra (image) adalah gambar pada bidang dwimatra (dua dimensi). Ditinjau dari sudut pandang matematis, citra merupakan fungsi menerus (continue) dari intensitas cahaya pada bidang dwimatra. Sumber cahaya menerangi objek, objek memantulkan kembali sebagian dari berkas

cahaya. Pantulan cahaya ini ditangkap oleh alat-alat optik, misalnya mata pada manusia, kamera, dan pemindai (scanner), sehingga bayangan objek yang disebut citra tersebut terekam[14].

1. Peningkatan kecerahan dan kontras

Peningkatan kecerahan dan kontras adalah sebuah perbaikan dalam citra yang merubah citra yang memiliki nilai kecerahan dan nilai kontras kurang menjadi nilai kecerahan dan nilai kontras yang lebih baik.

2. Penghilang derau

Penghilang derau adalah proses penghilangan derau dari sebuah citra dengan keadaan distorsi atau memiliki derau.

3. Pencarian bentuk objek

Beberapa jenis operasi dari pengolahan citra adalah sebagai berikut: [6]

1. Pengabuan (Grayscale)

Merupakan proses konversi citra dengan warna sebenarnya (true color) menjadi citra keabuan (grayscale). Pengubahan gambar ke dalam bentuk grayscale ini dilakukan dengan mengambil nilai pixel dari satu gambar masukan kemudian dihitung menggunakan persamaan sebagai berikut:

� � � = , ∗ � +

, ∗ � + , ∗

2. Pengambangan (Thresholding)

Operasi ini digunakan untuk mengubah citra dengan format skala keabuan yang mempunyai nilai lebih dari dua menjadi citra biner yang hanya memiliki dua nilai yaitu 0 dan 1.

3. Pemotongan (Cropping)

Memotong bagian yang diinginkan dari sebuah citra

4. Pengskalaan (Scaling)

Mengubah ukuran citra menjadi lebih besar atau lebih kecil

1.7 Pengujian Black Box

Pengujian yang mengabaikan mekanisme internal sistem atau komponen dan fokus semata-mata pada output yang dihasilkan yang merespon input yang dipilih dan kondisi eksekusi. Pengujian yang dilakukan untuk mengevaluasi pemenuhan sistem atau komponen dengan kebutuhan fungsional tertentu. [11]

Tujuan Black Box adalah menemukan: 1. Fungsi yang tidak benar atau hilang

2. Kesalahan interface

3. Error pada struktur data atau akses database

external

4. Error pada kinerja

5. Error pada saat inisialisasi dan terminasi

6. Kesensitifan sistem terhadap nilai input tertentu 7. Batasan dari suatu data

(17)

Jurnal Ilmiah Komputer dan Informatika (KOMPUTA)

50

Akurasi merupakan seberapa dekat suatu angka hasil pengukuran terhadap angka sebenarnya (true value atau reference value). Tingkat akurasi diperoleh dengan perhitungan sesuai dengan persamaan berikut : [12]

� ℎ� � = ∑ �� _{∑�� }� �� × %

...(8)

2.

ISI PENELITIAN

2.1 Analisis dan Perancangan Sistem

Berikut adalah analisis dan perancangan dari sistem yang dibangun.

2.1.1 Analisis Masalah

2.1.2 Analisis Data Masukan

Data masukan yang dibutuhkan untuk aplikasi ini adalah sebuah citra. Citra dapat berupa hasil dari

scanning. Citra yang digunakan untuk aplikasi ini

berformat ‘.jpg’ atau juga ‘.png’. Citra yang dijadikan data masukan ini akan dibagi menjadi beberapa kelas berdasarkan hasil analisis yang dilakukan oleh aplikasi. Tabel 1 berikut adalah kelas-kelas yang tersedia untuk data citra masukan, data citra masukan akan dianalisis dan dimasukan ke dalam kelas yang tersedia:

Tabel 1 Kelas Data Masukan

2.1.3 Analisis Proses

Secara umum aplikasi memiliki beberapa proses dalam melakukan analisis terhadap citra yang dimasukkan kedalam aplikasi. Setiap proses memiliki peran masing-masing untuk dapat mengenali citra yang dimasukkan. Gambar 2 dapat dilihat pada gambar berikut: Citra Tulisan Tangan Cropping Graysacle PROSES Pembelajaran Pengenalan Image Processing Backpropagation

Hasil Analisis Edge Dectection Thresholding Normalisasi

Gambar 2 Analisis Proses

2.1.4 Input Citra

Proses pengambilan citra yang digunakan sebagai masukan pada sistem yang dibangun adalah citra dari tulisan tangan seseorang yang sudah di scan atau di foto yang berformat .jpg atau .png. Gambar 3 berikut merupakan citra masukan yang akan digunakan pada proses input citra:

Gambar 3 Citra Masukan

2.1.5 Proses Image Preprocessing

Pada proses ini terdapat beberapa proses pengolahan citra yang dibutuhkan pada simulasi yang akan dibangun mulai dari scaling, grayscaling, edge

detection, thresholding, segmentasi dan normalisasi.

Gambar 4 berikut adalah langkah-langkah yang dilakukan pada proses image processing mulai dari proses pertama hingga menghasilkan citra hasil dari proses image processing:

Mulai Cropping Threshold

ing Grayscale

Normalisasi Selesai Gambar 4 Proses Image Processing

2.1.5.1 Cropping

Cropping atau pemotongan citra dilakukan untuk

mendapatkan citra yang digunakan sebagai data masukan. Dari citra awal yang berukuran 77 x 1390 pixeldan setelah di lakukan proses cropping maka citra berukuran 66 x 1216 adalah citra hasil pemotongan dari citra masukan:

Gambar 5 Citra Hasil Pemotongan

2.1.5.2 Grayscale

Proses graycale adalah pengolahan citra yang normal (RGB) menjadi citra grayscale. Pengubahan gambar ke dalam bentuk grayscale ini dilakukan dengan mengambil nilai pixel dari satu gambar masukan kemudian dihitung menggunakan persamaan 5.6 berikut adalah nilai pixel citra hasil proses grayscaling dari citra masukan yang sudah melalui proses pemotongan:

(18)

Jurnal Ilmiah Komputer dan Informatika (KOMPUTA)

51

2.1.5.3 Thresholding

Thresholding merupakan proses untuk

merepsentasikan gambar digital hasil edgedetection

ke dalam bentuk matriks dengan isi 0 atau 1. Nilai 0 dan 1 didapat dari merubah nilai intensitas threshold

yang sudah ditentukan. Apabila nilai pixel berada di atas sebuah nilai intensitas maka akan diubah menjadi 0 yang berarti pixel tersebut merupakan background,

sedangkan jika nilai intensitas berada di bawah batas nilai yang ditentukan maka pixel tersebut akan diubah menjadi berwarna 1 yang berarti dianggap sebuah karakter.

Gambar 2 Nilai pixel Thresholding

2.1.5.4 Normalisasi

Normalisasi adalah proses penyeragaman ukuran citra menjadi ukuran yang sama. Karena data yang dihasilkan dapat berbeda-beda dimensinya. Oleh karena itu, untuk mendapatkan data yang seragam, akurat dan konsisten dari setiap sampel, data citra akan dinormalisasikan menjadi citra gambar dengan ukuran 20 x 250 pixel.

Gambar 3 Citra Hasil Normalisasi

1.1.6 Analisis Kebutuhan Fungsionalitas Sistem

Berikut adalah diagram konteks dari sistem:

Gambar 4 Diagram Konteks

Berikut adalah DFD level 1 dari sistem:

Gambar 5 Data Flow Diagram Level 1

2.2 Implementasi dan Pengujian Sistem

Berikut akan dipaparkan mengenai implementasi dan pengujian sistem.

2.2.1 Lingkungan Implementasi

Lingkungan implementasi merupakan spesifikasi perangkat keras dan perangkat lunak dimana sistem ini akan digunakan. Berikut adalah lingkungan implementasinya:

1. Lingkungan Perangkat Keras

Berikut adalah spesifikasi perangkat keras dalam pembangunan simulator ini:

a. Processor : Intel Core i5-4210u 2,7 GHz

b. Memory : RAM DDR 3 4 GB

c. Harddisk : 1 TB

d. VGA : NVIDIA GeForce 840m

e. Monitor14” dengan resolusi 1366 x 768

f. Keyboard

g. Mouse

h. Scanner

2. Lingkungan Perangkat Lunak

Berikut adalah perangkat lunak yang digunakan dalam pembangunan simulator:

a. Sistem Operasi : Microsoft Windows 7 b. Pemrograman : MATLAB R2012b

2.2.2 Implementasi Antarmuka

Berikut adalah implementasi antarmuka dari simulator yang dibuat:

2.2.3 Pengujian

Berikut adalah hasil pengujian dari pembangunan simulator:

1. Evaluasi pengujian fungsional

(19)

Jurnal Ilmiah Komputer dan Informatika (KOMPUTA)

52

yang dibangun sudah berjalan sesuai dengan yang diharapkan.

2. Evaluasi Pengujian Akurasi

Dari lima pengujian akurasi yang dilakukan akurasi paling tinggi didapat dari pengujian akurasi ke-5. Pengujian akurasi 5 dilakukan dengan menggunakan kombinasi parameter masukan sebagai berikut:

a. Learning Rate (α) : 0.05

b. Error Minimum : 0.05 c. Maksimum Epoh : 100

Berikut adalah akurasi yang dihasilkan dari proses pengujian .Nliai akurasi pada masing pola garis dasar adalah sebagai berikut:

� �� = %

= . %

� �� = % = %

Nilai Akurasi rata- rata dari pola garis dasar adalah sebesar 54.33%

3.

PENUTUP

3.1Kesimpulan dan Saran

Berdasarkan dari hasil penelitian, analisis, perancangan sistem dan pembuatan simulator pengenalan pola garis dasar tulisan tangan dengan menggunakan algoritma backpropagation maka kesimpulanya adalah metode backpropagation dapat digunakan dalam mengenali pola garis dasar tulisan tangan, dengan nilai akurasi yang diperoleh sebesar 54.33%. Presentase pengenalan masing – masing pola : untuk pola garis dasar lurus 82.35%, untuk pola garis dasar naik 55%, untuk pola garis dasar turun 50% dan untuk pola garis dasar acak 30%.

Untuk lebih meningkatkan kinerja dari sistem yang dibuat, maka diusulkan beberapa saran sebagai berikut :

1. Pengenalan karakter pada tulisan tangan tidak hanya melihat pola garis dasar kalimat saja, tetapi dari kemirigan tulisan, spasi antar kata, tekanan tulisan, ukuran tulisa dan margi tulisan.

2. Pencarian nilai spesifik dari citra tulisan tangan dapat dilakukan dengan metode lain.

DAFTAR PUSTAKA

[1]https://www.karohs.com/books/GraphologyBook s,Handwriting Analsysis.

[2] Hermawan, Arief. Jaringan saraf tiruan,

Teori dan Aplikasi. Yogyakarta : Andi.2006

[3] Achmad Hidayanto, R.Rizal Isnanto , Identifikasi Tanda Tangan Menggunakan Jaringan Saraf Tiruan Perambatan Balik

(Backpropagation).

[4] Anifuddin Aziz, Muhamad Haikal, Face Detection Using Backpropagation Neural

Network,Universitas Gadjah Mada.,

Yogyakarta

[5] Sayful Hakam, Adiwijaya , Andrian Rakhmatsyah, Pengenalan Pola Sidik Jari berbasis Transformasi Wavelet dan Jaringan Syaraf Tiruan Backpropagation., Teknik Informatika. Universitas Telkom.

[6] tutorialspoint.com, Software Devlopment Life Cycle, tutorialspoint.com

[7] Ludvianto, Bayu. Analisis Tulisan Tangan.

Gramedia, Jakarta. 2011

[8] M. H. Purnomo dan A. Kurniawan, Supervised Neural Networks dan Aplikasinya, Yogyakarta: Graha Ilmu, 2006

[9] Hermawan, Arief. 2006. Jaringan Saraf

Tiruan Teori dan Aplikasi. Yogyakarta: Andi.

[10] Puspitaningrum, Diyah. 2006. Pengantar

Jaringan Saraf Tiruan. Yogyakarta: Andi.

[11] S. Kusumadewi, Artificial Intelligence (Teknik dan Aplikasinya), Yogyakarta: Graha Ilmu, 2003

[12] Siang, Jong Jek. 2009 Jaringan Saraf Tiruan

& Pemrogramannya Menggunakan Matlab.

Yogyakarta: Andi.

[13] F. L, Fundamentals of Neural Network: Architectures, Algorithms, and Applications, New Jersey: Prentice-Hall, 2002

(20)

Jurnal Ilmiah Komputer dan Informatika (KOMPUTA)

45

HANDWRITING BASELINE PATTERN RECOGNITION ON SENTENCES

USING ALGORITHM BACKPROPAGATION

Rasyida Nurlailani

Informatics Engineering Program

Engineering and Computer Science Faculty Indonesia Computer University

Jl. Dipati Ukur No. 112-116 Bandung

E-mail :

rasyida_nurlailani@yahoo.com

ABSTRACT

Graphology is the study of a person's

character by analyzing a person's handwriting.

Analyzing handwriting is very helpful in many fields

today, for example in the field of education, crime and

can be used as counseling. One of the ways used in

graphology to know a person's character, is by

analyzing the pattern of a base line of writing

sentences tangan.Pengenalan handwriting can use

neural networks by classifying input vectors into

classes that have been determined, one of the methods

artificial neural network is a backpropagation

Image data used for the analysis through the

stages of the process of image processing such as the

first cropping, grayscale, edge detection,

thresholding, normalization and image segmentation.

The pattern of the base line used in this study are four

basic grid pattern, namely, line patterns dasaar rose

pattern down the base line, a straight base line

pattern and line pattern random basis.

After making the process of learning and

recognition that has been done by using the back

propagation algorithm can be used to recognize

patterns and handwriting base line values obtained

accuracy of 54.33%. Percentage introduction of each

- each pattern: on the basis of straight-line pattern

82.35%, on the pattern of a base line rose 55%, to a

pattern base line fell by 50% and on the basis of a

random pattern of lines 30%.

Keywords: Graphology, Neural Networks,

Backpropagation, Image Processing, Baseline,

Handwriting.

1.

INTRODUCTION

1.1Background

The work of humans is determined by the nature

and character of one's self. In France and

Switzerland and more companies are looking for

employees in accordance with the character of the

company's criteria. Much can be done to be able to

judge a person's character, there are through the

face, body language and handwriting. To read a

person's character through handwriting can be

learned through a science called "Graphology".

Graphology is the science used to determine the

character and personality of a person through writing

or graffiti inscribed on paper or other media. Other

terms referred to handwriting analysis. In

(21)

Jurnal Ilmiah Komputer dan Informatika (KOMPUTA)

46

person's character, by looking at the pattern of

handwriting as a basic grid pattern, the font size, the

slope of the letters and words, the emphasis pen,

spacing between letters and spacing between words

[1].

Handwriting pattern recognition is done with the

help of software using Artificial Neural Network

(ANN). JST is defined as an information processing

system that has characteristics resembling human

nerve tissue. ANN created as a generalization of

mathematical models of biological neural networks

[2] One method of ANN, which has an excellent

learning capability is Backpropagation algorithm

developed by Rumelhart, Hinton and Williams, in

1986.

In view of the results of previous studies,

Signature Identification Using Neural network

propagation Balik (Backpropagation) denagn t

Degree of success of 88% [3]. While the research

Face dection Using Backpropagation Neural

Networks produces an accuracy value of 90% [4].

And the results of research on fingerprint pattern

recognition based on wavelet transform and artificial

neural network Backpropagation at yield levels of

accuracy is 81.67% [5].

Based excess Backpropagation method in

previous studies, in this study the researchers will use

backpropagation algorithm is used to find the value

of the accuracy of the algorithm back propagation

algorithm on the introduction of basic sentence

patterns of lines.

1.2Purpose and Objective

Purpose of this study is to analyze the

propagation algorithms in applications that can to

know the characteristics of human beings on the basis

of handwriting line pattern.

Objectives to be achieved in the research was to

determine the accuracy of the algorithm

Backpropagation value on the bottom line of sentence

patterns.

1.3Graphology

Graphology is science of handwriting resulting by

headwork, based on that thing many graphology

expert called handwriting is “writing of brain”. The

expert say that graphology is na empirical Science

which can be proven by phenomena in population and

there quantification result or result from statistika

test can be accounted.

Graphology from graphos which meaning stroke

and logos is science. Based on that mean can be said

graphology is a branch of science studies a hand

stroke. Handwriting here is not always the letter can

be analyzed, but a hand stroke can also have its own

meaning. Graphology is also said as art for reading

handwriting, because a writing each people has

special characteristics.[1]

1.4 Determining basic Handwriting Analysis

There are some basic determination of

handwriting analysis, here are the basics in the

determination of handwriting analysis: [1]

1. Margin Posts

Margin writing in the science of graphology

shows the person and social.

2. Spacing or spacing between letters

In the science of Grammar, space is one type of

word separators. Spaces are empty areas that

are deliberately held as a giver of space and

separation, both separators letters, words,

numbers or punctuation. There are no official

numbers or spaces that can be used as a

benchmark for sure or authorized in this space.

Broadly speaking, the space is a reflection

comfortable or not a person (the author) to

others. Spacing or distance in the text there are

three parts, namely:

(22)

Jurnal Ilmiah Komputer dan Informatika (KOMPUTA)

47

For spacing or distance between the written

word is one letter. If the spacing between words

is less than 1 letter "m" then that space is small,

which means the person has the character of

those who have social natures. Meanwhile, if the

spacing between the letters more than one letter

"m" then said width which means the person is

a person who is individualistic.

4. Spacing between letters

For spacing or distance between the letters on

paper usually 1-2mm. So if spaced posts

between letters someone less than 1mm will be

said to be small, which means the person has the

character of people in need of attention and

encouragement from others, while more than 2

mm will say big meaning the person has a full

character would caution against someone ,

5. The distance between rows.

For spacing between lines spaces is almost the

same as the spacing between words and between

letters. For a small line spacing indicate that the

person is a happy person directly involved with

something, while the wide spaces indicate that

the person is a person who likes to work behind

the scenes.

6. Basic line posts

Base line or baseline is an imaginary line from

each post. In the science grofologi,

diperumpamakan base line as the base line for

achieving the goal. Basic line has several

variations including writing

a. The Bottom Line Straight

The type of people with this paper are

those who have a high enough

concentration, it has energy large, tend

to try to arrange, usually prepare

themselves when dealing with other

people, this is very controlled, follow

the rules and diplomatically, his

orderly, filled with rules and schedule

b. The Bottom Line Up

The type of people with this paper is an

optimist, active, positive thinking,

always trying mecapai ideals.

c. The Bottom Line Down

The type of people with ulisan i ni t

often see everything in terms of bad,

negative thinking, often feel cynical

about the surrounding environment,

often feel has always been a victim of

circumstances, life is always

complicated, difficult and led to

bizarre.

d. The Bottom Line of Uncertainty

The type of people with this paper has

the feeling unstable, sometimes upbeat,

laughing, but then arrived - arrived

lackluster even cry, have a poor

self-control, feeling lost sense of security

e. The Bottom Line Convex

The type of people with this paper has

a strong sense of enthusiasm, but

gradually melempen / fade because the

energy tekuras when reaching the top.

Additionally, this article identifies the

direction of the fast emerging

temperament, but also quickly

meghilang

f. Concave Bottom Line

The type of people with this paper

identifies a trait that is full of doubts in

terms of acting or making a decision,

but this feeling eventually daoat soon

resolved and spirits moving up showed

their tenacity in him.

7.Font Size

Font size further elucidate the extent to

which she sees herself and how she should

be seen by their social environment.

(23)

Jurnal Ilmiah Komputer dan Informatika (KOMPUTA)

48

Writing pressure on a person related to a

person's emotions to write.

9. Zona writing

10. The slope of the article

11. The slope of the person writing related to the

nature and tendency of their actions.

12. This type of literature

13. Type someone writing there are two types of

printing and writing is continued, and in

graphology will relate to social interaction.

14. Writing Speed

Speed someone in writing to provide an

overview of the potential of a person's

intelligence and speed of thought. Someone

writing speed is also closely linked with the

speed of one's acts and spontaneity.

15. Typeface beginning and end

Early and late forms of letter writing can be

used as illustration for us to see the

character and nature of the author.

1.5 Backpropagation

This learning method is included network

architecture multilayer feedforward neural networks.

Generally, the network consists of a number of units

of neurons as the input layer, one or more layers of

vertices neuron hidden layer and a layer of output

neurons knots. Incoming input signal propagated

from beginning to end layer towards the output layer.

This type of network is the result of a single layer

perceptron architecture generalization, so-called by

the multilayer perceptron (MLPs). Error back

propagation is an algorithm that uses the principle of

MLPs supervised learning. Propagation occurs

(towards the input layer) after the network produces

output that contains the error. In this phase, the entire

weight of the synapses that do not have a zero

activation on the network will be adjusted to correct

/ minimize error occurred (error correction rule). For

network learning, the couple propagation phase

ahead and behind is repeated for a set of training

data, then repeated a number of epoch (one session

throughput for the entire training data in a learning

process network) until the error occurs reach small

limit certain tolerance or zero , In Figure 1 below

outlines the workings of neural networks using

backpropagation method:This is step-by-step

learning algorithm from learning vector quantization

method:

Figure 1. Method Backpropagation

Propagasibalik algorithm can be divided into two

parts [12] [13]:

training algorithm

Training algorithm consists of three stages: the stage

of advanced propagation, propagation phase reverse,

and phase changes in weight.

algorithm application

Algorithm application only uses feed-forward stage

only.

Training algorithm to network with one hidden layer

(with a binary sigmoid activation function) is as

follows:

Step 0: Initialize all weights with small random

numbers.

Step 1: If the termination condition is not met, do

steps 2-9.

Step 2: For each pair of training data, perform steps

3-8.

(24)

Jurnal Ilmiah Komputer dan Informatika (KOMPUTA)

49

Step 3: Each unit receives input signals and forward

them to the hidden units on it.

Step 4: Calculate all the hidden unit output in

_ = + ∑

=

Where:

= weight bias

= binary inputs

= weight initialization v

= ( _ ) =

+ − _

where:

_ = input signal

e = exponent

Step 5: Calculate all the network output in y_k unit = , , … , .

_ = + ∑

=

where :

=weight bias

= unit of output

=weight initialization w

= _ _{= +} _{− _}

where

_ = output signal

e = exponen

Determine the minimum error and maximum

error (k=1, …, m).Error can be reckoned as the

= ∑ � −

where

� = Target

= outputvalue

etermine the number of epoch minimum and

maximum epoch. As in

� _ ℎ = _{� _} ℎ

Fase II : Propgasi retreat

Step 6 : Calculate the factor δ unit of input and output

based on the error in each unit of output =

, , … ,

� = − ′₍ ₎

� = − −

wherea

_ = output signal

= Target

= output value

and � k an error unit unit which will be used to

change the weight of the layer below (step7)

Calculate the weight rate changes (which will be

used later to change the weights ) with the

accelerated pace of �.

∆ = �� ; = , , … . , ; = , , … ,

Where:

� = learning rate

� = factor error unit

= input signal

Calculate the refractivecorrection ∆ to correct

the value ∆

∆ = ��

Where:

Step 7 : Calculate the factor � unit hidden by an error in each unit of output

�_ = ∑ �

=

Where:

(25)

Jurnal Ilmiah Komputer dan Informatika (KOMPUTA)

50

Faktr hidden � units :

� = �_ ′_{( _ ) = �} ₋

Where:

�_ = error correction

= unit of output

Calculate the weight rate changes ( yang which

will be used later to change the weights )

� = ��

Where:

� = factor hidden units

= input value

Calculate the weight change rate

� = ��

Where:

� = factor hidden units

Fase III : changes in weight Step 8 : count all the weight change

Change the line that shows the weight of the unit

output:

= + ∆

Where:

∆ = weight change

Changes to the weight of the line that shows hidden

units:

= + ∆

∆ = weight change ∆

Step 9 :

Test conditions of termination (end of iteration)

dismissal testing is done by calculating the error

value. If you are looking for the error value that does

not have a target value then the formula to find the

value of error is as follows :

−

If you already have a target value then the formula to

find the error value

are as follows :

∑ � −

Where

� = Target

= output value

1.6 Digital Image Processing

Literally, the image (image) is a two-dimensional

image in the plane (two dimensions). Judging from the

mathematical point of view, the image is a continuous

function (continue) on the two-dimensional light

intensity on the field. The light source illuminates an

object, the object reflects back a portion of the light

beam. This light reflection is captured by optical

devices, such as the human eye, a camera, and a

scanner (scanner), so the shadow of the object called

the image recorded [14].

1.Increasing the brightness and contrast

Increased brightness and contrast is an

improvement in image change the image

that has a value of brightness and contrast

value becomes a value less brightness and

better contrast values.

2.Busting Noise

Removal of noise is the process of removing

noise from an image with the distortion state

or has noise.

3.Search object shape

Some types of image processing operations

is as follows: [6]

a. Ashing (Grayscale)

An image conversion process with the actual

color (true color) is the image of gray

(grayscale). Changing the image into grayscale

(26)

Jurnal Ilmiah Komputer dan Informatika (KOMPUTA)

51

input image is then calculated using the

following equation:

Grayscale = ((0.2989 * R) + (0.5870 * G) + (0.1141

* B))

b. The floating (thresholding)

This operation used to change the image of the

gray-scale format that has a value of more than

two binary image that has only two values: 0

and 1.

c. Cutting (Cropping)

Cut off unwanted parts of an image

d. Pengskalaan (Scaling)

Changing the size of the image to be larger or

smaller

1.7 Testing BlackBoks

Testing that ignores the internal mechanism of the

system or its components and focus solely on the

output produced which responds to selected inputs and

execution conditions. Tests were conducted to

evaluate compliance with the system or components

with specific functional requirements. [11]

1.Interest Black Box is a find:

2.Functions that are incorrect or missing

3.errors interface

4.Error in data structures or external database

access

5.Error on performance

6.Error during initialization and termination

7.The system's sensitivity to certain input values

8.Limitations of the data

1.8 Testing Accuracy

Accuracy is how close a number of measurement

results against the actual figure (true value or

reference value). This level of accuracy is obtained by

calculation according to the following equation: [12]

� = ∑ �_{∑ �� }�� × %

2.

RESEARCH CONTENT

2.1Analysis and System Design

Here is analysis and design from a system built:

2.1.1 Problem Analysis 2.1.2 Input Data Analysis

Input data that need is an image. Image can be a

result of scanning. Extension image used is ‘.jpg’ or ‘.png’. Image used as input data will divided into

several class based on analysis result. Here are

available classes for input image:[1]

Table 1 Class Input Data

2.1.3 Process Analysis

In general, system have some process in doing

analyze against input data image. Each process have

a each role for recognition input image. Here figure

process analysis:

Citra Tulisan Tangan

Cropping

Graysacle

PROSES

Pembelajaran Pengenalan Image Processing Backpropagation

Hasil Analisis Edge

Dectection Thresholding

Normalisasi

Figure 1 Process Analysis

2.1.4 Input Image

The procees of taking iamge that used as input is

a handwriting people was scanned or photo with

format ‘.jpg’ or ‘.png’. Here a figure input image that

(27)

Jurnal Ilmiah Komputer dan Informatika (KOMPUTA)

52

Figure 2 Input Image

2.1.5 Image Preprocessing

In this process there several process image

processing that need in simulation will built begin

from scaling, grayscaling, edge detection,

thresholding, segmentation and normalize. Here is a

figure steps performed in image processing process:

Mulai Cropping Threshold

ing Grayscale

Normalisasi Selesai

Figure 3 Image Preprocessing Process

2.1.5.1Cropping

Cropping or cutting is done to get the image of the

image that is used as input data. From the initial

image measuring 77 x 1390 pixels and after doing the

process of cropping the image size of 66 x 1216 is the

cropped image of the input image:

Figure 4 Result of Cropping Process

2.1.5.2Grayscale

Grayscaling is a image processing was change

normal image (RGB) to grayscale image. Change

image to grayscale do with take a pixel value from

input data then calculate with this equation:

Figure 5 Result of Grayscale Process

2.1.5.3Thresholding

Thresholding is a process to representation

digital image from edge detection process to binary

image with 0 and 1. 0 and 1 get from change threshold

intensity value which has been determined. If pixel

value in upper value intensity then change 0 which

mean that pixel is background image, meanwhile if

pixel value lower than value intensity then change 1

which mean that handwriting character.

Here is figure result of thresholding process:

Figure 6 Result of Thresholding Process

2.1.5.4Normalize

Normalize is similarity size of image to be same

size. Because resulting data can different size.

Therefore to get same similar data, accurate and

consistent from each sample, image data will

normalize with pixel size 20x2500 pixel. Here figure

result of normalize:

Figure 7 Result of Normalize Process

.

2.1.6 Analysis Requirements System Functionality

Here is a context diagram from system:

Figure 8 Context Diagram

(28)

Jurnal Ilmiah Komputer dan Informatika (KOMPUTA)

53

Figure 9 Data Flow Diagram Level 1

2.2Implementation and System Testing

The following will describe about implementation

and testing of system.

2.2.1 Implementation Environment

Implementation environment is a specification of

hardware and software which the system will be used.

Here is the implementation environment:

1. Hardware

Here is hardware spesification in developed this

simulator:

a. Processor : Intel Core i5-4210u 2,7 GHz

b. Memory : RAM DDR 3 4 GB

c. Harddisk : 1 TB

d. VGA : NVIDIA GeForce 840m

e. Monitor 14” with resolution 1366 x 768

f. Keyboard

g. Mouse

h. Scanner

2. Software

Here is software used in developer simulator:

a. Operating System : Microsoft Windows7

b. Matlab R2012b

2.2.2 Interface Implementation

Here is interface implementation from simulator:

Figure 10 Interface Beranda

2.2.3 Testing

Here is testing result from developer simulator:

1. Evaluation of functional testing

Based on functional testing result done do, can be

concluded that simulator was built has been running

as expected.

2. Evaluation of accuracy testing

From 5 accuracy testing performed, the highest

accuracy obtained from 5th accuracy testing.

Accuracy testing 5 do with using combination input

parameter as below:

a. Learning rate : 0.05

b. Minimum error : 0.05

c. Maximum Epoch : 100

Here is accuracy testing result :

Here is result accuracy from accuracy testing

using this equation:

� � � � ℎ = %

= . %

� � � = % = %

� � � � = % = %

� � �� = % = %

Accuracy value of the average of the base line pattern is equal to 54.33%

3.

CLOSING

(29)

54

Based on the results of research, analysis, design

and manufacturing system simulator base line pattern

recognition of handwriting using backpropagation

algorithm then kesimpulanya is back propagation

method can be used to recognize the pattern of a base

line of handwriting, with accuracy values obtained at

54.33%. Percentage introduction of each - each

pattern: on the basis of straight-line pattern 82.35%,

on the pattern of a base line rose 55%, to a pattern

base line fell by 50% and on the basis of a random

pattern of lines 30%.

To further improve the performance of the system

are made, it is proposed some suggestions as follows:

1. The introduction of the characters in

handwriting not only see the bottom line of

sentence patterns, but from the tilt of the

writing, spaces between words, writing

pressure, size and margi literary writings.

2. Search the specific value of the image of the

handwriting can be done by other methods.

REFERENCES

[1]https://www.karohs.com/books/GraphologyBooks

,Handwriting Analsysis.

[2] Hermawan, Arief. Jaringan saraf tiruan, Teori

dan Aplikasi. Yogyakarta : Andi.2006

[3] Achmad Hidayanto, R.Rizal Isnanto ,

Identifikasi Tanda Tangan Menggunakan