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
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
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
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
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
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
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
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
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
Jurnal Ilmiah Komputer dan Informatika (KOMPUTA)
45Edisi. .. 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,
Jurnal Ilmiah Komputer dan Informatika (KOMPUTA)
46Edisi. .. Volume. .., Bulan 20.. ISSN : 2089-9033
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
Jurnal Ilmiah Komputer dan Informatika (KOMPUTA)
47Edisi. .. Volume. .., Bulan 20.. ISSN : 2089-9033
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 :
Jurnal Ilmiah Komputer dan Informatika (KOMPUTA)
48Edisi. .. Volume. .., Bulan 20.. ISSN : 2089-9033
= 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:
� = learning rate/ rasio pembelajaran
� = 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:
Jurnal Ilmiah Komputer dan Informatika (KOMPUTA)
49Edisi. .. Volume. .., Bulan 20.. ISSN : 2089-9033
= nilai input
� = learning rate/ rasio pembelajaran
Hitung suku perubahan bobot
Δ = ��
Dimana:
� = faktor unit tersembunyi
� = learning rate/ rasio pembelajaran
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
Jurnal Ilmiah Komputer dan Informatika (KOMPUTA)
50Edisi. .. Volume. .., Bulan 20.. ISSN : 2089-9033
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:
Jurnal Ilmiah Komputer dan Informatika (KOMPUTA)
51Edisi. .. Volume. .., Bulan 20.. ISSN : 2089-9033
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
Jurnal Ilmiah Komputer dan Informatika (KOMPUTA)
52Edisi. .. Volume. .., Bulan 20.. ISSN : 2089-9033
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
Jurnal Ilmiah Komputer dan Informatika (KOMPUTA)
45Edisi. .. Volume. .., Bulan 20.. ISSN : 2089-9033
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
Jurnal Ilmiah Komputer dan Informatika (KOMPUTA)
46Edisi. .. Volume. .., Bulan 20.. ISSN : 2089-9033
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:
Jurnal Ilmiah Komputer dan Informatika (KOMPUTA)
47Edisi. .. Volume. .., Bulan 20.. ISSN : 2089-9033
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.
Jurnal Ilmiah Komputer dan Informatika (KOMPUTA)
48Edisi. .. Volume. .., Bulan 20.. ISSN : 2089-9033
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.
Jurnal Ilmiah Komputer dan Informatika (KOMPUTA)
49Edisi. .. Volume. .., Bulan 20.. ISSN : 2089-9033
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:
� = learning rate
� = factor error unit
Step 7 : Calculate the factor � unit hidden by an error in each unit of output
�_ = ∑ �
=
Where:
� = factor error unit
Jurnal Ilmiah Komputer dan Informatika (KOMPUTA)
50Edisi. .. Volume. .., Bulan 20.. ISSN : 2089-9033
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
� = learning rate
Calculate the weight change rate
� = ��
Where:
� = factor hidden units
� = learning rate
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
Jurnal Ilmiah Komputer dan Informatika (KOMPUTA)
51Edisi. .. Volume. .., Bulan 20.. ISSN : 2089-9033
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
Jurnal Ilmiah Komputer dan Informatika (KOMPUTA)
52Edisi. .. Volume. .., Bulan 20.. ISSN : 2089-9033
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
Jurnal Ilmiah Komputer dan Informatika (KOMPUTA)
53Edisi. .. Volume. .., Bulan 20.. ISSN : 2089-9033
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
Jurnal Ilmiah Komputer dan Informatika (KOMPUTA)
54Edisi. .. Volume. .., Bulan 20.. ISSN : 2089-9033
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