Pengenalan Pola Karakter Dan Penerjemahan Aksara Katakana Menggunakan Implementasi Algoritma Associative Memory Tipe Hetero-Associative

(1)

PENGENALAN POLA KARAKTER DAN PENERJEMAHAN AKSARA

KATAKANA MENGGUNAKAN IMPLEMENTASI ALGORITMA

ASSOCIATIVE MEMORY TIPE HETERO-ASSOCIATIVE

SKRIPSI

SEPTIAN DWI CAHYA PANJAITAN

091401029

PROGRAM STUDI S1 ILMU KOMPUTER

FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI

UNIVERSITAS SUMATERA UTARA

(2)

SKRIPSI

Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah Sarjana Ilmu Komputer

SEPTIAN DWI CAHYA PANJAITAN

091401029

PROGRAM STUDI S1 ILMU KOMPUTER

FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI

UNIVERSITAS SUMATERA UTARA

(3)

PERSETUJUAN

Judul : PENGENALAN POLA KARAKTER DAN PENERJEMAHAN AKSARA KATAKANA

MENGGUNAKAN IMPLEMENTASI ALGORITMA ASSOCIATIVE MEMORY TIPE

HETERO-ASSOCIATIVE Kategori : SKRIPSI

Nama : SEPTIAN DWI CAHYA PANJAITAN Nomor Induk Mahasiswa : 091401029

Program Studi : S1 ILMU KOMPUTER

Fakultas : ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA

Komisi Pembimbing :

Pembimbing II Pembimbing I

Amer Sharif, S.Si, M.Kom Dr. Poltak Sihombing, M.Kom NIP. 19620217 199103 1 001

Diketahui/disetujui oleh

Program Studi S1 Ilmu Komputer Ketua,

(4)

PERNYATAAN

SKRIPSI

Saya menyatakan bahwa skripsi ini adalah hasil kerja saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing disebutkan sumbernya.

Medan, Januari 2017

(5)

UCAPAN TERIMA KASIH

Segala puji dan syukur penulis ucapkan kehadirat Tuhan Yang Maha Esa atas hikmat dan karunia-Nya sehingga penulis dapat menyelesaikan skripsi ini, sebagai syarat untuk memperoleh gelar Sarjana Komputer, pada Program Studi S1 Ilmu Komputer, Fakultas Ilmu Komputer dan Teknologi Informasi, Universitas Sumatera Utara.

Dalam penyusunan dan penulisan skripsi ini, penulis banyak mendapat bantuan, dukungan, dan bimbingan dari berbagai pihak. Pada kesempatan ini penulis ingin mengucapkan rasa terima kasih dan penghargaan kepada:

1. Bapak Prof. Dr. Runtung Sitepu, SH, M.Hum selaku Rektor Universitas Sumatera Utara.

2. Bapak Prof. Dr. Opim Salim Sitompul, M.Sc sebagai Dekan Fakultas Ilmu Komputer dan Teknologi Informasi.

3. Bapak Dr. Poltak Sihombing, M.Kom sebagai Ketua Program Studi S1 Ilmu Komputer dan Dosen Pembimbing I yang telah memberikan bimbingan dan dukungan kepada penulis dalam menyelesaikan skripsi ini.

4. Ibu Maya Silvi Lydia, B.Sc, M.Sc selaku Sekretaris Program Studi Ilmu Komputer dan Dosen Pembanding II yang telah memberikan kritik dan saran dalam penyempurnaan skripsi ini.

5. Bapak Amer Sharif, S.Si, M.Kom selaku Dosen Pembimbing II, yang telah meluangkan waktu, tenaga, dan pikiran dalam membimbing, mengarahkan, memotivasi, menasehati, serta memberi semangat kepada penulis supaya dapat menyelesaikan skripsi ini.

6. Bapak Prof. Dr. Iryanto, M.Si selaku Dosen Pembanding I yang telah memberikan kritik dan saran terhadap skripsi penulis.

7. Seluruh staf pengajar dan pegawai Fakultas Ilmu Komputer dan Teknologi Informasi USU, terkhususnya di Program Studi S-1 Ilmu Komputer.

(6)

9. Teman-teman kuliah penulis khususnya Jakup Ginting, S.Kom, Samuel Tarigan, S.Kom, Jhonri Sibarani, S.Kom yang membantu memberikan inspirasi dan semangat kepada penulis selama menyelesaikan skripsi ini.

10. Orang-orang yang banyak membantu dalam pengerjaan ini, semangat dan dukungan yang tak terhingga, Tulang Marojahan Sigiro, Kak Nita Tampubolon dan GSP Paulus Silaban.

11. Teman-teman Komunitas Logic : Angga Malau, Johannes Hutabarat, Octavianus Sianturi, Septian Maihadi Lubis, Gunalan Anggirasa, Rivai Purba, Hengky Gulo, Johanes Saragih, Kurniawan Hutagaol, Lorent Barus, Yansen Simatupang, Andika Hutauruk, Mahesa Lingga dan yang lainnya yang selalu memberikan semangat dan inspirasi kepada penulis selama menyelesaikan skripsi ini.

12. Semua pihak yang terlibat langsung ataupun tidak langsung yang penulis tidak dapat tuliskan satu per satu.

Penulis menyadari bahwa skripsi ini masih memiliki banyak kekurangan, baik dari segi teknik, tata penyajian ataupun dari segi tata bahasa. Oleh karena itu penulis bersedia menerima kritik dan saran dari pembaca dalam upaya perbaikan skripsi ini. Semoga skripsi ini dapat bermanfaat bagi penulis dan pembaca, khususnya rekan-rekan mahasiswa lainnya yang mengikuti perkuliahan di Universitas Sumatera Utara.

Medan, Januari 2017 Penulis

Septian Dwi Cahya Panjaitan

(7)

Mempelajari aksara Katakana Jepang tergolong susah, terutama aksara yang dipakai bukan aksara Latin yang biasa kita gunakan. Bentuk aksaranya yang unik membutuhkan perhatian khusus dan waktu yang lebih banyak dalam mempelajari penulisannya. Jaringan syaraf tiruan dan pengenalan pola karakter dapat membantu meringankan pembelajarannya. Pada penelitian ini, algoritma jaringan syaraf tiruan yang digunakan adalah algoritma Associative Memory tipe Hetero-Associative. Terdapat dua proses pada penelitian ini yaitu proses pelatihan dan pengujian. Proses pelatihan dimulai dari tulisan tangan aksara Katakana diubah ke dalam citra digital yang kemudian diproses untuk memperoleh nilai citra binernya. Nilai setiap piksel dari citra tersebut diasosiasikan dan dijadikan input bagi jaringan syaraf tiruan. Akhir dari proses ini menghasilkan nilai matriks bobot yang akan dijadikan sebagai dasar untuk pengujian pola karakter aksara Katakana. Pada proses pengujian aksara yang diuji akan diproses dengan nilai yang didapat pada proses pelatihan. Hasil dari penelitian menunjukkan bahwa metode associative memory tipe hetero-associative dapat mengenal pola karakter sebesar 74.7826 % terhadap pola yang telah dilatih dan 63.0435 % terhadap sampel pola testing (belum dilatih).

(8)

CHARACTER PATTERN RECOGNITION AND TRANSLATION AKSARA KATAKANA USING IMPLEMENTATION OF ALGORITHM ASSOCIATIVE

MEMORY HETERO-ASSOCIATIVE TYPE

ABSTRACT

Studying Japanese Katakana characters relatively difficult, especially the characters are used different from the Latin alphabet that we usually use. The unique shape of character requires special attention and a lot more time in studying writing. Neural networks and pattern recognition can help ease learning character. In this research, artificial neural network algorithm used is Associative Memory Hetero-Associative type. There are two processes in this research that is process of training and testing. The training process begins from Katakana characters handwriting is converted into digital image then processed to obtain the value of the binary image. The value of each pixel of the image is associated and used as input to the neural network. The end of this process produces the weight matrix values that will serve as the basis for testing Katakana character patterns. In the testing process tested characters will be processed with the value obtained in the training process. Results from the research showed that the method of associative memory hetero-associative type can recognize patterns of 74.7826% from the pattern that has been trained and 63.0435% of the samples testing patterns (not trained).

(9)

DAFTAR ISI

Persetujuan i

Pernyataan ii

Ucapan Terima Kasih iii

Abstrak v

1.2Perumusan Masalah 2

1.3Batasan Masalah 2

1.4Tujuan Penelitian 2

1.5Manfaat Penelitian 3

1.6Metodologi Peneltian 3

1.7Sistematika penulisan 4

Bab 2 Landasan Teori

2.1 Jaringan Syaraf Tiruan 5

2.2 Pelatihan Terbimbing (Supervised Training) dan Tak Terbimbing

(Unsupervised Training) 8

2.3 Arsitektur JST 8

2.4 Metode JST 11

2.5 Associative Memory 14

2.6 Bagian-bagian dalam Associative memory 15 2.6.1 Auto-associative memory 15 2.6.2 Hetero-associative memory 15

2.7 Pemgenalan Pola 17

2.8 Citra Digital 18

2.8.1 Format Citra JPEG 20

2.9 Aksara Katakana 20

2.1 Penelitian Terdahulu 21

Bab 3 Analisis dan Perancangan Sistem

3.1 Analisis Sistem 23

3.1.1 Analisis Masalah 23

3.1.2 Analisis Persyaratan (Requirement Analysis) 24 3.1.2.1 Analisis Persyaratan Fungsional 24 3.1.2.2 Analisis Persyaratan Non Fungsional 25

3.2 Pemodelan Sistem 25

3.2.1 Use Case Diagram 26

3.2.2 Activity Diagram (Diagram Aktivitas) 28

(10)

3.4 Pseudocode 34 3.4.1 Pseudocode Proses Pelatihan JST 34 3.4.2 Pseudocode Proses Pengujian JST 34 3.5 Perancangan Antarmuka (Interface) Sistem 36

3.5.1 Form Pelatihan 36

3.5.2 Form Pengujian 37

Bab 4 Implementasi dan Pengujian Sistem

4.1 Implementasi Sistem 39

4.1.1 Implementasi Algoritma Associative Memory tipe Hetero-

Association 40

4.2 Tampilan Interface Sistem 44 4.2.1 Form Proses Pelatihan 44 4.2.2 Form Proses Pengujian 45

4.3 Pengujian Sistem 46

4.3.1 Proses Pelatihan 47

4.3.2 Proses Pengujian 51

4.4 Hasil Pengujian 54

4.4.1 Pengujian Pada Citra Yang Telah Dilatih 54 4.4.2 Pengujian Pada Citra Testing (Belum Dilatih) 60 4.5 Analisis Penyebab Kegagalan Dalam Pengenalan Karakter 62 Bab 5 Kesimpulan dan Saran

5.1 Kesimpulan 63

5.2 Saran 64

(11)

DAFTAR TABEL

Hal

Tabel 2.1 Perbandingan jenis file gambar 20 Tabel 2.2 Huruf-huruf Katakana 21 Tabel 3.1 Dakumentasi Naratif Use Case Pelatihan Sistem 27 Tabel 3.2 Dakumentasi Naratif Use Case Pengujian Sistem 28 Tabel 4.1 Hasil Pengujian Citra Yang Dilatih 55 Tabel 4.2 Citra Yang Mengalami Kesalahan Pada Pengenalan 56

(12)

DAFTAR GAMBAR

Hal

Gambar 2.1 Model Struktur JST 6

Gambar 2.2 Model Struktur JST 7 Gambar 2.3 Jaringan dengan lapisan tunggal 9 Gambar 2.4 Jaringan dengan lapisan banyak 10 Gambar 2.5 Jaringan dengan lapisan kompetitif 10

Gambar 2.6 Backpropagation 11

Gambar 2.7 Learning vector quantization 12

Gambar 2.8 Hebb Rule 13

Gambar 2.9 Associative Memory 15 Gambar 2.10 Representasi konseptual dari sistem pengenalan pola 18 Gambar 2.11 Sistem Koordinat pada Citra Digital 19

Gambar 3.1 Diagram Ishikawa 24

Gambar 3.2 Use Case Diagram Sistem 26 Gambar 3.3 Activity Diagram Pelatihan 29 Gambar 3.4 Activity Diagram Pengujian 30 Gambar 3.5 Sequence Diagram Sistem 31 Gambar 3.6 Flowchart Proses Pelatihan dan Pengujian 33

Gambar 3.7 Form Pelatihan 36

Gambar 3.8 Form Pengujian 38

Gambar 4.1 Form Proses Pelatihan 45 Gambar 4.2 Form Proses Pengujian 46 Gambar 4.3 Alamat Direktori Gambar 47

Gambar 4.4 Buka Citra 47

Gambar 4.5 Ubah Ukuran 48

Gambar 4.6 Listing Program Ubah Ukuran 48

Gambar 4.7 Normalisasi Warna 48

Gambar 4.8 Listing Program Normalisasi Warna 49

Gambar 4.9 Hitung Bobot 50

Gambar 4.10 Listing Program Hitung Bobot 50

Gambar 4.11 Simpan Bobat 51

Gambar 4.12 Hitung Bobot Total 51 Gambar 4.13 Pop-up Window Buka File 51

Gambar 4.14 Buka File Uji 52

Gambar 4.15 Proses Pengujian 53

(13)

DAFTAR LAMPIRAN

Listing Program A-1