PENGENALAN KODE POS MENGGUNAKAN JARINGAN
SYARAF TIRUAN METODE BACKPROPAGATION
DENGAN INPUT KETIKAN
SKRIPSI
Diajukan untuk Memenuhi Salah Satu Syarat
Memperoleh Gelar Sarjana Teknik
Program Studi Teknik Informatika
Oleh:
Orpa Sampe Biringkaka
NIM : 055314126
PROGRAM STUDI TEKNIK INFORMATIKA
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS SANATA DHARMA
YOGYAKARTA
POST CODE RECOGNITION
BY USING BACKPROPAGATION METHOD OF NEURAL
NETWORK WITH TYPING INPUT SYSTEM
A Thesis
Presented As Partial Fulfillment Of The Requirements
To Obtain The Sarjana Teknik Degree
In Departement Of Informatics Engineering
By :
Orpa Sampe Biringkaka
Student Id : 055314126
INFORMATICS ENGINEERING STUDY PROGRAM FACULTY OF SCIENCE AND TECHNOLOGY
SANATA DHARMA UNIVERSITY YOGYAKARTA
HALAMAN PERSEMBAHAN
Hati yang gembira adalah obat yang manjur, tetapi
semangat yang patah mengeringkan tulang.
Skripsi ini saya persembahkan untuk :
Yesus Kristus,
Keluarga dan sahabat.
PENGENALAN KODE POS MENGGUNAKAN JARINGAN
SYARAF TIRUAN METODE BACKPROPAGATION
DENGAN INPUT KETIKAN
ABSTRAK
Komputer mulai banyak dimanfaatkan untuk berbagai kepentingan, sebagai mesin penghitung (masalah sederhana), hingga untuk menyelesaikan masalah-masalah manusia yang lebih kompleks, misalnya mengidentifikasi tanda tangan, mengidentifikasi wajah, mengidentifikasi tulisan/huruf, dan sebagainya. Metode-metode yang dipakai dalam mengenali suatu pola di atas ada bermacam-macam, misalnya Jaringan Syaraf Tiruan, seperti ADALINE, Back Propagation; Logika Fuzzy, seperti Tupple-N; dan sebagainya.
Permasalahan yang tak kalah pentingnya adalah aplikasi untuk membantu atau mempermudah pegawai kantor pos dalam penyortiran surat-surat hingga dapat sampai ke alamat tujuan dengan cepat serta pekerjaan lebih terstruktur. Pada umumnya kantor pos menyortir surat masih menggunakan sistem manual berdasarkan pengelamatan pada tingkat tertentu.
menjadi 5 bagian. Proses penelitian ini dimulai dari tahap ekstraksi ciri selanjutnya tahap klasifikasi atau tahap pengenalan dengan menggunakan Jaringan Saraf Tiruan, backpropogation. Pada tahap pengenalan ada dua yaitu :
1. Pengenalan angka dari 5 digit kode pos 2. Pengenalan wilayah dari digit kode pos
Dari penelitian dilakukan 5 kali percobaan dan diperoleh 2 akurasi pengenalan angka kode pos yaitu untuk 1 lapis dan 2 lapis. Akurasi pengenalan kode pos untuk 1 lapis dengan neuron 200 yaitu pada percobaan ke-2, 3 dan ke-4 sebesar 90.80% dan Akurasi pengenalan kode pos untuk 2 lapis dengan neuron hidden layer pertama 100 dan jumlah neuron hidden layer kedua 30 yaitu pada percobaan ke 5 sebesar 92.80%.
Ini menujukkan bahwa pengenalan menggunakan Jaringan Saraf Tiruan
POST CODE RECOGNITION
BY USING BACKPROPAGATION METHOD OF NEURAL
NETWORK WITH TYPING INPUT SYSTEM
ABSTRACT
Computer had begun to be used for any interests, for example to solve simple problem (counting machine), even to solve more complex problems of human (identifying the signature, face, handwriting, and so on). There were some methods that were used to identify a model mentioned above, for example Neural Network, for example Adaline, Back Propagation; Fuzzy Logic (such as Tupple-N) and so on.
The same important interest was the application that used to help post officer in sorting the letters easily. The purpose was to make it manageable both in delivering and in sorting the letters. Generally, post officers still used manual system in sorting letters based on the destination of the letter to the certain region.
Network backpropogation. There were two parts in the introduction stage as follows.
1. Recognition of the numbers from the 5 digits of the postal code 2. Recognition of the region of the postal code digit
There were 5 times trial and it resulted 2 accuracies of the postal code number recognition during the observation, for one layer and two layers. The accuracy of the postal code’s recognition for one layer, which had 200 neurons is trial 2,3 and 4 was 90.80% and the accuracy of the postal code’s recognition for two layers, in trial 5 which the amount of the first hidden layer was 100 neurons and the second hidden layer was 30 neurons, was 92.80%.
KATA PENGANTAR
Penulis menyadari bahwa tanpa rahmat dan berkat dari Allah yang mahakuasa dan bantuan dari berbagai pihak, penulis tidak dapat mengerjakan karya tulis ini hingga akhir. Untuk itu, penulis menghaturkan limpah puji dan syukur kepada Allah yang selalu menganugerahkan kasih-Nya. Tak lupa pula penulis mengucapkan limpah terima kasih kepada semua pihak yang membantu penulis menyelesaikan karya tulis ini. Secara khusus penulis mengucapkan terima kasih banyak kepada:
1. Dr. C. Kuntoro Adi, SJ., M.A., M.Sc. selaku dosen pembimbing yang telah mengoreksi dan memberi masukkan yang berguna bagi penulis dalam menyusun karya tulis ini.
2. Dr. Linggo Sumarno, M. T. dan Sri Hartati, S.Si., M.Kom sebagai penguji atas saran dan kritikan yang diberikan.
3. Yosef Agung Cahyanta, S.T,.M.T., selaku Dekan Fakultas Sains Dan Teknologi.
4. Puspaningtyas Sanjaya Adi, S.T.,M.T., selaku ketua program Teknik Informatika yang telah banyak membantu selama masa studi.
5. P.H.Prima Rosa.S.Kom.,MSc. Selaku dosen pembimbing akademik penulis yang selalu sabar menghadapi penulis.
7. Pihak Sekretariat Fakultas Sains dan Teknologi yang selalu memberikan banyak informasi.
8. Bpk. Thimothius Turu dan Ibu Maria Mule, selaku orang tua, serta saudara-saudariku, yaitu Alfrida Turu, Darius Ruru dan Marinus Fery yang telah memberi dukungan dan semangat.
9. Yuanita Prasetyaningtyas, Sony Setiawan, Maria Fransiska dan Novi Crisdianto selaku teman sharing dan seperjuangan menyelesaikan skripsi.
10.Semua sahabat-sahabat saya dimanapun berada, yang selalu memberi doa, semangat dan hiburan.
11.Seluruh civitas akademika Teknik Informatika angkatan 2005 dan semua pihak, yang telah berjuang bersama dan saling memberi semangat sampai sekarang.
Akhir kata, penulis menyadari bahwa penulis masih banyak kekurangan yang terdapat pada laporan tugas akhir ini. Penulis akan sangat bersyukur dan menerima setiap masukkan untuk lebih menunjang isi laporan tugas akhir ini. Dan semoga karya tulis ini dapat berguna bagi siapa saja, yang merasa perlu untuk menggunakannya.
Yogyakarta, 02 September 2010
DAFTAR ISI
HALAMAN JUDUL BAHASA INDONESIA…………..………..………i
HALAMAN JUDUL BAHASA INGGRIS……..………...ii
HALAMAN PERSETUJUAN………...iii
HALAMAN PENGESAHAN……….iv HALAMAN PERSEMBAHAN……….………..v
HALAMAN PERNYATAAN KEASLIAN KARYA………...vi
HALAMAN PERSETUJUAN PUBLIKASI………...vii
ABSTRAK………...…………...viii
ABSTRACT………...………..x
KATA PENGANTAR……….…………..xii
DAFTAR ISI……….………xiv
Bab I. PENDAHULUAN...1
1.1. Latar Belakang Masalah...1
1.2. Rumusan Masalah...3
1.3. Tujuan Penelitian...3
1.4. Batasan Masalah...4
1.5. Metodologi Penelitian...5
1.6. Sistematika Penulisan...6
Bab II. LANDASAN TEORI...8
2.1 Teori-Teori Khusus………...8
2.1.1 Pengolahan Citra……….……...8
2.2 Kode pos………...13
2.2.1 Sejarah Kode Pos……...………..…....13
2.2.2 Pembagian Kode Pos………...………13
2.3 Jaringan Saraf …...………...…...15
2.3.1 JaringanSaraf Biologi………...……...15
2.4 Jaringan Saraf Tiruan……….……..…..16
2.4.1 Definisi JST…………..………...16
2.4.2 Aplikasi JST………..….…….19
2.4.3 Arsitektur JST……..…...………..………...20
2.5 Jaringan Saraf Tiruan Backpropagation………...23
2.5.1 Fungsi Aktivasi………..………..…24
2.5.2 Algoritma………...25
2.6 Matlab………..……….…….29
Bab III ANALISA SISTIM DAN DESAIN………....31
3.1 Analisis Sistem……….……….31
3.2 Analisa Klasifikasi dengan JST BP………...32
3.3 Perancangan Sistem………...33
3.3.1 Perancangan BackPropagation dan Fivefold…………..34
3.3.1.1 Pelatihan (Pembentukan Model JST)…...34
3.3.1.2 Proses Pengenalan(Testing)……………....42
3.4 Desain User InterfaceProgram………...…....47
3.4.2 Desain Tampilan Pengenalan dan Penguji……….…49
3.4.2.1 Desain Sub Menu Pengenalan………49
3.4.2.2 Desain Sub Menu Pengujian………..50
3.4.3 Desain Tampilan Informasi……….…51
3.4.3.1 Desain Informasi Bantuan………..51
3.4.3.2 Desain Informasi Tentang Program………...52
3.5 Kebutuhan Sistim………...………...52
3.5.1 Kebutuhan perangkat Keras………...53
3.5.2 Kebutuhan Perangkat Lunak………..53
Bab IV IMPLEMENTASI DAN ANALISA………….……….…...………54
4.1 Hasil Pengujian……….…………..………...55
4.1.1 Analisa Hasil 1 Lapis Tersembunyi…………..……...……...55
4.1.2 Analisa Hasil 2 Lapis Tersembunyi……….……..….56
4.2 Implementasi Antar Muka………..………...60
4.2.1 Halaman Utama………...…....60
4.2.2 Halaman Tampilan Menu………61
4.2.3 Halaman Tampilan Menu Informasi………..62
4.2.4 Halaman Pengenalan Angka Kode Pos Ditemukan….……...63
4.2.5 Halaman Pengenalan Angka Kode Pos Tidak Ditemukan…..64
4.2.6 Halaman Pengujian 1 Lapis Tersembunyi………...…66
4.2.7 Halaman Pengujian 2 Lapis Tersembunyi………...68
4.2.8 Halaman Tampilan Tentang Program………..………...69
Bab V PENUTUP………...…….71
5.1 Kesimpulan……..……….………….…..………..………71
5.2 Saran……….………..…..………..…...72
DAFTAR GAMBAR
Gambar 1.1 Data Kode Pos………...L1
Gambar 2.1 Citra Biner……….………..………..…..…....9
Gambar 2.2 Citra Keabuan……….………...…....10
Gambar 2.3 Citra Warna………….………..…………...11
Gambar 2.4 Fungsi Aktivasi Input Output………..………....…..17
Gambar 2.5 Fungsi Aktivasi………....……...…...18
Gambar 2.6 Jaringan LayerTunggal…………..………...….………21
Gambar 2.7 Jaringan LayerJamak……….22
Gambar 2.8 Arsitektur BackPropagation……….…….24
Gambar 3.1 Skema Desain Proses……….32
Gambar 3.2 Blok Diagram Diagram Sistem...………....….32
Gambar 3.3 Skema Pelatihan JST BP………...….37
Gambar 3.4 Pelatihan JST BP………40
Gambar 3.5 Skema Desain Pengenalan……….…43
Gambar 3.6 Desain Home………..………47
Gambar 3.7 Desain Pengenalan……….………49
Gambar 3.8 Desain Sub Menu Pengujian………..50
Gambar 3.9 Desain Halaman Bantuan………...51
Gambar 3.10 Desain Halaman Tentang Program………52
Gambar 4.1 Grafik Pengujian 1 Lapis Tersembunyi………...…..56
Gambar 4.2 Grafik Pengujian 2 Lapis Tersembunyi………...………..59
Gambar 4.4 Menu Sistem Pengenalan kode pos………..………..61
Gambar 4.5 Menu Informasi Sistem Pengenalan kode pos……….…..62
Gambar 4.6 Halaman Pengenalan Kode Pos……….……….…63
Gambar 4.7 Halaman Pengenalan Kode Pos tidak ditemukan...64
Gambar 4.8 Halaman Pengujian Kode Pos dengan 1 lapis tersembunyi……..66
Gambar 4.9 Halaman Pengujian Kode Pos dengan 2 lapis tersembunyi……...68
Gambar 4.10 Halaman Tampilan Tentang Program………...….69
DAFTAR TABEL
Tabel 1.1 Penelitian-penelitian Sebelumya……….3 Tabel 3.1 Contoh Jenis Font untuk Pelatihan………...35 Tabel 3.2 Percobaan Training dan Testing……….………….……....41
Tabel 4.1 Tabel Hasil Akurasi 1 Lapis Tersembunyi………..…………..…...…55 Tabel 4.2 Tabel Hasil Akurasi 2 Lapi Tersembunyi………..…...56 Tabel 4.3 Confusion Matrix1 Hidden Layer……….L
BAB I
PENDAHULUAN
1.1 Latar Belakang Masalah
Di jaman modern ini, dimana teknologi semakin canggih untuk berkomunikasi secara cepat, Surat-menyurat yang merupakan bagian dari alat untuk berkomunikasi melalui kantor pos masih tetap digunakan masyarakat walaupun membutuhkan waktu beberapa hari bahkan bisa berminggu-minggu. Bagi masyarakat hal itu tidak menjadi masalah untuk tetap menggunakan jasa kantor pos dalam surat-menyurat.
Komputer mulai banyak dimanfaatkan untuk berbagai kepentingan, sebagai mesin penghitung (masalah sederhana), hingga untuk menyelesaikan masalah-masalah manusia yang lebih kompleks, misalnya mengidentifikasi tanda tangan, mengidentifikasi wajah, mengidentifikasi tulisan/huruf, dan sebagainya. Metode-metode yang dipakai dalam mengenali suatu pola di atas ada bermacam-macam, misalnya Jaringan Syaraf Tiruan, seperti ADALINE, Backpropagation; Logika Fuzzy, seperti Tupple-N; dan sebagainya.
yang cukup dan rentan terhadap kesalahan. Sebuah mesin, di sisi lain, dapat bekerja lebih cepat daripada manusia tanpa lelah atau kebosanan.
Pengenalan angka kode pos bukan hal yang baru tetapi sudah ada beberapa penelitian mengenai pengenalan angka dan angka kode pos dengan menggunakan metode yang berbeda-beda, contohnya Sistem Pengenalan Kode Pos dan Simulasi Penyortiran Kartu Pos Dengan Menggunakan Artificial Neural Network, Pengenalan Tulisan Tangan Pada Surat Pos, Pengenalan Angka Tulisan Tangan Menggunakan Metode “Split and Merge” dan Analisa Profil, Pengenalan
Huruf, Angka Pada Citra Bitmap dan Metode ekstraksi data Untuk Pengenalan Huruf dan Angka Tulisan Tangan Menggunakan Jaringan Saraf Tiruan dan
Optical Character Recognization dan Typewritten and Written Postal code Recognition System.
Berangkat dari permasalahan tersebut maka peneliti mencoba dengan sesuatu yang baru yaitu membuat suatu sistem identifikasi secara otomatis kode pos yang dapat membantu pegawai kantor pos dalam penyortiran surat masuk dengan menggunakan Jaringan Syaraf Tiruan, dengan metode backpropagation
dengan inputan ketikan.
Tabel 1.1 Penelitian-Penelitian
Nomor Judul Penelitian Peneliti/Tahun Jumlah Data Akurasi 1. Pengenalan Pola Huruf
Menggunakan Jaringan
Saraf Tiruan
Backpropogation
Hendra Afriadi Harahap/2006
52 100%
2. Automatic Sorting Of Mails By Recognition Handwriten Postal Codes Using Neural Network
Architectures
A.S.M.Mahbud M, Md.Shahidul Islam, Md. Abul Faisal,
Md.Abdus Sattar, Mitsuru Ishizuka/2004
490 92.2%
3. Pengenalan Angka Tulisan Tangan Menggunakan Metode “Split and Merge” dan Analisa Profil
Santoso, Edy (Mahasiswa ITS)/2003
Training =100 Testing =50
91%
4. Pengenanalan Kode Pos Menggunakan Jaringan Syaraf Tiruan Metode Backpropagation Dengan Input Ketikan.
Orpa Sampe Biringkaka / 2010
250 92,80%
I.2 Rumusan Masalah
Pertanyaan yang ingin dijawab dalam penelitian ini adalah: Bagaimana membuat desain, mengimplementasikan dan menghitung akurasi pengenalan kode pos dengan menggunakan Jaringan Syaraf Tiruan metode Backpropagation
dengan inputan ketikan.
I.3 Tujuan Penelitian
menerapkan Jaringan Syaraf Tiruan metode Backpropagation dengan inputan ketikan.
I.4 Batasan Masalah
Untuk memusatkan penelitian pada pokok masalah maka pembahasan masalah pada tulisan ini akan dibatasai pada hal-hal berikut :
1. Aplikasi dibuat hanya untuk mengenali kode pos untuk peyortiran surat. 2. Aplikasi akan dibangun dengan menggunakan Jaringan Syaraf Tiruan
metode Backpropagation .
3. Input berupa file gambar berekstensi *.jpg dan *.jpeg. 4. Area penelitian yaitu kota Yogyakarta
5. Tidak menangani surat yang tidak tertera kode pos 6. Menangani surat diketik dengan font berukuran 12 pt
7. Ketikan dengan jenis huruf Times New Roman, arial, calibri, Comic Sans MS, dan Verdana.
8. Software yang digunakan adalah MatLab
I.5 Metodologi Penelitian
Metode yang digunakan dalam penelitian ini adalah sebagai berikut: 1. Analisis Kebutuhan
a. Survei
Melakukan survei dengan pihak yang bersangkutan, dalam hal ini pihak Kantor Pos pusat Yogyakarta untuk memperoleh informasi yang berkaitan dengan masalah yang ada.
b. Studi pustaka
Mempelajari buku-buku, internet, artikel maupun makalah, teks-teks mengenai algoritma yang digunakan dalam Jaringan saraf Tiruan metode backpropagation, baik secara teoritis maupun secara praktis yang dapat dijadikan sebagai bahan masukan feature analisis.
c. Pengumpulan data
Mengumpulkan data kode pos yang berbeda-beda dari beberapa wilayah Kota Yogyakarta. Data Kode Pos dapat dilihat pada halaman Lampiran Gambar 1.1 Data Kode Pos.
2. Desain
3. Implementasi/Coding
Dalam tahap ini, peneliti mulai mengimplementasikan algoritma
backpropagation ke dalam bahasa komputer sesuai dengan desain yang telah disusun yaitu dengan melakukan percobaan serta pengujian terhadap perancangan arsitektur yang telah dibuat mendapatkan nilai penurunan error yang optimal serta tingkat akurasi klasifikasi genre musik yang baik. 4. Pengujian dan Evaluasi
Setelah aplikasi dibangun, perlu dilakukan pengujian atas kemungkinan terjadinya kesalahan. Proses perbaikan dilakukan terus-menerus hingga aplikasi yang dibuat relatif tidak memuat kesalahan. 5. Kesimpulan
Kesimpulan dibuat berdasarkan hasil pengujian terhadap program yang telah dibuat. Program dinyatakan berhasil, jika aplikasi tersebut dapat mengenali kode posnya.
I.6 Sistematika Penulisan
Berikut adalah garis besar dari isi karya ilmiah yang akan disusun: BAB 1 PENDAHULUAN
BAB 2 LANDASAN TEORI
Pada bagian ini digambarkan dasar teoritis yang akan dipakai dalam implementasi, yaitu teori tentang pengolahan citra dan Jaringan Syaraf Tiruan Backpropagation.
BAB 3 ANALISIS SISTEM DAN DESAIN
Pada bagian ini digambarkan perancangan dan metodologi yang digunakan dalam penelitian.
BAB 4 IMPLEMENTASI DAN ANALISIS
Pada bagian ini digambarkan penerapan rancangan yang dibuat dalam suatu program, hasil implementasi serta analisisnya.
BAB 5 PENUTUP
BAB II
LANDASAN TEORI
Dalam bab ini diuraikan tentang teori-teori yang digunakan, yaitu berdasarkan Jaringan Syaraf Tiruan metode backpropagation dimana ada algoritma serta langkah-langkah untuk proses pengenalannya dengan pelatihan standar backpropagation.
Dalam bab ini juga dijelaskan tentang apa itu kode pos mulai dari sejarah dan pentingnya penulisan kode pos serta arti dari kelima digit kode pos.
2.1 Teori –Teori Khusus 2.1.1 Pengolahan Citra
Menurut Wikipeda Indonesia, citra adalah gambar dua dimensi yang dihasilkan dari gambar analog dua dimensi yang kontinu menjadi gambar diskrit melalui proses sampling. Sampling adalah proses untuk menentukan warna pada piksel tertentu pada citra dari sebuah gambar yang kontinu atau proses digitasi.
Citra adalah representasi informasi yang diciptakan dalam bentuk dua dimensi dimana representasi tersebut merupakan susunan array dari bilangan real
atau bilangan kompleks yang diwakilkan dalam bilangan–bilangan bit terhingga. Menurut Munir (Munir, 2004) citra adalah gambar pada bidang dwimatra (dua dimensi).
sebuah citra digital, dengan jumlah total piksel adalah M x N, dimana M merupakan height atau nilai tinggi citra digital dan N merupakan width atau nilai lebar citra digital. Setiap piksel memiliki nilai berupa angka digital yang merepresentasikan informasi yang mewakili piksel tersebut.
Menurut Achmad & Firdausy (2005) format nilai piksel ditentukan oleh format citra digital antara lain :
1. Citra Biner
Setiap piksel pada citra biner memiliki nilai 0 untuk warna hitam dan 1 untuk warna putih dan hanya membutuhkan representasi 1 bit.
= 0 0 1 1 = 0 0 1 1 = 0 0 1 1 = 0 0 0 1
Gambar 2.1 Citra Biner. 2. Citra Skala Keabuan
warna yang dipakai adalah pencampuran antara hitam sebagai warna minimal dan putih sebagai warna maksimalnya, sehingga warna antaranya adalah abu-abu.
= 107 153 177 175
= 108 143 177 176
= 105 128 162 176
= 105 123 157 17
Gambar 2.2 Citra skala keabuan dan representasinya dalam data digital 3. Citra Warna
Pada citra warna, setiap titik mempunyai warna yang spesifik yang merupakan kombinasi dari 3 warna dasar, yaitu: merah, hijau dan biru. Format citra seperti ini sering disebut sebagai citra RGB (red-green-blue). Setiap warna dasar mempunyai intensitas sendiri dengan nilai maksimum 255 (8 bit), misalnya warna kuning merupakan kombinasi warna merah dan hijau sehingga nilai RGBnya adalah 255 255 0. Dengan demikian setiap titik pada citra warna membutuhkan data 3 byte.
Gambar 2.3 Citra warna dan representasinya dalam data digital
2.1.2 Ekstraksi Ciri
Ekstraksi ciri merupakan langkah pemilihan ciri yang ingin diidentifikasi dari citra angka yang menghasilkan ciri-ciri baru dari data mentah dengan menerapkan satu atau lebih transformasi. Pemilihan feature yang baik sulit untuk dilakukan karena sebuah feature yang buruk tidak akan merefleksikan keadaan sebenarnya dari data pemilihan feature yang baik.
Dalam penelitian ini menggunakan beberapa metode untuk ektraksi feature
dalam pengolahan citra yaitu :
a. Greyscale
b. Thresholding
Thresholding adalah untuk mengubah data pada gambar agar hanya memiliki nilai 0 dan 1. Hal ini dilakukan untuk mempermudah mengetahui apakah pixel tersebut “terisi” atau tidak.
c. Segmentasi
Segmentasi adalah sebuah proses yang digunakan untuk memotong – motong gambar yang diproses menjadi beberapa bagian. Pada penelitian ini, proses segementasi memisahkan angka yang akan dikenali dari sebuah gambar hasil scan dokumen dengan mengunakan metode yaitu :
1. EDGE DETECTION (DETEKSI TEPI)
Penentuan tepian suatu objek dalam citra merupakan salah satu wilayah pengolahan citra digital yang paling awal dan paling banyak diteliti. Proses ini seringkali ditempatkan sebagai langkah pertama dalam aplikasi segmentasi citra, yang bertujuan untuk mengenali objek-objek yang terdapat dalam citra ataupun konteks citra secara keseluruhan.
mengidentifikasi dan menonjolkan lokasi-lokasi piksel yang memiliki karakteristik tersebut. Ada banyak cara untuk mengintifikasi bagian tepi suatu citra seperti Operator Gradien yaitu pada citra digital f(x,y), turunan berarah sepanjang tepian objek akan bernilai maksimum pada arah normal dari kontur tepian yang bersesuaian. Sifat ini dipergunakan sebagai dasar pemanfaatan operator gradient sebagai edge detector dengan menggunakan metode Zerro Cross. Metode Zero-cross menemukan edge dengan cara mencari zero crossings setelah memfilter I (Identitas) dengan filter yang telah ditentukan.
2.2 Kode Pos
2.2.1 Sejarah Kode Pos
Kode pos adalah serangkaian angka dan huruf yang ditambahkan pada alamat surat untuk mempermudah proses pemilahan atau penyortiran surat. Negara yang pertama kali memakai sistem kode pos adalah Jerman pada tahun 1941, lalu diikuti Inggris pada tahun 1959 dan Amerika Serikat pada tahun 1963.
2.2.2 Pembagian Kode Pos
pos ini sangat penting untuk membantu petugas kurir (Pak Pos) mencari alamat yang dimaksud. Untuk itu seharusnya mencantumkan kode pos dengan benar pada alamat surat yang akan dikirim. Kode pos telah ditentukan oleh PT Pos Indonesia, maka dari itu setiap daerah/ wilayah berbeda kode posnya, tiap kota pun berbeda, apalagi tiap provinsi.
Kode pos di Indonesia terdiri dari lima digit angka yaitu sebagai berikut:
1. Digit pertama merujuk pada Provinsi:
1.Jakarta, sebagian Banten dan Jawa Barat
2.Aceh, Sumatera Utara, Sumatera Barat, Riau, Kepulauan Riau 3.Bengkulu, Jambi, Bangka Belitung, Sumatera Selatan, Lampung 4.Banten, Jawa Barat
5.Jawa Tengah, Yogyakarta 6.Jawa Timur
7.Kalimantan
8.Bali, Nusa Tenggara
Pengecualian untuk kode pos Jakarta:
Digit ketiga merujuk pada Kecamatan Digit keempat merujuk pada Kelurahan Digit kelima sama dengan 0
2.3 Jaringan Syaraf
2.3.1 Jaringan Syaraf Biologi
Otak manusia memiliki struktur yang sangat kompleks dan memiliki kemampuan yang luar biasa. Otak terdiri dari neuron-neuron dan penghubung yang disebut sinapsis. Neuron bekerja berdasarkan impuls/sinyal yang diberikan pada neuron. Neuron meneruskannya pada neuron lain. Diperkirakan manusia memiliki 1012 neuron dan 6.1018 sinapsis. Dengan jumlah yang begitu banyak, otak mampu mengenali pola, melakukan perhitungan, dan mengontrol organ-organ tubuh dengan kecepatan yang lebih tinggi dibandingkan komputer digital. Sebagai perbandingan, pengenalan wajah seseorang yang sedikit berubah (misal memakai topi, memiliki jenggot tambahan, dll) akan lebih cepat dilakukan manusia dibandingkan komputer.
Neuron memiliki 3 komponen penting yaitu dendrit, soma, dan axon. Dendrit menerima sinyal dari neuron lain. Sinyal tersebut berupa impuls elektrik yang dikirim melalui celah sinaptik melalui proses kimiawi. Sinyal tersebut dimodifikasi (diperkuat/diperlemah) di celah sinaptik. Berikutnya, soma menjumlahkan semua sinyal-sinyal yang masuk. Kalau jumlahan tersebut cukup kuat dan melebihi batas ambang (threshold) maka sinyal tersebut akan diteruskan ke sel lain melalui axon. Frekuensi penerusan sinyal berbeda-beda antara satu sel dengan yang lain.
Neuron biologi merupakan sistem yang fault tolerant dalam 2 hal. Pertama, manusia dapat mengenali sinyal input yang agak berbeda dari yang pernah kita terima sebelumnya. Kedua, otak manusia tetap mampu bekerja meskipun beberapa neuronnya tidak mampu bekerja dengan baik. Jika sebuah neuron rusak, neuron lain kadang-kadang dapat dilatih untuk menggantikan fungsi sel yang rusak tersebut (Siang, 2005: 1-2)
2.4 Jaringan Syaraf Tiruan
2.4.1 Definisi Jaringan Syaraf Tiruan
Jaringan syaraf tiruan (JST) adalah sistem pemproses informasi yang memiliki karakteristik menyerupai dengan jaringan syaraf manusia.(Arief Hermawan, 2006:3). Istilah tiruan di sini digunakan karena jaringan syaraf ini diimplementasikan dengan menggunakan program komputer yang mampu menyelesaikan sejumlah proses perhitungan selama proses pembelajaran
Seperti halnya otak manusia, jaringan syaraf tiruan juga terdiri dari beberapa neuron, dan ada hubungan antara neuron-neuron tersebut. Neuron-neuron tersebut akan mentransformasikan informasi yang diterima melalui sambungan keluarnya menuju ke neuron-neuron yang lain. Pada jaringan syaraf tiruan, hubungan ini dikenal dengan nama bobot. Informasi tersebut disimpan pada suatu nilai tertentu pada bobot tersebut (Kusumadewi, 2003: 209).
JST dibentuk sebagai generalisasi model matematika dari jaringan syaraf biologi, dengan asumsi bahwa:
a.Pemprosesan informasi terjadi pada banyak elemen sederhana (neuron) b.Sinyal dikirimkan di antara neuron-neuron melalui penghubung-penghubung c. Penghubung antar neuron memiliki bobot yang akan memperkuat atau
memperlemah sinyal
d. Untuk menentukan output, setiap neuron menggunakan fungsi aktivasi (biasanya bukan fungsi linier) yang dikenakan pada jumlahan input yang diterima. Besarnya output ini selanjutnya dibandingkan dengan suatu batas ambang (Siang, 2005: 2-3).
Gambar 2.4 Fungsi aktifasi dengan input dan output bobot Output
Informasi (disebut dengan: input) akan dikirim ke neuron dengan bobot tertentu. Input ini akan diproses oleh suatu fungsi perambatan yang akan menjumlahkan nilai-nilai semua bobot yang datang. Hasil penjumlahan ini kemudian akan dibandingkan dengan suatu nilai ambang (threshold) tertentu melalui fungsi aktivasi setiap neuron. Apabila input tersebut melewati suatu nilai ambang tertentu maka neuron tersebut akan diaktifkan, tapi kalau tidak maka neuron tersebut tidak akan diaktifkan. Apabila neuron tersebut diaktifkan, neuron tersebut akan mengirimkan output melalui bobot-bobot outputnya ke semua neuron yang berhubungan dengannya. Demikian seterusnya (Kusumadewi, 2003: 210).
Nilai input xi dapat berupa real (+ atau -), biner (0, 1), atau bipolar (-1, +1)
(Patterson, 1996: 2). JST ditentukan oleh 3 hal:
a. Pola hubungan antarneuron (disebut arsitektur jaringan)
b. Metode untuk menentukan bobot penghubung (disebut metode
training/learning/algoritma) c. Fungsi aktivasi
Gambar 2.5 Fungsi aktivasi
x1
x2
x3
Y w1
w2
Y menerima input dari neuron x1, x2, dan x3 dengan bobot hubungan
masing-masing adalah w1, w2, dan w3. Ketiga impuls neuron yang ada
dijumlahkan
net = x1w1 + x2w2 + x3w3
Besarnya impuls yang diterima oleh Y mengikuti fungsi aktivasi Y = f(net). Apabila nilai fungsi aktivasi cukup kuat maka sinyal akan diteruskan. Nilai fungsi aktivasi (keluaran model jaringan) juga dapat dipakai sebagai dasar untuk merubah bobot (Siang, 2005: 3-4).
2.4.2 Aplikasi Jaringan Syaraf Tiruan
Beberapa aplikasi jaringan syaraf tiruan adalah sebagai berikut: a.Pengenalan Pola (Pattern Recognition)
Banyak masalah menarik yang masuk ke dalam pengenalan pola, dimana telah banyak dikembangkan seperti pengenalan otomatis dari karakter tulisan seperti angka dan huruf. Variasi yang luas pada ukuran, posisi, bentuk tulisan menjadi masalah. Pada jaringan saraf dengan topologi multilayer seperti jaringan backpropagation, telah digunakan untuk mengenali pola tulisan. b. Pemprosesan sinyal (Signal Processing)
gangguan adaptive cukup sederhana yaitu pada akhir line jarak jauh, sinyal yang datang diaplikasikan ke kedua komponen system telepon (HYBRID) dan
filter adaptive (tipe ADALINE dari jaringan syaraf ). Perbedaan antara output hybrid dan output ADALINE adalah tingkat kesalahan, yang digunakan untuk meneyesuaikan bobot pada ADALINE yang dilatih untuk memindahkan gangguan sinyal output HYBRID.
c. Peramalan
Jaringan syaraf tiruan juga dapat dipakai untuk meramalkan apa yang akan terjadi di masa yang akan datang berdasarkan pola kejadian yang ada di masa lampau. Selain itu jaringan syaraf tiruan juga dapat menyelesaikan masalah dalam bidang kontrol, kedokteran, dan lain-lain. Meskipun banyak aplikasi menjanjikan yang dapat dilakukan oleh jaringan syaraf tiruan, namun jaringan syaraf tiruan juga memiliki keterbatasan, yaitu ketidakakuratan hasil yang diperoleh. Jaringan syaraf tiruan bekerja berdasarkan pola yang terbentuk pada inputnya (Siang, 2005: 5).
2.4.3 Arsitektur Jaringan Syaraf Tiruan
Arsitektur jaringan syaraf tiruan merupakan pengaturan spesifik dan hubungan antar-neuron pada lapisan dalam jaringan. Neuron-neuron yang terletak pada lapisan yang sama memiliki sifat dan fungsi aktivasi yang sama.
menerima sinyal dari neuron pada lapisan masukan dan lapisan keluaran (output layer) yaitu lapisan yang mengekstrak ciri dari yang berkaitan atau pola dari sinyal yang diterima.
Beberapa arsitektur jaringan yang sering dipakai dalam jaringan syaraf tiruan antara lain :
1. Jaringan Layar Tunggal (single layer network)
Dalam jaringan ini, sekumpulan input neuron dihubungkan langsung dengan sekumpulan outputnya. Dalam beberapa model, hanya ada sebuah unit neuron output.
X1 Xi Xn Y1 Yk Ym W11 W1k W1m Wi1 Wik Wim Wn1 Wnk Wnm Unit Input Unit Output
Gambar 2.6 Jaringan Layar Tunggal.
Gambar 2.3 menunjukkan arsitektur jaringan dengan n unit input (X1, X2,
…, Xn) dan m buah unit output (Y1, Y2, …, Ym).
input dengan unit ke-j dalam output. Selama proses pelatihan, bobot – bobot tersebut akan dimodifikasi untuk meningkatkan keakuratan hasil. Model semacam ini tepat digunakan untuk pengenalan pola karena sederhana.
2. Jaringan Layar Jamak (multi layer network).
Jaringan layar jamak merupakan perluasan dari layar tunggal. Dalam jaringan ini, selain unit input dan output, ada unit – unit lain (sering disebut layar tersembunyi). Dimungkinkan pula ada beberapa layar tersembunyi. Sama seperti pada unit input dan output, unit- unit dalam satu layar tidak saling berhubungan. Unit Input Unit Output X1 Xi Xn Z1 Zj Zp Y1 Yk Ym V11 V1j V1p Vi1 Vij Vip Vn1 Vnj Vnp W11 W1k W1m Wj1 Wjk Wjm Wp1 Wpk Wpm Unit Tersembunyi
Gambar 2.7 Jaringan Layar Jamak.
Gambar 2.8 adalah jaringan dengan n buah unit input (X1, X2, …, Xn),
sebuah layar tersembunyi yang terdiri dari p buah unit (Z1, …, Zp) dan m buah
unit output (Y1, Y2, …, Ym).
2.5 Jaringan Syaraf Tiruan Backpropagation
Jaringan syaraf tiruan backpropagation, dikembangkan oleh ilmuwan komputer Amerika bernama Paul Werbos (1974), Daivid Parker (1984/1985), dan David Rumelhart, Ronald Williams, dan lainnya (1985). Jaringan syaraf tiruan backpropagation membandingkan perhitungan keluaran jaringan syaraf tiruan dengan target keluaran dan menghitung nilai error untuk setiap unit pada jaringan. Jaringan saraf tiruan menyesuaikan bobot pada link dengan nilai error
setiap unit, dimulai dari hubungan natara lapisan tersembunyi dan lapisan keluaran terakhir. Setelah jaringan melakukan pembaruan bobot pada sejumlah hubungan, jaringan menghitung nilai error untuk lapisan sebelumnya dan melakukan penyesuaian. Beberapa contoh aplikasi yang melibatkan metode ini diantaranya pengkompesan data, pendeteksian virus komputer, pengidentifikasian objek, sintesis suara dari teks, dan lain-lain.
Jaringan syaraf tiruan dengan layar tunggal memiliki kelemahan dalam pengenalan pola, hal ini dapat ditanggulangi dengan menambah satu atau beberapa layar tersembunyi di antara layar masukan dan keluaran. Penambahan satu atau beberapa layar tersembunyi inilah yang sering disebut metode jaringan syaraf tiruan backpropagation.
Backpropagation memiliki beberapa unit yang ada dalam satu atau lebih layer tersembunyi. Gambar 2.5 adalah arsitektur backpropagation dengan n buah masukan (ditambah sebuah bias), sebuah layar tersembunyi yang terdiri dari p unit (ditambah sebuah bias), serta m buah unit keluaran.
Zj (Vj0 merupakan bobot garis yang menghubungkan bias di unit masukan ke unit
layar tersembunyi Zj). Wkj merupakan bobot dari unit layar tersembunyi Zj ke
unit layar keluaran Yk (Wk0 merupakan bobot dari bias di layar tersembunyi ke
unit keluaran Zk).
Unit Input Unit Output X1 Xi Xn Z1 Zj Zp Y1 Yk Ym V11 V1j V1p Vi1 Vij Vip Vn1 Vnj Vnp W11 W1k W1m Wj1 Wjk Wjm Wp1 Wpk Wpm Unit Tersembunyi 1 1 V10 Vj0 Vp0 W10 Wk0 Wm0
Gambar 2.8 Arsitektur Backpropagation.
2.5.1 Fungsi Aktivasi
Adapun fungsi – fungsi yang memenuhi syarat dan sering dipakai adalah : 1.Fungsi signoid biner yang memiliki range (0,1).
dengan turunan
2.Fungsi sigmoid bipolar yang memiliki range (-1,1).
dengan turunan
Fungsi sigmoid memiliki nilai maksimum = 1. Maka untuk pola yang targetnya > 1, pola masukan dan keluaran harus terlebih dahulu ditranformasi sehingga semua polanya memiliki range yang sama seperti fungsi sigmoid yang dipakai. Atau dengan cara lain yaitu menggunakan fungsi aktivitas sigmoid hanya pada layar yang bukan layar keluaran. Pada layar keluaran, fungsi aktivitas yang dipakai adalah fungsi identitas : f(x) = x
2.5.2 Algoritma
Pelatihan sebuah jaringan yang menggunakan backpropagation terdiri dari 3 langkah, yaitu: pelatihan pola input secara feedforward, perhitungan dan
Selama feedforward, masing-masing unit (Xj) menerima sebuah sinyal input dan mengirimkan sinyal tersebut ke masing-masing unit tersembunyi Zi,…,Zp. Masing-masing unit tersembunyi kemudian menghitung aktivasi dan mengirimkan sinyalnya (Zj) ke masing-masing unit output. Masing-masing unit output kemudian menghitung aktivasinya untuk membentuk respon dalam jaringan yang diberi pola input.
Selama pelatihan, masing-masing unit output membandingkan perhitungan aktivasi unit output dengan nilai target (tk) kemudian menentukan kumpulan kesalahan untuk pola yang ada pada unit. Berdasarkan kesalahan tersebut, nilai factor δk(k=1,…,m)dihitung. Kemudian δk digunakan untuk mendistribusikan
kesalahan pada unit output kembali ke semua unit pada lapisan sebelumnya dan unit yang tersembunyi dihubungkan dengan nilai output. Kondisi semacam ini nanti akan digunakan untuk memeperbaiki bobot di anatara output dan lapisan yang tersembunyi (Zj). Hal ini tidak diperlukan untuk memperbaiki bobot di antara lapisan tersembunyi dan lapisan input.
Sesudah semua factor δ ditentukan, bobot untuk semua lapisan disesuaikan
secara simultan. Penyesuaian bobot W jk (dari unit tersembunyi Zj ke unit output Yk) didasarkan pada factor δ k dan aktivasi Zj pada unit tersembunyi Zj.
Pelatihan Standar Backpropagation.
Pelatihan standart backpropagation terdiri dari 3 langkah yaitu: data dimasukkan ke input jaringan(feedforward), Perhitungan dan propagasi balik dari error yang bersangkutan, dan pengaturan bobot. Algoritma pelatihan jaringan syaraf tiruan backpropagation adalah sebagai berikut :
Langkah 0: Inisialisasi bobot (ditentukan oleh bilangan acak yang kecil, antara 0 sampai dengan 1).
Langkah 1: Selama kondisi berhenti tidak terpenuhi, lakukan langkah 2 sampai dengan langkah 9.
Langkah 2: Untuk setiap pasangan vektor pelatihan, lakukan langkah 3 sampai dengan langkah 8.
Tahap Propogasi maju
Langkah 3: Setiap neuron pada lapisan masukan (Xi, i = 1, 2, …, n) menerima
sinyal masukan Xi dan menjalankan sinyal tersebut ke semua
neuron pada lapisan selanjutnya (dalam hal ini adalah lapisan tersembunyi).
Langkah 4: Untuk semua neuron dalam lapisan tersembunyi (Zj, j = 1, 2,…, p) jumlahkan bobotnya dengan sinyal masukannya masing – masing :
kemudian kirimkan sinyal ini ke semua neuron pada lapisan berikutnya (dalam hal ini adalah lapisan tersembunyi).
Langkah 5: Hitung semua output jaringan di unit Yk(k = 1,2,...,m)
y_net k = Wko +
p
j
zjWkj
1
yk = f(y_net k) = y netk e
_ 1
1
Tahap Propogasi mundur (backpropagation of error)
Langkah 6: Hitung faktor unit keluaran berdasarkan kesalahan di setiap unit keluaran Yk(k = 1,2,...,m)
δk =( tk– yk) f’ (y_netk) = (tk-yk) yk (1-yk)
Hitung suku perubahan bobot Wkj ( yang akan dipakai untuk
merubah bobot Wkj) dengan laju percepatan α:
ΔWkj= αδkzj ; k=1,2,3,...m; j=0,1,...,p
Langkah 7: Hitung faktor unit tersembunyi berdasarkan kesalahan di setiap unit tersembunyi Zj (j=1,2...,p):
δ _netj =
m
k 1
Faktor unit tersembunyi : δj= δ_netjf’(z_net j)=δ_netj zj(1-zj)
Hitung suku perubahan bobot Vji (yang akan dipakai untuk merubah bobot Vji)
Δv ji= α δj xi ; j=1,2,...,p; i=0,1,...,n
Tahap Perubahan Bobot dan Bias
Langkah 8: Hitung semua perubahan bobot
Untuk setiap neuron pada lapisan keluaran (Yk, k = 1, 2, …,m) ganti
nilai bobot dan biasnya (j = 0, 1, 2, …, p)
(2.16)
Untuk setiap neuron pada lapisan tersembunyi (Zj, j = 1, 2, …, p)
ganti nilai bobot dan biasnya (i = 0, 1, 2, …,n )
Langkah 9: Tes kondisi berhenti.
2.6. Matlab
matriks. MATLAB merupakan sistem interaktif yang data dasarnya adalah matriks. Matriks dianggap data dasar dalam matlab karena semua masukan di MATLAB dapat ditulis dalam bentuk matriks.
Kegunaan MATLAB secara umum (Hasan, 2005) : a. Visualisasi
b. Pemodelan
c. Perhitungan Matematis d. Program aplikasi e. Pembuatan Grafis f. Mendesain Algoritma g. Analisis Data
h. Pembuatan Prototype
1
BAB III
ANALISIS SISTEM DAN DESAIN
Pada bab III ini, akan dijelaskan gambaran sistem secara umum untuk menegnali angka yang berbentuk gambar sebagai kode pos bagian wilayah tertentu. Untuk itu, dibutuhkan dua tahap Jaringan Saraf Tiruan Backpropagation
dalam pengenalan kode pos, yaitu:
a) Tahap pelatihan (training) untuk pembentukan model
b) Tahap pengujian (testing) yang sekaligus sebagai pengenalan kode posnya.
Bab ini juga akan mendesain rancangan user interface dari aplikasi yang akan dibangun serta perangkat keras dan lunak yang digunakan.
3.1. Analisis Sistem
Sistem yang akan dibangun adalah untuk mengenali kode pos berdasarkan pada Jaringan Saraf Tiruan metode Backpropagation. Karakter yang dapat dikenali ialah angka yaitu angka 0 sampai 9, dimana pengenalannya dilakukan pada setiap karakter.
Input berupa file gambar dengan ekstensi *.jpg. Gambar yang diinputkan kemudian dikenali melalui ekstraksi ciri.
Langkah selanjutnya ialah melakukan ekstraksi ciri untuk template
8
Proses pengenalan pola angka kode pos secara umum dengan metode jaringan syaraf tiruan Backprapogation adalah sebagai berikut :
Angka.jpg
Proses Pengenalan
dengan backpropagation
Angka kode pos dikenali
Pengenalan wilayah/alamat
Gambar 3.1 Skema Desain Proses secara umum
3.2 Analisa Klasifikasi dengan JST BP
Metode klasifikasi dengan JST BP dipilih karena beberapa kelebihan yang dimilikinya, yaitu kemudahannya untuk diimplementasikan, serta kekuatan generalisasinya yang baik sehingga dapat memberikan hasil yang akurat dengan sampel di luar kumpulan sampel yang digunakan untuk pembelajaran.
Berdasarkan teori- teori nilai parameter JST BP yang baik, dalam arsitektur yang akan dirancang dipilih nilai parameter JST BP sebagai berikut :
1) Laju Pembelajaran
Dalam penelitian ini, laju pembelajaran yang akan dilakukan sebesar 0,1. 2) Lapisan Tersembunyi
Keseluruhan rancangan arsitektur JST BP yang diterapkan dalam penelitian ini menggunakan satu lapisan tersembunyi dan dua lapisan tersembunyi.
3) Unit Tersembunyi
9
4) Fungsi Aktivasi
Fungsi aktivasi yang digunakan dalam penelitian adalah logsig. 5) Inisialisasi Bobot
Inisialisasi awal nilai bobot menggunakan memberikan nilai bobot yang secara acak biasa.
3.3 Perancangan Sistem
Sub bab ini berisi perancangan sistem yang menjelaskan urutan proses dalam program. Terdapat proses Ekstraksi Fitur, proses pembentukan model dengan Backpropagationdan five fold, analisa hasil dengan confusion matrik.
Gambar 3.2 menunjukkan blok diagram sistem.
data
Training
Ekstraksi Fitur
Back Propagation
Model (net)
data
Ekstraksi Fitur
Back Propagation
Hasil Testing
10
3.3.1 Perancangan Backpropagation dan Five fold
Tahap ekstraksi fitur menggunakan data angka untuk diekstrak adalah sebagai masukan dalam JST BP untuk mendapatkan suatu model pada setiap angka dan kemudian mengklasifikasikan sampel-sampel angka ke dalam model pola yang sesuai.
Dalam proses pengenalan kode pos dan pembentukan model Jaringan Saraf Tiruan metode Backpropagationada dua tahap yang dilakukan yaitu tahap pelatihan atau (training) dan tahap pengujian atau (testing).
3.3.1.1 Pelatihan (Pembentukan Model JST)
Pada tahap training akan membentuk model yang mewakili masing-masing angka. Pembentukan model mencakup perhitungan parameter menggunakan sampel yang diambil dari masing-masing data angka. Pembentukan model ini menggunakan metode Jaringan Saraf Tiruan
Backpropagation.
Dalam melakukan pelatihan atau (training) maka data yang digunakan adalah karakter angka 0, 1, 2, 3, 4, 5, 6, 7, 8, dan 9 dengan ketikan ukuran 12pt sebagai target dan sebagai sampel data setiap jenis font huruf. Setiap angka mempunyai 5 buah sample dari setiap jenis huruf. Jadi, sample yang ada adalah sejumlah 250 buah sample data.
11
Tabel 3.1 Contoh Jenis Font untuk Pelatihan Angka Arial Callibri Comic Sains Times New
Roman
Verdana
0
1
2
3
4
12
6
7
8
13
Untuk proses pelatihan (Pembentukan model JST BP) dapat digambarkan dalam sebuah alur skema seperti pada gambar 3.3 berikut ini:
Input gambar untuk target
Ekstraksi Ciri
Pelatihan JST BP Mulai
Selesai Hasil(Model)
14
Berikut ini penjelasan masing-masing proses dari skema gambar 3.3 diatas yaitu:
1. Mulai
Untuk memulai proses pelatihan (training). 2. Input gambar
Input gambar pada tahap pelatihan ini yaitu memasukkan gambar angka berekstensi .jpg dan *.jpeg sebagai data untuk pelatihan (training) atau pembentukan model JST yaitu gambar angka 0, 1, 2, 3, 4, 5, 6, 7, 8, dan 9.
3. Ekstraksi ciri
Ekstraksi ciri merupakan langkah pemilihan ciri yang ingin diidentifikasi dari citra angka yang menghasilkan ciri-ciri baru dari data mentah dengan menerapkan satu atau lebih transformasi.
Dalam ekstraksi ciri ini digunakan 3 jenis Pengolahan citra yaitu : a. Binerisasi
15
Pencarian nilai ambang dilakukan dengan memanggil fungsi
graythresh yang terdapat dalam matlab. Fungsi ini menghitung nilai ambang sebuah citra skala keabuan dengan menggunakan metode Otsu. Metode ini mengasumsikan bahwa citra yang akan diambangkan mengandung dua kelas piksel, yaitu kelas objek dan latar, kemudian menghitung ambang optimum yang memisahkan dua kelas tadi sedemikian rupa sehingga kombinasi penyebarannya meminimalkan intra class variance / within-class variance / varian dalam kelas, dengan kata lain memaksimalkan inter-class variance / betweenclas variance / varian antar kelas. Sehingga ambang dapat dicari dengan menghitung varian antar kelas yang terbesar. Varian antar kelas yang paling besar bisa dianggap sebagai threshold yang baik karena nilai threshold ini kemudian memisahkan 2 kelas dengan simpangan yang terjauh dari rataan gambar, sehingga 2 kelas yaitu kelas obyek dan latar dapat terpisah dengan baik.
b. Segmentasi
Segmentasi dalam hal ini adalah pemotongan. c. Normalisasi
16
1. Mencari ukuran matriks dengan beda baris dibagi dua setiap inputan
2. Mencari ukuran matriks dengan beda kolom dibagi dua setiap inputan
3. Mencari ukuran matriks dengan penambahan baris atas bawah 4. Mencari ukuran matriks dengan penambahan kolom kanan kiri 5. Menghitung kepadatan piksel
4. Pelatihan JST BP
Untuk Pelatihan JST BP ini digunakan untuk penghitungan error, penghitungan W dan B (dalam hal ini W adalah bobot, B adalah bias). Bobot awal akan mempengaruhi apakah jaringan mencapai titik minimum lokal atau global, dan seberapa cepat konvergensinya.
Bobot yang menghasilkan nilai turunan aktivasi yang kecil sedapat mungkin dihindari karena akan menyebabkan perubahan bobotnya menjadi sangat kecil. Demikian pula nilai bobot awal tidak boleh terlalu besar karena nilai turunan fungsi aktivasinya menjadi sangat kecil juga. Oleh karena itu dalam standar Backpropagation, bobot dan bias diisi dengan bilangan acak kecil. Dapat dilihat pada gambar 3.4 berikut ini:
Pelatihan JST BP Penghitungan error,
penghitungan W dan B Model JST
17
Pada tahap training akan membentuk model yang mewakili masing-masing angka yaitu angka 0 sampai dengan angka 9. Pembentukan model ini menggunakan metode Jaringan Saraf Tiruan Backpropagation.
Proses training dalam JST BP meliputi 3 langkah, yaitu: proses
feedforward dari pola masukan, proses backward untuk menghitung error propogasi balik, dan pembaharuan nilai bobot. Proses feedforward dibagi menjadi 2 fase, yaitu fase feedforward lapisan masukan ke lapisan tersembunyi ke lapisan masukan. Untuk menghitung error aktivasi pada lapisan keluaran, diperlukan fase pembaruan bobot lapisan tersembunyi, dan pembaruan nilai bobot lapisan keluaran diperlukan diperlukan fase pembaruan bobot lapisan keluaran. Pada akhir proses pembelajaran dilakukan pengujian apakah kondisi berhenti sudah terpenuhi. Kondisi berhenti ini terpenuhi jika nilai kesalahan yang dihasilkan kurang dari nilai kesalahan referensi /target error.
Pembagian data menggunakan five fold cross-validation yaitu pembagian data menjadi lima kelompok, dimana empat kelompok 200 data digunakan untuk pembentukan model (training), sedangkan yang lain sebanyak 50 data untuk data pengujian (testing) dilakukan sebanyak lima kali.
Tabel 3.2 Percobaan Training dan Testing
Percobaan Training Testing
1 Bagian 1,2,3,4 Bagian 5
18
3 Bagian 1,2,4,5 Bagian 3
4 Bagian 1,3,4,5 Bagian 2
5 Bagian 2,3,4,5 Bagian 1
Tabel 3.2 menunjukan tabel percobaan yang dilakukan pada pengenalan kode pos. Jika feature bagian 1,2,3 dan 4 digunakan untuk
training, maka feature bagian 5 digunakan untuk Pengujian (testing). Hal tersebut diulang sampai setiap kelompok digunakan sebagai testing.
5. Hasil
Nilai-nilai angka disimpan sebagai model dan target. 6. Selesai
Proses pelatihan (training) atau pembentukan model JST BP sudah selesai.
3.3.1.2 Proses Pengenalan (Pengujian atau Testing)
Proses pengenalan pada tahap pengujian (testing) ini sekaligus sebagai proses pengenalan kode pos untuk mengenali angka dan wilayahnya.
Pada tahap testing data yang digunakan ialah data angka kode pos yang sudah disegmentasi dari amplop. Data angka kode pos yang digunakan ialah sebanyak Kelurahan yang ada di kota Yogyakarta yaitu sebanyak 43.
19
dilanjutkan dengan metode Backpropagation untuk pengenalan. Kemudian dilakukan penggabungan dari hasil segmentasi, sehingga angka kode pos yang diuji bisa mendapatkan hasil yaitu pengenalan wilayah atau alamat. Skema dari proses pengenalan atau pengujian dapat dilihat pada gambar 3.5 di bawah ini.
Input gambar sampe kode posl
Mulai
Ekstraksi Ciri
Pengenalan angka
Matching dengan daftar kode pos
Kesimpulan Pengenalan
Selesai Pengenalan Angka
Dengan JST
20
Berikut ini penjelasan masing-masing proses pengujian atau pengenalan kode pos dari skema gambar 3.5 di atas yaitu:
1. Mulai
Untuk mulai melakukan proses pengenalan 2. Input gambar
Input gambar pada tahap ini yaitu memasukkan hasil scan kode pos yang terdiri dari 5 digit angka dalam bentuk gambar berekstensi *.jpg dan *.jpeg masih berupa citra berisi kumpulan piksel yang memiliki data warna RGB(Red-Gren-Blue)
3.Ekstraksi Ciri
Ekstraksi ciri merupakan langkah pemilihan ciri yang ingin diidentifikasi dari citra angka yang menghasilkan cirri-ciri baru dari data mentah dengan menerapkan satu atau lebih transformasi.
Dalam Ekstraksi ciri ini digunakan 3 jenis ekstraksi ciri yaitu : a. Binerisasi
21
binarisasi berfungsi untuk mengubah citra masukkan yang tidak biner ke dalam bentuk biner yaitu yang setiap pikselnya hanya berisi nilai 0 atau 1. Proses binarisasi dilakukan dengan mencari nilai ambang sehingga citra masukkan dapat dibagi menjadi 2 bagian yaitu obyek dan latar berdasarkan nilai ambangnya. Fungsi yang akan dipakai pada proses binarisasi ini adalah fungsi im2bw yang terdapat dalam Matlab.
b. Segmentasi
Segmentasi disini dilakukan pemotongan(cropping) dan metode Sum Vertikal untuk mengitung nilai dimensi karakter. Setiap karakter untuk mengenali kelima digit pada kode pos. Sampel-sampel yang akan diamati tentunya harus dibatasi dengan suatu struktur dimensi dan homogenisasi pixel yang sederhana sama seperti pada tahap pelatihan, sehingga diharapkan dapat mempermudah proses analisa terhadap konsep ini. Setiap
sampel adalah satu citra digital yang nilai warna dari pixel-pixelnya terhomo-genisasi menjadi dua representasi warna, yaitu warna aktif (hitam) dengan nilai 1 dan warna non aktif (selain hitam) dengan nilai 0. c.Normalisasi
Normalisasi yang dimaksudkan ialah menyesuaikan dimensi dari setiap sampel dibatasi menurut ukuran yang paling maksimum yang disesuaikan dengan data pelatihan. Jika data tidak mencapai ukuran yang telah ditentukan yaitu menurut ukuran yang maksimum maka pada pinggiran ditambah nilai 1 untuk menyamakan ukuran kepadatan pixel.
22
Pengenalan yang dimaksud yaitu pengenalan angka yang dominan pada model yang sudah ada.
5. Matching
Proses matching di sini ialah mencocokan hasil pengenalan dengan daftar kode pos yang sudah ada di database.
6. Kesimpulan
Hal yang dimaksud pada tahap ini adalah bagaimana akurasi atau kesesuain data dalam hal ini kode pos yang diinputkan dikenali lewat proses pengenalan sehingga menghasilkan suatu kombinasi angka yang terdiri dari 5 digit. Dari hasil proses tersebut data yang dihasilkan dipetakan dengan daftar kode pos yang ada yang ada sehingga merujuk pada suatu wilayah dengan kata lain data (kode pos) yang dihasilkan mewakili suatu Kecamatan dan Kelurahan yang terdapat dalam database.
Akurasi pada pengenalan ini yaitu akurasi pengenalan angkanya:
1) Akurasi total yaitu Berapa persen dari seluruh data kode pos yang dekenali secara tepat angkanya.
7. Selesai
23
3.4. Desain User Interface Program
Berikut ini adalah rancangan user interface dari aplikasi yang akan dibangun.
3.4.1 Tampilan Menu
JUDUL
Menu Informasi
Home
Pengenalan
Keluar
Tentang program Bantuan
LOGO
JUDUL SKRIPSI
LOGO SADHAR IDENTITAS
PENULIS Pengujian
Gambar 3.6 Desain Home
Dalam aplikasi tersedia 2 pilihan menu utama, yaitu Menu dan Informasi. Berikut ini submenu-submenu yang dapat diakses:
Menu
24
Pengenalan : Untuk proses Pengenalan dengan menginput gambar untuk mengambil file gambar dari folder penyimpanan.
Pengujian : Menampilkan Hasil Akurasi dari data sejumlah data
Keluar : Keluar dari program Informasi
Bantuan : Tombol Bantuan digunakan untuk memperoleh informasi tentang penggunaan program.
25
3.4.2 Desain Tampilan Menu Pengenalan dan Pengujian
3.4.2.1 Sub Menu Pengenalan Nama GUI
Menu Informasi
Pengujian
Gambar JUDUL SKRIPSI
Proses Hasil
Cari Lanjut
Gambar 3.7 Desain Tampilan Pengenalan
Pada gambar 3.7 Desain Tampilan Sub Menu Pengenalan di atas merupakan sub menu untuk membuka file kode pos yang akan dikenali. Pada Sub ini terdapat beberapa tombol yaitu :
a. Tombol “cari” berfungsi untuk mengambil file gambar dari folder penyimpanan. Setelah gambar dipilih maka gambar tersebut akan ditampilkan. Kemudian tekan tombol “Lanjut” untuk melanjutkan proses
pengenalan mulai ekstraksi ciri dan pengenalan berdasarkan metode
26
ditampilkan di box proses sebelalah kiri bawah dan hasil prosesnya akan di tampilkan di box hasil sebelah kanan bawah.
3.4.2.2 Sub Menu Pengujian
Pengenalan
Jumlah Data Training dan Data testing
Pengujian Akurasi
Proses
Proses
Keluar Hasil Akurasi
27
3.4.3 Desain Tampilan Informasi
Pada desain tampilan Informasi ini ada 2 yaitu tampilan Informasi tentang Program dan tampilan Informasi Bantuan.
3.4.3.1 Informasi Bantuan
Bantuan
Text
Identitas
Judul Logo Sadhar
Keluar
Gambar 3.9 Desain Tampilan Informasi Bantuan
28
3.4.3.2 Informasi Tentang Program
Pada Sub Menu Informasi tentang program ini dituliskan identitas penulis. Kemudian klik tombol “Keluar” untuk keluar dari jendela tentang program.
Tentang Program
Text
Logo dan Identitas Sadhar
Judul Logo Pos
Keluar
Gambar 3.10 Desain Tampilan Informasi Tentang Program
3.5 Kebutuhan Sistem
29
3.5.1 Kebutuhan perangkat Keras
Dalam pengimplementasian sistem pengenalan kode pos ini, spesifikasi perangkat keras yang diperlukan sebagai berikut :
1. Processor : AMD Turion64 X2 TL-60
2. VGA : NVIDIA GeForce 7000M
3. Hardisk : 120 GByte
4. Memory : 1 GByte
5. Printer : Canon PIXMA MP140
6. Scanner : Canon PIXMA MP140
Adapun perangkat keras yang disebutkan di atas tidak bersifat mutlak. Dengan kata lain, perangkat tersebut dapat digantikan dengan perangkat keras spesifikasi lain yang sesuai.
3.5.2 Kebutuhan Perangkat Lunak
Dalam pembuatan dan pengimplementasian sistem pengenalan kode pos ini digunakan perangkat lunak dengan spesifikasi sebagai berikut :
1. Microsoft windows Black Edition 2. Microsoft Excel 2010
3. Paint
30
BAB IV
IMPLEMENTASI DAN ANALISA
Dalam bab ini diuraikan implementasi sistem berupa hasil penelitian serta analisa dari hasil arsitektur program terbaik.
4.1 Hasil Pengujian
Penelitian ini menggunakan sample kode pos yang memuat data pelatihan
(training) dan data pengujian (testing).
Data training berjumlah 200. Sample setiap angka memiliki 5 data dari setiap jenis font. Jadi jumlah keseluruhan setiap angka adalah 25. Proses training menggunakan five fold.
Data pengujian (testing) sesuai dengan batasan masalah yaitu mengambil data kode pos Kabupaten Yogyakarta yang terdiri dari 13 Kecamatan dan mempunyai 43 Kelurahan. Setiap kelurahan mempunyai kode pos yang berbeda-beda. Ke-43 kode pos ini diketik dalam 5 jenis huruf dan juga dengan huruf jenis lain untuk menguji apakah dengan jenis font di luar target bisa dikenali atau tidak.
Dari sample yang ada proses pengenalannya sebagai berikut :
1. Pengenalan angka : yaitu dari 5 digit kode pos tersebut dapat dikenali sebagai angka apa saja sesuai dengan target yang ada yaitu angka 0 sampai angka 9 2. Pengenalan wilayah : yaitu dari kode pos yang angkanya sudah dikenali
31
4.1.1 Analisa Hasil Lapis 1 Tersembunyi
Tabel 4.1 Tabel Percobaan Hasil Akurasi Lapis 1 Tersembunyi Node 1 Hasil Percobaan 1 Hasil Percobaan 2 Hasil Percobaan 3 Hasil Percobaan 4 Hasil Percobaan 5
10 88.80% 76.40% 62.40% 74.40% 71.60%
50 78.40% 42.80% 57.60% 87.20% 83.20%
100 88% 89.60% 87.20% 73.60% 88.80%
150 88.80% 75.20% 85.20% 90.40% 86.40%
200 88.40% 90.80% 90.80% 90.80% 76.40%
250 57.60% 90.40% 87.20% 87.20% 66.80%
Tabel 4.1 menunjukan Hasil Akurasi 1 lapis dengan 5 kali percobaan untuk mencari hasil akurasi terbaik. Hasil akurasi dan analisa Pengujian menggunakan
Five fold dengan metode pembelajarannya menggunakan Jaringan Saraf Tiruan lapis 1 dan pembobotan yang bervariasi. Tabel di atas menyajikan keseluruhan hasil pengujian 1 lapis tersembunyi dengan unit tersembunyi 10, 50, 100, 150, 200 dan 250.
32
Gambar 4.1 Grafik 1 Lapis Tersembunyi
Gambar 4.1 menunjukkan grafik relasi antara akurasi dan unit dari 1 lapisan tersembunnyi yang mereferensi dari Tabel 4.1
4.1.2 Analisa Hasil Lapis 2 Tersembunyi
Berikut ini hasil akurasi yang menggunakan 2 lapis tersembunyi : Tabel 4.2 Tabel Percobaan Hasil Akurasi Lapis 2 Tersembunyi Node 1 Node 2 Hasil Percobaan I Hasil Percobaan 2 Hasil Percobaan 3 Hasil Percobaan 4 Hasil Percobaan 5
10 10 57.60% 76% 77.60% 62.80% 61.20%
10 20 87.60% 86.40% 75.60% 83.20% 71.60%
10 30 72% 86% 48.40% 81.20% 84%
10 40 89.60% 82.40% 59.20% 73.60% 87.60%
0.00% 10.00% 20.00% 30.00% 40.00% 50.00% 60.00% 70.00% 80.00% 90.00% 100.00%
10 50 100 150 200 250
A
ku
ra
si
33
10 50 87.20% 83.60% 77.20% 86.80% 81.60%
50 10 72.40% 74.40% 76% 58% 71.60%
50 20 84.80% 86% 86% 69.60% 84.80%
50 30 84.40% 82.40% 72.80% 86.40% 85.60%
50 40 86.40% 86.40% 89.20% 89.60% 86.80%
50 50 76.80% 83.60% 89.20% 69.20% 69.20%
100 10 68% 48% 74% 73.20% 70.80%
100 20 86.80% 80.40% 86% 83.60% 78.80%
100 30 85.20% 86% 86.40% 85.60% 92.80%
100 40 84.40% 80% 86.40% 90.80% 87.20%
100 50 90.40% 87.20% 86.40% 87.60% 73.20%
150 10 73.20% 69.60% 74.40% 73.60% 76.80%
150 20 86.40% 88.40% 80.40% 80.80% 68.00%
150 30 84.80% 86.80% 74% 88% 78.40%
150 40 91.60% 79.60% 68% 77.20% 60.80%
150 50 91.60% 86.80% 88.40% 89.60% 76.80%
200 10 69.00% 73.20% 76% 64.80% 78.40%
200 20 82.80% 80.80% 82.40% 76.80% 84.80%
34
200 40 81.20% 86% 80% 79.60% 86.80%
200 50 84.40% 67.60% 86% 74.80% 69.20%
250 10 75.60% 73.20% 69.20% 76% 64.40%
250 20 86.80% 80.40% 84% 84% 83.80%
250 30 86.40% 90% 71.60% 86% 87.80%
250 40 76% 88.40% 88% 88.80% 84.80%
250 50 86.80% 84% 84,8% 82% 83.60%
Tabel 4.2 menunjukan Hasil Akurasi lapis 2 tersembunyi dengan melakukan 5 kali percobaan untuk mencari hasil akurasi terbaik. Hasil akurasi dan analisa Pengujian menggunakan Five fold dengan metode pembelajarannya menggunakan Jaringan Saraf Tiruan lapis 2. Tabel di atas menyajikan keseluruhan hasil pengujian lapis 2 tersembunyi dengan unit tersembunyi node 10, 50, 100, 150, 200 250 dan node 2 10,20,30,40,50.
Dari Hasil Percobaan dengan pembobotan yang berbeda-beda didapatkan Hasil Akurasi terbaik yaitu pada percobaan ke-4 dengan node 100 lapis 1 dan
35
Gambar 4.2 Grafik 2 Lapis Tersembunyi
Gambar 4.2 menunjukkan grafik relasi antara akurasi dan unit dari 2 lapisan tersembunyi yang mereferensi dari Tabel 4.2
0.00% 10.00% 20.00% 30.00% 40.00% 50.00% 60.00% 70.00% 80.00% 90.00% 100.00%
10 10 10 50 50 50 100 100 100 150 150 150 200 200 200 250 250 250
A
ku
ra
si
36
4.2 Implementasi Antar Muka pada Sistem 4.2.1 Halaman Utama atau Home
Gambar 4.3 Home atau Halaman Utama Sistem Pengenalan Kode Pos Pada Home atau halaman utama Sistem Pengenalan kode pos ini terdapat 2 Menu yaitu
1. Menu ini memiliki sub-sub menu yaitu, Sub Menu Pengenalan, Sub Menu Pengujian, dan Sub Menu Keluar dari Program
2. Menu Informasi ini memiliki sub-sub menu Tentang Program dan bantuan untuk menjalankan system
37
Gambar 4.4 Sub-sub Menu Sistem Pengenalan kode pos
38
4.2.3 Halaman Tampilan Menu Informasi
Gambar 4.5 Sub-sub Menu Informasi Sistem Pengenalan kode pos
Pada halaman Menu Informasi ini terdapat 2 sub menu yaitu Sub Menu Tentang program dan Sub Menu Bantuan.
39
4.2.4 Halaman Pengenalan Angka Kode Pos Ditemukan
40
4.2.5 Halaman Pengenalan Angka Kode Pos Tidak Ditemukan
Gambar 4.7 Halaman Pengenalan Kode Pos tidak ditemukan
Tampilan halaman ini merupakan halaman jika kode pos yang diinputkan tidak ditemukan oleh system atau tidak dikenali. Ada beberapa kode pos tersebut tidak dikenali yaitu :
1. Pengenalan angkanya tidak sesuai
2. Tidak ada dalam daftar kode pos yang sudah disediakan
Gambar
Dokumen terkait
Pada analisis regresi linier, diperoleh nilai R yang menunjukkan korelasi antara motivasi dan nilai bahasa Indonesia nilai R 0,120 menyatakan bahwa hubungan
(Lihat Bab 18 untuk diskusi lebih lanjut tentang masalah ini. Hukuman adalah prinsip dasar perilaku. Definisinya memiliki tiga komponen dasar: Terjadinya suatu
Dari oknum yang menjelek-jelekan nama Jokowi didepan umat islam melalui media sosial berharap nanti ketika pelaksanaan PILPRES Jokowi sudah tidak layak untuk
1) RUPS menetapkan jumlah minimum akibat keuangan yang harus mendapatkan persetujuan RUPS, jika Direksi berencana mengikat Perusahaan sebagai penjamin (borg atau
Dari hasil yang diperoleh dari penelitian ini adalah bahwa dari program latihan multi- ball terdapat pengaruh yang signifikan terha- dap ketepatan pukulan forehand
Judul yang dipilih oleh Tim peneliti untuk Hibah Penelitian dan Pengabdian Pada Masyarakat Kemenristekdikti 2017 ini adalah “Rencana Kontinjensi Pengurangan Risiko Bencana
lain yang dilakukan oleh Budiyono dkk (2011) di Kabupaten Demak menunjukkan bahwa ada kerjasama yang baik antara bidan dengan dukun, walaupun masih ada dukun yang
Pada tahap ini penulis menyusun semua data yang telah terkumpul secara sistematis dan terperinci sehingga data tersebut mudah di fahami dan temuanya dapat di
