M00274

(1)

PROSIDING SEMINAR NASIONAL SAINS DAN PENDIDIKAN SAINS UKSW

F3-1

APLIKASI JARINGAN SYARAF TIRUAN PADA PENGENALAN

POLA TULISAN DENGAN METODE BACKPROPAGATION

Alvama Pattiserlihun, Andreas Setiawan, Suryasatriya Trihandaru Program Studi Fisika, Fakultas Sains dan Matematika,

Universitas Kristen Satya Wacana,

Jl. Diponegoro 52-60, Salatiga 50711 Jawa Tengah –Indonesia

e-mail: alvaphysics@yahoo.com, tlp.081342954313

ABSTRAK

Keterbatasan penyandang tunanetra untuk membaca bacaan konvensional mengakibatkan diperlukannya suatu pengembangan alat yang dapat mengenali pola tulisan yang kemudian diubah ke dalam besaran fisis lain. Langkah awal dalam pengembangan tersebut dapat menggunakan Jaringan Syaraf Tiruan (JST). Metode JST yang dipakai adalah algoritma backpropagation. Pada pemrograman JST dalam penelitian ini, terdapat proses pelatihan yang dilakukan pada 1 sampai 10 unit hidden dengan 168 buah huruf kapital, di mana semakin banyak jumlah unit hidden, semakin baik pula pengenalan pola huruf yang diberikan, ditandai dengan nilai performance (unjuk kerja) serta nilai R pada regresi yang semakin baik. Namun, penambahan jumlah unit hidden yang sangat banyak tidaklah efisien, karena waktu pelatihannya pun semakin lama, sedangkan output yang dihasilkan jaringan pun tidak jauh berbeda (khususnya 5 -10 unit hidden). Dalam proses aplikasi jaringan, dengan menggunakan 78 buah huruf kapital (termasuk 26 huruf tulisan tangan ), didapatkan bahwa huruf-huruf yang sebelumnya belum diketahui oleh jaringan, dapat dikenali dengan baik. Di mana semakin besar jumlah unit hidden, semakin baik pula pengenalannya. Pada pengaplikasian jaringan ini, dihasilkan jaringan yang paling maksimal pengenalannya adalah jaringan dengan 5 unit hidden dan 7 unit hidden dengan total prosentasi keberhasilan 70,51% dan 76,92%.

Kata kunci: jaringan saraf tiruan, backpropagation, pola tulisan,huruf

PENDAHULUAN

Salah satu metode yang dipakai oleh penyandang tunanetra untuk membaca adalah dengan menggunakan huruf braille. Ketika menggunakan huruf braille, penyandang tunanetra harus menyentuh huruf yang dibaca dengan menggunakan tangan, mengenali pola huruf yang dipegang, setelah itu merangkai huruf-huruf berikutnya menjadi sebuah kata lalu menjadi kalimat dan seterusnya.

Namun masyarakat tunanetra khususnya yang berada di Indonesia masih harus berjuang untuk mendapatkan buku edisi huruf braille untuk dibaca. Masalah tersebut membuat ketersediaan buku edisi huruf braille sampai saat ini masih cukup terbatas mengingat biaya cetak yang tidak murah. Agar penyandang tunanetra juga dapat membaca buku konvensional (bukan cetakan huruf braille), maka dibutuhkan suatu pengembangan, misalnya menggunakan sistem yang dapat mengenali pola tulisan dan memberitahukan huruf, kata, atau kalimat kepada penyandang tunanetra tersebut . Sistem tersebut dapat dibangun dengan menggunakan suatu algoritma untuk mengenali pola tulisan yang terhubung dengan sistem penampil yang memproses tulisan menjadi bentuk besaran fisis lain, seperti suara atau tekstur, yang dalam hal ini dipilih metode jaringan syaraf tiruan.

Pada penelitian ini, dibatasi pada pengaplikasian jaringan syaraf tiruan khususnya model Backpropagation pada pengenalan pola tulisan, khususnya huruf kapital dan pembuatan rangkaian alat sederhana sebagai media pengambil serta pemroses data berbentuk tulisan.

Penelitian ini diharapkan dapat berguna bagi pengembangan ilmu pengetahuan, di mana secara teoritis, pemrograman serta interface yang dipakai pada penelitian ini dapat dijadikan sebagai bahan ajar bagi mahasiswa.

(2)

biasanya hanya ditujukan untu mengasosiasikan cara kerja otak komputer[1]. Sederhananya, jarin memiliki karakteristik mirip den menyerupai otak manusia dalam (belajar) dan menyimpan pengeta Hal tersebut membuat JST mam dipelajari oleh JST sehingga me yang belum dipelajari [3]. JST sinyal-sinyal yang masuk. Kalau (threshold), maka sinyal tersebu tak manusia dengan logika numerik yang diadaptas ringan syaraf tiruan (JST) adalah sistem pemroses info dengan jaringan syaraf biologi. Di mana jaringan sy lam mendapatkan pengetahuan yaitu dengan prose etahuan yang didapat di dalam kekuatan koneksi anta ampu mengenali kegiatan dengan berbasis pada data. memiliki kemampuan untuk memberi keputusan ter ST ditentukan oleh 3 hal, yakni: pola hubungan a ntuk menentukan bobot penghubung (metode training i [4].

jaringan syaraf biologi dan jaringan syaraf tiruan d an syaraf biologi, neuron memiliki 3 komponen pe drit menerima sinyal dari neuron lain. Sinyal terse melalui celah sinaptik melalui proses kimiawi. Siny emah) di celah sinaptik. Berikutnya, soma menjumlah lau jumlahan tersebut cukup kuat dan melebihi bat bagai dasar untuk merubah bobot [4].

struktur jaringan syaraf biologi dengan jaringan syaraf tir

agation

iliki beberapa unit yang ada dalam satu atau h arsitektur Backpropagation dengan n buah masukan

embunyi yang terdiri dari p unit (ditambah sebuah bia

(3)

Gambar 2. Arsitektur Backpropagation

4 Pelatihan Standar Backpropagation

Pelatihan Backpropagation meliputi 3 fase. Fase pertama adalah fase maju. Pola masukan dihitung maju mulai dari layar masukan hingga layar keluaran menggunakan fungsi aktivasi yang ditentukan. Fase kedua adalah fase mundur. Selisih antara keluaran jaringan dengan target yang diinginkan merupakan kesalahan yang terjadi. Kesalahan tersebut dipropagasikan mundur, dimulai dari garis yang berhubungan langsung dengan unit-unit di layar keluaran. Fase ketiga adalah modifikasi bobot untuk menurunkan kesalahan yang terjadi[4].

METODOLOGI

1. Penentuan Pola Huruf dan Target

Pada penelitian ini, pola huruf yang dipakai adalah pola huruf latin kapital. Jenis huruf yang dipakai untuk proses pelatihan (training) adalah jenis huruf Times New Roman, Calibri, Tahoma, Comic Sans MS, Arial dan Kozuka Gothic Pro H serta tambahan 12 huruf jenis Franklin Gothic Book. Huruf yang dipakai kemudian diproses dengan metode rgb2gray dan graythresh agar warnanya hanya terbagi atas 2 bagian, hitam dan putih. Setelah itu huruf dipartisi menjadi 9x7 data digital, seperti yang dapat dilihat pada gambar 3. Pola huruf dan matriks huruf, selengkapnya dapat dilihat pada informasi pendukung.

Gambar 3. Pemrosesan huruf menjadi 9x7 data digital

Selain menentukan pola huruf, unit target juga harus ditentukan. Pada penelitian ini, unit target berupa vektor matriks “0” dan “1” sebanyak 5 bit. Unit target terdiri dari 5 bit karena disesuaikan dengan jumlah huruf yang berjumlah 26, dimana 5 bit berarti memiliki 25 atau 32 kemungkinan, dimana yang dibutuhkan pada penelitian ini hanyalah 26 kemungkinan pola unit target. Pasangan huruf dan unit target yang diinginkan dapat dilihat pada tabel berikut.

(4)

Huruf Vektor target

A 0 0 0 0 1 B 0 0 0 1 0 C 0 0 0 1 1

D 0 0 1 0 0 E 0 0 1 0 1 F 0 0 1 1 0

G 0 0 1 1 1 H 0 1 0 0 0 I 0 1 0 0 1

J 0 1 0 10 K 0 1 0 1 1 L 0 1 1 0 0

M 0 1 1 0 1 N 0 1 1 1 0 O 0 1 1 1 1

P 1 0 0 0 0 Q 1 0 0 0 1 R 1 0 0 1 0

S 1 0 0 1 1 T 1 0 1 0 0 U 1 0 1 0 1

V 1 0 1 1 0 W 1 0 1 1 1 X 1 1 0 0 0

Y 1 1 0 0 1 Z 11 0 1 0

2. Proses pelatihan (training)

Sebelum dapat digunakan maka JST model Backpropagation harus diberikan pelatihan lebih dahulu. Dalam proses latihan ini diberikan berbagai pola huruf dengan output yang sudah diketahui. JST Backpropagation akan melakukan perubahan bobot terus menerus untuk setiap pola yang diberikan hingga pola dapat dikenali dengan benar, yaitu diindikasikan dengan nilai kesalahan minimum. Jadi, ketika keluaran Backpropagation belum sesuai dengan target yang ingin dicapai, Backpropagation akan terus melakukan perubahan bobot. Perubahan bobot untuk seluruh pola yang diberikan disebut epoch[5]. Lebih lengkapnya dapat dilihat pada gambar 4.

Gambar 4. Diagram alir pelatihan JST Backpropagation

Proses pelatihan dilakukan dengan mengubah-ubah jumlah unit pada layer tersembunyi, yakni 1 sampai dengan 10 unit.

3. Aplikasi jaringan

Setelah dilakukan proses pembelajaran (training), maka dilakukan proses pengaplikasian dengan menggunakan jaringan syaraf tiruan (JST) yang sebelumnya sudah diberi pelatihan. Alur kerja utama sistem pengolahan data berbasis jaringan syaraf tiruan (JST), dapat dilihat secara lengkap pada gambar 5.

Gambar 5. Diagram alir aplikasi jaringan saraf tiruan

(5)

F3-5 nilai “1” sedangkan pada bagian yang terang (tidak terkenai tulisan) diberi nilai “-1”. Kemudian sejumlah 63 data yang telah dipartisi dijadikan sebagai input JST, dimana keluarannya berupa pengenalan pada pola huruf tertentu .

Pengaplikasian jaringan ini dilakukan untuk setiap network dengan jumlah unit yang berbeda-beda serta jenis huruf yang tidak dipakai pada proses pelatihan, yaitu MS Sans Serif, Segoe UI Semibold dan huruf tulisan tangan. Hal ini bertujuan untuk mengetahui sensitivitas jaringan dalam pengenalan pola huruf yang tidak dikenali sebelumnya.

Untuk proses aplikasi dengan menggunakan huruf tulisan tangan, pengambilan obyek huruf dengan menggunakan webcam.

HASIL DAN PEMBAHASAN

Proses pelatihan (training) menggunakan 6 jenis huruf kapital sebagai bahan pembelajaran, yakni Times New Roman, Calibri, Tahoma, Comic Sans MS, Arial dan Kozuka Gothic Pro H. Proses pelatihan dilakukan dengan mengubah-ubah jumlah unit pada layer tersembunyi, yakni 1 sampai dengan 10 unit. Dalam proses pelatihan, selain 6 jenis huruf yang dipakai, ditambah juga 1 jenis huruf yaitu jenis Franklin Gothic Book, namun huruf yang ditambah hanyalah huruf B, C, D, F , J, K, O, R, S, W, Y, Z. Hal ini dikarenakan tingkat pengenalan pada huruf-huruf tersebut cukup rendah, sehingga untuk memperkuat pengenalan pada huruf-huruf di atas, maka ditambah huruf-huruf tersebut sebagai bahan pelatihan.

Dari hasil pelatihan (training) yang dilakukan, didapatkan data sebagai berikut:

Tabel 2. Data hasil pelatihan (training) Pelatihan Jumlah unit pada

hidden layer

Jumlah iterasi Performance (mse)

Regresi (besarnya R)

Waktu iterasi (menit)

1 1 50000 0,196 0,46162 12:31

2 2 50000 0,136 0,6721 12:59

3 3 50000 0,0913 0,79565 12:55

4 4 50000 0,0491 0,89594 13:30

5 5 50000 0,0133 0,97286 13:54

6 6 50000 0,00796 0,98387 13:27

7 7 50000 0,00397 0,99198 14:01

8 8 50000 0,00283 0,99428 14:22

9 9 50000 0,00133 0,99732 14:39

10 10 50000 0,000710 0,99857 15:20

Dari hasil yang didapatkan, terlihat bahwa dengan adanya penambahan jumlah unit pada hidden layer (unit hidden), performance (unjuk kerja) jaringan lebih baik, terbukti dengan nilai mse (mean squared error) yang semakin kecil.

(6)

(a)

(b)

Gambar 6. Perbandingan grafik regresi untuk (a) 1 unit hidden dan (b) 10 unit hidden

(7)

F3-7 Hal-hal di atas menandakan bahwa semakin banyak unit hidden semakin baik jaringan mengenali pola-pola huruf yang diberikan. Tetapi jika dilihat dari waktu yang diperlukan untuk melakukan training, semakin banyak unit tersembunyi, semakin lama proses training, sedangkan output yang dihasilkan jaringan relatif sama (5 – 10 hidden unit ). Ini menandakan bahwa tidaklah efisien jika menggunakan jumlah hidden unit yang banyak.

Setelah melakukan pelatihan (training) maka network yang sudah diperoleh dapat diaplikasikan untuk pengenalan huruf dengan menggunakan jenis huruf yang tidak dipakai pada proses pelatihan. Huruf yang dipakai adalah MS Sans Serif, Segoe UI Semibold serta huruf dengan tulisan tangan. Aplikasi jaringan juga dilakukan pada 1 – 10 unit hidden.

Dari pengaplikasian jaringan yang dilakukan , didapatkan data sebagai berikut:

Tabel 3. Data pengaplikasian jaringan untuk huruf MS Sans Serif Unit hidden Jumlah huruf

yang terdeteksi

Tabel 4. Data pengaplikasian untuk huruf Segoe UI Semibold Unit hidden Jumlah huruf

yang terdeteksi

Dari data pengaplikasian jaringan di atas, dapat dilihat bahwa jaringan (network) yang dihasilkan dari proses training dapat mengenali pola huruf yang sebelumnya belum dikenal, di mana semakin banyak unit hidden yang diberikan, semakin baik pengenalan pola hurufnya.

(8)

F3-8 polanya, tetapi hasil yang didapatkan sudah cukup baik, karena pengenalan pola untuk unit hidden 5 – 10 sudah lebih dari 50%.

Selain menggunakan huruf MS Sans Serif dan Segoe UI Semibold, dipakai pula huruf tulisan tangan sebagai bahan pengaplikasian jaringan yang telah dibuat. Di mana hasil pengambilan obyek huruf tulisan tangan dengan menggunakan peralatan sederhana (webcam) sudah cukup baik.

Pengaplikasian ini juga menggunakan jaringan dengan jumlah unit hidden yang berbeda-beda. Hasil pengaplikasian jaringan dengan menggunakan tulisan tangan dapat dilihat pada tabel berikut:

Tabel 5. Data pengujian huruf tulisan tangan Unit hidden Jumlah huruf

yang terdeteksi huruf dengan tulisan tangan paling maksimal adalah jaringan dengan 7 unit hidden.

Dari semua aplikasi jaringan yang dilakukan, keberhasilan total dari setiap unit hidden yang dipakai, dapat dilihat pada tabel berikut:

(9)

F3-9 KESIMPULAN

Pola tulisan, khususnya pola huruf kapital dapat dikenali dengan menggunakan jaringan syaraf tiruan, khususnya metode Backpropagation.

Dari proses pelatihan (training), huruf-huruf yang dijadikan bahan pelatihan dapat dikenali dengan baik. Di mana, semakin besar jumlah unit hidden, semakin baik pengenalan pola tulisan. Tetapi hal itu berpengaruh pada lamanya proses pelatihan, jika jumlah unit hidden semakin banyak, maka lama proses pelatihannya pun semakin lama, sedangkan output yang dihasilkan jaringan relatif sama (5 – 10 hidden unit ). Hal ini menandakan bahwa tidaklah efisien jika menggunakan jumlah hidden unit yang terlalu banyak.

Dalam proses aplikasi jaringan, didapatkan pula bahwa huruf-huruf yang sebelumnya belum diketahui oleh jaringan, dapat dikenali dengan baik. Di mana semakin besar jumlah unit hidden, semakin baik pula pengenalannya. Namun penggunaan unit hidden yang terlalu banyak tidaklah efisien. Pada pengaplikasian jaringan ini, jaringan (network) yang paling maksimal pengenalannya adalah jaringan dengan 5 unit hidden dan 7 unit hidden dengan total prosentasi keberhasilan sebesar 70,51% dan 76,92%. Sehingga jika ingin mengaplikasikan jaringan (network) yang sudah dibuat ini pada pengenalan pola huruf lain, cukup dipakai jaringan dengan 5 unit hidden atau 7 unit hidden.

DAFTAR PUSTAKA

[1] Muis, Saludin. Teknik Jaringan Saraf Tiruan. Yogyakarta : 2006

[2] Islam, M.J, dkk. Neural Network Based Handwritten Digits Recognition- An Experiment and Analysis. University of Windsor, Canada: 2009. hal 2.

[3] Luthfie, Syafiie Nur. Implementasi Jaringan Saraf Tiruan Backpropagation Pada

Aplikasi Pengenalan Wajah Dengan Jarak Yang Berbeda Menggunakan MATLAB 7.0.UniversitasGunadarma, Depok: 2007. hal 1.