IDENTIFIKASI GORESAN DASAR MANDARIN DENGAN METODE MULTILAYER PERCEPTRON. Dewi Jurusan Sistem Informasi, STMIK GI MDP, Palembang

IDENTIFIKASI GORESAN DASAR MANDARIN DENGAN METODE MULTILAYER PERCEPTRON

Dewi

Jurusan Sistem Informasi, STMIK GI MDP, Palembang e-mail: dewi@mdp.ac.id

Abstrak

Bahasa Mandarin merupakan bahasa internasional kedua setelah Bahasa Inggris.Bahasa Mandarin berbeda dengan Bahasa Inggris. Bahasa Mandarin terdiri dari goresan, nada dan pin yin. Goresan dasar dalam Bahasa Mandarin berjumlah 11 buah. Dalampenelitian ini, penulis melakukan identifikasi goresan dasar Mandarin dengan menggunakan metode multilayer perceptron dengan tujuan untuk mengetahui tingkat keakuratan metode multilayer perceptron dalam mengenal goresan dasar Mandarin. Data goresan dasar Mandarin yang digunakan merupakan goresan dari beberapa orang yang berbeda. Data tersebut disimpan dalam bentuk image berukuran 80x80 piksel dan diubah menjadi citra hitam putih. Selanjutnya pengambilan nilai FFT dan Mean Citra dari image tersebut. Tahap selanjutnya yaitu pelatihan data training, penentuan target serta implementasi metode multilayer perceptron. Tingkat keakurasian yang dicapai metode Multilayer Perceptron dalam mengidentifikasi goresan dasar Mandarin sebesar 59,09 % dengan jumlah hidden layer 45 node.Jumlah node hidden layer sangat mempengaruhi nilai output.

Kata kunci—Goresan Dasar, Bahasa Mandarin, Metode Multilayer Perceptron

Abstract

Mandarin Language is the second international language after English Language. Mandarin Language is different with English Language. Mandarin Language consists of stroke, intonation and pin yin. The basic strokes in Mandarin Language are eleven strokes. In this research, author identifies the basic stroke of Mandarin using Multilayer Perceptron to determine how the accuracy of Multilayer Perceptron to recognize the strokes. Data of the basic stroke of Mandarin that used are strokes from several different people.The data has been saved in image with size 80x80 pixel and changed into black and white image. Then taking the FFT and Mean Citra value from the image. The next step is training the data, determining the target and implementation the multilayer perceptron method. The accuracy that reached by multilayer perceptron method in identifying the basic stroke of Mandarin is 59.09% with 45 node of hidden layer. The node amount of hidden layer very affect the output value.

Keywords—Basic Stroke, Mandarin Language, Multilayer Perceptron Method

1. PENDAHULUAN

Bahasa Mandarin adalah salah satu bahasa internasional yang banyak dipelajari oleh semua kalangan usia, mulai dari anak-anak hingga dewasa. Bahasa Mandarin memiliki perbedaan dengan Bahasa Inggris maupun Bahasa Indonesia yaitu dari cara penulisan dan cara pengucapan. Cara menulis karakter Mandarin hampir sama seperti membuat goresan kaligrafi yang memiliki lekukan-lekukan, sangat berbeda pada saat menulis huruf alphabet. Oleh karena itu dalam mempelajari bahasa Mandarin memiliki tingkat yang lebih rumit daripada mempelajari Bahasa Inggris maupun Bahasa Indonesia, terutama pada cara penulisan serta cara pengucapan yang memiliki nada dan

pinyin[1]. Karakter Mandarin terbentuk dari beberapa goresan dasar.Goresan dasar Mandarin dapat dilihat pada Tabel 1.

Terdapat berbagai cara bagi manusia untuk mempelajari Bahasa Mandarin. Selain dengan mempelajarinya secara manual, seperti kursus dan berbicara aktif, juga dapat mempelajari bahasa asing secara digital, autodidak, melalui komputer dan internet.Mesin (komputer) perlu mengerti dan menguasai karakter serta huruf dalam bahasa asing tersebut, agar dapat membantu manusia dalam mempelajari bahasa Mandarin.Contohnya telepon seluler touchscreen sudah memiliki handwriting recognition, baik alphabet maupun huruf kanji mandarin, tablet PC, aplikasi-aplikasi untuk pengenalan tulisan tangan bahasa Mandarin. Aplikasi pengenalan tulisan tangan yang dibuat oleh Samuel dan Irawan merupakan salah satu aplikasi untuk pembelajaran tulisan tangan bahasa Mandarin yang menerapkan metode PCA untuk mengenali goresan dari akasara Mandarin yang ditulis oleh user dalam aplikasi [1].

Tujuan penelitian ini yaitu bagaimana penerapan algoritma mutilayer perceptron dalam mengidentifikasi goresan dasar Mandarin. Ruang lingkup dalam penelitian ini yaitu goresan dasar yang digunakan berjumlah 11 buah dan dataset yang digunakan disimpan dalam image yang berukuran 80x80 piksel.

2. STUDI LITERATUR

A.Pengenalan Karakter Mandarin dan Penggunaan Metode Perceptron

Aplikasi pengenalan karakter Mandarin yang dibuat oleh Samuel dan Irawan [1] menggunakan kanvas coret sebagai media masukan sehingga pengguna dapat melakukan input langsung secara real time. Sistem akan melakukan proses perhitungan menggunakan metode PCA terhadap citra karakter Mandarin dengan mengekstrak nilai ciri dari citra yang diuji dan citra sampel sebanyak 5 data citra per karakter Mandarin dan tingkat rata-rata pengenalan karakter Mandarin mencapai 65%.

Penelitian Samuel dkk, membahas mengenai pengenalan karakter Mandarin pada handphone Android dengan input berupa foto karakter atau tulisan karakter Mandarin dengan menggunakan metode matriks kuadran, dimana aplikasi tersebut dapat mengenali karakter Mandarin dari sebuah citra tanpa mengharuskan pengguna mengetahui cara penulisan karakter tersebut maupun mencarinya di dalam kamus [2].

Berdasarkan hasil pelatihan dan pengujian jaringan saraf tiruan dalam penelitian yang dilakukan Ardi, dapat mengenali pola dengan rata-rata 75,25% dengan persentase terendah 50,75% dan tertinggi 92,65%, sehingga sistem dapat digunakan untuk mengenali citra objek sederhana berupa bangun ruang seperti kubus, tabung, prisma dan limas [3].

Dalam penerapan algoritma neural network back propagation untuk mengenali karakter huruf dan angka [4] diperoleh bahwa semakin tinggi jumlah layer yang dipakai akan semakin meningkatkan tingkat akurasi pengenalan karakter huruf dan angka yang diinginkan, dimana waktu training yang bertambah sangat signifikan.

Hasil penelitian Hotman dkk menunjukkan bahwa jaringan saraf tiruan multi layer perceptron sangat sensitif digunakan untuk melakukan identifikasi sidik jari, penentuan derajat threshold sangat berpengaruh dalam penentuan kecepatan proses pengenalan sidik jari, proses segmentasi input akan mempercepat waktu proses learning daripada tanpa segementasi input, serta banyaknya data yang diproses berbanding lurus dengan waktu proses learning [5].

Jaringan syaraf tiruan dengan menggunakan model perceptron dapat diimplementasikan dalam pengenalan pembukaan catur dengan output pembukaan Rup Lopez atau bukan Rup Lopez, yang mempunyai beberapa input dan satu output menginisialisasi semua bobot dan bias sehingga keluaran sama dengan target. Kemudian data dilatih dan diuji dengan program Matlab, sehingga sistem dapat mengenali pola pembukaan catur [6].

Jaringan syaraf tiruan Multilayer Perceptron (MLP) juga dapat diterapkan dalam pengenalan wajah. Dalam penelitian yang dilakukan oleh Bhattacharjee dkk [7] untuk pengenalan wajah menggunakan dua arsitektur MLP yaitu all class in one network (ACON) yaitu semua kelas ditempatkan pada satu jaringan, dan one class in one network (OCON) yaitu satu jaringan bertanggung jawab untuk satu kelas. Hasil dari penelitian ini adalah arsitektur OCON memiliki kinerja, tingkat akurasi dan kecepatan yang lebih baik dibandingkan dengan ACON.

B. Bahasa Mandarin

Bahasa Mandarin merupakan bahasa yang tidak menggunakan abjad latin dalam sistem penulisannya, oleh karena itu tanpa adanya sistem penulisan latin akan sulit bagi orang asing untuk mempelajari bahasa Mandarin. Maka pada tahun 1958 pemerintah Cina secara resmi menggunakan sistem fonetik pinyin, yang dibuat oleh Lembaga Pembaharuan Tulisan (LPT) Republik Rakyat Cina (中国文字改革委员会/ zhōng guó wén zì gǎi gé wěi yuán huì) sebagai sistem penulisan latinnya. Pinyin merupakan sistem penulisan latin untuk Bahasa Mandarin berdasarkan sistem pelafalan standar nasional. Sistem fonetik pinyin mempermudah orang asing yang hanya menguasai huruf latin. Saat ini pinyin telah digunakan pada banyak tempat seperti pada sistem pengetikan huruf Mandarin di komputer, telepon genggam, petunjuk jalan, bahan ajar, software komputer, dan lain-lain [9].

Bentuk penulisan pinyin paling sedikit terdiri dari satu suku kata, dan setiap suku kata terdiri dari huruf vokal (声母 / shēng mǔ) dan huruf konsonan (韵母 /yùn mǔ） dan nada (声调 / shēng diào) yang diletakkan di atas huruf vokal. Bentuk suku kata pinyin dapat berupa huruf vokal saja seperti : a, e, ai, ei, ao, ou, atau terdiri dari huruf konsonan dan vokal, seperti : ba, mu, na, le, ti dan dapat juga terdiri dari huruf vokal dan konsonan, seperti : en, er.

Dalam Bahasa Mandarin [8] dikenal nada kata atau sheng diao, yaitu empat nada penuh dan satu nada tidak penuh atau nada netral. Tinggi rendah nada kata terdapat pada Gambar.1.

Secara umum, bentuk karakter mandarin terdiri dari dua macam, yaitu fan ti zi (繁体字) yang digunakan di Taiwan, sedangkan jian ti zi (简体字) digunakan di Republik Rakyat China. Setiap karakter Mandarin terdiri dari goresan-goresan.Penulisan karakter Mandarin dimulai dari sudut kiri atas [8].Tabel 1 menunjukkan goresan dasar Mandarin.

Tabel 1. Goresan Dasar Mandarin [8]

C. Perceptron

Model jaringan Perceptron ditemukan Rosenblatt (1962) dan Minsky papert (1969).Perceptron merupakan suatu bentuk pelatihan dari jaringan syaraf tiruan yang biasanya digunakan untuk mengklasifikasikan suatu tipe pola tertentu secara linier.Sesuai dengan karakteristik jaringan syaraf tiruan, pada dasarnya Perceptron memiliki kecenderungan yang sama dengan jenis jaringan syaraf tiruan lainnya, namun setiap jenis memiliki karakteristik masing-masing, seperti halnya Single layer Jaringan syaraf tiruan , biasanya hanya digunakan untuk memberikan solusi yang sifatnya hanya sederhana saja [11].

Perceptron dianggap sebagai bentuk dari jaringan syaraf tiruan yang sangat sederhana yang mana satu lapisan akan memiliki bobot yang bisa diatur. Algoritma yang digunakan oleh Perceptron melalui proses pembelajaran. Sedangkan, fungsi aktivasinya yang sedemikian rupa akan dapat melakukan pembatasan antara daerah positif dan negatif, diperlihatkan dalam gambar 3 [11]:

Garis pemisah antara daerah positif dan daerah nol memiliki pertidaksamaan (1).

w1.x1 + w2.x2 ≥ -b (1)

Sedangkan garis pemisah antara daerah negatif dengan daerah nol memiliki pertidaksamaan (2)

w1.x1 + w2.x2 < -b (2)

Bentuk Single Layer Perceptron disajikan pada Gambar 4.

Gambar 4. Arsitektur Perceptron Satu Lapisan [11]

Output dari unit assosiator adalah biner vektor. Vektor tersebut dikatakan sebagai sinyal terhadap sinyal output atau unit response. Oleh karena bobot-bobot dari assiator ke unit output dapat diubah-ubah, maka yang akan diperhatikan hanya pada bagian layer tersebut [3].

Tujuan dari jaringan ini adalah mengklasifikasikan setiap pola input ke dalam kelas tertentu. Apabila outputnya +1, maka input yang diberikan termasuk kelas tertentu, sebaliknya jika outputnya -1, maka input yang diberikan tidak masuk dalam kelas tertentu [3].

Multi-Layer Perceptron adalah jaringan syaraf tiruan feed-forward yang terdiri dari sejumlah neuron yang dihubungkan oleh bobot-bobot penghubung. Neuron-neuron tersebut disusun dalam lapisan-lapisan yang terdiri dari satu lapisan input (input layer), satu atau lebih lapisan tersembunyi (hidden layer), dan satu lapisan output (output layer). Lapisan input menerima sinyal dari luar, kemudian melewatkannya ke lapisan tersembunyi pertama, yang akan diteruskan sehingga akhirnya mencapai lapisan output [13].

Tidak ada batasan banyaknya hidden layer dan jumlah neuron pada setiap layernya. Setiap neuron pada input layer terhubung dengan setiap neuron pada hidden layer. Demikian juga, setiap neuron pada hidden layer terhubung ke setiap neuron pada output layer. Setiapneuron, kecuali pada layer input, memiliki input tambahan yang disebut bias [13].

Kemudian, jaringan dilatih agar keluaran jaringan sesuai dengan pola pasangan masukan-target yang telah ditentukan. Proses pelatihan adalah proses iteratif untuk menentukan bobot-bobot koneksi antara neuron yang paling optimal. Kata back propagation yang sering dikaitkan pada MLP merujuk pada cara bagaimana gradien perubahan bobot dihitung. Jaringan MLP yang sudah dilatih dengan baik akan memberikan keluaran yang masuk akal jika diberi masukan yang serupa (tidak harus sama) dengan pola yang dipakai dalam pelatihan [13].

Bentuk Multi Layer Perceptron disajikan pada Gambar 5.

Gambar 5. Arsitektur Perceptron Banyak Lapisan [11]

Seperti yang diperlihatkan dalam Gambar 2.3 bahwa arsitektur perceptron terdiri dari 3 unit input (x1, xi, xn) dan sebuah output (y). Adapun w1,wi, dan wn merupakan bobot - bobot yang diberikan kepada jaringan saat terjadi koneksi antara sel pada unit masukan dan sel pada unit keluaran. Sel bias (b) bernilai 1 yang diberikan pada sel unit keluaran akan mengolah data yang ditransmisikan ke dalam sel unit keluaran. Pengolahan data pada unit keluaran mengguakan fungsi aktifasi Hard limit [11].

Pelatihan Perceptron

Bobot koneksi dari unit assosiator ke unit response (atau output) ditentukan melalui pelatihan (learning rate) perceptron. Untuk setiap input training jaringan akan menghitung response dari unit output, kemudian jaringan akan menentukan apakah suatu error terjadi pada pola tersebut dengan cara membandingkan output hasil perhitungan dengan nilai targetnya. Jaringan tersebut akan membedakan error antara output hasil perhitungan 0 dengan target -1 atau outputnya +1 dengan target -1 [3].

Dalam kedua kasus tersebut tanda error menunjukkan bahwa bobot koneksi harus diubah dalam arah yang dinyatakan oleh nilai target. Namun demikian hanya bobot-bobot pada koneksi dari unit pengiriman sinyal selain 0 ke unit output yang akan disesuaikan nilainya, karena hanya sinyal tersebut yang menambah error. Jika error tidak terjadi maka bobot-bobot tersebut tidak akan diubah tetapi sebaliknya jika suatu error terjadi untuk pola input pelatihan tertentu, bobot-bobot akan diubah [3].

Algoritma Perceptron

Algoritma yang digunakan oleh jaringan Perceptron ini cocok untuk vector masukan biner atau bipolar, dengan target bipolar, θ tetap. Dan, nilai bias dapat diatur.

Langkah-langkah algoritma pelatihan Perceptron adalah sebagai berikut [11,12]: Langkah 0 :

Inisialisasi bobot dan nilai sel bias

(Tetapkan bobot awal = 0 dan nilai sel bias awal = 0 ). Tetapkan pula laju pelatihan (learning rate) α (0 < α ≤ 1) biasanya , α =1.

Langkah 1 :

Selama kondisi berhenti bernilai false, lakukan langkah-langkah sebagai berikut:

a. Untuk setiap pasangan pelatihan si dan ti dengan i = 1,2,3,…,n maka lakukan beberapa langkah berikut:

(i) Tetapkan aktivasi unit masukan Xi = Si dimana i= 1,2,3,..n

(ii) Hitung tanggapan unit keluaran Yin =

Yin = 1, bila Yin> 0 Yin = 0, bila - ≤ Yin ≤ Yin = -1, bila Yin ≤

(iii) Perbaharui bobot dan bias jika terjadi error : Bila y ≠ t Wi (baru) = Wi (lama) + α .t.xi b (baru ) = b (lama ) + α .t Bila y = t Wi (baru) = Wi (lama) b(baru ) = b(lama )

b. Tes kondisi berhenti, jika masih terjadi perubahan bobot atau jumlah kuadrat error ≠ 0, dan epoh < max epoh, maka kondisi berhenti adalah false. Namun jika sudah tidak terjadi perubahan bobot atau jumlah kuadrat error = 0, dan epoh > max epoh, maka kondisi berhenti true.

3. METODE PENELITIAN

Metode yang digunakan dalam penyelesaian penelitian ini adalah : 1. Studi literatur

Pada tahap ini melakukan studi literatur mengenai goresan dasar Mandarin dan metode Multilayer Perceptron.

2. Pencarian dan pengumpulan data

Pada tahap ini, mencari dan mengumpulkan data-data yang diperlukan dalam penelitian seperti penulisan goresan dasar Mandarin dari beberapa orang.

3. Analisa kebutuhan dan implementasi sistem

Pada tahap ini dilakukan analisa kebutuhan dan implementasi sistem yang sesuai dengan penelitian.

4. Pengujian sistem dan analisa hasil

Tahap ini melakukan uji coba terhadap sistem yang telah dikembangkan dengan berbagai variasi nilai masukan sistem lalu dilakukan analisa terhadap hasil atau keluaran sistem.

5. Penyusunan laporan penelitian dan pengambilan kesimpulan

Penyusunan laporan dan pengumpulan dokumentasi terhadap penelitian yang telah dilakukan, serta membuat kesimpulan dari hasil analisis penelitian.

4.HASIL DAN PEMBAHASAN

Dalam penelitian ini, penulis menggambarkan proses yang dilakukan dalam bentuk blok diagram (Gambar 6)

Gambar 6. Blok Diagram Pelatihan

Gambar / image berupa goresan dasar Mandarin berukuran 80 x 80 piksel.Image dibagi menjadi data training dan data testing. Untuk data training, penulis menggunakan 55 buah image yang terdiri dari 5 image untuk setiap goresan. Sedangkan untuk data testing, penulis akan menggunakan 22 image dimana 2 image untuk setiap goresan. Image yang ada akan diubah menjadi image hitam putih, setelah mengambil nilai FFT citra kemudian dirata-ratakan untuk melakukan pelatihan data training.

Selanjutnya menetapkan target untuk masing-masing goresan dasar Mandarin. Berdasarkan hasil rata-rata dari FFT citra, data dilatih dengan menggunakan Multilayer Perceptron yang terdiri dari lapisan input, hidden dan ouput. Untuk lapisan inputakan bernilai 80 untuk setiap image karena ukuran image 80 x 80 piksel yang merupakan nilai FFT yaitu 80 sehingga lapisan input ada 80. Untuk hiddenlayer/ tersembunyi biasanya memiliki jumlah yang lebih sedikit daripada lapisan input sehingga penulis menentukan hidden layer dengan melakukan pengujian yang berulang-ulang dengan jumlah hidden layer yang beragam agar mendapatkan jumlah hidden layer yang tepat untuk menghasilkan kinerja yang baik pula. Untuk lapisan output, penulis menentukan 4 output bernilai 1 atau 0 sebagai target keluaran dalam mendefinisikan hasil uji dari 11 goresan dasar Mandarin yang dilatih. Misalkan goresan ―dian‖ ditargetkan dengan keluaran 1 1 1 1, goresan ―heng‖ ditargetkan dengan keluaran 0 0 0 0, dan seterusnya. Nilai output ini akan diubah menjadi nilai konkrit untuk pengidentifikasian goresan dasar Mandarin.

Goresan dasar yang digunakan adalah goresan dasar Mandarin yang umum berjumlah 11 buah goresan (Tabel 2).

Data yang digunakan terbagi dua yaitu data training dan testing. Data training berisi 55 buah image, dimana 1 goresan terdiri dari 5 image dan data testing berisi 22 image, dimana 1 goresan terdiri 2 image.Pengujian menggunakan metode trainrp dengan menggunakan jumlah hidden layer yang berbeda-beda untuk memperoleh performance yang baik.Hasil dari jumlah hidden layer yang berbeda-beda dapat dilihat pada Tabel 3.

Tabel 2. Tabel Goresan Dasar Mandarin [10]

Tabel 3. Hasil Pengujian

No Jumlah Hidden Layer

Hasil Pengenalan

(dari 22 image) Persentase

1 10 9 image 40,90 % 2 15 8 image 36,36 % 3 20 9 image 40,90 % 4 25 8 image 36,36 % 5 30 9 image 40,90 % 6 35 11 image 50,00 % 7 40 12 image 54,54 % 8 42 9 image 40,90 % 9 45 13 image 59,09 % 10 50 8 image 36,36 % 11 55 4 image 18,18 % 12 56 8 image 36,36 % 13 57 8 image 36,36 % 14 60 10 image 45,45 % 15 65 7 image 31,81 % 16 70 7 image 31,81 % 17 75 7 image 31,81 % 18 80 7 image 31,81 % 5. KESIMPULAN

Metode multilayer perceptron dapat digunakan untuk pengidentifikasi goresan dasar Mandarin. Berdasarkan hasil pengujian pada Tabel 3, pengidentifikasian goresan dasar Mandarin dengan menggunakan metode multilayer perceptron mencapai tingkat keakurasian sebesar 59,09 % dengan jumlah hidden layer 45 node. Jumlah node hidden layer sangat mempengaruhi nilai output.

6 . SARAN

Penelitian ini dapat dikembangkan dengan menambah jumlah data training dan testing serta mengatur jumlah hidden layer yang sesuai sehingga dapat meningkatkan tingkat keakurasian yang lebih baik.

UCAPAN TERIMA KASIH

Penulis mengucapkan terima kasih kepada Ketua STMIK GI MDP yang telah memberi dukungan terhadap penelitian ini.

DAFTAR PUSTAKA

[1] Samuel dan Irawan, ―Rancang Bangun Aplikasi Pembelajaran Karakter Mandarin Berbasis Pengenalan Karakter dengan Metode PCA‖ ,Skripsi Program Studi Teknik Informatika STMIK MDP, 2012.

[2] Mahatmaputra, Samuel, dkk, ― Pengenalan Citra Karakter Mandarin Menggunakan Metode Matriks Kuadran pada Mobile Device‖, Seminar Nasional Aplikasi Teknologi Informasi 2011 (SNATI 2011), Yogyakarta, 17-18 Juni 2011.

[3] Pujiyanta, Ardi, ― Pengenalan Citra Objek Sederhana dengan Jaringan Saraf Tiruan Metode Perceptron‖, Jurnal Informatika, Vol 3, No.1, Januari 2009.

[4] Andi dan Arie, ―Pengembangan Aplikasi Pengenalan Karakter Alfanumerik dengan Menggunakan Algoritma Neural Network Three-Layer Backpropagation‖, Jurnal Informatika, Vol 4, No.1, Juni 2008 : 49-58.

[5] Panjaitan, Hotman,dkk, ―Aplikasi Jaringan Saraf Tiruan Multi Layer Perceptron dalam Pengenalan Sidik Jari‖, Konvergensi, Vol.3, No.1, Januari 2007

[6] Azmi, Zulfian, ―Aplikasi Jaringan Syaraf Tiruan untuk Pengenalan Pola Pembukaan Permainan Catur‖, Jurnal SAINTIKOM, Vol.10, No.1, Januari 2011.

[7] D. Bhattacharjee, et al, ―A Parallel Framework for Multilayer Perceptron for Human Face Recognition‖, International Journal of Computer Science and Security (IJCSS), Vol. 3, Issue 6, 2009 :p.491-507.

[8] Dayan, Charles, Panduan Mandarin Praktis, Jakarta : Puspa Swara, 2005. [9] O. P. Kiat, Percakapan Bahasa Mandarin, Jakarta : Puspa Swara, 2000. [10]http://www.zein.se/patrick/chinen8p.html , diakses pada bulan Desember 2012.

[11]Kusumadewi, Sri, Membangun Jaringan Syaraf Tiruan Menggunakan Matlab dan Excel Link, Yogyakarta : Graha Ilmu, 2004.

[12]Fausett, Laurene, Fundamentals of Neural Networks, Architectures, Algorithms, and Application, New York: Prentice-Hall Inc. 1994.

[13]Rajiva dan Victor, ―Aplikasi Tes Kepribadian Berbasis Jaringan Syaraf Tiruan Menggunakan Multi-Layer Perceptron‖, Jurnal Ilmu Komputer, 2011.