Pengenalan pola tulisan tangan aksara Jawa dengan algoritma Backpropagation

Teks penuh

(1)PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. PENGENALAN POLA TULISAN TANGAN AKSARA JAWA DENGAN ALGORITMA BACKPROPAGATION SKRIPSI. Diajukan Untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer Program Studi Teknik Informatika. Oleh: Aloysius Tanto Wibowo 135314061. PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS SANATA DHARMA YOGYAKARTA 2018.

(2) PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. PATTERN RECOGNITION HANDWRITTER OF JAVA CHARACTER USING BACKPROPAGATION ALGORITHM A THESIS Presented as Partial of the Requirements to Obtain the Sarjana Komputer Degree in Informatics Engineering Study Program. By : Aloysius Tanto Wibowo Student ID: 135314061. INFORMATICS ENGINEERING STUDY PROGRAM INFORMATICS ENGINEERING DEPARTMENT FACULTY OF SCIENCE AND TECHNOLOGY SANATA DHARMA UNIVERSITY YOGYAKARTA 2018. i.

(3) PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI.



(6) PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. Motto. "I don't stop when I am tired, I stop when I am done." And I am trying to apply that way. iv.

(7) PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. ABSTRAK. Indonesia merupakan negara yang kaya akan budaya dan adat. Penulisan Aksara Jawa merupakan tradisi penulisan yang cukup kental. Dengan mengingat betapa pentingnya pelestarian dan penyebarluasan budaya, maka penelitian mengenai upaya digital dan pengolahan pada hasil digital sangat diperlukan, misalnya pengenalan pada aksara Jawa. Neural network merupakan salah satu metode yang dapat digunakan untuk mengenali pola tulisan tangan aksara Jawa. Neural network sendiri dimisalkan sebagai analogi sistem kerja otak manusia. Terdiri dari atas sebuah unit pemroses yang disebut neuron yang berisi penambah dan fungsi aktivasi,sejumlah bobot,sejumlah vektor masukan. Penelitian ini nantinya akan membuat sistem yang mampu mengenali aksara Jawa seperti huruf pada umumnya . Sistem yang akan dibangun ini menerapkan jaringan syaraf tiruan untuk pemodelan sistemnya dan Intencity Of Character, Mark Direction sebagai ekstraksi cirinya. Pengujian pengenalan aksara Jawa dengan Jaringan Syaraf Tiruan Propagasi Balik dengan melakukan pembentukan arsitektur jaringan menghasilkan akurasi tertinggi yaitu sebesar 83% dengan menggunakan 2 lapisan tersembunyi dengan jumlah neuron pada lapisan tersembunyai 1 sebanyak 75 neuron dan 65 pada lapisan tersembunyi 2.. Kata kunci: Pengenalan Pola, Mark Direction, Intencity Of Character, Jaringan Syaraf Tiruan Back Propagation. vii.

(8) PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. ABSTRACT. Indonesia is a country with rich culture and customs. Writing Javanese script is a fairly thick tradition of writing. Bearing in mind the importance of cultural preservation and dissemination, research on digital efforts and processing of digital results is necessary, for example the introduction of Javanese script. Neural network is one of method that can be used to recognize handwriting pattern Java script. Neural network itself is exemplified as the analogy of the working system of the human brain. It consists of a processing unit called a neuron that contains an adder and an activation function, a number of weights, a number of input vectors. This research will create a system. that is able to recognize Javanese. characters like letters in general. The system will be built use artificial neural network for system modeling and Intensity Of Character, Mark Direction as a characteristic extraction. Testing of Javanese script with Artificial Back Propagation Neural Networks by performing the formation of network architecture fields produce the highest accuracy of 83% by using 2 hidden layers with the number of neurons in the embedded layer 1 of 75 neurons and 65 in the hidden layer 2.. Key Words: Pattern Introduction, Mark Direction, Intensity Of Character, Neural Network artificial Back Propagation. viii.



(11) PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. DAFTAR ISI. HALAMAN JUDUL ........................................................................................... i MOTTO ............................................................................................................ iv ABSTRAK......................................................................................................... vi KATA PENGANTAR ..................................................................................... viii DAFTAR ISI ...................................................................................................... x HALAMAN GAMBAR .................................................................................. xiii HALAMAN TABEL ...................................................................................... xiv BAB I PENDAHULUAN ................................................................................. 1 I.1 Latar Belakang ....................................................................................... 1 I.2 Rumusan Masalah Penelitian ................................................................ 2 I.3 Tujuan Penulisan.................................................................................... 2 I.4 Batasan Masalah .................................................................................... 2 I.5 Manfaat Penelitian ................................................................................. 3 I.6 Metodologi Penelitian ............................................................................. 3 I.6.1 Pengumpulan Data ............................................................................. 3 I.6.2 Perancangan Alat Uji .......................................................................... 3 I.6.3 Pembuatan Alat Uji ............................................................................ 3 I.6.4 Pengujian ........................................................................................... 3 I.6.5 Analisis Hasil ..................................................................................... 4 I.7 Sistematika Penulisan ............................................................................ 4 BAB II LANDASAN TEORI ........................................................................... 5 II.1 Sejarah Aksara Jawa ............................................................................ 5 II.2 Pengenalan Pola .................................................................................... 6 II.3 Ekstraksi Ciri ........................................................................................ 6 II.3.1 Intencity Of Character ...................................................................... 7 II.3.2 Mark Direction................................................................................. 7 II.4 Hold Out Method .................................................................................. 7 II.5 Jaringan Syaraf Tiruan ........................................................................ 8 II.5.1 Arsitektur Jaringan ........................................................................... 9 II.5.2 Neural Network Backpropagation .................................................. 10. III METODOLOGI PENELITIAN .............................................................. 13 III.1 Tahapan Penelitian ............................................................................ 13 xi.

(12) PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. III.1.1 Studi Literatur............................................................................... 13 III.1.2 Pengumpulan Data ........................................................................ 13 III.1.3 Pembuatan Alat Uji....................................................................... 13 III.1.4 Pengujian ...................................................................................... 14 III.2 Kebutuhan Sistem ............................................................................. 14 III.2.1 Perangkat Keras (Hardware) ........................................................ 14 III.2.2 Perangkat Lunak (Software).......................................................... 14 III.3 Perancangan Sistem .......................................................................... 15 III.3.1 Data .............................................................................................. 16 III.3.2 Preprocessing................................................................................ 16 III.3.3 Ekstraksi Ciri ................................................................................ 17 III.3.4 Normalisasi .................................................................................. 17 III.3.5 Jaringan Syaraf Tiruan .................................................................. 18 III.3.6 Model Arsitektur Jaringan Syaraf Tiruan ...................................... 18 III.3.7 Uji Data Tunggal .......................................................................... 25 III.4 Desain Alat Uji................................................................................... 26 III.4.1 Form Pengujian Jaringan Syaraf Tiruan ........................................ 26 III.4.2 Form Pengujian Data Tunggal ...................................................... 26. BAB IV IMPLEMENTASI HASIL DESAIN ................................................ 27 IV.1 Implementasi Sistem .......................................................................... 27 IV.2 Hasil dan Analisis Hasil ..................................................................... 33 IV.2.1 Pengujian Variasi Arsitektur Jaringan Syaraf Tiruan ..................... 33 IV.2.2 Implementasi User Interface.......................................................... 72 IV.2.3 Pengujian Data Tunggal ................................................................ 73. BAB V PENUTUP .......................................................................................... 79 V.1 Kesimpulan ......................................................................................... 79 V.2 Saran ................................................................................................... 80 DAFTAR PUSTAKA ......................................................................................81 LAMPIRAN ....................................................................................................82. xii.

(13) PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. DAFTAR GAMBAR Gambar II.1 Contoh Aksara Jawa Nglegena ......................................................... 5 Gambar II.2 Angka Jawa...................................................................................... 5 Gambar II.3 Tanda “Pada Pangkat” untuk Mengapit Penulisan Angka Jawa ..... 5 Gambar II.4 Struktur elemen tanda arah (Surinta, 2010) ....................................... 7 Gambar II.5 Skema Hold Method......................................................................... 8 Gambar II.6 Jaringan Lapis Tunggal .................................................................... 9 Gambar II.7 Jaringan Lapis Majemuk ................................................................ 10 Gambar II.8 Ilustrasi Arsitektur Jaringan Backpropagation (Siang,2005) ........... 11 Gambar III.1Diagram Block Sistem ................................................................... 15 Gambar III.2 Blangko aksara Jawa yang sudah terisi .......................................... 16 Gambar III.3 Normalisasi mapstd....................................................................... 18 Gambar III.4 Arsitektur jaringan 1 hidden layer ................................................. 18 Gambar III.5 Arsitektur Jaringan 2 hidden layer ................................................ 21 Gambar III.6 Form Pengujian Jaringan............................................................... 26 Gambar III.7 Form Pengujian Data Tunggal....................................................... 26 Gambar IV.1 Blangko aksara Jawa..................................................................... 27 Gambar IV.2 Data yang sudah di Crop ............................................................... 27 Gambar IV.3 Mengubah Citra menjadi keabuan ................................................. 28 Gambar IV.4 Binerisasi Citra ............................................................................. 28 Gambar IV.5 Resize Citra .................................................................................. 29 Gambar IV.6 Penipisan Citra ............................................................................. 29 Gambar IV.7 Gambar Citra yang sudah dibagi 9 segmen ................................... 30 Gambar IV.8 Mengambil Ciri nilai 0 atau hitam................................................. 30. xiii.

(14) PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. Gambar IV.9 Mengambil Ciri Arah Horizontal .................................................. 30 Gambar IV.10 Mengambil Ciri arah Vertical ..................................................... 31 Gambar IV.11 Mengambil Ciri arah Diagonal ke kanan ..................................... 31 Gambar IV.12 Mengambil Ciri arah Diagonal ke Kiri ........................................ 31 Gambar IV.13 Data yang sudah dinormalisasi .................................................... 32 Gambar IV.14 Implementasi Hold Out Method .................................................. 33 Gambar IV.15 Gambar Pembagian Data latih dan Data Uji ................................ 33 Gambar IV.16 Grafik pengujian input bernilai 9 ................................................. 41 Gambar IV.17 Grafik Akurasi Pengujian input bernilai 18 ................................ 57 Gambar IV.18 Grafik Pengujian input bernilai 27 .............................................. 66 Gambar IV.19 Grafik Pengujian input bernilai 36 .............................................. 71 Gambar IV.20 Grafik Pengujian input ................................................................ 73 Gambar IV.21 Tampilan Interface pengujian Jaringan Syaraf Tiruan ................. 74 Gambar IV.22 Tampilan Interface pengujian data tunggal Jaringan Syaraf Tiruan ................................................................................................................... 75. xiv.

(15) PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. DAFTAR TABEL. Tabel III.1 Tabel Spesifikasi Hardware ( Komputer) ......................................... 14 Tabel III.2 Kombinasi Ciri ................................................................................ 19 Tabel III.3 Pembuatan Target ............................................................................ 21 Tabel III.4 Kombinasi Ciri ................................................................................ 22 Tabel III.5 Pembuatan Target ............................................................................ 24 Tabel III.6 Confusion Matrix............................................................................. 25 Tabel IV.1......................................................................................................... 31 Tabel IV.2 Akurasi 1 hidden layer Ciri 1 .......................................................... 34 Tabel IV.3 Akurasi 1 hidden layer Ciri 1 .......................................................... 34 Tabel IV.4Akurasi Ciri 2 1 hidden layer ........................................................... 35 Tabel IV.5 Akurasi Ciri 2 hidden layer ............................................................ 36 Tabel IV.6 Akurasi Ciri 3 1 hidden layer ........................................................... 37 Tabel IV.7 Akurasi Ciri 3 2 hidden layer .......................................................... 38 Tabel IV.8 Akurasi Ciri 4 1hidden layer .......................................................... 38 Tabel IV.9 Akurasi Ciri 4 2 hidden layer .......................................................... 39 Tabel IV.10 Akurasi Ciri 5 1 hidden layer......................................................... 40 Tabel IV.11 Akurasi Ciri 5 2 hidden layer......................................................... 41 Tabel IV.12 Akurasi Ciri 6 1 hidden layer......................................................... 41. xv.

(16) PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. Tabel IV.13 Akurasi Ciri 6 2 hidden layer......................................................... 42 Tabel IV.14 Akurasi Ciri 7 1 hidden layer......................................................... 43 Tabel IV.15 Akurasi Ciri 7 2 hidden layer......................................................... 44 Tabel IV.16 Akurasi Ciri 8 1 hidden layer......................................................... 44 Tabel IV.17 Akurasi Ciri 8 2 hidden layer......................................................... 45 Tabel IV.18Akurasi Ciri 9 1 hidden layer.......................................................... 46 Tabel IV.19 Akurasi Ciri 9 2 hidden layer......................................................... 47 Tabel IV.20 Akurasi Ciri 10 2 hidden layer....................................................... 47 Tabel IV.21 Akurasi Ciri 10 2 hidden layer....................................................... 48 Tabel IV.22 Akurasi Ciri 11 1 hidden layer....................................................... 49 Tabel IV.23Akurasi Ciri 11 2 hidden layer........................................................ 50 Tabel IV.24 Akurasi Ciri 12 1 hidden layer....................................................... 50 Tabel IV.25 Akurasi Ciri 12 2 hidden layer....................................................... 51 Tabel IV.26 Akurasi 1 hidden layer .................................................................. 52 Tabel IV.27 Akurasi Ciri 13 2 hidden layer....................................................... 53 Tabel IV.28 Ciri 14 1 hidden layer .................................................................... 53 Tabel IV.29 Akurasi Ciri 14 2 hidden layer....................................................... 54 Tabel IV.30 Akurasi Ciri 15 1 hidden layer....................................................... 55 Tabel IV.31 Akurasi Ciri 15 2 hidden layer....................................................... 56 Tabel IV.32 Akurasi Ciri16 1 hidden layer........................................................ 56 Tabel IV.33 Akurasi Ciri 16 2 Hidden Layer ..................................................... 57 Tabel IV.34 Akurasi 17 1 hidden layer............................................................. 58 Tabel IV.35 Akurasi Ciri 17 2 hidden layer....................................................... 59 Tabel IV.36 Akurasi Ciri 18 1 hidden layer....................................................... 59 Tabel IV.37 Akurasi Ciri 18 2 hidden layer....................................................... 60. xvi.

(17) PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. Tabel IV.38 Akurasi Ciri 19 1 hidden layer....................................................... 61 Tabel IV.39 Akurasi Ciri 19 2 hidden layer....................................................... 62 Tabel IV.40 Akurasi Ciri 20 1 hidden layer....................................................... 62 Tabel IV.41 Akurasi Ciri 20 2 hidden layer....................................................... 63 Tabel IV.42 Akurasi Ciri 21 1 hidden layer....................................................... 64 Tabel IV.43 Akurasi Ciri 21 2 hidden layer....................................................... 65 Tabel IV.44 Akurasi Ciri 22 1 hidden layer....................................................... 65 Tabel IV.45 Akurasi Ciri 22 2 hidden layer....................................................... 66 Tabel IV.46 Akurasi Ciri 23 1 hidden layer....................................................... 67 Tabel IV.47Akurasi Ciri 23 2 hidden layer........................................................ 68 Tabel IV.48 Akurasi Ciri 24 1 hidden layer....................................................... 68 Tabel IV.49 Akurasi Ciri 24 2 hidden layer....................................................... 69 Tabel IV.50 Akurasi Ciri 25 1 hidden layer....................................................... 70 Tabel IV.51Akurasi Ciri 25 2 hidden layer........................................................ 71 Tabel IV.52Klasifikasi Data Tunggal ................................................................ 73. xvii.

(18) PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. BAB I PENDAHULUAN. 1.1 Latar Belakang Indonesia merupakan negara kepulauan yang kaya akan budaya dan adat istiadatnya. Hal ini tercermin dari banyaknya warisan hasil budaya yang dimiliki oleh setiap daerah. Salah satunya adalah suku bangsa Jawa. Suku bangsa Jawa memiliki warisan hasil budaya yaitu wayang, tarian, aksara Jawa, dan lain sebagainya. Penulisan Aksara Jawa merupakan tradisi penulisan yang cukup kental. Media penulisan Aksara Jawa pun bermacam-macam. Bisa menggunakan media naskah, lontar, prasasti, logam, dan lain-lain. Dengan mengingat betapa pentingnya upaya-upaya mengenali, pelestarian, dan penyebarluasan maka penelitian mengenai upaya digital dan pengolahan pada hasil digital, misalnya pengenalan pada aksara Jawa. Pengenalan pola atau bisa disebut pattern recognition adalah bisa diartikan segala kegiatan yang dilakukan untuk pengambilan keputusan atau kesimpulan berdasarkan pola- pola kompleks objek atau informasi. Ripley (1996). Tujuan pengenalan pola mengklasifikasi dan mendeskripsikan pola atau obyek kompleks melalui pengetahuan sifat-sifat atau ciri-ciri obyek tersebut.Penelitian ini diharapkan dapat meningkatkan minat generasi muda dalam melestarikan kebudayaan Jawa khususnya aksara Jawa. Neural network merupakan salah satu metode yang dapat digunakan untuk mengenali pola tulisan tangan aksara Jawa. Neural network dimisalkan sebagai analogi sistem kerja otak manusia. Terdiri dari atas sebuah unit pemroses yang disebut neuron yang berisi penambah dan fungsi aktivasi,sejumlah bobot,sejumlah vektor masukan. Fungsi aktivasi berguna untuk mengatur keluaran yang diberikan neuron.Neural Networks dapat menggunakan algoritma Backpropagation .Metode ini kemudian disebut dengan Neural Network Backpropagation. Backpropagation memiliki keunggulan dalam menghitung pola keluaran. Jika ada error maka bobot dalam jaringan akan diperbaharui untuk mengurangi error tersebut. Backpropagation sudah dikembangkan oleh peneliti, Nur Bekti. 1.

(19) PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 2. Arum W (2016) menggunakan Jaringan Syaraf Tiruan Backpropagation untuk Aksara nglegena dengan Wavelet dengan akurasi sebesar 86,40 %. Sedangkan penelitian lainnya dari Betty Isnawati ( 2015) mengunakan Jaringan Syaraf Tiruan Backpropagation untuk huruf dasar aksara Jawa dengan akurasi 75 %. Penelitian dari Farida Asriani dan Azis Wisnu Widhi Nugraha (2010 ) mengunakan Pengenalan Pola Aksara Jawa Tulisan Tangan dengan Jaringan Syaraf Tiruan Perambatan-Balik dengan akurasi 95,81%. Penelitian ini akan menerapkan metode Jaringan Syaraf Tiruan Backpropagation untuk mengenali tulisan tangan aksara Jawa . Ekstrasi Ciri yang digunakan adalah intencity of character dan mark direction. Tingkat keberhasilan ditentukan oleh akurasi dari algoritma Backpropagation yang mampu mengenali pola dari tulisan tangan aksara jawa.. 1.2 Rumusan Masalah Penelitian Dengan melihat latar belakang masalah, terdapat beberapa rumusan masalah yang dapat dirumuskan sebagai berikut: 1. Berapakah presentase keberhasilan pengenalan pola aksara Jawa dengan metode backpropagation?. 1.3 Tujuan Penulisan Tujuan penulisan yang ingin dicapai menurut rumusan masalah penelitian sebagai berikut: 1. Membuat sistem untuk mengenali tulisan tangan aksara Jawa dengan algoritma Backpropagation. 2. Mengetahui akurasi dari algoritma Backpropagation untuk mengenali tulisan tangan aksara Jawa.. 1.4 Batasan Masalah Untuk menghindari yang pembahasan yang terlalu luas maka peneliti membatasi penelitian ini dengan hal – hal sebagai berikut: 1. Sistem hanya untuk mengenali 20 huruf aksara Jawa..

(20) PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 3. 2. Data Citra Aksara diambil dari 5 orang tulisan tangan. 3. Format Citra yang akan diolah adalah jpg.. 1.5 Manfaat Penelitian Bila penelitian ini berhasil dilaksanakan akan didapatkan manfaat sebagai berikut: 1.. Membantu pemerintah dalam memperkenalkan aksara Jawa kepada masyarakat.. 2.. Membantu para peneliti untuk dijadikan referensi ataupun untuk dikembangkan.. 1.6 Metodologi Penelitian Metodologi penelitian dan langkah – langkah yang digunakan dalam penelitian ini adalah berikut: 1.6.1 Pengumpulan Data Data yang digunakan adalah data dari blangko dari 5 orang respoden yang menulis 1 aksara sebanyak 3 kali . Jadi total data ada 5 x 3 x 20 sebanyak 300 data. 1. aksara ada 15 data. Data kemudian discan. menjadi data digital . 1.6.2 Perancangan Alat Uji Alat uji dibuat dengan pendekatan object oriented. Desain alat uji digambarkan menggunakan Activity diagram. Model yang sudah dirancang dimasukkan ke dalam user Interface. 1.6.3 Pembuatan Alat Uji Pembuatan alat uji mengunakan aplikasi matlab dan data bertipe .data yang berisi dari ektraksi ciri dari intencity of character dan mark direction. 1.6.4 Pengujian Pengujian alat uji akan digunakan untuk mencari model arsitektur jaringan Backpropagation untuk mendapatkan akurasi tertinggi dalam mengenali pola..

(21) PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 4. 1.6.5 Analisis Hasil Analisis hasil dan kesimpulan dari penelitian ini adalah untuk mencari akurasi tertinggi dari arsitektur jaringan Backpropagation dan uji data tunggal yang telah dibuat.. 1.7 Sistematika Penulisan Sistematika penulisan dibagi menjadi beberapa bab, yaitu: Bab I :. Pendahuluan Bab. ini. berisi. tentang. latar. belakang,. rumusan. masalah,tujuan, batasan masalah, manfaat penelitian,metode penelitian,dan sistematika penelitian Bab II : Landasan Teori Bab ini berisi uraian singkat mengenai dasar teori yang digunakan dalam penelitian ini merancang dan membangun sistem. Bab III : Metodologi Penelitian Bab ini berisi data yang akan digunakan, spesifikasi perangkat lunak dan perangkat keras dan metode desain perancangan alat uji. Bab IV : Implementasi dan Analisis Hasil Bab ini berisi tentang pengujian tentang implementasi perancangan antar muka, implementasi jaringan syaraf tiruan Backpropagation ke dalam program, dan hasil pengujian sistem syang diuji dengan mengunakan dataset dari ekstraksi ciri intencity of character dan mark direction sebanyak 25 ciri. Bab V : Kesimpulan dan Saran Bab ini berisi kesimpulan dari penelitian yang telah dilakukan dan saran – saran untuk penelitian berikutnya..

(22) PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. BAB II. LANDASAN TEORI. 2.1 Sejarah Aksara Jawa Cerakan (Abjad/Aksara Jawa) adalah huruf yang digunakan dalam ejaan bahasa Jawa yang pada dasarnya terdiri atas dua puluh aksara pokok (nglegena), yang ditunjukkan pada Gambar 2.1, yang bersifat silabik (kesukukataan).. Bentuk kontemporer Aksara Jawa terbentuk sejak masa. Kerajaan Mataram pada abad ke-17. Selain dua puluh aksara tersebut, Aksara Jawa juga memiliki kelompok aksara kapital (murda), vokal (murda), rekaan ( rekan), pengubah bunyi (sandangan) ,penutup kosonan (pasangan),pangkon,tanda baca, dan angka.. Gambar 2.1 Contoh Aksara Jawa Nglegena. Gambar 2.2 Angka Jawa. Gambar 2.3 Tanda “Pada Pangkat” untuk Mengapit Penulisan Angka Jawa. 5.

(23) PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 6. Beberapa dari Angka, seperti pada Gambar 2.3 dalam Aksara Jawa memiliki bentuk yang mirip dengan kelompok Aksara Jawa lainnya. Beberapa diantaranya misalkan angka “1” dalam Aksara Jawa memiliki bentuk yang sama dengan huruf. “Ga” pada kelompok Aksara Jawa. Nglegena, kemudia angka “9” sama dengan huruf “ ya” dalam kelompok Aksara Jawa Nglegena. Oleh karena ini, penulisan Angka Jawa, menurut pedoman yang ditulis oleh Darusuprapta dkk, harus diapit oleh tanda baca yang memiliki istilah “ pada pangkat” seperti Gambar 2.3.. 2.2 Pengenalan Pola Pengenalan pola (pattern recognition) dapat diartikan sebagai proses klasifikasi dari objek atau pola menjadi beberapa kategori atau kelas dan bertujuan untuk pengambilan keputusan (Theodoridis and Koutroumbas 2006). Tujuan dari pengenalan pola ini adalah mengklasifikasi dan mendeskripsikan pola atau obyek kompleks melalui pengetahuan sifat-sifat atau ciri-ciri obyek tersebut. Pola adalah entitas yang terdefinisi dan dapat diberikan suatu identifikasi atau nama misalkan aksara. Pengenalan pola pada dasarnya terdiri dari 3 langkah utama, yaitu preprocessing, ekstraksi ciri dan pengenalan. Preprocessing merupakan langkah awal dimana dilakukan dari keseluruhan data obyek yang ada agar dapat menghasilkan ciri yang lebih baik pada tahap berikutnya. Pada tahap ini informasi yang dianggap penting akan lebih ditonjolkan. Tahap selanjutnya adalah ekstraksi ciri, tahap ini berfungsi untuk menemukan karakteristik pembeda yang mewakili sifat utama suatu data obyek, sekaligus mengurangi jumlah data tersebut menjadi lebih sedikit tetapi representatif. Tahap akhir yaitu pengenalan, pada tahap ini data yang ada akan dikelompokkan menjadi kelas yang sesuai (Putra, 2010).. 2.3 Ekstraksi Ciri Ekstraksi ciri adalah proses penggalian informasi atau ciri penting dari suatu gambar yang dapat dibedakan dari suatu objek atau kelompok objek.

(24) PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 7. sehingga dasar informasi ini objek dapat diklasifikasikan dengan ciri yang berbeda.Ini adalah bagian penting dari setiap sistem pengenalan. Ekstraksi ciri memiliki dua tujuan: 1) Membuang aspek-aspek yang tidak relevan dari gambar dan mengambil data yang penting atau diperlukan. 2) Transform data ke dalam sebuah representasi yang membawa informasi lebih eksplisit. Dengan demikian,ekstraksi ciri memungkinkan untuk mengambil ciri penting dalam sebuah gambar. Ciri penting tersebut dapat membedakan satu citra dengan citra lainnya, ciri juga dapat lebih memperjelas pola perbedaan yang akan. sangat. memudahkan. pemisahan. antara. kelas. dalam. proses. pengelompokan. Penelitian ini mengunakan ekstraksi ciri:. 2.3.1 Intencity Of Character Ekstraksi Ciri intencity of Character adalah ekstraksi ciri untuk mencari nilai piksel hitam atau nol. Algoritma dari Intencity Of character 1. Mulai 2. Membaca kolom dan baris pada sebuah citra 3. Membuat variabel baru bernama black 4. Membaca kolom mulai dari 1 dari banyaknya kolom 5. Membaca baris mulai dari 1 dari banyak baris 6. Jika menemukan nilai biner 0 maka tambahkan ke variabel baru bernama black 7. Selesai 2.3.2 Mark Direction Ekstraksi ciri Mark Direction adalah ekstraksi ciri untuk mencari nilai dari tanda arah horizontal, vertical, diagonal ke kanan, dan diagonal ke kiri. ..

(25) PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 8. Gambar 2.4 Struktur elemen tanda arah (Surinta, 2010). Algoritma Mark Direction 1. Mulai 2. Membaca kolom dan baris pada sebuah citra. 3. Membuat variabel baru bernama vert,horz, dig1,dig 2. 4. Membaca kolom mulai dari 1 dari banyak nya kolom 5. Membaca baris mulai dari 1 dari banyaknya baris. 6. Jika newimage (I,j)sama dengan 0 lakukan langkah 7 7. Jika newimage (I,j) + new image (i-1,j) + newimage (i+1,j) sama dengan 0 lakukan langkah 8) 8. Jika newimage (I-1,j-1) + newimage (I-1,j+1) + newimage ( I,j+1) + newimage (I+1,j-) + newimage (i+1,j+1) sama dengan 6, maka tambahkan counter vert=vert+1 9. Jika newimage (I,j) + newimage(I,j-1) + newimage (I,j+1) sama dengan 0 lakukan langkah 10) 10. Jika newimage (i-1,j-1) + newimage (i-1,j) + newimage (i+1,j-1) + newimage (i+1,j) + newimage (i+1,j+1) sama dengan 6, maka tambahkan counter horz=horz+1 11. Jika newimage (I,j) + newimage (i-1,j-1) + newimage (i+1,j+1) sama dengan 0 lakukan langkah l2) 12. Jika newimage (i-1,j) + newimage(i-1,j+1) + newimage (I,j-1) + newimage (I,j+1) + newimage (i+1,j-1) + newimage (i+1,j) sama dengan 6, maka tambahkan counter dig1=dig1+1 13. Jika newimage (I,j) + newimage (i-1,j+1) + newimage (i+1,j-1) sama dengan 0 lakukan langkah 14).

(26) PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 9. 14. Jika newimage (i-1,j-1) + newimage (i-1,j) + newimage (I,j-1) + newimage (I,j+1) + newimage (i+1,j) + newimage (i+1,j+1) sama dengan 6, maka tambahkan counter dig2=dig2+1 15. Selesai. Jadi dalam mencari nilai dari nilai dari ekstraksi mark direction Terbentuk dari konvolusi matriks 3x3. Gambar 2.5 Konvolusi matriks dari mark direction. 2.4 Hold Out Method Menurut Han, Jiawei (2011, p370), holdout method adalah data yang diberikan secara acak dibagi menjadi dua set independen, yaitu training set dan test set. Biasanya, dua pertiga dari data yang dialokasikan untuk training set, dan sisanya, sepertiga dialokasikan untuk test set. Training set digunakan untuk menurunkan model. Akurasi model tersebut kemudian diperkirakan dengan test set..

(27) PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 10. Gambar 2.6 Skema Hold Method. 2.5 Jaringan Syaraf Tiruan Jaringan syaraf tiruan digunakan dalam proses pemodelan data dari hasil ekstraksi ciri suatu data yang didalamnya terdapat proses pembelajaran sehingga nantinya mampu mengenali data baru yang belum pernah digunakan sebelumnya selama proses pembelajarannya. Jaringan syaraf tiruan merupakan topik yang hangat. dibicarakan dan mengundang banyak. kekaguman karena kemampuannya yang bisa meniru sifat sistem yang diinputkan (Siang, 2009). Jaringan Syaraf Tiruan ditentukan oleh 3 hal berikut : 1. Pola hubungan antar neuron (arsitektur jaringan). 2. Metode. untuk. menentukan. bobot. penghubung. (disebut. metode. training/learning/algoritma). 3. Fungsi aktivasi.. 2.5.1 Arsitektur Jaringan Beberapa arsitektur jaringan yang sering dipakai dalam jaringan syaraf tiruan antara lain :. 1. Jaringan Lapis Tunggal (Single Layer Network) Dalam jaringan ini, sekumpulan input neuron dihubungkan secara langsung dengan sekumpulan output-nya. Dalam beberapa model (misal perceptron), hanya ada sebuah unit neuron output..

(28) PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 11. Gambar 2.7 Jaringan Lapis Tunggal. 2.. Jaringan Lapis Majemuk Jaringan lapis majemuk merupakan perluasan dari jaringan lapis tunggal. Dalam jaringan ini, selain terdapat masukan (input) dan keluaran (output), terdapat unit-unit lain diantara keduanya, sering disebut sebagai lapis tersembunyi (hidden layer). Dalam jaringan ini, memungkinkan adanya beberapa lapisan tersembunyi, dan pada unitunit satu lapis tidak saling berhubungan.. Gambar 2.8 Jaringan Lapis Majemuk. 2.5.2 Neural Network Backpropagation Backpropagation merupakan algoritma pembelajaran yang terawasi dan biasanya digunakan oleh perceptron dengan banyak lapisan untuk mengubah bobot-bobot yang terhubung dengan neuron-neuron yang ada pada. lapisan. tersembunyinya.. Algoritma. backpropagation.

(29) PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 12. menggunakan error output untuk mengubah nilai bobot-bobotnya dalam arah mundur (backward). Untuk mendapatkan error ini, tahap perambatan maju (feedfoward) harus dikerjakan terlebih dahulu. Inti dari Backpropagation adalah untuk mencari error suatu node. Dari hasil forward phase akan dihasilkan suatu output, dari output tersebut, pastilah tidak sesuai dengan target yang diinginkan. Perbandingan kesalahan dari target yang diinginkan dengan output yang dihasilkan disebut dengan error.. Gambar 2.9 Ilustrasi Arsitektur Jaringan Backpropagation (Siang,2005). Menurut Haykin (1999) Backpropagation merupakan suatu teknik untuk meminimalisasi gradient pada dimensi weight dalam jaringan saraf tiruan lapis banyak (multi layer neural network), proses pelatihan akan dilakukan berulang-ulang sampai nilai error lebih kecil dari yang ditentukan. Dalam proses pelatihan jaringan Backpropagation ini, digunakan fungsi nilai ambang batas binary sigmoid. Menurut Fausett (1994) sebelum melakukan proses pelatihan, terdapat beberapa parameter jaringan yang harus ditentukan dahulu, yaitu : 1. Tingkat pelatihan (Learning rate) yang dilambangkan dengan parameter, harus diberikan dan mempunyai nilai positif kurang dari.

(30) PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 13. satu. Semakin tinggi nilainya, maka semakin cepat kemampuan jaringan untuk belajar. Akan tetapi hal ini kurang baik. Karena error yang dihasilkan tidak merata, tidak merata disini maksudnya adalah error untuk pembelajarannya tidak tentu, bisa lebih banyak di sisi tertentu. 2.. Toleransi kesalahan (error tolerance), semakin kecil kesalahan, maka jaringan akan memiliki nilai bobot yang lebih akurat, tetapi akan memperpanjang waktu pelatihan.. 3.. Jumlah maksimal proses pelatihan yang dilakukan (maximum epoch), biasanya bernilai besar dan diberikan untuk mencegah terjadi perulangan tanpa akhir.. 4.. Nilai ambang batas atau bias (threshold value), dilambangkan θ. Parameter ini tidak harus diberikan (optional). Apabila tidak diberikan, maka nilainya sama dengan nol. Secara umum, algoritma pelatihan jaringan backpropagation. adalah sebagai berikut : 1. Inisialisasi semua bobot dengan bilangan acak kecil. 2. Jika kondisi penghentian belum terpenuhi, lakukan langkah 3-10. 3. Untuk setiap pasang data pelatihan, lakukan langkah 4-9. 4. Tiap unit masukan menerima sinyal dan masukan ke unit tersembunyi di atasnya. 5. Hitung semua keluaran di unit tersembunyi zj = (j = 1,2,3,…,p) (2.1). (2.2) 6. Hitung faktor δunit keluaran berdasarkan kesalahan di setiap unit keluaran yk (k = 1,2,…,m) (2.3) 7. Hitung suku perubahan bobot wkj (yang akan dipakai nanti untuk merubah bobot wkj) dengan laju percepatan α.

(31) PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 14. Δ𝑤𝑘𝑗= 𝛼 𝛿𝑘𝑧𝑗 ; k = 1,2,…,m ; j = 0,1,…,p. (2.4). 8. Hitung faktor δunit tersembunyi berdasarkan kesalahn di setiap unit tersembunyi zj (j = 1,2, … ,p) (2.5) Faktor δ unit tersembunyi (2.6). Hitung suku perubahan bobot vji (yang akan digunakan nanti untuk merubah bobot vji) (2.7) 9. Hitung semua perubahan bobot Perubahan bobot garis yang menuju ke unit keluaran (2.8) Perubahan bobot garis yang menuju ke unit tersembunyi. (2.9) 10. Setelah pelatihan selesai dilakukan, jaringan dapat dipakai untuk pengenalan pola..

(32) PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. BAB III METODOLOGI PENELITIAN. Pada bab ini menjelaskan tentang bagaimana cara mendapatkan data, lalu proses pemrosesan citra, ektraksi ciri sampai dengan proses pengujian dengan jaringan syaraf tiruan.. 3.1 Tahapan Penelitian 3.1.1 Studi Literatur Tahap ini diperlukan untuk memperoleh sumber-sumber teori yang terkait dengan penelitian Tugas Akhir ini. Teori-teori yang terkait dengan penelitian ini seperti tentang aksara Jawa. Jaringan Syaraf Tiruan Backpropagation , ekstraksi ciri dengan Mark Direction, serta intencity Of Character. 3.1.2 Pengumpulan Data Tahap ini dilakukan dalam penelitian untuk mendapatkan data untuk tugas akhir. Data yang digunakan dalam penelitian ini adalah data citra aksara Jawa yang merupakan hasil scan tulisan tangan aksara Jawa yang berasal responden yang kemudian di-crop sehingga menjadi data yang akan diolah. Data citra aksara Jawa yang digunakan dalam penelitian yaitu aksara Jawa ha, na, ca , ra, ka, da, ta, sa, wa, la, pa, dha, ja, ya, nya. Total semua aksara ada 20. Blangko dibagikan kepada 5 responden menulis sebanyak tiga kali untuk satu aksara. Jadi banyak data adalah 300 data. 1 aksara ada 15 data. 3.1.3 Pembuatan Alat Uji Pada tahap ini, dirancang, suatu alat uji dari perancangan interface. dan. pembuatan. arsitektur. Jaringan. Syaraf. Tiruan. Backpropagation dan Ekstraksi Ciri Intencity Of Character dan Mark Direction untuk mengidentifikasi aksara Jawa lalu mendapatkan akurasi dari sistem yang dibangun.. 13.

(33) PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 14. 3.1.4 Pengujian Pada tahap pengujian ini, dari seluruh data yang ada dibagi menjadi 2 bagian, yaitu 2/3 bagian untuk data pelatihan dan 1/3 untuk data uji dengan metode Hold Out membagi data secara acak , sehingga tidak ada data yang sama di dalam data untuk uji dan pelatihan tersebut.. 3.2 Kebutuhan Sistem Penerapan Algoritma Backpropagation untuk pengenalan pola tulisan Aksara Jawa menggunakan berbagai macam software dan hardware. Adapun hardware dan software yang digunakan untuk pembuatan dan pengujian alat uji adalah sebagai berikut: 3.2.1 Perangkat Keras (Hardware) Perangkat keras berikut ini akan digunakan untuk membuat dan menguji sistem. Spesifikasi perangkat keras sebagi berikut:. Tabel 3.2 Tabel Spesifikasi Hardware ( Komputer). Platform. Notebook- Pc. Processor. Intel Core i3. Hard Drive. 4GB DDr3. Graphic Processing Unit. NVIDIA GeForce. Operating System. Microsoft Windows 8.1. Memory. 4GB DDR3. 3.2.2 Perangkat Lunak (Software) Perangkat lunak yang digunakan dalam membangun sistem adalah matlab yang digunakan untuk membangun sistem serta Notepad ++ dan Matlab 2015 a yang digunakan untuk pembuatan model ..

(34) PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 15. 3.3 Perancangan Sistem Berikut ini adalah gambaran sistem secara keseluruhan :. Gambar 3.1 Diagram Block Sistem. Gambaran umum sistem yang akan dibangun m erupakan sistem pengenalan aksara Jawa, dimana sistem mampu menejemahkan data masukan berupa citra aksara Jawa menjadi informasi mengenai pola dari aksara tersebut ke dalam huruf latin. Dari data awal yang didapat dari hasil scan, dilakukan preprocessing terlebih dahulu sebelum akhirnya data yang ada siap digunakan. Dari data yang ada tersebut, kemudian di-crop sehingga dalam 1 citra hanya terdapat 1 aksara Jawa saja. Setelah itu, dilakukan proses ekstraksi ciri terhadap tiap citra aksaranya dengan menggunakan Intencity of Character dan Mark Direction sehingga didapat ciri untuk tiap 1 citra aksaranya. Setelah didapat cirinya, dilakukan proses pembelajaran untuk tiap ciri yang telah didapatkan dari model jaringan syaraf tiruan Backpropagation untuk mendapatkan akurasi paling tinggi. Kemudian dilakukan Uji data tunggal data citra digital yang belum pernah diujikan untuk diklasifikasi ke dalam huruf latin..

(35) PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 16. 3.3.1 Data Sumber data diperoleh dari tulisan tangan aksara Jawa dari responden. Data yang sudah di scan lalu dicrop sehingga menjadi data yang siap diolah.. Gambar 3.2 Blangko aksara Jawa yang sudah terisi. 3.3.2 Preprocessing Setelah data siap diolah maka dilakukan proses preprocessing sehingga data tersedia untuk diekstraksi ciri. Berikut tahapan dari. preprocessing. 1. Pemotongan Citra Tahap awal dari penelitian adalah pemotongan blangko aksara citra menjadi 1 aksara saja 2. Grayscalling Tahap selanjutnya, data citra aksara Jawa yang telah dicrop diubah skala warnanya menjadi citra dengan skala keabuan dengan menggunakan fungsi matlab rgb2gray. 3. Binerisasi Binerisasi Setelah didapat citra aksara Jawa dengan skala warna keabuan, diperlukan tahap binerisasi yang mengubah intensitas nilai piksel citra menjadi 0 dan 1 saja, dimana 0 direpresentasikan sebagai warna hitam dan 1 direpresentasikan sebagai warna putih pada citra. Dalam hal ini, digunakan fungsi dari MATLAB yaitu im2bw..

(36) PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 17. 4. Resize Citra Pada tahap ini, dilakukan resizing atau mengubah ukuran matriks citra menjadi ukuran 42 x 42 dengan menggunakan fungsi MATLAB imresize. Hal ini dilakukan karena pada tahapan sebelumnya, hasil ukuran matriks citranya berbeda, sehingga nantinya lebih mudah dalam melakukan proses ekstraksi ciri. 5. Penipisan Citra Tahap thinning atau penipisan merupakan tahap akhir preprocessing. Pada tahap ini, citra biner aksara Jawa akan diubah ketebalan pikselnya sehingga untuk setiap data citra aksara Jawa menjadi citra kerangka dengan ketebalan 1 piksel. Hasil proses thinning ini nantinya yang digunakan untuk melakukan ekstraksi ciri. Thinning dilakukan dengan menggunakan metode Rosenfeld.. 3.3.3 Ekstraksi Ciri Setelah melakukan thinning, ketebalannya citra menjadi menjadi 1 piksel. Setelah langkah tersebut tahap berikutnya. melakukan. ekstraksi ciri penelitian ini mengunakan ektraksi ciri Intencity of Character dan Mark Direction. Tetapi sebelum melakukan ekstraksi ciri,. citra yang sudah ditipiskan dibagi 9 segmen. Ekstraksi ciri. Intencity of Character adalah ekstraksi ciri untuk mencari nilai piksel hitam atau 0. Sedangkan Mark Direction adalah ekstraksi ciri untuk menghitung nilai memenuhi tanda arah horizontal,vertical,diagonal ke kanan , diagonal ke kiri.. 3.3.4 Normalisasi Dari data hasil ekstraksi ciri yang ada, maka dilakukan normalisasi dengan metode mapstd. Normalisasi bertujuan untuk mengubah datat menjadi rentang tertentu. Berikut merupakan dats yang sudah diubah normalisasi mapstd.

(37) PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 18. Gambar 3.3 Normalisasi mapstd. 3.3.5 Jaringan Syaraf Tiruan Langkah selanjutnya setelah ekstraksi ciri memilih metode Jaringan Syaraf Tiruan untuk mengenali pola tulisan tangan aksara Jawa karena mampu menghasilkan akurasi tinggi dari pengujian.. 3.3.6 Model Arsitektur Jaringan Syaraf Tiruan Arsitekur jaringan yang digunakan dalam proses pelatihan dan pengujian antara lain arsitektur backpropagation dengan 1 hidden layer dan 2 hidden layer. Untuk tiap arsitektur jaringannya, akan dilakukan percobaan dengan beberapa kombinasi seperti variasi jumlah neuron input yang disesuaikan dengan hasil. Ekstrasi Ciri yang dihasilkan. Intencity of Character dan Mark Direction 1. Arsitektur Jaringan Syaraf Tiruan 1 hidden layer. Gambar 3.4 Arsitektur jaringan 1 hidden layer. Pada gambar 3.4adalah gambar model jaringan dengan 1 hidden layer yang akan digunakan dalam proses pengujian jaringan dengan.

(38) PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 19. nilai ekstraksi ciri yang telah dinormalisasi. Berikut penjelasan mengenai gambar di atas : A. Input (x1, x2, x3, …, xj) merupakan lapisan input dalam jaringan syaraf tiruan yang dipilih berdasarkan nilai ciri sesuai nilai yang didapat dari. dimensi ciri ,misalnya dalam penelitian ini. mengunakan berbagai kombinasi ciri sebagai berikut:. Tabel 3.1 Kombinasi Ciri. Kombinasi. Ekstraksi Ciri. Jumlah. Ciri Ciri 1. [ Black]. 9. Ciri 2. [ Dig1]. 9. Ciri 3. [ Dig2]. 9. Ciri 4. [Horz]. 9. Ciri 5. [ Vert]. 9. Ciri 6. [Black,dig1]. 9+9 =18. Ciri 7. [Black, dig2]. 9+9 =18. Ciri 8. [Black , horz]. 9+9 = 18. Ciri 9. [Black,Vert]. 9+9 = 18. Ciri 10. [Dig1,Dig2]. 9+9 = 18. Ciri 11. [ Dig1, Horz]. 9+9 = 18. Ciri 12. [Dig1, Vert]. 9+9 = 18. Ciri 13. [Dig, Horz]. 9+9 =18. Ciri 14. [Dig2, Vert]. 9+9 = 18. Ciri 15. [Horz, Vert]. 9+ 9 = 18. Ciri 16. [Black, dig1,dig2]. 9+9+9 = 27. Ciri 17. [Black,dig1, horz]. 9+9+9 =27. Ciri 18. [Black,dig2, Vert]. 9+9+9 = 27. Ciri 19. [Dig1,dig2, Horz]. 9+9+9 = 27. Ciri 20. [Dig1,dig2, Vert]. 9+9+9 =27.

(39) PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 20. Kombinasi. Ekstraksi Ciri. Jumlah. Ciri Ciri 21. [dig2, vert, horz]. 9+ 9+9 = 27. Ciri 22. [black, dig1, dig2, 9+9+9+9 =36 horz]. Ciri 23. [black,dig1,dig2,. 9+ 9+9+9 = 36. Vert] Ciri 24. Ciri 25. [dig1,dig2,horz,. 9+9 +9 +9 =. Vert]. 36. [black, dig1, dig2, 9+9+9+9+9 = horz, vert]. 45. Jadi misalnya mengunakan kombinasi ciri 25 maka nilai berjumlah 45.. ciri. Maka lapisan input ini indeks ini menjadi x1. sampai x45 artinya ada 45 masukan dalam inputnya. B. Hidden layer (h1,h2,h3,…,yj) merupakan lapisan tersembunyi yang digunakan untuk mentransformasikan nilai input menjadi nilai yang bisa diolah sehingga didapat nilai output-nya. Dalam hal jumlah neuron, jumlahnya bisa divariasi baik itu 20,25,30,75 dan seterusnya, sehingga dapat dibandingkan akurasi yang terbaik yang didapat membutuhkan berapa banyak jumlah neuron pada hidden layer. C. Output (y1,y2,y3,…,y20) merupakan lapisan luaran yang memiliki 20 neuron, sesuai dengan jumlah aksara Jawa yang digunakan.. Target. luaran. pada. lapisan. output. direpresentasikan biner 0 dan 1 , sehingga taget luaran. ini untuk. masing-masing aksara berbeda yang dikenali adalah sebagai berikut :.

(40) PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 21. Tabel 3.2 Pembuatan Target. Huruf Aksara. Notasi Bilangan Biner. Ha. 1000000000000000000. Na. 0100000000000000000. Ca. 0010000000000000000. Ra. 0001000000000000000. Ka. 0000100000000000000. Da. 0000010000000000000. Ta. 0000001000000000000. Sa. 0000000100000000000. Wa. 0000000010000000000. La. 0000000001000000000. Pa. 0000000000100000000. Dha. 0000000000010000000. Ja. 0000000000001000000. Ya. 0000000000000100000. Ma. 0000000000000010000. Ga. 0000000000000001000. Ba. 0000000000000000100. Tha. 0000000000000000010. Nga. 0000000000000000001. 2. Arsitektur Jaringan Syaraf Tiruan 2 hidden layer. Gambar 3.5 Arsitektur Jaringan 2 hidden layer.

(41) PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 22. Pada gambar 3. adalah gambar model jaringan dengan 2 hidden layer yang akan digunakan dalam proses pengujian jaringan dengan nilai ekstraksi ciri yang telah dinormalisasi. Berikut penjelasan mengenai gambar di atas: A. Input (x1, x2, x3, …, xj) merupakan lapisan input dalam jaringan syaraf tiruan yang dipilih berdasarkan nilai ciri sesuai nilai yang didapat dari. dimensi ciri ,misalnya dalam penelitian ini. mengunakan berbagai kombinasi ciri sebagai berikut:. Tabel 3.3 Kombinasi Ciri. Kombinasi Ekstraksi Ciri. Jumlah. Ciri Ciri 1. [ Black]. 9. Ciri 2. [ Dig1]. 9. Ciri 3. [ Dig2]. 9. Ciri 4. [Horz]. 9. Ciri 5. [ Vert]. 9. Ciri 6. [Black,dig1]. 9+9 =18. Ciri 7. [Black, dig2]. 9+9 =18. Ciri 8. [Black , horz]. 9+9 = 18. Ciri 9. [Black,Vert]. 9+9 = 18. Ciri 10. [Dig1,Dig2]. 9+9 = 18. Ciri 11. [ Dig1, Horz]. 9+9 = 18. Ciri 12. [Dig1, Vert]. 9+9 = 18. Ciri 13. [Dig, Horz]. 9+9 =18. Ciri 14. [Dig2, Vert]. 9+9 = 18. Ciri 15. [Horz, Vert]. 9+ 9 = 18. Ciri 16. [Black, dig1,dig2]. 9+9+9 = 27. Ciri 17. [Black,dig1, horz]. 9+9+9 =27. Ciri 18. [Black,dig2, Vert]. 9+9+9 = 27.

(42) PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 23. Kombinasi Ekstraksi Ciri. Jumlah. Ciri Ciri 19. [Dig1,dig2, Horz]. 9+9+9 = 27. Ciri 20. [Dig1,dig2, Vert]. 9+9+9 =27. Ciri 21. [dig2, vert, horz]. 9+ 9+9 = 27. Ciri 22. [black, dig1, dig2, 9+9+9+9 =36 horz]. Ciri 23. [black,dig1,dig2,. 9+ 9+9+9 = 36. Vert] Ciri 24. Ciri 25. [dig1,dig2,horz,. 9+9 +9 +9 =. Vert]. 36. [black, dig1, dig2, 9+9+9+9+9 = horz, vert]. 45. Jadi misalnya mengunakan kombinasi ciri 25 maka nilai berjumlah 45.. ciri. Maka lapisan input ini indeks ini menjadi x1. sampai x45 artinya ada 45 masukan dalam inputnya. B. Hidden layer 1(y1,y2,y3,…,yj) merupakan lapisan tersembunyi yang digunakan untuk memindah nilai input menjadi nilai yang kemudian diteruskan ke hidden layer selanjutnya. Dalam hal jumlah neuron, jumlahnya bisa divariasi baik itu dan 20, 25,30,40,50,60.70,75 seterusnya, sehingga dapat dibandingkan akurasi terbaik yang didapat tersebut membutuhkan berapa banyak jumlah neuron pada hidden layer 1.. C. Hidden Layer 2 Hidden layer 2 (y1,y2,y3,…,yj) merupakan lapisan tersembunyi yang digunakan untuk memindah. nilai dari hidden layer. sebelumnya sehingga menjadi nilai keluarannya. Dalam hal jumlah. neuron,. jumlahnya. bisa. divariasi. baik. itu.

(43) PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 24. 20,25,30,45,60,75 dan seterusnya, sehingga dapat dibandingkan akurasi terbaik yang didapat tersebut membutuhkan berapa banyak jumlah neuron pada hidden layer 2. Tujuan menambahkan hidden layer ini adalah untuk mengetahui akurasi yang didapat lebih baik terrsebut dibanding dengan akurasi yang didapat dari hanya menggunakan 1 hidden layer. C. Output (z1,z2,z3,…,z20) merupakan lapisan luaran yang memiliki 20 neuron, sesuai dengan jumlah aksara Jawa yang digunakan. Nilai target pada lapisan output ini direpresentasikan 0 dan 1, sehingga taget luaran untuk masing-masing aksara berbeda yang dikenali, seperti yang ditunjukkan pada. Tabel 3.3 Pembuatan Target. Huruf Aksara. Notasi Bilangan Biner. Ha. 1000000000000000000. Na. 0100000000000000000. Ca. 0010000000000000000. Ra. 0001000000000000000. Ka. 0000100000000000000. Da. 0000010000000000000. Ta. 0000001000000000000. Sa. 0000000100000000000. Wa. 0000000010000000000. La. 0000000001000000000. Pa. 0000000000100000000. Dha. 0000000000010000000. Ja. 0000000000001000000. Ya. 0000000000000100000. Ma. 0000000000000010000. Ga. 0000000000000001000. Ba. 0000000000000000100. Tha. 0000000000000000010. Nga. 0000000000000000001.

(44) PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 25. 3.3.7 Uji Data Tunggal Setelah Data dibagi menjadi 2/3 untuk data latih dan 1/3 untuk testing langkah berikutnya adalah pehitungan akurasi kebenaran pengujian bisa mengunakan confusion matrix yang dapat dilakukan dengan ketentuan sebagai berikut :. Gambar 3.6 Confusion Matrix. Confusion Matriks berisi jumlah data masukan yang teridentifikasi ke dalam suatu kelas atau target. Untuk menentukan nilai akurasinya, ditentukan dengan menjumlahkan nilai diagonal pada confusion matrixnya kemudian dibagi dengan keseluruhan jumlah data atau dapat direpresentasikan dengan rumus berikut : Hasil Benar = Jumlah Diagonal Matriks / jumlah data x 100 (3.1) Setelah itu tahap selanjutnya adalah testing data tunggal yaitu menguji sistem yang sudah dibuat dengan pengujian dengan data baru yang belum pernah diuji untuk data testing maupun data latih.. 3.4 Desain Alat Uji 3.4.1 Form Pengujian Jaringan Syaraf Tiruan Form menu ini digunakan untuk melakukan training dan melihat total data uji dan akurasi..

(45) PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 26. Gambar 3.7 Form Pengujian Jaringan. 3.4.2 Form Pengujian Data Tunggal Form ini digunakan untuk melakukan testing data tunggal dengal memilih citra lalu button kenali berfungsi untuk mengenali Citra aksara menjadi tulisan latin.. Gambar 3.8 Form Pengujian Data Tunggal.

(46) PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. BAB IV IMPLEMENTASI HASIL DESAIN. 4.1 Implementasi Sistem Pada bab ini akan menjelaskan bagamaina data citra aksara Jawa akan diolah mulai dari tahap dari preprocessing sampai pembagian Data. 1. Data Aksara Data aksara yang digunakan berisikan aksara Jawa yang didapat dari pengisian blangko. Berikut contoh Blangko beserta isinya.. Gambar 4.1 Blangko aksara Jawa. 2. Cropping Tahap selanjutnya adalah melakukan cropping. Cropping dilakukan secara manual dimana data awal aksara yang berupa citra kumpulan aksara menjadi citra yang hanya berisi satu aksara saja.. Gambar 4.2 Data yang sudah di Crop. 27.

(47) PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 28. 3. Mengubah Citra Warna Langkah Selanjutnya adalah merupakan proses perubahan warna pada citra warna, yaitu diubah menjadi citra keabuan dengan menggunakan fungsi rgb2gray pada MATLAB.. Gambar 4.3 Mengubah Citra menjadi keabuan. 4. Binerisasi Citra Dengan menggunakan fungsi im2bw pada MATLAB, citra aksara yang digunakan diubah menjadi citra hitam putih yang hanya memiliki nilai piksel 0 dan 1.. Gambar 4.4 Binerisasi Citra.

(48) PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 29. 5. Resize Citra Langkah Berikutnya adalah mengubah ukuran Citra menjadi 42 x 42 hal ini lakukan untuk mempermudah Ektraksi Ciri.. Gambar 4.5 Resize Citra. 6. Penipisan Citra Penipisan citra dilakukan dengan menggunakan fungsi Rosenfeld sehingga didapatkan ketebalan citra menjadi 1 piksel.. Gambar 4.6 Penipisan Citra. 7. Ektraksi Ciri IoC dan Mark Direction Proses Ekstraksi Ciri mengunakan metode Intencity of Character dan Mark Direction. Ioc untuk menghitung nilai piksel hitam atau nol. dan Mark Direction menghitung nilai horizontal, vertical, diagonal ke kanan,.

(49) PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 30. diagonal ke kiri. Sebelum melakukan dibagi menjadi 9 segmen. Jadi ukuran 1 citra yang sudah tersegmen menjadi 14 X 14.. Langkah Pertama Membagi Citra menjadi 9 segmen. Gambar 4.7 Gambar Citra yang sudah dibagi 9 segmen. Langkah Kedua Mengambil Ciri piksel hitam. Gambar 4.8 Mengambil Ciri nilai 0 atau hitam. Langkah Ketiga Mengambil Ciri arah Horizontal. Gambar 4.9 Mengambil Ciri Arah Horizontal. Mengambil Ciri Arah Vertical. Gambar 4.10 Mengambil Ciri arah Vertical.

(50) PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 31. Mengambil Ciri Diagonal Ke kanan. Gambar 4.11 Mengambil Ciri arah Diagonal ke kanan. Mengambil Ciri Diagonal Ke Kiri. Gambar 4.12 Mengambil Ciri arah Diagonal ke Kiri. Tahap Selanjutnya adalah melakukan Kombinasi Ciri. Kombinasi. Ekstraksi Ciri. Jumlah. Ciri 1. [ Black]. 9. Ciri 2. [ Dig1]. 9. Ciri 3. [ Dig2]. 9. Ciri 4. [Horz]. 9. Ciri 5. [ Vert]. 9. Ciri 6. [Black,dig1]. 9+9 =18. Ciri 7. [Black, dig2]. 9+9 =18. Ciri 8. [Black , horz]. 9+9 = 18. Ciri 9. [Black,Vert]. 9+9 = 18. Ciri 10. [Dig1,Dig2]. 9+9 = 18. Ciri 11. [ Dig1, Horz]. 9+9 = 18. Ciri 12. [Dig1, Vert]. 9+9 = 18. Ciri 13. [Dig, Horz]. 9+9 =18. Ciri 14. [Dig2, Vert]. 9+9 = 18. Ciri 15. [Horz, Vert]. 9+ 9 = 18. Ciri 16. [Black, dig1,dig2]. 9+9+9 = 27. Ciri 17. [Black,dig1, horz]. 9+9+9 =27. Ciri 18. [Black,dig2, Vert]. 9+9+9 = 27. Ciri.

(51) PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 32. Kombinasi. Ekstraksi Ciri. Jumlah. Ciri 19. [Dig1,dig2, Horz]. 9+9+9 = 27. Ciri 20. [Dig1,dig2, Vert]. 9+9+9 =27. Ciri 21. [dig2, vert, horz]. 9+ 9+9 = 27. Ciri 22. [black, dig1, dig2,. 9+9+9+9 =36. Ciri. horz] Ciri 23. [black,dig1,dig2,. 9+ 9+9+9 = 36. Vert] Ciri 24. Ciri 25. [dig1,dig2,horz,. 9+9 +9 +9 =. Vert]. 36. [black, dig1, dig2,. 9+9+9+9+9 =. horz, vert]. 45. Penjelasan tentang kombinasi Ciri yang akan digunakan dalam model arsitektur jaringan syaraf tiruan.. 8. Normalisasi Data Normalisasi data mengunakan fungsi MATLAB yaitu mapstd. yaitu. mengubah data menjadi rentang tertentu.. Gambar 4. 13 Data yang sudah dinormalisasi. 9. Membagi Data Testing dan Training 2/3 dan 1/3 dengan Hold Method. Gambar 4. 14 Implementasi Hold Out Method.

(52) PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 33. Gambar 4.15 Gambar Pembagian Data latih dan Data Uji. Banyaknya data aksara sebanyak 300 data lalu dibagi 2/3 untuk Data Latih dan 1/3 untuk Data Uji. Jadi banyak ada 200 data latih dan 100 data uji . 4.2 Hasil dan Analisis Hasil Dalam Penelitian ini akan mengunakan 20 jenis aksara Jawa yang didapat dari dari tulisan tangan 5 orang yang berbeda . Penelitian ini mencari model arsitektur jaringan syaraf tiruan yang paling optimal dalam proses pengenalannya. Untuk mendapatkan akurasi paling maksimal digunakan variasi jumlah hidden layer, jumlah neuron, dan model jaringan nya. Setelah mendapatkan arsitektur paling optimal akan dilakukan uji data tunggal untuk melakukan pengenalan .. 4.2.2 Pengujian Variasi Arsitektur Jaringan Syaraf Tiruan Dalam variasi pengujian jaringan syaraf tiruan digunakan 100 data. Sebelum melakukan pengujian harus dilakukan tahap ekstraksi ciri. Dalam pengujian penelitian ini menguji semua kombinasi ciri dari ciri 1 sampai 25 untuk mendapatkan akurasi paling maksimal. Jadi input yang akan digunakan bernilai 9,18,27,36, 45 . Dimensi Matriks yang akan terbentuk menjadi 9 x 100, 18x100,27 x 100, 36 x 100 , 45x 100. Dalam percobaan ini dilakukan beberapa kali percobaan dengan melakukan variasi model arsitektur jaringan syaraf tiruan, perubahan jumlah neuron pada hidden layer. Fungsi aktivasi yang digunakan adalah tansig dan fungsi luarannya logsig. Literasi yang digunakan berjumlah 2000..

(53) PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 34. 1. Pengujian Pengujian Ciri 1 dengan 1 hidden layer dan 2 hidden layer dengan input berjumlah 9. Tabel 4.1 Akurasi 1 hidden layer Ciri 1. Pengujian JST Neuron. Akurasi. Akurasi. Akurasi. Traingdx. Traingda. Trainrp. 20. 47%. 53%. 54%. 25. 49%. 52%. 51%. 30. 54%. 51%. 50%. 35. 59%. 55%. 50%. 40. 58%. 60%. 54%. 45. 54%. 59%. 48%. 50. 57%. 62%. 53%. 55. 57%. 60%. 56%. 60. 60%. 57 %. 49%. 65. 60%. 62%. 58%. 70. 62%. 58%. 56%. 75. 59%. 57%. 57%. Pada pengujian pada ciri 1 mengunakan 1 hidden layer akurasi tertinggi diperoleh pada Neuron 70 fungsi pelatihan traingdx dengan akurasi 62 %. Kemudian Neuron bernilai 70 akan diuji kembali dengan 2 hidden layer melalui fungsi pelatihan yang sama. Tabel 4.5 Akurasi 1 hidden layer Ciri 1. Pengujian JST Neuron. Neuron2. Akurasi Traingdx. 20. 51%. 25. 56%. 30. 63%.

(54) PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 35. 70. 35. 60%. 40. 59%. 45. 55%. 50. 62%. 55. 57%. 60. 62%. 65. 61%. 70. 61%. 75. 57%. Pengujian Ciri 1 dengan 2 hidden layer menghasilkan akurasi tertinggi sebesar 63% pada Neuron 70 pada hidden layer 1 dan Neuron 30 pada hidden layer 2 . Pengujian pada kombinasi. ciri 1 menghasilkan akurasi. tertinggi 63% dengan 2 hidden layer 70 pada Neuron hidden layer 1 dan 30 pada hidden layer 2.. Pengujian Ciri 2, 1 hidden layer dan 2 hidden layer. Tabel 4.6 Akurasi Ciri 2 1 hidden layer. Pengujian JST Neuron. Akurasi. Akurasi. Akurasi. Traingdx. Traingda. Trainrp. 20. 19%. 19%. 19%. 25. 20%. 19%. 17%. 30. 20%. 25%. 24%. 35. 17%. 19 %. 22%. 40. 18%. 16%. 15%. 45. 17%. 19%. 19%.

(55) PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 36. 50. 15%. 17%. 18%. 55. 20%. 21%. 25%. 60. 16%. 16 %. 15%. 65. 21%. 19%. 21%. 70. 21%. 20%. 20%. 75. 23%. 20%. 20%. Pada pengujian pada ciri 2 mengunakan 1 hidden layer akurasi tertinggi diperoleh pada Neuron 55 fungsi pelatihan trainrp dengan akurasi 25 %. Kemudian Neuron bernilai 55 akan diuji kembali dengan 2 hidden layer melalui fungsi pelatihan yang sama.. Tabel 4.7 Akurasi Ciri 2 hidden layer. Pengujian JST Neuron. Neuron2. Akurasi Trainrp. 55. 20. 21%. 25. 18%. 30. 19%. 35. 23%. 40. 20%. 45. 24%. 50. 16%. 55. 19%. 60. 18 %. 65. 19%. 70. 18%. 75. 22%.

(56) PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 37. Pengujian Ciri 2 dengan 2 hidden layer menghasilkan akurasi tertinggi sebesar 24% pada Neuron 55 pada hidden layer 1 dan Neuron 45 pada hidden layer 2 . Pengujian pada kombinasi. ciri 2 menghasilkan akurasi. tertinggi 25% dengan 1 hidden layer 55 pada Neuron.. Pengujian Ciri 3, 1 hidden layer dan 2 hidden layer. Tabel 4.7 Akurasi Ciri 3 1 hidden layer. Pengujian JST Neuron. Akurasi. Akurasi. Akurasi. Traingdx. Traingda. Trainrp. 20. 22%. 24%. 28%. 25. 23%. 22%. 24%. 30. 22%. 20%. 24%. 35. 20%. 21%. 24%. 40. 25%. 18%. 27%. 45. 21%. 26%. 20%. 50. 24%. 21%. 25%. 55. 25%. 26%. 24%. 60. 22%. 23%. 22%. 65. 24%. 23%. 25%. 70. 25%. 22%. 24%. 75. 21%. 14%. 26%. Pada pengujian pada ciri 3 mengunakan 1 hidden layer akurasi tertinggi diperoleh pada Neuron 20 fungsi pelatihan trainrp dengan akurasi 28 %. Kemudian Neuron bernilai 20 akan diuji kembali dengan 2 hidden layer melalui fungsi pelatihan yang sama. Tabel 4.8 Akurasi Ciri 3 2 hidden layer.

(57) PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 38. Pengujian JST Neuron. Neuron2. Akurasi Trainrp. 20. 20. 22%. 25. 25%. 30. 19%. 35. 25%. 40. 25%. 45. 20%. 50. 19%. 55. 26%. 60. 22%. 65. 24%. 70. 27%. 75. 22%. Pengujian Ciri 3 dengan 2 hidden layer menghasilkan akurasi tertinggi sebesar 27% pada Neuron 20 pada hidden layer 1 dan Neuron 70 pada hidden layer 2. Pengujian pada kombinasi ciri 3 menghasilkan akurasi tertinggi 28%. dari hidden layer 1 dengan. Neuron 20.. Pengujian pada ciri 4, 1 hidden layer dan 2 hidden layer Tabel 4.9 Akurasi Ciri 4 1hidden layer. Pengujian JST Neuron. Akurasi. Akurasi. Akurasi. Traingdx. Traingda. Trainrp. 20. 22%. 23%. 25%. 25. 23%. 21%. 20%. 30. 22%. 24%. 16%. 35. 20%. 21%. 21%. 40. 25%. 25%. 23%. Neuron. Akurasi. Akurasi. Akurasi.

(58) PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 39. Traingdx. Traingda. Trainrp. 45. 21%. 22%. 24%. 50. 24%. 22%. 25%. 55. 25%. 26%. 19%. 60. 22%. 24 %. 22%. 65. 24%. 27%. 27%. 70. 29%. 23%. 16%. 75. 23%. 22%. 24 %. Pada pengujian pada ciri 4 mengunakan 1 hidden layer akurasi tertinggi diperoleh pada Neuron 70 fungsi pelatihan traingda dengan akurasi 29%. Kemudian Neuron bernilai 70 akan diuji kembali dengan 2 hidden layer melalui fungsi pelatihan yang sama.. Tabel 4.10 Akurasi Ciri 4 2 hidden layer. Pengujian JST. Neuron. Neuron2. Akurasi Traingda. 70. 20. 22%. 25. 27%. 30. 30%. 35. 22%. 40. 21%. 45. 23%. 50. 22%. 55. 23%. 60. 23%. 65. 23%. 70. 19%. 75. 17 %. Pengujian Ciri 4 dengan 2 hidden layer menghasilkan akurasi tertinggi sebesar 30% pada Neuron 70 pada hidden layer 1 dan.

(59) PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 40. Neuron 30 pada hidden layer 2. Pengujian pada kombinasi ciri 4 menghasilkan akurasi tertinggi 26%. dari 2hidden layer dengan. Neuron 70 dan 30 .. Pengujian pada ciri 5, 1 hidden layer dan 2 hidden layer. Tabel 4.11 Akurasi Ciri 5 1 hidden layer. Pengujian JST Neuron. Akurasi. Akurasi. Akurasi. Traingdx. Traingda. Trainrp. 20. 34%. 30%. 28%. 25. 33%. 38%. 32%. 30. 31%. 32%. 29%. 35. 36%. 32%. 34%. 40. 39%. 35%. 31%. 45. 34%. 31%. 31%. 50. 33%. 32%. 29%. 55. 35%. 36%. 35%. 60. 41%. 39%. 26%. 65. 33%. 34%. 30%. 70. 30%. 37%. 33%. 75. 38%. 39%. 32%. Pada pengujian pada ciri 5 mengunakan 1 hidden layer akurasi tertinggi diperoleh pada Neuron 60 fungsi pelatihan traingdx dengan akurasi 41%. Kemudian Neuron bernilai 60 akan diuji kembali dengan 2 hidden layer melalui fungsi pelatihan yang sama.. Tabel 4.12 Akurasi Ciri 5 2 hidden layer. Pengujian JST.

(60) PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 41. Neuron. Neuron2. Akurasi Traingdx. 60. 20. 38%. 25. 33%. 30. 33%. 35. 39%. 40. 34%. 45. 35%. 50. 39%. 55. 38%. 60. 33%. 65. 37%. 70. 31%. 75. 30%. Pengujian Ciri 5 dengan 2 hidden layer menghasilkan akurasi tertinggi sebesar 39% pada Neuron 60 pada hidden layer 1 dan Neuron 35 pada hidden layer 2. Pengujian pada kombinasi ciri 5 menghasilkan akurasi tertinggi 41%. dari hidden layer 1 dengan. Neuron 60 .. Gambar 4.16 Grafik pengujian input bernilai 9.

(61) PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 42. Pada. pengujian. dengan. kombinasi. Ciri. dengan. input. 9. menghasilkalkan akurasi tertinggi 63% dengan dua hidden layer dengan neuron 70 dan 30.. Pengujian Kombinasi ciri 6 sampai 15 mengunakan mengunakan arsitektur Jaringan Syaraf Tiruan mengunakan input 18 dengan 1 hidden layer dan 2 hidden layer Pengujian pada ciri 6, 1 hidden layer dan 2 hidden layer. Tabel 4.13 Akurasi Ciri 6 1 hidden layer. Pengujian JST. Neuron. Akurasi. Akurasi. Akurasi. Traingdx. Traingda. Trainrp. 20. 58%. 58%. 49%. 25. 55%. 58%. 57%. 30. 60%. 53%. 54%. 35. 60%. 63%. 51%. 40. 69%. 71%. 55%. 45. 66%. 73%. 53%. 50. 60%. 63%. 57%. 55. 65%. 69%. 54%. 60. 66%. 65%. 60%. 65. 66%. 65%. 49%. 70. 71%. 67%. 63%. 75. 68%. 70%. 59%. Pada pengujian pada ciri 6 mengunakan 1 hidden layer akurasi tertinggi diperoleh pada Neuron 70 fungsi pelatihan traingdx dengan akurasi 71%. Kemudian Neuron bernilai 70 akan diuji kembali dengan 2 hidden layer melalui fungsi pelatihan yang sama..

(62) PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 43. Tabel 4.14 Akurasi Ciri 6 2 hidden layer. Pengujian JST Neuron2. Neuron. Akurasi Traingdx. 70. 20. 47%. 25. 59%. 30. 59%. 35. 63%. 40. 70%. 45. 60%. 50. 66%. 55. 38%. 60. 70%. 65. 71%. 70. 69%. 75. 69%. Pengujian Ciri 6 dengan 2 hidden layer menghasilkan akurasi tertinggi sebesar 71% pada Neuron 70 pada hidden layer 1 dan Neuron 65 pada hidden layer 2. Pengujian pada kombinasi ciri 6 menghasilkan akurasi tertinggi 71%. dari hidden layer 1 dengan. Neuron 70 dan Neuron 65 hidden layer 2.. Pengujian Ciri 7, 1 hidden layer dan 2 hidden layer. Tabel 4.15 Akurasi Ciri 7 1 hidden layer. Pengujian JST Neuron. Akurasi. Akurasi. Akurasi. Traingdx. Traingda. Trainrp. 20. 53%. 63%. 62 %. 25. 55%. 56%. 57%.

(63) PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 44. 30. 62%. 63%. 54%. 35. 63%. 63%. 51%. 40. 61%. 67%. 55%. 45. 67%. 69%. 53%. 50. 58%. 66%. 57%. 55. 67%. 68%. 54%. 60. 65%. 69%. 60%. 65. 71%. 69%. 49%. 70. 62%. 67%. 63%. 75. 66%. 68%. 59%. Pada pengujian pada ciri 7 mengunakan 1 hidden layer akurasi tertinggi diperoleh pada Neuron 65 fungsi pelatihan traingdx dengan akurasi 71%. Kemudian Neuron bernilai 65 akan diuji kembali dengan 2 hidden layer melalui fungsi pelatihan yang sama.. Tabel 4.16 Akurasi Ciri 7 2 hidden layer. Pengujian JST Neuron. Neuron2. Akurasi Traingdx. 65. 20. 63%. 25. 61%. 30. 65%. 35. 55%. 40. 62%. 45. 62%. 50. 70%. 55. 68%. 60. 65%. 65. 64%. 70. 63%. 75. 68%.

(64) PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 45. Pengujian Ciri 7 dengan 2 hidden layer menghasilkan akurasi tertinggi sebesar 70% pada Neuron 65 pada hidden layer 1 dan Neuron 50 pada hidden layer 2. Pengujian pada kombinasi ciri7 menghasilkan akurasi tertinggi 71%. dari hidden layer 1 dengan. Neuron 65.. Pengujian Ciri 8, 1 hidden layer dan 2 hidden layer. Tabel 4.17 Akurasi Ciri 8 1 hidden layer. Pengujian JST Neuron. Akurasi. Akurasi. Akurasi. Traingdx. Traingda. Trainrp. 20. 56%. 55%. 65%. 25. 54%. 59%. 53%. 30. 62%. 60%. 54%. 35. 60%. 57%. 54%. 40. 67%. 64%. 60%. 45. 65%. 65%. 58%. 50. 58%. 62%. 57%. 55. 66%. 64%. 60. 63%. 62%. 65. 65%. 63%. 70. 64%. 64%. 75. 64%. 69%. 61% 59% 60% 61% 57%. Pada pengujian pada ciri 8 mengunakan 1 hidden layer akurasi tertinggi diperoleh pada Neuron 40 fungsi pelatihan traingdx dengan akurasi 67%. Kemudian Neuron bernilai 40 akan diuji kembali dengan 2 hidden layer melalui fungsi pelatihan yang sama.. Tabel 4.18 Akurasi Ciri 8 2 hidden layer.

(65) PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 46. Pengujian JST Neuron. Neuron2. Akurasi Traingdx. 40. 20. 69%. 25. 60%. 30. 56%. 35. 68%. 40. 58%. 45. 65%. 50. 71%. 55. 70%. 60. 65%. 65. 62%. 70. 62%. 75. 67%. Pengujian Ciri 8 dengan 2 hidden layer menghasilkan akurasi tertinggi sebesar 71% pada Neuron 40 pada hidden layer 1 dan Neuron 55 pada hidden layer 2. Pengujian pada kombinasi ciri8 menghasilkan akurasi tertinggi 71%. dari 2 hidden layer dengan. Neuron 40 dan 55 .. Pengujian Ciri 9, 1 hidden layer dan 2 hidden layer. Tabel 4.19 Akurasi Ciri 9 1 hidden layer. Pengujian JST Neuron. Akurasi. Akurasi. Akurasi. Traingdx. Traingda. Trainrp. 20. 52%. 56%. 61%. 25. 61%. 63%. 53%. 30. 58%. 55%. 54%.

(66) PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 47. 35. 70%. 68%. 58%. 40. 63%. 62%. 62%. 45. 70%. 68%. 64%. 50. 64%. 64%. 60%. 55. 64%. 64%. 61%. 60. 68%. 68%. 62%. 65. 65%. 65%. 58%. 69%. 69%. 62%. 67%. 67%. 60%. 70 75. Pada pengujian pada ciri 9 mengunakan 1 hidden layer akurasi tertinggi diperoleh pada Neuron 45 fungsi pelatihan traingdx dengan akurasi 70%. Kemudian Neuron bernilai 45 akan diuji kembali dengan 2 hidden layer melalui fungsi pelatihan yang sama.. Tabel 4.20 Akurasi Ciri 9 2 hidden layer. Pengujian JST Neuron. Neuron2. Akurasi Traingdx. 45. 20. 57%. 25. 56%. 30. 63%. 35. 61%. 40. 69%. 45. 61%. 50. 65%. 55. 62%. 60. 67%. 65. 66%. 70. 65%. 75. 67%.

(67) PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 48. Pengujian Ciri 9 dengan 2 hidden layer menghasilkan akurasi tertinggi sebesar 69% pada Neuron 45 pada hidden layer 1 dan Neuron 40 pada hidden layer 2. Pengujian pada kombinasi ciri9 menghasilkan akurasi tertinggi 70%. dari 2 hidden layer dengan. Neuron 45.. Pengujian Ciri 10, 1hidden layer dan 2 hidden layer. Tabel 4.21 Akurasi Ciri 10 2 hidden layer. Pengujian JST Neuron. Akurasi. Akurasi. Akurasi. Traingdx. Traingda. Trainrp. 20. 25%. 26%. 31%. 25. 25%. 28%. 26%. 30. 27%. 29%. 28%. 35. 29%. 29%. 31%. 40. 29%. 26%. 27%. 45. 27%. 28%. 27%. 50. 32%. 29%. 32%. 55. 28%. 29%. 60. 35%. 31%. 65. 32%. 33%. 70. 26%. 32%. 75. 29%. 31%. 27% 34% 28% 28% 33%. Pada pengujian pada ciri 10 mengunakan 1 hidden layer akurasi tertinggi diperoleh pada Neuron 60 fungsi pelatihan trainrp dengan akurasi 34%. Kemudian Neuron bernilai 60 akan diuji kembali dengan 2 hidden layer melalui fungsi pelatihan yang sama.. Tabel 4.22 Akurasi Ciri 10 2 hidden layer.

(68) PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 49. Pengujian JST Neuron. Neuron2. Akurasi Trainrp. 60. 20. 27%. 25. 31%. 30. 25%. 35. 32%. 40. 28%. 45. 31%. 50. 35%. 55. 31%. 60. 26%. 65. 29%. 70. 29%. 75. 28%. Pengujian Ciri 10 dengan 2 hidden layer. menghasilkan. akurasi tertinggi sebesar 35% pada Neuron 60 pada hidden layer 1 dan Neuron 50 pada hidden layer 2. Pengujian pada kombinasi ciri10 menghasilkan akurasi tertinggi 35%. dari 2 hidden layer dengan. Neuron 60 dan 50.. Pengujian Ciri 11, 1hidden layer dan 2 hidden layer. Tabel 4.23 Akurasi Ciri 11 1 hidden layer. Pengujian JST Neuron. Akurasi. Akurasi. Akurasi. Traingdx. Traingda. Trainrp. 20. 40%. 32%. 34%. 25. 30%. 40%. 33%.

(69) PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 50. 30. 34%. 32%. 31%. 35. 36%. 29%. 35%. 40. 32%. 36%. 32%. 45. 37%. 31%. 41%. 50. 39%. 34%. 37%. 55. 34%. 34%. 37%. 60. 32%. 37%. 36%. 65. 40%. 37%. 34%. 70. 39%. 40%. 33%. 75. 34%. 35%. 35%. Pada pengujian pada ciri 11 mengunakan 1 hidden layer akurasi tertinggi diperoleh pada Neuron 45 fungsi pelatihan trainrp dengan akurasi 41%. Kemudian Neuron. bernilai 45 akan diuji. kembali dengan 2 hidden layer melalui fungsi pelatihan yang sama.. Tabel 4.24 Akurasi Ciri 11 2 hidden layer. Pengujian JST Neuron. Neuron2. Akurasi Trainrp. 60. 20. 36%. 25. 37%. 30. 38%. 35. 32%. 40. 32%. 45. 33%. 50. 29%. 55. 36%. 60. 38%. 65. 38%. 70. 32%.

(70) PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 51. 75. 32%. Pengujian Ciri 11 dengan 2 hidden layer. menghasilkan. akurasi tertinggi sebesar 38% pada Neuron 60 pada hidden layer 1 dan Neuron 65pada hidden layer 2. Pengujian pada kombinasi ciri11 menghasilkan akurasi tertinggi 41% dari 1 hidden layer Neuron 45 . Pengujian Ciri 12 1 hidden layer dan 2 hidden layer. Tabel 4.25 Akurasi Ciri 12 1 hidden layer. Pengujian JST Neuron. Akurasi. Akurasi. Akurasi. Traingdx. Traingda. Trainrp. 20. 38%. 40%. 33%. 25. 39%. 39%. 36%. 30. 39%. 42%. 41%. 35. 43%. 48%. 46%. 40. 40%. 42%. 39%. 45. 42%. 43%. 41%. 50. 41%. 41%. 41%. 55. 42%. 45%. 46%. 60. 53%. 42%. 40%. 65. 43%. 44%. 39%. 70. 45%. 45%. 42%. 75. 42%. 47%. 36%. Pada pengujian pada ciri 12 mengunakan 1 hidden layer akurasi tertinggi diperoleh pada Neuron 60 fungsi pelatihan traingdx dengan akurasi 53%. Kemudian Neuron. bernilai 60 akan diuji. kembali dengan 2 hidden layer melalui fungsi pelatihan yang sama.. Tabel 4.26 Akurasi Ciri 12 2 hidden layer.

(71) PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 52. Pengujian JST Neuron. Neuron2. Akurasi Traingdx. 60. 20. 45%. 25. 44%. 30. 41%. 35. 44%. 40. 43%. 45. 48%. 50. 43%. 55. 49%. 60. 46%. 65. 46%. 70. 48%. 75. 46%. Pengujian Ciri 12 dengan 2 hidden layer. menghasilkan. akurasi tertinggi sebesar 49% pada Neuron 60 pada hidden layer 1 dan Neuron 55 pada hidden layer 2. Pengujian pada kombinasi ciri12 menghasilkan akurasi tertinggi 41% dari 1 hidden layer Neuron 60 . Pengujian Ciri 13, 1 hidden layer dan 2 hidden layer.. Tabel 4.27 Akurasi 1 hidden layer. Pengujian JST Neuron. Akurasi. Akurasi. Akurasi. Traingdx. Traingda. Trainrp. 20. 35%. 35%. 36%. 25. 32%. 33%. 38%. 30. 36%. 36%. 36%. 35. 40%. 39%. 38%.

(72) PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 53. 40. 41%. 39%. 33%. 45. 36%. 34%. 36%. 50. 35%. 35%. 32%. 55. 43%. 35%. 42%. 60. 34%. 34%. 35%. 65. 37%. 33%. 36%. 70. 37%. 36%. 37%. 75. 35%. 32%. 32 %. Pada pengujian pada ciri 13 mengunakan 1 hidden layer akurasi tertinggi diperoleh pada Neuron 55 fungsi pelatihan trainrp dengan akurasi 42%. Kemudian Neuron. bernilai 55. akan diuji. kembali dengan 2 hidden layer melalui fungsi pelatihan yang sama.. Tabel 4.28 Akurasi Ciri 13 2 hidden layer. Pengujian JST Neuron. Neuron2. Akurasi Trainrp. 55. 20. 34%. 25. 35%. 30. 37%. 35. 33%. 40. 33%. 45. 40%. 50. 32%. 55. 36%. 60. 34%. 65. 39%. 70. 38 %. 75. 34%.

(73) PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 54. Pengujian Ciri 13 dengan 2 hidden layer. menghasilkan. akurasi tertinggi sebesar 39% pada Neuron 55 pada hidden layer 1 dan Neuron 65 pada hidden layer 2. Pengujian pada kombinasi ciri13 menghasilkan akurasi tertinggi 55% dari 1 hidden layer Neuron 55 . Pengujian Ciri 14, 1hidden layer dan 2 hidden layer. Tabel 4.29 Ciri 14 1 hidden layer. Pengujian JST Neuron. Akurasi. Akurasi. Akurasi. Traingdx. Traingda. Trainrp. 20. 25%. 16%. 37%. 25. 38%. 43%. 38%. 30. 45%. 41%. 30%. 35. 39%. 45%. 43%. 40. 41%. 38%. 40%. 45. 42%. 45%. 43%. 50. 42%. 42%. 39%. 55. 47%. 45%. 38%. 60. 44%. 49%. 39%. 65. 48 %. 48%. 38%. 70. 43%. 44%. 38%. 41%. 33%. 75. 41 %. Pada pengujian pada ciri 14 mengunakan 1 hidden layer akurasi tertinggi diperoleh pada Neuron 55 fungsi pelatihan traingdx dengan akurasi 47%. Kemudian Neuron. bernilai 55 akan diuji. kembali dengan 2 hidden layer melalui fungsi pelatihan yang sama.. Tabel 4.30 Akurasi Ciri 14 2 hidden layer. Pengujian JST.