Slant Correction Menggunakan Jaringan Saraf Tiruan Berbasis Multilayer Perceptron.

(1)

SLANT CORRECTION MENGGUNAKAN JARINGAN SARAF TIRUAN

BERBASIS MULTILAYER PERCEPTRON

Disusun oleh :

Nama : George L. Immanuel

NRP : 0922080

Jurusan Teknik Elektro, Fakultas Teknik, Universitas Kristen Maranatha

Jl. Prof. Drg. Suria Sumantri, MPH no 65, Bandung 40164, Indonesia

Email : [email protected]

ABSTRAK

Salah satu tantangan dalam pengenalan tulisan tangan adalah masalah kemiringan karakter tulisan terhadap sumbu vertikal. Kemiringan tulisan tangan terhadap sumbu vertikal dikenal dengan istilah slant. Pada tugas akhir ini, upaya yang ditawarkan di dalam melakukan slant correction adalah dengan mengimplementasikan jaringan saraf tiruan berbasis algoritma multilayer

perceptron.

Jaringan saraf tiruan merupakan salah satu teknik pengenalan pola yang terkenal di kalangan para peneliti. Dalam Tugas Akhir ini proses perancangan jaringan saraf tiruan melalui beberapa tahap yaitu tahap pre processing yang meliputi binerisasi, inversi, normalisasi dan segmentasi, tahap penentuan target menggunakan variansi maksimum dari proyeksi vertikal, dan tahap terakhir adalah tahap pelatihan JST menggunakan multilayer perceptron. Pada tahap pelatihan JST menggunakan backpropagation error correction dalam menentukan bobot dan sigmoid function sebagai fungsi aktivasi.

Data tulisan tangan berasal dari 20 responden dengan 5 teks uji sehingga diperoleh sebanyak 100 set data. Berdasarkan hasil MOS, proses Slant Correction menggunakan JST sudah tergolong baik dengan nilai MOS 84% di atas 3. Slant

correction terbaik, berdasarkan pengamatan responden, terjadi pada line ke lima

dengan raihan rata-rata 4.4 dan terburuk terjadi pada line ke tiga dengan raihan 2.35 (rentang nilai 0-5). Berdasarkan analisis objektif, slant correction menggunakan MLP sudah tergolong baik dengan catatan error tertinggi mencapai 4o _{dan terendah 19}o_.

Kata kunci :

(2)

vi Universitas Kristen Maranatha

SLANT CORRECTION USING MULTILAYER PERCEPTRON BASED

NEURAL NETWORK

Composed by :

Name : George L. Immanuel

NRP : 0922080

Department of Electrical Engineering, Faculty of Engineering,

Maranatha Christian University, Jl. Prof. drg. Surya Sumantri, MPH. No 65

Bandung 40164, Indonesia

Email : [email protected]

ABSTRACT

One of the challenges in the handwriting recognition is the problem of writing character slope towards the vertical axis. Handwriting slope towards the vertical axis is known as the slant. In this final task, efforts offered in performing slant correction is to implement neural network-based adaptive algorithm of multilayer perceptron.

Artificial neural network is one of the techniques of pattern recognition are popular among researchers. In this final project design of artificial neural network process through several stages namely pre-launch stage processing which includes binerization, inversion, normalization and segmentation, the stage of determining target using the maximum variance of vertical projection, and the last stage is the stage of training multilayer perceptron using ANN. At this stage of training using backpropagation error correction in determining weights and sigmoid function as the activation function.

Handwritten data taken from 20 subjects throught writing with 5 text test order to obtain as many as 100 sets of data. Based on the results of MOS , the process of slant correction using ANN is considered to be either by 84% of MOS score is over 3 . The best slant correction, based on observations of respondents , occurs in line number five with the average 4.4 and the worst occurs in line number three with the average 2.35 ( range 0-5 ). Based on objective analysis, slant correction using MLP is considered to be good with a highest record error is 4o and the lowest 19o .

Key words :

(3)

DAFTAR ISI

Halaman

LEMBAR PENGESAHAN ... ii

SURAT PERNYATAAN ... iii

PERNYATAAN PUBLIKASI LAPORAN PENELITIAN ... iv

ABSTRAK ... v

ABSTRACT ... vi

KATA PENGANTAR ... vii

DAFTAR ISI ... ix

DAFTAR TABEL ... xii

DAFTAR GAMBAR ... xiii

BAB I PENDAHULUAN 1.1 Latar Belakang ... 1

1.2 Rumusan Masalah ... 2

1.3 Tujuan Penelitian ... 2

1.4 Batasan Masalah ... 2

1.5 Sistematika Penulisan ... 2

BAB II LANDASAN TEORI 2.1 Database IAM ... 4

2.2 Proyeksi Citra ... 5

(4)

x

2.4 Jaringan Saraf Tiruan (JTS) ... 7

2.4.1 Pengertian Jaringan Saraf Tiruan ... 8

2.4.2 Arsitektur Jaringan Saraf Tiruan ... 12

2.4.3 Fungsi Aktivasi ... 14

2.4.4 Backpropagation dengan Momentum ... 16

2.4.5 Training Algoritma ... 17

BAB III PERANCANGAN DAN REALISASI 3.1 Pelatihan MLP ... 20

3.1.1 Diagram Blok Pelatihan MLP ... 20

3.1.2 Diagram Alir Pelatihan MLP ... 21

3.1.3 Input Pelatihan MLP ... 22

3.1.4 Target Pelatihan MLP ... 23

3.1.5 Konfigurasi MLP ... 25

3.2 Pengujian MLP ... 26

3.2.1 Diagram Blok Pengujian MLP ... 26

3.2.2 Diagram Alir Pengujian MLP ... 26

3.2.3 Input Pengujian MLP ... 27

3.2.4 Hasil Pengujian MLP ... 28

BAB IV ANALISIS DATA 4.1 Analisis Subjektif ... 29

(5)

BAB V SIMPULAN DAN SARAN

5.1 Simpulan ... 33

5.2 Saran ... 33

DAFTAR PUSTAKA ... 34

LAMPIRAN A ... A-1

(6)

xii

DAFTAR TABEL

Halaman

Tabel 4.1 Kriteria Penilaian MOS ... 30

Tabel 4.2 Hasil Penilaian MOS ... 30

Tabel 4.3 Analisis Objektif ... 31

(7)

DAFTAR GAMBAR

Halaman

Gambar 2.1 Penggalan Baris Database IAM ... 4

Gambar 2.2 Form Database IAM ... 5

Gambar 2.3 Proyeksi Vertikal dan Horisontal dari Citra Biner Seekor Kadal 6

Gambar 2.4 Proyeksi Horisontal dan Vertikal Dari Sebuah Citra ... 6

Gambar 2.5 Jaringan Saraf Biologis Manusia ... 10

Gambar 2.6 Model Neuron Mcculloch-Pitts ... 11

Gambar 2.7 Fungsi Identitas ... 13

Gambar 2.8 Fungsi Tangga Binari ... 14

Gambar 2.9 Fungsi Sigmoid ... 15

Gambar 2.10 Fungsi Bisigmoid ... 15

Gambar 2.11 Fungsi Saturating Linear ... 16

Gambar 2.12 Fungsi Symetric Saturating Linear ... 16

Gambar 3.1 Diagram Blok Pelatihan MLP ... 20

Gambar 3.2 Diagram Alir Pelatihan MLP ... 21

Gambar 3.3 Visualisasi Tahap Pre-Processing Input Pelatihan MLP ... 22

Gambar 3.4 Grafik Fungsi Sigmoid ... 24

Gambar 3.5 Arsitektur MLP yang Akan Dirancang ... 25

Gambar 3.6 Diagram Blok Pengujian MLP ... 26

Gambar 3.7 Diagram Alir Pengujian MLP ... 27

(8)

1 Universitas Kristen Maranatha

BAB I

PENDAHULUAN

1.1 Latar Belakang

Pengenalan teks tulisan tangan adalah salah satu area penelitian yang

paling aktif dilakukan di bidang ilmu komputer. Pada dasarnya area ini tergolong

wilayah yang sulit untuk diteliti dikarenakan variabilitas yang tinggi apabila

dilihat dari jenis tulisan tangan yang ada. Dengan kata lain, berbeda penulis maka

berbeda tulisan tangan [2]

Salah satu tantangan dalam pengenalan teks tulisan tangan adalah masalah

kemiringan karakter tulisan terhadap sumbu vertikal. Kemiringan karakter tulisan

tangan terhadap sumbu vertikal dikenal dengan istilah slant. Pada tugas akhir ini,

upaya yang ditawarkan di dalam melakukan slant correction adalah dengan

mengimplementasikan jaringan saraf tiruan berbasis multilayer perceptron.

Jaringan saraf manusia terbentuk dari jutaan neuron yang terkoneksi dan

terintegrasi satu dengan yang lain. Susunan jaringan saraf yang terdapat dalam

otak manusia ini dapat dengan cepat bekerja dalam proses belajar, mengenali pola,

mengingat, dan memproses informasi. Untuk itu dikembangkan suatu model yang

disebut dengan Jaringan Saraf Tiruan (JST) yang dapat menyerupai kemampuan

jaringan saraf manusia dalam pengenalan pola dan pengenalan karakter pada

tulisan tangan.

Dalam Tugas Akhir ini slant correction pada tulisan tangan dilakukan

dengan menggunakan JST berarsitektur Multilayer Perceptron (MLP) dan

beralgoritmakan Backpropagation. JST ini dirancang dengan paradigma diawasi

(supervised).[4] Nilai keluaran yang diharapkan akan dikurangi dengan nilai

keluaran aktual untuk mendapatkan error unit. Bobot akan diubah sampai

mendapatkan fungsi biaya (cost function) yang kecil. Semakin kecil fungsi biaya,

(9)

BAB I PENDAHULUAN

Tugas Akhir ini akan dibuat dalam bentuk simulasi dengan menggunakan

perangkat lunak MATLAB (Matrix Laboratory).

1.2 Rumusan Masalah

Masalah yang akan dibahas pada Tugas Akhir ini adalah :

 Bagaimana mengimplementasikan JST dalam proses Slant

Correction?

1.3 Tujuan Penelitian

Tujuan dari penelitian ini dilakukan adalah untuk:

 Menganalisis implementasi JST dalam proses Slant Correction

1.4 Batasan Masalah

Batasan – batasan masalah dalam Tugas Akhir ini adalah : a. Database tulisan tangan diperoleh dari Database IAM

b. Citra tulisan tangan sudah bersih (Image Cleaning) dan tidak miring

terhadap sumbu horizontal (Slope)

c. Slant Correction dilakukan terhadap blok-blok kata dalam satu baris

kalimat tulisan tangan

d. Data latih terdiri dari 1 line tulisan tangan

e. Data uji terdiri dari 5 line tulisan tangan

f. Implementasi menggunakan MATLAB R2013a

g. Program yang dijalankan menggunakan komputer ASUS A43S dengan

processor Intel Core i3 2.3 GHz 64-bit OS

1.5 Sistematika Penulisan

Sistematika dalam penulisan laporan ini terdiri dari 5 BAB, yaitu sebagai

berikut :

BAB I : PENDAHULUAN

Bab ini berisi latar belakang masalah, rumusan masalah,

(10)

BAB I PENDAHULUAN

BAB II : LANDASAN TEORI

Bab ini berisi teori-teori penunjang yang diperlukan untuk

merancang dan merealisasikan Jaringan Saraf Tiruan dengan

algoritma Backpropagation.

BAB III : PERANCANGAN DAN REALISASI

Bab ini berisi pembuatan program yang akan digunakan dalam

slant correction pada tulisan tangan.

BAB IV : ANALISIS DATA

Bab ini berisi pengamatan dan hasil pengolahan data yang

telah dilakukan dengan menggunakan Jaringan Saraf Tiruan

dengan algoritma Backpropagation dan analisis sistem agar

sesuai yang telah ditetapkan

BAB V : SIMPULAN DAN SARAN

Bab ini berisi simpulan dari uraian pembahasan yang ada

dalam bab sebelumnya serta saran-saran yang berguna untuk

(11)

BAB V

SIMPULAN DAN SARAN

5.1 Simpulan

Berdasarkan hasil MOS proses Slant Correction menggunakan JST sudah

tergolong baik dengan rata-rata nilai MOS di atas 3. Slant correction terbaik,

berdasarkan pengamatan responden, terjadi pada line ke lima dengan raihan

rata-rata 4.4 (rentang nilai 0-5). Slant correction terburuk terjadi pada line ke tiga

dengan raihan 2.35 (rentang nilai 0-5).

Secara subjektif, proses slant correction juga sudah tergolong baik dengan

perolehan 84% penilaian mendapatkan nilai 3 sampai dengan 5 (sesuai kriteria

MOS). Berdasarkan analisis objektif, slant correction menggunakan MLP sudah

tergolong baik dengan catatan error tertinggi mencapai 4o _{dan terendah 19}o_.

5.2 Saran

Untuk penyempurnaan dari Tugas Akhir ini di masa yang akan datang ada

baiknya melakukan perbaikan pada tahap segmentasi. Tujuannya adalah agar

diperoleh nilai maximum variance of vertical projection yang paling tepat

Ketepatan di dalam menentukan nilai maximum variance of vertical

projection sangat mempengaruhi pemilihan nilai sudut koreksi yang tepat untuk

(12)

DAFTAR PUSTAKA

1. Cheriet, M. et al. 2007. Character Recognition System: A Guide for

Students and Practioners. John Wiley & Sons, Inc

2. Espana-Boquera, S., M. J. Castro-Bleda, J. Gorbe-Moya, and F.

Zamora-Martinez. 2011. Improving Offline Handwritten Text Recognition with

Hybrid HMM/ANN Models. Valencia: IEEE Transaction on Pattern

Analysis and Machine Intelligence, Vol. 33, No. 4.

3. Fausett, Laurenne. 19 Desember 1993. Fundamentals Of Neural Networks,

Architectures, Algorithms, and Application.

4. Haykin, S., 2005. “Neural Network: A Comprehensive Foundations”,

Prentice Hall, 2nd Edition

5. Jain, A. K., J. Mao, and K. M. Mohiuddin. 1996. Artificial Neural

Networks: A Tutorial. IEEE.

6. Uchida, S. et al. 2004. Nonuniform Slant Correction for Handwritten

Word Recognition. IEICE Transaction INF & SYST, Vol. E87-D, No. 5.

7. Database IAM:

http://www.iam.unibe.ch/fki/databases/iam-handwriting-database (terakhir dilihat pada 5-10-2015 pkl. 09.00 wib)

8. Vertical projection: