Studi dan Implementasi Konversi Aksara Jawa ke Aksara Latin menggunakan Back Propagation Neural Network

(1)

Hal 30 dari 96

Studi dan Implementasi Konversi Aksara Jawa ke Aksara Latin

menggunakan Back Propagation Neural Network

1

Bobi Gusmara, 2_{Febi Eka Febriansyah}

1,2_{Jurusan Ilmu Komputer FMIPA Unila}

Abstract

Script is some kind of important component of a culture, Javanese instead. Javanese script then become primary script that daily used by major communities in Central Java. As the human races developed and globalization, the Javanese script slowly set aside, even by Javanese community themselves. This paper elaborate about conversion of a Javanese script image into Latin script. This paper use Back Propagation Neural Network classification method and GLCM (Grey Level

Co-occurence Matrix) feature extraction method. Data used in this paper consist of 200 Javanese

vocabularies which is every vocabulary consist of 2-3 syllables and every vocabulary has 5 different writing variation. There are two major phase in this paper, data training and data testing. Training phase consist of cropping, resizing, feature extraction and nneural network training. Testing phase consist of data classification and validation check. This paper use Matlab software and neural

network tool. The result of the research elaborated in this paper is that the highest neural network

accuracy is up to 98% which is the average is 92,8% and the correlation coefficient is 0,9852.

Keywords : Back Propagation Neural Network, classification, GLCM(Grey Level Co-occurence Matrix),

Javanese script, pattern recognition.

1. PENDAHULUAN

Indonesia merupakan sebuah negara kepulauan dengan ribuan dan adat istiadat. Dari sekian banyak budaya dan adat istiadat yang ada di Indonesia, maka lahir pula banyak warisan budaya, diantaranya bahasa, rumah adat, tari-tarian, kerajinan tangan dan lainnya. Salah satu aspek penting dalam budaya adalah bahasa, karena bahasa menjadi kunci dalam berkomunikasi dalam suatu masyarakat. Bahasa Jawa merupakan salah satu warisan budaya tertua negara Indonesia. Bahasa Jawa juga merupakan bahasa daerah yang masih banyak ditemui di berbagai wilayah di Indonesia. Penggunaan bahasa Jawa oleh masyarakat kuno dibarengi dengan penggunaan aksara Jawa. Pada zaman modern ini teknologi berkembang dengan pesat, begitupun dengan teknologi informasi berbasis komputer. Namun dengan berkembangnya teknologi dan modernisasi, berbanding terbalik dengan pelestarian budaya di Indonesia yang justru semakin terlupakan. Sebagai contoh, budaya Jawa, yang kian lama dilupakan oleh masyarakat Jawa sendiri, bahkan oleh masyarakat yang tinggal di daerah yang masih kental dengan budaya Jawa seperti Yogyakarta, Solo ataupun Semarang. Di samping itu penulis menemui fakta bahwa tidak lebih dari 40% siswa SMA Negeri 1 Baturetno yang terletak di Kabupaten Wonogiri Provinsi Jawa Tengah, yang menguasai aksara Jawa dengan baik. Oleh karena itu penulis merasa perlu melakukan sesuatu untuk menjaga kelestarian aksara Jawa.

Dalam penelitian ini penulis membangun sebuah sistem pengenalan pola yang dapat mengenali pola tulisan aksara Jawa dan mengklasifikasinnya ke dalam class yang telah ditentukan. Salah satu tujuan yang ingin dicapai oleh penulis pada penelitian ini yaitu mengimplementasikan algoritma klasifikasi Back Propagation Neural Network pada pengenalan pola aksara Jawa. Tujuan ini dapat dicapai apabila sistem pengenalan pola dapat mengenali pola tulisan aksara Jawa. Tujuan selanjutnya yaitu mengklasifikasikan citra tulisan aksara Jawa untuk kemudian menentukan class-nya berdasarkan atribut yang telah ditentukan. Tujuan ini dapat dicapai apabila sistem dapat

(2)

Hal 31 dari 96

menentukan class yang sesuai dari setiap citra tulisan aksara Jawa yang telah dikenali polanya. Adapun manfaat dari penelitian ini yaitu dapat menjadi rujukan penelitian lain dan dapat digunakan sebagai sistem penerjemah aksara Jawa menjadi aksara Latin. Penelitian ini dapat menjadi bahan rujukan bagi orang lain yang ingin melakukan penelitian mengenai pengenalan pola, algoritma Back Propagation Neural Network, metode ekstraksi fitur GLCM (Grey Level Co-occurence Matrix), dan aksara Jawa. Kemudian apabila sistem dari penelitian ini dijadikan end-user software, maka dapat berguna sebagai sistem penerjemah aksara Jawa ke aksara Latin.

2. TINJAUAN PUSTAKA 2.1 Sejarah Bahasa Jawa

United Nations Educational, Scientific, and Culture Organization (UNESCO) mencatat bahwa bahasa Jawa merupakan bahasa ibu internasional ke-11 dari 6000 bahasa ibu di dunia. Para ahli bahasa menyebut bahwa bahasa Jawa sebagai Bahasa Nusantara Purba. Bahasa Nusantara Purba adalah bahasa yang dikenali dalam keserumpunan bahasa Melayu Purba yang digunakan di Malagasi dan beberapa tempat di daratan Asia Tenggara. J. Crawfurd kemudian melakukan penelitian kosakarta dari berbagai kamus mengenai bahasa-bahasa di Austronesia, yang kemudian dibandingkan satu per satu dengan bahasa Jawa, dan menemukan fakta berikut :

a. Dalam 8000 kosakata Malagasi ada 140 kosakata yang sama dengan bahasa Jawa, b. Dalam 4560 kosakata Selandia Baru ada 103 kosakata yang sama dengan bahasa Jawa, c. Dalam 3000 kosakata Marquesas ada 70 kosakata yang sama dengan bahasa Jawa, d. Dalam 9000 kosakata Tagalog ada 300 kata yang sama dengan bahasa Jawa.

Seiring bergulirnya waktu, bahasa Jawa akhirnya digantikan oleh bahasa Jawa Kuna yang sebagian besar dipengaruhi oleh masa pemerintahan Hindu sejak jaman dinasti Syailendra dan Sanjaya yang berturut-turut menguasai nusantara, mulai dari Rakai Mataram 732-760 Masehi sampai Rakai Watuhumalang di pertengahan abad IX dengan bukti teks Jawa Kuna sebelum aksara Jawa Kuna resmi digunakan. Jarak peralihan dari bahasa Jawa Purba ke bahasa Jawa Kuna pun cukup banyak memakan waktu hingga beberapa abad, hal ini dikarenakan memang tidak ada bukti perjalanan waktu dari peralihan tersebut, seperti artefak atau sejenisnya.

Munculnya pengakuan atas kekuasaan yang pernah menguasai pulau Jawa tertua tentang dinasti Salakanegara, yang menyatakan telah berdiri jauh sebelum kerajaan Tarumanegara, maka setidaknya bahasa Jawa kuno atau sebelumnya, pernah digunakan oleh orang-orang Jawa pada jaman dahulu kala. Jika yang ditulis dalam naskah Wangsakarta tentang keberadaan kerajaan Salakanegara, yang pernah menggunakan Bahasa Jawa Purba benar, maka setidaknya bahasa Jawa itu sudah dikenal pada masa abad III Masehi, atau mungkin sebelum itu sekitar awal abad satu masehi.[8]

2.2 Aksara Jawa

Abjad dalam bahasa Jawa cukup unik, terdiri dari 20 abjad konsonan yang disebut sebagai aksara. Bersama dengan semua karakter yang sama dengan karakter bahasa India, huruf tersebut bisa dipertimbangkan sebagai suku kata, terdiri dari sebuah huruf konsonan dan huruf vokal, yang diekspresikan tanpa variabel, kecuali oleh tanda tertentu. Berikut ini susunan dan fitur yang terdapat pada aksara Jawa.[10]

a. Memiliki 20 huruf konsonan dasar (aksara Nglegena) yaitu antara lain ha, na, ca, ra,

(3)

Hal 32 dari 96

b. Memiliki 20 huruf pasangan (aksara Pasangan) yang berfungsi untuk menekan vokal huruf konsonan di depannya.

c. Memiliki 7 aksara huruf utama (Murda) dan pasangannya yang digunakan untuk menuliskan awal kalimat serta menuliskan kata yang menunjukkan nama diri, kota, atau lembaga. Aksara Murda terdiri dari na, ka, ta, sa, pa, ga, dan ba.

d. Memiliki 5 huruf vokal mandiri (aksara Swara) yaitu A, E, I, O, dan U yang dalam kalimat biasanya digunakan pada awal kalimat atau untuk nama dengan awalan vokal yang mengharuskan penggunaan huruf kapital.

e. Memiliki 5 huruf tambahan (aksara Rekan) dan pasangannya yang digunakan untuk menuliskan huruf yang berasal dari serapan bahasa asing, yaitu : kh, f, dz, gh, dan z. f. Memiliki 12 huruf vokal tidak mandiri (aksara Sandhangan) yang digunakan untuk

vokal yang berada di tengah kata dan dibedakan termasuk berdasarkan cara bacanya. g. Memiliki 4 tanda baca (Pratandha) yang penggunaannya berbeda-beda.

2.3 Pengenalan Pola

Pengenalan pola merupakan salah satu cabang ilmu kecerdasan buatan (Artificial

Inteligence) yang menitikberatkan pada metode pengklasifikasian objek ke dalam

kelas-kelas tertentu untuk menyelesaikan suatu masalah. Pengenalan pola pada komputer mengadaptasi konsep alat indera manusia yang memungkinkan mesin (komputer) memiliki kemampuan yang hampir sama dengan indera manusia dalam hal merasa (sensing).

Gambar 1. Proses Klasifikasi secara umum.

Pengenalan pola terbagi menjadi 3 tahapan utama yaitu pemrosesan awal, ekstraksi fitur dan klasifikasi atau pengenalan. Pemrosesan awal yaitu meliputi input data, sensing, pra-proses dan segmentation and labeling. Tahap ekstraksi fitur melliputi pra-proses ekstraksi fitur itu sendiri dan post-proses. Tahap klasifikasi yaitu merupakan tahap akhir yang bekerja mengenali pola sebuah objek dan memasukkannya ke dalam kelas teretentu dan kemudian diambil keputusan (decision).[3]

2.4 Jaringan Syaraf Tiruan

Jaringan Syaraf Tiruan (JST) adalah paradigma pemrosesan informasi yang terinsiprasi dari sistem syaraf dalan ilmu biologi. Kunci utama elemen paradigma ini yaitu struktur syaraf dan sistem pemrosesan informasi. JST ini tersusun dari banyak elemen proses yang saling berhubungan (neuron) yang bekerja bersama untuk memecahkan suatu masalah tertentu. Sebuah JST dikonfigurasikan untuk sebuah aplikasi tertentu, seperti pengenalan pola atau klasifikasi data, melalui proses pembelajaran.

JST merupakan salah satu jenis kecerdasan buatan yang berusaha untuk mengimitasi cara kerja otak manusia. JST bekerja dengan menggunakan model digital. Dimana seluruh proses komputasi memanipulasi angka 0 dan 1, sebuah JST bekerja dengan membangun hubungan antara elemen

(4)

Hal 33 dari 96

proses dan neuron yang diciptakan komputer. JST adalah suatu prosesor yang terdistribusi secara paralel yang memiliki kecenderungan untuk menyimpan pengetahuan eksperimental dan menjadikannya tersedia untuk digunakan.[4]

2.5 Back Propagation Neural Network

Back propagation merupakan salah satu dari algoritma pembelajaran dalam jaringan syaraf

tiruan. Proses pembelajaran dalam algoritma back propagation dilakukan dengan penyesuaian bobot jaringan syaraf tiruan dengan arah mundur berdasarkan nilai error dalam proses pembelajaran. Back propagation sendiri adalah salah satu jenis jaringan syaraf tiruan yang mengadopsi cara kerja neuron secara biologis dengan berfokus pada cara kerja syaraf otak. Jaringan syaraf tiruan terdiri dari kumpulan node dan relasi. Ada tiga tipe node (neuron) yaitu input, hidden dan output. Setiap relasi menghubungkan dua node dengan bobot tertentu dan juga memiliki arah yang menunjukkan aliran data dalam proses.

Back propagation bekerja melalui proses secara iteratif dengan menggunakan sekumpulan

contoh data (data training), membandingkan nilai prediksi dari jaringan dengan setiap contoh data. Dalam setiap proses, bobot relasi dalam jaringan dimodifikasi untuk meminimalkan nilai Mean Squared Error (MSE) antara nilai prediksi dari jaringan dengan nilai sesungguhnya. Modifikasi relasi jaringan syaraf tersebut dilakukan dalam arah mundur, dari output layer hingga layer pertama dari hidden layer sehingga metode ini disebut back propagation (perambatan balik).

Terdapat 3 fase dalam algoritma pelatihan back propagation yaitu fase maju (feed forward), fase mundur (back propagation) dan fase modifikasi bobot. Dalam fase feed forward, pola masukan dihitung maju dimulai dari lapisan input hingga lapisan output. Dalam fase back propagation, tiap-tiap unit output menerima target pola yang berhubungan dengan pola input untuk dihitung nilai kesalahan. Kesalahan tersebut akan dipropagasikan mundur. Sedangkan fase modifikasi bobot bertujuan untuk menurunkan kesalahan yang terjadi.

2.6 Contrast, Correlation, Energy dan Homogeneity 2.6.1 Contrast

Contrast adalah nilai yang digunakan untuk mengukur fluktuasi distribusi intensitas sebuah gambar. Fitur ini mengembalikan ukuran intensitas kontras antara piksel dan tetangganya dari keseluruhan gambar. Persamaan untuk menghitung Contrast yaitu,

𝐶𝑜𝑛𝑡𝑟𝑎𝑠𝑡 = ∑ 𝑃_𝑖𝑗(𝑖 − 𝑗)2

𝑁−1

𝑖,𝑗=0

(1) Keterangan :

a. N = Nilai tingkat keabuan yang dibatasi antara 2 hingga 256. b. i = Menunjukkan indeks untuk elemen secara lateral (trace ke-i). c. j = Menunjukkan indeks untuk elemen secara vertikal (waktu ke-j). d. P = Nilai piksel dalam GLCM (elemen dari i dan j).

2.6.2 Correlation

Correlation, yaitu nilai yang digunakan untuk mengukur korelasi antara piksel satu dengan piksel tetangga dari seluruh gambar. Fitur ini mengembalikan nilai seberapa berkorelasi piksel satu ke piksel tetangganya dari keseluruhan gambar. Persamaan untuk menghitung Correlation yaitu,

(5)

Hal 34 dari 96 𝐶𝑜𝑟𝑟𝑒𝑙𝑎𝑡𝑖𝑜𝑛 = ∑ 𝑃_𝑖𝑗(𝑖 − 𝜇)(𝑗 − 𝜇) 𝜎2 (2) 𝑁−1 𝑖,𝑗=0 Keterangan.

e. 𝜇 = Rata-rata GLCM (Menjadi perkiraan intensitas semua piksel

dalam hubungan yang berkontribusi terhadap GLCM). Persamaan:

𝜇 = ∑ 𝑖 𝑃_𝑖𝑗

𝑁−1

𝑖,𝑗=0

(3)

f. 𝜎 = Varian dari intensitas semua piksel referensi dalam hubungan

yang berkontribusi terhadap GLCM Persamaan: 𝜎 = ∑ 𝑃𝑖𝑗(𝑖 − 𝜇)2 𝑁−1 𝑖,𝑗=0 (4) 2.6.3 Energy

Energy, yaitu nilai yang digunakan untuk mengukur konsentrasi intensitas pasangan di co-occurance matriks. Fitur ini mengembalikan jumlah elemen kuadrat dalam GLCM.

Persamaan untuk menghitung Energy yaitu,

𝐸𝑛𝑒𝑟𝑔𝑦 = ∑ (𝑃𝑖𝑗)2

𝑁−1

𝑖,𝑗=0

(5) Keterangan.

2.6.4 Homogeneity

Homogeneity, yaitu nilai yang digunakan untuk mengukur variasi intensitas gambar. Fitur

ini mengembalikan nilai yang mengukur kedekatan distribusi elemen dalam GLCM ke diagonal GLCM. Persamaan untuk menghitung Homogeneity adalah,

𝐻𝑜𝑚𝑜𝑔𝑒𝑛𝑒𝑖𝑡𝑦 = ∑ 𝑃𝑖𝑗

1 + (𝑖 − 𝑗)2 (6) 𝑁−1

𝑖,𝑗=0

Keterangan.

(6)

Hal 35 dari 96

b. i = Menunjukkan indeks untuk elemen secara lateral (trace ke-i). c. j = Menunjukkan indeks untuk elemen secara vertikal (waktu ke-j). d. P = Nilai piksel dalam GLCM (elemen dari i dan j).

3. METODOLOGI

Tahap yang dilakukan dalam penelitian ini yaitu :

a. Studi Literatur

Studi literatur adalah kegiatan mencari informasi maupun data mengenai hal-hal yang berhubungan dengan topik penelitian. Selain itu studi literatur juga dapat menemukan solusi atau saran mengenai rumusan masalah yang sudah dipaparkan sebelumnya. Objek studi literatur dapat berupa buku, jurnal penelitian, media cetak, internet dan media lainnya. Dalam penelitian ini dirumuskan beberapa pokok bahasan yang disertakan dalam tahap studi literatur yaitu Bahasa dan Aksara Jawa, Pengenalan Pola,

Back Propagation Neural Network, dan Pemrograman Matlab.

b. Pengumpulan Data Sampel

Data sampel yang digunakan dalam penelitian ini berupa kosakata bahasa Jawa yang ditulis tangan dengan menggunakan aksara Jawa. Kosakata yang termasuk dalam data sampel adalah kosakata bahasa Jawa yang memiliki 2 hingga 3 suku kata. Kosakata yang digunakan dikutip dari buku Kamus Bahasa Jawa (Basusastra Jawa) dengan mengambill kosakata dari huruf a hingga z. Data sampel berupa 200 kosakata bahasa Jawa yang ditulis menggunakan aksara Jawa. Setiap kosakata memiliki 5 varian penulisan berbeda sehingga jumlah data sampel adalah 1000 citra tulisan aksara Jawa. Seluruh data sampel didapatkan dari total 50 orang partisipan, dimana 40 orang partisipan adalah siswa SMA Negeri 1 Baturetno dan 10 orang partisipan adalah mahasiswa Ilmu Komputer Universitas Lampung. Setiap partisipan diminta untuk menuliskan 20 kosakata aksara Jawa berbeda. Data sampel dibutuhkan untuk melatih jaringan syaraf tiruan agar dapat mengenali pola aksara Jawa.

c. Praproses

Tahap praproses adalah tahap yang penting dalam pengenalan pola terutama objek gambar. Tujuan dari tahap ini yaitu untuk mempersiapkan data agar dapat diolah dan diteruskan ke tahap selanjutnya. Proses yang dilakukan pada tahap ini yaitu pemotongan citra (cropping), dan mengubah ukuran objek/citra (resizing). Tahap pertama yaitu proses pemotongan gambar (cropping) yang bertujuan untuk memfokuskan gambar kepada aksara Jawa yang terlihat dan membuang garis tepi yang tidak dibutuhkan. Tahap terakhir yaitu resizing, mengubah resolusi citra yang telah melalui proses sebelumnya menjadi resolusi yang ditetapkan untuk setiap data. Tahap ini bertujuan untuk membuat semua data sampel memiliki resolusi piksel yang sama agar proses ekstraksi fitur dapat berjalan dengan optimal.

d. Ekstraksi Fitur

Tahap ini adalah proses perubahan data sampel dari gambar menjadi informasi yang lebih baik dan dapat diproses. Ekstraksi fitur dalam penelitian ini menggunakan metode GLCM (Grey Level Co-occurence Matrix). Pada proses ekstraksi fitur GLCM menghasilkan beberapa nilai yang kemudian dijadikan atribut dalam proses pengenalan pola. Atribut yang digunakan dalam tahap ekstraksi fitur yaitu Contrast,

Correlation, Energy dan Homogeneity.

(7)

Hal 36 dari 96

Tahap pelatihan jaringan syaraf tiruan menggunakan tool yang disediakan dalam

software Matlab yaitu Neural Network Tools. Jumlah data latih yang digunakan dalam

proses pelatihan ini yaitu 1000 data, yang terdiri dari 200 kosakata dengan masing-masing 5 varian berbeda.

f. Perancangan dan Pengujian Sistem

Sistem untuk melakukan pengujian dirancang menggunakan perangkat GUI yang tersedia pada software Matlab yaitu GUIDE. Proses pembuatan interface sistem dilakukan dengan menyusun bidang (axes), tombol, dan beberapa komponen tambahan pada bidang kerja GUI Matlab.

4. PEMBAHASAN

4.1 Pengumpulan Data Sampel

Data sampel yang digunakan dalam penelitian ini adalah citra hasil scan tulisan aksara Jawa yang ditulis oleh seluruh partisipan. Hasil scan memiliki format JPEG (.jpg). seluruh citra tulisan aksara Jawa dimuat dalam angket yang telah diberikan kepada setiap partisipan. Dalam tahap pengumpulan data sampel dibutuhkan 19 lembar angket dimana 1 angket berisi 9 kosakata beserta variannya, 17 angket berisi 11 kosakata beserta variannya dan 1 angket berisi 4 kosakata beserta variannya.

Gambar 2. Sampel Data berupa Angket.

4.2 Praproses

Praproses mencakup dua proses, yaitu cropping dan resizing. Proses cropping dalam hal ini adalah pemotongan citra yang awalnya masih berupa gambar hasil scan dari angket tulisan tangan menjadi citra dengan resolusi tertentu berdasarkan class masing-masing citra. Proses cropping ditunjukkan pada Gambar 3.

(8)

Hal 37 dari 96 Gambar 3. Proses Cropping.

Hasil dari proses cropping kemudian disimpan ke dalam folder sesuai nama class-nya. Citra yang telah disimpan dalam folder kemudian di-resize berdasar class-nya. Satu folder berisi 5 citra yang memiliki resolusi yang sama. Proses resizing ditunjukkan pada Gambar 4.

(a) (b)

(c) (d)

Gambar 4. (a) Citra “Kakang” 244x97 piksel. (b) Citra “Kakang” 213x93 pisel. (c) Citra “Kebak” 352x93 piksel. (d) Citra “Kebak” 273x87 piksel

4.3 Ekstraksi Fitur

Ekstraksi fitur bertujuan untuk mengurai informasi dari citra aksara Jawa menjadi nilai atribut tertentu agar dapat digunakan dalam proses klasifikasi pengenalan pola dan pelatihan serta pengujian jaringan syaraf tiruan. Tahap ekstraksi fitur dalam penelitian ini menggunakan metode GLCM (Grey Level Co-occurence Matrix). Atribut-atribut yang digunakan pada penelitian ini yaitu Contrast, Correlation, Energy dan Homogeneity. Sampel hasil ekstraksi fitur ditunjukkan pada Tabel 1.

Tabel 1. Sampel Hasil Ekstraksi Fitur

Data Sampel Contrast Correlation Energy Homogeneity Class

1 1.5498 0.87539 0.49203 0.88293 1 2 _1.4459 _0.90157 _0.40605 _0.87608 ₂ 3 _1.2970 _0.91388 _0.59571 _0.91916 ₃ 4 _1.2775 _0.9046 _0.4554 _0.88722 ₄ 5 _1.2703 _0.91104 _0.43646 _0.88597 ₅ 6 _1.3568 _0.90535 _0.42144 _0.87875 ₆

4.4 Pelatihan Data menggunakan Jaringan Syaraf Tiruan

Tahap pelatihan data menggunakan Back Propagation Neural Network. Pada pengenalan pola, Back Propagation Neural Network bekerja melalui proses secara iteratif dengan

(9)

Hal 38 dari 96

menggunakan sekumpulan contoh data (data training), kemudian membandingkan nilai prediksi dari jaringan dengan setiap contoh data. Tahap ini membandingkan hasil pelatihan berdasarkan jumlah neuron dalam hidden layer. Tujuannya adalah untuk mendapatkan jumlah neuron dengan hasil terbaik yang kemudian akan digunakan dalam proses pengujian. Yang menjadi parameter baik tidaknya jumlah neuron adalah koefisien korelasi.

Proses yang terjadi dalam tahap ini yaitu pembuatan Jaringan Syaraf Tiruan (JST) dan pelatihan data. Fungsi untuk membuat JST ditunjukkan pada Kode 1.

net = newff(minmax(data_latih),[x 1],{‘logsig’,’purelin’},’trainlm’);

Kode 1. Fungsi untuk membuat Jaringan Syaraf Tiruan.

Fungsi pada Kode 1 secara otomatis membuat Jaringan Syaraf Tiruan Back Propagation dengan fungsi dan algoritma yang telah disediakan oleh Matlab. Notasi x pada fungsi merepresentasikan jumlah neuron dalam hidden layer. Jumlah neuron mempengaruhi hasil pelatihan JST, terutama pada koefisien korelasi. Dalam penelitian ini penulis membandingkan 10 jumlah neuron berbeda dengan tujuan mencari nilai koefisien korelasi terbaik yang akan digunakan dalam proses pelatihan data. Jumlah neuron yang dibandingkan yaitu 10, 20, 30, 40, 50, 60, 70, 80, 90 dan 100 neuron. Setiap jumlah neuron dilatih sebanyak 5 kali dan dihitung rata-rata koefisien korelasi dari 5 kali pelatihan tersebut. Parameter dalam pelatihan ini adalah koefisien korelasi, sehingga semakin tinggi rata-rata koefisien korelasi maka semakin baik.

Setelah Jaringan Syaraf Tiruan selesai dibuat maka proses selanjutnya adalah proses pelatihan data. Kode program untuk proses pelatihan data ditunjukkan pada Kode 2.

[net_keluaran,tr,Y,E] = train(net,data_latih,target_latih);

Kode 2. Kode Program untuk Pelatihan Data.

Tabel 2. Hasil Pelatihan Data menggunakan Jumlah Neuron berbeda.

No Jumlah Neuron

Koefisien Korelasi Pelatihan ke-

Rata-rata 1 2 3 4 5 1 10 0.6439 0.6710 0.7229 0.7193 0.6411 0.6797 2 20 0.7808 0.7836 0.7194 0.7972 0.6919 0.7546 3 30 0.7409 0.7096 0.6998 0.7500 0.7119 0.7224 4 40 0.8347 0.7974 0.8263 0.7758 0.8286 0.8126 5 50 0.7035 0.8072 0.5869 0.6117 0.7328 0.6884 6 60 0.6527 0.6452 0.5711 0.6175 0.7981 0.6569 7 70 0.7710 0.7120 0.8291 0.7836 0.5396 0.7271 8 80 0.6518 0.6006 0.5842 0.7888 0.5781 0.6407 9 90 0.6198 0.7386 0.8706 0.5882 0.6118 0.6858 10 100 0.6242 0.6219 0.5906 0.6155 0.6409 0.6186

(10)

Hal 39 dari 96

Dari Tabel 2 dapat diketahui bahwa hasil training terbaik didapatkan dengan jumlah neuron yaitu 40 neuron dengan rata-rata koefisien korelasi sebesar 0,8126. Nilai rata-rata koefisien korelasi didapatkan dari 5 kali pengujian pada masing-masing kuantitas neuron.

Gambar 5. Grafik Perbandingan Rata-rata Koefisien Korelasi

Dari Tabel 2 dan Gambar 4.4 dapat disimpulkan bahwa jaringan syaraf tiruan dengan jumlah neuron 40 memberikan nilai koefisien korelasi terbaik sehingga dalam proses pengujian jumlah neuron yang digunakan adalah 40 neuron.

Proses pelatihan data yang telah dilakukan dalam penelitian ini menghasilkan nilai koefisien korelasi sebesar 0,9852. Hasil pelatihan data disimpan dalam file berekstensi .mat yang kemudian dimuat untuk proses pengujian data.

4.5 Perancangan dan Pengujian Sistem 4.5.1 Perancangan Sistem

Sistem konversi aksara Jawa ke aksara Latin dibangun dengan menggunakan software Matlab dan menggunakan metode klasifikasi Back Propagation Neural Network. Dalam penelitian ini digunakan perangkat desain Graphical User Interface (GUI) yang juga dimiliki oleh Matlab yaitu GUIDE. Di dalam interface yang telah dibangun, digabungkan fungsi pelatihan data dan pengujian data, sehingga dalam penelitian ini hanya mengggunakan satu user interface. User interface sistem ditunjukkan pada Gambar 6.

0.6797 0.7646 0.7224 0.8126 0.6884 0.6569 0.7271 0.6407 0.6858 0.6186 0.6 0.65 0.7 0.75 0.8 0.85 0.9 0.95 1 1 0 2 0 3 0 4 0 5 0 6 0 7 0 8 0 9 0 1 0 0 KOE FIS IEN KOR ELASI JUMLAH NEURON

(11)

Hal 40 dari 96 Gambar 6. User Interface Sistem.

Penjelasan rancangan sistem:

1. Tombol “Train Data” berfungsi untuk melakukan pelatihan jaringan syaraf tiruan

dengan menggunakan dataset yang telah ditentukan direktorinya. Setelah proses pelatihan data selesai maka hasil pelatihan disimpan dalam file berekstensi .mat.

2. Tombol “Test Data” berfungsi untuk melakukan proses pengujian data berdasarkan

citra aksara yang telah ditampilkan pada axes yang tersedia. Tombol ini juga berfungsi untuk memuat file hasil pelatihan data berekstensi .mat yang didapatkan dari proses pelatihan data.

3. Panel “Training Data”:

a. Tombol “Choose File...” berfungsi memilih dan menampilkan citra aksara Jawa yang akan diuji. Citra aksara yang telah dipilih akan ditampilkan pada

axes yang tersedia.

b. Tombol “Calculate GLCM” berfungsi untuk melakukan penghitungan nilai GLCM pada gambar terpilih yang kemudian ditampilkan pada kolom di bawahnya, yaitu kolom Contrast, Correlation, Energy, dan Homogeneity.

4. Panel “Result” menampilkan hasil pengujian data, yaitu hasil konversi citra aksara

Jawa yang diinput menjadi aksara latin yang diwakili oleh class yang sudah disediakan.

4.5.2 Pengujian Sistem

Pengujian sistem dilakukan dalam beberapa tahap yaitu klasifikasi data uji, uji validitas dan penghitungan tingkat akurasi jaringan syaraf tiruan. Tahap klasifikasi dan uji validitas melibatkan proses yang terjadi pada sistem, sedangkan akurasi berdasarkan pada jumlah data uji yang valid. Data uji yang valid artinya data tersebut dikenali oleh sistem dan dapat dikasifikasikan class-nya. Data uji yang digunakan dalam penelitian ini diambil dari citra tulisan tangan aksara Jawa baru yang berjumlah 250 citra, sehingga data uji yang digunakan dalam penelitian ini berjumlah 250 data uji.

Perbandingan data latih dan data uji pada proses pengujian yaitu 80:20. Pengujian sistem dibagi dalam 5 kelompok data uji dimana setiap kelompok data uji sistem menguji 50 data uji. Dalam setiap kelompok data, suatu data uji diekstraksi berdasarkan metode GLCM, sehingga menghasilkan nilai atribut. Kemudian nilai atribut tersebut diuji dan ditentukan class-nya. Lalu dilakukan uji validitas untuk mengetahui apakah data uji dikenali oleh class yang telah disediakan atau tidak. Setelah 50 data uji selesai diuji maka jumlah data valid dihitung untuk mengetahui persentase akurasi per kelompok data. Proses yang telah disebutkan diulang hingga kelompok data ke-5, kemudian dihitung rata-rata akurasi dari 5 kelompok data tersebut untuk mengetahui akurasi total dari sistem. Hasil pengujian setiap kelompok data dibahas seperti di bawah ini:

1. Kelompok Data 1

Proses pada kelompok data ini yaitu menguji 50 data uji pertama. Hasil yang diperoleh pada kelompok data 1 yaitu bahwa sistem dapat mengonversi 49 dari 50 data uji secara valid, sehingga tingkat akurasi pada pengujian kelompok data 1 yaitu

(12)

Hal 41 dari 96

98%. Valid atau tidaknya data uji dilihat dari hasil prediksi, apabila hasil prediksi ada di dalam class yang tersedia maka data uji tersebut valid.

2. Kelompok Data 2

Proses pada kelompok data 2 yaitu menguji 50 data uji selanjutnya. Hasil yang diperoleh pada pengujian kelompok data 2 yaitu sistem mampu mengonversi 49 data uji secara valid dari keseluruhan 50 data uji. Dengan tingkat akurasi sebesar 98% pengujian kelompok data 2 dinilai cukup baik. Valid atau tidaknya data uji dilihat dari hasil prediksi, apabila hasil prediksi ada di dalam class yang tersedia maka data uji tersebut valid.

3. Kelompok Data 3

Proses pada kelompok data 3 yaitu menguji 50 data uji selanjutnya. Hasil yang diperoleh dari pengujian kelompok data 3 yaitu bahwa sistem dapat mengonversi 46 dari 50 data uji secara valid. Tingkat akurasi pengujian sistem pada kelompok data 3 mencapai 92%. Tingkat akurasi pada kelompok data ini dinilai cukup rendah dibandingkan dua kelompok data sebelumnya. Valid atau tidaknya data uji dilihat dari hasil prediksi, apabila hasil prediksi ada di dalam class yang tersedia maka data uji tersebut valid.

4. Kelompok Data 4

Proses pada kelompok data 4 adalah menguji 50 data uji selanjutnya. Hasil yang diperoleh dari pengujian kelompok data 4 yaitu bahwa sistem mampu mengonversi 41 dari 50 data uji secara. Dengan tingkat akurasi sebesar 82% pengujian ini dinilai kurang baik. Valid atau tidaknya data uji dilihat dari hasil prediksi, apabila hasil prediksi ada di dalam class yang tersedia maka data uji tersebut valid.

5. Kelompok Data 5

Proses pada kelompok data 5 adalah menguji 50 data uji terakhir. Hasil yang diperoleh yaitu sistem mampu mengonversi 47 dari 50 data uji secara valid. Tingkat akurasi pengujian kelompok data 5 mencapai 94%. Valid atau tidaknya data uji dilihat dari hasil prediksi, apabila hasil prediksi ada di dalam class yang tersedia maka data uji tersebut valid.

Tabel 3. Hasil Pengujian Seluruh Kelompok Data

No Kelompok Data Uji Jumlah Data Uji Jumlah Data Uji Valid Jumlah Data Uji Tidak Valid Akurasi 1 1 50 49 1 98% 2 2 50 49 1 98% 3 3 50 46 4 92% 4 4 50 41 9 82% 5 5 50 47 3 94%

Dari Tabel 3 diketahui bahwa tingkat akurasi setiap kelompok data bersifat fluktuatif. Tingkat akurasi tertinggi dicapai oleh kelompok data 1 dan 2 yang mencapai 98%, artinya hanya ada 1 data uji yang tidak valid dari keseluruhan 50 data yang di uji. Hasil ini dinilai cukup baik. Sedangkan tingkat akurasi terendah dicapai oleh kelompok data 4 yang hanya

(13)

Hal 42 dari 96

mencapai 82%, yang artinya sistem tidak dapat mengenali 9 data uji dari keseluruhan 50 data yang di uji. Tingkat akurasidihitung berdasarkan jumlah data uji valid dibandingkan dengan total data uji pada setiap kelompok data. Rata-rata tingkat akurasi keseluruhan kelompok data adalah 92,8% sehingga tingkat akurasi dinilai cukup baik. Namun sistem ini perlu diperbaiki lagi untuk hasil yang lebih sempurna.

5. KESIMPULAN

Kesimpulan yang didapatkan dari penelitian yang telah diakukan adalah sebagai berikut: 1. Algoritma Backpropagation Neural Network telah berhasil diimplementasikan pada

proses pengenalan pola aksara Jawa.

2. Sistem berhasil melakukan konversi citra aksara Jawa menjadi aksara Latin dengan proses klasifikasi.

3. Proses pelaltihan data dalam penelitian ini memberikan koefisien korelasi sebesar 0,9852 dengan memerlukan waktu 53 detik untuk melakukan pelatihan.

4. Rata-rata tingkat akurasi sistem adalah 92,8% dengan tingkat akurasi tertinggi 98% pada kelompok data 1 dan 2, sedangkan tingkat akurasi terendah 82% pada kelompok data 4. Artinya sistem yang dibangun sudah cukup akurat dalam mengenali pola Aksara Jawa.

6. REFERENSI

[1] Attaway, Stormy. 2013. Matlab: A Practical Introduction to Programming and Problem Solving Third Edition. Elsevier. Boston.

[2] Chauvin, Yves & David E. Rumelhart. 1995. Backpropagation: Theory, Architectures, and Applications. Lawrence Erlbaum Associates Inc. New Jersey.

[3] Dougherty, Geoff. 2003. Pattern Recognition and Classification : An Introuction. Spring Science + Business Media. New York.

[4] Gurney, Kevin. 1997. An Introduction to Neural Networks. CRC Press. London. [5] Luthfi, Emha Taufiq & Kusrini. 2009. Algoritma Data Mining. Andi. Yogyakarta.

[6] Nazla Nurmila, Aris Sugiharto, Eko Adi Sarwoko. 2010. Jurnal. Algoritma Back Propagation Neural Network Untuk Pengenalan Pola Karakter Huruf Jawa.

[7] Putra, Darma. 2010. Pengolahan Citra Digital. Andi. Yogyakarta.

[8] Raffles, Sir Thomas Stamford. 1817. The History of Java. Gilbert & Rivington. London. [9] Rojas, Raul. 1996. Neural Networks: A Systematic Introduction. Springer-Verlag Berlin

Heidelberg. Berlin.

[10] Tim Balai Bahasa Yogyakarta. 2011. Kamus Bahasa Jawa (Bausastra Jawa). Penerbit Kanisius. Yogyakarta.