PENINGKATAN PERFORMANSI PENGENALAN HURUF HIJAIYAH DENGAN MENGGUNAKAN ALGORITMA GENETIKA DAN ADAPTIVE EAS
Elvi Rahmi¹, Suyanto², Tjokorda Agung Budi Wirayuda³
¹Teknik Informatika, Fakultas Teknik Informatika, Universitas Telkom
Abstrak
Sebagai golongan bahasa yang banyak digunakan di dunia, sistem pengenalan pola yang digunakan untuk huruf arab termasuk sedikit dibandingkan sistem yang digunakan untuk pengenalan pola huruf latin maupun kanji. Pengenalan pola huruf arab dapat dilakukan dengan menggunakan Adaptive Evolutionary Algorithms (Adaptive EAs) yang dapat menangani
kekurangan Algoritma Genetika (AG) dalam mengatasi konvergensi prematur dan ketidakpastian Jaringan Syaraf Tiruan (JST) dalam menentukan parameter optimal. Tugas akhir ini mencoba membandingkan performansi kecepatan dan akurasi sistem pengenalan pola huruf arab yang dibangun dengan JST, JST-AG, dan Adaptive EAs.
Kata Kunci : Pengenalan pola huruf arab, jaringan syaraf tiruan, algoritma genetika, adaptive evolutionary algorithms.
Abstract
As one of widely used languages class in the world, pattern recognition system that is used for arabic letters less than the system used for pattern recognition of latin character as well as kanji. Pattern recognition of arabic letters can be done by using the Adaptive Evolutionary Algorithms (Adaptive EAS) that can handle the lack of Genetic Algorithm (GA) in overcoming the premature convergence and the uncertainty of Artificial Neural Network (ANN) in determining the optimal parameters. This last assignment tries to compare the speed and accuracy performance of pattern recognition system of Arabic letters which are built by ANN, ANN-AG, and Adaptive EAS.
Keywords : pattern recognition for arabic letter, neural network, genetic algorithm, adaptive evolutionary algorithms.
Powered by TCPDF (www.tcpdf.org)
1
BAB I
PENDAHULUAN
1.1.
Latar Belakang
Huruf hijaiyah merupakan huruf yang ditulis dengan menggunakan aksara Arab. Selain merupakan huruf yang digunakan dalam kitab suci Al-qur’an, huruf hijaiyah telah lama digunakan secara luas di Nusantara sejak tahun 1200 M/1300 M seiring dengan masuknya agama Islam. Di daerah Jawa khususnya daerah-daerah pesantren salafiah, para santri ma sih menggunakan hijaiyah dalam memahami teks-teks Arab dan kitab kuning yang penerjemahannya memakai huruf Arab yang telah dimodifikasi[7]. Meskipun telah lama digunakan, namun pengenalan pola huruf hijaiyah masih jarang dilakukan dibandingkan dengan penelitian terhadap pengenalan pola huruf latin dan kanji.
Pengenalan pola huruf hijaiyah ini dapat dilakukan dengan menggunakan metode Jaringan Syaraf Tiruan (JST). Prinsip kerja metode ini didasari oleh kemampuan otak manusia dan kemampuannya dalam mengorga nisasikan sel-sel penyusunnya yang disebut neuron, sehingga mampu melaksanakan tugas-tugas tertentu[8]. JST dapat menyelesaikan masalah klasifikasi atau pengenalan pola dengan informasi yang tidak lengkap dan pasangan data yang tidak jelas[10]. Namun dalam penerapannya, tidak mudah menggunakan JST untuk menyelesaikan masalah klasifikasi. Hal ini disebabkan, belum ada perhitungan matematis untuk merumuskan berapa jumlah layer yang optimal dan berapa jumlah neuron pada setiap layer-nya, berapa learning rate yang baik dan kapan sebaiknya proses learning dihentikan. Dalam beberapa kasus, jumlah dan perhitungan tersebut didapat dari melakukan percobaan-percobaan dengan sistem trial and error. Cara seperti ini tentu saja memerlukan waktu yang lama dan tidak efisien.
Evolutionary Algorithms (EAs) dapat digunakan untuk melatih JST dan menemukan struktur JST yang optimal dalam waktu yang relatif cepat[10]. Namun, EAs memiliki banyak parameter yang harus ditentukan secara hati-hati. Diantaranya adalah: ukuran populasi, ukuran kromosom, probabilitas seleksi orang tua jika menggunakan tournament selection, probabilitas rekombinasi atau crossover dan probabilitas mutasi. Semua parameter tersebut sangat sensitif terhadap perubahan kondisi selama proses evolusi berjalan. Nilai- nilai parameter yang ditentukan di awal mungkin bagus untuk beberapa generasi evolusi, tetapi bisa sangat buruk untuk generasi- generasi selanjutnya[9]. Untuk itu diperlukan sebuah teknik yang menjadikan EAs adaptive. Teknik tersebut dapat melakukan setting parameter EAs sehingga bisa berubah-rubah secara otomatis menyesuaikan kodisi populasi.
2
1.2.
Perumusan Masalah
Berdasarkan latar belakang permasalahan, maka rumusan masalah yang ada pada Tugas Akhir ini adalah:
1. Bagaimana mengoptimalkan struktur JST?
2. Bagaimana membuat parameter-parameter EAs menjadi adaptif?
3. Bagaimana mengimplementasikan JST dan Adaptive EAs untuk menghasilkan performansi pengenalan huruf hijaiyah yang baik?
Batasan Masalah
Dalam implementasi tugas akhir ini dibatasi oleh beberapa hal, sebagai berikut: 1. Penggunaan Adaptive Evolutionary Algorithms untuk melatih JST dan
menemukan struktur JST yang optimal dilakukan pada kasus pengenalan pola huruf hijaiyah pada citra digital.
2. Pengenalan pola huruf hijaiyah hanya dilakukan pada huruf dasar, tidak pada kasus huruf yang bertumpuk.
3. Pengenalan pola tidak dilakukan pada tulisan kaligrafi.
1.3.
Tujuan
Tujuan yang ingin dicapai dalam penelitian ini adalah:
1. Menemukan struktur JST yang optimal sehingga diperoleh metode pengenalan pola huruf hijaiyah yang baik.
2. Menemukan parameter-parameter EAs yang optimal untuk struktur JST.
Hipotesa: Pengenalan pola huruf hijaiyah dengan menggunakan JST-Adaptive EAs memiliki performansi yang baik dari segi waktu dan akurasi dibandingkan dengan sistem yang dibangun dengan JST dan JST-AG.
1.4.
Metode Penyelesaian Masalah
Metodologi penyelesaian masalah yang akan digunakan adalah: a. Studi literatur
Dalam tugas akhir ini, studi literatur meliputi pembelajaran konsep Mempelajari literatur- literatur yang berkaitan dengan konsep JST, Adaptive EAs, Algoritma Genetika(AG) , Evolving JST, metode pengolahan citra grayscale, binerisasi, scalling dan informasi lainnya yang menunjang pembuatan tugas akhir ini.
b. Pemodelan Sistem
Sistem yang dibangun merupakan gabungan dari JST, EAs dan Adaptive EAs. Arsitektur yang digunakan untuk JST adalah Multi Layer Perceptron(MLP). Inputan untuk jaringan MLP berjumlah 39 buah, sesuai dengan jumlah huruf dan angka hijaiyah. Karena sistem ini dibangun dengan memanfaatkan algoritma genetika sebagai algoritma pelatihannya, maka jumlah hidden layer dan output layer MLP belum dapat ditentukan di awal. Jumlah tersebut
3 didapat setelah dilakukan pengerjaan algoritma genetika yang telah dioptimalkan dengan adaptive EAs.
c. Testing dan Analisa Hasil
Pengujian dilakukan terhadap dua jenis huruf cetak yang berbeda, yaitu: Times New Roman dan Comic Sans MS dengan ukuran huruf yang berbeda.
Titik poin pengujian difokuskan kepada kecepatan tiap-tiap metode untuk mengeksekusi inputan, dan keakuratan output yang dihasilkan.
Menganalisis tingkat akurasi untuk setiap karakter huruf hijaiyah yang dilatihkan pengenalannya dengan menggunakan metode:
a. JST
b. JST dan AG c. JST dan EAs
Input adalah : citra huruf hijaiyah Keluaran dari sistem ini adalah:
1. Nilai-nilai parameter EAs yang paling sesuai untuk kondisi tiap generasi 2. Nilai-nilai parameter optimal JST
3. Hasil pengklasifian citra huruf hijaiyah yang diinputkan d. Dokumentasi
Hal ini dilakukan untuk pengambilan kesimpulan dari simulasi dan analisa yang telah dilakukan.
Powered by TCPDF (www.tcpdf.org)
36
BAB V
KESIMPULAN DAN SARAN
5.1.
Kesimpulan
Dari hasil analisa pengujian, maka dapat ditarik kesimpulan
1. Penggunaan image propresssing pada citra mempengaruhi keakuratan pengujian. Khususnya untuk citra tulisan tangan.
2. Parameter terbaik untuk pengujian pengenalan pola huruf arab untuk huruf yang sama dengan menggunakan JST-BP adalah, sistem dengan jumlah hidden layer 39 dan learning rate sebesar 0.2. Akurasi sistem yang didapat sebesar 71.31 % dan kecepatan performansi sebesar 18 detik 20 mili seconds. 3. Parameter terbaik untuk pengujian pengenalan pola huruf arab untuk huruf
yang sama dengan menggunakan JST-AG adalah, sistem dengan jumlah generasi sebesar 700, ukuran populasi 100 dan probabilitas crossover sebesar 0.7. Akurasi sistem yang didapat sebesar 100 dengan nilai fitness terbaik sebesar 9.87.
4. Adaptive GA dapat menghasilkan akurasi sebesar 85.1 %
5.2.
Saran
1. Penggunaan image propresssing
2. Pengembangan lebih lanjut untuk proses pengenalan huruf arab bersambung 3. Pengembangan lebih lanjut untuk proses pengenalan huruf arab kaligrafi 4. Pengembangan lebih lanjut untuk adaptive genetic algorithm pada
pengenalan pola.
5. Pada sistem ini hasil pelatihan disimpan dalam bentuk .net. Hal ini memudahkan dalam penggunaan kembali hasil pelatihan tersebut untuk pelatihan selanjutnya, namun penulis tidak dapat membuka file tersebut untuk dilihat hasil per hasil iterasi dalam pelatihan. Dengan demikian,diharapkan agar dapat digunakan jenis file yang lebih mengakomodasi kebutuhan penulis tersebut untuk sistem yang akan dibangun selanjutnya.
Powered by TCPDF (www.tcpdf.org)
37
Daftar Pustaka
[1] Achadin, Deviya M., 2009, Analisa dan Implementasi Evolutionary
Recurrent Neural Network dalam Studi Kasus Peramalan Kurs Jual Emas.
IT Telkom. Bandung.
[2] Bishop, Christoper M., 2006, Pattern Recognition and Machine Learning. Springer. Singapore.
[3] Departement of Computing Science of the University of NewCastle. Genetic Algorithms for the Training of Neuronal Networks on Distributed
Memory Systems. Diunduh pada:
http://tph.tuwien.ac.at/~oemer/neurogen.html, 23 Desember 2010
[4] Firat, Murat. Neural Network Backpropagation for Pattern Recognition. [5] Hermawan, Arief. 2006, Jaringan Syaraf Tiruan. Andi. Yogyakarta.
Indonesia.
[6] Muis, Saludin., 2006, Teknik Jaringan Syaraf Tiruan. Graha Ilmu. Yogyakarta. Indonesia.
[7] Objects, Primary. Using Neural Networks and Genetic Algorithms. Diunduh pada: http://www.primaryobjects.com/CMS/Article105.aspx [8] Puspitaningrum, Diyah. 2006. Pengantar Jaringan Syaraf Tiruan. ANDI.
Yogyakarta.
[9] Sari, Devia P., 2007, Sistem Pengenalan Pola Huruf Arab Menggunakan
Pendekatan Jaringan Syaraf Tiruan ART-2. IT Telkom. Bandung.
[10] Shofwani, M. Irfan. 2005. Mengenal Tulisan Arab Melayu. Adicita. Yogyakarta Indonesia.
[11] Suyanto. 2005. Algoritma Genetika dalam MATLAB. ANDI. Yogyakarta [12] Suyanto. 2007. Artificial Intelligence: Searching, Reasoning, Planning
dan Learning. Informatika. Bandung Indonesia.
[13] Suyanto. 2008. Evolutionary Computation : Komputasi Berbasis “Evolusi” dan “Genetika”. Bandung : Informatika.
[14] Suyanto. 2008. Soft Computing: Membangun Mesin Ber-IQ Tinggi. Informatika. Bandung Indonesia.
[15] Ummami, M. Amrul., 2009, Analisis Dan Implementasi Pengenalan Pola Huruf Arab Menggunakan Modified Direction Feature Extraction dan Learning Vector Quantization. IT Telkom. Bandung
[16] Wahyono. 2008. Pengenalan Huruf Berbasis Jaringan Syaraf Tiruan
Menggunakan Algoritma Perceptron. Proyek Khusus. 2008.
[17] While, H., 1992, Artificial Neural Network: Approximation and Learning Theory.
[18] Zadeh, LotfiA., 1993, Fuzzy Logic, Neural Networks, and Soft Computing.
Powered by TCPDF (www.tcpdf.org)
