BAB 3
ANALISIS DAN PERANCANGAN
Pada bab ini dibahas tentang bagaimana proses sistem jaringan saraf tiruan dengan
menggunakan metode propagasi balik untuk pengenalan tulisan tangan berbentuk
huruf jawi (arab melayu) dan membahas tentang analisis kebutuhan sistem tersebut
beserta perancangan sistemnya. Pada tahap perancangan sistem yang dilakukan adalah
mentransformasikan model analisis ke model perancangan.
3.1 Analisis Data Sistem
Data dan sampel yang akan digunakan adalah tulisan tangan yang berbentuk
huruf jawi (arab melayu) ditulis dikertas putih dengan tinta berwarna hitam. Setelah
pengambilan data, data tersebut di scan, setelah itu hasil scannernya di simpan dalam
bentuk folder jpeg.
Untuk melakukan pengenalan tulisan tangan berbentuk huruf jawi (arab
melayu)menggunakan jaringan saraf tiruan harus melalui tahapan-tahapan tertentu
sehingga dapat menjadi masukan yang baik bagi jaringan saraf tiruan. Jumlah data
yang diambil sebanyak 12 pola tulisan tangan berbentuk huruf arab melayu (jawi) dari
12 orang, 1 orang terdiri dari 7 kata (kata yang diambil adalah nama-nama hari).
3.2 Pra - Pengolahan Citra
Sebelum ketahapan jaringan saraf tiruan, terlebih dahulu data yang telah diambil
dilakukan proses prapengolahan citra. Pada sistem ini prapengolahan yang dilakukan
Gambar 3.1 Tahapan Pra-Pengolahan citra
a) Pembentukan Matriks Biner (Binarization)
Matriks biner citra ini menghasilkan citra hitam putih yang bersih dari tingkat
keabun (grayscale), atau dengan kata lain metode ini mengonversi citra gray-level ke citra bilevel (binary image). Pada tahap ini setiap nilai pixel RGB akan diambil nilai rata-ratanya untuk kemudian dicek, jika nilai yang dihasilkan
kurang dari nilai threshold yang dihasilkan maka nilai pixel tersebut diubah menjadi warna hitam, sebaliknya jika lebih besar dari nilai konstan maka akan
diubah menjadi warna putih (Khairunnisa, 2012).
Jika citra dari nilai pixel pada koordinat (x,y) berwarna hitam maka
nilai matriks biner pada baris i dan kolom j adalah 1, dan sebaliknya 0. Adapun
Mulai
Ukuran citra yang telah di crop berbeda-beda sehingga belum bisa digunakan
sebagai masukan standar untuk diektraksi. Citra tersebut haruslah
dinormalisasi terlebih dahulu yaitu dengan menggunakan ukuran citra yang
sesuai untuk diekstrakkan yaitu 300x170 pixel. Contoh citra hasil pemotongan
Gambar 3.3. hasil citra normalisasi, (a) citra RGB, (b) citra hasil normalisasi
c) Pembentukan Matriks Tulang (Thinning)
Tahapan selanjutnya adalah mengunakan proses thinning. Proses thinning
dilakukan supaya mendapatkan kerangka dari objek karakter pada citra dapat
diproses. Proses thinning ini bertujuan membentuk matriks dari citra tulisan tangan yang kebetulan garisnya 1 pixel. Algoritma yang dipakai dalam proses
thinning ini adalah algoritma ZhangSuen yang belum dimodifikasi (Zhang & Suen, 1984).
Algoritma Zhang-Suen ini menggunakan metode paralel yang mana
nilai baru bagi setiap pixel dihasilkan dari nilai pixel pada iterasi sebelumnya.
Hasil citra yang telah diubah menggunakan proses thinning dapat dilihat pada Gambar 3.4.
Gambar 3.4. citra hasil thinning, (a) citra normalisasi, (b) citra thinning
a. b.
3.3 Fitur Ekstraksi (Feature Extraction)
Pada tahapan fitur ekstraksi dilakukan agar nilai yang telah dinormalisasikan dapat
membentuk sebuah nilai fitur agar mendapatkan nilai-nilai unik dari citra yang telah
mengalami proses prapengolahan citra sebelumnya. Setiap data hasil ekstraksi fitur
harus benar-benar dapat mewakili karakteristik atau keunikan dari data tersebut. oleh
karena itu diperlukan suatu cara bagaimana agar dapat mendapatkan nilai-nilai unik
dari data tersebut sebab data yang ingin dianalisis oleh jaringan saraf tiruan harus
direpsentasikan dengan baik ke dalam bentuk numerik ataupun biner.
Pada tahap ini, citra yang berukuran 300x170 piksel dibagi menjadi 30 kolom
dan 17 kolom dengan masing-masing kolom terdapat 10 piksel. Proses ekstraksi fitur
menggunakan zonning dapat dilihat pada gambar 3.5.
3.4 Metode Ekstraksi Zoning
Metode zining dapat dibagi menjadi 3 proses, yaitu:
1. Hitung jumlah piksel hitam setiap zona dari Z1 sampai Z510.
2. Tentukan zona yang memiliki jumlah piksel hitam paling tinggi.
3. Hitung nilai fitur setiap zona dari Z1 sampai Z510.
Yaitu menggunakan rumus :
Nilai fitur Zn = Zn / Ztertinggi
dimana 1 ≤ n ≤ 510
Nilai fitur didapatkan dengan melakukan perbandingan jumlah piksel hitam dari
satu zona dengan zona yang didapatkan dari proses no 2.
Gambar 3.7 Pembagian zona menjadi 30 kolom dengan 17 baris, masing-masing zona berukuran 10x10 piksel.
3.5 Tahap Setelah Ekstraksi Fitur
Setelah melakukan tahapan ekstraksi fitur dan tahapan berikutnya yaitu klasifikasi
dengan menggunakan jaringan saraf tiruan propagasi balik. Dalam tapahan ini
terdapat dua proses yaitu proses pelatihan dan proses pengujian. Pada proses pelatihan
dilakukan pelatihan jaringan saraf tiruan dengan menggunakan nilai fitur yang didapat
dari data yang dilatih. Sebelum data digunakan, terlebih dahulu datanya harus sudah
dilatih. Setelah proses pelatihan, masuk ke proses pengujian yaitu dengan
menggunakan nilai fitur yang didapatkan dari data yang diuji. Jaringan harus
dirancang terlebih dahulu sebelum data di latih dan diuji.
3.6 Perancangan Jaringan Propagasi Balik
Jaringan yang dirancang dalam penelitian ini adalah jaringan propagasi balik.
Arsitektur jaringan saraf tiruan terdiri dari lapisan input (input layer), lapisan
tersembunyi (hidden layer) dan lapisan output (output layer).
Berdasarkan perancangan isi atas jaringan saraf tiruan yang dibangun pada
Gambar 3.8 Arsitektur Jaringan Saraf Tiruan
Berdasarkan gambar 3.8, rincian rancangan arsitektur jaringan saraf tiruan
yang digunakan adalah :
1. 1 lapisan input. Lapisan input terdiri dari unit-unit input mulai dari unit input 1
sampai unit input i, dimana i = 510.
2. 1 lapisan tersembunyi. Lapisan tersembunyi terdiri dari unit-unit tersembunyi
mulai dari unit tersembunyi 1 sampai unit tersembunyi j, dimana j = 96.
3. 1 lapisan output. Lapisan output terdiri dari unit-unit output mulai dari unit output
1 sampai unit output k, dimana k = 7.
4. x1 sampai x510 merupakan unit-unit lapisan input, y1 sampai y7 merupakan unit-unit
lapisan output dan z1 sampai zp merupakan unit-unit lapisan tersembunyi.
5. b1 merupakan bias ke lapisan tersembunyi dan b2 merupakan bias ke lapisan
keluaran.
6. v0j dan w0k masing-masing adalah bobot bias untuk unit tersembunyi ke-j dan unit
lapisan tersembunyi, sedangkan wjk adalah bobot koneksi antara unit ke-j lapisan
tersembunyi dengan unit ke-k lapisan output.
Tabel 1. Vektor Output dan target keluaran jaringan
Vektor Output Target
Prose pelatihan dilakukan agar dapat melatih jaringan yang akan dapat mengenali
huruf jawi (arab melayu) tulisan tangan baik yang dilatih ataupun yang tidak
dilatihkan dengan menggunakan jaringan saraf tiruan propagasi balik. Bertujuan untuk
mendapatkan keseimbangan antara kemampuan tanggapan yang benar terhadap
masukan yang dipakai untuk pelatihan jaringan (memorisasi) dan kemampuan
memberikan tanggapan yang benar untuk masukan yang sejenis namun tidak identik
dengan yang dipakai pada pelatihan.
Proses pelatihan terdiri dari 3 tahap. Tahap yang pertama yaitu tahap umpan maju
pola yang digunakan untuk mencari nilai lapisan tersembunyi dan nilai lapisan
keluaran menggunakan aktivasi yang ditentukan. Tahap yang kedua adalaha tahap
mundur, jika hasil keluaran tidak sesuai dengan target maka dilakukan propagasi balik
untuk mendapatkan nilai error yang ada di lapisan keluaran dan lapisan tersembunyi.
Tahap yang ketiga adalah memperbaharu nilai bobot yang ada dilapisan tersembunyi
ditargetkan. Proses ini dilakukan secara berulang kali sampai mendapatkan batasan
error yang ditentukan dari jaringan.
3.6.2 Proses Pengujian
Proses pengujian adalah menguji jaringan yang telah dilatih untuk mengenali data uji
maupun tidak digunakan pada tahapan pelatihan jaringan. Jaringan diharapkan dapat
mengenali huruf-huruf jawi (arab melayu) yang terdapat pada data uji. Pada proses
pengujian hanya mnggunakan tahap umpan maju untuk mencari nilai keluaran lapisan
tersembunyi dan lapisan keluaran.
Ketika jaringan diuji dengan menggunakan data pelatihan, yang diuji adalah
kemampuan memorisasi jaringannya, sebab kasus-kasusyang dimasukkan telah
dipelajari sebelumnya. Dan sebaliknya, pada saat jaringan diuji dengan menggunakan
BAB 4
IMPLEMENTASI DAN PENGUJIAN SISTEM
Pada bab ini akan diuraikan tahapan selanjutnya dalam pengembangan software yaitu tahap implementasi dan pengujian sistem. Di sini akan dijelaskan tentang proses
pengimplementasian algoritma ke dalam sistem dan melakukan pengujian dari
software yang dikembangkan.
4.1. Implementasi
Data yang telah dikenali pada bab sebelumnya haruslah diimplementasikan ke dalam
kode pemrograman agar dapat dilakukan pengujian untuk mengetahui kemampuan
kombinasi metode zoning. Pada penelitian ini pemrograman yang digunakan adalah bahasa pemrograman java. Pada bab sebelumnya telah dibahas tentang cara kerja
sistem yang dibangun dengan mnggunakan jaringan saraf tiruan.
Pengkodean dilakukan menjadi 5 modul utama, yaitu :
1. Modul prapengolahan citra
Merupakan modul untuk melaksakan semua proses prapengolahan citra dan
melaksanakan proses ekstraksi fitur.
2. Modul inisialisasi
Merupakan model untuk melaksanakan inisialisasi bobot awal.
3. Modul pelatihan jaringan
Merupakan modul untuk melaksanakan proses pelatihan jaringan propagasi balik.
4. Modul pengujian jaringan
5. Modul program utama
Merupakan modul untuk menjalankan modul prapengolahan citra, pelatihan
jaringan dan pengujian jaringan.
4.2. Spesifikasi Perangkat Keras dan Perangkat Lunak yang digunakan
Spesifikasi perangkat lunak dan perangkat keras yang digunakan untuk membut
sistemnya adalah sebagai berikut:
1. Processor Pentium Intel ® Core ™ i3-2310M
2. Kapasitas harddiks 500GB.
3. Memory RAM yang digunakan 2.00GB.
4. Sistem operasi Microsoft Windows 7.
5. Tools dari Java.
6. Printer canon MP198.
4.3. Pengujian
Setelah melakukan tahap implementasi maka dilakukan tahap pengujian
kemampuanmetode zoning pada jaringan saraf tiruan untuk pengenalan tulisan tangan huruf jawi (arab melayu). Untuk mengetahui seberapa tingkat kecocokannya dengan
metode tersebut, dibangunsebuah jaringan dengan menggunakan metode zoning. Jaringan yang menggunakan metode zoning menggunakan 510 nilai fitur.
4.4. Persiapan Sistem Jaringan Saraf Tiruan
Ketika jaringan tersebut memiliki lapisan tersembunyi dan lapisan keluaran yang sama
yaitu 96 neuron lapisan tersembuni dan 7 neuron lapisan keluaran. Lapisan masukan
sesuai dengan metode ekstraksi yang digunakan yaitu zoning (510 neuron masukan). Jaringan tersebut dilatih dengan menggunakan data latihan dengan paramter pelatihan,
4.5. Hasil Pengujian
Setelah jaringan tersebut dilatih kemudian jaringan dilakukan pengujian pada tingkat
pencocokan dari jaringan tersebut. Pengenalan diuji dengan menggunakan data uji
yaitu data baru yang tidak digunakan pada tahap pelatihan. Data yang digunakan
untuk pengujian adalah 21 pola kata (Lampiran B).
Pengujian dilakukan dengan menggunakan pemrograman java. Dengan
menggunakan contoh sebagai berikut:
Input : Masukkan nama file gambar yang ingin diuji. Seperti pada gambar 4.1
Gambar 4.1. input citra pengujian
Output : Sistem akan mengenali file gambar yang diuji sesuai dengan karakternya.
Seperti pada gambar 4.2
Gambar 4.2. Output citra pengujian
Hasil dari citra algoritma zoningdapat dilihat pada gambar 4.3
4.6. Hasil Pelatihan Jaringan Saraf Tiruan
Pelatihan jaringan saraf tiruan ini berfungsi untuk mengajarkan kepada jaringan
pola-pola tulisan huruf yang ada sehingga diharapkan jaringan dapat mengenali pola-pola-pola-pola
tulisan baru yang diberikan. Pada tahap pelatihan ini ditampilkan beberapa kombinasi
lapisan tersembunyi, learning rate, momentum yang berbeda-beda. Hasil pelatihan jaringan saraf tiruan propagasi balik dapat dilihat pada tabel 4.1.
Tabel 4.1 Hasil Pelatihan Jaringan Saraf Tiruan Propagasi Balik Input Learning
Rate
Momentum Epoch Tingkat Kecocokan
Tabel 4.1 Hasil Pelatihan Jaringan Saraf Tiruan Propagasi Balik (Lanjutan) input Learning
rate
Senin12 0,5 0,5 100 89,99% Senin
Tabel 4.1 Hasil Pelatihan Jaringan Saraf Tiruan Propagasi Balik (Lanjutan) Input Learning
rate
Momentum Epoch Tingkat Kecocokan
Tabel 4.1 Hasil Pelatihan Jaringan Saraf Tiruan Propagasi Balik (Lanjutan)
rate Kecocokan
4.7. Hasil Pengujian Jaringan Saraf Tiruan
Pada tahap pengujian dilakkan pengujian dengan menggunakan 21 pola. Hasil
pengujian dapat dilihat pada tabel 4.2. nilai pengujian dan pelatihan didapat dari
Tabel 4.2 Hasil Pengujian Jaringan Saraf Tiruan Propagasi Balik. Input Learning
Rate
Daritabel 4.1 didapatkan tingkat pengenalannya 86.87% dengan learning rate 0,5,
momentum 0,5 dan epoch 100. Sedangkan dari tabel 4.2 didapatkan tingkat
BAB 5
KESIMPULAN DAN SARAN
5.1. Kesimpulan
Berdasarkan hasil analisis dan pengujian pada bab bab sebelumnya, dapat diambil
kesimpulannya
1. Jaringan saraf tiruan propagasi balik yang telah dilatih dengan data pola kata
(nama-nama hari) dapat digunakan untuk mengenali tulisan tangan dengan
bentuk hurub jawi (arab melayu).
2. Pada pelatihan dengan menggunakan learning rate 0,5, momentum 0,5 dan epoch 100 didapatkan hasil 86.87 %.
3. Dari hasil pengujian diperoleh dengan learning rate sebesar 0.5, momentum sebesar 0,5 dan epoch 100 didapatkan hasil 89.05%.
4. Semakin tinggi learning rate dan momentumnya maka semakin sedikit epoch yang diperlukan jaringan untuk mencapai solusi tersebut. Semakin tinggi
tingkat kecocokannya maka semakin rendah tingkat keerrorannya.
5. Dari hasil pengujian yang dilakukan dicapai tingkat pengenalan sebesar 89.05% dengan menggunakan metode zoning.
5.2. Saran
yang digunakan hanya dilatih hingga mencapai batas error 0.32. Setelah melakukan pelatihan nilai error yang dicapai belum tentu merupakan nilai minimum. Maka untuk
