Data Kebutuhan Sistem Perancangan Antarmuka Sistem

21

BAB III METODOLOGI PENELITIAN

Bab ini berisi penjelasan danproses pengolahan data yang akan digunakan dalam penelitian ini, serta perancangan sistem yang meliputi proses ekstraksi ciri, pelatihan dan pengujian arsitektur JST, lalu pengenalandan uji data,rincian kebutuhan sistem danjuga perancangan antarmuka sistem.

3.1 Data

Dalam pengenalan pola aksara Batak Karo ini digunakan 21 huruf aksara tulisan tangan Batak Karo yang dimiliki oleh 8 orang yang berbeda. Data yang diperoleh sebelumnya dengan mengisi kolom yang telah disediakan. 7,2 cm 2,7 cm Gambar 3.1 Kolom Isi Responden Setiap tipe tulisan tangan terdiri dari 168 gambar yang akan dijadikan sebagai data. Tipe tulisan tangan yang akan digunakan dalam pengenalan pola ditunjukan pada gambar 3.2 PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI Gambar 3.2 aksara Karo Tulisan Tangan

3.2 Perancangan Sistem

Sub bab ini berisi tentang perancangan sistem dari aplikasi yang akan dibuat.Proses dimulai dari preprossesing, ekstraksi ciri data aksara, kemudian data hasil ekstraksi ciri masuk kedalam pelatihan arsitektur JST dengan parameter-parameter yang telah ditentukan, sehingga diperoleh model jaringan yang menghasilkan akurasi terbaik, kemudian dilakukan uji pada sebuah data aksara baru yang juga telah diekstraksi ciri dan dilakukan klasifikasi menggunakan modeljaringan yang telah diperoleh. Pada proses ekstraksi cirri data sebelum pelatihan arsitektur jaringan dan pengujian data,digunakan fitur Mark Direction dan Intencity of Characther IoC . Untuk proses pelatihan arsitektur jaringan dan klasifikasi PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI data dalam pengujian digunakan metode Jaringan Syaraf Tiruan Back Propagation . Berikut ini gambaran sistem secara keseluruhan: Data Preprocessing JST Back Propagation Ekstraksi Ciri Data Uji Kombinasi Ciri Optimal Pengenalan Hasil Pengenalan Gambar 3.3Diagram Blok Sistem

3.2.1 Prepossesing

Dalam proses preprosessing ini meliputi beberapa tahap yaitu: 1. Mengubah Citra Warna. Dalam pemrosesan ini dimaksudkan untuk mengubah Citra Warna RGB, dilanjutkan dari citra keabuan mengubah menjadi Citra Hitam Putih Biner. Gambar 3.4 citra keabuan diubah RGB menjadi citra hitam putih IM2BW 2. Pengubahan Ukuran Resize Citra Dalam proses resize citra dilakukan secara otomatis yakni, membaca seluruh citra gambar dan kemudian secara otomatis menemukan citra terpanjang dan terlebar, setelah ditemukan maka ukuran tersebut dijadikan sebagai referensi untuk resize gambar. Dari referensi yang ditemukan ukuran citra pada aksara ini 245 x 1350, namun itu membuat ukuran gambar tidak proposional, maka ukuran di resize menjadi 600 x 600. 3. Penipisan Citra Pada proses ini penipisan citra Thining menggunakan fungsi Rosenfeld Widiarti, 2011. Thining dilakukan untuk mengubah ukuran ketebalan citra menjadi kecil. Gambar 3.5Citra setelah di thining PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 4. Ekstraksi Ciri Pada penelitian ini ekstraksi ciri menggunakan algoritma Mark Direction dan Intencity of Character IoC Nugroho, 2016. MarkDirection yaitu menghitung banyaknya piksel yang memiliki tetangga berarah horizontal, vertical, diagonal ke kiri, dan diagonal ke kanan. MarkDirection ini digunakan untuk menghitung banyaknya piksel yang memenuhi masking horizontal, vertical, diagonal kiri, dan diagonal kanan, sedangkan Intencity of Character itu sendiri digunakan untuk menghitung nilai piksel 0 berwarna hitam pada citra. Dalam melakukan proses ekstraksi ciri dilakukan dengan beberapa tahap, meliputi: a. Membagi citra menjadi 9 segmen 3x3 segmen b. Mencirikan citra pada tiap segmen menggunakan Mark Direction untuk menghitung berapa yang memenuhi masking horizontal horz, vertical vert, diagonal ke kiri dig1, diagonal ke kanan dig2. c. Mencirikan citra pada tiap segmen menggunakan Intencity of Character untuk menghitung nilai piksel hitam black. Gambar 3.6Citra di bagi menjadi 9 segmen PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI Untuk memperoleh jaringan yang optimal terlebih dahulu kita mengetahui ekstraksi ciri yang optimal pula. Dalam hal ini penelitian melakukan kombinasi ciri feature untuk dapat meghasilkan ekstraksi ciri yang memberikan hasil akurasi terbaik.

3.2.2 Pelatihan dan Pengujian Arsitektur JST

Dalam penelitian ini, proses pengenalan pola aksara Batak Karo dilakukan dengan mengklasifikasikan feature yang telah ditentukan. Metode yang digunakan dalam prosespengenalanadalah metode Jaringan Syaraf Tiruan Back Propagation. Metode pengenalan ini dipilih karena kemampuannya untuk menghasilkan decision boundaries yang kompleks pada fitur-fitur yang ada. Hasil ini dapat dilihat dengan nilai keakuratan yang dihasilkan dari pengujian sampel diluar kumpulan sampel yang digunakan pada saat pelatihan. Metode pembagian data pelatihan dan pengujian arsitektur JST yang digunakan adalah 4-Fold Cross Validation . Metode ini dipakai karena menggunakan data yang berbeda untuk proses pelatihan dan pengujiannya, sehingga dapat diketahui dengan benar akurasi sistem yang telah dibuat. Hasil ekstraksi ciri dan label data, akan digunakan sebagai input- an dalam proses pelatihan dan pengujian arsitektur JST. Hasil dari proses ini adalah model jaringan dengan akurasi terbaik, yang akan digunakan dalam proses pengenalan. Pada proses awal sesuai dengan metode K-Fold Cross Validation , data yang berjumlah 168 dibagi menjadi 4 bagian.Dari 4 bagian tersebut akan dilakukan 4 kali percobaan dalam proses pelatihan dan pengujian arsitektur JST. Berikut ini tabel penggunaan bagian dalam setiap percobaan: Tabel 3.14 -F old Cross Validation Percobaan Training Testing 1 1,2 3,4 2 1,3 2,4 3 1,4 2,3 4 3,4 1,2 Ada 2 jenis arsitektur jaringan syaraf tiruan yang digunakan untuk proses pelatihan dan pengujian, yaitu arsitektur dengan satu hidden layer dan dua hidden layer. 1. Arsitektur Jaringan Syaraf Tiruan 1 Hidden Layer Diambil contoh dengan ciri 8 maka jumlah data input sebanyak 45 atribut, kemudian digunakan 1 hidden layer, dengan jumlah neuron pada hidden layer 1 sebanyak j, dan jumlah output sebanyak 21. Gambar 3.7Arsitektur JST 1 Hidden Layer X1 X2 X3 X45 Z1 Z2 Z3 Zj Y1 Y2 Y3 Y21 Vij Wij Input Hidden Layer 1 Output 2. Arsitektur Jaringan Syaraf Tiruan 2 Hidden Layer Diambil contoh dengan ciri 8 maka jumlah data input sebanyak 45 atribut, kemudian digunakan 2 hidden layer, dengan jumlah neuron pada hidden layer 2 sebanyak j, dan jumlah output sebanyak 21. Gambar 3.8Arsitektur JST 2 Hidden Layer Berikut ini rincian parameter dalam arsitektur jaringan syaraf tiruan: 1. Lapisan jaringan terdiri dari 4 lapis, yaitu satu lapis masukan input, 2 lapis tersembunyi hidden layer dan satu lapis keluaran output . 2. Untuk input dimana Xi adalah jaringan terdiri dari 1 – i neuron, dimana i merupakan jumlah total data hasil ekstraksi ciri yang telah ditentukan. Berikut tabel jumlah data yang digunakan: X1 X2 X3 X45 Z1 Z2 Z3 Zj Z1 Z2 Z3 Zj Y1 Y2 Y3 Y21 Vij Vij Wij Hidden Layer 1 Hidden Layer 2 Input Output Tabel 3.2Jumlah Data Input Arsitektur Jaringan Kombinasi Feature Feature Kombinasi Feature Jumlah Data Feature 1 [Black] 9 2 [dig1] 9 3 [dig2] 9 4 [Black + dig1] 9 + 9 =18 5 [Black + dig2] 9 + 9 = 18 6 [horz + vert] 9 + 9 = 18 7 [dig1 + dig2] 9 + 9 = 18 8 [Black + dig1 + dig2, + horz + vert] 9 + 18 + 18= 45 3. Untuk mendapatkan arsitektur jaringan yang optimal, digunakan 2 jenis arsitektur jaringan yaitu dengan 1 hidden layer dan 2 hidden layer, dimana lapisan tersembunyi pertama dan kedua memiliki jumlah neuron yang bervariasi mulai dari 10,15,… dilanjutkan dengan kelipatan 5 hingga 45. Namun apabila pada neuron 45 nilai akurasi masih tinggi, maka dilanjutkan dengan kelipatan 5 selanjutnya hingga hasil akurasinya turun. Contoh: 10,15,20,…45 4. Fungsi aktivasi yang digunakan adalah sigmoid biner logsig. 5. Fungsi pelatihan yang digunakan adalah trainrp. 6. Batas iterasi epoch adalah 500. 7. Nilai laju pemahaman = learning rate adalah 0, 2. 8. Jumlah neuron pada lapisan keluaran output adalah 21, sesuai dengan jumlah target aksara 9. Memiliki 21 neuron output yang merupakan target keluaran jaringan diantaranya, target 1: BA 1,0,0….0, target 2: TA 0,1,0..target 3 : DA 0,0,1, …0, ……, target 21: CA 0,0,0…1 PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI Dalam pengujianarsitektur JST, dilakukan beberapa kali percobaan untuk mendapatkan model jaringan terbaik berdasarkan akurasi hasil yang tertinggi. Percobaan dilakukan dengan mengambil sejumlah data hasil ekstraksi ciri berdasarkan kombinasi ciri yang ada pada tabel 3.2 sebagai data masukan. Untuk setiap kombinasi ciri, dilakukan percobaan lagi dengan mengubah-ubah jumlah lapisan tersembunyi, yaitu satu lapisan tersembunyi dan 2 lapisan tersembunyi. Pada satu lapisan tersembunyi, jumlah neuron divariasi mulai dari 10, 15 hingga 45 dengan penambahan jumlah kelipatan 5, contohnya 10,15,20….,45.Dari percobaan tersebut diperoleh jumlah neuron dengan akurasi tertinggi. Jumlah neuron dengan akurasi tertinggi di lapisan tersembunyi ke-1 kemudian digunakan dalam 2 lapisan tersembunyi. Jumlah neuron di lapisan tersembunyi ke-2 divariasi sama seperti di lapisan tersembunyi ke-1 hingga memperoleh akurasi tertingginya. Dari semua percobaan tersebut akan diperoleh model jaringan terbaik berdasarkan akurasi yang tertinggi.

3.2.3 Uji Data Tunggal

Model jaringan yang telah didapat dari proses pelatihan dan pengujian arsitektur JST akan digunakan dalam proses pengenalandari data masukan data baru untuk diuji. Proses dimulai dari memasukan data aksara baru untuk diuji, kemudian dilakukan kombinasi ekstraksi ciri pada data tersebut dan diambil sejumlah data sesuai jumlah pilihan ciri terbaik yang telah diperoleh. Hasil ekstraksi ciri tersebut disimulasikan kedalam model jaringan terbaik yang telah diperoleh, sehingga mendapatkan nilai keluaran sesuai target keluaran yang telah ditentukan, untuk menunjukkan hasil pengenalan pola. Berikut ini gambaran proses pengenalan dan uji data. PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI Data Uji Ekstraksi Ciri Model Jaringan Hasil Pengenalan Gambar 3.9 Proses Pengenalan dan Uji Data Tunggal

3.2.3.1 Perhitungan Akurasi

Karena menggunakan metode 4 – Fold dalam pembagian data, maka dilakukan percobaan 4 kali percobaan training dan testing. Hasil dari percobaan berupa confusion matrix. Confusion Matrix menunjukkan data yang dikenali sesuai kelompok data ciri. Contoh Confusion Matrix dapat dilihat dalam tabel sebagai berikut: Dari confusion matrix dihitung besar akurasi. Perhitungan akurasi dilakukan untuk melihat jaringan syaraf tiruan yang optimal BackPropagation dalam mengenali sistem pola tulisan tangan aksara Batak Karo. Akurasi = � ℎ � ℎ ℎ Data Benar = Jumlah angka pada diagonal matrik Seluruh data = total data yang digunakan untuk training testing

3.3 Kebutuhan Sistem

Aplikasi ini membutuhkan perangkat keras dan lunak dalam proses perancangannya sehingga mendapatkan hasil yang maksimal.

1. Kebutuhan Perangkat

Aplikasi ini membutuhkan perangkat keras dan lunak dengan : 1. Scanner 2. Microsoft Windows 7 3. Matlab R2012b Spesifikasi tersebut dipilih agar aplikasi berjalan dengan maksimal. Scaner digunakan untuk menyecan data aksara dikarenakan tidak ada data berupa cetak. Microsoft Windows 7 digunakan sebagai sistem operasi agar kedua perangkat lunak lainnya dapat berjalan. Matlab R2012b digunakan untuk membuat sistem sekaligus menjalankan sistem.

3.4 Perancangan Antarmuka Sistem

Gambar 3.10 Tampilan Antarmuka Sistem Pada gambar 3.10 merupakan tampilan antarmuka sistem yang terdiri dari 1 menu sesuai dengan fungsi dari sistem yang akan dibuat. Menu mulai digunakan sebagai langkah awal pertama dalam menjalankan sistem. Gambar 3.11 Tampilan Antarmuka Sistem PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI Pada gambar 3.11 merupakan tampilan antarmuka sistem yang terdiri dari 2 panel sesuai dengan fungsi dari sistem yang akan dibuat. Berikut ini rincian untuk setiap panel tersebut: 1. Pelatihan Panel ini termasuk dalam data kombinasi ekstraksi ciri. Pada panel ini terdapat beberapa komponen diantaranya: a. Button Group - berfungsi untuk memilih data kombinasi ciri b. Edit Text Hidden Layer 1 – berfungsi untuk memasukan jumlah neuron pada lapisan tersembunyi ke-1. c. Edit Text Hidden Layer 2 - berfungsi untuk memasukan jumlah neuron pada lapisan tersembunyi ke-2. d. Edit Text Epoch – berfungsi untuk memasukan batas jumlah iterasi epoch dalam proses pelatihan arsitektur jaringan, dengan nilai default yaitu 500. e. Tombol Proses – berfungsi untuk menjalankan proses pelatihan arsitektur jaringan. f. Text Akurasi – berfungsi untuk menampilkan hasil perhitungan akurasi sistem . 2. Pengujian Panel ini berisi komponen yang dapat berfungsi untuk mengambil data uji, kemudian melakukan pengenalan data berdasarkan model jaringan yang telah diperoleh dan menampilkan hasil huruf aksara. a. Edit Text Direktori file – berfungsi untuk menampilkan alamat direktori dari data yang akan diuji. b. Tombol Proses Kenal – berfungsi untuk membuka jendela pencarian direktori data aksara yang akan diuji. c. Axes Citra – berfungsi untuk menampikan citra aksara yang diuji d. Text Hasil kenal – berfungsi untuk menampilkan hasil pengenalan data aksara yang diuji. e. Tombol Proses – berfungsi untuk menjalankan proses pengenalan aksara. 34 3 BAB IV IMPLEMENTASI DAN ANALISIS HASIL Bab ini dibahas mengenai hasil penelitian dan analisis hasil penelitian dari implementasi sistem yang telah dibuat. Hasil penelitian berupa perbandingan akurasi yang diperoleh dari percobaan metode Back Propagation berdasarkan jumla hidden layer serta jumlah node pada setiap hidden layer yang digunakan. Pada bab ini juga dibahas mengenai user interface yang dibangun berdasar algoritma yang telah dirancang.

4.1 Implementasi Sistem