Perancangan Perangkat Lunak Pengenalan Pola Huruf Menggunakan Algoritma Perceptron

(1)

PERANCANGAN PERANGKAT LUNAK PENGENALAN POLA

HURUF MENGGUNAKAN ALGORITMA PERCEPTRON

TUGAS AKHIR

DHEA AGIE WILYA

112406078

PROGRAM STUDI D-3 TEKNIK INFORMATIKA

DEPARTEMEN MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS SUMATERA UTARA

MEDAN

2014

(2)

PERANCANGAN PERANGKAT LUNAK PENGENALAN POLA

HURUF MENGGUNAKAN ALGORITMA PERCEPTRON

TUGAS AKHIR

Diajukan untuk melengkapi tugas akhir dan memenuhi syarat memperoleh gelar Ahli Madya

DHEA AGIE WILYA

112406078

PROGRAM STUDI D-3 TEKNIK INFORMATIKA

DEPARTEMEN MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS SUMATERA UTARA

MEDAN

2014

(3)

PERSETUJUAN

Judul : PERANCANGAN PERANGKAT LUNAK PENGENALAN POLA HURUF

MENGGUNAKAN ALGORITMA PERCEPTRON

Kategori : TUGAS AKHIR Nama : DHEA AGIE WILYA Nomor Induk Mahasiswa : 112406078

Program Studi : DIPLOMA (D3) TEKNIK INFORMATIKA Departemen : MATEMATIKA

Fakultas : MATEMATIKA DAN ILMU PENGETAHUAN ALAM (FMIPA) UNIVERSITAS SUMATERA UTARA

Disetujui di

Medan, Juli 2014

Diketahui oleh:

Program Studi D3 Teknik Informatika Pembimbing FMIPA USU

Ketua,

Dr. Elly Rosmaini, M.Si Drs. Faigiziduhu Bu’ulolo, M.Si

(4)

PERNYATAAN

PERANCANGAN PERANGKAT LUNAK PENGENALAN POLA HURUF MENGGUNAKAN ALGORITMA PERCEPTRON

TUGAS AKHIR

Saya mengakui bahwa tugas akhir ini adalah hasil karya saya sendiri, kecuali beberapa kutipan dan ringkasanyang masing-masing disebutkan sumbernya.

Medan, Juli 2014

DHEA AGIE WILYA NIM 112406078

(5)

PENGHARGAAN

Puji dan syukur penulis ucapkan atas kehadirat Allah SWT yang telah memberikan Rahmat serta Hidayah kepada kita semua, sehingga berkat Karunia-Nya penulis dapat

menyelesaikan Tugas Akhir dengan baik yang berjudul “Perancangan Perangkat Lunak Pengenalan Pola Huruf Menggunakan Algoritma Perceptron“ pada waktu yang

telah ditetapkan.

Terimakasih penulis sampaikan kepada bapak Drs. Faigiziduhu Bu’ulolo, M.Si

selaku pembimbing yang telah meluangkan waktunya selama penyusunan tugas akhir. Terimakasih kepada Ibu Dr. Elly Rosmaini, M.Si dan Bapak Syahriol, S.Si, M.IT selaku Ketua dan Sekretaris Program Studi D3 Teknik Informatika FMIPA USU, Bapak Prof. Dr. Tulus, M.Si dan Ibu Dr. Mardiningsih, M.Si selaku Ketua Departemen dan Sekertaris Departemen Matematika FMIPA USU, Bapak Dr. Sutarman M.Sc selaku Dekan FMIPA USU, seluruh Staff dan Dosen Program Studi D3 Teknik Informatika FMIPA USU, pegawai FMIPA USU dan rekan-rekan kuliah. Teristimewa kepada kedua Orang tua Ir. H. Dedi Yanto dan Widya Masyita yang selama ini memberikan bantuan dan dorongan yang diperlukan. Semoga Allah SWT akan membalasnya.

(6)

Halaman

Persetujuan i

Pernyataan ii

Penghargaan iii

Daftar Isi iv

Daftar Gambar vi

Daftar Tabel vii

BAB 1 PENDAHULUAN 1

1.1 Latar Belakang 1

1.2 Perumusan Masalah 2

1.3 Batasan Masalah 2

1.4 Tujuan Penelitian 2

1.5 Manfaat Penelitian 3

1.6 Metodologi Penyusunan Tugas Akhir 3 1.7 Sistematika Penulisan Tugas Akhir 3

BAB 2 TINJAUAN PUSTAKA 5

2.1 Perangkat Lunak 5

2.2 Kecerdasan Buatan 6

2.2.1 Perbedaan Kecerdasan Buatan dan Kecerdasan Alami 8 2.3 Jaringan Saraf Tiruan 8

2.3.1 Arsitektur Jaringan Saraf Tiruan 11

2.4 Proses Pembelajar 13

2.5 Perceptron 13

2.6 Mengenal MATLAB 14

BAB 3 ANALISIS DAN PERANCANGAN 18 3.1 Analisis Jaringan Saraf Tiruan 18 3.2 Analisa Pengenalan Pola 19 3.3 Algoritma Perceptron 20

3.4 Perancangan 24

3.4.1 Flowchat 25

3.4.2 Flowchat Pengenalan Pola 28 3.5 Perancangan Perangkat Lunak 29

BAB 4 IMPLEMENTASI SISTEM 30

4.1 Implementasi Sistim Berdasarkan Perancangan 30 4.2 Tujuan Implementasi 30 4.3 Komponen Implementasi Sistem 31 4.4 Implementasi Pemrosesan 32

(7)

BAB 5 PENUTUP 38

5.1 Kesimpulan 38

5.2 Saran 38

Daftar Pustaka Lampiran

(8)

DAFTAR GAMBAR

Halaman

Gambar 2.1 Tampilan awal MATLAB 14 Gambar 2.2 Jendela kerja MATLAB 16 Gambar 3.1 Pembatas linear perceptron 18 Gambar 3.2 Proses antar unit perceptron 22 Gambar 3.3 Flowchart pengenalan pola huruf 28 Gambar 3.4 Perancangan tampilan program 29 Gambar 4.1 Tampilan awal program 32 Gambar 4.2 Tampila pola huruf 33 Gambar 4.3 Tampilan pola setelah pelatihan 34 Gambar 4.4 Tampilan neural network training 35 Gambar 4.5 Tampilan proses program 36 Gambar 4.6 Tampilan hasil pengujian pola huruf 37

(9)

DAFTAR TABEL

Halaman

(10)

BAB 1

PENDAHULUAN

1.1Latar Belakang

Banyak masalah menarik dari pengenalan pola yang dikembangan dengan jaringan saraf antara lain pengenalan wajah, pengenalan penyakit tumor, identifikasi jenis mobil, pengenalan tanda tangan, pengenalan pola karakter (angka atau huruf). Pengenalan karakter berguna antara lain untuk pengenalan tulisan tangan kode pos (handwritten zip-codes). Banyaknya variasi posisi dan gaya dari setiap penulis merupakan masalah yang sulit.

Jaringan saraf buatan adalah salah satu metode komputasi yang meniru cara kerja sistim saraf otak manusia. Keunggulan metode ini dibandingkan metode lain adalah kemampuannya belajar dan memecahkan hubungan yang rumit, yang sulit dideskripsikan antara data masukkan dan data keluaran. Hal ini dimungkinkan karena pengetahuan yang ada pada jaringan saraf buatan tidak diprogram, tetapi dilatihan berdasarkan informasi yang diterima.

Berbagai algoritma pelatihan jaringan saraf buatan untuk pengenalan pola telah dikembangkan, salah satunya adalah perceptron. Perceptron merupakan salah satu metode pembelajaran terawasi (supervise learning method) dalam jaringan saraf buatan. Umumnya, perceptron digunakan untuk mengklarifikasikan suatu pola tertentu.

(11)

Pada dasarnya, perceptron yang memiliki satu lapisan akan memiliki bobot yang bisa diatur plus sebuah nilai ambang (theshold). Algoritma yang digunakan oleh aturan perceptron ini akan mengatur parameter-parameter bebasnya melalui proses pembelajaran. Perceptron dikenalkan dan dikembangkan oleh Frank Rosenblatt (1958, 1959, 1962) menunjukkan bahwa perceptron dapat mempelajari apa saja yang dapat dipresentasikannya.

Melihat masalah yang ada penulis ingin merancang suatu perangkat lunak dengan menggunakan algoritma percepton untuk pengenalan pola huruf, kemudian di implementasikan ke dalam sebuah program.

1.2Rumusan Masalah

Berdasarkan latar belakang, maka yang menjadi permasalahannya yaitu, mengimplementasikan suatu algoritma perceptron ke dalam bahasa pemrogramnan untuk pengenalan pola huruf.

1.3Batasan Masalah

Permasalahan dibatasi dengan karakter huruf dari A, B, C,... Z. Pola disimpan dalam bentuk gambar.jpg 50x50 pixel, Menggunakan font penulisan Times New Roman.

1.4Tujuan Penelitian

Tujuan penelitian yaitu, merancang perangkat lunak untuk pengenalan karakter huruf, dan mengimplementasikan algoritma perceptron ke dalam bahasa pemrograman.

(12)

1.5Manfaat Penelitian

Manfaat penelitian penulis adalah:

1. Dapat lebih memahami cara kerja tentang pengenalan pola huruf dengan menggunakan algoritma perceptron.

2. Dapat digunakan sebagai referensi untuk penelitian lanjutan tentang pengenalan pola huruf dengan menggunakan algoritma perceptron.

1.6Metodologi Penyusunan Tugas Akhir

Yang digunakan dalam penyusunan tugas akhir ini adalah:

1. Tinjauan pustaka, mempelajari buku, artikel, dan situs yang terkait dengan bentuk dan proses perancangan perangkat lunak.

2. Implementasi, pembuatan perangkat lunak yang sedang dikerjakan.

3. Penulisan tugas akhir, dimulai dari pembuatan proposal sampai dengan pembuatan kesimpulan dari implementasi perangkat lunak yang telah dilakukan.

1.7Sistematika Penulisan

Penulisan tugas akhir ini terdiri dari 5 bab yaitu sebagai berikut:

BAB 1 Pendahuluan

Bab Pendahuluan berisikan latar belakang pemilihan judul, rumusan masalah, batasan masalah, tujuan penyusunan tugas akhir, manfaat penyusunan tugas akhir, metodologi penelitian, dan sistematika penulisan.

(13)

BAB 2 Tinjauan Pustaka

Pada bab Tinjauan Pustaka berisikan beberapa teori berasal dari referensi yang mendasari dan berhubungan dengan perancangan perangkat lunak pengenalan pola huruf dengan menggunakan algoritma perceptron.

BAB 3 Analisis dan Perancangan

Pada bab Analisis dan Perancangan diuraikan deskripsi dan desain perangkat lunak yang sedang dikembangkan. Desain perangkat lunak meliputi Flowchart.

BAB 4 Implementasi Sistem

Pada bab Implementasi Sistim terhadap software yang telah diterapkan dalam proses pembuatan perangkat lunak, juga berisi bagaimana mengimplementasikan aplikasi perangkat lunak yang sudah dibangun dengan menguraikan persiapan teknis sebelum menguji aplikasi serta menampilkan hasil akhir dari aplikasi perangkat lunak.

BAB 5 Kesimpulan dan Saran

(14)

BAB 2

TINJAUAN PUSTAKA

2.1Perangkat Lunak

Perangkat lunak pada dasarnya berperan ganda. Perangkat lunak merupakan suatu produk dan merupakan wahana untuk mengantarkan suatu produk. Sebagai suatu produk, perangkat lunak menghantarkan suatu potensi yang dibentuk oleh perangkat keras komputer atau lebih luas lagi menghantarkan potensi yang dibentuk komputer yang dapat diakses oleh perangkat keras yang bersifat lokal. Perangkat lunak merupakan pelaksana transformasi membuat, mengatur, memperoleh, mengubah, menampilkan, dan mengirimkan informasi yang sekecil ukuran 1 bit atau sebesar dan sekompleks ukuran materi presentasi multimedia yang berasal dari lusinan sumber data. Suatu deskripsi tentang perangkat lunak menjabarkan beberapa definisi seperti:

1. Intruksi-intruksi (program komputer) yang ketika dijalankan menyediakan

fitur, fungsi, dan kinerja yang dikehendaki.

2. Struktur data yag memungkinkan program-program memanipulasi informasi. 3. Informasi deskriptif pada salinan tercetak dan berbentuk maya yang

menggambarkan pengoperasian dan penggunaan program-program (Roger S. Pressman, 2012).

Perangkat lunak memiliki karakteristik yang berbeda dari karakteristik yang dimiliki perangkat keras:

1. Perangkat lunak atau dikembangkan atau direkayasa, bukan diproduksi dalam konteks manufaktur.

(15)

2. perangkat lunak tidak mengalami kelelahan.

3. Perangkat lunak masi buat berdasarkan spesifikasi yang yang diminta para user.

Perangkat lunak kercerdasan buatan yaitu menggunakan algoritma non-numerik untuk memecahkan permasalahan-permasalahan rumit yang tidak bisa diselesaikan dengan komputasi atau analisis permasalahan secara langsung. Aplikasi-aplikasi yang berada dalam kategori ini menyertakan di dalam robotika, sistim pakar, pengenalan pola (gambar dan suara), jaringan saraf tiruan, pembuktian teorema-teorema, dan permainan (game) komputer (Roger S. Pressman, 2012).

2.2Kecedasan Buatan

Alan Turing, seorang pionir AI dan ahli matematika Inggris melakukan percobaan pada tahun 1950 yang dinamakan Turing Test. Turing (Turing Test) yaitu sebuah komputer melalui terminalnya ditempatkan pada jarak jauh. Di ujung yang satu ada terminal dengan software AI dan diujung lain ada sebuah terminal dengan seorang operator. Operator tidak mengetahui kalau di ujung terminal lain dipasang software

AI. Mereka berkomunikasi dimana terminal di ujung memberikan respon terhadap serangkaian pertanyaan yang diajukan oleh operator. Turing beranggapan bahwa jika mesin dapat membuat seseorang percaya, bahwa mampu berkomunikasi dengan orang lain, maka dapat dikatakan bahwa mesin tersebut cerdas (Muhammad Dahria, 2008).

Kecerdasan Buatan (Artificial Intelligence) merupakan salah satu bagian dari ilmu komputer yang mempelajari bagaimana membuat mesin (komputer) dapat

(16)

melakukan pekerjaan seperti dan sebaik yang dilakukan oleh manusia bahkan bisa lebih baik dari pada yang dilakukan manusia. Manusia cerdas (pandai) dalam menyelesaikan permasalahan karena manusia mempunyai pengetahuan dan pengalaman. Pengetahuan diperoleh dari belajar, semakin banyak bekal pengetahuan yang dimiliki tentu akan lebih mampu menyelesaikan permasalahan. Tapi bekal pengetahuan saja tidak cukup, manusia juga diberi akal untuk melakukan penalaran, mengambil kesimpulan berdasarkan pengetahuan dan pengalaman yang dimiliki. Tanpa memiliki kemampuan untuk menalar dengan baik, manusia dengan segudang pengalaman dan pengetahuan tidak akan dapat menyelesaikan masalah dengan baik. Demikian juga dengan kemampuan penalaran yang sangat baik, namun tanpa bekal pengetahuan dan pengalaman yang memadai, manusia juga tidak akan bisa menyelesaikan masalah dengan baik.

Demikian juga agar mesin bisa cerdas (bertindak seperti dan sebaik manusia) maka harus diberi bekal pengetahuan, sehingga mempunyai kemampuan untuk menalar. Untuk membuat aplikasi kecerdasan buatan ada 2 bagian utama yang sangat dibutuhkan:

1. Basis Pengetahuan (Knowledge Base), bersifat fakta-fakta, teori, pemikiran dan hubungan antar satu dengan yang lainnya.

2. Motor Inferensi (Inference Engine), kemampuan menarik kesimpulan berdasarkan pengetahuan dan pengalaman (Muhammad Dahria, 2008).

(17)

2.2.1Perbedaan Kecerdasan Buatan dan Kecerdasan Alami

Ada beberapa keuntungan kecerdasan buatan dibandingkan kecerdasan alamiah, yaitu: 1. Lebih permanen.

2. Memberikan kemudahan dalam duplikasi dan penyebaran. 3. Relatif lebih murah dari kecerdasan alamiah.

4. Konsisten dan teliti. 5. Dapat didokumentasi.

6. Dapat mengerjakan beberapa task dengan lebih cepat dan lebih baik dibanding manusia.

Keuntungan kecerdasan alamiah dibandingkan kecerdasan buatan: 1. Bersifat lebih kreatif.

2. Dapat melakukan proses pembelajaran secara langsung, sementara AI harus mendapatkan masukan berupa simbol dan representasi.

3. Fokus yang luas sebagai referensi untuk pengambilan keputusan, sebaliknya AI menggunakan fokus yang sempit (Anita Desiani dan Muhammad Arhami, 2006).

2.3Jaringan Saraf tiruan

Dalam beberapa dekade, ilmu pengetahuan dan teknologi mempunyai tujuan mengembangkan mesin cerdas dengan sejumlah elemen sederhana. Selama tahun 1940, para peneliti yang ingin menduplikasikan otak manusia, telah mengembangkan model neuron biologis dan sistim interaksi dalam perangkat keras sederhana. Pada tahun 1950 sampai dengan 1960, sekelompok peneliti mengkombinasikan sifat

(18)

biologis dan psikologis untuk menghasilkan jaringan saraf tiruan (JST) pertama kali (Lanny W. Pandjaitan, 2007).

Jaringan saraf tiruan didefinisikan sebagai suatu sistim pemrosesan informasi yang mempunyai karakteristik menyerupai jaringan saraf manusia. Jaringan saraf tiruan tercipta sebagai suatu generalisasi model matematis dari pemahaman manusia (Andry, 2004). Jaringan saraf tiruan adalah sistim proses informasi yang memiliki karakteristik mirip dengan jaringan saraf biologi (Siang, 2005). Jaringan saraf tiruan merupakan sistim komputasi yang didasarkan atas pemodelan sistim saraf biologis (neuron) melalui pendekatan dari sifat-sifat komputasi biologis (biological computation) (Sekarwati ,2004).

Secara prinsip, jaringan saraf tiruan dapat melakukan komputasi terhadap semua fungsi yang dapat dihitung (computable function). Jaringan saraf tiruan dapat melakukan apa yang dapat dilakukan oleh komputer digital normal.

Dalam praktiknya, jaringan saraf tiruan sangat berguna bagi klasifikasi dan permasalahan-permasalahan yang dapat menolerir ketidaktepatan, yang memiliki banyak data pelatihan, namun memiliki aturan-aturan yang tidak dapat di aplikasikan secara mudah.

Pembangunan sistim AI yang di dasarkan pendekatan jaringan saraf tiruan secara umum meliputi langkah-langkah berikut ini (Limin Fu, 1994):

1. Memilih model jaringan saraf tiruan yang sesuai didasarkan pada sifat dasar permasalahannya.

(19)

2. Membangun jaringan saraf tiruan sesuai dengan karakteristik domain aplikasinya.

3. melatih jaringan saraf tiruan dengan prosedur pembelajaran dari model yang dipilih.

4. Mengunakan jaringan yang telah dilatih sebagai pembuatan inferensi atau pemecahan masalah. Jika hasilnya tidak memuaskan maka kembali ke langkah sebelumnya.

Ada beberapa ciri jaringan saraf tiruan yang diilhami dari jaringan saraf biologis, yaitu:

1. Pemrosesan informasi bersifat lokal.

2. memori terbagi atas LTM (Long Time Memory) yang merupakan bobot keterhubungan dan STM (Short Term Memory) yang dihubungkan neuron ke sinyal yang dijalankan.

3. Tegangan pembobotan dapat berubah menurut pengalaman.

4. Neurontrasmitter dari synaptic dapat bersifat penyalaan (exitatory) atau pemadaman (inhibitory).

Jaringan saraf tiruan digunakan untuk menyelesaikan permasalahan di mana formulasi lengkapnya tidak diketahui seperti tidak ada model representasi matematikanya. Jaringan saraf tiruan memiliki kemampuan untuk dapat melakukan pembelajaran dan pendeteksian terhadap sesuatu objek. Keuntungan penggunaan Jaringan saraf tiruan :

(20)

2. Mempermudah pemetaan input menjadi suatu hasil tanpa mengetahui proses sebenarnya.

3. Mampu melakukan pengadaptasian terhadap pengenalan suatu objek.

4. Perangkat yang memiliki toleransi terhadap suatu kesalahan dalam pengenalan objek.

5. Jaringan saraf tiruan mampu diimplementasikan pada suatu Hardware. Perangkat yang mampu diimplementasikan secara parallel.

2.3.1 Arsitektur Jaringan Saraf Tiruan

Arsitektur jaringan saraf tiruan terdiri beberapa lapisan, yaitu lapisan masukan (input layer), lapisan tersembunyi (hidden layer), dan lapisan keluaran (output layer). Masing-masing lapisan mempunyai jumlah node atau neuron yang berbeda-beda.

1. Lapisan masukan (input layer)

Merupakan lapisan yang terdiri dari beberapa neuron yang akan menerima sinyal dari luar dan kemudian meneruskan ke neuron-neuron lain dalam jaringan. berdasarkan ciri-ciri dan cara kerja sel-sel saraf sensori pada jaringan saraf biologis.

2. Lapisan tersembunyi (hidden layer)

Merupakan tiruan dari sel-sel saraf konektor pada jaringan saraf biologis. lapisan tersembunyi berfungsi meningkatkan kemampuan jaringan dalam memecahkan masalah. Konsekuensi dari adanya lapisan ini adalah pelatihan menjadi makin sulit dan lama.

(21)

3. Lapisan keluaran (output layer)

Berfungsi menyalurkan sinyal-sinyal keluaran hasil dari pemrosesan jaringan. Lapisan keluaran juga terdiri dari sejumlah neuron. Lapisan keluaran merupakan tiruan sel-sel saraf motor pada jaringan saraf biologis (Siggit Pamungkas, 2003).

Beberapa arsitektur jaringan yang sering dipakai dalam jaringan saraf tiruan, antara lain:

a. Jaringan dengan lapisan tunggal (Single layer network)

Jaringan dengan lapisan tunggal hanya memiliki satu lapisan dengan bobot terhubung. Jaringan ini hanya menerima input kemudian secara langsung akan mengelolahnya menjadi output tanpa harus melalui lapisan tersembunyi.

b. Jaringan dengan banyak lapisan (Multilayer net)

Jaringan dengan banyak lapisan memiliki 1 atau lebih lapisan yang terletak di antara lapisan input dan lapisan output (memiliki 1 atau lebih lapisan tersembunyi).

c. Jaringan dengan lapisan kompetitif (competitive layer net)

Hubungan antar neuron pada lapisan kompetitif ini tidak diperlihatkan pada diagram arsitektur.

(22)

2.4Proses Pembelajaran

Ada 2 jenis proses pembelajaran, yaitu:

1. Pembelajaran terawasi (supervised learning)

Metode pembelajaran pada jaringan saraf disebut terawasi jika output yang diharapkan telah diketahui sebelumnya.

2. Pembelajaran tidak terawasi (Unsupervised learning)

Pada metode pembelajaran tak terawasi tidak memerlukan target output. Selama proses pembelajaran, nilai bobot disusun dalam satu range tertentu tergantung pada nilai input yang diberikan.

2.5 Perceptron

Tahun 1940-an, para ilmuan menemukan bahwa psikologi otak sama dengan model pemrosesan yang dilakukan oleh komputer. Tahun 1943, McCullochdan Pitts merancang model formal yang pertama kali sebagai perhitungan dasar neuron. Tahun 1954, Farleydan Clark mensetup model-model untuk relasi adaptif stimulus-respon dalam jaringan random. Tahun 1958, Rosenblatt mengembangkan konsep dasar tentang perception untuk klasifikasi pola. Tahun 1960, Widrowdan Hoff mengembangkan ADALINE yang dilatih dengan pembelajaran Least Mean Square

(LMS). Tahun 1974, Werbos memperkenalkan algoritma backpropagation. Tahun 1975, Littledan Shaw menggambarkan jaringan saraf dengan probabilistik. Tahun 1982, Kohonen mengembangkan metode pembelajaran jaringan saraf yang tidak terawasi untuk pemetaan. Tahun 1982, Grossberg mengembangkan teori jaringan. Tahun 1982, Hopfield mengembangkan jaringan saraf reccurent. Tahun 1985,

(23)

algoritma pembelajaran dengan mensin Boltzmann. Tahun 1987, Kosko mengembangkan jaringan Adaptive Bidirectional Associative Memory (BAM). Tahun 1988, dikembangkan fungsi radial bebas.

Perceptron terdiri dari suatu input dan output. Perceptron merupakan bentuk paling sederhana dari jaringan saraf tiruan yang biasanya digunakan untuk pengklasifikasian jenis pola khusus yang biasa disebut linearly separable (pola-pola yang terletak pada sisi yang berlawanan pada suatu bidang). Fungsi aktivasi yang digunakan algoritma perceptron adalah fungsi hard limiting. Output unit akan diasumsikan bernilai 1 jika jumlah bobot inputnya lebih besar dari pada threshold. Nilai threshold pada fungsi aktivasi adalah non-negatif (Siggit Pamungkas, 2003).

2.6 Mengenal MATLAB

Ketika MATLAB pertama kali dibuka, maka akan muncul tampilan dialog seperti Gambar 2.1.

Gambar 2.1 Tampilan Awal MATLAB

MATLAB adalah sebuah bahasa dengan kinerja tinggi untuk komputasi masalah teknik. MATLAB mengintegrasikan komputasi, visualisasi, dan pemrograman dalam suatu model yang sangat mudah untuk pakai di mana masalah-masalah dan

(24)

penyelesaiannya diekspresikan dalam notasi matematika yang familiar. Penggunaan Matlab meliputi:

a) Matematika dan komputasi. b) Pembentukan algoritma. c) Akusisi data.

d) Pemodelan, simulasi, dan pembuatan prototyp.

e) Analisa data, explorasi, dan visualisas. f) Grafik keilmuan dan bidang rekayasa.

MATLAB merupakan singkatan dari matrix laboratory. Dalam lingkungan perguruan tinggi teknik, Matlab merupakan perangkat standar untuk memperkenalkan dan mengembangkan penyajian materi matematika, rekayasa dan keilmuan. Di industri, MATLAB merupakan perangkat pilihan untuk penelitian dengan produktifitas yang tinggi, pengembangan dan analisanya. Fitur-fitur MATLAB sudah banyak dikembangkan, dan lebih dikenal dengan nama toolbox. Sangat penting bagi seorang pengguna MATLAB, toolbox mana yang mandukung untuk learn dan apply technology yang sedang dipelajarinya. Toolbox ini merupakan kumpulan dari fungsi-fungsi MATLAB (M-files) yang telah dikembangkan ke suatu lingkungan kerja MATLAB untuk memecahkan masalah dalam kelas particular. Area-area yang sudah bisa dipecahkan dengan toolbox saat ini meliputi pengolahan sinyal, sistim kontrol,

neural networks, fuzzy logic, wavelets, dan lain-lain. Sebagai sebuah sistim, MATLAB tersusun dari 5 bagian utama:

1. Development Environment, merupakan sekumpulan perangkat dan fasilitas yang membantu kita untuk menggunakan fungsi-fungsi dan file-file MATLAB.

(25)

Beberapa perangkat ini merupakan sebuah Graphical User Interfaces (GUI). Termasuk didalamnya adalah MATLAB desktop dan Command Window,

Command History, sebuah editor dan debugger, dan browsers untuk melihat

help, workspace, files, dan search path. Dapat dilihat pada Gambar 2.2.

Gambar 2.2 Halaman Command Window

2. MATLAB Mathematical Function Library, merupakan sekumpulan algoritma komputasi mulai dari fungsi-fungsi dasar sepertri: sum, sin, cos, dan complex arithmetic, sampai dengan fungsi-fungsi yang lebih kompek seperti matrix inverse, matrixeigenvalues, Bessel functions, dan fast Fourier transforms.

3. MATLAB Language, merupakan suatu high-level matrix/array language

dengan control flow statements, functions, data structures, input/output, dan

fitur-fitur object-oriented programming. Ini memungkinkan bagi kita untuk

melakukan kedua hal baik “pemrograman dalam lingkup sederhana ” untuk mendapatkan hasil yang cepat, dan “pemrograman dalam lingkup yang lebih

(26)

4. Graphics, MATLAB memiliki fasilitas untuk menampilkan vector dan matrices sebagai suatu grafik. Dalam hal melibatkan high-level functions

(fungsi-fungsi level tinggi) untuk visualisasi data dua dimensi dan data tiga dimensi, image processing, animation, dan presentation graphics. Ini juga melibatkan fungsi level rendah yang memungkinkan untuk membiasakan diri untuk memunculkan grafik mulai dari bentuk yang sederhana sampai dengan tingkatan graphicaluser interfaces pada aplikasi MATLAB.

5. MATLAB Application Program Interface (API), merupakan suatu library

yang memungkinkan program yang telah di tulis dalam bahasa C dan Fortran

mampu berinterakasi dengan MATLAB. Ini melibatkan fasilitas untuk pemanggilan routines dari MATLAB (dynamic linking), pemanggilan MATLAB sebagai sebuah computational engine, dan untuk membaca dan menuliskan MAT-files.

(27)

BAB 3

ANALISIS DAN PERANCANGAN

3.1 Analisis Jaringan Saraf Tiruan

Perceptron juga termasuk salah satu bentuk jaringan saraf yang sederhana. Perceptron biasanya digunakan untuk mengklasifikasikan suatu pola tertentu yang sering dikenal dengan pemisahan secara linear. Sesuai dengan karakteristik jaringan saraf tiruan, pada dasarnya perceptron memiliki kecenderungan yang sama dengan jenis jaringan saraf tiruan lainnya, namun setiap jenis memiliki karakteristik masing-masing, seperti halnya single layer Jaringan saraf tiruan, biasanya hanya digunakan untuk memberikan solusi yang sifatnya hanya sederhana saja.

Perceptron pada jaringan saraf tiruan dengan satu lapisan memiliki bobot yang bisa diatur dan suatu nilai ambang (threshold). Algoritma yang digunakan oleh aturan ini akan mengatur parameter-parameter bebasnya melalui proses pembelajaran. Nilai

threshold pada fungsi aktivasi adalah non negatif. Fungsi aktivasi ini dibuat sedemikian rupa sehingga terjadi pembatasan antara daerah positif dan daerah negatif.

(28)

Garis pemisah antara daerah positif dan daerah nol memiliki pertidaksamaan:

1 1+ 2 2+ > 3

Sedangkan garis pemisah antara daerah negatif dengan daerah nol memiliki pertidaksamaan:

1 1 + 2 2+ >−3

Misalkan kita gunakan pasangan vektor input s dan vektor output sebagai pasangan vektor yang akan dilatih.

3.2 Analisis Pengenalan Pola

Pengenalan pola, optical character recognition disebut aplikasi saraf utama bila melibatkan cek dan alamat surat yang keduanya ditulis dengan tangan. Masalah-masalah pengenalan pola juga terdapat dalam bidang inspeksi industri, misalnya dalam inspeksi silicon wafer, terdapat cacat yang tidak mudah dikenali, lalu penyaring berdasar jaringan saraf menjadi alat yag disukai.

Metode pengenalan pola dengan jaringan saraf tiruan dilatih dengan seperangkat data untuk bisa mengenal dan mengidentifikasi pola data atau kurva. Proses pelatihan sering disebut tahap belajar (learning process). Sehingga learning process menjadi bagian yang penting juga dalam metode. Pemilihan algoritma dan parameter yang bersesuaian dan penentuan berapa banyak perangkat data yang dibutuhkan dalam learning process sangat penting untuk menentukan akurasi dari peramalan yang dihasilkan (Hagan, 1996).

(29)

Awal neural network diset secara acak, kemudian perangkat data dimasukkan ke jaringan saraf untuk pembelajaran atau pelatihan. Ketika data dimasukkan, jaringan saraf akan belajar dengan mengubah parameter-parameternya sehingga semakin mendekati atau semakin sesuai dengan pola data masukan tersebut. Ketika semua data latih sudah dimasukkan, jaringan saraf dianggap sudah dapat mengenal dan mengidentifikasi pola data tersebut sehingga telah siap digunakan untuk menghasilkan keluaran. Hasil keluarannya dengan demikian akan sesuai dengan pola data yang telah diidentifikasi oleh neural network.

Prinsipnya ada dua cara untuk melatih neural network yaitu dengan supervised learning dan unsupervised learning. Pada unsupervised learning, neural network

hanya diberi data masukan saja tapi bagaimana outputnya tidak ditentukan. Ketika data yang dimasukkan bertambah, neural network akan mengkategorikan atau mengelompokkan data masukan tersebut. Pada supervised learning, neural network

diberi sepasang data latih yang terdiri dari data masukan dan target. Jadi ketika data yang dimasukan bertambah neural network akan mengubah karakteristik internalnya agar bisa menghasilkan keluaran seperti targetnya. Maka dengan demikian cara

learning yang bisa dipakai untuk pengenalan pola adalah yang supervised learning

karena data yang harus dilatihkan adalah berupa pasangan data input dan target (Hagan, 1996).

3.3 Algoritma Perceptron

Perceptron memberikan pengaruh yang kuat di awal pengembangan jaringan saraf tiruan. Rosenblatt menerangkan banyak macam dari perceptron. Seperti halnya

(30)

jaringan yang dikembangkan oleh McCulloch & Pitt dan Hebb, perceptron juga menggunakan sebuah threshold (nilai ambang) untuk fungsi output. Proses belajar pada perceptron menggunakan pengaturan bobot secara iterative (berulang) yang lebih handal dibanding Hebb Rule. Salah satu model sederhana dari perceptron menggunakan aktivasi biner untuk unit sensor dan unit associator, serta aktivasi +1, 0 atau ±1 untuk unit response. Unit sensor dihubungkan ke unit associator oleh jalur dengan bobot yang tetap dan bernilai +1, 0, -1 yang ditentukan secara random. Fungsi aktivasi dari tiap unit associator adalah fungsi undak biner dengan nilai ambang yang dapat diubah-ubah. Signal yang dikirim dari unit associator ke unit output adalah biner (1 atau 1). Output dari perceptron adalah = �( ), di mana fungsi aktivasinya adalah:

1 >�

�= ( ) = 0 − � ≤ ≤ �

−1 <−�

Bobot dari unit associator ke unit response (output) di atur melalui aturan pelatihan perceptron. Untuk setiap input pelatihan, jaringan akan menghitung respon dari unit

output. Kemudian jaringan akan menentukan apakah error terjadi pada pola input

tersebut dengan membandingkan output hasil perhitungan dengan nilai target. Jaringan tidak dapat membedakan error yang terjadi (apakah antara 0 dan ±1 atau +1 dan ±1 dll), tetapi tanda (+/-) dari error akan mengarahkan perubahan bobot untuk mendekati nilai target. Namun, hanya bobot dengan signal tidak sama dengan nol saja yang diatur oleh perceptron. Jika terjadi error pada pola pelatihan tertentu, maka bobot harus diubah menurut rumusan:

(31)

1 = 1 +� 1

Di mana t = nilai target (1 atau ±1, bipolar); dan a adalah laju pelatihan. Pelatihan terus dilakukan hingga error tidak terjadi. Berikut arsitektur dari sebuah jaringan perceptron sederhana untuk klasifikasi pola (pattern classification). Output dari unit

associator adalah vektor biner dan vektor ini selanjutnya digunakan sebagai signal input pada unit output. Karena hanya bobot antara unit associator dan unit output

yang bisa diatur maka dapat membatasi pengamatan pada layer tunggal bagian dari jaringan, yang ditunjukkan oleh Gambar 3.2.

Gamabar 3.2 Proses Antar Unit Perceptron

Arsitektur, unit associator berfungsi layaknya seperti unit input. Tujuan dari pelatihan jaringan fuzzy adalah untuk mengklasifikasikan setiap pola input ke dalam kelas tertentu, apakah termasuk (belonging) atau tidak termasuk (not belonging). Jika input

termasuk ke dalam kelas maka output yang dihasilkan +1 dan jika tidak maka output

(32)

Algoritma yang dipakai adalah algoritma yang dapat digunakan baik untuk

input bipolar maupun biner, dengan bipolar target, nilai ambang (3) tetap, dan bias yang bisa diatur. Nilai ambang (3) disini tidak memainkan peranan seperti dalam fungsi undak. Keduanya (bias dan nilai ambang) di perlukan. Algoritma ini tidak terlalu sensitif terhadap nilai inisialisasi bobot (nilai awal bobot) maupun terhadap laju pelatihan. Lankah-langkah algoritma pelatihan perceptron adalah:

a. Langkah 0. Inisialisasi bobot dan bias, untuk lebih mudah set bias dan bobot ke nol. Lalu tentukan nilai laju pelatihan.

b. Langkah 1 Selama kondisi henti tidak terpenuhi jalankan langkah 2-6. c. Langkah 2 Untuk setiap pasangan pola s:t lakukan langkah 3-5. d. Langkah 3 Set nilai aktivasi untuk unit input, = .

e. Langkah 4 hitung respon dari unit output. = +

1 >�

�= = 0 − � ≤ ≤ �

−1 <−�

f. Langkah 5 Update nilai bobot dan bias jika error terjadi pada pola.

jika y ≠ t.

= + �

= +�

atau

= ( )

(33)

g. Langkah 6 Test kondisi henti, jika tidak ada perubahan bobot di langkah 2, berhenti jika tidak, lanjut. Dari nilai 1 bobot hasil pelatihan dapat diperoleh garis pemisah (separating line).

+ + >�untuk respon positif, dan

+ + <−� untuk respon negatif. jika input pelatihan hanya 2 pasang.

Algoritma bisa digunakan baik untuk input biner maupun bipolar, dengan 3 tertentu, dan bias yang dapat diatur. Pada algoritma tersebut bobot - bobot yang diperbaiki hanyalah bobot-bobot yang berhubungan dengan input yang aktif ( H 0) dan bobot -bobot yang tidak menghasilkan nilai y yang benar.

3.4 Perancangan

Hal yang paling dominan ketika perancangan sistim dilakukan adalah memodelkan kebutuhan pemakai. Ada banyak cara unuk memodelkan sistim sebagaimana banyak cara yang digunakan seorang arsitek ketika akan membangun sebuah rumah. Dalam sebuah sistim, model merupakan kombinasi antara perngkat lunak dan perangkat keras. Ada beberapa hal yang menggaris bawahi pemakaian suatu model, yaitu:

1. Dapat memfokuskan perhatian pada hal-hal penting dalam sistim tanpa mesti terlibat lebih jauh.

2. Mendiskusikan perubahan dan koreksi terhadap kebutuhan pemakai dengan resiko biaya minimal.

(34)

3. Menguji pengertian penganalisa sistim terhadap kebutuhan pemakai dan membantu pendesain sistim dan programmer membangun sistim.

3.4.1 Flowchart

Untuk menggambarkan proses yang dapat dilakukan penggunaan perancangan perangkat lunak pengenalan pola huruf menggunakan algoritma perceptron yang dimulai dari proses input sampai hasil output, penulis menggunakan model proses prosedural yaitu dengan menggunakan flowchart. Flowchart merupakan langkah awal pembuatan program.

Dengan adanya flowchart urutan proses kegiatan menjadi lebih jelas. Jika ada penambahan proses maka dapat dilakukkan lebih mudah. Setelah flowchart selesai disusun, selanjutnya pemrograman (programer) menerjemahkanya ke bentuk program dengan bahasa pemrograman (Irma, 2008). Adapun gambar-gambar simbol proses dalam flowchart pada Tabel 3.1.

Tabel 3.1 Flowchart

Nama Gambar Fungsi

Terminator

Terminator berfungsi sebagai pemula/akhir sebuah program.

(35)

Process

Process digunakan untuk melambangkan kegiatan input.

Input data Input data digunakan untuk proses penginputan data.

Garis alir (Flow line)

Garis alir digunakan untuk menunjukkan arah aliran pada program.

Preparation Preparation berfungsi untuk proses inisialisasi atau pemberian harga awal atau untuk perulangan/looping.

Proses Proses berfungsi sebagai perhitungan ataupun proses

data.

Connector

Connector digunakan sebagai penghubung bagian-bagian flow chart lainya.

(36)

Outputdata

Outputdata sebagai Informasi

Off page connector Off page connector sebagai penghubung bagian-bagian flow chart.

Predefined procces Predefined procces digunakan untuk menyatakan sekumpulan langkah proses yang ditulis

Display Display digunakan sebagai

output/hasil yang diajukan suatu inputan.

(37)

3.4.2 Flowchat_{Pengenalan Pola}

Di bawah ini dapat di lihat flowchat dari program pengenalan pola huruf dengan menggunakan algoritma perceptron.

Gambar 3.3 Flowchart Pengenalan Pola Huruf. Start

input pola huruf

Pelatihan jaringan untuk pengenalan pola

TRUE if

y==target

FALSE

Output

Hasil Pengujian

(38)

3.5 Perancangan Perangakat Lunak

Di tahap ini dikembangkanlah cetak biru(blueprint) dan spesifikasi teknis yang dibutuhkan untuk mengimplementasi program antarmuka pengguna dan jaringan yang dibutuhkan oleh sistim. Dengan demikian perancangan sistim berfungsi untuk menggambarkan bagaimana suatu sistem dibentuk. Tampilan perancangan sistim dari perangkat lunak Pengenalan pola ini adalah sebagai berikut:

Gambar 3.4 Perancangan Tampilan Program.

A B

C

D

E

F G H

I

J

K

L

M N

O

P Q R S

T

U

V

W X

Y

Z

Load

Pelatihan

Masukkan Huruf

Static Text Buka

(39)

BAB 4

IMPLEMENTASI SISTEM

4.1 Implementasi Sistim Berdasarkan Perancangan

Ini merupakan tahap terakhir dari pengembangan sistim. Pada tahap ini melibatkan pelatihan bagi pemakai untuk mengendalikan sistim. Programmer merupakan pelaku utama dalam tahap implementasi karena mereka merancang, membuat kode dan mengatasi kesalahan-kesalahan dari program komputer. Implementasi merupakan langkah yang digunakan untuk mengoperasikan simulasi yang telah dibuat. Dalam bab ini akan dijelaskan mengenai cara dan hasil pembuatan perancangan perangkat lunak pengenalan pola huruf menggunakan algoritma perceptron. .

4.2 Tujuan Implementasi

Adapun tujuan implementasi sistim yaitu:

a. Menyelesaikan desain perangkat lunak jarigan saraf tiruan yang baru akan dibuat.

b. Menguji program dan prosedur baru.

c. Memastika bahwa perangkat lunak dapat dibuka dengan sempurna. d. Menguji sistim baru sesuai dengan apa yang diinginkan.

e. Memastika bahwa pemakai (user) dapat mengoperasikan sistim baru dengan baik.

(40)

4.3 Komponen Implementasi Sistem

Untuk mengetahui perancangan perangkat lunak jaringan saraf tiruan yang telah dikerjakan dapat berjalan dengan baik atau tidak, maka perlu dilakukan pengujian terhadap sistim yang telah dibuat. Untuk itu dibutuhkan beberapa komponen utama mencakup perangkat keras (hardware), perangkat lunak (software), dan otak (brainware).

Pada perancangan perangkat lunak pengenalan pola huruf menggunakan algoritma perceptron dibutuhkan beberapa komponen.

1. Perangkat Keras (hardware)

perangkat keras adalah semua bagian fisik komputer dan dibedakan dengan data yang berada didalamnya atau beroperasi didalamnya, dan dibedakan dengan perangkat lunak yang menyediakan instruksi untuk perangkat keras dalam menyelesaikan tugasnya, perangkat keras yang dibutuhkan.

a. Monitor. b. Hardisk.

c. Memori.

d. Keyboard dan mause. .

2. Perangkat lunak (software)

Perangkat lunak adalah program yang berisi kumpulan intruksi untuk melakukan proses pengolahan data.

a. Sistim Operasi Windows 7.

(41)

3. Perangkat Operasi (brainware)

Brainware adalah manusia yang terlibat dalam menjalankan program, dan mengatur sistim didalam komputer. Diartikan sebagai perangkat intelektual yang menjalankan dan mengeksplorasi kemapuan dari hardware maupun

software.

4.4 Implementasi Pemrosesan

1. Tampilan awal menjalankan program dengan aplikasi MATLAB. Kemudian klik load untuk melanjutkan pemrosesan, lihat Gambar 4.1.

(42)

2. Setelah klik load maka akan muncul pola huruf A,B,C,...Z. Kemudian untuk melanjutkan pengujian klik pelatihan, lihat pada Gambar 4.2.

(43)

3. Setelah klik pelatihan akan terjadi pengenalan karakter huruf, dalam proses pelatihan area buffer akan menunjukkan area yang bernilai 0 dan area yang bernilai 1, area yang digunakan sebagai input untuk menunjukkan bobot sesuai dengan algoritma. Pada proses pelatihan maka akan muncul neural network training, lihat Gambar 4.3 dan Gambar 4.4.

(44)

Kemudian akan muncul neural network training, proses dari pelatihan pola huruf lihat Gambar 4.4.

(45)

4. Selanjutnya, klik buka untuk memilih satu pola hutuf dan klik open setelah memilih huruf yang telah tersimpan dalam bentuk gambar.jpg, lihat Gambar 4.5.

(46)

5. Selanjutnya, klik uji untuk mengetahui apakah huruf “F” benar dan sesuai dengan target yang telah diisi secara manual, lihat Gambar 4.6.

(47)

BAB 5

KESIMPULAN DAN SARAN

5.1 Kesimpulan

Berdasarkan perancangan perngkat lunak pengenalan pola huruf menggunakan algoritma perceptron, maka dapat disimpulkan:

1. Jaringan saraf tiruan lapis tunggal bisa digunakan untuk menyelesaikan masalah pengenalan pola, contohnya pengenalan pola tulisan tangan.

2. Hasil pengujian sangat akurat karena target telah diisi secara otomatis, Kemungkinan terjadinya kesalahan sangat kecil.

5.2 Saran

Untuk pengembangan lebih lanjut perangkat lunak maka:

1. Bagi seorang mahasiswa atau untuk kebutuhan penelitian, perangkat lunak pengenalan pola huruf dapat dijadikan sebagai referensi dan bisa dikembangkan menjadi yang lebih baik lagi, dan juga untuk memperbaiki kekurangan dan menyempurnakan sofwar.

2. Bisa ditambahkan juga pola lain, misalnya pola huruf dengan fonts yang berbeda, pola angka, pengenalan wajah seseorang, dan tanda tangan. Sehingga perangkat lunak lebih berkembang.

(48)

DAFTAR PUSTAKA

Arhami, M. dan Desiani, A. 2007. Konsep Kecerdasan Buatan. Andi Publisher. Yogyakarta.

Arianto, M. dan Wahyu, C. 2011. Panduan Belajar Mandiri Matlab. Elex Media Komputindo. Jakarta.

Hermawan, Arief. 2007. Jaringan Saraf Tiruan Teori dan Aplikasi. Andi Publisher. Yokyakarta.

Kusumadewi, Sri. 2004. Membangun Jaringan Saraf Tiruan Menggunakan Matlab & Excel Link. Bandung.

Munir, Rinaldi. 1998. Algoritma dan Pemrograman. Informatika. Bandung.

Pandjaitan, W. Lanny. 2007. Dasar-dasa Komputasi Cerdas. Andi publisher. Yogyakarta

Puspitaningrum, Diyah. 2009. Pengantar Jaringan Saraf Tiruan. Andi Publisher. Yokyakarta.

Sahid. 2007. Panduan Praktis Matlab. Andi Publisher. Yogyakarta.

Sianipar. 2013. Matlab, Image Processing, dan Metode Numerik. Informatika. Bandung.

Siang, J. J. 2009. Jaringan Saraf Tiruan dan Pemrograman Menggunakan Matlab. Andi Publisher. Yogyakarta.

(1)

3. Setelah klik pelatihan akan terjadi pengenalan karakter huruf, dalam proses pelatihan area buffer akan menunjukkan area yang bernilai 0 dan area yang bernilai 1, area yang digunakan sebagai input untuk menunjukkan bobot sesuai dengan algoritma. Pada proses pelatihan maka akan muncul neural network training, lihat Gambar 4.3 dan Gambar 4.4.

Gambar 4.3 Tampilan Pola Setelah Pelatihan

(2)

Kemudian akan muncul neural network training, proses dari pelatihan pola huruf lihat Gambar 4.4.

(3)

4. Selanjutnya, klik buka untuk memilih satu pola hutuf dan klik open setelah memilih huruf yang telah tersimpan dalam bentuk gambar.jpg, lihat Gambar 4.5.

Gambar 4.5 Tampilan Proses Program.