Analisis Grafologi Berdasarkan Huruf a dan t Menggunakan Jaringan Syaraf Tiruan Propagasi Balik Standar
ABSTRACT
JILLY PRATIWI. Graphology Analysis Based on Letter a and t Using Backpropagation
Neural Network (BPNN). Under the supervision of AZIZ KUSTIYO.
Graphology or handwriting analysis is a method of identifying, analysing, evaluating, and
understanding personality through the strokes and patterns revealed by handwriting. People who
can analyze handwriting called graphologist. Graphologist can have a subjective assesment.
Different graphologist can analyze the same handwriting but give different results. In addition, the
accuracy of handwriting analysis depend on the graphologists ability. A system that can recognize
handwrititng patterns is required to overcome these problems. Identification system which is
implemented in this research uses Backpropagation Neural Network (BPNN). This research used
135 images of letter a and 150 images of letter t. This research is divided into three parts which are
determining optimal combination of BPNN parameter, identifying personality based on letter a,
and identifying personality based on letter t then classifies them into one of three character classes
available. The results of this research is that the system has 98.15% accuracy for letter a and
73.33% for letter t. The result shows that Backpropagation Neural Network can be used to classify
the personality.
Keyword : Backpropagation Neural Network, Graphology, Personality Analysis.
PENDAHULUAN
Latar Belakang
Grafologi adalah ilmu yang mempelajari,
mengidentifikasi,
menganalisis,
dan
mengetahui karakter seseorang melalui tulisan
tangannya. Orang yang dapat menganalisis
tulisan tangan disebut grafologist. Menurut
(Mutalib, et al. 2008) analisis tulisan tangan
telah banyak digunakan dalam berbagai
bidang di antaranya seleksi calon pegawai,
kriminalogi, tumbuh kembang anak, seleksi
pasangan hidup (life partner), seleksi rekan
kerja, dan konseling. Selain itu, diterapkan
juga dalam bidang kesehatan dan pendidikan.
Grafologist dapat memiliki penilaian yang
subjektif. Grafologist yang berbeda dapat
menganalisis tulisan tangan yang sama tetapi
memberikan hasil yang berbeda (Galbraith
1964 & Guest 1994, diacu dalam
Sheikholeslami et al). Selain itu, keakuratan
hasil analisis tulisan tangan bergantung pada
kemampuan grafologist itu sendiri dalam
menganalisis tulisan tangan (Champa &
Kumar 2010). Oleh karena itu, untuk
mengatasi permasalahan subjektifitas tersebut
dan
membantu
grafologist
dalam
menganalisis tulisan tangan diperlukan suatu
pemanfaatan teknologi komputer yang dapat
menerapkan ilmu grafologi.
Pada penelitian (Mutalib et al. 2007)
dilakukan analisis grafologi berdasarkan
parameter huruf t menggunakan jaringan
syaraf tiruan propagasi balik. Percobaan
dalam penelitian ini dibagi menjadi dua yaitu
pengenalan huruf t dan pengenalan karakter
seseorang berdasarkan huruf t. Input dalam
penelitian ini merupakan citra tulisan tangan
dan output yang dihasilkan berupa pengenalan
huruf t dan karakter seseorang berdasarkan
penulisan huruf t orang tersebut. Penelitian ini
menunjukkan bahwa jaringan syaraf tiruan
propagasi balik dapat digunakan untuk
mengklasifikasikan huruf t dan karakter
seseorang berdasarkan huruf t dengan hasil
yang cukup baik yaitu sebesar 90.27% dan
60%.
Berdasarkan pada penelitian (Mutalib
2007), pengenalan pola menggunakan
jaringan syaraf tiruan propagasi balik
menunjukkan hasil yang cukup baik. Oleh
karena itu, pada penelitian ini akan dilakukan
analisis grafologi menggunakan jaringan
syaraf tiruan propagasi balik.
Huruf a merupakan salah satu huruf yang
dapat menggambarkan cara berkomunikasi
seseorang dan huruf t dapat menggambarkan
motivasi dan ambisi seseorang. Kedua huruf
ini dapat mendeskripsikan karakter seseorang
dalam hal berkomunikasi dan motivasi. Cara
berkomunikasi seseorang dan motivasinya
merupakan hal yang cukup penting dalam
berbagai bidang terutama dalam penerimaan
calon pegawai. Oleh karena itu, dalam
penelitian ini akan dianalisis karakter
seseorang berdasarkan huruf a dan t kecil.
Tujuan Penelitian
Tujuan
penelitian
ini
adalah
mengimplementasikan jaringan syaraf tiruan
propagasi balik dalam mengenali karakter
seseorang melalui tulisan tangannya.
Ruang Lingkup Penelitian
Ruang lingkup dalam penelitian ini yaitu:
1 Analisis grafologi yang dilakukan hanya
berdasarkan pada huruf a dan t kecil. Pada
penelitian ini tidak dilakukan pengenalan
terhadap huruf a dan t, sehingga citra
huruf a dan t yang digunakan harus
dipotong (cropping) secara manual.
2 Input yang digunakan yaitu citra tulisan
tangan huruf a dan t kecil berukuran
40x40 piksel dan berformat JPG.
3 Output hasil analisis masing-masing
dikelompokkan ke dalam tiga kelas
karakter sesuai bentuk huruf a dan t kecil.
4 Dalam penelitian ini huruf a dan t yang
digunakan masing-masing hanya tiga
kelas. Huruf a terdiri atas a balok, a
terbuka di atas, dan a tertutup. Huruf t
terdiri atas t lurus, t naik, t turun.
Manfaat Penelitian
Manfaat penelitian ini adalah mendapatkan
informasi mengenai karakter seseorang
sehingga diharapkan dapat membantu
pekerjaan grafologist dalam menganalisis
tulisan tangan.
TINJAUAN PUSTAKA
Grafologi
Kata grafologi merupakan gabungan kata
yang berasal dari Yunani yaitu grapheirt yang
artinya menulis dan ology yang berarti cabang
dari ilmu pengetahuan. Jadi grafologi adalah
ilmu tulisan tangan berdasarkan pada
perkembangan ilmu pengetahuan yang secara
tetap diuji dalam penggunaan praktik. Ilmu ini
merupakan ilmu yang berkesinambungan,
1
PENDAHULUAN
Latar Belakang
Grafologi adalah ilmu yang mempelajari,
mengidentifikasi,
menganalisis,
dan
mengetahui karakter seseorang melalui tulisan
tangannya. Orang yang dapat menganalisis
tulisan tangan disebut grafologist. Menurut
(Mutalib, et al. 2008) analisis tulisan tangan
telah banyak digunakan dalam berbagai
bidang di antaranya seleksi calon pegawai,
kriminalogi, tumbuh kembang anak, seleksi
pasangan hidup (life partner), seleksi rekan
kerja, dan konseling. Selain itu, diterapkan
juga dalam bidang kesehatan dan pendidikan.
Grafologist dapat memiliki penilaian yang
subjektif. Grafologist yang berbeda dapat
menganalisis tulisan tangan yang sama tetapi
memberikan hasil yang berbeda (Galbraith
1964 & Guest 1994, diacu dalam
Sheikholeslami et al). Selain itu, keakuratan
hasil analisis tulisan tangan bergantung pada
kemampuan grafologist itu sendiri dalam
menganalisis tulisan tangan (Champa &
Kumar 2010). Oleh karena itu, untuk
mengatasi permasalahan subjektifitas tersebut
dan
membantu
grafologist
dalam
menganalisis tulisan tangan diperlukan suatu
pemanfaatan teknologi komputer yang dapat
menerapkan ilmu grafologi.
Pada penelitian (Mutalib et al. 2007)
dilakukan analisis grafologi berdasarkan
parameter huruf t menggunakan jaringan
syaraf tiruan propagasi balik. Percobaan
dalam penelitian ini dibagi menjadi dua yaitu
pengenalan huruf t dan pengenalan karakter
seseorang berdasarkan huruf t. Input dalam
penelitian ini merupakan citra tulisan tangan
dan output yang dihasilkan berupa pengenalan
huruf t dan karakter seseorang berdasarkan
penulisan huruf t orang tersebut. Penelitian ini
menunjukkan bahwa jaringan syaraf tiruan
propagasi balik dapat digunakan untuk
mengklasifikasikan huruf t dan karakter
seseorang berdasarkan huruf t dengan hasil
yang cukup baik yaitu sebesar 90.27% dan
60%.
Berdasarkan pada penelitian (Mutalib
2007), pengenalan pola menggunakan
jaringan syaraf tiruan propagasi balik
menunjukkan hasil yang cukup baik. Oleh
karena itu, pada penelitian ini akan dilakukan
analisis grafologi menggunakan jaringan
syaraf tiruan propagasi balik.
Huruf a merupakan salah satu huruf yang
dapat menggambarkan cara berkomunikasi
seseorang dan huruf t dapat menggambarkan
motivasi dan ambisi seseorang. Kedua huruf
ini dapat mendeskripsikan karakter seseorang
dalam hal berkomunikasi dan motivasi. Cara
berkomunikasi seseorang dan motivasinya
merupakan hal yang cukup penting dalam
berbagai bidang terutama dalam penerimaan
calon pegawai. Oleh karena itu, dalam
penelitian ini akan dianalisis karakter
seseorang berdasarkan huruf a dan t kecil.
Tujuan Penelitian
Tujuan
penelitian
ini
adalah
mengimplementasikan jaringan syaraf tiruan
propagasi balik dalam mengenali karakter
seseorang melalui tulisan tangannya.
Ruang Lingkup Penelitian
Ruang lingkup dalam penelitian ini yaitu:
1 Analisis grafologi yang dilakukan hanya
berdasarkan pada huruf a dan t kecil. Pada
penelitian ini tidak dilakukan pengenalan
terhadap huruf a dan t, sehingga citra
huruf a dan t yang digunakan harus
dipotong (cropping) secara manual.
2 Input yang digunakan yaitu citra tulisan
tangan huruf a dan t kecil berukuran
40x40 piksel dan berformat JPG.
3 Output hasil analisis masing-masing
dikelompokkan ke dalam tiga kelas
karakter sesuai bentuk huruf a dan t kecil.
4 Dalam penelitian ini huruf a dan t yang
digunakan masing-masing hanya tiga
kelas. Huruf a terdiri atas a balok, a
terbuka di atas, dan a tertutup. Huruf t
terdiri atas t lurus, t naik, t turun.
Manfaat Penelitian
Manfaat penelitian ini adalah mendapatkan
informasi mengenai karakter seseorang
sehingga diharapkan dapat membantu
pekerjaan grafologist dalam menganalisis
tulisan tangan.
TINJAUAN PUSTAKA
Grafologi
Kata grafologi merupakan gabungan kata
yang berasal dari Yunani yaitu grapheirt yang
artinya menulis dan ology yang berarti cabang
dari ilmu pengetahuan. Jadi grafologi adalah
ilmu tulisan tangan berdasarkan pada
perkembangan ilmu pengetahuan yang secara
tetap diuji dalam penggunaan praktik. Ilmu ini
merupakan ilmu yang berkesinambungan,
1
terus berkembang,
terkodesifikasi.
dan
bukan
sistem
Sangat memungkinkan untuk memahami
dan mengetahui karakter menggunakan
pendekatan berbeda terhadap bentuk asli yang
spesifik, seperti bidang medis dan psikologi
yang dapat memperoleh hasil yang sama
walaupun berawal dari posisi yang berbeda
satu sama lain. Seperti halnya bidang medis,
grafologi
juga
menggabungkan
dan
mensintesiskan informasi yang membutuhkan
pelatihan dan penilaian dalam aplikasinya.
Secara dinamis, grafologi memiliki cakupan
yang luas. Ilmu ini juga diterapkan sebagai
alat diagnostik tambahan oleh psikolog dan
psikiater (Amend & Ruiz 1980).
Menurut (Robert 2002) pada abad ke 17
Alerius Prosper dan Camilla Baldo
berpendapat bahwa ada hubungan antara
tulisan tangan dengan kepribadian. Pada abad
ke 19, Abbot Jean Hippolyte Michon dan
Abbot Flandrin mengumpulkan contoh-contoh
tulisan tangan dan mencocokkan gaya tulisan
tangan dengan berbagai macam kepribadian
yang akhirnya ilmu ini disebut grafologi.
Sekarang ini ilmu grafologi digunakan
secara luas dalam berbagai bidang contohnya
dalam bisnis, kepolisian, pada bidang
penerimaan calon pegawai, bahkan dalam
mencari partner. Grafologi sangat efektif
untuk mengamati respon alam bawah sadar
karena bentuk tulisan tangan merupakan alat
ukur yang tidak dapat berbohong. Sama
halnya dengan komputer, tulisan tangan
merupakan hasil print out dari format berfikir
seseorang.
2 Kelompok pembelajaran dan evaluasi
terdiri atas huruf Y, y, U, u, W, w, V, v.
3 Kelompok penghargaan dan ekspresi
terdiri atas huruf M, m, N, n, H, h.
4 Kelompok pemahaman terdiri atas huruf
L, l, E, e, I, i, J, j.
5 Kelompok kreativitas terapan terdiri atas
F, f, R,r, S, s.
6 Kelompok status terdiri atas huruf T, t, K,
k, B, b.
7 Kelompok memercayai dan otoritas dalam
diri terdiri atas huruf C, c, X, x.
8 Kelompok kepuasan diri yaitu huruf Z, z.
Huruf a merupakan salah satu huruf
kelompok komunikasi. Huruf a merupakan
huruf pertama dalam hampir semua alfabet
fonetik. Dalam tulisan tangan, huruf a
melambangkan ekspresi ego seseorang dalam
kehidupan sehari-hari dan derajat sensitivitas
atau kenyamanan terhadap citra diri. Huruf a
adalah kepala kelompok komunikasi karena
berasal dari ego yang dibentuk oleh citra diri.
Berdasarkan huruf a ini dapat dilihat cara
bertindak,
bereaksi,
dan
berinteraksi
seseorang.
Menurut (Baggett 1993) bentuk huruf a
terbagi dalam beberapa bentuk dan setiap
bentuk menggambarkan karakter yang
berbeda-beda. Bentuk dan deskripsi karakter
tersebut dapat dilihat pada Tabel 1.
Tabel 1 Bentuk dan deskripsi karakter huruf a
Gambar
Nama
Deskripsi
a balok
Huruf a kecil
seperti ini
mengindikasikan
individu yang
cenderung
tertarik pada
kegiatan yang
berhubungan
dengan seni,
musik, budaya,
dan sastra.
Huruf a terbuka di
atas menunjukkan
individu yang
fasih berbicara
dalam
mengemukakan
ide atau pendapat,
cenderung
dermawan, jujur
dan tulus.
(Desire of
culture)
Grafologi Huruf a dan Huruf t
Menurut (Rodgers 1993) grafologi disebut
juga analisis tulisan tangan merupakan ilmu
yang mengorelasikan pola-pola tulisan tangan
dengan kepribadian seseorang. Analisis
grafologi tidak hanya dilihat dari parameterparameter seperti baseline, slant, margin, dan
parameter lainnya tetapi analisis grafologi
juga dilakukan terhadap huruf-huruf alfabet
spesifik yang dikelompokkan menjadi
kelompok alfabet. Setiap huruf adalah
pernyataan tersendiri dari sikap yang
membentuk citra diri.
Kelompok alfabet tersebut dibagi menjadi
delapan kelompok. Kedelapan kelompok
tersebut adalah:
a terbuka di
atas
(Talkative)
1 Kelompok komunikasi yang terdiri atas
huruf A, a, O, o, D, d, G, g, Q, q, P, p.
2
a tertutup
rapat tanpa
loop
(Frankness)
a dengan
loop dikiri
dan dikanan
(Lying)
a dengan
stringer
hook
(Need a
challenge)
a dengan
loop di sisi
kiri dalam
(Self
deceit)
Huruf a kecil
yang tertutup
rapat
mengindikasikan
individu yang
cenderung
tertutup. Individu
ini akan jujur dan
terus terang jika
ditanya mengenai
pendapatnya,
berbeda dengan
huruf a terbuka di
atas yang jujur
dalam
mengemukakan
pendapat secara
sukarela tanpa
diminta.
Individu yang
cenderung suka
berbohong secara
patologis. Orang
yang sulit
dipercaya.
Individu ini
cenderung sangat
suka tantangan,
dan cenderung
akan bosan jika
merasa terkontrol
dalam suatu
hubungan.
Individu yang
cenderung menipu
dirinya sendiri
tentang sesuatu
yang terjadi pada
dirinya. Orang
yang suka lari
dalam
menghadapi
masalah.
Menurut (Rodgers 1993) huruf t dapat
menggambarkan sikap seseorang terhadap
suatu profesi, terhadap citra diri yang
ditampilkan,
dan
merupakan
huruf
penghargaan pada nilai diri dan harga diri.
Huruf t juga menggambarkan antusiasme,
keteguhan hati, dan motivasi.
Menurut (Amend & Ruiz 1980) huruf t
dapat merefleksikan kekuatan kemauan dan
dorongan pribadi yang diekspresikan dalam
hidupnya. Berdasarkan huruf t juga dapat
dilihat ambisi seseorang. Bar dari huruf t
dapat merefleksikan sikap perilaku seseorang
pada suatu waktu terhadap pemikiran karir
dan juga harapan. Terdapat sekitar 50 jenis
gaya penulisan huruf t kecil, tetapi yang akan
digunakan dalam penelitian ini hanya 3 jenis.
Bentuk dan deskripsi karakter huruf t tersebut
dapat dilihat pada Tabel 2.
Tabel 2 Bentuk dan deskripsi karakter huruf t
t-bars
Deskripsi
Ambisi
Horizontal
t-bar yang
horizontal
menunjukkan
individu yang
tenang dan dapat
mengendalikan
diri dalam
berfikir dan
bertindak.
Balanced,
Terkontrol
UpTurned
t-bar yang naik
menunjukkan
individu yang
optimis,
dinamis, dan
termotivasi.
Selain itu,
menggambarkan
pribadi yang
bersemangat,
percaya diri, dan
antusias.
Dinamis,
Optimis,
Termotivasi
DownTurned
t-bar yang
menurun
menunjukkan
individu yang
suka bergantung
pada orang lain,
mudah putus asa
dan pasrah.
Pesimis,
Kurang
termotivasi.
Citra Digital
Menurut (Gonzales & Wood 2002) image
atau citra dapat didefinisikan sebagai fungsi
dua dimensi f(x,y), dimana x dan y adalah
koordinat spasial. Nilai f pada setiap titik (x,y)
menunjukkan tingkat intensitas keabuan (gray
level) citra pada titik tersebut. Ketika x ,y dan
nilai f semuanya adalah finite dan kuantitas
diskret maka citra itu disebut citra digital.
Citra digital dapat berupa citra dalam skala
keabuan (grayscale) atau berwarna.
Citra digital direpresentasikan dalam
bentuk matriks berukuran m x n dimana m
menunjukkan baris dan n menunjukkan
3
kolom, contoh matriks citra digital dapat
dilihat pada Gambar 1.
f(x,y) =
�(�, �)
�( , �)
⋱
�(�, )
�( , )
Gambar 1 Representasi citra digital
Setiap elemen matriks menunjukkan nilai
piksel. Suatu citra digital berformat grayscale
8 bit memiliki 256 intensitas warna pada
setiap pikselnya. Nilai piksel tersebut berkisar
antara 0 sampai 255, 0 menunjukkan
intensitas paling gelap dan 255 menunjukkan
intensitas yang paling terang. Citra tulisan
tangan yang direpresentasikan sebagai matriks
m x n, dikonversi menjadi vektor kolom yang
disebut vektor citra. Transpose dari vektor
citra tersebut adalah
f(x,y)T = [f(1,1) f(2,1)…f(1,n) f(2,n)…f(m,n)]
Jaringan Syaraf Tiruan Propagasi Balik
Menurut (Fauset 1994) jaringan syaraf
tiruan adalah suatu sistem pemrosesan
informasi yang memiliki karakteristik tertentu
seperti jaringan syaraf biologis. Jaringan
syaraf tiruan telah dikembangkan sebagai
generalisasi model matematika dari syaraf
biologis manusia.
Jaringan syaraf tiruan propagasi balik
merupakan algoritme pembelajaran yang
terawasi (supervised learning) dan biasanya
digunakan oleh jaringan multilayer untuk
mengubah bobot yang terhubung dengan
semua neuron pada hidden layer. Jaringan
syaraf tiruan propagasi balik dikembangkan
oleh Rumelhart, Hinton, dan Williams pada
tahun 1986an. Propagasi balik merupakan
metode pembelajaran yang efektif untuk
jaringan multilayer. Prinsip dasar algoritme
propagasi balik terdiri atas tiga fase, yaitu:
1 Fase feed forward
Fase ini merupakan
fase untuk
penghitungan nilai aktivasi. Setiap neuron
pada hidden layer dan output layer
menghitung
masing-masing
nilai
aktivasinya sesuai dengan fungsi aktivasi
yang digunakan.
2 Fase kalkulasi dan backpropagation error
(propagasi balik galat)
Setiap
output
neuron
menghitung
informasi galat antara nilai output yang
dihasilkan dan nilai target. Informasi galat
ini dikirimkan ke layer di bawahnya.
3 Fase penyesuaian bobot
Setiap output neuron dan hidden neuron
mengubah bias dan bobot-bobotnya sesuai
dengan nilai galat.
Secara
umum
propagasi
balik
membutuhkan waktu pembelajaran yang lama,
tetapi setelah pembelajaran selesai maka
aplikasinya akan memberikan output yang
cepat. Jaringan syaraf tiruan propagasi balik
memiliki karakteristik di antaranya:
1 Jaringan multilayer
Arsitektur yang digunakan adalah jaringan
multilayer, yaitu satu input layer, satu
output layer, dan satu atau lebih hidden
layer. Setiap neuron pada suatu layer
dalam jaringan propagasi balik mendapat
sinyal input dari semua neuron pada layer
sebelumnya beserta satu sinyal bias.
2 Fungsi aktivasi
Fungsi aktivasi untuk backpropagation
harus memiliki beberapa karakteristik
penting, yaitu harus kontinu, differentiable
(berbeda), dan tidak turun. Fungsi aktivasi
yang umum digunakan pada jaringan
syaraf tiruan (JST) propagasi balik adalah:
a. Fungsi Sigmoid biner outputnya memiliki
rentang (0,1)
1
=
=
1 + −�
dengan f’ = f(x) [1 - f(x)]
outputnya
b. Fungsi Sigmoid bipolar
memiliki rentang (-1,1)
=
dengan f’(x) =
=
�
2
1−
1+
−
−
[1 + f(x)][1 – f(x)]
Model jaringan syaraf tiruan (JST)
propagasi balik dengan satu hidden layer
dapat dilihat pada Gambar 2.
Gambar 2 Model JST propagasi balik
Sumber: (Fauset 1994)
4
Input layer pada Gambar 2 ditunjukkan
dengan unit-unit Xi sedangkan hidden layer
dan output layer masing-masing ditunjukkan
dengan unit-unit Zj dan Yi. Neuron-neuron
pada layer yang sama tidak saling
berhubungan, tetapi pada layer berbeda saling
berhubungan. Input layer berfungsi untuk
meneruskan sinyal dan tidak melakukan
komputasi, sedangkan
hidden layer dan
output layer melakukan proses komputasi.
Selama fase feedforward, setiap unit input
Xi menerima sinyal input dan meneruskan
sinyal ke setiap unit hidden layer Zi,…,Zp.
Setiap unit hidden lalu menghitung
aktivasinya dan mengirimkan sinyal ke setiap
unit output. Setiap unit output Yi menghitung
aktivasinya untuk membentuk respon ke
jaringan untuk memberi pola input.
Sebelum proses pelatihan dilakukan,
inisialisasi bobot awal merupakan hal yang
penting karena nilai bobot awal sangat
mempengaruhi kinerja jaringan. Inisialisasi
bobot awal dapat dilakukan menggunakan
metode Nguyen-Widrow. Metode NguyenWidrow dilakukan dengan menentukan faktor
pengali terlebih dahulu yang didefinisikan
sebagai berikut:
dengan:
� = 0.7( )1/ ,
n = jumlah unit input
p = jumlah unit tersembunyi (hidden)
Kemudian diinisialisasi bobot-bobot dari input
layer ke hidden layer, didefinisikan sebagai
berikut:
� (
dengan:
)=
��
∥� (
(
)
)∥
,
METODE PENELITIAN
Pada penelitian ini dilakukan tiga kali
percobaan. Percobaan pertama adalah mencari
parameter-parameter JST propagasi balik
yang optimal. Percobaan kedua adalah
pengenalan karakter berdasarkan huruf a dan
percobaan ketiga dilakukan pengenalan
karakter berdasarkan huruf t.
Data Penelitian
Data awal didapat dari 57 responden yang
masing-masing menuliskan suatu kalimat
yang telah ditentukan pada kertas berukuran
10,5 x 7 cm. Kalimat yang dituliskan oleh
responden dapat dilihat pada Lampiran 2.
Setelah itu, data tulisan tangan diubah menjadi
citra digital menggunakan scanner dan
disimpan sebagai satu file citra, sehingga
diperoleh data citra tulisan tangan sebanyak
57 data. Data tersebut dibagi menjadi 27 data
untuk huruf a dan 30 data untuk huruf t. Data
citra tulisan tangan selengkapnya dapat dilihat
pada Lampiran 2.
Huruf a terdiri atas tiga kelas yaitu kelas 1
terdiri atas 7 data, kelas 2 dan kelas 3 terdiri
atas 10 data. Dari masing-masing data setiap
kelas akan diambil huruf a sebanyak lima
citra. Lima citra huruf a dari setiap kelas akan
dibagi menjadi 3 citra untuk data latih dan 2
citra untuk data uji, sehingga diperoleh total
data latih sebanyak 81 citra dan data uji
sebanyak 54 citra.
Huruf t terdiri atas tiga kelas, masingmasing kelas terdiri atas 10 data. Dari masingmasing data setiap kelas akan diambil huruf t
sebanyak lima citra. Lima citra huruf t dari
setiap kelas akan dibagi menjadi 3 citra untuk
data latih dan 2 citra untuk data uji, sehingga
diperoleh total data latih sebanyak 90 citra dan
data uji sebanyak 60 citra.
Vik(old) = nilai acak antara -0.5 sampai 0.5
Praproses Data
i = 1,2,…,m
Setiap citra khususnya pada huruf a dan t
kecil dilakukan proses cropping (pemotongan)
berukuran 40 x 40 piksel. Ukuran citra yang
terlalu besar akan memperlambat kinerja
sistem. Oleh karena itu, diperlukan proses
resizing untuk mereduksi ukuran citra input.
Citra input akan diubah menjadi citra
grayscale dan diseragamkan ukurannya
menjadi 24 x 12 piksel.
k = 1,2,…,p
Bobot bias (Vok) diinisialisasi antara nilai – �
sampai �.
Selama proses pelatihan, output yang
dihasilkan dibandingkan dengan target. Jika
output belum mencapai target maka pelatihan
akan terus dilakukan dengan memperbaiki
bobot dengan cara mempropagasi balik nilai
koreksi galat output ke layer sebelumnya. Jika
nilai output sama dengan target maka
pelatihan akan berhenti. Algoritme BPNN
secara lengkap dapat dilihat pada Lampiran 1.
Citra karakter tulisan tangan akan
direpresentasikan menjadi vektor kolom
berdimensi 1 x 81 untuk huruf a dan 1 x 90
untuk huruf t. Dengan demikian, seluruh data
latih akan direpresentasikan berupa matriks
5
Input layer pada Gambar 2 ditunjukkan
dengan unit-unit Xi sedangkan hidden layer
dan output layer masing-masing ditunjukkan
dengan unit-unit Zj dan Yi. Neuron-neuron
pada layer yang sama tidak saling
berhubungan, tetapi pada layer berbeda saling
berhubungan. Input layer berfungsi untuk
meneruskan sinyal dan tidak melakukan
komputasi, sedangkan
hidden layer dan
output layer melakukan proses komputasi.
Selama fase feedforward, setiap unit input
Xi menerima sinyal input dan meneruskan
sinyal ke setiap unit hidden layer Zi,…,Zp.
Setiap unit hidden lalu menghitung
aktivasinya dan mengirimkan sinyal ke setiap
unit output. Setiap unit output Yi menghitung
aktivasinya untuk membentuk respon ke
jaringan untuk memberi pola input.
Sebelum proses pelatihan dilakukan,
inisialisasi bobot awal merupakan hal yang
penting karena nilai bobot awal sangat
mempengaruhi kinerja jaringan. Inisialisasi
bobot awal dapat dilakukan menggunakan
metode Nguyen-Widrow. Metode NguyenWidrow dilakukan dengan menentukan faktor
pengali terlebih dahulu yang didefinisikan
sebagai berikut:
dengan:
� = 0.7( )1/ ,
n = jumlah unit input
p = jumlah unit tersembunyi (hidden)
Kemudian diinisialisasi bobot-bobot dari input
layer ke hidden layer, didefinisikan sebagai
berikut:
� (
dengan:
)=
��
∥� (
(
)
)∥
,
METODE PENELITIAN
Pada penelitian ini dilakukan tiga kali
percobaan. Percobaan pertama adalah mencari
parameter-parameter JST propagasi balik
yang optimal. Percobaan kedua adalah
pengenalan karakter berdasarkan huruf a dan
percobaan ketiga dilakukan pengenalan
karakter berdasarkan huruf t.
Data Penelitian
Data awal didapat dari 57 responden yang
masing-masing menuliskan suatu kalimat
yang telah ditentukan pada kertas berukuran
10,5 x 7 cm. Kalimat yang dituliskan oleh
responden dapat dilihat pada Lampiran 2.
Setelah itu, data tulisan tangan diubah menjadi
citra digital menggunakan scanner dan
disimpan sebagai satu file citra, sehingga
diperoleh data citra tulisan tangan sebanyak
57 data. Data tersebut dibagi menjadi 27 data
untuk huruf a dan 30 data untuk huruf t. Data
citra tulisan tangan selengkapnya dapat dilihat
pada Lampiran 2.
Huruf a terdiri atas tiga kelas yaitu kelas 1
terdiri atas 7 data, kelas 2 dan kelas 3 terdiri
atas 10 data. Dari masing-masing data setiap
kelas akan diambil huruf a sebanyak lima
citra. Lima citra huruf a dari setiap kelas akan
dibagi menjadi 3 citra untuk data latih dan 2
citra untuk data uji, sehingga diperoleh total
data latih sebanyak 81 citra dan data uji
sebanyak 54 citra.
Huruf t terdiri atas tiga kelas, masingmasing kelas terdiri atas 10 data. Dari masingmasing data setiap kelas akan diambil huruf t
sebanyak lima citra. Lima citra huruf t dari
setiap kelas akan dibagi menjadi 3 citra untuk
data latih dan 2 citra untuk data uji, sehingga
diperoleh total data latih sebanyak 90 citra dan
data uji sebanyak 60 citra.
Vik(old) = nilai acak antara -0.5 sampai 0.5
Praproses Data
i = 1,2,…,m
Setiap citra khususnya pada huruf a dan t
kecil dilakukan proses cropping (pemotongan)
berukuran 40 x 40 piksel. Ukuran citra yang
terlalu besar akan memperlambat kinerja
sistem. Oleh karena itu, diperlukan proses
resizing untuk mereduksi ukuran citra input.
Citra input akan diubah menjadi citra
grayscale dan diseragamkan ukurannya
menjadi 24 x 12 piksel.
k = 1,2,…,p
Bobot bias (Vok) diinisialisasi antara nilai – �
sampai �.
Selama proses pelatihan, output yang
dihasilkan dibandingkan dengan target. Jika
output belum mencapai target maka pelatihan
akan terus dilakukan dengan memperbaiki
bobot dengan cara mempropagasi balik nilai
koreksi galat output ke layer sebelumnya. Jika
nilai output sama dengan target maka
pelatihan akan berhenti. Algoritme BPNN
secara lengkap dapat dilihat pada Lampiran 1.
Citra karakter tulisan tangan akan
direpresentasikan menjadi vektor kolom
berdimensi 1 x 81 untuk huruf a dan 1 x 90
untuk huruf t. Dengan demikian, seluruh data
latih akan direpresentasikan berupa matriks
5
berukuran 288 x 81 untuk huruf a dan 288 x
90 untuk huruf t, dan seluruh data uji akan
direpresentasikan berupa matriks berukuran
288 x 54 untuk huruf a dan 288 x 60 untuk
huruf t. Tahapan proses pengenalan karakter
tulisan tangan dapat dilihat pada Gambar 3.
Citra tulisan tangan
Jumlah output neuron disesuaikan dengan
banyaknya kelas target (dalam penelitian ini
terdapat tiga kelas target). Setiap target akan
merepresentasikan satu karakter hasil analisis
tulisan tangan. Elemen target ke-i bernilai 1
merepresentasikan kelas target ke-i. Misalnya
untuk target dengan nilai elemen pertamanya
satu dan yang lainnya nol maka target tersebut
merepresentasikan kelas pertama. Definisi
kelas target dapat dilihat pada Tabel 4 dan
Tabel 5.
Tabel 4 Definisi kelas target huruf a
Praproses data
Citra latih
Bentuk
huruf a
Kelas
Karakter
Target
1
100
2
010
3
001
Citra uji
Pelatihan JST
Tabel 5 Definisi kelas target huruf t
Pengujian JST
Bentuk
huruf t
Kelas
Karakter
Target
1
100
2
010
3
001
Hasil
Gambar 3 Tahapan pengenalan karakter
Pelatihan Jaringan Syaraf Tiruan
Setelah data latih dan data uji telah siap,
tahapan selanjutnya adalah proses pelatihan
data latih menggunakan jaringan syaraf tiruan
(JST) propagasi balik. Pada penelitian ini akan
digunakan model JST propagasi balik dengan
struktur yang ditunjukkan pada Tabel 3.
Arsitektur JST propagasi balik yang
digunakan dapat dilihat pada Lampiran 3.
Tabel 3 Karakteristik JST yang digunakan
Karakteristik
Arsitektur
Input neuron
Hidden neuron
Output neuron
Inisialisasi bobot
Fungsi aktivasi
Toleransi galat
Epoch
Laju pembelajaran
Spesifikasi
1 hidden layer
288
10
3
Nguyen-Widrow
Sigmoid bipolar,
linear
0.001
3000
0.01
Pengujian Jaringan Syaraf Tiruan
Setelah proses pelatihan, dilakukan proses
pengujian pada data uji menggunakan
parameter – parameter JST yang didapat dari
proses pelatihan. Hasil dari proses pengujian
berupa tingkat akurasi dan prediksi hasil
analisis karakter seseorang berdasarkan
penulisan huruf a atau t kecil. Pengujian JST
untuk pengenalan pola dapat dilakukan
dengan generalisasi, yaitu jumlah pola yang
berhasil dikenali dengan benar oleh JST
dibagi dengan jumlah seluruh pola yang diuji.
Persamaan generalisasi sebagai berikut:
Generalisasi=
� �
�
100%
6
Lingkungan Pengembangan Sistem
Sistem
dikembangkan
menggunakan
kompiler Matlab R2008b dan sistem operasi
Windows 7. Spesifikasi hardware komputer
yang digunakan adalah Processor Intel (R)
Atom (TM) CPU N280 @1,66 Ghz, Memory
1 GB, dan Harddisk 80 GB.
HASIL DAN PEMBAHASAN
Percobaan pertama yang dilakukan pada
penelitian ini adalah mencari parameter JST
propagasi balik yang optimal untuk digunakan
pada proses pengenalan karakter berdasarkan
huruf a dan t kecil.
0.01 dan masing-masing diulang sebanyak
tiga kali.
Generalisasi rata-rata maksimum hasil
percobaan pengaruh hidden neuron adalah
81.48%. Generalisasi tersebut dicapai pada
saat jumlah hidden neuron sebanyak 20.
Generalisasi rata-rata untuk setiap jumlah
hidden neuron dapat dilihat pada Tabel 6.
Data selengkapnya pada percobaan ini dapat
dilihat pada Lampiran 4.
Tabel 6 Jumlah hidden neuron dengan
generalisasi rata-ratanya
Hidden
neuron
Generalisasi
rata-rata (%)
Menentukan Parameter JST yang Optimal
10
77.78
Pada penelitian ini dilakukan percobaan
untuk mengetahui dampak pengubahan
parameter-parameter
JST
terhadap
generalisasi atau tingkat akurasi. Percobaan
ini bertujuan untuk menemukan kombinasi
yang optimal antara hidden neuron, epoch,
toleransi galat, dan learning rate.
20
81.48
30
79.01
40
77.78
50
77.16
60
69.75
Pengaruh Jumlah Hidden Neuron terhadap
Generalisasi
70
73.46
80
61.73
90
64.19
100
67.28
Generalisasi rata-rata
Pada percobaan ini jumlah hidden neuron
diubah-ubah untuk mendapatkan jumlah
hidden neuron yang optimal sehingga
menghasilkan generalisasi yang baik. Grafik
hubungan antara jumlah hidden neuron
dengan generalisasi rata-rata dapat dilihat
pada Gambar 4.
100
80
60
40
20
0
10 20 30 40 50 60 70 80 90 100
Hidden Neuron
Gambar 4 Pengaruh hidden neuron terhadap
generalisasi
Jumlah hidden neuron yang digunakan
pada percobaan ini, sebesar 10, 20, 30, 40, 50,
60, 70, 80, 90, dan 100 neuron. Pada
percobaan pengaruh hidden neuron digunakan
galat sebesar 10-4, epoch 1000, learning rate
Pada Tabel 6, generalisasi rata-rata
semakin meningkat mulai dari jumlah hidden
neuron 10 sampai 20 hidden neuron. Pada
saat hidden neuron berjumlah 30, generalisasi
mulai menurun dan tidak stabil. Jumlah
hidden neuron yang besar membuat jaringan
lebih fleksibel dan dapat menghasilkan
generalisasi yang lebih baik tetapi jika jumlah
hidden neuron terlalu besar generalisasi
cenderung akan menurun dan tidak stabil,
selain itu waktu yang dibutuhkan untuk
pelatihan jaringan lebih lama. Oleh karena itu,
untuk percobaan pengaruh epoch terhadap
generalisasi digunakan jumlah hidden neuron
sebesar 10 dan 20, karena pada saat hidden
neuron 10 dan 20 generalisasi mengalami
peningkatan dan waktu yang dibutuhkan
untuk pelatihan jaringan lebih cepat.
Pengaruh Jumlah
Generalisasi
Epoch
Terhadap
Pada percobaan ini jumlah epoch diubah
untuk mendapatkan besarnya epoch yang
optimal sehingga menghasilkan generalisasi
yang baik. Jumlah epoch yang digunakan pada
percobaan ini sebesar 1000, 1500, 2000, 2500,
7
Lingkungan Pengembangan Sistem
Sistem
dikembangkan
menggunakan
kompiler Matlab R2008b dan sistem operasi
Windows 7. Spesifikasi hardware komputer
yang digunakan adalah Processor Intel (R)
Atom (TM) CPU N280 @1,66 Ghz, Memory
1 GB, dan Harddisk 80 GB.
HASIL DAN PEMBAHASAN
Percobaan pertama yang dilakukan pada
penelitian ini adalah mencari parameter JST
propagasi balik yang optimal untuk digunakan
pada proses pengenalan karakter berdasarkan
huruf a dan t kecil.
0.01 dan masing-masing diulang sebanyak
tiga kali.
Generalisasi rata-rata maksimum hasil
percobaan pengaruh hidden neuron adalah
81.48%. Generalisasi tersebut dicapai pada
saat jumlah hidden neuron sebanyak 20.
Generalisasi rata-rata untuk setiap jumlah
hidden neuron dapat dilihat pada Tabel 6.
Data selengkapnya pada percobaan ini dapat
dilihat pada Lampiran 4.
Tabel 6 Jumlah hidden neuron dengan
generalisasi rata-ratanya
Hidden
neuron
Generalisasi
rata-rata (%)
Menentukan Parameter JST yang Optimal
10
77.78
Pada penelitian ini dilakukan percobaan
untuk mengetahui dampak pengubahan
parameter-parameter
JST
terhadap
generalisasi atau tingkat akurasi. Percobaan
ini bertujuan untuk menemukan kombinasi
yang optimal antara hidden neuron, epoch,
toleransi galat, dan learning rate.
20
81.48
30
79.01
40
77.78
50
77.16
60
69.75
Pengaruh Jumlah Hidden Neuron terhadap
Generalisasi
70
73.46
80
61.73
90
64.19
100
67.28
Generalisasi rata-rata
Pada percobaan ini jumlah hidden neuron
diubah-ubah untuk mendapatkan jumlah
hidden neuron yang optimal sehingga
menghasilkan generalisasi yang baik. Grafik
hubungan antara jumlah hidden neuron
dengan generalisasi rata-rata dapat dilihat
pada Gambar 4.
100
80
60
40
20
0
10 20 30 40 50 60 70 80 90 100
Hidden Neuron
Gambar 4 Pengaruh hidden neuron terhadap
generalisasi
Jumlah hidden neuron yang digunakan
pada percobaan ini, sebesar 10, 20, 30, 40, 50,
60, 70, 80, 90, dan 100 neuron. Pada
percobaan pengaruh hidden neuron digunakan
galat sebesar 10-4, epoch 1000, learning rate
Pada Tabel 6, generalisasi rata-rata
semakin meningkat mulai dari jumlah hidden
neuron 10 sampai 20 hidden neuron. Pada
saat hidden neuron berjumlah 30, generalisasi
mulai menurun dan tidak stabil. Jumlah
hidden neuron yang besar membuat jaringan
lebih fleksibel dan dapat menghasilkan
generalisasi yang lebih baik tetapi jika jumlah
hidden neuron terlalu besar generalisasi
cenderung akan menurun dan tidak stabil,
selain itu waktu yang dibutuhkan untuk
pelatihan jaringan lebih lama. Oleh karena itu,
untuk percobaan pengaruh epoch terhadap
generalisasi digunakan jumlah hidden neuron
sebesar 10 dan 20, karena pada saat hidden
neuron 10 dan 20 generalisasi mengalami
peningkatan dan waktu yang dibutuhkan
untuk pelatihan jaringan lebih cepat.
Pengaruh Jumlah
Generalisasi
Epoch
Terhadap
Pada percobaan ini jumlah epoch diubah
untuk mendapatkan besarnya epoch yang
optimal sehingga menghasilkan generalisasi
yang baik. Jumlah epoch yang digunakan pada
percobaan ini sebesar 1000, 1500, 2000, 2500,
7
90
Pada percobaan dengan 20 hidden neuron,
walaupun
generalisasi
lebih
besar
dibandingkan generalisasi pada 10 hidden
neuron, tetapi epoch yang diperlukan untuk
mencapai generalisasi maksimum tersebut
lebih besar dibandingkan dengan 10 hidden
neuron. Epoch yang lebih besar akan
mengakibatkan waktu pelatihan menjadi lebih
lama. Oleh karena itu, karena selisih
generalisasi maksimum antara 10 dan 20
hidden neuron tidak berbeda jauh yaitu 0.61
% maka untuk percobaan pengaruh galat akan
digunakan 10 hidden neuron dengan epoch
maksimum 3000 epoch.
85
Pengaruh Galat Terhadap Generalisasi
80
Percobaan ini bertujuan untuk menentukan
toleransi galat yang optimal sehingga
menghasilkan generalisasi
yang baik.
Besarnya toleransi galat yang digunakan pada
percobaan ini sebesar 10-1, 10-2, 10-3, 10-4, dan
10-5. Pada percobaan ini digunakan jumlah
hidden neuron sebanyak 10, epoch maksimum
sebesar 3000 epoch, learning rate sebesar
0.01 dan masing-masing percobaan diulang
sebanyak tiga kali. Grafik hubungan antara
pengaruh galat terhadap generalisasi rata-rata
dilihat pada Gambar 6.
75
70
Epoch
10 neuron
20 neuron
Gambar 5 Generalisasi rata-rata terhadap
jumlah epoch menggunakan 10 dan 20 hidden
neuron
Generalisasi rata-rata maksimum hasil
percobaan pengaruh epoch dengan 10 hidden
neuron adalah 87.04% dicapai pada saat
jumlah epoch sebesar 3000, sedangkan
generalisasi rata-rata maksimum dengan 20
hidden neuron dicapai pada epoch 3500 yaitu
sebesar 87.65%. Generalisasi rata-rata
menggunakan 10 dan 20 hidden neuron dapat
dilihat pada Tabel 7. Data selengkapnya pada
percobaan ini dapat dilihat pada Lampiran 5
dan Lampiran 6.
Tabel 7 Generalisasi rata-rata menggunakan
10 dan 20 hidden neuron
Epoch
Generalisasi Rata-rata (%)
1000
10 hidden
neuron
77.78
20 hidden
neuron
81.48
1500
84.57
85.80
2000
84.57
86.42
2500
86.42
84.57
3000
87.04
85.19
3500
4000
82.10
81.48
87.65
85.81
Generalisasi rata-rata
Generalisasi rata-rata
dan 3000, 3500, dan 4000 epoch. Pada
percobaan ini digunakan jumlah hidden
neuron sebanyak 10 dan 20 neuron. Jumlah
hidden neuron ini dipakai karena pada
percobaan sebelumnya memberikan hasil
generalisasi yang cukup baik. Selain itu, pada
percobaan ini digunakan galat sebesar 10-4,
learning rate sebesar 0.01 dan masing-masing
percobaan diulang sebanyak tiga kali. Grafik
hubungan antara jumlah epoch dengan
generalisasi rata-rata menggunakan 10 dan 20
hidden neuron dapat dilihat pada Gambar 5.
100
90
80
70
60
50
40
30
20
10
0
Galat
Gambar 6 Pengaruh galat terhadap
generalisasi rata-rata
Generalisasi rata-rata maksimum hasil
percobaan pengaruh galat adalah 90.74%
dicapai pada saat galat sebesar 10-3.
Generalisasi rata-rata untuk setiap besarnya
galat dapat dilihat pada Tabel 8. Data
selengkapnya pada percobaan ini dapat dilihat
pada Lampiran 7.
8
Tabel 8 Pengaruh galat terhadap generalisasi
rata-rata
Galat
Generalisasi Rata-rata (%)
0,00001
85.80
0,0001
87.04
0,001
90.74
0,01
86.42
0,1
75.31
Percobaan ini menunjukkan bahwa jika
toleransi galat diturunkan maka tingkat
akurasi jaringan semakin tinggi tetapi jika
toleransi
galat
terlalu
kecil
dapat
mengakibatkan gejala overfitting. Hal ini
terlihat pada toleransi galat sebesar 10-4 dan
10-5 tidak terjadi peningkatan akurasi bahkan
akurasi mulai turun. Gejala sistem yang
overfit timbul disebabkan sistem mulai terlalu
spesifik mempelajari pola pada data pelatihan,
sehingga sulit untuk mempelajari pola-pola
baru pada data pengujian. Hasil percobaan ini
menunjukkan bahwa pada toleransi galat 10-3
dihasilkan generalisasi yang cukup baik. Oleh
karena itu, untuk percobaan selanjutnya
digunakan toleransi galat sebesar 10-3.
Pengaruh
Learning
Generalisasi
Rate
Terhadap
Generalisasi ratarata
Percobaan pengaruh learning rate
bertujuan untuk menentukan nilai learning
rate yang optimal sehingga menghasilkan
generalisasi yang baik. Grafik hubungan
antara pengaruh learning rate
terhadap
generalisasi rata-rata dengan toleransi galat
sebesar 10-3 dapat dilihat pada Gambar 7.
baik. Selain itu, pada percobaan ini digunakan
3000 epoch, 10 hidden neuron, dan masingmasing percobaan diulang sebanyak tiga kali.
Generalisasi rata-rata maksimum hasil
percobaan pengaruh learning rate dengan
toleransi galat 10-3 adalah 90.74% dicapai
pada saat learning rate sebesar 0.01. Data
selengkapnya pada percobaan ini dapat dilihat
pada Lampiran 8. Pada toleransi galat sebesar
10-3, terlihat bahwa nilai learning rate yang
semakin besar dapat menurunkan generalisasi.
Perbandingan pengaruh learning rate terhadap
generalisasi rata-rata dengan toleransi galat
sebesar 10-3 dapat dilihat pada Tabel 9.
Tabel 9 Pengaruh learning rate terhadap
generalisasi
Learning Rate
0.01
Generalisasi
Rata-rata (%)
90.74
0.05
83.33
0.1
82.10
Pada Tabel 9 generalisasi maksimum
sebesar 90.74% dicapai pada saat learning
rate 0,01. Oleh karena itu, nilai learning rate
yang akan digunakan pada penelitian ini
sebesar 0,01. Jika learning rate nilainya
terlalu besar maka jaringan tidak stabil tetapi
jika learning rate nilainya terlalu kecil maka
jaringan akan membutuhkan waktu yang lama
untuk
konvergen.
Berdasarkan
hasil
percobaan sebelumnya, diperoleh parameterparameter JST propagasi balik yang optimal
yang dapat menghasilkan generalisasi yang
cukup baik. Parameter-parameter tersebut
dapat dilihat pada Tabel 10.
Tabel 10 Parameter optimal JST propagasi
balik
95
90
85
80
75
0.01
0.05
0.1
Learning rate
Gambar 7 Grafik pengaruh learning rate
dengan galat 10-3 terhadap generalisasi
Besarnya learning rate yang digunakan
pada percobaan ini sebesar 0.1, 0.05, dan 0.01.
Pada percobaan ini digunakan toleransi galat
sebesar 10-3. Toleransi galat ini digunakan
karena
pada
percobaan
sebelumnya
memberikan hasil generalisasi yang cukup
Parameter
Hidden Neuron
Toleransi Galat
Epoch maksimum
Learning Rate
Jumlah
10 neuron
0,001
3000
0,01
Pengenalan Karakter Berdasarkan Huruf a
Pengenalan karakter berdasarkan huruf a
terdiri atas tiga percobaan. Pada pengenalan
karakter ini digunakan parameter-parameter
JST propagasi balik optimal yang didapat dari
percobaan sebelumnya untuk menguji sistem.
Kelas huruf a yang digunakan dalam
penelitian ini sebanyak tiga kelas yaitu a
balok (desire of culture), a terbuka diatas
(talkative), dan a tertutup (frankness), bentuk-
9
bentuk huruf a yang dianalisis dapat dilihat
pada Tabel 11. Pengujian dilakukan dengan
54 data uji, hasil pengujian dapat dilihat pada
Tabel 12.
Tabel 11 Bentuk huruf a yang dianalisis
Bentuk
huruf a
Kelas
Nama
a balok (desire of
culture)
a terbuka di atas
(talkative)
1
2
a tertutup (frankness)
3
Tabel 12 Hasil pengujian huruf a percobaan
pertama
percobaan pertama dijadikan sebagai data
latih dan sebaliknya. Data latih percobaan
pertama untuk kelas 1 berjumlah 21, data latih
kelas 2 dan 3 berjumlah 30. Setiap data latih
diambil secara acak dari tiap-tiap kelas
sebesar 7 data dari kelas 1, 10 data dari kelas
2 dan 3. Kemudian, data latih yang diambil
secara acak digabungkan dengan data uji
percobaan pertama pada masing-masing kelas
dan data ini akan menjadi data latih yang baru,
sedangkan data latih percobaan pertama akan
menjadi data uji. Ilustrasi pengambilan data
ini dapat dilihat pada Gambar 8.
Data latih lama
Data uji lama
7 data
Kelas 1 :14 data
Kelas 1 : 21 data
Kelas 2: 30 data
Kelas 3: 30 data
10 data
10 data
Kelas 2 : 20 data
Kelas 3: 20 data
Hasil Prediksi
Aktual
1
2
3
Desire of
Culture
1
14
0
0
Talkative
2
0
19
1
Frankness
3
0
0
20
Berdasarkan hasil pengujian terhadap 54
data uji, diperoleh tingkat akurasi sebesar
98.15%. Kesalahan klasifikasi pada data uji
sebanyak 1 data dari total data uji sebanyak
54. Data uji yang salah diklasifikasikan
beserta hasil klasifikasinya dapat dilihat pada
Tabel 13.
Tabel 13 Kesalahan klasifikasi data uji huruf
a percobaan pertama
Hasil Klasifikasi
Kelas
aktual:
Kelas 2
Image
data uji
Contoh
Image
hasil
prediksi
Kelas
Prediksi:
Kelas 3
Salah satu data uji pada kelas 2
diklasifikasikan ke dalam kelas 3. Hal ini
disebabkan oleh bentuk citra uji tersebut mirip
dengan citra uji kelas 3 dan pada bagian atas
citra uji huruf a tersebut terlihat sedikit
tertutup seperti citra pada kelas 3.
Pada percobaan kedua huruf a, data latih
dan uji yang digunakan sama dengan
percobaan pertama tetapi data uji pada
Data uji baru
Data latih baru
Kelas 1 :14 data
Kelas 1 : 21 data
Kelas 2 : 20 data
Kelas 2: 30 data
Kelas 3: 20 data
Kelas 3: 30 data
Gambar 8 Ilustrasi pengambilan data latih
dan data uji baru huruf a
Setelah mendapatkan data latih dan data
uji yang baru, dilakukan pengenalan karakter
berdasarkan huruf a menggunakan parameterparameter JST propagasi balik yang optimal
dari percobaan sebelumnya. Pengujian
dilakukan terhadap 54 data uji dan hasil
pengujian dapat dilihat pada Tabel 14.
Tabel 14 Hasil pengujian huruf a percobaan
kedua
Aktual
Desire of
Culture
Talkative
Frankness
Hasil Prediksi
1
2
3
1
14
0
0
2
3
4
0
13
2
3
18
Berdasarkan hasil pada Tabel 14 dapat
dilihat bahwa generalisasi yang diperoleh
sebesar 83,33%. Generalisasi ini lebih kecil
dibandingkan dengan percobaan pertama. Hal
ini menunjukkan bahwa pemilihan data latih
dan data uji yang baru kurang baik
dibandingkan percobaan pertama. Data uji
yang salah terklasifikasi dapat dilihat pada
Lampiran 9.
10
Pada percobaan ketiga huruf a, jumlah
data kelas 2 dan 3 dikurangi masing-masing
sebanyak 9 citra sehingga total data latih kelas
2 dan 3 masing-masing menjadi 21 citra sama
seperti jumlah data pada kelas 1. Begitu juga
dengan data uji kelas 2 dan 3 dikurangi
masing-masing sebanyak 6 citra sehingga total
data uji kelas 2 dan 3 masing-masing menjadi
14 citra. Jadi, pada percobaan ketiga ini
jumlah seluruh data latih sebesar 63 citra dan
jumlah data uji sebanyak 42 citra. Hal ini
bertujuan untuk melihat hasil generalisasi
yang diperoleh jika jumlah data masingmasing kelas sama. Pengujian dilakukan
terhadap 42 data uji dan hasil pengujian dapat
dilihat pada Tabel 15.
Tabel 15 Hasil Pengujian huruf a percobaan
ketiga
Aktual
Desire of
Culture
Talkative
Frankness
Hasil Prediksi
1
2
3
1
14
0
0
2
3
0
0
12
3
2
11
Hasil klasifikasi data uji pada percobaan
ketiga huruf a diperoleh generalisasi sebesar
88,09 %. Data uji yang salah terklasifikasi
dapat dilihat pada Lampiran 10. Hasil ini lebih
besar dibandingkan pada percobaan kedua
karena data latih dan data uji yang digunakan
adalah data latih dan data uji pada percobaan
pertama hanya jumlah data kelas 2 dan 3
dikurangi. Pemilihan data percobaan pertama
lebih baik dibandingkan data pada percobaan
kedua sehingga generalisasi pada percobaan
ketiga masih lebih besar dibandingkan
percobaan kedua.
Jika percobaan ketiga dibandingkan
dengan percobaan pertama, maka generalisasi
dari percobaan ketiga lebih kecil karena
jumlah data yang digunakan lebih sedikit
sehingga pola yang dikenali jaringan kurang
bervariatif. Oleh karena itu, penambahan data
pada pelatihan dapat membuat jaringan lebih
bervariatif dalam mengenali pola, sehingga
generalisasi yang diperoleh pun lebih besar.
Data citra sebaiknya ditambah untuk melihat
kinerja sistem.
Berdasarkan percobaan pertama, kedua,
dan ketiga huruf a, hasil klasifikasi untuk
kelas 1 (a balok) selalu dikenali dengan benar
seluruhnya karena bentuk dari huruf a kelas 1
(a balok) ini memang sangat berbeda dengan
bentuk huruf a kelas 2 (a terbuka di atas) dan
kelas 3 (a tertutup). Kesalahan dalam
klasifikasi umumnya terjadi pada kelas 2 yang
diklasifikasikan ke dalam kelas 3 dan
sebaliknya, hal ini disebabkan oleh bentuk
huruf a kelas 2 dan 3 mirip dan perbedaanya
pun hanya ditentukan pada bagian atas huruf a
yaitu terbuka atau tertutup sehingga
kemungkinan salah klasifikasi cukup besar.
Generalisasi yang paling besar diperoleh pada
percobaan pertama yaitu sebesar 98,15%.
Oleh karena itu, data latih dan data uji dari
percobaan pertama yang akan digunakan
dalam penelitian ini.
Pengenalan Karakter Berdasarkan Huruf t
Pengenalan karakter berdasarkan huruf t
terdiri atas dua percobaan. Perobaan pertama
yaitu data latih yang digunakan sebanyak 90
citra dan data uji sebanyak 60 citra.
Parameter-parameter JST propagasi balik
yang digunakan berasal dari percobaan
sebelumnya. Kelas huruf t yang digunakan
dalam penelitian ini sebanyak tiga kelas yaitu
t bar balanced, t bar up turned, dan t bar
down turned, bentuk-bentuk huruf t yang
dianalisis dapat dilihat pada Tabel 16.
Pengujian dilakukan dengan 60 data uji dan
hasil pengujian dapat dilihat pada Tabel 17.
Tabel 16 Bentuk huruf t yang dianalisis
Bentuk
huruf t
Kelas
Nama
1
t bar balanced
2
t bar up turned
3
t bar down turned
Tabel 17 Hasil pengujian data uji huruf t
percobaan pertama
Hasil Prediksi
Aktual
1
2
3
t bar
balanced
1
14
4
2
t bar up
turned
2
3
15
2
t bar down
turned
3
2
3
15
Berdasarkan
Tabel
17,
diperoleh
generalisasi untuk pengenalan karakter huruf t
sebesar 73.33%. Kesalahan klasifikasi pada
data uji sebanyak 16 data dari total data uji
sebanyak 60. Beberapa data uji yang salah
11
diklasifikasikan beserta hasil klasifikasinya
dapat dilihat pada Tabel 18.
Tabel 18 Kesalahan klasifikasi data uji huruf t
percobaan pertama
Hasil Klasifikasi
Kelas
aktual:
Kelas 1
Kelas
aktual:
Kelas 1
Kelas
aktual:
Kelas 3
Image
data uji
Contoh
Image
hasil
prediksi
Kelas
Prediksi:
Kelas 2
Kelas
Prediksi:
Kelas 3
Kelas
Prediksi:
Kelas 2
Data uji yang salah terklasifikasi
selengkapnya dapat dilihat pada Lampiran 11.
Berdasarkan Tabel 18 dapat dilihat bahwa
data uji pada kelas 1 diklasifikasikan ke dalam
kelas 2 dan kelas 3, lalu data uji pada kelas 3
diklasifikasikan ke dalam kelas 2. Hal ini
disebabkan oleh bentuk citra uji tersebut mirip
dengan citra uji pada kelas prediksinya.
Misalnya pada citra uji pertama dapat dilihat
bar dari huruf t tersebut sedikit naik seperti
pada citra uji kelas prediksinya.
Pada percobaan kedua huruf t, data latih
dan uji yang digunakan sama dengan
percobaan pertama tetapi data uji pada
percobaan pertama dijadikan sebagai data
latih dan sebaliknya. Data latih percobaan
pertama untuk kelas 1,2, dan 3 berjumlah 30
data. Setiap data latih diambil secara acak dari
tiap-tiap kelas sebanyak 10 data. Kemudian,
data latih yang diambil secara acak
digabungkan dengan data uji percobaan
pertama pada masing-masing kelas dan data
ini akan menjadi data latih yang baru,
sedangkan data latih percobaan pertama yang
telah diambil 10 data dari masing-masing
kelas akan menjadi data uji baru. Ilustrasi
pengambilan data ini dapat dilihat pada
Gambar 9.
Data Latih
Kelas 1 : 30 data
Kelas 2: 30 data
Kelas 3: 30 data
Data Uji
10data
10 data
10 data
Data U
JILLY PRATIWI. Graphology Analysis Based on Letter a and t Using Backpropagation
Neural Network (BPNN). Under the supervision of AZIZ KUSTIYO.
Graphology or handwriting analysis is a method of identifying, analysing, evaluating, and
understanding personality through the strokes and patterns revealed by handwriting. People who
can analyze handwriting called graphologist. Graphologist can have a subjective assesment.
Different graphologist can analyze the same handwriting but give different results. In addition, the
accuracy of handwriting analysis depend on the graphologists ability. A system that can recognize
handwrititng patterns is required to overcome these problems. Identification system which is
implemented in this research uses Backpropagation Neural Network (BPNN). This research used
135 images of letter a and 150 images of letter t. This research is divided into three parts which are
determining optimal combination of BPNN parameter, identifying personality based on letter a,
and identifying personality based on letter t then classifies them into one of three character classes
available. The results of this research is that the system has 98.15% accuracy for letter a and
73.33% for letter t. The result shows that Backpropagation Neural Network can be used to classify
the personality.
Keyword : Backpropagation Neural Network, Graphology, Personality Analysis.
PENDAHULUAN
Latar Belakang
Grafologi adalah ilmu yang mempelajari,
mengidentifikasi,
menganalisis,
dan
mengetahui karakter seseorang melalui tulisan
tangannya. Orang yang dapat menganalisis
tulisan tangan disebut grafologist. Menurut
(Mutalib, et al. 2008) analisis tulisan tangan
telah banyak digunakan dalam berbagai
bidang di antaranya seleksi calon pegawai,
kriminalogi, tumbuh kembang anak, seleksi
pasangan hidup (life partner), seleksi rekan
kerja, dan konseling. Selain itu, diterapkan
juga dalam bidang kesehatan dan pendidikan.
Grafologist dapat memiliki penilaian yang
subjektif. Grafologist yang berbeda dapat
menganalisis tulisan tangan yang sama tetapi
memberikan hasil yang berbeda (Galbraith
1964 & Guest 1994, diacu dalam
Sheikholeslami et al). Selain itu, keakuratan
hasil analisis tulisan tangan bergantung pada
kemampuan grafologist itu sendiri dalam
menganalisis tulisan tangan (Champa &
Kumar 2010). Oleh karena itu, untuk
mengatasi permasalahan subjektifitas tersebut
dan
membantu
grafologist
dalam
menganalisis tulisan tangan diperlukan suatu
pemanfaatan teknologi komputer yang dapat
menerapkan ilmu grafologi.
Pada penelitian (Mutalib et al. 2007)
dilakukan analisis grafologi berdasarkan
parameter huruf t menggunakan jaringan
syaraf tiruan propagasi balik. Percobaan
dalam penelitian ini dibagi menjadi dua yaitu
pengenalan huruf t dan pengenalan karakter
seseorang berdasarkan huruf t. Input dalam
penelitian ini merupakan citra tulisan tangan
dan output yang dihasilkan berupa pengenalan
huruf t dan karakter seseorang berdasarkan
penulisan huruf t orang tersebut. Penelitian ini
menunjukkan bahwa jaringan syaraf tiruan
propagasi balik dapat digunakan untuk
mengklasifikasikan huruf t dan karakter
seseorang berdasarkan huruf t dengan hasil
yang cukup baik yaitu sebesar 90.27% dan
60%.
Berdasarkan pada penelitian (Mutalib
2007), pengenalan pola menggunakan
jaringan syaraf tiruan propagasi balik
menunjukkan hasil yang cukup baik. Oleh
karena itu, pada penelitian ini akan dilakukan
analisis grafologi menggunakan jaringan
syaraf tiruan propagasi balik.
Huruf a merupakan salah satu huruf yang
dapat menggambarkan cara berkomunikasi
seseorang dan huruf t dapat menggambarkan
motivasi dan ambisi seseorang. Kedua huruf
ini dapat mendeskripsikan karakter seseorang
dalam hal berkomunikasi dan motivasi. Cara
berkomunikasi seseorang dan motivasinya
merupakan hal yang cukup penting dalam
berbagai bidang terutama dalam penerimaan
calon pegawai. Oleh karena itu, dalam
penelitian ini akan dianalisis karakter
seseorang berdasarkan huruf a dan t kecil.
Tujuan Penelitian
Tujuan
penelitian
ini
adalah
mengimplementasikan jaringan syaraf tiruan
propagasi balik dalam mengenali karakter
seseorang melalui tulisan tangannya.
Ruang Lingkup Penelitian
Ruang lingkup dalam penelitian ini yaitu:
1 Analisis grafologi yang dilakukan hanya
berdasarkan pada huruf a dan t kecil. Pada
penelitian ini tidak dilakukan pengenalan
terhadap huruf a dan t, sehingga citra
huruf a dan t yang digunakan harus
dipotong (cropping) secara manual.
2 Input yang digunakan yaitu citra tulisan
tangan huruf a dan t kecil berukuran
40x40 piksel dan berformat JPG.
3 Output hasil analisis masing-masing
dikelompokkan ke dalam tiga kelas
karakter sesuai bentuk huruf a dan t kecil.
4 Dalam penelitian ini huruf a dan t yang
digunakan masing-masing hanya tiga
kelas. Huruf a terdiri atas a balok, a
terbuka di atas, dan a tertutup. Huruf t
terdiri atas t lurus, t naik, t turun.
Manfaat Penelitian
Manfaat penelitian ini adalah mendapatkan
informasi mengenai karakter seseorang
sehingga diharapkan dapat membantu
pekerjaan grafologist dalam menganalisis
tulisan tangan.
TINJAUAN PUSTAKA
Grafologi
Kata grafologi merupakan gabungan kata
yang berasal dari Yunani yaitu grapheirt yang
artinya menulis dan ology yang berarti cabang
dari ilmu pengetahuan. Jadi grafologi adalah
ilmu tulisan tangan berdasarkan pada
perkembangan ilmu pengetahuan yang secara
tetap diuji dalam penggunaan praktik. Ilmu ini
merupakan ilmu yang berkesinambungan,
1
PENDAHULUAN
Latar Belakang
Grafologi adalah ilmu yang mempelajari,
mengidentifikasi,
menganalisis,
dan
mengetahui karakter seseorang melalui tulisan
tangannya. Orang yang dapat menganalisis
tulisan tangan disebut grafologist. Menurut
(Mutalib, et al. 2008) analisis tulisan tangan
telah banyak digunakan dalam berbagai
bidang di antaranya seleksi calon pegawai,
kriminalogi, tumbuh kembang anak, seleksi
pasangan hidup (life partner), seleksi rekan
kerja, dan konseling. Selain itu, diterapkan
juga dalam bidang kesehatan dan pendidikan.
Grafologist dapat memiliki penilaian yang
subjektif. Grafologist yang berbeda dapat
menganalisis tulisan tangan yang sama tetapi
memberikan hasil yang berbeda (Galbraith
1964 & Guest 1994, diacu dalam
Sheikholeslami et al). Selain itu, keakuratan
hasil analisis tulisan tangan bergantung pada
kemampuan grafologist itu sendiri dalam
menganalisis tulisan tangan (Champa &
Kumar 2010). Oleh karena itu, untuk
mengatasi permasalahan subjektifitas tersebut
dan
membantu
grafologist
dalam
menganalisis tulisan tangan diperlukan suatu
pemanfaatan teknologi komputer yang dapat
menerapkan ilmu grafologi.
Pada penelitian (Mutalib et al. 2007)
dilakukan analisis grafologi berdasarkan
parameter huruf t menggunakan jaringan
syaraf tiruan propagasi balik. Percobaan
dalam penelitian ini dibagi menjadi dua yaitu
pengenalan huruf t dan pengenalan karakter
seseorang berdasarkan huruf t. Input dalam
penelitian ini merupakan citra tulisan tangan
dan output yang dihasilkan berupa pengenalan
huruf t dan karakter seseorang berdasarkan
penulisan huruf t orang tersebut. Penelitian ini
menunjukkan bahwa jaringan syaraf tiruan
propagasi balik dapat digunakan untuk
mengklasifikasikan huruf t dan karakter
seseorang berdasarkan huruf t dengan hasil
yang cukup baik yaitu sebesar 90.27% dan
60%.
Berdasarkan pada penelitian (Mutalib
2007), pengenalan pola menggunakan
jaringan syaraf tiruan propagasi balik
menunjukkan hasil yang cukup baik. Oleh
karena itu, pada penelitian ini akan dilakukan
analisis grafologi menggunakan jaringan
syaraf tiruan propagasi balik.
Huruf a merupakan salah satu huruf yang
dapat menggambarkan cara berkomunikasi
seseorang dan huruf t dapat menggambarkan
motivasi dan ambisi seseorang. Kedua huruf
ini dapat mendeskripsikan karakter seseorang
dalam hal berkomunikasi dan motivasi. Cara
berkomunikasi seseorang dan motivasinya
merupakan hal yang cukup penting dalam
berbagai bidang terutama dalam penerimaan
calon pegawai. Oleh karena itu, dalam
penelitian ini akan dianalisis karakter
seseorang berdasarkan huruf a dan t kecil.
Tujuan Penelitian
Tujuan
penelitian
ini
adalah
mengimplementasikan jaringan syaraf tiruan
propagasi balik dalam mengenali karakter
seseorang melalui tulisan tangannya.
Ruang Lingkup Penelitian
Ruang lingkup dalam penelitian ini yaitu:
1 Analisis grafologi yang dilakukan hanya
berdasarkan pada huruf a dan t kecil. Pada
penelitian ini tidak dilakukan pengenalan
terhadap huruf a dan t, sehingga citra
huruf a dan t yang digunakan harus
dipotong (cropping) secara manual.
2 Input yang digunakan yaitu citra tulisan
tangan huruf a dan t kecil berukuran
40x40 piksel dan berformat JPG.
3 Output hasil analisis masing-masing
dikelompokkan ke dalam tiga kelas
karakter sesuai bentuk huruf a dan t kecil.
4 Dalam penelitian ini huruf a dan t yang
digunakan masing-masing hanya tiga
kelas. Huruf a terdiri atas a balok, a
terbuka di atas, dan a tertutup. Huruf t
terdiri atas t lurus, t naik, t turun.
Manfaat Penelitian
Manfaat penelitian ini adalah mendapatkan
informasi mengenai karakter seseorang
sehingga diharapkan dapat membantu
pekerjaan grafologist dalam menganalisis
tulisan tangan.
TINJAUAN PUSTAKA
Grafologi
Kata grafologi merupakan gabungan kata
yang berasal dari Yunani yaitu grapheirt yang
artinya menulis dan ology yang berarti cabang
dari ilmu pengetahuan. Jadi grafologi adalah
ilmu tulisan tangan berdasarkan pada
perkembangan ilmu pengetahuan yang secara
tetap diuji dalam penggunaan praktik. Ilmu ini
merupakan ilmu yang berkesinambungan,
1
terus berkembang,
terkodesifikasi.
dan
bukan
sistem
Sangat memungkinkan untuk memahami
dan mengetahui karakter menggunakan
pendekatan berbeda terhadap bentuk asli yang
spesifik, seperti bidang medis dan psikologi
yang dapat memperoleh hasil yang sama
walaupun berawal dari posisi yang berbeda
satu sama lain. Seperti halnya bidang medis,
grafologi
juga
menggabungkan
dan
mensintesiskan informasi yang membutuhkan
pelatihan dan penilaian dalam aplikasinya.
Secara dinamis, grafologi memiliki cakupan
yang luas. Ilmu ini juga diterapkan sebagai
alat diagnostik tambahan oleh psikolog dan
psikiater (Amend & Ruiz 1980).
Menurut (Robert 2002) pada abad ke 17
Alerius Prosper dan Camilla Baldo
berpendapat bahwa ada hubungan antara
tulisan tangan dengan kepribadian. Pada abad
ke 19, Abbot Jean Hippolyte Michon dan
Abbot Flandrin mengumpulkan contoh-contoh
tulisan tangan dan mencocokkan gaya tulisan
tangan dengan berbagai macam kepribadian
yang akhirnya ilmu ini disebut grafologi.
Sekarang ini ilmu grafologi digunakan
secara luas dalam berbagai bidang contohnya
dalam bisnis, kepolisian, pada bidang
penerimaan calon pegawai, bahkan dalam
mencari partner. Grafologi sangat efektif
untuk mengamati respon alam bawah sadar
karena bentuk tulisan tangan merupakan alat
ukur yang tidak dapat berbohong. Sama
halnya dengan komputer, tulisan tangan
merupakan hasil print out dari format berfikir
seseorang.
2 Kelompok pembelajaran dan evaluasi
terdiri atas huruf Y, y, U, u, W, w, V, v.
3 Kelompok penghargaan dan ekspresi
terdiri atas huruf M, m, N, n, H, h.
4 Kelompok pemahaman terdiri atas huruf
L, l, E, e, I, i, J, j.
5 Kelompok kreativitas terapan terdiri atas
F, f, R,r, S, s.
6 Kelompok status terdiri atas huruf T, t, K,
k, B, b.
7 Kelompok memercayai dan otoritas dalam
diri terdiri atas huruf C, c, X, x.
8 Kelompok kepuasan diri yaitu huruf Z, z.
Huruf a merupakan salah satu huruf
kelompok komunikasi. Huruf a merupakan
huruf pertama dalam hampir semua alfabet
fonetik. Dalam tulisan tangan, huruf a
melambangkan ekspresi ego seseorang dalam
kehidupan sehari-hari dan derajat sensitivitas
atau kenyamanan terhadap citra diri. Huruf a
adalah kepala kelompok komunikasi karena
berasal dari ego yang dibentuk oleh citra diri.
Berdasarkan huruf a ini dapat dilihat cara
bertindak,
bereaksi,
dan
berinteraksi
seseorang.
Menurut (Baggett 1993) bentuk huruf a
terbagi dalam beberapa bentuk dan setiap
bentuk menggambarkan karakter yang
berbeda-beda. Bentuk dan deskripsi karakter
tersebut dapat dilihat pada Tabel 1.
Tabel 1 Bentuk dan deskripsi karakter huruf a
Gambar
Nama
Deskripsi
a balok
Huruf a kecil
seperti ini
mengindikasikan
individu yang
cenderung
tertarik pada
kegiatan yang
berhubungan
dengan seni,
musik, budaya,
dan sastra.
Huruf a terbuka di
atas menunjukkan
individu yang
fasih berbicara
dalam
mengemukakan
ide atau pendapat,
cenderung
dermawan, jujur
dan tulus.
(Desire of
culture)
Grafologi Huruf a dan Huruf t
Menurut (Rodgers 1993) grafologi disebut
juga analisis tulisan tangan merupakan ilmu
yang mengorelasikan pola-pola tulisan tangan
dengan kepribadian seseorang. Analisis
grafologi tidak hanya dilihat dari parameterparameter seperti baseline, slant, margin, dan
parameter lainnya tetapi analisis grafologi
juga dilakukan terhadap huruf-huruf alfabet
spesifik yang dikelompokkan menjadi
kelompok alfabet. Setiap huruf adalah
pernyataan tersendiri dari sikap yang
membentuk citra diri.
Kelompok alfabet tersebut dibagi menjadi
delapan kelompok. Kedelapan kelompok
tersebut adalah:
a terbuka di
atas
(Talkative)
1 Kelompok komunikasi yang terdiri atas
huruf A, a, O, o, D, d, G, g, Q, q, P, p.
2
a tertutup
rapat tanpa
loop
(Frankness)
a dengan
loop dikiri
dan dikanan
(Lying)
a dengan
stringer
hook
(Need a
challenge)
a dengan
loop di sisi
kiri dalam
(Self
deceit)
Huruf a kecil
yang tertutup
rapat
mengindikasikan
individu yang
cenderung
tertutup. Individu
ini akan jujur dan
terus terang jika
ditanya mengenai
pendapatnya,
berbeda dengan
huruf a terbuka di
atas yang jujur
dalam
mengemukakan
pendapat secara
sukarela tanpa
diminta.
Individu yang
cenderung suka
berbohong secara
patologis. Orang
yang sulit
dipercaya.
Individu ini
cenderung sangat
suka tantangan,
dan cenderung
akan bosan jika
merasa terkontrol
dalam suatu
hubungan.
Individu yang
cenderung menipu
dirinya sendiri
tentang sesuatu
yang terjadi pada
dirinya. Orang
yang suka lari
dalam
menghadapi
masalah.
Menurut (Rodgers 1993) huruf t dapat
menggambarkan sikap seseorang terhadap
suatu profesi, terhadap citra diri yang
ditampilkan,
dan
merupakan
huruf
penghargaan pada nilai diri dan harga diri.
Huruf t juga menggambarkan antusiasme,
keteguhan hati, dan motivasi.
Menurut (Amend & Ruiz 1980) huruf t
dapat merefleksikan kekuatan kemauan dan
dorongan pribadi yang diekspresikan dalam
hidupnya. Berdasarkan huruf t juga dapat
dilihat ambisi seseorang. Bar dari huruf t
dapat merefleksikan sikap perilaku seseorang
pada suatu waktu terhadap pemikiran karir
dan juga harapan. Terdapat sekitar 50 jenis
gaya penulisan huruf t kecil, tetapi yang akan
digunakan dalam penelitian ini hanya 3 jenis.
Bentuk dan deskripsi karakter huruf t tersebut
dapat dilihat pada Tabel 2.
Tabel 2 Bentuk dan deskripsi karakter huruf t
t-bars
Deskripsi
Ambisi
Horizontal
t-bar yang
horizontal
menunjukkan
individu yang
tenang dan dapat
mengendalikan
diri dalam
berfikir dan
bertindak.
Balanced,
Terkontrol
UpTurned
t-bar yang naik
menunjukkan
individu yang
optimis,
dinamis, dan
termotivasi.
Selain itu,
menggambarkan
pribadi yang
bersemangat,
percaya diri, dan
antusias.
Dinamis,
Optimis,
Termotivasi
DownTurned
t-bar yang
menurun
menunjukkan
individu yang
suka bergantung
pada orang lain,
mudah putus asa
dan pasrah.
Pesimis,
Kurang
termotivasi.
Citra Digital
Menurut (Gonzales & Wood 2002) image
atau citra dapat didefinisikan sebagai fungsi
dua dimensi f(x,y), dimana x dan y adalah
koordinat spasial. Nilai f pada setiap titik (x,y)
menunjukkan tingkat intensitas keabuan (gray
level) citra pada titik tersebut. Ketika x ,y dan
nilai f semuanya adalah finite dan kuantitas
diskret maka citra itu disebut citra digital.
Citra digital dapat berupa citra dalam skala
keabuan (grayscale) atau berwarna.
Citra digital direpresentasikan dalam
bentuk matriks berukuran m x n dimana m
menunjukkan baris dan n menunjukkan
3
kolom, contoh matriks citra digital dapat
dilihat pada Gambar 1.
f(x,y) =
�(�, �)
�( , �)
⋱
�(�, )
�( , )
Gambar 1 Representasi citra digital
Setiap elemen matriks menunjukkan nilai
piksel. Suatu citra digital berformat grayscale
8 bit memiliki 256 intensitas warna pada
setiap pikselnya. Nilai piksel tersebut berkisar
antara 0 sampai 255, 0 menunjukkan
intensitas paling gelap dan 255 menunjukkan
intensitas yang paling terang. Citra tulisan
tangan yang direpresentasikan sebagai matriks
m x n, dikonversi menjadi vektor kolom yang
disebut vektor citra. Transpose dari vektor
citra tersebut adalah
f(x,y)T = [f(1,1) f(2,1)…f(1,n) f(2,n)…f(m,n)]
Jaringan Syaraf Tiruan Propagasi Balik
Menurut (Fauset 1994) jaringan syaraf
tiruan adalah suatu sistem pemrosesan
informasi yang memiliki karakteristik tertentu
seperti jaringan syaraf biologis. Jaringan
syaraf tiruan telah dikembangkan sebagai
generalisasi model matematika dari syaraf
biologis manusia.
Jaringan syaraf tiruan propagasi balik
merupakan algoritme pembelajaran yang
terawasi (supervised learning) dan biasanya
digunakan oleh jaringan multilayer untuk
mengubah bobot yang terhubung dengan
semua neuron pada hidden layer. Jaringan
syaraf tiruan propagasi balik dikembangkan
oleh Rumelhart, Hinton, dan Williams pada
tahun 1986an. Propagasi balik merupakan
metode pembelajaran yang efektif untuk
jaringan multilayer. Prinsip dasar algoritme
propagasi balik terdiri atas tiga fase, yaitu:
1 Fase feed forward
Fase ini merupakan
fase untuk
penghitungan nilai aktivasi. Setiap neuron
pada hidden layer dan output layer
menghitung
masing-masing
nilai
aktivasinya sesuai dengan fungsi aktivasi
yang digunakan.
2 Fase kalkulasi dan backpropagation error
(propagasi balik galat)
Setiap
output
neuron
menghitung
informasi galat antara nilai output yang
dihasilkan dan nilai target. Informasi galat
ini dikirimkan ke layer di bawahnya.
3 Fase penyesuaian bobot
Setiap output neuron dan hidden neuron
mengubah bias dan bobot-bobotnya sesuai
dengan nilai galat.
Secara
umum
propagasi
balik
membutuhkan waktu pembelajaran yang lama,
tetapi setelah pembelajaran selesai maka
aplikasinya akan memberikan output yang
cepat. Jaringan syaraf tiruan propagasi balik
memiliki karakteristik di antaranya:
1 Jaringan multilayer
Arsitektur yang digunakan adalah jaringan
multilayer, yaitu satu input layer, satu
output layer, dan satu atau lebih hidden
layer. Setiap neuron pada suatu layer
dalam jaringan propagasi balik mendapat
sinyal input dari semua neuron pada layer
sebelumnya beserta satu sinyal bias.
2 Fungsi aktivasi
Fungsi aktivasi untuk backpropagation
harus memiliki beberapa karakteristik
penting, yaitu harus kontinu, differentiable
(berbeda), dan tidak turun. Fungsi aktivasi
yang umum digunakan pada jaringan
syaraf tiruan (JST) propagasi balik adalah:
a. Fungsi Sigmoid biner outputnya memiliki
rentang (0,1)
1
=
=
1 + −�
dengan f’ = f(x) [1 - f(x)]
outputnya
b. Fungsi Sigmoid bipolar
memiliki rentang (-1,1)
=
dengan f’(x) =
=
�
2
1−
1+
−
−
[1 + f(x)][1 – f(x)]
Model jaringan syaraf tiruan (JST)
propagasi balik dengan satu hidden layer
dapat dilihat pada Gambar 2.
Gambar 2 Model JST propagasi balik
Sumber: (Fauset 1994)
4
Input layer pada Gambar 2 ditunjukkan
dengan unit-unit Xi sedangkan hidden layer
dan output layer masing-masing ditunjukkan
dengan unit-unit Zj dan Yi. Neuron-neuron
pada layer yang sama tidak saling
berhubungan, tetapi pada layer berbeda saling
berhubungan. Input layer berfungsi untuk
meneruskan sinyal dan tidak melakukan
komputasi, sedangkan
hidden layer dan
output layer melakukan proses komputasi.
Selama fase feedforward, setiap unit input
Xi menerima sinyal input dan meneruskan
sinyal ke setiap unit hidden layer Zi,…,Zp.
Setiap unit hidden lalu menghitung
aktivasinya dan mengirimkan sinyal ke setiap
unit output. Setiap unit output Yi menghitung
aktivasinya untuk membentuk respon ke
jaringan untuk memberi pola input.
Sebelum proses pelatihan dilakukan,
inisialisasi bobot awal merupakan hal yang
penting karena nilai bobot awal sangat
mempengaruhi kinerja jaringan. Inisialisasi
bobot awal dapat dilakukan menggunakan
metode Nguyen-Widrow. Metode NguyenWidrow dilakukan dengan menentukan faktor
pengali terlebih dahulu yang didefinisikan
sebagai berikut:
dengan:
� = 0.7( )1/ ,
n = jumlah unit input
p = jumlah unit tersembunyi (hidden)
Kemudian diinisialisasi bobot-bobot dari input
layer ke hidden layer, didefinisikan sebagai
berikut:
� (
dengan:
)=
��
∥� (
(
)
)∥
,
METODE PENELITIAN
Pada penelitian ini dilakukan tiga kali
percobaan. Percobaan pertama adalah mencari
parameter-parameter JST propagasi balik
yang optimal. Percobaan kedua adalah
pengenalan karakter berdasarkan huruf a dan
percobaan ketiga dilakukan pengenalan
karakter berdasarkan huruf t.
Data Penelitian
Data awal didapat dari 57 responden yang
masing-masing menuliskan suatu kalimat
yang telah ditentukan pada kertas berukuran
10,5 x 7 cm. Kalimat yang dituliskan oleh
responden dapat dilihat pada Lampiran 2.
Setelah itu, data tulisan tangan diubah menjadi
citra digital menggunakan scanner dan
disimpan sebagai satu file citra, sehingga
diperoleh data citra tulisan tangan sebanyak
57 data. Data tersebut dibagi menjadi 27 data
untuk huruf a dan 30 data untuk huruf t. Data
citra tulisan tangan selengkapnya dapat dilihat
pada Lampiran 2.
Huruf a terdiri atas tiga kelas yaitu kelas 1
terdiri atas 7 data, kelas 2 dan kelas 3 terdiri
atas 10 data. Dari masing-masing data setiap
kelas akan diambil huruf a sebanyak lima
citra. Lima citra huruf a dari setiap kelas akan
dibagi menjadi 3 citra untuk data latih dan 2
citra untuk data uji, sehingga diperoleh total
data latih sebanyak 81 citra dan data uji
sebanyak 54 citra.
Huruf t terdiri atas tiga kelas, masingmasing kelas terdiri atas 10 data. Dari masingmasing data setiap kelas akan diambil huruf t
sebanyak lima citra. Lima citra huruf t dari
setiap kelas akan dibagi menjadi 3 citra untuk
data latih dan 2 citra untuk data uji, sehingga
diperoleh total data latih sebanyak 90 citra dan
data uji sebanyak 60 citra.
Vik(old) = nilai acak antara -0.5 sampai 0.5
Praproses Data
i = 1,2,…,m
Setiap citra khususnya pada huruf a dan t
kecil dilakukan proses cropping (pemotongan)
berukuran 40 x 40 piksel. Ukuran citra yang
terlalu besar akan memperlambat kinerja
sistem. Oleh karena itu, diperlukan proses
resizing untuk mereduksi ukuran citra input.
Citra input akan diubah menjadi citra
grayscale dan diseragamkan ukurannya
menjadi 24 x 12 piksel.
k = 1,2,…,p
Bobot bias (Vok) diinisialisasi antara nilai – �
sampai �.
Selama proses pelatihan, output yang
dihasilkan dibandingkan dengan target. Jika
output belum mencapai target maka pelatihan
akan terus dilakukan dengan memperbaiki
bobot dengan cara mempropagasi balik nilai
koreksi galat output ke layer sebelumnya. Jika
nilai output sama dengan target maka
pelatihan akan berhenti. Algoritme BPNN
secara lengkap dapat dilihat pada Lampiran 1.
Citra karakter tulisan tangan akan
direpresentasikan menjadi vektor kolom
berdimensi 1 x 81 untuk huruf a dan 1 x 90
untuk huruf t. Dengan demikian, seluruh data
latih akan direpresentasikan berupa matriks
5
Input layer pada Gambar 2 ditunjukkan
dengan unit-unit Xi sedangkan hidden layer
dan output layer masing-masing ditunjukkan
dengan unit-unit Zj dan Yi. Neuron-neuron
pada layer yang sama tidak saling
berhubungan, tetapi pada layer berbeda saling
berhubungan. Input layer berfungsi untuk
meneruskan sinyal dan tidak melakukan
komputasi, sedangkan
hidden layer dan
output layer melakukan proses komputasi.
Selama fase feedforward, setiap unit input
Xi menerima sinyal input dan meneruskan
sinyal ke setiap unit hidden layer Zi,…,Zp.
Setiap unit hidden lalu menghitung
aktivasinya dan mengirimkan sinyal ke setiap
unit output. Setiap unit output Yi menghitung
aktivasinya untuk membentuk respon ke
jaringan untuk memberi pola input.
Sebelum proses pelatihan dilakukan,
inisialisasi bobot awal merupakan hal yang
penting karena nilai bobot awal sangat
mempengaruhi kinerja jaringan. Inisialisasi
bobot awal dapat dilakukan menggunakan
metode Nguyen-Widrow. Metode NguyenWidrow dilakukan dengan menentukan faktor
pengali terlebih dahulu yang didefinisikan
sebagai berikut:
dengan:
� = 0.7( )1/ ,
n = jumlah unit input
p = jumlah unit tersembunyi (hidden)
Kemudian diinisialisasi bobot-bobot dari input
layer ke hidden layer, didefinisikan sebagai
berikut:
� (
dengan:
)=
��
∥� (
(
)
)∥
,
METODE PENELITIAN
Pada penelitian ini dilakukan tiga kali
percobaan. Percobaan pertama adalah mencari
parameter-parameter JST propagasi balik
yang optimal. Percobaan kedua adalah
pengenalan karakter berdasarkan huruf a dan
percobaan ketiga dilakukan pengenalan
karakter berdasarkan huruf t.
Data Penelitian
Data awal didapat dari 57 responden yang
masing-masing menuliskan suatu kalimat
yang telah ditentukan pada kertas berukuran
10,5 x 7 cm. Kalimat yang dituliskan oleh
responden dapat dilihat pada Lampiran 2.
Setelah itu, data tulisan tangan diubah menjadi
citra digital menggunakan scanner dan
disimpan sebagai satu file citra, sehingga
diperoleh data citra tulisan tangan sebanyak
57 data. Data tersebut dibagi menjadi 27 data
untuk huruf a dan 30 data untuk huruf t. Data
citra tulisan tangan selengkapnya dapat dilihat
pada Lampiran 2.
Huruf a terdiri atas tiga kelas yaitu kelas 1
terdiri atas 7 data, kelas 2 dan kelas 3 terdiri
atas 10 data. Dari masing-masing data setiap
kelas akan diambil huruf a sebanyak lima
citra. Lima citra huruf a dari setiap kelas akan
dibagi menjadi 3 citra untuk data latih dan 2
citra untuk data uji, sehingga diperoleh total
data latih sebanyak 81 citra dan data uji
sebanyak 54 citra.
Huruf t terdiri atas tiga kelas, masingmasing kelas terdiri atas 10 data. Dari masingmasing data setiap kelas akan diambil huruf t
sebanyak lima citra. Lima citra huruf t dari
setiap kelas akan dibagi menjadi 3 citra untuk
data latih dan 2 citra untuk data uji, sehingga
diperoleh total data latih sebanyak 90 citra dan
data uji sebanyak 60 citra.
Vik(old) = nilai acak antara -0.5 sampai 0.5
Praproses Data
i = 1,2,…,m
Setiap citra khususnya pada huruf a dan t
kecil dilakukan proses cropping (pemotongan)
berukuran 40 x 40 piksel. Ukuran citra yang
terlalu besar akan memperlambat kinerja
sistem. Oleh karena itu, diperlukan proses
resizing untuk mereduksi ukuran citra input.
Citra input akan diubah menjadi citra
grayscale dan diseragamkan ukurannya
menjadi 24 x 12 piksel.
k = 1,2,…,p
Bobot bias (Vok) diinisialisasi antara nilai – �
sampai �.
Selama proses pelatihan, output yang
dihasilkan dibandingkan dengan target. Jika
output belum mencapai target maka pelatihan
akan terus dilakukan dengan memperbaiki
bobot dengan cara mempropagasi balik nilai
koreksi galat output ke layer sebelumnya. Jika
nilai output sama dengan target maka
pelatihan akan berhenti. Algoritme BPNN
secara lengkap dapat dilihat pada Lampiran 1.
Citra karakter tulisan tangan akan
direpresentasikan menjadi vektor kolom
berdimensi 1 x 81 untuk huruf a dan 1 x 90
untuk huruf t. Dengan demikian, seluruh data
latih akan direpresentasikan berupa matriks
5
berukuran 288 x 81 untuk huruf a dan 288 x
90 untuk huruf t, dan seluruh data uji akan
direpresentasikan berupa matriks berukuran
288 x 54 untuk huruf a dan 288 x 60 untuk
huruf t. Tahapan proses pengenalan karakter
tulisan tangan dapat dilihat pada Gambar 3.
Citra tulisan tangan
Jumlah output neuron disesuaikan dengan
banyaknya kelas target (dalam penelitian ini
terdapat tiga kelas target). Setiap target akan
merepresentasikan satu karakter hasil analisis
tulisan tangan. Elemen target ke-i bernilai 1
merepresentasikan kelas target ke-i. Misalnya
untuk target dengan nilai elemen pertamanya
satu dan yang lainnya nol maka target tersebut
merepresentasikan kelas pertama. Definisi
kelas target dapat dilihat pada Tabel 4 dan
Tabel 5.
Tabel 4 Definisi kelas target huruf a
Praproses data
Citra latih
Bentuk
huruf a
Kelas
Karakter
Target
1
100
2
010
3
001
Citra uji
Pelatihan JST
Tabel 5 Definisi kelas target huruf t
Pengujian JST
Bentuk
huruf t
Kelas
Karakter
Target
1
100
2
010
3
001
Hasil
Gambar 3 Tahapan pengenalan karakter
Pelatihan Jaringan Syaraf Tiruan
Setelah data latih dan data uji telah siap,
tahapan selanjutnya adalah proses pelatihan
data latih menggunakan jaringan syaraf tiruan
(JST) propagasi balik. Pada penelitian ini akan
digunakan model JST propagasi balik dengan
struktur yang ditunjukkan pada Tabel 3.
Arsitektur JST propagasi balik yang
digunakan dapat dilihat pada Lampiran 3.
Tabel 3 Karakteristik JST yang digunakan
Karakteristik
Arsitektur
Input neuron
Hidden neuron
Output neuron
Inisialisasi bobot
Fungsi aktivasi
Toleransi galat
Epoch
Laju pembelajaran
Spesifikasi
1 hidden layer
288
10
3
Nguyen-Widrow
Sigmoid bipolar,
linear
0.001
3000
0.01
Pengujian Jaringan Syaraf Tiruan
Setelah proses pelatihan, dilakukan proses
pengujian pada data uji menggunakan
parameter – parameter JST yang didapat dari
proses pelatihan. Hasil dari proses pengujian
berupa tingkat akurasi dan prediksi hasil
analisis karakter seseorang berdasarkan
penulisan huruf a atau t kecil. Pengujian JST
untuk pengenalan pola dapat dilakukan
dengan generalisasi, yaitu jumlah pola yang
berhasil dikenali dengan benar oleh JST
dibagi dengan jumlah seluruh pola yang diuji.
Persamaan generalisasi sebagai berikut:
Generalisasi=
� �
�
100%
6
Lingkungan Pengembangan Sistem
Sistem
dikembangkan
menggunakan
kompiler Matlab R2008b dan sistem operasi
Windows 7. Spesifikasi hardware komputer
yang digunakan adalah Processor Intel (R)
Atom (TM) CPU N280 @1,66 Ghz, Memory
1 GB, dan Harddisk 80 GB.
HASIL DAN PEMBAHASAN
Percobaan pertama yang dilakukan pada
penelitian ini adalah mencari parameter JST
propagasi balik yang optimal untuk digunakan
pada proses pengenalan karakter berdasarkan
huruf a dan t kecil.
0.01 dan masing-masing diulang sebanyak
tiga kali.
Generalisasi rata-rata maksimum hasil
percobaan pengaruh hidden neuron adalah
81.48%. Generalisasi tersebut dicapai pada
saat jumlah hidden neuron sebanyak 20.
Generalisasi rata-rata untuk setiap jumlah
hidden neuron dapat dilihat pada Tabel 6.
Data selengkapnya pada percobaan ini dapat
dilihat pada Lampiran 4.
Tabel 6 Jumlah hidden neuron dengan
generalisasi rata-ratanya
Hidden
neuron
Generalisasi
rata-rata (%)
Menentukan Parameter JST yang Optimal
10
77.78
Pada penelitian ini dilakukan percobaan
untuk mengetahui dampak pengubahan
parameter-parameter
JST
terhadap
generalisasi atau tingkat akurasi. Percobaan
ini bertujuan untuk menemukan kombinasi
yang optimal antara hidden neuron, epoch,
toleransi galat, dan learning rate.
20
81.48
30
79.01
40
77.78
50
77.16
60
69.75
Pengaruh Jumlah Hidden Neuron terhadap
Generalisasi
70
73.46
80
61.73
90
64.19
100
67.28
Generalisasi rata-rata
Pada percobaan ini jumlah hidden neuron
diubah-ubah untuk mendapatkan jumlah
hidden neuron yang optimal sehingga
menghasilkan generalisasi yang baik. Grafik
hubungan antara jumlah hidden neuron
dengan generalisasi rata-rata dapat dilihat
pada Gambar 4.
100
80
60
40
20
0
10 20 30 40 50 60 70 80 90 100
Hidden Neuron
Gambar 4 Pengaruh hidden neuron terhadap
generalisasi
Jumlah hidden neuron yang digunakan
pada percobaan ini, sebesar 10, 20, 30, 40, 50,
60, 70, 80, 90, dan 100 neuron. Pada
percobaan pengaruh hidden neuron digunakan
galat sebesar 10-4, epoch 1000, learning rate
Pada Tabel 6, generalisasi rata-rata
semakin meningkat mulai dari jumlah hidden
neuron 10 sampai 20 hidden neuron. Pada
saat hidden neuron berjumlah 30, generalisasi
mulai menurun dan tidak stabil. Jumlah
hidden neuron yang besar membuat jaringan
lebih fleksibel dan dapat menghasilkan
generalisasi yang lebih baik tetapi jika jumlah
hidden neuron terlalu besar generalisasi
cenderung akan menurun dan tidak stabil,
selain itu waktu yang dibutuhkan untuk
pelatihan jaringan lebih lama. Oleh karena itu,
untuk percobaan pengaruh epoch terhadap
generalisasi digunakan jumlah hidden neuron
sebesar 10 dan 20, karena pada saat hidden
neuron 10 dan 20 generalisasi mengalami
peningkatan dan waktu yang dibutuhkan
untuk pelatihan jaringan lebih cepat.
Pengaruh Jumlah
Generalisasi
Epoch
Terhadap
Pada percobaan ini jumlah epoch diubah
untuk mendapatkan besarnya epoch yang
optimal sehingga menghasilkan generalisasi
yang baik. Jumlah epoch yang digunakan pada
percobaan ini sebesar 1000, 1500, 2000, 2500,
7
Lingkungan Pengembangan Sistem
Sistem
dikembangkan
menggunakan
kompiler Matlab R2008b dan sistem operasi
Windows 7. Spesifikasi hardware komputer
yang digunakan adalah Processor Intel (R)
Atom (TM) CPU N280 @1,66 Ghz, Memory
1 GB, dan Harddisk 80 GB.
HASIL DAN PEMBAHASAN
Percobaan pertama yang dilakukan pada
penelitian ini adalah mencari parameter JST
propagasi balik yang optimal untuk digunakan
pada proses pengenalan karakter berdasarkan
huruf a dan t kecil.
0.01 dan masing-masing diulang sebanyak
tiga kali.
Generalisasi rata-rata maksimum hasil
percobaan pengaruh hidden neuron adalah
81.48%. Generalisasi tersebut dicapai pada
saat jumlah hidden neuron sebanyak 20.
Generalisasi rata-rata untuk setiap jumlah
hidden neuron dapat dilihat pada Tabel 6.
Data selengkapnya pada percobaan ini dapat
dilihat pada Lampiran 4.
Tabel 6 Jumlah hidden neuron dengan
generalisasi rata-ratanya
Hidden
neuron
Generalisasi
rata-rata (%)
Menentukan Parameter JST yang Optimal
10
77.78
Pada penelitian ini dilakukan percobaan
untuk mengetahui dampak pengubahan
parameter-parameter
JST
terhadap
generalisasi atau tingkat akurasi. Percobaan
ini bertujuan untuk menemukan kombinasi
yang optimal antara hidden neuron, epoch,
toleransi galat, dan learning rate.
20
81.48
30
79.01
40
77.78
50
77.16
60
69.75
Pengaruh Jumlah Hidden Neuron terhadap
Generalisasi
70
73.46
80
61.73
90
64.19
100
67.28
Generalisasi rata-rata
Pada percobaan ini jumlah hidden neuron
diubah-ubah untuk mendapatkan jumlah
hidden neuron yang optimal sehingga
menghasilkan generalisasi yang baik. Grafik
hubungan antara jumlah hidden neuron
dengan generalisasi rata-rata dapat dilihat
pada Gambar 4.
100
80
60
40
20
0
10 20 30 40 50 60 70 80 90 100
Hidden Neuron
Gambar 4 Pengaruh hidden neuron terhadap
generalisasi
Jumlah hidden neuron yang digunakan
pada percobaan ini, sebesar 10, 20, 30, 40, 50,
60, 70, 80, 90, dan 100 neuron. Pada
percobaan pengaruh hidden neuron digunakan
galat sebesar 10-4, epoch 1000, learning rate
Pada Tabel 6, generalisasi rata-rata
semakin meningkat mulai dari jumlah hidden
neuron 10 sampai 20 hidden neuron. Pada
saat hidden neuron berjumlah 30, generalisasi
mulai menurun dan tidak stabil. Jumlah
hidden neuron yang besar membuat jaringan
lebih fleksibel dan dapat menghasilkan
generalisasi yang lebih baik tetapi jika jumlah
hidden neuron terlalu besar generalisasi
cenderung akan menurun dan tidak stabil,
selain itu waktu yang dibutuhkan untuk
pelatihan jaringan lebih lama. Oleh karena itu,
untuk percobaan pengaruh epoch terhadap
generalisasi digunakan jumlah hidden neuron
sebesar 10 dan 20, karena pada saat hidden
neuron 10 dan 20 generalisasi mengalami
peningkatan dan waktu yang dibutuhkan
untuk pelatihan jaringan lebih cepat.
Pengaruh Jumlah
Generalisasi
Epoch
Terhadap
Pada percobaan ini jumlah epoch diubah
untuk mendapatkan besarnya epoch yang
optimal sehingga menghasilkan generalisasi
yang baik. Jumlah epoch yang digunakan pada
percobaan ini sebesar 1000, 1500, 2000, 2500,
7
90
Pada percobaan dengan 20 hidden neuron,
walaupun
generalisasi
lebih
besar
dibandingkan generalisasi pada 10 hidden
neuron, tetapi epoch yang diperlukan untuk
mencapai generalisasi maksimum tersebut
lebih besar dibandingkan dengan 10 hidden
neuron. Epoch yang lebih besar akan
mengakibatkan waktu pelatihan menjadi lebih
lama. Oleh karena itu, karena selisih
generalisasi maksimum antara 10 dan 20
hidden neuron tidak berbeda jauh yaitu 0.61
% maka untuk percobaan pengaruh galat akan
digunakan 10 hidden neuron dengan epoch
maksimum 3000 epoch.
85
Pengaruh Galat Terhadap Generalisasi
80
Percobaan ini bertujuan untuk menentukan
toleransi galat yang optimal sehingga
menghasilkan generalisasi
yang baik.
Besarnya toleransi galat yang digunakan pada
percobaan ini sebesar 10-1, 10-2, 10-3, 10-4, dan
10-5. Pada percobaan ini digunakan jumlah
hidden neuron sebanyak 10, epoch maksimum
sebesar 3000 epoch, learning rate sebesar
0.01 dan masing-masing percobaan diulang
sebanyak tiga kali. Grafik hubungan antara
pengaruh galat terhadap generalisasi rata-rata
dilihat pada Gambar 6.
75
70
Epoch
10 neuron
20 neuron
Gambar 5 Generalisasi rata-rata terhadap
jumlah epoch menggunakan 10 dan 20 hidden
neuron
Generalisasi rata-rata maksimum hasil
percobaan pengaruh epoch dengan 10 hidden
neuron adalah 87.04% dicapai pada saat
jumlah epoch sebesar 3000, sedangkan
generalisasi rata-rata maksimum dengan 20
hidden neuron dicapai pada epoch 3500 yaitu
sebesar 87.65%. Generalisasi rata-rata
menggunakan 10 dan 20 hidden neuron dapat
dilihat pada Tabel 7. Data selengkapnya pada
percobaan ini dapat dilihat pada Lampiran 5
dan Lampiran 6.
Tabel 7 Generalisasi rata-rata menggunakan
10 dan 20 hidden neuron
Epoch
Generalisasi Rata-rata (%)
1000
10 hidden
neuron
77.78
20 hidden
neuron
81.48
1500
84.57
85.80
2000
84.57
86.42
2500
86.42
84.57
3000
87.04
85.19
3500
4000
82.10
81.48
87.65
85.81
Generalisasi rata-rata
Generalisasi rata-rata
dan 3000, 3500, dan 4000 epoch. Pada
percobaan ini digunakan jumlah hidden
neuron sebanyak 10 dan 20 neuron. Jumlah
hidden neuron ini dipakai karena pada
percobaan sebelumnya memberikan hasil
generalisasi yang cukup baik. Selain itu, pada
percobaan ini digunakan galat sebesar 10-4,
learning rate sebesar 0.01 dan masing-masing
percobaan diulang sebanyak tiga kali. Grafik
hubungan antara jumlah epoch dengan
generalisasi rata-rata menggunakan 10 dan 20
hidden neuron dapat dilihat pada Gambar 5.
100
90
80
70
60
50
40
30
20
10
0
Galat
Gambar 6 Pengaruh galat terhadap
generalisasi rata-rata
Generalisasi rata-rata maksimum hasil
percobaan pengaruh galat adalah 90.74%
dicapai pada saat galat sebesar 10-3.
Generalisasi rata-rata untuk setiap besarnya
galat dapat dilihat pada Tabel 8. Data
selengkapnya pada percobaan ini dapat dilihat
pada Lampiran 7.
8
Tabel 8 Pengaruh galat terhadap generalisasi
rata-rata
Galat
Generalisasi Rata-rata (%)
0,00001
85.80
0,0001
87.04
0,001
90.74
0,01
86.42
0,1
75.31
Percobaan ini menunjukkan bahwa jika
toleransi galat diturunkan maka tingkat
akurasi jaringan semakin tinggi tetapi jika
toleransi
galat
terlalu
kecil
dapat
mengakibatkan gejala overfitting. Hal ini
terlihat pada toleransi galat sebesar 10-4 dan
10-5 tidak terjadi peningkatan akurasi bahkan
akurasi mulai turun. Gejala sistem yang
overfit timbul disebabkan sistem mulai terlalu
spesifik mempelajari pola pada data pelatihan,
sehingga sulit untuk mempelajari pola-pola
baru pada data pengujian. Hasil percobaan ini
menunjukkan bahwa pada toleransi galat 10-3
dihasilkan generalisasi yang cukup baik. Oleh
karena itu, untuk percobaan selanjutnya
digunakan toleransi galat sebesar 10-3.
Pengaruh
Learning
Generalisasi
Rate
Terhadap
Generalisasi ratarata
Percobaan pengaruh learning rate
bertujuan untuk menentukan nilai learning
rate yang optimal sehingga menghasilkan
generalisasi yang baik. Grafik hubungan
antara pengaruh learning rate
terhadap
generalisasi rata-rata dengan toleransi galat
sebesar 10-3 dapat dilihat pada Gambar 7.
baik. Selain itu, pada percobaan ini digunakan
3000 epoch, 10 hidden neuron, dan masingmasing percobaan diulang sebanyak tiga kali.
Generalisasi rata-rata maksimum hasil
percobaan pengaruh learning rate dengan
toleransi galat 10-3 adalah 90.74% dicapai
pada saat learning rate sebesar 0.01. Data
selengkapnya pada percobaan ini dapat dilihat
pada Lampiran 8. Pada toleransi galat sebesar
10-3, terlihat bahwa nilai learning rate yang
semakin besar dapat menurunkan generalisasi.
Perbandingan pengaruh learning rate terhadap
generalisasi rata-rata dengan toleransi galat
sebesar 10-3 dapat dilihat pada Tabel 9.
Tabel 9 Pengaruh learning rate terhadap
generalisasi
Learning Rate
0.01
Generalisasi
Rata-rata (%)
90.74
0.05
83.33
0.1
82.10
Pada Tabel 9 generalisasi maksimum
sebesar 90.74% dicapai pada saat learning
rate 0,01. Oleh karena itu, nilai learning rate
yang akan digunakan pada penelitian ini
sebesar 0,01. Jika learning rate nilainya
terlalu besar maka jaringan tidak stabil tetapi
jika learning rate nilainya terlalu kecil maka
jaringan akan membutuhkan waktu yang lama
untuk
konvergen.
Berdasarkan
hasil
percobaan sebelumnya, diperoleh parameterparameter JST propagasi balik yang optimal
yang dapat menghasilkan generalisasi yang
cukup baik. Parameter-parameter tersebut
dapat dilihat pada Tabel 10.
Tabel 10 Parameter optimal JST propagasi
balik
95
90
85
80
75
0.01
0.05
0.1
Learning rate
Gambar 7 Grafik pengaruh learning rate
dengan galat 10-3 terhadap generalisasi
Besarnya learning rate yang digunakan
pada percobaan ini sebesar 0.1, 0.05, dan 0.01.
Pada percobaan ini digunakan toleransi galat
sebesar 10-3. Toleransi galat ini digunakan
karena
pada
percobaan
sebelumnya
memberikan hasil generalisasi yang cukup
Parameter
Hidden Neuron
Toleransi Galat
Epoch maksimum
Learning Rate
Jumlah
10 neuron
0,001
3000
0,01
Pengenalan Karakter Berdasarkan Huruf a
Pengenalan karakter berdasarkan huruf a
terdiri atas tiga percobaan. Pada pengenalan
karakter ini digunakan parameter-parameter
JST propagasi balik optimal yang didapat dari
percobaan sebelumnya untuk menguji sistem.
Kelas huruf a yang digunakan dalam
penelitian ini sebanyak tiga kelas yaitu a
balok (desire of culture), a terbuka diatas
(talkative), dan a tertutup (frankness), bentuk-
9
bentuk huruf a yang dianalisis dapat dilihat
pada Tabel 11. Pengujian dilakukan dengan
54 data uji, hasil pengujian dapat dilihat pada
Tabel 12.
Tabel 11 Bentuk huruf a yang dianalisis
Bentuk
huruf a
Kelas
Nama
a balok (desire of
culture)
a terbuka di atas
(talkative)
1
2
a tertutup (frankness)
3
Tabel 12 Hasil pengujian huruf a percobaan
pertama
percobaan pertama dijadikan sebagai data
latih dan sebaliknya. Data latih percobaan
pertama untuk kelas 1 berjumlah 21, data latih
kelas 2 dan 3 berjumlah 30. Setiap data latih
diambil secara acak dari tiap-tiap kelas
sebesar 7 data dari kelas 1, 10 data dari kelas
2 dan 3. Kemudian, data latih yang diambil
secara acak digabungkan dengan data uji
percobaan pertama pada masing-masing kelas
dan data ini akan menjadi data latih yang baru,
sedangkan data latih percobaan pertama akan
menjadi data uji. Ilustrasi pengambilan data
ini dapat dilihat pada Gambar 8.
Data latih lama
Data uji lama
7 data
Kelas 1 :14 data
Kelas 1 : 21 data
Kelas 2: 30 data
Kelas 3: 30 data
10 data
10 data
Kelas 2 : 20 data
Kelas 3: 20 data
Hasil Prediksi
Aktual
1
2
3
Desire of
Culture
1
14
0
0
Talkative
2
0
19
1
Frankness
3
0
0
20
Berdasarkan hasil pengujian terhadap 54
data uji, diperoleh tingkat akurasi sebesar
98.15%. Kesalahan klasifikasi pada data uji
sebanyak 1 data dari total data uji sebanyak
54. Data uji yang salah diklasifikasikan
beserta hasil klasifikasinya dapat dilihat pada
Tabel 13.
Tabel 13 Kesalahan klasifikasi data uji huruf
a percobaan pertama
Hasil Klasifikasi
Kelas
aktual:
Kelas 2
Image
data uji
Contoh
Image
hasil
prediksi
Kelas
Prediksi:
Kelas 3
Salah satu data uji pada kelas 2
diklasifikasikan ke dalam kelas 3. Hal ini
disebabkan oleh bentuk citra uji tersebut mirip
dengan citra uji kelas 3 dan pada bagian atas
citra uji huruf a tersebut terlihat sedikit
tertutup seperti citra pada kelas 3.
Pada percobaan kedua huruf a, data latih
dan uji yang digunakan sama dengan
percobaan pertama tetapi data uji pada
Data uji baru
Data latih baru
Kelas 1 :14 data
Kelas 1 : 21 data
Kelas 2 : 20 data
Kelas 2: 30 data
Kelas 3: 20 data
Kelas 3: 30 data
Gambar 8 Ilustrasi pengambilan data latih
dan data uji baru huruf a
Setelah mendapatkan data latih dan data
uji yang baru, dilakukan pengenalan karakter
berdasarkan huruf a menggunakan parameterparameter JST propagasi balik yang optimal
dari percobaan sebelumnya. Pengujian
dilakukan terhadap 54 data uji dan hasil
pengujian dapat dilihat pada Tabel 14.
Tabel 14 Hasil pengujian huruf a percobaan
kedua
Aktual
Desire of
Culture
Talkative
Frankness
Hasil Prediksi
1
2
3
1
14
0
0
2
3
4
0
13
2
3
18
Berdasarkan hasil pada Tabel 14 dapat
dilihat bahwa generalisasi yang diperoleh
sebesar 83,33%. Generalisasi ini lebih kecil
dibandingkan dengan percobaan pertama. Hal
ini menunjukkan bahwa pemilihan data latih
dan data uji yang baru kurang baik
dibandingkan percobaan pertama. Data uji
yang salah terklasifikasi dapat dilihat pada
Lampiran 9.
10
Pada percobaan ketiga huruf a, jumlah
data kelas 2 dan 3 dikurangi masing-masing
sebanyak 9 citra sehingga total data latih kelas
2 dan 3 masing-masing menjadi 21 citra sama
seperti jumlah data pada kelas 1. Begitu juga
dengan data uji kelas 2 dan 3 dikurangi
masing-masing sebanyak 6 citra sehingga total
data uji kelas 2 dan 3 masing-masing menjadi
14 citra. Jadi, pada percobaan ketiga ini
jumlah seluruh data latih sebesar 63 citra dan
jumlah data uji sebanyak 42 citra. Hal ini
bertujuan untuk melihat hasil generalisasi
yang diperoleh jika jumlah data masingmasing kelas sama. Pengujian dilakukan
terhadap 42 data uji dan hasil pengujian dapat
dilihat pada Tabel 15.
Tabel 15 Hasil Pengujian huruf a percobaan
ketiga
Aktual
Desire of
Culture
Talkative
Frankness
Hasil Prediksi
1
2
3
1
14
0
0
2
3
0
0
12
3
2
11
Hasil klasifikasi data uji pada percobaan
ketiga huruf a diperoleh generalisasi sebesar
88,09 %. Data uji yang salah terklasifikasi
dapat dilihat pada Lampiran 10. Hasil ini lebih
besar dibandingkan pada percobaan kedua
karena data latih dan data uji yang digunakan
adalah data latih dan data uji pada percobaan
pertama hanya jumlah data kelas 2 dan 3
dikurangi. Pemilihan data percobaan pertama
lebih baik dibandingkan data pada percobaan
kedua sehingga generalisasi pada percobaan
ketiga masih lebih besar dibandingkan
percobaan kedua.
Jika percobaan ketiga dibandingkan
dengan percobaan pertama, maka generalisasi
dari percobaan ketiga lebih kecil karena
jumlah data yang digunakan lebih sedikit
sehingga pola yang dikenali jaringan kurang
bervariatif. Oleh karena itu, penambahan data
pada pelatihan dapat membuat jaringan lebih
bervariatif dalam mengenali pola, sehingga
generalisasi yang diperoleh pun lebih besar.
Data citra sebaiknya ditambah untuk melihat
kinerja sistem.
Berdasarkan percobaan pertama, kedua,
dan ketiga huruf a, hasil klasifikasi untuk
kelas 1 (a balok) selalu dikenali dengan benar
seluruhnya karena bentuk dari huruf a kelas 1
(a balok) ini memang sangat berbeda dengan
bentuk huruf a kelas 2 (a terbuka di atas) dan
kelas 3 (a tertutup). Kesalahan dalam
klasifikasi umumnya terjadi pada kelas 2 yang
diklasifikasikan ke dalam kelas 3 dan
sebaliknya, hal ini disebabkan oleh bentuk
huruf a kelas 2 dan 3 mirip dan perbedaanya
pun hanya ditentukan pada bagian atas huruf a
yaitu terbuka atau tertutup sehingga
kemungkinan salah klasifikasi cukup besar.
Generalisasi yang paling besar diperoleh pada
percobaan pertama yaitu sebesar 98,15%.
Oleh karena itu, data latih dan data uji dari
percobaan pertama yang akan digunakan
dalam penelitian ini.
Pengenalan Karakter Berdasarkan Huruf t
Pengenalan karakter berdasarkan huruf t
terdiri atas dua percobaan. Perobaan pertama
yaitu data latih yang digunakan sebanyak 90
citra dan data uji sebanyak 60 citra.
Parameter-parameter JST propagasi balik
yang digunakan berasal dari percobaan
sebelumnya. Kelas huruf t yang digunakan
dalam penelitian ini sebanyak tiga kelas yaitu
t bar balanced, t bar up turned, dan t bar
down turned, bentuk-bentuk huruf t yang
dianalisis dapat dilihat pada Tabel 16.
Pengujian dilakukan dengan 60 data uji dan
hasil pengujian dapat dilihat pada Tabel 17.
Tabel 16 Bentuk huruf t yang dianalisis
Bentuk
huruf t
Kelas
Nama
1
t bar balanced
2
t bar up turned
3
t bar down turned
Tabel 17 Hasil pengujian data uji huruf t
percobaan pertama
Hasil Prediksi
Aktual
1
2
3
t bar
balanced
1
14
4
2
t bar up
turned
2
3
15
2
t bar down
turned
3
2
3
15
Berdasarkan
Tabel
17,
diperoleh
generalisasi untuk pengenalan karakter huruf t
sebesar 73.33%. Kesalahan klasifikasi pada
data uji sebanyak 16 data dari total data uji
sebanyak 60. Beberapa data uji yang salah
11
diklasifikasikan beserta hasil klasifikasinya
dapat dilihat pada Tabel 18.
Tabel 18 Kesalahan klasifikasi data uji huruf t
percobaan pertama
Hasil Klasifikasi
Kelas
aktual:
Kelas 1
Kelas
aktual:
Kelas 1
Kelas
aktual:
Kelas 3
Image
data uji
Contoh
Image
hasil
prediksi
Kelas
Prediksi:
Kelas 2
Kelas
Prediksi:
Kelas 3
Kelas
Prediksi:
Kelas 2
Data uji yang salah terklasifikasi
selengkapnya dapat dilihat pada Lampiran 11.
Berdasarkan Tabel 18 dapat dilihat bahwa
data uji pada kelas 1 diklasifikasikan ke dalam
kelas 2 dan kelas 3, lalu data uji pada kelas 3
diklasifikasikan ke dalam kelas 2. Hal ini
disebabkan oleh bentuk citra uji tersebut mirip
dengan citra uji pada kelas prediksinya.
Misalnya pada citra uji pertama dapat dilihat
bar dari huruf t tersebut sedikit naik seperti
pada citra uji kelas prediksinya.
Pada percobaan kedua huruf t, data latih
dan uji yang digunakan sama dengan
percobaan pertama tetapi data uji pada
percobaan pertama dijadikan sebagai data
latih dan sebaliknya. Data latih percobaan
pertama untuk kelas 1,2, dan 3 berjumlah 30
data. Setiap data latih diambil secara acak dari
tiap-tiap kelas sebanyak 10 data. Kemudian,
data latih yang diambil secara acak
digabungkan dengan data uji percobaan
pertama pada masing-masing kelas dan data
ini akan menjadi data latih yang baru,
sedangkan data latih percobaan pertama yang
telah diambil 10 data dari masing-masing
kelas akan menjadi data uji baru. Ilustrasi
pengambilan data ini dapat dilihat pada
Gambar 9.
Data Latih
Kelas 1 : 30 data
Kelas 2: 30 data
Kelas 3: 30 data
Data Uji
10data
10 data
10 data
Data U