Pengenalan Tulisan Tangan Huruf Jawi (Arab Melayu) Berbentuk Kata Menggunakan Jaringan Saraf Tiruan
PENGENALAN TULISAN TANGAN HURUF JAWI (ARAB MELAYU) BERBENTUK KATA MENGGUNAKAN JARINGAN SARAF TIRUAN
SKRIPSI
YAYUK ANGGRAINI
091402009
PROGRAM STUDI TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
MEDAN
2014
(2)
PENGENALAN TULISAN TANGAN HURUF JAWI (ARAB MELAYU) BERBENTUK KATA MENGGUNAKAN JARINGAN SARAF TIRUAN
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah Sarjana Teknologi Informasi
YAYUK ANGGRAINI 091402009
PROGRAM STUDI TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA
MEDAN 2014
(3)
PERSETUJUAN
Judul : PENGENALAN TULISAN TANGAN HURUF
JAWI (ARAB MELAYU) BERBENTUK KATA MENGGUNAKAN JARINGAN SARAF TIRUAN
Kategori : SKRIPSI
Nama : YAYUK ANGGRAINI
Nomor Induk Mahasiswa : 091402009
Program Studi : SARJANA (S-1) TEKNOLOGI INFORMASI
Departemen : TEKNOLOGI INFORMASI
Fakultas : ILMU KOMPUTER DAN TEKNOLOGI
INFORMASI
Diluluskan di
Medan, 7 Februari 2014
Komisi Pembimbing :
Pembimbing 2 Pembimbing 1
Sajadin Sembiring, S.Si, M.Sc Dr. Erna Budhiarti Nababan, M.IT
Diketahui/Disetujui oleh
Program Studi Teknologi Informasi Ketua,
Prof. Dr. Opim Salim Sitompul, M.Sc NIP 19610817 198701 1001
(4)
PERNYATAAN
PENGENALAN TULISAN TANGAN HURUF JAWI (ARAB MELAYU) BERBENTUK KATA MENGGUNAKAN JARINGAN SARAF TIRUAN
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil kerja saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing disebutkan sumbernya.
Medan, Februari 2014
YAYUK ANGGRAINI 091402009
(5)
PENGHARGAAN
Puji dan syukur penulis panjatkan kepada Allah SWT Yang Maha Pengasih dan Maha Penyayang, dengan segala rahmat dan karunia-Nya penulis dapat menyelesaikan tugas akhir ini dalam waktu yang telah ditetapkan.
Dalam penyelesaian tugas akhir ini, tidak terlepas dari bantuan dan kerja sama serta doa dan dukungan dari berbagai pihak, untuk itu penulis sampaikan ucapan terima kasih sedalam-dalamnya dan penghargaan kepada :
1. Dekan dan Pembantu Dekan Fakultas Ilmu Komputer dan Teknologi
Informasi Universitas Sumatera Utara
2. Ketua dan Sekretaris Departemen Bapak Prof. Dr. Opim Salim Sitompul,
M.Sc dan Bapak Drs. Sawaluddin, M.Sc yang telah memberikan dukungan, arahan dan bantuannya dalam menyelesaikan tugas akhir ini.
3. Seluruh dosen Departemen Teknologi Informasi dan Ilmu Komputer USU
yang telah mengajarkan dan memberikan dukungan serta bantuannya dalam menyelesaikan tugas akhir ini.
4. Kepada Ibu Dr. Erna Budhiarti Nababan, M.IT dan Bapak Sajadin
Sembiring, S.Si, M.Sc selaku pembimbing yang selalu memberikan arahan, bimbingan, keluangan waktu serta dukungan dalam menyelesaikan tugas akhir ini beserta Bapak M. Fadly Syahputra, B.Sc.MSc.IT dan Bapak Baihaqi Siregar, S.Si, MT yang bersedia menguji seminar hasil dan sidang sarjana penulis.
5. Kepada kedua orang tua, Ibu Yulianis dan Ayah Syahrul Pili yang selalu
memberi doa, dorongan serta motivasi untuk menyelesaikan tugas akhir ini dan juga membantu dalam pembiayaan selama perkuliahan.
6. Untuk kakak penulis Desi Ariani dan adik – adik penulis, Mira, yuyun dan dedek yang telah memberikan bantuan doa dan dorongan dalam menyelesaikan tugas akhir ini.
7. Sahabat penulis, Aang, Zizi, Ari, Bagus, Rian, Robert, Upik, Irwan, Buyung,
Desi, Mitha, Umay, Rozy, Nita, Septi, bang Nanda, anak-anak TA, abang-kakak senior, adik-adik junior, dan seluruh teman-teman seperjuangan yang tidak dapat disebutkan namanya.
Semoga segala kebaikan dan bantuannya dibalas oleh Allah SWT dan semoga tugas akhir ini dapat bermanfaat bagi semua pihak yang memerlukannya.
(6)
ABSTRAK
Perkembangan teknologi dimasa sekarang begitu pesat, terutama dibidang komputer. Hal ini disebabkan komputer lebih unggul dibandingkan dengan alat hitung lainnya karena mampu mengingat data, mengambil keputusan yang logis, mengelola data dan informasi dan sebagainya. Salah satu yang sedang popular saat ini adalah teknologi pengenalan huruf. Pengenalan huruf tangan adalah proses untuk mengenali tulisan huruf seseorang oleh komputer. Penelitian ini adalah membuat sistem pengenalan tulisan tangan berbentuk huruf jawi (arab melayu) yang inputnya berupa tulisan huruf jawi (arab melayu) dan di scan, dikenali dengan huruf jawi (arab melayu)
menggunakan jaringan saraf tiruan. Metode zoning digunakan untuk meningkatkan
nilai fitur pada jaringan propagasi balik pada pengenalan huruf tulisan tangan. Metode ini membagi data sampel di bagi menjadi 30x17 zona, yaitu 510 zona dengan ukuran
masing-masing zona adalah 10x10 piksel. Metode zoning menghitung jumlah piksel
aktif (hitam) setiap zona dan melakukan perbandingan terhadap zona yang memiliki jumlah piksel aktif paling banyak. Selain itu juga dihitung rata-rata nilai zona setiap baris dan kolom. Dari ekstraksi fitur tersebut didapatkan 510 nilai fitu. Nilai fitur tersebut dijadikan masukan untuk klasifikasi menggunakan jaringan propagasi balik. Sebanyak 84 data sampel digunakan untuk pelatihan dan 21 data sampel berbeda digunakan untuk uji tingkat pengenalan. Dari pengujian yang dilakukan didapatkan
tingkat pengenalan menggunakan metode zoning fitur ekstraksi ini adalah 89.05%.
Kata Kunci—huruf tulisan tangan, jaringan saraf tiruan, propagasi balik, zoning.
(7)
Recognation on Jawi Letter Handwritting (Malayan Arab) By Words Using Artificial Neural Network
ABSTRACT
Technology nowadays had been developed rapidly, escpecially on computing. This issue is caused by computing is better than any other computations because it could memorizing the data, making logical decision, managing data and informations. Handwritting recognation is a process to recognize human handwritting by computer. In this research, the system made to recognize jawi letters (malayan arab) which the input constituted as scanned jawi letters handwritting, the method is using artificial neural network. Zoning method used to increase feature value on back propagation network at handwritting recognation. This method devided the sample to devide into 30x17 zone, is 510 zones with each zone with 10x10 pixel. The zoning method counts the amount of the active pixel (black) for each zone and process the comparison about the zone that have the most active pixel. Beside that it also count the average for the zone value for each row and colomn. By this extraction featured, gains 510 feature values. Feature values becomes input to classify using back propagation network. Eighty four of data samples to be used as trainning and 21 of deifferent data samples to be used to testing recognation. Along with the testing, resulting recognation level of this zoning feature extraction is 89.05%.
Keyword-- letter handwritting, artificial neural network, back propagation, zoning.
(8)
DAFTAR ISI
PERSETUJUAN ... i
PERNYATAAN ... ii
PENGHARGAAN ... iii
ABSTRAK ... iv
ABSTRACT ... v
DAFTAR ISI ... vi
DAFTAR TABEL ... viii
DAFTAR GAMBAR ... ix
BAB 1 PENDAHULUAN ... 1
1.1. Latar Belakang ... 1
1.2. Rumusan Masalah ... 2
1.3. Batasan Masalahs ... 2
1.4. Tujuan Penelitian ... 3
1.5. Manfaat Penelitian 3
1.6. Metode Penelitian ... 3
1.7. Sistematika Penulisan ... 4
BAB 2 TINJAUAN PUSTAKA ... 6
2.1. Pra-Pengenalan Pola ... 6
2.1.1. Citra Digital 6
2.2. Pengolahan Citra 7
a. Pembentukan Matriks Biner 7
b. Normalisasi 7
c. Thinning ... 8
2.3. Ekstraksi Fitur ... 8
2.3.1. Zoning 9
2.4. Jaringan Saraf Tiruan ... 9
2.5. Algoritma Propagasi Balik ... 9
1. Algoritma Pelatihan 11
(9)
2. Algoritma Aplikasi 12
2.5.1. Fungsi Aktifasi 13
2.5.2. Inisialisasi Bobot dan Bias 14
1. Inisialisasi Acak 14
2. Inisialisasi Nguyen Windrow 14
2.5.3. Pengupdate Bobot dengan Momentum 15
BAB 3 ANALISIS DAN PERANCANGAN ... 17
3.1. Analisis data Sistem 17
3.2. Pra-Pengolahan Citra 17
a. Pembentukan Matrik Biner 18
b. Normalisasi 19
c. Thinning ... 20
3.3. Ekstraksi Fitur ... 21
3.4. Metode Ekstraksi Zoning 22
3.5. Tahap Setelah Ekstraksi Fitur ... 24
3.6. Perancangan Jaringan Propagasi Balik 24
3.6.1. Proses Pelatihan 26
3.6.2. Proses Pengujian ... 27
BAB 4 IMPLEMENTASI DAN PENGUJIAN SISTEM ... 28
4.1. Implementasi ... 28
4.2. Spesifikasi Perangkat Keras dan Perangkat Keras ... 29
4.3. Pengujian . 29
4.4. Persiapan Sistem Jaringan Saraf Tiruan 29
4.5. Hasil Pelatihan 30
4.6. Hasil Pelatihan Jaringan Saraf Tiruan 31
4.7. Hasil Pengujian Jaringan Saraf Tiruan ... 35
BAB 5 KESIMPULAN DAN SARAN ... 38
5.1. Kesimpulan ... 38
5.2. Saran ... 38
DAFTAR PUSTAKA ... 39
LAMPIRAN A 41
(10)
DAFTAR TABEL
Hal
Tabel 1. Vektor Output dan Target Keluaran Jaringan 26
Tabel 4.1 Hasil Pelatihan Jaringan Saraf Tiruan Propagasi Balik 31
Tabel 4.2 Hasil Pengujian Jaringan Saraf Tiruan Propagasi Balik 36
(11)
DAFTAR GAMBAR
Hal
Gambar 2.1 Jaringan Propagasi Balik dengan Satu Buah Lapisan Tersembunyi 10
Gambar 2.2 Fungsi Sigmoid Biner dengan Rentang (0,1) 14
Gambar 3.1 Tahapan Pra-Pengolahan Citra 18
Gambar 3.2 Flowchart Matriks Biner 19
Gambar 3.3 Citra Hasil Normalisasi 20
Gambar 3.4 Citra Hasil Thinning 20
Gambar 3.5 Diagram Ekstraksi Fitur 21
Gambar 3.6 Flowchart Ekstraksi Fitur Zoning 23
Gambar 3.7 Hasil Zoning 24
Gambar 4.1 Input Citra Pengujian 30
Gambar 4.2 Output Citra Pengujian 30
Gambar 4.3 Hasil Citra Algoritma Zoning 30
(12)
ABSTRAK
Perkembangan teknologi dimasa sekarang begitu pesat, terutama dibidang komputer. Hal ini disebabkan komputer lebih unggul dibandingkan dengan alat hitung lainnya karena mampu mengingat data, mengambil keputusan yang logis, mengelola data dan informasi dan sebagainya. Salah satu yang sedang popular saat ini adalah teknologi pengenalan huruf. Pengenalan huruf tangan adalah proses untuk mengenali tulisan huruf seseorang oleh komputer. Penelitian ini adalah membuat sistem pengenalan tulisan tangan berbentuk huruf jawi (arab melayu) yang inputnya berupa tulisan huruf jawi (arab melayu) dan di scan, dikenali dengan huruf jawi (arab melayu)
menggunakan jaringan saraf tiruan. Metode zoning digunakan untuk meningkatkan
nilai fitur pada jaringan propagasi balik pada pengenalan huruf tulisan tangan. Metode ini membagi data sampel di bagi menjadi 30x17 zona, yaitu 510 zona dengan ukuran
masing-masing zona adalah 10x10 piksel. Metode zoning menghitung jumlah piksel
aktif (hitam) setiap zona dan melakukan perbandingan terhadap zona yang memiliki jumlah piksel aktif paling banyak. Selain itu juga dihitung rata-rata nilai zona setiap baris dan kolom. Dari ekstraksi fitur tersebut didapatkan 510 nilai fitu. Nilai fitur tersebut dijadikan masukan untuk klasifikasi menggunakan jaringan propagasi balik. Sebanyak 84 data sampel digunakan untuk pelatihan dan 21 data sampel berbeda digunakan untuk uji tingkat pengenalan. Dari pengujian yang dilakukan didapatkan
tingkat pengenalan menggunakan metode zoning fitur ekstraksi ini adalah 89.05%.
Kata Kunci—huruf tulisan tangan, jaringan saraf tiruan, propagasi balik, zoning.
(13)
Recognation on Jawi Letter Handwritting (Malayan Arab) By Words Using Artificial Neural Network
ABSTRACT
Technology nowadays had been developed rapidly, escpecially on computing. This issue is caused by computing is better than any other computations because it could memorizing the data, making logical decision, managing data and informations. Handwritting recognation is a process to recognize human handwritting by computer. In this research, the system made to recognize jawi letters (malayan arab) which the input constituted as scanned jawi letters handwritting, the method is using artificial neural network. Zoning method used to increase feature value on back propagation network at handwritting recognation. This method devided the sample to devide into 30x17 zone, is 510 zones with each zone with 10x10 pixel. The zoning method counts the amount of the active pixel (black) for each zone and process the comparison about the zone that have the most active pixel. Beside that it also count the average for the zone value for each row and colomn. By this extraction featured, gains 510 feature values. Feature values becomes input to classify using back propagation network. Eighty four of data samples to be used as trainning and 21 of deifferent data samples to be used to testing recognation. Along with the testing, resulting recognation level of this zoning feature extraction is 89.05%.
Keyword-- letter handwritting, artificial neural network, back propagation, zoning.
(14)
BAB 1 PENDAHULUAN
1.1 Latar Belakang
Perkembangan teknologi dimasa sekarang begitu pesat, terutama di bidang komputer. Pemanfaatan komputer semakin digunakan untuk mempermudah pekerjaan, karena setiap informasi yang dihasilkan akan selalu ditampilkan kedalam bentuk informasi yang akurat dan spesifik, baik itu dibidang pendidikan, kesehatan, ekonomi dan sebagainya. Hal ini disebabkan komputer lebih unggul dibandingkan dengan alat hitung lainnya karena mampu mengingat data, mengambil keputusan yang logis, mengelola data dan informasi dan sebagainya. Salah satunya yang sedang popular saat ini adalah teknologi pengenalan huruf. Pengenalan huruf tangan adalah proses untuk mengenali tulisan huruf seseorang oleh komputer.
Pengenalan tulisan tangan secara luas dianggap sebagai salah satu masalah yang paling sulit dalam bidang pengenalan pola karena besarnya variasi yang hadir dalam pola masukan (Plamondon & Srihari, 2000). Penelitian mengenai penulisan
tangan banyak dilakukan salah satunya adalah Pengenalan Tulisan Tangan Latin
Bersambung Menggunakan Jaringan Saraf Tiruan Propagasi Balik (Khairunnisa, 2012).
Tahapan awal untuk pengenalan tulisan tangan adalah prapengolahan citra, dan fitur ekstraksi. Beberapa metode ekstraksi yang dapat digunakan adalah model
deformable, profil kontur, zoning, momen zernike, dekriptor fourier dan gabor.
Pada penelitian ini penulis mengambil fitur ekstraksi dengan metode zoning. Untuk setiap data sampel yang telah melalui proses prapengolahan citra akan
dilakukan ekstraksi fitur. Ekstrak sidilakukan menggunakan metode zoning.
(15)
Jaringan saraf tiruan adalah sistem pemroses informasi yang memiliki karakteristik mirip dengan jaringan saraf manusia. Jaringan saraf tiruan telah banyak digunakan
dalam bidang pengenalan pola (pattern rcognition). salah satu implementasinya
adalah pengenalan karakter. Metode propagasi balik merupakan metode yang sangat baik dalam menangani masalah pengenalan pola-pola kompleks, metode ini merupakan metode jaringan saraf tiruan yang populer (Puspitaningrum, 2006).
Permasalahan yang muncul pada proses pengenalan tulisan tangan adalah bagaimana sebuah teknik pengenalan dapat mengenali berbagai tulisan tangan dengan ukuran, ketebalan yang berbeda, posisi kemiringan citra tulisan pada saat pengambilan citra tulisan tangan tersebut melalui alat camera atau scanner. Dari permasalahan tersebut dapat diambil satu permasalahan utama yaitu bagaimana tulisan tangan dapat dikenali sebagai kata yang benar, bagaimana mekanisme algoritma yang diterapkan sehingga mekanisme ukuran dan bentuk pola yang berbeda, pola tersebut dapat dikenali sebagai kata yang sama dan faktor apa saja yang dapat mempengaruhi hasil pengenalannya.
Pada Tugas Akhir ini, akan dibahas pengenalan tulisan tangan yang berbentuk huruf jawi (arab melayu) dalam bentuk kata. Pengenalan dilakukan dengan jaringan saraf tiruan menggunakan metode propagasi balik.
1.2 Rumusan Masalah
Berdasarkana latar belakang diatas dapat diambil satu permasalahan yaitu : Bagaimana komputer dapat mengenali karakter dari tulisan tangan yang berbentuk huruf jawi (arab melayu)
1.3 Batasan Masalah
Adapun batasan masalah pada penelitian ini adalah:
1. Citra gambar berupa tulisan tangan yang berbentuk huruf jawi (arab
melayu) dalam bentuk kata.
2. Diambil dari 12 tulisan tangan orang, dengan setiap orang menuliskan 7 sampel kata yang berbeda.
(16)
3. Metode yang dipakai adalah jaringan saraf tiruan
4. Arsitektur jaringan saraf tiruan yang dipakai adalah jaringan saraf tiruan propagasi balik.
1.4 Tujuan Penelitian
Tujuan dari penelitian ini adalah membuat sistem pengenalan tulisan tangan berbentuk huruf jawi (arab melayu) yang inputnya berupa tulisan huruf jawi dan discan, dikenali dengan huruf jawi menggunakan jaringan saraf tiruan.
1.5 Manfaat Penelitian
Manfaat dari penelitian ini adalah:
1. Agar dapat dijadikan salah satu alternative lain dalam pengenalan tulisan
tangan yang berbentuk hufur jawi.
2. Mengetahui kemampuan metode jaringan saraf tiruan propagasi balik untuk
pengenalan tulisan tangan yang berbentuk huruf jawi .
3. Menambah pemahaman penulis tentang jaringan saraf tiruan propagasi balik
untuk pengenalan tulisan tangan yang berbentuk huruf jawi.
1.6 Metode Penelitian
Tahapan-tahapan yang akan dilakukan pada pelaksanaan skripsi ini adalah sebagai berikut:
1. Studi Literatur
Studi literatur dilakukan dengan mengumpulkan bahan-bahan referensi baik dari buku, artikel, paper, jurnal, makalah, maupun situs-situs internet. Studi literatur yang dilakukan terkait dengan pengenalan tulisan tangan.
2. Analisis Permasalahan
Pada tahap ini dilakukan analisis terhadap hasil studi literatur untuk mengetahui dan mendapatkan pemahaman mengenai jaringan saraf tiruan untuk menyelesaikan masalah pengenalan tulisan tangan.
(17)
3. Perancangan Sistem
Pada tahap ini dilakukan perancangan arsitektur, pengumpulan data pelatihan, pemilihan lingkungan pengembangan dan perancangan antarmuka. Proses perancangan dilakukan berdasarkan hasil analisis studi literatur yang telah didapatkan.
4. Implementasi Sistem
Pada tahap ini dilakukan proses implementasi pengkodean program dalam aplikasi komputer menggunakan bahasa pemrograman yang telah dipilih yang sesuai dengan analisis dan perancangan yang sudah dilakukan. Pelatihan jaringan, verifikasi dan validasi.
5. Pengujian
Pada tahap ini dilakukan proses pengujian dan percobaan terhadap sistem sesuai dengan kebutuhan yang ditentukan sebelumnya serta memastikan program yang dibuat berjalan seperti yang diharapkan.
6. Dokumentasi
Pada tahap ini dilakukan pembuatan dokumentasi sistem, lengkap dengan analisis yang diperoleh.
7. Penyusunan Laporan
Pada tahap ini dilakukan dokumentasi hasil analisis dan implementasi dari jaringan saraf tiruan propagasi balik.
1.7 Sistematika Penulisan
Penulisan skripsi ini menggunakan sistematika penulisan yang membagi pembahasan skrispi dalam lima bagian utama, yang terdiri atas:
(18)
Bab I Pendahuluan
Pada bab ini merupakan pendahuluan yang berisi latar belakang, rumusan masalah, tujuan penelitian, batasan masalah, metodologi penelitian, dan sistematika penulisan skripsi.
Bab II Tinjauan Pustaka
Pada bab ini membahas mengenai teori-teori yang digunakan untuk memahami permasalahan yang berkaitan dengan pengenalan tulisan tangan yaitu pengolahan citra, ektraksi fitur dan jaringan saraf tiruan.
Bab III Analisis dan Perancangan Sistem
Pada bab ini berisikan analisis mengenai metode yang digunakan untuk menyelesaikan masalah dan perancangan dari sistem yang dibangun.
Bab IV Implementasi dan Pengujian Sistem
Pada bab ini dibahas mengenai spesifikasi kebutuhan perangkat keras (hardware) dan perangkat lunak (software) dari sistem. Kemudian terdapat cara kerja dari sistem dan menampilkan hasil dari pengujian sistem ini.
Bab V Kesimpulan dan Saran
Pada bab ini dibuat mengenai rangkuman dari hasil analisis dan implementasi kerja sistem pada bagian sebelumnya, dan pada bagian ini terdapat saran yang diberikan untuk pengembangan sistem selanjutnya.
(19)
BAB 2
TINJAUAN PUSTAKA
Pada bab ini akan membahas landasan teori-teori yang bersifat ilmiah untuk mendukung penulisan skripsi ini. Teknik-teknik yang dibahas mengenai pengenalan pola, prapengolahan citra, jaringan saraf tiruan propagasi balik dan beberapa sub pokok pembahasan lainnya yang menjadi landasan teori dalam penulisan skripsi ini.
2.1. Pra-Pengolahan Citra
Citra disebut sebagai gambaran dari objek yang telah mengalami perubahan dalam pengolahan
2.1.1. Citra Digital
Citra digital didefenisikan sebagai representasi diskrit dari data spasial (tata letak) dan intensitas (warna) informasi (Solomon & Breckon, 2011). Citra digital dapat diproses secara langsung oleh komputer.
Ada banyak cara untuk menyimpan citra digital kedalam memori. Seperti:
1. Citra biner hanya memiliki 2 warna, yaitu warna hitam dan warna putih. Satu
piksel membutuhkan satu bit memori untuk menyimpan kedua warna ini yaitu hitam dan putih. piksel-piksel objek bernilai 1 yaitu berwarna hitam dan piksel-piksel latar belakang bernilai 0 yaitu berwarna putih.
(20)
2. Citra keabuan adalah citra yang setiap pikselnya mengandung satu layer di
mana nilai intensitasnya berada pada interval 0 (hitam) – 255 (putih).
Untukmenghitung citra grayscale (keabuan) digunakan rumus:
dengan I(x,y) adalah level keabuan pada suatu koordinat yang diperoleh dengan
mengatur warna R (merah), G (hijau), B (biru) yang ditunjukkan oleh nilai parameter
α, dan . Secara umum nilai α, dan adalah 0.γγ. Nilai yang lain juga dapat
diberikan untuk ketiga parameter tersbut asalkan total keseluruhannya adalah 1 (Putra, 2009).
3. Citra warna adalah setiap piksel pada citra warna yang merupakan kombinasi
dari tiga warna dasar RGB (Red Green Blue). Setiap warna dasar menggunakan penyimpanan 8 bit = 1 byte yang berarti setiap warna mempunyai tingkatan sebanyak 255 warna.
2.2. Pengolahan Citra
Tujuan dari pengolahan citra adalah untuk mendapatkan informasi dari citra dan menghasilkan citra yang diinginkan. Terlebih dahulu citra harus diolah sebelum masuk ke proses jaringan saraf tiruan
a. Pembentukan Matriks Biner (Binarization)
Proses ini akan menghasilkan citra hitam putih yang bersih dari tingkat keabun (grayscale), atau dengan kata lain metode ini mengonversi citra gray-level ke citra bilevel (binary image). Pada tahap ini setiap nilai pixel RGB akan diambil nilai rata-ratanya untuk kemudian dicek, jika nilai yang dihasilkan kurang dari
nilai threshold yang dihasilkan maka nilai pixel tersebut diubah menjadi warna
hitam, sebaliknya jika lebih besar dari nilai konstan maka akan diubah menjadi warna putih (Khairunnisa, 2012).
b. Normalisasi
Normalisasi adalah proses mengubah ukuran citra, baik menambah atau mengurangi, menjadi ukuran yang ditentukan tanpa menghilangkan informasi penting dari citra tersebut (Sharma, dkk, 2012). Dengan adanya proses normalisasi maka ukuran semua citra yang akan diproses menjadi seragam.
(21)
c. Thinning
Thinning adalah proses pengurangan data yang mengikis (erode) sebuah objek hingga menjadi ukuran 1 piksel dan menghasilkan kerangka (skeleton) dari
objek tersebut. Objek seperti huruf atau silhouettes dapat lebih mudah dikenali
dengan melihat kepada kerangkanya saja (Phillips, 2000). Pada penelitian ini digunakan algoritma thinning Zhang-Suen.
Algoritma ini untuk citra biner, dimana piksel background citra bernilai
0, dan piksel foreground (region) bernilai 1. Algoritma ini cocok untuk
aplikasi OCR (Optical Character Recognition), yang digunakan untuk bentuk
yang diperpanjang (elongated). Algoritma ini terdiri dari beberapa
penelusuran, dimana setiap penelusurannya terdiri dari 2 langkah dasar yang diaplikasikan terhadap titik yang pikselnya bernilai 1, dan memiliki paling sedikit 1 piksel dari 8-tetangganya yang bernilai 0.
2.3. Ekstraksi Fitur (Feature Extraction)
Feature extraction adalah proses pengukuran terhadap data yang telah dinormalisasi untuk membentuk sebuah nilai fitur. Nilai fitur digunakan oleh pengklasifikasi untuk mengenali unit masukan dengan unit target keluaran dan memudahkan pengklasifikasian karena nilai ini mudah untuk dibedakan (Pradeep, dkk, 2011).
Secara luas, fitur adalah semua hasil pengukuran yang bisa diperoleh. Fitur juga bisa menggambarkan karakteristik objek yang dipantau (Putra, 2009). Contoh dari fitur level rendah adalah intensitas sinyal. Fitur bisa berupa simbol, numerik atau keduanya. Contoh dari fitur simbol adalah warna. Contoh dari fitur numerik adalah berat. Fitur bisa diperoleh dengan mengaplikasikan algoritma pencari fitur pada data masukan. Fitur dapat dinyatakan dengan variabel kontinu, diskret atau diskret-biner. Fitur biner dapat digunakan untuk menyatakan ada tidaknya suatu fitur tertentu (Putra, 2012).
Fitur yang baik memiliki syarat berikut, yaitu mudah dalam komputasi, memiliki tingkat keberhasilan yang tinggi dan besarnya data dapat diperkecil tanpa menghilangkan informasi penting (Putra, 2009).
(22)
2.3.1. Zoning
Zoning adalah salah satu ekstraksi fitur yang paling popular dan sederhana untuk diimplementasikan (Sharma, dkk, 2012). Sistem optical character recognition (OCR)
komersil yang dikembangkan oleh CALERA menggunakan metode zoning pada citra
biner (Bosker, 1992). Setiap citra dibagi menjadi NxM zona dan dari setiap zona tersebut dihitung nilai fitur sehingga didapatkan fitur dengan panjang NxM. Salah satu cara menghitung nilai fitur setiap zona adalah dengan menghitung jumlah piksel hitam setiap zona dan membaginya dengan jumlah piksel hitam terbanyak yang terdapat pada salah satu zona (Putra, 2012).
2.4. Jaringan Saraf Tiruan
Jaringan Saraf Tiruan adalah jaringan komputasional yang mensimulasikan jaringan sel saraf (neuron) dari pusat sistem saraf makhluk hidup (manusia atau hewan) (Graupe, 2007). Jaringan saraf tiruan pertama kali didesain oleh Warren Mc-Culloh dan Walter Pitts pada tahun 1943.Mc Cullah-Pitts menemukan bahwa dengan mengkombinasikan banyak neuron sederhana sehingga menjadi sebuah sistem saraf merupakan peningkatan tenaga komputasional.
Jaringan saraf tiruan disusun dengan asumsi yang sama seperti jaringan saraf biologi (Puspitaningrum, 2006):
1. Pengolahan informasi terjadi pada elemen-elemen pemrosesan (neuron).
2. Sinyal antara dua buah neuron diteruskan melalui link-link koneksi.
3. Setiap link koneksi memiliki bobot terasosiasi.
4. Setiap neuron menerapkan sebuah fungsi aktivasi terhadap input jaringan (jumlah
sinyal input berbobot). Tujuannya adalah untuk menentukan sinyal output.
2.5. Algoritma Propagasi Balik
Algoritma propagasi balik (Back Propagation) pertama dikembangkan pada tahun
1986 oleh Rumelhart, Hinton dan Williams untuk menentukan bobot dan digunakan
untuk pelatihan perceptron multi lapis (Graupe, 2007). Metode propagasi balik
(23)
merupakan metode yang sangat baik dalam menangani masalah pengelanan pola-pola kompleks. Metode ini merupakan metode jaringan saraf tiruan yang populer. Beberapa contoh aplikasi yang melibatkan metode ini adalah pengompresian data, pendeteksian virus komputer, pengidentifikasian objek, sintesis suara dari teks, dan lain lain (Puspitaningrum, 2006).
Istilah ―propagasi balik‖ diambil dari cara kerja jaringan ini, yaitu bahwa gradient error unit-unit tersembunyi diturunkan dari penyiaran kembali error-error yang diasosiasikan dengan unit-unit output. Hal ini karena nilai target untuk unit-unti tersembunyi tidak diberikan (Puspitaningrum, 2006). Propagasi balik adalah metode
pembelajaran terawasi (supervised learning). Metode ini membutuhkan nilai yang
sudah ditentukan sebelumnya untuk mendapatkan output yang diinginkan pada proses pembelajaran. Contoh jaringan propagasi balik dengan satu buah lapisan tersembunyi dapat dilihat pada Gambar 2.1
Gambar 2.1 Jaringan propagasi balik dengan satu buah lapisan tersembunyi (Puspitaningrum, 2006)
Algoritma propagasi balik dapat dibagi ke dalam 2 bagian (Puspitaningrum, 2006):
1. Algoritma pelatihan
Terdiri dari 3 tahap: tahap umpan maju pola pelatihan input, tahap pemropagasian
error, dan tahap pengaturan bobot.
(24)
2. Algoritma aplikasi
Yang digunakan hanyalah tahap umpan maju saja.
1. Algoritma Pelatihan
Inisialisasi bobot-bobot.
Tentukan pula nilai toleransi error atau nilai ambang (bila menggunakan nilai
ambang sebagai kondisi berhenti); atau set maksimal epoch (bila menggunakan banyaknya epoch sebagai kondisi berhenti).
1. While kondisi berhenti tidak terpenuhi do langkah ke-2 sampai langkah ke-9.
2. Untuk setiap pasangan pola pelatihan, lakukan langkah ke-3 sampai langkah
ke-8.
A. Tahap Umpan Maju
3. Setiap unit input xi (dari unit ke-1 sampai unit ke-n pada lapisan input)
mengirimkan sinyal input ke semua unit yang ada di lapisan atasnya (ke lapisan tersembunyi)
4. Pada setiap unit di lapisan tersembunyi zj (dari unit ke-1 sampai unit ke-p; i=i,…,n; j=,...,p) sinyal output lapisan tersembunyinya dihitung dengan menerapkan fungsi ativasi terhadap penjumlahan sinyal-sinyal input berbobot xi:
( ∑
)
kemudian dikirim ke semua unit di lapisan atasnya.
5. Setiap unit di lapisan output yk (dari unit ke-1 sampai unit ke-m; i=1,...,n; k=1,…,m) dihitung sinyal outputnya dengan menerapkan fungsi aktivasi
terhadap penjumlahan sinyal-sinyal input berbobot zj bagi lapisan ini:
( ∑
)
B. Tahap Pemropagasibalikan Error
6. Setiap unit output yk (dari unit ke-1 sampai unit ke-m; i=1,…,p; k=1,….,m)
menerima pol target tklalu informasi kesalahan lapisan output (δk) dihitung. δk
dikirim ke lapisan di bawahnya dan digunakan untuk mengitung besar koreksi
(25)
bobot dan bias (Δwjk dan Δw0k) antara lapisan tersembunyi dengan lapisan output:
∑
Δwjk= α δk zj Δw0k= α δk
7. Pada setiap unit di lapisan tersembunyi (dari unit ke-1 sampai unit ke-p;
i=1,…,n; j=1,…,p; k=1,…,m) dilakukan perhitungan informasi kesalahan lapisan tersembunyi (δj). δj kemudian digunakan untuk menghitung besar
koreksi bobot dan bias (Δwjk dan Δw0k) antara lapisan input dan lapisan tersembunyi.
(∑
) ( ∑
) Δvij= α δj xi
Δv0j= α δj
C. Tahap Peng-update-an Bobot dan Bias
8. Pada setiap unit output yk (dari unit ke-1 sampai unit ke-m) dilakukan
peng-update-an bias dan bobot (j=0,…,p; k=1,…,m) sehingga bias dan bobot baru menjadi: wjk (baru) = wjk(lama) + Δ wjk
Dari unit ke-1 sampai unit ke-p di lapisan tersembunyi juga dilakukan
peng-update-an pada bias dan bobotnya (i=0,…,n; j=1,…,p):
vij (baru) = vij(lama) + Δ vij
9. Tes kondisi berhenti.
2. Algoritma Aplikasi
Inisialisasi bobot.Bobot ini diambil dari bobot-bobot terakhir yang diperoleh dari algoritma pelatihan.
(26)
1. Untuk seitap vektor input, lakukanlah langkah ke-2 sampai ke-4.
2. Setiap unit input xi (dari unit ke-1 sampai unit ke-n pada lapisan input; i=1,…,n) menerima sinyal input pengujian xi dan menyiarkan sinyal xi ke
semua unikt pada lapisan di atasnya (unit-unit tersembunyi).
3. Setiap unit di lapisaan tersembunyi zj (dari unit ke-1 sampai unit ke-p; i=1,…,n; j=1,….,p) menghitung sinyal outputnya dengan menerapkan fungsi
aktivasi terhadap penjumlahan sinyal-sinyal input xi. Sinyal output dari lapisan
tersembunyi kemudian dikirim ke semua unit pada lapisan di atasnya:
( ∑
)
4. Setiap unit output yk (dari unit ke-1 sampai unit ke-m; j=1,…,p; k=1,…,m)
menghitung sinyal outputnya dengan menerapkan fungsi aktivasi terhadap penjumlahan sinyal-sinyal input bagi lapisan ini, yaitu sinyal-sinyal input zj
dari lapisan tersembunyi:
∑
2.5.1 Fungsi Aktifasi
Pilihan fungsi aktivasi yang dapat digunakan pada metode propagasi balik yaitu fungsi sigmoid biner, sigmoid bipolar dan tangent hiperbolik.Karakteristiki yang harus miliki fungsi aktivasi tersebut adalah kontinu, diferensiabel dan tidak menurun secara monoton.Fungsi aktivasi diharapkan jenuh (mendekati nilai-nilai maksimum dan minimum secara asimtot) (Puspitaningrum, 2006).
1. Fungsi Sigmoid Biner
Fungsi ini merupakan fungsi yang umum digunakan. Rentang-nya adalah (0,1) dan didefenisikan sebagai :
(27)
dengan turunan :
( )
Fungsi sigmoid biner diilustrasikan pada gambar 2.2.
Gambar 2.2 Fungsi sigmoid biner dengan rentang (0,1) (Puspitaningrum, 2006)
2.5.2 Inisialisasi Bobot dan Bias
Cepat atau tidaknya pembelajaran pada pelatihan jaringan propagasi balik salah satunya dipengaruhi oleh nilai bobot antar neuron dan nilai bias. Semakin baik inisialisasi bobot dan bias semakin cepat pula pembelajaran jaringan propagasi balik. Bobot dan bias pada jaringan propagasi balik dapat dinisialisasi dengan berbagai cara seperti inisialisasi acak, nguyen-widrow dan lain-lain (Putra, 2012).
1. Inisialisasi Acak
Prosedur yang umum dilakukan adalah menginisialisasi bias dan bobot, baik dari unit input ke unit tersembunyi maupun dari unit tersembunyi ke unit
output secara acak dalam sebuah interval tertentu (- dan ), misalnya antara
-0.4 sampai -0.4, -0.5 sampai 0.5, dan -1 sampai 1 (Puspitaningrum, 2006).
(28)
2. Inisialisasi Nguyen Windrow
Waktu pembelajaran jaringan propagasi balik yang bobot dan biasnya diinisalisasi dengan inisialisasi Nguyen-Widrow lebih cepat dibandingkan bila diinisialisasi dengan inisialisasi acak. Pada inisialisasi Nguyen-Widrow, inisialisasi acak tetap terpakai tetapi digunakan untuk menginisialisasi bias dan bobot dari unit tersembunyi ke unit output saja. Untuk bias dan bobot dari unit-unit input ke unit-unit-unit-unit tersembuyi digunakan bias dan bobot yang khusus diskala agar jatuh pada range tertentu. Dengan penskalaan maka diharapkan kemampuan belajar dari unit-unit tersembunyi dapat meningkat.
Faktor skala Nguyen-Widrow ( ) didefenisikan sebagai :
⁄
di mana :
n = banyak unit input
p = banyak unit tersembunyi
= faktor skala
Prosedur inisialisasi Nguyen-Widrow
Untuk setiap unit tersembunyi dari unit ke-1 sampai unit ke-p :
1. Inisialisasi vektor bobot dari unit-unit input ke unit-unit tersembunyi (j = 1, …,
p) dengan cara :
a. Menentukan bobot-bobot antara unit input ke unit tersembunyi (vij) :
vij(lama) = bilangan acak antara - dan di mana i = 1, …, n.
b. Menghitung ||vij ||.
c. Menginisialisasi kembali vij :
‖ ‖
2. Menentukan bias antara unit input ke unit tersembuni (j = 1, …, p). voj diset
dengan bilangan acak yang terletak pada skala antara - dan .
2.5.3 Pengupdate Bobot dengan Momentum
(29)
Penambahan parameter momentum dalam mengupdate bobot seringkali bisa mempercepat proses pelatihan. Ini disebabkan karena momentum memaksa proses perubahan bobot terus bergerak sehingga tidak terperangkap dalam minimum-minimum lokal. Pengupdatean bobot pada proses pelatihan jaringan yang biasa adalah sebagai berikut :
Δwjk= α δk zj Δvij= α δjxi
Jika error tidak terjadi (output actual telah sama dengan output target) maka δk
menjadi nol dan hal ini akan menyebabkan koreksi bobot Δwjk = 0, atau dengan kata lain pengupdatean bobot berlanjut dalam arah yang sama seperti sebelumnya.
Jika parameter momentum digunakan maka persamaan-persamaan pengupdatean bobot dengan langkah pelatihan t, dan t+1 untuk langkah pelatihan selajutnya, mengalami modifikasi sebagai berikut :
Δwjk(t + 1) = α δk zj+ µ Δwjk(t) Δvij(t + 1) = α δj xi+ µ Δvij(t)
dengan µ adalah parameter momentum dalam range antara 0 sampai 1.
(30)
BAB 3
ANALISIS DAN PERANCANGAN
Pada bab ini dibahas tentang bagaimana proses sistem jaringan saraf tiruan dengan menggunakan metode propagasi balik untuk pengenalan tulisan tangan berbentuk huruf jawi (arab melayu) dan membahas tentang analisis kebutuhan sistem tersebut beserta perancangan sistemnya. Pada tahap perancangan sistem yang dilakukan adalah mentransformasikan model analisis ke model perancangan.
3.1 Analisis Data Sistem
Data dan sampel yang akan digunakan adalah tulisan tangan yang berbentuk huruf jawi (arab melayu) ditulis dikertas putih dengan tinta berwarna hitam. Setelah pengambilan data, data tersebut di scan, setelah itu hasil scannernya di simpan dalam bentuk folder jpeg.
Untuk melakukan pengenalan tulisan tangan berbentuk huruf jawi (arab melayu)menggunakan jaringan saraf tiruan harus melalui tahapan-tahapan tertentu sehingga dapat menjadi masukan yang baik bagi jaringan saraf tiruan. Jumlah data yang diambil sebanyak 12 pola tulisan tangan berbentuk huruf arab melayu (jawi) dari 12 orang, 1 orang terdiri dari 7 kata (kata yang diambil adalah nama-nama hari).
3.2 Pra - Pengolahan Citra
Sebelum ketahapan jaringan saraf tiruan, terlebih dahulu data yang telah diambil dilakukan proses prapengolahan citra. Pada sistem ini prapengolahan yang dilakukan
adalah binarization, normalisasi, thinning dan feature extraction.
(31)
Gambar 3.1 Tahapan Pra-Pengolahan citra
a) Pembentukan Matriks Biner (Binarization)
Matriks biner citra ini menghasilkan citra hitam putih yang bersih dari tingkat
keabun (grayscale), atau dengan kata lain metode ini mengonversi citra
gray-level ke citra bilevel (binary image). Pada tahap ini setiap nilai pixel RGB akan diambil nilai rata-ratanya untuk kemudian dicek, jika nilai yang dihasilkan kurang dari nilai threshold yang dihasilkan maka nilai pixel tersebut diubah menjadi warna hitam, sebaliknya jika lebih besar dari nilai konstan maka akan diubah menjadi warna putih (Khairunnisa, 2012).
Jika citra dari nilai pixel pada koordinat (x,y) berwarna hitam maka nilai matriks biner pada baris i dan kolom j adalah 1, dan sebaliknya 0. Adapun diagram alir proses dari matriks biner ini dapat dilihat pada gambar 3.2 :
(32)
Mulai
Inisialisasi tinggi, lebar
x= 0 y = 0
y < tinggi
x < lebar
Nilai rata-rata (x,y) = (R + G +
B) /3 ya
(x,y) < T Matriks[y][x] = 1
Matriks[y][x] = 0 ya tidak
tidak
Selesai tidak
ya
x= x + 1
y = y + 1
Gambar 3.2 Matriks Biner
b) Normalisasi
Ukuran citra yang telah di crop berbeda-beda sehingga belum bisa digunakan sebagai masukan standar untuk diektraksi. Citra tersebut haruslah dinormalisasi terlebih dahulu yaitu dengan menggunakan ukuran citra yang sesuai untuk diekstrakkan yaitu 300x170 pixel. Contoh citra hasil pemotongan yang dinormalisasi dapat dilihat pada Gambar 3.3.
(33)
Gambar 3.3. hasil citra normalisasi, (a) citra RGB, (b) citra hasil normalisasi
c) Pembentukan Matriks Tulang (Thinning)
Tahapan selanjutnya adalah mengunakan proses thinning. Proses thinning
dilakukan supaya mendapatkan kerangka dari objek karakter pada citra dapat diproses. Proses thinning ini bertujuan membentuk matriks dari citra tulisan tangan yang kebetulan garisnya 1 pixel. Algoritma yang dipakai dalam proses
thinning ini adalah algoritma ZhangSuen yang belum dimodifikasi (Zhang & Suen, 1984).
Algoritma Zhang-Suen ini menggunakan metode paralel yang mana nilai baru bagi setiap pixel dihasilkan dari nilai pixel pada iterasi sebelumnya.
Hasil citra yang telah diubah menggunakan proses thinning dapat dilihat pada
Gambar 3.4.
Gambar 3.4. citra hasil thinning, (a) citra normalisasi, (b) citra thinning
a. b.
b. a.
(34)
3.3 Fitur Ekstraksi (Feature Extraction)
Pada tahapan fitur ekstraksi dilakukan agar nilai yang telah dinormalisasikan dapat membentuk sebuah nilai fitur agar mendapatkan nilai-nilai unik dari citra yang telah mengalami proses prapengolahan citra sebelumnya. Setiap data hasil ekstraksi fitur harus benar-benar dapat mewakili karakteristik atau keunikan dari data tersebut. oleh karena itu diperlukan suatu cara bagaimana agar dapat mendapatkan nilai-nilai unik dari data tersebut sebab data yang ingin dianalisis oleh jaringan saraf tiruan harus direpsentasikan dengan baik ke dalam bentuk numerik ataupun biner.
Pada tahap ini, citra yang berukuran 300x170 piksel dibagi menjadi 30 kolom dan 17 kolom dengan masing-masing kolom terdapat 10 piksel. Proses ekstraksi fitur
menggunakan zonning dapat dilihat pada gambar 3.5.
Gambar 3.5. Diagram ekstraks fitur
(35)
3.4 Metode Ekstraksi Zoning
Metode zining dapat dibagi menjadi 3 proses, yaitu:
1. Hitung jumlah piksel hitam setiap zona dari Z1 sampai Z510.
2. Tentukan zona yang memiliki jumlah piksel hitam paling tinggi.
3. Hitung nilai fitur setiap zona dari Z1 sampai Z510.
Yaitu menggunakan rumus : Nilai fitur Zn = Zn / Ztertinggi
dimana 1 ≤ n ≤ 510
Nilai fitur didapatkan dengan melakukan perbandingan jumlah piksel hitam dari satu zona dengan zona yang didapatkan dari proses no 2.
Flowchart dari proses ekstraksi zoning dapat dilihat pada gambar 3.6.
(36)
Start
y ß 0
k ß y
l ß x
img(l, k) = 0
piksel_zona[y/10][x/10] ß
piksel_zona[y/10][x/10] + 1 Yes
y < tinggi
x ß 0
x < lebar Yes
y ß 0
No
y ß y + 10
x ß x + 10
Yes
k < y + 10 k ß k + 1
Yes
l < x + 10 l ß l + 1 Yes No No piksel_zona[y/10][x/10] > piksel_zona_max No
piksel_zona_max ß
piksel_zona[y/10][x/10]
Yes No
No y < ZONA_T
x ß 0
x < ZONA_L Yes
piksel_zona[y][x] ß
piksel_zona[y][x] / piksel_zona_max
Yes
x ß x + 1 y ß y + 1
No
End No
Inisialisasi ZONA_L ß 30, ZONA_T ß 17
img (hasil Thinning) tinggi ß img(height), lebar ß img(width)
piksel_zona[ZONA_T][ZONA_L] ß 0.0 piksel_zona_max ß 0.0
x, y, k, l
Gambar 3.6.flowchart ekstraksi fitur zoning
(37)
Gambar 3.7 Pembagian zona menjadi 30 kolom dengan 17 baris, masing-masing zona berukuran 10x10 piksel.
3.5 Tahap Setelah Ekstraksi Fitur
Setelah melakukan tahapan ekstraksi fitur dan tahapan berikutnya yaitu klasifikasi dengan menggunakan jaringan saraf tiruan propagasi balik. Dalam tapahan ini terdapat dua proses yaitu proses pelatihan dan proses pengujian. Pada proses pelatihan dilakukan pelatihan jaringan saraf tiruan dengan menggunakan nilai fitur yang didapat dari data yang dilatih. Sebelum data digunakan, terlebih dahulu datanya harus sudah dilatih. Setelah proses pelatihan, masuk ke proses pengujian yaitu dengan menggunakan nilai fitur yang didapatkan dari data yang diuji. Jaringan harus dirancang terlebih dahulu sebelum data di latih dan diuji.
3.6 Perancangan Jaringan Propagasi Balik
Jaringan yang dirancang dalam penelitian ini adalah jaringan propagasi balik. Arsitektur jaringan saraf tiruan terdiri dari lapisan input (input layer), lapisan tersembunyi (hidden layer) dan lapisan output (output layer).
Berdasarkan perancangan isi atas jaringan saraf tiruan yang dibangun pada penelitian ini dapat dilihat pada gamabar 3.8
(38)
Gambar 3.8 Arsitektur Jaringan Saraf Tiruan
Berdasarkan gambar 3.8, rincian rancangan arsitektur jaringan saraf tiruan yang digunakan adalah :
1. 1 lapisan input. Lapisan input terdiri dari unit-unit input mulai dari unit input 1 sampai unit input i, dimana i = 510.
2. 1 lapisan tersembunyi. Lapisan tersembunyi terdiri dari unit-unit tersembunyi
mulai dari unit tersembunyi 1 sampai unit tersembunyi j, dimana j = 96.
3. 1 lapisan output. Lapisan output terdiri dari unit-unit output mulai dari unit output
1 sampai unit output k, dimana k = 7.
4. x1 sampai x510 merupakan unit-unit lapisan input, y1 sampai y7 merupakan unit-unit
lapisan output dan z1 sampai zp merupakan unit-unit lapisan tersembunyi.
5. b1 merupakan bias ke lapisan tersembunyi dan b2 merupakan bias ke lapisan
keluaran.
6. v0j dan w0k masing-masing adalah bobot bias untuk unit tersembunyi ke-j dan unit
output ke-k. vij adalah bobot koneksi antara unit ke-i lapisan input dengan unit ke-j
(39)
lapisan tersembunyi, sedangkan wjk adalah bobot koneksi antara unit ke-j lapisan
tersembunyi dengan unit ke-k lapisan output.
Tabel 1. Vektor Output dan target keluaran jaringan
Vektor Output Target
10000000000000000000000000 Senin
01000000000000000000000000 Selasa
00100000000000000000000000 Rabu
00010000000000000000000000 Kamis
00001000000000000000000000 Jumat
00000100000000000000000000 Sabtu
00000010000000000000000000 Minggu
3.6.1 Proses Pelathan
Prose pelatihan dilakukan agar dapat melatih jaringan yang akan dapat mengenali huruf jawi (arab melayu) tulisan tangan baik yang dilatih ataupun yang tidak dilatihkan dengan menggunakan jaringan saraf tiruan propagasi balik. Bertujuan untuk mendapatkan keseimbangan antara kemampuan tanggapan yang benar terhadap masukan yang dipakai untuk pelatihan jaringan (memorisasi) dan kemampuan memberikan tanggapan yang benar untuk masukan yang sejenis namun tidak identik dengan yang dipakai pada pelatihan.
Proses pelatihan terdiri dari 3 tahap. Tahap yang pertama yaitu tahap umpan maju pola yang digunakan untuk mencari nilai lapisan tersembunyi dan nilai lapisan keluaran menggunakan aktivasi yang ditentukan. Tahap yang kedua adalaha tahap mundur, jika hasil keluaran tidak sesuai dengan target maka dilakukan propagasi balik untuk mendapatkan nilai error yang ada di lapisan keluaran dan lapisan tersembunyi. Tahap yang ketiga adalah memperbaharu nilai bobot yang ada dilapisan tersembunyi
dan lapisan masukkan untuk menentukan error yang terjadi. Setelah itu lakukan lagi
umpan maju dan propagasi balik jika nilai keluarannya tidak sesuai dengan nilai yang
(40)
ditargetkan. Proses ini dilakukan secara berulang kali sampai mendapatkan batasan error yang ditentukan dari jaringan.
3.6.2 Proses Pengujian
Proses pengujian adalah menguji jaringan yang telah dilatih untuk mengenali data uji maupun tidak digunakan pada tahapan pelatihan jaringan. Jaringan diharapkan dapat mengenali huruf-huruf jawi (arab melayu) yang terdapat pada data uji. Pada proses pengujian hanya mnggunakan tahap umpan maju untuk mencari nilai keluaran lapisan tersembunyi dan lapisan keluaran.
Ketika jaringan diuji dengan menggunakan data pelatihan, yang diuji adalah kemampuan memorisasi jaringannya, sebab kasus-kasusyang dimasukkan telah dipelajari sebelumnya. Dan sebaliknya, pada saat jaringan diuji dengan menggunakan data baru, yang diuji adalah kemampuan generalisasi jaringannnya.
(41)
(42)
BAB 4
IMPLEMENTASI DAN PENGUJIAN SISTEM
Pada bab ini akan diuraikan tahapan selanjutnya dalam pengembangan software yaitu
tahap implementasi dan pengujian sistem. Di sini akan dijelaskan tentang proses pengimplementasian algoritma ke dalam sistem dan melakukan pengujian dari
software yang dikembangkan.
4.1. Implementasi
Data yang telah dikenali pada bab sebelumnya haruslah diimplementasikan ke dalam kode pemrograman agar dapat dilakukan pengujian untuk mengetahui kemampuan
kombinasi metode zoning. Pada penelitian ini pemrograman yang digunakan adalah
bahasa pemrograman java. Pada bab sebelumnya telah dibahas tentang cara kerja sistem yang dibangun dengan mnggunakan jaringan saraf tiruan.
Pengkodean dilakukan menjadi 5 modul utama, yaitu :
1. Modul prapengolahan citra
Merupakan modul untuk melaksakan semua proses prapengolahan citra dan melaksanakan proses ekstraksi fitur.
2. Modul inisialisasi
Merupakan model untuk melaksanakan inisialisasi bobot awal.
3. Modul pelatihan jaringan
Merupakan modul untuk melaksanakan proses pelatihan jaringan propagasi balik.
4. Modul pengujian jaringan
Merupakan modul untuk melaksanakan proses pengujian jaringan propagasi balik yang telah dilatihkan.
(43)
5. Modul program utama
Merupakan modul untuk menjalankan modul prapengolahan citra, pelatihan jaringan dan pengujian jaringan.
4.2. Spesifikasi Perangkat Keras dan Perangkat Lunak yang digunakan
Spesifikasi perangkat lunak dan perangkat keras yang digunakan untuk membut sistemnya adalah sebagai berikut:
1. Processor Pentium Intel ® Core ™ iγ-2310M
2. Kapasitas harddiks 500GB.
3. Memory RAM yang digunakan 2.00GB.
4. Sistem operasi Microsoft Windows 7.
5. Tools dari Java.
6. Printer canon MP198.
4.3. Pengujian
Setelah melakukan tahap implementasi maka dilakukan tahap pengujian
kemampuanmetode zoning pada jaringan saraf tiruan untuk pengenalan tulisan tangan
huruf jawi (arab melayu). Untuk mengetahui seberapa tingkat kecocokannya dengan
metode tersebut, dibangunsebuah jaringan dengan menggunakan metode zoning.
Jaringan yang menggunakan metode zoning menggunakan 510 nilai fitur.
4.4. Persiapan Sistem Jaringan Saraf Tiruan
Ketika jaringan tersebut memiliki lapisan tersembunyi dan lapisan keluaran yang sama yaitu 96 neuron lapisan tersembuni dan 7 neuron lapisan keluaran. Lapisan masukan
sesuai dengan metode ekstraksi yang digunakan yaitu zoning (510 neuron masukan).
Jaringan tersebut dilatih dengan menggunakan data latihan dengan paramter pelatihan,
yaitu learning rate : 0.5, momentum 0.5. Data latihan dapat dilihat pada lampiran B.
(44)
(45)
4.5. Hasil Pengujian
Setelah jaringan tersebut dilatih kemudian jaringan dilakukan pengujian pada tingkat pencocokan dari jaringan tersebut. Pengenalan diuji dengan menggunakan data uji yaitu data baru yang tidak digunakan pada tahap pelatihan. Data yang digunakan untuk pengujian adalah 21 pola kata (Lampiran B).
Pengujian dilakukan dengan menggunakan pemrograman java. Dengan menggunakan contoh sebagai berikut:
Input : Masukkan nama file gambar yang ingin diuji. Seperti pada gambar 4.1
Gambar 4.1. input citra pengujian
Output : Sistem akan mengenali file gambar yang diuji sesuai dengan karakternya. Seperti pada gambar 4.2
Gambar 4.2. Output citra pengujian
Hasil dari citra algoritma zoningdapat dilihat pada gambar 4.3
Gambar 4.3Hasil citra algoritma zoning.
(46)
4.6. Hasil Pelatihan Jaringan Saraf Tiruan
Pelatihan jaringan saraf tiruan ini berfungsi untuk mengajarkan kepada jaringan pola-pola tulisan huruf yang ada sehingga diharapkan jaringan dapat mengenali pola-pola-pola-pola tulisan baru yang diberikan. Pada tahap pelatihan ini ditampilkan beberapa kombinasi
lapisan tersembunyi, learning rate, momentum yang berbeda-beda. Hasil pelatihan
jaringan saraf tiruan propagasi balik dapat dilihat pada tabel 4.1.
Tabel 4.1 Hasil Pelatihan Jaringan Saraf Tiruan Propagasi Balik Input Learning
Rate
Momentum Epoch Tingkat Kecocokan
Output
Senin1 0,5 0,5 100 88,93% Senin
Senin1 0,4 0,2 1000 88,83% Senin
Senin1 0,1 0,1 10 87,95% Senin
Senin1 0,1 0,4 200 87,89% Senin
Senin1 0.4 0.4 2000 88,68% Senin
Senin1 0,1 0,1 120 87,92% Senin
Senin2 0,1 0,1 120 87,54% Senin
Senin2 0,1 0,1 1000 87,22% Senin
Senin2 0,7 0,4 1000 89,02% Senin
Senin2 0,9 0,9 10 89,95% Senin
Senin2 0,9 0,6 30 89,54% Senin
Senin2 0,9 0,9 90 89,99% Senin
Senin2 0,5 0,5 100 90.00% Senin
Senin3 0,1 0,1 10 88,22% Senin
Senin3 0,5 0,5 100 89,99% Senin
Senin3 0,7 0,7 1000 89,74% Senin
Senin4 0,5 0,5 100 89,99% Senin
Senin4 0,4 0,9 100 89,94% Senin
Tabel 4.1 Hasil Pelatihan Jaringan Saraf Tiruan Propagasi Balik (Lanjutan) input Learning
rate
Momentum Epoch Tingkat Kecocokan
Outpu
Senin5 0,2 0,2 800 88,07% Senin
Senin5 0,5 0,5 100 89,26% Senin
Senin6 0,5 0,5 100 90,00% Senin
Senin7 0,1 0,1 10 87,59% Senin
Senn7 0,5 0,5 100 89,25% Senin
Senin8 0,2 0,4 10 88,54% Senin
Senin8 0,3 0,7 100 89,21% Senin
Senin8 0,5 0,5 100 89,99% Senin
Senin9 0,5 0,5 100 89,19% Senin
Senin10 0,5 0,5 100 88,90% Senin
Senin11 0,5 0,5 100 89,09% Senin
(47)
Senin12 0,5 0,5 100 89,99% Senin
Selasa1 0,5 0,5 100 89,09% Selasa
Selasa2 0,5 0,5 100 88,95% Selasa
Selasa3 0,5 0,5 100 89,05% Selasa
Selasa4 0,5 0,5 100 89,01% Selasa
Selasa5 0,5 0,5 100 89,11% Selasa
Selasa6 0,5 0,5 100 89,06% Selasa
Selasa7 0,5 0,5 100 89,01% Selasa
Selasa8 0,5 0,5 100 89,02% Selasa
Tabel 4.1 Hasil Pelatihan Jaringan Saraf Tiruan Propagasi Balik (Lanjutan) Input Learning
rate
Momentum Epoch Tingkat Kecocokan
Output
Selasa9 0,5 0,5 100 89,07% Selasa
Selasa10 0,5 0,5 100 89,16% Selasa
Selasa11 0,5 0,5 100 88,90% Selasa
Selasa12 0,5 0,5 100 89,23% Selasa
Rabu1 0,5 0,5 100 89,49% Rabu
Rabu2 0,5 0,5 100 89,29% Rabu
Rabu3 0,5 0,5 100 89,06% Rabu
Rabu4 0,5 0,5 100 89,13% Rabu
Rabu5 0,5 0,5 100 89,49% Rabu
Rabu6 0,5 0,5 100 89,18% Rabu
Rabu7 0,5 0,5 100 88,82% Rabu
Rabu8 0,5 0,5 100 89,08% Rabu
Kamis9 0,5 0,5 100 89,21% Kamis
Kamis10 0,5 0,5 100 88,94% Kamis
Kamis11 0,5 0,5 100 89,20% Kamis
Kamis12 0,5 0,5 100 89,31% Kamis
Jumat1 0,5 0,5 100 88,89% Jumat
Jumat2 0,5 0,5 100 89,20% Jumat
Jumat4 0,5 0,5 100 89,17% Jumat
Jumat5 0,5 0,5 100 89,07% Jumat
Jumat6 0,5 0,5 100 89,04% Jumat
Tabel 4.1 Hasil Pelatihan Jaringan Saraf Tiruan Propagasi Balik (Lanjutan)
Input Learning Momentm Epoch Tingkat Output
(48)
rate Kecocokan
Jumat7 0,5 0,5 100 89,02% Jumat
Jumat8 0,5 0,5 100 89,35% Jumat
Jumat9 0,5 0,5 100 89,05% Jumat
Jumat10 0,5 0,5 100 89,44% Jumat
Jumat11 0,5 0,5 100 88,96% Jumat
Jumat12 0,5 0,5 100 89,21% Jumat
Sabtu1 0,5 0,5 100 89,40% Sabtu
Sabtu2 0,5 0,5 100 89,35% Sabtu
Sabtu3 0,5 0,5 100 89,54% Sabtu
Sabtu4 0,5 0,5 100 89,36% Sabtu
Sabtu5 0,5 0,5 100 89,13% Sabtu
Sabtu6 0,5 0,5 100 89,58% Sabtu
Sabtu7 0,5 0,5 100 89,22% Sabtu
Sabtu8 0,5 0,5 100 89,08% Sabtu
Sabtu9 0,5 0,5 100 89,16% Sabtu
Sabtu10 0,5 0,5 100 89,46% Sabtu
Sabtu11 0,5 0,5 100 89,41% Sabtu
Sabtu12 0,5 0,5 100 89,71% Sabtu
Minggu1 0,5 0,5 100 89.99% Minggu
Minggu2 0,5 0,5 100 89,23% Minggu
Minggu3 0,5 0,5 100 89,34% Minggu
Input Learning rate
Momentum Epoch Tingkat Kecocokan
Output
Mingggu4 0,5 0,5 100 89,00% Minggu
Minggu5 0,5 0,5 100 89,04% Minggu
Minggu6 0,5 0,5 100 89,09% Minggu
Minggu7 0,5 0,5 100 88,90% Minggu
Minggu8 0,5 0,5 100 88,92% Minggu
Minggu9 0,5 0,5 100 88,98% Minggu
Minggu10 0,5 0,5 100 89,08% Minggu
Minggu11 0,5 0,5 100 89,40% Minggu
Minggu11 0,4 0,4 200 88,50% Minggu
Minggu12 0,4 0,4 200 88,64% Minggu
Minggu12 0,5 0,5 100 88,98% Minggu
(49)
4.7. Hasil Pengujian Jaringan Saraf Tiruan
Pada tahap pengujian dilakkan pengujian dengan menggunakan 21 pola. Hasil pengujian dapat dilihat pada tabel 4.2. nilai pengujian dan pelatihan didapat dari penghitungan sebagai berikut :
Untuk Pelatihan
Untuk pengujian
Tabel 4.2 Hasil Pengujian Jaringan Saraf Tiruan Propagasi Balik. Input Learning
Rate
Momentum Epoch Tingkat Kecocokan
Output
Senin13 0,5 0,5 100 89,99% Senin
Senin14 0,5 0,5 100 88,88% Senin
Senin15 0,5 0,5 100 89,24% Senin
Selasa13 0,5 0,5 100 89,33% Selasa
Selasa14 0,5 0,5 100 89,12% Selasa
Selasa15 0,5 0,5 100 88,91% Selasa
Rabu13 0,5 0,5 100 89,02% Rabu
Rabu14 0,5 0,5 100 89,02% Rabu
Rabu15 0,5 0,5 100 88,91% Rabu
Kamis13 0,5 0,5 100 89,16% Kamis
Kamis14 0,5 0,5 100 89,36% Kamis
Kamis15 0,5 0,5 100 88,91% Kamis
Jumat13 0,5 0,5 100 88,31% Jumat
Jumat14 0,5 0,5 100 89,19% Jumat
Jumat15 0,5 0,5 100 89,25% Jumat
Sabtu13 0,5 0,5 100 88,72% Sabtu
Sabtu14 0,5 0,5 100 88,66% Sabtu
Sabtu15 0,5 0,5 100 88,63% Sabtu
Minggu13 0,5 05, 100 89,70% Minggu
Minggu14 0,5 0,5 100 89,34% Minggu
Minggu15 0,5 0,5 100 89,59% Minggu
(50)
Daritabel 4.1 didapatkan tingkat pengenalannya 86.87% dengan learning rate 0,5, momentum 0,5 dan epoch 100. Sedangkan dari tabel 4.2 didapatkan tingkat pengenalannya 89.05% dengan learning rate 0,5, momentum 0,5 dan epoch 100.
(51)
(52)
BAB 5
KESIMPULAN DAN SARAN
5.1. Kesimpulan
Berdasarkan hasil analisis dan pengujian pada bab bab sebelumnya, dapat diambil kesimpulannya
1. Jaringan saraf tiruan propagasi balik yang telah dilatih dengan data pola kata
(nama-nama hari) dapat digunakan untuk mengenali tulisan tangan dengan bentuk hurub jawi (arab melayu).
2. Pada pelatihan dengan menggunakan learning rate 0,5, momentum 0,5 dan
epoch 100 didapatkan hasil 86.87 %.
3. Dari hasil pengujian diperoleh dengan learning rate sebesar 0.5, momentum
sebesar 0,5 dan epoch 100 didapatkan hasil 89.05%.
4. Semakin tinggi learning rate dan momentumnya maka semakin sedikit epoch
yang diperlukan jaringan untuk mencapai solusi tersebut. Semakin tinggi tingkat kecocokannya maka semakin rendah tingkat keerrorannya.
5. Dari hasil pengujian yang dilakukan dicapai tingkat pengenalan sebesar
89.05% dengan menggunakan metode zoning.
5.2. Saran
yang digunakan hanya dilatih hingga mencapai batas error 0.32. Setelah melakukan pelatihan nilai error yang dicapai belum tentu merupakan nilai minimum. Maka untuk pelatihan selanjutna perlu dilakukan hingga mendapatkan tingkat yang lebih baik lagi.
(53)
DAFTAR PUSTAKA
Bosker, M. 1992.Omnidocument Technologies.Proceeding of the IEEE.80:
1066-1078.
Emanuel, A. W. J. dan Hartono, A.Juni 2008.Pengembangan Aplikasi Pengenalan
Karakter Alfanumerik Dengan Menggunakan Algoritma Neural Network Three-Layer Backpropagation.Jurnal. Bandung, Indonesia : Universitas Kristen Maranatha.
Graupe, D. 2007. Principles of Artificial Neural Networks (2nd edition). Chicago: World Scientific.
Haryando, E. D. dan Susanto, L. W. 2011.Penerapan Jaringan Saraf Tiruan metode
Propagasi Balik Dalam Pengenalan Tulisan Tangan Huruf JepangJenis Hiragana dan Katakana.Jurnal. Bandung, Indonesia : Universitas Kristen Maranatha.
Khairunnisa. 2012. Pengenalan Tulisan Tangan Bersambung Menggunakan Jaringan
Saraf Tiruan Propagasi Balik. Sekripsi. Medan, Indonesia: Universitas Sumatera Utara.
Kusumadewi, S. (2003).Artificial Intelligence (Teknik dan Aplikasinya).1 Januari 2003.Penerbit Graha Ilmu Yogyakarta.
Pardede, J. 2001. Studi Perbandingan Beberapa Algortima Thinning Dalam
Pengenalan Pola.Skripsi. Medan: Universitas Sumatera Utara.
(54)
Prakoso, T. dkk.Pengenalan Pola Huruf arab Tulis Tangan Menggunakan JAringan Saraf Tiruan dengan MEtode Perambatan Balik.Jurnal. Semarang, Indonesia : Universitas Diponegoro.
Plamondon, R. & Srihari, S.N. 2000. On-line and off-line handwriting recognition: a
comprehensive survey. IEEE Transactions on Pattern Analysis and Machine
Intelligence22(1): hal. 63-84.
Puspitaningrum, D. 2006. Pengantar Jaringan Saraf Tiruan. Yogyakarta: Andi Offset.
Putra, D. 2009. Sistem Biometrika Konsep Dasar, Teknik Analisis Citra, dan Tahapan
Membangun Aplikasi Sistem Biometrika. Yogyakarta: Andi.
Putra, N. 2012. Peningkatan Nilai Fitur Jaringan Popagasi Balik Pada Pengenalan
Angka Tulisan Tangan Menggunakan Metode Zoning dan Diagonal Based
Feature Extraction.Skripsi. Medan, Indonesia: Universitas Sumatera Utara.
Safitri, I. 2010. Penggunaan Jaringan Saraf Tiruan untuk Pengklasifikasian Status
Gizi. Skripsi. Malang, Indonesia : Universitas Islam Negri Maulana MAlik Ibrahim: Malang.
Solomon, C & Breckon, T. 2011.Fundamentals of Digital Image Processing A
Practical Approach with Examples in Matlab. UK: John Wiley & Sons, Inc.
Swastika, W. 2009.Pengenalan karakter dengan menggunakan artificial nueral
network.PC Media 9: hal. 120.
(1)
4.7. Hasil Pengujian Jaringan Saraf Tiruan
Pada tahap pengujian dilakkan pengujian dengan menggunakan 21 pola. Hasil pengujian dapat dilihat pada tabel 4.2. nilai pengujian dan pelatihan didapat dari penghitungan sebagai berikut :
Untuk Pelatihan
Untuk pengujian
Tabel 4.2 Hasil Pengujian Jaringan Saraf Tiruan Propagasi Balik.
Input Learning Rate
Momentum Epoch Tingkat Kecocokan
Output
Senin13 0,5 0,5 100 89,99% Senin
Senin14 0,5 0,5 100 88,88% Senin
Senin15 0,5 0,5 100 89,24% Senin
Selasa13 0,5 0,5 100 89,33% Selasa
Selasa14 0,5 0,5 100 89,12% Selasa
Selasa15 0,5 0,5 100 88,91% Selasa
Rabu13 0,5 0,5 100 89,02% Rabu
Rabu14 0,5 0,5 100 89,02% Rabu
Rabu15 0,5 0,5 100 88,91% Rabu
Kamis13 0,5 0,5 100 89,16% Kamis
Kamis14 0,5 0,5 100 89,36% Kamis
Kamis15 0,5 0,5 100 88,91% Kamis
Jumat13 0,5 0,5 100 88,31% Jumat
Jumat14 0,5 0,5 100 89,19% Jumat
Jumat15 0,5 0,5 100 89,25% Jumat
Sabtu13 0,5 0,5 100 88,72% Sabtu
Sabtu14 0,5 0,5 100 88,66% Sabtu
Sabtu15 0,5 0,5 100 88,63% Sabtu
(2)
Daritabel 4.1 didapatkan tingkat pengenalannya 86.87% dengan learning rate 0,5, momentum 0,5 dan epoch 100. Sedangkan dari tabel 4.2 didapatkan tingkat pengenalannya 89.05% dengan learning rate 0,5, momentum 0,5 dan epoch 100.
(3)
(4)
BAB 5
KESIMPULAN DAN SARAN
5.1. Kesimpulan
Berdasarkan hasil analisis dan pengujian pada bab bab sebelumnya, dapat diambil kesimpulannya
1. Jaringan saraf tiruan propagasi balik yang telah dilatih dengan data pola kata (nama-nama hari) dapat digunakan untuk mengenali tulisan tangan dengan bentuk hurub jawi (arab melayu).
2. Pada pelatihan dengan menggunakan learning rate 0,5, momentum 0,5 dan epoch 100 didapatkan hasil 86.87 %.
3. Dari hasil pengujian diperoleh dengan learning rate sebesar 0.5, momentum sebesar 0,5 dan epoch 100 didapatkan hasil 89.05%.
4. Semakin tinggi learning rate dan momentumnya maka semakin sedikit epoch yang diperlukan jaringan untuk mencapai solusi tersebut. Semakin tinggi tingkat kecocokannya maka semakin rendah tingkat keerrorannya.
5. Dari hasil pengujian yang dilakukan dicapai tingkat pengenalan sebesar 89.05% dengan menggunakan metode zoning.
5.2. Saran
yang digunakan hanya dilatih hingga mencapai batas error 0.32. Setelah melakukan pelatihan nilai error yang dicapai belum tentu merupakan nilai minimum. Maka untuk pelatihan selanjutna perlu dilakukan hingga mendapatkan tingkat yang lebih baik lagi.
(5)
DAFTAR PUSTAKA
Bosker, M. 1992.Omnidocument Technologies.Proceeding of the IEEE.80: 1066-1078.
Emanuel, A. W. J. dan Hartono, A.Juni 2008.Pengembangan Aplikasi Pengenalan Karakter Alfanumerik Dengan Menggunakan Algoritma Neural Network Three-Layer Backpropagation.Jurnal. Bandung, Indonesia : Universitas Kristen Maranatha.
Graupe, D. 2007. Principles of Artificial Neural Networks (2nd edition). Chicago: World Scientific.
Haryando, E. D. dan Susanto, L. W. 2011.Penerapan Jaringan Saraf Tiruan metode Propagasi Balik Dalam Pengenalan Tulisan Tangan Huruf JepangJenis Hiragana dan Katakana.Jurnal. Bandung, Indonesia : Universitas Kristen Maranatha.
Khairunnisa. 2012. Pengenalan Tulisan Tangan Bersambung Menggunakan Jaringan Saraf Tiruan Propagasi Balik. Sekripsi. Medan, Indonesia: Universitas Sumatera Utara.
Kusumadewi, S. (2003).Artificial Intelligence (Teknik dan Aplikasinya).1 Januari 2003.Penerbit Graha Ilmu Yogyakarta.
Pardede, J. 2001. Studi Perbandingan Beberapa Algortima Thinning Dalam Pengenalan Pola.Skripsi. Medan: Universitas Sumatera Utara.
(6)
Prakoso, T. dkk.Pengenalan Pola Huruf arab Tulis Tangan Menggunakan JAringan
Saraf Tiruan dengan MEtode Perambatan Balik.Jurnal. Semarang, Indonesia :
Universitas Diponegoro.
Plamondon, R. & Srihari, S.N. 2000. On-line and off-line handwriting recognition: a comprehensive survey. IEEE Transactions on Pattern Analysis and Machine Intelligence22(1): hal. 63-84.
Puspitaningrum, D. 2006. Pengantar Jaringan Saraf Tiruan. Yogyakarta: Andi Offset.
Putra, D. 2009. Sistem Biometrika Konsep Dasar, Teknik Analisis Citra, dan Tahapan Membangun Aplikasi Sistem Biometrika. Yogyakarta: Andi.
Putra, N. 2012. Peningkatan Nilai Fitur Jaringan Popagasi Balik Pada Pengenalan Angka Tulisan Tangan Menggunakan Metode Zoning dan Diagonal Based Feature Extraction.Skripsi. Medan, Indonesia: Universitas Sumatera Utara.
Safitri, I. 2010. Penggunaan Jaringan Saraf Tiruan untuk Pengklasifikasian Status Gizi. Skripsi. Malang, Indonesia : Universitas Islam Negri Maulana MAlik Ibrahim: Malang.
Solomon, C & Breckon, T. 2011.Fundamentals of Digital Image Processing A Practical Approach with Examples in Matlab. UK: John Wiley & Sons, Inc.
Swastika, W. 2009.Pengenalan karakter dengan menggunakan artificial nueral network.PC Media 9: hal. 120.