menghilangkan sebanyak dua piksel. Pada proses pengujiannya melibatkan 104 kasus dengan masing-masing karakter huruf memiliki empat kriteria pengujian yang dibagi
atas dua kriteria huruf diberi noise dengan menghilangkan sebanyak satu piksel dan dua kriteria lagi diberi noise dengan menghilangkan sebanyak dua piksel.
3.2 Pendesainanan JST
Sebelum dilakukan simulasi terhadap jaringan, maka terlebih dahulu jaringan didesain sesuai dengan data agar tidak terjadi kegagalan dalam proses komputasi jaringan
nantinya. Melihat karakteristik alfanumerik yang merupakan diskrit, maka tipe input
yang cocok adalah yang bertipe biner. Demikian pula dengan tipe outputnya. Fungsi aktivasi yang digunakan adalah fungsi aktivasi sigmoid biner dengan alasan bahwa
fungsi aktivasi ini yang paling umum digunakan untuk metode backpropagation. Pada tingkat jaringan dilakukan perancangan arsitektur jaringan. Jaringan
backpropagation merupakan jaringan yang memiliki banyak lapisan dalam pengertian bahwa jaringan dapat memiliki lapisan tersembunyi lebih dari satu. Namun dalam
penelitian ini, hanya digunakan satu buah lapisan tersembunyi saja tetapi jumlah neuron yang digunakan terdiri dari 5 kriteria yaitu, 10 neuron, 15 neuron, 20 neuron,
25 neuron dan 30 neuron untuk dapat dilihat perbandingan kinerja dari masing-masing neuron tersebut, sehingga secara keseluruhan arsitektur jaringannya hanya memiliki 3
lapisan saja, yaitu lapisan input, lapisan tersembunyi dan lapisan output. Rancangan jumlah neuron pada arsitektur JST pengenalan pola huruf adalah:
1. Lapisan input terdiri dari 35 neuron ditambah sebuah bias menjadi 36 neuron.
2. Lapisan tersembunyi terdiri dari 10, 15, 20, 25 dan 30 neuron ditambah
masing-masing sebuah bias menjadi 11, 16, 21, 26 dan 31 neuron. 3.
Lapisan output sebanyak 5 neuron. Seluruh rancangan arsitektur jaringan pada pengenalan pola huruf dapat dilihat
pada gambar 3.1 dibawah ini, yaitu: 1
Universitas Sumatera Utara
x
1
x
i
x
35
1 1
1
z
1
Y
z
j
z
10
Y
5
Y
m
v
1 0
v
j 0 1 j
v
1 1
v
1 10,
v
10, 0
v
j
v
i 1
v
i 10,
v
i 1
v
,35
v
35 10,
,35
v
j 1
1
w
5,
w
,j 1
w
j
w
1 1
w
m
w
m
w
5, 1
w
5,
w
m j 10
w
1, 10
w
m,
w
,10 5
. . . . . .
. . . . . .
. . . . . .
Gambar 3.1 Arsitektur Jaringan Backpropagation Untuk Pengenalan Pola Karakter Huruf
Penentuan 35 neuron masukan berdasarkan pada pembacaan oleh scanner. Sebelumnya karakter huruf dibentuk pada media kertas kotak-kotak yang terdiri dari
tujuh baris dan lima kolom agar sesuai dengan pengisian angka biner. Selanjutnya karakter huruf yang dibaca oleh scanner diterjemahkan ke dalam bentuk matriks
berukuran 7 × 5 yang melambangkan piksel-piksel data. Data ini dikonversi ke dalam bentuk biner dengan angka 1 merupakan piksel yang berisi pola citra sedang angka 0
menunjukkan kosong. Cara ini bertujuan agar komputer nantinya dapat mengenali angka biner sebagai pembentuk pola huruf. Untuk data huruf yang memiliki noise
dibentuk dengan memodifikasi penghilangan angka 1 menjadi angka 0. Bentuk contoh huruf beserta vektor inputnya dapat dilihat pada tabel 3.3 dibawah ini:
Universitas Sumatera Utara
Tabel 3.3 Bentuk Contoh Huruf Beserta Vektor Inputnya
Pembacaan Scanner
Bentuk huruf Vektor Input
0 0 1 0 0 0 1 0 1 0
1 0 0 0 1 1 1 1 1 1
1 0 0 0 1 1 0 0 0 1
1 0 0 0 1 00100 01010 10001 11111 10001 10001 10001
Untuk jumlah neuron pada lapisan tersembunyi yaitu masing-masing 10, 15, 20, 25 neuron dan 30 neuron berdasarkan percobaan penulis saja untuk melihat
seberapa besar pengaruh neuron dalam proses komputasi jaringan. Untuk jumlah neuron pada lapisan output sebanyak 5 karena dengan
pertimbangkan bahwa pelambangan 36 karakter huruf dalam bentuk biner memerlukan 5 digit. Pengurutan dua puluh enam karakter huruf sesuai dengan urutan
binernya. Setelah penentuan arsitektur jaringannya, maka hal yang perlu diperhatikan
adalah parameter-parameter jaringan. Parameter-parameter jaringan yang terdapat dalam penelitian ini adalah error, angka pembelajaran
α dan momentum µ. Nilai Error yang diinginkan adalah 0.01. Sedangkan nilai
α dan µ berada dalam interval [0.1, 0.9].
3.3 Implementasi dan pengujian
