Katakana melambangkan suara-suara yang sama dengan Hiragana, namun tentu saja semua hurufnya berbeda Handoyono Susanto, 2010. Untuk lebih jelas dapat dilihat
seperti pada gambar 2.10.
Gambar 2.10 Tabel huruf Katakana Handoyono ,2011
2.8 Penelitian Terdahulu
Di bagian ini akan dijabarkan beberapa penelitian terdahulu. Saat ini sudah banyak penelitian teknologi informasi yang bergerak dibidang kedokteran bagian kardiologi.
Untuk lebih jelasnya, pada tabel 2.1 berikut akan dijelaskan penelitian – penelitian yang telah dibuat sebelumnya.
Tabel 2.1 Penelitian terdahulu
No Judul
Penulis dan Tahun
Metode yang digunakan
Keterangan 1
Penerapan Jaringan Syaraf Tiruan Metode
Propagasi Balik dalam Handoyono,
Susanto. 2012 Metode
Propagasi Balik
Pengujian jaringan syaraf tiruan
propagasi balik
Universitas Sumatera Utara
Tabel 2.1 Penelitian terdahulu lanjutan
No Judul
Penulis dan Tahun
Metode yang digunakan
Keterangan Pengenalan Tulisan
Tangan Huruf Jepang Jenis Hiragana dan
Katakana dengan
menggunakan gambar pelatihan
yang bertujuan untuk menguji ingatan
jaringan dengan cara menggeneralisasikan
kasus yang dihadapi dan kemudian
menarik kesimpulan yang cenderung ke
output tertentu .
2 Diagonal Feature
Extraction Based Handwritten Character
System Using Neural Network.
J.Pradeep, et.al 2011
Diagonal Based feature
extraction dan menggunakan
Neural Network
Menggunakan ekstraksi fitur
Diagonal Based untuk mengenali
karakter tulisan dan menggunakan
Neural Network dalam mengambil
keputusan dan kesimpulan dari
karakter tulisan.
3 Identifikasi Nonlinier
dengan Menggunakan Metode Recurrent
Neural Network dan Algoritma Dead-Zone
Kalman Filter Soelaiman dan
Rifa’i. 2010 Metode
Recurrent Neural
Network RNN dan
algoritma Dead-Zone
Kalman Filter Algoritma
diimplementasikan pada state space
RNN untuk mengidentifikasi
system nonlinier dengan mengupdate
bobot pada lapisan tersembunyi dan
lapisan keluaran dari jaringan syaraf
tiruan berdasarkan identifikasi error
antara target dengan estimasi state .
Universitas Sumatera Utara
Tabel 2.1 Penelitian terdahulu lanjutan
No Judul
Penulis dan Tahun
Metode yang digunakan
Keterangan Pembuktian hasil
identifikasi menggunakan Dead-
Zone Kalman Filter.
4 Implementasi Recurrent
Neural Network dengan metode pembelajaran
Gradient Descent Adaptive Learning Rate
untuk pendugaan curah hujan.
Salman. 2011 Recurrent
Neural Network
RNNdan metode
Gradient Descent
Adaptive Learning Rate
RNN dapat dilatih untuk mempelajari
dan menganalisa pola data masa lalu
dan berusaha mencari suatu
formula atau fungsi yang
menghubungkan pola data masa lalu
dengan keluaran yang diinginkan
pada saat ini berdasarkan
koefisien determinasi dan
Root Mean Square Error.
Universitas Sumatera Utara
BAB 3 ANALISIS DAN PERANCANGAN SISTEM
Dalam bab ini, akan dibahas secara terperinci mengenai analisis perancangan sistem, penerapan algoritma, data yang digunakan, serta metode Recurrent Neural Network yang
diimplementasikan dalam pengenalan kata berdasarkan tulisan tangan Jepang huruf Katakana. Tujuan dari pembahasan ini adalah untuk menguraikan spesifikasi, kebutuhan
dan pengembangan aplikasi. Secara umum, bagan dasar tahap-tahap pengenalan kata dapat dilihat pada gambar 3.1
Gambar 3.1 Skema Pengenalan Kata Tulisan Tangan Huruf Katakana
Prapengolahan citra
Akusisi Citra
Citra Latih Citra Uji
Pelatihan dengan JST
Pengujian dengan JST
Ekstraksi Fitur
Keluaran
Universitas Sumatera Utara
Tahap pertama daripada pengerjaan adalah akuisisi data, yakni membaca citra kata
tulisan tangan Katakana yang telah dikumpulkan dan dipindai. Tahap kedua yakni pemrosesan citra yang telah dikumpulkan menjadi satu kesatuan yang seragam agar
sesuai untuk tahap selanjutnya. Tahap ketiga yakni ekstraksi fitur, dimana digunakan Diagonal Based Feature Extraction untuk mengekstrak nilai fitur daripada tiap citra yang
akan digunakan sebagai masukan bagi jaringan saraf tiruan. Tahap keempat adalah pelatihan dan pengujian menggunakan Recurrent Neural Network, dimana akan didapat
keluaran daripada pelatihan dan pengujian citra oleh jaringan saraf tiruan.
3.1 Data yang Digunakan