Penelitian Terdahulu Penerapan Recurrent Nural Network Dalam Identifikasi Tulisan Tangan Huruf Jepang Jenis Katakana

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