Gambar 4. 18 Data hasil normalisasi z-score
Berikut data hasil setelah dilakukan normalisasi.
4.2 Hasil dan Analisis Hasil
Dalam peneliian yang telah dilakukan, data yang digunakan merupakan 20 jenis huruf aksara Lampung yang didapat dari tulisan tangan 10 orang berbeda. Pada
penelitian ini akan dicari model arsitektur jaringan syaraf tiruan yang mampu menghasilkan akurasi terbaik dalam proses pengenalannya. Untuk mendapatkan model
jaringan syaraf yang terbaik, dilakukan berbagaim macam percobaan dengan melakukan variasi jumlah hidden layer, jumlah neuron, dan metode training
jaringannya. Setelah didapat model jaringan yang terbaik, maka model jaringan tersebut akan digunakan untuk melakukan pengujian data tunggal untuk menunjukkan
hasil dari pengenalan yang dilakukan.
4.2.1 Pengujian Variasi Arsitektur Jaringan
Dalam percobaan variasi arsitektur jaringan, digunakan sebanyak 200 data citra
aksara. Sebelum dilakukan proses pengenalan, dilakukan terlebih dahulu ekstraksi ciri untuk semua data tersebut, sehingga menghasilkan 120 ciri untuk tiap citranya,
sehingga total data yang digunakan untuk percobaan sebanyak 200 x 120 data. Dalam percobaan ini dilakukan beberapa kali percobaan dengan melakukan variasi model
arsitektur jaringan syaraf tiruan, jumlah neuron pada
hidden layer
dan variasi metode
normalisasi.
Gambar 4. 19 Grafik menunjukkan pencapaian akurasi dengan menggunakan variasi
jumlah neuron pada hidden layer dan metode training dengan menggunakan
normalisasi min-max.
1. Percobaan 1
Pada percobaan ini, data yang digunakan merupakan data hasil normalisasi
min-max
. Percobaan ini dibagi menjadi 2 bagian, yaitu percobaan dengan dan tanpa menggunakan proses penipisan
thinning.
A. Percobaan dengan penggunaan
thinning
Percobaan ini dilakukan dengan mengolah data ekstraksi ciri yang dinormalisasi dengan metode min-max dan dalam
preprocessing
-nya melalui proses penipisan
thinning
. Berikut grafik yang menunjukkan hasil dari percobaan tersebut
Berikut rincian hasil akurasi yang telah dipaparkan sebelumnya pada gambar 4.19.
Tabel 4. 1 Tabel akurasi 1
Jumlah Neuron
Variasi Metode Training traingd
m traingd
x traingd
a traincg
f traincg
p traincg
b trainl
m trainr
p 5
6.25 17.5
16.25 7.5
16.25 18.75
46.25 17.5
10 3.75
52.5 41.25
41.25 40
45 65
33.75 15
5 33.75
20 32.5
50 20
60 77.5
20 11.25
61.25 40
63.75 66.25
80 66.25
72.5 25
11.25 61.25
33.75 51.25
50 48.75
73.75 76.25
30 11.25
65 38.75
51.25 51.25
43.75 75
67.5 35
10 72.5
48.75 71.25
72.5 76.25
90 68.75
40 10
73.75 45
57.5 58.75
63.75 91.25
66.25 45
7.5 66.25
41.25 73.75
57.5 80
90 86.25
50 11.25
61.25 43.75
65 70
71.25 82.5
81.25 55
16.25 65
41.25 61.25
63.75 60
85 77.5
60 13.75
68.75 37.5
63.75 63.75
71.25 90
78.75
Tabel 4.1 merupakan hasil akurasi yang dicapai dengan melakukan variasi arsitektur jaringan, jumlah neuron, serta metode pelatihannya. Dari tabel 4.1 dapat
diketahui bahwa akurasi tertinggi adalah 91,25 dengan menggunakan metode
training
trainlm Levenberg-Marquardt dan menggunakan 1
hidden layer
dengan jumlah neuron sebanyak 40.
Tahap percobaan selanjutnya adalah menambahkan 1 hidden layer. Penambahan jumlah hidden layer dilakukan pada arsitektur jaringan yang
menghasilkan akurasi tertinggi pada percobaan sebelumnya. Dalam percobaan ini, ditambah dengan hidden layer ke-2 dengan variasi jumlah neuron dan hasilnya
ditunjukkan seperti pada gambar berikut.
Gambar 4. 20 Grafik akurasi dengan menggunakan kombinasi hidden layer 1 dengan
neuron sebanyak 40 dan variasi jumlah neuron pada hidden layer 2. Berikut rincian hasil akurasi yang dicapai yang ditunjukkan pada Gambar 4.21.
Tabel 4. 2 Tabel akurasi 2
Jumlah Neuron Akurasi
Hidden Layer 1
Hidden Layer2
40
5 46.25
40
10 51.25
40
15 77.5
40
20 61.25
40
25 87.5
40
30 73.75
40
35 67.5
40
40 71.25
40
45 86.25
40
50 88.75
40
55 87.5
40
60 85
Dari tabel 4.2 dapat diketahui bahwa akurasi tertinggi dicapai dengan menggunakan kombinasi neuron pada
hidden layer
1 sebanyak 40 dan neuron pada
Gambar 4. 21 Grafik menunjukkan pencapaian akurasi dengan menggunakan variasi
jumlah neuron pada hidden layer dan metode training dengan menggunakan normalisasi min-max.
hidden layer
2 sebanyak 25. Akurasi tertinggi mencapai 88,75. Ini berarti penggunaan
hidden layer
ke-2 tidak diperlukan karena hasil akurasi yang didapat justru lebih rendah dibandingkan dengan hanya menggunakan 1
hidden layer
saja.
B. Percobaan tanpa menggunakan
thinning
Percobaan ini dilakukan tanpa melakukan proses penipisan terhadap citra. Hasil dari percobaan ini ditunjukkan pada gambar di bawah ini.
Berikut rincian hasil akurasi yang telah dipaparkan sebelumnya pada gambar 4.21
Tabel 4. 3 Tabel akurasi 3
Jumlah Neuro
n Variasi Metode Training
traingd m
traingdx traingda traincgf
traincgp traincgb
trainlm trainrp
5 1.25
7.5 17.5
10 7.5
7.5 42.5
5 10
2.5 42.5
35 20
43.75 41.25
56.25 48.75
15 8.75
43.75 16.25
60 61.25
30 77.5
61.25 20
12.5 73.75
28.75 63.75
63.75 75
91.25 72.5
Jumlah Neuro
n Variasi Metode Pelatihan
traingd m
traingdx traingda traincgf
traincgp traincgb
trainlm trainrp
25 12.5
72.5 33.75
67.5 65
68.75 71.25
75 30
7.5 51.25
31.25 36.25
46.25 47.5
82.5 68.75
35 15
67.5 41.25
61.25 63.75
65 85
78.75 40
13.75 83.75
45 83.75
80 68.75
92.5 85
45 10
76.25 30
82.5 82.5
81.25 91.25
90 50
18.75 72.5
50 72.5
72.5 72.5
85 62.5
55 20
77.5 36.25
80 76.25
82.5 83.75
85 60
15 67.5
40 61.25
60 63.75
78.75 61.25
Tabel 4.3 merupakan hasil akurasi yang dicapai dengan melakukan variasi arsitektur jaringan, jumlah neuron, serta metode pelatihannya dan tanpa dilakukannya
penipisan terhadap data citranya. Dari tabel 4.3 dapat diketahui bahwa akurasi tertinggi adalah 92,5 dengan menggunakan metode
training
trainlm Levenberg-Marquardt dan menggunakan 1
hidden layer
dengan jumlah neuron sebanyak 40. Tahap percobaan selanjutnya adalah menambahkan 1 hidden layer.
Penambahan jumlah hidden layer dilakukan pada arsitektur jaringan yang menghasilkan akurasi tertinggi pada percobaan sebelumnya. Dalam percobaan ini,
ditambah dengan hidden layer ke-2 dengan variasi jumlah neuron dan hasilnya ditunjukkan seperti pada gambar berikut.
Gambar 4. 22 Grafik akurasi dengan menggunakan kombinasi hidden layer 1 dengan neuron sebanyak 40 dan variasi jumlah neuron pada hidden layer 2.
Berikut rincian hasil akurasi yang dicapai yang ditunjukkan pada Gambar 4.22
Tabel 4. 4 Tabel akurasi 4
Jumlah Neuron Akurasi
Hidden Layer 1
Hidden Layer2
40
5 36.25
40 10
61.25 40
15 77.5
40 20
87.5 40
25 67.5
40 30
88.75 40
35 85
40 40
91.25 40
45 85
40 50
87.5 40
55 90
40 60
81.25
Gambar 4. 23 Grafik menunjukkan pencapaian akurasi dengan menggunakan variasi
jumlah neuron pada hidden layer dan metode training dengan menggunakan normalisasi z-score dan dengan menggunakan
thinning
.
Dari tabel 4.4 dapat diketahui bahwa akurasi tertinggi dicapai dengan menggunakan kombinasi neuron pada
hidden layer
1 sebanyak 40 dan neuron pada
hidden layer
2 sebanyak 40. Akurasi tertinggi mencapai 91,25. Ini berarti penggunaan
hidden layer
ke-2 tidak diperlukan karena hasil akurasi yang didapat justru lebih rendah dibandingkan dengan hanya menggunakan 1
hidden layer
saja. 2.
Percobaan 2 Pada percobaan ini, dari data yang digunakan dilakukan normalisasi
z-score
. Percobaan ini dibagi menjadi 2 bagian, yaitu percobaan dengan dan tanpa
menggunakan proses penipisan
thinning.
A. Percobaan dengan penggunaan
thinning
Percobaan ini dilakukan dengan mengolah data ekstraksi ciri yang telah dinormalisasi dengan metode z-score dan dalam
preprocessing
-nya melalui proses penipisan
thinning
. Berikut grafik yang menunjukkan hasil dari percobaan tersebut
Berikut rincian hasil akurasi yang telah dipaparkan sebelumnya pada gambar 4.21.
Tabel 4. 5 Tabel akurasi 5
Jumlah neuron
Variasi Metode Training traingdm traingdx traingda traincgf traincgp traincgb trainlm trainrp
5 3.75
35 31.25
18.75 65
23.75 37.5
13.75 10
3.75 37.5
40 37.5
37.5 40
38.75 17.5
15 7.5
56.25 42.5
60 60
57.5 48.75
48.75 20
7.5 61.25
33.75 57.5
58.75 57.5
68.75 42.5
25 11.25
62.5 41.25
63.75 62.5
61.25 75
57.5 30
6.25 57.5
47.5 60
55 56.25
70 58.75
35 7.5
42.5 43.75
35 37.5
33.75 72.5
56.25 40
12.5 77.5
47.5 70
61.25 61.25
86.25 67.5
45 10
67.5 50
50 43.75
48.75 70
62.5 50
6.25 70
52.5 68.75
65 76.25
68.75 67.5
55 13.75
73.75 60
71.25 65
71.25 77.5
80 60
10 77.5
56.25 76.25
68.75 73.75
80 63.75
Tabel 4.5 merupakan hasil akurasi yang dicapai dengan melakukan variasi arsitektur jaringan, jumlah neuron, serta metode pelatihannya. Dari tabel 4.5 dapat
diketahui bahwa akurasi tertinggi adalah 86,25 dengan menggunakan metode
training
trainlm Levenberg-Marquardt dan menggunakan 1
hidden layer
dengan jumlah neuron sebanyak 40.
Tahap percobaan selanjutnya adalah menambahkan 1 hidden layer. Penambahan jumlah hidden layer dilakukan pada arsitektur jaringan yang
menghasilkan akurasi tertinggi pada percobaan sebelumnya. Dalam percobaan ini, ditambah dengan hidden layer ke-2 dengan variasi jumlah neuron dan hasilnya
ditunjukkan seperti pada gambar berikut.
Gambar 4. 24 Grafik akurasi dengan menggunakan kombinasi hidden layer 1
dengan neuron sebanyak 40 dan variasi jumlah neuron pada hidden layer 2 pada percobaan normalisasi z-score.
Berikut rincian hasil akurasi yang dicapai yang ditunjukkan pada Gambar 4.24.
Tabel 4. 6 Tabel akurasi 6
Jumlah Neuron pada Hidden Layer
Akurasi
1 2
40
5 20
40
10 40
40
15 52.5
40
20 60
40
25 68.75
40
30 67.5
40
35 70
40
40 66.25
40
45 72.5
40
50 77.5
40
55 78.75
40
60 72.5
Gambar 4. 25 Grafik menunjukkan pencapaian akurasi dengan menggunakan variasi
jumlah neuron pada hidden layer dan metode training dengan menggunakan normalisasi z-score dan dengan tanpa menggunakan
thinning
.
Dari tabel 4.6 dapat diketahui bahwa akurasi tertinggi dicapai dengan menggunakan kombinasi neuron pada
hidden layer
1 sebanyak 40 dan neuron pada
hidden layer
2 sebanyak 55. Akurasi tertinggi mencapai 78,75. Ini berarti penggunaan
hidden layer
ke-2 tidak diperlukan karena hasil akurasi yang didapat justru lebih rendah dibandingkan dengan hanya menggunakan 1
hidden layer
saja.
B. Percobaan tanpa proses
thinning
Percobaan ini dilakukan dengan mengolah data ekstraksi ciri yang telah dinormalisasi dengan menggunakan metode z-score dan dalam
preprocessing
-nya tidak melalui proses penipisan
thinning
. Berikut grafik yang menunjukkan hasil dari percobaan tersebut.
Berikut tabel yang menunjukkan detail dari grafik pada Gambar 4.25.
Tabel 4. 7 Tabel akurasi 7
Jumlah Neuron
Variasi Metode Pelatihan traingdm
traingd x
traingda traincg
f traincg
p traincg
b trainlm trainrp
5 2.5
36.25 30
18.75 15
15 38.75
21.25 10
7.5 30
27.5 23.75
26.25 37.5
45 30
15 13.75
58.75 50
48.75 48.75
48.75 46.25
43.75 20
11.25 61.25
47.5 52.5
52.5 61.25
55 40
25 16.25
67.5 41.25
58.75 55
55 71.25
60 30
7.5 55
42.5 53.75
58.75 62.5
70 72.5
35 12.5
60 35
40 38.75
47.5 67.5
57.5 40
13.75 81.25
61.25 73.75
71.25 75
71.25 46.25
45 6.25
68.75 38.75
58.75 52.5
66.25 67.5
71.25 50
16.25 67.5
51.25 57.5
60 60
72.5 63.75
55 16.25
78.75 58.75
77.5 76.25
73.75 72.5
68.75 60
18.75 72.5
40 67.5
67.5 66.25
75 61.25
Tabel 4.7 merupakan hasil akurasi yang dicapai dengan melakukan variasi arsitektur jaringan, jumlah neuron, serta metode pelatihannya. Dari tabel 4.6 dapat
diketahui bahwa akurasi tertinggi adalah 81,25 dengan menggunakan metode
training
traingdx dan menggunakan 1
hidden layer
dengan jumlah neuron sebanyak 40.
Tahap percobaan selanjutnya adalah menambahkan 1 hidden layer. Penambahan jumlah hidden layer dilakukan pada arsitektur jaringan yang
menghasilkan akurasi tertinggi pada percobaan sebelumnya. Dalam percobaan ini, ditambah dengan hidden layer ke-2 dengan variasi jumlah neuron dan hasilnya
ditunjukkan seperti pada gambar berikut.
Gambar 4. 26 Grafik akurasi dengan menggunakan kombinasi hidden
layer 1 dengan neuron sebanyak 40 dan variasi jumlah neuron pada hidden layer 2 pada percobaan normalisasi z-score.
Berikut rincian hasil akurasi yang dicapai yang ditunjukkan pada Gambar 4.26.
Tabel 4. 8 Tabel akurasi 8
Jumlah Neuron pada Hidden Layer
Akurasi
1 2
40
5 10
40
10 15
40
15 53,75
40
20 33,75
40
25 51,25
40
30 48,75
40
35 51,25
40
40 47,5
40
45 61,25
40
50 68,75
40
55 67,5
40
60 65
Gambar 4. 27 Grafik menunjukkan pencapaian akurasi dengan
menggunakan variasi jumlah neuron pada hidden layer dan metode
training tanpa menggunakan normalisasi.
Dari tabel 4.7 dapat diketahui bahwa akurasi tertinggi dicapai dengan menggunakan kombinasi neuron pada
hidden layer
1 sebanyak 40 dan neuron pada
hidden layer
2 sebanyak 50. Akurasi tertinggi mencapai 68,75. Ini berarti penggunaan
hidden layer
ke-2 tidak diperlukan karena hasil akurasi yang didapat justru lebih rendah dibandingkan dengan hanya menggunakan 1
hidden layer
saja.
3. Percobaan 3
Pada percobaan ini, dari data yang digunakan langsung dilakukan pelatihan ke dalam jaringan saraf tiruan tanpa adanya normalisasi. Percobaan ini dibagi menjadi 2
bagian, yaitu percobaan dengan dan tanpa menggunakan proses penipisan
thinning.
A. Percobaan dengan penggunaan
thinning
Percobaan ini dilakukan dengan mengolah data ekstraksi ciri yang dalam
preprocessing
-nya melalui proses penipisan
thinning
. Berikut grafik yang menunjukkan hasil dari percobaan tersebut.
Berikut rincian hasil akurasi yang telah dipaparkan sebelumnya pada gambar 4.27.
Tabel 4. 9 Tabel akurasi 9
Jumlah Neuron
Variasi Metode Training traingd
m traingd
x traingd
a traincg
f traincg
p traincg
b trainl
m Trainr
p
5 6.25
17.5 16.25
7.5 16.25
18.75 46.25
17.5 10
3.75 52.5
41.25 41.25
40 45
65 33.75
15 5
33.75 20
32.5 50
20 60
77.5 20
11.25 61.25
40 63.75
66.25 80
66.25 72.5
25 11.25
61.25 33.75
51.25 50
48.75 73.75
76.25 30
11.25 65
38.75 51.25
51.25 43.75
75 67.5
35 10
72.5 48.75
71.25 72.5
76.25 90
68.75 40
10 73.75
45 57.5
58.75 63.75
91.25 66.25
45 7.5
66.25 41.25
73.75 57.5
80 90
86.25 50
11.25 61.25
43.75 65
70 71.25
82.5 81.25
55 16.25
65 41.25
61.25 63.75
60 85
77.5 60
13.75 68.75
37.5 63.75
63.75 71.25
90 78.75
Tabel 4.9 merupakan hasil akurasi yang dicapai dengan melakukan variasi arsitektur jaringan, jumlah neuron, serta metode pelatihannya. Dari tabel 4.9 dapat
diketahui bahwa akurasi tertinggi adalah 91,25 dengan menggunakan metode
training
trainlm Levenberg-Marquardt dan menggunakan 1
hidden layer
dengan jumlah neuron sebanyak 40.
Tahap percobaan selanjutnya adalah menambahkan 1 hidden layer. Penambahan jumlah hidden layer dilakukan pada arsitektur jaringan yang
menghasilkan akurasi tertinggi pada percobaan sebelumnya. Dalam percobaan ini, ditambah dengan hidden layer ke-2 dengan variasi jumlah neuron seperti pada gambar
berikut.
Gambar 4. 28 Grafik akurasi dengan menggunakan kombinasi
hidden layer
1 dengan neuron sebanyak 40 dan variasi jumlah neuron pada
hidden layer
2.
Berikut rincian hasil akurasi yang dicapai yang ditunjukkan pada Gambar 4.28
Tabel 4. 10 Tabel akurasi 10
Jumlah Neuron Akurasi
Hidden Layer 1
Hidden Layer 2
40
5 46,25
40
10 51,25
40
15 76,25
40
20 61,25
40
25 88,75
40
30 73,75
40
35 68,75
40
40 71,25
40
45 86,25
40
50 87,5
40
55 86,25
40
60 85
Gambar 4. 29 Grafik menunjukkan pencapaian akurasi dengan menggunakan variasi
jumlah neuron pada hidden layer dan metode training tanpa menggunakan normalisasi. Dari tabel 4.10 dapat diketahui bahwa akurasi tertinggi dicapai dengan
menggunakan kombinasi neuron pada
hidden layer
1 sebanyak 40 dan neuron pada
hidden layer
2 sebanyak 25. Akurasi tertinggi mencapai 88,75. Ini berarti penggunaan
hidden layer
ke-2 tidak diperlukan karena hasil akurasi yang didapat justru lebih rendah dibandingkan dengan hanya menggunakan 1
hidden layer
saja. B.
Percobaan tanpa proses
thinning
Percobaan ini dilakukan dengan mengolah data ekstraksi ciri yang dalam
preprocessing
-nya tidak melalui proses penipisan
thinning
. Berikut grafik yang menunjukkan hasil dari percobaan tersebut.
Berikut rincian dari grafik akurasi pada Gambar 4.29.
Tabel 4. 11 Tabel akurasi 11
Jumlah Neuro
n Variasi Metode Pelatihan
traingd m
traingd x
traingda traincg
f traincgp traincgb trainlm trainrp
5 1.25
7.5 17.5
7.5 10
8.75 45
11.25 10
2.5 42.5
33.75 41.25
42.5 37.5
55 51.25
15 8.75
43.75 16.25
61.25 61.25
30 77.5
61.25 20
12.5 73.75
28.75 65
65 66.25
91.25 68.75
25 12.5
67.5 32.5
67.5 70
62.5 72.5
77.5 30
7.5 51.25
27.5 48.75
41.25 50
82.5 66.25
35 15
67.5 41.25
61.25 63.75
65 85
78.75 40
13.75 85
42.5 83.75
80 70
91.25 78.75
45 10
76.25 30
81.25 81.25
82.5 91.25
78.75 50
20 72.5
50 72.5
72.5 71.25
85 56.25
55 20
77.5 37.5
76.25 83.75
82.5 85
80 60
15 67.5
40 61.25
60 63.75
78.75 61.25
Tabel 4.11 merupakan hasil akurasi yang dicapai dengan melakukan variasi arsitektur jaringan, jumlah neuron, serta metode pelatihannya. Dari tabel 4.11 dapat
diketahui bahwa akurasi tertinggi adalah 91,25 dengan menggunakan metode
training
trainlm Levenberg-Marquardt dan menggunakan 1
hidden layer
dengan jumlah neuron sebanyak 20.
Tahap percobaan selanjutnya adalah menambahkan 1 hidden layer. Penambahan jumlah hidden layer dilakukan pada arsitektur jaringan yang
menghasilkan akurasi tertinggi pada percobaan sebelumnya. Dalam percobaan ini, ditambah dengan hidden layer ke-2 dengan variasi jumlah neuron seperti pada gambar
berikut.
Tabel 4. 12 Tabel akurasi percobaan tanpa menggunakan penipisan dan normalisasi
Jumlah Neuron Akurasi
Hidden Layer 1
Hidden Layer2
20
5 38,75
20 10
75 20
15 60
20 20
77,5 20
25 85
20 30
85 20
35 81,25
20 40
78,75 20
45 81,25
20 50
63,75 20
55 67,5
20 60
85
Dari tabel 4.12 dapat diketahui bahwa akurasi tertinggi dicapai dengan menggunakan kombinasi neuron pada
hidden layer
1 sebanyak 20 dan neuron pada
hidden layer
2 sebanyak 25. Akurasi tertinggi mencapai 85. Ini berarti penggunaan
hidden layer
ke-2 tidak diperlukan karena hasil akurasi yang didapat justru lebih rendah dibandingkan dengan hanya menggunakan 1
hidden layer
saja. Percobaan dengan melakukan variasi
preprocessing
menggunakan penipisan atau tidak, jumlah
hidden layer
pada arsitektur jaringan syaraf tiruan, jumlah neuron pada masing-masing
hidden layer
serta variasi metode
training
akan sangat mempengaruhi akurasi yang dicapai dalam alat uji yang telah dibuat.
Dalam penelitian ini, akurasi tertinggi yang dicapai sebesar 92,5. Hasil tersebut dicapai pada percobaan dengan menggunakan 1
hidden layer
dengan jumlah neuron sebanyak 40 dengan menggunakan metode pelatihan
trainlm
dan normalisasi min-max. Sedangkan hasil akurasi tertinggi dengan menggunakan normalisasi
z-score
sebesar 86,25 dengan menggunakan arsitekur jaringan syaraf 1
hidden layer
dengan neuron sebanyak 40. Untuk percobaan penggunaan 2
hidden layer
akurasi tertinggi
Gambar 4. 30 Tampilan menu ekstraksi ciri dan pelatihan keseluruhan data aksara
sebesar 91,25 dengan menggunakan neuron sebanyak 40 pada
hidden layer
1 dan 40 pada
hidden layer
2 tanpa proses penipisan dan tanpadengan normalisasi min-max .
4.2.2 Implementasi User Interface