3.2.3. Penggabungan nilai fitur 54 nilai fitur yang didapatkan dari metode zoning digabungkan dengan 69 fitur yang
didapatkan dari metode diagonal based feature extraction untuk mendapatkan 123 nilai fitur. 123 nilai fitur tersebut disimpan pada matrik dengan ukuran 1x123 seperti
pada gambar 3.13.
53 54
122 …………..
………….. Zoning
Diagonal based feature extraction
Gambar 3.13 Matrik Penyimpanan Nilai Fitur
3.3. Tahap Setelah Ekstraksi Fitur
Setelah dilakukan tahap ekstraksi fitur maka dapat dilakukan tahap selanjutnya yaitu klasifikasi menggunakan jaringan backpropagation. Pada tahap ini, nilai fitur yang
didapatkan dari tahap ekstraksi fitur digunakan sebagai masukan bagi lapis masukan jaringan backpropagation. Tahap klasifikasi terdiri dari dua proses, yaitu proses
pelatihan dan proses pengujian. Pada tahap pelatihan dilakukan pelatihan jaringan menggunakan nilai fitur yang didapatkan dari data latihan. Jaringan harus dilatih
terlebih dahulu agar dapat kemudian digunakan. Setelah tahap pelatihan, jaringan backpropagation dapat digunakan untuk tahap pengujian menggunakan nilai fitur
yang didapatkan dari data uji. Sebelum dapat dilakukan pelatihan dan pengujian, jaringan harus dirancang terlebih dahulu.
3.3.1. Perancangan jaringan backpropagation Berdasarkan jumlah nilai fitur yang didapatkan dari tahap ekstraksi fitur, yaitu 123,
maka jumlah neuron pada lapis masukan jaringan backpropagation adalah 123 neuron. Jumlah neuron pada lapis keluaran adalah 19 huruf aksara Batak Toba. Nilai
keluaran setiap angka dapat dilihat pada tabel 3.1.
Universitas Sumatera Utara
Tabel 3.1 Nilai Keluaran Dan Target Keluaran Jaringan Nilai Keluaran
Target 0000000000000000001
A
0000000000000000010 Ha
0000000000000000100 Ma
0000000000000001000 Na
0000000000000010000 Ra
0000000000000100000 Ta
0000000000001000000 Sa
0000000000010000000 Da
0000000000100000000 Ga
0000000001000000000 Ja
0000000010000000000 Ba
0000000100000000000
Nga
0000001000000000000 La
0000010000000000000 Pa
0000100000000000000 Nya
0001000000000000000 Wa
0010000000000000000
Ya
0100000000000000000 I
1000000000000000000 U
Jumlah neuron lapisan tersembunyi pada jaringan dirancang berdasarkan penelitian sebelumnya yang digunakan oleh Khairunnisa 2012 dan Putra 2012.
Meskipun penelitian yang dilakukan oleh Khairunnisa adalah pengenalan huruf bersambung bukan pengenalan angka dan penelitian yang dilakukan putra 2012
Universitas Sumatera Utara
adalah mengenai pengenalan tulisan tangan dalam bentuk numeral, tetapi sama-sama meneliti pengenalan tulisan tangan yang memiliki tingkat variasi yang tinggi. Dan
juga membantu menguji arsitektur dan parameter jaringan yang digunakannya untuk kasus pengenalan tulisan tangan aksara Batak Toba.
Berdasarkan perancangan di atas jaringan saraf tiruan yang dibangun pada penelitian ini dapat dilihat pada gambar 3.14.
Gambar 3.14 Arsitektur Jaringan Saraf Tiruan
Berdasarkan gambar 3.16, 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 = 123. 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 = 19.
x
1
x
2
x
3
x
123
z
1
z
2
z
3
Zn
y
1
y
2
y
3
Y
19
b
1
b
2 v
0,1
v
0,2
v
03
V
0,100
w
0,1
w
0,2
w
0,3
w
1,0
v
1,1
v
1,2
v
1,3
v
1,100
v
2,1
v
2,2
v
2,3
v
2,100
v
3,1
v
3,2
v
3,3
v
3,100
v
69,1
v
69,2
v
69,3
v
69,10
w
1,1
w
1,2
w
1,3
w
1,10
w
2,1
w
2,2
w
2,3
w
2,10
w
3,1
w
3,2
w
3,3
w
3,10
w
100,1
w
100,2
w
100,3
w
100,10
Universitas Sumatera Utara
4. x
1
sampai x
123
merupakan unit-unit lapisan input, y
1
sampai y
19
merupakan unit-unit lapisan output dan z
1
sampai z
96
merupakan unit-unit lapisan tersembunyi. 5.
b
1
merupakan bias ke lapisan tersembunyi dan b
2
merupakan bias ke lapisan keluaran.
6. v
0j
dan w
0k
masing-masing adalah bobot bias untuk unit tersembunyi ke-j dan unit output ke-k. v
ij
adalah bobot koneksi antara unit ke-i lapisan input dengan unit ke-j lapisan tersembunyi, sedangkan w
jk
adalah bobot koneksi antara unit ke-j lapisan tersembunyi dengan unit ke-k lapisan output.
3.3.2. Proses pelatihan Proses pelatihan dilakukan untuk melatih jaringan agar dapat mengenali tulisan tangan
aksara Batak Toba, baik yang dilatihkan maupun tidak dilatihkan.Setiap pelatihan dilakukan menggunakan parameter-parameter yang telah ditentukan. Pelatihan
jaringan backpropagation terdiri dari tiga tahap, yaitu umpan maju, pemropagasian error, dan perbaikan nilai bobot. Ketiga tahapan tersebut terus dilakukan sampai error
keluaran jaringan lebih kecil dari toleransi error atau dicapai maksimal epoch. Bobot terakhir yang didapatkan dari proses pelatihan digunakan pada proses pengujian.
Tahapan proses pelatihan jaringan dapat dilihat pada bab 2.5 mengenai algoritma backpropagation.
3.3.3. Proses pengujian Proses pengujian adalah menguji jaringan yang telah dilatihkan untuk mengenali data
uji yang tidak digunakan pada tahap pelatihan jaringan. Menggunakan bobot yang didapatkan setelah proses pelatihan, jaringan diharapkan mampu mengenali tulisaan
tangan aksara Batak Toba yang terdapat pada data uji. Tahap pengujian hanya menggunakan tahap umpan maju yang dipakai untuk mencari nilai keluaran lapisan
tersembunyi dan lapisan keluaran. Tahapan proses pengujian dapat dilihat pada bab 2.6 mengenai algoritma backpropagation.
Universitas Sumatera Utara
BAB 4 IMPLEMENTASI DAN PENGUJIAN