b. Setelah didapatkan nilai minimum
dan maksimumnya, maka normalisasi ini diterapkan pada data hasil ekstraksi ciri dengan
menggunakan persamaan 2.11. Berikut hasil data yang telah dinormalisasi.
Dalam penelitian ini, kedua metode normalisasi dilakukan. Dari hasil kedua metode normalisasi tersebut akan dibandingkan metode mana yang akan menghasilkan
tingkat akurasi yang lebih tinggi.
3.2.1.5 Jaringan Syaraf Tiruan
Dari hasil ekstraksi ciri yang telah dinormalisasi, untuk proses selanjutnya, jaringan syaraf tiruan dipilih sebagai metode pengenalan pola yang mampu
menghasilkan akurasi yang tinggi dari pengujian sampel diluar data sampel yang digunakan dalam proses pembelajarannya.
Pada subbab selanjutnya, akan dibahas tentang arsitektur jaringan syaraf yang akan digunakan.
3.2.1.6 ModelArsitektur Jaringan Syaraf Tiruan
Arsitekur jaringan yang digunakan dalam proses pelatihan dan pengujian antara lain arsitektur
backpropagation
dengan 1
hidden layer
dan 2
hidden layer
. Untuk tiap arsitektur jaringannya, akan dilakukan percobaan dengan beberapa kombinasi seperti
variasi jumlah
neuron
input yang disesuaikan dengan hasil vektor ekstraki ciri
modified
Gambar 3.9 Hasil setelah dinormalisasi min-max
direction feature
dan
principal component analysis
, jumlah
neuron
pada
hidden layer
dan modifikasi fungsi aktivasinya. Hal ini dilakukan untuk mengetahui akurasi dari sistem yang telah dibangun.
1. Arsitektur jaringan dengan 1
hidden layer
Pada gambar 3.10 adalah gambar model jaringan dengan 1
hidden layer
yang akan digunakan dalam proses pengujian jaringan dengan nilai ekstraksi ciri yang telah
dinormalisasi. Berikut penjelasan mengenai gambar di atas : 1.
Input x
1,
x
2
, x
3
, …, x
j
merupakan lapian input dalam jaringan syaraf tiruan yang dipilih berdasarkan nilai
feature
sesuai nilai yang didapat dari reduksi dimensi ciri, misalnya didapat nilai
feature
sejumlah 20, maka pada lapisan input ini indeks x
j
menjadi x
20
, yang artinya aka nada 20 masukan ke dalam jaringannya.
2.
Hidden layer
y
1
,y
2
,y
3
,…,y
j
merupakan lapisan tersembunyi yang digunakan untuk mentransformasikan nilai
input
menjadi nilai yang bisa
Gambar 3.10 Arsitektur jaringan 1
hidden layer
diolah sehingga didapat nilai
output
-nya. Dalam hal jumlah neuron, jumlahnya bisa divariasi baik itu 10, 20, 30 dan seterusnya, sehingga dapat
dibandingkan akurasi yang terbaik yang didapat membutuhkan berapa banyak jumlah neuron pada
hidden layer
. 3.
Output z
1
,z
2
,z
3
,…,z
20
merupakan lapisan luaran yang memiliki 20 neuron, sesuai dengan jumlah aksara Lampung yang digunakan. Nilai luaran pada
lapisan output ini direpresentasikan 0 dan 1, sehingga taget luaran untuk masing-masing aksara berbeda yang dikenali adalah sebagai berikut :
Tabel 3.1 Target luaran masing-masing aksara
Nilai target luaran Aksara
1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 A
0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 Ba
0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 Ca
0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 Da
0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 Ga
0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 Gha
0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 Ha
0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 Ja
0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 Ka
0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 La
0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 Ma
0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 Na
Nilai target luaran Aksara
0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 Nga
0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 Nya
0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 Pa
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 Ra
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 Sa
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 Ta
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 Wa
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 Ya
2. Arsitektur jaringan dengan 2
hidden layer
Pada gambar 3.11 adalah gambar model jaringan syaraf tiruan dengan 2
hidden layer
yang digunakan untuk optimalisasi model jaringan yang sebelumnya yang hanya
Gambar 3.3 Arsitektur jaringan dengan 2
hidden layer
menggunakan 2
hidden layer
. Sama halnya dengan model jaringan dengan 1
hidden layer,
berikut penjelasan mengenai jaringan dengan 2
hidden layer
: 1.
Input x
1,
x
2
, x
3
, …, x
j
merupakan lapian input dalam jaringan syaraf tiruan yang dipilih berdasarkan nilai
feature
sesuai nilai yang didapat dari reduksi dimensi ciri, misalnya didapat nilai
feature
sejumlah 25, maka pada lapisan input ini indeks x
j
menjadi x
20
, yang artinya aka nada 25 masukan ke dalam jaringannya.
2.
Hidden layer
1y
1
,y
2
,y
3
,…,y
j
merupakan lapisan tersembunyi yang digunakan untuk mentransformasikan nilai
input
menjadi nilai yang kemudian diteruskan ke
hidden layer
selanjutnya. Dalam hal jumlah neuron, jumlahnya bisa divariasi baik itu 10, 20, 30 dan seterusnya, sehingga dapat
dibandingkan akurasi terbaik yang didapat tersebut membutuhkan berapa banyak jumlah neuron pada
hidden layer
1. 3.
Hidden layer
1y
1
,y
2
,y
3
,…,y
j
merupakan lapisan tersembunyi yang digunakan untuk mentransformasikan nilai dari
hidden layer
sebelumnya sehingga menjadi nilai keluarannya. Dalam hal jumlah neuron, jumlahnya
bisa divariasi baik itu 10, 20, 30 dan seterusnya, sehingga dapat dibandingkan akurasi terbaik yang didapat tersebut membutuhkan berapa
banyak jumlah neuron pada
hidden layer
2. Tujuan ditambahkannya
hidden layer
ini adalah untuk mengetahui apakah nilai akurasi yang didapat lebih baik dibanding dengan akurasi yang didapat dari hanya menggunakan 1
hidden layer
. 4.
Output z
1
,z
2
,z
3
,…,z
20
merupakan lapisan luaran yang memiliki 20 neuron, sesuai dengan jumlah aksara Lampung yang digunakan. Nilai luaran pada
lapisan output ini direpresentasikan 0 dan 1, sehingga taget luaran untuk masing-masing aksara berbeda yang dikenali, seperti yang ditunjukkan pada
Tabel 3.1.
3.2.1.6 Pengujian
Pengujian dilakukan dengan membagi keseluruhan data menjadi 2 bagian, 23 bagian menjadi data untuk proses pelatihan dan 13 bagian lainnya menjadi data
testing.
Sedangkan untuk mengetahui akurasi dari dari sistem yang telah dibangun, dapat digunakan suatu
confusion matrix
yang dapat dilakukan dengan ketentuan sebagai berikut :
Tabel 3.2 Contoh
confusion matrix
Aksara 1 Aksara 2 … Aksara 20
Aksara 1
x y
…
Z
Aksara 2
a b
…
C
… …
… … …
Aksara 20
d e
…
f
Confusion matrix
diatas berisi jumlah data masukan yang teridentifikasi ke dalam suatu kelas atau target. Untuk menentukan nilai akurasinya, ditentukan dengan
menjumlahkan nilai diagonal pada
confusion matrix
nya kemudian dibagi dengan keseluruhan jumlah data atau dapat direpresentasikan dengan rumus berikut :
� =
� ℎ
ℎ ℎ
3.2
3.3 Desain Alat Uji
3.3.1 Form Menu Utama
Form menu utama berisikan tombol Training Data yang mengarahkan ke form yang nantinya digunakan untuk melakukan pelatihan data serta proses ekstraksi
cirinya. Tombol Identifikasi Aksara digunakan untuk mengarahkan ke form yang digunakan untuk melakukan pengenalan aksara Lampung.
3.3.2 Form Menu Data Training dan Ekstraksi Ciri
