Pengenalan Tulisan Tangan Aksara Batak Toba Menggunakan Jaringan Saraf Tiruan Berbasis Algoritma Resilient Propagation.
Universitas Kristen Maranatha i
PENGENALAN TULISAN TANGAN AKSARA BATAK TOBA MENGGUNAKAN JARINGAN SARAF TIRUAN BERBASIS
ALGORITMA RESILIENT PROPAGATION
Disusun oleh :
Nama : Robin Panjaitan NRP : 0622017
Jurusan Teknik Elektro, Fakultas Teknik, Universitas Kristen Maranatha Jl. Prof. Drg. Suria Sumantri, MPH no 65, Bandung 40164, Indonesia
Email : [email protected]
ABSTRAK
Aksara Batak Toba merupakan salah satu budaya Indonesia yang layak dilestarikan. Salah satu upaya untuk melestarikannya maka pada Tugas Akhir ini dirancang sebuah sistem pengenalan tulisan tangan aksara Batak Toba menggunakan jaringan saraf tiruan berbasis algoritma resilient propagation.
Jaringan saraf tiruan merupakan salah satu metode yang sering digunakan dalam pengenalan pola. Dalam Tugas Akhir ini proses perancangan jaringan saraf tiruan melalui beberapa tahap yaitu tahap pra proses meliputi binerisasi, inversi, segmentasi, dan normalisasi, tahap selanjutnya adalah ekstraksi ciri menggunakan metoda freeman chain code, dan langkah terakhir adalah learning algoritma menggunakan resilient propagation. Jaringan saraf tiruan yang digunakan memiliki arsitektur multilayer perceptron.
Data tulisan tangan berasal dari 15 naracoba dengan 2 kali penulisan sehingga diperoleh sebanyak 30 set data. Dari percobaan diperoleh hasil 100% berhasil dikenali jika data uji sama dengan data latih dan rata-rata 63.56% berhasil dikenali jika data uji berbeda dengan data latih.
Kata kunci :
aksara Batak Toba, jaringan saraf tiruan, resilient propagation, freeman chain
(2)
Universitas Kristen Maranatha ii
HANDWRITTEN BATAK TOBA ALPHABET RECOGNITION USING RESILIENT PROPAGATION ALGORITHM
BASED NEURAL NETWORK
Composed by : Name : Robin Panjaitan
NRP : 0622017
Department of Electrical Engineering, Faculty of Engineering, Maranatha Christian University, Jl. Prof. drg. Surya Sumantri, MPH. No 65
Bandung 40164, Indonesia Email : [email protected]
ABSTRACT
Batak Toba alphabet is one of Indonesia culture that need to be preserved. For this purpose a neural networks-based system is developed to recognize handwritten Batak Toba alphabet.
Artificial Neural Neetworks (ANN) is one of most popular method in pattern recognition. In this research the ANN is developed throught several steps, such as pre processing (binarization, inversion, segmentation, and normalization), feature extraction (freeman chain code), and recognition (using resilient propagation learning algorithm).
Handwritten data taken from 15 subjects throught writing. From experiment, the recognition 100% succeed when testing data is same as training data and about 62.56% succeed when testing data differ from training data.
Key words :
Batak Toba alphabet, Artificial neural networks , resilient propagation, freeman chain code
(3)
Universitas Kristen Maranatha v
DAFTAR ISI
Halaman LEMBAR PENGESAHAN SURAT PERNYATAANPERNYATAAN PUBLIKASI LAPORAN PENELITIAN
ABSTRAK ... i
ABSTRACT ... ii
KATA PENGANTAR ... iii
DAFTAR ISI ... v
DAFTAR TABEL ... vii
DAFTAR GAMBAR ... viii
BAB I PENDAHULUAN I.1 Latar Belakang ... 1
I.2 Rumusan Masalah ... 2
I.3 Tujuan ... 2
I.4 Batasan Masalah ... 2
I.5 Sistematika Penulisan ... 2
BAB II LANDASAN TEORI II.1 Aksara Batak Toba ... 4
II.2 Freeman Chain Code ... 6
(4)
Universitas Kristen Maranatha vi
II.3.1 Pengertian Jaringan Saraf Tiruan ... 9
II.3.2 Arsitektur Jaringan Saraf Tiruan ... 13
II.3.3 Fungsi Aktivasi ... 14
II.4 Resilient Propagation ………... 18
BAB III PERANCANGAN DAN REALISASI III.1 Blok Diagram ... 20
III.2 Langkah Kerja ... 20
III.3 Perancangan Program ... 29
III.3.1 Training Algoritma ... 30
III.3.2 Diagram Alir Training Algoritma ... 35
BAB IV ANALISIS DATA IV.1 Pelatihan Jaringan Saraf Tiruan ... 36
IV.2 Pengujian Jaringan Saraf Tiruan ... 36
IV.3 Error Pengujian Jaringan Saraf Tiruan ... 43
IV.3 Analisis Data ... 46
BAB V SIMPULAN DAN SARAN V.1 Simpulan ... 48
V.2 Saran ... 49
DAFTAR PUSTAKA ... 50 LAMPIRAN A
(5)
Universitas Kristen Maranatha vii
DAFTAR TABEL
Halaman
Tabel 3.1 Jumlah input node, hidden neuron dan output neuron ... 30
Tabel 3.2 Nilai target ... 34
Tabel 4.1 Jumlah iterasi setiap konfigurasi ... 36
Tabel 4.2 Persentase kategori 1 konfigurasi A ... 37
Tabel 4.3 Persentase kategori 1 konfigurasi B... 38
Tabel 4.4 Persentase kategori 1 konfigurasi C ... 39
Tabel 4.5 Persentase kategori 2 konfigurasi A ... 40
Tabel 4.6 Persentase kategori 2 konfigurasi B ... 41
Tabel 4.7 Persentase kategori 2 konfigurasi C ... 42
Tabel 4.8 Rata-rata error kategori 1 ... 45
(6)
Universitas Kristen Maranatha viii
DAFTAR GAMBAR
Halaman
Gambar 2.1 Akasara Batak Toba versi modern ... 6
Gambar 2.2 Aksara Batak Toba versi tradisional ... 6
Gambar 2.3 Freeman chain code a) 8 arah b) 4 arah ... 7
Gambar 2.4 Sel saraf biologis manusia ... 10
Gambar 2.5 Model Neuron McCulloch-Pitts ... 11
Gambar 2.6 Fungsi identitas ... 15
Gambar 2.7 Fungsi tangga a) bipolar b) biner ... 15
Gambar 2.8 Fungsi sigmoid ... 16
Gambar 2.9 Fungsi bisigmoid ... 16
Gambar 2.10 Fungsi saturating linear ... 17
Gambar 2.11 Fungsi symmetric saturating linear ... 17
Gambar 3.1 Diagram Blok ... 20
Gambar 3.2 Hasil scan tulisan tangan ... 21
Gambar 3.3 Hasil proses binerisasi ... 22
Gambar 3.4 Hasil proses inversi ... 23
Gambar 3.5 Hasil proses segmentasi pertama ... 24
Gambar 3.6 Hasil proses segmentasi kedua ... 25
Gambar 3.7 Hasil proses normalisasi ... 26
Gambar 3.8 Freeman chain code 8 arah ... 27
Gambar 3.9 Arsitektur jaringan saraf tiruan yang akan dirancang ... 29
(7)
LAMPIRAN A
1. Kotak pengumpulan data
DATA UJI AKSARA BATAK
Nama (optional) : Jenis Kelamin :
(8)
A2
(9)
(10)
(11)
(12)
(13)
(14)
(15)
(16)
(17)
(18)
(19)
(20)
(21)
(22)
(23)
(24)
(25)
(26)
(27)
(28)
(29)
(30)
(31)
(32)
(33)
(34)
(35)
(36)
(37)
(38)
Universitas Kristen Maranatha
B1
LAMPIRAN B
1. Program memanggil data hasi scan
file = input('Masukkan nama File: ', 's'); data=imread(file);
figure; imshow(data);
2. Program binerisasi
databiner=im2bw(data,0.95); figure;
imshow(databiner);
3. Program inversi
databiner1=ubah(databiner);
program fungsi ubah
function [furuh]=ubah(huruf) [m,n]=size(huruf); for i=1:m for j=1:n if(huruf(i,j)==0) huruf(i,j)=1; else huruf(i,j)=0; end end end furuh=huruf;
4. Program segmentasi 1
a=databiner1(275:345,138:222); ha=databiner1(270:347,238:322); ma=databiner1(278:342,332:417); na=databiner1(280:337,435:518);
(39)
Universitas Kristen Maranatha B2 ra=databiner1(370:425,140:220); ta=databiner1(362:430,235:320); sa=databiner1(373:433,332:418); pa=databiner1(370:423,433:515); la=databiner1(455:530,140:220); ga=databiner1(455:530,235:320); ja=databiner1(460:528,332:418); da=databiner1(458:525,433:515); nga=databiner1(565:620,140:215); ba=databiner1(555:627,235:318); wa=databiner1(557:625,335:418); ya=databiner1(550:630,433:512); nya=databiner1(658:727,138:222); i=databiner1(660:730,245:320); u=databiner1(655:727,335:415);
Program segmentasi 2
a2=seket(a); ha2=seket(ha); ma2=seket(ma); na2=seket(na); ra2=seket(ra); ta2=seket(ta); sa2=seket(sa); pa2=seket(pa); la2=seket(la); ga2=seket(ga); ja2=seket(ja); da2=seket(da); nga2=seket(nga); ba2=seket(ba);
(40)
Universitas Kristen Maranatha B3 wa2=seket(wa); ya2=seket(ya); nya2=seket(nya); i2=seket(i); u2=seket(u);
Program fungsi skeet
function [x]=seket(a) [r,c] = size(a); for i = fliplr(1:r) if sum(a(i,:)) == 0 a(i,:) = []; else
break; end
end
for i = fliplr(1:c) if sum(a(:,i)) == 0 a(:,i) = []; else
break; end
end atas = 0; for i = 1:r
if sum(a(i,:)) == 0 atas = atas + 1; else
break; end
end kiri = 0; for i = 1:c
if sum(a(:,i)) == 0 kiri = kiri + 1; else
(41)
Universitas Kristen Maranatha
B4 end
end
if atas > 0
a(1:atas,:) = []; end
if kiri > 0
a(:,1:kiri) = []; end
x=a;
5. Program proses normalisasi
a4=imresize(a2,[35 70]); ha4=imresize(ha2,[41 70]); ma4=imresize(ma2,[40 62]); na4=imresize(na2,[26 70]); ra4=imresize(ra2,[43 72]); ta4=imresize(ta2,[52 53]); sa4=imresize(sa2,[46 56]); pa4=imresize(pa2,[19 73]); la4=imresize(la2,[34 73]); ga4=imresize(ga2,[33 75]); ja4=imresize(ja2,[52 58]); da4=imresize(da2,[37 62]); nga4=imresize(nga2,[50 48]); ba4=imresize(ba2,[43 71]); wa4=imresize(wa2,[40 75]); ya4=imresize(ya2,[46 72]); nya4=imresize(nya2,[42 66]); i4=imresize(i2,[30 62]); u4=imresize(u2,[30 70]);
(42)
Universitas Kristen Maranatha
B5
6. Proses ekstraksi ciri
x=a4;freeman;a5=cell; x=ha4;freeman;ha5=cell; x=ma4;freeman;ma5=cell; x=na4;freeman;na5=cell; x=ra4;freeman;ra5=cell; x=ta4;freeman;ta5=cell; x=sa4;freeman;sa5=cell; x=pa4;freeman;pa5=cell; x=la4;freeman;la5=cell; x=ga4;freeman;ga5=cell; x=ja4;freeman;ja5=cell; x=da4;freeman;da5=cell; x=nga4;freeman;nga5=cell; x=ba4;freeman;ba5=cell; x=wa4;freeman;wa5=cell; x=ya4;freeman;ya5=cell; x=nya4;freeman;nya5=cell; x=i4;freeman;i5=cell; x=u4;freeman;u5=cell; savefile='x.mat'; save(savefile,'a5','ha5','ma5','na5','ra5','ta5','sa5','pa5','la5','g a5','ja5','da5','nga5','ba5','wa5','ya5','nya5','i5','u5');
program fungsi freeman
BW=bwboundaries(x); [mm,nn]=size(BW); for i=1:mm eval(sprintf('cell%d=[BW{i}];',i)); end conn=8; if mm==1
z = fchcode(cell1, conn, dir); k=struct2cell(z);
k1=cell2mat(k); cell=k1'; elseif mm==2
(43)
Universitas Kristen Maranatha
B6 z1 = fchcode(cell2, conn, dir); k=struct2cell(z); k1=cell2mat(k); l=struct2cell(z1); l1=cell2mat(l); cell=vertcat(k1',l1'); else
z = fchcode(cell1, conn, dir); z1 = fchcode(cell2, conn, dir); z2 = fchcode(cell3, conn, dir); k=struct2cell(z); k1=cell2mat(k); l=struct2cell(z1); l1=cell2mat(l); m=struct2cell(z2); m1=cell2mat(m); cell=vertcat(k1',l1',m1'); end
Program fungsi fchcode
function c = fchcode(b, conn, dir) [np, nc] = size(b);
if np < nc
error('B harus berukuran sesuai.'); end
if isequal(b(1, :), b(np, :)) np = np - 1;
b = b(1:np, :); end
C(11)=0; C(7)=1; C(6)=2; C(5)=3; C(9)=4; C(13)=5; C(14)=6; C(15)=7;
a = circshift(b, [-1, 0]); DEL = a - b;
if any(abs(DEL(:, 1)) > 1) | any(abs(DEL(:, 2)) > 1); error('input ada yang terputus.')
end
(44)
Universitas Kristen Maranatha
B7 fcc = C(z);
c.fcc = fcc;
7. Program menyamakan jumlah input
x=a5;samakan;a6=y; x=ha5;samakan;ha6=y; x=ma5;samakan;ma6=y; x=na5;samakan;na6=y; x=ra5;samakan;ra6=y; x=ta5;samakan;ta6=y; x=sa5;samakan;sa6=y; x=pa5;samakan;pa6=y; x=la5;samakan;la6=y; x=ga5;samakan;ga6=y; x=ja5;samakan;ja6=y; x=da5;samakan;da6=y; x=nga5;samakan;nga6=y; x=ba5;samakan;ba6=y; x=wa5;samakan;wa6=y; x=ya5;samakan;ya6=y; x=nya5;samakan;nya6=y; x=i5;samakan;i6=y; x=u5;samakan;u6=y;
x=[a6 ha6 ma6 na6 ra6 ta6 sa6 pa6 la6 ga6 ja6 da6 nga6 ba6 wa6 ya6 nya6 i6 u6];
savefile='coba.mat'; save(savefile,'x');
program fungsi samakan
[R,C]=size(x); if R>250
y=x(1:250); else if R<250
y=vertcat(x,zeros(250-R,1)); else
(45)
Universitas Kristen Maranatha
B8 y=x;
end end
8. Program resilient propagation
load datatrain.mat ; t1= [0 0 0 0 1]'; t2= [0 0 0 1 0]'; t3= [0 0 0 1 1]'; t4= [0 0 1 0 0]'; t5= [0 0 1 0 1]'; t6= [0 0 1 1 0]'; t7= [0 0 1 1 1]'; t8= [0 1 0 0 0]'; t9= [0 1 0 0 1]'; t10= [0 1 0 1 0]'; t11= [0 1 0 1 1]'; t12= [0 1 1 0 0]'; t13= [0 1 1 0 1]'; t14= [0 1 1 1 0]'; t15= [0 1 1 1 1]'; t16= [1 0 0 0 0]'; t17= [1 0 0 0 1]'; t18= [1 0 0 1 0]'; t19= [1 0 0 1 1]';
t=[t1 t1 t1 t1 t1 t1 t1 t1 t1 t1 t1 t1 t1 t1 t1 t2 t2 t2 t2 t2 t2 t2 t2 t2 t2 t2 t2 t2 t2 t2 t3 t3 t3 t3 t3 t3 t3 t3 t3 t3 t3 t3 t3 t3 t3 t4 t4 t4 t4 t4 t4 t4 t4 t4 t4 t4 t4 t4 t4 t4 t5 t5 t5 t5 t5 t5 t5 t5 t5 t5 t5 t5 t5 t5 t5 t6 t6 t6 t6 t6 t6 t6 t6 t6 t6 t6 t6 t6 t6 t6 t7 t7 t7 t7 t7 t7 t7 t7 t7 t7 t7 t7 t7 t7 t7 t8 t8 t8 t8 t8 t8 t8 t8 t8 t8 t8 t8 t8 t8 t8 t9 t9 t9 t9 t9 t9 t9 t9 t9 t9 t9 t9 t9 t9 t9 t10 t10 t10 t10 t10 t10 t10 t10 t10 t10 t10 t10 t10 t10 t10 t11 t11 t11 t11 t11 t11 t11 t11 t11 t11 t11 t11 t11 t11 t11 t12 t12 t12 t12 t12 t12 t12 t12 t12 t12 t12 t12 t12 t12 t12 t13 t13 t13 t13 t13 t13 t13 t13 t13 t13 t13 t13 t13 t13 t13 t14 t14 t14 t14 t14 t14 t14 t14 t14 t14 t14 t14 t14 t14 t14 t15 t15 t15 t15 t15 t15 t15 t15 t15 t15 t15
(46)
Universitas Kristen Maranatha
B9
t15 t15 t15 t15 t16 t16 t16 t16 t16 t16 t16 t16 t16 t16 t16 t16 t16 t16 t16 t17 t17 t17 t17 t17 t17 t17 t17 t17 t17 t17 t17 t17 t17 t17 t18 t18 t18 t18 t18 t18 t18 t18 t18 t18 t18 t18 t18 t18 t18 t19 t19 t19 t19 t19 t19 t19 t19 t19 t19 t19 t19 t19 t19 t19 ];
jlhout=5; jlhhid=175; jlhin=250; a=-1; b=1;
v=a + (b-a).*rand(jlhhid,jlhin); w=a + (b-a).*rand(jlhout,jlhhid); nettj=v*x; z=1./(1+exp(-nettj)); nettk=w*z; y=1./(1+exp(-nettk)); deltak=ones(jlhout,jlhhid)*0.1; dEk=zeros(jlhout,jlhhid); deltaj=ones(jlhhid,jlhin)*0.1; dEj=zeros(jlhhid,jlhin);
cost = mean2((sum((t-y).^2))/5); epoch=0;
while cost > 0.000001 np=1.2; nm=0.5; dmax=1; dmin=1e-6; ek=(t-y).*(y.*(1-y)); dek=ek*z'; for k=1:jlhout for j=1:jlhhid changek(k,j)=sign(dEk(k,j).*dek(k,j)); if changek(k,j) >0
deltak(k,j)=min(deltak(k,j)*np,dmax); dw(k,j)=sign(dek(k,j)).*deltak(k,j);
(47)
Universitas Kristen Maranatha
B10
dEk(k,j)=dek(k,j); else if changek(k,j) <0
deltak(k,j)=max(deltak(k,j)*nm,dmin); dw(k,j)=-deltak(k,j); dEk(k,j)=0; else dw(k,j)=-sign(dek(k,j)).*deltak(k,j); dEk(k,j)=dek(k,j); end end end end q=ek'*w; ej=q'.*(z.*(1-z)); dej=ej*x'; for m=1:jlhhid for n=1:jlhin changej(m,n)=sign(dEj(m,n).*dej(m,n)); if changej(m,n) >0
deltaj(m,n)=min(deltaj(m,n)*np,dmax); dv(m,n)=sign(dej(m,n)).*deltaj(m,n); dEj(m,n)=dej(m,n);
else if changej(m,n) <0
deltaj(m,n)=max(deltaj(m,n)*nm,dmin); dv(m,n)=-deltaj(m,n); dEj(m,n)=0; else dv(m,n)=-sign(dej(m,n)).*deltaj(m,n); dEj(m,n)=dej(m,n); end end end end w=w+dw; v=v+dv; nettj=v*x; z=1./(1+exp(-nettj));
(48)
Universitas Kristen Maranatha
B11 nettk=w*z;
y=1./(1+exp(-nettk));
cost = mean2((sum((t-y).^2))/5);
epoch=epoch+1; if epoch == 50000 break ; end
end
savefile='bobot.mat'; save(savefile,'v','w');
(49)
Universitas Kristen Maranatha
1
BAB I
PENDAHULUAN
I.1 Latar Belakang
Bahasa Batak Toba merupakan salah satu keanekaragaman seni dan budaya Indonesia yang telah dipakai lebih dari beberapa juta masyarakat suku Batak Toba sejak beberapa ratus tahun yang lalu.[7] Namun tulisan Batak Toba sendiri sudah sangat jarang digunakan. Hal ini diakibatkan karena kurangnya kesadaran untuk mempelajari dan melestarikan budaya sendiri. Sebagai salah satu cara untuk melestarikan budaya tersebut maka pada Tugas Akhir ini akan dibahas bagaimana pengenalan tulisan tangan aksara Batak Toba menggunakan Jaringan Saraf Tiruan.
Jaringan saraf manusia terbentuk dari jutaan neuron yang terkoneksi dan terintegrasi satu dengan yang lain. Susunan jaringan saraf yang terdapat dalam otak manusia ini dapat dengan cepat bekerja dalam proses belajar, mengenali pola, mengingat, dan memproses informasi. Untuk itu dikembangkan suatu model yang disebut dengan Jaringan Saraf Tiruan (JST) yang dapat menyerupai kemampuan jaringan saraf manusia dalam pengenalan pola dan pengenalan karakter pada aksara Batak Toba.
Dalam Tugas Akhir ini pengenalan tulisan tangan aksara Batak Toba dilakukan dengan menggunakan JST beraksitektur Multilayer Perceptron (MLP) dan beralgoritmakan Resilient Propagation . JST ini dirancang dengan paradigma diawasi (supervised).[4] Nilai keluaran yang diharapkan akan dikurangi dengan nilai keluaran aktual untuk mendapatkan error unit. Bobot akan diubah sampai mendapatkan fungsi biaya (cost function) yang kecil. Semakin kecil error, JST akan dapat mengenali
(50)
Universitas Kristen Maranatha
2
tulisan tangan dengan baik. Tugas Akhir ini akan dibuat dalam bentuk simulasi dengan menggunakan perangkat lunak MATLAB (Matrix Laboratory).
I.2 Rumusan Masalah
Masalah yang akan dibahas pada Tugas Akhir ini adalah :
(a) Bagaimana merancang Jaringan Saraf Tiruan (JST) dengan algoritma
Resilient Propagation untuk pengenalan tulisan tangan aksara Batak
Toba?
(b) Bagaimana hasil pengenalan tulisan tangan aksara Batak Toba menggunakan MLP pada JST dengan algoritma Resilient Propagation?
I.3 Tujuan
(a) Membuat simulasi pengenalan tulisan tangan aksara Batak Toba dengan menerapkan MLP pada JST dengan algoritma Resilient Propagation. (b) Menganalisis hasil pengenalan tulisan tangan aksara Batak Toba.
I.4 Batasan Masalah
Batasan – batasan masalah dalam Tugas Akhir ini adalah :
(a) Pengenalan tulisan tangan aksara Batak Toba dilakukan secara offline. (b) Aksara Batak Toba yang digunakan yaitu versi modern.
(c) Pengenalan tulisan tangan hanya per-karakter. (d) Menggunakan resolusi 75 dpi.
I.5 Sistematika Penulisan
Adapun sistematika dalam penulisan laporan ini terdiri dari 5 BAB, yaitu sebagai berikut :
(51)
Universitas Kristen Maranatha
3
BAB I : PENDAHULUAN
Bab ini berisi latar belakang masalah, rumusan masalah, tujuan penelitian, batasan masalah, dan sistematika penulisan
BAB II : LANDASAN TEORI
Bab ini berisi teori-teori penunjang yang diperlukan untuk merancang dan merealisasikan Jaringan Saraf Tiruan dengan algoritma Resilient Propagation.
BAB III : PERANCANGAN DAN REALISASI
Bab ini berisi pembuatan program yang akan digunakan dalam pengenalan tulisan tangan.
BAB IV : ANALISIS DATA
Bab ini berisi pengamatan dan hasil pengolahan data yang telah dilakukan dengan menggunakan Jaringan Saraf Tiruan dengan algoritma Resilient Propagation.
BAB V : SIMPULAN DAN SARAN
Bab ini berisi simpulan dari uraian pembahasan yang ada dalam bab sebelumnya serta saran-saran yang berguna untuk pengembangan lebih lanjut.
(52)
Universitas Kristen Maranatha 48
BAB V
SIMPULAN DAN SARAN
V.1 Simpulan
Simpulan yang didapat dari hasil percobaan yang dilakukan pada Tugas Akhir ini adalah :
1. Pengenalan aksara Batak Toba untuk kategori 1 adalah sebesar 100% untuk semua aksara.
2. Arsitektur hidden layer 175 neuron (konfigurasi A) kategori 2, aksara yang paling tinggi persentase dikenali adalah aksara ‘ya’ dan yang paling rendah adalah aksara ‘sa’.
3. Arsitektur hidden layer 200 neuron (konfigurasi B) kategori 2, aksara yang paling tinggi persentase dikenali adalah aksara ‘pa’ dan ‘i’ dan yang paling rendah adalah aksara ‘na’.
4. Arsitektur hidden layer 225 neuron (konfigurasi C) kategori 2, aksara yang paling tinggi persentase dikenali adalah aksara ‘pa’, ‘nga’, dan ‘i’ dan yang paling rendah adalah aksara ‘sa’ dan ‘ja’.
(53)
Universitas Kristen Maranatha 49
V.2 Saran
1. Jumlah data latih pada training algoritma dapat ditambah.
(54)
Universitas Kristen Maranatha
50
DAFTAR PUSTAKA
1. Boger, Zvi. Dan Guterman, Hugo. Oktober 1997. Knowledge Extraction from
Artificial Neural Networks Models. Orlando : IEEE Systems, Man and Cybernetics Conference.
2. Fausett, Laurenne. 19 Desember 1993. Fundamentals Of Neural Networks,
Architectures, Algorithms, and Application.
3. Haykin, Simon. 2005. Neural Network: A Comprehensive Foundations, 2nd
Edition. India : Prentice Hall.
4. Jain, A.K. Mao, Jianchang. dan Mohiuddin, K. Maret 1996. Artificial Neural
Networks: A Tutorial. IEEE, Vol. 29 No. 3, pp. 31-44.
5. Kozok, Uli. Februari 2009. Surat Batak: Sejarah Perkembangan Tulisan
Batak, Berikut Pedoman Menulis Aksara Batak dan Cap Sisimangaraja XII.
KPG (Kepustakaan Populer Gramedia) & EFEO.
6. Riedmiller, Martin. dan Braun, Heinrich. 1993. A Direct Adaptive Method for
Faster Backpropagation Learning: The RPROP Algorithm. IEEE, Vol. 1, pp.
586 – 591.
7. Panggabean, M. dan Rønningen, L. November 2009. Character Recognition
of the Batak Toba Alphabet Using Signatures and Simplified Chain Code.
(1)
BAB I
PENDAHULUAN
I.1 Latar Belakang
Bahasa Batak Toba merupakan salah satu keanekaragaman seni dan budaya Indonesia yang telah dipakai lebih dari beberapa juta masyarakat suku Batak Toba sejak beberapa ratus tahun yang lalu.[7] Namun tulisan Batak Toba sendiri sudah sangat jarang digunakan. Hal ini diakibatkan karena kurangnya kesadaran untuk mempelajari dan melestarikan budaya sendiri. Sebagai salah satu cara untuk melestarikan budaya tersebut maka pada Tugas Akhir ini akan dibahas bagaimana pengenalan tulisan tangan aksara Batak Toba menggunakan Jaringan Saraf Tiruan.
Jaringan saraf manusia terbentuk dari jutaan neuron yang terkoneksi dan terintegrasi satu dengan yang lain. Susunan jaringan saraf yang terdapat dalam otak manusia ini dapat dengan cepat bekerja dalam proses belajar, mengenali pola, mengingat, dan memproses informasi. Untuk itu dikembangkan suatu model yang disebut dengan Jaringan Saraf Tiruan (JST) yang dapat menyerupai kemampuan jaringan saraf manusia dalam pengenalan pola dan pengenalan karakter pada aksara Batak Toba.
Dalam Tugas Akhir ini pengenalan tulisan tangan aksara Batak Toba dilakukan dengan menggunakan JST beraksitektur Multilayer Perceptron (MLP) dan beralgoritmakan Resilient Propagation . JST ini dirancang dengan paradigma diawasi (supervised).[4] Nilai keluaran yang diharapkan akan dikurangi dengan nilai keluaran aktual untuk mendapatkan error unit. Bobot akan diubah sampai mendapatkan fungsi biaya (cost function) yang kecil. Semakin kecil error, JST akan dapat mengenali
(2)
tulisan tangan dengan baik. Tugas Akhir ini akan dibuat dalam bentuk simulasi dengan menggunakan perangkat lunak MATLAB (Matrix Laboratory).
I.2 Rumusan Masalah
Masalah yang akan dibahas pada Tugas Akhir ini adalah :
(a) Bagaimana merancang Jaringan Saraf Tiruan (JST) dengan algoritma
Resilient Propagation untuk pengenalan tulisan tangan aksara Batak
Toba?
(b) Bagaimana hasil pengenalan tulisan tangan aksara Batak Toba menggunakan MLP pada JST dengan algoritma Resilient Propagation?
I.3 Tujuan
(a) Membuat simulasi pengenalan tulisan tangan aksara Batak Toba dengan menerapkan MLP pada JST dengan algoritma Resilient Propagation. (b) Menganalisis hasil pengenalan tulisan tangan aksara Batak Toba.
I.4 Batasan Masalah
Batasan – batasan masalah dalam Tugas Akhir ini adalah :
(a) Pengenalan tulisan tangan aksara Batak Toba dilakukan secara offline. (b) Aksara Batak Toba yang digunakan yaitu versi modern.
(c) Pengenalan tulisan tangan hanya per-karakter. (d) Menggunakan resolusi 75 dpi.
I.5 Sistematika Penulisan
Adapun sistematika dalam penulisan laporan ini terdiri dari 5 BAB, yaitu sebagai berikut :
(3)
BAB I : PENDAHULUAN
Bab ini berisi latar belakang masalah, rumusan masalah, tujuan penelitian, batasan masalah, dan sistematika penulisan
BAB II : LANDASAN TEORI
Bab ini berisi teori-teori penunjang yang diperlukan untuk merancang dan merealisasikan Jaringan Saraf Tiruan dengan algoritma Resilient Propagation.
BAB III : PERANCANGAN DAN REALISASI
Bab ini berisi pembuatan program yang akan digunakan dalam pengenalan tulisan tangan.
BAB IV : ANALISIS DATA
Bab ini berisi pengamatan dan hasil pengolahan data yang telah dilakukan dengan menggunakan Jaringan Saraf Tiruan dengan algoritma Resilient Propagation.
BAB V : SIMPULAN DAN SARAN
Bab ini berisi simpulan dari uraian pembahasan yang ada dalam bab sebelumnya serta saran-saran yang berguna untuk pengembangan lebih lanjut.
(4)
BAB V
SIMPULAN DAN SARAN
V.1 Simpulan
Simpulan yang didapat dari hasil percobaan yang dilakukan pada Tugas Akhir ini adalah :
1. Pengenalan aksara Batak Toba untuk kategori 1 adalah sebesar 100% untuk semua aksara.
2. Arsitektur hidden layer 175 neuron (konfigurasi A) kategori 2, aksara yang paling tinggi persentase dikenali adalah aksara ‘ya’ dan yang paling rendah adalah aksara ‘sa’.
3. Arsitektur hidden layer 200 neuron (konfigurasi B) kategori 2, aksara yang paling tinggi persentase dikenali adalah aksara ‘pa’ dan ‘i’ dan yang paling rendah adalah aksara ‘na’.
4. Arsitektur hidden layer 225 neuron (konfigurasi C) kategori 2, aksara yang paling tinggi persentase dikenali adalah aksara ‘pa’, ‘nga’, dan ‘i’ dan yang paling rendah adalah aksara ‘sa’ dan ‘ja’.
(5)
V.2 Saran
1. Jumlah data latih pada training algoritma dapat ditambah.
(6)
DAFTAR PUSTAKA
1. Boger, Zvi. Dan Guterman, Hugo. Oktober 1997. Knowledge Extraction from
Artificial Neural Networks Models. Orlando : IEEE Systems, Man and Cybernetics Conference.
2. Fausett, Laurenne. 19 Desember 1993. Fundamentals Of Neural Networks,
Architectures, Algorithms, and Application.
3. Haykin, Simon. 2005. Neural Network: A Comprehensive Foundations, 2nd
Edition. India : Prentice Hall.
4. Jain, A.K. Mao, Jianchang. dan Mohiuddin, K. Maret 1996. Artificial Neural
Networks: A Tutorial. IEEE, Vol. 29 No. 3, pp. 31-44.
5. Kozok, Uli. Februari 2009. Surat Batak: Sejarah Perkembangan Tulisan
Batak, Berikut Pedoman Menulis Aksara Batak dan Cap Sisimangaraja XII.
KPG (Kepustakaan Populer Gramedia) & EFEO.
6. Riedmiller, Martin. dan Braun, Heinrich. 1993. A Direct Adaptive Method for
Faster Backpropagation Learning: The RPROP Algorithm. IEEE, Vol. 1, pp.
586 – 591.
7. Panggabean, M. dan Rønningen, L. November 2009. Character Recognition
of the Batak Toba Alphabet Using Signatures and Simplified Chain Code.