PENGENALAN KODE POS MENGGUNAKAN JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION DENGAN INPUT KETIKAN SKRIPSI Diajukan untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Teknik Program Studi Teknik Informatika

  

PENGENALAN KODE POS MENGGUNAKAN JARINGAN

SYARAF TIRUAN METODE BACKPROPAGATION DENGAN

  INPUT KETIKAN SKRIPSI Diajukan untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Teknik Program Studi Teknik Informatika Oleh: Orpa Sampe Biringkaka NIM : 055314126 PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS SANATA DHARMA YOGYAKARTA

  

POST CODE RECOGNITION

BY USING BACKPROPAGATION METHOD OF NEURAL

NETWORK WITH TYPING INPUT SYSTEM

A Thesis

  

Presented As Partial Fulfillment Of The Requirements

To Obtain The Sarjana Teknik Degree

In Departement Of Informatics Engineering

  

By :

Orpa Sampe Biringkaka

Student Id : 055314126

  

INFORMATICS ENGINEERING STUDY PROGRAM

FACULTY OF SCIENCE AND TECHNOLOGY

SANATA DHARMA UNIVERSITY

YOGYAKARTA

  HALAMAN PERSEMBAHAN Hati yang gembira adalah obat yang manjur, tetapi semangat yang patah mengeringkan tulang. Skripsi ini saya persembahkan untuk : Yesus Kristus, Keluarga dan sahabat. Terima kasih untuk semua.

  

PENGENALAN KODE POS MENGGUNAKAN JARINGAN

SYARAF TIRUAN METODE BACKPROPAGATION

DENGAN

  INPUT KETIKAN

ABSTRAK

  Komputer mulai banyak dimanfaatkan untuk berbagai kepentingan, sebagai mesin penghitung (masalah sederhana), hingga untuk menyelesaikan masalah-masalah manusia yang lebih kompleks, misalnya mengidentifikasi tanda tangan, mengidentifikasi wajah, mengidentifikasi tulisan/huruf, dan sebagainya.

  Metode-metode yang dipakai dalam mengenali suatu pola di atas ada bermacam- macam, misalnya Jaringan Syaraf Tiruan, seperti ADALINE, Back Propagation; Logika Fuzzy, seperti Tupple-N; dan sebagainya.

  Permasalahan yang tak kalah pentingnya adalah aplikasi untuk membantu atau mempermudah pegawai kantor pos dalam penyortiran surat-surat hingga dapat sampai ke alamat tujuan dengan cepat serta pekerjaan lebih terstruktur. Pada umumnya kantor pos menyortir surat masih menggunakan sistem manual berdasarkan pengelamatan pada tingkat tertentu.

  Penelitian dilakukan dengan menggunakan 250 gambar angka yaitu angka 0 sampai dengan angka 9 menggunakan 5 jenis huruf yang berbeda-beda. Setiap angka memiliki 5 buah dari setiap jenis huruf, jadi setiap angkanya mempunyai menjadi 5 bagian. Proses penelitian ini dimulai dari tahap ekstraksi ciri selanjutnya tahap klasifikasi atau tahap pengenalan dengan menggunakan Jaringan Saraf Tiruan, backpropogation. Pada tahap pengenalan ada dua yaitu :

  1. Pengenalan angka dari 5 digit kode pos

  2. Pengenalan wilayah dari digit kode pos Dari penelitian dilakukan 5 kali percobaan dan diperoleh 2 akurasi pengenalan angka kode pos yaitu untuk 1 lapis dan 2 lapis. Akurasi pengenalan kode pos untuk 1 lapis dengan neuron 200 yaitu pada percobaan ke-2, 3 dan ke-4 sebesar 90.80% dan Akurasi pengenalan kode pos untuk 2 lapis dengan neuron

  

hidden layer pertama 100 dan jumlah neuron hidden layer kedua 30 yaitu pada

percobaan ke 5 sebesar 92.80%.

  Ini menujukkan bahwa pengenalan menggunakan Jaringan Saraf Tiruan

  

Backpropogation merupakan metode efektif untuk proses pengenalan angka kode

pos.

  

POST CODE RECOGNITION

BY USING BACKPROPAGATION METHOD OF NEURAL

NETWORK WITH TYPING INPUT SYSTEM

ABSTRACT

  Computer had begun to be used for any interests, for example to solve simple problem (counting machine), even to solve more complex problems of human (identifying the signature, face, handwriting, and so on). There were some methods that were used to identify a model mentioned above, for example Neural Network, for example Adaline, Back Propagation; Fuzzy Logic (such as Tupple- N) and so on.

  The same important interest was the application that used to help post officer in sorting the letters easily. The purpose was to make it manageable both in delivering and in sorting the letters. Generally, post officers still used manual system in sorting letters based on the destination of the letter to the certain region.

  The observation was done by using 250 alphanumeric, which consisted of numbers (0

• – 9), and by using 5 kinds of different letters. Each number had five alphanumeric from every kind of the letter. Therefore, each number had 25 samples of the picture. The “five fold method” was used to divide the numbers into 5 parts. The process of the observation was begun from the extract feature stage. It continued with classification stage or introduction stage by using Neural

Network backpropogation. There were two parts in the introduction stage as follows.

  1. Recognition of the numbers from the 5 digits of the postal code

  2. Recognition of the region of the postal code digit There were 5 times trial and it resulted 2 accuracies of the postal code number recognition during the observation, for one layer and two layers. The accuracy of the postal co de’s recognition for one layer, which had 200 neurons is trial 2,3 and 4 was 90.80

  % and the accuracy of the postal code’s recognition for two layers, in trial 5 which the amount of the first hidden layer was 100 neurons and the second hidden layer was 30 neurons, was 92.80%.

  It showed that the recognition by using Neural Network backpropogation was an effective method for the postal code recognition process.

KATA PENGANTAR

  Penulis menyadari bahwa tanpa rahmat dan berkat dari Allah yang mahakuasa dan bantuan dari berbagai pihak, penulis tidak dapat mengerjakan karya tulis ini hingga akhir. Untuk itu, penulis menghaturkan limpah puji dan syukur kepada Allah yang selalu menganugerahkan kasih-Nya. Tak lupa pula penulis mengucapkan limpah terima kasih kepada semua pihak yang membantu penulis menyelesaikan karya tulis ini. Secara khusus penulis mengucapkan terima kasih banyak kepada:

  1. Dr. C. Kuntoro Adi, SJ., M.A., M.Sc. selaku dosen pembimbing yang telah mengoreksi dan memberi masukkan yang berguna bagi penulis dalam menyusun karya tulis ini.

  2. Dr. Linggo Sumarno, M. T. dan Sri Hartati, S.Si., M.Kom sebagai penguji atas saran dan kritikan yang diberikan.

  3. Yosef Agung Cahyanta, S.T,.M.T., selaku Dekan Fakultas Sains Dan Teknologi.

  4. Puspaningtyas Sanjaya Adi, S.T.,M.T., selaku ketua program Teknik Informatika yang telah banyak membantu selama masa studi.

  5. P.H.Prima Rosa.S.Kom.,MSc. Selaku dosen pembimbing akademik penulis yang selalu sabar menghadapi penulis.

  6. Laboran Laboratorium komputer atas bantuan kepada penulis ketika melaksanakan ujian akhir.

  7. Pihak Sekretariat Fakultas Sains dan Teknologi yang selalu memberikan banyak informasi.

  8. Bpk. Thimothius Turu dan Ibu Maria Mule, selaku orang tua, serta saudara-saudariku, yaitu Alfrida Turu, Darius Ruru dan Marinus Fery yang telah memberi dukungan dan semangat.

  9. Yuanita Prasetyaningtyas, Sony Setiawan, Maria Fransiska dan Novi Crisdianto selaku teman sharing dan seperjuangan menyelesaikan skripsi.

  10. Semua sahabat-sahabat saya dimanapun berada, yang selalu memberi doa, semangat dan hiburan.

  11. Seluruh civitas akademika Teknik Informatika angkatan 2005 dan semua pihak, yang telah berjuang bersama dan saling memberi semangat sampai sekarang. Akhir kata, penulis menyadari bahwa penulis masih banyak kekurangan yang terdapat pada laporan tugas akhir ini. Penulis akan sangat bersyukur dan menerima setiap masukkan untuk lebih menunjang isi laporan tugas akhir ini. Dan semoga karya tulis ini dapat berguna bagi siapa saja, yang merasa perlu untuk menggunakannya.

  Yogyakarta, 02 September 2010 Penulis.

  

DAFTAR ISI

  HALAMAN JUDU L BAHASA INDONESIA…………..………………..………i

  HALAMAN JU DUL BAHASA INGGRIS……..………………………………...ii

  HALA MAN PERSETUJUAN………………………………………...................iii

  HALA MAN PENGESAHAN…………………………………………………….iv

  HALA MAN PERSEMBAHAN………………….………………………………..v

  HALAMAN PERNYAT AAN KEASLIAN KARYA…………………...............vi

  HALAMAN PERSETU JUAN PUBLIKASI……………….................................vii

  ABSTRAK………………………………………………...………….................viii ABSTRACT……………………………………………...............………………..x KATA PENGANTAR……………………………………………….…………..xii DAFTAR ISI……………………………………………………….……………xiv

  

Bab I. PENDAHULUAN..................................................................................1

  1.1. Latar Belakang Masalah..........................................................................1

  1.2. Rumusan Masalah....................................................................................3

  1.3. Tujuan Penelitian.....................................................................................3

  1.4. Batasan Masalah......................................................................................4

  1.5. Metodologi Penelitian..............................................................................5

  1.6. Sistematika Penulisan..............................................................................6

  

Bab II. LANDASAN TEORI............................................................................8

  2.1 Teori-Teori Khusus ………………………………………………….....8

  2.1.1 Pengolahan Citra…………………………………….……......8

  2.2 Kode pos………………………………………....................................13

  2.2.1 Sejarah Kode Pos……...………………………………..…....13

  2.2.2 Pemb agian Kode Pos………...………………………………13

  2.3 Jaringan Saraf ….....……………………………………………...…...15

  2.3.1 JaringanSaraf Biologi………………………………...……...15

  2.4 Jaringan Saraf Tiruan……………………………………….……..…..16

  2.4.1 Definisi JST…………..……………………………………...16

  2.4.2 Aplikasi JST………………………………………..….…….19

  2.4.3 Arsitektur JST……..…...……………………..……………...20

  2.5 Jaringan Saraf Tiruan Backpropagation ………………………….......23

  2.5.1 Fungsi Aktivasi………………………..…………………..…24

  2.5.2 Algoritma………………………………………………….....25

  2.6 Matlab………..………………………………………………….…….29

  Bab III AN ALISA SISTIM DAN DESAIN………………………………....31

  3.1 Analisis Sistem……………………………………….……………….31

  3.2 Analisa Klasifikasi dengan JST BP…………………………………...32

  3.3 P erancangan Sistem…………………………………………………...33

  3.3.1 Perancangan BackPropagation dan Fivefol

  d………………..34

  3.3.1.1 Pel atihan (Pembentukan Model JST)….................34

  3.3.1.2 Proses Pengenalan(Testing)

  ……………………....42

  3.4 Desain User Interface Program……………………………….....…....47

  3.4.2 Desain Tampilan Pengenalan dan Penguji ……………….…49

  1 Lapis Tersembunyi…………..……...……...55

  4.2.7 Halaman Pengujian 2 Lapis Tersembunyi ……………….......68

  4.2.6 Halaman Penguji an 1 Lapis Tersembunyi………………...…66

  4.2.5 Halaman Pengenalan Angka Kode Pos Tidak Ditemukan …..64

  4.2.4 Halaman Pengenala n Angka Kode Pos Ditemukan….……...63

  4.2.3 Halaman Ta mpilan Menu Informasi………………………..62

  4.2.2 Halaman Tampilan Menu……………………………………61

  4.2.1 Halaman Utama………………………………………...…....60

  4.2 Implementasi Antar Muka………………..…………………………...60

  4.1.2 Analisa Hasi l 2 Lapis Tersembunyi……………….……..….56

  4.1.1 Analisa Hasil

  3.4.2.1 Desain Sub Menu Pengenalan ……………………49

  4.1 Hasil Pengujian…………….…………..………………………….......55

  Bab IV IMPLEMENTASI DAN ANALISA………….……….….....………54

  3.5.2 Kebutuhan Perangkat Lunak ……………………..53

  3.5.1 Kebutuhan perangkat Keras ……………………...53

  3.5 Keb utuhan Sistim…………………………………………...………...52

  3.4.3.2 Desain Informasi Tentang Program……………...52

  3.4.3.1 De sain Informasi Bantuan………………………..51

  3.4.3 Desain Tampilan Informasi……………………………….…51

  3.4.2.2 Desain Sub Menu Pengujian ……………………..50

  4.2.8 Halaman T ampilan Tentang Program………..……………...69

  Bab V PENUTUP……………………………………………………...…….71

5.1 Kesimpulan……..……….………….…..……………………..………71

  5.2 Saran……………………….………..…..………………………..…...72 DAFTAR PUSTAKA

  ……………………………………………………………73 LAMPIRAN

  

DAFTAR GAMBAR

  Gambar 1.1 Data Kode Pos…………………………………………………...L1

  Gambar 2.1 Citra Biner………………….………..…………………..…..…....9

  Gambar 2.2 Citra Keabuan………………….…………………………...…....10

  Gambar 2.3 Citra Warna………….……………………………..………….....11

Gambar 2.4 Fungsi Aktivasi Input Output

  ……………..………………....…..17 Gambar 2.5

  Fungsi Aktivasi……………………………………....……...…...18

Gambar 2.6 Jaringan Layer

  Tunggal…………..…………………...….………21

Gambar 2.7 Jaringan Layer

  Jamak…………………………………………….22

Gambar 2.8 Arsitektur BackPropagation

  ……………………………….…….24

Gambar 3.1 Skema D esain Proses…………………………………………….32Gambar 3.2 Blok Diagram Dia gram Sistem.....…………………………....….32Gambar 3.3 S kema Pelatihan JST BP……………………………………...….37Gambar 3.4 Pelatihan

  JST BP…………………………………………………40

Gambar 3.5 Skema Desain

  Pengenalan…………………………………….…43

Gambar 3.6 Desain Home

  ………………………………..……………………47 Gambar 3.7

  Desain Pengenalan……………………………….………………49

Gambar 3.8 Desain Sub Me nu Pengujian……………………………………..50Gambar 3.9 Desain Ha laman Bantuan………………………………………...51Gambar 3.10 Desain Halama n Tentang Program………………………………52Gambar 4.1 Grafik Pengujian 1 L apis Tersembunyi……………………...…..56Gambar 4.2 Grafik Pengujian 2 La pis Tersembunyi………...………………..59Gambar 4.4 Menu Sistem Pengenalan kode pos

  ……………………..………..61

Gambar 4.5 Menu Informasi Sistem Pengenalan kode pos

  ……………….…..62

Gambar 4.6 Halaman Pengenalan Kode Pos

  ……………………….……….…63

Gambar 4.7 Halaman Pengenalan Kode Pos tidak ditemukan...........................64Gambar 4.8 Halaman Pengujian Kode Pos dengan 1 lapis tersembunyi

  ……..66

Gambar 4.9 Halaman Pengujian Kode Pos dengan 2 lapis tersembunyi

  ……...68

Gambar 4.10 Halaman Tampilan Tentang Program

  ………………………...….69

Gambar 4.11 Halaman Tampilan Bantuan

  ……………………….…………….70

  

DAFTAR TABEL

Tabel 1.1 Penelitian- penelitian Sebelumya……………………………………….3Tabel 3.1 Contoh Jenis Font un tuk Pelatihan…………………………………...35Tabel 3.2 Percobaan Training dan Testin g………………….………….……....41Tabel 4.1 Tabel Hasil Akurasi 1 Lapis Tersembunyi

  ………..…………..…...…55 Tabel 4.2

  Tabel Hasil Akurasi 2 Lapi Tersembunyi………………………..…...56

Tabel 4.3 Confusion Matrix 1 Hidden Layer

  …………………………………….L

Tabel 4.4 Confusion Matrix 2 Hidden Layer

  ……………………………………..L

BAB I PENDAHULUAN

1.1 Latar Belakang Masalah

  Di jaman modern ini, dimana teknologi semakin canggih untuk berkomunikasi secara cepat, Surat-menyurat yang merupakan bagian dari alat untuk berkomunikasi melalui kantor pos masih tetap digunakan masyarakat walaupun membutuhkan waktu beberapa hari bahkan bisa berminggu-minggu.

  Bagi masyarakat hal itu tidak menjadi masalah untuk tetap menggunakan jasa kantor pos dalam surat-menyurat.

  Komputer mulai banyak dimanfaatkan untuk berbagai kepentingan, sebagai mesin penghitung (masalah sederhana), hingga untuk menyelesaikan masalah-masalah manusia yang lebih kompleks, misalnya mengidentifikasi tanda tangan, mengidentifikasi wajah, mengidentifikasi tulisan/huruf, dan sebagainya.

  Metode-metode yang dipakai dalam mengenali suatu pola di atas ada bermacam- macam, misalnya Jaringan Syaraf Tiruan, seperti ADALINE, Backpropagation; Logika Fuzzy, seperti Tupple-N; dan sebagainya.

  Permasalahan yang tak kalah pentingnya adalah aplikasi untuk membantu atau mempermudah pegawai kantor pos dalam penyortiran surat-surat hingga dapat sampai ke alamat tujuan dengan cepat. Saat ini, sebagian besar kantor pos mempekerjakan pekerja untuk menyortir surat-surat secara manual sesuai dengan tulisan tangan kode pos. Manusia memiliki emosi, merasa bosan dan menjadi yang cukup dan rentan terhadap kesalahan. Sebuah mesin, di sisi lain, dapat bekerja lebih cepat daripada manusia tanpa lelah atau kebosanan.

  Pengenalan angka kode pos bukan hal yang baru tetapi sudah ada beberapa penelitian mengenai pengenalan angka dan angka kode pos dengan menggunakan metode yang berbeda-beda, contohnya Sistem Pengenalan Kode Pos dan Simulasi Penyortiran Kartu Pos Dengan Menggunakan Artificial Neural

  

Network , Pengenalan Tulisan Tangan Pada Surat Pos, Pengenalan Angka Tulisan

  Tangan Menggunakan Metode “Split and Merge” dan Analisa Profil, Pengenalan Huruf, Angka Pada Citra Bitmap dan Metode ekstraksi data Untuk Pengenalan Huruf dan Angka Tulisan Tangan Menggunakan Jaringan Saraf Tiruan dan

  

Optical Character Recognization dan Typewritten and Written Postal code

Recognition System.

  Berangkat dari permasalahan tersebut maka peneliti mencoba dengan sesuatu yang baru yaitu membuat suatu sistem identifikasi secara otomatis kode pos yang dapat membantu pegawai kantor pos dalam penyortiran surat masuk dengan menggunakan Jaringan Syaraf Tiruan, dengan metode backpropagation dengan inputan ketikan.

  Berikut beberapa penelitian sebelumnya tentang Pengenalan Angka, baik yang menggunakan jaringan saraf tiruan maupun metode lain.

Tabel 1.1 Penelitian-Penelitian

  ITS)/2003 Training =100 Testing =50

  I.3 Tujuan Penelitian

  Pertanyaan yang ingin dijawab dalam penelitian ini adalah: Bagaimana membuat desain, mengimplementasikan dan menghitung akurasi pengenalan kode pos dengan menggunakan Jaringan Syaraf Tiruan metode Backpropagation dengan inputan ketikan.

  I.2 Rumusan Masalah

  Orpa Sampe Biringkaka / 2010 250 92,80%

  4. Pengenanalan Kode Pos Menggunakan Jaringan Syaraf Tiruan Metode Backpropagation Dengan Input Ketikan.

  91%

  “Split and Merge” dan Analisa Profil Santoso, Edy (Mahasiswa

  Nomor Judul Penelitian Peneliti/Tahun Jumlah Data Akurasi

  3. Pengenalan Angka Tulisan Tangan Menggunakan Metode

  A.S.M.Mahbud M, Md.Shahidul Islam, Md. Abul Faisal, Md.Abdus Sattar, Mitsuru Ishizuka/2004 490 92.2%

  2. Automatic Sorting Of Mails By Recognition Handwriten Postal Codes Using Neural Network Architectures

  Hendra Afriadi Harahap/2006 52 100%

  Backpropogation

  1. Pengenalan Pola Huruf Menggunakan Jaringan Saraf Tiruan

  Tujuan dari penelitian yang akan dilakukan adalah membangun, menguji menerapkan Jaringan Syaraf Tiruan metode Backpropagation dengan inputan ketikan.

I.4 Batasan Masalah

  Untuk memusatkan penelitian pada pokok masalah maka pembahasan masalah pada tulisan ini akan dibatasai pada hal-hal berikut :

  1. Aplikasi dibuat hanya untuk mengenali kode pos untuk peyortiran surat.

  2. Aplikasi akan dibangun dengan menggunakan Jaringan Syaraf Tiruan metode Backpropagation .

  3. Input berupa file gambar berekstensi *.jpg dan *.jpeg.

  4. Area penelitian yaitu kota Yogyakarta

  5. Tidak menangani surat yang tidak tertera kode pos

  6. Menangani surat diketik dengan font berukuran 12 pt

  7. Ketikan dengan jenis huruf Times New Roman, arial, calibri, Comic Sans MS, dan Verdana.

  8. Software yang digunakan adalah MatLab 9. Diandaikan inputan kode pos sudah di segmentasi dari alamat surat.

I.5 Metodologi Penelitian

  Metode yang digunakan dalam penelitian ini adalah sebagai berikut:

  1. Analisis Kebutuhan

  a. Survei Melakukan survei dengan pihak yang bersangkutan, dalam hal ini pihak Kantor Pos pusat Yogyakarta untuk memperoleh informasi yang berkaitan dengan masalah yang ada.

  b. Studi pustaka Mempelajari buku-buku, internet, artikel maupun makalah, teks- teks mengenai algoritma yang digunakan dalam Jaringan saraf Tiruan metode backpropagation, baik secara teoritis maupun secara praktis yang dapat dijadikan sebagai bahan masukan feature analisis.

  c. Pengumpulan data Mengumpulkan data kode pos yang berbeda-beda dari beberapa wilayah Kota Yogyakarta. Data Kode Pos dapat dilihat pada halaman Lampiran Gambar 1.1 Data Kode Pos.

  2. Desain Dalam desain mulai menyusun tampilan antarmuka serta berbagai tombol/fungsi yang akan digunakan untuk membangun sebuah aplikasi pengenalan kode pos, baik untuk input maupun output tetapi belum berfungsi.

  3. Implementasi/Coding Dalam tahap ini, peneliti mulai mengimplementasikan algoritma

  backpropagation ke dalam bahasa komputer sesuai dengan desain yang

  telah disusun yaitu dengan melakukan percobaan serta pengujian terhadap perancangan arsitektur yang telah dibuat mendapatkan nilai penurunan error yang optimal serta tingkat akurasi klasifikasi genre musik yang baik.

  4. Pengujian dan Evaluasi Setelah aplikasi dibangun, perlu dilakukan pengujian atas kemungkinan terjadinya kesalahan. Proses perbaikan dilakukan terus- menerus hingga aplikasi yang dibuat relatif tidak memuat kesalahan.

  5. Kesimpulan Kesimpulan dibuat berdasarkan hasil pengujian terhadap program yang telah dibuat. Program dinyatakan berhasil, jika aplikasi tersebut dapat mengenali kode posnya.

I.6 Sistematika Penulisan

  Berikut adalah garis besar dari isi karya ilmiah yang akan disusun:

  BAB 1 PENDAHULUAN Pada bagian ini digambarkan latar belakang yang yang terkait dengan deskripsi topik, rumusan masalah, tujuan penelitian, batasan sistem, manfaat sistem atau kontribusi yang dapat diberikan melalui penelitian yang akan dilakukan, metodelogi penelitian dan sistematika

  BAB 2 LANDASAN TEORI Pada bagian ini digambarkan dasar teoritis yang akan dipakai dalam implementasi, yaitu teori tentang pengolahan citra dan Jaringan Syaraf Tiruan Backpropagation.

  BAB 3 ANALISIS SISTEM DAN DESAIN Pada bagian ini digambarkan perancangan dan metodologi yang digunakan dalam penelitian. BAB 4 IMPLEMENTASI DAN ANALISIS Pada bagian ini digambarkan penerapan rancangan yang dibuat dalam suatu program, hasil implementasi serta analisisnya. BAB 5 PENUTUP Pada bagian ini akan digambarkan kesimpulan yang menjawab permasalahan dan tujuan yang dijabarkan pada bab 1 serta saran.

BAB II LANDASAN TEORI Dalam bab ini diuraikan tentang teori-teori yang digunakan, yaitu

  berdasarkan Jaringan Syaraf Tiruan metode backpropagation dimana ada algoritma serta langkah-langkah untuk proses pengenalannya dengan pelatihan standar backpropagation.

  Dalam bab ini juga dijelaskan tentang apa itu kode pos mulai dari sejarah dan pentingnya penulisan kode pos serta arti dari kelima digit kode pos.

2.1 Teori –Teori Khusus

2.1.1 Pengolahan Citra

  Menurut Wikipeda Indonesia, citra adalah gambar dua dimensi yang dihasilkan dari gambar analog dua dimensi yang kontinu menjadi gambar diskrit melalui proses sampling. Sampling adalah proses untuk menentukan warna pada piksel tertentu pada citra dari sebuah gambar yang kontinu atau proses digitasi.

  Citra adalah representasi informasi yang diciptakan dalam bentuk dua dimensi dimana representasi tersebut merupakan susunan array dari bilangan real atau bilangan kompleks yang diwakilkan dalam bilangan –bilangan bit terhingga. Menurut Munir (Munir, 2004) citra adalah gambar pada bidang dwimatra (dua dimensi).

  Citra digital tersusun atas kumpulan titik atau elemen-elemen gambar yang sebuah citra digital, dengan jumlah total piksel adalah M x N, dimana M merupakan height atau nilai tinggi citra digital dan N merupakan width atau nilai lebar citra digital. Setiap piksel memiliki nilai berupa angka digital yang merepresentasikan informasi yang mewakili piksel tersebut.

  Menurut Achmad & Firdausy (2005) format nilai piksel ditentukan oleh format citra digital antara lain :

  1. Citra Biner Setiap piksel pada citra biner memiliki nilai 0 untuk warna hitam dan 1 untuk warna putih dan hanya membutuhkan representasi

  1 bit.

  = 0 0 1 1 = 0 0 1 1 = 0 0 1 1 = 0 0 0 1

Gambar 2.1 Citra Biner.

  2. Citra Skala Keabuan Citra skala keabuan memberikan kemungkinan warna yang lebih banyak dari pada citra biner. Banyaknya kemungkinan nilai dan nilai maksimumnya bergantung pada jumlah bit yang digunakan. Misalnya untuk skala keabuan 8 bit, maka jumlah kemungkinan nilainya adalah 28 = 256, dan nilai maksimumnya warna yang dipakai adalah pencampuran antara hitam sebagai warna minimal dan putih sebagai warna maksimalnya, sehingga warna antaranya adalah abu-abu.

  = 107 153 177 175 = 108 143 177 176 = 105 128 162 176

  = 105 123 157 17

Gambar 2.2 Citra skala keabuan dan representasinya dalam data digital

  3. Citra Warna Pada citra warna, setiap titik mempunyai warna yang spesifik yang merupakan kombinasi dari 3 warna dasar, yaitu: merah, hijau dan biru. Format citra seperti ini sering disebut sebagai citra RGB (red-green-blue). Setiap warna dasar mempunyai intensitas sendiri dengan nilai maksimum 255 (8 bit), misalnya warna kuning merupakan kombinasi warna merah dan hijau sehingga nilai RGBnya adalah 255 255 0. Dengan demikian setiap titik pada citra warna membutuhkan data 3 byte.

  Jumlah kombinasi warna yang mungkin unutk format citra ini adalah 224 atau lebih dari 16 juta warna, dengan demikian bias dianggap mencakup semua warna.

Gambar 2.3 Citra warna dan representasinya dalam data digital

2.1.2 Ekstraksi Ciri

  Ekstraksi ciri merupakan langkah pemilihan ciri yang ingin diidentifikasi dari citra angka yang menghasilkan ciri-ciri baru dari data mentah dengan menerapkan satu atau lebih transformasi. Pemilihan feature yang baik sulit untuk dilakukan karena sebuah feature yang buruk tidak akan merefleksikan keadaan sebenarnya dari data pemilihan feature yang baik.

  Dalam penelitian ini menggunakan beberapa metode untuk ektraksi feature dalam pengolahan citra yaitu :

a. Greyscale

  Dengan mengubah representasi nilai RGB (Red, Green, Blue), sebuah gambar berwarna dapat diubah menjadi gambar yang terdiri dari warna putih dan gradiasi warna hitam yang biasanya disebut gambar greyscale.

b. Thresholding

  Thresholding adalah untuk mengubah data pada gambar agar hanya memiliki nilai 0 dan 1. Hal ini dilakukan untuk mempermudah mengetahui apakah pixel tersebut “terisi” atau tidak.

c. Segmentasi

  Segmentasi adalah sebuah proses yang digunakan untuk memotong

• – motong gambar yang diproses menjadi beberapa bagian. Pada penelitian ini, proses segementasi memisahkan angka yang akan dikenali dari sebuah gambar hasil scan dokumen dengan mengunakan metode yaitu :

  1. EDGE DETECTION (DETEKSI TEPI) Penentuan tepian suatu objek dalam citra merupakan salah satu wilayah pengolahan citra digital yang paling awal dan paling banyak diteliti. Proses ini seringkali ditempatkan sebagai langkah pertama dalam aplikasi segmentasi citra, yang bertujuan untuk mengenali objek-objek yang terdapat dalam citra ataupun konteks citra secara keseluruhan.

  Deteksi tepi berfungsi untuk mengidentifikasi garis batas (boundary) dari suatu objek yang terdapat pada citra. Tepian dapat dipandang sebagai lokasi piksel dimana terdapat nilai perbedaan intensitas mengidentifikasi dan menonjolkan lokasi-lokasi piksel yang memiliki karakteristik tersebut. Ada banyak cara untuk mengintifikasi bagian tepi suatu citra seperti Operator Gradien yaitu pada citra digital f(x,y), turunan berarah sepanjang tepian objek akan bernilai maksimum pada arah normal dari kontur tepian yang bersesuaian. Sifat ini dipergunakan sebagai dasar pemanfaatan operator gradient sebagai edge detector dengan menggunakan metode Zerro Cross. Metode Zero-cross menemukan edge dengan cara mencari zero crossings setelah memfilter I (Identitas) dengan filter yang telah ditentukan.

2.2 Kode Pos

  2.2.1 Sejarah Kode Pos

  Kode pos adalah serangkaian angka dan huruf yang ditambahkan pada alamat surat untuk mempermudah proses pemilahan atau penyortiran surat.

  Negara yang pertama kali memakai sistem kode pos adalah Jerman pada tahun 1941, lalu diikuti Inggris pada tahun 1959 dan Amerika Serikat pada tahun 1963.

  2.2.2 Pembagian Kode Pos

  Kita semua tahu betapa pentingnya pencantuman kode pos atau dalam bahasa Inggris disebut zip code pada alamat surat. Kode pos biasanya digunakan oleh jasa kurir (PT Pos Indonesia) untuk mengetahui letak alamat surat yang dituju. Setiap kode pos biasanya mewakili 1 (satu) kelurahan. Pencantuman kode pos ini sangat penting untuk membantu petugas kurir (Pak Pos) mencari alamat yang dimaksud. Untuk itu seharusnya mencantumkan kode pos dengan benar pada alamat surat yang akan dikirim. Kode pos telah ditentukan oleh PT Pos Indonesia, maka dari itu setiap daerah/ wilayah berbeda kode posnya, tiap kota pun berbeda, apalagi tiap provinsi.

  Kode pos dierdiri dari lima digit angka yaitu sebagai berikut:

  1. Digit pertama merujuk pada Provinsi:

  

  

  

  

  

  

  

  

  2. Digit kedua merujuk pada

  3. Digit ketiga merujuk pada

  4. Digit keempat merujuk pada

  5. Digit kelima merujuk pada

  Pengecualian untuk kode pos Jakarta: Digit ketiga merujuk pada Digit keempat merujuk pada Digit kelima sama dengan 0

2.3 Jaringan Syaraf

2.3.1 Jaringan Syaraf Biologi

  Otak manusia memiliki struktur yang sangat kompleks dan memiliki kemampuan yang luar biasa. Otak terdiri dari neuron-neuron dan penghubung yang disebut sinapsis. Neuron bekerja berdasarkan impuls/sinyal yang diberikan pada neuron. Neuron meneruskannya pada neuron lain. Diperkirakan manusia

  12

  18

  memiliki 10 neuron dan 6.10 sinapsis. Dengan jumlah yang begitu banyak, otak mampu mengenali pola, melakukan perhitungan, dan mengontrol organ- organ tubuh dengan kecepatan yang lebih tinggi dibandingkan komputer digital. Sebagai perbandingan, pengenalan wajah seseorang yang sedikit berubah (misal memakai topi, memiliki jenggot tambahan, dll) akan lebih cepat dilakukan manusia dibandingkan komputer.

  Pada waktu lahir, otak mempunyai struktur yang menakjubkan karena kemampuannya membentuk sendiri aturan-aturan/pola berdasarkan pengalaman yang diterima. Jumlah dan kemampuan neuron berkembang seiring dengan pertumbuhan fisik manusia, terutama pada umur 0-2 tahun. Pada 2 tahun pertama umur manusia, terbentuk 1 juta sinapsis per detiknya.

  Neuron memiliki 3 komponen penting yaitu dendrit, soma, dan axon. Dendrit menerima sinyal dari neuron lain. Sinyal tersebut berupa impuls elektrik yang dikirim melalui celah sinaptik melalui proses kimiawi. Sinyal tersebut dimodifikasi (diperkuat/diperlemah) di celah sinaptik. Berikutnya, soma menjumlahkan semua sinyal-sinyal yang masuk. Kalau jumlahan tersebut cukup kuat dan melebihi batas ambang (threshold) maka sinyal tersebut akan diteruskan ke sel lain melalui axon. Frekuensi penerusan sinyal berbeda-beda antara satu sel dengan yang lain.

  Neuron biologi merupakan sistem yang fault tolerant dalam 2 hal. Pertama, manusia dapat mengenali sinyal input yang agak berbeda dari yang pernah kita terima sebelumnya. Kedua, otak manusia tetap mampu bekerja meskipun beberapa neuronnya tidak mampu bekerja dengan baik. Jika sebuah neuron rusak, neuron lain kadang-kadang dapat dilatih untuk menggantikan fungsi sel yang rusak tersebut (Siang, 2005: 1-2)

2.4 Jaringan Syaraf Tiruan

2.4.1 Definisi Jaringan Syaraf Tiruan

  Jaringan syaraf tiruan (JST) adalah sistem pemproses informasi yang memiliki karakteristik menyerupai dengan jaringan syaraf manusia.(Arief ). Istilah tiruan di sini digunakan karena jaringan syaraf ini

  Hermawan, 2006:3

  diimplementasikan dengan menggunakan program komputer yang mampu menyelesaikan sejumlah proses perhitungan selama proses pembelajaran

  Seperti halnya otak manusia, jaringan syaraf tiruan juga terdiri dari beberapa neuron, dan ada hubungan antara neuron-neuron tersebut. Neuron- neuron tersebut akan mentransformasikan informasi yang diterima melalui sambungan keluarnya menuju ke neuron-neuron yang lain. Pada jaringan syaraf tiruan, hubungan ini dikenal dengan nama bobot. Informasi tersebut disimpan pada suatu nilai tertentu pada bobot tersebut (Kusumadewi, 2003: 209).

  JST dibentuk sebagai generalisasi model matematika dari jaringan syaraf biologi, dengan asumsi bahwa: a. Pemprosesan informasi terjadi pada banyak elemen sederhana (neuron)

  b. Sinyal dikirimkan di antara neuron-neuron melalui penghubung-penghubung

  c. Penghubung antar neuron memiliki bobot yang akan memperkuat atau memperlemah sinyal d. Untuk menentukan output, setiap neuron menggunakan fungsi aktivasi

  (biasanya bukan fungsi linier) yang dikenakan pada jumlahan input yang diterima. Besarnya output ini selanjutnya dibandingkan dengan suatu batas ambang (Siang, 2005: 2-3). bobot

  Fungsi aktivasi

  Intput bobot Output

  Outpu dari ke t neuron- neuron- neuron

  ∑

  neuron yang lain yang lain

Gambar 2.4 Fungsi aktifasi dengan input dan output Informasi (disebut dengan: input) akan dikirim ke neuron dengan bobot tertentu. Input ini akan diproses oleh suatu fungsi perambatan yang akan menjumlahkan nilai-nilai semua bobot yang datang. Hasil penjumlahan ini kemudian akan dibandingkan dengan suatu nilai ambang (threshold) tertentu melalui fungsi aktivasi setiap neuron. Apabila input tersebut melewati suatu nilai ambang tertentu maka neuron tersebut akan diaktifkan, tapi kalau tidak maka neuron tersebut tidak akan diaktifkan. Apabila neuron tersebut diaktifkan, neuron tersebut akan mengirimkan output melalui bobot-bobot outputnya ke semua neuron yang berhubungan dengannya. Demikian seterusnya (Kusumadewi, 2003: 210) .

  Nilai input x i dapat berupa real (+ atau -), biner (0, 1), atau bipolar (-1, +1) (Patterson, 1996: 2) .

  JST ditentukan oleh 3 hal:

  a. Pola hubungan antarneuron (disebut arsitektur jaringan)

  b. Metode untuk menentukan bobot penghubung (disebut metode

  training /learning/algoritma)

  c. Fungsi aktivasi

  w