M00274

PROSIDING SEMINAR NASIONAL SAINS DAN PENDIDIKAN SAINS UKSW

F3-1

APLIKASI JARINGAN SYARAF TIRUAN PADA PENGENALAN

POLA TULISAN DENGAN METODE BACKPROPAGATION

Alvama Pattiserlihun, Andreas Setiawan, Suryasatriya Trihandaru

Program Studi Fisika, Fakultas Sains dan Matematika, Universitas Kristen Satya Wacana,

Jl. Diponegoro 52-60, Salatiga 50711 Jawa Tengah –Indonesia e-mail: alvaphysics@yahoo.com, tlp.081342954313

ABSTRAK

Keterbatasan penyandang tunanetra untuk membaca bacaan konvensional mengakibatkan diperlukannya suatu pengembangan alat yang dapat mengenali pola tulisan yang kemudian diubah ke dalam besaran fisis lain. Langkah awal dalam pengembangan tersebut dapat menggunakan Jaringan Syaraf Tiruan (JST). Metode JST yang dipakai adalah algoritma backpropagation. Pada pemrograman JST dalam penelitian ini, terdapat proses pelatihan yang dilakukan pada 1 sampai 10 unit hidden dengan 168 buah huruf kapital, di mana semakin banyak jumlah unit hidden, semakin baik pula pengenalan pola huruf yang diberikan, ditandai dengan nilai performance (unjuk kerja) serta nilai R pada regresi yang semakin baik. Namun, penambahan jumlah unit hidden yang sangat banyak tidaklah efisien, karena waktu pelatihannya pun semakin lama, sedangkan output yang dihasilkan jaringan pun tidak jauh berbeda (khususnya 5 -10 unit hidden). Dalam proses aplikasi jaringan, dengan menggunakan 78 buah huruf kapital (termasuk 26 huruf tulisan tangan ), didapatkan bahwa huruf-huruf yang sebelumnya belum diketahui oleh jaringan, dapat dikenali dengan baik. Di mana semakin besar jumlah unit hidden, semakin baik pula pengenalannya. Pada pengaplikasian jaringan ini, dihasilkan jaringan yang paling maksimal pengenalannya adalah jaringan dengan 5 unit hidden dan 7 unit hidden dengan total prosentasi keberhasilan 70,51% dan 76,92%.

Kata kunci: jaringan saraf tiruan, backpropagation, pola tulisan,huruf

PENDAHULUAN

Salah satu metode yang dipakai oleh penyandang tunanetra untuk membaca adalah dengan menggunakan huruf braille. Ketika menggunakan huruf braille, penyandang tunanetra harus menyentuh huruf yang dibaca dengan menggunakan tangan, mengenali pola huruf yang dipegang, setelah itu merangkai huruf-huruf berikutnya menjadi sebuah kata lalu menjadi kalimat dan seterusnya.

Namun masyarakat tunanetra khususnya yang berada di Indonesia masih harus berjuang untuk mendapatkan buku edisi huruf braille untuk dibaca. Masalah tersebut membuat ketersediaan buku edisi huruf braille sampai saat ini masih cukup terbatas mengingat biaya cetak yang tidak murah. Agar penyandang tunanetra juga dapat membaca buku konvensional (bukan cetakan huruf braille), maka dibutuhkan suatu pengembangan, misalnya menggunakan sistem yang dapat mengenali pola tulisan dan memberitahukan huruf, kata, atau kalimat kepada penyandang tunanetra tersebut . Sistem tersebut dapat dibangun dengan menggunakan suatu algoritma untuk mengenali pola tulisan yang terhubung dengan sistem penampil yang memproses tulisan menjadi bentuk besaran fisis lain, seperti suara atau tekstur, yang dalam hal ini dipilih metode jaringan syaraf tiruan.

Pada penelitian ini, dibatasi pada pengaplikasian jaringan syaraf tiruan khususnya model Backpropagation pada pengenalan pola tulisan, khususnya huruf kapital dan pembuatan rangkaian alat sederhana sebagai media pengambil serta pemroses data berbentuk tulisan.

Penelitian ini diharapkan dapat berguna bagi pengembangan ilmu pengetahuan, di mana secara teoritis, pemrograman serta interface yang dipakai pada penelitian ini dapat dijadikan sebagai bahan ajar bagi mahasiswa.

Kontribusi praktisnya adalah diharapkan pemrograman serta rangkaian alat sederhana yang dibuat dapat dipakai sebagai referensi untuk membuat alat bantu baca guna membantu para penyandang tunanetra agar dapat mengakses sumber-sumber bacaan konvensional, yang

biasanya hanya ditujukan untu penyandang tuna netra akan me setara dengan kaum awas. DASAR TEORI

1 Jaringan Syaraf Tiruan (A

Sejarah perkembangan j mengasosiasikan cara kerja otak komputer[1]. Sederhananya, jarin memiliki karakteristik mirip den menyerupai otak manusia dalam (belajar) dan menyimpan pengeta Hal tersebut membuat JST mam dipelajari oleh JST sehingga me yang belum dipelajari [3]. JST (arsitektur jaringan), metode untu / algoritma) dan fungsi aktivasi [4 Perbandingan struktur ja pada Gambar 1. Pada jaringan dendrit, soma dan axon. Dendr impuls elektrik yang dikirim m dimodifikasi (diperkuat/diperlem sinyal-sinyal yang masuk. Kalau (threshold), maka sinyal tersebu jaringan syaraf tiruan, neuron hubungan masing-masing adalah dijumlahkan, sehingga dapat ditu

net = x Besarnya impuls yang d nilai aktivasi cukup kuat, maka jaringan) juga dapat dipakai seba

Gambar 1. Perbandingan str 2 Model Jaringan Backpropaga Backpropagation memil tersembunyi. Gambar 2 adalah a sebuah bias), sebuah layar tersem buah unit keluaran.

Vij merupakan bobot g merupakan bobot garis yang me zj). wkj merupakan bobot dari u bobot dari bias di layar tersembun

ntuk kaum awas (bukan tunanetra). Dengan demi mendapatkan hak akses informasi yang lebih luas d

Artificial Neural Network)

n jaringan syaraf tiruan telah dimulai pada tahun 19 tak manusia dengan logika numerik yang diadaptas ringan syaraf tiruan (JST) adalah sistem pemroses info dengan jaringan syaraf biologi. Di mana jaringan sy lam mendapatkan pengetahuan yaitu dengan prose etahuan yang didapat di dalam kekuatan koneksi anta ampu mengenali kegiatan dengan berbasis pada data. memiliki kemampuan untuk memberi keputusan ter ST ditentukan oleh 3 hal, yakni: pola hubungan a ntuk menentukan bobot penghubung (metode training i [4].

jaringan syaraf biologi dan jaringan syaraf tiruan d an syaraf biologi, neuron memiliki 3 komponen pe drit menerima sinyal dari neuron lain. Sinyal terse melalui celah sinaptik melalui proses kimiawi. Siny emah) di celah sinaptik. Berikutnya, soma menjumlah lau jumlahan tersebut cukup kuat dan melebihi bat but akan diteruskan ke sel lain melalui axon. Sedan

Y menerima input dari neuron x1, x2 dan x3 den lah w1, w2 dan w3. Kemudian ketiga impuls neuron itulis:

x1w1 + x2w2 + x3w3 . . . (1)

diterima oleh Y mengikuti fungsi aktivasi y = f(ne a sinyal akan diteruskan. Nilai fungsi aktivasi (kelu bagai dasar untuk merubah bobot [4].

struktur jaringan syaraf biologi dengan jaringan syaraf tir agation

iliki beberapa unit yang ada dalam satu atau h arsitektur Backpropagation dengan n buah masukan

embunyi yang terdiri dari p unit (ditambah sebuah bia t garis dari unit masukan xi ke unit layar tersembu menghubungkan bias di unit masukan ke unit layar te i unit layar tersembunyi zj ke unit keluaran yk (wk0 bunyi ke unit keluaran zk)

mikian, para s dan bahkan

1940 dengan tasi peralatan nformasi yang yaraf tiruan oses learning ntarneuron[2]. ta. Data akan terhadap data antarneuron ing / learning dapat dilihat penting yaitu rsebut berupa inyal tersebut lahkan semua batas ambang dangkan pada dengan bobot ron yang ada

(net). Apabila luaran model

tiruan

lebih layar an (ditambah bias), serta m

bunyi zj (vj0 r tersembunyi merupakan

PROSIDING SEMINAR NASIONAL SAINS DAN PENDIDIKAN SAINS UKSW

Gambar 2. Arsitektur Backpropagation 4 Pelatihan Standar Backpropagation

Pelatihan Backpropagation meliputi 3 fase. Fase pertama adalah fase maju. Pola masukan dihitung maju mulai dari layar masukan hingga layar keluaran menggunakan fungsi aktivasi yang ditentukan. Fase kedua adalah fase mundur. Selisih antara keluaran jaringan dengan target yang diinginkan merupakan kesalahan yang terjadi. Kesalahan tersebut dipropagasikan mundur, dimulai dari garis yang berhubungan langsung dengan unit-unit di layar keluaran. Fase ketiga adalah modifikasi bobot untuk menurunkan kesalahan yang terjadi[4].

METODOLOGI

1. Penentuan Pola Huruf dan Target

Pada penelitian ini, pola huruf yang dipakai adalah pola huruf latin kapital. Jenis huruf yang dipakai untuk proses pelatihan (training) adalah jenis huruf Times New Roman, Calibri, Tahoma, Comic Sans MS, Arial dan Kozuka Gothic Pro H serta tambahan 12 huruf jenis Franklin Gothic Book. Huruf yang dipakai kemudian diproses dengan metode rgb2gray dan graythresh agar warnanya hanya terbagi atas 2 bagian, hitam dan putih. Setelah itu huruf dipartisi menjadi 9x7 data digital, seperti yang dapat dilihat pada gambar 3. Pola huruf dan matriks huruf, selengkapnya dapat dilihat pada informasi pendukung.

Gambar 3. Pemrosesan huruf menjadi 9x7 data digital

Selain menentukan pola huruf, unit target juga harus ditentukan. Pada penelitian ini, unit target berupa vektor matriks “0” dan “1” sebanyak 5 bit. Unit target terdiri dari 5 bit karena disesuaikan dengan jumlah huruf yang berjumlah 26, dimana 5 bit berarti memiliki 25 atau 32 kemungkinan, dimana yang dibutuhkan pada penelitian ini hanyalah 26 kemungkinan pola unit target. Pasangan huruf dan unit target yang diinginkan dapat dilihat pada tabel berikut.

Huruf Vektor target

Huruf Vektor target

Huruf Vektor target

A 0 0 0 0 1 B 0 0 0 1 0 C 0 0 0 1 1

D 0 0 1 0 0 E 0 0 1 0 1 F 0 0 1 1 0

G 0 0 1 1 1 H 0 1 0 0 0 I 0 1 0 0 1

J 0 1 0 10 K 0 1 0 1 1 L 0 1 1 0 0

M 0 1 1 0 1 N 0 1 1 1 0 O 0 1 1 1 1

P 1 0 0 0 0 Q 1 0 0 0 1 R 1 0 0 1 0

S 1 0 0 1 1 T 1 0 1 0 0 U 1 0 1 0 1

V 1 0 1 1 0 W 1 0 1 1 1 X 1 1 0 0 0

Y 1 1 0 0 1 Z 11 0 1 0

2. Proses pelatihan (training)

Sebelum dapat digunakan maka JST model Backpropagation harus diberikan pelatihan lebih dahulu. Dalam proses latihan ini diberikan berbagai pola huruf dengan output yang sudah diketahui. JST Backpropagation akan melakukan perubahan bobot terus menerus untuk setiap pola yang diberikan hingga pola dapat dikenali dengan benar, yaitu diindikasikan dengan nilai kesalahan minimum. Jadi, ketika keluaran Backpropagation belum sesuai dengan target yang ingin dicapai, Backpropagation akan terus melakukan perubahan bobot. Perubahan bobot untuk seluruh pola yang diberikan disebut epoch[5]. Lebih lengkapnya dapat dilihat pada gambar 4.

Gambar 4. Diagram alir pelatihan JST Backpropagation

Proses pelatihan dilakukan dengan mengubah-ubah jumlah unit pada layer tersembunyi, yakni 1 sampai dengan 10 unit.

3. Aplikasi jaringan

Setelah dilakukan proses pembelajaran (training), maka dilakukan proses pengaplikasian dengan menggunakan jaringan syaraf tiruan (JST) yang sebelumnya sudah diberi pelatihan. Alur kerja utama sistem pengolahan data berbasis jaringan syaraf tiruan (JST), dapat dilihat secara lengkap pada gambar 5.

Gambar 5. Diagram alir aplikasi jaringan saraf tiruan

Dapat dilihat pada gambar 5, bahwa huruf yang telah melewati proses rgb2gray dan graythresh kemudian diproses dengan cara partisi menjadi 63 data (ukuran 9x7 sel). Di mana pada setiap sel diberikan nilai tertentu, misalnya pada bagian yang gelap (terkena tulisan), diberi

PROSIDING SEMINAR NASIONAL SAINS DAN PENDIDIKAN SAINS UKSW

F3-5 nilai “1” sedangkan pada bagian yang terang (tidak terkenai tulisan) diberi nilai “-1”. Kemudian sejumlah 63 data yang telah dipartisi dijadikan sebagai input JST, dimana keluarannya berupa pengenalan pada pola huruf tertentu .

Pengaplikasian jaringan ini dilakukan untuk setiap network dengan jumlah unit yang berbeda-beda serta jenis huruf yang tidak dipakai pada proses pelatihan, yaitu MS Sans Serif, Segoe UI Semibold dan huruf tulisan tangan. Hal ini bertujuan untuk mengetahui sensitivitas jaringan dalam pengenalan pola huruf yang tidak dikenali sebelumnya.

Untuk proses aplikasi dengan menggunakan huruf tulisan tangan, pengambilan obyek huruf dengan menggunakan webcam.

HASIL DAN PEMBAHASAN

Proses pelatihan (training) menggunakan 6 jenis huruf kapital sebagai bahan pembelajaran, yakni Times New Roman, Calibri, Tahoma, Comic Sans MS, Arial dan Kozuka Gothic Pro H. Proses pelatihan dilakukan dengan mengubah-ubah jumlah unit pada layer tersembunyi, yakni 1 sampai dengan 10 unit. Dalam proses pelatihan, selain 6 jenis huruf yang dipakai, ditambah juga 1 jenis huruf yaitu jenis Franklin Gothic Book, namun huruf yang ditambah hanyalah huruf B, C, D, F , J, K, O, R, S, W, Y, Z. Hal ini dikarenakan tingkat pengenalan pada huruf-huruf tersebut cukup rendah, sehingga untuk memperkuat pengenalan pada huruf-huruf di atas, maka ditambah huruf-huruf tersebut sebagai bahan pelatihan.

Dari hasil pelatihan (training) yang dilakukan, didapatkan data sebagai berikut: Tabel 2. Data hasil pelatihan (training)

Pelatihan Jumlah unit pada hidden layer

Jumlah iterasi Performance (mse)

Regresi (besarnya R)

Waktu iterasi (menit)

1 1 50000 0,196 0,46162 12:31

2 2 50000 0,136 0,6721 12:59

3 3 50000 0,0913 0,79565 12:55

4 4 50000 0,0491 0,89594 13:30

5 5 50000 0,0133 0,97286 13:54

6 6 50000 0,00796 0,98387 13:27

7 7 50000 0,00397 0,99198 14:01

8 8 50000 0,00283 0,99428 14:22

9 9 50000 0,00133 0,99732 14:39

10 10 50000 0,000710 0,99857 15:20

Dari hasil yang didapatkan, terlihat bahwa dengan adanya penambahan jumlah unit pada hidden layer (unit hidden), performance (unjuk kerja) jaringan lebih baik, terbukti dengan nilai mse (mean squared error) yang semakin kecil.

Selain berpengaruh terhadap performance dari jaringan, penambahan jumlah unit pada hidden layer juga berpengaruh terhadap grafik regresi. Di mana, jika jumlah unit semakin di tambah, maka nilai R semakin mendekati nilai 1, sehingga nilai output yang dihasilkan semakin mendekati target yang diinginkan. Hal tersebut dapat diperjelas dengan membandingkan grafik regresi dari pelatihan dengan jumlah unit 1 dengan yang berjumlah 10.

(a)

(b)

Gambar 6. Perbandingan grafik regresi untuk (a) 1 unit hidden dan (b) 10 unit hidden

Dari kedua grafik di atas dapat terlihat dengan jelas bahwa grafik yang paling baik adalah grafik dari unit yang berjumlah 10. Di mana, garis berwarna biru yang merupakan garis kemiringan data, berhimpit dengan dengan garis putus-putus yang merupakan garis ketika output (Y) = target (T). Selain itu juga terlihat bahwa nilai output pada unit yang berjumlah 10 adalah output = 1*target+0,0014 sedangkan untuk unit yang berjumlah 1, output = 0,21*target+0,37. Hal ini memperlihatkan bahwa, pengenalan pola dalam proses pelatihan dengan menggunakan 10 unit lebih baik dari 1 unit. Namun jika melihat kembali tabel 1, nilai R sudah mencapai performa terbaiknya (R=0,9) pada unit hidden yang ke-5.

PROSIDING SEMINAR NASIONAL SAINS DAN PENDIDIKAN SAINS UKSW

F3-7 Hal-hal di atas menandakan bahwa semakin banyak unit hidden semakin baik jaringan mengenali pola-pola huruf yang diberikan. Tetapi jika dilihat dari waktu yang diperlukan untuk melakukan training, semakin banyak unit tersembunyi, semakin lama proses training, sedangkan output yang dihasilkan jaringan relatif sama (5 – 10 hidden unit ). Ini menandakan bahwa tidaklah efisien jika menggunakan jumlah hidden unit yang banyak.

Setelah melakukan pelatihan (training) maka network yang sudah diperoleh dapat diaplikasikan untuk pengenalan huruf dengan menggunakan jenis huruf yang tidak dipakai pada proses pelatihan. Huruf yang dipakai adalah MS Sans Serif, Segoe UI Semibold serta huruf dengan tulisan tangan. Aplikasi jaringan juga dilakukan pada 1 – 10 unit hidden.

Dari pengaplikasian jaringan yang dilakukan , didapatkan data sebagai berikut: Tabel 3. Data pengaplikasian jaringan untuk huruf MS Sans Serif

Unit hidden Jumlah huruf yang terdeteksi

dengan benar

Prosentase keberhasilan

(%)

1 2 7,69

2 5 19,23

3 9 34,61

4 23 88,46

5 25 96,15

6 25 96,15

7 25 96,15

8 25 96,15

9 25 96,15

10 26 100

Tabel 4. Data pengaplikasian untuk huruf Segoe UI Semibold Unit hidden Jumlah huruf

yang terdeteksi dengan benar

Prosentase keberhasilan

(%)

1 2 7,69

2 6 23,08

3 4 15,38

4 11 42,31

5 19 73,07

6 17 65,38

7 15 57,69

8 17 65,38

9 16 61,54

10 15 57,69

Dari data pengaplikasian jaringan di atas, dapat dilihat bahwa jaringan (network) yang dihasilkan dari proses training dapat mengenali pola huruf yang sebelumnya belum dikenal, di mana semakin banyak unit hidden yang diberikan, semakin baik pengenalan pola hurufnya.

Jika dilihat pada bagian pengujian huruf MS Sans Serif, kesuksesan pengenalan hurufnya sangat baik, jika dibandingkan dengan hasil pengujian pada huruf Segoe UI Semibold. Hal ini disebabkan oleh bentuk fisik huruf MS Sans Serif hampir sama dengan salah satu huruf yang dilatihankan (training), yakni huruf Arial. Sedangkan huruf Segoe UI Semibold memiliki bentuk fisik yang berbeda dengan huruf yang dilatihankan sehingga hasil pengujiannya tidak begitu baik. Hal ini disebabakan oleh jaringan (network) dengan bobot-bobot serta bias yang dihasilkan dari proses training sudah sangat baik dalam pengenalan pola huruf yang hampir sama dengan huruf-huruf yang dijadikan sebagai bahan training. Sedangkan untuk pola huruf yang cukup berbeda dengan yang dilatihankan, jaringan belum cukup baik untuk mengenali

F3-8 polanya, tetapi hasil yang didapatkan sudah cukup baik, karena pengenalan pola untuk unit hidden 5 – 10 sudah lebih dari 50%.

Selain menggunakan huruf MS Sans Serif dan Segoe UI Semibold, dipakai pula huruf tulisan tangan sebagai bahan pengaplikasian jaringan yang telah dibuat. Di mana hasil pengambilan obyek huruf tulisan tangan dengan menggunakan peralatan sederhana (webcam) sudah cukup baik.

Pengaplikasian ini juga menggunakan jaringan dengan jumlah unit hidden yang berbeda-beda. Hasil pengaplikasian jaringan dengan menggunakan tulisan tangan dapat dilihat pada tabel berikut:

Tabel 5. Data pengujian huruf tulisan tangan Unit hidden Jumlah huruf

yang terdeteksi dengan benar

Prosentase keberhasilan

(%)

1 2 7,69

2 3 11,54

3 6 23,08

4 7 26,92

5 11 42,31

6 5 19,23

7 20 76,92

8 7 26,92

9 7 26,92

10 8 30,77

Terlihat dari tabel data di atas, bahwa jaringan yang menghasilkan pengenalan pola huruf dengan tulisan tangan paling maksimal adalah jaringan dengan 7 unit hidden.

Dari semua aplikasi jaringan yang dilakukan, keberhasilan total dari setiap unit hidden yang dipakai, dapat dilihat pada tabel berikut:

Tabel 6. Prosentase keberhasilan total pada aplikasi jaringan Unit

hidden

Prosentase keberhasilan total

(%)

1 7,69

2 17,95

3 24,36

4 52,56

5 70,51

6 60,25

7 76,92

8 62,82

9 61,54

10 62,82

Data prosentase keberhasilan total di atas, menunjukkan bahwa jaringan yang baik untuk mengenali pola tulisan yang sebelumnya belum dikenal adalah jaringan yang menggunakan 5 dan 7 unit hidden dengan total prosentase keberhasilan sebesar 70,51% dan 76,92%. Sehingga jika ingin mengaplikasikan jaringan untuk keperluan pengenalan pola huruf, maka cukup dipakai jaringan dengan 5 unit hidden atau 7 unit hidden.

PROSIDING SEMINAR NASIONAL SAINS DAN PENDIDIKAN SAINS UKSW

F3-9 KESIMPULAN

Pola tulisan, khususnya pola huruf kapital dapat dikenali dengan menggunakan jaringan syaraf tiruan, khususnya metode Backpropagation.

Dari proses pelatihan (training), huruf-huruf yang dijadikan bahan pelatihan dapat dikenali dengan baik. Di mana, semakin besar jumlah unit hidden, semakin baik pengenalan pola tulisan. Tetapi hal itu berpengaruh pada lamanya proses pelatihan, jika jumlah unit hidden semakin banyak, maka lama proses pelatihannya pun semakin lama, sedangkan output yang dihasilkan jaringan relatif sama (5 – 10 hidden unit ). Hal ini menandakan bahwa tidaklah efisien jika menggunakan jumlah hidden unit yang terlalu banyak.

Dalam proses aplikasi jaringan, didapatkan pula bahwa huruf-huruf yang sebelumnya belum diketahui oleh jaringan, dapat dikenali dengan baik. Di mana semakin besar jumlah unit hidden, semakin baik pula pengenalannya. Namun penggunaan unit hidden yang terlalu banyak tidaklah efisien. Pada pengaplikasian jaringan ini, jaringan (network) yang paling maksimal pengenalannya adalah jaringan dengan 5 unit hidden dan 7 unit hidden dengan total prosentasi keberhasilan sebesar 70,51% dan 76,92%. Sehingga jika ingin mengaplikasikan jaringan (network) yang sudah dibuat ini pada pengenalan pola huruf lain, cukup dipakai jaringan dengan 5 unit hidden atau 7 unit hidden.

DAFTAR PUSTAKA

[1] Muis, Saludin. Teknik Jaringan Saraf Tiruan. Yogyakarta : 2006

[2] Islam, M.J, dkk. Neural Network Based Handwritten Digits Recognition- An Experiment and Analysis. University of Windsor, Canada: 2009. hal 2. [3] Luthfie, Syafiie Nur. Implementasi Jaringan Saraf Tiruan Backpropagation Pada

Aplikasi Pengenalan Wajah Dengan Jarak Yang Berbeda Menggunakan MATLAB 7.0.UniversitasGunadarma, Depok: 2007. hal 1.

[4] Siang, Jong Jek. Jaringan Saraf Tiruan dan Pemrogramannya Menggunakan MATLAB. Yogyakarta: 2005.

Huruf

Vektor

target

Huruf

Vektor

target

Huruf

Vektor

target

A

0 0 0 0 1

B

0 0 0 1 0

C

0 0 0 1 1

D

0 0 1 0 0

E

0 0 1 0 1

F

0 0 1 1 0

G

0 0 1 1 1

H

0 1 0 0 0

I

0 1 0 0 1

J

0 1 0 10

K

0 1 0 1 1

L

0 1 1 0 0

M

0 1 1 0 1

N

0 1 1 1 0

O

0 1 1 1 1

P

1 0 0 0 0

Q

1 0 0 0 1

R

1 0 0 1 0

S

1 0 0 1 1

T

1 0 1 0 0

U

1 0 1 0 1

V

1 0 1 1 0

W

1 0 1 1 1

X

1 1 0 0 0

Y

1 1 0 0 1

Z

11 0 1 0

2.

Proses pelatihan (training)

Sebelum dapat digunakan maka JST model Backpropagation harus diberikan pelatihan

lebih dahulu. Dalam proses latihan ini diberikan berbagai pola huruf dengan

output

yang sudah

diketahui. JST Backpropagation akan melakukan perubahan bobot terus menerus untuk setiap

pola yang diberikan hingga pola dapat dikenali dengan benar, yaitu diindikasikan dengan nilai

kesalahan minimum. Jadi, ketika keluaran Backpropagation belum sesuai dengan target yang

ingin dicapai, Backpropagation akan terus melakukan perubahan bobot. Perubahan bobot untuk

seluruh pola yang diberikan disebut

epoch

[5]

.

Lebih lengkapnya dapat dilihat pada gambar 4.

Gambar 4. Diagram alir pelatihan JST Backpropagation

Proses pelatihan dilakukan dengan mengubah-ubah jumlah unit pada

layer

tersembunyi,

yakni 1 sampai dengan 10 unit.

3.

Aplikasi jaringan

Setelah dilakukan proses pembelajaran (

training

), maka dilakukan proses

pengaplikasian dengan menggunakan jaringan syaraf tiruan (JST) yang sebelumnya sudah

diberi pelatihan. Alur kerja utama sistem pengolahan data berbasis jaringan syaraf tiruan (JST),

dapat dilihat secara lengkap pada gambar 5.

F3-5

nilai “1” sedangkan pada bagian yang terang (tidak terkenai tulisan) diberi nilai “-1”. Kemudian

sejumlah 63 data yang telah dipartisi dijadikan sebagai

input

JST, dimana keluarannya berupa

pengenalan pada pola huruf tertentu .

Pengaplikasian jaringan ini dilakukan untuk setiap

network

dengan jumlah unit yang

berbeda-beda serta jenis huruf yang tidak dipakai pada proses pelatihan, yaitu

MS Sans Serif,

Segoe UI Semibold dan

huruf tulisan tangan. Hal ini bertujuan untuk mengetahui sensitivitas

jaringan dalam pengenalan pola huruf yang tidak dikenali sebelumnya.

Untuk proses aplikasi dengan menggunakan huruf tulisan tangan, pengambilan obyek

huruf dengan menggunakan

webcam

.

HASIL DAN PEMBAHASAN

Proses pelatihan (

training

) menggunakan 6 jenis huruf kapital sebagai bahan

pembelajaran, yakni

Times New Roman, Calibri, Tahoma, Comic Sans MS, Arial dan Kozuka

Gothic Pro H.

Proses pelatihan dilakukan dengan mengubah-ubah jumlah unit pada

layer

tersembunyi, yakni 1 sampai dengan 10 unit. Dalam proses pelatihan, selain 6 jenis huruf yang

dipakai, ditambah juga 1 jenis huruf yaitu jenis

Franklin Gothic Book

, namun huruf yang

ditambah hanyalah huruf B, C, D, F , J, K, O, R, S, W, Y, Z. Hal ini dikarenakan tingkat

pengenalan pada huruf-huruf tersebut cukup rendah, sehingga untuk memperkuat pengenalan

pada huruf-huruf di atas, maka ditambah huruf-huruf tersebut sebagai bahan pelatihan.

Dari hasil pelatihan (

training

) yang dilakukan, didapatkan data sebagai berikut:

Tabel 2. Data hasil pelatihan (training)

Pelatihan

Jumlah unit pada

hidden layer

Jumlah iterasi

Performance

(

mse

)

Regresi

(besarnya R)

Waktu iterasi

(menit)

1

1

50000

0,196

0,46162

12:31

2

2

50000

0,136

0,6721

12:59

3

3

50000

0,0913

0,79565

12:55

4

4

50000

0,0491

0,89594

13:30

5

5

50000

0,0133

0,97286

13:54

6

6

50000

0,00796

0,98387

13:27

7

7

50000

0,00397

0,99198

14:01

8

8

50000

0,00283

0,99428

14:22

9

9

50000

0,00133

0,99732

14:39

10

10

50000

0,000710

0,99857

15:20

Dari hasil yang didapatkan, terlihat bahwa dengan adanya penambahan jumlah unit

pada

hidden layer

(unit

hidden

),

performance

(unjuk kerja) jaringan lebih baik, terbukti dengan

nilai

mse

(

mean squared error

) yang semakin kecil.

Selain berpengaruh terhadap

performance

dari jaringan, penambahan jumlah unit pada

hidden layer

juga berpengaruh terhadap grafik regresi. Di mana, jika jumlah unit semakin di

tambah, maka nilai R semakin mendekati nilai 1, sehingga nilai

output

yang dihasilkan semakin

mendekati target yang diinginkan. Hal tersebut dapat diperjelas dengan membandingkan grafik

regresi dari pelatihan dengan jumlah unit 1 dengan yang berjumlah 10.

(a)

(b)

Gambar 6. Perbandingan grafik regresi untuk (a) 1 unit hidden dan (b) 10 unit hidden

F3-7

Hal-hal di atas menandakan bahwa semakin banyak unit

hidden

semakin baik jaringan

mengenali pola-pola huruf yang diberikan. Tetapi jika dilihat dari waktu yang diperlukan untuk

melakukan

training

, semakin banyak unit tersembunyi, semakin lama proses

training

,

sedangkan

output

yang dihasilkan jaringan relatif sama (5 – 10

hidden

unit ). Ini menandakan

bahwa tidaklah efisien jika menggunakan jumlah

hidden

unit yang banyak.

Setelah melakukan pelatihan (

training

) maka

network

yang sudah diperoleh dapat

diaplikasikan untuk pengenalan huruf dengan menggunakan jenis huruf yang tidak dipakai pada

proses pelatihan. Huruf yang dipakai adalah

MS Sans Serif,

Segoe UI Semibold

serta huruf

dengan tulisan tangan. Aplikasi jaringan juga dilakukan pada 1 – 10 unit

hidden

.

Dari pengaplikasian jaringan yang dilakukan , didapatkan data sebagai berikut:

Tabel 3. Data pengaplikasian jaringan untuk huruf MS Sans Serif

Unit

hidden

Jumlah huruf

yang terdeteksi

dengan benar

Prosentase

keberhasilan

(%)

1

2

7,69

2

5

19,23

3

9

34,61

4

23

88,46

5

25

96,15

6

25

96,15

7

25

96,15

8

25

96,15

9

25

96,15

10

26

100

Tabel 4. Data pengaplikasian untuk huruf Segoe UI Semibold

Unit

hidden

Jumlah huruf

yang terdeteksi

dengan benar

Prosentase

keberhasilan

(%)

1

2

7,69

2

6

23,08

3

4

15,38

4

11

42,31

5

19

73,07

6

17

65,38

7

15

57,69

8

17

65,38

9

16

61,54

10

15

57,69

Dari data pengaplikasian jaringan di atas, dapat dilihat bahwa jaringan (

network)

yang

dihasilkan dari proses

training

dapat mengenali pola huruf yang sebelumnya belum dikenal, di

mana semakin banyak unit

hidden

yang diberikan, semakin baik pengenalan pola hurufnya.

Jika dilihat pada bagian pengujian huruf

MS Sans Serif,

kesuksesan pengenalan

hurufnya sangat baik, jika dibandingkan dengan hasil pengujian pada huruf

Segoe UI Semibold

.

Hal ini disebabkan oleh bentuk fisik huruf

MS Sans Serif

hampir sama dengan salah satu huruf

yang dilatihankan (

training

), yakni huruf

Arial

. Sedangkan huruf

Segoe UI Semibold

memiliki

bentuk fisik yang berbeda dengan huruf yang dilatihankan sehingga hasil pengujiannya tidak

begitu baik. Hal ini disebabakan oleh jaringan (

network

) dengan bobot-bobot serta bias yang

dihasilkan dari proses

training

sudah sangat baik dalam pengenalan pola huruf yang hampir

sama dengan huruf-huruf yang dijadikan sebagai bahan

training

. Sedangkan untuk pola huruf

yang cukup berbeda dengan yang dilatihankan, jaringan belum cukup baik untuk mengenali

polanya, tetapi hasil yang didapatkan sudah cukup baik, karena pengenalan pola untuk unit

hidden

5 – 10 sudah lebih dari 50%.

Selain menggunakan huruf

MS Sans Serif

dan

Segoe UI Semibold

, dipakai pula huruf

tulisan tangan sebagai bahan pengaplikasian jaringan yang telah dibuat. Di mana hasil

pengambilan obyek huruf tulisan tangan dengan menggunakan peralatan sederhana (

webcam

)

sudah cukup baik.

Pengaplikasian ini juga menggunakan jaringan

dengan jumlah unit

hidden

yang

berbeda

-

beda. Hasil pengaplikasian jaringan dengan menggunakan tulisan tangan dapat dilihat

pada tabel berikut:

Tabel 5. Data pengujian huruf tulisan tangan

Unit

hidden

Jumlah huruf

yang terdeteksi

dengan benar

Prosentase

keberhasilan

(%)

1

2

7,69

2

3

11,54

3

6

23,08

4

7

26,92

5

11

42,31

6

5

19,23

7

20

76,92

8

7

26,92

9

7

26,92

10

8

30,77

Terlihat dari tabel data di atas, bahwa jaringan yang menghasilkan pengenalan pola

huruf dengan tulisan tangan paling maksimal adalah jaringan dengan 7 unit

hidden

.

Dari semua aplikasi jaringan yang dilakukan, keberhasilan total dari setiap unit

hidden

yang dipakai, dapat dilihat pada tabel berikut:

Tabel 6. Prosentase keberhasilan total pada aplikasi jaringan

Unit

hidden

Prosentase

keberhasilan total

(%)

1

7,69

2

17,95

3

24,36

4

52,56

5

70,51

6

60,25

7

76,92

8

62,82

9

61,54

10

62,82

Data prosentase keberhasilan total di atas, menunjukkan bahwa jaringan yang baik

untuk mengenali pola tulisan yang sebelumnya belum dikenal adalah jaringan yang

menggunakan 5 dan 7 unit

hidden

dengan total prosentase keberhasilan sebesar 70,51% dan

F3-9

KESIMPULAN

Pola tulisan, khususnya pola huruf kapital dapat dikenali dengan menggunakan jaringan

syaraf tiruan, khususnya metode Backpropagation.

Dari proses pelatihan (

training

), huruf-huruf yang dijadikan bahan pelatihan dapat

dikenali dengan baik. Di mana, semakin besar jumlah unit

hidden

, semakin baik pengenalan

pola tulisan. Tetapi hal itu berpengaruh pada lamanya proses pelatihan, jika jumlah unit

hidden

semakin banyak, maka lama proses pelatihannya pun semakin lama, sedangkan

output

yang

dihasilkan jaringan relatif sama (5 – 10

hidden

unit ). Hal ini menandakan bahwa tidaklah

efisien jika menggunakan jumlah

hidden

unit yang terlalu banyak.

Dalam proses aplikasi jaringan, didapatkan pula bahwa huruf-huruf yang sebelumnya

belum diketahui oleh jaringan, dapat dikenali dengan baik. Di mana semakin besar jumlah unit

hidden

, semakin baik pula pengenalannya. Namun penggunaan unit

hidden

yang terlalu banyak

tidaklah efisien. Pada pengaplikasian jaringan ini, jaringan (

network

) yang paling maksimal

pengenalannya adalah jaringan dengan 5 unit

hidden

dan 7 unit

hidden

dengan total prosentasi

keberhasilan sebesar 70,51% dan 76,92%. Sehingga jika ingin mengaplikasikan jaringan

(

network

) yang sudah dibuat ini pada pengenalan pola huruf lain, cukup dipakai jaringan dengan

5 unit

hidden

atau 7 unit

hidden

.

DAFTAR PUSTAKA

[1] Muis, Saludin.

Teknik Jaringan Saraf Tiruan

. Yogyakarta : 2006

[2] Islam, M.J, dkk.

Neural Network Based Handwritten Digits Recognition- An

Experiment and Analysis

. University of Windsor, Canada: 2009. hal 2.

[3] Luthfie, Syafiie Nur.

Implementasi Jaringan Saraf Tiruan Backpropagation Pada

Aplikasi Pengenalan Wajah Dengan Jarak Yang Berbeda Menggunakan MATLAB

7.0

.Universitas

Gunadarma, Depok: 2007. hal 1.

[4] Siang, Jong Jek.

Jaringan Saraf Tiruan dan Pemrogramannya Menggunakan

MATLAB.

Yogyakarta: 2005.