Slant Correction Menggunakan Jaringan Saraf Tiruan Berbasis Multilayer Perceptron.
SLANT CORRECTION MENGGUNAKAN JARINGAN SARAF TIRUAN
BERBASIS MULTILAYER PERCEPTRON
Disusun oleh :
Nama : George L. Immanuel NRP : 0922080
Jurusan Teknik Elektro, Fakultas Teknik, Universitas Kristen Maranatha Jl. Prof. Drg. Suria Sumantri, MPH no 65, Bandung 40164, Indonesia
Email : g_l_immanuel@yahoo.co.id
ABSTRAK
Salah satu tantangan dalam pengenalan tulisan tangan adalah masalah kemiringan karakter tulisan terhadap sumbu vertikal. Kemiringan tulisan tangan terhadap sumbu vertikal dikenal dengan istilah slant. Pada tugas akhir ini, upaya yang ditawarkan di dalam melakukan slant correction adalah dengan mengimplementasikan jaringan saraf tiruan berbasis algoritma multilayer
perceptron.
Jaringan saraf tiruan merupakan salah satu teknik pengenalan pola yang terkenal di kalangan para peneliti. Dalam Tugas Akhir ini proses perancangan jaringan saraf tiruan melalui beberapa tahap yaitu tahap pre processing yang meliputi binerisasi, inversi, normalisasi dan segmentasi, tahap penentuan target menggunakan variansi maksimum dari proyeksi vertikal, dan tahap terakhir adalah tahap pelatihan JST menggunakan multilayer perceptron. Pada tahap pelatihan JST menggunakan backpropagation error correction dalam menentukan bobot dan sigmoid function sebagai fungsi aktivasi.
Data tulisan tangan berasal dari 20 responden dengan 5 teks uji sehingga diperoleh sebanyak 100 set data. Berdasarkan hasil MOS, proses Slant Correction menggunakan JST sudah tergolong baik dengan nilai MOS 84% di atas 3. Slant
correction terbaik, berdasarkan pengamatan responden, terjadi pada line ke lima
dengan raihan rata-rata 4.4 dan terburuk terjadi pada line ke tiga dengan raihan 2.35 (rentang nilai 0-5). Berdasarkan analisis objektif, slant correction menggunakan MLP sudah tergolong baik dengan catatan error tertinggi mencapai 4o dan terendah 19o.
Kata kunci :
(2)
vi Universitas Kristen Maranatha
SLANT CORRECTION USING MULTILAYER PERCEPTRON BASED NEURAL NETWORK
Composed by :
Name : George L. Immanuel NRP : 0922080
Department of Electrical Engineering, Faculty of Engineering, Maranatha Christian University, Jl. Prof. drg. Surya Sumantri, MPH. No 65
Bandung 40164, Indonesia Email : g_l_immanuel@yahoo.co.id
ABSTRACT
One of the challenges in the handwriting recognition is the problem of writing character slope towards the vertical axis. Handwriting slope towards the vertical axis is known as the slant. In this final task, efforts offered in performing slant correction is to implement neural network-based adaptive algorithm of multilayer perceptron.
Artificial neural network is one of the techniques of pattern recognition are popular among researchers. In this final project design of artificial neural network process through several stages namely pre-launch stage processing which includes binerization, inversion, normalization and segmentation, the stage of determining target using the maximum variance of vertical projection, and the last stage is the stage of training multilayer perceptron using ANN. At this stage of training using backpropagation error correction in determining weights and sigmoid function as the activation function.
Handwritten data taken from 20 subjects throught writing with 5 text test order to obtain as many as 100 sets of data. Based on the results of MOS , the process of slant correction using ANN is considered to be either by 84% of MOS score is over 3 . The best slant correction, based on observations of respondents , occurs in line number five with the average 4.4 and the worst occurs in line number three with the average 2.35 ( range 0-5 ). Based on objective analysis, slant correction using MLP is considered to be good with a highest record error is 4o and the lowest 19o .
Key words :
Slant correction, Artificial Neural Network, multilayer perceptron, backpropagation.
(3)
DAFTAR ISI
Halaman
LEMBAR PENGESAHAN ... ii
SURAT PERNYATAAN ... iii
PERNYATAAN PUBLIKASI LAPORAN PENELITIAN ... iv
ABSTRAK ... v
ABSTRACT ... vi
KATA PENGANTAR ... vii
DAFTAR ISI ... ix
DAFTAR TABEL ... xii
DAFTAR GAMBAR ... xiii
BAB I PENDAHULUAN 1.1 Latar Belakang ... 1
1.2 Rumusan Masalah ... 2
1.3 Tujuan Penelitian ... 2
1.4 Batasan Masalah ... 2
1.5 Sistematika Penulisan ... 2
BAB II LANDASAN TEORI 2.1 Database IAM ... 4
2.2 Proyeksi Citra ... 5
(4)
x
2.4 Jaringan Saraf Tiruan (JTS) ... 7
2.4.1 Pengertian Jaringan Saraf Tiruan ... 8
2.4.2 Arsitektur Jaringan Saraf Tiruan ... 12
2.4.3 Fungsi Aktivasi ... 14
2.4.4 Backpropagation dengan Momentum ... 16
2.4.5 Training Algoritma ... 17
BAB III PERANCANGAN DAN REALISASI 3.1 Pelatihan MLP ... 20
3.1.1 Diagram Blok Pelatihan MLP ... 20
3.1.2 Diagram Alir Pelatihan MLP ... 21
3.1.3 Input Pelatihan MLP ... 22
3.1.4 Target Pelatihan MLP ... 23
3.1.5 Konfigurasi MLP ... 25
3.2 Pengujian MLP ... 26
3.2.1 Diagram Blok Pengujian MLP ... 26
3.2.2 Diagram Alir Pengujian MLP ... 26
3.2.3 Input Pengujian MLP ... 27
3.2.4 Hasil Pengujian MLP ... 28
BAB IV ANALISIS DATA 4.1 Analisis Subjektif ... 29
(5)
BAB V SIMPULAN DAN SARAN
5.1 Simpulan ... 33 5.2 Saran ... 33
DAFTAR PUSTAKA ... 34 LAMPIRAN A ... A-1 LAMPIRAN B ... B-1
(6)
xii
DAFTAR TABEL
Halaman
Tabel 4.1 Kriteria Penilaian MOS ... 30
Tabel 4.2 Hasil Penilaian MOS ... 30
Tabel 4.3 Analisis Objektif ... 31
(7)
DAFTAR GAMBAR
Halaman
Gambar 2.1 Penggalan Baris Database IAM ... 4
Gambar 2.2 Form Database IAM ... 5
Gambar 2.3 Proyeksi Vertikal dan Horisontal dari Citra Biner Seekor Kadal 6
Gambar 2.4 Proyeksi Horisontal dan Vertikal Dari Sebuah Citra ... 6
Gambar 2.5 Jaringan Saraf Biologis Manusia ... 10
Gambar 2.6 Model Neuron Mcculloch-Pitts ... 11
Gambar 2.7 Fungsi Identitas ... 13
Gambar 2.8 Fungsi Tangga Binari ... 14
Gambar 2.9 Fungsi Sigmoid ... 15
Gambar 2.10 Fungsi Bisigmoid ... 15
Gambar 2.11 Fungsi Saturating Linear ... 16
Gambar 2.12 Fungsi Symetric Saturating Linear ... 16
Gambar 3.1 Diagram Blok Pelatihan MLP ... 20
Gambar 3.2 Diagram Alir Pelatihan MLP ... 21
Gambar 3.3 Visualisasi Tahap Pre-Processing Input Pelatihan MLP ... 22
Gambar 3.4 Grafik Fungsi Sigmoid ... 24
Gambar 3.5 Arsitektur MLP yang Akan Dirancang ... 25
Gambar 3.6 Diagram Blok Pengujian MLP ... 26
Gambar 3.7 Diagram Alir Pengujian MLP ... 27
(8)
1 Universitas Kristen Maranatha
BAB I
PENDAHULUAN
1.1 Latar Belakang
Pengenalan teks tulisan tangan adalah salah satu area penelitian yang paling aktif dilakukan di bidang ilmu komputer. Pada dasarnya area ini tergolong wilayah yang sulit untuk diteliti dikarenakan variabilitas yang tinggi apabila dilihat dari jenis tulisan tangan yang ada. Dengan kata lain, berbeda penulis maka berbeda tulisan tangan [2]
Salah satu tantangan dalam pengenalan teks tulisan tangan adalah masalah kemiringan karakter tulisan terhadap sumbu vertikal. Kemiringan karakter tulisan tangan terhadap sumbu vertikal dikenal dengan istilah slant. Pada tugas akhir ini, upaya yang ditawarkan di dalam melakukan slant correction adalah dengan mengimplementasikan jaringan saraf tiruan berbasis multilayer perceptron.
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 tulisan tangan.
Dalam Tugas Akhir ini slant correction pada tulisan tangan dilakukan dengan menggunakan JST berarsitektur Multilayer Perceptron (MLP) dan beralgoritmakan Backpropagation. 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 fungsi biaya, maka JST akan dapat melakukan slant correction tulisan tangan dengan baik.
(9)
BAB I PENDAHULUAN
Tugas Akhir ini akan dibuat dalam bentuk simulasi dengan menggunakan perangkat lunak MATLAB (Matrix Laboratory).
1.2 Rumusan Masalah
Masalah yang akan dibahas pada Tugas Akhir ini adalah :
Bagaimana mengimplementasikan JST dalam proses Slant
Correction?
1.3 Tujuan Penelitian
Tujuan dari penelitian ini dilakukan adalah untuk:
Menganalisis implementasi JST dalam proses Slant Correction 1.4 Batasan Masalah
Batasan – batasan masalah dalam Tugas Akhir ini adalah : a. Database tulisan tangan diperoleh dari Database IAM
b. Citra tulisan tangan sudah bersih (Image Cleaning) dan tidak miring terhadap sumbu horizontal (Slope)
c. Slant Correction dilakukan terhadap blok-blok kata dalam satu baris
kalimat tulisan tangan
d. Data latih terdiri dari 1 line tulisan tangan e. Data uji terdiri dari 5 line tulisan tangan
f. Implementasi menggunakan MATLAB R2013a
g. Program yang dijalankan menggunakan komputer ASUS A43S dengan
processor Intel Core i3 2.3 GHz 64-bit OS
1.5 Sistematika Penulisan
Sistematika dalam penulisan laporan ini terdiri dari 5 BAB, yaitu sebagai berikut :
BAB I : PENDAHULUAN
Bab ini berisi latar belakang masalah, rumusan masalah, tujuan penelitian, batasan masalah, dan sistematika penulisan
(10)
BAB I PENDAHULUAN
3 Universitas Kristen Maranatha
BAB II : LANDASAN TEORI
Bab ini berisi teori-teori penunjang yang diperlukan untuk merancang dan merealisasikan Jaringan Saraf Tiruan dengan algoritma Backpropagation.
BAB III : PERANCANGAN DAN REALISASI
Bab ini berisi pembuatan program yang akan digunakan dalam
slant correction pada tulisan tangan.
BAB IV : ANALISIS DATA
Bab ini berisi pengamatan dan hasil pengolahan data yang telah dilakukan dengan menggunakan Jaringan Saraf Tiruan dengan algoritma Backpropagation dan analisis sistem agar sesuai yang telah ditetapkan
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.
(11)
BAB V
SIMPULAN DAN SARAN
5.1 Simpulan
Berdasarkan hasil MOS proses Slant Correction menggunakan JST sudah tergolong baik dengan rata-rata nilai MOS di atas 3. Slant correction terbaik, berdasarkan pengamatan responden, terjadi pada line ke lima dengan raihan rata-rata 4.4 (rentang nilai 0-5). Slant correction terburuk terjadi pada line ke tiga dengan raihan 2.35 (rentang nilai 0-5).
Secara subjektif, proses slant correction juga sudah tergolong baik dengan perolehan 84% penilaian mendapatkan nilai 3 sampai dengan 5 (sesuai kriteria MOS). Berdasarkan analisis objektif, slant correction menggunakan MLP sudah tergolong baik dengan catatan error tertinggi mencapai 4o dan terendah 19o.
5.2 Saran
Untuk penyempurnaan dari Tugas Akhir ini di masa yang akan datang ada baiknya melakukan perbaikan pada tahap segmentasi. Tujuannya adalah agar diperoleh nilai maximum variance of vertical projection yang paling tepat
Ketepatan di dalam menentukan nilai maximum variance of vertical
projection sangat mempengaruhi pemilihan nilai sudut koreksi yang tepat untuk
(12)
34 Universitas Kristen Maranatha
DAFTAR PUSTAKA
1. Cheriet, M. et al. 2007. Character Recognition System: A Guide for
Students and Practioners. John Wiley & Sons, Inc
2. Espana-Boquera, S., M. J. Castro-Bleda, J. Gorbe-Moya, and F. Zamora-Martinez. 2011. Improving Offline Handwritten Text Recognition with
Hybrid HMM/ANN Models. Valencia: IEEE Transaction on Pattern
Analysis and Machine Intelligence, Vol. 33, No. 4.
3. Fausett, Laurenne. 19 Desember 1993. Fundamentals Of Neural Networks,
Architectures, Algorithms, and Application.
4. Haykin, S., 2005. “Neural Network: A Comprehensive Foundations”,
Prentice Hall, 2nd Edition
5. Jain, A. K., J. Mao, and K. M. Mohiuddin. 1996. Artificial Neural
Networks: A Tutorial. IEEE.
6. Uchida, S. et al. 2004. Nonuniform Slant Correction for Handwritten
Word Recognition. IEICE Transaction INF & SYST, Vol. E87-D, No. 5.
7. Database IAM:
http://www.iam.unibe.ch/fki/databases/iam-handwriting-database (terakhir dilihat pada 5-10-2015 pkl. 09.00 wib)
8. Vertical projection:
http://www.cse.usf.edu/~r1k/MachineVisionBook/MachineVision.pdf (terakhir dilihat pada 5-10-2015 pkl. 09.00 wib)
(1)
xiii
DAFTAR GAMBAR
Halaman
Gambar 2.1 Penggalan Baris Database IAM ... 4
Gambar 2.2 Form Database IAM ... 5
Gambar 2.3 Proyeksi Vertikal dan Horisontal dari Citra Biner Seekor Kadal 6
Gambar 2.4 Proyeksi Horisontal dan Vertikal Dari Sebuah Citra ... 6
Gambar 2.5 Jaringan Saraf Biologis Manusia ... 10
Gambar 2.6 Model Neuron Mcculloch-Pitts ... 11
Gambar 2.7 Fungsi Identitas ... 13
Gambar 2.8 Fungsi Tangga Binari ... 14
Gambar 2.9 Fungsi Sigmoid ... 15
Gambar 2.10 Fungsi Bisigmoid ... 15
Gambar 2.11 Fungsi Saturating Linear ... 16
Gambar 2.12 Fungsi Symetric Saturating Linear ... 16
Gambar 3.1 Diagram Blok Pelatihan MLP ... 20
Gambar 3.2 Diagram Alir Pelatihan MLP ... 21
Gambar 3.3 Visualisasi Tahap Pre-Processing Input Pelatihan MLP ... 22
Gambar 3.4 Grafik Fungsi Sigmoid ... 24
Gambar 3.5 Arsitektur MLP yang Akan Dirancang ... 25
Gambar 3.6 Diagram Blok Pengujian MLP ... 26
Gambar 3.7 Diagram Alir Pengujian MLP ... 27
(2)
BAB I
PENDAHULUAN
1.1 Latar Belakang
Pengenalan teks tulisan tangan adalah salah satu area penelitian yang paling aktif dilakukan di bidang ilmu komputer. Pada dasarnya area ini tergolong wilayah yang sulit untuk diteliti dikarenakan variabilitas yang tinggi apabila dilihat dari jenis tulisan tangan yang ada. Dengan kata lain, berbeda penulis maka berbeda tulisan tangan [2]
Salah satu tantangan dalam pengenalan teks tulisan tangan adalah masalah kemiringan karakter tulisan terhadap sumbu vertikal. Kemiringan karakter tulisan tangan terhadap sumbu vertikal dikenal dengan istilah slant. Pada tugas akhir ini, upaya yang ditawarkan di dalam melakukan slant correction adalah dengan mengimplementasikan jaringan saraf tiruan berbasis multilayer perceptron.
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 tulisan tangan.
Dalam Tugas Akhir ini slant correction pada tulisan tangan dilakukan dengan menggunakan JST berarsitektur Multilayer Perceptron (MLP) dan beralgoritmakan Backpropagation. 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 fungsi biaya, maka JST akan dapat melakukan slant correction tulisan tangan dengan baik.
(3)
BAB I PENDAHULUAN
2 Universitas Kristen Maranatha
Tugas Akhir ini akan dibuat dalam bentuk simulasi dengan menggunakan perangkat lunak MATLAB (Matrix Laboratory).
1.2 Rumusan Masalah
Masalah yang akan dibahas pada Tugas Akhir ini adalah :
Bagaimana mengimplementasikan JST dalam proses Slant Correction?
1.3 Tujuan Penelitian
Tujuan dari penelitian ini dilakukan adalah untuk:
Menganalisis implementasi JST dalam proses Slant Correction
1.4 Batasan Masalah
Batasan – batasan masalah dalam Tugas Akhir ini adalah : a. Database tulisan tangan diperoleh dari Database IAM
b. Citra tulisan tangan sudah bersih (Image Cleaning) dan tidak miring terhadap sumbu horizontal (Slope)
c. Slant Correction dilakukan terhadap blok-blok kata dalam satu baris kalimat tulisan tangan
d. Data latih terdiri dari 1 line tulisan tangan e. Data uji terdiri dari 5 line tulisan tangan
f. Implementasi menggunakan MATLAB R2013a
g. Program yang dijalankan menggunakan komputer ASUS A43S dengan processor Intel Core i3 2.3 GHz 64-bit OS
1.5 Sistematika Penulisan
Sistematika dalam penulisan laporan ini terdiri dari 5 BAB, yaitu sebagai berikut :
BAB I : PENDAHULUAN
Bab ini berisi latar belakang masalah, rumusan masalah, tujuan penelitian, batasan masalah, dan sistematika penulisan
(4)
BAB I PENDAHULUAN
BAB II : LANDASAN TEORI
Bab ini berisi teori-teori penunjang yang diperlukan untuk merancang dan merealisasikan Jaringan Saraf Tiruan dengan algoritma Backpropagation.
BAB III : PERANCANGAN DAN REALISASI
Bab ini berisi pembuatan program yang akan digunakan dalam slant correction pada tulisan tangan.
BAB IV : ANALISIS DATA
Bab ini berisi pengamatan dan hasil pengolahan data yang telah dilakukan dengan menggunakan Jaringan Saraf Tiruan dengan algoritma Backpropagation dan analisis sistem agar sesuai yang telah ditetapkan
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.
(5)
33 Universitas Kristen Maranatha
BAB V
SIMPULAN DAN SARAN
5.1 Simpulan
Berdasarkan hasil MOS proses Slant Correction menggunakan JST sudah tergolong baik dengan rata-rata nilai MOS di atas 3. Slant correction terbaik, berdasarkan pengamatan responden, terjadi pada line ke lima dengan raihan rata-rata 4.4 (rentang nilai 0-5). Slant correction terburuk terjadi pada line ke tiga dengan raihan 2.35 (rentang nilai 0-5).
Secara subjektif, proses slant correction juga sudah tergolong baik dengan perolehan 84% penilaian mendapatkan nilai 3 sampai dengan 5 (sesuai kriteria MOS). Berdasarkan analisis objektif, slant correction menggunakan MLP sudah tergolong baik dengan catatan error tertinggi mencapai 4o dan terendah 19o.
5.2 Saran
Untuk penyempurnaan dari Tugas Akhir ini di masa yang akan datang ada baiknya melakukan perbaikan pada tahap segmentasi. Tujuannya adalah agar diperoleh nilai maximum variance of vertical projection yang paling tepat
Ketepatan di dalam menentukan nilai maximum variance of vertical projection sangat mempengaruhi pemilihan nilai sudut koreksi yang tepat untuk setiap blok
(6)
DAFTAR PUSTAKA
1. Cheriet, M. et al. 2007. Character Recognition System: A Guide for Students and Practioners. John Wiley & Sons, Inc
2. Espana-Boquera, S., M. J. Castro-Bleda, J. Gorbe-Moya, and F. Zamora-Martinez. 2011. Improving Offline Handwritten Text Recognition with Hybrid HMM/ANN Models. Valencia: IEEE Transaction on Pattern Analysis and Machine Intelligence, Vol. 33, No. 4.
3. Fausett, Laurenne. 19 Desember 1993. Fundamentals Of Neural Networks, Architectures, Algorithms, and Application.
4. Haykin, S., 2005. “Neural Network: A Comprehensive Foundations”, Prentice Hall, 2nd Edition
5. Jain, A. K., J. Mao, and K. M. Mohiuddin. 1996. Artificial Neural Networks: A Tutorial. IEEE.
6. Uchida, S. et al. 2004. Nonuniform Slant Correction for Handwritten Word Recognition. IEICE Transaction INF & SYST, Vol. E87-D, No. 5. 7. Database IAM:
http://www.iam.unibe.ch/fki/databases/iam-handwriting-database (terakhir dilihat pada 5-10-2015 pkl. 09.00 wib)
8. Vertical projection:
http://www.cse.usf.edu/~r1k/MachineVisionBook/MachineVision.pdf (terakhir dilihat pada 5-10-2015 pkl. 09.00 wib)