Pengenalan Tulisan Tangan Aksara Batak Toba Menggunakan Jaringan Saraf Tiruan Backpropagation
PENGENALAN TULISAN TANGAN AKSARA BATAK TOBA
MENGGUNAKAN JARINGAN SARAF TIRUAN
BACKPROPAGATION
SKRIPSI
SEPTI HAYANTI
091402013
PROGRAM STUDI S1 TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
MEDAN
2014
Universitas Sumatera Utara
PENGENALAN TULISAN TANGAN AKSARA BATAK TOBA
MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah
Sarjana Teknologi Informasi
SEPTI HAYANTI
091402013
PROGRAM STUDI S1 TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
MEDAN
2014
Universitas Sumatera Utara
PERSETUJUAN
Judul
Kategori
Nama
Nomor Induk Mahasiswa
Program Studi
Departemen
Fakultas
: PENGENALAN TULISAN TANGAN AKSARA
BATAK TOBA MENGGUNAKAN JARINGAN
SARAF TIRUAN BACKPROPAGATION
: SKRIPSI
: SEPTI HAYANTI
: 091402013
: SARJANA (S1) TEKNOLOGI INFORMASI
: TEKNOLOGI INFORMASI
: ILMU
KOMPUTER
DAN
TEKNOLOGI
INFORMASI
(FASILKOM-TI)
UNIVERSITAS
SUMATERA UTARA
Diluluskan di
Medan, 02 April 2014
Komisi Pembimbing
Pembimbing 2
:
Sajadin Sembiring, S.Si,M.Comp.Sc
NIDN : 01230373002
Pembimbing 1
Dr. Erna Buhiarti Nababan, M.IT
NIDN : 9901114784
Diketahui/Disetujui oleh
Program Studi S1 Teknologi Informasi
Ketua,
Prof. Dr. Opim Salim Sitompul, M.Sc.
NIP 196108171987011001
Universitas Sumatera Utara
PERNYATAAN
PENGENALAN TULISAN TANGAN AKSARA BATAK TOBA
MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil karya sendiri, kecuali beberapa kutipan
dan ringkasan yang masing-masing disebutkan sumbernya.
Medan, 02 April 2014
Septi Hayanti
091402013
Universitas Sumatera Utara
PENGHARGAAN
Puji dan syukur penulis sampaikan kehadirat Allah SWT yang telah memberikan
rahmat dan hidayah-Nya sehingga penuli dapat menyelesaikan skripsi ini sebagai
syarat untuk memperoleh gelar Sarjana Teknologi Informasi, Program Studi S1
Teknologi Informasi Universitas Sumatera Utara.
terima kasih penulis sampaikan kepada Ibu Dr. Erna Budhiarti Nababan, M.IT
selaku pembimbing satu dan Bapak Sajadin Sembiring, S.Si.M.Comp.Sc. selaku
pembimbing dua yang telah banyak meluangkan waktu dan pikirannya, memotivasi
dan memberikan kritik dan saran kepada penulis. Ucapan terima kasih juga ditujukan
kepada Bapak M. Fadly Syahputra, B.Sc.M.Sc.IT dan Bapak Dani Gunawan, ST.MT.
yang telah bersedia menjadi dosen penguji. Ucapan terima kasih juga ditujukan
kepada Ketua dan Sekretaris Program Studi Teknologi Informasi, Prof. Dr. Opim
Salim Sitompul, M.Sc. dan Drs. Sawaluddin, M.IT, Dekan dan Pembantu Dekan
Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara, semua
dosen serta pegawai di Program Studi S1 Teknologi Informasi.
Skripsi ini terutama penulis persembahkan untuk kedua orang tua dan keluarga
penulis yang telah memberikan dukungan dan motivasi, ayahanda Maryanto dan
ibunda Tikem yang selalu sabar dalam mendidik penulis. Untuk abang penulis
Nazaruddin, Jarwito dan kakak penulis Suparni, Jarmila, Nurhasana yang selalu
memberikan dorongan kepada penulis. Terima kasih penulis ucapkan kepada temanteman yang selalu memberikan dukungan, Bang Putra, Kak Mega, Kak Mutia,
Zulham, Syarah, Yunita, Devi, Yayuk, Yuli, Rian, Rozi, Buyung, Upik, Julianna, Zizi,
Bagus, Ari, Nurul, Amira serta teman-teman mahasiswa Teknologi Informasi lainnya
yang tidak dapat penulis sebutkan satu persatu. Semoga Allah SWT membalas
kebaikan kalian.
Universitas Sumatera Utara
ABSTRAK
Pengenalan tulisan tangan telah lama diidentifikasikan sebagai permasalahan yang
sulit dipecahkan oleh komputer karena karakteristik tulisan tangan setiap orang
berbeda-beda. Pada penelitian ini, jaringan saraf tiruan backpropagation digunakan
dalam mengenali tulisan tangan aksara Batak Toba melalui beberapa tahap pra proses
meliputi binarization, memorization dan thinning, tahap selanjutnya adalah ekstraksi
fitur menggunakan kombinasi metode zoning dan diagonal based feature extraction.
Kedua metode ini sama-sama membagi data sampel menjadi NxM zona dan
menghitung nilai fitur dari setiap zona tersebut. Data sampel dibagi menjadi 6x9 zona,
yaitu 54 zona dengan ukuran masing-masing zona adalah 10x10 piksel. Metode
zoning menghitung jumlah piksel hitam setiap zona dan melakukan perbandingan
terhadap zona yang memiliki jumlah piksel hitam paling banyak. Metode diagonal
based feature extraction menghitung nilai rata-rata histogram diagonal setiap zona.
Selain itu juga dihitung rata-rata nilai zona setiap baris dan kolom. Berdasarkan
ekstraksi fitur tersebut didapatkan 123 nilai fitur, yaitu 54 dari metode zoning dan 69
dari metode diagonal based feature extraction. Nilai fitur tersebut dijadikan masukan
untuk proses klasifikasi menggunakan jaringan backpropagation. Pada penelitian ini
digunakan 114 data untuk pelatihan dan 76 data untuk pengujian. Dari pengujian yang
dilakukan diperoleh tingkat pengenalan menggunakan jaringan saraf tiruan
backpropagation dengan kombinasi dua metode fitur ekstraksi adalah 87,19%.
Kata kunci : jaringan saraf tiruan, backpropagation, diagonal based feature
extraction, zoning, tulisan tangan, aksara Batak Toba.
Universitas Sumatera Utara
HAND-WRITING RECOGNITION IN BATAK TOBA SCRIPT USING
BACKPROPAGATION NEURAL NETWORK
ABSTRACT
Hand-writing recognition had been identified as a complicated problem to solve by
computation that is because every single person has different characteristic of writing.
In this research, backpropagation of neural network been used to recognize in handwriting of Batak Toba script by certain phases of preprocessing including binarization,
memorization and thinning, feature extraction to the next phase using the combination
of zoning method and diagonal based feature extraction. Both of these methods
worked together to devide sample data into NxM zone and compute a feature value for
each zone. Sample data is divided into 6x9 zone which is amount to 54 zones with
each zone has 10x10 pixel size. Zoning method computed the amount for black pixel
in each zone and collated zones that have the most quantity of black pixel. On the
other hand, the diagonal based feature extraction method computed an average value
for diagonal histogram in each zone and also computed average value for each rows
and colomns. Based on the extraction feature that had been done, we gained 123
feature values, that is 54 for the zoning method and 69 for the diagonal based feature
extraction method. Those feature values became input for classification process using
backpropagation network. On this research, had 114 training data and 76 testing data
that been used. Based on the research that been done, we result recognition level using
backpropagation neural network with a combination of two feature extractions is
87.19%.
Keywords: Neural network, Backpropagation, diagonal based feature extraction,
zoning, hand-writing, Batak Toba Script.
Universitas Sumatera Utara
DAFTAR ISI
Halaman
PERSETUJUAN
PERNYATAAN
PENGHARGAAN
ABSTRAK
ABSTRAC
DAFTAR ISI
DAFTAR TABEL
DAFTAR GAMBAR
iii
iv
v
vi
vii
viii
x
xii
BAB 1 PENDAHULUAN
1.1 Latar Belakang
1.2 Rumusan Masalah
1.3 Batasan Masalah
1.4 Tujuan Penelitian
1.5 Manfaat Penelitian
1.6 Metodologi Penelitian
1.7 Sistematika Penulisan
1
1
2
2
2
3
3
4
BAB 2 LANDASAN TEORI
2.1 Aksara Batak
2.1.1 Ina Ni Surat
2.2 Citra
2.3 Pengolahan Citra (Image Processing)
2.3.1 Binarization
2.3.3 Normalization
2.3.4 Thinning
2.4 Ekstraksi Fitur
2.4.1 Zoning
2.4.2 Diagonal Based Feature Extraction
2.5 Jaringan Saraf Tiruan
2.5.1 Komponen Jaringan Saraf Tiruan
2.6 Algoritma backpropogation
2.6.1 Fungsi Aktivasi
2.6.1.1 Fungsi Sigmoid Biner
2.6.2 Inisialisasi Bobot dan Bias
2.6.2.1 Inisialisasi Acak
2.6.2.2 Inisialisasi Nguyen Widrow
2.6.3 Pengupdate Bobot dengan Momentum
2.7 Penelitian Terdahulu
5
5
5
5
7
8
8
8
9
10
10
11
12
12
16
16
17
17
17
18
19
BAB 3 ANALISIS DAN PERANCANGAN SISTEM
3.1 Tahap Sebelum Ekstraksi Fitur
20
20
Universitas Sumatera Utara
ix
3.1.1 Akuisisi Citra
3.1.2 Prapengolahan Citra
3.1.2.1 Pembentukan Matriks Biner (Binarization)
3.1.2.2 Normalization
3.1.2.3 Pengurusan Objek Citra (Thinning)
3.2 Tahap Ekstraksi Fitur
3.2.1 Metode Ekstraksi Zoning
3.2.2 Metode Ekstraksi Diagonal Based Feature Extraction
3.2.3 Penggabungan nilai fitur
3.3 Tahap Setelah Ekstraksi Fitur
3.3.1 Perancangan Jaringan Backpropogation
3.3.2 Proses Pelatihan
3.3.3 Proses Pengujian
20
21
22
23
23
24
25
27
29
29
29
32
32
BAB 4 IMPLEMENTASI DAN PENGUJIAN
4.1 Implementasi
4.2 Spesifikasi Perangkat Keras dan Perangkat Lunak yang Digunakan
4.3 Tampilan Implementasi Program
4.3.1 Hasil Pelatihan Jaringan Saraf Tiruan
4.3.2 Hasil Pengujian Jaringan Saraf Tiruan
33
33
33
34
35
42
BAB 5 KESIMPULAN DAN SARAN
5.1 Kesimpulan
5.2 Saran
46
46
46
DAFTAR PUSTAKA
LAMPIRAN A : DATA SAMPEL
LAMPIRAN PROGRAM
47
49
57
Universitas Sumatera Utara
DAFTAR TABEL
Halaman
Tabel 2.1 Huruf-huruf ina ni surat dan variannya
Tabel 2.2 Ekstraksi fitur pada representasi citra yang berbeda
Tabel 2.3 Penelitian Terdahulu
Tabel 3.1 Nilai keluaran dan target keluaran jaringan
Tabel 4.1 Hasil Pelatihan Jaringan Saraf Tiruan Backpropagation
Tabel 4.2 Hasil Pengujian Jaringan Saraf Tiruan Backpropagation
6
9
19
30
36
42
Universitas Sumatera Utara
DAFTAR GAMBAR
Halaman
Gambar 2.1 Huruf-huruf Ina ni surat (Font tradisional)
Gambar 2.4 Pembagian zona pada citra biner
Gambar 2.5 Karakter ukuran 60x90 piksel
Gambar 2.6 Pembagian zona ekstraksi fitur
Gambar 2.7 Diagonal histogram setiap zona
Gambar 2.8 Jaringan propagasi balik dengan satu buah lapisan tersembunyi
Gambar 2.9 Fungsi Sigmoid Biner Dengan Rentang (0,1)
Gambar 3.1 skema dasar pengenalan tulisan tangan aksara Batak Toba
Gambar 3.2 tinta warna hitam
Gambar 3.3 Tahapan Prapengolahan Citra
Gambar 3.4 Flowchat pembentukan matriks biner
Gambar 3.5 Citra hasil normalisasi
Gambar 3.6 Citra hasil thinning
Gambar 3.7 Matrik penyimpanan nilai fitur
Gambar 3.8 Pembagian zona menjadi 6 kolom dan 9 baris
Gambar 3.9 Diagram ekstraksi fitur
Gambar 3.10 Flowchart ekstraksi fitur zoning
Gambar 3.11 Histogram diagonal zona
Gambar 3.12 Flowchart ekstraksi diagonal based feature extraction
Gambar 3.13 Matrik penyimpanan nilai fitur
Gambar 3.14 Arsitektur jaringan saraf tiruan
Gambar 4.1. Input citra pengujian
Gambar 4.2. Proses pencocokan gambar
Gambar 4.3. Hasil pencocokan ukuran gambar
Gambar 4.4. Output pengujian gambar
6
10
11
11
11
13
17
20
21
22
22
23
23
24
24
25
26
27
28
29
31
34
34
35
35
Universitas Sumatera Utara
MENGGUNAKAN JARINGAN SARAF TIRUAN
BACKPROPAGATION
SKRIPSI
SEPTI HAYANTI
091402013
PROGRAM STUDI S1 TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
MEDAN
2014
Universitas Sumatera Utara
PENGENALAN TULISAN TANGAN AKSARA BATAK TOBA
MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah
Sarjana Teknologi Informasi
SEPTI HAYANTI
091402013
PROGRAM STUDI S1 TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
MEDAN
2014
Universitas Sumatera Utara
PERSETUJUAN
Judul
Kategori
Nama
Nomor Induk Mahasiswa
Program Studi
Departemen
Fakultas
: PENGENALAN TULISAN TANGAN AKSARA
BATAK TOBA MENGGUNAKAN JARINGAN
SARAF TIRUAN BACKPROPAGATION
: SKRIPSI
: SEPTI HAYANTI
: 091402013
: SARJANA (S1) TEKNOLOGI INFORMASI
: TEKNOLOGI INFORMASI
: ILMU
KOMPUTER
DAN
TEKNOLOGI
INFORMASI
(FASILKOM-TI)
UNIVERSITAS
SUMATERA UTARA
Diluluskan di
Medan, 02 April 2014
Komisi Pembimbing
Pembimbing 2
:
Sajadin Sembiring, S.Si,M.Comp.Sc
NIDN : 01230373002
Pembimbing 1
Dr. Erna Buhiarti Nababan, M.IT
NIDN : 9901114784
Diketahui/Disetujui oleh
Program Studi S1 Teknologi Informasi
Ketua,
Prof. Dr. Opim Salim Sitompul, M.Sc.
NIP 196108171987011001
Universitas Sumatera Utara
PERNYATAAN
PENGENALAN TULISAN TANGAN AKSARA BATAK TOBA
MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil karya sendiri, kecuali beberapa kutipan
dan ringkasan yang masing-masing disebutkan sumbernya.
Medan, 02 April 2014
Septi Hayanti
091402013
Universitas Sumatera Utara
PENGHARGAAN
Puji dan syukur penulis sampaikan kehadirat Allah SWT yang telah memberikan
rahmat dan hidayah-Nya sehingga penuli dapat menyelesaikan skripsi ini sebagai
syarat untuk memperoleh gelar Sarjana Teknologi Informasi, Program Studi S1
Teknologi Informasi Universitas Sumatera Utara.
terima kasih penulis sampaikan kepada Ibu Dr. Erna Budhiarti Nababan, M.IT
selaku pembimbing satu dan Bapak Sajadin Sembiring, S.Si.M.Comp.Sc. selaku
pembimbing dua yang telah banyak meluangkan waktu dan pikirannya, memotivasi
dan memberikan kritik dan saran kepada penulis. Ucapan terima kasih juga ditujukan
kepada Bapak M. Fadly Syahputra, B.Sc.M.Sc.IT dan Bapak Dani Gunawan, ST.MT.
yang telah bersedia menjadi dosen penguji. Ucapan terima kasih juga ditujukan
kepada Ketua dan Sekretaris Program Studi Teknologi Informasi, Prof. Dr. Opim
Salim Sitompul, M.Sc. dan Drs. Sawaluddin, M.IT, Dekan dan Pembantu Dekan
Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara, semua
dosen serta pegawai di Program Studi S1 Teknologi Informasi.
Skripsi ini terutama penulis persembahkan untuk kedua orang tua dan keluarga
penulis yang telah memberikan dukungan dan motivasi, ayahanda Maryanto dan
ibunda Tikem yang selalu sabar dalam mendidik penulis. Untuk abang penulis
Nazaruddin, Jarwito dan kakak penulis Suparni, Jarmila, Nurhasana yang selalu
memberikan dorongan kepada penulis. Terima kasih penulis ucapkan kepada temanteman yang selalu memberikan dukungan, Bang Putra, Kak Mega, Kak Mutia,
Zulham, Syarah, Yunita, Devi, Yayuk, Yuli, Rian, Rozi, Buyung, Upik, Julianna, Zizi,
Bagus, Ari, Nurul, Amira serta teman-teman mahasiswa Teknologi Informasi lainnya
yang tidak dapat penulis sebutkan satu persatu. Semoga Allah SWT membalas
kebaikan kalian.
Universitas Sumatera Utara
ABSTRAK
Pengenalan tulisan tangan telah lama diidentifikasikan sebagai permasalahan yang
sulit dipecahkan oleh komputer karena karakteristik tulisan tangan setiap orang
berbeda-beda. Pada penelitian ini, jaringan saraf tiruan backpropagation digunakan
dalam mengenali tulisan tangan aksara Batak Toba melalui beberapa tahap pra proses
meliputi binarization, memorization dan thinning, tahap selanjutnya adalah ekstraksi
fitur menggunakan kombinasi metode zoning dan diagonal based feature extraction.
Kedua metode ini sama-sama membagi data sampel menjadi NxM zona dan
menghitung nilai fitur dari setiap zona tersebut. Data sampel dibagi menjadi 6x9 zona,
yaitu 54 zona dengan ukuran masing-masing zona adalah 10x10 piksel. Metode
zoning menghitung jumlah piksel hitam setiap zona dan melakukan perbandingan
terhadap zona yang memiliki jumlah piksel hitam paling banyak. Metode diagonal
based feature extraction menghitung nilai rata-rata histogram diagonal setiap zona.
Selain itu juga dihitung rata-rata nilai zona setiap baris dan kolom. Berdasarkan
ekstraksi fitur tersebut didapatkan 123 nilai fitur, yaitu 54 dari metode zoning dan 69
dari metode diagonal based feature extraction. Nilai fitur tersebut dijadikan masukan
untuk proses klasifikasi menggunakan jaringan backpropagation. Pada penelitian ini
digunakan 114 data untuk pelatihan dan 76 data untuk pengujian. Dari pengujian yang
dilakukan diperoleh tingkat pengenalan menggunakan jaringan saraf tiruan
backpropagation dengan kombinasi dua metode fitur ekstraksi adalah 87,19%.
Kata kunci : jaringan saraf tiruan, backpropagation, diagonal based feature
extraction, zoning, tulisan tangan, aksara Batak Toba.
Universitas Sumatera Utara
HAND-WRITING RECOGNITION IN BATAK TOBA SCRIPT USING
BACKPROPAGATION NEURAL NETWORK
ABSTRACT
Hand-writing recognition had been identified as a complicated problem to solve by
computation that is because every single person has different characteristic of writing.
In this research, backpropagation of neural network been used to recognize in handwriting of Batak Toba script by certain phases of preprocessing including binarization,
memorization and thinning, feature extraction to the next phase using the combination
of zoning method and diagonal based feature extraction. Both of these methods
worked together to devide sample data into NxM zone and compute a feature value for
each zone. Sample data is divided into 6x9 zone which is amount to 54 zones with
each zone has 10x10 pixel size. Zoning method computed the amount for black pixel
in each zone and collated zones that have the most quantity of black pixel. On the
other hand, the diagonal based feature extraction method computed an average value
for diagonal histogram in each zone and also computed average value for each rows
and colomns. Based on the extraction feature that had been done, we gained 123
feature values, that is 54 for the zoning method and 69 for the diagonal based feature
extraction method. Those feature values became input for classification process using
backpropagation network. On this research, had 114 training data and 76 testing data
that been used. Based on the research that been done, we result recognition level using
backpropagation neural network with a combination of two feature extractions is
87.19%.
Keywords: Neural network, Backpropagation, diagonal based feature extraction,
zoning, hand-writing, Batak Toba Script.
Universitas Sumatera Utara
DAFTAR ISI
Halaman
PERSETUJUAN
PERNYATAAN
PENGHARGAAN
ABSTRAK
ABSTRAC
DAFTAR ISI
DAFTAR TABEL
DAFTAR GAMBAR
iii
iv
v
vi
vii
viii
x
xii
BAB 1 PENDAHULUAN
1.1 Latar Belakang
1.2 Rumusan Masalah
1.3 Batasan Masalah
1.4 Tujuan Penelitian
1.5 Manfaat Penelitian
1.6 Metodologi Penelitian
1.7 Sistematika Penulisan
1
1
2
2
2
3
3
4
BAB 2 LANDASAN TEORI
2.1 Aksara Batak
2.1.1 Ina Ni Surat
2.2 Citra
2.3 Pengolahan Citra (Image Processing)
2.3.1 Binarization
2.3.3 Normalization
2.3.4 Thinning
2.4 Ekstraksi Fitur
2.4.1 Zoning
2.4.2 Diagonal Based Feature Extraction
2.5 Jaringan Saraf Tiruan
2.5.1 Komponen Jaringan Saraf Tiruan
2.6 Algoritma backpropogation
2.6.1 Fungsi Aktivasi
2.6.1.1 Fungsi Sigmoid Biner
2.6.2 Inisialisasi Bobot dan Bias
2.6.2.1 Inisialisasi Acak
2.6.2.2 Inisialisasi Nguyen Widrow
2.6.3 Pengupdate Bobot dengan Momentum
2.7 Penelitian Terdahulu
5
5
5
5
7
8
8
8
9
10
10
11
12
12
16
16
17
17
17
18
19
BAB 3 ANALISIS DAN PERANCANGAN SISTEM
3.1 Tahap Sebelum Ekstraksi Fitur
20
20
Universitas Sumatera Utara
ix
3.1.1 Akuisisi Citra
3.1.2 Prapengolahan Citra
3.1.2.1 Pembentukan Matriks Biner (Binarization)
3.1.2.2 Normalization
3.1.2.3 Pengurusan Objek Citra (Thinning)
3.2 Tahap Ekstraksi Fitur
3.2.1 Metode Ekstraksi Zoning
3.2.2 Metode Ekstraksi Diagonal Based Feature Extraction
3.2.3 Penggabungan nilai fitur
3.3 Tahap Setelah Ekstraksi Fitur
3.3.1 Perancangan Jaringan Backpropogation
3.3.2 Proses Pelatihan
3.3.3 Proses Pengujian
20
21
22
23
23
24
25
27
29
29
29
32
32
BAB 4 IMPLEMENTASI DAN PENGUJIAN
4.1 Implementasi
4.2 Spesifikasi Perangkat Keras dan Perangkat Lunak yang Digunakan
4.3 Tampilan Implementasi Program
4.3.1 Hasil Pelatihan Jaringan Saraf Tiruan
4.3.2 Hasil Pengujian Jaringan Saraf Tiruan
33
33
33
34
35
42
BAB 5 KESIMPULAN DAN SARAN
5.1 Kesimpulan
5.2 Saran
46
46
46
DAFTAR PUSTAKA
LAMPIRAN A : DATA SAMPEL
LAMPIRAN PROGRAM
47
49
57
Universitas Sumatera Utara
DAFTAR TABEL
Halaman
Tabel 2.1 Huruf-huruf ina ni surat dan variannya
Tabel 2.2 Ekstraksi fitur pada representasi citra yang berbeda
Tabel 2.3 Penelitian Terdahulu
Tabel 3.1 Nilai keluaran dan target keluaran jaringan
Tabel 4.1 Hasil Pelatihan Jaringan Saraf Tiruan Backpropagation
Tabel 4.2 Hasil Pengujian Jaringan Saraf Tiruan Backpropagation
6
9
19
30
36
42
Universitas Sumatera Utara
DAFTAR GAMBAR
Halaman
Gambar 2.1 Huruf-huruf Ina ni surat (Font tradisional)
Gambar 2.4 Pembagian zona pada citra biner
Gambar 2.5 Karakter ukuran 60x90 piksel
Gambar 2.6 Pembagian zona ekstraksi fitur
Gambar 2.7 Diagonal histogram setiap zona
Gambar 2.8 Jaringan propagasi balik dengan satu buah lapisan tersembunyi
Gambar 2.9 Fungsi Sigmoid Biner Dengan Rentang (0,1)
Gambar 3.1 skema dasar pengenalan tulisan tangan aksara Batak Toba
Gambar 3.2 tinta warna hitam
Gambar 3.3 Tahapan Prapengolahan Citra
Gambar 3.4 Flowchat pembentukan matriks biner
Gambar 3.5 Citra hasil normalisasi
Gambar 3.6 Citra hasil thinning
Gambar 3.7 Matrik penyimpanan nilai fitur
Gambar 3.8 Pembagian zona menjadi 6 kolom dan 9 baris
Gambar 3.9 Diagram ekstraksi fitur
Gambar 3.10 Flowchart ekstraksi fitur zoning
Gambar 3.11 Histogram diagonal zona
Gambar 3.12 Flowchart ekstraksi diagonal based feature extraction
Gambar 3.13 Matrik penyimpanan nilai fitur
Gambar 3.14 Arsitektur jaringan saraf tiruan
Gambar 4.1. Input citra pengujian
Gambar 4.2. Proses pencocokan gambar
Gambar 4.3. Hasil pencocokan ukuran gambar
Gambar 4.4. Output pengujian gambar
6
10
11
11
11
13
17
20
21
22
22
23
23
24
24
25
26
27
28
29
31
34
34
35
35
Universitas Sumatera Utara