Gambar 3.1 Tahapan Pra-Pengolahan citra a) Pembentukan Matriks Biner (Binarization)

BAB 3 ANALISIS DAN PERANCANGAN Pada bab ini dibahas tentang bagaimana proses sistem jaringan saraf tiruan dengan

  menggunakan metode propagasi balik untuk pengenalan tulisan tangan berbentuk huruf jawi (arab melayu) dan membahas tentang analisis kebutuhan sistem tersebut beserta perancangan sistemnya. Pada tahap perancangan sistem yang dilakukan adalah mentransformasikan model analisis ke model perancangan.

  3.1 Analisis Data Sistem

  Data dan sampel yang akan digunakan adalah tulisan tangan yang berbentuk huruf jawi (arab melayu) ditulis dikertas putih dengan tinta berwarna hitam. Setelah pengambilan data, data tersebut di scan, setelah itu hasil scannernya di simpan dalam bentuk folder jpeg.

  Untuk melakukan pengenalan tulisan tangan berbentuk huruf jawi (arab melayu)menggunakan jaringan saraf tiruan harus melalui tahapan-tahapan tertentu sehingga dapat menjadi masukan yang baik bagi jaringan saraf tiruan. Jumlah data yang diambil sebanyak 12 pola tulisan tangan berbentuk huruf arab melayu (jawi) dari 12 orang, 1 orang terdiri dari 7 kata (kata yang diambil adalah nama-nama hari).

  3.2 Pra - Pengolahan Citra

  Sebelum ketahapan jaringan saraf tiruan, terlebih dahulu data yang telah diambil dilakukan proses prapengolahan citra. Pada sistem ini prapengolahan yang dilakukan adalah binarization, normalisasi, thinning dan feature extraction.

Gambar 3.1 Tahapan Pra-Pengolahan citra

a) Pembentukan Matriks Biner (Binarization)

  Matriks biner citra ini menghasilkan citra hitam putih yang bersih dari tingkat keabun (grayscale), atau dengan kata lain metode ini mengonversi citra gray-

  level ke citra bilevel (binary image). Pada tahap ini setiap nilai pixel RGB akan

  diambil nilai rata-ratanya untuk kemudian dicek, jika nilai yang dihasilkan kurang dari nilai threshold yang dihasilkan maka nilai pixel tersebut diubah menjadi warna hitam, sebaliknya jika lebih besar dari nilai konstan maka akan diubah menjadi warna putih (Khairunnisa, 2012).

  Jika citra dari nilai pixel pada koordinat (x,y) berwarna hitam maka nilai matriks biner pada baris i dan kolom j adalah 1, dan sebaliknya 0. Adapun diagram alir proses dari matriks biner ini dapat dilihat pada gambar 3.2 :

  Mulai Inisialisasi tinggi, lebar x= 0 y = 0 Selesai tidak y < tinggi y = y + 1 ya x < lebar tidak ya Nilai rata-rata (x,y) = (R + G +

  B) /3 Matriks[y][x] = 0 ya (x,y) < T tidak Matriks[y][x] = 1 x= x + 1

Gambar 3.2 Matriks Biner

b) Normalisasi

  Ukuran citra yang telah di crop berbeda-beda sehingga belum bisa digunakan sebagai masukan standar untuk diektraksi. Citra tersebut haruslah dinormalisasi terlebih dahulu yaitu dengan menggunakan ukuran citra yang sesuai untuk diekstrakkan yaitu 300x170 pixel. Contoh citra hasil pemotongan yang dinormalisasi dapat dilihat pada Gambar 3.3. a.

  b.

Gambar 3.3. hasil citra normalisasi, (a) citra RGB, (b) citra hasil normalisasi

c) Pembentukan Matriks Tulang (Thinning)

  Tahapan selanjutnya adalah mengunakan proses thinning. Proses thinning dilakukan supaya mendapatkan kerangka dari objek karakter pada citra dapat diproses. Proses thinning ini bertujuan membentuk matriks dari citra tulisan tangan yang kebetulan garisnya 1 pixel. Algoritma yang dipakai dalam proses

  thinning ini adalah algoritma ZhangSuen yang belum dimodifikasi (Zhang & Suen, 1984).

  Algoritma Zhang-Suen ini menggunakan metode paralel yang mana nilai baru bagi setiap pixel dihasilkan dari nilai pixel pada iterasi sebelumnya. Hasil citra yang telah diubah menggunakan proses thinning dapat dilihat pada Gambar 3.4.

  a.

  b.

Gambar 3.4. citra hasil thinning, (a) citra normalisasi, (b) citra thinning

3.3 Fitur Ekstraksi (Feature Extraction)

  Pada tahapan fitur ekstraksi dilakukan agar nilai yang telah dinormalisasikan dapat membentuk sebuah nilai fitur agar mendapatkan nilai-nilai unik dari citra yang telah mengalami proses prapengolahan citra sebelumnya. Setiap data hasil ekstraksi fitur harus benar-benar dapat mewakili karakteristik atau keunikan dari data tersebut. oleh karena itu diperlukan suatu cara bagaimana agar dapat mendapatkan nilai-nilai unik dari data tersebut sebab data yang ingin dianalisis oleh jaringan saraf tiruan harus direpsentasikan dengan baik ke dalam bentuk numerik ataupun biner.

  Pada tahap ini, citra yang berukuran 300x170 piksel dibagi menjadi 30 kolom dan 17 kolom dengan masing-masing kolom terdapat 10 piksel. Proses ekstraksi fitur menggunakan zonning dapat dilihat pada gambar 3.5.

Gambar 3.5. Diagram ekstraks fitur

3.4 Metode Ekstraksi Zoning

  Metode zining dapat dibagi menjadi 3 proses, yaitu: 1. Hitung jumlah piksel hitam setiap zona dari Z1 sampai Z510.

  2. Tentukan zona yang memiliki jumlah piksel hitam paling tinggi.

  3. Hitung nilai fitur setiap zona dari Z1 sampai Z510.

  Yaitu menggunakan rumus : Nilai fitur Zn = Zn / Ztertinggi dimana 1 ≤ n ≤ 510 Nilai fitur didapatkan dengan melakukan perbandingan jumlah piksel hitam dari satu zona dengan zona yang didapatkan dari proses no 2.

  

Flowchart dari proses ekstraksi zoning dapat dilihat pada gambar 3.6. y ß 0 Start Inisialisasi ZONA_L ß 30, ZONA_T ß 17 y < ZONA_T No End y ß y + 1 img (hasil Thinning) tinggi ß img(height), lebar ß img(width) piksel_zona[ZONA_T][ZONA_L] ß 0.0 No piksel_zona_max ß 0.0 Yes x, y, k, l x ß 0 y ß 0 No x < ZONA_L x ß x + 1 y ß y + 10 y < tinggi

  Yes Yes piksel_zona[y][x] ß x ß 0 piksel_zona[y][x] / piksel_zona_max No

x ß x + 10

x < lebar

  No

piksel_zona_max ß

Yes

piksel_zona[y/10][x/10]

k ß y

Yes

piksel_zona[y/10][x/10]

k ß k + 1 k < y + 10 No >

piksel_zona_max

Yes l ß x No l < x + 10 l ß l + 1 Yes

  No img(l, k) = 0 Yes piksel_zona[y/10][x/10] ß piksel_zona[y/10][x/10] + 1

  Gambar 3.6.flowchart ekstraksi fitur zoning

Gambar 3.7 Pembagian zona menjadi 30 kolom dengan 17 baris, masing-masing zona berukuran 10x10 piksel.

  3.5 Tahap Setelah Ekstraksi Fitur

  Setelah melakukan tahapan ekstraksi fitur dan tahapan berikutnya yaitu klasifikasi dengan menggunakan jaringan saraf tiruan propagasi balik. Dalam tapahan ini terdapat dua proses yaitu proses pelatihan dan proses pengujian. Pada proses pelatihan dilakukan pelatihan jaringan saraf tiruan dengan menggunakan nilai fitur yang didapat dari data yang dilatih. Sebelum data digunakan, terlebih dahulu datanya harus sudah dilatih. Setelah proses pelatihan, masuk ke proses pengujian yaitu dengan menggunakan nilai fitur yang didapatkan dari data yang diuji. Jaringan harus dirancang terlebih dahulu sebelum data di latih dan diuji.

  3.6 Perancangan Jaringan Propagasi Balik Jaringan yang dirancang dalam penelitian ini adalah jaringan propagasi balik.

  Arsitektur jaringan saraf tiruan terdiri dari lapisan input (input layer), lapisan tersembunyi (hidden layer) dan lapisan output (output layer).

  Berdasarkan perancangan isi atas jaringan saraf tiruan yang dibangun pada penelitian ini dapat dilihat pada gamabar 3.8

Gambar 3.8 Arsitektur Jaringan Saraf Tiruan

  Berdasarkan gambar 3.8, rincian rancangan arsitektur jaringan saraf tiruan yang digunakan adalah : 1. 1 lapisan input. Lapisan input terdiri dari unit-unit input mulai dari unit input 1 sampai unit input i, dimana i = 510. 2. 1 lapisan tersembunyi. Lapisan tersembunyi terdiri dari unit-unit tersembunyi mulai dari unit tersembunyi 1 sampai unit tersembunyi j, dimana j = 96. 3. 1 lapisan output. Lapisan output terdiri dari unit-unit output mulai dari unit output 1 sampai unit output k, dimana k = 7. 4. x

  1 sampai x 510 merupakan unit-unit lapisan input, y 1 sampai y 7 merupakan unit-unit

  lapisan output dan z 1 sampai z p merupakan unit-unit lapisan tersembunyi. 5. b

  1

  merupakan bias ke lapisan tersembunyi dan b

  2

  merupakan bias ke lapisan keluaran. 6. v 0j dan w 0k masing-masing adalah bobot bias untuk unit tersembunyi ke-j dan unit output ke-k. v ij adalah bobot koneksi antara unit ke-i lapisan input dengan unit ke-j lapisan tersembunyi, sedangkan w jk adalah bobot koneksi antara unit ke-j lapisan tersembunyi dengan unit ke-k lapisan output.

  Tabel 1. Vektor Output dan target keluaran jaringan

  Vektor Output

  Target

  10000000000000000000000000 Senin 01000000000000000000000000 Selasa 00100000000000000000000000 Rabu 00010000000000000000000000 Kamis 00001000000000000000000000 Jumat 00000100000000000000000000 Sabtu 00000010000000000000000000 Minggu

3.6.1 Proses Pelathan

  Prose pelatihan dilakukan agar dapat melatih jaringan yang akan dapat mengenali huruf jawi (arab melayu) tulisan tangan baik yang dilatih ataupun yang tidak dilatihkan dengan menggunakan jaringan saraf tiruan propagasi balik. Bertujuan untuk mendapatkan keseimbangan antara kemampuan tanggapan yang benar terhadap masukan yang dipakai untuk pelatihan jaringan (memorisasi) dan kemampuan memberikan tanggapan yang benar untuk masukan yang sejenis namun tidak identik dengan yang dipakai pada pelatihan.

  Proses pelatihan terdiri dari 3 tahap. Tahap yang pertama yaitu tahap umpan maju pola yang digunakan untuk mencari nilai lapisan tersembunyi dan nilai lapisan keluaran menggunakan aktivasi yang ditentukan. Tahap yang kedua adalaha tahap mundur, jika hasil keluaran tidak sesuai dengan target maka dilakukan propagasi balik untuk mendapatkan nilai error yang ada di lapisan keluaran dan lapisan tersembunyi. Tahap yang ketiga adalah memperbaharu nilai bobot yang ada dilapisan tersembunyi dan lapisan masukkan untuk menentukan error yang terjadi. Setelah itu lakukan lagi umpan maju dan propagasi balik jika nilai keluarannya tidak sesuai dengan nilai yang ditargetkan. Proses ini dilakukan secara berulang kali sampai mendapatkan batasan error yang ditentukan dari jaringan.

3.6.2 Proses Pengujian

  Proses pengujian adalah menguji jaringan yang telah dilatih untuk mengenali data uji maupun tidak digunakan pada tahapan pelatihan jaringan. Jaringan diharapkan dapat mengenali huruf-huruf jawi (arab melayu) yang terdapat pada data uji. Pada proses pengujian hanya mnggunakan tahap umpan maju untuk mencari nilai keluaran lapisan tersembunyi dan lapisan keluaran.

  Ketika jaringan diuji dengan menggunakan data pelatihan, yang diuji adalah kemampuan memorisasi jaringannya, sebab kasus-kasusyang dimasukkan telah dipelajari sebelumnya. Dan sebaliknya, pada saat jaringan diuji dengan menggunakan data baru, yang diuji adalah kemampuan generalisasi jaringannnya.

BAB 4 IMPLEMENTASI DAN PENGUJIAN SISTEM Pada bab ini akan diuraikan tahapan selanjutnya dalam pengembangan software yaitu

  tahap implementasi dan pengujian sistem. Di sini akan dijelaskan tentang proses pengimplementasian algoritma ke dalam sistem dan melakukan pengujian dari

  software yang dikembangkan.

4.1. Implementasi

  Data yang telah dikenali pada bab sebelumnya haruslah diimplementasikan ke dalam kode pemrograman agar dapat dilakukan pengujian untuk mengetahui kemampuan kombinasi metode zoning. Pada penelitian ini pemrograman yang digunakan adalah bahasa pemrograman java. Pada bab sebelumnya telah dibahas tentang cara kerja sistem yang dibangun dengan mnggunakan jaringan saraf tiruan.

  Pengkodean dilakukan menjadi 5 modul utama, yaitu :

  1. Modul prapengolahan citra Merupakan modul untuk melaksakan semua proses prapengolahan citra dan melaksanakan proses ekstraksi fitur.

  2. Modul inisialisasi Merupakan model untuk melaksanakan inisialisasi bobot awal.

  3. Modul pelatihan jaringan Merupakan modul untuk melaksanakan proses pelatihan jaringan propagasi balik.

  4. Modul pengujian jaringan Merupakan modul untuk melaksanakan proses pengujian jaringan propagasi balik yang telah dilatihkan.

  5. Modul program utama Merupakan modul untuk menjalankan modul prapengolahan citra, pelatihan jaringan dan pengujian jaringan.

4.2. Spesifikasi Perangkat Keras dan Perangkat Lunak yang digunakan

  Spesifikasi perangkat lunak dan perangkat keras yang digunakan untuk membut sistemnya adalah sebagai berikut:

1. Processor Pentium Intel ® Core ™ i3-2310M 2. Kapasitas harddiks 500GB.

  3. Memory RAM yang digunakan 2.00GB.

  4. Sistem operasi Microsoft Windows 7.

  5. Tools dari Java.

  6. Printer canon MP198.

  4.3. Pengujian

  Setelah melakukan tahap implementasi maka dilakukan tahap pengujian kemampuanmetode zoning pada jaringan saraf tiruan untuk pengenalan tulisan tangan huruf jawi (arab melayu). Untuk mengetahui seberapa tingkat kecocokannya dengan metode tersebut, dibangunsebuah jaringan dengan menggunakan metode zoning. Jaringan yang menggunakan metode zoning menggunakan 510 nilai fitur.

  4.4. Persiapan Sistem Jaringan Saraf Tiruan

  Ketika jaringan tersebut memiliki lapisan tersembunyi dan lapisan keluaran yang sama yaitu 96 neuron lapisan tersembuni dan 7 neuron lapisan keluaran. Lapisan masukan sesuai dengan metode ekstraksi yang digunakan yaitu zoning (510 neuron masukan). Jaringan tersebut dilatih dengan menggunakan data latihan dengan paramter pelatihan, yaitu learning rate : 0.5, momentum 0.5. Data latihan dapat dilihat pada lampiran B.

4.5. Hasil Pengujian

  Setelah jaringan tersebut dilatih kemudian jaringan dilakukan pengujian pada tingkat pencocokan dari jaringan tersebut. Pengenalan diuji dengan menggunakan data uji yaitu data baru yang tidak digunakan pada tahap pelatihan. Data yang digunakan untuk pengujian adalah 21 pola kata (Lampiran B).

  Pengujian dilakukan dengan menggunakan pemrograman java. Dengan menggunakan contoh sebagai berikut: Input : Masukkan nama file gambar yang ingin diuji. Seperti pada gambar 4.1

Gambar 4.1. input citra pengujian Output : Sistem akan mengenali file gambar yang diuji sesuai dengan karakternya.

  Seperti pada gambar 4.2

Gambar 4.2. Output citra pengujian

  Hasil dari citra algoritma zoningdapat dilihat pada gambar 4.3 Gambar 4.3Hasil citra algoritma zoning.

4.6. Hasil Pelatihan Jaringan Saraf Tiruan

  Pelatihan jaringan saraf tiruan ini berfungsi untuk mengajarkan kepada jaringan pola- pola tulisan huruf yang ada sehingga diharapkan jaringan dapat mengenali pola-pola tulisan baru yang diberikan. Pada tahap pelatihan ini ditampilkan beberapa kombinasi lapisan tersembunyi, learning rate, momentum yang berbeda-beda. Hasil pelatihan jaringan saraf tiruan propagasi balik dapat dilihat pada tabel 4.1.

Tabel 4.1 Hasil Pelatihan Jaringan Saraf Tiruan Propagasi Balik Input Learning Momentum Epoch Tingkat Output Rate Kecocokan

  Senin1 0,5 0,5 100 88,93% Senin Senin1 0,4 0,2 1000 88,83% Senin Senin1 0,1 0,1

  10 87,95% Senin

  Senin1 0,1 0,4 200 87,89% Senin

  0.4 0.4 2000 88,68% Senin

  Senin1 Senin1 0,1 0,1 120 87,92% Senin Senin2 0,1 0,1 120 87,54% Senin Senin2 0,1 0,1 1000 87,22% Senin Senin2 0,7 0,4 1000 89,02% Senin Senin2 0,9 0,9

  10 89,95% Senin

  Senin2 0,9 0,6

  30 89,54% Senin 0,9 0,9 90 89,99% Senin

  Senin2 Senin2 0,5 0,5 100 90.00% Senin Senin3 0,1 0,1

  10 88,22% Senin

  Senin3 0,5 0,5 100 89,99% Senin Senin3 0,7 0,7 1000 89,74% Senin Senin4 0,5 0,5 100 89,99% Senin Senin4 0,4 0,9 100 89,94% Senin

Tabel 4.1 Hasil Pelatihan Jaringan Saraf Tiruan Propagasi Balik (Lanjutan) input Learning Momentum Epoch Tingkat Outpu

  

rate Kecocokan

Senin5 0,2 0,2 800 88,07% Senin Senin5 0,5 0,5 100 89,26% Senin Senin6 0,5 0,5 100 90,00% Senin Senin7 0,1 0,1

  10 87,59% Senin

  Senn7 0,5 0,5 100 89,25% Senin Senin8 0,2 0,4

  10 88,54% Senin

  Senin8 0,3 0,7 100 89,21% Senin Senin8 0,5 0,5 100 89,99% Senin Senin9 0,5 0,5 100 89,19% Senin Senin10 0,5 0,5 100 88,90% Senin Senin11 0,5 0,5 100 89,09% Senin

  Senin12 0,5 0,5 100 89,99% Senin Selasa1

  0,5 0,5 100 89,18% Rabu

Tabel 4.1 Hasil Pelatihan Jaringan Saraf Tiruan Propagasi Balik (Lanjutan)

  Jumat6 0,5 0,5 100 89,04% Jumat

  0,5 0,5 100 89,07% Jumat

  Kamis12 0,5 0,5 100 89,31% Kamis Jumat1 0,5 0,5 100 88,89% Jumat Jumat2 0,5 0,5 100 89,20% Jumat Jumat4 0,5 0,5 100 89,17% Jumat Jumat5

  0,5 0,5 100 89,20% Kamis

  Rabu7 0,5 0,5 100 88,82% Rabu Rabu8 0,5 0,5 100 89,08% Rabu Kamis9 0,5 0,5 100 89,21% Kamis Kamis10 0,5 0,5 100 88,94% Kamis Kamis11

  Rabu2 0,5 0,5 100 89,29% Rabu Rabu3 0,5 0,5 100 89,06% Rabu Rabu4 0,5 0,5 100 89,13% Rabu Rabu5 0,5 0,5 100 89,49% Rabu Rabu6

  0,5 0,5 100 89,09% Selasa

  0,5 0,5 100 89,49% Rabu

  Selasa9 0,5 0,5 100 89,07% Selasa Selasa10 0,5 0,5 100 89,16% Selasa Selasa11 0,5 0,5 100 88,90% Selasa Selasa12 0,5 0,5 100 89,23% Selasa Rabu1

Tabel 4.1 Hasil Pelatihan Jaringan Saraf Tiruan Propagasi Balik (Lanjutan) Input Learning rate Momentum Epoch Tingkat Kecocokan Output

  Selasa7 0,5 0,5 100 89,01% Selasa Selasa8 0,5 0,5 100 89,02% Selasa

  0,5 0,5 100 89,06% Selasa

  Selasa2 0,5 0,5 100 88,95% Selasa Selasa3 0,5 0,5 100 89,05% Selasa Selasa4 0,5 0,5 100 89,01% Selasa Selasa5 0,5 0,5 100 89,11% Selasa Selasa6

  Input Learning Momentm Epoch Tingkat Output rate Kecocokan

  Jumat7

  0,5 0,5 100 89,02% Jumat

  

Jumat8 0,5 0,5 100 89,35% Jumat

Jumat9 0,5 0,5 100 89,05% Jumat

Jumat10 0,5 0,5 100 89,44% Jumat

Jumat11 0,5 0,5 100 88,96% Jumat

Jumat12

  0,5 0,5 100 89,21% Jumat

  

Sabtu1 0,5 0,5 100 89,40% Sabtu

Sabtu2 0,5 0,5 100 89,35% Sabtu

Sabtu3 0,5 0,5 100 89,54% Sabtu

Sabtu4 0,5 0,5 100 89,36% Sabtu

Sabtu5

  0,5 0,5 100 89,13% Sabtu

  

Sabtu6 0,5 0,5 100 89,58% Sabtu

Sabtu7 0,5 0,5 100 89,22% Sabtu

Sabtu8 0,5 0,5 100 89,08% Sabtu

Sabtu9 0,5 0,5 100 89,16% Sabtu

  Sabtu10

  0,5 0,5 100 89,46% Sabtu

  

Sabtu11 0,5 0,5 100 89,41% Sabtu

Sabtu12 0,5 0,5 100 89,71% Sabtu

Minggu1 0,5 0,5 100 89.99% Minggu

Minggu2 0,5 0,5 100 89,23% Minggu

Minggu3

  0,5 0,5 100 89,34% Minggu

  Input Learning rate Momentum Epoch Tingkat Kecocokan Output Mingggu4 0,5 0,5 100 89,00% Minggu Minggu5 0,5 0,5 100 89,04% Minggu Minggu6 0,5 0,5 100 89,09% Minggu Minggu7 0,5 0,5 100 88,90% Minggu Minggu8

  0,5 0,5 100 88,92% Minggu

  Minggu9 0,5 0,5 100 88,98% Minggu Minggu10 0,5 0,5 100 89,08% Minggu Minggu11 0,5 0,5 100 89,40% Minggu Minggu11 0,4 0,4 200 88,50% Minggu Minggu12

  0,4 0,4 200 88,64% Minggu

  Minggu12 0,5 0,5 100 88,98% Minggu

4.7. Hasil Pengujian Jaringan Saraf Tiruan

  Pada tahap pengujian dilakkan pengujian dengan menggunakan 21 pola. Hasil pengujian dapat dilihat pada tabel 4.2. nilai pengujian dan pelatihan didapat dari penghitungan sebagai berikut :

  Untuk Pelatihan ( )

  Untuk pengujian ( ) Tabel 4.2 Hasil Pengujian Jaringan Saraf Tiruan Propagasi Balik.

  Input Learning Rate Momentum Epoch Tingkat Kecocokan Output Senin13 0,5 0,5 100 89,99% Senin Senin14 0,5 0,5 100 88,88% Senin Senin15

  0,5 0,5 100 89,24% Senin

  Selasa13 0,5 0,5 100 89,33% Selasa Selasa14 0,5 0,5 100 89,12% Selasa Selasa15 0,5 0,5 100 88,91% Selasa Rabu13 0,5 0,5 100 89,02% Rabu Rabu14

  0,5 0,5 100 89,02% Rabu

  Rabu15 0,5 0,5 100 88,91% Rabu Kamis13 0,5 0,5 100 89,16% Kamis Kamis14 0,5 0,5 100 89,36% Kamis Kamis15 0,5 0,5 100 88,91% Kamis Jumat13

  0,5 0,5 100 88,31% Jumat

  Jumat14 0,5 0,5 100 89,19% Jumat Jumat15 0,5 0,5 100 89,25% Jumat Sabtu13 0,5 0,5 100 88,72% Sabtu Sabtu14 0,5 0,5 100 88,66% Sabtu Sabtu15

  0,5 0,5 100 88,63% Sabtu

  Minggu13 0,5 05, 100 89,70% Minggu Minggu14 0,5 0,5 100 89,34% Minggu Minggu15 0,5 0,5 100 89,59% Minggu

  Daritabel 4.1 didapatkan tingkat pengenalannya 86.87% dengan learning rate 0,5, momentum 0,5 dan epoch 100. Sedangkan dari tabel 4.2 didapatkan tingkat pengenalannya 89.05% dengan learning rate 0,5, momentum 0,5 dan epoch 100.

BAB 5 KESIMPULAN DAN SARAN

5.1. Kesimpulan

  Berdasarkan hasil analisis dan pengujian pada bab bab sebelumnya, dapat diambil kesimpulannya

  1. Jaringan saraf tiruan propagasi balik yang telah dilatih dengan data pola kata (nama-nama hari) dapat digunakan untuk mengenali tulisan tangan dengan bentuk hurub jawi (arab melayu).

  2. Pada pelatihan dengan menggunakan learning rate 0,5, momentum 0,5 dan epoch 100 didapatkan hasil 86.87 %.

  3. Dari hasil pengujian diperoleh dengan learning rate sebesar 0.5, momentum sebesar 0,5 dan epoch 100 didapatkan hasil 89.05%.

  4. Semakin tinggi learning rate dan momentumnya maka semakin sedikit epoch yang diperlukan jaringan untuk mencapai solusi tersebut. Semakin tinggi tingkat kecocokannya maka semakin rendah tingkat keerrorannya.

5. Dari hasil pengujian yang dilakukan dicapai tingkat pengenalan sebesar 89.05% dengan menggunakan metode zoning.

5.2. Saran

  yang digunakan hanya dilatih hingga mencapai batas error 0.32. Setelah melakukan pelatihan nilai error yang dicapai belum tentu merupakan nilai minimum. Maka untuk pelatihan selanjutna perlu dilakukan hingga mendapatkan tingkat yang lebih baik lagi.