Pengenalan aksara Lampung menggunakan jaringan syaraf tiruan backpropagation dengan modified direction feature extraction

Gratis

7
12
136
2 years ago
Preview
Full text

PENGENALAN AKSARA LAMPUNG MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION DENGAN MODIFIED DIRECTION FEATURE EXTRACTION SKRIPSI

  Salah satu contoh terapannya adalah dengan adanya suatu sistem yang mampu mengenali suatu pola secara otomatis yang kemudian memberikaninformasi terkait dengan pola yang dikenali oleh sistem. Percobaan proses pengenalan dengan Jaringan Syaraf Tiruan Propagasi Balik dengan melakukan optimalisasi arsitektur jaringan menghasilkan akurasi 92,5%dengan menggunakan 1 lapisan tersembunyi dengan jumlah neuron pada lapisan tersembunyai 1 sebanyak 40 neuron.

INFORMATICS ENGINEERING STUDY PROGRAM

  Salah satu contoh terapannya adalah dengan adanya suatu sistem yang mampu mengenali suatu pola secara otomatis yang kemudian memberikaninformasi terkait dengan pola yang dikenali oleh sistem. Percobaan proses pengenalan dengan Jaringan Syaraf Tiruan Propagasi Balik dengan melakukan optimalisasi arsitektur jaringan menghasilkan akurasi 92,5%dengan menggunakan 1 lapisan tersembunyi dengan jumlah neuron pada lapisan tersembunyai 1 sebanyak 40 neuron.

KATA PENGANTAR

  23 Grafik menunjukkan pencapaian akurasi dengan menggunakan variasi jumlah neuron pada hidden layer dan metode training dengan menggunakan normalisasi z-score dan dengan menggunakan thinning. 25 Grafik menunjukkan pencapaian akurasi dengan menggunakan variasi jumlah neuron pada hidden layer dan metode training dengan menggunakan normalisasi z-score dan dengan tanpa menggunakan thinning.

BAB I PENDAHULUAN

1.1 Latar Belakang

  Awalnya, aksara Lampung ditulis di kulit kayu, bilah bambu, daun lontarataupun batu, untuk menjaga aksara Lampung ini agar tetap ada, dilakukan begitu banyak proses dokumentasi, mulai dari difoto hingga penyalinan ulang ke media tulisyang lebih baik, sehingga dengan seiring berjalannya waktu, naskah-naskah yang bertuliskan aksara Lampung ini tidak hilang atau musnah. Maka dari itu, penulis ingin menguji apakah jaringan syaraf tiruanBackpropagation Modified Direction Feature Extractiondan menggunakan sebagai metode yang akan digunakan untuk melakukan ekstraksi ciri mampu mengidentifikasiaksara Lampung dapat berjalan dengan baik.

1.2 Rumusan Masalah

  Dalam hal ini suatu sistem yang dibangun dikatakan baik apabila mampu menghasilkan akurasi diatas 75%, oleh karena itu perlu diketahui berapa nilai akurasiyang akan dihasilkan ketika dilakukan proses pengenalan aksara Lampung dengan Backpropagation Modified Directionmenggunakan Jaringan Syaraf Tiruan dan Feature. 1.4 Luaran Luaran dari sistem yang akan dibangun ini adalah suatu sistem perangkat lunak yang mampu mengidentifikasi aksara Lampung dengan baik dan memiliki akurasiyang tinggi.

1.7 Sistematika Penulisan

  dilakukan, yang meliputi objek dan metode yang digunakan, yaitu aksara Lampung dan teori Jaringan Syaraf Tiruan Backpropagation untuk data berupa citra. akan dibangun, komponen-komponen yang nantinya dibutuhkan dalam penelitian dan perancangan sistem secara lengkap.

BAB II LANDASAN TEORI Bab ini berisi tentang pembahasan mengenai teori-teori yang berkaitan dengan

  penulisan dan penelitian Tugas Akhir ini. Teori-teori tersebut terkait dengan Citra,Aksara Lampung, Modified Direction Feature dan Jaringan Syaraf Tiruan Backpropagation.

2.1 Citra

  Titik-titik ini sendiri berisi suatu informasi penting “ yang menyusun citra tersebut sehingga kita bisa mendapatkan informasi dari citra tersebut, melalui sebuah citra, lebih banyak informasi yang dapat diperolehdibandingkan dengan melalui kata-kata. Citra diam merupakan suatu citra yang tidak ada unsur pergerakan di dalamnya, contohnya seperti foto, sedangkan citra bergerakmerupakan serangkaian citra diam yang digerakkan dalam suatu satuan waktu (fps atauframe per second ) sehingga menghasilkan suatu pergerakkan.

2.1.1 Citra Biner

  Citra biner adalah citra digital yang hanya memiliki dua kemungkinan nilaipixelyaitu hitam dan putih, sehingga hanya dibutuhkan nilai 1 bit untuk merepresentasikan nilai setiap piksel dari citra biner. Misalkan ditetapkan nilai ambang sebesar 128, makauntuk nilai piksel yang lebih kecil dari nilai ambang akan diubah menjadi 0, sedangkan untuk nilai piksel yang lebih besar akan diubah menjadi 255.

2.1.2 Citra Skala Keabuan

  Nilai kernel padatiap piksel hanya terdiri dari satu dimensi nilai warna intensitas pikselnya, sehingga Red,tidak ada pembagian nilai masing-masing dimensi seperti pada citra warna RGB (Green, Bluegrayscale ). Untuk melakukan konversi dari citra RGB menjadi yaitu dengan mengambil nilai rata-rata dari nilai R (Red), G (Green) dan B (Blue) sehinggadapat dirumuskan sebagai berikut (2.1) = grayscale dimana X merupakan citra baru dengan skala warna keabuan ( ).

2.1.3 Citra RGB

  Citra RGB merupakan fewsaqaqz citra digital yang sering kita temui dalamRed, Green Bluekehidupan sehari-hari. Citra RGB memiliki 3 lapis warna., yaitu dan yang kemudian digabungkan sehingga terjadi perpaduan warna antara ketiganya yangmenghasilkan warna lainnya.

2.2 Aksara Lampung

  Hal ini dapatdilihat pada kitab yang terdapat di bekas Keratuan Darah Putih bertahun 1270 H, yang ditulis dalam aksara Lampung kuno dan Arab Melayu, dengan memakan bahasa JawaBanten. Terletak di atas huruf Tabel 2 1 Daftar anak huruf yang terletak di atas huruf pokok Nama Bunyi Aksara Datas AnUlan I Ulan EBicek ETekelubang Ang Gambar 2.4 menunjukkan huruf pokok aksara Lampung (Iskar,2012) 2.

2.3 Pengenalan Pola

  2.6 Penipisan preprocessing region /Penipisan adalah suatu operasi citra dimana nilai biner daerah citra (daerah citra yang dianggap obyek) direduksi menjadi garis yang kira-kiramerupakan garis tengah, yang disebut rangka. Hal ini dapat dicapaidengan secara berturut-turut menghapus (mengubah dari hitam menjadi putih) piksel- piksel yang berada pada batas dari citra sampai garis yang tersisa lebarnya satu titiksaja.

2.4.1 Algoritma Rosenfeld

  Gambar 2.14 Contoh piksel P1 adalah sebuah 8-titik terisolasi Sebuah titik perbatasan P1 adalah 4-simple jika berubah dari hitam menjadi putih tidakconnectivity mengubah 4- dari sisa piksel hitam dalam tetangga dari P1.simple Disini ada 2 contoh yang tidak 4- Gambar 2.15 Dua contoh dimana P1 bukanlah 4-simple point 8-simpleSebuah titik perbatasan P1 adalah sebuah jika berubah dari hitam menjadi putih tidak mengubah 8- connectivity dari sisa piksel hitam dalam tetangga P1. Berikutsimpleadalah contoh yang tidak 8- :simple point Gambar 2.16 Dua contoh dimana P1 bukan merupakan 8- a-Berikut algoritma Rosenfeld penggunaannya bergantung pada berapa ketetanggan yang digunakan.

2.5.1 Modified Direction Feature (MDF)

  Modified Direction Feature(MDF) bisa digunakan untuk mengekstraksi ciri dalam beberapa kasus tertentu. Teknik ini menggunakan penggabungan 2 teknikekstraksi ciri lainnya, yaitu Direction Feature (DF) dan Transition Feature (TF) (Bluemenstein, 2006).

2.5.1.1 Direction Feature (DF) adalah proses pencarian suatu nilai ciri dengan

  Untuk nilai vektor tertentu LT atau DT, dimensi window yang sesuai dihitung denganmenentukan pembagi yang sesuai dari NC/NR, dan rata-rata dari nilai LT/DT yang adawindow re-sampledpada tiap disimpan dalam matriks hasil dengan ukuran 5 x 3(seperti yang ditunjukkan pada gambar 2.5, untuk vektor yang didapat dari arahre-samplingtraversal kiri ke kanan). Bagian ini dilakukan untuk tiap nilai vektor transisi yang tersisa, sehingga akan didapat vektor ciri sebanyak 120 atau 160 elemenvektor yang bisa dibentuk, tergantung dengan jumlah transisi yang ditentukan.

2.9 Jaringan Syaraf Tiruan

  Jaringan syaraf tiruan digunakan dalam proses pemodelan data dari hasil ekstraksi ciri suatu data yang didalamnya terdapat proses pembelajaran sehingganantinya mampu mengenali data baru yang belum pernah digunakan sebelumnya selama proses pembelajarannya. Jaringan syaraf tiruan merupakan topik yang hangat 2.

2.7.1 Arsitektur Jaringan

  Gambar 2.19 menunjukkan arsitektur single layer jaringan (Siang,2005).n 1 ,X 2 n k Pada gambar 2.19 terdapat sejumlah unit masukan (X ,...,X ) dan buah unit keluaran (Y 1 , Y j k ) serta bobot yang menyatakan hubungan antara unit, …, Y masukan dan keluaran (Wi 1 , W j1 k3 ). Dalam jaringan ini, memungkinkan adanya beberapa lapisan tersembunyi, dan pada unit-unit satu lapis tidak saling berhubungan.multi Gambar 2.20 menunjukkan arsitektur jaringan layer (Siang, 2005) Gambar 2.20 adalah jaringan dengan n buah input (X 1 , X 2 n ) dan m buah, …, X 1 2 3 1 output (Y , Y , … , Y ) serta sebuah lapis tersembunyi terdiri dari p buah input (Z , … , Z p ).

2.7.2 Backpropagation

  BackpropagationJaringan Syaraf Tiruan melatih jaringan untuk mendapatkan kesiembangan antara kemampuan jaringan untuk mengenail pola yang digunakanselama proses pelatihan serta kemampuan jaringan untuk memberikan respon yang besar terhadap pola masukan yang serupa (tetapi tidak sama) dengan pola yang Backpropagation outputdigunakan selama proses pelatihan. Iterasi akan dihentikan jika jumlah iterasi yang dilakukan sudah melebihi jumlah maksimum iterasi yang ditetapkan,atau jika kesalahan yang terjadi sudah lebih kecil dari batas toleransi yang diijinkan.

2.8 Mempercepat Pelatihan

  Beberapa modifikasi perlu dilakukan terhadap pelatihan standarbackpropagation dengan cara mengganti fungsi pelatihannya (Siang, 2009).backpropagation Beberapa metode yang dipakai untuk mempercepat pelatihan adalah sebagai berikut : 1. Menurut Hagan dan Demuth (1996), sebelum mengaplikasikan momentum ke sebuah jaringan syaraf, akan dibuktikan dalam sebuah ilustrasi efek penghalusandengan mempertimbangkan urutan pertama filter berikut : = − − w(k) y(k)dimana adalah input ke filter, adalah output filter, dan adalah koefisien momentum yang harus memenuhi ≤ < 1 Efek dari filter ini ditunjukkan pada gambar .

6 Dan koefisien momentum ditetapkan pada = 0.9 (a) dan = 0.98 (b). dari

  Dengan menggunakan parameter awal yang telah digunakan pada gambar 2.11 danpmenambahkan parameter baru, dimana = 0,7 dan = 1,0η, = ζ%, maka akan didapat hasil seperti pada gambar 2.12. Table brikut Confusion matrixmerupakan representasi jumlah prediksi yang benar dan salah yang dibuat oleh model klasifikasi disbanding dengan jumlah data keseluruhan.

2.9 Confusion Matrix

Tabel 2.5 Tabel confusion matrix Confusion TargetMatrix Positif NegatifModel Positif a b Negatif c d Tabel 2.5 menunjukan bahwa data sebanyak a dan d dikenali sesuai dengan target kelasnya, sedangkan b dan c merupakan jumlah data yang dikenali tidak sesuai dengan target luarannya.

BAB II I METODE PENELITIAN Bab ini berisikan analisa kebutuhan sistem terkait dengan data dan metode yang

  digunakan untuk ekstraksi ciri citra aksara Lampung, penerapan jaringan syaraf tiruan untuk pengenalan pola serta pengujiannya. Selain kebutuhan sistem, dalam bab ini jugaberisi tentang gambaran umum sistem yang akan dibangun, mencakup ekstraksi ciri, pengenalan pola, pengujian serta perancangan antarmuka sistem.

3.1 Tahapan Penelitian

  Data yang digunakan dalam penelitian ini adalah data citrascanaksara Lampung yang merupakan hasil tulisan tangan aksara Lampung yangcrop berasal responden yang kemudian di- sehingga menjadi data baru yang siap diolah. 3.1.3 Pembuatan Alat Uji Pada tahap ini, akan dirancang suatu alat uji yang dimulai dengan perancanganinterfacedan pembuatan alat uji untuk menguji Jaringan Syaraf Tiruan Pada tahap pengujian ini, dari seluruh data yang ada dibagi menjadi 2 bagian, yaitu 2/3 bagian untuk data pelatihan dan 1/3 untuk data uji, sehingga tidak ada datayang sama di dalam 2 bagian berbeda tersebut.

3.2 Skenario Sistem

  3.2.1 Gambaran Umum Sistem Gambar 3.1 Diagram blok sistem Gambaran umum sistem yang akan dibangun merupakan sistem pengenalan aksara Lampung, dimana sistem mampu menejemahkan data masukan berupa citraaksara Lampung menjadi informasi mengenai arti dari aksara tersebut ke dalam hurufscan, preprocessinglatin. Dari data awal yang didapat dari hasil dilakukan terlebih dahulu sebelum akhirnya data yang ada siap digunakan.

3.2.1.1 Data

  Data yang digunakan Data awal yang digunakan sebanyak 20 jenis citra aksara yang berbeda yang merupakan aksara pokok, yaitu ka, ga, nga, pa, ba, ma, ta, da, na, ca, ja, nya, ya, a, la,ra, sa, wa, ha, gha, tanpa ada tambahan anak huruf. Data Aksara Lampung adalah citra hasil scan dari hasil pengisian form yang berisi sampel aksara Lampung yangkemudian diisi sebanyak 10 responden.

3.2.1.2 Preprocessing

  3.2.1.5 Jaringan Syaraf Tiruan Dari hasil ekstraksi ciri yang telah dinormalisasi, untuk proses selanjutnya, jaringan syaraf tiruan dipilih sebagai metode pengenalan pola yang mampumenghasilkan akurasi yang tinggi dari pengujian sampel diluar data sampel yang digunakan dalam proses pembelajarannya. Arsitektur jaringan dengan 1 hidden layerhidden layer Gambar 3.10 Arsitektur jaringan 1 hidden layerPada gambar 3.10 adalah gambar model jaringan dengan 1 yang akan digunakan dalam proses pengujian jaringan dengan nilai ekstraksi ciri yang telahdinormalisasi.

3.3 Desain Alat Uji

3.3.1 Form Menu Utama

  Form menu utama berisikan tombol Training Data yang mengarahkan ke form yang nantinya digunakan untuk melakukan pelatihan data serta proses ekstraksicirinya. Tombol Identifikasi Aksara digunakan untuk mengarahkan ke form yang digunakan untuk melakukan pengenalan aksara Lampung.

3.3.2 Form Menu Data Training dan Ekstraksi Ciri

  trainingForm menu ini digunakan untuk melakukan dan ekstraksi cirinya dari data yang digunakan. Setelah didapatkan hasil ekstraksi ciri suatu citra aksara, maka hasil tersebut akan disimpan dengan pilihan terjemahan aksaranya.

3.3.3 Form Menu Identifikasi Aksara

  Form ini digunakan untuk melakukan uji dengan data baru terhadap sistem yang telah dibangun. Pada form ini dibutuhkan data masukan berupa citra aksaraLampung sehingga dapat dilakukan identifikasi dari data masukannya.

3.4 Kebutuhan Sistem

  Hardwarehardware Perangkat keras / yang digunakan memiliki spesifikasi sebagai berikut :1.) Processor : Intel ® Core ™ iη-4200M 2.) RAM : 4GB3.) Hard Drive : 500 GB4.) Graphic Interface : NVIDIA GEFORCE 720M 2. SoftwarePerangkat lunak / software yang digunakan adalah sebagai berikut : Sistem operasi yang digunakan untuk menjalankan perangkat keras serta perangkat lunak lainnya.

BAB IV IMPLEMENTASI DAN ANALISIS HASIL Bab ini berisi uraian implementasi dan hasil penelitian yang berupa optimalisasi

jaringan syaraf tiruan, variasi percobaan metode training dalam jarigan syaraf tiruan, serta pengujian data tunggal dan uraian mengenai hasil luaran terkait dengan akurasiyang dicapai.

4.1 Implementasi Sistem

  Binerisasi CitraDengan menggunakan fungsi im2bw pada MATLAB, citra aksara yang digunakan diubah menjadi citra hitam putih yang hanya memiliki nilai piksel 0 dan 1. Dalam menghitung nilai LT, dilakukan sebanyak 4 kali pula dengan arah pembacaan matriks citra yang berbeda, kiri-ke-kanan dengan menggunakan persamaan2.3, kanan-ke-kiri dengan persamaan 2.5, atas-ke-bawah dengan persamaan 2.4 dan bawah-ke-atas dengan menggunakan persamaan 2.6.

4.2 Hasil dan Analisis Hasil

  Dalam peneliian yang telah dilakukan, data yang digunakan merupakan 20 jenis huruf aksara Lampung yang didapat dari tulisan tangan 10 orang berbeda. Setelah didapat model jaringan yang terbaik, maka model jaringan tersebut akan digunakan untuk melakukan pengujian data tunggal untuk menunjukkanhasil dari pengenalan yang dilakukan.

4.2.1 Pengujian Variasi Arsitektur Jaringan

  24 Grafik akurasi dengan menggunakan kombinasi hidden layer 1 66.25 30 67.5 40 35 70 40 40 40 68.75 45 72.5 40 50 77.5 40 55 40 25 dengan neuron sebanyak 40 dan variasi jumlah neuron pada hidden layer 2 pada percobaan normalisasi z-score. 12 Tabel akurasi percobaan tanpa menggunakan penipisan dan normalisasiJumlah Neuron Akurasi Hidden Layer 1 20 Percobaan dengan melakukan variasi preprocessing (menggunakan penipisan atau tidak), jumlahhidden layerpada arsitektur jaringan syaraf tiruan, jumlah neuron pada masing-masinghidden layerserta variasi metodetrainingakan sangat mempengaruhi akurasi yang dicapai dalam alat uji yang telah dibuat.

4.2.2 Implementasi User Interface

  Berikut ini tampilan antarmuka untuk ekstraksi ciri dan pelatihan data dengan menggunakan jaringan syaraf tiruan. 30 Tampilan menu ekstraksi ciri dan pelatihan keseluruhan data aksaraSetelah melakukan pelatihan data, maka didapatkan arsitektur jaringan syaraf tiruan yang digunakan untuk melakukan uji data tunggal.

4.2.3 Pengujian Data Tunggal

  YA YA BENAR Setelah melakukan percobaan dengan variasi jumlah neuron pada masing-hidden layermasing , normalisasi dan metode trainingnya, dapat dilihat perubahanhiddenakurasinya, dimana akurasi tertinggi adalah 92,5% dengan menggunakan 1layer, metode pelatihan trainlm dan jumlah neuron sebanyak 40 dan dilakukan min-maxnormalisasi menggunaksi dan tanpa dilakukan penipisan. Dari hasil tersebut maka digunakan arsitektur jaringan yang menghasilkan akurasi tertinggi dibandingkan dengan yang lain untuk melakukan ujidata tunggal yang hasilnya ditunjukkan pada tabel 4.3.

BAB V PENUTUP

  Akurasi tertinggi dalam proses pengenalan aksara Lampung sebesar92,5% dengan menggunakan 1 hidden layer dengan jumlah neuronthinningsebanyak 40 dengan tanpa proses penipisan ( ) dengan trainlm.menggunakan fungsi pelatihan 2. Model jaringan syaraf tiruan yang dihasilkan sudah mampu mengenali pola aksara Lampung dengan baik karena setelah dilakukan uji datatunggal diluar data yang digunakan dalam proses pelatihan, sistem mampu mengenalinya sesuai dengan target aslinya.

DAFTAR PUSTAKA

  Diakses dari :informatika.stei.itb.ac.id pada 19 September 2016 . Jaringan Syaraf Tiruan dan Pemrogramannya menggunakan MATLAB.

Dokumen baru

Dokumen yang terkait

Penyelesaian sistem persamaan nonlinier dengan metode jaringan Syarif tiruan hopfield
0
7
74
Analisis pernbandingan pengenalan tanda tangan dengan menggunakan metode perceptron dan backpropagation
1
11
181
Kajian teoritis algoritma backpropagation pada jaringan saraf buatan lapisan banyak
0
6
106
Pengelompokkan citra warna menggunakan jaringan syaraf tiruan dengan software matlab
1
11
21
Implementasi jaringan syaraf tiruan metode feed forward untuk memprediksi cara bermain player dan mengoptimalkan nilai kartu tertinggi dalam game poker
1
10
88
Pengenalan suara menggunakan jaringan syaraf tiruan
1
10
25
Pembangunan sistem pendeteksi penyalahgunaan narkoba menggunakan algoritma jaringan syaraf tiruan metode backpropagation
4
27
132
Implementasi jaringan syaraf tiruan feedforward dan feature detection untuk verifikasi tanda tangan
1
20
59
Pengelompokkan citra warna menggunakan jaringan syaraf tiruan dengan software matlab
1
5
21
Identifikasi pola warna citra google maps menggunakan jaringan syaraf tiruan metode levenberg-marquardt dengna matlba versi 7.8
1
16
42
Perbandingan kinerja operasional perusahaan yang menggunakan jaringan LAN dengan yang tidak menggunakan jaringan LAN : laporan kerja praktek lapangan pada PD. Makmur Jaya
0
2
64
Penerapan jaringan syaraf tiruan untuk mendeteksi dan mengenali pola bentuk pada permukaan batuan
3
18
72
Pengenalan Wajah dengan Pose Unik menggunakan Metode Learning Vector Quantization
0
0
8
1 BAB I PENDAHULUAN 1.1 Latar Belakang - Penerapan model garch dan jaringan saraf tiruan backpropagation dalam peramalan IHSG (Indeks Harga Saham Gabungan)
0
1
36
Kualitas hidup manula yang menggunakan gigi tiruan lengkap berdasarkan OHIP
1
1
6
Show more