PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI · built, applying artificial neural network for modeling its system and modified direction feature as a method of extraction character. The

i

PENGENALAN AKSARA LAMPUNG MENGGUNAKAN JARINGAN

SYARAF TIRUAN BACKPROPAGATION DENGAN MODIFIED

DIRECTION FEATURE EXTRACTION

SKRIPSI

Diajukan Untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana

Komputer Program Studi Teknik Informatika

Oleh:

Ronny Gunadi

135314008

PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

YOGYAKARTA

2017

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

ii

PATTERN RECOGNITION OF LAMPUNG CHARACTER USING

ARTIFICIAL NEURAL NETWORK BACK PROPAGATION WITH

MODIFIED DIRECTION FEATURE

A THESIS

Presented as Partial Fulfillment of Requirements to Obtain Sarjana Komputer

Degree in Informatics Engineering Department

By :

Ronny Gunadi

135314008

INFORMATICS ENGINEERING STUDY PROGRAM

INFORMATICS ENGINEERING DEPARTMENT

FACULTY OF SCIENCE AND TECHNOLOGY

SANATA DHARMA UNIVERSITY

YOGYAKARTA

2017


iii


iv


v

MOTTO

“We do not need magic to change the world. We carry all the power we need inside

ourselves already. We have the power to imagine better” – J.K Rowling


vi


vii


viii

ABSTRAK

Perkembangan teknologi saat ini semakin pesat yang dampaknya memudahkan

kehidupan masyarakat luas di berbagai macam bidang, termasuk bidang pendidikan

dan pelestarian budaya. Salah satunya untuk pengembangan aksara daerah yang

merupakan salah satu budaya lokal yang harus dipertahankan nilainya. Contoh

perkembangan teknologi yang ada saat ini adalah memungkinkannya suatu sistem yang

mampu belajar sendiri, seperti layaknya manusia. Teknologi ini dinamakan dengan

jaringan syaraf tiruan. Salah satu contoh terapannya adalah dengan adanya suatu sistem

yang mampu mengenali suatu pola secara otomatis yang kemudian memberikan

informasi terkait dengan pola yang dikenali oleh sistem.

Dalam penelitian ini nantinya akan dihasilkan sistem yang mampu mengenali

secara otomatis aksara Lampung yang kemudian diterjemahkan menjadi huruf pada

umumnya. Sistem yang akan dibangun ini menerapkan jaringan syaraf tiruan untuk

pemodelan sistemnya dan modified direction feature sebagai metode ekstraksi cirinya.

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 Kunci : Pengenalan Pola, Modified Direction Feature, Jaringan Syaraf

Tiruan Backpropagation


ix

ABSTRACT

Nowadays, the fast growing of technology development facilitates the society’s

life in various aspects such as education and cultural preservation. The effect is

important in order to develop the regional script that is one of the local cultures that

must be maintained its value. Today, the example of the development of technology

makes a possibility of a system that can learn by itself as a human. This technology is

called artificial neural network. The application example of this technology is the

existence of a system that is able to recognize a pattern automatically then provides

information related to the patterns recognized by the system.

The result of this research is a system that is able to recognize automatically

Lampung script then it is translated into a letter in general. The system that will be

built, applying artificial neural network for modeling its system and modified direction

feature as a method of extraction character.

The experiment of recognition process with an artificial neural network of back

propagation by optimizing the network architecture yielded 92.5% accuracy. It uses 1

hidden layer with the neurons number in the existing layer 1 is 40 neurons.

Keywords : Pattern Recognition, Modified Direction Feature, artificial neural

network of back propagation


x

KATA PENGANTAR

Puji dan syukur penulis panjatkan kepada Tuhan Yesus Kristus atas rahmat dan

karunia-Nya sehingga penulis dapat menyelesaikan tugas akhir ini dengan baik.

Penulis menyadari bahwa dalam penyusunan tugas akhir ini penulis

mendapatkan banyak dukungan dari berbagai pihak, mulai dari kritik, saran, serta doa

yang penulis sangat butuhkan demi lancarnya pengerjaan tugas akhir ini dan

mendapatkan hasil yang baik. Pada kesempatan ini penulis akan menyampaikan

ucapan terima kasih kepada :

1. Tuhan Yesus Kristus yang senantiasa melimpahkan rahmat dan karunia-

Nya dalam pengerjaan tugas akhir ini.

2. Sudi Mungkasi, S.Si., M.Math.Sc., Ph.D. selaku Dekan Fakultas Sains dan

Teknologi Universitas Sanata Dharma Yogyakarta.

3. Dr. Cyprianus Kuntoro Adi, SJ., M.A., M.Sc. selaku dosen pembimbing

tugas akhir yang telah dengan sabar dan penuh perhatian membimbing

penulis dalam pengerjaan tugas akhir ini.

4. Dr. Anastasia Rita Widiarti M.Kom selaku Ketua Program Studi Teknik

Informatika Universitas Sanata Dharma yang selalu memberikan dukungan

dan perhatian serta saran kepada mahasiswa tingkat akhir dalam pengerjaan

tugas akhir.

5. Puspaningtyas Sanjoyo Adi, S.T., M.T., selaku dosen pembimbing

akademik yang selalu memberikan bimbingan, waktu, dan saran kepada

penulis.

6. Kedua orang tua tercinta Bapak Salim Gunadi dan Ibu Rohani yang selalu

mendoakan, memotivasi dan memberikan dukungan moral maupun materi

kepada penulis sehingga tugas akhir ini dapat terselesaikan.

7. Seluruh dosen Teknik Informatika atas ilmu yang telah diberikan selama

perkuliahan dan pengalaman-pengalaman yang berarti bagi penulis.


xi


xii

DAFTAR ISI

HALAMAN COVER ............................................................................................................... i

TITLE PAGE .......................................................................................................................... ii

HALAMAN PERSETUJUAN PEMBIMBING .................................................................. iii

HALAMAN PENGESAHAN ................................................ Error! Bookmark not defined.

MOTTO ................................................................................................................................... v

PERNYATAAN KEASLIAN KARYA ................................ Error! Bookmark not defined.

LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK

KEPENTINGAN AKADEMIS ............................................. Error! Bookmark not defined.

ABSTRAK ............................................................................................................................ viii

ABSTRACT ............................................................................................................................ ix

KATA PENGANTAR ............................................................................................................. x

DAFTAR ISI ......................................................................................................................... xii

DAFTAR GAMBAR ............................................................................................................. xv

DAFTAR TABEL .............................................................................................................. xviii

BAB I PENDAHULUAN ........................................................................................................ 1

1.1 Latar Belakang ................................................................................................................ 1

1.2 Rumusan Masalah ........................................................................................................... 2

1.3 Tujuan Penelitian ............................................................................................................ 3

1.4 Luaran ............................................................................................................................. 3

1.5 Manfaat Penelitian .......................................................................................................... 3

1.6 Batasan Masalah ............................................................................................................. 3

1.7 Sistematika Penulisan ..................................................................................................... 4

BAB II LANDASAN TEORI ................................................................................................. 5

2.1 Citra ................................................................................................................................ 5

2.1.1 Citra Biner ................................................................................................................ 5

2.1.2 Citra Skala Keabuan ................................................................................................ 6

2.1.3 Citra RGB ................................................................................................................ 7

2.2 Aksara Lampung ............................................................................................................. 8


xiii

2.2.1 Huruf Pokok dari Aksara Lampung ......................................................................... 9

2.2.2 Anak huruf dari aksara Lampung ............................................................................ 9

2.3 Pengenalan Pola ............................................................................................................ 10

2.4 Pemotongan / Cropping ................................................................................................ 11

2.5 Resizing ........................................................................................................................ 11

2.6 Penipisan ....................................................................................................................... 11

2.4.1 Algoritma Rosenfeld .............................................................................................. 13

2.7 Ekstraksi Ciri ................................................................................................................ 16

2.5.1 Modified Direction Feature (MDF) ....................................................................... 16

2.5.1.1 Diretion Feature (DF) ........................................................................................ 16

2.5.1.2 Transition Feature (TF) ...................................................................................... 17

2.5.1.3 Menentukan nilai Modified Direction Feature ................................................... 17

2.8 Normalisasi ................................................................................................................... 21

2.8.2 Normalisasi Z-score ............................................................................................... 22

2.8.3 Normalisasi Minmax .............................................................................................. 22

2.9 Jaringan Syaraf Tiruan .................................................................................................. 22

2.7.1 Arsitektur Jaringan ................................................................................................. 23

2.7.2 Backpropagation .................................................................................................... 24

2.8 Mempercepat Pelatihan Backpropagation .................................................................... 29

2.9 Confusion Matrix .......................................................................................................... 35

BAB III METODOLOGI PENELITIAN ........................................................................... 37

3.1 Tahapan Penelitian ........................................................................................................ 37

3.1.1 Studi Pustaka .......................................................................................................... 37

3.1.2 Pengumpulan Data ................................................................................................. 37

3.1.3 Pembuatan Alat Uji ................................................................................................ 37

3.1.4 Pengujian ............................................................................................................... 38

3.2 Skenario Sistem ............................................................................................................ 38

3.2.1 Gambaran Umum Sistem ....................................................................................... 38

3.3 Desain Alat Uji ............................................................................................................. 49

3.3.1 Form Menu Utama ................................................................................................. 49

3.3.2 Form Menu Data Training dan Ekstraksi Ciri ....................................................... 50

3.3.3 Form Menu Identifikasi Aksara ............................................................................. 51


xiv

3.4 Kebutuhan Sistem ......................................................................................................... 51

BAB IV IMPLEMENTASI DAN ANALISIS HASIL ....................................................... 53

4.1 Implementasi Sistem ..................................................................................................... 53

4.2 Hasil dan Analisis Hasil ................................................................................................ 61

4.2.1 Pengujian Variasi Arsitektur Jaringan ................................................................... 61

4.2.2 Implementasi User Interface .................................................................................. 80

4.2.3 Pengujian Data Tunggal ......................................................................................... 81

BAB V PENUTUP ................................................................................................................ 84

5.1 Kesimpulan ................................................................................................................... 84

5.2 Saran ............................................................................................................................. 84

DAFTAR PUSTAKA ............................................................................................................ 85

LAMPIRAN .......................................................................................................................... 87


xv

DAFTAR GAMBAR

Gambar 2.1 Citra biner ............................................................................................................ 6

Gambar 2.2 Citra grayscale ..................................................................................................... 7

Gambar 2.3 Citra RGB ............................................................................................................ 7

Gambar 2.4 menunjukkan huruf pokok aksara Lampung (Iskar,2012) ................................... 9

Gambar 2.5 Perubahan citra setelah dilakukan penipisan ..................................................... 12

Gambar 2.6 Contoh piksel (P1) dengan 8 tetangga (8-adjacency) ........................................ 13

Gambar 2.7 Contoh piksel P1 sebagai titik batas utara ......................................................... 13

Gambar 2. 8 Contoh piksel P1 sebagai titik batas timur ....................................................... 13

Gambar 2.9 Contoh piksel P1 sebagai titik batas barat ......................................................... 13

Gambar 2.10 Contoh piksel P1 sebagai titik batas selatan .................................................... 14

Gambar 2.11 Dua contoh dimana P1 adalah 4-endpoint ....................................................... 14

Gambar 12 Dua contoh dimana P1 adalah sebuah 8-endpoint .............................................. 14

Gambar 13 Dua contoh dimana P1 adalah 4-titik terisolasi .................................................. 14

Gambar 2.14 Contoh piksel P1 adalah sebuah 8-titik terisolasi ........................................... 15

Gambar 2.15 Dua contoh dimana P1 bukanlah 4-simple point ............................................. 15

Gambar 2.16 Dua contoh dimana P1 bukan merupakan 8-simple point ............................... 15

Gambar 2.17 Contoh hasil perhitungan DT dan LT (Bluemenstein,2007) ........................... 18

Gambar 2.18 menunjukkan hasil perhitungan MDF setelah di-re-sampled matriks

(Bluemenstein,2007) ............................................................................................................... 21

Gambar 2.19 menunjukkan arsitektur jaringan single layer (Siang,2005). ........................... 23

Gambar 2.20 menunjukkan arsitektur jaringan multi layer (Siang, 2005) ............................ 24

Gambar 2.21 Ilustrasi Arsitektur Jaringan Backpropagation (Siang,2005) ........................... 25

Gambar 2.22 Efek Penghalusan Momentum (Hagan & Demuth, 1996). .............................. 30

Gambar 2.23 Lintasan dengan momentum (Hagan & Demuth, 1996). ................................. 31

Gambar 2.24 Lintasan Variable Learning Rate (Hagan & Demuth, 1996). .......................... 33

Gambar 3.1 Diagram blok sistem .......................................................................................... 38

Gambar 3.2 Diagram blok preprocessing .............................................................................. 40

Gambar 3.3 Contoh hasil ekstraksi ciri MDF ........................................................................ 42

Gambar 3.4 Hasil ekstraksi ciri awal..................................................................................... 42

Gambar 3.5 Hasil mean dan standar deviasi ......................................................................... 43

Gambar 3.6 Hasil setelah dinormalisasi z-score ................................................................... 43

Gambar 3.7 Nilai minimum dan maksimum data ................................................................. 43

Gambar 3 8 Hasil setelah dinormalisasi min-max ................................................................. 44

Gambar 3.9 Arsitektur jaringan 1 hidden layer ..................................................................... 45

Gambar 3.10 Arsitektur jaringan dengan 2 hidden layer ...................................................... 47

Gambar 3.11 Arsitektur jaringan dengan 2 hidden layer ...................................................... 47


xvi

Gambar 3.12 Tampilan menu utama ..................................................................................... 50

Gambar 3.13 Tampilan menu pelatihan data dan ekstraksi ciri ............................................ 50

Gambar 3.14 Tampilan menu identifikasi aksara Lampung ................................................. 51

Gambar 4.1 Data awal aksara Lampung ............................................................................... 53

Gambar 4.2 Citra aksara Lampung hasil cropping ................................................................ 54

Gambar 4.3 Perubahan Citra RGB (a) menjadi citra grayscale (b) ....................................... 54

Gambar 4.4 Citra biner aksara Lampung .............................................................................. 55

Gambar 4.5 Citra aksara Lampung hasil penipisan ............................................................... 55

Gambar 4.6 Hasil data ciri diganti nilai arah dan telah dinormalisasi ................................... 56

Gambar 4.7 Hasil data setelah dibagi 10 ............................................................................... 57

Gambar 4.8 Hasil nilai LT (Local Transition) ...................................................................... 57

Gambar 4. 9 Hasil re-sampled matriks ciri ............................................................................ 58

Gambar 4. 10 Hasil ciri akhir 1 data citra ............................................................................. 58

Gambar 4. 11 Hasil ekstraksi ciri semua data ....................................................................... 59

Gambar 4. 12 Implementasi mencari nilai maksimum dan minimum .................................. 59

Gambar 4. 13 Implementasi persamaan 2.11 ........................................................................ 59

Gambar 4. 14 Data hasil normalisasi min-max ..................................................................... 60

Gambar 4. 15 Implementasi mencari nilai standar deviasi dan rata-rata............................... 60

Gambar 4. 16 Implementasi mencari nilai modus ................................................................. 60

Gambar 4. 17 Implementasi persamaan 2.10 ........................................................................ 60

Gambar 4. 18 Data hasil normalisasi z-score ........................................................................ 61

Gambar 4. 19 Grafik menunjukkan pencapaian akurasi dengan menggunakan variasi jumlah

neuron pada hidden layer dan metode training dengan menggunakan normalisasi min-max. 62

Gambar 4. 20 Grafik akurasi dengan menggunakan kombinasi hidden layer 1 dengan neuron

sebanyak 40 dan variasi jumlah neuron pada hidden layer 2. ................................................. 64


neuron pada hidden layer dan metode training dengan menggunakan normalisasi min-max. 65




neuron pada hidden layer dan metode training dengan menggunakan normalisasi z-score dan

dengan menggunakan thinning. .............................................................................................. 68


sebanyak 40 dan variasi jumlah neuron pada hidden layer 2 pada percobaan normalisasi z-

score. ....................................................................................................................................... 70


neuron pada hidden layer dan metode training dengan menggunakan normalisasi z-score dan

dengan tanpa menggunakan thinning. ..................................................................................... 71


xvii


sebanyak 40 dan variasi jumlah neuron pada hidden layer 2 pada percobaan normalisasi z-

score. ....................................................................................................................................... 73


neuron pada hidden layer dan metode training tanpa menggunakan normalisasi. .................. 74




neuron pada hidden layer dan metode training tanpa menggunakan normalisasi. .................. 77

Gambar 4. 30 Tampilan menu ekstraksi ciri dan pelatihan keseluruhan data aksara ............ 80

Gambar 4. 31 Tampilan menu pengujian data tunggal.......................................................... 81

Gambar 4. 32 Huruf 'PA' (b) dan 'BA'(a) .............................................................................. 83


xviii

DAFTAR TABEL

Tabel 2 1 Daftar anak huruf yang terletak di atas huruf pokok .................................... 9

Tabel 2.2 Daftar anak huruf yang terletak di bawah huruf pokok ............................. 10

Tabel 2 3 Daftar anak huruf yang terletak di samping huruf pokok .......................... 10

Tabel 2.4 Nilai arah suatu segmen garis .................................................................... 17

Tabel 2.5 Tabel confusion matrix .............................................................................. 36

Tabel 3.1 Target luaran masing-masing aksara .......................................................... 46

Tabel 3.2 Contoh confusion matrix ............................................................................ 49

Tabel 4. 1 Tabel akurasi 1 ...................................................................................................... 63









Tabel 4. 10 Tabel akurasi 10 .................................................................................................. 76

Tabel 4. 11 Tabel akurasi 11 .................................................................................................. 78

Tabel 4. 12 Tabel akurasi percobaan tanpa menggunakan penipisan dan normalisasi .......... 79


1

BAB I

PENDAHULUAN

1.1 Latar Belakang

Aksara daerah merupakan satu dari begitu banyak warisan budaya masing-

masing daerah yang ada di dunia, tak terkecuali dari negara kita Indonesia. Dengan

begitu banyak budaya yang ada dan tersebar di seluruh penjuru Nusantara, banyak

diantaranya yang kurang dilestarikan. Hal ini tidak lepas dari budaya modern dan luar

daerah atau bahkan luar negeri yang masuk ke daerah-daerah di Indonesia. Salah

satunya warisan budaya berupa tulisan yang biasa disebut aksara, aksara Lampung

salah satunya. Untuk pelestariannya sendiri, pemerintah daerah Lampung sendiri

mengaturnya dalam Perda 2 Tahun 2008 tentang pemeliharaan kebudayaan Lampung

pada Bab IV Pasal 6 ayat 2 poin e, dimana pemerintah daerah dan masyarakat turut

serta dalam pelestarian budaya Lampung, dalam hal ini banyak sekolah-sekolah yang

menambahkan muatan lokal berupa mata pelajaran Bahasa Lampung sebagai salah

satu tindakan nyata. Berdasarkan peraturan yang ada, aksara Lampung sendiri terdiri

dari 20 kata ejaan ditambah dengan 12 anak huruf untuk mengubah vokal dari 20 ejaan

yang ada. Awalnya, aksara Lampung ditulis di kulit kayu, bilah bambu, daun lontar

ataupun batu, untuk menjaga aksara Lampung ini agar tetap ada, dilakukan begitu

banyak proses dokumentasi, mulai dari difoto hingga penyalinan ulang ke media tulis

yang lebih baik, sehingga dengan seiring berjalannya waktu, naskah-naskah yang

bertuliskan aksara Lampung ini tidak hilang atau musnah.

Seiring perkembangan teknologi, dapat dilakukan proses digitalisasi untuk

citra/foto dari naskah berisi aksara Lampung untuk mengubah citra aksara menjadi

suatu karakter non-citra. Dalam prosesnya, dibutuhkan banyak langkah-langkah

sehingga proses digitalisasi yang berlangsung pun cukup banyak, mulai dari proses

pengumpulan data, pemilihan data, preprocessing data, hingga hasil akhirnya berupa

knowledge representation. Pada tahun 2015, telah dilakukan penelitian dengan judul


2

“Pengenalan Aksara Lampung menggunakan Jaringan Syaraf Tiruan (Munir, M.T dan

Adhika Aryantio, 2015), dimana dalam penelitiannya dibangun suatu sistem yang

mampu mengenali aksara Lampung. Hasil dari penelitian tersebut didapat akurasi

sebesar 90,8 % dengan menggunakan Jaringan Syaraf Tiruan Backpropagationdan

dengan menggunakan teknik zoning sebagai ekstraksi cirinya. Berbagai macam

ekstraksi ciri dapat dilakukan sebagai salah satu faktor terpenting dalam proses

pengenalan suatu citra, salah satunya teknik Modified Direction Feature. Terkait

dengan ekstraksi ciri Modified Direction Feature, terdapat beberapa penelitian yang

telah dilakukan sebelumnya, salah satunya dalam penelitian yang berjudul “A Modified

Direction Feature for Cursive Character Recognition” (Blumenstein, M dkk, 2004).

Dalam penelitian tersebut metode Modified Direction Feature digunakan untuk

mengekstraksi ciri suatu karakter huruf dan menghasilkan akurasi sebesar 84,52 % .

Maka dari itu, penulis ingin menguji apakah jaringan syaraf tiruan

Backpropagationdan menggunakan Modified Direction Feature Extraction sebagai

metode yang akan digunakan untuk melakukan ekstraksi ciri mampu mengidentifikasi

aksara Lampung dapat berjalan dengan baik.

1.2 Rumusan Masalah

Ada beberapa hal yang harus diperhatikan berkaitan dengan proses pengenalan

aksara lampung, mulai dari proses awal hingga akhir. Hal tersebut dapat dirumuskan

menjadi beberapa rumusan masalah, yaitu :

1. Apakah jaringan syaraf tiruan Backpropagation dan Modified Direction

Feature mampu mengidentifikasi aksara Lampung dengan baik ?

Dalam hal ini suatu sistem yang dibangun dikatakan baik apabila mampu

menghasilkan akurasi diatas 75%, oleh karena itu perlu diketahui berapa nilai akurasi

yang akan dihasilkan ketika dilakukan proses pengenalan aksara Lampung dengan

menggunakan Jaringan Syaraf Tiruan Backpropagation dan Modified Direction

Feature.


3

1.3 Tujuan Penelitian

Untuk menjawab rumusan masalah yang ada, maka tujuan dari penelitian ini

adalah untuk mengetahui berapa akurasi yang dihasilkan dari Jaringan Syaraf Tiruan

Backpropagation dan Modified Direction Feature dalam mengidentifikasi aksara

Lampung.

1.4 Luaran

Luaran dari sistem yang akan dibangun ini adalah suatu sistem perangkat lunak

yang mampu mengidentifikasi aksara Lampung dengan baik dan memiliki akurasi

yang tinggi.

1.5 Manfaat Penelitian

Manfaat dari penelitian ini nantinya dapat digunakan oleh masyarakat luas,

terutama tenaga pendidik dan siswa yang mempelajari Bahasa Lampung sebagai media

pembantu pembelajaran aksara Lampung sehingga dapat memudahkan pembacaannya.

1.6 Batasan Masalah

Diperlukan arahan serta fokus dalam beberapa hal yg terkait dengan penelitian

ini, berikut batasan-batasan masalahnya :

1. Aksara Lampung yang digunakan adalah hasil dari penyempurnaan aksara

Lampung kuno yang banyak digunakan di sekolah-sekolah.

2. Aksara Lampung yang digunakan memiliki 20 jenis aksara yang dianggap

sebagai huruf induk dan tanpa ada tambahan anak huruf yaitu ka, ga, nga, pa,

ba, ma, ta, da, na, ca, ja, nya, ya, a, la, ra, sa, wa, ha, gha.

3. Input adalah berupa citra dengan ekstensi file *.jpeg atau *.png.

4. Citra Aksara Lampung yang digunakan adalah hasil dari scan dari huruf cetak.


4

1.7 Sistematika Penulisan

BAB I : PENDAHULUAN

Bab ini berisi latar belakang masalah, rumusan masalah, tujuan, manfaat,

batasan masalah, metodologi penulisan serta sistematika penulisan.

BAB II : LANDASAN TEORI

Bab ini berisi tentang teori-teori yang berkaitan dengan penelitian yang

dilakukan, yang meliputi objek dan metode yang digunakan, yaitu aksara Lampung dan

teori Jaringan Syaraf Tiruan Backpropagation untuk data berupa citra.

BAB III : METODE PENELITIAN

Bab ini berisi gambaran umum metode yang digunakan untuk sistem yang

akan dibangun, komponen-komponen yang nantinya dibutuhkan dalam penelitian dan

perancangan sistem secara lengkap.

BAB IV : IMPLEMENTASI DAN ANALISIS HASIL

Bab ini membahas analisa hasil perancangan sistem dan pengujian sistem

pengenalan aksara Lampung.

BAB V : PENUTUP

Bab ini berisi kesimpulan dari hasil analisa dan saran untuk pengembangan

sistem lebih lanjut.


5

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

Citra merupakan suatu kumpulan titik yang dinamakan piksel (pixel atau

“picture element) (Kadir, 2013). 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 diperoleh

dibandingkan dengan melalui kata-kata. Informasi dari suatu citra dapat diketahui

dengan proses pengambilan suatu citra digital. Citra sendiri terbagi menjadi 2 tipe jenis

citra, yaitu citra diam dan citra bergerak. Citra diam merupakan suatu citra yang tidak

ada unsur pergerakan di dalamnya, contohnya seperti foto, sedangkan citra bergerak

merupakan serangkaian citra diam yang digerakkan dalam suatu satuan waktu (fps atau

frame per second) sehingga menghasilkan suatu pergerakkan.

2.1.1 Citra Biner

Citra biner adalah citra digital yang hanya memiliki dua kemungkinan nilai

pixel yaitu hitam dan putih, sehingga hanya dibutuhkan nilai 1 bit untuk

merepresentasikan nilai setiap piksel dari citra biner. Nilai hitam dan putih ini

direpresentasikan dengan nilai 0 untuk piksel berwarna hitam dan 1 untuk piksel

berwarna putih. Citra biner biasanya dimanfaatkan untuk pembuatan barcode.


6

Citra biner didapatkan dengan menentukan suatu ambang batas (threshold)

pada suatu pemrosesan citra. Misalkan ditetapkan nilai ambang sebesar 128, maka

untuk 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

Citra skala keabuan / grayscale merupakan citra digital yang membutuhkan

nilai kedalaman warna 8-bit, dimana nilainya bervariasi dari 0-255. Nilai kernel pada

tiap piksel hanya terdiri dari satu dimensi nilai warna intensitas pikselnya, sehingga

tidak ada pembagian nilai masing-masing dimensi seperti pada citra warna RGB (Red,

Green, Blue). Untuk melakukan konversi dari citra RGB menjadi grayscale yaitu

dengan mengambil nilai rata-rata dari nilai R (Red), G (Green) dan B (Blue) sehingga

dapat dirumuskan sebagai berikut

𝑋 = 𝑅+𝐺+𝐵

3 (2.1)

dimana X merupakan citra baru dengan skala warna keabuan (grayscale).

Gambar 2.1 Citra biner


7

2.1.3 Citra RGB

Citra RGB merupakan fewsaqaqz citra digital yang sering kita temui dalam

kehidupan sehari-hari. Citra RGB memiliki 3 lapis warna., yaitu Red, Green dan Blue

yang kemudian digabungkan sehingga terjadi perpaduan warna antara ketiganya yang

menghasilkan warna lainnya. Untuk citra warna, nilai kedalaman warnanya dapat

mencapai 224 atau mencapai 16.777.216.

Gambar 2.2 Citra grayscale

Gambar 2.3 Citra RGB


8

2.2 Aksara Lampung

Aksara Lampung merupakan suatu representasi budaya lokal berupa tulisan-

tulisan yang dibaca dalam bahasa daerah Lampung. Bahasa daerah Lampung terbagi

kedalam 2 dialek, yaitu : dialek A (Api) dan dialek O (Nyow)(Iskar, 2012). Bahasa

Lampung tidak mempunyai tingkatan perbedaan dalam pemakaian bahasa, tetapi hanya

cukup mengganti kata ganti orang (subjek) dalam pembicaraan antar sesama, yaitu

antar orang muda, antar orang muda dengan orang tua atau antara sesama orang tua.

Aksara Lampung tidak jauh berbeda dengan aksara-aksara daerah diluar Jawa. Para

ahli berpendapat bahwa aksara ini berasal dari perkembangan aksara Devanagari yang

lengkapnya disebut Dewdatt Deva Nagari dari India yang dianggap suci. Hingga saat

ini aksara tersebut masih digunakan di India. Meskipun demikian, aksara Lampung

sebenarnya sudah ada sejak sebelum pengaruh India memasuki Lampung. Pengaruh

budaya India memberikan ‘local genius’ pada aksara Lampung. Jadi, sebenarnya aksara

Lampung ini (dan juga aksara-aksara lain di Indonesia) merupakan aksara orisinil

Nusantara. (James Collins, Bahasa Melayu dan Bahasa Sansekerta). Aksara Lampung

kini telah mengalami perkembangan dan penyempurnaan dari aksara Lampung kuno

yang jauh lebih kompleks. Aksara Lampung kuno dapat dilihat pada tulisan-tulisan

piagam lama yang terbuat dari kulit kayu atau tertulis di atas tanduk. Hal ini dapat

dilihat pada kitab yang terdapat di bekas Keratuan Darah Putih bertahun 1270 H, yang

ditulis dalam aksara Lampung kuno dan Arab Melayu, dengan memakan bahasa Jawa

Banten. Sementara aksara Lampung yang lebih baru adalah aksara yang sekarang

masih dipakai di kalangan masyarakat Lampung, terutama di kalangan orang tua.

Aksara baru ini mulai dibakukan oleh para dewan adat di Lampung pada 23 Februaru

1985. Aksara Lampung sendiri terdiri dari 20 huruf pokok dan 12 anak huruf.


9

2.2.1 Huruf Pokok dari Aksara Lampung

2.2.2 Anak huruf dari aksara Lampung

1. Terletak di atas huruf

Tabel 2 1 Daftar anak huruf yang terletak di atas huruf pokok

Nama Bunyi Aksara

Datas An

Ulan I

Ulan E

Bicek E

Tekelubang Ang

Gambar 2.4 menunjukkan huruf pokok aksara Lampung

(Iskar,2012)


10

Rejunjung R

2. Terletak di bawah huruf

Tabel 2.2 Daftar anak huruf yang terletak di bawah huruf pokok

Nama Bunyi Aksara

Tekelungau Au

Bitan U

Bitan O

3. Terletak di samping huruf

Tabel 2 3 Daftar anak huruf yang terletak di samping huruf pokok

Nama Bunyi Aksara

Tekelingai Ai

Keleniah Ah

Nengen Mati

2.3 Pengenalan Pola

Pengenalan pola merupakan suatu ilmu untuk mengklasifikasikan atau

menggambarkan sesuatu berdasarkan pengukuran kuantitatif fitur (ciri) atau sifat dari

suatu obyek. Pola sendiri adalah suatu entitas yang terdefinisi dan dapat


11

diidentifikasiserta diberi nama. Pola bisa merupakan kumpulan hasil atau pemantauan

dan bisa dinyatakan dalam notasi vektor atau matriks (Putra, 2010).

Pengenalan pola pada dasarnya terdiri dari 3 langkah utama, yaitu

preprocessing, ekstraksi ciri dan pengenalan. Preprocessing merupakan langkah awal

dimana dilakukan dari keseluruhan data obyek yang ada agar dapat menghasilkan ciri

yang lebih baik pada tahap berikutnya. Pada tahap ini informasi yang dianggap penting

akan lebih ditonjolkan. Tahap selanjutnya adalah ekstraksi ciri, tahap ini berfungsi

untuk menemukan karakteristik pembeda yang mewakili sifat utama suatu data obyek,

sekaligus mengurangi jumlah data tersebut menjadi lebih sedikit tetapi representatif.

Tahap akhir yaitu pengenalan, pada tahap ini data yang ada akan dikelompokkan

menjadi kelas yang sesuai (Putra, 2010).

2.4 Pemotongan / Cropping

Cropping merupakan proses pemotongan citra pada elemen-elemen tertentu

dari citra. Proses ini bertujuan untuk mengambil elemen-elemen yang diinginkan dari

citra digital. Hasil pemotongan tersebut akan menjadi citra yang akan digunakan

dalam proses selanjutnya.

2.5 Resizing

Resizing merupakan proses perubahan ukuran matriks suatu citra menjadi

ukuran matriks tertentu.

2.6 Penipisan

Penipisan adalah suatu operasi preprocessing citra dimana nilai biner region /

daerah citra (daerah citra yang dianggap obyek) direduksi menjadi garis yang kira-kira

merupakan garis tengah, yang disebut rangka. Tujuan dari peniisan adalah mereduksi

komponen citra menjadi suatu informasi yang sifatnya esensial / mendasar sehingga

analisis lebih lanjut dan recognition (pengenalan) dapat dilakukan. Berikut contoh hasil

penipisan suatu citra.


12

Terdapat beberapa persyaratan penipisan yang dijelaskan oleh O’Gorman dan

Kasturi, yaitu :

1. Region citra yang terhubung harus ditipiskan menjadi struktur garis

yang terhubung juga. Hasil penipisan harsulah mempertahankan

connectivity-nya, ini adalah syarat mendasar dari penipisan. Hal ini

menjamin adanya jumlah yang sama antara connected line structures /

struktur garis terhubung yang telah ditipiskan, yaitu hasil penipisannya,

dengan connected region / daerah terhubung dari citra aslinya.

2. Hasil penipisan minimal harus 8-connected / 8-terhubung.

3. Perkiraan lokasi endline (titik yang berada diakhir garis) harus

dipertahankan.

4. Hasil penipisan harus mendekati garis tengah region.

5. Extraneous Spurs (cabang-cabang pendek yang tidak ada hubungannya)

yang dihasilkan dari proses penipisan harus diperkecil.

Selain kelima syarat yang dijelaskan O’Gorman dan Kasturi di atas, beberapa

literature sering menyebut satu syarat yaitu one-pixel thickness. Menurut Taussaint,

rangka dari suatu citra haruslah terdiri dari sebuah garis tipis. Hal ini dapat dicapai

dengan secara berturut-turut menghapus (mengubah dari hitam menjadi putih) piksel-

piksel yang berada pada batas dari citra sampai garis yang tersisa lebarnya satu titik

saja.

Gambar 2.5 Perubahan citra setelah dilakukan

penipisan


13

2.4.1 Algoritma Rosenfeld

Algoritma ini membuang berturut-turut dalam model parallel himpunan

bagian dari “batas” dari suatu piksel objek. Misalkan P1 adalah sebuah piksel obyek

yang merupakan 8-adjacency set seperti ditunjukan dalam gambar berikut

P1 merupakan titik perbatasan utara jika P2 = 0.

P1 merupakan titik perbatasan timur jika P4 = 0

P1 adalah titik perbatasan barat jika P8 = 0

P1 adalah titik perbatasan selatan jika P6 = 0

Gambar 2.6 Contoh piksel (P1) dengan 8 tetangga (8-adjacency)

Gambar 2.7 Contoh piksel P1 sebagai titik batas utara

Gambar 2. 8 Contoh piksel P1 sebagai titik batas timur

Gambar 2.9 Contoh piksel P1 sebagai titik batas barat


14

P1 adalah 4-titik endpoint dengan syarat bahwa tepat satu dari 4-tetangga adalah hitam

P1 adalah sebuah 8-titik endpoint dengan syarat tepat satu dari 8 tetangganya adalah

hitam

P1 adalah 4-titik terisolasi jika tidak ada satupun dari 4-tetangga adalah hitam.

P1 adalah sebuaah 8-titik terisolasi jika tidak ada satupun dari 8-tetangganya adalah

hitam.

Gambar 2.10 Contoh piksel P1 sebagai titik batas selatan

Gambar 2.11 Dua contoh dimana P1 adalah 4-endpoint

Gambar 2.12 Dua contoh dimana P1 adalah sebuah 8-endpoint

Gambar 2.13 Dua contoh dimana P1 adalah 4-titik terisolasi


15

Sebuah titik perbatasan P1 adalah 4-simple jika berubah dari hitam menjadi putih tidak

mengubah 4-connectivity dari sisa piksel hitam dalam tetangga dari P1.

Disini ada 2 contoh yang tidak 4-simple

Sebuah titik perbatasan P1 adalah sebuah 8-simple jika berubah dari hitam menjadi

putih tidak mengubah 8-connectivity dari sisa piksel hitam dalam tetangga P1. Berikut

adalah contoh yang tidak 8-simple:

Berikut algoritma Rosenfeld penggunaannya bergantung pada berapa a-ketetanggan

yang digunakan.

1. Lakukan langkah berikut selagi masih ada piksel yang akan dihapus (berubah

dari hitam menjadi putih) :

a. Ubah semua piksel hitam menjadi putih jika mereka merupakan border

utara dari titik yang a-simple tetepai tidak merupakan titik a-terisolasi atau

a-endpoint.

Gambar 2.14 Contoh piksel P1 adalah sebuah 8-titik

terisolasi

Gambar 2.15 Dua contoh dimana P1 bukanlah 4-simple point

Gambar 2.16 Dua contoh dimana P1 bukan merupakan 8-simple point


16

b. Ubah semua piksle hitam menjadi putih jika mereka merupakan border

selatan dari titik yang a-simple tetepai tidak merupakan titik a-terisolasi

atau a-endpoint

c. Ubah semua piksle hitam menjadi putih jika mereka merupakan border

timur dari titik yang a-simple tetepai tidak merupakan titik a-terisolasi atau

a-endpoint

d. Ubah semua piksle hitam menjadi putih jika mereka merupakan border

barat dari titik yang a-simple tetepai tidak merupakan titik a-terisolasi atau

a-endpoint.

Dengan cara ini maka didapat kerangka dari pola asli inputan. Sifat dari algoritma ini

adalah melindungi sifat ketetanggan dari pola input.

2.7 Ekstraksi Ciri

Proses ini merupakan salah satu tahapan paling penting dalam pengenalan

aksara Lampung. Dalam prosesnya, nantinya akan dihasilkan suatu informasi penting

yang dapat membedakan satu data dengan yang lainnya.

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 teknik

ekstraksi ciri lainnya, yaitu Direction Feature (DF) dan Transition Feature (TF)

(Bluemenstein, 2006).

2.5.1.1 Diretion Feature (DF)

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

menggunakan nilai label arah untuk tiap pikselnya. Arah suatu piksel dikategorikan

menjadi 4, yaitu vertikal, horizontal, diagonal kanan, dan diagonal kiri (Bluemenstein,

2004). Untuk masing-masing kategori arah diberi nilai dengan ketentuan sebagai

berikut :


17

Tabel 2.4 Nilai arah suatu segmen garis

Arah Nilai Bentuk

Vertikal 2

Diagonal kanan 3

Horizontal 4

Diagonal kiri 5

2.5.1.2 Transition Feature (TF)

Transition Feature (TF) merupakan teknik untuk menghitung nilai posisi dan

jumlah transisi pada arah horizontal dan vertikal. Transisi merupakan posisi dimana

terjadi perubahan dari piksel background menjadi foregroundnamun tidak sebaliknya.

Nilai TF didapat dari hasil pembagian antara posisi suatu transisi dengan panjang

ataupun lebar suatu citra. Nilai TF dihitung untuk semua 4 arah transisi, yaitu kiri ke

kanan, kanan ke kiri, atas ke bawah, dan bawah ke atas. Nilai TF berkisar antara 0-1

dan semakin menurun dari posisi transisi awal hingga posisi akhir transisinya.

2.5.1.3 Menentukan nilai Modified Direction Feature

Nilai MDF merupakan vektor ciri yang didapat setelah menghitung nilai DF

dan TF, serta menentukan jumlah transisi yang dipakai. Perbedaan utamanya adalah

cara bagaimana vektor cirinya dibuat. Untuk MDF, vektor ciri dibuat berdasarkan

perhitungan jumlah transisi dari piksel background ke foreground dari arah vertikal

dan horizontal. Pada MDF, selain menghitung nilai Transisi Lokasinya atau Location

Transition (LT), nilai Transisi Arah atau Direction Transition (DT) juga disimpan.

Oleh karena itu, untuk tiap transisinya, pasangan nilai [LT, DT] disimpan

(Bluemenstein, 2014).


18

1. Menentukan nilai LT

Untuk menghitung nilai LT, baca data dari tiap baris pada piksel gambar dari

kiri ke kanan dan kanan ke kiri. Demkian juga, tiap kolom pada piksel gambar juga

dibaca, mulai dari atas ke bawah dan bawah ke atas. Nilai LT dalam tiap arahnya,

dihitung sebagai hasil pembagian dari jarak yang dilalui pada suatu gambar. Sebagai

contoh, jika suatu transisi dihitung dari kiri ke kanan, maka nilai transisi yang

ditemukan terletak semakin ke kiri, maka nilainya lebih besar dibanding dengan nilai

transisi yang ditemukan pada bagian kanannya.

2. Menentukan nilai DT

Ketika sebuah transisi pada arah tertentu ditemukan, bersamaan dengan nilai

LT, nilai arah (DT) pada posisi tersebut juga disimpan. Nilai DT dihitung dengan

membagi nilai arahnya dengan nilai yang telah ditentukan sebelumnya (misalnya pada

gambar 2.5, nilai tersebut = 10). Nilai 10 ini dipilih untuk menyederhanakan

perhitungan nilai floating-point-nya sehingga nilainya antara 0 dan 1.

Setelah langkah diatas dilakukan, maka didapat 4 vektor dari tiap set cirinya (

8 vektor totalnya, untuk LT dan DT). Untuk masing-masing nilai LT dan DT, 2 buah

vektor akan memiliki dimensi MAX x NC (dimana NC adalah Number of Columns

Gambar 2.17 Contoh hasil perhitungan DT

dan LT (Bluemenstein,2007)


19

(lebar) dari karakternya) dan 2 vektor sisanya akan menjadi MAX x NR (dimana NR

adalah Number of Rows (tinggi) dari karakternya). Lebih lanjut lagi, untuk vektor-

vektor diatas dibutuhkan sebuah re-sampling untuk memastikan bahwa ukuran dimensi

NC/NR sudah dinormalisasi. Ukuran target dalam re-scaling ditetapkan = 5. Untuk

nilai vektor tertentu LT atau DT, dimensi window yang sesuai dihitung dengan

menentukan pembagi yang sesuai dari NC/NR, dan rata-rata dari nilai LT/DT yang ada

pada tiap window disimpan dalam matriks hasil re-sampled dengan ukuran 5 x 3

(seperti yang ditunjukkan pada gambar 2.5, untuk vektor yang didapat dari arah

traversal kiri ke kanan). Bagian re-sampling ini dilakukan untuk tiap nilai vektor

transisi yang tersisa, sehingga akan didapat vektor ciri sebanyak 120 atau 160 elemen

vektor yang bisa dibentuk, tergantung dengan jumlah transisi yang ditentukan. Jumlah

vektor ciri ini ditentukan dengan rumus sebagai berikut :

Total ciri MDF = Feature Pair x Jumlah transisi x Jumlah arah x Ukuran re-sampled

matriks (2.2)

Dengan keterangan Feature Pair [LT, DT] = 2, Jumlah Transisi = 3 atau 4,

Jumlah Arah = 4 dan ukuran re-sampled matriks = 5. Algoritma lengkapnya untuk

penghitungan location transition dan direction transition ditunjukan pada pseudo-code

berikut :

1. Baca semua titik pada suatu citra.

2. Untuk i = 0 sampai jumlah garisnya, dimana i merupakan indeks dari titik pada

garis

3. Untuk j = 0 sampai jumlah transisinya, dimana j merupakan nilai transisi yang

digunakan.

4. Untuk tiap titik / piksel pada citra, dilakukan pengecekan pada tiap

ketetanggaannya dengan menggunakan 8-connectivity.

5. Ubah nilai piksel sesuai dengan piksel disebelahnya sesuai dengan ketentuan

pada tabel 2.4.


20

6. Setelah ditemukan nilai arahnya, lakukan untuk tiap arahnya:

6.1 Jika arahnya dari kiri ke kanan, maka

LT = 1 −𝑣

𝑙𝑒𝑏𝑎𝑟 𝑐𝑖𝑡𝑟𝑎 (2.3)

6.2 Jika arahnya dari atas ke bawah, maka

𝐿𝑇 = 1 − 𝑣

𝑡𝑖𝑛𝑔𝑔𝑖 𝑘𝑎𝑟𝑎𝑘𝑡𝑒𝑟 (2.4)

6.3 Jika arahnya dari kanan ke kiri, maka

𝐿𝑇 =𝑣

𝑙𝑒𝑏𝑎𝑟 𝑐𝑖𝑡𝑟𝑎 (2.5)

6.4 Jjika arahnya dari bawah ke atas, maka

𝐿𝑇 = 𝑣

𝑡𝑖𝑛𝑔𝑔𝑖 𝑘𝑎𝑟𝑎𝑘𝑡𝑒𝑟 (2.6)

7. Untuk nilai DT(v) = dv / 10 dimana v merupakan indeks titik pada matriks

citranya dan dv merupakan nilai arah pada suatu indeks v.

8. Simpan nilai [LT, DT(v)] sebagai pasangan nilai ciri dalam vektor cirinya.

Seperti yang dijelaskan sebelumnya, ciri awal yang didapat lebih lanjutnya

dilakukan local averaging untuk masing-masing arahnya. Lebih jelasnya lagi,

algoritmanya seperti yang dijelaskan di bawah ini :

1. Untuk setiap dimensi matriks cirinya

2. Jika pada dimensi kolomnya, maka

L = jumlah kolom

3. Jika lainnya, maka

L = jumlah baris

4. Inisialisasi variabel G sebagai

𝐺 =𝐿

𝑢𝑘𝑢𝑟𝑎𝑛 𝑟𝑒−𝑠𝑎𝑚𝑝𝑙𝑒𝑑 𝑚𝑎𝑡𝑟𝑖𝑥 (2.7)

5. Untuk i = 0 sampai L, dimana i merupakan jumlah suatu kolom atau baris,

dan untuk j = 0 sampai jumlah transisinya

5.1 Buat m = i

5.2 Buat n = i + G


21

5.3 Hitung rata-rata LT

𝑎𝑣𝑒𝐿𝑇 = (𝐿𝑇𝑚 + 𝐿𝑇𝑚+1 + ⋯ + 𝐿𝑇𝑛−1) (2.8)

𝑎𝑣𝑒𝐷𝑇 = (𝐷𝑇𝑚 + 𝐷𝑇𝑚+1 + ⋯ + 𝐷𝑇𝑛−1 (2.9)

5.4 Simpan [aveLT, aveDT] sebagai pasangan ciri ke dalam re-sampled

matriksnya.

Re-sampled matriks yang digunakan dalam penelitian ini adalah 5. G

merupakan representasi dari jumlah elemen (interval) yang dibutuhkan untuk

melakukan local averaging . Variabel m dan n merepresentasikan posisi awal dan akhir

untuk melakukan local averaging. Hasil akhir yang didapatkan, aveLT dan aveDT,

merupakan nilai rata-rata dari nilai DT dan LT. Berikut salah satu contoh perhitungan

MDF dengan menggunakan arah kiri-ke-kanan dan jumlah transisi = 3.

2.8 Normalisasi

Metode normalisasi yang digunakan dalam penelitian ini adalah normalisasi z-

score dan normalisasi minmax.

Gambar 2.18 menunjukkan hasil perhitungan MDF setelah di-re-sampled matriks

(Bluemenstein,2007)


22

2.8.2 Normalisasi Z-score

Normalisasi Z-Score umumnya digunakan jika nilai minimum dan maksimum

sebuah atribut tidak diketahui (Mustaffa dan Yusof,2011). Normalisasi Z-Score

dirumuskan sebagai berikut :

𝑣′ = (𝑣−�̅�

𝜎𝐴) (2.10)

Keterangan

𝑣′ : nilai yang baru

𝑣 : nilai yang lama

�̅� : rata - rata dari atribut A

𝜎𝐴 : nilai standar deviasi dari Atribut A

2.8.3 Normalisasi Minmax

Normalisasi min – max dirumuskan sebagai berikut (Mustaffa dan Yusof, 2011)

:

𝑋𝑛 = 𝑋0− 𝑋𝑚𝑖𝑛

𝑋𝑚𝑎𝑥−𝑋𝑚𝑖𝑛 (2.11)

Keterangan :

𝑋𝑛 : nilai baru untuk variable X

𝑋0 : nilai lama untuk variable X

𝑋𝑚𝑖𝑛 : nilai minimum dalam data set

𝑋𝑚𝑎𝑥 : nilai maksimum dalam data set

2.9 Jaringan Syaraf Tiruan

Jaringan syaraf tiruan digunakan dalam proses pemodelan data dari hasil

ekstraksi ciri suatu data yang didalamnya terdapat proses pembelajaran sehingga

nantinya mampu mengenali data baru yang belum pernah digunakan sebelumnya

selama proses pembelajarannya. Jaringan syaraf tiruan merupakan topik yang hangat


23

dibicarakan dan mengundang banyak kekaguman karena kemampuannya yang bisa

meniru sifat sistem yang diinputkan (Siang, 2009).

Jaringan Syaraf Tiruan ditentukan oleh 3 hal berikut :

1. Pola hubungan antar neuron (arsitektur jaringan).

2. Metode untuk menentukan bobot penghubung (disebut metode training/

learning/algoritma).

3. Fungsi aktivasi.

2.7.1 Arsitektur Jaringan

Beberapa arsitektur jaringan yang sering dipakai dalam jaringan syaraf tiruan

antara lain :

1. Jaringan Lapis Tunggal (Single Layer Network)

Dalam jaringan ini, sekumpulan input neuron dihubungkan secara langsung

dengan sekumpulan output-nya. Dalam beberapa model (misal perceptron), hanya ada

sebuah unit neuron output.

Pada gambar 2.19 terdapat sejumlah n unit masukan (X1,X2,...,Xn) dan k buah

unit keluaran (Y1, Yj, …, Yk) serta bobot yang menyatakan hubungan antara unit

masukan dan keluaran (Wi1, Wj1,…,Wk3). Selama proses pelatihan, bobot-bobot ini

akan diupdate untuk meningkatkan keakuratan hasil keluarannya.

Gambar 2.19 menunjukkan arsitektur

jaringan single layer (Siang,2005).


24

2. Jaringan Lapis Majemuk

Jaringan lapis majemuk merupakan perluasan dari jaringan lapis tunggal.

Dalam jaringan ini, selain terdapat masukan (input) dan keluaran (output), terdapat

unit-unit lain diantara keduanya, sering disebut sebagai lapis tersembunyi (hidden

layer). Dalam jaringan ini, memungkinkan adanya beberapa lapisan tersembunyi, dan

pada unit-unit satu lapis tidak saling berhubungan.

Gambar 2.20 adalah jaringan dengan n buah input (X1, X2, …, Xn) dan m buah

output (Y1, Y2, … , Y3) serta sebuah lapis tersembunyi terdiri dari p buah input (Z1, …

, Zp). jaringan ini dapat digunakan untuk menyelesaikan masalah yang lebih kompleks.

2.7.2 Backpropagation

Jaringan Syaraf Tiruan Backpropagation melatih jaringan untuk mendapatkan

kesiembangan antara kemampuan jaringan untuk mengenail pola yang digunakan

selama proses pelatihan serta kemampuan jaringan untuk memberikan respon yang

besar terhadap pola masukan yang serupa (tetapi tidak sama) dengan pola yang

digunakan selama proses pelatihan. Backpropagation membandingkan nilai output

dengan nilai target keluarannya dan menghitung nilai errornya untuk tiap unit jaringan.

Gambar 2.20 menunjukkan arsitektur jaringan multi

layer (Siang, 2005)


25

Vp1 V1i

1. Arsitektur Jaringan Backpropagation

Gambar 2.9 menunjukkan arsitektur Backpropagation dengan sejumlah n buah

masukan ditambah sebuah bias, sebuah layer tersembunyi yang terdiri dari p unit

ditambah sebuah bias serta sebuah layer keluaran m buah keluaran.

2. Fungsi Aktivasi

Dalam suatu jaringan syaraf tiruan, fungsi aktivasi digunakan untuk

menentukan nilai keluaran suatu neuron. Fungsi aktivasi merupakan kombinasi antara

nilai masukan dengan bobot serta biasnya. Dalam backpropagation, fungsi aktivasi

yang harus dipakai harus memenuhi beberapa syarat yaitu : kontinu, terdifrensial

dengan mudah dan merupakan fungsi yang tidak turun. Salah satu fungsi aktivasi yang

mememnuhi ketiga syarat tersebut sehingga sering dipakai adalah fungsi sigmoid biner

yang memiliki range (0, 1).

𝑓(𝑥) =1

1+𝑒𝑥 dengan turunan 𝑓′(𝑥) = 𝑓(𝑥)(1 − 𝑓(𝑥)) (2.17)

Gambar 2.21 Ilustrasi Arsitektur Jaringan Backpropagation

(Siang,2005)


26

Fungsi aktivasi lainnya yang sering dipakai adalah fungsi sigmoid bipolar yang bentuk

fungsinya mirip dengan fungsi aktivasi sigmoid biner, tetapi dengan range (-1, 1)

𝑓(𝑥) =2

1+𝑒𝑥− 1 dengan turunan 𝑓′(𝑥) =

(1+𝑓(𝑥))(1−𝑓(𝑥))

2 (2.18)

Fungsi sigmoid memiliki nilai maksimum = 1. Maka untuk pola yang targetnya > 1,

pola masukan dan keluaran harus terlebih dahulu ditransformasi sehingga semua

polanya memiliki range yang sama seperti fungsi sigmoid yang dipakai. Alternative

lain adalah menggunakan fungsi aktivasi sigmoid hanya pada layer yang bukan layer

keluaran. Pada layer keluaran, fungsi aktivasi yang digunakan adalah fungsi identitas :

f(x) = x.

3. Pelatihan Standar Backpropagation

Proses pelatihan jaringan syaraf tiruan Backpropagation terdiri dari 3 tahapan,

yaitu propagasi maju, propagasi mundur, dan perubahan bobot. Tahapan tersebut akan

dilakukan berulang hingga kondisi penghentian terpenuhi.

a. Propagasi Maju

Selama propagasi maju, sinyal masukan (= xi) dipropagasikan ke layer

tersembunyi menggunakan fungsi aktivasi yang ditentukan. Keluaran dari

setiap unit layer tersembunyi (= zi) tersebut selanjutnya dipropagasikan maju

lagi ke layer tersembunyi di atasnya menggunakan fungsi aktivasi yang

ditentukan. Demikian seterusnya hingga menghasilkan keluaran jaringan (=

yk).

Berikutnya, keluaran jaringan (= yk) dibandingkan dengan target yang

harus dicapai (= tk). Selisih tk – yk adalah kesalahan yang terjadi. Jika

kesalahanini lebih kecil dari batas toleransi yang ditentukan, maka iterasi

dihentikan. Akan tetapi apabila kesalahan masih lebih besar dari batas

toleransinya, maka bobot setiap garis dalam jaringan akan dimodifikasi untuk

mengurangi kesalahan yang terjadi.

b. Propagasi Mundur


27

Berdasarkan kesalahan tk dan yk dihitung faktor δk (k = 1,2,…,m) yang

dipakai untuk mendistribusikan kesalahan di unit yk ke semua unit

tersembunyi yang terhubung dengan yk.δk juga dipakai untuk mengubah

bobot garis yang berhubungan langsung dengan unit keluaran.

Dengan cara sama, dihitung δj di setiap unit di layer tersembunyi

sebagai dasar perubahan bobot semua garis yang berasal dari unit

tersembunyi pada layer di bawahnya. Demikian seterusnya hingga semua

faktor δdi unit tersembunyi yang berhubungan langsung dengan unit

masukan dihitung.

c. Perubahan Bobot

Setelah semua faktor δdihitung, bobot semua garis dimodifikasi

bersamaan. Perubahan bobot suatu garis didasarkan atas faktor δneuron

dilayar atasnya. Sebagai contoh, perubahan bobot garis yang menuju ke

layar keluaran didasarkan atas δk yang ada di unit keluaran.

Ketiga tahap tersebut diulang terus meneru hingga kondisi penghentian

dipenuhi. Umumnya kondisi penghentian yang sering dipakai adalah

jumlah iterasi atau kesalahan. 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.

Secara umum, algoritma pelatihan jaringan backpropagation adalah

sebagai berikut :

1. Inisialisasi semua bobot dengan bilangan acak kecil.

2. Jika kondisi penghentian belum terpenuhi, lakukan langkah 3-10.

3. Untuk setiap pasang data pelatihan, lakukan langkah 4-9.

4. Tiap unit masukan menerima sinyal dan masukan ke unit

tersembunyi di atasnya


28

5. Hitung semua keluaran di unit tersembunyi zj = (j = 1,2,3,…,p)

𝑍𝑛𝑒𝑡𝑗 = 𝑉𝑗𝑜 + ∑ 𝑋𝑖𝑉𝑗𝑖𝑛𝑖=1 (2.19)

𝑍𝑗 = 𝑓(𝑍𝑛𝑒𝑡𝑗) = 1

1+𝑒−𝑦_𝑛𝑒𝑡𝑘 (2.20)

6. Hitung semua keluaran jaringan di unit yk (k = 1,2,…,m)

𝑦𝑛𝑒𝑡𝑘 = 𝑤𝑘0 + ∑ 𝑧𝑗𝑤𝑘𝑗𝑝𝑗=1 (2.21)

𝑦𝑘 = 𝑓(𝑦𝑛𝑒𝑡𝑘) = 1

1+𝑒−𝑦−𝑛𝑒𝑡𝑘 (2.22)

7. Hitung faktor δunit keluaran berdasarkan kesalahan di setiap unit

keluaran yk (k = 1,2,…,m)

𝛿𝑘 = (𝑡𝑘 − 𝑦𝑘)𝑓′(𝑦𝑛𝑒𝑡𝑘) = (𝑡𝑘 − 𝑦𝑘)𝑦𝑘(1 − 𝑦𝑘) (2.23)

Hitung suku perubahan bobot wkj (yang akan dipakai nanti untuk

merubah bobot wkj) dengan laju percepatan α

∆𝑤𝑘𝑗 = 𝛼 𝛿𝑘𝑧𝑗 ; k = 1,2,…,m ; j = 0,1,…,p

8. Hitung faktor δunit tersembunyi berdasarkan kesalahn di setiap

unit tersembunyi zj (j = 1,2, … ,p)

𝛿𝑛𝑒𝑡𝑗 = ∑ 𝛿𝑘𝑤𝑘𝑗𝑚𝑘=1 (2.24)

Faktor δunit tersembunyi

𝛿𝑗 = 𝛿𝑛𝑒𝑡𝑗𝑓′ (𝑧𝑛𝑒𝑡𝑗

) = 𝛿𝑛𝑒𝑡𝑗𝑧𝑗(1 − 𝑧𝑗) (2.25)

Hitung suku perubahan bobot vji (yang akan digunakan nanti

untuk merubah bobot vji)

∆𝑣𝑗𝑖 = 𝛼 𝛿𝑗 𝑥𝑖 ; j = 1,2,…,p ; i = 0,1,..,n (2.26)

9. Hitung semua perubahan bobot

Perubahan bobot garis yang menuju ke unit keluaran

𝑤𝑘𝑗(𝑏𝑎𝑟𝑢) = 𝑤𝑘𝑗(𝑙𝑎𝑚𝑎) + ∆𝑤𝑘𝑗 (k = 1,2, … , m; i=0,1,…,p)

(2.27)

Perubahan bobot garis yang menuju ke unit tersembunyi


29

𝑣𝑗𝑖(𝑏𝑎𝑟𝑢) = 𝑣𝑗𝑖(𝑙𝑎𝑚𝑎) + ∆𝑣𝑗𝑖 (j = 1,2, …, p ; i = 0,1,…,n)

(2.28)

10. Setelah pelatihan selesai dilakukan, jaringan dapat dipakai untuk

pengenalan pola.

2.8 Mempercepat Pelatihan Backpropagation

Pelatihan standar backpropagation seringkali terlalu lambat untuk keperluan

praktis. Beberapa modifikasi perlu dilakukan terhadap pelatihan standar

backpropagation dengan cara mengganti fungsi pelatihannya (Siang, 2009).

Beberapa metode yang dipakai untuk mempercepat pelatihan backpropagation

adalah sebagai berikut :

1. Metode penurunan gradient dengan momentum (traingdm)

Metode ini merupakan metode paling sederhana, tetapi dalam penurunan

gradiennya sangat lambat dalam kecepatan proses iterasinya. Hal ini terjadi karena

terkadang arah penurunan tercepat bukanlah arah yang tepat untuk mencapai titik

minimum globalnya.

Modifikasi metode ini dilakukan dengan menambahkan momentum. Dengan

momentum, perubahan bobot tidak hanya didasarkan atas error yang terjadi pada

iterasi saat itu. Perubahan bobot saat ini dilakukan dengan memperhitungkan juga

perubahan bobot pada iterasi sebelumnya. Dengan demikian kemungkinan

terperangkap ke titik minimum lokal dapat dihindari.

Menurut Hagan dan Demuth (1996), sebelum mengaplikasikan momentum ke

sebuah jaringan syaraf, akan dibuktikan dalam sebuah ilustrasi efek penghalusan

dengan mempertimbangkan urutan pertama filter berikut :

𝑦(𝑘) = 𝛾𝑦(𝑘 − 1) + (1 − 𝛾)𝑤(𝑘), (2.29)

dimana w(k) adalah input ke filter, y(k) adalah output filter, dan 𝛾 adalah koefisien

momentum yang harus memenuhi


30

0 ≤ 𝛾< 1

Efek dari filter ini ditunjukkan pada gambar . pada contoh ini, input filter diambil dari

gelombang sinus

𝑤(𝑘) = 1 + sin (2𝜋𝑘

16) (2.30)

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

gambar tersebut dapat dilihat bahwa osilasi dari filter output kurang dari osilasi filter

input. Selain itu, dengan meningkatnya 𝛾, osilasi pada filter output berkurang.

Perhatikan juga bahwa rata-rata filter output sama dengan rata-rata filter input,

meskipun dengan meningkatnya 𝛾, filter output merespon dengan lebih lambat.

Untuk mempersingkat, filter cenderung menurunkan jumlah osilasi, sementara masih

melacak nilai rata-rata. Untuk melihat bagaimana hal ini bekerja pada permasalahan

jaringan syaraf, pada awalnya parameter pada persamaan berikut diperbarui :

∆𝑊𝑚(𝑘) = −𝑎𝑠𝑚(𝑎𝑚−1)𝑇. (2.31)

∆𝑏𝑚(𝑘) = −𝑎𝑠𝑚. (2.32)

Gambar 2.22 Efek Penghalusan Momentum (Hagan & Demuth, 1996).


31

Ketika filter momentum ditambahkan untuk merubah parameternya, maka didapatkan

persamaan untuk modifikasi momentum backpropagation :

∆𝑊𝑚(𝑘) = 𝛾∆𝑊𝑚(𝑘 − 1) − (1 − 𝛾)𝑎𝑠𝑚(𝑎𝑚−1)𝑇 (2.33)

∆𝑏𝑚 = 𝛾∆𝑏𝑚(𝑘 − 1) − (1 − 𝛾)𝑎𝑠𝑚 (2.34)

Ketika mengaplikasikan perubahan ini, maka akan diperoleh hasil seperti pada gambar

2.11

Jika dilihat dari gambar 2.11, bisa diketahui kenapa diberi nama momentum karena

filter cenderung membuat lintasan berjalan terus kearah yang sama, semakin besar nilai

𝛾 maka semakin banyak momentum yang terdapat pada lintasan.

2. Variable Learning Rate (traingda, traingdx)

Dalam pelatihan standar backpropagation, laju pemahaman berupa suatu

konstanta yang nilainya tetap selama iterasi. Akibatnya, unjuk kerja algoritma sangat

dipengaruhi oleh besarnya laju pemahaman yang dipakai. Secara praktis, sulit untuk

Gambar 2.23 Lintasan dengan momentum (Hagan & Demuth, 1996).


32

menentukan besarnya laju pemahaman yang paling optimal sebelum pelatihan

dilakukan. Laju pemahaman yang terlalu besar maupun terlalu kecil akan

menyebabkan pelatihan menjadi lambat.

Pelatihan akan lebih cepat apabila laju pemahaman dapat diubah besarnya

selama proses pelatihan. Jika error saat ini lebih besar dibandingkan error sebelumnya,

maka laju pemahaman diturunkan. Jika sebaliknya, maka laju pemahaman diperbesar.

Dengan demikian, laju pemahaman dapat dibuat sebesar-besarnya dengan tetap

mempertahankan kestabilan proses.

Menurut Hagan dan Demuth (1996), ada pendekatan memvariasi learning rate

(laju pemahaman) yang sederhana yang didasarkan performa sebuah algoritma. Aturan

untuk variable learning rate backpropagation adalah sebagai berikut :

a. Jika error kuadrat (pada keseluruhan training set) meningkat lebih dari

peresntase yang ditentukan ζ (umumnya 1-5%) setelah perubahan bobot,

maka perubahan bobotnya dianaikan, learning rate dikalikan dengan faktor

0 < p < 1, dan koefisien momentum 𝛾 (jika digunakan) diberi nilai nol.

b. Jika error berkurang setelah perubahan bobot, maka perubahan bobot

diterima dan learning rate dikalikan dengan faktor η > 1. Jika 𝛾 sebelumnya

diberi nilai nol, maka akan diubah menjadi nilai aslinya.

c. Jika error kuadrat meningkat namun kurang dari ζ , maka perubahan bobot

diterima tetapi learning rate dan koefisien momentum tetap.

Dengan menggunakan parameter awal yang telah digunakan pada gambar 2.11 dan

menambahkan parameter baru, dimana η = 1,05, p = 0,7 dan ζ = 4%, maka akan didapat

hasil seperti pada gambar 2.12.


33

3. Resilient Backpropagation (trainrp)

Jaringan syaraf tiruan backpropagation umumnya menggunakan fungsi aktvasi

sigmoid, yang akan menerima masukan dari rentang tak hingga menjadi keluaran

dengan rentang [0,1]. Semakin jauh titik dari x = 0, semakin kecil gradiennya. Pada

titik yang cukup jauh dari x = 0, gradiennya mendektai 0. Hal ini mengakibatkan

masalah pada waktu menggunakan penurunan tercepat (yang iterasinya didasarkan atas

geradien). Gradient yang kecil menyebabkan perubahan bobot juga kecil, meskipun

jauh dari titik optimal.

Masalah ini diatasi dalam resilient backpropagation dengan cara membagi arah

dan perubhan bobot menjadi dua bagian yang berbeda. Ketika mengginakan penurunan

tercepat, yang diambil hanya arahnya saja. Besarnya perubagan bobot dilakukan

dengan cara lain (Siang, 2009).

Gambar 2.24 Lintasan Variable Learning

Rate (Hagan & Demuth, 1996).


34

4. Gradien Conjugate (traincgf, traincgp, traincgb)

Dalam pelatihan standar backpropagation, bobot dimodifikasi pada arah

penurunan tercepat. Meskipun penurunan fungsi berjalan cepat, tapi tidak menjamin

akan konvergen dengan cepat. Dalam algoritma gradient conjugate, pencarian

dilakukan sepanjang arah conjugate.

Menurut Hagan dan Demuth (1996), langkah-langkah dalam gradient

conjugate adalah sebagai berikut :

a. Memilih arah pencarian pertama p0 menjadi gradient negatif :

𝑝0 = − 𝑔0 (2.35)

dimana

𝑔𝑘 ≡ ∇𝐹(𝑥)|𝑥= 𝑥𝑘 (2.36)

b. Memilih learning rate αk untuk meminimalisasi fungsi bersamaan dengan

arah pencarian :

𝑥𝑘+1 = 𝑥𝑘 + 𝛼𝑘𝑝𝑘 (2.37)

c. Memilih arah pencarian selanjutnya berdasarkan persamaan :

𝑝𝑘 = −𝑔𝑘 + 𝛽𝑘𝑝𝑘−1 (2.38)

dengan persamaan berikut ini untuk menghitung βk :

𝛽𝑘 = ∆𝑔𝑘−1

𝑇 𝑔𝑘

∆𝑔𝑘−1𝑇 𝑝𝑘−1

𝑎𝑡𝑎𝑢 𝛽𝑘 = 𝑔𝑘

𝑇𝑔𝑘

𝑔𝑘−1𝑇 𝑔𝑘−1

𝑎𝑡𝑎𝑢 𝛽𝑘 = ∆𝑔𝑘

𝑇𝑔𝑘

𝑔𝑘−1𝑇 𝑔𝑘−1

(2.39)

d. Jika algoritmanya tidak konvergen, maka lanjut ke langkah b.

5. Quasi-Newton (trainlm)

Algoritma Levenberg-marquardt merupakan pengem merupakan

pengembangan algoritma backpropagation standar. Pada algoritma backpropagation,

proses update bobot dan bias menggunakan negative gradient descent secara langsung

sedangkan..AlgoritmaLevenberg-Marquardt menggunakan pendekatan matrik Hesian

(H) yang dapat dihitung dengan,

(2.40)

Sedangkan gradient dapat digitung dengan,


35

(2.41)

Dalam hal ini J merupakan sebuah matrik jacobian yang berisikan turunanan

pertama dari error jaringan terhadap bobot dan bias jaringan. Perubahan pembobot

dapat dihitung dengan,

(2.42)

sehingga perbaikan pembobot dapat ditentukan dengan

(2.43)

(2.44)

(2.45)

X = fungsi bobot-bobot jaringan dan bias

X = [ v11,

v12,

. . . , v ij; v 01

, v 02,

. . . v0j ;

w11,

w12 . . .

wjk ; w01

, w02

. . .w0K

]

e adalah vector yang menyatakan semua error pada output jaringan

(2.46)

μ = konstanta learning

I = matrik identitas

2.9 Confusion Matrix

Confusion matrix merupakan representasi jumlah prediksi yang benar dan salah

yang dibuat oleh model klasifikasi disbanding dengan jumlah data keseluruhan.

Matriksnya berdimensi nxn, dimana n adalah jumlah nilai target (kelas). Table brikut

menampilkan confusion matriks 2 x 2 unuk 2 kelas (positif dan negatif ).


36

Tabel 2.5 Tabel confusion matrix

Confusion Target

Matrix Positif Negatif

Model 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.


37

BAB III

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 juga

berisi tentang gambaran umum sistem yang akan dibangun, mencakup ekstraksi ciri,

pengenalan pola, pengujian serta perancangan antarmuka sistem.

3.1 Tahapan Penelitian

3.1.1 Studi Pustaka

Tahap ini diperlukan untuk memperoleh sumber-sumber teori yang terkait

dengan penelitian Tugas Akhir ini. Teori-teori yang terkait dengan penelitian ini seperti

tentang aksara Lampung, Jaringan Syaraf Tiruan Backpropagation , ekstraksi ciri

dengan Modified Direction Feature, serta PCA (Principal Component Analysis).

3.1.2 Pengumpulan Data

Tahap ini dilakukan untuk memperoleh data yang diperlukan untuk melakukan

penelitian Tugas Akhir ini. Data yang digunakan dalam penelitian ini adalah data citra

aksara Lampung yang merupakan hasil scan tulisan tangan aksara Lampung yang

berasal responden yang kemudian di-crop sehingga menjadi data baru yang siap diolah.

Data citra aksara Lampung yang digunakan dalam penelitian ini terdiri dari 20 aksara

pokok tanpa ada tambahan anak huruf, yaitu ka, ga, nga, pa, ba, ma, ta, da, na, ca, ja,

nya, ya, a, la, ra, sa, wa, ha, gha.

3.1.3 Pembuatan Alat Uji

Pada tahap ini, akan dirancang suatu alat uji yang dimulai dengan perancangan

interface dan pembuatan alat uji untuk menguji Jaringan Syaraf Tiruan


38

Backpropagation dan Modified Direction Feature untuk mengidentifikasi aksara

Lampung serta mendapatkan akurasi dari sistem yang telah dibangun.

3.1.4 Pengujian

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 data

yang sama di dalam 2 bagian berbeda tersebut.

3.2 Skenario Sistem

3.2.1 Gambaran Umum Sistem

Gambaran umum sistem yang akan dibangun merupakan sistem pengenalan

aksara Lampung, dimana sistem mampu menejemahkan data masukan berupa citra

aksara Lampung menjadi informasi mengenai arti dari aksara tersebut ke dalam huruf

latin. Dari data awal yang didapat dari hasil scan, dilakukan preprocessing terlebih

dahulu sebelum akhirnya data yang ada siap digunakan. Dari data yang ada tersebut,

kemudian di-crop sehingga dalam 1 citra hanya terdapat 1 aksara Lampung saja.

Setelah itu, dilakukan proses ekstraksi ciri terhadap tiap citra aksaranya dengan

menggunakan Modified Direction Feature, sehingga didapat ciri unik untuk tiap 1 citra

aksaranya. Setelah didapat cirinya, dilakukan proses pembelajaran untuk tiap ciri yang

Gambar 3.1 Diagram blok sistem


39

didapat dari tiap citra aksaranya menggunakan model jaringan syaraf tiruan

backpropagation, sehingga dari ciri yang ada, dapat dilakukan klasifikasi untuk tiap

ciri dari input citra karakternya. Setelah didapat model jaringan dan klasifikasinya,

maka dilakukan testing terhadap sistem yang telah dibangun dengan menggunakan data

baru yang belum pernah digunakan sebelumnya dalam proses pembelajaran

jaringannya, tetapi tetap dari sumber yang sama. Pada awalnya data yang digunakan

untuk testing akan dilakukan ekstraksi ciri yang kemudian akan diproses ke dalam

model jaringannya sehingga hasil identifikasi terkait dengan data citra aksara yang

digunakan.

3.2.1.1 Data

1. Sumber Data

Sumber data berasal dari tulisan tangan aksara Lampung dari responden. Data

yang telah di-scan kemudian di-crop sehingga menjadi data baru yang siap diolah.

2. 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 yang

kemudian diisi sebanyak 10 responden.

3.2.1.2 Preprocessing

Pada tahap preprocessing ini, dilakukan beberapa tahap sehingga pada akhir

tahap ini, data yang tersedia siap untuk diekstraksi cirinya. Berikut diagram yang

menujukkan tahapan yang dilakukan dalam preprocessing.


40

1. Cropping

Tahap awal dari penelitian ini adalah dengan melakukan cropping. Dari citra

yang ada (seperti gambar 3.3 a), dilakukan pemotongan dari kumpulan citra aksara

sehingga hanya menjadi citra dengan 1 aksara saja (lihat gambar 3.3 b).

(a) (b)

2. Resize

Pada tahap ini, dilakukan resizing atau mengubah ukuran matriks citra menjadi

ukuran 60 x 60 dengan menggunakan fungsi MATLAB imresize. Hal ini dilakukan

Gambar 3.2 Diagram blok preprocessing

Gambar 3.4 Data awal sebelum di-cropping (a) dan sesudah di-

cropping (b).


41

karena pada tahapan sebelumnya, hasil ukuran matriks citranya berbeda, sehingga

nantinya lebih mudah dalam melakukan proses ekstraksi ciri.

3. Grayscaling

Tahap selanjutnya, data citra aksara Lampung yang telah di-crop diubah skala

warnanya menjadi citra dengan skala keabuan dengan menggunakan fungsi matlab

rgb2gray.

4. Binerisasi

Setelah didapat citra aksara Lampung dengan skala warna keabuan, diperlukan

tahap binerisasi yang mengubah intensitas nilai piksel citra menjadi 0 dan 1 saja,

dimana 0 direpresentasikan sebagai warna hitam dan 1 direpresentasikan sebagai warna

putih pada citra. Dalam hal ini, digunakan fungsi dari MATLAB yaitu im2bw.

5. Thinning

Tahap thinning atau penipisan merupakan tahap akhir preprocessing. Pada tahap

ini, citra biner aksara Lampung akan diubah ketebalan pikselnya sehingga untuk setiap

data citra aksara Lampungnya menjadi citra kerangka dengan ketebalan 1 piksel. Hasil

proses thinning ini nantinya yang digunakan untuk melakukan ekstraksi ciri. Thinning

dilakukan dengan menggunakan metode Rosenfeld.

3.2.1.3 Ekstraksi Ciri

Setelah didapat kerangka citra aksara, maka dilakuakn ekstraksi ciri. Metode

ekstraksi ciri yang digunakan adalah modified direction feature. Metode ini dipilih

karena banyak digunakan dalam proses ekstraksi ciri terkait dengan citra huruf yang

memiliki banyak lengkungan.

Proses ekstraksi ciri dalam tahap pelatihan dilakukan pada semua data citra

aksara Lampung dengan menentukan nilai arah tiap piksel berdasarkan segmen

garisnya yang kemudian di normalisasi berdasarkan nilai dominan tiap segmennya.

Nilai arah ini kemudian digunakan untuk menentukan nilai DT dan LT yang merupakan

hasil ekstraksi ciri tiap citranya.


42

Untuk setiap inputnya, ciri yang dihasilkan sebanyak 120. Jumlah ini ditentukan

dari persamaan 2.10.

3.2.1.4 Normalisasi

Tahap selanjutnya yaitu tahap normalisasi. Metode normalisasi yang

digunakan pada penelitian ini adalah normalisasi z-score dan min-max.

1. Normalisasi Z-score

Dari data hasil ekstraksi ciri yang ada, maka dilakukan normalisasi dengan

metode z-score. Normalisasi dilakukan pada data yang dominan / paling banyak

muncul dari seluruh data hasil ekstraksi ciri. Berikut merupakan tahapan normalisasi

z-score :

a. Dari data hasil ekstraksi ciri di bawah ini

Dicari nilai rata-rata dan standar deviasi semua data.

Gambar 3.5 Contoh hasil ekstraksi ciri MDF

Gambar 3.6 Hasil ekstraksi ciri awal


43

Gambar 3.6 Hasil mean dan standar deviasi

b. Setelah didapatkan nilai mean dan standar deviasinya, maka normalisasi

ini diterapkan pada data yang bersifat dominan dengan menggunakan

persamaan 2.10. Berikut hasil data yang telah dinormalisasi.

2. Normalisasi min-max

Dari data hasil ekstraksi ciri yang ada, maka dilakukan normalisasi dengan

metode min-max. Normalisasi dilakukan pada data yang dominan / paling

banyak muncul dari seluruh data hasil ekstraksi ciri. Berikut merupakan

tahapan normalisasi min-max :

a. Dari data hasil ekstraksi ciri pada Gambar 3.5, dicari nilai maksimum

dan minimum dari semua data yang ada.

Gambar 3.8 Nilai minimum dan maksimum data

Gambar 3.7 Hasil setelah dinormalisasi z-score


44

b. Setelah didapatkan nilai minimum dan maksimumnya, maka

normalisasi ini diterapkan pada data hasil ekstraksi ciri dengan

menggunakan persamaan 2.11. Berikut hasil data yang telah

dinormalisasi.

Dalam penelitian ini, kedua metode normalisasi dilakukan. Dari hasil kedua

metode normalisasi tersebut akan dibandingkan metode mana yang akan menghasilkan

tingkat akurasi yang lebih tinggi.

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 mampu

menghasilkan akurasi yang tinggi dari pengujian sampel diluar data sampel yang

digunakan dalam proses pembelajarannya.

Pada subbab selanjutnya, akan dibahas tentang arsitektur jaringan syaraf yang

akan digunakan.

3.2.1.6 Model/Arsitektur Jaringan Syaraf Tiruan

Arsitekur jaringan yang digunakan dalam proses pelatihan dan pengujian antara

lain arsitektur backpropagation dengan 1 hidden layer dan 2 hidden layer. Untuk tiap

arsitektur jaringannya, akan dilakukan percobaan dengan beberapa kombinasi seperti

variasi jumlah neuron input yang disesuaikan dengan hasil vektor ekstraki ciri modified

Gambar 3.9 Hasil setelah dinormalisasi min-max


45

direction feature dan principal component analysis, jumlah neuron pada hidden layer

dan modifikasi fungsi aktivasinya. Hal ini dilakukan untuk mengetahui akurasi dari

sistem yang telah dibangun.

1. Arsitektur jaringan dengan 1 hidden layer

Pada gambar 3.10 adalah gambar model jaringan dengan 1 hidden layer yang

akan digunakan dalam proses pengujian jaringan dengan nilai ekstraksi ciri yang telah

dinormalisasi. Berikut penjelasan mengenai gambar di atas :

1. Input (x1, x2, x3, …, xj) merupakan lapian input dalam jaringan syaraf tiruan

yang dipilih berdasarkan nilai feature sesuai nilai yang didapat dari reduksi

dimensi ciri, misalnya didapat nilai feature sejumlah 20, maka pada lapisan

input ini indeks xj menjadi x20, yang artinya aka nada 20 masukan ke dalam

jaringannya.

2. Hidden layer (y1,y2,y3,…,yj) merupakan lapisan tersembunyi yang

digunakan untuk mentransformasikan nilai input menjadi nilai yang bisa

Gambar 3.10 Arsitektur jaringan 1 hidden layer


46

diolah sehingga didapat nilai output-nya. Dalam hal jumlah neuron,

jumlahnya bisa divariasi baik itu 10, 20, 30 dan seterusnya, sehingga dapat

dibandingkan akurasi yang terbaik yang didapat membutuhkan berapa

banyak jumlah neuron pada hidden layer.

3. Output (z1,z2,z3,…,z20) merupakan lapisan luaran yang memiliki 20 neuron,

sesuai dengan jumlah aksara Lampung yang digunakan. Nilai luaran pada

lapisan output ini direpresentasikan 0 dan 1, sehingga taget luaran untuk

masing-masing aksara berbeda yang dikenali adalah sebagai berikut :

Tabel 3.1 Target luaran masing-masing aksara

Nilai target luaran Aksara

1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 A

0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 Ba

0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 Ca

0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 Da

0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 Ga

0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 Gha

0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 Ha

0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 Ja

0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 Ka

0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 La

0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 Ma

0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 Na


47

Nilai target luaran Aksara

0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 Nga

0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 Nya

0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 Pa

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 Ra

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 Sa

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 Ta

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 Wa

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 Ya

2. Arsitektur jaringan dengan 2 hidden layer

Pada gambar 3.11 adalah gambar model jaringan syaraf tiruan dengan 2 hidden

layer yang digunakan untuk optimalisasi model jaringan yang sebelumnya yang hanya

Gambar 3.3 Arsitektur jaringan dengan 2 hidden layer

Gambar 3.4 Arsitektur jaringan dengan 2 hidden layer


48

menggunakan 2 hidden layer. Sama halnya dengan model jaringan dengan 1 hidden

layer, berikut penjelasan mengenai jaringan dengan 2 hidden layer :

1. Input (x1, x2, x3, …, xj) merupakan lapian input dalam jaringan syaraf tiruan

yang dipilih berdasarkan nilai feature sesuai nilai yang didapat dari reduksi

dimensi ciri, misalnya didapat nilai feature sejumlah 25, maka pada lapisan

input ini indeks xj menjadi x20, yang artinya aka nada 25 masukan ke dalam

jaringannya.

2. Hidden layer 1(y1,y2,y3,…,yj) merupakan lapisan tersembunyi yang

digunakan untuk mentransformasikan nilai input menjadi nilai yang

kemudian diteruskan ke hidden layer selanjutnya. Dalam hal jumlah neuron,

jumlahnya bisa divariasi baik itu 10, 20, 30 dan seterusnya, sehingga dapat

dibandingkan akurasi terbaik yang didapat tersebut membutuhkan berapa

banyak jumlah neuron pada hidden layer 1.

3. Hidden layer 1(y1,y2,y3,…,yj) merupakan lapisan tersembunyi yang

digunakan untuk mentransformasikan nilai dari hidden layer sebelumnya

sehingga menjadi nilai keluarannya. Dalam hal jumlah neuron, jumlahnya

bisa divariasi baik itu 10, 20, 30 dan seterusnya, sehingga dapat

dibandingkan akurasi terbaik yang didapat tersebut membutuhkan berapa

banyak jumlah neuron pada hidden layer 2. Tujuan ditambahkannya hidden

layer ini adalah untuk mengetahui apakah nilai akurasi yang didapat lebih

baik dibanding dengan akurasi yang didapat dari hanya menggunakan 1

hidden layer.

4. Output (z1,z2,z3,…,z20) merupakan lapisan luaran yang memiliki 20 neuron,

sesuai dengan jumlah aksara Lampung yang digunakan. Nilai luaran pada

lapisan output ini direpresentasikan 0 dan 1, sehingga taget luaran untuk

masing-masing aksara berbeda yang dikenali, seperti yang ditunjukkan pada

Tabel 3.1.


49

3.2.1.6 Pengujian

Pengujian dilakukan dengan membagi keseluruhan data menjadi 2 bagian, 2/3

bagian menjadi data untuk proses pelatihan dan 1/3 bagian lainnya menjadi data testing.

Sedangkan untuk mengetahui akurasi dari dari sistem yang telah dibangun,

dapat digunakan suatu confusion matrix yang dapat dilakukan dengan ketentuan

sebagai berikut :

Tabel 3.2 Contoh confusion matrix

Aksara 1 Aksara 2 … Aksara 20

Aksara 1 x y … Z

Aksara 2 a b … C

… … … … …

Aksara 20 d e … f

Confusion matrix diatas berisi jumlah data masukan yang teridentifikasi ke

dalam suatu kelas atau target. Untuk menentukan nilai akurasinya, ditentukan dengan

menjumlahkan nilai diagonal pada confusion matrixnya kemudian dibagi dengan

keseluruhan jumlah data atau dapat direpresentasikan dengan rumus berikut :

𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = 𝐽𝑢𝑚𝑙𝑎ℎ 𝑑𝑖𝑎𝑔𝑜𝑛𝑎𝑙 𝑚𝑎𝑡𝑟𝑖𝑘𝑆

𝑗𝑢𝑚𝑙𝑎ℎ 𝑠𝑒𝑙𝑢𝑟𝑢ℎ 𝑑𝑎𝑡𝑎 𝑥 100% (3.2)

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 ekstraksi

cirinya. Tombol Identifikasi Aksara digunakan untuk mengarahkan ke form yang

digunakan untuk melakukan pengenalan aksara Lampung.


50

3.3.2 Form Menu Data Training dan Ekstraksi Ciri

Form menu ini digunakan untuk melakukan training dan ekstraksi cirinya dari

data yang digunakan. Dibutuhkan inputan awal berupa citra aksara yang telah melalui

tahap preprocessing sebelumnya. Setelah didapatkan hasil ekstraksi ciri suatu citra

aksara, maka hasil tersebut akan disimpan dengan pilihan terjemahan aksaranya.

Gambar 3.5 Tampilan menu utama

Gambar 3.64 Tampilan menu pelatihan data dan ekstraksi ciri


51

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 aksara

Lampung sehingga dapat dilakukan identifikasi dari data masukannya.

3.4 Kebutuhan Sistem

Alat yang digunakan dalam proses perancangan sistem :

1. Hardware

Perangkat keras / hardware yang digunakan memiliki spesifikasi sebagai

berikut :

1.) Processor : Intel ® Core ™ i5-4200M

2.) RAM : 4GB

3.) Hard Drive : 500 GB

4.) Graphic Interface : NVIDIA GEFORCE 720M

2. Software

Perangkat lunak / software yang digunakan adalah sebagai berikut :

1. Microsoft Windows 8.1 Pro

Gambar 3.75 Tampilan menu identifikasi aksara Lampung


52

Sistem operasi yang digunakan untuk menjalankan perangkat keras serta

perangkat lunak lainnya.

2. Matlab 2014 R2014a

Matlab 2014 R2014a digunakan untuk mengimplementasikan rancangan

sistem sekaligus untuk menjalankan sistem.


53

Gambar 4.1 Data awal aksara Lampung

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 akurasi

yang dicapai.

4.1 Implementasi Sistem

Pada subbab ini dibahas tentang proses preprocessing dan ekstraksi ciri dari

sistem yang telah dibangun. Sistem dibangun dengan menggunakan bahasa

pemrograman MATLAB.

1. Data Aksara

Data aksara yang digunakan berupa citra aksara Lampung yang didapat dari

hasil pengisian form. Berikut contoh form beserta isiannya.


54

Gambar 4.2 Citra aksara Lampung hasil cropping

2. Cropping dan Resizing

Tahap selanjutnya adala melakukan cropping. Cropping dilakukan secara

manual dimana data awal aksara yang berupa citra kumpulan aksara menjadi citra yang

hanya berisi satu aksara saja. Setelah itu dilakukan resizing untuk semua citra menjadi

60 x 60. Hal ini dilakukan untuk memudahkan dalam proses ekstraksi ciri.

3. Mengubah Citra Warna

Preprocessing tahap ini merupakan proses perubahan warna pada citra warna,

yaitu diubah menjadi citra keabuan dengan menggunakan fungsi rgb2gray pada

MATLAB.

(a) (b)

Gambar 4.3 Perubahan Citra RGB (a) menjadi citra grayscale (b)


55

Gambar 4.4 Citra biner aksara Lampung

Gambar 4.5 Citra aksara Lampung hasil penipisan

4. Binerisasi Citra

Dengan menggunakan fungsi im2bw pada MATLAB, citra aksara yang

digunakan diubah menjadi citra hitam putih yang hanya memiliki nilai piksel 0 dan 1.

5. Penipisan Citra

Penipisan citra dilakukan dengan menggunakan fungsi Rosenfeld sehingga

didapatkan ketebalan citra menjadi 1 piksel.


56

Gambar 4.6 Hasil data ciri diganti nilai arah dan telah dinormalisasi

6. Ekstraksi Ciri

Proses ekstraksi ciri dilakukan dengan menggunakan metode Modified

Direction Feature (Bluemenstein, 2007). Metode ini digunakan untuk menghitung

nilai arah dari suatu garis pada citra aksara dalam 4 arah, yaitu kanan-kiri, kiri-kanan,

atas-bawah dan bawah-atas. Hasil yang didapatkan berupa 120 data ciri untuk masing-

masing citra aksara yang diproses.

a. Langkah 1

Mengganti nilai tiap piksel dengan ketentuan seperti yang ditunjukkan pada

Tabel 2.4.

b. Langkah 2

Langkah selanjutnya adalah menentukan nilai DT dengan membagi nilai tiap

piksel dengan elemen pembagai yang telah ditetapkan, yaitu 10.


57

Gambar 4.7 Hasil data setelah dibagi 10

Gambar 4.8 Hasil nilai LT (Local Transition)

c. Langkah 3

Ulangi langkah 2 untuk menghitung nilai DT dari 4 arah pembacaan matriks

yang berbeda, yaitu kiri-ke-kanan, kanan-ke-kiri, atas-ke-bawah dan bawah-ke-atas.

d. Langkah 4

Pada langkah ini, dihitung nilai LT dengan menggunakan data yang didapat

dari Langkah 1 dengan menggunakan persamaan 2.3.


58

Gambar 4. 9 Hasil re-sampled matriks ciri

Gambar 4. 10 Hasil ciri akhir 1 data citra

Dalam menghitung nilai LT, dilakukan sebanyak 4 kali pula dengan arah

pembacaan matriks citra yang berbeda, kiri-ke-kanan dengan menggunakan persamaan

2.3, kanan-ke-kiri dengan persamaan 2.5, atas-ke-bawah dengan persamaan 2.4 dan

bawah-ke-atas dengan menggunakan persamaan 2.6.

e. Langkah 5

Langkah selanjutnya adalah menghitung nilai rata-rata semua nilai piksel dan

melakukan re-sampled matriks sesuai dengan persamaan 2.7.

Dari hasil tersebut, kemudian dengan hasil re-sampled matriks untuk arah

lainnya dari nilai DT dan LT digabungkan sehingga didapatkan 120 ciri untuk tiap

aksara yang diproses.

Berikut data hasil ekstraksi ciri semua data aksara Lampung yang digunakan

dalam penelitian ini.


59

Gambar 4. 11 Hasil ekstraksi ciri semua data

Gambar 4. 12 Implementasi mencari nilai maksimum dan

minimum

Gambar 4. 13 Implementasi persamaan 2.11

7. Normalisasi

Dalam penelitian ini, dilakukan normalisasi data hasil ekstraksi ciri dengan

menggunakan metode min-max dan z-score. Hal ini dilakukan untuk membandingkan

metode normalisasi mana yang mampu menghasilkan tingkat akurasi yang lebih tinggi.

a. Normalisasi min-max

Normalisasi min-max pada awalnya mencari nilai maksimum dan minimum

dari semua data yang ada.

Langkah dengan persamaan 2.11, maka dicari nilai baru untuk data tersebut.


60

Gambar 4. 15 Implementasi mencari nilai

standar deviasi dan rata-rata

Gambar 4. 16 Implementasi mencari nilai

modus

Gambar 4. 17 Implementasi persamaan

2.10

Gambar 4. 14 Data hasil normalisasi min-max

Berikut data hasil setelah dilakukan normalisasi.

b. Normalisasi z-score

Normalisasi min-max pada awalnya mencari nilai maksimum dan minimum

dari semua data yang ada.

Langkah selanjutnya adalah menemukan nilai yang paling dominan dari data

tersebut, karena normalisasi hanya dilakukan pada data yang dominan tersebut.

Dengan menggunakan persamaan 2.10, maka dicari nilai baru untuk data

tersebut.


61

Gambar 4. 18 Data hasil normalisasi z-score

Berikut data hasil setelah dilakukan normalisasi.

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. Pada

penelitian ini akan dicari model arsitektur jaringan syaraf tiruan yang mampu

menghasilkan akurasi terbaik dalam proses pengenalannya. Untuk mendapatkan model

jaringan syaraf yang terbaik, dilakukan berbagaim macam percobaan dengan

melakukan variasi jumlah hidden layer, jumlah neuron, dan metode training

jaringannya. Setelah didapat model jaringan yang terbaik, maka model jaringan

tersebut akan digunakan untuk melakukan pengujian data tunggal untuk menunjukkan

hasil dari pengenalan yang dilakukan.

4.2.1 Pengujian Variasi Arsitektur Jaringan

Dalam percobaan variasi arsitektur jaringan, digunakan sebanyak 200 data citra

aksara. Sebelum dilakukan proses pengenalan, dilakukan terlebih dahulu ekstraksi ciri

untuk semua data tersebut, sehingga menghasilkan 120 ciri untuk tiap citranya,

sehingga total data yang digunakan untuk percobaan sebanyak 200 x 120 data. Dalam

percobaan ini dilakukan beberapa kali percobaan dengan melakukan variasi model

arsitektur jaringan syaraf tiruan, jumlah neuron pada hidden layer dan variasi metode

normalisasi.


62

Gambar 4. 19 Grafik menunjukkan pencapaian akurasi dengan menggunakan variasi

jumlah neuron pada hidden layer dan metode training dengan menggunakan

normalisasi min-max.

1. Percobaan 1

Pada percobaan ini, data yang digunakan merupakan data hasil normalisasi

min-max. Percobaan ini dibagi menjadi 2 bagian, yaitu percobaan dengan dan tanpa

menggunakan proses penipisan/thinning.

A. Percobaan dengan penggunaan thinning

Percobaan ini dilakukan dengan mengolah data ekstraksi ciri yang

dinormalisasi dengan metode min-max dan dalam preprocessing-nya melalui proses

penipisan (thinning). Berikut grafik yang menunjukkan hasil dari percobaan tersebut


63

Berikut rincian hasil akurasi yang telah dipaparkan sebelumnya pada gambar 4.19.

Tabel 4. 1 Tabel akurasi 1

Jumlah

Neuron

Variasi Metode Training

traingd

m

traingd

x

traingd

a

traincg

f

traincg

p

traincg

b

trainl

m

trainr

p

5 6.25 17.5 16.25 7.5 16.25 18.75 46.25 17.5

10 3.75 52.5 41.25 41.25 40 45 65 33.75

15 5 33.75 20 32.5 50 20 60 77.5

20 11.25 61.25 40 63.75 66.25 80 66.25 72.5

25 11.25 61.25 33.75 51.25 50 48.75 73.75 76.25

30 11.25 65 38.75 51.25 51.25 43.75 75 67.5

35 10 72.5 48.75 71.25 72.5 76.25 90 68.75

40 10 73.75 45 57.5 58.75 63.75 91.25 66.25

45 7.5 66.25 41.25 73.75 57.5 80 90 86.25

50 11.25 61.25 43.75 65 70 71.25 82.5 81.25

55 16.25 65 41.25 61.25 63.75 60 85 77.5

60 13.75 68.75 37.5 63.75 63.75 71.25 90 78.75

Tabel 4.1 merupakan hasil akurasi yang dicapai dengan melakukan variasi

arsitektur jaringan, jumlah neuron, serta metode pelatihannya. Dari tabel 4.1 dapat

diketahui bahwa akurasi tertinggi adalah 91,25% dengan menggunakan metode

training trainlm (Levenberg-Marquardt) dan menggunakan 1 hidden layer dengan

jumlah neuron sebanyak 40.

Tahap percobaan selanjutnya adalah menambahkan 1 hidden layer.

Penambahan jumlah hidden layer dilakukan pada arsitektur jaringan yang

menghasilkan akurasi tertinggi pada percobaan sebelumnya. Dalam percobaan ini,

ditambah dengan hidden layer ke-2 dengan variasi jumlah neuron dan hasilnya

ditunjukkan seperti pada gambar berikut.


64

Gambar 4. 20 Grafik akurasi dengan menggunakan kombinasi hidden layer 1 dengan

neuron sebanyak 40 dan variasi jumlah neuron pada hidden layer 2.

Berikut rincian hasil akurasi yang dicapai yang ditunjukkan pada Gambar 4.21.


Jumlah Neuron Akurasi Hidden

Layer 1

Hidden

Layer2

40 5 46.25

40 10 51.25

40 15 77.5

40 20 61.25

40 25 87.5

40 30 73.75

40 35 67.5

40 40 71.25

40 45 86.25

40 50 88.75

40 55 87.5

40 60 85

Dari tabel 4.2 dapat diketahui bahwa akurasi tertinggi dicapai dengan

menggunakan kombinasi neuron pada hidden layer 1 sebanyak 40 dan neuron pada


65


jumlah neuron pada hidden layer dan metode training dengan menggunakan normalisasi

min-max.

hidden layer 2 sebanyak 25. Akurasi tertinggi mencapai 88,75%. Ini berarti

penggunaan hidden layer ke-2 tidak diperlukan karena hasil akurasi yang didapat justru

lebih rendah dibandingkan dengan hanya menggunakan 1 hidden layer saja.

B. Percobaan tanpa menggunakan thinning

Percobaan ini dilakukan tanpa melakukan proses penipisan terhadap citra. Hasil

dari percobaan ini ditunjukkan pada gambar di bawah ini.

Berikut rincian hasil akurasi yang telah dipaparkan sebelumnya pada gambar 4.21


Jumlah

Neuro

n


traingd

m traingdx traingda traincgf traincgp traincgb trainlm trainrp

5 1.25 7.5 17.5 10 7.5 7.5 42.5 5

10 2.5 42.5 35 20 43.75 41.25 56.25 48.75

15 8.75 43.75 16.25 60 61.25 30 77.5 61.25

20 12.5 73.75 28.75 63.75 63.75 75 91.25 72.5


66

Jumlah

Neuro

n

Variasi Metode Pelatihan

traingd

m traingdx traingda traincgf traincgp traincgb trainlm trainrp

25 12.5 72.5 33.75 67.5 65 68.75 71.25 75

30 7.5 51.25 31.25 36.25 46.25 47.5 82.5 68.75

35 15 67.5 41.25 61.25 63.75 65 85 78.75

40 13.75 83.75 45 83.75 80 68.75 92.5 85

45 10 76.25 30 82.5 82.5 81.25 91.25 90

50 18.75 72.5 50 72.5 72.5 72.5 85 62.5

55 20 77.5 36.25 80 76.25 82.5 83.75 85

60 15 67.5 40 61.25 60 63.75 78.75 61.25


arsitektur jaringan, jumlah neuron, serta metode pelatihannya dan tanpa dilakukannya

penipisan terhadap data citranya. Dari tabel 4.3 dapat diketahui bahwa akurasi tertinggi

adalah 92,5% dengan menggunakan metode training trainlm (Levenberg-Marquardt)

dan menggunakan 1 hidden layer dengan jumlah neuron sebanyak 40.







67



Berikut rincian hasil akurasi yang dicapai yang ditunjukkan pada Gambar 4.22


Jumlah Neuron Akurasi

(%) Hidden

Layer 1

Hidden

Layer2

40 5 36.25

40 10 61.25

40 15 77.5

40 20 87.5

40 25 67.5

40 30 88.75

40 35 85

40 40 91.25

40 45 85

40 50 87.5

40 55 90

40 60 81.25


68



normalisasi z-score dan dengan menggunakan thinning.






2. Percobaan 2

Pada percobaan ini, dari data yang digunakan dilakukan normalisasi z-score.

Percobaan ini dibagi menjadi 2 bagian, yaitu percobaan dengan dan tanpa

menggunakan proses penipisan/thinning.


Percobaan ini dilakukan dengan mengolah data ekstraksi ciri yang telah

dinormalisasi dengan metode z-score dan dalam preprocessing-nya melalui proses

penipisan (thinning). Berikut grafik yang menunjukkan hasil dari percobaan tersebut



69


Jumlah

neuron


traingdm traingdx traingda traincgf traincgp traincgb trainlm trainrp

5 3.75 35 31.25 18.75 65 23.75 37.5 13.75

10 3.75 37.5 40 37.5 37.5 40 38.75 17.5

15 7.5 56.25 42.5 60 60 57.5 48.75 48.75

20 7.5 61.25 33.75 57.5 58.75 57.5 68.75 42.5

25 11.25 62.5 41.25 63.75 62.5 61.25 75 57.5

30 6.25 57.5 47.5 60 55 56.25 70 58.75

35 7.5 42.5 43.75 35 37.5 33.75 72.5 56.25

40 12.5 77.5 47.5 70 61.25 61.25 86.25 67.5

45 10 67.5 50 50 43.75 48.75 70 62.5

50 6.25 70 52.5 68.75 65 76.25 68.75 67.5

55 13.75 73.75 60 71.25 65 71.25 77.5 80

60 10 77.5 56.25 76.25 68.75 73.75 80 63.75












70

Gambar 4. 24 Grafik akurasi dengan menggunakan kombinasi hidden layer 1

dengan neuron sebanyak 40 dan variasi jumlah neuron pada hidden layer 2

pada percobaan normalisasi z-score.



Jumlah Neuron pada Hidden

Layer Akurasi

1 2

40 5 20

40 10 40

40 15 52.5

40 20 60

40 25 68.75

40 30 67.5

40 35 70

40 40 66.25

40 45 72.5

40 50 77.5

40 55 78.75

40 60 72.5


71



normalisasi z-score dan dengan tanpa menggunakan thinning.






B. Percobaan tanpa proses thinning

Percobaan ini dilakukan dengan mengolah data ekstraksi ciri yang telah

dinormalisasi dengan menggunakan metode z-score dan dalam preprocessing-nya

tidak melalui proses penipisan (thinning). Berikut grafik yang menunjukkan hasil dari

percobaan tersebut.


72

Berikut tabel yang menunjukkan detail dari grafik pada Gambar 4.25.


Jumlah

Neuron


traingdm traingd

x traingda

traincg

f

traincg

p

traincg

b trainlm trainrp

5 2.5 36.25 30 18.75 15 15 38.75 21.25

10 7.5 30 27.5 23.75 26.25 37.5 45 30

15 13.75 58.75 50 48.75 48.75 48.75 46.25 43.75

20 11.25 61.25 47.5 52.5 52.5 61.25 55 40

25 16.25 67.5 41.25 58.75 55 55 71.25 60

30 7.5 55 42.5 53.75 58.75 62.5 70 72.5

35 12.5 60 35 40 38.75 47.5 67.5 57.5

40 13.75 81.25 61.25 73.75 71.25 75 71.25 46.25

45 6.25 68.75 38.75 58.75 52.5 66.25 67.5 71.25

50 16.25 67.5 51.25 57.5 60 60 72.5 63.75

55 16.25 78.75 58.75 77.5 76.25 73.75 72.5 68.75

60 18.75 72.5 40 67.5 67.5 66.25 75 61.25




training traingdx dan menggunakan 1 hidden layer dengan jumlah neuron sebanyak

40.







73

Gambar 4. 26 Grafik akurasi dengan menggunakan kombinasi hidden

layer 1 dengan neuron sebanyak 40 dan variasi jumlah neuron pada

hidden layer 2 pada percobaan normalisasi z-score.



Jumlah Neuron pada Hidden

Layer Akurasi

(%) 1 2

40 5 10

40 10 15

40 15 53,75

40 20 33,75

40 25 51,25

40 30 48,75

40 35 51,25

40 40 47,5

40 45 61,25

40 50 68,75

40 55 67,5

40 60 65


74

Gambar 4. 27 Grafik menunjukkan pencapaian akurasi dengan

menggunakan variasi jumlah neuron pada hidden layer dan metode

training tanpa menggunakan normalisasi.






3. Percobaan 3

Pada percobaan ini, dari data yang digunakan langsung dilakukan pelatihan ke

dalam jaringan saraf tiruan tanpa adanya normalisasi. Percobaan ini dibagi menjadi 2

bagian, yaitu percobaan dengan dan tanpa menggunakan proses penipisan/thinning.


Percobaan ini dilakukan dengan mengolah data ekstraksi ciri yang dalam

preprocessing-nya melalui proses penipisan (thinning). Berikut grafik yang

menunjukkan hasil dari percobaan tersebut.


75



Jumlah

Neuron


traingd

m

traingd

x

traingd

a

traincg

f

traincg

p

traincg

b

trainl

m

Trainr

p

5 6.25 17.5 16.25 7.5 16.25 18.75 46.25 17.5

10 3.75 52.5 41.25 41.25 40 45 65 33.75

15 5 33.75 20 32.5 50 20 60 77.5

20 11.25 61.25 40 63.75 66.25 80 66.25 72.5

25 11.25 61.25 33.75 51.25 50 48.75 73.75 76.25

30 11.25 65 38.75 51.25 51.25 43.75 75 67.5

35 10 72.5 48.75 71.25 72.5 76.25 90 68.75

40 10 73.75 45 57.5 58.75 63.75 91.25 66.25

45 7.5 66.25 41.25 73.75 57.5 80 90 86.25

50 11.25 61.25 43.75 65 70 71.25 82.5 81.25

55 16.25 65 41.25 61.25 63.75 60 85 77.5

60 13.75 68.75 37.5 63.75 63.75 71.25 90 78.75









ditambah dengan hidden layer ke-2 dengan variasi jumlah neuron seperti pada gambar

berikut.


76



Berikut rincian hasil akurasi yang dicapai yang ditunjukkan pada Gambar 4.28



Layer 1

Hidden

Layer 2

40 5 46,25

40 10 51,25

40 15 76,25

40 20 61,25

40 25 88,75

40 30 73,75

40 35 68,75

40 40 71,25

40 45 86,25

40 50 87,5

40 55 86,25

40 60 85


77


jumlah neuron pada hidden layer dan metode training tanpa menggunakan normalisasi.






B. Percobaan tanpa proses thinning

Percobaan ini dilakukan dengan mengolah data ekstraksi ciri yang dalam

preprocessing-nya tidak melalui proses penipisan (thinning). Berikut grafik yang

menunjukkan hasil dari percobaan tersebut.


78

Berikut rincian dari grafik akurasi pada Gambar 4.29.


Jumlah

Neuro

n


traingd

m

traingd

x traingda

traincg

f traincgp traincgb trainlm trainrp

5 1.25 7.5 17.5 7.5 10 8.75 45 11.25

10 2.5 42.5 33.75 41.25 42.5 37.5 55 51.25

15 8.75 43.75 16.25 61.25 61.25 30 77.5 61.25

20 12.5 73.75 28.75 65 65 66.25 91.25 68.75

25 12.5 67.5 32.5 67.5 70 62.5 72.5 77.5

30 7.5 51.25 27.5 48.75 41.25 50 82.5 66.25

35 15 67.5 41.25 61.25 63.75 65 85 78.75

40 13.75 85 42.5 83.75 80 70 91.25 78.75

45 10 76.25 30 81.25 81.25 82.5 91.25 78.75

50 20 72.5 50 72.5 72.5 71.25 85 56.25

55 20 77.5 37.5 76.25 83.75 82.5 85 80

60 15 67.5 40 61.25 60 63.75 78.75 61.25









ditambah dengan hidden layer ke-2 dengan variasi jumlah neuron seperti pada gambar

berikut.


79

Tabel 4. 12 Tabel akurasi percobaan tanpa menggunakan penipisan dan normalisasi


Layer 1

Hidden

Layer2

20 5 38,75

20 10 75

20 15 60

20 20 77,5

20 25 85

20 30 85

20 35 81,25

20 40 78,75

20 45 81,25

20 50 63,75

20 55 67,5

20 60 85



hidden layer 2 sebanyak 25. Akurasi tertinggi mencapai 85%. Ini berarti penggunaan

hidden layer ke-2 tidak diperlukan karena hasil akurasi yang didapat justru lebih rendah

dibandingkan dengan hanya menggunakan 1 hidden layer saja.

Percobaan dengan melakukan variasi preprocessing (menggunakan penipisan

atau tidak), jumlah hidden layer pada arsitektur jaringan syaraf tiruan, jumlah neuron

pada masing-masing hidden layer serta variasi metode training akan sangat

mempengaruhi akurasi yang dicapai dalam alat uji yang telah dibuat.

Dalam penelitian ini, akurasi tertinggi yang dicapai sebesar 92,5%. Hasil

tersebut dicapai pada percobaan dengan menggunakan 1 hidden layer dengan jumlah

neuron sebanyak 40 dengan menggunakan metode pelatihan trainlm dan normalisasi

min-max. Sedangkan hasil akurasi tertinggi dengan menggunakan normalisasi z-score

sebesar 86,25% dengan menggunakan arsitekur jaringan syaraf 1 hidden layer dengan

neuron sebanyak 40. Untuk percobaan penggunaan 2 hidden layer akurasi tertinggi


80

Gambar 4. 30 Tampilan menu ekstraksi ciri dan

pelatihan keseluruhan data aksara

sebesar 91,25% dengan menggunakan neuron sebanyak 40 pada hidden layer 1 dan 40

pada hidden layer 2 tanpa proses penipisan dan tanpa/dengan normalisasi min-max .

4.2.2 Implementasi User Interface

Berikut ini tampilan antarmuka untuk ekstraksi ciri dan pelatihan data dengan

menggunakan jaringan syaraf tiruan.

Setelah melakukan pelatihan data, maka didapatkan arsitektur jaringan syaraf

tiruan yang digunakan untuk melakukan uji data tunggal. Untuk proses uji data tunggal

ditampilkan sebagai berikut.


81

Gambar 4. 31 Tampilan menu pengujian data

tunggal

4.2.3 Pengujian Data Tunggal

Setelah dilakukan pelatihan data dengan menggunakan arsitektur jaringan

syaraf tiruan, kemudian dilakukan pengujian terhadap data tunggal, dimana data yang

digunakan tersebut tidak termasuk dalam proses pelatihan dan pengujian data

berkelompok.

Proses uji ini dilakukan dengan menggunakan arsitektur jaringan yang

menghasilkan nilai akurasi tertinggi dalam proses pelatihannya. Data uji untuk masing-

masing aksara berjumlah 1 huruf aksara Lampung terbaru. Berikut ini tabel hasil uji

data tunggal terhadap 20 huruf aksara Lampung.

Tabel 4.1 Hasil uji data tunggal terhadap sistem

No. Huruf Aksara

Lampung

Hasil Pengenalan

Aksara Lampung

Status

1. A A BENAR

2. BA PA SALAH

3. CA CA BENAR

4. DA DA BENAR


82

No. Huruf Aksara

Lampung

Hasil Pengenalan

Aksara Lampung

Status

5. GA GA BENAR

6. GHA GHA BENAR

7. HA HA BENAR

8. JA JA BENAR

9. KA KA BENAR

10. LA LA BENAR

11. MA MA BENAR

12. NA NA BENAR

13. NGA NGA BENAR

14. NYA NYA BENAR

15. PA CA BENAR

16. RA RA BENAR

17. SA SA BENAR

18. TA TA BENAR

19. WA WA BENAR

20. YA YA BENAR

Setelah melakukan percobaan dengan variasi jumlah neuron pada masing-

masing hidden layer , normalisasi dan metode trainingnya, dapat dilihat perubahan

akurasinya, dimana akurasi tertinggi adalah 92,5% dengan menggunakan 1 hidden

layer, metode pelatihan trainlm dan jumlah neuron sebanyak 40 dan dilakukan

normalisasi menggunaksi min-max dan tanpa dilakukan penipisan. Percobaan lain

dengan jumlah hidden layer berbeda mampu menghasilkan akurasi tertinggi 91,25%,

dengan menggunakan neuron sebanyak 40 pada hidden layer 1 dan neuron sebanyak


83

40 pada hidden layer 2. Dari hasil tersebut maka digunakan arsitektur jaringan yang

menghasilkan akurasi tertinggi dibandingkan dengan yang lain untuk melakukan uji

data tunggal yang hasilnya ditunjukkan pada tabel 4.3. Dari hasil pengujian data

tunggal tersebut dapat dikatakan bahwa alat ini dapat mengenali tulisan aksara

Lampung, meskipun terjadi kesalahan dalam proses pengenalan aksaranya yang tidak

sesuai dengan target, hal ini dapat disebabkan karena faktor penulisan yang kurang

jelas, banyaknya noise, ataupun beberapa aksara yang bentuknya hampir mirip,

misalnya dari data hasil uji pada tabel 4.3 terdapat kesalahan saat mengenali huruf

‘BA’ yang dikenali sebagai huruf ‘PA’. Berikut contoh gambar huruf ‘PA’ dan ‘BA’

dalam aksara Lampung.

Gambar 4. 32 Huruf 'PA' (b) dan 'BA'(a)

(a) (b)


84

BAB V

PENUTUP

5.1 Kesimpulan

Dalam hasil penelitian pengenalan aksara Lampung menggunakan metode

backpropagation dan modified direction feature dapat disimpulkan beberapa hal

sebagai berikut :

1. Akurasi tertinggi dalam proses pengenalan aksara Lampung sebesar

92,5% dengan menggunakan 1 hidden layer dengan jumlah neuron

sebanyak 40 dengan tanpa proses penipisan (thinning) dengan

menggunakan fungsi pelatihan trainlm.

2. Aksara Lampung huruf “BA” dikenali tidak sesuai dengan targetnya,

hal ini ditunjukkan saat melakukan uji data tunggal.

3. Model jaringan syaraf tiruan yang dihasilkan sudah mampu mengenali

pola aksara Lampung dengan baik karena setelah dilakukan uji data

tunggal diluar data yang digunakan dalam proses pelatihan, sistem

mampu mengenalinya sesuai dengan target aslinya.

5.2 Saran

Dari hasil penelitian pengenalan aksara Lampung ini, ada beberapa saran

yang dapat diberikan penulis untuk kepentingan penelitian selanjutnya dengan studi

kasus yang sama, yaitu:

1. Jumlah seluruh data yang digunakan dalam penelitian ditambah lebih

banyak lagi, misalnya untuk mengenali aksara yang ditambah dengan

menggunakan tanda perubahan bunyi.

2. Menggunakan metode ekstraksi ciri yang berbeda.


85

DAFTAR PUSTAKA

Bluemenstein, M., & Liu, X.Y. (2004). Experimental Analysis of the Modified

Direction Feature for Cursive Character Recognition. Diakses dari

http://moscow.sci-

hub.cc/939f39d2328277daf4f24bb647a6f961/[email protected]

pada 26 Oktober 2016.

Bluemenstein, M., & Verma, B. (2004). A Modified Direction Feature for Cursive

Character Recognition. Diakses dari http://moscow.sci-

hub.cc/1cecf071d373121a2a714eb66746676e/[email protected]

40.pdf pada 10 Oktober 2016.

Bluemenstein, M., & Verma, B. (2004). An Investigation of the Modified Direction

Feature for Cursive Character Recognition. Diakses dari http://moscow.sci-

hub.cc/e74349631ac8d5341bf75f6c086dca81/blumenstein2007.pdf pada

26 Oktober 2016.

Iskar. (2012). Kamus Bahasa Lampung Aksara. Lampung : Penerbit Smart Cipta

Intelekta.

Kadir, Abdul dan Susanto, Adhi.(2013). Teori dan Aplikasi Pengolahan Citra.

Yogyakarta : Penerbit ANDI.

Kusumadewi, Sri. (2004). Membangun Jaringan Syaraf Tiruan menggunakan

MATLAB & Excel Link. Yogyakarta : Penerbit Graha Ilmu.

Munir, Rinaldi.& Aryantio, Adhika. (2015). Pengenalan Aksara Lampung

menggunakan Jaringan Syaraf Tiruan.Diakses dari :

informatika.stei.itb.ac.id pada 19 September 2016 .

Mustaffa, Z., & Yusof, Y. (2011). A Comparison of Normalization Techniques in

Predicting Dengeu Outbreak. 2010 International Conference o Business

and Economics Research. 1, hal. 345-349. Kuala Lumpur: IACSIT Press.


http://moscow.sci-hub.cc/939f39d2328277daf4f24bb647a6f961/[email protected]

http://moscow.sci-hub.cc/939f39d2328277daf4f24bb647a6f961/[email protected]

http://moscow.sci-hub.cc/1cecf071d373121a2a714eb66746676e/[email protected]



http://moscow.sci-hub.cc/e74349631ac8d5341bf75f6c086dca81/blumenstein2007.pdf

http://moscow.sci-hub.cc/e74349631ac8d5341bf75f6c086dca81/blumenstein2007.pdf

86

Prasetyo, Eko. (2014). Data Mining Mengolah Data Menjadi Informasi

menggunakan MATLAB. Yogyakarta : Penerbit ANDI.

Putra, Darma. (2009). Pengolahan Citra Digital. Yogyakarta : Penerbit ANDI.

Siang, Jong Jek. (2009). Jaringan Syaraf Tiruan dan Pemrogramannya

menggunakan MATLAB. Yogyakarta : Penerbit ANDI.

Witten, H. Ian dan Frank, Eibe. (2005). Data Mining Practical Machine Learning

Tools and Technique. United States of America : Morgan Kauffman

Publishers.


87

LAMPIRAN

Source Code


88


89


90


91


92


93


94


95


96


97


98

DATA AKSARA


99


100


101


102


103


104


105


106


107


108


109


110


111


112


113


114


115


116


117


118


Documents

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI · built, applying artificial neural network for modeling its system and modified direction feature as a method of extraction character. The