PENGENALAN POLA TULISAN TANGAN AKSARA JAWA HA NA CA RA KA MENGGUNAKAN MULTI LAYER PERCEPTRON

Transkripsi

1 PENGENALAN POLA TULISAN TANGAN AKSARA JAWA HA NA CA RA KA MENGGUNAKAN MULTI LAYER PERCEPTRON Madha Chrstan Wbowo 1) Sandy Wrakusuma 2) 1) S1 Sstem Komputer, STIKOM Surabaya, emal: 2) S1 Sstem Komputer, STIKOM Surabaya, emal: Atract: Ths research s focus on optcal character recognton (OCR) for handwrtten 5 basc consonant from Javanese character called Aksara Jawa Nglegena conssts of Ha, Na, Ca, Ra, and Ka. The pattern recognton method used s mult layer perceptron wth back propagaton as the learnng algorthm. 75 samples was used as the learnng data and 25 samples used for testng data. The fnal weght produced could recognze all the learnng samples correctly and 56% testng samples. Keywords: Javanese character, pattern recognzng, mult layer perceptron, back propagaton, optcal character recognton Indonesa adalah negara yang memlk bermacam-macam suku dan budaya. Masng-masng suku dan budaya d Indonesa memlk cr khas, tak terkecual dengan bentuk tulsan. Salah satu suku d Indonesa yang memlk cr khas dalam tulsan adalah suku Jawa yang hurufnya dsebut dengan Aksara Jawa. Pada zaman dahulu, Indonesa dkuasa oleh keraaan-keraaan yang berpusat d Pulau Jawa. Sehngga banyak manuskrp-manuskrp kuno yang dtuls dalam Aksara Jawa. Selan dtuls d kertas, meda yang dgunakan antara lan adalah batu, lempengan logam, kayu, kult, dan meda lan yang past bersfat non-dgtal (hard copy). Agar arsp-arsp tersebut dapat dsmpan d komputer, dlakukan dgtalsas dengan cara melakukan scan. Hasl scan n adalah gambar dgtal arsp tersebut yang sudah a dsmpan d komputer. Namun demkan, arsp tersebut oleh komputer danggap sebaga sebuah gambar, sehngga tulsan yang ada d dalamnya tdak dapat dakses sebaga teks. Agar komputer dapat mengenal gambar tulsantulsan d dalam arsp tersebut sebaga teks, dperlukan aplkas optcal character recognton (OCR). OCR dlakukan dengan menggunakan metode pengenalan pola. Salah satunya adalah dengan menggunakan model mult layer perceptron (MLP). Hasbuan (2011) menggunakan self-organzng map (SOM) untuk pengenalan pola Aksara Jawa. Namun obek yang dgunakan adalah huruf cetak. Sedangkan Basu (2005) melakukan peneltan serupa pada huruf dan angka Bangla tulsan tangan. Dan d tahun 2006, Das melakukan hal yang sama dengan huruf Arab. Peneltan n menggunakan MLP dengan algortma pembelaaran error back propagaton untuk melakukan pengenalan pola terhadap pola Aksara Jawa berdasarkan ctra hasl tulsan tangan. Huruf yang dkenal adalah 20 ens huruf dasar Aksara Jawa modern. METODE PENELITIAN Dagram blok pada Gambar 1 menunukkan model yang akan dgunakan. Obek yang dgunakan adalah ctra dar tulsan tangan. Ctra tulsan tangan dakuss langsung dar responden menggunakan dgtal pen. Ctra tersebut dtulskan secara vrtual ke dalam sebuah obek kanvas yang memlk resolus pksel (160 x 160 pksel) yang kemudan dsmpan d fle. Dar proses akuss data ddapatkan umlah ctra sampel yang dgunakan adalah 15 set tulsan tangan Aksara Jawa huruf Ha, Na, Ca, Ra, dan Ka sehngga total ada 75 sampel yang akan dgunakan dalam proses pembelaaran. Tetap karena ukurannya yang mash terlalu besar, sampel-sampel tersebut harus melalu tahap pemrosesan awal supaya ukurannya SNASTI 2013, ICCS - 27

2 menad lebh kecl. Untuk tu dlakukan proses pengeclan ctra dengan menggunakan skala 10 : 1, sehngga data-data yang akan dgunakan sebaga proses pembelaaran berukuran 16 x 16 pksel (256 data). Gambar 2. Aksara Jawa Nglegena Sampel-sampel yang telah dkeclkan n dgunakan sebaga data nput pada arngan mult layer perceptron, yang kemudan hasl dar MLP akan devaluas dengan target dar masng-masng nput. Bla mash ada kesalahan antara hasl MLP dengan target, bobot-bobot yang ada pada MLP akan dsesuakan dengan menggunakan algortma back propagaton hngga ddapatkan hasl yang sesua. Aksara Jawa Carakan (Abad/Aksara Jawa) adalah huruf yang dgunakan dalam eaan bahasa Jawa yang pada dasarnya terdr atas dua puluh aksara pokok yang bersfat slabk (kesukukataan). (Darusuprapta, dkk., 2002). Bentuk kontemporer Aksara Jawa terbentuk seak masa Keraaan Mataram pada abad ke-17. Gambar 1. Dagram Blok Sstem Selan dua puluh aksara pokok tersebut, Aksara Jawa uga memlk kelompok huruf kaptal, vokal, angka, pasangan, pangkon, dan tanda baca. Bentuk dasar Aksara Jawa dsebut dengan Aksara Jawa Nglegena dengan bentuk sepert yang dtunukkan pada Gambar 2. Dalam laporan n, yang akan dkenal adalah 5 buah dar 20 buah huruf konsonan dasar (Aksara Jawa Nglegena), yatu huruf Ha, Na, Ca, Ra, dan Ka. Mult Layer Perceptron Mult layer perceptron (MLP) adalah pengembangan dar model perceptron yang dkembangkan oleh Rosenblatt pada tahun Perceptron memlk keterbatasan hanya dapat menyelesakan masalah-masalah yang lner, sedangkan MLP dapat dgunakan untuk menyelesakan masalah yang lebh kompleks. Pada dasarnya, MLP adalah perceptron yang memlk layer atau lapsan tambahan d antara layer nput (neuron X ) dan layer output (neuron Y ) yang dsebut dengan hdden layer. Bentuk arngan umum MLP dapat dlhat pada Gambar 3. Proses perhtungan dar setap neuronnya sama dengan perceptron, sepert pada Persamaan 1.Snyal output neuron (v) kemudan dmasukkan ke dalam sebuah fungs aktvas. (Fausett, 2006) (Ham & Kostanc, 2001) SNASTI 2013, ICCS - 28

3 Dalam hal n fungs aktvas yang dgunakan adalah fungs bnary sgmod dengan fungs sepert pada Persamaan 2 dengan bentuk pada Gambar 4. v n x k0 k w (, k ) b Gambar 3. Model Mult Layer Perceptron (Fausett, 2006)... (1) v : Snyal output yang dhaslkan neuron x : Snyal nput untuk neuron w : Bobot/snaps yang menghubungkan neuron dengan neuron-neuron d layer sebelumnya b : Bas : Indeks layer dar neuron : Indeks neuron pada layer ke- k : Indeks neuron pada layer sebelumnya (-1) n : Jumlah neuron pada layer ke- y f v 1 1 e v... (2) Gambar 4. Fungs Sgmod Error Back Propagaton Meskpun dgunakan dalam arngan saraf truan, back propagaton sendr bukanlah sebuah arngan saraf truan. Back propagaton adalah sebuah algortma pembelaaran untuk arngan saraf truan sehngga ddapatkan kombnas nla bobot-bobot antar neuron yang sesua. Metode pembelaaran back propagaton adalah pembelaaran berdasarkan contoh. Selama proses pembelaaran, algortma n perlu untuk dberkan pasangan-pasangan nput dan output. Masng-masng pasang berupa satu set pola nput beserta output yang dharapkan terhadap pola tersebut. Back propagaton akan menggunakan output yang dharapkan tersebut serta output yang dhaslkan oleh arngan saraf truan untuk mengubah nla bobot-bobot yang ada dalam arngan saraf truan. (Rumelhart, 1986) Untuk mengubah bobot-bobot tu dengan algortma back propagaton, dgunakan Persamaan 3. (, k ) w (, k ) y... (3) w k SNASTI 2013, ICCS - 29

4 Pada algortma back propagaton, pon yang pentng adalah bagamana mendapatkan δ. D mana nla δ untuk neuron-neuron d layer output adalah hasl perhtungan error dar tap-tap neuron. Sehngga δ dapat dhtung dengan Persamaan 4. Sedangkan untuk neuron-neuron d layer yang lan, δ dapat dhtung dengan Persamaan 5. Dengan g() adalah turunan pertama dar f (). Sedangkan parameter µ adalah lau pembelaaran yang menentukan kecepatan proses pembelaaran hngga dapat mendekat nla bobot yang optmal. Semakn besar nla µ, semakn cepat prosesnya. Namun ka terlalu besar, resolusnya uga kurang bak. (Fausett, 2006) out out out t y g( y )... (4) (, p) 1 h w k, h g( y )... (5) g ( y) f ( y) 1 f ( y)... (6) Dalam peneltan n, 75 sampel tulsan tangan yang terdr dar aksara Ha, Na, Ca, Ra, dan Ka akan dlathkan menggunakan MLP dan back propagaton dengan kombnas pola nput dan target output sepert pada Tabel 1. Sampel-sampel tersebut kemudan akan dadkan sebaga data pembelaaran untuk algortma MLP dan back propagaton dengan proses sepert pada dagram alr pada Gambar 5. Hasl yang ddapatkan dar proses pembelaaran tersebut adalah bobot dan konfguras bentuk arngan MLP. Tabel 1. Kombnas Input dan Output Pola Aksara Target Neuron Output ke- Input Ha Na Ca Ra Ka Bobot dan arngan n kemudan akan du dengan mencoba mengenal sampel-sampel yang dgunakan sebaga data pembelaaran serta 5 set sampel lan (25 data) yang dgunakan sebaga data penguan untuk proses evaluas bobot dan arngan yang dhaslkan dar proses pembelaaran. HASIL DAN PEMBAHASAN Proses pembelaaran dlakukan dengan konfguras sebaga berkut: - Jumlah hdden layer : 2 - Jumlah neuron nput : Jumlah neuron layer 1 : 80 - Jumlah neuron layer 2 : 80 - Jumlah neuron output : 5 - Lau pembelaaran (µ) : Error mnmum : 10E -4 - Iteras maksmum : 10E +5 Proses pembelaaran dlakukan sebanyak teras dengan menggunakan 75 sampel nput dengan nla error akhr sebesar In berart bahwa proses pembelaaran selesa hngga target error mnmum terhadap data sampel terpenuh. Bobot dan arngan yang dhaslkan kemudan dgunakan untuk melakukan proses pengenalan terhadap sampel pembelaaran dan sampel u. Dar penguan n ddapatkan hasl bahwa seluruh sampel pembelaaran yang dcoba untuk dkenal ulang berhasl dkenal dengan benar. Sedangkan untuk sampel u, 14 sampel dar 25 sampel u yang terseda dapat dkenal dengan benar. Beberapa contoh sampel u yang serng salah dkenal adalah pada aksara Ha, Na, dan Ka. Bla dperhatkan pada Gambar 6, ketga aksara tu memang memlk beberapa kemrpan dar bentuk dan polanya. SNASTI 2013, ICCS - 30

5 (a) (b) (c) Gambar 6. Karakter-karakter yang salah dkenal Gambar 5. Dagram Alr Sstem (a) Gambar (b) Gambar dkenal sebaga dkenal sebaga (c) Gambar dkenal sebaga atau Karakter-karakter dalam Aksara Jawa memang memlk pola-pola yang rumt dan banyak d antaranya yang hanya memlk sedkt perbedaan. Akan lebh bak bla ada nformas yang dtambahkan pada pola nput (Chaudur, 2000), sepert ekstraks ftur-ftur khusus yang menad cr pembeda dalam Aksara Jawa. Sehngga dengan demkan proses pengenalan pola dapat dlakukan dengan lebh bak. SIMPULAN Optcal character recognton untuk Aksara Jawa dapat dlakukan dengan metode pengenalan pola menggunakan MLP dan back propagaton. Dar proses pembelaaran dengan menggunakan 75 sampel, bobot dan konfguras arngan yang dhaslkan telah dapat mengenal dengan benar gambar yang dgunakan untuk sampel pembelaaran sebesar 100%, dan untuk 25 gambar yang dgunakan sebaga sampel u sebesar 56%. Kegagalan dalam mengenal dengan benar dsebabkan karena kemrpan bentuk yang ada pada huruf Ha, Na, dan Ka. Sehngga akan lebh bak bla dlakukan pre-processng untuk mengekstrak fturftur pada Aksara Jawa. SNASTI 2013, ICCS - 31

6 RUJUKAN Basu, S., dkk., 2005a, Handwrtten Bangla Alphabet Recognton usng an MLP Based Classfer, Proceedng of the 2nd Natonal Conference on Computer Processng of Bangla, hal Dhaka. Basu, S., dkk., 2005b, An MLP Based Approach for Recognton of Handwrtten Bangla Numerals, Proceedng 2nd Indan Internatonal Conference on Artfcal Intellgence, hal Pune. Chaudhur, B.B. dan Bhattacharya, U., 2000, Effcent Tranng and Improved Performance of Multlayer Perceptron n Pattern Classfcaton, Neurocomputng, vol. 34, hal Darusuprapta, dkk., 2002, Pedoman Penulsan Aksara Jawa, Yayasan Pustaka Nusatama, Yogyakarta. Das, N., dkk., 2006, Handwrtten Arabc Numeral Recognton usng a Mult Layer Perceptron, Proceedng Natonal Conference on Recent Trends n Informaton Systems, hal Fausett, L Fundamentals of Neural Networks. Prentce-Hall, New York. Ham, F.M. dan Kostanc, I., 2001, Prncples of Neurocomputng for Scence & Engneerng. McGraw-Hll, New York. Rosenblatt, F., 1958, The Perceptron: A Probablstc Model for Informaton Storage and Organzaton n the Bran, Psychologcal Revew, vol. 5: hal Rumelhart, D.E. dkk., 1986, Learnng Representatons by Back-Propagatng Errors. Nature, vol. 323: hal SNASTI 2013, ICCS - 32