PENGENALAN HURUF JAWA TULISAN TANGAN MENGGUNAKAN JARINGAN SARAF TIRUAN PERAMBATAN BALIK DENGAN FUZZY FEATURE EXTRACTION

Transkripsi

1 PENGENALAN HURUF JAWA TULISAN TANGAN MENGGUNAKAN JARINGAN SARAF TIRUAN PERAMBATAN BALIK DENGAN FUZZY FEATURE EXTRACTION Aditya Wibowo 1), Achmad Hidayatno 2), Ajub Ajulian 2) Jurusan Teknik Elektro, Fakultas Teknik, Universitas Diponegoro, Jln. Prof. Sudharto, Tembalang, Semarang, Indonesia Abstarct Various studies on the recognition / identification of handwritten letters continue to be developed. Some are quite popular method is a statistical approach (image matching), genetic algorithms, and the syntactic approach. The use of these methods will work best if used to recognized handwritten letters that low levels of complexity, in other words, these methods are less effective when recognizing handwritten characters possess the type and size can be different. Because of the complexity of hand-written letter will increase by a variety of writing and writers mood. The purpose of this last project is capable of using fuzzy logic and neural network backpropagation to recognize handwritten characters. This Last Project appoint a topic about character handwriting recognition about javanesse letters using fuzzy logic that regard a character handwriting as a graph with direction, which the node consist of end points and intersection points while the edge consist of line, curve, and loop as basic step for features extraction sub-system, a neural network backpropagation for classification sub-system, and classic algorithm for perprocessing sub-system. This system accept *.bmp input image then the system will execute with three stage that are preprocessing, fuzzy feature extraction, and neural network backpropagation. Testing purpose are to find out whether the system can recognize a character that obtained in input. Testing using 12 sample character handwriting(every sample include 20 kind of charecter) from 12 volunteer. The dimension of input image is 106 x 114 with *.bmp format. The result has recognition rate 84,1% Keywords : Logika fuzzy, Neural network backpropagation, Citra Digital, Prepocessing, Fuzzy features extraction, Recognition rate. 1. PENDAHULUAN 1.1 Latar Belakang Berbagai macam pengenalan / identifikasi huruf tulisan tangan terus dikembangkan. Beberapa metode yang cukup populer ialah dengan cara pendekatan statistik (pencocokan citra), algoritma genetika, dan pendekatan sintaktik. Penggunaan metode tersebut akan berhasil baik jika digunakan untuk mengenali huruf tulisan tangan yang memiliki tingkat kerumitan yang rendah, dengan kata lain metode tersebut akan kurang efektif jika mengenali huruf tulisan tangan yang memliki tipe dan ukuran yang bisa berbeda. Karena kerumitan dari huruf tulisan tangan akan bertambah oleh variasi penulisan serta susana hati penulisnya. Mengacu pada permasalahan di atas maka tugas akhir ini akan mencoba teknik lain yang diharapkan lebih efektif guna mengenali huruf tulisan tangan. Metode pengenalan yang diangkat dalam tugas akhir ini ialah dengan menggunakan logika fuzzy yang mana menganggap huruf tulisan tangan sebagai sebuah graf berarah, yang node-nya terdiri atas titik ujung dan titik cabang. Sementara edgenya berupa garis lurus, kurva, dan loop. Sedangkan untuk proses klasifikasi menggunakan metode jaringan saraf tiruan propagasi balik (backpropagation). Jaringan saraf tiruan adalah sebuah metode komputasi yang memiliki cara kerja seperti saraf otak manusia. Keunggulan metode ini ialah memiliki kemampuan untuk belajar dan memecahkan hubungan yang rumit, yang sulit untuk dideskripsikan antara data masukan dan data keluaran, hal tersebut di mungkinkan karena jaringan saraf tiruan mampu dilatih berdasarkan informasi yang diterimanya. 1.2 Tujuan Tujuan dari tugas akhir ini adalah : 1. Mampu menggunakan logika fuzzy dan jaringan saraf tiruan perambatan balik untuk mengenali huruf tulisan tangan. 2. Mampu menguji dan menganalisis unjuk kerja sistem dengan memperhitungkan tingkat akurasi dan ketelitian. 1.3 Batasan Masalah Dalam tugas akhir ini, objek dari tugas akhir ini dibatasi dengan ruang lingkup sebagai berikut : [1] Mahasiswa Jurusan Teknik Elektro Undip [2] Dosen Jurusan Teknik Elektro Undip

2 1. Masukan dari sistem adalah citra digital dan keluarannya adalah informasi jenis huruf Jawa tulisan tangan yang ada pada citra tersebut. 2. Tugas akhir ini hanya mengurusi masalah pengenalan huruf tulisan tangan tunggal yang terdiri dari huruf (a) sampai (z ) 3. Perangkat lunak ini tidak memiliki bagian pemulihan kesalahan (error recovery), dan perbaikan kesalahan (error repair). Bagian yang berhubungan dengan error hanyalah sebatas pendeteksi kesalahan (error detect). II. LANDASAN TEORI 2.1 Pengenalan Pola Pola adalah identitas yang terdefinisi dan dapat diidentifikasi melalui ciri-cirinya. Ciriciri tersebut digunakan untuk membedakan suatu pola dengan pola lainnya. Ciri yang bagus adalah ciri yang memiliki daya pembeda yang tinggi, sehingga pengelompokan pola berdasarkan ciri yang dimiliki dapat dilakukan dengan keakuratan yang tinggi. Contoh Pola huruf memiliki ciri antara lain : tinggi, tebal, titik sudut, lengkungan garis. 2.2 Konsep Dasar Citra Digital Istilah citra yang digunakan dalam pengolahan citra merupakan fungsi dua dimensi. Citra dapat dinyatakan sebagai fungsi kontinu dari intensitas cahaya dalam bidang dua dimensi,f(x,y), x dan y menyatakan kordinat ruang dan nilai f pada suatu koordinat (x,y) menyatakan kecerahan dan informasi warna citra Tipe Citra 1. RGB Citra RGB mempunyai array berukuran m x n x 3 yang mendefinisikan warna merah, warna hijau, dan warna biru untuk setiap pikselnya. Warna pada setiap piksel ditentukan dari kombinasi merah, hijau, dan biru. RGB merupakan citra 24 bit dengan komponen merah, hijau, dan biru disimpan masing-masing berukuran 8 bit yang berarti memiliki tingkat kecerahan warna sampai 256 level. 2. Grayscale Citra digital keabuan adalah citra yang mana nilai tiap piksel di dalamnya adalah berupa sampel tunggal. Hasil citra yang ditunjukan jenis ini secara khusus terdiri atas warna kelabu yang terbagi dalam rentang warna dari hitam di intensitas yang paling lemah sampai putih dengan intensitas yang paling kuat. 3. Citra Biner Citra jenis ini biasa juga disebut citra black-and-white atau disebut sebagai monokromatik Pengolahan Citra Digital Pengolahan citra dapat diartikan sebagai suatu proses yang dilakukan terhadap suatu gambar sehingga menghasilkan gambar lain yang lebih sesuai dengan keinginan. Secara umum tahapan pengolahan citra digital meliputi akusisi citra, peningkatan kualitas citra, segmentasi citra, representasi dan uraian, pengenalan dan interpretasi. 1. Akusisi citra Pengambilan data dapat dilakukan dengan menggunakan berbagai media seperti kamera analog, kamera digital, handycam, scanner, optical reader. Citra yang dihasilkan belum tentu data digital, sehingga perlu diubah ke data digital. 2. Pengingkatan kualitas citra Pada tahap ini dikenal dengan preprocessing yang mana dalam meningkatkan kualitas citra dapat meningkatkan kemungkinan dalam keberhasilan pada tahap pengolahan citra digital berikutnya. 3. Segmentasi citra Segmentasi bertujuan untuk memilih dan memisahkan suatu objek dari keseluruhan citra. 4. Representasi dan Uraian Representasi mengacu pada data konversi dari hasil segmentasi ke bentuk yang lebih sesuai untuk proses pengolahan pada komputer. 5. Pengenalan dan Interpretasi Pengenalan (recognition) pola tidak hanya bertujuan untuk mendapatkan citra dengan suatu kualitas tertentu, tetapi juga untuk mengklasifikasikan bermacam-macam citra. 2.3 Konsep Dasar Logika Fuzzy Sistem Fuzzy ditemukan pertama kali oleh Prof. Lotfi Zadeh pada pertengahan tahun 1960 di Universitas California. Sistem ini diciptakan karena boolean logic tidak mempunyai ketelitian yang tinggi, hanya

3 mempunyai logika 0 dan 1 saja. Sehingga untuk membuat sistem yang mempunyai ketelitian yang tinggi maka tidak dapat menggunakan boolean logic. Bedanya fuzzy dengan boolean logic dapat diilustrasikan pada gambar 1. Gambar 1 Perbedaan Fuzzy Logic dan Boolean Logic Pada sistem fuzzy terdapat tiga proses yaitu : 1. Fuzzification. Proses ini berfungsi untuk merubah suatu besaran analog menjadi masukan fuzzy. Secara diagram blok dapat dilihat pada gambar Rule evaluation. Proses ini berfungsi untuk untuk mencari suatu nilai keluaran dari masukan pada fuzzy. 3. Defuzification. Proses ini berfungsi untuk menentukan suatu nilai crisp output. 2.4 Jaringan Saraf Tiruan Perambatan Balik Jaringan saraf merupakan salah satu representasi buatan yang meniru otak manusia, yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak manusia tersebut. Istilah buatan disini digunakan karena jaringan saraf ini diimplementasikan dengan menggunakan program komputer yang mampu menyelesaikan sejumlah proses perhitungan selama proses pembelajaran Komponen Jaringan Saraf Tiruan Jaringan saraf tiruan memiliki banyak neuron yang tersebar di seluruh bagiannya. Masing-masing neuron dikelompokkan ke dalam beberapa lapisan dan memiliki hubungan satu dengan yang lain yang disebut dengan layer. Layer terdiri dari beberapa bagian, yaitu: 1. Lapisan Masukan (Input Layer) Lapisan ini merupakan tempat yang mana seluruh bobot awal dimasukkan (inisialisasi masukan) yang selanjutnya diproses untuk dikirimkan ke lapisan di atasnya. 2. Lapisan Tersembunyi (Hidden Layer) Lapisan ini merupakan lapisan di antara lapisan masukan dan lapisan keluaran. Disini bobot yang diterima dari lapisan masukan juga diproses untuk selanjutnya dikirim ke lapisan di atasnya yaitu lapisan keluaran. 3. Lapisan Keluaran (Output Layer) Lapisan ini merupakan lapisan akhir pada arsitektur jaringan yang mana nilai keluaran dari jaringan dihasilkan Arsitektur Jaringan Saraf Tiruan Arsitektur jaringan merupakan salah satu hal terpenting dalam jaringan saraf tiruan selain dari neuron dan algoritma pembelajaran. Arsitektur jaringan terbagi menjadi tiga jenis, yaitu: 1. Jaringan Lapis Tunggal (Single Layer Network) Jaringan lapis tunggal merupakan jaringan yang hanya memiliki satu buah lapisan dengan bobot-bobot yang terhubung. Jaringan ini hanya menerima nilai masukan dan secara langsung mengolahnya untuk menjadi nilai keluaran tanpa melalui lapisan tersembunyi. Gambar 2. Jaringan Lapis Tunggal 2. Jaringan Lapis Jamak (Multi Layer Network) Jaringan lapis jamak merupakan jaringan yang memiliki satu buah atau lebih lapisan di antara lapisan masukan dan lapisan keluaran. Jaringan lapis jamak ini dapat menyelesaikan permasalahan yang lebih rumit dibandingkan dengan jaringan lapis tunggal walaupun memiliki tingkat kerumitan yang tinggi serta membutuhkan waktu yang lama dalam proses pelatihannya. Gambar 3. Jaringan Lapis Jamak

4 2.4.3 Model Pelatihan Jaringan Saraf Tiruan Metode pembelajaran jaringan saraf tiruan terdiri dari dua cara: 1. Pembelajaran Terbimbing (Supervised Learning) Pembelajaran terbimbing merupakan metode pembelajaran dalam jaringan saraf tiruan yang mana keluaran target yang diinginkan telah diketahui sebelumnya dan diharapkan setelah proses pelatihan keluaran target tercapai. 2. Pembelajaran Tak Terbimbing (Unsupervised Learning) Pembelajaran tak terbimbing merupakan metode pembelajaran dalam jaringan saraf tiruan yang tidak memerlukan keluaran target dalam proses pembelajarannya Fungsi Aktivasi Ada beberapa fungsi aktivasi yang sering digunakan dalam jaringan saraf tiruan, antara lain: 1. Fungsi Sigmoid Biner (Logsig) Fungsi sigmoid biner memiliki nilai antara 0 sampai 1. Oleh karena itu, fungsi ini sering digunakan untuk jaringan saraf yang membutuhkan nilai keluaran yang terletak pada interval 0 sampai 1. Gambar 4. Fungsi Sigmoid Biner Gambar 6. Fungsi Linier Jaringan Saraf Tiruan Perambatan Balik Jaringan saraf perambatan balik merupakan salah satu dari beberapa metode yang digunakan dalam jaringan saraf tiruan dan yang paling sering digunakan dalam berbagai bidang aplikasi, seperti pengenalan pola, peramalan dan optimisasi. Hal ini dimungkinkan karena metode ini menggunakan pembelajaran yang terbimbing. Pola masukan dan target diberikan sebagai sepasang data. Bobot-bobot awal dilatih dengan melalui tahap maju untuk mendapatkan galat keluaran yang selanjutnya galat ini digunakan dengan tahap mundur untuk memperoleh nilai bobot yang sesuai agar dapat memperkecil nilai galat sehinggga target keluaran yang dikehendaki tercapai Arsitektur Jaringan Saraf Tiruan Perambatan Balik Hubungan antar neuron dalam suatu jaringan dan membentuk lapisan disebut arsitektur jaringan. Arsitektur jaringan saraf perambatan balik terdiri dari beberapa lapisan, yaitu lapisan masukan, lapisan tersembunyi dan lapisan keluaran. 2. Fungsi Sigmoid Bipolar (Tansig) Fungsi sigmoid bipolar hampir sama dengan fungsi sigmoid biner, hanya saja fungsi ini memiliki range antara 1 sampai -1. Gambar 7. Arsitektur jaringan saraf perambatan balik Gambar 5. Fungsi Sigmoid Bipolar 3. Fungsi Linier (Identitas) Fungsi linier memiliki nilai keluaran yang sama dengan nilai masukannya. Arsitekturnya seperti tampak pada Gambar 7 tersusun atas lapisan-lapisan, yaitu lapisan masukan, lapisan tersembunyi, dan lapisan keluaran. Lapisan paling kiri adalah lapisan masukan dan di dalam jaringan saraf tiruan hanya simpul-simpul pada lapisan inilah yang menerima masukan luar. Lapisan

5 berikutnya adalah lapisan tersembunyi, dan pada lapisan ini simpul-simpulnya diinterkoneksikan secara penuh ke lapisan di atas dan di bawahnya. Lapisan paling kanan adalah lapisan keluaran sebagai akhir dari proses jaringan tersebut. III. PERANCANGAN SISTEM Secara umum blok diagram sistem pengenalan pola huruf Jawa yang dirancang dapat ditunjukkan pada Gambar 8 sebagai berikut. Gambar 9 Tulis Tangan Jawa Citra Sukri 3.2 Preprocessing Preprocessing merupakan langkah awal sebelum dilakukan segmentasi terhadap huruf yang akan dikenali. Ada beberapa proses dalam preprocessing ini yakni: filtering, thining,dan search vertices. Berikut akan dijelaskan lebih mendalam mengenai proses tersebut. Gambar 8 Diagram Proses Sistem 3.1 Akuisisi Citra Citra huruf Jawa didapatkan dari temanteman yang kuliah di Universitas Diponegoro. Data diambil dari 12 orang yang berbeda yaitu Aditya Wibowo, Citra Sukri, Eprin Intartikasari, Fatima Nurita, Fendhy Putra, Gathut Nugroho, Ma ruf Nashrul, Meilia Kusumawardani, Reza Ardhita, Ria Chandra, Rifatul, Teguh Prakoso. Setiap orang menuliskan huruf Jawa dari awal sampai akhir yang berjumlah 20 huruf. Berikut adalah contoh hasil scan huruf Jawa tulisan tangan Filtering Gambar masukan yang diterima oleh sistem akan diubah menjadi sebuah matrik yang berukuran seusai dengan ukuran piksel gambar masukan tersebut. Kemuadian akan dilakukan perubahan menjadi binary matrik (matrik yang hanya mempunyai dua nilai yakni: 0 dan 1). Perhatikan gambar 10 berikut : Gambar 10 Binary Matrik Thining Proses thining merupakan proses penghilangan piksel terluar dengan cara iterative boundary erotion process hingga menghasilkan sebuah piksel tulang (skeleton). Gambar 11 Proses Thining

6 3.2.3 Search Verticles Masukan yang telah dilakukan proses thining selanjutnya akan dicari koordinat titik ujung (end points) dan titik percabangan (intersection points). Gambar 12 Find Vertices 3.3 Fuzzy Feature Extraction Pada tahap ini akan dilakukan segmentasi terhadap huruf yang selanjutnya akan ditentukan tipe dari masing-masing segmen tersebut. Input data: a) m x n binary image matrik (yang telah dilakukan thining). b) Koordinat vertices (titik ujung dan titik percabangan) Output data: a) Matrik fungsi dari huruf b) Matrik interrelationship (matrik keterhubungan antar segmen) Gambar 13 Tipe segmen 3.4 Neural Network Backpropagation Perancangan Arsitektur Jaringan Metode Jaringan Saraf Tiruan yang akan digunakan adalah metode jaringan saraf tiruan propagasi balik. Spesifikasi jaringan saraf tiruan yang dirancang pada Tugas Akhir ini adalah sebagai berikut : 1. Lapisan masukan : Pada lapisan masukan terdapat 180 neuron yang digunakan untuk memasukkan data citra. 2. Lapisan tersembunyi : 3 lapisan tersembunyi (hidden layer), lapisan pertama berisi 160 neuron dengan fungsi aktivasi sigmoid bipolar (tansig), sedangkan lapisan kedua berisi 140 neuron dengan fungsi aktivasi sigmoid biner (logsig) dan lapisan ketiga berisi 120 neuron dengan fungsi aktivasi sigmoid biner (logsig). 3. Lapisan keluaran : 20 neuron dengan fungsi identitas (purelin). Lapisan keluaran berisi hasil klasifikasi Perancangan Pelatihan Jaringan Pelatihan jaringan yang dilakukan adalah setiap gambar yang akan dilatih diambil satu gambar dari masing masing orang yang telah menulis sehingga dari ke 10 orang tersebut yang telah menulis sebanyak 5 kali diambil satu gambar. Sehingga total untuk data latih sebesar 200 buah gambar masukan, dan untuk data uji sebesar 1000 buah gambar karena ada dua gambar dari dua orang yang tidak ikut dilatih. Data tersebut di masukan pada tombol input pattern. Kemudian disimpan dan lakukan pelatihannya. IV. PENGUJIAN DAN ANALISIS Pembuatan Data Pelatihan Pengujian yang dilakukan dibagi menjadi dua yaitu pengujian dengan menggunakan data latih dan pengujian dengan menggunakan data uji. Pengujian dengan menggunakan data latih merupakan pengujian yang dilakukan berdasarkan data tulisan Jawa tunggal yang telah dipotong ke ukuran 106*114 dengan format.bmp yang dijadikan basis data pada saat pembuatan jaringan. Sedangkan pengujian dengan menggunakan data uji merupakan pengujian data tulisan Jawa tunggal yang tidak dijadikan basis data pada saat pelatihan jaringan Pengujian Data Latih Pada pengujian data latih parameter yang digunakan adalah : NetBP =newff(minmax(input),[160,140,120, 20],{'tansig','logsig','logsig','p urelin'},'trainrp'); NetBP= init (NetBP); NetBP.trainParam.epochs=epochs; NetBP.trainParam.goal=mse; NetBP.performFcn = 'sse'; NetBP.trainParam.mc = 0.95; NetBP.trainParam.lr=0.001;

7 Untuk jumlah iterasi adalah 5000 dan untuk goal nya 0.01 Jawa yang telah dipotong satu persatu. Citra huruf Jawa yang digunakan adalah 10 setiap huruf, jadi totalnya menjadi 200 citra huruf Jawa. 4.3 Pengujian Data Uji Setelah pengujian data latih selesai maka selanjutnya adalah melakukan pengujian data uji. Data citra huruf Jawa yang digunakan pada pengujian data uji ini adalah 5x setiap huruf Jawa jadi totalnya 1000 data huruf Jawa. Data tersebut bukan termasuk data yang telah dilatih pada proses pelatihan. Gambar 14. Hasil Pelatihan Jaringan Disini terlihat hasil pelatihan jaringan dengan menggunakan trainrp, dengan goal sebesar 0.01 dan epoch sebesar Pada gambar 14 di atas terlihat jaringan tidak bisa melakukan pembelajaran secara sempurna karena jumlah iterasi yang dilakukan sudah mencapai tujuan Gambar 16 Proses pengenalan pengujian data uji Tabel 1 Hasil Pengenalan Huruf Jawa Huruf Hasil Pengenalan Data Latih Hasil Pengenalan Data Uji a 6 28 Gambar 15 Hasil Simulasi Jaringan Disini terlihat simulasi jaringan berjalan dengan cukup baik karena keluaran hampir bisa mengenali data yang telah di uji walaupun belum semua data dapat terkenali. Nilai gradien m pada simulasi jaringan tersebut adalah Nilai perpotongan y untuk regresi liner mendekati 0. Serta nilai parameter regresi r adalah Pengujian Data Latih Pengujian data latih adalah menguji data citra yang dibuat untuk membuat jaringan ke dalam program yang telah dilatih. Pada pengujian data latih digunakan citra huruf n c r k f t s w l p

8 d j y v m g b q z Dikenali % ratarata 93 84,1 4.4 Faktor yang mempengaruhi tingkat keberhasilan pengenalan Berdasarkan data di atas dapat diketahui bahwa sistem pengenalan pola ini memiliki tingkat pengenalan sebesar 84.1%, sehingga dapat disimpulkan bahwa sistem ini cukup baik untuk melakukan pengenalan huruf Jawa tulisan tangan. Namun ada beberapa masalah yang ditemui antara lain ialah: - Akuisisi citra adalah cara pengambilan citra huruf Jawa tulis tangan. Mulai dari cara penulisan huruf Jawa yang berbedabeda dengan orang-orang yang berbedabeda juga. - Pola yang dimiliki oleh setiap huruf tidak selalu identik, dengan kata lain diperlukan sebuah parameter baru (selain value huruf dan matrik interrelationship) yang diperlukan untuk menjamin setiap huruf memiliki pola yang identik. - Penggunaan jaringan saraf tiruan akan lebih efektif jika pola yang dimiliki pada saat proses pembelajaran (training) semakin banyak dan begitupula sebaliknya akan kurang efektif apabila pola yang dimiliki terbatas. V. PENUTUP 5.1 Kesimpulan Berdasarkan proses perancangan, implementasi, pengujian, dan analisis yang dilakukan pada bab-bab sebelumnya maka ada beberapa kesimpulan yang dapat diambil, sebagai berikut : 1. Metode Logika Fuzzy yang digabungkan dengan Jaringan Saraf Tiruan Backpropagation dapat digunakan untuk mengenali huruf tulisan tangan. 2. Dengan ukuran 106*114 proses pelatihan akan lebih akurat dan lebih cepat karena ukuran ini tidak terlalu besar atau tidak terlalu kecil. Karena jika terlalu besar proses pelatihan akan lama, sedangkan kalau terlalu kecil ketepatan pengenalan akan tidak terlalu akurat. 3. Dengan memakai trainrp, program akan memiliki hasil kecepatan pelatihan yang tinggi. 4. Pada proses simulasi menghasilkan nilai gradien m pada simulasi jaringan tersebut adalah Nilai perpotongan y untuk regresi linier mendekati 0. Serta nilai parameter regresi r adalah Berdasarkan pengujian data latih dengan 200 citra huruf Jawa yang sudah dilatih serta hasil simulasinya yang tepat, pengenalannya didapatkan hasil 93%. 6. Sistem pengenalan tulisan yang dibangun dengan menggunakan metode logika fuzzy dan jaringan saraf tiruan memiliki tingkat pengenalan sebesar 84.1%, 7. Besarnya recognition rate akan dipengaruhi oleh identik tidaknya pola yang dimiliki oleh tiap huruf yang akan dikenali serta banyak tidaknya pola yang dimiliki sistem pada tahap pelatihan jaringan (training). 8. Faktor-faktor yang mempengaruhi tingkat pengenalan pada pengujian data adalah akuisisi citra, pelatihan jaringan, ekstraksi ciri, pola citra yang diuji, data latih

9 5.2 Saran Berikut saran yang dapat diajukan guna pengembangan pembangunan sistem pengenalan huruf tangan menggunakan metode logika fuzzy dengan pendekatan jaringan saraf tiruan backpropagation: 1. Sebaiknya pada akuisisi citra atau dalam pengambilan citra huruf Jawa harus sesuai dengan format huruf Jawa yang tepat serta tidak ada titik-titik atau kotoran yang nanti akan menambah noise. 2. Pada tahap features extraction akan lebih baik bila ditambahkan beberapa parameter lain(selain value setiap huruf dan matrik interrelationship) guna menghasilkan pola yang identik untuk setiap huruf. 3. Sistem akan lebih bermanfaat bila mampu mengenali bukan hanya satu huruf tulisan tangan, namun beberapa huruf yang terdapat pada masukan. DAFTAR PUSTAKA [1] Earl Gose, Richard Johnounbaug, Steve Jost.Pattern Recognition and Image analysis.prentice Hall. India [2] Gurney, K., An Introduction to Neural Networks, Taylor & Francis e-library, [3] Jain, A. K Fundamentals of Digital Image Processing. Prentice Hall. New Delhi. [4] Haykin, S., Neural Networks, Macmilian College Publishing Company.Inc, New York, [5] Hermawan, A., Jaringan Saraf Tiruan Teori dan Aplikasi, Penerbit Andi, Yogyakarta, [6] Kusumadewi, S., Membangun Jaringan Saraf Tiruan menggunakan MATLAB & EXCEL LINK, Penerbit Graha Ilmu, Yogyakarta,2004. [7] Puspitaningrum, D., Pengantar Jaringan Saraf Tiruan, Penerbit Andi, Yogyakarta, [8] Siang, J. J., Jaringan Saraf Tiruan dan Pemrogramannya Menggunakan Matlab, Penerbit Andi, Yogyakarta, [9] Lam, L., Seong-Whan Lee, and Ching Y. Suen, "Thinning Methodologies-A Comprehensive Survey," IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol 14, No. 9, September 1992, page 879, bottom of first column through top of second column [10] Pitas, Ioannis Digital Image Processing Algorithms. Prentice Hall International (UK) Ltd [11] Sugiharto, A., Pemograman GUI dengan MATLAB, Penerbit Andi, Yogyakarta, 2005 [12] ---,Jaringan Saraf Tiruan, November [13]Tugas Akhir Tri Budi Nurwanto Pengenalan Huruf Tulisan Tangan Menggunakan Logika Fuzzy Dengan Pendekatan Neural Networks Back Propagation, 2007 BIODATA PENULIS Aditya Wibowo, lahir di Kota Semarang pada tanggal 22 Maret Penulis menempuh studinya di SD Pendrikan Utara Semarang, SMP Negeri 30 Semarang, SMA Negeri 1 Semarang. Saat ini penulis sedang menyelesaikan studi strata 1 di Teknik Elektro Universitas Diponegoro mengambil Konsentrasi Elektronika dan Telekomunikasi. Menyetujui, Dosen Pembimbing I, Achmad Hidayatno, S.T., M.T. NIP Dosen Pembimbing II, Ajub Ajulian Zahra, S.T., M.T. NIP