PENGENALAN KARAKTER ALFABET MENGGUNAKAN JARINGAN SARAF TIRUAN

Transkripsi

1 PENGENALAN KARAKTER ALFABET MENGGUNAKAN JARINGAN SARAF TIRUAN Oleh : And Prasojo (L2F098584) Jurusan Teknk Elektro Fakultas Teknk Unverstas Dponegoro Jl. Prof. H. Sudarto, S.H., Tembalang, Semarang e-mal : coleprasojo@yahoo.com Abstrak- Pengenalan pola secara automats adalah masalah yang banyak menyta perhatan sekarang n, bak pengenalan pola wajah, sdk jar, tulsan tangan maupun pola karakter hasl cetakan. Yang menjad alasan peneltan adalah kemampuan untuk mengenal secara efektf dengan menggunakan pola contoh yang sedkt. Satu pendekatan yang menunjukkan hasl yang menjanjkan dalam pengenalan pola adalah dengan menggunakan jarngan saraf truan. Jarngan saraf truan telah dkembangkan sebaga generalsas model matematk dar pembelajaran otak manusa. Jarngan saraf truan algortma belajar perambatan-balk (backpropagaton) adalah salah satu algortma belajar terpandu (supervsed). Aplkas jarngan n melbatkan pemetaan sekumpulan masukan terhadap sekumpulan acuan keluaran. Dalam peneltan n, jarngan saraf dlath dengan menggunakan 234 karakter huruf besar tap jens font dan duj dengan 702 karakter yang terdr atas 234 karakter data lath dan 468 karakter data baru untuk setap jens font. Jens font yang dgunakan dalam peneltan n adalah Calsto MT, Courer New, Tahoma, dan Tme New Roman. Hasl pengujan menunjukkan arstektur dan parameter jarngan yang memberkan unjukkerja palng optmal untuk seluruh jens font adalah 60 neuron pada lapsan tersembuny, laju pembelajaran 0,01, momentum 0,9 dan teras 1000 kal. Prosentase pengenalan dar pelathan jarngan dengan arstektur dan parameter jarngan optmal n untuk data lath dan data baru masng-masng adalah 100% dan 99,89% dengan jumlah karakter takdkenal untuk data lath sebanyak 0 karakter dan data baru sebanyak 2 karakter. Katakunc : pengenalan karakter, jarngan saraf truan, perambatan-balk, laju pembelajaran, momentum. I. PENDAHULUAN Pengenalan pola secara automats adalah masalah yang banyak menyta perhatan sekarang n, bak pengenalan pola wajah, sdk jar, tulsan tangan maupun pola karakter hasl cetakan. Yang menjad alasan peneltan adalah kemampuan untuk mengenal secara efektf dengan menggunakan pola contoh yang sedkt. Karena terhambat oleh jumlah contoh pola yang besar, menjadkan para penelt harus mencar teknk yang dapat menngkatkan kemampuan komputer dalam mengenal dan merepresentaskan pola. Satu pendekatan yang menunjukkan hasl yang menjanjkan adalah dengan menggunakan jarngan saraf truan. Dengan bantuan pengolahan ctra dan jarngan saraf truan, komputer dapat mengenal dan merepresentaskan pola. Jarngan saraf truan algortma belajar perambatan-balk (backpropagaton) adalah salah satu algortma belajar terpandu (supervsed). Metode perambatan-balk secara sederhana adalah metode penurunan graden (gradent descent) untuk memnmalkan total galat kuadrat keluaran. Aplkas jarngan n melbatkan pemetaan sekumpulan masukan terhadap sekumpulan acuan keluaran. Tujuan pelathan jarngan n adalah mendapatkan kesembangan antara kemampuan tanggapan yang benar terhadap pola masukan yang dpaka untuk proses pelathan jarngan (memorzaton) dan kemampuan memberkan tanggapan yang layak untuk masukan sejens namun tdak dentk dengan yang dpaka pada pelathan jarngan (generalzaton) [18]. Prnsp nlah yang akan dgunakan untuk mengenal karakter huruf besar yang merupakan subsstem dar sstem pengenalan pola yang begtu kompleks. II. LANDASAN TEORI 2.1 Pengenalan Pola Secara umum teknk pengenalan pola bertujuan untuk mengklasfkaskan dan mendeskrpskan pola atau objek kompleks melalu pengukuran sfat-sfat atau cr-cr dar objek yang bersangkutan. Pola adalah enttas yang terdefns (mungkn secara samar) dan dapat dber suatu dentfkas atau nama. [9] Rancangan suatu sstem pengenalan pola pada dasarnya melput tga tahap, yatu akuss data, prapengolahan dan pengamblan keputusan. [9][12] Sstem pendekatan pengenalan pola dengan menggunakan jarngan saraf truan beroperas dalam dua fase, yatu fase lath dan fase

2 pengenalan. Pada fase lath, jarngan syaraf menentukan ruang cr yang sesua untuk merepresentaskan pola dan membag ruang cr tersebut sedemkan rupa sehngga tumpangtndh antara kategor menjad sekecl mungkn. Dagram kotak sederhana pengenalan karakter dtunjukkan pada Gambar 2.1. Masukan Ctra Dgtal Normalsas Ukuran Ekstraks Cr Pengenalan Karakter Jarngan Saraf Gambar 2.1 Dagram kotak sederhana pengenalan karakter. [19] Keluaran 2.2 Pengertan Ctra Dgtal dan Pengolahan Ctra [9] Ctra sebaga keluaran suatu sstem perekaman data dapat bersfat optk berupa foto, bersfat analog berupa snyal-snyal vdeo sepert gambar pada montor televs, atau bersfat dgtal yang langsung dapat dsmpan pada suatu pta magnetk. Ctra dgtal merupakan lark dua dmens atau suatu matrks yang elemenelemennya menyatakan tngkat keabuan dar elemen gambar. Jad nformas yang terkandung bersfat dskret. Pengolahan ctra merupakan proses pengolahan dan analss ctra yang banyak melbatkan perseps vsual. Proses n mempunya cr data masukan dan nformas keluaran yang berbentuk ctra. Istlah pengolahan ctra dgtal secara umum ddefnkskan sebaga pemrosesan ctra dua dmens dengan komputer. Dalam defns yang lebh luas, pengertan ctra dgtal juga mencakup semua data dua dmens. 2.3 Jarngan Saraf Truan [5] Jarngan Saraf Truan (JST) bsa ddefnskan kurang lebh sebaga sstem komputas yang ddasarkan pada pemodelan saraf bologs (neuron) melalu pendekatan dar sfatsfat komputas bologs (bologcal computaton) [18] JST bsa dbayangkan berupa jarngan dengan elemen pengolah sederhana yang salng terhubung. Elemen pengolah bernteraks melalu sambungan yang varabel, dsebut bobot, dan bla datur secara tepat dapat menghaslkan sfat yang dngnkan [17]. 2.3 Pemodelan Neuron Neuron adalah unt pengolah nformas yang merupakan dasar operas jarngan saraf. Gambar 2.2 menunjukkan model neuron McCulloch-Ptts. Gambar 2.2 Model sebuah neuron [5]. Model sebuah neuron sepert dtunjukkan Gambar 2.2 dapat dtulskan dengan persamaan: [4] dengan x y ƒ N 1 w x θ = snyal masukan. (2.1) w = bobot hubungan = bas f. = fungs aktfas atau elemen pemroses y = snyal keluaran. 2.4 Arstektur Jarngan Saraf Truan Suatu algortma belajar dar jarngan saraf truan tergantung dar arstektur atau struktur dar jarngan saraf tersebut; dengan arstektur tersebut menggambarkan jumlah neuron dan hubungan bobot yang dpaka. Secara umum arstektur jarngan saraf dapat dbedakan menjad tga kelas yang berbeda, yatu : 1. Jarngan umpan-maju lapsan tunggal (sngle layer feedforward network/perceptron). 2. Jarngan umpan-maju lapsan jamak (multlayer perceptron). 3. Jarngan saraf truan recurrent. 2.6 Algortma Belajar Ide dasar JST adalah konsep belajar. Jarngan belajar melakukan generalsas karakterstk tngkah laku objek. JST menympan lmu pengetahuannya dalam nla bobot sambungan (sepert snapss dalam otak manusa) dan elemen-elemen (neuron) yang menghaslkan keluaran. Termnolog belajar artnya membentuk pemetaan (fungs) yang menggambarkan hubungan antara vektor masukan dan vektor keluaran. Algortma belajar dapat dbedakan menjad tga buah, yatu: 1. Pembelajaran terpandu (supervsed learnng). 2. Pembelajaran takterpandu (unsupervsed learnng). 3. Renforcement learnng. Pembelajaran yang dgunakan dalam tugas akhr n adalah pembelajaran terpandu.

3 2.7 Algortma Belajar Perambatan-balk (Backpropagaton). Jarngan saraf truan perambatan-balk (backpropagaton) merupakan salah satu model dar jarngan saraf truan umpan-maju dengan menggunakan pembelajaran terpandu yang dsusun berdasar pada algortma galat perambatan-balk yang ddasarkan pada aturan pembelajaran dengan koreks kesalahan (error correcton learnng rule). Secara mendasar, proses dar galat perambatan-balk n terdr atas dua tahap, yatu umpan-maju dan umpan-balk. Arstekturnya sendr tersusun atas tga lapsan, yatu lapsan masukan (nput layer), lapsan tersembuny (hdden layer), dan lapsan keluaran (output layer) sepert dtunjukkan pada Gambar 2.3. III. METODOLOGI PENELITIAN Secara gars besar, program smulas yang akan drancang mengkut dagram alr sepert dtunjukkan pada Gambar 3.1. Mula Prapengolahan ekstraks cr klasfkas dengan menggunakan jarngan saraf truan b j b k Selesa Gambar 3.1 Dagram alr program utama x n w j Gambar 2.3 Arstektur jarngan saraf truan perambatan-balk Proses belajar dar jarngan saraf perambatan-balk n secara gars besar adalah setelah menerma masukan pada lapsan masukan, maka masukan tu akan drambatkan melewat setap lapsan d atasnya hngga suatu keluaran dhaslkan oleh jarngan. Keluaran yang dhaslkan oleh jarngan akan dbandngkan dengan acuan keluaran, sehngga suatu galat akan dbangktkan. Selanjutnya, jarngan akan melewatkan turunan dar galat tersebut ke lapsan tersembuny dengan menggunakan sambungan berbobot yang mash belum dubah nlanya. Kemudan setap neuron pada lapsan tersembuny akan menghtung jumlah bobot dar galat yang drambatbalkkan sebelumnya. Galat perambatan-balk nlah yang member nama jarngan n sebaga jarngan perambatan-balk (backpropagaton). Setelah masng-masng neuron dar lapsan tersembuny dan lapsan keluaran menemukan besarnya galat, maka neuron-neuron n akan mengubah nla bobotnya untuk mengurang besarnya galat. Proses n berlangsung terus-menerus hngga galat yang dhaslkan oleh jarngan tersebut mendekat nol. Jarngan saraf jens nlah yang dgunakan dalam tugas akhr n. w k y n 3.1 Prapengolahan Yang dlakukan pada tahap n adalah menyederhanakan ctra sehngga sap untuk danalss. Pada proses prapengolahan n, ctra aras warna dubah menjad aras keabuan kemudan dambangkan. Ctra hasl proses pengambangan adalah ctra bner dengan latar-belakang berwarna htam dan bagan latar depan yang merupakan ctra yang akan dproses berwarna puth. Kemudan ctra dperhalus dengan menghlangkan pksel yang lemah dengan opersa morfolog close dan majorty. Setelah tu dcar batas atas, batas bawah, batas kanan, dan batas kr dar ctra dan mengubah ukuran ctra menjad berukuran 8080 pksel. Ctra nlah yang sap untuk danalss pada proses ekstraks cr. 3.2 Ekstraks Cr Ctra hasl prapengolahan, dbag menjad 16 bars dan 16 kolom. Pada setap kotak dlakukan penghtungan pksel, bla dtemukan jumlah pksel 1 lebh dar 12 pksel, maka kotak tersebut dber nla satu, bla tdak maka kotak tersebut dber nla 0. Haslnya dsmpan dalam matrks Klasfkas dengan Menggunakan Jarngan Saraf Truan. Terdapat dua tahap dalam klasfkas dengan menggunakan jarngan saraf truan, yatu tahap pelathan dan tahap klasfkas. Pada tahap klasfkas, pola sebaga masukan pada jarngan saraf truan menghaslkan keluaran yang menyajkan apa yang dyakn oleh jarngan saraf sebaga keluaran yang benar. Namun demkan, agar tahap klasfkas berhasl harus ddahulu dengan

4 tahap pelathan. Pada tahap n jarngan saraf menerma sekumpulan masukan yang bersesuaan dengan sekumpulan keluaran. Dengan kata lan, jarngan saraf truan belajar untuk memasangkan keluaran yang benar terhadap pola masukan yang bersesuaan. IV. HASIL PENELITIAN DAN PEMBAHASAN Pengujan terhadap program smulas n dlakukan dengan tujuan agar dapat dketahu apakah program yang dbuat telah sesua dengan yang dngnkan dengan parameter unjuk-kerja dukur dar prosentase pengenalan terhadap karakter huruf besar yang dujkan. Pengujan dlakukan sebanyak 12 kal dengan varas neuron pada lapsan tersembuny 18, 60,dan 1000,laju pembelajaran dan momentum 0,01 dengan 0,9 dan 0,1 dengan 0,1, dan teras 500 kal dan 1000 kal dengan jumlah karakter 2808 karakter yang terdr atas 926 karakter data lath dan 1872 karakter baru. Hasl pengujan menunjukkan varas arstektur dan parameter jarngan yang menghaslkan unjuk-kerja palng optmal untuk seluruh jens font adalah 60 neuron pada lapsan tersembuny, laju pembelajaran dan momentum masng-masng adalah 0,01 dan 0,9, dan teras 1000 kal yatu untuk jens font Calsto MT sebesar 99,78% (terbak pertama), untuk jens font Courer New sebesar 98,50% (terbak kedua), untuk jens font Tahoma sebesar 99,35% (terbak kelma), dan untuk jens font Tme New Roman sebesar 99,57% (terbak pertama). Tabel 4.1 hasl pengujan dengan arstektur dan parameter jarngan optmal untuk seluruh jens font. Tabel 4.1 Hasl pengujan dengan keseluruhan jens font menggunakan 60 neuron pada lapsan tersembuny, laju pembelajaran 0,01, momentum 0,9 dan teras 1000 kal. Huruf Data Lath Data Baru A B C D E ,611 F G H ,611 I J K L Tabel 4.1 Hasl pengujan dengan keseluruhan jens font menggunakan 60 neuron pada lapsan tersembuny, laju pembelajaran 0,01, momentum 0,9 dan teras 1000 kal (lanjutan). Huruf Data Lath Data Baru M N O P Q R S T U V W X Y Z dkenal takdkenal 0 2 %rata-rata ,893 Tabel 4.1 menunjukkan prosentase pengenalan data lath dan data baru masngmasng 100% dan 99,89% dengan jumlah karakter takdkenal sebanyak 0 karakter pada data lath dan 2 karakter pada data baru. Tabel 4.1 juga menunjukkan bahwa prosentase pengenalan data lath lebh tngg dbandngkan dengan prosentase pengenalan data baru. Perbedaan prosentase pengenalan antara data lath dan data baru dsebabkan data lath adalah data yang memlk struktur pola yang sama dengan data yang dgunakan pada saat pelathan jarngan sehngga menghaslkan prosentase pengenalan yang cukup tngg, sedangkan data baru adalah data yang benar-benar belum pernah dlathkan pada jarngan walaupun memlk struktur pola yang mrp sehngga menghaslkan prosentase pengenalan yang cenderung lebh rendah dbandngkan dengan prosentase pengenalan data lath. V. PENUTUP 5.1 Kesmpulan Kesmpulan yang dapat dambl dar pembuatan dan pengujan program smulas pengenalan karakter huruf besar adalah sebaga berkut. 1. Prosentase pengenalan terhadap data lath lebh tngg dbandngkan dengan prosentase pengenalan terhadap data baru. 2. Arstektur dan parameter jarngan yang memberkan hasl unjuk-kerja palng optmal adalah 60 neuron pada lapsan tersembuny, laju pembelajaran 0,01, momentum 0,9, dan teras 1000 kal.

5 3. Prosentase pengenalan dar pelathan jarngan dengan astektur dan parameter jarngan optmal dan melbatkan seluruh jens font suntuk data lath dan data baru masng-masng adalah 100% dan 99,89% dengan jumlah karakter takdkenal untuk data lath sebanyak 0 karakter dan untuk data baru sebanyak 2 karakter. 5.2 Saran 1. Perlu dgunakan arstektur dan parameter jarngan yang memberkan hasl pengenalan yang lebh optmal pada peneltan dan pengembangan berkutnya. 2. Perlu dlakukan pengenalan tulsan tangan atau karakter huruf kecl dengan menggunakan algortma ekstraks cr yang berbeda pada peneltan dan pengembangan berkutnya. 3. Dapat dgunakan jumlah neuron yang tetap sesua dengan format ASCII 8-bt pada peneltan dan pengembangan berkutnya. DAFTAR PUSTAKA [1]. Demuth, H. dan M. Beale, Neural Networks Toolbox for User wth MATLAB, The Mathwork, Inc, [2]. Hanselman, D. dan B. Lttlefeld, MATLAB Bahasa Komputas Tekns, (terj. Jozep Edyanto), ANDI, Yogyakarta, [3]. Hartad, D., Smulas Penghtungan Sel Darah Merah, Tugas Akhr, Jurusan Teknk Elektro, Fakultas Teknk, Unverstas Dponegoro, [4]. Haykn, S., Neural Networks, a Comprehensve Foundaton, Mcmllan College Publshng Company, New York. [5]. Ivana, Pengenalan Ucapan Vokal Bahasa Indonesa Dengan Jarngan Syaraf Truan Menggunakan Lnear Predctve Codng, Tugas Akhr, Jurusan Teknk Elektro, Fakultas Teknk, Unverstas Dponegoro, [6]. Jan, A.K., Fundamentals of Dgtal Image Processng, Prentce Hall of Inda Prvate Lmted, New Delh, [7]. Kusumoputro, B., E. Phlpus dan M.W. Rahmat, Pengenalan Huruf Tulsan Tangan Menggunakan Logka Fuzzy dan Jarngan Syaraf Truan, Fakultas Ilmu Komputer, Unverstas Indonesa. [8]. Mudjhardjo, P., T.S. Wdodo dan A. Susanto, Penerapan Jarngan Perambatan-Balk untuk Deteks Kesalahan pada Pengenalan Kode Pos Tulsan Tangan, Semnar Nasonal Teknk Elektro, G-20, [9]. Murn, A., Pengantar Pengolahan Ctra, PT. Elekmeda Komputndo, Kelompok Grameda, Jakarta, [10]. Pttas, I., Dgtal Image Processng Algortms, Prentce Hall Internatonal (UK) Ltd, [11]. Proaks, J.G. dan D.G. Manolaks, Pemrosesan Snyal Dgtal, Prnsp, Algortma dan Aplkas, eds Bahasa Indonesa, PT Prenhallndo, Jakarta, [12]. Sgt, R., A. Shnj, dan S. Hsash, Aplkas Jarngan Syaraf Truan untuk Mengenal Angka, IECI Chapter, Japan Seres, Vol.3 No.1, [13]. Russ, J.C., The Image Processng Handbook 2 nd edton, CRC Pres Inc, [14]. Saputra, E., Jarngan Syaraf Truan untuk Identfkas Kode Derau Palsu, Tugas Akhr, Jurusan Teknk Elektro, Fakultas Teknk, Unverstas Dponegoro, [15]. Schalkoff, R.J., Dgtal Image Processng and Computer Vson, Department of Electrcal and Computer Engneerng, Clemson Unversty, Clemson, South Carolna. [16]. Schalkoff, R.J, Pattern Recognton: Statstcal, Structural and Neural Approaches, John Wley & Sons, Inc, [17]. Sekarwat, K.A, Jarngan Saraf Truan, Unverstas Gunadarma. [18]. Suhard, I., Y.U. Imardjoko, dan H. Samadj, Evaluas Jarngan Syaraf Truan untuk Pengenalan Karakter Tulsan Tangan Jens Cetak, Semnar Nasonal Teknk Elektro, G- 1, 2003.

6 [19]. Wlson, A.T., Off-lne Handwrtng Recoghnton Usng Artfcal Neural Networks, Unversty of Mnnesota, Morrs. [20] , Image Processng Toolbox, for user s wth MALTLAB, user s gude verson 3, The mathwork Inc, And Prasojo. Mahasswa Teknk Elektro Unverstas Dponegoro angkatan 1998, dengan konsentras teknk telekomunkas. Saat n sedang menyelesakan stud strata-1 (S1). Pembmbng II R. Rzal Isnanto., S.T., M.M., M.T. NIP

7