PENGENALAN HURUF BRAILLE BERBASIS JARINGAN SYARAF TIRUAN METODA HEBBRULE

Transkripsi

1 1 PENGENALAN HURUF BRAILLE BERBASIS JARINGAN SARAF TIRUAN METODA HEBBRULE un Ennggar 1, Wahyul Amen Syafe, ST, MT 2, Bud Setyono,ST,MT 2 Jurusan Teknk Elektro, Fakultas Teknk Unverstas, Dponegoro Jl. Prof. Sudharto, Tembalang, Semarang, Indonesa Emal : ennggar@yahoo.com Telp : ABSTRAK. Bdang artfcal neural networks (ANNs) atau jarngan sel-sel otak buatan telah dkembangkan untuk memungknkan proses belajar dmplementaskan pada suatu sstem. Umumnya jarngan neuron datur atau dlath sedemkan sehngga masukan secara khusus menuju suatu target keluaran tertentu. Jarngan syaraf truan dapat d gunakan untuk mengenal huruf Bralle. Pada perancangan n menggunakan metoda hebbrule. Ctra masukan yang asl d rubah menjad grayscale lalu d rubah lag menjad ctra htam puth untuk menghaslkan ctra bner, yang nantnya nla bner n dubah ke bentuk bpolar, yang untuk selanjutnya baru dapat melanjutkan ke proses pelathan dan pengenalan huruf. Proses pelathan yang dlakukan, semakn banyak masukan huruf yang dlathkan maka prosesnya akan semakn lama. Pada saat penuls melathkan sebanyak 20 kal untuk tap huruf mencapa sektar 7 ment untuk tap hurufnya. Semakn banyak pengulangan yang d lakukan pada saat pelathan untuk tap huruf akan menngkatkan porsentase keberhaslan pada saat pengujan.porsentase keberhaslan menggunakan 3 kal pelathan untuk tap hurufnya,mendapatkan hasl keberhaslan pengujan sebesar 46,31%, 5 kal pelathan untuk tap hurufnya,mendapatkan hasl keberhaslan pengujan sebesar 65,326%, dan 20 kal pelathan untuk tap hurufnya,mendapatkan hasl keberhaslan pengujan sebesar 73,043%.. Kata-kunc: neural, Bralle, hebbrule 1. Pendahuluan Ternspras oleh keunggulan otak manusa n, bdang artfcal neural networks (ANNs) atau jarngan sel-sel otak buatan telah dkembangkan untuk memungknkan proses belajar dmplementaskan pada suatu sstem. Terobosan baru n membuat sstem nteljen selangkah lebh maju. Jarngan neuron dsusun dar beberapa elemen sederhana yang bekerja secara parallel. Umumnya jarngan neuron datur atau dlath sedemkan sehngga masukan secara khusus menuju suatu target keluaran tertentu tu. Model neuron dan arstektur jarngan neuron mengurakan bagamana sebuah jarngan mentransformaskan suatu nput ke suatu output. Perbedaan cara baca seorang tunanetra dan seorang yang normal adalah karena seorang tunanetra tdak dapat melhat. 1.Mahasswa jurusan Teknk Elektro UNDIP 2. Staf pengajar jurusan Teknk Elektro UNDIP Tunanetra menggunakan huruf bralle yang cara bacanya dengan meraba tekstur bralle. Sedangkan seorang normal dapat membaca tulsan dengan mata normalnya. 2. Dasar Teor 2.1 Ctra Dgtal [ 4 ] Ctra adalah kumpulan ttk-ttk yang dsebut dengan pxel (pcture element atau pel) dan setap ttk dtanda dengan nformas poss pada koordnat x dan y. Suatu ctra dapat pula dnyatakan sebaga suatu fungs bernla real yang dkatkan dengan sebuah blangan yang menyatakan ntenstas warna ctra d ttk tersebut yang dwakl dengan suatu nla pembatas yatu br. Jens ctra ada 3, yatu monochrom (yang hanya terdr dar dua warna htam dan puth), aras abu-abu (grayscale) dan RGB (Red, Green, Blue). Untuk RGB, tap pxel dpresentaskan dengan 24 bt data dan warna ctra adalah hasl dar varas penjumlahan warna merah, hjau, dan bru.

2 2 Ctra sebaga keluaran suatu system perekaman dan data dapat bersfat optk berupa foto, bersfat analog berupa snyal-snyal vdeo sepert gambar pada montor televs, atau bersfat dgtal yang langsung dsmpan pada suatu pta magnetc. Menurut press yang dgunakan untuk menyatakan ttk-ttk koordnat pada kawasan spasal atau ruang dan untuk menyatakan nla keabuan atau warna suatu ctra, maka secara teorts ctra dapat dkelompokkan menjad empat kelas ctra, yatu ctra kontnu-kontnu, kontnudskret, dskret-kontnu, dan dskret-dskret, dengan label pertama menyatakan press nla keabuan atau warna. Artfcal Neural Network (ANN) / Jarngan Syaraf Truan (JST) [ 5 ] Ternspras oleh keunggulan otak manusa n, bdang artfcal neural networks (ANNs) atau jarngan sel-sel otak buatan telah dkembangkan untuk memungknkan proses belajar dmplementaskan pada suatu sstem. Terobosan baru n membuat sstem nteljen selangkah lebh maju. Dan, membuka jalan bag para ahl untuk mencptakan sstem yang semakn mrp dengan otak manusa. Sebutan metoda artfcal neural networks atau basa dsebut neural networks sebenarnya dtujukan kepada kumpulan dar berbaga pendekatan dan algortma matematk yang menggunakan konsep perhtungan secara parallel sepert yang terjad pada otak. Tdak sepert mkroprosessor yang terdr dar berjuta-juta transstor, otak manusa terbentuk dar sebuah jarngan yang kurang lebh terdr dar 110,000,000,000 sel otak atau neuron. Setap neuron berhubungan dengan kra-kra 100,000 neuron-neuron yang lannya. Neuron merupakan tulang punggung dar kerja otak. Sel otak n mempunya lma komponen pentng yatu : snapss, dendrt, soma (badan sel), axon, dan pulsa elektro-kma sebaga sgnal pengantar pesan. Pulsa-pulsa elektro-kma dar neuronneuron yang berhubungan masuk melalu dendrt melewat snapss menuju soma. JARINGAN HEBB RULE [ 1 ] Hebb rule adalah aturan pelathan yang palng awal dan palng sederhana untuk jarngan syaraf truan secara umum. Pada aturan hebb n pelathan yang terjad yatu dengan memodfkas kekuatan snapss (bobot). Jka kedua syaraf kedua-duanya on pada waktu yang sama, maka bobot neuron akan bertambah. Kta akan mengarah pada jarngan syaraf sngle layer (feedforward) dlath menggunakan (perluasan hebb rule sebaga jarngan hebb. Aturan hebb juga dgunakan untuk pelathan jarngan lan yang dbahas kemudan. Karena kta sedang mempertmbangkan jarngan sngle-layer, salah satu neuron yang salng berhubungan merupakan satu unt masukan dan satu unt keluaran (karena tdak ada unt nput yang terhubung satu sama lan, tdak juga banyak unt output terhubung). Jka data dtunjukkan dalam bentuk bpolar, n mudah untuk menyatakan pembaharuan bobot yang dngnkan sehngga: w ( new) w ( old) x y Jka data adalah bner, formula n tdak membedakan antara pasangan pelathan d mana unt nput adalah on dan nla target adalah off dan pasangan pelathan yang mana antara unt nput dan nla target adalah off. Berkut n adalah arstektur hebb X1 X Xn w1 w wn Gambar 2.1. Arstektur hebb Mean Square Error [3] MSE adalah jarngan fungs hasl. In mengukur penamplan jarngan yang sesua untuk rata-rata dar square error. Error d htung dengan mengurang output dar Target. Kemudan mean square error dhtung. Catatan, MSE dapat dpanggl dengan hanya satu argumen karena argumen lan dabakan. MSE mendukung argumen yang dabakan untuk memenuh fungs penamplan standard daftar argumen. Sepert learnng rule perceptron, algortma least mean square error (LMS) adalah contoh supervsed tranng, yang mana learnng rule adalah dberkan dengan set contoh kebasaan jarngan yang dngnkan. P, t },{ P t },...,{ P q, t } {

3 3 D sn P adalah nput pada jarngan, dan t adalah yang berhubungan dengan output target. Sepert setap nput dpaka pada jarngan, jarngan output adalah dbandngkan dengan target. Error dhtung perbedaannya antara target output dengan jarngan output. Kta dapat memnmsaskan rata-rata dar jumlah error n mse e( k) ( t( k) a( k)) k 1 k 1 Dmana t(k) adalah target dan a(k) adalah output jarngan. 3. Perancangan Pengenalan Huruf Bralle Berbass Jarngan Syaraf Truan Metoda Hebb Rule Program pada peneltan menggunakan perangkat lunak Matlab 6.5. Sstem pengolahan ctra dlakukan berdasarkan landasan teor pada Bab II. Perancangan program pengenalan huruf bralle menggunakan jarngan syaraf truan dengan metoda hebbrule menggunakan dagram alr pada gambar 3.1 berkut n. Pembacaan ctra yang akan dolah Ctra keabuan Ctra htam-puth Dkodekan bpolar +1 dan -1 Perksa nput nama gambar (harus ds) Insalsas nama, nput, bobot Buka fle pelathan jka ada Gabungkan nput nama dan nput gambar dengan s fle Car bobot baru=bobot lama+target*nput Smpan nput gambar, nama, bobot dan target d fle pelathan Gambar 3.2 Dagram alr Pelathan Setelah proses pembacaan ctra yang akan dolah, pengubahan ke ctra keabuan, pengubahan ctra htam puth, pengkodean bpolar +1 dan 1, dan proses pelathan maka proses selanjutnya adalah pengenalan. Pada program untuk menentukan proses pengenalan yatu dengan memlh tombol yang telah terseda dengan plhan pengenalan. Berkut n adalah dagram alr yang akan d kerjakan pada saat proses pengenalan. Pelathan? T Pelathan Masukkan nput yang akan dkenal Pengenalan? T Pelathan Membandngkan referens pelathan Gambar 3.1 Dagram alr perancangan program Setelah proses pembacaan ctra yang akan dolah, pengubahan ke ctra keabuan, pengubahan ctra htam puth, dan pengkodean bpolar +1 dan 1, maka proses selanjutnya adalah pelathan. Berkut n adalah dagram alr yang akan d kerjakan pada saat proses pelathan Pencaran nla MSE Menamplkan hasl pengenalan dan nla MSE Gambar 3.3 Dagram alr pengenalan

4 4 4. Analss Hasl Smulas 4.1 Tamplan program Pada tamplan jendela utama program terdapat tga tamplan gambar yatu ctra asl, ctra grayscale, dan ctra black-whte. Tombol fle gambar untuk memlh gambar yang akan d proses, bak proses pelathan maupun proses pengenalan. Tombol pelathan adalah untuk menjalankan proses pelathan pada program. Tombol pengenalan adalah untuk menjalankan proses pengenalan. Tombol petunjuk untuk menamplkan nformas, dan tombol keluar untuk mengakhr. dlathkan akan menghaslkan proses pengenalan yang semakn bak. Hal n dapat dlhat pada saat penuls hanya melathkan sebanyak 3 kal yntuk setap hurufnya hanya menghaslkan rata-rata tngkat keberhaslan pengenalan 46,31%. Sedangkan pada saat penuls melathkan sebanyak 5 kal untuk setap hurufnya menghaslkan rata-rata keberhaslan 65,326%. Untuk melhat hasl porsentase keberhaslan pengujan berdasarkan banyaknya jumlah pengulangan pelathan untuk tap hurufnya dapat dlhat pada Tabel 4.1. Tabel 4.1 Perbedaan porsentase hasl pengenalan huruf berdasarkan banyaknya jumlah pelathan No Banyaknya pelathan yang dlakukan Hasl pengenalan rata-rata untuk tap huruf 1 3 kal 46,31% 2 5 kal 65,326% 3 20 kal 73,043% Gambar 4.1 proses pelathan 5. Penutup 5.1 Kesmpulan Dar analss knerja hasl smulas pada bab IV dapat dsmpulkan bahwa: 1. Semakn banyak pengulangan yang dlakukan pada saat pelathan untuk tap huruf, akan menngkatkan porsentase keberhaslan pada saat pengujan. 2. Porsentase keberhaslan menggunakan 3 kal pelathan untuk tap hurufnya,mendapatkan hasl keberhaslan pengujan sebesar 46,31%, 5 kal pelathan untuk tap hurufnya,mendapatkan hasl keberhaslan pengujan sebesar 65,326%, dan 20 kal pelathan untuk tap hurufnya,mendapatkan hasl keberhaslan pengujan sebesar 73,043%.. Gambar 4.2 proses pengenalan 4.2 Hasl Peneltan Pengujan hasl Pelathan dan Pengenalan Pada peneltan n terdapat 2 data, yatu data lath dan data uj. Data yang dgunakan untuk pengujan berbeda dengan data yang dgunakan untuk pelathan. Pada proses pengujan n dapat dambl analsa bahwa semakn banyak huruf yang 5.2 Saran 1. Program pengenalan huruf n dapat dtngkatkan menjad pengenalan perkata. 2. Dapat dgunakan ekstraks cr sepert penggunaan PCA, wavelet, dan yang lannya sebaga pengolahan awal. 3. Menggunakan metoda lan yang lebh bak dar metoda hebb rule n.

5 5 DAFTAR PUSTAKA [1]. Lurence Fausset, Fundamental of Neural Network, Prentce-Hall, New Jersey, 1994 [2]. Matlab The Language of Techncal Computng, Gettng Started wth MATLAB veron 5. [3]. Neural Network Toolbox, Matlab 6.5 [4]. Murn, A., Pengantar Pengolahan Ctra, PT Elek Meda Komputndo Kelompok Grameda, Jakarta, 1992 [5]. Krstanto usuf, Pembuatan Perangkat Lunak untuk Pengenalan Pola Huruf dengan Jarngan Syaraf Truan, ITS, Surabaya, 1999 [6]. Joke Pratlastarso, Industral Electronc Semnar 2003, EEPIS Press, 2003 Penuls adalah mahasswa Ekstens Jurusan Teknk Elektro Unverstas Dponegoro angkatan 2002, dengan konsentras Telekomunkas. Saat n sedang menyelesakan S1 d Jurusan Teknk Elektro UNDIP Semarang. Menyetuju, Pembmbng I Wahyul Amen Syafe,ST,MT. NIP Pembmbng II Bud Setyono,ST.MT. NIP