BAB III ANALISIS DAN PERANCANGAN

Transkripsi

1 32 BAB III ANALISIS DAN PERANCANGAN Pada bab ini akan dibahas tentang analisis sistem melalui pendekatan secara terstruktur dan perancangan yang akan dibangun dengan tujuan menghasilkan model atau representasi entitas. 3.1 Analisis Sistem Deskripsi Perangkat Lunak Aplikasi Pengenalan Tulisan Tangan Huruf Hijaiyah Tunggal Menggunakan Backpropagation adalah suatu model simulasi yang dapat melakukan unjuk kerja algoritma backpropagation dalam mengenali huruf hijaiyah. Cara aplikasi ini mengenali huruf hijaiyah yang dites dengan menggunakan algoritma backpropagation. Backpropagation melatih jaringan untuk mendapatkan keseimbangan antara kemampuan untuk mengenali pola yang digunakan selama training serta memberikan respon yang benar terhadap pola masukan yang serupa (tapi tak sama) dengan pola yang dipakai selama training Fungsi Utama Perangkat Lunak Berikut ini akan dipaparkan fungsi utama dari Aplikasi Pengenalan Tulisan Tangan Huruf Hijaiyah Tunggal Menggunakan Backpropagation, yaitu : 1. Melakukan pelatihan (training) atau pembelajaran terhadap data citra digital. 2. Melakukan pengetesan (testing) atau pengenalan terhadap data citra digital, baik yang telah dikenakan pelatihan atau belum dikenakan pelatihan.

2 33 3. Menampilkan informasi pelatihan dan pengetesan. 4. Menampilkan tutorial mengenai aplikasi ini. Selain itu, manfaat aplikasi ini untuk user diantaranya : 1. Sebagai contoh penerapan Intelegensi Buatan pada aplikasi pengenalan pola huruf. 2. User dapat belajar menulis huruf hijaiyah tunggal secara baik dan benar Deskripsi Kebutuhan Perangkat Lunak Dalam bagian ini akan dijelaskan mengenai deskripsi kebutuhan dari Aplikasi Pengenalan Tulisan Tangan Huruf Hijaiyah Tunggal Menggunakan Backpropagation ini Kebutuhan Fungsional Tabel 3.1 Kebutuhan Fungsional No Deskripsi Kebutuhan Keterangan 1. Pelatihan data citra digital Aplikasi harus mampu melakukan pelatihan terhadap data-data citra digital yang dimasukkan. 2. Menampilkan informasi pelatihan Aplikasi harus mampu menampilkan informasi pelatihan 3. Menyimpan informasi pelatihan Aplikasi harus mampu meyimpan informasi pelatihan 4. Membuka informasi pelatihan Aplikasi harus mampu mrnampilkan kembali informasi pelatihan yang telah tersimpan 5. Menguji hasil pelatihan Aplikasi harus mampu menguji pengenalan hasil pelatihan 6. Menyimpan hasil pengujian Aplikasi harus mampu menyimpan hasil pengujian

3 34 7 Pengetesan data citra digital Aplikasi harus mampu mengetes data yamh telah dikenakan pelatihan maupun yang belum 8. Menampilkan informasi pengetesan Aplikasi harus mampu dan pengenalan menampilkan informasi pengetesan dan pengenalan data 9. Pengetesan data secara berkelompok Aplikasi harus mampu mengetes data yamg banyak 10. Menyimpan hasil pengetesan data Aplikasi harus mampu berkelompok menyimpan hasil pengetesan data berkelompok 11. Menampilkan tutorial Aplikasi harus mampu menampilkan tutorial pembelajaran. Tabel di atas menjelaskan kebutuhan fungsional dari Aplikasi Pengenalan Tulisan Tangan Huruf Hijaiyah Tunggal Menggunakan Backpropagation, yang dituntut harus mampu melakukan berbagai proses. Dengan dipenuhinya kebutuhan fungsional maka diharapkan aplikasi dapat dibuat dengan baik Kebutuhan Antarmuka Kebutuhan antarmuka merupakan kebutuhan yang sangat penting, karena perangkat lunak dinilai dari external performance yaitu tampilan luar yang disesuaikan dengan kebiasaan pengguna agar mudah digunakan dan mudah diadaptasi karena sudah familiar. Hal ini dimaksudkan untuk mempermudah pekerjaan karena pengguna sudah terbiasa dengan tampilan yang biasa digunakan. Kebutuhan ini diharapkan dapat disesuaikan oleh kebiasaan pengguna, hal ini dimaksudkan untuk mempermudah pekerjaan karena pengguna sudah terbiasa dengan tampilan yang biasa digunakan.

4 35 Pada tampilan menu awal adalah form menu. Pengguna bisa memilih pilihan yang terdapat pada form menu, yaitu: 1. Pelatihan 2. Pengetesan 3. Tutorial 4. Keluar Pada menu Pelatihan mempunyai pilihan : 1. File, terdiri atas : a. Simpan hasil pelatihan b. Buka hasil pelatihan c. Pengujian hasil pelatihan d. Tentang program e. Keluar 2. Tutorial Pada menu Pengetesan mempunyai pilihan : 1. File, terdiri atas : a. Pengetesan data tes b. Tentang program c. Keluar 2. Tutorial Pada menu Tutorial mempunyai pilihan : 1. File, terdiri atas : a. Tentang program

5 36 b. Keluar 2. Tutorial, terdiri atas : a. Jaringan syaraf tiruan b. Backpropagation c. Pengenalan pola d. Petunjuk penggunaan aplikasi Model Analisis Aplikasi Pengenalan Tulisan Tangan Huruf Hijaiyah Tunggal Menggunakan Backpropagation ini berfungsi melatih dan mengetes pengenalan huruf hijaiyah dalam bentuk citra digital. Selain itu, aplikasi ini juga menampilkan informasi hasil pelatihan dan pengetesan Use Case Diagram Use-case diagram menggambarkan secara grafis perilaku software aplikasi menurut perspektif user dari software aplikasi tersebut. pelatihan Pengetesan user tutorial Keluar Gambar 3.1 Use Case Diagram

6 37 Use case diagram : pelatihan parameter info hasil trainng training user pengujian hasil training Gambar 3.2 Use Case Diagram Pelatihan Use case diagram : pengetesan info hasil training input data tes <<include>> testing user info hasil testing pengetesan data testing Gambar 3.3 Use Case Diagram Pengetesan

7 38 Berikut adalah skenario dari use case di atas : 1. Skenario Pelatihan Nomor Nama Tujuan Tipe Aktor Kondisi Awal Aksi Aktor 1. User mengklik button pelatihan Identifikasi APHH.UC-01 Pelatihan Menampilkan form pelatihan Deskripsi Primary, Essential User Skenario Utama Menu utama tampil Reaksi Sistem 2. Form pelatihan muncul Kondisi Akhir Form pelatihan akan ditampilkan. 2. Skenario Pengetesan Nomor Nama Tujuan Identifikasi APHH.UC-02 Pengetesan Menampilkan form pengetesan Deskripsi Tipe Primary, Essential Aktor User Skenario Utama Kondisi Awal Menu utama tampil Aksi Aktor Reaksi Sistem 1. User mengklik button 2. Form pengetesan muncul pengetesan Kondisi Akhir Form pengetesan akan ditampilkan.

8 39 3. Skenario Tutorial Nomor Nama Tujuan Identifikasi APHH.UC-03 Tutorial Menampilkan form tutorial Deskripsi Tipe Primary, Essential Aktor User Skenario Utama Kondisi Awal Menu utama tampil Aksi Aktor Reaksi Sistem 1. User mengklik button 2. Form tutorial muncul tutorial Kondisi Akhir Form tutorial akan ditampilkan. 4. Skenario Keluar Nomor Nama Tujuan Identifikasi APHH.UC-04 Keluar Keluar dari program Deskripsi Tipe Primary, Essential Aktor User Skenario Utama Kondisi Awal Menu utama tampil Aksi Aktor Reaksi Sistem 1. User mengklik button 2. program akan di tutup keluar Kondisi Akhir Program di tutup

9 40 5. Skenario Parameter Nomor Nama Tujuan Tipe Aktor Kondisi Awal Aksi Aktor 1. User mengisi parameter training yang diinginkan, klik button tambahkan. Identifikasi APHH.UC-05 Parameter Meng-input-kan parameter training Deskripsi Primary, Essential User Skenario Utama Parameter default, ada yang kosong Reaksi Sistem 2. parameter training dimasukan ke sistem. Kondisi Akhir Program siap melakukan pelatihan data. 6. Skenario Training Nomor Nama Tujuan Identifikasi APHH.UC-06 Training Mengolah data training Deskripsi Tipe Primary, Essential Aktor User Skenario Utama Kondisi Awal Parameter masuk dalam sistem Aksi Aktor Reaksi Sistem 1. User menekan button 2. sistem melakukan pelatihan data. pelatihan. Kondisi Akhir Program melakukan pelatihan data.

10 41 7. Skenario Info Hasil Training Nomor Nama Tujuan Tipe Aktor Kondisi Awal Aksi Aktor 1. User dapat melihat informasi hasil training Identifikasi APHH.UC-07 Info hasil training Menampilkan hasil training Deskripsi Primary, Essential User Skenario Utama Sistem selesai melakukan training Reaksi Sistem 2. menyajikan hasil training Kondisi Akhir Informasi hasil training tersaji 8. Skenario Pengujian Hasil Training Nomor Nama Tujuan Identifikasi APHH.UC-08 Pengujian Hasil Training Menguji hasil training Deskripsi Tipe Primary, Essential Aktor User Skenario Utama Kondisi Awal Sistem selesai melakukan training Aksi Aktor Reaksi Sistem 1. User mengklik menu 2. sistem melakukan pengujian pengujian hasil pelatihan Kondisi Akhir Informasi hasil pengujian tersaji

11 42 9. Skenario Input Data tes Nomor Nama Tujuan Tipe Aktor Kondisi Awal Aksi Aktor 1. User memasukan data tes. Identifikasi APHH.UC-09 Input data tes Meng-input-kan data testing Deskripsi Primary, Essential User Skenario Utama form kosong Reaksi Sistem 2. data tes dimasukan ke dalam sistem. Kondisi Akhir Program siap melakukan pengetesan data. 10. Skenario Testing Nomor Nama Tujuan Tipe Aktor Kondisi Awal Aksi Aktor 1. User menekan button Test. Identifikasi APHH.UC-10 Testing Mengolah data testing Deskripsi Primary, Essential User Skenario Utama Data tes masuk dalam sistem Reaksi Sistem 2. sistem melakukan pengetesan data. Kondisi Akhir Program melakukan pengetesan data.

12 Skenario Info Hasil Testing Nomor Nama Tujuan Tipe Aktor Kondisi Awal Aksi Aktor 1. User dapat melihat informasi hasil testing Identifikasi APHH.UC-11 Info hasil testing Menampilkan hasil testing Deskripsi Primary, Essential User Skenario Utama Sistem selesai melakukan testing Reaksi Sistem 2. Menyajikan hasil testing Kondisi Akhir Informasi hasil testing tersaji 12. Skenario Pengetesan Data Testing Nomor Nama Tujuan Identifikasi APHH.UC-12 Pengetesan data testing Mengetes data kelompok (banyak) Deskripsi Tipe Primary, Essential Aktor User Skenario Utama Kondisi Awal - Aksi Aktor Reaksi Sistem 1. User mengklik menu 2. Sistem melakukan pengetesan Pengetesan data tes Kondisi Akhir Program melakukan pengetesan data.

13 Activity Diagram Activity diagram memodelkan alur kerja (work flow) sebuah proses bisnis dan urutan aktivitas dalam suatu proses. Diagram inin mirip dengan flow chart karena dapat memodelkan sebuah alur kerja dan satu aktivitas ke aktivitas lain atau dari satu aktivitas ke dalam keadaan sesaat (state). Activity diagram juga sangat berguna untuk menggambarkan perilaku paralel atau menjelaskan bagaimana perilaku dalam berbagai use case beraksi. Activity diagram Pengenalan Huruf Hijaiyah disajikan pada gambar di bawah ini. menampilkan menu tutorial pengetesan pelatihan input parameter input data tes melakukan pelatihan pengetesan data tes menampilkan info pelatihan melakukan pengetesan keluar menampilkan informasi pengetesan melakukan pengujian menampilkan hasil pengujian Gambar 3.4 Activity Diagram

14 Class Diagram Class diagram merupakan hubungan modul-modul setiap kelas dengan kelas lain, berikut adalah gambar class diagram Aplikasi Pengenalan Tulisan Tangan Huruf Hijaiyah Tunggal Menggunakan Backpropagation : fpelatihan parameter data set Tambahkan () pelatihan () : float : int fmenu pelatihan () pengetesan () tutorial () keluar () ftutorial + pilih tutor () fhasil pengenalan + simpan () fpengetesan + data tes : image + + hapus () test () Gambar 3.5 Class Diagram feditor + gambar : image line () freehand () hapus () apply () Berikut adalah deskripsi dari class diagram di atas. Tabel 3.2 Deskripsi Atribut Nama Kelas Nama Tipe Scope Deskripsi fmenu fpelatihan parameter data set float int public public inisialisasi nilai pelatihan jumlah set data pelatihan fpengetesan data tes image public gambar yang akan dites ftutorial feditor gambar image public gambar yang digambar fhasil pengenalan

15 46 Tabel 3.3 Deskripsi Layanan Nama Kelas fmenu pelatihan() pengetesan() tutorial() keluar() Nama Scope Deskripsi public public public public Membuka halaman pelatihan (form training) Membuka halaman pengetesan (form training) Membuka halaman tutorial(form tutorial) Keluar program fpelatihan tambahkan() public pelatihan() public fpengetesan hapus() public test() public ftutorial pilih tutor() public feditor line() public freehand() public hapus() public apply() public fhasil pengenalan Menambahkan parameter ke sistem Melakukan pelatihan Menghapus data tes Melakukan pengetesan Menggambar garis Menggambar bebas Menghapus gambar Memindahkan gambar ke pengetesan simpan() public Menyimpan hasil pengenalan Sequence Diagram Sequence diagram menunjukan interaksi objek yang diatur dalam satuan waktu. Sequence diagram menangkap objek dan kelas yang terlibat dalam skenario dan urut-urutan message yang ditukar diantara objek, diperlukan untuk melaksanakan fungsionalitas skenario. Sequence diagram berasosiasi dengan use case selama proses pengembangan. Berikut adalah sequence diagram pelatihan dan pengetesan :

16 47 form pelatihan proses training proses pengujian user input parameter menambahkan data training informasi pengujian data uji informasi Gambar 3.6 Sequence Diagram Pelatihan form pengetesan proses pengetesan hasil training user data training input data tes data tes informasi pilih tes kelompok data tes kelompok informasi Gambar 3.7 Sequence Diagram Pengetesan

17 Analisis Backpropagation Dalam membangun JST (Jaringan Syaraf Tiruan) Backpropagation maka dibutuhkan langkah-langkah sebagai berikut : 1. Menentukan masukan. Jumlah masukan ditentukan berdasarkan ukuran citra yang digunakan ke dalam sistem, dalam simulasi ini citra berukuran 20 x 20 pixel. 2. Menentukan jumlah neuron pada learning rate. Banyaknya jumlah neuron yang digunakan pada learning rate adalah 50 sampai 100 neuron, karena neuron pada learning rate yang akan menentukan dalam kinerja sistem ketika mengenali sample citra. Fenomena ini disebabkan karena semakin banyak neuron yang digunakan dalam learning rate membuat setiap neuron semakin sedikit beban dalam menanggung data-data yang harus dipelajari. 3. Menentukan parameter training, yaitu maksimum epoch, MSE, learning rate dan momentum. Parameter-parameter ini akan berpengaruh pada kinerja sistem dalam proses pembelajaran terhadap citra sample. 4. Menentukan fungsi bobot yang akan digunakan berdasarkan fungsi aktivasi. Penentuan nilai bobot minimum dan maksimum ditentukan atas dasar -1<n<1 yang merupakan jangkauan dari fungsi bipolar sigmoid yang memiliki jangkauan nilai dari -1 sampai dengan 1. Alasan digunakannya fungsi bipolar sigmoid dalam simulasi perangkat lunak ini karena range-nya lebih panjang

18 49 jika dibandingkan dengan binary sigmoid yang mempunyai range nilai 0 sampai dengan Menentukan keluaran. Jumlah output ditentukan berdasarkan hasil yang diinginkan. Sistem ini akan menggunakan jumlah neuron pada output layer sebanyak 29 neuron dilihat dari banyaknya gambar yang dimasukkan untuk proses training. Demikian juga untuk vektor target, digunakan jumlah neuron yang sama yaitu sebanyak 29 neuron Analisis Proses Backpropagation Adapun alur proses dari jaringan syaraf tiruan backpropagation adalah sebagai berikut : Mulai inisialisasi Input gambar Konversi citra ke monochrom Ekstraksi ciri Feed forward Error backpropagation Target error tercapai tidak ya selesai Gambar 3.8 Alur Proses JST Backpropagation

19 50 Gambar diatas menjelaskan bahwa data yang menjadi input jaringan akan mengalami proses pembelajaran. Proses pembelajaran sendiri diawali dari proses feed forward, yang kemudian dilanjutkan dengan proses backpropagation. Setelah proses backpropagation, akan dicek apakah target error dicapai, maka proses pembelajaran selesai, yang menghasilkan koreksi dari bobot jaringan. Jika tidak maka akan kembali ke proses feed forward sebagaimana dijelaskan diatas sampai mencapai nilai epoch maksimum. Alur proses feed forward sendiri dijelaskan pada gambar berikut: mulai Input layer aktivasi aktivasi Output layer selesai Hidden layer Gambar 3.9 Alur Proses Feed Forward Gambar di atas menjelaskan alur feed forward mulai dari input layer yang dimasukkan ke dalam hitungan keluaran unit tersembunyi kemudian ke fungsi aktivasi. Dari hidden layer dimasukkan ke dalam perhitungan semua keluaran unit jaringan kemudian ke fungsi aktivasi hingga output layer. Sedangkan alur proses backpropagation akan dijelaskan pada gambar dibawah ini:

20 51 mulai Periksa kesalahan di lapisan output Koreksi bobot Koreksi bobot Update bobot dari hidden ke output Menjumlahkan input delta Update bobot dari input ke hidden Hitung informasi kesalahan di lapisan tersembunyi selesai Gambar 3.10 Alur Proses Backpropagation Gambar diatas menjelaskan bahwa alur backpropagation akan mengalami proses periksa kesalahan dan koreksi bobot. Proses periksa kesalahan sendiri terjadi di lapisan output dan hidden, yang kemudian dilanjutkan dengan proses koreksi bobot. Setelah itu akan meng-update bobot dari hidden ke output dan dari input ke hidden. 3.3 Perancangan Sistem Tujuan proses perancangan adalah sebagai tahapan untuk mendapatkan data yang nantinya akan dianalisis. Tahap ini sangat penting dalam menentukan baik atau tidaknya hasil perancangan sistem yang diperoleh. Proses yang dirancang diuraikan menjadi beberapa bagian yang dapat membentuk sistem tersebut menjadi satu komponen.

21 Perancangan Arsitektur dengan Structure Chart Perancangan arsitektur Aplikasi Pengenalan Tulisan Tangan Huruf Hijaiyah Tunggal Menggunakan Backpropagation dapat dideskripsikan oleh structurer chart berikut ini. Gambar 3.11 Perancangan Arsitektur Menu Utama Gambar di atas menjelaskan menu utama terdiri dari Pelatihan, Pengetesan, Tutorial dan Keluar. Gambar 3.12 Perancangan Arsitektur Menu Pelatihan Gambar di atas mendeskripsikan sub menu dari Pelatihan, yaitu Tambahkan, Pelatihan, File dan Tutorial. Sub menu File terdiri atas Simpan Hasil Pelatihan,

22 53 Buka Hasil Pelatihan, Pengujian Hasil Pelatihan, Tentang Program dan Keluar. Sub menu Pengujian Hasil Pelatihan akan menampilkan Hasil Pengenalan. Gambar 3.13 Perancangan Arsitektur Menu Pengetesan Gambar di atas mendeskripsikan sub menu dari Pengetesan, yaitu Buka Gambar, Menggambar, File dan Tutorial. Sub menu Buka Gambar akan menampilkan Editor. Sub menu File terdiri atas Pengetesan Data Tes, Tentang Program dan Keluar. Sub menu Pengetesan Data Tes akan menampilkan Hasil Pengenalan. Tutorial File Tutorial Tentang program Keluar Jaringa syaraf tiruan Backpropagation Pengenalan pola Gambar 3.14 Perancangan Arsitektur Menu Tutorial Petunjuk penggunaan aplikasi

23 54 Gambar di atas mendeskripsikan sub menu dari Tutorial, yaitu File dan Tutorial. Sub menu File terdiri atas Tentang Program dan Keluar. Sub menu Tutorial terdiri atas Jaringan Syaraf Tiruan, Backpropagation, Pengenalan Pola dan Petunjuk Penggunaan Aplikasi. Editor Line Freehand Hapus Apply Gambar 3.15 Perancangan Arsitektur Menu Editor Gambar di atas mendeskripsikan sub menu dari Editor, yaitu Line, Freehand, Hapus dan Apply. Hasil pengenalan Simpan hasil pengenalan Gambar 3.16 Perancangan Arsitektur Menu Hasil Pengetesan Gambar di atas mendeskripsikan sub menu Hasil Pengenalan, yaitu Simpan Hasil Pengenalan.

24 Perancangan Antarmuka Dalam membangun suatu perangkat lunak dibutuhkan suatu perancangan, sehingga dapat dilihat kelebihan maupun kekurangan dari perangkat lunak yang dibangun tersebut. Perancangan antarmuka dapat membantu dalam mendeskripsikan antarmuka aplikasi yang akan dibuat. Dibawah ini merupakan rancangan antarmuka yang akan dibangun dalam pengembangan aplikasi Pengenalan Huruf Hijaiyah Gambar 3.17 Form Menu Tabel 3.4 Keterangan Form Menu No Objek Text Keterangan 1 Label Aplikasi Pengenalan judul Tulisan Tangan Huruf Hijaiyah Tunggal Menggunakan Backpropagation 2 Button Pelatihan Menampilkan form pelatihan 3 Button Pengetesan Menampilkan form pengetesan 4 Button Tutorial Menampilkan form tutorial 5 Button Keluar Keluar program

25 Gambar 3.18 Form Training Tabel 3.5 Keterangan Form Training No Objek Text Keterangan 1 Main menu File 2 Main menu Tutorial 3 Label Learning Rate 4 Label Threshold pengetesan 5 Label Threshold nilai ambang 6 Label Momentum 7 Label Jumlah hidden 8 Label Jumlah epoch 9 Label Mean Square Error 10 Edit 0,125 Learning rate 11 Edit 0,5 Treshold pengetesan 12 Edit 12,8 Treshold nilai ambang 13 Edit 0,2 Momentum 14 Edit 50 Jumlah hidden 15 Edit 100 Jumlah epoch 16 Edit 0,001 MSE 17 Edit 0,125 Learning rate 18 Edit 0,5 Treshold pengetesan 19 Button Tambahkan Untuk konversi data menjadi input-an JST 20 Button Pelatihan Untuk melakukan proses training

26 57 21 GroupBox Informasi proses pelatihan 22 GroupBox Informasi jaringan setelah proses pelatihan 23 PageControl Nilai bobot tiap neuron pada lapisan output 24 PageControl Nilai error tiap neuron pada lapisan output 25 PageControl Grafik pembelajaran pada proses pelatihan 26 PageControl Daftar huruf hijaiyah yang dilatih Daftar informasi yang terjadi ketika proses training Daftar informasi jaringan setelah di-training Untuk menampilkan informasi nilai bobot tiap neuron pada lapisan output Untuk menampilkan informasi nilai error tiap neuron pada lapisan output Melihat grafik hasil pembelajaran Melihat daftar huruf hijaiyah yang di-training Gambar 3.19 Form Testing Tabel 3.6 Keterangan Form Testing No Objek Text Keterangan 1 Main menu File 2 Main menu Tutorial 3 Button Buka gambar Memilih gambar untuk dites 4 Button Menggambar Membuka form editor gambar

27 58 5 Image - Menampilkan gambar yang akan dites 6 Button Test Melakukan pengetesan 7 Button Hapus 8 Image - Menampilkan gambar yang dikenali 9 Edit - Menampilkan hasil pengetesan 10 Memo - Melihat hasil nilai pengetesan dari gambar huruf asli yang ditraining 11 Memo - Melihat hasil nilai pengetesan dari gambar huruf yang dites 12 Memo - Melihat hasil nilai convert hasil pengetesan Gambar 3.20 Form Tutorial Tabel 3.7 Keterangan Form Tutorial No Objek Text Keterangan 1 Main menu File 2 Main menu Tutorial 3 Memo Menampilkan informasi tutorial

28 Gambar 3.21 Form Editor Tabel 3.8 Keterangan Form Editor No Objek Text Keterangan 1 Label Line Untuk menggambar garis 2 Label Free Hand Untuk menggambar dengan pen 3 Label Hapus Untuk menghapus editor gambar 4 Label Apply Untuk input gambar yang telah dibuat untuk dites 5 Image - Editor untuk menggambar Gambar 3.22 Form Hasil Pengenalan Tabel 3.9 Keterangan Form Hasil Pengenalan No Objek Text Keterangan 1 Label Hasil pengenalan Judul 2 Memo Informasi hasil pengenalan 3 Button Simpan hasil pengenalan Menyimpan hasil pengenalan

29 Perancangan Algoritma 1. Perancangan algoritma untuk form menu FMenu {Algoritma untuk Form menu } Kondisi Awal : menu tampil Kondisi Akhir : Tampil form yang dipilih Kamus - Deskripsi If Pelatihan then Output (form Pelatihan) If Pengetesan Kegiatan then Output (form pengetesan) If Tutorial Pendanaan then Output (form tutorial) If Keluar then Close End if 2. Perancangan algoritma untuk form pelatihan Form1 {Algoritma untuk form pelatihan } Kondisi Awal : parameter default Kondisi Akhir : tampil hasil training Kamus Lr, tp, tna, mom, hid, epoch, mse: real Set data : integer Deskripsi Output ( Learning rate ); input (lr) Output ( Threshold pengetesan); input (tp) Output ( Threshold nilai ambang); input (tna) Output ( Momentum); input (mom) Output ( Jumlah hidden); input (hid) Output ( Jumlah epoch); input (epoch) Output ( Mean Square Error); input (mse) Output ( jumlah data ); input (set data) If (Tambahkan) and (Pelatihan) then Output(hasil training) If Simpan hasil pelatihan then Hasil pelatihan saved If Buka hasil pelatihan then Open hasil pelatihan If Pengujian hasil pelatihan then Output (form hasil pengenalan)

30 61 If tentang program then Output (info program) If Keluar then Form training close If Tutorial then Output (form tutorial) End if 3. Perancangan algoritma untuk form pengetesan FTesting {Algoritma untuk form pengetesan} Kondisi Awal : form kosong Kondisi Akhir : tampil hasil testing Kamus Data tes : image Deskripsi If Buka gambar then input (Data tes ) If hapus then Hapus data tes If Test then Ouput (Hasil pengetesan) If Pengetesan data tes then Output (form hasil pengenalan) If tentang program then Output (info program) If Keluar then Form testing close If Tutorial then Output (form tutorial) End if 4. Perancangan algoritma untuk form tutorial FTutorial {Algoritma untuk form tutorial} Kondisi Awal : - Kondisi Akhir : info tutorial tampil Kamus - Deskripsi

31 62 If tentang program then Output (info program) If Keluar then Form testing close If Jaringan syaraf tiruan then Output (Jaringan syaraf tiruan) If Backpropagation then Output (Backpropagation) If Pengenalan pola then Output (Pengenalan pola) If Petunjuk penggunaan aplikasi then Output (Petunjuk penggunaan aplikasi) End if 5. Perancangan algoritma untuk form editor FEditor {Algoritma untuk form editor} Kondisi Awal : form kosong Kondisi Akhir : apply to form pengetesan Kamus - Deskripsi If line then Output (drawing line) If freehand then Output (free drawing) If hapus then Output (clear image) If apply then Output (apply to form pengetesan) End if 6. Perancangan algoritma untuk form hasil pengenalan Form2 {Algoritma untuk form hasil pengenalan} Kondisi Awal : Tampil hasil pengenalan Kondisi Akhir : hasilpengenalan dapat tersimpan Kamus - Deskripsi

32 63 If Simpan hasil pengenalan then Hasil pengenalan saved End if 3.4 Perancangan Backpropagation Perancangan Arsitektur Backpropagation Arsitektur JST dengan backpropagation pada sistem yang akan dibangun adalah arsitektur JST berlapis banyak yang terdiri dari lapisan masukan (input layer), lapisan tersembunyi (hidden layer) dan lapisan keluaran (output layer), penghubung setiap lapisan adalah bobot. Sistem akan memberikan nilai random pada setiap bobot di lapisan masukan dan lapisan keluaran. Inisialisasi bobot yang digunakan pada sistem ini adalah 0,5. Pada sistem ini ditambahkan sebuah unit masukan yaitu bias ynag memiliki nilai selalu 1. Berikut ilustrasi gambar dari arsitektur backpropagation yang akan dibangun : Input layer Hidden layer Output layer Vektor target N = N = 29 N = 29 N = 400 bias Gambar 3.23 Perancangan Arsitektur Backpropagation

33 64 Gambar 3.23 menggambarkan arsitektur backpropagation yang terdiri dari lapisan masukan (input layer), lapisan tersembunyi (hidden layer) dan lapisan keluaran (output layer) da vektor target sebagai target untuk keluaran Pengenalan Citra Sebagai masukan pada neuron digunakan 29 citra digital dengan ukuran 20 x 20 pixel dan berformat grayscale. Proses komputasi yang dilakukan untuk membaca gambar dilakukan dengan cara membaca koordinat tiap-tiap pixel. Pembacaan dimulai pada pixel ke- 0 kemudian beralih ke kanan sampai pixel ke-20. setelah mencapai pixel ke-20, diarahkan ke pixel ke-21, dan seterusnya. Proses pembacaan citra tersebut dapat dilihat pada gambar 3.9 di bawah. Gambar 3.24 Proses Pembacaan Gambar Setelah mengalami proses pembacaan citra, maka citra masukan akan berbentuk matrik (m x n). Matrik (m x n) atau matrik dua dimensi akan dikonversi menjadi satu dimensi yang disebut matrik citra. Masing-masing matrik citra disatukan ke dalam matrik kumpulan dari citra. Sebagai masukan ke dalam JST adalah matrik jumlah citra yang didalamnya terdapat matrik citra. Susunan matrik masukan JST dapat diilustrasikan pada gambar 3.10 di bawah. Gambar 3.25 Input Berupa Matrik 1 Dimensi

34 Ekstraksi Citra Setelah citra-citra yang ada dikonversi menjadi format biner yang dilakukan pada tahap sebelumnya, berikutnya adalah mengekstraksi setiap pixel dari citra ke dalam sebuah vektor. Vektor yang bernilai 1 dan -1. Ciri-ciri citra adalah pixel-pixel yang memiliki nilai 1 dan 0. Pixel 0 adalah pixel berwarna hitam, sebaliknya pixel 1 adalah pixel berwarna putih. Pixel-pixel tadi dicek, jika berwarna hitam nilainya tetap 1, sebaliknya jika berwarna putih akan digantikan dengan -1. Alasannya karena fungsi aktivasi yang digunakan pada proses backpropagation adalah sigmoid bipolar yang mempunyai range antara 1 sampai -1. Nilai-nilai tersebut akan dimasukan ke dalam vektor ciri sebagai bahan input tehadap jaringan Pengidentifikasian Citra Proses pengidentifikasian citra menggunakan bobot hasil dari proses pelatihan JST, bobot ini digunakan untuk proses feed forward saja. Berdasarkan pengetahuan yang dimilikinya, JST mengenali masukan yang diberikan berupa data-data ciri citra yang telah dilatih sebelumnya. Pada prinsipnya sistem pengidentifikasian citra sama dengan proses pelatihan, namun pengidentifikasian hanya menggunakan proses feed forward saja, dan bobot diambil dari hasil pelatihan yang telah dilakukan. Berikut adalah gambar alur proses dari proses pengidentifikasian citra yang berformat greyscale.

35 66 mulai Baca citra Proses pengambangan tunggal Ekstraksi ciri Baca bobot Feed forward pengenalan selesai Gambar 3.26 Alur Proses Pengidentifikasian Citra Gambar proses pengidentifikasian citra di atas dimulai dari pembacaan citra kemudian proses pengambangan tunggal, diteruskan ke ekstraksi ciri, feed forward dan proses pengenalan. Sehingga akhirnya akan didapat hasil pengenalan citra Penyimpanan Target Latih Proses belajar pada JST memerlukan pola latih yang berfungsi sebagai aliasing citra yang dipelajarinya. Dalam perangkat lunak simulasi ini pola target akan disimpan dalam variabel FTarget. JST seakan-akan dipaksa untuk memenuhi target yang telah ditentukan untuk setiap citra yang dilatihkan. Sehingga dalam proses uji coba yang dipanggil adalah target yang bernilai -1 dan 1. Apabila

36 67 keluaran JST belum memenuhi target, maka akan terjadi pengulangan sampai keluaran mencapai nilai yang diinginkan. Nilai target telah ditentukan dalam tipe real (-1 dan 1). Nilai keluaran yang sebenarnya merupakan nilai dari keluaran FOutputLayer akan dibulatkan sesuai ketentuan yang telah dibuat. Setelah mengetahui nilai batasan threshold sebagai nilai pembulatan maka kita dapat mengidentifikasi nilai-nilai target yang kita inginkan sebagai aliasing yang akan dipakai JST sebagai proses belajar. Gambar 3.27 Penyimpanan Target Latih