Implementasi Metode Backpropagation untuk Mengenali Teks pada Natural Scene Image

Transkripsi

1 Jurnal Pengembangan Tenolog Informas dan Ilmu Komputer e-issn: X Vol. 2, No. 8, Agustus 2018, hlm Implementas Metode Bacpropagaton untu Mengenal Tes pada Natural Scene Image Imam Ghozal 1, Tbyan 2, Putra Pandu Adara 3 Program Stud Ten Informata, Faultas Ilmu Komputer, Unverstas Brawaya Emal: 1 mam.ghz17@gmal.com, 2 tbyan@ub.ac.d, 3 adara.putra@ub.ac.d Abstra Tes pada gambar dapat memuat berbaga nformas pentng bag manusa, mendetes tes pada natural scene mage (NSI) menad suatu bagan pentng pada peneltan mengena text nformaton extracton (TIE), dalam mendapatan nformas pada NSI terdapat berbaga macam tantangan yang harus dhadap, sepert menentuan regon tes pada bacground yang omples hngga mengenal berbaga macam tes yang meml beranea ragam bentu, uuran, warna dan lan sebaganya. Hasl dar TIE dapat d mplementasan pada berbaga hal salah satunya, sstem yang penuls embangan dharapan nantnya dapat membantu orang tunanetra mengenal label produ atau mengenal tulsan yang ada dsetar merea. Untu mengenal tes pada NSI merupaan gabungan dar 2 top peneltan, top yang pertama adalah penentuan regon tes atau text detecton dan top edua adalah mengenal arater tulsan atau character recognton. Pada peneltan n hanya aan d fousan pada pengenalan arater tes, metode yang dgunaan adalah bacpropagaton dar hasl penguan yang telah dlauan hasl yang ddapatan yatu sebesar 44.00%, hal n dpengaruh oleh ftur yang detras dar hasl proses bnersas, banya ctra huruf yang dgunaan sebaga data lath meml nose yang menyebaban rendahnya tngat auras yang dperoleh. Kata unc: Bacpropagaton, Natural Scene Image, Optcal Character Recognton. Abstract Text n mages contan useful nformaton. Text detecton n Natural Scene Image (NSI) becomes an mportant part of research on text nformaton extracton (TIE). For gettng nformaton on the NSI there are varous challenges, such as determnng the text regon n a complex bacground to recognze varous nds of text that has a varety of shapes, szes, colors and others. The results of TIE can be mplemented n many ways, one of them system can to help blnd people to recognze product label or recognze text s around them. To recognze text on the NSI s a composte of two research topcs, the frst topc s determnaton of the text regon or text detecton and second topc s recognzng character of text or character recognton. In ths research wll focus on recognzng character usng bacpropagaton method. Results of tests s 44.00%, ths s nfluenced by the features extracted from the results of mage bnerzaton, many mage data has a nose. Keywords: Bacpropagaton, Natural Scene Image, Optcal Character Recognton. 1. PENDAHULUAN Tes pada gambar dapat memuat berbaga nformas pentng bag manusa. Mendetes tes pada natural scene mage (NSI) menad suatu bagan pentng pada peneltan mengena text nformaton extracton (TIE). Dalam mendapatan nformas pada NSI terdapat berbaga macam tantangan yang harus dhadap, sepert menentuan regon tes pada bacground yang omples hngga mengenal berbaga macam tes yang meml beranea ragam bentu, uuran, warna dan lan sebaganya. Hasl dar TIE dapat dmplementasan pada berbaga hal salah satunya, sstem yang penuls embangan dharapan nantnya dapat membantu orang tunanetra mengenal label produ atau mengenal tulsan yang ada dsetar merea, untu mengenal tes pada NSI merupaan gabungan dar 2 top peneltan, top yang pertama adalah penentuan regon tes atau text Faultas Ilmu Komputer Unverstas Brawaya 2527

2 Jurnal Pengembangan Tenolog Informas dan Ilmu Komputer 2528 detecton dan top edua adalah mengenal arater tulsan atau character recognton. Pada peneltan sebelumnya dlauan peneltan dengan membandngan antara metode metode LVQ dan bacpropagaton pada pengenalan huruf hayah, dan haslnya LVQ mencapa auras 58%, dan Bacpropagaton mencapa auras 98% (Malan, et al., 2016), untu text recognton pada natural scene mage (NSI) telah dlauan peneltan oleh (Al & Foroosh, 2016) menggunaan metode Ran-1 Tensor Decomposton yang menghaslan auras tertngg mencapa 70%. Berdasaran pada peneltan sebelumnya bacpropagaton dapat mengenal arater dengan tngat auras yang tngg namun belum dlauan pada NSI yang meml varas pada ens tes, warna, uuran dan lan sebaganya, sehngga al n penelt memfousan dr mengmplementasan metode bacpropagaton untu mengenal tes pada NSI. 2. LANDASAN KEPUSTAKAAN 2.1 Ctra Ctra adalah gambar bdang dua dmens, atau dapat dataan merupaan fungs ontnu dar ntenstas cahaya pada bdang dua dmens. Sumber cahaya menerang obe, obe memantulan embal beras cahaya tersebut, pantulan dar beras cahaya tersebut dtangap oleh mata, amera dan lannya sehngga ta dapat melhat (Munr, 2004). 2.2 Grayscale Grayscale adalah warna psel yang meml rentang eabuan atau berada pada rentang htam dan puth, grayscale terdr dar ombnas 29,9% psel merah, 58,7% psel hau, 11,4% psel bru (Abdullah-al-mamun & Alam, 2015), mengubah warna menad grayscale dapat mempermudah pengolahan ctra, hal n darenaan tda banya warna yang d proses, untu mengubah warna menad grayscale dapat menggunaan Persamaan 1: Gray ( R G B 0.144) (1) 2.3 Image Bnarzaton Image bnarzaton atau bnersas ctra berfungs untu mengubah ctra grayscale menad ctra bner dengan tngat ontras yang tngg. Hal n darenaan semua psel yang lebh dar threshold aan dubah menad puth, dan ssanya yang urang dar threshold aan dubah menad htam (Munr, 2004). 2.4 Segmentas Segmentas berfungs membag ctra e dalam beberapa bagan. Proses n dgunaan untu memsahan antar arater dalam suatu tes atau almat. Peneltan al n aan dombnasan 2 buah algortme segmentas untu mendapatan hasl yang masmal yatu vertcal proecton dan drop fall algorthm Vertcal Proecton Vertcal proecton adalah metode yang menghtung umlah psel pada setap olom pada gambar, setelah ctra dubah menad ctra bner Vertcal proecton dapat dgunaan untu menghtung psel htam maupun psel puth (Shanana & James, 2014). Algortme: 1. Tentuan uuran dar gambar [M N] 2. Htung setap umlah nla psel perolom dar 1 sampa N Drop Fall Algorthm Algortme Drop fall dapat membuat path untu segmentas dar atas hngga bawah dar arater, terdapat 3 omponen dalam Drop fall yatu start pont, movement rules, dan drecton (Yang J. et al, 2016). Drecton sendr terdr dar 4 ens. Descendng-left, descendng-rght, ascendng-left, ascendng-rght, sepert yang terlhat pada Gambar 1. Gambar 1 Jens Drecton pada Drop Fall Sumber: Yang J. et al (2016) Sedangan pada Drop fall terdapat 6 rule yatu: 1. If n3 = 1, then next_pxel = n3 2. If n4 = 1, then next_pxel = n4 3. If n2 = 1, then next_pxel = n2 4. If n5 = 1, then next_pxel = n5 5. If n1 = 1, then next_pxel = n1 6. Else next_pxel = n3 Nla 1 menunuan psel puth, sedangan n1, Faultas Ilmu Komputer, Unverstas Brawaya

3 Jurnal Pengembangan Tenolog Informas dan Ilmu Komputer 2529 n2, n3, n4, n5 menunuan psel. 2.5 Jarngan Saraf Truan Bacpropagaton Jarngan saraf truan (JST) atau dapat dsebut sebaga artfcal neural networ merupaan salah satu cabang lmu dar ecerdasan buatan yang berdasar dar sel saraf pada mahlu hdup. JST dapat dgunaan untu belaar dan menghaslan aturan atau operas, contohnya adalah saat ta mengngnan output yang sempurna dar data yang dmasuan, dengan JST ta dapat membuat preds mengena output yang aan muncul atau mengenal araterst nput (Krstanto, 2004). Bacpropagaton adalah salah satu dar algortme supervsed learnng. Bacpropagaton meml 3 tahap yatu perhtungan mau (forward), perhtungan mundur (bacward) dan perubahan nla bobot dan nla bas. Secara umum berut n adalah algortme dar bacpropagaton. 1. Insalsas semua bobot 2. Ja onds berhent belum terpenuh, lauan langah Untu setap data pelathan, lauan langah 4-7 Fase I: Propagas Mau 4. Htung eluaran unt d tersembuny Z (=1,2,.,p) n z _ net v x v (2) 0 1 Z_net = Input arngan e Z V 0 = Bas pada layer X = Unt nput V = Nla bobot dar unt X e unt Z Kemudan gunaan fungs atvas untu menghtung eluaran dar nput. z 1 f ( z _ net ) (3) z _ net 1 e Z = Unt e- pada hdden layer Setelah tu rman hasl tersebut e untunt d hdden layer. 5. Htung eluaran arngan pada unt y (=1,2,..,m) y net w 0 p _ (4) 1 z w Y_net = Input arngan e Y W0 = Bas pada layer W = Nla bobot dar unt X e unt Z Kemudan gunaan fungs atvas untu menghtung eluaran. y 1 f ( y _ net ) (5) y _ net 1 e Y = Unt e- pada output layer. Fase II: Propagas Bal 6. Htung fator δ unt eluaran berdasaran esalahan d setap unt eluaran y ( = 1,2,.,m) ( t ( t y ) y (1 y ) y ) f '( y _ net ) (6) δ merupaan unt esalahan yang aan dpaa dalam perubahan bobot. Htung perubahan w dengan lau percepatan α. w z =1, 2, m =1, 2, p (7) 7. Htung fator δ unt tersembuny berdasaran esalahan dsetap unt tersembuny z (=1,2.,p) m _ net w (8) l Fator δ unt tersembuny: _ net _ net f '( z _ net z (1 z ) Htung perubahan v ) (9) v z =1, 2, p =1, 2, n (10) α = Learnng rate Fase III: Perubahan Bobot 8. Htung semua perubahan bobot w w ( baru) ( lama ) w (11) Faultas Ilmu Komputer, Unverstas Brawaya

4 Jurnal Pengembangan Tenolog Informas dan Ilmu Komputer 2530 v ( baru) v ( lama ) v (12) 9. Memersa stoppng condton. Ada 2 buah parameter yang dapat dgunaan untu memersa stoppng condton, yang pertama adalah masmum epoch dan yang edua adalah mnmum error. Ja salah satu dar stoppng condton sudah terpenuh maa proses aan dhentan. 2.6 Eucldean Dstance Eucldean dstance adalah salah satu metode dalam menentuan ara dar 2 buah tt. Dar hasl peneltan yang dlauan oleh (Greche, et al., 2017) dengan menggunaan eucldean dstance dapat mendapatan auras yang tngg dengan menggunaan hdden unt yang lebh sedt dar manhattan dstance. Persamaan eucldean dstance dtunuan pada Persamaan (13). e n 2 d ( p, q) ( p q ) (13) 1 d e ( p, q) = Merupaan ara antara tt p dan q. = Tt pertama = Tt edua p q 3. METODOLOGI 3.1. Pengumpulan Data Pengumpulan data bertuuan untu mendapatan data yang aan dgunaan pada peneltan, ten pengumpulan data yang dgunaan adalah seunder. Data yang dgunaan untu pelathan dan penguan ddapatan dar dataset Internatonal Conference Document Analyss and Recognton (ICDAR) Perancangan Sstem Perancangan sstem adalah tahapan yang dlauan untu menabaran mengena nera sstem secara terstrutur, dmula dar nput hngga output yang dhaslan, flowchart era sstem n dapat dlhat pada Gambar 2. Gambar 2 Flowchart Sstem Pada Gambar 2 dapat dlhat bahwa perancangan sstem terdr dar tga proses utama, yatu: 1. Input Input adalah masuan dar pengguna berupa gambar dar Natural Scene mage. 2. Proses Proses yang dlauan pertama adalah preprocessng, emudan dlauan segmentas untu memsahan satu arater dengan yang lan, lalu dlauan tranng arater menggunaan bacpropagaton, dan terahr dlauan recognton. 3. Output Output adalah eluaran dar sstem yang dharapan yatu berupa tes dar gambar 4. PENGUJIAN 4.1 Penguan Parameter Pada tahap penguan n aan dcar omposs yang palng ba dar arstetur bacpropagaton untu mengenal arater. Penguan parameter aan terdr dar 2 parameter yang du, yatu umlah hdden unt dan learnng rate, aan dcar ombnas dar eduanya yang menghaslan auras terba. Penguan aan dlauan dengan cara melauan pengenalan terhadap 26 arater huruf Penguan Jumlah Hdden Unt Penguan aan dlauan untu mengetahu pengaruh umlah hdden unt dan terhadap tngat auras. Pada penguan n Faultas Ilmu Komputer, Unverstas Brawaya

5 Jurnal Pengembangan Tenolog Informas dan Ilmu Komputer 2531 umlah nput unt yang dgunaan adalah 96, Jumlah masmum epoch adalah 7000, Jumlah hdden unt yang aan du adalah 10, 20, 30, 40, 60, 70, 80, 90, dan learnng rate yang aan dgunaan adalah 0.1. Penguan aan dlauan sebanya 3 al emudan aan dambl rata-rata aurasnya, dan hasl terba aan dgunaan untu penguan auras. Hasl penguan hdden unt dapat dlhat pada Tabel 1, 2, 3, dan Ratarata hasl penguan dapat dlhat pada Tabel 4. Tabel 1 Penguan Pertama No Hdden Unt Denal Auras % % % % % % % % % Tabel 2 Penguan Kedua No Hdden Unt Denal Auras % % % % % % % % % Tabel 3 Penguan Ketga No Hdden Unt Denal Auras % % % % % % % % % Tabel 0 Rata-rata Hasl Penguan No Hdden Unt Auras % % % % % % % % % Dar penguan yang telah dlauan menunuan bahwa umlah hdden unt berpengaruh terhadap tngat auras, namun tda ada acuan past berapa umlah hdden unt yang harus dgunaan untu mendapatan hasl yang optmal, darenaan setap BPNN meml umlah nput dan output masngmasng, sehngga umlah hdden unt aan menyesuaan dar arstetur nput dan output BPNN yang dgunaan. Dar penguan yang telah dlauan menunuan bahwa seman banya hdden unt tda aan menamn menghaslan hasl yang lebh ba dar pada hdden unt dengan umlah yang sedt, Graf rata-rata hasl penguan dapat dlhat pada Gambar 3. Gambar 3 Graf Rata-rata Hasl Penguan Penguan Learnng Rate Penguan learnng rate dgunaan untu mengetahu pengaruh learnng rate terhadap tngat auras. Pada penguan n umlah nput unt yang dgunaan adalah 96, Jumlah masmum epoch adalah 7000, Jumlah hdden unt yang aan dgunaan adalah 90 dan learnng rate yang aan du adalah 0.1, 0.2, 0.3, 0.4, 0.5. Hasl penguan learnng rate aan dtunuan pada Tabel 5. Learn ng Rate Tabel 5 Penguan Learnng Rate Percobaan Rata-rata % 30.77% 42.31% 34.62% Faultas Ilmu Komputer, Unverstas Brawaya

6 Jurnal Pengembangan Tenolog Informas dan Ilmu Komputer % 7.69% 11.54% 11.54% % 30.77% 7.69% 23.08% % 23.08% 11.54% 19.23% % 15.38% 34.62% 26.92% Menurut hasl penguan pada Tabel 5 menunuan bahwa learnng rate berpengaruh terhadap tngat auras, dar lma learnng rate yang menghaslan hasl terba adalah 0.1, dengan tngat rata-rata auras sebesar 34.62%. Seman ecl learnng rate aan seman lama ecepatan belaar hal n darenaan perubahan bobot yang terad aan seman ecl, sehngga aan membutuhan watu dan epoch yang lebh banya untu mencapa nla mnmum error. 4.2 Penguan Auras Penguan auras dlauan untu mengetahu tngat auras BPNN dalam mengenal tes pada NSI, dengan menggunaan hasl penguan sebelumnya yatu learnng rate yang aan dgunaan adalah 0.1 dan hdden unt yang dgunaan adalah 90. Data untu penguan adalah 14 tes yang dplh secara aca, dengan total terdr dar 61 huruf. Hasl penguan auras aan dtunuan oleh Tabel 6. FEPE % FIIOQFI 0 0% Rata-rata 44.00% Berdasaran hasl auras rata-rata yang ddapatan adalah 44.00%, hasl yang ddapatan cuup ecl, hal n dpengaruh oleh bentu huruf dan poss yang berbeda beda untu setap arater yang denal pada tes, sehngga mempersult proses pengenalan, selan hal tersebut darenaan bacground yang beranea ragam dan terdapat pula nose sepert cahaya yang tda merata, atau uga terdapat bayangan, yang menyebaban tda semua proses preprocessng menghaslan bnersas dan estras ftur yang sempurna, contoh hasl bnersas data lath dtunuan pada Tabel 7. Data Tabel 7 Hasl Bnersas Hasl Bnersas Tabel 6 Hasl Penguan Auras Data Hasl Den al Auras YOC % POIPAPI % PAEI % FOW % CARCCP % EAIP % ECCAE % IEACF % BIEPIIIIY % OICEI % PIPAPFPI PRT % EEIATE % 5. KESIMPULAN Setelah melauan peneltan mengena pengenalan tes pada NSI menggunaan Bacpropagaton, terdapat beberapa esmpulan yang dapat dambl antara lan. 1. Bacpropagaton dapat dgunaan untu mengenal huruf atau arater pada NSI, dengan melalu beberapa tahap preprocessng antara lan mage bnarzaton, crop, resze, dan segmentas pada ctra. mage bnarzaton berfungs untu merubah ctra menad bner sehngga an memunculan warna htam dan puth saa, emudan crop berfungs untu memotong bacground ctra huruf sehngga hanya terssa hurufnya saa, resze berfungs untu mengubah uuran ctra menad 8 x 12 psel, psel tersebut aan Faultas Ilmu Komputer, Unverstas Brawaya

7 Jurnal Pengembangan Tenolog Informas dan Ilmu Komputer 2533 dgunaan sebaga ftur yang dmasuan pada neuron nput, dan yang terahr segmentas, segmentas hanya dgunaan pada proses pengenalan, berfungs untu memecah tes menad huruf. 2. Auras yang ddapatan cuup rendah yan sebesar 44.00%, hal n dsebaban arena pada saat pelathan dan pengenalan, terdapat beberapa fator yang mempengaruh data yang dgunaan antara lan bentu huruf yang berbeda-beda, cahaya yang tda merata, terdapatnya bayangan pada gambar, dan poss huruf yang berbeda-beda menyebaban hasl yang tda masmal. Jumlah hdden unt dan learnng rate uga berpengaruh terhadap tngat auras dar BPNN, pada peneltan al n ddapatan hasl terba dengan menggunaan 90 hdden unt, dan 0.1 learnng rate. dengan Pendeatan Algortm. Bandung: Informata Bandung. C, S. & James, A., Character Segmentaton n Malayalam Handwrtten Documents. Unnao, Internatonal Conference on Advances n Engneerng & Technology Research (ICAETR ). Yang, J., Guo, J. & Jang, W., A Novel Drop-fall Algorthm Based on Dgtal Features for Touchng Dgt Segmentaton, Shangha: East Chna Normal Unversty. DAFTAR PUSTAKA Abdullah-al-mamun, M. & Alam, T., An approach to emprcal Optcal Character recognton paradgm usng Mult-Layer Perceptorn Neural Networ. Dhaa, th Internatonal Conference on Computer and Informaton Technology (ICCIT). Al, M. & Foroosh, H., CHARACTER RECOGNITION IN NATURAL SCENE IMAGES USING RANK-1 TENSOR. Phoenx, 2016 IEEE Internatonal Conference on Image Processng (ICIP). Desa, S. & Sngh, A., Optcal character recognton usng template matchng. Combatore, Internatonal Conference on Inventve Computaton Technologes (ICICT) IEEE. Greche, L. et al., Comparson Between Eucldean and Manhattan Dstance Measure for Facal Expressons Classfcaton. Fez, 2017 Internatonal Conference on Wreless Technologes, Malan, N. A., Amrzal, V. & Haem, N., Comparatve Analyss of the Accuracy of Bacpropagaton and Learnng Vector Quantsaton for Pattern Recognton of Hayah Letters. s.l., 6th Internatonal Conference on Informaton and Communcaton Technology for The Muslm World. Munr, R., Pengolahan Ctra Dgtal Faultas Ilmu Komputer, Unverstas Brawaya