KLASIFIKASI POLA HURUF VOKAL DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION Dhita Azzahra Pancorowati 1110100053 Jurusan Fisika Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Teknologi Sepuluh Nopember
BAB I PENDAHULUAN 1.1 Latar Belakang Pengembangan yang bisa dlakukan Aplikasi JST pada penelitian ini Mengapa JST?
BAB I PENDAHULUAN 1.2 Perumusan Masalah a. Bagaimana merancang software untuk mengenali pola huruf vokal menggunakan metode jaringan saraf tiruan? b. Bagaimana cara melatih software yang telah dibuat agar siap diaplikasikan dan lebih peka terhadap pola-pola tulisan yang ingin dikenali?
BAB I PENDAHULUAN 1.3 Batasan Masalah a. Jaringan saraf tiruan yang dibuat ini dibuat menggunakan MATLAB 2008. b. Huruf yang dijadikan input data latih dan data uji hanya huruf Vokal. c. Huruf yang dijadikan input data latih dan data uji hanya bentuk huruf dari Microsoft Office. d. Data uji dan data latih hanya huruf kapital saja. e. Data uji dan data latih memiliki ukuran yang sama.
BAB I PENDAHULUAN 1.4 Tujuan Tugas Akhir Penelitian ini dilakukan bertujuan untuk membuat suatu sistem jaringan saraf tiruan untuk mengenali pola huruf vokal.
BAB II TINJAUAN PUSTAKA 2.1 Pengertian Jaringan Saraf Tiruan JST mengadopsi Sehingga bisa dikatakan bahwa Jaringan Syaraf Tiruan adalah paradigma pemrosesan suatu informasi yang terinspirasi oleh sistim sel syaraf biologi, sama seperti otak yang memproses suatu informasi
BAB II TINJAUAN PUSTAKA 2.2 Model Dasar Jaringan Saraf Tiruan Input Fungsi Aktivasi Output
BAB II TINJAUAN PUSTAKA 2.3 Backpropagation Seperti halnya model JST lain, Backpropagation melatih jaringan untuk mendapatkan keseimbangan antara kemampuan jaringan untuk mengenali pola yang digunakan selama pelatihan serta kemampuan jaringan untuk memberikan respon yang benar terhadap pola masukan yang serupa (tapi tidak sama) dengan pola yang dipakai selama pelatihan
BAB II TINJAUAN PUSTAKA 2.4 Pelatihan Standar Backpropagation Fase Maju (Tahap penginisiasian bobot awal) Fase Mundur (Tahap pencocokan bobot akhir dengan target sehingga diperoleh error) Tahap Modifikasi Bobot (Penyusaian bobot dengan target untuk memperkecil error)
BAB III METODOLOGI PENELITIAN 3.1 Objek Peneliitian Bermacam-macam pola huruf vokal Scanner (mengekstrak huruf vokal kedalam bentuk.bmp) Laptop dengan software MATLAB
BAB III METODOLOGI PENELITIAN Mulai 3.2 Metodologi Penelitian Pengolahan Awal Citra Analisa Kerja Pengujian Jaringan Pelatihan Jaringan Pembuatan Jaringan Selesai
BAB III METODOLOGI PENELITIAN 3.2.1 Pemrosesan Awal Citra Mulai Mulai Citra latih Pemrosesan awal (dibagi 4 Segmen) Ekstraksi nilai fitur histogram Hasil Citra uji Pemrosesan awal (dibagi 4 Segmen) Ekstraksi nilai fitur histogram Hasil
BAB III METODOLOGI PENELITIAN 3.2.2 Jaringan Backpropagation Mulai Pengujian Hasil Hasil ekstraksi fitur citra uji Bobot yang diperoleh dari hasil pelatihan Hasil ekstraksi fitur citra latih JST backpropagation untuk pelatihan
BAB IV ANALISA DATA DAN PEMBAHASAN Analisa Data Contoh pola huruf vokal yang dijadikan data latih dan data uji
BAB IV ANALISA DATA DAN PEMBAHASAN Pemrosesan Awal Pemrosesan awal citra dilakukan dengan membagi citra menjadi 4 bagian atau empat segmen. Seperti pada gambar disamping. Setiap segmen akan diekstrak 2 nilai fitur yaitu mean dan standar deviasi, sehingga akan diperoleh 8 nilai fitur disetiap citra.
BAB IV ANALISA DATA DAN PEMBAHASAN Hasil Ekstraksi Fitur Histogram Tabel 4.2 Nilai fitur huruf E Mean 1 0,8599 Mean 2 0,9046 Tabel 4.1 Nilai fitur huruf A Mean 1 0,9292 Mean 2 0,9063 Mean 3 0,9670 Mean 4 0,9422 Standar deviasi 1 0,2565 Mean 3 0,8547 Mean 4 0,9139 Standar deviasi 1 0,3471 Standar deviasi 2 0,2937 Standar deviasi 3 0,3524 Standar deviasi 4 0,2805 Standar deviasi 2 0,2914 Standar deviasi 3 0,1788 Standar deviasi 4 0,2334
BAB IV ANALISA DATA DAN PEMBAHASAN Tabel 4.3 Nilai fitur huruf I Mean 1 0,9042 Mean 2 0,8980 Mean 3 0,8892 Mean 4 0,9260 Standar deviasi 1 0,2943 Standar deviasi 2 0,3026 Standar deviasi 3 0,3139 Standar deviasi 4 0,2618 Tabel 4.4 Nilai fitur huruf O Mean 1 0,9287 Mean 2 0,9199 Mean 3 0,7627 Mean 4 0,7526 Standar deviasi 1 0,2573 Standar deviasi 2 0,2714 Standar deviasi 3 0,4255 Standar deviasi 4 0,4315
BAB IV ANALISA DATA DAN PEMBAHASAN Tabel 4.5 Nilai fitur huruf U Mean 1 0,9011 Mean 2 0,9018 Mean 3 0,8648 Mean 4 0,8698 Standar deviasi 1 0,2985 Standar deviasi 2 0,2975 Standar deviasi 3 0,3420 Standar deviasi 4 0,3365
BAB IV ANALISA DATA DAN PEMBAHASAN Pelatihan Jaringan Tabel 4.6 Target untuk setiap klasifikasi Huruf A [1 0 0 0 0] Huruf E [0 1 0 0 0] Huruf I [0 0 1 0 0] Huruf O [0 0 0 1 0] Huruf U [0 0 0 0 1] Target yang ditentukan untuk pelatihan jaringan ini merupakan kombinasi angka 1 dan 0, karena fungsi aktivasi yang digunakan adalah sigmoid biner. Berikut adalah target yang ditentukan untuk setiap pola huruf vokal:
BAB IV ANALISA DATA DAN PEMBAHASAN Citra Latih Tabel 4.7 Keakurasian dari pelatihan jaringan (jumlah hidden layer 4, jumlah neuron 50, epoch 4500) Terdeteksi Sebagai A E I O U Tidak Kenal Akuras i Eror Jumlah Citra A 78 0 2 2 3 5 86,67 13,33 90 E 1 80 1 0 5 3 88,89 11,11 90 I 2 2 79 2 3 2 87,78 12,22 90 O 1 3 5 75 4 2 83,33 16,67 90 U 4 9 4 5 66 2 73,33 26,67 90 Rata-rata prosentase 84 16 450
BAB IV ANALISA DATA DAN PEMBAHASAN Dari pelatihan jaringan bisa diketahui performa jaringan dengan melihat grafik MSE (Mean Squared Error). Grafik ini menunjukan error yang ada pada setiap iterasi yang dilakukan jaringan. Berikut adalah gambar grafik dari MSE jaringan ini.
BAB IV ANALISA DATA DAN PEMBAHASAN Pengujian Jaringan Citra Latih Tabel 4.7 Keakurasian dari pengujian jaringan (jumlah hidden layer 4, jumlah neuron 50, epoch 4500) Terdeteksi Sebagai A E I O U Tidak Kenal Akuras i Eror Jumlah Citra A 24 0 2 2 1 1 80 20 30 E 1 26 1 0 0 2 86,67 13,33 30 I 2 0 24 1 1 2 80 20 30 O 1 0 3 22 2 2 73,33 26,67 30 U 3 1 3 2 18 3 60 40 30 Rata-rata porsentase 76 24 150
BAB V KESIMPULAN DAN SARAN Kesimpulan 1. Sistem perangkat lunak yang dibuat telah berhasil mengklasifikasikan huruf vokal kedalam kelompok A, I, U, E dan O. 2. Dari hasil pelatihan sisitem perangkat lunak yang telah dibuat diperoleh prosentasi akurasi yang paling maksimal adalah sebesar 84% dengan parameter epoch 4500, learning rate 0,1, jumlah lapian tersembunyi 5 dan jumlah neuron ada setiap lapisan tersembunyi sebanyak 50 neuron, dengan pelatihan dilakukan dengan menggunakn citra latih. 3. Hasil pengujian sistem perangkat lunak yang telah dibuat ini diperoleh prosentasi akurasi sebesar 76%, dengan pengujian menggunakan citra uji yang berbeda dengan yang digunakan pada saat pelatihan.
BAB V KESIMPULAN DAN SARAN Saran 1. Menambah jumlah fitur sehingga lebih banyak parameter yang bisa digunakan jaringan ini untuk mengklasifikasi. 2. Jaringan ini dapat dikembangkan untuk mengenali jenis huruf yang lebih banyak lagi.
TERIMA KASIH dhitaazzahra@gmail.com