PERBANDINGAN ANALISIS PENGENALAN HURUF ARAB MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN BACKPROPAGATION DAN K-NEAREST NEIGHBOR Ragil Anggararingrum Perwira Nagara¹, Adiwijaya², Ratri Dwi Atmaja³ ¹Teknik Telekomunikasi,, Universitas Telkom Abstrak Saat ini, perkembangan teknologi telekomunikasi berkembang sangat pesat. Salah satunya adalah sistem pengenalan pola. Sistem pengenalan pola sudah banyak dimanfaatkan dan dikembangkan. Salah satu contoh dari sistem pengenalan pola yang banyak dimanfaatkan saat ini adalah pengenalan tulisan tangan. Tugas akhir ini dibuat dengan tujuan untuk mengimplementasikan suatu sistem yang mampu mengenali pola dari huruf arab dimana huruf arab yang digunakan adalah huruf arab dasar. Sistem ini dibuat dengan menggunakan Modified Direction Feature (MDF) yang menggabungkannya menjadi vektor ciri yang spesifik agar dapat dibedakan antara huruf arab yang satu dengan yang lainnya. Hasil ciri dari MDF ini akan dijadikan masukan pada proses pembelajaran pada Jaringan Syaraf Tiruan (JST) Backpropagation dan K-Nearest Neighbor (KNN), dimana JST Backpropagation dan K-Nearest Neigbor (KNN) dapat membantu memecahkan masalah mengenai pengenalan huruf arab. Untuk mengetahui sistem ini telah bekerja secara maksimal maka dilakukan pengujian terhadap sistem. Pengujian dilakukan dengan melakukan analisis terhadap parameter-parameter untuk mendapatkan akurasi yang terbaik. Parameter-parameter yang mempengaruhi adalah,jumlah transisi pada MDF, learning rate, epoch pada JST Backpropagation dan banyak sampel per kelas pada data latih serta algoritma pelatihan KNN. Dari hasil pengujian yang dilakukan, maka diperoleh akurasi untuk data uji sebesar 80.38% untuk KNN dan 55.77% untuk JST Backpropagation. Kata Kunci : Pengenalan Huruf Arab, Modified Direction Feature (MDF), Jaringan Syaraf Tiruan Backpropagation, K-Nearest Neighbor
Powered by TCPDF (www.tcpdf.org) Abstract Nowadays, the development of telecommunication technology is growing very rapidly. For example is a pattern recognition. Pattern recognition system has been used and developed. One example of pattern recognition system that is widely used handwriting recognition. This final project was created with the purpose to implement a system capable of recognizing pattern from which the Arabic letter. The Arabic letter which used is basic. The system is made using Modified Direction Feature which incorporate a specific feature vector in order to distinguish between the Arabic letter with each other. The characteristic result of the MDF will be used as input to the learning process in the artificial neural network Backpropagation and KNN which can solve the problem about recognizing of the Arabic letter. If we want to know this system has worked to the maximum then testing the system. Testing is done by analyzing the parameters to get the best level of accuracy. The parameters that affect the sistem are the amount of transition in MDF, learning rate, and epoch in the artificial neural network, the amount of sample in training data dan the training algorithm in KNN. From the result of testing was obtained the accuracy for the testing data is 80.38% at KNN and 55.77% testing data at the artificial neural network Backpropagation. Keywords :
1.1 Latar Belakang BAB I Saat ini, kemajuan teknologi sangat berkembang pesat, terutama pada bidang pengolahan citra. Pemanfaatan pengolahan citra digital sudah berkembang dan banyak diaplikasikan di berbagai bidang. Salah satu pengolahan citra yang banyak digunakan adalah pengenalan pola. Perkembangan teknologi pengenalan pola huruf sudah banyak dilakukan saat ini. Namun pengenalan pola pada huruf arab masih belum terlalu berkembang dibandingkan huruf yanng lain karena huruf arab memiliki tingkat kesulitan yang tinggi dibandingkan huruf lainnya. Padahal huruf arab adalah salah satu huruf yang wajib dipelajari dan dipahami oleh umat Islam di seluruh dunia. Oleh karena itu, diperlukan suatu sistem yang mampu membantu pengidentifikasian huruf arab yang dapat digunakan untuk membantu memudahkan orang dalam mempelajari dan mengenali huruf arab tersebut. Dengan menggunakan pengolahan citra digital, maka dapat dikembangkan suatu teknik pengidentifikasian huruf arab berbasis software yang akan membantu memudahkan orang dalam mempelajari dan mengenali huruf arab. Dari referensi [6] telah diperoleh hasil bahwa tingkat keakuratan pengenalan pola pada huruf arab masih kurang maksimal yaitu 73%. Dan dari referensi [8] diperoleh bahwa proses pengenalan huruf juga masih kurang maksimal. Oleh karena itu, pada penelitian ini, penulis mencoba untuk menggunakan metode yang berbeda untuk memperbaiki tingkat performansi pada pengenalan huruf arab tersebut. Pada proses pengenalan huruf arab dilakukan dengan 2 tahap yaitu proses ekstraksi ciri dan pengklasifikasian. Pada proses ekstraksi ciri akan digunakan metode Modified Direction Feature (MDF). Teknik MDF adalah teknik yang mengambil vektor ciri dari segala arah dan kemudian menggabungkannya sehingga terbentuk vektor ciri yang spesifik [6]. Dari hasil vektor ciri yang telah dihasilkan oleh MDF tersebut akan dijadikan masukan pada Jaringan Saraf Tiruan (JST) Backpropagation. Dengan menggunakan JST Backpropagation akan dilakukan proses pengklasifikasian pola huruf arab yang mewakili kategori tertentu sehingga diperoleh keluaran pembacaan huruf arab dengan tingkat keakuratan yang baik. ANALISIS PENGENALAN HURUF ARAB MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN BACKPROPAGATION DAN K-NEAREST NEIGHBOR 1
Oleh karena itu, dalam tugas akhir ini akan dihasilkan suatu alat bantu berbasis software yang dapat dimanfaatkan untuk membantu mengidentifikasi huruf arab. 1.2 Tujuan Tujuan tugas akhir ini adalah sebagai berikut : 1. Mengimplementasikan kombinasi antara metode MDF dengan JST Backpropagation dalam pengenalan huruf arab. 2. Menganalisis parameter metode MDF, JST Backpropagation dan KNN yang mempengaruhi performansi akurasi sistem dalam pengenalan huruf arab. 3. Menganalisis kombinasi antara metode MDF, JST Backpropagation dan KNN dengan melihat performansi akurasi sistem berdasarkan nilai akurasi untuk ketepatan pengenalan pola. 1.3 Perumusan Masalah Beberapa masalah pada tugas akhir adalah sebagai berikut. 1. Bagaimana pengimplementasian MDF dan JST Backpropagation serta KNN? 2. Bagaimana menghitung performansi akurasi sistem yang menggunakan gabungan antara metode MDF, JST Backpropagation dan KNN dalam pengenalan huruf arab? 3. Bagaimana analisis metode MDF, JST Backpropagation dan KNN pada pengenalan pola huruf arab berdasarkan parameter-parameter dari metode tersebut? 1.4 Batasan Masalah Tugas akhir ini membatasi masalah pada poin-poin sebagai berikut : 1. Pola huruf arab yang menjadi masukan pada sistem adalah huruf arab dasar ( tanpa tanda baca dan berdiri sendiri). 2. Pola masukan pada sistem dengan posisi tertentu dan tidak menangani tulisan yang bertumpuk. 3. Data masukan untuk proses ui dan latih berupa merupakan file dalam format *.jpg. 4. Pola masukan untuk proses uji dan latih berupa file gambar yang telah di scan. 5. Pola masukan untuk proses uji tidak menangani tulisan huruf kaligrafi. 6. Adanya proses preprocessing yang meliputi thresholding, thinning, cropping dan normalisasi sebelum masuk ke dalam MDF. ANALISIS PENGENALAN HURUF ARAB MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN BACKPROPAGATION DAN K-NEAREST NEIGHBOR 2
7. Sistem ini akan dibuat pada software Matlab R 2009a. 8. Sistem dibuat untuk mengenali huruf yang dibuat. 1.5 Metodologi Penelitian Penelitian ini dilakukan dengan metode-metode sebagai berikut. 1. Melakukan studi literature dengan mempelajari permasalahan yang berkaitan dengan pengenalan pola pada huruf arab. Proses pembelajaran materi dilakukan dengan kajian berbagai sumber pustaka baik berupa buku, jurnal ilmiah, maupun media elektronik. 2. Pengambilan Data Merupakan proses pengambilan citra huruf arab untuk dijadikan bahan latih dan bahan uji sistem. 3. Konsultasi dengan Dosen Pembimbing Konsultasi dengan dosen pembimbing diperlukan untuk mengkaji dan merumuskan metode yang tepat untuk diimplementasikan dalam sistem sehingga hasil keluaran sistem menjadi maksimal. 4. Penelitian dilakukan dalam bentuk perancangan, realisasi, dan pengujian sistem pengenalan pola pada huruf arab dalam platform Matlab R2009a. 1.6 Sistematika Penulisan Pembahasan Tugas Akhir ini disusun dalam lima bab sebagai berikut: BAB I : Berisi latar belakang, tujuan, perumusan dan batasan masalah, metodw penelitian yang dilakukan, sistematika penulisan dan rencana kerja. BAB II : DASAR TEORI Berisi teori-teori dasar mengenai pengolahan citra digital, modified direction feature dan jaringan syaraf tiruan Backpropagation. BAB III : Perancangan dan Realisasi Sistem Identifikasi Huruf Arab Bab ini menjelaskan proses desain dan realisasi sistem. BAB IV : Analisa Kerja Sistem Identifikasi Huruf Arab ANALISIS PENGENALAN HURUF ARAB MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN BACKPROPAGATION DAN K-NEAREST NEIGHBOR 3
Powered by TCPDF (www.tcpdf.org) Bab ini membahas analisa hasil percobaan secara kualitatif dan kuantitatif. Analisa dilakukan terhadap parameter kinerja sistem yang diamati seperti dijelaskan pada bagian 1.4 BAB V : Kesimpulan dan saran Memberikan hasil kesimpulan hasil penelitian serta saran pengembangan penelitian ke depan. ANALISIS PENGENALAN HURUF ARAB MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN BACKPROPAGATION DAN K-NEAREST NEIGHBOR 4
KESIMPULAN DAN SARAN BAB V PENUTUP 5.1 Kesimpulan Dari hasil pengujian dan analisis yang telah dilakukan pada proses identifikasi pengenalan huruf arab, maka dapat diambil beberapa kesimpulan sebagai berikut: 1. Sistem identifikasi pengenalan huruf arab sudah dapat dilakukan oleh metode MDF dan JST Backpropagation memiliki tingkat akurasi 55.77% sedangkan pada KNN mencapai 80.38%. Ini disebabkan oleh beberapa faktor, yaitu: a. Keanekaragaman jenis citra dalam tulisan tangan, sehingga berakibat ketidaktepatan dalam mengambil ciri dari masing-masing tulisan. b. Adanya pola/ciri yang mirip antar tulisan yang diidentifikasi. 2. Akurasi sistem saat menggunakan data latih dalam mengidentifikasi huruf arab adalah sebagai berikut: a. Nilai akurasi data latih dengan nilai transisi 4 mencapai 89.28% dengan epoch 300, learning rate 0.01, normalisasi 200x200. b. Nilai akurasi data uji dengan nilai transisi 4 mencapai 53.076 % dengan epoch 300, learning rate 0.01, normalisasi 200x200. c. Nilai akurasi dengan learning rate 0.01 pada data latih mencapai 89,28% dengan normalisasi 200x200, epoch 300, dan nilai transisi 4. d. Nilai akurasi dengan learning rate 0.01 pada data uji mencapai 53.076% dengan normalisasi 200x200, epoch 300, dan nilai transisi 4. e. Nilai akurasi dengan epoch 1000 pada data latih mencapai 89.28% dengan normalisasi 200x200 dan nilai transisi 4. f. Nilai akurasi dengan epoch 1000 pada data uji mencapai 55.77% dengan normalisasi 200x200 dan nilai transisi 4. g. Nilai akurasi tertinggi pada jumlah sampel per kelas pada data latih pada pengujian KNN adalah sebesar 100% untuk jumlah sampel 2,3,4, dan 5. h. Nilai akurasi tertinggi pada jumlah sampel per kelas pada data latih pada pengujian KNN adalah sebesar 71.53% untuk jumlah sampel 1 per kelasnya. PERBANDINGAN ANALISIS PENGENALAN HURUF ARAB MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN BACKPROPAGATION DAN K-NEAREST NEIGHBOR 46
Powered by TCPDF (www.tcpdf.org) KESIMPULAN DAN SARAN 5.2 Saran i. Nilai akurasi tertinggi pada data latih mencapai 87.5% yaitu pada algoritma pelatihan euclidean. j. Nilai akurasi tertinggi pada data uji mencapai 80.38% yaitu pada algoritma pelatihan euclidean. Adapun saran untuk pengembangan tugas akhir selanjutnya adalah : 1. Menggunakan algoritma ekstraksi ciri yang lebih baik sehingga mengurangi kesalahan dalam menentukan ciri. 2. Perlu penelitian lebih lanjut dengan menggunakan metode-metode yang lain sehingga dapat diperoleh tingkat akurasi yang lebih baik. PERBANDINGAN ANALISIS PENGENALAN HURUF ARAB MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN BACKPROPAGATION DAN K-NEAREST NEIGHBOR 47
Powered by TCPDF (www.tcpdf.org) DAFTAR PUSTAKA [1] Putra, Darma. 2010. Pengolahan Citra Digital. Yogyakarta. Penerbit : Andi. [2] Sutoyo, T dkk. 2009. Teori Pengolahan Citra Digital. Yogyakarta. Penerbit : Andi. [3]Munir, Rinaldi. (2004). Pengolahan Citra Digital dengan Pendekatan Algoritmik.Informatika. Bandung. [4] X. Y. Liu and M. Blumenstein, Experimental Analysis of the Modified Direction Feature for Cursive Character Recognition,m.blumenstein@griffith.edu.au, diakses terakhir tanggal 12 Desember 2011. [5] P. D. Gader, M. Mohamed and J-H. Chiang. (1997). Handwritten Word Recognition with Character and Inter-Character Neural Networks. IEEE. [6] Umami, M.A. 2010. Tugas akhir Analisis dan implementasi Pengenalan Huruf Arab Menggunakan Modified Direction Feature dan Learning Vector Quantization [7]Dayhoff, Judith.E. Neural Network Architectures. Van Nostrand Reinhold, New York,1990. [8] Agung, Tjokorda dkk. 2009. Konferensi Nasional Sistem dan Informatika. Bali. [9] Kristanto, Franciscus. 2012. Tugasakir Pengenalan Pola Citra Tekstur dengan Metode Jarak Euclidean [10] arl.blog.ittelkom.ac.id/blog/2011/07/k-nearest-neighbor-k-nn/, diakses terakhir tanggal 30 oktober 2012 ANALISIS PENGENALAN HURUF ARAB MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN BACKPROPAGATION DAN K-NEAREST NEIGHBOR 48