218 Prosiding Pertemuan Ilmiah XXV HFI Jateng & DIY

ISSN 0853-0823

 

Aplikasi Jaringan Saraf Tiruan (Artificial Neural Network)

pada Pengenalan Pola Tulisan

Alvama Pattiserlihun, Andreas Setiawan, Ferdy S. Rondonuwu

Program Studi Fisika, Fakultas Sains dan Matematika, Universitas Kristen Satya Wacana

Jl. Diponegoro No. 52 – 60 Salatiga 50711, Jawa Tengah –Indonesia, telp (0298) 321212

e-mail : alvaphysics@yahoo.com

Abstrak – Jaringan saraf tiruan (JST) merupakan pemroses informasi yang meniru jaringan saraf biologis pada manusia.

Karena kelebihan inilah, JST dapat dipakai untuk mengenali pola tertentu, misalnya pola tulisan (huruf). JST yang dipakai

adalah pemrograman perceptron. Pola tulisan, dalam hal ini pola huruf yang dikenali oleh pemrograman perceptron adalah

pola huruf “A” dengan dibandingkan dengan pola huruf lain, yakni pola huruf “B” dan “C”. Pemrogramannya dimulai

dengan membuat pola huruf “A”, “B” dan “C”, kemudian memasukkan vektor masukan dan target (t) yang diinginkan.

Setelah itu membentuk jaringan, menghitung keluaran perceptron (a), kemudian melatihnya guna mendapatkan bobot (w) dan

bias (b) yang diinginkan, sehingga dapat membandingkan output jaringan yang diperoleh dengan target yang sudah

ditentukan. Dari pemrograman ini didapatkan bahwa pola huruf “A” dapat dikenali hanya dalam 2 epoch, dengan nilai bobot

(w) dan nilai bias (b) tertentu. Di mana keluaran pemrograman perceptron (a) sama dengan target (t) yang diinginkan.

Pemrograman perceptron untuk pengenalan pola huruf “A” ini, dapat diimplementasikan juga pada pengenalan huruf yang

lain.

Kata kunci : jaringan saraf tiruan, pola tulisan, huruf

I. PENDAHULUAN

Salah satu alat bantu yang dipakai oleh penyandang

tunanetra untuk membaca adalah dengan menggunakan

huruf braille. Ketika menggunakan huruf braille,

penyandang tunanetra harus menyentuh huruf yang dibaca

dengan menggunakan tangan, mengenali huruf yang

dipegang, setelah itu merangkai huruf-huruf berikutnya

menjadi sebuah kata lalu menjadi kalimat dan seterusnya.

Namun jika menggunakan cara ini, maka penyandang

tunanetra yang ingin membaca harus menunggu cetakan

khusus huruf braille. Agar penyandang tunanetra juga dapat

membaca buku selain cetakan huruf braille, maka

dibutuhkan suatu pengembangan, misalnya menggunakan

alat yang langsung dapat mengenali pola tulisan dan

memberitahukan huruf, kata, atau kalimat untuk

penyandang tunanetra tersebut. Alat tersebut dapat dibuat

dengan menggunakan suatu program untuk mengenali pola

tulisan dan dihubungkan dengan program yang memproses

tulisan menjadi bentuk besaran fisis lain.

Pada penelitian ini, penulis hanya akan membuat program

untuk mengenali pola tulisan, khususnya pengenalan pola

huruf. Untuk mengenali pola tulisan, salah satu metode

yang dapat dipakai adalah dengan menggunakan jaringan

saraf tiruan (Artificial Neural Network). Jaringan saraf

tiruan merupakan suatu sistem yang bertugas untuk

memproses data dengan meniru jaringan saraf biologis.

Sehingga sampel tulisan yang dijadikan sebagai input dapat

dikenali oleh komputer seperti otak yang memproses

informasi dan kemudian mengenali pola tulisan yang dilihat

oleh mata. Karena kelebihan inilah, jaringan saraf tiruan

merupakan metode yang tepat untuk mengenali pola tulisan.

Selain kelebihan-kelebihan di atas, jaringan saraf tiruan juga

memiliki kemampuan untuk belajar dan sifat toleransi

kesalahan (fault tolerance) [1].

II. DASAR TEORI

A. Jaringan Saraf Tiruan (Artificial Neural Network)

Sejarah perkembangan jaringan saraf tiruan telah dimulai

pada tahun 1940 dengan mengasosiasikan cara kerja otak

manusia dengan logika numerik yang diadaptasi peralatan

komputer [2]. Sederhananya, jaringan saraf tiruan (JST)

adalah sistem pemroses informasi yang memiliki

karakteristik mirip dengan jaringan saraf biologi, di mana

jaringan saraf tiruan menyerupai otak manusia dalam

mendapatkan pengetahuan yaitu dengan proses learning

(belajar) dan menyimpan pengetahuan yang didapat di

dalam kekuatan koneksi antarneuron [3]. Hal tersebut

membuat JST mampu mengenali kegiatan dengan berbasis

pada data. Data akan dipelajari oleh JST sehingga memiliki

kemampuan untuk memberi keputusan terhadap data yang

belum dipelajari [4]. JST ditentukan oleh 3 hal, yakni: pola

hubungan antarneuron (arsitektur jaringan), metode untuk

menentukan bobot penghubung (metode training/learning/

algoritma) dan fungsi aktivasi [5].

Struktur jaringan saraf tiruan dapat dilihat pada Gambar 1.

Neuron Y menerima input dari neuron x1, x2, dan x3 dengan

bobot hubungan masing-masing adalah w1, w2, dan w3.

Kemudian ketiga impuls neuron yang ada dijumlahkan,

sehingga dapat ditulis

net = x1w1 + x2w2 + x3w3. (1)

Besarnya impuls yang diterima oleh Y mengikuti fungsi

aktivasi y = f(net). Apabila nilai aktivasi cukup kuat, maka

sinyal akan diteruskan. Nilai fungsi aktivasi (keluaran model

jaringan) juga dapat dipakai sebagai dasar untuk mengubah

bobot [5].

Prosiding Pertemuan Ilmiah XXV HFI Jateng & DIY 219

ISSN 0853-0823

Gambar. 1. Diagram jaringan saraf tiruan.

B. Model Jaringan Perceptron

Jaringan perceptron terdiri dari beberapa unit masukan

(ditambah sebuah bias) dan memiliki sebuah unit keluaran

seperti pada Gambar 2. Hanya saja fungsi aktivasi bukan

merupakan fungsi biner (bipolar), tetapi memiliki

kemungkinan nilai –1, 0, atau 1.

Gambar 2. Arsitektur jaringan perceptron.

Untuk suatu nilai threshold θ yang ditentukan

Secara geometris, fungsi aktivasi membentuk 2 garis

sekaligus, masing-masing dengan persamaan [5]

w1x1 + w2x2 + . . .+ wnxn + b = θ (2)

w1x1 + w2x2 + . . .+ wnxn + b = –θ. (3)

Pada penelitian ini, default sistem yang dipakai adalah

sebagai berikut. Masukan dan target yang dipakai berbentuk

bebas (tidak harus biner/bipolar), threshold yang dipakai

adalah 0, fungsi aktivasi memiliki output biner

dan tidak menggunakan laju pemahaman. Bobot diubah

berdasarkan error yang terbentuk dari selisih antara target

yang diinginkan dengan keluaran jaringan (f(net)).

Perubahan bobot bukan merupakan hasil kali antara target

dengan masukan [5].

C. Pelatihan Perceptron

Misalkan s adalah vektor masukan dan t adalah target

keluaran, α adalah laju pemahaman (learning rate) yang

ditentukan, θ adalah threshold yang ditentukan; maka

algoritma pelatihan perceptron adalah sebagai berikut :

Inisialisasi semua bobot (w) dan bias (b). Tentukan laju

pemahaman (α). Untuk penyederhanaan, biasanya α diberi

nilai 1. Selama ada elemen vektor masukan yang respon

unit keluarannya tidak sama dengan target, dilakukan: Set

aktivasi unit masukan xi = si (i = 1, ..., n). Dihitung respon

unit keluaran: net = b.

Bobot pola yang mengandung kesalahan (y ≠ t) diperbaiki

menurut persamaan

wi(baru)=wi(lama)+∆w(i=1,...,n) (4)

dengan ∆w = αtxi

b(baru)=b(lama)+∆b (5)

dengan ∆b = αt [5]

III. METODE

Pertama-tama, pola huruf “A”,”B” dan “C” dibuat, seperti

pada Gambar 3(a) [5]. Setelah itu vektor masukan (pola

tulisan yang digunakan) dan target (t) yang diinginkan

dibentuk, dengan bobot (w) awal yang dibuat random serta

bias (b) awal = 1. Lalu setiap titik pada Gambar 3(a),

diambil sebagai komponen vektor. Setiap vektor masukan

(pola 1 sampai 6) mempunyai (9×7) = 63 komponen.

Kemudian kepada titik dalam pola yang bertanda “.”

diberikan nilai (–1) dan nilai (1) diberikan kepada tiap titik

dalam pola yang bertanda “#”, seperti terlihat pada Gambar

3(b). Pola-pola huruf tersebut harus dibaca dari kiri ke

kanan, dimulai dari baris yang paling atas.

(a)

Gambar 3. (a) Pola huruf “A”,B” dan “C”

220 Prosiding Pertemuan Ilmiah XXV HFI Jateng & DIY

ISSN 0853-0823

 

(b)

Gambar 3. (b) Vektor masukan.

Pada penelitian ini, program yang dibuat hanya akan

mengenali pola huruf “A”. Target akan bernilai = 0 jika pola

masukan menyerupai huruf “A”. Jika tidak menyerupai

huruf “A” maka target bernilai 1. Pola yang menyerupai

huruf “A” ada pada pola 1 dan pola 4. Pemrograman

perceptron ini memiliki 6 pola masukan dan 6 target (t)

seperti tampak pada Tabel I.

TABEL I. POLA MASUKAN DAN TARGET

Pola

masukan

Target

(t)

Pola 1 0

Pola 2 1

Pola 3 1

Pola 4 0

Pola 5 1

Pola 6 1

Setelah itu, pemodelan jaringan perceptron dibentuk dan

keluaran dari jaringan perceptron (a) yang dibuat pun harus

dihitung. Guna mendapatkan bobot (w) dan bias (b) yang

diinginkan, program perceptron harus dilatih. Setelah

mendapatkan bobot (w) dan bias (b) yang diinginkan,

output yang diperoleh dari pemrograman perseptron (a)

dibandingkan dengan target (t) yang sudah ditentukan.

IV. HASIL DAN PEMBAHASAN

Pemrograman dilakukan dengan menggunakan jaringan

saraf tiruan (JST). Di mana jaringan saraf tiruan merupakan

pemrograman yang meniru jaringan saraf biologis pada

manusia. Pemrograman JST ini menggunakan

pemrograman perseptron, di mana diperoleh hasil seperti

pada Gambar 4.

Dari pemrograman yang dilakukan, juga didapatkan

beberapa data, yakni:

• Bobot (w)

Bobot-bobot yang diperoleh dapat dilihat pada Tabel II.

• Bias (b)

Nilai bias yang didapatkan 2.

• a (keluaran yang dihasilkan oleh jaringan)

a = [ 0 1 1 0 1 1]

• e (error)

e = 0

TABEL 2. BERBAGAI NILAI BOBOR (w).

Pada Gambar 4 dapat dilihat bahwa iterasi dilakukan

hanya dalam 2 epoch. Di mana epoch 2 memiliki nilai mean

absolute error (mae) = 0. Hal ini berarti bahwa semua pola

yang diberikan telah dikenali. Keluaran yang dihasilkan oleh

jaringan saraf tiruan (perceptron) a = [ 0 1 1 0 1 1].

Jika dibandingkan dengan target (t) yang diinginkan, t = [0

1 1 0 1 1], maka dapat dilihat bahwa keluaran jaringan

perceptron (a) yang dibuat memiliki nilai yang sama dengan

target (t) yang diinginkan. Nilai bobot (w) dan nilai bias (b)

pada keadaan optimal (keadaan pada saat semua pola

dikenali) adalah seperti pada Tabel II. dan nilai bias (b) = 2.

(a) (b)

Gambar 4. (a) Informasi tentang output dari pemrograman

menggunakan jaringan perceptron, (b) Grafik performance

(Grafik mean absolute error terhadap epoch).

Dari data-data tersebut dapat dilihat bahwa pola 1 dan

pola 4 yang merupakan pola huruf “A” dapat dikenali

dengan benar, menggunakan pemrograman perceptron. Dan

w1 = 1,8147

w2 = 1,9058

w3 = 1,1270

w4 = 1,9134

w5 = 3,6324

w6 = 1,0975

w7 = -0,7215

w8 = -0,4531

w9 = 3,9575

w10 = -0,0351

w11 = -2,8424

w12 = -0,0294

w13 = 1,9572

w14 = 1,4854

w15 = 1,8003

w16 = 1,1419

w17 = -0,5782

w18 = -2,0843

w19 = -0,2078

w20 = -0,0405

w21 = 3,6557

w22 = 1,0357

w23 = 1,8491

w24 = -2,0660

w25 = -0,3213

w26 = -2,2423

w27 = -0,2569

w28 = 1,3922

w29 = 1,6555

w30 = 1,1712

w31 = -0,2940

w32 = 1,0318

w33 = -0,7231

w34 = 1,0462

w35 = -0,9029

w36 = 1,8235

w37 = -0,3052

w38 = -2,6829

w39 = -2,0498

w40 = -2,9656

w41 = -2,5613

w42 = 1,3816

w43 = 1,7655

w44 = -0,2048

w45 = -0,8131

w46 = -0,5102

w47 = -0,5544

w48 = -2,3537

w49 = 3,7094

w50 = -0,2453

w51 = 1,2760

w52 = -0,3203

w53 = -0,3449

w54 = -0,8374

w55 = -0,8810

w56 = 1,4984

w57 = -0,0403

w58 = -0,6596

w59 = 1,5853

w60 = 3,2238

w61 = 1,7513

w62 = -0,7449

w63 = -2,4940

Prosiding Pertemuan Ilmiah XXV HFI Jateng & DIY 221

ISSN 0853-0823

pola huruf “B” dan “C” dikenali sebagai bukan huruf “A”.

Ini mengindikasikan bahwa jika pola masukan adalah huruf-

huruf yang lain selain huruf “A” maka huruf-huruf tersebut

kemungkinan akan dikenali sebagai bukan huruf “A”,

sehingga hal yang sama juga dapat kita implementasikan

pada huruf-huruf yang lain, guna mengenali pola huruf yang

diinginkan.

V. KESIMPULAN

Pola pengenalan tulisan, khususnya pola huruf dapat

dikenali dengan menggunakan jaringan saraf tiruan,

khususnya pemrograman perseptron. Dari hasil analisis

dengan menggunakan pemrograman perceptron, pola huruf

“A” dapat dikenali hanya dalam 2 epoch, dengan nilai bobot

(w) dan nilai bias (b) tertentu. Di mana keluaran

pemrograman perceptron (a) sama dengan target (t) yang

diinginkan. Pemrograman perseptron untuk pengenalan pola

huruf “A” ini, dapat diimplementasikan juga pada

pengenalan huruf yang lain.

PUSTAKA

[1] Nugroho, Fx. Henry. Pengenalan Wajah dengan Jaringan Saraf

Tiruan Backpropogation.Yogyakarta: 2005. hal 1.

[2] Muis, Saludin. Teknik Jaringan Saraf Tiruan. Yogyakarta : 2006

[3] Islam, M.J, dkk. Neural Network Based Handwritten Digits

Recognition- An Experiment and Analysis. University of Windsor,

Canada: 2009. hal 2.

[4] Luthfie, Syafiie Nur. Implementasi Jaringan Saraf Tiruan

Backpropagation Pada Aplikasi Pengenalan Wajah Dengan Jarak

Yang Berbeda Menggunakan MATLAB 7.0. Universitas Gunadarma,

Depok: 2007. hal 1.

[5] Siang, Jong Jek. Jaringan Saraf Tiruan dan Pemrogramannya

Menggunakan MATLAB. Yogyakarta: 2005.