pengenalan pola aksara batak karo ... - …repository.usd.ac.id/9324/2/125314044_full.pdf · kata...

i

PENGENALAN POLA AKSARA BATAK KARO

MENGGUNAKAN METODE BACK PROPAGATION

HALAMAN JUDUL

SKRIPSI

Diajukan Untuk Memenuhi Salah Satu Syarat Memperoleh

Gelar Sarjana Komputer

Program Studi Teknik Informatika

Oleh:

APRILLIA RINJANI PUTRI

125314044

PROGRAM STUDI TEKNIK INFORMATIKA

JURUSAN TEKNIK INFORMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

YOGYAKARTA

2017

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

ii

PATTERN RECOGNATION OF BATAK KARO CHARACTER

USING BACK PROPAGATION METHOD

TITLE PAGE

A THESIS

Presented as Partial Fulfillment of Requirements

to Obtain Sarjana Komputer Degree

in Informatics Engineering Department

By:

Aprillia Rinjani Putri

125314044

INFORMATICS ENGINEERING STUDY PROGRAM

INFORMATICS ENGINEERING DEPARTMENT

FACULTY OF SCIENCE AND TECHNOLOGY

SANATA DHARMA UNIVERSITY

YOGYAKARTA

2017


iii

SKRIPSI

HALAMAN PENGESAHAN

PENGENALAN POLA AKSARA BATAK KARO

MENGGUNAKAN METODE BACK PROPAGATION

Dipersiapkan dan ditulis oleh :

APRILLIA RINJANI PUTRI

NIM : 125314044

Telah dipertahankan di depan Panitia Penguji

Pada tanggal 12 Januari 2017

dan dinyatakan memenuhi syarat

Susunan Panitia Penguji

Nama Lengkap Tanda Tangan

Ketua : Dr. Anastasia Rita Widiarti, M. Kom. ………………..

Sekretaris : Eko Hari Parmadi, S.Si., M.Kom. ………………..

Anggota :Dr. C. Kuntoro Adi, SJ., M.A., M.Sc. ..........................

Yogyakarta, ..... …………. 2017

Fakultas Sains dan Teknologi

Universitas Sanata Dharma

Dekan,


iv

MOTTO

“Sesuatu yangbelum dikerjakan, seringkali tampak mustahil; kita baru yakin

kalau kita telah berhasil melakukannya dengan baik. ”

(Evelyn Underhill)


v

MOTTO

“Sesuatu yangbelum dikerjakan, seringkali tampak mustahil; kita baru yakin

kalau kita telah berhasil melakukannya dengan baik. ”

(Evelyn Underhill)


vi

PERNYATAAN KEASLIAN KARYA

Saya menyatakan dengan sesungguhnya bahwa di dalam skripsi yang saya

tulis ini tidak memuat karya atau bagian karya orang lain, kecuali yang telah

disebutkan dalam kutipan dan daftar pustaka, sebagaimana layaknya karya ilmiah.


vii


viii

ABSTRAK

Aksara Batak Karo merupakan salah satu budaya Indonesia yang layak

dilestarikan. Dalam pengenalan suatu obyek dibutuhkan proses pembelajaran,

yang didapatkan melalui ciri-ciri dan pengalaman dalam mengamati obyek ynag

serupa yang telah didapatnya. Salah satu metode yang bisa digunakan untuk

mengenali pola tersebut adalah Jaringan Syaraf Tiruan Back Propagation.

Dalam Back Propagation, dibentuklah sebuah jaringan syaraf tiruan dengan

struktur layer input, layer tersembunyi, dan layer output. Pada pelatihan jaringan

tersebut layer tersembunyi mempunyai fungsi aktivasi yang berpengaruh pada

pembelajaran dari alat tersebut. Ketika pengujian hal yang dilakukan hampir mirip

dengan training hanya saja sudah ada target yang dipersiapkan. Jika dari data uji

yang diolah ada yang menemui hasil target maka digolongkan sebagai aksara

yang sama dengan target tersebut.

Tujuan dari penelitian ini adalah mengetahui kemampuan penggunakan

metode Back Propagation dalam pengenalan pola aksara batak karo dan

mengetahui berapa besar prosentase keakuratan penggunaan metode Back

Propagation dalam pengenalan pola Aksara Batak Karo.

Pada penelitian ini digunakan pencirian menghitung piksel hitam (Intencity

of Character) dan menghitung arah menggunakan masking diagonal kiri, diagonal

kanan, vertikal, dan horizontal (Mark Direction). Hasil yang diperoleh dalam

penelitian ini adalah ketika menggunakan kombinasi ciri 8 ada 151 data benar dan

tepat oleh alat uji back propagation. Tingkat akurasi tertinggi sebesar 90%.

Jaringan yang digunakan menggunakan 2 lapisan tersembunyi dan 1 lapisan

keluaran, dengan jumlah neuron 20 layer 1, 35 layer 2, dan lapisan keluaran 21.

Dari hasil yang diperoleh dalam penelitian maka penelitian ini dinyatakan berhasil

membuktikan bahwa metode back propagation mampu mengenali tulisan tangan

aksara batak karo karena sudah mencapai tingkat kebehasilan akurasi diatas 85%.

Kata Kunci: Pengenalan Pola, Mark Direction, Intencity Of Character, Jaringan

Syaraf Tiruan Back Propagation


ix

ABSTRACT

Batak Karo Character is one of Indonesia culture that need to be preserved.

Recognizing an object takes a learning process, which is obtained through the

characteristics and experience in observing a similar object that has been earned.

One of methods that can be used to recognize these patterns is a neural network

back propagation.

In Back Propagation, a neural network formed with the structure of the input

layer, hidden layer and output layer. On the training of the network, hidden layer

has an activation function which affects the learning of these tools. During testing,

it perfomed almost similar to training. Only the targets were prepared. If the test

data processed met the target results then it would be classified as the same

character with the target.

The purpose of this research is to know the ability of Back Propagation

method in characters batak karo pattern recognition and to find out how much

percentage of accuracy using Back Propagation method in Batak Karo characters

pattern recognition.

This study used the characterization of calculating a black pixel (Intencity of

Character) and calculating the direction by applying masking diagonal left, right

diagonal, vertical, horizontal (Mark Direction). There were 151 data correct by

back propagation test aquipment after applying feature combination 8. The

highest accuracy rate was 90%. The back propagation used two layer, with the

number of neurons in 20 hidden layer 1, 35 hidden layer 2 and in output layer was

21. From the results, this study revealed succeeded in proving that the back

propagation method was able to recognize Batak Karo characters because it

achivied a success rate of accuracy above 85%.

Keywords: Patter Recognition, Mark Direction, Intencity of Character, Back

Propagation Neural Network


x

KATA PENGANTAR

Puji dan syukur penulis panjatkan kepada Tuhan Yang Maha Esa, sehingga

penulis dapat menyelesaikan tugas akhir dengan judul “Pengenalan Pola Tulisan

Tangan Aksara Batak Karo menggunakan Metode Back Propagation”. Tugas

akhir ini merupakan salah satu mata kuliah wajib dan sebagai syarat akademik

untuk memperoleh gelar sarjana komputer program studi Teknik Informatika

Universitas Sanata Dharma Yogyakarta.

Pada kesempatan ini, penulis ingin mengucapkan terima kasih kepada

pihak-pihak yang telah membantu penulis baik selama penelitian maupun saat

mengerjakan tugas akhir ini. Ucapan terima kasih sebesar-besarnya penulis

sampaikan kepada:

1. Tuhan Yang Maha Esa, yang telah memberikan pertolongan dan kekuatan

dalam proses pembuatan tugas akhir.

2. Yayasan Perkumpulan Dharma Putri yang telah memberikan beasiswa

Ikatan Dinas

3. Orang tua M.M Yayuk Turliani dan Sr.Frida Sri Suliyani SPM, kakak

Aprillius Fanda, adik Febrina Putri Dewi, serta seluruh keluarga yang telah

memberikan dukungan spiritual dan material.

4. Dr. Cyprianus Kuntoro Adi, SJ., M.A., M.Sc. selaku dosen pembimbing

tugas akhir, atas bimbingan, waktu dan saran yang telah diberikan kepada

penulis.

5. Iwan Binanto S.Si, M.Cs selaku dosen pembimbing akademik, atas

bimbingan, kritik dan saran yang telah diberikan kepada penulis.

6. Dr. Anastasia Rita Widiarti M.Kom selaku ketua program studi Teknik

Informatika, atas bimbingan, kritik dan saran yang telah diberikan kepada

penulis.

7. Sudi Mungkasi, S.Si., M.Math.Sc., Ph.D. selaku Dekan Fakultas Sains dan

Teknologi, atas bimbingan, kritik dan saran yang telah diberikan kepada

penulis.


xi

8. Seluruh dosen Teknik Informatika atas ilmu yang telah diberikan semasa

kuliah dan sangat membantu penulis dalam mengerjakan tugas akhir.

9. Teman-teman Teknik Mesin, Yuni, Zhena atas bantuannya terhadap penulis

dalam mengumpulkan data untuk penelitian ini serta membantu memberi

informasi yang dibutuhkan dalam penelitian ini.

10. Trio Majalengka (Eva, Okta, Lia) yang selalu memberikan support dalam

menyelesaikan penelitian ini.

11. Teman Selo (Raisa, Agata, Siska, Toni, Feliks Eko, Yunus, Tata, Arel,

Ningrum) yang saling memberi dukungan, semangat ketika jenuh dan malas

dalam mengerjakan tugas akhir ini.

12. Teman-teman Teknik Informatika 2012 Sanata Dharma, terima kasih atas

semangat dan perjuangan selama 4 tahun bersama yang telah kalian berikan

kepada satu sama lain.

13. Teman-teman komputasi Ekli, Yosep Dio, Echo yang telah membantu

penulis dalam mengerjakan tugas akhir.

14. Anak Bimbingan Romo Kun (Wigha, Nita, Okta, Riya, Bondan, Dhesa,dll)

yang berjuang bersama dalam menyelesaikan tugas akhir.

15. Semua pihak yang tidak dapat disebutkan satu per satu yang telah

membantu penulis dalam pengerjaan tugas akhir ini.

Penulis menyadari masih banyak kekurangan yang terdapat dalam laporan

tugas akhir ini. Saran dan kritik sangat diharapkan untuk hasil yang lebih baik di

masa mendatang.Akhir kata, penulis berharap tulisan ini dapat berguna bagi

perkembangan ilmu pengetahuan dan wawasan pembaca.

Penulis,

Aprillia Rinjani Putri


xii

DAFTAR ISI

1 HALAMAN JUDUL .............................................................................................. i

HALAMAN PENGESAHAN …………………………………………………..iv

MOTTO ................................................................................................................. v

PERNYATAAN KEASLIAN KARYA ............................................................. vii

LEMBAR PERPUSTAKAAN …………………………………………….…..vii

ABSTRAK ……………………………………………………………………..viii

KATA PENGANTAR ........................................................................................... x

DAFTAR ISI ......................................................................................................... xi

DAFTAR TABEL .............................................................................................. xiv

DAFTAR GAMBAR ........................................................................................... xv

BAB I PENDAHULUAN ...................................................................................... 1

1.1 Latar Belakang .......................................................................................... 1

1.2 Rumusan Masalah ..................................................................................... 2

1.3 Tujuan ........................................................................................................ 3

1.4 Batasan Masalah ....................................................................................... 3

1.5 Sistematika Penulisan ............................................................................... 4

BAB II LANDASAN TEORI ............................................................................... 5

2.1 Sejarah Aksara Batak ............................................................................... 5

2.2 Jaringan Syaraf Tiruan ............................................................................ 8

2.2.1 Jaringan Syaraf Tiruan Propagasi Balik / Back Propagation ...... 10

2.3 Pengenalan Pola ...................................................................................... 16

2.4 Penipisan Citra (Thining) ....................................................................... 16

2.5 Ekstraksi Ciri Mark Direction dan Intencity of Character ................ 17

BAB III METODOLOGI PENELITIAN ......................................................... 21

3.1 Data .......................................................................................................... 21

3.2 Perancangan Sistem ................................................................................ 22

3.2.1 Prepossesing ....................................................................................... 23

3.2.2 Pelatihan dan Pengujian Arsitektur JST ........................................ 26

3.2.3 Uji Data Tunggal ............................................................................... 30


xiii

3.3 Kebutuhan Sistem ................................................................................... 31

3.4 Perancangan Antarmuka Sistem ........................................................... 32

BAB IV IMPLEMENTASI DAN ANALISIS HASIL ..................................... 34

4.1 Implementasi Sistem ............................................................................... 34

4.1.1 Visualisasi Proses Ekstraksi Ciri ..................................................... 34

4.2 Analisis Hasil Penelitian ......................................................................... 40

4.2.1 Pengujian Variasi Arsitektur Jaringan ........................................... 40

4.2.2 Implementasi User Interface…………………………………...…..55

4.2.3 Pengujian Data Tunggal ................................................................... 62

BAB V PENUTUP ............................................................................................... 67

5.1 Kesimpulan .............................................................................................. 67

5.2 Saran ........................................................................................................ 67

DAFTAR PUSTAKA .......................................................................................... 68

LAMPIRAN……………………………………………………………...……...63


xiv

DAFTAR TABEL

Tabel 1.1 Tabel Penelitian .......................................................................................2

Tabel 3.1 Jumlah Data Input (Kombinasi Feature) ...............................................23

Tabel 3.2 4-Fold Cross Validation.........................................................................24

Tabel 4.1 Jumlah Data Input Arsitektur Jaringan ……………………………….36

Tabel 4.2 Hasil Akurasi seluruh percobaan ……………………………………..38

Tabel 4.3 Hasil Akurasi Feature 1 Hidden Layer 1 ……………………………..39

Tabel 4.4 Hasil Akurasi Feature 1, Hidden Layer 2 …………………………….40






Tabel 4.10 Hasil Akurasi Feature 4, Hidden Layer 2 …………………………...46









Tabel 4.19 Hasil Pengujian Data Tunggal ………………………………………57


xv

DAFTAR GAMBAR

Gambar 2.1 Silsilah Aksara .....................................................................................6

Gambar 2.2 Persamaan Surat Batak, Surat Ulu, Surat Incung ................................7

Gambar 2.3 Ilustrasi Jaringan Lapis Tunggal .........................................................9

Gambar 2.4 Ilustrasi Jaringan Lapis Majemuk......................................................10

Gambar 2.5 Ilustrasi Arsitektur Back Propagation ...............................................11

Gambar 2.6 Fungsi aktivasi........................... ........................................................11

Gambar 2.23 Struktur Elemen Tanda Arah ...........................................................17

Gambar 3.1Kolom Isi Responden................. ........................................................18

Gambar 3.2 Aksara Karo Tulisan Tangan...... .......................................................19

Gambar 3.3Diagram Blok Sistem................. ........................................................20

Gambar 3.4Citra keabuan menjadi Hitam Putih ...................................................21

Gambar 3.5Citra Setelah Thining................. ........................................................21

Gambar 3.6 Citra di bagi menjadi 9 segmen.. .......................................................22

Gambar 3.7Arsitektur JST 1 Hidden Layer ..........................................................25

Gambar 3.8Arsitektur JST 2 Hidden Layer...........................................................25

Gambar 3.9Proses Pengenalan dan Uji Data Tunggal .........................................28

Gambar 3.10Tampilan Antarmuka Sistem... .........................................................29

Gambar 3.11 Tampilan Antarmuka Sistem............................................................29

Gambar 4.1 Hasil Baca File aksara .jpg ..................................... ………………………...31

Gambar 4.2 Citra keabuan menjadi Hitam Putih ..................................................32

Gambar 4.3Ukuran Citra ditemukan................. ....................................................32

Gambar 4.4 Citra Setelah Thining................. .......................................................33

Gambar 4.5 Citra di bagi menjadi 9 segmen................. ........................................34

Gambar 4.6Ciri 1 dari BA KARO……….................... .........................................34




Gambar 4.10 Ciri 5 dari BA KARO ……….................... .....................................35



xvi



Gambar 4.14 Grafik Perubahan Akurasi seluruh percobaan …………………….39

Gambar 4.15 Grafik Perubahan Akurasi Ciri 1, Hidden Layer 1 ………………..40








Gambar 4.23 Grafik Perubahan Akurasi Ciri 5, Hidden Layer 1 ……….……….47








Gambar 4.31Tampilan Pelatihan dan Pengujian ……….......................................55

Gambar 4.32 Tampilan Proses Pelatihan Arsitektur JST 1 Hidden Layer ………56

Gambar 4.33 Tampilan Proses Pelatihan Arsitektur JST 2 Hidden Layer ………57

Gambar 4.34 Data Uji yang dikenali……………………………………. ………57


1

BAB I

PENDAHULUAN

1.1 Latar Belakang

Indonesia sebagai Negara kepulauan memiliki warisan kekayaan

budaya yang beragam, dimana salah satunya terwujud dalam aksara atau

tulisan asli daerah yang termasuk dalam aksara Nusantara. Sebagai bagian

dari aksara Nusantara, aksara Batak Karo yang merupakan rumpun dari

aksara Batak ini perlu mendapat perhatian khusus karena terancam punah

akibat keterbatasan data dan informasi (Kertasari dkk, 2009; Kozok,2009).

Penyebab keterbatasan tersebut yaitu dulu sastra diturunkan hanya secara

lisan, aksara Batak tidak digunakan untuk tujuan sehari-hari, melainkan

salah satunya digunakan untuk menulis naskah pustaka yang sebagian

besar berisi ilmu kedukunan dan mulai tahun 1852 dimusnahkan. Bentuk

aksara Batak dipengaruhi oleh varian aksara yang mulai akhir abad ke-19

diangkat untuk mencetak buku-buku yang bersifat keagamaan dan

pendidikan, sehingga apa yang dianggap sebagai aksara baku sekarang

sering merupakan hasil penyimpangan. Aksara Batak menjadi kebanggaan

masyarakat Batak sebagai prestasi nenek moyangnya yang mampu

menciptakan tulisan sendiri (Kozok, 2009). Tetapi di sisi lain, aksara

Batak sangat minim dimengerti ataupun dikenal oleh masyaakat, bahkan

sebagian besar masyarakat Batak sendiri tidak mengetahui adanya aksara

Batak.

Diperlukan sistem komputer yang mampu melakukan mengenali pola

aksara batak. Sebagai pemecahan atas permasalahan tersebut, dilakukan

penelitian untuk membangun sistem pengenalan pola aksara Batak Karo

secara otomatis. Beberapa penelitian mengenai pengenalan pola aksara

Batak yang telah dilakukan adalah sebagai berikut


2

Tabel 1.1 Tabel Penelitian

No Penelitian Peneliti / Tahun

Penelitian

Akurasi

1 Pengenalan Aksara Batak Toba

dengan Chain Code dan

Backpropagation

Daurat dan Anggi,

2013

100%

2 Pengenalan Tulisan Tangan

Aksara Batak Toba menggunakan

Backpropagation

Sitinjak, 2012 94,07%

3 Pengenalan Tulisan Tangan

Aksara Batak Toba menggunakan

Jaringan Syaraf Tiruan berbasis

Multilayer Perceptron

Rio, 2011 96,02%

Berdasarkan penelitian yang telah dilakukan oleh peneliti

sebelumnya, maka penulis melakukan penelitian mengenai pengenalan pola

aksara Batak Karo menggunakan metode jaringan syaraf tiruan Back

Propagation. Metode Back Propagation dipilih sebagai penyelesaian karena

merupakan salah satu metode JST yang sering dan tepat digunakan untuk

pengenalan pola temasuk tulisan tangan dengan menawarkan kelengkapan

serta akurasi dalam proses pengenalan tulisan tangan.

1.2 Rumusan Masalah

Berdasarkan permasalahan yang diuraikan pada latar belakang diatas,

maka diperoleh rumusan masalah dari penelitian ini yaitu:

1. Bagaimana metodeJaringan Syaraf Tiruan Back Propagation mampu

untuk mengenalipola tulisan tangan aksara Batak Karo?

2. Berapakah akurasi yang dapat dihasilkan oleh metode Jaringan Syaraf

Tiruan Back Propagation dalam mengenali pola aksara batak karo?


3

Hasil ekstraksi ciri menggunakan Mark Direction dan Intencity of

Character diharapkan mampu untuk menunjukkan perbedaan antar karakter

masing-masing ciri, yang dapat mempermudah metode Jaringan Syaraf

Tiruan Back Propagation dalam melakukan pengenalan untuk setiap aksara

1.3 Tujuan

Tujuan dari penelitian ini adalah membuat aplikasi yang mampu:

1. Mengenali pola tulisan tangan aksara Batak Karo menggunakan metode

Jaringan Syaraf Tiruan Back Propagation.

2. Memudahkan para pengguna untuk memahami dasar aksara Batak Karo

Aplikasi ini kiranya akan sangat berguna dikemudian hari untuk

membantu masyarakat asli Batak Karo untuk lebih belajar dengan

mengenali aksara, karena sesungguhnya orang Batak sendiri tidak tahu dan

mengerti aksara Batak Karo.

1.4 Batasan Masalah

Untuk membahas topik yang lebih terarah dan terfokus pada tujuan

yang akan dicapai, maka batasan masalahnya adalah sebagai berikut :

1. Pola aksara yang diteliti adalah pola aksara batak karo

2. Data citra aksara Batak Karo diambil dari 8 orang tulisan tangan

dimana input untuk sistem diperoleh dari hasil scanner kemudian

diproses dan dikenali oleh sistem.

3. Citra yang akan diproses berukuran 600 x 600 pixel dengan format

.jpg, .jpeg

4. Sistem hanya untuk mengenali 21 karakter aksara Batak Karo.

5. Sistem tidak mengenali karakter aksara Batak Karo dengan diakritik

anak ni surat dan angka


4

1.5 Sistematika Penulisan

Sistematika penulisan tugas akhir ini dibagi menjadi beberapa bab

dengan susunan sebagai berikut :

BAB I : PENDAHULUAN

Pada bab ini dijelaskan mengenai latar belakang masalah yang

mendorong dibangunnya sistem, rumusan masalah, tujuan dibangunnya

sistem, batasan masalah dalam dibangunnya sistem, dan sistematika

penulisan yang digunakan dalam menyelesaikan penelitian tugas akhir ini.

BAB II : LANDASAN TEORI

Pada bab ini akan diuraikan mengenai teori – teori dasar serta metode

yang digunakan dalam pembangunan sistem pada penelitian ini beserta

dengan teori – teori pendukung lainnya. Teori tersebut antara lain mengenai

Sejarah Aksara Batak, teori Pengenalan Poladan metode Jaringan Saraf

Tiruan khususnya model Back Propagation untuk proses pengenalan

polayang akan digunakan dalam perancangan sistem.

BAB III : METODOLOGI PENELITIAN

Pada bab ini akan dibahas mengenai analisa dan perancangan hal – hal

atau komponen – komponen yang akan digunakan untuk melakukan

penelitian, serta perancangan sistem secara lengkap.

BAB IV : IMPLEMENTASI DAN ANALISA HASIL

Pada bab ini akan dijelaskan mengenai implementasi sistem, sarana

yang dibutuhkan, penerapan rancangan yang telah dibuat dalam suatu

program, cara pengoperasian sistem, hasil implementasi, serta analisis dan

evaluasi dari hasil implementasi.

BAB V : PENUTUP

Pada bab ini akan digambarkan kesimpulan dari seluruh penelitian dan

saran – saran yang diusulkan untuk pengembangan lebih lanjut.


5

2 BAB II

LANDASAN TEORI

Bab ini berisi penjabaran mengenai teori – teori yang mendukung

dalam penelitian ini. Teori – teori yang digunakan dalam penelitian ini yaitu

Teori tersebut antara lain mengenai Sejarah Aksara Batak, teori Pengenalan

Pola, Penipisan Citra (Thining), Ekstraksi Ciri, dan metode Jaringan Saraf

Tiruan khususnya model Back Propagation untuk proses pengenalan pola

yang akan digunakan dalam perancangan sistem.

2.1 Sejarah Aksara Batak

Paleografi adalah ilmu tentang tulisan-tulisan kuno. Banyak masyarakat

yang mengenal tulisan terdapat naskah-naskah kuno yang umurnya dapat

mencapai ratusan atau bahkan ribuan tahun. Aksara yang terdapat pada

naskah-naskah kuno pada umumnya berbeda dengan aksara yang terdapat

dalam naskah yang lebih baru. Dengan cara memperbandingkan aksara-

akasara yang terdapat dalam naskah-naskah lama, dapat menyusun semacam

silsilah aksara. Sebagian besar sistem tulisan yang ada di Afrika, Eropa, dan

Asia berasal dari satu sumber, yakni aksara Semit Kuno yang menjadi nenek

moyang tulisan-tulisan Asia (Arab, Ibrani dan India) maupun Eropa (Latin,

Yunani dsb.)

Aksara Batak termasuk keluarga tulisan India. Aksara India yang tertua

adalah aksara Brahmi yang menurunkan dua kelompok tulisan yakni India

Utara dan India Selatan. Aksara Nagari dan Palawa masing-masing berasal

dari kelompok utara dan selatan dan kedua-duanya pernah dipakai di

berbagai tempat di Asia Tenggara, termasuk Indonesia. Yang paling

berpengaruh adalah aksara Palawa. Semua tulisan asli Indonesia berinduk

pada aksara tersebut.


6

Gambar 2.1 Silsilah Aksara (Kozok, 2009)

Aksara Nusantara asli dapat dibagi atas lima kelompok :

1. Aksara Hanacaraka (Jawa, Sunda, Bali)

2. Surat Ulu (kerinci, rejang, lampung, lembak, pasemah dan

serawi)

3. Surat batak (angkola-maindling, toba, simalungun, pakpak

dairi, karo)

4. Aksara Sulawesi (bugis, makasar dan bima)

5. Aksara Filipina (bisaya, tagalog, tagbanwa, mangyan)

Aksara Batak diklasifikasikan sebagai abugida, yaitu paduan antara

silabogram seperti aksara batak dan aksara nusantara lainnya.

Di antara aksara-aksara Nusantara yang paling dekat dengan aksara

Batak adalah aksara Kerinci (surat incung), aksara Lebong, Lembak, Lin-

tang, Pasemah, Rejang, Serawai (surat ulu), serta aksara Lampung. Sama

dengan daerah Batak, daerah-daerah tersebut juga agak terpencil di daerah

pegunungan sehingga kurang terpengaruh oleh pengaruh-pengaruh asing

yang dibawa dari seberang lautan dan secara lambat merembet dari pesisir

ke pedalaman. Salah satu pengaruh budaya asing adalah masuknya agama

Islam. Serentak dengan penyebaran agama Islam bersebar pula tulisan

Arab yang di Melayu terkenal sebagai tulisan Jawi. Aksara “Arab gundul”

tersebut cepat menggantikan aksara-aksara Sumatra asli yang kemudian


7

hilang sama sekali. Karena daerah-daerah yang disebut di atas berada di

pedalaman dan agak terpencil, maka pengaruh Islam baru dirasakan pada

abad ke-19 sehingga aksara asli masih dapat bertahan sampai pada abad

ke-20. Besar kemungkinan bahwa aksara Minangkabau dan Melayu juga

pernah ada, tetapi kemudian digantikan oleh tulisan Arab-Melayu se-

hingga hilang tak berbekas.Aksara-aksara surat ulu di Sumatra bagian

selatan banyak memiliki persamaan dengan huruf Batak. Huruf Ka, Ga,

dan Ha hampir sama bentuknya, dan juga huruf Da masih banyak

menunjukkan persamaan.

Gambar 2.2 Persamaan Surat Batak, Surat Ulu, dan Surat Incung

Aksara-aksara tersebut juga memperkenalkan sebuah hal yang baru

yakni aksara-aksara yang didahului bunyi sengau. Batak (Karo) memiliki

dua huruf tambahan yakni Mba dan Nda, aksara Kerinci dan Rencong

menambahkan dua lagi yakni Ngga dan Nja. Aksara Bugis juga mem-

punyai empat aksara yang bersengau ialah Ngka, Mpa, Nra, dan Nca.

Perlu dicatat bahwa gejala tersebut tidak ada pada aksara Batak selain

Karo, dan juga tidak ada di Lampung, Makasar, dan Filipina.

Tulisanaksara Karo, adalah kumpulan tanda-tanda(karakter/simbol-

simbol) untuk menyatakan sesuatu, yang pemakaiannya dimengerti dan

disepakati, yakni oleh masyarakat Karo itu sendiri. Tulisan Karo

merupakan milik dari masyarakat(etnis) Karo atau dengan kata lain,

tulisan yang tumbuh dan berkembang dimasyarakat(etnis) Karo serta

tersebar luas, dipergunakan, dan diajarkan(awalnya dengan bahasa

pengantar, cakap Karo) di ruang lingkup Karo yang dulunya meliputi


8

pesisir timur di Sumatera(Oostkust van Sumatera) bagian utara dan

dataran tinggi Karo yang terbentang luas diatas pegunungan Bukit Barisan.

2.2 Jaringan Syaraf Tiruan

Jaringan Syaraf Tiruan adalah sistem pemrosesan informasi yang

memiliki karakteristik mirip dengan jaringan syaraf biologis (Siang, 2005).

Jaringan Syaraf Tiruan dibentuk sebagai generalisasi model

matematika dari jaringan syaraf biologis, dengan asumsi bahwa :

1. Pemrosesan informasi terjadi pada banyak elemen sederhana (neuron).

2. Sinyal dikirimkan diantara neuron-neuron melalui penghubung-

penghubung.

3. Penghubung antar neuron memiliki bobot yang akan memperkuat atau

memperlemah sinyal.

4. Untuk menentukan output, setiap neuron menggunakan fungsi aktivasi

(biasanya bukan fungsi linier) yang dikenakan pada jumlahan input

yang diterima. Besarnya output ini selanjutnya dibandingkan dengan

suatu batas ambang.

Jaringan Syaraf Tiruan ditentukan oleh 3 hal:

1. Pola hubungan antar neuron (arsitekstur jaringan).

2. Metode untuk menentukan bobot penghubung.

3. Fungsi aktivasi.

Arsitekstur Jaringan merupakan salah satu hal penting dalam Jaringan

Syaraf Tiruan. Berikut ini beberapa arsitektur jaringan yang sering

digunakan dalam Jaringan Syaraf Tiruan:

1. Jaringan Lapis Tunggal

Dalam jaringan ini, sekumpulan input neuron dihubungkan

langsung dengan sekumpulan output-nya. Dalam jaringan lapis tunggal,

bobot satu unit keluaran tidak mempengaruhi bobot unit keluaran

lainnya.


9

Gambar 2.3Ilustrasi Arsitektur Jaringan Lapis Tunggal (Siang, 2005)

Pada gambar 2.3 terdapat n unit input(𝑥1, 𝑥𝑖, … , 𝑥𝑛) dan m buah

unit output(𝑌1, 𝑌𝑗 , … , 𝑌𝑚). Kemudian (𝑤11, 𝑤𝑗1, … , 𝑤𝑚) menyatakan

bobot hubungan antara unit ke-i dalam input dengan unit ke-j dalam

output. Selama proses pelatihan, bobot-bobot tersebut akan

dimodifikasi untuk memperoleh keakuratan hasil yang maksimal.

2. Jaringan Lapis Majemuk

Jaringan lapis majemuk merupakan perluasan dari jaringan lapis

tunggal. Dalam jaringan lapis majemuk, selain unit input dan output,

ada pula unit lain, yang berada diantara unit input dan output (sering

disebut lapis tersembunyi). Dalam jaringan ini dimungkinkan ada

beberapa lapis tersembunyi. Unit dalam satu layar tidak saling

berhubungan.


10

Gambar 2.4 Ilustrasi Arsitektur Jaringan Lapis Majemuk (Siang, 2005)

Pada gambar 2.4 terdapat n buah unit input (𝑥1, 𝑥𝑖 , … , 𝑥𝑛) dan

mbuah unit output (𝑌1, 𝑌𝑗 , … , 𝑌𝑚), sebuah lapis tersembunyi yang terdiri

dari p buah unit (𝑧1, … , 𝑧𝑝). Jaringan ini dapat menyelesaikan masalah

yang lebih kompleks.

2.2.1 Jaringan Syaraf Tiruan Propagasi Balik / Back Propagation

Jaringan Syaraf Tiruan BackPropagation pada umumnya

membandingkan perhitungan keluaran Jaringan Syaraf Tiruan dengan target

keluaran dan menghitung nilai error untuk setiap unit jaringan.

BackPropagation adalah salah satu algoritma yang menggunakan metode

terawasi (supervised learning), dan termasuk jaringan MLP (Multi Layer

Perceptron) / Jaringan Lapis Majemuk.Metode ini merupakan salah satu

metode yang sangat baik dalam menangani masalah pengenalan pola-pola

kompleks. Di dalam jaringan ini, setiap unit yang berada di lapisan input

berhubungan dengan setiap unit yang ada di lapisan tersembunyi.

Sedangkan setiap unit di lapisan tersembunyi berhubungan dengan setiap

unit di lapisan output.

Dalam pola pelatihannya, jaringan ini akan diberi input-an yang

akan diteruskan ke dalam layar tersembunyi dan menuju hingga output.

Ketika hasil keluaran ternyata tidak sesuai dengan harapan maka keluaran

akan kembali disebarkan mundur (backward) pada lapisan tersembunyi


11

hingga menuju input. Tahap selanjutnya adalah dengan melakukan

perubahan bobot. Iterasi ini terus dilakukan hingga ditemukan penyelesaian

yang optimal (Siang, 2005).

1. Arsitektur Back Propagation

Gambar 2.5 Ilustrasi Arsitektur Back Propagation (Siang, 2005)

Gambar 2.5 merupakan arsitektur jaringan syaraf tiruan back

propagation dengan n buah input ditambah sebuah bias, sebuah lapis

tersembunyi yang terdiri dari p unit ditambah sebuah bias, dan sebuah

lapis unit keluaran.

2. Fungsi Aktivasi

Dalam jaringan syaraf tiruan back propagation, fungsi

aktivasi yang dipakai harus memenuhi beberapa syarat, yaitu :

kontinu, terdeferensial dengan mudah dan merupakan fungsi yang

tidak turun. Salah satu fungsi yang memenuhi ketiga syarat tersebut

sehingga sering dipakai adalah fungsi sigmoidbiner yang memiliki

range(0,1).

𝑓(𝑥) =1

1+𝑒−𝑥 dengan turunan 𝑓′(𝑥) = 𝑓(𝑥)(1 − 𝑓(𝑥)) (2.6)

Fungsi lain yang sering dipakai adalah sigmoid bipolardengan

range(-1,1).


12

𝑓(𝑥) =2

1+𝑒−𝑥 − 1dengan turunan𝑓′(𝑥) =(1+𝑓(𝑥))(1−𝑓(𝑥))

2 (2.7)

Fungsi sigmoid memiliki nilai maksimum = 1. Maka untuk

pola yang targetnya > 1, pola masukkan dan keluaran harus terlebih

dahulu ditransformasi sehingga semua polanya memiliki range yang

sama seperti fungsi sigmoid yang dipakai. Alternatif lain adalah

menggunakan fungsi aktivasi sigmoid hanya pada lapis yang bukan

lapis keluaran. Pada lapis keluaran, fungsi aktivasi yang dipakai

adalah fungsi identitas : 𝑓(𝑥) = 𝑥.

3. Proses Pelatihan Back Propagation

Proses Pelatihan Jaringan Syaraf Tiruan Back Propagation

terdiri dari 3 proses yaitu propagasi maju, propagasi mundur,

perubahan bobot. Ketiga proses tersebut diulang-ulang sampai kondisi

penghentian terpenuhi. Umumnya penghentian yang dipakai adalah

iterasi dan error. Iterasi akan dihentikan jika iterasi melebihi iterasi

yang ditentukan. Atau jika error sudah lebih kecil dari yang

ditentukan.

1. Propagasi Maju

Selama propagasi maju, sinyal masukkan (= 𝑥𝑖)

dipropagasikan ke lapis tersembunyi menggunakan fungsi

aktivasi yang ditentukan. Keluaran dari setiap unit lapis

tersembunyi (= 𝑧𝑗) tersebut selanjutnya dipropagasikan maju

lagi ke lapis tersembunyi di atasnya. Demikian seterusnya

hingga mendapatkan luaran jaringan (= 𝑦𝑘).

Berikutnya, luaran jaringan (= 𝑦𝑘) dibandingkan dengan

target yang harus dicapai (= 𝑡𝑘). Selisih 𝑡𝑘 − 𝑦𝑘 adalah error

yang terjadi. Jika nilai error lebih kecil dari yang telah

ditentukan, maka iterasi dihentikan, jika tidak, maka bobot

setiap garis dimodifikasi untuk mengurangi error yang terjadi.


13

2. Propagasi Mundur

Berdasarkan error 𝑡𝑘 − 𝑦𝑘, dihitung faktor 𝛿𝑘(𝑘 =

1,2, … , 𝑚) yang dipakai untuk mendistribusikan error di unit 𝑦𝑘

ke semua unit tersembunyi yang terhubung langsung dengan 𝑦𝑘.

𝛿𝑘 juga dipakai untuk mengubah bobot garis yang berhubungan

langsung dengan unit luaran.

Dengan cara yang sama, dihitung faktor 𝛿𝑗 di setiap unitlapis

tersembunyi sebagai dasar perubahan bobot semua garis yang

berasal dari unit tersembunyi di bawahnya. Demikian seterusnya

hingga semua faktor 𝛿 di unit tersembunyi yang berhubungan

langsung dengan unit masukkan dihitung.

3. Perbaikan Bobot

Setelah semua faktor 𝛿 dihitung, bobot semua garis

dimodifikasi bersamaan. Perubahan bobot suatu garis didasarkan

atas faktor 𝛿neuron di lapis atasnya.

Algoritma pelatihan untuk jaringan dengan satu layar

tersembunyi (dengan fungsi aktifasi sigmoid biner) adalah sebagai

berikut (Siang, 2005) :

Langkah 0: Inisialisasi semua bobot dengan bilangan acak kecil.

Langkah 1: jika kondisi penghentian belum terpenuhi maka lakukan

langkah 2-9.

Langkah 2: untuk setiap pasang data pelatihan, lakukan langkah 3-8

Fase I : Propagasi Maju

Langkah 3: tiap unit masukan menerima sinyal kemudian

meneruskan ke unit tersembunyi di atasnya.

Langkah 4: hitung semua keluaran di unit tersembunyi 𝑧𝑗 (j = 1, 2,

… , p)

𝑧_𝑛𝑒𝑡𝑗 = 𝑣𝑗𝑜 + ∑ 𝑥𝑖𝑣𝑗𝑖𝑛𝑖=1 (2.8)

𝑧𝑗 = 𝑓(𝑧_𝑛𝑒𝑡𝑗) (2.9)


14

Langkah 5: hitung semua keluaran di unit tersembunyi 𝑦𝑘 (k = 1, 2,

… , m).

𝑦_𝑛𝑒𝑡𝑘 = 𝑤𝑘𝑜 + ∑ 𝑧𝑗𝑤𝑘𝑗𝑛𝑗=1 (2.10)

𝑧𝑗 = 𝑓(𝑦_𝑛𝑒𝑡𝑘) (2.11)

Fase II : Propagasi Mundur

Langkah 6: hitung faktor 𝛿𝑘 unit keluaran berdasarkan error setiap

unit keluaran 𝑦𝑘 (k = 1, 2, … , m).

𝛿𝑘 = (𝑡𝑘 − 𝑦𝑘)𝑦𝑘(1 − 𝑦𝑘) (2.12)

Hitung suku perubahan bobot 𝑤𝑘𝑗 dengan laju percepatan 𝛼

∆𝑤𝑘𝑗 = 𝛼𝛿𝑘𝑧𝑗 ; 𝑘 = 1, 2, … , 𝑚;𝑗 = 0, 1, … , 𝑝 (2.13)

Langkah 7: hitung faktor 𝛿 unit tersembunyi berdasarkan errordi

setiap unit tersembunyi 𝑧𝑗 = (𝑗 = 1,2, … , 𝑝)

𝛿_𝑛𝑒𝑡𝑖 = ∑ 𝛿𝑘𝑤𝑘𝑗𝑚𝑘=1 (2.14)

𝛿𝑖 = 𝛿_𝑛𝑒𝑡𝑖𝑧𝑗(1 − 𝑧𝑗) (2.15)

Hitung suku perubahan bobot 𝑣𝑗𝑖

∆𝑣𝑗𝑖 = 𝛼𝛿𝑖𝑥𝑖 ; = 1,2, … , 𝑝 ; 𝑖 = 0,1, … , 𝑛 (2.16)

Fase III : Perubahan Bobot

Langkah 8: Hitung semua perubahan bobot

Perubahan bobot garis yang menuju ke unit keluaran:

𝑤𝑘𝑗(𝑏𝑎𝑟𝑢) = 𝑤𝑘𝑗(𝑙𝑎𝑚𝑎) + ∆𝑤𝑘𝑗(𝑘 = 1,2, … , 𝑚 ; 𝑗 = 0,1, … , 𝑝) (2.17)

Perubahan bobot garis yang menuju ke unit tersembunyi:

𝑣𝑗𝑖(𝑏𝑎𝑟𝑢) = 𝑣𝑗𝑖(𝑙𝑎𝑚𝑎) + ∆𝑣𝑗𝑖(𝑗 = 1,2, … , 𝑝 ; 𝑖 = 0,1, … , 𝑛) (2.18)

Langkah 9: bandingkan kondisi penghentian

Jaringan Syaraf Tiruan Back Propagation memiliki kelemahan

tentang berapa epoch yang harus dilalui untuk memperoleh hasil

yang diinginkan.

Faktor-faktor penting dari Jaringan Syaraf Tiruan Back

Propagation agar jaringan bekerja dengan maksimal adalah:

1. Pemilihan Bobot dan Bias Awal


15

Nguyen dan widrow (1990) mengusulkan cara membuat

inisialisasi bobot dan bias ke unit tersembunyi sehingga

menghasilkan iterasi yang lebih cepat.

Misal:

n = jumlah unit masukan

p = jumlah unit tersembunyi

𝛽 = factor skala = 0.7 √𝑝𝑛

Algoritma inisialisasi:

Langkah 1: Inisisalisasi semua bobot (𝑣𝑗𝑖(𝑙𝑎𝑚𝑎)) dengan

bilangan acak dalam interval [-0.5, 0.5].

Langkah 2: hitung ‖𝑣𝑗‖ = √𝑣𝑗12 + 𝑣𝑗2

2 + ⋯ + 𝑣𝑗𝑛2 (2.20)

Langkah 3: bobot yang dipakai sebagai inisialisasi = 𝑣𝑗𝑖 =

𝛽𝑣𝑗𝑖(𝑙𝑎𝑚𝑎)

‖𝑣𝑗‖ (2.21)

Langkah 4: bias yang dipakai sebagai inisialisasi = 𝑣𝑗0 =

bilangan acak antara – 𝛽 dan 𝛽.

2. Jumlah Unit Tersembunyi

Jaringan dengan sebuah lapis tersembunyi sudah cukup

bagi Jaringan Syaraf Tiruan Back Propagation untuk mengenali

sembarang kelas antara masukan dan target dengan tingkat

ketelitian yang ditentukan.

Jika jaringan memiliki lebih dari 1 lapis tersembunyi maka

algoritma pelatihan perlu direvisi. Dalam Fase I, keluaran harus

dihitung untuk tiap lapis, dimulai dari lapis tersembunyi paling

bawah. Kemudian dalam fase II, faktor 𝛿 perlu dihitung untuk

tiap lapis tersembunyi, dimulai dari lapis keluaran.

3. Jumlah Pola Pelatihan

Jumlah pola pelatihan ditentukan oleh banyaknya bobot

dan tingkat akurasi yang diinginkan.

𝑗𝑢𝑚𝑙𝑎ℎ 𝑝𝑜𝑙𝑎 = 𝑗𝑢𝑚𝑙𝑎ℎ 𝑏𝑜𝑏𝑜𝑡

𝑡𝑖𝑛𝑔𝑘𝑎𝑡 𝑎𝑘𝑢𝑟𝑎𝑠𝑖 (2.22)


16

2.3 Pengenalan Pola

Pengenalan pola adalah suatu ilmu untuk mengklasifikasikan atau

menggambarkan sesuatu berdasarkan pengukuran kuantitatif ciri atau sifat

utama dari suatu obyek, sedangkan pola adalah suatu entitas yang terdefinisi

dan dapat diidentifikasi serta diberi nama. Pengenalan pola dapat dilakukan

sebagai tindakan untuk mengolah data mentah dan membuatsuatu aksi

berdasar kategori dari pola data tersebut.

Pada dasarnya pengenalan pola terdiri dari 3 langkah utama yaitu

preprosessing, ekstraksi ciri dan pengenalan. Preprosessing merupakan

langkah untuk memfokuskan obyek data yang akan dikenali dengan obyek

lain yang tidak digunakan. Dalam hal pemrosesan awal yang dilakukan

terhadap obyek adalah dengan pengubaha citra digital menjadi citra biner.

Citra biner adalah citra digital yang hanya memiliki dua kemungkinan nilai

piksel yaitu hitam dan putih. Ekstraksi ciri dilakukan unuk menyederhanakan

data dengan melakukan pengukuran fitur tertentu sehingga informasi dasar

dari data tersebut dapat terlihat. Proses berikutnya adalah pengenalan yaitu

tindakan untuk mengelompokan data menjadi pola sesuai target. Dalam

melakukan proses pengenalan dipilih ekstraksi ciri yang optimal untuk

menghasilkan hasil terbaik dalam tahap pengenalan.

2.4 Penipisan Citra (Thining)

Penipisan (thinning) adalah operasi pemrosesan citra biner yang dalam

hal ini objek (region) direduksi menjadi rangka yang menghampiri garis

sumbu objek. Tujuan penipisan adalah mengurangi bagian yang tidak perlu

(redundant) sehingga hanya dihasilkan informasi yang esensial saja. Proses

Thining hanya dikenai pada citra yang telah dibinarisasi, dan kemudian

menghasilkan citra biner lain sebagai output-nya. Proses thining dilakukan

dengan memeriksa tiap piksel yang bertetangga dengan piksel obyek. Untuk

melakukan pengecekan setiap piksel obyek dapat dilakukan dengan

menggunakan mask atau elemen penstruktur. Proses thining pada suatu citra

yang memiliki ketebalan tertentu bias membuat citra tersebut menjadi lebih

tipis atau satu garis saja tanpa merubah bentuk asli dari data citra.


17

2.5 Ekstraksi Ciri Mark Direction dan Intencity of Character

Intensitas karakter (intensity of character) dan tanda arah (mark

direction). Intensitas karakter adalah pencirian citra dengan cara

menghitung berapa jumlah piksel yang bernilai 0 (berwarna hitam). Jadi

intesitas karakter digunakan untuk menghitung nilai piksel hitam pada

sebuah citra. Tanda arah adalah pencirian citra dengan cara menghitung

banyaknya piksel yang memiliki tetanggga yang berarah horisontal, vertikal,

diagonal ke kiri, dan diagonal ke kanan. Jadi tanda arah digunakan untuk

menghitung berapa banyak piksel yang memenuhi masking horisontal,

vertikal, diagonal kiri, dan diagonal kanan pada sebuah citra. Pada

penelitian ini intensitas karakter dan tanda arah digunakan pada setiap

segmen dari citra yang telah dibagi menjadi 9 segmen (3 x 3 segmen).

Gambar 2.23 Struktur Elemen Tanda Arah (Surinta, 2010)

Berikut adalah algoritma untuk ekstraksi ciri:

1. Algoritma Divide

a. Mulai

b. Membaca citra tipis pada preprocessing

c. Menghitung banyak garis dan kolom pada citra tipis yang

telah dibaca

d. Membagi 3 baris matriks citra yang ada r3=rows/

e. Membagi 3 kolom matriks citra yang ada c3=columns/3

f. Membuat citra baru bernama im1 dari baris 1 sampai r3 dan

dari kolom 1 sampai c3

g. Membuat citra baru bernama im2 dari baris 1 sampai r3 dan

dari kolom c3+1 sampai 2 x c3


18

h. Membuat citra baru bernama im3 dari baris 1 sampai r3 dan

dari kolom 2xc3+1 sampai akhir dari kolom

i. Membuat citra baru bernama im4 dari baris r3+1 sampai

2xr3 dan kolom 1 sampai c3

j. Membuat citra baru bernama im5 dari baris r3+1 sampai

2xr3 dan dari kolom c3+1 sampai 2xc3

k. Membuat citra baru bernama im6 berukuran dari baris r3+1

sampai 2xr3 dan dari kolom 2xc3+1 sampai akhir dari

kolom

l. Membuat citra baru bernama im7 dari baris 2xr3+1 sampai

akhir dari baris dan dari kolom 1 sampai c3

m. Membuat citra baru bernama im7 dari baris 2xr3+1 sampai

akhir dari baris dan dari kolom c3+1 sampai 2xc3

n. Membuat citra baru bernama im9 dari baris 2xr3+1 sampai

akhir dari baris dan dari kolom 2xc3+1 sampai akhir dari

kolom

o. Menyediakan keluaran berupa citra baru im1, im2, im3,

im4, im5, im6, im7, im8, im9

p. Selesai

2. Algoritma Mark Direction

i) Mulai

ii) Mendapatkan jumlah kolom dan baris dari matriks citra

iii) Membuat counter vert=0, horz=0, dig1=0, dig2=0

iv) Untuk i=1 sampai kolom lakukan langkah e), jika sudah

memenuhi sampai kolom lakukan langkah o)

v) Untuk j=1 sampai baris lakukan langkah f), jika sudah

memenuhi sampai baris lakukan langkah d)

vi) Jika newimage (I,j)sama dengan 0 lakukan langkah g), i),

k), m).


19

vii) Jika newimage (I,j) + new image (i-1,j) + newimage

(i+1,j) sama dengan 0 lakukan langkah h)

viii) Jika newimage (I-1,j-1) + newimage (I-1,j+1) + newimage

( I,j+1) + newimage (I+1,j-) + newimage (i+1,j+1) sama

dengan 6, maka tambahkan counter vert=vert+1

ix) Jika newimage (I,j) + newimage(I,j-1) + newimage (I,j+1)

sama dengan 0 lakukan langkah j)

x) Jika newimage (i-1,j-1) + newimage (i-1,j) + newimage

(i+1,j-1) + newimage (i+1,j) + newimage (i+1,j+1) sama

dengan 6, maka tambahkan counter horz=horz+1

xi) Jika newimage (I,j) + newimage (i-1,j-1) + newimage

(i+1,j+1) sama dengan 0 lakukan langkah l)

xii) Jika newimage (i-1,j) + newimage(i-1,j+1) + newimage

(I,j-1) + newimage (I,j+1) + newimage (i+1,j-1) +

newimage (i+1,j) sama dengan 6, maka tambahkan counter

dig1=dig1+1

xiii) Jika newimage (I,j) + newimage (i-1,j+1) + newimage

(i+1,j-1) sama dengan 0 lakukan langkah n)

xiv) Jika newimage (i-1,j-1) + newimage (i-1,j) + newimage

(I,j-1) + newimage (I,j+1) + newimage (i+1,j) + newimage

(i+1,j+1) sama dengan 6, maka tambahkan counter

dig2=dig2+1

xv) Selesai

3. Algoritma Intencity of Character (IoC)

a. Mulai

b. Mendapatkan jumlah kolom dan baris dari matriks citra

c. Membuat counter dan di inisialisasi dengan angka 0

d. Untuk i=1 sampai kolom lakukan langkah e), jika sudah

memenuhi sampai kolom lakukan langkah g)


20

e. Untuk j=1 sampai baris lakukan langkah f), jika sudah

memenuhi sampai baris lakukan langkah d)

f. Jika newimage (I,j) sama dengan 0 tambahkan nilai

counter sebanyak 1

g. Selesai


21

BAB III

METODOLOGI PENELITIAN

Bab ini berisi penjelasan danproses pengolahan data yang akan digunakan

dalam penelitian ini, serta perancangan sistem yang meliputi proses ekstraksi ciri,

pelatihan dan pengujian arsitektur JST, lalu pengenalandan uji data,rincian

kebutuhan sistem danjuga perancangan antarmuka sistem.

3.1 Data

Dalam pengenalan pola aksara Batak Karo ini digunakan 21 huruf

aksara tulisan tangan Batak Karo yang dimiliki oleh 8 orang yang berbeda.

Data yang diperoleh sebelumnya dengan mengisi kolom yang telah

disediakan.

7,2 cm

2,7 cm

Gambar 3.1 Kolom Isi Responden

Setiap tipe tulisan tangan terdiri dari 168 gambar yang akan dijadikan

sebagai data. Tipe tulisan tangan yang akan digunakan dalam pengenalan

pola ditunjukan pada gambar 3.2


22

Gambar 3.2 aksara Karo Tulisan Tangan

3.2 Perancangan Sistem

Sub bab ini berisi tentang perancangan sistem dari aplikasi yang akan

dibuat.Proses dimulai dari preprossesing, ekstraksi ciri data aksara,

kemudian data hasil ekstraksi ciri masuk kedalam pelatihan arsitektur JST

dengan parameter-parameter yang telah ditentukan, sehingga diperoleh

model jaringan yang menghasilkan akurasi terbaik, kemudian dilakukan uji

pada sebuah data aksara baru yang juga telah diekstraksi ciri dan dilakukan

klasifikasi menggunakan modeljaringan yang telah diperoleh.

Pada proses ekstraksi cirri data sebelum pelatihan arsitektur jaringan

dan pengujian data,digunakan fitur Mark Direction dan Intencity of

Characther (IoC). Untuk proses pelatihan arsitektur jaringan dan klasifikasi


23

data dalam pengujian digunakan metode Jaringan Syaraf Tiruan Back

Propagation. Berikut ini gambaran sistem secara keseluruhan:

Data

Preprocessing

JST

Back

Propagation

Ekstraksi Ciri Data Uji

Kombinasi Ciri

Optimal

Pengenalan

Hasil

Pengenalan

Gambar 3.3Diagram Blok Sistem

3.2.1 Prepossesing

Dalam proses preprosessing ini meliputi beberapa tahap yaitu:

1. Mengubah Citra Warna.

Dalam pemrosesan ini dimaksudkan untuk mengubah Citra

Warna (RGB), dilanjutkan dari citra keabuan mengubah menjadi

Citra Hitam Putih (Biner).


24

Gambar 3.4 citra keabuan diubah (RGB) menjadi citra hitam

putih (IM2BW)

2. Pengubahan Ukuran (Resize Citra)

Dalam proses resize citra dilakukan secara otomatis yakni,

membaca seluruh citra gambar dan kemudian secara otomatis

menemukan citra terpanjang dan terlebar, setelah ditemukan maka

ukuran tersebut dijadikan sebagai referensi untuk resize gambar.

Dari referensi yang ditemukan ukuran citra pada aksara ini 245 x

1350, namun itu membuat ukuran gambar tidak proposional,

maka ukuran di resize menjadi 600 x 600.

3. Penipisan Citra

Pada proses ini penipisan citra (Thining) menggunakan

fungsi Rosenfeld(Widiarti, 2011). Thining dilakukan untuk

mengubah ukuran ketebalan citra menjadi kecil.

Gambar 3.5Citra setelah di thining


25

4. Ekstraksi Ciri

Pada penelitian ini ekstraksi ciri menggunakan algoritma

Mark Direction dan Intencity of Character (IoC)(Nugroho,

2016). MarkDirectionyaitu menghitung banyaknya piksel yang

memiliki tetangga berarah horizontal, vertical, diagonal ke kiri,

dan diagonal ke kanan. MarkDirection ini digunakan untuk

menghitung banyaknya piksel yang memenuhi masking

horizontal, vertical, diagonal kiri, dan diagonal kanan,

sedangkan Intencity of Character itu sendiri digunakan untuk

menghitung nilai piksel 0 (berwarna hitam) pada citra. Dalam

melakukan proses ekstraksi ciri dilakukan dengan beberapa

tahap, meliputi:

a. Membagi citra menjadi 9 segmen (3x3 segmen)

b. Mencirikan citra pada tiap segmen menggunakan Mark

Direction untuk menghitung berapa yang memenuhi

masking horizontal (horz), vertical (vert), diagonal ke

kiri (dig1), diagonal ke kanan (dig2).

c. Mencirikan citra pada tiap segmen menggunakan

Intencity of Character untuk menghitung nilai piksel

hitam (black).

Gambar 3.6Citra di bagi menjadi 9 segmen


26

Untuk memperoleh jaringan yang optimal terlebih dahulu kita

mengetahui ekstraksi ciri yang optimal pula. Dalam hal ini penelitian

melakukan kombinasi ciri (feature) untuk dapat meghasilkan ekstraksi

ciri yang memberikan hasil akurasi terbaik.

3.2.2 Pelatihan dan Pengujian Arsitektur JST

Dalam penelitian ini, proses pengenalan pola aksara Batak Karo

dilakukan dengan mengklasifikasikan feature yang telah ditentukan.

Metode yang digunakan dalam prosespengenalanadalah metode

Jaringan Syaraf Tiruan Back Propagation. Metode pengenalan ini

dipilih karena kemampuannya untuk menghasilkan decision

boundaries yang kompleks pada fitur-fitur yang ada. Hasil ini dapat

dilihat dengan nilai keakuratan yang dihasilkan dari pengujian sampel

diluar kumpulan sampel yang digunakan pada saat pelatihan.

Metode pembagian data pelatihan dan pengujian arsitektur JST

yang digunakan adalah 4-Fold Cross Validation. Metode ini dipakai

karena menggunakan data yang berbeda untuk proses pelatihan dan

pengujiannya, sehingga dapat diketahui dengan benar akurasi sistem

yang telah dibuat. Hasil ekstraksi ciri dan label data, akan digunakan

sebagai input-an dalam proses pelatihan dan pengujian arsitektur JST.

Hasil dari proses ini adalah model jaringan dengan akurasi terbaik,

yang akan digunakan dalam proses pengenalan.

Pada proses awal sesuai dengan metode K-Fold Cross

Validation, data yang berjumlah 168 dibagi menjadi 4 bagian.Dari 4

bagian tersebut akan dilakukan 4 kali percobaan dalam proses

pelatihan dan pengujian arsitektur JST. Berikut ini tabel penggunaan

bagian dalam setiap percobaan:


27

Tabel 3.14-Fold Cross Validation

Percobaan Training Testing

1 1,2 3,4

2 1,3 2,4

3 1,4 2,3

4 3,4 1,2

Ada 2 jenis arsitektur jaringan syaraf tiruan yang digunakan

untuk proses pelatihan dan pengujian, yaitu arsitektur dengan satu

hidden layer dan dua hidden layer.

1. Arsitektur Jaringan Syaraf Tiruan 1 Hidden Layer

Diambil contoh dengan ciri 8 maka jumlah data input sebanyak

45 atribut, kemudian digunakan 1 hidden layer, dengan jumlah

neuron pada hidden layer 1 sebanyak j, dan jumlah output

sebanyak 21.

Gambar 3.7Arsitektur JST 1 Hidden Layer

X1

X2

X3

X45

Z1

Z2

Z3

Zj

Y1

Y2

Y3

Y21

VijWij

Input Hidden Layer 1Output


28

2. Arsitektur Jaringan Syaraf Tiruan 2 Hidden Layer

Diambil contoh dengan ciri 8 maka jumlah data input sebanyak

45 atribut, kemudian digunakan 2 hidden layer, dengan jumlah

neuron pada hidden layer 2sebanyak j, dan jumlah output

sebanyak 21.

Gambar 3.8Arsitektur JST 2 Hidden Layer

Berikut ini rincian parameter dalam arsitektur jaringan syaraf

tiruan:

1. Lapisan jaringan terdiri dari 4 lapis, yaitu satu lapis masukan

(input), 2 lapis tersembunyi (hidden layer) dan satu lapis keluaran

(output).

2. Untuk input dimana (Xi) adalah jaringan terdiri dari 1 – ineuron,

dimana i merupakan jumlah total data hasil ekstraksi ciri yang telah

ditentukan. Berikut tabel jumlah data yang digunakan:

X1

X2

X3

X45

Z1

Z2

Z3

Zj

Z1

Z2

Z3

Zj

Y1

Y2

Y3

Y21

Vij VijWij

Hidden Layer 1 Hidden Layer 2Input Output


29

Tabel 3.2Jumlah Data Input Arsitektur Jaringan

(Kombinasi Feature)

Feature Kombinasi Feature Jumlah Data

Feature

1 [Black] 9

2 [dig1] 9

3 [dig2] 9

4 [Black + dig1] 9 + 9 =18

5 [Black + dig2] 9 + 9 = 18

6 [horz + vert] 9 + 9 = 18

7 [dig1 + dig2] 9 + 9 = 18

8 [Black + dig1 + dig2, +

horz + vert]

9 + 18 + 18=

45

3. Untuk mendapatkan arsitektur jaringan yang optimal, digunakan 2

jenis arsitektur jaringan yaitu dengan 1 hidden layer dan 2 hidden

layer, dimana lapisan tersembunyi pertama dan kedua memiliki

jumlah neuron yang bervariasi mulai dari 10,15,… dilanjutkan

dengan kelipatan 5 hingga 45. Namun apabila pada neuron 45

nilai akurasi masih tinggi, maka dilanjutkan dengan kelipatan 5

selanjutnya hingga hasil akurasinya turun. Contoh: 10,15,20,…45

4. Fungsi aktivasi yang digunakan adalah sigmoid biner (logsig).

5. Fungsi pelatihan yang digunakan adalah trainrp.

6. Batas iterasi/epoch adalah 500.

7. Nilai laju pemahaman (=learning rate) adalah 0, 2.

8. Jumlah neuron pada lapisan keluaran (output) adalah 21, sesuai

dengan jumlah target aksara

9. Memiliki 21neuron output yang merupakan target keluaran

jaringan diantaranya, target 1: BA (1,0,0….0), target 2: TA

(0,1,0..)target 3 : DA (0,0,1,…0), ……, target 21: CA (0,0,0…1)


30

Dalam pengujianarsitektur JST, dilakukan beberapa kali

percobaan untuk mendapatkan model jaringan terbaik berdasarkan

akurasi hasil yang tertinggi. Percobaan dilakukan dengan mengambil

sejumlah data hasil ekstraksi ciri berdasarkan kombinasi ciri yang ada

pada tabel 3.2 sebagai data masukan. Untuk setiap kombinasi ciri,

dilakukan percobaan lagi dengan mengubah-ubah jumlah lapisan

tersembunyi, yaitu satu lapisan tersembunyi dan 2 lapisan

tersembunyi. Pada satu lapisan tersembunyi, jumlah neuron divariasi

mulai dari 10, 15 hingga 45 dengan penambahan jumlah kelipatan 5,

contohnya 10,15,20….,45.Dari percobaan tersebut diperoleh jumlah

neuron dengan akurasi tertinggi. Jumlah neuron dengan akurasi

tertinggi di lapisan tersembunyi ke-1 kemudian digunakan dalam 2

lapisan tersembunyi. Jumlah neuron di lapisan tersembunyi ke-2

divariasi sama seperti di lapisan tersembunyi ke-1 hingga memperoleh

akurasi tertingginya. Dari semua percobaan tersebut akan diperoleh

model jaringan terbaik berdasarkan akurasi yang tertinggi.

3.2.3 Uji Data Tunggal

Model jaringan yang telah didapat dari proses pelatihan dan

pengujian arsitektur JST akan digunakan dalam proses pengenalandari

data masukan data baru untuk diuji.

Proses dimulai dari memasukan data aksara baru untuk diuji,

kemudian dilakukan kombinasi ekstraksi ciri pada data tersebut dan

diambil sejumlah data sesuai jumlah pilihan ciri terbaik yang telah

diperoleh. Hasil ekstraksi ciri tersebut disimulasikan kedalam model

jaringan terbaik yang telah diperoleh, sehingga mendapatkan nilai

keluaran sesuai target keluaran yang telah ditentukan, untuk

menunjukkan hasil pengenalan pola. Berikut ini gambaran proses

pengenalan dan uji data.


31

Data Uji Ekstraksi Ciri Model Jaringan Hasil Pengenalan

Gambar 3.9 Proses Pengenalan dan Uji Data Tunggal

3.2.3.1 Perhitungan Akurasi

Karena menggunakan metode 4 – Fold dalam pembagian data,

maka dilakukan percobaan 4 kali percobaan training dan testing. Hasil

dari percobaan berupa confusion matrix. Confusion Matrix

menunjukkan data yang dikenali sesuai kelompok data ciri. Contoh

Confusion Matrix dapat dilihat dalam tabel sebagai berikut:

Dari confusion matrix dihitung besar akurasi. Perhitungan

akurasi dilakukan untuk melihat jaringan syaraf tiruan yang optimal

BackPropagation dalam mengenali sistem pola tulisan tangan aksara

Batak Karo.

Akurasi = 𝐽𝑢𝑚𝑙𝑎ℎ 𝑑𝑎𝑡𝑎 𝑏𝑒𝑛𝑎𝑟

𝐽𝑢𝑚𝑙𝑎ℎ 𝑠𝑒𝑙𝑢𝑢ℎ 𝑑𝑎𝑡𝑎𝑥100%

Data Benar = Jumlah angka pada diagonal matrik

Seluruh data = total data yang digunakan untuk training / testing

3.3 Kebutuhan Sistem

Aplikasi ini membutuhkan perangkat keras dan lunak dalam proses

perancangannya sehingga mendapatkan hasil yang maksimal.

1. Kebutuhan Perangkat

Aplikasi ini membutuhkan perangkat keras dan lunak dengan :

1. Scanner

2. Microsoft Windows 7

3. Matlab R2012b

Spesifikasi tersebut dipilih agar aplikasi berjalan dengan maksimal.

Scaner digunakan untuk menyecan data aksara dikarenakan tidak

ada data berupa cetak. Microsoft Windows 7 digunakan sebagai sistem

operasi agar kedua perangkat lunak lainnya dapat berjalan. Matlab R2012b

digunakan untuk membuat sistem sekaligus menjalankan sistem.


32

3.4 Perancangan Antarmuka Sistem

Gambar 3.10 Tampilan Antarmuka Sistem

Pada gambar 3.10 merupakan tampilan antarmuka sistem yang terdiri

dari 1 menu sesuai dengan fungsi dari sistem yang akan dibuat. Menu mulai

digunakan sebagai langkah awal pertama dalam menjalankan sistem.

Gambar 3.11 Tampilan Antarmuka Sistem


33

Pada gambar 3.11 merupakan tampilan antarmuka sistem yang terdiri

dari 2 panel sesuai dengan fungsi dari sistem yang akan dibuat. Berikut ini

rincian untuk setiap panel tersebut:

1. Pelatihan

Panel ini termasuk dalam data kombinasi ekstraksi ciri. Pada

panel ini terdapat beberapa komponen diantaranya:

a. Button Group - berfungsi untuk memilih data kombinasi ciri

b. Edit Text Hidden Layer 1 – berfungsi untuk memasukan jumlah

neuron pada lapisan tersembunyi ke-1.

c. Edit Text Hidden Layer 2 - berfungsi untuk memasukan jumlah

neuron pada lapisan tersembunyi ke-2.

d. Edit Text Epoch – berfungsi untuk memasukan batas jumlah

iterasi/epoch dalam proses pelatihan arsitektur jaringan, dengan

nilai default yaitu 500.

e. Tombol Proses – berfungsi untuk menjalankan proses pelatihan

arsitektur jaringan.

f. Text Akurasi – berfungsi untuk menampilkan hasil perhitungan

akurasi sistem (%).

2. Pengujian

Panel ini berisi komponen yang dapat berfungsi untuk mengambil

data uji, kemudian melakukan pengenalan data berdasarkan model

jaringan yang telah diperoleh dan menampilkan hasil huruf aksara.

a. Edit Text Direktori file – berfungsi untuk menampilkan alamat

direktori dari data yang akan diuji.

b. Tombol Proses Kenal – berfungsi untuk membuka jendela

pencarian direktori data aksara yang akan diuji.

c. Axes Citra – berfungsi untuk menampikan citra aksara yang diuji

d. Text Hasil kenal – berfungsi untuk menampilkan hasil pengenalan

data aksara yang diuji.

e. Tombol Proses – berfungsi untuk menjalankan proses pengenalan

aksara.


34

3 BAB IV

IMPLEMENTASI DAN ANALISIS HASIL

Bab ini dibahas mengenai hasil penelitian dan analisis hasil penelitian dari

implementasi sistem yang telah dibuat. Hasil penelitian berupa perbandingan

akurasi yang diperoleh dari percobaan metode Back Propagation berdasarkan

jumla hidden layer serta jumlah node pada setiap hidden layer yang digunakan.

Pada bab ini juga dibahas mengenai user interface yang dibangun berdasar

algoritma yang telah dirancang.

4.1 Implementasi Sistem

Dalam subbab ini akan ditunjukkan visualisasi proses ekstraksi ciri

dan tampilan antarmuka dari aplikasi yang telah dibuat. Aplikasi ini dibuat

menggunakan bahasa pemrograman Matlab.

4.1.1 Visualisasi Proses Ekstraksi Ciri

Berikut ini visualisasi dari setiap tahap dalam proses

preprossesing dan ekstraksi ciri aksara Batak Karo:

1. Data Aksara

Dalam proses ini data aksara yang bertipe “.jpg” disimpan

dengan tipe “.data, dibaca oleh program dengan menggunakan

fungsi [file,path]=uigetfile('*/*.JPG','ambil gambar');

image=imread([path file]);

Berikut ini hasil file aksara yang dibaca:

Gambar 4.1Hasil Baca File aksara .jpg


35

2. Mengubah Citra Warna.

Dalam pemrosesan ini dimaksudkan untuk mengubah Citra

Warna (RGB), dilanjutkan dari Citra Keabuan mengubah menjadi

Citra Hitam Putih (Biner). Dibaca dengan menggunakan fungsi

grayimage=rgb2gray(image); image2=im2bw(grayimage);

Gambar 4.2 Citra keabuan diubah (RGB) menjadi citra hitam

putih (IM2BW)

3. Resize Citra

Dalam proses resize citra dilakukan secara otomatis yakni,

membaca seluruh citra gambar dan kemudian secara otomatis

menemukan citra terpanjang dan terlebar, setelah ditemukan maka

ukuran tersebut dijadikan sebagai referensi untuk resize gambar.

Dari referensi yang ditemukan ukuran citra pada aksara ini 245 x

1350, namun itu membuat ukuran gambar tidak proposional,

maka ukuran di resize menjadi 600 x 600.

Gambar 4.3 Ukuran Citra ditemukan


36

4. Penipisan Citra

Pada proses ini penipisan citra (Thining) menggunakan

fungsi Rosenfeld(Widiarti, 2011). Thining dilakukan untuk

mengubah ukuran ketebalan citra menjadi kecil.

5. Penipisan Citra

Gambar 4.4 Citra setelah di thining

6. Ekstraksi Ciri

Pada penelitian ini ekstraksi ciri menggunakan algoritma

Mark Direction dan Intencity of Character (IoC)(Nugroho, 2016).

Mark Direction yaitu menghitung banyaknya piksel yang

memiliki tetangga berarah horizontal, vertical, diagonal ke kiri,

dan diagonal ke kanan. Mark Direction ini digunakan untuk

menghitung banyaknya piksel yang memenuhi masking

horizontal, vertical, diagonal kiri, dan diagonal kanan, sedangkan

Intencity of Character itu sendiri digunakan untuk menghitung

nilai piksel 0 (berwarna hitam) pada citra. Dalam melakukan

proses ekstraksi ciri dilakukan dengan beberapa tahap, meliputi:

a. Membagi citra menjadi 9 segmen (3x3 segmen)

b. Mencirikan citra pada tiap segmen menggunakan Mark

Direction untuk menghitung berapa yang memenuhi

masking horizontal (horz), vertical (vert), diagonal ke kiri

(dig1), diagonal ke kanan (dig2).


37

c. Mencirikan citra pada tiap segmen menggunakan Intencity

of Character untuk menghitung nilai piksel hitam (black).

Gambar 4.5 Citra di bagi menjadi 9 segmen

d. Hasil Prosessing

Setelah melakukan preprossesing dan ekstraksi ciri

maka akan di dapat sebuah data. Data tersebut yang akan

menjadi data untuk diproses.

Gambar 4.6 Ciri 1 dari BA KARO

Proses ciri 1 adalah ciri Black yaitu dengan

memperoleh nilai piksel hitam dari data citra yang di bagi

menjadi 9 segmen. Ketika dalam piksel memenuhi piksel

berwarna 0 (hitam) maka akan bertambah 1 counter.


38


Proses ini adalah ciri diagonal kiri yaitu dengan

menghitung piksel yang memiliki tetangga berarah diagonal

kiri dari data citra yang di bagi menjadi 9 segmen. Ketika

dalam piksel memenuhi masking diagonal kiri maka akan

tambah 1 counter.


Proses ini adalah ciri diagonal kanan yaitu dengan

menghitung piksel yang memiliki tetangga berarah diagonal

kanan dari data citra yang di bagi menjadi 9 segmen. Ketika

dalam piksel memenuhi masking diagonal kanan maka

akan tambah 1 counter.


Proses ini adalah ciri black dan diagonal kiri yaitu

memperoleh dari nilai piksel hitam ditambah dengan piksel

yang memiliki tetangga berarah diagonal kiri.


39


Proses ini adalah ciri black dan diagonal kanan yaitu

memperoleh dari nilai piksel hitam ditambah dengan piksel

yang memiliki tetangga berarah diagonal kanan.


Proses ini adalah ciri Horizontal dan Vertikal yaitu

menghitung piksel yang memiliki tetangga bearah

horizontal dan vertikal dari data citra yang dibagi menjadi 9

segmen. Ketika dalam piksel memenuhi masking horizontal

dan vertical maka akan tambah 1 counter.


Proses ini adalah ciri diagonal kiri dan diagonal

kanan yaitu menghitung piksel yang memiliki tetangga

bearah diagonal kiri dan diagonal kanan dari data citra yang

dibagi menjadi 9 segmen. Ketika dalam piksel memenuhi

masking diagonal kiri dan diagonal kanan maka akan

tambah 1 counter.


40


Proses ini adalah memakai dengan semua ciri yaitu

black, diagonal kiri, diagonal kanan, horizontal, vertical,

dari data citra yang di bagi menjadi 9 segmen. Ketika

dalam piksel memenuhi masking tersebut maka akan

menambah 1 counter.

4.2 Analisis Hasil Penelitian

Dalam penelitan yang telah dilakukan, penulis menggunakan 21 Huruf

aksara Batak Karo yang dimiliki oleh 8 orang yang berbeda. Penelitian ini

akan dicari model jaringan terbaik yang digunakan dalam proses pengenalan

huruf aksara Batak Karo. Modeljaringan terbaik dapat dilihat dari hasil

akurasi pelatihan arsitektur jaringannya. Untuk mendapat model jaringan

terbaik berdasarkan akurasi pelatihan arsitektur jaringan, maka dilakukan

beberapa percobaan pengujian dengan mengubah variasi arsitektur jaringan.

Setelah model jaringan terbaik berdasarkan akurasi tertinggi diperoleh,

maka model jaringan tersebut digunakan dalam pengujian data tunggal

untuk menunjukkan ketepatan hasil klasifikasinya.

4.2.1 Pengujian Variasi Arsitektur Jaringan

Dalam pengujian variasi arsitektur jaringan ini, data yang

digunakan sebanyak 168. Data tersebut sebelumnya telah dilakukan

ekstraksi ciri, sehingga menghasilkan 45 jumlah ciri untuk setiap

datanya dan total data yang digunakan dalam pelatihan ini sebanyak

168 x 45 data. Dalam pengujian ini akan dilakukan beberapa kali

percobaan dengan memvariasikan kombinasi ciri dan parameter

dalam arsitektur jaringan. Variasi pertama yang dilakukan adalah


41

mengkombinasikan ciri dari data aksara batak karo. Berikut ini

beberapa kombinasi ciri yang digunakan:

Tabel 4.1Jumlah Data Input Arsitektur Jaringan

(Kombinasi Feature)

Feature Kombinasi Feature Jumlah Data

Feature

1 [Black] 9

2 [dig1] 9

3 [dig2] 9

4 [Black + dig1] 9 + 9 =18

5 [Black + dig2] 9 + 9 = 18

6 [horz + vert] 9 + 9 = 18

7 [dig1 + dig2] 9 + 9 = 18

8 [Black + dig1 + dig2, +

horz + vert]

9 + 18 + 18=

45

Untuk variasikedua, nilai parameter arsitektur jaringan yang

diubah-ubah adalah neuron pada hidden layer 1 dan hidden layer 2.

Neuron ditentukan mulai dari 10, 15 dengan penambahan kelipatan

5 hingga 45. Selama akurasi hasil masih tinggi percobaan

dilanjutkan hingga akurasi turun, contohnya 10, 15, 20… 40, 45, 50.

Berikut ini parameter yang berpengaruh pada arsitektur jaringan

yang digunakan:

1. Input jaringan sesuai dengan jumlah kombinasi ciri yang dipilih,

contoh: 9, 18, dan 45.

2. Jumlah hidden layer dibagi menjadi 2 jenis, yaitu 1 hidden layer

dan 2 hidden layer.

3. Jumlah neuron dalam hidden layer 1 dan 2 bervariasi mulai dari

10, 15, 20,…. 45

4. Jumlah lapisan keluaran adalah 21, sesuai dengan jumlah huruf

aksara Batak Karo.


42

5. Jumlah iterasi/epoch adalah 500.

6. Nilai laju pemahaman (=learning rate) yaitu 0, 2.

Dari seluruh percobaan variasi kombinasi ciri dan parameter

arsitektur jaringan, maka diperoleh akurasi tertinggi dengan tabel

sebagai berikut:

Tabel 4.2 Hasil Akurasi Seluruh Percobaan Pengujian

N

O

Kombinasi

Ciri

Jumlah Neuron Akurasi

(%)

Waktu

(detik) Hidden

Layer 1

Hidden

Layer 2

1 1 20

- 78 4

2 45 79 6

3 2 25

- 54 4

4 35 59 6

5 3 30

- 64 6

6 35 67 5

7 4 40

- 86 5

8 40 82 6

9 5 45

- 89 5

10 20 85 6

11 6 45

- 83 5

12 20 85 6

13 7 45

- 78 5

14 35 78 6

15 8 20

- 90 4

16 35 90 6

Dari tabel 4.2 dapat dilihat akurasi tertinggi ada pada variasi

kombinasi ciri 8, dengan jumlah neuron pada hidden layer 1 =20

dan hidden layer 2 = 35. Akurasi tertinggi yang diperoleh yaitu 90%

dengan selisih waktu 2 detik. Dari seluruh percobaan tersebut, rata-

rata waktu pelatihan selama 6 detik.


43

Untuk lebih jelasnya, perubahan naik turunnya akurasi dapat

dilihat pada grafik berikut ini:

Gambar 4.14 Grafik Perubahan Akurasi seluruh percobaan

Berikut ini adalah arsitektur jaringan paling optimal:

Gambar 4.15 Arsitektur Jaringan optimal

78 79

5459

6467

8682

8985 83 85

78 78

90 90

40

50

60

70

80

90

100

- 45 - 35 - 35 - 40 - 20 - 20 - 35 - 35

20 25 30 40 45 45 45 20

Akura

si

Jumlah Neuron, layer 1 dan layer 2

Grafik Perubahan Akurasi

X1

X2

X3

X45

Z1

Z2

Z3

Z20

Z1

Z2

Z3

Z35

Y1

Y2

Y3

Y21

Vij VijWij

Hidden Layer 1 Hidden Layer 2 OutputInput


44

1. Input jaringan sesuai dengan kombinasi ciri 8 jumlah

input 45.

2. Jumlah neuron dalam hidden layer 1:20 dan hidden

layer 2 : 35

3. Memiliki 21 neuron output yang merupakan target

keluaran jaringan diantaranya, target 1: BA (1, 0,

0….0), target 2: TA (0, 1, 0..) target 3 : DA (0,0,1,…0),

……, target 21: CA (0,0,0…1)

Ditunjukkan seluruh detail dari hasil percobaan pengujian

berdasarkan variasi kombinasi ciri hingga neuron pada hidden layer

1 dan 2:

1. Feature 1

a. Hidden Layer 1

Tabel 4.3 Hasil Akurasi Feature 1 Hidden Layer 1

Hidden

Layer 1

Akurasi

(%)

Data

Benar

Waktu

(detik)

10 61 103 3

15 67 113 3

20 78 131 4

25 76 127 4

30 74 124 4

35 75 126 4

40 78 131 5

45 77 130 5

Daritabel 4.3 dapat dilihat akurasi tertinggi ada pada

hidden layer 1 dengan jumlah neuron yaitu 20 dan 40.

Akurasi tertinggi yang diperoleh yaitu 78% namun waktu

pelatihan selisih 1 detik. Untuk lebih jelasnya, perubahan

naik turunnya akurasi dapat dilihat pada grafik berikut ini:


45

Gambar 4.16Grafik Perubahan Akurasi Feature 1,

Hidden Layer 1

b. Hidden Layer 2

Tabel 4.4 Hasil Akurasi Feature 1, Hidden Layer 2


(%)

Data

Benar

Waktu

(detik) Hidden

Layer 1

Hidden

Layer 2

20

10 60 101 4

15 63 105 4

20 77 129 6

25 70 118 6

30 77 129 6

35 73 122 7

40 77 129 6

45 79 132 6

Dari tabel 4.4 dapat dilihat akurasi tertinggi ada pada

hidden layer 2 dengan jumlah neuron yaitu 20 dan 45.Akurasi

tertinggi yang diperoleh yaitu 79%. Untuk lebih jelasnya,

perubahan naik turunnya akurasi dapat dilihat pada grafik

berikut ini:

51

78

8782 81

9085

78

40

50

60

70

80

90

100

10 15 20 25 30 35 40 45

Ak

ura

si

(%)

Jumlah Neuron



46


Hidden Layer 2

2. Feature 2

a. Hidden Layer 1

Tabel 4.5 Hasil Akurasi Feature 2 Hidden Layer 1

Hidden

Layer 1

Akurasi

(%)

Data

Benar

Waktu

(detik)

10 45 75 4

15 48 81 3

20 51 85 4

25 54 90 4

30 48 81 4

35 49 83 5

40 50 84 5

45 51 85 5


hidden layer 1 dengan jumlah neuron yaitu 25. Akurasi



berikut ini:

51

78

8782 81

9085

78

40

50

60

70

80

90

100

10 15 20 25 30 35 40 45

Ak

ura

si

(%)

Jumlah Neuron



47


Hidden Layer 1

b. Hidden Layer 2



(%)

Data

Benar

Waktu

(detik) Hidden

Layer 1

Hidden

Layer 2

25

10 44 74 4

15 49 82 5

20 50 84 7

25 50 84 6

30 58 98 6

35 59 97 6

40 55 92 7

45 54 90 6





berikut ini:

51

78

8782 81

9085

78

40

50

60

70

80

90

100

10 15 20 25 30 35 40 45

Ak

ura

si

(%)

Jumlah Neuron



48


Hidden Layer 2

3. Feature 3

a. Hidden Layer 1


Hidden

Layer 1

Akurasi

(%)

Data

Benar

Waktu

(detik)

10 51 86 3

15 54 91 3

20 53 89 4

25 59 99 4

30 64 107 4

35 60 101 5

40 61 102 5

45 55 93 5





berikut ini:

51

78

8782 81

9085

78

40

50

60

70

80

90

100

10 15 20 25 30 35 40 45

Ak

ura

si

(%)

Jumlah Neuron



49


Hidden Layer 1

b. Hidden Layer 2



(%)

Data

Benar

Waktu

(detik) Hidden

Layer 1

Hidden

Layer 2

30

10 49 82 4

15 55 93 6

20 62 104 6

25 57 96 6

30 60 100 6

35 67 112 6

40 65 110 6

45 64 108 6

Dari tabel 4.8 dapat dilihat akurasi tertinggi ada

pada hidden layer 2 dengan jumlah neuron yaitu 35.

Akurasi tertinggi yang diperoleh yaitu 67%. Untuk lebih

jelasnya, perubahan naik turunnya akurasi dapat dilihat

pada grafik berikut ini:

51

78

8782 81

9085

78

40

50

60

70

80

90

100

10 15 20 25 30 35 40 45

Ak

ura

si

(%)

Jumlah Neuron



50

Gambar 4.21Grafik Perubahan Akurasi Feature3,

Hidden Layer 2

4. Feature 4

a. Hidden Layer 1


Hidden

Layer 1

Akurasi

(%)

Data

Benar

Waktu

(detik)

10 60 100 3

15 75 126 4

20 81 136 4

25 81 136 4

30 79 132 4

35 82 138 4

40 86 144 5

45 86 144 5


hidden layer 1 dengan jumlah neuron yaitu 40 dan 45.

Akurasi tertinggi yang diperoleh yaitu 86% dengan waktu

pelatihan sama. Untuk lebih jelasnya, perubahan naik

turunnya akurasi dapat dilihat pada grafik berikut ini:

49%55%

62% 57% 60%67% 65% 64%

0%

20%

40%

60%

80%

10 15 20 25 30 35 40 45

Akura

si

Jumlah Neuron



51


Hidden Layer 1

b. Hidden Layer 2



(%)

Data

Benar

Waktu

(detik) Hidden

Layer 1

Hidden

Layer 2

40

10 52 88 6

15 80 135 6

20 70 118 6

25 80 135 6

30 77 129 6

35 72 121 6

40 82 138 6

45 80 134 7






51

78

8782 81

9085

78

40

50

60

70

80

90

100

10 15 20 25 30 35 40 45

Ak

ura

si

(%)

Jumlah Neuron



52


Hidden Layer 2

5. Feature 5

a. Hidden Layer 1


Hidden

Layer 1

Akurasi

(%)

Data

Benar

Waktu

(detik)

10 62 104 3

15 75 126 4

20 83 139 4

25 88 147 4

30 86 144 4

35 85 142 5

40 86 144 5

45 89 149 5






51

78

8782 81

9085

78

40

50

60

70

80

90

100

10 15 20 25 30 35 40 45

Ak

ura

si

(%)

Jumlah Neuron



53


Hidden Layer 1

b. Hidden Layer 2



(%)

Data

Benar

Waktu

(detik) Hidden

Layer 1

Hidden

Layer 2

45

10 54 90 6

15 82 138 6

20 85 142 6

25 82 137 6

30 80 134 6

35 80 135 6

40 84 141 7

45 82 138 7






51

78

8782 81

9085

78

40

50

60

70

80

90

100

10 15 20 25 30 35 40 45

Ak

ura

si

(%)

Jumlah Neuron



54


Hidden Layer 2

6. Feature 6

a. Hidden Layer 1

Tabel 4.13Hasil Akurasi Feature 6, Hidden Layer 1

Hidden

Layer 1

Akurasi

(%)

Data

Benar

Waktu

(detik)

10 63 106 4

15 73 122 4

20 72 121 4

25 80 135 4

30 79 132 4

35 80 134 5

40 78 131 5

45 83 140 5






51

78

8782 81

9085

78

40

50

60

70

80

90

100

10 15 20 25 30 35 40 45

Ak

ura

si

(%)

Jumlah Neuron



55


Hidden Layer 1

b. Hidden Layer 2



(%)

Data

Benar

Waktu

(detik) Hidden

Layer 1

Hidden

Layer 2

45

10 70 117 6

15 74 124 6

20 80 134 6

25 81 136 6

30 88 147 6

35 80 135 6

40 80 135 7

45 80 134 7






51

78

8782 81

9085

78

40

50

60

70

80

90

100

10 15 20 25 30 35 40 45

Ak

ura

si

(%)

Jumlah Neuron



56


Hidden Layer 2

7. Feature 7

a. Hidden Layer 1


Hidden

Layer 1

Akurasi

(%)

Data

Benar

Waktu

(detik)

10 53 89 3

15 69 116 4

20 69 116 4

25 72 121 4

30 72 121 5

35 77 130 5

40 73 123 5

45 78 131 5






51

78

8782 81

9085

78

40

50

60

70

80

90

100

10 15 20 25 30 35 40 45

Ak

ura

si

(%)

Jumlah Neuron



57


Hidden Layer 1

b. Hidden Layer 2



(%)

Data

Benar

Waktu

(detik) Hidden

Layer 1

Hidden

Layer 2

45

10 53 89 6

15 68 114 6

20 76 128 6

25 74 125 6

30 68 114 6

35 78 131 6

40 76 127 6

45 76 128 7






51

78

8782 81

9085

78

40

50

60

70

80

90

100

10 15 20 25 30 35 40 45

Ak

ura

si

(%)

Jumlah Neuron



58


Hidden Layer 2

8 Feature 8

a. Hidden Layer 1


Hidden

Layer 1

Akurasi

(%)

Data

Benar

Waktu

(detik)

10 50 84 4

15 73 122 4

20 90 151 4

25 87 146 5

30 88 147 5

35 82 137 5

40 90 151 5

45 89 150 5


pada hidden layer 1 dengan jumlah neuron yaitu 45 dan

20 dengan selisih waktu 1 detik. Akurasi tertinggi yang

diperoleh yaitu 90%. Untuk lebih jelasnya, perubahan

naik turunnya akurasi dapat dilihat pada grafik berikut

ini:

51

78

8782 81

9085

78

40

50

60

70

80

90

100

10 15 20 25 30 35 40 45

Ak

ura

si

(%)

Jumlah Neuron



59


Hidden Layer 1

b. Hidden Layer 2



(%)

Data

Benar

Waktu

(detik) Hidden

Layer 1

Hidden

Layer 2

20

10 51 85 6

15 78 131 6

20 87 146 6

25 82 138 6

30 81 136 6

35 90 151 6

40 85 142 6

45 78 131 5



Akurasi tertinggi yang diperoleh yaitu 90%. Untuk

lebih jelasnya, perubahan naik turunnya akurasi dapat

dilihat pada grafik berikut ini:

51

78

8782 81

9085

78

40

50

60

70

80

90

100

10 15 20 25 30 35 40 45

Ak

ura

si

(%)

Jumlah Neuron



60


Hidden Layer 2

4.2.2 Implementasi User Interface

Berikut ini tampilan antarmuka menu utama keseluruhan dari

aplikasi dalam penelitian ini:

Gambar 4.31 Tampilan Pelatihan dan Pengujian

Aplikasi ini dibagi kedalam 2 proses, yaitu pelatihan arsitektur

JST, dan identifikasi data uji. Berikut ini tampilan antarmuka untuk

masing- masing proses:

51

78

8782 81

9085

78

40

50

60

70

80

90

100

10 15 20 25 30 35 40 45

Ak

ura

si

(%)

Jumlah Neuron



61

1. Pelatihan Hidden Layer 1

Gambar 4.32Tampilan Proses Pelatihan Arsitektur JST 1 Hidden

Layer

2. Pelatihan Hidden Layer 2


62

Gambar 4.33Tampilan Proses Pelatihan Arsitektur JST 2

Hidden Layer

3. Identifikasi Data Uji

Gambar 4.34 Data Uji yang dikenali

4.2.3 Pengujian Data Tunggal

Setelah dilakukan pelatihan pada arsitektur jaringan syaraf tiruan,

selanjutnya akan dilakukan pengujian terhadap data tunggal, dimana

data yang diuji merupakan data aksara Batak Karo terbaru yang tidak

termasuk dalam proses pelatihan dan pengujian data kelompok.

Proses ini dilakukan dengan mengenalipola aksara menggunakan

model jaringan terbaik yang telah didapatkan dari proses pelatihan

arsitektur jaringan. Data uji untuk masing-masing aksara berjumlah

satu huruf aksara Batak Karo terbaru,kemudian seluruh hasil

identifikasi dari aplikasi disesuaikan terhadap target aksara. Berikut

ini tabel hasil uji coba terhadap 21 huruf aksara Batak Karo:


63

Tabel 4.18Hasil Pengujian Data Tunggal

Aksara Batak Karo

No

Huruf

Aksara

Batak

Hasil Dari Target

Aksara Status

1 BA KARO BA Benar

2 CA KARO TA Salah

3 DA KARO DA Benar

4 GA KARO GA Benar

5 HA KARO HA Benar

6 I KARO I Benar

7 JA KARO JA Benar


64

8 KA KARO KA Benar

9 LA KARO LA Benar

10 MA KARO MA Benar

11 MBA

KARO MBA Benar

12 NA KARO NA Benar

13 NDA

KARO NDA Benar

14 NGA

KARO NGA Benar

15 PA KARO PA Benar

16 RA KARO RA Benar


65

17 SA KARO SA Benar

18 TA KARO YA Salah

19 U KARO U Benar

2 WA KARO WA Benar

21 YA KARO MBA Salah

Setelah melakukan percobaan dengan mengubah banyaknya

lapisan tersembunyi, unit neuron pada tiap lapisan tersembunyi, kombinasi

ciri yang digunakan, telah terlihat adanya perubahan akurasi ketika

dilakukanperubahan tersebut, terdapat pada percobaan kombinasi ciri 8

sebanyak dari 168huruf dengan akurasi 90%. Dapat dilihat pula data huruf

yang terbaca paling sedikit terdapat pada percobaan kombinasi ciri 1 dengan

2 layerdengan akurasi 45% . Dari data tersebut dapat dikatakan bahwa alat

ini dapat mengenali tulisan tangan huruf Aksara Batak Karo. Dengan

dilakukannya rekayasa perubahanfitur atau ciri, dan fungsi aktivasi pada

jaringan syaraf tiruan didapatlah peningkatan prosentase untuk data dengan

kombinasi ciri 8. Jadi untuk meningkatkan besarnya prosentasekeakuratan

dapat dilakukan dengan rekayasa penggunaan fitur,banyaknya layer,

neuron,epoch dan fungsi aktivasi.Dilakukan pula pengujian terhadap data


66

tunggal untuk melihat hasil dari pelatihan jaringan yang dilakukan. Data uji

tunggal ini ada yang memiliki noise, dan ada pula yang tidak begitu bagus

tulisannya. Dari hasil yang diperoleh pada penelitian ini tentang pengenalan

Huruf Aksara Batak Karo dengan algoritma backpropagationdiketahui

bahwa :

1. Pada penelitian ini terdapat 168 tulisan tangan huruf Aksara Batak Karo

yang dapat terdeteksi, maka dikatakan algoritma backpropagationdapat

mengenal aksara batak karo.

2. Prosentase akurasi dari beberapa fungsi yang diterapkan pada

penelitianini diperoleh akurasi terbaik sebesar 90%maka penelitian ini

dikatakan berhasil karena sudah memenuhi tujuan penelitiankarena

akurasi keterbacaan sudah melebihi 85% prosentase keberhasilan.


67

5 BAB V

PENUTUP

5.1 Kesimpulan

Dari hasil penelitian ini, pengenalan pola Aksara Batak Karo

menggunakan metode Back Propagation, dapat disimpulkan dalam

beberapa hal, sebagai berikut:

1. Hasil dari percobaan pengujian variasi kombinasi ciri dan jumlah

hidden layer beserta jumlah neuron-nya, dengan parameter arsitektur

jaringan syaraf tiruan Back Propagation yaitu jumlah iterasi/epoch 500,

menghasilkan akurasi tertinggi sebesar 90% pada ciri 8 dengan 1

hidden layer dan 2 hidden layer, yaitu jumlah neuron pada hidden layer

1 sebanyak 20 dan jumlah neuron pada hidden layer 2 sebanyak 35.

2. Dalam implementasi sistem ini, dilakukan tahap preprosessing thining,

jika tidak maka hasil tidak sesuai dengan target.

3. Hasil dari percobaan pengujian data tunggal, bahwa aksara Batak huruf

“CA”, “TA” dan “YA” tidak dapat dikenali.

4. Model jaringan syaraf tiruan yang dihasilkan sudah mampu mengenali

pola Aksara Batak Karo dengan baik karena akurasi sistem yang

diperoleh cukup tinggi, maka aplikasi ini mampu mengenali pola

dengan tepat, sehingga hasilnya sesuai dengan target aslinya.

5.2 Saran

Saran yang dapat diberikan untuk mengembangkan aplikasi ini

kedepannya yaitu:

1. Jumlah data aksara yang akan digunakan dalam pelatihan dan pengujian

arsitektur jaringan ditambah lagi atau dapat menggunakan aksara Batak

lainnya karena aksara Batak bermacam-macam.

2. Metode ekstraksi ciri dapat menggunakan metode lain.


68

DAFTAR PUSTAKA

Nugroho, W.N &Widiarti, A.R. (2016). Transliterasi Citra Aksara

HiraganaMempergunakan Jaringan Backpropagation. Yogyakarta.

Kozok, U. (2009). Sejarah Perkembangan Tulisan Batak. : Kepustakaan Populer

Gramedia.

Kristianto, A. (2004). Jaringan Syaraf Tiruan. Yogyakarta: Penerbit Gava Media

Prasetaningtyas, Y. (2016). Klasifikasi Pola Tanda Tangan Menggunakan Back

Propagation. Skripsi. Fakultas Sains dan Teknologi. Universitas Sanata

Dharma. Yogyakarta.

Puspaningrum, D. (2006). Pengantar Jaringan Syaraf Tiruan. Yogyakarta :

Penerbit Andi Offset.

Sinaga, D dan Anggi, R. (2013). Laporan Akhir Penelitian Dosen Pemula.

http.www.jurnal.com/2013/pengenalan-aksara-batak. Di akses pada 23

Oktober 2015

Surinta, O. (2010). Overview of Handwritten Thai character Recognition.

http://www.ai.rug.nl/~mrolarik/APSMeeting/09-07-

2010%20Overview%20of%20Handwritten%20Thai%20Character%20R

ecognition.pdf. 12 September 2016.

Siang, J. J. (2005).Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan

Matlab (1). Yogyakarta: Penerbit ANDI.

Widiarti, A.R. (2011). Comparing Hilditch, Rosenfeld, Zhang-Suen,

Nagendraprasad – Wang-Gupta Thinning.International Scholarly and

Scientific Research & Innovation. No 6. Vol 5. halaman 1.

http://waset.org/publications/6492/comparing-hilditch-rosenfeld-zhang-

suen-and-nagendraprasad-wang-gupta-thinning.


69

LAMPIRAN

Source Code:

menu.m

function varargout = menupengenalan(varargin) % MENUPENGENALAN MATLAB code for menupengenalan.fig % MENUPENGENALAN, by itself, creates a new MENUPENGENALAN or

raises the existing % singleton*. % % H = MENUPENGENALAN returns the handle to a new

MENUPENGENALAN or the handle to % the existing singleton*. % % MENUPENGENALAN('CALLBACK',hObject,eventData,handles,...)

calls the local % function named CALLBACK in MENUPENGENALAN.M with the given

input arguments. % % MENUPENGENALAN('Property','Value',...) creates a new

MENUPENGENALAN or raises the % existing singleton*. Starting from the left, property

value pairs are % applied to the GUI before menupengenalan_OpeningFcn gets

called. An % unrecognized property name or invalid value makes property

application % stop. All inputs are passed to menupengenalan_OpeningFcn

via varargin. % % *See GUI Options on GUIDE's Tools menu. Choose "GUI allows

only one % instance to run (singleton)". % % See also: GUIDE, GUIDATA, GUIHANDLES

% Edit the above text to modify the response to help

menupengenalan

% Last Modified by GUIDE v2.5 08-Dec-2016 13:21:37

% Begin initialization code - DO NOT EDIT gui_Singleton = 1; gui_State = struct('gui_Name', mfilename, ... 'gui_Singleton', gui_Singleton, ... 'gui_OpeningFcn', @menupengenalan_OpeningFcn, ... 'gui_OutputFcn', @menupengenalan_OutputFcn, ... 'gui_LayoutFcn', [] , ... 'gui_Callback', []); if nargin && ischar(varargin{1}) gui_State.gui_Callback = str2func(varargin{1}); end

if nargout


70

[varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:}); else gui_mainfcn(gui_State, varargin{:}); end % End initialization code - DO NOT EDIT

% --- Executes just before menupengenalan is made visible. function menupengenalan_OpeningFcn(hObject, eventdata, handles,

varargin) % This function has no output args, see OutputFcn. % hObject handle to figure % eventdata reserved - to be defined in a future version of

MATLAB % handles structure with handles and user data (see GUIDATA) % varargin command line arguments to menupengenalan (see

VARARGIN)

% Choose default command line output for menupengenalan handles.output = hObject;

% Update handles structure guidata(hObject, handles);

% UIWAIT makes menupengenalan wait for user response (see

UIRESUME) % uiwait(handles.figure1);

% --- Outputs from this function are returned to the command line. function varargout = menupengenalan_OutputFcn(hObject, eventdata,

handles) % varargout cell array for returning output args (see VARARGOUT); % hObject handle to figure % eventdata reserved - to be defined in a future version of

MATLAB % handles structure with handles and user data (see GUIDATA)

% Get default command line output from handles structure varargout{1} = handles.output;

function InputTF_Callback(hObject, eventdata, handles) % hObject handle to InputTF (see GCBO) % eventdata reserved - to be defined in a future version of


% Hints: get(hObject,'String') returns contents of InputTF as text % str2double(get(hObject,'String')) returns contents of

InputTF as a double


71

% --- Executes during object creation, after setting all

properties. function InputTF_CreateFcn(hObject, eventdata, handles) % hObject handle to InputTF (see GCBO) % eventdata reserved - to be defined in a future version of

MATLAB % handles empty - handles not created until after all

CreateFcns called

% Hint: edit controls usually have a white background on Windows. % See ISPC and COMPUTER. if ispc && isequal(get(hObject,'BackgroundColor'),

get(0,'defaultUicontrolBackgroundColor')) set(hObject,'BackgroundColor','white'); end

% --- Executes on button press in pilihaksara. function pilihaksara_Callback(hObject, eventdata, handles) % hObject handle to pilihaksara (see GCBO) % eventdata reserved - to be defined in a future version of

MATLAB % handles structure with handles and user data (see GUIDATA) % if fileName ~= 0 % [fileName, alamatFile] = uigetfile({'*.jpg'}); % % % set(handles.edittext,'String',handles.gui.fullpath); % alamatNamaFile = fullfile(fileName, alamatFile); % % set(handles.data,'String',{files.name}); % set(handles.inputTF,'String',alamatNamaFile); % end [filename,pathname] = uigetfile('All Image

Files(*.JPG;*.jpg;*.bmp;*.png;)','Pilih Gambar'); % cek file name if isequal([filename,pathname],[0,0]) return else fullpath = fullfile(pathname,filename); handles.gui.fullpath = fullpath; handles.gui.filename = filename; handles.gui.pathname = pathname; %tuliskan nama file pada bagian edit text set(handles.InputTF,'String',handles.gui.fullpath); % tampilkan citra asli

addpath(handles.gui.pathname); axes(handles.axes2); I = imread(handles.gui.filename); handles.gui.I = I; imshow(I); guidata(hObject, handles); end

function kenal1_Callback(hObject, eventdata, handles) % hObject handle to kenal1 (see GCBO)


72

% eventdata reserved - to be defined in a future version of


% Hints: get(hObject,'String') returns contents of kenal1 as text % str2double(get(hObject,'String')) returns contents of

kenal1 as a double


properties. function kenal1_CreateFcn(hObject, eventdata, handles) % hObject handle to kenal1 (see GCBO) % eventdata reserved - to be defined in a future version of


CreateFcns called



function databenar1_Callback(hObject, eventdata, handles) % hObject handle to databenar1 (see GCBO) % eventdata reserved - to be defined in a future version of


% Hints: get(hObject,'String') returns contents of databenar1 as

text % str2double(get(hObject,'String')) returns contents of

databenar1 as a double


properties. function databenar1_CreateFcn(hObject, eventdata, handles) % hObject handle to databenar1 (see GCBO) % eventdata reserved - to be defined in a future version of


CreateFcns called




73

function totaldata1_Callback(hObject, eventdata, handles) % hObject handle to totaldata1 (see GCBO) % eventdata reserved - to be defined in a future version of


% Hints: get(hObject,'String') returns contents of totaldata1 as


totaldata1 as a double


properties. function totaldata1_CreateFcn(hObject, eventdata, handles) % hObject handle to totaldata1 (see GCBO) % eventdata reserved - to be defined in a future version of


CreateFcns called



function akurasi_Callback(hObject, eventdata, handles) % hObject handle to akurasi (see GCBO) % eventdata reserved - to be defined in a future version of


% Hints: get(hObject,'String') returns contents of textakurasi as


akurasi as a double


properties. function akurasi_CreateFcn(hObject, eventdata, handles) % hObject handle to akurasi (see GCBO) % eventdata reserved - to be defined in a future version of


CreateFcns called

% Hint: edit controls usually have a white background on Windows. % See ISPC and COMPUTER.


74

if ispc && isequal(get(hObject,'BackgroundColor'),


function node1_Callback(hObject, eventdata, handles) % hObject handle to node1 (see GCBO) % eventdata reserved - to be defined in a future version of


% Hints: get(hObject,'String') returns contents of node1 as text % str2double(get(hObject,'String')) returns contents of

node1 as a double


properties. function node1_CreateFcn(hObject, eventdata, handles) % hObject handle to node1 (see GCBO) % eventdata reserved - to be defined in a future version of


CreateFcns called



function node2_Callback(hObject, eventdata, handles) % hObject handle to node2 (see GCBO) % eventdata reserved - to be defined in a future version of


% Hints: get(hObject,'String') returns contents of node2 as text % str2double(get(hObject,'String')) returns contents of

node2 as a double


properties. function node2_CreateFcn(hObject, eventdata, handles) % hObject handle to node2 (see GCBO) % eventdata reserved - to be defined in a future version of


CreateFcns called


75



function epoch_Callback(hObject, eventdata, handles) % hObject handle to epoch (see GCBO) % eventdata reserved - to be defined in a future version of


% Hints: get(hObject,'String') returns contents of epoch as text % str2double(get(hObject,'String')) returns contents of

textepoch as a double


properties. function epoch_CreateFcn(hObject, eventdata, handles) % hObject handle to epoch (see GCBO) % eventdata reserved - to be defined in a future version of


CreateFcns called



% --- Executes on button press in proseskenal. function proseskenal_Callback(hObject, eventdata, handles) % hObject handle to proseskenal (see GCBO) % eventdata reserved - to be defined in a future version of

MATLAB % handles structure with handles and user data (see GUIDATA) load 'pilihciri.mat'; load 'net.mat'; direktori=get(handles.InputTF,'String'); [fituruji1,fituruji2,fituruji3,fituruji4,fituruji5,fituruji6,fitur

uji7,fituruji8]=preposessing_uji(direktori); if pilihciri == 1 data_seion=fituruji1; elseif pilihciri == 2 data_seion=fituruji2; elseif pilihciri == 3


76

data_seion=fituruji3; elseif pilihciri == 4 data_seion=fituruji4; elseif pilihciri == 5 data_seion=fituruji5; elseif pilihciri == 6 data_seion=fituruji6; elseif pilihciri == 7 data_seion=fituruji7; elseif pilihciri == 8 data_seion=fituruji8; else data_seion=zeros(168,45); end datapca=processpca(data_seion,0.02); datauji=mapstd(datapca)'; output=sim(net,datauji); output=compet(output); display(output); [q, r]=max(output); display(r); if r==1 hasil_huruf='BA'; set(handles.kenal1,'String',hasil_huruf); elseif r==2 hasil_huruf='TA'; set(handles.kenal1,'String',hasil_huruf); elseif r==3 hasil_huruf='DA'; set(handles.kenal1,'String',hasil_huruf); elseif r==4 hasil_huruf='GA'; set(handles.kenal1,'String',hasil_huruf); elseif r==5 hasil_huruf='HA'; set(handles.kenal1,'String',hasil_huruf); elseif r==6 hasil_huruf='I'; set(handles.kenal1,'String',hasil_huruf); elseif r==7 hasil_huruf='JA'; set(handles.kenal1,'String',hasil_huruf); elseif r==8 hasil_huruf='KA'; set(handles.kenal1,'String',hasil_huruf); elseif r==9 hasil_huruf='LA'; set(handles.kenal1,'String',hasil_huruf); elseif r==10 hasil_huruf='MA'; set(handles.kenal1,'String',hasil_huruf); elseif r==11 hasil_huruf='MBA'; set(handles.kenal1,'String',hasil_huruf); elseif r==12 hasil_huruf='NA';


77

set(handles.kenal1,'String',hasil_huruf); elseif r==13 hasil_huruf='NDA'; set(handles.kenal1,'String',hasil_huruf); elseif r==14 hasil_huruf='NGA'; set(handles.kenal1,'String',hasil_huruf); elseif r==15 hasil_huruf='PA'; set(handles.kenal1,'String',hasil_huruf); elseif r==16 hasil_huruf='RA'; set(handles.kenal1,'String',hasil_huruf); elseif r==17 hasil_huruf='SA'; set(handles.kenal1,'String',hasil_huruf); elseif r==18 hasil_huruf='YA'; set(handles.kenal1,'String',hasil_huruf); elseif r==19 hasil_huruf='U'; set(handles.kenal1,'String',hasil_huruf); elseif r==20 hasil_huruf='WA'; set(handles.kenal1,'String',hasil_huruf); elseif r==21 hasil_huruf='CA'; set(handles.kenal1,'String',hasil_huruf); end


properties. function proses1_CreateFcn(hObject, eventdata, handles) % hObject handle to proses1 (see GCBO) % eventdata reserved - to be defined in a future version of


CreateFcns called

% --- Executes on button press in proses1. function proses1_Callback(hObject, eventdata, handles) % hObject handle to proses1 (see GCBO) % eventdata reserved - to be defined in a future version of

MATLAB % handles structure with handles and user data (see GUIDATA) fea1=get(handles.ciri1,'Value'); fea2=get(handles.ciri2,'Value'); fea3=get(handles.ciri3,'Value'); fea4=get(handles.ciri4,'Value'); fea5=get(handles.ciri5,'Value'); fea6=get(handles.ciri6,'Value'); fea7=get(handles.ciri7,'Value'); fea8=get(handles.ciri8,'Value'); Hidden1=str2double(get(handles.node1,'String'));


78

Hidden2=str2double(get(handles.node2,'String')); iterasi=str2double(get(handles.epoch,'String')); if fea1 == 1 load feature1.data; data_seion = feature1(:,:); pilihciri=1; elseif fea2 == 1 load feature2.data; data_seion = feature2(:,:); pilihciri=2; elseif fea3 == 1 load feature3.data; data_seion = feature3(:,:); pilihciri=3; elseif fea4 == 1 load feature4.data; data_seion = feature4(:,:); pilihciri=4; elseif fea5 == 1 load feature5.data; data_seion = feature5(:,:); pilihciri=5; elseif fea6 == 1 load feature6.data; data_seion = feature6(:,:); pilihciri=6; elseif fea7 == 1 load feature7.data; data_seion = feature7(:,:); pilihciri=7; elseif fea8 == 1 load feature8.data; data_seion = feature8(:,:); pilihciri=8; else data_seion = zeros(21,168); end datapca=processpca(data_seion,0.02); datanormal=mapstd(datapca)';

target = target_data; [N,O] = size(target'); data = datanormal; k = 4; %k-fold 4

target_kelas = vec2ind(target); t1 = find(target_kelas == 1); t2 = find(target_kelas == 2); t3 = find(target_kelas == 3); t4 = find(target_kelas == 4); t5 = find(target_kelas == 5); t6 = find(target_kelas == 6); t7 = find(target_kelas == 7); t8 = find(target_kelas == 8); t9 = find(target_kelas == 9); t10 = find(target_kelas == 10);


79

t11 = find(target_kelas == 11); t12 = find(target_kelas == 12); t13 = find(target_kelas == 13); t14 = find(target_kelas == 14); t15 = find(target_kelas == 15); t16 = find(target_kelas == 16); t17 = find(target_kelas == 17); t18 = find(target_kelas == 18); t19 = find(target_kelas == 19); t20 = find(target_kelas == 20); t21 = find(target_kelas == 21);

ind0 = 1:N; M = floor((N/21)/k); %bagi data masing2 huruf untuk testing

rng(0); if Hidden2 == 0 net =

newff(minmax(data),[Hidden1,21],{'logsig','purelin'},'trainrp'); else net =

newff(minmax(data),[Hidden1,Hidden2,21],{'logsig','logsig','pureli

n'},'trainrp'); end

net = init(net); net.trainParam.epochs = iterasi; net.divideFcn = 'divideind';

conf_mat=zeros(21,21); maks=0; for i=1:k tstind = 1 + M*(i-1):M*i; if i == k trnind = 1:tstind(1)-1; elseif i == 1 trnind = tstind(end)+1:N/21; else trnind = [1:tstind(1)-1,tstind(end)+1:N/21]; end

trnInd =

[ind0(t1(trnind)),ind0(t2(trnind)),ind0(t3(trnind)),ind0(t4(trnind

)),...

ind0(t5(trnind)),ind0(t6(trnind)),ind0(t7(trnind)),ind0(t8(trnind)

),...

ind0(t9(trnind)),ind0(t10(trnind)),ind0(t11(trnind)),ind0(t12(trni

nd)),...

ind0(t13(trnind)),ind0(t14(trnind)),ind0(t15(trnind)),ind0(t16(trn

ind)),...


80

ind0(t17(trnind)),ind0(t18(trnind)),ind0(t19(trnind)),ind0(t20(trn

ind)),... ind0(t21(trnind))]; tstInd =

[ind0(t1(tstind)),ind0(t2(tstind)),ind0(t3(tstind)),ind0(t4(tstind

)),...

ind0(t5(tstind)),ind0(t6(tstind)),ind0(t7(tstind)),ind0(t8(tstind)

),...

ind0(t9(tstind)),ind0(t10(tstind)),ind0(t11(tstind)),ind0(t12(tsti

nd)),...

ind0(t13(tstind)),ind0(t14(tstind)),ind0(t15(tstind)),ind0(t16(tst

ind)),...

ind0(t17(tstind)),ind0(t18(tstind)),ind0(t19(tstind)),ind0(t20(tst

ind)),... ind0(t21(tstind))];

net.divideParam.trainInd = trnInd; net.divideParam.testInd = tstInd;

[net,tr] = train(net,data,target);

ytst = net(data(:,tr.testInd)); ttst = target(:,tr.testInd);

[c,cm,ind,per]=confusion(ttst,ytst); conf_mat=conf_mat+cm; benar=sum(diag(cm)); totaldata=sum(sum(cm)); akurasi=(benar/totaldata)*100; if akurasi > maks save('net.mat','net'); maks=akurasi; end end benar_total=sum(diag(conf_mat)); totalseluruhdata=sum(sum(conf_mat)); akurasi_total=(benar_total/totalseluruhdata)*100;

save('pilihciri.mat','pilihciri'); set(handles.databenar1,'String',num2str(benar_total)); set(handles.totaldata1,'String',num2str(totalseluruhdata)); set(handles.akurasi,'String',num2str(round(akurasi_total))); h = msgbox('Pelatihan Jaringan SELESAI', 'Pelatihan

Backpropagation','warn');

Preprossesing.m [file,path]=uigetfile('*/*.JPG','ambil gambar'); image=imread([path file]); %mengubah citra menjadi keabuan grayimage=rgb2gray(image); % mengubah citra keabuan menjadi hitam putih


81

image2=im2bw(grayimage); %merize citra menjadi 600x600 pixel resized_bw = imresize(image2,[600,600]); %penipisan citra thin=Rosenfeld(resized_bw); [im1,im2,im3,im4,im5,im6,im7,im8,im9]=divide(thin); %EKSTRAKSI CIRI subplot(3,3,1), subimage(im1) subplot(3,3,2), subimage(im2) subplot(3,3,3), subimage(im3) subplot(3,3,4), subimage(im4) subplot(3,3,5), subimage(im5) subplot(3,3,6), subimage(im6) subplot(3,3,7), subimage(im7) subplot(3,3,8), subimage(im8) subplot(3,3,9), subimage(im9)

[vert_1,horz_1,dig1_1,dig2_1] = MarkDirection(im1); [vert_2,horz_2,dig1_2,dig2_2] = MarkDirection(im2); [vert_3,horz_3,dig1_3,dig2_3] = MarkDirection(im3); [vert_4,horz_4,dig1_4,dig2_4] = MarkDirection(im4); [vert_5,horz_5,dig1_5,dig2_5] = MarkDirection(im5); [vert_6,horz_6,dig1_6,dig2_6] = MarkDirection(im6); [vert_7,horz_7,dig1_7,dig2_7] = MarkDirection(im7); [vert_8,horz_8,dig1_8,dig2_8] = MarkDirection(im8); [vert_9,horz_9,dig1_9,dig2_9] = MarkDirection(im9);

[black_1] = IoC(im1); [black_2] = IoC(im2); [black_3] = IoC(im3); [black_4] = IoC(im4); [black_5] = IoC(im5); [black_6] = IoC(im6); [black_7] = IoC(im7); [black_8] = IoC(im8); [black_9] = IoC(im9);

a1=[black_1,black_2, black_3,

black_4,black_5,black_6,black_7,black_8,black_9...

dig1_1,dig1_2,dig1_3,dig1_4,dig1_5,dig1_6,dig1_7,dig1_8,dig1_9...

dig2_1,dig2_2,dig2_3,dig2_4,dig2_5,dig2_6,dig2_7,dig2_8,dig2_9...

horz_1,horz_2,horz_3,horz_4,horz_5,horz_6,horz_7,horz_8,horz_9...

vert_1,vert_2,vert_3,vert_4,vert_5,vert_6,vert_7,vert_8,vert_9,];

black = [black_1, black_2, black_3, black_4, black_5, black_6,

black_7, black_8, black_9]; vert = [vert_1, vert_2, vert_3, vert_4, vert_5, vert_6, vert_7,

vert_8, vert_9]; horz = [horz_1, horz_2, horz_3, horz_4, horz_5, horz_6, horz_7,

horz_8, horz_9];


82

dig1 = [dig1_1, dig1_2, dig1_3, dig1_4, dig1_5, dig1_6, dig1_7,

dig1_8, dig1_9]; dig2 = [dig2_1, dig2_2, dig2_3, dig2_4, dig2_5, dig2_6, dig2_7,

dig2_8, dig2_9]; feature1 = [black]; feature2 = [dig1]; feature3 = [dig2]; feature4 = [black, dig1]; feature5 = [black, dig2]; feature6= [horz,vert]; feature7 = [dig1,dig2]; feature8 = [black, dig1, dig2, horz, vert];

Ioc.m

function [black] = IoC(newimage) %summary [rows,columns]=size(newimage); count=0; for i=1:rows for j=1:columns if newimage(i,j)==0 count=count+1; end end end black=count; end

Preprocesing Uji function

[fitur1,fitur2,fitur3,fitur4,fitur5,fitur6,fitur7,fitur8] =

preposessing_uji( direktori ) %UNTITLED Summary of this function goes here % Detailed explanation goes here image=imread(direktori); %mengubah citra menjadi keabuan grayimage=rgb2gray(image); % mengubah citra keabuan menjadi hitam putih image2=im2bw(grayimage); %merize citra menjadi 600x600 pixel resized_bw = imresize(image2,[600,600]); %penipisan citra thin=Rosenfeld(resized_bw); [im1,im2,im3,im4,im5,im6,im7,im8,im9]=divide(thin); %EKSTRAKSI CIRI [vert_1,horz_1,dig1_1,dig2_1] = MarkDirection(im1); [vert_2,horz_2,dig1_2,dig2_2] = MarkDirection(im2); [vert_3,horz_3,dig1_3,dig2_3] = MarkDirection(im3); [vert_4,horz_4,dig1_4,dig2_4] = MarkDirection(im4); [vert_5,horz_5,dig1_5,dig2_5] = MarkDirection(im5); [vert_6,horz_6,dig1_6,dig2_6] = MarkDirection(im6); [vert_7,horz_7,dig1_7,dig2_7] = MarkDirection(im7); [vert_8,horz_8,dig1_8,dig2_8] = MarkDirection(im8); [vert_9,horz_9,dig1_9,dig2_9] = MarkDirection(im9); [black_1] = IoC(im1);


83

[black_2] = IoC(im2); [black_3] = IoC(im3); [black_4] = IoC(im4); [black_5] = IoC(im5); [black_6] = IoC(im6); [black_7] = IoC(im7); [black_8] = IoC(im8); [black_9] = IoC(im9); black = [black_1, black_2, black_3, black_4, black_5, black_6,

black_7, black_8, black_9]; vert = [vert_1, vert_2, vert_3, vert_4, vert_5, vert_6, vert_7,

vert_8, vert_9]; horz = [horz_1, horz_2, horz_3, horz_4, horz_5, horz_6, horz_7,

horz_8, horz_9]; dig1 = [dig1_1, dig1_2, dig1_3, dig1_4, dig1_5, dig1_6, dig1_7,

dig1_8, dig1_9]; dig2 = [dig2_1, dig2_2, dig2_3, dig2_4, dig2_5, dig2_6, dig2_7,

dig2_8, dig2_9]; fitur1 = [black]; fitur2 = [dig1]; fitur3 = [dig2]; fitur4 = [black, dig1]; fitur5 = [black, dig2]; fitur6 = [horz,vert]; fitur7 = [dig1,dig2]; fitur8 = [black, dig1, dig2, horz, vert]; end

MarkDirection.m function [vert,horz,dig1,dig2] = MarkDirection(newimage)

%UNTITLED2 Summary of this function goes here % Detailed explanation goes here [rows,columns]=size(newimage); % %Mask Vertical % ver=[1 0 1; 1 0 1; 1 0 1]; % %Mask Horizontal % hor=[1 1 1; 0 0 0; 1 1 1]; % %Mask Diagonal 1 % dg1=[0 1 1; 1 0 1; 1 1 0]; % %Mask Diagonal 1 % dg2=[1 1 0; 1 0 1; 0 1 1]; vert=0; horz=0; dig1=0; dig2=0; for i=2:rows-1 for j=2:columns-1 if newimage(i,j)==0 if newimage(i,j)+newimage(i-1,j)+newimage(i+1,j)==0 if newimage(i-1,j-1)+newimage(i-1,j+1)+newimage(i,j-

1)+newimage(i,j+1)+newimage(i+1,j-1)+newimage(i+1,j+1)==6 vert=vert+1; end end


84

if newimage(i,j)+newimage(i,j-1)+newimage(i,j+1)==0 if newimage(i-1,j-1)+newimage(i-1,j)+newimage(i-

1,j+1)+newimage(i+1,j-1)+newimage(i+1,j)+newimage(i+1,j+1)==6 horz=horz+1; end end if newimage(i,j)+newimage(i-1,j-1)+newimage(i+1,j+1)==0 if newimage(i-1,j)+newimage(i-1,j+1)+newimage(i,j-

1)+newimage(i,j+1)+newimage(i+1,j-1)+newimage(i+1,j)==6 dig1=dig1+1; end end if newimage(i,j)+newimage(i-1,j+1)+newimage(i+1,j-1)==0 if newimage(i-1,j-1)+newimage(i-1,j)+newimage(i,j-

1)+newimage(i,j+1)+newimage(i+1,j)+newimage(i+1,j+1)==6 dig2=dig2+1; end end end end end end

Load_Data.m load .data

% data_seion = feature4(:,:); data_seion = feature8 (:,:);

datapca=processpca(data_seion,0.02); datanormal=mapstd(datapca)'; % datanormal = mapminmax(datapca)';

Otomaticsproses.m tempLebar = 0; tempPanjang = 0; for i = 1:168 [file,path] = uigetfile('*/*.JPG','ambil gambar'); image = imread([path file]); [lebar, panjang] = size(image); if tempLebar < lebar tempLebar = lebar; else tempLebar = tempLebar; end if tempPanjang < panjang tempPanjang = panjang; else tempPanjang = tempPanjang; end end


85

Train_machine.m clear,clc Load_Data_2; target = target_data; [N,O] = size(target'); data = datanormal; k = 4; %k-fold 4

target_kelas = vec2ind(target); t1 = find(target_kelas == 1); t2 = find(target_kelas == 2); t3 = find(target_kelas == 3); t4 = find(target_kelas == 4); t5 = find(target_kelas == 5); t6 = find(target_kelas == 6); t7 = find(target_kelas == 7); t8 = find(target_kelas == 8); t9 = find(target_kelas == 9); t10 = find(target_kelas == 10); t11 = find(target_kelas == 11); t12 = find(target_kelas == 12); t13 = find(target_kelas == 13); t14 = find(target_kelas == 14); t15 = find(target_kelas == 15); t16 = find(target_kelas == 16); t17 = find(target_kelas == 17); t18 = find(target_kelas == 18); t19 = find(target_kelas == 19); t20 = find(target_kelas == 20); t21 = find(target_kelas == 21);

ind0 = 1:N; M = floor((N/21)/k); %bagi data masing2 huruf untuk testing

rng(0); net =

newff(minmax(data),[20,35,21],{'logsig','logsig','purelin'},'train

rp'); % net = newff (minmax(data),

[45,21],{'logsig','purelin'},'trainrp'); net.trainParam.epochs = 500;

net.divideFcn = 'divideind'; net = init(net);

acc = [];

conf_mat=zeros(21,21); for i=1:k tstind = 1 + M*(i-1):M*i; if i == k trnind = 1:tstind(1)-1; elseif i == 1


86

trnind = tstind(end)+1:N/21; else trnind = [1:tstind(1)-1,tstind(end)+1:N/21]; end

trnInd = benar=sum(diag(cm)); totaldata=sum(sum(cm)); akurasi=(benar/totaldata)*100 conf_mat=conf_mat+cm; end % avgacc = mean(acc) benar_total=sum(diag(conf_mat)) totalseluruhdata=sum(sum(conf_mat)) akurasi_total=(benar_total/totalseluruhdata)*100


87

DATA AKSARA:


88


89


90


pengenalan pola aksara batak karo ... - …repository.usd.ac.id/9324/2/125314044_full.pdf · kata...

Documents