Professional Documents
Culture Documents
Rischan Mafrur1, M. Andestoni2, Moch. Shidqul Ahdi3, Nur Shalahuddin Fajri4, dan Anik Muhantini5 Program Studi Teknik Informatika UIN Sunan Kalijaga
|1
2.3 Pengenalan Pola Pengenalan pola adalah sebuah pembelajaran yang diberikan untuk sebuah mesin agar dapat mengenali suatu objek berdasarkan ciri-ciri yang dimiliki objek tersebut sesuai dengan contoh data yang diberikan. 2.4 Jaringan Saraf Tiruan (JST) Jaringan Saraf Tiruan adalah paradigma pengolahan informasi yang terinspirasi oleh sistem saraf secara biologis, seperti proses inforamsi pada otak manusia[2]. Salah satu metode pelatihan dalam Jaringan Saraf Tiruan adalah pelatihan terbimbing (supervised learning). Pada pelatihan terbimbing diperlukan sejumlah masukkan dan target yang berfungsi untuk melatih jaringan hingga diperoleh bobot yang diinginkan [3]. Setiap kali pelatihan, diberikan suatu input-an kedalam jaringan. Jaringan tersebut akan memproses dan mengeluarkan output-an. Jaringan akan memodifikasi bobot sesuai dengan kesalahan yang berasal dari selisih antara keluaran jaringan dengan target. Salah satu metode yang termasuk dalam supervised learning adalah LVQ (Learning Vector Quantization), seperti yang digunakan pada penelitian ini. 2.5 Metode Learning Vector Quantization (LVQ) Learning Vector Quantization (LVQ) adalah suatu metode untuk melakukan pembelajaran pada lapisan kompetitif yang terawasi. Suatu lapisan kompetitif akan secara otomatis belajar untuk mengklasifikasikan vector-vektor input. Kelas-kelas yang didapatkan sebagai hasil dari lapisan kompetitif ini hanya tergantung pada jarak antara vektor vektor input. Jika 2 vektor input mendekati sama, maka lapisan kompetitif akan meletakkan kedua vektor input tersebut ke dalam kelas yang sama [4]. LVQ merupakan jaringan saraf tiruan dengan tipe arsitektur jaringan lapis tunggal umpan-maju (Single Layer Feedforward) yang terdiri atas unit masukkan [3]. Seperti yang terlihat pada Gambar 1 bahwa tipe arsitektur jaringan saraf tiruan dari LVQ adalah Single layer feedforward. 3. 4. Gambar 1. Jaringan Saraf LVQ [3] Algoritma Learning Vector Quantization adalah sebagai berikut : 1.
Tetapkan bobot awal (W) dan maksimum epoh (MaxEpoh), learning rate(), error yang diharapkan (Eps) Masukan : Data input x(m,n) Target T(1,n) awal (epoh=0), < MaxEpoh) error dan
2.
(epoh
epoh=epoh+1 kerjakan untuk i=1 sampai n tentukan j sedemikian hingga ||x-wj|| minimum sebut dengan Ci
Perbaiki wj dengan ketentuan jika T=Ci maka wj(baru)=wj(lama)+(x-wj(lama)) jika T!=Ci maka wj(baru)=wj(lama)-(x-wj(lama))
5.
3. Pembahasan dan Hasil Penelitian 3.1 Proses Pengumpulan Data Sampel Proses ini adalah proses awal yang dilakukan pada penelitian ini, yaitu pengumpulan data sampel dari huruf jawa Ra dan Ga. Sebagian data sampel yang digunakan dapat dilihat pada Gambar 2 dan Gambar 3.
|2
Prapengolahan Aksara RA
Gambar 3. Huruf jawa Ga Dari sampel data pada Gambar 1 dan Gambar 2, sudah terlihat jelas beberapa macam bentuk penulisan huruf jawa. 3.2 Proses Pengolahan Citra Pada proses pengolahan citra menjelaskan apa saja proses-proses yang dilakukan terhadap citra digital sebelum dilakukan pengenalan terhadap citra tersebut. Tahapan proses pengolahan citra yang dilakukan pada penelitian ini seperti terlihat pada Gambar 4 dan Gambar 5. PRAPENGOLAHAN
Cropping Piksel : 50 x 70
Thresholding Piksel : 50 x 70
Gambar 5. Contoh Proses Pengolahan Citra THRESHOLDING 3.3 Proses Ekstraksi Ciri Proses ekstraksi ciri adalah proses mengambil nilai piksel dari suatu citra digital dalam bentuk biner. Salah satu hasil dari ekstraksi ciri huruf jawa Ra dan Ga yang telah diubah skalanya adalah sebagai berikut ini. Ra =1111111 0110001 0100001 0100001 0100001 1100001 1000001 1000011 1000010 1000010 Ga =1111111 0101101 0101000 1001001 1001001 1001001 1001001 1011001 1010011 1010010 Hasil ekstraksi ciri inilah yang nantinya akan digunakan untuk menghitung bobot dari setiap citra digital yang akan diuji. 3.4 Implementasi dengan LVQ Pengimplementasian metode LVQ dilakukan menggunakan bahasa pemrograman java. Pada penghitungan pertama ini menggunakan delapan
SCALING
|3
data sampel yang terdiri dari empat data sampel Ra dan empat data sampel Ga. Kemudian ditentukan bobot awal dari Ra dan Ga. Dari delapan data tersebut diambil dua data sebagai bobot awal dan data lainnya adalah data yang diuji.
Perbandingan hasil dari penghitungan bobot akhir W1 dan W2 yang dilakukan dengan learning rate = 0.01, deca = 0.1, dan epoh maksimal adalah 10, 25, 75, dan 100 dapat dilihat pada Tabel 1.
Tabel 1. Perbandingan Bobot Akhir W1 dan W2 Berdasarkan MaxEpoh Data Sampel ke1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 MaxEpoh=10 Aksara Jawa RA GA RA GA GA RA RA RA RA RA RA RA RA RA RA RA RA RA GA GA GA GA GA GA GA GA GA GA GA GA Bobot Akhir W1 1.0 1.0 1.0 1.0 1.0 1.0 1.0 0.0 1.0 0.0 0.94 0.98 0.0 0.94 0.0 1.0 0.0 1.0 0.06 0.0 0.02 0.98 0.08 0.0 1.0 0.06 0.0 1.0 1.0 0.02 Bobot Akhir W2 0.67 0.97 0.88 0.94 0.97 0.97 0.80 0.63 0.85 0.90 0.52 0.54 0.45 0.94 0.54 0.79 0.66 0.23 0.37 0.06 0.97 0.06 0.97 0.51 0.26 0.28 0.12 0.97 0.11 1.0 MaxEpoh=25 Bobot Akhir W1 1.0 1.0 1.0 1.0 1.0 1.0 1.0 0.0 1.0 0.0 0.91 0.96 0.0 0.91 0.0 1.0 0.0 1.0 0.09 0.0 0.04 0.96 0.13 0.0 1.0 0.09 0.0 1.0 1.0 0.04 Bobot Akhir W2 0.64 0.97 0.87 0.94 0.97 0.97 0.77 0.70 0.84 0.90 0.57 0.60 0.50 0.94 0.60 0.77 0.73 0.24 0.40 0.06 0.97 0.06 0.97 0.56 0.28 0.30 0.13 0.97 0.11 1.0 MaxEpoh=75 Bobot Akhir W1 1.0 1.0 1.0 1.0 1.0 1.0 1.0 0.0 1.0 0.0 0.91 0.95 0.0 0.91 0.0 1.0 0.0 1.0 0.09 0.0 0.05 0.95 0.14 0.0 1.0 0.09 0.0 1.0 1.0 0.05 Bobot Akhir W2 0.63 0.97 0.87 0.93 0.97 0.97 0.77 0.71 0.83 0.89 0.58 0.61 0.50 0.94 0.61 0.77 0.74 0.24 0.41 0.07 0.97 0.07 0.97 0.57 0.28 0.31 0.13 0.97 0.11 1.0 MaxEpoh=100 Bobot Akhir W1 1.0 1.0 1.0 1.0 1.0 1.0 1.0 0.0 1.0 0.0 0.91 0.95 0.0 0.91 0.0 1.0 0.0 1.0 0.09 0.0 0.05 0.95 0.14 0.0 1.0 0.09 0.0 1.0 1.0 0.05 Bobot Akhir W2 0.63 0.97 0.87 0.93 0.97 0.97 0.77 0.71 0.83 0.89 0.58 0.61 0.50 0.94 0.61 0.77 0.74 0.24 0.41 0.07 0.97 0.07 0.97 0.57 0.28 0.31 0.13 0.97 0.11 1.0 Hasil Pengenalan RA GA RA RA RA RA RA RA RA RA RA RA RA RA RA RA RA RA RA RA RA RA RA RA RA RA RA RA RA GA
|4
Berdasarkan hasil yang diperoleh pada Tabel 1 dapat dilihat bahwa ada 13 data yang tidak terbaca dengan benar oleh program dari 30 data yang diuji. Hal ini berarti tingkat akurasi ketepatan pengenalan data sekitar 56,61 % saja. 4. Penutup 4.1 Kesimpulan Pada penelitian ini komputer dapat mengenali bentuk dari aksara jawa Ra dan Ga dengan akurasi ketepatan pengenalan data sebesar 56,61 % dari 30 data yang diujikan. 4.2 Saran Berdasarkan hasil dari penelitian, jika ingin melakukan sebuah penelitian menggunakan metode ini disarankan agar mengumpulkan data lebih banyak dari penelitian yang telah dilakukan karena metode Learning Vector Quantization merupakan metode yang membutuhkan banyak sampel dalam pengujiannya. Hal ini perlu dilakukan untuk mendapat hasil yang lebih akurat dalam mengenali aksara jawa. DAFTAR PUSTAKA 1. Hidayat W., Perlindungan Pesan Rahasia Pada Citra Digital Menggunakan Metode Least Significant Bit Steganografi, Skripsi, Universitas Sumatera Utara, Medan, 2010.
rischanlab@gmail.com Rischan Mafrur sekarang masih menempuh pendidikan S1 di Teknik Informatika UIN Sunan Kalijaga, juga merupakan Founder Indocoding Team Project (Perusahaan yang bergerak di bidang proyek dan riset), riset yang sedang dilakukan adalah Android Porn Blocker (http://pornblock.developers.or.id), Embeded Set Top Box Android TV, Controling Smart Home with android & Arduino. Interest : web & mobile developers, research about machine learning Hobby : Ngoprek, Linux, penetration testing Github : http://github.com/rischanlab Fb : fb.com/rischan.mafrur Tw : @dWorldConqueror 2. Nama NIM : M. Andes Toni : 08650012
2. Sutojo T., Edy Mulyanto, dan Vincent Suhartono, 2010, Kecerdasan Buatan, Penerbit Andi, Yogyakarta. 3. Rakhmanullah A., Autentifikasi Pengenalan Pola Tanda Tangan Manual Menggunakan Jaringan Saraf Tiruan LVQ (Learning Vector Quantization) dan Tanda Tangan Digital Menggunakan Algoritma RSA (Riset Shamir Adleman), Skripsi, Fakultas Sains dan Teknologi UIN Maulana Malik Ibrahim, Malang. 4. Ramadona A., M. Nasrun, dan Bambang Siswoyo, Aplikasi Jaringan Syaraf Tiruan untuk Mengenali Angka dengan Metode Learning Vector Quantization. Teknik Informatika Fakultas Teknik dan Ilmu Komputer Universitas Komputer Indonesia, Bandung.
Seorang mahasiswa yang masih menempuh pendidikan S1 di UIN Sunan Kalijaga Yogyakarta, Jurusan Teknik Informatika. e-mail :
andestoni.muhammad@gmail.com
|5
3.
Nama NIM
5.
Nama NIM
Seorang mahasiswa yang sedang menempuh pendidikan S1 jurusan Teknik Informatika di UIN Sunan Kalijaga Yogyakarta. Sedang menekuni bidang yang berkaitan dengan Motion Detection. Facebook: facebook.com/sidecool Twitter : @sidecool 4. Nama NIM : Nur Shalahuddin Fajri : 09650050
Seorang mahasiswi Teknik Informatika UIN Sunan Kalijaga Yogyakarta angkatan 2009. Tertarik pada bidang jaringan dan kecerdasan buatan. Facebook : fb.com/anikmuhantini Twitter : @nik_myu
Seorang yang masih menempuh pendidikan sebagai mahasiswa S1 Teknik Informatika di UIN Sunan Kalijaga Yogyakarta. Tertarik pada penelitian tentang computer vision. Email: saladin.elfajr@gmail.com Blog: http://surgailmu.com Facebook: saladin.returns Twitter: mang_udien
|6