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