PENGENALAN HURUF UNTUK SANDI KOTAK MENGGUNAKAN...

PENGENALAN HURUF UNTUK SANDI KOTAK

MENGGUNAKAN METODE BACKPROPAGATION

SKRIPSI

Diajukan untuk Memenuhi Salah Satu Syarat

Memperoleh Gelar Sarjana Komputer

Program Studi Teknik Informatika

Oleh:

Oktaviani

NIM: 125314070

PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

2018

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

CHARACTER RECOGNATION OF SANDI KOTAK

USING BACKPROPAGATION METHOD

A THESIS

Presented as Partial Fulfillment of Requirements

To Obtain Sarjana Komputer Degree

In Informatics Engineering Department

By :

Oktaviani

125314070

INFORMATICS ENGINEERING STUDY PROGRAM

INFORMATICS ENGINEERING DEPARTMENT

FACULTY OF SCIENCE AND TECHNOLOGY

SANATA DHARMA UNIVERSITY

YOGYAKARTA

2018


iii


iv


v

MOTTO

“Memulai dengan penuh keyakinan

Menjalankan dengan penuh keikhlasan

Menyelesaikan dengan penuh kebahagiaan”

“Berjuang tanpa putus asa dan memetik buah manis di kemudian hari”


vi


vii


viii

ABSTRAK

Sandi Kotak adalah salah satu sandi yang digunakan dalam kegiatan

kepramukaan. Untuk mengenali suatu obyek dibutuhkan proses pembelajaran,

yang didapat melalui ciri-ciri dan pengalaman dalam mengamati suatu obyek yang

serupa. Metode yang bisa digunakan untuk mengenali pola tersebut salah satunya

adalah metode Jaringan Syaraf Tiruan Backpropagation.

Pada Backpropagation, dibentuk sebuah jaringan Syaraf Tiruan dengan

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

tersebut layer tersembunyi mempunyai fungsi aktivasi yang berpengaruh pada alat

tersebut.

Tujuan dari penelitian ini adalah mengetahui kemampuan metode

backpropagation dalam mengenali sandi kotak dan mengetahui berapa besar

prosentase keakuratan penggunaan metode Backpropagation dalam pengenalan

sandi kotak.

Pada penelitian ini digunakan pencirian menghitung mean dan standar

deviasi untuk histogram kolom, menghitung mean dan standar deviasi untuk

histogram baris, menghitung titik hitam pada segmentasi 9 kemudian menghitung

mean dan standar deviasinya. Hasil yang diperoleh adalah ketika menggunakan 6

ciri dengan tingkat keberhasilan sebesar 100%. Dari hasil yang diperoleh dalam

penelitian maka penelitian ini dinyatakan berhasil dalam membuktikan bahwa

metode backpropagation mampu mengenali sandi kotak.


ix

ABSTRACT

Sandi Kotak is one of the codes used in scouting activities. To recognize

an object requires a learning process, obtained through the characteristics and

experience in observing a similar object. Methods that can be used to recognize

the pattern one of them is Neural Network Backpropagation.

In backpropagation, a neural network formed with the structure of input

layer, hidden layer and output layer. In the network training the hidden layer has

an activation function that affects the tool.

The purpose of this research is to know the ability of backpropagation

method in recognizing Sandi Kotak and to know how big the percentage of

accuracy of using Backpropagation method in Sandi Kotak recognition.

This study used the calculation of the mean and standard deviation for the

column histogram, calculating the mean and standard deviation for the histogram

line, calculating the black dot on segmentation 9 then calculating the mean and

standard deviation. The results obtained are when using 6 feature with a success

rate of accuracy 100%. From the results obtained in the research, this research is

declared successful in proving that the backpropagation method is able to

recognize Sandi Kotak.


x

KATA PENGANTAR

Puji dan syukur penulis panjatkan kepada Tuhan Yang Maha Esa,

sehingga penulis dapat menyelesaikan tugas akhir dengan judul “Pengenalan

Huruf untuk Sandi Kotak menggunakan Metode Backpropagation”. Tugas akhir

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

memperoleh gelar sarjana computer program Teknik Informatika Universitas

Sanata Dharma Yogyakarta.

Pada kesempatan ini, penulis ingin mengucapkan terima kasih kepada

pihak-pihak yang telah membantu penulis selama penelitian maupun saat

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

sampaikan kepada:

1. Tuhan Yesus Kristus, atas kasih-Nya yang melimpah, penyertaan, dan

segala pertolongan yang diberikan dalam proses pembuatan tugas akhir.

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

tugas akhir sekaligus dosen pembimbing akademik, atas bimbingan, waktu

dan saran yang telah diberikan kepada penulis.

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

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

penulis.

4. Seluruh dosen Teknik Informatika atas ilmu yang diberikan selama kuliah.

5. Kedua orang tua penulis, Mamah dan Papah, serta kakak-kakak (Cici,

Yano, Rara, Roby, Vivin dan Lius) untuk dukungan, kasih sayang dan doa

yang mengiringi.

6. Kak Widodo yang telah memberikan bantuan dan saran dalam pembuatan

tugas akhir.

7. Sahabat-sahabat (Eva, Lia, Mery, Wegi, Daniel, Alex dan Andreas) yang

selalu memberikan support dalam menyelesaikan tugas akhir ini.


xi


xii

DAFTAR ISI

HALAMAN JUDUL………………………………………………………….i

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

MOTTO……………………………………………………………………….v

PERNYATAAN KEASLIAN KARYA……………………………………..vi

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

ABSTRAK……………………………………………………………………viii

KATA PENGANTAR……………………………………………………….x

DAFTAR ISI…………………………………………………………………xii

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

DAFTAR GAMBAR……………………………………………………….xv

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

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

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

1.3. Tujuan Penelitian…………………………………………….. 2

1.4. Manfaat………………….…………………………………….2

1.5. Batasan Masalah………………………………………………2

1.6. Sistematika Penulisan…………………………………………3

BAB II LANDASAN TEORI……………………………………………...4

2.1. Sandi Kotak……………………………………………………4

2.2. Pengolahan Citra Digital……………………………………...5

2.3. Jaringan Syaraf Tiruan………………………………………8

BAB III METODE PENELITIAN………………………………………18

3.1. Data……………………………………………………………18

3.2. Spesifikasi Perangkat………………………………………...19

3.3. Prosedur Kerja……………………………………………….20


xiii

3.4. Gambaran Umum Sistem……………………………………30

3.5. Rancangan Implementasi…………………………………….31

3.6. Model Desain…………………………………………………31

3.7. Skenario Pengujian…………………………………………..32

BAB IV HASIL UJI DAN ANALISIS…………………………………..33

4.1. Hasil Uji……………………………………………………....33

4.2. Testing Data Tunggal………………………………………..48

4.3. Analisis Data…………………………………………………50

BAB V PENUTUP………………………………………………………..51

5.1. Kesimpulan…………………………………………………...51

5.2. Saran……………………………………………………….....51

DAFTAR PUSTAKA…………………………………………….………52


xiv

DAFTAR TABEL

Tabel 2.1. Sandi Kotak………………………………………………………..5

Tabel 3.1. Motif Sandi Kotak………………………………………………...27

Tabel 3.2. Contoh target dan output………………………………………….28

Tabel 4.1. 3-Fold Cross Validation……………………………………….…..33

Tabel 4.2. Hasil Akurasi seluruh percobaan pengujian…………………….…34

Tabel 4.3. Output program jaringan backpropagation pada ciri 1………….…36



Tabel 4.6. Output program jaringan backpropagation pada ciri 4…………….39



Tabel 4.9. Output program jaringan backpropagation pada percobaan 2….….42

Tabel 4.10. Output program jaringan backpropagation pada percobaan 3……43




Tabel 4.14. Hasil Testing Data………………………………………………..48


xv

DAFTAR GAMBAR

Gambar 2.1. Arsitektur Jaringan Layar Tunggal……………………………..…10

Gambar 2.2. Arsitektur Jaringan Layar Jamak……………………………….....11

Gambar 2.3. Struktur Jaringan Backpropagation……………………………….12

Gambar 2.4. Fungsi Aktivasi Linier………………………………………….…13

Gambar 2.5. Fungsi Aktivasi Sigmoid Biner………………………………...…13

Gambar 2.6. Fungsi Aktivasi Sigmoid Bipolar…………………………………13

Gambar 3.1. Motif Sandi Kotak…………………………………………..……18

Gambar 3.2. Contoh Motif Sandi Kotak menggunakan Pensil dan Spidol….…19

Gambar 3.3. Blog Diagram Sistem………………………………………….….20

Gambar 3.4. Contoh Gambar Scan yang telah dipotong…………………….…21

Gambar 3.5. Perubahan Citra setelah dilakukan Complement………………....22

Gambar 3.6. Perubahan Citra setelah dilakukan thinning………………..…….22

Gambar 3.7. Contoh Citra dibagi menjadi 9 segmen……………………..……24

Gambar 3.8. Arsitektur 1 hidden layer……………………………………..….29

Gambar 3.9. User Interface Menu Utama…………………………………..…31

Gambar 4.1. Grafik Perubahan Akurasi…………………………………...…..35

Gambar 4.2. Grafik Perubahan Akurasi Ciri 1…………………………..……37

Gambar 4.3. Grafik Perubahan Akurasi Ciri 2………………………..………38

Gambar 4.4. Grafik Perubahan Akurasi Ciri 3………………………..………39


Gambar 4.6. Grafik Perubahan Akurasi Ciri 5…………………………..…....41


Gambar 4.8. Grafik Perubahan Akurasi Percobaan 2…………………..…….43

Gambar 4.9. Grafik Perubahan Akurasi Percobaan 3…………………...……44

Gambar 4.10. Grafik Perubahan Akurasi Percobaan 4…………………...…..45


xvi

Gambar 4.11. Grafik Perubahan Akurasi Percobaan 5……………….……..47

Gambar 4.12. Grafik Perubahan Akurasi Percobaan 6……………….……..48


1

BAB 1

PENDAHULUAN

1.1 Latar Belakang

Kata sandi berasal dari bahasa sansakerta yang artinya rahasia,

sandi adalah suatu kode rahasia dan hanya orang tertentu yang mengetahui

kerahasiaannya. Khususnya dalam kegiatan pramuka banyak dikenal

berbagai macam sandi, salah satunya ialah sandi kotak. Sandi kotak sendiri

mempunyai banyak variasi diantaranya sandi kotak I, sandi kotak II, sandi

kotak III dan sejenisnya.

Dalam kegiatan pramuka sandi digunakan untuk melatih diri dalam

menyelesaikan masalah namun tidak semua manusia dapat mengerti dan

menerjemahkan setiap sandi. Untuk menerjemahkan sebuah sandi ke

dalam huruf latin, seseorang harus mengetahui masing-masing kunci untuk

huruf latin. Tiap sandi memiliki kunci yang berbeda-beda untuk membuat

dan menerjemahkannya.

Telah dilakukan penelitian untuk konversi sandi kotak rangkap

(sandi kotak II) ke huruf latin dengan penerapan metode backpropagation,

jaringan syaraf tiruan oleh Letsoin (2010). Tujuan dari peneliti tersebut

untuk membuktikan apakah dengan metode backpropagation dapat

mengenali pola sandi kotak sehingga dapat digunakan untuk konversi ke

huruf latin. Hasil dari penelitian membuktikan bahwa metode

backpropagation dapat mengenali pola sandi kotak sehingga dapat

digunakan untuk konversi ke huruf latin dan mendapatkan presentase

ketepatan sebesar 75,6410%.

Berhubungan dengan masalah pengenalan pola, Jaringan Syaraf

Tiruan (JST) sudah banyak digunakan, misalnya untuk pengenalan huruf,

angka, suara dan untuk mengenali tanda tangan. Dalam JST terdapat


2

banyak metode yang dapat digunakan untuk mengenali pola. Berbeda

dengan penelitian yang dilakuan oleh Letsoin (2010), dalam tugas akhir ini

penulis melakukan penelitian untuk pengenalan huruf untuk sandi kotak I

menggunakan jaringan syaraf tiruan backpropagation.

1.2 Rumusan Masalah

a) Apakah pendekatan backpropagation mampu mengenali sandi

kotak dengan baik?

b) Berapa presentase keberhasilan pengenalan sandi kotak

menggunakan metode backpropagation?

1.3 Tujuan Penelitian

a) Mengetahui apakah metode backpropagation dapat mengenali

sandi kotak dengan baik.

b) Mengetahui persentase keberhasilan pengenalan sandi kotak

menggunakan metode backpropagation.

1.4 Manfaat

a) Bagi peneliti

Dapat mengetahui metode backpropagation dapat digunakan

sebagai alat dalam mengenali sandi kotak I.

b) Bagi peneliti lain

Dapat digunakan sebagai bahan studi untuk dikembangkan menjadi

alat yang lebih baik.

1.5 Batasan Masalah

Adapun batasan dalam sistem ini adalah.

a) Sistem ini hanya dapat melakukan konversi satu arah, yaitu bentuk

Sandi Kotak ke dalam bentuk huruf.

b) Format gambar yang digunakan bertipe .png


3

1.6 Sistematika Penulisan

BAB 1 PENDAHULUAN

Berisi latar belakang, rumusan masalah, tujuan, batasan

masalah, dan sistematika penulisan.

BAB 2 DASAR TEORI

Berisi landasan teori yang dipakai dalam pengenalan sandi

kotak, meliputi pengenalan sandi kotak, algoritma

backpropagation , dan jaringan syaraf tiruan.

BAB 3 METODE PENELITIAN

Bab ini berisi Metode Penelitian mengenai tahap-tahap

perancangan penelitian yang akan dibangun, meliputi

pengumpulan data, pemrosesan dan pengolahan data, dan

perancangan alat uji yang dibuat.

BAB 4 HASIL UJI DAN ANALISIS

Bab ini berisi hasil pengujian program yang telah dibuat

dan analisis dari keseluruhan pengujian.

BAB 5 PENUTUP

Bab ini berisi penutup yang merupakan kesimpulan dari

hasil program yang telah dibuat dan saran untuk penelitian

selanjutnya.


4

BAB 2

DASAR TEORI

Bab ini berisi mengenai teori-teori yang mendukung dalam

penelitian ini. Teori-teori yang digunakan dalam penelitian ini antara lain

mengenai sandi kotak, pengolahan citra digital, ekstraksi ciri dan jaringan

syaraf tiruan metode backpropagation. Metode backpropagation digunakan

untuk proses pengenalan dalam perancangan alat uji.

2. 1 Sandi Kotak

Sandi merupakan alat atau aksara yang digunakan untuk

berkomunikasi yang hanya diketahui oleh kelompok tertentu. Kata sandi

berasal dari bahasa sansakerta yang artinya rahasia, sandi adalah suatu

kode rahasia.

Secara umum, sandi dalam perkembangan teknologi saat ini dapat

diartikan sebagai hal yang berhubungan dengan pengamanan informasi

yang bersifat rahasia dan dilakukan secara terstruktur, sandi dibuat dengan

mempunyai tujuan tertentu.

Khususnya dalam kegiatan pramuka, sandi sudah banyak dikenal

dan digunakan untuk berkomunikasi dalam keadaan tertentu. Terdapat

banyak macam sandi yang dikenal dalam kepramukaan, salah satunya

ialah sandi kotak. Sandi kotak sendiri mempunyai banyak variasi

diantaranya sandi kotak I, sandi kotak II, dan sandi kotak III. Setiap sandi

kotak mempunyai rumus yang berbeda.

Dalam penelitian ini, sandi yang digunakan adalah sandi kotak I.

Sandi kotak I terdiri dari dua bagian. Bagian pertama berbentuk kotak-

kotak terdiri dari garis vertical dan garis horizontal dan bagian kedua

berbentuk tanda silang.

Sandi kotak berjumlah 26 motif (Chabib Rohman, 2016). Motif

sandi kotak dapat dilihat dari tabel dibawah ini.


5

Tabel 2.1. Sandi Kotak

A B C D

E F G H

I J K L

M N O P

Q R S T

U V W X

Y Z

2. 2 Pengolahan Citra Digital

Istilah pengolahan citra digital menyatakan “pemrosesan gambar

berdimensi dua melalui computer digital” (Jain,1989). Menurut Efford

(2000), pengolahan citra adalah istilah umum untuk berbagai teknik yang

keberadaannya untuk memanipulasi dan memodifikasi citra dengan

berbagai cara. Foto adalah contoh gambar berdimensi dua yang dapat

diolah dengan mudah. Setiap foto dalam bentuk citra digital (berasal dari

kamera digital) dapat diolah melalui perangkat lunak tertentu. Sebagai

contoh, apabila hasil bidikan kamera terlihat agak gelap, citra dapat diolah

menjadi lebih terang.

Sebuah citra digital adalah kumpulan piksel-piksel yang disusun

dalam larik dua dimensi. Indeks baris dan kolom (x,y) dari sebuah piksel


6

dinyatakan dalam bilangan bulat dan nilai-nilai tersebut mendefinisikan

suatu ukuran intensitas cahaya pada titik tersebut. Satuan atau bagian

terkecil dari suatu citra disebut piksel (picture element).

Proses yang dilakukan dari pembuatan aplikasi ini dimulai dari

preprocessing, ekstraksi ciri, kemudian hasil ekstraksi ciri dimasukkan ke

dalam pelatihan arsitektur jaringan syaraf tiruan, setelah itu akan diperoleh

model jaringan yang menghasilkan tingkat keberhasilan tertinggi, dan akan

dilakukan uji pada sebuah data yang telah di ekstraksi ciri.

1. Preprocessing

Preprocessing adalah pengolah citra menjadi bentuk dari citra lama

menjadi citra yang baru. Tujuan dari preprocessing diantaranya

adalah untuk menghilangkan noise, memperjelas features(fitur)

data, memperkecil/memperbesar ukuran data, dan mengkonversi

data asli agar diperoleh data yang sesuai kebutuhan. Beberapa yang

dilakukan adalah mengubah citra warna ke citra keabuan lalu ke

citra hitam putih. Citra warna adalah citra yang terbentuk atas

representasi 3 keping warna yaitu RGB (Red, Green, dan Blue).

Masing-masing dari keeping warna ini memiliki besar yang sama

dan mempresentasikan warna yang terdekat dengan intensitas 0-

225.

Citra keabuan adalah citra yang merupakan rerata dari 3

keping warna RGB yang dimampatkan menjadi warna keabuan

yang hanya memiliki 1 keping warna saja dengan intensitas 0-225.

Citra hitam putih atau citra biner adalah citra yang hanya memiliki

1 keping warna saja dengan intensitas 0-1.

2. Binerisasi

Binerisasi citra merupakan proses merubah citra ke dalam

bentuk biner (0 dan 1). Dengan merubah citra ke dalam bentuk


7

biner, citra hanya akan mempunyai dua warna yaitu hitam dan

putih.

Pembentukan citra biner memerlukan nilai batas keabuan

yang akan digunakan sebagai nilai patokan. Piksel dengan derajat

keabuan lebih besar dari nilai batas akan diberi nilai 1 dan

sebaliknya piksel dengan derajat keabuan lebih kecil dari nilai akan

diberi nilai 0.

Persamaan untuk binerisasi dapat dilihat pada rumus dibawah ini.

𝑓(𝑥, 𝑦)′ = {𝑎1, 𝑓(𝑥, 𝑦) < 𝑇

𝑎2, 𝑓(𝑥, 𝑦) ≥ 𝑇 …… (1)

Nilai 𝑎1 biasanya bernilai 0 dan nilai 𝑎2 bernilai 1.

3. Pengubahan Ukuran Citra

Pengubahan ukuran citra atau yang biasa disebut resizing

adalah mengubah ukuran citra menjadi sesuai dengan yang kita

butuhkan. Dalam matlab terdapat fungsi imresize yang

menggunakan metode interpolasi untuk pengubahan ukuran citra.

Interpolasi adalah perhitungan rerata nilai pixel yang bertetangga

untuk nantinya ditempatkan pada ukuran citra yang baru.

4. Penipisan Citra

Penipisan citra (thinning) merupakan operasi pemrosesan reduksi

citra biner yang dalam hal ini objek (region) menjadi rangka

(skeleton) yang menghampiri garis sumbu objek. Tujuan dari

penipisan citra ini adalah untuk mengurasi bagian yang tidak perlu

(redundant) sehingga dihasilkan informasi yang esensial saja.

5. Ciri Histogram

Histogram citra merupakan diagram yang menggambarkan

distribusi frekuensi nilai intensitas warna dalam suatu citra. Sumbu

horizontal merupakan nilai intensitas warna sedangkan sumbu


8

vertical merupakan frekuensi/jumlah piksel. Histogram dapat

merepresentasikan karakteristik dari suatu citra.

6. Segmentasi 9 Bagian

Segmentasi citra merupakan proses yang ditujukan untuk

mendapatkan objek-objek yang terkandung didalam citra atau

membagi citra kedalam beberapa daerah dengan setiap objek atau

daerah memiliki kemiripan atribut.

7. Ciri Intensitas dalam Segmen

Pada dasarnya intensitas citra bernilai 0 dan 1. Pada citra yang

sudah ke dalam bentuk biner dilakukan penjumlahan nilai

intensitas citra baik horizontal (baris) maupun vertical (kolom)

dalam tiap segmen.

Dalam penelitian ini proses yang dilakukan adalah mengubah citra

ke warna keabuan, setelah itu diubah ke citra hitam putih. Citra hitam

putih tersebut kemudian dilakukan binerisasi, pengubahan ukuran citra,

penipisan citra, ciri histogram, segmentasi 9 bagian, dan ciri intensitas

dalam segmen.

2. 3 Jaringan Syaraf Tiruan (Backpropagation)

Jaringan syaraf tiruan (JST) adalah system pemroses informasi

yang memiliki karakteristik mirip dengan jaringan syaraf biologi (Siang,

2009).

Jaringan syaraf tiruan dibentuk sebagai model matematika dari syaraf

biologis dengan asumsi bahwa:

1. Pemrosesan informasi terjadi pada neuron yang dianggap elemen

sederhana.

2. Sinyal dikirim melalui penghubung dari neuron satu ke neuron

selanjutnya.


9

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 atas ambang.

Jaringan syaraf tiruan ditentukan oleh 3 hal:

1. Pola hubungan antar neuron (disebut arsitektur jaringan)

2. Metode untuk menentukan bobot penghubung (disebut metode

training/learning/algoritma

3. Fungsi aktivasi

Beberapa arsitektur jaringan yang sering dipakai dalam jaringan syaraf

tiruan antara lain:

1. Jaringan Layar Tunggal (Single Layer Network)

Dalam jaringan ini, sekumpulan input neuron dihubungkan

langsung dengan sekumpulan outputnya. Dalam beberapa model

(misal perceptron), hanya ada sebuah unit neuron output.


10

Gambar 2.1. Arsitektur jaringan layar tunggal

Gambar 2.1 menunjukkan arsitektur jaringan dengan unit n unit

input (X₁,X₂, …, Xₙ) dan m buah unit output (Y₁,Y₂, …, Yₙ).

2. Jaringan Layar Jamak (Multi Layer Network)

Jaringan layar jamak merupakan perluasan dari layar

tunggal. Dalam jaringan ini, selain unit input dan output, ada unit-

unit lain (sering disebut layar tersembunyi). Dimungkinkan pula

ada beberapa layar tersembunyi. Sama seperti pada unit input dan

output, unit-unit dalam satu layar tidak saling berhubungan.


11

Gambar 2.2. Arsitektur jaringan layar jamak

Gambar 2.2 adalah jaringan dengan n buah unit input

(X₁,X₂, …, Xₙ), sebuah layar tersembunyi yang terdiri dari p buah

unit (Z₁,…, Zₚ) dan m buah unit output (Y₁,Y₂, …, Yₙ).

Jaringan layar jamak dapat menyelesaikan masalah yang

lebih kompleks dibandingkan dengan layar tunggal, meskipun

kadangkala proses pelatihan lebih kompleks dan lama.

3. Jaringan Recurrent

Model jaringan recurrent mirip dengan jaringan layar

tunggal ataupun ganda. Hanya saja, ada neuron output yang

memberikan sinyal pada unit input (sering disebut feedback loop).

Backpropagation (propagasi balik) adalah jaringan syaraf tiruan

yang menggunakan konsep jaringan berlapis jamak. Jaringan syaraf

propagasi balik terdiri dari lapisan masukan (input), lapisan keluaran

(output), dan lapisan diantara input dan output yang disebut lapisan

tersembunyi (hidden). Lapisan tersembunyi bisa terdiri lebih dari 1 lapis


12

dan ini dapat mempengaruhi proses training pada sebuah jaringan syaraf

tiruan.

Gambar 2.3. Struktur jaringan backpropagation

Dalam backpropagation, fungsi aktivasi yang dipakai harus memenuhi

beberapa syarat yaitu kontinu, terdiferensial dengan mudah dan merupakan

fungsi yang tidak turun. Fungsi aktivasi yang sering digunakan dalam

propagasi balik (Fatia, tanpa tahun) adalah:

1. Fungsi linier (identitas)

Fungsi linier memiliki nilai output yang sama dengan nilai

inputnya

Gambar 2.4. Fungsi Aktivasi Linier (Matlab, tanpa tahun)


13

2. Fungsi sigmoid biner

Fungsi sigmoid biner memiliki nilai pada range 0 sampai 1

Gambar 2.5. Fungsi Aktivasi Sigmoid Biner (Matlab, tanpa tahun)

3. Fungsi sigmoid bipolar

Fungsi sigmoid bipolar memiliki nilai pada range -1 sampai 1.

Gambar 2.6. Fungsi Aktivasi Sigmoid Bipolar (Matlab, tanpa tahun)

Proses pelatihan jaringan syaraf tiruan backpropagation meliputi 3 fase

(Siang, 2009) yaitu propagasi maju, propagasi mundur, dan perubahan bobot. Fase

pertama adalah fase propagasi maju, pola masukan dihitung maju mulai dari layar

masukan hingga layar keluaran menggunakan fungsi aktivasi yang ditentukan.

Fase kedua adalah fase propagasi mundur, selisih antara keluaran jaringan dengan

target yang diinginkan merupakan kesalahan yang terjadi. Kesalahan tersebut

dipropagasikan mundur, dimulai dari garis yang berhubungan langsung dengan

unit-unit dilayar keluaran. Fase ketiga adalah modifikasi bobot untuk menurunkan

kesalahan yang terjadi.


14

1. Fase I : Propagasi maju

Selama propagasi maju, sinyal masukan (=xᵢ) dipropagasikan ke layar

tersembunyi menggunakan fungsi aktivasi yang ditentukan. Keluaran dari

setiap unit layar tersembunyi (=zⱼ) tersebut selanjutnya dipropagasikan maju

lagi ke layar tersembunyi diatasnya menggunakan fungsi aktivasi yang

ditentukan. Demikian seterusnya sehingga menghasilkan keluaran jaringan

(=yₖ).

Berikutnya, keluaran jaringan (=yₖ) dibandingkan dengan target yang

harus dicapai (=tₖ). Selisih tₖ-yₖ adalah kesalahan yang terjadi. Jika kesalahan

ini lebih kecil dari batas toleransi yang ditentukan, maka iterasi dihentikan.

Akan tetapi apabila kesalahan masih lebih besar dari batas toleransinya, maka

bobot setiap garis dalam jaringan akan dimodifikasi untuk mengurangi

kesalahan yang terjadi.

2. Fase II : Propagasi mundur

Berdasarkan kesalahan tₖ-yₖ, dihitung factor ₖ (k=1,2,…,m) yang dipakai

untuk mendistribusikan kesalahan di unit yₖ ke semua unit tersembunyi yang

terhubung langsung dengan yₖ. ₖ juga dipakai untuk mengubah bobot garis

yang berhubungan langsung dengan unit keluaran.

Dengan cara yang sama, dihitung factor ⱼ di setiap unit dilayar

tersembunyi sebagai dasar perubahan bobot semua garis yang berasal dari unit

tersembunyi dilayar bawahnya. Demikian seterusnya hingga semua factor di

unit tersembunyi yang berhubungan langsung dengan unit masukan dihitung.

3. Fase III : Perubahan bobot

Setelah semua factor dihitung, bobot semua garis dimodifikasi

bersamaan. Perubahan suatu garis didasarkan atas factor neuron dilayar

atasnya. Sebagai contoh, perubahan bobot garis yang menuju ke layar

keluaran didasarkan atas ₖ yang ada di unit keluaran.

Ketiga fase tersebut di ulang-ulang terus hingga kondisi penghentian

dipenuhi. Umumnya kondisi penghentian yang sering dipakai adalah jumlah

iterasi atau kesalahan. Iterasi akan dihentikan jika jumlah iterasi yang


15

dilakukan sudah melebihi jumlah maksimum iterasi yang ditetapkan, atau jika

kesalahan yang terjadi sudah lebih kecil dari batas toleransi yang diijinkan.

Langkah langkah algoritma pelatihan untuk jaringan dengan satu layar

tersembunyi menurut Siang (Siang, 2009) adalah sebagai berikut:

Langkah 0 : Inisialisasi semua bobot dengan bilangan acak kecil

Langkah 1 : Jika kondisi oenghentian belum terpenuhi, 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 dan meneruskannya ke

unit tersembunyi diatasnya

Langkah 4 : Hitung semua keluaran di unit tersembunyi 𝑧𝑗 (𝑗 = 1,2, … , 𝑝)

𝑧_𝑛𝑒𝑡𝑗 = 𝑣𝑗0 + ∑ 𝑥𝑖𝑣𝑗𝑖𝑛𝑖=1 …….(2)

𝑧𝑗 = 𝑓(𝑧𝑛𝑒𝑡𝑗) =

1

1+ 𝑒−𝑧_𝑛𝑒𝑡𝑗

…….(3)

Langkah 5 : Hitung semua keluaran jaringan di unit 𝑦𝑘(𝑘 = 1,2, … , 𝑚)

𝑦_𝑛𝑒𝑡𝑘 = 𝑤𝑘0 + ∑ 𝑧𝑗𝑝𝑗=1 𝑤𝑘 𝑗……(4)

𝑦𝑘 = 𝑓 (𝑦𝑛𝑒𝑡𝑘) =

1

1+𝑒−𝑦_𝑛𝑒𝑡𝑘……..(5)

Fase II : Propagasi Mundur

Langkah 6 : Hitung factor unit keluaran berdasarkan kesalahan di setiap

unit keluaran 𝑦𝑘(𝑘 = 1,2, … , 𝑚)


16

𝛿𝑘 = (𝑡𝑘 − 𝑦𝑘)𝑓′(𝑦𝑛𝑒𝑡𝑘) = (𝑡𝑘 − 𝑦𝑘)𝑦𝑘(1 − 𝑦𝑘)….(6)

𝛿𝑘 merupakan unit kesalahan yang akan dipakai dalam perubahan bobot

layar dibawahnya (langkah 7)

Hitung suku perubahan bobot 𝑤𝑘𝑗 (yang akan dipakai nanti untuk merubah

bobot 𝑤𝑘𝑗 ) dengan laju percepatan

∆𝑤𝑘𝑗 = 𝛼 𝛿𝑘𝑧𝑗 ……(7)

k=1,2,…,m ; j=0,1,…,p

Langkah 7 : Hitung factor unit tersembunyi berdasarkan kesalahan

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

𝛿_𝑛𝑒𝑡𝑗 = ∑ 𝛿𝑘𝑚𝑘=1 𝑤𝑘𝑗 ………..(8)

Factor unit tersembunyi :

𝛿𝑗 = 𝛿_𝑛𝑒𝑡𝑗𝑓′ (𝑧𝑛𝑒𝑡𝑗) = 𝛿_𝑛𝑒𝑡𝑗 = 𝛿𝑛𝑒𝑡𝑗

𝑧𝑗(1 − 𝑧𝑗)…..(9)

Hitung suku perubahan bobot 𝑣𝑗𝑖 (yang akan dipakai nanti untuk merubah

bobot 𝑣𝑗𝑖)

∆𝑣𝑗𝑖 = 𝛼 𝛿𝑗𝑥𝑖 …………….(10)

j=1,2,…,p ; i=0,1,…,n

Fase III : Perubahan Bobot

Langkah 8 : Hitung semua perubahan bobot

Perubahan bobot garis yang menuju ke unit keluaran :

𝑤𝑘𝑗(𝑏𝑎𝑟𝑢) = 𝑤𝑘𝑗(𝑙𝑎𝑚𝑎) + ∆𝑤𝑘𝑗 …..(11)


17

(k=1,2,…,m ; j=0,1,…,p)

𝑣𝑗𝑖(𝑏𝑎𝑟𝑢) = 𝑣𝑗𝑖(𝑙𝑎𝑚𝑎) + ∆𝑣𝑗𝑖 ……(12)

(j=1,2,..p ; i=0,1,2,…,n)


18

BAB 3

METODE PENELITIAN

Bab ini berisi proses pengolahan data yang digunakan dalam penelitian,

prosedur yang dilakukan dalam proses ekstraksi ciri dan proses jaringan syaraf

tiruan, dan evaluasi nilai hasil pengenalan.

3. 1 Data

Data yang digunakan dalam pengenalan huruf untuk sandi kotak ini

berjumlah 26 karakter. Data gambar sandi kotak diambil melalui internet,

kemudian data dibuat tulis tangan menggunakan spidol dan pensil.

Gambar 3.1. 26 Motif Sandi Kotak I

Data sandi kotak dibuat dengan pensil dan spidol masing-masing sebanyak

26 karakter. Setiap motif sandi kotak ditulis sebanyak 3 kali menggunakan pensil

dan 3 kali menggunakan spidol. Jumlah masing-masing data untuk pensil dan

spidol adalah sebanyak 78, maka total data yang digunakan adalah 156 data.

Data dibuat dengan pensil dan spidol dengan tujuan membedakan

ketebalan dari tiap motif.


19

Gambar 3.2. Contoh Motif Sandi Kotak menggunakan pensil dan spidol

3. 2 Spesifikasi Perangkat

3.2.1 Hardware

Spesifikasi hardware adalah sebagai berikut :

a. Komputer/Laptop dengan spesifikasi

1) Processor Intel(R) Core(TM) i3-4030 CPU @ 1.90GHz

2) RAM 2.00 GB

3) System Type 64-bit

4) Windows 7 Ultimate

b. Scanner Canon (Mp 230)

3.2.2 Software

Software yang digunakan dalam sistem ini adalah

a. Microsoft Office

b. MATLAB R2017a.

c. Gimp 2


20

3. 3 Prosedur Kerja

Dalam penelitian ini dilakukan beberapa proses kerja yaitu pengolahan

data, preprocessing, ekstraksi ciri dan proses jaringan syaraf tiruan metode

backpropagation. Proses diawali dengan pengolahan data, preprocessing data,

mengambil ciri data sandi kotak, kemudian hasil ekstraksi ciri dimasukkan

kedalam pelatihan arsitektur jaringan syaraf tiruan dengan parameter yang

telah ditentukan. Dari hasil model jaringan tersebut sehingga diperoleh model

jaringan yang menghasilkan tingkat keberhasilan terbaik. Pada data yang telah

di ekstraksi ciri juga dilakukan pengujian data. Proses secara umum dapat

dilakukan dari blog diagram berikut.

Data Preprocessing Ekstraksi Ciri

BackpropagationOutput

Gambar 3.3. Blog Diagram Sistem

3.3.1. Data

Data dibuat dengan tulis tangan menggunakan pensil dan spidol.

Motif sandi kotak ditulis sebanyak 3 kali untuk pulpen dan sebanyak 3 kali

untuk spidol. Data dibuat menggunakan pulpen dan spidol untuk

mendapatkan perbedaan ketebalan motif sandi kotak.

1. Pengolahan data

Pengolahan data dilakukan dalam beberapa tahap. Tahap-tahap

tersebut antara lain :

a. Men-scan data

Men-scan data dilakukan untuk mengubah data dari tulisan tangan

dijadikan data digital dan dimasukkan ke dalam laptop.

b. Pemotongan data gambar


21

Pemotongan data gambar dilakukan dengan memotong gambar

yang telah di scan perhalaman untuk diambil permotifnya dan dijadikan

data digital yang lebih spesifik.

Gambar 3.4. Contoh gambar scan yang telah dipotong

Pada penelitian ini ukuran pemotongan gambar sebesar 140x140

permotifnya.

3.3.2. Preprocessing

Pada penelitian ini pemrosesan citra dilakukan dengan langkah-

langkah berikut:

1. Resizing citra

Pada langkah ini dilakukan pengubahan gambar berbentuk persegi

dengan ukuran 200x200. Hal ini dilakukan agar data yang dilakukan

agar semua data gambar berukuran sama.

2. Komplemen citra

Pada langkah ini dilakukan pengambilan complement dari gambar, hal

ini dilakukan untuk menemukan semua struktur yang kecil, sehingga

nilai-nilai piksel struktur lebih tinggi daripada latar belakang.


22

Gambar 3.5. Perubahan gambar setelah dilakukan complement

3. Mengubah citra warna

Pada penelitian ini dilakukan pengubahan dari citra warna ke citra

keabuan kemudian ke citra hitam putih. Pengubahan citra dari

grayscale ke dalam bentuk biner dilakukan dengan nilai threshold yang

ditentukan dengan menggunakan fungsi graythresh. Hasil dari proses

pada tiap layernya akan menghasilkan biner dengan nilai 0 dan 1.

4. Penipisan citra

Penipisan citra dilakukan untuk mengubah ukuran citra menjadi lebih

kecil karena hanya informasi penting saja yang diambil. Penipisan

citra juga dapat mengurangi penggunaan memori, memudahkan

analisis struktur sebuah obyek dan dapat digunakan untuk klasifikasi

pada pengenalan pola.

Gambar 3.6. Perubahan gambar setelah dilakukan thinning


23

3.3.3. Ekstraksi Ciri

Pada penelitian ini pengambilan ciri citra diambil menggunakan

diagram yang menggambarkan distribusi frekuensi nilai intensitas warna

dalam suatu citra yang biasa disebut histogram (Praveen Kumar, Shivangi

Garg, Sandeep Tiwari, 2012). Dari histogram tersebut diambil nilai mean

(rata-rata) dan nilai standar deviasi.

Pengambilan ciri juga dilakukan menggunakan algoritma intensitas

karakter. Intensitas karakter digunakan untuk menghitung nilai piksel

hitam pada sebuah citra. Pada proses ini dilakukan pembagian citra ke

beberapa segmen yang lebih kecil, pembagian citra ini dimaksudkan untuk

mempermudah dalam pencirian gambar. Pada penelitian ini citra dibagi

menjadi 9 segmen. Intensitas karakter digunakan pada setiap segmen yang

telah dibagi menjadi 9. Proses ektraksi ciri menggunakan inputan

citra/gambar sandi kotak yang berjumlah 156 motif sandi. Dalam

melakukan proses ekstraksi ciri dilakukan dengan beberapa tahap, yaitu:

a. Mengambil ciri histogram kolom

b. Mengambil ciri histogram baris

c. Menghitung nilai mean dari histogram baris dan kolom

d. Menghitung nilai standar deviasi dari histogram baris dan kolom

e. Membagi citra menjadi 9 segmen

f. Mencirikan citra pada tiap segmen menggunakan IOC (Intencity Of

Character) untuk menghitung nilai piksel hitam (black)

g. Menghitung nilai mean dan standar deviasi dari segmen 9.


24

Gambar 3.7. Contoh Citra dibagi menjadi 9 segmen

Output yang dihasilkan dari proses ekstraksi ciri adalah nilai dari mean

dan standar deviasi. Untuk mendapatkan jaringan yang optimal terlebih dahulu

kita mengetahui ekstraksi ciri yang optimal pula. Dalam penelitian ini dilakukan

kombinasi ciri (feature) untuk dapat menghasilkan ekstraksi ciri yang

menghasilkan tingkat keberhasilan tertinggi.

Berikut adalah langkah-langkah dalam ekstraksi ciri:

1. Fungsi Ambil Fitur

a) Mulai

b) Membaca citra gambar yang akan melakukan proses

ekstraksi ciri

c) Mengambil nilai histogram kolom dengan menjumlah nilai-

nilai pada matrik citra

d) Mengambil nilai histogram baris dengan menjumlah nilai

pada setiap baris dari matrik citra


25

e) Menghitung nilai mean dan standar deviasi dari histogram

kolom

f) Menghitung nilai mean dan standar deviasi dari histogram

baris

g) Untuk mendapatkan ciri segmentasi 9, citra dibagi menjadi

9 bagian. Menghitung banyak garis dan kolom pada citra

yang telah dibaca.

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

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

i) Membuat citra baru yang bernama im1 dari baris 1 sampai

r3 dan dari kolom 1 sampai c3

j) Membuat citra baru bernama im2 dari baris 1 sampai r3

dari kolom c3+1 sampai 2xc3

k) Membuat citra baru bernama im3 dari baris 1 sampai r3 dan

dari kolom 2xc3+1 sampai akhir dari kolom

l) Membuat citra baru bernama im4 dari baris r3+1 sampai

2xr3 dan kolom 1 sampai c3

m) Membuat citra baru bernama im5 dari baris r3+1 sampai

2xr3 dan dari kolom c3+1 sampai 2xc3

n) Membuat citra baru bernama im6 berukuran dari baris r3+1

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

kolom

o) Membuat citra baru bernama im7 dari baris 2xr3+1 sampai

akhir baris dari baris dan kolom 1 sampai c3

p) Membuat citra baru bernama im8 dari baris 2xr3+1 sampai

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

q) Membuat citra baru bernama im9 dari baris 2xr3+1 sampai

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

kolom

r) Menyediakan keluaran berupa citra baru im1, im2, im3,

im4, im5, im6, im7, im8, im9


26

s) Menghitung titik hitam yang ada pada setiap baris dan

kolom dalam setiap segmen 1 sampai dengan segmen 9.

t) Setelah didapatkan nilai titik hitam pada setiap segmen, lalu

menghitung nilai mean dan standar deviasi dari setiap

segmen.

u) Selesai

2. Intencity Of Character

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 kolom lakukan langkah g)

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 tambah nilai counter

sebanyak 1

g) Selesai

3.3.4. Backpropagation

Mengambil data set ciri DataLatihSandiKotak menggunakan fungsi load

dan menormalisasi data tersebut. Membuat target data dan dimasukkan ke variable

t.

Untuk melakukan pelatihan alat yang telat dibuat, pertama-tama dibuat

sebuah jaringan backpropagation. Pada penelitian ini ada 6 data untuk setiap

motifnya dan ada 26 motif jadi total semua huruf ada 156 motif. Untuk data

pelatihan digunakan 4 data untuk setiap motif. Karena ada 26 motif maka total

data motif sandi kotak yang digunakan untuk pelatihan ada sebanyak 104 motif.


27

Target yang telah disiapkan sebanyak 26 target karena terdapat 26 motif sandi

kotak yang berupa matriks.

Percobaan pelatihan dalam penelitian ini dilakukan sebanyak 6 kali, setiap

percobaan dilakukan perubahan ciri yang dipakai untuk melihat peningkatan

akurasinya saat pengujian.

Arsitektur yang digunakan dalam penelitian ini adalah arsitektur dengan

satu hidden layer.

1. Arsitektur Jaringan Syaraf Tiruan 1 hidden layer

Contoh dengan menggunakan 6 ciri dengan inputan hasil ekstraksi ciri

berjumlah 104, menggunakan 1 hidden layer dengan jumlah neuron pada

hidden layer 1 sebanyak j, dan jumlah output sebanyak 26 berupa huruf latin.

Motif sandi kotak berjumlah sebanyak 26, contoh motif dapat dilihat pada

gambar dibawah:

Tabel 3.1. 26 motif sandi kotak

Ciri yang digunakan adalah sebagai berikut:

1. Nilai mean dari histogram baris

2. Nilai standar deviasi dari histogram baris

3. Nilai mean dari histogram kolom


28

4. Nilai standar deviasi dari histogram kolom

5. Nilai mean dari IOC (Intencity Of Character) Segmen 9

6. Nilai standar deviasi dari IOC (Intencity Of Character) Segmen 9

Tabel 3.2. Contoh target dan output

Target Output

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0


29

0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

Gambar 3.8. Arsitektur 1 hidden layer

3.3.5. Analisis data

Menganalisa hasil uji dari alat yang telah dibuat. Alat yang

telah dibuat dikatakan berhasil jika:


30

1. Ada tulisan tangan motif sandi kotak yang dapat terdeteksi dan

dapat dikenali.

2. Presentase akurasi dari fungsi yang diterapkan lebih dari atau

sama dengan 75% (75%)

𝑎𝑘𝑢𝑟𝑎𝑠𝑖 = 𝑏𝑎𝑛𝑦𝑎𝑘 𝑑𝑎𝑡𝑎 𝑏𝑒𝑛𝑎𝑟

𝑡𝑜𝑡𝑎𝑙 𝑑𝑎𝑡𝑎 x 100%

3. 4 Gambaran Umum Sistem

Rancangan sistem backpropagation pada penelitian ini meliputi data

input yang merupakan data ciri dari sandi kotak yang dipakai. Untuk

hidden layer hanya digunakan 1 hidden layer yang jumlah neuron

bervariasi mulai dari 5,10… dilanjutkan dengan kelipatan 5 hingga 30.

Keluarannya ada 26 karena target berupa matriks 26x1 yang akan

dicocokkan pada target masing-masing motif. Rancangan ini sudah

memenuhi rancangan sebuah jaringan backpropagation yang memiliki 3

komponen yaitu input, hidden layer, dan output.

Sistem yang dibangun akan dipakai untuk mengenali sandi kotak

menggunakan metode backpropagation. Motif yang dapat dikenali adalah

26 motif sandi kotak.

Citra tulisan tangan sandi kotak di format .png. Citra yang akan

dilakukan preprocessing awalnya berupa citra warna, dilakukan perubahan

dari citra warna menjadi citra biner hitam putih. Setelah diubah menjadi

citra biner maka dilakukan perubahan ukuran citra menjadi berukuran

200x200 piksel. Citra yang ukurannya telah berubah akan ditipiskan,

kemudian citra yang telah ditipiskan tersebut disegmentasi menjadi 3x3

segmen. Setelah di segmentasi akan dilakukan ekstraksi ciri dimana setiap

segmen dari sebuah citra akan diambil cirinya menggunakan algorutma

intensitas karakter. Ciri yang digunakan juga diambil dari histogram, ciri

yang diambil adalah mean dan standar deviasi dari histogram kolom, mean

dan standar deviasi dari histogram baris.

Ciri yang telah didapatkan dari sebuah citra akan dimasukkan kedalam

sistem jaringan syaraf tiruan.


31

3. 5 Rancangan Implementasi

Dalam penelitian ini dibuat beberapa script untuk mengolah citra,

membagi citra dalam segmen, mengambil ciri standar deviasi dari

histogram kolom dan histogram baris, mengambil ciri rata-rata dari

histogram kolom dan histogram baris, mengambil ciri intensitas of

character, mengambil data ciri, membuat target, membagi target, pola

jaringan, testing dan akurasi.

3. 6 Model Desain

Pada penelitian ini dibuat sebuah rancangan user interface atau

tampilan desktop sehingga pengguna akan lebih mudah melihat hasil dari

jalannya program. Rancangan user interface dapat dilihat pada gambar.

1. Menu Utama

Gambar 3.9. Interface Menu Utama


32

3. 7 Skenario Pengujian

Pengujian dilakukan dengan membagi data untuk training dan testing.

Jumlah data yang digunakan 156 motif dimana pada tiap hurufnya terdapat

6 data motif sandi kotak. Pembagian dilakukan dengan menggunakan 4

motif data ciri pada setiap motifnya sebagai data training dan 2 motif data

ciri pada setiap motifnya sebagai data testing. Jadi total data training

sebanyak 104 motif dan data testing sebanyak 52 motif sandi kotak.

Percobaan akan dilakukan sebanyak 6 kali dengan menggunakan ciri 1

sampai ciri 6 berikut:

1. Kombinasi pertama menggunakan ciri 1

2. Kombinasi kedua menggunakan ciri 1 dan ciri 2

3. Kombinasi ketiga menggunakan ciri 1, ciri 2 dan ciri 3.

4. Kombinasi keempat menggunakan ciri 1, ciri 2, ciri 3, dan ciri 4.

5. Kombinasi kelima menggunakan ciri 1, ciri 2, ciri 3, ciri 4, dan ciri 5.

6. Kombinasi keenam menggunakan ciri 1, ciri 2, ciri 3, ciri 4, ciri 5, dan

ciri 6.

Pada saat akan melatih data telah disiapkan struktur jaringan

menggunakan satu lapisan tersembunyi dengan jumlah unit neuron 5,10,…

sampai dengan 30.

Setelah proses training selesai maka akan dilakukan proses testing

dimana data testing akan dimasukkan menggunakan struktur jaringan yang

sama dengan struktur jaringan trainingnya. Setelah itu akan dilihat apakah

akurasi dari pengenalan data testing tersebut sudah memenuhi atau belum.

Jika sudah ditemukan akurasi yang terbaik maka struktur jaringan yang

terbaik dan kombinasi ciri terbaik akan digunakan untuk menguji data

tunggal yang telah disiapkan.


33

BAB 4

HASIL UJI DAN ANALISIS

Dalam bab ini berisi mengenai hasil penelitian dan analisis hasil penelitian

dari sistem yang telah dibuat. Hasil penelitian besisi perbandingan akurasi yang di

peroleh dari percobaan metode backpropagation berdasarkan jumlah unit hidden

layer yang digunakan.

4.1 Hasil Uji

Pada penelitian ini, data total yang digunakan adalah sebanyak 156 motif

sandi kotak. Dengan pembagian data yang digunakan untuk data latih adalah

sebanyak 104 motif sandi kotak dan untuk data uji adalah sebanyak 52 motif

sandi kotak.

Metode pembagian data pelatihan dan pengujian arsitektur JST yang

digunakan adalah 3-Fold Cross Validation, data yang berjumlah 156 dibagi

menjadi 3 bagian. Dari 3 bagian tersebut akan dilakukan 3 kali percobaan

dalam proses pelatihan dan pengujian arsitektur JST. Berikut tabel penggunaan

bagian dalam setiap percobaan:

Tabel 4.1. 3-Fold Cross Validation

Percobaan Training Testing

1 1,2 3

2 1,3 2

3 2,3 1

Peneliti melakukan percobaan dengan menggunakan 6 ciri. Pada setiap

percobaan dilakukan dengan hanya menggunakan 1 ciri sampai dengan

menggunakan 6 ciri. Setelah dilakukan percobaan terlihat ada peningkatan

akurasi pada setiap penambahan ciri. Ciri yang digunakan adalah sebagai

berikut:


34

1. Ciri 1 adalah nilai mean dari histogram kolom

2. Ciri 2 adalah nilai standar deviasi dari histogram kolom

3. Ciri 3 adalah nilai mean dari histogram baris

4. Ciri 4 adalah nilai standar deviasi dari histogram baris

5. Ciri 5 adalah nilai mean dari ciri IoC yang didapat dari 9 segmen

6. Ciri 6 adalah nilai standar deviasi dari ciri IoC yang didapan dari 9 segmen

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

No Ciri Jumlah Neuron

Akurasi (%) Hidden Layer 1

1 Ciri 1 20 13,46

2 Ciri 1 dan ciri 2 30 63,46

3 Ciri 1, ciri 2, ciri 3 30 90,38

4 Ciri 1, ciri 2, ciri 3,

ciri 4

15 98,15

5 Ciri 1,ciri 2, ciri 3,

ciri 4, ciri 5

25 100

6 Ciri 1, ciri 2, ciri 3,

ciri 4, ciri 5, ciri 6

5 100

Dari tabel 4.1 dapat dilihat akurasi tertinggi ada pada kombinasi ciri 5 dengan

jumlah unit neuron 25 mendapatkan akurasi 100% dan ciri 6 dengan jumlah unit

neuron 5 mendapatkan akurasi 100%. Perubahan naik turunnya akurasi dapat

dilihat lebih jelas pada grafik berikut:


35

Gambar 4.1. Grafik Perubahan Akurasi

Adapun hasil dari setiap percobaan dapat dideskripsikan sebagai berikut:

1. Percobaan 1

Pada percobaan 1 dilakukan sebanyak 6 kali dengan menggunakan masing-

masing 1 ciri. Berikut adalah ciri yang digunakan dalam percobaan 1.

a. Ciri 1 adalah nilai mean dari histogram kolom

b. Ciri 2 adalah nilai standar deviasi dari histogram kolom

c. Ciri 3 adalah nilai mean dari histogram baris

d. Ciri 4 adalah nilai standar deviasi dari histogram baris

e. Ciri 5 adalah nilai mean dari ciri IoC yang didapat dari 9

segmen

f. Ciri 6 adalah nilai standar deviasi dari ciri IoC yang didapan

dari 9 segmen

Hal yang diambil adalah jumlah lapisan tersembunyi ada 1, jumlah unit

neuron pada lapisan tersembunyi adalah 5,10,…, sampai dengan 30.

Jumlah iterasi yang dilakukan adalah sebanyak 100 kali.

13.46

63.46

90.38 98.15 100 100

0

20

40

60

80

100

120

Ciri 1 Ciri 2 Ciri 3 Ciri 4 Ciri 5 Ciri 6

Aku

rasi

Grafik Perubahan Akurasi


36

Dari percobaan dengan menggunakan ciri 1 yaitu nilai mean dari histogram

kolom telah didapatkan hasil sebagai berikut

Tabel 4.3 Output program jaringan backpropagation pada ciri 1

Hidden

Layer 1

Total Data Data Benar Akurasi

(%)

Epochs

5 104 12 11,53 10

10 104 10 9.61 5

15 104 12 11.53 4

20 104 14 13.46 3

25 104 14 13.46 3

30 104 10 9.61 3

Dapat dilihat dari data tabel 4.2 diatas bahwa ciri 1 mendapatkan

akurasi tertinggi pada hidden layer 1 dengan jumlah neuron 20 dan 25

yaitu 13.46%. Perubahan naik turun tingkat akurasi dapat dilihat pada

grafik diberikut ini:

Gambar 4.2. Grafik Perubahan Akurasi Ciri 1

0%

2%

4%

6%

8%

10%

12%

14%

16%

5 10 15 20 25 30

Aku

rasi

Jumlah Neuron



37

Dari percobaan dengan menggunakan ciri 2 yaitu nilai standar deviasi dari

histogram kolom telah didapatkan hasil sebagai berikut


Hidden

Layer 1


(%)

Epochs

5 104 6 5.76 19

10 104 8 7.69 11

15 104 6 5.76 8

20 104 6 5.76 7

25 104 6 5.76 6

30 104 10 9.61 6


akurasi tertinggi pada hidden layer 1 dengan jumlah neuron 30 yaitu

9.61%. Perubahan naik turun tingkat akurasi dapat dilihat pada grafik

diberikut ini:


0%

2%

4%

6%

8%

10%

12%

5 10 15 20 25 30

Aku

rasi

Jumlah Neuron



38

Dari percobaan dengan menggunakan ciri 3 yaitu nilai mean dari histogram

baris telah didapatkan hasil sebagai berikut


Hidden

Layer 1


(%)

Epochs

5 104 6 5.76 11

10 104 8 7.69 7

15 104 6 5.76 5

20 104 0 0 5

25 104 4 3.84 5

30 104 4 3.84 5


akurasi tertinggi pada hidden layer 1 dengan jumlah neuron 10 yaitu

7.69%. Perubahan naik turun tingkat akurasi dapat dilihat pada grafik

diberikut ini:


0%

1%

2%

3%

4%

5%

6%

7%

8%

5 10 15 20 25 30

Aku

rasi

Jumlah Neuron



39


histogram baris telah didapatkan hasil sebagai berikut


Hidden

Layer 1


(%)

Epochs

5 104 6 5.76 23

10 104 6 5.76 14

15 104 6 5.76 10

20 104 4 3.84 8

25 104 4 3.84 7

30 104 4 3.84 7


akurasi tertinggi pada hidden layer 1 dengan jumlah neuron 5,10 dan 15

yaitu 5.76%. Perubahan naik turun tingkat akurasi dapat dilihat pada grafik

diberikut ini:


0%

1%

2%

3%

4%

5%

6%

5 10 15 20 25 30

Aku

rasi

Jumlah Neuron



40

Dari percobaan dengan menggunakan ciri 5 yaitu nilai mean dari

segmentasi 9 telah didapatkan hasil sebagai berikut


Hidden

Layer 1


(%)

Epochs

5 104 4 3.84 25

10 104 4 3.84 17

15 104 4 3.84 14

20 104 4 3.84 11

25 104 4 3.84 10

30 104 4 3.84 8


akurasi yang sama pada setiap jumlah neuron yaitu 3.84%. Perubahan naik

turun tingkat akurasi dapat dilihat pada grafik diberikut ini:


0%

1%

1%

2%

2%

3%

3%

4%

4%

5 10 15 20 25 30

Aku

rasi

Jumlah Neuron



41


segmentasi 9 telah didapatkan hasil sebagai berikut


Hidden

Layer 1


(%)

Epochs

5 104 4 3.84 6

10 104 4 3.84 2

15 104 4 3.84 1

20 104 4 3.84 1

25 104 4 3.84 1

30 104 4 3.84 2


akurasi yang sama pada setiap jumlah neuron yaitu 3.84%. Perubahan naik

turun tingkat akurasi dapat dilihat pada grafik diberikut ini:


0%

1%

1%

2%

2%

3%

3%

4%

4%

5 10 15 20 25 30

Aku

rasi

Jumlah Neuron



42

2. Percobaan 2

Pada percobaan 2 dilakukan menggunakan 2 ciri yaitu nilai mean dari

histogram kolom dan standar deviasi dari histogram kolom. Hal yang

diambil adalah jumlah lapisan tersembunyi ada 1, jumlah unit neuron pada

lapisan tersembunyi adalah 5,10,…, sampai dengan 30. Jumlah iterasi yang

dilakukan adalah sebanyak 100 kali. Dari percobaan 2 telah didapatkan

hasil sebagai berikut.

Tabel 4.9 Output jaringan backpropagation pada percobaan 2

Hidden

Layer 1


(%)

Epochs

5 104 46 44.23 19

10 104 50 48.07 13

15 104 50 48.07 10

20 104 52 50 8

25 104 53 50.96 7

30 104 66 63.46 7

Dapat dilihat dari data tabel 4.2 diatas bahwa percobaan 2

mendapatkan akurasi tertinggi pada hidden layer 1 dengan jumlah neuron

30 yaitu 63.46%. Perubahan naik turun tingkat akurasi dapat dilihat pada

grafik diberikut ini:


43

Gambar 4.8. Grafik Perubahan Akurasi Percobaan 2

3. Percobaan 3


histogram kolom, standar deviasi dari histogram kolom, dan nilai mean dari

histogram baris. Hal yang diambil adalah jumlah lapisan tersembunyi ada

1, jumlah unit neuron pada lapisan tersembunyi adalah 5,10,…, sampai

dengan 30. Jumlah iterasi yang dilakukan adalah sebanyak 100 kali. Dari

percobaan 3 telah didapatkan hasil sebagai berikut.


Hidden

Layer 1


(%)

Epochs

5 104 86 82.69 19

10 104 87 83.65 13

15 104 84 80.76 11

20 104 84 80.76 9

25 104 86 82.69 8

30 104 94 90.38 8

0%

10%

20%

30%

40%

50%

60%

70%

5 10 15 20 25 30

Aku

rasi

Jumlah Neuron



44

Dapat dilihat dari data tabel 4.3 diatas bahwa percobaan 3 mendapatkan

akurasi tertinggi pada hidden layer 1 dengan jumlah neuron 30 yaitu 90.38%.

Perubahan naik turun tingkat akurasi dapat dilihat pada grafik diberikut ini:


4. Percobaan 4


histogram kolom, standar deviasi dari histogram kolom, nilai mean dari

histogram baris dan nilai standar deviasi dari histogram baris. Hal yang

diambil adalah jumlah lapisan tersembunyi ada 1, jumlah unit neuron pada

lapisan tersembunyi adalah 5,10,…, sampai dengan 30. Jumlah iterasi yang

dilakukan adalah sebanyak 100 kali. Dari percobaan 4 telah didapatkan

hasil sebagai berikut.


Hidden

Layer 1


(%)

Epochs

5 104 94 90.38 20

10 104 102 98.07 15

74%

76%

78%

80%

82%

84%

86%

88%

90%

92%

5 10 15 20 25 30

Aku

rasi

Jumlah Neuron



45

15 104 100 96.15 12

20 104 102 98.07 11

25 104 98 94.23 10

30 104 101 97.11 9



10 dan 20 yaitu 98.07%. Perubahan naik turun tingkat akurasi dapat dilihat

pada grafik diberikut ini:


5. Percobaan 5



histogram baris, nilai standar deviasi dari histogram baris dan nilai mean

dari ciri IoC segmen 9. Hal yang diambil adalah jumlah lapisan

tersembunyi ada 1, jumlah unit neuron pada lapisan tersembunyi adalah

86%

88%

90%

92%

94%

96%

98%

100%

5 10 15 20 25 30

Aku

rasi

Jumlah Neuron



46

5,10,…, sampai dengan 30. Jumlah iterasi yang dilakukan adalah sebanyak

100 kali. Dari percobaan 5 telah didapatkan hasil sebagai berikut


Hidden

Layer 1


(%)

Epochs

5 104 102 98.07 28

10 104 102 98.07 16

15 104 102 98.07 13

20 104 102 98.07 11

25 104 104 100 11

30 104 104 100 5



25 dan 30 yaitu 100%. Perubahan naik turun tingkat akurasi dapat dilihat

pada grafik diberikut ini:


97%

98%

98%

99%

99%

100%

100%

101%

5 10 15 20 25 30

Aku

rasi

Jumlah Neuron



47

6. Percobaan 6



histogram baris, nilai standar deviasi dari histogram baris, nilai mean dari

ciri IoC segmen 9 dan nilai standar deviasi dari ciri IoC segmen 9. Hal

yang diambil adalah jumlah lapisan tersembunyi ada 1, jumlah unit neuron

pada lapisan tersembunyi adalah 5,10,…, sampai dengan 30. Jumlah iterasi

yang dilakukan adalah sebanyak 100 kali. Dari percobaan 6 telah

didapatkan hasil sebagai berikut


Hidden

Layer 1


(%)

Epochs

5 104 104 100 28

10 104 104 100 16

15 104 104 100 12

20 104 104 100 11

25 104 104 100 10

30 104 104 100 10


mendapatkan akurasi tertinggi pada hidden layer 1 yaitu 100% pada setiap

unit neuron yang ditentukan. Perubahan naik turun tingkat akurasi dapat

dilihat pada grafik diberikut ini:


48


4.2 Testing Data Tunggal

Pada penelitian ini dilakukan pula testing data tunggal dengan

menggunakan 2 data dari setiap hurufnya, jadi total data yang digunakan untuk

testing data tunggal ada 52 motif. Karena hasil terbaik merupakan pada percobaan

6 dengan menggunakan semua ciri maka yang akan digunakan sebagai acuan

pengujian adalah percobaan 6. Hasil testing data tersebut sebagai berikut.

Tabel 4.14 Hasil testing data

No

Input

Output

Dikenali

Tidak

dikenali

Akurasi

Motif 1 Motif 2

1 A A A 2 0 100%

2 B B B 2 0 100%

3 C C C 2 0 100%

4 D D D 2 0 100%

5 E E E 2 0 100%

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%

5 10 15 20 25 30

Series 1

Series 1


49

6 F F F 2 0 100%

7 G G G 2 0 100%

8 H H H 2 0 100%

9 I I I 2 0 100%

10 J J J 2 0 100%

11 K K K 2 0 100%

12 L L L 2 0 100%

13 M M M 2 0 100%

14 N N N 2 0 100%

15 O O O 2 0 100%

16 P P P 2 0 100%

17 Q Q Q 2 0 100%

18 R R R 2 0 100%

19 S S Y 1 1 50%

20 T W T 1 1 50%

21 U U U 2 0 100%

22 V V V 2 0 100%

23 W W W 2 0 100%

24 X X X 2 0 100%

25 Y Y Y 2 0 100%

26 Z S Z 1 1 50%

Jumlah 49 3

Rata-rata akurasi

Pada hasil percobaan diatas memperoleh hasil dengan total data yang

dikenali ada sebanyak 49 motif dan yang tidak dikenali sebanyak 3 motif.


50

4.3 Analisis Data

Setelah melakukan percobaan sebanyak 6 kali dengan menambah ciri yang

digunakan terlihat adanya perubahan akurasi ketika dilakukan perubahan tersebut.

Hasil terbaik dari percobaan yang dilakukan dapat dilihat pada tabel 4.5, dengan

banyaknya data yang terbaca terdapat pada percobaan 6 sebanyak 104 motif dari

104 motif dengan akurasi 100% dengan menggunakan 6 ciri.

Dapat dilihat pula data yang terbaca paling sedikit terdapat pada percobaan

1 sebanyak 10 motif dari 104 motif dengan akurasi 9.61% dengan menggunakan 1

ciri. Dari data tersebut dapat dikatakan bahwa alat ini dapat mengenali motif sandi

kotak.

Dengan dilakukannya perubahan atau penambahan ciri pada jaringan

syaraf tiruan didapatlah peningkatan presentase untuk data dengan menggunakan

6 ciri. Jadi untuk meningkatkan presentase keberhasilan dapat dilakukan dengan

penggunakan ciri dan banyaknya neuron.

Dilakukan juga pengujian terhadap data tunggal untuk melihat hasil dari

pelatihan jaringan yang dilakukan. Dari pengujian tersebut didapatkan hasil yang

baik, ada 49 motif yang dapat dikenali dan 2 motif yang tidak dapat dikenali.

Dari hasil yang diperoleh dari penelitian ini tentang pengenalan huruf

menggunakan sandi kotak menggunakan metode backpropagation maka diketahui

bahwa:

1) Pada penelitian ini terdapat 104 motif sandi kotak yang dapat terdeteksi dan

dikenali, maka dapat dikatakan algoritma backpropagation dapat mengenali

motif sandi kotak.

2) Presentase akurasi pada penelitian ini adalah sebesar 100%.

Maka dapat dikatakan penelitian ini berhasil karena sudah memenuhi tujuan

penelitian karena tingkat akurasi keberhasilan sudah melebihi 80% presentase

keberhasilan.


51

BAB 5

PENUTUP

5.1 Kesimpulan

Pada penelitian ini telah didapatkan bahwa metode backpropagation dapat

digunakan untuk mengenali motif sandi kotak. Hal ini dapat dilihat dengan

adanya motif yang terbaca dengan tepat oleh ahli uji backpropagation. Tingkat

akurasi tertinggi dapat dilihat pada percobaan 6 sebesar 100% menggunakan

sebanyak 6 ciri yang merupakan nilai mean dari histogram kolom, nilai standar

deviasi dari histogram kolom, nilai mean dari histogram baris, nilai standar

deviasi dari histogram baris, nilai mean dari ciri IoC segmen 9, dan nilai

standar deviasi dari ciri IoC segmen 9. Jaringan yang digunakan adalah

jaringan dengan 1 lapisan tersembunyi dan 1 lapisan keluaran, dengan jumlah

unit neuron bervariasi 5,10,…, kelipatan 5 sampai dengan 30. Iterasi yang

terjadi sebesar 28 kali dengan MSE 0.0494.

5.2 Saran

Bagi peneliti yang akan menggunakan algoritma backpropagation untuk

pengenalan huruf untuk sandi kotak menggunakan metode backpropagation,

alat ini dapat ditingkatkan. Peningkatan tersebut dapat dilakukan dengan cara

memberi nilai untuk bobot.


52

DAFTAR PUSTAKA

Siang, J J. 2005. Jaringan Syaraf Tiruan & Pemrogramannya Menggunakan

Matlab. Yogyakarta: Andi Offset.

Kadir, A. dan Susanto, A., 2013, Teori dan Aplikasi Pengolahan Citra.

Yogyakarta: Andi Offset

Letsoin, B N N. 2010. Penerapan Metode Backpropagation Jaringan Syaraf

Tiruan Untuk Konversi Sandi Kotak Rangkap Ke Huruf Latin. Universitas

Kristen Duta Wacana.

Minartiningtiyas, B A. 2013. Pengenalan Pola.

http://informatika.web.id/category/pengenalan-pola/. Di akses tanggal 16

november 2015.

Kumar,P, Shivangi,G, & Tiwari,S. (2012) “Character Recognition using

Neural Network”, IJCST Vol 3, Issue 2, pp. 978-981.

Farm, P. 2007. Jaringan Syaraf Tiruan.

https://onesmart.wordpress.com/category/jaringan-syaraf-tiruan/. Diakses

tanggal 11 april 2018.

Sunarya,I,M,G, Kesiman,M,W,A, & Purnami,I,A,P. (2015) “Segmentasi

Citra Tulisan Tangan Aksara Bali Berbasis Proyeksi Vertikal dan

Horizontal”, Jurnal Informatika Vol.9, No.1, pp.982-992.

Maulana, A. 2013. Pengenalan Pola Citra (Thinning).

https://anggamaulana20.wordpress.com/2013/12/06/penipisan-pola-citra-

thinning/. Diakses tanggal 15 april 2018.

Pamungkas, A. Pengolahan Citra Digital – Ekstraksi Ciri Citra.

https://pemrogramanmatlab.com/pengolahan-citra-digital/ekstraksi-ciri-citra-

digital/. Diakses tanggal 15 april 2018.


http://informatika.web.id/category/pengenalan-pola/

https://onesmart.wordpress.com/category/jaringan-syaraf-tiruan/

https://anggamaulana20.wordpress.com/2013/12/06/penipisan-pola-citra-thinning/

https://anggamaulana20.wordpress.com/2013/12/06/penipisan-pola-citra-thinning/

https://pemrogramanmatlab.com/pengolahan-citra-digital/ekstraksi-ciri-citra-digital/

https://pemrogramanmatlab.com/pengolahan-citra-digital/ekstraksi-ciri-citra-digital/

PENGENALAN HURUF UNTUK SANDI KOTAK MENGGUNAKAN...

Documents

Transcript of PENGENALAN HURUF UNTUK SANDI KOTAK MENGGUNAKAN...