JURNAL APLIKASI IDENTIFIKASI CITRA ANGKA MENGGUNAKAN METODE PERCEPTRON. Application Of Image Identification Number Using Methods Perceptron

Artikel Skripsi Universitas Nusantara PGRI Kediri

JURNAL

APLIKASI IDENTIFIKASI CITRA ANGKA MENGGUNAKAN METODE PERCEPTRON

Application Of Image Identification Number Using Methods Perceptron

Oleh: DIYAH AYU RUSDIAH NINGSIH 12.1.03.02.0309

Dibimbing oleh : 1. RINI INDRIATI 2. DANIEL SWANJAYA

TEKNIK INFORMATIKA FAKULTAS TEKNIK (FT) UNIVERSITAS NUSANTARA PGRI KEDIRI 2017

Diyah Ayu Rusdiah Ningsih | 12.1.03.02.0309 Teknik – Teknik Informatika

simki.unpkediri.ac.id || 1||





APLIKASI IDENTIFIKASI CITRA ANGKA MENGGUNAKAN METODE PERCEPTRON Diyah Ayu Rusdiah Ningsih 12.1.03.02.0309 Teknik – Teknik Informatika [email protected] Rini Indriati, M.Kom. dan Daniel Swanjaya, M.Kom. UNIVERSITAS NUSANTARA PGRI KEDIRI

ABSTRAK Pada penelitian ini membahas tentang bagaimana sebuah komputer mengenali sebuah pola citra digital berupa pengenalan angka tulisan tangan yang menggunakan metode perceptron pada pelatihan jaringan saraf tiruan . dalam penelitian ini terdapat 20 set tulisan tangan angka 0 sampai 9 sebagai data training dan 20 tulisan tangan nomor handphone sebagai data testing dari 20 responden. Data tersebut diproses dan diwujudkan dalam pengolahan citra dengan proses grayscale, paring atau pemecahan karakter pada setiap bentuk pola angka, vector, penskalaan, dan biner. Kemudian hasil dari pengolahan citra dimasukkan sebagai input unit pada jaringan saraf tiruan perceptron yang berfungsi sebagai pengambil keputusan dengan tujuan mengenali citra angka tulisan tangan tersebut dan selanjutnya diwujudkan dalam teks digital dalam aplikasi pengolahan citra dalam identifikasi citra angka. Dari hasil pengujian dengan menggunakan 20 sampel yang terdiri dari 20 citra angka nomor handphone menunjukkan bahwa hasil untuk pengujian pada deteksi citra angka, angka yang dapat dikenali oleh system mencapai 70%, sedangkan untuk deteksi citra angka, angka yang tidak dapat dikenali oleh sistem mencapai 20% . Secara keseluruhan tingkat keberhasilan aplikasi pengolahan citra untuk identifikasi pengenlan tulisan tangan berdasarkan bentuk pola citra angka dengan metode perceptron yaitu sebesar 70%. Kata Kunci: Teks Tulisan Tangan, Nomor Handphone, Pengolahan Citra Digital, Jaringan Saraf Tiruan perceptron.

I.

Sebagian besar informasi dari tulisan

PENDAHULUAN Seiring

berkembangnya

tangan merupakan suatu bentuk dasar yang

teknologi saat ini, banyak orang mulai

bersifat standar dan memiliki struktur yang

beralih dari cara kerja mereka yang manual

tidak

ke

yang

sebagai teks analog. Permasalahan umum

membantu mereka mempercepat pekerjaan

yang dihadapi sekarang adalah tidak semua

secara tepat dan efisien.

Salah satu

dari tulisan tangan khususnya bentuk pola

aplikasi

tulisan tangan angka dapat diterima secara

tangan

keseluruhan oleh beberapa orang. satu

yang

dengan

berbasis

perkembangannya pengenalan

bentuk

teknologi,

adalah tulisan

dapat

didefinisikan

dengan

orang

dan

yang

diakui

khususnya ekspresi bentuk tulisan tangan

orang

lainnya.

berpola angka.

Misalnya banyak orang menuliskan nomor handphone (HP) pada selembar kertas,




untuk menyalin nomor tersebut ke kontak

Dalam

permasalahan

pembuatan

Handphone (HP) secara manual tak jarang

sistem ini dibatasi oleh hal-hal sebagai

terjadi kesalahan dan memerlukan waktu

berikut :

yang relatif lama.

1. Data citra diperoleh dari hasil

Dari permasalahan tersebut, penulis

scanning pada 1 lembar kertas

merasa perlu melakukan penelitian untuk identifikasi

dalam

pengenalan

A4

tulisan

2. Penelitian

tangan khususnya pengenalan pada citra

sampai 9.

angka berdasarkan bentuk pola dengan menggunakan metode

perceptron

dibatasi

0

3. Sebelum praproses data citra

dan

distandartkan

matrix compusion sebagai nilai presentase

menjadi

ukuran

160 pixel.

keakurasian.

4. Data citra training berjumlah 20

Berdasarkan latar belakang diatas

set citra tulisan tangan.

maka ada beberapa permasalahan yang

5. Data citra testing berjumlah 20

dibahas yaitu : Bagaimana menerapkan

set

metode

tulisan tangan.

Perceptron

untuk

pengenalan bentuk

pola

identifikasi

nomor

II.

khususnya bentuk pola tulisan tangan,

A. Tekstur Citra

tulisan

citra

Tekstur dicirikan sebagai distribusi

baik,

spasial dari derajat keabuan didalam

bagaimana menampilkan informasi berupa

sekumpulan pixel-pixel yang bertetangga.

akurasi yang dihasilkan pada identifikasi

Jadi, tekstur tidak dapat diidentifikasikan

pola tulisan tangan, khususnya citra angka.

untuk sebuah pixel, melainkan suatu citra

Tujuan dari permasalahan ini adalah

dianggap sebagai suatu kesatuan. Dapat

Menerapkan metode Perceptron untuk

pula dikatakan bahwa tekstur (texture)

mengidentifikasi pengenalan bentuk pola

adalah sifat-sifat atau karakteristik yang

citra angka, membuat aplikasi yang dapat

dimiliki oleh suatu daerah yang cukup

mendeteksi tingkat kemiripan berdasarkan

besar sehingga secara alami sifat tersebut

bentuk pola citra angka, aplikasi ini akan

dapat berulang dalam daerah tersebut.

menampilkan informasi berupa akurasi

Pengertian dari tekstur dalam hal ini adalah

pada identifikasi

keteraturan

memiliki

tangan

METODE

yang

dihasilkan

pola

handphone

citra angka,

bagaimana mengidentifikasi tulisan tangan

sehingga

angka

kualitas

pola tulisan tangan

khususnya bentuk pola angka.

tertentu

yang

terbentuk dari susunan pixel-pixel dalam citra.


pola-pola

Suatu

permukaan

dikatakan



mempunyai

informasi

tekstur,

jika

Dirumuskansebagai berikut:

luasannya diperbesar tanpa mengubah

(

)

(1)

{

skala, maka sifat-sifat permukaan hasil perluasan

mempunyai

sifat

kemiripan

2. Fungsi Undak Biner (Threshold)

dengan permukaan asalnya (Yuda Permadi

Fungsi

dan Murinto, 2015).

menggunakan nilai ambang sering

undak

biner

dengan

disebut fungsi nilai ambang atau fungsi B. Citra Grayscale

Heaviside.

Citra grayscale merupakan citra digital

Dirumuskan

sebagai

berikut:

yang hanya memiliki satu nilai kanal pada setiap

pikselnya,

artinya

Red=Green=Blue.

Citra

nilai

piksel

yang

)

(2)

{

Grayscale

disimpan dalam format 8 bit untuk setiap sample

(

dari

memungkinkan

3. Fungsi Bipolar Hampir sama dengan fungsi undak

sebanyak 256 intensitas. Untuk mengubah

biner,

citra berwarna yang mempunyai nilai

dihasilkan

matrik masing-masing R,G dan B (Candra

Fungsi Symetric

Noor Santi, 2011).

dirumuskan sebagai : (

hanya

)

saja

berupa

output 1,

0

yang

atau

Hard

-1. Limit

(3)

{

C. Fungsi Aktifasi Fungsi Aktivasi merupakan suatu fungsi yang mentransformasikan suatu inputan menjadi suatu output tertentu. Pada

D. Metode Perceptron Perceptron

dilatih

dengan

jaringan syaraf tiruan suatu informasi akan

menggunakan sekumpulan pola

diterima oleh inputan. Inputan ini akan

diberikan kepadanya secara berulang ulang

diproses melalui suatu fungsi perambatan.

selama latihan.”

Beberapa fungsi aktifasi yang digunakan

yang

Setiap pola yang diberikan merupakan

pada jaringan syaraf tiruan, yaitu :

pasangan pola masukan dan pola yang

1. Fungsi Undak Biner (Hard Limit)

diinginkan

sebagai

target.

Perceptron

Jaringan dengan lapisan tunggal sering

melakukan penjumlahan terhadap tiap-tiap

menggunakan

masukannya dan menggunakan fungsi

fungsi

undak

untuk

menkonversi input dari suatu variabel

ambang

yang bernilai kontinu ke suatu output

keluarannya.Keluaran

biner Fungsi hard limit.

dibandingankan


untuk

menghitung ini

dengan

kemudian hasil

yang



diinginkan, perbedaan yang dihasilkan dari perbandingan

ini

digunakan

untuk

merubah bobot bobot dalam jaringan. Demikian

dilakukan

berulang

5. Ada beberapa yang perlu diperhatikan dalam algoritma tersebut : 1. Iterasi

ulang

dilakukan

semua

pola

terus

memiliki

hingga keluaran

sampai dihasilkan keluaran yang sesuai

jaringan

yang

sama

dengan

dengan hasil yang diinginkan.

targetnya

(

jaringan

sudah

Algoritma

Algoritma

pelatihan

perceptron adalah sebagai berikut :

memahami pola). 2. Perubahan bobot hanya dilakukan

1. Inisialisasi semua bobot dan bias. wi = b =0

pada

pola

yang

mengandung

kesalahan ( keluaran jaringan ≠

(4)

2. Tentukan laju pemahaman (=α) yang

target

).

Perubahan

tersebut

ditentukan untuk sederhanya set α

merupakan hasil kali unit masukan

dengan angka 1 : (0 ˂ α ≤ 1)

(5)

dengan target laju pemahaman.

3. Selama ada elemen vector masukan

Perubahan bobot hanya akan terjadi kalau unit masukan ≠ 0.

yang respon unit keluarannya tidak sama dengan target, lakukan :

E. Matrix Confusion

1) Set aktivasi unit masukan xi = si ( i = 1,…n)

 1 if y _ in    f ( y _ in)  0 if    y _ in     1 if y _ in   

Confusion

guna

untuk

menghitung test records yang salah dan

2) Hitung respon unit keluaran : ∑

Matrix

(6)

(7)

benar

dari

klasifikasi (8)

akan

kesalahan (f(net)=y ≠ t ) menurut

dilakukan

Metode evaluasi

terutama pada bagian akurasidari hasil klasifikasi.

4. Perbaiki bobot pola yang mengandung

prediksi-prediksi.

Akurasi

sebuah klasifikasi

berpengaruh terhadap performa dari suatu klasifikasi.

persamaan :

(13)

wi (baru) = wi (lama) + w, dengan w

Keterangan :

=  * xi * t

True Posstive (TP), yaitu jumlah dokumen

(9)

b(baru) =b(lama) +  b, dengan b =  * t

dari (10)

1

yang

benar

Negative dari

(TN), kelas

yaitu

wi (baru) = wi (lama)

(11)

dokumen

b(baru) = b(lama)

(12)

diklasifikasikan sebagai kelas 0.


dan

diklasifikasikan sebagai kelas 1. True

Jika (f(net)=y = t ) maka :

kelas

0

yang

jumlah benar



False Positive (FP), yaitu jumlah dokumen

mulai

dari kelas 0 yang salah diklasifikasikan baca file citra (*.jpg/jpeg)

sebagai kelas 1. False

Negative

dokumen

dari

(FN) kelas

yaitu 1

jumlah

yang

citra gray

salah

grayscale

diklasifikasikan sebagai kelas 0.

parsing

citra Pi ( Pi= digit angka )

III. HASIL dan KESIMPULAN A. Perancangan Sistem

ya matrik 9x9

Berikut

flowchart

digunakan

untuk

sistem

proses

i
yang

no cetak hasil

menggambarkan

bagaimana perangkat lunak ini bekerja dalam

ya

scalling

identifikasi

binerisasi

pengenalan

bentuk pola citra angka. Flowchart ini membahas

2

proses

utama

dalam

citra biner

identifikasi citra angka yaitu flowchart proses training identifikasi citra angka dan flowchart proses testing identifikasi citra angka.

vector ukuran 1x81

vectorisasi

jaringan net_0> theta

ya digit 0

i++ (i = digit angka)

tidak jaringan net_1> theta

digit 1 ya

tidak

mulai


ya

digit 2

tidak

file citra (*.jpg/jpeg)

tidak

jaringan net_3 > theta

ya

digit 3

tidak

cek citra RGB ya

citra gray

grayscale


ya

digit 4

tidak

scalling

jaringan net_5>theta

matrik 9x9

ya digit 5

tidak

vectorisasi

citra biner

Binerisasi


ya

digit 6

tidak

vector ukuran 1x81

Jaringan angka 0

Jaringan angka 1

Jaringan angka 2

Jaringan angka 3

Jaringan angka 4


ya digit 7

tidak

ya

Jaringan angka 8

Jaringan angka 7

Jaringan angka 6

Jaringan angka 5


digit 8

tidak

Selesai

Gambar 1. Flowchat Training Diyah Ayu Rusdiah Ningsih | 12.1.03.02.0309 Teknik – Teknik Informatika

jaringan net_9 > theta

ya digit 9

Gambar 2. Flowchat Testing simki.unpkediri.ac.id || 7||

selesai


B. Implementasi Sistem

C. Uji Coba Sistem

Sebelum melakukan proses testing,

Dalam penelitian ini menggunakan

perlu dilakukan proses training. Dimana

citra tulisan tangan angka sebagai data

pada proses ini dilakukan grayscale,

training dan citra tulisan tanga nomor

penskalaan,

dan

handphone sebagai data testing . Dimana

vektorisasi hingga mendapatkan vektor

untuk menentukan identifikasi pengenalan

ukuran 1x81 sebagai proses perhitngan

citra angka dapat dilihat dari bentuk pola.

citra training. Proses perhitungan nanti

Pada praproses data citra tulisan tangan

akan

menggunakan metode perceptron

ditandartkan menjadi ukuran 160x160

sebagai pembanding dalam pembentukan

pixel dengan format *jpg. Menggunakan

bobot baru pada citra training dengan

40 citra angka, 20 set citra tulisan tangan

membandingkan bobot awal dengan bobot

sebagai data training. Dan 20 set nomor

baru pada setiap citra training.

handphone citra tulisan tangan digunakan

binerisasi,

binerisasi,

kemudian setelah data training sudah

sebagai data testing.

mendapatkan bobot baru pada setiap jaringan pada citra training, dihitung data testing, dengan dilakukan beberapa proses yaitu

grayscale,

parsing

(cropping),

(a)

(b)

penskalaan, binerisasi, dan vektorisasi, hingga mendapatkan vector ukuran 1x81 dari matrik ukuran 9x9 sebagai proses

Gambar 2. Citra Angka (a) Citra Angka 1 (b) Citra Angka 0

perhitungan. Hasilnya perhitungan akan diproses dengan menggunakan metode perceptron sebagai proses pembanding antara citra training dan citra testing dengan membandingan setiap citra testing dengan setiap jaringan pada citra training untuk mendapatkan kemiripan pada citra testing. Hasil deteksi pengenalan tulisan tangan pola citra angka berupa informasi angka berapa yang akan dikenali dan presentase nilai keakurasian pada sistem.


Perhitungan

dengan

metode

perceptron dan matrix confusion mampu mendeteksi

dalam

mengenali

tulisan

tangan khususnya citra angka berdasarkan bentuk pola dengan membandingkan setiap citra training dengan citra testing dan dapat

menghitung

nilai

presentase

keakurasian pada setiap hasil deteksi citra testing . Berikut dapat dilihat hasil deteksi pengenalan bentuk pola citra angka.



Tabel 1. Hasil Deteksi Bentuk Pola Citra Angka No

Citra Angka

(

Hasil Deteksi

Hasil Presentase

)

Dimana N adalah jumlah seluruh citra yang diujikan. Jika diketahui : N = 20,

1

90,9091%

2

91,6667%

3

80,5534%

4

75%

5

83,3333%

6

75%

7

84,3333%

8

91,6777%

9

91,6667%

10

90,6657%

11

85,7779%

12

76%

13

79,5555%

14

75%

15

75%

didapatkan

16

80%

identifikasi pengenalan bentuk pola citra

17

90%

angka berdasarkan metode perceptron

18

77%

yaitu mencapai 70%.

19

75%

20

70,3336%

Hasil yang benar = 14, Hasil yang salah = 6 maka akurasi sistem ini dapat dilihat pada tabel 3 :

Tabel 2. Akurasi Sistem AKURASI DATA TESTING Input Terdetek

Benar (  )

Salah (  )

14

6

si Akurasi (%)

Dari tabel akurasi sistem tersebut tingkat

akurasi

untuk

D. Interface Tampilan aplikasi pengolahan citra

Dari hasil deteksi pengenalan bentuk pola citra angaka dapat diketahui akurasi kebenaran

aplikasi.

Dimana

untuk

menghitung akurasi data diketahui dari:


untuk identifikasi pengenalan citra angka untuk

mengenali

pola

dengan

menggunakan metode perceptron seperti dibawah ini :



IV. DAFTAR PUSTAKA Achmad,

Ir.

Balza.

Pengolahan

2005.Teknik Citra

Digital

menggunakan

DELPHI.

Yogyakarta : Ardi Publishing. Suryani, 2006, Sistem Pengenalan Pola Angka Dari 0 (Nol) Sampai 9 (Sembilan)

Dengan

Metode

Studi

Teknik

LVQ.Program

Elektro Universitas Gunadarma, Depok. Vol. 1, No. 1. Gambar 3. User interface sistem

Sandu dan Leon, 2009, Membandingakan Dua Jenis Penerapan Algoritma

E. Kesimpulan Melalui diuraikan

pembahasan pada

bab

yang

Pembelajaran Backpropagation

telah

Untuk Mengenali Pola Tulisan

sebelumnya,

Tangan

didapatkan beberapa simpulan yakni: 1. Metode

perceptron

dipertimbangakan

sebagai

Bagian

nilai-nilai

parameternya.

Penerbit

Electrical

Bengku. Kusuma dewi, Drs. Sri. 2003.Artificial

pengujian dipengaruhi oleh sample

dan

Madura.

Engineering Dept. Universitas

3. Besarnya tingkat keakurasian suatu

beraturan

Madura,

(Definisi Citra). Bengkulu :

dengan tingkat akurasi pengenalan

tidak

Studi

Agustian, Indra. 2015. Pengenalan Citra

dapat diidentifikasi berdasarkan pola

hasil scanning tulisan tangan yang

9

Vol. 10, No. 1.

2. Pengenalan citra angka tulisan tangan

kesalahan aplikasi.

Program

Trunojoyo

alternatif untuk pengujian identifikasi

sebesar 70% kebenaran dan 20%

Sampai

Teknik Informatika Universitas

metode

berdasarkan pola.

(Nol)

(Sembilan).

layak

pengenalan citra angka tulisan tangan

0

Intelligence

(Teknik

Aplikasinya).

Yogyakarta

& :

Graha Ilmu. Pal

dan

Singh,

2010,

Algoritma

Pembelajaran Backpropagation Untuk Mengembangkan Sistem Pengenalan Alfabet A-Z Tulisan Tangan. Program Studi Teknik




Informatika

Universitas

Informatika

Bengkulu, Bengkulu. Wahyun,

Febriana

STMIK

Tarakanika Santi,2014,

PPKIA

Rahmawati,

Yogyakarta.

Implementasi Artificial Neural

Santi, Candra Noor, 2011,Mengubah Citra

Network (ANN) Untuk Optical

Berwarna Menjadi Grayscale

Character

dan Citra Biner. Program Studi

Program

Recognation. Studi

Teknik

Teknologi Informasi Universitas

Informatika Institut Teknologi

Stikubank Semarang, Semarang.

Nasional

Volume 16, No.1.

(ITN)-

Malang,

Malang.

Putra, Darma. 2010. Pengolahan Citra

Asri, Yessy, 2011, Penerapan Aturan

Digital. Yogyakarta: CV ANDI

Perceptron Pada Jaringan Saraf Tiruan Dalam pengenalan Pola

OFFSET. Ahmad,

Usman.

2009.

10

Langkah

Penyakit Mata. Program Studi

Membuat

Teknik

Citra Menggunakan Visual C#.

Informatika

Sekolah

Tinggi Teknik PLN (STT-PLN),

Program

Pengolah

Yogyakarta: Graha Ilmu.

Jakarta. Vol. 4, No. 2. Putra, Darma. 2010. Pengolahan Citra Digital. Yogyakarta : CV ANDI OFFSET. Cahyono,Gunawan Rudi, 2015 Identifikasi Citra Bilangan Desimal 0 - 9 Berbasis

Learning

Vector

Quantization Secara Real Time. Program Studi Teknik Elektro Politeknik Negeri Bajarmasin, Banjarmasin. Volume 4, No. Dwijawiyata. 2006. Mengenal Bilangan dan

Angka.Yogyakarta

:

Kanisius. Indriani,

Aida, Forum

2014,Klasifikasi Dengan

Data

Menggunkan

Metode Naïve Bayes Classifier. Program

Studi

Teknik



JURNAL APLIKASI IDENTIFIKASI CITRA ANGKA MENGGUNAKAN METODE PERCEPTRON. Application Of Image Identification Number Using Methods Perceptron

Recommend Documents