Pages

Minggu, 11 April 2010

APLIKASI JARINGAN SARAF TIRUAN DALAM KONVERSI TULISAN TANGAN KE MODE TEXT

2. RUANG LINGKUP :

· Image Processing

· Jaringan Saraf Tiruan

3. TUJUAN

Tujuan dari proyek akhir ini adalah melakukan konversi dari tulisan tangan seseorang yang masukannya menggunakan sebuah device yang disebut “Text Pad” kemudian data disimpan berupa data bitmap, dengan menggunakan sistem jaringan saraf tiruan maka data yang didapat berupa text mode (kode ASCII).

4. LATAR BELAKANG

Pengenalan huruf merupakan pekerjaan yang sangat mudah dilakukan oleh manusia, akan tetapi membuat komputer dapat melakukan pengenalan huruf merupakan pekerjaan yang benar-benar sulit. Pengenalan pola adalah salah satu pekerjaan yang dapat dilakukan oleh manusia dengan mudah sementara komputer mengalami kesulitan. Alasan utama dari persoalan ini adalah banyaknya variasi variabel yang harus diamati. Sumber kesulitan lain adalah abstraksi tingkat tinggi yang mengandung ribuan bentuk , sementara program pengenalan huruf harus mampu mengenalinya untuk pemakaian yang lebih berdaya guna .

Terdapat beberapa cara untuk melakukan pengenalan huruf dalan bentuk file citra. Salah satunya dengan cara membedakan huruf dengan jumlah putaran dan arah cekungan. Cara lain yang sudah populer adalah dengan menggunakan algoritma backpropagation pada jaringan saraf tiruan (JST). Tugas akhir ini akan membuktikan seberapa jauh JST mampu melakukan tugas pengenalan huruf agar dapat dimanfaatkan untuk kepentingan pengembangan berikutnya.

5. PERMASALAHAN DAN BATASAN

Masalah yang ditangani dari penelitian ini adalah mendayagunakan JST untuk pengolahan gambar yang berupa tulisan tangan dimana ruang lingkup permasalahan sesuai dengan judul dapat ditetapkan sebagai berikut :

  1. Melakukan penelitian terhadap masukan untuk dibentuk menjadi data train yang sesuai dengan kebutuhan JST
  2. Mencari dan menentukan ukuran matrik yang efisien didalam melakukan pembelajaran (training )
  3. Mencari dan menentukan batas sudut kemiringan sebuah kemiringan tulisan tangan yang akan dijadikan masukan

Karena penulisan model huruf sangat beragam, maka saya membatasi masalah dengan ketentuan sebagai berikut :

  1. Masukan yang akan dikenali hanya berupa huruf kapital, huruf kecil tidak berupa angka , tidak berupa simbol( contoh : tanda baca, simbol matematika dll) dan bentuk huruf ‘a’ yang diterima adalah ‘a
  2. Masukan tidak diperkenankan berupa tulisan latin (tulisan sambung)
  3. Masukan dalam bentuk kalimat (terdiri lebih dari satu kata) diperkenankan sebagai sebuah masukan

6. TINJAUAN PUSTAKA

Secara umum penelitian yang menggunakan metode back propagation sudah lama dilaksana-kan oleh peneliti-peneliti tingkat dunia, tetapi penulis menggunakan dasar artikel penelitian yang mendekati dengan topik yang dibahas.

Metode pengenalan huruf pernah dijelaskan dalam penelitian “ Aplication of Neural Network for Number Recognotion” yang dilakukan oleh Riyanto Sigit, Arakawa Shinji dan Shibata Hisashi dalam IES 2001 yang menggunakan metode back propagation, dalam makalahnya citra yang digunakan berasal dari rekaman video yang dikonversikan menjadi image digital kemudian diproses dengan teknik jaringan syaraf tiruan sesuai judul yang dikonversi merupakan citra dengan materi nomor, berdasarkan pola yang telah dilaksanakan oleh mereka kami ber-usaha mengembangkan untuk karakter huruf dengan pola metode yang sama. Akan Tetapi pola yang digunakan lebih sederhana yaitu melakukan input melalui Text Pad dan data berupa Image langsung di proses di PC, data yang ada diproses secara off-line. Adapun proses kerja program secara garis besar adalah sebagai berikut :













Gambar 2.1. Pola Pengenalan Tulisan Tangan

Pengembangan ini didasarkan jika angka dapat dikenali maka huruf karakterpun akan mempunyai hasil yang sama perbedaan terletak pada jumlah obyek dan variasi pola yang tidak sama dengan pola nomor, ditambah lagi dengan pola pengenalan tulisan tangan.

  1. Algoritma Backpropagation

Algoritma backpropagation merupakan salah satu metode pembelajaran untuk meminimisasi total square error pada keluaran hasil perhitungan ja-ringan. Umumnya, tujuan pembelajaran di jaring-an syaraf adalah untuk mendapatkan keseimbangan antara sistem jaringan saat diberi masukan pola untuk dihafalkan dengan sistem saat diberi masukan setelah diajari sehingga sistem dapat mengenali pola yang sesuai (tidak harus sama) dengan yang dikenalkan saat belajar jika sistem diberi masukan pola lain. Pada algoritma back-propagation terdapat 3 tahapan, yaitu pemberian pola input saat proses pembelajaran, proses backpropagation dari error, dan pengaturan nilai pembobot.

Adapun cara kerja software berbasis algoritma backpropagation adalah sebagai berikut :

    1. Inisialisai pembobot secara random

b. Pemberian pola input ke jaringan, dan disebarkan ke semua unit layer bagian atas (unit hidden)

c. Menjumlah vekor pembobot pada unit hidden : Z_in j = Vo j + Vij . Xi

d. Menghitung sesuai dengan fungsi aktivasi : Zj = f(Z_in j), Dan mengirim ke semua unit output

e. Menjumlah faktor pembobot pada unit output : Y_in k = Wo k + Wjk . Zj

f. Menghitung sesuai dengan fungsi aktivasi : Yk = f(Y_in k)

g. Menghitung error pada unit output : dk = (tk – Yk) f’(Y_in k) , Menghitung pembetulan faktor pembobot : Ñ Wjk = a d k Zj

h. Menghitung error pada unit hidden : dj = d_inj . f’(Z_inj) , Menghitung pembetulan pembobot : Ñ Vij = a dj Xj

i. Memperbaiki bias dan pembobot di unit output : Wjk(t+1) = Wjk(t) + Ñ Wjk, Memperbaiki bias dan pembobot di unit hidden : Vjk(t+1) = Vjk(t) + Ñ Vjk

j. Kembali kelangkah 2 sampai tercapai nilai yang konvergen dan tidak ada pola lagi.

b. Jaringan Syaraf Tiruan

Proses memasukkan input untuk diolah dengan metode backpropagation jumlah input 256, 21 hidden layer, layer output dan 52 pola hasil. Bila Hasil Training (pembelajaran) mendapatkan kesalahan, dijumlahkan semua, kemudian dibagi jumlah input untuk dibagi pada masing – masing pembobot setiap hidden layer sampai jumlah batas kesalahan dibawah standart yang diharapkan tercapai (konvergen)

  1. Pengenalan Citra

Proses Pengenalan citra dapat digambarkan sesuai diagram blok sebagai berikut

Gambar 2.2 Blok diagram Pengenalan Citra

1) Segmentasi

Segmentasi dari program bertujuan untuk menentukan batas tepi dari huruf yang ditulis, yaitu atas kiri sampai dengan bawah kanan . Setelah itu hasil segmentasi yang terbentuk akan diskala agar sesuai dengan standarisasi ukuran huruf.

Gambar 2.3 Skala gambar

2) Extraksi

Setelah dilakukan segmentasi, maka data gambar akan dirubah ke mode matrik dimana nilai yang diperbolehkan adalah “0” untuk merepresentasikan warna putih dan nilai “1” untuk merepresentasikan warna hitam. Selanjutnya nilai matrik yang terbentuk akan digunakan sebagai input. Dalam penelitian ini, sebagai acuan digunakan matrik ordo 16 x 16 selanjutnya ordo matrik bisa berubah sesuai dengan kebutuhan.




Gambar 2.4 Ektraksi data gambar

3) Klasifikasi Hasil

Dengan menggunakan metode backpropagation, ada tiga tahap yang dilaksanakan yaitu : pemberian pola input untuk proses learning, mempelajari kesalahan proses dengan metode backpropagation serta mencocokkan hasil output dengan pola output yang dibuat dengan pengaturan nilai pembobot.

Digunakan 3 lapisan yaitu : 256 masukan di lapis input, 21 hidden layer dan 52 output layer. Output tabelnya adalah sebagai berikut :

Target Keluaran

Data

1000000000000000000000000000000000000000000000000000

A

0100000000000000000000000000000000000000000000000000

B

0010000000000000000000000000000000000000000000000000

C

0001000000000000000000000000000000000000000000000000

D

0000100000000000000000000000000000000000000000000000

E

0000010000000000000000000000000000000000000000000000

F

0000001000000000000000000000000000000000000000000000

G

0000000100000000000000000000000000000000000000000000

H

0000000010000000000000000000000000000000000000000000

I

0000000001000000000000000000000000000000000000000000

J

0000000000100000000000000000000000000000000000000000

K

0000000000010000000000000000000000000000000000000000

L

0000000000001000000000000000000000000000000000000000

M

0000000000000100000000000000000000000000000000000000

N

0000000000000010000000000000000000000000000000000000

O

0000000000000001000000000000000000000000000000000000

P

0000000000000000100000000000000000000000000000000000

Q

0000000000000000010000000000000000000000000000000000

R

0000000000000000001000000000000000000000000000000000

S

0000000000000000000100000000000000000000000000000000

T

0000000000000000000010000000000000000000000000000000

U

0000000000000000000001000000000000000000000000000000

V

0000000000000000000000100000000000000000000000000000

W

0000000000000000000000010000000000000000000000000000

X

0000000000000000000000001000000000000000000000000000

Y

0000000000000000000000000100000000000000000000000000

Z

0000000000000000000000000010000000000000000000000000

a

0000000000000000000000000001000000000000000000000000

b

0000000000000000000000000000100000000000000000000000

c

0000000000000000000000000000010000000000000000000000

d

0000000000000000000000000000001000000000000000000000

e

0000000000000000000000000000000100000000000000000000

f

0000000000000000000000000000000010000000000000000000

g

0000000000000000000000000000000001000000000000000000

h

0000000000000000000000000000000000100000000000000000

i

0000000000000000000000000000000000010000000000000000

j

0000000000000000000000000000000000001000000000000000

k

0000000000000000000000000000000000000100000000000000

l

0000000000000000000000000000000000000010000000000000

m

0000000000000000000000000000000000000001000000000000

n

0000000000000000000000000000000000000000100000000000

o

0000000000000000000000000000000000000000010000000000

p

0000000000000000000000000000000000000000001000000000

q

0000000000000000000000000000000000000000000100000000

r

0000000000000000000000000000000000000000000010000000

s

0000000000000000000000000000000000000000000001000000

t

0000000000000000000000000000000000000000000000100000

u

0000000000000000000000000000000000000000000000010000

v

0000000000000000000000000000000000000000000000001000

w

0000000000000000000000000000000000000000000000000100

x

0000000000000000000000000000000000000000000000000010

y

0000000000000000000000000000000000000000000000000001

z

Gambar 2.5 Tabel Output untuk tiap karakter

  1. Cara Kerja Program

Apabila digambarkan dalam diagram alur, kerja program adalah sebagai berikut :.

Gambar 2.6 FlowChart Program

7. METODOLOGI

Metode Penelitian yang dilakukan pada penelitian dengan judul penelitian Aplikasi Jaringan Saraf Tiruan dalam Konversi Tulisan Tangan ke Mode Text meliputi

1. Studi pustaka mengenai teknik pengenalan tulisan tangan berupa string bebas menggunakan metode algoritma yang sudah ada melalui jurnal dan buku refrerensi.

2. Melakukan pengumpulan data berupa gambar – gambar tulisan tangan

3. Melakukan perancangan model backpropagation.

4. Melakukan pembuatan perangkat lunak

5. Melakukan pengujian dan analisa dengan menggunakan pencocokan data yang telah dikumpulkan. Dari hasil uji coba akan diadakan perubahan terhadap derajat kemiringan masukan yang diperbolehkan, bentuk data train yang efisien, matrik cari yang tepat sehingga program akan berjalan secara efisien.

6. Pembuatan laporan proyek akhir.

8. RELEVANSI

Hasil dari konversi tulisan tangan ke mode text diharapkan dapat memberikan kontribusi untuk kemudahan aktifitas tertentu seperti pemasukan data yang dituliskan pada sebuah formulir ke database. Memudahkan pekerjaan operator dalam entri data yang mengharuskan konsumen untuk mengisi sebuah formulir.

9. JADWAL KEGIATAN

Jadwal

Kegiatan

Bulan Ke

1

2

3

4

5

6

Studi Literatur







Pengumpulan Data







Perancangan Model







Implementasi







Testing dan Evaluasi







Pembuatan Laporan







10. PERKIRAAN BIAYA

1. Laporan Rp. 150.000,00

2. Peralatan Rp. 300.000,00

3. Survey data Rp. 150.000,00

Total Anggaran Rp. 600.000,00

11. STUDI PUSTAKA

  1. Kevin Gurney, “Neural Nets by Kevin Gurney” On-line Version, www.shef.ac.uk/psychology/gurney
  2. J.R. Parker, “Algorithms For Image Processing and Computer Vision”, Wiley Computer Publising, 1997.
  3. Mochamad Jarwanto, “Aplikasi Jaringan Syaraf Tiruan untuk Pengenalan Huruf Pada Pengolahan Citra Digital Berbasis WEB” , Makalah Proyek Akhir, PENS – ITS, Surabaya, Agustus 2002
  4. Fausett Laurene, “Fundamentals of Neural Network”, Prentice Hall, Inc. Paramount Communication Company Englewood Cliffs, New Jersey, 1994.
  5. Bose, N.K. (Nirmal K.), “Neural Networks Fundamentals With Graphs, Algorhitms, and Aplications” , Mc Graw-Hill, Inc. Singapura,1996.

6 komentar:

Unknown mengatakan...

gan boleh mnta contoh aplikasi nya, klo boleh krim ke email deniariyanto43@yahoo.co.id,,,mkasih

iimilah mengatakan...

boleh minta source code programnya?
plis
kirim ke iimilah07@gmail.com

Ael-Blues mengatakan...

bole mintan source atau contoh aplikasi nya gk gan , klo bole kirimkan ke mhd.ridha36@gmail.com #tq

Unknown mengatakan...

gan boleh minta source codenya apa tdak? kalo bolek kirim ke indarpuspitarahayu17@gmail.com

RHYAN RACHMATULLAH mengatakan...

boleh minta link referensi

Unknown mengatakan...

minta source codenya dong :D , pleaseeee. ke email ini ya niko.suryaatmaja@gmail.com

Posting Komentar