Pengenalan Karakter Huruf A, B, dan C

Menggunakan Algoritma Perceptron

1

Raymond Gomgom Sitorus (115060807111125)

gomkuadrat@gmail.com
3

Adzhana Hasfi (115090607111026)

adzhanahasfi@gmail.com
1,2,3,4

M. Shalahuddin Munif (115090607111037)

ohsoni@gmail.com

Aula Rieza Syaiful Fikri (115060800111016)

alakullihaal@gmail.com

Program Studi Informatika Program Teknologi Informasi dan Ilmu Komputer

Universitas Brawijaya Malang

Abstrak Algortima perceptron dalam jaringan saraf tiruan

dikenal
sebagai
algortima
yang
digunakan
unuk
mengklasifikasikan apakah sebuah pola masuk ke suatu kelas
atau tidak. Dari sifat yang dimiliki perceptron tersebut
nampaknya perceptron juga mampu digunakan untuk
mengklasifikasikan sebuah pola yang jumlahnya lebuh dari satu
masuk ke kelas mana, dengan cara membandingkan pola ke
dalam setiap kelas yang ada. Oleh sebab itu penelitian
bermaksud melakukan penelitian pengenalan karakter huruf
menggunakan algoritma perceptron. Dengan menggunakan
metode binerisasi dalam pembacaan input pola dan algoritma
perceptron multi input-output dalam pelatihan dan pengujian
data pola didapatkan bahwa ternyata algortima perceptron bisa
digunakan dalam pengenalan huruf yang masuk dalam ruang
lingkup pengklasifikasian pola.

Metode perceptron merupakan salah satu metode

pembelajaran dalam jaringan syaraf tiruan yang digunakan
untuk mengklasifikasikan suatu pola masuk ke kelas tertentu
atau tidak dengan parameter yang dapat diatur dengan cara
mengubah pembelajaran dan pengawasan. Dari sifat yang
dimiliki nampaknya perceptron juga mampu digunakan untuk
mengklasifikasikan sebuah pola yang berupa karakter huruf
dimana jumlahnya lebih dari satu masuk ke kelas mana,
dengan cara membandingkan pola karakter huruf tersebut ke
dalam setiap kelas yang ada. Sehingga perlu dilakukannya
suatu penelitian lebih lanjut untuk membuktikan hal tersebut.

Kata kuncijaringan saraf tiruan, pengenalan huruf, dan

perceptron.

A. Jaringan Syaraf Tiruan

Sejarah perkembangan jaringan saraf tiruan telah dimulai
pada tahun 1940 dengan mangasosiasikan cara kerja otak
manusia dengan logika numerik yang diadaptasi peralatan
komputer[1]. Sederhanannya, jaringan saraf tiruan (JST) adalah
sistem pemroses informasi yang memiliki karakteristik mirip
dengan jaringan saraf biologi, dimana jaringan saraf tiruan
menyeruapai otak manusia dalam mendapatkan pengetahuan
yaitu proses pembelajaran(learning) dan menyimpan
pengetahuan yang didapat di dalam kekuatan koneksi antar
neuron[2]. Hal tersebut membuat JST mampu mengenali
kegiatan dengan berbasis pada data. Data akan dipelajari oleh
JST sehingga memiliki kemampuan untuk memberi keputusan
terhadap data yang belum dipelajari[3]. JST ditentukan oleh 3
hal yakni: pola hubungan antar neuron(arsitektur jaringan),
metode untuk menentukan bobot penghubung (metode training/
learning algorithm) dan fungsi aktivasi[4].

I.

PENDAHULUAN

Pemodelan dengan jaringan syaraf tiruan merupakan

cabang ilmu dari Artificial Intelegence yang digunakan dalam
pembelajaran dan penyesuaian suatu objek. Jaringan saraf
tiruan merupakan sistem pemrosesan informasi yang
mempunyai karakteristik menyerupai jaringan saraf manusia.
Jaringan saraf tiruan tercipta dalam bentuk generalisasi model
matematis yang bersesuaian dengan pemahaman manusia [5].
Model-model jaringan syaraf tiruan dapat diklasifikasikan
menurut beberapa kriteria, seperti metode pembelajaran.
Menurut arsitekturnya, tipe input dapat berupa biner atau
bipolar, begitu juga untuk output (biner atau bipolar). Dalam
hal ini pemodelan dipandang dari kumpulan data inputoutputnya.
Pemodelan dengan perceptron menggambarkan suatu usaha
untuk membangun kecerdasan dan sistem pembelajaran
sendiri menggunakan komponen sederhana yang berasal dari
model jaringan biologi yang diperkenalkan oleh McCuulloch
dan Pitts (1943). Berikutnya Rosenbaltt (1950) merancang
perceptron dengan menguraikan pemodelan kemampuan
sistem pengenalan pola untuk sistem penggambaran biologi.

II.

DASAR TEORI

Gambar 1 Arsitektur Jaringan Saraf Tiruan

Arsitektur jaringan saraf tiruan dapat dilihat pada Gambar

1. Neuron Y menerima input dari neuron x1, x2 dan x3 dengan

bobot hubungan masing-masing adalah w1, w2, dan w3.

Kemudian ketiga impuls neuron yang ada dijumlahkan,
sehingga dapat ditulis:

unit masukan

x 1=s i (i=1, , n) . Dihitung respon unit

keluaran:

net=x 1 w1 + x2 w 2+ x 3 w3

net= x i wi +b

(1)

Besarnya impuls yang diterima oleh Y mengikuti fungsi

aktivasi y=f(net). Apabila nilai aktivasi cukup kuat, maka
sinyal akana diteruskan. Nilai fungsi aktivasi (keluaran/
output) juga dapat dipakai sebagai dasar untuk mengubah
bobot[5.4].

Kemudian hitung fungsi aktivasi:

B. Perceptron
Jaringan perceptron terdiri dari beberapa unit
masukan(ditambah seluruh bias) dan memiliki sebuah unit
keluaran seperti pada Gambar 2. Hanya saja fungsi aktivasi
bukan merupakan fungsi biner/bipolar, tetapi memiliki
kemungkinan nilai -1, 0, atau 1.

Jika pola mengandung kesalahan(yt) maka update bobot

seperti berikut ini:

f ( net )=

1, jikanet >
{0, jika net
1, jika net <

w i ( new )=w i ( lama ) + wi (i=1,. . , n)

(4)

dengan

w=t x i

(5)

dan

b=t

(6)

Gambar 2 Arsitektur jaringan perceptron

Untuk mendapatkan nilai fungsi aktivasi, pertama harus

menentukan nilai threshold . Berikut merupakan rumus
perhitungan fungsi aktivasi:

f ( net )=

III.

METODOLOGI

Secara garis besar, program simulasi yang akan dirancang

mengikuti diagram alir seperti ditunjukkan pada Gambar 3
berikut:

1, jikanet>
{0, jika net
1, jika net <

Secara geometris, fungsi aktivasi membentuk dua garis

sekaligus, masing-masing dengan persamaan[5.4]

w 1 x 1+ w2 x2 +...+ wn x n +b=
(2)

w 1 x 1+ w2 x2 +...+ wn x n +b=
(3)
C. Pelatihan Perceptron
Misalkan s adalah vektor masukan dan t adalah target
keluaran, adalah learning rate yang ditentukan, dan
adalah threshold yang ditentukan, maka algoritma pelatihan
perceptron adalah sebagai berikut:
Inisialisasi semua bobot(w) dan bias(b). Tentukan learning
rate(). Untuk penyederhanaan, biasanya diberi nilai 1.
Selama ada elemen vektor masukan yang respon unit
keluarannya tidak sama dengan target, dilakukan: Set aktivasi

Gambar 3 Flowchart program pengenalan karakter perceptron

A. Algoritma
Pertama-tama, buat pola data training dari huruf A,B
dan C, seperti pada Gambar 3. Setelah itu vektor masukan
(pola tulisan yang digunakan) dan target (t) yang diinginkan
dibentuk, dengan bobot (w) awal yang dibuat dengan nilai=0,
serta bias (b) awal = 1. Setiap vektor masukan (pola 1 sampai
9) mempunyai (97) = 63 komponen.

Pola 5
Pola 6
Pola 7
Pola 8
Pola 9

0
0
1
0
0

Tabel 2 Pola Masukan dan Target jika menyerupai huruf B

Pola Masukan
Pola 1
Pola 2
Pola 3
Pola 4
Pola 5
Pola 6
Pola 7
Pola 8
Pola 9

Target(t)
0
1
0
0
1
0
0
1
0

Tabel 3 Pola Masukan dan Target jika menyerupai huruf C

Pola Masukan
Pola 1
Pola 2
Pola 3
Pola 4
Pola 5
Pola 6
Pola 7
Pola 8
Pola 9

Gambar 4 Pola data training huruf A, B dan C

Pada penelitian ini, program yang dibuat hanya akan

mengenali huruf A, B, dan C. Target akan bernilai = 1
jika pola masukan menyerupai menyerupai huruf A atau B
atau C. Pola yang menyerupai huruf A yaitu pola 1, pola 4,
dan pola 7. Pola yang menyerupai huruf B yaitu pola 2, pola
5, dan pola 8. Sedangkan pola yang menyerupai huruf C
yaitu pola 3, pola 6, dan pola 9. Pemrograman Perceptron ini
memiliki 9 pola masukan dan 9 target(t) untuk tiap-tiap huruf,
dapat dilihat pada Tabel 1, 2 dan 3.
Tabel 1 Pola Masukan dan Target jika menyerupai huruf A

Pola Masukan
Pola 1
Pola 2
Pola 3
Pola 4

Target(t)
1
0
0
1

Target(t)
0
0
1
0
0
1
0
0
1

B. Arsitektur Jaringan Saraf Tiruan

Pada Gambar 4 menjelaskan tentang arsitektur program
pengenalan karakter huruf dengan menggunakan algoritma
perceptron. Dimana x1, x2, ..., x63 merupakan input,
sedangkan b1, b2, ..., b9 merupakan bobor dari masingmasing input, dan
merupakan fungsi aktivasi yang
didapatkan sehingga nantinya menghasilkan output.

1. Pengujian Pengubahan Jumlah Data Training

Pengujian ini dilakukan dengan mengubah jumlah data
training yang digunakan. Pada penelitian ini telah dijelaskan
bahwa terdapat 3 pola data training untuk tiap karakter A,
B, dan C, sehingga total data pola training adalah 9 pola.
Pengujian ini dimulai dengan menggunakan 1 pola data
training, kemudian 2 pola data training dan 3 pola data training
untuk masing-masing karakter. Pengujian ini dilakukan
sebanyak 9 kali dengan variasi inputan yang berbeda tiap
karakter.
Berikut merupakan hasil dari pengujian pengubahan jumlah
data training:
Tabel 4 Hasil pengujian pengubahan jumlah data training

Huruf
Gambar 5 Arsitektur program pengenalan karakter perceptron

IV.

HASIL DAN PENGUJIAN

A. Hasil
Untuk dapat melakukan pengenalan karakter dengan
menggunakan algoritma perceptron, pertama-tama adalah
dengan melakukan training data. Baru setelah itu memasukkan
input karakter berupa matriks biner yang menyerupai karakter
A, atau B, atau C. Berikut merupakan contoh matriks
input untuk pengenalan karakter:

A
B
C
A
B
C
A
B
C

Jumlah
Data
Training
1
1
1
2
2
2
3
3
3

100.00%

Waktu
Penyelesaian

Akurasi

10 detik
12 detik
15 detik
900 detik
917 detik
934 detik
14400 detik
14467 detik
14500 detik

72,56 %
73,25 %
74,72 %
85,67 %
87,4 %
88,12 %
91,2 %
91,8 %
92 %

Ratarata
Akurasi
73,51%
87,0633%
91,6667%

87.06%

91.67%

73.51%
80.00%
60.00%
40.00%
Gambar 6 Contoh matriks input karakter

Kemudian setelah itu baru program akan melakukan

klasifikasi dengan menggunakan algoritma perceptron dan
menghasilkan output seperti berikut ini:

20.00%
0.00%
1

Grafik Akurasi terhadap Jumlah Data Training

Gambar 8 Grafik akurasi terhadap jumlah data training

Gambar 7 Hasil output yang didapatkan setelah dilakukan klasifikasi

B. Pengujian
Pengujian terhadap program simulasi ini dilakukan dengan
tujuan agar dapat diketahui apakah program yang dibuat
telah sesuai dengan yang diinginkan dengan parameter
unjuk-kerja diukur dari prosentase pengenalan terhadap
karakter huruf besar yang diujikan. Pengujian ini meliputi
mengubah jumlah data training yang digunakan dan
pengubahan nilai threshold.

16000
14000
12000
10000
8000
6000
4000
2000
12.33
0
1

14455.67

917
2

Grafik Waktu terhadap jumlah data training

Gambar 9 Grafik waktu terhadap jumlah data training

Hasil pengujian dengan mengubah jumlah data training

menunjukkan bahwa semakin sedikit jumlah data training yang
digunakan, maka semakin cepat waktu penyelesaiannya akan
tetapi semakin kecil persentase keakuratan dari karakter.
Kemudian jika semakin banyak jumlah data training yang
digunakan, maka semakin lama waktu penyelesaiannya akan
tetapi semakin tinggi persentase keakuratan dari karakter.
Hal ini dapat dibuktikan pada Gambar 8 dimana ketika
jumlah data training = 3, maka didapatkan nilai akurasinya
sebesar 91,67% yang artinya semakin tinggi akurasinya.
Kemudian pada Gambar 9 membuktikan ketika jumlah data
training = 1, maka didapatkan waktu penyelsaiannya 12,33333
detik yang artinya semakin cepat waktu penyelsaiannya.
2. Pengujian Pengubahan Nilai Threshold
Pengujian ini dilakukan dengan mengubah nilai threshold
yang digunakan. Pada penelitian ini nilai threshold default yang
digunakan adalah sebesar 20. Pengujian ini dimulai dengan
mengubah nilai threshold menjadi 10, 15, 20, 25, dan 30.
Pengujian ini dilakukan sebanyak 15 kali dengan variasi
inputan yang berbeda tiap karakter.

A
B
C
A
B
C
A
B
C
A
B
C
A
B
C
A
B
C
A
B
C
A
B
C
A
B
C
A
B
C
A
B
C

1
1
1
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3

60%

Tabel 5 Hasil pengujian pengubahan nilai threshold

30%

A
B
C
A
B
C
A
B
C
A
B
C

Nilai
Threshold

Akurasi

10
10
10
15
15
15
20
20
20
25
25
25

30 %
10 %
40 %
40 %
20 %
20 %
40 %
20 %
20 %
40 %
40 %
20 %

Ratarata
Akurasi
27%

33%
56%
61%
61%
61%
67%
62%
60%

73%
73%
73%

70%
50%

Jumlah
Data
Training
1
1
1
1
1
1
1
1
1
1
1
1

40 %
20 %
40 %
51 %
57 %
60 %
55 %
60 %
67 %
55 %
60 %
67 %
55 %
60 %
67 %
55 %
70 %
75 %
62 %
64 %
60%
60 %
60 %
60%
80 %
60 %
80 %
80 %
60 %
80 %
80 %
60 %
80 %

80%

Berikut merupakan hasil dari pengujian pengubahan nilai

threshold:

Huruf

30
30
30
10
10
10
15
15
15
20
20
20
25
25
25
30
30
30
10
10
10
15
15
15
20
20
20
25
25
25
30
30
30

Jumlah Data
Training = 1
Jumlah Data
Training = 2

40%

Jumlah Data
Training = 3

20%
10%
0%
10

15

20

25

30

Gambar 10 Grafik akurasi terhadap nilai threshold

27%
27%
33%

Dari grafik pada Gambar 10 di atas dapat disimpulkan

bahwa semakin tinggi nilai threshold, maka semakin tinggi
pula tingkat akurasi yang akan diperoleh, walaupun terkadang
nilainya akurasinya dapat lebih rendah dari nilai akurasi yang
didaptkan sebelumnya.

V.

KESIMPULAN

Motto hidup: Lebih baik berusaha daripada tidak sama sekali.

Dari hasil dan pengujian yang telah dilakukan dapat

disimpulkan bahwa:
1.

Pola pengenalan karakter dapat dikenali dengan

menggunakan jaringan saraf tiruan, khususnya dengan
menggunakan algortima perceptron.

2.

Dengan menggunakan algortima perceptron semakin

banyak jumlah data training yang digunakan, maka
semakin lama waktu penyelesaiannya akan tetapi
semakin tinggi persentase keakuratannya.
3.

Dengan menggunakan algoritma

perceptron semakin tinggi nilai
threshold, maka semakin tinggi
pula tingkat akurasi yang akan
diperoleh.

PUSTAKA
[1]

[2]

[3]

[4]

[5]

Nama:M. Shalahuddin Munif

TTL:
Pendidikan: S1 Universitas Brawijaya Malang.
Motto hidup: Memasukkan itu enak, tapi yang paling enak pas
mengeluarkan

Muis, Saludin. Teknik Jaringan Saraf Tiruan.

Yogyakarta : 2006
Islam, M.J, dkk.
Neural Network Based Handwritten Digits
Recognition-An Experiment and Analysis. University of Windsor,
Canada: 2009. Hal 2.
Luthfie, Syafiie Nur.
Implementasi Jaringan Saraf Tiruan
Backpropagation Pada Aplikasi Pengenalan Wajah Dengan Jarak Yang
Berbeda Menggunakan MATLAB 7.0. Universitas Gunadarma, Depok:
2007. hal 1 K. Elissa, Title of paper if known, unpublished.
Siang, Jong Jek.
Jaringan Saraf Tiruan dan Pemrogramannya
Menggunakan MATLAB.Yogyakarta: 2005 Y. Yorozu, M. Hirano, K.
Oka, and Y. Tagawa, Electron spectroscopy studies on magneto-optical
media and plastic substrate interface, IEEE Transl. J. Magn. Japan,
vol.2, pp. 740741, August 1987 [Digests 9th Annual Conf. Magnetics
Japan, p. 301, 1982].
Pattiserlihun, Alvana, dkk. Aplikasi Jaringan Saraf Tiruan (Artificial
Neural Network) pada Pengenalan Pola Tulisan. Universitas Kristen
Satya Wacana, Salatiga: 2012. hal 2

BIODATA PENELITI
Nama: Raymond Gomgom Sitorus.
TTL: Palangkaraya, 01 Januari 1993
Pendidikan: S1 Universitas Brawijaya
Malang.

Nama:Aula Rieza Syaiful F.

TTL: Magetan, 03 Juli 1993
Pendidikan : S1 Universitas Brawijaya
Motto Hidup: Life Is Struggle

Nama: Adzhana Hasfi

TTL: Mojokerto, 28 Desember 1992
Pendidikan: S1 Universitas Brawijaya
Malang
Motto hidup: Carilah ilmu sampai ke
negeri Cina