Proposal Kecerdasan Buatan

BAB I

PENDAHULUAN

1.      Latar Belakang

Tulisan tangan banyak digunakan pada zaman sekarang ini meskipun sekarang tidak sedikit lagi orang yang menggunakan media komupter dalam proses penulisan (pengetikan) . Oleh karena itu kami menentukan penelitian tentang pendeteksian dan pengenalan tulisan tangan menggunakan komputer. Pada awalnya tulisan tangan akan dirubah menjadi gambar kemudian akan dikenali komputer melalui beberapa proses dan beberapa metode.Metode tersebut adalah Sensor huruf yg menggunakan gryscale,Multilayer Perceptron Neural Network, Delphi(logika pemprograman)

2.      Rumusan masalah

a.       Bagaimana cara mengenali tulisan tangan berupa huruf dalam pilihan ganda menggunakan komputer

3.      Tujuan

Tujuan dari penelitian kami ini, supaya lebih mempermudah proses penilaian pada saat ujian yang dulunya hanya manual sekarang bisa melalui komputer . Lebih efesien dan efektif waktu dalam proses penilaian. Murid ataupun Mahasiswa tidak perlu lagi menunggu waktu yang cukup lama untuk melihat hasil (nilai) ujian.

4.      Batasan masalah

a.       Tulisan tangan merupakan tulisan tangan dengan lebar setiap huruf 10 x 10 pixel

b.      Tulisan tangan tidak menempel pada sebuah garis karena dapat menyebabkan ambigu pada karakter huruf tersebut

c.       Hanya menggunakan MPL (multi layer back propagation)

d.      Format penggunaan gambar menggunakan bitmap

e.       Banyaknya huruf yang akan diproses sebanyak 5 gambar

f.       Format penggunaan huruf, harus menggunakan huruf kapital

g.       Pengolahan gambar menggunakan binner

5.       Metodologi penelitian

Dalam perancangan system informasi ini.metode yang digunakan untuk mengumpulkan data adalah sebagai berikut:

1 melakukan survei

a.)  dengan cara mengumpulkan tulisan tangan dari beberapa orang yang tidak hanya dari satu sumber tempat

2 Study literature

Mengunakan teori- teori yang ada pada buku referensi sebagai acuan dan pedoman proses analisa dan pembuatan program,yaitu tentang:

a.)     Sensor huruf yg menggunakan gryscale

b.)    Multilayer Perceptron Neural Network

c.)     Delphi

3 Analisis dan desain system

Menganalisa proses pengenalan huruf  pada pilihan ganda .kemudian membuat rancangan system menggunakan sensor grayscale,erd dfd berdasarkan hasil dan analisa.

4  Implementasi system

Mengimplementasikan penggunaan system informasi yang baru  dalam pemilihan huruf pada pilihan ganda.

5 pengujian dan evaluasi system

Melakukan uji coba system yang baru dan evaluasi terhadap software yang di hasilkan . hal ini dilakukan dengan cara mencari masukan user untuk mengetahui kelebihandan kekurangannya,agar sesuai dengan tujuan yang diharapkan sebelumnya.

2. Sistematika Penulisan

            2.1       pendahuluan

Bab ini menjelaskan tentang apa yang ingin di lakukan dan apa alasan melakukan penelitian ini dan metode – metode apa saja yang di gunakna untuk mencapai tujuan awal dari penelitian ini

            2.2       tinjauan pustaka

            Dalam bab ini tercantum beberapa panduan atau referensi dalam proses pembelajaran dan pembuatan sistem dari penelitian ini. Supaya proses demi proses berhasil (menimilisir ) kegagalan maka di perlukan metode – metode yang dulu pernah di temukan dan pernah di pakai dan semua itu tercantum dalam tinjauan pustaka

            2.3       perancangan sistem

            Bab ini menjelaskan tentang bagaimana cara meerancang sistem dengan benar dari step awal sampi step akhir , dan metode apa saja yang di gunakan untuk perancang sistem, supaya tidak terjadi kesalahan step atau yang harusnya berada pada step kedua di lakukan pada step ke tiga .Maka akan merubah suatu aturan dalam proses itu ,maka kemungkinan terburuk dari itu bisa membuat kita merancang sistem mulai dari awal.Maka  di perlukanlah prorancangan sistem ini ,supaya berjalan lancar mulai dari awal sampai finish.

BAB II

TEORI PENUNJANG

Ø  Citra Grayscale

Citra Grayscale atau citra beraras keabuan adalah citra yang hanya menggunakan warna pada tingkatan warna abu-abu. Warna abu-abu adalah satu-satunya warna pada ruang RGB dengan komponen merah, hijau, dan biru mempunyai intensitas yang sama. Pada citra beraras keabuan hanya perlu menyatakan nilai intensitas untuk tiap piksel sebagai nilai tunggal, sedangkan pada citra berwarna perlu tiga nilai intensitas untuk tiap pikselnya. Dengan demikian citra dapat dioleh dengan mudah karena memiliki satu nilai intensitas pada setiap pixel.

Ø  Logic Program

BufferedImage grayscale(BufferedImage image,int d){
int c,red,green,blue,avg;
int w=image.getWidth(this);
int h=image.getHeight(this);
BufferedImage newImage = new BufferedImage(w,h,1);
Langkah pertama dalam program adalah pendeklarasian fungsi pengabuan citra (grayscale). Kemudian dideklarasikan varaiabel-variabel yang dibutuhkan dalam proses program. Variabel red digunakan untuk mendapatkan dan menyimpan nilai warna merah, variabel green digunakan untuk mendapatkan dan menyimpan nilai warna hijau, dan variabel blue digunakan untuk mendapatkan dan menyimpan nilai warna biru . Variabel yang digunakan untuk menyimpan nilai rata-rata intensitas warna adalah variable avg..
for (int y=0;y
for (int x=0;x
c=image.getRGB(x,y);
red=getRed(c);
green=getGreen(c);
blue=getBlue(c);
avg=(red+green+blue)/d;
newImage.setRGB(x,y,createRGB(avg,avg,avg));
}
return newImage;
}
Selanjutnya adalah melakukan proses looping bersarang. Syarat looping yang pertama adalah dilakukann selama nilai variable y kurang dari nilai variable h (nilai ukuran tinggi gambar). Syarat perulangan yang kedua adalah dilakukan selama nilai variable y kurang dari nilai variable w (nilai ukuran lebar gambar).
Dengan demikian, di dalam proses perulangan dilakukan operasi titik, yaitu pada setiap pixel. Nilai pixelnya ditentukan oleh nilai variable h (nilai ukuran tinggi gambar) X nilai variable w (nilai ukuran lebar gambar). Kemudian, dalam operasi tiap pixel tersebut, akan dihitung nilai rata-rata ketiga intensitas warna merah, hijau dan biru dan disimpan dalam varaibel avg.
Langkah terakhir adalah membuat gambar baru dengan intensitas warna merah, hijau dan biru yang sama. Nilainya adalah nilai variabel avg, avg dan avg.

Ø  Multilayer Perceptron Neural Network

Jenis neural network ini memiliki layer yang dinamakan “hidden”, ditengah

layer input dan output. Hidden ini bersifat variable, dapat digunakan lebih

dari satu hidden layer.

 

A.     Recurrent Neural Network

Neural network jenis ini memiliki ciri, yaitu adanya koneksi umpan balik dari

output ke input.

Kelemahan dari jenis ini adalah Time Delay akibat proses umpan balik dari

output ke titik input.

B.     Proses Pembelajaran pada Neural Network

Proses pembelajaran merupakan suatu metoda untuk proses pengenalan

suatu objek yang sifatnya kontinuitas yang selalu direspon secara berbeda

dari setiap proses pembelajaran tersebut. Tujuan dari pembelajaran ini

sebenarnya untuk memperkecil tingkat suatu error dalam pengenalan suatu

objek. Secara mendasar, neural network memiliki sistem pembelajaran

yang terdiri atas beberapa jenis berikut :

1 .Supervised Learning

2. Unsupervised Learning

C.     Mekanisme Kerja Multilayer Perceptron Neural Network

Sesuai dengan karakteristik neural network, pada dasarnya Multilayer

Perceptron memiliki kecenderungan yang sama dengan jenis neural network

lainnya, namun setiap jenis memiliki karakteristik masing-masing, seperti

halnya Single layer Neural Network, biasanya hanya digunakan untuk

memberikan solusi yang sifatnya hanya sederhana saja, sebagai contoh

berikut ini.

Gambar diatas menunjukkan bahwa single layer neural network digunakan

untuk menganalisa dua bagian yang berbeda saja, yaitu agar dapat

mengetahui posisi lingkaran hitam dan lingkaran yang berwarna putih. Lain

halnya dengan dengan kodisi pada gambar dibawah ini.

 

Pada Gambar 7, menunjukkan bahwa dengan karakteristik Single Layer

Neural Network yang hanya mampu mendeteksi dua daerah saja membuat

kasus ini sulit untuk dapat diselesaikan. Multilayer Perceptron Neural

Network adalah jenis neural network yang memiliki kemampuan untuk

mendeteksi atau melakukan analisa untuk permasalahan yang sifatnya

cukup atau bahkan sangat kompleks, seperti pada masalah Pemrosesan

Bahasa, Pengenalan suatu Pola serta Pemrosesan suatu Image atau

gambar. Adapun Proses yang terjadi Pada Multilayer Perceptron Neural

Network, adalah sebagai berikut :

1. Masukan

Proses ini merupakan bagian dari sistem kerja secara keseluruhan, karena

proses masukan digunakan untuk menunjang pada proses pembelajaran

serta proses pengujian. Pada proses ini, masukan diklasifikasikan

berdasarkan keinginan dari pembuat, dimana bentuk masukan dapat

berupa nilai logic atau bilangan biner ( 1 atau 0 ), atau juga bisa berupa

nilai angka atau bilangan real (120.3 atau 100) bahkan dapat melakukan

proses dengan menggunakan bilangan negatif.

2. Proses Pembelajaran

Pada bagian ini merupakan sisi kelebihan dari metoda Neural network,

dimana setiap permasalahan yang akan dihadapi dapat dipecahkan dengan

melalui tahapan pembelajaran, seperti halnya otak manusia yang secara

sifat biologis, memiliki kemampuan untuk mempelajari hal-hal yang baru.

Memang pada dasarnya, neural network ini dibuat untuk dapat mempelajari

sesuatu hal yang baru sehingga mampu melakukan penganalisaan tanpa

menggunakan suatu rumusan yang baku.

Proses pembelajaran ini sangat mempengaruhi sensitifitas kemampuan

dalam melakukan penganalisaan, semakin banyak bahan atau masukan

sebagai pembelajaran maka akan semakin mudah dan sensitif dalam

melakukan analisa. Biasanya untuk membahas hal-hal yang cukup

kompleks, Multilayer Perceptron Neural network memiliki hidden neuron

yang digunakan untuk mengimbangi setiap permasalahan yang akan

dihadapi, umumnya untuk melakukan penganalisaan pada hal-hal yang

rumit, rancangan neural network yang dibuat minimal memiliki tiga layer

seperti pada gambar dibawah ini, namun hal ini tergantung pada tingkat

kompleksitas yang dihadapi.

 

3. Proses Perhitungan saat pembelajaran

Proses ini melibatkan dua faktor penting, yaitu masukan dan keluaran yang

ditentukan. Keluaran tersebut merupakan bagian dari sistem atau metoda

pembelajaran yang dinamakan “Supervised Learning”, dengan demikian

setiap masukan memiliki keluaran yang nantinya akan dijadikan sebagai

acuan pembelajaran. Hal inilah yang membuat Neural Network melakukan

penganalisaan, selain banyaknya masukan yang diberikan, proses

pembelajaran yang dilakukan secara berulang pun akan menunjang

kemampuan Neural Network saat menganalisa.

4. Keluaran

Bagian ini merupakan proses yang digunakan untuk mengetahui seberapa

besar pengaruh pembelajaran terhadap keluaran yang diinginkan, jika hasil

yang diinginkan kurang sesuai maka kemungkinan yang terjadi adalah :

1.Variabel masukan ( informasi yang diberikan ) kurang menunjang

2. Kurangnya layer pada rancangan keseluruhan

3. Jumlah neuron yang terlalu sedikit

Namun tidak menutup kemungkinan karena ketidaksesuaian penerapan

saat proses pembelajaran dilakukan juga dapat mempengaruhi proses

pembelajaran. Hal lainnya yang dapat mempengaruhi proses pencapaian target adalah pemilihan metoda Back Propagation, yang akan dijelaskan

pada sub bab berikut.

4.1 Back Propagation Multilayer Perceptron Neural Network

Back Propagation adalah istilah dalam penggunaan metoda MLP-NN untuk

melakukan proses update pada nilai vektor weight dan bias.

Adapun bentuk metoda weight ini memiliki beberapa macam, antara lain

adalah sebagai berikut[5].

1. Gradient Descent Back Propagation (GD)

2 .Gradient Descent Back Propagation dengan Momentum (GDM)

3 .Variable Learning Rate Back Propagation dengan Momentum (GDX)

4. Conjugate Gradient Back Propagation (CGP)

4.1.1 Gradient Descent Back Propagation (GD)

Metoda ini merupakan proses update untuk nilai weight dan bias dengan

arah propagasi fungsinya selalu menurunkan nilai weight sebelumnya.

Bentuk vektor weight tersebut berlaku seperti metoda berikut.

Dimana α, merupakan Learning rate serta g, merupakan gradient yang

berhubungan dengan nilai error yang diakibatkan oleh weight tersebut.

4.1.2 Gradient Descent Back Propagation dengan Momentum

Penggunaan Momentum pada Metoda ini memberikan nilai tambah dimana

hasil update diharapkan tidak berhenti pada kondisi yang dinamakan “Local

Minimum”, sehingga proses penelusuran hingga mencapai nilai minimum

yang paling puncak dalam pengertian nilai error yang paling kecil dapat

tercapai. Adapun bentuk metoda penggunaan Momentum ini adalah seperti

dibawah ini.

4.1.3 Variabel Learning Rate Back Propagation dengan

Momentum

Penggunaan metoda ini bertujuan untuk mempercepat waktu penyelesaian

sehingga proses mendapatkan nilai error yang paling kecil dapat tercapai

dengan cepat serta penelusuran yang lebih singkat. Sebaliknya jika nilai

yang digunakan dalam praktisnya maka hasil yang didapatkan biasanya

akan memperlambat proses penelusuran nilai error yang paling kecil.

Dalam penggunaan metoda ini para peniliti biasanya menggunakan cara

memperbesar nilai dari Variabel Learning Rate saat hasil yang dicapai jauh

dari target, dan sebaliknya saat hasil yang dicapai dekat dengan nilai

target. Secara perhitungan metoda ini memang tidak begitu jauh dari

metoda yang telah dijelaskan sebelumnya, namun perbedaannya adalah

seperti dibawah ini.

4.1.4 Conjugate Gradient Back Propagation (CGX)

Conjugate Gradient Back Propagation memiliki perbedaan dibandingkan

dengan metoda GD yaitu pada saat melakukan proses update, dimana

untuk metoda GD proses tersebut dilakukan setiap penggunaan rumus

sedangkan pada proses CGX, update dilakukan setiap iterasi dilakukan.

Berikut ini merupakan proses update nilai weight.

 

4.1.5 Quasi- Newton Back Propagation (BPGS)

Metoda Newton ini merupakan improvisasi dari metoda CGX, dimana

pencapaian nilai konvigurasi dapat dilakukan lebih cepat.

Metoda yang digunakan adalah sebagai berikut :

Ak merupakan Hessian Matrix untuk nilai wieght dan Bias.

Perancangan sistem pengenalan Huruf pilihan ganda

Tahapannya adalah sebagai berikut:

1.      Mulai

2.      Image dirubah kedalam bentuk numerik dengan cara system capturing sehingga dapat diproses dengan komputer

3.      Noise yang terdapat pada image dihilangkan (pra-pengolahan)

4.      Proses binerisasi yaitu hitam(1) dan putih (0)

5.      Ekstraksi ciri huruf yang akan digunakan pada proses Jaringan Saraf Tiruan

6.      Identifikasi atau pengenalan menggunakan Jaringan Saraf Tiruan

7.      Selesai

Courtesy by UNP KEDIRI

Posted in: AI