BAB VI PENGUJIAN SISTEM
|
|
- Budi Pranoto
- 7 tahun lalu
- Tontonan:
Transkripsi
1 BAB VI PENGUJIAN SISTEM Bab ini berisi penjelasan mengenai pengujian yang dilakukan terhadap sistem pengenal tulisan tangan huruf Katakana menggunakan metode Induct/RDR (KaRe) yang telah dibangun. Pengujian ditujukan untuk memeriksa kesesuaian antara sistem yang telah dibangun dengan tujuan awal pengembangan sistem. Bab ini juga akan menjelaskan mengenai analisis terhadap hasil pengujian sistem. VI.1 Persiapan Pengujian Subbab ini menjelaskan mengenai persiapan yang diperlukan sebelum melakukan pengujian terhadap sistem. Persiapan yang diperlukan meliputi lingkungan pengujian, tujuan pengujian, bahan pengujian, skenario dan kriteria pengujian, dan metode pengukuran. VI.1.1 Lingkungan Pengujian Lingkungan pengujian meliputi lingkungan perangkat keras dan lingkungan perangkat lunak yang digunakan sama dengan lingkungan yang digunakan pada implementasi. VI.1.2 Tujuan Pengujian Tujuan dilakukannya pengujian sistem adalah: 1. Memeriksa kesesuaian antara implementasi sistem dengan hasil analisis dan perancangan dan apakah sistem dapat menjalankan fungsinya. 2. Membandingkan akurasi penerapan algoritma praproses terhadap huruf dengan praproses secara manual. 3. Mengetahui akurasi penerapan algoritma Induct/RDR untuk memproses data huruf dalam representasi struktural berupa segmen dan faktor-faktor yang dapat memperngaruhi besarnya nilai akurasi. 4. Membandingkan akurasi KaRe dengan akurasi sistem [AMI99] VI-1
2 VI-2 VI.1.3 Bahan Pengujian Bahan pengujian yang digunakan adalah: 1. Data penulisan huruf Jepang secara on-line dari [NAK97] berjumlah 10 file data dengan format nama file adalah MDB00YY.txt dengan YY adalah angka bernilai antara 01 sampai dengan Data segmentasi huruf Jepang secara manual pada 46 (empat puluh enam) silabel dasar huruf Katakana. VI.1.4 Skenario dan Kriteria Pengujian Pengujian pada pelaksanaan Tugas Akhir ini dibagi menjadi tiga bagian: 1. Pengujian implementasi kelas untuk memenuhi tujuan pengujian poin 1. Skenario dan kriteria pengujian ini dapat dilihat pada Lampiran. Pengujian terhadap fungsionalitas sistem dilakukan dengan memeriksa apakah seluruh fitur dalam sistem dapat bekerja dengan baik atau tidak. Rincian pengujian ini dapat dilihat pada Lampiran. 2. Pengujian perbandingan akurasi penerapan algoritma praproses dengan praproses secara manual untuk memenuhi tujuan pengujian poin 2. Pada pengujian ini dilakukan dua jenis perbandingan, yaitu: a. Perbandingan terhadap hasil ekstraksi fitur oleh sistem, dengan ekstraksi fitur secara manual. Ekstraksi fitur secara manual dilakukan berdasarkan pada urutan ideal penulisan huruf Katakana dan fitur ideal yang diperoleh. Pengekstraksian fitur secara manual menggunakan teori yang sama bahwa sebuah segmen didapat dengan memutuskan sebuah stroke pada segmentation point. Pengekstraksian fitur ideal dilakukan terhadap data ideal, yaitu font yang disediakan komputer. Dalam pengujian ini digunakan font MS PMincho. Penjelasan mengenai pengujian ini dapat dilihat pada Lampiran. b. perbandingan terhadap feature segmen yang dihasilkan oleh sistem, yaitu jenis segmen, posisi relatif antar segmen, dan perpotongan antar segmen. Penjelasan mengenai pengujian ini dapat dilihat pada Lampiran. 3. Pengujian akurasi pengetahuan Induct/RDR untuk memenuhi tujuan pengujian poin 3. Pengujian ini dilakukan dengan kelas WEKA yang mengimplementasi algoritma
3 VI-3 Induct/RDR, yaitu Ridor. Pengujian dilakukan dengan menggunakan skema pengujian yang disediakan oleh sistem, yaitu skema use training set (menggunakan seluruh data untuk pelatihan) dan skema 10-fold-cross-validation. Pengujian dilakukan dengan menggunakan bahan pengujian poin 1. Pengujian dilakukan terhadap masing-masing file, gabungan beberapa file, dan gabungan semua file. Nilai akurasi dinyatakan dalam persen dengan nilai akurasi maksimum adalah 100% yaitu jika semua data (100% data) diklasifikasikan dengan benar. Pengujian ini juga meliputi pengujian terhadap pengetahuan yang dihasilkan dengan menggunakan beberapa sampel yang diambil dari hasil praproses. Pengujian ini untuk membandingkan solusi yang diharapkan oleh data dengan solusi yang dihasilkan oleh sistem. 4. Pengujian akurasi pengetahuan KaRe dengan sistem [AMI99]. Pengujian ini dilakukan dengan membandingkan hal-hal mengenai kedua sistem dan akurasi akhir yang diperoleh untuk memenuhi tujuan pengujian pada poin 4. VI.2 Pelaksanaan Pengujian Subbab ini akan menjelaskan hasil pelaksanaan pengujian berdasarkan skenario pada subbab sebelumnya. Penjelasan mengenai pelaksanaan pengujian ini terdiri atas hasil pengujian, analisis hasil, dan kesimpulan pengujian. VI.2.1 Hasil Pengujian Pelaksanaan pengujian dilakukan berdasarkan penjelasan pada persiapan pengujian, untuk mengukur keberhasilan implementasi kelas, implementasi algoritma segmentasi, dan tingkat akurasi algoritma Induct/RDR terhadap permasalahan pengenalan tulisan tangan huruf Jepang. Hasil pengujian implementasi kelas dapat dilihat pada Lampiran E. Hasil pengujian implementasi algoritma praproses dapat dilihat pada Lampiran G dan Lampiran H. Hasil pengujian tingkat akurasi algoritma Induct/RDR pada permasalahan terpilih dapat dilihat pada lampiran I. VI.2.2 Analisis Hasil Pengujian Subbab ini akan menjelaskan analisis dari hasil pengujian pada poin pengujian 2, 3, dan 4.
4 VI-4 VI Analisis Hasil Pengujian Implementasi Algoritma Praproses Hasil perbandingan algoritma praproses dapat dilihat pada Lampiran. Perbandingan hasil penerapan algoritma segmentasi ini dilakukan terhadap subset huruf Katakana, yaitu 46 (empat puluh enam) huruf yang merupakan bentuk dasar silabel Katakana pada gambar huruf Katakana pada subbab III.2.3. Perbandingan tidak dilakukan terhadap subset Dakuon, Handakuon, dan Yoon. Proses segmentasi manual dilakukan terhadap huruf dalam bentuk ideal, yaitu bukan huruf hasil penulisan tangan. Oleh karena itu, bentuk huruf ideal ini sama sekali tidak mengandung guratan-guratan yang tidak perlu. Bentuk huruf ideal yang dipilih adalah font MS PMincho. Font ini dipilih karena bentuknya yang termasuk dalam jenis huruf Serif. Huruf Serif mempunyai bentuk seperti kail di ujung-ujung huruf. Bentuk kail ini dijumpai pada penulisan huruf-huruf Katakana. Sehingga, dengan menggunakan font ini, perbandingan yang dilakukan dianggap cukup sepadan. Namun demikian, bentuk seperti kail di ujung-ujung huruf dalam font MS PMincho ini tidak dianggap sebagai sebuah segmen. Proses segmentasi dengan menggunakan algoritma segmentasi yang dirancang, dilakukan terhadap huruf dari sebuah file data yang dipilih secara acak (tanpa kriteria). Untuk bahan perbandingan, diambil satu sampel image untuk setiap huruf dari hasil proses segmentasi sistem. Perbandingan dilakukan terhadap dua aspek, yaitu jumlah segmen dan jenis segmen sesuai dengan urutannya. Hasil perbandingan dari tiap aspek adalah sebagai berikut: 1. Jumlah segmen Berdasarkan jumlah segmen, proses segmentasi oleh sistem menghasilkan jumlah segmen maksimal adalah 5 (lima) buah segmen, yaitu pada huruf ネ (Ne). Proses segmentasi ideal menghasilkan jumlah segmen maksimum 5 (lima) buah segmen, yaitu pada huruf ホ (Ho) dan ネ (Ne). Huruf hasil proses segmentasi KaRe yang mempunyai jumlah segmen yang sama dengan jumlah segmentasi secara manual adalah 38 huruf (82,60%). Hasil pengujian ini dapat dilihat pada Lampiran F. 2. Jenis segmen benar sesuai urutan yang tepat Perbandingan dilakukan pada urutan yang bersesuaian, yaitu keluaran sistem urutan pertama, dibandingkan dengan keluaran proses manual urutan pertama, demikian seterusnya. Yang menjadi patokan perbandingan adalah keluaran sistem yang ideal. Jika jumlah segmen keluaran sistem yang dihasilkan lebih besar daripada jumlah segmen ideal, maka kelebihan segmen sistem yang dihasilkan tidak diperhitungkan.
5 VI-5 Sebaliknya jika segmen keluaran sistem lebih sedikut daripada jumlah segmen ideal, maka kekurangan dari sistem dianggap sebagai ketidaksesuain. Hasil pengujian ini dapat dilihat pada Lampiran F. Nilai rata-rata akurasi urutan dan jenis segmen ini adalah 69,35%. Ringkasan hasil pengujian dapat dilihat pada Tabel VI-1. Tabel VI-1 Akurasi pengujian praproses pada kesesuaian jenis dan urutan segmen Akurasi (%) Jumlah data Σdata 46 Nilai akurasi dihitung dengan cara berikut: Akurasi = n segmen_tepat_benar / n segmen_ideal x 100% Segmen_tepat_benar adalah segmen yang mempunyai jenis dan urutan yang sama dengan jumlah dan jenis segmen ideal. Akurasi tertinggi dimiliki oleh 41,30% data yang memiliki urutan dan jenis segmen sama dengan praproses manual. Sedangkan 58,70% data memiliki urutan dan jenis segmen tidak tepat sama atau tidak sama, dengan perincian: 15 (lima belas) data yang memiliki akurasi 50% sampai dengan 99%, artinya urutan dan jenis segmen hasil praproses sistem yang sama dengan praproses manual lebih banyak daripada urutan dan jenis segmen yang tidak sama. 8 (delapan) data memiliki akurasi 1%-49% artinya data tersebut memiliki urutan dan jenis segmen berbeda lebih banyak daripada urutan dan jenis segmen yang sama. Gambar VI-1.menunjukkan distribusi nilai akurasi terhadap jumlah data. Grafik menunjukkan bahwa distribusi tidak bersifat eksponensial.
6 VI-6 Gambar VI-1 Distribusi Akurasi terhadap Jumlah Data 3. Pengujian posisi relatif antar segmen. Hasil pengujian ini dapat dilihat pada Lampiran G. Nilai akurasi rata-rata yang dihasilkan adalah 68,61%. Distribusi data terhadap akurasi dapat dilihat pada Tabel VI-2 dan Gambar VI-2. Tabel VI-2 Distribusi Data Terhadap Akurasi Berdasarkan Posisi Relatif antar Segmen Akurasi (%) Jumlah data Σdata 46
7 VI-7 Gambar VI-2 Distribusi Data Terhadap Akurasi Berdasarkan Posisi Relatif antar Segmen Dari hasil pengujian, diketahui bahwa 52,17% data mempunyai posisi relatif antar segmen keluaran sistem sama dengan keluaran ideal. Sisanya, yaitu 47,83% data mempunyai posisi relatif antar segmen keluaran sistem yang tidak persis sama dengan keluaran ideal. 4. Pengujian perpotongan antar segmen. Hasil pengujian ini dapat dilihat pada lampiran pengujian algoritma praproses bagian III. Distribusi akurasi terhadap jumlah data dapat dilihat pada Tabel VI-3 dan Gambar VI-3. Tabel VI-3 Distribusi Data Terhadap Akurasi Berdasarkan Perpotongan Antar Segmen Akurasi (%) Jumlah data Σdata 46
8 VI-8 Gambar VI-3 Distribusi Data Terhadap Akurasi Berdasarkan Perpotongan Antar Segmen Dari hasil pengujian, terdapat delapan data dengan akurasi 0% (tidak ada perpotongan antar segmen yang tepat), tiga data dengan akurasi 1% sampai dengan 49% (jumlah perpotongan tepat kurang dari jumlah perpotongan tidak tepat), 13 (tiga belas) data dengan akurasi 50% sampai dengan 99% (jumlah perpotongan tepat lebih besar atau sama dengan jumlah perpotongan tidak tepat), dan 23 (duapuluh tiga) data dengan nilai akurasi 100% (semua jenis perpotongan tepat). Sehingga, terdapat 50% data yang mempunyai perpotongan antar segmen keluaran sistem yang sama dengan keluaran ideal dan 50% data yang mempunyai perpotongan antar segmen keluaran sistem tidak persis sama dengan keluaran ideal. Nilai rata-rata akurasi pengujian ini adalah 67,43%. Untuk keempat jenis pengujian algoritma praproses, nilai rata-rata akurasi dapat dihitung sebagai berikut: 82,60%+69,35% + 68,61%. + 67,43% 4 = 71,99% Jika ditinjau dari jumlah segmen dan jenis segmen yang dihasilkan dalam urutan yang bersesuaian dengan keluaran ideal, nilai akurasi algoritma segmentasi dapat dikatakan cukup baik. Adanya ketidaksesuaian baik dari jumlah segmen maupun dari jenis segmen yang dihasilkan disebabkan oleh beberapa hal, di antaranya: 1. Perbedaaan penulisan ideal dengan penulisan sesungguhnya oleh responden. 2. Adanya beberapa kecenderungan yang mempengaruhi, yaitu:
9 VI-9 a. Kecenderungan untuk menjadikan dua guratan terpisah menjadi dua guratan yang tersambung. b. Kecenderungan untuk menambahkan bentuk seperti kait di setiap akhir penulisan sebuah guratan. c. Kecenderungan untuk menuliskan garis lurus sebagai garis miring, dan sebaliknya. Hal ini banyak dijumpai pada data. 3. Nilai rata-rata akurasi terendah terdapat pada pengujian perpotongan antar segment. Hal ini dapat diartikan bahwa pada data, perpotongan antar segmen yang tepat tidak terlalu diperhatikan oleh responden penulis. Contohnya, pada huruf ム (Mu), jika seharusnya segmen kedua dan ketiga ditulis sebagai perpotongan, untuk alasan kepraktisan maka segmen kedua dan ketiga ditulis sebagai segmen yang successive (ditulis berurutan). 4. Responden juga cenderung menuliskan segmen Right-Horizontal sebagai Down- Backslash (segmen pertama huruf ア (A)). Namun demikian nilai akurasi untuk urutan dan jenis segmen merupakan nilai tertinggi di antara tiga jenis pengujian praproses yang berbasis nilai ketepatan dan kebenaran. Meskipun pada contoh file yang digunakan untuk pengujian, terdapat urutan penulisan yang terbalik sehingga jenis segmen yang dihasilkan pun tidak sesuai. Contohnya pada huruf メ (Me) yang seharusnya dituliskan sebagai Down-Slash dan Down-Backslash, namun dituliskan oleh responden dengan urutan terbalik. 5. Dengan nilai rata-rata akurasi sebesar 71,99% maka diperoleh kesimpulan sementara bahwa algoritma praproses yang digunakan cukup mampu untuk menghasilkan feature yang mendekati fitur yang ideal. VI Analisis Hasil Pengujian Akurasi Pengetahuan Induct/RDR pada KaRe Pengujian ini dilakukan dengan metode 10-fold-cross-validation, dengan menggunakan implementasi Induct/RDR pada WEKA, yaitu Ridor. Data yang digunakan berasal dari 10 (sepuluh) data titik koordinat tulisan tangan huruf Jepang. Pengujian ini bertujuan untuk mengetahui kemampuan Induct/RDR dalam membangun pengetahuan dari data penulisan tangan huruf Katakana yang direpresentasikan dalam komponen struktural penyusunnya, yaitu segmen dan relasinya. Selain itu, pengujian ini bertujuan untuk mengetahui pengaruh jumlah data terhadap jumlah rule dan tingkat akurasi yang dihasilkan. Nilai akhir akurasi pengujian sistem ini akan dibandingkan dengan nilai akhir akurasi penelitian [AMI99] yang
10 VI-10 menggunakan Induct/RDR untuk pengenalan tulisan tangan huruf Latin yang dicetak (bukan dituliskan pada TabletPC). Percobaan akan dilakukan sebanyak lima kali. Percobaan pertama menggunakan satu buah file data. Percobaan kedua menggabungkan dua buah file data. Percobaan ketiga menggabungkan lima buah file data. Percobaan keempat menggabungkan sepuluh file data. Setiap file data berisi ±662 buah sampel image huruf Katakana dari sampel image karakter Jepang, dengan ±88 (delapan puluh delapan) karakter Katakana (distinct). Hasil pengujian dapat dilihat pada Tabel VI-4 & Tabel VI-5. Tabel VI-4 Hasil pelatihan dengan berbagai macam ukuran data Jumlah Jumlah Pelatihan Nilai data rule Jumlah data yang benar diklasifikasikan Jumlah data yang salah diklasifikasikan akurasi pelatihan ,01% ,81% ,52% ,25% Tabel VI-5 Hasil pengujian 10-fold-cross-validation dengan data yang sama dengan pengujian pelatihan Jumlah Jumlah Pengujian 10-fold cross-validation Nilai data rule Jumlah data yang Jumlah data yang akurasi benar diklasifikasikan salah diklasifikasikan ,27% ,05% ,65% ,41% Pelatihan menghasilkan akurasi yang lebih besar pada data yang sama dibandingkan pengujian dengan cross-validation. Cross-validation melakukan partisi random yang berbeda untuk setiap iterasi sebanyak k-fold yang digunakan. Nilai akurasi ini dapat diperbaiki dengan memperbanyak jumlah data, seperti pada percobaan ketiga dan keempat. Penambahan data
11 VI-11 yang akan akan memberikan pengaruh yang signifikan terhadap akurasi sistem adalah penambahan data dalam jumlah yang cukup besar. Selain itu, pada beberapa percobaan yang telah dilakukan sebelumnya, urutan data sangat mempengaruhi nilai akurasi pada pengujian sistem. Penambahan jumlah data dapat berpengaruh pada kenaikan akurasi sistem. Namun demikian, dengan bertambahnya jumlah data, maka bertambah pula ukuran pengetahuan yang dihasilkan. Ini merupakan salah satu kelemahan RDR karena melakukan pembangunan pengetahuan berbasis kasus. Di samping kelemahan ini, RDR memiliki kelebihan yaitu waktu pemrosesan yang cukup cepat untuk ukuran data yang besar. Waktu pemrosesan ini adalah waktu pembangunan pengetahuan dari data. Untuk memeriksa kebenaran pengetahuan yang telah dibangun, maka diambil sampel pengetahuan yang telah dibangun. Sampel pengetahuan ini dapat dilihat pada Gambar VI-4. character = ー (2666.0/2410.0) Except (side_seg0-seg1 = SOUTH) => character = ス (587.0/0.0) [287.0/0.0] Except (isect_seg0-seg1 = NO-INTERSECT) => character = ン (330.0/0.0) [165.0/0.0] Except (Seg1 = R-HOR) and (Seg0 = R-HOR) => character = キ (132.0/0.0) [68.0/0.0] Gambar VI-4 Sampel pengetahuan yang berhasil dibangun Pengecekan kebenaran pengetahuan dapat dilihat pada Tabel VI-6. Tabel VI-6 Pengecekan kebenaran pengetahuan Induct/RDR Huruf Feature yang muncul Solusi KaRe Evaluasi ス Seg2_1 South ス Benar ン キ Seg2_1 South Isect2_1 No-Intersect Seg2_1 South Isect2_1 No-Intersect Seg1 Right-Horizontal Seg2 Right-Horizontal ン キ Benar Benar Dari potongan pengetahuan yang diambil sebagai contoh pengujian, dapat dilihat bahwa pengetahuan dapat memberikan akurasi 100%. Dengan demikian, dapat dikatakan bahwa pengetahuan RDR yang dibangun terhadap data tulisan tangan ini cukup valid. VI Analisis Hasil Perbandingan Pengujian KaRe dengan Sistem [AMI99] Hasil pengujian KaRe dapat dilihat pada tabel-tabel di subbab sebelumnya. Tabel VI-7 menunjukkan hasil pelatihan dan pengujian pada sistem [AMI99].
12 VI-12 Tabel VI-7 Akurasi sistem [AMI99] Jumlah data Jumlah rule Akurasi Jumlah data Akurasi latih pelatihan uji pengujian ,6% 84 83,9% ,9% ,0% ,3% ,1% ,1% ,2% Untuk membandingkan kedua implementasi Induct/RDR pada permasalahan pengenalan tulisan tangan, berikut ini diberikan aspek-aspek pembeda yang berpengaruh pada perbedaan akurasi yang dihasilkan. Tabel VI-8 Perbandingan sistem [AMI99] dengan KaRe Aspek pembeda [AMI99] KaRe Objek penelitian Huruf Latin tulisan tangan yang dicetak Data penulisan on-line huruf Jepang Jumlah data Jumlah segmen kategori 30 8 Basis segmentasi Ukuran segmen Sudut inklinasi Akurasi pada pengujian tertinggi 90,2% 66,41% Berdasarkan tabel di atas, diketahui bahwa jumlah kategori segmen yang digunakan pada KaRe jauh lebih sedikit, yaitu kurang dari sepertiga jumlah kategori segmen yang digunakan pada [AMI99]. Aspek ini dapat menjadi salah satu penyebab jauhnya nilai akurasi antara dua sistem. Dengan kategori segmen yang lebih banyak, segmen yang serupa akan terpisahkan ke kategori yang berbeda. VI.2.3 Kesimpulan Pengujian Berdasarkan penjelasan hasil pengujian di atas, dapat disimpulkan beberapa hal berikut: 1. Sistem yang dibangun dapat menjalankan fungsinya dengan baik dan sesuai dengan analisis dan perancangan sistem. 2. Algoritma praproses yang dirancang dapat merepresentasikan huruf Katakana dengan baik, dengan nilai akurasi mencapai 71,99%. Akurasi dipengaruhi oleh faktor-faktor
13 VI-13 penulisan dan kecenderungan responden penulis. Selain itu, kualitas data juga memberikan pengaruh yang cukup besar, yaitu adanya noise (derau). 3. Algoritma Induct/RDR memberikan akurasi tertinggi 66,41%, jika representasi huruf Katakana diperbaiki, yaitu dengan meminimalisir kehadiran-kehadiran segmen yang tidak seharusnya ada. Hal ini menunjukkan bahwa proses segmentasi yang dapat mengekstraksi lebih banyak informasi dari huruf Katakana dapat membantu sistem dalam melakukan pembangunan pengetahuan yang baik. 4. Akurasi sistem yang dibangun lebih rendah dibandingkan dengan akurasi sistem pada penelitian [AMI99]. Perbedaan ini kemungkinan disebabkan oleh faktor-faktor seperti data asal dan teknik pemrosesan data.
BAB IV ANALISIS DAN PERANCANGAN
BAB IV ANALISIS DAN PERANCANGAN Bab ini berisi analisis permasalahan pengenalan tulisan tangan karakter Jepang Katakana dengan menggunakan Induct/RDR dan teknik pengenalan tulisan tangan yang dipilih dari
Lebih terperinciBAB III PENGENALAN TULISAN TANGAN ON-LINE
BAB III PENGENALAN TULISAN TANGAN ON-LINE Bab ini berisi metode penulisan tangan on-line dan proses-proses yang terlibat di dalamnya. Pembahasan ini juga meliputi teknik-teknik yang umum digunakan dalam
Lebih terperinciDAFTAR ISI. KATA PENGANTAR... Error! Bookmark not defined. DAFTAR ISI... i. DAFTAR TABEL... vi. DAFTAR GAMBAR... vii
DAFTAR ISI KATA PENGANTAR... Error! Bookmark not defined. DAFTAR ISI... i DAFTAR TABEL... vi DAFTAR GAMBAR... vii BAB I PENDAHULUAN... Error! Bookmark not defined. 1.1 Latar Belakang... Error! Bookmark
Lebih terperinciBAB I PENDAHULUAN. Pengenalan pola merupakan permasalahan kecerdasan buatan yang secara
BAB I PENDAHULUAN 1.1. Latar Belakang Pengenalan pola merupakan permasalahan kecerdasan buatan yang secara umum sering digunakan dalam sistem berbasis pengetahuan. Pengenalan pola memiliki peranan penting
Lebih terperinciBAB 1 PENDAHULUAN 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Pada perkembangan teknologi informasi yang sangat pesat, dokumen penting masih tetap mutlak diperlukan dan dijaga keutuhannya. Huruf merupakan suatu elemen utama yang
Lebih terperinciBAB III METODE PENELITIAN. tangan dengan menggunakan metode Support Vector Machine (SVM).
BAB III METODE PENELITIAN 3.1 Desain Penelitian Di dalam desain penelitian ini akan menggambarkan proses pengenalan tulisan tangan dengan menggunakan metode Support Vector Machine (SVM). Praproses Input
Lebih terperinciBAB III METODOLOGI PENELITIAN. Gambar 3.1 merupakan desain penelitian yang akan digunakan pada
BAB III METODOLOGI PENELITIAN 1.1. Desain Penelitian Gambar 3.1 merupakan desain penelitian yang akan digunakan pada proses pengenalan huruf tulisan tangan Katakana menggunakan metode Fuzzy Feature Extraction
Lebih terperinciUKDW BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Pengenalan citra merupakan suatu ilmu yang berguna untuk melakukan klasifikasi berdasarkan ciri atau sifat-sifat dari suatu objek. OCR atau Optical Character
Lebih terperinciBAB 1 PENDAHULUAN. dengan proses pengolahan citra digital (digital image processing), dimana data berupa
BAB 1 PENDAHULUAN 1.1 Latar Belakang Pada awalnya, komputer hanya dapat digunakan untuk melakukan pemrosesan terhadap data numerik. Tetapi pada sekarang ini, komputer telah membawa banyak perubahan dan
Lebih terperinciNama : Raden Septiana Faza NPM : Jurusan : Teknik Informatika Pembimbing 1 : Dr. Rodiah Pembimbing 2 : Fitrianingsih, Skom.
IMPLEMENTASI TRANSFORMASI RADON UNTUK PERBAIKAN SUDUT KEMIRINGAN HURUF PADA PROSES SEGMENTASI DAN PENGENALAN TULISAN TANGAN SAMBUNG OFFLINE MENGGUNAKAN MATLAB 2015A Nama : Raden Septiana Faza NPM : 55412851
Lebih terperinciBAB V IMPLEMENTASI (Evaluation Phase dan Deployment Phase)
BAB V IMPLEMENTASI (Evaluation Phase dan Deployment Phase) 5.1 Lingkungan Implementasi Implementasi merupakan tahapan dimana hasil perancangan yang telah dibangun mulai diterapkan pada kondisi yang menyerupai
Lebih terperinciTeam project 2017 Dony Pratidana S. Hum Bima Agus Setyawan S. IIP
Hak cipta dan penggunaan kembali: Lisensi ini mengizinkan setiap orang untuk menggubah, memperbaiki, dan membuat ciptaan turunan bukan untuk kepentingan komersial, selama anda mencantumkan nama penulis
Lebih terperinciBAB 3 PENGENALAN KARAKTER DENGAN GABUNGAN METODE STATISTIK DAN FCM
BAB 3 PENGENALAN KARAKTER DENGAN GABUNGAN METODE STATISTIK DAN FCM 3.1 Gambaran Umum Gambar 3.1 Gambar Keseluruhan Proses Secara Umum 73 74 Secara garis besar, keseluruhan proses dapat dikelompokkan menjadi
Lebih terperinciBAB 3 PROSEDUR DAN METODOLOGI. menawarkan pencarian citra dengan menggunakan fitur low level yang terdapat
BAB 3 PROSEDUR DAN METODOLOGI 3.1 Permasalahan CBIR ( Content Based Image Retrieval) akhir-akhir ini merupakan salah satu bidang riset yang sedang berkembang pesat (Carneiro, 2005, p1). CBIR ini menawarkan
Lebih terperinciPengenalan Aksara Lampung Menggunakan Jaringan Syaraf Tiruan
Pengenalan Aksara Lampung Menggunakan Jaringan Syaraf Tiruan Adhika Aryantio School of Electrical Engineering and Informatics Institute Technology of Bandung 10th Ganeca Street Bandung, Indonesia. Adhikaaryantio.x6@gmail.com
Lebih terperinciBAB 3 PERANCANGAN SISTEM
21 BAB 3 PERANCANGAN SISTEM 3.1 Arsitektur Sistem Template Formulir Sample Karakter Pengenalan Template Formulir Pendefinisian Database Karakter Formulir yang telah diisi Pengenalan Isi Formulir Hasil
Lebih terperinciKlasifikasi Karakter Tulisan Tangan berdasarkan pola segmen
Klasifikasi Karakter Tulisan Tangan berdasarkan pola segmen 20 Nopember 2010 Nuryuliani, Lulu C Munggaran Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Gunadarma Universitas Gunadarma Depok,
Lebih terperinciBAB I PENDAHULUAN 1 Pendahuluan 1.1 Latar Belakang Masalah Grafologi atau analisis tulisan tangan adalah metode ilmiah untuk mengidentifikasi,
BAB I PENDAHULUAN 1 Pendahuluan 1.1 Latar Belakang Masalah Grafologi atau analisis tulisan tangan adalah metode ilmiah untuk mengidentifikasi, mengevaluasi dan pemahaman karakter seseorang melalui pola
Lebih terperinciJURNAL SAINS DAN SENI POMITS Vol. 2, No.1, (2013) 1-6 1
JURNAL SAINS DAN SENI POMITS Vol. 2, No.1, (2013) 1-6 1 Pengenalan Tulisan Tangan Huruf Latin Bersambung Secara Real Time Menggunakan Algoritma Learning Vector Quantization Ulir Rohwana dan M Isa Irawan
Lebih terperinciBAB 1 PENDAHULUAN. memindahkan data secara manual ke dalam komputer untuk dapat diolah lebih
BAB 1 PENDAHULUAN 1.1 Latar Belakang Teknologi yang terus berkembang membuat sistem komputerisasi bergerak dengan cepat, namun hal ini tidak seimbang dengan kemampuan manusia memindahkan data secara manual
Lebih terperinciBAB 2 LANDASAN TEORI
5 BAB 2 LANDASAN TEORI 2.1 Digital Image 2.1.1 Definisi Digital Image Menurut Gonzalez dan Woods (1992, p6), digital image adalah image f(x,y) yang telah dibedakan berdasarkan koordinat tata letak dan
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang Masalah
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Seiring dengan perkembangan zaman yang secara tidak disadari diikuti oleh perkembangan teknologi sangat banyak memberi pengaruh terhadap perkembangan ilmu
Lebih terperinciDAFTAR REFERENSI. xii
DAFTAR REFERENSI [AMI98] Amin, A., Singh, S. (1998). Recognition of Hand-printed Chinese Characters using Decision Trees/Machine Learning C4.5 System. Pattern Analysis and Applications Vol. 1 Issue 2 Pp.
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Pengenalan kata dalam dunia teknologi informasi merupakan suatu permasalahan yang tidak asing dalam bidang kecerdasan buatan. Pengenalan kata dalam bidang kecerdasan
Lebih terperinciUKDW BAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Teknologi Komputer yang semakin maju saat ini telah membantu hampir seluruh aspek kehidupan manusia. Teknologi komputer sering digunakan untuk mengatasi berbagai macam
Lebih terperinciBAB IV ANALISIS DATA DAN PEMBAHASAN. Pada bab ini, penulis akan menguraikan data-data yang diperoleh dari hasil
49 BAB IV ANALISIS DATA DAN PEMBAHASAN Pada bab ini, penulis akan menguraikan data-data yang diperoleh dari hasil proses belajar mengajar huruf katakana menggunakan teknik pembelajaran metode Tutorial.
Lebih terperinciUKDW BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Sistem parkir khususnya untuk parkir mobil di tempat-tempat pusat perbelanjaan di Indonesia pada umumnya sudah menerapkan sistem otomatis. Setiap mobil yang
Lebih terperinciHASIL DAN PEMBAHASAN
HASIL DAN PEMBAHASAN Ekstraksi ciri Citra yang digunakan dalam penelitian ini berukuran 150 x 150 pixel, sehingga jika divektorkan akan menghasilkan vektor berukuran 22500. Melalui tahap ekstraksi ciri
Lebih terperinciBAB I PENDAHULUAN. Cabang ilmu tersebut adalah Grafologi. Para ahli Grafologi atau yang dikenal
1 BAB I PENDAHULUAN 1.1 Latar Belakang Kepribadian seseorang dapat tercermin melalui tulisan tangannya. Dalam ilmu kejiwaan, atau psikologi, terdapat sebuah cabang ilmu yang dapat mengenali atau menentukan
Lebih terperinciOleh: Ulir Rohwana ( ) Dosen Pembimbing: Prof. Dr. H. M. Isa Irawan, M.T.
Oleh: Ulir Rohwana (1209 100 702) Dosen Pembimbing: Prof. Dr. H. M. Isa Irawan, M.T. DAFTAR ISI I II III IV V VI PENDAHULUAN TINJAUAN PUSTAKA METODOLOGI PERANCANGAN DAN IMPLEMENTASI HASIL DAN PENGUJIAN
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Citra Citra (image) sebagai salah satu komponen multimedia memegang peranan sangat penting sebagai bentuk informasi visual. Citra mempunyai karakteristik yang tidak dimiliki oleh
Lebih terperinciTabel 2 Jumlah data prosedur uji. Crop Variable. Jumlah data LAI 104 SPAD 105 yield 64 LAI 104 SPAD 105 yield 64 LAI 62 SPAD 63 yield 34.
2. Cross validation 5 fold dengan pemisahan data Indramayu dan, menggunakan data berikut: 3. Supplied test set : training:, testing: Hymap training:, testing: Hymap 4. Percentage split dengan data training
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Saat ini teknologi sudah semakin berkembang, hal ini tentunya memberi pengaruh juga dalam berkembangnya ilmu pengetahuan. Perkembangan tersebut juga berpengaruh pada
Lebih terperinciBAB III METODOLOGI PENELITIAN
42 BAB III METODOLOGI PENELITIAN 3.1 Desain Penelitian Observasi, serta konsultasi dengan ahli grafologi mengenai pengenalan tulisan tangan untuk melihat karakter psikologi dengan melihat bentuk huruf
Lebih terperinciBAB I PENDAHULUAN Latar Belakang
12 BAB I PENDAHULUAN 1.1. Latar Belakang Bahasa Jepang termasuk salah satu bahasa penting dan digunakan secara internasional. Bahasa Jepang menduduki urutan ke-4 setelah bahasa Inggris, Mandarin, dan Spanyol
Lebih terperinciBAB III PERANCANGAN SISTEM
BAB III PERANCANGAN SISTEM Dalam pengerjaan perancangan dan pembuatan aplikasi pengenalan karakter alfanumerik JST algoritma Hopfield ini menggunakan software Borland Delphi 7.0. 3.1 Alur Proses Sistem
Lebih terperinciPenggunaan template matching sebagai salah satu metode dalam mengenali simbol juga mengalami perkembangan, yang terbaru adalah algoritma Optimized
BAB I PENDAHULUAN 1.1 Latar Belakang Penelitian mengenai pengenalan ekspresi matematika terus mengalami perkembangan, seiring berkembangnya peralatan interaksi dengan manusia dan bertambahnya minat dalam
Lebih terperinciBAB 1 PENDAHULUAN. Perkembangan pengetahuan dibidang kecerdasan buatan sedemikian
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Perkembangan pengetahuan dibidang kecerdasan buatan sedemikian pesatnya, seperti penelitian segmentasi dokumen. Segmentasi dokumen membuat pengguna menjadi mudah
Lebih terperinciPEDOMAN PENULISAN SKRIPSI Fakultas Ekonomi Universitas Gunadarma
PEDOMAN PENULISAN SKRIPSI Fakultas Ekonomi Universitas Gunadarma 1. PENGERTIAN SKRIPSI : Skripsi dapat diartikan sebagai karya tulis yang disusun oleh seorang mahasiswa yang telah menyelesaikan kurang
Lebih terperinciBulu mata. Generalisasi= Jumlah pola dikenali dengan benar x 100% Jumlah total pola
Generalisasi Hasil penelitian ini diukur menggunakan nilai konvergen dan generalisasi. Nilai konvergen adalah tingkat kecepatan jaringan untuk mempelajari pola input yang dinyatakan dalam satuan iterasi
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Rancangan Penelitian Pengerjaan tugas akhir ini ditunjukkan dalam bentuk blok diagram pada gambar 3.1. Blok diagram ini menggambarkan proses dari sampel citra hingga output
Lebih terperinciUKDW BAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Dalam dunia desain, mengenal dan mengidentifikasi jenis font adalah hal yang sangat penting karena dapat meningkatkan efektifitas dan produktifitas kerja para desainer.
Lebih terperinciHASIL DAN PEMBAHASAN. B fch a. d b
7 dengan nilai σ yang digunakan pada tahap pelatihan sebelumnya. Selanjutnya dilakukan perhitungan tingkat akurasi SVM terhadap citra yang telah diprediksi secara benar dan tidak benar oleh model klasifikasi.
Lebih terperinciBAB II INDUCT/RIPPLE-DOWN RULE (RDR)
BAB II INDUCT/RIPPLE-DOWN RULE (RDR) Bab ini berisi tentang uraian mengenai teori Ripple-Down Rules (RDR), yang meliputi RDR dengan pengembangan manual dan RDR yang menerapkan algoritma Induct untuk pengembangannya.
Lebih terperinciBAB 3 ANALISA DAN PERANCANGAN SISTEM
BAB 3 ANALISA DAN PERANCANGAN SISTEM 3.1 Analisa Program Aplikasi Dalam proses identifikasi karakter pada plat nomor dan tipe kendaraan banyak menemui kendala. Masalah-masalah yang ditemui adalah proses
Lebih terperinciBAB III ANALISA DAN PERANCANGAN SISTEM
BAB III ANALISA DAN PERANCANGAN SISTEM 1.1. Analisa Masalah 3.1.1. Analisa Algoritma Midi (Musical Instrument Digital Interface) merupakan sebuah teknologi yang memungkinkan alat musik elektrik, komputer,
Lebih terperinciHardisk 80 GB Perangkat lunak Window XP Profesional MATLAB 7.0.1
Hardisk 8 GB Perangkat lunak Window XP Profesional MATLAB 7..1 HASIL DAN PEMBAHASAN Percobaan yang dilakukan pada penelitian ini terdiri atas dua macam, yaitu citra yang akan mengalami proses pengenalan
Lebih terperinciHASIL DAN PEMBAHASAN Dalam pembuatan data warehouse potensi desa wilayah Bogor melalui beberapa tahap yaitu:
8 memeriksa apakah masukan dari pengguna akan memberikan keluaran yang sesuai dengan tidak memperhatikan proses yang terjadi di dalamnya (Sommerville 2000). HASIL DAN PEMBAHASAN Dalam pembuatan data warehouse
Lebih terperinciBAB I BAB 1. PENDAHULUAN
BAB I BAB 1. PENDAHULUAN 1.1. Latar Belakang Masalah Kata konversi dalam pengertian etimologi berasal dari bahasa latin conversion, yang berarti pindah atau berubah ( keadaan). Kata tersebut selanjutnya
Lebih terperinciBAB III Analisis. Gambar III.1 Rancangan Pemrosesan
BAB III Analisis Bab ini memuat analisis yang dilakukan dalam penulisan Tugas Akhir, berupa analisis terhadap rancangan pemrosesan, yang dibagi menjadi bagian Preprosesor, Algoritma Genetika, dan bagian
Lebih terperinciBAB 1 PENDAHULUAN. Bahasa Jepang menggunakan berbagai jenis karakter untuk sistem
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Bahasa Jepang menggunakan berbagai jenis karakter untuk sistem penulisannya. Salah satu jenis huruf Jepang adalah kana, yaitu karakter fonetis yang melambangkan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Segmentasi citra (image segmentation) merupakan langkah awal pada proses analisa citra yang bertujuan untuk mengambil informasi yang terdapat di dalam suatu citra.
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Pada bab ini akan dibahas teori yang berkaitan dengan pemrosesan data untuk sistem pendeteksi senyum pada skripsi ini, meliputi metode Viola Jones, konversi citra RGB ke grayscale,
Lebih terperinci4 HASIL DAN PEMBAHASAN
24 4 HASIL DAN PEMBAHASAN 4.1 Data Korpus Data korpus berisi berita-berita nasional berbahasa Indonesia dari tanggal 11 Maret 2002 sampai 11 April 2002. Berita tersebut berasal dari berita online harian
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Permainan catur cina, yang dikenal sebagai xiang qi dalam bahasa mandarin, merupakan sebuah permainan catur traditional yang memiliki jumlah 32 biji catur. Setiap
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN. fold Cross Validation, metode Convolutional neural network dari deep learning
BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1 Prinsip Kerja Program P rinsip kerja program yaitu dengan melakukan pra pengolahan citra terhadap foto fisik dari permukaan buah manggis agar ukuran seluruh data
Lebih terperinciJURNAL PENGENALAN POLA KAKI O DAN KAKI X MENGGUNAKAN METODE BRAY-CURTIS DISTANCE
JURNAL PENGENALAN POLA KAKI O DAN KAKI X MENGGUNAKAN METODE BRAY-CURTIS DISTANCE Recognition pattern of foot o and foot x using method bray-curtis distance Oleh: FATHUL MU ARIF 12.1.03.02.0091 Dibimbing
Lebih terperinciBAB I PENDAHULUAN. tangan dijadikan alat untuk menganalisis kepribadian pemiliknya. Sebuah
BAB I PENDAHULUAN 1.1 Latar Belakang Tulisan tangan merupakan salah satu hal unik yang dapat dihasilkan oleh manusia selain tanda tangan. Seperti halnya tanda tangan, tulisan tangan juga dapat digunakan
Lebih terperinciBAB IV ANALISIS, PERANCANGAN, DAN IMPLEMENTASI PERANGKAT LUNAK
BAB IV ANALISIS, PERANCANGAN, DAN IMPLEMENTASI PERANGKAT LUNAK Pada bab ini akan dibahas berbagai hal yang terkait analisis dan perancangan perangkat lunak web mining yang diusulkan sebagai solusi permasalahan.
Lebih terperinciHASIL DAN PEMBAHASAN. Gambar 3 Ilustrasi pencarian titik pusat dan jari-jari pupil. Segmentasi
4 Perangkat keras berupa Notebook: Processor intel Core i3 2.2 GHz. RAM kapasitas 2. GB. Harddisk Kapasitas 5 GB. Monitor pada resolusi 1366 x 768 piksel. Merek Acer Aspire 475. Perangkat lunak berupa:
Lebih terperinciBAB 1 PENDAHULUAN. barang, jaringan jalan raya, atau dalam masalah komputasi yaitu jaringan penjadwalan.
BAB 1 PENDAHULUAN 1.1 Latar Belakang Kehidupan manusia berkaitan erat dengan jaringan. Jaringan pendistribusian barang, jaringan jalan raya, atau dalam masalah komputasi yaitu jaringan penjadwalan. Dalam
Lebih terperinciyang standar. Tugas akhir ini lebih berorientasi pada pengenalan fiturnya, sehingga pembahasan lebih ditekankan pada ekstraksi fitur bentuk geometri.
1 PENGENALAN KARAKTER TEKS MENGGUNAKAN METODE NEURAL NETWORK BACKPROPAGATION Titis Hayuning Widya Pramesti, email: titishayuning@gmail.com Jurusan Teknik Elektro, Fakultas Teknik Universitas Brawijaya
Lebih terperinciUKDW BAB 1 PENDAHULUAN Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1. Latar Belakang Masalah Penggunaan energi listrik merupakan suatu kebutuhan atau tuntutan hidup yang tidak dapat dipisahkan untuk memenuhi menunjang aktivitas sehari hari. Di Indonesia,
Lebih terperinciBAB 4 IMPLEMENTASI DAN PENGUJIAN
BAB 4 IMPLEMENTASI DAN PENGUJIAN 4.1 Implementasi Tahap implementasi merupakan tahap pengimplementasian metode kedalam perangkat lunak simulasi, tahap lanjut dari tahap perancangan simulasi di bab sebelumnya.
Lebih terperinciUKDW BAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Bahasa Lampung merupakan bahasa tradisional masyarakat Lampung. Masyarakat Lampung sering menggunakan Bahasa Lampung sebagai bahasa komunikasi sehari-hari. Biasanya,
Lebih terperinciDAFTAR ISI. Adryan Ardiansyah, 2013 Sistem Pengenalan Entitas Dengan Perceptron Pada Tweets Universitas Pendidikan Indonesia repository.upi.
DAFTAR ISI ABSTRAK...i ABSTRACT... ii KATA PENGANTAR... iii DAFTAR ISI... v DAFTAR GAMBAR...vii DAFTAR TABEL... viii DAFTAR ISTILAH... ix BAB I PENDAHULUAN... 1 1.1 Latar Belakang... 1 1.2 Rumusan Masalah...
Lebih terperinciIMPLEMENTASI METODE ANT COLONY OPTIMIZATION UNTUK PEMILIHAN FITUR PADA KATEGORISASI DOKUMEN TEKS
IMPLEMENTASI METODE ANT COLONY OPTIMIZATION UNTUK PEMILIHAN FITUR PADA KATEGORISASI DOKUMEN TEKS Yudis Anggara Putra Chastine Fatichah Jurusan Teknik Informatika, Fakultas Teknologi Informasi, Institut
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN. 4.1 Pengembangan Sistem Pengenalan Wajah 2D
30 BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1 Pengembangan Sistem Pengenalan Wajah 2D Penelitian ini mengembangkan model sistem pengenalan wajah dua dimensi pada citra wajah yang telah disiapkan dalam
Lebih terperinciAPPLICATION OF HANDWRITING CHARACTER CLASSIFICATION USING CHARACTER EXTRACTION BASED ON CHAIN CODE AND SEGMENT PATTERN
APPLICATION OF HANDWRITING CHARACTER CLASSIFICATION USING CHARACTER EXTRACTION BASED ON CHAIN CODE AND SEGMENT PATTERN Ulva Choyriyanie, Nuryuliani Undergraduate Program, Faculty of Industrial Engineering,
Lebih terperinciPengklasifikasian Pengaduan Masyarakat pada Laman Kantor Pertanahan Kota Surabaya I dengan Metode Pohon Keputusan
Pengklasifikasian Pengaduan Masyarakat pada Laman Kantor Pertanahan Kota Surabaya I dengan Metode Pohon Keputusan Penyusun Tugas Akhir : Yulia Sulistyaningsih 5208 100 113 Dosen Pembimbing : Prof. Ir.
Lebih terperinciBAB III PERANCANGAN SISTEM. tangan huruf vokal seperti terlihat pada gambar 3.1.
BAB III PERANCANGAN SISTEM 3.1 Alur Penelitian Perancangan sistem simulasi identifikasi dan pengenalan pola tulisan tangan huruf vokal seperti terlihat pada gambar 3.1. Pengambilan data Pre-processing
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Waktu dan Tempat Penelitian Waktu yang digunakan dalam penelitian ini yaitu dalam kurun waktu enam bulan terhitung mulai februari 2012 sampai juli 2012. Tempat yang digunakan
Lebih terperinciOleh: Riza Prasetya Wicaksana
Oleh: Riza Prasetya Wicaksana 2209 105 042 Pembimbing I : Dr. I Ketut Eddy Purnama, ST., MT. NIP. 196907301995121001 Pembimbing II : Muhtadin, ST., MT. NIP. 198106092009121003 Latar belakang Banyaknya
Lebih terperinci1.1. Latar Belakang. Universitas Sumatera Utara
2 BAB I PENDAHULUAN Bab ini akan menjelaskan mengenai latar belakang penelitian judul skripsi Implementasi Global Tresholding Metode Otsu Dan OCR Tesseract Engine Dengan Algoritma Horspool Untuk Menerjemahkan
Lebih terperinciKLASIFIKASI PELANGGAN DENGAN ALGORITME POHON KEPUTUSAN DAN PELUANG PELANGGAN YANG MERESPONS PENAWARAN DENGAN REGRESI LOGISTIK
KLASIFIKASI PELANGGAN DENGAN ALGORITME POHON KEPUTUSAN DAN PELUANG PELANGGAN YANG MERESPONS PENAWARAN DENGAN REGRESI LOGISTIK YUANDRI TRISAPUTRA & OKTARINA SAFAR NIDA (SIAP 16) Pendahuluan Latar Belakang
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN. Pada bab ini akan dijelaskan mengenai proses analisa perangkat lunak dan perancangan atau desain perangkat lunak.
BAB III ANALISIS DAN PERANCANGAN Pada bab ini akan dijelaskan mengenai proses analisa perangkat lunak dan perancangan atau desain perangkat lunak. 3.1 ANALISA SISTEM Analisa aplikasi ini meliputi 3 (tiga)
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN
BAB 3 ANALISIS DAN PERANCANGAN 3.1 Analisis Sistem Dalam proses pembuatan suatu sistem mutlak dilakukan analisis terhadap sistem yang akan dibangun, analisis yang dilakukan untuk membangun aplikasi perbandingan
Lebih terperinciSISTEM REKOGNISI KARAKTER NUMERIK MENGGUNAKAN ALGORITMA PERCEPTRON
30 BAB IV SISTEM REKOGNISI KARAKTER NUMERIK MENGGUNAKAN ALGORITMA PERCEPTRON 4.1 Gambaran Umum Sistem Diagram sederhana dari program yang dibangun dapat diilustrasikan dalam diagram konteks berikut. Gambar
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Citra digital telah digunakan secara luas pada era modern seperti sekarang ini, citra digital banyak dimanfaatkan untuk merekam informasi, komunikasi dan lain sebagainya.
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Pada saat sekarang ini teknologi komputer telah berkembang pesat. Teknologi komputer ini pada mulanya hanya berkembang dalam teknologi pengolahan data saja. Namun seiring
Lebih terperinciHASIL DAN PEMBAHASAN. Tabel 3 Contoh data Shorea hasil kodefikasi
8 disajikan contoh data Shorea hasil kodefikasi dari beberapa karakter yang bernilai nominal. Tabel 2 Karakter daun yang bernilai nominal Karakter Nilai Kode Bentuk tulang Tidak menempel 1 daun Permukaan
Lebih terperinciBAB 3 PENANGANAN JARINGAN KOMUNIKASI MULTIHOP TERKONFIGURASI SENDIRI UNTUK PAIRFORM-COMMUNICATION
BAB 3 PENANGANAN JARINGAN KOMUNIKASI MULTIHOP TERKONFIGURASI SENDIRI UNTUK PAIRFORM-COMMUNICATION Bab ini akan menjelaskan tentang penanganan jaringan untuk komunikasi antara dua sumber yang berpasangan.
Lebih terperinciBab 3 Algoritma Feature Pengurangan
Bab 3 Algoritma Feature Pengurangan Sebelum membahas pemodelan produk berbasis yang disusun berdasarkan algoritma pengurang terlebih dahulu akan dijelaskan hal-hal yang mendasari pembuatan algoritma tersebut,
Lebih terperinciBAB 1 PENDAHULUAN 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Pendeteksian objek dalam suatu citra merupakan hal mendasar dalam banyak aplikasi analisis citra (image analysis). Manusia bisa langsung mengenali objek yang dilihatnya
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI
BAB 4 IMPLEMENTASI DAN EVALUASI 4.1 Implementasi Sistem Dalam mengimplementasikan program sistem ANPR ini terdapat 2 (dua) buah komponen yang sangat berperan penting, yaitu perangkat keras atau hardware
Lebih terperinciBAB III METODOLOGI PENELITIAN. Dataset
BAB III METODOLOGI PENELITIAN Metodologi penelitian diuraikan dalam skema tahap penelitian untuk memberikan petunjuk atau gambaran yang jelas, teratur, dan sistematis seperti yang ditunjukkan pada Gambar
Lebih terperinciBAB 3 ALGORITMA PENGENALAN BAB 3 SUDUT FOTO DENGAN DATA SEGITIGA MASING-MASING SUDUT
24 BAB 3 ALGORITMA PENGENALAN BAB 3 SUDUT FOTO DENGAN DATA ALGORITMA RATA-RATA PENGENALAN MASING-MASING SUDUT SUDUT FOTO SERTA DENGAN DATA DATA FUZZY RATA-RATA MASING-MASING SEGITIGA MASING-MASING SUDUT
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Secara umum, data citra digital ditandai oleh informasi dengan jumlah bit yang besar sehingga menimbulkan masalah untuk memindahkan, memproses atau menyimpannya. Biasanya
Lebih terperinciANALISA PERANCANGAN SISTEM
Gambar 2.16. Black Bo Pengujian black bo adalah pengujian aspek fundamental sistem tanpa memperhatikan struktur logika internal perangkat lunak. Metode ini digunakan untuk mengetahui apakah perangkat lunak
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN Penelitian ini adalah penelitian eksperimen dengan metode penelitian sebagai berikut: 1) Pengumpulan Data Tahap ini dilakukan sebagai langkah awal dari suatu penelitian. Mencari
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN PROGRAM
BAB 3 ANALISIS DAN PERANCANGAN PROGRAM Program aplikasi ini dirancang dengan menggunakan perangkat lunak Microsoft Visual C# 2008 Express Edition. Proses perancangan menggunakan pendekatan Object Oriented
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1. Metode Pengumpulan Data Data yang digunakan pada penelitian ini merupakan data sentimen dari pengguna aplikasi android yang memberikan komentarnya pada fasilitas user review
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN
BAB III ANALISIS DAN PERANCANGAN Bab ini akan membahas analisis mengenai permasalahan yang didefinisikan pada tugas akhir ini yaitu pemanfaatan pohon keputusan untuk pembelajaran kasus pola penulisan SMS.
Lebih terperinciBAB IV ANALISIS DAN PERANCANGAN PERANGKAT LUNAK
BAB IV ANALISIS DAN PERANCANGAN PERANGKAT LUNAK Bab ini berisi analisis dan perancangan terhadap perangkat lunak yang akan dibangun. Analisis dan perancangan tersebut diantaranya adalah pembuatan diagram
Lebih terperinciBAB IV HASIL DAN UJI COBA
BAB IV HASIL DAN UJI COBA IV.1. Hasil Berdasarkan hasil analisa dan perancangan sistem yang telah dilakukan pada bab sebelumnya maka dilanjutkan ke tingkat implementasi, implementasi program aplikasi menggunakan
Lebih terperinciBAB IV METODOLOGI PENELITIAN. Penelitian ini dilakukan dengan melalui empat tahap utama, dimana
BAB IV METODOLOGI PENELITIAN Penelitian ini dilakukan dengan melalui empat tahap utama, dimana tahap pertama adalah proses pengumpulan dokumen teks yang akan digunakan data training dan data testing. Kemudian
Lebih terperinciBAB 3 ANALISIS MASALAH DAN PERANCANGAN
BAB 3 ANALISIS MASALAH DAN PERANCANGAN 3.1 State of the Art Pada penelitian sebelumnya sudah ada yang menggunakan metode Stemming untuk preprocessing text dalam mengolah data pelatihan dan data uji untuk
Lebih terperinciBAB I PENDAHULUAN. menghasilkan beberapa karya yang mempermudah urusan manusia. Dan salah
BAB I PENDAHULUAN 1.1. Latar Belakang Dengan perkembangan teknologi yang semakin pesat dan dengan banyaknya temuan-temuan terbaru hasil penelitian dari para pakar teknologi, menghasilkan beberapa karya
Lebih terperinciBAB II TINJAUAN PUSTAKA
7 BAB II TINJAUAN PUSTAKA Penelitian maupun pembuatan aplikasi mengenai pengenalan karakter / pengenalan pola ataupun yang berhubungan dengan Jaringan Syaraf Tiruan terlebih dengan metode Backpropagation
Lebih terperinciBAB I PENDAHULUAN. pensil berbentuk lurus, berwarna biru, dan berbahan kayu. Kedua objek ini
BAB I PENDAHULUAN 1.1 Latar Belakang Pengenalan pola adalah penggambaran sesuatu berdasarkan sifat atau ciri dari sebuah objek. Penggambaran objek sangat berpengaruh terhadap sifat atau ciri yang memiliki
Lebih terperinci