BAB II TINJAUAN PUSTAKA
|
|
- Djaja Makmur
- 7 tahun lalu
- Tontonan:
Transkripsi
1 BAB II TINJAUAN PUSTAKA 2.1 Tinjauan Studi Pada penelitian ini, peneliti menggunakan beberapa jurnal sebagai tinjauan studi, yaitu sebagai berikut : a. Pengenalan Huruf Bali Menggunakan Metode Modified Direction Feature (MDF) dan Learning Vector Quantization(MDF) (Agung BW dkk, 2009) Dalam penelitian ini dilakukan pengenalan tulisan daerah Bali, mekanisme pengenalannya menggunakan teknik Modified Direction Feature (MDF) dan menggunakan Jaringan Saraf Tiruan (Learning Vector Quantization) dalam hal klasifikasinya. Penelitian ini menghasilkan tingkat akurasi di atas 70% pada data uji dengan penulis yang berbeda dan di atas 80% dengan penulis yang tulisannya pernah menjadi data training. Dari penelitian ini, untuk penelitian lebih lanjut dalam rangka optimalisasi akurasi sitem dapat dilakukan dengan mencoba menggunakan metode klasifikasi yang lain. b. Arabic numeral Recognition Using SVM Classifier (Sinha et al, 2013) Penelitian ini melakukan pengenalan terhadap Angka Arab. Mekanisme pengenalannya sebagai berikut, untuk tahap ekstraksi fitur menggunakan teknik Image Centroid Zone (ICZ), Zone Centroid Zone (ZCZ), dan penggabungan kedua teknik tersebut. Untuk Klasifikasinya menggunakan Support Vector machine (SVM) yang berdasarkan teori pembelajaran statistik. Penelitian ini menghasilkan tingkat akurasi pengenalan berkisar dari 96.25% %. c. Offline Handwriting Recognition using Genetic Algorithm (Kala et al, 2010)
2 Penelitian ini membahas tentang pengenalan tulisan tangan secara online. Teknik yang digunakan dalam penelitian ini yaitu algoritma genetika dan teori tentang graph. Teori graph dan koordinat geometri digunakan untuk mengkonversi citra menjadi graph. Penggabungan kedua teknik tersebut menghasilkan tingkat akurasi 98.44%. 2.2 Aksara Bali Aksara Bali berasal dari aksara Brahmi purba dari India. Selain itu, buku tersebut juga menyebutkan bahwa aksara Bali memiliki banyak kemiripan dengan aksara-aksara modern di Asia Selatan dan Asia Tenggara yang berasal dari rumpun aksara yang sama. Aksara Bali pada abad ke-11 banyak memperoleh pengaruh dari bahasa Kawi atau Jawa kuno. Versi modifikasi aksara Bali ini digunakan juga untuk menuliskan bahasa Sasak yang digunakan di Pulau Lombok. Beberapa kata-kata dalam bahasa Bali meminjam dari bahasa Sansekerta yang kemudian juga mempengaruhi aksara Bali. Tulisan Bali tradisional ditulis pada daun pohon siwalan (sejenis palma), tumpukannya kemudian diikat dan disebut lontar. Menurut keputusan Pasamuhan Agung tersebut Ejaan Bahasa Bali dengan Huruf Latin itu disesuaikan dengan ejaan Bahasa Indonesia. maksudnya ialah : 1. Ejaan itu dibuat sesederhana mungkin 2. Ejaan itu harus fonetik, artinya tepat atau mendekati ucapan yang sebenarnya Berdasarkan hal- hal tersebut di atas, maka ditetapkan huruf- huruf yang dipakai untuk menuliskan Bahasa Bali dengan huruf Latin sebagai tersebut di bawah ini: a) Aksara suara (vokal) : a, e, i, u, e, o (enam buah, telah diubah pepet dan taling sama)
3 Tabel 2. 1 Daftar Aksara Suara b) Aksara wianjana (konsonan): h, n, c, r, k, g, t, m, ng, b, s, w, l, p, d, j, y, ny, (18 buah) Tabel 2. 2 Daftar Aksara Wianjana
4 c) Angka : 0-9 Tabel 2. 3 Daftar Angka dalam Aksara Bali d) Pangangge Suara Tabel 2. 4 Daftar Pengangge Suara
5 2.3 Pengolahan Citra Digital Citra merupakan fungsi dua dimensi dari intensitas kecerahan f(x,y). Citra digital merupakan sebuah citra dengan fungsi f(x,y) yang nilai kecerahan maupun posisi koordinatnya telah didiskritkan, sehingga nilainya berada dalam rentang jangkauan tertentu. Citra digital direpresentasikan dalam bentuk matriks. Matriks dimana baris dan kolomnya merepresentasikan sebuah posisi dari citra tersebut, nilai dari posisi yang bersangkutan merupakan tingkat kecerahan dari posisi tersebut pada citra yang sebenarnya. Berdasarkan pada penelitian bahwa sebuah warna merupakan kombinasi dari tiga warna dasar, yaitu merah, hijau, dan biru (Red, Green, Blue - RGB). Kualitas suatu citra dapat diperbaiki dengan melakukan pengolahan citra, pengolahan citra berguna juga untuk mengolah informasi yang terdapat pada suatu citra untuk pengenalan suatu objek secara otomatis dan dapat diinterpretsikan oleh mata manusia. Pada dasarnya pengolahan citra terbagi menjadi : a) Peningkatan kualitas citra (image enhancement) b) Pemulihan citra (image restoration) c) Pemampatan citra d) Analisis citra e) Segmentasi citra f) Rekonstruksi citra, dan lain-lain Pada penelitian, dilakukan beberapa pengolahan citra terhadap citra inputan, tahap pengolahan citra ini merupakan tahap pengolahan data awal. Pengolahan citra yang dilakukan pada penelitian ini yaitu pengolahan warna pada citra sampai mendapatkan citra biner, pemampatan citra agar bisa diekstraksi fitur dari citra, kemudian segmentasi, untuk mengambil koordinat dari citra yang mengandung informasi mengenai karakter aksara Bali. 2.4 Pengolahan Warna dalam Citra Dalam suatu citra, setiap piksel menyimpan informasi, yaitu informasi warna yang terdiri dari tiga elemen Red, Green, Blue (RGB). Setiap elemen tersebut bias memiliki nilai yang beragam, dan hasil kombinasi dari ketiga elemen warna tersebut akan menghasilkan kombinasi warna yang berbeda beda pula.
6 Ada beberapa citra menurut nilai yang terkandung pada ketiga elemen warna yang dimiliki oleh setiap pikselnya, berikut beberapa jenis citra berdasarkan nilai RGB yang dimiliki : Citra RGB Pada citra RGB, setiap piksel atau elemen citra mempunyai informasi nilai warna mulai dari 0 sampai dengan 255, nilai 0 menyatakan tidak ada elemen warna pada piksel dan 255 menyatakan nilai maksimum elemen tersebut pada pixel. RGB terdiri dari elemen Red (R), Green (G), dan Blue(B), kombinasi dari ketiga warna tersebutlah yang akan menghasilkan susunan warna yang luas. Sebuah jenis warna dapat digambarkan sebagai sebuah vektor di ruang 3 dimensi (x,y,z). Maka sebuah vektor dituliskan sebagai r = (x,y,z). Untuk warna komponen- komponen tersebut digantikan oleh red, green, dan blue. Sehingga, untuk warna putih = RGB(255,255,255), warna hitam = RGB(0,0,0), begitu pun untuk kombinasi warna lainnya Grayscale Citra grayscale merupakan citra yang setiap pikselnya berada dalam rentang gradasi warna hitam dan putih. Pengolahan citra menjadi citra grayscale biasanya dilakukan dengan memberikan bobot untuk masing masing elemen red, green, dan blue. Tetapi cara yang cukup mudah adalah dengan membuat nilai rata- rata dari ketiga elemen dasar warna tersebut dan kemudian mengisi setiap piksel dari citra dengan warna dasar tersebut dengan rata rata nilai warna yang dihasilkan. Komponen R memberikan kontribusi 30 %, komponen G 60 %, dan komponen B 10 % terhadap pencahayaan dari warna. Untuk menentukan nilai grayscale sesuai dengan menghitung pencahayaan standar yang digunakan oleh industri televisi (Gomes & Velho, 1997 ) yaitu dengan rumus 2.1 berikut : Grayscale = R* G* B* (2.1) dimana : R : intensitas warna Red (merah) B : intensitas warna Blue (biru) G : intensitas warna Green (hijau)
7 2.4.3 Biner Citra biner merupakan citra yang setiap pikselnya hanya mungkin memiliki warna hitam atau putih saja. Hitam atau putihnya warna dari piksel tersebut diperoleh melalui proses pemisahan piksel- piksel berdasarkan derajat keabuannya. Diperlukan batas atau threshold atau nilai ambang untuk melakukan pemisahan tersebut, jadi piksel yang memiliki nilai derajat keabuan di atas threshold akan diubah menjadi warna putih, sedangkan piksel yang memiliki nilai derajat keabuan dibawah threshold akan diubah menjadi warna hitam. 2.5 Thinning Definisi image thinning adalah proses morfologi citra yang merubah bentuk asli citra biner menjadi citra yang menampilkan batas-batas obyek/ foreground hanya setebal satu piksel. Algoritma thinning secara iteratif menghapus pikselpiksel pada binary image, dimana transisi dari 0 ke 1 (atau dari 1 ke 0 pada konvensi lain) terjadi sampai dengan terpenuhi suatu keadaan dimana satu himpunan dari lebar per unit (satu piksel) terhubung menjadi suatu garis. Algoritma zhang suen merupakan salah satu contoh untuk algoritma thinning. Algoritma ini sederhana dan pemrosesan yang cepat. Setiap iterasi dari metode ini terdiri dari dua sub iterasi yang berurutan yang dilakukan terhadap contour points dari wilayah citra. Contour point adalah setiap pixel dengan nilai 1 dan memiliki setidaknya satu 8-neighbor yang memiliki nilai 0. Tabel 2. 5 Ketetanggaan Piksel Kondisi: 1) 2 N(p1) 6 2) S(p1) = 1
8 3) p2 p4 p6 = 0 4) p4 p6 p8 = 0 5) 2 N(p1) 6 6) S(p1) = 1 7) p2 p4 p8 = 0 8) p2 p6 p8 = 0 Dimana: N(p1) = jumlah dari tetangga p1 yang tidak nol S(p1) = jumlah transisi 0 1 dalam urutan p2, p3,... Langkah-langkahnya: a) Beri tanda semua piksel 8-tetangga yang memenuhi kondisi (1) sampai dengan (4). b) Hapus piksel tengahnya. c) Beri tanda semua piksel 4-tetangga yang memenuhi kondisi (5) sampai dengan (8). d) Hapus piksel tengahnya. e) Lakukan langkah a sampai d berulang kali, sampai tidak ada perubahan. 2.6 Segmentasi Segmentasi adalah membagi suatu citra ke dalam beberapa daerah berdasarkan kesesuaian bentuk/objek. Proses segmentasi akan selesai apabila objek yang diperhatikan dalam aplikasi sudah terisolasi. Algoritma segmentasi secara umum berbasiskan pada salah satu dari dua sifat dasar nilai intensitas: 1) diskontinu: membagi suatu citra berdasarkan perubahan besar nilai intensitas (seperti sisi)
9 2) similaritas: membagi suatu citra berdasarkan similaritas sesuai kriteria tertentu yang sudah didefinisikan. Segmentasi sering digunakan sebagai fase pertama dalam analisis citra. Tujuan utamanya adalah membagi citra ke dalam basis elemen sesuai dengan kriteria yang ditentukan. Bentuk elemen bergantung pada aplikasi. Misalkan citra yang terdiri dari udara hingga daratan, cukup memishkan antara jalan dari lingkungan dan kendaraan yang bergerak di atas jalan. Segmentasi citra otomatis merupakan model yang sangat sulit dalam pengolahan citra. Berikut langkahlangkah metode Profile Projection (Hendry, 2011) : 1) Input citra 2) Ubah citra menjadi citra biner 3) Bentuk proyeksi horisontal dengan menjumlahkan pixel black tiap baris dari citra, proyeksi dilakukan terhadap X 4) Bentuk proyeksi vertikal dengan menjumlahkan pixel black tiap kolom dari citra, proyeksi dilakukan terhadap Y 5) Jika proyeksi horizontal dan vertikal sudah terbentuk, selanjutnya adalah proses pemotongan untuk mendapatkan citra yang penting. 6) Tentukan proyeksi vertikal untuk memisalkan baris-baris yang mengandung karakter dalam citra 7) Potong tiap baris berdasarkan titik terendah dan tertinggi dari tiap proyeksi vertikal 8) Untuk tiap baris hasil pemotongan proyeksi vertikal, potonglah tiap karakter dengan menggunakan koordinat dari proyeksi horizontal. Pemotongan dilakukan dengan mencari jumlah proyeksi vertikal dan horizontal yang tidak nol tetapi koordinatnnya tepat berada sebelum atau sesudah nol. Karena nol dianggap adalah spasi atau pemisah karakter maupun baris. 2.7 Pengenalan Pola Sebuah pola merupakan tiruan dari suatu model, namun ketika menjelaskan berbagai tipe objek dalam dunia fisik dan abstrak dapat dikatakan bahwa pola itu sendiri adalah setiap antarhubungan data baik analog maupun digital, kejadian dan atau konsep yang dapat dibeda- bedakan. Secara garis besar,
10 pengenalan pola dibedakan menjadi dua yaitu pengenalan pola langsung (konkret) dan tidak langsung (konseptual). Pengenalan pola konkret mencakup pengenalan visual dan aural spasial (contohnya gambar, tulisan, sidik jari, wajah) dan temporal (contohnya gelombang, suara) dimana dibutuhkan bantuan alat penginderaan ( sensor). Pengenalan pola abstrak seperti gagasan di satu pihak dapat dilakukan tanpa bantuan sensor. Berdasarkan pada subjek pelakunya, pengenalan pola dibedakan menjadi dua. Pertama pengenalan pola oleh manusia atau jasad hidup lainnya, contohnya disiplin ilmu fisiologi, biologi,psikologi,dan lain sebagainya. Kedua mengenai pengembangan teori dan teknik unuk merancang sebuah alat yang dapat melakukan tugas pengenalan sevara otomatis, berhubungan dengan komputerisasi serta ilmu teknik dan informatika. Pengenalan pola yang berhubungan dengan komputerisasi memiliki dua fase dalam system pengenalan polanya, yaitu fase pelatihan (training) dan fase pengenalan. Untuk pengenalan pola melalui suatu citra, pada fase pelatihannya beberapa sampel citra dipelajari untuk menentukan fitur/ciri yang akan digunakan untuk pengenalan dan prosedur klasifikasinya. Kemudian pada fase pengenalannya, diambil fitur atau ciri dari citra tersebut kemudian ditentukan kelas/kelompoknya. Pada penelitian kali ini, metode yang digunakan untuk melakukan ekstraksi fitur yaitu : Direction Feature (DF) Direction Feature (DF) adalah pencarian nilai fitur berdasarkan label arah dari sebuah piksel. Pada metode ini setiap piksel foreground pada gambar memiliki arah tersendiri dimana arah yang digunakan terdiri dari 4 arah dan masing-masing arah diberikan nilai atau label yang berbeda. Arah yang digunakan pada pelabelan arah dapat dilihat seperti berikut :
11 Gambar 2. 1 Pelabelan Arah Piksel Matriks ketetanggaannya seperti berikut : Tabel 2. 6 Matriks Ketetanggaan X1 X2 X3 X8 O X4 X7 X6 X5 Untuk melakukan pelabelan arah pada masing masing piksel dapat dilakukan dengan cara sebagai berikut: 1. Lakukan pengecekan secara raster dari kiri ke kanan. 2. Apabila menemukan sebuah piksel foreground maka lakukan pengecekan dengan melihat tetangga dari piksel tersebut. 3. O adalah piksel yang akan dicek, kemudian pengecekan dilakukan dari X1 X8. Apabila pada posisi tetangga dari X1 sampai X8 ditemukan pixel foreground, maka ubahlah nilai O menjadi nilai arah berdasarkan aturan dibawah ini: a) Jika pada posisi X1 atau X5 maka nilai arah adalah 5 b) Jika pada posisi X2 atau X6 maka nilai arah adalah 2 c) Jika pada posisi X3 atau X7 maka nilai arah adalah 3 d) Jika pada posisi X4 atau X8 maka nilai arah adalah Transition Feature (TF) Sesuai namanya, transition feature yaitu menghitung posisi transisi dan jumlah transisi pada bidang vertikal maupun horizontal dari citra. Transisi
12 merupakan posisi dimana terjadi perubahan piksel dari background menjadi foreground tetapi tidak sebaliknya. Nilai TF ini didapatkan dari hasil pembagian antara posisi transisi dengan panjang maupun lebar citra tersebut. Nilai TF diambil dari 4 arah transisi yaitu kiri ke kanan, kanan ke kiri, atas ke bawah, dan bawah ke atas. Kisaran nilai TF selalu antara 0-1, dan hasilnya selalu menurun. Jumlah transisi yang dilakukan tergantung dari jumlah transisi maksimal yang ditentukan, apabila lebih makanya nilainya tidak dihitung, apabila kurang maka nilai TF yang diberikan adalah Modified Direction Feature (MDF) Metode ekstraksi ciri Modified Direction Feature (MDF) mengkombinasikan ciri/ fitur arah dan informasi struktur global yang ada pada karakter. Ciri/fitur yang dihasilkan berupa vektor dengan nilai berkisaran 0-1 dengan panjang Pendekatan yang dilakukan MDF yaitu dengan deteksi nilai arah (DF), mencari nilai transisi (TF), dan menentukan banyaknya transisi yang dipakai. 1. Pencarian Titik Awal Titik awal pertama adalah piksel pertama yang ditemukan pada citra karakter yang paling bawah dan paling kiri. Titik awal yang baru adalah setiap piksel yang mempunyai arah yang berbeda dari segmen baris sebelumnya. Iterasi pencarian titik awal dan nilai arah dimulai dari titik awal pertama sampai tidak ada lagi piksel-piksel pembentuk karakter yang belum mempunyai nilai arah. Semua titik awal yang ditemukan akan digantikan dengan nilai 8 untuk sementara. Nilai 8 ini selanjutnya akan dinormalisasi pada proses selanjutnya setelah semua titik awal ditemukan dan piksel-piksel lain selain titik-titik awal mempunyai nilai arah. 2. Menentukan Nilai Transisi Dalam menentukan nilai transisi hal pertama yang dilakukan yaitu melakukan pemindaian pada masing masing piksel dari masing masing arah. Nilai transisi (TF) adalah nilai dari pembagian antara posisi dari transisi dengan panjang atau lebar dari citra. Apabila pemindaian dilakukan dari kiri ke kanan
13 atau dari kanan ke kiri maka nilai transisi diambil dari pembagian posisi transisi dengan lebar gambar. Apabila proses pemindaian dari atas ke bawah atau dari bawah ke atas maka nilai transisi diambil dari pembagian posisi transisi dengan panjang gambar. TF selalu berkisar antara 0 1. Transisi pertama yang ditemukan selalu mempunyai TF yang terbesar. 3. Menentukan Nilai Arah Ketika sebuah transisi ditemukan, selain menyimpan TF, DF juga disimpan. DF ini diambil dari pembagian label arah pada posisi ditemukan transisi dengan nilai pembagi. Pada penelitian ini nilai pembagi yang digunakan adalah 10 Apabila jumlah transisi yang ditemukan kurang dari jumlah transisi yang digunakan maka DF sisanya diberikan nilai Normalisasi Nilai Arah Proses ini dilakukan untuk mengubah nilai 8 yang merupakan nilai sementara untuk titik awal. Terdapat dua langkah yang dilakukan pada proses ini. Langkah pertama adalah mencari frekuensi kemunculan nilai arah yang paling besar pada suatu segmen garis yang bermula pada suatu titik awal. Langkah kedua yaitu menggunakan nilai arah dengan frekuensi kemunculan paling besar tersebut untuk menggantikan nilai 8 pada titik awal tersebut. Dengan MDF, ciri suatu karakter didapatkan dari nilai-nilai arah dan lokasi dari nilai arah tersebut. Pada setiap arah pencarian tersebut akan dihasilkan dua buah matriks, matriks pertama berisi letak piksel arah yang membentuk karakter (Location Transition (LT)), sedangkan matriks ke dua berisi nilai arah pada piksel tersebut (Direction Transition (DT)). Setiap matriks akan berukuran 5 x 3 pada MDF3 dan 5 x 4 pada MDF4. Sehingga hasil akhir vektor yang didapatkan akan berjumlah 4 x 2 x 5 x 3=120 pada MDF3 dan 4 x 2 x 5 x 4=160 pada MDF4 (4 = banyak arah pencarian, 2 = jumlah matriks pada setiap arah pencarian (DT<), 5*3 = ukuran matriks MDF3, 5*4 = ukuran matriks MDF4). 2.8 Artificial Neural Network Artificial Neural Network (ANN) atau Jaringan saraf tiruan (JST) adalah sebuah sistem pengolahan informasi yang karakteristik kinerjanya menyerupai jaringan saraf biologis. Jaringan saraf tiruan telah banyak dikembangkan sebagai
14 generalisasi model matematika dari pengertian manusia atau saraf biologi. Seperti halnya manusia yang otaknya selalu belajar dari lingkungan sehingga dapat mengelola lingkungan dengan baik berdasarkan pengalaman yang sudah didapatkan, ANN, yang dalam pengenalan pola sebagai model yang digunakan untuk proses pengenalan, membutuhkan proses pelatihan agar dapat melakukan pengenalan kelas suatu data uji baru yang ditemukan. Proses pelatihan dalam ANN dapat menggunakan algoritma-algoritma seperti Perceptron, Backpropagation, Self - Organizing Map (SOM), Delta, Associative Memory, Learning Vector Quantization dan sebagainya. ANN, yaitu Secara umum, ada 4 macam fungsi aktivasi yang dipakai di berbagai jenis a) Fungsi aktivasi linear Fungsi aktivasi ini biasanya digunakan untuk keluaran ANN yang nilai keluarannya diskret. Jika v adalah nilai gabungan dari semua oleh penambah, sinyal keluaran y didapatkan dengan memberikan nilai v apa adanya untuk menjadi nilai keluaran. Nilai y diformulasikan dengan : b) Fungsi aktivasi undak (step) y = sign v = v... (2.1) Jika v adalah nilai gabungan dari semua vektor oleh penambah, keluaran y didapatkan dengan melakukan pengambangan (thresholding) pada nilai v berdasarkan nilai T yang diberikan. Nilai y diformulasikan dengan : y = sign v = 1 jika v T... (2.2) 1 jika v < T Bentuk di atas disebut juga step/threshold bipolar, ada juga yang berbentuk biner. Berikut contohnya : y = sign v = 1 jika v T... (2.3) 0 jika v < T
15 2.9 Generalized Learning Vector Quantization Generalized Learning Vector Quantization (GLVQ) dikembangkan oleh Atsushi Sato dan Keiji Yamada pada tahun 1996 untuk menangani masalah perbedaan serius dengan. Sato dan Yamada memecahkan masalah ini dengan metode pembelajaran baru untuk meminimalkan fungsi biaya (cost function). Perumusan GLVQ dimulai dengan mendefinisikan perbedaan jarak relatif berikut : x d d 1 d d 2 x sebagai (2.4) dimana d 1 adalah jarak antara x dengan w 1, dan d 2 adalah jarak antara x dengan w 2. x bernilai antara -1 sampai 1. Jika x diklasifikasikan benar, jika bernilai negatif maka x x bernilai positif maka x diklasifikasikan salah. Dengan demikian ukuran pembelajaran diformulasikan dengan meminimalkan cost function S sebagai berikut : S N i 1 f x i... (2.5) dimana N adalah vektor input pada pembelajaran. Untuk meminimalkan S, w 1, dan w 2 yaitu dengan cara diperbarui dengan menggunakan persamaan berikut : Dimana w w f d... (2.6) 1 w1 w 2 x 2 1 d d 1 2 dan f d... (2.7) 2 w2 w 1 x 2 2 d d 1 f adalah turunan dari fungsi sigmoid 1 f, t 1 t 2 Generalized Learning Vektor Quantization (GLVQ) merupakan bagian dari metode Jaringan Syaraf Tiruan (JST), yang di mana metode tersebut melakukan pembelajaran pada lapisan kompetetif yang terawasi. Suatu lapisan e
16 kompetetif akan secara otomatis belajar untuk mengklasifikasikan vektor-vektor input. Adapun algoritma dari GLVQ adalah (Atsushi Sato, 1996): 1) Tetapkan bobot (w), maksimum epoh (MaxEpoh), error minimum yang diharapkan (Eps), Learning rate (α), Pengurang rasio (dec). 2) Tentukan i. Input : x (m,n) ii. Target : T (1,n) 3) Tetapkan kondisi awal epoh = 0 4) Kerjakan jika : (epoh < MaxEpoh) atau (α > eps) i. Epoh = epoh + 1 ii. Kerjakan untuk i = 1 sampai n 1. Tentukan j sedemikian hingga x-w j minimum (sebut sebagai C j ) 2. Perbaiki W j dengan ketentuan a. Jika T = C j maka, hitung W j (baru) dengan rumus W 1 berikut: W j (baru) = W j (lama) + α f u(vi ) 4 d 2 d 1 +d 2 2 (x - w lama ).(2.8) b. Jika T C j maka hitung W j (baru) dengan rumus W 2 berikut: W j (baru) = W j (lama) - α f u(vi ) 4 d 2 d 1 +d 2 2 (x - w lama )..(2.9) dimana : m, n = Matriks gambar α W j d 1 = Learning rate = Bobot terdekat pada kelas yang sama dan salah = Jarak antara x dengan W lama 5) Kurangi learning rate α = α * pengurang rasio Tes kondisi berhenti, yaitu kondisi yang mungkin menetapkan sebuah jumlah tetap dari iterasi atau rating pembelajaran mencapai nilai kecil yang cukup.
BAB 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 terperinciPEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK
PEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK Program Studi Matematika FMIPA Universitas Negeri Semarang Abstrak. Saat ini, banyak sekali alternatif dalam
Lebih terperinciAlgoritma Kohonen dalam Mengubah Citra Graylevel Menjadi Citra Biner
Jurnal Ilmiah Teknologi dan Informasia ASIA (JITIKA) Vol.9, No.2, Agustus 2015 ISSN: 0852-730X Algoritma Kohonen dalam Mengubah Citra Graylevel Menjadi Citra Biner Nur Nafi'iyah Prodi Teknik Informatika
Lebih terperinciPENGENALAN TANDA TANGAN DENGAN METODE MODIFIED DIRECTION FEATURE (MDF) DAN EUCLIDEAN DISTANCE
PENGENALAN TANDA TANGAN DENGAN METODE MODIFIED DIRECTION FEATURE (MDF) DAN EUCLIDEAN DISTANCE Fitri Damayanti D3 Manajemen Informatika Universitas Trunojoyo Jl. Raya Telang, PO BOX 2, Kamal, Bangkalan
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN PROGRAM APLIKASI
BAB 3 ANALISIS DAN PERANCANGAN PROGRAM APLIKASI Bab ini berisi analisis pengembangan program aplikasi pengenalan karakter mandarin, meliputi analisis kebutuhan sistem, gambaran umum program aplikasi yang
Lebih terperinciBAB 2 LANDASAN TEORI
7 BAB 2 LANDASAN TEORI Pada bab ini akan dibahas mengenai teori pendukung dan penelitian sebelumnya yang berhubungan dengan metode ekstraksi fitur, serta metode klasifikasi Support Vector Machine dalam
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Perkembangan teknologi senantiasa membawa dampak secara langsung maupun tidak langsung, baik itu berdampak positif maupun negatif dan akan sangat berpengaruh terhadap
Lebih terperinciSuatu proses untuk mengubah sebuah citra menjadi citra baru sesuai dengan kebutuhan melalui berbagai cara.
Image Enhancement Suatu proses untuk mengubah sebuah citra menjadi citra baru sesuai dengan kebutuhan melalui berbagai cara. Cara-cara yang bisa dilakukan misalnya dengan fungsi transformasi, operasi matematis,
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Pengenalan Pola Pengenalan pola adalah suatu ilmu untuk mengklasifikasikan atau menggambarkan sesuatu berdasarkan pengukuran kuantitatif fitur (ciri) atau sifat utama dari suatu
Lebih terperinciARTIFICIAL NEURAL NETWORK TEKNIK PERAMALAN - A
ARTIFICIAL NEURAL NETWORK CAHYA YUNITA 5213100001 ALVISHA FARRASITA 5213100057 NOVIANTIANDINI 5213100075 TEKNIK PERAMALAN - A MATERI Neural Network Neural Network atau dalam bahasa Indonesia disebut Jaringan
Lebih terperinciBAB 2 KONSEP DASAR PENGENAL OBJEK
BAB 2 KONSEP DASAR PENGENAL OBJEK 2.1 KONSEP DASAR Pada penelitian ini, penulis menggunakan beberapa teori yang dijadikan acuan untuk menyelesaikan penelitian. Berikut ini teori yang akan digunakan penulis
Lebih terperinciPENGENALAN AKSARA BALI MENGGUNAKAN METODE MODIFIED DIRECTION FEATURE DAN ALGORITMA GENERALIZED LEARNING VECTOR QUANTIZATION (GLVQ)
PENGENALAN AKSARA BALI MENGGUNAKAN METODE MODIFIED DIRECTION FEATURE DAN ALGORITMA GENERALIZED LEARNING VECTOR QUANTIZATION (GLVQ) KOMPETENSI KOMPUTASI SKRIPSI NI WAYAN DEVIYANTI SEPTIARI NIM. 1108605004
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Citra Digital Citra digital adalah citra yang bersifat diskrit yang dapat diolah oleh computer. Citra ini dapat dihasilkan melalui kamera digital dan scanner ataupun citra yang
Lebih terperinciPERANCANGAN PROGRAM PENGENALAN BENTUK MOBIL DENGAN METODE BACKPROPAGATION DAN ARTIFICIAL NEURAL NETWORK SKRIPSI
PERANCANGAN PROGRAM PENGENALAN BENTUK MOBIL DENGAN METODE BACKPROPAGATION DAN ARTIFICIAL NEURAL NETWORK SKRIPSI Oleh Nama : Januar Wiguna Nim : 0700717655 PROGRAM GANDA TEKNIK INFORMATIKA DAN MATEMATIKA
Lebih terperinciPERANCANGAN SISTEM PENGENALAN DAN PENYORTIRAN KARTU POS BERDASARKAN KODE POS DENGAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK
PERANCANGAN SISTEM PENGENALAN DAN PENYORTIRAN KARTU POS BERDASARKAN KODE POS DENGAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK OLEH ARIF MIFTAHU5R ROHMAN (2200 100 032) Pembimbing: Dr. Ir Djoko Purwanto, M.Eng,
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengertian Citra Citra adalah suatu representasi (gambaran), kemiripan, atau imitasi suatu objek. Citra sebagai keluaran suatu sistem perekaman data dapat bersifat optik berupa
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA Pada bab ini akan membahas landasan teori-teori yang bersifat ilmiah untuk mendukung penulisan skripsi ini. Teknik-teknik yang dibahas mengenai pengenalan pola, prapengolahan citra,
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Untuk bisa mendukung sistem secara utuh dibutuhkan teori-teori yang mendukung dalam pengembangan aplikasi ini. Teori-teori yang dibutuhkan meliputi pengenalan tanda tangan dan teknologi
Lebih terperinciJurnal Ilmiah Komputer dan Informatika (KOMPUTA) IMPLEMENTASI JARINGAN SYARAF TIRUAN BACKPROPAGATION UNTUK MENGENALI MOTIF BATIK
IMPLEMENTASI JARINGAN SYARAF TIRUAN BACKPROPAGATION UNTUK MENGENALI MOTIF BATIK Fany Hermawan Teknik Informatika Universitas Komputer Indonesia Jl. Dipatiukur 112-114 Bandung E-mail : evan.hawan@gmail.com
Lebih terperinciPertemuan 2 Representasi Citra
/29/23 FAKULTAS TEKNIK INFORMATIKA PENGOLAHAN CITRA DIGITAL ( DIGITAL IMAGE PROCESSING ) Pertemuan 2 Representasi Citra Representasi Citra citra Citra analog Citra digital Matrik dua dimensi yang terdiri
Lebih terperinciBAB 2 LANDASAN TEORI
6 BAB 2 LANDASAN TEORI 2.1. Sel Darah Merah Sel darah merah atau eritrositmemiliki fungsi yang sangat penting bagi kelangsungan hidup manusia. Sel darah merah mengandung hemoglobin yang berfungsi untuk
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 terperinciBAB 3 PERANCANGAN DAN PEMBUATAN SISTEM
BAB 3 PERANCANGAN DAN PEMBUATAN SISTEM Dalam bab ini akan dibahas mengenai perancangan dan pembuatan sistem aplikasi yang digunakan sebagai user interface untuk menangkap citra ikan, mengolahnya dan menampilkan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Dalam bab ini dibahas teori yang digunakan sebagai landasan pengerjaan pengenalan kata berdasarkan tulisan tangan huruf Korea (hangūl) menggunakan jaringan saraf tiruan propagasi balik.
Lebih terperinciProgram Aplikasi Komputer Pengenalan Angka Dengan Pose Jari Tangan Sebagai Media Pembelajaran Interaktif Anak Usia Dini
Program Aplikasi Komputer Pengenalan Angka Dengan Pose Jari Tangan Sebagai Media Pembelajaran Interaktif Anak Usia Dini Wawan Kurniawan Jurusan PMIPA, FKIP Universitas Jambi wwnkurnia79@gmail.com Abstrak
Lebih terperinciBAB III PERANCANGAN DAN IMPLEMENTASI SISTEM
BAB III PERANCANGAN DAN IMPLEMENTASI SISTEM Pada bab ini akan dijelaskan mengenai tahapan dan algoritma yang akan digunakan pada sistem pengenalan wajah. Bagian yang menjadi titik berat dari tugas akhir
Lebih terperinciBAB II DASAR TEORI. 2.1 Citra Digital
BAB II DASAR TEORI 2.1 Citra Digital Citra digital didefinisikan sebagai fungsi f (x,y) dua dimensi,dimana x dan y adalah koordinat spasial dan f(x,y) adalah disebut dengan intensitas atau tingkat keabuan
Lebih terperinciBAB 3 METODOLOGI PENELITIAN. a. Spesifikasi komputer yang digunakan dalam penelitian ini adalah
BAB 3 METODOLOGI PENELITIAN 3.1 Alat dan Bahan Penelitian 3.1.1 Alat Penelitian a. Spesifikasi komputer yang digunakan dalam penelitian ini adalah sebagai berikut: 1) Prosesor Intel (R) Atom (TM) CPU N550
Lebih terperinciIDENTIFIKASI CITRA BILANGAN DESIMAL 0-9 BERBASIS LEARNING VECTOR QUANTIZATION SECARA REAL TIME
Jurnal POROS TEKNIK, Volume 4, No. 1, Juni 2012 : 24-29 IDENTIFIKASI CITRA BILANGAN DESIMAL 0-9 BERBASIS LEARNING VECTOR QUANTIZATION SECARA REAL TIME Gunawan Rudi Cahyono (1) (1) Staf Pengajar Jurusan
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 terperinciPENGENALAN HURUF TULISAN TANGAN BERBASIS CIRI SKELETON DAN STATISTIK MENGGUNAKAN JARINGAN SARAF TIRUAN. Disusun oleh : Mario Herryn Tambunan ( )
PENGENALAN HURUF TULISAN TANGAN BERBASIS CIRI SKELETON DAN STATISTIK MENGGUNAKAN JARINGAN SARAF TIRUAN Disusun oleh : Mario Herryn Tambunan (1022056) Jurusan Teknik Elektro, Fakultas Teknik, Universitas
Lebih terperinci1 BAB I PENDAHULUAN. 1.1 Latar Belakang
1 BAB I PENDAHULUAN 1.1 Latar Belakang Perkembangan teknologi dibidang transportasi darat khususnya kendaraan bermotor, semakin membantu masyarakat penggunanya, sehingga menjadikan kendaraan bermotor sebagai
Lebih terperinciGLOSARIUM Adaptive thresholding Peng-ambangan adaptif Additive noise Derau tambahan Algoritma Moore Array Binary image Citra biner Brightness
753 GLOSARIUM Adaptive thresholding (lihat Peng-ambangan adaptif). Additive noise (lihat Derau tambahan). Algoritma Moore : Algoritma untuk memperoleh kontur internal. Array. Suatu wadah yang dapat digunakan
Lebih terperinciSISTEM PENGENALAN KARAKTER DENGAN JARINGAN SYARAF TIRUAN ALGORITMA PERCEPTRON
Jurnal Informatika Mulawarman Vol. 7 No. 3 Edisi September 2012 105 SISTEM PENGENALAN KARAKTER DENGAN JARINGAN SYARAF TIRUAN ALGORITMA PERCEPTRON Anindita Septiarini Program Studi Ilmu Komputer FMIPA,
Lebih terperinciAPLIKASI PENGENALAN PLAT NOMOR KENDARAAN BERMOTOR MENGGUNAKAN METODE LEARNING VECTOR QUANTIZATION
APLIKASI PENGENALAN PLAT NOMOR KENDARAAN BERMOTOR MENGGUNAKAN METODE LEARNING VECTOR QUANTIZATION Hamsina 1, Evanita V Manullang 1, Program Studi Teknik Informatika, Fakultas Ilmu Komputer dan Manajemen,
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1 Tinjauan Pustaka Sebagai tinjauan pustaka, berikut beberapa contoh penelitian telapak kaki yang sudah dilakukan oleh para peneliti yang dapat digunakan sebagai
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 terperinciPENGENALAN AKSARA JAWAMENGGUNAKAN LEARNING VECTOR QUANTIZATION (LVQ)
PENGENALAN AKSARA JAWAMENGGUNAKAN LEARNING VECTOR QUANTIZATION (LVQ) Alfa Ceria Agustina (1) Sri Suwarno (2) Umi Proboyekti (3) sswn@ukdw.ac.id othie@ukdw.ac.id Abstraksi Saat ini jaringan saraf tiruan
Lebih terperinciBAB 2 LANDASAN TEORI. dari sudut pandang matematis, citra merupakan fungsi kontinyu dari intensitas cahaya
5 BAB 2 LANDASAN TEORI 2.1 Citra Secara harfiah citra atau image adalah gambar pada bidang dua dimensi. Ditinjau dari sudut pandang matematis, citra merupakan fungsi kontinyu dari intensitas cahaya pada
Lebih terperinciKLASIFIKASI CITRA PARU MENGGUNAKAN MODEL SELF-ORGANIZING MAPS RADIAL BASIS FUNCTION NEURAL NETWORKS (SOM-RBFNN) SKRIPSI
KLASIFIKASI CITRA PARU MENGGUNAKAN MODEL SELF-ORGANIZING MAPS RADIAL BASIS FUNCTION NEURAL NETWORKS (SOM-RBFNN) SKRIPSI Diajukan kepada Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Negeri
Lebih terperinciPENGENALAN HURUF BALI MENGGUNAKAN METODE MODIFIED DIRECTION FEATURE (MDF) DAN LEARNING VECTOR QUANTIZATION (LVQ)
PENGENALAN HURUF BALI MENGGUNAKAN METODE MODIFIED DIRECTION FEATURE (MDF) DAN LEARNING VECTOR QUANTIZATION (LVQ) Tjokorda Agung BW 1, I Gede Rudy Hermanto 2, Retno Novi D 3 1,2,3 Fakultas Teknik Informatika
Lebih terperinciSIMULASI PENGENALAN TULISAN MENGGUNAKAN LVQ (LEARNING VECTOR QUANTIZATION )
SIMULASI PENGENALAN TULISAN MENGGUNAKAN LVQ (LEARNING VECTOR QUANTIZATION ) Fachrul Kurniawan, Hani Nurhayati Jurusan Teknik Informatika, Sains dan Teknologi Universitas Islam Negeri (UIN) Maulana Malik
Lebih terperinciPenggunaan Jaringan Syaraf Tiruanuntuk Membaca Karakter pada Formulir Nilai Mata Kuliah
Vol. 14, No. 1, 61-68, Juli 2017 Penggunaan Jaringan Syaraf Tiruanuntuk Membaca Karakter pada Formulir Nilai Mata Kuliah La Surimi, Hendra, Diaraya Abstrak Jaringan syaraf tiruan (JST) telah banyak diaplikasikan
Lebih terperinciBAB III METODE PENELITIAN. menjawab segala permasalahan yang ada dalam penelitian ini.
BAB III METODE PENELITIAN Pada bab ini akan dijelaskan bahan yang digunakan dalam membantu menyelesaikan permasalahan, dan juga langkah-langkah yang dilakukan dalam menjawab segala permasalahan yang ada
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengenalan Citra Citra adalah suatu representasi (gambaran), kemiripan atau imitasi dari suatu objek. Citra sebagai keluaran suatu sistem perekaman data dapat bersifat optik berupa
Lebih terperinciSAMPLING DAN KUANTISASI
SAMPLING DAN KUANTISASI Budi Setiyono 1 3/14/2013 Citra Suatu citra adalah fungsi intensitas 2 dimensi f(x, y), dimana x dan y adalahkoordinat spasial dan f pada titik (x, y) merupakan tingkat kecerahan
Lebih terperinciBAB II LANDASAN TEORI
5 BAB II LANDASAN TEORI 2.1. Citra Digital Citra digital dapat didefenisikan sebagai fungsi f(x,y) yaitu dua dimensi, dimana x dan y merupakan koordinat spasial dan f(x,y) disebut dengan intensitas atau
Lebih terperinciIMPLEMENTASI SEGMENTASI CITRA DAN ALGORITMA LEARNING VECTOR QUANTIZATION (LVQ) DALAM PENGENALAN BENTUK BOTOL
IMPLEMENTASI SEGMENTASI CITRA DAN ALGORITMA LEARNING VECTOR QUANTIZATION (LVQ) DALAM PENGENALAN BENTUK BOTOL Andri STMIK Mikroskil Jl. Thamrin No. 122, 124, 140 Medan 20212 andri@mikroskil.ac.id Abstrak
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 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 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 terperinciAPLIKASI PENGENALAN DAUN UBI JALAR UNTUK JENIS UBI JALAR UNGU, MERAH, PUTIH DAN KUNING MENGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS
APLIKASI PENGENALAN DAUN UBI JALAR UNTUK JENIS UBI JALAR UNGU, MERAH, PUTIH DAN KUNING MENGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS SKRIPSI Diajukan Untuk Penulisan Skripsi Guna Memenuhi Salah Satu
Lebih terperinciBAB II DASAR TEORI. 2.1 Meter Air. Gambar 2.1 Meter Air. Meter air merupakan alat untuk mengukur banyaknya aliran air secara terus
BAB II DASAR TEORI 2.1 Meter Air Gambar 2.1 Meter Air Meter air merupakan alat untuk mengukur banyaknya aliran air secara terus menerus melalui sistem kerja peralatan yang dilengkapi dengan unit sensor,
Lebih terperinciMILIK UKDW BAB I PENDAHULUAN. 1.1 Latar Belakang Permasalahan
BAB I PENDAHULUAN 1.1 Latar Belakang Permasalahan Thinning atau penipisan citra adalah suatu operasi untuk mereduksi citra biner dalam suatu objek menjadi rangka (skeleton) yang menghampiri sumbu objek.
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Jaringan Syaraf Tiruan Artificial Neural Network atau Jaringan Syaraf Tiruan (JST) adalah salah satu cabang dari Artificial Intelligence. JST merupakan suatu sistem pemrosesan
Lebih terperinciBAB III METODE PENELITIAN. Tujuan tugas akhir ini akan membangun suatu model sistem yang
BAB III METODE PENELITIAN 3.1 Model Pengembangan Tujuan tugas akhir ini akan membangun suatu model sistem yang melakukan proses data mulai dari pengolahan citra otak hingga menghasilkan output analisa
Lebih terperinciDAFTAR ISI. Halaman Judul. Lembar Pengesahan Pembimbing. Lembar Pengesahan Penguji. Halaman Persembahan. Halaman Motto. Kata Pengantar.
DAFTAR ISI Halaman Judul i Lembar Pengesahan Pembimbing ii Lembar Pengesahan Penguji iii Halaman Persembahan iv Halaman Motto v Kata Pengantar vi Abstraksi viii Daftar Isi ix Daftar Gambar xii Daftar Tabel
Lebih terperinciBAB 2 LANDASAN TEORI
7 BAB 2 LANDASAN TEORI 2.1 Citra Digital Citra digital merupakan sebuah fungsi intensitas cahaya, dimana harga x dan y merupakan koordinat spasial dan harga fungsi f tersebut pada setiap titik merupakan
Lebih terperinciPENGENALAN TANDA TANGAN DENGAN MENGGUNAKAN NEURAL NETWORK DAN PEMROSESAN AWAL THINNING ZHANG SUEN
PENGENALAN TANDA TANGAN DENGAN MENGGUNAKAN NEURAL NETWORK DAN PEMROSESAN AWAL THINNING ZHANG SUEN Chairisni Lubis 1) Yuliana Soegianto 2) 1) Fakultas Teknologi Informasi Universitas Tarumanagara Jl. S.Parman
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MENGENALI TULISAN TANGAN HURUF A, B, C, DAN D PADA JAWABAN SOAL PILIHAN GANDA
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MENGENALI TULISAN TANGAN HURUF A, B, C, DAN D PADA JAWABAN SOAL PILIHAN GANDA (Studi Eksplorasi Pengembangan Pengolahan Lembar Jawaban Ujian Soal Pilihan Ganda di
Lebih terperinciBAB II LANDASAN TEORI. Pengolahan Citra adalah pemrosesan citra, khususnya dengan menggunakan
BAB II LANDASAN TEORI 2.1. Citra Citra adalah gambar pada bidang dwimatra (dua dimensi). Ditinjau dari sudut pandang matematis, citra merupakan fungsi menerus dan intensitas cahaya pada bidang dwimatra
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 II TINJAUAN PUSTAKA DAN LANDASAN TEORI. dilakukan oleh para peneliti, berbagai metode baik ekstraksi fitur maupun metode
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2. Penelitian Terdahulu Beberapa penelitian mengenai pengenalan tulisan tangan telah banyak dilakukan oleh para peneliti, berbagai metode baik ekstraksi fitur
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengolahan Citra Pengolahan citra adalah kegiatan memanipulasi citra yang telah ada menjadi gambar lain dengan menggunakan suatu algoritma atau metode tertentu. Proses ini mempunyai
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Citra Citra merupakan salah satu komponen multimedia yang memegang peranan sangat penting sebagai bentuk informasi visual. Meskipun sebuah citra kaya akan informasi, namun sering
Lebih terperinciPENGENAL HURUF TULISAN TANGAN MENGGUNAKAN JARINGAN SARAF TIRUAN METODE LVQ (LEARNING VECTOR QUANTIZATION) By. Togu Sihombing. Tugas Ujian Sarjana
PENGENAL HURUF TULISAN TANGAN MENGGUNAKAN JARINGAN SARAF TIRUAN METODE LVQ (LEARNING VECTOR QUANTIZATION) By. Togu Sihombing Tugas Ujian Sarjana. Penjelasan Learning Vector Quantization (LVQ) Learning
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 terperinciPENGOLAHAN CITRA DIGITAL
PENGOLAHAN CITRA DIGITAL Aditya Wikan Mahastama mahas@ukdw.ac.id Sistem Optik dan Proses Akuisisi Citra Digital 2 UNIV KRISTEN DUTA WACANA GENAP 1213 v2 Bisa dilihat pada slide berikut. SISTEM OPTIK MANUSIA
Lebih terperinciMuhammad Zidny Naf an, M.Kom. Gasal 2015/2016
MKB3383 - Teknik Pengolahan Citra Pengolahan Citra Digital Muhammad Zidny Naf an, M.Kom. Gasal 2015/2016 CITRA Citra (image) = gambar pada bidang 2 dimensi. Citra (ditinjau dari sudut pandang matematis)
Lebih terperinciPengenalan Plat Nomor Mobil Menggunakan Metode Learning Vector Quantization
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 3, Maret 2018, hlm. 1313-1317 http://j-ptiik.ub.ac.id Pengenalan Plat Nomor Mobil Menggunakan Metode Learning Vector
Lebih terperinciProses memperbaiki kualitas citra agar mudah diinterpretasi oleh manusia atau komputer
Pengolahan Citra / Image Processing : Proses memperbaiki kualitas citra agar mudah diinterpretasi oleh manusia atau komputer Teknik pengolahan citra dengan mentrasformasikan citra menjadi citra lain, contoh
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Computer Vision Computer vision dapat diartikan sebagai suatu proses pengenalan objek-objek berdasarkan ciri khas dari sebuah gambar dan dapat juga digambarkan sebagai suatu deduksi
Lebih terperinciPerbandingan Antara Metode Kohonen Neural Network dengan Metode Learning Vector Quantization Pada Pengenalan Pola Tandatangan
Jurnal Sains & Matematika (JSM) ISSN Kajian 0854-0675 Pustaka Volume14, Nomor 4, Oktober 2006 Kajian Pustaka: 147-153 Perbandingan Antara Metode Kohonen Neural Network dengan Metode Learning Vector Quantization
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN 3.1. Penentuan Masalah Penelitian Masalah masalah yang dihadapi oleh penggunaan identifikasi sidik jari berbasis komputer, yaitu sebagai berikut : 1. Salah satu masalah dalam
Lebih terperinciBAB III METODE PENELITIAN. dan bahan, agar mendapatkan hasil yang baik dan terstruktur. Processor Intel Core i3-350m.
BAB III METODE PENELITIAN 3.1 Alat dan Bahan Untuk menunjang penelitian yang akan dilakukan, maka diperlukan alat dan bahan, agar mendapatkan hasil yang baik dan terstruktur. 3.1.1 Alat Penelitian Adapun
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Citra Citra (image) atau yang secara umum disebut gambar merupakan representasi spasial dari suatu objek yang sebenarnya dalam bidang dua dimensi yang biasanya ditulis dalam
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Pada bab ini akan dibahas teori yang berkaitan dengan pemrosesan data untuk sistem pengenalan gender pada skripsi ini, meliputi cropping dan resizing ukuran citra, konversi citra
Lebih terperinciBAB II LANDASAN TEORI. bahasa Jawa yang pada dasarnya terdiri atas dua puluh aksara pokok (nglegena),
BAB II LANDASAN TEORI 2.1 Aksara Jawa Carakan (Abjad/Aksara Jawa) adalah huruf yang digunakan dalam ejaan bahasa Jawa yang pada dasarnya terdiri atas dua puluh aksara pokok (nglegena), yang ditunjukkan
Lebih terperinci1. BAB I PENDAHULUAN Latar Belakang
1. BAB I PENDAHULUAN 1.1. Latar Belakang kwh-meter merupakan alat yang digunakan untuk mengukur besarnya pemakaian energi listrik pada suatu bangunan atau gedung [1]. Berdasarkan sistem pembayarannya,
Lebih terperinciBAB 2 TINJAUAN TEORITIS
BAB 2 TINJAUAN TEORITIS 2.1 Citra RGB Suatu citra biasanya mengacu ke citra RGB. Citra (image) merupakan suatu yang menggambarkan objek dan biasanya dua dimensi. Citra merupakan suatu representasi, kemiripan
Lebih terperinciBAB VIII JARINGAN SYARAF TIRUAN
BAB VIII JARINGAN SYARAF TIRUAN A. OTAK MANUSIA Otak manusia berisi berjuta-juta sel syaraf yang bertugas untuk memproses informasi. Tiaptiap sel bekerja seperti suatu prosesor sederhana. Masing-masing
Lebih terperinciPENDAHULUAN TINJAUAN PUSTAKA
Latar Belakang PENDAHULUAN Indonesia merupakan negara tropis yang memiliki + 30.000 spesies tumbuh-tumbuhan ([Depkes] 2007). Tumbuh-tumbuhan tersebut banyak yang dibudidayakan sebagai tanaman hias. Seiring
Lebih terperinciAnalisis Jaringan Saraf Tiruan Pengenalan Pola Huruf Hiragana dengan Model Jaringan Perceptron
Jurnal Ilmiah Teknologi dan Informasi ASIA (JITIKA) Vol.11, No.1, Februari 017 ISSN: 085-70X Analisis Jaringan Saraf Tiruan Pengenalan Pola Huruf Hiragana dengan Model Jaringan Perceptron Irfan Ramadhani
Lebih terperinciBAB 2 TINJAUAN TEORITIS
BAB 2 TINJAUAN TEORITIS 2.7. Kecerdasan Buatan Kecerdasan Buatan adalah suatu bidang sains komputer yang ditujukan untuk menyempurnakan kinerja sistem instrumentasi elektronika. Peralatan atau sistem yang
Lebih terperinciBAB II TINJAUAN PUSTAKA. menggunakan PCA, kemudian penelitian yang menggunakan algoritma Fuzzy C-
8 BAB II TINJAUAN PUSTAKA 2.1 Studi Pendahuluan Sebelumnya telah ada penelitian tentang sistem pengenalan wajah 2D menggunakan PCA, kemudian penelitian yang menggunakan algoritma Fuzzy C- Means dan jaringan
Lebih terperinciBAB 2 TINJAUAN PUSTAKA 2.1 Dasar Teori Citra Digital
4 BAB 2 TINJAUAN PUSTAKA 2.1 Dasar Teori Bab ini berisi tentang teori yang mendasari penelitian ini. Terdapat beberapa dasar teori yang digunakan dan akan diuraikan sebagai berikut. 2.1.1 Citra Digital
Lebih terperinciIMPLEMENTASI ALGORITMA PERCEPTRON UNTUK PENGENALAN POLA MASUKAN BINER MAUPUN BIPOLAR MENGGUNAKAN BORLAND DELPHI
IMPLEMENTASI ALGORITMA PERCEPTRON UNTUK PENGENALAN POLA MASUKAN BINER MAUPUN BIPOLAR MENGGUNAKAN BORLAND DELPHI Andi Harmin Program Studi : Teknik Komputer STMIK Profesional Makassar andiharmin1976@gmail.com
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Citra Digital Gambar atau citra merupakan informasi yang berbentuk visual. Menurut kamus Webster citra adalah suatu representasi, kemiripan atau imitasi dari suatu objek atau
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Citra Digital Citra adalah suatu representasi, kemiripan atau imitasi dari suatu objek atau benda, misal: foto seseorang mewakili entitas dirinya sendiri di depan kamera. Sedangkan
Lebih terperinciOPTICAL CHARACTER RECOGNIZATION (OCR)
LAPORAN JARINGAN SYARAF TIRUAN OPTICAL CHARACTER RECOGNIZATION (OCR) DISUSUN OLEH: DIJAS SCHWARTZ. S (524) FIRNAS NADIRMAN (481) INDAH HERAWATI (520) NORA SISKA PUTRI (511) OKTI RAHMAWATI (522) EKSTENSI
Lebih terperinciPERBANDINGAN ANTARA METODE KOHONEN NEURAL NETWORK DAN LEARNING VECTOR QUANTIZATION PADA SISTEM PENGENALAN TULISAN TANGAN SECARA REAL TIME
PERBANDINGAN ANTARA METODE KOHONEN NEURAL NETWORK DAN LEARNING VECTOR QUANTIZATION PADA SISTEM PENGENALAN TULISAN TANGAN SECARA REAL TIME Nama Mahasiswa : Asworo NRP : 205 00 077 Jurusan : Matematika FMIPA-ITS
Lebih terperinciPEMANFAATAN NEURAL NETWORK PERCEPTRON PADA PENGENALAN POLA KARAKTER
PEMANFAATAN NEURAL NETWORK PERCEPTRON PADA PENGENALAN POLA KARAKTER Fakultas Teknologi Informasi Universitas Merdeka Malang Abstract: Various methods on artificial neural network has been applied to identify
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Jaringan Saraf Tiruan Jaringan saraf tiruan adalah paradigma pengolahan informasi yang terinspirasi oleh sistem saraf secara biologis, seperti proses informasi pada otak manusia.
Lebih terperinciMKB3383 TEKNIK PENGOLAHAN CITRA Pemrosesan Citra Biner
MKB3383 TEKNIK PENGOLAHAN CITRA Pemrosesan Citra Biner Dosen Pengampu: Muhammad Zidny Naf an, M.Kom. Genap 2016/2017 Definisi Citra biner (binary image) adalah citra yang hanya mempunyai dua nilai derajat
Lebih terperinciPERANGKAT LUNAK PENGKONVERSI TEKS TULISAN TANGAN MENJADI TEKS DIGITAL
PERANGKAT LUNAK PENGKONVERSI TEKS TULISAN TANGAN MENJADI TEKS DIGITAL Nama Mahasiswa : Achmad Fauzi Arief NRP : 03 09 007 Jurusan : Matematika FMIPA-ITS Dosen Pembimbing : Drs. Nurul Hidayat, M.Kom Abstrak
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. Implementasi antar muka dalam tugas akhir ini terdiri dari form halaman
BAB IV HASIL DAN PEMBAHASAN 4.1 Implementasi Antar Muka Implementasi antar muka dalam tugas akhir ini terdiri dari form halaman judul perangkat lunak, form pelatihan jaringan saraf tiruan, form pengujian
Lebih terperinciBAB II TEORI DASAR PENGOLAHAN CITRA DIGITAL
BAB II TEORI DASAR PENGOLAHAN CITRA DIGITAL 2.1 Citra Secara harafiah, citra adalah representasi (gambaran), kemiripan, atau imitasi pada bidang dari suatu objek. Ditinjau dari sudut pandang matematis,
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 I PENDAHULUAN. Timor Leste terletak di antara garis lintang 8 dan 10 S, dan bujur 124
BAB I PENDAHULUAN 1.1 Latar Belakang Timor Leste terletak di antara garis lintang 8 dan 10 S, dan bujur 124 dan 128 E. Terletak di Asia Tenggara, Pulau Timor merupakan bagian dari Asia Tenggara Maritim,
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Sel Darah Merah Sel yang paling banyak di dalam selaput darah adalah sel darah merah atau juga dikenal dengan eritrosit. Sel darah merah berbentuk cakram bikonkaf dengan diameter
Lebih terperinci