PENGENALAN CITRA HURUF BERDERAU DENGAN JARINGAN SYARAF TIRUAN BERDASARKAN SIFAT-SIFAT STATISTIS
|
|
- Sudomo Kurniawan
- 7 tahun lalu
- Tontonan:
Transkripsi
1 PENGENALAN CITRA HURUF BERDERAU DENGAN JARINGAN SYARAF TIRUAN BERDASARKAN SIFAT-SIFAT STATISTIS Tesis untuk memenuhi sebagian persyaratan untuk mencapai derajat Sarjana S-2 Program Studi Teknik Elektro Jurusan Ilmu-ilmu Teknik diajukan oleh Linggo Sumarno 8422/I-1/526/96 Kepada PROGRAM PASCA SARJANA UNIVERSITAS GADJAH MADA 1998
2
3
4 PRAKATA Puji syukur penulis panjatkan kehadirat Tuhan Yang Maha Esa atas segala karunia yang telah diberikannya hingga selesainya tesis ini, yang merupakan salah satu syarat untuk mencapai derajat Sarjana S-2 di Program Studi Teknik Elektro Jurusan Ilmu-ilmu Teknik Universitas Gadjah Mada. Walaupun telah diusahakan sebaik mungkin, penulis menyadari tesis ini masih terdapat kekurangan di sana sini. Untuk itu, saran untuk perbaikan lebih lanjut sangat penulis harapkan. Pada kesempatan ini, penulis ucapkan terima kasih yang sebesar-besarnya kepada pihak-pihak yang telah sangat membantu kelancaran studi S2 hingga selesainya tesis ini: 1. Bapak Adhi Susanto MSc. PhD., selaku pembimbing pertama yang dengan penuh perhatian membimbing tesis ini 2. Ibu Ir. Litasari MSc., selaku pembimbing kedua yang juga dengan penuh perhatian membimbing tesis ini. 3. Dr. M. Sastrapratedja SJ., selaku Rektor Universitas Sanata Dharma yang telah memberikan kesempatan untuk menempuh studi S2 di UGM. 4. Yayasan Sanata Dharma dan EEDP yang telah membantu pembiayaan studi S2. 5. Karyawan administrasi Jurusan Teknik Elektro Universitas Gadjah Mada yang telah membantu kelancaran studi S2. iii
5 6. Pihak-pihak lain yang tidak dapat penulis sebutkan satu persatu dalam kesempatan ini. Yogyakarta, Nopember 1998 penulis Linggo Sumarno iv
6 DAFTAR ISI halaman Halaman Judul i Halaman Pengesahan. ii Prakata iii Daftar Isi. v Daftar Tabel ix Daftar Gambar.... x Intisari xi BAB 1 PENDAHULUAN 1.1 Latar Belakang Perumusan masalah Keaslian penelitian Faedah yang diharapkan Tujuan Penelitian.. 3 BAB 2 TINJAUAN PUSTAKA 2.1 Pengantar Landasan Teori Jaringan syaraf tiruan Pengklasifikasi Bayes 7 v
7 2.2.3 Jendela Parzen Optimasi faktor penyekala Hipotesis Langkah Penelitian 14 BAB 3 CARA PENELITIAN 3.1 Bahan Penelitian Alat Penelitian Jalan Penelitian Perancangan keseluruhan sistem Perancangan jaringan syaraf tiruan Pelatihan dan pengujian jaringan syaraf tiruan Implementasi keseluruhan sistem Pengujian keseluruhan sistem Pengambilan data hasil pengujian Analisis hasil pengujian Variabel yang Diamati Kesulitan-kesulitan 29 BAB 4 HASIL PENELITIAN 4.1 Hasil Penelitian Pengujian mayor terhadap citra masukan yang berderau vi
8 4.1.2 Pengujian minor terhadap citra masukan yang mengalami deformasi proporsi, pergeseran, dan perputaran Pengujian gabungan terhadap citra masukan yang berderau dan mengalami deformasi proporsi, pergeseran dan perputaran Panjang waktu pelatihan dan pengenalan Pengujian pengaruh derau dan faktor penyekala Pengujian pengaruh derau dan bentuk huruf Pembahasan Pengaruh derau terhadap tingkat pengenalan Pengaruh deformasi proporsi, pergeseran, dan perputaran terhadap tingkat pengenalan Pengaruh derau serta deformasi proporsi, pergeseran, dan perputaran terhadap tingkat pengenalan Panjang waktu pelatihan dan pengenalan Pengaruh derau dan faktor penyekala Pengaruh derau dan bentuk huruf. 43 BAB 5 KESIMPULAN DAN SARAN 5.1 Kesimpulan Saran 47 BAB 6 RINGKASAN 6.1 Latar Belakang 49 vii
9 6.2 Tinjauan Pustaka Landasan Teori Cara Penelitian Hasil Penelitian. 51 Daftar Pustaka. 52 LAMPIRAN L.1 Daftar Kode Sumber.. 54 L.2 Listing Kode Sumber 54 L.3 Contoh Hasil Eksekusi Kode Sumber viii
10 DAFTAR TABEL halaman Tabel 4.1 Pengaruh deformasi proporsi terhadap tingkat pengenalan. Tabel 4.2 Pengaruh deformasi pergeseran terhadap tingkat pengenalan. Tabel 4.3 Pengaruh deformasi perputaran terhadap tingkat pengenalan. Tabel 4.4 Pengaruh derau terhadap tingkat pengenalan, pada citra yang mengalami deformasi proporsi, pergeseran, dan perputaran. Tabel 4.5 Panjang waktu pelatihan dan pengenalan, pada jaringan yang terkonstruksi atas 26 kelas pola, dengan dua sampel di setiap kelasnya. Tabel 4.6 Tingkat pengenalan jaringan (%) pada keadaan σ dan derau yang beragam. Tabel 4.7 Rerata kerapatan probabilitas pada keadaan σ dan derau yang beragam. Tabel 4.8 Tingkat pengenalan jaringan untuk citra huruf masukan yang seragam, pada keadaan tingkat derau 40% ix
11 DAFTAR GAMBAR halaman Gambar 2.1 Model dasar neuron... 6 Gambar 2.2 Contoh jaringan umpanmaju tiga-lapis. 7 Gambar 3.1 Dua macam jenis huruf: Roman dan Arial Gambar 3.2 Sistem pengenalan citra huruf berderau. 18 Gambar 3.3 Jaringan syaraf probabilitas Gambar 4.1 Contoh citra huruf berderau; (a) dan (g) citra asli; (b) dan (h) berderau 5 %; (c) dan (i) berderau 15%; (d) dan (j) berderau 25%; (e) dan (k) berderau 30%; (f) dan (l) berderau 35%. Gambar 4.2 Grafik pengaruh derau terhadap tingkat pengenalan untuk citra huruf masukan yang beragam. Gambar 4.3 Contoh citra yang mengalami deformasi proporsi, dengan (a) dan (d) citra asli, (b) dan (e) kurus, (c) dan (f) gemuk. Gambar 4.4 Contoh citra yang mengalami deformasi pergeseran, dengan (a) dan (d) citra asli, (b) tergeser ke kiri satu piksel, (c) tergeser ke kanan 2 piksel, (e) tergeser ke atas dua piksel dan (f) tergeser ke bawah tiga piksel. Gambar 4.5 Contoh citra yang mengalami deformasi perputaran, dengan (a) dan (d) citra asli, (b) dan (e) terputar -5 o, (c) dan (f) terputar 5 o. Gambar 4.6 Contoh citra berderau yang mengalami deformasi proporsi, pergeseran dan perputaran; (a) dan (d) citra asli; (b) dan (e) berderau 10 %, kurus, tergeser ke kiri satu piksel dan terputar 5 o ; (c) dan (f) berderau 10 %, gemuk, tergeser ke kanan satu piksel dan terputar -5 o. Gambar 4.7 Grafik pengaruh derau yang bertingkat terhadap tingkat pengenalan untuk bentuk huruf B, X, Z,dan W. x
12 INTISARI Pengenalan citra merupakan suatu proses pengolahan citra aras-tinggi yang bertujuan untuk mengenali informasi yang terkandung dalam suatu citra. Untuk dapat melakukan proses pengenalan tersebut, penggunaan metode pengenalan yang berdasarkan pada sifat-sifat statistis merupakan metode yang telah umum digunakan. Disamping metode tersebut, dewasa ini, terdapat pula metode pengenalan lain yang sedang berkembang pesat, yang dinamakan metode jaringan syaraf tiruan. Dengan menggunakan jaringan syaraf tiruan yang berdasarkan pada sifatsifat statistis, maka pada penelitian ini dilakukan perancangan suatu model sistem pengenalan citra yang dapat mengenali huruf pada suatu citra berderau. Hasil pengujian jaringan syaraf tiruan yang dirancang memperlihatkan bahwa, huruf pada suatu citra berderau yang tingkat deraunya mencapai 35% dapat dikenali, dengan kesalahan tingkat pengenalan kurang dari 5%. ABSTRACT Image recognition is a high-level image processing which is targeted to recognize information contained in the image. In performing this recognition, methods based on statistical properties are the common use. Beside those methods, nowadays, another method which utilizes the artificial neural networks has grown extensively. By using the artificial neural network which is based on some statistical properties, in this research a model of image recognition system was designed to have the ability to recognize letter from a noisy image. Test results of this model have shown that letter from a noisy image with noise level up to 35% can be recognized, with error recognition rate less than 5%. xi
13 BAB 1 PENDAHULUAN 1.1 Latar Belakang Pengenalan citra merupakan bagian bidang ilmu pengolahan citra, yang pada dasarnya bermaksud untuk meniru kemampuan sistem penglihatan manusia dalam menganalisis dan memahami suatu citra. Untuk mencapai maksud tersebut, metode yang berdasarkan sifat-sifat statistis merupakan metode yang telah dipakai secara luas. Penggunaan regresi linear, pengelompokan, korelasi, dan pengklasifikasi Bayes merupakan standar yang telah umum dipakai. Dewasa ini, jaringan syaraf tiruan yang pada dasarnya adalah meniru sistem otak manusia, telah memperlihatkan sejumlah sifat yang menarik seperti unjukkerja yang tangguh ketika menghadapi pola berderau, tolerans yang tinggi terhadap kesalahan, laju komputasi paralel yang tinggi, serta kemampuan generalisasi. Berdasar pada sifat-sifat statistis dan jaringan syaraf tiruan di atas, pada penelitian ini dirancang suatu jaringan syaraf tiruan yang mampu mengenali citra huruf berderau Perumusan masalah Manusia dapat mengenali dengan mudah suatu citra huruf berderau, dengan kandungan derau hingga suatu tingkat derau tertentu. Akan tetapi, tidak demikian halnya dengan komputer, karena komputer memerlukan adanya model-
14 2 model pengenalan citra tertentu untuk dapat melakukan proses pengenalan citra tersebut. Pada penelitian ini, akan dibuat suatu model pengenalan citra yang dapat dilakukan oleh komputer. Model pengenalan citra yang akan dibuat merupakan model dengan jaringan syaraf tiruan yang berdasarkan sifat-sifat statistis Keaslian penelitian Pengenalan citra huruf berderau ukuran 5x7 piksel dengan jaringan syaraf tiruan yang berdasarkan pada perambatan galat mundur telah diusulkan oleh Demuth dan Beale (1994). Dengan jaringan syaraf tiruan tersebut, kandungan derau hingga 20% masih dapat ditanggulangi. Model jaringan syaraf tiruan untuk pengenalan citra berderau ukuran 7x9 piksel, dengan berdasarkan perseptron dan pengingat heteroasosiatif, telah diusulkan. Model yang dikenalkan oleh Fausett (1994) tersebut, mampu mengenali citra huruf yang mempunyai kandungan derau hingga 30%. Suatu model jaringan syaraf tiruan yang berdasarkan sifat-sifat statistis yang mampu mengenali citra huruf berderau ukuran 32x32 piksel, dengan kandungan derau sekitar 20% telah dikenalkan oleh Watanabe (1996). Pemodelan jaringan syaraf tiruan tersebut dilakukan dengan menggunakan jaringan syaraf kompetisi probabilitas. Penelitian yang dilakukan di sini, dimaksudkan untuk mengembangkan dan memberikan suatu alternatif lain jaringan syarat tiruan yang berdasarkan sifatsifat statistis yang lain. Jaringan syaraf ini diharapkan mampu menangani citra
15 3 huruf berukuran 32x32 piksel yang mempunyai kandungan derau hingga lebih dari 30% Faedah yang dapat diharapkan Dengan adanya penelitian ini dapat diharapkan akan dihasilkan suatu model alternatif pengenalan citra huruf berderau dengan jaringan syarat tiruan yang berdasarkan sifat-sifat statistis, yang kemampuan pengenalan citranya lebih tinggi dari yang pernah ada sebelumnya sebelumnya. 1.2 Tujuan Penelitian Tujuan yang ingin dicapai dalam penelitian ini adalah tersusunnya perangkat-lunak suatu model jaringan syaraf tiruan yang berdasarkan sifat-sifat statistis, yang mampu mengenali citra huruf berderau. Watak dan unjukkerja jaringan syaraf tiruan dalam melakukan pengenalan citra huruf berderau, akan diselidiki dalam penelitian ini.
16 BAB 2 TINJAUAN PUSTAKA 2.1 Pengantar Jaringan syaraf tiruan yang berdasarkan sifat-sifat statistis pertama kali diperkenalkan oleh Donald Specht di tahun 1990-an. Jaringan yang dinamakan Jaringan Syaraf Probabilistis ini, mendasarkan diri pada pengklasifikasi Bayes- Parzen. Specht memperlihatkan bahwa algoritma jaringan syaraf ini dapat dipecah ke dalam sejumlah besar pemroses-pemroses mandiri sederhana, yang dapat beroperasi secara paralel. Adanya pemrosesan paralel inilah yang merupakan dasar jaringan syaraf tiruan. 2.2 Landasan Teori Jaringan syaraf tiruan Jaringan syaraf tiruan yang berkembang sejak tahun 1940-an, telah memperlihatkan kemajuan yang sangat pesat. Dewasa ini, model-model jaringan syaraf tiruan tersebut telah secara sukses diterapkan pada sistem-sistem untuk mengerjakan tugas-tugas seperti pengenalan pola, kendali robot, dan prediksi runtun waktu. Pada dasarnya, jaringan syaraf tiruan dimodelkan berdasarkan ciri organisasi otak manusia, yang mampu melakukan pengolahan secara paralel dan non-linear serta mampu pula mengangani informasi-informasi yang kompleks.
17 5 Definisi jaringan syaraf tiruan menurut Lin dan Lee (1996). Jaringan syaraf tiruan adalah generasi baru sistem pemrosesan informasi yang dikonstruksi dengan berdasarkan pada beberapa ciri yang ada pada otak manusia, yaitu: 1) adanya elemen-elemen pemroses (simpul-simpul) yang saling tersambung, yang biasanya beroperasi secara paralel, dan 2) adanya kelakuan kolektif seperti kemampuan untuk belajar, mengingat kembali dan melakukan generalisasi atas pola pelatihan atau data. Dalam implementasinya, jaringan syaraf tiruan merupakan paduan tiga hal dasar sebagai berikut. 1. Elemen-elemen pemroses (simpul-simpul) yang disebut sebagai neuronneuron. 2. Arsitektur sambungan antar elemen-elemen pemroses yang disebut sebagai arsitektur jaringan. 3. Aturan penyimpanan informasi ke dalam jaringan yang disebut sebagai aturan pelatihan. Setiap neuron pada jaringan syaraf tiruan mempunyai tiga fungsi utama sebagai berikut. 1. Mengumpulkan nilai-nilai masukan dan nilai-nilai pada sambungan yang disebut sebagai bobot. 2. Melakukan operasi matematis tertentu yang telah ditentukan sebelumnya. 3. Mengeluarkan nilai hasil operasi matematis di atas.
18 6 Secara sederhana neuron ini diperlihatkan pada Gambar 2.1 di bawah ini. x 1 x 2 w 1 w 2 w n g(f(x,w)) y x n Gambar 2.1 Model dasar neuron Pada Gambar 2.1 di atas, keluaran neuron dirumuskan secara umum sebagai y = g(f(x, w)), dengan x = [x 1, x 2,, x n ] adalah vektor nilai masukan dan w = [w 1, w 2,, w n ] adalah vektor nilai bobot. Neuron-neuron yang saling tersambung akan dapat membentuk banyak macam arsitektur jaringan seperti diperlihatkan oleh Fausett (1994), Lin dan Lee (1996), dan Patterson (1996). Gambar 2.2 memperlihatkan contoh arsitektur jaringan umpanmaju tiga-lapis yang merupakan dasar arsitektur jaringan syaraf tiruan yang digunakan dalam penelitian ini.
19 7 keluaran lapis ke-3 lapis ke-2 lapis ke-1 masukan Gambar 2.2 Contoh jaringan umpanmaju tiga-lapis. Bobot-bobot sambungan dalam jaringan merupakan tempat jaringan syaraf menyimpan informasi. Terdapat banyak ragam algoritma pelatihan untuk mengeset nilai-nilai bobot ini. Pada penelitian ini, algoritma yang dipakai adalah algoritma pelatihan terbimbing jaringan syaraf probabilistis. Algoritma pelatihan ini pada dasarnya adalah, pembentukan neuron pada lapis ke-1 yang merupakan anak (turunan) neuron pada lapis ke-2, pada Gambar 2.2 di atas Pengklasifikasi Bayes Jaringan syaraf tiruan yang dipergunakan dalam penelitian ini didasarkan pada pengklasifikasi Bayes, yang melakukan klasifikasi dengan berdasarkan pada sifat-sifat statistis sekelompok data (informasi). Secara sederhana, pengklasifikasi Bayes untuk kasus klasifikasi dua-kelas diperlihatkan sebagai berikut.
20 8 h A c A f A (x) > h B c B f B (x) (2.1) dengan h A, h B : probabilitas apriori kelas A dan B c A, c B : risiko pemilihan kelas A dan B f A (x), f B (x) : kerapatan probabilitas kelas A dan B untuk masukan x Jendela Parzen Kerapatan probabilitas kelas pada pengklasifikasi Bayes di atas, biasanya tidak diketahui. Oleh karena itu, digunakan suatu cara untuk mengestimasi kerapatan probabilitas dengan berdasarkan pada jendela Parzen, yang dirumuskan sebagai: 1 f ( x) = n n i= 1 D( x, K σ x i ) (2.2) dengan n : jumlah sampel σ : faktor penyekala D( x, xi ) K : fungsi kernel dengan D(x,x i ) adalah fungsi jarak σ antara vektor masukan x dan sampel x i. Fungsi kernel di atas, pada dasarnya bertujuan untuk menghitung nilai kemiripan antara masukan dengan sampel yang ada. Nilai kemiripan ini akan
21 9 makin tinggi bila masukannya makin mirip dengan sampel yang ada dan sebaliknya, makin rendah bila masukannya makin tidak mirip dengan sampel yang ada. Bentuk fungsi kernel di atas dapat beragam, namun fungsi tersebut harus memenuhi kriteria-kriteria sebagaimana ditulis oleh Masters (1995) sebagai berikut. 1. Fungsi kernel harus berhingga: sup K ( ϕ) dϕ < (2.3) ϕ 2. Fungsi kernel harus dengan cepat menuju nol bila argumennya meningkat dalam nilai absolutnya: K ( ϕ) dϕ < lim ϕk ( ϕ) = 0 (2.4) ϕ 3. Fungsi kernel harus dinormalisasi, bila yang akan diestimasi adalah fungsi kerapatan: K ( ϕ) dϕ = 1 (2.5)
22 10 4. Untuk mendapatkan kelakuan asimtotik yang tepat, jendela (faktor penyekala) harus menyempit bila jumlah sampelnya meningkat: lim σ = 0 n n lim nσ = (2.6) n n Salah satu contoh fungsi kernel yang memenuhi empat kriteria di atas adalah fungsi Gaussian, yang diperlihatkan pada persamaan: ϕ 2 K ( ϕ) = e (2.7) Dalam fungsi kernel di atas, tercakup adanya fungsi jarak. Fungsi jarak tersebut merupakan fungsi untuk menghitung jarak antara dua buah vektor. Terdapat banyak macam fungsi jarak yang dapat dipergunakan untuk keperluan tersebut (Wilson et al, 1997). Salah satu macam fungsi jarak tersebut adalah fungsi jarak Minkowsky yang diperlihatkan pada persamaan: n D( x, y) = i= 1 x i y i r 1/ r (2.8) dengan r adalah bilangan bulat (1,2, ), yang merupakan orde fungsi jarak tersebut.
23 Optimasi faktor penyekala Besar nilai faktor penyekala pada persamaan (2.2), dicari dengan melalui proses optimasi yang memperhatikan hal-hal sebagai berikut. 1. Bila masukan x diketahui merupakan sampel kelas ω, maka diharapkan nilai f(x) yang maksimum. Nilai yang maksimum ini dapat terjadi bila keadaan kandungan derau pada masukan x tersebut adalah 0 %. 2. Bila masukan x diketahui bukan merupakan sampel kelas ω, maka diharapkan nilai f(x) yang minimum. Nilai yang minimum ini dapat terjadi bila keadaan kandungan derau pada masukan x tersebut adalah 50 % 1) Berdasarkan hal-hal di atas proses optimasi yang memaksimumkan nilai f(x) pada kandungan derau 0 %, dapat ditulis sebagai: ( f ( x) ) g σ (2.9) 1 ( ) = maks derau= 0% Karena nilai f(x) derau=0% di atas selalu lebih kecil dari 1, maka persamaan (2.9) di atas dapat ditulis dalam bentuk minimisasi fungsi: ( f ( x) ) g σ (2.10) 1 ( ) = min 1 derau= 0% 1) Dalam hal ini, dipilih derau 50 %, karena dengan derau setinggi itu, citra masukannya benarbenar sangat tidak mirip dengan citra yang disimpan.
24 12 Selanjutnya, proses optimasi untuk meminimumkan f(x) pada kandungan derau 50 % adalah: ( f ( x) ) g σ (2.11) 2 ( ) = min derau= 50% Akhirnya, proses optimasi keseluruhannya adalah minimisasi gabungan persamaan (2.10) dan (2.11): g σ ) = g ( σ ) + g ( ) (2.12) ( 1 2 σ g σ {( 1 f ( x) ) f ( x } ( ) = min + ) derau= 0 % derau= 50% (2.13) Dalam penelitian ini, proses minimisasi pada fungsi g(σ) di atas dilakukan dengan menggunakan pencarian kuadratis (Buchanan dkk., 1992), yang algoritmanya ditulis sebagai berikut. Algoritma 2.1 Pencarian Kuadratis Masukan Tetapkan batas minimum σ 0 dan batas maksimum σ 2 untuk fungsi g. Tetapkan toleransi ε σ 0 + σ 2 Hitung σ 1 = dan h = σ 1 - σ 0 2 Kalang Ulangi jika g(σ 0 ) < g(σ 1 ), maka (geser kiri) σ 2 = σ 1 ; σ 1 = σ 0 ; σ 0 = σ 1 - h jika g(σ 2) < g(σ 1), maka (geser kanan) σ 0 = σ 1 ; σ 1 = σ 2 ; σ 2 = σ 1 + h
25 13 σ * h.[ g( σ 0 ) g( σ 2 )] = σ1 + 2.[ g( σ ) 2. g( σ ) + g( σ )] jika g(σ * ) < g(σ 1), maka σ 1 = σ * h h = ; σ 0 = σ 1 h ; σ 2 = σ 1 + h 2 hingga h < ε Keluaran Minimum fungsi g pada σ 1 dengan galat lebih kecil dari h. 2.3 Hipotesis Model jaringan syaraf tiruan untuk pengenalan huruf yang dirancang, mempunyai 26 macam kelas, yaitu dari A hingga Z. Setiap kelas mempunyai sejumlah sampel dari 1 hingga n. Masukan huruf berderau yang telah diubah menjadi vektor, selanjutnya dihitung kerapatan probabilitasnya untuk setiap kelas, dengan menggunakan jendela Parzen. Penghitungan dengan jendela Parzen ini pada dasarnya dilakukan dalam dua tahap berikut. 1. Tahap pertama, penghitungan nilai kemiripan masukan setiap sampel di setiap kelas. Penghitungan nilai kemiripan ini dilakukan dengan menggunakan fungsi kernel yang telah ditentukan sebelumnya. 2. Tahap kedua, penjumlahan ternormalisasi nilai-nilai kemiripan yang terdapat di setiap kelas.
26 14 Dengan berdasarkan pada aturan klasifikasi Bayes, maka keluaran jaringan syaraf tiruan adalah kelas yang mempunyai nilai kerapatan probabilitas terbesar 2). 2.4 Langkah Penelitian Penelitian dilakukan dengan melalui tahap-tahap sebagai berikut. 1. Perancangan sistem pengenalan citra huruf berderau secara keseluruhan. 2. Perancangan model jaringan syaraf tiruan, dengan berdasarkan pada jaringan syaraf probabilistis. 3. Pengimplementasian model jaringan syaraf tiruan dalam bentuk program, dengan menggunakan MATLAB. 4. Pengimplementasian sistem pengenalan citra huruf berderau secara keseluruhan dalam bentuk program, dengan menggunakan MATLAB. 5. Pengujian watak dan unjukkerja sistem pengenalan citra huruf berderau secara keseluruhan. 6. Analisis hasil pengujian. 7. Pembuatan laporan penelitian. 2) Hal ini berlaku bila jumlah sampel dan risiko pemilihan untuk setiap kelas, sama besarnya.
27 BAB 3 CARA PENELITIAN Penelitian dilakukan dengan cara merancang sistem pengenalan citra huruf berderau, yang masukan dan keluarannya berupa citra dengan format bitmap. Implementasi sistem dituliskan dalam bentuk program dengan menggunakan MATLAB. 3.1 Bahan Penelitian Bahan yang dipakai untuk menjalankan penelitian ini berupa citra huruf dengan spesifikasi sebagai berikut. 1. Format citra : Bitmap 2. Ukuran citra : 32x32 piksel 3. Huruf : A hingga Z 4. Jenis huruf : Roman dan Arial Dalam penelitian ini, citra huruf dengan spesifikasi di atas dibuat dengan menggunakan program PAINT yang terdapat dalam sistem operasi WINDOWS 95. Hasil pembuatan citra huruf tersebut tersebut, secara visual diperlihatkan dalam Gambar 3.1.
28 16 (a) Jenis huruf Roman (b) Jenis huruf Arial Gambar 3.1 Dua macam jenis huruf: Roman dan Arial.
29 Alat Penelitian Alat yang dipakai untuk menjalankan penelitian ini dibedakan menjadi dua macam sebagai berikut. 1. Perangkat-keras: Komputer berbasiskan mikroprosesor AMD5X86/133MHz dengan memori 16 MB, harddisk 850 MB, monitor VGA dan pencetak. 2. Perangkat-lunak: MATLAB versi 5.0 yang dilengkapi dengan Image Processing Toolbox. 3.3 Jalan Penelitian Jalannya penelitian yang dilakukan diuraikan seperti berikut Perancangan keseluruhan sistem Keseluruhan sistem pengenalan citra huruf berderau yang dirancang diperlihatkan secara blok pada Gambar 3.2.
30 18 Citra keluaran Asosiasi citra Klasifikasi dengan jaringan syaraf tiruan Vektorisasi citra Sumber derau Deformasi citra Citra masukan Gambar 3.2 Sistem pengenalan citra huruf berderau. Pada Gambar 3.2 di atas, citra masukan berupa citra huruf ukuran 32x32 piksel dengan format bitmap. Sebelum dikontaminasi dengan derau, citra huruf ini sebelumnya dideformasi dahulu dalam hal proporsi, perputaran, dan pergeseran. Selanjutnya, dilakukan vektorisasi citra, yaitu mengubah citra 32x32 piksel
31 19 menjadi suatu vektor dengan 1024 elemen. Hal ini dilakukan karena komputasi data dalam bentuk vektor lebih cepat daripada komputasi data dalam bentuk matriks bujursangkar. Vektor dengan 1024 elemen, merupakan informasi masukan bagi jaringan syaraf tiruan. Dengan informasi ini, jaringan syaraf tiruan mengenali informasi huruf yang ada dalam vektor tersebut. Hasil pengenalan jaringan syaraf tiruan berupa informasi nomor huruf dari 1 hingga 26, yang merupakan urutan nomor alfabet dari A hingga Z. Untuk mendapatkan keluaran sistem yang berupa citra, selanjutnya dilakukan asosiasi citra terhadap keluaran dari jaringan syaraf tiruan Perancangan jaringan syaraf tiruan Arsitektur jaringan syaraf yang dirancang, pada dasarnya bersumber pada jaringan syaraf probabilistis yang dikenalkan oleh Donald Specht. Akan tetapi, dalam penelitian ini dilakukan modifikasi dalam fungsi kernelnya, untuk mendapatkan komputasi yang lebih cepat. Untuk lebih jelasnya, arsitektur jaringan syaraf tiruan ini diperlihatkan dalam Gambar 3.3 sebagai berikut.
32 20 y maks Lapis maksimum f A f Z Lapis penjumlahan ω A1 ω An ω Z1 ω Zn Lapis pola w A1 1 w Zn 1024 σ x 1 x 2 x 1024 Gambar 3.3 Jaringan syaraf probabilistis. Jaringan syaraf probabilistis pada Gambar 3.2 di atas, pada dasarnya mempunyai 3 lapis, yaitu lapis pola, lapis penjumlahan, dan lapis maksimum. Berikut ini penjelasan untuk setiap lapis jaringan syaraf tiruan di atas. 1. Lapis pola terdiri atas 26 kelas dari ω A hingga ω Z. Setiap kelas mempunyai sampel dari 1 hingga n. Oleh karena itu dalam lapis ini akan ada 26xn elemen pemroses. Setiap elemen pemroses berfungsi untuk mencari besar nilai
33 21 kemiripan masukan terhadap sampel di setiap kelas, dengan menggunakan fungsi kernel yang telah ditentukan sebelumnya. 2. Lapis penjumlahan terdiri atas 26 elemen pemroses. Setiap elemen pemroses pada lapis ini berfungsi untuk melakukan penjumlahan ternormalisasi atas nilai-nilai kemiripan di setiap kelas. Hasil penjumlahan ternormalisasi ini adalah nilai fungsi kerapatan probabilitas kelas. 3. Lapis maksimum hanya terdiri atas satu elemen pemroses. Keluaran dari lapis ini berupa nomor kelas yang nilai fungsi kerapatan probabilitas kelasnya tertinggi Pelatihan Pelatihan jaringan syaraf probabilistis pada dasarnya hanya terdiri atas dua tahap pengkonstruksian lapis pola sebagai berikut. 1. Tahap pertama: pembentukan elemen pemroses dan penyimpanan bobotnya. 2. Tahap kedua: pencarian nilai faktor penyekala σ yang merupakan nilai prasikap pada lapis pola. Dua lapis yang lain yaitu lapis penjumlahan dan lapis maksimum tidak mengalami perubahan. Algoritma untuk pengkonstruksian lapis pola di atas diperlihatkan di bawah ini. Algoritma 3.1 Pelatihan jaringan syaraf tiruan Langkah 1. Pelatihan tahap pertama:
34 22 Untuk setiap pola masukan x(p) (p=1 1024) yang telah ditentukan kelas polanya ω i, (i=a, B, C,,Y, atau Z) lakukan Langkah 2-3. Langkah 2. Konstruksi kelas pola ω i Vektor bobot masukan kelas i, untuk sampel ke j (j =1 n) : w ij_p = x(p) (3.1) Langkah 3. Sambungkan keluaran pemrosesan pada kelas pola ω i ke lapis penjumlahan di f i. Langkah 4. Pelatihan tahap kedua: Untuk pelatihan tahap kedua ini, lakukan Langkah 5-6. Langkah 5. Cari besar nilai faktor penyekala optimum σ opt dengan melalukan operasi minimisasi: 26 n g ( ) ij σ i= 1 j= 1 σ opt = min (3.2) 26n dengan dan ( 1 fi ( x j ) ) + fi ( x ) derau= 0% j derau= 50% g ( σ ) = (3.3) ij f i ( x ) j n i= = 1 e x j xi σ n 2 (3.4)
35 23 adalah nilai kerapatan probabilitas kelas i terhadap masukan x j, yang merupakan salah satu anggota kelas tersebut. Gunakan Algoritma 2.1 (Algoritma pencarian kuadratis pada halaman 12) untuk operasi minimisasi fungsi g ij (σ) di atas. Langkah 6. Sambungkan nilai σ opt yang didapat, ke setiap elemen pemroses yang terdapat pada lapis pola Implementasi komputasi Implementasi komputasi jaringan syaraf tiruan adalah berupa langkahlangkah komputasi yang dilakukan jaringan bila menerima pola masukan. Langkah-langkah ini dijelaskan dengan algoritma sebagai berikut. Algoritma 3.2 Implementasi komputasi jaringan syaraf tiruan Langkah O. Inisialisasi bobot w dan faktor penyekala σ dari hasil pelatihan. Langkah 1. Untuk setiap pola masukan yang akan diklasifikasi, kerjakan Langkah 2-4. Langkah 2. Lapis pola: Untuk setiap sampel j (j=1 n) dari kelas i (i = A Z): hitung masukan jaringan dengan rumus jarak Minkowsky orde-1 yang ternormalisasi (lihat persamaan (2.8)): D ij = m k= 1 x k w m ij _ k (3.5)
36 24 dengan m adalah jumlah elemen vektor x atau w ij. Karena masukan jaringan dan bobotnya berupa bilangan biner, maka komputasi m k = 1 x k w ij _ k dalam MATLAB dapat dilakukan lebih cepat, dengan menggunakan hal-hal sebagai berikut. 1. Tipe data 1 byte pada x k dan w ij_k, sebagai pengganti tipe data default 8 byte. 2. Operasi logika (x k xor w ij_k ), sebagai pengganti operasi aritmatika x. k w ij _ k 3. Operasi pencarian banyaknya elemen tidak nol pada vektor hasil operasi (x k xor w ij_k ), sebagai pengganti operasi penjumlahan elemen vektor. Hitung keluaran lapis ini dengan fungsi kernel Gaussian: D ij σ 2 K = e (3.6) ij Langkah 3. Lapis penjumlahan: hitung penjumlahan ternormalisasi untuk setiap kelas i (i = A Z). f i = n j= 1 K n ij (3.7) dengan n adalah jumlah sampel di setiap kelas. Langkah 4. Lapis maksimum: hitung keluaran jaringan sebagai: y = max( f i ) (3.8)
37 Pelatihan dan pengujian jaringan syaraf tiruan Pelatihan jaringan syaraf tiruan dilakukan dengan melatihkan pola huruf dalam bentuk vektor. Pola huruf ini terdiri atas huruf A hingga Z, dengan dua macam jenis huruf, yaitu Roman dan Arial untuk setiap hurufnya, sebagaimana yang diperlihatkan pada Gambar 3.1. Dengan adanya pelatihan, maka pada lapis pola akan terdapat sejumlah 52 elemen pemroses, yang terdiri atas 26 kelas elemen pemroses dengan 2 sampel tiap kelasnya. Selain adanya pengkonstruksian elemen-elemen pemroses pada lapis pola, pelatihan juga akan memberikan nilai faktor penyekala, yang merupakan salah satu variabel elemen pemroses pada lapis pola. Setelah pelatihan selesai, selanjutnya dilakukan pengujian pengenalan jaringan. Untuk itu, jaringan dimasuki citra-citra huruf secara beruntun dari A hingga Z yang terdiri atas dua jenis huruf yaitu Roman dan Arial. Bila semua citra huruf tersebut kemudian dapat dikenali, maka berarti jaringannya telah terlatih Implementasi keseluruhan sistem Sistem pengenalan citra huruf berderau yang telah dirancang di atas, selanjutnya diimplementasikan dalam bentuk program MATLAB. Dalam implementasi ini, terdapat dua macam basis implementasi program sebagai berikut. 1. Implementasi berbasiskan teks, yang bertujuan untuk memperlihatkan unjukkerja sistem dalam hal tingkat pengenalan, serta lama waktu pelatihan dan pengujian.
38 26 2. Implementasi berbasiskan GUI (Graphical User Interface), yang bertujuan untuk memvisualisasikan sistem pengenalan citra berderau ini. Dua macam basis implementasi program di atas dan contoh hasil eksekusinya, diperlihatkan pada lampiran L2 dan L Pengujian keseluruhan sistem Pengujian sistem pengenalan citra huruf berderau secara keseluruhan, dilakukan dengan melakukan pengujian-pengujian sebagai berikut. 1. Pengujian mayor, merupakan pengujian utama tingkat pengenalan jaringan, bila citra huruf masukannya berderau. 2. Pengujian minor, merupakan pengujian tambahan tingkat pengenalan jaringan, bila citra huruf masukannya mengalami deformasi proporsi, perputaran dan pergeseran. 3. Pengujian gabungan, merupakan gabungan pengujian mayor dan minor di atas, untuk menguji tingkat pengenalan jaringan bila citra huruf masukannya selain berderau juga mengalami deformasi proporsi, pergeseran, dan perputaran. 4. Pengujian lama waktu pelatihan dan pengenalan. 5. Pengujian pengaruh derau dan faktor penyekala. 6. Pengujian pengaruh derau dan bentuk huruf.
39 Pengambilan data hasil pengujian Pengambilan data hasil pengujian pada pengujian mayor, pengujian minor, pengujian gabungan dan pengujian pengaruh derau dan faktor penyekala, dilakukan dengan cara mengambil data tingkat pengenalan, terhadap jaringan yang diberi masukan beragam 300 huruf secara sekuensial, pada keadaan tingkat derau yang beragam. Ketigaratus huruf yang dimasukkan ini, tersusun secara acak baik urutannya (A hingga Z) maupun jenisnya (Roman atau Arial). Hasil pengujian pengaruh derau dan bentuk huruf diperoleh dengan mengambil data tingkat pengenalan jaringan, bila jaringan tersebut diberi masukan seragam 300 huruf secara sekuensial, pada keadaan tingkat derau yang beragam. Jenis huruf Arial digunakan dalam pengujian ini. Pada pengujian terhadap lama waktu pelatihan, pengambilan datanya dilakukan dengan mengambil data lama waktu yang diperlukan jaringan syaraf tiruan untuk dilatih dengan menggunakan 26 kelas pola, dengan dua sampel di setiap kelas polanya. Sedangkan pengujian terhadap lama waktu pengujian dilakukan dengan mengambil data lama waktu yang diperlukan oleh jaringan syaraf tiruan, untuk mengenali setiap pola yang diberikan kepadanya Analisis hasil pengujian Pengujian yang dilakukan di atas, pada dasarnya hendak menyelidiki empat macam watak jaringan. Watak yang pertama adalah, tingkat pengenalan jaringan bila citra masukannya beragam dan mempunyai tiga macam bentuk gangguan yaitu :
40 28 1. Tingkat derau yang beragam. 2. Tingkat deformasi proporsi, pergeseran, dan perputaran yang beragam. 3. Tingkat derau serta deformasi proporsi, pergeseran, dan perputaran yang beragam. Watak yang kedua adalah, lama waktu yang diperlukan jaringan untuk melakukan eksekusi sebagai berikut: 1. Pelatihan dengan 26 kelas pola dengan 2 sampel di setiap kelasnya. 2. Pengenalan terhadap setiap citra masukan. Watak yang ketiga adalah, tingkat pengenalan jaringan serta rerata kerapatan probabilitas pada keadaan faktor penyekala dan derau yang beragam. Akhirnya watak yang keempat adalah, tingkat pengenalan jaringan bila citra huruf masukannya seragam dan mempunyai tingkat derau yang beragam. 3.4 Variabel yang diamati Variabel yang diamati pada penelitian ini adalah sebagai berikut: 1. Tingkat pengenalan jaringan bila citra masukannya beragam dan mempunyai tingkat derau yang beragam pula. 2. Tingkat pengenalan jaringan bila citra masukannya beragam dan mengalami deformasi proporsi, perputaran dan pergeseran. 3. Tingkat pengenalan jaringan bila citra masukannya beragam, berderau dan juga mengalami deformasi proporsi, pergeseran, dan perputaran. 4. Lama waktu pelatihan dan pengenalan jaringan.
41 29 5. Tingkat pengenalan dan rerata kerapatan probabilitas, pada keadaan faktor penyekala dan derau yang beragam. 6. Tingkat pengenalan jaringan bila citra masukannya seragam dan mempunyai tingkat derau yang beragam. 3.5 Kesulitan-kesulitan Kesulitan-kesulitan yang muncul selama penelitian ini terutama terjadi pada saat pengujian keseluruhan sistem. Jaringan syaraf probabilistis yang digunakan dalam penelitian ini mempunyai ciri beban komputasi yang tinggi, akibat adanya pelatihan prinsipnya adalah menyimpan semua data pelatihan. Oleh karena itu, jika tidak terdapat komputer yang berkecepatan tinggi, komputer yang berkecepatan rendah akan memerlukan waktu pengujian yang panjang.
42 BAB 4 HASIL PENELITIAN 4.1 Hasil Penelitian Pengujian mayor terhadap citra masukan yang berderau Pengujian mayor jaringan syaraf tiruan yang diteliti, dilakukan terhadap masukan citra huruf berderau. Contoh citra huruf berderau untuk pengujian mayor ini diperlihatkan pada Gambar 4.1. Hasil pengujian mayor jaringan syaraf tiruan untuk keadaan derau yang bertingkat dari 0 % hingga 50 % terhadap tingkat pengenalan, diperlihatkan pada Gambar 4.2.
43 31 a b c d e f g h i j k l Gambar 4.1 Contoh citra huruf berderau; (a) dan (g) citra asli; (b) dan (h) berderau 5 %; (c) dan (i) berderau 15%; (d) dan (j) berderau 25%; (e) dan (k) berderau 30%; (f) dan (l) berderau 35%.
44 32 Tingkat pengenalan (%) Tingkat derau (%) Gambar 4.2 Grafik pengaruh derau terhadap tingkat pengenalan untuk citra huruf masukan yang beragam Pengujian minor terhadap citra masukan yang mengalami deformasi proporsi, pergeseran, dan perputaran Pengujian terhadap citra yang mengalami deformasi proporsi Pada pengujian minor jaringan terhadap citra masukan yang mengalami deformasi proporsi, contoh citranya diperlihatkan pada Gambar 4.3.
45 33 a b c d e f Gambar 4.3 Contoh citra yang mengalami deformasi proporsi, dengan (a) dan (d) citra asli, (b) dan (e) kurus, (c) dan (f) gemuk. Hasil pengujian minor terhadap citra yang mengalami deformasi proporsi di atas, diperlihatkan pada Tabel 4.1. Tabel 4.1. Pengaruh deformasi proporsi terhadap tingkat pengenalan. Proporsi Kurus Normal Gemuk Tingkat pengenalan (%) 76, , Pengujian terhadap citra yang mengalami deformasi pergeseran Contoh citra yang dipergunakan untuk pengujian minor terhadap citra yang mengalami deformasi pergeseran diperlihatkan pada Gambar 4.4.
46 34 a b c d e f Gambar 4.4 Contoh citra yang mengalami deformasi pergeseran, dengan (a) dan (d) citra asli, (b) tergeser ke kiri satu piksel, (c) tergeser ke kanan 2 piksel, (e) tergeser ke atas dua piksel dan (f) tergeser ke bawah tiga piksel. Hasil pengujian minor untuk menyelidiki pengaruh deformasi pergeseran terhadap tingkat pengenalan diperlihatkan pada Tabel 4.2. Tabel 4.2 Pengaruh deformasi pergeseran terhadap tingkat pengenalan. Jarak geser (piksel) Tingkat pengenalan pada arah geser ke (%) kiri ,3 40,0 6,3 kanan ,3 22,0 5,3 atas ,0 71,0 41,4 bawah ,3 76,0 40, Pengujian terhadap citra yang mengalami deformasi perputaran Citra masukan yang mengalami deformasi perputaran, yang dipergunakan dalam penelitian ini diperlihatkan contohnya pada Gambar 4.5.
47 35 a b c d e f Gambar 4.5 Contoh citra yang mengalami deformasi perputaran, dengan (a) dan (d) citra asli, (b) dan (e) terputar -5 o, (c) dan (f) terputar 5 o. Hasil pengujian jaringan untuk pengaruh deformasi perputaran terhadap tingkat pengenalan, diperlihatkan pada Tabel 4.3. Tabel 4.3 Pengaruh deformasi perputaran terhadap tingkat pengenalan. Perputaran ( o ) Tingkat pengenalan (%) 76,7 93, ,7 91,3 76, Pengujian gabungan terhadap citra masukan yang berderau dan mengalami deformasi proporsi, pergeseran dan perputaran Pengujian gabungan, merupakan gabungan dari pengujian mayor dengan pengujian minor. Contoh citra yang dipergunakan untuk pengujian gabungan ini diperlihatkan pada Gambar 4.6.
48 36 a b c d e f Gambar 4.6. Contoh citra berderau yang mengalami deformasi proporsi, pergeseran dan perputaran; (a) dan (d) citra asli; (b) dan (e) berderau 10 %, kurus, tergeser ke kiri satu piksel dan terputar 5 o ; (c) dan (f) berderau 10 %, gemuk, tergeser ke kanan satu piksel dan terputar -5 o. Hasil pengujian pengaruh derau terhadap tingkat pengenalan jaringan, pada citra yang mengalami deformasi proporsi, pergeseran, dan perputaran diperlihatkan pada Tabel 4.4. Tabel 4.4 Pengaruh derau terhadap tingkat pengenalan, pada citra yang mengalami deformasi proporsi, pergeseran, dan perputaran. Derau (%) Tingkat pengenalan pada citra huruf yang kurus, tergeser ke kiri satu piksel dan terputar 5 o (%) Tingkat pengenalan pada citra huruf yang gemuk, tergeser ke kanan satu piksel dan terputar -5 o (%) 52,3 51,7 51,0 50,0 48,7 45,7 43,7 34,3 21,0 12,7 4,0 82,0 81,7 81,0 80,0 76,7 75,3 72,0 58,0 39,0 16,7 4,3
49 Panjang waktu pelatihan dan pengenalan Panjang waktu pelatihan dan pengenalan jaringan yang terkonstruksi atas 26 kelas pola, dengan dua sampel di setiap kelasnya, diperlihatkan pada Tabel 4.5. Tabel 4.5 Panjang waktu pelatihan dan pengenalan, pada jaringan yang terkonstruksi atas 26 kelas pola, dengan dua sampel di setiap kelasnya. Pelatihan Panjang waktu (detik) Tahap I 4,6 Tahap II 161,4 Pengenalan/huruf 0, Pengujian pengaruh derau dan faktor penyekala Pengaruh derau dan faktor penyekala (σ) pada jaringan syaraf tiruan terhadap tingkat pengenalan dan kerapatan probabilitas, diperlihatkan pada Tabel 4.6 dan 4.7. Tabel 4.6 Tingkat pengenalan jaringan (%) pada keadaan σ dan derau yang beragam. Derau ( % ) σ = 0,01 σ = 0,24 σ = 100 (optimum) ,7 4,3 4 Tabel 4.7 Rerata kerapatan probabilitas pada keadaan σ dan derau yang beragam. Derau ( % ) σ = 0,01 σ = 0,24 σ = 100 (optimum) 0 0,502 0,933 1, ,000 0,018 0,999
50 Pengujian pengaruh derau dan bentuk huruf Pengaruh derau dan bentuk huruf ( A, B, C,, Z ) terhadap tingkat pengenalan, diperlihatkan pada Tabel 4.7. Tabel 4.7 Tingkat pengenalan jaringan untuk citra huruf masukan yang seragam, pada keadaan tingkat derau 40%. (a) Urut huruf. (b) Urut tingkat pengenalan. Huruf Tingkat pengenalan (%) Huruf Tingkat pengenalan (%) A 88,7 B 62,0 B 62,0 D 64,7 C 65,0 C 65,0 D 64,7 U 65,3 E 73,0 N 72,0 F 84,0 E 73,0 G 76,3 T 73,7 H 86,0 X 75,7 I 86,0 G 76,3 J 87,0 Q 79,3 K 80,0 P 79,7 L 83,0 K 80,0 M 88,3 R 81,7 N 72,0 V 81,7 O 86,0 L 83,0 P 79,7 F 84,0 Q 79,3 Z 84,0 R 81,7 S 84,7 S 84,7 Y 84,7 T 73,7 H 86,0 U 65,3 I 86,0 V 81,7 O 86,0 W 96,7 J 87,0 X 75,7 M 88,3 Y 84,7 A 88,7 Z 84,0 W 96,7
51 39 Dengan mengacu pada Tabel 4.7(b), dipilih huruf-huruf B, X, Z, dan W dengan berdasarkan pada peringkat tingkat pengenalannya, yaitu dari peringkat terbawah hingga peringkat teratas. Pengujian lebih lanjut keempat huruf ini diperlihatkan hasilnya pada Gambar 4.7. Tingkat pengenalan (%) Huruf 'B' Huruf 'X' Huruf 'Z' Huruf 'W' Tingkat derau (%) Gambar 4.7. Grafik pengaruh derau yang bertingkat terhadap tingkat pengenalan untuk bentuk huruf B, X, Z,dan W. 4.2 Pembahasan Pengaruh derau terhadap tingkat pengenalan Hasil pengujian pada Gambar 4.1 memperlihatkan bahwa pada keadaan derau yang mencapai 20% jaringan syaraf masih dapat mengenali semua
52 40 masukannya. Pada keadaan derau antara 20 % hingga 35 %, jaringan syaraf mengalami kemerosotan tingkat pengenalan yang kecil, yaitu kurang dari 5 %. Selanjutnya pada keadaan antara 35 % hingga 50 %, kemerosotan tingkat pengenalannya menjadi sangat besar, yaitu hingga mencapai 93 %. Berdasarkan uraian di atas, dapat dikatakan bahwa jaringan syaraf yang diteliti tidak begitu terpengaruh (tidak sensitif) terhadap derau, pada keadaan tingkat derau dari 0 % hingga 35 %. Hal ini diindikasikan dengan adanya kesalahan tingkat pengenalan yang kurang dari 5 % Pengaruh deformasi proporsi, pergeseran dan perputaran terhadap tingkat pengenalan Pengaruh deformasi proporsi pada citra masukan diperlihatkan pada Tabel 4.2. Pada tabel tersebut diperlihatkan bahwa proporsi huruf yang kurus maupun gemuk sangat mempengaruhi tingkat pengenalan jaringan. Proporsi huruf yang kurus mempunyai tingkat pengenalan yang lebih rendah sekitar 10 % dari pada yang gemuk. Tabel 4.3 memperlihatkan pengaruh pergeseran terhadap tingkat pengenalan jaringan. Pada tabel tersebut terlihat bahwa tingkat pengenalan jaringan syaraf sangat terpengaruh walaupun pergeserannya hanya sejauh satu piksel. Selain itu terlihat juga bahwa pergeseran ke bawah dan ke atas lebih bisa diterima oleh jaringan syaraf daripada pergeseran yang ke kiri dan ke kanan. Pengaruh perputaran terhadap tingkat pengenalan yang diperlihatkan pada Tabel 4.4 mengindikasikan bahwa, untuk perputaran hingga sekitar +/- 5 o, tingkat
53 41 pengenalan jaringan syaraf masih tidak begitu terpengaruh, karena kesalahan tingkat pengenalan kurang dari 5 %. Akan tetapi, jika perputarannya makin lebih besar dari 5 o, tingkat pengenalan jaringan syarafnya makin terpengaruh oleh perputaran tersebut. Dengan menggunakan perkataan yang lebih umum, Tabel 4.2 hingga 4.4 memperlihatkan bahwa jaringan syaraf yang diteliti sangat terpengaruh (sensitif) terhadap proporsi, pergeseran dan perputaran yang dialami masukannya Pengaruh derau serta deformasi proporsi, pergeseran, dan perputaran terhadap tingkat pengenalan Pengujian gabungan untuk menyelidiki pengaruh derau serta deformasi proporsi, pergeseran, dan perputaran yang diperlihatkan pada Tabel 4.5, mengindikasikan bahwa kemerosotan tingkat pengenalan jaringan dari tingkat derau 0 % hingga 20 % masih relatif kecil, yaitu kurang dari 5 %. Bila hal ini dibandingkan dengan tingkat pengenalan jaringan pada citra yang tanpa mengalami penyekalaan, pergeseran dan perputaran pada Tabel 4.1, maka kemerosotan tingkat pengenalan jaringan yang kurang dari 5 % ini berkurang rentangnya sebanyak 15 %. Dari uraian di atas, dapat diindikasikan pula bahwa ketidaksensitifan jaringan terhadap derau pada rentang tingkat derau tertentu masih nampak. Namun, akibat pengaruh deformasi proporsi, perputaran dan pergeseran ini, ketidaksensitifan jaringan pada rentang derau tertentu berkurang sebanyak 15 %.
54 Panjang waktu pelatihan dan pengenalan Panjang waktu pelatihan dan pengujian, selain ditentukan oleh konfigurasi jaringan syaraf pada lapis pola yang menyimpan sampel-sampel pola, juga ditentukan oleh konfigurasi komputer yang digunakan. Pada Tabel 4.5, konfigurasi jaringan syaraf yang lapis polanya terdiri atas 26 kelas, dengan dua sampel di setiap kelasnya, serta menggunakan komputer yang konfigurasinya berbasiskan prosesor AMD5X86/133MHz, panjang waktu pengujian untuk setiap citra huruf hanya 0,7 detik. Selain itu, Tabel 4.5 juga memperlihatkan bahwa dalam hal pelatihan, panjang waktu pelatihan tahap I paling pendek, karena pada tahap tersebut hanya berlangsung proses penyimpanan semua citra yang dilatihkan dalam bentuk vektor pada lapis pola, sedangkan pelatihan tahap II lebih lama, pada tahap ini berlangsung proses iterasi untuk mencari nilai faktor penyekala yang optimum Pengaruh derau dan faktor penyekala Derau dan faktor penyekala menurut Tabel 4.6(a), terlihat tidak mempunyai pengaruh yang signifikan terhadap tingkat pengenalan jaringan. Namun, pada Tabel 4.6(b), derau dan faktor penyekala ini terlihat mempunyai pengaruh yang signifikan terhadap rerata kerapatan probabilitas. Pada keadaan derau 0 % hingga 50 %, nilai faktor penyekala yang makin jauh dari nilaa optimumnya, memberikan rentang rerata kerapatan probabilitas yang makin sempit. Proses komputasi pada rentang rerata kerapatan probabilitas yang makin sempit ini, memerlukan bilangan pecahan (floating point) yang makin panjang.
55 43 Bila bilangan pecahan ini terlalu panjang sampai melebihi yang dapat ditangani oleh komputernya, hasil penghitungan kerapatan probabilitasnya akan selalu 0 (untuk faktor penyekala yang terlalu kecil) atau selalu 1 (untuk faktor penyekala yang terlalu besar), pada semua tingkatan derau. Ini berarti, jaringan syaraf sudah benar-benar tidak dapat mengenali lagi masukannya Pengaruh derau dan bentuk huruf Derau dan bentuk huruf mempunyai pengaruh terhadap tingkat pengenalan jaringan syaraf tiruan yang diteliti, seperti diperlihatkan pada Tabel 4.7. Sebagai contoh yang ekstrim, huruf B mempunyai tingkat pengenalan sekitar 34% lebih rendah daripada huruf W, pada keadaan tingkat derau 40%. Adanya kejadian ini dikarenakan, huruf B jarak huruf yang lebih dekat dengan huruf-huruf yang lainnya seperti huruf D, E, dan R, pada keadaan tingkat derau 40% tersebut. Penelitian lebih jauh terhadap pengaruh derau dan bentuk huruf, dilakukan dengan melakukan pengujian terhadap huruf-huruf terpilih B, X, Z, dan W, untuk keadaan derau yang beragam dari 0% hingga 50%. Sebagaimana terlihat pada Gambar 4.7, huruf B mempunyai titik patah (cut-off) tingkat pengenalan yang terendah, bila dibandingkan dengan huruf-huruf X, Z dan W. Seperti halnya pada kejadian di atas, hal ini dikarenakan karena huruf B mempunyai jarak huruf yang lebih dekat dengan huruf-huruf yang lainnya bila dibandingkan dengan huruf-huruf X, Z, dan W. Dari dua kejadian di atas, dapat dikatakan bahwa jaringan syaraf yang diteliti sensitif terhadap bentuk huruf pada kondisi derau tinggi. Berdasarkan
56 44 Gambar 4.7, sifat sensitif ini mulai nampak pada tingkat derau 35%, yang diindikasikan dengan adanya perbedaan tingkat pengenalan yang lebih dari 5%, antara tingkat pengenalan huruf B dengan huruf W.
57 BAB 5 KESIMPULAN DAN SARAN 5.1 Kesimpulan Berdasarkan hasil penelitian tentang pengenalan citra huruf berderau dengan jaringan syaraf tiruan yang berdasarkan sifat-sifat statistis, disimpulkan hal-hal sebagai berikut. 1. Pemrosesan data yang berdasarkan sifat-sifat statistis merupakan dasar jaringan syaraf tiruan yang diteliti. Sifat-sifat statistis yang digunakan adalah yang berkaitan dengan distribusi kerapatan probabilitas pola masukan terhadap pola-pola yang disimpan. Distribusi kerapatan probabilitas ini dihitung secara non-parametris dengan menggunakan jendela Parzen. Selanjutnya, distribusi kerapatan probabilitas ini diproses lebih lanjut dengan berdasarkan pada pengklasifikasi Bayes untuk menghasilkan keluaran jaringan. 2. Unjukkerja jaringan syaraf tiruan yang diteliti telah memperlihatkan hasil yang mengagumkan dalam pengenalan citra huruf berderau. Huruf dengan kandungan tingkat derau hingga 35 %, masih dapat ditangani oleh jaringan, dengan tingkat kesalahan pengenalan kurang dari 5 %. Hal ini berarti, jaringan syaraf yang diteliti tidak sensitif terhadap huruf dengan kandungan tingkat derau hingga 35 %. Bila dibandingkan dengan kemampuan pengenalan oleh mata manusia, maka jaringan syaraf yang diteliti ini lebih unggul, karena
58 46 huruf dengan kandungan tingkat derau hingga 35 % sangat sulit dikenali oleh mata manusia. 3. Adanya deformasi huruf dalam hal proporsi, pergeseran dan perputaran, mengakibatkan turun dengan drastisnya tingkat pengenalan jaringan. Jaringan syaraf yang diteliti, memperlihatkan watak pengenalan yang sensitif terhadap deformasi huruf. Bila dibandingkan dengan mata manusia, maka unjukkerja jaringan syaraf dalam hal deformasi huruf ini lebih rendah, karena mata manusia tidak mempunyai watak pengenalan yang sesensitif jaringan syaraf yang diteliti terhadap deformasi huruf ini. 4. Watak pengenalan jaringan syaraf terhadap huruf berderau yang mengalami deformasi dalam hal proporsi, pergeseran, dan perputaran masih menunjukkan adanya ketidaksentitifan jaringan terhadap derau pada rentang tertentu. Namun rentang ketidaksensitifan ini lebih sempit bila dibandingkan dengan pengenalan jaringan terhadap huruf yang tidak mengalami deformasi. 5. Pelatihan jaringan syaraf yang diteliti dilakukan dengan dua tahap. Tahap yang pertama adalah, penyimpanan semua pola pelatihan ke dalam jaringan. Sedangkan tahap yang kedua adalah, pencarian secara iteratif nilai faktor penyekalanya yang optimum. 6. Tingkat pengenalan jaringan syaraf tidak memperlihatkan kesensitifan terhadap perubahan nilai faktor penyekala, yang merupakan salah satu variabel pada fungsi kernel. Akan tetapi, nilai faktor penyekala yang terlalu jauh dari optimumnya akan dapat menyebabkan jaringan benar-benar tidak dapat lagi mengenali masukannya.
59 47 7. Bentuk huruf ( A, B, C,, atau Z ) mempunyai pengaruh terhadap tingkat pengenalan jaringan pada tingkat derau yang tinggi. Jaringan syaraf terlihat mulai menampakkan kesensitifan terhadap bentuk huruf ini pada keadaan tingkat derau 35%. 5.2 Saran 1. Jaringan syaraf tiruan yang digunakan dalam penelitian ini, melakukan pemrosesan terhadap sejumlah 1024 data masukan, di setiap elemen pemroses pada lapis pola. Adanya pemrosesan data yang jumlahnya sangat besar ini berakibat, bila jaringan syaraf tiruan ini diberikan banyak pola pelatihan, maka jumlah elemen pemrosesnya akan makin banyak. Ini berarti, waktu pelatihan dan pengujian jaringan akan menjadi makin panjang. Untuk mengatasi hal ini, penelitian ini dapat dikembangkan lebih lanjut dengan menambahkan suatu pengolah awal yang akan mengekstraksi ciri-ciri pola, sebelum pola tersebut masuk ke jaringan. Dengan cara ini, setiap pola dapat diwakili oleh sederetan nilai koefisien (Chandran et al, 1997). Dengan demikian, akan terjadi pengurangan yang sangat drastis pada ukuran pola-pola ini, yang akan menaikkan kecepatan jaringan secara signifikan baik dalam pelatihan maupun pengujiannya. 2. Bentuk huruf ( A, B, C,, atau Z ) yang digunakan dalam penelitian ini, mempunyai jarak huruf yang beragam antara huruf yang satu dengan lainnya. Sebagai contoh, huruf B mempunyai jarak huruf yang lebih kecil dengan
60 48 huruf-huruf yang lainnya seperti huruf D, E, dan R, daripada huruf W. Hal ini berakibat, pada keadaan tingkat derau yang tinggi (misalnya 40%), tingkat pengenalan jaringan terhadap huruf B lebih rendah daripada huruf W. Oleh karena itu, tingkat pengenalan jaringan masih dapat ditingkatkan lagi dengan menggunakan seperangkat huruf masukan yang jarak hurufnya makin berjauhan antara suatu huruf dengan huruf-huruf lainnya. 3. Secara perangkat-lunak, kecepatan pelatihan dapat ditingkatkan lagi dengan menggunakan algoritma minimisasi fungsi yang lebih cepat. 4. Secara perangkat-keras, kecepatan pelatihan dan juga pengenalan jaringan dapat ditingkatkan lagi dengan cara menggunakan komputer yang mempunyai kecepatan lebih tinggi.
61 BAB 6 RINGKASAN Penelitian yang dilakukan dapat diringkas menjadi beberapa topik bahasan seperti di bawah ini. 6.1 Latar Belakang Pengenalan citra huruf berderau pernah diselidiki oleh beberapa peneliti. Penelitian yang terakhir (Watanabe, 1996) menghasilkan suatu jaringan syaraf tiruan yang mampu mengenali citra huruf berderau ukuran 32x32 piksel dengan kandungan derau sekitar 20 %. Dalam penelitian ini, penulis bermaksud untuk menghasilkan sesuatu yang lebih dari yang pernah ada sebelumnya, yaitu suatu jaringan syaraf tiruan yang mampu mengenali citra huruf berderau berukuran 32x32 piksel dengan kandungan derau yang lebih dari 30 %. 6.2 Tinjauan Pustaka Jaringan syaraf tiruan adalah suatu jaringan yang dimodelkan berdasarkan ciri organisasi otak manusia, yang mampu melakukan pengolahan secara paralel dan non-linear, serta mampu pula mengangani informasi-informasi yang kompleks. Dengan berdasar pada hal tersebut, Donald Specht telah memperkenalkan suatu jaringan syaraf tiruan yang berdasarkan sifat-sifat statistis yang dinamakan jaringan syaraf probabilistis. Dalam penelitian ini, jaringan
62 50 syaraf probabilistis inilah yang dikembangkan untuk dapat melakukan pengenalan terhadap citra huruf berderau. 6.3 Landasan Teori Jaringan syaraf tiruan yang dikembangkan dalam penelitian ini, merupakan jaringan syaraf yang memanfaatkan sifat-sifat statistis kelas pola, dalam melakukan proses klasifikasi. Dalam hal ini proses klasifikasinya menggunakan pengklasifikasi Bayes. Ada suatu hal yang rumit dalam pengklasifikasi Bayes ini yaitu, penentuan nilai fungsi kerapatan probabilitas suatu kelas pola. Untuk mendapatkan nilai fungsi ini, maka setiap pola masukan harus dievaluasi terhadap setiap sampel pola yang ada di setiap kelas. Ini berarti, memerlukan suatu proses komputasi yang ekstensif. 6.4 Cara Penelitian Penelitian ini, pada dasarnya dilakukan dengan cara memodifikasi jaringan syaraf probabilistis yang telah ada sebelumnya. Modifikasi di sini dilakukan terhadap fungsi kernel yang terdapat pada lapis pola pada jaringan syaraf tersebut. Secara ringkas, modifikasi ini mencakup dua hal berikut. 1. Menggunakan fungsi jarak Minkowski orde-1 yang diimplementasikan secara operasi logika XOR untuk pengolahan data biner, sebagai pengganti fungsi jarak Eucledian. Dengan cara ini, proses komputasi menjadi lebih cepat. 2. Memperkenalkan pencarian nilai faktor penyekala yang umum untuk setiap pola huruf yang dilatihkan, dengan memperhatikan sifat-sifat jaringan pada
63 51 keadaan derau 0 % dan derau 50 %. Hal ini memberikan hasil tingkat pengenalan jaringan menjadi lebih akurat, terutama bila berhadapan dengan citra huruf dengan kandungan derau yang tinggi. 6.5 Hasil Penelitian Penelitian yang dilakukan telah menghasilkan suatu jaringan yang tidak sensitif terhadap derau. Hal ini didasarkan atas hasil pengujian yang memperlihatkan bahwa, tingkat kesalahan pengenalan yang kurang dari 5% masih dapat diperoleh, pada keadaan tingkat derau yang mencapai 35 %. Meskipun tidak sensitif terhadap derau, namun jaringan yang dirancang ternyata sensitif terhadap adanya deformasi proporsi, pergeseran, dan perputaran. Hasil pengujian memperlihatkan adanya deformasi tersebut yang relatif kecil, telah menyebabkan turun dengan drastisnya tingkat pengenalan jaringan. Sebagai contoh, tingkat pengenalan jaringan untuk citra dengan huruf yang kurus, tergeser ke kiri satu piksel dan terputar 5 o hanya mencapai 52,3 %. Bentuk huruf masukan ( A, B, C, atau Z ), mempunyai pengaruh terhadap tingkat pengenalan jaringan pada keadaan tingkat derau yang tinggi. Jaringan mulai memperlihatkan kesensitifannya terhadap bentuk huruf pada tingkat derau 35%, yang diindikasikan dengan adanya perbedaan tingkat pengenalan yang lebih dari 5% antara huruf B dengan huruf W.
64 52 DAFTAR PUSTAKA Buchanan, James L., dan Turner, Peter R., 1994, Numerical Methods and Analysis, McGraw-Hill Inc. New York. Chandran, Vinod, Carswell, Brett, Boashash, Boualem, dan Elgar, Steve, 1997, "Pattern Recognition Using Invariants Defined from Higher Order Spectra: 2-D Image Inputs", IEEE Transactions on Image Processing, Vol. 6. No. 5, pp Demuth, Howard dan Beale, Mark, 1994, Neural Networks Toolbox: For Use with MATLAB, The Mathworks, Inc., Massachusetts. Fausett, Laurene, 1994, Fundamentals of Neural Networks, Prentice Hall, Inc., New Jersey. Lin, Chin-Teng dan Lee, George C.S., 1996, Neural Fuzzy Systems, Prentice Hall, Inc. New Jersey. Masters, Timothy, 1995, Advanced Algorithm for Neural Networks: A C++ Sourcebook, John Wiley & Sons, Inc., Toronto. Patterson, Dan W., 1996, Artificial Neural Networks, Simon & Schuster (Asia) Pte. Ltd., Singapore. Watanabe, Sumio, 1996, "An Ultrasonic 3-D Robot Vision System Based on the Statistical Properties of Neural Networks", Neural Networks for Robotic Control: Theory and Applications, Edited by A.M.S. Zalzala and A.S. Morris, Ellis Horwood Limited, London. Wilson, Randall D. dan Martinez, Tony R., 1997, "Improved Heterogeneous Distance Functions", Journal of Artificial Intelligence Research, No. 6, pp 1-34.
65 LAMPIRAN
66 54 L.1 Daftar Kode Sumber Kode-kode sumber yang dirancang dalam penelitian ini diperlihatkan pada daftar sebagai berikut. 1. Kode sumber pengujian berbasiskan teks. txtpnn.m - Pengujian PNN berbasiskan teks 2. Kode sumber pengujian berbasiskan GUI. guipnn.m - Callback untuk pengujian PNN berbasiskan GUI guipnnfg.m - Figure untuk pengujian PNN berbasiskan GUI 3. Kode sumber pelatihan latih.m - Pelatihan PNN 4. Kode sumber bersama yang digunakan oleh kode sumber pegujian berbasiskan teks dan GUI, serta pelatihan. simupnn.m - Simulasi PNN lhlayer.m - Simulasi lapis pola dan penjumlahan pada PNN imdc.m - Vektorisasi dan pengkontaminasian derau pada citra geser.m - Pergeseran citra *) Keterangan: PNN (Probabilistic Neural Network) GUI (Graphical User Interface) L.2 Listing Kode Sumber Listing kode sumber dari daftar di atas, diperlihatkan sebagai berikut.
67 Kode sumber: txtpnn.m function txtpnn % TXTPNN Pengujian PNN berbasiskan teks % % (c) Linggo S clc tic % =================================================== % Variabel masukan dan jaringan % =================================================== JumlahUji=300; % Jumlah pengujian Derau=0; Proporsi='normal'; Rotasi=0; ArahGeser='atas_'; JarakGeser=0; RuntunHuruf='acak'; load sampel load sigma % Derau : 0,1,...,50 (persen) % Proporsi huruf: % 'normal','gemuk_','kurus_' % Rotasi huruf: -15,..,0,...,15 (derajad) % Arah geser: % atas_','bawah','kanan','kiri_' % Jarak geser: 0,1,2,... (piksel) % Runtun huruf : 'acak','atur' % Ambil data jumlah sampel per kelas % Ambil data sigma % =================================================== % Pengujian berulang % =================================================== disp('pengujian berulang berbasiskan teks') disp('===================================') fprintf('persen derau : %g\n\n',derau) fprintf('proporsi huruf : %s\n',proporsi) fprintf('sudut rotasi : %g\n',rotasi) fprintf('arah pergeseran : %s\n',arahgeser) fprintf('jarak pergeseran : %g piksel\n\n',jarakgeser) fprintf('jumlah pengujian : %g\n\n',jumlahuji) % Pembentukan runtun huruf % DaftarHuruf=['A';'B';'C';'D';'E';'F';'G';'H';'I';'J';'K';'L';... M ;'N';'O';'P';'Q';'R';'S';'T';'U';'V';'W';'X';'Y';'Z']; if RuntunHuruf=='acak' % Huruf dan jenis huruf acak DaftarAngka=1+round((100*rand(JumlahUji,1))/4); JHuruf=randn(JumlahUji,1)>0; else % Huruf teratur dengan jenis huruf Arial NomorHuruf=find(DaftarHuruf==Huruf); DaftarAngka=NomorHuruf*ones(JumlahUji,1); JHuruf=ones(JumlahUji,1); end %
68 Kode sumber: txtpnn.m tic salah=0; Density=zeros(JumlahUji,1); for i=1:jumlahuji HurufIn=DaftarHuruf(DaftarAngka(i)); if JHuruf(i)==0 JenisHuruf='Roman'; else JenisHuruf='Arial'; end fprintf('pengujian ke %3.3g - Masukan : %s ',i,hurufin) fprintf('(%s)',jenishuruf) fprintf(', Keluaran : ') % Konversi citra BMP ke matriks biner % if JenisHuruf=='Roman' Citra0=~(imread([HurufIn 'roman'],'bmp')); else Citra0=~(imread([HurufIn 'arial'],'bmp')); end % Mode huruf % switch Proporsi case 'normal' Citra=Citra0; case 'gemuk_' Citra=bwmorph(Citra0,'dilate'); case 'kurus_' Citra=bwmorph(Citra0,'thin'); end % Pergeseran citra % Citra=geser(Citra,ArahGeser,JarakGeser); % Rotasi citra % Citra=imrotate(Citra,Rotasi,'nearest','crop'); % Penambahan derau acak dan vektorisasi % Citra=imdc(Citra,Derau); % Simulasi PNN % CitraIn=repmat(Citra,1,sampel); [HurufOut,Density(i)]=simupnn(CitraIn,sigma,DaftarHuruf,sampel); % Keluaran PNN %
69 Kode sumber: txtpnn.m if HurufIn==HurufOut Out='benar'; else salah=salah+1; Out='S A L A H'; end fprintf('%s - %s\n',hurufout,out) end Waktu1=toc; Waktu2=Waktu1/JumlahUji; PersenTepat=((JumlahUji-salah)/JumlahUji)*100; % =================================================== % Hasil Pengujian % =================================================== % Kerapatan Probabilitas fprintf('\nrerata kerapatan probabilitas : %f\n',mean(density)) % Meleset dan tepat fprintf('\njumlah pengujian : %g \n',jumlahuji) fprintf('jumlah meleset : %g \n',salah) fprintf('persen tepat : %g \n\n',persentepat) % Waktu pengujian fprintf('waktu keseluruhan pengujian : %g detik \n',waktu1) fprintf('waktu pengujian/huruf : %g detik \n\n',waktu2)
70 Kode sumber : guipnn.m function guipnn(aksi) % Definisi callback pada GUIPNNFG % ============================================================ % FUNGSI UTAMA % ============================================================ load sigma sigma=mean(mean(sigma)); load sampel blank=~uint8(zeros(32,32)); DaftarHuruf=['A';'B';'C';'D';'E';'F';'G';'H';'I';'J';'K';'L';'M';... 'N';'O';'P';'Q';'R';'S';'T';'U';'V';'W';'X';'Y';'Z']; global ImgHnd if nargin <1 aksi='inisialisasi'; end switch aksi case 'inisialisasi' ImgHnd=[0 0]; guipnnfg [x1,map]=imread('aroman','bmp'); axes(imghnd(1)); imshow(x1,map); axis('on') axes(imghnd(2)); imshow(x1,map); axis('on') case 'perputaran' Rot=get(gcbo,'Value'); Hnd=findobj(gcbf,'Tag','TextPerputaran'); set(hnd,'string',sprintf('%3.1f',rot)) case 'derau' Derau=get(gcbo,'Value'); Hnd=findobj(gcbf,'Tag','TextDerau'); set(hnd,'string',sprintf('%3.1f',derau)) case 'reset' Hnd=findobj(gcbf,'Tag','PopUpJenis'); set(hnd,'value',1) Hnd=findobj(gcbf,'Tag','PopUpProporsi'); set(hnd,'value',1) Hnd=findobj(gcbf,'Tag','SliderPerputaran'); set(hnd,'value',0) Hnd=findobj(gcbf,'Tag','PopUpArahGeser'); set(hnd,'value',1) Hnd=findobj(gcbf,'Tag','PopUpJarakGeser'); set(hnd,'value',1) Hnd=findobj(gcbf,'Tag','TextPerputaran'); set(hnd,'string',sprintf('0.0'))
71 Kode sumber : guipnn.m case 'eksekusi' % Ambil masukan % Hnd=findobj(gcbf,'Tag','PopUpHuruf'); List=get(Hnd,'UserData'); HurufIn=List(get(Hnd,'Value')); Hnd=findobj(gcbf,'Tag','SliderDerau'); Derau=get(Hnd,'Value'); Hnd=findobj(gcbf,'Tag','PopUpJenis'); List=get(Hnd,'UserData'); Jenis=List(get(Hnd,'Value'),:); Hnd=findobj(gcbf,'Tag','PopUpProporsi'); List=get(Hnd,'UserData'); Proporsi=List(get(Hnd,'Value'),:); Hnd=findobj(gcbf,'Tag','SliderPerputaran'); Perputaran=get(Hnd,'Value'); Hnd=findobj(gcbf,'Tag','PopUpArahGeser'); List=get(Hnd,'UserData'); ArahGeser=List(get(Hnd,'Value'),:); Hnd=findobj(gcbf,'Tag','PopUpJarakGeser'); List=get(Hnd,'UserData'); JarakGeser=List(get(Hnd,'Value')); % Konversi citra BMP ke matriks biner % switch Jenis case 'roman' img0=~(imread([hurufin 'roman'],'bmp')); case 'arial' img0=~(imread([hurufin 'arial'],'bmp')); end % Proporsi % switch Proporsi case 'normal' img=img0; case 'gemuk_' img=bwmorph(img0,'dilate'); case 'kurus_' img=bwmorph(img0,'thin'); end % Pergeseran % img=geser(img,arahgeser,jarakgeser); % Perputaran %
72 Kode sumber : guipnn.m end img=imrotate(img,perputaran,'nearest','crop'); % Penambahan derau acak dan vektorisasi % img=imdc(img,derau); % Tampilan masukan % axes(imghnd(1));imshow(~kol2kot(img),2);axis('on') % Hapus citra keluaran % axes(imghnd(2)); imshow(blank,2); axis('on'); drawnow % Simulasi PNN % img_in=repmat(img,1,sampel); HurufOut=simupnn(img_in,sigma,DaftarHuruf,sampel); % Tampilan keluaran % [Hrf,Map]=imread([HurufOut 'roman'],'bmp'); axes(imghnd(2));imshow(hrf,map);axis('on') % ============================================================ % ============================================================ % SUB FUNGSI % ============================================================ % ============================================================ function kotak=kol2kot(kolom) % KOL2KOT Fungsi untuk mengubah matriks kolom (1024 x 1) % menjadi matriks kotak (32 x 32) % % (c) Linggo S kotak=uint8(zeros(32,32)); j=1; for i=1:32 kotak(1:32,i)=kolom(j:i*32); j=j+32; end % ============================================================
73 Kode sumber: guipnnfg.m function guipnnfg() % This is the machine-generated representation of a MATLAB object % and its children. Note that handle values may change when these % objects are re-created. This may cause problems with some callbacks. % The command syntax may be supported in the future, but is currently % incomplete and subject to change. % % To re-open this system, just type the name of the m-file at the MATLAB % prompt. The M-file and its associtated MAT-file must be on your path. global ImgHnd load guipnnfg a = figure('units','normalized',... 'Color',[ ],... 'Colormap',mat0,... 'DithermapMode','auto',... 'Name','Uji Coba PNN berbasiskan GUI',... 'NumberTitle','off',... 'PointerShapeCData',mat1,... 'Position',[ ],... 'Renderer','zbuffer',... 'RendererMode','manual',... 'Tag','Fig1'); b = uicontrol('parent',a,... 'Units','normalized',... 'Callback','guipnn eksekusi',... 'FontSize',16,... 'FontWeight','bold',... 'Position',[ ],... 'String','PNN',... 'Tag','Pushbutton1'); b = uicontrol('parent',a,... 'Units','normalized',... 'BackgroundColor',[ ],... 'HorizontalAlignment','left',... 'Position',[ ],... 'Style','frame',... 'Tag','Frame1'); b = uicontrol('parent',a,... 'Units','normalized',... 'BackgroundColor',[ ],... 'HorizontalAlignment','left',... 'Position',[ ],... 'Style','frame',... 'Tag','Frame2'); b = uicontrol('parent',a,... 'Units','normalized',... 'BackgroundColor',[1 1 1],... 'Position',[ ],... 'String',mat2,... 'Style','popupmenu',... 'Tag','PopUpHuruf',... 'UserData',mat3,... 'Value',1);
74 Kode sumber: guipnnfg.m b = uicontrol('parent',a,... 'Units','normalized',... 'BackgroundColor',[1 1 1],... 'Position',[ ],... 'String',['Roman';'Arial'],... 'Style','popupmenu',... 'Tag','PopUpJenis',... 'UserData',['roman';'arial'],... 'Value',1); b = uicontrol('parent',a,... 'Units','normalized',... 'BackgroundColor',[1 1 1],... 'Position',[ ],... 'String',['Normal';'Gemuk ';'Kurus '],... 'Style','popupmenu',... 'Tag','PopUpProporsi',... 'UserData',['normal';'gemuk_';'kurus_'],... 'Value',1); b = uicontrol('parent',a,... 'Units','normalized',... 'BackgroundColor',[ ],... 'Callback','guipnn derau',... 'Max',50,... 'Position',[ ],... 'String','Derau',... 'Style','slider',... 'Tag','SliderDerau'); b = uicontrol('parent',a,... 'Units','normalized',... 'BackgroundColor',[ ],... 'Callback','guipnn perputaran',... 'Max',15,... 'Min',-15,... 'Position',[ ],... 'String','Perputaran',... 'Style','slider',... 'Tag','SliderPerputaran'); b = uicontrol('parent',a,... 'Units','normalized',... 'BackgroundColor',[1 1 1],... 'Position',[ ],... 'String',['Kanan';'Kiri ';'Atas ';'Bawah'],... 'Style','popupmenu',... 'Tag','PopUpArahGeser',... 'UserData',['kanan';'kiri_';'atas_';'bawah'],... 'Value',1); b = uicontrol('parent',a,... 'Units','normalized',... 'BackgroundColor',[1 1 1],... 'Position',[ ],... 'String',['0 piksel';'1 piksel';'2 piksel';'3 piksel'],... 'Style','popupmenu',... 'Tag','PopUpJarakGeser',... 'UserData',mat4,... 'Value',1); b = uicontrol('parent',a,...
75 Kode sumber: guipnnfg.m 'Units','normalized',... 'Callback','guipnn reset',... 'Position',[ ],... 'String','Reset',... 'Tag','Pushbutton2'); b = uicontrol('parent',a,... 'Units','normalized',... 'BackgroundColor',[ ],... 'Position',[ ],... 'String','Masukan',... 'Style','text',... 'Tag','StaticText1'); b = uicontrol('parent',a,... 'Units','normalized',... 'BackgroundColor',[ ],... 'Position',[ ],... 'String','Eksekusi',... 'Style','text',... 'Tag','StaticText1'); b = uicontrol('parent',a,... 'Units','normalized',... 'BackgroundColor',[ ],... 'Position',[ ],... 'String','Keluaran',... 'Style','text',... 'Tag','StaticText1'); b = uicontrol('parent',a,... 'Units','normalized',... 'BackgroundColor',[ ],... 'HorizontalAlignment','left',... 'Position',[ ],... 'String','Pengaturan Masukan',... 'Style','text',... 'Tag','StaticText4'); b = uicontrol('parent',a,... 'Units','normalized',... 'BackgroundColor',[ ],... 'HorizontalAlignment','left',... 'Position',[ ],... 'String','Deformasi Huruf',... 'Style','text',... 'Tag','StaticText5'); b = uicontrol('parent',a,... 'Units','normalized',... 'BackgroundColor',[ ],... 'HorizontalAlignment','left',... 'Position',[ ],... 'String','Huruf',... 'Style','text',... 'Tag','StaticText6'); b = uicontrol('parent',a,... 'Units','normalized',... 'BackgroundColor',[ ],... 'HorizontalAlignment','left',... 'Position',[ ],... 'String','Jenis',...
76 Kode sumber: guipnnfg.m 'Style','text',... 'Tag','StaticText7'); b = uicontrol('parent',a,... 'Units','normalized',... 'BackgroundColor',[ ],... 'HorizontalAlignment','left',... 'Position',[ ],... 'String','Proporsi',... 'Style','text',... 'Tag','StaticText8'); b = uicontrol('parent',a,... 'Units','normalized',... 'BackgroundColor',[ ],... 'HorizontalAlignment','left',... 'Position',[ ],... 'String','Perputaran',... 'Style','text',... 'Tag','StaticText9'); b = uicontrol('parent',a,... 'Units','normalized',... 'BackgroundColor',[ ],... 'HorizontalAlignment','left',... 'Position',[ ],... 'String','Derau acak',... 'Style','text',... 'Tag','StaticText10'); b = uicontrol('parent',a,... 'Units','normalized',... 'BackgroundColor',[ ],... 'HorizontalAlignment','left',... 'Position',[ ],... 'String','Arah geser',... 'Style','text',... 'Tag','StaticText11'); b = uicontrol('parent',a,... 'Units','normalized',... 'BackgroundColor',[ ],... 'HorizontalAlignment','left',... 'Position',[ ],... 'String','Jarak geser',... 'Style','text',... 'Tag','StaticText12'); b = uicontrol('parent',a,... 'Units','normalized',... 'BackgroundColor',[ ],... 'HorizontalAlignment','left',... 'Position',[ ],... 'String','0.0',... 'Style','text',... 'Tag','TextDerau'); b = uicontrol('parent',a,... 'Units','normalized',... 'BackgroundColor',[ ],... 'HorizontalAlignment','left',... 'Position',[ ],... 'String','0.0',...
77 Kode sumber: guipnnfg.m 'Style','text',... 'Tag','TextPerputaran'); b = uicontrol('parent',a,... 'Units','normalized',... 'BackgroundColor',[ ],... 'HorizontalAlignment','left',... 'Position',[ ],... 'String','%',... 'Style','text',... 'Tag','StaticText13'); b = uicontrol('parent',a,... 'Units','normalized',... 'BackgroundColor',[ ],... 'HorizontalAlignment','left',... 'Position',[ ],... 'String','derajad',... 'Style','text',... 'Tag','StaticText14'); b_in = axes('parent',a,... 'Box','on',... 'CameraUpVector',[0 1 0],... 'Color',[1 1 1],... 'ColorOrder',mat5,... 'DataAspectRatioMode','manual',... 'Layer','top',... 'Position',[ ],... 'Tag','Axes1',... 'WarpToFill','off',... 'XColor',[0 0 0],... 'XLim',[ ],... 'XLimMode','manual',... 'XTickMode','manual',... 'YColor',[0 0 0],... 'YDir','reverse',... 'YLim',[ ],... 'YLimMode','manual',... 'YTickMode','manual',... 'ZColor',[0 0 0]); c = image('parent',b_in,... 'CData',mat6,... 'Tag','Image1',... 'XData',[1 32],... 'YData',[1 32]); c = text('parent',b_in,... 'Color',[0 0 0],... 'HandleVisibility','callback',... 'HorizontalAlignment','center',... 'Position',[ ],... 'Tag','Text1',... 'VerticalAlignment','cap'); set(get(c,'parent'),'xlabel',c); c = text('parent',b_in,... 'Color',[0 0 0],... 'HandleVisibility','callback',... 'HorizontalAlignment','center',...
78 Kode sumber: guipnnfg.m 'Position',[ ],... 'Rotation',90,... 'Tag','Text2',... 'VerticalAlignment','baseline'); set(get(c,'parent'),'ylabel',c); c = text('parent',b_in,... 'Color',[0 0 0],... 'HandleVisibility','callback',... 'HorizontalAlignment','right',... 'Position',[ ],... 'Tag','Text3'); set(get(c,'parent'),'zlabel',c); c = text('parent',b_in,... 'Color',[0 0 0],... 'HandleVisibility','callback',... 'HorizontalAlignment','center',... 'Position',[ ],... 'Tag','Text4',... 'VerticalAlignment','bottom'); set(get(c,'parent'),'title',c); b_out = axes('parent',a,... 'Box','on',... 'CameraUpVector',[0 1 0],... 'Color',[1 1 1],... 'ColorOrder',mat7,... 'DataAspectRatioMode','manual',... 'Layer','top',... 'Position',[ ],... 'Tag','Axes2',... 'WarpToFill','off',... 'XColor',[0 0 0],... 'XLim',[ ],... 'XLimMode','manual',... 'XTickMode','manual',... 'YColor',[0 0 0],... 'YDir','reverse',... 'YLim',[ ],... 'YLimMode','manual',... 'YTickMode','manual',... 'ZColor',[0 0 0]); c = image('parent',b_out,... 'CData',mat8,... 'Tag','Image2',... 'XData',[1 32],... 'YData',[1 32]); c = text('parent',b_out,... 'Color',[0 0 0],... 'HandleVisibility','callback',... 'HorizontalAlignment','center',... 'Position',[ ],... 'Tag','Text5',... 'VerticalAlignment','cap'); set(get(c,'parent'),'xlabel',c); c = text('parent',b_out,... 'Color',[0 0 0],...
79 Kode sumber: guipnnfg.m 'HandleVisibility','callback',... 'HorizontalAlignment','center',... 'Position',[ ],... 'Rotation',90,... 'Tag','Text6',... 'VerticalAlignment','baseline'); set(get(c,'parent'),'ylabel',c); c = text('parent',b_out,... 'Color',[0 0 0],... 'HandleVisibility','callback',... 'HorizontalAlignment','right',... 'Position',[ ],... 'Tag','Text7'); set(get(c,'parent'),'zlabel',c); c = text('parent',b_out,... 'Color',[0 0 0],... 'HandleVisibility','callback',... 'HorizontalAlignment','center',... 'Position',[ ],... 'Tag','Text8',... 'VerticalAlignment','bottom'); set(get(c,'parent'),'title',c); ImgHnd=[b_in b_out];
80 Kode sumber: latih.m function latih % LATIH Pelatihan PNN % % (c) Linggo S % ============================================================ % ============================================================ % FUNGSI UTAMA % ============================================================ % ============================================================ % Pelatihan Tahap I % Pengkonstruksian lapis pola tic sampel=2; % Jumlah sampel per huruf fprintf('=================\n') fprintf('pelatihan Tahap I\n') fprintf('=================\n') fprintf('pengkonstruksian lapis pola\n') fprintf('jumlah sampel per kelas : %g\n',sampel); fprintf('pemrosesan ') imgc=simpanc('a'); save imgc_a imgc ; fprintf('.') imgc=simpanc('b'); save imgc_b imgc ; fprintf('.') imgc=simpanc('c'); save imgc_c imgc ; fprintf('.') imgc=simpanc('d'); save imgc_d imgc ; fprintf('.') imgc=simpanc('e'); save imgc_e imgc ; fprintf('.') imgc=simpanc('f'); save imgc_f imgc ; fprintf('.') imgc=simpanc('g'); save imgc_g imgc ; fprintf('.') imgc=simpanc('h'); save imgc_h imgc ; fprintf('.') imgc=simpanc('i');
81 Kode sumber: latih.m save imgc_i imgc ; fprintf('.') imgc=simpanc('j'); save imgc_j imgc ; fprintf('.') imgc=simpanc('k'); save imgc_k imgc ; fprintf('.') imgc=simpanc('l'); save imgc_l imgc ; fprintf('.') imgc=simpanc('m'); save imgc_m imgc ; fprintf('.') imgc=simpanc('n'); save imgc_n imgc ; fprintf('.') imgc=simpanc('o'); save imgc_o imgc ; fprintf('.') imgc=simpanc('p'); save imgc_p imgc ; fprintf('.') imgc=simpanc('q'); save imgc_q imgc ; fprintf('.') imgc=simpanc('r'); save imgc_r imgc ; fprintf('.') imgc=simpanc('s'); save imgc_s imgc ; fprintf('.') imgc=simpanc('t'); save imgc_t imgc ; fprintf('.') imgc=simpanc('u'); save imgc_u imgc ; fprintf('.') imgc=simpanc('v'); save imgc_v imgc ; fprintf('.') imgc=simpanc('w');
82 Kode sumber: latih.m save imgc_w imgc ; fprintf('.') imgc=simpanc('x'); save imgc_x imgc ; fprintf('.') imgc=simpanc('y'); save imgc_y imgc ; fprintf('.') imgc=simpanc('z'); save imgc_z imgc ; fprintf('.\n\n') save sampel sampel waktu=toc; % simpan sampel dalam lapis pola fprintf('pelatihan tahap I selesai...\n\n') fprintf('waktu pelatihan : %g detik\n\n',waktu) % ============================================================ % Pelatihan Tahap II % Mencari sigma optimum dengan pencarian kuadratis fprintf('==================\n') fprintf('pelatihan Tahap II \n') fprintf('==================\n') fprintf('pencarian sigma optimum pada lapis pola\n') tic load sampel % % Pencarian kuadratis % % Interval awal x(1)=0.1; % Batas bawah x(3)=0.4; % Batas atas x(2)=(x(1)+x(3))/2; h=x(2)-x(1); % Toleransi tol= ; i=1; while h>tol fx1=pdftotal(sampel,x(1)); fprintf('.') fx2=pdftotal(sampel,x(2)); fprintf('.') fx3=pdftotal(sampel,x(3)); fprintf('.')
83 Kode sumber: latih.m if fx1==fx2 fx1==fx3 break end if fx1<fx2 % Geser kiri x3=x(2); x2=x(1); x1=x(2)-h; x=[x1 x2 x3]; end if fx3<fx2 % Geser kanan x1=x(2); x2=x(3); x3=x(2)+h; x=[x1 x2 x3]; end end xd=x(2)+(h*(fx1-fx3))/(2*(fx1-2*fx2+fx3)); fxd=pdftotal(sampel,xd); fprintf('.') if fxd<fx2 x(2)=xd; end h=h/2; x(1)=x(2)-h; x(3)=x(2)+h; % Sigma optimum sigma=x(2); % simpan nilai sigma save sigma sigma waktu=toc; fprintf('\npelatihan tahap II selesai...\n\n') fprintf('waktu pelatihan : %g detik\n\n ',waktu) % ============================================================ % ============================================================ % SUB FUNGSI % ============================================================ % ============================================================ function [imc]=simpanc(huruf) % SIMPANC Pembentukan citra pelatihan tervektor % % (c) Linggo S % Pembentukan citra tervektor
84 Kode sumber: latih.m imc1=~(imread([huruf 'roman'],'bmp')); imc1=imc1(:); imc2=~(imread([huruf 'arial'],'bmp')); imc2=imc2(:); % Keluaran imc=[imc1 imc2] ; % ============================================================= function pdft=pdftotal(sampel,sigma) % PDFTOTAL Menghitung pdf keseluruhan % DaftarHuruf=['A';'B';'C';'D';'E';'F';'G';'H';'I';'J';'K';'L';'M';... 'N';'O';'P';'Q';'R';'S';'T';'U';'V';'W';'X';'Y';'Z']; pdfk=zeros(26,sampel); for i=1:26 hrf=daftarhuruf(i); load (['imgc_' hrf]); pdfk(i,:)=pdfkelas(imgc,sampel,sigma); end pdft=sum(sum(pdfk)); % ============================================================= function pdfk=pdfkelas(imgc,sampel,sigma) % PDFKELAS Pencarian nilai-nilai pdf untuk suatu kelas % for i=1:sampel % Derau 0% img0=imgc(:,i); img0=repmat(img0,1,sampel); % Derau 50% img50=imdc(imgc(:,i),50); img50=repmat(img50,1,sampel); % Nilai pdf pdf0(i)=lhlayer(imgc,img0,sigma,sampel); pdf50(i)=lhlayer(imgc,img50,sigma,sampel); pdfk(i)=(1-pdf0(i))+pdf50(i); end % =============================================================
85 Kode sumber: simupnn.m function [huruf,density]=simupnn(img,sigma,daftarhuruf,sampel) % SIMUPNN Simulasi PNN % % (c) Linggo S % ============================================================ % Lapis pola dan lapis penjumlahan pdfcond=zeros(26,1); for i=1:26 hrf=daftarhuruf(i); load (['imgc_' hrf]); pdfcond(i)=lhlayer(imgc,img,sigma,sampel); end % ============================================================ % Lapis maksimum density=max(pdfcond); % ============================================================ % Keluaran jaringan NomorKelas=find(pdfcond==density); % ============================================================ % NomorKelas ke huruf huruf=daftarhuruf(nomorkelas);
86 Kode sumber: lhlayer.m function [cpdr]=lhlayer(ctrf,ctri,sig,sampel) % LHLAYER Simulasi lapis pola dan penjumlahan pada PNN % % (c) Linggo S % Lapis pola beda=xor(ctri,ctrf); for i=1:sampel jarak(i)=length(find(beda(:,i)))/1024; end cpd=exp(-(jarak/sig).^2); % Lapis penjumlahan cpdr=mean(cpd);
87 Kode sumber: imdc.m function img=imdc(citra,pderau) % IMDC Vektorisasi dan pengkontaminasian derau pada citra % % (c) Linggo S img=citra(:); kderau=pderau/50; % kerapatan derau = persen derau / 50 x=rand(1024,1); % total piksel = 1024 d=find(x < kderau/2); img(d)=0; d=find(x >= kderau/2 & x < kderau); img(d)=1;
88 Kode sumber: geser.m function gcitra=geser(citra,arah,jarak) % GESER Pergeseran citra % % (c) Linggo S if jarak==0 gcitra=citra; else switch arah case 'kanan' tambah=uint8(zeros(32,jarak)); citra=citra(:,1:(32-jarak)); gcitra=[tambah citra]; case 'kiri_' tambah=uint8(zeros(32,jarak)); citra=citra(:,(jarak+1):32); gcitra=[citra tambah]; case 'atas_' tambah=uint8(zeros(jarak,32)); citra=citra((jarak+1):32,:); gcitra=[citra;tambah]; case 'bawah' tambah=uint8(zeros(jarak,32)); citra=citra(1:(32-jarak),:); gcitra=[tambah;citra]; end end
89 77 L.3 Contoh Hasil Eksekusi Kode Sumber 1.) Tampilan berbasiskan GUI (kode sumber guipnn.m)_ 2) Tampilan berbasiskan teks (kode sumber txtpnn.m) Pengujian berulang berbasiskan teks =================================== Persen derau : 10 Proporsi huruf : normal Sudut rotasi : 0 Arah pergeseran : atas_ Jarak pergeseran : 0 piksel Jumlah pengujian : 30 Pengujian ke Pengujian ke Pengujian ke Pengujian ke 1 - Masukan : M (Roman), Keluaran : M - benar 2 - Masukan : B (Roman), Keluaran : B - benar 3 - Masukan : G (Arial), Keluaran : G - benar 4 - Masukan : I (Arial), Keluaran : I - benar
TOLERANSI UNJUK PENGENALAN JARINGAN SYARAF TIRUAN PADA PENAMBAHAN DERAU DAN SUDUT PUTARAN TERHADAP POLA KARAKTER TULISAN TANGAN JENIS ANGKA
Iwan Suhardi, Toleransi Jaringan Syaraf Tiruan TOLERANSI UNJUK PENGENALAN JARINGAN SYARAF TIRUAN PADA PENAMBAHAN DERAU DAN SUDUT PUTARAN TERHADAP POLA KARAKTER TULISAN TANGAN JENIS ANGKA Iwan Suhardi Jurusan
Lebih terperinciTOLERANSI UNJUK PENGENALAN JARINGAN SYARAF TIRUAN PADA PENAMBAHAN DERAU DAN SUDUT PUTARAN TERHADAP POLA KARAKTER TULISAN TANGAN JENIS ANGKA
Iwan Suhardi, Toleransi Jaringan Syaraf Tiruan TOLERANSI UNJUK PENGENALAN JARINGAN SYARAF TIRUAN PADA PENAMBAHAN DERAU DAN SUDUT PUTARAN TERHADAP POLA KARAKTER TULISAN TANGAN JENIS ANGKA Iwan Suhardi Jurusan
Lebih terperinciEVALUASI PENGARUH FUNGSI AKTIFASI DAN PARAMETER KEMIRINGANNYA TERHADAP UNJUKKERJA PENGENALAN JARINGAN SYARAF TIRUAN
EVALUASI PENGARUH FUNGSI AKTIFASI DAN PARAMETER KEMIRINGANNYA TERHADAP UNJUKKERJA PENGENALAN JARINGAN SYARAF TIRUAN (Studi Kasus pada Pengenalan Karakter Angka Tulisan Tangan) Iwan Suhardi Jurusan Teknik
Lebih terperinciHALAMAN SAMPUL SKRIPSI PENGENALAN POLA TELAPAK TANGAN DENGAN MENGGUNAKAN ALGORITMA BACK PROPAGATION NEURAL NETWORK
HALAMAN SAMPUL SKRIPSI PENGENALAN POLA TELAPAK TANGAN DENGAN MENGGUNAKAN ALGORITMA BACK PROPAGATION NEURAL NETWORK Oleh: MOH SHOCHWIL WIDAT 2011-51-034 PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS TEKNIK
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 terperinciPENGENALAN KARAKTER ALFANUMERIK MENGGUNAKAN METODE BACKPROPAGARATION
PENGENALAN KARAKTER ALFANUMERIK MENGGUNAKAN METODE BACKPROPAGARATION Amriana 1 Program Studi D1 Teknik Informatika Jurusan Teknik Elektro Fakultas Teknik UNTAD ABSTRAK Jaringan saraf tiruan untuk aplikasi
Lebih terperinciANALISIS HUBUNGAN ANTARA TINGKAT PENGENALAN JARINGAN SYARAF TIRUAN DENGAN BANYAKNYA JUMLAH KELAS POLA YANG DIKENALI DAN TINGKAT KERUMITAN POLANYA
ISSN: 1693-6930 159 ANALISIS HUBUNGAN ANTARA TINGKAT PENGENALAN JARINGAN SYARAF TIRUAN DENGAN BANYAKNYA JUMLAH KELAS POLA YANG DIKENALI DAN TINGKAT KERUMITAN POLANYA Iwan Suhardi, Riana T. Mangesa Jurusan
Lebih terperinciAplikasi yang dibuat adalah aplikasi untuk menghitung. prediksi jumlah dalam hal ini diambil studi kasus data balita
BAB III ANALISA DAN PERANCANGAN SISTEM 3.1. Analisa dan Kebutuhan Sistem Analisa sistem merupakan penjabaran deskripsi dari sistem yang akan dibangun kali ini. Sistem berfungsi untuk membantu menganalisis
Lebih terperinciAlgoritma MAC Berbasis Jaringan Syaraf Tiruan
Algoritma MAC Berbasis Jaringan Syaraf Tiruan Paramita 1) 1) Program Studi Teknik Informatika STEI ITB, Bandung, email: if14040@studentsifitbacid Abstract MAC adalah fungsi hash satu arah yang menggunakan
Lebih terperinciANALISIS HUBUNGAN TINGKAT PENGENALAN POLA DENGAN TINGKAT VARIASI POLA : STUDI KASUS PENGENALAN POLA KARAKTER HURUF DENGAN JARINGAN SYARAF TIRUAN)
ISSN: 1693-6930 1 ANALISIS HUBUNGAN TINGKAT PENGENALAN POLA DENGAN TINGKAT VARIASI POLA : STUDI KASUS PENGENALAN POLA KARAKTER HURUF DENGAN JARINGAN SYARAF TIRUAN) Iwan Suhardi Jurusan Teknik Elektro Fakultas
Lebih terperinciRANCANG BANGUN TOOL UNTUK JARINGAN SYARAF TIRUAN (JST) MODEL PERCEPTRON
RANCANG BANGUN TOOL UNTUK JARINGAN SYARAF TIRUAN (JST) MODEL PERCEPTRON Liza Afriyanti Laboratorium Komputasi dan Sistem Cerdas Jurusan Teknik Informatika, Fakultas Teknologi Industri,Universitas Islam
Lebih terperinciPENGENALAN HURUF DAN ANGKA PADA CITRA BITMAP DENGAN JARINGAN SARAF TIRUAN METODE PROPAGASI BALIK
PENGENALAN HURUF DAN ANGKA PADA CITRA BITMAP DENGAN JARINGAN SARAF TIRUAN METODE PROPAGASI BALIK Naskah Publikasi disusun oleh Zul Chaedir 05.11.0999 Kepada SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER
Lebih terperinciIMPLEMENTASI JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI HARGA SAHAM
IMPLEMENTASI JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI HARGA SAHAM Ayu Trimulya 1, Syaifurrahman 2, Fatma Agus Setyaningsih 3 1,3 Jurusan Sistem Komputer, Fakultas MIPA Universitas
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 5 Penerapan Neural Network Dalam Klasifikasi Citra Penginderaan Jauh
Penerapan Neural Dalam Klasifikasi Citra Penginderaan Jauh Klasifikasi citra penginderaan jarak jauh (inderaja) merupakan proses penentuan piksel-piksel masuk ke dalam suatu kelas obyek tertentu. Pendekatan
Lebih terperinciABSTRAK. Michael Parlindungan ( ) Jurusan Teknik Elektro Universitas Kristen Maranatha
PENGENALAN POLA HURUF t DARI TULISAN TANGAN UNTUK MENENTUKAN KARAKTER SESEORANG DENGAN MENGGUNAKAN PRINCIPAL COMPONENT ANALYSIS DAN ALGORITMA BACKPROPAGATION ABSTRAK Michael Parlindungan (0722017) Jurusan
Lebih terperinciEvaluasi Unjukkerja Ekstraksi Ciri Wavelet dalam Pengenalan Huruf Tulisan Tangan Berderau dan Terskala menggunakan Jaringan Syaraf Probabilistis
Evaluasi Unjukkerja Ekstraksi Ciri Wavelet dalam Pengenalan Huruf Tulisan Tangan Berderau dan Terskala menggunakan Jaringan Syaraf Probabilistis Linggo Sumarno Jurusan Teknik Elektro, Universitas Sanata
Lebih terperinciPENGENALAN HURUF HASIL DARI TULISAN TANGAN MENGGUNAKAN ALGORITMA FORWARD-ONLY COUNTER PROPAGATION
PENGENALAN HURUF HASIL DARI TULISAN TANGAN MENGGUNAKAN ALGORITMA FORWARD-ONLY COUNTER PROPAGATION ABSTRAK Gerald Patrick Siahainenia (0522128) Jurusan Teknik Elektro email : gerald_patrick2000@yahoo.com
Lebih terperinciMODEL PEMBELAJARAN JARINGAN SYARAF TIRUAN UNTUK OTOMATISASI PENGEMUDIAN KENDARAAN BERODA TIGA
MODEL PEMBELAJARAN JARINGAN SYARAF TIRUAN UNTUK OTOMATISASI PENGEMUDIAN KENDARAAN BERODA TIGA Ramli e-mail:ramli.brt@gmail.com Dosen Tetap Amik Harapan Medan ABSTRAK Jaringan Syaraf Tiruan adalah pemrosesan
Lebih terperinciJaringan Syaraf Tiruan pada Robot
Jaringan Syaraf Tiruan pada Robot Membuat aplikasi pengenalan suara untuk pengendalian robot dengan menggunakan jaringan syaraf tiruan sebagai algoritma pembelajaran dan pemodelan dalam pengenalan suara.
Lebih terperinciPENGENALAN POLA HURUF ROMAWI DENGAN JARINGAN SARAF TIRUAN PERSEPTRON LAPIS JAMAK
PENGENALAN POLA HURUF ROMAWI DENGAN JARINGAN SARAF TIRUAN PERSEPTRON LAPIS JAMAK Eko Budi Wahyono*), Suzuki Syofian**) *) Teknik Elektro, **) Teknik Informatika - Fakultas Teknik Abstrak Pada era modern
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang Masalah. Meter air merupakan alat untuk mengukur banyaknya air yang digunakan oleh
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Meter air merupakan alat untuk mengukur banyaknya air yang digunakan oleh pelanggan. Alat ini biasa diletakkan di rumah-rumah yang menggunakan penyediaan air
Lebih terperinciUNIVERSITAS BINA NUSANTARA ANALISIS DAN PERANCANGAN PENGENALAN SIDIK JARI DENGAN METODE BIDIRECTIONAL ASSOCIATIVE MEMORY
UNIVERSITAS BINA NUSANTARA Pernyataan Kesiapan Skripsi Untuk Ujian Pendadaran Penyataan Penyusunan Skripsi Kami, Darwin Wibisono David Hariyanto Kusdyanto dengan ini menyatakan bahwa Skripsi yang berjudul
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 terperinciMETODOLOGI PENELITIAN
18 METODOLOGI PENELITIAN Kerangka Penelitian Sistem pengenalan roda kendaraan pada penelitian ini tampak pada Gambar 10, secara garis besar dapat dibagi menjadi dua tahapan utama yaitu, tahapan pelatihan
Lebih terperinciANALISIS PERBANDINGAN METODE JARINGAN SYARAF TIRUAN DAN REGRESI LINEAR BERGANDA PADA PRAKIRAAN CUACA
ANALISIS PERBANDINGAN METODE JARINGAN SYARAF TIRUAN DAN REGRESI LINEAR BERGANDA PADA PRAKIRAAN CUACA Nurmahaludin (1) (1) Staf Pengajar Jurusan Teknik Elektro Politeknik Negeri Banjarmasin Ringkasan Kebutuhan
Lebih terperinciMETODOLOGI PENELITIAN
III. METODOLOGI PENELITIAN A. Kerangka Pemikiran Perusahaan dalam era globalisasi pada saat ini, banyak tumbuh dan berkembang, baik dalam bidang perdagangan, jasa maupun industri manufaktur. Perusahaan
Lebih terperinciBAB 2 LANDASAN TEORI. fuzzy logic dengan aplikasi neuro computing. Masing-masing memiliki cara dan proses
8 BAB 2 LANDASAN TEORI 2.1 Teori Neuro Fuzzy Neuro-fuzzy sebenarnya merupakan penggabungan dari dua studi utama yaitu fuzzy logic dengan aplikasi neuro computing. Masing-masing memiliki cara dan proses
Lebih terperinciPerbaikan Metode Prakiraan Cuaca Bandara Abdulrahman Saleh dengan Algoritma Neural Network Backpropagation
65 Perbaikan Metode Prakiraan Cuaca Bandara Abdulrahman Saleh dengan Algoritma Neural Network Backpropagation Risty Jayanti Yuniar, Didik Rahadi S. dan Onny Setyawati Abstrak - Kecepatan angin dan curah
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 terperinciIMPLEMENTASI JARINGAN SARAF TIRUAN HAMMING DALAM KASUS PENGENALAN POLA ANGKA DAN HURUF. Oleh : M. Husaini., S.T., M.T Dosen IAIN Bandar Lampung
IMPLEMENTASI JARINGAN SARAF TIRUAN HAMMING DALAM KASUS PENGENALAN POLA ANGKA DAN HURUF Oleh : M. Husaini., S.T., M.T Dosen IAIN Bandar Lampung 1. ABSTRAKSI Jaringan Saraf Tiruan (JST) mempunyai prinsip
Lebih terperinciPENGENALAN POLA GARIS DASAR KALIMAT PADA TULISAN TANGAN UNTUK MENGETAHUI KARAKTER SESEORANG DENGAN MENGGUNAKAN ALGORITMA PROBABILISTIC NEURAL NETWORK
PENGENALAN POLA GARIS DASAR KALIMAT PADA TULISAN TANGAN UNTUK MENGETAHUI KARAKTER SESEORANG DENGAN MENGGUNAKAN ALGORITMA PROBABILISTIC NEURAL NETWORK ABSTRAK Dwi Putra Alexander (0722067) Jurusan Teknik
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 terperinciPENGENALAN PLAT NOMOR KENDARAAN DALAM SEBUAH CITRA MENGUNAKAN JARINGAN SARAF TIRUAN ABSTRAK
PENGENALAN PLAT NOMOR KENDARAAN DALAM SEBUAH CITRA MENGUNAKAN JARINGAN SARAF TIRUAN Decy Nataliana [1], Sabat Anwari [2], Arief Hermawan [3] Jurusan Teknik Elektro Fakultas Teknologi Industri Institut
Lebih terperinciPENGENALAN KARAKTER DENGAN MENGGUNAKAN HAMMING NETWORK
PENGENALAN KARAKTER DENGAN MENGGUNAKAN HAMMING NETWORK Thiang Jurusan Teknik Elektro, Universitas Kristen Petra Siwalankerto 121-131, Surabaya, Indonesia E-mail: thiang@petra.ac.id Abstrak Makalah ini
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI VOLUME PEMAKAIAN AIR BERSIH DI KOTA PONTIANAK
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI VOLUME PEMAKAIAN AIR BERSIH DI KOTA PONTIANAK [1] Meishytah Eka Aprilianti, [2] Dedi Triyanto, [3] Ilhamsyah [1] [2] [3] Jurusan Sistem Komputer, Fakultas
Lebih terperinciBACKPROPAGATION NEURAL NETWORK AS A METHOD OF FORECASTING ON CALCULATION INFLATION RATE IN JAKARTA AND SURABAYA
BACKPROPAGATION NEURAL NETWORK AS A METHOD OF FORECASTING ON CALCULATION INFLATION RATE IN JAKARTA AND SURABAYA Anggi Purnama Undergraduate Program, Computer Science, 2007 Gunadarma Universiy http://www.gunadarma.ac.id
Lebih terperinciPengelompokan Huruf Cetak Menggunakan Algoritma Adaptive Resonance Theory 1 (ART 1)
Pengelompokan Huruf Cetak Menggunakan Algoritma Adaptive Resonance Theory 1 (ART 1) Elisabeth Lany Oktorina/0222135 Email: geffen_ladi@yahoo.com Jurusan Teknik Elektro, Fakultas Teknik, Jln.Prof.Drg.Suria
Lebih terperinciRealisasi Pengenalan Tulisan Tangan Menggunakan Jaringan Syaraf Tiruan dengan Metode Kohonen
Realisasi Pengenalan Tulisan Tangan Menggunakan Jaringan Syaraf Tiruan dengan Metode Kohonen David Novyanto Candra/0322003 Email: dave_christnc@yahoo.com Jurusan Teknik Elektro, Fakultas Teknik, Jln.Prof.Drg.Suria
Lebih terperinciVOL. 01 NO. 02 [JURNAL ILMIAH BINARY] ISSN :
PENERAPAN JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH PRODUKSI AIR MINUM MENGGUNAKAN ALGORITMA BACKPROPAGATION (STUDI KASUS : PDAM TIRTA BUKIT SULAP KOTA LUBUKLINGGAU) Robi Yanto STMIK Bina Nusantara
Lebih terperinciPERANCANGAN ALGORITMA KRIPTOGRAFI KUNCI SIMETRI DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN
PERANCANGAN ALGORITMA KRIPTOGRAFI KUNCI SIMETRI DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN Ibrahim Arief NIM : 13503038 Program Studi Teknik Informatika, Institut Teknologi Bandung Jl. Ganesha 10, Bandung
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 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 terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN 3.1. Data Yang Digunakan Dalam melakukan penelitian ini, penulis membutuhkan data input dalam proses jaringan saraf tiruan backpropagation. Data tersebut akan digunakan sebagai
Lebih terperinciIwan Suhardi, Studi Pengklasifikasian Citra Berdasarkan Ciri Citra dengan Jaringan Syaraf Tiruan
1 MEDIA ELEKTRIK, Volume 3 Nomor 1, Juni 2008 STUDI PENGKLASIFIKASIAN CITRA BERDASARKAN CIRI CITRA DENGAN JARINGAN SYARAF TIRUAN Iwan Suhardi Jurusan Pendidikan Teknik Elektro Fakultas Teknik Universitas
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.6. Jaringan Syaraf Tiruan Jaringan syaraf tiruan atau neural network merupakan suatu sistem informasi yang mempunyai cara kerja dan karakteristik menyerupai jaringan syaraf pada
Lebih terperinciIDENTIFIKASI TANDA TANGAN MENGGUNAKAN ALGORITMA DOUBLE BACKPROPAGATION ABSTRAK
IDENTIFIKASI TANDA TANGAN MENGGUNAKAN ALGORITMA DOUBLE BACKPROPAGATION Disusun oleh: Togu Pangaribuan 0722087 Jurusan Teknik Elektro, Fakultas Teknik, Jl. Prof.Drg. Suria Sumantri, MPH No. 65, Bandung
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 terperinciHASIL DAN PEMBAHASAN. Generalisasi =
6 Kelas Target Sidik jari individu 5 0000100000 Sidik jari individu 6 0000010000 Sidik jari individu 7 0000001000 Sidik jari individu 8 0000000100 Sidik jari individu 9 0000000010 Sidik jari individu 10
Lebih terperinciBAB 2 TINJAUAN PUSTAKA. menggunakan teknik statistik, matematika, kecerdasan buatan, tiruan dan machinelearning
BAB 2 TINJAUAN PUSTAKA 2.1. Data Mining Data mining adalah kombinasi secara logis antara pengetahuan data, dan analisa statistik yang dikembangkan dalam pengetahuan bisnis atau suatu proses yang menggunakan
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 II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Beban dan Prakiraan Beban Listrik Di dalam sebuah sistem kelistrikan terdapat 2 sisi yang sangat berbeda, yaitu sisi beban dan sisi pembangkitan. Pada sisi beban atau beban
Lebih terperinciPengenalan Pola Huruf Arab Tulis Tangan Menggunakan Jaringan Saraf Tiruan dengan Metode Perambatan Balik
Pengenalan Pola Huruf Arab Tulis Tangan Menggunakan Jaringan Saraf Tiruan dengan Metode Perambatan Balik Teguh Prakoso 1, Achmad Hidayatno 2, R.Rizal Isnanto 2 Jurusan Teknik Elektro, Fakultas Teknik Universitas
Lebih terperinciBAB 2 LANDASAN TEORI. Pengenalan suara (voice recognition) dibagi menjadi dua jenis, yaitu
BAB 2 LANDASAN TEORI 2.1 Pengenalan Suara. Pengenalan suara (voice recognition) dibagi menjadi dua jenis, yaitu speech recognition dan speaker recognition. Speech recognition adalah proses yang dilakukan
Lebih terperinciSISTEM PENGENALAN BARCODE MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
SISTEM PENGENALAN BARCODE MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Barcode Rcognition System Using Backpropagation Neural Networks M. Kayadoe, Francis Yuni Rumlawang, Yopi Andry Lesnussa * Jurusan
Lebih terperinciPENGENALAN POLA GARIS DASAR KALIMAT PADA TULISAN TANGAN UNTUK MENGETAHUI KARAKTER SESEORANG DENGAN MENGGUNAKAN ALGORITMA RESILIENT BACKPROPAGATION
PENGENALAN POLA GARIS DASAR KALIMAT PADA TULISAN TANGAN UNTUK MENGETAHUI KARAKTER SESEORANG DENGAN MENGGUNAKAN ALGORITMA RESILIENT BACKPROPAGATION ABSTRAK Juventus Suharta (0722026) Jurusan Teknik Elektro
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Tahapan Penelitian Tahapan yang dilakukan dalam penelitian ini disajikan pada Gambar 14, terdiri dari tahap identifikasi masalah, pengumpulan dan praproses data, pemodelan
Lebih terperinciKlasifikasi Pola Huruf Vokal dengan Menggunakan Jaringan Saraf Tiruan
JURNAL TEKNIK POMITS 1-7 1 Klasifikasi Pola Huruf Vokal dengan Menggunakan Jaringan Saraf Tiruan Dhita Azzahra Pancorowati, M. Arief Bustomi Jurusan Fisika, Fakultas Matematika dan Ilmu Pengetahuan Alam,
Lebih terperinciPENGENDALIAN POSISI MOBILE ROBOT MENGGUNAKAN METODE NEURAL NETWORK DENGAN UMPAN BALIK KAMERA PEMOSISIAN GLOBAL
PENGENDALIAN POSISI MOBILE ROBOT MENGGUNAKAN METODE NEURAL NETWORK DENGAN UMPAN BALIK KAMERA PEMOSISIAN GLOBAL Randy Reza Kautsar (1), Bima Sena Bayu D S.ST M.T (2), A.R. Anom Besari. S.ST, M.T (2) (1)
Lebih terperinciFUZZY-NEURO LEARNING VECTOR QUANTIZATION (FNLVQ)
BAB 2 FUZZY-NEURO LEARNING VECTOR QUANTIZATION (FNLVQ) Bab ini akan menjelaskan algoritma pembelajaran FNLVQ konvensional yang dipelajari dari berbagai sumber referensi. Pada bab ini dijelaskan pula eksperimen
Lebih terperinciIDENTIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN EKSTRAKSI FITUR SCALE INVARIANT FEATURE TRANSFORM
IDENTIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN EKSTRAKSI FITUR SCALE INVARIANT FEATURE TRANSFORM (SIFT) Vikri Ahmad Fauzi (0722098) Jurusan Teknik Elektro email: vikriengineer@gmail.com
Lebih terperinci2 2 ... v... 3 Santoso... 21 abawa... 29... 37... 53... 59... 67... 77 Yohakim Marwanta... 85... 89... 101 ... 109... 117 D. Jaringan Komputer Amirudd... 135 andha... 141... 151... 165 Syahrir... 171...
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Variabel Penelitian Penelitian ini menggunakan satu definisi variabel operasional yaitu ratarata temperatur bumi periode tahun 1880 sampai dengan tahun 2012. 3.2 Jenis dan
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 terperinciBAB III METODOLOGI PENELITIAN
38 BAB III METODOLOGI PENELITIAN 3.1 Desain Penelitian Studi Literatur: Peramalan, Curah Hujan, Knowledge Discovery in Database, Jaringan Saraf Tiruan, Backpropagation, Optimalisasasi Backpropagation Pengumpulan
Lebih terperinciIDENTIFIKASI TANDA TANGAN MENGGUNAKAN GLOBAL FEATURE EXTRACTION, MOMEN INVARIAN DAN ALGORITMA FORWARD-ONLY COUNTER PROPAGATION
IDENTIFIKASI TANDA TANGAN MENGGUNAKAN GLOBAL FEATURE EXTRACTION, MOMEN INVARIAN DAN ALGORITMA FORWARD-ONLY COUNTER PROPAGATION ABSTRAK Eka Putri Tambun (0722118) Jurusan Teknik Elektro Universitas Kristen
Lebih terperinciBAB IV IMPLEMENTASI DAN PENGUJIAN
68 BAB IV IMPLEMENTASI DAN PENGUJIAN Bab ini membahas tentang program yang telah dianalisis dan dirancang atau realisasi program yang telah dibuat. Pada bab ini juga akan dilakukan pengujian program. 4.1
Lebih terperinciBAB 3 PERANCANGAN SISTEM. Bab ini menguraikan analisa penelitian terhadap metode Backpropagation yang
BAB 3 PERANCANGAN SISTEM Bab ini menguraikan analisa penelitian terhadap metode Backpropagation yang diimplementasikan sebagai model estimasi harga saham. Analisis yang dilakukan adalah menguraikan penjelasan
Lebih terperinciPERANCANGAN PENGENAL QR (QUICK RESPONSE) CODE DENGAN JARINGAN SYARAF TIRUAN METODE PERCEPTRON
PERANCANGAN PENGENAL QR (QUICK RESPONSE) CODE DENGAN JARINGAN SYARAF TIRUAN METODE PERCEPTRON SKRIPSI NOVALIA 081401023 PROGRAM STUDI S1 ILMU KOMPUTER DEPARTEMEN ILMU KOMPUTER FAKULTAS ILMU KOMPUTER DAN
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Optimasi Menurut Nash dan Sofer (1996), optimasi adalah sarana untuk mengekspresikan model matematika yang bertujuan memecahkan masalah dengan cara terbaik. Untuk tujuan bisnis,
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 terperinciUJM 3 (1) (2014) UNNES Journal of Mathematics.
UJM 3 (1) (2014) UNNES Journal of Mathematics http://journal.unnes.ac.id/sju/index.php/ujm APLIKASI JARINGAN SYARAF TIRUAN BACKPROPAGATION DALAM PERAMALAN BEBAN PUNCAK DISTRIBUSI LISTRIK DI WILAYAH PEMALANG
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Pengklasifikasian merupakan salah satu metode statistika untuk mengelompok atau menglasifikasi suatu data yang disusun secara sistematis. Masalah klasifikasi sering
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 terperinciT 11 Aplikasi Model Backpropagation Neural Network Untuk Perkiraan Produksi Tebu Pada PT. Perkebunan Nusantara IX
T 11 Aplikasi Model Backpropagation Neural Network Untuk Perkiraan Produksi Tebu Pada PT. Perkebunan Nusantara IX Oleh: Intan Widya Kusuma Program Studi Matematika, FMIPA Universitas Negeri yogyakarta
Lebih terperinciKOMPRESI CITRA DIGITAL DENGAN MENGGUNAKAN HEBBIAN BASED PRINCIPAL COMPONENT ANALYSIS
KOMPRESI CITRA DIGITAL DENGAN MENGGUNAKAN HEBBIAN BASED PRINCIPAL COMPONENT ANALYSIS 1 Sofyan Azhar Ramba 2 Adiwijaya 3 Andrian Rahmatsyah 12 Departemen Teknik Informatika Sekolah Tinggi Teknologi Telkom
Lebih terperinciFarah Zakiyah Rahmanti
Farah Zakiyah Rahmanti Latar Belakang Struktur Dasar Jaringan Syaraf Manusia Konsep Dasar Permodelan JST Fungsi Aktivasi JST Contoh dan Program Jaringan Sederhana Metode Pelatihan Supervised Learning Unsupervised
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 terperinciBAB III METODOLOGI PENELITIAN
19 BAB III METODOLOGI PENELITIAN 3.1. Kerangka Pemikiran Kerangka pemikiran untuk penelitian ini seperti pada Gambar 9. Penelitian dibagi dalam empat tahapan yaitu persiapan penelitian, proses pengolahan
Lebih terperincioleh WAHYUNI PUTRANTO NIM. M SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan memperoleh gelar Sarjana Sains Matematika
PERBANDINGAN METODE GRADIENT DESCENT DAN GRADIENT DESCENT DENGAN MOMENTUM PADA JARINGAN SYARAF TIRUAN BACKPROPAGATION DALAM PERAMALAN KURS TENGAH RUPIAH TERHADAP DOLAR AMERIKA oleh WAHYUNI PUTRANTO NIM.
Lebih terperinciPREDIKSI CURAH HUJAN DI KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK
PREDIKSI CURAH HUJAN DI KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK Yudhi Andrian 1, Erlinda Ningsih 2 1 Dosen Teknik Informatika, STMIK Potensi Utama 2 Mahasiswa Sistem Informasi, STMIK
Lebih terperinciPELATIHAN FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA GENETIKA DENGAN METODE SELEKSI TURNAMEN UNTUK DATA TIME SERIES
JURNAL GAUSSIAN, Volume 1, Nomor 1, Tahun 2012, Halaman 65-72 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PELATIHAN FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA GENETIKA DENGAN METODE
Lebih terperinciSISTEM PENGENALAN PENGUCAPAN HURUF VOKAL DENGAN METODA PENGUKURAN SUDUT BIBIR PADA CITRA 2 DIMENSI ABSTRAK
SISTEM PENGENALAN PENGUCAPAN HURUF VOKAL DENGAN METODA PENGUKURAN SUDUT BIBIR PADA CITRA 2 DIMENSI Adhi Fajar Sakti Wahyudi (0722062) Jurusan Teknik Elektro Email: afsakti@gmail.com ABSTRAK Teknologi pengenalan
Lebih terperinciPREDIKSI DATA RUNTUN WAKTU MENGGUNAKAN JARINGAN SYARAF TIRUAN
PREDIKSI DATA RUNTUN WAKTU MENGGUNAKAN JARINGAN SYARAF TIRUAN TIME SERIES DATA PREDICTION USING ARTIFICIAL NEURAL NETWORKS Agung Mubyarto Prodi Teknik Elektro, Universitas Jenderal Soedirman Jl. Kampus
Lebih terperinciBAB 3 ALGORITMA DAN MODEL 2K FFT-IFFT CORE
BAB 3 ALGORITMA DAN MODEL 2K FFT-IFFT CORE Pada Bab ini dibahas mengenai penentuan algoritma, menentukan deskripsi matematis dari algoritma, pembuatan model fixed point menggunakan Matlab, dan pengukuran
Lebih terperinciPengendalian Posisi Mobile Robot Menggunakan Metode Neural Network Dengan Umpan Balik Kamera Pemosisian Global
The 13 th Industrial Electronics Seminar 2011 (IES 2011) Electronic Engineering Polytechnic Institute of Surabaya (EEPIS), Indonesia, October 26, 2011 Pengendalian Posisi Mobile Robot Menggunakan Metode
Lebih terperinciPERANCANGAN ALGORITMA BELAJAR JARINGAN SYARAF TIRUAN MENGGUNAKAN PARTICLE SWARM OPTIMIZATION (PSO)
Jurnal POROS TEKNIK, Volume 5, No. 1, Juni 2013 : 18-23 PERANCANGAN ALGORITMA BELAJAR JARINGAN SYARAF TIRUAN MENGGUNAKAN PARTICLE SWARM OPTIMIZATION (PSO) Nurmahaludin (1) (1) Staf Pengajar Jurusan Teknik
Lebih terperinciBAB IV PEMBAHASAN. A. Hasil Model Radial Basis Function Neural Network (RBFNN) Langkah-langkah untuk menentukan model terbaik Radial Basis Function
BAB IV PEMBAHASAN A. Hasil Model Radial Basis Function Neural Network (RBFNN) Langkah-langkah untuk menentukan model terbaik Radial Basis Function Neural Network (RBFNN) untuk diagnosis penyakit jantung
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 terperinciPREDIKSI PERHITUNGAN DOSIS RADIASI PADA PEMERIKSAAN MAMMOGRAFI MENGGUNAKAN ALGORITMA JARINGAN SYARAF TIRUAN PROPAGASI BALIK
Berkala Fisika ISSN : 1410-9662 Vol.18, No.4, Oktober 2015, hal 151-156 PREDIKSI PERHITUNGAN DOSIS RADIASI PADA PEMERIKSAAN MAMMOGRAFI MENGGUNAKAN ALGORITMA JARINGAN SYARAF TIRUAN PROPAGASI BALIK Zaenal
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 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 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Jaringan Syaraf Tiruan (artificial neural network), atau disingkat JST menurut Hermawan (2006, hlm.37) adalah sistem komputasi dimana arsitektur dan operasi
Lebih terperinciOPTIMASI JARINGAN SARAF TIRUAN PADA OPTICAL CHARACTER RECOGNITION DENGAN MENGGUNAKAN IMAGE PREPROCESSING DAN ALGORITMA GENETIK
OPTIMASI JARINGAN SARAF TIRUAN PADA OPTICAL CHARACTER RECOGNITION DENGAN MENGGUNAKAN IMAGE PREPROCESSING DAN ALGORITMA GENETIK LAPORAN TUGAS AKHIR Disusun sebagai syarat kelulusan tingkat sarjana Oleh:
Lebih terperinciJaringan Syaraf Tiruan
Jaringan Syaraf Tiruan (Artificial Neural Network) Intelligent Systems Pembahasan Jaringan McCulloch-Pitts Jaringan Hebb Perceptron Jaringan McCulloch-Pitts Model JST Pertama Diperkenalkan oleh McCulloch
Lebih terperinciMILIK UKDW. Bab 1 PENDAHULUAN. 1.1 Latar Belakang
Bab 1 PENDAHULUAN 1.1 Latar Belakang Beberapa tahun belakangan ini, jaringan syaraf tiruan telah berkembang dengan pesat. Berbagai aplikasi telah memanfaatkan jaringan syaraf tiruan dalam penerapannya,
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
7 BAB 2 TINJAUAN PUSTAKA 21 Anatomi Ayam Pengetahuan tentang anatomi ayam sangat diperlukan dan penting dalam pencegahan dan penanganan penyakit Hal ini karena pengetahuan tersebut dipakai sebagai dasar
Lebih terperinciRANCANG BANGUN ALAT BANTU PENENTU POLA DISTRIBUSI INPUT DENGAN MEMANFAATKAN JARINGAN SYARAF TIRUAN DENGAN MENGGUNAKAN PERSENTIL SEBAGAI PENCIRI
RANCANG BANGUN ALAT BANTU PENENTU POLA DISTRIBUSI INPUT DENGAN MEMANFAATKAN JARINGAN SYARAF TIRUAN DENGAN MENGGUNAKAN PERSENTIL SEBAGAI PENCIRI Aris Tjahyanto Jurusan Sistem Informasi, Fakultas Teknologi
Lebih terperinciAPLIKASI PENGENALAN KARAKTER ALFANUMERIK MENGGUNAKAN ALGORITMA HAMMING DISTANCE
APLIKASI PENGENALAN KARAKTER ALFANUMERIK MENGGUNAKAN ALGORITMA HAMMING DISTANCE Matheus Supriyanto Rumetna 1*, Marla Pieter, Monica Manurung 1 1 Fakultas Ilmu Komputer dan Manajemen, Universitas Sains
Lebih terperinciPENGENALAN POLA KEPUASAN MAHASISWA TERHADAP KEGIATAN BELAJAR MENGAJAR (STUDI KASUS DI STMIK AKAKOM YOGYAKARTA) Abstrak
PENGENALAN POLA KEPUASAN MAHASISWA TERHADAP KEGIATAN BELAJAR MENGAJAR (STUDI KASUS DI STMIK AKAKOM YOGYAKARTA) Dini Fakta Sari Teknik Informatika STMIK AKAKOM Yogyakarta dini@akakom.ac.id Abstrak Tenaga
Lebih terperinci