Identifikasi Citra Tulisan Tangan dengan Metode Alihragam Gelombang Singkat untuk Memprediksi Kematangan Emosional
|
|
- Lanny Dharmawijaya
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Identifikasi Citra Tulisan Tangan dengan Metode Alihragam Gelombang Singkat untuk Memprediksi Kematangan Emosional Supatman Jurusan Teknik Informatika, Fakultas Teknik dan Ilmu Komputer Universitas Mercu Buana Yogyakarta Jl. Wates Km. 10 Yogyakarta, Telp , , Fax. (0274) supatman@telkom.net, keliksupatman@yahoo.com Abstrak -- Tulisan tangan yang ditulis oleh setiap orang memikili keunikan tersendiri sehingga dijadikan salah satu metode pemerikasaan klinis secara psikologi. Tulisan tangan dapat dijadikan suatu citra (image) yang dapat diolah dengan metode image processing. Dengan metode alihragam gelombang singkat sebagai pre-processing citra yaitu dengan dekomposisi citra 2D maka dihasilkan citra akhir dan divektorkan sebagai feature vektor. Feature vektor selanjutnya dijadikan vektor masukkan Learning Vector Quantization untuk memprediksi kematangan citra tes dari tulisan tangan yang baru. Dengan data 71 ( 24 data pelatihan dan 47 data uji) perangkat lunak (algoritma) mampu mendeteksi data uji dengan kategori kematangan emosional Baik dan Kurang secara berurutan 100% dan 42.85% dengan rata-rata kemampuan deteksi dari data pengujian mencapai 71.42%. Kata Kunci : Tulisan Tangan, Alihragam Gelom-bang Singkat, LVQ. I. LATAR BELAKANG Karakteritik dari image dengan metode image processing dapat memberikan informasi tentang sesuatu yang berhubungan dengan keberadaannya. Seseorang melakukan tes psikologi dengan membuat sketsa figur manusia dapat memberikan informasi karakteristik kepribadian yang menggambarnya[4]. Sifat kepribadian tersebut meliputi: kematangan emosi, kemampuan sosial, daya tahan terhadap stres, manajemen konflik, pemecahan masalah, pengambilan keputusan, tanggung jawab dan inisiatif. Selain sketsa figur manusia, untuk mengetahui kepribadian sesorang dapat dilakukan juga melalui analisa tulisan tangan yang ditulis pada kertas putih dengan pensil 2B [7]. Sifat kepribadian seseorang memiliki katagori (SK = Sangat Kurang, K = Kurang, C = Cukup, B = Baik, SB = Sangat Baik). Secara manual, Psikolog akan menginterpretasikan citra tulisan tangan menjadi sebuah katagori tersebut di atas. Sering kali Psikolog harus membuka buku, ataupun mengundang beberapa Psikolog untuk bersama - sama menginter-pretasikan sketsa tulisan tangan yang dihadapi. Langkah ini sangat memakan waktu yang lama dan sering terjadi pula perbedaan interpretasi terhadap satu sketsa figur manusia tersebut[4]. Tulisan tangan yang ditulis oleh setiap orang memikili keunikan tersendiri sehingga dijadikan salah satu metode pemerikasaan klinis secara psikologi. Tulisan tangan dapat dijadikan suatu citra (image) yang dapat diolah dengan metode image processing dan dengan bantuan metode wavelet serta jaring saraf tiruan Learning Vector Quantization (LVQ) dapat didesain suatu perangkat lunak terhadap citra tulisan tangan yang dapat mengenali suatu citra tulisan tangan yang baru (melalui learning) sehingga dapat secara langsung menginterpretasikan tulisan tangan tersebut dan menentukan sifat kepribadian kemataangan emosional seseorang. II. TINJAUAN PUSTAKA 2.1 Tulisan Tangan Dalam buku Grafologi Seni Menilai Kepribadian Seseorang Melalui Tulisan Tangan, Susan Salsabilla berusaha untuk menggariskan suatu metode analisa kepribadian berdasarkan interpretasi tulisan tangan. Telah lama diketahui bahwa individu-individu memperlihatkan aspek-aspek penting dari kepribadian mereka dalam tulisan-tulisan yang digoreskan. Apa yang dirasakan kurang adalah taraf sistematisasi analisa suatu produk grafis yang komprehensif, dapat dikomunikasikan dan juga tidak berat sebelah dalam menggambarkan kerumitan kepribadian [7]. Citra (image) istilah lain untuk gambar sebagai salah satu komponen multimedia memegang peranan sangat penting sebagai bentuk informasi visual. Citra mempunyai karakteristik yang tidak dimiliki data teks, yaitu citra kaya dengan informasi. Ada sebuah peribahasa yang berbunyi sebuah gambar lebih bermakna dari seribu kata (a picture is more than a thousand words). Maksudnya sebuah gambar dapat memberikan informasi yang lebih banyak dari pada informasi tersebut dalam bentuk kata-kata (tekstual) [5]. 2.2 Histori Penelitian Peneliti pendahulu yang membahas sifat kepribadian dengan melakukan analisa citra hasil tes 74
2 psikologi dengan dengan pendekatan pengolahan citra digital dan jaring saraf tiruan adalah: Identifikasi citra sketsa figur manusia dengan metode PCNN untuk memprediksi sifat kepribadian daya tahan terhadap stres[10], dengan keberhasilan indentifikasi mencapai 73,05%. 2.3 Landasan Teori Format Citra Komponen Citra Digital Citra adalah representasi dua dimensi untuk bentuk fisik nyata tiga dimensi. Citra dalam perwujudannya dapat bermacam-macam, mulai dari gambar hitamputih pada sebuah foto (yang tidak bergerak) sampai pada gambar berwarna yang bergerak pada pesawat televisi. Proses transformasi dari bentuk tiga dimensi ke bentuk dua dimensi untuk menghasilkan citra akan dipengaruhi oleh bermacam-macam faktor yang mengakibatkan penampilan citra suatu benda tidak sama persis dengan bentuk fisik nyatanya. Citra digital (digital image) adalah citra kontinyu f(x,y) yang sudah didiskritkan baik koordinat spasial maupun tingkat kecerahannya. Setiap titik biasanya memiliki koordinat sesuai dengan posisinya dalam citra. Koordinat ini lazimnya dinyatakan indeks x dan y hanya bernilai bilangan bulat positif, yang dapat dimulai dari 0 atau 1. Citra digital (yang selanjutnya disingkat citra ) dapat dianggap sebagai matrik ukuran M x N yang baris dan kolomnya menunjukkan titik-titiknya yang diperlihatkan pada persamaan 1[5][8][9][10] : X=f(x,y)= )0,0(f )0,1(f M(f )0,1 M(f )1,0(f )1,1(f )1,1 M(f,0(f N)1,1(f N)1,1N)1 (1) Setiap titik memiliki nilai berupa angka digital yang merepresentasikan informasi yang diwakili titik tersebut. Format nilai piksel sama dengan format citra keseluruhan. Pada kebanyakan sistem pencitraan, nilai ini biasanya berupa bilangan bulat positif Representasi Citra Digital Komputer dapat mengolah sinyal-sinyal elektronik digital yang merupakan kumpulan sinyal biner (bernilai dua: 0 dan 1). Citra digital harus mempunyai format tertentu yang sesuai sehingga dapat merepresentasikan obyek pencitraan dalam bentuk kombinasi data biner. Dalam citra berwarna, jumlah warna dapat beragam mulai dari 16, 256, atau 16 juta warna yang masing-masing direpresentasikan oleh 4,8,16 atau 24 bit data untuk setiap pikselnya. Warna yang ada terdiri dari 3 komponen utama yaitu nilai merah (red), nilai hijau (green) dan nilai biru (blue). Paduan ketiga komponen utama pembentuk warna tersebut dikenal sebagai warna RGB Tingkat Abu-abu (Grayscale) Kecerahan dari citra direpresentasikan pada nilai tiap-tiap pikselnya. Semakin tinggi nomor pikselnya maka makin terang (putih) citra tersebut. Sedangkan semakin kecil nilai suatu piksel, mengakibatkan warna pada citra tersebut menjadi gelap. Sistem skala kecerahan yang umum terdapat 256 tingkat untuk setiap piksel dan dikenal sebagai grayscale Dekomposisi Gelombang Singkat Gelombang-singkat merupakan nama untuk fungsi-fungsi yang memiliki nilai tidak nol hanya dalam waktu tertentu (untuk waktu selebihnya, nilainya nol). Nama gelombang-singkat merupakan terjemahan wavelet (yang juga identis dengan small wave). Dalam bahasa Prancis, gelombang-singkat disebut ondelette [9]. Daubechies [9] menyatakan bahwa alihragam gelombang-singkat merupakan alat yang biasa digunakan untuk menyajikan data atau fungsi atau operator ke dalam komponen-komponen frekuensi yang berlainan, dan kemudian mengkaji setiap komponen dengan suatu resolusi yang sesuai dengan skalanya. Dalam prakteknya, alihragam ini banyak dipakai untuk analisis dan representasi isyarat. Chui [9] menyatakan bahwa alihragam gelombang-singkat mempunyai kemampuan membawa keluar ciri-ciri (feature) khusus dari citra yang diteliti. Gelombang-singkat merupakan keluarga fungsi yang dihasilkan oleh suatu gelombang basis ψ(x) yang disebut gelombang-singkat induk (disebut mother wavelet). Dua kunci utama yang mendasari gelombang-singkat adalah: 1) penggeseran, misalnya Ψ(x-1), Ψ(x-2), dan Ψ(x-b), serta 2) penyekalaan, misalnya Ψ(2x), Ψ(4x), dan Ψ(2j x). Kombinasi kedua operasi inilah yang menghasilkan keluarga gelombang-singkat. Dalam banyak literatur disebutkan bahwa dua keuntungan utama yang ditawarkan oleh gelombang-singkat, yaitu memungkinkan pelokalisasian frekuensi-waktu dan mendukung algoritma cepat [9] Pengenalan Pola Teknik pengenalan pola adalah suatu komponen sistem kecerdasan buatan yang penting dan digunakan untuk pra-pengolahan data dan membuat keputusan. Secara garis besar metode pengenalan pola dibagi atas tiga kelompok. Ketiga kelompok ini dibagi berdasarkan pendekatan yang digunakan, yaitu : Statistis, Sintaktis dan Jaring Saraf Tiruan Pengenalan pola menggunakan pendekatan statistik atau disebut teori keputusan, bilamana struktur dan ciri tidak terlalu penting. Hal ini merupakan kebalikan pengenalan pola dengan menggunakan pendekatan sintaktis. Pada pendekatan sintaktis/struktural, dicari ciri yang unik pada citra, yang dapat dimanfaatkan pada proses pengenalan pola. Sedangkan pendekatan jaring saraf tiruan 75
3 menggunakan matrik bobot untuk proses pengenalan polanya Learning Vector Quantization (LVQ) Berbagai teori, arsitektur, dan algoritma jaring saraf tiruan digunakan dalam klasifikasi dan pengenalan pola, salah satu diantaranya adalah jaring Learning Vector Quantization (LVQ). LVQ adalah suatu metoda klasifikasi pola yang masing-masing unit keluaran mewakili kategori atau kelas tertentu (beberapa unit keluaran digunakan untuk masing-masing kelas). Vektor bobot untuk suatu unit keluaran sering dinyatakan sebagai sebuah vektor referens. Diasumsikan bahwa serangkaian pola pelatihan dengan klasifikasi yang tersedia bersama dengan distribusi awal vektor referens [2]. Setelah pelatihan, jaring LVQ akan mengklasifikasikan vektor masukan dengan menugaskan pada kelas yang sama sebagai unit keluaran. Pada dasarnya LVQ merupakan suatu metoda pelatihan terhadap lapisan-lapisan kompetitif yang terbimbing. Dikatakan terbimbing karena menggunakan klasifikasi target keluaran yang diketahui untuk setiap pola masukan. Apabila beberapa vektor masukan tersebut memiliki jarak yang sangat berdekatan, maka vektor-vektor masukan akan dikelompokkan dalam kelas yang sama [2][3][10] Arsitektur Jaringan LVQ merupakan jaringan syaraf dengan tipe arsitektur jaringan lapis-tunggal umpan-maju (Single Layer Feedforward) yang terdiri atas unit masukan (Xn) dan unit keluaran (Ym). Pemrosesan yang terjadi pada setiap neuron adalah mencari jarak antara suatu vektor masukan ke bobot yang bersangkutan. Oleh karena itu, dapat juga dikatakan bahwa setiap neuron output berkorespondensi satusatu dengan vektor referensi. 3. MEODE PENELITIAN 3.1 Bahan atau Materi Penelitian Bahan yang dipakai dalam penelitian ini adalah tulisan tangan pada kertas putih A4 80 gram yang diberikan ruang 12 x 10 cm dengan jumlah data 75 orang. Dari tulisan tangan tersebut di buat citra dengan jalan melakukan scan terhadap tulisan tangan menjadi file BMP dengan resolusi 360 dpi. Selain men-scan tulisan tangan tersebut dengan bantuan Psikolog-Psikolog di Fakultas Psikologi, Universitas Mercu Buana Yogyakarta untuk menginterprestasikan tulisan tangan tersebut menjadi kelompok : kematangan emosional katagori (B = Baik dan K = Kurang Baik) yang nantinya sebagai data pelatihan (learning) pada neural network (LVQ). 3.2 Alat yang Digunakan Peralatan yang dipakai dalam penelitian ini meliputi: Seperangkat Komputer, Bahasa pemrograman Matlab, Scanner, Kertas A4 80 gram, Pensil 2B 3.3 Jalannya Penelitian Dalam penelitian ini, langkah-langkah yang dilakukan adalah sebagai berikut : Studi Kepustakaan Studi kepustakaan berawal dari ditemukannya masalah yaitu: kesulitan menginterpretasikan tulisan tangan oleh Psikolog, waktu yang dibutuhkan cukup lama dan interpretasi antara Psikolog satu dengan Psikolog yang lain sering berbeda. Maka dimulai mencari kepustakaan yang mendukung pemencahan permasalahan ini termasuk pengambilan data dan penelusuran pustaka-pustaka yang mendukung lebih lanjut Pengambilan Data dan Analisis Pengambilan data dilakukan dengan cara melakukan tes terhadap orang-orang yang dijadikan objek 75 orang dengan melakukan tulisan tangan pada kertas kwarto (A4) 80 gram dengan pensil 2B. Kemudian data di-scan dengan resolusi 360 dpi full color dan disimpan dalam file BMP. Selain memproses menjadi citra digital, secara bersamaan dilakukan pula interpretasi dari bantuan Psikologpsikolog (Fakultas Psikologi, Universitas Wangsa Manggala Yogyakarta). Kemudian data dari Psikolog dijadikan data pelatihan pada Neural Network (LVQ). Lebih jelasnya tahap pengambilan data dapat dijelaskan dengan diagram Gambar 1 sebagai berikut: Gambar 1. Diagram alir pengambilan data dan analisis Perancangan Perangkat Lunak Dalam perancangan perangkat lunak maka disusun suatu metode blok diagram yang akan membantu pembuatan modul-modul proses maupun prosedur perangkat lunak ditunjukkan dalam Gambar 2 sebagai berikut : 76
4 Gambar 2. Identifikasi Citra Tulisan Tangan dengan metode pre-processingalihragam Gelombang Singkat dan Klasifikasi LVQ Citra Tulisan Tangan Citra tulisan tangan merupakan hasil dari tulisan tangan dengan pensil 2B dalam segiempat dengan dimensi 12 x 10 cm pada kertas kwarto putih (A4) dengan berat 80 gram. Citra tulisan tangan merupakan coretan sekuensial dari pensil yang membentuk suatu tulisan yang ditentukan kalimatnya Data Digital Citra Tulisan Tangan (File BMP) Tulisan tangan di scan dengan resolusi 360 dpi untuk menghasilkan data citra digital dan disimpan dalam file BMP. Format file BMP dipilih dalam penyimpanan data citra ini karena file BMP memiliki nilai kompresi yang kecil sehingga informasi yang hilang dapat diminimisasi Modul Pre-Processing Data Citra Tulisan Tangan Data digital citra tulisan tangan dengan format BMP true color (24 bit) merupakan data yang diproses untuk proses-proses selanjutnya. Data citra 24 bit true color terdiri dari 2 8 layer merah, 2 8 layer hijau, dan 2 8 layer biru Konversi Citra Warna True Color ke Citra Gray Data citra tulisan tangan true color 24 bit dalam format BMP dilakukan pemisahan layer penyusun citranya, yaitu layer merah (red), layer hijau (green), dan layer biru (blue). Proses konversi citra warna ke citra abu-abu (gray), dilakukan mengalikan konstanta nilai RGB ke YUV yaitu dengan mengambil layer Y (luminance) untuk mendapatkan nilai luminance yang kuat. Konversi dari RGB ke YUV dengan menambil layer Y (luminance) ditunjukkan pada Gambar Ekstraksi Ciri dengan Metode Alihragam Gelombang Singkat Ekstraksi ciri dengam metode alihragam gelombang singkat yaitu mengekstrak citra dengan dekomposit ke dalam gelombang singkat yang mewakili nilai piksel dan bentuk gelombang Haar dan Doubechies. Dekomposisi pola dilakukan untuk merepresentasikan pola digit ke dalam vektor yang mengandung beberapa informasi mengenai pola tersebut. Hasil dari dekomposisi level kesatu citra asli 320x143 piksel dengan gelombang-singkat Haar adalah empat subbidang pada resolusi yang lebih rendah 160x71 piksel. Keempat subbidang tersebut masing-masing membawa informasi yang berbeda yaitu informasi background, horizontal, vertikal, dan diagonal. Pada level kedua dihasilkan subbidangsubbidang berukuran 80x35 piksel, dan pada level ketiga dihasilkan subbidang-subbidang dengan ukuran 40x17 piksel. Citra level tiga[9] menghasilkan subbidang yang digunakan sebagai ciri yang membedakan kelas. Fitur vektor yang merupakan ciri berupa vektor akan dijadikan masukan pada proses pembelajaran (learning) dan pengenalan (recognition) pada jaring saraf tiruan Arsitektur Neural Network LVQ Untuk melakukan identifikasi citra tulisan tangan yang terdiri dari proses pembelajaran (learning) dan pengenalan (recognition) maka dibangun arsitektur jaring LVQ dengan masukan fitur vektor dari piksel hasil ekstraksi ciri melalui alihragam gelombang pendek. Kelas keluaran ditujukkan menjadi lima kelas kematangan emosional sesuai tes kepribadian psikologi yaitu kelas 1 (Baik=B) dan kelas 2 (Kurang=K). Arsitektur LVQ ditunjukkan pada Gambar 3. Keterangan: n = 680 Gambar 3. Arsitektur Jaring LVQ untuk Identifikasi Citra Tulisan Tangan Desain Perangkat Lunak Pada tahap desain perangkat lunak ini dilakukan penulisan kode program sesuai dengan flowchart setiap modul ke dalam bahasa matlab programming. Tahapan penulisan kode program dilakukan sebagai berikut: a). Modul pengambilan citra, b). Modul pemisahan layer citra: merah, hijau, biru, c). Modul konversi citra RGB ke YUV, d). Modul ekstrasi ciri dengan alihragam gelombang singkat, e). Modul jaring LVQ dan f). Modul recognition Pembelajaran dan Pengujian Pembelajaran Perangkat Lunak Neural Network Learning pada Neural Neworks dilakukan dengan melakukan pembelajaran terhadap perangkat lunak yang telah selesai didesain dengan data-data yang digunakan untuk pembelajaran Pengujian Data Pengujian data dilakukan dengan menguji data masukan baru untuk mendapatkan prosentase terbaik dalam mengenali data baru. Untuk mendapatkan peningkatan kemampuan pengenalan dilakukan dengan merubah-ubah parameter jaring LVQ untuk setiap pengujian. IV. ANALISA DAN PEMBAHASAN 4.1 Pengolahan Data Masukan Pengolahan awal dilakukan untuk cropping citra, re-size, citra diperlukan untuk mengubah citra asli 77
5 dua-dimensi ke dalam pola vektor yang terdiri atas informasi-informasi yang dimiliki citra asli tersebut. Pola-pola vektor yang diperoleh selanjutnya akan digunakan sebagai masukan dalam proses selanjutnya yaitu pembelajaran dan pengenalan menggunakan jaring saraf tiruan LVQ Data Citra Data citra berupa data citra BMP, dengan size 5370 x 4000 piksel. Cita data citra hasil scanning ditujukkan pada Gambar Pra-Pengolahan Citra Cropping Citra Pada tahap pra-pengolahan dilakukan proses konversi citra warna menjadi citra aras keabuan (gray). Gray diambil karena dalam pengolahan citra tulisan tangan, ciri yang ditekankan berupa aspek model kemiringan garis tulisan, diperlihatkan Gambar 4a, dan 4b. 6(b). Dekomposisi wavelet 2D orde 3 menghasilkan citra dengan nilai piksel antara 500 hingga 900. Citra hasil dekomposisi wavelet orde 3 ditunjukkan Gambar 6(c). 4.2 Feature Vektor Tulisan Tangan Feature vektor diperoleh dari vektorisasi hasil citra dekomposisi alihragam gelombang singkat order 3. Vektor ini digunakan sebagai masukkan Jaring Saraf Tiruan LVQ. Feature Vektor dari hasil vektorisasi dekomposisi tulisan tangan ditunjukkan pada Gambar 6. (a) (b) (a) (b) Gambar 4. (a) data citra (b) Hasil Cropping ROI dengan size 5370 x 1200 dari Data Citra Re-size Citra ROI Re-size citra ROI dilakukan untuk mendapatkan citra berdimensi lebih kecil, dimensi citra yang digunakan adalah 320 x 143 piksel. Gambar citra hasil re-size ditunjukkan pada Gambar Konversi RGB ke Luminace Citra warna tulisan tangan hasil resize pada Gambar 5.3 dilakukan konversi pada citra gray (Y luminace), yaitu dengan memisahkan layer R (Merah), G (Hijau), B (Biru) dan dengan faktor pengali ke piksel ke i,j, dengan Y=0.299*R+0.587*G+0.114*B. Hasil proses RGB ke Gray (Y, luminance) ditunjukkan pada Gambar 5. (a) (b) Gambar 5. (a) Citra Tulisan Tangan dengan dimensi 320 x 143 piksel. (b) Gambar 16 Citra Y Luminance Dekomposisi dengan Metode Wavelet Dekomposisi wavelet 2D orde 1 menghasilkan citra dengan nilai piksel antara 150 hingga 450. Citra hasil dekomposisi wavelet orde 1 ditunjukkan Gambar 6(a). Dekomposisi wavelet 2D orde 2 menghasilkan citra dengan nilai piksel antara 500 hingga 900. Citra hasil dekomposisi wavelet orde 2 ditunjukkan Gambar (c) (d) Gambar 6. (a) Dekomposisi Citra Order 1., (b). Dekomposisi Citra Order 2., (c) Dekomposisi Citra Order 3. (d) Grafik Featur Vektor Tulisan Tangan 4.3 Proses Tiap Tahap Sistem Identifikasi Kematangan Emosional Melalui Tulisan Tangan Sistem identifikasi emosional melalui tulisan tangan dibagi atas dua tahap, yaitu proses ekstraksi ciri dengan vektorisasi dari dekomposisi wavelet orde 3 dan klasifikasi. Pada tahap ekstraksi ciri terdiri atas pra-pengolahan citra, wavelet. Proses ekstraksi ciri diperuntukkan dalam mendapatkan fitur vektor, baik yang digunakan untuk pelatihan maupun pengenalan. Kelompok fitur vektor sesuai dengan tes psikologi ditunjukkan dalam Tabel 1. Tabel 1. ROI 320 x 143 Piksel Citra Tulisan Tangan (Data Pelatihan) ROI Citra Tulisan Tangan 1. Baik 5. Kurang 78
6 2. Baik 6. Kurang 3. Baik 7. Kurang 4. Baik 8. Kurang Sumber : Data sample 4.4 Ujicoba Jaring Saraf Tiruan Proses pengujian Jaring LVQ digunakan parameter yang ditunjukkan pada Tabel 2. Tabel 2. Parameter yang digunakan pada Jaring LVQ Jumlah Pola Masukan 24 Pelatihan Jumlah Pola Masukan 47 Pengujian Jumlah Pola Target 2 Variasi Laju Pelatihan (α) 0,1;0,01;0,001;0,0001 Update Laju Pelatihan = - (dec ) Variasi Pengurangan Laju 0,1; 0,25; 0,5;0,75 Pelatihan (dec α) Minimum Laju Pelatihan 0, yang diharapkan Maksimum Iterasi (epoch) 200 Pengujian dilakukan pada pola-pola baru menggunakan vektor hasil dari masukan data citra tulisan tangan yang baru dengan ukuran 320 x 143 dengan parameter ditunjukkan pada Tabel Unjukkerja Identifikasi Citra Tulisan Tangan Untuk mengetahui unjukkerja identitifikasi tulisan tangan dengan pre-processing menggunakan wavelet dan identifikasi dengan LVQ ditunjukkan pada Tabel 3 sebagai berikut. Penurunan Laju Pelatihan (dec alfa) Tabel 3. Unjukkerja Tulisan Tangan Laju Pelatihan awal (alfa) Iterasi ke Unjukkerja Pengenalan (%) Baik Kurang Komulati f 0,1 0, ,00 42,85 71,42 0, ,00 28,57 64,28 0, ,50 28,57 55,53 0, ,50 57,14 61,32 0,25 0, ,00 28,57 64,28 0, ,00 28,57 64,28 0, ,00 28,57 51,78 0, ,50 57,14 59,82 0,5 0, ,00 28,57 64,28 0, ,50 28,57 63,03 0, ,00 42,85 56,42 0, ,00 57,14 61,07 0,75 0, ,00 28,57 64,28 0, ,00 28,57 59,28 0, ,00 57,14 61,07 0, ,00 57,14 59,57 Sumber : Pengujian. Tabel 3 menunjukkan bahwa unjukkerja identifikasi rata-rata pada laju pelatihan awal 0.1 dan penurunan laju pelatihan 0.1 mencapai % dengan detail unjukkerja identifikasi kematangan emosional Baik dan Kurang masing-masing secara berurutan adalah 100,00% dan 42,85%. V. KESIMPULAN Beberapa kesimpulan yang diambil dari analisa dan pengujian citra tulisan tangan dengan preprocessing awal menggunakan wavelet untuk mengidentifikasi kematangan emosional, ini antar lain: 1. Unjukkerja identifikasi dengan data pelatihan 24 data dan pengujian menggunakan 47 data, perangkat lunak (algoritma) mampu mengidentifikasi dengan rata-rata hingga 71,42% dengan kemampuan identifikasi kematangan emosional Baik dan Kurang secara berurutan masing-masing 100,00% dan 42,85%. 2. Keberhasilan pembelajaran sangat dipengaruhi oleh laju pelatihan awal dan penurunan laju pelatihan. Dalam algoritma sistem ini persentase pengenalan terbaik pada laju pelatihan awal 0.1 dengan penurunan laju pelatihan 0.1 yang mencapai pengenalan rata-rata 71,42 %. VI. DAFTAR PUSTAKA [1] Duda, R., 2000, Pattern Clasification, 2nd, A. Willey-Inter Science Publication. [2] Fausset, Laurence., 1994, Fundamental Of Neural Network, Architectures, Algorithms, And Applicationa, Prentice Hall, Englewood Cliffs. [3] Fredric M. Ham., Kostanic, Ivica., 2001, Prinsiples of Neurocomputing For Science Enginerring, McGraw-Hill. Inc. [4] Machover, Karen., 1987, Proyeksi kepribadian dalam gambar figur manusia (suatu metode pemeriksaaan kepribadian), Universitas Padjadjaran. [5] Munir, Rinaldi, 2004, Pengolahan citra digital dengan pendekatan algoritmik, Infomatika, Bandung. [6] Nicholas V. Swindale and Hans-Ulrich Bauer, Application of Kohonen's self-organizing feature map algorithm to cortical maps of orientation and direction preference, The royal society. [7] Salsabilla., Sausan, 2006., Grafologi Seni Menilai Kepribadian Seseorang Melalui Tulisan Tangan, Image Press. 79
7 [8] Supatman, Eko Mulyanto, Mauridhy H.P., 2007, Identifikasi Tekstur Citra Lidah Menggunakan Metode Gaussian Markov Random Field Untuk Deteksi Dini Penyakit Tifoid, SITIA 2007, ITS, Surabaya [9] Supatman, 2008, Identifikasi Tekstur Citra Bubuk Susu Menggunakan Alihragam Gelombang Singkat Untuk Memprediksi Keaslian Produk Susu, SITIA 2008, ITS, Surabaya [10] Supatman, 2008, Deteksi Citra Sketsa Figur Manusia Dengan Metode Pulse Couppled Neural Network (PCNN) Untuk Memprediksi Daya Tahan Terhadap Stres, Semnas Informatika UPN Veteran Yogyakarta. 80
IDENTIFIKASI CITRA SKETSA FIGUR MANUSIA DENGAN METODE PULSE COUPLED NEURAL NETWORK (PCNN) UNTUK MEMPREDIKSI DAYA TAHAN TERHADAP STRES
IDENTIFIKASI CITRA SKETSA FIGUR MANUSIA DENGAN METODE PULSE COUPLED NEURAL NETWORK (PCNN) UNTUK MEMPREDIKSI DAYA TAHAN TERHADAP STRES Supatman Jurusan Teknik Elektro Universitas Mercu Buana Yogyakarta
Lebih terperinciDETEKSI PENYAKIT KEPALA PERMANEN MELALUI SKETSA FIGUR MANUSIA MENGGUNAKAN PENGOLAHAN CITRA DIGITAL
DETEKSI PENYAKIT KEPALA PERMANEN MELALUI SKETSA FIGUR MANUSIA MENGGUNAKAN PENGOLAHAN CITRA DIGITAL Supatman Jurusan Teknik Elektro - Fakultas Teknik dan Ilmu Komputer Universitas Mercu Buana Yogyakarta
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 terperinciPertemuan 2 Representasi Citra
/29/23 FAKULTAS TEKNIK INFORMATIKA PENGOLAHAN CITRA DIGITAL ( DIGITAL IMAGE PROCESSING ) Pertemuan 2 Representasi Citra Representasi Citra citra Citra analog Citra digital Matrik dua dimensi yang terdiri
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN PROGRAM APLIKASI
BAB 3 ANALISIS DAN PERANCANGAN PROGRAM APLIKASI Bab ini berisi analisis pengembangan program aplikasi pengenalan karakter mandarin, meliputi analisis kebutuhan sistem, gambaran umum program aplikasi yang
Lebih terperinciIMPLEMENTASI METODE SPEED UP FEATURES DALAM MENDETEKSI WAJAH
IMPLEMENTASI METODE SPEED UP FEATURES DALAM MENDETEKSI WAJAH Fitri Afriani Lubis 1, Hery Sunandar 2, Guidio Leonarde Ginting 3, Lince Tomoria Sianturi 4 1 Mahasiswa Teknik Informatika, STMIK Budi Darma
Lebih terperinciAnalisa Hasil Perbandingan Metode Low-Pass Filter Dengan Median Filter Untuk Optimalisasi Kualitas Citra Digital
Analisa Hasil Perbandingan Metode Low-Pass Filter Dengan Median Filter Untuk Optimalisasi Kualitas Citra Digital Nurul Fuad 1, Yuliana Melita 2 Magister Teknologi Informasi Institut Saint Terapan & Teknologi
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Pengenalan Pola Pengenalan pola adalah suatu ilmu untuk mengklasifikasikan atau menggambarkan sesuatu berdasarkan pengukuran kuantitatif fitur (ciri) atau sifat utama dari suatu
Lebih terperinciAlgoritma Kohonen dalam Mengubah Citra Graylevel Menjadi Citra Biner
Jurnal Ilmiah Teknologi dan Informasia ASIA (JITIKA) Vol.9, No.2, Agustus 2015 ISSN: 0852-730X Algoritma Kohonen dalam Mengubah Citra Graylevel Menjadi Citra Biner Nur Nafi'iyah Prodi Teknik Informatika
Lebih terperinciKLASIFIKASI SIDIKJARI DENGAN PEMROSESAN AWAL TRANSFORMASI WAVELET Minarni *
KLASIFIKASI SIDIKJARI DENGAN PEMROSESAN AWAL TRANSFORMASI WAVELET Minarni * Abstrak Penelitian ini membahas sistem klasifikasi sidikjari. Citra sidikjari diproses awal dengan transformasi wavelet sehingga
Lebih terperinciIMPLEMENTASI SEGMENTASI CITRA DAN ALGORITMA LEARNING VECTOR QUANTIZATION (LVQ) DALAM PENGENALAN BENTUK BOTOL
IMPLEMENTASI SEGMENTASI CITRA DAN ALGORITMA LEARNING VECTOR QUANTIZATION (LVQ) DALAM PENGENALAN BENTUK BOTOL Andri STMIK Mikroskil Jl. Thamrin No. 122, 124, 140 Medan 20212 andri@mikroskil.ac.id Abstrak
Lebih terperinciBAB 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 METODE PENELITIAN. menjawab segala permasalahan yang ada dalam penelitian ini.
BAB III METODE PENELITIAN Pada bab ini akan dijelaskan bahan yang digunakan dalam membantu menyelesaikan permasalahan, dan juga langkah-langkah yang dilakukan dalam menjawab segala permasalahan yang ada
Lebih terperinciProgram Aplikasi Komputer Pengenalan Angka Dengan Pose Jari Tangan Sebagai Media Pembelajaran Interaktif Anak Usia Dini
Program Aplikasi Komputer Pengenalan Angka Dengan Pose Jari Tangan Sebagai Media Pembelajaran Interaktif Anak Usia Dini Wawan Kurniawan Jurusan PMIPA, FKIP Universitas Jambi wwnkurnia79@gmail.com Abstrak
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN PROGRAM
BAB 3 ANALISIS DAN PERANCANGAN PROGRAM Program aplikasi ini dirancang dengan menggunakan perangkat lunak Microsoft Visual C# 2008 Express Edition. Proses perancangan menggunakan pendekatan Object Oriented
Lebih terperinciJURNAL TEKNOLOGI INFORMASI & PENDIDIKAN ISSN : VOL. 1 NO. 1 MARET 2010
IDENTIFIKASI SIDIKJARI DENGAN EKSTRAKSI CIRI BERBASIS TRANSFORMASI WAVELET HAAR Minarni 1 ABSTRACT This research investigated a possible fingerprint identification system. The fingerprint images were preprocessed
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Jaringan syaraf tiruan merupakan bidang ilmu yang banyak digunakan dalam melakukan pengenalan pola suatu obyek. Banyak obyek yang dapat digunakan untuk pengenalan pola
Lebih terperinciJurnal Ilmiah Komputer dan Informatika (KOMPUTA) IMPLEMENTASI JARINGAN SYARAF TIRUAN BACKPROPAGATION UNTUK MENGENALI MOTIF BATIK
IMPLEMENTASI JARINGAN SYARAF TIRUAN BACKPROPAGATION UNTUK MENGENALI MOTIF BATIK Fany Hermawan Teknik Informatika Universitas Komputer Indonesia Jl. Dipatiukur 112-114 Bandung E-mail : evan.hawan@gmail.com
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Pada bab ini akan dibahas teori yang berkaitan dengan pemrosesan data untuk sistem pendeteksi senyum pada skripsi ini, meliputi metode Viola Jones, konversi citra RGB ke grayscale,
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1 Tinjauan Pustaka Sebagai tinjauan pustaka, berikut beberapa contoh penelitian telapak kaki yang sudah dilakukan oleh para peneliti yang dapat digunakan sebagai
Lebih terperinciSISTEM 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 terperinciPERANCANGAN PROGRAM PENGENALAN BENTUK MOBIL DENGAN METODE BACKPROPAGATION DAN ARTIFICIAL NEURAL NETWORK SKRIPSI
PERANCANGAN PROGRAM PENGENALAN BENTUK MOBIL DENGAN METODE BACKPROPAGATION DAN ARTIFICIAL NEURAL NETWORK SKRIPSI Oleh Nama : Januar Wiguna Nim : 0700717655 PROGRAM GANDA TEKNIK INFORMATIKA DAN MATEMATIKA
Lebih terperinciPERANCANGAN SISTEM PENGENALAN DAN PENYORTIRAN KARTU POS BERDASARKAN KODE POS DENGAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK
PERANCANGAN SISTEM PENGENALAN DAN PENYORTIRAN KARTU POS BERDASARKAN KODE POS DENGAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK OLEH ARIF MIFTAHU5R ROHMAN (2200 100 032) Pembimbing: Dr. Ir Djoko Purwanto, M.Eng,
Lebih terperinciBAB 2 TINJAUAN TEORETIS
BAB 2 TINJAUAN TEORETIS 2. Citra Digital Menurut kamus Webster, citra adalah suatu representasi, kemiripan, atau imitasi dari suatu objek atau benda. Citra digital adalah representasi dari citra dua dimensi
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Metodologi penelitian adalah sekumpulan peraturan, kegiatan, dan prosedur yang digunakan oleh pelaku suatu disiplin ilmu. Metodologi berisi tahapan-tahapan yang dilakukan
Lebih terperinciBAB 3 PERANCANGAN DAN PEMBUATAN SISTEM
BAB 3 PERANCANGAN DAN PEMBUATAN SISTEM Dalam bab ini akan dibahas mengenai perancangan dan pembuatan sistem aplikasi yang digunakan sebagai user interface untuk menangkap citra ikan, mengolahnya dan menampilkan
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Pada bab ini akan dibahas teori yang berkaitan dengan pemrosesan data untuk sistem pengenalan gender pada skripsi ini, meliputi cropping dan resizing ukuran citra, konversi citra
Lebih 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 terperinciANALISIS DAN PERANCANGAN SISTEM
ANALISIS DAN PERANCANGAN SISTEM 3.1 Analisis Masalah Dalam mengetahui suatu bahan jenis kulit cukup sulit karena bahan jenis kulit memeliki banyak jenis. Setiap permukaan atau tekstur dari setiap jenisnya
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Dalam kehidupan sehari- hari seringkali ditemukan uang palsu pada berbagai transaksi ekonomi. Tingginya tingkat uang kertas palsu yang beredar di kalangan masyarakat
Lebih terperinciPENDETEKSIAN TEPI OBJEK MENGGUNAKAN METODE GRADIEN
PENDETEKSIAN TEPI OBJEK MENGGUNAKAN METODE GRADIEN Dolly Indra dolly.indra@umi.ac.id Teknik Informatika Universitas Muslim Indonesia Abstrak Pada tahap melakukan ekstraksi ciri (feature extraction) faktor
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Citra Digital Citra digital adalah citra yang bersifat diskrit yang dapat diolah oleh computer. Citra ini dapat dihasilkan melalui kamera digital dan scanner ataupun citra yang
Lebih terperinciBAB II TEORI DASAR PENGOLAHAN CITRA DIGITAL
BAB II TEORI DASAR PENGOLAHAN CITRA DIGITAL 2.1 Citra Secara harafiah, citra adalah representasi (gambaran), kemiripan, atau imitasi pada bidang dari suatu objek. Ditinjau dari sudut pandang matematis,
Lebih terperinciSISTEM REKOGNISI KARAKTER NUMERIK MENGGUNAKAN ALGORITMA PERCEPTRON
30 BAB IV SISTEM REKOGNISI KARAKTER NUMERIK MENGGUNAKAN ALGORITMA PERCEPTRON 4.1 Gambaran Umum Sistem Diagram sederhana dari program yang dibangun dapat diilustrasikan dalam diagram konteks berikut. Gambar
Lebih terperinciBAB 3 METODE PENELITIAN
BAB 3 METODE PENELITIAN Tahap 1 : Identifikasi Permasalahan Mencari literatur-literatur yang berhubungan dengan bahan penelitian. Tahap 2 : Pengambilan Data Training : Testing 5 : 1 150 : 30 Dari 10 responden
Lebih terperinciFERY ANDRIYANTO
SISTEM ANALISA IMAGE PROCESSING UNTUK MENCARI KEMIRIPAN PADA TEKSTUR WARNA KULIT MANUSIA MENGGUNAKAN HISTOGRAM WARNA SKRIPSI Oleh : FERY ANDRIYANTO 0734010123 JURUSAN TEKNIK INFORMATIKA FAKULTAS TEKNOLOGI
Lebih terperinciPERANCANGAN DAN PEMBUATAN APLIKASI UNTUK MENDESAIN KARTU UCAPAN
PERANCANGAN DAN PEMBUATAN APLIKASI UNTUK MENDESAIN KARTU UCAPAN Rudy Adipranata 1, Liliana 2, Gunawan Iteh Fakultas Teknologi Industri, Jurusan Teknik Informatika, Universitas Kristen Petra Jl. Siwalankerto
Lebih terperinciBAB III PERANCANGAN SISTEM
BAB III PERANCANGAN SISTEM Dalam pengerjaan perancangan dan pembuatan aplikasi pengenalan karakter alfanumerik JST algoritma Hopfield ini menggunakan software Borland Delphi 7.0. 3.1 Alur Proses Sistem
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN SISTEM
BAB III ANALISIS DAN PERANCANGAN SISTEM Pada bab ini akan dijelaskan mengenai kebutuhan-kebutuhan yang digunakan dalam membuat program ini. Setelah semua kebutuhan selesai di analisa, maka penulis akan
Lebih terperinciBAB 3 ANALISA DAN PERANCANGAN
44 BAB 3 ANALISA DAN PERANCANGAN 3.1 Analisa Analisa yang dilakukan terdiri dari : a. Analisa terhadap permasalahan yang ada. b. Analisa pemecahan masalah. 3.1.1 Analisa Permasalahan Pengenalan uang kertas
Lebih terperinciKOMPRESI CITRA BERWARNA DENGAN ALGORITMA ENHANCED SELF ORGANIZING MAP (ENHANCED SOM)
KOMPRESI CITRA BERWARNA DENGAN ALGORITMA ENHANCED SELF ORGANIZING MAP (ENHANCED SOM) Bambang Trianggono *, Agus Zainal Arifin * Jurusan Teknik Informatika, Fakultas Teknologi Informasi, Institut Teknologi
Lebih terperinciPengenalan Telur Berdasarkan Karakteristik Warna Citra Yustina Retno Wahyu Utami 2)
Pengenalan Telur Berdasarkan Karakteristik Warna Citra Yustina Retno Wahyu Utami 2) ISSN : 1693 1173 Abstrak Pengenalan obyek pada citra merupakan penelitian yang banyak dikembangkan. Salah satunya pengenalan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengenalan Citra Citra adalah suatu representasi (gambaran), kemiripan atau imitasi dari suatu objek. Citra sebagai keluaran suatu sistem perekaman data dapat bersifat optik berupa
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN Bab ini menjelaskan tentang latar belakang, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian, metode penelitian, dan sistematika penulisan dalam penelitian ini.
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN
BAB III ANALISIS DAN PERANCANGAN 3.1 Analisis Sistem Tahapan analisis merupakan tahapan untuk mengetahui dan memahami permasalahan dari suatu sistem yang akan dibuat. Dalam implementasi persamaan Pulse
Lebih terperinciIDENTIFIKASI CITRA BILANGAN DESIMAL 0-9 BERBASIS LEARNING VECTOR QUANTIZATION SECARA REAL TIME
Jurnal POROS TEKNIK, Volume 4, No. 1, Juni 2012 : 24-29 IDENTIFIKASI CITRA BILANGAN DESIMAL 0-9 BERBASIS LEARNING VECTOR QUANTIZATION SECARA REAL TIME Gunawan Rudi Cahyono (1) (1) Staf Pengajar Jurusan
Lebih terperinciBAB III METODOLOGI PENELITIAN. Alat yang digunakan dalam penelitian ini adalah: b. Memori : 8192 MB. c. Sistem Model : Lenovo G40-45
20 BAB III METODOLOGI PENELITIAN 3.1 Alat dan Bahan Penelitian 3.1.1 Alat Alat yang digunakan dalam penelitian ini adalah: a. Hardware a. Prosesor : AMD A8-6410 APU (4 CPUs), ~2.0 GHz b. Memori : 8192
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 terperinciBAB II Tinjauan Pustaka
23 BAB II Tinjauan Pustaka II.1. Pengolahan Citra Digital Citra yang diperoleh dari lingkungan masih terdiri dari warna yang sangat komplek sehingga masih diperlukan proses lebih lanjut agar image tersebut
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Pada saat sekarang ini teknologi komputer telah berkembang pesat. Teknologi komputer ini pada mulanya hanya berkembang dalam teknologi pengolahan data saja. Namun seiring
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Rancangan Penelitian Tulisan Tangan angka Jawa Digitalisasi Pre-Processing ROI Scalling / Resize Shadow Feature Extraction Output Multi Layer Perceptron (MLP) Normalisasi
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengertian Citra Citra adalah suatu representasi (gambaran), kemiripan, atau imitasi suatu objek. Citra sebagai keluaran suatu sistem perekaman data dapat bersifat optik berupa
Lebih terperinciAPLIKASI PENGENALAN DAUN UBI JALAR UNTUK JENIS UBI JALAR UNGU, MERAH, PUTIH DAN KUNING MENGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS
APLIKASI PENGENALAN DAUN UBI JALAR UNTUK JENIS UBI JALAR UNGU, MERAH, PUTIH DAN KUNING MENGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS SKRIPSI Diajukan Untuk Penulisan Skripsi Guna Memenuhi Salah Satu
Lebih terperinciBAB II TINJAUAN PUSTAKA. menggunakan PCA, kemudian penelitian yang menggunakan algoritma Fuzzy C-
8 BAB II TINJAUAN PUSTAKA 2.1 Studi Pendahuluan Sebelumnya telah ada penelitian tentang sistem pengenalan wajah 2D menggunakan PCA, kemudian penelitian yang menggunakan algoritma Fuzzy C- Means dan jaringan
Lebih terperinciBAB 2 LANDASAN TEORI
6 BAB 2 LANDASAN TEORI 2.1. Sel Darah Merah Sel darah merah atau eritrositmemiliki fungsi yang sangat penting bagi kelangsungan hidup manusia. Sel darah merah mengandung hemoglobin yang berfungsi untuk
Lebih terperinciANALISIS METODE MASKING-FILTERING DALAM PENYISIPAN DATA TEKS
ANALISIS METODE MASKING-FILTERING DALAM PENYISIPAN DATA TEKS Efriawan Safa (12110754) Mahasiswa Program Studi Teknik Informatika, STMIK Budidarma Medan Jl. Sisimangaraja No. 338 Simpang Limun www.inti-budidarma.com
Lebih terperinciOleh: Angger Gusti Zamzany( ) Dosen Pembimbing: Dr. Dwi Ratna Sulistyaningrum, S.Si, M.T.
Oleh: Angger Gusti Zamzany(1210100 073) Dosen Pembimbing: Dr. Dwi Ratna Sulistyaningrum, S.Si, M.T. DAFTAR ISI I II III IV V VI PENDAHULUAN TINJAUAN PUSTAKA METODOLOGI PERANCANGAN DAN IMPLEMENTASI PENGUJIAN
Lebih terperinciBAB III METODE PENELITIAN. Desain penelitian untuk pengenalan nama objek dua dimensi pada citra
BAB III METODE PENELITIAN 3.1 Desain Penelitian Desain penelitian untuk pengenalan nama objek dua dimensi pada citra adalah sebagai berikut. Gambar 3.1 Desain Penelitian 34 35 Penjelasan dari skema gambar
Lebih terperinciPengenalan Bahasa Isyarat Tangan Menggunakan Metode PCA dan Haar-Like Feature
Pengenalan Bahasa Isyarat Tangan Menggunakan Metode PCA dan Haar-Like Feature Dosen Pembimbing : 1) Prof.Dr.Ir. Mauridhi Hery Purnomo M.Eng. 2) Dr. I Ketut Eddy Purnama ST., MT. Oleh : ATIK MARDIYANI (2207100529)
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN. 4.1 Pengembangan Sistem Pengenalan Wajah 2D
30 BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1 Pengembangan Sistem Pengenalan Wajah 2D Penelitian ini mengembangkan model sistem pengenalan wajah dua dimensi pada citra wajah yang telah disiapkan dalam
Lebih terperinciBAB 2 LANDASAN TEORI
7 BAB 2 LANDASAN TEORI 2.1 Citra Digital Citra digital merupakan sebuah fungsi intensitas cahaya, dimana harga x dan y merupakan koordinat spasial dan harga fungsi f tersebut pada setiap titik merupakan
Lebih terperinciBAB III METODE PENELITIAN. dan bahan, agar mendapatkan hasil yang baik dan terstruktur. Processor Intel Core i3-350m.
BAB III METODE PENELITIAN 3.1 Alat dan Bahan Untuk menunjang penelitian yang akan dilakukan, maka diperlukan alat dan bahan, agar mendapatkan hasil yang baik dan terstruktur. 3.1.1 Alat Penelitian Adapun
Lebih terperinciBAB III METODE PENELITIAN. ada beberapa cara yang telah dilakukan, antara lain : akan digunakan untuk melakukan pengolahan citra.
BAB III METODE PENELITIAN Untuk pengumpulan data yang diperlukan dalam melaksanakan tugas akhir, ada beberapa cara yang telah dilakukan, antara lain : 1. Studi Kepustakaan Studi kepustakaan berupa pencarian
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 terperinciJURNAL SAINS DAN SENI POMITS Vol. 2, No.1, (2013) 1-6 1
JURNAL SAINS DAN SENI POMITS Vol. 2, No.1, (2013) 1-6 1 Pengenalan Tulisan Tangan Huruf Latin Bersambung Secara Real Time Menggunakan Algoritma Learning Vector Quantization Ulir Rohwana dan M Isa Irawan
Lebih terperinciBAB II LANDASAN TEORI. Pengolahan Citra adalah pemrosesan citra, khususnya dengan menggunakan
BAB II LANDASAN TEORI 2.1. Citra Citra adalah gambar pada bidang dwimatra (dua dimensi). Ditinjau dari sudut pandang matematis, citra merupakan fungsi menerus dan intensitas cahaya pada bidang dwimatra
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Waktu dan Tempat Penelitian Waktu yang digunakan dalam penelitian ini yaitu dalam kurun waktu enam bulan terhitung mulai februari 2012 sampai juli 2012. Tempat yang digunakan
Lebih terperinciPENGOLAHAN CITRA DIGITAL
PENGOLAHAN CITRA DIGITAL Aditya Wikan Mahastama mahas@ukdw.ac.id Sistem Optik dan Proses Akuisisi Citra Digital 2 UNIV KRISTEN DUTA WACANA GENAP 1213 v2 Bisa dilihat pada slide berikut. SISTEM OPTIK MANUSIA
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Citra Digital Gambar atau citra merupakan informasi yang berbentuk visual. Menurut kamus Webster citra adalah suatu representasi, kemiripan atau imitasi dari suatu objek atau
Lebih terperinciSISTEM PENGENALAN WAJAH MENGGUNAKAN NEURO-WAVELET
SISTEM PENGENALAN WAJAH MENGGUNAKAN NEURO-WAVELET Benni Agung Nugroho, Irna Wijayanti dan Agus Widayanti Jurusan Teknik Informatika, Politeknik Kediri e-mail : benni.nugroho@gmail.com Abstrak Sistem pengenalan
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 terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Uang Kertas Rupiah Uang Rupiah Kertas adalah Uang Rupiah dalam bentuk lembaran yang terbuat dari Kertas Uang yang dikeluarkan oleh Bank Indonesia, dimana penggunaannya dilindungi
Lebih terperinciIDENTIFIKASI RAMBU-RAMBU LALU LINTAS MENGGUNAKAN LEARNING VECTOR QUANTIZATION
IDENTIFIKASI RAMBU-RAMBU LALU LINTAS MENGGUNAKAN LEARNING VECTOR QUANTIZATION RULIAH Program Studi Sistem Informasi Sekolah Tinggi Manajemen Informatika dan Komputer Banjarbaru Jl. A. Yani Km. 33,3 Loktabat
Lebih terperinci... BAB 2 LANDASAN TEORI. 2.1 Citra
6 BAB 2 LANDASAN TEORI 2.1 Citra Citra atau image adalah suatu matriks dimana indeks baris dan kolomnya menyatakan suatu titik pada citra tersebut dan elemen matriksnya (yang disebut sebagai elemen gambar
Lebih terperincioleh: M BAHARUDIN GHANIY NRP
oleh: M BAHARUDIN GHANIY NRP. 1202 109 022 Teknologi fotografi pada era sekarang ini berkembang sangat pesat. Hal ini terbukti dengan adanya kamera digital. Bentuk dari kamera digital pada umumnya kecil,
Lebih terperinciPENDAHULUAN. Latar Belakang
Latar Belakang PENDAHULUAN Biometrik adalah ilmu untuk menetapkan identitas seseorang berdasarkan ciri fisik, kimia, ataupun tingkah laku dari orang tersebut. Dewasa ini, biometrik telah menjadi suatu
Lebih terperinciImplementasi Pengenalan Tanda Tangan dengan Menggunakan Metode Backpropagation TUGAS AKHIR
Implementasi Pengenalan Tanda Tangan dengan Menggunakan Metode Backpropagation TUGAS AKHIR Diajukan Oleh : RENDRA FEBRIANTO 0634015068 JURUSAN TEKNIK INFORMATIKA FAKULTAS TEKNOLOGI INDUSTRI UNIVERSITAS
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN 3.1. Penentuan Masalah Penelitian Masalah masalah yang dihadapi oleh penggunaan identifikasi sidik jari berbasis komputer, yaitu sebagai berikut : 1. Salah satu masalah dalam
Lebih terperinciPengenalan Aksara Lampung Menggunakan Jaringan Syaraf Tiruan
Pengenalan Aksara Lampung Menggunakan Jaringan Syaraf Tiruan Adhika Aryantio School of Electrical Engineering and Informatics Institute Technology of Bandung 10th Ganeca Street Bandung, Indonesia. Adhikaaryantio.x6@gmail.com
Lebih terperinciAplikasi Pengenalan Citra Chord Gitar Menggunakan Learning Vector Quantization (LVQ)
95 Aplikasi Pengenalan Citra Chord Gitar Menggunakan Learning Vector Quantization (LVQ) Imam Suderajad *), Tamam Asrori **), Mohammad ***), Dwi Prananto ****) Teknik Elektro, Universitas Panca Marga Email:
Lebih terperinciPerbandingan Antara Metode Kohonen Neural Network dengan Metode Learning Vector Quantization Pada Pengenalan Pola Tandatangan
Jurnal Sains & Matematika (JSM) ISSN Kajian 0854-0675 Pustaka Volume14, Nomor 4, Oktober 2006 Kajian Pustaka: 147-153 Perbandingan Antara Metode Kohonen Neural Network dengan Metode Learning Vector Quantization
Lebih terperinciBAB III PERANCANGAN DAN IMPLEMENTASI SISTEM
BAB III PERANCANGAN DAN IMPLEMENTASI SISTEM Pada bab ini akan dijelaskan mengenai tahapan dan algoritma yang akan digunakan pada sistem pengenalan wajah. Bagian yang menjadi titik berat dari tugas akhir
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA Bab ini membahas landasan teori yang bersifat ilmiah untuk mendukung penulisan penelitian ini. Teori-teori yang dibahas mengenai pengertian citra, jenis-jenis citra digital, metode
Lebih terperinciIMPLEMENTASI PENGOLAHAN CITRA UNTUK MENGHITUNG RESISTANSI RESISTOR MENGGUNAKAN METODE BACK PROPAGATION
IMPLEMENTASI PENGOLAHAN CITRA UNTUK MENGHITUNG RESISTANSI RESISTOR MENGGUNAKAN METODE BACK PROPAGATION Abdi Haqqi An Nazilli 1, Deddy Kusbianto Purwoko Aji 2, Ulla Delfana Rosiani 3 1,2 Teknik Informatika,
Lebih terperinciPENERAPAN METODE SOBEL DAN GAUSSIAN DALAM MENDETEKSI TEPI DAN MEMPERBAIKI KUALITAS CITRA
PENERAPAN METODE SOBEL DAN GAUSSIAN DALAM MENDETEKSI TEPI DAN MEMPERBAIKI KUALITAS CITRA HASNAH(12110738) Mahasiswa Program Studi Teknik Informatika, STMIK Budidarma Medan Jl. Sisingamangaraja No. 338
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Tempat dan Waktu Penelitian Penelitian ini mengambil tempat di Universitas Muhammadiyah Yogyakarta yang berlokasi di Jl. Lingkar Selatan, Kasihan, Bantul, Daerah Istimewa
Lebih terperinciBAB I PENDAHULUAN I.1.
15 BAB I PENDAHULUAN I.1. Latar Belakang Citra merupakan salah satu komponen multimedia yang memegang peranan sangat penting sebagai bentuk informasi visual. Citra mempunyai karakterisitik yang tidak dimiliki
Lebih terperinciPengembangan Algoritma Pengubahan Ukuran Citra Berbasiskan Analisis Gradien dengan Pendekatan Polinomial
Pengembangan Algoritma Pengubahan Ukuran Citra Berbasiskan Analisis Gradien dengan Pendekatan Polinomial Eric Christopher School of Electrical Engineering and Informatics, Institute Technology of Bandung,
Lebih terperinciLANDASAN TEORI. 2.1 Citra Digital Pengertian Citra Digital
LANDASAN TEORI 2.1 Citra Digital 2.1.1 Pengertian Citra Digital Citra dapat didefinisikan sebagai sebuah fungsi dua dimensi, f(x,y) dimana x dan y merupakan koordinat bidang datar, dan harga fungsi f disetiap
Lebih terperinciOleh: Ulir Rohwana ( ) Dosen Pembimbing: Prof. Dr. H. M. Isa Irawan, M.T.
Oleh: Ulir Rohwana (1209 100 702) Dosen Pembimbing: Prof. Dr. H. M. Isa Irawan, M.T. DAFTAR ISI I II III IV V VI PENDAHULUAN TINJAUAN PUSTAKA METODOLOGI PERANCANGAN DAN IMPLEMENTASI HASIL DAN PENGUJIAN
Lebih terperinciANALISIS CONTRAST STRETCHING MENGGUNAKAN ALGORITMA EUCLIDEAN UNTUK MENINGKATKAN KONTRAS PADA CITRA BERWARNA
ANALISIS CONTRAST STRETCHING MENGGUNAKAN ALGORITMA EUCLIDEAN UNTUK MENINGKATKAN KONTRAS PADA CITRA BERWARNA Nurliadi 1 *, Poltak Sihombing 2 & Marwan Ramli 3 1,2,3 Magister Teknik Informatika, Universitas
Lebih terperinciKULIAH 1 TEKNIK PENGOLAHAN CITRA PENGANTAR MATRIKS
KULIAH TEKNIK PENGOLAHAN CITRA PENGANTAR MATRIKS Matriks merupakan sebuah susunan segiempat siku-siku dari bilanganbilangan, dalam baris dan kolom. Bilangan-bilangan tersebut disebut entri atau elemen
Lebih terperinciAnalisis dan Perancangan Transformasi Wavelet. Untuk Jaringan Syaraf Tiruan pada. Pengenalan Sidik Jari
UNIVERSITAS BINA NUSANTARA Jurusan Teknik Informatika Skripsi Sarjana Komputer Semester Genap 2005 / 2006 Analisis dan Perancangan Transformasi Wavelet Untuk Jaringan Syaraf Tiruan pada Pengenalan Sidik
Lebih terperinciDOKUMENTASI ULANG NASKAH BRAILLE MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK
DOKUMENTASI ULANG NASKAH BRAILLE MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK Chairisni Lubis 1, Yoestinus 2 1 Fakultas Teknologi Informasi, Universitas Tarumanagara-Jakarta, Chairisni.fti.untar@gmail.com
Lebih terperinciSEGMENTASI CITRA DIGITAL DENGAN MENGGUNAKAN ALGORITMA WATERSHED DAN LOWPASS FILTER SEBAGAI PROSES AWAL ( November, 2013 )
SEGMENTASI CITRA DIGITAL DENGAN MENGGUNAKAN ALGORITMA WATERSHED DAN LOWPASS FILTER SEBAGAI PROSES AWAL ( November, 2013 ) Pramuda Akariusta Cahyan, Muhammad Aswin, Ir., MT., Ali Mustofa, ST., MT. Jurusan
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 terperinciPENGENAL HURUF TULISAN TANGAN MENGGUNAKAN JARINGAN SARAF TIRUAN METODE LVQ (LEARNING VECTOR QUANTIZATION) By. Togu Sihombing. Tugas Ujian Sarjana
PENGENAL HURUF TULISAN TANGAN MENGGUNAKAN JARINGAN SARAF TIRUAN METODE LVQ (LEARNING VECTOR QUANTIZATION) By. Togu Sihombing Tugas Ujian Sarjana. Penjelasan Learning Vector Quantization (LVQ) Learning
Lebih terperinciSAMPLING DAN KUANTISASI
SAMPLING DAN KUANTISASI Budi Setiyono 1 3/14/2013 Citra Suatu citra adalah fungsi intensitas 2 dimensi f(x, y), dimana x dan y adalahkoordinat spasial dan f pada titik (x, y) merupakan tingkat kecerahan
Lebih terperinci1.2 Rumusan Masalah Berdasarkan latar belakang yang telah dibuat diatas, rumusan masalah yang dapat diambil adalah :
BAB I PENDAHULUAN 1.1 Latar Belakang Tanda tangan adalah sebuah bentuk khusus dari tulisan tangan yang mengandung karakter khusus dan bentuk-bentuk tambahan yang sering digunakan sebagai bukti vertifikasi
Lebih terperinciModel Citra (bag. 2)
Model Citra (bag. 2) Ade Sarah H., M. Kom Resolusi Resolusi terdiri dari 2 jenis yaitu: 1. Resolusi spasial 2. Resolusi kecemerlangan Resolusi spasial adalah ukuran halus atau kasarnya pembagian kisi-kisi
Lebih terperinci