PERANGKAT LUNAK PENGKONVERSI TEKS TULISAN TANGAN MENJADI TEKS DIGITAL
|
|
- Widyawati Budiman
- 6 tahun lalu
- Tontonan:
Transkripsi
1 PERANGKAT LUNAK PENGKONVERSI TEKS TULISAN TANGAN MENJADI TEKS DIGITAL Nama Mahasiswa : Achmad Fauzi Arief NRP : Jurusan : Matematika FMIPA-ITS Dosen Pembimbing : Drs. Nurul Hidayat, M.Kom Abstrak Teks digital adalah data yang terdiri dari karakter-karakter yang menyatakan kata-kata untuk berkomunikasi oleh manusia dalam bentuk tulisan di dalam sistem komputer. Di dalam sistem komputer terdapat data-data yang berupa teks, dokumen dan citra. Data-data tersebut dapat diolah dalam berbagai macam perangkat lunak untuk kebutuhan kantor, bisnis dan lain sebagainya. Apabila data yang dibutuhkan dalam kebutuhan kantor, bisnis dan lainnya adalah data teks tulisan tangan berupa citra maka dibuat suatu perangkat lunak yang dapat mengolah data citra tersebut menjadi data teks tulisan berbentuk teks digital. Pada tugas akhir ini akan dibuat suatu perangkat lunak yang dapat mengolah teks tulisan tangan menjadi teks digital. Dalam proses pembuatan perangkat lunak ini menggunakan teks tulisan tangan sebagai citra masukan. Data tersebut diproses dan diwujudkan dalam pengolahan citra dengan proses segmentasi menggunakan thresholding, kemudian hasil dari pengolahan citra dimasukan sebagai input unit pada jaringan syaraf tiruan standart backpropagation yang berfungsi sebagai pengambil keputusan dengan tujuan mengenali teks tulisan tangan tersebut dan selanjutnya diwujudkan dalam bentuk teks digital dalam sistem komputer berkode ASCII. Dari hasil uji coba yang telah dilakukan menunjukkan selama pengambilan data karakter didapat jumlah keseluruhan epoch 64000, jumlah keseluruhan squared error 0, dan jumlah keseluruhan klasifikasi piksel error 5,4930% dengan neuron error 3603 dan jumlah output neuron Dan hasil uji coba pada pengenalan setiap karakter teks menunjukkan prosentasi rata-rata keberhasilan 66,58% dan pengkonversian teks sebesar 50,00%. Kata kunci : Teks Tulisan Tangan, Teks Digital, Pengolahan Citra Digital, Jaringan Syaraf Tiruan Backpropagation. PENDAHULUAN Perkembangan dunia teknologi sangat berpengaruh dalam banyak segi kehidupan manusia apalagi di zaman yang serba modern ini kecanggihan teknologi dapat dimanfaatkan untuk membantu tugas manusia, salah satu aplikasi dari kecanggihan teknologi tersebut adalah komputer. Komputer dengan segala perangkat pendukungnya tersebut (baik hardware maupun software) adalah suatu alat yang dapat melakukan proses-proses tertentu antara lain menghitung, menyimpan data dan lain sebagainya. Apalagi saat ini didukung dengan software-software yang beraneka ragam dan dapat diperoleh dengan mudah. Salah satu pengguna komputer yang cukup diuntungkan adalah kantor-kantor dengan segala kegiatannya antara lain kegiatan kantor, bisnis dan lain sebagainya. Dari ilustrasi tersebut menggambarkan bagaimana mudahnya pekejaan manusia dengan segala fasilitas. Namun kadang pula muncul kesulitan terutama dalam menghadapi data-data yang menumpuk dan tidak dapat mengolahnya dikarenakan suatu hal antara lain data tersebut berupa file gambar (misal berekstensi bitmap) dan secara terpaksa harus diolah dengan mode gambar pula. Dari situlah dicoba untuk membuat perangkat lunak yang dapat mengolah huruf dalam bentuk tulisan tangan yang berasal dari file gambar menjadi tulisan yang berupa teks digital. Dalam pengkonversian suatu tulisan tangan dalam file gambar menjadi suatu tulisan dalam file teks digital maka pembuatan perangkat lunak ini menggunakan pengolahan citra untuk mengolah tulisan dalam bentuk file gambar tersebut dan hasilnya digunakan sebagai masukan dari jaringan syaraf tiruan standart backpropagation dengan fungsi sebagai pengambil keputusan. Sehingga di perlukan suatu perangkat lunak yang dapat dijalankan di komputer dan agar dapat dipakai oleh beberapa user (pengguna) di berbagai tempat maka tugas akhir ini dibuat. Berdasarkan latar belakang diatas maka ada beberapa permasalahan yang dibahas yaitu:
2 bagaimana mendeteksi huruf dalam bentuk teks tulisan tangan yang merupakan objek tersebut, bagaimana membuat perangkat lunak teks tulisan tangan dikonversikan menjadi teks digital dan bagaimana menganalisis hasil yang diperoleh dari pembuatan perangkat lunak teks tulisan tangan menjadi teks digital. Tujuan dari permasalahan ini adalah membuat perangkat lunak untuk mengkonversi teks tulisan tangan dari citra menjadi teks digital. Sedangkan manfaat yang diperoleh dari tugas akhir ini adalah agar dapat digunakan oleh beberapa user (pengguna) untuk mengolah tulisan tangan dalam bentuk file citra menjadi teks digital dalam kode ASCII, sebagai acuan untuk penelitian lain dengan metode yang berbeda dan sebagai pengembangan perangkat lunak bila hasil tidak memuaskan. Dalam permasalahan pembuatan perangkat lunak ini dibatasi oleh hal-hal sebagai berikut:. Citra yang digunakan adalah citra hitam-putih (grayscale) berbentuk tulisan dengan latar belakang berwarna terang dan berekstensi bitmap (*.bmp).. Huruf tipe tulisan berukuran 0 sampai 50 dan kanvas tulis berukuran 00 x 00 piksel dengan huruf alpabet (A sampai Z latin kecil dan kapital), angka numerik (0 sampai 9) dan tanda baca tanya, seru, koma, titik pada sistem. 3. Alat yang digunakan untuk menulis sebuah teks tulisan tangan adalah sebuah mouse pada komputer. 4. Ketebalan pensil untuk tulisan tangan pada sistem berukuran 5 piksel. 5. Metode yang digunakan untuk pengkonversian teks adalah metode jaringan syaraf tiruan Standart Backpropagation. 6. Implementasi yang digunakan untuk membuat pengkonversian teks tulisan tangan menjadi teks digital adalah Borland Delphi 6 Enterprise.. DASAR TEORI.. Definisi Perangkat Lunak Perangkat lunak atau piranti lunak adalah program komputer yang berfungsi sebagai sarana interaksi antara pengguna dan perangkat keras. Perangkat lunak umumnya digunakan untuk mengontrol perangkat keras, melakukan proses perhitungan, berinteraksi dengan perangkat lunak yang lebih mendasar lainnya (seperti sistem operasi, dan bahasa pemrograman) dan lain-lain... Definisi Teks Teks adalah data yang terdiri dari karakter-karakter yang menyatakan kata-kata atau lambang-lambang untuk berkomunikasi oleh manusia dalam bentuk tulisan. Dalam penulisan tugas akhir ini ada dua teks, antara lain:. Teks tulisan tangan, merupakan data yang terdiri dari karakter-karakter yang menyatakan kata-kata untuk berkomunikasi dalam bentuk tulisan tangan manusia.. Teks digital, merupakan data yang terdiri dari karakter-karakter yang menyatakan kata-kata untuk berkomunikasi dalam bentuk tulisan di dalam sistem komputer. Dengan arti lainnya, teks digital adalah suatu jenis penggambaran dari rangkaian karakter pada sistem komputer..3. Pengolahan Citra.3.. Definisi Citra Secara harafiah, citra adalah gambar pada bidang dwimatra (dua dimensi). Ditinjau dari sudut pandang matematis, citra adalah sebuah fungsi intensitas cahaya dua dimensi f(x,y) dimana x adalah posisi baris dan y adalah posisi kolom sedangkan f adalah fungsi intensitas atau kecerahan dari citra pada koordinat (x,y). Pada umumnya citra berbentuk empat persegi panjang dan dimensi ukurannya dinyatakan sebagai (tinggi x lebar). Citra dengan tinggi N piksel, lebarnya M piksel, dan memiliki intensitas f dapat dipresentasikan sebagai suatu matriks yang berukuran N baris dan M kolom sebagai berikut []: f ( 0,0) f ( 0, )... f ( 0, M ) f (, 0) f (, )... f (, M ) f = f ( x, y) =... (.) f ( N, 0) f ( N, )... f ( N, M ) Indeks baris (x) dan indeks kolom (y) menyatakan suatu koordinat titik pada citra. Masing-masing titik (x,y) di citra disebut picture element atau piksel, sedangkan f(x,y) merupakan intensitas (derajat keabuan) pada titik (x,y) []. Citra hitam-putih mempunyai nilai kuantisasi derajat keabuan sampai tingkatan ke- 56 artinya mempunyai skala abu dari 0 sampai 55 atau selang [0, 55] dan citra ini membutuhkan byte (8 bit) untuk representasi setiap pikselnya (56 = 8 ) [] Citra biner adalah citra yang hanya mempunyai dua nilai derajat keabuan: hitam dan putih. Piksel-piksel objek bernilai satu () dan piksel-piksel latar belakang bernilai nol (0). Pada waktu menampilkan gambar, nol (0) adalah putih dan satu () adalah hitam. Jadi pada citra biner, latar belakang berwarna putih sedangkan objek berwarna hitam [].
3 .3.. Koordinat Citra Digital Secara umum, metode yang digunakan untuk menyatakan lokasi dari sebuah citra digital adalah menggunakan koordinat piksel. Representasi bentuk koordinat dalam citra digital sedikit berbeda dengan representasi dalam grafik matematika pada umumnya. Koordinat pusat dalam citra digital berada di sudut kiri atas, seperti yang ditunjukkan pada Gambar.. berikut ini. Gambar.. Koordinat citra digital Aras Titik Operasi pada aras titik hanya dilakukan pada piksel tunggal di dalam citra. Operasi ini terdiri dari pengaksesan piksel pada lokasi yang diberikan, memodifikasinya dengan operasioperasi linear atau nonlinear dan menempatkan nilai piksel baru pada lokasi yang bersesuaian di dalam citra yang baru. Operasi ini diulangi untuk keseluruhan piksel di dalam citra. Secara matematis, operasi pada aras titik dinyatakan sebagai:... f x, y = O { f x, y }...(. ) ( ) ( ) B titik A yang dalam hal ini f A dan f B masing-masing adalah citra masukan dan citra keluaran, O titik dapat berupa operasi linear atau nonlinear Grayscaling Dengan menggunakan mengubah representasi nilai-nilai intensitas komponen RGB (Red, Green, Blue) pada koordinat piksel sebuah citra dapat diubah menjadi citra yang terdiri dari putih dan hitam yang biasanya disebut citra greyscale, dirumuskan sebagai berikut [0]:... Grayscale = 0,99R + 0,587G + 0,4 B....(.3) atau R+ G+ B... Grayscale =...(.4) Threshoding Konversi dari citra hitam-putih menjadi citra biner dilakukan dengan operasi pengambangan (thresholding). Operasi pengambangan mengelompokkan nilai derajat keabuan setiap piksel ke dalam dua kelas, hitam dan putih. Dengan setiap piksel di dalam citra dipetakan dengan dua nilai, satu () atau nol (0) dengan fungsi pengambangan []:,... fg ( i, j) T... f B ( i, j) =...(.5) 0,... lainnya.... dalam hal ini, f g (i,j) adalah citra hitam-putih, f B (i,j) adalah citra biner dan T adalah nilai ambang (threshould) yang dispesifikasikan. Dengan operasi pengambangan tersebut, objek dibuat berwarna gelap ( atau hitam) sedangkan latar belakang terang (0 atau putih) Segmentasi Citra Segmentasi citra merupakan suatu proses yang membagi citra ke dalam beberapa bagian yaitu bagian yang diperlukan dan bagian yang tidak diperlukan oleh sistem. Segmentasi bertujuan mengelompokkan piksel-piksel objek menjadi wilayah (region) yang mempresentasikan objek. Dalam sistem ini, penulis menggunakan segmentasi ke bentuk-bentuk dasar dengan menjadikan huruf ke garis-garis vertikal dan horizontal Cropping Cropping pada pengolahan citra berarti memotong satu bagian dari citra sehingga diperoleh citra yang diharapkan. Ukuran pemotongan citra tersebut berubah sesuai dengan ukuran citra yang diambil. Cropping dilakukan pada koordinat (x,y) sampai pada koordinat (m,n). Oleh karena itu, pertama kali yang harus dilakukan adalah menentukan koordinat-koordinat tersebut. Penulis menyebutnya koordinat X L, Y T, X R dan Y B dimana x memiliki koordinat X L sampai X R (X L < x < X R ) dengan selang [X L, X R ] dan y memiliki koordinat Y T sampai Y B (Y T < y < Y B ) dengan selang [Y T, Y B ] didapat (X L, Y T ) adalah koordinat titik sudut kiri atas dan (X R, Y B ) adalah koordinat titik sudut kanan bawah maka ukuran pemotongan citra dapat dirumuskan sebagai berikut:... w' = ( X ) R XL +... (.6)... h' = ( Y Y ) +...(.7) B.3.8. Normalisasi Normalisasi pada pengolahan citra berarti mentransformasikan citra ke bentuk citra normal yang sesuai dengan kebutuhan. Besar dan kecil ukuran pada citra normalisasi tidak sesuai ukuran yang diambil dari citra semula. Dalam sistem ini, penulis menggunakan penskalaan dari citra semula ke bentuk citra normalisasi. Penskalaan ini tergantung besar dan kecil ukuran pada citra semula artinya tidak berarti apakah citra membesar atau mengecil tergantung ukuran citra semula. Penskalaan citra dirumuskan sebagai berikut []: '... x = S. x......(. 8) x... ' y = Sy. y...( ) T 3
4 .3.9. Ekstraksi Ciri Ekstraksi ciri pada pengolahan citra berarti mengubah nilai-nilai intensitas koordinat piksel yang terdapat dalam citra menjadi susunan kode-kode nilai pada setiap piksel. Dalam sistem ini, penulis mengambil setiap titik koordinat piksel huruf diberi kode satu () untuk warna hitam dan kode minus satu (-) untuk warna putih sesuai dengan fungsi aktivasi pada jaringan syaraf tiruan. Ekstraksi ciri ini di-fungsi-kan sebagai berikut:,... f( i, j) = f ( i, j) = {...(. 0),... f( i, j)... lainnya Jaringan Syaraf Tiruan Dalam tugas akhir ini, menggunakan metode standart backpropagation atau generalized delta rule. Metode ini dikemukakan dan dikembangkan oleh Rumelhart pada tahun 980-an. Metode ini adalah metode gradient descent, merupakan metode untuk meminimalkan total squared error dari output yang dihitung oleh jaringan. Backpropagation merupakan salah satu jaringan yang menggunakan supervised training dengan permasalahan yang menyangkup set input yang diberikan ke set target output yang ditentukan..4.. Arsitektur Jaringan syaraf tiruan multi-layer dengan satu layer pada unit hidden (unit Z) ditunjukkan pada Gambar.. Output unit (unit Y) dan hidden unit juga memiliki bias. Bias pada output unit Y k dilambangkan dengan w 0k, bias pada hidden unit Z j dilambangkan dengan v 0j. Pada fase feedforward hanya satu arah informasi yang mengalir dari operasi. Selama fase backpropagation pada proses learning, sinyal dikirimkan pada arah sebaliknya[]. Gambar.. Jaringan syaraf tiruan backpropagation dengan satu hidden layer..4.. Fungsi Aktivasi Fungsi aktivasi untuk backpropagation memiliki beberapa karakteristik yang penting. Fungsi aktivasi tersebut kontinu, dapat diturunkan dan tidak turun secara monoton. Dalam pembuatan perangkat lunak ini menggunakan fungsi aktivasi sigmoid bipolar, yang mempunyai interval [-,] dan didefenisikan sebagai berikut []:... f ( x) =...(.) + exp dengan ( x)... f' ( x) = [ + f( x) ] f( x)......(.).4.3. Algoritma Training Fungsi aktivasi yang telah dijelaskan sebelumnya dapat digunakan pada algoritma backpropagation yang akan diberikan. Bentuk data (terutama nilai target) adalah faktor penting dalam pemilihan fungsi yang tepat []. Berikut ini adalah algoritma training backpropagation []: Step 0. Inisialisasi nilai bobot dengan nilai acak yang kecil. Step. Selama kondisi berhenti belum terpenuhi, lakukan step - 9. Step. Setiap pasang training, lakukan step 3-8. Feedforward: Step 3. Input unit (X i ) menerima sinyal input (x i ) dan menyebarkan sinyal itu ke hidden layer. Step 4. Setiap hidden unit (Z j ) menjumlahkan hidden input dengan nilai bobot, z_ in = v + xvij n j 0 j i i= Terapkan fungsi aktivasi, z = f( z_ in ) j Dan hasilnya dikirim ke output unit. Step 5. Setiap output unit (Y k,) menjumlahkan output input dengan nilai bobot, y_ in w z w = + jk k 0k j j= Terapkan fungsi aktivasi, yk = f( y_ ink) Backpropagation of error: Step 6. Setiap output unit (Y k ) menerima target pattern yang bersesuaian dengan input pattern, kemudian hitung error, δ k = ( tk yk) f '( y_ ink) Hitung nilai perbaikan bobot, (w jk ), j p 4
5 w = αδ z jk k j Hitung nilai perbaikan bias (w 0k ), w0k = αδk Dan kemudian nilai δ k dikirim ke unit pada layer sebelumnya. Step 7. Setiap hidden unit (Z j ) jumlahkan delta input, δ _ in m j = δkwjk k = Kalikan dengan nilai fungsi turunan aktivasi untuk menghitung error, δ = δ _ in f '( z _ in ) j j j Hitung nilai perbaikan bobot, (v ij ), v = αδ x ij j i Hitung nilai perbaikan bias, (v 0j ), v = αδ 0 j j Update bobot dan bias: Step 8. Setiap output unit (Y k ) memperbaharui bobot dan biasnya: wjk ( baru) = w jk ( lama) + w jk Setiap hidden unit (Z j ) memperbaharui bobot dan biasnya: v ( baru) = v ( lama) + v ij ij ij Step 9. Test Kondisi berhenti. Catatan algoritma training backpropagation: Gradient Descent. Bahwa untuk meningkatkan kecepatan training backpropagation adalah dengan merubah learning rate (α) selama training. Pada dasar Matematika untuk algoritma backpropagation adalah teknik optimasi yang dikenal sebagai gradient descent. Fungsi dari gradient descent adalah untuk mengurangi nilai target atau untuk meminimalkan error berikutnya. Meminimalkan error target fungsi bobot dirumuskan sebagai berikut []:... E = t y... 3) n [ k k]..(. k = Random Initialization. Dan untuk menentukan inisialisasi bobot, bobot awal dicari secara acak (random initialization) dengan nilai antara -0.5 untuk negatif dan 0.5 untuk positif (atau antara - dan atau nilai lainnya sesuai dengan interval) []. Nilai inisialisasi bobot acak pada sistem ini dirumuskan sebagai berikut:... v.. dan.. w = [ Random 0,5][ Input. c]..(.4) ij jk Epoch. Merupakan salah satu siklus perputaran melalui setiap set vektor training []. Hamming Distance. Merupakan jumlah bit yang berbeda dalam dua vektor x dan x pada biner atau bipolar. Penggunaannya untuk setiap pola output unit berkompitisi atau bersaing dalam memberikan nilai yang tepat dalam mengeluarkan hasil output signal yang tepat []. Nilai rata-rata adalah H[ x, x ]...(.5) n 3. ANALISIS SISTEM Tahapan perancangan sistem yang dibangun pada sistem pengkonversi teks tulisan tangan menjadi teks digital pada tugas akhir ini dapat dilihat pada Gambar 3. berikut: Gambar 3.. Diagram alur proses pengkonversian teks. 3.. Analisis Pengelompokan Data 3... Data Masukan Data masukkan dibedakan menjadi dua yaitu data citra referensi untuk sampel huruf dan data citra teks uji untuk pengkonversian teks. Di dalam tulisan tangan manusia, setiap manusia memiliki ciri dan bentuk tersendiri dalam melakukan tulisan maka pembuatan data citra referensi untuk sampel huruf yang digunakan dalam tugas akhir ini adalah data ditulis secara real time atau memilih bentuk tipe tulisan (typewritten) huruf pada sistem komputer. Real time ini diperoleh dengan menulis langsung sebuah huruf dengan menggunakan perangkat keras berupa mouse pada citra tulis berukuran 00 x 00 piksel dengan pensil tulis berwarna hitam dan latar belakang berwarna putih yang menghasilkan citra hitam-putih (Gambar 3.) atau memilih bentuk tipe tulisan huruf diperoleh dari 5
6 sistem komputer yang tersedia dengan ukuran 0 sampai 50. Gambar 3. Tulisan tangan manusia di komputer Sama halnya dengan pembuatan data citra referensi untuk sampel huruf, data citra teks uji ini diperoleh dengan menulis langsung sebuah teks dengan menggunakan perangkat keras berupa mouse (real time) pada citra tulis berukuran 768 x 57 piksel dengan pensil tulis berwana hitam dan latar belakang berwarna putih dan data teks juga bisa diperoleh dari data file eksternal perangkat lunak ini dengan citra hitam-putih berekstensi bitmap (*.bmp), karena menggunakan citra berekstensi bitmap diharapkan citra memiliki kualitas sebenarnya seperti citra asli Data Keluaran Data keluaran yang digunakan dalam tugas akhir ini dibedakan menjadi dua yaitu data hasil citra referensi untuk sampel huruf dan data hasil citra teks uji yang merupakan hasil akhir dari keseluruhan proses berupa teks digital. Data hasil citra referensi berupa nilai bobot dari keseluruhan titik piksel pada setiap pola huruf dari proses training yang akan diujikan pada proses testing menggunakan nilai rata-rata hamming distance pada setiap pola dengan membentuk susunan perbandingan prosentasi ketepatan dalam pengambil keputusan. Data hasil akhir dari keseluruhan proses berupa teks digital. Teks digital dibentuk dari data-data citra referensi yang sudah di-training pada jaringan syaraf tiruan. Data dari proses training akan dicari untuk pengenalan setiap huruf dengan perbandingan prosentasi ketepatan menggunakan nilai rata-rata hamming distance dan akan menghasilkan teks digital dalam sistem komputer berkode ASCII. 3.. Analisis Pengolahan Citra 3... Proses Thresholding Pada proses ini bertujuan untuk mencari nilai bit biner pada koordinat titik setiap piksel yang akan digunakan pada proses segmentasi citra. Pada proses ini hanya dilakukan pada saat proses pengkonversian teks saja. Pada proses ini menggunakan nilai greyscale pada nilai-nilai intensitas komponen RGB dengan operasi thresholding pada persamaan (.5) maka didapat nilai-nilai bit pada koordinat citra biner sudah diketahui, maka proses selanjutnya adalah proses segmentasi citra setiap huruf Proses Segmentasi Citra Setiap Huruf Pada proses ini bertujuan untuk mengeliminasi area-area yang dapat dipastikan bukan merupakan sebuah tulisan. Pada proses ini menggunakan aras titik untuk mendapatkan setiap titik koordinat piksel pada bagian objek dengan mencari titik sudut yang terdiri dari sudut atas, bawah, kiri dan kanan pada tulisan. Dalam melakukan proses segmentasi citra, setiap huruf akan dikenali jika pendeteksian titik sudut menampilkan titik koordinat piksel untuk setiap sudut-sudut huruf. Proses segmentasi citra setiap huruf pada tugas akhir ini ada tiga kriteria tahap untuk pendeteksian titik koordinat piksel dalam pembacaan pada sistem. Proses pendeteksian titik koordinat piksel pada tugas akhir ini ada tiga kriteria tahap untuk mengenali huruf dalam pembacaan pada sistem, antara lain:. Deteksi segmentasi baris, merupakan pendeteksian titik-titik koordinat piksel untuk sudut atas sampai sudut bawah dalam memisahkan semua semua tulisan dengan latar belakang. Seperti yang diilustrasikan pada Gambar 3.3. (b).. Deteksi segmentasi kata, merupakan pendeteksian titik-titik koordinat piksel untuk sudut kiri sampai sudut kanan dengan nilai parameter lebar spasi dalam memisahkan satu per satu kata. Seperti yang diilustrasikan pada Gambar 3.3. (c). 3. Deteksi segmentasi huruf, merupakan pendeteksian titik-titik koordinat sudut kiri, atas, kanan dan bawah dari bagian kata yang sudah dipisahkan dan akan dilakukan pemisahan huruf dari kata. Seperti yang diilustrasikan pada Gambar 3.3. (d). (a) (b) (c) (d) Gambar 3.3. Pendeteksian titik koordinat piksel. a) Citra hitam-putih, b) Deteksi baris, c) Deteksi kata, d) Deteksi huruf Proses Crooping Dan Normalisasi Proses ini merupakan proses memotong satu bagian objek dari citra sehingga diperoleh citra yang berukuran lebih kecil. Pada kasus ini bagian yang akan dipotong adalah bagian objek. Pertama dilakukan pada proses ini adalah dengan mencari koordinat piksel warna putih yang paling
7 dekat dengan koordinat (0,0) dan koordinat (x,y). Dalam tugas akhir ini disebutkan bahwa koordinat (kiri, atas) untuk yang paling mendekati koordinat (0,0) dan koordinat (kanan, bawah) untuk yang paling mendekati koordinat (x,y). Setelah dilakukan proses cropping maka selanjutnya akan dilakukan proses transformasi ke bentuk citra yang normal dibandingkan dengan citra semula. Proses ini disebut dengan proses normalisasi Proses Ekstraksi Ciri Pada proses ini bertujuan untuk mengubah nilai-nilai intensitas koordinat piksel pada citra huruf tersebut menjadi susunan kodekode nilai pada setiap piksel. Dengan menggunakan persamaan (.0), setiap titik-titik koordinat piksel diberi kode satu () untuk warna hitam dan kode minus satu (-) untuk warna putih sesuai dengan fungsi aktivasi pada jaringan syaraf tiruan. Dibawah ini ilustrasi data matriks proses ekstraksi ciri dengan citra beresolusi 0 x 0 piksel, seperti yang ditunjukkan pada Gambar 3.4. berikut ini. Gambar 3.4. Data matrik ekstraksi ciri Analisis Jaringan Syaraf Tiruan Proses Training Proses training ini bertujuan untuk mencari bobot pada setiap pasang. Proses training ini mengambil kode nilai intensitas piksel masingmasing komponen dari proses ekstraksi ciri pada citra untuk perhitungan layer unit dengan fungsi aktivasi tertentu dengan mencari dan memperbaiki bobot pada saat sistem sudah mempunyai kesalahan rata-rata (error) dengan memperoleh total nilai minimal squared error pada output dengan gradient descent yang dihitung oleh setiap pasang data training Proses Testing Setelah dilakukan proses training, maka proses selanjutnya adalah proses testing. Proses ini dilakukan pada saat proses training berakhir dan data dari proses training akan diuji dan diterapkan. Menerapkannya dilakukan hanya menggunakan fase feedforward dengan bobot yang dihasilkan dari algoritma training. 4. UJI COBA PERANGKAT LUNAK Uji coba dilakukan menggunakan berbagai data huruf dan citra teks tulisan yang berbeda dengan maksud untuk mengetahui kemampuan dan kelemahan dari perangkat lunak yang telah dibuat. Uji coba pada tugas akhir ini menggunakan inisialisasi masukan dalam pembuatan data huruf dan pengkonversian teks, antara lain:. Inisialisai pengkonversian teks. B&W Threshold; sebagai nilai ambang warna hitam-putih; dengan 96. Noise Threshold; sebagai nilai ambang derau (noise); dengan 0. Space Width; sebagai lebar spasi pada batas huruf; dengan.. Inisialisasi parameter set training. Learning Rate; sebagai nilai percepatan error training; dengan 0,00. Weights Initialization Factor; sebagai inisialisasi bobot awal; dengan 0,5. Error Threshold; sebagai nilai ambang batas untuk menghitung neuron error training dan untuk menghitung hamming distance pada testing; dengan. Target Classification Error; sebagai nilai batas neuron error; dengan -. Target Squared Error; sebagai nilai batas squared error; dengan 0,0. Maximum Epochs; sebagai nilai batas maksimum perputaran training; dengan Inisialisasi arsitektur jaringan. Input Pattern; sebagai pola masukan pada saat mencari sinyal input layer; dengan tinggi dan lebar citra 0 x 0. Target Pattern; sebagai pola target pada saat mencari sinyal output layer; dengan tinggi dan lebar citra 0 x 0. Number of Input Neuron; sebagai nilai batas input neuron; dengan 400. Number of Hidden Neuron; sebagai nilai batas hidden neuron; dengan 50. Number of Output Neuron; sebagai nilai batas output neuron; dengan Pengambilan Data Uji coba yang dilakukan pada pengambilan data huruf adalah mempersiapkan data huruf yang akan digunakan sebagai proses training, yaitu dengan mempersiapkan citra berotasi dan membuat citra berbentuk pola lainnya secara real time pada setiap huruf /simbol. Rotasi data huruf memiliki beragam arah putaran yang telah dipersiapkan dengan 3 putaran arah, yaitu: 0 0, 5 0 dan Dari pengambilan data huruf dengan data citra yang telah dipersiapkan dan 7
8 dibuat maka menghasilkan jumlah keseluruhan epoch 64000, jumlah keseluruhan squared error 0, dan jumlah keseluruhan klasifikasi piksel error 5,4930% dengan neuron error 3603 dan jumlah output neuron Pengenalan Huruf Pada uji coba pengenalan huruf, jumlah citra masukan yang akan diuji coba sebanyak 640 citra huruf dari pola huruf tulisan tangan secara real time mulai dari huruf A sampai Z, angka 0 sampai 9 dan tanda baca seru, tanya, titik, koma yang akan digunakan sebagai proses testing dengan hamming distance. Dari hasil pengenalan huruf maka dapat dilihat bahwa prosentasi ratarata pengenalan huruf adalah sebesar 66,58% Pengkonversian Teks Uji coba pengkonverian teks ini bertujuan untuk mengenali setiap huruf/simbol pada sistem. Uji coba ini menggunakan citra hitam putih dengan menulis teks secara real time dari perangkat keras berupa mouse atau mengambil citra teks hitam-putih dari file eksternal berekstensi bitmap (*.bmp). Seperti ditampilkan Gambar berikut ini adalah contoh dari pengkonversian teks. (a) (b) Gambar 4.. Citra teks Achmad Fauzi Arief,!?.. a) Teks tulisan tangan, b) Teks digital. Dari Gambar 4.. diatas user menulis teks tulisan tangan Achmad Fauzi Arief,!?. dengan menggerakkan mouse. Citra teks tulisan tangan tersebut dibandingkan dengan vektor-vektor pada setiap pola huruf data citra referensi yang sudah dibuat dan membutuhkan 0 citra huruf. Hasil uji coba pengkonversian teks Achmad Fauzi Arief,.!?. dapat dilihat pada Tabel berikut ini. Tabel 4.. Hasil uji coba citra pengkonversian teks Achmad Fauzi Arief,!?.. 8 Dari tabel diatas maka dapat dilihat bahwa prosentasi pengkonversian teks tulisan tangan Achmad Fauzi Arief,!?. adalah sebesar 50,00%. Dalam penulisan teks tersebut ada yang dikenali oleh sistem, maka penulis akan mencoba menganalisis pada salah satu huruf/simbol yang tidak dikenali oleh sistem. Huruf itu adalah huruf h kecil dikenali sistem huruf i kecil pada teks Achmad Fauzi Arief,!?.. Seperti ditunjukkan pada Gambar 4.. berikut ini. (a) (b) Gambar 4.. Vektor-vektor h kecil dan i kecil. a) Data uji h kecil, b) Data referensi i kecil. Dilihat Gambar 4.. diatas vektor-vektor pada citra uji jelas berbeda dengan citra pada citra referensi, tapi dalam perhitungan backpropagation nilai vektor-vektor huruf h kecil mendapatkan nilai rata-rata hamming distance 7 sebesar, nilai dari huruf h kecil tersebut 400 adalah nilai paling kecil dibanding nilai-nilai huruf/simbol lainnya dan dikenali dengan nilai vektor-vektor huruf i kecil 5. KESIMPULAN DAN SARAN 5.. Kesimpulan Dari implementasi dan uji coba perangkat lunak dapat diperoleh kesimpulan sebagai berikut:. Penggunaan proses training untuk mengambil data referensi bersifat real time dan non real time menghasilkan jumlah keseluruhan epoch 64000, jumlah keseluruhan squared error 0, dan jumlah keseluruhan klasifikasi piksel error 5,4930%.. Penggunaan proses testing menggunakan hamming distance ini dapat dinyatakan cukup baik, hal ini dibuktikan pada total prosentasi rata-rata pengenalan huruf sebesar 66,58% dan pengkonversian teks sebesar 50,00%. 3. Pada saat proses training, perputaran epoch akan berhenti sendiri bila bobot tersebut memiliki bobot yang baik dan bila bobot tersebut belum memiliki bobot yang baik, proses training akan berhenti sendiri dengan batas maksimum epoch yang telah diatur. 4. Besarnya ukuran penulisan huruf mempengaruhi hasil pengkonversian teks dikarenakan pengecilan citra normalisasi dalam mengambil nilai kode satu pada
9 masukan ke input pattern pada saat proses testing. 5. Pembacaan teks pada program ini sebaris, yaitu tulisan sederet dengan barisan huruf yang lain agar tidak bertabrakan dengan barisan huruf lainnya. 6. Pembacaan teks pada program ini satu huruf, yaitu tulisan huruf tidak boleh gandeng karena sistem akan membaca dengan satu huruf. 7. Pengaturan input dan target pattern pada pengkonversian teks disesuaikan dengan input dan target pattern pada pengambilan data huruf. 5.. Saran Berdasarkan uji coba, ada beberapa saran yang perlu dipertimbangkan dalam pengembangan tugas akhir ini yaitu:. Untuk mendapatkan data training yang banyak dan cepat pada saat proses training backpropagation diharapkan menggunakan implementasi yang baik.. Untuk mendapatkan hasil yang baik diharapkan pada inisialisasi parameter dan arsitektur jaringan backpropagation saat proses training diatur dengan baik dan memperbanyak data referensi yang akan digunakan. 3. Ada baiknya melakukan pengembangan perangkat lunak yang terdapat fasilitas tulisan berwarna dan merotasi huruf, sehingga citra dapat masuk ke perangkat lunak ini tanpa harus menggunakan aplikasi lain. Kamera. Tugas Akhir, Jurusan Teknik Elektro, PENS-ITS, Surabaya. [7] Oktavia, N.Y, Zakky, A, Sigit, R, Huda, M. (00). Aplikasi Jaringan Syaraf Tiruan untuk Pengenalan Huruf pada Pengolahan Citra Digital Berbasis Web. Makalah Tugas Pendahuluan Proyek Akhir, Jurusan Telekomunikasi, PENS-ITS, Surabaya. [8] Ni, Dong Xiao. (007). Application of Neural Networks to Character Recognition. Seidenberg School of CSIS, Pace University, White Plains, New York. [9] Mamedov, F, Abu Hasna, J. F. Character Recognition Using Neural Networks. Near East University, North Cyprus, Turkey. [0] Budhi, G.S, Gunawan, I, Jaowry S,. Metode Jaringan Saraf Tiruan Backpropagation untuk Pengenalan Huruf Cetak pada Citra Digital, <URL: user_files/0-030/te-.doc>. DAFTAR PUSTAKA [] Fausett, L. (994). Fundamentals of Neural Network. Prentice-Hall International, Inc., Florida Institut of Technology. [] Munir, Rinaldi. (004). Pengolahan Citra Digital dengan Pendekatan Algoritmik. Informatika, Bandung. [3] Pranata, A. (003). Pemrograman Borland Delphi. Andi Yogyakarta, Jogyakarta. [4] Kristianto, Yusuf. (999). Pembuatan Perangkat Lunak untuk Pengenalan Huruf dengan Jaringan Saraf Tiruan. Tugas Akhir, Jurusan Matematika, ITS, Surabaya. [5] Wardhana, Adhitya Aris. (004). Jaringan Syaraf Tiruan untuk Pengenalan Pola Tulisan Tangan menggunakan Metode Backpropagation dengan Fungsi Aktifasi Sigmoid. Tugas Akhir, Jurusan Fisika, ITS, Surabaya. [6] Susilo, Yosef Herry. (998). Pengenalan Huruf dengan Pengolahan Citra melalui 9
PERANGKAT LUNAK PENGKONVERSI TEKS TULISAN TANGAN MENJADI TEKS DIGITAL
PERANGKAT LUNAK PENGKONVERSI TEKS TULISAN TANGAN MENJADI TEKS DIGITAL Oleh : ACHMAD FAUZI ARIEF 1203 109 007 Dosen Pembimbing : Drs. Nurul Hidayat, M.Kom JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU
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 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 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 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 IV HASIL DAN PEMBAHASAN. Implementasi antar muka dalam tugas akhir ini terdiri dari form halaman
BAB IV HASIL DAN PEMBAHASAN 4.1 Implementasi Antar Muka Implementasi antar muka dalam tugas akhir ini terdiri dari form halaman judul perangkat lunak, form pelatihan jaringan saraf tiruan, form pengujian
Lebih terperinciBAB 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 terperinciBAB III METODE PENELITIAN. Penelitian ini dilaksanakan Februari 2014 sampai dengan Juli 2014 di
BAB III METODE PENELITIAN A. Waktu dan Tempat Penelitian Penelitian ini dilaksanakan Februari 2014 sampai dengan Juli 2014 di Laboratorium Pemodelan Fisika, Jurusan Fisika, Fakultas Matematika dan Ilmu
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN PROGRAM APLIKASI
BAB 3 ANALISIS DAN PERANCANGAN PROGRAM APLIKASI Bab ini berisi analisis pengembangan program aplikasi pengenalan karakter mandarin, meliputi analisis kebutuhan sistem, gambaran umum program aplikasi yang
Lebih terperinciBAB III METODE PENELITIAN. menjawab segala permasalahan yang ada dalam penelitian ini.
BAB III METODE PENELITIAN Pada bab ini akan dijelaskan bahan yang digunakan dalam membantu menyelesaikan permasalahan, dan juga langkah-langkah yang dilakukan dalam menjawab segala permasalahan yang ada
Lebih terperinciBAB 3 METODOLOGI PENELITIAN. a. Spesifikasi komputer yang digunakan dalam penelitian ini adalah
BAB 3 METODOLOGI PENELITIAN 3.1 Alat dan Bahan Penelitian 3.1.1 Alat Penelitian a. Spesifikasi komputer yang digunakan dalam penelitian ini adalah sebagai berikut: 1) Prosesor Intel (R) Atom (TM) CPU N550
Lebih terperinciPenggunaan Jaringan Syaraf Tiruanuntuk Membaca Karakter pada Formulir Nilai Mata Kuliah
Vol. 14, No. 1, 61-68, Juli 2017 Penggunaan Jaringan Syaraf Tiruanuntuk Membaca Karakter pada Formulir Nilai Mata Kuliah La Surimi, Hendra, Diaraya Abstrak Jaringan syaraf tiruan (JST) telah banyak diaplikasikan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini akan dielaskan mengenai teori-teori yang berhubungan dengan penelitian ini, sehingga dapat diadikan sebagai landasan berpikir dan akan mempermudah dalam hal pembahasan
Lebih terperinciBAB III PERANCANGAN SISTEM
BAB III PERANCANGAN SISTEM 3.1 Definisi Masalah Dalam beberapa tahun terakhir perkembangan Computer Vision terutama dalam bidang pengenalan wajah berkembang pesat, hal ini tidak terlepas dari pesatnya
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
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 terperinciPEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK
PEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK Program Studi Matematika FMIPA Universitas Negeri Semarang Abstrak. Saat ini, banyak sekali alternatif dalam
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA Pada bab ini akan membahas landasan teori-teori yang bersifat ilmiah untuk mendukung penulisan skripsi ini. Teknik-teknik yang dibahas mengenai pengenalan pola, prapengolahan citra,
Lebih 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 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 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 III ANALISIS DAN PERANCANGAN
32 BAB III ANALISIS DAN PERANCANGAN Pada bab ini akan dibahas tentang analisis sistem melalui pendekatan secara terstruktur dan perancangan yang akan dibangun dengan tujuan menghasilkan model atau representasi
Lebih terperinciPENERAPAN JARINGAN SYARAF TIRUAN DALAM MEMPREDIKSI TINGKAT PENGANGGURAN DI SUMATERA BARAT
PENERAPAN JARINGAN SYARAF TIRUAN DALAM MEMPREDIKSI TINGKAT PENGANGGURAN DI SUMATERA BARAT Havid Syafwan Program Studi Manajemen Informatika, Amik Royal, Kisaran E-mail: havid_syafwan@yahoo.com ABSTRAK:
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 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 terperinciPenerapan Jaringan Saraf Tiruan Metode Backpropagation Menggunakan VB 6
Penerapan Jaringan Saraf Tiruan Metode Backpropagation Menggunakan VB 6 Sari Indah Anatta Setiawan SofTech, Tangerang, Indonesia cu.softech@gmail.com Diterima 30 November 2011 Disetujui 14 Desember 2011
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 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 terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Barcode Salah satu obyek pengenalan pola yang bisa dipelajari dan akhirnya dapat dikenali yaitu PIN barcode. PIN barcode yang merupakan kode batang yang berfungsi sebagai personal
Lebih terperinciPERBANDINGAN ANTARA METODE KOHONEN NEURAL NETWORK DAN LEARNING VECTOR QUANTIZATION PADA SISTEM PENGENALAN TULISAN TANGAN SECARA REAL TIME
PERBANDINGAN ANTARA METODE KOHONEN NEURAL NETWORK DAN LEARNING VECTOR QUANTIZATION PADA SISTEM PENGENALAN TULISAN TANGAN SECARA REAL TIME Nama Mahasiswa : Asworo NRP : 205 00 077 Jurusan : Matematika FMIPA-ITS
Lebih 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 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 LEARNING VECTOR QUANTIZATION
SISTEM PENGENALAN BARCODE MENGGUNAKAN JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION Nama Mahasiswa : Gigih Prasetyo Cahyono NRP : 1206 100 067 Jurusan : Matematika FMIPA-ITS Dosen Pembimbing : Prof.
Lebih terperinciBAB III METODE PENELITIAN. Tujuan tugas akhir ini akan membangun suatu model sistem yang
BAB III METODE PENELITIAN 3.1 Model Pengembangan Tujuan tugas akhir ini akan membangun suatu model sistem yang melakukan proses data mulai dari pengolahan citra otak hingga menghasilkan output analisa
Lebih terperincilalu menghitung sinyal keluarannya menggunakan fungsi aktivasi,
LAMPIRAN 15 Lampiran 1 Algoritme Jaringan Syaraf Tiruan Propagasi Balik Standar Langkah 0: Inisialisasi bobot (bobot awal dengan nilai random yang paling kecil). Langkah 1: Menentukan maksimum epoch, target
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 terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Rancangan Penelitian Pengerjaan tugas akhir ini ditunjukkan dalam bentuk blok diagram pada gambar 3.1. Blok diagram ini menggambarkan proses dari sampel citra hingga output
Lebih 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 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 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 terperinciPresentasi Tugas Akhir
Presentasi Tugas Akhir Bagian terpenting dari CRM adalah memahami kebutuhan dari pelanggan terhadap suatu produk yang ditawarkan para pelaku bisnis. CRM membutuhkan sistem yang dapat memberikan suatu
Lebih terperinciImplementasi Jaringan Syaraf Tiruan Backpropagation dan Steepest Descent untuk Prediksi Data Time Series
Implementasi Jaringan Syaraf Tiruan Backpropagation dan Steepest Descent untuk Prediksi Data Time Series Oleh: ABD. ROHIM (1206 100 058) Dosen Pembimbing: Prof. Dr. M. Isa Irawan, MT Jurusan Matematika
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 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 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 terperinciSISTEM PENGENALAN WAJAH MENGGUNAKAN WEBCAM UNTUK ABSENSI DENGAN METODE TEMPLATE MATCHING
SISTEM PENGENALAN WAJAH MENGGUNAKAN WEBCAM UNTUK ABSENSI DENGAN METODE TEMPLATE MATCHING Mohamad Aditya Rahman, Ir. Sigit Wasista, M.Kom Jurusan Teknik Elektronika, Politeknik Elektronika Negeri Surabaya
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 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 2 LANDASAN TEORI
6 BAB 2 LANDASAN TEORI 2.1. Sel Darah Merah Sel darah merah atau eritrositmemiliki fungsi yang sangat penting bagi kelangsungan hidup manusia. Sel darah merah mengandung hemoglobin yang berfungsi untuk
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Dalam bab ini dibahas teori yang digunakan sebagai landasan pengerjaan pengenalan kata berdasarkan tulisan tangan huruf Korea (hangūl) menggunakan jaringan saraf tiruan propagasi balik.
Lebih 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 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 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 terperinciKOMPARASI HASIL KLASIFIKASI PENYAKIT DIABETES MELLITUS MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION DAN LEARNING VECTOR QUANTIZATION
Prosiding Seminar Nasional Penelitian, Pendidikan dan Penerapan MIPA, Fakultas MIPA, Universitas Negeri Yogyakarta, 14 Mei 2011 KOMPARASI HASIL KLASIFIKASI PENYAKIT DIABETES MELLITUS MENGGUNAKAN JARINGAN
Lebih terperinciAPLIKASI JARINGAN SARAF TIRUAN UNTUK INVENTARISASI LUAS SUMBER DAYA ALAM STUDI KASUS PULAU PARI
APLIKASI JARINGAN SARAF TIRUAN UNTUK INVENTARISASI LUAS SUMBER DAYA ALAM STUDI KASUS PULAU PARI Putri Khatami Rizki 1), Muchlisin Arief 2), Priadhana Edi Kresnha 3) 1), 2), 3) Teknik Informatika Fakultas
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 II DASAR TEORI. 2.1 Citra Digital
BAB II DASAR TEORI 2.1 Citra Digital Citra digital didefinisikan sebagai fungsi f (x,y) dua dimensi,dimana x dan y adalah koordinat spasial dan f(x,y) adalah disebut dengan intensitas atau tingkat keabuan
Lebih terperinciSISTEM PENGENALAN TULISAN TANGAN REAL TIME MENGGUNAKAN METODE DOMINANT POINT DAN JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION
SISTEM PENGENALAN TULISAN TANGAN REAL TIME MENGGUNAKAN METODE DOMINANT POINT DAN JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION Oleh: Bakhtiar Arifin (1206 100 722) Dosen Pembimbing: Prof. DR. M.
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 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 terperinciPEMANFAATAN NEURAL NETWORK PERCEPTRON PADA PENGENALAN POLA KARAKTER
PEMANFAATAN NEURAL NETWORK PERCEPTRON PADA PENGENALAN POLA KARAKTER Fakultas Teknologi Informasi Universitas Merdeka Malang Abstract: Various methods on artificial neural network has been applied to identify
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Citra Citra (image) sebagai salah satu komponen multimedia memegang peranan sangat penting sebagai bentuk informasi visual. Citra mempunyai karakteristik yang tidak dimiliki oleh
Lebih terperinciBAB 3 METODE PERANCANGAN
BAB 3 METODE PERANCANGAN 3.1 Konsep dan Pendekatan Tujuan utama yang ingin dicapai dalam pengenalan objek 3 dimensi adalah kemampuan untuk mengenali suatu objek dalam kondisi beragam. Salah satu faktor
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 PENGENALAN KARAKTER DENGAN GABUNGAN METODE STATISTIK DAN FCM
BAB 3 PENGENALAN KARAKTER DENGAN GABUNGAN METODE STATISTIK DAN FCM 3.1 Gambaran Umum Gambar 3.1 Gambar Keseluruhan Proses Secara Umum 73 74 Secara garis besar, keseluruhan proses dapat dikelompokkan menjadi
Lebih terperinciBAB II TEORI DASAR PENGOLAHAN CITRA DIGITAL
BAB II TEORI DASAR PENGOLAHAN CITRA DIGITAL 2.1 Citra Secara harafiah, citra adalah representasi (gambaran), kemiripan, atau imitasi pada bidang dari suatu objek. Ditinjau dari sudut pandang matematis,
Lebih terperinciPENGENALAN 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 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 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 terperinciBAB 2 HEMISPHERIC STRUCTURE OF HIDDEN LAYER NEURAL NETWORK, PCA, DAN JENIS NOISE Hemispheric structure of hidden layer neural network
BAB 2 HEMISPHERIC STRUCTURE OF HIDDEN LAYER NEURAL NETWORK, PCA, DAN JENIS NOISE Bab ini akan menjelaskan tentang Hemispheric Structure Of Hidden Layer Neural Network (HSHL-NN), Principal Component Analysis
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 3 PERANCANGAN SISTEM
BAB 3 PERANCANGAN SISTEM 3.1 Perancangan Sistem Neural Network di Matlab Gambar 3.1 Blok Diagram Perancangan Sistem Neural network 3.1.1 Training Neural Network Untuk pelatihan neural network penulis lebih
Lebih terperinciSISTEM BIOMETRIKA IDENTIFIKASI TANDA TANGAN MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN MODEL PERCEPTRON
SISTEM BIOMETRIKA IDENTIFIKASI TANDA TANGAN MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN MODEL PERCEPTRON I Made Gede Sunarya Program Studi Pendidikan Teknik Informatika Fakultas Teknik dan Kejuruan Universitas
Lebih terperinciPERAMALAN JUMLAH KENDARAAN DI DKI JAKARTA DENGAN JARINGAN BACKPROPAGATION
PERAMALAN JUMLAH KENDARAAN DI DKI JAKARTA DENGAN JARINGAN BACKPROPAGATION (Forecast The Number of Vehicle in Jakarta Using Backpropagation Neural Net ) Zumrotus Sya diyah Universitas Darussalam Ambon,
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 terperinciAplikasi Jaringan Saraf Tiruan Sebagai Penterjemah Karakter Braille Ke Bentuk Abjad
The 13 th Industrial Electronics Seminar 2011 (IES 2011) Electronic Engineering Polytechnic Institute of Surabaya (EEPIS), Indonesia, October 26, 2011 Aplikasi Jaringan Saraf Tiruan Sebagai Penterjemah
Lebih terperinciSATIN Sains dan Teknologi Informasi
SATIN - Sains dan Teknologi Informasi, Vol. 2, No., Juni 206 SATIN Sains dan Teknologi Informasi journal homepage : http://jurnal.stmik-amik-riau.ac.id Penerapan Jaringan Syaraf Tiruan Untuk Estimasi Needs
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN DALAM PENGHITUNGAN PERSENTASE KEBENARAN KLASIFIKASI PADA KLASIFIKASI JURUSAN SISWA DI SMA N 8 SURAKARTA
APLIKASI JARINGAN SYARAF TIRUAN DALAM PENGHITUNGAN PERSENTASE KEBENARAN KLASIFIKASI PADA KLASIFIKASI JURUSAN SISWA DI SMA N 8 SURAKARTA Pembimbing: Desi Fitria Utami M0103025 Drs. Y. S. Palgunadi, M. Sc
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 terperinciSATIN Sains dan Teknologi Informasi
SATIN - Sains dan Teknologi Informasi, Vol. 2, No., Juni 206 SATIN Sains dan Teknologi Informasi journal homepage : http://jurnal.stmik-amik-riau.ac.id Jaringan Syaraf Tiruan Peramalan Inventory Barang
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN 3.1. Penentuan Masalah Penelitian Masalah masalah yang dihadapi oleh penggunaan identifikasi sidik jari berbasis komputer, yaitu sebagai berikut : 1. Salah satu masalah dalam
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Citra Citra (image) atau yang secara umum disebut gambar merupakan representasi spasial dari suatu objek yang sebenarnya dalam bidang dua dimensi yang biasanya ditulis dalam
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI. dilakukan oleh para peneliti, berbagai metode baik ekstraksi fitur maupun metode
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2. Penelitian Terdahulu Beberapa penelitian mengenai pengenalan tulisan tangan telah banyak dilakukan oleh para peneliti, berbagai metode baik ekstraksi fitur
Lebih terperinciARTIFICIAL NEURAL NETWORK TEKNIK PERAMALAN - A
ARTIFICIAL NEURAL NETWORK CAHYA YUNITA 5213100001 ALVISHA FARRASITA 5213100057 NOVIANTIANDINI 5213100075 TEKNIK PERAMALAN - A MATERI Neural Network Neural Network atau dalam bahasa Indonesia disebut Jaringan
Lebih terperinciTINJAUAN PUSTAKA ,...(1)
3 TINJAUAN PUSTAKA Dalam bab ini akan dibahas teori-teori yang mendasari penelitian ini. Dimulai dari teori dan konsep citra digital, deteksi pola lingkaran dengan Circle Hough Transform (CHT), ekstrasi
Lebih terperinciIV. RANCANG BANGUN SISTEM. Perangkat lunak bantu yang dibuat adalah perangkat lunak yang digunakan untuk
IV. RANCANG BANGUN SISTEM 4.1 Analisis dan Spesifikasi Sistem Perangkat lunak bantu yang dibuat adalah perangkat lunak yang digunakan untuk menyisipkan label digital, mengekstraksi label digital, dan dapat
Lebih terperinciADLN - PERPUSTAKAAN UNIVERSITAS AIRLANGGA BAB III METODE PENELITIAN. Penelitian ini dilakukan dalam kurung waktu setahun.
BAB III METODE PENELITIAN 3.1 Tempat dan Waktu Pelaksanaan Penelitian dilaksanakan di Laboratorium Intrumentasi Medis Departemen Fisika, Fakultas Sains dan Teknologi Universitas Airlangga. Lokasi pengambilan
Lebih terperinciAPLIKASI PENGENALAN PLAT NOMOR KENDARAAN BERMOTOR MENGGUNAKAN METODE LEARNING VECTOR QUANTIZATION
APLIKASI PENGENALAN PLAT NOMOR KENDARAAN BERMOTOR MENGGUNAKAN METODE LEARNING VECTOR QUANTIZATION Hamsina 1, Evanita V Manullang 1, Program Studi Teknik Informatika, Fakultas Ilmu Komputer dan Manajemen,
Lebih 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 terperinciPENERAPAN METODE MOST SIGNIFICANT BIT UNTUK PENYISIPAN PESAN TEKS PADA CITRA DIGITAL
Pelita Informatika Budi Darma, Volume : IV, Nomor:, Agustus 23 ISSN : 23-9425 PENERAPAN METODE MOST SIGNIFICANT BIT UNTUK PENYISIPAN PESAN TEKS PADA CITRA DIGITAL Harry Suhartanto Manalu (9259) Mahasiswa
Lebih terperinciBAB III METODE PENELITIAN. Pemotong an Suara. Convert. .mp3 to.wav Audacity. Audacity. Gambar 3.1 Blok Diagram Penelitian
BAB III METODE PENELITIAN 3.1 Model Penelitian Penelitian yang dilakukan dapat dijelaskan melalui blok diagram seperti yang terlihat pada Gambar 3.1. Suara Burung Burung Kacer Burung Kenari Pengambil an
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 terperinciAPLIKASI JARINGAN SYARAF TIRUAN PADA PENGENALAN POLA TULISAN DENGAN METODE BACKPROPAGATION
APLIKASI JARINGAN SYARAF TIRUAN PADA PENGENALAN POLA TULISAN DENGAN METODE BACKPROPAGATION Alvama Pattiserlihun, Andreas Setiawan, Suryasatriya Trihandaru Program Studi Fisika, Fakultas Sains dan Matematika,
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 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 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 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 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 terperinciWAVELET -JARINGAN SYARAF TIRUAN UNTUK PREDIKSI DATA TIME SERIES
J. Math. and Its Appl. ISSN: 1829-605X Vol. 4, No. 2, November 2007, 53 64 WAVELET -JARINGAN SYARAF TIRUAN UNTUK PREDIKSI DATA TIME SERIES Daryono Budi Utomo Jurusan Matematika FMIPA Institut Teknologi
Lebih terperinci