eprintid: 3359
rev_number: 13
eprint_status: archive
userid: 32
dir: disk0/00/00/33/59
datestamp: 2020-11-11 06:53:09
lastmod: 2020-11-11 06:53:09
status_changed: 2020-11-11 06:53:09
type: thesis
metadata_visibility: show
contact_email: repository@staff.ukdw.ac.id
creators_name: 22094667, BRIAN WINDU PRAJA
creators_id: brianwindupraja@gmail.com
contributors_type: http://www.loc.gov/loc.terms/relators/THS
contributors_type: http://www.loc.gov/loc.terms/relators/THS
contributors_name: Suwarno, Sri
contributors_name: Purwanto, Erick
corp_creators: Universitas Kristen Duta Wacana
title: MENGUKUR KEMAMPUAN PCA PADA BACKPROPAGATION DAN SELF ORGANIZING MAP DALAM KASUS PENGENALAN HURUF KOREA
ispublished: pub
subjects: QA75
subjects: QA76
divisions: tek_informatika
full_text_status: restricted
keywords: Principal Component Analysis, Self Organizing Map,
Backpropagation, citra grayscale, citra black and white, eigen value, eigen vecktor.
abstract: Proses komputasi yang lambat menjadi masalah dalam pengenalan pola dengan data yang komplek. Huruf Korea merupakan contoh kasus yang terdiri dari 40 karakter yang mempunyai tingkat kemiripan yang tinggi. Dengan preprocessing PCA (Principal Component Analysis) data yang mempunyai kemiripan akan dihilangkan, dengan harapan data menjadi lebih sederhana untuk diolah lebih lanjut. PCA sebagai preprocessing akan dikombinasikan dengan Backpropagation dan SOM (Self Organizing Map) untuk melakukan pelatihan agar pola dapat dikenali. Tahap pertama dalam pengenalan huruf Korea adalah tahap normalisasi, yang terdiri dari pengubahan citra ke citra grayscale dan black and white kemudian resize. Pengenalan huruf Korea ini menggunakan beberapa metode, yaitu : preprocessing PCA untuk mengurangi dimensi citra latih, SOM untuk melakukan pelatihan terhadap pola uji berdasarkan clustering, Backpropagation untuk melakukan metode pelatihan dengan target. Uji coba sistem dilakukan dengan 2 macam percobaan. Pertama, pengujian dilakukan dengan data yang pernah dilatih untuk memastikan sistem berjalan dengan benar. Kedua, pengujian dilakukan dengan data uji yang belum pernah mendapatkan pelatihan sebelumnya. Hasil dari penelitian ini, preprocessing PCA berpengaruh terhadap waktu pelatihan yang menjadi lebih cepat. Namun demikan dalam hal akurasi kombinasi yang terbaik adalah PCA dengan Backpropagation. Hal ini terjadi karena adanya beberapa faktor, seperti : terlalu banyak kemiripan yang tidak bisa diatasi oleh clustering SOM dan varian data latih yang terbatas.
date: 2014-02
date_type: published
pages: 58
institution: Universitas Kristen Duta Wacana
department: Informatika
thesis_type: skripsi
thesis_name: other
citation:   22094667, BRIAN WINDU PRAJA  (2014) MENGUKUR KEMAMPUAN PCA PADA BACKPROPAGATION DAN SELF ORGANIZING MAP DALAM KASUS PENGENALAN HURUF KOREA.  Bachelor thesis, Universitas Kristen Duta Wacana.   
document_url: https://katalog.ukdw.ac.id/3359/1/22094667_Bab1_Bab5_Daftarpustaka.pdf
document_url: https://katalog.ukdw.ac.id/3359/2/22094667_Bab2-sd-Bab4_Lampiran.pdf