IMPLEMENTASI METODE LEARNING VECTOR QUANTIZATION DALAM APLIKASI HANDWRITING CALCULATOR BERBASIS MOBILE

22094739, Joseph Carlo Kotualubun (2013) IMPLEMENTASI METODE LEARNING VECTOR QUANTIZATION DALAM APLIKASI HANDWRITING CALCULATOR BERBASIS MOBILE. Final Year Projects (S1) thesis, Universitas Kristen Duta Wacana.

	Text (Skripsi Informatika) 22094739_bab1_bab5_daftarpustaka.pdf Download (1MB)
	Text (Skripsi Informatika) 22094739_bab2-sd-bab4_lampiran.pdf Restricted to Registered users only Download (8MB) | Request a copy

Abstract

Jaringan Syaraf Tiruan (JST) merupakan cabang ilmu yang masih berkembang dan menjadi pusat studi dan penelitian. Banyak aplikasi JST yang telah dihasilkan, salah satunya adalah pengenalan pola (pattern recognition). Seiring dengan perkembangan teknologi, pengenalan pola pun dapat diterapkan dalam berbagai macam aplikasi, salah satunya adalah handwriting calculator. Pada kasus ini, JST berfungsi untuk mengenali pola input berupa operand dan operator yang terdapat pada kalkulator. Salah satu metode yang dapat digunakan untuk mengenali pola adalah Learning Vector Quantization (LVQ). Learning Vector Quantization adalah suatu metode pengklasifikasian pola yang mana masing-masing unit output mewakili kategori atau kelas tertentu. LVQ melakukan pembelajaran pada lapisan kompetitif yang terawasi. Lapisan kompetitif akan secara otomatis belajar untuk mengklasifikasikan vektor-vektor input. Kelas-kelas yang diperoleh sebagai hasil dari lapisan kompetitif ini hanya tergantung pada jarak antara vektor-vektor input. Proses pengenalan Karakter ini dimulai dari melalukan preprocessing terhadap citra input berupa proses thresholding, kemudian dilanjutkan ke tahap segmentasi, dan normalisasi karakter. Setelah itu akan dilanjutkan pada proses ekstraksi fitur, yang nantinya akan menghasilkan fitur-fitur dari karakter yang disebut dengan vektor input. Setelah itu akan dilakukan proses pengenalan pola menggunakan metode Learning Vector Quantization. Berdasarkan hasil yang diperoleh, diketahui bahwa dengan menggunakan 30 data pelatihan, sistem dapat mengenali pola dengan persentase keberhasilan sebesar 79.1%. Sedangkan jika menggunakan 60 data pelatihan, sistem dapat mengenali pola dengan persentase keberhasilan sebesar 86.38%. Hasil pengenalan karakter dipengaruhi oleh beberapa faktor, diantaranya bentuk dari sample pola yang uji, ukuran pola baik dari sisi lebar maupun panjang pola, dan jarak antar pola. Semakin baik dan jelas bentuk dari sample pola, dan memiliki ukuran pola yang standar dan juga jarak antar pola yang baik, maka hasil pengenalan pola pun dapat lebih tepat.

Actions (login required)

View Item