PENGENALAN SIMBOL MATEMATIKA MENJADI NOTASI LATEX MENGGUNAKAN METODE BACKPROPAGATION

71110054, STEVEN RENALDO ANTONY (2015) PENGENALAN SIMBOL MATEMATIKA MENJADI NOTASI LATEX MENGGUNAKAN METODE BACKPROPAGATION. Bachelor thesis, Universitas Kristen Duta Wacana.

[img] Text (Skripsi Informatika)
71110054_bab1_bab5_daftarpustaka.pdf

Download (860kB)
[img] Text (Skripsi Informatika)
71110054_bab2-sd-bab4_lampiran.pdf
Restricted to Registered users only

Download (4MB) | Request a copy

Abstract

Sebagian orang sering kesulitan dalam membuat dokumen digital yang membutuhkan penulisan simbol matematika seperti dokumen jurnal atau karya ilmiah. Untuk mempermudah itu, maka dapat digunakan notasi LaTeX. Namun ternyata tidak semua orang mengerti tentang notasi LaTeX dan sebagian orang yang telah mengerti tentang notasi LaTeX ternyata tidak semua dapat menghafal notasi LaTeX dari semua simbol matematika yang ada. Berdasarkan permasalahan di atas, penulis berinisiatif membangun sebuah perangkat lunak dan melakukan penelitian untuk mengidentifikasi pola-pola simbol matematika secara otomatis khususnya simbol matematika yang di gambar pada kanvas smartphone. Perangkat lunak ini dibangun di atas sistem operasi Android dan menggunakan metode seperti Thresholding, Nearest Neighbor untuk resize citra dan Backpropagation untuk proses pelatihan maupun pengenalannya. Dalam penelitian ini, pola simbol yang digunakan sebagai sampel data merupakan kumpulan dari simbol Greek Letters. Data yang digunakan berasal dari 25 responden dengan masing-masing 41 simbol dari tiap responden. Kemudian data tersebut dianalisis menggunakan metode K-Fold Cross Validation. Dari penelitian tersebut, hasil pengujian dengan menggunakan metode Backpropagation diperoleh tingkat akurasi tertinggi sebesar 73% dengan menggunakan 400 neuron pada input layer, 130 neuron pada hidden layer dan nilai learning rate sebesar 0,5. Selain itu, didapatkan pula hasil nilai true error atau nilai rata – rata eror dengan menggunakan jumlah neuron pada hidden layer = 110 dan 130 adalah 0,308 dan untuk jumlah neuron pada hidden layer = 150 adalah 0,296.

Item Type: Thesis (Bachelor)
Uncontrolled Keywords: LaTeX, Simbol Matematika, Backpropagation, K-Fold Cross Validation
Subjects: Q Science > QA Mathematics
Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Q Science > QA Mathematics > QA76 Computer software
Divisions: Fakultas Teknologi Informasi > Prodi Informatika
Depositing User: ms Dominggas Yembise
Date Deposited: 11 Jun 2020 02:29
Last Modified: 11 Jun 2020 02:29
URI: http://katalog.ukdw.ac.id/id/eprint/2578

Actions (login required)

View Item View Item