Dibuat oleh : R. C. Tripathi1, Vijay Kumar2

1Department of IT, IMS Noida (U.P.)

2Department of CSE, MIET Meerut (U.P.)

Jurnal ini dapat diunduh di : http://research.ijcaonline.org/iscon/number1/iscon1005.pdf

diperkirakan bahwa lebih dari $ 250 miliar per tahun di seluruh dunia dihabiskan untuk informasi keying dari dokumen kertas dan ini digunakan untuk memasukkan hanya satu persen dari dokumen yang tersedia, sebagian besar biaya adalah tenaga manusia. Pernyataan tersebut merupakan salah satu ide untuk merancang sebuah sistem pengenalan karakter dengan tingkat akurasi 100% . ide ini tercetur karena bahkan manusia tidak mampu mengenali setiap teks tertulis tangan tanpa keraguan. Sebagai contoh, banyak orang bahkan tidak dapat membaca mereka sendiri catatan. Oleh karena itu dibuatlah aplikasi OCR. OCR adalah singkatan dari Optical Character Recognition. teknologi ini memungkinkan mesin untuk secara otomatis mengenali karakter melalui  mekanisme optik. Karena alasan itulah jaringan saraf tiruan dipakai untuk membangun teknologi OCR tersebut.

Ide dasar dari menggunakan fitur diekstraksi untuk melatih jaringan saraf tiruan ini tampaknya bekerja, meskipun tingkat keberhasilan tidak mengesankan, itu bisa saja lebih buruk. Ada beberapa kemungkinan perubahan yang dapat meningkatkan kinerja. Dalam makalah ini pendekatan jaringan saraf dijelaskan di sini menunjukkan kemampuan belajar dan adaptasi dari jaringan saraf. Meskipun kompleksitas komputasi yang terlibat, syaraf tiruan jaringan menawarkan beberapa keunggulan dalam pengenalan pola dan klasifikasi dalam arti meniru manusia adaptif intelijen untuk sebagian kecil.

 

 

 

Dibuat oleh : Abdul Fadlil1, Surya Yeki2

Program Studi Teknk Elektro, Fakultas Teknologi Industri, Universitas Ahmad Dahlan

Jurnal ini dapat diunduh di : http://journal.uad.ac.id/index.php/JIFO/article/view/332

Di zaman sekarang ini teknologi sangatlah berkembang pesat, sehingga peneliti berniat untuk membuat sebuah sistem verifikasi wajah yang mana manfaatnya sangatlah besar untuk kehidupan di masa yang akan datang, salah satu metode yang dapat mewujudkan ide ini adalah learning vector quantization (LVQ) yang merupakan salah satu metode yang terdapat di jaringan saraf tiruan (neural network).

Berbagai pendekatan yang dilakukan pada metode ini adalah :

1. penggunaan template keseluruhan wajah

2. template berbasis ciri

3. warna dan jaringan saraf tiruan.

Analisis untuk kerja sistem untuk mode identifikasi diperoleh melalui proses pengujian menggunakan data pengujian sehingga diperoleh akurasi pengenalan.pada mode verifikasi unjuk kerja sistem dikenal 2 istilah yaitu FRR (False Rejection Rate) dan FAR (False Acceptance Rate). FRR adalah nilai kemungkinan sistem gagal atau menolak pengguna sebenarnya. Sedangkan FAR adalah nilai kemungkinan sistem gagal atau menerima pemalsu.

Setelah semua tahap verifikasi dilakukan maka hasil yang didapatkan adalah sistem verifikasi wajah menggunakan metode ekstraksi SPCA dan teknik pengklafikasianjaringan saraf tiruan Learning Vector Quantization (LVQ) yang telah dibuat dengan baik. Hasil pengujian unjuk kerja sistem didapat rata-rata nilai FRR adalah 0% dan rata-rata nilai FAR adalah 1,55% pada nilai laju pembelajaran 0,1.

Dibuat oleh : Difla Yustisia Qur’ani1, Safrina Rosmalinda2

1Jurusan Teknik Informatika, Fakultas Teknologi Industri,Universitas Islam Indonesia

Jurnal dapat diunduh di : http://journal.uii.ac.id/index.php/Snati/article/viewFile/1950/1725

Jurnal ini menggunakan metode Learning Vector Quantization (LVQ) untuk membuat aplikasi pengideintifikasi tanda tangan. Karena metode ini dirasa memiliki kemampuan untuk melatih pola-pola yang merupakan neural network based on competition. Pada penelitian ini, digunakan pendekatan Jaringan Syaraf Tiruan Learning Vector Quantization  untuk pengenalan tanda tangan yang dikombinasikan dengan Edge Detection Methodpada pengolahan citra tandatangan untuk menandai bagian yang menjadi detil citra tanda tangan.

Pada pengolahan data dilakukan 2 tahap yaitu :

1. Preprocessing

Data yang digunakan dalam penelitian ini adalah sekumpulan citra untuk pembelajaran (learning data set) dan sekumpulan citra untuk pengujian (testing data set) yang diperoleh dari hasil scanning tanda tangan. Citra tanda tangan yang digunakan berukuran 340×272 pixel. Citra tersebut mengalami proses konversi ke  grayscaling jika merupakan citra true color, selanjutnya citra akan dikenai proses deteksi tepi berbasis gradien dengan operator Roberts, yang dilanjutkan dengan proses operasi negasi.

2. Edge Detection Method

Edge detection atau deteksi tepi digunakan untuk melihat apakah suatu  edge  atau tepi melewati atau berada di dekat suatu titik (pixel) dalam sebuah citra (Sigit,dkk.,2005).

Tepi adalah batas antara dua daerah dengan sifat tingkat keabuan yang relatif berbeda. Tujuan dari deteksi tepi adalah menandai bagian yang menjadi detil citra, dan memperbaiki detil citra yang kabur karena  error atau efek proses akuisisi citra

Di jurnal ini dijelaskan bahwa pada jaringan LVQ, pembelajaran atau pelatihan jaringan harus dilakukan terlebih dahulu. Pembelajaran   akan   menyesuaikan   bobot  dengan pola-pola yang dipelajari dari data. Setelah pembelajaran selesai dijalankan, barulah pengujian bias dilakukan. Pengujian dilakukan dengan menghitung jarak antara input pengujian (citra  pengujian yang telah diolah menjadi vektor input) dengan bobot akhir dari masing-masing kelas (output) pemilik tanda tangan. Kelas yang memiliki jarak terdekat dengan vektor input akan menjadi pemenang.

Hasil dalam penelitian ini adalah aplikasi pengenalan tanda tangan menggunakan jaringan syaraf tiruan Learning Vector Quantization yang digunakan untuk melatih sejumlah citra tanda tangan. Pada pengujian, tingkat ketepatan pengenalan tanda tangan sebesar 98%. Terdapat satu citra tanda tangan yang tidak dapat dikenali dengan benar. Kesalahan ini disebabkan oleh perbedaan posisi tanda tangan pada citra.

Dibuat oleh : Tjokorda Agung BW1, I Gede Rudy Hermanto2, Retno Novi D3

1,2,3 Fakultas Teknik Informatika Institut Teknologi Telkom, Bandung

Jurnal dapat diunduh di : http://yudiagusta.files.wordpress.com/2009/11/007-012-knsi09-002-pengenalan-huruf-bali-menggunakan-metode-modified-direction-feature-_mdf_-dan-learning-vector-quantization-_lvq_.pdf

Jurnal ini berisikan tentang mekanisme pengenalan huruf Bali yang dibuat akan menggunakan teknik  Modified Direction Feature (MDF) dan menggunakan Jaringan Saraf Tiruan (Learning Vector Quantization) dalam hal klasifikasinya. Teknik  MDF ini sendiri merupakan teknik hasil pengembangan dari metode Direction Feature (DF). Teknik ini menggabungkan antara teknik DF dan Transition Feature (TF). Perubahan yang terjadi dari DF adalah dalam  hal pembentukan vektor ciri. MDF akan menghasilkan vektor ciri dengan pedoman arah horizontal dan vertikal, kemudian melakukan penggabungan untuk  menghasilkan vektor ciri yang spesifik sehingga akan dapat digunakan untuk mengenali huruf Bali.

Sistem pengenalan huruf Bali yang dibangun memiliki batasan masalah sebagai berikut:

1. Citra pola huruf Bali dengan background putih dan format .jpg atau .bmp diperoleh dengan melakukan proses scanning dari tulisan tangan beberapa responden.

2. Proses preprocessing yang dilakukan pada Citra pola meliputi proses normalisasi ukuran, thinning, cropping, dan threshold (pengubahan menjadi citra biner)

3. Sistem yang dibangun bersifat off-line dan isolated karakter (tidak ada mekanisme segmentasi)

Sistem yang dibangun memiliki 2 tahapan utama yaitu: tahap pembelajaran dengan LVQ dan tahap pengujian akurasi. ilustrasi proses yang dilakukan untuk mekanisme pembelajaran adalah:

• Untuk semua data latih pola huruf Bali lakukan

1. Pembacaan data pola huruf Bali dan pemberian label, dilanjutkan dengan proses pre-processing

2. Ektraksi ciri dengan MDF untuk menghasil vektor ciri

3. Simpan vector ciri ke dalam kumpulan vektor ciri

4. Lanjutkan memproses huruf berikutnya :

• Masukkan kumpulan vektor ciri yang diperoleh ke dalam LVQ, hasil LVQ akan berupa vektor ciri yang telah mengalami proses kuantisasi, dimana jumlah vector ciri akan sama dengan jumlah jenis huruf Bali.

langkah yang dilakukan dalam tahap pengujian meliputi:

• Untuk semua data latih pola huruf Bali lakukan :

o Pembacaan data uji pola huruf Bali dan pemberian label, dilanjutkan dengan proses pre-processing

o Ektraksi ciri dengan MDF untuk menghasil vektor ciri

o Bandingkan vektor ciri yang dihasilkan dengan kumpulan vektor ciri hasil LVQ dengan menhitung jarak Euclediannya. Pilihlah vektor ciri pada LVQ yang memiliki jarak Eucledian terkecil lalu ambil labelnya dan masukkan dalam list label prediksi.

o Lankutkan dengan data uji berikutnya sampai habis

o Bandingkan label hasil LVQ dengan label asli data

o Hitung akurasi

• Setelah semua data uji diperiksa, bandingkan list label prediksi sistem dengan list label yang benar dan hitung persentase kebenaran/kesesuaian hasil prediksi.

Dalam penelitian ini akan dilakukan beberapa pengujian terhadap faktor-faktor yang mempengarui hasil vector ciri dari MDF. Faktor yang akan diujikan dalam penelitian ini meliputi:

1. Ukuran normalisasi Gambar

2. Jumlah transisi dalam MDF

3. Pembagian gambar menjadi beberapa bagian

Berdasarkan percobaan yang telah dilakukan, metode Modified Direction Feature dapat digunakan dalam mengekstraksikan pola yang terdapat pada huruf Bali. Hal ini dapat dilihat dari hasil persentase pengujian yang memiliki tingkat akurasi di atas 70% pada data uji dengan penulis yang berbeda dan di atas 80% dengan penulis yang tulisannya pernah menjadi data training. Tingkat akurasi pada sistem pengenalan huruf Bali menggunakan MDF dan LVQ dipengaruhi oleh ukuran normalisasi, jumlah transisi, dan pembagian wilayah.

Dibuat oleh : Anis Fagustina1, Furqon Al Hakim2, Khoirul Syaifuddin3, Vincent Rudy  Ardita4

Universitas Sebelas Maret

Jurnal dapat diunduh di : http://eagletintin.blogspot.com/2011/07/jst-jurnal-prediksi-penyakit-jantung.html

Algoritma yang digunakan dalam pembahasan permasalahan di jurnal ini adalah Algoritma Jaringan Saraf Tiruan (neural network). Metode yang digunakan adalah Learning Vector Quantization. Learning vector quantizatin adalah Learning Vector Quantization (LVQ) adalah suatu metode untuk melakukan pembelajaran pada lapisan kompetitif yang terawasi. Suatu lapisan kompetitif akan secara otomatis belajar untuk mengklasifikasikan vektor-vektor input. Kelas-kelas yang didapatkan sebagai hasil dari lapisan kompetitif ini hanya tergantung pada jarak antara vektor-vektor input. Jika 2 vektor input mendekati sama, maka lapisan kompetitif akan meletakkan kedua vektor input tersebut ke dalam kelas yang sama.

Pada Sistem Prediksi Penyakit Jantung Koroner ini, rekam medis para pasien yang dirawat di Instalasi Rawat Inap Unit Penyakit Dalam RSUP Dr. Sardjito Yogyakarta dan orang sehat yang melakukan check up dijadikan sebagai metode pengenalan pola dengan menggunakan algoritma Learning Vector Quantization. Sistem diharapkan mampu memprediksi jantung koroner dengan mengenali pola dari 9 inputan yang merupakan faktor – faktor resiko penyakit jantung koroner.

9 inputan yang dijadikan data pedoman untuk mendeteksi resiko penyakit jantung korener adalah umur, jenis kelamin pekerjaan, kadar LDL, kadar kolesterol, kadar HDL, kadar trigliserid, tekanan darah sistolik,tekanan darah diastolik.

Berikut adalah langkah-langkah pemecahan masalah oleh Learning Vector Quantization :

  1. Tentukan bobot, maks.Epoh, learning rate
  2. Masukan inputan dan target
  3. Tetapkan kondisi awal (Epoh = 0)
  4. hitung jika (epoh <makepoh)
  • Epoh = epoh + 1;
  • Kerjakan untuk i=1 sampai n
  • Tentukan j sedmikian rupa  hingga ||x-wj|| minimum sebagai(Cj)
  • Perbaiki wj dengan ketentuan :
  • Jika T = Cj maka :  wj(baru) = wj(lama) + α(x-wj(lama))
  • Jika T != Cj maka : Wj(baru) = wj(lama) + – α(x-wj(lama))
  • Kurangi nilai α

Setelah dilakukan perancangan dan dihitung dengan menggunakan metode LVQ, maka hasil yang didapatkan adalah bahwa Jaringan Syaraf Tiruan yang menggunakan algoritma Learning Vector Quantization yang telah dilatih, mampu mengenali dan membedakan pola orang yang menderita penyakit jantung koroner dan pola orang yang sehat. Dengan tingkat ketepatan 80%, sistem ini diangggap berhasil memprediksi penyakit jantung koroner. Namun, sistem hanya bisa dianggap sebagai pendukung pengambil keputusan saja karena hasil bisa juga dipengaruhi oleh faktor faktor lain yang tidak diperhitungkan dalam sistem ini.

Error yang terdapat di sistem ini sebesar 20%, hal itu disebabkan karena variabel input yang berjumlah 9 unit sel maka idealnya data yang dilatihkan tidak hanya 40 data rekam medis pasien.

 

Hello world!

In: Uncategorized

21 Feb 2013

Welcome to Blog Civitas UPI. This is your first post. Edit or delete it, then start blogging!

About this blog

Lorem ipsum dolor sit amet, consectetuer adipiscing elit. Quisque sed felis. Aliquam sit amet felis. Mauris semper, velit semper laoreet dictum, quam diam dictum urna, nec placerat elit nisl in quam. Etiam augue pede, molestie eget, rhoncus at, convallis ut, eros. Aliquam pharetra.

Photostream

Categories

Archives

  • cheap generic cialis australia: cheap generic cialis australia cheap generic cialis australia [...]
  • hfive555: My brother recommended I may like this web site. He was entirely right. This submit actually made [...]
  • idnpoker: It is not my first time to pay a visit this web site, i am browsing this web site dailly and take g [...]
  • Locksmith: Thanks for sharing your info. I really appreciate your efforts and I will be waiting for your next [...]
  • Dennis Kemnitz: Hey I know this is off topic but I was wondering if you knew of any widgets I could add to my blog t [...]

Archives