Hasil Pencarian  ::  Simpan CSV :: Kembali

"Tesis ini membahas algoritma mengenal graf pariti G=(V,E) dan mencari klik terbesarnya, serta implementasinya pada pseudo_code yang diuraikan pada bahasa pemrograman C versi Turbo C. Algoritma ini merupakan algoritma sekuensial yang mengacu pada algoritma paralel 0(log2n) pada n /1og2n prosesor dari [PRZ91].Langkah pertama dari algoritma mengenal graf pariti adalah memilih sembarang verteks u E V sedemikian sehingga bentuk graf G diubah nenjadi himpunan subgraf level per level, dengan u sebagai verteks tunggal di level ke 0. Kemudian langkah berikutnya, hubungan verteks-verteks antar level dibuktikan keparitiannya berdasarkan sifat-sifat graf pariti [PR291]. Sedangkan langkah pertama dari algoritma meneari klik terbesar pada graf pariti adalah membentuk himpunan subgraf yang dibangun dari gabungan komponen di level ke i dengan tetangganya di level ke i-1. Kemudian langkah berikutnya, penentuan klik terbesar dapat dicari dari setiap subgraf tersebut [PRZ91).Hasil pengamatan pada banyaknya iterasi (langkah) dari basil eksekusi program pada 10 sampai dengan 70 verteks untuk 15 bentuk graf, diperoleh kesimpulan bahwa pemilihan verteks u untuk level ke 0 mempengaruhi jumlah iterasi, dan semakin besar jumlah komponen yang terjadi dalam pembuktian keparitian graf semakin besar pula jumlah iterasi yang diperoleh. Hasil pengamatan menunjukkan jumlah iterasi terbesar terjadi pada graf bipartisi lengkap dengan bentuk = level ke 1 berisi n-1- |n/3| verteks, level ke 2 benisi. 1n/31 verteks dan gabungan subgraf level ke 1 dan 2 merupakan bipartisi lengkap (n=|V|). Dengan mengasumsikan bahwa jumlah operasi pada setiap iterasi adalah konstan, maka implementasi algoritma menunjukkan kompleksitas 0(n4)."

"Tesis ini membahas dan menjelaskan mengenai implementasi algoritma Line Hough Transform dan Circular Hough Transform dalam mendeteksikemungkinan keberadaan garis dan lingkaran pada citra karakter numerik dan operator matematika sederhana hasil tulisan tangan. Ciri ini akan digunakan sebagai nilai karakteristik dalam proses pengenalannya dimana proses pengenalanini juga memerlukan validasi terhadap tiap garis dan lingkaran yang ditemukan melalui proses grouping dan trending, baik pada penerapan LHT maupun pada penerapan CHT. Untuk tahap identifikasi perhitungan matematika sederhana setelah proses pengenalan tiap karakternya, memanfaatkan hasil segmentasi objek sehingga posisi suatu karakter dapat diketahui. Penentuan range nilai yang digunakan dalam validasi trend lines dan trend circles LHT dan CHT pada sistem ini dilakukan melalui analisis sejumlah data sampel. Pendeteksian garis dan lingkaran ini juga sangat dipengaruhi oleh nilai threshold yang diberikan sebagainilai ambang batas dalam melakukan voting accumulator array. Dalam penelitian ini, nilai threshold diperoleh dari hasil uji coba dan threshold yang cocok yang diimplementasikan pada sistem merupakan suatu fungsi yang relatif terhadap ukuran segmentasi objek. Penerapan teknik segmentasi dan thinning dalam penelitian ini juga memperkecil effort yang harus dikerjakan oleh sistem pada pemrosesan LHT dan CHT. Hasil pengujian sistem melalui beberapa skenario eksperimen memberikan nilai rata-rata precision untuk uji coba pengenalan karakter-karakter secara individual sebesar 98.13% dan rata-rata recall nya sebesar 94% terhadap 450 citra yang diujikan, sedangkan nilai akurasi untuk ketepatan pengenalan dan perhitungan matematika hasil tulisan tangan diperolehsebesar 90%.

---

This thesis discusses and explains about the implementation of Line Hough Transform and Circular Hough Transform algorithm to detect the possible presence of lines and circles on the handwriting image of numeric characters and

simple math operators. These characteristics will be used as characteristic values in recognition phase where this process also requires validation of each line and each circle that is found through grouping and trending process, either on implementation of LHT or CHT. For identification of simple mathematical calculation phase after recognition process of each character, the results of object segmentation are used to determine the position of characters. The definition of range values that is used in trend lines and trend circles validating process from LHT and CHT in this system was obtained from the analysis of a number of

training data. This lines and circles detection is also heavily influenced by threshold value in voting accumulator array. In this study, the threshold value is obtained from the test results and the match one is implemented in this system as a function relative to the size of the object segmentation. The object segmentation and thinning techniques also minimize the effort on processing LHT and CHT.

The results of testing the system through several experimental scenarios give an average precision value of 98.13% and an average recall value of 94% for individual characters recognition trials on 450 testing images. The accuracy for recognition and identification of mathematical calculation on handwriting images

is 90%."

"Salah satu kemampuan dari komunikasi multimedia adalah melakukan proses pengiriman gambar. Dalam proses tersebut akan sangat banyak membutuhkan ruang pengingat serta kanal transmisi. Pengembangan teknologi telekomunikasi dewasa ini lebih banyak ditujukan untuk lebih mengefisienkan penggunaan ruang pengingat dan saluran (kanal) transmisi yang dipakal. Semakin efisien penggunaan ruang pengingat maka akan semakin meningkat kecepatan pengolahan data dan selanjutnya akan meningkatkan kecepatan pengiriman gambar tersebut. Salah satu cara yang ditempuh untuk meningkatkan efisiensi penggunaan pengingat tersebut adalah dengan memampatkan gambar tersebut sebelum dilakukan proses selanjutnya. Dalam tulisan ini dijelaskan dan dibahas salah satu cara untuk mengefisienkan data image tersebut dengan menggunakan bantuan arsitektur jaringan saraf jenis MLP. Jaringan MLP ini dapat digunakan sebagai salah satu altematif untuk pemampatan data gambar dikarenakan kesederhanaan arsitektur dan imptementasinya. Salah satu tahap yang penting dari keseluruhan proses yang terjadi dalam jaringan MLP ini adalah tahap penentuan bobot-bobot hubungan node-node (simpul) jaringan MLP. Proses penentuan bobot-bobot yang biasa disebut sebagai proses learning dan suatu jaringan saraf, akan sangat berpengaruh terhadap sifat (chi) dan unjuk kerja keseluruhan jaringan MLP. Jika konfigurasi berubah maka secara keseluruhan sifat (ciri) maupun unjuk kerja jaringan tersebut akan berubah pula. Dua buah teknik learning yang banyak digunakan dalam proses learning (optimasi) adalah dengan memanfaatkan konsep backpropagation (BP) (metoda steepest descent) dan konsep Levenberg-Marquadt (LM) (salah satu pendekatan metoda Gauss-Newton). Tulisan ini menyajikan perbandingan unjuk kerja dua buah metoda tersebut dalam proses learning jaringan MLP serta gambar recall yang dihasilkannya. Hasil simulasi program menunjukkan bahwa metoda LM memberikan hasil recall gambar yang lebih bagus (high fidelity Irma recall kecil) serta mempunyai kecepatan konvergensi yang lebih tinggi jika dibandingkan metoda BP (SD).

---

One of the capabilities of the multimedia communication is the image communication. With this service, we will use so many memory spaces and transmission tines. Many of the development in telecommunication technologies are aimed to have the higher efficiency in using the memory spaces. The more efficient we use the memory spaces, the higher speed of the image data processing, and finally we can increase the speed of the image transmission.

One of the technique to have more efficiency in using the memory spaces is by compressing the image data before we stored and transmitted them. In this writing, we discussed one of the techniques for solving the image data compression, especially for still picture, by using the architecture of the neural networks. One of those types for this purpose is Multi Layer Perceptron (MLP). The MLP was choice in this purpose because of the simplicity of the architecture and the implementation.

One of the credal stages of the whole process in the MLP network is configuring the link weights of the nodes in the MLP network. Since the link weights are actually internal parameters associated with each node, changing the weights of the node will alter the behavior of the whole MLP network and then will change the MLP's performances.

There are two methods that often have been used in the learning process, the one was backpropagation (BP) method (steepest descent) and the other one was Levenberg-Marquadt (LM) concept (one of the approximations of the Gauss-Newton method). This writing is presenting the comparison between the performances of the LM method to the BP method in the learning process also the results of the recall pictures. The simulation shows that LM method gives the better image recall (higher fidelity) and has the higher convergence speed in the learning process."