Muhamad Fithri Qomari Azizi, 4111409021 (2013) PERBANDINGAN ANTARA METODE BACKPROPAGATION DENGAN METODE LEARNING VECTOR QUANTIZATION (LVQ) PADA PENGENALAN CITRA BARCODE. Under Graduates thesis, Universitas Negeri Semarang.

Preview

PDF (PERBANDINGAN ANTARA METODE BACKPROPAGATION DENGAN METODE LEARNING VECTOR QUANTIZATION (LVQ) PADA PENGENALAN CITRA BARCODE) Download (4MB) | Preview

Abstract

Salah satu cara yang digunakan manusia dalam menyandikan sejumlah data secara khas adalah dengan barcode. Perangkat input yang digunakan untuk membaca barcode membutuhkan posisi sudut barcode yang tepat agar dapat dibaca dan sering juga kita jumpai bahwa kode barcode tersebut mengalami goresan atau kerusakan akibat gesekan dengan benda lain yang mengakibatkan alat pembaca barcode yang biasa tidak dapat mengenali barcode dengan baik. Metode jaringan syaraf tiruan backpropagation dan LVQ merupakan metode yang bisa dipakai untuk pengenalan pola secara tipikal. Permasalahan yang diangkat dalam penelitian ini adalah (1) bagaimana hasil pengenalan citra barcode dengan metode Backpropagation dibandingkan dengan metode LVQ; (2) bagaimana hasil optimal pengenalan citra barcode dengan metode Backpropagation dan LVQ; (3) manakah yang lebih baik antara metode Backpropagation atau metode LVQ. Dalam pengenalan citra barcode metode yang digunakan untuk menganalisis masalah adalah dengan menentukan masalah, studi pustaka, mengumpulkan data-data penelitian, merancang sistem, menguji sistem, membandingan hasil uji dan penarikan kesimpulan. Dari hasil pengujian sistem diperoleh tingkat akurasi sistem dalam mengenali citra barcode sebesar 75,5% untuk backpropagation dan 94% untuk LVQ. Arsitektur jaringan yang paling baik digunakan dalam proses pengenalan citra barcode dengan metode backpropagation adalah dengan variasi jumlah iterasi 1000, learning rate 0,05 dan jumlah neuron hidden layer 100. Sedangkan dengan metode learning vector quantization yaitu dengan variasi jumlah iterasi 10, learning rate 1 dan jumlah neuron hidden layer 20. Arsitektur jaringan tersebut menghasilkan Mean Square Error (MSE) sebesar 6,45x10-28 dengan waktu training 102 detik untuk backpropagation. MSE sebesar 0 dengan waktu training 0,3 detik untuk LVQ. Dari hasil perbandingan, metode learning vector quantization lebih unggul dibandingkan dengan metode backpropagation dalam segi akurasi dan waktu pelatihan. Sistem dalam penelitian ini dibuat hanya untuk pengenalan barcode saja. Disarankan pada penelitian lebih lanjut dapat dikembangkan menjadi klasifikasi barcode. Selain itu peneliti juga menyarankan untuk penilitian selanjutnya dapat dicari metode jaringan syaraf tiruan lain, guna mendapatkan hasil pengenalan barcode yang lebih tepat dan akurat.

Actions (login required)

View Item