BAB VI KESIMPULAN DAN SARAN
A.
an n Kesimpulan Berd dasarkan as analisa te erhad a ap ad a hhasil asil as il ppengamatan e gamatan yang en ng dilakukan pada Berdasarkan terhadap
pengujian, maka maaka dapat dap apat diambil kesimpulann sebagai seba se baggai berikut: ba prosess pengujian, 1..
Me eto tode de Le L arning ng V ector Quan ntization dapa at di ddiimplementasikan implem emen em enta en tasikan ke dalam ta Metode Learning Vector Quantization dapat apli ap lik li kasi smart sm ca calculator sebaga gai metode pengenalan penge genalann karakter. k rakt ka kter ter er. aplikasi sebagai
2..
Berd rdasarkan hasi rd il pe ppercobaan rcobaan n yyang ang dilaku kukkan, maka ddapat apat di ap disi sim si mpulkaan Berdasarkan hasil dilakukan, disimpulkan bahw b ahwaa dengan mengg ggun u akan n 221 1 dataa ppelatihan, elatihan, sistem m ddapat ap pat m enge en genalii ge bahwa menggunakan mengenali pola
denga gan n dengan
pr p esenta tasee presentase
ke eber erha hasilan keberhasilan
te tert rtin inggi tertinggi
(82.35 355%) (82.35%)
ketik ik ka ketika
menggunakan 10 ma maxx ep epoh o . Kemu muddian an untuk 31 data pelat tihan, si sistem m epoh. Kemudian pelatihan, ma m mpu me eng ngen enal en alii po al pola la ddengan engan presen enta en tase ta se kkeberhasilan eber eb erha er hasilan i tertin ngg ggii (85.59 9%) mampu mengenali presentase tertinggi (85.59%) dengan menggunakan 10 ma maxx Ep Epoh. Sedangkan untuk 51 data pelat atih at ihan han an, pelatihan, sistem dapat mengenali pola dengan presentase keberhasi siila lann te ter rtin rtin ingggi keberhasilan tertinggi (87 7.94 94%) 94 %) ddengan enga en gan ga n menggu una naka kann ma ka maxx epoh bbernilai erni er nila ni laii 10 la 0, 20 ddan an 30. 0. Se Sem makin (87.94%) menggunakan 10, Semakin bbanyak ba nyyak k ddata ata pelatihan ya at ang n digun unakan, maka ttingkat un ingk in gkat gk a kkeakuratan eaaku kuratan hasil yang digunakan, pengenalan karakter akann semakin m eningkat. meningkat. 3.
Nilai parameter pada jumlah juumlah da ata pelatihan dan max epoh sangat data mempengaruhi keberhasilann sist stem dalam mengenali pola. Dari hasil st sistem pengujian ahwa semakin banyak data pelatihan yang pengujian, dapat diketahui ba bahwa digunakan, maka tingkat keakuratan sistem dalam mengenali pola akan semakin tinggi. Sedangkan untuk max epoh, dari hasil pengujian
menunjukan bahwa semakin besar nilai max epoh tidak menjamin keberhasilan sistem dalam mengenali pola. Untuk memperoleh nilai max pada da suatu jari inga inga gann LVQ, maka disarankan untuk epoh yang cocok pa jaringan beb berapa percobaan demi menemuka kann kombinasi yang cocok ka melalukan be beberapa menemukan deng gan jumlah data pelatihan pelat atih at han yang yan angg digunakan. an diguuna di n kan. dengan 4.
H asil pengen nalan an kkarakter arakter dipengar uhhi ol oleh eh bbeberapa eberapa faktor eb r, diantaranya Hasil pengenalan dipengaruhi faktor, bent ntuk nt uk ddari ari sample samp mplle mp le pola yang uj uuji, i, ukuran po ola baik da dari ri ssisi i i lebar ma is m upun bentuk pola maupun panj pa njang nj g po ppola, la, da ddan n jarak antarr pola. Semakinn baik k ddan an jjelas ellas bbentuk entuk da en ddari ri panjang samp mple pola, sertaa m mp emiliki uku kuran pola yyang ang standar da an an jugaa jjarak arak anta ar ar sample memiliki ukuran dan antar pola yyang ang baik, ma aka sema akin n besar ar ppula ula tingkat ke kebe berh rh hasillan ssistem istem is pola maka semakin keberhasilan meng gen enal ali pola. dalam mengenali
B.
S ran Sa Saran peneliti tiian yyang ang diperoleh, maka dapat disar ran anka kan ka Berdasarkan hasil penelitian disarankan
bebe be bera be rapa ra pa hal diantaranya : beberapa 11..
Pad da Pada
penge gemb ge mbaangan mb pengembangan
sela se lanj la njut nj utny ut nyaa ny selanjutnya
dapatt
dita di tamb bahk hkan ditambahkan
fitu tu ur fitur
uuntuk ntuk
me m namp mpil mp ilka il kan tahap-tahap da ka ddalam lam pr roses perhitungan n. menampilkan proses perhitungan. 2.
Peningkatan keakuratan sistem ti ida d k hanya dilakukan pada metode tidak pengenalan pola, tetapi juga ppada ada tahap yang mendukung proses pengenalan pola, seperti tahap tah hap seg egmentasi karakter maupun tahap ekstraksi eg segmentasi fitur fitur.
3.
Ekspresi matematika tidak hanya dapat dilakukan secara horizontal, tetapi juga dapat dilakukan secara vertikal (terutama untuk bilangan pecahan).
DAFTAR PUSTAKA
Al-amri, S.S., Kalyankar, Kaly yan ank kar, N.V. & S. D., K., 2010. Image Ima maage Segmentation by Using Thresh sholding Technique sh es. Journal Jour Jo u na n l Off Computing, Com o puting, 2(5) ), pp.83-86. p .83-86. pp Thresholding Techniques. 2(5), Ali, M.A., M.A., Jumari, Jum mari, K.B. K.B B. & Samad,, S.A., 2007. L earningg Vector Q ea u ntization ua Learning Quantization Algo Al gori go rith ri t m ass C th l ssifier for la f A rabic Handwrit ittte tenn Char rac acte ters te rs Recog gni n tion. Algorithm Classifier Arabic Handwritten Characters Recognition. Proceeedings Pr di off the 6th WSE EAS Internation onal Con nfe ferenc nce on App nc pli l ed Proceedings WSEAS International Conference Applied Coomputer Science, pp.239-44. pp . Computer Anifah,, L., Hary An ryan anto t & Purno omo mo, M .H H., 2009. 2009 20 09. Penegnal alan an P lat Mo obi b l In ndo donnesiia Haryanto Purnomo, M.H., Penegnalan Plat Mobil Indonesia menggunakan
Lear Le arni ning ng Learning
V ecto tor Vector
Qu Quan anti tizzation. Quantization.
isika ddan ann Jurnal F Fisika
Apli Ap lika kasi siny nya a, 5( 5(1) 1), pp.1-5. pp.1-5 1 5. Aplikasinya, 5(1), Ar A ianty, R., 2008. Mengkonve ers rsi Notasi N tasi Infix menjadi Notasi Po No ost stif ifx if Arianty, Mengkonversi Postifx Jurn rnaal Ilmiah rn Ilm miah menggunakan Aplikasi Stack pada Struktur Data. Jurnal Infformatik tika dan dan Komputer, Komputter Ko er,, 13 13(3 (3), (3 ), ppp.207-14. p.2207-14 14. 14 Informatika 13(3), Asano, T anaka, H., 2010. In In-placee Algorithm for Conne ctted d Components T.. & T Tanaka, Connected te Recogn tern nition Research. Labeling. Journal of Patt Pattern Recognition Barve, S., 2012. Optical characterr recog gnition using Artificial Neural Network. recognition Advan anced Technology & Engineering Research, an International Journal of Advanced 2(2), pp.139-42.
Chen, C.-R., Tsai, L.-T. & Yang, S.-C., 2010. Supervised Learning Vector Quantization for Projecting Missing Weights of Hierarchical Neural Networks.
AS S WSEWAS
Transactionns Transactions
on
Information
Science
and
Applications nss, 7(6), 7(6), pp.799-808. Applications, Choudharry, A. & Ri Rish shi, R.,, 22011. sh 011. IImproving 01 mpro mp rovi ro ving vi ng the Charact cter ct e Recognition Choudhary, Rishi, Character Efficien enccy of Feed en Fe Forward Forwa ward wa rd BP BP Neural Neur Ne ural Network. Netwo woork r . International Inte ternationall Jo te JJournal urnal of Efficiency Comp Co mput mp u er SScience ut cien ci e ce & Informati ion Technology, 3(1), 3(1) 3( 1 , pp.85-96. 1) pp.8 .855-96 .8 96. 96 Computer Information Guupt pta, a, P., M alik, V. & Gandhi, M ., 2012. IImplementation mplementattio ion of M ultilevvel ve Gupta, Malik, M., Multilevel Thre Th r shold Method for for Digitall Images Im mages Used Used In Medical Image Ima maage g Processing. Pro r ce cess ssing.. ss Threshold I ternatio In iona nall Journal of Adv vanncedd R esearch iin n Co Computer Scien ence en c and nd International Advanced Research Science Engineeri ring ng, 2(2). 2(2) 2( 2). Software Engineering, Guptta, a N. N. & Sharma, Shar Sh arma ar ma, A., A., 2013. 20 A Hybrid Hyybr brid id Approach Apppro roac achh to Optical ac Opt ptic iccal Numeral Numer eral er al Gupta, Recognition.
Internationall
Journal Jo
of
Engineering E
Researc ch Research
&
Te Technology, 2(1), pp.1-6. Kade Ka der, de r, M.F. M.F . . & Deb, Deb, K., K., 2012. 201 012. 2 Neural Neu eura ral Network-Based ra Neetw tworkk-Ba Basedd English Ba Engl En glis gl ishh Alphanumeric Alph Al phan ph anumeric an Kader, In Internat tio ional Journal of Computer Science, Character Recognition. International Applicattions, 2(4), pp.1-10. Engineering and Applications, Jariingan Syaraf Syaraf Tiruan Menggunakan Matlab dan Kusumadewi, 2004. Membuat Jaringan Excel Link. Yogyakarta: Grahaa Ilmu.
Nagare, A.P., 2011. License Plate Character Recognition System using Neural Network. International Journal of Computer Applications, 25(10), pp.3639. Neumann, L. & Matas, J., 20 22012. 12. Real-Time Scene T e t Localization and ex Text Reecognition.. IEEE. IE EEE EE. Recognition. Prab abowo, A., ab A., Sarwoko, Sar arwoko, E. .A. & Riyanto, Riyan nto t , D.E E., 20 2006 0 . Perbandingan 06 Perban ndi ding ngan ng a antar ra Metode Prabowo, E.A. D.E., 2006. antara Koho Ko honen Neur ho N eural a Network den ngan Metode Lea earn nin ingg Ve V ctor ct orr Q uantizzat a ion Kohonen Neural dengan Learning Vector Quantization engenalan n Po P la Tandata tangan. Jurnal al Sauns & M atema mati ma tika ti ka, 14(4 ka 4), padaa P Pengenalan Pola Tandatangan. Matematika, 14(4), pp.1 pp . 47-53. pp.147-53. Rajara aman, S. & Ch Chok okka kalingam m, A. A 0133. C onneccte tedd C omponents L abeling an andd Rajaraman, Chokkalingam, A.,, 20 2013. Connected Components Labeling Extraction Based Int ter erph phas ase Remo oval fr from Chro. nternationa al Journ rnal ooff rn Interphase Removal nternational Journal Bi B o, 5(1) ), pp .81 81-90 90. 90 Bio, 5(1), pp.81-90. Ramadijanti, N., Setiawardhana & Mahsun, M.N.H., 2009. Implem Ra emen em enta en tasi ta Implementasi P Pe ng gollahan h C itra uuntuk itra ntuk nt uk IIdentifikasi d ntifikas de assi Pr Prod oduk od uk K emasan B erda daasa sark rkan rk an L abel Pengolahan Citra Produk Kemasan Berdasarkan Label K Ke maasa san. n. Pr Proc cee eedi ding ooff the 11 di 11th th Ind dus usttriiall El Elec e tr t on onic icss. ic Kemasan. Proceeding Industrial Electronics. Saif, J.A.M., Al-Kubati, A.A.M M. Hazaa, A M., .S. & Al-Moraish, M., 2013. Image A.A.M., A.S. Segmentation Using Edgee Detectionn and Thresholding. International Arab Conference on Information Te T chnnology, no pp.473-76. Technology, S l i E M & F t t A i L i V t Q ti ti Soleiman, E.M. Fetanant, A., 2014 2014. U Using Learning Vector Quantization (LVQ) in Intrusion Detection Systems. International Journal of Innovative Research in Advenced Engineering (IJIRAE), 1(10), pp.15-19.
Tolba, A.S., Elsoud, M.A. & Elnaser, O.A., 2009. LVQ for Hand Gesture Recognition Based on DCT and Projection Features. Journal of Electrical pp. p.20 204-08. 20 Engineering, 60(4), pp.204-08. Umer, M.F. & K hiyal, M.S.H., .,, 2007. Clasification of Text xtua xt u l Documents Using Khiyal, Textual Leearning ar Vec e to or Quan nti tiza zati za tion ion on.. Information I fo In form rmat rm atio at ion Technologyy Journal, 6(1), io Learning Vector Quantization. pp.1544-59 5 . pp.154-59. Wury yan nda dari ri, M.D. ri D. & Afrianto, I., 2012. 201 012. Perbandingan Perbandinga gan Metode Me de Jaringan Jarrin inggan SYaraf SY Yaraf Wuryandari, Tiru uan an Backpro opa pagation dan an Learningg Vector Q u ntiz ua izat iz atio at ion pa io ada d Tiruan Backpropagation Quantization pada Peng Pe ngenalan Wajah. Juenal Juen Ju e al Komputer Koomp mputer dan dan Informatika, Informatika, 1(1), 1(1) 1),, pp.45-51. p .4 pp 45-51 5 . Pengenalan