Pengenalan Pola Huruf Arab Tulis Tangan Menggunakan Jaringan Saraf Tiruan dengan Metode Perambatan Balik Teguh Prakoso1, Achmad Hidayatno2, R.Rizal Isnanto2 Jurusan Teknik Elektro, Fakultas Teknik – Universitas Diponegoro Jl. Prof. Soedarto SH Tembalang, Semarang 50275 Email :
[email protected]
ABSTRACT Nowadays, technology of character pattern recognition has been progressing quite rapidly. Handwriting recognition is the process of writing letters to identify a person by computer. The recognition of a text by using a program have been widely available. Most recognition programs recognize only Latin letters. How to recognize handwritten Arabic character are converted into text form. The recognition of the Arabic alphabet handwriting many advantages, example for people who do not recognize the Arabic writing, want reading a handwritten letter Arabic alphabet. With the problem of pattern recognition system built with the ability to recognize handwritten Arabic letter with the keluaran of the correct reading of the characters by using artificial neural networks with backpropagation method. Analyze the level of recognition accuracy of the Arabic alphabet, analyzing the factors that influence the accuracy of the introduction of the Arabic alphabet. Learning algorithms used in this study is backpropagation neural networks. Based on the function, artificial neural network is intended to solve a problem with the techniques of learning. In this case the bitmap image and character that will be generated from the image will be given to artificial neural networks for learning. Learning keluarans expected from this system of neural network can perform handwriting recognition on the Arabic alphabet. On training data test obtained value of 100%. The testing data test performed two kinds of test trials, the first with the image of the data test is not corrupted and the 92.4% obtained by testing the damaged image of the data test obtained 73.1%. Keywords: neural networks, pattern recognition, backpropagation, handwritten Arabic characters
I. PENDAHULUAN 1.1 Latar Belakang Teknologi pengenalan pola huruf saat ini telah mengalami perkembangan yang cukup pesat. Pengenalan tulisan tangan adalah proses untuk mengenali sebuah tulisan huruf seseorang oleh komputer. Pengenalan sebuah tulisan dengan menggunakan program-program pengenalan huruf telah banyak tersedia. Seperti program pengenalan huruf mengenali huruf Latin. Timbul permasalahan, untuk mengenali tulisan tangan huruf Arab yang diubah ke dalam bentuk huruf Arab digital. Jaringan saraf tiruan adalah sistem pemroses informasi yang memiliki karakteristik mirip dengan jaringan saraf manusia. Model Pembelajaran perlu dilakukan pada suatu jaringan saraf tiruan sebelum digunakan untuk menyelesaikan masalah dengan memeriksa dan memperbaiki setiap kesalahan yang terjadi selama proses pembelajaran. Pada suatu tingkatan tertentu jaringan saraf tiruan dapat memberikan tanggapan yang benar walaupun masukan yang diberikan terdapat derau atau berubah oleh suatu keadaan. Kelebihan dari jaringan saraf tiruan adalah kemampuan mengenali dengan cara belajar dari pola-pola yang diajarkan. Algoritma pembelajaran yang digunakan dalam penelitian adalah jaringan saraf tiruan [1]
Mahasiswa Jurusan Teknik Elektro Universitas Diponegoro
[2]
perambatan balik. Fungsinya bertujuan untuk memecahkan sebuah masalah dengan teknik pembelajaran. Gambar dan karakter yang akan dihasilkan dari gambar tersebut akan diberikan kepada jaringan saraf tiruan sebagai pembelajaran. Dari hasil pembelajaran ini diharapkan sistem jaringan saraf tiruan dapat melakukan pengenalan huruf Arab tulisan tangan. Berdasarkan permasalahan di atas, timbul gagasan untuk merancang suatu sistem yang bisa mengenali huruf Arab tulisan tangan dengan menggunakan jaringan saraf tiruan. 1.2 Tujuan Tujuan dalam tugas akhir ini adalah untuk menerapkan metode Jaringan Saraf Tiruan Perambatan Balik untuk mengenali huruf Arab tulis tangan. 1.3 Batasan Masalah Untuk menyederhanakan pembahasan pada Tugas Akhir ini, masalah dibatasi sebagai berikut. 1. Citra gambar berupa huruf Arab tulis tangan yang diambil dari 8 orang. 2. Huruf tulisan yang diuji adalah huruf Arab. 3. Huruf tulisan yang diuji hanya huruf Arab tunggal.
Dosen Jurusan Teknik Elektro Universitas Diponegoro
1
2 4. 5.
Metode yang dipakai adalah jaringan saraf tiruan. Arsitektur jaringan saraf tiruan yang digunakan adalah jaringan saraf tiruan perambatan balik
II. LANDASAN TEORI 2.1 Definisi Citra Citra adalah suatu gambaran dari objek yang telah mengalami perubahan dan pengolahan. 2.1.1 Citra Digital Citra digital adalah citra yang dapat diproses oleh komputer secara langsung. 2.2 Jenis-jenis Citra Digital Ada banyak cara untuk menyimpan citra digital di dalam memori. Cara penyimpanan ini menentukan jenis citra digital yang terbentuk. 2.2.1 Citra Biner Hanya mempunyai 2 warna, yaitu hitam dan putih. Satu piksel membutuhkan 1 bit memori untuk menyimpan kedua warna ini. 2.2.2 Citra keabuan Banyaknya warna tergantung jumlah bit per piksel yang disediakan di memori untuk menampung kebutuhan warna ini. 2.2.3 Citra Warna Setiap piksel pada citra warna mewakili warna yang merupakan kombinasi dari tiga warna dasar (RGB = Red Green Blue). Setiap warna dasar menggunakan penyimpanan 8 bit = 1 byte, yang berarti setiap warna mempunyai tingkatan sebanyak 255 warna. 2.3 Pengolahan Citra Pengolahan citra bertujuan untuk mendapatkan informasi dari citra dan untuk menghasilkan keluaran citra sesuai keinginan. Pengolahan citra sangat diperlukan dalam sistem pengenalan citra, mulai dari membuat citra masukkan sebagai sebuah matriks sampai pengolahan citra masukan tersebut. 2.3.1 Transformasi Citra Warna Menjadi Citra Keabuan Citra warna bisa diubah menjadi citra keabuan dengan cara menghitung rata-rata dari warna Red, Green dan Blue. 2.3.2 Operasi Thresholding Piksel-piksel yang nilainya di bawah T = Threshold diubah menjadi hitam (nilai = 0), sedangkan piksel-piksel yang nilainya di atas T diubah menjadi putih (nilai = 255). 2.4 Jaringan Saraf Tiruan Jaringan saraf tiruan merupakan sistem pengolah informasi yang memiliki karakteristik mirip dengan jaringan saraf biologi. Jaringan saraf
tiruan selalu mencoba untuk melakukan proses pembelajaran pada otak manusia. Jaringan saraf ini dilaksanakan dengan menggunakan program komputer yang mampu menyelesaikan sejumlah proses perhitungan selama proses pembelajaran. 2.4.1 Pelatihan Standard Perambatan Balik Pelatihan Jaringan Saraf Tiruan Perambatan Balik meliputi 3 fase. Ketiga fase tersebut dapat dijelaskan sebagai berikut[3]. 1. Perambatan maju Masukan dirambatkan ke layar tersembunyi menggunakan fungsi aktivasi yang ditentukan. Keluaran dari setiap unit lapisan tersembunyi dirambatkan maju lagi ke layar tersembunyi di atasnya menggunakan fungsi aktivasi yang ditentukan. Keluaran jaringan dibandingkan dengan target yang harus dicapai. 2. Perambatan Mundur Berdasarkan kesalahan tk - yk, dihitung faktor yang dipakai untuk mendistribusikan kesalahan di unit yk ke semua unit tersembunyi yang terhubung langsung juga dipakai untuk mengubah bobot garis yang berhubungan langsung dengan unit keluaran. 3. Perubahan Bobot Perubahan bobot suatu garis didasarkan atas faktor neuron di lapisan atasnya. Sebagai contoh, perubahan garis yang menuju ke layar keluaran didasarkan atas dk yang ada di unit keluaran. 2.4.2 Momentum Momentum adalah melakukan perubahan bobot yang didasarkan atas arah gradien pola terakhir dan pola sebelumnya yang dimasukkan. Sehingga tidak hanya pola masukan terakhir saja yang diperhitungkan. 2.4.3 Fungsi Aktivasi Fungsi aktivasi harus nilai maksimum = 1. Maka untuk pola data yang targetnya > 1, pola masukan dan keluaran terlebih dahulu harus diubah (dinormalisasi) ke [0,1] sehingga semua polanya memiliki jarak yang sama. 2.4.4 Arsitektur Perambatan Balik Lapisan paling kiri adalah lapisan masukan dan di dalam jaringan saraf tiruan hanya neuron-neuron pada lapisan inilah yang menerima masukan luar. Neuron-neuron pada lapisan masukan terhubung dengan neuron-neuron pada lapisan tersembunyi melalui sinapsis yang disebut bobot. Pada lapisan tersembunyi neuron-neuronnya dihubungkan secara penuh ke lapisan di atas dan di bawahnya. Lapisan tersembunyi neuron-neuronnya terhubung melalui sinapsis dengan neuron-neuron pada lapisan keluaran. Lapisan paling kanan adalah lapisan keluaran sebagai akhir dari proses jaringan tersebut.
3 III. PERANCANGAN DAN IMPLEMENTASI SISTEM 3.1 Akuisisi Citra Citra huruf arab didapatkan dari teman-teman Teknik Elektro Universitas Diponegoro. Data diambil dari 8 orang yang berbeda yaitu Aditya Wibowo, Denny Ardyanto, Gathut Nugroho, Ibnu, Nasrul, Sabri Alimi, Taufiqurrohman, Teguh Prakoso. Setiap orang menuliskan huruf Arab dari awal sampai akhir yang berjumlah 29 huruf. Gambar 1 Arsitektur jaringan saraf tiruan perambatan balik
2.5 Pengenalan Pola 2.5.1 Pengertian Pengenalan Pola Pola adalah sesuatu yang terdapat pada objek, dan dapat diketauhi dan dapat dikenali melalui ciricirinya. Ciri-ciri tersebut digunakan untuk membedakan suatu pola dengan pola lainnya. Ciri yang bagus adalah ciri yang memiliki pembeda yang tinggi, sehingga pengelompokan pola berdasarkan ciri yang dimiliki dapat dilakukan dengan keakuratan yang tinggi.[1] 2.5.2 Sistem Pengenalan Pola Sistem pengenalan pola ini mempunyai tujuan untuk menentukan kelompok atau kategori pola berdasarkan ciri-ciri yang dimiliki oleh suatu pola. 1. Pengenalan Pola secara Jaringan Saraf Tiruan Pendekatan pola-pola ini meniru cara kerja otak manusia. Pendekatan yang dipakai adalah dengan menggunakan metode jaringan saraf tiruan untuk mengindentifikasi pola.
3.2 Pengumpulan Ciri Langkah-langkah pengumpulan ciri dilakukan untuk setiap huruf.
1.
Membaca citra format RGB
Gambar 3 Citra RGB
2.
Mengubah menjadi Citra keabuan
Citra rgb
Citra Keabuan Gambar 4 Citra keabuan
3.
Mengubah Citra keabuan dijadikan Citra Biner
Citra keabuan
Citra Biner Gambar 5 Citra Biner
4.
Kemudian citra dipotong batas pinggirnya
Gambar 2 Perbandingan tiga teknik pengenalan pola
2.5.3 Pencocokan Pola Teknik pengenalan pola dengan pencocokan yaitu tiap kelas diwakili oleh vektor contoh. Pendekatan paling sederhana adalah menghitung jarak antara vektor pola yang tidak diketahui dengan setiap contoh vektor pola dan diambil jarak yang paling kecil.
Gambar 6 Citra hasil pemotongan batas pinggirnya
4 5.
Mengubah ukuran citra diubah menjadi [28, 23]
Gambar 7 Citra diubah ukuran menjadi [28,23]
jaraknya. Jarak terkecil antara keluaran jaringan dan target dipilih sebagai pola yang dikehendaki 3.6 Desain Sistem Rangkaian proses yang dilakukan oleh sistem ini dapat digambarkan dengan blok diagram sebagai berikut. Mulai
Hasilnya dijadikan vektor kolom berukuran [28*23, 1] = [644, 1], dan hasilnya disimpan dalam variabel “bw4”. Untuk kebutuhan data pelatihan jaringan, bw4 diubah menjadi vektor baris berukuran [1, 644], hasilnya disimpan dalam variabel “bw5”.
Buat data pelatihan
Pelatihan Jaringan
3.3 Perancangan Arsitektur Jaringan Perincian jaringan saraf tiruan yang dirancang pada tugas akhir ini adalah sebagai berikut. 1. Lapisan masukan : Pada lapisan masukan terdapat 644 neuron 2. Lapisan tersembunyi : 1 lapisan tersembunyi, berisi 60 neuron dengan fungsi aktivasi sigmoid biner. 3. Lapisan keluaran : 1 neuron dengan fungsi identitas. Lapisan keluaran berisi hasil klasifikasi. 1. Algoritma pelatihan Algoritma standard yang digunakan dalam pelatihan Jaringan Saraf Tiruan Perambatan Balik, yaitu resilient backpropagation (trainrp). 3.4 Perancangan Pelatihan Jaringan Perancangan pelatihan jaringan dilakukan dengan cara, 10 set kumpulan huruf arab tulisan tangan yang pertama digunakan untuk pelatihan jaringan. Pada pelatihan jaringan ini, untuk setiap data diberikan nilai targetnya. Pada akhir pelatihan diperoleh nilai-nilai bobot dan bias yang disimpan dalam variabel net. 3.5 Perancangan Pengujian Jaringan 1. Simulasi menggunakan data yang sudah dilatih Simulasi ini digunakan untuk mengetahui, dengan bobot dan bias yang sudah disimpan dalam variabel net. Jika jaringan bisa mengenali data-data tersebut dengan baik, maka jaringan bisa dicoba untuk mengenali data-data yang belum dilatih, tetapi targetnya sudah diketahui. 2. Simulasi menggunakan data yang belum dilatih Dipilih satu huruf dengan cara memotongnya. Data satu huruf ini kemudian dilakukan pengumpulan ciri, setelah itu dilakukan simulasi menggunakan jaringan untuk dikenali. Keluaran jaringan dibandingan dengan target untuk dihitung
Simulasi data yang sudah dilatih
T Prosentase keberhasilan pelatihan =100% Ya Buka Gambar
Pilih Gambar
Pengenalan Pola
Selesai
Gambar 8 Blok Diagram Sistem
IV. PENGUJIAN DAN ANALISIS 4.1 Pelatihan Jaringan Nilai dari lapisan tersembunyi, iterasi maksimum, momentum, laju pembelajaran tetap. Jumlah lapisan tersembunyi adalah 60 neuron, jumlah iterasi maksimum adalah 10000, nilai laju pembelajaran adalah 0,05, nilai momentum adalah 0.5. Dalam pelatihan ini yang diubah hanya target galat 0,00001, 0,000001, 0,000001, 0,00000001. Tabel 1 Hasil pelatihan jaringan data latih
Percobaan 1 2 3 4
Target galat 0,00001 0,000001 0,0000001 0,00000001
Hasil 96,5% 98,6% 99,31% 100%
5 Gambar 9 Hasil Pelatihan Jaringan
Gambar 11 Proses pengenalan pola huruf arab tulis tangan
Gambar 9 Hasil Pelatihan Jaringan
4.1.1 Simulasi Jaringan Jaringan dapat disimulasikan untuk mencari perbandingan keluaran yang dilatih dengan target yang ditentukan. Syarat-syarat jika simulasi jaringan berjalan dengan baik. 1. m = lereng regresi linear simulasi Apabila keluaran jaringan tepat sama dengan targetnya, maka m=1. 2. a = perpotongan y untuk regresi linear Apabila keluaran jaringan tepat sama dengan targetnya, maka a=0. 3. r = nilai parameter regresi Apabila keluaran jaringan tepat sama dengan targetnya, maka r= 1.
4.2 Pengujian Data Latih Pengujian data latih adalah menguji data citra yang dibuat untuk membuat jaringan ke dalam program yang telah dilatih. Citra huruf arab yang digunakan adalah 10 setiap huruf, jadi totalnya menjadi 290 citra huruf arab.
Gambar 12 Proses pengenalan pengujian data latih
Jika citra huruf masukan sudah dalam bentuk hitam putih maka program akan langsung memproses tanpa melalui proses perubahan rgb2gray.
Gambar 13 Proses pengenalan pengujian data latih tanpa rgb2gray
Gambar 10 Hasil simulasi jaringan
Disini terlihat nilai gradien m pada simulasi jaringan tersebut adalah 1. Nilai perpotongan y untuk regresi liner mendekati 0. Serta nilai parameter regresi r adalah 1. 4.1.2 Pengenalan Pola Menghitung jarak antara vektor pola yang tidak diketahui dengan setiap contoh vektor pola dan diambil jarak yang paling kecil. Contohnya huruf ( )جpada pelatihan didapatkan keluarannya 5,2, sedangkan huruf ()ج pada target dimisalnya 5, huruf ( = )ث4, huruf ()ح = 6. Maka proses pengenalan akan menghitung jarak terkecil. Maka huruf ( )جmempunyai selisih paling kecil. Dan program akan menampil huruf ( )جyang digital.
4.3 Pengujian Data Uji 4.3.1 Pengujian dengan citra yang tidak rusak Data citra huruf arab yang digunakan pada pengujian data uji ini adalah 5x setiap huruf arab jadi totalnya 145 data huruf arab. Data tersebut bukan termasuk data yang telah dilatih pada proses pelatihan. Proses pengujian data uji ini hampir sama dengan proses pengujian data latih. Tetapi pada pengujian data uji ini diharuskan untuk memilih huruf dulu. Dengan cara memotong huruf pada gambar. Cara memotong ini sangat penting sekali karena jika hasil potongannya tidak tepat maka bisa terjadi gagal pengenalannya.
Gambar 14 Proses pengenalan pengujian cita data uji yang tidak rusak
6 Pada hasil pengujian data uji ini terdapat beberapa huruf tidak dikenali oleh program. Kesalahan pada pengenalan ini dikarenakan ada huruf yang cara penulisannya tidak beraturan serta huruf-huruf ini tidak dilatih. Misalnya huruf ()ب yang gagal dikenali dikarenakan titik dibawahnya terlalu dekat oleh garis diatasnya.
Gambar 15 Pengujian data uji yang gagal dikenali
Sedangkan jika kita potong huruf ( )بtetapi hanya sebagian, huruf ini akan lebih mirip dengan huruf ()ﺮ
Gambar 16 Kesalahan memotong gambar saat pengujian data uji
4.3.2 Pengujian dengan citra yang rusak Data citra huruf arab yang digunakan pada pengujian data uji ini adalah 5x setiap huruf arab jadi totalnya 145 data huruf arab. Data tersebut bukan termasuk data yang telah dilatih pada proses pelatihan. Pada pengujian ini, citra ini telah diberi kerusakan yang terdapat pada semua huruf Arab ini.
Gambar 17 Proses pengenalan pengujian cita data uji rusak
Pada pengujian data uji citra rusak ini terdapat lebih banyak pengenalan yang salah daripada pengujian data uji yang tidak rusak. Hal ini dikarenakan beberapa citra yang rusak mengalami perubahan yang akan membuat mirip dengan huruf lain.
Gambar 18 Proses pengenalan pengujian citra data uji rusak yang gagal
Tabel 2 Hasil Pengenalan Huruf Arab
Huruf
Hasil Pengenalan Data Latih
Hasil Pengenalan Data Uji tidak rusak
Hasil Pengenal an Data Uji rusak
ا ب ت ث ج ح خ د ذ ر ز س ش ص ض ط ظ ع غ ف ق ك ل م ن و ه ء ي
10
5
5
10
3
3
10
5
5
10
5
4
10
5
4
10
5
3
10
5
4
10
5
4
10
4
2
10
5
1
10
5
1
10
5
5
10
5
5
10
4
1
10
4
2
10
5
5
10
4
4
10
5
4
10
5
4
10
4
4
10
5
2
10
4
3
10
5
4
10
5
4
10
5
3
10
3
3
10
5
5
10
4
4
10
5
4
Dikenali Tdk dikenali % ratarata
290 0
134 11
102 43
100
92,4
70,3
7 4.4 Faktor yang mempengaruhi tingkat keberhasilan pengenalan Berdasarkan hasil pengujian data latih dan pengujian data uji, maka dapat dicari faktor-faktor yang mempengaruhi tingkat keberhasilan pengenalan huruf Arab tulis tangan. 1. Akuisisi citra Akuisisi citra adalah cara pengambilan citra huruf Arab tulis tangan. 2. Pemotongan huruf Cara memotong huruf juga termasuk salah satu faktor yang mempengaruhi pengenalan huruf arab tulis tangan. Jika memotongnya tidak sesuai dengan hurufnya maka akan terjadi kegagalan pengenalan. 3. Pola citra yang diuji Pada pengujian data uji yang citranya rusak menghasilkan tingkat pengenalan yang buruk. Karena pola pada citranya ada yang hilang dan ini mengakibatkan pengenalannya akan lebih sulit. 4. Data latih Pola citra huruf Arab yang dilatih sangat berkaitan dengan pengenalan. Karena jika citra data latih yang dipakai tidak bermacam-macam, maka jika ada citra uji yang berbeda maka sulit untuk dikenali.
6.
7.
8.
Berdasarkan pengujian data uji yang citra tidak rusak dengan 145 citra huruf Arab yang belum dilatih, dengan bobot yang telah didapat dari proses pelatihan didapatkan pengenalannya 92,4%. Berdasarkan pengujian data uji yang citra rusak dengan 145 citra huruf Arab yang belum dilatih, dengan bobot yang telah didapat dari proses pelatihan didapatkan pengenalannya 70,3%. Faktor-faktor yang mempengaruhi tingkat pengenalan pada pengujian data adalah akuisisi citra, pemotongan huruf, pola citra yang diuji, data latih.
5.2
Saran Adapun saran yang dapat diberikan sehubungan dengan pelaksanaan penelitian ini adalah sebagai berikut: 1. Sebaiknya pada pengambilan citra huruf Arab harus sesuai dengan format huruf Arab yang tepat serta tidak ada titik-titik atau kotoran yang nanti akan menambah derau. 2. Perlu dilakukan penelitian lanjutan terhadap pengenalan pola huruf Arab tulis tangan yang terangkai kata ataupun kalimat. DAFTAR PUSTAKA
V. PENUTUP 5.1 Kesimpulan Kesimpulan yang dapat diambil dari hasil pengujian dan pembahasan adalah sebagai berikut : 1. Dengan ukuran citra 28x23 piksel, menghasilkan proses pelatihan yang akurat dan cepat karena ukuran ini tidak terlalu besar atau tidak terlalu kecil. Karena jika terlalu besar proses pelatihan akan lama, sedangkan kalau terlalu kecil ketepatan pengenalan akan tidak terlalu akurat. 2. Dengan memakai trainrp, pogram akan memiliki hasil kecepatan pelatihan yang tinggi. Seperti pada percobaan terlihat targetnya 10-8 akan tetapi epochnya hanya 298. 3. Pada proses simulasi menghasilkan nilai gradien m pada simulasi jaringan tersebut adalah 1. Nilai perpotongan y untuk regresi linear mendekati 0. Serta nilai parameter regresi r adalah 1. 4. Proses pengenalan pola dilakukan dengan menghitung jarak antara vektor pola yang tidak diketahui dengan setiap contoh vektor pola dan diambil jarak yang paling kecil. 5. Berdasarkan pengujian data latih dengan 290 citra huruf Arab yang sudah dilatih, pengenalannya didapatkan hasil 100%.
[1] Munir, R., “Pengolahan Citra Digital dengan [2] [3]
[4] [5] [6] [7] [8] [9] [10]
Pendekatan Algoritmik”, Informatika, Bandung, 2004. Haykin, S., “Neural Networks”, Macmilian College Publishing Company.Inc, New York, 1994. Siang, J. J., “Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan Matlab”, Penerbit Andi, Yogyakarta, 2005. Sutrisno, I., “Pemograman komputer dengan software MATLAB”. itspress, surabaya, 2009. Sugiharto, A., “Pemograman GUI dengan MATLAB”, Penerbit Andi, Yogyakarta, 2005 Away, G.A., “The shortcut of Matlab Programming”, Informatika, Bandung, 2010 Putra, D., “Pengolahan Citra Digital”, Andi, Yogyakarta. 2010 Sutojo, T., “kecerdasan buatan”, Andi, Yogyakarta. 2010 ---,Jaringan Saraf Tiruan, http://en.wikipedia.org/ , Januari 2012. Prasojo, A., Pengenalan Karakater Alfabet menggunakan jaringan saraf tiruan, Tugas Akhir S1, Universitas Diponegoro, Semarang
8 BIODATA PENULIS Teguh Prakoso, lahir di Kota Semarang pada tanggal 20 Januari 1988. Penulis menempuh studinya di SD Islam Hidayatullah Semarang, SMP Islam Hidayatullah Semarang, SMA Islam Hidayatullah Semarang. Saat ini penulis sedang menyelesaikan studi strata 1 di Teknik Elektro Universitas Diponegoro mengambil Konsentrasi Elektronika dan Telekomunikasi. Menyetujui, Dosen Pembimbing I,
Achmad Hidayatno, S.T., M.T. NIP. 196912211995121001
Dosen Pembimbing II,
R.Rizal Isnanto, ST.,MM.,MT. NIP.197007272000121001
