MAKALAH STUDI KOMPARASI DARI BEBERAPA JURNAL PENGENALAN POLA Disusun untuk memenuhi salah satu tugas mata kuliah Pengenalan Pola
Disusun oleh: Yoga Pradana Pamungkas(0910683099) Eko Cahyo Ahmadi (0910683037) Hamdan Hamaris(0910680018)
JURUSAN TEKNIK INFORMATIKA FAKULTAS TEKNIK UNIVERSITAS BRAWIJAYA MALANG 2011
DAFTAR ISI BAB I.....................................................................................................................................................3 Pendahuluan ........................................................................................................................................3 1.1 Latar Belakang ...........................................................................................................................3 1.2 Rumusan Masalah .....................................................................................................................4 1.3 Batasan Masalah........................................................................................................................4 1.4 Tujuan ........................................................................................................................................4 BAB II....................................................................................................................................................5 Dasar Teori...........................................................................................................................................5 2.1 Supervise learning method ........................................................................................................5 2.2 Kecerdasan Jaringan Syaraf Tiruan ............................................................................................5 2.3 Algoritma Perceptron ................................................................................................................5 2.4 Proses Pengolahan Citra ............................................................................................................6 2.5 Prinsipal Komponen Analisis......................................................................................................6 BAB III...................................................................................................................................................8 PERANCANGAN SISTEM ...................................................................................................................8 2.1 Desain Sistem Pengenalan Benda Terkorosi .............................................................................8 2.1.1 Prinsipal Komponen Analisis...............................................................................................8 2.2.2 Kecerdasan Jaringan Syaraf ................................................................................................8 2.2 Desain Pola Huruf ......................................................................................................................8 2.2.1 Teknik Pembacaan Pola Huruf dengan Binerisasi ...........................................................10 BAB IV ................................................................................................................................................12 Pembahasan ......................................................................................................................................12 4.2 Pengenalan pola bahan terkorosi ............................................................................................12 4.3 Pengenalan Pola Identifikasi Huruf .........................................................................................13 4.3.1 Arsitektur dan algoritma Pelatihan...................................................................................13 4.3.2 Pengujian Huruf ................................................................................................................14 4.3.3 implementasi sistem ........................................................................................................14 BAB V .................................................................................................................................................16 KESIMPULAN .....................................................................................................................................16 Daftar Pustaka..................................................................................................................................18
2
BAB I Pendahuluan 1.1 Latar Belakang Pengenalan pola merupakan bidang di dalam pembelajaran mesin yang bertujuan untuk mengklasifikasikan objek berdasarkan ciri-ciri yang dimilikinya. Seperti image, berat, atau parameter-parameter lain yang ditentukan kedalam kategori atau kelas. Seiring dengan perkembangan zaman, teknologi yang menggunakan komputer berkembang dengan pesat. Hampir setiap individu di dunia memerlukan komputer sebagai alat bantu untuk menyelesaikan masalahnya. Hampir semua sistem analog digantikan dengan sistem komputerisasi. Keunggulannya adalah sistem komputerisasi lebih mudah dalam pengontrolan. Dalam hal ini misalnya pengontrolan di dalam mengidentifikasi suatu objek atau citra. Komputer diusahakan untuk dapat bekerja mendekati proses kerja otak manusia. Kemampuan inilah yang dikembangkan dengan menggunakan mesin (komputer). Dengan pengenalan pola kita mampu mengimplementasikan kemampuan cerdas komputer agar dapat mendekati proses otak manusia. Dalam makalah ini kami melakuan studi komparasi berbeda dengan dua contoh pengenalan pola yaitu PENGENALAN POLA BAHAN
TERKOROSI
MENGGUNAKAN
METODA
PEMBELAJARAN
PERCEPTRON PADA SISTIM JARINGAN SYARAF dengan PENGENALAN HURUF BERBASIS
JARINGAN
SYARAF
TIRUAN
MENGGUNAKAN
ALGORITMA
PERCEPTRON. Dalam contoh pengenalan pola tersebut kami membahas tentang metode pengenalan pola yang sama dalam kasus yang berbeda. Metode yang sama dalam dua contoh tesebut adalah metode sistem jaringan syaraf tiruan dengan menggunakan algoritma perceptron. Algoritma Perceptron dalam jaringan syaraf tiruan dikenal sebagai algoritma yang hanya digunakan untuk mengklasifikasikan apakah sebuah pola masuk ke suatu kelas atau tidak. Namun dari sifat tersebut nampaknya perceptron juga mampu digunakan untuk mengklasifikasikan sebuah pola masuk kekelas mana, dengan cara membandingkan pola kedalam setiap kelas yang ada. Dengan kemampuan metode jaringan syaraf tiruan kami ingin mengetahui mengapa metode tersebut dapat diimplementasikan dalam masalah yang berbeda. 3
1.2 Rumusan Masalah Pembahasan dari dua metode pengenalan pola yaitu metode jaringan syaraf tiruan dengan algoritma perceptron. 1.3 Batasan Masalah Batasan masalah dari study komparasi adalah Bagaimana metode JST (jaringan syaraf tiruan) dalam merancang pengenalan pola untuk mengidentifikasi huruf dan pengenalan pola bahan terkorosi? 1.4 Tujuan Mengetahui perbedaan dari rancangan pengenalan pola untuk mengidentifikasi huruf dan pengenalan pola bahan terkorosi.
4
BAB II Dasar Teori 2.1 Supervise learning method Metode klasifikasi dan prediksi dinamakan supervised learning, dengan alasan ada proses supervisi, yaitu data training disertai dengan label yang menunjukkan kelas observasi, dan data baru diklasifikasikan berdasarkan training set. Tujuan pada pembelajaran supervised learning adalah untuk menentukan nilai bobot-bobot koneksi di dalam jaringan sehingga jaringan dapat melakukan pemetaan (mapping) dari input ke output sesuai dengan yang diinginkan. Pemetaan ini ditentukan melalui satu set pola contoh atau data pelatihan (training data set). 2.2 Kecerdasan Jaringan Syaraf Tiruan Jaringan saraf tiruan (JST) (Bahasa Inggris: artificial neural network (ANN), atau juga disebut simulated neural network (SNN), atau umumnya hanya disebut neural network (NN)), adalah jaringan dari sekelompok unit pemroses kecil yang dimodelkan berdasarkan jaringan saraf manusia. JST merupakan sistem adaptif yang dapat merubah strukturnya untuk
memecahkan masalah berdasarkan
informasi
eksternal maupun internal yang mengalir melalui jaringan tersebut. Pemodelan jaringan syaraf merupakan pembelajaran dan penyesuaian suatu obyek. Metode perceptron adalah metode pembelajaran dengan pengawasan dalam sistim jaringan syaraf, sehingga jaringan yang dihasilkan harus mempunyai parameter yang dapat diatur dengan cara mengubah melalui aturan pembelajaran dengan pengawasan perceptro untuk aplikasi pengenalan pola digambarkan sebagai unsur matrik antara 0 dan 1. Layer pertama perceptron menyatakan suatu kumpulan ”detektor tanda” sebagai isyarat input untuk mengetahui tanda khusus. 2.3 Algoritma Perceptron Perceptron adalah salah satu algoritma pembelajaran single layer yang mempelajari suatu procedure dengan melakukan perulangan sampai mendapatkan bobot neural yang tepat. Algoritma Pembelajaran Perceptron lebih baik dibandingkan dengan algoritma Hebb rule (Fausset, Fundamentals of Neural Networks :Architectures, Algorithms, and Applications). Perceptron menggunakan fungsi aktivasi biner untuk unit sensor dan unit asosiasi serta menggunakan +1, 0, -1 aktivasi untuk respon unit. 5
Gambar arsitektur perceptron :
2.4 Proses Pengolahan Citra Suatu pola mempunyai suatu tekstur khusus, dengan berbagai variasi dalam tingkat keabuan atau warna. Rata-rata tingkat keabuan dan simpangan baku dinyatakan sebagai momen. Rata-rata dihubungkan dengan momen pertama, simpangan baku tergantung pada momen kedua dan terdapat beberapa ukuran lainnya yang digunakan untuk menyatakan karakteristik suatu daerah tekstur. 2.5 Prinsipal Komponen Analisis Prinsipal komponen analisis (PCA) adalah teknik untuk menyederhanakan kumpulan data dengan mengurangi kumpulan data banyak dimensi menjadi dimensi yang lebih rendah. Analisis ini adalah suatu transformasi linier orthogonal yang mentransformasi data ke sistem koordinat baru, sehingga keragaman terbesar dengan suatu proyeksi berada pada koordinat pertama (disebut prinsipal komponen pertama), keragaman terbesar kedua pada koordinat kedua dan seterusnya. Untuk suatu matriks data dengan nilai tengah nol (sebaran normal baku). 6
7
BAB III PERANCANGAN SISTEM 2.1 Desain Sistem Pengenalan Benda Terkorosi 2.1.1 Prinsipal Komponen Analisis Prinsipal komponen analisis (PCA) adalah teknik untuk menyederhanakan kumpulan data dengan mengurangi kumpulan data banyak dimensi menjadi dimensi yang lebih rendah. Analisis ini adalah suatu transformasi linier orthogonal yang mentransformasi data ke sistem koordinat baru, sehingga keragaman terbesar dengan suatu proyeksi berada pada koordinat pertama (disebut prinsipal komponen pertama), keragaman terbesar kedua pada koordinat kedua dan seterusnya. Untuk suatu matriks data dengan nilai tengah nol (sebaran normal baku), Transformasi PCA diberikan sebagai: Y T = X TW = V Σ V ΣWT adalah singular value dekomposisi (svd) dari
X T [7]. PCA untuk data matriks X diberikan sebagai :
Y =WT X = ΣV T (9) dimana W ΣV T adalah svd dari X. PCA dapt menggunakan metoda kovaransi atau metoda korelasi.
2.2.2 Kecerdasan Jaringan Syaraf Berhubungan terhadap satuan output (dalam layer terakhir). Jika hanya bobot pendahulu pada layer terakhir yang dirubah, perceptron dalam gambar 3 diperlakukan sebagai perceptron layer tunggal. Dimulai dengan himpunan bobot terhubung yang acak, algoritma pembelajaran perceptron layer tunggal diulangi mengikuti tahapan berikut sampai bobot konvergen: a. Pilih suatu vektor input x dari kumpulan data pelatihan b. Jika perceptron memberikan jawaban salah, modifikasi semua bobot terhubung wi sesuai dengan i i i Δw =η t x , i t : target output dan η : tingkat pembelajaran. 2.2 Desain Pola Huruf Dalam klasifikasi huruf pada penelitian ini hanya dibatasi menggunakan huruf kapital dari „A‟, „B‟, „C‟,‟D‟,‟E‟,‟J‟,‟K‟. Huruf-huruf yang akan diklasifikasi terlebih dahulu dibentuk polanya menggunakan matriks berukuran 9x7, yang digambarkan dengan symbol „.‟ (titik) dan „#‟ (kres). Sebagai contoh berikut beberapa pola yang diikutsertakan dalam penelitian ini:
8
Huruf
A
B
C
D
Tabel. 1. Pola Huruf dalam matrik 9x7 (Pola Input Satu) Pola Huruf Pola ..##... ####### ...#... .#....# ...#... .#..... ..#.#.. .#.#... ..#.#.. .###... E .#####. .#.#... .#...#. .#..... .#...#. .#....# ###.### ####### ######. ...#### .#....# .....#. .#....# .....#. .#....# .....#. J .#####. .....#. .#....# .....#. .#....# .#...#. .#....# .#...#. ######. ..###.. ..##### ###..## .#....# .#..#.. #...... .#.#... #...... .##.... #...... .##.... K #...... .#.#... #...... .#..#.. .#....# .#...#. ..####. ###..## #####.. .#...#. .#....# .#....# .#....# .#....# .#....# .#...#. #####..
9
Pola inilah yang akan digunakan sebagai data pelatihan dengan target sesuai dengan pola yang diinginkan, dengan merubah pola input tersebut menjadi sekumpulan vector bit 0 dan 1 sebanyak 63 digit dimana 0 menggantikan titik dan 1 menggantikan tanda „#‟, dan pola output (target) sebanyak 7 bit. Pasangan pola input dan output dari datadata di atas bisa dilihat dalam tabel 2 berikut:
No 1. 2. 3. 4. 5. 6. 7.
Tabel 2. Pola Vektor Input dan Vektor Output (Pola Input Satu) Vektor Input Vektor Output Huruf ( 63 bit ) ( 7 bit) 0011000 0001000 0001000 0010100 0010100 A 1000000 0111110 0100010 0100010 1110111 1111110 0100001 0100001 0100001 0111110 B 0100000 0100001 0100001 0100001 1111110 0011111 0100001 1000000 1000000 1000000 C 0010000 1000000 1000000 0100001 0011110 1111100 0100010 0100001 0100001 0100001 D 0001000 0100001 0100001 0100010 1111100 1111111 0100001 0100000 0101000 0111000 E 0000100 0101000 0100000 0100001 1111111 0001111 0000010 0000010 0000010 0000010 J 0000010 0000010 0100010 0100010 0011100 1110011 0100100 0101000 0110000 0110000 K 0000001 0101000 0100100 0100010 1110011
2.2.1 Teknik Pembacaan Pola Huruf dengan Binerisasi Dalam pembuatan program penelitian ini digunakan bahasa pemgroman berbasiskan desktop yaitu Delphi 6. Beberapa tahapan proses dalam penelitian ini adalah: 1. Input pola dalam bentuk matriks sebanyak jumlah pola dan target yang diinginkan 2. Binerisasi pola input menjadi vector input dengan mengubah „.‟ Menjadi 0 dan „#‟ menjadi 1. 3. Melakukan pelatihan dari vector input dan vector output. 4. Pengujian huruf
POLA HURUF
Binerisasi
VEKTOR INPUT DAN OUTPUT
Pelatihan Data
BOBOT POLA Pengujian Pola
Gambar 1. Tahapan Proses
10
Dalam pembacaan input pola bisa dilakukan secara serempak dan sekaligus dengan aturan, baris pertama input adalah bilangan bulat yang menyatakan banyaknya pola yang ingin dilatih (ingat jenis huruf yang digunakan tetap hanya „A‟,‟B‟,‟C‟,‟D‟,‟E‟,‟J‟,‟K) untuk pola pertama menempati baris kedua sampai baris ke 10 yang kemudian baris berikutnya diikuti target dari pola yang diinginkan, untuk pola kedua menempati baris ke-12 sampai bari ke-18 dan kemudian baris berikutnya diikuti target dari pola yang diinginkan dan seterusnya sampai pola ke-n, sebagai contoh berikut aturan input pola yang digunakan sebanyak 2 buah yaitu A, dan B.
2 ..##... ...#... ...#... ..#.#.. ..#.#.. .#####. .#...#. .#...#. ###.### A...... ######. .#....# .#....# .#....# .#####. .#....# .#....# .#....# ######. .B.....
Dari pola ini program membaca baris perbaris string yang kemudian dibinerisasi dengan aturan yang telah dijelaskan sebelumnya kedalam tipe data array satu dimensi.
11
BAB IV Pembahasan 4.2 Pengenalan pola bahan terkorosi Pengenalan pola terhadap bahan terkorosi dan tidak terkorosi meliputi tiga tiga tahapan, adapun mikrostruktur dan preparasi contoh bahan terkorosi dan tidak terkorosi telah dianalisis sebelumnya di laboratorium yang dpat menggunakan berbagai alat diantaranya mikrogatif, mikroskop optik ataupun SEM. Tahap pertama digunakan proses pengolahan citra, tahap kedua dilakukan analisis prinsipal komponen dan tahap ketiga menggunakan kecerdasan jaringan syaraf. Struktur pola dalam bentuk gambar atau foto dapat dikonversi dengan proses pengolahan citra menjadi bentuk digital. Untuk menentukan karakteristik dari pola tersebut mengidentifikasi apakah suatu bahan terkorosi atau tidak terkorosi digunakan kecerdasan jaringa syaraf tiruan. Dianalisis beberapa contoh bahan terkorosi dan tidak terkorosi hasil preparasi laboratorium serta contoh data dari daftar pustaka. Pada tahap kedua, matriks data pembelajaran berukuran 8 x 6, akan dimasukkan untuk tiap neuron secara bersamaan. Diambil enam nilai karakteristik yang terbesar atau dominan, dengan delapan contoh input yang diberikan, yang terdiri dari enam contoh input untuk bahan terkorosi dan dua contoh input untuk bahan tidak terkorosi. Data pelatihan diambil enam contoh input diantaranya berturut-turut satu contoh bahan tidak terkorosi dan lima contoh bahan terkorosi. Pada simulasi pertama diambil satu contoh input bahan tidak terkorosi dan lima contoh input bahan terkorosi. Berikutnya pada simulasi kedua diambil satu contoh input bahan tidak terkorosi, empat contoh input bahan terkorosi, satu contoh input bahan dengan mikrostruktur tidak seharusnya. Sedangkan pada simulasi ketiga diberikan 5 contoh bahan terkorosi dan 1 bahan tidak terkorosi. Secara keseluruhan program dan hasil diberikan pada lampiran B dengan catatan kode 1 untuk bahan terkorosi dan kode 0 untuk bahan tidak terkorosi atau mikrostruktur yang tidak seharusnya. Hasil keberhasilan identifikasi diberikan dalam tabel 1 berikut ini, untuk 32 contoh input. Tabel 1. Hasil Identifikasi Jaringan Syaraf Contoh
Jumlah
Jumlah
Prosentase
Bahan Terkorosi
benar 25
salah 0
ketelitian 100%
Tidak Terkorosi
6
1
86% 12
4.3 Pengenalan Pola Identifikasi Huruf 4.3.1 Arsitektur dan algoritma Pelatihan Arsitektur Jaringan Syaraf Tiruan yang digunakan adalah perceptron dengan 63 neuron input dan 7 neuron output dengan arsitektur lapis tunggal (neuron hidden =0). Seperti terlihat pada gambar 2. Dari arsitektur tersebut didapat algoritma untuk melakukan pelatihan data
yaitu :
Tentukan nilai Į 1. Untuk i dari satu sampai 7 ( jumlah jenis huruf) lakukan langkah 1-9 2. Untuk j ß 1 sampai 64 lakukan Wijß0 3. Selama kondisi =false lakukan langkah 4-9 4. Untuk kß 1 sampai N (jumlah data pelatihan) lakukan langkah 5-8 5. Untuk setiap pola pelatihan si:ti lakukan 6. set aktivasi untuk input Xi = Si 7. Hitung respon unit output,
1
W11
X1
W12 W17
W13
W21
X2
W22 W23
j
8.
9.
Y3
.
. . .
X3
1
Perubahan bobot, Jika y • Tki untuk jß 1 sampai dengan n lakukan Wij(baru)=Wij(lama)+alpha*Tki*Xkj; Cek kondisi jika tidak terjadi perubahan bobot kondisi=true else kembali kelangkah 3
Y2
W27
63
Xkj *Wij , hitung nilai y = f(yin);
Y1
Y7
X63
Gambar 2. Arsitektur Perceptron Mulai
Baca N(baris 1) Init i=0; Ya Baca string Baris Pada Pola
Jadi 1
kar=# Binerisasi
No Jadi 0 Ya
Ißi+1 i<=N No Stop Gambar 3. Flowchart baca input pola dan binerisasi 13
4.3.2 Pengujian Huruf Sama seperti pada pelatihan data, untuk pengujian data kita menggunakan input pola matriks 9x7 yang terdiri dari karakter titik atau #, setelah pola diinputkan kemudian pola tersebut dibinerisasi untuk selanjutnya dilakukan pengujian, bentuk pola input data untuk pengujian hanya bersifat tunggal seperti berikut: ..##... ...#... ...#... ..#.#.. ..#.#.. .#####. .#...#. .#...#. ###.### Huruf A
Sedangkan untuk algoritma lengkapnya adalah sebagai berikut 1. Baca Input 2. Binerisasi input 3. Untuk iß 1 sampai 7 lakukan langkah 4 sampai 7 4. yin=bobot[i,64] 5. Untuk jß 1 sampai 63 lakukan yin=yin+datauji[j]*bobot[i,j]; 6. y[i]=f(yin) 7. jika y[i]=1 berarti pola yang dimasukan merupakan huruf ke-i 8. jika tidak ada satupun y[i] yang bernilai satu maka pola yang diinputkan tidak bisa diklasifikasikan.
4.3.3 implementasi sistem Implementasi pembuatan sistem ini didasarkan pada rancangan sistem yang sudah dibahas sebelumnya dimana sistem ini dibagi menjadi dua sub sistem yaitu subsistem pelatihan data dan yang kedua subsistem pengujian data. Dengan menggunakan data yang ada seperti pada bab Perancangan Sistem sebagai input pelatihan dan input pengujian didapatkan hasil sebagai berikut: Tabel 3. Hasil Pengujian dengan Data Pelatihan 7 buah INPUT A B C D E J K
TARGET A B C D E J K
OUTPUT A atau B D atau K C atau D atau K D K J Tidak Masuk Manapun
14
Empat (yaitu huruf „A‟,‟C‟,‟D‟, dan „J‟) dari tujuh pola input pengujian yang juga merupakan pola input pelatihan menunjukan hasil yang sesuai meskipun pola huruf tersebut juga diklasifikasikan ke dalam kelas lain, misalnya pola „A‟ diklasifikasikan ke „A‟ juga ke „B‟. Sedangkan pola huruf „B‟, dan „E‟ diklasifikasikan ke kelas yang berbeda. Namur untuk pola „K‟ justru tidak dapat diklasifikasikan ke kelas manapun. Kemudian dicoba menggunakan pola input pengujian yang berbeda dengan pola input pelatihan
[Fausset,
Fundamentals
of Neural Networks
: Architectures,
Algorithms, and Applications, halaman 72, pola input dua dan tiga ] didapatkan hasil sebagai berikut: Tabel 4. Hasil Pengujian dengan input pengujian berbeda INPUT A B C D E J K
TARGET A B C D E J K
OUTPUT POLA INPUT 2 OUTPUT POLA INPUT 3 A B D atau K D atau K C C C atau D D C atau K K J J C atau K K
Ternyata didapatkan hasil yang lebih akurat (A, C, D, J, dan K pada pola input 2, serta C,D,J,K pada pola input 3) dalam mengklasifikasian huruf dibandingkan kita menggunakan pola input pengujian yang sama dengan pola input pelatihan. Kemudian dicoba menggunakan input pelatihan yang lebih banyak (21 buah) dengan
pola
huruf yang sama [Fausset, Fundamentals of Neural Networks :
Architectures, Algorithms, and Applications, halaman 72] dan input pengujian yang sama dengan pengujian sebelumnya didapatkan hasil yang berbeda. Tabel 5. Hasil Pengujian dengan Data Pelatihan 21 buah INPUT A B C D E J K
TARGET A B C D E J K
OUTPUT POLA 1 A atau B K K B atau K K J -
OUTPUT POLA 2 A B K J -
OUTPUT POLA 3 B D atau K B B atau K K B atau J K
Ternyata ketika menggunakan pola input satu, pola input dua dan pola input tiga sebagai data pelatihan sekaligus sebagai data pengujian, hasilnya lebih tidak akurat dibandingkan dengan pengujian sebelumnya. 15
BAB V KESIMPULAN Metode pengenalan pola dengan algoritma perceptron dapat diimplementasikan pada pengenalan huruf dan pengenalan bahan korosi. Dengan menggunakan algoritma perceptron ternyata bisa dilakukan pengklasifikasian pola huruf. Meskipun dalam pelatihan dengan data yang sedikit, saat pengujiannya hasil yang didapat menunjukan bahwa beberapa pola tidak sesuai dengan klasifikasi polanya tetapi persentasi ketidaksesuaian ini lebih kecil dibadingkan dengan pengujian data yang memiliki data pelatihan lebih banyak. Pemodelan untuk membedakan klasfikasi bahan terkorosi dan tidak terkorosi menggunakan kecerdasan jaringan syaraf dengan metode perceptron. Dalam pembelajaran, pelatihan dan simulasi tersebut diatas, diperoleh hasil yang sesuai dan yang diharapkan. merupakan pembelajaran dan adaptasi suatu obyek yang cukup baik.
16
DAFTAR PUSTAKA
Duda, R.O., Hart, P.E., Stork, D.G. (2001) Pattern classification (2nd edition), Wiley Fausett, Laurene., Fundamentals of Neural Networks : Architectures, Algorithms, and Applications Haykin, S. (1994), Neural Networks: A Comprehensive Foundation, NY, Macmillan J. Schuermann: Pattern Classification: A Unified View of Statistical and Neural Approaches, Wiley&Sons, 1996 Jurnal “Artificial Neural Network Technology”,St. Louis University, 1998. Richard O. Duda, Peter E. Hart, David G. Stork (2001) Pattern classification (2nd edition), Wiley, New York Zurada, J.M. (1992), Introduction To Artificial Neural Systems, Boston: PWS Publishing Company Ariyanto, Gunawan, cs,“HandGesture Recognition Using NeuralNetworkfor RoboticArmControl”, Proceedings of National Conference on Computer Science & Information Technology 2007, page 412, Faculty of Computer Science, University of Indonesia, Jakarta. Fontana, Mars G., “Corrosion Engineering”, McGraw-Hill International Editions, 1987. Fu, LiMin, “Neural Networks in Computer Intelligence”, McGraw-Hill, Inc., Singapore, 1994. Hansel man, Duane;Littlefield,Bruce, “Mastering MATLAB 5, A Comprehensive Tutorial and Reference”, Prentice-Hall Inc, 1998. http://en.wikipedia.org/wiki/Corrosion, 27/04/2007, page 1-8. [6] http://en.wikipedia.org/wiki/Principal_com ponents_analysis, 23/02/2007, page1-10. http://en.wikipedia.org/wiki/Singularvalue decomposition, 23/02/2007, page1-14. Jang, J.-S. R.; Sun, C.-T.; Mistune, E., “Neuro Fuzzy And Soft Computing, A Computational Approachto LearningandMachine Intelligence”, Prentice-HallInternational Editions, 1997. Kosko, Bart, “Neural Networks and Fuzzy Systems, A Dynamical Systems Approach to MachineIntelligence”,Prentice-Hall International Editions, 1992.
17
18
19
