PENGENALAN BANGUN DATAR UNTUK PEMBELAJARAN TAMAN KANAK –KANAK MENGGUNAKAN JARINGAN SYARAF TIRUAN
2016: Seminar Informatika Aplikatif Polinema (SIAP)
Abstract
Klasifikasi pada bangun datar saat ini masih dilakukan secara manual oleh para guru pengajar. Cara
manual ini dilakukan berdasarkan pengamatan kemampuan dasar kognitif dalam hal mengenal bentuk
bangun datar pada anak TK tersebut. Namun dengan berkembangnya teknologi yang semakin maju
maka dimungkinkan untuk mengklasifikasi tingkat pengenalan bangun datar dengan bantuan sebuah
komputer. Bangun datar diklasifikasikan berdasarkan perbedaan bentuk yang didapat dari proses
ekstraksi fitur.
Penelitian ini mengajukan tentang pengenalan bangun datar menggunakan ciri bentuk. Nilai ciri
tersebut digunakan sebagai inputan dalam proses pembelajaran dengan menggunakan perhitungan
perceptron agar menghasilkan bobot terbaik. Bobot terbaik itulah yang digunakan sebagai bobot
dalam perhitungan proses klasifikasi. Klasifikasi menghasilkan tiga keluaran yakni persegi, segitiga,
dan lingkaran. Tingkat keakuratan klasifikasi bangun datar menggunakan perceptron ini cukup tinggi
dengan nilai keakuratan 93,333%. Namun perlu diperhatikan tingkat keberhasilan sangat dipengaruhi
oleh pola pada citra bangun datar yang diklasifikasikan.
manual ini dilakukan berdasarkan pengamatan kemampuan dasar kognitif dalam hal mengenal bentuk
bangun datar pada anak TK tersebut. Namun dengan berkembangnya teknologi yang semakin maju
maka dimungkinkan untuk mengklasifikasi tingkat pengenalan bangun datar dengan bantuan sebuah
komputer. Bangun datar diklasifikasikan berdasarkan perbedaan bentuk yang didapat dari proses
ekstraksi fitur.
Penelitian ini mengajukan tentang pengenalan bangun datar menggunakan ciri bentuk. Nilai ciri
tersebut digunakan sebagai inputan dalam proses pembelajaran dengan menggunakan perhitungan
perceptron agar menghasilkan bobot terbaik. Bobot terbaik itulah yang digunakan sebagai bobot
dalam perhitungan proses klasifikasi. Klasifikasi menghasilkan tiga keluaran yakni persegi, segitiga,
dan lingkaran. Tingkat keakuratan klasifikasi bangun datar menggunakan perceptron ini cukup tinggi
dengan nilai keakuratan 93,333%. Namun perlu diperhatikan tingkat keberhasilan sangat dipengaruhi
oleh pola pada citra bangun datar yang diklasifikasikan.
Copyright ©2020 Jurusan Teknologi Informasi - Politeknik Negeri Malang.
References
ry N, Satryo PH, Wahyono. Pengenalan Huruf Berbasis Jaringan Syaraf Tiruan
Menggunakan Algoritma Perceptron. Http : www.scrib.com/doc/13826849/pengenalan-hurufberbasis-jaringan-syaraf-tiruan-menggunakan-algoritma-Perceptron. Yogyakarta : Universitas
Gadjah Mada.
Benyamin K, Renny I R. Pengembangan Sistem Pengenal Objek 3 Dimensi Menggunakan Sistem
Jaringan Syaraf Tiruan dengan Lapisan Tersembunyi Berbentuk Silinder. Jurnal Ilmu
Komputer dan TI.
Cilimkovic, Mirza. 2010. “Neural Networks and Perceptron Algorithm”. Ireland : Institute of
Technology Blanchardstown.
Elektronika Dasar. 2012. Perceptron Dan Lapisan Jaringan Syaraf Tiruan(Neural Network) [Online]
Tersedia : http://elektronika-dasar.web.id/Perceptron-dan-lapisan-jaringan-syaraf-tiruan-neuralnetwork/[8 Desember 2015].
Imam Roji. 1997. Materi Penataran Guru Pemandu Matematika. Semarang: Proyek SD Jateng.
Kusumadewi, Sri. 2003. “Artificial Intelligence (Teknik dan Aplikasinya)”. Yogyakarta; Graha Ilmu.
Kusumaningtyas, Sella. 2015. “Identifikasi Kematangan Buah Tomat Berdasarkan Warna
Menggunakan Metode Jaringan Syaraf Tiruan (JST)”.Malang : Politeknik Negeri.
Sommerville, I. (2011) Software Engineering 9th Edition. Addison-Wesley.
Wim P, Yulian P. 2010. De Perceptron Aplikasi Market Basket Analysis Berbasis Web Menggunakan
Perceptron. Yogyakarta : Universitas Gadjah Mada.
Yulianto, Rusmono. 2012. Identifikasi Pengenalan Bentuk Bangun Datar Dua Dimensi Menggunakan
Neural Network Backpropagation [Online] Tersedia : http://digilib.its.ac.id/public/ITSUndergraduate-10474-Paper.pdf[8 Desember 2015].
Menggunakan Algoritma Perceptron. Http : www.scrib.com/doc/13826849/pengenalan-hurufberbasis-jaringan-syaraf-tiruan-menggunakan-algoritma-Perceptron. Yogyakarta : Universitas
Gadjah Mada.
Benyamin K, Renny I R. Pengembangan Sistem Pengenal Objek 3 Dimensi Menggunakan Sistem
Jaringan Syaraf Tiruan dengan Lapisan Tersembunyi Berbentuk Silinder. Jurnal Ilmu
Komputer dan TI.
Cilimkovic, Mirza. 2010. “Neural Networks and Perceptron Algorithm”. Ireland : Institute of
Technology Blanchardstown.
Elektronika Dasar. 2012. Perceptron Dan Lapisan Jaringan Syaraf Tiruan(Neural Network) [Online]
Tersedia : http://elektronika-dasar.web.id/Perceptron-dan-lapisan-jaringan-syaraf-tiruan-neuralnetwork/[8 Desember 2015].
Imam Roji. 1997. Materi Penataran Guru Pemandu Matematika. Semarang: Proyek SD Jateng.
Kusumadewi, Sri. 2003. “Artificial Intelligence (Teknik dan Aplikasinya)”. Yogyakarta; Graha Ilmu.
Kusumaningtyas, Sella. 2015. “Identifikasi Kematangan Buah Tomat Berdasarkan Warna
Menggunakan Metode Jaringan Syaraf Tiruan (JST)”.Malang : Politeknik Negeri.
Sommerville, I. (2011) Software Engineering 9th Edition. Addison-Wesley.
Wim P, Yulian P. 2010. De Perceptron Aplikasi Market Basket Analysis Berbasis Web Menggunakan
Perceptron. Yogyakarta : Universitas Gadjah Mada.
Yulianto, Rusmono. 2012. Identifikasi Pengenalan Bentuk Bangun Datar Dua Dimensi Menggunakan
Neural Network Backpropagation [Online] Tersedia : http://digilib.its.ac.id/public/ITSUndergraduate-10474-Paper.pdf[8 Desember 2015].