Electrician

Simamora, Jefrianto

Martin, Yul

Gusmedi, Herri

English

Pengaruh Penambahan Asam Sulfat (H2SO4) pada Bentonit untuk Penurunan Nilai Tahanan Pentanahan

Anggraeni, Dwi Puspita

Widiyarti, Widiyarti

Prihatmanto, Ary Setijadi

Simulasi Aliran Darah dalam Pembuluh Darah Manusia dengan Metoda Lagrange Smooth Particle Hydrodynamic (SPH)

Setiawan, Rahman

Nama, Gigih Forda

Muhammad, Meizano Ardhi

Sistem Informasi Geografis Layanan Pendidikan Kota Bandar Lampung

Tanjung, Geri Romadhoni

Septama, Hery Dian

Sistem Informasi Geografis Layanan Kesehatan  di Kota Bandar Lampung

Mulya, Rifqi Annora

Hakim, Lukmanul

Despa, Dikpride

Pemodelan Saluran Udara untuk Menghitung Impedansi Urutan dengan Metode Carson pada Penyulang Katu Gardu Induk Menggala PT. PLN (Persero) Distribusi Lampung

Yudamson, Afri

Susunan Pengurus Volume 10 Nomor 2 Mei 2016

Daftar Isi Volume 10 Nomor 2 Mei 2016

Pratama, Gusmao Rado

Zebua, Osea

Penerapan Model Beban Zip Untuk Analisa Aliran Daya Tiga Fasa pada Penyulang Katu GI Menggala

Hara, Eliza

Fitriawan, Helmy

Mulyani, Yessi

ELECTRICIAN – Jurnal Rekayasa dan Teknologi Elektro 
 
Volume 10, No. 3, September 2016 
Penggunaan Deteksi Tepi (Canny) pada Sistem Pengenalan Tulisan 
Tangan Aksara Lampung Berbasis Jaringan Syaraf Tiruan 
 
Eliza Hara1, Helmy Fitriawan2, Yessi Mulyani3 
 
Jurusan Teknik Elektro Universitas Lampung, Bandar Lampung 
Jl. Prof. Sumantri Brojonegoro No.1 Bandar Lampung 35145 
1eliza.hara6@gmail.com 
2helmy.fitriawan@eng.unila.ac.id 
3yessi.mulyani@eng.unila.ac.id 
 
 
Intisari--- Canny merupakan salah satu metode pengolahan citra, karena secara luas canny 
dianggap sebagai metode deteksi tepi standar dalam industri dan digunakan di sebagian aplikasi 
pengolahan citra seperti pada bidang pengenalan pola. Penelitian ini bertujuan untuk membuat 
aplikasi pengenalan tulisan tangan aksara Lampung dan dapat diterjemahkan kedalam bahasa 
Indonesia. Sistem pengenalan tulisan tangan aksara Lampung dikembangkan dengan teknik 
pengolahan citra dan jaringan syaraf tiruan backpropagation. Sistem terdiri dari dua perangkat, 
yaitu perangkat pelatihan dan perangkat aplikasi. Perangkat pelatihan digunakan untuk melatih 
jaringan syaraf tiruan. Pelatihan dilakukan sebanyak 5 kali dan secara bertingkat untuk 
menghasilkan bias dan bobot. Perangkat aplikasi digunakan untuk melakukan pengujian terhadap 
jaringan yang sudah dilatih dan menterjemahkannya kedalam bahasa Indonesia.  Hasil pengujian 
perangkat aplikasi aksara Lampung memberikan rata-rata persentase kesalahan sebesar 22% dari 
pengujian karakter dan pengujian kosakata diperoleh persentase kesalahan sebesar 40% dari 100 
kali pengujian. Dapat disimpulkan bahwa metode canny dapat mengenali karakter aksara 
Lampung tetapi belum mencapai tingkat optimal. 
Kata kunci--- canny, pengolahan citra, pengenalan pola, tulisan tangan, aksara Lampung, 
backpropagation. 
 
Abstract--- Canny is one method of image processing used, because it is widely regarded as the 
canny edge detection methods standard in the industry and is used in most applications in the field 
of image processing such as pattern recognition. The purpose of this research is to develop 
handwritten recognition aplication of Lampung character  and to translate it into Indonesian 
language. The system handwritten recognition of Lampung character is developed using image 
proccesing and backpropagation artificial neural network. The system consists of two programs, 
they are training program and aplication program. Training program was used to train the neural 
networks. The training is carried out for five times and multiplications to get bias and weights. 
Aplication program was used to test the trials to networks which has been trained and translate it 
into Indonesian language. The testing resulta give the errors percentase at 22% of character testing 
and 40% of 100 vocabularies testing. The conclusion is canny method could recognise some of the 
characters but it has not reached the optimum rate. 
Keywords--- canny, image processing, patten recognition, handwritten recognition, character 
Lampung, backpropagation. 
 
I. PENDAHULUAN 
 
Perkembangan teknologi digital saat ini 
membawa perubahan cukup besar, terutama 
pada bidang pengolahan citra digital. 
Pengolahan citra digital banyak digunakan 
diberbagai bidang sesuai dengan fungsinya 
seperti pada pengenalan pola tulisan tangan. 
ELECTRICIAN – Jurnal Rekayasa dan Teknologi Elektro     157 
 
 
 
Volume 10, No. 3, September 2016 
Banyak para peneliti melakukan penelitian 
pada pengenalan pola tulisan tangan seperti 
bahasa Cina [1], Korea [2], Jepang [3,4] dan 
Thailand [4] 
Pengolahan citra canny dikenal sebagai 
deteksi tepi yang optimal, algoritma ini 
memberikan tingkat kesalahan yang rendah, 
melokalisasi titit-titik tepi serta memberikan 
satu tanggapan untuk satu tepi [5]. Deteksi 
tepi canny merupakan salah satu pengolahan 
citra yang paling umum digunakan, karena 
secara luas canny dianggap sebagai metode 
deteksi tepi standar dalam industri [6] dan 
digunakan di sebagian aplikasi pengolahan 
citra dibidang pengenalan objek [7], 
segmentasi [8], ekstraksi bentuk [9], 
kesehatan [9], pengenalan pola [10] dan 
sebagainya.  
Deteksi tepi canny pada penelitian ini 
digunakan untuk melakukan pengenalan pola 
tulisan tangan pada karakter aksara 
Lampung. Dimana karakter aksara Lampung 
memiliki keunikan dan keragaman yang 
kompleks dari bahasa lainnya, yang terdiri 
atas lengkungan, zig-zag dan simbol. 
Pada penelitian ini akan dibuat suatu 
sistem aplikasi komputer yang dapat 
mengenali pola tulisan tangan aksara 
Lampung menggunakan metode masukan 
dan pengambilan data dengan memanfaatkan 
layar sentuh pada komputer tablet berbasis 
jaringan syaraf tiruan dengan metode deteksi 
tepi (canny) pada pengolahan citra. Tujuan 
dilakukan penelitian ini yaitu membuat 
sistem pengenalan pola tulisan tangan aksara 
Lampung dan mampu menterjemahkan 
kedalam bahasa Indonesia.  
 
 
 
 
 
 
II. TINJAUAN PUSTAKA 
 
A. Induk huruf (kelabai sukhat) 
Terdapat 20 huruf induk dalam penulisan 
aksara lampung, yaitu: ka, ga, nga, pa, ba, 
ma, ta, da, na, ca, ja, nya, ya, a, la, ra, sa, 
wa, ha, gha. Aksara lampung tersebut untuk 
bentuk huruf induk diperlihatkan pada 
Gambar 1 [11][12]. 
 
Gbr. 1 Huruf induk aksara Lampung 
 
B. Anak Huruf (Anak Sukhat) 
Selain huruf induk dalam aksara lampung 
terdapat juga anak huruf atau anak sukhat 
terdiri dari 12 anak surat terdiri dari: 
1) Anak huruf diatas induk huruf 
Tabel 1 Anak huruf diatas induk huruf 
Nama 
‘bunyi’ 
Simb
ol 
Ulan ‘i’ 
Ulan ‘e’ 
Bicek ‘e’ 
Rejunjung 
‘r’ 
Tekelubang 
‘ng’ 
Datas ‘an’ 
 
 
 
 
 
 
j
a 
n
ya 
y
a 
a l
a 
k g n p b
m
a 
t
a 
d
a 
n
a 
c
a 
r
a 
s
a 
w
a 
h
a 
g
ha 
ELECTRICIAN – Jurnal Rekayasa dan Teknologi Elektro     158 
 
 
 
Volume 10, No. 3, September 2016 
2) Anak huruf bawah induk huruf 
Tabel 2 Anak huruf bawah induk huruf 
Nama 
‘bunyi’ 
Simbol 
Bitan ‘o’ 
Bitan ‘u’ 
Tekelunga
u ‘au’ 
 
 
3) Anak huruf samping induk huruf 
Tabel 3 Anak huruf bawah induk huruf 
Nama 
‘bunyi’ 
Simbol 
Tekelingai 
‘ai’ 
Keleniah 
‘ah’ 
Nengen 
 
C. Deteksi Tepi (canny) 
Pengolahan citra adalah istilah umum 
untuk berbagai teknik yang keberadaannya 
untuk memaipulasi dan memodifikasi citra 
dengan berbagai cara. Pengolahan citra 
merupakan bagian penting yang mendasari 
berbagai aplikasi nyata, seperti penngenalan 
pola, penginderaan jarak melalui satelit atau 
pesawat udara dan machine vision. Deteksi 
tepi (edge detection) pada suatu citra adalah 
suatu proses yang menghasilkan tepi-tepi 
dari objek-objek gambar dan merupakan 
langkah pertama untuk melingkupi informasi 
didalam citra. Canny dikenal sebagai deteksi 
tepi yang optimal, algoritma ini memberikan 
tingkat kesalahan yang rendah, melokalisasi 
titit-titik tepi serta memberikan satu 
tanggapan untuk satu tepi [5]. 
 
D. Jaringan Syaraf Tiruan 
Jaringan syaraf tiruan adalah pemprosesan 
suatu informasi yang terinsfirasi oleh sistem 
sel syaraf biologi, sama seperti otak yang 
memproses suatu informasi. Jaringan syaraf 
tiruan dibentuk untuk memecahkan suatu 
masalah tertentu seperti pengenalan pola atau 
klarifikasi karena proses pembelajaran [13].  
 
III. SISTEM PELATIHAN 
 
Sistem Pelatihan perangkat digunakan 
untuk melatih jaringan syaraf tiruan 
backpropagation. Perangkat pelatihan 
menggunakan 15 set data sampel dari 75 set 
yang diambil secara acak.   
Pelatihan dilakukan sebanyak 5 (lima) 
kali pelatihan dengan jumlah data masukan 
sebanyak 15 set (195 sub-set), neuron 
masukan 700 neuron. Pada pelatihan karakter 
dilakukan dua kali pelatihan yaitu pelatihan 
huruf tunggal dan pelatihan bertingkat.  
Terdapat dua proses yang dilakukan pada 
sistem pelatihan terdiri atas : 
 
A. Algoritma pre-processing 
Tahap awal dalam pengolahan citra 
dengan algoritma pengolahan citra meliputi 
[5]: 
1) Binerisasi adalah proses untuk mengubah 
citra warna menjadi citra biner (0 dan 1). 
Binerisasi juga digunakan untuk 
membantu menghilangkan garis bantu 
yang ada pada angket data pelatihan. 
Gambar 2merupakan hasil karakter aksara 
yang telah mengalami proses binerisasi 
 
Gbr. 2 Proses binerisasi  
 
2) Slicing digunakan untuk proses 
pemotongan terhadap karakter huruf 
induk maupun anak huruf untuk 
mendapatkan informasi yang diinginkan. 
ELECTRICIAN – Jurnal Rekayasa dan Teknologi Elektro     159 
 
 
 
Volume 10, No. 3, September 2016 
Gambar 3 menunjukkan proses slicing 
untuk memotong karakter aksara 
 
Gbr. 3 Proses slicing 
 
3) Deteksi tepi canny digunakan untuk 
meningkatkan penampakan garis batas 
suatu daerah atau objek dari suatu citra, 
seperti yang ditunnjukkan pada Gambar 4. 
 
Gbr. 4 Proses deteksi tepi canny 
 
4) Dilasi merupakan morfologi dilasi yang 
dilakukan untuk penebalan terhadap 
piksel yang bernilai 1. Gambar 5 
menunjukkan hasil dari morfologi dilasi. 
 
Gbr. 5 Proses morfologi dilasi 
 
5) Fill (hole)  
Pengisian piksel yang kosong dari citra 
biner, dimana sebuah lubang yang 
merupakan satu set piksel latar belakang 
yang tidak dapat dicapai dengan mengisi 
latar belakang dari tepi gambar. Contoh 
hasil penggunaan fungsi fill ditunjukkan 
pada Gambar 6 [14]. 
 
Gbr. 6 Proses pengisisn piksel 
 
6) Cropping berguna untuk menghasilkan 
sebuah citra yang hanya membaca satu 
karakter saja, sedangkan karakter yang 
lainnya dihilangkan. Proses cropping 
ditunjukkan pada Gambar 7. 
 
Gbr. 7 Proses cropping 
 
7) Resizing digunakan untuk melakukan 
proses pengubahan ukuran citra. Dalam 
proses ini ukuran citra menjadi 20x35 
piksel. Dengan memperkecil ukuran citra 
dapat mempermudah data yang masuk ke 
dalam jaringan syaraf tiruan. 
 
Gbr. 8 Proses resizing 
 
Selanjutnya citra yang sudah dilakukan 
resizing terlebih dahulu harus diubah ke 
dalam matriks vektor 700x1. 
 
B. Jaringan syaraf tiruan  
Pelatihan Jaringan syaraf tiruan 
menggukan metode backpropagation yang 
bertujuan untuk mendapatkan parmeter-
parameter yang dibutuhkan oleh jaringan 
agar didapat hasil pelatihan yang baik. 
Parameter tersebut sepeti bobot awal, bias 
awal, parameter epoch dan parameter goal. 
Parameter epoch dan parameter goal 
digunakan untuk menghentikan proses 
pelatihan apabila sudah mencapai error yang 
diizinkan. Proses pelatihan akan berhenti 
apabila telah mencapai output sesuai target 
yang ditentukan berdasarkan error yang 
diizinkan. Dalam aksara Lampung terdapat 
beberapa karakter yang hampir sama, maka 
ELECTRICIAN – Jurnal Rekayasa dan Teknologi Elektro     160 
 
 
 
Volume 10, No. 3, September 2016 
diperlukan proses pelatihan bertingkat 
(ganda) untuk melatih katrakter tersebut. 
 
IV. HASIL DAN PEMBAHASAN 
 
Hasil pelatihan karakter huruf tunggal 
didapat rata-rata kesalahan pelatihan sebesar 
4,87%. Sedangkan setelah dilakukan 
pelatihan bertingkat diperoleh nilai kesalahan 
rata-rata pada pelatihan sebesar 0,36%. 
Pelatihan bertingkat bertujuan untuk 
menurunkan tingkat kesalahan pada 
pelatihan huruf utama akibat adanya 
pengaruh pada pengambilan data, jumlah 
data, proses pengolahan citra, bentuk huruf 
yang memiliki kemiripan, serta parameter-
parameter pelatihan pada jaringan syaraf 
tiruan. Sedangkan pada pelatihan anak huruf 
di atas persentase rata-rata kesalahan sebesar 
2,88%. Pada karakter di depan induk huruf 
persentase rata-rata kesalahan 2,35%. 
Karakter anak huruf di bawah diperoleh rata-
rata kesalasahan sebesar 0,50%, sedangkan 
pelatihan bertingkat karakter anak huruf di 
depan (ai dan nengen) sebesar 0,56%. 
Setelah dilakukan pelatihan dan didapat 
hasil pelatihan berupa bias dan bobot. Maka 
selanjutnya melakukan proses pengujian 
pengenalan dan penerjemahan pada 
perangkat aplikasi yang telah dibuat. Berikut 
merupakan tampilan (Gbr. 10) dari perangkat 
aplikasi yang telah di eksekusi dapat 
mengenali tulisan aksara Lampung.  
 
 
Gbr. 9 Tampilan Sistem aplikasi  
 
Gambar 9 diatas merupakan tampilan dari 
perangkat aplikasi yang memiliki 
kemampuan untuk mengenali karakter aksara 
Lampung dan menterjemahkan kosakata 
bahasa Lampung ke dalam bahasa Indonesia. 
Pada pengujian aplikasi ini dilakukan dua 
tahap pengujian karakter aksara Lampung 
dan kosakata bahasa Lampung. Dari 
pengujian karakter aksara Lampung (ka, ga, 
nga, pa, ba, ma, ta, da, na, ca, ja, nya, ya, a, 
la, ra, sa, wa, ha, gha)  dilakukan 10 kali 
pengujian diperoleh rat-rata kesalahan 
sebesar 22 %. Dimana kesalahan pengenalan 
karakter yang tertinggi pada karakter ba 
sekitar 50%. 
Sedangkan pada pengujian kosakata 
Lampung dilakukan sebanyak 100 kali 
pengujian dengan 10 kosakata yang 
ditunjukkan pada Tabel 4.  
 
Tabel 4 Pengujian kosakata bahasa Lampung 
No Nama (A/O) Terjemahan 
1 Agas (A) nyamuk 
2 Baghih (A) lain 
3 Helau (A) bagus 
4 Kawai (A) baju 
5 Minan (A) bibi 
6 Umo (O) ladang 
7 Ghanglaya (A) jalan 
8 Dapek (O) dapat 
9 Jamo (O) dengan 
10 Nayah (O) banyak 
ELECTRICIAN – Jurnal Rekayasa dan Teknologi Elektro     161 
 
 
 
Volume 10, No. 3, September 2016 
Tabel 4 merupakan daftar kosakata aksara 
Lampung yang akan diuji. Dari total 100 
(seratus) penulisan kosakata aksara 
Lampung, 40 (empat puluh) kosakata 
diantaranya tidak dapat dikenali secara baik. 
40(empat puluh) kosakata tersebut terdiri 
atas, pengujian pertama: agas, kawai, minan, 
umo, ghanglaya, dapek. Pengujian kedua: 
Agas, baghih, helau, ghanglaya, dapek, 
jamo, nayah. Pengujian ketiga: baghih, umo, 
ghanglaya, nayah. Pengujian keempat: 
baghih, helau, dapek. Pengujian kelima: 
umo. Pengujian keenam: baghih, helau, 
minan, umo, dapek. Pengujian ketujuh: 
baghih, ghanglaya, nanyah. Pengujian 
kedelapan: baghih, helau, ghanglaya, dapek. 
Pengujian kesembilan: agas, baghih, minan, 
umo, jamo, nayah. Dan pengujian kesepuluh: 
ghanglaya. Jumlah pengujian kosakata 
sebanyak 100 kali pengujian dan jumlah 
kesalahan pengenalan sebanyak 40 kosakata, 
maka : 
              	                (%) =
40
100
  100%
= 40% 
 
Dari perhitungan diatas pada pengenalan 
karakter aksara Lampung diperoleh 
persentase kesalahan sebesar 22% sedangkan 
pada pengujian kosakata diperoleh 
persentase kesalahan sebesar 40%. 
Masih ada kesalahan pengenalan karakter 
pada sistem aplikasi disebab karena beberapa 
faktor diantaranya: 
1) Beberapa bagian karakter aksara 
Lampung memiliki kemiripan bentuk 
yang dominan dengan karakter lain 
seperti karakter aksara Lampung ka 
dengan ga dan sa, pa dengan ba dan ma, 
ja dan na, nga dengan a dan la, ca 
dengan ha dan gha.  
2) Proses pengolahan citra pada penelitian 
ini dilakukan untuk mendapatkan nilai 
yang diinginkan. Namun, ada beberapa 
hasil dari pengolahan citra yang kurang 
sempurna.  
Seperti pada gambar dibawah ini 
merupakan hasil dari proses pengolahan 
citra. 
    
Gbr. 10 Kesemaan bentuk karakter 
 
  
Gbr. 11 Hasil deteksi tepi canny 
 
Dari kedua gambar diatas merupakan 
hasil dari proses pengolahan citra. Pada 
Gambar 11 merupakan karakter yang 
memiliki kesamaan bentuk setelah 
dilakukan proses pengolahan citra, 
sehingga kemungkinan besar kedua 
karakter ini saling mengenali. Gambar 
12 proses pengolahan citra dimana pada 
bagian tepi karakter tidak dikenali secara 
sempurn, sehingga akan mempengaruhi 
proses selanjutnya.  
3) Keragaman bentuk penulisan karakter 
aksara Lampung. Pada pengambilan 
sampel dengan kotak formulir 
menggunakan perangkat layar sentuh 
berupa smartphone dan komputer tablet, 
formulir merupakan data gambar yang 
dapat diedit dengan menggunakan 
aplikasi menggambar. perbedaan 
perangkat ini menyebabkan ukuran 
sampel set formulir berbeda. 
Pengambilan sampel beberapa orang 
yang dimintai sampel belum pernah 
menulis aksara sebelumnya. Sehingga 
 
ELECTRICIAN – Jurnal Rekayasa dan Teknologi Elektro     162 
 
 
 
Volume 10, No. 3, September 2016 
tulisan aksara sedikit berbeda dari 
aslinya. 
4) Parameter-parameter pelatihan pada 
jaringan syaraf tiruan. Penentuan 
parameter-parameter pada jaringan 
syaraf tiruan seperti jumlah hidden 
layer, besar momentum, inisiasi bobot 
dan bias, parameter goal, sangat lah 
berpengaruh pada besar nilai kesalahan 
yang dihasilkan. Parameter-parameter 
pada penelitian ini mengambil nilai 
kesalahan yang terkecil yang akan 
digunakan pada pengujian. 
 
V. KESIMPULAN 
 
1) Sistem aplikasi pengenalan aksara 
Lampung berhasil mengenali per-karakter 
aksara Lampung sebesar 78% dari 10 
(sepuluh) kali pengujian. 
2) Sistem aplikasi pengenalan aksara 
Lampung mengenali kosakata sebesar 
60% dari 100 kali pengujian.  
3) Metode deteksi tepi (canny) dapat 
mengenali karakter aksara Lampung akan 
tetapi kurang maksimal, dikarenakan 
canny membaca bagian-bagian tepi objek 
dan hanya memberikan satu tanggapan 
biner, sehingga mempengaruhi bagian 
pengolahan citra selanjutnya dan 
mempersulit proses pengenalan karakter. 
4) Kesalahan utama pada pengenalan pola 
untuk sistem aplikasi dipengaruhi oleh 
keragaman penulisan aksara Lampung 
pada formulir (tempat penulisan aksara 
Lampung) tersebut. 
 
REFERENSI 
 
[1] D. Wang, B Zhu and M. Nakagawa, A 
Digital Ink Recognition Server For 
Handwritten Japanese Text, International 
Conference On Document Analysis  And 
Recognition, 2011, pp.146-150 
[2] J. Jo, J. Lee and Y, Lee, Stroke-Based 
Online Hangul/Korean Character 
Recognition, Chinese Conference On 
Pattern Recognition, 2009, pp. 1-5 
[3] B. Zhu, X. Zhou, C. Liu, And M. 
Nakagaw, A Robust Model For On-Line 
Handrwritten Japanese Text Recognition, 
International Journal On Document 
Analysis And Recognition, 2010, vol. 
13(2), pp. 121-131 
[4] C. Pornpanomchai, V. Wongsawangtham, 
S. Jeungudomporn, and N. Chatsumpun, 
Thai Handwritten Character Recognition 
By Genetic Algorithm (THCRGA), IACSIT 
International Journal Of Engineering and 
Technology, 2011. Vol 3(2),pp 148-153 
[5] Kadir, Abdul dan Andhi Susanto. 2013. 
Teori dan Aplikasi pengolahan Citra. 
Andi. Yogyakarta. ISBN978-979-29-3430-
4 
[6] S. Vijayarani. Dr. And M. Vinupriya. Mrs, 
Performance Analysis Of Canny And Sobel 
Edge Detection Algorithms In Image 
Mining, International Journal Of 
Innovative Research In Computer And 
Communication Engineering, 2013, vol. 1, 
issue 8.    
[7] Winarno. Edy, Aplikasi Deteksi Tepi Pada 
Realtime Video Menggunakan Algoritma 
Canny Detection, Jurnal Teknologi 
DINAMIKA, 2011, vol 16, no 1 (44-49). 
[8] Ramadevi. Y, Srideve. T, poornima. B and 
Kalyani. B, Segmentation And Objeck 
Recognition Using Edge Detection 
Techniques, International Journal Of 
Computer Science & Information 
Technology (IJCSIT), 2011, vol.2, No.6  
[9] Adiansyah Dan Romodhon, Rizky, 
Ekstraksi Bentuk Janin Pada Citra Hasil 
Usg 3 Dimensi Menggunakan Deteksi Tepi 
Canny, Journal Of Reserch In Computer 
Scince And Aplication, 2012, vol. 1, No. 1 
[10] Mousa. Allam, Canny Edge detection 
Based vehicle plate recognition, 
International Journal Of Signal Processing, 
ELECTRICIAN – Jurnal Rekayasa dan Teknologi Elektro     163 
 
 
 
Volume 10, No. 3, September 2016 
Image Processing and Pattern Recognition, 
2012, vol.5, No. 3 
[11] Noeh, M dan Harisfadilah. 1979. Kamus 
Umum Bahasa Lampung-Indonesia. 
Universitas Lampung. Bandar Lampung. 
[12] Setiawan, H. 2014. Rancang Bangun 
Aplikasi Pengenalan Tulis Tangan Aksara 
Lampung Dengan Masukan Layar Sentuh 
Menggunakan Jaringan Syaraf Tiruan 
Bacpropagation. (Skripsi). Universitas 
Lampung. Bandar Lampung. 
[13] Yani, E. 2005. Pengantar Jaringan Syaraf 
Tiruan. MateriKuliah.Com. Universitas 
Muhammadiyah Gresik. 
[14] MATLAB HELP.R2009a. Morphological 
Operations. 
 
 
 
  


Penggunaan Deteksi Tepi (Canny) pada Sistem Pengenalan Tulisan Tangan Aksara Lampung Berbasis Jaringan Syaraf Tiruan

Yuniati, Yetti

Simulasi Pengaruh Shadowing dan Rayleigh Fading terhadap Performansi TCP Reno pada Jaringan UMTS

Not a member yet