(APPROVED) - Shofari Bagus
(APPROVED) - Shofari Bagus
NPM : 0616103019
Nama : SHOFARI BAGUS
Konsentrasi : APPLIED NETWORKING
UNIVERSITAS WIDYATAMA
BANDUNG
2022
REVIEW PROPOSAL TUGAS AKHIR
NPM : 0616103019
Nama : Shofari Bagus
Konsentrasi : Applied Networking
Judul : Optical Character Recognition pada Cetakan Teks Arab
Menggunakan Bio Inspired F-KNN Classifier
Kelegkapan Informasi
Kesimpulan:
Diterima/Ditolak/Diperbaiki
Alasan:
2. RUMUSAN MASALAH
3. TUJUAN
Penelitian pada permasalahan yang telah dijelaskan pada bagian latar
belakang masalah, bertujuan sebagai berikut:
1. Untuk melakukan rekognisi gambar dokumen arab menjadi file dokumen.
2. Untuk mengetahui pengaruh genetic algorithm pada nilai akurasi OCR
3. Untuk mengetahui tingkat akurasi OCR yang menggunakan gabungan
metode Genetic Algorithm dan Fuzzy K-Nearest Neighbor.
4. BATASAN MASALAH
Batasan permasalahan yang ada dalam penelitian ini dibatasi oleh hal-
hal sebagai berikut :
a. Penelitian menggunakan dataset PATS-A01 dan APTI berupa citra teks
arab
b. Penelitian menggunakan metode Genetic Algorithm dan Fuzzy K-Nearest
Neighbor
c. Penelitian hanya terbatas pada rekognisi gambar dokumen hasil scan dari
teks cetak yang telah ada.
5. LANDASAN TEORI
Image
Segmentation Preprocessing
Acquisition
Feature Post
Classification
Extraction Processing
No Genetik Terminologi GA
Manusia
1 Chromosomes Bit strings
2 Genes Features
3 Allele Feature Value
4 Locus Bit position
5 Genotype Encoded string
6 Phenotype Decoded genotype
1. Inisialisasi
Proses pertama pada GA adalah inisialisasi. Inisialisasi kandidat populasi
kromosom dapat dibuat secara acak atau dengan mendefinisikan input
chromosome. Bagaimana proses inisialisasi dilakukan bukanlah sebuah hal
yang bersifat critical selama initial population mencakup berbagai
pengaturan design variable. Jika informasi mengenai bagaimana sistem
dapat dioptimasi dapat diketahui, hal tersebut dapat dimasukan kedalam
initial population. Dalam binary representation setiap kromosom adalah
sebuah string yang terdiri dari bit 0 dan 1. Panjang dari sebuah string
bergantung pada required precision[5].
2. Evaluasi
Setelah populasi kromosom di inisialiasi proses selanjutnya adalah proses
evaluasi dimana pada proses ini nilai fitness mulai dihitung. Tujuan dari
fitness adalah untuk meng-encode secara numerical performa dari setiap
kromosom[5].
3. Seleksi
Pada tahap ini kromosom dengan nilai fitness terbesar akan ditempatkan
satu atau beberapa kali pada mating pool subset dengan cara semi-random.
Kromosom yang memiliki nilai fitness yang rendah akan dihapus dari
populasi. Terdapat beberapa metode untuk menjalankan seleksi, salah satu
metode yang biasa digunakan adalah roulette wheel selection dimana
setiap kromosom di tempatkan sesuai dengan nilai fitness function. Metode
ini dapat disimulasikan dengan menggunakan algoritma sebagai berikut :
1. [SUM] Menghitung total semua fitness kromosom ( f i) pada populasi
pop−¿f i ¿
F= ∑ ¿ (1)
i=1
( )
K 2
1
∑ u ij ∥ x−x j ∥
m−1
j=1
ui ( x ) = (1)
( )
K 2
1
∑ ∥ x− x j ∥
m−1
j=1
Keterangan :
ui ( x ) = Nilai keanggotan data x ke kelas i
K = Jumlah neighbor terdekat yang digunakan
uij = Nilai keanggotaan kelas i pada vektor j
x−x j = Selisih jarak dari data x ke data x j dalam K-neighbor terdekat
m = Weight exponent
6. METODOLOGI
Minggu
NO Kegiatan 1 1 1
1 2 3 4 5 6 7 8 9 0 11 2 13 4 15 16
Studi
Literatur dan
Pengumpulan
1 data
Pengerjaan
2 Tugas Akhir
Analisis dan
3 Perancangan
4 Implementasi
5 Pengujian
6 Sidang
Pembuatan
7 Laporan
8. USULAN PEMBIMBING