Upload
dinhdien
View
224
Download
0
Embed Size (px)
Citation preview
Program 5tudi 52153 llmu Komputer Fakultas Matematika dan llmu Pengetahuan Alam Universitas Gadjah Mada
SEMINAR NASIONAL ILMU KOMPUTER 2013
IC•JWl•-----------------------Aplikasi Komputasi Terdistribusi, Kecerdasan Komputasional, dan Bioinformatika
· Komputasi Terdistribusi · Natural Language Processing · Bioinformatika · Semantic Web · Kecerdasan Buatan · Sistem Informasi Geografi · Cloud & Grid Computing · Sistem Pakar · Sistem Informasi dan Aplikasinya · Sistem Pendukung Keputusan · Data Warehouse and Data· Mining · Cased Based Reasoning · Jaringan Syaraf Tiruan · Keamanan Data dan Jaringan · Green Computing
Published by: Indonesian Computer and Instrumentation Support Society (indoCEISS)
Seminar Nasiona/1/muKomputer 2013 Yogyakarta, 12 Oktober 2013
Penanggungjawab
Dra. Sri Hartati, M .Sc, Ph.D
Ketua Pelaksana
Putu Sugiartawan
Komite Program
Prof. Drs. Jazi Eko lstiyanto, M .Sc, Ph.D
Prof. Drs. Suryo Guritno, M .Stats, Ph.D
Prof. Ir. Zainal A.Has ibuan, MLS, Ph.D
Dra. Sri Hartati, M .Sc, Ph.D
Drs. Retantyo Wardoyo, M.Sc, Ph.D
Dr. Ir. Sri Nurdiati, M .Sc
Editor Pelaksana
Lathifah R. lndrayanti
Jaka Permadi
Rina Septiriana
Vittalis Ayu
Medi Taruk
Published by :
KOMITE
Indonesian Computer Electronics and Instrumentation Support Society (lndoCEISS) at Sekip Utara
Bulaksumur. Gedung Sekretariat ELINS Lt.1 FMIPA UGM. Yogyakarta, 55281. telp/fax : +62 (27 4j 3044383 / +62 (274) 555133. email : [email protected]
Copyright Abstracting is permitted with credit to the source. Copyright © 2013 by the Indonesian Computer Electronics and Instrumentation Support Society (lndoCEISS). All rights reserved. Printed in Yogyakarta , Indonesia.
Seminar Nasional I/mu Komputer 2013 Yogyakarta, 12 Oktober 2013
KO MITE
KATA PENGANTAR
DAFTAR ISi
Komputasi Terdistribusi
DAFTAR ISi
lmplemr it · Highly Available Dan Reliable Server Basisdata Dengan Automatic Failover l. 1::11 , Hldayah Anggraini
Bioinfo, ika Pendete , Kelainan Ginjal Melalui Pola Iris Mata
, ~ ' Purnama, Roberto Pehu/lsa Ta~lgan, RetnC?_ Novi Dayawatl
Kecerdasan Buatan Deteksi Cacat Daun Teh Camellia Sinensis Dengan Pengolahan Citra Digital
Yuda Prihandana, Ade Romadhony, dan Mah_mud Dwi Sulistiyo_ --------
Deteksi Warna Kulit Menggunakan Metode Explicitely Defined Skin Region Andi Su!!_yoto dan Agus Harjoko _ __ _
Dinamisasi Parameter Pada Fuzzy Model Xu Dalam Toolbox Algoritma Fuzzy Evolusi ___ Syaf!_ul Muzicj_ dan Retantyo War_d~oy_o __ _
Fuzzy C-Means Untuk Metode Penilaian Paired Comparison Pada Penilaian Kinerja Pegawai ___ Sandi Fajar Rodiyansy_a_h_d_a_n_F_lk_r,_· A_l~if ___________________ _
Klasifikasi Penentuan Kelayakan Kredit Dengan Naive Bayes Berbasis Forward Selection Putrj_ K~rnia Handayani
Menguji Ketahanan Dan Mengukur Kualitas Citra Watermark _ ___!!!k l"!_an Herl Ujia(!!o, Agus H'!_rjoko, RetantyE.__Wardoyo, Ari. M. Barmaw/ _ _
Modifikasi Algoritma Genetika Untuk Penyelesaian Permasalahan Penjadwalan Pelajaran Sekolah _ _ _ _ Rahman Erama don Retantyo Wardoyo
Modifikasi Species-Based Differential Evolution Pada Optimasi Fungsi Multimodal _ __ S'!J<!_lskandar Al!_drus dan Kuntjoro Adj/ Sldarto _ --------
Pengaruh Faktor Learning Rate Dalam Proses Pendeteksian Objek Menggunakan Teknik Reinforcement Learning
Setlawan Had/, Dian Nursantlka, dan Darmawan Paramuda Kurnlaputra
Pengklaslfikaslan Parameter Pada Tes Adaptif Dengan Metode Fuzzy Tsukamoto Rukll
Pengolahan Cltra Kanker Kullt Melanoma Dengan Clelab Dan K-Means Klasterlng A,ru/ Abdullah
Perancangan Penyelekslan Itinerary Agen Bergerak Untuk Penlngkatan Fault Tolerant Muhammad llasbl dan Jr:tzl Eko l~tly~nto _ _ _
Retrieval Citra Berbasis Konten Dengan Struktur Data Kd-Tree ___ H~I Santos!' dan Agus f!.arjoko ____ _
Review Ekstraksi Fitur Untuk Klasifikasi Kendaraan Dari Data Video Lalu Lintas . Imelda dan ~gus Har]oko
Simulasi Rancang Bangun Rumah Cerdas Berbasis Mikrokontroler Atmega16 Medi Tar!!k d.E_n Muh. Yusuf _ ----------~
iii
ii
iii
1
7
14
23
27
33
37
41
47
53
59
64
70
74
79
85
90
Seminar Nasional I/mu Komputer 2013 Yogyakarta, 12 Oktober 2013
Cloud dan Grid Computing Optimalisasi Penempatan Task Untuk Mendapatkan Sumber Komputasi Yang Seimbang Pada Jaringan Komputasi Grid Menggunakan Algoritma Genetic Dan Tabu Search
Ir/an Darm~wan, Kusprlyan~o, don Ian Joseph M -~-----------------~
· Slstem lnformasi dan Apllkasinya _ _ __ --------------Algorltma Desaln Denah Rumah 1 Lantai Dengan 3 Kamar Tidur
Purba Daru Kusuma
Oesaln Arsltektur Dan Basis Data Supply Chain Integration Menssunakan Stratesl Push-Pull (Studl l<asus P1d1 Toke Buku "A" DI Vosyakarta)
Barko Sotyo, Risk/ Adltya, don Handra Yuflt Rlsklawan Cai., ,, Slstem lnformasl Mualah roodlosses
Purbo Doru Kusuma don A1harl SN Eco-S1111rt M111111 : Alat Sehat Portabel Berbasls Smartphone Android
Aff/atul Mukaroh, Norma Ayuk Dlannlngslh, Al/In lmadul Haq, don Achmad Abdul Jabbar lmplementasl SMS Gateway Dalam E-Government Untuk Notifikasi Penerlmaan Arslp Surat
Lia Farokha~ don Ferry Wahyu Wibo~o
Membangun Purwarupa Framework PHP Berdasarkan Arsitektur Model, View Dan Controller (MVC) Dengan lntegrasi Javascript Dan CSS Dalam Pustakanya
AslanAlwi
Penerapan Aplikasi Sistem lnformasi Dan Pemodelan Strategi Layanan Berbasis Sms Gateway Di ·Puskesmas Cipedes Dengan Pendekatan Soft System Methodology (SSM)
Andi Nur Rachman, Cecep Muhammad Sidiq R., Rahml Nur Shofa _
Pengembangan Aplikasi Timesheet Management System Untuk Meningkatkan Kualitas Layanan Perusahaan (Studi Kasus : PT. Dimata Sora Jayate)
Agus Aon Jiwa Permana don Putu ~glartawan _____ _
Perancangan Enterprise Architecture Untuk Pembuatan Blueprint Teknologi lnformasi Rumah Saklt _ _ _ Aradea, Husni Muba~k, don Nadia D_am_ a_cl_ta ________________ _
Perbandingan Kinerja Data Manipulation Language Mongodb Dan SQL Server _ Andi Wahju Rahardjo Emanuel don Jimmy Sentosa _ _ _ _
Perencanaan Strategis Sistem lnformasi Untuk Rumah Sakit Islam XYZ Tasikmalaya _ R. Reza El Akbar, Aradea, ~a_r!_ De~/ Fatmawat/
Portal Sekolah Berbagi Menggunakan Teknologi Multi-Site Hasanuddln, Aryanto, don Astrled Sjujono _
Slstem lnformasi Perusahaan Daerah Air Minum Kabupaten Boyolali Untuk Meningkatkan Efislensl Berbasis Online __ ___!E!!!.fJutanto don K_ho_l_ru_l _A_kh-"y_a_r _________ ________ __ _
Slstem Pendeteksi Dini Banjir Menggunakan Sensor Kecepatan Dan Sensor Ketinggian Air Ary Mazharuddin S, '!_lglh P!lo Nugroho, don Hudon Studlawan
Strategi Layanan Teknologi lnformasi Perguruan Tinggi Berbasis It Service Management _ Aradea, don R. Reza El Akbar
Website Sistem Pengelolaan Jurnal Online Gunawan Putrodjojo don Willy
iv
96
102
108
113
120
124
130
137
144
148
155
160
166
172
179
185
193
Seminar Nasional //mu Komputer 2013 Yogyakarta, 12 Oktober 20/3
Data Warehouse dan Data Mining Forensik Mobile Pada Smartphone Berbasis Android Untuk Analisis Spamming SMS
laid Romegar Mair dan Ahmad Asha,:!_ __ ____ _ 200 lmplementasi Algoritma Suffix Tree Clustering Dan Nearest Neighbor Untuk Mengelompokkan Serita Pada Timeline Twitter
Jurro--li rlan Edi Wlnarko 204 Penerapan Teknik Data Warehouse Untuk Analisis Data Perekonomian Dan Pertumbuhan Ekonomi
"' '· ·•':!_! Mc,rgi S 209 Pengapl111.asian Algoritma CBA Untuk Klasifikasi Resiko Pemberian Kredit (Studi Kasus PT. TELKOM CDC Sub Area Kupang)
Robynson Amseke dan Edi Winarko 214 -~~~-------~~----~---
Jarlng n Syaraf Tin,(.m Model Penggabungan Jaringan Syaraf Tiruan Dan Sistem Berbasis Pengetahuan _ Anlfuddln Azis dan Sri Hartati _ ___ _ _ __ _ _ __ _ 223 Pengenalan Hand Gesture Dina mis Menggunakan Jst Metode Pembelajaran Backpropagation
.. Yyan.!_ukitodanAgusHarjoko _ _ ___ ____ ___ 227 Peramalan KLB Campak Menggunakan Gabungan Metode JST Backpropagation Dan CART
Sulis!yowc!_!i dan Edi Winarko .. 233 Prediksi Valuta Asing Dengan Jaringan Narx
Agus Sihabuddin dan Sr~ Hartati 239
Natural Language Processing Deteksi Plagiarisme Source Code Berbasis SIM Dengan Metode Perbaikan Coding Models Algorithm
Sevtian Agus Prasetyo dan_ Wijanarto 243 Membangun Aplikasi Natural Language Processing Menggunakan Instant Messenger Untuk lnformasi Bencana
Herny Februarlyantl dan Erl Zullar~ 249
Semantic Web Sistem Pengintegrasi Konten Jejaring Sosial Untuk Pencarian Orang Berbasis Web Semantik
___ Prisa Marga Kusumantara dan Khabib Musto/a 256
Sistem Pakar Metode lnferensi Certainty Factor Untuk Membangun Sistem Pakar Pendiagnosa Jenis Penya kit TB
_Munirah Muslim dan Retantyo Wardoyo _ 263
Perancangan Sistem Pakar Untuk Diagnosa Penya kit Sistem Pernafasan Dengan Menggunakan
Penalaran Bayes Mun/rah Mus/Im dan Retantyo Wardo~ 268
Production Rules Sebagai Model Keputusan Pemlllhan Jenls Sayuran Berbasis Expert System Rina F~a!J dan Anastasya Latubessy _ __ _ _ 274
Studi Perbandingan Efektivitas Penerapan Metode Forward Chaining Dalam Sistem Pakar _ _ _N. Tri Sus'!!anto Saptadi, Hans_ Christia_n Mar"!}, dan _Riy_an !_anggulung_En 279
v
Seminar Nasional 1/mu Komputer 2013 Yogyakarta, 12 Oktober 2013
Slstem Pendukung Keputusan Analisis GAP untuk ldentifikasi Metode Control! Landfill dalam Prosedur Pembuangan Sampah
Anastasya Latubes~y 286
Group Decision Support System Penentuan Penerimaan Beasiswa {Studi Kasus Universitas Malikussaleh)
Mutammimul Ula 290 - - - -Sistem Pendukung Keputusan Pembentukan Portofolio Saham Dengan CAPM Dan APT
Putu Sugiartawan don Aniek Suryanti Kusuma 298
Sistem Pendukung Keputusan Pemesanan Barang Berdasarkan Peramalan Penjualan Pada Koperasi Xyz
Brlg!!!a Arie Minartiningtyas dan Gede Putra Hartawan ___ _ _ 304 Sistem Pendukung Pengambilan Keputusan Bauran Energi Sebagai Proyeksi Suplai Energi Nasional Berbasis Web
!Juru~ Hiron, Lukito Edi Nugroho, d!1n Abdul Kadlr ~ 308 Sistem Pendukung Pengambilan Keputusan Pengoperasian Sistem Kelistrikan Pin Sulselrabar
Sylvia Ja_ne dan Sri Hartati _ 314 SPK Kenaikan Pangkat Dan Jabatan Pns Menggunakan Metode Multi Criteria Decision Making {Mcdm)
Muh Yamin 319 ----------
Keamanan Data dan Jaringan Studi Eksperimental Modified Least Significant Bit Dan Spread Spectrum Pada Berkas Wave
Agustan Latif don Edi Winarko 327
Susunan Panitia 336 - -
vi
iding - Seminar Nasional llmu Komputer 20 I 3 ISBN: 978-602-19406-J-7
Pengenalan Hand Gesture Dinamis Menggunakan JST Metode Pembelajaran Backpropagation
Yuan Lukito dan Agus Harjoko
Abstract - Utilization of hand gestures to interact --'• a computer has multiple advantages over
. .-entional input devices such as mouse or board. Thus, it is necessary to develop a system
Jt can recognize hand gestures and translated into a -~mand to be executed by a computer. Many _ earches for recognizing hand gestures in real time
. face challenges from hand position tracking oblem and discoveries of optimum recognition ,:;1hod is needed. The developed system consists of quisition, training and recognition process.
~quisition process is achieved using steps in digital :age processing such as segmentation, dilation and osion, convex hull and convexity defect to
_ ntinuously estimate hand position and acquire hand ovement path. Hand position coordinates is vcessed and normalized into image for training and entification. Recognition result acquired from output
_.- trained artificial neural network and interpreted r10 command for computer. In the experiments, the
:eloped system has 96.97% success rate on hand
5esture acquisition process. Highest recognition rate xquired is 95.24% with 30x30 pixel normalized
wge size. Normalized image with 30x30 pixel size i;ws higher recognition rate than other size. .'ricreasing training data from 330 to 550 improves
1·erall average recognition rate from 78.04% to -n.96%.
Keywords- hand gesture, pattern recognition, neural etworks, backpropagation.
1. PENDAHULUAN
Penelitian mengenai Human Computer Interaction (HCI) terus mengalami
perkembangan, terutama untuk permasalahan perangkat masukan (input device)yang digunakan untuk berinteraksi dengan komputer. Perangkat mekanis sepertimouse, keyboard dan joystick masih dominan dan umum digunakan. Walaupun anyakdigunakan, sebenarnya perangkat
masukan tersebut memiliki beberapa kelemahan, salah satu diantaranya adalah tidak alami bagi manusia. Hal ini disebabkan karena manusia
Yuan Lukito, Fak. Teknologi Infonnasi UKDW, JI. Dr. ,\'ahidin Sudiro Husodo 5-25, Yogyakarta([email protected]).
Agus Harjoko, Ilmu Komputer dan Elektronika,FMIP A UGM, JI. Sekip Utara, Sleman, Yogyakarta([email protected]).
sudah terbiasa berkomunikasi dengan sesama manusia menggunakanmedia komunikasi suara disertai bentuk posisi tubuh(bocry pose) dan gerakantangan (hand gesture).
Penggunaan hand gesture memiliki beberapa kelebihan dibanding perangkat masukan konvensional seperti mouse atau keyboard, yaitu dalam hal banyaknya variasi masukan yang dapat dilakukan, lebih mudah dilakukan, lebih alami, lebih interaktif dan membutuhkan proses pembelaj aran yang relatif lebih singkat [ 1]. Dari beberapa kelebihan hand gesture tersebut, perlu dilakukan penelitian lebih lanjut mengenai penggunaannya sebagai pelengkap atau pengganti alat input konvensional. Penelitian mengenai penggunaan hand gesture dapat dibagi menjadi dua kategori yaitu hand gesture statis dan hand gesture dinamis.
Penelitian-penelitian mengenai penggunaan hand gesture dinamis umumnya dilakukan untuk keperluan yang bersifat khusus, seperti pada penelitian [2] yang menerapkan hand gesture sebagai pengontrol untuk video game . Penggunaan hand gesture dapat menggantikan perangkat mekanis mouse atau keyboard,seperti yang dilakukan pada penelitian [3]. Perangkat elektronik di dalam mobil juga dapat dikontrol menggunakan beberapa hand gesture sederhana [ 4]. [5] melakukan penelitian mengenai penggunaan hand gesture bagi dokter untuk melihat kumpulan gambar-gambar medis pada lingkungan steril. Penggunaan hand gesture untuk sistem Smart TV ditelitioleh [6] yang difokuskan pada pengenalan angka yang diberikan melalui hand gesture. [7] melakukan penelitian penggunaan hand gesture untuk mengendalikan robot jarak jauh.
Sebuah sistem pengenalan hand gesture dapat dibagi menjadi dua tahap,yaitu tahap akuisisi hand gesture dan tahap pengenalan (recognition). Tahap akuisisi merupakan proses untuk mendapatkan pola hand gesture yang dilakukan oleh pengguna sistem tersebut. Untuk hand gesture dinamis tahapannya terdiri dari hand detection, hand segmentation dan hand tracking. Untuk proses hand tracking dapat
227
Prosiding- Seminar Nasional I/mu Komp uter 2013
dibagi menjadi dua macam, yaitu dalam bidang dua dimensi atau dalam bidang tiga dimensi. Pada tahap pengenalan dilakukan proses identifikasi atau proses pengelompokkan (clustering) untuk menginterpretasikan hand gesture yang didapatkan dari tahap akuisisi .
Terdapat berbagai macam metode untuk proses identifikasi seperti metode Finite State Machine (FSM), metode statistikal seperti metode Hidden Markov Model(HMM) atau penggunaan Jaringan SyarafTiruan (JST).
Pada sistem pengenalan hand gesture, sistem diharapkan dapat bekerja dalam kecepatan tinggi (real-flme) dan memiliki akurasi pengenalan yang tinggi.Untuk mencapai tujuan tersebut, metode-metode yang digunakan untuk pengenalan adalah metode-metode yang dapat bekerja dalam kecepatan tinggi, tidak membutuhkan waktu lama untuk proses komputasinya. Jaringan syaraf tiruan memiliki kecepatan yang tinggi untuk digunakan dalam proses pengenalan, walaupun memiliki kelemahan pada proses pelatihan yang membutuhkan waktu relatif lama.
Pergerakan tangan dari proses hand tracking akan membentuk pola seperti tulisan tangan jika dipetakan dalam bidang dua dimensi. Pola pergerakan tangan dapat dianggap sebagai sebuah pola tulisan tangan. Beberapa ·· penelitian mengenai pengenalantulisan tangan menggunakan Janngan syaraf tiruan menghasilkan tingkat akurasi yang cukup baik, seperti pada penelitian [8] untuk pengenalan tulisan tangan yang berupa karakter, penelitian [9] untuk pengenalan tulisan tangan yang berupa aksara jawa nglegeno, penelitian [ 1 O] untuk pengenalan aksara bali tercetak dan penelitian mengenai pengenalan aksara Lontara BugisMakassar[ 11 ].
Penelitian 1m akan mengkaji dan mengimplementasikan sistem pengenalan hand gesture dinamis menggunakan jarin'gan syaraf tiruan, dengan pendekatan sistem pengenalan tulisan tangan. Diharapkan penelitian ini akan menghasilkan sebuah sistem pengenalan hand gesture dinamis yang dapat bekerja secara realtime dan memiliki akurasi yang cukup tinggi.
2. METODE PENELlTIAN
Pada penelitian ini sistem pengenalan hand gesture dinamis dibagi menjadi tiga proses utama yaitu proses akuisisi, proses pelatihan metode backpropagation dan proses identifikasi.
228
ISBN: 978-602-19406-1- -
2.1. Diagram Alir Sistem
Hubungan antara proses akuisisi hand gesture, pelatihan dan identifikasi dapat diliha· pada Gambar 1. Proses akuisisi bertujuan untuk mendapatkan lintasan pergerakan tangan yan:o dilakukan dalam beberapa tahap yaitu segmentas. tangan berdasarkan warna kulit [2], dilasi [12:. erosi [12], perhitungancontour, convex, conve. hull, convexity defect dan penentuan bentuk <la= posisi tangan. Perhitungan bentuk dan posL tangan dilakukan secara kontinyu un · mendapatkan lintasan pergerakan tangaL. Lintasan pergerakan tangan kemudian dipro -menjadi citra dan dinormalisasi menjadi ci~ hitam-putih berukuran 30x30 pixel, 36x25 puc dan 25x36 pixel untuk dicari ukuran dengan has tingkat akurasi terbaik.
Proses pelatihan dengan backpropagation dilakukan dengan mas · -citra hasil pemrosesan awal dan normali:.:.: untuk mendapatkan bobot-bobot pada jarin= -syaraf tiruan. Proses identifikasi dila -dengan menghitung keluaran yang dihasi oleh citra masukan untuk kemudian diidentifi · sebagai perintah yang harus dijalankan o komputer.
Proses Akulslsl Hand Gesture
Wel,cam Cltr• dfrl wabqm D-- (640.480 pixel) {seura kontlnyu)
Menentukan bentul tangan
Bentuk t•ne•n yan1 dld•p•tbn
Penyimpanan kooro,. Oaftar koordlnat -----'--i penyusun finta sar
per1erakan tanc11n I pergerakan ta ngar
Pernbentukan lintasan dan normalisasi citra lintasan
Cltr• berukuren m x n pixel (sebacal data pelatlhan)
r--------, I JST Pelatihan I
ILJ..._ ______ .
'-----------Cttr• berukuran m x n pi:xa
1---- (untuk dndentlfilaui)
Proses ldentlflkasl Hand Gesture r---
1~--L---JSTden1an
: Backpropagation I bobot hasll pelotlhan I LI--~--
I - - - - - - - - _I I ___ ----
Proses Pelatlhan Metode Backpropagatlon
Gambar I
2.2. Proses Akuisisi Hand Gesture
Proses akuisisi bertujuan untuk mendz~ lintasan pergerakan tangan yang disu -titik-titik koordinat posisi tangan dalam :-~ waktu tertentu. Pada penelitian ini dideu-~-bentuk tangan untuk melakukan hand .:: seperti pada Gambar 2.
,ding_-:-_Se111inllr Nasional Jh,:u Komputer ?QU
rf}n fl;ill0
+-- \ J I. Posisi """'
. - 1I'~ ~ ~ i ' YJ J, l'oslsl m<1g•khiri gc51L
n, ~ I "·-"::"., Bcntuk tangan untuk melakukan hand gesture
Proses akuisisi dilakukan dengan pemrosesan :.~ digital yang didapatkan dari webcam secara ntinyu. Diagram alir proses akuisisi dapat hat pada Gambar 3. Citra berukuran 640x480 pixel yang
.:::ipatkan dari webcam disegmentasi dalam _mg warna HSV untuk mendapatkan area
..a.,gan. Kemudian dilanjutkan dengan proses o.straksi contour, convex hull dan convexity
rect untuk melakukan estimasi bentuk dan :;isi tangan yang diwakili oleh ujungjari.
Estimasi bentuk tangan didapatkan dari depth c'lDt pada con~exity defect dan hubungan antara ~pusat
We beam
[J1
1 Cl:ttdlrlwebcam , __ , .
,_,..,..,., Menentukan bentuk tangan - - · ---------~----------------------------------Stsn1ent~i bffd~•tan w...-rw kulit (d•l.,m ,u.1ng
W.Un.l H~V)
', ..
p~~:~:;:n I cs.tff(f
a.p..t.1hi<tri l.JOQ.lri Y'llfJmcmbuk.l Jumlahny;, l ? /
H1tungjuml.ah Joli i tAng;m yang ,.....,__,_ 111,embuki (bef<Uu1t,Jn ;.11-ik titik
I pusat t•ogan lerhJd.:tp end poW'lt) :
Hitung tilit puut langan d~r-i t ii i.k pu;a1 lmglc.a.ran
ttrkt<il y.Jng mt-1nu.1t wmu.l depHt point
--------~~----------------------------------------------h
;:.'~'. ;:;:.,:~" I Mencatat koordinat posisi tangan
Gambar 3 Diagram alir proses akuisisi
:.illgan dengan end point sebagai estimasi posisi J.ri tangan, seperti pada Gambar 4.
·-·-~--~
~\\ -endPoint
-. --Depth Point
I 1. i---- Tltik pum 1elapak '"'\ tanaan
- v .-. -~. Gambar 4 Endpoint dan depth point untuk estimasi bentuk
tangan
ISBN: 978-602-19406-J-7
2.3. Pemrosesan Awai dan Normalisasi
Kumpulan titik posisi tangan dari proses akuisisi kemudian diubah menjadi citra berisi lintasan pergerakan tangan. Pengubahan dilakukan dengan membentuk citra berukuran 640x480 pixel, kemudian titik-titik posisi tangan digambar pada citra tersebut dan dihubungkan secara berukuran sehingga membentuk lintasan pergerakan tangan. Langkah berikutnya adalah melakukan pemotongan ( cropping) sesuai dengan ukuran lintasan yang terbentuk seperti contoh pada Gambar 5. Citra tersebut kemudian diubah ukurannya menjadi mxn pixel, dalam penelitian ini ditentukan ukuran 30x30 pixel, 36x25 pixel dan 25x36 pixel yang digunakan dalam pcngujian .
2.4. Pelatihan Metode Backpropagation
Jaringan syaraf tiruan yang digunakan terdiri dari tiga lapisan yaitu lapisan masukan, lapisan tersembunyi dan lapisan keluaran. Jumlah neuron pada lapisan masukan ditetapkan sejumlah 900 neuron dan jumlah neuron pada lapisan keluaran adalah 11 neuron sesuai dengan jumlah kelas identifikasi yang digunakan.
Kelas identifikasi berjumlah 11 yang masingmasing diinterpretasikan sebagai sebuah perintah yang harus dijalankan oleh komputer dengan bentuk seperti pada Gambar 6.
640 X o~~~~~~~~~~~~~~~~~--+
(120,100) r-
(120,360)
(380.100)
I
(380,360)
480~--------------------------------~
Gambar 5 Contoh pcmbcntukan Jintasan tangan dari titik-titik koordinat posisi tangan
Jumlah neuron pada lapisan tersembunyi dicoba dengan jumlah 20, 40, 60, 80, 100 dan 120 untuk mendapatkan jaringan dengan tingkat akurasi terbaik. Fungsi aktivasi yang digunakan adalah fungsi sigmoid yang menghasilkan keluaran pada rentang 0 ... 1. Laju pembelajaran ditetapkan 0,1, nilai momentum 0,9, jumlah epoch maksimum 3000 epoch dan nilai error mm1mum (MSE) sebesar 0,0001. Pelatihan dilakukan dalam dua tahap, dengan 330 data
229
Prosiding- Seminar Nasional Jim,; Komputer 2013
pelatihan dan 550 data pelatihan untuk melihat pengaruh jumlah data pelatihan terhadap tingkat akurasi pengenalan sistem.
p z > < /\ Play Stop Play ocxt Play prev. Volume up
VMSOQ~ Volumt' down Mute/unmute Shuffle Repeat Fullscreen Exit
Gambar 6 Pola hand gesture yang digunakan dan interpretasinya
2.5. Proses Idetntifikasi Hand Gesture
Proses identifikasi dilakukan dengan menggunakan jaringan syaraf tiruan yang telah dilatih sebelumnya dengan metode backpropagation. Citra masukan yang akan diidentifikasi dibaca nilai-nilai pixel-nya untuk dimasukkan ke dalam lapisan masukan. Langkah berikutnya adalah menghitung keluaran dari jaringan syaraf tiruan tersebut kemudian ditentukan hasil kelas identifikasi berdasarkan indeks nilai keluaran terbesar (the biggest is the winner). Hasil dari proses identifikasi ini kemudian diinterpretasikan sebagai sebuah perintah yang harus dijalankan oleh komputer. Perintah dikirirnkan menggunakan event keypresspada aplikasi sang dituju. Pada penelitian ini aplikasi yang dikontrol adalah Windows Media Player.
2.6. Pengujian Sistem
Pengujian sistem dilakukan dalam dua bagian, yaitu pengujian tingkat keberhasilan proses akuisisi dan pengujian tingkat akurasi pengenalan hand gesture.
2. 6.1 Pengujian Akuisisi
Pengujian tingkat keberhasilan proses akuisisi menggunakan parameter uji kondisi cahaya ruangan dan jarak tangan ke webcam, seperti pada Tabel 1. T K abel 1 ondisi oernrniian tin2kat keberhasilan akuisisi No. Kondisi cahaya ruangan Jarak tangan ke
webcam I Pencahavaan kuram". terang 50-60 cm 2 Pencahavaan kurang terang 100-120 cm 3 Pencahayaan terang 50-60 cm 4 Pencahavaan terang 100-120 cm
Data uji yang digunakan berupa rekaman video berisi 33 hand gesture. Tingkat keberhasilan akuisisi akan dihitung berdasarkan perbandingan jumlah hand gesture yang terakuisisi dengan beriar dan jumlah hand gesture
230
ISBN: 978-602-/9406-l- -
keseluruhan yang diujikan, seperti pacz persamaan (1). tingkat keberhasilan = jumlah hand gesture terakuisisi dengan benar l . x
1umlah hand gesture keseluruhan
(1)
2. 6.2 Pengujian Tingkat Akurasi Pengenalan
Pengujian tingkat akurasi pengena'--dilakukan dalam dua tahap, yaitu dengan 3: data pelatihan dan 550 data pelatihan deng,tujuan untuk melihat pengaruh jumlah da:.. pelatihan terhadap tingkat akurasi pengena1 ,,_ yang didapatkan. Untuk masing-masing tahan tersebut digunakan tiga macam ukuran citra has normalisasi yaitu 30x30, 36x25 dan 25x36 pixc untuk melihat pengaruh ukuran citra has normalisasi terhadap tingkat akurasi sister:: Jaringan syaraf tiruan yang digunakan aka:: dicobakan variasi jumlah neuron pada lapi:"tersembunyi sebanyak 20, 40, 60, 80, 100 cb:: 120 untuk mendapatkan jaringan dengan tingkz: akurasi terbaik.
Data uji yang digunakan berupa rekanur:: video berisi 88 hand gesture yang har;.... diidentifikasi dengan benar. Tingkat akur:! pengenalan didapatkan dari perbandingan jum:hand gesture yang teridentifikasi dengan her dan jumlah hand gesture yang diujikan, sepe::: pada persamaan (2).
k . teridentifikasi benar 1ooov a urasi = x 70 jumlah keseluruhan
Toolbox algoritma fuzzy evolusi toolbox yang dapat digunakan un menyelesaikan masalah optimasi.Dalam toolc -ini pengguna dapat mengatur ukuran parame-masukan dan keluaran.Gambar 2 adalah tampi:_ dari toolbox algoritma fuzzy evolusi.
!":.,__.~·-
Gambar 2.Toolbox algoritma fuzzy evolusi
3. HASIL DAN PEMBAHASAN
3.1. Hasil Pengujian Akuisisi
Dari hasil pengujian didapatkan keberhasilan akuisisi tertinggi sebesar 96,9-untuk kondisi ruangan dengan pencaha) terang dan jarak tangan ke webcam antara 50-_
Prosiding- Seminar Nasional limu Komputer 2013
cm. Hasil pengujian selengkapnya dapat dilibat pada Tabel 2.
b 2 'I ' k k b h 'I k ' ' ' Ta el Has1 pengu11an tmg at e er as1 an a ms1s1 No. Kondisi pencahayaan ruangan Tingkat
dan jarak ke webcam 1 Pencahayaan kurang terang, 50-
60cm 2 Pencahayaan kurang terang, 100-
120cm 3 Pencahayaan terang, 50-60cm 4 Pencahavaan terang, I 00- l 20cm
3. 2. Hasil Pengujian Tingkat Akurasi Pengenalan
keberhasilan 63,64%
39,40%
96,97% 84,85%
Pengujian tingkat akusisi dilakukan dengan :nenggunakan data uji berupa video berisi 88 :and gesture yang barus diidentifikasi. Tingkat ·eberbasilan akuisisi untuk data uji tersebut ·dalab 95,5% sebingga mengbasilkan 84 hand .:,esture yang berbasil diakuisisi dengan benar. :>engujian tingkat akurasi pengenalan dilakukan erhadap 84 hand gesture tersebut.
Pelatihan metode backpropagation dilakukan _ ngan berbagai kombinasi parameter seperti :anlah neuron tersembunyi (6 macam), ukuran
: rra hasil pemrosesan awal (3 macam) sehingga .,. ara keseluruhan terdapat 18 jaringan syaraf ruan. Hasil dari pengujian tahap pertama dapat ·iihat pada Tabel 3.
Tabel 3 Hasil oengujian den"an 338 dMa aelatiila• Ukuran Neuron pada Nilai error Tingkat citra hidden layer (pelatihan) akurasi (%) 30x30 20 l,1025E-05 85,71 pixel 40 l,3338E-05 79,76
60 l,8103E-05 72,62 80 4,5424E-05 79,76 100 3,2001E-06 83,33 120 2,7917E-05 88,10
36x25 20 l,9444E-05 80,95 pixel 40 3,4387E-07 77,38
60 2,9426E-05 76,19 80 4,7522E-05 78,57 100 3,l l 19E-06 72,62 120 l,6466E-05 80,95
:5x36 20 l,9290E-06 75,00 _"ixel 40 l,9268E-06 77,38
60 4,7068E-06 77,38 80 2,1666E-05 71,43 100 2,2374E-07 72,62 120 8,2899E-06 75,00
Pengujian pada tabap pertama dengan 330 pelatihan menghasilkan tingkat akurasi
-:nggi sebesar 88, 10% untuk citra masukan -:.Jcuran 30x30 pixel dan neuron pada lapisan -"'mbunyi sebanyak 120 neuron. Dari hasil gujian didapatkan jumlah neuron pada lapisan embunyi relatif kecil pengaruhnya terhadap
;i-at akurasi yang didapatkan.
ISBN: 978-602-/9406-l-7
Pengujian kembali dilakukan pada tahap kedua dengan menggunakan 550 data pelatiban. Hasil pengujian tahap kedua dapat dilihat pada Tabel 4.
Tabel 4 Hasil pengujian d 550 d t I t'h enl!:an a a oe a I an Ukuran Neuron pada Nilai error Tingkat citra hidden /aver (Pelatihan) akurasi (%)
30x30 20 9,4396E-06 92,86 pixel 40 l,7897E-05 92,86
60 7,5839E-06 85,71 80 7,5606E-06 86,90 100 6,7440E-06 89,29 120 l,0027E-06 95,24
36x25 20 l,2877E-05 82,14 pixel 40 7,9552E-Q6 92,86
60 8,9442E-07 86,90 80 3,8734E-06 86,90 100 9,5981E-05 85,71 120 4,8187E-05 88,10
25x36 20 3,8896E-05 91,67 pixel 40 7,3908E-05 89,29
60 l ,2704E-05 94,05 80 l,5882E-05 90,48 100 9,3917E-06 79,76 120 7,7095E-06 90,48
Pada pengujian tabap kedua m1 d1dapatkan kenaikan tingkat akurasi pengenalan secara keseluruban. Tingkat akurasi tertinggi didapatkan sebesar 95,24% dengan citra masukan berukuran 30x30 pixel dan 120 neuron papa lapisan tersembunyi. Tingkat akurasi tersebut mengatami kenaikan dibandingkan cfengan tingkat akurasi pada percobaan dengan data pelatiban sebanyak 330 data.
Dari basil pengujian tahap pertama (330 data pelatiban) dan tahap kedua (550 data pelatiban) dapat disimpulkan penambaban data pelatiban dapat meningkatkan tingkat akurasi pengenalan secara keseluruban. Ukuran citra masukan 30x30 pixel me:rupakan ukuran yang memberikan tingkat akurasi terbaik dalam dua tabap pelatiban. Rata-rata akurasi sistem secara keseluruhan juga meningkat dari 78,04% dengan 330 data pelatiban menjadi 88,96% untuk 550 data pelatiban. Ringkasan perbandingan basil pengujian tersebut dapat dilihat pada Tabel 5.
Tabcl 5 Ringkasan basil pengujian 330 dan 550 data 'h oelah an
Kriteria Dengan 330 Dengan 550 data oelatihan data pelatlhan _
Tingkat akurasi tertinggi 88,10% 95,24% Tingkat akurasi terendah 71,43% 79,76% Rata-rata tingkat akurasi 78,04% 88,96% (keseluruhan)
4. KESIMPULAN
Kesimpulan yang dapat diambil dari penelitian ini antara lain:
231
Prosiding- Seminar Nasional ll!riu Komputer 2013
1. Proses akuisisi hand gesture mendapatkan basil terbaik dengan tingkat keberbasilan 96,97% untuk kondisi ruangan dengan cabaya terang dan jarak ke webcam antara 50-60 cm. Tingkat keberbasilan terendab, yaitu 39,4% didapatkan pada kondisi ruangan dengan pencabayaan kurang terang dan jarak ke webcam antara 100-120 cm.
2. Ukuran citra masukan basil pemrosesan awal dan normalisasi sebesar 30x30 pixel memberikan basil tingkat akurasi rata-rata tertinggi dibanding ukuran lainnya. Tingkat akurasi tertinggi didapatkan sebesar 95,24% untuk citra masukan berukuran 30x30 pixel dan jumlab neuron pada lapisan tersembunyi adalab 120 neuron.
3. Penambaban data pelatiban dari 330 menjadi 550 data pelatiban secara keseluruban meningkatkan tingkat akurasi pengenalan hand gesture dinamis. Tingkat akurasi tcrtinggi adalab 95,24% dengan parameter citra masukan berukuran 30x30 pixel dan 120 newon pada lapisan tersembunyi untuk proses pelatiban dengan metode backpropagation. Tingkat akurasi tersebut mengalami kenaikan dari 88,10% pada pengujian sebelumnya d~ngan data pelatiban berjumlab 330 data. Tingkat akurasi rata-rata keseluruban juga meningkat dari 78,04% · untuk 330 data pelatiban menjadi 88,96% untuk 550 data pelatiban.
5.SARAN Saran yang dapat diberikan untuk
pengembangan lebib lanjut berdasarkan kelemaban-kelemaban yang dimiliki oleb sistem pengenalan hand gesture dinamis ini antara lain: 1. Tingkat keberbasilan proses akuisisi sangat
mempengarubi tingkat akurasi pengenalan hand gesture dinamis, karena itu perlu ·dikembangkan lagi metode penentuan posisi tangan yang lebib baik dan lebib akurat
2. Terdapat banyak kombinasi parameter untuk proses pelatiban dengan metode backpropagation yang membutuhkan waktu relatif lama untuk dilakukan semuanya. Untuk mempersingkat waktu pelatihan dapat dicoba dengan menggunakan algoritma genetika atau algoritma lainnya
3. Kesalahan pengenalan disebabkan oleh banyak faktor, antara lain karakteristik data pelatihan, pemilihan parameter pelatihan dan dari proses akuisisi. Penelitian berikutnya dibarapkan dapat mencoba altematif metode pelatiban selain backpropagation serta
232
ISBN: 978-602-19406-I-7
mencoba data pelatihan yang lebih banyak jumlah dan variasinya.
UCAPAN TERIMAKASIH
Penulis mengucapkan terima kasih kepada FTI UKDW yang telah memberi dukungan finansial terhadap penelitian ini.
DAFT AR PUSTAKA
[I] Wu, Y., Huang, T. S., 1999, Vision Based Gesture Recognition: A Review, Lecture Notes in Computer Science: Gesture-Based Communication in HumanComputer Interaction, Springer Berlin, Heidelberg.
[2] Manresa, C., Varona, J., Mas, R. dan Perales, F. J., 1999, Real-Time Hand Tracking and Gesture Recognition for Human-Computer Interaction, J. Electronic Letters on Computer Vision and Image Analysis, 2, 1-7.
[3] Kurata, T., Okuma, T., Kourogi, M. dan Sakaue, K., 2001, The Hand Mouse: GMM Hand-color Classification and Mean Shift Tracking, Prosiding IEEE /CCV Workshop on RATFG-RTS, Vancouver.
[4] Zobl, M., Geiger, M., Schuller, B., Lang, M. dan Rigel!, G., 2003, A Realtime System for Hand Gesture Controlled Operation of In-Car Devices, Prosiding International Conference on Multimedia and Expo (!CME '03). Baltimore.
[5] Wachs, J., Stem, H., Edan, Y., Gillam, M., Feied, C., Smith. M. dan Handler, J., 2007, Real-Time Hand Gesture Interface for Browsing Medical Images, J. Jnte, Comp. Med., I, 175-185.
[6] Wu;"H.; Chen, X. dan Li, 'G., 2012, Simultaneous Trackin.;, and Recognition of Dynamic Digit Gestures for Sma:" TV Systems, Prosiding Fourth Jnternation Conference on Digital Home, Guangzhou.
[7] Tara, R. Y., Centroid Distance Fourier Description f Shape-Based Hand Gesture Recognition In Mob !
Robot Teleoperation, Tesis, Magister Teknol _ Informasi, Universitas Gadjah Mada, Y ogyakarta.
[8] Sitorus, S. H., 2003, Pengenalan Karakter Tulisan Tan: Dengan Menggunakan Cell Matriks pada Me Supervised Leaming, Tesis, S2 Ilmu Komp -Universitas Gadjah Mada, Y ogyakarta.
[9] Nugraha, A. W., 2009, Pengenalan Pola Tulisan Tac= Aksara Jawa Ngegeno Dengan Multiclass Sup~: Vector Machines (SVM), Tesis, S2 Teknik Ele Universitas Gadjah Mada, Yogyakarta.
[10] Sunarya, M. G., 2012, Pengenalan Aksara Bali Te -Pada Citra Dokumen Menggunakan Multi '......:. Perceptron Dengan Pembelajaran Backpropa_ · Tesis, S2 Ilmu Komputer, Universitas Gadjah •. Yogyakarta.
[ 11] Alwi, A., 20 I 0, Pengenalan Pola Huruf-huruf L Bugis-Makassar Dengan Menggunakan Ja: Syaraf Tiruan Metode Backpropagation, Tes Ilmu Komputer, Universitas Gadjah Y ogyakarta.
[12] Gonzales, R. C., Woods, R. E., 2008, Digital Processing, Prentice-Hall, New Jersey
ISBN 978-602-19406-1-7
111111 111111111111111 II I 9 786021 940617
AT Nomor :030/IX/B/Seminasik/HIMPASIKOM/2013
diberikan kepada: 'Yuan Luijto
, sebagai: PEMAKALAH
I
dalam rangka kegiatan
Seminar .. ·Nasion.al 11.mu Komputer · dengan tema
·111111,11 11•1111111 Terilstrlb111, ,leceri1s11 l-•111t1s11111 i11 1111111,matlla" Yogyakarta, 12 Oktober 2013
Ketua Program Studi Monodisiplin 52/53 Ilmu Komputer
~ Dra. Sri Hartati, M.Sc., Ph.D
n b::7 '\ ';, ~ r / , ~~
Drs. Pekik Nurwantoro, M.S., Ph.D
•
PANITIA SEMINASIK GAMA 2013
HIMPUNAN MAHASISWA PASCASARJANA ILMU KOMPUTER
UNIVERSITAS GADJAH MADA ~ 2 0 I 9 5ekretariat : Program 5tudi Monodisiplin 52/53 llmu Komputer UGM
Gedung Pascasarjana 52/53 FMIPA UGM 5ekip Utara Bulak Sumur - Yogyakarta 55281Telp/Fax : (0274) 555133
Nomor Lamp Hal
: 063/X/B/Seminasik/HIMP ASIKOM/2013
: Surat Keterangan Publikasi Makalah
Bersama dengan surat ini panitia menyampaikan bahwa makalah yang berjudul
Pengenalan Hand Gesture Dinamis Menggunakan Jst Metode Pembelajaran
Backpropagation telah dipublikasikan pada kegiatan Seminar Nasional Ilmu Komputer 2013
yang bertemakan "Aplikasi Komputasi Terdistribusi, Kecerdasan Komputasional, dan
Bioinformatika", yang diselenggarakan oleh Program Studi Monodisiplin S2/ S3 Ilmu
Komputer Fakultas MIPA Universitas Gadjah Mada pada tanggal 12 Oktober 2013 di dalam
prosiding dengan Nomor ISBN 978-602-19406-1-7. Adapun penulis yang terlibat pada
penulisan makalah tersebut antara lain:
1. Yuan Lukito sebagai Penulis I
2. Drs. Agus Harjoko, M.Sc.,Ph.D sebagai Penulis II
Demikian surat keterangan ini kami sampaikan, semoga dapat dipergunakan dengan
sebagaimana mestinya.
Medi Taruk
Menyetujui, Ketua Jurusan Ilmu Komputer dan Elektronika
Prof. Drs. Jazi Eko Istiyanto, M.Sc, Ph.D
Yogyakarta, 12 Oktober 2013
Mengetahui, Ketua Program Studi Monodisplin S2/S3 Ilmu Komputer
Dra. Sri Hartati, M.Sc, Ph.D
SEMINAR NASIONAL ILMU KOMPUTER 2013 - UNIVERSITAS GADJAH MADA "APLIKASI KOMPUTASI TERDISTRIBUSI, KECERDASAN KOMPUTASIONAL, DAN BIOINFORMATIKA"
LEMBAR HASIL PENILAIAN SEJA WAT SEBIDANG ATAU PEER REVIEW
KARY A ILMIAH: PROSIDING
Judul Karya Ilmiah (paper)
Jumlah Penulis Status Pengusul Identitas Prosiding
Kategori Publikasi Makalah (beri '>/ pada kategori yang tepat)
Hasil Penilaian Peer Review :
Pengenalan Hand Gesture Dinamis Menggunakan JST Metode Pembelajaran Backpropagation 2 (dua) orang Yuan Lukito, S.Kom., M.Cs. (Penulis Pertama) a. Judul Prosiding Seminar Nasional Ilmu Komputer 2013 b. ISBN/ISSN 978-602-19406-1-7 c. Tahun Terbit, Tempat Pelaksanaan d. Penerbit/Organiser
e. Alamat Repository PT/Web Prosiding
f. Terindeks di Qika ada)
Oktober 2013, FMIPA UGM Yogyakarta Indonesian Computer and Instrumentation Support Society (indoCEISS), FMIP A UGM Yogyakarta http://lecturer.ukdw.ac.id/yuan/publikasi/Peer Review-SEMINASIK2013-YuanLukito.pdf
D Prosiding Forum Ilmiah Internasional
~ Prosiding Forum Ilmiah Nasional
Nilai Maksimal Prosiding: 10 AK Nilai Akhir
Komponen Yang Dinilai lnternasional Nasional Yang
Diperoleh
a. Kelengkapan unsur isi buku (10%)
b. Ruang lingkup dan kedalaman pembahasan (30%)
c. Kecukupan dan kemutahiran data/informasi dan metodologi (30%)
d. Kelengkapan unsur dan kualitas penerbit (30%)
Total = (100%) Nilai Pengusul =
D 0 ---
--
I
3
3
3
10
elima, S.Kom.,M.Kom. 94 E 339 I LK 400 AK
I 3 J J JO [O
'
Unit Kerja: Prodi Teknik lnformatika-Fakultas Teknologi Informasi UKDW
LEMBAR HASIL PENILAIAN SEJAWAT SEBIDANG ATAU PEER REVIEW
KARY A ILMIAH: PROSIDING
Judul Karya Ilmiah (paper)
Jumlah Penulis Status Pengusul Identitas Prosiding
Kategori Publikasi Makalah (beri '1 pada kategori yang tepat)
Hasil Penilaian Peer Review :
Pengenalan Hand Gesture Dinamis Menggunakan JST Metode Pembelajaran Backpropagation 2 ( dua) orang Yuan Lukito, S.Kom., M.Cs. (Penulis Pertama) a. Judul Prosiding Seminar Nasional Ilmu Komputer 2013 b. ISBN/ISSN 978-602-19406-1-7 c. Tahun Terbit, Tempat Pelaksanaan d. Penerbit/Organiser
e. Alamat Repository PT/Web Prosiding
f. Terindeks di Uika ada)
Oktober 2013, FMIPA UGM Yogyakarta Indonesian Computer and Instrumentation Support Society (indoCEISS), FMIP A UGM Yogyakarta http ://lecturer. ukdw .ac. id/yuan/pub I ikasi/Peer Review-SEMINASIK2013-YuanLukito.pdf
D Prosiding Forum Ilmiah lntemasional
~ Prosiding Forum llmiah Nasional
Nilai Maksimal Prosiding: 10 AK Nilai Akhir
Komponen Yang Dinilai Internasional Nasional Yang
Diperoleh
a. Kelengkapan unsur isi buku (10%)
b. Ruang lingkup dan kedalaman pembahasan (30%)
c. Kecukupan dan kemutahiran data/informasi dan metodologi (30%)
d. Kelengkapan unsur dan kualitas penerbit (30%)
Total = (100%) Nilai Pengusul =
Catatan Penilaian artikel oleh Reviewer:
D ~ - 1
- 3
- 3
- 3
- 10
Y ogyakarta, l 2. a £...,f..., kr-- 2-tJ 1ir Reviewer 2
I Susanto, S. Korn., MT. K: 984 E 249/ LK 400 AK
J
2 / g
3 2../ ~ q,3
lO
Unit Kerja: Prodi Teknik Informatika-Fakultas Teknologi Informasi UKDW