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 : indoceiss@gmail.com

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(yuanlukito@gmail.com).

Agus Harjoko, Ilmu Komputer dan Elektronika,FMIP A UGM, JI. Sekip Utara, Sleman, Yogyakarta(aharjoko@ugm.ac.id).

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