MAKALAH STUDI KOMPARASI DARI BEBERAPA JURNAL PENGENALAN POLA

Disusun untuk memenuhi salah satu tugas mata kuliah Pengenalan Pola

Disusun oleh: Yoga Pradana Pamungkas(0910683099) Eko Cahyo Ahmadi (0910683037) Hamdan Hamaris(0910680018)

JURUSAN TEKNIK INFORMATIKA FAKULTAS TEKNIK UNIVERSITAS BRAWIJAYA MALANG 2011

..................................................................................................................8 2........................................5 Prinsipal Komponen Analisis...................................14 4..3.........1.......12 4......................................8 PERANCANGAN SISTEM ................................3.........................................................................4 Proses Pengolahan Citra ........................2 Rumusan Masalah .....4 BAB II.............................2 Pengenalan pola bahan terkorosi ...........................................................................................................................................2 Kecerdasan Jaringan Syaraf Tiruan .....................4 Tujuan ....................1 Desain Sistem Pengenalan Benda Terkorosi ..2.12 Pembahasan ............................5 2..........3 Algoritma Perceptron ......................................................................................................................5 2..............................3 1.............................................................................................................................................................................................................................13 4............................................................3 Pengenalan Pola Identifikasi Huruf ...............................18 2 ...................................2 Kecerdasan Jaringan Syaraf .................................................................................................3 implementasi sistem ...8 2...............................1 Supervise learning method ..........................................................................................................................................................................4 1......1 Arsitektur dan algoritma Pelatihan...................................................................................................................................................6 2.........DAFTAR ISI BAB I....................................................................................................................................................................................1 Latar Belakang ...........................12 4........................................2 Desain Pola Huruf ....................................................................................................................................8 2..............................................2 Pengujian Huruf .......................................................................................1 Prinsipal Komponen Analisis....................................................................16 KESIMPULAN .....................1 Teknik Pembacaan Pola Huruf dengan Binerisasi .............................................................................................6 BAB III.................2...........3 Pendahuluan ......................................................................................................................................................................10 BAB IV ......................16 Daftar Pustaka.........................5 Dasar Teori....................5 2.......................................................8 2.........................................................................3 Batasan Masalah...13 4.................................................................................................................................................................................5 2...................................................................................................................................................8 2........................14 BAB V ..........................................................................................3 1..................................................................................................................................................................................3....................................................................4 1................................................................................................................................

Kemampuan inilah yang dikembangkan dengan menggunakan mesin (komputer). Hampir semua sistem analog digantikan dengan sistem komputerisasi. atau parameter-parameter lain yang ditentukan kedalam kategori atau kelas. 3 . berat. dengan cara membandingkan pola kedalam setiap kelas yang ada. Metode yang sama dalam dua contoh tesebut adalah metode sistem jaringan syaraf tiruan dengan menggunakan algoritma perceptron. Keunggulannya adalah sistem komputerisasi lebih mudah dalam pengontrolan. Dalam makalah ini kami melakuan studi komparasi berbeda dengan dua contoh pengenalan pola yaitu PENGENALAN POLA BAHAN TERKOROSI MENGGUNAKAN METODA PEMBELAJARAN PERCEPTRON PADA SISTIM JARINGAN SYARAF dengan PENGENALAN HURUF BERBASIS JARINGAN SYARAF TIRUAN MENGGUNAKAN ALGORITMA PERCEPTRON. Dalam hal ini misalnya pengontrolan di dalam mengidentifikasi suatu objek atau citra.1 Latar Belakang Pengenalan pola merupakan bidang di dalam pembelajaran mesin yang bertujuan untuk mengklasifikasikan objek berdasarkan ciri-ciri yang dimilikinya. teknologi yang menggunakan komputer berkembang dengan pesat. Seperti image. Dengan pengenalan pola kita mampu mengimplementasikan kemampuan cerdas komputer agar dapat mendekati proses otak manusia. Namun dari sifat tersebut nampaknya perceptron juga mampu digunakan untuk mengklasifikasikan sebuah pola masuk kekelas mana. Algoritma Perceptron dalam jaringan syaraf tiruan dikenal sebagai algoritma yang hanya digunakan untuk mengklasifikasikan apakah sebuah pola masuk ke suatu kelas atau tidak. Seiring dengan perkembangan zaman. Dalam contoh pengenalan pola tersebut kami membahas tentang metode pengenalan pola yang sama dalam kasus yang berbeda.BAB I Pendahuluan 1. Hampir setiap individu di dunia memerlukan komputer sebagai alat bantu untuk menyelesaikan masalahnya. Dengan kemampuan metode jaringan syaraf tiruan kami ingin mengetahui mengapa metode tersebut dapat diimplementasikan dalam masalah yang berbeda. Komputer diusahakan untuk dapat bekerja mendekati proses kerja otak manusia.

4 Tujuan Mengetahui perbedaan dari rancangan pengenalan pola untuk mengidentifikasi huruf dan pengenalan pola bahan terkorosi. 4 . 1.3 Batasan Masalah Batasan masalah dari study komparasi adalah Bagaimana metode JST (jaringan syaraf tiruan) dalam merancang pengenalan pola untuk mengidentifikasi huruf dan pengenalan pola bahan terkorosi? 1.2 Rumusan Masalah Pembahasan dari dua metode pengenalan pola yaitu metode jaringan syaraf tiruan dengan algoritma perceptron.1.

Tujuan pada pembelajaran supervised learning adalah untuk menentukan nilai bobot-bobot koneksi di dalam jaringan sehingga jaringan dapat melakukan pemetaan (mapping) dari input ke output sesuai dengan yang diinginkan. adalah jaringan dari sekelompok unit pemroses kecil yang dimodelkan berdasarkan jaringan saraf manusia. -1 aktivasi untuk respon unit. 2. Algoritma Pembelajaran Perceptron lebih baik dibandingkan dengan algoritma Hebb rule (Fausset. Layer pertama perceptron menyatakan suatu kumpulan ”detektor tanda” sebagai isyarat input untuk mengetahui tanda khusus. and Applications). dengan alasan ada proses supervisi. JST merupakan sistem adaptif yang dapat merubah strukturnya untuk memecahkan masalah berdasarkan informasi eksternal maupun internal yang mengalir melalui jaringan tersebut. 2. 5 . sehingga jaringan yang dihasilkan harus mempunyai parameter yang dapat diatur dengan cara mengubah melalui aturan pembelajaran dengan pengawasan perceptro untuk aplikasi pengenalan pola digambarkan sebagai unsur matrik antara 0 dan 1. yaitu data training disertai dengan label yang menunjukkan kelas observasi. dan data baru diklasifikasikan berdasarkan training set.2 Kecerdasan Jaringan Syaraf Tiruan Jaringan saraf tiruan (JST) (Bahasa Inggris: artificial neural network (ANN). atau umumnya hanya disebut neural network (NN)). Fundamentals of Neural Networks :Architectures. atau juga disebut simulated neural network (SNN). Perceptron menggunakan fungsi aktivasi biner untuk unit sensor dan unit asosiasi serta menggunakan +1. 0. Metode perceptron adalah metode pembelajaran dengan pengawasan dalam sistim jaringan syaraf. Pemetaan ini ditentukan melalui satu set pola contoh atau data pelatihan (training data set).1 Supervise learning method Metode klasifikasi dan prediksi dinamakan supervised learning. Algorithms.BAB II Dasar Teori 2.3 Algoritma Perceptron Perceptron adalah salah satu algoritma pembelajaran single layer yang mempelajari suatu procedure dengan melakukan perulangan sampai mendapatkan bobot neural yang tepat. Pemodelan jaringan syaraf merupakan pembelajaran dan penyesuaian suatu obyek.

dengan berbagai variasi dalam tingkat keabuan atau warna. Untuk suatu matriks data dengan nilai tengah nol (sebaran normal baku). 2.4 Proses Pengolahan Citra Suatu pola mempunyai suatu tekstur khusus. Analisis ini adalah suatu transformasi linier orthogonal yang mentransformasi data ke sistem koordinat baru. sehingga keragaman terbesar dengan suatu proyeksi berada pada koordinat pertama (disebut prinsipal komponen pertama). 6 . Rata-rata dihubungkan dengan momen pertama. Rata-rata tingkat keabuan dan simpangan baku dinyatakan sebagai momen.5 Prinsipal Komponen Analisis Prinsipal komponen analisis (PCA) adalah teknik untuk menyederhanakan kumpulan data dengan mengurangi kumpulan data banyak dimensi menjadi dimensi yang lebih rendah. simpangan baku tergantung pada momen kedua dan terdapat beberapa ukuran lainnya yang digunakan untuk menyatakan karakteristik suatu daerah tekstur.Gambar arsitektur perceptron : 2. keragaman terbesar kedua pada koordinat kedua dan seterusnya.

7 .

1 Prinsipal Komponen Analisis Prinsipal komponen analisis (PCA) adalah teknik untuk menyederhanakan kumpulan data dengan mengurangi kumpulan data banyak dimensi menjadi dimensi yang lebih rendah. 2. Analisis ini adalah suatu transformasi linier orthogonal yang mentransformasi data ke sistem koordinat baru. PCA dapt menggunakan metoda kovaransi atau metoda korelasi.1. i t : target output dan η : tingkat pembelajaran. Dimulai dengan himpunan bobot terhubung yang acak. PCA untuk data matriks X diberikan sebagai : Y =WT X = ΣV T (9) dimana W ΣV T adalah svd dari X.1 Desain Sistem Pengenalan Benda Terkorosi 2.‟K‟.2. sehingga keragaman terbesar dengan suatu proyeksi berada pada koordinat pertama (disebut prinsipal komponen pertama).‟D‟.2 Kecerdasan Jaringan Syaraf Berhubungan terhadap satuan output (dalam layer terakhir). yang digambarkan dengan symbol „. perceptron dalam gambar 3 diperlakukan sebagai perceptron layer tunggal.‟ (titik) dan „#‟ (kres).‟J‟. „B‟. Transformasi PCA diberikan sebagai: Y T = X TW = V Σ V ΣWT adalah singular value dekomposisi (svd) dari X T [7].2 Desain Pola Huruf Dalam klasifikasi huruf pada penelitian ini hanya dibatasi menggunakan huruf kapital dari „A‟. Jika perceptron memberikan jawaban salah. Huruf-huruf yang akan diklasifikasi terlebih dahulu dibentuk polanya menggunakan matriks berukuran 9x7.BAB III PERANCANGAN SISTEM 2. 2.‟E‟. keragaman terbesar kedua pada koordinat kedua dan seterusnya. algoritma pembelajaran perceptron layer tunggal diulangi mengikuti tahapan berikut sampai bobot konvergen: a. „C‟. Pilih suatu vektor input x dari kumpulan data pelatihan b. Sebagai contoh berikut beberapa pola yang diikutsertakan dalam penelitian ini: 8 . Untuk suatu matriks data dengan nilai tengah nol (sebaran normal baku). modifikasi semua bobot terhubung wi sesuai dengan i i i Δw =η t x . Jika hanya bobot pendahulu pada layer terakhir yang dirubah.

..#..#. .....#....#.#. .#.. E .#. ......#...#...#..#....#. ..#.. ..#.......# ..# ...#.#####..#..#. 1. ....#.# ... .. .# ....# ###..... ...#.....#. 9 ... #... ... .......#.. ... ... .#. #... ...#...#.#..##. .###....#.# . .. ..#....#...#...#..#.#..# ..#.. .. ..Huruf A B C D Tabel.. #####...#..#.#### .......##### ###.####. ....#. .## #####.. #.###.. K #.#.#... ######...#.... .....#.#.#.#. ####### ..#... .#...#.# ...# .# ..# .# ...### ####### ######..#. J .## ...#.##.... ....# . ###.. Pola Huruf dalam matrik 9x7 (Pola Input Satu) Pola Huruf Pola . . #.#....#.# .#####.. .# .#.##. .#. .......#...#.

Tahapan Proses 10 . 3. 5. 4. 3. Pola Vektor Input dan Vektor Output (Pola Input Satu) Vektor Input Vektor Output Huruf ( 63 bit ) ( 7 bit) 0011000 0001000 0001000 0010100 0010100 A 1000000 0111110 0100010 0100010 1110111 1111110 0100001 0100001 0100001 0111110 B 0100000 0100001 0100001 0100001 1111110 0011111 0100001 1000000 1000000 1000000 C 0010000 1000000 1000000 0100001 0011110 1111100 0100010 0100001 0100001 0100001 D 0001000 0100001 0100001 0100010 1111100 1111111 0100001 0100000 0101000 0111000 E 0000100 0101000 0100000 0100001 1111111 0001111 0000010 0000010 0000010 0000010 J 0000010 0000010 0100010 0100010 0011100 1110011 0100100 0101000 0110000 0110000 K 0000001 0101000 0100100 0100010 1110011 No 1. dan pola output (target) sebanyak 7 bit. 7. Pengujian huruf VEKTOR INPUT DAN OUTPUT POLA HURUF Binerisasi Pelatihan Data BOBOT POLA Pengujian Pola Gambar 1. 2. dengan merubah pola input tersebut menjadi sekumpulan vector bit 0 dan 1 sebanyak 63 digit dimana 0 menggantikan titik dan 1 menggantikan tanda „#‟. Melakukan pelatihan dari vector input dan vector output. Beberapa tahapan proses dalam penelitian ini adalah: 1.Pola inilah yang akan digunakan sebagai data pelatihan dengan target sesuai dengan pola yang diinginkan.‟ Menjadi 0 dan „#‟ menjadi 1. Input pola dalam bentuk matriks sebanyak jumlah pola dan target yang diinginkan 2.1 Teknik Pembacaan Pola Huruf dengan Binerisasi Dalam pembuatan program penelitian ini digunakan bahasa pemgroman berbasiskan desktop yaitu Delphi 6. 2. Pasangan pola input dan output dari datadata di atas bisa dilihat dalam tabel 2 berikut: Tabel 2. 4. Binerisasi pola input menjadi vector input dengan mengubah „.2. 6.

...B.#..# . ######..#####.#..#...# . ###...‟B‟. baris pertama input adalah bilangan bulat yang menyatakan banyaknya pola yang ingin dilatih (ingat jenis huruf yang digunakan tetap hanya „A‟.#..#.#.#. 2 . Dari pola ini program membaca baris perbaris string yang kemudian dibinerisasi dengan aturan yang telah dijelaskan sebelumnya kedalam tipe data array satu dimensi.. .# .# ######..‟E‟.#..#.#..#. .#####....### A..##....‟J‟..#.. . sebagai contoh berikut aturan input pola yang digunakan sebanyak 2 buah yaitu A.#.‟D‟...#. ......‟C‟...‟K) untuk pola pertama menempati baris kedua sampai baris ke 10 yang kemudian baris berikutnya diikuti target dari pola yang diinginkan. . 11 .. untuk pola kedua menempati baris ke-12 sampai bari ke-18 dan kemudian baris berikutnya diikuti target dari pola yang diinginkan dan seterusnya sampai pola ke-n..... ...# .#..#. dan B.. ..Dalam pembacaan input pola bisa dilakukan secara serempak dan sekaligus dengan aturan. . .# ... ..

Tahap pertama digunakan proses pengolahan citra. Struktur pola dalam bentuk gambar atau foto dapat dikonversi dengan proses pengolahan citra menjadi bentuk digital. akan dimasukkan untuk tiap neuron secara bersamaan. mikroskop optik ataupun SEM. Data pelatihan diambil enam contoh input diantaranya berturut-turut satu contoh bahan tidak terkorosi dan lima contoh bahan terkorosi. Hasil Identifikasi Jaringan Syaraf Contoh Bahan Terkorosi Tidak Terkorosi 6 1 86% 12 Jumlah benar 25 Jumlah salah 0 Prosentase ketelitian 100% . tahap kedua dilakukan analisis prinsipal komponen dan tahap ketiga menggunakan kecerdasan jaringan syaraf. satu contoh input bahan dengan mikrostruktur tidak seharusnya. Untuk menentukan karakteristik dari pola tersebut mengidentifikasi apakah suatu bahan terkorosi atau tidak terkorosi digunakan kecerdasan jaringa syaraf tiruan.BAB IV Pembahasan 4. Sedangkan pada simulasi ketiga diberikan 5 contoh bahan terkorosi dan 1 bahan tidak terkorosi. Pada tahap kedua.2 Pengenalan pola bahan terkorosi Pengenalan pola terhadap bahan terkorosi dan tidak terkorosi meliputi tiga tiga tahapan. adapun mikrostruktur dan preparasi contoh bahan terkorosi dan tidak terkorosi telah dianalisis sebelumnya di laboratorium yang dpat menggunakan berbagai alat diantaranya mikrogatif. Tabel 1. dengan delapan contoh input yang diberikan. Secara keseluruhan program dan hasil diberikan pada lampiran B dengan catatan kode 1 untuk bahan terkorosi dan kode 0 untuk bahan tidak terkorosi atau mikrostruktur yang tidak seharusnya. Hasil keberhasilan identifikasi diberikan dalam tabel 1 berikut ini. Diambil enam nilai karakteristik yang terbesar atau dominan. yang terdiri dari enam contoh input untuk bahan terkorosi dan dua contoh input untuk bahan tidak terkorosi. Berikutnya pada simulasi kedua diambil satu contoh input bahan tidak terkorosi. untuk 32 contoh input. empat contoh input bahan terkorosi. matriks data pembelajaran berukuran 8 x 6. Dianalisis beberapa contoh bahan terkorosi dan tidak terkorosi hasil preparasi laboratorium serta contoh data dari daftar pustaka. Pada simulasi pertama diambil satu contoh input bahan tidak terkorosi dan lima contoh input bahan terkorosi.

3 Pengenalan Pola Identifikasi Huruf 4. . Untuk kß 1 sampai N (jumlah data pelatihan) lakukan langkah 5-8 5. Ya Baca string Baris Pada Pola kar=# No Jadi 0 Ya Ißi+1 i<=N No Stop Gambar 3. Hitung respon unit output. 63 1 X1 W17 W21 W11 W12 W13 Y1 X2 W22 W23 W27 Y2 Xkj *Wij . Untuk j ß 1 sampai 64 lakukan Wijß0 3. 9.4. Arsitektur Perceptron Mulai Baca N(baris 1) Init i=0.3. Selama kondisi =false lakukan langkah 4-9 4. Untuk i dari satu sampai 7 ( jumlah jenis huruf) lakukan langkah 1-9 2. j 1 8. Cek kondisi jika tidak terjadi perubahan bobot kondisi=true else kembali kelangkah 3 . .1 Arsitektur dan algoritma Pelatihan Arsitektur Jaringan Syaraf Tiruan yang digunakan adalah perceptron dengan 63 neuron input dan 7 neuron output dengan arsitektur lapis tunggal (neuron hidden =0). Flowchart baca input pola dan binerisasi 13 Jadi 1 Binerisasi . Jika y • Tki untuk jß 1 sampai dengan n lakukan Wij(baru)=Wij(lama)+alpha*Tki*Xkj. Y3 Y7 X63 Gambar 2. yaitu : Dari arsitektur tersebut didapat algoritma untuk melakukan pelatihan data Tentukan nilai Į 1. Perubahan bobot. set aktivasi untuk input Xi = Si 7. X3 . hitung nilai y = f(yin). Seperti terlihat pada gambar 2. Untuk setiap pola pelatihan si:ti lakukan 6.

..3.. Untuk iß 1 sampai 7 lakukan langkah 4 sampai 7 4.##.2 Pengujian Huruf Sama seperti pada pelatihan data.#. .. . yin=bobot[i.3 implementasi sistem Implementasi pembuatan sistem ini didasarkan pada rancangan sistem yang sudah dibahas sebelumnya dimana sistem ini dibagi menjadi dua sub sistem yaitu subsistem pelatihan data dan yang kedua subsistem pengujian data..#. .#. Dengan menggunakan data yang ada seperti pada bab Perancangan Sistem sebagai input pelatihan dan input pengujian didapatkan hasil sebagai berikut: Tabel 3. Baca Input 2.#.. Untuk jß 1 sampai 63 lakukan yin=yin+datauji[j]*bobot[i.### Huruf A Sedangkan untuk algoritma lengkapnya adalah sebagai berikut 1..#####..#...#. Hasil Pengujian dengan Data Pelatihan 7 buah INPUT A B C D E J K TARGET A B C D E J K OUTPUT A atau B D atau K C atau D atau K D K J Tidak Masuk Manapun 14 .. Binerisasi input 3.. . setelah pola diinputkan kemudian pola tersebut dibinerisasi untuk selanjutnya dilakukan pengujian.3.... jika tidak ada satupun y[i] yang bernilai satu maka pola yang diinputkan tidak bisa diklasifikasikan...#.. ###. jika y[i]=1 berarti pola yang dimasukan merupakan huruf ke-i 8.64] 5.#. bentuk pola input data untuk pengujian hanya bersifat tunggal seperti berikut: .4.#. untuk pengujian data kita menggunakan input pola matriks 9x7 yang terdiri dari karakter titik atau #.j].#. .. 4. . 6.. y[i]=f(yin) 7.

Algorithms. misalnya pola „A‟ diklasifikasikan ke „A‟ juga ke „B‟. pola input dua dan pola input tiga sebagai data pelatihan sekaligus sebagai data pengujian. C. Kemudian dicoba menggunakan pola input pengujian yang berbeda dengan pola input pelatihan [Fausset. Hasil Pengujian dengan input pengujian berbeda INPUT A B C D E J K TARGET A B C D E J K OUTPUT POLA INPUT 2 OUTPUT POLA INPUT 3 A B D atau K D atau K C C C atau D D C atau K K J J C atau K K Ternyata didapatkan hasil yang lebih akurat (A. Fundamentals of Neural Networks : Architectures. Tabel 5.J.K pada pola input 3) dalam mengklasifikasian huruf dibandingkan kita menggunakan pola input pengujian yang sama dengan pola input pelatihan. Namur untuk pola „K‟ justru tidak dapat diklasifikasikan ke kelas manapun. D. and Applications. Sedangkan pola huruf „B‟. dan K pada pola input 2.‟D‟. halaman 72.Empat (yaitu huruf „A‟. Kemudian dicoba menggunakan input pelatihan yang lebih banyak (21 buah) dengan pola huruf yang sama [Fausset. halaman 72] dan input pengujian yang sama dengan pengujian sebelumnya didapatkan hasil yang berbeda. serta C. Hasil Pengujian dengan Data Pelatihan 21 buah INPUT A B C D E J K TARGET A B C D E J K OUTPUT POLA 1 A atau B K K B atau K K J OUTPUT POLA 2 A B K J OUTPUT POLA 3 B D atau K B B atau K K B atau J K Ternyata ketika menggunakan pola input satu. and Applications. 15 . dan „J‟) dari tujuh pola input pengujian yang juga merupakan pola input pelatihan menunjukan hasil yang sesuai meskipun pola huruf tersebut juga diklasifikasikan ke dalam kelas lain. dan „E‟ diklasifikasikan ke kelas yang berbeda. pola input dua dan tiga ] didapatkan hasil sebagai berikut: Tabel 4. J. Fundamentals of Neural Networks : Architectures.‟C‟.D. hasilnya lebih tidak akurat dibandingkan dengan pengujian sebelumnya. Algorithms.

Pemodelan untuk membedakan klasfikasi bahan terkorosi dan tidak terkorosi menggunakan kecerdasan jaringan syaraf dengan metode perceptron.BAB V KESIMPULAN Metode pengenalan pola dengan algoritma perceptron dapat diimplementasikan pada pengenalan huruf dan pengenalan bahan korosi. merupakan pembelajaran dan adaptasi suatu obyek yang cukup baik. 16 . Dalam pembelajaran. Meskipun dalam pelatihan dengan data yang sedikit. pelatihan dan simulasi tersebut diatas. diperoleh hasil yang sesuai dan yang diharapkan. saat pengujiannya hasil yang didapat menunjukan bahwa beberapa pola tidak sesuai dengan klasifikasi polanya tetapi persentasi ketidaksesuaian ini lebih kecil dibadingkan dengan pengujian data yang memiliki data pelatihan lebih banyak. Dengan menggunakan algoritma perceptron ternyata bisa dilakukan pengklasifikasian pola huruf.

Macmillan J.org/wiki/Singularvalue decomposition. Hart. 1998.. http://en. Louis University. 23/02/2007. Fu. Algorithms. LiMin. “Corrosion Engineering”. Wiley Fausett.. A Dynamical Systems Approach to MachineIntelligence”.wikipedia. J. 1994. University of Indonesia. (1994). Singapore. NY.. Kosko. A Comprehensive Tutorial and Reference”. Fundamentals of Neural Networks : Architectures. Faculty of Computer Science. Duda. Boston: PWS Publishing Company Ariyanto. (1992). Gunawan. page 1-8. Prentice-HallInternational Editions. Mistune. Peter E. Richard O. “Neuro Fuzzy And Soft Computing. http://en.DAFTAR PUSTAKA Duda. cs.org/wiki/Principal_com ponents_analysis. Wiley.O. Prentice-Hall Inc.-T.“HandGesture Recognition Using NeuralNetworkfor RoboticArmControl”. Inc.wikipedia. Hansel man. S. 1998. 17 . Schuermann: Pattern Classification: A Unified View of Statistical and Neural Approaches. Laurene.. 1987.. Proceedings of National Conference on Computer Science & Information Technology 2007. A Computational Approachto LearningandMachine Intelligence”. [6] http://en. David G. C. 1997. R.St. 23/02/2007.. New York Zurada. 1996 Jurnal “Artificial Neural Network Technology”. Hart.Littlefield. Jakarta.. “Neural Networks in Computer Intelligence”.M. J.E.G. E. “Mastering MATLAB 5. “Neural Networks and Fuzzy Systems. page1-14.org/wiki/Corrosion.-S. page 412. Bart. P.wikipedia.. Jang. R. Introduction To Artificial Neural Systems. Mars G.Bruce. (2001) Pattern classification (2nd edition). Neural Networks: A Comprehensive Foundation. Duane. 27/04/2007. Stork (2001) Pattern classification (2nd edition). D. page1-10. 1992. McGraw-Hill International Editions. and Applications Haykin. Stork.Prentice-Hall International Editions. Fontana. Wiley&Sons. McGraw-Hill. Sun.

18 .

19 .