Jetri: Jurnal Ilmiah Teknik Elektro, Vol. 19, No. 2, Februari 2022, Hlm.

145 - 160,
P-ISSN 1412-0372, E-ISSN 2541-089X, doi: http://dx.doi.org/10.25105/jetri.v19i2.9421

Sistem Inspection Double Sided Tape Menggunakan

Jaringan Syaraf Tiruan Untuk Pengecekan Otomatis
Kett
Ketty Siti Salamah, Muhammad Afif Assidiq, Imelda Uli Vistalina Simanjuntak
Jurusan Teknik Elektro, Fakultas Teknik, Universitas Mercu Buana
Jl. Meruya Selatan 1 Kembangan, Kota Jakarta Barat, Daerah Khusus Ibukota
Jakarta 11610
E-mail: kettysitisalamah@mercubuana.ac.id

ABSTRACT
One of the quality demands in the automotive industry is found in the meter cluster product of
a car, namely Double Sided Tape. Installation of Double Sided Tape so as not to cause light
leakage on the display meter cluster. An inspection system is needed that can replace the role
of humans in checking automatically so that it can eliminate human-error problems. To ensure
that the level of inspection system is the same as that of humans, they can use Artificial Neural
Networks for the decision-making process. In supporting the checking system, a matlab and a
webcam camera are needed which functions to analyze the digital image captured from the
camera. The results of testing the accuracy of single data samples OK and NG is an accuracy
of 95%. The length of learning time obtained to be able to distinguish which Card Board has
been installed with Double Sided Tape or not is 291.2541 seconds. From the experiments that
have been carried out, it can be seen that the factors that affect accuracy and RMSE are the
number of epochs and the learning rate, the most optimal learning rate obtained is 0.3, and
the epoch value is 5000.
Keyword: Inspection, Double Sided Tape, Artificial Neural Network, Matlab.

ABSTRAK
Tuntutan kualitas pada industri otomotif salah satunya yang terdapat pada produk meter
cluster sebuah mobil yaitu Double Sided Tape. Pemasangan Double Sided Tape agar tidak
menimbulkan kebocoran cahaya pada display meter cluster. Diperlukan suatu sistem
inspection yang bisa menggantikan peran manusia dalam pengecekannya secara otomatis
sehingga dapat menghilangkan masalah human-error. Untuk memastikan level inspection
system tersebut sama dengan yang dilakukan manusia bisa menggunakan Jaringan syaraf
Tiruan untuk proses pengambilan keputusan. Dalam menunjang sistem pengecekan
diperlukan matlab dan kamera webcam yang berfungsi menganalisa hasil tangkap gambar
citra digital dari kamera. Hasil dari pengujian akurasi data tunggal sample OK dan NG
adalah akurasi 95%. Lama waktu learning yang didapat untuk dapat membedakan mana Card
Board yang sudah terpasang Double Sided Tape atau tidak yaitu 291.2541 detik. Dari
percobaan yang telah dilakukan dapat diketahui faktor yang mempengaruhi akurasi dan

Received 15 September 2021, revised 15 November 2022, accepted 10 Desember

2022
 Jetri: Jurnal Ilmiah Teknik Elektro, Vol. 19, No. 2, Februari 2022,
P-ISSN 1412-0372, E-ISSN 2541-089X

RMSE adalah jumlah epoch dan learning rate, nilai paling optimal learning rate yang didapat
adalah 0.3, dan nilai epoch 5000.
Kata kunci: Inspection, Double Sided Tape, Jaringan Syaraf Tiruan, Matlab.

1. Pendahuluan
Tuntutan kualitas yang semakin besar pada industri otomotif salah satunya
yang terdapat pada produk meter cluster sebuah mobil yaitu Double Sided Tape.
Tujuan pemasangan Double Sided Tape agar tidak menimbulkan kebocoran cahaya
pada display meter cluster. Apabila terjadi abnormality proses pada pemasangan
Double Sided Tape ini dapat membuat kebocoran cahaya yang mengakibatkan
kesalahan penampilan indikator kondisi mobil, terutama pada indikator speedometer
digital. Sehingga perlu dilakukan pengendalian kualitas yang ketat untuk proses ini.
Salah satu cara untuk meningkatkan pengendalian kualitas adalah dengan mengganti
proses manual inspection yang masih dilakukan oleh manusia menjadi automatic
inspection menggunakan computer vision.
Untuk memastikan level inspection system tersebut sama dengan yang
dilakukan manusia bisa menggunakan Jaringan syaraf Tiruan untuk proses
pengambilan keputusan. Penelitian sebelumnya yang juga menggunakan Jaringan
Syaraf Tiruan untuk pendeteksi warna dengan kamera yang berfungsi
mengklasifikasikan buah berdasarkan warna dengan menggunakan computer vision
untuk mengenali pola dengan baik dan dapat memiliki nilai akurasi pengecekan
sebesar 94% (Yossy et al., 2017), bahkan penelitian lain menyebutkan bahwa dengan
menggunakan metode Jaringan Syaraf Tiruan untuk Pengenalan Pola Angka Tulisan
Tangan dan mampu mengenali pola aksara jawa dengan mencapai nilai akurasi hingga
95,81% (Rosnelly, 2018). Dalam menunjang sistem pengecekan diperlukan matlab
dan kamera webcam yang berfungsi menganalisa hasil tangkap gambar citra digital
dari kamera untuk diolah dan kemudian sistem akan menganalisa apakah citra tersebut
memenuhi standar yang telah ditentukan atau tidak.
Metode Jaringan Syaraf Tiruan mampu mengenali pola masukan yang
diberikan oleh pengguna yang membuat sistem ini bersifat berkelanjutan atau

146
Ketty Siti Salamah dan Muhammad Afif Assidiq. “Sistem Double Sided Tape Inspection …”

sustainable, hal ini sangat cocok diaplikasikan di era Industri 4.0 dimana proses
perubahan selalu terjadi begitu cepat mengikuti tuntutan Global Market. Sistem ini
nantinya akan digunakan untuk menggantikan peran manusia dalam melakukan proses
Inspection Double Sided Tape dengan tidak adanya human error pada prosesnya.
2. Kajian Pustaka
Penelitian mengenai jaringan syaraf tiruan ini sudah banyak dilakukan.
Perbedaan penelitian ini dengan penelitian yang diusulkan adalah dalam penelitian ini,
objek yang akan di deteksi adalah Double Sided Tape. Peneliti mencoba membuat
sistem dari penggabungan beberapa penelitian yang bisa menunjang untuk
perancangan sistem Inspection Double Sided Tape ini. Sehingga hasil dari
perancangan ini bisa sama atau lebih baik dari penelitian-penelitian sebelumnya. Pada
penelitian yang dilakukan oleh Aaron Aquino (Aquino et al., 2016) untuk sistem
penilaian kualitas warna gula kelapa menggunakan Jaringan Syaraf Tiruan (JST)
mengandalkan JST untuk menganalisa citra dari image processing sehingga bisa
terdeteksi bahwa gula tersebut termasuk pada class atau kualitas yang mana.
Pada penelitian sebelumnya yang berjudul an automated vision system for
measurement of zebrafish length using low-cost orthogonal web cameras (Al-Jubouri
et al., 2017). Penelitian yang dilakukan oleh Chen, untuk mendeteksi defect yang
terdapat pada kayu yang sulit dilihat oleh manusia menggunakan image recognition
berbasis Jaringan Syaraf Tiruan (Chen et al., 2018). Penelitian selanjutnya yaitu
Pengenalan Pola Angka Tulisan Tangan Pada Cek Menggunakan Neocognitron,
dengan menggunakan metode backpropagation mampu mengenali pola aksara jawa
dengan baik yaitu memiliki nilai akurasi 95,81% (Rosnelly, 2018).

2.1 Jaringan Syaraf Tiruan

Jaringan syaraf tiruan adalah sistem pemroses informasi dengan karakteristik
dan performa yang mendekati syaraf biologis (Jong Jek Siang, 2005). Jaringan syaraf
tiruan ini berfungsi untuk analisa real time, tidak untuk periode kala ulang.

147
 Jetri: Jurnal Ilmiah Teknik Elektro, Vol. 19, No. 2, Februari 2022,
P-ISSN 1412-0372, E-ISSN 2541-089X

Selain memproses, jaringan syaraf tiruan juga memiliki kemampuan

menyimpan informasi seperti definisi oleh Haykin bahwa jaringan syaraf tiruan
merupakan pemroses sederhana yang berjumlah banyak dan bekerja secara paralel dan
terdistribusi, yang memiliki kemampuan menyimpan pengetahuan dan memberikan
saat dibutuhkan yang terdiri dari pengetahuan yang dimiliki sebagai hasil proses
pembelajaran dan koneksi antar neuron yang berfungsi menyimpan pengetahuan
(Amadea, 2016).

Gambar 1 Jaringan Syaraf Tiruan (Hadihardaja & Sutikno, 2005)

2.2 Computer Vision

Computer vision adalah transformasi dari data gambar atau video menjadi
sebuah keputusan atau dapat berupa gambar baru. Tujuan dari Computer vision adalah
untuk membuat keputusan yang berguna mengenai atau tentang benda fisik yang asli
berdasarkan dari image yang terlihat. Secara umum, Computer vision merupakan ilmu
dan teknologi mesin yang melihat, dimana mesin mampu mengekstrak suatu informasi
dari gambar yang diperlukan untuk menyelesaikan tugas tertentu. Sebagai suatu
disiplin ilmu, computer vision berkaitan dengan teori di balik sistem buatan bahwa
ekstrak informasi dari gambar. Data gambar dapat mengambil banyak bentuk, seperti
urutan video, pandangan dari beberapa kamera, atau data multi-dimensi dari scanner
medis. Sedangkan sebagai disiplin teknologi, computer vision berusaha untuk
menerapkan teori dan model untuk pembangunan suatu sistem computer vision
(Sinaga ASRM, 2017).

148
Ketty Siti Salamah dan Muhammad Afif Assidiq. “Sistem Double Sided Tape Inspection …”

2.3 Matlab
Matlab (Matrix Laboratory) merupakan sebuah lingkungan komputasi
numerikal serta bahasa pemrograman komputer generasi keempat. Dikembangkan
oleh The Mathworks, matlab memungkinkan manipulasi matriks, pem-plot-an fungsi
dan data, implementasi algoritma, pembuatan antramuka pengguna, dan pen-
antarmuka-an dengan program dalam bahasa lainnya. Meskipun hanya bernuansa
numerik, sebuah Toolbox yang menggunakan mesin simbol MuPAD, memungkinkan
akses terhadap kemampuan aljabar computer (Wahyu Caesarendra, 1386).
Di dalam Matlab script di simpan dalam bentuk M-File. Pemrograman M-File
memberikan control lebih banyak dibandingkan dengan command line. Dengan M-
File dapat dilakukan percabangan, perulangan, dll. Struktur M-File pada Matlab
hampir sama seperti bahasa C yang membagi program dalam blok program berupa
fungsi-fungsi. Setiap fungsi dapat memanggil fungsi yang lainnya.

Gambar 2 Tampilan Matlab

3. Metode Penelitian
Berikut adalah diagram alir yang telah dilaksanakan pada penelitian ini.
Pada bab ini akan dijelaskan terlebih dahulu diagram alir yaitu langkah-
langkah atau proses yang akan digunakan pada penelitian ini.

149
 Jetri: Jurnal Ilmiah Teknik Elektro, Vol. 19, No. 2, Februari 2022,
P-ISSN 1412-0372, E-ISSN 2541-089X

Berikut adalah langkah kerja yang akan dilaksanakan pada penelitian ini.
▪ Tahap studi literatur dilakukan terhadap jurnal-jurnal internasional, dan
disertasi nasional dan multinasional. Peneliti melakukan analisis dan
pemahaman dari literatur yang didapatkan.
▪ Tahap identifikasi dan perumusan masalah dilakukan dengan beberapa
parameter apa saja yang akan diuji nantinya pada sistem saat
pengolahan data.
▪ Tahap perancangan dan pembuatan solusi dari fokus penelitian yang
dikerjakan dengan metode pengembangan sistem. Dalam menunjang
sistem ini dibutuhkan laptop sebagai processing device untuk
pengolahan dan pengendalian sistem yang akan dibangun. Processing
image dan jaringan syaraf tiruan menggunakan aplikasi Matlab. Yang
dimana aplikasi Matlab tersebut yang akan melakukan kendali terhadap

150
Ketty Siti Salamah dan Muhammad Afif Assidiq. “Sistem Double Sided Tape Inspection …”

komponen-komponen yang terhubung di system ini seperti

pengambilan citra dari Inspection Double Sided Tape melalui webcam,
processing image dari format gambar RGB citra asli ke graycale sampai
mengolah nilai data untuk dianalisa dan diolah oleh Jaringan Syaraf
Tiruan.
▪ Tahap setelah perancangan maka dilakukan pengujian terhadap sistem
yang sudah dirancang untuk dilakukan evaluasi akhir.
▪ Tahap pembuatan laporan dan menganalisis yang dilakukan terhadap
hasil pengujian yang didapatkan. Analisis bertujuan memberikan
gambaran kondisi sistem dan masukan mengenai arah pengembangan
lebih lanjut. Setelah dilakukan analisis selanjutnya ditarik kesimpulan
atas hasil data dan analisa yang didapat.

3.1 Blok Diagram Sistem

Gambar 3 Blok Diagram Sistem

Rangkaian terdiri dari 2 bagian utama yaitu Laptop dengan software Matlab
sebagai bagian utama dari perangkat yang akan mengeksekusi program yang telah
dibuat. Pemrograman pada Matlab terdiri dari 2 bagian utama yaitu Image Pre-
processing & Jaringan syaraf tiruan. Selanjutnya pada bagian input yaitu kamera yang
akan menangkap citra gambar. Bagian penunjang lain adalah penutup cover box yang

151
 Jetri: Jurnal Ilmiah Teknik Elektro, Vol. 19, No. 2, Februari 2022,
P-ISSN 1412-0372, E-ISSN 2541-089X

berfungsi agar pencahayaan dari luar tidak mempengaruhi hasil pengecekan, Card jig
untuk tempat meletakan card agar tetap sama.

4. Hasil dan Pembahasan

Penerapan sistem membahas hasil dari penerapan teori yang telah berhasil
diaplikasikan dan menjadi sebuah sistem yang cukup stabil dan dapat berjalan dengan
sebagaimana mestinya. Untuk mengetahui apakah tujuan-tujuan dari pembuatan
sistem ini telah terlaksana dengan baik atau tidak, maka perlu dilakukan pengujian dan
analisa terhadap sistem yang dibuat, pengujian dilakukan secara bertahap mulai dari
pengujian alat dan pengujian sistem yang akan dijelaskan secara lebih rinci pada sub
bab berikutnya.
Camera Laptop dengan
Lampu UV
WebCam Matlab

Cover Box V

Jig Sampe
Gambar 4 Hasil Perancangan Alat

Gambar 4 di atas merupakan perancangan alat yang digunakan untuk membuat

sistem perancangan Inspection Double Sided Tape menggunakan Jaringan syaraf
tiruan berbasis Matlab.
4.1 Data Card Board
Card Board yang telah di capture oleh kamera akan diolah di image processing
supaya mendapatkan hasil data gambar yang baik. Berikut ini merupakan data-data
yang telah melalui tahap image processing.

152
Ketty Siti Salamah dan Muhammad Afif Assidiq. “Sistem Double Sided Tape Inspection …”

Gambar 5 Hasil Image Processing untuk Model 1

Gambar 6 Hasil Image Processing untuk Model 2

Gambar 7 Hasil Image Processing untuk Model 3

153
 Jetri: Jurnal Ilmiah Teknik Elektro, Vol. 19, No. 2, Februari 2022,
P-ISSN 1412-0372, E-ISSN 2541-089X

4.2 Cropping image Double Sided Tape

Tahap cropping image ini dilakukan untuk memotong gambar dalam ukuran
gambar yang hanya merupakan area sample saja. Hal ini dilakukan untuk mem-
fokuskan area inspection pada area card board yang terdapat Double Sided Tape. Data
original dari kamera adalah 1280 x 720 yang setelah melewati tahap cropping berubah
menjadi 72 x 62. Setelah proses cropping ini selesai maka akan dilakukan proses
konversi RGB to Grayscale dan setelah itu data grayscale melalui tahap normalisasi
yaitu merubah data grayscale range 0 – 256 menjadi 1 & 0 saja.

4.3 Pengujian dengan Varian Jumlah Hidden Layer, Epoch dan Learning Rate
Dalam percobaan variasi jumlah hidden layer, epoch dan learning rate akan
digunakan data sebanyak 20 data/model sehingga total data menjadi 60 data. Dalam
percobaan ini dilakukan beberapa kali pergantian hidden layer, epoch dan learning rate
yang dilakukan.
Hasil data yang telat diperoleh JST akurasi tertinggi adalah 94.4% dengan
presentasi hampir 25% dari 120 data. Processing time tercepat adalah 291.2541 detik
pada percobaan dengan settingan epoch 5000, learning rate 0.3 dan hidden layer 60.
RMSE terendah adalah 1.2 x 10-5 juga terdapat pada settingan epoch 5000, learning
rate 0.3 dan hidden layer 60. Total pengecekan sistem adalah 19324.8049 detik atau 5
jam 36 menit.
Parameter ini yang nantinya akan dipakai untuk proses pengujian data tunggal.
Disimpulkan bahwa yang paling berpengaruh pada durasi processing time adalah
jumlah input epoch yang dimasukan pada pengujian. Semakin besar nilai epoch maka
semakin lama juga waktunya. Contohnya pada pengujian epoch 500, hidden layer 50
dan learning rate 0.1 processing time adalah 77.1 detik. Setelah dirubah epoch 5000
maka processing time naik 7 kali menjadi 577.8 detik tetapi apabila ada perubahan
pada learning rate atau hidden layer hasil processing time tidak begitu berbeda atau
cenderug sama.
Untuk jumlah epoch dan learning rate berbanding lurus dengan hasil nilai
RMSE dan Recognition rate/tingkat akurasi. Semakin besar nilainya makan akan

154
Ketty Siti Salamah dan Muhammad Afif Assidiq. “Sistem Double Sided Tape Inspection …”

semakin bagus hasilnya. Tetapi apabila dilihat pada gambar 9 hasil RSME dan akurasi
yang lebih baik membuat waktu processing menjadi semaking lama.

4.4 Sample Pengujian OK

Data sample OK yang akan digunakan sebanyak 10 buah, model dan bentuk
data bisa dilihat di bawah ini:

Tabel 1 Sample Pengujian OK

OK
No Content Gambar
Sample

Terdapat 2 Double Sided

1 Model 1
Tape di kanan dan kiri

Terdapat 2 Double Sided

2 Model 1
Tape di kanan dan kiri

Terdapat 1 Double Sided

3 Model 3
Tape di kanan

Terdapat 1 Double Sided

4 Model 3
Tape di kanan

155
 Jetri: Jurnal Ilmiah Teknik Elektro, Vol. 19, No. 2, Februari 2022,
P-ISSN 1412-0372, E-ISSN 2541-089X

Terdapat 1 Double Sided

5 Model 2
Tape di kiri

Terdapat 1 Double Sided

6 Model 2
Tape di kiri

Terdapat 2 Double Sided

7 Model 1
Tape di kanan dan kiri

Terdapat 1 Double Sided

8 Model 3
Tape di kanan

Terdapat 1 Double Sided

9 Model 2
Tape di kiri

Terdapat 2 Double Sided

10 Model 1
Tape di kanan dan kiri

▪ Hasil akurasi sistem sample OK.

Akurasi sistem menggunakan rumus:

156
Ketty Siti Salamah dan Muhammad Afif Assidiq. “Sistem Double Sided Tape Inspection …”

𝑗𝑢𝑚𝑙𝑎ℎ 𝑛𝑖𝑙𝑎𝑖 𝑏𝑒𝑛𝑎𝑟

𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = 𝑥 100%
𝑗𝑢𝑚𝑙𝑎ℎ 𝑠𝑒𝑙𝑢𝑟𝑢ℎ 𝑑𝑎𝑡𝑎 𝑡𝑒𝑠

Hasil pengecekan akurasi dengan menggunakan sample OK adalah 100%

dengan waktu inspection tercepat adalah 0.33836 s pada pengujian ke 4. Sehingga
sistem bisa mencapai target yang ditentukan yaitu dengan akurasi >95%.

4.5 Sample Pengujian NG

Data sample NG yang akan digunakan sebanyak 10 buah, untuk model dan
bentuk data bisa dilihat di bawah ini:

Tabel 2 Sample Pengujian NG

No NG Sample NG Content Gambar

1 1 Tidak ada Double Sided Tape

2 2 Model 2 bentuk segitiga kecil

3 3 Model 1 bentuk segitiga dan

lingkaran

157
 Jetri: Jurnal Ilmiah Teknik Elektro, Vol. 19, No. 2, Februari 2022,
P-ISSN 1412-0372, E-ISSN 2541-089X

4 4 Model 1 bentuk segitiga dan

persegi panjang

5 5 Model 3 bentuk persegi

panjang

6 6 Model 2 bentuk random

7 7 Model 3 Bentuk persegi

panjang

8 8 Model 3 Tidak tertempel

dengan sempurna

9 9 Model 2 Tidak tertempel

dengan sempurna

10 10 Model 3 Bentuk Random

158
Ketty Siti Salamah dan Muhammad Afif Assidiq. “Sistem Double Sided Tape Inspection …”

Hasil perhitungan akurasi dengan sample NG adalah:

9
𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = 𝑥 100% = 90%
10
Pada pengujian ke 8 sample NG terbaca OK dikarenakan bentuk Double Sided
Tape 90% areanya masih tertempel, dan menyebabkan salah pembacaan, namun dari
perhitungan diatas bisa disimpulkan hasil pengecekan akurasi dengan menggunakan
sample NG adalah 90%. Pembacaan sistem bisa membedakan mana yang termasuk
Sample OK dan Sample NG. Maka sistem yang dibuat memenuhi semua spesifikasi
yang telah dibuat di awal dengan total perhitungan OK dan NG adalah:
20
𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = 𝑥 100% = 95%
19

5. Kesimpulan
Berdasarkan hasil dari pengujian akurasi data tunggal sample OK dan NG
adalah akurasi 95% dengan data OK berjumlah 10 sample dan data NG berjumlah 10
sample. Lama waktu learning yang didapat untuk dapat membedakan mana Card
Board yang sudah terpasang Double Sided Tape atau tidak yaitu 291.2541 detik dan
faktor yang mempengaruhi waktu learning yaitu nilai Epoch. Semakin tinggi nilai
Epoch maka Learning process time semakin lama namun makin kecil error rate yang
akan didapat. Dari percobaan yang telah dilakukan dapat diketahui faktor yang
mempengaruhi akurasi dan RMSE adalah jumlah epoch dan learning rate, nilai paling
optimal learning rate yang didapat adalah 0.3, dan nilai epoch 5000.

Ucapan Terima Kasih

Ucapan terima kasih terhadap pihak-pihak yang membantu terselesaikannya
penelitian ini serta ucapan terima kasih terhadap tim editorial Jurnal Ilmiah Teknik
Elektro Universitas Trisakti atas dipublikasikannya penelitian ini.

Daftar Pustaka
Al-Jubouri, Q., Al-Nuaimy, W., Al-Taee, M., & Young, I. (2017). An automated
vision system for measurement of zebrafish length using low-cost orthogonal web

159
 Jetri: Jurnal Ilmiah Teknik Elektro, Vol. 19, No. 2, Februari 2022,
P-ISSN 1412-0372, E-ISSN 2541-089X

cameras. Aquacultural Engineering, 78, 155–162.

https://doi.org/10.1016/j.aquaeng.2017.07.003
Amadea, M. (2016). Prediksi Produk Debit Air Minum Per Bulan dengan Jaringan
Syaraf Tiruan Bacpropagation(Studi Kasus: PDAM Tirta Moedal Semarang).
Journal JOINS Udinus, 18–26.
Aquino, A., Bautista, M. G. A., Bandala, A., & Dadios, E. (2016). Color quality
assessment of coconut sugar using Artificial Neural Network (ANN). 8th
International Conference on Humanoid, Nanotechnology, Information
Technology, Communication and Control, Environment and Management,
HNICEM 2015, December. https://doi.org/10.1109/HNICEM.2015.7393182
Chen, N., Men, X., Hua, C., Wang, X., Han, X., & Chen, H. (2018). Research on edge
defects image recognition technology based on artificial neural network.
Proceedings of the 13th IEEE Conference on Industrial Electronics and
Applications, ICIEA 2018, 1929–1933.
https://doi.org/10.1109/ICIEA.2018.8398024
Hadihardaja, I. K., & Sutikno, S. (2005). Aplikasi metode generalized reduced gradient
dalam pemodelan curah hujan-limpasan. Media Komunikasi Teknik Sipil, 13(2),
37–49.
Jong Jek Siang. (2005). Jaringan syaraf tiruan dan pemrogramannya menggunakan
matlab. 63–77.
Rosnelly, R. (2018). Pengenalan Pola Angka Tulisan Tangan Pada Cek Menggunakan
Neocognitron. CSRID (Computer Science Research and Its Development
Journal), 10(1), 23. https://doi.org/10.22303/csrid.10.1.2018.58-67
Sinaga ASRM. (2017). Implemetentasi Teknik Thresholding Pada Segmentasi Citra
Digital. Mantik Penusa, 1(2), 48–51.
Wahyu Caesarendra, M. A. (2011). Panduan Belajar Mandiri Matlab. Jakarta:
Penerbit Media Komputindo.
Yossy, E. H., Pranata, J., Wijaya, T., Hermawan, H., & Budiharto, W. (2017). Mango
Fruit Sortation System using Neural Network and Computer Vision. Procedia
Computer Science, 116, 596–603. https://doi.org/10.1016/j.procs.2017.10.013

160