jurnal 5

IDRiM Journal

IDRiM 2014 Conference Special Issue
Submission deadline is 15 December,2014.
We will be accepting papers based on work presented at the Fifth Conference (IDRiM2014) of the International Society for Integrated Disaster Risk Management (IDRiM Society) held at Western University in London, Ontario, Canada, from 30 October to 1 November 2014. To be eligible, papers should be based on research work presented at the conference. Paper articles submitted for the Special Issue will be subject to peer‐review and other requirements of the IDRiM Journal (please see About the Journal).

Journal of I ntegrated D isaster Ri sk M anagement

Official Journal of IDRiM Society Chief Editors : Norio Okada, Disaster Prevention Research Institute, Kwansei University, Japan
Mohsen Ghafory-Ashtiany, International Institute of Earthquake Engineering and Seismology, Iran
Hirokazu Tatano, Disaster Prevention Research Institute, Kyoto University, Japan
Reinhard Mechler, International Institute for Applied Systems Analysis, Austria
Peijun Shi, Beijing Normal University, and Academy of Disaster Reduction and Emergency Management, Ministry of Civil Affairs & Ministry of Education, China
Managing Editor : Ana Maria Cruz, Disaster Prevention Research Institute, Kyoto University, Japan; and Consultant, Natural and Industrial Disaster Risk Management, Bordeaux, France

IDRiM Journal

It is now commonly accepted that disaster risk reduction (DRR) requires tackling the various factors that influence a society's vulnerability to disasters in an integrated, holistic, and comprehensive way. Thus, integrated disaster risk management is called for. Successful integrated disaster risk management will require integration between disciplines, stakeholders, levels of government, and between global, regional, national, local and individual efforts.

Although the need for integrated disaster risk management is widely recognized, there are still large gaps between theory and practice. Civil protection authorities, government agencies in charge of delineating economic, social, urban or environmental policies, city planning, water and waste disposal departments, health departments, etc. often work independently and without consideration of the hazards in a territory, and the risk they may be (unintentionally) imposing on their citizens. Thus, questions on how to carry out integrated disaster risk management in different contexts, across different hazards, etc., still remain. Furthermore, the need to document and learn from successfully applied risk reduction initiatives, including the methodologies or processes used, the resources, the context, etc. are imperative to avoid duplication of efforts or repeating mistakes.

In an effort to promote integrated disaster risk management the Disaster Prevention Research Institute (DPRI) of Kyoto University and the International Institute for Applied Systems Analysis (IIASA) have carried out a series of nine international forums on integrated disaster risk management since 2001. The IIASA-DPRI Integrated Disaster Risk Management (IDRiM) Forums have provided a platform for discussion, presentation of research findings, and innovative implementation approaches on integrated disaster risk management. The IDRiM Forums have been promoted also by many national and international organizations including Beijing Normal University, the International Institute of Earthquake Engineering and Seismology (IIEES, Iran), the National Research Institute for Earth Science and Disaster Prevention (NIED), the United Nations International Strategy for Disaster Reduction (UN/ISDR), the Joint Research Centre of the European Commission (JRC/EC) and many others.

In October 2009, based on the excellent IDRiM Forum achievements, the organizers of the Forum launched the IDRiM Society and its journal. The IDRiM Society was enthusiastically welcomed and its Charter approved by more than 100 international experts, researchers, practitioners, and individuals from more than 20 different countries working in the disaster risk management field.

The IDRiM Journal builds upon the existing international and interdisciplinary network fostered by the IDRiM Forum attracting high quality manuscripts of validated, real world cases of successful integrated disaster risk management practices and research.

A prestigious interdisciplinary editorial board was nominated and took office in the Spring of 2010. Currently there is an open call for manuscripts on research and implementation cases studies on Integrated Disaster Risk Management from researchers and practitioners from around the world.

 Konferensi Internasional Ilmu Komputer dan Komputasi Intelijen (ICCSCI 2015)Simbol Scanner Sistem menggunakan Metode Backpropagation TangguhAriel Christofera, Chandrasurya Kusumaa, Vincent Pribadia dan Widodo Budihartoa, *acomputer Departemen Ilmu, Fakultas Ilmu Komputer, Universitas Bina NusantaraJln. K.H. Syahdan No. 9, Palmerah, Jakarta Barat 11480 -Indonesia



 Abstrak
 Penelitian ini mengusulkan anotation sistem scanner untuk notasi numerik. Penelitian ini didukung dengan menggunakan algoritma backpropagation tangguh dan menggunakan aplikasi musik untuk mendapatkan melodi dari alat musik. Benda yang digunakan dirancang untuk fokus pada simbol notasi numerik. Untuk dilaksanakan, gambar masukan dari kamera akan menjadi pra-pengolahan, segmentasi citra, jumlah dan simbol pengakuan, suara output, dan untuk membaca simbol notasi angka sebelum memasuki algoritma backpropagation tangguh mengubah ukuran gambar akan piksel 21x21. Dengan menggunakan warna penyaringan dapat mengurangi kesalahan dalam pengenalan tulisan tangan. Tingkat keberhasilan dengan menggunakan 15 sampel data baru dengan data training 100 sampel, tes untuk mendapatkan hasil yang sukses sebanyak 87,9% dan 12,1% kesalahan saat tingkat keberhasilan dengan menggunakan 15 sampel data baru dengan data training 50 sampel, tes untuk mendapatkan sukses hasil sebanyak 74,4% dan 25,6% kesalahan.
 © 2015 Penulis. Diterbitkan oleh Elsevier ini adalah sebuah artikel akses terbuka di bawah CC BY-NC-ND lisensi © 2015 Penulis. Diterbitkan oleh Elsevier (http://creativecommons.org/licenses/by-nc-nd/4.0/).PeerPeer-review di bawah tanggung jawab Panitia Konferensi Internasional tentang Ilmu Komputer dan Komputasi -Review bawah tanggung jawab Panitia Konferensi Internasional tentang Ilmu Komputer dan Intelijen (ICCSCI 2015) Komputasi Intelligence (ICCSCI 2015).Kata kunci: backpropagation tangguh, OpenCV, pengenalan pola


 1. PerkenalanPerkembangan teknologi informasi dalam area spesifik intelijen komputasi telah berkembang sangat pesat seperti visi komputer dan robotika. Seperti di masyarakat saat ini telah hidup di era globalisasi, era di mana pandangan, produk, ide, dan aspek budaya lainnya dari setiap bagian dari dunia yang mampu mengintegrasikan dengan satu sama lain semakin dipengaruhi oleh teknologi modern. Teknologi komputer berbasis visi telah menjadi bagian dari kehidupan setiap orang. Teknologi terbaru di bidang computer vision memiliki implikasi yang mendalam bagi perusahaan dan individu, salah satu dari mereka di industri musik.






 * Penulis yang sesuai. Tel .: +628569887384
 Alamat E-mail: wbudiharto@binus.edu1877-0509 © 2015 Penulis. Diterbitkan oleh Elsevier ini adalah sebuah artikel akses terbuka di bawah CC BY-NC-ND lisensi (http://creativecommons.org/licenses/by-nc-nd/4.0/).Peer-review di bawah tanggung jawab Panitia Konferensi Internasional tentang Ilmu Komputer dan Komputasi Intelijen (ICCSCI 2015) doi: 10,1016 / j.procs.2015.07.342
 Hanya 8 siswa atau 20% yang mampu membaca dan menulis notasi numerik dari jumlah siswa sebanyak 40 orang. Siswa masih kesulitan dalam membaca notasi numerik terutama pada tingkat pemahaman dari bentuk dan catatan nilai, nada suara yang digunakan dalam notasi numerik seperti suara nada do-re-mi-Fasol-la-si, bagaimana membaca knock-bar mencatat 1/4, 1/2, 1/8, dan lain-lain. Berdasarkan masalah ini, siswa masih tidak mengerti dan tidak memahami apa guru untuk menyampaikan materi pembelajaran seni musik.Banyak penelitian yang berfokus pada nomor membaca atau simbol berdasarkan visi komputer, seperti membaca nomor India melalui operasi pra-pengolahan seperti segmentasi, binarization, normalisasi, dan LOCATION2. Dalam research3 sebelumnya, abjad Inggris sebagai nilai biner yang digunakan sebagai input untuk sistem ekstraksi fitur sederhana, output yang diumpankan ke sistem saraf. Oleh karena itu dikembangkan sebuah aplikasi yang dapat mengenali notasi numerik. Tujuan dari pengembangan aplikasi ini adalah untuk mengembangkan sebuah aplikasi yang dapat mengenali bentuk notasi numerik menggunakan teknik jaringan saraf dengan algoritma backpropagation tangguh dan dapat mengeluarkan melodi musik, pengembangan aplikasi ini dapat membantu orang-orang yang ingin menikmati musik yang lembaran musik notasi numerik dan dapat belajar musik dengan menggunakan lembaran musik notasi numerik.Manfaat yang bisa diperoleh dengan menggunakan teknik jaringan saraf dengan algoritma backpropagation tangguh dalam bentuk aplikasi dapat mengenali dan menggunakan aplikasi musik yang dapat mengeluarkan melodi musik, dan membantu pengguna untuk mendengarkan musik tanpa harus menguasai lembaran musik melodi notasi numerik, sehingga meningkatkan perhatian publik akan rasa ingin tahu tentang musik, dan pengguna dapat menjelajahi hobi mendengarkan alat musik.
 2. Metode Usulan
 Kami mengusulkan sistem kami didasarkan pada diagram alir yang ditunjukkan pada gambar 1:


 Pada tahap awal, pengguna akan masukan gambar di kertas putih (HVS) yang berisi nomor catatan bersama dengan simbol-simbolnya. Proses input gambar, dilakukan oleh pengguna menghadapkan kertas putih (HVS) di camera.At berikutnya tahap pra-pengolahan, setelah pengguna untuk gambar input, tampilan atau gambar dengan capture kamera akan diproses melalui beberapa jenis proses dalam pengolahan gambar, akan mengalami tahapan grayscale, kecerahan, kontras, ambang batas dan segmentasi image.Image cerdik adalah tahap di mana objek teks di kertas putih akan dibagi menjadi potongan-potongan dari pixel yang memiliki ukuran yang sama dengan ukuran obyek dan kemudian gambar akan di panen setelah resize. Gambar akan menjadi resize untuk 21x21 pixels.After melalui segmentasi citra, ini akan menjadi tahap selanjutnya adalah pengenalan pola. Pola hasil yang diperoleh dari pelatihan yang telah dilakukan oleh programmer, sehingga gambar dapat diakui sebagai angka atau symbols.This tahap adalah tahap terakhir dalam aplikasi ini adalah untuk output suara berdasarkan notasi diakui.

 Ara. 2. Proses Simbol Notasi Pengakuan
 Berikut adalah penjelasan dari Proses notasi simbol pengakuan yang digunakan dalam aplikasi ini:1. Pre-processingPra-pengolahan bertujuan untuk membuat gambar yang akan diolah menjadi blur dan kemudian ke abu-abu, sehingga dapat diolah menjadi citra biner dan sedikit mengurangi kebisingan dalam gambar sehingga dapat membantu dalam proses segmentasi. Sebelum itu semua, dapat diproses untuk mengurangi atau meningkatkan kecerahan dan kontras untuk mendapatkan maksimum mengurangi kebisingan dari gambar.2. Gambar SegmentasiProses ini bertujuan untuk memisahkan angka dan simbol pada satu baris yang berguna untuk memotong karakter pada satu baris dengan menggunakan metode convex hull.3. Resize Gambar (21x21 pixel)Proses ini bertujuan untuk membuat gambar dengan ukuran yang sama dengan pelatihan citra sehingga dapat dimasukkan ke dalam jaringan saraf.4. Menggunakan Algoritma Backpropagation TangguhProses ini bertujuan untuk pengakuan data ke jaringan saraf untuk mendapatkan output berdasarkan berat dari data yang diperoleh dari pelatihan.5. Menghasilkan PolaProses ini bertujuan untuk membuat desain pola dari output jaringan saraf.
 Dalam percobaan ini kami menggunakan kamera webcam, di mana kamera menangkap gambar RGB. Namun, gambar memiliki beberapa gangguan yang dapat mengurangi kualitas gambar. Salah satunya adalah dari kualitas gambar yang berasal dari penurunan
 sistem lensa optik kamera digital. Ketika kamera tidak fokus, maka gambar yang diambil akan blurry1. Kami menyarankan untuk fokus, ketika pengambilan gambar.Untuk mendapatkan setiap objek tunggal dalam gambar, kita menggunakan metode convex hull. Convex hull digunakan untuk memahami kontur obyek. Convex hull sebagai panduan dalam melakukan objek detection4. Backpropagation digunakan untuk melatih jaringan untuk mengidentifikasi pola-pola yang digunakan selama pelatihan serta kemampuan jaringan untuk memberikan respon terhadap pola masukan mirip dengan pola yang digunakan selama pelatihan 5.Perbedaan utama dari teknik lainnya adalah bahwa setiap langkah independen dari nilai absolut dari derivasi parsial. 1 (satu) iterasi dari algoritma RPROP asli dapat dipisahkan menjadi dua (2) bagian. Bagian pertama, menyesuaikan langkah-ukuran, pada dasarnya sama untuk semua algoritma yang digunakan. Untuk setiap berat ij langkah-ukuran individu ijadjust menggunakan rule6 berikut:JikaJikaLain,
 (1)Di mana Jika turunan parsial ܧ ߲ Ȁ ݓ ߲ ij memiliki tanda yang sama untuk langkah berurutan, stepsize akan meningkat, yang jika perubahan tanda, maka langkah-ukuran akan menurun. Langkah-ukuran terikat dengan parameter min dan ο ??????. Bagian kedua dari algoritma, update berat. Ukuran ditentukan oleh perubahan berat badan secara eksklusif tertentu.Jika> 0ݓ ο ???? ሺ ?? ሻ ꞉꞊ Jika <0Lain,
 (2)Algoritma RPROP memerlukan pengaturan parameter berikut: (i) meningkatkan faktor untuk; (ii) mengurangi faktor untuk; (iii) Insial-nilai pembaruan untuk; (iv) langkah-langkah berat maksimum, yang digunakan untuk mencegah atau berat menjadi terlalu besar, adalahSetelah menyesuaikan langkah-ukuran, menentukan pembaharuan berat ݓ ο ???? Ǥ. Ada dua kasus untuk membedakan. Jika tanda turunan parsial tidak berubah, update berat biasa dijalankan:jika

 (3)
 Di mana operator menandai 1 jika argumen positif, -1 jika argumen negatif, dan 0 sebaliknya. Dalam kasus mengubah tanda derivasi parsial, perubahan berat badan sebelum kembali:jika kemudian
   dan
 (4)
 Mengatur turunan disimpan ke 0 (nol) untuk menghindari perubahan tingkat belajar pada iterasi berikutnya. Akhirnya, berat baru diberikan oleh
  ij ij ij (5)
 Algoritma ini akan menjelaskan RPROP dalam bentuk pseudo-code7. Mengikuti:Untuk setiap ݓ ???? melakukanjika kemudian
  elseif kemudian
 
  elseif kemudian
 

 3. Hasil dan Pembahasan
 Berikut adalah hasil penelitian dan percobaan yang telah di resize dan tanaman menjadi ukuran 21x21 pixel, hasil dalam pengujian data baru dan data pelatihan menggunakan RPROP (propagasi Kembali Resilient) algoritma.
 Tabel 1. Success Rate dengan 100 data Pelatihan

 1 15 3 6 12 802 15 1 2 14 933 15 3 6 12 804 15 0 0 15 1005 15 6 12 9 606 15 1 2 14 937 15 0 0 15 1008 15 1 2 14 939 15 0 0 15 100Success Rate 87,9
 Dari Tabel 1 menggambarkan tes dilakukan pada 100 data training. Dengan menggunakan 15 sampel data baru, tes untuk mendapatkan hasil yang sukses sebanyak 87,9% dan 12,1% kesalahan.

 Tabel 2. Success Rate dengan 50 data PelatihanKelas Contoh Kesalahan Kesalahan (%) Sukses Sukses (%)0 15 2 4 13 861 15 7 14 8 532 15 5 10 10 663 15 0 0 15 1004 15 0 0 15 1005 15 13 26 2 136 15 0 0 15 1007 15 7 14 8 538 15 0 0 15 1009 15 4 8 11 73Success Rate 74,4
 Dari Tabel 2 menggambarkan tes yang dilakukan pada data pelatihan 50. Dengan menggunakan 15 sampel data baru, tes untuk mendapatkan hasil yang sukses sebanyak 74,4% dan 25,6% kesalahan. Berdasarkan percobaan di atas dapat disimpulkan bahwa data pelatihan yang lebih, tingkat keberhasilan yang diperoleh akan lebih tinggi. Selain pengujian eksperimental data baru dengan data pelatihan, pengujian juga dilakukan pada aplikasi. Untuk menemukan keberhasilan dalam mendeteksi dapat dilihat pada output pola. Output pola telah diperoleh dari citra masukan. Bagian keberhasilan pola output dapat dilihat pada Tabel 3:
 Tabel 3. Contoh Input Berkas oleh Pola Keluaran
 Masukan Gambar Pola Keluaran

 
 


 Ara. 3. Ada Sebuah bayangan di Image
 Pada gambar 3 ada kegagalan dalam mendeteksi notasi simbol karena jumlahnya terlalu gelap dan tidak lulus kontrol untuk mengurangi pengaturan gelap yang ada pada gambar karena itu output pola gagal membaca notasi simbol.

   Ara. 4. Sukses Terjadi Dalam Pola Keluaran
 Pada gambar 4 pola keluaran yang dimiliki sesuai dengan hasil sudah ada gambar. Untuk mendapatkan hasil yang sesuai maka harus menghapus suara dengan menyesuaikan bagian kontrol dan pengaturan cahaya untuk gambar dan klik tombol putar musik untuk mendapatkan melodi piano juga dapat mengubah BPM.

Analisis
Penelitian ini mengusulkan anotation sistem scanner untuk notasi numerik. Penelitian ini didukung dengan menggunakan algoritma backpropagation tangguh dan menggunakan aplikasi musik untuk mendapatkan melodi dari alat musik. Benda yang digunakan dirancang untuk fokus pada simbol notasi numerik. Untuk dilaksanakan, gambar masukan dari kamera akan menjadi pra-pengolahan, segmentasi citra, jumlah dan simbol pengakuan, suara output, dan untuk membaca simbol notasi angka sebelum memasuki algoritma backpropagation tangguh mengubah ukuran gambar akan piksel 21x2

Tingkat keberhasilan dengan menggunakan 15 sampel data baru dengan data training 100 sampel, tes untuk mendapatkan hasil yang sukses sebanyak 87,9% dan 12,1% kesalahan saat tingkat keberhasilan dengan menggunakan 15 sampel data baru dengan data training 50 sampel, tes untuk mendapatkan sukses hasil sebanyak 74,4% dan 25,6% kesalahan.