Kamis, 17 Desember 2015

jurnal 2




International Conference on Computer Science and Computational Intelligence (ICCSCI 2015)
The Notation Scanner Systems using Resilient Backpropagation Method
Ariel Christofera, Chandrasurya Kusumaa, Vincent Pribadia and Widodo Budihartoa,*
aComputer Science Department, School of Computer Science, Bina Nusantara University
Jln. K.H. Syahdan No. 9, Palmerah, Jakarta Barat 11480 -Indonesia



Abstract

This research proposes anotation scanner system for numerical notation. This research was supported by using resilient backpropagation algorithm and uses the music application to get a melody of musical instruments. Objects used are designed to be focused on the numerical notation symbols. To be implemented, the input image from camera will be pre-processing, image segmentation, number and symbol recognition, output sound, and to read numerical notation symbols before entering resilient backpropagation algorithm resize the image will be 21x21 pixels. By using colour filtering can reduce errors in handwriting recognition. Success rate by using 15 new sample data with 100 sample data training, the test to get a successful outcome as much as 87.9% and 12.1% error while success rate by using 15 new sample data with 50 sample data training, the test to get a successful outcome as much as 74.4% and 25.6% error.

© 2015 The Authors. Published by Elsevier B.V. This is an open access article under the CC BY-NC-ND license © 2015 The Authors. Published by Elsevier B.V. (http://creativecommons.org/licenses/by-nc-nd/4.0/).
PeerPeer-review under responsibility of organizing committee of the International Conference on Computer Science and Computational -review under responsibility of organizing committee of the International Conference on Computer Science and Intelligence (ICCSCI 2015)Computational Intelligence (ICCSCI 2015).  
Keywords: resilient backpropagation, OpenCV, pattern recognition


1. Introduction
The development of information technology in specific area of computational intelligence has been developed very rapidly such as computer vision and robotics. As in today's society has been living in the globalization era, an era in which the views, products, ideas, and other cultural aspects of each part of the world are able to integrate with each other increasingly influenced by modern technology. Vision-based computer technology has become a part of everyone's life. The latest technology in the field of computer vision has profound implications for companies and individuals, one of them in the music industry.






* Corresponding author. Tel.: +628569887384
 E-mail address:wbudiharto@binus.edu
1877-0509 © 2015 The Authors. Published by Elsevier B.V. This is an open access article under the CC BY-NC-ND license (http://creativecommons.org/licenses/by-nc-nd/4.0/).
Peer-review under responsibility of organizing committee of the International Conference on Computer Science and Computational Intelligence (ICCSCI 2015) doi: 10.1016/j.procs.2015.07.342

Only 8 students or 20% are able to read and write numerical notation of the number of students as many as 40 people. Students is still difficulty in reading numerical notation especially at the level of understanding of the form and note values, the sound tone used in the numerical notation like the sound of the tone of do-re-mi-fasol-la-si, how to read the knock-bar notes 1/4 , 1/2, 1/8, and others.  Based on these issues, students still do not understand and do not fully understand what the teacher to convey to learning material the art of music.
Many research focusing on reading numbers or symbol based on computer vision, such as reading the Indian numbers through pre-processing operations such as segmentation, binarization, normalization, and location2. In previous research3, English alphabet as a binary value that used as input for simple feature extraction system, whose output is fed to the neural system.  Hence it developed an application that can recognize the numerical notation. Objectives of the development of this application is to develop an application that can recognize the shape of the numerical notation using neural network technique with resilient backpropagation algorithm and can secrete melody of music, the development of these applications can help people who want to enjoy a musical of sheet music numerical notation and can learn music by using sheet music numerical notation.
The benefits to be gained by using a neural network technique with resilient backpropagation algorithm in the form of an application can recognize and use music applications that can secrete musical melody, and help users to listen music without having to master the melody sheet music numerical notation, thereby increasing the public's attention will taste curious about the music, and the user can explore the hobby of listening to musical instruments.

2. Proposed Method

We propose our system based on the flow diagram shown in figure 1:


At the initial stage, user will input an image in the white paper (HVS) which contains note number along with its symbols. This image input process, done by the user confronts the white paper (HVS) on the next camera.At the pre-processing  stage, after the user to input image, display or image by capture the camera will be processed through some kind of process in image processing, will experience the stages of grayscale, brightness, contrast, threshold and canny image.Image segmentation is the stage where the text object is in the white paper will be divided into pieces of pixels that have a size equal to the size of the object and then the image will be in the crop after resize. The image will be the resize to 21x21 pixels.After going through the image segmentation, this will be the next stage is pattern recognition. The pattern of results obtained from the training has been done by the programmer, so that the image can be recognized as numbers or symbols.This stage is the last stage in the application is to output a sound based on the recognised notation. 

Fig. 2.  Proses Symbol Notation Recognition 

Here is an explanation of proses symbol notation recognition used in this application:
1.       Pre-processing
Pre-processing aims to create images that will be processed into blur and then into a grey, so that it can be processed into a binary image and slightly reduce noise in the image so that it can assist in the process of segmentation. Before that of all, it can be processed to reduce or increase brightness and contrast to get maximum reduce of noise from images. 
2.       Image Segmentation
This process aims to separate the numbers and symbols on one line which is useful for cutting the characters on one line using convex hull method.
3.       Resize Image (21x21 pixels)
This process aims to make the image the same size as with the image training so can be inserted into the neural network.
4.       Using Resilient Backpropagation Algorithm
This process aims to data recognition into the neural network in order to obtain the output based on the weight of the data obtained from the training.
5.       Generate Pattern
This process aims to make pattern design from output the neural network.
                 
In this experiment we used a webcam camera, where the camera captured a RGB image. However, the image has some glitches that can reduce the quality of the image. One was from a decrease image quality derived from

the optical lens system digital camera. When the camera is out of focus, then the captured image will be blurry1. We suggest to focus, when capture an image.
To get every single object in image, we used convex hull method. Convex hull is used to understand the contours of an object. Convex hull as a guide in conducting object detection4. Backpropagation is used to train the network in order to identify patterns used during training as well as the network’s ability to provide a response to the input pattern similar to the pattern used during the training 5.
The main difference from other techniques is that each step independent of the absolute value of the partial derivation. 1 (one) iteration of the original algorithm RPROP can be separated into two (2) sections. The first part, adjust the step-sizes, essentially the same for all of the algorithms used. For each weight ij an individual step-size ijadjust using the following rule6:
If             
If  
Else,
                                (1)
Where If the partial derivative ܧ߲Ȁݓ߲ij has the same sign for sequential step, the stepsize will increase, which if it changes sign, then the step-size will decrease. Step-size bound with parametermin and š. The second part of the algorithm, the weight update. Size is determined by the weight change exclusively specific weight.
If                >0
ݓο‹Œሺ–ሻ ꞉꞊  If      <0
Else,
                                (2)
RPROP algorithms require the setting of following parameters: (i) increase factor for; (ii) reducing factor for ; (iii) Insial update-value for ; (iv) Maximum weight measures, which are used in order to prevented or weight becomes too large, is  
After adjusting the step-sizes, determine the weight renewal ݓο‹ŒǤ. There are two cases to distinguish. If the sign of the partial derivative does not change, a regular weight update is executed:
if  

                                                                (3)

Where the operator marks +1 if the argument is positive, -1 if the argument is negative, and 0 otherwise. In case of changing the sign of the partial derivation, weight change before returning:
if                          then
         and        
                                                                (4)

Set the stored derivative to 0 (zero) to avoid the change of the learning rate in the next iteration. Finally, a new weight is given by
                                                                
ij                     ij                     ij                     (5)

This algorithm will describe RPROP in the form of pseudo-code7. As follows:
For each  ݓ‹Œ do
if                        then
 
elseif  then
 
 
elseif  then
 


3. Result and Discussion

Here are the results of research and experiments that have been on resize and crop into 21x21 pixel size, the result in the testing of new data and training data using RPROP (Resilient Back propagation) algorithm.

Table 1. Success Rate with 100 Training Data

1              15 
3 
6 
12 
80 
2              15 
1 
2 
14 
93 
3              15 
3 
6 
12 
80 
4              15 
0 
0 
15 
100 
5              15 
6 
12 
9 
60 
6              15 
1 
2 
14 
93 
7              15 
0 
0 
15 
100 
8              15 
1 
2 
14 
93 
9              15 
0 
0 
15 
100 

Success Rate 


87.9 

From Table 1 describes the tests performed on 100 training data. By using 15 new sample data, the test to get a successful outcome as much as 87.9% and 12.1% error.


Table 2. Success Rate with 50 Training Data
Class 
Sample 
Error 
Error (%) 
Success 
Success (%) 
0 
15 
2 
4 
13 
86 
1 
15 
7 
14 
8 
53 
2 
15 
5 
10 
10 
66 
3 
15 
0 
0 
15 
100 
4 
15 
0 
0 
15 
100 
5 
15 
13 
26 
2 
13 
6 
15 
0 
0 
15 
100 
7 
15 
7 
14 
8 
53 
8 
15 
0 
0 
15 
100 
9 
15 
4 
8 
11 
73 


Success Rate 


74.4 

From Table 2 describes the tests performed on the 50 training data. By using 15 new sample data, the test to get a successful outcome as much as 74.4% and 25.6% error. Based on the above experiments it can be concluded that the more training data, the success rate obtained will be higher. In addition to experimental testing of new data with training data, testing was also conducted on the application. To find success in detecting can be seen in the pattern output. Pattern output has been obtained from the input image. Part success output pattern can be seen in Table 3:

Table 3. Examples of Input Image by Pattern Output

Input Image
Pattern Output

 

 
 Fig. 3. There is A Shadow in The Image

In figure 3 there is a failure in detecting the symbol notation because the numbers are too dark and not pass control to reduce dark settings that exist in the image because of that the pattern output failed to read the symbol notation.

  
Fig. 4. Success Happens In Pattern Output

In figure 4 the output pattern owned in accordance with the results already exist image. To obtain the corresponding results then must remove noise by adjusting the control section and setting light to the image and click button play music to get melody piano also can change the BPM.








Figure 5.  Time needed for training data betweenBackpropagation and Resilient Backpropagation            




Figure 5 shows thetime needed for training the data between backpropagation and resilient backpropagation from time training data on minute, second, and millisecond. Based on the research, we aims 5 and 10 target output from each backpropagation and resilient backpropagation. The result from time training data resilient backpropagation faster than backpropagation.

4. Conclusion and Suggestion
Based on the research, neural network techniques using resilient backpropagation algorithm for compare training data and new data can be read form handwriting and by using colour filtering can reduce errors in handwriting recognition. In our analysis of resilient backpropagation algorithm has a speed in training data. Future work will be the development for additional symbols that are not used and can read the full notations.
References

1.    Priyadi, D. Penerapan Metode Demonstrasi pada Pembelajaraan Seni Musik dapat Meningkatkan Keterampilan Membaca Notasi Angka Siswa Kelas X. accessible February 3 2015 from: https://sites.google.com/site/wadahgurumenulis/jurnal-ptk-seni-musik-denmas-priyadi. 
2.    Khalaf, K., A. Shamesneh, Asharf, O., Basem, A., “Recognizing Handwriting Indian Numbers using Neural Network”, Computing and Information Technology, 1, issue 2; Oct 2012.
3.    Yusuf, P., and Ashish, C.,“Neural Network for Handwritten English Alphabet Recognition”. Internasional Journal of Computer Application (0975-8887), 20, No. 7;April 2011.
4.    Bradski, G., Adrian K. Learning OpenCV: Computer Vision with the OpenCV Library. United States: O’Reilly       Media, Inc; 2008.
5.    Hasykin, S., Neural Network and Learning Machines. 3rd edition. New Jersey: Pearson Education, Inc. 2009.
6.    Igel, C., Michael, H. Improving the RPROP Learning Algorithm. NC’2000 – the Second International       Symposium on Neural Computation; 2000. p. 115-121.
7.    M. Riedmiller, and H. Braun, “A direct adaptive method for faster backpropagation learning: The RPROP   algorithm”, Proceedings International Conference on Neural Networks, SanFrancisco, CA;1993. p. 586-591. 

Translit

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.







 Gambar 5. Waktu yang dibutuhkan untuk data pelatihan betweenBackpropagation dan Backpropagation Tangguh
 Gambar 5 menunjukkan thetime diperlukan untuk melatih data antara backpropagation dan backpropagation tangguh dari data pelatihan waktu pada menit, detik, dan milidetik. Berdasarkan penelitian, kami bertujuan 5 dan 10 target produksi dari masing-masing backpropagation dan backpropagation tangguh. Hasil dari data waktu pelatihan backpropagation tangguh lebih cepat dari backpropagation.
 4. Kesimpulan dan SaranBerdasarkan penelitian, teknik jaringan saraf menggunakan algoritma backpropagation tangguh untuk data pelatihan membandingkan dan data baru dapat dibaca bentuk tulisan tangan dan dengan menggunakan warna penyaringan dapat mengurangi kesalahan dalam pengenalan tulisan tangan. Dalam analisis kami algoritma backpropagation tangguh memiliki kecepatan data pelatihan. Pekerjaan di masa depan akan menjadi pengembangan untuk simbol tambahan yang tidak digunakan dan dapat membaca notasi penuh.Referensi
 1. Priyadi, D. Penerapan Metode Demonstrasi PADA Pembelajaraan Seni Musik DAPAT Meningkatkan Keterampilan Membaca Notasi Angka Siswa Kelas X. diakses 3 Februari 2015 dari: https://sites.google.com/site/wadahgurumenulis/jurnal-ptk-seni-musik -denmas-priyadi.2. Khalaf, K., A. Shamesneh, Asharf, O., Basem, A., "Menyadari Handwriting Nomor India menggunakan Neural Network", Computing dan Teknologi Informasi, 1, 2 masalah; Oktober 2012.3. Yusuf, P., dan Ashish, C., "Neural Network untuk tulisan tangan bahasa Inggris Alphabet Pengakuan". Internasional Journal of Aplikasi Komputer (0975-8887), 20, No 7, April 2011.4. Bradski, G., Adrian K. Belajar OpenCV: Computer Vision dengan Perpustakaan OpenCV. Amerika Serikat: O'Reilly Media, Inc; 2008.5. Hasykin, S., Neural Network dan Mesin Learning. 3rd edition. New Jersey: Pearson Education, Inc. 2009.6. Igel, C., Michael, H. Meningkatkan Algoritma Belajar RPROP. NC'2000 - Kedua Simposium Internasional tentang Neural Perhitungan; 2000. p. 115-121.7. M. Riedmiller, dan H. Braun, "Sebuah metode adaptif langsung untuk pembelajaran backpropagation lebih cepat: Algoritma RPROP", Prosiding Konferensi Internasional tentang Neural Networks, SanFrancisco, CA; 1993. p. 586-591.
  
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
    
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-miBerdasarkan 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, -Fasol-la-si, bagaimana membaca knock-bar mencatat 1/4, 1/2, 1/8, dan lain-lain.
   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.


Diposting oleh di

Tidak ada komentar:

Posting Komentar

Langganan: Posting Komentar (Atom)