Abstract. Javanese characters are traditional characters that are used to write the Javanese language. The Javanese language is a language used by many people on the island of Java, Indonesia. The use of Javanese characters is diminishing more and more because of the difficulty of studying the Javanese characters themselves. The Javanese character set consists of basic characters, numbers, complementary characters, and so on. In this research we have developed a system to recognize Javanese characters. Input for the system is a digital image containing several handwritten Javanese characters. Preprocessing and segmentation are performed on the input image to get each character. For each character, feature extraction is done using the ICZ-ZCZ method. The output from feature extraction will become input for an artificial neural network. We used several artificial neural networks, namely a bidirectional associative memory network, a counterpropagation network, an evolutionary network, a backpropagation network, and a backpropagation network combined with chi2. From the experimental results it can be seen that the combination of chi2 and backpropagation achieved better recognition accuracy than the other methods.

Abstract

No abstract

No abstract

Saat ini, aplikasi motion tracking digunakan secara luas untuk banyak tujuan, seperti mendeteksi kemacetan dan menghitung berapa banyak orang yang masuk ke sebuah supermarket atau sebuah mall. Sebuah metode untuk memisahkan antara background dan obyek yang di-track dibutuhkan untuk melakukan motion tracking. Membuat aplikasi tracking pada background yang statis bukanlah hal yang sulit, namun apabila tracking dilakukan pada background yang tidak statis akan lebih sulit, dikarenakan perubahan background dapat dikenali sebagai area tracking. Untuk mengatasi masalah tersebut, dapat dibuat suatu aplikasi untuk memisahkan background dimana aplikasi tersebut dapat beradaptasi terhadap perubahan yang terjadi. Aplikasi ini dibuat untuk memisahkan background dengan menggunakan metode Gaussian Mixture Models (GMM). Metode GMM melakukan cluster data piksel dengan menggunakan warna background tiap piksel sebagai dasarnya. Setelah cluster dibentuk, dilakukan pencocokan input sebagai distribusi, dimana distribusi yang dominan dijadikan sebagai background. Aplikasi ini dibuat dengan menggunakan Microsoft Visual C++ 6.0. Hasil dari penelitian ini menunjukkan bahwa algoritma GMM dapat beradaptasi terhadap background. Hal ini dibuktikan dengan hasil pengujian yang sukses terhadap semua kondisi yang diberikan. Aplikasi ini dapat dikembangkan lebih lanjut supaya proses tracking dapat terintegrasi dengan background yang adaptive.