J-ICON.
Vol.
6 No.
Oktober 2018, pp.
DETEKSI DAN IDENTIFIKASI BARCODE 2D MENGGUNAKAN METODE
EKSTRAKSI CIRI GABOR FILTER DAN IDENTIFIKASI CIRI
BACKPROPAGATION NEURAL NETWORK
Hepiyana V.
Runesi 1.
Adriana Fanggidae.
ST.
Cs 2.
Meiton Boru.
ST.
Kom3 Jurusan Ilmu Komputer.
Fakultas Sains dan Teknik.
Universitas Nusa Cendana
1,2,3
INTISARI
Barcode merupakan sebuah perangkat dalam bentuk matriks hitam dan putih untuk mewakili 1 dan 0, yang berfungsi untuk menyimpan informasi.
Barcode dibagi menjadi 2 .
jenis yaitu barcode 1D dan barcode 2D.
Perbedaan barcode 1D dan barcode 2D yaitu barcode 1D atau kode batang merupakan barcode dengan bentuk bar hitam dan putih, sedangkan barcode 2D adalah barcode dengan bentuk kotak atau persegi.
Metode yang digunakan dalam penelitian ini, yaitu grayscaling, pengambangan, penapisan luas dengan algoritma flood fill pixel reduction, area pembatas obyek, ekstraksi ciri dengan algoritma gabor filter, pembelajaran dengan algoritma backpropagation neural network, dan identifikasi menggunakan metode feedforward pada algoritma backpropagation neural network.
Data yang digunakan pada penelitian ini berupa 1 data barcode 2D pada masing-masing barcode 2D yang berjumlah 20 user yang diambil dari kontak BBM (Blackberry Messenge.
, karena minimnya data yang diperoleh maka dari 1 data barcode 2D tersebut dilakukan crop sebanyak 8 kali untuk menjadi data latih dan 2 kali untuk menjadi data uji.
Pengujian dilakukan dalam 3 tahap, yaitu untuk data set (I) berjumlah 10 user, untuk data set (II) berjumlah 15 user, dan untuk data set .
berjumlah 20 user.
Hasil pengujian sistem untuk ketiga data set tersebut menunjukkan bahwa, data set (I) menunjukkan akurasi sebesar 100%, data set (II) menunjukkan akurasi sebesar 93,33%, dan data set .
menunjukkan akurasi sebesar 66%.
Kata kunci: deteksi wilayah barcode 2D, flood fill pixel reduction, identifikasi barcode 2D, identifikasi tekstur, gabor filter, jaringan syaraf tiruan, backpropagation neural network.
ABSTRACT
Barcode is a device in the form of a black and white matrix to represent 1 and 0, which aims in storing information.
It is divided into two types, namely 1D and 2D barcodes.
The different between them is 1D barcode has black and white bars, while 2D barcode has square shape.
The method used in this research is grayscaling, floating and screening comprehensive using flood fill pixel reduction algorithm, the perimeter of objects, extraction feature using gabor filter algorithm, the learning method uses backpropagation neural network algorythm, and the identification process using the feedforward method to backpropagation neural network algorythm.
The data used in this research is a data of 2D barcode on each of it amounted to 20 users who are taken from the BBM (Blackberry Messenge.
contact, due to the lack of data thus a data of the 2D barcode is cropped for 8 times to be the training data and twice to be the test data.
The test is done in three stages which the first data set consists of 10 users, the second one consists of 15 users and the last one consists of 20 users.
The result of the testing system for those data sets show that the first data set obtains an accuracy of 100%, the second one obtains 93,33% and the last one obtains 66%.
Keywords: 2D barcode detection area, flood fill pixel reduction, barcode 2D identification, texture identification, gabor filter, artificial neural network, backpropagation neural network
PENDAHULUAN
Penggunaan barcode sangat diperlukan untuk menunjukkan informasi khusus melalui perkembangan teknologi pengumpulan data otomatis.
Barcode sendiri dibagi menjadi 2 .
jenis yaitu barcode 1 dimensi dan barcode 2 dimensi.
Barcode 1D atau kode batang merupakan barcode dengan bentuk bar hitam dan putih, sedangkan barcode 2D adalah barcode dengan bentuk kotak atau persegi.
Penggunaan barcode sering digunakan dalam perdagangan misalnya ISSN:2337-7631 .
ISSN: 2654-4091 (Onlin.
J-ICON ISSN:2337-7631 .
ISSN: 2654-4091 (Onlin.
pada kemasan barang, namun seiring perkembangan teknologi, barcode telah banyak digunakan dalam berbagai bidang seperti pengangkutan barang, pengiriman barang, anti-penipuan informasi terutama untuk pertahanan nasional, administrasi pajak, keamanan publik, transportasi dan Terdapat bermacam-macam metode ekstrasi ciri dalam pengolahan citra digital tetapi sejauh pengetahuan penulis belum ada yang digunakan untuk mengambil ciri dari barcode 2D untuk proses identifikasi, maka penulis menggunakan metode gabor filter yang terbukti baik dalam menentukan pola tekstur sehingga dapat dijadikan sebagai informasi frekuensi yang Gabor filter menawarkan lokalisasi simultan terbaik dari informasi frekuensi spasial serta memiliki karakteristik lokal yang tinggi di kedua daerah temporal dan frekuensi, sehingga dapat diimplementasikan untuk mewakili fitur gambar dalam skala dan orientasi yang berbeda dengan beberapa variabel parameter .
Backpropagation merupakan algoritma pembelajaran yang terawasi dan biasanya digunakan oleh jaringan multilayer untuk mengubah bobot-bobot yang terhubung dengan semua neuron pada lapisan tersembunyi .
Walaupun terdapat beberapa kekurangan dalam algoritma ini dimana proses pembelajarannya membutuhkan waktu yang lama, tetapi algoritma backpropagation cukup baik dalam mengelompokkan fitur dari hasil proses ekstraksi ciri.
Penelitian terdahulu yang menggunakan algoritma gabor filter yaitu, speech recognition untuk sistem keamanan berbasis suara .
Analisis tekstur kayu Jati .
Gabor Filtering-Based Scale and Rotation Invariance feature for 2D Barcode .
Rancang bangun sistem pengenalan wajah menggunakan filter gabor .
Pelacakan dan pengenalan wajah menggunakan webcam & metode gabor filter .
dan identifikasi barcode pada gambar yang ditangkap kamera digital menggunakan metode jaringan syaraf tiruan .
II.
MATERI DAN METODE
1 Data Penelitian Data yang digunakan diambil dengan melakukan screenshot barcode 2D pada kontak BBM (Blackberry Messenge.
yang telah di crop secara manual kemudian di resize menjadi ukuran 200x200 piksel dengan format jpg.
Data yang digunakan dalam penelitian ini berjumlah 200 data dengan 160 citra latih dan 40 citra uji.
Citra yang digunakan dalam data latih dan data uji adalah citra biner.
2 Preprocessing Preprocessing merupakan tahap awal dari proses yang dijalankan oleh pengguna dalam pengolahan citra.
Tujuan dari preprocessing adalah untuk mempermudah komputer dalam melakukan perhitungan pada ekstraksi fitur, serta memperbaiki kualitas citra.
Teknik preprocessing yang digunakan, di antaranya : grayscaling .
, pengambangan .
, penapisan luas dan area pembatas obyek.
1 Grayscaling Grayscaling merupakan proses pengubahan citra RGB menjadi citra keabuan.
Untuk mendapatkan satu nilai tersebut dapat digunakan rumusan pada openCV yang dapat dilihat pada persamaan .
yciycycaycycycaycaycoyce = .
R .
G .
B .
Pengambangan (Thresholdin.
Pengambangan atau thresholding digunakan untuk merubah citra dengan format skala keabuan yang mempunyai kemungkinan nilai lebih dari 2 .
ke citra biner yang memiliki 2 .
buah nilai .
aitu 0 dan .
, seperti pada persamaan .
Deteksi Dan Identifikasi Barcode 2d Menggunakan Metode Ekstraksi Ciri Gabor Filter Dan Identifikasi Ciri Backpropagation Neural Network (Hepiyana V.
Runes.
ISSN:2337-7631 .
ISSN: 2654-4091 (Onlin.
cu, y.
= { 0 ycycnycoyca yce.
cu, y.
> ycN 1 ycycnycoyca yce.
cu, y.
O ycN Penapisan Luas Pada citra biner sering ditemukan informasi yang tidak berguna.
Informasi yang tidak berguna sendiri adalah semua area didalam citra kecuali obyek.
Pada saat pengambangan dilakukan, maka obyek akan terpisah dengan latar belakangnya, namun seringkali pada citra masih terdapat bagian-bagian yang berukuran kecil dibandingkan obyek yang dicari.
Penapisan luas berguna untuk menghilangkan bagian-bagian kecil tersebut dengan memberi nilai ambang yang menyatakan luas minimum gabungan piksel-piksel yang saling terhubung, sehingga daerah gabungan dengan luas di bawah batas ambang yang ditentukan akan ditiadakan dari citra.
1 Flood Fill Pixel Reduction Flood fill pixel reduction (FFPR) adalah satu algoritma dengan memanfaatkan algotima flood fill 8 direction dalam pewarnaan objek untuk menghilangkan piksel-piksel terhubung yang memiliki nilai dibawah batas ambang.
Area Pembatas Obyek Area pembatas obyek bertujuan agar memastikan bahwa obyek yang akan diolah benar-benar berada di bagian dalam area tersebut.
Ekstrasi Ciri Pendekatan fitur vektor dalam mengidentifikasi barcode 2D menggunakan suatu penanda yang digunakan sebagai pendeteksi ciri.
Berdasarkan .
, informasi ciri citra barcode diperoleh dengan mengekstraksi citra barcode sehingga memungkinkan untuk mendapatkan nilai unik fitur vektor yang nantinya digunakan sebagai pembanding dalam proses pengenalan.
1 Gabor Filter Tahap ekstraksi ciri, berdasarkan .
, bertujuan untuk mendapatkan informasi penting dari tekstur suatu citra.
Gabor filter merupakan sebuah pilihan tradisional untuk memperoleh informasi frekuensi yang terlokalisasi.
Gabor filter menawarkan lokalisasi simultan terbaik dari informasi frekuensi spasial serta memiliki karakteristik lokal yang tinggi di kedua daerah temporal dan frekuensi, sehingga dapat diimplementasikan untuk mewakili fitur gambar dalam skala dan orientasi yang berbeda dengan beberapa variabel parameter .
Berdasarkan .
, setiap landmark dari citra direpresentasikan dengan respon-respon gabor filter.
Gabor filter 2D diperoleh dengan memodulasi gelombang sinus 2D pada frekuensi dan orientasi tertentu dengan gaussian envelope.
Fungsi 2D gabor filter meminimalisasi ciri yang tidak penting dalam kawasan spasial dan frekuensi.
2 Ekstrasi Fitur Gabor Fungsi dasar 2D gabor didefinisikan dengan persamaan sebagai berikut .
cu, y.
= 1 ycu2 yceycuycy [Oe ( 12 12 )] ycaycuyc.
yuUyceycu1 ) 2yuUyuaycu yuayc
2 yuaycu
[ 1 ] = ycaOeyco [ ycaycuyc yuEycu
Oe ycaycuyc yuEycu
ycycnycu yuEycu ycu
][ ]
sin yuEycu yc Pada persamaan 3 untuk Ex dan Ey adalah standar deviasi gaussian envelope sepanjang x dan y, sedangkan f adalah pusat frekuensi bidang sinusoidal.
Pada persamaan 4 untuk m = J-ICON.
Vol.
6 No.
Oktober 2018 : 2229 ISSN:2337-7631 .
ISSN: 2654-4091 (Onlin.
J-ICON 0,1,A.
M-1, dimana m mendefinisikan skala filter, dan M menyatakan jumlah total dari skala atau frekuensi, sedangkan a adalah scaling factor, dengan a > 1.
yuEycu adalah orientasi.
Rotasi bidang x-y oleh sudut yuEycu akan menghasilkan filter gabor pada orientasi yuEycu .
Dengan bermacam-macam m dan n, kita dapat membentuk sekumpulan filter Gmn .
dengan skala dan orientasi yang berbeda, kemudian mendapatkan fitur tekstur dengan menyaring gambar dengan filter ini.
Gmn.
dapat diperoleh dengan sekumpulan parameter diskrit, dimana s adalah bilangan bulat dalam [Oe3ycayco yuaycu , 3ycayco yuaycu ], dan t adalah bilangan bulat dalam [Oe3ycayco yuayc , 3ycayco yuayc ].
Jadi, pengolahan citra I.
, dengan gabor filter dirumuskan sebagai berikut .
cu, y.
= Ocyc Ocyc ya.
cu Oe yc, yc Oe y.
c, y.
Hal yang paling penting dalam mendesain gabor filter untuk deteksi dan identifikasi barcode adalah pada pemilihan parameter penyaringan.
Penelitian ini akan menghasilkan 40 saluran gabor filter dengan pusat frekuensi spasial yakni 4Oo2, 8Oo2, 16Oo2, 32Oo2, 64Oo2 dan menggunakan 8 parameter orientasi sudut yaitu, yuE = 0o, 22,5o, 45o, 67,5o, 90o, 112,5o, 135o, 157,5o.
Kemudian, setiap gambar yang dimasukan akan di saring oleh 40 saluran filter gabor sehingga mendapatkan 40 dimensi fitur ya = .
A , ya07 .
A , ya40 .
A , ya47 ] pada masingmasing piksel.
3 Fitur Transformasi Berdasarkan .
, fitur transformasi merupakan hal yang penting dalam metode gabor filter yaitu untuk mengubah ekstraksi 40 dimensi fitur vektor F= .
A , ya07 .
A , ya40 .
A , ya47 ] menjadi bentuk invarian untuk skala dan rotasi.
Untuk mengubah fitur vektor F menjadi skala invarian, maka fitur vektor F= .
A , ya07 .
A , ya40 .
A , ya47 ] diambil nilai rata-rata fiturnya pada orientasi yang sama dengan skala yang berbeda sehingga menghasilkan 8 dimensi fitur vektor yang didefinisikan melalui persamaan 10 berikut.
yaycn = Oc4yco=0 Fmi ycn = 0,1.
A ,7 .
Setelah mendapatkan ciri rata - rata gabor yang telah diubah menjadi skala invarian maka selanjutnya dilakukan ekstraksi ciri.
Seleksi ciri memilih informasi kuantitatif dari ciri yang ada, yang dapat membedakan kelas-kelas obyek secara baik.
Ekstraksi ciri mengukur besaran kuantitatif ciri setiap piksel.
Dalam penelitian ini ekstraksi ciri energi digunakan untuk mencari nilai rata-rata tekstur dari skala invarian, yang didefinisikan sebagai berikut .
ycu Ocyco ya.
= .
ycn=1 Ocyc=1 .
co, yc.
| ycAycA dimana.
M adalah panjang citra.
N adalah lebar citra.
Langkah selanjutnya adalah mengubah yaycn menjadi rotasi invarian dengan menggunakan persamaan 8 berikut dengan menggeser parameter fitur hasil dari perhitungan pada persamaan 7 untuk menempatkan nilai maksimum pada posisi elemen pertama pada ya0A sehingga mendapatkan fitur vektor yang baru dalam F = .
a0A , ya1A , ya2A , ya3A , ya4A , ya5A , ya6A , ya7A ].
yaycnA = .
a yaycnycoycaycu ycn = 0 .
cn ycnycoycayc.
ycoycuycc 8 ycn = 1,2.
A ,7 .
Dengan demikian, fitur tekstur setiap piksel dalam gambar memiliki karakteristik skala dan rotasi invarian, dan dimensi fitur yang sebelumnya berjumlah 40 dapat dikurangi menjadi 8 dimensi saja.
Hasil tranformasi fitur vektor ini akan menjadi masukan dalam jaringan syaraf backpropagaton.
Deteksi Dan Identifikasi Barcode 2d Menggunakan Metode Ekstraksi Ciri Gabor Filter Dan Identifikasi Ciri Backpropagation Neural Network (Hepiyana V.
Runes.
ISSN:2337-7631 .
ISSN: 2654-4091 (Onlin.
Backpropagation Neural Network Backpropagation neural network adalah salah satu pengembangan dari arsitektur single layer neural network.
Arsitektur ini terdiri dari input layer, hidden layer dan output layer, dan setiap layer terdiri dari satu atau lebih aritificial neuron.
Terdapat tiga tahapan dalam pelatihan metode backpropagation neural network yaitu proses feedforward dari pola input pelatihan, perhitungan dan backpropagation dari error yang muncul dan penyesuaian bobot.
Untuk pola masukan, selama proses pelatihan, jaringan saraf akan mencoba untuk belajar dan membandingkan nilai keluaran yang diperkirakan dengan target.
Kemudian kesalahan antara prediksi nilai dengan nilai aktual disebarkan kembali melalui jaringan, dan algoritma gradient descent digunakan untuk mengatur bobot di lapisan node tersembunyi dan Tahapan Deteksi dan Identifikasi Barcode 2D Tahap deteksi dan identifikasi barcode 2D terdiri dari tahap pembelajaran dan tahap klasifikasi/identifikasi.
Pada tahap pembelajaran terdiri dari akuisisi citra barcode 2D, preprocessing, proses gabor filter, ekstraksi ciri, dan pembelajaran, sedangkan pada tahap klasifikasi terdiri dari akuisisi citra barcode 2D, preprocessing, proses gabor filter, ekstraksi ciri, dan klasifikasi.
Tahap-tahap dalam mendeteksi lokasi dan mengidentifikasi barcode 2D dapat dilihat secara garis besar pada gambar 1.
Mulai Akuisisi citra Mulai Preprocessing Akuisisi citra Preprocessing Gabor Filter Gabor Filter Ekstraksi Ciri Ekstraksi Ciri Klasifikasi Pembelajaran Hasil Klasifikasi Selesai Selesai .
Gambar 1.
diagram alir deteksi dan identifikasi barcode 2D, tahap pembelajaran .
dan tahap klasifikasi .
HASIL DAN PEMBAHASAN
Pengujian data latih dan data uji Data latih dalam penelitian ini merupakan kumpulan citra barcode 2D yang merupakan barcode user yang akan melalui proses pelatihan dalam sistem yang dibuat, sedangkan data J-ICON.
Vol.
6 No.
Oktober 2018 : 2229 ISSN:2337-7631 .
ISSN: 2654-4091 (Onlin.
J-ICON uji adalah kumpulan citra barcode 2D yang merupakan barcode user yang tidak dilibatkan dalam proses pelatihan.
Hal pertama yang dilakukan dalam menguji kinerja sistem adalah dengan melatih sistem, dan dalam melatih sistem digunakan 3 buah data set, yang terdiri dari :
Data set I terdiri dari 10 user barcode dengan masing-masing user memiliki 8 buah citra latih dan 2 citra uji, sehingga total terdapat 80 citra latih dan 20 citra uji.
Data set II terdiri dari 15 user barcode dengan masing-masing user memiliki 8 buah citra latih dan 2 citra uji, sehingga total terdapat 120 citra latih dan 30 citra uji.
Data set i terdiri dari 20 user barcode dengan masing-masing user memiliki 8 buah citra latih dan 2 citra uji, sehingga total terdapat 160 citra latih dan 40 citra uji.
Ketiga buah data set dilatih secara berulang-ulang menggunakan berbagai jumlah neuron hidden layer .
, 30, 40, dan .
dengan toleransi kesalahan 10-7.
Sebuah sistem dikatakan bagus apabila memiliki tingkat akurasi yang tinggi, maka untuk menghitung akurasi dari data latih dan data uji, rumus yang digunakan adalah sebagai ycaycoycycycaycycn = ycycycoycoycaEa yccycaycyca ycayceycuycayc
O 100
ycycuycycayco yccycaycyca Selanjutnya rumus yang digunakan untuk menghitung akurasi dari sistem adalah :
ycaycoycycycaycycn ycycnycycyceyco = ycycycoycoycaEa yccycaycyca ycoycaycycnEa ycayceycuycayc ycycycoycoycaEa yccycaycyca ycycycn ycayceycuycayc
O 100
ycycuycycayco yccycaycyca ycoycaycycnEa ycycuycycayco yccycaycyca ycycycn Pembahasan Dari hasil pengujian data latih dan uji pada ketiga buah data set, diperoleh bahwa pertama, semakin sedikit jumlah user barcode 2D maka semakin tinggi pula tingkat Berikut merupakan hasil akurasi tertinggi dari ketiga data set dengan menggunakan maksimum epoch 10000 dan toleransi kesalahan sebesar 10 -7.
- Pada data set I.
Gabor Filter memiliki akurasi tertinggi sebesar 100%.
- Pada data set II.
Gabor Filter memiliki akurasi tertinggi sebesar 93,33%.
- Pada data set i.
Gabor Filter memiliki akurasi tertinggi sebesar 66%.
Kedua, jumlah neuron hidden layer sebesar 50 memberikan rata-rata akurasi yang tinggi terhadap ketiga data set.
Tabel 1 menunjukkan rata-rata hasil akurasi terhadap jumlah neuron hidden layer yang digunakan pada ketiga data set.
Tabel 1 Rata-rata hasil akurasi terhadap jumlah neuron hidden layer yang digunakan pada ketiga data set
Jumlah Hidden
84,22%
Akurasi SISTEM (LATIH UJI) 83,89% 85,28% Walaupun hasil klasifikasi dari pengujian sistem dikatakan baik, namun diperoleh juga bahwa terdapat beberapa citra barcode 2D tidak dapat dikenali dengan tepat, terutama pada data set II dan i :
- Semakin banyak jumlah datanya metode ekstraksi ciri tidak bisa merepresentasikan ciri dari user barcode 2D dengan baik.
Deteksi Dan Identifikasi Barcode 2d Menggunakan Metode Ekstraksi Ciri Gabor Filter Dan Identifikasi Ciri Backpropagation Neural Network (Hepiyana V.
Runes.
ISSN:2337-7631 .
ISSN: 2654-4091 (Onlin.
Nilai bobot awal yang digunakan dalam pembelajaran kurang tepat sehingga sering terjadi dalam beberapa percobaan menghasilkan akurasi yang rendah meskipun jumlah neuron hidden layer dan nilai toleransi kesalahannya sama.
Pembelajaran yang dilakukan menggunakan jaringan syaraf backpropagation membutuhkan waktu yang berbeda-beda, dimana jumlah neuron hidden, nilai toleransi kesalahan serta jumlah total data juga mempengaruhi lama waktu yang dibutuhkan, selain itu pemilihan nilai acak bobot yang digunakan juga turut berpengaruh, tabel 2 menunjukkan waktu pembelajaran yang dibutuhkan dari metode yang digunakan :
Tabel 2 Waktu pembelajaran backpropagation terhadap data citra latih dan uji dengan metode Gabor Filter Nama data set I .
user barcod.
data set II .
user barcod.
data set i .
user barcod.
56 detik, 430 mili detik 1 menit, 48 detik, 56 mili 2 menit, 35 mili detik Waktu belajar Jumlah neuron hidden 1 menit, 5 detik, 1 menit, 29 926 mili detik detik, 12 mili 2 menit, 7 detik, 2 menit, 43 145 mili detik detik, 269 mili 3 menit, 46 4 menit, 50 detik, 149 mili detik, 100 mili 1 menit, 48 detik, 980 mili 3 menit, 4 detik, 587 mili 5 menit, 55 detik, 22 mili Dari data diatas, diperoleh bahwa semakin banyak jumlah user barcode dan semakin besar neuron hidden yang dimasukan maka waktu yang diperlukan untuk melakukan pembelajaran semakin lama.
IV.
KESIMPULAN DAN SARAN
1 Kesimpulan Berdasarkan hasil pengujian terhadap sistem yang dibangun, dapat disimpulkan hal-hal sebagai berikut :
Pengujian data latih dan uji menggunakan 3 buah data set.
Pada data set I dengan 10 user barcode, gabor filter memiliki tingkat akurasi tertinggi sebesar 100%.
Pada data set II dengan 15 user barcode, gabor filter memiliki tingkat akurasi tertinggi sebesar 93,33%.
Pada data set i dengan 20 user barcode, gabor filter memiliki tingkat akurasi tertinggi sebesar 66%.
Kecepatan proses pembelajaran pada barcode 2D dipengaruhi oleh jumlah user barcode 2D, jumlah neuron hidden, nilai toleransi kesalahan, pemilihan nilai acak bobot dan spesifikasi dari hardware yang digunakan pada sistem ini.
Jumlah neuron hidden sebesar 50 tercatat memiliki waktu pembelajaran terlama yaitu 5 menit, 55 detik, 22 mili detik untuk ketiga data set, dan memberikan rata-rata akurasi yang tertinggi yaitu 85,28% terhadap ketiga data set.
Metode pembalajaran backpropagation cukup baik dalam mengoptimasi ciri barcode 2D, namun membutuhkan waktu yang cukup lama dalam melakukan pembelajaran.
Saran Berdasarkan pembahasan sebelumnya, saran yang dapat diberikan dalam pengembangan Tugas Akhir ini antara lain adalah :
Sistem yang dibangun dalam penelitian ini dapat diimplementasikan di dalam komputer dengan baik, sehingga diharapkan untuk penelitian selanjutnya dapat diterapkan pada perangkat mobile.
J-ICON.
Vol.
6 No.
Oktober 2018 : 2229
J-ICON
ISSN:2337-7631 .
ISSN: 2654-4091 (Onlin.
Sistem yang dikembangkan menggunakan algoritma pembelajaran backpropagation yang terbukti cukup bagus dalam mempelajari ciri dari barcode 2D, tetapi membutuhkan waktu pembelajaran yang lama, sehingga diharapkan untuk penelitian selanjutnya metode ekstraksi yang digunakan dikombinasikan dengan algoritma pembelajaran yang lain seperti support vector machine (SVM), learning vector quantization (LVQ), atau resilient propagation (RPROP).
Diharapkan penelitian selanjutnya agar menambah jumlah data barcode 2D dan menaikkan nilai maksimum epoch untuk mengetahui akurasi terbaik dari sistem yang sudah dibuat.
Metode ekstraksi ciri gabor filter dengan algoritma pembelajaran backpropagation, diharapkan dapat diterapkan dalam sistem biometrika seperti identifikasi wajah, sidik jari, iris mata, dan lain-lain.
DAFTAR PUSTAKA