Article Per Year (5 Year)
p-Index From 2019 - 2024
2.663
P-Index
This Author published in this journals
All Journal International Journal of Public Health Science (IJPHS) Indonesian Journal of Electronics and Instrumentation Systems Jurnal Teknik Elektro JAM : Jurnal Aplikasi Manajemen ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika Journal of Electrical Technology UMY Jurnal Aisyah : Jurnal Ilmu Kesehatan Engineering Science Letter Journal of Novel Engineering Science and Technology Journal of Public Health Sciences Bincang Sains dan Teknologi Jurnal Genesis Indonesia
Muhammad Miftahul Amri
Fakultas Teknologi Industri, Universitas Ahmad Dahlan
Humanities Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Dentistry Education Electrical & Electronics Engineering Energy Engineering Environmental Science Health Professions Industrial & Manufacturing Engineering Library & Information Science Materials Science & Nanotechnology Mechanical Engineering Medicine & Pharmacology Nursing Public Health Social Sciences Transportation Veterinary

Published : 19 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search
Journal : Jurnal Genesis Indonesia

 1 
Studi Banding Implementasi Metode Hidden Markov Model dalam Pengenalan Tulisan Tangan Muhammad Miftahul Amri
Jurnal Genesis Indonesia Vol. 1 No. 01 (2022): Jurnal Genesis Indonesia
Publisher : The Indonesian Institute of Science and Technology Research

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (810.213 KB) | DOI: 10.56741/jgi.v1i01.26

Abstract

Hidden Markov Model (HMM) adalah model distribusi yang menghasilkan observasi yang bergantung pada keadaan pokok dan tidak dapat diamati (tersembunyi) pada Proses Markov. Metode pemodelan ini dapat diterapkan pada berbagai aplikasi secara fleksibel untuk data time series univariat dan multivariat, terutama untuk series dengan nilai diskrit, termasuk series pengelompokan dan series perhitungan. [1] HMM dapat digunakan untuk memprediksi kemungkinan demonstrasi massa, mengenali ekspresi wajah seseorang, seismokardiograf, dsb. Penggunaan metode HMM untuk pengenalan tulisan tangan telah sering dilakukan. Namun dari berbagai penelitian yang telah dilakukan, terdapat perbedaan metode ekstraksi fitur maupun metode pelatihan. Paper ini bertujuan untuk mengetahui metode dan parameter dari HMM yang menghasilkan performa terbaik dalam pengenalan tulisan tangan. Berdasarkan hasil perbandingan penelitian yang telah dilakukan sebelumnya [7, 8, 9, 10, 11, 12], didapatkan kombinasi metode yang paling optimal adalah ekstraksi 24 fitur meliputi kerapatan piksel hitam, posisi vertikal & horizontal piksel hitam, serta arah (kecekungan) piksel dengan batas ambang adaptif. Kemudian nilai tersebut diolah dengan menggunakan kombinasi planar HMM (hybrid) dan advanced HMM yang bersifat adaptif. Semakin banyak jumlah state dan sampel data, maka akurasi pengenalan akan semakin baik. Namun, waktu komputasi juga akan semakin lama. Maka, jumlah state dan sampel yang paling optimal perlu ditentukan melalui simulasi dan eksperimen.
Co-Authors Amar Ratnakar Naik Anita Maharani Anton Yudhana Arif Abdul Aziz Asra Akrima Franklin Ore Areche Ghafar Ramadhan Faqih Ghafar Ramadhan Faqih Hidayah, Zainur Hisan, Urfa Khairatun Igo Putra Pratama Ihwan Ghazali Indah Rahmawati Indah Rahmawati Irianto Irianto Liya Yusrina Sabila Mahamadaree Waeno Muhammad Zain Musa Pramesti, Tarisa Afira Raden Sumiharto Tarisa Afira Pramesti Urfa Khairatun Hisan Urfa Khairatun Hisan