APLIKASI RANGKAIAN NEURAL DALAM PENGESANAN SIMPANG BAGI
PENTERJEMAH LAKARAN PINTAR
SYARUL HANIZ BIN SUBRI
Tesis ini dikemukakan
sebagai memenuhi syarat penganugerahan
ijazah Sarjana Sains (Sains Komputer)
Fakulti Sains Komputer & Sistem Maklumat
Universiti Teknologi Malaysia
MEI 2006
ii
Saya akui karya ini adalah hasil kerja saya sendiri kecuali nukilan dan ringkasan
yang tiap-tiap satunya telah saya jelaskan sumbernya.
…………
Tandatangan :
…………
Nama
:
Syarul Haniz Subri
Tarikh
:
18 Mei 2006
iii
Syukur Alhamdulillah…….
Buat mak dan abah,
Along, Mijah, Dik Ah dan Ajay,
terima kasih kerana selalu bertanyakan khabar
Buat roh dan jiwa yang dikandung badan,
terima kasih kerana mampu bertahan dan tetap teguh menghadapi cabaran ini.
iv
PENGHARGAAN
‘Dengan nama Allah yang Maha Pemurah Lagi Maha Mengasihani. Segala puji hanya
bagiNya, Tuhan sekalian alam. Salam dan selawat buat Nabi junjungan Nabi Muhammad
Rasulullah S.A.W’
Setinggi-tinggi kesyukuran dipanjatkan ke hadrat Ilahi dengan izinNya serta
kurniaan nikmat yang tidak terhingga, maka penyelidikan ini dapat disempurnakan
dengan sebaik mungkin.
Pertama sekali, jutaan terima kasih yang tidak terhingga diucapkan kepada
penyelia utama, Dr Habibollah Bin Haron yang memberi kepercayaan dan peluang.
Segala nasihat dan panduan yang diberikan sepanjang penyelidikan ini amatlah dihargai.
Buat penyelia kedua Pn Roselina Bt. Sallehuddin, ribuan terima kasih diucapkan di atas
segala tunjuk ajar yang disampaikan.
Sekalung penghargaan buat MOSTI kerana memberi IRPA Grant bagi
pembiayaan penyelidikan ini. Seterusnya, terima kasih juga diucapkan kepada Dr.
Ernesto Bribiesca yang sudi memberi komen dan bahan-bahan bagi penyelidikan ini.
Sekalung penghargaan buat pensyarah-pensyarah dan juruteknik, En. Shukor, En. Azlan,
En. Khairul dan En. Zahari yang memberi bantuan peralatan dan teknikal.
Akhir sekali, tidak dilupakan juga buat rakan-rakan, terutamanya Soffri dan
sesiapa yang membantu secara langsung dan tidak langsung dalam penyelidikan ini,
ribuan terima kasih diucapkan.
v
ABSTRAK
Pengesan simpang merupakan salah satu komponen bagi pengekstrakan ciri di dalam
enjin penterjemah lakaran. Kebanyakan pengesan simpang masakini adalah berasaskan
model dan persamaan matematik. Penyelidikan ini membangunkan pengesan simpang tanpa
menggunakan model dan
persamaan matematik yang rumit.
Kod rantaian digunakan
sebagai imej atau perwakilan data bagi sumber data pengesan simpang. Dua kod rantaian
yang diaplikasikan di dalam penyelidikan ini ialah kod rantaian Freeman (FCC) dan kod
rantaian Vertex (VCC).
Pencapaian dan kesesuaian penggunaan kod rantaian ini
dibandingkan. Penyelidikan ini memfokuskan penghasilan enjin pintar bagi penterjemah
lakaran, oleh itu rangkaian neural telah dipilih untuk diaplikasikan di dalam pengesan
simpang ini. Pakej rangkaian neural di dalam perisian Matlab digunakan oleh kaedah
kepintaran buatan ini bagi membangunkan pengelas rangkaian neural. Algoritma rangkaian
neural secara rambatan balik digunakan untuk membangun dan menghasilkan pengelas bagi
algoritma pengesan simpang. Lakaran lukisan garisan dua dimensi yang terlibat merupakan
input penting di dalam pembangunan dan penghasilan pengelas. Penyelidikan ini
menghasilkan rangka kerja bagi pembangunan pengelas pengesan simpang kod rantaian,
pengelas rangkaian neural, dan proses pembentukan sel segiempat bagi VCC. Algoritma
pengelas rangkaian neural pengesan simpang FCC dan VCC juga turut dihasilkan.
Berdasarkan analisis, algoritma pengelas rangkaian neural pengesan simpang FCC dilihat
lebih berpotensi dari segi ketepatan dan kesesuaian kod rantaian.
Penyelidikan ini
membabitkan tiga komponen utama iaitu pengesan simpang, kod rantaian, dan rangkaian
neural. Pengintegrasian komponen-komponen ini menghasilkan algoritma pengesan
simpang dan algoritma ini boleh digunakan dalam enjin sebuah penterjemah lakaran pintar.
vi
ABSTRACT
A corner detector is one of the components for feature extraction in a sketch
interpreter engine.
Many conventional corner detectors nowadays are based on
mathematical models and equations. This research developed a corner detector without
using complicated mathematical models and equation. A chain code was used as image
or data representation for corner detector data source. Two chain codes applied in this
research included Freeman chain code (FCC) and Vertex chain code (VCC).
The
performance and suitability of these chain codes usage were compared This research
focused on the production of an intelligent engine for a sketch interpreter, hence a neural
network was chosen to be applied in this corner detector. The neural network package
in Matlab software was used by this artificial intelligent method to develop a neural
network classifier. Back propagation neural network algorithm was used to develop and
produce the classifier for corner detector algorithm. Two dimensional sketch line
drawing was involved as an important input in developing and producing the classifier.
This research produced the framework for developing chain code corner detector
classifier, the neural network classifier, and the development process of VCC from
rectangular cell. The algorithm of neural network classifier corner detector for FCC and
VCC were also produced. Based on the analysis, the algorithm of neural network
classifier corner detector for FCC was found to have more potentials in terms of
accuracy of corner detection and suitability of the chain code. This research involved
three main components - corner detector, chain code, and neural network.
The
integration of these components produced a corner detector algorithm and this algorithm
can be used in the engine of an intelligent sketch interpreter.
vii
KANDUNGAN
BAB
1
PERKARA
HALAMAN
TAJUK
i
PERAKUAN
ii
DEDIKASI
iii
PENGHARGAAN
iv
ABSTRAK
v
ABSTRACT
vi
KANDUNGAN
vii
SENARAI JADUAL
xi
SENARAI RAJAH
xii
SENARAI LAMPIRAN
xv
PENGENALAN
1
1.1
Latar Belakang Penyelidikan
1
1.2
Penyataan Masalah
4
1.3
Objektif
5
1.4
Skop
5
1.5
Rangka Tesis
6
1.6
Sumbangan Penyelidikan
6
viii
2
KAJIAN LITERATUR
9
2.1
Algoritma Pengesan Simpang
10
2.1.1 Pengesan Simpang Menggunakan Kod Rantaian
11
2.1.2 Pengesan Simpang Rangkaian Neural
14
Skema Kod Rantaian
16
2.2.1 Kod Rantaian oleh Freeman
18
2.2.2 Kod Rantaian oleh Bribiesca
20
2.3
Rangkaian Neural
22
2.4
Lukisan Garisan
25
2.4.1 Sumber Lukisan Garisan
27
Penterjemah Lakaran
28
2.5.1 Aliran Proses Lakaran
30
Ringkasan
32
2.2
2.5
2.6
3
METODOLOGI PENYELIDIKAN
33
3.1
Pengenalpastian Masalah
33
3.2
Sumber Data
35
3.3
Pra Pemprosesan
36
3.4
Perwakilan Data
39
3.5
Pembangunan Pengelas Rangkaian Neural
41
3.5.1 Langkah Pembangunan Model Rangkaian Neural
41
3.5.2 Pembangunan Pengelas
46
3.6
Pengujian dan Validasi
49
3.7
Implementasi
50
3.8
Ringkasan
51
ix
4
PENGHASILAN KOD RANTAIAN
53
4.1
Pengenalan
54
4.2
Kod Rantaian Freeman
54
4.3
Kod Rantaian Vertex
55
4.3.1 Proses Pendigitasian dan Penipisan
56
4.3.2 Pembentukan Sel Segiempat
56
4.3.3 Pengkodan Kod Rantaian Vertex
58
Ringkasan
59
4.4
5
6
PENGELAS RANGKAIAN NEURAL BAGI PENGESAN
SIMPANG
61
5.1
Pengenalan
61
5.2
Pengelas Rangkaian Neural
62
5.3
Pengelas Rangkaian Neural Pengesan Simpang FCC
64
5.4
Pengelas Rangkaian Neural Pengesan Simpang VCC
69
5.5
Ringkasan
75
PERBINCANGAN KEPUTUSAN DAN ANALISIS
76
6.1
76
Perbincangan Keputusan
6.1.1 Eksperimen Pengelas Rangkaian Neural Pengesan
Simpang FCC
77
6.1.2 Eksperimen Pengelas Rangkaian Neural Pengesan
Simpang VCC
6.2
Analisis Perbandingan Pengelas Rangkaian FCC dan VCC
79
83
x
7
6.3
Perbandingan Pengesan Simpang
85
6.4
Sumbangan Penyelidikan
81
KESIMPULAN
87
7.1
Pendahuluan
87
7.2
Cadangan
89
7.3
Kesimpulan
90
RUJUKAN
LAMPIRAN
Lampiran A Lakaran Lukisan Garisan
Lampiran B Imej Binari Lakaran
Lampiran C Imej Binari Yang Dinipiskan
Lampiran D Set Input Latihan, Pengujian dan Validasi
Lampiran E Set Output Latihan, Pengujian dan Validasi
Lampiran F Kod Rantaian Freeman Lakaran
Lampiran G Kod Rantaian Vertex Lakaran
Lampiran H Model Latihan Rangkaian FCC
Lampiran I Model Latihan Rangkaian VCC
Lampiran J Kertas Kerja Penyelidikan
92
xi
SENARAI JADUAL
NO. JADUAL
TAJUK
HALAMAN
3.1
Saiz Input Pembangunan Pengelas Rangkaian Neural
40
3.2
Formula Penentuan Nod Tersembunyi
43
5.1
Jadual Model Terbaik FCC Beserta Parameter
69
5.2
Jadual Model Terbaik VCC Beserta Parameter
74
6.1
Simpang yang Dikesan Pengelas Rangkaian Neural FCC
79
6.2
Simpang yang Dikesan Pengelas Rangkaian Neural
VCC
82
6.3
Jadual Perbandingan Pengelas FCC dan VCC
84
6.4
Perbandingan FCC dan VCC Dalam Proses
Pembangunan Pengelas
85
Keputusan Perbandingan Pengesan Simpang
86
6.5
xii
SENARAI RAJAH
NO. RAJAH
TAJUK
HALAMAN
2.1
Lukisan Garisan Tidak Sekata
11
2.2
Lapan Arah Lokasi Kod FCC
18
2.3
Contoh lukisan dan kod rantaian Freeman
19
2.4
26 Arah Kod Rantaian Freeman 3D Cubic Lattices
19
2.5
Bentuk Sel VCC
21
2.6
VCC Menggunakan Sel Segiempat
21
2.7
Lima Arah dan Kod Yang Diwakili Bagi Lengkok
Diskrit 3D
22
2.8
Gambaran Neuron
23
2.9
Gambaran Formula Rangkaian Neural Berdasarkan
Neuron
23
2.10
Contoh Lukisan Garisan
27
2.11
Contoh Lakaran Lukisan Garisan 2D
27
2.12
Aliran Proses Penterjemah Lakaran
31
3.1
Rangka Kerja Pengekstrakan Ciri Lukisan 2D
37
3.2
Contoh Imej Binari
37
3.3
Contoh Imej Binari Yang Dinipiskan
38
3.4
Penyusunan 9 Kod Input Kepada Tatasusunan
39
3.5
Penyusunan Kod Rantaian Dalam Array Editor
40
xiii
3.6
Aliran Pembangunan Pengelas Rangkaian Neural
49
4.1
Kod rantaian Freeman Daripada Imej Binari
55
4.2
Perwakilkan Imej Binari Kepada Sel Segiempat
57
4.3
Proses Pembentukan Sel Segiempat
57
4.4
Contoh Perwakilan Kod Sel Segiempat
58
4.5
Contoh Imej Sel Segiempat yang Dikodkan
59
5.1(a) Contoh Pola dan Terjemahan Simpang FCC
64
5.1(b) Contoh Pola dan Terjemahan Bukan Simpang FCC
64
5.2
5.3
5.4
5.5
Pola Kod Rantaian Penentuan Simpang Input
Latihan Pengelas
65
Pola Kod Rantaian Penentuan Bukan Simpang Input
Latihan Pengelas
66
Lelaran Ketika Proses Melatih Rangkaian Terbaik
Pengelas
67
Graf Proses Melatih Rangkaian
67
5.6(a) Contoh Pola dan Terjemahan Simpang VCC
70
5.6(b) Contoh Pola dan Terjemahan Bukan Simpang VCC
70
5.7
Pola Kod Rantaian Penentuan Simpang Input
Latihan Pengelas
71
Pola Kod Rantaian Penentuan Bukan Simpang Input
Latihan Pengelas
72
Lelaran Ketika Proses Melatih Rangkaian Terbaik
Pengelas
73
5.10
Graf Proses Melatih Rangkaian
73
6.1
Input Kod Rantaian Freeman Lukisan Garisan
Tangga
78
6.2
Simpang Pada Lukisan Garisan Tangga
78
6.3
Ouput Pengelas Rangkaian Neural dan Output
Sebenar
79
5.8
5.9
xiv
6.4
Input Kod rantaianVertex Lukisan Garisan Tangga
81
6.5
Simpang Pada Lukisan Garisan Tangga
82
6.6
Ouput Pengelas Rangkaian Neural dan Output
Sebenar
82
xv
SENARAI LAMPIRAN
LAMPIRAN
TAJUK
HALAMAN
A1
Lukisan lakaran tangga
91
A2
Lukisan lakaran blok-L
92
A3
Lukisan lakaran kiub 1
93
B1
Imej binari kiub 1
94
B2
Imej binari blok-L
95
B3
Imej binari tangga
96
C1
Imej binari kiub 1 selepas proses penipisan
97
C2
Imej binari blok-L selepas proses penipisan
98
C3
Imej binari tangga selepas proses penipisan
99
D1
Set input latihan FCC (kiub 1)
100
D2
Set input validasi FCC (tangga)
102
D3
Set input latihan VCC (kiub 1)
103
D4
Set input pengujian VCC (blok-L)
105
D5
Set input validasi VCC (tangga)
107
E1
Set output FCC (kiub 1)
108
E2
Set output FCC (tangga)
109
E3
Set output latihan VCC (kiub 1)
110
E4
Set Output pengujian VCC (blok-L)
111
E5
Set output validasi
112
F1
Kod rantaian Freeman kiub 1
113
xvi
F2
Kod rantaian Freeman blok-L
114
F3
Kod rantaian Freeman tangga
115
G1
Kod rantaian Vertex sel segiempat kiub 1
116
G2
Kod rantaian Vertex sel segiempat blok-L
117
G3
Kod Rantaian Vertex sel segiempat tangga
118
H
Model rangkaian FCC
119
I1
Model rangkaian VCC
120
I2
Model rangkaian VCC yang menggunakan nilai
sasaran 0.01
126
A New Framework in Extracting Features of
Irregular Line Drawing
128
Neural Network in Corner Detection of Chain
Code Series
129
Chain Code Schemes and Its Application: A
Review
130
Neural Network in Corner Detection of Vertex
Chain Code Series
131
J1
J2
J3
J4
BAB 1
PENGENALAN
1.1
Latar Belakang Penyelidikan
Penterjemah lakaran merupakan satu sistem yang membenarkan jurutera melakar
rekabentuk yang dikehendaki secara terus dengan menggunakan peranti input seperti
pendigit (digitizer) dan pen cahaya (light pen). Lakaran tersebut secara automatik dapat
diterjemahkan kepada lukisan yang lebih bermakna dan akhirnya menjadi objek tiga
dimensi. Ini menjadikan ianya satu kemudahan yang baru di dalam perisian rekabentuk
berbantukan komputer (CAD).
Penterjemah lakaran mempunyai dua komponen utama yang perlu diintegrasikan
iaitu antaramuka dan enjin. Fokus penyelidikan ini ialah pembangunan enjin
penterjemah lakaran yang mempunyai tiga peringkat utama sebelum lakaran
divisualisasikan iaitu peringkat pra-pemprosesan, pengekstrakan ciri, dan pembangunan
semula objek. Di dalam ketiga-tiga peringkat ini terdapat beberapa proses yang perlu
diikuti dengan mengikut tertib. Pada peringkat pertama, iaitu pada peringkat setelah
lukisan dilakar, lakaran akan melalui proses pendigitasian, proses penipisan dan
penterjemahan kepada kod rantaian. Pada peringkat kedua, lakaran yang telah diwakili
dalam bentuk kod rantaian diekstrakkan untuk mendapatkan entiti-entiti asas geometri
dua dimensi iaitu titik, garisan, dan kawasan. Pada peringkat ketiga, entiti-entiti yang
telah diekstrakkan akan digunakan untuk menterjemahkan lakaran kepada lukisan tiga
dimensi dan seterusnya divisualisasikan. Fokus kajian ialah pada peringkat kedua iaitu
2
mengekstrakkan entiti asas lakaran iaitu simpang dengan membangunkan algoritma
pengesan simpang menggunakan rangkaian neural bagi lakaran yang diwakili oleh
skema kod rantaian.
Kepintaran buatan dilihat sebagai satu teknik yang baru dan berpontensi untuk
menggantikan teknik konvensional yang diguna pakai sekarang. Selain itu kepintaran
buatan juga telah menjadi satu bidang yang popular di kalangan penyelidik-penyelidik
untuk diaplikasikan ke dalam bidang kajian mereka. Ini kerana kepintaran buatan dilihat
sebagai satu pendekatan baru yang mampu mengambil alih banyak pendekatanpendekatan konvensional seperti kaedah formula matematik, biologi mahu pun
psikologi. Salah satu daripada kepintaran buatan adalah rangkaian neural. Rangkaian
neural dipilih berdasarkan reputasi dan kekerapan teknik ini digunakan oleh penyelidikpenyelidik sebelum ini. Vilaplana J. M. dan Coronado J. L. (2006) telah
mengaplikasikan rangkaian neural di dalam bidang neurosains dengan menjadikan
rangkaian neural sebagai teknik bagi memodelkan dan mensimulasi pergerakan tangan
ketika memegang sesuatu. Choudhury et al. (2006) telah melakukan analisa ke atas
algoritma berasaskan geometri dengan menghasilkan pengklasifikasi corak bagi mesin
kernel. Pengklasifikasi ini dibangunkan berasaskan teknik rangkaian neural. Di dalam
bidang bioinformatik, Hawkins J. dan Bode M. (2005) telah menggunakan rangkaian
neural bagi menguji kebolehan rangkaian neural dalam menganalisa jujukan biologi.
Manakala Kanmani et al. (2004) menggunakan teknik rangkaian neural bagi
meramalkan kualiti bagi sesuatu perisian. Satu model rangkaian neural dibangunkan
bagi mengesan dan meramalkan keboleh harapan sesuatu perisian yang dibangunkan
dengan menggunakan kaedah beroientasikan objek. Teknik ini juga telah digunakan oleh
Rajagopalan R. dan Rajagopalan P. (1996), Fukushima dan Wake (1991) untuk
pengecaman ciri, Pawlicki et al. (1988) untuk pengecaman corak, Terry dan Vu (1993)
untuk pengesan bucu dan banyak lagi penyelidik-penyelidik menggunakan teknik ini
bukan sahaja di dalam bidang grafik berkomputer tetapi juga di dalam bidang lain. Hasil
daripada kajian literatur yang dilakukan bagi penyelidikan ini, penyelidikan terkini bagi
pengesan simpang yang menggunakan rangkaian neural hanya dilakukan oleh Tsai
(1997). Ini memberikan satu cabaran bagi penyelidikan ini untuk menghasilkan
3
pengesan simpang rangkaian neural yang terkini. Hasil kajian literatur mendapati masih
belum terdapat pengesan simpang rangkaian neural yang menggunakan kod rantaian
bagi mengesan simpang. Penyelidikan tedahulu menggunakan pendekatan titik tangen,
lengkungan dan juga darjah sudut. Dias et al. (1995) memberi motivasi dan keyakinan
bagi penyelidikan ini kerana kajiaannya terhadap pengesan simpang turut menggunakan
imej dua dimensi.
Selain kepintaran buatan, penyelidikan ini juga menjadikan kod rantaian sebagai
medium untuk mewakilkan imej atau pun lakaran. Kod rantaian oleh Freeman (1961)
iaitu kod rantaian Freeman (FCC) dan kod rantaian oleh Bribiesca (1999) iaitu kod
rantaian Vertex (VCC) di guna pakai. Banyak penyelidikan yang terdahulu
menggunakan FCC kerana FCC merupakan satu-satunya kod rantaian yang ada
sehinggalah VCC dihasilkan oleh Bribiesca pada tahun 1999. Sebagai contoh Bandera et
al. (2000) menggunakan kod rantaian Freeman di dalam pengecaman objek, manakala
contoh penggunaan VCC terkini pula adalah oleh Salem et al. (2005). Perwakilan secara
kod rantaian ini merupakan satu pendekatan yang terbaru kerana VCC merupakan satu
kod rantaian yang baru. Kod rantaian FCC dan VCC ini akan diintegrasikan dengan
pengesan simpang yang mengaplikasikan rangkaian neural. Prestasi kedua-dua kod
rantaian ini dapat diuji melalui penghasilan pengesan simpang dengan menggunakan
kod rantaian yang berbeza. Pengaplikasian dua medium utama iaitu kod rantaian dan
rangkaian neural menjadikan ianya sebagai bahan utama di dalam penyelidikan ini.
4
1.2
Penyataan Masalah
Trajkovic dan Hedley (1998) mengklasifikasikan pengesan simpang kepada dua
kelas iaitu dasar kelengkungan dan titik ciri. Kebanyakan pengesan simpang yang sedia
ada berasal dari kelas yang pertama. Penyelidikan ini menghasilkan pengesan simpang
yang dikategorikan di dalam kelas yang kedua. Terdapat tiga perkara utama yang
menjadi teras kepada pengesan simpang iaitu perwakilan data, kaedah pembangunan,
dan jenis alatan untuk membangunkan pengesan simpang. Bagi teras pertama iaitu
perwakilan data, pemilihan perwakilan yang sesuai dengan algoritma dan alatan yang
digunakan penting untuk memastikan penghasilan pengesan simpang yang cekap.
Terdapat beberapa teknik perwakilan data contohnya formula matematik, pelabelan
garisan dan kod rantaian. Perwakilan secara formula matematik contohnya seperti
geometrik algebra merupakan cara perwakilan yang rumit. Bagi pelabelan garisan pula,
cara ini tidak boleh mewakili semua jenis lukisan atau pun imej. Oleh itu, kod rantaian
dipilih sebagai perwakilan data bagi pengesan simpang kerana teknik ini dilihat
berpotensi untuk diaplikasikan dengan rangkaian neural. Selain itu pemilihan kod
rantaian juga menjadi penyelesaian bagi mewakili semua jenis lukisan mahu pun imej
sama ada imej dua dimensi mahu pun imej tiga dimensi. Kajian literatur yang
dijalankan bagi penyelidikan ini turut mendapati penggunaan kepintaran buatan di dalam
pengesan simpang amat terhad. Apakah kepintaran buatan tidak sesuai untuk
diaplikasikan dengan pengesan simpang? Penyelidikan ini dilakukan bagi menjawab
persoalan yang dibangkitkan ini. Kajian literatur yang dilakukan juga mendapati, tidak
terdapat lagi penyelidikan yang menggunakan teknik rangkaian neural yang
diintegrasikan dengan kod rantaian bagi menghasilkan algoritma pengesan simpang
yang rangkaian neural. Ini turut dijadikan motivasi bagi menghuraikan mengapa ketigatiga medium ini tidak diintegrasikan? Pemasalahan-pemasalahan ini dijadikan cabaran
bagi menghasilkan penyelidikan ini agar kesemua penyataan masalah yang dibangkitkan
ini dapat dihuraikan dan dijawab.
5
1.3
Objektif
Beberapa objektif dikenalpasti sebagai matlamat sepanjang penyelidikan ini
dilakukan. Objektif-objektif yang dikenalpasti bagi penyelidikan ini ialah:
i.
Membangunkan algoritma pengelas rangkaian neural untuk mengesan simpang
dengan menggunakan kod rantaian Freeman (FCC) dan kod rantaian Vertex
(VCC)
ii.
Membandingkan prestasi pengelas rangkaian neural yang menggunakan FCC
dan pengelas rangkaian neural yang menggunakan VCC di dalam mengesan
simpang dan seterusnya menganalisis kesesuaian FCC dan VCC dalam pengesan
simpang yang dibangunkan menggunakan rangkaian neural.
iii.
Menghasilkan rangka kerja pembangunan pengelas pengesan simpang kod
rantaian.
iv.
Membangunkan algoritma pembentukan sel segiempat VCC daripada imej binari
yang dinipiskan.
1.4
Skop
Bagi mendapatkan hasil penyelidikan yang dikehendaki, penyelidikan ini telah
mengenalpasti beberapa skop untuk dijadikan panduan dalam melakukan penyelidikan
nanti. Skop-skop ini dikenal pasti dari segi penggunaan perisian, teknik yang akan
diaplikasikan dan sumber utama yang akan dikaji. Skop-skop di bawah ini menyatakan
spesifikasi-spesifikasi bagi elemen-elemen yang menjadi teras dalam penyelidikan ini.
i.
Melibatkan lakaran lukisan garisan tidak sekata 2D.
ii.
Menggunakan algoritma pembelajaran rangkaian neural secara rambatan balik
dalam pembangunan algortima pengesan simpang.
iii.
Menggunakan kod rantaian Freeman (FCC) 8 digit bagi objek 2D.
6
iv.
Menggunakan kod rantaian Vertex (VCC) secara perwakilan sel segiempat.
v.
Menggunakan perisian Matlab sebagai alatan untuk membangunkan pengelas
rangkaian neural.
1.5
Rangka Tesis
Tesis ini telah dibahagikan kepada tujuh bab. Bab 1 merupakan bab pengenalan
yang memberi gambaran keseluruhan tentang kandungan tesis ini. Bab 2 adalah kajian
literatur bagi kajian-kajian terdahulu yang menjadi rujukan dan panduan penyelidikan.
Bab 3 menerangkan metodologi yang digunakan bagi proses penyelidikan ini. Bab 4
pula adalah bab yang menerangkan proses yang dilakukan bagi mewakilkan data bagi
menukar imej binari yang dinipiskan kepada VCC. Kemudiannya Bab 5 menerangkan
tentang pengesan simpang yang dibangunkan. Perbincangan mengenai keputusan dan
analisis penyelidikan diterangkan di dalam Bab 6. Penyelidikan ini di akhiri dengan
cadangan dan kesimpulan yang menjadi penutup kepada tesis penyelidikan ini.
1.6
Sumbangan Penyelidikan
Tesis daripada hasil penyelidikan ini telah memberikan lima sumbangan.
Sumbangan tersebut adalah rangka kerja pembangunan pengelas pengesan simpang kod
rantaian, pengelas rangkaian neural, algoritma pengesan simpang kod rantaian Freeman
menggunakan rangkaian neural, algoritma pengesan simpang kod rantaian Vertex
menggunakan rangkaian neural dan pengaplikasian kod rantaian Vertex di mana
algoritma bagi pembentukan sel segiempat VCC daripada imej binari yang dinipiskan
terhasil. Sumbangan ini adalah berkenaan komponen di dalam enjin penterjemah
lakaran iaitu pada peringkat pra pemprosesan dan pengekstrakan ciri. Kesemua
sumbangan ini dihasilkan tanpa melibatkan persamaan-persamaan matematik yang
rumit.
7
Rangka kerja pembangunan pengelas pengesan simpang kod rantaian ini
dihasilkan berdasarkan tiga komponen utama iaitu kod rantaian, rangkaian neural dan
juga perisian Matlab. Rangka kerja ini menggabungkan kod rantaian dan teknik
kepintaran buatan iaitu rangkaian neural dalam pengelas pengesan simpang.
Pengelas rangkaian neural boleh diklasifikasikan sebagai satu pengelas
kepintaran buatan kerana ianya menggunakan teknik rangkaian neural dalam
pembangunan pengelas ini. Pengelas ini dapat mengesan simpang lukisan garisan 2D.
Pengelas ini terhasil daripada dua algoritma iaitu pengelas pengesan simpang kod
rantaian Freeman dan juga pengelas pengesan simpang kod rantaian Vertex. Kedua-dua
pengelas daripada algoritma ini menggunakan perwakilan kod rantaian yang berbeza
sebagai sumber input masing-masing.
Algoritma pengesan simpang FCC dengan menggunakan rangkaian neural telah
terhasil di dalam penyelidikan ini. Kod rantaian Freeman (FCC) 8 digit bagi objek 2D
digunakan sebagai bahasa penghuraian gambar (PDL) bagi mewakili lukisan garisan.
Penghasilan algoritma ini adalah berdasarkan integrasi di antara FCC dan teknik
rangkaian neural.
Penyelidikan ini turut menghasilkan algoritma pengesan simpang VCC dengan
menggunakan rangkaian neural. Kod rantaian Vertex (VCC) secara perwakilan sel
segiempat telah digunakan sebagai bahasa penghuraian gambar bagi mewakili lukisan
garisan. Teknik rangkaian neural dan VCC telah diintegrasikan bagi menghasilkan
algoritma ini.
Penyelidikan ini telah berjaya menghasilkan algoritma pembentukan kod
rantaian Vertex daripada imej binari yang dinipiskan kepada kod rantaian Vertex yang
menggunakan perwakilan sel segiempat. Kajian literatur yang dibuat bagi penyelidikan
ini menunjukkan, sejak tahun 1970, hanya kod rantaian Freeman digunakan oleh
penyelidik-penyelidik dalam penyelidikan mereka. Salomie et al. (2002) menggunakan
kod rantaian Freeman untuk perwakilan Meshgrid dan Chen et al. (1998) yang
8
mengaplikasikan kod rantaian ini di dalam algoritma pengecaman peribadi. Namun
begitu penyelidikan yang dijalankan ini telah mengaplikasikan kod rantaian yang baru
iaitu kod rantaian Vertex yang telah dihasilkan oleh Bribiesca (1999) bagi
membangunkan algoritma pengesan simpang (VCC).
BAB 2
KAJIAN LITERATUR
Bab ini membincangkan secara keseluruhan kajian literatur terhadap komponenkomponen yang terlibat di dalam penyelidikan ini. Bab ini dibahagikan kepada lima
seksyen kajian literatur dan satu seksyen untuk membincangkan secara ringkas
keseluruhan kajian literatur ini. Kajian literatur ini dimulakan dengan komponen utama
penyelidikan iaitu algoritma pengesan simpang yang dibincangkan di dalam Seksyen
2.1. Ini diikuti Seksyen 2.2 iaitu merupakan kajian tentang skema kod rantaian.
Seksyen 2.3 pula adalah kajian literatur terhadap rangkaian neural yang digunakan bagi
pembangunan pengklasifikasi. Seterusnya Seksyen 2.4 merupakan kajian berkenaan
lukisan garisan dan sumber lukisan garisan bagi penyelidikan ini. Kemudian ianya
diikuti Seksyen 2.5 yang merupakan kajian literatur yang terakhir, iaitu penterjemah
lakaran yang sedia ada dan juga yang telah dibangunkan oleh penyelidik-penyelidik
sebelum ini. Seksyen terakhir di dalam bab ini adalah Seksyen 2.6 iaitu ringkasan
mengenai keseluruhan kajian literatur.
10
2.1
Algoritma Pengesan Simpang
Pengesan simpang adalah aspek yang penting di dalam pemprosesan imej dan di
dalam aplikasi praktikal yang lain. Simpang mewakili titik dan mercu yang terhasil
daripada pertembungan dua garisan di dalam lukisan 2D dan pertembungan tiga
permukaan di dalam objek 3D. Simpang yang wujud di dalam mana-mana garis tidak
sekata perlu di kesan agar garis tidak sekata tersebut dapat diterjemahkan bagi
menggambarkan garisan yang sebenar. Liu dan Srinath (1990) mengatakan bahawa
simpang dapat memudahkan analisis sesuatu imej dengan dapat mengurangkan
pemprosesan data di samping dapat memberi informasi tentang objek imej tersebut.
Rajan dan Davidson (1989) memberikan elemen-elemen utama yang perlu ada pada
pengesan simpang iaitu formula yang digunakan untuk menentukan simpang mestilah
mudah ditentukan, ianya perlu mengambil kira semua kemungkinan parameter titik
simpang dan ianya juga perlu kurang sensitif terhadap sebarang gangguan.
Sebelum perbincangan kajian ini dikaji dengan lebih mendalam, Rajah 2.1
menunjukkan contoh lukisan tidak sekata yang mempunyai empat simpang. Secara
umumnya Tsai (1997) dan Liu dan Srinath (1990) mengkelaskan pengesan simpang
kepada dua kategori iaitu pengesan simpang binari dan aras kelabu. Trajkovic dan
Hedley (1998) membahagikan pengesan simpang kepada dua kelas iaitu dasar
kelengkungan dan pengesan titik ciri. Pengesan simpang yang akan dihasilkan daripada
penyelidikan ini adalah berdasarkan binari dan pengesan titik ciri.
Terdapat pelbagai contoh algoritma pengesan simpang yang telah dibangunkan.
Penyelidik-penyelidik sebelum ini telah menggunakan pelbagai teknik dan kaedah dalam
membangunkan pengesan simpang. Teknik dan kaedah yang menjadi pilihan penyelidik
antaranya adalah penggunaan teknik kepintaran buatan, pengaplikasian formula-formula
matematik dan terdapat juga yang memanipulasi bahasa penghuraian gambar (PDL)
dalam membangunkan pengesan simpang dengan menggunakan PDL yang berbeza.
11
Rajah 2.1: Lukisan Garisan Tidak Sekata
2.1.1 Pengesan Simpang Menggunakan Kod Rantaian
Sub seksyen ini merupakan kajian literatur terhadap pengesan simpang yang
menggunakan kod rantaian di dalam algoritma pengesan simpang yang dihasilkan.
Penyelidikan mengenai pengaplikasian kod rantaian ke dalam pengesan simpang
merupakan satu kajian yang telah lama bermula. Daripada kajian yang dilakukan,
Rosenfeld dan Johnston (1973) merupakan antara penyelidik terawal dalam
membangunkan pengesan simpang yang menggunakan kod rantaian. Sehingga kini
masih lagi terdapat penyelidik yang memfokuskan penyelidikan mereka terhadap kajian
ini. Pengesan simpang i hingga vi di bawah merupakan pengesan-pengesan simpang
yang menggunakan kod rantaian yang telah dibandingkan oleh Liu dan Srinath (1990).
i. Pengesan simpang Rosenfeld-Johnson oleh Rosenfeld(1973).
ii. Pengesan simpang Rosenfeld-Weszka oleh Rosenfeld(1975).
iii. Pengesan simpang Weighted-K-curvature oleh Rutkowski (1978).
iv. Pengesan simpang Medioni-Yasumoto oleh Medioni (1987).
v. Pengesan simpang Beus-Tiu oleh Beus (1987).
vi. Pengesan simpang Cheng-Hsu oleh Cheng (1988).
12
Kesemua pengesan simpang ini dibandingkan dengan menggunakan lukisan
yang sama dan hasil simpang yang dapat dikesan dibandingkan. Hasil daripada
perbandingan ini didapati pengesan simpang Beus-Tiu merupakan pengesan simpang
yang paling hampir dengan simpang yang ditentukan oleh manusia. Penentuan simpang
oleh manusia ini dilakukan berdasarkan pandangan mata kasar dan logik. Hasil
perbandingan ini menunjukkan bahawa kod rantaian berpotensi diaplikasikan di dalam
pengesan simpang dan dapat menjadi pengesan simpang yang baik.
Selain itu, pengesan-pengesan simpang yang disenaraikan di bawah turut
menggunakan kod rantaian di dalam pengesan simpang yang dibangunkan. Pengesanpengesan simpang tersebut adalah:
i.
Pengesan simpang teknik perwakilan objek bagi imej 2D oleh Bachnak dan
Celenk (1988).
ii.
Pengesan simpang selekoh kod rantaian oleh Koplowitz dan Plante (1995).
iii.
Algoritma pengesan simpang cadangan oleh Sanchiz et al. (1996).
iv.
Algoritma Local Histogram oleh Arrebola et al. (1997).
v.
Pengesan simpang bagi Means Adaptively Estimated Curvature Function
oleh Bandera et al. (2000).
vi.
Algoritma pengesan simpang bagi kod rantaian oleh Habibollah et al.
(2005).
Bachnak dan Celenk (1988) telah memperkenalkan pengesan simpang yang
beroperasi ke atas imej binari yang dinipiskan dan menggunakan persekitaran tetingkap
3x3 di dalam dua fasa komputan. Bachnak dan Celenk (1988) menggunakan topologi
simpang dan mencadangkan domain yang menggunakan kod rantaian dan imej binari
yang dinipiskan sebagai imej input bagi mengesan simpang.
Koplowitz dan Plante (1995) menghasilkan pengesan simpang yang berasaskan
formula matematik dan mengaplikasikan kod rantaian ke dalamnya. Pengesan
simpangnya mencadangkan skema bagi mengukur berapa bilangan yang berhubung
13
dengan titik bersebelahan yang mempunyai bilangan garis lurus digital yang terbanyak.
Nilai ukuran ini digunakan sebagai indikasi iaitu, titik yang berada pada kelengkungan
yang paling tinggi menandakan ianya adalah simpang.
Sanchiz et al. (1996) bukan sahaja menggunakan kod rantaian di dalam pengesan
simpang di dalam cadangannya bahkan turut mengaplikasikan teknik rangkaian neural.
Rangkaian dilatih dengan menggunakan imej yang telah diterjemahkan ke dalam bentuk
aras kelabu. Penyelidikan yang dijalankan oleh Sanchiz ini mempunyai sedikit
persamaan dari segi teknik dan aplikasi yang digunakan dalam menghasilkan pengesan
simpang.
Arrebola et al. (1997) telah mencadangkan satu cara bagi menentukan bentuk
sesebuah objek dengan memperolehi titik dominan atau pun mendapatkan sempadan
simpang. Algoritma yang dibangunkannya menggunakan kod rantaian sebagai
penterjemah dan bagi pengiraan lengkungan bagi setiap titik sempadan dan seterusnya
membandingkan kedua-dua histogram kod rantaian terebut.
Bandera et al. (2000) telah meneruskan kajian Arrebola et al. (1997) dengan
mencadangkan fungsi lengkung yang baru ke atas bentuk planar. Fungsi ini
menghasilkan pengiraan parameter di mana ianya tidak tetap, tetapi dapat menyesuaikan
panjang maksima kontur dan seterusnya memberi kod rantaian pada kontur sesuatu titik
untuk ditentukan simpangnya.
Habibollah et al. (2005) menghasilkan algoritma pengesan simpang yang
mengesan simpang imej binari yang telah dinipiskan yang diwakili oleh lapan
sambungan kod rantaian. Algoritma ini berdasarkan imej kod rantaian, deriving the
slope between each code, menganalisis siri kod rantaian dan kemudiannya menentukan
kewujudan simpang pada lokasi piksel. Algoritma ini boleh digunakan bagi
menterjemah lukisan garisan yang mewakili objek tiga dimensi.
14
Hasil daripada kajian yang dilakukan, didapati kesemua pengesan simpang ini
menggunakan kod rantaian Freeman. Kod rantaian Freeman ini digunakan secara terus
dan terdapat juga penyelidik yang mengubahsuai sedikit kod rantaian Freeman bagi
disesuaikan dengan pengesan simpang yang dibangunkan. Melalui kajian literatur ini
juga, didapati sehingga kini masih belum ada penyelidik yang menghasilkan pengesan
simpang yang menggunakan kod rantaian Vertex.
2.1.2 Pengesan Simpang Rangkaian Neural
Seperti yang diterangkan di dalam Bab 1, penyelidikan ini bukan sekadar
menghasilkan algoritma pengesan simpang biasa, tetapi turut mengaplikasikan teknik
kepintaran buatan iaitu rangkaian neural terhadap pengesan simpang yang dibangunkan.
Oleh itu kajian literatur terhadap penyelidikan terdahulu yang turut mengaplikasikan
teknik rangkaian neural di dalam pengesan simpang dibincangkan di dalam seksyen ini.
Tsai (1997) menyatakan bahawa penggunaan teknik rangkaian neural ke atas
pengesan simpang akan menghasilkan pengesan yang lasak dan pengesan akan
mengumpulkan dan mempertimbangkan maklumat yang lebih jelas tentang simpang di
dalam sesuatu imej. Dias et al. (1995) menyatakan bahawa pendekatan rangkaian neural
untuk pengesan simpang boleh dikategorikan kepada dua kumpulan. Kumpulan pertama
mengambil pendekatan di dalam pengesan simpang dengan mengekstrak sempadan dan
mencari titik maksimum lengkungan. Kumpulan kedua pula adalah berkenaan dengan
aras kelabu. Pendekatan rangkaian neural merupakan pendekatan yang popular dan
amat berkesan di dalam pemprosesan imej. Rangkaian neural mampu untuk menyamai
atau lebih baik prestasinya berbanding teknik-teknik yang lain bagi pemprosesan imej
dan pengecaman bentuk dengan menawarkan penyelesaian yang mudah terutamanya di
dalam pengekstrakan ciri.
15
Tsai (1997) mencadangkan dua model rangkaian neural dalam penggunaannya
dengan pengesan simpang. Model rangkaian yang pertama adalah untuk mengesan titiktitik simpang yang mempunyai lengkungan tinggi dan model yang kedua adalah untuk
mengesan titik tangen dan titik lengkuk balas yang mempunyai lengkungan rendah. Tsai
(1997) menggunakan kaedah rambatan balik dalam teknik rangkaian neural ini. Selain
itu rangkaiain yang digunakannya adalah satu lapisan input, dua lapisan tersembunyi dan
satu lapisan output.
Dias et al. (1995) telah menggunakan teknik latihan secara selian dalam
pembangunan pengelas rangkaian neural bagi pengesan simpangnya. Input latihan
dalam melatih rangkaian neural yang digunakan bagi contoh simpang adalah di dalam
bentuk sudut iaitu 45, 90, 135, 225, 270 dan 315 darjah. Walau bagaimana pun, sudut
ini turut boleh diubah untuk dijadikan input bagi melatih rangkaian di dalam julat 0
hingga 360 darjah.
Terry dan Vu (1993) telah menghasilkan sesuatu yang hampir sama dengan
pengesan simpang iaitu pengesan bucu dengan menggunakan teknik rangkaian neural.
Input yang digunakan bagi melatih rangkaiannya adalah objek-objek tertentu yang
dipilih untuk rangkaian ini mempelajarinya. Output bagi rangkaian yang dihasilkannya
adalah satu output yang menyatakan sama ada corak dapat dicam atau pun tidak dengan
mengumpukkan nilai +1 atau pun -1.
Sebagai kesimpulannya, pengesan simpang dapat dibangunkan dengan pelbagai
cara. Teknik kepintaran buatan merupakan salah satu cara yang popular pada masa kini.
Teknik kepintaran buatan ini menyediakan teknik-tekniknya yang tersendiri bagi
diimplementasikan dengan pengesan simpang.
16
2.2
Skema Kod Rantaian
Skema kod rantaian merupakan salah satu daripada bahasa perwakilan gambar
(picture representation language) selain daripada pelabelan garisan (line labelling).
Penyelidikan mengenai cara bagi mewakili lukisan garisan atau pun gambar bermula
pada tahun 1960an dengan menggunakan pendekatan matematik dan linguistik. Gambar
mewakili pelbagai makna dan definisi. Oleh itu bagi memudahkan penafsiran sesuatu
gambar dan untuk mempersembahkan gambar tersebut di dalam komputer, sesuatu jenis
bahasa perlu dibangunkan bagi mewakilinya. Dari konteks bahasa, perwakilan lukisan
garisan merupakan satu kajian di dalam bidang sains kognitif. Mewakilkan lukisan
garisan regular dua dimensi adalah mudah kerana ianya boleh diwakilkan dengan
formula. Walau bagaimana pun adalah sukar untuk mewakilkan lukisan garisan tidak
sekata dengan cara yang sama. Oleh itu pendekatan lain perlu dicari bagi
mewakilkannya agar dapat ditafsir di dalam komputer dan oleh komputer.
Sehubungan dengan itu, seksyen ini membincangkan skema alternatif bagi
mewakili gambar iaitu skema kod rantaian. Kod rantaian diguna secara meluas kerana
ianya melindungi maklumat dan membenarkan pengurangan data yang tidak berkenaan.
Kod rantaian adalah format piawai bagi berbagai jenis analisis bentuk algoritma. Ia
mewakili bentuk dengan menggunakan kod-kod. Kod menggambarkan arah di mana
lokasi piksel yang seterusnya. Kod rantaian dan algoritma penipisan adalah bersangkut
antara satu sama lain kerana kod rantaian mewakili piksel. Oleh itu, untuk mewakili
piksel yang menggambarkan garisan, garisan tersebut perlulah dinipiskan agar
kesinambungan di antara piksel tidak terputus.
Terdapat dua jenis kod rantaian utama iaitu kod rantaian Freeman dan kod
rantaian oleh Bribiesca. Kedua-dua kod rantaian ini menepati tiga objektif umum yang
dinyatakan oleh Freeman (1974) iaitu:
i.
Kod rantaian perlu mematuhi maklumat sebenar sesuatu imej yang
diterjemahkan.
17
ii.
Kod rantaian perlu boleh dimampatkan penyimpanannya dan mudah
untuk dipaparkan.
iii.
Kod rantaian perlu memenuhi semua proses yang dilakukan.
Penyelidikan mengenai kod rantaian bermula pada tahun 1960an. Sejak dari itu,
penyelidikan mengenai kod rantaian ini menjadi semakin popular dan pelbagai jenis kod
rantaian yang lain dibangunkan. Namun begitu, kebanyakan kod rantaian yang
dibangunkan hanyalah merupakan kod rantaian Freeman yang diubahsuai dan
diperluaskan penggunaannya. Contoh-contoh bagi kod rantaian Freeman yang dibuat
pengubahsuaian dan penambahan adalah kod rantaian Primitif (PCC) yang telah dibuat
oleh O’Gorman (1988). Kod rantaian ini merupakan kod rantaian yang mengandungi
maklumat kod imej yang diwakili oleh lapan garisan bersambung. Manakala Minami
dan Shinohara (1986) mencadangkan skema kod pelbagai dan berpendapat bahawa kod
rantaian Grid Berbilang (MGCC) mempunyai banyak kelebihan berbanding dengan kod
rantaian Freeman. Kelebihan yang terdapat pada MGCC adalah jumlah titik kod
rantaian ini terletak pada perimeter segiempat selain daripada sudut. Walau bagaimana
pun keaslian dan konsep kod rantaian yang dihasilkan adalah berdasarkan kod rantaian
Freeman. Johannessen et al. (1992) telah membangunkan Multiring Differential Chain
Code (MRDCC) bagi mengurangkan kadar pengkodan kod rantaian. Kod rantaian yang
dibangunkan ini adalah sama seperti kod rantaian Freeman tetapi hanya berbeza dari
segi pengurangan pengkodan bagi kod rantaiannya. Freeman (1974) telah menambah
penggunaan kod rantaian Freeman kepada skema 3D dan dikenali sebagai cubic lattices.
Ini memberikan inspirasi kepada penyelidik lain untuk memperluaskan kajian.
Berdasarkan skema 3D ini, Chen dan Lee (1991) telah memperkenalkan kod rantaian
untuk garis lengkok tiga dimensi yang dikenali sebagai C-Chain Code.
18
2.2.1
Kod Rantaian oleh Freeman
Kod rantaian Freeman merupakan kod rantaian yang popular dan telah
digunakan oleh banyak penyelidik bagi menghasilkan kod rantaian yang lebih baik dan
digunakan di dalam pelbagai bidang. Kod rantaian Freeman pertama kali diperkenalkan
sebagai skema bagi mewakilkan lukisan garisan oleh Freeman (1961) pada awal tahun
1960 an. Sejak dari itu, pelbagai teknik telah dicadangkan bagi memperbaiki dan
memperluaskan penggunaan kod rantaian.
Kod rantaian konvensional yang diperkenalkan oleh Freeman adalah kod
rantaian empat sambungan dan kod rantaian lapan sambungan. Kedua-dua kod rantaian
ini adalah untuk mewakili lukisan garisan 2 D dan imej. Kod rantaian asas Freeman
merupakan kod rantaian lapan sambungan dan ianya mengandungi lapan nombor yang
berlainan iaitu,
di {0,1,2,3,4,5,6,7},i 1,2,3....,n
di mana
di
mewakili lokasi titik berdasarkan
lapan lokasi bersebelahan. Setiap nombor mempunyai arah yang tersendiri. Lapan arah
tersebut diwakili oleh kod 0-7 seperti yang ditunjukkan di Rajah 2.2.
Rajah 2.2: Lapan Arah Lokasi Kod FCC
Habibollah et al. (2005) menyatakan bahawa, pengkodan bagi kod rantaian
Freeman ditentukan dengan melalui garisan pinggir dan mengenal pasti arah dari satu
piksel garisan pinggir ke piksel garisan pinggir yang seterusnya. Kod ini mewakili arah
lokasi piksel seterusnya daripada lokasi piksel semasa. Rajah 2.3 menunjukkan contoh
garisan dan kod rantaian yang terhasil daripada lukisan garisan itu. Kod rantaian ini
adalah dengan melalui garisan pinggir mengikut arah jam.
19
Rajah 2.3: Contoh Lukisan Dan Kod Rantaian Freeman.
Bermula pada (1,5) 0011122233344666775566
Daripada kod rantaian lapan sambungan, Freeman telah memperluaskan kod
rantaiannya kepada skim kod rantaian bagi struktur garisan 3D berdasarkan sebuah kiub
kerangka bersilang. Kod rantaian ini amat berguna bagi mewakili imej dan lukisan 3D.
Penyambungan bagi setiap nod data bagi kod rantaian ini, boleh diambil di antara tiga
ukuran berikut iaitu T , T 2 dan T 3 . Bagi setiap nod data kepada nod data yang lain,
ianya mempunyai 26 kemungkinan arah. Kesemua 26 arah atau pun titik bagi kod
rantaian 3D ini digambarkan di dalam Rajah 2.4.
Rajah 2.4: 26 Arah Kod Rantaian Freeman 3 D Cubic Lattices
20
2.2.2 Kod Rantaian oleh Bribiesca
Kod rantaian yang berbeza daripada kod rantaian oleh Freeman ini telah
diperkenalkan oleh Bribiesca (1999) pada penghujung tahun 1990 an. Kod rantaian ini
merupakan kod rantaian garis sempadan dan ianya berdasarkan sel puncak yang
menyempadani garis pinggir sesuatu bentuk. Kod rantaian ini dikenali sebagai kod
rantaian Vertex atau pun Vertex Chain Code (VCC). Bentuk dapat diterjemahkan secara
terus tanpa perlu diwakili pada satah koordinat Kartesian. VCC tidak terjejas apabila
proses putaran dan terjemahan dilakukan. Bribiesca (1999) berpendapat, dengan
menggunakan konsep ini, adalah mungkin untuk mengaitkan panjang rantaian kepada
perimeter di mana jumlah garis sempadan sel bersebelahan bagi bentuk adalah
berhubung dengan kod rantaian pada puncak berdasarkan sel puncak yang bersebelahan.
VCC memenuhi tiga objektif umum bagi kod rantaian yang telah dinyatakan oleh
Freeman. Walau bagaimana pun, VCC juga mempunyai sifatnya yang tersendiri iaitu:
i. VCC tidak terjejas apabila proses terjemahan dan putaran dilakukan, ianya juga turut
tidak terjejas apabila proses terjemahan pembalikan dan titik permulaan dibuat.
ii. VCC boleh mewakilkan bentuk kepada tiga jenis bentuk sel iaitu sel segitiga,
segiempat dan heksagonal.
iii. Elemen rantaiannya mewakili nilai yang sebenar.
iv. Dengan menggunakan VCC, hubungan antara sempadan garisan pinggir dan bentuk
dalaman dapat dicapai.
VCC mempunyai cara yang tersendiri bagi mewakili sesuatu bentuk. Terdapat
tiga bentuk sel yang berbeza iaitu sel segitiga, segiempat dan heksagonal. Rajah 2.5
menunjukkan sel-sel tersebut dan kod yang terhasil daripadanya. Setiap bentuk sel
mempunyai kodnya yang tersendiri. Kod bagi sel segitiga terdiri daripada 1-5, kod bagi
sel segiempat adalah 1-3 dan kod bagi sel heksagonal adalah 1 dan 2. Rajah 2.6
menunjukkan contoh VCC menggunakan bentuk sel segiempat.
21
Rajah 2.5: Bentuk Sel VCC (a) Sel Segitiga, (B) Sel Segiempat dan (C) Sel Heksagonal.
Rajah 2.6: VCC Menggunakan Sel Segiempat
Bribiesca tidak berhenti daripada melakukan penyelidikan tentang kod
rantaiannya sekadar untuk kod rantaian 2 D sahaja. Bribiesca meneruskan
penyelidikannya tentang kod rantaian sehingga berjaya menghasilkan kod rantaian bagi
mewakili lengkok diskrit 3 D. Bribiesca (2000) mencadangkan penggunaan kod rantaian
3 D bagi mewakili bahagian pejal voxels dengan menggunakan siri rantaian tunggal.
Terdapat lima kemungkinan arah ortogonal bagi mewakili lengkok diskrit 3 D dan
22
gambaran arah ini ditunjukkan di dalam Rajah 2.7. Kod rantaian ini hanya mengambil
kira arah relatif yang tidak menjejaskan lengkok melalui proses terjemahan dan putaran.
Kod rantaian ini juga boleh melalui proses terjemahan mirorring dan penormalan titik
permulaan tanpa menjejaskan kod rantaiannya.
Rajah 2.7: Lima Arah dan Kod Yang Diwakili Bagi Lengkok Diskrit 3D
2.3
Rangkaian Neural
Kepintaran buatan merupakan satu aliran yang popular di dalam dunia
pengkomputeran masa kini. Terdapat beberapa teknik kepintaran buatan yang popular
di kalangan penyelidik ketika ini seperti logik kabur dan rangkaian neural. Penyelidikan
ini memilih teknik rangkaian neural sebagai medium untuk diaplikasikan dengan bidang
kajian yang dikaji. Teknik ini dipilih kerana kajian literaur yang dilakukan mendapati
penyelidik yang menghasilkan pengesan simpang dengan teknik ini lebih banyak
berbanding teknik kepintaran buatan yang lain. Contoh penggunaan teknik ini di dalam
pengesanan simpang dapat dirujuk di dalam sub seksyen 2.1.2. Di samping itu teknik ini
juga telah menghasilkan banyak keputusan-keputusan yang memberangsangkan di
dalam bidang visualisasi dan grafik seperti Lim Wen Peng dan Siti Mariyam (2004)
yang menggunakan rangkaian neural bagi membangunkan objek tiga dimensi.
Secara biologinya rangkaian neural merupakan model daripada proses kognitif
otak manusia. Secara biologinya juga Rosa (2001) menyatakan nod-nod bagi rangkaian
neural adalah sama seperti neuron-neuron di dalam otak manusia. Neuron terdiri
daripada dendrite, akson, sinaps dan soma. Rajah 2.8 menunjukkan sel-sel yang
terkandung di dalam neuron. Norgaard et al. (2000) menggambarkan neuron di dalam
23
bentuk rangkaian neural sebagai formula-formula yang terdapat di dalam Rajah 2.9.
Rajagopalan R. dan Rajagopalan P. (1996) menyatakan bahawa rangkain neural
berfungsi seperti mana otak manusia berfungsi.
Rajah 2.8: Gambaran Neuron
Rajah 2.9: Gambaran Formula Rangkaian Neural Berdasarkan Neuron
Oleh itu, rangkaian neural boleh dilatih bagi menyelesaikan masalah-masalah
yang sukar diselesaikan secara konvesional oleh komputer atau pun manusia. Sehingga
kini rangkaian neural telah dilatih untuk menggunakan fungsi-fungsi yang kompleks di
dalam banyak bidang dan diaplikasikan kepada pengecaman bentuk, klasifikasi, identiti,
visualisasi dan pengawalan sistem. Sejak tahun 1985 sehingga kini, rangkaian neural
24
masih lagi mengalami proses penyelidikan yang berterusan untuk diaplikasikan di dalam
pelbagai bidang baru oleh penyelidik.
Terdapat pelbagai teknik pembelajaran, latihan dan algoritma pembelajaran di
dalam rangkaian neural. Terdapat dua teknik pembelajaran utama di dalam rangkaian
neural iaitu, pembelajaran secara seliaan dan pembelajaran tanpa seliaan. Secara
umumnya proses pembelajaran secara seliaan (associative learning) memerlukan set
contoh latihan yang mempunyai set input dan output. Pembelajaran dianggap berjaya
apabila kadar ralat iaitu perbezaan di antara nilai output dengan nilai sasaran adalah
paling minimum. Manakala pembelajaran tanpa selian hanya diberikan set input untuk
proses pembelajaran. Rangkaian belajar dengan mengumpulkan semua corak input yang
sama dalam satu kumpulan. Tiada sasaran atau pun output diberikan pada teknik
pembelajaran ini.
Rangkaian neural mempunyai model atau pun jenis algoritma pembelajaran yang
tersendiri. Di antara algoritma pembelajaran tersebut adalah rambatan balik
(backpropagation), SOM (self-organizing maps), LVQ (learning vector quantizaton),
Elman, RBF (radial basis function), Hopfield dan ADALINE (adaptive linear neuron
networks). Jenis rangkaian yang paling popular adalah rambatan balik
(backpropagation). Penyelidikan ini menggunakan algoritma pembelajaran secara
rambatan balik bagi menghasilkan pengelas yang dikehendaki. Algoritma pembelajaran
secara rambatan balik telah dicipta berdasarkan aturan pembelajaran Widrow-Hoff
terhadap lapisan-lapisan rangkaian dan variasi fungsi pemindahan bukan linear
(nonlinear transfer functions). Rambatan balik adalah merujuk kepada cara di mana
kecerunan dikira untuk lapisan-lapisan rangkaian bukan linear.
Algoritma pembelajaran secara rambatan balik yang dipilih menggunakan
beberapa fungsi latihan yang terdapat di dalam pakej rangkaian neural di dalam perisian
Matlab iaitu Traingd, Traingdm dan Traingdx. Selain itu terdapat beberapa parameter
yang turut digunakan bagi melatih rangkaian dengan menggunakan algoritma
pembelajaran ini. Parameter-paramter tersebut adalah seperti nilai kadar pembelajaran,
25
momentum, sasaran pencapaian latihan dan bilangan larian atau pun lelaran maksimum
yang dibenarkan. Nilai kadar parameter yang digunakan di terangkan secara terperinci di
dalam sub seksyen 3.5.2.
Tsai (1997) menggunakan algoritma pembelajaran rambatan balik di dalam
pengesan simpang yang dibangunkannya. Terry dan Vu (1993) di dalam
membangunkan pengesan pinggir, turut menggunakan rangkaian rambatan balik bagi
melatih input latihan yang digunakan. Pengelas rangkaian neural bagi mengesan
simpang yang dihasilkan oleh Dias (1995) juga menjadikan algoritma pembelajaran
rambatan balik sebagai rangkaian neural pilihannya. Pemilihan algoritma pembelajaran
rambatan balik oleh penyelidik-penyelidik sebelum ini dilihat sebagai motivasi kepada
penyelidikan ini bagi menggunakan rangkaian rambatan balik untuk diaplikasikan ke
dalam pengesan simpang dengan menggunakan kod rantaian.
2.4
Lukisan Garisan
Lukisan garisan merupakan di antara cara termudah bagi menggambarkan
interpretasi grafik di dalam pelbagai bidang. Ianya dapat mempersembahkan
gambarajah dan pelan bagi contoh perwakilan secara dua dimensi manakala model padu
dan origami pula adalah contoh bagi perwakilan secara tiga dimensi. Lukisan garisan
terdiri daripada lukisan garisan tidak sekata dan lukisan garisan sekata. Sekarang ini
dengan adanya perisian rekabentuk berbantukan komputer (CAD), lukisan garisan tidak
sekata dapat diperbaiki dan disunting menjadi lukisan yang lebih bermakna dengan
menggunakan arahan atau pun butang sunting(edit) yang terdapat di dalam sistem.
Walau bagaimanapun dengan kewujudan sistem CAD yang banyak sekarang ini, ianya
telah menjejaskan kebebasan dan keaslian dalam melakar. Namun begitu, kepesatan
teknologi komputer sekarang telah memberi alternatif kepada sistem CAD. Alatanalatan seperti pengimbas, pen cahaya dan pendigit dapat memberi kesinambungan
kepada dunia lakaran dan sistem CAD. Oleh itu sistem penterjemah lakaran untuk
26
menterjemah lakaran tangan diperlukan supaya lakaran tangan diterjemahkan kepada
lukisan garisan yang bermakna.
Lukisan garisan di definasikan sebagai pembentukan yang diperolehi daripada
imej yang mengandungi maklumat melalui bentuk garis-garis nipis. Freeman (1969)
mengklasifikasikan lukisan garisan kepada dua jenis iaitu lukisan garisan sekata dan
lukisan garisan tidak sekata. Lukisan garisan sekata terdiri daripada garisan-garisan
lurus, lilitan bulatan atau bulatan dan simbol-simbol contohnya seperti aksara.
Manakala lukisan tidak sekata pula adalah terhasil daripada lengkungan-lengkungan
yang tidak sekata. Lukisan garisan sekata selalunya terdapat pada lukisan teknikal dan
lukisan arkitek manakala lukisan garisan tidak sekata pula boleh dilihat pada peta rupa
bumi, rajah elektronik dan kebanyakan lukisan garisan yang digunakan untuk
menggambarkan sesuatu yang semula jadi dan bertentangan dengan objek-objek yang
dicipta manusia. Rajah 2.10 menunjukkan dua contoh lukisan garisan.
Secara umumnya penyelidikan tentang penterjemah lakaran banyak
memfokuskan kepada lukisan garisan tidak sekata. Secara ringkasnya lukisan garisan
boleh diperolehi daripada banyak sumber. Di antara sumber-sumber lukisan garisan
yang boleh diperolehi adalah dunia origami, lakaran kejuruteraan, objek mustahil dan
model kerangka wayar. Namun begitu di dalam pembangunan pengesan simpang ini,
ianya tertumpu kepada lakaran lukisan garisan 2D. Bagi lakaran produk kejuruteraan,
lakaran merupakan rekabentuk pertama di dalam kitaran produk kejuruteraan iaitu pada
peringkat konsepsual. Lakaran perlu dikemaskan dan diterjemah kepada rekabentuk
kejuruteraan yang bermakna. Lukisan kejuruteraan yang bermakna ini diklasifikasikan
sebagai lukisan garisan sekata. Rajah 2.11 menunjukkan contoh lakaran lukisan garisan
2 D yang memperlihatkan sebuah kiub. Penyelidikan ini memfokuskan kepada lukisanlukisan yang dikategorikan begini.
27
Lukisan Garisan Regular
Lukisan Garisan Irregular
Rajah 2.10: Contoh Lukisan Garisan
Rajah 2.11: Contoh Lakaran Lukisan Garisan 2D
2.4.1 Sumber Lukisan Garisan
Sepanjang penyelidikan ini terdapat beberapa lukisan garisan yang diguna pakai
dari awal penyelidikan sehinggalah selesainya penyelidikan ini. Setelah kajian
28
dilakukan lukisan garisan ini dipilih berdasarkan kesesuaiannya dengan fokus
penyelidikan yang dijalankan.
Lukisan garisan diperolehi dan dipilih daripada Habibollah (2004). Terdapat tiga
jenis lukisan garisan iaitu lakaran lukisan garisan tangga, blok L dan kiub. Lakaran
lukisan garisan ini, masing-masing dapat dilihat di dalam Lampiran A1, A2 dan A3.
Lakaran lukisan garisan ini dipilih berdasarkan kesesuaiannya dari segi simpang yang
terdapat di dalam lakaran-lakaran lukisan garisan tersebut dan saiz lakarannya.
2.5
Penterjemahan Lakaran
Kajian bagi topik ini adalah tentang faktor-faktor yang menggalakkan
pembangunan dan penyelidikan tentang penterjemahan lakaran dan antaramukanya.
Kajian bagi penterjemahan lakaran ini dibahagikan kepada tiga kategori. Kategori yang
pertama adalah aliran proses penterjemahan lakaran secara am. Bermula daripada
lakaran hinggalah kepada antaramuka penterjemah lakaran. Yang kedua pula adalah
kajian tentang kerja pembangunan sistem komputer bagi antaramuka untuk lakaran
secara talian terus. Yang terakhir sekali adalah berkenaan model geometri yang akan
dikesan di dalam proses penterjemahan dan seterusnya menghasilkan imej yang sesuai
dengan lakaran yang dilakukan.
Proses lakaran ini amat penting bagi membangunkan sesuatu produk. Heartst
(1998) menyatakan manusia melukis gambarajah dan melakar untuk berfikir, berbincang
dan berkomunikasi tentang masalah bukan sahaja dari segi bidang kejuruteraan
terutamanya mekanikal bahkan tentang muzik. Oleh itu untuk membangunkan sesuatu
produk, proses lakaran amatlah diperlukan. Untuk tidak membataskan kreativiti
29
seseorang jurutera, antaramuka penterjemah lakaran yang mudah digunakan dan
mempunyai persamaan dengan alatan lakar konvensional amat diperlukan.
Dengan kepesatan pembangunan perkakasan dan perisian komputer, proses
lakaran kini sudah boleh dilakukan bukan sahaja di atas kertas dengan menggunakan
pen atau pensil tetapi di atas papan pendigit dengan menggunakan pen cahaya.
Antaramuka akan menjadi penghubung di antara jurutera, perkakasan iaitu pendigit dan
pen cahaya dengan komputer. Dengan adanya antaramuka untuk penterjemah lakaran,
jurutera tidak lagi memerlukan kertas dan pensil bagi melakar idea mereka.
Sutherland (1963) merupakan antara pelopor di dalam evolusi lakaran dua
dimensi. Usahanya memberikan kesan yang efektif dalam pembangunan sistem CAD.
Sistem yang dibangunkan membolehkan pengguna berinteraksi secara interaktif dengan
alatan yang digunakan ketika itu untuk melakar.
Mackworth (1973) membangunkan sistem yang dipanggil POLY , iaitu satu
sistem yang menterjemah lukisan garisan kepada penanda polihedral. Kaedah yang
digunakan berasaskan skema koheren di mana permukaan dan bucu mestilah saling
melengkapi untuk menentukan kategori sama ada simpang dan selekoh.
Hwang dan Ullman (1990) membangunkan sistem pakar yang dipanggil Design
Capture System (DCS) bagi mengenali komponen-komponen daripada pangkalan data
sedia ada. Sistem ini membenarkan pengguna untuk melakar terus ke dalam komputer
dan sistem akan cuba memperkemaskan lakaran tersebut. Kekurangan bagi sistem ini
adalah sistem perlu mengandungi kesemua jenis komponen, ciri dan pengetahuan
sebelum dapat menghasilkan satu lakaran yang telah diterjemah dengan betul.
SILK (Sketching Interfaces Like Krazy) merupakan sebuah perisian terbaru yang
dilengkapi dengan antaramuka bagi penterjemah lakaran. Perisian ini telah dibangunkan
oleh dua orang penyelidik iaitu Landay dan Myers (2001). SILK merupakan sebuah
pelakar elektronik yang menggunakan pad elektronik dan stailus. Walau bagaimanapun
30
SILK hanya boleh mengenali 4 komponen primitif iaitu segiempat, squiggly line (untuk
mewakili huruf), garis lurus dan elips kerana SILK ini tujuan utamanya adalah untuk
melakar antaramuka sesebuah halaman web dan juga membuat papan cerita.
Liu et al. (2002) memperkenalkan satu sistem penterjemah berasaskan kepintaran
buatan. Sistem ini menggunakan teknik rangkaian neural menggunakan kaedah latihan
pembalajaran Adaptive. Sistem ini bukan sahaja dapat dibuat lakaran secara lakaran
secara talian terus tetapi juga mempunyai potensi untuk pengecaman lukisan
kejuruteraan di dalam sistem CAD yang lain.
Sebagai kesimpulannya terdapat banyak contoh penterjemah lakaran boleh
diperolehi seperti POLY oleh Mackworth (1973), DCS oleh Hwang dan Ullman (1990)
dan SILK oleh Landay dan Myers (2001). Melalui kajian literatur yang dilakukan ini,
hanya Liu et al. (2002) didapati mengaplikasikan rangkaian neural di dalam penterjemah
lakaran yang dibangunkannya. Walau bagaimana pun, melalui kajian yang dilakukan
masih belum terdapat penterjemah lakaran yang mengaplikasikan kod rantaian dan juga
teknik rangkaian neural.
2.5.1 Aliran Proses Lakaran
Seperti yang diterangkan di dalam seksyen sebelumnya, penterjemah lakaran
merupakan sistem yang menterjemah dan memperbaiki lakaran tangan kepada lukisan
garisan yang bermakna. Rajah 2.12 menunjukkan aliran proses umum sebuah
penterjemah lakaran. Proses ini bermula dengan proses melakar di mana jurutera
melakar lukisannya di atas kertas atau pun menggunakan peralatan input yang lain.
Pelukis draf kemudiannya akan mengubah lakaran tersebut kepada lukisan garisan
sekata secara manual atau pun secara automatik dengan menggunakan penterjemah
lakaran. Lukisan garisan tersebut kemudiannya diklasifikasikan ke dalam format yang
boleh dibaca oleh sistem CAD untuk divisualisasikan dan dimanipulasi sama ada untuk
perwakilan secara dua dimensi atau pun tiga dimensi.
31
Fokus penyelidikan ini adalah pada proses yang berada di dalam kotak garis
putus di dalam rajah 2.12 iaitu peringkat PDL dan pengekstrakan ciri. Di dalam
peringkat PDL, kod rantaian dipilih bagi diaplikasikan di dalam penterjemah lakaran ini.
Manakala pada peringkat pengekstrakan ciri, komponen yang turut dijadikan fokus
penyelidikan ini iaitu pengesan simpang. Pengesan simpang di dalam peringkat
pengekstrakan ciri mengaplikasikan kaedah rangkaian neural bagi membangunkan
algoritma pengesan simpang untuk kegunaan penterjemah lakaran.
Lakaran
Penterjemah Lakaran – Stailus, Pendigit,
Tablet
Kaedah Konvensional - Pen & Pensil
Idea
Sumber Lukisan
Garisan
-Dunia Origami
-Lakaran Kejuruteraan
-Kerangka wayar
-Objek Mustahil
Pengekstrakan Ciri
- Perwakilan Data 2D
Pendigitasian
Penterjemahan Ciri
- Perwakilan Data 3D
Bahasa Penghuraian Gambar
(PDL)
- Kod rantaian
- Pelabelan Garis
Visualisasi Objek
Manipulasi Objek
Rajah 2.12: Aliran Proses Penterjemah Lakaran Habibollah
(2004)
32
2.6
Ringkasan
Seksyen ini telah mengutarakan lima topik yang menjadi elemen-elemen utama
di dalam penyelidikan yang dijalankan iaitu pengesan simpang, skema kod rantaian,
rangkaian neural, lukisan garisan dan penterjemah lakaran. Perbincangan kajian literatur
yang dibuat ini menjadi panduan kepada pemilihan data, algoritma yang akan
dibangunkan, dan teknik yang diguna di dalam penyelidikan ini. Selain itu, kajian di
dalam seksyen ini juga mengenal pasti sama ada algoritma yang dibangunkan relevan
dengan penyelidikan yang telah dilakukan oleh penyelidik-penyelidik sebelum ini.
Gambaran mengenai penyelidikan yang dilakukan ini bermula daripada kajian
literatur penterjemah lakaran. Kajian mengenai penterjemah lakaran mendapati,
penterjemah lakaran mempunyai komponen yang dapat dijadikan bahan penyelidikan.
Enjin di dalam penterjemah lakaran melibatkan pengesan simpang yang dipilih menjadi
komponen penyelidikan ini. Kajian literatur terhadap pengesan simpang mendapati
teknik kepintaran buatan boleh diaplikasikan kepada komponen ini. Setelah kajian
dilakukan, rangkaian neural dipilih untuk diaplikasikan kepada pengesan simpang.
Input bagi menghasilkan pengesan simpang rangkaian neural dikaji dan kajian
mendapati sumber lukisan daripada Habibollah (2004) adalah bersesuaian dengan
penyelidikan yang dilakukan. Sumber lukisan yang dipilih memerlukan cara perwakilan
yang sesuai diwakili dan diterjemahkan untuk kegunaan sebagai input bagi
menghasilkan pengesan simpang dan juga dapat difahami oleh komputer. Kajian
literatur yang dilakukan mencadangkan pemilihan kod rantaian sebagai perwakilan data
dalam menterjemahkan lukisan garisan. Dua kod rantaian terlibat iaitu kod rantaian
Freeman dan kod rantaian Vertex. Dua kod rantaian dipilih untuk melihat kesesuaian di
antara kod rantaian Freeman yang telah lama dihasilkan dan kod rantaian Vertex yang
merupakan kod rantaian yang baru dihasilkan.
BAB 3
METODOLOGI PENYELIDIKAN
Bahagian ini akan memberi gambaran tentang metodologi bagi penyelidikan ini.
Pembangunan algoritma pengesan simpang berasaskan kaedah rangkaian neural dan
aplikasi kod rantaian ini dibangunkan mengikut langkah-langkah seperti yang
diterangkan di dalam seksyen-seksyen berikut. Penerangan metodologi penyelidikan ini
dimulakan dengan Seksyen 3.1 iaitu pengenalpastian masalah. Seterusnya diikuti
Seksyen 3.2, penerangan mengenai sumber data. Seksyen 3.3 pula adalah seksyen
melibatkan langkah pra-pemprosesan. Kemudiannya Seksyen 3.4 menerangkan tentang
pembangunan bagi meghasilkan pengelas rangkaian neural. Manakala Seksyen 3.5 dan
Seksyen 3.6 merupakan seksyen yang merangkumi penerangan bagi pengujian dan
validasi seterusnya proses implementasi.
3.1
Pengenalpastian Masalah
Pengesan simpang merupakan elemen utama bagi penyelidikan ini. Penyelidikan
tentang pengesan simpang ini bermula dari penterjemah lakaran. Melalui kajian yang
dilakukan di dalam Bab 2, kebanyakan penterjemah lakaran yang dibangunkan oleh
penyelidik sebelum ini adalah lebih tertumpu kepada kaedah matematik dan tidak
menggunakan teknik kepintaran buatan. Oleh itu, penyelidikan yang dijalankan ini
34
menumpukan pembangunan algoritma yang menggunakan teknik kepintaran buatan
untuk diaplikasikan di dalam penterjemah lakaran.
Penterjemah lakaran mengandungi pelbagai proses yang menjadi tunjang kepada
pemprosesan sesuatu input yang diberi. Terdapat banyak proses-proses yang
diintegrasikan dan menjadi enjin kepada penterjemah lakaran ini. Melalui kajian
terhadap artikel-artikel penyelidik dan tesis-tesis sebelum ini, pengesan simpang dikenal
pasti sebagai komponen bagi penyelidikan ini. Kajian literatur telah dilakukan di dalam
Bab 2 bagi memastikan pemilihan komponen ini adalah bersesuaian dengan teknik yang
diaplikasikan.
Pengesan simpang dipilih sebagai proses untuk diterapkan teknik kepintaran
buatan berdasarkan beberapa penyelidikan sebelum ini iaitu penyelidikan oleh Tsai
(1997), Dias et al. (1995) dan Terry dan Vu (1993). Ketiga-tiga penyelidikan ini
memberi gambaran dalam mengenalpasti teknik-teknik mahu pun parameter yang
digunakan dalam menerapkan teknik kepintaran buatan yang digunakan. Kesemua
penyelidikan ini menggunakan rangkaian neural sebagai medium dalam menghasilkan
pengesan simpang yang berasaskan teknik kepintaran buatan.
Selepas rangkaian neural dikenal pasti sebagai kaedah kepintaran buatan yang
digunakan bagi pembangunan pengesan simpang, terdapat satu lagi masalah yang perlu
dikenal pasti iaitu cara perwakilan yang perlu digunakan bagi mewakilkan lakaran dan
seterusnya cara mewakilkan input dan output di dalam proses pembangunan pengelas
rangkaian neural. Sekali lagi kajian literatur di dalam Bab 2 dijadikan motivasi bagi
memperolehi kaedah seterusnya. Hasil kajian literatur mendapati kod rantaian
merupakan medium yang turut diaplikasikan di dalam pengesan simpang yang
dibangunkan. Ini kerana terdapat beberapa penyelidik sebelum ini turut menggunakan
kod rantaian di dalam pengesan simpang mereka, namun begitu masih belum ada yang
mengaplikasikan kod rantaian bersama rangkaian neural di dalam penghasilan pengesan
simpang. Melalui kajian yang dijalankan, proses pengenalpastian masalah ini juga turut
mendapati bahawa kod rantaian yang digunakan oleh penyelidik-penyelidik yang lalu
35
hanyalah menggunakan kod rantaian Freeman dan tidak ada lagi penggunaan kod
rantaian Vertex. Maklumat ini juga turut diperolehi hasil daripada rujukan dengan
penyelidik yang menghasilkan kod rantaian Vertex.
3.2
Sumber Data
Set data merupakan medium yang penting di dalam membangunkan pengelas
rangkaian neural bagi pengesan simpang ini. Bagi mendapatkan sumber data yang
bersesuaian untuk digunakan sepanjang proses penghasilan pengelas rangkaian neural
bagi pengesan simpang ini, kajian literatur terhadap tesis mahu pun artikel jurnal
penyelidikan terdahulu dilakukan. Melalui kajian literatur yang dilakukan, sumber data
utama diperolehi daripada tesis Habibollah (2004). Terdapat tiga kategori data yang
diambil iaitu lukisan garisan, imej binari dan kod rantaian Freeman.
Sumber data yang pertama merupakan lukisan garisan dua dimensi yang dilakar.
Lukisan garisan ini disimpan di dalam format tiff. Terdapat tiga lakaran lukisan garisan
yang diperolehi daripada tesis ini iaitu lukisan garisan kiub 1, lukisan garisan blok-L,
dan lukisan garisan tangga. Ketiga-tiga lukisan garisan ini boleh diperolehi di dalam
Lampiran A1, A2 dan A3.
Selain lukisan garisan, data lain juga turut diperolehi daripada tesis Habibollah
(2004). Data tersebut ialah imej binari dan imej binari yang telah dinipiskan. Imej
binari dan imej binari yang telah dinipiskan ini merangkumi ketiga-tiga lukisan garisan
iaitu lukisan garisan kiub 1, lukisan garisan blok-L dan lukisan garisan tangga. Ketigatiga imej binari boleh dirujuk di dalam Lampiran B1, B2 an B3, manakala ketiga-tiga
imej binari yang dinipiskan pula boleh di rujuk di dalam Lampiran C1, C2 dan C3.
Data berupa kod rantaian Freeman juga telah diperolehi melalui tesis Habibollah
(2004). Kod rantaian Freeman bagi ketiga-tiga lukisan garisan yang telah dinyatakan
tadi diperolehi daripada tesis tersebut. Walau bagaimanapun kod rantaian Vertex bagi
36
ketiga-tiga lukisan garisan ini perlu dihasilkan sendiri kerana hasil kajian yang dilakukan
mendapati masih belum ada cara spesifik untuk menghasilkan kod rantaian Vertex
daripada lukisan garisan mahu pun imej. Penghasilan bagi kod rantaian Vertex ini
merupakan salah satu daripada sumbangan penyelidikan yang dilakukan.
3.3
Pra Pemprosesan
Seksyen 3.3 di dalam tesis ini akan memberi gambaran secara umum tentang
peringkat pra-pemprosesan yang merupakan salah satu daripada peringkat yang terdapat
di dalam rangka kerja sebuah penterjemah lakaran. Oleh kerana pengesan simpang yang
dibangunkan ini adalah untuk kegunaan penterjemah lakaran bagi lukisan garisan 2D
sahaja, sebuah rangka kerja yang telah dihasilkan oleh Habibollah dan Syarul Haniz
(2004) menjadi rujukan bagi penyelidikan ini. Secara keseluruhannya rangka kerja ini
masih mengekalkan algoritma-algoritma yang penting seperti di dalam penterjemah
lakaran umum. Rajah 3.1 menunjukkan rangka kerja pengekstrakan ciri lukisan garisan
2D. Seperti yang terdapat di dalam Rajah 3.1 peringkat pra pemprosesan mengandungi
tiga proses utama iaitu pendigitasian, proses penipisan dan penjanaan kod rantaian.
Proses ini perlu dilalui secara berturutan selepas lakaran dilakukan bermula dengan
proses pendigitasian. Proses pendigitasian melibatkan proses imej menjadi aras kelabu
dan kemudiannya menjadi imej binari. Seterusnya imej binari akan melalui proses
penipisan di mana imej binari ini akan dinipiskan dan menjadi imej binari yang lebih
sesuai untuk penghasilan kod rantaian kerana pada peringkat ini tiada lagi kod 1 yang
bertindih. Imej binari yang dinipiskan menjadi elemen utama di dalam pembentukan
dan penghasilan kod rantaian bagi kod rantaian Freeman dan juga kod rantaian Vertex.
Peringkat pra premprosesan merupakan proses peringkat setelah lukisan dilakar.
Lukisan lakaran yang dibuat akan melalui peringkat pra pemprosesan ini terlebih dahulu
sebelum ianya melalui proses pengesanan simpang yang dihasilkan oleh penyelidikan
ini.
37
Pra -Pemprosesan
2D Pengekstrakan Ciri
-Pendigitasian
-Proses Penipisan
-Penjanaan
Kod Rantaian
Lakaran
- Pengesan Simpang
* Simpang V
* Simpang T
- Pengesan garis
Idea,Digitizer
Light Pen,
Tetikus
- Pengesan sempadann
Pengujian &
Validasi
Visualisasi
Penghasilan
Jadual
B-Rep 2D
Rajah 3.1: Rangka Kerja Pengekstrakan Ciri Lukisan 2 D
Habibollah dan Syarul (2004)
Proses pertama merupakan proses pendigitasian di mana sesuatu lakaran akan
ditukarkan kepada aras kelabu dan seterusnya imej binari di mana kod 0 dan 1 terhasil.
Kod 0 dan 1 ini membentuk seperti imej lakaran yang dihasilkan. Imej binari yang
terhasil daripada lukisan garisan yang digunakan dalam penyelidikan ini dapat dirujuk
pada Lampiran B. Kod 1 pada imej binari yang terhasil daripada proses pendigitasian
sesuatu lakaran kelihatan bersusun rapat bersebelahan di antara satu sama lain. Rajah
3.2 menunjukkan contoh bagaimana kod-kod 1 tersusun bersebelahan di antara satu
sama lain dan kod-kod 1 ini kelihatan tebal.
00000000000000000000000000000000000000000000000000000000000000000000000000000000000000
00000000000000000000000000000000000000111100000000000000000000000000000000000000000000
00000000000000000000000000000000000011111110000000000000000000000000000000000000000000
00000000000000000000000000000000011111111110000000000000000000000000000000000000000000
00000000000000000000000000000000111111111111100000000000000000000000000000000000000000
00000000000000000000000000000011111111101111110000000000000000000000000000000000000000
00000000000000000000000000000111111100000111111000000000000000000000000000000000000000
00000000000000000000000000011111111000000011111110000000000000000000000000000000000000
00000000000000000000000000111111100000000001111111100000000000000000000000000000000000
00000000000000000000000001111111000000000000011111110000000000000000000000000000000000
00000000000000000000000011111100000000000000000111111100000000000000000000000000000000
00000000000000000000000111111000000000000000000001111111100000000000000000000000000000
00000000000000000000011111110000000000000000000000111111110000000000000000000000000000
00000000000000000000111111100000000000000000000000001111111100000000000000000000000000
00000000000000000001111111000000000000000000000000000011111100000000000000000000000000
00000000000000000111111100000000000000000000000000000001111111000000000000000000000000
00000000000000001111111000000000000000000000000000000000011111100000000000000000000000
00000000011111111111110000000000000000000000000000000000001111111000000000000000000000
00000000011111111111000000000000000000000000000000000000000011111100000000000000000000
00000000011111111110000000000000000000000000000000000000000011111111000000000000000000
00000000111111000000000000000000000000000000000000000000000000111111000000000000000000
00000000111111100000000000000000000000000000000000000000000000001111110000000000000000
00000000111111110000000000000000000000000000000000000000000000000111111000000000000000
00000000011111111000000000000000000000000000000000000000000000000011111100000000000000
00000000011111111000000000000000000000000000000000000000000000000000111110000000000000
Rajah 3.2: Contoh Imej Binari
38
Kod 1 pada imej binari ini akan mewakili setiap pegerakan bagi menghasilkan
kod rantaian. Oleh kerana kod 1 pada imej binari ini terlalu tebal dan banyak
bersebelahan di antara satu sama lain, imej seterusnya perlu melalui proses penipisan.
Di dalam proses penipisan, kod 1 pada imej binari dihapuskan dan digantikan dengan
kod 0. Penghapusan dan pemilihan kod 1 ini dipilih berdasarkan kepentingan di mana
kod 1 yang berulang dan bersebelahan akan dihapuskan dengan kod 0. Algoritma
penipisan oleh Habibollah (2004) telah digunakan di dalam penyelidikan ini. Imej binari
yang telah dinipiskan dapat dilihat di dalam Rajah 3.3. Contoh imej binari yang telah
dinipiskan daripada lukisan garisan yang digunakan boleh dirujuk di dalam Lampiran C.
00000000000000000000000000000000000000000000000000000000000000000000000000000000000000
00000000000000000000000000000000000000000000000000000000000000000000000000000000000000
00000000000000000000000000000000000000000000000000000000000000000000000000000000000000
00000000000000000000000000000000000000000000000000000000000000000000000000000000000000
00000000000000000000000000000000000000111000000000000000000000000000000000000000000000
00000000000000000000000000000000000111000100000000000000000000000000000000000000000000
00000000000000000000000000000000001000000010000000000000000000000000000000000000000000
00000000000000000000000000000000110000000001000000000000000000000000000000000000000000
00000000000000000000000000000001000000000000110000000000000000000000000000000000000000
00000000000000000000000000000110000000000000001100000000000000000000000000000000000000
00000000000000000000000000001000000000000000000011000000000000000000000000000000000000
00000000000000000000000000010000000000000000000000100000000000000000000000000000000000
00000000000000000000000000100000000000000000000000011000000000000000000000000000000000
00000000000000000000000001000000000000000000000000000110000000000000000000000000000000
00000000000000000000000110000000000000000000000000000001000000000000000000000000000000
00000000000000000000001000000000000000000000000000000000110000000000000000000000000000
00000000000000000000010000000000000000000000000000000000001000000000000000000000000000
00000000000000000001100000000000000000000000000000000000000110000000000000000000000000
00000000000000000010000000000000000000000000000000000000000001000000000000000000000000
00000000000001111100000000000000000000000000000000000000000000100000000000000000000000
00000000000010000000000000000000000000000000000000000000000000011000000000000000000000
00000000000100000000000000000000000000000000000000000000000000000100000000000000000000
00000000000100000000000000000000000000000000000000000000000000000010000000000000000000
00000000000100000000000000000000000000000000000000000000000000000001100000000000000000
00000000000100000000000000000000000000000000000000000000000000000000010000000000000000
00000000000011000000000000000000000000000000000000000000000000000000001000000000000000
Rajah 3.3: Contoh Imej Binari Dinipiskan
Setelah selesai proses ini barulah kod rantaian dapat dihasilkan. Kedua-dua kod
rantaian iaitu kod rantaian Freeman dan kod rantaian Vertex perlu terlebih dahulu
melalui proses-proses ini sebelum dapat menjana kod rantaian masing-masing. Kod
rantaian yang terhasil kemudiannya akan melalui proses perwakilan data untuk
digunakan di dalam rangkaian neural kelak.
39
3.4
Perwakilan Data
Seksyen ini merupakan penerangan terhadap kaedah perwakilan data yang
digunakan dalam penghasilan pengelas rangkaian neural bagi pengesan simpang ini. Di
dalam menggunakan rangkaian neural sebagai pengelas, perwakilan data dari input dan
output amat penting. Perwakilan data bagi input dan output ini merangkumi saiz data
latihan, saiz data pengujian, dan saiz data validasi. Selain itu, seksyen ini juga
menerangkan bagaimana data-data disusun untuk menjadi input dan output bagi
pengelas rangkaian neural yang dihasilkan ini.
Bagi mewakilkan data untuk dijadikan input dan output, terdapat kaedah yang
perlu dipatuhi. Kod rantaian yang terhasil daripada lukisan tidak boleh disusun secara 9
kod secara terus. Penyusunan kod-kod daripada kod rantaian ini perlu disusun seperti
yang ditunjukkan di dalam Rajah 3.4. Ini adalah untuk mengekalkan kesinambungan
kod rantaian yang mewakili imej yang diterjemahkan. Penyusunan kod-kod ini ke
dalam tatasusunan perlu dilakukan sehinggalah ke kod yang terakhir di dalam senarai
kod rantaian yang terhasil daripada proses pengkodan lukisan. Setiap 9 kod input
berpasangan dengan output yang di wakili nombor sama ada nombor 1 yang mewakili
simpang dan nombor 0 yang mewakili bukan simpang. Kod-kod ini disusun ke dalam
perisian Excel dan kemudian dimasukkan ke dalam Array Editor di dalam perisian
Matlab. Contoh penyusunan kod-kod ini ditunjukkan di dalam Rajah 3.5.
Rajah 3.4: Penyusunan 9 Kod Input Kepada Tatasusunan
40
Rajah 3.5: Penyusunan Kod Rantaian Dalam Array Editor
Seksyen 3.2 menerangkan terdapat tiga lukisan yang dijadikan sebagai data
untuk menghasilkan pengesan simpang rangkaian neural yang menggunakan kod
rantaian ini. Ketiga-tiga lukisan ini dikodkan kepada kod rantaian Freeman dan kod
rantaian Vertex. Jadual 3.1 merupakan saiz bagi setiap kod rantaian dan lukisan yang
telah diwakilkan dan disusun untuk digunakan di dalam proses pembangunan pengelas
rangkaian neural.
Jadual 3.1: Saiz Set Input Pembangunan Pengelas Rangkaian Neural
Proses
Proses
Kod rantaian Freeman
Latihan
197 input
Pengujian
103 input
Validasi
103 input
Kod rantaian Vertex
Latihan
266 input
Pengujian
271 input
Validasi
158 input
41
3.5
Pembangunan Pengelas Rangkaian Neural
Di dalam membangunkan pengelas rangkaian neural sebenar, ianya perlulah
dahulu melalui proses eksperimen. Di dalam proses eksperimen ini pengelas rangkaian
neural prototaip dibangunkan. Seksyen ini menerangkan proses eksperimen dan
pembangunan pengelas.
3.5.1 Langkah Pembangunan Model Rangkaian Neural
Langkah 1: Mengenal pasti set data dan perwakilan data yang ingin digunakan
Fasa ini mengenal pasti set data untuk latihan, pengujian dan validasi, dan cara
perwakilan data untuk kegunaan bagi membangunkan model rangkaian neural. Lukisan
garisan tidak sekata merupakan data yang dipilih. Tiga lukisan garisan iaitu kiub 1, blokL dan tangga dikenal pasti sebagai set data bagi input dan output untuk latihan,
pengujian dan validasi bagi pembangunan model rangkaian. Set data latihan adalah
untuk proses pembelajaran rangkaian. Set data pengujian pula digunakan untuk menguji
sejauh mana keupayaan model rangkaian untuk mengecam corak data serta melakukan
pengitlakan bagi data yang tidak pernah ditemui semasa proses pembelajaran dilakukan.
Manakala set data validasi bertujuan mengukur keupayaan model melakukan
pengitlakan terhadap data yang tidak pernah digunakan langsung semasa pembelajaran.
Selain itu, cara untuk perwakilan data juga di kenal pasti bagi memudahkan proses
pembangunan model rangkaian. Cara perwakilan data yang dikenal pasti adalah seperti
yang dilakukan di dalam Seksyen 3.4.
Langkah 2 : Mengenal pasti apa yang ingin dibangunkan
Fasa ini melibatkan proses mengenal pasti apa yang ingin dibangunkan dengan
menggunakan rangkaian neural. Fasa ini mengambil kira faktor spesifikasi input dan
output bagi kegunaan rangkaian neural dan juga tujuan model rangkaian dibangunkan.
42
Di dalam fasa ini, pembangunan model rangkaian neural dibangunkan untuk pengelas
rangkaian neural bagi pengesan simpang.
Langkah 3: Memproses data
Data-data yang dikumpulkan diproses dan diwakilkan sebagai data input dan
output bagi melatih rangkaian untuk membangunkan model rangkaian. Data-data ini
disusun mengikut cara perwakilan data yang telah dikenal pasti dan dibahagikan kepada
tiga bahagian. Pembahagian data tersebut ialah untuk proses latihan , pengujian dan
validasi. Data-data dari lukisan garisan kiub1 digunakan untuk proses latihan. Data-data
daripada lukisan garisan blok-L digunakan untuk proses pengujian, manakala data-data
dari lukisan garisan tangga digunakan untuk proses validasi. Perwakilan data yang
sesuai penting sebelum data-data ini digunakan di dalam rangkaian kerana ianya akan
menentukan corak pembelajaran rangkaian.
Langkah 4: Memilih senibina rangkaian yang bersesuaian dengan masalah
Fasa ini melibatkan pemilihan kaedah suapan ke depan bagi senibina rangkaian
yang dibangunkan. Fasa ini turut menetapkan bilangan nod input, nod tersembunyi dan
nod output. Jumlah neuron yang terlibat dan jumlah aras dibangunkan turut dikenalpasti
dalam fasa ini. Nod input terdiri daripada kod rantaian yang diterjemahkan daripada
lukisan garisan iaitu numerik 0-7 bagi kod rantaian Freeman dan 1-3 bagi kod rantaian
Vertex. Rangkaian terdiri daripada beberapa aras tersembunyi. Penentuan nod
tersembunyi dilakukan berulang-ulang berdasarkan formula di dalam penulisan buku
Fausett (1994) dalam mencari rangkaian yang terbaik. Manakala nod output terdiri
daripada satu nod yang diwakili dengan numerik 1 dan 0 di mana 1 mewakili simpang
dan 0 mewakili bukan simpang. Penerangan bagi nod input dan output akan diterangkan
dengan lebih lanjut di dalam Bab 5. Untuk menentukan nod pada aras tersembunyi,
formula seperti pada Jadual 3.2 dijadikan panduan bagi menentukan bilangan nod yang
digunakan. Di dalam Jadual 3.2 n merujuk kepada jumlah nod input manakala h
merupakan nod tersembunyi.
43
Jadual 3.2: Formula Penentuan Nod Tersembunyi
Formula
Dicadangkan oleh
h=n
Tang dan Fishwick
h=n/2
Kang
h=2n
Wong
h=2n+1
Lippmann
Fausett (1994 )
Langkah 5: Memilih model dan algoritma pembelajaran yang sesuai
Terdapat beberapa algoritma pembelajaran yang dapat digunakan di antaranya
rambatan kebelakang, Hebbian, Perceptron, Clustering dan sebagainya. Bagi model
rangkaian neural pula terdapat pelbagai model seperti ART (Adaptive Resonance
Theory), BAM (Bidirectional Associative Memory), Radial Basis, Boltzman dan feed
forward network. Pemilihan dilakukan berdasarkan kajian yang dilakukan di dalam
kajian literatur. Algoritma Algoritma ini dipilih kerana terdapat penyelidik sebelum ini
iaitu Tsai (1997) dan Dias et al. (1995) turut menggunakan algoritma ini di dalam
pengesan simpang mereka. Pembelajaran rambatan ke belakang dipilih bagi
membangunkan model rangkaian ini juga kerana penyelesaian yang dihasilkan lebih
menumpu dan mendekati nilai optimal sebenarnya Roselina et al. (2000). Tujuan
algoritma pembelajaran ini adalah untuk meminimakan nilai ralatkuasa dua yang
dihasilkan oleh rangkaian. Ralat kuasa dua ditakrifkan sebagai,
P
E
tot
1/ P
¦E
P
,
(3.1)
(t k P z k P ) 2 ,
(3.2)
P 1
m
dengan E P
1/ 2
¦E
P
k 1
dengan P
bilangan data yang dilatih,
44
K
bilangan output bagi nod input,
tk P
output sasaran, dan
zk P
output sebenar.
Rangkaian rambatan ke belakang terdiri daripada aras input, aras tersembunyi dan aras
output. Pembelajaran yang berlaku dalam rambatan balik merupakan pengubahsuaian
nilai pemberat Wij , pada talian yang menghubungkan antara dua nod. Nilai Wij akan
dikemaskini sehingga ralat kuasa dua E, bagi rangkaian mencapai ke satu nilai yang
telah ditetapkan iaitu nilai sasaran ataupun penumpuan. Pengemaskinian nilai pemberat
dengan penurunan tercuram dinyatakan sebagai
K (GE / Gw) ,
'Wij
(3.3)
dengan K =pemalar pembelajaran yang akan menentukan berapa lama pembelajaran
akan berlaku. Jika nilai K adalah besar, pembelajaran akan tidak stabil, manakala nilai
K yang terlalu kecil akan menyebabkan penumpuan menjadi lambat. Pengemaskinian
nilai pemberat diperolehi dengan
Wij
dengan Wij
baru
baru
Wij
lama
'Wij ,
(3.4)
= nilai pemberat yang telah dikemaskinikan dari nod j ke nod i,
Wij
lama
= nilai pemberat dari nod i ke nod j, dan
'Wij = nilai perubahanpemberat dari nod i ke nod j
Proses pengemaskinian pemberatini akan berulang sehinggalah penumpuan ke titik yang
paling optima ditemui.
45
Langkah 6: Menentukan fungsi penggiatan yang digunakan.
Fausett (1994) menyatakan fungsi penggiatan untuk rambatan ke belakang harus
menepati beberapa ciri penting iaitu bersifat selanjar, tidak berubah-ubah dan tidak
bertambah secara monotonik. Klimasauskas (1991) menyatakan sekiranya masalah
yang hendak diselesaikan adalah berkaitan dengan masalah pengelasan, fungsi Sigmoid
adalah lebih sesuai. Oleh itu fungsi penggiatan yang digunakan bagi membangunkan
model rangkaian penyelidikan ini adalah fungsi Sigmoid binari yang mempunyai julat
(0,1) dan didefinasikan sebagai f ( x)
(1 e x ) 1 .
Langkah 7: Memilih kaedah untuk menilai prestasi rangkaian
Terdapat banyak kaedah untuk menilai prestasi rangkaian antaranya, RMS (Root
Mean Square) , MAPE (Mean Absolute Percentage Error) dan MSE (Mean Square
Error). MSE adalah min ralat punca kuasa dua. Kaedah ini melakukan penjumlahan
kuasa dua ralat bagi setiap elemen pemproses dan dibahagikan dengan jumlah bilangan
elemen dalam aras output untuk mendapatkan nilai puratanya dan kemudian diambil
nilai punca kuasa dua bagi purata tersebut.
Langkah 8: Melatih rangkaian
Sesuatu rangkaian yang berjaya dilatih akan menghasilkan output jawapan yang
betul semasa sesi latihan selesai dilaksanakan. Untuk mengawal proses pembelajaran
semasa latihan, MSE dihitung untuk mengimbas darjah pembelajaran yang sedang
berlaku pada rangkaian. MSE juga mengimbas penghampiran rangkaian bagi
mendapatkan suatu jawapan yang tepat.
Semasa rangkaian sedang belajar, MSE semakin lama semakin menurun
sehingga menghampiri nilai sasaran yang ditentukan. Nilai sasaran yang ditetapkan bagi
membangunkan model rangkaian yang menggunakan data input kod rantaian Freeman
ialah 0.01 dan bagi kod rantaian Vertex pula ialah 0.015. Output sasaran rangkaian akan
46
semakin hampir kepada output sasaran yang dikehendaki apabila bertambahnya lelaran
yang dilakukan.
Langkah 9: Menggunakan rangkaian
Setelah model rangkaian dikenal pasti barulah pembangunan pengelas rangkaian
neural dapat dijalankan. Proses pembangunan pengelas rangkaian neural akan
diterangkan di dalam seksyen 3.5.2.
3.5.2 Pembangunan Pengelas
Klasifikasi rangkaian neural yang dibangunkan adalah untuk mengesan simpang
bagi lukisan garisan 2D. Lukisan garisan diterjemahkan kepada kod rantaian Freeman
(FCC) dan juga kod rantaian Vertex (VCC) seperti yang telah diterangkan di dalam
Seksyen 3.3. Kod rantaian ini digunakan sebagai input kepada pengelas rangkaian
neural. Output bagi pengelas ini diwakili sebagai nombor 1 dan 0. Nombor 1 adalah
mewakili simpang dan 0 mewakili bukan simpang.
Analisis dilakukan bagi mendapatkan senibina rangkaian yang terbaik untuk
klasifikasi rangkaian neural. Analisis ini adalah berdasarkan kaedah cuba jaya. Analisis
ini dilakukan dengan melatih rangkaian-rangkaian dengan menggunakan pelbagai
parameter, fungsi latihan dan struktur rangkaian. Terdapat tiga fungsi latihan di dalam
perisian Matlab digunakan di dalam analisis ini iaitu Traingdx, Traingd dan Traingdm.
Traingdx adalah fungsi latihan yang mengemaskini pemberat dan nilai bias selaras
dengan momentum gradient descent dan kadar pembelajaran adaptive. Traingd pula
merupakan fungsi latihan yang mengemaskini nilai pemberat dan bias berdasarkan
gradient descent sahaja. Manakala Traingdm pula adalah fungsi latihan yang
mengemaskini nilai pemberat dan bias berdasarkan gradient descent dengan momentum.
Selain itu di antara parameter-parameter lain yang digunakan adalah kadar
pembelajaran, momentum, sasaran pencapaian latihan (MSE) dan bilangan larian
47
maksimum yang dibenarkan. Nilai-nilai bagi kadar pembelajaran yang digunakan
adalah 0.1, 0.25, 0.5, 0.3 dan 0.75, manakala nilai-nilai bagi momentum adalah 0.1,
0.25, 0.5 dan 0.9. Fungsi latihan Traingd tidak menggunakan nilai momentum dalam
melatih rangkaiannya. Nilai sasaran yang ditetapkan adalah 0.01 bagi melatih rangkaian
untuk FCC dan 0.015 bagi melatih rangkaian untuk VCC. Nilai maksimum larian yang
digunakan adalah 200 000.
Model-model rangkaian yang dibangunkan dan dianalisis ini menggunakan jenis
rangkaian feed-forward backpropagation. Selain itu pengelas rangkaian neural
menggunakan teknik pembelajaran secara seliaan. Proses melatih rangkaian ini
melibatkan set latihan yang mengandungi pasangan input dan output. Set input
dibahagikan-bahagikan kepada 9 kod dan setiap 9 kod input ini mempunyai 1 output.
Pasangan input dan output ini diterjemah daripada lukisan garisan 2D yang digunakan
sebagai sumber data. Di dalam proses pembangunan pengelas terdapat tiga peringkat
atau pun sesi yang perlu dipatuhi iaitu sesi latihan, sesi pengujian dan sesi validasi.
Rajah 3.6 menunjukkan rangka kerja langkah-langkah aliran bagi mendapatkan pengelas
rangkaian neural seperti yang diterangkan di bawah.
Berikut merupakan langkah-langkah untuk melatih rangkaian bagi mendapatkan
pengelas rangkaian neural:
Langkah 1: Input dan output disusun sebagai tatasusunan. Input dan output ini
disusun secara berpasangan di dalam barisan.
Langkah 2: Dengan menggunakan pakej rangkaian neural di dalam perisian Matlab,
rangkaian dilatih dengan menggunakan nilai parameter yang telah
ditentukan.
Langkah 3: Model rangkaian yang dilatih diuji dengan sampel input dan output yang
dipilih. Di dalam proses pengujian, ketepatan dan output MSE
dihasilkan. Peratusan ketepatan diperolehi berdasarkan jumlah output
48
latihan yang sama dengan output sebenar. Jumlah output latihan yang
sama dengan output sebenar dikira dan dibahagikan dengan jumlah
keseluruhan output sebenar. Formula bagi mendapatkan peratusan
ketepatan ialah:
( y z)
u 100
y
Di mana
Peratus Ketepatan
(3.5)
y = Jumlah output sebenar
z = Jumlah output yang tidak sama dengan output sebenar
Model yang mempunyai peratusan ketepatan tertinggi merupakan model
rangkaian yang terbaik. Model ini merupakan pengesan simpang
rangkaian neural dan dikenali sebagai pengelas rangkaian neural.
Langkah 4: Model rangkaian terbaik digunakan sebagai pengelas rangkaian neural
untuk mengesan simpang. Pengelas ini diuji dengan menggunakan imej
yang terlebih dahulu akan diterjemahkan ke dalam bentuk kod rantaian.
Kod rantaian ini akan disusun sebagai tatasusunan dan kemudiaannya
akan diuji dengan Pengelas bagi mengesan simpang.
Penghasilan pengelas rangkaian neural pengesan simpang bagi kod rantaian
Freeman dan kod rantaian Vertex diterangkan di dalam Bab 5 dengan lebih teperinci
termasuk parameter-parameter dan struktur rangkaian yang digunakan.
49
Latihan
1
Lukisan
Penghasilan kod
rantaian
Susun kod rantaian
kepada tatasusnan
-Berpasangan 9 input = 1
output
Proses Latihan
-Setkan parameter
-Setkan nod sembunyi
Pengujian
2
Lukisan
Penghasilan kod
rantaian
Susun kod rantaian
kepada tatasusnan
- 9 input
- 1 output
Rangkaian yg dilatih
i.
ii.
Bandingkan output
Dapatkan %
ketepatan
% tinggi ?
iii.
Validasi
3
Lukisan
Penghasilan kod
rantaian
Ya
Susun kod rantaian
kepada tatasusnan
- 9 input
Klasifikasi
Rangkaian Neural
Simpang Dikesan
Rajah 3.6: Aliran Pembangunan Pengelas Rangkaian Neural
3.6
Pengujian dan Validasi
Bagi membuktikan sesuatu penyelidikan atau pun teori, proses pengujian dan
validasi akan dilakukan. Penyelidikan ini juga melalui kaedah ini bagi membuat
perbandingan untuk melihat keserasian di antara kod rantaian Freeman dan juga kod
rantaian Vertex dengan rangkaian neural dan juga kesesuaian penggunaan kod rantaian
di dalam pengesan simpang. Selain itu pengujian turut dilakukan dengan
membandingkan hasil penyelidikan yang dilakukan dengan hasil kajian penyelidik yang
lain.
Pengujian dilakukan dengan membandingkan ketepatan simpang yang dikesan
dengan hasil daripada kajian literatur yang dikaji. Input yang digunakan adalah inputinput yang diperolehi daripada kajian literatur tersebut. Hasil pengesanan simpang
dibandingkan dan dilihat akan ketepatan hasil daripada penyelidikan ini dan hasil
T
i
d
a
k
50
daripada kajian literatur. Pengujian bagi perbandingan dilakukan dengan hasil kajian
oleh Habibollah (2004).
Proses validasi turut menggunakan data daripada kajian literatur. Setelah
keputusan daripada penggunaan data daripada kajian literatur itu memuaskan, prestasi
pengesan simpang mengesan simpang bagi kedua-dua jenis kod rantaian ini iaitu FCC
dan VCC dicatatkan dan dibuat perbandingan. Hasil validasi bagi kedua-dua pengelas
rangkaian neural pengesan simpang ini dapat diperolehi di dalam Bab 6.
3.7
Implementasi
Terdapat dua elemen penting di dalam proses implementasi penyelidikan ini.
Elemen-elemen tersebut adalah perkakasan dan perisian. Penyelidikan yang dijalankan
ini memerlukan perkakasan dan perisian bagi menyokong pembangunan pengelas dan
juga keseluruhan objektif dan skop penyelidikan ini. Perisian dan perkakasan ini
digunakan dalam menjalankan eksperimen, pembangunan sistem dan algoritma.
Perisian Matlab 7 digunakan untuk mengimplementasi proses pembangunan
pengelas rangkaian neural. Perisian ini digunakan kerana ianya mempunyai pakej
rangkaian neural di samping cara pengendalian pakej yang lebih interaktif dan mudah.
Pakej rangkaian neural yang terdapat di dalam perisiam Matlab 7 digunakan sebagai
medium untuk menghasilkan pengelas. Selain itu ianya turut dibantu dengan sistem
pengoperasian Windows XP Home Edition.
Dari segi perkakasan pula komputer Pentium 4 2.8 Ghz digunakan sebagai
platform bagi perkakasan. RAM yang digunakan bagi komputer ini adalah 512 Mb.
Penggunaan RAM yang lebih besar dapat mempercepatkanlagi pembangunan pengelas
terutamanya ketika proses melatih rangkaian. Elemen perkakasan dan perisian ini
diintegrasikan bagi mengimplementasikan pengelas rangkaian neural yang dihasilkan.
51
3.8
Ringkasan
Keseluruhan seksyen ini mewakili keseluruhan proses yang terlibat di dalam
penyelidikan yang dilakukan. Penyelidikan ini dilakukan bermula dengan peringkat
pengenalpastian masalah, sumber data, pra pemprosesan, perwakilan data, pembangunan
pengelas rangkaian neural, pengujian dan validasi dan yang terakhir sekali adalah
peringkat implementasi.
Peringkat pertama di dalam seksyen iaitu pengenalpastian masalah telah
mengenal pasti penterjemah lakaran sebagai medium untuk dikaji di dalam penyelidikan.
Hasil dari kajian literatur yang dijalankan, peringkat ini mengenal pasti bahawa teknik
kepintaran buatan iaitu rangkaian neural akan diaplikasikan terhadap pengesan simpang
di dalam penterjemah lakaran dengan menggunakan kod rantaian sebagai medium
perwakilan data. Bagi peringkat sumber data pula tesis Habibollah (2004) dijadikan
sumber bagi mendapatkan data-data kiub 1, blok-L dan tangga. Data-data ini terdiri
daripada lukisan garisan, imej binari dan kod rantaian Freeman. Peringkat pra
pemprosesan menrangkumi proses yang dilalui oleh imej bagi menjana kod rantaian
yang dikehendaki di dalam penyelidikan ini iaitu FCC dan juga VCC. Setelah kod
rantaian dihasilkan, kod-kod ini perlu melalui peringkat perwakilan data seperti yang
diterangkan di Seksyen 3.4 ini. Kod-kod diwakilkan secara format windowing iaitu kodkod disusun 9 kod secara berjujukan di dalam perisian Excel sebelum dimasukkan ke
dalam Array Editor. Saiz set input bagi pembangunan penegelas rangkaian neural
setelah kod-kod disusun turut dinyatakan di dalam seksyen ini. Setelah data-data
diwakilkan di dalam set-set yang dikehendaki barulah proses pembangunan pengelas
rangkaian neural dapat dijalankan. Di dalam Seksyen 3.5 ini langkah-langkah
pembangunan model rangkaian neural dibincangkan. Terdapat 9 langkah yang dilalui
bermula dari mengenalpasti set data dan perwakilan data, mengenal pasti rangkaian yang
ingin deibangunkan, memproses data, memilih senibina rangkaian yang bersesuaian
dengan masalah, memilih kaedah dan algoritma pembelajaran yang sesuai, menentukan
fungsi penggiatan yang digunakan, memilih kaedah untuk menilai prestasi rangkaian,
melatih rangkaian dan menggunakan rangkaian. Setelah langkah-langkah ini di lalui
52
barulah pengelas dapat dibangunkan. Setelah pengelas dibangunkan, algoritma ini
seterusnya melalui peringkat pengujian dan validasi. Proses di dalam Seksyen 3.6 ini
melibatkan perbandingan di antara algoritma pengesan simpang yang dibandingkan
dengan pengesan simpang hasil kajian Habibollah (2004). Kedua-dua algoritma
pengesan simpang yang terhasil iaitu algoritma yang terhasil daripada FCC dan VCC
turut di bandingkan dari segi kesesuaian dan ketepatan. Bab 3 ini diakhiri dengan
seksyen yang membincangkan tentang implementasi. Seksyen ini membincangkan
keperluan dua elemen yang penting bagi menjayakan penyelidikan ini iaitu perkakasan
dan perisian.
BAB 4
PENGHASILAN KOD RANTAIAN
Seksyen-seksyen di dalam bab ini menerangkan peringkat yang terpenting di
dalam penyelidikan ini, iaitu ianya merupakan peringkat terawal di dalam pembangunan
pengelas rangkaian neural bagi enjin penterjemah lakaran sebelum melalui proses
mengesan simpang. Peringkat yang dimaksudkan merupakan peringkat prapemprosesan di mana ianya melibatkan banyak elemen-elemen di dalam proses
peringkat ini. Walau bagaimanapun penyelidikan ini hanya menumpukan kepada
elemen tertentu iaitu bahasa penghuraian gambar (PDL) yang tertumpu kepada
pembentukan dan penghasilan kod rantaian. Proses sebelumnya telah diterangkan di
dalam Seksyen 3.3. Bab ini merupakan di antara sumbangan yang terhasil daripada
penyelidikan yang dijalankan. Seksyen 4.1 merupakan pengenalan dan menerangkan
secara am tentang keseluruhan bab ini. Manakala Seksyen 4.2 memberikan gambaran
keseluruhan peringkat pra-pemprosesan yang dilalui bagi mendapatkan kod rantaian
Freeman. Seksyen 4.3 adalah seksyen yang menerangkan tentang penghasilan kod
rantaian Vertex. Bab ini diakhiri dengan Seksyen 4.4 sebagai ringkasan untuk
merumuskan keseluruhan bab ini.
54
4.1
Pengenalan
Bagi menghasilkan kod rantaian sama ada kod rantaian Freeman atau pun kod
rantaian Vertex, lakaran lukisan garisan perlulah melalui peringkat pra-pemprosesan
terlebih dahulu. Proses di dalam peringkat ini perlulah dilalui secara berjujukan
mengikut turutan. Proses di dalam peringkat ini telah diterangkan di dalam Bab 3 di
dalam Seksyen 3.3. Proses seterusnya selepas peringkat di dalam Seksyen 3.3 ini dilalui
diterangkan di dalam seksyen-seksyen di bawah.
4.2
Kod Rantaian Freeman
Seksyen ini memberikan gambaran keseluruhan dalam proses bagi menghasilkan
kod rantaian Freeman . Proses-proses yang perlu dilalui bagi sesuatu lakaran bagi
menghasilkan kod rantaian Freeman ini, secara umumnya adalah sama seperti yang telah
diterangkan di dalam Seksyen 3.3. Seksyen ini akan menerangkan proses-proses yang
perlu dilalui oleh lakaran setelah berakhirnya proses penipisan sehingga kod rantaian
Freeman terhasil.
Imej binari yang dinipiskan seterusnya ditafsirkan bagi menghasilkan kod
rantaian Freeman. Seperti yang telah diterangkan kajian literatur di dalam seksyen
2.3.1 yang lalu, kod rantaian Freeman mempunyai 8 kod yang terdiri daripada 0-7.
Setiap kod 0-7 mewakili arah yang berbeza. Kedudukan kod 1 pada imej binari yang
dinipiskan menjadi panduan dalam menterjemah imej binari ini kepada kod rantaian
Freeman. Rajah 4.1 berikut menunjukkan contoh bagi mendapatkan kod rantaian
Freeman ini daripada imej binari yang telah dinipiskan. Kod rantaian Freeman lukisan
garisan yang digunakan di dalam penyelidikan ini terdapat di dalam Lampiran F. Kodkod rantaian ini diperolehi daripada tesis Habibollah (2004).
55
Lajur
0 1 2 3 4 5 6 7 8 9 10
0
1
B
a
r
i
s
1 1 1 1
2
1
3
1
4
1
5
1
6
1 1 1
7
8
1
1 1 1
9
Contoh: Mula (1,1) 00077775445544
Rajah 4.1: Kod rantaian Freeman Daripada Imej Binari
4.3
Kod Rantaian Vertex (VCC)
Hasil kajian literatur mendapati kod rantaian Vertex yang dihasilkan oleh
Bribiesca (1999) merupakan sesuatu yang masih baru dan masih kurang digunakan
sebagai satu alternatif bagi bahasa penghuraian gambar (PDL). Seksyen ini akan
menerangkan bagaimana untuk mendapatkan kod rantaian Vertex dengan mewakilkan
lukisan garisan dengan sel segiempat dan seterusnya mendapatkan kod rantaian daripada
bentuk sel ini. Ini merupakan di antara sumbangan bagi penyelidikan ini kerana melalui
kajian literatur yang dijalankan masih belum ditemui satu formula atau pun cara terbaik
untuk mewakilkan imej ke bentuk sel segiempat ini. Seperti yang telah diterangkan
kajian literatur di dalam Seksyen 2.3.2 kod rantaian Vertex mempunyai tiga cara untuk
mewakilkan lukisan garisan atau pun imej kepada bentuk iaitu secara sel segitiga, sel
segiempat dan sel heksagonal. Namun begitu, oleh kerana kekangan masa dan
ketidaksesuaian sel-sel lain dengan lukisan garisan tidak sekata yang digunakan,
penyelidikan ini memilih sel segiempat sahaja untuk mewakilkan lukisan garisan yang
digunakan.
56
4.3.1 Proses Pendigitasian dan Penipisan
Di dalam proses ini lukisan garisan atau pun lakaran didigitasikan dan ditukarkan
kepada imej binari. Proses pendigitasian dan penipisan yang dilakukan untuk
menghasilkan kod rantaian Vertex bagi sel segiempat ini adalah sama seperti yang telah
diterangkan di dalam Seksyen 3.3.
4.3.2
Pembentukan Sel Segiempat
Kod rantaian Vertex adalah berbeza dengan kod rantaian Freeman bukan sahaja
dari segi kod bahkan berbeza dalam cara mendapatkan kod rantaian. Kod rantaian
Freeman dapat ditafsirkan setelah imej binari yang dinipiskan terhasil. Namun begitu
bagi kod rantaian Vertex terdapat proses lain yang perlu dilalui sebelum kod rantaian
dapat dihasilkan setelah melalui proses penipisan. Proses yang perlu dilalui oleh imej
binari yang telah dinipiskan adalah proses pembentukan sel. Oleh kerana penyelidikan
ini mewakilkan sel secara sel segiempat, maka imej binari yang dinipiskan ini akan
melalui proses pembentukan sel segiempat.
Setiap kod 1 pada imej binari mewakili setiap bentuk yang dihasilkan oleh sel
segiempat. Arah kod 1 yang bersebelahan membawa kepada pembentukan sel-sel yang
seterusnya. Rajah 4.2 memberikan contoh pembentukan sel segiempat daripada imej
binari yang telah dinipiskan. Apabila setiap kod 1 di dalam imej binari yang dinipiskan
ini ditafsirkan, satu lukisan yang terdiri daripada sel segiempat terhasil. Rajah 4.3
berikut merupakan contoh lakaran lukisan garisan yang telah dibentuk dengan sel
segiempat. Lukisan garisan di dalam penyelidikan ini yang telah di tukarkan kepada sel
segiempat ini dapat di lihat di dalam Lampiran G. Setelah selesainya proses
pembentukan, imej ini akan melalui proses pengkodan pula.
57
Rajah 4.2: Perwakilkan Imej Binari Kepada Sel Segiempat
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
Asal
00000000000000000000000000000000000000000000000000
00000000000000000000000000100000000000000000000000
00000000000000000000000001010000000000000000000000
00000000000000000000000010001100000000000000000000
00000000000000000000000100000011000000000000000000
00000000000000000000001000000000110000000000000000
00000000000000000000010000000000001000000000000000
00000000000000000000011000000000000111000000000000
00000000000000000000100100000000000000100000000000
00000000000000000000100010000000000000010000000000
00000000000000000000100001100000000000101000000000
00000000000000000000100000011000000001000100000000
00000000000000000000100000000110000010000100000000
00000000000000000000100000000001000100000100000000
00000000000000000000100000000000101000000100000000
00000000000000000011011000000000010000000100000000
00000000000000001100000110000000010000000100000000
00000000000000110000000001110000100000000100000000
00000000000001001000000000001100100000000100000000
00000000000001000100000000000011000000000100000000
00000000000001000010000000000000100000000100000000
00000000000001000001100000000000100000000100000000
00000000000001000000011000000001000000000100000000
00000000000001000000000100000110000000000100000000
00000000000001000000000011111000000000000100000000
00000000000001000000000010000000000000000100000000
00000000000111000000000010000000000000000100000000
00000011111000100000000010000000000000000100000000
00000100000000010000000010000000000000000100000000
00001010000000001100000010000000000000000100000000
00001001100000000011000010000000000000000100000000
00001000010000000000110010000000000000000100000000
00001000001100000000001100000000000000000100000000
00001000000011000000000100000000000000001000000000
00001000000000110000011000000000000000010000000000
00000100000000001011100000000000000001100000000000
00000010000000000100000000000000000010000000000000
00000001000000000100000000000000011100000000000000
00000000100000000100000000000011100000000000000000
00000000010000000100000000011100000000000000000000
00000000001000000100000001100000000000000000000000
00000000000100000100000010000000000000000000000000
00000000000010000100001100000000000000000000000000
00000000000001000100010000000000000000000000000000
00000000000000111101100000000000000000000000000000
00000000000000000010000000000000000000000000000000
Imej binari yang dinipiskan
Pembentukan sel segiempat
Rajah 4.3: Proses Pembentukan Sel Segiempat
58
4.3.3 Pengkodan Kod Rantaian Vertex
Seksyen ini menerangkan proses pengkodan kod rantaian Vertex dan seterusnya
menghasilkan kod rantaian yang diperlukan. Pengkodan ini dilakukan ke atas imej
binari yang dinipiskan setelah melalui proses pembentukan sel segiempat. Kajian
literatur di dalam Seksyen 2.3.2 telah memberi contoh di mana sel segiempat
mempunyai kod 1,2 dan 3 dan setiap kod mewakili bentuk yang berbeza dan berlainan.
Proses pengkodan ini menggunakan kod 1, 2 dan 3 ini bagi mewakili lakaran yang telah
melalui proses pembentukan sel segiempat tadi. Rajah 4.4 menerangkan bentuk yang
diwakili oleh kod-kod 1,2 dan 3 ini. Setelah semua bentuk diwakilkan oleh kod-kod,
satu kod rantaian vertex terhasil. Contoh lukisan garisan yang telah melalui proses
pengkodan ditunjukkan di dalam Rajah 4.5. Di dalam Lampiran G pula ditunjukkan
lukisan-lukisan garisan yang digunakan bagi penyelidikan ini setelah melalui proses
pengkodan.
Rajah 4.4: Contoh Perwakilan Kod Sel Segiempat
59
Rajah 4.5: Contoh Imej Sel Segiempat yang Dikodkan
4.4
Ringkasan
Proses-proses yang diterangkan di dalam seksyen-seksyen di dalam Bab 4 ini,
merupakan proses yang dilakukan dan hasil daripada penyelidikan yang di jalankan.
Proses yang dijalankan pada seksyen ini, dilakukan secara manual. Hanya proses
pendigitasian dan penipisan imej binari sahaja yang melalui proses yang telah
diautomasikan.
Proses di dalam seksyen 4.2 merupakan proses-proses yang telah diautomasikan.
Proses ini mempunyai sistem berkomputer yang dapat menghasilkan kod rantaian
Freeman. Sistem penghasilan kod rantaian Freeman ini diperolehi daripada tesis
Habibollah (2004).
60
Bagi proses di dalam Seksyen 4.3, kesemua proses-proses yang diterangkan
dijalankan secara manual. Masih belum terdapat sistem berkomputer yang dapat
menghasilkan kod rantaian Vertex. Selain itu, melalui kajian literatur yang dilakukan
dan hasil rujukan dengan pencipta kod rantaian ini, kaedah di dalam Seksyen 4.3 untuk
menghasilkan kod rantaian Vertex ini merupakan sesuatu kaedah yang baru.
BAB 5
PENGELAS RANGKAIAN NEURAL BAGI PENGESAN SIMPANG
Bab ini merupakan bab yang menerangkan secara terperinci tentang algoritma
pengesan simpang yang dibangunkan bagi mengesan simpang untuk penterjemah
lakaran. Keseluruhan bab ini merupakan sumbangan kepada penyelidikan yang
dijalankan. Bab ini mengandungi lima seksyen utama iaitu didahului dengan Seksyen
5.1 yang merupakan pengenalan bagi bab ini. Seksyen 5.2 memberikan penerangan
tentang penghasilan pengelas rangkaian neural. Ia kemudiannya diikuti oleh Seksyen 5.3
yang menerangkan tentang pengesan simpang kod rantaian Freeman. Seksyen 5.4 pula
merupakan keterangan tentang pengesan simpang kod rantaian Vertex. Seksyen yang
terakhir iaitu Seksyen 5.5 merupakan seksyen bagi merumus dan meringkaskan tentang
keseluruhan Bab 5 ini.
5.1
Pengenalan
Pengesan simpang merupakan komponen untuk peringkat pengekstrakan ciri di
dalam rangka kerja penterjemah lakaran umum dan juga rangka kerja pengekstrakan ciri
lukisan 2D. Pengesan simpang konvensional menggunakan kaedah dan formula
matematik dalam membangunkan algoritma pengesan simpang mereka. Selain itu, tidak
62
semua pengesan simpang konvensional mampu mengesan simpang lakaran yang
menggunakan kod rantaian sebagai bahasa penghuraian gambar (PDL). Algoritma
pengesan simpang yang dihasilkan oleh penyelidikan ini merupakan pengelas rangkaian
neural yang dapat mengesan simpang berdasarkan kod rantaian. Terdapat dua pengelas
rangkaian neural dibangunkan bagi pengesan simpang ini iaitu pengesan simpang kod
rantaian Freeman dan pengelas simpang kod rantaian Vertex. Ciri-ciri pengelas dan
penghasilan pengelas rangkaian neural bagi pengesan simpang ini akan diterangkan di
dalam seksyen-seksyen yang seterusnya di dalam bab ini.
5.2
Pengelas Rangkaian Neural
Pengelas rangkaian neural yang dihasilkan adalah pengelas yang mampu
mengesan simpang sesuatu lukisan garisan dua dimensi dengan menggunakan kod
rantaian Freeman dan kod rantaian Vertex. Pembangunan pengelas rangkaian neural ini
telah diterangkan secara umum di dalam Bab 3 di Seksyen 3.5 yang lalu. Seksyen ini
akan menerangkan secara terperinci tentang pengelas rangkaian neural yang dihasilkan.
Secara umumnya kedua-dua pengelas rangkaian neural iaitu pengelas rangkaian
neural pengesan simpang kod rantaian Freeman (FCC) dan pengelas rangkaian neural
pengesan simpang kod rantaian Vertex (VCC), masing-masing menggunakan sumber
input dan output yang sama bagi pembangunan pengelas. Terdapat tiga syarat utama
dalam pembangunan pengelas yang perlu dipatuhi. Tiga syarat tersebut ialah proses
latihan, pengujian dan validasi. Rangka kerja bagi proses pembangunan klasifikasi ini
boleh dirujuk pada Rajah 3.6 di dalam Seksyen 3.5.2.
Terdapat tiga lukisan garisan utama yang digunakan bagi membangunkan
pengelas rangkaian neural ini iaitu lukisan garisan kiub 1, lukisan garisan blok-L dan
lukisan garisan tangga. Lukisan-lukisan garisan ini boleh dirujuk pada Lampiran A1, A2
dan A3. Ketiga-tiga lukisan ini digunakan sebagai fungsi yang berbeza di mana lukisan
63
garisan kiub 1 digunakan sebagai input dan output bagi proses latihan rangkaian.
Manakala lukisan garisan blok-L pula dijadikan sebagai input dan output di dalam
proses pengujian. Lukisan yang terakhir iaitu lukisan tangga pula merupakan satu
medium input yang digunakan di dalam proses yang terakhir iaitu proses validasi.
Ketiga-tiga lukisan ini akan diterjemahkan kepada kod rantaian Freeman dan juga kod
rantaian Vertex sebelum pembangunan pengelas rangkaian masing-masing dijalankan.
Selepas melalui proses cara perwakilan data, lukisan-lukisan yang diterjemahkan
kepada kod rantaian akan disusun berpasangan di dalam lajur secara 9 input dan 1 output
bagi proses latihan dan pengujian. Kod-kod rantaian yang disusun ini perlulah
ditentukan sama ada ianya merupakan kod yang mempunyai simpang atau pun tidak.
Jika sesuatu kod mempunyai simpang maka output adalah 1, manakala output adalah 0
jika kod-kod yang disusun itu tidak mempunyai simpang. Penyusunan kod-kod bagi
proses latihan dan pengujian ini dapat dirujuk pada Lampiran D. Bagi membolehkan
proses validasi dan proses untuk menggunakan pengelas, input daripada lakaran dan
lukisan yang hendak dikesan simpangnya perlulah disusun dalam 9 kod setiap lajur.
Setelah kod-kod ini siap disusun, proses pembangunan pengelas rangkaian neural
dijalankan.
Kaedah cuba jaya digunakan bagi penentuan parameter-parameter dan nod
tersembunyi yang sesuai bagi mendapatkan model rangkaian terbaik untuk dijadikan
pengelas rangkaian neural yang dikehendaki. Parameter-parameter dan nod tersembunyi
yang terlibat diterangkan di dalam Seksyen 3.5.2. Di dalam peringkat ini, ianya
melibatkan proses latihan dan pengujian. Proses pembangunan rangkaian neural yang
lain akan diterangkan di dalam Seksyen 5.3 bagi kod rantaian Freeman dan Seksyen 5.4
bagi kod rantaian Vertex.
64
5.3
Pengelas Rangkaian Neural Pengesan Simpang FCC
Bagi menghasilkan pengelas rangkaian FCC ini nilai sasaran pencapaian latihan
yang ditetapkan adalah 0.01. Ini kerana nilai berikut merupakan nilai yang hampir
dengan nilai sifar. Nilai sasaran tidak ditetapkan kepada nilai sifar kerana rangkaian
akan mengambil masa yang terlalu lama untuk menyudahkan satu latihan yang
sempurna. Sebelum bermulanya proses latihan iaitu proses di mana rangkaian akan
dilatih dengan kod-kod rantaian yang diberikan, penentuan jenis atau pun corak pola
kod-kod yang merupakan simpang dan bukan simpang amat penting. Ini kerana
rangkaian yang dilatih mempelajari pola bagaimana yang dikatakan mempunyai
simpang atau pun tidak mempunyai simpang berdasarkan penentuan yang dibuat.
Berdasarkan penentuan inilah rangkaian akan membuat keputusan apabila diuji untuk
mengesan simpang nanti. Pola kod-kod yang mempunyai simpang dan bukan simpang
ini ditentukan berdasarkan terjemahan sebenar kod-kod tersebut di dalam bentuk lukisan
yang diwakili. Rajah 5.1 (a) dan (b) menunjukkan contoh pola dan terjemahan dari kodkod bagi menentukan sama ada ianya mempunyai simpang atau pun bukan simpang.
Rajah 5.2 menunjukkan contoh pola yang ditentukan sebagai simpang bagi input proses
latihan dan Rajah 5.3 pula menunjukkan contoh pola yang ditentukan sebagai tidak
mempunyai simpang.
Kod: 000055555
5.1(a): Contoh Pola dan Terjemahan
Simpang FCC
Kod: 010101010
5.1(b): Contoh Pola dan Terjemahan
Bukan Simpang FCC
65
Rajah 5.2: Pola Kod Rantaian Penentuan Simpang Input Latihan Pengelas
Dalam proses menghasilkan pengelas rangkaian neural pengesan simpang FCC
ini, sebanyak 71 model rangkaian telah dilatih dan dibangunkan dengan menggunakan
nilai-nilai parameter yang berbeza. Model-model beserta nilai parameter yang
digunakan boleh dilihat di Lampiran H. Hanya satu model rangkaian yang terbaik
dipilih untuk dijadikan pengelas rangkaian neural. Rajah 5.4 menunjukkan hasil proses
lelaran ketika model terbaik ini dalam proses melatih rangkaian. Rajah 5.5 pula
merupakan graf yang terhasil daripada proses melatih rangkaian model yang terbaik.
66
Rajah 5.3: Pola Kod Rantaian Penentuan Bukan Simpang Input Latihan Pengelas
67
Rajah 5.4: Lelaran Ketika Proses Melatih Rangkaian Terbaik Pengelas
Rajah 5.5: Graf Proses Melatih Rangkaian
68
Pada keseluruhan 71 model, pelbagai parameter digunakan bagi mendapatkan
model rangkaian terbaik untuk dijadikan pengelas rangkaian neural. Jadual 5.1
menunjukkan model terbaik bagi fungsi latihan masing-masing. Parameter-paramater
yang terdapat di dalam jadual tersebut adalah:
i.
Fungsi latihan - Fungsi latihan yang digunakan adalahTraingdx, Traingd
atau Traingdm
ii.
Input - Input bagi senibina rangkaian neural ditetapkan sebagai 9
iii.
Hidden 1 dan 2 - Merupakan nod tersembunyi aras 1 dan menggunakan
fungsi penggiatan sigmoid (logsig) digunakan pada
nod tersembunyi dan 2.
iv.
Output - Output bagi senibina rangkaian neural ditetapkan sebagai 1 dan
menggunakan fungsi penggiatan linear (purelin)
v.
Į - Mewakili kadar pembelajaran
vi.
ȕ - Mewakili kadar momentum
vii.
Goal - Nilai sasaran yang ditetapkan
viii.
Lelaran - Jumlah lelaran yang dilakukan bagi menghasilkan rangkaian
ix.
MSE Output – Nilai MSE yang terhasil daripada rangkaian
Namun begitu, bagi mendapatkan pengelas bagi FCC hanya satu model yang
paling baik di antara tiga model perlu dipilih. Model yang dipilih adalah model pertama
iaitu model yang menggunakan fungsi latihan Traingdx. Model rangkaian neural yang
terbaik yang telah dipilih menjadi pengelas rangkaian neural bagi pengesan simpang
FCC ini mempunyai 98% ketepatan mengesan simpang. Model ini juga dipilih kerana
menghasilkan nilai MSE terkecil di samping mempunyai kejituan dan konsistensi dalam
mengesan simpang berbanding model yang lain. Nilai parameter-parameter yang
digunakan boleh dirujuk di dalam Jadual 5.1. Keputusan dari jadual ini menunjukkan
bahawa satu nod tersembunyi sudah mencukupi bagi rangkaian mengecam dan
mempelajari corak input dan output non linear.
69
Jadual 5.1: Jadual Model Terbaik FCC Beserta Parameter
Fungsi
Latihan
Traingdx
Traingd
Traingdm
5.4
Input
9
9
9
Hidden
1
9
Logsig
9
Logsig
9
Logsig
Hidden
2
9
Logsig
Output
1
Purelin
1
Purelin
1
Purelin
Į
ȕ
Goal
Lelaran
Ketepatan
(%)
MSE
Output
0.25
0.5
0.01
2969
98
0.0281
0.1
nil
0.01
65314
98
0.0281
0.1
0.5
0.01
19768
95.1
0.0691
Pengelas Rangkaian Neural Pengesan Simpang VCC
Bagi menghasilkan pengelas rangkaian neural VCC, nilai sasaran pencapaian
latihan yang dipilih adalah 0.015. Nilai ini adalah lebih besar daripada nilai yang
digunakan untuk melatih pengelas rangkaian neural FCC kerana apabila nilai 0.01
ditetapkan, banyak rangkaian yang dilatih tidak dapat sampai kepada nilai sasaran yang
ditetapkan. Model rangkaian yang tidak mencapai nilai sasaran 0.01 yang telah dilatih
dapat dirujuk di dalam Lampiran I2. Model-model di dalam lampiran ini mengalami
situasi no convergence dan overfitting di mana bagi keadaan no convergence rangkaian
yang dilatih tidak dapat mencapai nilai sasaran yang diberikan dan keadaan overfitting
pula, graf dan nilai MSE meningkat ketika proses melatih rangkaian. Keadaan ini
memaksa nilai sasaran pencapaian latihan bagi pengelas rangkaian neural VCC
ditingkatkan kepada 0.015. Nilai ini juga dipilih kerana penyelidikan yang dijalankan
ini merupakan masalah pengklasifikasi dan bukannnya peramalan. Bagi peramalan
ketepatan adalah penting, tapi ianya berbeza dengan pengklasifikasi, di mana nilai
sasaran pencapaian tidak begitu menjejaskan kepada ketepatan. Oleh itu perbezaan yang
kecil seperti 0.005 di dalam penetapan bagi nilai sasaran pencapaian latihan bagi
pengelas rangkaian neural VCC ini boleh diabaikan. Pengelas rangkaian neural bagi
seksyen ini merupakan pengelas rangkaian neural bagi pengesan simpang yang
70
menggunakan kod rantaian Vertex. Ini bermakna lakaran yang diterjemahkan, terlebih
dahulu perlu dikodkan dengan menggunakan kod rantaian Vertex. Pengelas rangkaian
neural versi kod rantaian Vertex ini dihasilkan bagi melihat keberkesanan dan ketepatan
di antara kod rantaian Freeman dan kod rantaian Vertex.
Seperti juga proses yang dilalui untuk membangunkan pengelas rangkaian neural
pengesan simpang kod rantaian Freeman, pengelas rangkaian ini juga perlu menentukan
dahulu corak pola yang mempunyai simpang dan corak pola yang tidak mempunyai
simpang. Pola kod-kod yang mempunyai simpang dan bukan simpang ini ditentukan
berdasarkan terjemahan sebenar kod-kod tersebut di dalam bentuk lukisan yang diwakili.
Rajah 5.6 (a) dan (b) menunjukkan contoh pola dan terjemahan dari kod-kod bagi
menentukan sama ada ianya mempunyai simpang atau pun bukan simpang. Rajah 5.7
menunjukkan contoh corak pola kod rantaian Vertex yang mempunyai simpang dan
Rajah 5.8 menunjukkan corak pola kod rantaian Vertex yang tidak mempunyai simpang.
Kod: 132232222
Rajah 5.6(a): Contoh Pola dan
Terjemahan Simpang VCC
Kod: 313132132
Rajah 5.1(b): Contoh Pola dan
Terjemahan Bukan Simpang VCC
71
Rajah 5.7: Pola Kod Rantaian Penentuan Simpang Input Latihan Pengelas
72
Rajah 5.8: Pola Kod Rantaian Penentuan Bukan Simpang Input Latihan
Pengelas
Di dalam proses penghasilan pengelas neural pengesan simpang kod rantaian
Vertex ini, sebanyak 363 model rangkaian telah dilatih di dalam pencarian untuk
mendapatkan model rangkaian yang terbaik. Kesemua 363 model rangkaian ini
menggunakan nilai-nilai parameter yang berlainan bagi mendapatkan satu hasil yang
paling tepat. Model-model dan parameter yang digunakan boleh dirujuk di dalam
Lampiran I. Hanya satu model rangkaian yang terbaik dipilih untuk dijadikan pengelas
rangkaian neural. Rajah 5.9 menunjukkan hasil proses lelaran model terbaik ketika
proses melatih rangkaian. Rajah 5.10 pula merupakan graf yang terhasil daripada proses
melatih rangkaian model yang terbaik.
73
Rajah 5.9: Lelaran Ketika Proses Melatih Rangkaian Terbaik Pengelas
Rajah 5.10: Graf Proses Melatih Rangkaian
74
Daripada keseluruhan 363 model rangkaian yang dilatih, tiga model rangkaian
terbaik dari fungsi latihan yang berlainan telah dipilih. Jadual 5.2 menunjukkan model
terbaik bagi fungsi latihan masing-masing. Parameter-paramater yang terdapat di dalam
jadual tersebut adalah:
Fungsi latihan - Fungsi latihan yang digunakan adalahTraingdx, Traingd
x.
atau Traingdm
xi.
Input - Input bagi senibina rangkaian neural ditetapkan sebagai 9
xii.
Hidden 1 dan 2 - Merupakan nod tersembunyi aras 1 dan menggunakan
fungsi penggiatan sigmoid (logsig) digunakan pada
nod tersembunyi dan 2.
Output - Output bagi senibina rangkaian neural ditetapkan sebagai 1 dan
xiii.
menggunakan fungsi penggiatan linear (purelin)
xiv.
Į - Mewakili kadar pembelajaran
xv.
ȕ - Mewakili kadar momentum
xvi.
Goal - Nilai sasaran yang ditetapkan
xvii.
Lelaran - Jumlah lelaran yang dilakukan bagi menghasilkan rangkaian
xviii.
MSE Output – Nilai MSE yang terhasil daripada rangkaian
Namun begitu, bagi mendapatkan pengelas bagi VCC hanya satu model yang paling
baik di antara tiga model perlu dipilih. Model yang dipilih adalah model kedua iaitu
model yang menggunakan fungsi latihan Traingd. Model rangkaian ini mempunyai
ketepatan sebanyak 92.25% dalam mengesan simpang. Pemilihan ini juga adalah
berdasarkan nilai MSE terkecil yang dihasilkan model ini berbanding model lain. Nilainilai parameter yang digunakan dapat dilihat di dalam Jadual 5.2.
Jadual 5.2: Jadual Model Terbaik VCC Beserta Parameter
Fungsi
Latihan
Traingdx
Traingd
Traingdm
Input
9
9
9
Hidden
1
36
Logsig
36
Logsig
27
Logsig
Hidden
2
9
Logsig
9
Logsig
9
Logsig
Output
1
Purelin
1
Purelin
1
Purelin
Į
ȕ
Goal
Lelaran
Ketepatan
(%)
MSE
Output
0.1
0.1
0.015
10576
91.51
0.07468
0.5
nil
0.015
8043
92.25
0.0725
0.3
0.25
0.015
15772
92.25
0.08502
75
5.5
Ringkasan
Dua jenis pengelas rangkaian neural bagi pengesan simpang telah dihasilkan
iaitu pengelas rangkaian neural bagi pengesan simpang FCC dan pengelas rangkaian
neural bagi pengesan simpang VCC. Kaedah cuba jaya telah digunakan bagi
mendapatkan nilai parameter yang terbaik untuk dijadikan pengelas rangkaian neural
bagi pengesan simpang FCC dan VCC. Setiap rangkaian dilatih dengan menggunakan
latihan secara seliaan dan kaedah suapan ke depan secara rambatan balik. Rangkaian
yang terbaik berdasarkan sesi kod rantaian masing-masing dipilih menjadi pengelas
rangkaian neural bagi pengesan simpang. Analisis perbandingan kedua-dua pengelas
yang terhasil diterangkan di dalam Bab 6.
BAB 6
PERBINCANGAN KEPUTUSAN DAN ANALISIS
Bab ini merupakan bab yang menerangkan keputusan-keputusan eksperimen pengelas
rangkaian pengesan simpang kod rantaian Freeman dan pengelas rangkaian pengesan
simpang kod rantaian Vertex. Keputusan-keputusan yang diterangkan di dalam seksyenseksyen pada bab ini merupakan keputusan dari eksperimen mengesan simpang lukisan
garisan. Keputusan ini dibandingkan dan di analisis bagi melihat tahap keberkesanan
penggunaan kod rantaian FCC dan VCC dan rangkaian neural dalam membangunkan
pengesan simpang.
6.1
Perbincangan Keputusan
Seksyen ini memaparkan keputusan-keputusan hasil daripada eksperimen yang
dijalankan ke atas pengelas rangkaian neural kod rantaian Freeman dan juga kod
rantaian Vertex. Kedua-dua pengesan rangkaian ini diuji dengan lukisan garisan tangga
yang berada di dalam Lampiran A. Lukisan garisan ini diambil daripada Habibollah
(2004). Kedua-dua pengelas rangkaian neural ini diuji berdasarkan ketepatan dan
keberkesanan dalam mengesan simpang pada lukisan garisan ini. Kedua-dua keputusan
eksperimen ini akan diterangkan di dalam Seksyen 6.1.1 bagi keputusan eksperimen
77
pengelas rangkaian neural bagi kod rantaian Freeman dan Seksyen 6.1.2 bagi kod
rantaian Vertex.
6.1.1 Eksperimen Pengelas Rangkaian Neural Pengesan Simpang FCC
Seksyen ini menjelaskan eksperimen yang dilalui oleh pengelas rangkaian neural
pengesan simpang kod rantaian Freeman berserta dengan keputusannya. Pengelas
rangkaian neural ini telah diuji dengan lukisan garisan tangga. Lukisan garisan ini
terlebih dahulu dikodkan kepada kod rantaian Freeman dan disusun secara 9 kod
berturut-turut di dalam lajur sehingga semua kod rantaian lukisan garisan ini habis.
Lukisan garisan tangga yang dikodkan ini menghasilkan 103 lajur atau pun input bagi
pengujian. Kod rantaian Freeman yang telah disusun bagi lukisan garisan tangga
sebagai input eksperimen ini ditunjukkan di dalam Rajah 6.1.
Terdapat 10 simpang pada lukisan garisan tangga yang digunakan bagi
eksperimen ini. Oleh itu, terdapat 10 simpang di dalam 103 lajur atau pun input yang
diuji dengan pengelas rangkaian neural ini. Simpang-simpang yang terdapat pada
lukisan garisan tangga ini ditunjukkan pada Rajah 6.2. Kod rantaian lukisan garisan
tangga yang disusun tadi dikesan simpangnya dengan menggunakan pengelas rangkaian
neural pengesan simpang FCC. Hasil daripada eksperimen menunjukkan pengelas
mengesan kesemua simpang-simpang yang terdapat pada lukisan garisan tangga ini
seperti yang ditunjukkan di dalam Jadual 6.1. Keputusan daripada pengelas ini boleh
dirujuk di dalam Rajah 6.2. Di dalam Rajah 6.3 pula, 0 menggambarkan tiada simpang
dan 1 menunjukkan simpang wujud. Rajah 6.3 (a) merupakan hasil output daripada
pengelas rangkaian neural dan Rajah 6.3 (b) merupakan output sebenar.
78
Rajah 6.1: Input Kod Rantaian Freeman Lukisan Garisan Tangga
Rajah 6.2: Simpang Pada Lukisan Garisan Tangga
79
Jadual 6.1: Simpang yang Dikesan Pengelas Rangkaian Neural FCC
Bil. Simpang
yang Dikesan
10
Kaedah
Pengelas pengesan simpang FCC
0
0
0
0
0
0
0
0
0
1
1
1
0
0
0
0
0
0
0
0
0
0
0
0
Columns 27 through 39
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
1
0
0
0
0
0
0
0
0
1
0
0
0
0
0
1
0
0
0
0
0
0
1
0
0
0
0
0
1
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
1
0
Columns 79 through 91
0
0
0
0
0
1
0
0
0
0
0
0
1
0
Columns 92 through 103
Columns 92 through 103
0
0
Columns 66 through 78
Columns 79 through 91
1
0
Columns 53 through 65
Columns 66 through 78
0
0
Columns 40 through 52
Columns 53 through 65
0
0
Columns 27 through 39
Columns 40 through 52
0
0
Columns 14 through 26
Columns 14 through 26
0
1, 2, 3, 4, 5, 6, 7,8, 9 dan 10
Columns 1 through 13
Columns 1 through 13
0
Lokasi Simpang
0
0
0
0
1
0
a) Output Pengelas Rangkaian Neural
0
0
0
0
1
0
b) Output Sebenar
Rajah 6.3: Ouput Pengelas Rangkaian Neural dan Output Sebenar
6.1.2 Eksperimen Pengelas Rangkaian Neural Pengesan Simpang VCC
Lukisan garisan yang digunakan sebagai bahan uji untuk eksperimen bagi
pengelas rangkaian neural pengesan simpang kod rantaian Vertex ini adalah sama
dengan lukisan yang digunakan oleh pengelas rangkaian untuk kod rantaian Freeman.
Namun begitu setelah lukisan garisan tersebut dikodkan kepada kod rantaian Vertex dan
membentuk sel segiempat kod rantaian yang disusun secara lajur kepada 9 kod,
sebanyak 158 input atau pun lajur terhasil. Kod rantaian Vertex yang telah disusun bagi
lukisan garisan tangga sebagai input eksperimen ini ditunjukkan di dalam Rajah 6.4.
80
Selepas lukisan garisan tangga ini melalui proses pembentukkan sel segiempat
dan pengkodan, jumlah simpang yang terdapat pada lukisan garisan adalah 11 simpang.
Oleh itu , terdapat 11 simpang juga di dalam 158 input atau pun lajur yang diuji dengan
pengelas rangkaian neural ini. Simpang-simpang yang terdapat pada lukisan garisan
tangga bagi kod rantaian Vertex ini ditunjukkan pada Rajah 6.5. Kod rantaian lukisan
garisan tangga yang disusun tadi dikesan simpangnya dengan menggunakan pengelas
rangkaian neural pengesan simpang kod rantaian Vertex. Hasil daripada eksperimen
menunjukkan pengelas mengesan 9 simpang daripada 11 simpang yang sepatutnya.
Jadual 6.2 menunjukkan lokasi simpang-simpang yang dikesan pengelas rangkaian
neural ini. Output bagi pengelas ini ditunjukkan di dalam Rajah 6.6 (a) dan output
sebenar bagi lukisan garisan tangga ditunjukkan di dalam Rajah 6.6 (b).
81
Rajah 6.4: Input Kod rantaianVertex Lukisan Garisan Tangga
82
Rajah 6.5: Simpang Pada Lukisan Garisan Tangga
Jadual 6.2: Simpang yang Dikesan Pengelas Rangkaian Neural VCC
Bil. Simpang
yang Dikesan
9
Kaedah
Pengelas pengesan simpang VCC
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
1
0
0
1
0
0
0
0
0
0
0
1
0
1
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
Columns 151 through 158
Columns 151 through 158
0
1
Columns 136 through 150
Columns 136 through 150
0
0
Columns 121 through 135
Columns 121 through 135
0
0
Columns 106 through 120
Columns 106 through 120
0
0
Columns 91 through 105
Columns 91 through 105
0
0
Columns 76 through 90
Columns 76 through 90
0
0
Columns 61 through 75
Columns 61 through 75
0
0
Columns 46 through 60
Columns 46 through 60
0
0
Columns 31 through 45
Columns 31 through 45
1
0
Columns 16 through 30
Columns 16 through 30
0
1, 2, 3, 4, 5, 6, 8, 9 and 11
Columns 1 through 15
Columns 1 through 15
0
Lokasi Simpang
a) Output Pengelas Rangkaian Neural
0
0
0
0
0
0
0
0
b) Output Sebenar
Rajah 6.6: Ouput Pengelas Rangkaian Neural dan Output Sebenar
83
6.2
Analisis Perbandingan Pengelas Rangkaian FCC dan VCC
Seksyen ini mengutarakan analisis perbandingan di antara pengelas rangkaian
neural pengesan simpang kod rantaian Freeman dan juga pengelas rangkaian neural
pengesan simpang kod rantaian Vertex. Selain itu perbandingan pengelas di antara
rangkaian ini juga akan menjurus kepada perbandingan di antara kod rantaian Freeman
dan kod rantaian Vertex ini. Perbandingan yang dilakukan sedikit sebanyak dapat
menilai kesesuaian dan keberkesanan kod-kod rantaian ini.
Dilihat dari keberkesanan pengelas rangkaian neural dalam mengesan simpang,
pengelas rangkaian neural yang menggunakan kod rantaian Freeman dilihat lebih
berkesan daripada pengelas rangkaian neural kod rantaian Vertex. Ini dapat dilihat dari
peratusan ketepatan dan jumlah di mana pengelas rangkaian neural ini dapat mengesan
simpang yang sepatutnya. Jadual 6.3 menunjukkan perbandingan dari segi peratusan
ketepatan dan kejituan di antara pengelas rangkaian neural yang dibangunkan
berasaskan kod rantaian Freeman dan pengelas rangkaian neural yang dibangunkan
berasaskan kod rantaian Vertex. Ketepatan di dalam analisis ini mewakili jumlah
simpang yang dikesan sama dengan jumlah simpang yang sebenar. Manakala kejituan
pula mewakili jumlah simpang yang dikesan tidak tepat(bukan simpang). Ini bermakna
jika sesuatu algoritma pengesan simpang itu mengesan banyak simpang yang tidak
tepat(bukan simpang) makan kejituannya adalah rendah.
Jadual ini menunjukkan pengelas rangkaian neural pengesan simpang FCC
secara keseluruhannya mengesan 12 simpang walau pun simpang sebenar yang terdapat
pada lukisan garisan hanyalah 10 simpang. Ini menunjukkan 2 simpang dikesan pada
tempat yang tidak sepatutnya. Namun begitu, kesemua 10 simpang yang terdapat pada
lukisan garisan yang diuji dapat dikesan oleh pengelas ini. Ini menunjukkan pengelas
rangkaian neural pengesan simpang FCC yang dihasilkan mempunyai ketepatan yang
tinggi tetapi mempunyai kurang kejituan.
84
Bagi pengelas rangkaian neural pengesan simpang VCC, secara keseluruhannya
mengesan 10 simpang daripada 11 simpang sebenar yang terdapat pada lukisan garisan.
Hanya 9 daripada simpang yang dikesan adalah tepat dan 1 lagi simpang yang dikesan
adalah tidak tepat. Ini menunjukkan pengelas rangkaian neural VCC mempunyai
ketepatan yang lebih rendah tetapi mempunyai kejituan yang lebih tinggi jika
dibandingkan dengan pengelas rangkaian neural pengesan simpang FCC.
Jadual 6.3: Jadual Perbandingan pengelas FCC dan VCC
Kod Rantaian
Perbandingan
FCC
FCC
VCC
VCC
Bil.
%
Bil.
%
Keseluruhan Simpang yang Dikesan
12
10
Simpang Sebenar (Sepatutnya)
10
11
Simpang Dikesan Tidak Tepat
2
16.67%
1
10%
Simpang Dikesan Tepat
10
100%
9
81.82%
% Ketepatan Pengesanan Simpang
% Kejituan Pengesanan Simpang
100%
81.82%
83.33%
90%
Selain daripada membandingkan pengelas rangkaian neural yang diasaskan oleh
kedua-dua kod rantaian ini, kesesuaian kod rantaian di dalam menghasilkan pengelas
rangkaian neural juga dibandingkan dan dianalisis. Melalui proses membangunkan
pengelas rangkaian neural, penggunaan kod rantaian Freeman untuk membangunkan
pengelas didapati lebih mudah berbanding kod rantaian Vertex. Jadual 6.4 menunjukkan
perbandingan model rangkaian yang terhasil daripada penggunaan kod rantaian Freeman
dan kod rantaian Vertex dalam membangunkan pengelas rangkaian neural.
Jadual 6.4 menunjukkan rangkaian yang menggunakan FCC mempunyai
sebanyak 11.27% model rangkaian yang mempunyai julat peratusan ketepatan di antara
95%-100%. Manakala tiada model rangkaian yang menggunakan VCC mempunyai
jumlah peratusan ketepatan sebegitu. Rangkaian yang menggunakan FCC mencatatkan
sebanyak 18.31% model yang tidak menepati nilai sasaran yang ditetapkan. Rangkaian
85
yang menggunakan VCC pula mencatatkan sebanyak 33.88% model yang tidak
menepati nilai sasaran yang ditetapkan. Ini menunjukkan bahawa FCC adalah lebih
sesuai dan mudah diaplikasikan dengan rangkaian neural sebagai pengesan simpang jika
dibandingkan dengan VCC.
Jadual 6.4: Perbandingan FCC dan VCC Dalam Proses Pembangunan Klasifikasi
Kod Rantaian
FCC
VCC
71
363
Jumlah Model Perlu Dilatih
100-95
8
11.27%
0
0%
94.9-90
28
39.44%
43
11.85%
Jumlah Model Berdasarkan
89.9-85
7
9.86%
157
43.25%
Peratusan Ketepatan (%)
84.9-80
6
8.45%
4
1.1%
79.9-75
6
8.45%
0
0%
74.9-0
3
4.23%
0
0%
Overfitting
0
0%
36
9.92%
13
18.31%
123
33.88%
Goal Not Reach/
No Convergence
6.3
Perbandingan Pengesan Simpang
Di dalam seksyen ini, pengelas rangkaian neural pengesan simpang yang
dihasilkan penyelidikan ini dibandingkan dengan pengesan simpang yang menggunakan
kaedah matematik oleh Habibollah et al. (2005). Pengesan simpang yang menggunakan
kaedah matematik ini turut mengaplikasikan kod rantaian di dalam pengesan
simpangnya. Pengesan-pengesan simpang ini dibandingkan dari segi ketepatan dalam
mengesan simpang pada lakaran lukisan garisan tangga. Lukisan garisan dan lokasi
simpang boleh dirujuk pada Rajah 6.2.
86
Walau bagaimana pun hanya pengelas rangkaian neural pengesan simpang FCC
saja yang dapat dibandingkan kerana pengesan simpang kaedah matematik ini hanya
menggunakan kod rantaian Freeman dalam pengesan simpang yang dihasilkannya.
Jadual 6.5 menunjukkan hasil keputusan perbandingan bagi kedua-dua pengesan
simpang ini. Keputusan di dalam Jadual 6.5 di bawah menunjukkan bahawa pengelas
rangkaian neural pengesan simpang FCC dilihat mempunyai ketepatan yang lebih tinggi
berbanding pengesan simpang Habibollah et al. (2005). Pengesan simpang kaedah
matematik tidak dapat mengesan simpang pada lokasi 5, manakala pengelas rangkaian
neural pengesan simpang FCC mengesan kesemua lokasi simpang. Pengelas pengesan
simpang FCC dapat mengesan 100% simpang manakala pengesan simpang Habibollah
yang menggunakan kaedah matematik hanya dapat mengesan 90% daripada simpang
yang sepatutnya. Ini menunjukkan pengelas pengesan simpang FCC yang dibangunkan
tanpa melibatkan formula matematik yang rumit adalah lebih berkesan jika
dibandingkan dengan pengesan simpang matematik yang dihasilkan oleh Habibollah.
Ini menunjukkan teknik rangkaian neural yang menggunakan parameter yang sesuai dan
jumlah atau pun corak latihan yang cukup dapat menghasilkan sesuatu keputusan dan
algoritma yang berkesan.
Jadual 6.5: Keputusan Perbandingan Pengesan Simpang
Kaedah
Pengelas pengesan simpang
FCC
Pengesan Simpang Habibollah
et al. (2005)
Bil. Simpang
yang Dikesan
Lokasi Simpang
10
1, 2, 3, 4, 5, 6, 7,8, 9 dan
10
9
1,2,3,4,6,7,8,9 dan 10
BAB 7
KESIMPULAN
7.1
Pendahuluan
Penyelidikan ini telah dapat menepati objektif serta menyelesaikan pemasalahan
dan persoalan yang timbul di dalam Bab 1. Beberapa sumbangan telah terhasil daripada
penyelidikan ini. Oleh itu seksyen ini menerangkan sumbangan penyelidikan yang
terhasil sepanjang penyelidikan ini dijalankan. Sumbangan utama di dalam penyelidikan
ini adalah menghasilkan pengelas rangkaian neural bagi pengesan simpang
menggunakan kod rantaian untuk penterjemah lakaran. Berikut merupakan penerangan
setiap sumbangan yang diperolehi daripada penyelidikan yang dijalankan.
Rangka Kerja Pembangunan Pengelas Pengesan Simpang Kod rantaian
Secara umumnya, satu metodologi bagi membangunkan pengelas rangkaian
neural pengesan simpang kod rantaian telah diperolehi. Metodologi ini melibatkan tiga
komponen utama dalam pembangunannya iaitu kod rantaian, rangkaian neural dan
perisian Matlab. Rangka kerja ini adalah berbeza dengan kaedah yang digunakan oleh
Dias et al. (1995) di mana sudut-sudut dijadikan sebagai sumber data kepada rangkaian
neuraluntukmembangunkan pengelas. Namun begitu masih terdapat persamaan dari
segi teknik latihan dan kaedah yang digunakan dalam rangkaian neural.
88
Pengelas Rangkaian Neural
Penyelidikan ini berjaya menghasilkan pengelas rangkaian neural. Pengelas
rangkaian neural yang dihasilkan adalah bagi mengesan simpang lukisan garisan 2D.
Pengelas ini merupakan hasil daripada dua algoritma pengesan simpang iaitu algoritma
pengesan simpang FCC dan algoritma pengesan simpang VCC. Kedua-dua pengelas ini
mempunyai fungsi yang sama tetapi menggunakan aplikasi kod rantaian yang berbeza.
Algoritma Pengesan Simpang (FCC) menggunakan Rangkaian Neural
Algoritma ini mengaplikasikan FCC di dalamnya. Algoritma ini mengesan
simpang bagi lukisan garisan 2D yang menterjemahkan sesuatu lukisan kepada kod
rantaian Freeman. Kod rantaian yang digunakan bagi algoritma ini adalah kod rantaian
Freeman 8 digit bagi objek 2D. Oleh itu sebelum algoritma ini digunakan di dalam
peringkat pengekstrakan ciri di dalam enjin penterjemah lakaran, peringkat prapemprosesan perlu terlebih dahulu menjana kod rantaian bagi lukisan kepada kod
rantaian Freeman ini terlebih dahulu. Algoritma ini turut menggunakan rangkaian
neural bagi menjadikan algoritma ini sebagai algoritma pengesan simpang pintar.
Algoritma Pengesan Simpang VCC menggunakan Rangkaian Neural
Kod rantaian Vertex (VCC) dan rangkaian neural digunakan bagi menghasilkan
algoritma pengesan simpang ini. Tiga komponen diintegrasikan iaitu VCC, rangkaian
neural dan perisian Matlab. Sebelum simpang dapat dikesan, algoritma pengesan
simpang ini memerlukan peringkat pra-pemprosesan di dalam penterjemah lakaran bagi
menterjemah lukisan garisan 2D kepada VCC secara sel segiempat.
89
Proses Pembentukan sel segiempat bagi (VCC)
Sumbangan penyelidikan ini merupakan proses pembentukan sel segiempat
daripada imej binari yang dinipiskan. Penyelidikan ini menghasilkan algoritma yang
boleh digunakan bagi pembentukan sel segiempat daripada imej binari yang dinipiskan.
Selain itu, mengikut kajian yang dijalankan, setakat ini hanya satu penyelidik iaitu
Saleem et al. (2005) dan pencipta kod rantaian ini sendiri sahaja yang pernah
menggunakan VCC di dalam penyelidikan. Kajian yang dijalankan juga mendapati
masih belum terdapat mana-mana penyelidik yang membuat kertas kerja bagi proses ini.
7.2
Cadangan
Pengelas rangkaian neural ini diharap menjadi pemangkin ke arah meningkatkan
dan mengaplikasikan kaedah kepintaran buatan ke dalam enjin penterjemah lakaran. Ini
bukan sahaja dapat memperbaiki lagi sistem CAD yang sedia ada bahkan memudahkan
lagi pembangunan sistem CAD atau pun penterjemah lakaran tanpa menggunakan
kaedah atau pun formula matematik yang sukar. Mungkin proses penipisan selepas ini
boleh mengaplikasikan teknik rangkaian neural seperti yang dilakukan oleh Lee dan
Park (1995) dan juga Lam dan Lee (1992).
Selain itu, bagi pengesan simpang, penggunaan teknik kepintaran buatan yang
lain selain rangkaian neural boleh diaplikasikan. Ini membolehkan perbandingan dan
analisis dilakukan. Kajian mengenai pengesan simpang ini mungkin dapat diperluaskan
dengan menggunakan kaedah logik kabur atau pun algoritma genetik. Mungkin kajian
oleh Pahor dan Carrato (1999) mengenai kaedah logik kabur yang diaplikasikan di
dalam sistem yang dibangunkannya dapat digunakan oleh pengesan simpang yang
menggunakan kod rantaian sebagai bahasa penghuraian gambar (PDL).
90
Penggunaan kod rantaian pula boleh diperluaskan lagi bukan setakat
menggunakan kod rantaian untuk mewakili lukisan garisan atau pun imej 2D, tetapi
menggunakan kod rantaian bagi mewakili objek 3D dan objek-objek animasi.
Perwakilan kod rantaian 3D yang dihasilkan oleh Bribiesca (2000) dan Bribiesca (2003)
boleh dijadikan rjukan dan diapliklasikan dalam membangunkan penterjemah lakaran
pintar yang mampu menterjemah lakaran dan seterusnya menghasilkan objek 3D
daripada lakaran tersebut.
Penyelidikan ini juga menukar imej binari yang dinipiskan kepada sel segiempat
bagi menghasilkan kod rantaian VCC secara manual. Oleh itu, satu sistem berkomputer
bagi menjana VCC secara automatik boleh dibangunkan. Penghasilan sistem secara
automatik ini boleh menjadi satu sumbangan yang besar kerana mengikut kajian yang
dilakukan masih belum terdapat sistem bagi menjana VCC ini.
7.3
Kesimpulan
Sebagai kesimpulan, pengelas rangkaian neural yang dihasilkan iaitu pengelas
rangkaian neural yang menggunakan FCC dan VCC dilihat mampu untuk diaplikasikan
di dalam penterjemah lakaran. Walau bagaimana pun kod rantaian Freeman dilihat lebih
sesuai untuk dijadikan pengelas rangkaian neural untuk pengesan simpang bukan sahaja
dari segi ketepatan tetapi ianya juga lebih mudah untuk melalui proses-proses
pembangunan klasifikasi. Proses untuk melatih rangkaian dengan menggunakan kod
rantaian Freeman lebih cepat dan banyak model-model rangkaian terhasil dan memenuhi
sasaran yang ditetapkan. Manakala untuk mendapatkan model rangkaian terbaik bagi
pengelas menggunakan kod rantaian Vertex agak sukar dan banyak model rangkaian
tidak menepati sasaran ditetapkan.
Pengelas rangkaian neural yang terhasil merupakan algoritma pengesan simpang
kod rantaian Freeman dan juga kod rantaian Vertex. Pengesan simpang FCC dilihat
91
mempunyai prestasi yang lebih tinggi daripada pengesan simpang VCC dari segi
ketepatan mengesan simpang. Walau bagaimana pun VCC masih lagi merupakan satu
kod rantaian yang baru berbanding FCC yang lebih 35 tahun digunakan oleh para
penyelidik. Pengaplikasian VCC ini diharap dapat memberi inspirasi kepada penyelidik
yang lain memperluaskan penggunaan kod rantaian ini di dalam pelbagai bidang lagi.
92
RUJUKAN
Arrebola, F., Bandera, A., Camacho, P dan Sandoval, F. (1997). Corner Detection by Local
Histograms of Contour Chain Code. Electronics Letters IEEE. Vol. 33, Issue 21.
Bachnak, R. and Celenk, M. (1988). A Corner Detection-based Object Representation
Technique For 2D Images, Proc. IEEE International Symp. On Intelligent Control, USA,
186-190.
Bandera, A., Urdiales, C., Arrebola, F. dan Sandoval, F. (2000). Corner Detection by Means of
Adaptively Estimated Curvature Function, Electronic Letters, Vol. 36, Issue 2, 124- 126.
Bribiesca, E. (1999). A New Chain Code. Pattern Recognition, Vol. 32, Issue 2, 235-251.
Bribiesca, E. (2000). A Chain Code for Representing 3D Curves. Pattern Recognition. Vol. 33,
Issue 1,755-765.
Bribiesca, E. (2003). Scanning-curves Representation for the Coverage of Surfaces Using Chain
Coding. Computer & Graphics, Vol. 27, Issue 1, 123-132.
Chen, W., Okamoto, N. dan Minami, T. (1998). Automatic Personal Identification Based on
Human Face Profiles. IEEE Conf. Electrical and Com. Engineering, Vol. 1, 53-56.
Chen, Y.-W. dan Lee, S. C. (1991). The C-Chain Code – A New Method for Coding 3D Curves.
IEEE Signals, Systems and Com.25th Asilomar Conference, Vol. 1, 472-476.
Choudhury, A., Nair, P.B. dan Keane, A.J. (2006). Constructing a Speculative Kernel
Machine for Pattern Classification. Science Direct, Neural Network, Vol. 19,
Issue 1, 84-89.
Dias, P.G.T., Kassim, A.A. dan Srinivasan, V. (1995). Neural Network Classifier for Detecting
Corners in 2D Images. Conf. Systems, Man and Cybernatics, Intelligent for The 21st
Century Vol. 1, 661-666.
Fausett, L. V. (1994). Fundamentals of Neural Networks : Architectures, Algorithms, and
Applications. N.J. : Prentice-Hall.
Freeman, H. (1961). On The Encoding of Arbitary Geometric Configurations. IRE Trans. EC-10
(2), 260-268.
93
Freeman, H. (1969). On the Quantization of Line Drawing Data. IEEE Trans. System Science
and Cybernatics, SSC-5 (1), 70-79.
Freeman, H. (1974). Computer Processing of Line-Drawing Images. ACM Computing Surveys,
Vol. 6, No. 1, 57-97.
Fukushima, K. dan Wake, N (1991). Handwritten Alphanumeric Character Recognition. IEEE
Transactions on Neural Networks, Vol. 2, 355-365.
Habibollah Haron dan Syarul Haniz Subri. (2004). A New Framework in Extracting Features of
Irregular line Drawing. Proceedings of The Int. Conference of Computer Graphics,
Imaging and Visualization. CGIV04 Penang 26-29 Jul., Vol. 1, 83-87.
Habibollah Haron (2004). Enhancement Algorithms for 3D Objec Interpreter. Tesis PHD,
Universiti Teknologi Malaysia.
Habibollah Haron, Dzulkifli Mohammad dan Siti Mariyam Shamsuddin. (2005). Corner
Detection Algorithm for Chain Code Representation of Thinned binary Image. Int.
Journal of Com. Math. U.K.,Vol 82 No. 8, 941-950.
Haniz, S., Haron, H and Roselina, S. (2004). Neural Network in Corner Detection of Chain
Code Series. Proceedings of The International Arab Conf. IT ACIT 2004 Algeria 12-15
Dec. 2004, Vol. 1, 426-431.
Hawkins, J. and Boden, M. (2005). The Applicability of Recurrent Neural Networks for
Biological Sequence Analysis. IEEE Computer Society Press, Vol. 2, Issue 3,
243-253.
Heartst, M.A. (1998). Sketching Intelligent Systems. Intelligent Systems, IEEE, Vol. 13 Issue 3,
10-19.
Hwang, T.S. dan Ullman, D.G. (1990). The Design Capture System: Capturing Back-of-the
Envelope Sketches. Journal of Engineering Design, Vol. 1 No. 4, 339-353.
Johannessen, A.B., Prasad, R. N., Weyland B.J. dan Bons J.H. (1992). Coding Efficiency of
Multiring Differential Chain Coding. IEEE Proceedings on Communications, Speech
and Vision, Vol. 139 no. 2, 224-232.
Kanmani, S., Uthariaraj, V. R., Sankaranarayanan, V. and Thambidurai, P. (2004). Object
Oriented Software Quality Prediction Using General Regression Neural
Networks. ACM Pres, Vol. 29, Issue 5, 1-6.
Klimasauskas, C. C. (1991).Applying Neural Networks. Part 3: Training A Neural Network. PCAI, May/June, 20-24.
Koplowitz, J. dan Plante, S. (1995). Corner Detection for Chain Coded Curves. Science Direct
Pattern Recognition, Vol. 28 Issue 6, 843-852.
94
Lam, L. dan Lee, S-W (1992). Thinning methodologies-a comprehensive survey. Pattern
Analysis and Machine Intelligence, IEEE Transactions, Vol. 14 Issue 9, 869-885.
Landay, J.A. dan Myers, B.A. (2001). Sketching Interfaces: Toward More Human Interface
Computer.Vol. 34, Issue 3, 56-34.
Lee, J-H and Park, D-S. (1995). Modular Neural Net Architecture for One-step Thinning
Algorithm Neural Networks. Proceedings IEEE International Conference, Vol. 4, 17191723.
Lim Wen Peng dan Siti Mariyam Shamsuddin. (2004). 3D Object Reconstruction and
Representation Using Neural Network. Proceedings of the 2nd Int. Con. on Com.
Graphics and Interactive Ttechniques in Australasia and South East Asia. 139-147.
Liu, H-C. dan Srinath, M. D. (1990). Corner Detection from Chain Code. Pattern Recognition,
Vol. 23, Issue 1-2, 51-68.
Liu, W., Cha J-Z, Xu, X-H dan Guo W-J (2002). Online Hand-Sketched Engineering Drawing
Neural Network Recognition. IEEE Region 10 Conference on Computers,
Communications, Control and Power Engineering, Vol. 1, 253-256.
Mackworth, A.K. (1973). Interpreting Pictures of Polyhedral Scenes. Artificial Intelligence,
Vol. 4, 121-137.
Minami, T. dan Shinohara, K. (1986). Encoding of Line Drawings with a Multiple Grid Chain
Code. IEEE Trans. On Pattern Analysis and Machine Intelligence, Vol. PAMI-8, No. 2,
269-276.
Norgaard, M., Ravn, O., Poulsen, N. K. dan Hansen, L. K. (2000). Neural Networks for
Modelling and Control of Dynamic Systems, London: Springer.
O’Gorman, L. (1988). Primitives Chain Code. IEEE Acoustics, Speech and Signal Proc. Int
Con., Vol. 2, 792-795.
Pahor, V. dan Carrato, S. (1999). A Fuzzy Approach to Mouth Corner Detection. Image
Processing, ICIP 99, Vol. 1, 667-671.
Pawlicki, T.F., Lee, D-F., Hull, J.J. dan Srihani, S.N. (1988). Neural Networks Model and their
Application to Handwritten Digit Recognition. IEEE International Conference on Neural
Networs, Vol. 2, 63-70.
Rajan, P.K. dan Davidson, J.M.(1989). Evaluation of corner detection algorithms. System
Theory, Proceedings, Twenty-First Southeastern Symposium 29-33.
Rajagopalan, R. dan Rajagopalan, P. (1996). Applications of Neural Network in Manufacturing.
Proceedings of the Twenty-Ninth Hawaii Int. Conf., Vol. 2, 447-453.
95
Rosa, J.L.G. (2001) An Artificial Neural Network Model Based on Neuroscience: Looking
Closely at the Brain. Proceeding of the Int. Conf. Artificial Neural Nets and Genetic
Alg., Vol 1, 138-141.
Roselina Sallehuddin, Mohd.Salihin Ngadiman dan Siti Mariyam Shamsuddin. (2000).
Peramalan Siri Masa Variasi Bermusim- Satu Pendekatan Alternatif Menggunakan
Rangkaian Neural. Proceeding of the Nat. Conf.on Management Sci./O.R., Vol. 1, 3237.
Rosenfeld, A. dan Johnston, E. (1973). Angle detection on Digital Curves. IEEE Trans. Comput.
Vol. 22, 875-878.
Saleem, A.-B. M., Sewisy, A. A. dan Elyan U. A. (2005). A Vertex Chain Code Approach for
Image Recognition. ICGST International Journal on Graphics, Vision and Image
Processing, Vol. 2, 1-8.
Salomie, I. A., Munteanu, A., Gavrilescu, A., Lafruit, G., Schelkens , P. dan Deklerck, R.
(2002). MESHGRID – A Compact, Multi-scalable and Animation Friendly Surface
Representation. IEEE Image Processing Proceeding Int., Vol. 3, 13-16.
Sanchiz, J. M., Inesta, J.M. dan Pla, F. (1996). A Neural Network-Based Algorithm to Detect
Dominant Points from the Chain-Code of a Contour. Vol. 4, 325-329.
Sutherland, I.E. (1963). Sketchpad A Man-Machine Graphical Communication System.
Proceedings AFIPS Conf. Spring Joint Computer Conference, Vol. 23, 329-346.
Terry, P.J. dan Vu, D. (1993). Edge Detection Using Neural Networks”, Signals, Sys. and Com.
Vol. 1, 391-395.
Trajkovic, M. dan Hedley, M. (1998). Fast Corner Detection, Image and Vision Computing.
Vol. 16, Issue 2, 75-87.
Tsai, D-M (1997). Boundary-based Corner Detection Using Neural Networks, Pattern
Recognition. Vol. 30, Issue 1, 85-97.
Vilaplana, J. M. and Coronado, J.L. (2006). A Neural Network Model for Coordination of
Hand Gesture During Reach to Grasp. Science Direct, Neural Network, Vol. 19,
12-30.
Wu, C-H, dan Horng, S-J, (2004). Run-Length Chain Coding and Scalable Computation of a
Shape’s Moments Using Reconfigurable Optical Buses. Systems, Man and Cybernatics,
Part B, IEEE Trans., Vol. 34, Issue 2, 845-855.
LAMPIRAN A
A1
Lukisan Lakaran (Kiub 1)
A2
Lukisan Lakaran (Blok L)
A3
Lukisan Lakaran (Tangga)
96
LAMPIRAN A1
Lukisan Lakaran (Tangga)
97
LAMPIRAN A2
Lakaran Lukisan (Blok L)
98
LAMPIRAN A3
Lukisan Lakaran (Kiub 1)
LAMPIRAN B
B1
Imej Binari Kiub 1
B2
Imej Binari Blok L
B3
Imej Binari Tangga
99
LAMPIRAN B1
Imej Binari Kiub 1
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
0123456789012345678901234567890123456789012345678901234567890123456789012345678901234567890123456789
0000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000
0000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000
0000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000
0000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000
0000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000
0000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000
0000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000
0000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000
0000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000
0000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000
0000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000
0000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000
0000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000
0000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000
0000000000000000000000000000000000000000000001111000000000000000000000000000000000000000000000000000
0000000000000000000000000000000000000000000111111100000000000000000000000000000000000000000000000000
0000000000000000000000000000000000000000001111111110000000000000000000000000000000000000000000000000
0000000000000000000000000000000000000000011111111111000000000000000000000000000000000000000000000000
0000000000000000000000000000000000000000111111011111110000000000000000000000000000000000000000000000
0000000000000000000000000000000000000111111100000111111000000000000000000000000000000000000000000000
0000000000000000000000000000000000001111111000000011111000000000000000000000000000000000000000000000
0000000000000000000000000000000000111111110000000000111100000000000000000000000000000000000000000000
0000000000000000000000000000000000111111000000000000111110000000000000000000000000000000000000000000
0000000000000000000000000000000011111110000000000000011111100000000000000000000000000000000000000000
0000000000000000000000000000001111111000000000000000001111110000000000000000000000000000000000000000
0000000000000000000000000000011111110000000000000000000111110000000000000000000000000000000000000000
0000000000000000000000000111111111000000000000000000000011111100000000000000000000000000000000000000
0000000000000000000000000111111110000000000000000000000001111111000000000000000000000000000000000000
0000000000000000000000111111111100000000000000000000000000111111100000000000000000000000000000000000
0000000000000000000111111111000000000000000000000000000000011111110000000000000000000000000000000000
0000000000000000111111111110000000000000000000000000000000000111111000000000000000000000000000000000
0000000000000011111111110000000000000000000000000000000000000001111110000000000000000000000000000000
0000000000001111111110000000000000000000000000000000000000000000111111000000000000000000000000000000
0000000000001111110000000000000000000000000000000000000000000000011111100000000000000000000000000000
0000000000001111111000000000000000000000000000000000000000000000001111110000000000000000000000000000
0000000000001111111100000000000000000000000000000000000000000000000111110000000000000000000000000000
0000000000001111111110000000000000000000000000000000000000000000000011111000000000000000000000000000
0000000000001110011110000000000000000000000000000000000000000000000001111100000000000000000000000000
0000000000001110011111100000000000000000000000000000000000000000000011111100000000000000000000000000
0000000000001111001111110000000000000000000000000000000000000000001111111100000000000000000000000000
0000000000001111000111111100000000000000000000000000000000000000011111111100000000000000000000000000
0000000000001111000001111110000000000000000000000000000000000001111111111100000000000000000000000000
0000000000000111000000111111000000000000000000000000000000000111111110011100000000000000000000000000
0000000000000111000000001111110000000000000000000000000000001111111000011100000000000000000000000000
0000000000000111000000001111111000000000000000000000000000011111110000011100000000000000000000000000
0000000000000111000000000111111000000000000000000000000001111111000000011100000000000000000000000000
0000000000000111000000000001111110000000000000000000001111111110000000011100000000000000000000000000
0000000000000111000000000000111111000000000000000000011111111100000000011100000000000000000000000000
0000000000000111000000000000011111100000000000001111111111100000000000011100000000000000000000000000
0000000000000111000000000000001111111000000000011111111110000000000000011100000000000000000000000000
0000000000000111000000000000000111111000000001111111111000000000000000011100000000000000000000000000
0000000000000111000000000000000011111100000111111110000000000000000000011110000000000000000000000000
0000000000000111000000000000000000111111001111111000000000000000000000011110000000000000000000000000
0000000000000111000000000000000000111111111111100000000000000000000000011110000000000000000000000000
0000000000000111000000000000000000001111111110000000000000000000000000001110000000000000000000000000
0000000000000111000000000000000000000111111110000000000000000000000000001110000000000000000000000000
0000000000000111000000000000000000000011110000000000000000000000000000001110000000000000000000000000
0000000000000111000000000000000000000001110000000000000000000000000000001110000000000000000000000000
0000000000000111000000000000000000000001110000000000000000000000000000001110000000000000000000000000
0000000000000111000000000000000000000001110000000000000000000000000000001110000000000000000000000000
0000000000000111000000000000000000000001110000000000000000000000000000001110000000000000000000000000
0000000000000111000000000000000000000001110000000000000000000000000000001110000000000000000000000000
0000000000000111000000000000000000000001110000000000000000000000000000011110000000000000000000000000
0000000000000111000000000000000000000001110000000000000000000000000001111110000000000000000000000000
0000000000000111000000000000000000000001110000000000000000000000000111111100000000000000000000000000
0000000000000111000000000000000000000001110000000000000000000000011111111100000000000000000000000000
0000000000000111100000000000000000000001110000000000000000000011111111110000000000000000000000000000
0000000000000111100000000000000000000001110000000000000000001111111111000000000000000000000000000000
0000000000000111100000000000000000000001110000000000000000111111111100000000000000000000000000000000
0000000000000011100000000000000000000001110000000000000001111111000000000000000000000000000000000000
0000000000000011111000000000000000000001110000000000000011111110000000000000000000000000000000000000
0000000000000011111110000000000000000001110000000000000111111000000000000000000000000000000000000000
0000000000000011111111000000000000000001110000000000000111110000000000000000000000000000000000000000
0000000000000000111111110000000000000001110000000000011111000000000000000000000000000000000000000000
0000000000000000001111111100000000000001110000000000111111000000000000000000000000000000000000000000
0000000000000000000111111111100000000001110000000001111110000000000000000000000000000000000000000000
0000000000000000000001111111110000000001110000000111111100000000000000000000000000000000000000000000
0000000000000000000000011111111000000001110000001111110000000000000000000000000000000000000000000000
0000000000000000000000000011111100000001110000011111100000000000000000000000000000000000000000000000
0000000000000000000000000001111110000001110000111111000000000000000000000000000000000000000000000000
0000000000000000000000000000111111000001110011111110000000000000000000000000000000000000000000000000
0000000000000000000000000000001111100001110011111000000000000000000000000000000000000000000000000000
0000000000000000000000000000001111110001111111110000000000000000000000000000000000000000000000000000
0000000000000000000000000000000111111001111111100000000000000000000000000000000000000000000000000000
0000000000000000000000000000000011111111111111000000000000000000000000000000000000000000000000000000
0000000000000000000000000000000001111111111100000000000000000000000000000000000000000000000000000000
0000000000000000000000000000000000111111111100000000000000000000000000000000000000000000000000000000
0000000000000000000000000000000000001111111000000000000000000000000000000000000000000000000000000000
0000000000000000000000000000000000000111110000000000000000000000000000000000000000000000000000000000
0000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000
0000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000
0000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000
0000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000
0000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000
0000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000
0000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000
0000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000
0000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000
0000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000
0000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000
100
LAMPIRAN B2
Imej Binari Blok-L
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
0000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000
0000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000
0000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000
0000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000
0000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000
0000000000000000000000000000000000000011110000000000000000000000000000000000000000000000000000000000
0000000000000000000000000000000000001111111000000000000000000000000000000000000000000000000000000000
0000000000000000000000000000000001111111111000000000000000000000000000000000000000000000000000000000
0000000000000000000000000000000011111111111110000000000000000000000000000000000000000000000000000000
0000000000000000000000000000001111111110111111000000000000000000000000000000000000000000000000000000
0000000000000000000000000000011111110000011111100000000000000000000000000000000000000000000000000000
0000000000000000000000000001111111100000001111111000000000000000000000000000000000000000000000000000
0000000000000000000000000011111110000000000111111110000000000000000000000000000000000000000000000000
0000000000000000000000000111111100000000000001111111000000000000000000000000000000000000000000000000
0000000000000000000000001111110000000000000000011111110000000000000000000000000000000000000000000000
0000000000000000000000011111100000000000000000000111111110000000000000000000000000000000000000000000
0000000000000000000001111111000000000000000000000011111111000000000000000000000000000000000000000000
0000000000000000000011111110000000000000000000000000111111110000000000000000000000000000000000000000
0000000000000000000111111100000000000000000000000000001111110000000000000000000000000000000000000000
0000000000000000011111110000000000000000000000000000000111111100000000000000000000000000000000000000
0000000000000000111111100000000000000000000000000000000001111110000000000000000000000000000000000000
0000000001111111111111000000000000000000000000000000000000111111100000000000000000000000000000000000
0000000001111111111100000000000000000000000000000000000000001111110000000000000000000000000000000000
0000000001111111111000000000000000000000000000000000000000001111111100000000000000000000000000000000
0000000011111100000000000000000000000000000000000000000000000011111100000000000000000000000000000000
0000000011111110000000000000000000000000000000000000000000000000111111000000000000000000000000000000
0000000011111111000000000000000000000000000000000000000000000000011111100000000000000000000000000000
0000000001111111100000000000000000000000000000000000000000000000001111110000000000000000000000000000
0000000001111111100000000000000000000000000000000000000000000000000011111000000000000000000000000000
0000000011111111100000000000000000000000000000000000000000000000000011111100000000000000000000000000
0000000011111111100000000000000000000000000000000000000000000000000001111110000000000000000000000000
0000000011110111110000000000000000000000000000000000000000000000000000011111000000000000000000000000
0000000011100011111000000000000000000000000000000000000000000000000000011111100000000000000000000000
0000000011100001111000000000000000000000000000000000000000000000000000001111110000000000000000000000
0000000011100001111100000000000000000000000000000000000000000000000000000011110000000000000000000000
0000000011100000111100000000000000000000000000000000000000000000000000000011110000000000000000000000
0000000011100000011110000000000000000000000000000000000000000000000000000001111000000000000000000000
0000000011100000011110000000000000000000000000000000000000000000000000000001111100000000000000000000
0000000011100000011111000000000000000000000000000000000000000000000000000001111110000000000000000000
0000000011100000001111000000000000000000000000000000000000000000000000000000011111000000000000000000
0000000011100000001111100000000000000000000000000000000000000000000000000000001111100000000000000000
0000000011100000000111100000000000000000000000000000000000000000000000000000001111110000000000000000
0000000011100000000111110000000000000000000000000000000000000000000000000000000111111000000000000000
0000000011100000000011111000000000000000000000000000000000000000000000000000000011111000000000000000
0000000011100000000011111000000000000000000000011100000000000000000000000000000001111111000000000000
0000000011100000000001111100000000000000000001111110000000000000000000000000000000111111000000000000
0000000011100000000000111110000000000000000011111111100000000000000000000000000001111111000000000000
0000000011100000000000111110000000000000001111111111111000000000000000000000000011111111000000000000
0000000011100000000000011111000000000000011111111111111111000000000000000000000011111111000000000000
0000000011100000000000001111100000000001111111011111111111100000000000000000000011111111000000000000
0000000011100000000000001111110000000011111110011100011111110000000000000000000111111111000000000000
0000000011100000000000000111110000000111111100011100000111111110000000000000001111110111000000000000
0000000111100000000000000011111000011111110000011100000001111111000000000000011111100111000000000000
0000000111100000000000000001111101111111100000011100000000111111100000000000111111000111000000000000
0000000111100000000000000000111111111110000000011100000000001111110000000001111110000111000000000000
0000000111110000000000000000111111111000000000011100000000000111111000000011111000000111000000000000
0000000011110000000000000000011111110000000000011100000000000011111100000111111000000111000000000000
0000000011110000000000000000011111000000000000011100000000000001111110001111110000000111000000000000
0000000001110000000000000000011100000000000000011100000000000000111111111111000000000111100000000000
0000000001111000000000000000011100000000000000011100000000000000011111111110000000000111100000000000
0000000001111000000000000000011100000000000000011100000000000000001111111110000000000111100000000000
0000000000111100000000000000011100000000000000011100000000000000000111111000000000000011100000000000
0000000000111110000000000000011100000000000000011100000000000000000011100000000000000011100000000000
0000000000011111000000000000011100000000000000111100000000000000000011100000000000000011100000000000
0000000000011111000000000000011100000000000000111100000000000000000011100000000000000011100000000000
0000000000001111000000000000011100000000000000111100000000000000000011100000000000000011100000000000
0000000000000111100000000000011100000000000000111000000000000000000011100000000000000011100000000000
0000000000000111110000000000011100000000000000111000000000000000000011100000000000000011100000000000
0000000000000011110000000000011100000000000000111000000000000000000011100000000000000011100000000000
0000000000000011110000000000011100000000000000111000000000000000000011100000000000000011100000000000
0000000000000001111000000000011100000000000000111000000000000000000011100000000000000011100000000000
0000000000000001111100000000011100000000000000111000000000000000000011100000000000000011100000000000
0000000000000001111100000000011100000000000000111000000000000000000011100000000000000011110000000000
0000000000000000111110000000011100000000000000111000000000000000000011100000000000000111110000000000
0000000000000000011110000000011100000000000000111000000000000000000011100000000000001111110000000000
0000000000000000011111000000011100000000000001111110000000000000000011100000000000001111100000000000
0000000000000000001111000000011100000000000111111110000000000000000011100000000000011111000000000000
0000000000000000000111100000011100000000001111111111000000000000000011100000000000111110000000000000
0000000000000000000111110000011100000001111111111111110000000000000011100000000001111100000000000000
0000000000000000000011111000011100000111111111000111111000000000000011100000000011111100000000000000
0000000000000000000011111000011100001111111100000111111100000000000011100000000011111000000000000000
0000000000000000000001111100011100011111110000000001111110000000000011100000000111110000000000000000
0000000000000000000000111110011100111111000000000000111111000000000011100000001111100000000000000000
0000000000000000000000011111011101111110000000000000011111100000000011100000011111100000000000000000
0000000000000000000000011111111111111100000000000000001111111000000011100000111111000000000000000000
0000000000000000000000001111111111111000000000000000000111111100000011100001111110000000000000000000
0000000000000000000000000111111111110000000000000000000011111110000011100001111100000000000000000000
0000000000000000000000000011111111100000000000000000000000111111000011100011111000000000000000000000
0000000000000000000000000001111111000000000000000000000000011111110011100111110000000000000000000000
0000000000000000000000000000011110000000000000000000000000000111110011101111110000000000000000000000
0000000000000000000000000000000000000000000000000000000000000011111111111111100000000000000000000000
0000000000000000000000000000000000000000000000000000000000000001111111111111000000000000000000000000
0000000000000000000000000000000000000000000000000000000000000000111111111110000000000000000000000000
0000000000000000000000000000000000000000000000000000000000000000011111111100000000000000000000000000
0000000000000000000000000000000000000000000000000000000000000000001111111000000000000000000000000000
0000000000000000000000000000000000000000000000000000000000000000000011110000000000000000000000000000
0000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000
0000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000
0000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000
0000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000
101
LAMPIRAN B3
Imej Binari Tangga
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
01234567890123456789012345678901234567890123456789
00000000000000000000000000000000000000000000000000
00000000000000000000000001100000000000000000000000
00000000000000000000000011011000000000000000000000
00000000000000000000000110001110000000000000000000
00000000000000000000001100000011100000000000000000
00000000000000000000011000000000110000000000000000
00000000000000000000010000000000001100000000000000
00000000000000000000111000000000000111100000000000
00000000000000000000110100000000000000110000000000
00000000000000000000100011000000000000011100000000
00000000000000000000100001110000000000111100000000
00000000000000000000100000011100000001100100000000
00000000000000000000100000000111000011000100000000
00000000000000000000100000000001101100000100000000
00000000000000000000100000000000111000000100000000
00000000000000000111111000000000010000000100000000
00000000000000011100000111000000110000000100000000
00000000000001110000000001111000100000000100000000
00000000000001011000000000001110100000000100000000
00000000000001001110000000000011100000000100000000
00000000000001000011000000000001100000000100000000
00000000000001000001110000000000100000000100000000
00000000000001000000011100000011100000000100000000
00000000000001000000000110001110000000000100000000
00000000000001000000000011111000000000000100000000
00000000000001000000000010000000000000000100000000
00000000000111000000000010000000000000000100000000
00000111111000100000000010000000000000000100000000
00001100000000011000000010000000000000000100000000
00001011000000001110000010000000000000000100000000
00001001110000000011100010000000000000000100000000
00001000011000000000111010000000000000001100000000
00001000001110000000001110000000000000011100000000
00001000000011100000000110000000000000001100000000
00001000000000111000111100000000000000110000000000
00001100000000001111100000000000000011100000000000
00000110000000000100000000000000000110000000000000
00000011000000000100000000000000111100000000000000
00000000110000000100000000000111100000000000000000
00000000010000000100000000111100000000000000000000
00000000001000000100000011100000000000000000000000
00000000001100000100000110000000000000000000000000
00000000000110000100011100000000000000000000000000
00000000000011100100110000000000000000000000000000
00000000000000111111100000000000000000000000000000
00000000000000001111000000000000000000000000000000
00000000000000000000000000000000000000000000000000
00000000000000000000000000000000000000000000000000
00000000000000000000000000000000000000000000000000
00000000000000000000000000000000000000000000000000
LAMPIRAN C
C1
Imej Binari Kiub 1 Selepas Proses Penipisan
C2
Imej Binari Blok-L Selepas Proses Penipisan
C3
Imej Binari Tangga Selepas Proses Penipisan
102
01234567890123456789012345678901234567890123456789
LAMPIRAN C1
Imej Binari Kiub 1 Selepas Proses Penipisan
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
0123456789012345678901234567890123456789012345678901234567890123456789012345678901234567890123456789
0000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000
0000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000
0000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000
0000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000
0000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000
0000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000
0000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000
0000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000
0000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000
0000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000
0000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000
0000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000
0000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000
0000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000
0000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000
0000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000
0000000000000000000000000000000000000000000001110000000000000000000000000000000000000000000000000000
0000000000000000000000000000000000000000000110001100000000000000000000000000000000000000000000000000
0000000000000000000000000000000000000000001000000010000000000000000000000000000000000000000000000000
0000000000000000000000000000000000000000010000000001100000000000000000000000000000000000000000000000
0000000000000000000000000000000000000001100000000000010000000000000000000000000000000000000000000000
0000000000000000000000000000000000000010000000000000010000000000000000000000000000000000000000000000
0000000000000000000000000000000000001100000000000000001000000000000000000000000000000000000000000000
0000000000000000000000000000000000010000000000000000000100000000000000000000000000000000000000000000
0000000000000000000000000000000001100000000000000000000010000000000000000000000000000000000000000000
0000000000000000000000000000000010000000000000000000000001000000000000000000000000000000000000000000
0000000000000000000000000000000100000000000000000000000000100000000000000000000000000000000000000000
0000000000000000000000000001111000000000000000000000000000010000000000000000000000000000000000000000
0000000000000000000000000010000000000000000000000000000000001100000000000000000000000000000000000000
0000000000000000000000011100000000000000000000000000000000000011000000000000000000000000000000000000
0000000000000000000011100000000000000000000000000000000000000000100000000000000000000000000000000000
0000000000000000001100000000000000000000000000000000000000000000010000000000000000000000000000000000
0000000000000000010000000000000000000000000000000000000000000000001000000000000000000000000000000000
0000000000000000100000000000000000000000000000000000000000000000000100000000000000000000000000000000
0000000000000001000000000000000000000000000000000000000000000000000010000000000000000000000000000000
0000000000000010110000000000000000000000000000000000000000000000000001000000000000000000000000000000
0000000000000100001000000000000000000000000000000000000000000000000000100000000000000000000000000000
0000000000000100000100000000000000000000000000000000000000000000000000100000000000000000000000000000
0000000000000100000100000000000000000000000000000000000000000000000000100000000000000000000000000000
0000000000000100000011000000000000000000000000000000000000000000000000110000000000000000000000000000
0000000000000010000000100000000000000000000000000000000000000000000011001000000000000000000000000000
0000000000000010000000011000000000000000000000000000000000000000001100001000000000000000000000000000
0000000000000010000000000100000000000000000000000000000000000000010000001000000000000000000000000000
0000000000000010000000000010000000000000000000000000000000000001100000001000000000000000000000000000
0000000000000010000000000001000000000000000000000000000000000010000000001000000000000000000000000000
0000000000000010000000000000100000000000000000000000000000000100000000001000000000000000000000000000
0000000000000010000000000000010000000000000000000000000000111000000000001000000000000000000000000000
0000000000000010000000000000001000000000000000000000000011000000000000001000000000000000000000000000
0000000000000010000000000000000100000000000000000000001100000000000000001000000000000000000000000000
0000000000000010000000000000000010000000000000000011110000000000000000001000000000000000000000000000
0000000000000010000000000000000001100000000000001100000000000000000000001000000000000000000000000000
0000000000000010000000000000000000010000000000110000000000000000000000001000000000000000000000000000
0000000000000010000000000000000000001000000001000000000000000000000000000100000000000000000000000000
0000000000000010000000000000000000000100000010000000000000000000000000000100000000000000000000000000
0000000000000010000000000000000000000011011100000000000000000000000000000100000000000000000000000000
0000000000000010000000000000000000000000100000000000000000000000000000000100000000000000000000000000
0000000000000010000000000000000000000000100000000000000000000000000000000100000000000000000000000000
0000000000000010000000000000000000000000100000000000000000000000000000000100000000000000000000000000
0000000000000010000000000000000000000000100000000000000000000000000000000100000000000000000000000000
0000000000000010000000000000000000000000100000000000000000000000000000000100000000000000000000000000
0000000000000010000000000000000000000000100000000000000000000000000000000100000000000000000000000000
0000000000000010000000000000000000000000100000000000000000000000000000000100000000000000000000000000
0000000000000010000000000000000000000000100000000000000000000000000000000100000000000000000000000000
0000000000000010000000000000000000000000100000000000000000000000000000001000000000000000000000000000
0000000000000010000000000000000000000000100000000000000000000000000000010000000000000000000000000000
0000000000000010000000000000000000000000100000000000000000000000000001100000000000000000000000000000
0000000000000010000000000000000000000000100000000000000000000000000110000000000000000000000000000000
0000000000000001000000000000000000000000100000000000000000000001111000000000000000000000000000000000
0000000000000001000000000000000000000000100000000000000000000010000000000000000000000000000000000000
0000000000000001000000000000000000000000100000000000000000001100000000000000000000000000000000000000
0000000000000001000000000000000000000000100000000000000000010000000000000000000000000000000000000000
0000000000000000100000000000000000000000100000000000000000100000000000000000000000000000000000000000
0000000000000000011000000000000000000000100000000000000001000000000000000000000000000000000000000000
0000000000000000000100000000000000000000100000000000000010000000000000000000000000000000000000000000
0000000000000000000011000000000000000000100000000000000100000000000000000000000000000000000000000000
0000000000000000000000110000000000000000100000000000011000000000000000000000000000000000000000000000
0000000000000000000000001110000000000000100000000000100000000000000000000000000000000000000000000000
0000000000000000000000000001000000000000100000000001000000000000000000000000000000000000000000000000
0000000000000000000000000000100000000000100000000010000000000000000000000000000000000000000000000000
0000000000000000000000000000011000000000100000001100000000000000000000000000000000000000000000000000
0000000000000000000000000000000100000000100000010000000000000000000000000000000000000000000000000000
0000000000000000000000000000000010000000100000100000000000000000000000000000000000000000000000000000
0000000000000000000000000000000001000000100001000000000000000000000000000000000000000000000000000000
0000000000000000000000000000000000100000100110000000000000000000000000000000000000000000000000000000
0000000000000000000000000000000000010000011000000000000000000000000000000000000000000000000000000000
0000000000000000000000000000000000001100100000000000000000000000000000000000000000000000000000000000
0000000000000000000000000000000000000011000000000000000000000000000000000000000000000000000000000000
0000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000
0000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000
0000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000
0000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000
0000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000
0000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000
0000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000
0000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000
0000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000
0000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000
0000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000
0000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000
0000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000
111111111122222222223333333333444444444455555555556666666666777777777788888888889999999999
103
LAMPIRAN C2
Imej Binari Blok-L Selepas Proses Penipisan
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
0123456789012345678901234567890123456789012345678901234567890123456789012345678901234567890123456789
0000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000
0000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000
0000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000
0000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000
0000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000
0000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000
0000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000
0000000000000000000000000000000000000011100000000000000000000000000000000000000000000000000000000000
0000000000000000000000000000000000011100010000000000000000000000000000000000000000000000000000000000
0000000000000000000000000000000000100000001000000000000000000000000000000000000000000000000000000000
0000000000000000000000000000000011000000000100000000000000000000000000000000000000000000000000000000
0000000000000000000000000000000100000000000011000000000000000000000000000000000000000000000000000000
0000000000000000000000000000011000000000000000110000000000000000000000000000000000000000000000000000
0000000000000000000000000000100000000000000000001100000000000000000000000000000000000000000000000000
0000000000000000000000000001000000000000000000000010000000000000000000000000000000000000000000000000
0000000000000000000000000010000000000000000000000001100000000000000000000000000000000000000000000000
0000000000000000000000000100000000000000000000000000011000000000000000000000000000000000000000000000
0000000000000000000000011000000000000000000000000000000100000000000000000000000000000000000000000000
0000000000000000000000100000000000000000000000000000000011000000000000000000000000000000000000000000
0000000000000000000001000000000000000000000000000000000000100000000000000000000000000000000000000000
0000000000000000000110000000000000000000000000000000000000011000000000000000000000000000000000000000
0000000000000000001000000000000000000000000000000000000000000100000000000000000000000000000000000000
0000000000000111110000000000000000000000000000000000000000000010000000000000000000000000000000000000
0000000000001000000000000000000000000000000000000000000000000001100000000000000000000000000000000000
0000000000010000000000000000000000000000000000000000000000000000010000000000000000000000000000000000
0000000000010000000000000000000000000000000000000000000000000000001000000000000000000000000000000000
0000000000010000000000000000000000000000000000000000000000000000000110000000000000000000000000000000
0000000000010000000000000000000000000000000000000000000000000000000001000000000000000000000000000000
0000000000001100000000000000000000000000000000000000000000000000000000100000000000000000000000000000
0000000000010010000000000000000000000000000000000000000000000000000000010000000000000000000000000000
0000000000100001000000000000000000000000000000000000000000000000000000001000000000000000000000000000
0000000001000001000000000000000000000000000000000000000000000000000000000100000000000000000000000000
0000000001000000100000000000000000000000000000000000000000000000000000000010000000000000000000000000
0000000001000000010000000000000000000000000000000000000000000000000000000001000000000000000000000000
0000000001000000010000000000000000000000000000000000000000000000000000000000100000000000000000000000
0000000001000000001000000000000000000000000000000000000000000000000000000000100000000000000000000000
0000000001000000001000000000000000000000000000000000000000000000000000000000100000000000000000000000
0000000001000000000100000000000000000000000000000000000000000000000000000000010000000000000000000000
0000000001000000000100000000000000000000000000000000000000000000000000000000001000000000000000000000
0000000001000000000010000000000000000000000000000000000000000000000000000000000100000000000000000000
0000000001000000000010000000000000000000000000000000000000000000000000000000000010000000000000000000
0000000001000000000001000000000000000000000000000000000000000000000000000000000001000000000000000000
0000000001000000000001000000000000000000000000000000000000000000000000000000000000100000000000000000
0000000001000000000000100000000000000000000000000000000000000000000000000000000000100000000000000000
0000000001000000000000010000000000000000000000000000000000000000000000000000000000010000000000000000
0000000001000000000000010000000000000000000000000000000000000000000000000000000000010000000000000000
0000000001000000000000001000000000000000000000000000000000000000000000000000000000010000000000000000
0000000001000000000000000100000000000000000001111000000000000000000000000000000000001000000000000000
0000000001000000000000000100000000000000000010000111110000000000000000000000000000010100000000000000
0000000001000000000000000010000000000000000100001000001100000000000000000000000000100010000000000000
0000000001000000000000000001000000000000011000001000000011000000000000000000000001000010000000000000
0000000001000000000000000000100000000000100000001000000000100000000000000000000010000010000000000000
0000000001000000000000000000100000000011000000001000000000011000000000000000000100000010000000000000
0000000001000000000000000000010000001100000000001000000000000100000000000000001000000010000000000000
0000000001000000000000000000001000110000000000001000000000000010000000000000010000000010000000000000
0000000001000000000000000000000111000000000000001000000000000001000000000000100000000010000000000000
0000000000100000000000000000000100000000000000001000000000000000100000000001000000000010000000000000
0000000000100000000000000000001000000000000000001000000000000000010000000010000000000010000000000000
0000000000100000000000000000001000000000000000001000000000000000001000000100000000000010000000000000
0000000000100000000000000000001000000000000000001000000000000000000110011000000000000001000000000000
0000000000010000000000000000001000000000000000001000000000000000000001100000000000000001000000000000
0000000000010000000000000000001000000000000000001000000000000000000001000000000000000001000000000000
0000000000001000000000000000001000000000000000001000000000000000000001000000000000000001000000000000
0000000000000100000000000000001000000000000000001000000000000000000001000000000000000001000000000000
0000000000000010000000000000001000000000000000001000000000000000000001000000000000000001000000000000
0000000000000010000000000000001000000000000000010000000000000000000001000000000000000001000000000000
0000000000000010000000000000001000000000000000010000000000000000000001000000000000000001000000000000
0000000000000001000000000000001000000000000000010000000000000000000001000000000000000001000000000000
0000000000000000100000000000001000000000000000010000000000000000000001000000000000000001000000000000
0000000000000000100000000000001000000000000000010000000000000000000001000000000000000001000000000000
0000000000000000100000000000001000000000000000010000000000000000000001000000000000000001000000000000
0000000000000000010000000000001000000000000000010000000000000000000001000000000000000001000000000000
0000000000000000001000000000001000000000000000010000000000000000000001000000000000000001000000000000
0000000000000000001000000000001000000000000000010000000000000000000001000000000000000001000000000000
0000000000000000000100000000001000000000000000010000000000000000000001000000000000000010000000000000
0000000000000000000100000000001000000000000000010000000000000000000001000000000000000010000000000000
0000000000000000000010000000001000000000000000010000000000000000000001000000000000000100000000000000
0000000000000000000010000000001000000000000001101100000000000000000001000000000000001000000000000000
0000000000000000000001000000001000000000000110000010000000000000000001000000000000010000000000000000
0000000000000000000000100000001000000000011000000001000000000000000001000000000000100000000000000000
0000000000000000000000010000001000000001100000000000100000000000000001000000000000100000000000000000
0000000000000000000000010000001000000010000000000000010000000000000001000000000001000000000000000000
0000000000000000000000001000001000000100000000000000001000000000000001000000000010000000000000000000
0000000000000000000000000100001000001000000000000000000100000000000001000000000100000000000000000000
0000000000000000000000000010001000110000000000000000000010000000000001000000001000000000000000000000
0000000000000000000000000001110111000000000000000000000001100000000001000000010000000000000000000000
0000000000000000000000000000000000000000000000000000000000010000000001000000010000000000000000000000
0000000000000000000000000000000000000000000000000000000000001100000001000000100000000000000000000000
0000000000000000000000000000000000000000000000000000000000000010000001000001000000000000000000000000
0000000000000000000000000000000000000000000000000000000000000001000001000010000000000000000000000000
0000000000000000000000000000000000000000000000000000000000000000100001000100000000000000000000000000
0000000000000000000000000000000000000000000000000000000000000000011001111000000000000000000000000000
0000000000000000000000000000000000000000000000000000000000000000000110000000000000000000000000000000
0000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000
0000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000
0000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000
0000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000
0000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000
0000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000
0000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000
104
LAMPIRAN C3
Imej Binari Tangga Selepas Proses Penipisan
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
01234567890123456789012345678901234567890123456789
00000000000000000000000000000000000000000000000000
00000000000000000000000000100000000000000000000000
00000000000000000000000001010000000000000000000000
00000000000000000000000010001100000000000000000000
00000000000000000000000100000011000000000000000000
00000000000000000000001000000000110000000000000000
00000000000000000000010000000000001000000000000000
00000000000000000000011000000000000111000000000000
00000000000000000000100100000000000000100000000000
00000000000000000000100010000000000000010000000000
00000000000000000000100001100000000000101000000000
00000000000000000000100000011000000001000100000000
00000000000000000000100000000110000010000100000000
00000000000000000000100000000001000100000100000000
00000000000000000000100000000000101000000100000000
00000000000000000011011000000000010000000100000000
00000000000000001100000110000000010000000100000000
00000000000000110000000001110000100000000100000000
00000000000001001000000000001100100000000100000000
00000000000001000100000000000011000000000100000000
00000000000001000010000000000000100000000100000000
00000000000001000001100000000000100000000100000000
00000000000001000000011000000001000000000100000000
00000000000001000000000100000110000000000100000000
00000000000001000000000011111000000000000100000000
00000000000001000000000010000000000000000100000000
00000000000111000000000010000000000000000100000000
00000011111000100000000010000000000000000100000000
00000100000000010000000010000000000000000100000000
00001010000000001100000010000000000000000100000000
00001001100000000011000010000000000000000100000000
00001000010000000000110010000000000000000100000000
00001000001100000000001100000000000000000100000000
00001000000011000000000100000000000000001000000000
00001000000000110000011000000000000000010000000000
00000100000000001011100000000000000001100000000000
00000010000000000100000000000000000010000000000000
00000001000000000100000000000000011100000000000000
00000000100000000100000000000011100000000000000000
00000000010000000100000000011100000000000000000000
00000000001000000100000001100000000000000000000000
00000000000100000100000010000000000000000000000000
00000000000010000100001100000000000000000000000000
00000000000001000100010000000000000000000000000000
00000000000000111101100000000000000000000000000000
00000000000000000010000000000000000000000000000000
00000000000000000000000000000000000000000000000000
00000000000000000000000000000000000000000000000000
00000000000000000000000000000000000000000000000000
00000000000000000000000000000000000000000000000000
01234567890123456789012345678901234567890123456789
LAMPIRAN D
D1
Set Input Latihan FCC (Lakaran kiub 1)
D2
Set Input Validasi FCC (Lakaran Tangga)
D3
Set Input Latihan VCC (Lakaran Kiub 1)
D4
Set Input Pengujian VCC (Lakaran Blok-L
D5
Set Validasi VCC (Lakaran Tangga)
105
LAMPIRAN 1D
Set Input Latihan FCC (Lakaran kiub 1)
Columns 92 through 104
Columns 1 through 13
1
1
0
1
2
1
1
1
1
1
0
1
2
1
1
1
1
1
0
1
2
1
1
1
1
1
1
1
2
1
1
1
1
1
1
1
2
1
1
1
1
1
1
1
0
1
1
1
1
1
1
1
0
1
1
1
1
1
1
1
0
1
0
1
1
1
1
1
0
1
0
1
1
1
1
1
0
1
0
1
1
1
1
1
0
1
0
1
1
1
1
1
0
1
0
1
1
1
1
1
0
1
0
1
1
1
1
1
0
1
0
1
1
1
1
1
1
1
1
1
1
2
2
1
1
2
1
1
1
2
2
1
1
2
2
1
1
2
2
1
1
2
2
2
1
2
2
1
1
2
2
2
2
2
2
1
1
2
2
2
2
2
2
1
1
2
2
2
2
2
2
1
1
2
2
2
2
2
2
2
1
2
2
2
2
2
2
2
2
0
1
1
1
1
1
1
1
2
1
1
1
1
1
1
1
2
2
1
1
1
1
1
1
2
2
1
1
1
1
1
1
2
2
1
1
2
2
2
2
1
2
2
2
2
2
2
2
1
2
2
2
2
2
2
2
1
2
2
2
2
2
2
2
1
2
2
2
2
2
2
2
1
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
3
2
2
2
2
2
2
2
3
3
2
2
2
2
2
2
3
3
3
2
2
2
2
2
2
2
2
1
2
2
2
2
2
2
2
1
2
2
2
2
2
2
2
1
2
2
2
2
2
2
2
1
2
2
2
2
2
2
2
3
3
3
4
3
2
2
2
3
3
3
4
3
4
2
2
3
3
3
4
3
4
3
2
3
3
3
4
3
4
3
4
3
3
3
4
3
4
3
4
4
3
3
4
3
4
3
4
4
4
3
4
3
4
3
4
4
4
3
4
3
4
3
4
4
4
3
3
3
4
3
4
4
4
3
3
4
4
3
4
4
4
3
3
4
3
3
4
4
4
3
3
4
3
3
4
4
4
3
3
4
3
3
3
4
3
3
4
3
3
3
3
3
3
3
4
3
3
3
3
3
3
3
4
3
3
3
3
3
3
4
4
3
3
3
3
3
3
4
3
3
3
3
3
3
3
4
3
3
3
3
3
3
3
4
3
3
3
3
3
3
3
4
3
3
3
3
3
3
3
4
3
3
3
3
4
3
3
4
3
3
3
3
4
3
3
4
3
3
3
3
4
3
3
4
3
3
3
3
4
3
3
3
3
3
3
3
4
3
3
3
3
3
3
3
4
3
4
3
3
4
3
3
4
3
4
3
3
4
5
3
4
3
4
3
3
4
5
4
4
3
4
3
3
4
5
4
5
3
4
3
3
4
5
4
5
5
4
3
3
4
5
4
5
5
5
3
3
4
5
4
5
5
5
5
3
4
5
4
5
5
5
5
5
3
3
4
3
3
3
3
4
3
3
4
3
3
3
3
4
3
4
4
3
3
3
3
4
3
4
3
3
3
3
3
4
3
4
3
3
5
5
5
5
4
5
5
5
4
5
5
5
4
5
5
5
4
4
5
5
4
5
5
5
4
4
5
5
4
5
5
5
4
4
5
4
4
5
5
5
4
4
5
4
5
5
5
5
4
4
5
4
5
4
5
5
4
4
5
4
5
4
5
5
4
4
5
4
5
4
5
5
5
4
5
5
5
5
5
5
4
4
5
5
5
5
5
5
4
5
5
5
5
5
5
5
4
5
5
5
5
5
5
5
4
5
5
5
5
5
4
5
5
6
6
6
5
5
4
5
5
6
6
6
5
6
4
5
5
6
6
6
5
6
6
5
5
6
6
6
5
6
6
6
5
6
6
6
5
6
6
6
6
6
6
6
5
6
6
6
6
6
6
6
5
6
6
6
6
6
6
6
5
6
6
6
6
6
6
6
5
6
6
6
6
6
6
6
6
6
6
6
6
5
6
6
6
7
6
6
6
5
6
6
6
7
7
6
6
5
6
6
6
7
7
7
6
5
6
6
6
7
7
7
7
5
6
6
6
7
7
7
7
7
6
6
6
7
7
7
7
7
0
6
6
7
7
7
7
7
0
7
6
7
7
7
7
7
0
7
0
7
7
7
7
7
0
7
0
0
7
7
7
7
0
7
0
0
7
7
7
7
0
7
0
0
7
0
7
7
0
7
0
0
7
0
0
7
0
7
0
0
7
0
0
7
0
7
0
0
7
0
0
7
7
7
0
0
7
0
0
7
7
0
0
0
7
0
0
7
7
0
0
0
7
0
0
7
7
0
0
0
7
0
0
7
7
0
0
0
7
0
0
7
7
0
0
0
7
7
0
7
7
0
0
0
7
7
7
7
7
0
0
0
7
7
7
0
7
0
0
0
7
7
7
0
7
0
0
0
7
7
7
0
7
7
0
0
7
7
7
0
7
7
0
0
7
7
7
0
7
7
0
7
7
7
7
0
7
7
0
7
7
7
7
0
7
7
0
7
7
0
7
0
7
7
0
7
7
0
7
0
7
7
0
7
7
0
7
7
7
7
0
7
7
0
7
7
7
7
0
7
7
0
7
7
7
0
0
7
7
0
7
7
7
0
0
7
7
0
7
7
7
0
0
0
7
0
7
7
7
0
0
0
1
0
7
7
7
0
0
0
1
0
7
7
7
0
0
0
1
0
1
7
7
0
0
0
1
0
1
1
7
0
0
0
1
0
1
1
0
0
0
0
1
0
1
1
0
1
0
0
1
0
1
1
0
1
2
0
1
0
1
1
0
1
2
1
1
0
1
1
0
1
2
1
1
0
1
1
0
1
2
1
1
1
0
0
0
0
1
1
1
1
1
0
0
0
0
2
2
2
2
2
2
2
2
2
2
2
2
2
2
0
0
0
0
5
5
5
5
5
0
0
0
0
6
6
6
6
6
5
5
5
5
5
5
5
5
5
1
1
1
1
0
0
0
0
0
1
1
1
1
2
2
2
2
2
1
2
1
2
1
2
1
2
1
1
1
1
1
4
4
4
4
4
1
1
1
1
6
6
6
6
6
1
7
1
7
1
7
1
7
1
2
2
2
2
3
3
3
3
3
2
2
2
2
4
4
4
4
4
4
4
4
4
1
4
4
4
4
0
0
0
0
0
0
0
0
0
1
1
1
1
1
1
1
1
1
0
0
0
0
3
3
3
3
3
3
3
3
3
3
3
3
3
3
4
4
4
4
4
4
4
4
4
1
1
1
1
7
7
7
7
7
2
2
2
2
1
2
2
2
2
2
2
2
2
5
5
5
5
5
0
0
0
0
1
0
0
0
0
1
1
0
0
1
1
1
1
2
1
0
0
1
1
1
1
2
2
0
0
1
1
1
1
2
2
2
Columns 170 through 182
Columns 79 through 91
4
5
4
5
5
5
5
5
5
4
5
5
4
5
5
6
6
6
Columns 157 through 169
Columns 66 through 78
3
3
3
4
3
3
3
3
4
5
4
5
5
4
5
5
6
6
Columns 144 through 156
Columns 53 through 65
4
4
3
3
4
3
3
3
3
4
5
4
5
5
4
5
5
6
Columns 131 through 143
Columns 40 through 52
2
2
2
2
2
3
3
3
4
5
4
5
4
5
5
4
5
5
Columns 118 through 130
Columns 27 through 39
2
2
2
2
2
2
2
2
2
4
5
4
5
4
5
5
4
5
Columns 105 through 117
Columns 14 through 26
1
0
1
1
1
1
1
1
1
4
4
5
4
5
4
5
5
4
0
0
0
0
7
7
7
7
7
6
6
6
6
6
6
6
6
6
7
7
7
7
7
7
7
7
7
1
1
1
1
3
3
3
3
3
1
3
1
3
1
3
1
3
1
1
6
1
6
1
6
1
6
1
106
Columns 183 through 195
0
1
0
1
0
1
1
0
0
1
0
1
0
1
1
0
0
1
2
2
2
2
2
3
3
3
4
2
2
2
3
3
3
4
3
3
5
4
4
4
5
5
5
5
5
6
6
7
7
0
0
0
0
7
Columns 196 through 197
0
0
7
0
7
6
6
6
6
6
6
7
0
7
0
7
0
7
0
7
0
7
6
6
6
6
6
6
6
6
6
7
0
7
0
7
2
3
3
3
4
3
3
4
4
5
4
4
4
5
5
5
5
5
7
7
0
0
0
0
7
0
7
0
0
0
0
7
0
7
6
6
3
3
4
3
5
4
4
4
5
107
LAMPIRAN 2D
Set Input Validasi FCC (Lakaran Tangga)
Columns 78 through 88
Columns 1 through 11
1
1
0
1
0
1
0
1
1
1
0
1
0
1
0
1
1
0
0
1
0
1
0
1
1
0
0
1
0
1
0
1
1
0
0
1
0
1
0
1
1
0
0
1
1
1
0
1
1
0
0
1
1
1
0
1
1
0
0
1
1
1
1
1
1
0
0
1
1
1
1
2
1
0
0
1
1
1
1
2
2
0
0
1
1
1
1
2
2
2
0
1
1
1
1
2
2
2
2
1
1
1
2
2
2
2
2
2
1
1
2
2
2
2
2
2
2
1
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
3
2
2
2
2
2
2
2
3
3
2
2
2
2
2
2
3
3
3
2
2
2
2
2
3
3
3
4
2
2
2
2
3
3
3
4
3
2
2
2
3
3
3
4
3
3
4
3
3
4
4
3
4
4
3
3
3
4
4
3
4
4
3
4
3
4
4
3
4
4
3
4
4
4
4
3
4
4
3
4
4
3
4
3
4
4
3
4
4
3
4
3
4
4
3
4
4
3
4
3
3
4
3
3
4
3
3
4
3
4
3
3
4
3
3
4
3
5
3
3
4
3
3
4
3
5
4
3
4
3
3
4
3
5
4
4
4
3
3
4
3
5
4
4
4
3
3
4
3
5
4
4
4
5
4
4
5
5
5
5
5
5
5
4
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
6
5
5
5
5
5
5
5
6
6
5
5
5
5
5
5
6
6
6
6
6
6
6
6
7
7
0
0
6
6
6
6
7
7
0
0
0
6
6
6
7
7
0
0
0
0
6
6
7
7
0
0
0
0
7
6
7
7
0
0
0
0
7
0
7
7
0
0
0
0
7
0
7
Columns 34 through 44
2
2
3
3
3
4
3
3
4
2
3
3
3
4
3
3
4
4
3
3
3
4
3
3
4
4
3
3
3
4
3
3
4
4
3
4
3
4
3
3
4
4
3
4
4
Columns 45 through 55
4
4
3
4
4
3
4
3
3
4
3
4
4
3
4
3
3
4
3
4
4
3
4
3
3
4
3
4
4
3
4
3
3
4
3
3
4
3
4
3
3
4
3
3
4
Columns 56 through 66
3
4
3
5
4
4
4
5
5
4
3
5
4
4
4
5
5
5
3
5
4
4
4
5
5
5
5
5
4
4
4
5
5
5
5
5
4
4
4
5
5
5
5
5
5
Columns 67 through 77
5
5
5
5
5
6
6
6
6
5
5
5
5
6
6
6
6
6
5
5
5
6
6
6
6
6
7
5
5
6
6
6
6
6
7
7
5
6
6
6
6
6
7
7
0
0
0
0
7
0
7
6
6
6
0
0
7
0
7
6
6
6
6
0
7
0
7
6
6
6
6
6
7
0
7
6
6
6
6
6
6
0
7
6
6
6
6
6
6
6
7
6
6
6
6
6
6
6
7
6
6
6
6
6
6
6
7
0
6
6
6
6
6
6
7
0
7
6
6
6
6
6
7
0
7
0
6
6
6
6
7
0
7
0
7
6
6
6
7
0
7
0
7
0
6
6
7
0
7
0
7
0
7
6
7
0
7
0
7
0
7
6
7
0
7
0
7
0
7
6
6
0
7
0
7
0
7
6
6
6
7
0
7
0
7
6
6
6
6
0
7
0
7
6
6
6
6
6
7
0
7
6
6
6
6
6
6
0
7
6
6
6
6
6
6
7
7
6
6
6
6
6
6
7
6
Columns 100 through 103
Columns 23 through 33
2
2
2
2
2
2
2
2
2
0
0
0
0
7
0
7
6
6
Columns 89 through 99
Columns 12 through 22
1
1
1
1
2
2
2
2
2
7
0
0
0
0
7
0
7
6
6
6
6
6
6
6
7
6
7
6
6
6
6
6
7
6
7
7
6
6
6
6
7
6
7
7
7
6
6
6
7
6
7
7
7
7
108
LAMPIRAN 3D
Set Input Latihan VCC (Lakaran Kiub 1)
Columns 1 through 12
2 3 1 3 1
2 1 3 1 3
3 3 1 3 1
1 1 3 1 3
1 3 1 3 1
3 1 3 1 2
1 3 1 2 2
2 1 2 2 3
3 2 2 3 1
3
1
3
1
2
2
3
1
3
1
3
1
2
2
3
1
3
1
3
1
2
2
3
1
3
1
3
1
2
2
3
1
3
1
3
1
2
2
3
1
3
1
3
1
3
2
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
Columns 13 through 24
1 1 3 3 1 3
3 2 2 1 3 1
1 3 1 3 1 3
3 1 3 1 3 1
1 2 3 3 1 3
3 1 1 1 3 1
1 3 2 3 1 2
3 1 3 1 2 3
1 2 1 2 3 1
1
3
1
3
1
2
3
1
2
3
1
3
1
2
3
1
2
2
1
3
1
2
3
1
2
2
3
3
1
2
3
1
2
2
3
1
1
2
3
1
2
2
3
1
3
Columns 25 through 36
3 1 2 2 3 1
1 2 2 3 1 3
2 2 3 1 3 1
2 3 1 3 1 3
3 1 3 1 3 1
1 3 1 3 1 2
3 1 3 1 2 2
1 3 1 2 2 2
3 1 2 2 2 2
3
1
3
1
2
2
2
2
2
1
3
1
2
2
2
2
2
2
3
1
2
2
2
2
2
2
2
1
2
2
2
2
2
2
2
2
Columns 37 through 48
2 2 2 2 2 2
2 2 2 2 2 2
2 2 2 2 2 3
2 2 2 2 3 1
2 2 2 3 1 2
2 2 3 1 2 2
2 3 1 2 2 2
3 1 2 2 2 2
1 2 2 2 2 2
2
3
1
2
2
2
2
2
2
3
1
3
2
1
2
2
2
2
1
3
1
2
3
2
2
2
2
Columns 49 through 60
2 2 2 2 2 2
2 2 2 2 2 1
2 2 2 2 1 3
2 2 2 1 3 2
2 2 1 3 2 1
2 1 3 2 1 3
1 3 2 1 3 1
3 2 1 3 1 3
2 1 3 1 3 1
1
3
2
1
3
1
3
1
3
3
2
1
3
1
3
1
3
1
3
2
1
3
1
3
1
3
1
2
2
2
2
1
2
2
2
2
Columns 61 through 72
1 3 1 2 3
3 1 3 2 1
1 3 1 2 3
3 1 3 2 2
1 3 2 3 1
3 2 1 2 3
2 1 3 2 1
1 3 1 2 3
3 1 3 2 1
1
3
2
1
3
1
3
1
3
Columns 73 through 84
3 1 3 1 3
2 3 1 3 1
1 1 3 1 3
3 3 1 3 1
1 1 3 1 2
2 3 1 2 2
2 1 2 2 2
2 2 2 2 1
2 2 2 1 3
1
3
1
2
2
2
1
3
2
3
1
2
2
2
1
3
2
1
1
2
3
1
2
2
2
1
3
1
2
2
2
1
3
1
3
1
2
3
1
2
2
2
1
3
1
1
2
2
2
1
3
2
1
3
2
2
2
1
3
2
1
3
1
2
3
1
2
2
3
1
3
1
Columns 85 through 96
2 2 1 3 1 3
2 1 3 1 3 1
1 3 1 3 1 2
3 2 3 1 2 3
2 1 1 2 3 1
1 3 2 3 1 3
3 1 3 1 3 1
1 3 1 3 1 2
3 1 3 1 2 3
1
2
3
1
3
1
2
3
1
3
2
1
3
2
3
1
2
3
3
1
3
2
1
3
2
3
1
1
3
2
1
3
2
3
1
2
3
2
1
3
2
3
1
2
3
2
1
3
2
3
1
2
3
1
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
3
Columns 97 through 108
1 3 2 3 1 1
3 2 3 1 3 2
2 3 1 2 2 3
3 1 2 3 3 1
1 2 3 1 1 3
2 3 1 3 3 1
3 1 3 1 2 2
1 3 1 2 2 3
3 1 2 3 2 1
2
3
1
3
1
2
3
1
2
3
1
3
1
2
3
1
2
3
1
3
1
2
3
1
2
3
1
3
1
2
1
3
1
2
2
2
1
2
1
3
1
2
2
2
2
2
2
2
3
1
3
2
3
1
3
1
2
3
1
3
2
2
2
2
2
2
2
2
2
2
2
1
2
2
2
2
2
2
2
1
3
Columns 109 through 120
2 2 2 2 2 2
2 2 2 2 2 3
1 2 2 2 2 1
3 1 1 2 2 3
1 3 3 1 3 1
2 1 1 3 1 2
1 2 2 1 3 2
3 1 1 2 2 3
1 3 3 1 3 1
2
1
3
1
3
2
2
1
3
1
2
2
1
2
3
1
3
1
1
2
3
1
3
1
3
1
2
2
3
1
3
1
3
1
2
3
3
1
3
1
3
1
2
3
1
1
3
1
3
1
2
3
1
2
2
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
2
1
2
3
1
2
1
3
1
2
3
1
3
1
3
1
3
2
1
Columns 121 through 132
3 1 3 1 2 3
1 3 1 2 3 1
3 1 2 3 1 2
1 2 3 1 2 3
2 3 1 2 3 1
3 1 2 3 1 2
1 2 3 1 2 3
2 3 1 2 3 1
3 1 2 3 1 3
1
2
3
1
2
3
1
3
1
2
3
1
2
3
1
3
1
2
3
1
2
3
1
3
1
2
2
1
2
3
1
3
1
2
2
3
2
3
1
3
1
2
2
3
1
3
1
3
1
2
2
3
1
3
2
1
3
1
3
1
3
1
3
2
2
2
3
1
3
2
1
3
3
1
3
1
3
1
3
1
2
1
3
2
1
3
1
2
2
2
Columns 133 through 144
3 1 3 3 1 2
1 3 1 1 2 3
2 1 2 3 3 1
3 2 3 2 1 2
1 3 1 1 2 2
3 1 2 3 2 2
2 2 2 2 2 3
2 2 2 2 3 1
2 2 3 2 1 2
3
1
2
2
2
3
1
2
2
1
2
2
2
3
1
2
2
2
2
2
2
3
1
2
2
2
2
2
2
3
1
2
2
2
2
2
2
3
1
2
2
2
2
2
2
3
1
2
2
2
2
2
2
2
109
Columns 145 through 156
2 1 2 2 2 2
2 3 2 2 2 2
2 1 2 2 2 2
3 3 2 2 2 2
3 1 2 2 2 1
1 2 2 2 1 3
2 1 2 1 3 1
2 3 1 3 1 3
2 1 3 1 3 1
2
2
2
1
3
1
3
1
3
2
2
1
3
1
3
1
3
2
2
1
3
1
3
1
3
2
3
1
3
1
3
1
3
2
3
1
3
1
3
1
3
2
3
1
2
1
3
1
3
2
3
1
2
2
Columns 157 through 168
3 1 3 2 3 1
1 3 2 3 1 2
3 2 3 1 2 2
2 3 1 2 2 2
3 1 2 2 2 1
1 2 2 2 1 3
2 2 2 1 3 1
2 2 1 3 1 2
2 1 3 1 2 2
2
2
2
1
3
1
2
2
2
2
2
2
3
1
3
2
2
2
2
2
1
3
1
2
2
2
2
2
1
3
2
2
2
2
2
3
1
3
2
2
2
2
2
3
1
3
2
2
2
2
2
3
1
3
Columns 169 through 180
2 2 2 2 2 3
2 2 2 2 3 1
2 2 2 3 1 3
2 2 3 1 3 1
2 3 1 3 1 2
3 1 3 1 2 3
1 3 1 2 3 1
3 1 2 3 1 3
1 2 3 1 3 1
1
3
1
2
3
1
3
1
3
3
1
2
3
1
3
1
3
1
1
2
3
1
3
1
3
1
2
2
3
1
3
1
3
1
2
3
3
1
3
1
3
1
2
3
1
Columns 181 through 192
3 1 3 1 2 3
1 3 1 2 3 1
3 1 2 3 1 3
1 2 3 1 3 1
2 3 1 3 1 3
3 1 3 1 3 1
1 3 1 3 1 3
3 1 3 1 3 1
1 3 1 3 1 3
3
1
3
1
3
2
3
1
3
3
1
3
1
3
1
3
1
2
1
3
1
3
1
3
1
2
3
3
1
3
1
3
1
2
3
1
Columns 193 through 204
1 3 1 2 3 1
3 1 2 3 1 3
1 2 3 1 3 1
2 3 1 3 1 2
3 1 3 1 2 3
1 3 1 2 3 1
3 1 2 3 1 3
1 2 3 1 3 1
2 3 1 3 1 2
3
1
2
3
1
3
1
2
2
1
2
3
1
3
1
2
2
3
2
3
1
3
1
2
2
3
1
Columns 205 through 216
1 2 2 3 1 2
2 2 3 1 2 2
2 3 1 2 2 1
3 1 2 2 1 2
1 2 2 1 2 3
2 2 1 2 3 1
2 1 2 3 1 3
1 2 3 1 3 1
2 3 1 3 1 3
2
1
2
3
1
3
1
3
1
1
2
3
1
3
1
3
1
3
2
3
1
3
1
3
1
3
2
Columns 217 through 228
2 3 1 3 2 1
3 1 3 2 1 3
1 3 2 1 3 2
3 2 1 3 2 1
2 1 3 2 1 3
1 3 2 1 3 2
3 2 1 3 2 1
2 1 3 2 1 3
1 3 2 1 3 1
3
2
1
3
2
1
3
1
3
2
1
3
2
1
3
1
3
2
1
3
2
1
3
1
3
2
1
3
2
1
3
1
3
2
1
3
2
1
3
1
3
2
1
3
2
1
3
1
3
2
1
3
2
1
Columns 229 through 240
3 1 3 2 1 3
1 3 2 1 3 2
3 2 1 3 2 1
2 1 3 2 1 3
1 3 2 1 3 1
3 2 1 3 1 3
2 1 3 1 3 2
1 3 1 3 2 1
3 1 3 2 1 3
2
1
3
1
3
2
1
3
1
1
3
1
3
2
1
3
1
3
3
1
3
2
1
3
1
3
2
1
3
2
1
3
1
3
2
1
3
2
1
3
1
3
2
1
3
2
1
3
1
3
2
1
3
1
1
3
1
3
1
2
3
1
3
Columns 241 through 252
1 3 1 3 2 1
3 1 3 2 1 3
1 3 2 1 3 1
3 2 1 3 1 3
2 1 3 1 3 1
1 3 1 3 1 3
3 1 3 1 3 2
1 3 1 3 2 1
3 1 3 2 1 3
3
1
3
1
3
2
1
3
1
1
3
1
3
2
1
3
1
3
3
1
3
2
1
3
1
3
1
1
3
2
1
3
1
3
1
3
3
2
1
3
1
3
1
3
2
2
1
3
1
3
1
3
2
1
1
3
1
3
1
2
3
1
3
3
1
3
1
2
3
1
3
1
Columns 253 through 264
1 3 1 2 1 3
3 1 3 2 3 1
1 3 1 2 1 3
3 1 3 1 3 1
1 3 2 3 2 2
3 2 1 1 3 1
2 1 3 2 1 3
1 3 1 3 2 2
3 1 3 1 3 1
1
3
1
3
2
3
1
2
3
3
1
3
1
2
1
3
2
1
1
3
2
1
3
1
2
2
2
3
1
2
3
1
3
2
2
2
2
2
2
1
3
1
2
1
3
2
2
2
3
1
3
2
3
1
3
1
3
1
2
2
3
1
2
1
3
1
2
2
3
1
2
2
3
1
2
2
3
1
2
2
1
Columns 265 through 266
3 1
1 3
3 1
1 3
2 2
1 3
3 1
2 2
2 2
3
1
3
1
3
1
3
2
1
1
3
1
3
1
3
2
1
3
3
1
3
1
3
2
1
3
2
110
LAMPIRAN 4D
Set Input Pengujian VCC (Lakaran Blok-L)
Columns 92 through 104
Columns 1 through 13
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
2
3
1
3
1
3
1
3
2
1
1
3
1
3
1
3
2
1
3
3
1
3
1
3
2
1
3
2
1
3
1
3
2
1
3
2
1
3
1
3
2
1
3
2
1
3
1
3
2
1
3
2
1
3
1
3
2
1
3
2
1
3
1
3
2
1
3
2
1
3
1
3
1
1
3
2
1
3
1
3
1
3
3
2
1
3
1
3
1
3
1
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
2
1
3
1
3
1
3
1
2
2
3
1
3
1
3
1
2
2
2
1
3
1
3
1
2
2
2
3
3
1
3
1
2
2
2
3
2
1
3
1
2
2
2
3
2
1
3
1
2
2
2
3
2
1
2
2
1
2
2
2
2
2
2
2
1
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
3
2
2
2
2
2
2
2
3
1
2
2
2
2
2
2
3
1
2
2
2
2
3
2
1
2
2
2
2
2
3
2
1
2
2
2
2
2
3
2
1
2
2
2
2
2
3
2
1
2
2
2
2
2
2
3
1
2
2
2
2
2
2
2
1
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
1
2
2
2
2
2
2
2
1
3
2
2
2
2
2
2
1
3
1
2
2
2
2
2
1
3
1
3
2
2
2
2
3
1
2
2
2
2
2
2
3
1
2
2
2
2
2
2
3
1
2
2
2
2
2
2
3
1
2
2
2
2
2
2
3
1
3
1
3
1
2
3
1
1
3
1
3
1
2
3
1
2
3
1
3
1
2
3
1
2
3
1
3
1
2
3
1
2
3
1
3
1
2
3
1
2
3
1
2
1
2
3
1
2
3
1
2
2
2
3
1
2
3
1
2
2
2
3
1
2
3
1
2
2
2
3
2
2
2
1
3
1
3
1
3
2
2
1
3
1
3
1
3
1
2
1
3
1
3
1
3
1
2
1
3
1
3
1
3
1
2
3
2
2
3
1
3
1
2
3
1
2
3
1
3
1
2
3
1
3
3
1
3
1
2
3
1
3
1
1
3
1
2
3
1
3
1
3
3
1
2
3
1
3
1
3
1
1
2
3
1
3
1
3
1
3
2
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
2
3
1
2
2
2
3
1
3
3
1
2
2
2
3
1
3
1
1
2
2
2
3
1
3
1
2
2
2
2
3
1
3
1
2
3
3
1
3
1
3
1
2
3
1
1
3
1
3
1
2
3
1
3
3
1
3
1
2
3
1
3
1
1
3
1
2
3
1
3
1
3
3
1
2
3
1
3
1
3
1
1
2
3
1
3
1
3
1
3
2
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
2
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
2
1
3
1
3
1
3
1
2
3
1
2
3
1
3
1
3
1
3
2
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
2
1
3
1
3
1
3
1
2
3
3
1
3
1
3
1
2
3
1
1
3
1
3
1
2
3
1
2
3
1
3
1
2
3
1
2
3
1
3
1
2
3
1
2
3
1
3
1
2
3
1
2
3
1
3
1
2
3
1
2
3
1
3
1
2
3
1
2
3
1
3
1
1
3
1
2
3
1
3
1
1
3
1
2
3
1
3
1
1
3
2
2
3
1
3
1
1
3
2
1
3
1
3
1
1
3
2
1
3
1
3
1
1
3
2
1
3
1
3
1
1
3
2
1
3
1
3
1
1
3
2
1
3
1
3
1
1
3
2
1
3
1
3
1
3
3
2
1
3
1
3
1
3
1
2
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
2
3
1
3
1
3
1
3
2
1
1
3
1
3
1
3
2
1
3
3
1
3
1
3
2
1
3
1
1
3
1
3
2
1
3
1
3
3
1
3
2
1
3
1
3
1
1
3
2
1
3
1
3
1
3
3
2
1
3
1
3
1
3
2
2
1
3
1
3
1
3
2
2
1
3
1
3
1
3
2
2
1
3
1
3
1
3
2
2
1
3
1
3
1
3
2
2
1
3
2
3
1
3
2
2
1
3
2
1
1
3
2
2
1
3
2
1
3
3
2
2
1
3
2
1
3
2
2
2
1
3
2
1
3
2
1
2
1
3
2
1
3
2
1
3
1
3
2
1
3
2
1
3
1
3
2
1
3
2
1
3
1
3
2
1
3
2
1
3
1
3
2
1
3
2
1
3
1
3
2
1
3
2
1
3
1
3
2
1
3
2
1
3
1
3
2
1
3
1
1
3
1
3
2
1
3
1
3
3
1
3
2
1
3
1
3
1
1
3
2
1
3
1
3
1
2
3
2
1
3
1
3
1
2
2
2
1
3
1
3
1
2
2
2
1
3
1
3
1
2
2
2
3
3
1
3
1
2
2
2
3
1
1
3
1
2
2
2
3
1
2
3
1
2
2
2
3
1
2
2
1
2
2
2
3
1
2
2
2
2
2
2
3
1
2
2
2
2
2
2
3
1
2
2
2
2
2
2
3
1
2
2
2
2
2
2
3
1
2
2
2
2
2
2
2
1
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
3
2
2
2
2
2
2
2
3
1
2
2
2
2
2
2
3
1
2
2
2
2
2
2
3
1
2
2
Columns 170 through 182
Columns 79 through 91
1
3
1
3
1
3
1
3
1
3
1
2
3
1
3
1
3
1
Columns 157 through 169
Columns 66 through 78
1
2
3
1
2
2
2
3
1
1
3
1
2
3
1
3
1
3
Columns 144 through 156
Columns 53 through 65
2
2
2
2
1
3
1
3
1
3
1
3
1
2
3
1
3
1
Columns 131 through 143
Columns 40 through 52
2
2
2
2
2
3
1
2
2
1
3
1
3
1
2
3
1
3
Columns 118 through 130
Columns 27 through 39
1
2
2
2
3
2
1
2
2
3
1
3
1
3
1
2
3
1
Columns 105 through 117
Columns 14 through 26
2
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
2
3
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
111
Columns 235 through 247
Columns 183 through 195
2
2
2
2
3
1
2
2
2
2
2
2
3
1
2
2
2
1
2
2
3
1
2
2
2
1
3
2
3
1
2
2
2
1
3
1
3
1
2
2
2
1
3
1
3
1
2
2
2
1
3
1
3
1
2
2
2
1
3
1
3
1
3
2
2
1
3
1
3
1
3
1
2
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
2
1
3
1
3
1
3
1
2
3
3
1
3
1
3
1
2
3
1
3
1
2
2
3
1
2
2
3
1
2
2
3
1
2
2
3
1
2
2
3
1
2
2
3
1
3
2
3
1
2
2
3
1
3
1
3
1
2
2
3
1
3
1
2
1
2
2
3
1
3
1
2
2
2
2
3
1
3
1
2
2
2
3
1
3
1
2
3
1
2
2
1
3
1
2
3
1
2
2
3
3
1
2
3
1
2
2
3
1
1
2
3
1
2
2
3
1
2
2
3
1
2
2
3
1
2
2
2
2
3
1
3
1
3
1
2
2
3
1
3
1
3
1
2
3
3
1
3
1
3
1
2
3
1
1
3
1
3
1
2
3
1
3
3
1
3
1
2
3
1
3
1
1
3
1
2
3
1
3
1
2
3
1
2
3
1
3
1
2
3
3
1
3
1
2
2
2
3
1
1
3
1
2
2
2
3
1
3
3
1
2
2
2
3
1
3
1
1
2
2
2
3
1
3
1
3
2
2
2
3
1
3
1
3
1
2
3
1
3
1
2
3
1
3
3
1
3
1
2
3
1
3
1
1
3
1
2
3
1
3
1
3
3
1
2
3
1
3
1
3
1
1
2
3
1
3
1
3
1
2
2
3
1
3
1
3
1
2
3
3
1
3
1
3
1
2
3
1
Columns 222 through 234
1
2
3
1
3
1
2
3
1
2
3
1
3
1
2
3
1
3
3
1
3
1
2
3
1
3
1
1
3
1
2
3
1
3
1
2
3
1
2
3
1
3
1
2
3
1
2
3
1
3
1
2
3
1
1
3
1
2
3
1
2
2
2
3
1
2
3
1
2
2
2
1
1
2
3
1
2
2
2
1
3
2
3
1
2
2
2
1
3
2
3
1
2
2
2
1
3
2
1
1
2
2
2
1
3
2
1
3
2
2
2
1
3
2
1
3
1
2
2
1
3
2
1
3
1
3
2
1
3
2
1
3
1
3
2
1
3
2
1
3
1
3
2
1
3
2
1
3
1
3
2
1
2
2
1
3
1
3
2
1
2
3
1
3
1
3
2
1
2
3
1
3
1
3
2
1
2
3
1
3
1
3
2
1
2
3
1
3
1
3
2
1
2
3
1
3
1
3
2
1
2
3
1
3
1
3
1
1
2
3
1
3
1
3
1
3
2
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
3
1
2
2
2
1
3
1
2
1
2
2
2
1
3
1
2
3
3
2
2
2
3
1
3
2
1
2
3
1
2
3
1
2
2
1
2
1
3
1
2
1
3
2
1
2
3
1
3
2
3
1
2
3
2
2
2
2
1
2
3
1
3
2
2
2
2
1
2
2
3
1
2
2
2
2
3
2
2
1
3
Columns 261 through 271
Columns 209 through 221
2
3
1
3
1
2
2
2
3
3
1
3
1
2
3
1
2
2
Columns 248 through 260
Columns 196 through 208
1
3
1
3
1
2
3
1
2
1
3
1
3
1
2
3
1
2
2
1
3
2
3
3
2
2
3
2
2
1
3
1
1
3
2
1
2
2
3
1
3
3
1
2
3
1
3
1
3
1
1
3
2
1
3
2
1
3
1
1
3
1
3
1
2
3
1
3
3
1
2
1
112
LAMPIRAN 5D
Set Validasi VCC (Lakaran Tangga)
Columns 85 through 96
Columns 1 through 12
1
3
1
3
2
2
1
3
1
3
1
3
2
2
1
3
1
3
1
3
2
2
1
3
1
3
1
3
2
2
1
3
1
3
1
3
2
2
1
3
1
3
1
3
1
2
1
3
1
3
1
3
1
2
1
3
1
3
1
3
1
2
2
3
1
3
1
3
1
2
2
2
1
3
1
3
1
2
2
2
2
3
1
3
1
2
2
2
2
2
1
3
1
2
2
2
2
2
2
3
1
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
1
3
1
3
2
2
2
2
1
3
1
3
1
2
2
2
1
3
1
3
1
3
2
2
1
3
1
3
1
3
1
2
1
3
1
3
1
3
1
2
1
3
1
3
1
3
1
2
3
3
1
3
1
3
1
2
3
1
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
1
2
2
2
2
2
2
2
1
3
2
2
2
2
2
2
1
3
1
2
3
1
3
1
2
2
3
1
3
1
3
1
2
2
3
1
2
1
3
1
2
2
3
1
2
2
3
1
2
2
3
1
2
2
3
1
2
2
3
1
2
2
3
1
2
2
3
1
2
2
3
1
2
2
3
1
2
2
3
1
2
2
3
1
3
1
2
3
1
3
1
1
3
1
2
3
1
3
1
2
3
1
2
3
1
3
1
2
2
1
2
3
1
3
1
2
2
3
1
2
2
3
1
2
3
1
3
2
2
3
1
2
3
1
3
1
2
3
1
2
3
1
3
1
2
3
1
2
3
1
3
1
2
3
1
2
3
1
3
1
2
3
1
2
3
1
3
1
2
3
1
3
3
1
3
1
2
3
1
3
1
1
2
2
3
1
2
2
3
1
2
2
3
1
2
2
3
1
2
2
3
1
2
2
3
1
2
3
3
1
2
2
3
1
2
3
1
1
3
1
2
2
2
2
2
1
3
1
2
2
2
2
2
1
3
1
2
2
2
2
2
1
3
1
2
2
2
2
2
1
3
1
3
2
2
2
2
1
3
1
3
1
2
2
2
1
3
1
3
1
3
2
2
1
3
1
3
1
3
1
3
1
2
3
1
3
1
2
2
1
2
3
1
3
1
2
2
2
2
3
1
3
1
2
2
2
2
3
1
3
1
2
2
2
2
2
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
2
2
2
2
1
3
1
2
2
2
2
2
1
3
1
2
2
2
2
2
1
3
1
2
2
2
3
2
1
3
1
2
2
2
3
1
1
3
1
2
2
2
3
1
2
3
1
2
2
2
3
1
2
2
2
2
3
2
2
2
2
2
2
2
3
2
2
2
2
2
2
2
3
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
1
2
2
2
2
2
2
2
1
2
2
2
2
2
2
2
1
2
3
2
3
1
2
3
1
2
3
1
3
1
2
3
1
2
3
1
3
1
2
3
1
2
3
1
3
2
2
3
1
2
3
1
3
2
2
3
1
2
3
1
3
2
2
2
1
2
3
1
3
2
2
2
2
2
2
2
2
1
3
2
1
3
2
2
2
1
3
2
1
3
1
2
2
1
3
2
1
3
1
3
2
1
3
2
1
3
1
3
1
1
3
2
1
3
1
3
1
3
3
2
1
3
1
3
1
3
1
3
1
2
1
3
1
3
2
1
1
2
1
3
1
3
2
1
3
2
1
3
2
3
2
1
3
2
1
3
2
3
2
1
3
2
1
3
2
3
2
1
3
2
1
3
2
3
2
1
3
2
1
3
2
Columns 157 through 158
Columns 73 through 84
2
1
3
1
3
1
3
1
3
1
3
1
3
1
2
2
2
2
3
1
3
1
2
2
2
2
2
1
3
1
2
2
2
2
2
2
3
1
2
2
2
2
2
2
1
1
2
2
2
2
2
2
1
3
2
2
2
2
2
2
1
3
1
2
2
2
2
2
1
3
1
2
1
2
2
2
3
1
2
2
3
2
2
2
3
1
2
2
3
2
2
2
3
1
2
2
3
2
2
2
3
1
2
2
3
2
2
2
3
1
2
2
3
2
2
2
2
1
2
2
3
2
2
2
2
2
2
2
2
2
2
1
2
3
1
2
2
2
2
1
2
3
1
2
2
2
2
1
2
3
1
2
3
2
2
1
2
3
1
2
3
1
2
1
2
3
1
2
3
1
2
1
2
3
1
2
3
1
2
3
2
3
1
3
2
2
2
2
2
3
1
3
2
2
2
2
2
2
1
3
2
2
2
2
2
2
1
3
2
2
2
2
2
2
1
3
2
2
2
2
2
2
1
3
2
2
2
2
2
2
1
3
2
1
2
1
3
1
3
1
3
1
2
1
3
1
3
1
3
1
2
1
3
1
3
1
3
1
2
1
3
1
3
1
3
1
2
1
3
1
3
1
3
1
2
1
3
1
3
1
3
1
2
1
3
1
3
2
3
2
1
3
2
1
3
2
1
2
1
3
2
1
3
2
1
3
1
3
2
1
3
2
1
3
1
3
2
1
3
2
1
3
1
3
2
1
3
2
1
3
1
3
2
1
3
2
1
3
1
3
2
2
Columns 145 through 156
Columns 61 through 72
1
3
1
2
3
1
3
1
2
3
1
3
1
3
1
2
2
2
Columns 133 through 144
Columns 49 through 60
3
1
2
2
3
1
2
2
3
1
3
1
3
1
3
1
2
2
Columns 121 through 132
Columns 37 through 48
1
3
1
3
1
2
3
1
3
3
1
3
1
3
1
3
1
2
Columns 109 through 120
Columns 25 through 36
2
2
2
2
2
2
2
2
2
1
3
1
3
1
3
1
3
1
Columns 97 through 108
Columns 13 through 24
1
2
2
2
2
2
2
2
2
3
1
3
1
3
1
3
1
3
3
2
1
3
1
3
2
2
1
2
1
3
1
3
2
2
1
3
LAMPIRAN E
E1
Set Output FCC (Lakaran Kiub 1)
E2
Set Output FCC (Lakaran Tangga)
E3
Set Output Latihan VCC (Lakaran Kiub 1)
E4
Set Output Pengujian VCC (Lakaran Blok-L)
E5
Set Output Validasi VCC (Lakaran Tangga)
113
LAMPIRAN E1
Set Output FCC (Lakaran Kiub 1)
Columns 155 through 165
Columns 1 through 11
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
1
0
1
1
Columns 45 through 55
0
0
0
0
0
Columns 56 through 66
0
0
0
0
0
Columns 67 through 77
0
0
0
0
0
Columns 78 through 88
1
0
0
0
0
Columns 89 through 99
0
0
0
0
0
Columns 100 through 110
0
0
0
0
0
0
Columns 111 through 121
1
0
0
0
0
0
Columns 122 through 132
0
0
0
0
0
0
Columns 133 through 143
0
0
0
0
0
0
Columns 144 through 154
0
1
0
0
0
0
1
1
0
1
1
0
0
0
1
0
0
1
0
0
1
0
0
1
0
1
0
0
0
0
0
0
0
0
1
1
0
0
0
Columns 188 through 197
Columns 34 through 44
0
1
Columns 177 through 187
Columns 23 through 33
0
1
Columns 166 through 176
Columns 12 through 22
0
0
0
1
1
1
0
1
0
114
LAMPIRAN E2
Set Output FCC (Lakaran Tangga)
Columns 1 through 11
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
1
0
0
0
Columns 12 through 22
1
0
0
0
0
Columns 23 through 33
0
0
0
0
0
Columns 34 through 44
0
0
0
0
0
Columns 45 through 55
0
0
0
0
0
Columns 56 through 66
0
0
0
1
0
Columns 67 through 77
0
1
0
0
0
Columns 78 through 88
0
0
0
0
1
Columns 89 through 99
1
0
0
0
0
Columns 100 through 103
0
0
1
0
115
LAMPIRAN E3
Set Output Latihan VCC (Lakaran Kiub 1)
Columns 169 through 180
Columns 1 through 12
1
0
0
0
0
0
0
0
0
0
0
0
1
1
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
1
0
0
0
0
0
1
0
0
0
1
0
0
0
1
0
1
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
1
0
0
0
0
1
0
0
0
0
0
1
1
1
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
1
1
0
0
0
0
Columns 109 through 120
0
1
0
1
1
1
Columns 121 through 132
0
0
0
0
0
0
Columns 133 through 144
1
1
0
1
0
0
Columns 145 through 156
1
1
0
0
0
1
Columns 157 through 168
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
1
1
1
Columns 265 through 266
Columns 97 through 108
0
0
1
0
0
0
1
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
1
1
1
1
1
1
Columns 253 through 264
Columns 85 through 96
0
0
Columns 241 through 252
Columns 73 through 84
1
0
Columns 229 through 240
Columns 61 through 72
0
0
Columns 217 through 228
Columns 49 through 60
0
0
Columns 205 through 216
Columns 37 through 48
0
0
Columns 193 through 204
Columns 25 through 36
0
0
Columns 181 through 192
Columns 13 through 24
0
0
1
1
116
LAMPIRAN E4
Set Output Pengujian VCC (Lakaran Blok-L)
Columns 157 through 168
Columns 1 through 12
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
Columns 121 through 132
0
0
0
0
0
0
Columns 133 through 144
0
0
0
0
0
0
Columns 145 through 156
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
1
1
1
1
1
1
Columns 265 through 271
Columns 109 through 120
0
0
Columns 253 through 264
Columns 97 through 108
0
0
Columns 241 through 252
Columns 85 through 96
0
0
Columns 229 through 240
Columns 73 through 84
0
0
Columns 217 through 228
Columns 61 through 72
0
0
Columns 205 through 216
Columns 49 through 60
0
0
Columns 193 through 204
Columns 37 through 48
0
0
Columns 181 through 192
Columns 25 through 36
0
0
Columns 169 through 180
Columns 13 through 24
0
0
1
1
1
1
1
1
1
117
LAMPIRAN E5
Set Output Validasi VCC (Lakaran Tangga)
Columns 1 through 12
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
Columns 13 through 24
0
0
0
0
0
0
Columns 25 through 36
0
0
0
0
0
0
Columns 37 through 48
0
0
0
0
0
0
Columns 49 through 60
0
0
0
0
0
0
Columns 61 through 72
0
0
0
1
0
0
Columns 73 through 84
0
0
0
0
0
0
Columns 85 through 96
0
0
0
0
0
1
Columns 97 through 108
1
0
0
0
0
0
Columns 109 through 120
0
0
0
0
0
0
Columns 121 through 132
0
0
0
0
0
1
Columns 133 through 144
1
0
0
0
0
0
Columns 145 through 156
0
0
0
0
0
0
Columns 157 through 158
0
0
LAMPIRAN G
G1
Kod Rantaian VCC dan Sel Segiempat VCC Kiub 1
G2
Kod Rantaian VCC dan Sel Segiempat VCC Blok-L
G3
Kod Rantaian VCC dan Sel Segiempat VCC Tangga
121
LAMPIRAN G1: Kod Rantaian VCC dan Sel Segiempat VCC Kiub 1
122
LAMPIRAN G2: Kod Rantaian VCC dan Sel Segiempat VCC Blok-L
LAMPIRAN H
H
Model Rangkaian FCC
124
LAMPIRAN H
Model Rangkaian FCC
Jadual 1 Traingdx
No.
Input
Hidden 1
Hidden 2
Output
Į
ȕ
Goal
Epochs
Accuracy (%)
1
9
9 Logsig
9 Logsig
1 Purelin
0.1
0.5
0.01
6504
92.3
0.0933
2
9
9 Logsig
9 Logsig
1 Purelin
0.25
0.5
0.01
10446
94
0.0844
3
9
9 Logsig
9 Logsig
1 Purelin
0.5
0.5
0.01
25395
95.1
0.0488
4
9
9 Logsig
9 Logsig
1 Purelin
0.5
0.25
0.01
18035
94.2
0.057
5
9
9 Logsig
9 Logsig
1 Purelin
0.5
0.1
0.01
22708
93.2
0.0635
6
9
9 Logsig
9 Logsig
1 Purelin
0.01
44797
7
9
18 Logsig
18 Logsig
1 Purelin
0.1
0.5
0.01
5348
92.2
0.1078
8
9
18 Logsig
18 Logsig
1 Purelin
0.25
0.5
0.01
9366
91.3
0.0823
0.1
0.1
91.2
MSE Output
0.08
9
9
18 Logsig
18 Logsig
1 Purelin
0.5
0.5
0.01
21938
85.4
0.1028
10
9
18 Logsig
18 Logsig
1 Purelin
0.5
0.25
0.01
22141
87
0.1194
11
9
18 Logsig
18 Logsig
1 Purelin
0.5
0.1
0.01
15900
90.3
0.1097
12
9
18 Logsig
18 Logsig
1 Purelin
0.1
0.1
0.01
21624
86
0.1995
13
9
19 Logsig
19 Logsig
1 Purelin
0.1
0.5
0.01
7676
91.2
0.0964
14
9
19 Logsig
19 Logsig
1 Purelin
0.25
0.5
0.01
8278
93.2
0.0636
15
9
19 Logsig
19 Logsig
1 Purelin
0.5
0.5
0.01
7681
91.2
0.1082
16
9
19 Logsig
19 Logsig
1 Purelin
0.5
0.25
0.01
11413
94.2
0.0573
17
9
19 Logsig
19 Logsig
1 Purelin
0.5
0.1
0.01
18272
92.2
0.1351
18
9
19 Logsig
19 Logsig
1 Purelin
0.1
0.1
0.01
11362
90.3
0.1092
19
9
9 Logsig
1 Purelin
0.1
0.5
0.01
11223
93.2
0.068
20
9
9 Logsig
1 Purelin
0.25
0.5
0.01
2969
98
0.0281
21
9
9 Logsig
1 Purelin
0.5
0.5
0.01
nil
nil
nil
22
9
9 Logsig
1 Purelin
0.5
0.25
0.01
11725
90.3
0.0764
23
9
9 Logsig
1 Purelin
0.5
0.1
0.01
13120
90.3
0.0939
24
9
9 Logsig
1 Purelin
0.1
0.1
0.01
5389
96.1
25
9
18 Logsig
1 Purelin
0.25
0.5
0.01
nil
nil
nil
26
9
18 Logsig
1 Purelin
0.1
0.5
0.01
5368
96.1
0.0241
27
9
18 Logsig
1 Purelin
0.1
0.1
0.01
nil
nil
nil
28
9
19 Logsig
1 Purelin
0.1
0.5
0.01
nil
nil
nil
No.
Input
Hidden 1
1
9
2
0.039
Jadual 2 Traingd
Hidden 2
Output
Į
ȕ
Goal
Epochs
Accuracy (%)
MSE Output
9 Logsig
1 Purelin
0.1
nil
0.01
65314
98
0.0281
9
18 Logsig
1 Purelin
0.1
nil
0.01
nil
nil
nil
3
9
19 Logsig
1 Purelin
0.1
nil
0.01
nil
nil
nil
4
9
9 logsig
1 Purelin
0.5
nil
0.01
nil
nil
nil
5
9
18 Logsig
1 Purelin
0.5
nil
0.01
nil
nil
nil
6
9
19 Logsig
1 Purelin
0.5
nil
0.01
nil
nil
nil
7
9
9 Logsig
1 Purelin
0.25
nil
0.01
58475
96.1
0.038
8
9
18 Logsig
1 Purelin
0.25
nil
0.01
nil
nil
nil
9
9
19 Logsig
1 Purelin
0.25
nil
0.01
nil
nil
nil
10
9
9 Logsig
9 Logsig
1 Purelin
0.5
nil
0.01
103022
84.5
0.1799
11
9
9 Logsig
9 Logsig
1 Purelin
0.25
nil
0.01
59277
90.3
0.0846
12
9
9 Logsig
9 Logsig
1 Purelin
0.1
nil
0.01
23798
88.3
0.1043
13
9
18 Logsig
18 Logsig
1 Purelin
0.1
nil
0.01
21155
93
0.1114
14
9
18 Logsig
18 Logsig
1 Purelin
0.25
nil
0.01
16909
96
0.1153
15
9
18 Logsig
18 Logsig
1 Purelin
0.5
nil
0.01
nil
nil
nil
16
9
19 Logsig
19 Logsig
1 Purelin
0.1
nil
0.01
24360
92.2
0.0691
17
9
19 Logsig
19 Logsig
1 Purelin
0.25
nil
0.01
98795
94.1
0.0471
125
Jadual 3 Traingdm
No.
Input
Hidden 1
Hidden 2
Output
Į
ȕ
Goal
Epochs
Accuracy (%)
MSE Output
1
9
9 Logsig
1 Purelin
0.1
0.5
0.01
35167
78.6
0.3658
2
9
9 Logsig
1 Purelin
0.1
0.1
0.01
39477
78.6
0.254
3
9
18 Logsig
1 Purelin
0.1
0.5
0.01
34963
78.6
0.3219
4
9
19 Logsig
1 Purelin
0.1
0.5
0.01
24794
73.8
0.2971
5
9
9 Logsig
1 Purelin
0.1
0.5
0.005
152416
77
0.3802
6
9
18 Logsig
1 Purelin
0.1
0.5
0.01
31714
74
0.4366
7
9
19 Logsig
1 Purelin
0.5
0.5
0.01
60161
83.4
0.1539
8
9
9 Logsig
1 Purelin
0.5
0.5
0.01
168160
78
0.3756
9
9
19 Logsig
1 Purelin
0.75
0.5
0.01
195154
79
0.2084
10
9
19 Logsig
1 Purelin
0.3
0.5
0.01
12497
74
0.4651
11
9
18 Logsig
1 Purelin
0.5
0.5
0.01
10902
82.5
0.1804
12
9
19 Logsig
19 Logsig
1 Purelin
0.5
0.5
0.01
nil
nil
nil
13
9
19 Logsig
19 Logsig
1 Purelin
0.25
0.5
0.01
6005
82.5
0.1672
14
9
9 Logsig
9 Logsig
1 Purelin
0.5
0.5
0.01
12294
89.3
0.0978
15
9
9 Logsig
9 Logsig
1 Purelin
0.5
0.25
0.01
82095
82
0.1931
16
9
18 Logsig
18 Logsig
1 Purelin
0.1
0.1
0.01
10217
82
0.1991
17
9
9 Logsig
9 Logsig
1 Purelin
0.5
0.5
0.01
6255
87.4
0.1697
18
9
18 Logsig
18 Logsig
1 Purelin
0.25
0.5
0.01
9788
92.3
0.0738
19
9
9 Logsig
9 Logsig
1 Purelin
0.5
0.5
0.01
4160
87
0.1884
20
9
19 Logsig
19 Logsig
1 Purelin
0.1
0.5
0.01
13069
91.2
0.0732
21
9
18 Logsig
18 Logsig
1 Purelin
0.1
0.5
0.01
14938
93.2
0.0725
22
9
18 Logsig
18 Logsig
1 Purelin
0.1
0.9
0.01
84869
92.2
0.092
23
9
9 Logsig
9 Logsig
1 Purelin
0.25
0.5
0.01
6968
90
0.0968
24
9
9 Logsig
9 Logsig
1 Purelin
0.1
0.5
0.01
19768
95.1
0.0691
25
9
9 Logsig
9 Logsig
1 Purelin
0.1
0.1
0.01
34174
92.2
0.0737
26
9
9 Logsig
9 Logsig
1 Purelin
0.25
0.25
0.01
18588
92.2
0.07
LAMPIRAN I
I1
I2
Model Rangkaian VCC
Model Rangkaian VCC yang Menggunakan Nilai Sasaran 01.
LAMPIRAN I1 Model Rangkaian VCC
6
2
1
uldaJ1gxndriT
a
No.
1
2
3
4
5
6
7
8
9
10
1
12
13
14
15
16
17
18
19
20
21
2
23
24
25
26
27
28
29
30
31
32
3
34
35
36
37
38
39
40
41
42
43
4
45
46
47
48
49
50
51
52
53
54
5
56
57
58
59
60
61
62
63
64
65
6
67
68
69
70
71
72
73
74
75
76
7
78
79
80
81
82
83
84
85
86
87
8
89
90
91
92
93
94
95
96
97
98
9
10
10
Hidden 1
Input
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
Hidden 2
9isogL
9isogL
9isogL
9isogL
9isogL
9isogL
9isogL
9isogL
9isogL
18isogL
18isogL
18isogL
18isogL
18isogL
18isogL
18isogL
18isogL
18isogL
18isogL
18isogL
19isogL
19isogL
19isogL
19isogL
19isogL
19isogL
19isogL
19isogL
19isogL
27isogL
27isogL
27isogL
27isogL
27isogL
27isogL
27isogL
27isogL
27isogL
36isogL
36isogL
36isogL
36isogL
36isogL
36isogL
36isogL
36isogL
36isogL
9isogL
9isogL
9isogL
9isogL
9isogL
9isogL
9isogL
9isogL
9isogL
36isogL
36isogL
36isogL
36isogL
36isogL
36isogL
36isogL
36isogL
36isogL
27isogL
27isogL
27isogL
27isogL
27isogL
27isogL
27isogL
27isogL
27isogL
19isogL
19isogL
19isogL
19isogL
19isogL
19isogL
19isogL
19isogL
19isogL
18isogL
18isogL
18isogL
18isogL
18isogL
18isogL
18isogL
18isogL
18isogL
36isogL
36isogL
36isogL
36isogL
36isogL
36isogL
36isogL
36isogL
36isogL
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1P
relinu
1rP
eunil
1P
relinu
1rP
eunil
1rP
eunil
1rP
eunil
1P
relinu
1P
relinu
1P
relinu
1P
relinu
1P
relinu
1P
relinu
1P
relinu
1P
relinu
1P
relinu
1rP
eunil
1P
relinu
1P
relinu
1P
relinu
1P
relinu
1P
relinu
1rP
eunil
1P
relinu
1rP
eunil
1rP
eunil
1rP
eunil
1P
relinu
1rP
eunil
1rP
eunil
1P
relinu
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1P
relinu
1rP
eunil
1rP
eunil
9isogL
9isogL
9isogL
9isogL
9isogL
9isogL
9isogL
9isogL
9isogL
36isogL
36isogL
36isogL
36isogL
36isogL
36isogL
36isogL
36isogL
36isogL
27isogL
27isogL
27isogL
27isogL
27isogL
27isogL
27isogL
27isogL
27isogL
19isogL
19isogL
19isogL
19isogL
19isogL
19isogL
19isogL
19isogL
19isogL
18isogL
18isogL
18isogL
18isogL
18isogL
18isogL
18isogL
18isogL
18isogL
27isogL
27isogL
27isogL
27isogL
27isogL
27isogL
27isogL
27isogL
27isogL
1P
relinu
1rP
eunil
1P
relinu
1P
relinu
1rP
eunil
1rP
eunil
1P
relinu
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1P
relinu
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1P
relinu
1rP
eunil
1rP
eunil
1rP
eunil
0.1
0.1
0.3
0.3
0.3
0.1
0.5
0.5
0.9
0.1
0.1
0.3
0.3
0.3
0.1
0.5
0.5
0.9
0.1
0.1
0.3
0.3
0.3
0.1
0.5
0.5
0.9
0.1
0.1
0.3
0.3
0.3
0.1
0.5
0.5
0.9
0.1
0.1
0.3
0.3
0.3
0.1
0.5
0.5
0.9
0.3
0.3
0.3
0.1
0.5
0.5
0.5
0.7
0.9
Output
0.1
0.1
0.1
0.5
0.3
0.1
0.3
0.25
0.3
0.9
0.1
0.9
0.5
0.1
0.5
0.5
0.9
0.5
0.1
0.1
0.1
0.5
0.3
0.1
0.3
0.25
0.3
0.9
0.1
0.9
0.5
0.1
0.5
0.5
0.9
0.5
0.9
0.1
0.9
0.9
0.1
0.1
0.1
0.5
0.3
0.1
0.3
0.25
0.3
0.9
0.1
0.9
0.5
0.1
0.5
0.5
0.9
0.1
0.1
0.1
0.1
0.5
0.3
0.1
0.3
0.25
0.3
0.9
0.1
0.9
0.5
0.1
0.5
0.5
0.9
0.5
0.1
0.1
0.1
0.5
0.3
0.1
0.3
0.25
0.3
0.9
0.1
0.9
0.5
0.1
0.5
0.5
0.9
0.5
0.1
0.51
0.5
0.51
0.1
0.51
0.25
0.51
0.9
0.51
0.9
0.51
0.1
0.51
0.5
0.51
0.5
0.51
0.1
0.51
0.5
0.51
0.1
0.51
0.25
0.51
0.9
0.51
0.9
0.51
0.1
0.51
0.5
0.51
0.5
0.51
0.1
0.51
0.5
0.51
0.1
0.51
0.25
0.51
0.9
0.51
0.9
0.51
0.1
0.51
0.5
0.51
0.5
0.51
0.1
0.51
0.5
0.51
0.1
0.51
0.25
0.51
0.9
0.51
0.9
0.51
0.1
0.51
0.5
0.51
0.5
0.51
0.1
0.51
0.5
0.51
0.1
0.51
0.25
0.51
0.9
0.51
0.9
0.51
0.1
0.51
0.5
0.51
0.5
0.51
0.1
0.51
0.25
0.51
0.9
0.51
0.9
0.51
0.1
0.51
0.5
0.51
0.9
0.51
0.1
0.51
0.5
0.51
Į
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
iteorfvng
Goal
lin
lin
lin
lin
lin
lin
lin
lin
lin
ȕ
lin
lin
lin
lin
lin
lin
lin
lin
lin
Epochs
lin
lin
lin
lin
lin
lin
lin
lin
lin
itoerfvng
lin
lin
itoerfvng
19786
1056
50283
itoerfvng
itoerfvng
itoerfvng
itoerfvng
itoerfvng
itoerfvng
itoerfvng
itoerfvng
iteorfvng
395
itoerfvng
itoerfvng
itoerfvng
itoerfvng
itoerfvng
5246
itoerfvng
6034
2596
31520
itoerfvng
4620
480
itoerfvng
3082
4971
3219
12647
2608
itoerfvng
30548
26083
1396
lin
84.5
854.2
861.7
0.81394
0.317
0.2138
836.7
0.4192
875.4
0.2176
853.2
865.3
87.0
0.6153
0.416
0.61927
875.4
861.7
0.1548
0.61532
843.1
85.6
83.4
861.7
89.3
0.2184
0.51462
0.21486
0.4182
0.912
854.2
85.6
0.3128
0.4169
89.2
0.2163
iteorfvng
itoerfvng
90628
740
897.6
907.
0.312
0.7139
iteorfvng
8951
864.3
lin
14250
791
12538
1042
80
4921
1642
1052
7463
142
905
2085
12659
679
5624
17624
109
1350
3256
3058
457
346
824
9342
2541
1923
1906
iteorfvng
18065
1684
2154
905
1427
2856
176
1735
120
1305
5804
613
1597
iteorfvng
503
1458
631
0.417
lin
lin
875.4
89.1
87.0
872.
875.4
861.7
853.2
87.0
89.1
82.9
85.6
89.1
872.
897.6
872.
903.
872.
903.
861.7
907.
89.1
861.7
897.6
875.4
907.
875.4
89.1
0.71839
0.7158
0.9175
0.7193
0.61849
0.2148
0.91635
0.914
0.418
0.193
0.21438
0.31824
0.3128
0.4126
0.213
0.4187
0.51824
0.1936
0.81724
0.21
0.812
0.316
0.4129
0.124
0.429
0.217
0.7154
89.1
89.1
901.4
0.416
89.3
85.6
85.6
89.1
87.0
865.3
861.7
914.
897.6
872.
0.18
0.7128
0.419
0.61837
0.8139
0.7129
0.196
0.5934
0.9137
0.61275
86.5
865.3
87.0
0.12
0.8143
0.4176
0.812
0.134
Accuracy
(%)
MSE
Output
7
2
1
uldaJ1gxndriT
a
No.
Input
102
103
104
105
106
107
108
109
10
1
12
13
14
15
16
17
18
19
120
12
12
123
124
125
126
127
128
129
130
13
132
13
134
135
136
137
138
139
140
14
142
143
14
145
146
147
148
149
150
15
152
153
154
15
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
36isogL
36isogL
36isogL
36isogL
36isogL
36isogL
36isogL
36isogL
36isogL
36isogL
36isogL
36isogL
36isogL
36isogL
36isogL
36isogL
36isogL
36isogL
36isogL
36isogL
36isogL
36isogL
36isogL
36isogL
36isogL
36isogL
36isogL
36isogL
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
36isogL
27isogL
27isogL
27isogL
27isogL
27isogL
27isogL
27isogL
27isogL
27isogL
27isogL
27isogL
27isogL
27isogL
27isogL
27isogL
27isogL
27isogL
27isogL
27isogL
27isogL
27isogL
27isogL
27isogL
27isogL
Hidden 1
27isogL
27isogL
27isogL
27isogL
18isogL
18isogL
18isogL
18isogL
18isogL
18isogL
18isogL
18isogL
18isogL
18isogL
18isogL
18isogL
18isogL
9isogL
9isogL
9isogL
9isogL
9isogL
9isogL
9isogL
9isogL
9isogL
9isogL
9isogL
36 Logsig
9isogL
18isogL
18isogL
18isogL
18isogL
18isogL
18isogL
18isogL
18isogL
18isogL
18isogL
18isogL
18isogL
9isogL
9isogL
9isogL
9isogL
9isogL
9isogL
9isogL
9isogL
9isogL
9isogL
9isogL
9isogL
Hidden 2
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
9 Logsig
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1P
reulin
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1P
reulin
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
0.1
0.3
0.3
0.1
Output
0.1
0.51
0.9
0.51
0.1
0.51
0.5
0.51
0.1
0.51
0.25
0.51
0.9
0.51
0.9
0.51
0.1
0.51
0.5
0.51
0.9
0.51
0.1
0.51
0.5
0.51
0.1
0.51
0.9
0.51
0.1
0.51
0.5
0.51
0.1
0.51
0.25
0.51
0.9
0.51
0.9
0.51
0.1
0.51
0.5
0.51
0.9
0.51
0.1
0.51
0.5
0.51
0.1
0.51
0.9
0.51
1 Purelin
0.5
0.51
0.25
0.51
0.9
0.51
0.9
0.51
0.5
0.5
0.7
0.9
0.9
0.9
0.1
0.1
0.3
0.3
0.1
0.5
0.9
0.1
0.5
0.1
0.9
0.1
0.5
0.25
0.9
0.9
0.9
0.9
0.1
0.1
0.3
0.3
0.3
0.1
0.5
0.5
0.5
0.7
0.9
0.9
0.9
0.1
0.1
0.3
0.3
0.3
0.1
0.5
0.5
0.5
0.7
0.9
0.9
0.9
0.5
0.5
0.7
0.9
0.9
0.9
0.1
0.1
0.5
0.9
0.1
0.5
0.1
0.9
0.1
0.5
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
Į
13750
63
1605
849
12084
12560
381
693
1709
5743
4609
15043
802
12506
508
15249
179
13689
15023
5280
1073
13940
10568
54
18036
850
943
480
0.1
1539
21956
54
64
0.5
2563
658
2471
971
1735
6084
2178
817
15068
639
874
0.5
924
12407
19047
1943
1936
8592
2091
1024
ȕ
897.6
872.
89.2
872.
907.
861.7
862.7
897.6
8.2
86.5
82.9
89.1
861.7
89.3
89.3
872.
89.1
854.2
89.1
901.4
87.5
907.
897.6
897.6
875.4
86.5
90.4
875.4
0.1
86.5
87.0
897.6
875.4
0.1
89.1
875.4
862.7
87.0
872.
854.2
87.0
89.1
85.9
89.3
89.1
0.1
90.4
89.3
86
8.2
904.
89.3
853.2
897.6
Goal
0.1724
0.814
0.3294
0.175
0.831
0.613
0.143
0.417
0.418
0.913
0.8165
0.2163
0.1425
0.4197
0.1749
0.6153
0.194
0.142
0.714
0.71
0.95
0.917
0.8132
0.4135
0.4197
0.7183
0.3798
0.2194
0.015
0.61358
0.619
0.982
0.13
0.51
eiortvfng
0.4176
0.614
0.41236
0.9134
0.81425
0.4136
0.715
0.135
0.714
0.87594
0.1528
0.51
eiortvfng
0.469
0.4187
0.6152
0.913
0.12
0.459
0.6198
0.3459
Epochs
Accuracy
(%)
MSE
Output
10576
91.51
0.07468
8
2
1
udlaJ2gndriT
a
No.
1
2
3
4
5
6
7
8
9
10
1
12
13
14
15
16
17
18
19
20
21
2
23
24
25
26
27
28
29
30
31
32
3
34
35
36
37
38
39
40
41
42
43
4
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
Input
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
Hidden 1
9isogL
9isogL
9isogL
9isogL
9isogL
9isogL
9isogL
18isogL
18isogL
18isogL
18isogL
18isogL
19isogL
19isogL
19iosgL
19isogL
19isogL
27isogL
27isogL
27isogL
27isogL
36isogL
36isogL
36isogL
36isogL
9isogL
9isogL
9isogL
9isogL
9isogL
9isogL
9isogL
9isogL
9isogL
9isogL
18isogL
18isogL
18isogL
18isogL
18isogL
18isogL
27isogL
27isogL
27isogL
27isogL
27isogL
27isogL
19isogL
19isogL
19isogL
19isogL
19isogL
19isogL
36isogL
36isogL
36isogL
36isogL
36isogL
36isogL
36isogL
27isogL
36isogL
27isogL
36isogL
18isogL
36isogL
18isogL
36isogL
18isogL
27isogL
9isogL
36isogL
27isogL
36isogL
27isogL
36isogL
9isogL
36isogL
27isogL
27isogL
9isogL
36isogL
9isogL
36 Logsig
36isogL
9isogL
36isogL
9isogL
27isogL
18isogL
27isogL
18isogL
27isogL
18isogL
Hidden 2
Output
0.1
0.5
0.25
0.3
0.5
0.75
0.9
0.1
0.25
0.3
0.5
0.75
0.1
0.5
0.25
0.5
0.75
0.1
0.5
0.25
0.5
0.1
0.25
0.75
0.5
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1P
relinu
1P
relinu
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1P
relinu
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1P
relinu
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
9 Logsig
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
0.1
0.25
0.3
0.5
0.9
Į
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.1
0.25
0.5
0.1
0.25
0.3
0.1
0.25
0.3
0.1
0.25
0.3
0.1
0.25
0.1
0.25
0.5
0.1
0.1
0.25
0.1
0.5
0.1
0.25
1 Purelin
0.5
0.75
0.1
0.25
0.5
lin
lin
lin
lin
lin
lin
lin
lin
86.7
lin
lin
lin
eorvtilm
eorvtilm
eorvtilm
iteorfvng
iteorfvng
8971
eotirvlm
lin
lin
61324
iteorfvng
lin
1472
15076
876
1563
84.5
84.
86.3
lin
lin
0.145
0.4178
0.317
0.514
lin
lin
lin
lin
0.51
0.814
lin
lin
lin
0.8173
0.29
lin
5304
2769
lin
8.9
90.4
lin
2940
lin
lin
29371
0.5134
0.6132
lin
lin
91.8
0.612
lin
lin
lin
lin
903.
0.13
86.5
0.5132
90.4
90.4
0.489
0.719
864.3
83.9
897.6
865.3
0.7198
0.13
0.81
0.129
lin
lin
89.1
86.5
0.214
0.719
0.015
lin
8043
lin
lin
lin
lin
3954
lin
83.9
0.413
872.
lin
0.9124
89.1
864.3
82.9
13479
0.0725
lin
lin
864.3
907.
23047
24763
iteorfvng
4560
35169
25879
41935
lin
4608
21836
0.5
92.25
0.129
0.923
lin
lin
lin
eorvtilm
lin
lin
lin
85.6
903.
572
4560
MSE
Output
0.9125
0.9172
0.23
832.0
lin
lin
50149
Accuracy
(%)
0.723
lin
lin
lin
89.1
914.
89.6
eorvtilm
Epochs
lin
lin
lin
lin
lin
lin
lin
lin
lin
lin
lin
lin
lin
lin
lin
lin
eorvtilm
0.1
0.51
0.51
0.51
0.51
Goal
ȕ
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.5178
lin
lin
9
2
1
udlaJ3gndm
riT
a
No.
1
2
3
4
5
6
7
8
9
10
1
12
13
14
15
16
17
18
19
20
21
2
23
24
25
26
27
28
29
30
31
32
3
34
35
36
37
38
39
40
41
42
43
4
45
46
47
48
49
50
51
52
53
54
5
56
57
58
59
60
61
62
63
64
65
6
67
68
69
70
71
72
73
74
75
76
7
78
79
80
81
82
83
84
85
86
87
Input
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
Hidden 1
9isogL
9isogL
9isogL
9isogL
9isogL
9isogL
9isogL
9isogL
9isogL
18isogL
18isogL
18isogL
18isogL
18isogL
18isogL
18isogL
18isogL
18iosgL
18isogL
18isogL
18isogL
18iosgL
19isogL
19iosgL
19isogL
19isogL
19iosgL
19isogL
19isogL
19isogL
19isogL
19isogL
19isogL
19isogL
19isogL
27iosgL
27iosgL
27isogL
27isogL
27isogL
27iosgL
27isogL
27isogL
27isogL
27isogL
27isogL
27isogL
27isogL
36iosgL
36iosgL
36isogL
36isogL
36iosgL
36iosgL
36isogL
36isogL
36isogL
36isogL
36isogL
36isogL
36isogL
9iosgL
9iosgL
9iosgL
9iosgL
9isogL
9isogL
9isogL
9isogL
9isogL
9isogL
9isogL
9isogL
9isogL
9isogL
9isogL
9isogL
9isogL
9isogL
9isogL
9isogL
9isogL
9isogL
9isogL
9isogL
9isogL
9isogL
18isogL
18isogL
18isogL
18isogL
18isogL
18isogL
18isogL
18isogL
18isogL
18isogL
18isogL
18isogL
18isogL
18isogL
18isogL
18isogL
18isogL
18isogL
18isogL
18isogL
18isogL
18isogL
18isogL
18isogL
18isogL
18isogL
Hidden 2
1rP
eunil
1P
relinu
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1P
relinu
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1P
relinu
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
1rP
eunil
0.3
1rP
eunil
0.3
1rP
eunil
0.3
1rP
eunil
0.1
1rP
eunil
0.5
1rP
eunil
0.5
1rP
eunil
0.5
1rP
eunil
0.7
1rP
eunil
0.9
1rP
eunil
0.9
1rP
eunil
0.9
1rP
eunil
0.1
1rP
eunil
0.1
1rP
eunil
0.3
1rP
eunil
0.3
1rP
eunil
0.3
1rP
eunil
0.1
1rP
eunil
0.5
1rP
eunil
0.5
1rP
eunil
0.5
1rP
eunil
0.7
1rP
eunil
0.9
1rP
eunil
0.9
1rP
eunil
0.9
1rP
eunil
0.1
1rP
eunil
0.1
0.1
0.1
0.3
0.3
0.3
0.1
0.5
0.5
0.9
0.1
0.1
0.3
0.3
0.3
0.1
0.5
0.5
0.5
0.7
0.9
0.9
0.9
0.1
0.1
0.3
0.3
0.3
0.1
0.5
0.5
0.5
0.7
0.9
0.9
0.9
0.1
0.1
0.3
0.3
0.3
0.1
0.5
0.5
0.5
0.7
0.9
0.9
0.9
0.1
0.1
0.3
0.3
0.3
0.1
0.5
0.5
0.5
0.7
0.9
0.9
0.9
0.1
0.25
0.9
0.9
0.1
0.5
0.9
0.1
0.5
0.1
0.9
0.1
0.5
0.1
0.25
0.9
0.9
0.1
0.5
0.9
0.1
0.5
0.1
0.9
0.1
0.5
Output
0.1
0.5
0.1
0.25
0.9
0.9
0.1
0.5
0.5
0.1
0.5
0.1
0.25
0.9
0.9
0.1
0.5
0.9
0.1
0.5
0.1
0.9
0.1
0.5
0.1
0.25
0.9
0.9
0.1
0.5
0.9
0.1
0.5
0.1
0.9
0.1
0.5
0.1
0.25
0.9
0.9
0.1
0.5
0.9
0.1
0.5
0.1
0.9
0.5
0.1
0.1
0.25
0.9
0.9
0.1
0.5
0.9
0.1
0.5
0.1
0.9
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
Į
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
0.51
Goal
ȕ
lin
lin
lin
lin
lin
lin
lin
lin
lin
lin
lin
lin
lin
lin
lin
lin
0.412
Epochs
lin
iteorfvng
eotirvlm
iteorfvng
eotirvlm
eotirvlm
87.0
lin
lin
lin
lin
lin
lin
lin
80
0.621
857.9
0.3195
lin
lin
eotirvlm
lin
84
lin
lin
435
lin
lin
lin
3418
lin
0.521
lin
lin
lin
lin
91.8
0.178
lin
lin
lin
lin
lin
lin
87.
0.24
lin
857
.9
lin
lin
lin
lin
48296
lin
lin
lin
lin
lin
0.51
lin
lin
89.3
0.218
lin
lin
lin
lin
lin
lin
lin
lin
lin
lin
lin
lin
lin
lin
iteorfvng
lin
lin
lin
10852
4502
875
.4
872.
lin
lin
lin
64902
lin
lin
lin
lin
lin
lin
lin
4523
95372
lin
lin
1537
3761
lin
lin
lin
lin
lin
lin
lin
0.519
86.5
0.8167
857.9
864.3
lin
lin
lin
lin
lin
lin
lin
0.18
0.4193
lin
lin
83.9
853.2
lin
lin
0.3192
0.136
lin
lin
lin
lin
lin
lin
lin
0.127
0.8162
896
.
89.1
lin
lin
lin
eotirvlm
eotirvlm
lin
lin
lin
lin
lin
lin
lin
lin
lin
lin
4790
83952
lin
lin
lin
lin
lin
lin
lin
lin
lin
lin
91.5
89.2
lin
lin
lin
0.529
0.43
lin
lin
lin
lin
eotirvlm
eotirvlm
14738
462
9632
658
14653
lin
5637
lin
lin
lin
lin
57249
2049
0.156
lin
lin
lin
lin
lin
lin
lin
896.
86.5
907.
875.4
89.2
861.7
91.
lin
lin
lin
lin
0.79
0.312
0.182
0.812
0.412
0.815
0.9153
lin
83.9
lin
0.6123
lin
lin
lin
lin
872.
83.9
lin
lin
lin
lin
0.142
0.913
Accuracy
(%)
MSE
Output
130
Jadual 3 Traingdm
No.
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
Input
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
Hidden 1
19 Logsig
19 Logsig
19 Logsig
19 Logsig
19 Logsig
19 Logsig
19 Logsig
19 Logsig
19 Logsig
19 Logsig
27 Logsig
27 Logsig
27 Logsig
27 Logsig
27 Logsig
27 Logsig
27 Logsig
27 Logsig
27 Logsig
27 Logsig
36 Logsig
36 Logsig
36 Logsig
36 Logsig
36 Logsig
36 Logsig
36 Logsig
36 Logsig
36 Logsig
36 Logsig
36 Logsig
36 Logsig
36 Logsig
36 Logsig
36 Logsig
36 Logsig
36 Logsig
36 Logsig
36 Logsig
36 Logsig
36 Logsig
36 Logsig
36 Logsig
36 Logsig
36 Logsig
36 Logsig
36 Logsig
36 Logsig
36 Logsig
27 Logsig
27 Logsig
27 Logsig
27 Logsig
27 Logsig
27 Logsig
27 Logsig
27 Logsig
27 Logsig
27 Logsig
27 Logsig
27 Logsig
Hidden 2
19 Logsig
19 Logsig
19 Logsig
19 Logsig
19 Logsig
19 Logsig
19 Logsig
19 Logsig
19 Logsig
19 Logsig
27 Logsig
27 Logsig
27 Logsig
27 Logsig
27 Logsig
27 Logsig
27 Logsig
27 Logsig
27 Logsig
27 Logsig
36 Logsig
36 Logsig
36 Logsig
36 Logsig
27 Logsig
27 Logsig
27 Logsig
27 Logsig
27 Logsig
27 Logsig
27 Logsig
27 Logsig
27 Logsig
27 Logsig
27 Logsig
27 Logsig
27 Logsig
18 Logsig
18 Logsig
18 Logsig
18 Logsig
18 Logsig
18 Logsig
9 Logsig
9 Logsig
9 Logsig
9 Logsig
9 Logsig
9 Logsig
18 Logsig
18 Logsig
18 Logsig
18 Logsig
18 Logsig
18 Logsig
9 Logsig
9 Logsig
9 Logsig
9 Logsig
9 Logsig
9 Logsig
Output
1 Purelin
1 Purelin
1 Purelin
1 Purelin
1 Purelin
1 Purelin
1 Purelin
1 Purelin
1 Purelin
1 Purelin
1 Purelin
1 Purelin
1 Purelin
1 Purelin
1 Purelin
1 Purelin
1 Purelin
1 Purelin
1 Purelin
1 Purelin
1 Purelin
1 Purelin
1 Purelin
1 Purelin
1 Purelin
1 Purelin
1 Purelin
1 Purelin
1 Purelin
1 Purelin
1 Purelin
1 Purelin
1 Purelin
1 Purelin
1 Purelin
1 Purelin
1 Purelin
1 Purelin
1 Purelin
1 Purelin
1 Purelin
1 Purelin
1 Purelin
1 Purelin
1 Purelin
1 Purelin
1 Purelin
1 Purelin
1 Purelin
1 Purelin
1 Purelin
1 Purelin
1 Purelin
1 Purelin
1 Purelin
1 Purelin
1 Purelin
1 Purelin
1 Purelin
1 Purelin
1 Purelin
Į
0.3
0.3
0.3
0.1
0.5
0.5
0.1
0.1
0.5
0.5
0.3
0.3
0.3
0.1
0.5
0.5
0.1
0.1
0.5
0.5
0.3
0.3
0.1
0.1
0.3
0.3
0.3
0.1
0.5
0.5
0.5
0.7
0.9
0.9
0.9
0.1
0.1
0.3
0.3
0.3
0.1
0.1
0.1
0.3
0.3
0.3
0.1
0.1
0.1
0.3
0.3
0.3
0.1
0.1
0.1
0.3
0.3
0.3
0.1
0.1
0.1
ȕ
0.1
0.25
0.9
0.9
0.1
0.9
0.1
0.5
0.5
0.9
0.1
0.25
0.9
0.9
0.1
0.9
0.1
0.5
0.5
0.9
0.25
0.9
0.1
0.5
0.1
0.25
0.9
0.9
0.1
0.5
0.9
0.1
0.5
0.1
0.9
0.1
0.5
0.1
0.25
0.9
0.9
0.1
0.5
0.1
0.25
0.9
0.9
0.1
0.5
0.1
0.25
0.9
0.9
0.1
0.5
0.1
0.25
0.9
0.9
0.1
0.5
Goal
0.015
0.015
0.015
0.015
0.015
0.015
0.015
0.015
0.015
0.015
0.015
0.015
0.015
0.015
0.015
0.015
0.015
0.015
0.015
0.015
0.015
0.015
0.015
0.015
0.015
0.015
0.015
0.015
0.015
0.015
0.015
0.015
0.015
0.015
0.015
0.015
0.015
0.015
0.015
0.015
0.015
0.015
0.015
0.015
0.015
0.015
0.015
0.015
0.015
0.015
0.015
0.015
0.015
0.015
0.015
0.015
0.015
0.015
0.015
0.015
0.015
Epochs
181662
53350
overlimit
45852
nil
nil
65733
27310
15336
10944
nil
105355
7851
nil
nil
overfitting
24009
20721
nil
nil
nil
5657
30044
12063
30925
76857
67662
12363
nil
nil
nil
nil
nil
nil
nil
24357
9490
21331
15810
110810
27513
17753
15680
24006
24976
10113
19023
24320
23401
20502
55584
10105
27344
35121
18150
24659
15772
12243
23051
30692
24167
Accuracy
(%)
90.4
90.41
90.77
88.19
nil
nil
86.71
87.83
87.83
85.24
nil
90.4
88.19
nil
nil
MSE
Output
0.142
0.1323
0.1339
12331
nil
nil
0.1119
0.1266
0.1423
0.15654
nil
0.17722
0.1324
nil
nil
91.14
90.04
nil
nil
nil
90.1
88.2
90.78
90.77
89.3
89.67
88.5
nil
nil
nil
nil
nil
nil
nil
89.67
91.14
92.25
88.56
89.67
92.25
89.3
90.03
87.1
89.29
90.03
88.56
87.08
87.82
90.41
90.03
86.71
89.3
84.87
85.98
91.51
92.25
88.92
87.82
91.14
87.08
0.1333
0.1151
nil
nil
nil
0.1087
0.1374
0.1054
0.0959
0.1047
0.1321
0.1167
nil
nil
nil
nil
nil
nil
nil
0.1332
0.1161
0.1053
0.12786
0.23236
0.0892
0.11251
0.10272
0.1058
0.1087
0.1066
0.12016
0.15878
0.1198
0.86
0.10189
0.16554
0.12987
0.19488
0.14976
0.080042
0.08502
0.15072
0.1472
0.094015
0.12798
131
LAMPIRAN I2 Model Rangkaian VCC yang Menggunakan Nilai Sasaran 0.01
Jadual Traingdx
No.
Output
Į
ȕ
Goal
Epochs
Accuracy
(%)
MSE
Output
9 Logsig
1 Purelin
0.1
0.1
0.01
nil
nil
nil
9
9 Logsig
1 Purelin
0.1
0.25
0.01
nil
nil
nil
9
9 Logsig
1 Purelin
0.1
0.75
0.01
nil
nil
nil
4
9
9 Logsig
1 Purelin
0.3
0.1
0.01
nil
nil
nil
5
9
9 Logsig
1 Purelin
0.3
0.9
0.01
nil
nil
nil
6
9
9 Logsig
1 Purelin
0.7
0.25
0.01
nil
nil
nil
7
9
9 Logsig
1 Purelin
0.9
0.9
0.01
nil
nil
nil
8
9
27 logsig
18 logsig
1 Purelin
0.1
0.1
0.01
nil
nil
nil
9
9
27 logsig
18 logsig
1 Purelin
0.1
0.5
0.01
nil
nil
nil
10
9
27 logsig
18 logsig
1 Purelin
0.1
0.9
0.01
nil
nil
nil
11
9
27 logsig
18 logsig
1 Purelin
0.3
0.1
0.01
nil
nil
nil
12
9
27 logsig
18 logsig
1 Purelin
0.7
0.5
0.01
nil
nil
nil
13
9
19 logsig
1 Purelin
0.1
0.1
0.01
nil
nil
nil
1 Purelin
0.1
0.1
0.01
nil
nil
nil
1 Purelin
0.1
0.1
0.01
nil
nil
nil
1 Purelin
0.1
0.5
0.01
nil
nil
nil
Accuracy
(%)
MSE
Output
Input
Hidden 1
1
9
2
3
Hidden 2
`14
9
27 logsig
18 logsig
15
9
9 Logsig
9 Logsig
16
9
19 logsig
Hidden
3
9
logsig
Jadual Traingdm
No.
Input
Hidden 1
Hidden 2
Output
Į
ȕ
Goal
Epochs
1
9
9 Logsig
1 Purelin
0.05
0.1
0.01
nil
nil
nil
2
9
9 Logsig
1 Purelin
0.05
0.5
0.01
nil
nil
nil
3
9
9 Logsig
1 Purelin
0.3
0.1
0.01
nil
nil
nil
4
9
9 Logsig
1 Purelin
0.3
0.25
0.01
nil
nil
nil
5
9
9 Logsig
1 Purelin
0.3
0.9
0.01
nil
nil
nil
6
9
18 Logsig
1 Purelin
0.9
0.1
0.01
nil
nil
nil
7
9
9 Logsig
9 Logsig
1 Purelin
0.05
0.25
0.01
nil
nil
nil
8
9
18 Logsig
9 Logsig
1 Purelin
0.1
0.1
0.01
nil
nil
nil
9
9
18 Logsig
9 Logsig
1 Purelin
0.05
0.1
0.01
nil
nil
nil
10
9
27 Logsig
18 Logsig
1 Purelin
0.1
0.1
0.01
nil
nil
nil
132
Jadual Traingd
No.
Input
Hidden 1
1
9
2
9
3
3
Hidden 2
Epochs
Accuracy
(%)
MSE
Output
Output
Į
ȕ
Goal
9 Logsig
1 Purelin
0.1
nil
0.015
nil
nil
nil
9 Logsig
1 Purelin
0.1
nil
0.01
nil
nil
nil
9
9 Logsig
1 Purelin
0.25
nil
0.01
nil
nil
nil
9
9 Logsig
1 Purelin
0.3
nil
0.01
nil
nil
nil
4
9
9 Logsig
1 Purelin
0.5
nil
0.01
nil
nil
nil
5
9
9 Logsig
1 Purelin
0.75
nil
0.01
nil
nil
nil
6
9
9 Logsig
1 Purelin
0.9
nil
0.01
nil
nil
nil
7
9
18 Logsig
1 Purelin
0.1
nil
0.01
nil
nil
nil
8
9
18 Logsig
1 Purelin
0.25
nil
0.01
nil
nil
nil
9
9
18 Logsig
1 Purelin
0.3
nil
0.01
nil
nil
nil
10
9
18 Logsig
1 Purelin
0.5
nil
0.01
nil
nil
nil
11
9
18 Logsig
1 Purelin
0.75
nil
0.01
nil
nil
nil
12
9
19 Logsig
1 Purelin
0.1
nil
0.01
nil
nil
nil
13
9
19 Logsig
1 Purelin
0.05
nil
0.01
nil
nil
nil
14
9
19 Logsig
1 Purelin
0.25
nil
0.01
nil
nil
nil
15
9
19 Logsig
1 Purelin
0.5
nil
0.01
nil
nil
nil
16
9
19 Logsig
1 Purelin
0.75
nil
0.01
nil
nil
nil
17
9
9 Logsig
9 Logsig
1 Purelin
0.1
nil
0.01
nil
nil
nil
18
9
9 Logsig
9 Logsig
1 Purelin
0.25
nil
0.01
nil
nil
nil
19
9
9 Logsig
9 Logsig
1 Purelin
0.3
nil
0.01
nil
nil
nil
20
9
9 Logsig
9 Logsig
1 Purelin
0.5
nil
0.01
nil
nil
nil
21
9
9 Logsig
9 Logsig
1 Purelin
0.9
nil
0.01
nil
nil
nil
22
9
9 Logsig
9 Logsig
1 Purelin
0.1
nil
0.01
nil
nil
nil
23
9
9 Logsig
9 Logsig
1 Purelin
0.1
nil
0.01
nil
nil
nil
24
9
9 Logsig
9 Logsig
1 Purelin
0.5
nil
0.01
nil
nil
nil
25
9
18 Logsig
18 Logsig
1 Purelin
0.1
nil
0.01
nil
nil
nil
26
9
18 Logsig
18 Logsig
1 Purelin
0.5
nil
0.01
nil
nil
nil
27
9
19 Logsig
19 Logsig
1 Purelin
0.1
nil
0.01
nil
nil
nil
28
9
27 Logsig
0.1
nil
0.01
nil
nil
nil
29
9
18 Logsig
0.1
nil
0.01
nil
nil
nil
9 Logsig
LAMPIRAN J
J1
PENULISAN & PENERBITAN
A New Framework in Extracting Features of Irregular Line
Drawing
J2
Neural Network In Corner Detection Of Chain Code Series
J3
Chain Code Schemes and Its Application: A Review
J4
Neural Network In Corner Detection Of Vertex Chain Code Series
133
LAMPIRAN J
134
135
Chain Code Schemes and Its Application: A Review
Syarul Haniz Subri , Habibollah Haron, Roselina Sallehuddin
Faculty of Computer Science & Information Systems
Universiti Teknologi Malaysia, 81310 UTM Skudai, Johor, Malaysia
syhaniz@
hotmail.com , habib@
fsksm.utm.my , lina@
fsksm.utm.my
Phone: 07-5532349, Fax: 07-5565044
Abstract
Chain codes are the standard input format for numerous shape analysis algorithms. It represents shape by
using series of code. The codes represent the direction of where is the location of the next pixel. Chain code
research has its beginnings in 1960’s by Freeman who described a method permitting the encoding of
arbitrary geometric configurations. The earlier chain code by Freeman has several limitations. This chain
code has been modified and improved by many researchers. New chain code by Bribiesca has been
introduced in this paper. This paper also reviews an application of Freeman Chain Code and Bribiesca
Chain Code.
Keywords:
1
chain code, shape representation, line drawing interpretation
INTRODUCTION
Chain code is one of the popular picture
representation techniques and widely used for
image processing 1[ , 2], sh ape analysis 3[ , 4]and
pattern recognition 5[ -10]fields. Chain code is
an alternative way in representing image.
Zingaretti 3[ ]concluded that chain coding is an
error-free coding technique.
In the hierarchy of pattern description
languages, the chain code is a primitive scheme
for representing line structures and therefore is
ideal when the line structures are expected to be
highly irregular or when there is little a priori
knowledge about them [11]. Wilf 1[ 2]described,
chain code has many advantages, it is compact,
easy to construct, easy to understand, convenient
for some kinds of mathematical manipulation,
and useful for some types of statistical object
recognition.
Chain code itself has experienced many
revolution and enhancement. All the revolution
and enhancement is based on Freeman chain
code. This paper presented two different types of
main chain code schemes which are Freeman
chain code schemes and Bribiesca chain code
schemes. This paper is divided into five sections.
This section gives an introduction of chain code.
The second section present chain code schemes
and the third section discuss on chain code
application. The fourth section is discussed of
chain code future trends. The final section is
summarized of chain code and this paper.
2
CHAIN CODE SCHEMES
There are two main chain code schemes
which are Freeman Chain Code and Bribiesca
Chain Code. These chain codes comply with
three general objectives which have been stated
by Freeman [11]. Th e objectives are:
i. It must faithfully preserve the information of
interest
ii. It must permit compact storage and be
convenient for display
iii. It must facilitate any required processing
The three objectives are somewhat in conflict
with each other, and any code necessary involves
a compromise among them.
A research about chain code is started in
1960’s. Since then, a research of chain code
becoming wide and more popular. Result of that,
many kind of chain code was developing. How
ever many of the chain code which has been
developed are just an enhancement and extended
version from Freeman Chain Code. The example
of enhancement and extended version of
Freeman Chain Code is Primitives chain Code
(PCC) which was developed by O’Gorman. This
chain code is an information-preserving code for
the representation of images containing eighthconnected lines 1[ 3]. While Minami 1[ 4]propose
multiple encoding schemes and claim that his
Multiple Grid Chain Code MGCC has many
advantages over the Freeman Chain Code. The
special feature of the MGCC is that quantization
points of this chain code are allocated at the
perimeter of the square rather than its corners.
136
NEURAL NETWORK IN CORNER DETECTION OF
VERTEX CHAIN CODE SERIES
SYARUL HANIZ SUBRI, HABIBOLLAH HARON, ROSELINA SALLEHUDDIN
Faculty of Computer Science & Information Systems
University Technology of Malaysia, 81310 UTM Skudai, Johor, Malaysia
Phone: 6+07-5532059, 6+07-5532012, 6+07-5532082, Fax: 6+07-5565044
syhaniz@
hotmail.com, habib@
fsksm.utm.my, lina@
fsksm.utm.my
Abstract
This paper presents a Neural Network Classifier to be
implemented in corner detection of chain code series. The
classifier directly uses chain code which is derived using
Vertex chain code as training, testing and validation set.
The steps of developing Neural Network Classifier are
included in this paper. Comparison results between
Vertex chain code Neural Network Classifier with other
computational corner detection are presented to show the
reliability of the proposed classifier. This paper ends with
the discussions on the implementation of proposed neural
network in corner detection of chain code series.
Experimental results have shown that the proposed
network has good robustness and detection performance.
This makes this method a great choice for machine vision.
Keywords: Neural network,
detection, Line drawing
1.
Chain
code,
Corner
Introduction
Corner detection is an important aspect in image
processing and researchers find many practical
applications in it. Corner that exists in any irregular line
must be detected so that the irregular line can be
interpreted to represent actual line. Corners serve to
simplify the analysis of images by drastically reducing the
amount of data to be processed [1.]
A different chain code named Vertex chain code
(VCC) has been proposed by Bribiesca 2[ ]in the end of
90’s. VCC is a boundary chain code and it is based on the
numbers of cell vertices which are in touch with the
bounding contour of the shape. Shape can be computed
directly from the VCC without going to Cartesiancoordinate representation. VCC has it own way to
represent a shape. There are three different forms of cells
to represent a shape which are triangular, rectangular and
hexagonal. This paper focused on rectangular cell which
the codes are 1, 2 and 3. Figure xxx shows an example of
the VCC using rectangular cells.
Many researchers’ studies show that corner detection of
chain-code use computational method as their main
methodology. This computational method was used by
Haron 3[ ,] Ji 4[ ]and Lee 5[ .] Previous paper by Haniz 6[ ]
used Freeman chain code (FCC) directly to neural
network and developed FCC neural network corner
detector. This gives motivation for this paper to apply
VCC with neural network. This paper discussed a
biological system which used Artificial Neural Network
technique as a methodology. Neural network applied
Vertex chain code directly to the network and no
computational method was used in this corner detector.
Artificial intelligence becomes more popular
nowadays. This paper presents an Artificial Neural
Network based approach to corner detection in two
dimensional (2D) line drawings. The idea for applying
neural network corner detection is based on past works
which were done by Dias 7[ ,] Tsai 8[ ] and Sanchiz 9[ .]
However based on the research done, there was no latest
further work done to enhance and improve this method.
This paper is expected to lead other researchers to do
research in this area.
The organization of this paper is as follows. It is
divided into five sections. This section gives introduction,
several past works and application on neural network to
corner detection using chain code series. Next, details of
the proposed methodology are discussed. After that is
section for experimental result and comparison of the
result with computational method. Then it is followed by
conclusion in section four and finally, future works are
presented in the remaining section.
2.
Neural Network Classifier
The Neural Network (NN) Classifier in this paper
identifies the corner detection of 2D line drawing. The
line drawing was codified to chain code using Vertex
chain code and was directly used as an input of the NN
Classifier. The outputs of the NN Classifier are

download soal

download

download

download

download

download

kod etika 2016

download

download

download

download