Jurnal Teknologi Informasi

Algoritma Hebb-Rule merupakan algoritma pembelajaran pada jaringan saraf tiruan. Algoritma ini dapat mencari nilai bobot peran dari masing-masing input. Sehingga dapat menghasilkan  output yang terpisah secara linear sesuai dengan kondisi yang diberikan ketika dilakukan pelatihan terhadap sistem.

Variasi channel RGB yang dijadikan tujuh variasi, yaitu R, G, B, RG, RB, GB dan RGB. Ketujuh variasi tersebut dapat di threshold nilai grayscale nya, sehingga menghasilkan citra binernya masing-masing. Ketujuh variasi channel ini akan menjadi input pada jaringan saraf tiruan. Perbandingan ketujuh variasi tersebut diimplementasikan pada perkalian masing-masing input dengan masing-masing bobotnya. Output yang dihasilkan diadaptasi hanya untuk 0 dan 1. Algoritma Hebb-rule dan algoritma dapat digunakan pada pelatihan untuk menghasilkan bobot yang akan menentukan peranan dari masing-masing input variasi channel RGB pada segmentasi citra untuk menentukan warna yang akan dianggap obyek dan warna yang dianggap latar belakang. Perbedaan dari kedua algoritma training ini adalah pada rumus pencarian bobot baru. Dengan perbedaan tersebut menghasilkan perbedaan bobot dan waktu iterasi yang dihasikan.

Ahuja, Vicky., Anand, Vivek., Gandhi, Varun., Yadav, Varsha., “Artificial neural network: all about artificial neural world, Indian Journal of Engineering”, Volume 6, Number 15, November 2013 (ISSN 2319 – 7757 EISSN 2319 –7765), page 6-8

Aviv, Rotem., “Algorithms for testing connectivity - Implementation on binary images”, Tel-Aviv University, Tel-Aviv, 2011. p:14

Chan, Tony F., Esedo¯glu, Selim., Nikolova, Mila., “Finding The Global Minimum For Binary Image Restoration”, IEEE, 2005 (pp: I21-I24)

Chen, Tao., Takagi, Mikio., “Image Binarization By Back Propagation Algorithm”, International Society for Photogrammetry and Remote Sensing XXIX, 1992, August 2-14, 1992, Washington, D.C., USA. p:345-349

Desiani, Anita., Arhami, Muhammad., Konsep Kecedasan buatan, Andi Offset, Yogyakarta, 2006.

Gonzalez and Woods, Digital image processing, 2nd Edition, prentice hall, 2002

Hermawan, Arif., Jaringan Saraf Tiruan, Andi Offset, Yogyakarta, 2006.

Huyck, Christian R., Mitchell, Ian G., “Compensatory Hebbian learning for categorisation in simulated biological neural nets”, Journal: Biologically InspiRed Cognitive Architectures, Vol 6, 2013, (ISSN: 2212-683X) page 3-7

Ibraheem, Noor A., Hasan, Mokhtar M., Khan, Rafiqul Z., Mishra, Pramod K., "Understanding Color Models: A Review", ARPN Journal of Science and Technology VOL. 2, NO. 3, April 2012, (p265-275)

Khardon, Roni., Wachman, Gabriel., “Noise Tolerant Variants of the Perceptron Algorithm”, Journal of Machine Learning Research 8 (2007) 227-248 Submitted 11/05; Revised 10/06; Published 2/07

Low, Adrian., “Introductory Computer Vision and Image Processing”, McGraw-Hill, Berkshire, UK, 1991

Mulyana, Teady M.S., “Penggunaan Nilai Skala Keabuan dari Citra Watermark sebagai Cetak Biru Dari Visible Watermarking”, Procedding Seminar Nasional Informatika 2013, 18 Mei 2013, UPN Yogyakarta

Mulyana, Teady.M.S., Suherman, Anggie., 2013, “Segmentasi Objek Citra Berdasarkan Perbandingan Channel RGB”, Bunda Mulia University, Jakarta. (Laporan Penelitian - not published)

Mulyana, Teady.M.S., Heriyono, Valerian., "Penerapan Hebb-Rule Pada Segmentasi Obyek Citra Berdasarkan Perbandingan Channel RGB", Bunda Mulia University, Jakarta, 2014. (Laporan Penelitian - not published)

Nobuyuki. Otsu, “A threshold selection method from gray level histograms,” IEEE Trans. Systems, Man and Cybernetics, vol. 9, pp. 62–66, 1979.

Mukherjee, Aroop. Kanrar, Soumen., “Enhancement of Image Resolution by Binarization”, International Journal of Computer Applications (ISSN: 0975–8887), Volume 10 – No.10, November 2010 15, p:15-19

Pugh, Justin K., Soltoggio, Andrea,, and Stanley, Kenneth O., “Real-time Hebbian Learning from Autoencoder Features for Control Tasks”, Proceeding of the Fourteenth International Conference on the Synthesis and Simulation of Living Systems (ALIFE 14).Cambridge, MA: MIT Press, 2014.

Ridler, T., Calvard, S., “Picture thresholding using an iterative selection method,” IEEE Transactions on Systems, Man and Cybernetics, vol. 8, no. 8, pp. 630–632, Aug. 1978

Sathasivam, Saratha., “Learning Rules Comparison in Neuro-Symbolic Integration”, International Journal of Applied Physics and Mathematics, Vol. 1, No. 2, September 2011, AbuDhabi University, UAE (ISSN: 2010-362X) page 129-132

Sauvola, J., Kinen, M. Pietika., "Adaptive document image binarization", Pattern Recognition Vol 33, Pattern Recognition Society. Elsevier Science Ltd, 1999, pp:225-236

Sutoyo, T., Mulyanto, E., Suhartono V., Nurhayanti OD., Wijanarto., “Teori Pengolahan Digital”, Andi Offset, Yogyakarta, 2009.

Wen, Che-Yen., Chou, Chun-Ming, “Color Image Models and its Applications to Document Examination”, Forensic Science Journal. pp. 23-32 .Vol. 3(1). 2004.