Makalah Pengenalan Pola ( Pattern Recognition)

MAKALAH

PENGANTAR TEKNOLOGI INFORMASI

PENGENALAN POLA (PATTERN RECOGNITION)

Disusun oleh:

Dedy Indra Setiawan 16753011 Defta Alfiansyah 16753012 Destu Kurniadi 16753016 Edo Yulistama 16753018	M.Andre Wiira Aditya 16753034             M.DaffaAliffandhana 16753031 M. Reyhan Dirgantara 16753030

PROGRAM STUDY MANAJEMEN INFORMATIKA

POLITEKINIK NEGERI LAMPUNG

TAHUN 2016/2017

DAFTAR ISI

BAB Pendahuluan

1.1 Latar Belakang......................................................................................... 3

1.2 Rumusan Masalah.................................................................................... 4

1.3 Batasan Masalah....................................................................................... 4

1.4 Tujuan....................................................................................................... 4

BAB II Dasar Teori

2.1 Supervise learning method....................................................................... 5

2.2 Kecerdasan Jaringan Syaraf Tiruan.......................................................... 5

2.3 Algoritma Perceptron............................................................................... 5

2.4 Proses Pengolahan Citra........................................................................... 6

2.5 Prinsipal Komponen Analisis................................................................... 7

BAB III PERANCANGAN SISTEM

2.1 Desain Sistem Pengenalan Benda Terkorosi............................................ 8

2.1.1 Prinsipal Komponen Analisis................................................................ 8

2.2.2 Kecerdasan Jaringan Syaraf.................................................................. 8

2.2 Desain Pola Huruf.................................................................................... 8

2.2.1 Teknik Pembacaan Pola Huruf dengan Binerisasi................................. 10

BAB IV Pembahasan

4.2 Pengenalan pola bahan terkorosi.............................................................. 13

4.3.1 Pengujian Huruf.................................................................................... 14

4.3.2 implementasi sistem............................................................................... 14

BAB V Pendahuluan

KESIMPULAN............................................................................................. 17

DAFTAR PUSTAKA

BAB I

Pendahuluan

1.1 Latar Belakang

Pengenalan pola merupakan bidang di dalam pembelajaran mesin yang bertujuan untuk mengklasifikasikan objek berdasarkan ciri-ciri yang dimilikinya. Seperti image, berat, atau parameter-parameter lain yang ditentukan kedalam kategori atau kelas.

Seiring dengan perkembangan zaman, teknologi yang menggunakan komputer berkembang dengan pesat. Hampir setiap individu di dunia memerlukan komputer sebagai alat bantu untuk menyelesaikan masalahnya. Hampir semua sistem analog digantikan dengan sistem komputerisasi. Keunggulannya adalah sistem komputerisasi lebih mudah dalam pengontrolan. Dalam hal ini misalnya pengontrolan di dalam mengidentifikasi suatu objek atau citra. Komputer diusahakan untuk dapat bekerja mendekati proses kerja otak manusia.

Kemampuan inilah yang dikembangkan dengan menggunakan mesin (komputer). Dengan pengenalan pola kita mampu mengimplementasikan kemampuan cerdas komputer agar dapat mendekati proses otak manusia. Dalam makalah ini kami melakuan studi komparasi berbeda dengan dua contoh pengenalan pola yaitu  PENGENALAN POLA BAHAN TERKOROSI MENGGUNAKAN METODA PEMBELAJARAN PERCEPTRON PADA SISTIM JARINGAN SYARAF dengan PENGENALAN HURUF BERBASIS JARINGAN SYARAF TIRUAN MENGGUNAKAN ALGORITMA PERCEPTRON. Dalam contoh pengenalan pola tersebut kami membahas tentang metode pengenalan pola yang sama dalam kasus yang berbeda. Metode yang sama dalam dua contoh tesebut adalah metode sistem jaringan syaraf tiruan dengan menggunakan algoritma perceptron.

Algoritma Perceptron dalam jaringan syaraf tiruan dikenal sebagai algoritma yang hanya digunakan untuk mengklasifikasikan apakah sebuah pola masuk ke suatu kelas atau tidak. Namun dari sifat tersebut nampaknya perceptron juga mampu digunakan untuk mengklasifikasikan sebuah pola masuk kekelas mana, dengan cara membandingkan pola kedalam setiap kelas yang ada. Dengan kemampuan metode jaringan syaraf tiruan kami ingin mengetahui mengapa metode tersebut dapat diimplementasikan dalam masalah yang berbeda.

1.2 Rumusan Masalah

Pembahasan dari dua metode pengenalan pola yaitu metode jaringan syaraf tiruan dengan algoritma perceptron.

1.3 Batasan Masalah

Batasan masalah dari study komparasi adalah Bagaimana metode JST (jaringan syaraf tiruan) dalam merancang pengenalan pola untuk mengidentifikasi huruf dan pengenalan pola bahan terkorosi?

1.4 Tujuan

Mengetahui perbedaan dari rancangan pengenalan pola untuk mengidentifikasi huruf dan pengenalan pola bahan terkorosi.

BAB II

Dasar Teori

2.1 Supervise learning method

Metode klasifikasi dan prediksi dinamakan supervised learning, dengan alasan ada proses supervisi, yaitu data training disertai dengan label yang menunjukkan kelas observasi, dan data baru diklasifikasikan berdasarkan training set. Tujuan pada pembelajaran supervised learning adalah untuk menentukan nilai bobot-bobot koneksi di dalam jaringan sehingga jaringan dapat melakukan pemetaan (mapping) dari input ke output sesuai dengan yang diinginkan. Pemetaan ini ditentukan melalui satu set pola contoh atau data pelatihan (training data set).

2.2 Kecerdasan Jaringan Syaraf Tiruan

Jaringan saraf tiruan (JST) (Bahasa Inggris: artificial neural network (ANN), atau  juga  disebut simulated neural network  (SNN), atau umumnya hanya disebut neural network (NN)),  adalah jaringan dari sekelompok unit pemroses kecil yang dimodelkan berdasarkan jaringan saraf manusia. JST merupakan sistem adaptif yang dapat  merubah  strukturnya  untuk   memecahkan  masalah  berdasarkan  informasi eksternal maupun internal yang mengalir melalui jaringan tersebut.

Pemodelan jaringan syaraf merupakan pembelajaran dan penyesuaian suatu obyek. Metode perceptron adalah metode pembelajaran dengan pengawasan dalam sistim jaringan syaraf, sehingga jaringan yang dihasilkan harus mempunyai parameter yang dapat

diatur dengan cara mengubah melalui aturan pembelajaran dengan pengawasan perceptro untuk aplikasi pengenalan pola digambarkan sebagai unsur matrik antara 0 dan 1. Layer pertama perceptron menyatakan suatu kumpulan ”detektor tanda” sebagai isyarat input untuk mengetahui tanda khusus.

2.3 Algoritma Perceptron

Perceptron adalah salah satu algoritma pembelajaran single layer yang mempelajari suatu  procedure dengan melakukan perulangan sampai mendapatkan bobot neural yang tepat. Algoritma Pembelajaran Perceptron lebih baik dibandingkan dengan algoritma Hebb rule (Fausset, Fundamentals of Neural Networks :Architectures, Algorithms, and Applications). Perceptron menggunakan fungsi aktivasi biner untuk unit sensor dan unit  asosiasi serta  menggunakan  +1, 0, -1 aktivasi untuk respon unit.

2.4 Proses Pengolahan Citra

Suatu pola mempunyai suatu tekstur khusus, dengan berbagai variasi dalam tingkat keabuan atau warna. Rata-rata tingkat keabuan dan simpangan baku dinyatakan sebagai momen. Rata-rata dihubungkan dengan momen pertama, simpangan baku tergantung pada momen kedua dan terdapat beberapa ukuran lainnya yang digunakan untuk menyatakan karakteristik suatu daerah tekstur.

2.5 Prinsipal Komponen Analisis

Prinsipal  komponen  analisis  (PCA)  adalah teknik   untuk   menyederhanakan   kumpulan   data dengan mengurangi kumpulan data banyak dimensi menjadi dimensi yang lebih rendah. Analisis ini adalah suatu transformasi linier orthogonal yang mentransformasi data ke sistem koordinat baru, sehingga keragaman terbesar dengan suatu proyeksi berada pada koordinat pertama (disebut prinsipal komponen pertama), keragaman terbesar kedua pada koordinat kedua dan seterusnya. Untuk suatu matriks data dengan nilai tengah nol (sebaran normal baku).

BAB III

PERANCANGAN SISTEM

2.1 Desain Sistem Pengenalan Benda Terkorosi

2.1.1 Prinsipal Komponen Analisis

Prinsipal  komponen  analisis  (PCA)  adalah teknik   untuk menyederhanakan   kumpulan   data dengan mengurangi kumpulan data banyak dimensi menjadi dimensi yang lebih rendah. Analisis ini adalah  suatu  transformasi  linier  orthogonal  yang mentransformasi data ke sistem koordinat baru, sehingga keragaman terbesar dengan suatu proyeksi berada pada koordinat pertama (disebut prinsipal komponen pertama), keragaman terbesar kedua pada koordinat kedua dan seterusnya. Untuk suatu matriks data dengan nilai tengah nol (sebaran normal baku), Transformasi PCA diberikan sebagai:

Y T = X TW = V Σ

V ΣWT adalah singular value dekomposisi (svd) dari

X T [7]. PCA untuk data matriks X diberikan

sebagai :

Y =WT X = ΣV T (9)

dimana W ΣV T adalah svd dari X. PCA dapt

menggunakan metoda kovaransi atau metoda korelasi.

2.2.2 Kecerdasan Jaringan Syaraf

Berhubungan terhadap satuan output (dalam layer terakhir). Jika hanya bobot pendahulu pada layer terakhir yang dirubah, perceptron dalam gambar 3 diperlakukan sebagai perceptron layer tunggal. Dimulai dengan himpunan bobot terhubung yang acak, algoritma pembelajaran perceptron layer tunggal diulangi mengikuti tahapan berikut sampai bobot konvergen:

a. Pilih suatu vektor input x dari kumpulan data pelatihan

b. Jika perceptron memberikan jawaban salah, modifikasi semua bobot terhubung wi sesuai dengan i i i Δw =η t x , i t : target output dan η : tingkat pembelajaran.

2.2 Desain Pola Huruf

Dalam klasifikasi huruf pada penelitian ini hanya dibatasi menggunakan huruf kapital dari ‘A’, ‘B’, ‘C’,’D’,’E’,’J’,’K’. Huruf-huruf yang akan diklasifikasi terlebih dahulu  dibentuk polanya menggunakan matriks berukuran 9x7, yang digambarkan dengan symbol ‘.’ (titik) dan ‘#’ (kres). Sebagai contoh berikut beberapa pola yang diikutsertakan dalam penelitian ini:

Tabel. 1. Pola Huruf dalam matrik 9x7 (Pola Input Satu)

Huruf	Pola	Huruf	Pola
A	..##... ...#... ...#... ..#.#.. ..#.#.. .#####. .#...#. .#...#. ###.###	E	####### .#....# .#..... .#.#... .###... .#.#... .#..... .#....# #######
B	######. .#....# .#....# .#....# .#####. .#....# .#....# .#....# ######.	J	...#### .....#. .....#. .....#. .....#. .....#. .#...#. .#...#. ..###..
C	..##### .#....# #...... #...... #...... #...... #...... .#....# ..####.	K	###..## .#..#.. .#.#... .##.... .##.... .#.#... .#..#.. .#...#. ###..##
D	#####.. .#...#. .#....# .#....# .#....# .#....# .#....# .#...#. #####..

Pola inilah yang akan digunakan sebagai data pelatihan dengan target sesuai dengan   pola   yang   diinginkan,   dengan   merubah   pola   input   tersebut   menjadi sekumpulan vector bit 0 dan 1 sebanyak 63 digit dimana 0 menggantikan titik dan 1 menggantikan tanda ‘#’, dan pola output (target) sebanyak 7 bit.  Pasangan pola input dan output dari data-data di atas bisa dilihat dalam tabel 2 berikut:

Tabel 2. Pola Vektor Input dan Vektor Output (Pola Input Satu)

No	Huruf	Vektor Input ( 63 bit )	Vektor Output ( 7 bit)
1.	A	0011000 0001000 0001000 0010100 0010100 0111110 0100010 0100010 1110111	1000000
2.	B	1111110 0100001 0100001 0100001 0111110 0100001 0100001 0100001 1111110	0100000
3.	C	0011111 0100001 1000000 1000000 1000000 1000000 1000000 0100001 0011110	0010000
4.	D	1111100 0100010 0100001 0100001 0100001 0100001 0100001 0100010 1111100	0001000
5.	E	1111111 0100001 0100000 0101000 0111000 0101000 0100000 0100001 1111111	0000100
6.	J	0001111 0000010 0000010 0000010 0000010 0000010 0100010 0100010 0011100	0000010
7.	K	1110011 0100100 0101000 0110000 0110000 0101000 0100100 0100010 1110011	0000001

2.2.1 Teknik Pembacaan Pola Huruf dengan Binerisasi

Dalam  pembuatan  program  penelitian  ini  digunakan  bahasa  pemgroman

berbasiskan desktop yaitu Delphi 6.   Beberapa tahapan proses dalam penelitian ini adalah:

1.      Input pola dalam bentuk matriks sebanyak jumlah pola dan target yang diinginkan

2.  Binerisasi pola input menjadi vector input dengan mengubah ‘.’ Menjadi 0 dan ‘#’ menjadi 1.

3.            Melakukan pelatihan dari vector input dan vector output.

4.  Pengujian huruf

POLA HURUF

Binerisasi

VEKTOR INPUT DAN OUTPUT

Pelatihan Data

BOBOT POLA

Pengujian Pola

Gambar 1. Tahapan Proses

Dalam pembacaan input pola bisa dilakukan secara serempak dan sekaligus dengan   aturan,   baris   pertama   input   adalah   bilangan   bulat   yang   menyatakan banyaknya pola yang  ingin dilatih  (ingat jenis huruf yang digunakan tetap hanya ‘A’,’B’,’C’,’D’,’E’,’J’,’K) untuk pola pertama menempati baris kedua sampai baris ke 10 yang kemudian baris berikutnya diikuti target dari pola yang diinginkan, untuk pola kedua menempati baris ke-12 sampai bari ke-18 dan kemudian baris berikutnya diikuti target dari pola yang  diinginkan dan seterusnya sampai pola ke-n, sebagai contoh berikut aturan input pola yang digunakan sebanyak 2 buah yaitu A, dan B.

2

..##...

...#...

...#...

..#.#..

..#.#..

.#####.

.#...#.

.#...#.

###.### A......

######.

.#....#

.#....#

.#....#

.#####.

.#....#

.#....#

.#....#

######.

.B.....

Dari  pola  ini  program  membaca  baris  perbaris  string  yang  kemudian dibinerisasi dengan aturan yang telah dijelaskan sebelumnya kedalam tipe data array satu dimensi.

BAB IV

Pembahasan

4.2 Pengenalan pola bahan terkorosi

Pengenalan pola terhadap bahan terkorosi dan tidak terkorosi meliputi tiga tiga tahapan, adapun mikrostruktur dan preparasi contoh bahan terkorosi dan tidak terkorosi telah dianalisis sebelumnya di laboratorium yang dpat menggunakan berbagai alat diantaranya mikrogatif, mikroskop optik ataupun SEM. Tahap pertama digunakan proses pengolahan citra, tahap kedua dilakukan analisis prinsipal komponen dan tahap ketiga menggunakan kecerdasan jaringan syaraf. Struktur pola dalam bentuk gambar atau foto dapat dikonversi dengan proses pengolahan citra menjadi bentuk digital. Untuk menentukan karakteristik dari pola tersebut mengidentifikasi apakah suatu bahan terkorosi atau tidak terkorosi digunakan kecerdasan jaringa syaraf tiruan. Dianalisis beberapa contoh bahan terkorosi dan tidak terkorosi hasil preparasi laboratorium serta contoh data dari daftar pustaka. Pada tahap kedua, matriks data pembelajaran berukuran 8 x 6,   akan dimasukkan untuk tiap neuron secara bersamaan. Diambil enam nilai karakteristik yang terbesar atau dominan, dengan delapan contoh input yang diberikan, yang terdiri dari enam contoh input untuk bahan terkorosi dan dua contoh input untuk bahan tidak terkorosi. Data pelatihan diambil enam contoh input diantaranya berturut-turut satu contoh bahan tidak terkorosi dan lima contoh bahan terkorosi. Pada simulasi pertama diambil satu contoh input bahan tidak terkorosi dan lima contoh input bahan terkorosi. Berikutnya pada simulasi kedua diambil satu contoh input bahan tidak terkorosi, empat  contoh  input  bahan  terkorosi,  satu  contoh input bahan dengan mikrostruktur tidak seharusnya.

Sedangkan pada simulasi ketiga diberikan 5 contoh bahan terkorosi dan 1 bahan tidak terkorosi. Secara keseluruhan program dan hasil diberikan pada lampiran B dengan catatan kode 1 untuk bahan terkorosi  dan  kode  0  untuk  bahan  tidak  terkorosi atau mikrostruktur yang tidak seharusnya. Hasil keberhasilan identifikasi diberikan dalam tabel 1 berikut ini, untuk 32 contoh input.

Tabel 1. Hasil Identifikasi Jaringan Syaraf

Contoh Bahan	Jumlah benar	Jumlah salah	Prosentase ketelitian
Terkorosi	25	0	100%
Tidak Terkorosi	6	1	86%

       4.3.1 Pengujian Huruf

Sama seperti pada pelatihan data, untuk pengujian data kita menggunakan input pola matriks 9x7 yang terdiri dari karakter titik atau #, setelah pola diinputkan kemudian pola tersebut  dibinerisasi untuk selanjutnya dilakukan pengujian, bentuk pola input data untuk pengujian hanya bersifat tunggal seperti berikut:

..##...

...#...

...#...

..#.#..

..#.#..

.#####.

.#...#.

.#...#.

###.###

Huruf A

Sedangkan untuk algoritma lengkapnya adalah sebagai berikut

1.   Baca Input

2.   Binerisasi input

3.   Untuk iß 1 sampai 7 lakukan langkah 4 sampai 7

4.   yin=bobot[i,64]

5.   Untuk jß 1 sampai 63 lakukan yin=yin+datauji[j]*bobot[i,j];

6.   y[i]=f(yin)

7.   jika y[i]=1 berarti pola yang dimasukan merupakan huruf ke-i

8.   jika tidak ada satupun y[i] yang bernilai satu maka pola yang diinputkan tidak

bisa diklasifikasikan.

4.3.2 implementasi sistem

Implementasi pembuatan sistem ini didasarkan pada rancangan sistem yang sudah dibahas sebelumnya dimana sistem ini dibagi menjadi dua sub sistem yaitu subsistem pelatihan data dan yang kedua subsistem pengujian data. Dengan menggunakan data yang ada seperti pada bab Perancangan Sistem sebagai input pelatihan dan input pengujian didapatkan hasil sebagai berikut:

Tabel 3. Hasil Pengujian dengan Data Pelatihan 7 buah

INPUT	TARGET	OUTPUT
A	A	A atau B
B	B	D atau K
C	C	C atau D atau K
D	D	D
E	E	K
J	J	J
K	K	Tidak Masuk Manapun

Empat (yaitu huruf ‘A’,’C’,’D’, dan ‘J’) dari tujuh pola input pengujian yang juga  merupakan pola input pelatihan menunjukan hasil yang sesuai meskipun pola huruf  tersebut juga diklasifikasikan ke dalam kelas lain, misalnya pola ‘A’ diklasifikasikan ke   ‘A’ juga ke ‘B’. Sedangkan pola huruf ‘B’, dan ‘E’ diklasifikasikan ke kelas yang berbeda. Namur untuk pola ‘K’ justru tidak dapat diklasifikasikan ke kelas manapun.

Kemudian dicoba menggunakan pola input pengujian yang berbeda dengan pola  input pelatihan  [Fausset,  Fundamentals  of Neural Networks  : Architectures, Algorithms,  and Applications, halaman 72, pola input dua dan tiga ] didapatkan hasil sebagai berikut:

Tabel 4. Hasil Pengujian dengan input pengujian berbeda

INPUT	TARGET	OUTPUT POLA INPUT 2	OUTPUT POLA INPUT 3
A	A	A	B
B	B	D atau K	D atau K
C	C	C	C
D	D	C atau D	D
E	E	C atau K	K
J	J	J	J
K	K	C atau K	K

Ternyata didapatkan hasil yang lebih akurat (A, C, D, J, dan K pada pola input 2, serta C,D,J,K pada pola input 3) dalam mengklasifikasian huruf dibandingkan kita menggunakan pola input pengujian yang sama dengan pola input pelatihan.

Kemudian dicoba menggunakan input pelatihan yang lebih banyak (21 buah) dengan   pola   huruf  yang  sama  [Fausset,  Fundamentals  of  Neural  Networks  : Architectures, Algorithms, and Applications, halaman 72]  dan input pengujian yang sama dengan pengujian sebelumnya didapatkan hasil yang berbeda.

Tabel 5. Hasil Pengujian dengan Data Pelatihan 21 buah

INPUT	TARGET	OUTPUT POLA 1	OUTPUT POLA 2	OUTPUT POLA 3
A	A	A atau B	A	B
B	B	K	-	D atau K
C	C	K	B	B
D	D	B atau K	-	B atau K
E	E	K	K	K
J	J	J	J	B atau J
K	K	-	-	K

Ternyata ketika menggunakan pola input satu, pola input dua dan pola input tiga  sebagai data pelatihan sekaligus sebagai data pengujian, hasilnya lebih tidak akurat dibandingkan dengan pengujian sebelumnya.

BAB V

KESIMPULAN

Metode pengenalan pola dengan algoritma perceptron dapat diimplementasikan pada pengenalan huruf dan pengenalan bahan korosi.

Dengan menggunakan algoritma perceptron  ternyata  bisa  dilakukan pengklasifikasian pola huruf. Meskipun dalam pelatihan dengan data yang sedikit, saat pengujiannya hasil yang didapat menunjukan bahwa beberapa pola tidak sesuai dengan klasifikasi polanya   tetapi persentasi ketidaksesuaian ini lebih kecil dibadingkan dengan pengujian data yang memiliki data pelatihan lebih banyak.

Pemodelan untuk membedakan klasfikasi bahan terkorosi dan tidak terkorosi menggunakan kecerdasan jaringan syaraf dengan metode perceptron. Dalam pembelajaran, pelatihan dan simulasi tersebut diatas, diperoleh hasil yang sesuai dan yang diharapkan. merupakan pembelajaran dan adaptasi suatu obyek yang cukup baik.

DAFTAR PUSTAKA

http://en.wikipedia.org/wiki/Corrosion,

27/04/2007, page 1-8. [6]

http://en.wikipedia.org/wiki/Principal_com ponents_analysis, 23/02/2007, page1-10.

              http://en.wikipedia.org/wiki/Singular   value

Read more

Memasukkan Word Art Pada Microsoft Word

H.  Memasukkan Word art

Word art pada microsoft office word berfungsi untuk membuat text atau tulisan dengan desain dan dan variasi tulisan yang berbeda-beda. Dengan tool ini kita bisa membuat tulisan dengan berbagai desain yang sangat menarik sehingga membuat tulisan dan karya tulis kita di lembar kerja microsoft lebih bagus dan lebih keren. Fasilitas sebenarnya hampir sama dengan word art yang ada di office word terbaru maupun yang lama, akan tetapi ada sedikit penambahan bentuk seperti efek 3 dimensi maupun bayangan. Cara membuat word art pada ms word, ikuti langkah-langkah berikut:

Buka lembar kerja ms word

1.                 Klik menu insert pada menu bar microsoft office word

2.                 Selanjutnya pada group text, pilih menu word art

3.                 Pilih jenis desain word art sesuai yang anda inginkan.

4.                 Selanjutnya akan muncul jendela Edit word art. Ketikkan text yang akan dibuat word art. jangan lupa untuk mensetting jenis dan ukuran font untuk menghasilkan karya yang lebih bagus.

5.                 Klik OK untuk finishingnya

Read more

Cara Membuat Header Dan Footer

·         Pada Menu Bar, pilih Insert lalu kamu akan melihat ada pilihan Header dan Footer. Header biasanya digunakan untuk menuliskan judul atau chapter dari buku pada setiap halaman. Footer biasanya digunakan untuk menempatkan nomor halaman atau page number dan catatan kaki.Pilih bentuk Header yang kamu inginkan.

·         Jika kamu melihat bagian atas, kamu akan menemukan beberapa pilihan untuk isian Header seperti page number, picture, clip art, jarak antara Header dengan konten dan pilihan untuk tutup pengaturan Header.

·         Pilih bentuk Footer yang kamu inginkan.

·         Sama seperti Header, pada Footer juga kamu akan mendapat beberapa pilihan untuk isian Footer pada bagian atas seperti page number, picture, clip art, jarak antara Footer dengan konten dan pilihan untuk tutup pengaturan Footer.

Jadi, untuk kamu yang ingin menggunakan Header dan Footer di Ms Word 2007 bisa langsung menerapkan cara di atas.

 

 Membuat Garis dan Logo

Cara paling mudah membuat kop surat adalah melalui Microsoft Word, tutorial ini akan menuntun Anda yang belum pernah membuat kop surat. Saya menggunakan  word 2007, tetapi masih cukup relevan dipraktekkan di Microsoft Word 2005, 2006 dan 2010.

• Buat dokumen baru kemudian simpan dengan nama yang sesuai. Kemudian klik dua kali di posisi teratas dokumen untuk mengaktifkan fungsi Header. Di bagian ribbon Design beri tanda centang pada opsi Different First Page. Tujuannya agar kop hanya muncul di halaman pertama.

• Buatlah nama perusahaan Anda, alamat dan sebagainya termasuk sebuah logo. Untuk memudahkan memposisikan logo, klik kanan pada logo kemudian klik Text Wrapping – In Front of Text.

• Setelah urusan teks dan logo selesai, sekarang kita ingin membuat garis di bagian bawah kop sebagai pembatas. Caranya, di paragrap terakhir kop, enter satu kali agar ada satu baris kosong. Nah Anda blok baris kosong tersebut – hanya di baris tersebut

• Kemudian klik menu border, tanda jarum yang di sebelah kanan Anda ya, bukan kotak garisnya.

• Di jendela borders and shading, tentukan lebar garis sesuai kebutuhan kemudian klik posisi garis dan terakhir klikOK.

• Membuat garis bisa juga menggunakan fungsi Shape, caranya klik menu Insert – Shapes dan pilih jenis line atau garis.

• Lalu klik dan tarik di posisi yang tepat, cara ini agak sulit dan butuh kehati-hatian. Bentuk awalnya masih seperti ini. Sesuaikan lagi dengan melanjutkan ke langkah berikutnya.

• Dengan kursor aktif berada di garis tadi, Anda pastilah berada di menu Format. Di bawah menu tersebut ada menuShape Outline, klik dan di sana akan ada pilihan warna, kemudian ada pilihan Weight yang dapat Anda pergunakan untuk mengubah ketebalan garis.

• Di sisi paling kanan Anda terdapat kotak yang nilainya bisa Anda ubah untuk menyesuaikan posisi garis. Silahkan dicoba-coba untuk mengetahui masing-masing fungsi.

Menyisipkan Tombol

1.Tempatkan kursor pada posisi yang akan disisipkan symbol

2. Kemudian klik pada tab insert  >>> Sorot pada panel Symbols kemudian>>> klik menuSymbol

3. Klik tombol panah kebawah >>> muncul symbol umum klik salah satunya sesuai kebutuhan

4.  Jika  ingin mencari simbol yang lain klik tombol more symbols

Menyisipkan Nomor Halaman di Ms Word

- Silahkan buka document yang ingin di berikan page number
- Kemudian klik tab menu Insert >> Page Number, naah disini akan muncul beberapa opsi untuk menambahkan page number.
Top of Page, jika rekan ingin menambahkan penomoran halaman di atas halaman
Bottom of Page, jika rekan ingin menambahkan penomoran halaman di bawah halaman
Page Margin, jika rekan ingin menambahkan penomoran halaman di dalam margin halaman

Menyisipkan Page Number di Halaman Tertentu
           - Silahkan buka document yang ingin di berikan page number
           - Gunakan pilihan Page Break pada tab menu Page Layout >> Break, pilih next break

- Jika sudah di berikan nomor halaman, masuk ke tab menu Design pada bagian Different First Page di centang, dan Link to Previous di hilangkan

 

Read more