Analisis Unjuk Kerja Pelatihan JST Backpropagation pada Pengenalan Tulisan Tangan Aksara Batak Toba
|
|
- Siska Rachman
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Analisis Unjuk Kerja Pelatihan JST Backpropagation pada Pengenalan Tulisan Tangan Aksara Batak Toba Suriski Sitinjak 1, B Yudi Dwiandiyanta 2, Ernawati 3 Program Studi Magister Teknik Informatika Universitas Atma Jaya Yogyakarta 1 qqslash@gmailcom, 2 yudi_dwi@mailuajyacid, 3 ernawati@mailuajyacid Abstrak Aksara Batak Toba merupakan rumpun aksara Batak yang menjadi warisan kebudayaan Indonesia yang patut dilestarikan karena terancam punah akibat katerbatasan sumber data dan informasi Melalui pemanfaatan perkembangan teknologi informasi khususnya di bidang pengenalan tulisan tangan, penelitian ini mengangkat pengenalan tulisan tangan aksara Batak Toba sebagai objek yang menarik dan tepat untuk diteliti Pengenalan tulisan tangan aksara Batak Toba dilakukan menggunakan metode Wavelet untuk proses dekomposisi dan jaringan saraf tiruan Backpropagation dengan momentum untuk klasifikasinya Akuisisi data dilakukan secara offline dimana inputan untuk sistem berupa citra huruf tulisan tangan aksara Batak Toba hasil capture menggunakan kamera digital dan diproses untuk diolah oleh sistem Melalui penelitian ini dapat terlihat kinerja Backrpropagation dalam proses pembelajaran pada objek tulisan tangan Dari pengujian diperoleh penggunaan momentum pada jaringan Backpropagation dapat mempercepat waktu proses pembelajaran dibandingkan pembelajaran tanpa faktor momentum, selain itu unjuk kerja yang dihasilkan juga lebih baik dengan nilai MSE yang mencapai dengan pengujian pada data yang sama Hasil penelitian ini juga diharapkan mampu memberikan kontribusi untuk mensosialisasikan bentuk asli aksara Batak Toba dan memperkenalkan serta melestarikan warisan budaya aksara Batak Toba Kata kunci : Aksara Batak Toba, pengenalan tulisan tangan, Backpropagation, momentum, Wavelet 1 Pendahuluan Aksara Batak Toba merupakan rumpun dari aksara Batak dan bagian dari aksara Nusantara yang menjadi warisan budaya bangsa Indonesia Pada waktu lampau, aksara Batak Toba tidak digunakan untuk tujuan sehari-hari, melainkan salah satunya digunakan untuk menulis naskah pustaha yang sebagian besar berisi ilmu kedukunan dan mulai tahun 1852 dimusnahkan (Simatupang, 2006; Kozok, 2009; Kertasari dkk, 2009) Melalui pemanfaatan perkembangan teknologi informasi khususnya di bidang pengenalan tulisan tangan, penelitian ini mengangkat pengenalan tulisan tangan aksara Batak Toba sebagai objek yang menarik dan tepat untuk diteliti Pengenalan tulisan tangan memberi kontribusi besar bagi kemajuan proses otomatisasi dan selalu menjadi hal yang menarik untuk dilakukan, sebagai contoh : pengenalan tulisan tangan pada alat gadget seperti PDA atau pembacaan alamat pada kartu pos atau surat, data-data yang ditulis pada form tertentu yang kemudian dibaca oleh OCR (Optical Character Recognition) (Cheriet et all, 2007; Abu-Ain et all, 2011; Al-Alaoui et all, 2009; Leila dan Mohammed, 2007) Pengenalan tulisan tangan
2 merupakan salah satu aplikasi pengenalan pola yang cukup kompleks, baik dikarenakan tidak adanya fungsi matematika yang jelas untuk menghasilkan translasi, tidak memadainya basis pengetahuan akibat aturan-aturan yang sulit dirumuskan, serta keterlibatan data yang mengandung noise dan berjumlah cukup besar (Puspitaningrum, 2006) Permasalahan tersebut dapat diselesaikan dengan Jaringan Saraf Tiruan (JST) Metode Backpropagation merupakan salah satu metode JST yang sangat baik dalam menangani pengenalan pola-pola kompleks seperti permasalahan tersebut, sehingga sering dipilih untuk kasus pengenalan karakter (Puspitaningrum, 2006; Ismail et all, 2010; Park et all, 2008; Salameh dan Otair, 2008; Sarowar et all, 2009; Mathur et all, 2008) Penelitian ini bertujuan untuk mengimplementasikan metode Wavelet untuk transformasi dan ekstraksi ciri, serta melihat kinerja Backpropagation sebagai algoritma belajar yang diimplementasikan pada tulisan tangan aksara Batak Toba Selain itu penelitian ini juga memberikan kontribusi dalam mensosialisasikan bentuk asli aksara Batak Toba dan melestarikan dan memperkenalkan aksara Batak Toba kepada masyarakat sebagai warisan budaya bangsa Indonesia 2 Aksara Batak Toba Aksara Batak diklasifikasikan sebagai abugida, yaitu paduan antara silabogram (sistem tulisan dengan satuan dasar berupa konsonan yang diikuti oleh sebuah vokal) dan abjad Aksara Batak Toba terdiri atas dua perangkat huruf, yaitu ina ni surat dan anak ni surat Agar mudah untuk mengingatnya, urutan yang sering dipakai dalam bentuk kalimat aha na rata bawa i mangalapa sada gaja yang artinya apa yang hijau lelaki itu memotong seekor gajah (Kozok, 2009; Simatupang, 2006) Gambar 1 Huruf-huruf Ina ni surat (Font tradisional) Ina ni surat (ina = ibu) terdiri dari huruf-huruf silabik dasar yang diakhiri bunyi /a/ (kecuali untuk huruf i dan u, lihat gambar 1) Untuk anak ni surat, bunyi /a/ pada ina ni surat mengalami perubahan dengan menambah nilai fonetisnya Pengubah ini disebut diakritik Contoh diakritik dalam anak ni surat dan penggunaannya dapat dilihat pada gambar 2 Gambar 2 Diakritik anak ni surat (Font tradisional) 3 Pengenalan Tulisan Tangan Tahapan umum yang dilakukan pada sistem pengenalan tulisan tangan terdiri dari (Cheriet et all, 2007; Fatta, 2009; Putra, 2010) : Akuisisi data Pemrosesan awal Ekstraksi fitur (ciri) Algoritma pemilah/ klasifikasi Gambar 3 Tahapan pengenalan tulisan tangan (Fatta, 2009) 1) Data acquisition / pemerolehan data Metode utama pemerolehan data yang digunakan untuk pengenalan tulisan (recognition system), yaitu pengenalan tulisan secara online, dimana inputan tulisan bersifat temporer diperoleh secara langsung dari alat input digital, contohnya dari mouse, mouse pen atau digital pen dan offline dimana input tulisan diperoleh dari teks tulisan yang di-scan terlebih dahulu atau dari kamera (Wu dan Yu, 2008; Amin dan Al- Darwish, 2006)
3 2) Data preprocessing / pemrosesan awal data Citra huruf ditonjolkan, derau/noise dan kompleksitas ciri diminimaisasi, ukuran dan bentuk huruf dinormalisasikan 3) Feature extraction / ekstraksi ciri Biasanya diikuti oleh prosedur reduksi dimensi citra 4) Data recognition (classification) / pengenalan data (klasifikasi) Untuk mengelompokkan fitur ke dalam kelas yang sesuai dengan menggunakan algoritma klasifikasi tertentu 4 Wavelet Proses transformasi pada Wavelet dapat dicontohkan sebagai berikut Citra yang semula ditransformasi dibagi (didekomposisi) menjadi empat sub-citra baru untuk menggantikannya Setiap sub-citra berukuran ¼ kali dari citra asli Tiga sub-citra pada posisi kanan atas, kanan bawah dan kiri bawah akan tampak seperti versi kasar dari citra asli karena berisi komponen frekuensi tinggi dari citra asli Sedangkan untuk sub-citra pada posisi kiri atas tampak seperti citra asli dan lebih halus, karena berisi komponen frekuensi rendah dari citra asli Sub-citra pada bagian kiri atas (frekuensi rendah) tersebut dibagi lagi menjadi empat sub-citra baru Proses diulang sesuai dengan level transformasi yang diinginkan Untuk lebih jelasnya ditunjukkan pada gambar 4 LL2 HL2 HL1 LH2 HH2 LH1 HH1 LH1, HL1, dan HH1 merupakan hasil dekomposisi level 1 LL2 tidak diperlihatkan pada gambar karena langsung didekomposisi lagi menjadi LL2, LH2, HL2 dan HH2 citra dan kemudian pada tiap kolom Dekomposisi tak standar diperoleh dengan mengkombinasikan pasangan transformasi baris dan transformasi kolom secara bergantian Pada langkah pertama diterapkan transformasi Wavelet 1 dimensi pada baris, kemudian diterapkan alihragam Wavelet 1 dimensi pada kolom, proses tersebut diulang sesuai dengan level yang diinginkan 5 Jaringan Saraf Tiruan (JST) Backpropagation Backpropagation merupakan JST multilayer yang terdiri dari tiga atau lebih lapisan jaringan, yaitu lapisan input (satu lapisan), lapisan tersembunyi (terdiri dari satu atau lebih lapisan) dan lapisan output (satu lapisan) Inti algoritma belajar Backpropagation terletak pada kemampuannya untuk mengubah nilai-nilai bobotnya untuk menanggapi adanya kesalahan (Santoso, 2000) Jumlah lapisan tersembunyi yang digunakan untuk pengenalan aksara Batak Toba ini ada dua buah (gambar 4), sehingga algoritma yang digunakan untuk pelatihan mengalami sedikit perubahan, yaitu penambahan langkah untuk mengolah nilai hasil pengolahan dari tiap unit di lapisan tersembunyi pertama dengan bobot-bobot antara lapisan tersembunyi pertama dan lapisan tersembunyi kedua, kemudian mengirim hasilnya ke tiap unit di lapisan tersembunyi kedua Begitu juga pada tahap backward (umpan balik) untuk mencari nilai error dan koreksi bobot mengalami penambahan langkah Gambar 4 Dekomposisi Citra (Santoso, 2011) Pada citra 2 dimensi, terdapat dua cara untuk mentransformasi atau mendekomposisi nilai-nilai pikselnya, yaitu dekomposisi standar dan tak standar Dekomposisi standar menggunakan transformasi Wavelet 1 dimensi pada tiap baris
4 Gambar 4 Arsitektur JST Backpropagation yang digunakan Fungsi Aktivasi Fungsi aktivasi yang dipakai dalam algoritma Backpropagation harus memenuhi beberapa syarat yaitu: kontinu, dapat didiferensiasi dan secara monoton tidak menurun Salah satu fungsi aktivasi yang sesuai dan yang digunakan pada penelitian ini adalah fungsi sigmoid biner dengan range (0,1) dengan rumus (Santoso, 2000; Siang, 2009) : f(x) = (1) ( ) dengan turunannya: f (x) = f(x)[1 f(x)] (2) Momentum Dalam peng-update-an nilai bobot dapat dilakukan dengan penambahan parameter momentum Penambahan parameter momentum seringkali bisa mempercepat proses pelatihan Jika parameter momentum digunakan maka persamaan-persamaan peng-update-an bobot dengan langkah pelatihan t, dan t+1 untuk langkah pelatihan selanjutnya mengalami modifikasi (Puspitaningrum, 2006; Siang, 2009) Algoritma Backpropagation yang digunakan untuk pelatihan adalah sebagai berikut Langkah 0 : inisialisasi bobot Langkah 1 : selama kondisi berhenti salah, kerjakan langkah 2-11 Langkah 2 : untuk setiap pasangan data pelatihan, lakukan langkah 3-10 Feedforward : Langkah 3 : setiap unit input (X i, i = 1,,n) menerima sinyal masukan x i, dan mengirimkan ke semua unit lapisan tersembunyi pertama Langkah 4 : hitung semua keluaran unit lapisan tersembunyi pertama (Za j, j = 1,,p) za_in = v + x v (3) za = f(za_in ) (4) Langkah 5 : hitung semua keluaran unit lapisan tersembunyi kedua (Zb k, k = 1,,m) zb_in = w + za w (5) zb = f(zb_in ) (6) Langkah 6 : hitung semua keluaran unit lapisan output (Y l, l = 1,,m) y_in = w + zb w (7) y = f(y_in ) (8) Kesalahan Backpropagation (tahap umpan balik): Langkah 7 : setiap unit keluaran (Y l, l = 1,,m), menerima pola target yang berhubungan dengan pola pelatihan input, hitung informasi kesalahannya δ_out = (t y )f (y_in ) (9) menghitung koreksi bobot : w = α δ_out zb + μ (w (t) w (t 1)) (10) w = αδ_out (11) Langkah 8 : setiap unit tersembunyi (Zb k, k=1,,p) jumlahkan input delta δ_hid2_in = δ_out w (12) δ_hid2 = δ_hid2_in zb (1 zb ) (13) menghitung koreksi bobot : w = α δ_hid2 za + μ (w (t) w (t 1)) (14) w = α δ_hid2 (15) Langkah 9 : setiap unit tersembunyi (Za j, j=1,,p) jumlahkan input delta δ_hid1_in = δ_hid2 w (16) δ_hid1 = δ_hid1_in za (1 za ) (17) menghitung koreksi bobot: v = α δ_hid1 x + μ (v (t) v (t 1)) (18) v = α δ_hid1 (19)
5 Perbarui bobot dan bias : Langkah 10 : setiap unit keluaran (Y l, l=1,,m) memperbarui bias dan bobot (j=0,,p) : w (baru) = w (lama) + w (20) Setiap unit tersembunyi (Zb k, k = 1,, p) memperbaui bias dan bobot (i=0,,n) w (baru) = w (lama) + w (21) Setiap unit tersembunyi (Za j, j=1,,p) memperbaui bias dan bobot (i=0,,n) v (baru) = v (lama) + v (22) Langkah 11 : pengetesan kondisi berhenti 6 Implementasi dan Pembahasan Akuisisi citra dilakukan secara offline, dimana citra diperoleh dengan meng-capture gambar tulisan tangan aksara Batak Toba yang ditulis di kertas, sehingga menjadi citra berukuran 256x256 piksel Citra yang telah diakuisisi tersebut mengalami pra proses thresholding pengubahan citra sumber yang merupakan citra truecolor ke citra biner (citra hitam-putih) dan ditransformasi menggunakan Wavelet untuk ekstraksi ciri Implementasi pemrosesan citra dilakukan dengan menggunakan bahasa pemrograman C# pada lingkungan pengembangan Visual Studio 2008 Setelah diperoleh hasil dekomposisi citra menjadi 8x8 piksel, selanjutnya data 8x8 piksel tersebut diubah menjadi vektor baris dan menjadi masukan untuk dilatih ke jaringan Backpropagation (tabel 1) Tabel 1 Contoh citra aksara Batak Toba karakter a yang diubah menjadi vektor Citra input Citra hasil Diubah menjadi bentuk Wavelet (8x8 vektor (64 digit) piksel) Implementasi Algoritma Backpropagation Arsitektur yang digunakan untuk JST Backpropagation dapat dilihat pada gambar 4 Fungsi transfer atau fungsi aktivasi yang digunakan adalah fungsi aktivasi sigmoid biner selama data inputan yang digunakan berupa bilangan biner, sehingga fungsi aktivasi ini cocok untuk digunakan Jumlah node (unit) tiap lapisan : a Lapisan input = 64 unit Penentuan jumlah unit pada lapisan input sebanyak 64 didasarkan pada inputan untuk jaringan yang berupa vektor yang terdiri dari 64 buah angka biner yang berasal dari hasil dekomposisi citra menjadi 8x8 piksel yang dibaca sebagai matriks berukuran 8x8 yang kemudian diubah menjadi vektor (tabel 1) b Lapisan tersembunyi pertama = 2 unit c Lapisan tersembunyi kedua = 2 unit d Lapisan output = 6 unit Jumlah unit sebanyak 6 node merupakan 6 digit yang digunakan untuk mewakili bentuk biner untuk tiap urutan karakter Tabel 2 Output dan karakter yang diwakilinya No Output (6 node) Karakter a ha/ka na ra u Jumlah bobot yang terlibat : a Bobot antara lapisan input dengan lapisan hidden 1 = 65 x 2 = 130 buah b Bobot antara lapisan hidden 1 dengan lapisan hidden 2 = 3 x 2 = 6 buah c Bobot antara lapisan hidden 2 dengan lapisan output = 3 x 6 = 18 buah
6 62 Hasil Implementasi Backpropagation Sampel data yang digunakan adalah delapan jenis pola sampel tulisan tangan untuk karakter a aksara Batak Toba Pelatihan algoritma Backpropagation dilakukan secara berkelompok Setiap pola (vektor input) digabung menjadi sebuah matriks inputan bagi jaringan Begitu pula dengan vektor target untuk setiap pola dijadikan sebuah matriks target Pada tabel 3 ditunjukkan perbedaan antara pelatihan dengan dan tanpa menggunakan faktor momentum, juga penggunaan laju belajar adaptif Pengujian kinerja Backpropagation dilakukan dengan melihat beberapa parameter, yaitu waktu proses pelatihan, jumlah epoch yang dicapai (dengan maksimum epoch ditentukan sebesar 1000 epoch) dan nilai performansi yang dilihat dari nilai MSE (Mean Square Error) Tabel 3 Hasil Pelatihan Pola Huruf dengan Beberapa Parameter No Parameter Pelatihan Waktu Proses (detik) 1 Tanpa Penambahan Parameter Epoch Perform ance (MSE) Laju Belajar Adaptif Faktor Momentum Faktor Momentum & Laju Belajar Adaptive Pengujian pelatihan algoritma Backpropagation dilakukan menggunakan data yang sama Pada pengujian terlihat bahwa pelatihan yang dilakukan dengan algoritma Backpropagation tanpa menggunakan parameter tambahan (metode penurunan gradient biasa) sangat lambat dalam kecepatan proses iterasinya, yaitu membutuhkan waktu 223 detik untuk mencapai maksimum epoch yang ditetapkan (1000 epoch) dengan nilai performansi Pelatihan algoritma Backrpopagation yang menggunakan laju belajar adaptif dapat mempercepat pelatihan karena laju belajar dapat diubah-ubah nilainya selama proses pelatihan Apabila error sekarang lebih besar dibandingkan error sebelumnya, maka laju belajar diturunkan dan sebaliknya Pada tabel 3 terlihat bahwa penggunaan laju belajar adaptif dapat mencapai kestabilan sebelum maksimum epoch tercapai (lihat kolom 2 dan 4) Sedangkan penambahan faktor momentum dapat membuat waktu proses pembelajaran menjadi sangat cepat 7 detik dan 4 detik (kolom 3 dan 4) Penggabungan antara penambahan faktor momentum dan laju belajar adaptif dapat membuat kinerja jaringan menjadi lebih baik (kolom 4), yaitu mencapai kestabilan sebelum maksimum epoch tercapai dan waktu proses 4 detik, serta nilai MSE yang kecil 7 Kesimpulan dan Rencana Penelitian Mendatang Penggunaan faktor momentum pada jaringan Backpropagation sangat berpengaruh pada tingkat kecepatan proses pelatihan Jaringan dengan penambahan faktor momentum dapat membuat waktu proses menjadi lebih cepat Berdasarkan pengujian pada data yang sama, bisa mencapai 30 kali lebih cepat dibandingkan tanpa momentum Penggabungan penerapan faktor momentum dan laju belajar yang adaptif juga dapat memaksimalkan kinerja algoritma Backpropagation Penelitian mendatang dilakukan dengan penambahan pola pelatihan untuk semua karakter beserta pengujian jaringan, serta dilakukan pengujian terhadap parameter lainnya yang dapat digunakan untuk mengetahui kinerja Backpropagation REFERENSI Al-Alaoui, MA, Harb, MAA, Chahine, ZA, Yaacoub, E, 2009, A New Approach for Arabic Offline Handwriting Recognition, IEEE Multidisciplinary Engineering Education Magazine, Vol 4, No 3 Abu-Ain, THA, Abu-Ain, WAH, Abdullah, SNHS, Omar, K, 2011, Off-line Arabic Character-Based Writer Identification A Survey, Proceeding of
7 the International Conference on Advanced Science, Engineering and Information Technology, ISBN Amin, A dan Al-Darwish, N, 2006, Structural Description To Recognizing Hand- Printed Arabic Characters Using Decision Tree Learning Techniques, International Journal of Computers and Applications, Vol 28, No 2, pg Cheriet, M, Kharma, N, Liu, CH, Suen, CY, 2007, Character Recognition Systems - A Guide for Students and Practioners, John Wiley and Sons Fatta, Hanif al, 2009, Rekayasa Sistem Pengenalan Wajah, Penerbit Andi, Yogyakarta Ismail, IA, Ramadan, MA, El-Danaf, TS, Samak, AH, 2010, An Efficient Off-line Signature Identification Method Based On Fourier Descriptor and Chain Codes, IJCSNS International Journal of Computer Science and Network Security, VOL10 No5, pg29-35 Kertasari, N DC, Haswanto, N, Sunarto, P, 2009, Tipografi Adaptasi Karakter Aksara Batak Toba Dalam Huruf Latin Kozok, Uli, 2009, Surat Batak - Sejarah Perkembangan Tulisan Batak Berikut Pedoman Menulis Aksara Batak dan Cap Si Singamangaraja XII, Kepustakaan Populer Gramedia Leila, C dan Mohammed, B, 2007, Art Network for Arabic Handwrittren Recognition System, Department of Computer Sciences - University Larbi Ben Mhidi and Department of Computer Sciences - University Mentouri, Constantine Mathur, S, Aggarwal, V, Joshi, H dan Ahlawat, A, 2008, Offline Handwriting Recognition Using Genetic Algorithm, Sixth International Conference on Information Research and Applications itech, pg21-27 Park, Sang Sung, Jung, Won Gyo, Shin, Young Geun, Jang, Dong-Sik, 2008, Optical Character Recognition System Using BP Algorithm, IJCSNS International Journal of Computer Science and Network Security, VOL8 No12,pg Puspitaningrum, Diyah, 2006, Pengantar Jaringan Saraf Tiruan, Penerbit Andi, Yogyakarta Putra, Darma, 2010, Pengolahan Citra Digital, Penerbit Andi, Yogyakarta Salameh, WA dan Otair, MA, 2008, Online Handwritten Character Recognition Using an Optical Backpropagation Neural Network, Issues in Informing Science and Information Technology, pg Santoso, Alb Joko, 2000, Jaringan Saraf Tiruan - Teori, Arsitektur dan Algoritma, Penerbit Andi Offset, Yogyakarta Santoso, Alb Joko, 2011, Wavelet, Diktat Kuliah Pengolahan Citra, Magister Teknik Informatika, Universitas Atma Jaya Yogyakarta Sarowar, G, Naser, MA, Nizamuddin, SM, Hamid, NIB dan Mahmud, A, 2009, Enhancing Bengali character recognition process applying heuristics on Neural Network, IJCSNS International Journal of Computer Science and Network Security, VOL9 No6, Siang, Jong Jek, 2009, Jaringan Syaraf Tiruan & Pemrograman Menggunakan MATLAB, Penerbit Andi, Yogyakarta Siang, Jong Jek, 2009, Jaringan Syaraf Tiruan & Pemrograman Menggunakan MATLAB, Penerbit Andi, Yogyakarta Simatupang, S, 2006, Koreksi atas Penulisan Aksara Batak Toba Wu, Y dan Yu, L, 2008, Touchless Writer: Object Tracking & Neural Network Recognition, The Milton W Holcombe Department of Electrical and Computer Engineering Clemson University, Clemson
BAB I PENDAHULUAN. yang beragam, dimana salah satunya terwujud dalam aksara atau tulisan asli
BAB I PENDAHULUAN 1.1. Latar Belakang Indonesia sebagai negara kepulauan memiliki warisan kekayaan budaya yang beragam, dimana salah satunya terwujud dalam aksara atau tulisan asli daerah yang termasuk
Lebih terperinciPengenalan Aksara Lampung Menggunakan Jaringan Syaraf Tiruan
Pengenalan Aksara Lampung Menggunakan Jaringan Syaraf Tiruan Adhika Aryantio School of Electrical Engineering and Informatics Institute Technology of Bandung 10th Ganeca Street Bandung, Indonesia. Adhikaaryantio.x6@gmail.com
Lebih terperinciVOL. 01 NO. 02 [JURNAL ILMIAH BINARY] ISSN :
PENERAPAN JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH PRODUKSI AIR MINUM MENGGUNAKAN ALGORITMA BACKPROPAGATION (STUDI KASUS : PDAM TIRTA BUKIT SULAP KOTA LUBUKLINGGAU) Robi Yanto STMIK Bina Nusantara
Lebih terperinciBAB II LANDASAN TEORI. luas objek dan pemanfaatannya, misalnya untuk mengenal tulisan tangan ekspresi
BAB II LANDASAN TEORI 2.1. Tinjauan Pustaka Penelitian di bidang pengenalan huruf, karakter atau tulisan tangan sangat luas objek dan pemanfaatannya, misalnya untuk mengenal tulisan tangan ekspresi matematika
Lebih terperinciAplikasi Jaringan Saraf Tiruan Sebagai Penterjemah Karakter Braille Ke Bentuk Abjad
The 13 th Industrial Electronics Seminar 2011 (IES 2011) Electronic Engineering Polytechnic Institute of Surabaya (EEPIS), Indonesia, October 26, 2011 Aplikasi Jaringan Saraf Tiruan Sebagai Penterjemah
Lebih terperinciPEMANFAATAN NEURAL NETWORK PERCEPTRON PADA PENGENALAN POLA KARAKTER
PEMANFAATAN NEURAL NETWORK PERCEPTRON PADA PENGENALAN POLA KARAKTER Fakultas Teknologi Informasi Universitas Merdeka Malang Abstract: Various methods on artificial neural network has been applied to identify
Lebih terperinciPEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK
PEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK Program Studi Matematika FMIPA Universitas Negeri Semarang Abstrak. Saat ini, banyak sekali alternatif dalam
Lebih terperinciPREDIKSI CURAH HUJAN DI KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK
PREDIKSI CURAH HUJAN DI KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK Yudhi Andrian 1, Erlinda Ningsih 2 1 Dosen Teknik Informatika, STMIK Potensi Utama 2 Mahasiswa Sistem Informasi, STMIK
Lebih terperinciANALISIS PENAMBAHAN NILAI MOMENTUM PADA PREDIKSI PRODUKTIVITAS KELAPA SAWIT MENGGUNAKAN BACKPROPAGATION
ANALISIS PENAMBAHAN NILAI MOMENTUM PADA PREDIKSI PRODUKTIVITAS KELAPA SAWIT MENGGUNAKAN BACKPROPAGATION Eka Irawan1, M. Zarlis2, Erna Budhiarti Nababan3 Magister Teknik Informatika, Universitas Sumatera
Lebih terperinciPENERAPAN METODE JARINGAN SYARAF TIRUAN BACKPROPAGATION DALAM PENGENALAN POLA AKSARA HANACARAKA
PENERAPAN METODE JARINGAN SYARAF TIRUAN BACKPROPAGATION DALAM PENGENALAN POLA AKSARA HANACARAKA Sugeng Winardi 1), Hamzah 2) 1 Fakultas Sains dan Teknologi, Universitas Respati Yogyakarta email: wins_good@yahoo.com
Lebih terperinciRANCANG BANGUN ANALISIS PENGENALAN TULISAN TANGAN AKSARA HANACARAKA
RANCANG BANGUN ANALISIS PENGENALAN TULISAN TANGAN AKSARA HANACARAKA Sugeng Winardi1), Hamzah2) 1) Sistem Informasi Universitas Respati Yogyakart 2)Teknik Informatika Universitas Respati Yogyakarta Jl Laksda
Lebih terperinciJurnal Ilmiah Komputer dan Informatika (KOMPUTA) IMPLEMENTASI JARINGAN SYARAF TIRUAN BACKPROPAGATION UNTUK MENGENALI MOTIF BATIK
IMPLEMENTASI JARINGAN SYARAF TIRUAN BACKPROPAGATION UNTUK MENGENALI MOTIF BATIK Fany Hermawan Teknik Informatika Universitas Komputer Indonesia Jl. Dipatiukur 112-114 Bandung E-mail : evan.hawan@gmail.com
Lebih terperinciPenggunaan Jaringan Syaraf Tiruanuntuk Membaca Karakter pada Formulir Nilai Mata Kuliah
Vol. 14, No. 1, 61-68, Juli 2017 Penggunaan Jaringan Syaraf Tiruanuntuk Membaca Karakter pada Formulir Nilai Mata Kuliah La Surimi, Hendra, Diaraya Abstrak Jaringan syaraf tiruan (JST) telah banyak diaplikasikan
Lebih terperinciPENGENALAN TULISAN TANGAN AKSARA BATAK TOBA MENGGUNAKAN BACKPROPAGATION
TESIS PENGENALAN TULISAN TANGAN AKSARA BATAK TOBA MENGGUNAKAN BACKPROPAGATION SURISKI SITINJAK No. Mhs : 105301461 / PS / MTF PROGRAM STUDI MAGISTER TEKNIK INFORMATIKA PROGRAM PASCASARJANA UNIVERSITAS
Lebih terperinciMETODOLOGI PENELITIAN
III. METODOLOGI PENELITIAN A. Kerangka Pemikiran Perusahaan dalam era globalisasi pada saat ini, banyak tumbuh dan berkembang, baik dalam bidang perdagangan, jasa maupun industri manufaktur. Perusahaan
Lebih terperinciBAB 2 KONSEP DASAR PENGENAL OBJEK
BAB 2 KONSEP DASAR PENGENAL OBJEK 2.1 KONSEP DASAR Pada penelitian ini, penulis menggunakan beberapa teori yang dijadikan acuan untuk menyelesaikan penelitian. Berikut ini teori yang akan digunakan penulis
Lebih terperinciPREDIKSI PENDAPATAN ASLI DAERAH KALIMANTAN BARAT MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
PREDIKSI PENDAPATAN ASLI DAERAH KALIMANTAN BARAT MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Dwi Marisa Midyanti Sistem Komputer Universitas Tanjungpura Pontianak Jl Prof.Dr.Hadari Nawawi, Pontianak
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN 3.1. Data Yang Digunakan Dalam melakukan penelitian ini, penulis membutuhkan data input dalam proses jaringan saraf tiruan backpropagation. Data tersebut akan digunakan sebagai
Lebih terperinciPenerapan Jaringan Saraf Tiruan Metode Backpropagation Menggunakan VB 6
Penerapan Jaringan Saraf Tiruan Metode Backpropagation Menggunakan VB 6 Sari Indah Anatta Setiawan SofTech, Tangerang, Indonesia cu.softech@gmail.com Diterima 30 November 2011 Disetujui 14 Desember 2011
Lebih terperinciPENERAPAN JARINGAN SYARAF TIRUAN DALAM MEMPREDIKSI TINGKAT PENGANGGURAN DI SUMATERA BARAT
PENERAPAN JARINGAN SYARAF TIRUAN DALAM MEMPREDIKSI TINGKAT PENGANGGURAN DI SUMATERA BARAT Havid Syafwan Program Studi Manajemen Informatika, Amik Royal, Kisaran E-mail: havid_syafwan@yahoo.com ABSTRAK:
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Citra Citra (image) sebagai salah satu komponen multimedia memegang peranan sangat penting sebagai bentuk informasi visual. Citra mempunyai karakteristik yang tidak dimiliki oleh
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini akan dielaskan mengenai teori-teori yang berhubungan dengan penelitian ini, sehingga dapat diadikan sebagai landasan berpikir dan akan mempermudah dalam hal pembahasan
Lebih terperinciBAB II DASAR TEORI Jaringan Syaraf Tiruan. Universitas Sumatera Utara
BAB II DASAR TEORI Landasan teori adalah teori-teori yang relevan dan dapat digunakan untuk menjelaskan variabel-variabel penelitian. Landasan teori ini juga berfungsi sebagai dasar untuk memberi jawaban
Lebih terperinciPENGENALAN POLA SIDIK JARI BERBASIS TRANSFORMASI WAVELET DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
PENGENALAN POLA SIDIK JARI BERBASIS TRANSFORMASI WAVELET DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION 1 Andrian Rakhmatsyah 2 Sayful Hakam 3 Adiwijaya 12 Departemen Teknik Informatika Sekolah Tinggi Teknologi
Lebih terperinciJurnal Informatika Mulawarman Vol 5 No. 1 Februari
Jurnal Informatika Mulawarman Vol 5 No. 1 Februari 2010 50 Penerapan Jaringan Syaraf Tiruan Untuk Memprediksi Jumlah Pengangguran di Provinsi Kalimantan Timur Dengan Menggunakan Algoritma Pembelajaran
Lebih terperinciPENGENALAN HURUF DAN ANGKA PADA CITRA BITMAP DENGAN JARINGAN SARAF TIRUAN METODE PROPAGASI BALIK
PENGENALAN HURUF DAN ANGKA PADA CITRA BITMAP DENGAN JARINGAN SARAF TIRUAN METODE PROPAGASI BALIK Naskah Publikasi disusun oleh Zul Chaedir 05.11.0999 Kepada SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER
Lebih terperinciEVALUASI PENGARUH FUNGSI AKTIFASI DAN PARAMETER KEMIRINGANNYA TERHADAP UNJUKKERJA PENGENALAN JARINGAN SYARAF TIRUAN
EVALUASI PENGARUH FUNGSI AKTIFASI DAN PARAMETER KEMIRINGANNYA TERHADAP UNJUKKERJA PENGENALAN JARINGAN SYARAF TIRUAN (Studi Kasus pada Pengenalan Karakter Angka Tulisan Tangan) Iwan Suhardi Jurusan Teknik
Lebih terperinciT 11 Aplikasi Model Backpropagation Neural Network Untuk Perkiraan Produksi Tebu Pada PT. Perkebunan Nusantara IX
T 11 Aplikasi Model Backpropagation Neural Network Untuk Perkiraan Produksi Tebu Pada PT. Perkebunan Nusantara IX Oleh: Intan Widya Kusuma Program Studi Matematika, FMIPA Universitas Negeri yogyakarta
Lebih terperinciPENGENALAN TULISAN TANGAN AKSARA BATAK TOBA MENGGUNAKAN JARINGAN SARAF TIRUAN BERBASIS MULTILAYER PERCEPTRON
PENGENALAN TULISAN TANGAN AKSARA BATAK TOBA MENGGUNAKAN JARINGAN SARAF TIRUAN BERBASIS MULTILAYER PERCEPTRON Disusun oleh : Nama : J. Rio Sihombing NRP : 0322129 Jurusan Teknik Elektro, Fakultas Teknik,
Lebih terperinciOleh: Ulir Rohwana ( ) Dosen Pembimbing: Prof. Dr. H. M. Isa Irawan, M.T.
Oleh: Ulir Rohwana (1209 100 702) Dosen Pembimbing: Prof. Dr. H. M. Isa Irawan, M.T. DAFTAR ISI I II III IV V VI PENDAHULUAN TINJAUAN PUSTAKA METODOLOGI PERANCANGAN DAN IMPLEMENTASI HASIL DAN PENGUJIAN
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN DALAM PENGHITUNGAN PERSENTASE KEBENARAN KLASIFIKASI PADA KLASIFIKASI JURUSAN SISWA DI SMA N 8 SURAKARTA
APLIKASI JARINGAN SYARAF TIRUAN DALAM PENGHITUNGAN PERSENTASE KEBENARAN KLASIFIKASI PADA KLASIFIKASI JURUSAN SISWA DI SMA N 8 SURAKARTA Pembimbing: Desi Fitria Utami M0103025 Drs. Y. S. Palgunadi, M. Sc
Lebih terperinciBAB III METODOLOGI PENELITIAN
19 BAB III METODOLOGI PENELITIAN 3.1. Kerangka Pemikiran Kerangka pemikiran untuk penelitian ini seperti pada Gambar 9. Penelitian dibagi dalam empat tahapan yaitu persiapan penelitian, proses pengolahan
Lebih terperinciSeminar Nasional Ilmu Komputer (SNIK 2016) - Semarang, 10 Oktober 2016 ISBN:
Perintah Suara Berbahasa Indonesia untuk Membuka dan Menutup Aplikasi dalam Sistem Operasi Windows Menggunakan Metode Mel Frequency Cepstrum Coefficient dan Metode Backpropagation Zakaria Ramadhan 1, Sukmawati
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Aksara Batak Aksara adalah suatu sistem simbol visual yang tertera pada kertas maupun media lainnya (batu, kayu, kain, dll) untuk mengungkapkan unsur-unsur yang ekspresif dalam
Lebih terperinciPENGENALAN AKSARA JAWAMENGGUNAKAN LEARNING VECTOR QUANTIZATION (LVQ)
PENGENALAN AKSARA JAWAMENGGUNAKAN LEARNING VECTOR QUANTIZATION (LVQ) Alfa Ceria Agustina (1) Sri Suwarno (2) Umi Proboyekti (3) sswn@ukdw.ac.id othie@ukdw.ac.id Abstraksi Saat ini jaringan saraf tiruan
Lebih terperinciANALISIS HUBUNGAN ANTARA TINGKAT PENGENALAN JARINGAN SYARAF TIRUAN DENGAN BANYAKNYA JUMLAH KELAS POLA YANG DIKENALI DAN TINGKAT KERUMITAN POLANYA
ISSN: 1693-6930 159 ANALISIS HUBUNGAN ANTARA TINGKAT PENGENALAN JARINGAN SYARAF TIRUAN DENGAN BANYAKNYA JUMLAH KELAS POLA YANG DIKENALI DAN TINGKAT KERUMITAN POLANYA Iwan Suhardi, Riana T. Mangesa Jurusan
Lebih terperincilalu menghitung sinyal keluarannya menggunakan fungsi aktivasi,
LAMPIRAN 15 Lampiran 1 Algoritme Jaringan Syaraf Tiruan Propagasi Balik Standar Langkah 0: Inisialisasi bobot (bobot awal dengan nilai random yang paling kecil). Langkah 1: Menentukan maksimum epoch, target
Lebih terperinciANALISIS ALGORITMA INISIALISASI NGUYEN-WIDROW PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK
ANALISIS ALGORITMA INISIALISASI NGUYEN-WIDROW PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK Yudhi Andrian 1, M. Rhifky Wayahdi 2 1 Dosen Teknik Informatika,
Lebih terperinciTOLERANSI UNJUK PENGENALAN JARINGAN SYARAF TIRUAN PADA PENAMBAHAN DERAU DAN SUDUT PUTARAN TERHADAP POLA KARAKTER TULISAN TANGAN JENIS ANGKA
Iwan Suhardi, Toleransi Jaringan Syaraf Tiruan TOLERANSI UNJUK PENGENALAN JARINGAN SYARAF TIRUAN PADA PENAMBAHAN DERAU DAN SUDUT PUTARAN TERHADAP POLA KARAKTER TULISAN TANGAN JENIS ANGKA Iwan Suhardi Jurusan
Lebih terperinciKLASIFIKASI POLA HURUF VOKAL DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION. Dhita Azzahra Pancorowati
KLASIFIKASI POLA HURUF VOKAL DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION Dhita Azzahra Pancorowati 1110100053 Jurusan Fisika Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Teknologi
Lebih terperinciPengembangan Aplikasi Prediksi Pertumbuhan Ekonomi Indonesia dengan Jaringan Syaraf Tiruan Backpropagation
Erlangga, Sukmawati Nur Endah dan Eko Adi Sarwoko Pengembangan Aplikasi Prediksi Pertumbuhan Ekonomi Indonesia dengan Jaringan Syaraf Tiruan Backpropagation Erlangga, Sukmawati Nur Endah dan Eko Adi Sarwoko
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN PROGRAM APLIKASI
BAB 3 ANALISIS DAN PERANCANGAN PROGRAM APLIKASI Bab ini berisi analisis pengembangan program aplikasi pengenalan karakter mandarin, meliputi analisis kebutuhan sistem, gambaran umum program aplikasi yang
Lebih terperinciBAB III PERANCANGAN DAN IMPLEMENTASI SISTEM
BAB III PERANCANGAN DAN IMPLEMENTASI SISTEM Pada bab ini akan dijelaskan mengenai tahapan dan algoritma yang akan digunakan pada sistem pengenalan wajah. Bagian yang menjadi titik berat dari tugas akhir
Lebih terperinciIDENTIFIKASI TANDA-TANGAN MENGGUNAKAN JARINGAN SARAF TIRUAN PERAMBATAN-BALIK (BACKPROPAGATION)
IDENTIFIKASI TANDA-TANGAN MENGGUNAKAN JARINGAN SARAF TIRUAN PERAMBATAN-BALIK (BACKPROPAGATION) Dian Kurnia Widya Buana 1) Achmad Hidayatno 2) R. Rizal Isnanto 2) Abstrak: Identifikasi tanda tangan manusia
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Dalam bab ini dibahas teori yang digunakan sebagai landasan pengerjaan pengenalan kata berdasarkan tulisan tangan huruf Korea (hangūl) menggunakan jaringan saraf tiruan propagasi balik.
Lebih terperinciBACK PROPAGATION NETWORK (BPN)
BACK PROPAGATION NETWORK (BPN) Arsitektur Jaringan Digunakan untuk meminimalkan error pada output yang dihasilkan oleh jaringan. Menggunakan jaringan multilayer. Arsitektur Jaringan Proses belajar & Pengujian
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang. Universitas Sumatera Utara
BAB I PENDAHULUAN 1.1 Latar Belakang Artificial Neural Network atau jaringan syaraf tiruan merupakan bidang yang sangat berkembang saat ini. Pemanfaatan teknologi mesin dan computer yang tidak terbatas
Lebih terperinciSISTEM PENGENALAN KARAKTER DENGAN JARINGAN SYARAF TIRUAN ALGORITMA PERCEPTRON
Jurnal Informatika Mulawarman Vol. 7 No. 3 Edisi September 2012 105 SISTEM PENGENALAN KARAKTER DENGAN JARINGAN SYARAF TIRUAN ALGORITMA PERCEPTRON Anindita Septiarini Program Studi Ilmu Komputer FMIPA,
Lebih terperinciPENGENALAN KARAKTER ALFANUMERIK MENGGUNAKAN METODE BACKPROPAGARATION
PENGENALAN KARAKTER ALFANUMERIK MENGGUNAKAN METODE BACKPROPAGARATION Amriana 1 Program Studi D1 Teknik Informatika Jurusan Teknik Elektro Fakultas Teknik UNTAD ABSTRAK Jaringan saraf tiruan untuk aplikasi
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Pengenalan Pola Pengenalan pola adalah suatu ilmu untuk mengklasifikasikan atau menggambarkan sesuatu berdasarkan pengukuran kuantitatif fitur (ciri) atau sifat utama dari suatu
Lebih terperinciBAB I PENDAHULUAN. tangan dijadikan alat untuk menganalisis kepribadian pemiliknya. Sebuah
BAB I PENDAHULUAN 1.1 Latar Belakang Tulisan tangan merupakan salah satu hal unik yang dapat dihasilkan oleh manusia selain tanda tangan. Seperti halnya tanda tangan, tulisan tangan juga dapat digunakan
Lebih terperinciDOKUMENTASI ULANG NASKAH BRAILLE MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK
DOKUMENTASI ULANG NASKAH BRAILLE MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK Chairisni Lubis 1, Yoestinus 2 1 Fakultas Teknologi Informasi, Universitas Tarumanagara-Jakarta, Chairisni.fti.untar@gmail.com
Lebih terperinciAPLIKASI JARINGAN SARAF TIRUAN UNTUK INVENTARISASI LUAS SUMBER DAYA ALAM STUDI KASUS PULAU PARI
APLIKASI JARINGAN SARAF TIRUAN UNTUK INVENTARISASI LUAS SUMBER DAYA ALAM STUDI KASUS PULAU PARI Putri Khatami Rizki 1), Muchlisin Arief 2), Priadhana Edi Kresnha 3) 1), 2), 3) Teknik Informatika Fakultas
Lebih terperinciBAB VIIB BACKPROPAGATION dan CONTOH
BAB VIIB BACKPROPAGATION dan CONTOH 7B. Standar Backpropagation (BP) Backpropagation (BP) merupakan JST multi-layer. Penemuannya mengatasi kelemahan JST dengan layer tunggal yang mengakibatkan perkembangan
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Tahapan Penelitian Tahapan yang dilakukan dalam penelitian ini disajikan pada Gambar 14, terdiri dari tahap identifikasi masalah, pengumpulan dan praproses data, pemodelan
Lebih terperinciJARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI CURAH HUJAN SUMATERA UTARA DENGAN METODE BACK PROPAGATION (STUDI KASUS : BMKG MEDAN)
JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI CURAH HUJAN SUMATERA UTARA DENGAN METODE BACK PROPAGATION (STUDI KASUS : BMKG MEDAN) Marihot TP. Manalu Mahasiswa Program Studi Teknik Informatika, STMIK Budidarma
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MENGENALI TULISAN TANGAN HURUF A, B, C, DAN D PADA JAWABAN SOAL PILIHAN GANDA
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MENGENALI TULISAN TANGAN HURUF A, B, C, DAN D PADA JAWABAN SOAL PILIHAN GANDA (Studi Eksplorasi Pengembangan Pengolahan Lembar Jawaban Ujian Soal Pilihan Ganda di
Lebih terperinciJARINGAN SARAF TIRUAN BACKPROPAGATION UNTUK PENGENALAN WAJAH METODE EKSTRAKSI FITUR Sigit Kusmaryanto Teknok Elektro FTUB,
JARINGAN SARAF TIRUAN BACKPROPAGATION UNTUK PENGENALAN WAJAH METODE EKSTRAKSI FITUR Sigit Kusmaryanto Teknok Elektro FTUB, sigitkus@ub.ac.id ABSTRAKSI Salah satu kelemahan umum pada pengenalan pola untuk
Lebih terperinciJARINGAN SYARAF TIRUAN PROPAGASI BALIK DALAM PREDIKSI PERSEDIAAN TERNAK SAPI POTONG ( STUDI KASUS DI WILAYAH SUMATERA BARAT )
JARINGAN SYARAF TIRUAN PROPAGASI BALIK DALAM PREDIKSI PERSEDIAAN TERNAK SAPI POTONG ( STUDI KASUS DI WILAYAH SUMATERA BARAT ) Rima Liana Gema, S.Kom, M.Kom, Fakultas Ilmu Komputer Universitas Putra Indonesia
Lebih terperinciPERANCANGAN PROGRAM PENGENALAN BENTUK MOBIL DENGAN METODE BACKPROPAGATION DAN ARTIFICIAL NEURAL NETWORK SKRIPSI
PERANCANGAN PROGRAM PENGENALAN BENTUK MOBIL DENGAN METODE BACKPROPAGATION DAN ARTIFICIAL NEURAL NETWORK SKRIPSI Oleh Nama : Januar Wiguna Nim : 0700717655 PROGRAM GANDA TEKNIK INFORMATIKA DAN MATEMATIKA
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.6. Jaringan Syaraf Tiruan Jaringan syaraf tiruan atau neural network merupakan suatu sistem informasi yang mempunyai cara kerja dan karakteristik menyerupai jaringan syaraf pada
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN PROGRAM
BAB 3 ANALISIS DAN PERANCANGAN PROGRAM Program aplikasi ini dirancang dengan menggunakan perangkat lunak Microsoft Visual C# 2008 Express Edition. Proses perancangan menggunakan pendekatan Object Oriented
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA Pada bab ini akan membahas landasan teori-teori yang bersifat ilmiah untuk mendukung penulisan skripsi ini. Teknik-teknik yang dibahas mengenai pengenalan pola, prapengolahan citra,
Lebih terperinciRealisasi Pengenalan Tulisan Tangan Menggunakan Jaringan Syaraf Tiruan dengan Metode Kohonen
Realisasi Pengenalan Tulisan Tangan Menggunakan Jaringan Syaraf Tiruan dengan Metode Kohonen David Novyanto Candra/0322003 Email: dave_christnc@yahoo.com Jurusan Teknik Elektro, Fakultas Teknik, Jln.Prof.Drg.Suria
Lebih terperinci2 2 ... v... 3 Santoso... 21 abawa... 29... 37... 53... 59... 67... 77 Yohakim Marwanta... 85... 89... 101 ... 109... 117 D. Jaringan Komputer Amirudd... 135 andha... 141... 151... 165 Syahrir... 171...
Lebih terperinciMuhammad Fahrizal. Mahasiswa Teknik Informatika STMIK Budi Darma Jl. Sisingamangaraja No. 338 Simpanglimun Medan
IMPLEMENTASI JARINGAN SARAF TIRUAN DALAM MEMPREDIKSI SERVICE KENDARAAN RODA 4 DENGAN METODE BACKPROPAGATION (STUDI KASUS PT. AUTORENT LANCAR SEJAHTERA) Muhammad Fahrizal Mahasiswa Teknik Informatika STMIK
Lebih terperinciKlasifikasi Pola Huruf Vokal dengan Menggunakan Jaringan Saraf Tiruan
JURNAL TEKNIK POMITS 1-7 1 Klasifikasi Pola Huruf Vokal dengan Menggunakan Jaringan Saraf Tiruan Dhita Azzahra Pancorowati, M. Arief Bustomi Jurusan Fisika, Fakultas Matematika dan Ilmu Pengetahuan Alam,
Lebih terperinciSIMULASI PENGENALAN TULISAN MENGGUNAKAN LVQ (LEARNING VECTOR QUANTIZATION )
SIMULASI PENGENALAN TULISAN MENGGUNAKAN LVQ (LEARNING VECTOR QUANTIZATION ) Fachrul Kurniawan, Hani Nurhayati Jurusan Teknik Informatika, Sains dan Teknologi Universitas Islam Negeri (UIN) Maulana Malik
Lebih terperinciPengenalan Karakter Tulisan Tangan Latin pada Jaringan Saraf Tiruan Metode Backpropagation dengan Input Citra Kamera Digital
Pengenalan Karakter Tulisan Tangan Latin pada Jaringan Saraf Tiruan Metode Backpropagation dengan Input Citra Kamera Digital Dompak Petrus Sinambela 1 Sampe Hotlan Sitorus 2 Universitas Mpu Tantular Jakarta.
Lebih terperinciANALISIS LEARNING RATES PADA ALGORITMA BACKPROPAGATION UNTUK KLASIFIKASI PENYAKIT DIABETES
ANALISIS LEARNING RATES PADA ALGORITMA BACKPROPAGATION UNTUK KLASIFIKASI PENYAKIT DIABETES Thomas Brian Universitas Trunojoyo Madura Bangkalan, Indonesia thomasbrian2112@yahoo.com Abstrak Salah satu algoritma
Lebih terperinciIdentifikasi Otentifikasi Citra Tanda Tangan Menggunakan Wavelet dan Backpropagation
Identifikasi Otentifikasi Citra Tanda Tangan Menggunakan Wavelet dan Backpropagation Resa Abdilah 1, Esmeralda C. Djamal, Ridwan Ilyas Jurusan Informatika, Fakultas MIPA Universitas Jenderal Achmad Yani
Lebih terperinciEKSTRAKSI DAN PENGENALAN PLAT NOMOR KENDARAAN BERMOTOR DI INDONESIA
TESIS EKSTRAKSI DAN PENGENALAN PLAT NOMOR KENDARAAN BERMOTOR DI INDONESIA DONNY AVIANTO No. Mhs : 135302024/PS/MTF PROGRAM STUDI MAGISTER TEKNIK INFORMATIKA PROGRAM PASCASARJANA UNIVERSITAS ATMA JAYA YOGYAKARTA
Lebih terperinciANALISIS PERBANDINGAN METODE JARINGAN SYARAF TIRUAN DAN REGRESI LINEAR BERGANDA PADA PRAKIRAAN CUACA
ANALISIS PERBANDINGAN METODE JARINGAN SYARAF TIRUAN DAN REGRESI LINEAR BERGANDA PADA PRAKIRAAN CUACA Nurmahaludin (1) (1) Staf Pengajar Jurusan Teknik Elektro Politeknik Negeri Banjarmasin Ringkasan Kebutuhan
Lebih terperinciSATIN Sains dan Teknologi Informasi
SATIN - Sains dan Teknologi Informasi, Vol. 2, No., Juni 206 SATIN Sains dan Teknologi Informasi journal homepage : http://jurnal.stmik-amik-riau.ac.id Jaringan Syaraf Tiruan Peramalan Inventory Barang
Lebih terperinciBAB II. Penelitian dengan jaringan syaraf tiruan propagasi balik. dalam bidang kesehatan sebelumnya pernah dilakukan oleh
BAB II TINJAUAN PUSTAKA DAN DASAR TEORI 2.1. Tinjauan Pustaka Penelitian dengan jaringan syaraf tiruan propagasi balik dalam bidang kesehatan sebelumnya pernah dilakukan oleh Sudharmadi Bayu Jati Wibowo
Lebih terperinciPENGENALAN TULISAN TANGAN AKSARA BATAK TOBA MENGGUNAKAN JARINGAN SARAF TIRUAN BERBASIS ALGORITMA RESILIENT PROPAGATION
PENGENALAN TULISAN TANGAN AKSARA BATAK TOBA MENGGUNAKAN JARINGAN SARAF TIRUAN BERBASIS ALGORITMA RESILIENT PROPAGATION Disusun oleh : Nama : Robin Panjaitan NRP : 0622017 Jurusan Teknik Elektro, Fakultas
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI VOLUME PEMAKAIAN AIR BERSIH DI KOTA PONTIANAK
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI VOLUME PEMAKAIAN AIR BERSIH DI KOTA PONTIANAK [1] Meishytah Eka Aprilianti, [2] Dedi Triyanto, [3] Ilhamsyah [1] [2] [3] Jurusan Sistem Komputer, Fakultas
Lebih terperinciIMPLEMENTASI JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI HARGA SAHAM
IMPLEMENTASI JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI HARGA SAHAM Ayu Trimulya 1, Syaifurrahman 2, Fatma Agus Setyaningsih 3 1,3 Jurusan Sistem Komputer, Fakultas MIPA Universitas
Lebih terperinciPENGENALAN HURUF TULISAN TANGAN BERBASIS CIRI SKELETON DAN STATISTIK MENGGUNAKAN JARINGAN SARAF TIRUAN. Disusun oleh : Mario Herryn Tambunan ( )
PENGENALAN HURUF TULISAN TANGAN BERBASIS CIRI SKELETON DAN STATISTIK MENGGUNAKAN JARINGAN SARAF TIRUAN Disusun oleh : Mario Herryn Tambunan (1022056) Jurusan Teknik Elektro, Fakultas Teknik, Universitas
Lebih terperinciKLASIFIKASI POLA SIDIK JARI MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION UNTUK ANALISA KARAKTERISTIK SESEORANG
KLASIFIKASI POLA SIDIK JARI MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION UNTUK ANALISA KARAKTERISTIK SESEORANG [1] Ahmad Fahrudi Setiawan, [2] Alam Katon Agung [1], [2] Institut Teknologi Nasional
Lebih terperinciPENGENALAN KARAKTER PADA SURAT MASUK MENGGUNAKAN NEURAL NETWORK BACKPROPAGATION
PENGENALAN KARAKTER PADA SURAT MASUK MENGGUNAKAN NEURAL NETWORK BACKPROPAGATION Rizqia Lestika Atimi Program Studi Teknik Informatika Jurusan Teknik Elektro Fakultas Teknik Universitas Tanjungpura rizqia.lestika@yahoo.com
Lebih terperinciMEMPREDIKSI KECERDASAN SISWA MENGGUNAKAN JARINGAN SYARAF TIRUAN BERBASIS ALGORITMA BACKPROPAGATION (STUDI KASUS DI LP3I COURSE CENTER PADANG)
MEMPREDIKSI KECERDASAN SISWA MENGGUNAKAN JARINGAN SYARAF TIRUAN BERBASIS ALGORITMA BACKPROPAGATION (STUDI KASUS DI LP3I COURSE CENTER PADANG) R. Ayu Mahessya, S.Kom, M.Kom, Fakultas Ilmu Komputer Universitas
Lebih terperinciIMPLEMENTASI PENGENALAN WAJAH MENGGUNAKAN ALGORITMA PRINCIPAL COMPONENT ANALYSIS(PCA) DAN IMPROVED BACKPROPAGATION
J~ICON, Vol. 3 No. 2, Oktober 2015, pp. 89 ~ 95 89 IMPLEMENTASI PENGENALAN WAJAH MENGGUNAKAN ALGORITMA PRINCIPAL COMPONENT ANALYSIS(PCA) DAN IMPROVED BACKPROPAGATION Rini Miyanti Maubara 1, Adriana Fanggidae
Lebih terperinciBAB II LANDASAN TEORI. bahasa Jawa yang pada dasarnya terdiri atas dua puluh aksara pokok (nglegena),
BAB II LANDASAN TEORI 2.1 Aksara Jawa Carakan (Abjad/Aksara Jawa) adalah huruf yang digunakan dalam ejaan bahasa Jawa yang pada dasarnya terdiri atas dua puluh aksara pokok (nglegena), yang ditunjukkan
Lebih terperinciPresentasi Tugas Akhir
Presentasi Tugas Akhir Bagian terpenting dari CRM adalah memahami kebutuhan dari pelanggan terhadap suatu produk yang ditawarkan para pelaku bisnis. CRM membutuhkan sistem yang dapat memberikan suatu
Lebih terperinciBAB 2 LANDASAN TEORI
6 BAB 2 LANDASAN TEORI 2.1. Sel Darah Merah Sel darah merah atau eritrositmemiliki fungsi yang sangat penting bagi kelangsungan hidup manusia. Sel darah merah mengandung hemoglobin yang berfungsi untuk
Lebih terperinciJURNAL SAINS DAN SENI POMITS Vol. 2, No.1, (2013) 1-6 1
JURNAL SAINS DAN SENI POMITS Vol. 2, No.1, (2013) 1-6 1 Pengenalan Tulisan Tangan Huruf Latin Bersambung Secara Real Time Menggunakan Algoritma Learning Vector Quantization Ulir Rohwana dan M Isa Irawan
Lebih terperinciJARINGAN SARAF TIRUAN (ARTIFICIAL NEURAL NETWORK)
JARINGAN SARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) Bagian ini membahas jaringan saraf tiruan, pengenalan tulisan tangan, dan algoritma backpropagation. 2. Jaringan Saraf Tiruan Jaringan saraf tiruan (JST)
Lebih terperinciTOLERANSI UNJUK PENGENALAN JARINGAN SYARAF TIRUAN PADA PENAMBAHAN DERAU DAN SUDUT PUTARAN TERHADAP POLA KARAKTER TULISAN TANGAN JENIS ANGKA
Iwan Suhardi, Toleransi Jaringan Syaraf Tiruan TOLERANSI UNJUK PENGENALAN JARINGAN SYARAF TIRUAN PADA PENAMBAHAN DERAU DAN SUDUT PUTARAN TERHADAP POLA KARAKTER TULISAN TANGAN JENIS ANGKA Iwan Suhardi Jurusan
Lebih terperinciANALISIS PENAMBAHAN MOMENTUM PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK
Seminar Nasional Informatika 0 ANALISIS PENAMBAHAN MOMENTUM PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK Yudhi Andrian, Purwa Hasan Putra Dosen Teknik Informatika,
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1. 1 Latar Belakang Jaringan saraf buatan merupakan kumpulan dari elemen-elemen pemrosesan buatan yang disebut neuron. Sebuah neuron akan mempunyai banyak nilai masukan yang berasal dari
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN PADA PENGENALAN POLA TULISAN DENGAN METODE BACKPROPAGATION
APLIKASI JARINGAN SYARAF TIRUAN PADA PENGENALAN POLA TULISAN DENGAN METODE BACKPROPAGATION Alvama Pattiserlihun, Andreas Setiawan, Suryasatriya Trihandaru Program Studi Fisika, Fakultas Sains dan Matematika,
Lebih terperinciBAB IV IMPLEMENTASI DAN PENGUJIAN
68 BAB IV IMPLEMENTASI DAN PENGUJIAN Bab ini membahas tentang program yang telah dianalisis dan dirancang atau realisasi program yang telah dibuat. Pada bab ini juga akan dilakukan pengujian program. 4.1
Lebih terperinciKarakteristik Spesifikasi
Sinyal yang masuk difilter ke dalam sinyal frekuensi rendah (low-pass filter) dan sinyal frekuensi tinggi (high-pass filter) Lakukan downsampling pada kedua sinyal tersebut Low-pass frekuensi hasil downsampling
Lebih terperinciIMPLEMENTASI JARINGAN SYARAF TIRUAN MULTI LAYER FEEDFORWARD DENGAN ALGORITMA BACKPROPAGATION SEBAGAI ESTIMASI NILAI KURS JUAL SGD-IDR
Seminar Nasional Teknologi Informasi dan Multimedia 205 STMIK AMIKOM Yogyakarta, 6-8 Februari 205 IMPLEMENTASI JARINGAN SYARAF TIRUAN MULTI LAYER FEEDFORWARD DENGAN ALGORITMA BACKPROPAGATION SEBAGAI ESTIMASI
Lebih terperinciIMPLEMENTASI DEEP LEARNING BERBASIS TENSORFLOW UNTUK PENGENALAN SIDIK JARI
Royani Darma Nurfita, Gunawan Ariyanto, Implementasi Deep Learning Berbasis Tensorflow Untuk Pengenalan Sidik Jari IMPLEMENTASI DEEP LEARNING BERBASIS TENSORFLOW UNTUK PENGENALAN SIDIK JARI Royani Darma
Lebih terperinciImplementasi Jaringan Syaraf Tiruan Backpropagation dan Steepest Descent untuk Prediksi Data Time Series
Implementasi Jaringan Syaraf Tiruan Backpropagation dan Steepest Descent untuk Prediksi Data Time Series Oleh: ABD. ROHIM (1206 100 058) Dosen Pembimbing: Prof. Dr. M. Isa Irawan, MT Jurusan Matematika
Lebih terperinciArchitecture Net, Simple Neural Net
Architecture Net, Simple Neural Net 1 Materi 1. Model Neuron JST 2. Arsitektur JST 3. Jenis Arsitektur JST 4. MsCulloh Pitts 5. Jaringan Hebb 2 Model Neuron JST X1 W1 z n wi xi; i1 y H ( z) Y1 X2 Y2 W2
Lebih terperinciALGORITMA BACKPROPAGATION PADA JARINGAN SARAF TIRUAN UNTUK PENGENALAN POLA WAYANG KULIT
ALGORITMA BACKPROPAGATION PADA JARINGAN SARAF TIRUAN UNTUK PENGENALAN POLA WAYANG KULIT Kristian Adi Nugraha 1), Albertus Joko Santoso 2), Thomas Suselo 3) 1,2,3) Program Studi Magister Teknik Informatika,
Lebih terperinciBlind Steganalysis pada Citra Digital dengan Metode Jaringan Saraf Tiruan
Blind Steganalysis pada Citra Digital dengan Metode Jaringan Saraf Tiruan Cilvia Sianora Putri Program Studi Teknik Informatika Sekolah Teknik Elektro dan Informatika Institut Teknologi Bandung Jl. Ganesha
Lebih terperinci