OPTIMASI VEKTOR CODEBOOKS MENGGUNAKAN ANALISA MATRIKS SIMILARITAS PADA FLVQ. Wisnu Jatmiko dan Benyamin Kusumoputro *
|
|
- Ida Setiawan
- 7 tahun lalu
- Tontonan:
Transkripsi
1 OPTIMASI VEKTOR CODEBOOKS MENGGUNAKAN ANALISA MATRIKS SIMILARITAS PADA FLVQ Wisnu Jatmiko dan Benyamin Kusumoputro * ABSTRAK OPTIMASI VEKTOR CODEBOOKS MENGGUNAKAN ANALISA MATRIKS SIMILARITAS PADA FLVQ. Teknik Fuzzy Learning Vector Quantization (FLVQ) pada Jaringan Saraf Buatan dapat digunakan sebagai sistem pengenal aroma. Hasil yang didapat untuk mengenal suatu aroma, sudah baik. Untuk meningkatkan pengenalan aroma dan mempersingkat waktu komputasi diperlukan penentuan vektor codebook yang baik karena dalam proses pembelajaran jaringan neural buatan FLVQ akan menghasilkan vektor codebook. Diperlukan suatu teknik untuk memilih codebook yang baik Dalam penelitian ini untuk memilih vektor codebook yang baik digunakan metode Analisa Matriks Similaritas. ABSTRACT OPTIMIZATION OF CODEBOOK VECTOR USING ANALYSIS OF SIMILAR MATRICES ON FLVQ. Fuzzy Learning Vector Quantization (FLVQ) technique on the Artificial Neural Network can be used as the odor detection system. The result to recognize an odor is justifiable. To improve the recognition of the odor and to reduce of computation time, a good codebooks vector is needed. Since the learning process of FLVQ would result the codebooks vector, a better technique to choose an accurable codebook is important. The analysis of the similarity matrix is applied in the process. PENDAHULUAN Pengenalan bermacam gas aroma dapat dilakukan dengan menganalisa pola keluaran dari bermacam sensor gas aroma. Makalah ini membahas pembuatan sistem pengenal jenis gas aroma dan Jaringan Neural Buatan sebagai pengenal pola aroma, berdasarkan adsorbsi-deadsorbsi molekul gas. Sistem deteksi aroma elektronik yang telah dikembangkan terdiri dari 3 bagian [3] [4] yaitu: sistem sensor yang merubah besaran aroma menjadi besaran listrik, sistem elektronik yang mengukur besaran perubahan frekuensi sensor untuk disimpan datanya ke komputer dan sistem Jaringan * Program Studi Ilmu Komputer Pasca Sarjana Fasilkom -Universitas Indonesia
2 Neural Buatan (JNB) untuk melakukan proses pengenalan pola aroma yang dideteksi. Sistem sensor dalam sistem penciuman elektronik menggunakan resonator kuarsa untuk menggantikan fungsi sistem sel penerima dalam hidung manusia, sedangkan sistem JNB dipergunakan untuk meniru sistem neural pada otak manusia Bagian sistem JNB pada penelitian sebelumnya digunakan metode Fuzzy Learning Vector Quantization [2] yang mempunyai proses pembelajaran yang cepat dan berkemampuan tinggi mengenali pola, sehingga memungkinkan sistem dapat berlaku adaptif yaitu melakukan proses pembelajaran kembali setiap mengenali suatu aroma baru. Untuk setiap proses pembelajaran pada FLVQ, akan menghasilkan suatu vektor codebook yang berisi vektor pewakil dari setiap kategori aroma yang dilatihkan. Bentuk vektor codebook akan mempengaruhi kemampuan pengenalan dari sistem, vektor codebook yang kurang mewakili akan menghasilkan kemampuan pengenalan yang rendah. Maka metode yang mampu menganalisa setiap vektor codebook yang dihasilkan selama proses pembelajaran sangat diperlukan dalam jaringan neural buatan FLVQ ini. Dalam paper ini akan dibahas suatu metode yang dapat digunakan untuk menganalisa bentuk suatu vektor codebook yang dihasilkan dari tahap pembelajaran yang dinamakan matrik similaritas FLVQ, sehingga dengan metode ini dapat dipilih suatu vektor codebook yang baik dan konvergensi pembelajaran FLVQ dapat diamati. LANDASAN TEORI SISTEM SENSOR DAN PENGUKURAN Pada bagian sistem sensor dalam sistem deteksi aroma digunakan resonator kuarsa yang merupakan bahan piezoelektrik untuk dapat menghasilkan gelombang dan membangkitkan frekuensi. Resonator kuarsa yang dilapisi dengan membran yang sensitif terhadap gas dapat digunakan sebagai sensor kimiawi. Molekul aroma yang terabsorbsi dalam membran sensitif, akan memberikan penambahan beban yang akan mengakibatkan terjadinya penurunan resonan frekuensi dari frekuensi awalnya. Penurunan frekuensi resonator ini akan menghilang dan kembali pada frekuensi semula bila molekul aroma telah lepas dari membran (deabsorbsi). Dan fenomena ini dinamakan efek pembebanan massa (mass-loading effect). Perubahan frekuensi ( F) sebanding dengan massa total molekul-molekul gas yang teradsorbsi yang dinyatakan dengan persamaan Sauerbrey : [3][4]
3 F = -2.3 x 6 x F 2 x ( M / A) () dengan F adalah frekuensi resonansi dasar(mhz); M adalah massa total molekul gas yang terserap (g); A adalah luas elektroda (cm 2 ). Sensor resonator kuarsa yang digunakan mempunyai frekuensi dasar (F) sebesar MHz. Dengan asumsi bahwa penggunaan frekwensi ini sudah sensitif dan mempunyai noise yang kecil [5,6]. Hasil pengukuran perubahan frekuensi dari setiap sensor yang diperoleh dari sistem elektronik dinormalisasi terlebih dahulu kedalam vektor fuzzy segitiga seperti pada gambar. sebelum dimasukan pada sistem JNB. l x (t) = nilai minimum c x (t) = nilai mean r x (t) = nilai maksimum fuzziness l x (t) c x (t) r x (t) Gambar. Vektor fuzzy data hasil pengukuran Data masukan untuk sistem JNB adalah sejumlah buah data pengukuran yang menunjukkan perubahan frekuensi yang sudah cukup kecil. Pengukuran untuk masing-masing aroma dilakukan sejumlah kali yang digunakan sebagai masukan proses pembelajaran untuk menyusun vektor codebook, kemudian dilakukan pengukuran kali lagi yang sama untuk masukan proses pengujian kemampuan pengenalannya. Vektor fuzzy segitiga diatas menggambarkan fungsi keanggotaan data hasil pengukuran yang bernilai [,]. Sedangkan distribusi pengukuran dinyatakan dengan karakteristik fuzzy atau fuzziness, semakin lebar fuzziness berarti data yang akan diolah semakin bervariasi. FUZZY LEARNING VECTOR QUANTIZATION
4 Arsitektur Model Neuron Andaikan x adalah vektor fuzzy masukan untuk proses pembelajaran atau vektor training berdimensi n dan m i adalah vektor fuzzy pewakil untuk kategori aroma i yang akan diberikan sebagai inisialisasi awal proses pembelajaran dengan masing-masing fungsi keanggotaan h x dan h m maka dapat dinyatakan : x = (x, x 2,..., x j,...,x n) (2) h x = (h x, h x2,..., h xj,...,h xn) (3) dan vektor pewakil untuk kategori aroma i dapat dinyatakan : m i = (m i,m i2,.. m ij,..m in) (4) h mi = (h m,h mi2...h mij,...h min) (5) Jumlah dimensi vektor sesuai dengan jumlah sensor yang digunakan selama pengukuran frekwensi aroma. Sedangkan similaritas fuzzy yang menyatakan hubungan antara vektor training dan vektor pewakil ditentukan dengan fungsi maximum product [][2] yaitu : µij = max ( h xj h mij ) (6) dan pemilihan nilai similaritas dari satu input vektor training dengan vektor pewakil ditentukan oleh nilai minimum.dari semua similaritas aksial yaitu : µi = min {µij } (7) Untuk menentukan kategori vektor training dan vektor pewakil pemenang dinyatakan dengan similaritas maksimum diantara similaritas µi. Sedangkan bila similaritas bernilai nol berarti menyatakan bahwa vektor training mempunyai jenis aroma yang tidak diketahui. Struktur jaringan FLVQ terdiri dari 3 lapisan yaitu lapis masukan, lapis tersembunyi dan lapis keluaran. Setiap lapisan terdiri dari sejumlah neuron yang terhubung dengan neuron lapis lainnya. Lapisan masukan hanya meneruskan sinyal ke lapisan tersembunyi tanpa melakukan perhitungan. Sedangkan perhitungan dilakukan pada lapis tersembunyi dan lapis keluaran. Proses Pembelajaran
5 Proses Pembelajaran pada jaringan neural buatan FLVQ adalah melakukan modifikasi vektor pewakil secara berulang-ulang dengan cara menggeser posisi dan merubah kelebaran fuzziness. Ada tiga kasus didalam proses pembelajaran FLVQ yaitu: Bila kategori dari vektor training sama dengan kategori vektor pewakil pemenang, maka vektor pewakil pemenang m c (t) = (l m (t), c m (t), r m (t)) dipindahkan posisinya mendekati vektor training dengan notasi : [] m c (t+) = m c (t) + α(t)[{-µ c (t)}*{x j (t)-m c (t)}] (8) Kemudian dilanjutkan dengan memperlebar fuzziness untuk meningkatkan nilai similaritasnya dengan notasi : l w (t+) = l w (t+) - ( + β ). ( c w (t) - l w (t) ) (9) r w (t+) = r w (t+) + ( + β ). ( r w (t) - c w (t) ) () Bila kategori dari vektor training tidak sama dengan kategori vektor pewakil pemenang, maka vektor pewakil pemenang m c (t) = (l m (t), c m (t), r m (t)) dipindahkan posisinya menjauhi vektor training dengan notasi : m c (t+) = m c (t) - α(t)[{-µ c (t)}*{x j (t)-m c (t)}] () Kemudian dilanjutkan dengan mempersempit fuzziness untuk meningkatkan nilai similaritasnya dengan notasi : l w (t+) = l w (t+) + ( - γ ). ( c w (t) - l w (t) ) (2) r w (t+) = r w (t+) - ( - γ ). ( r w (t) - c w (t) ) (3) Bila terjadi nilai similaritas nol yang berarti antara vektor training dan vektor pewakil berjauhan maka akan dilakukan pelebaran fuzziness semua vektor pewakil dg notasi, m i (t+) = δ(t)* m i (t) i=,...k (4) untuk δ(t) =., α(t) = laju pembelajaran bernilai [,], β= besar konstanta pelebaran fuzziness dan γ = besar konstanta penyempitan fuzziness Matriks Similaritas Matriks similaritas merupakan matriks berukuran n x n dengan anggota elemen berupa nilai rata-rata similaritas vektor training suatu kategori tertentu terhadap semua N mmj = max minµ N k = ij ( k) (5)
6 vektor pewakil, dan n menyatakan jumlah kategori saat proses pembelajaran. Bentuk notasi matematika matriks similaritas M dengan elemen matriks m mj adalah : Dengan, i adalah sensor ke, 2, 3,dan 4 j adalah kategori aroma vektor pewakil m adalah kategori aroma vektor training N adalah jumlah vektor training k =,2,3 N Bentuk matriks similaritas yang dihasilkan pada setiap epoch tidak sama, dan dapat menyatakan akurasi pengenalan vektor codebook terhadap vektor training. Bila bentuk matriks similaritas buruk maka dapat dipastikan akurasi hasil pengenalan aromanya juga buruk. Bentuk matriks similaritas yang ideal bila elemen diagonal matriksnya mendekati satu dan elemen yang lainnya nol. Untuk itu matriks similaritas dapat digunakan untuk mendapatkan vektor codebook yang berkualitas. Contoh matriks similaritas epoch ke- aroma marta tilaar : Kolom pertama adalah rata-rata nilai similaritas vektor pewakil kategori I terhadap vektor training kategori I, II. dan III mempunyai nilai.9428,.55,.373 artinya bahwa vektor pewakil aroma kategori I cukup representative walaupun nilai similaritas untuk vektor training kategori III cukup tinggi. HASIL PENELITIAN Pada peneltian ini mengunakan sampel aroma produk marta tilar dan etanol, untuk marta tilaar terdiri dari 3 aroma yaitu aroma jeruk, mawar dan kenanga, sedangkan etanol terdiri dari 4 aroma yaitu etanol %, 5%, 25% dan 35%. Pengukuran dilakukan untuk masing-masing vektor training dan testing sebanyak kali pengukuran untuk setiap jenis aroma. Vektor training adalah data masukan untuk proses pembelajaran dalam menyusun vektor codebook yang akan digunakan untuk melakukan pengenalan, sedangkan vektor testing adalah data masukan untuk melakukan pengujian pengenalan dari vektor codebook yang sudah disusun. Jumlah epoch proses pembelajaran dari vektor training dan mengenali kembali vektor training
7 dengan akurasi % untuk masing-masing aroma beserta parameter pembelajaran dapat ditunjukkan pada tabel Jenis Aroma Marta Tilaar Tabel. Parameter proses pembelajaran dan hasil pengenalan aroma Laju Konstanta Epoch Pengenalan Pembelajaran Pelebaran Penyempitan Vektor Training Vektor Testing % % Etanol % 7% Pada tabel diatas menunjukkan bahwa seluruh vektor testing aroma marta tilaar dikenali dengan benar, sedangkan untuk vektor testing aroma etanol 3% mengalami kesalahan pengenalan.bila diamati bentuk matriks similaritas untuk setiap epoch dari proses pembelajaran kedua vektor training aroma marta tilaar dan etanol dapat ditunjukkan pada gambar. Sumbu x menunjukan epoch pembelajaran dan sumbu y menunjukkan nilai ratarata similaritas untuk seluruh vektor testing. Gambar diatas menunjukkan bahwa vektor codebook terbaik selama proses pembelajaran terjadi pada epoch ke-3. Akan tetapi juga terlihat bahwa epoch ke-4 vektor codebook tidak bisa digunakan untuk melakukan pengenalan aroma marta tilaar. Sedangkan bentuk matriks similaritas untuk pembelajaran aroma etanol dapat ditunjukkan pada gambar 2.
8 Vektor training jeruk Jeruk Mawar Kenanga Vektor training Mawar Jeruk Mawar Kenanga Vektor training Kenanga Jeruk Mawar Kenanga Gambar. Elemen matriks similaritas untuk setiap epoch pembelajaran pada aroma marta tilaar
9 Aroma etanol % % 5% 25% 35% Aroma etanol 5% % 5% 25% 35% % 5%.8 25% Aroma etanol 25%.6 35% Gambar 2. Aroma etanol 35 % % 5% 25% 35% Elemen matriks similaritas untuk setiap epoch pembelajaran pada aroma etanol
10 Untuk pembelajaran aroma etanol vektor codebook terbaik dihasilkan pada epoch ke-5 dan pembelajaran harus dihentikan pada epoch ke-75 karena vektor codebook yang dihasilkan mempunyai nilai elemen matriks similaritas seluruhnya satu, sehingga tidak bisa digunakan untuk melakukan pengenalan. Sedangkan hasil pengenalan untuk vektor testing dengan menggunakan vektor codebook tersebut pada aroma marta tilaar mempunyai akurasi % sedangkan aroma etanol mengalami peningkatan 8%. KESIMPULAN Dengan matriks similaritas dapat membantu dalam melakukan analisa proses pembelajaran dengan FLVQ terutama untuk menghentikan proses pembelajaran karena telah didapatkan vektor codebook yang baik. Selain itu bisa mengamati hasil data pengukuran, bila pada epoch yang cukup kecil elemen matriks similaritas sudah bernilai satu, padahal belum ada vektor codebook yang menghasilkan pengenalan % terhadap vektor training maka kemungkinan data pengukuran tidak dapat digunakan untuk proses pembelajaran. Untuk meningkatkan pengenalan aroma. Dari sisi perangkat keras akan diteliti dan dikembangkan sistem pengenal aroma yang baru, yang mempunyai sensor lebih banyak (6 sensor) dan membran kwarsanya lebih sensitif serta variatif. Dari sisi perangkat lunak akan diteliti dan dikembangkan algoritma-algoritma pembelajaran yang lebih efesien terutama untuk mencari codebook yang optimum. DAFTAR PUSTAKA. Y. SAKURABA, T. NAKAMOTO, T. MORIIZUMI, "New method of Learning Vector Quantization using Fuzzy Theory", System and Computer in Japan 22 (3) (99) 2. B. KUSUMOPUTRO and H. BUDIARTO, "Artificial odor discrimination system using Fuzzy Learning Vector Quantization Neural Network", IASTED Proc. Artifi. Intelli. and Soft Comput., (998)
11 3. B. KUSUMOPUTRO and M. RIVAI, "Artificial electronic nose for discrimination odor using a quartz resonator sensor and neural network", Proc. Comput. Methods and Simult. in Engi. VII.A.4, (997) 4. B. KUSUMOPUTRO and M. RIVAI, "Discrimination of fragrance odor by arrayed quartz, resonator and aneural network", ICCIMA'98, Eds. H. Selvaraj and B. Verma, World Scientific Pubs. Co. Pte. Ltd, Singapore, (998) HANAKI, T. NAKAMOTO and T. MORIIZUMI, "Study of an artificial odor recognition systems using neural networks for estimating sensory quantities of blended fragrance", Proc. ICME-96 Bandung, (996) 6. HANAKI, T. NAKAMOTO and T. MORIIZUMI, Artificial odor recognition system using neural network for estimating sensory quantities of blended fragrance, Elsevier science, sensors & actuators, (996)
12 DISKUSI MOCHAMMAD SONHAJI Apa maksud Anda mengenai matriks identitas itu ideal dalam penelitian Anda? Bagaimana Anda memberikan standar (dasar) bahwa matriks itu mirip dengan matriks identitas? WISNU JATMIKO Dalam penelitian ini digunakan metode pembelajaran supervisi (dengan pengarahan) pola keluaran yang diharapkan mempunyai nilai satu dan pola yang lain mempunyai nilai. Sehingga apabila kita mempunyai tiga pola yang akan diklasifikasikan maka matriks similaritas yang ideal adalah matriks identitas (3x3) MIKE SUSMIKANTI Secara ideal mungkin sulit dicapai matriks similaritas adalah matriks identitas. Akan tetapi seandainya dalam hal ini diperoleh hal tersebut di atas akan terjadi keadaan yang bagaimana? WISNU JATMIKO Bila matriks similaritas = matriks identitas maka Jaringan Neural Buatan akan mengenal aroma dengan baik (%)
13 DAFTAR RIWAYAT HIDUP. Nama : WISNU JATMIKO 2. Tempat/Tanggal Lahir : Surabaya, 6 Desember Instansi : Fakultas Ilmu Komputer - UI 4. Pekerjaan / Jabatan : Mahasiswa Pasca Sarjana 5. Riwayat Pendidikan : (setelah SMA sampai sekarang) FT-UI, Jurusan Elektro ( ) (S) Pasca Sarjana-UI, Jurusan Ilmu Komputer (998 - Sekarang) 6. Pengalaman Kerja : : Customer Engineer - PT Philips 987 sekarang : Mahasiswa Pasca Sarjana/Staf Peneliti 7. Organisasi Professional : -
Segitiga Fuzzy-Neural Network untuk Mengenali Pola dari Model Input Data yang Berdistribusi
J. Math. and Its Appl. ISSN: 1829-605X Vol. 4, No. 1, May 2007, 9 16 Segitiga Fuzzy-Neural Network untuk Mengenali Pola dari Model Input Data yang Berdistribusi Hary Budiarto Pusat Teknologi Informasi
Lebih terperinciBAB II PENGGUNAAN FUZZY-NEURO LEARNING VECTOR QUANTIZATION PADA SISTEM PENCIUMAN ELEKTRONIK
BAB II PENGGUNAAN FUZZY-NEURO LEARNING VECTOR QUANTIZATION PADA SISTEM PENCIUMAN ELEKTRONIK Penelitian ini merupakan bagian dari pengembangan Sistem Penciuman Elektronik. Sistem Penciuman Elektronik merupakan
Lebih terperinciPENGEMBANGAN SISTEM PENCIUMAN ELEKTRONIK DENGAN 16 BUAH SENSOR KUARSA DAN ALGORITMA NEURAL PROPAGASI BALIK UNTUK PENGENALAN AROMA CAMPURAN
PENGEMBANGAN SISTEM PENCIUMAN ELEKTRONIK DENGAN 16 BUAH SENSOR KUARSA DAN ALGORITMA NEURAL PROPAGASI BALIK UNTUK PENGENALAN AROMA CAMPURAN Benyamin Kusumoputro dan Wisnu Jatmiko Fakultas Ilmu Komputer,
Lebih terperinciBAB 3 PENGENALAN WAJAH
28 BAB 3 PENGENALAN WAJAH DENGAN PENGENALAN DIMENSION WAJAH BASED DENGAN FNLVQ DIMENSION BASED FNLVQ Bab ini menjelaskan tentang pemodelan data masukan yang diterapkan dalam sistem, algoritma FNLVQ secara
Lebih terperinciPENGEMBANGAN SISTEM PENCIUMAN ELEKTRONIK DENGAN 16 BUAH SENSOR KUARSA DAN ALGORITMA NEURAL PROPAGASI BALIK UNTUK PENGENALAN AROMA CAMPURAN
MAKARA, SAINS, VOL. 6, NO. 3, DESEMBER 2002 PENGEMBANGAN SISTEM PENCIUMAN ELEKTRONIK DENGAN 16 BUAH SENSOR KUARSA DAN ALGORITMA NEURAL PROPAGASI BALIK UNTUK PENGENALAN AROMA CAMPURAN Benyamin Kusumoputro
Lebih terperinciFUZZY-NEURO LEARNING VECTOR QUANTIZATION (FNLVQ)
BAB 2 FUZZY-NEURO LEARNING VECTOR QUANTIZATION (FNLVQ) Bab ini akan menjelaskan algoritma pembelajaran FNLVQ konvensional yang dipelajari dari berbagai sumber referensi. Pada bab ini dijelaskan pula eksperimen
Lebih terperinciANALISIS VARIASI PARAMETER LEARNING VECTOR QUANTIZATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA ODOR
Jurnal Teknik dan Ilmu Komputer ANALISIS VARIASI PARAMETER LEARNING VECTOR QUANTIZATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA ODOR PARAMETER VARIATION ANALYSIS OF LEARNING VECTOR QUANTIZATION
Lebih terperinciBAB I PENDAHULUAN 1.1 LATAR BELAKANG. Sistem Penciuman Elektronik merupakan sebuah sistem yang bertujuan
BAB I PENDAHULUAN 1.1 LATAR BELAKANG Sistem Penciuman Elektronik merupakan sebuah sistem yang bertujuan untuk mengenali suatu zat berdasarkan aromanya. Sistem ini terdiri dari 3 (tiga) bagian yaitu bagian
Lebih terperinciJARINGAN SARAF HIBRIDA PB-SKNC DAN APLIKASINYA PADA PENGENALAN AROMA. Benyamin Kusumoputro, Ari Saptawijaya *
JARINGAN SARAF HIBRIDA PB-SKNC DAN APLIKASINYA PADA PENGENALAN AROMA Benyamin Kusumoputro, Ari Saptawijaya * ABSTRAK JARINGAN SARAF HIBRIDA PB-SKNC DAN APLIKASINYA PADA PENGENALAN AROMA. Salah satu tujuan
Lebih terperinciIMPLEMENTASI TEKNOLOGI FIELD PROGRAMMABLE GATE ARRAY (FPGA) PADA ALAT IDENTIFIKASI ODOR
IMPLEMENTASI TEKNOLOGI FIELD PROGRAMMABLE GATE ARRAY (FPGA) PADA ALAT IDENTIFIKASI ODOR Dini Fakta Sari 1,2, Muhammad Rivai 1, Totok Mujiono 1, Tasripan 1 1 Program Pascasarjana,Jurusan Teknik Elektro,
Lebih terperinciUNIVERSITAS INDONESIA PENGEMBANGAN JARINGAN SYARAF TIRUAN DENGAN METODE SOM FUZZY DAN LVQ FUZZY TESIS DWI SUDARNO PUTRA
UNIVERSITAS INDONESIA PENGEMBANGAN JARINGAN SYARAF TIRUAN DENGAN METODE SOM FUZZY DAN LVQ FUZZY TESIS DWI SUDARNO PUTRA 0906577740 FAKULTAS TEKNIK PROGRAM PASCA SARJANA TEKNIK ELEKTRO DEPOK JULI 2011 UNIVERSITAS
Lebih terperinciOPTIMASI FUZZY LEARNING VECTOR QUANTIZATION UNTUK SISTEM PENGENALAN AROMA CAMPURAN. H. R. Sanabila, Rochmatullah, dan W.Jatmiko
OPTIMASI FUZZY LEARNING VECTOR QUANTIZATION UNTUK SISTEM PENGENALAN AROMA CAMPURAN H. R. Sanabila, Rochmatullah, dan W.Jatmiko Fakultas Ilmu Komputer, Universitas Indonesia, Depok, Indonesia hrs4@ui.ac.id,wisnuj@cs.ui.ac.id
Lebih terperinciSistem Pengenalan Aroma Teh Dalam Instrumen Penciuman Elektronik Menggunakan Jaringan Syaraf Tiruan
Jurnal Gradien Vol.8 No.2 Juli 2012 : 796-801 Sistem Pengenalan Aroma Teh Dalam Instrumen Penciuman Elektronik Menggunakan Jaringan Syaraf Tiruan Suwardi Laboratorium Elektronika dan Instrumentasi, Jurusan
Lebih terperinciPENGGUNAAN ALGORITMA GENETIKA UNTUK OPTIMASI JARINGAN NEURAL BUATAN-FUZZY DAN APLIKASINYA PADA SISTEM PENCIUMAN ELEKTRONIK
MAKARA, SAINS, VOL. 6, NO. 1, APRIL 2002 PENGGUNAAN ALGORITMA GENETIKA UNTUK OPTIMASI JARINGAN NEURAL BUATAN-FUZZY DAN APLIKASINYA PADA SISTEM PENCIUMAN ELEKTRONIK Benyamin Kusumoputro dan Ponix Irwanto
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 terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Jaringan Syaraf Tiruan Artificial Neural Network atau Jaringan Syaraf Tiruan (JST) adalah salah satu cabang dari Artificial Intelligence. JST merupakan suatu sistem pemrosesan
Lebih terperinciKlasifikasi Odor pada Ruang Terbuka dengan Menggunakan Short Time Fourier Transform dan Neural Learning Vector Quantization
Klasifikasi Odor pada Ruang Terbuka dengan Menggunakan Short Time Fourier Transform dan Neural Learning Vector Quantization Hendrick 1, Muhammad Rivai 1, Tasripan 1 1 Jurusan Tehnik Elektro Fakultas Teknologi
Lebih terperinciUJM 3 (1) (2014) UNNES Journal of Mathematics.
UJM 3 (1) (2014) UNNES Journal of Mathematics http://journal.unnes.ac.id/sju/index.php/ujm APLIKASI JARINGAN SYARAF TIRUAN BACKPROPAGATION DALAM PERAMALAN BEBAN PUNCAK DISTRIBUSI LISTRIK DI WILAYAH PEMALANG
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 terperinciPENENTUAN NILAI VEKTOR PEWAKIL AWAL PADA ARSITEKTUR JARINGAN SYARAF TIRUAN LVQ UNTUK PENGENALAN WAJAH
PENENTUAN NILAI VEKTOR PEWAKIL AWAL PADA ARSITEKTUR JARINGAN SYARAF TIRUAN LVQ UNTUK PENGENALAN WAJAH Devira Anggi Maharani 1, Mila Fauziyah 2, Denda Dewatama 3 1,2 Jurusan Elektro, Prodi Elektronika,
Lebih terperinciIdentifikasi Tanda Tangan Menggunakan Transformasi Gabor Wavelet dan Jarak Minskowski
Identifikasi Tanda Tangan Menggunakan Transformasi Gabor Wavelet dan Jarak Minskowski Junia Kurniati Computer Engineering Department Faculty of Computer Science Sriwijaya University South Sumatera Indonesia
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 terperinciMENGENALI FUNGSI LOGIKA AND MELALUI PEMROGRAMAN PERCEPTRON DENGAN MATLAB
POLITEKNOSAINS VOL. X NO. 2 Juni 2011 MENGENALI FUNGSI LOGIKA AND MELALUI PEMROGRAMAN PERCEPTRON DENGAN MATLAB Yaya Finayani Teknik Elektro, Politeknik Pratama Mulia, Surakarta 57149, Indonesia ABSTRACT
Lebih terperinciDATA MINING WORKFLOW DENGAN SEGITIGA FUZZY. A ang Subiyakto Abstrak
DATA MINING WORKFLOW DENGAN SEGITIGA FUZZY A ang Subiyakto E-mail: aangsubiyakto@yahoo.com Abstrak Paper ini membahas tentang konsep penggunaan Segitiga Fuzzy (SF) dalam dalam pengembangan data mining
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 terperinciPerbandingan Antara Metode Kohonen Neural Network dengan Metode Learning Vector Quantization Pada Pengenalan Pola Tandatangan
Jurnal Sains & Matematika (JSM) ISSN Kajian 0854-0675 Pustaka Volume14, Nomor 4, Oktober 2006 Kajian Pustaka: 147-153 Perbandingan Antara Metode Kohonen Neural Network dengan Metode Learning Vector Quantization
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN MULTI LAYER PERCEPTRON PADA APLIKASI PRAKIRAAN CUACA
Aplikasi Jaringan Syaraf Tiruan Multilayer Perceptron (Joni Riadi dan Nurmahaludin) APLIKASI JARINGAN SYARAF TIRUAN MULTI LAYER PERCEPTRON PADA APLIKASI PRAKIRAAN CUACA Joni Riadi (1) dan Nurmahaludin
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 terperinciBAB 2 TINJAUAN PUSTAKA
7 BAB 2 TINJAUAN PUSTAKA 21 Anatomi Ayam Pengetahuan tentang anatomi ayam sangat diperlukan dan penting dalam pencegahan dan penanganan penyakit Hal ini karena pengetahuan tersebut dipakai sebagai dasar
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Artificial Neural Network Artificial neural network (ANN) / jaringan saraf tiruan adalah konsep yang merefleksikan cara kerja dari jaringan saraf biologi kedalam bentuk artificial
Lebih terperinciBAB I PENDAHULUAN BAB
BAB I PENDAHULUAN BAB 1 1.1 Latar Belakang Teknologi pengindraan elektronik telah mengalami perkembangan dari masa ke masa. Pengindraan elektronik ini mengacu pada kemampuan reproduksi indra manusia menggunakan
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 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 III PEMBAHASAN. FRBFNN, Arsitektur FRBFNN, aplikasi FRBFNN untuk meramalkan kebutuhan
BAB III PEMBAHASAN Pada bab ini berisi mengenai FRBFNN, prosedur pembentukan model FRBFNN, Arsitektur FRBFNN, aplikasi FRBFNN untuk meramalkan kebutuhan listrik di D.I Yogyakarta. A. Radial Basis Function
Lebih terperinciLEARNING VECTOR QUANTIZATION UNTUK PREDIKSI PRODUKSI KELAPA SAWIT PADA PT. PERKEBUNAN NUSANTARA I PULAU TIGA
LEARNING VECTOR QUANTIZATION UNTUK PREDIKSI PRODUKSI KELAPA SAWIT PADA PT. PERKEBUNAN NUSANTARA I PULAU TIGA 1,2,3 Fakultas Ilmu Komputer dan Teknologi Informasi, Universitas Sumatera Utara e-mail: edgar.audela.bb@students.usu.ac.id,
Lebih terperinciPenyelesaian Masalah Symmetric Traveling Salesman Problem Dengan Jaringan Saraf Continuous Hopfield Net
Penyelesaian Masalah Symmetric Traveling Salesman Problem Dengan Jaringan Saraf Continuous Hopfield Net Apul Prima S, Sri Suwarno, R. Gunawan Santosa Fakultas Teknologi Informasi, Program Studi Teknik
Lebih terperinci11 BAB I 12 PENDAHULUAN
11 BAB I 12 PENDAHULUAN 1.1 Latar Belakang Indonesia selama ini dikenal sebagai negeri penghasil rempah-rempah seperti jahe, pala, merica, cengkeh dan kunyit. Selain rempah-rempah, Indonesia juga dikenal
Lebih terperinciAplikasi yang dibuat adalah aplikasi untuk menghitung. prediksi jumlah dalam hal ini diambil studi kasus data balita
BAB III ANALISA DAN PERANCANGAN SISTEM 3.1. Analisa dan Kebutuhan Sistem Analisa sistem merupakan penjabaran deskripsi dari sistem yang akan dibangun kali ini. Sistem berfungsi untuk membantu menganalisis
Lebih terperinciRancang Bangun Sistem Pencacah Frekuensi Untuk Sensor Gas Quartz Crystal Microbalance
1 Rancang Bangun Sistem Pencacah Untuk Sensor Gas Quartz Crystal Microbalance Brilianda Adi Wicaksono, Muhammad Rivai, Tasripan Teknik Elektro, Fakultas Teknologi Industri, Institut Teknologi Sepuluh Nopember
Lebih terperinciPENGGUNAAN METODE JARINGAN NEURAL PERCEPTRON UNTUK MENGENAL POLA KARAKTER KAPITAL
J. Pilar Sains 6 (2) Juli 2007 Jurusan Pendidikan MIPA FKIP Universitas Riau ISSN 1412-5595 PENGGUNAAN METODE JARINGAN NEURAL PERCEPTRON UNTUK MENGENAL POLA KARAKTER KAPITAL Zaiful Bahri 1 Dosen Program
Lebih terperinciRancang Bangun Sistem Pencacah Frekuensi Untuk Sensor Gas Quartz Crystal Microbalance
JURNAL TEKNIK POMITS Vol. 3, No. 1, (2014) ISSN: 2337-3539 (2301-9271 Print) F-79 Rancang Bangun Sistem Pencacah Untuk Sensor Gas Quartz Crystal Microbalance Brilianda Adi Wicaksono, Muhammad Rivai, Tasripan
Lebih terperinciBAB 3 METODOLOGI. seseorang. Hal inilah yang mendorong adanya perkembangan teknologi
BAB 3 METODOLOGI 3.1. Kerangka Berpikir Pengenalan ekspresi wajah adalah salah satu bentuk representasi kecerdasan manusia yang dapat digunakan untuk mendeteksi kondisi emosi seseorang. Hal inilah yang
Lebih terperinciPREDIKSI KELULUSAN TEPAT WAKTU MAHASISWA MENGGUNAKAN NEURO-FUZZY CLASSIFICATION
PREDIKSI KELULUSAN TEPAT WAKTU MAHASISWA MENGGUNAKAN NEURO-FUZZY CLASSIFICATION (NEFCLASS) (STUDI KASUS: PROGRAM STUDI S1 TEKNIK INFORMATIKA, UNIVERSITAS TELKOM) Rita Rismala 1, Serli Fatriandini 2, Retno
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 terperinciBAB 2 LANDASAN TEORI. fuzzy logic dengan aplikasi neuro computing. Masing-masing memiliki cara dan proses
8 BAB 2 LANDASAN TEORI 2.1 Teori Neuro Fuzzy Neuro-fuzzy sebenarnya merupakan penggabungan dari dua studi utama yaitu fuzzy logic dengan aplikasi neuro computing. Masing-masing memiliki cara dan proses
Lebih terperinciJaringan Syaraf Tiruan
Jaringan Syaraf Tiruan (Artificial Neural Network) Intelligent Systems Pembahasan Jaringan McCulloch-Pitts Jaringan Hebb Perceptron Jaringan McCulloch-Pitts Model JST Pertama Diperkenalkan oleh McCulloch
Lebih terperinciIDENTIFIKASI AROMA CAMPURAN (BLENDING) KOPI ARABIKA DAN ROBUSTA DENGAN ELECTRONIC NOSE MENGGUNAKAN SISTEM PENGENALAN POLA
IDENTIFIKASI AROMA CAMPURAN (BLENDING) KOPI ARABIKA DAN ROBUSTA DENGAN ELECTRONIC NOSE MENGGUNAKAN SISTEM PENGENALAN POLA Scent Identification with Electronic Nose Method on Arabica And Coffee Blending
Lebih terperinciANALISIS ODOR URINE UNTUK MENDETEKSI INFEKSI SALURAN KEMIH DENGAN MENGGUNAKAN SENSOR QUARTZ CRYSTAL MICROBALANCE DAN SELF ORGANIZING MAP (SOM)
ANALISIS ODOR URINE UNTUK MENDETEKSI INFEKSI SALURAN KEMIH DENGAN MENGGUNAKAN SENSOR QUARTZ CRYSTAL MICROBALANCE DAN SELF ORGANIZING MAP (SOM) Oleh : Delima A.S 2208204013 Dosen Pembimbing Dr. Muhammad
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 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 terperinciJARINGAN SYARAF TIRUAN PREDIKSI PENYAKIT LUDWIG ANGINA
doi: https://doi.org/10.5281/zenodo.1207339 JARINGAN SYARAF TIRUAN PREDIKSI PENYAKIT LUDWIG ANGINA Siti Aisyah (1), Abdi Dharma (2), Mardi Turnip (3) Sistem Informasi Fakultas Teknologi dan Ilmu Komputer
Lebih terperinciPERBANDINGAN ALGORITMA PARTICLE SWARM OPTIMIZATION DAN REGRESI PADA PERAMALAN WAKTU BEBAN PUNCAK
Jurnal POROS TEKNIK, Volume 6, No. 2, Desember 2014 : 55-10 PERBANDINGAN ALGORITMA PARTICLE SWARM OPTIMIZATION DAN REGRESI PADA PERAMALAN WAKTU BEBAN PUNCAK Nurmahaludin (1) (1) Staff Pengajar Jurusan
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 terperinciKLASIFIKASI ARITMIA EKG MENGGUNAKAN JARINGAN SYARAF TIRUAN DENGAN FUNGSI AKTIVASI ADAPTIF
KLASIFIKASI ARITMIA EKG MENGGUNAKAN JARINGAN SYARAF TIRUAN DENGAN FUNGSI AKTIVASI ADAPTIF Asti Rahma Julian 1, Nanik Suciati 2, Darlis Herumurti 3 Teknik Informatika, Fakultas Teknologi Informasi, ITS
Lebih terperinciUNIVERSITAS INDONESIA PENGEMBANGAN METODE JARINGAN SARAF TIRUAN DENGAN FUNGSI BASIS RADIAL (FBR) FUZZY DAN APLIKASINYA
UNIVERSITAS INDONESIA PENGEMBANGAN METODE JARINGAN SARAF TIRUAN DENGAN FUNGSI BASIS RADIAL (FBR) FUZZY DAN APLIKASINYA TESIS Diajukan sebagai salah satu syarat untuk memperoleh gelar Magister Teknik YOAN
Lebih terperinciPENERAPAN METODE LEARNING VECTOR QUANTIZATION (LVQ) PADA PREDIKSI JURUSAN DI SMA PGRI 1 BANJARBARU
PENERAPAN METODE LEARNING VECTOR QUANTIZATION (LVQ) PADA PREDIKSI JURUSAN DI SMA PGRI 1 BANJARBARU Risky Meliawati 1,Oni Soesanto 2, Dwi Kartini 3 1,3Prodi Ilmu Komputer FMIPA UNLAM 2 Prodi Matematika
Lebih terperinciPerancangan Sistem Pengenalan Jenis Odor Menggunakan 20 Mhz Quartz Crystal Microbalance Dan Field Programmable Gate Array
Perancangan Sistem Pengenalan Jenis Odor Menggunakan 20 Mhz Quartz Crystal Microbalance Dan Field Programmable Gate Array Aldi Lairan - 2204100197 Jurusan Teknik Elektro FTI, Institut Teknologi Sepuluh
Lebih terperinciBAB IV JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK)
BAB IV JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) Kompetensi : 1. Mahasiswa memahami konsep Jaringan Syaraf Tiruan Sub Kompetensi : 1. Dapat mengetahui sejarah JST 2. Dapat mengetahui macam-macam
Lebih terperinciAnalisis Jaringan Saraf Tiruan dengan Metode Backpropagation Untuk Mendeteksi Gangguan Psikologi
Analisis Jaringan Saraf Tiruan dengan Metode Backpropagation Untuk Mendeteksi Gangguan Psikologi Kiki, Sri Kusumadewi Laboratorium Komputasi & Sistem Cerdas Jurusan Teknik Informatika, Fakultas Teknologi
Lebih terperinciGambar 2.1 Neuron biologi manusia (Medsker & Liebowitz, 1994)
BAB 2 LANDASAN TEORI 2.1. Jaringan Saraf Biologi Manusia Otak manusia memiliki struktur yang sangat kompleks, serta memiliki kemampuan yang luar biasa. Otak terdiri dari neuron-neuron dan penghubung yang
Lebih terperinciPENGENALAN POLA HURUF ROMAWI DENGAN JARINGAN SARAF TIRUAN PERSEPTRON LAPIS JAMAK
PENGENALAN POLA HURUF ROMAWI DENGAN JARINGAN SARAF TIRUAN PERSEPTRON LAPIS JAMAK Eko Budi Wahyono*), Suzuki Syofian**) *) Teknik Elektro, **) Teknik Informatika - Fakultas Teknik Abstrak Pada era modern
Lebih terperinciPerbaikan Metode Prakiraan Cuaca Bandara Abdulrahman Saleh dengan Algoritma Neural Network Backpropagation
65 Perbaikan Metode Prakiraan Cuaca Bandara Abdulrahman Saleh dengan Algoritma Neural Network Backpropagation Risty Jayanti Yuniar, Didik Rahadi S. dan Onny Setyawati Abstrak - Kecepatan angin dan curah
Lebih terperinciBrilianda Adi WIcaksono Bidang Studi Elektronika Jurusan Teknik Elektro FTI Institut Teknologi Sepuluh Nopember Surabaya
Rancang Bangun Sistem Pencacah Frekuensi Untuk Sensor Gas Quartz Crystal Microbalance (DESIGN OF FREQUENCY COUNTER SYSTEM FOR QUARTZ CRYSTAL MICROBALANCE GAS SENSOR) Brilianda Adi WIcaksono 2209 100 014
Lebih terperinciPENGELOMPOKAN KABUPATEN/KOTA DI PROVINSI JAWA TENGAH BERDASARKAN PERSENTASE PENDUDUK MISKIN TAHUN MENGGUNAKAN METODE KOHONEN
Prosiding Seminar Nasional Matematika dan Terapannya 016 p-issn : 550-0384; e-issn : 550-039 PENGELOMPOKAN KABUPATEN/KOTA DI PROVINSI JAWA TENGAH BERDASARKAN PERSENTASE PENDUDUK MISKIN TAHUN 009-013 MENGGUNAKAN
Lebih terperinciPENGENAL HURUF TULISAN TANGAN MENGGUNAKAN JARINGAN SARAF TIRUAN METODE LVQ (LEARNING VECTOR QUANTIZATION) By. Togu Sihombing. Tugas Ujian Sarjana
PENGENAL HURUF TULISAN TANGAN MENGGUNAKAN JARINGAN SARAF TIRUAN METODE LVQ (LEARNING VECTOR QUANTIZATION) By. Togu Sihombing Tugas Ujian Sarjana. Penjelasan Learning Vector Quantization (LVQ) Learning
Lebih terperinciAnalisis Jaringan Saraf Tiruan Model Perceptron Pada Pengenalan Pola Pulau di Indonesia
Jurnal Ilmiah Teknologi dan Informasi ASIA (JITIKA) Vol.11, No.1, Februari 2017 ISSN: 0852-730X Analisis Jaringan Saraf Tiruan Model Perceptron Pada Pengenalan Pola Pulau di Indonesia Muhammad Ulinnuha
Lebih terperinciIDENTIFIKASI SPEKTRUM FREKUENSI ISYARAT ELEKTROKARDIOGRAF MENGGUNAKAN JARINGAN SYARAF TIRUAN KOMPETISI PENUH
IDENTIFIKASI SPEKTRUM FREKUENSI ISYARAT ELEKTROKARDIOGRAF MENGGUNAKAN JARINGAN SYARAF TIRUAN KOMPETISI PENUH NAZRUL EFFENDY, ST., MT Staf Pengajar Jurusan Teknik Fisika, Fakultas Teknik Universitas Gadjah
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 terperinciKLASIFIKASI CITRA PARU MENGGUNAKAN MODEL SELF-ORGANIZING MAPS RADIAL BASIS FUNCTION NEURAL NETWORKS (SOM-RBFNN) SKRIPSI
KLASIFIKASI CITRA PARU MENGGUNAKAN MODEL SELF-ORGANIZING MAPS RADIAL BASIS FUNCTION NEURAL NETWORKS (SOM-RBFNN) SKRIPSI Diajukan kepada Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Negeri
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 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 terperinciDeteksi Kanker Serviks ( Carsinoma Serviks Uteri ) pada Citra Hasil Rekaman CT-Scan Menggunakan Jaringan Syaraf Tiruan
Deteksi Kanker Serviks ( Carsinoma Serviks Uteri ) pada Citra Hasil Rekaman CT-Scan Menggunakan Jaringan Syaraf Tiruan Dewi Ari Nirmawaty, Prof. Dr. Ir Suhariningsih, Delima Ayu Saraswati ST. MT. Program
Lebih terperinciBAB III PEMBAHASAN. harga minyak mentah di Indonesia dari bulan Januari 2007 sampai Juni 2017.
BAB III PEMBAHASAN Data yang digunakan dalam bab ini diasumsikan sebagai data perkiraan harga minyak mentah di Indonesia dari bulan Januari 2007 sampai Juni 2017. Dengan demikian dapat disusun model Fuzzy
Lebih terperinciAplikasi Artificial Neural Network (ANN) untuk Memprediksi Perilaku Sumur Geotermal
Aplikasi Artificial Neural Network (ANN) untuk Memprediksi Perilaku Sumur Geotermal Henny Dwi Bhakti 1,a), Acep Purqon 2,b) 1 Program Studi Sains Komputasi, FMIPA ITB Fakultas Matematika dan Ilmu Pengetahuan
Lebih terperinciIMPLEMENTASI ARTIFICIAL NEURAL NETWORK PADA FIELD PROGRAMMABLE GATE ARRAY (FPGA) DALAM SISTEM IDENTIFIKASI ODOR
IMPLEMENTASI ARTIFICIAL NEURAL NETWORK PADA FIELD PROGRAMMABLE GATE ARRAY (FPGA) DALAM SISTEM IDENTIFIKASI ODOR Dini Fakta Sari 1,2, Muhammad Rivai 1, Totok Muiono 1 1 Program Pascasarana,Jurusan Teknik
Lebih terperinciPENGENALAN POLA TANDA TANGAN MENGGUNAKAN METODE MOMENT INVARIANT DAN JARINGAN SYARAF RADIAL BASIS FUNCTION (RBF)
Prosiding Seminar Nasional Penelitian, Pendidikan dan Penerapan MIPA, Fakultas MIPA, Universitas Yogyakarta, 14 Mei 2011 PENGENALAN POLA TANDA TANGAN MENGGUNAKAN METODE MOMENT INVARIANT DAN JARINGAN SYARAF
Lebih terperinciBAB III METODELOGI PENELITIAN. media cacing dengan metode adaptive neuro fuzzy inference system (ANFIS)
BAB III METODELOGI PENELITIAN 3.1 Studi Literatur Untuk memehami cara rancang bangun pengontrol suhu dan kelembaban media cacing dengan metode adaptive neuro fuzzy inference system (ANFIS) dibutuhkan studi
Lebih terperinciAplikasi Pengenalan Citra Chord Gitar Menggunakan Learning Vector Quantization (LVQ)
95 Aplikasi Pengenalan Citra Chord Gitar Menggunakan Learning Vector Quantization (LVQ) Imam Suderajad *), Tamam Asrori **), Mohammad ***), Dwi Prananto ****) Teknik Elektro, Universitas Panca Marga Email:
Lebih terperinciPERANCANGAN PARAMETER TERBAIK UNTUK PREDIKSI PRODUKSI BAN GT3 MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILIENT PROPAGATION
PERANCANGAN PARAMETER TERBAIK UNTUK PREDIKSI PRODUKSI BAN GT3 MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILIENT PROPAGATION Fitrisia, Adiwijaya, dan Andrian Rakhmatsyah Program Studi S1 Teknik Informatika,
Lebih terperincig(x, y) = F 1 { f (u, v) F (u, v) k} dimana F 1 (F (u, v)) diselesaikan dengan: f (x, y) = 1 MN M + vy )} M 1 N 1
Fast Fourier Transform (FFT) Dalam rangka meningkatkan blok yang lebih spesifik menggunakan frekuensi dominan, akan dikalikan FFT dari blok jarak, dimana jarak asal adalah: FFT = abs (F (u, v)) = F (u,
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 terperinciPERAMALAN BEBAN LISTRIK JANGKA PENDEK DI BALI MENGGUNAKAN PENDEKATAN ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS)
PERAMALAN BEBAN LISTRIK JANGKA PENDEK DI BALI MENGGUNAKAN PENDEKATAN ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS) L K Widyapratiwi 1, I P A Mertasana 2, I G D Arjana 2 1 Mahasiswa Teknik Elektro, Fakultas
Lebih terperinciSISTEM PENGENALAN TULISAN TANGAN REAL TIME MENGGUNAKAN METODE DOMINANT POINT DAN JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION
SISTEM PENGENALAN TULISAN TANGAN REAL TIME MENGGUNAKAN METODE DOMINANT POINT DAN JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION Oleh: Bakhtiar Arifin (1206 100 722) Dosen Pembimbing: Prof. DR. M.
Lebih terperinciHALAMAN SAMPUL SKRIPSI PENGENALAN POLA TELAPAK TANGAN DENGAN MENGGUNAKAN ALGORITMA BACK PROPAGATION NEURAL NETWORK
HALAMAN SAMPUL SKRIPSI PENGENALAN POLA TELAPAK TANGAN DENGAN MENGGUNAKAN ALGORITMA BACK PROPAGATION NEURAL NETWORK Oleh: MOH SHOCHWIL WIDAT 2011-51-034 PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS TEKNIK
Lebih terperinciBAB VIII JARINGAN SYARAF TIRUAN
BAB VIII JARINGAN SYARAF TIRUAN A. OTAK MANUSIA Otak manusia berisi berjuta-juta sel syaraf yang bertugas untuk memproses informasi. Tiaptiap sel bekerja seperti suatu prosesor sederhana. Masing-masing
Lebih terperinciOleh: Angger Gusti Zamzany( ) Dosen Pembimbing: Dr. Dwi Ratna Sulistyaningrum, S.Si, M.T.
Oleh: Angger Gusti Zamzany(1210100 073) Dosen Pembimbing: Dr. Dwi Ratna Sulistyaningrum, S.Si, M.T. DAFTAR ISI I II III IV V VI PENDAHULUAN TINJAUAN PUSTAKA METODOLOGI PERANCANGAN DAN IMPLEMENTASI PENGUJIAN
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 terperinciPENGENALAN KARAKTER DENGAN MENGGUNAKAN HAMMING NETWORK
PENGENALAN KARAKTER DENGAN MENGGUNAKAN HAMMING NETWORK Thiang Jurusan Teknik Elektro, Universitas Kristen Petra Siwalankerto 121-131, Surabaya, Indonesia E-mail: thiang@petra.ac.id Abstrak Makalah ini
Lebih terperinciPERKIRAAN PENJUALAN BEBAN LISTRIK MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILENT BACKPROPAGATION (RPROP)
PERKIRAAN PENJUALAN BEBAN LISTRIK MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILENT BACKPROPAGATION (RPROP) Apriliyah, Wayan Firdaus Mahmudy, Agus Wahyu Widodo Program Studi Ilmu Komputer Fakultas MIPA Universitas
Lebih terperinciJURNAL TEKNOLOGI INFORMASI & PENDIDIKAN ISSN : VOL. 2 NO. 1 SEPTEMBER 2010
PERBANDINGAN METODE K-NEAREST NEIGHBOR (KNN) dan METODE NEAREST CLUSTER CLASSIFIER (NCC) DALAM PENGKLASIFIKASIAN KUALITAS BATIK TULIS Nesi Syafitri 1 ABSTRACT Various problem that are related to classification
Lebih terperinciPREDIKSI KELULUSAN MAHASISWA MENGGUNAKAN METODE NEURAL NETWORK DAN PARTICLE SWARM OPTIMIZATION
PREDIKSI KELULUSAN MAHASISWA MENGGUNAKAN METODE NEURAL NETWORK DAN PARTICLE SWARM OPTIMIZATION Dewi Kusumawati 1), Wing Wahyu Winarno 2), M. Rudyanto Arief 3) 1), 2), 3) Magister Teknik Informatika STMIK
Lebih terperinciBAB III ANALISIS DAN PENYELESAIAN MASALAH
BAB III ANALISIS DAN PENYELESAIAN MASALAH 3.1 Deskripsi Sistem Gambar III-1 Deskripsi Umum Sistem Pada gambar III-1 dapat dilihat deskripsi sistem sederhana yang mendeteksi intrusi pada jaringan menggunakan
Lebih terperinciIDENTIFIKASI PENURUNAN KONDISI FUNGSI ORGAN GINJAL MELALUI IRIS MATA MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION
Techno.COM, Vol. 13, No. 1, Februari 2014: 45-52 IDENTIFIKASI PENURUNAN KONDISI FUNGSI ORGAN GINJAL MELALUI IRIS MATA MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION Ariya Pramana
Lebih terperinciPERANCANGAN ALGORITMA KRIPTOGRAFI KUNCI SIMETRI DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN
PERANCANGAN ALGORITMA KRIPTOGRAFI KUNCI SIMETRI DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN Ibrahim Arief NIM : 13503038 Program Studi Teknik Informatika, Institut Teknologi Bandung Jl. Ganesha 10, Bandung
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 21 Komputasi Quantum Teori komputasi quantum sangat terinspirasi oleh fenomena partikel pada mekanika quantum Fenomena ini disebut dengan superposisi dimana sebuah partikel dalam
Lebih terperinciPROTOTYPE PENGATURAN LAMPU RUANG DENGAN JARINGAN SYARAF TIRUAN
PROTOTYPE PENGATURAN LAMPU RUANG DENGAN JARINGAN SYARAF TIRUAN Fatwa Yuniarti yuniarti_fatwa@yahoo.com Dosen Pembimbing : Dr. Haryanto, M.Pd, MT haryanto.ftuny@gmail.com Jurusan Pendidikan Teknik Elektro,
Lebih terperinciBab 5 Penerapan Neural Network Dalam Klasifikasi Citra Penginderaan Jauh
Penerapan Neural Dalam Klasifikasi Citra Penginderaan Jauh Klasifikasi citra penginderaan jarak jauh (inderaja) merupakan proses penentuan piksel-piksel masuk ke dalam suatu kelas obyek tertentu. Pendekatan
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 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 terperinciAnalisis Prediksi Indeks Harga Konsumen Berdasarkan Kelompok Kesehatan Dengan Menggunakan Metode Backpropagation
Analisis Prediksi Indeks Harga Konsumen Berdasarkan Kelompok Kesehatan Dengan Menggunakan Metode Backpropagation Anjar Wanto STIKOM Tunas Bangsa Pematangsiantar Pematangsiantar, Indonesia anjarwanto@amiktunasbangsa.ac.id
Lebih terperinci