BAB II LANDASAN TEORI. Proses utama dari pengenalan karakter adalah menerima karakter input dan
|
|
- Irwan Salim
- 7 tahun lalu
- Tontonan:
Transkripsi
1 BAB II LANDASAN TEORI 2.1 Pengenalan Teori Proses utama dari pengenalan arater adalah menerima arater input dan memerisa apaah hasil input tersebut sesuai dengan salah satu arater yang ada. Bagian yang paling penting dari seluruh proses adalah mengenali arater dengan ciri-ciri tertentu. Ciri-ciri dari sebuah arater harus mengandung informasi yang diperluan untu membedaan arater tersebut dan harus membedaan penyimpanan variabel etian input, untu membatasi umlah dari pembelaaran data yang diberian. 2.2 Pengenalan Karater Huruf Arab Huruf Arab adalah huruf-huruf yang digunaan dalam Al-Quran. Huruf Arab umlahnya ada 29, yaitu : Tabel 2.1 Daftar Huruf Arab Huruf Latin Huruf Arab Huruf Latin Huruf Arab Huruf Latin Huruf Arab Qaf(Qof) Kaf Lam ق Zai ز Alif ا ك Sin س Ba ب ل Syin ش Ta ت Mim م Shad(Shod) ص Tsa ث Nun ن Dhad(Dhod) ض Jim ج
2 Wau و Tha(Tho) ط H a(tipis) ح Ha(tebal) ه Zha(Zho) ظ Kha(Kho) خ Ham zah ء Ain ع Dal د Ya ي Ghain غ Dzal ذ Fa ف Ra(Ro) ر 2.3 Teori Dasar Pengolahan Citra Citra Definisi citra menurut amus Webster adalah suatu representasi, emiripan, atau imitasi dari suatu obye atau benda. Citra dapat dielompoan menadi citra tampa dan citra ta tampa. Contoh citra tampa adalah foto diri ita sendiri, sedangan contoh citra ta tampa adalah data gambar dalam file (citra digital) dan citra yang direpresentasian dalam sebuah fungsi matematis. Diantara enis-enis citra tersebut, hanya citra digital yang dapat diolah menggunaan omputer. Citra merupaan suatu fungsi ontinyu dari intensitas cahaya dalam bidang dua dimensi, dengan (x,y) menyataan oodinat citra dan nilai f pada oodinat (x,y) menyataan tingat ecerahan atau deraat eabuan. Citra digital merupaan array dua dimensi dengan nilai f(x,y) nya telah dionversi e dalam bentu disrit bai pada oordinat citra maupun ecerahannya. Pengolahan citra secara umum dapat didefinisian sebagai
3 pemrosesan sebuah gambar dua dimensi secara digital. Pengolahan citra merupaan proses pengolahan dan analisis citra yang banya melibatan presepsi visual. Proses ini mempunyai data masuan dan informasi eluaran yang berbentu citra. Operasi pengolahan citra digital umumnya dilauan dengan tuuan memperbaii ualitas suatu gambar sehingga dapat dengan mudah diinterpretasian oleh mata manusia dan untu mengolah informasi yang terdapat pada suatu gambar untu eperluan pengenalan obe secara otomatis Operasi Pengolahan Citra Pengolahan citra pada dasarnya dilauan dengan cara memodifasi setiap titi dalam citra tersebut sesuai dengan eperluan. Secara garis besar, modifiasi tersebut dielompoan menadi: 1. Operasi titi, dimana setiap titi diolah secara tida gayut terhadap titi yang lain. 2. Operasi global, dimana arateristi global dari citra digunaan untu memodifiasi nilai setiap titi. 3. Operasi berbasis bingai, dimana setiap citra diolah dengan diombinasian dengan citra lain. 4. Operasi Geometri, dimana bentu uuran, atau orientasi citra dimodifiasi secara geometris. 5. Operasi banya titi bertetangga, dimana data dari titi-titi yang bersebelahan dengan titi yang ditinau iut berperan dalam mngubah nilai.
4 6. Operasi morfologi, yaitu operasi yang berdasaran segmen atau bagian dalam citra yang menadi perhatian Komponen Citra Digital Secara umum setiap citra digital memilii beberapa arateristi atau omponen, atara lain 1. Uuran citra 2. Resolusi 3. Format citra Representasi Citra Digital Komputer dapat mengolah isyarat-isyarat eletroni digital yang merupaan umpulan sinyal biner. Untu itu, citra digital harus mempunyai format tertentu yang sesuai sehingga dapat merepresentasian obye pencitraan dalam bentu ombinasi data biner. Format citra digital yang masih banya dipaai adalah 1. Citra biner 2. Sala Keabuan 3. Warna 4. Warna berindes
5 Citra Biner Pada citra biner, setiap nilai bernilai 0 atau 1, maing-masing merepresentasian warna tertentu. Contoh yang paling lazim adalah hitam bernilai 0, dan putih bernilai Citra Sala Keabuan Disebut sala eabuan arena pada umumnya warna yang dipaai adalah antara hitam sebagai warna minimal dan putih sebagai warna masimal, sehingga warna diatara eduannya adalah abu-abu. Namun dalam pratenya warna yang dipaai tida terbatas pada warna abu-abu, sebagai contoh dipilih warna minimalnya adalah putih dan warna maimalnya adalah merah, maa semain besar nilainya semain besar pula intensitas warna merahnya Citra Warna Pada citra warna, setiap titi mempunyai warna yang spesifi yang merupaan ombinasi dari tiga warna dasar, yaitu merah, hiau dan biru. Format citra ini sering disebut citra RGB. Setiap warna dasar mempunyai intensitas sendiri dengan nilai masimum 255 (8 bit). Jumlah ombnasi warna yang mungin untu format citra ini adalah 2 24 atau lebih dari 16 uta warna, dengan demiian bisa dianggap mencaup semua warna yang ada, hal inilah format ini dinamaan true color.
6 Citra Warna Berindes Jumlah memori yang dibutuhan untu format citra warna true color adalah tiga ali umlah titi yang ada dalam citra yang ditinau. Di lain piha, umlah warna yang ada dalam suatu citra teradang sangat terbatas, arena banyanya warna dalam sebuah citra tida mungin melebihi banyanya titi dalam citra itu sendiri. Dengan asus seperti ini, disediaan format citra warna berindes. Pada format ini, informasi setiap titi merupaan indes dari suatu tabel yang berisi informasi warna yang tersedia, yang disebut palet warna atau color map Histogram Jumlah dan Selisih Testur, dalam citra digital, dinyataan sebagai hubungan spasial atau penyusunan spasial dari pisel-pisel citra. Secara visual hubungan spasial atau penyusunan spasial pisel-pisel citra tersebut dapat dilihat sebagai perubahan pola intensitas (gray tones). Testur dapat digunaan untu mendejurnalan array secara dua dimensi yang merupaan variasi-variasi dari e lemen-elemen testur. T estur uga mendejurnalan aturan aturan penempatan maupun pengaturan ara antar elemen testur tersebut yang dapat aca maupun mempunyai pola berulang. Salah satu aspe yang harus diperhatian dari sebuah testur adalah distribusi spasial dan etergantungan secara spasial antar deraat eabuan pada suatu daerah loal. Distribusi dan etergantungan secara spasial tersebut dapat ditinau dengan pendeatan secara statisti, yaitu dengan menggunaan
7 pendeatan co-occurrence Pendeatan co-occurrence berdasaran pada distribusi probabilitas hubungan antar pisel bertetangga. Pendeatan co-occurance ini dapat diimplementasian dengan membentu matris oouransi deraat eabua yang emudian diembangan menadi histogram umlah dan selisih oleh Unser pada tahun Histogram umlah S dibentu sebagai hasil umlah deraat eabuan dua pisel yang terpisah pada ara dx dan dy. Histogram umlah menyataan banyanya emunculan (freuensi) hasil umlah tingat eabuan dua pisel bertetangga pada ara dan sudut tertentu. Histogram selisih D dibentu sebagai hasil selisih deraat eabuan antara pisel yang terpisah pada ara dx dan dy. Histogram selisih menyataan banyanya emunculan (freuensi) hasil selisih tingat eabuan dua pisel bertetangga pada ara dan sudut tertentu, sehingga histogram yang dihasilan aan memilii selang nilai antara -255 sampai +255 untu citra 8 bit. Kedua histogram tersebut emudian dinormalisasi dengan cara membagi setiap elemen dengan total umlah semua elemen array pada maingmasing histogram sehingga dihasilan suatu probabilitas Ps dan Pd. Ps adalah histogram umlah yang ternormalisai, sedangan Pd adalah histogram selisih yang sudah ternormalisasi. Dari edua histogram ini emudian dapat diturunan 8 macam descriptor fitur yang dapat merepresentasian citra digital 2 dimensi edalam bentu vector.
8 2.4 Jaringan Syaraf Tiruan Jaringan syaraf tiruan (artificial neural networ) atau disingat JST adalah sistem omputasi dimana arsitetur dan operasi diilhami dari pengetahuan tentang sel syaraf biologi didalam ota. JST dapat digambaran sebagai model matematis dan omputasi untu fungsi aprosimasi nonlinear, lasifiasi data, cluster dan regresi non parametric atau sebagai sebuah simulasi dari olesi model syaraf biologi. JST menyerupai ota manusia dalam 2 (dua) hal, yaitu : a) Pengetahuan diperoleh aringan melalui proses belaar. b) Keuatan hubungan antar sel syaraf (neuron) yang dienal sebagai bobotbobot sinapti digunaan untu menyimpan pengetahuan Arsitetur (Model) JST Dalam JST ada beberapa model yang digunaan, antara lain : Jaringan dengan lapisan tunggal (Single Layer Net) Jaringan dengan lapisan tunggal hanya memilii satu lapisan dengan bobot-bobot terhubung. Jaringan ini hanya menerima input emudian secara langsung aan mengolahnya menadi output tanpa harus melalui lapisan tersembunyi Jaringan dengan banya lapisan (Multilayer Net) Dalam model ini sebenarnya merupaan model JST satu lapisan yang umlahnya banya dan prinsip era dari model JST ini sama dengan JST satu
9 lapisan. Output dari tiap lapisan sebelumnya dalam model ini merupaan input dari lapisan sebelumnya Jaringan dua lapisan dengan umpan bali Dengan umlah neuron yang sangat besar, JST memilii sifat yaitu fault tolerance. Sifat ini mengandung masud erusaan sediit atau sebagian pada selsel dalam aringan tida aan mempengaruhi output yang aan dieluaran. Jaringan dua lapisan ini mempunyai sifat umpan bali, sehingga output yang dihasilan aan mempengaruhi input yang aan masu lagi edalam aringan syaraf tersebut. 2.5 Komponen JST Dengan mengambil ide dari aringan syaraf manusia, omponen-omponen pada JST adalah : a) Neuron Tiruan (Artificial Neuron) JST disusun oleh unit dasar yang disebut neuron tiruan yang merupaan elemen pemrosesan dalam aringan, dimana semua proses perhitungan dilauan disini. b) Lapisan (layer) JST disusun oleh umpulan neuron yang berhubungan dan diielompoan pada lapisan-lapisan (layer). Terdapat tiga lapisan, yaitu : lapisan masuan (input layer), lapisan tersembunyi (hidden layer), dan lapisan eluaran (output layer).
10 c) Masuan (Input) JST hanya dapat memroses data masuan berupa data numeri. Sehingga apabila masalah melibatan data ualitatif seperti grafi, image, sinyal atau suara, data harus ditransformasian dulu edalam data numeri yang euivalen sebelum dapat diproses oleh JST. d) Keluaran (Output) Keluaran dari JST adalah pemecahan terhadap masalah. Data eluaran merupaan data numeri. e) Bobot (Weight) Bobot pada JST menyataan tingat epintaran sistem. Walaupun sebenarnya bobot tersebut hanya sebuah deretan anga-anga saa. Bobot sangat penting untu JST, dimana bobot yang optimal aan memunginan sistem meneremahan data masuan secara benar dan 2.6 Fungsi Ativasi JST 1. Fungsi Unda Biner Jaringan dengan lapisan tunggal sering menggunaan fungi unda biner untu mengonversian input dari suatu variable yang bernilai ontinu e suatu output biner (0 atau 1). Fungsi unda biner dirumusan sebagai beriut : 0, iax < 0 y = (2.1) 1, iax 1
11 Gambar 2.1 Fungsi atifasi Unda Biner 2. Fungsi Bipolar Fungsi bipolar sebenarnya hampir sama dengan fungsi unda biner, hanya saa output yang dihsailan berupa 1 atau -1 Fungsi bipolar dirumusan sebagai beriut : 1, iax 0 y = (2.2) 1, iax < 0 3. Fungsi Linear Gambar 2.2 Fungsi atifasi Bipolar Fungsi linear mempunyai output yang sama dengan nilai inputnya. Fungsi linear dirumusan sebagai beriut : y = x (2.3)
12 Gambar 2.3 Fungsi atifasi Linear 4. Fungsi Sigmoid Biner Fungsi ini digunaan untu JST yang dilatih dengan menggunaan metode bacpropagation. Fungsi sigmoid biner mempunyai nilai antara 0 sampai 1. Oleh arena itu, fungsi ini sering digunaan untu JST yang membutuhan nilai output yang terleta pada interval 0 sampai 1. Fungsi sigmoid biner dirumusan sebagai beriut: y = 1 f ( x) = (2.4) σx 1+ e dengan : f '( x) = ω f ( x)[1 f ( x)] (2.5) Gambar 2.4 Fungsi atifasi Sigmoid Biner
13 5. Fungsi Sigmoid Bipolar Fungsi sigmoid bipolar hampir sama dengan fungsi sigmoid biner, hanya saa output dari fungsi ini memilii range antara 1 sampai -1. Fungsi sigmoid bipolar dirumusan sebagai beriut : y x 1 e f ( x) = (2.6) x 1+ e dengan: f '( x) = σ [1 + f ( x)][1 f ( x)] (2.7) 2 Gambar 2.5 Fungsi atifasi Sigmoid Bipolar 2.7 Lau Pembelaaran (Learning rate) Lau pembelaaran berfungsi untu memperecil perubahan bobot. Jia nilai lau pembelaaran dimulai dengan nilai yang besar maa banya perhitungan terhadap nilai bobot dan error aan besar. Jia perubahan-perubahan dilauan secara terus-menerus nilai lau pembelaaran yang besar emunginan membuat sistem menadi lambat, tetapi ia perubahan lau pembelaaran dilauan dengan perubahan yang ecil maa ecepatan dari sistem memunginan lebih cepat.
14 2.8 Bacpropagation Bacpropagatin merupaan algoritma pembelaaran yang terawasi dan biasanya digunaan oleh perceptron dengan banya lapisan untu mengubah bobot-bobot yang terhubung dengan neuron-neuron yang ada pada lapisan tersembunyinya. Pelatihan sebuah aringan yang menggunaan bacpropagation terdiri dari 3 langah, yaitu : pelatihan pola input secara feedforward, perhitungan dan bacpropagation dari umpulan esalahan dan penyesuaian bobot. Sesudah pelatihan, apliasi dari aringan hanya terdiri dari fase feedforward. Bahan, ia pelatihan menadi lambat, sebuah aringan yang dilatih dapat menghasilan outputnya sendiri secara cepat. Arsitetur aringan bacpropagation seperti terlihat dalam gambar 2.6. Pada gambar 2.6 aringan terdiri atas unit(neuron) pada lapisan input yaitu x 1, x 2, x 3, satu lapisan tersembunyi dengan dengan 2 neuron, yaitu z 1 dan z 2, serta 1 lapisan output yaitu y. Bobot yang menghubungan antara lapisan input dan lapisan tersembunyi adalah v 11, v 21, v 31 (v i bobot yang mengandung input e-i e neuron e- pada lapisan tersembunyi).
15 Gambar 2.6 Arsitetur aringan bacpropagation Algoritma bacpropagation : 1. Inisialisasian bobot (ambil bobot awal dengan nilai random yang ecil) 2. Keraan langah-langah beriut selama ondisi berhenti bernilai FALSE : a. Untu tiap-tiap pasang elemen yang aan dilauan pembelaaran, eraan : Feedfoward : 1. Tiap-tiap unit input (X, i i = 1,2,3,..., n ) menerima sinyal x dan i menerusan sinyal tersebut e semua unit pada lapisan yang ada di atasnya (lapisan tersembunyi) 2. Tiap-tiap unit tersembunyi (Z, = 1,2,3,..., p ) menumlahan sinyalsinyal input terbobot : z _ in = v o + n i= 1 x v i i gunaan fungsi ativasi untu menghitung sinyal outputnya :
16 z = f ( z _ in ) dan iriman sinyal tersebut e semua unit di lapisan atasnya (unit-unit output). 3. Tiap-tiap unit output (Y, = 1,2,3,..., m ) menumlahan sinyal-sinyal input terbobot. y _ in = w 0 + p i= 1 z w i gunaan fungsi ativasi untu menghitung sinyal outputnya : y = f ( y _ in ) dan iriman sinyal tersebut e semua unit di lapisan atasnya (unit-unit output) Bacpropagation 4. Tiap-tiap unit output (Y, = 1,2,3,..., m ) menerima target pola yang berhubungan dengan pola input pembelaaran, hitung informasi errornya : δ = ( t y ) f ( y _ in ) emudian hitung oresi bobot (yang nantinya aan digunaan untu memperbaiinya nilai w ) : w = αδ z hitung uga oresi bias (yang nantinya aan digunaan untu memperbaii nilai w ) : 0 w 0 = αδ iriman δ ini e unit-unit yang ada di lapisan bawahnya.
17 5. Tiap-tiap unit tersembunyi (Z, = 1,2,3,..., p ) menumlahan delta inputnya (dari unit-unit yang berada pada lapisan di atasnya) : m δ _ in = δ w = 1 alian nilai ini dengan turunan dari fungsi ativasinya untu menghitung informasi error : δ = δ _ in f '( z _ in ) emudian hitung oresi bobot (yang nantinya aan digunaan untu memperbaii nilai v i ) : v = αδ x i hitung uga oresi bias (yang nantinya aan digunaan untu memperbaii nilai v 0 ) : v 0 = αδ 6. Tiap-tiap unit output (Y, =1,2,3,,m) memperbaii bias dan bobotnya (=0,1,2,,p) : w ( baru) = w ( lama) + w Tiap-tiap unit tersembunyi (Z bobotnya (i=0,1,2,,n) :, =1,2,3,,p) memperbaii bias dan v ( baru) = v ( lama) + v i i i b. Tes ondisi berhenti.
18 2.9 UML (Unified Modeling Language) Merupaan notasi-notasi bau untu melauan pemodelan visual. Pemodelan visual merupaan proses penggambaran informasi-informasi secara grafis. Notasi-notasi UML terbentu atas erasama dan upaya Graddy Booch, DR. James Rumbaugh, serta Ivar Jacobson. Gambar 2.7 Beberapa notasi UML Beberapa notasi UML yang sering digunaan antara lain ditunuan pada Gambar 2.7. Ator merupaan entitas yang berada di luar sistem; bersifat esternal. Salah satu ator sistem adalah pengguna (user). Use case berfous pada perilau sistem, misalnya use case Pengatifan Sistem. Kelas merupaan prototipe suatu obe sehingga memilii atribut (variabel) dan operasi (fungsi atau prosedur). Dalam UML terdapat beberapa enis diagram yang dapat digunaan dalam pemodelan sistem, diantaranya adalah: 1. Activity Diagram. Bersifat dinamis, memodelan fungsi-fungsi dalam suatu sistem dan meneanan pada aliran endali antar obe. 2. Use Case Diagram. Bersifat statis, menggambaran hubungan (relation) antara ator dan use case.
19 3. Sequence Diagram. Bersifat dinamis, merupaan diagram interasi yang meneanan pada pengiriman pesan (message) secara berurutan berdasaran watu. 4. Class Diagram. Bersifat statis, menggambaran himpunan elas-elas, antarmua dan relasi antar elas.
BAB 3 PATTERN MATCHING BERBASIS JARAK EUCLID, PATTERN MATCHING BERBASIS JARAK MAHALANOBIS, DAN JARINGAN SYARAF TIRUAN BERBASIS PROPAGASI BALIK
BAB 3 PATTERN MATCHING BERBASIS JARAK EUCLID, PATTERN MATCHING BERBASIS JARAK MAHALANOBIS, DAN JARINGAN SYARAF TIRUAN BERBASIS PROPAGASI BALIK Proses pengenalan dilauan dengan beberapa metode. Pertama
Lebih terperinciNeural Network menyerupai otak manusia dalam dua hal, yaitu:
2.4 Artificial Neural Networ 2.4.1 Konsep dasar Neural Networ Neural Networ (Jaringan Saraf Tiruan) merupaan prosesor yang sangat besar dan memilii ecenderungan untu menyimpan pengetahuan yang bersifat
Lebih terperinciPENGENDALIAN MOTOR DC MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
PENGENDALIAN MOTOR DC MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Wahyudi, Sorihi, dan Iwan Setiawan. Jurusan Teni Eletro Faultas Teni Universitas Diponegoro Semarang e-mail : wahyuditinom@yahoo.com.
Lebih terperinciANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA IRIS
Jurnal Teni dan Ilmu Komputer ANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA IRIS AN ANALYSIS OF THE VARIATION PARAMETERS OF THE ARTIFICIAL NEURAL NETWORK
Lebih terperinciPENGENALAN POLA DENGAN MENGGUNAKAN METODE BACKPROPAGATION MENGGUNAKAN MATLAB
PENGENALAN POLA DENGAN MENGGUNAKAN METODE BACKPROPAGATION MENGGUNAKAN MATLAB Wirda Ayu Utari Universitas Gunadarma utari.hiaru@gmail.com ABSTRAK Program pengenalan pola ini merupaan program yang dibuat
Lebih terperinciPENDAHULUAN TINJAUAN PUSTAKA
1 Latar Belaang PENDAHULUAN Sistem biometri adalah suatu sistem pengenalan pola yang melauan identifiasi personal dengan menentuan eotentian dari arateristi fisiologis dari perilau tertentu yang dimilii
Lebih terperinciKLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE
KLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE Warih Maharani Faultas Teni Informatia, Institut Tenologi Telom Jl. Teleomuniasi No.1 Bandung 40286 Telp. (022) 7564108
Lebih terperinciJARINGAN SARAF TIRUAN PROPAGASI BALIK UNTUK KLASIFIKASI DATA
JARINGAN SARAF TIRUAN PROPAGASI BALIK UNTUK KLASIFIKASI DATA Giri Dhaneswara 1) dan Veronica S. Moertini 2) Jurusan Ilmu Komputer, Universitas Katoli Parahyangan, Bandung Email: 1) rebirth_82@yahoo.com,
Lebih terperinciPENENTUAN JENIS PRODUK KOSMETIK PILIHAN BERDASARKAN FAKTOR USIA DAN WARNA KULIT MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN
PENENTUAN JENIS PRODUK KOSMETIK PILIHAN BERDASARKAN FAKTOR USIA DAN WARNA KULIT MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN Amethis Otaorora 1, Bilqis Amaliah 2, Ahmad Saihu 3 Teni Informatia, Faultas Tenologi
Lebih terperinciSATUAN ACARA PERKULIAHAN ( SAP )
SATUAN ACARA PERKULIAHAN ( SAP ) Mata Kuliah : Pengolahan Citra Digital Kode : IES 6323 Semester : VI Watu : 1x 3x 50 Menit Pertemuan : 7 A. Kompetensi 1. Utama Mahasiswa dapat memahami tentang sistem
Lebih terperincikhazanah Sistem Klasifikasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunakan Jaringan Syaraf Tiruan Backpropagation informatika
hazanah informatia Jurnal Ilmu Komputer dan Informatia Sistem Klasifiasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunaan Jaringan Syaraf Tiruan Bacpropagation Yusuf Dwi Santoso *, Suhartono Departemen
Lebih terperincikhazanah Sistem Klasifikasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunakan Jaringan Syaraf Tiruan Backpropagation informatika
hazanah informatia Jurnal Ilmu Komputer dan Informatia Sistem Klasifiasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunaan Jaringan Syaraf Tiruan Bacpropagation Yusuf Dwi Santoso *, Suhartono Program
Lebih terperinciBAB II PENGENALAN WAJAH
BAB II PENGENALAN WAJAH Sistem pengenalan waah dapat dibagi menadi empat tahap, yaitu tahap pengolahan citra, detesi waah, estrasi fitur dan tahap pengenalan waah. Pada tugas ahir ini aan lebih diteanan
Lebih terperinciISSN: TEKNOMATIKA Vol.1, No.2, JANUARI
ISSN: 1979-7656 TEKNOMATIKA Vol.1, No.2, JANUARI 2009 25 PERANCANGAN DAN IMPLEMENTASI JARINGAN SYARAF TIRUAN UNTUK MENDIAGNOSA JENIS PENYAKIT KANDUNGAN Bambang Yuwono Jurusan Teni Informatia UPN Veteran
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 terperinciANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK PADA SISTEM PENGENALAN WAJAH BERBASIS PRINCIPAL COMPONENT ANALYSIS
ANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK PADA SISTEM PENGENALAN WAJAH BERBASIS PRINCIPAL COMPONENT ANALYSIS 1 Ihwannul Kholis, 2 Ahmad Rofii. 1 Universitas 17 Agustus 1945 Jaarta,
Lebih terperinciIII. METODOLOGI PENELITIAN
III. METODOLOGI PENELITIAN 3.1 Keranga Pemiiran Pemerintah ahir-ahir ini sering dihadapan pada masalah persediaan pupu bersubsidi yang daya serapnya rendah dan asus elangaan di berbagai loasi di Indonesia.
Lebih terperinciBAB V ALGORITMA PEMBELAJARAN DALAM JARINGAN SYARAF TIRUAN
BAB V ALGORITMA PEMBELAJARAN DALAM JARINGAN SYARAF TIRUAN Kompetensi : 1. Mahasiswa memahami onsep pembelaaran dalam JST Sub Kompetensi : 1. Dapat mengetahui prinsip algoritma Perceptron 2. Dapat mengetahui
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MERAMALKAN BEBAN PEMAKAIAN AIR PADA PDAM KOTA BANDUNG
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MERAMALKAN BEBAN PEMAKAIAN AIR PADA PDAM KOTA BANDUNG Oleh : M.Rizi.H.S, Andri Heryandi,S.T, Bambang Siswoyo,Ir,M.Si Jl. Dipati Uur Bandung Teni Informatia Universitas
Lebih terperinciPREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF TIRUAN MULTILAYER FEEDFORWARD NETWORK DENGAN ALGORITMA BACKPROPAGATION
Konferensi Nasional Sistem dan Informatia 2008; Bali, November 5, 2008 PREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF TIRUAN MULTILAYER FEEDFORWARD NETWORK DENGAN ALGORITMA BACKPROPAGATION Wahyudi Setiawan
Lebih terperinciMakalah Seminar Tugas Akhir
Pengaturan Kecepatan Motor DC Menggunaan Jaringan Syaraf Tiruan Feedforward Bacpropagation Sorihi *, Wahyudi **, Iwan Setiawan ** Abstra - Jaringan syaraf bacpropagation merupaan aringan syaraf yang telah
Lebih terperinciSistem Peramalan Jumlah Produksi Air PDAM Samarinda Menggunakan Jaringan Syaraf Tiruan Backpropagation
Sistem Peramalan Jumlah Produsi Air PDAM Samarinda Menggunaan Jaringan Syaraf Tiruan Bacpropagation Anindita Septiarini 1 dan Nur Sya baniah 2 1 Program Studi Ilmu Komputer FMIPA, Universitas Mulaarman
Lebih terperinciBAB 2 LANDASAN TEORI
6 BAB 2 LANDASAN TEORI 2.1 Penjadwalan 2.1.1 Jadwal Secara Umum Menurut Kamus Besar Bahasa Indonesia (KBBI), jadwal adalah pembagian watu berdasaran rencana pengaturan urutan erja, daftar atau tabel egiatan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belaang Di aman searang sebuah adal yang tersusun rapi merupaan ebutuhan bagi setiap individu. Namun masalah penyusunan sebuah adal merupaan sebuah masalah umum yang teradi,
Lebih terperinciAnalisa Drop Tegangan dan Susut Daya pada Jaringan Listrik Penyulang Renon Menggunakan Metode Artificial Neural Network
Analisa Drop Tegangan dan Susut Daya pada Jaringan Listri Penyulang Renon Menggunaan Metode Artificial Neural Networ I Gede Dyana Arana Jurusan Teni Eletro Faultas Teni, Universitas Udayana Denpasar, Bali,
Lebih terperinci1. Pendahuluan Jaringan syaraf tiruan ( Artificial Neural Networ ) adalah suatu tenologi omputasi yang berbasis pada model syaraf biologis dan mencoba
JARINGAN SYARAF TIRUAN BACKPROPAGATION SEBAGAI METODE PERAMALAN PADA PERHITUNGAN TINGKAT SUKU BUNGA PINJAMAN DI INDONESIA Nurmalasari Rusmiati 1 Sistem Informasi, Faultas Ilmu Komputer, Universitas Gunadarma
Lebih terperinciModel Pembelajaran Off-Line Menggunakan Jaringan Syaraf Tiruan Untuk Pengemudian Otomatis pada Kendaraan Beroda Jurusan Teknik Elektronika PENS 2009
Model Pembelaaran Off-Line Menggunaan Jaringan Syaraf Tiruan Untu Pengemudian Otomatis pada Kendaraan Beroda Jurusan Teni Eletronia PENS 2009 Arie Setya Wulandari#, Eru Puspita S.T., M.Kom#2 # Jurusan
Lebih terperinciPENDETEKSIAN GERAK TANGAN MANUSIA SEBAGAI INPUT PADA KOMPUTER
PENDETEKSIAN GERAK TANGAN MANUSIA SEBAGAI INPUT PADA KOMPUTER Wiaria Gazali 1 ; Haryono Soeparno 2 1 Jurusan Matematia, Faultas Sains dan Tenologi, Universitas Bina Nusantara Jln. K.H. Syahdan No. 9, Palmerah,
Lebih terperinciTEKNIK PERAMALAN TINGKAT PENJUALAN DENGAN JARINGAN SYARAF TIRUAN
TENI PERAMALAN TINGAT PENJUALAN DENGAN JARINGAN SYARAF TIRUAN Sri Mulyana Program Studi Ilmu omputer F MIPA UGM Seip Unit III Yogyaarta Telp (0274)546194 e-mail : smulyana@ugm.ac.id Abstra Tingat penualan
Lebih terperinciPENGENALAN KAPAL PADA CITRA DIGITAL MENGGUNAKAN IMAGE PROCESSING DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
PENGENALAN KAPAL PADA CITRA DIGITAL MENGGUNAKAN IMAGE PROCESSING DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Sutino 1, Helmie Arif Wibawa 2, Priyo Sidi Sasongo 3 123 Jurusan Ilmu Komputer/Informatia, FSM,
Lebih terperinciSISTEM PENGENALAN WAJAH DENGAN MENGGUNAKAN BACKPROPAGATION ARTIFICIAL NEURAL NETWORK DAN PRINCIPAL COMPONENT ANALYSIS
Jurnal Teni dan Ilmu Komputer SISTEM PENGENALAN AJAH DENGAN MENGGUNAKAN BACKPROPAGATION ARTIFICIAL NEURAL NETORK DAN PRINCIPAL COMPONENT ANALYSIS FACE RECOGNITION SYSTEM USING BACKPROPAGATION ARTIFICIAL
Lebih terperinciDany Candra Febrianto ) dan Hindayati Mustafidah )
Penerapan Jaringan Saraf Tiruan dengan Metode Pembelaaran Bacpropagation untu Mengetahui Tingat Kualifiasi Calon Siswa pada Sistem Informasi Penerimaan Siswa Baru di MAN 2 Banarnegara (Application of Artificial
Lebih terperinciKAJIAN PENGENALAN WAJAH DENGAN MENGGUNAKAN METODE FACE-ARG DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
Media Informatia, Vol. 5, No. 2, Desember 2007, 99-111 ISSN: 0854-4743 KAJIAN PENGENALAN WAJAH DENGAN MENGGUNAKAN METODE FACE-ARG DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Anita Desiani Jurusan Matematia,
Lebih terperinciBAB III DESAIN DAN APLIKASI METODE FILTERING DALAM SISTEM MULTI RADAR TRACKING
Bab III Desain Dan Apliasi Metode Filtering Dalam Sistem Multi Radar Tracing BAB III DESAIN DAN APLIKASI METODE FILTERING DALAM SISTEM MULTI RADAR TRACKING Bagian pertama dari bab ini aan memberian pemaparan
Lebih terperinciSistem Informasi Peramalan Beban Listrik Jangka Panjang di Kabupaten Jember Menggunakan JST Backpropagation
1 Sistem Informasi Peramalan Beban Listri Janga Panang di Kabupaten Jember Menggunaan JST Bacpropagation Dodi Setiabudi Abstra Kebutuhan energi listri sebagai salah satu infrastrutur penting sangat diutamaan.
Lebih terperinciMAKALAH SEMINAR TUGAS AKHIR
1 MAKALAH SEMINAR TUGAS AKHIR PENGENALAN POLA GEOMETRI WAJAH MENGGUNAKAN JARINGAN SYARAF TIRUAN PERAMBATAN BALIK Muhamad Tonovan *, Achmad Hidayatno **, R. Rizal Isnanto ** Abstra - Pengenalan waah adalah
Lebih terperinciPENGENALAN TEKS BRAILLE BERBASIS JARINGAN SYARAF TIRUAN FEEDFORWARD MULTILAYER DENGAN MENGGUNAKAN METODE BACK PROPAGATION
1 MAKALAH SEMINAR TUGAS AKHIR PENGENALAN TEKS BRAILLE BERBASIS JARINGAN SYARAF TIRUAN FEEDFORWARD MULTILAYER DENGAN MENGGUNAKAN METODE BACK PROPAGATION Praditya Firmansyah *, Wahyul Amien Syafei**, Iwan
Lebih terperinciSMP NEGERI 2 PASURUAN TAHUN 2015
HUKUM BACAAN MATERI KELAS VII Analisis Tabel Rumus Tajwid Pendidikan Agama Islam Dibuat untuk memenuhi salah satu tugas mata pelajaran Pendidikan Agama Islam Kelas VIII Semester Genap Tahun Ajaran 2014
Lebih terperinciMODEL REGRESI INTERVAL DENGAN NEURAL FUZZY UNTUK MEMPREDIKSI TAGIHAN AIR PDAM
MODEL REGRESI INTERVAL DENGAN NEURAL FUZZY UNTUK MEMPREDIKSI TAGIHAN AIR PDAM 1,2 Faultas MIPA, Universitas Tanjungpura e-mail: csuhery@sisom.untan.ac.id, email: dedi.triyanto@sisom.untan.ac.id Abstract
Lebih terperinciCONTENT BASED IMAGE RETRIEVAL MENGGUNAKAN MOMENT INVARIANT, TEKSTUR DAN BACKPROPAGATION
UPN Veteran Yogyaarta, 30 Juni 2012 CONTENT BASED IMAGE RETRIEVAL MENGGUNAKAN MOMENT INVARIANT, TEKSTUR DAN BACKPROPAGATION Ni G.A.P Harry Saptarini 1), Rocy Yefrenes Dilla 2) 1) Politeni Negeri Bali 2)
Lebih terperinciBAB 2 LANDASAN TEORI. relevan, lengkap, dan terkini sejalan dengan permasalahan yang dihadapi. Di sini juga
BAB 2 LANDASAN TEORI Dalam landasan teori ini, pada dasarnya aan dielasan mengenai teori yang relevan, lengap, dan terini sealan dengan permasalahan yang dihadapi. Di sini uga terdapat hubungan antara
Lebih terperinciProsiding Semirata FMIPA Universitas Lampung, 2013
Sistem Pengenalan Nomor Plat Kendaraan Berbasis Foto Diital Dengan Metode Moment Invariant dan Jaringan Syaraf Tiruan Menggunaan Algoritma Bacpropagation Zaiful Bahri, Suamto dan Joo Risanto Jurusan Matematia
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Statisti Inferensia Tujuan statisti pada dasarnya adalah melauan desripsi terhadap data sampel, emudian melauan inferensi terhadap data populasi berdasaran pada informasi yang
Lebih terperinciBAB II LANDASAN TEORI. Graf adalah kumpulan simpul (nodes) yang dihubungkan satu sama lain
8 BAB II LANDASAN TEORI 2.1 Teori Graf 2.1.1 Definisi Graf Graf adalah umpulan simpul (nodes) yang dihubungan satu sama lain melalui sisi/busur (edges) (Zaaria, 2006). Suatu Graf G terdiri dari dua himpunan
Lebih terperinci2. Faktor-faktor yang Mempengaruhi Komunikasi Interpersonal Dimensi Komunikasi Interpersonal C. Komitmen Organisasi
DAFTAR ISI Halaman HALAMAN JUDUL... i SURAT PERNYATAAN... ii PERSEMBAHAN... iii NOTA PERSETUJUAN PEMBIMBING... iv PENGESAHAN TESIS... v MOTTO... vi KATA PENGANTAR... vii DAFTAR ISI... ix DAFTAR TABEL...
Lebih terperinciPENGENALAN KARAKTER TULISAN TANGAN DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK RESILIENT
PENGENALAN KARAKTER TULISAN TANGAN DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK RESILIENT Oleh : DONNY WAHYU SAPUTRO G06499031 DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih terperinciARSITEKTUR DAN ALGORITMA JST UNTUK MENDUKUNG PREDIKSI GANGGUAN GEOMAGNET
Prosiding SNaPP2012 : Sains, Tenologi, dan Kesehatan ISSN 2089-3582 ARSITEKTUR DAN ALGORITMA JST UNTUK MENDUKUNG PREDIKSI GANGGUAN GEOMAGNET 1 John Maspupu 1 Pussainsa LAPAN, Jl Dr Dundunan No 133 Bandung
Lebih terperinciBAB 3 PRINSIP SANGKAR BURUNG MERPATI
BAB 3 PRINSIP SANGKAR BURUNG MERPATI 3. Pengertian Prinsip Sangar Burung Merpati Sebagai ilustrasi ita misalan terdapat 3 eor burung merpati dan 2 sangar burung merpati. Terdapat beberapa emunginan bagaimana
Lebih terperinci( s) PENDAHULUAN tersebut, fungsi intensitas (lokal) LANDASAN TEORI Ruang Contoh, Kejadian dan Peluang
Latar Belaang Terdapat banya permasalahan atau ejadian dalam ehidupan sehari hari yang dapat dimodelan dengan suatu proses stoasti Proses stoasti merupaan permasalahan yang beraitan dengan suatu aturan-aturan
Lebih terperinciSISTEM PENGENAL WAJAH DENGAN JARINGAN SYARAF TIRUAN
SISTEM PENGENAL WAJAH DENGAN JARINGAN SYARAF TIRUAN Julian Supardi, Rz. Abdul Aziz, Syepriansyah Seolah Tggi Manaemen Informatia dan Komputer Darmaaya Jl. Z.A Pagar Alam No. 93 Bandar Lampung Indonesia
Lebih terperinciPREDIKSI KELULUSAN MAHASISWA DENGAN JARINGAN SYARAF TIRUAN
Ansari Predisi Kelulusan Mahasiswa Dengan Jaringan Syaraf Tiruan PREDIKSI KELULUSAN MAHASISWA DENGAN JARINGAN SYARAF TIRUAN Rudy Ansari STMIK Indonesia Banarmasin e-mail: rudy.ansari@gmail.com ABSTRAK
Lebih terperinciStudi dan Analisis mengenai Hill Cipher, Teknik Kriptanalisis dan Upaya Penanggulangannya
Studi dan Analisis mengenai Hill ipher, Teni Kriptanalisis dan Upaya enanggulangannya Arya Widyanaro rogram Studi Teni Informatia, Institut Tenologi Bandung, Jl. Ganesha 10 Bandung Email: if14030@students.if.itb.ac.id
Lebih terperinciAPLIKASI ARTIFICIAL NEURAL NETWORK UNTUK PERAMALAN ALIRAN SUNGAI BLEGA ABSTRACT
APLIKASI ARTIFICIAL NEURAL NETWORK UNTUK PERAMALAN ALIRAN SUNGAI BLEGA Manyu Fauzi, Minarni Nur Trilita Mahasiswa S3 MRSA, Jurusan Teni Sipil-ITS dan Pengaar Jurusan Teni Sipil Univ. Riau Mahasiswa S3
Lebih terperinciBAB III PENENTUAN HARGA PREMI, FUNGSI PERMINTAAN, DAN TITIK KESETIMBANGANNYA
BAB III PENENTUAN HARGA PREMI, FUNGSI PERMINTAAN, DAN TITIK KESETIMBANGANNYA Pada penelitian ini, suatu portfolio memilii seumlah elas risio. Tiap elas terdiri dari n, =,, peserta dengan umlah besar, dan
Lebih terperinciDAFTAR ISI. Pedoman Translitrasi... Abstraks...
x DAFTAR ISI Halaman Sampul... i Halaman Judul.. ii Halaman Pernyataan Keaslian.. iii Halaman Persembahan. iv Halaman Persetujuan Pembimbing... v Halaman Pengesahan... vi Halaman Motto... vii Halaman Kata
Lebih terperinciAPLIKASI PREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF RADIAL BASIS FUNCTION DENGAN METODE PEMBELAJARAN HYBRID
APLIKASI PREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF RADIAL BASIS FUNCTION DENGAN METODE PEMBELAJARAN HYBRID Ferry Tan, Giovani Gracianti, Susanti, Steven, Samuel Luas Jurusan Teni Informatia, Faultas
Lebih terperinciBAB 5 RUANG VEKTOR UMUM. Dr. Ir. Abdul Wahid Surhim, MT.
BAB 5 RUANG VEKTOR UMUM Dr. Ir. Abdul Wahid Surhim, MT. KERANGKA PEMBAHASAN. Ruang Vetor Nyata. Subruang. Kebebasan Linier 4. Basis dan Dimensi 5. Ruang Baris, Ruang Kolom dan Ruang Nul 6. Ran dan Nulitas
Lebih terperinciPERBAIKAN KUALITAS CITRA MENGGUNAKAN HISTOGRAM LINEAR CONTRAST STRETCHING PADA CITRA SKALA KEABUAN
PERBAIKAN KUALITAS CITRA MENGGUNAKAN HISTOGRAM LINEAR CONTRAST STRETCHING PADA CITRA SKALA KEABUAN Murinto Program Studi Teni Informatia Universitas Ahmad Dahlan Kampus III UAD Jl. Prof. Soepomo Janturan
Lebih terperinciLEMBAR PERSETUJUAN SKRIPSI
DAFTAR ISI Halaman HALAMAN SAMPUL... i HALAMAN JUDUL.... ii PERSEMBAHAN... iii HALAMAN MOTTO... iv LEMBAR PERSETUJUAN SKRIPSI... v LEMBAR PENGESAHAN TIM PENGUJI SKRIPSI... vi ABSTRAK... vii KATA PENGANTAR...
Lebih terperinciSistem Pendukung Keputusan Penerima Beasiswa SMK Menggunakan Metode Backpropagation
Seminar Nasional e 9: Reayasa Tenologi Industri dan Informasi Sistem Penduung Keputusan Penerima Beasiswa SMK Menggunaan Metode Bacpropagation Teti Rohaeti 1, Yoyon Kusnendar Suprapto 2, Eo Mulyanto 3
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pemrosesan Sinyal Menurut Proais et al. (1997), umumnya suatu segmen suara dapat dinyataan dengan deraat etelitian yang tinggi sebagai umlah dari beberapa sinusoida dengan amplitudo
Lebih terperinciSKRIPSI. Disusun untuk Memenuhi Tugas dan Syarat Memperoleh Gelar Sarjana Pendidikan Islam dalam Ilmu Pendidikan Guru Madrasah Ibtidaiyah.
STUDI DESKRIPTIF TENTANG KONEKSITAS PEMBELAJARAN AQIDAH AKHLAQ DENGAN BIMBINGAN DAN KONSELING PADA PESERTA DIDIK KELAS V SEMESTER GASAL DI MI MIFTAHUS SIBYAN TUGUREJO SEMARANG TAHUN PELAJARAN 2012/2013
Lebih terperinciAPLIKASI WAVELET RECURRENT NEURAL NETWORK UNTUK PREDIKSI DATA TIME SERIES. : Agus Sumarno NRP :
APLIKASI WAELET RECURRENT NEURAL NETWORK UNTUK PREDIKSI DATA TIME SERIES Nama : Agus Sumarno NRP : 06 00 706 Jurusan : Matematia Dosen Pembimbing : Drs. Daryono Budi Utomo, M.Si Abstra Model time series
Lebih terperinciPENERAPAN NEURAL NETWORK MODEL BACKPROPAGATION DAN GENERAL REGRESSION NEURAL NETWORK
Eo Sediyono PENERAPAN NEURAL NETWORK MODEL BACKPROPAGATION DAN GENERAL REGRESSION NEURAL NETWORK Oleh : Eo Sediyono Abstra Telah dilauan penelitian tentang identifiasi citra untu mengidentifiasi enis daging
Lebih terperinciVariasi Spline Kubik untuk Animasi Model Wajah 3D
Variasi Spline Kubi untu Animasi Model Wajah 3D Rachmansyah Budi Setiawan (13507014 1 Program Studi Teni Informatia Seolah Teni Eletro dan Informatia Institut Tenologi Bandung, Jl. Ganesha 10 Bandung 40132,
Lebih terperinciBAB 2 LANDASAN TEORI. meneliti bagaimana mesin dapat belajar dan berpikir seperti layaknya manusia. Bidang
BAB 2 LANDASAN TEORI Intelegensia Semu (IS) adalah salah satu bidang dalam ilmu omputer yang meneliti bagaimana mesin dapat belajar dan berpiir seperti layanya manusia. Bidang ilmu ini mempelajari bagaimana
Lebih terperinciDAFTAR ISI. SAMPUL DALAM... i. PERSETUJUAN PEMBIMBING... ii. KATA PENGANTAR... v. DAFTAR TRANSLITERASI... x
DAFTAR ISI SAMPUL DALAM... i PERSETUJUAN PEMBIMBING... ii PENGESAHAN... iii ABSTRAK... iv KATA PENGANTAR... v DAFTAR ISI... vii DAFTAR GAMBAR...ix DAFTAR TRANSLITERASI... x BAB I PENDAHULUAN A. Latar Belakang...
Lebih terperinciDAFTAR ISI HALAMAN DAFTAR GAMBAR... PEDOMAN TRANSLITERASI... ABSTRAK INDONESIA... ABSTRAK ARAB...
DAFTAR ISI HALAM AN J UDUL...... i HALAMAN PERNYATAAN KEASLIAN... ii HALAMAN PERSEMBAHAN... iii HALAMAN PERSETUJUAN PEMBIMBING... iv HALAMAN PENGESAHAN... v HALAMAN MOTTO....... vi HALAMAN KATA PENGANTAR......
Lebih terperinciDETEKSI POLA BERDASARKAN COLOUR FEATURE DENGAN METODE JARINGAN SYARAF TIRUAN
Prosiding Seminar Nasional Apliasi Sains & Tenologi (SNAST) Periode II ISSN: 1979-911X Yogyaarta, 11 Desember 2010 DETEKSI POLA BERDASARKAN COLOUR FEATURE DENGAN METODE JARINGAN SYARAF TIRUAN Uning Lestari
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 terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belaang Model Loglinier adalah salah satu asus husus dari general linier model untu data yang berdistribusi poisson. Model loglinier juga disebut sebagai suatu model statisti
Lebih terperinciII. DASAR TEORI I. PENDAHULUAN
IMPLEMENTASI JARINGAN SYARAF TIRUAN PERAMBATAN-BALIK UNTUK MENDETEKSI GOLONGAN DARAH PADA MANUSIA M. Fuad Latief *, R. Rizal Isnanto, Budi Setiyono Abstra - Membran sel darah manusia mengandung bermacam-macam
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 terperinciPenggunaan Induksi Matematika untuk Mengubah Deterministic Finite Automata Menjadi Ekspresi Reguler
Penggunaan Indusi Matematia untu Mengubah Deterministic Finite Automata Menjadi Espresi Reguler Husni Munaya - 353022 Program Studi Teni Informatia Seolah Teni Eletro dan Informatia Institut Tenologi Bandung,
Lebih terperinciSTUDI PENYELESAIAN PROBLEMA MIXED INTEGER LINIER PROGRAMMING DENGAN MENGGUNAKAN METODE BRANCH AND CUT OLEH : RISTA RIDA SINURAT
TUGAS AKHIR STUDI PENYELESAIAN PROBLEMA MIXED INTEGER LINIER PROGRAMMING DENGAN MENGGUNAKAN METODE BRANCH AND CUT OLEH : RISTA RIDA SINURAT 040803023 DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belaang Masalah untu mencari jalur terpende di dalam graf merupaan salah satu masalah optimisasi. Graf yang digunaan dalam pencarian jalur terpende adalah graf yang setiap sisinya
Lebih terperinciPERSETUJUAN PEMBIMBING... ii. PENGESAHAN...iii. PERSEMBAHAN... iv. MOTTO... v. ABSTRAK... vi. KATA PENGANTAR... vii. DAFTAR ISI...
PERSETUJUAN PEMBIMBING... ii PENGESAHAN...iii PERSEMBAHAN... iv MOTTO... v ABSTRAK... vi KATA PENGANTAR... vii DAFTAR ISI... ix DAFTAR TRANSLITERASI... xii BAB I : PENDAHULUAN A. Latar Belakang Masalah...
Lebih terperinciDAFTAR ISI PERNYATAAN KEASLIAN... PERSETUJUAN PEMBIMBING... PENGESAHAN... MOTTO... ABSTRAK... DAFTAR ISI... DAFTAR GRAFIK... xiv
DAFTAR ISI Halaman SAMPUL DALAM... PERNYATAAN KEASLIAN... PERSETUJUAN PEMBIMBING... PENGESAHAN... MOTTO... ABSTRAK... i ii iii iv v vi KATA PENGANTAR... vii DAFTAR ISI... ix DAFTAR TABEL... xiii DAFTAR
Lebih terperinciPERAMALAN CURAH HUJAN WILAYAH SEMARANG BARAT DENGAN ALGORITMA RESILIENT BACKPROPAGATION
PERAMALAN CURAH HUJAN WILAYAH SEMARANG BARAT DENGAN ALGORITMA RESILIENT BACKPROPAGATION Wellie Sulistanti Abstract- Tuuan dari penelitian ini untu mengapliasian cara era aringan syaraf tiruan dengan menggunaan
Lebih terperinciAPLIKASI ALGORITMA CONJUGATE GRADIENT PADA JARINGAN SYARAF TIRUAN PERAMBATAN BALIK. Tesis
APLIKASI ALGORITMA CONJUGATE GRADIENT PADA JARINGAN SYARAF TIRUAN PERAMBATAN BALIK Tesis Program Studi Teni Eletro Jurusan Ilmu-ilmu Teni disusun oleh : Wiwien Widyastuti 8475/I-/820/02 PROGRAM PASCASARJANA
Lebih terperinciPrediksi Jumlah Kasus Demam Berdarah Dengue Menggunakan Jaringan Syaraf Tiruan (Studi Kasus daerah Kab. Sleman, Provinsi DIY)
Jurnal PROte Vol. 3 No. 1, 216 Predisi Jumlah Kasus Demam Berdarah Dengue Menggunaan Jaringan Syaraf Tiruan Iis Hamsir Ayub Wahab Program Studi Teni Eletro Faultas Teni, Universitas Khairun Email: hamsir@unhair.ac.id
Lebih terperinciBAB 2 TINJAUAN PUSTAKA DAN DASAR TEORI. a. Pustaka satu (1) diambil dari jurnal Telkom UniversityMuhammad
BAB 2 TINJAUAN PUSTAKA DAN DASAR TEORI 2.1 Tinjauan Pustaka Adapun tinjauan pustaka pada pengenalan pola ini diambil dari lima (5) sumber pustaka yaitu : a. Pustaka satu (1) diambil dari jurnal Telkom
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN PENENTU NILAI INTERVAL KADAR LEMAK TUBUH MENGGUNAKAN REGRESI INTERVAL DENGAN NEURAL FUZZY
SISTEM PENDUKUNG KEPUTUSAN PENENTU NILAI INTERVAL KADAR LEMAK TUBUH MENGGUNAKAN REGRESI INTERVAL DENGAN NEURAL FUZZY Tedy Rismawan dan Sri Kusumadewi Laboratorium Komputasi dan Sistem Cerdas, Jurusan Teni
Lebih terperinciPENGEMBANGAN MODEL JARINGAN SYARAF TIRUAN RESILIENT BACKPROPAGATION UNTUK IDENTIFIKASI PEMBICARA DENGAN PRAPROSES MFCC. Oleh:
1 PENGEMBANGAN MODEL JARINGAN SYARAF TIRUAN RESILIENT BACKPROPAGATION UNTUK IDENTIFIKASI PEMBICARA DENGAN PRAPROSES MFCC Oleh: NURHADI SUSANTO G64103059 DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN
Lebih terperinciBaca Tulis Qur an (BTQ) Kelas 2
Baca Tulis Qur an (BTQ) Kelas 2 Penulis : Tim Penulis (SD UNGGULAN USWATUH HASANAH) 1. Agus Salim, S.Pd.I 2. Fayumi, M.Pd 3. Neng Tati, S.Pd.I 4. Syarifudin, S.Hum Editor Design & Layout : Syarifudin,
Lebih terperinciBAB II KAJIAN PUSTAKA
DAFTAR ISI Halaman SAMPUL DALAM... i PERNYATAAN KEASLIAN... ii PERSETUJUAN PEMBIMBING... iii PENGESAHAN... iv ABSTRAK... v PERSEMBAHAN... vi MOTTO... vii KATA PENGANTAR... viii DAFTAR ISI... x DAFTAR TABEL...
Lebih terperinciAPLIKASI JARINGAN SARAF TIRUAN PERAMBATAN BALIK UNTUK PRAKIRAAN VALUTA GBP/USD DALAM FOREX TRADING
APLIKASI JARINGAN SARAF TIRUAN PERAMBATAN BALIK UNTUK PRAKIRAAN VALUTA GBP/USD DALAM FOREX TRADING Hendra William *), Achmad Hidayatno, and Aub Aulian Zahra Jurusan Teni Eletro, Universitas Diponegoro
Lebih terperinciz_in ( ) dan mengaplikasikan fungsi aktivasi untuk menghitung sinyal output ( ) Propagasi balik:
LAMPIRAN 4 Lampiran Algoritma aringan syaraf tiruan propagasi balik Langkah 0 Inisialisasi bobot Langkah Selama kondisi berhenti bernilai salah, lakukan langkah -9. Langkah Untuk setiap pasangan, lakukan
Lebih terperinciDAFTAR ISI. Halaman BAB II STUDI TOKOH. A. Pengertian Studi Tokoh B. Profil Tokoh... 30
DAFTAR ISI Halaman SAMPUL DALAM... i PERNYATAAN KEASLIAN... ii PERSETUJUAN PEMBIMBING... iii PENGESAHAN... iv MOTTO... v PERSEMBAHAN... vi ABSTRAK... vii KATA PENGANTAR... viii DAFTAR ISI... x DAFTAR TRANSLITERASI...
Lebih terperinciDAFTAR ISI HALAMAN JUDUL... PERNYATAAN... PERSEMBAHAN... NOTA PERSETUJUAN PEMBIMBING... PENGESAHAN TESIS... MOTTO... KATA PENGANTAR... DAFTAR ISI...
DAFTAR ISI HALAMAN JUDUL... i PERNYATAAN... ii PERSEMBAHAN... iii NOTA PERSETUJUAN PEMBIMBING... iv PENGESAHAN TESIS... v MOTTO... vi KATA PENGANTAR... vii DAFTAR ISI... ix DAFTAR TABEL... xii DAFTAR GAMBAR...
Lebih terperinciOptimasi Non-Linier. Metode Numeris
Optimasi Non-inier Metode Numeris Pendahuluan Pembahasan optimasi non-linier sebelumnya analitis: Pertama-tama mencari titi-titi nilai optimal Kemudian, mencari nilai optimal dari fungsi tujuan berdasaran
Lebih terperinciDAFTAR ISI SAMPUL DALAM PERNYATAAN KEASLIAN... MOTTO.. PERSETUJUAN PEMBIMBING... PENGESAHAN.. ABSTRAK.. KATA PENGANTAR... DAFTAR ISI..
DAFTAR ISI SAMPUL DALAM PERNYATAAN KEASLIAN.... MOTTO.. PERSETUJUAN PEMBIMBING.... PENGESAHAN.. ABSTRAK.. KATA PENGANTAR... DAFTAR ISI.. DAFTAR TRANSLITRASI.. i ii iii iv v vi viii ix xii BAB I PENDAHULUAN
Lebih terperinciPENGEMBANGAN PERANGKAT LUNAK BERBASIS JARINGAN SYARAF TIRUAN UNTUK PERAMALAN BEBAN LISTRIK JANGKA PENDEK (STUDI KASUS DI PT.PLN AREA DISTRIBUSI JABAR)
PENGEMBANGAN PERANGKAT LUNAK BERBASIS JARINGAN SYARAF TIRUAN UNTUK PERAMALAN BEBAN LISTRIK JANGKA PENDEK (STUDI KASUS DI PT.PLN AREA DISTRIBUSI JABAR) Oleh: ¹ HERLY MARDANI (000298) ² BAMBANG SISWOYO,
Lebih terperinciSISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER. Abstrak
SISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER Oleh : Pandapotan Siagia, ST, M.Eng (Dosen tetap STIKOM Dinamia Bangsa Jambi) Abstra Sistem pengenal pola suara atau yang lebih dienal dengan
Lebih terperinciSISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER
SISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER Pandapotan Siagian, ST, M.Eng Dosen Tetap STIKOM Dinamia Bangsa - Jambi Jalan Sudirman Theoo Jambi Abstra Sistem pengenal pola suara atau
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Teori Fuzzy 2.1.1 Dasar-Dasar Teori Fuzzy Secara prinsip, di dalam teori fuzzy set dapat dianggap sebagai estension dari teori onvensional atau crisp set. Di dalam teori crisp
Lebih terperinciDAFTAR ISI... SAMPUL DALAM... PERSETUJUAN PEMBIMBING... PENGESAHAN... ABSTRAK... KATA PENGANTAR... DAFTAR TRANSLITERASI...
DAFTAR ISI SAMPUL DALAM... i PERSETUJUAN PEMBIMBING... ii PENGESAHAN... iii ABSTRAK... iv KATA PENGANTAR... v DAFTAR ISI... vii DAFTAR TRANSLITERASI... x BAB I PENDAHULUAN 1. Latar Belakang Masalah...
Lebih terperinciBAB 3 METODE PENELITIAN
36 BAB 3 METODE PENELITIAN 3.1 Disain Penelitian Jenis penelitian yang digunaan adalah penelitian desriptif, yaitu penelitian terhadap fenomena atau populasi tertentu yang diperoleh peneliti dari subye
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Variabel Variabel ialah sesuatu yang nilainya berubah-ubah menurut watu atau berbeda menurut elemen/tempat. Umumnya nilai arateristi merupaan variabel dan diberi simbol huruf X.
Lebih terperinciDAFTAR ISI. BAB II PERILAKU KONSUMEN PADA PERUSAHAAN JASA A. Pemasaran Pengertian Pemasaran... 23
DAFTAR ISI Halaman SAMPUL DALAM... i SURAT PERNYATAAN... ii PERSETUJUAN PEMBIMBING... iii PENGESAHAN... iv MOTTO... v PERSEMBAHAN... vi ABSTRAK... vii KATA PENGANTAR... viii DAFTAR ISI... xi DAFTAR TABEL...
Lebih terperinci