APLIKASI MODEL JARINGAN SYARAF TIRUAN DENGAN RADIAL BASIS FUNCTION UNTUK MENDETEKSI KELAINAN OTAK (STROKE INFARK)
|
|
- Susanto Kartawijaya
- 7 tahun lalu
- Tontonan:
Transkripsi
1 APLIKASI MODEL JARINGAN SYARAF TIRUAN DENGAN RADIAL BASIS FUNCTION UNTUK MENDETEKSI KELAINAN OTAK (STROKE INFARK) Yohanes Tanung Sarwono 1) 1) S1/Jurusan Sistem Informasi, Sekolah Tinggi Manaemen Informatika & Teknik Komputer Surabaya, Abstract: stroke disease is one of the deadly diseases caused by blockage of blood vessel. Neural Network as one of Artificial Intelligence areas which simulate like human neuron brain and convert it into mathematics calculation. Preprocessing used to convert brain images into numerical. This numerical will be input to clustering process and training it with Neural Network that use Radial Basis Method. Result of this training method will be used to analyze and predict brain image whether to be normal or stroke. Keywords: Digital Image Processing, Artificial Intelligence, Neural Network, K-Means Cluster, Stroke Disease Di negara-negara industri penyakit stroke menduduki peringkat ketiga penyebab kematian setelah penyakit antung dan kanker. Di Indonesia, diperkirakan setiap tahun teradi penduduk terkena serangan stroke, dan sekitar 25% atau orang meninggal dan sisanya mengalami cacat ringan atau berat. Di Indonesia stroke menempati urutan pertama sebagai penyebab kematian di rumah sakit. Stroke adalah serangan mendadak pada otak akibat pembuluh otak tersumbat atau pecah. Biasanya kondisi ini akan diikuti dengan gealageala seperti nyeri kepala hebat, penurunan kesadaran dan keang mendadak. Juga teradi gangguan daya ingat, keseimbangan dan gangguan orientasi tempat, waktu dan orang. Penyebab stroke dikelompokkan menadi 2 faktor, yaitu faktor medis dan perilaku. Faktor resiko medis, antara lain hipertensi (penyakit tekanan darah tinggi), kolesterol, Arteriosklerosis (pengerasan pembuluh darah), gangguan antung, diabetes, riwayat stroke dalam keluarga, dan migrain. Faktor yang kedua adalah faktor resiko perilaku, antara lain merokok (aktif & pasif), makanan tidak sehat (unk food, fast food), alkohol, kurang olahraga, kontrasepsi oral, narkoba, obesitas. Stroke dapat dibedakan menadi 2 golongan besar yaitu stroke iskemik (Infark) dan stroke perdarahan (Hemoragik). Pada stroke iskemik (Infark) teradi proses Arteriosklerosis atau darah terlalu kental yang membuat pembuluh darah otak tersumbat. Sumbatan ini teradi akibat lepasnya bekuan yang berasal dari lokasi lain. Sedangkan stroke hemoragik adalah pecahnya pembuluh darah akibat dinding pembuluh rapuh atau anomali-anomali bawaan pada usia muda. Pendeteksian dan diagnosa kelainan pada otak dilakukan oleh para radiolog dan dokter ahli. Peralatan radiologi yang berfungsi untuk mendeteksi penyekit otak salah satunya adalah Magnetik Resonance Imaging (MRI). Menurut Notosiswoyo (2004) MRI menggunakan prinsip elektromagnetik yang akan menghasilkan image tubuh kita. MRI berkaitan dengan radio frekuensi dan medan magnet yang dapat menghasilkan suatu citra (image) tanpa memakai radiasi ionisasi. Pemeriksaan gambar kelainan otak hasil MRI ini memerlukan ketelitian dan ketepatan. Lagi pula otak organ tubuh yang letaknya tersembunyi sehingga sulit dideteksi dengan mata telanang. Pendeteksian penyakit infark dari 1
2 gambar MRI dapat menggunakan Jaringan Syaraf Radial Basis Function (RBF). Pada prinsipnya banyak metode aringan syaraf yang telah dikembangkan, seperti Backpropagation, Self Organizing Maps (SOM), dan lain sebagainya. Alasan penggunaan aringan syaraf tiruan dengan metode RBF karena keunggulan dalam hal kecepatan iterasi ika dibandingkan dengan metode aringan syaraf tiruan lainnya. METODE PENELITIAN Digital Image Processing Melakukan pengolahan citra digital pada data gambar otak normal dan stroke infark untuk mengubah file data gambar hingga menadi menadi bentuk matriks normalisasi yang berupa angka. Berikut langkah-langkah dalam melakukan pengolahan citra : a. Proses pembacaan file gambar untuk otak normal dan stroke infark yang berukuran 185 x 185 piksel. File gambar berformat.bmp atau.jpg. b. Proses greyscale, mengubah citra warna (Red, Green, Blue) menadi citra greyscale dengan mengambil rata-rata RGB dengan persamaan: Gray = R + G + B 3 R : Tingkat intensivitas warna merah G : Tingkat intensivitas warna hiau B : Tingkat intensivitas warna biru c. Proses histogram equalisasi, merupakan proses perataan histogram, di mana distribusi nilai deraat keabuan pada suatu citra dibuat rata dan dituukan untuk memperelas gambar dengan persamaan: dimana: w c th w n n x y w: nilai keabuan hasil histogram equalization, C w : histogram kumulatif dari w, th: adalah threshold deraat keabuan (256) n x dan n y adalah ukuran gambar d. Proses filter background, merupakan proses untuk menghilangkan atau membuang latar belakang citra yang tidak diperlukan. Karena citra yang diharapkan adalah citra bagian otak saa, maka sangat penting melakukan proses filter background. e. Proses Segmentasi, membagi obyek menadi segmen-segmen yang lebih kecil sehingga diharapkan untuk pengolahan datanya dapat menadi lebih cepat. Hasil segmen ini akan diperoleh gambar yang berukuran 37 x 37 piksel. f. Proses Normalisasi, yaitu proses pada nilai intensitas tiap segmen dari citra agar bernilai 0 atau 1 dengan cara rata segmen dibagi dengan tingkat grayscale yang paling tinggi. g. Simpan hasil data normalisasi, sebagai data input di proses selanutnya. Data disimpan ke dalam bentuk file text (.txt) dan tidak menggunakan database agar lebih cepat pada saat upload data pada inputan pelatihan aringan syaraf. 2
3 rumus arak Eucledian (Eucledian Distance) hingga ditemukan arak yang paling dekat dari setiap data dengan centroid. Berikut adalah persamaan Eucledian Distance: d( x i, ) ( xi ) 2 Step 4 : Mengklasifikasikan setiap data berdasarkan kedekatannya dengan centroid (arak terkecil). Step 5 : Mengupdate nilai centroid. Nilai centroid baru diperoleh dari rata-rata cluster yang bersangkutan dengan menggunakan rumus: ( t 1) 1 N S S dimana: (t+1) = centroid baru pada iterasi ke (t+1), x Gambar 1. Flowchart Pengolahan Citra Digital K-Means Clustering Algoritma K-Means diperkenalkan oleh J.B. MacQueen pada tahun Metode ini mempartisi data ke dalam cluster (kelompok) sehingga data yang memiliki karakteristik yang sama dikelompokkan ke dalam cluster yang sama dan data yang mempunyai karakteristik berbeda dikelompokkan ke dalam kelompok yang lain. Berikut adalah langkah-langkah dari algoritma K- Means: Step 1 : Menentukan banyak K-cluster yang ingin dibentuk. Step 2 : Membangkitkan nilai random untuk pusat cluster awal (centroid) sebanyak k. Step 3 : Menghitung arak setiap data input terhadap masing-masing centroid menggunakan N S = banyak data pada cluster S Step 6 : Melakukan perulangan dari langkah 2 hingga 5 hingga anggota tiap cluster tidak ada yang berubah. Step 7 : Jika langkah 6 telah terpenuhi, maka nilai rata-rata pusat cluster ( ) pada iterasi terakhir akan digunakan sebagai parameter untuk Radial Basis Function yang ada di hidden layer. Pada gambar 2 ditunukkan diagram alir langkahlangkah dalam proses clustering dengan menggunakan metode K-Means. 3
4 Jika ada input yang masuk, sel akan aktif dan akan mentransmisikan sinyal ke sel lain melalui akson dan sypnatic gap. Untuk lebih elasnya susunan neuron biologis ini dapat dilihat pada Gambar 3 berikut : Gambar 3. Susunan Neuron Biologis 1 ( t 1) N S S ( t 1) Gambar 2. Flowchart K-Means Clustering Neural Network Jaringan syaraf manusia terdiri atas selsel yang disebut neuron. Ada tiga komponen utama neuron yang fungsinya dapat dianalogikan dengan yang teradi pada aringan syaraf tiruan, yaitu dendrit, soma, dan akson. Dendrit akan menerima sinyal-sinyal dari neuron lain. Sinyal tersebut merupakan impuls listrik yang ditransmisikan melalui sypnatic gap melalui proses kimia. Sedangkan, soma atau badan sel akan menumlah sinyal-sinyal input yang masuk. x Pada aringan syaraf tiruan, uga terdapat istilah neuron atau lebih sering disebut unit, sel, atau node. Setiap neuron terhubung dengan neuron-neuron lain melalui layer dengan bobot tertentu. Bobot di sini melambangkan informasi yang digunakan oleh aringan untuk menyelesaikan persoalan. Pada aringan syaraf biologis, bobot tersebut dapat dianalogikan dengan aksi pada proses kimia yang teradi pada synaptic gap. Sedangkan, setiap neuron mempunyai internal state yang disebut aktivasi. Aktivasi tersebut merupakan fungsi dari input yang diterima. Suatu neuron akan mengirim sinyal ke neuron-neuron lain, tetapi pada suatu saat, hanya ada satu sinyal yang dapat dikeluarkan walaupun sinyal tersebut ditransmisikan pada beberapa neuron lain. Pada aringan syaraf, neuron-neuron tersusun dalam layer. Neuron yang terletak dalam layer yang sama, biasanya mempunyai hubungan yang sama antara satu dengan lainnya. Pengaturan neuron dalam layer dan hubungan-hubungannya disebut arsitektur aringan. Jaringan syaraf dapat diklasifikasikan menadi dua enis, yaitu single layer dan 4
5 multilayer. Untuk lebih elasnya, susunan single layer dan multilayer terdapat pada Gambar 4 dan Gambar 5. Dalam aringan single layer, neuronneuron dapat dikelompokkan menadi dua bagian, yaitu unit-unit input dan unit-unit output. Unit-unit input menerima masukan dari luar sedangkan unit-unit output akan mengeluarkan respon dari aringan sesuai dengan masukannya. Sedangkan, dalam aringan multilayer, selain ada unit-unit input dan output, uga terdapat unit-unit yang tersembunyi (hidden). Jumlah unit hidden tersebut tergantung pada kebutuhan. Semakin kompleks aringan, unit hidden yang dibutuhkan makin banyak, demikian pula umlah layernya. Pada Gambar 5 terdapat tiga buah layer dengan bobot v dan w. Jaringan multilayer sering dipakai untuk persoalan yang lebih rumit karena pelatihan untuk hal yang kompleks akan lebih berhasil ika menggunakan aringan multilayer. Gambar 5. Jaringan Syaraf Multilayer Radial Basis Function Algorithm Topologi aringan RBFN (Radial Basis Function Network) terdiri dari layer input unit, layer hidden unit dan layer output unit. Topologi RBFN digambarkan sebagai berikut: Gambar 6. Topologi Radial Basis Function Network Berikut langkah-langkah proses pelatihan aringan dengan metode RBF: Gambar 4. Jaringan Syaraf Single Layer Step 1 : Inisialisasi centre data input matriks normalisasi dan dan centre hasil perhitungan K- Means Clustering. Step 2 : Melakukan inisialisasi nilai spread yang akan digunakan pada perhitungan matriks Gaussian. 5
6 Step 3 : Menentukan sinyal input ke hidden layer dan menghitung nilai fungsi aktivasinya pada tiap hidden layer menggunakan rumus berikut: m X t = 1,2,3,... Sesuai dengan umlah training pattern = 1,2,3 sesuai dengan umlah hidden unit vektor input vektor data sebagai center Step 4 : Menghitung bobot baru (W) dengan mengalikan pseudoinverse dari matriks G dengan vector target (d) dari data training dengan menggunakan rumus pada persamaan berikut: Step 5 : Menghitung nilai output aringan Y(n) menggunakan rumus pada persamaan berikut: Gambar 7. Flowchart Proses Training Jaringan Syaraf Tiruan dengan Metode Radial Basis Function Step 6 : Simpan nilai hasil training. Hasil training yang disimpan adalah data center 1, center 2, nilai output dan nilai spread yang digunakan dalam proses training aringan syaraf. Data hasil training tersebut disimpan ke dalam file teks (.txt). Berikut diagram alir proses training aringan syaraf tiruan dengan menggunakan metode RBF (Radial Basis Function). Testing Algorthm Ui coba atau testing pada aplikasi digunakan untuk melakukan validasi apakah telah memberikan output sesuai dengan yang diharapkan. Berikut langkah-langkah dalam melakukan ui coba: Step 1 : Inisialisasi center hasil perhitungan algoritma K-Means, dengan memanggil centroid 1 dan centroid 2 iterasi terakhir. Step 2 : Inisialisasi range output target hasil perhitungan RBF (spread value, W1, W2 dan bias). 6
7 Step 3 : Upload data gambar untuk di ui coba atau validasi. Step 4 : Proses greyscale, mengubah citra warna (Red, Green, Blue) menadi citra greyscale dengan mengambil rata-rata RGB. Step 5 : Proses histogram equalisasi, merupakan proses perataan histogram, di mana distribusi nilai deraat keabuan pada suatu citra dibuat rata dan dituukan untuk memperelas gambar. Step 6 : Proses Segmentasi, yaitu membagi obyek menadi segmen-segmen yang lebih kecil sehingga diharapkan untuk pengolahan datanya dapat menadi lebih cepat. Dari hasil segmen ini akan diperoleh gambar yang berukuran 37 x 37 piksel. Step 7 : Proses Normalisasi, yaitu proses pada nilai intensitas tiap segmen dari citra agar bernilai 0 atau 1 dengan cara rata segmen dibagi dengan tingkat greyscale yang paling tinggi. Step 8 : Menghitung nilai output aringan Y(x). Step 9 : Melakukan pengecekan terhadap nilai Y(x) apakah lebih kecil dari batas atas Y normal. Step 10 : Cetak hasil analisa gambar, termasuk otak normal (ika Y(x) lebih kecil dari batas atas Y normal) dan otak infark (Jika Y(x) lebih besar dari batas atas Y normal). Gambar 8. Flowchart Ui Coba Aplikasi HASIL DAN PEMBAHASAN Digital Image Processing Form image processing atau pengolahan citra digunakan untuk mengolah data gambar menadi data akhir yang lebih sederhana yaitu data matriks normalisasi yang terdiri dari angkaangka. 7
8 Radial Basis Function Training Form RBF training digunakan untuk melakukan pelatihan aringan syaraf tiruan dari inputan hasil normalisasi. Data normalisasi akan dicluster terlebih dahulu dengan K-Means untuk menghasilkan nilai centre 1 dan centre 2 yang akan digunakan pada pelatihan aringan syaraf. Gambar 9. Tab Step 1 (Data Gambar Input dan Greyscale) Gambar 12. Tab Data (Input Matriks Normalisasi dan Generate Centroid Awal) Gambar 10. Tab Step 2 (Pengolahan Citra dari Histogram hingga Equalization) Gambar 13. Tab Cluster (Clustering dengan K- Means ke cluster 1 dan cluster 2) Gambar 11. Tab Step 3 (Proses Segmentasi, Matriks dan Vektor Normalisasi) 8
9 output Y(x) untuk gambar yang diui coba. Y(x) akan dibandingkan dengan batas bawah (minimal value) dan batas atas (máximum value) untuk memeperoleh analisa apakah data gambar termasuk gambar otak normal atau otak stroke infark. Kesimpulan hasil analisa akan muncul pada groupbox Analisa JST-RBF. Gambar 14. Tab RBF Step 1 (Proses Training Radial Basis Function) Gambar 16. Form Validasi (Proses Pengolahan Citra dan Analisa) Gambar 15. Tab RBF Step 2 (Proses Training RBF hingga Matriks W) Validasi Form validasi merupakan form ui coba data gambar. Inputan pada form ini adalah data gambar otak yang akan diui untuk dianalisa apakah termasuk otak normal atau otak infark. Data gambar diolah terlebih dahulu yaitu melalui proses greyscale, tresholding, histogram equalization, dan segmentation. Output gambar dari segmentasi akan diolah menadi matriks normalisasi 37 x 37 kemudian menadi vektor normalisasi 1 x Kemudian vektor normalisasi akan dihitung menggunakan centroid 1 dan 2 hasil clustering, nilai spread, matriks W dan bias, sehingga akan menghasilkan nilai Gambar 17. Form Validasi (Hasil Analisa) SIMPULAN Berdasarkan hasil evaluasi yang telah dilakukan dalam pembuatan Aplikasi Model Jaringan Syaraf Tiruan dengan Radial Basis Function dapat disimpulkan bahwa Tugas Akhir telah sesuai dengan tuuan. Berikut adalah beberapa poin kesimpulan dari pengeraan Tugas Akhir ini: 9
10 1. Sistem telah berhasil menangani pengolahan citra dari proses input gambar hingga normalisasi dengan memakai beberapa persamaan. 2. Sistem telah mengimplementasikan proses pelatihan aringan syaraf tiruan yang dimulai dengan clustering dan kemudian dilatih dengan metode RBF. 3. Sistem dapat melakukan validasi dengan memberi input data gambar, kemudian sistem akan memberikan estimasi hasil analisa. 4. Sistem RBF memiliki keunggulan dalam hal kecepatan pelatihan karena tidak ada target iterasi pada proses pelatihan (hanya 1 kali alan). 5. Data input memiliki peran penting, oleh karena itu dibutuhkan data gambar tanpa konversi signifikan dan dalam umlah banyak (misal >50 gambar). Russell, Stuart, Peter Norvig Artificial Intelligence A Modern Approach (second edition). Person Education, Inc: New Jersey. World Health Organization Cardiovaskuler Disease : prevention and control,(online), ( publications/facts/cvd/en, diakses 1 November 2010). Yayasasan Stroke Indonesia Stroke Urutan Ketiga Penyakit Mematikan. (Online), ( 00, diakses 1 November 2010) Yayasasan Stroke Indonesia Macam Jenis Stroke dan Teknik Deteksi. (Online), ( diakses 1 November 2010). DAFTAR RUJUKAN Basuki, Achmad., Jozua Palandi, Fatchurrochman Pengolahan Citra Menggunakan Visual Basic. Graha Ilmu: Yogyakarta. Hermawan, Arief Jaringan Syaraf Tiruan, Teori dan Aplikasi. Penerbit Andi: Yogyakarta. Joesoef, A.A Aspek Biomolekuler dari Iskemia Otak Akut. RSUD Dr. Soetomo, Malang. Kendall, K.E., Kendall, J.E Analisis dan Perancangan Sistem (Edisi Bahasa Indonesia). PT. Prenhallindo: Jakarta. Kuswara, Setiawan Paradigma Sistem Cerdas, Artificial Intelligence. Bayumedia: Malang. Mackay, David J.C Information Theory, Inference, and Learning Algorithms. Cambridge Universisty Press. Notosiswoyo, Mulyono dan Suswati, Susy Pemanfaatan Magnetic Resonance Imaging sebagai Sarana Diagnosa Pasien. Media Litbang Kesehatan Volume XIV Nomer 3. 10
BAB I PENDAHULUAN. nyeri kepala hebat, penurunan kesadaran dan kejang mendadak. Juga terjadi
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Di negara-negara industri penyakit stroke menduduki peringkat ketiga penyebab kematian setelah penyakit jantung dan kanker. Di Indonesia, diperkirakan setiap
Lebih terperinciBAB III METODE PENELITIAN. Tujuan tugas akhir ini akan membangun suatu model sistem yang
BAB III METODE PENELITIAN 3.1 Model Pengembangan Tujuan tugas akhir ini akan membangun suatu model sistem yang melakukan proses data mulai dari pengolahan citra otak hingga menghasilkan output analisa
Lebih terperinciKOMPARASI HASIL KLASIFIKASI PENYAKIT DIABETES MELLITUS MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION DAN LEARNING VECTOR QUANTIZATION
Prosiding Seminar Nasional Penelitian, Pendidikan dan Penerapan MIPA, Fakultas MIPA, Universitas Negeri Yogyakarta, 14 Mei 2011 KOMPARASI HASIL KLASIFIKASI PENYAKIT DIABETES MELLITUS MENGGUNAKAN JARINGAN
Lebih terperinciBAB III METODE PENELITIAN. menjawab segala permasalahan yang ada dalam penelitian ini.
BAB III METODE PENELITIAN Pada bab ini akan dijelaskan bahan yang digunakan dalam membantu menyelesaikan permasalahan, dan juga langkah-langkah yang dilakukan dalam menjawab segala permasalahan yang ada
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 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 terperinciKLASIFIKASI PENYAKIT DIABETES MELLITUS MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION DAN LEARNING VECTOR QUANTIZATION
Prosiding Seminar Nasional Penelitian, Pendidikan dan Penerapan MIPA, Fakultas MIPA, Universitas Negeri Yogyakarta, 14 Mei 2011 KLASIFIKASI PENYAKIT DIABETES MELLITUS MENGGUNAKAN JARINGAN SYARAF TIRUAN
Lebih terperinciAlgoritma Kohonen dalam Mengubah Citra Graylevel Menjadi Citra Biner
Jurnal Ilmiah Teknologi dan Informasia ASIA (JITIKA) Vol.9, No.2, Agustus 2015 ISSN: 0852-730X Algoritma Kohonen dalam Mengubah Citra Graylevel Menjadi Citra Biner Nur Nafi'iyah Prodi Teknik Informatika
Lebih terperinciSeminar Nasional Aplikasi Teknologi Informasi 2004 Yogyakarta, 19 Juni 2004
Seminar Nasional Aplikasi Teknologi Informasi 004 Yogyakarta, 19 Juni 004 Klasifikasi Pola Menggunakan Jaringan Probabilistik Sri Kusumadewi Jurusan Teknik Informatika, Universitas Islam Indonesia Jl.
Lebih terperinciPERAMALAN JUMLAH KENDARAAN DI DKI JAKARTA DENGAN JARINGAN BACKPROPAGATION
PERAMALAN JUMLAH KENDARAAN DI DKI JAKARTA DENGAN JARINGAN BACKPROPAGATION (Forecast The Number of Vehicle in Jakarta Using Backpropagation Neural Net ) Zumrotus Sya diyah Universitas Darussalam Ambon,
Lebih terperinciBAB 2 LANDASAN TEORI
6 BAB 2 LANDASAN TEORI 2.1. Sel Darah Merah Sel darah merah atau eritrositmemiliki fungsi yang sangat penting bagi kelangsungan hidup manusia. Sel darah merah mengandung hemoglobin yang berfungsi untuk
Lebih 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 terperinciKLASIFIKASI POLA MENGGUNAKAN JARINGAN PROBABILISTIK
KLASIFIKASI POLA MENGGUNAKAN JARINGAN PROBABILISTIK Sri Kusumadewi Teknik Informatika Universitas Islam Indonesia Jl. Kaliurang Km 4,5 Yogyakarta cicie@fti.uii.ac.id ABSTRACT More application often used
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 terperinciBAB 3 ANALISIS DAN PERANCANGAN PROGRAM APLIKASI
BAB 3 ANALISIS DAN PERANCANGAN PROGRAM APLIKASI Bab ini berisi analisis pengembangan program aplikasi pengenalan karakter mandarin, meliputi analisis kebutuhan sistem, gambaran umum program aplikasi yang
Lebih terperinciSYSTEM IDENTIFIKASI GANGGUAN STROKE ISKEMIK MENGGUNAKAN METODE OTSU DAN FUZZY C-MEAN (FCM)
SYSTEM IDENTIFIKASI GANGGUAN STROKE ISKEMIK MENGGUNAKAN METODE OTSU DAN FUZZY C-MEAN (FCM) Jani Kusanti Program Studi Teknik Informatika, Fakultas Teknik Elektro dan Informatika Universitas Surakarta (UNSA),
Lebih terperinciBAB 1 PENDAHULUAN Latar belakang masalah
BAB 1 PENDAHULUAN 1.1. Latar belakang masalah Saluran pernapasan pada manusia terdiri dari rongga hidung, faring, laring, trakea, percabangan bronkus dan paru-paru (bronkiolus, alveolus). Paru-paru merupakan
Lebih terperinciBAB IV IMPLEMENTASI DAN UJI COBA. Pengenalan Pola dengan Algoritma Eigen Image, dibutuhkan spesifikasi
BAB IV IMPLEMENTASI DAN UJI COBA 4.1 Kebutuhan Sistem Sebelum melakukan implementasi dan menjalankan aplikasi Model Pengenalan Pola dengan Algoritma Eigen Image, dibutuhkan spesifikasi perangkat lunak
Lebih terperinciSISTEM PENGENALAN KARAKTER DENGAN JARINGAN SYARAF TIRUAN ALGORITMA PERCEPTRON
Jurnal Informatika Mulawarman Vol. 7 No. 3 Edisi September 2012 105 SISTEM PENGENALAN KARAKTER DENGAN JARINGAN SYARAF TIRUAN ALGORITMA PERCEPTRON Anindita Septiarini Program Studi Ilmu Komputer FMIPA,
Lebih terperinciPengenalan Tanda Tangan melalui Pengolahan Citra Digital dan Jaringan Saraf Tiruan Radial Basis Function
Pengenalan Tanda Tangan melalui Pengolahan Citra Digital dan Jaringan Saraf Tiruan Radial Basis Function Ignatius Ricardo Sistem Informasi Universitas Pelita Harapan Surabaya, Indonesia ignatius.ricardo@gmail.com
Lebih terperinciPERANCANGAN PROGRAM PENGENALAN BENTUK MOBIL DENGAN METODE BACKPROPAGATION DAN ARTIFICIAL NEURAL NETWORK SKRIPSI
PERANCANGAN PROGRAM PENGENALAN BENTUK MOBIL DENGAN METODE BACKPROPAGATION DAN ARTIFICIAL NEURAL NETWORK SKRIPSI Oleh Nama : Januar Wiguna Nim : 0700717655 PROGRAM GANDA TEKNIK INFORMATIKA DAN MATEMATIKA
Lebih terperinciBAB III PERANCANGAN SISTEM
BAB III PERANCANGAN SISTEM Dalam pengerjaan perancangan dan pembuatan aplikasi pengenalan karakter alfanumerik JST algoritma Hopfield ini menggunakan software Borland Delphi 7.0. 3.1 Alur Proses Sistem
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 terperinciBAB I PENDAHULUAN. diatur di dalam otak sebagai pengendali utama tubuh manusia. Otak manusia
BAB I PENDAHULUAN A. Latar Belakang Manusia telah diciptakaan oleh Tuhan dalam bentuk kesempurnaan. Salah satu ciptaan yang menakjubkan adalah otak manusia dimana semua kecerdasaan diatur di dalam otak
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 terperinciPEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK
PEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK Program Studi Matematika FMIPA Universitas Negeri Semarang Abstrak. Saat ini, banyak sekali alternatif dalam
Lebih terperinciPENGENALAN POLA GARIS DASAR KALIMAT PADA TULISAN TANGAN UNTUK MENGETAHUI KARAKTER SESEORANG DENGAN MENGGUNAKAN ALGORITMA RESILIENT BACKPROPAGATION
PENGENALAN POLA GARIS DASAR KALIMAT PADA TULISAN TANGAN UNTUK MENGETAHUI KARAKTER SESEORANG DENGAN MENGGUNAKAN ALGORITMA RESILIENT BACKPROPAGATION ABSTRAK Juventus Suharta (0722026) Jurusan Teknik Elektro
Lebih terperinciJurnal Ilmiah Komputer dan Informatika (KOMPUTA) 1 Edisi.,Volume,. Bulan.. ISSN :
Jurnal Ilmiah Komputer dan Informatika (KOMPUTA) Edisi.,Volume,. Bulan.. ISSN : 289-933 ANALISIS METODE JARINGAN SYARAF TIRUAN BACKPROPAGATION UNTUK PENGENALAN SEL KANKER OTAK Novita Handayani Teknik Informatika
Lebih terperinciBAB III METODE PENELITIAN. sekunder berupa citra Magnetic Resonansi Image (MRI) yang diperoleh dari
BAB III METODE PENELITIAN Metode penelitian yang dilakukan pada penelitian ini adalah teknik pengumpulan data dan teknik analisis data. A. Teknik Pengumpulan Data Data yang digunakan pada penelitian ini
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 terperinciSISTEM PENUNJANG KEPUTUSAN DAN TEKNIK DATA MINING UNTUK PENENTUAN WILAYAH PENERIMA BANTUAN
SISTEM PENUNJANG KEPUTUSAN DAN TEKNIK DATA MINING UNTUK PENENTUAN WILAYAH PENERIMA BANTUAN Ahlihi Masruro 1) 1) Teknik Informatika STMIK AMIKOM Yogyakarta Jl Ring road Utara, Condongcatur, Sleman, Yogyakarta
Lebih terperinciADLN - PERPUSTAKAAN UNIVERSITAS AIRLANGGA BAB III METODE PENELITIAN. Penelitian ini dilakukan dalam kurung waktu setahun.
BAB III METODE PENELITIAN 3.1 Tempat dan Waktu Pelaksanaan Penelitian dilaksanakan di Laboratorium Intrumentasi Medis Departemen Fisika, Fakultas Sains dan Teknologi Universitas Airlangga. Lokasi pengambilan
Lebih terperinciMETODE PCA-RBPNN DENGAN INISIALISASI CENTER ALGORITMA K-MEANS PADA DATA MULTIVARIAT
METODE PCA-RBPNN DENGAN INISIALISASI CENTER ALGORITMA K-MEANS PADA DATA MULTIVARIAT Hasnawati M 1, Oni Soesanto 2, Fatma Indriani 3 1,3 Prodi Ilmu Komputer FMIPA ULM 2 Prodi Matematika FMIPA ULM Jl. A.
Lebih terperinciJARINGAN SARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) ERWIEN TJIPTA WIJAYA, ST, M.KOM
JARINGAN SARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) ERWIEN TJIPTA WIJAYA, ST, M.KOM INTRODUCTION Jaringan Saraf Tiruan atau JST adalah merupakan salah satu representasi tiruan dari otak manusia yang selalu
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 3 PERANCANGAN DAN PEMBUATAN SISTEM
BAB 3 PERANCANGAN DAN PEMBUATAN SISTEM Dalam bab ini akan dibahas mengenai perancangan dan pembuatan sistem aplikasi yang digunakan sebagai user interface untuk menangkap citra ikan, mengolahnya dan menampilkan
Lebih terperinciLAPORAN SKRIPSI DETEKSI KANKER OTAK PADA DATA MRI MELALUI JARINGAN SYARAF TIRUAN DENGAN EKSTRAKSI FITUR DISCRETE WAVELET TRANSFORM
LAPORAN SKRIPSI DETEKSI KANKER OTAK PADA DATA MRI MELALUI JARINGAN SYARAF TIRUAN DENGAN EKSTRAKSI FITUR DISCRETE WAVELET TRANSFORM Oleh : Saeful Anwar 2009-51-030 SKRIPSI DIAJUKAN SEBAGAI SALAH SATU SYARAT
Lebih terperinciBAB II LANDASAN TEORI
5 BAB II LANDASAN TEORI 2.1. Citra Digital Citra digital dapat didefenisikan sebagai fungsi f(x,y) yaitu dua dimensi, dimana x dan y merupakan koordinat spasial dan f(x,y) disebut dengan intensitas atau
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Seiring perkembangan zaman, teknologi di bidang medis saat ini semakin berkembang. Teknologi sendiri sudah menjadi kebutuhan di segala bidang khususnya bidang biomedis.
Lebih terperinciBAB I PENDAHULUAN. darah tinggi, stroke, sakit di dada (angina) dan penyakit jantung rematik.
BAB I PENDAHULUAN 1.1 Latar Belakang Permasalahan Penyakit jantung adalah penyakit yang mengganggu sistem pembuluh darah atau lebih tepatnya menyerang jantung dan urat-urat darah, beberapa contoh penyakit
Lebih terperinciPengenalan Karakter Tulisan Tangan Latin pada Jaringan Saraf Tiruan Metode Backpropagation dengan Input Citra Kamera Digital
Pengenalan Karakter Tulisan Tangan Latin pada Jaringan Saraf Tiruan Metode Backpropagation dengan Input Citra Kamera Digital Dompak Petrus Sinambela 1 Sampe Hotlan Sitorus 2 Universitas Mpu Tantular Jakarta.
Lebih terperinciMetode Segmentasi Paru-Paru dan Jantung Pada Citra X-Ray Thorax
Metode Segmentasi Paru-Paru dan Jantung Pada Citra X-Ray Thorax Abstrak Segmentasi citra merupakan salah satu tahapan dalam pengolahan citra yang penting, terutama dalam dunia medis. Apabila seorang dokter
Lebih terperinciPerancangan dan Pembuatan Aplikasi Untuk Mengukur Efektivitas Produksi Berdasarkan Permintaan Pelanggan Dengan Metode Radial Basis Function
38 Perancangan dan Pembuatan Aplikasi Untuk Mengukur Efektivitas Produksi Berdasarkan Permintaan Pelanggan Dengan Metode Radial Basis Function Bagus Sayekti Sujatmiko Program Studi Sistem Informasi BagusBayekGilbert@gmail.com
Lebih terperinciBAB III PERANCANGAN SISTEM
BAB III PERANCANGAN SISTEM 3.1 Definisi Masalah Dalam beberapa tahun terakhir perkembangan Computer Vision terutama dalam bidang pengenalan wajah berkembang pesat, hal ini tidak terlepas dari pesatnya
Lebih terperinciJaringan syaraf dengan lapisan tunggal
Jaringan syaraf adalah merupakan salah satu representasi buatan dari otak manusia yang mencoba untuk mensimulasikan proses pembelajaran pada otak manusia. Syaraf manusia Jaringan syaraf dengan lapisan
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Waktu dan Tempat Penelitian Waktu yang digunakan dalam penelitian ini yaitu dalam kurun waktu enam bulan terhitung mulai februari 2012 sampai juli 2012. Tempat yang digunakan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Klasifikasi Klasifikasi adalah sebuah proses untuk menemukan sebuah model yang menjelaskan dan membedakan konsep atau kelas data dengan tujuan memperkirakan kelas dari suatu objek
Lebih terperinciSATIN Sains dan Teknologi Informasi
SATIN - Sains dan Teknologi Informasi, Vol. 2, No. 1, Juni 2015 SATIN Sains dan Teknologi Informasi journal homepage : http://jurnal.stmik-amik-riau.ac.id Jaringan Syaraf Tiruan untuk Memprediksi Prestasi
Lebih terperinciPERBAIKAN CITRA BER-NOISE MENGGUNAKAN SWITCHING MEDIAN FILTER DAN BOUNDARY DISCRIMINATIVE NOISE DETECTION
PERBAIKAN CITRA BER-NOISE MENGGUNAKAN SWITCHING MEDIAN FILTER DAN BOUNDARY DISCRIMINATIVE NOISE DETECTION Ahmad Saikhu, Nanik Suciati, Widhiantantri S. Jurusan Teknik Informatika, Fakultas Teknologi Informasi,
Lebih terperinciIMPLEMENTASI SEGMENTASI CITRA DAN ALGORITMA LEARNING VECTOR QUANTIZATION (LVQ) DALAM PENGENALAN BENTUK BOTOL
IMPLEMENTASI SEGMENTASI CITRA DAN ALGORITMA LEARNING VECTOR QUANTIZATION (LVQ) DALAM PENGENALAN BENTUK BOTOL Andri STMIK Mikroskil Jl. Thamrin No. 122, 124, 140 Medan 20212 andri@mikroskil.ac.id Abstrak
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 terperinciImplementasi Extreme Learning Machine untuk Pengenalan Objek Citra Digital
JURNAL SAINS DAN SENI IS Vol. 6, No.1, (2017) 2337-3520 (2301-928X Print) A 18 Implementasi Extreme Learning Machine untuk Pengenalan Objek Citra Digital Zulfa Afiq Fikriya, Mohammad Isa Irawan, dan Soetrisno
Lebih terperinciMODEL PEMBELAJARAN JARINGAN SYARAF TIRUAN UNTUK OTOMATISASI PENGEMUDIAN KENDARAAN BERODA TIGA
MODEL PEMBELAJARAN JARINGAN SYARAF TIRUAN UNTUK OTOMATISASI PENGEMUDIAN KENDARAAN BERODA TIGA Ramli e-mail:ramli.brt@gmail.com Dosen Tetap Amik Harapan Medan ABSTRAK Jaringan Syaraf Tiruan adalah pemrosesan
Lebih terperinciPERANCANGAN SISTEM PENGENALAN DAN PENYORTIRAN KARTU POS BERDASARKAN KODE POS DENGAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK
PERANCANGAN SISTEM PENGENALAN DAN PENYORTIRAN KARTU POS BERDASARKAN KODE POS DENGAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK OLEH ARIF MIFTAHU5R ROHMAN (2200 100 032) Pembimbing: Dr. Ir Djoko Purwanto, M.Eng,
Lebih terperinciSEGMENTASI CITRA MEDIK MRI (MAGNETIC RESONANCE IMAGING) MENGGUNAKAN METODE REGION THRESHOLD
SEGMENTASI CITRA MEDIK MRI (MAGNETIC RESONANCE IMAGING) MENGGUNAKAN METODE REGION THRESHOLD Murinto, Resa Fitria Rahmawati Program Studi Teknik Informatika Fakultas Teknologi Industri Universitas Ahmad
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 terperinciIDENTIFIKASI KEMATANGAN BUAH TOMAT MENGGUNAKAN METODA BACKPROPAGATION
IDENTIFIKASI KEMATANGAN BUAH TOMAT MENGGUNAKAN METODA BACKPROPAGATION Dila Deswari [1], Hendrick, MT. [2], Derisma, MT. [3] Jurusan Sistem Komputer, Fakultas Teknologi Informasi, Universitas Andalas [1][3]
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 terperinciPendeteksian Tepi Citra CT Scan dengan Menggunakan Laplacian of Gaussian (LOG) Nurhasanah *)
Pendeteksian Tepi Citra CT Scan dengan Menggunakan Laplacian of Gaussian (LOG) Nurhasanah *) *) Jurusan Fisika, FMIPA Universitas Tanjungpura Abstrak CT scan mampu menghasilkan citra organ internal (struktur
Lebih terperinciImplementasi Jaringan Syaraf Tiruan Backpropagation dan Steepest Descent untuk Prediksi Data Time Series
Implementasi Jaringan Syaraf Tiruan Backpropagation dan Steepest Descent untuk Prediksi Data Time Series Oleh: ABD. ROHIM (1206 100 058) Dosen Pembimbing: Prof. Dr. M. Isa Irawan, MT Jurusan Matematika
Lebih terperinciKLASIFIKASI KELAINAN JANTUNG ANAK MENGGUNAKAN JARINGAN SARAF TIRUAN ALGORITMA BACKPROPAGATION A B S T R A K
KLASIFIKASI KELAINAN JANTUNG ANAK MENGGUNAKAN JARINGAN SARAF TIRUAN ALGORITMA BACKPROPAGATION Oleh : Gunawan Abdillah, Agus Komarudin, Rachim Suherlan A B S T R A K Kelainan jantung anak merupakan salah
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Kecerdasan Buatan (Artificial Intelligence) Kecerdasan buatan (Artificial Intelligence) adalah bagian dari ilmu komputer yang mempelaari bagaimana membuat mesin (komputer) dapat
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 terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Jaringan Syaraf Tiruan (artificial neural network), atau disingkat JST menurut Hermawan (2006, hlm.37) adalah sistem komputasi dimana arsitektur dan operasi
Lebih terperinciPENGOLAHAN CITRA DIGITAL MENGGUNAKAN TEKNIK FILTERING ADAPTIVE NOISE REMOVAL PADA GAMBAR BERNOISE
PENGOLAHAN CITRA DIGITAL MENGGUNAKAN TEKNIK FILTERING ADAPTIVE NOISE REMOVAL PADA GAMBAR BERNOISE Aeri Rachmad Jurusan Teknik Informatika Fakultas Teknologi Informasi Institut Teknologi Adhi Tama Surabaya
Lebih terperinciLEARNING ARTIFICIAL INTELLIGENT
LEARNING ARTIFICIAL INTELLIGENT OUTLINE Decision tree learning Jaringan Syaraf Tiruan K-Nearest Neighborhood Naïve Bayes JARINGAN SYARAF TIRUAN (JST) Intro Definisi ANN Model Matematis Neuron Fungsi Aktivasi
Lebih terperinciPENGENALAN PLAT NOMOR KENDARAAN DALAM SEBUAH CITRA MENGUNAKAN JARINGAN SARAF TIRUAN ABSTRAK
PENGENALAN PLAT NOMOR KENDARAAN DALAM SEBUAH CITRA MENGUNAKAN JARINGAN SARAF TIRUAN Decy Nataliana [1], Sabat Anwari [2], Arief Hermawan [3] Jurusan Teknik Elektro Fakultas Teknologi Industri Institut
Lebih terperinciNEURAL NETWORK BAB II
BAB II II. Teori Dasar II.1 Konsep Jaringan Saraf Tiruan (Artificial Neural Network) Secara biologis jaringan saraf terdiri dari neuron-neuron yang saling berhubungan. Neuron merupakan unit struktural
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Jaringan Syaraf Biologi Jaringan Syaraf Tiruan merupakan suatu representasi buatan dari otak manusia yang dibuat agar dapat mensimulasikan apa yang dipejalari melalui proses pembelajaran
Lebih terperinciIdentifikasi Tumor Otak Menggunakan Jaringan Syaraf Tiruan Propagasi Balik pada Citra CT-Scan Otak Vinny Marita a, Nurhasanah a*, Iklas Sanubary a
Identifikasi Tumor Otak Menggunakan Jaringan Syaraf Tiruan Propagasi Balik pada Citra CT-Scan Otak Vinny Marita a, Nurhasanah a*, Iklas Sanubary a a Prodi Fisika, FMIPA Universitas Tanungpura, Jalan Prof.
Lebih terperinciSISTEM PAKAR DIAGNOSA PENYAKIT DEMAM BERDARAH DENGUE BERBASIS ANDROID MENGGUNAKAN JARINGAN SARAF TIRUAN
SISTEM PAKAR DIAGNOSA PENYAKIT DEMAM BERDARAH DENGUE BERBASIS ANDROID MENGGUNAKAN JARINGAN SARAF TIRUAN Ahyuna 1), Komang Aryasa 2) 1), 2) Jurusan Teknik Informatika, STMIK Dipanegara Makassar 3) Jl. Perintis
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 terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Melihat kondisi sebagian besar masyarakat Indonesia saat ini yang mengalami banyak tekanan baik dari segi ekonomi, politik, pekerjaan dan sebagainya, menyebabkan terjadinya
Lebih terperincilalu menghitung sinyal keluarannya menggunakan fungsi aktivasi,
LAMPIRAN 15 Lampiran 1 Algoritme Jaringan Syaraf Tiruan Propagasi Balik Standar Langkah 0: Inisialisasi bobot (bobot awal dengan nilai random yang paling kecil). Langkah 1: Menentukan maksimum epoch, target
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Citra Digital Citra digital adalah citra yang bersifat diskrit yang dapat diolah oleh computer. Citra ini dapat dihasilkan melalui kamera digital dan scanner ataupun citra yang
Lebih terperinciSebelumnya... Pembelajaran Mesin/Machine Learning Pembelajaran dengan Decision Tree (ID3) Teori Bayes dalam Pembelajaran
Sebelumnya... Pembelajaran Mesin/Machine Learning Pembelajaran dengan Decision Tree (ID3) Teori Bayes dalam Pembelajaran Kecerdasan Buatan Pertemuan 11 Jaringan Syaraf Tiruan (Artificial Neural Network)
Lebih terperinciAPLIKASI JARINGAN SARAF TIRUAN UNTUK INVENTARISASI LUAS SUMBER DAYA ALAM STUDI KASUS PULAU PARI
APLIKASI JARINGAN SARAF TIRUAN UNTUK INVENTARISASI LUAS SUMBER DAYA ALAM STUDI KASUS PULAU PARI Putri Khatami Rizki 1), Muchlisin Arief 2), Priadhana Edi Kresnha 3) 1), 2), 3) Teknik Informatika Fakultas
Lebih terperinciPENGENALAN POLA TANDA TANGAN MENGGUNAKAN METODE MOMEN INVARIAN DAN RADIAL BASIS FUNCTION (RBF)
PENGENALAN POLA TANDA TANGAN MENGGUNAKAN METODE MOMEN INVARIAN DAN RADIAL BASIS FUNCTION (RBF) AINUN JARIAH 1209201721 DOSEN PEMBIMBING 1. Prof. Dr. Mohammad Isa Irawan, M.T 2. Dr Imam Mukhlas, S.Si, M.T
Lebih terperinciDETEKSI JENIS KAYU CITRA FURNITURE UKIRAN JEPARA MENGGUNAKAN JST BACKPROPAGATION
No Makalah : 299 Konferensi Nasional Sistem Informasi 2012, STMIK - STIKOM Bali 23-25 Pebruari 2012 DETEKSI JENIS KAYU CITRA FURNITURE UKIRAN JEPARA MENGGUNAKAN JST BACKPROPAGATION Ratri Dwi Atmaja 1,
Lebih terperinciANALISIS FUNGSI AKTIVASI SIGMOID BINER DAN SIGMOID BIPOLAR DALAM ALGORITMA BACKPROPAGATION PADA PREDIKSI KEMAMPUAN SISWA
ANALISIS FUNGSI AKTIVASI SIGMOID BINER DAN SIGMOID BIPOLAR DALAM ALGORITMA BACKPROPAGATION PADA PREDIKSI KEMAMPUAN SISWA Julpan 1 *, Erna Budhiarti Nababan 1 & Muhammad Zarlis 1 1 Program S2 Teknik Informatika
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 terperinciRANCANG BANGUN TOOL UNTUK JARINGAN SYARAF TIRUAN (JST) MODEL PERCEPTRON
RANCANG BANGUN TOOL UNTUK JARINGAN SYARAF TIRUAN (JST) MODEL PERCEPTRON Liza Afriyanti Laboratorium Komputasi dan Sistem Cerdas Jurusan Teknik Informatika, Fakultas Teknologi Industri,Universitas Islam
Lebih terperinciPENGENALAN HURUF MENGGUNAKAN MODEL JARINGAN SARAF TIRUAN RADIAL BASIS FUNCTION DENGAN RANDOMIZE CLUSTER DECISION
PENGENALAN HURUF MENGGUNAKAN MODEL JARINGAN SARAF TIRUAN RADIAL BASIS FUNCTION DENGAN RANDOMIZE CLUSTER DECISION Muhammad Erwin Ashari Haryono Laboratorium Pemrograman dan Informatika Teori, Teknik Informatika
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN
32 BAB III ANALISIS DAN PERANCANGAN Pada bab ini akan dibahas tentang analisis sistem melalui pendekatan secara terstruktur dan perancangan yang akan dibangun dengan tujuan menghasilkan model atau representasi
Lebih terperinciFarah Zakiyah Rahmanti
Farah Zakiyah Rahmanti Latar Belakang Struktur Dasar Jaringan Syaraf Manusia Konsep Dasar Permodelan JST Fungsi Aktivasi JST Contoh dan Program Jaringan Sederhana Metode Pelatihan Supervised Learning Unsupervised
Lebih terperinciJurnal Ilmiah Komputer dan Informatika (KOMPUTA) IMPLEMENTASI JARINGAN SYARAF TIRUAN BACKPROPAGATION UNTUK MENGENALI MOTIF BATIK
IMPLEMENTASI JARINGAN SYARAF TIRUAN BACKPROPAGATION UNTUK MENGENALI MOTIF BATIK Fany Hermawan Teknik Informatika Universitas Komputer Indonesia Jl. Dipatiukur 112-114 Bandung E-mail : evan.hawan@gmail.com
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI VOLUME PEMAKAIAN AIR BERSIH DI KOTA PONTIANAK
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI VOLUME PEMAKAIAN AIR BERSIH DI KOTA PONTIANAK [1] Meishytah Eka Aprilianti, [2] Dedi Triyanto, [3] Ilhamsyah [1] [2] [3] Jurusan Sistem Komputer, Fakultas
Lebih 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 terperinciPERANCANGAN APLIKASI MENGIDENTIFIKASI PENYAKIT MATA DENGAN MENGGUNAKAN METODE BACKPROPAGATION
Jurnal Riset Komputer (JURIKOM), Volume : 3, Nomor:, Februari 206 ISSN : 2407-389X PERANCANGAN APLIKASI MENGIDENTIFIKASI PENYAKIT MATA DENGAN MENGGUNAKAN METODE BACKPROPAGATION Fahmi Hasobaran Dalimunthe
Lebih terperinciArchitecture Net, Simple Neural Net
Architecture Net, Simple Neural Net 1 Materi 1. Model Neuron JST 2. Arsitektur JST 3. Jenis Arsitektur JST 4. MsCulloh Pitts 5. Jaringan Hebb 2 Model Neuron JST X1 W1 z n wi xi; i1 y H ( z) Y1 X2 Y2 W2
Lebih terperinciPenggunaan Jaringan Syaraf Tiruanuntuk Membaca Karakter pada Formulir Nilai Mata Kuliah
Vol. 14, No. 1, 61-68, Juli 2017 Penggunaan Jaringan Syaraf Tiruanuntuk Membaca Karakter pada Formulir Nilai Mata Kuliah La Surimi, Hendra, Diaraya Abstrak Jaringan syaraf tiruan (JST) telah banyak diaplikasikan
Lebih terperinciPREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
PREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Siti Amiroch Universitas Islam Darul Ulum Lamongan, amirast_117@yahoo.com Abstract. In the stock market, stock price prediction is
Lebih terperinciBAB I PENDAHULUAN. darah. Penyakit Jantung (cardiovascular disease) adalah setiap kondisi yang
BAB I PENDAHULUAN A. Latar Belakang Masalah Jantung merupakan organ tubuh yang paling fungsional karena peranannya sebagai pemompa darah agar dapat mengalir ke seluruh tubuh melalui pembuluh darah. Penyakit
Lebih terperinciPerbandingan Arsitektur Multilayer Feedforward Network dengan memakai Topologi Multiprosesor Ring Array Dan Linear Array
Nico Saputro Perbandingan Arsitektur Multilayer Feedforard Netork dengan memakai Topologi Multiprosesor Ring Array Dan Linear Array Abstrak Jaringan Syaraf Tiruan dapat diimplementasikan secara perangkat
Lebih terperinciIMPLEMENTASI JARINGAN SYARAF TIRUAN MULTI LAYER FEEDFORWARD DENGAN ALGORITMA BACKPROPAGATION SEBAGAI ESTIMASI NILAI KURS JUAL SGD-IDR
Seminar Nasional Teknologi Informasi dan Multimedia 205 STMIK AMIKOM Yogyakarta, 6-8 Februari 205 IMPLEMENTASI JARINGAN SYARAF TIRUAN MULTI LAYER FEEDFORWARD DENGAN ALGORITMA BACKPROPAGATION SEBAGAI ESTIMASI
Lebih terperinciIDENTIFIKASI KEASLIAN MATA UANG RUPIAH MELALUI INVISIBLE INK BERBASIS FOURIER TRANSFORM MENGGUNAKAN NEURAL LEARNING VECTOR QUANTIZATION
IDENTIFIKASI KEASLIAN MATA UANG RUPIAH MELALUI INVISIBLE INK BERBASIS FOURIER TRANSFORM MENGGUNAKAN NEURAL LEARNING VECTOR QUANTIZATION Yusron Rijal Jurusan Sistem Informasi STIKOMP SURABAYA, email: yusron@stikom.edu
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 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 terperinciABSTRAK. Pemodelan Kecerdasan Buatan Untuk Pengenalan Citra Elektrokardiografi (EKG) Oleh: Imam Tazi, M.Si
1 ABSTRAK Pemodelan Kecerdasan Buatan Untuk Pengenalan Citra Elektrokardiografi (EKG) Oleh: Imam Tazi, M.Si Penelitian kecerdasan buatan untuk mengenali pola semakin banyak dilakukan dan dibutuhkan. Pada
Lebih terperinciIdentifikasi Unsur-unsur Radioaktif dengan Menggunakan Jaringan Syaraf Tiruan
Identifikasi Unsur-unsur Radioaktif dengan Menggunakan Jaringan Syaraf Tiruan Rokhmadi 1 dan R. Muhammad Subekti 1 1. Pusat Pengembangan Teknologi Reaktor Riset (P2TRR) BATAN, Serpong Abstrak Jaringan
Lebih terperinci