Bulu mata. Generalisasi= Jumlah pola dikenali dengan benar x 100% Jumlah total pola
|
|
- Hadi Sasmita
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Generalisasi Hasil penelitian ini diukur menggunakan nilai konvergen dan generalisasi. Nilai konvergen adalah tingkat kecepatan jaringan untuk mempelajari pola input yang dinyatakan dalam satuan iterasi atau waktu komputasi (Cahyaningtias 2007). Dalam penelitian ini, nilai generalisasi digunakan untuk menghitung kinerja syaraf tiruan backpropagation untuk melakukan pengenalan pola iris mata. Nilai generalisasi dapat dihitung dengan persamaan (Cahyaningtias 2007): Generalisasi= Jumlah pola dikenali dengan benar x 100% Jumlah total pola Lingkungan Pengembangan Sistem Perangkat keras yang digunakan adalah personal computer dengan prosesor Intel Celeron 1.7 GHz dan RAM 512 MB. Perangkat lunak yang digunakan dalam penelitian ini adalah sistem operasi Microsoft Windows XP Professional dan aplikasi pemrograman Matlab 7.0 dengan wavelet toolbox dan neural network toolbox, dan iricode.zip yang diunduh dari s/libor/sourcecode.html untuk proses normalisasi. HASIL DAN PEMBAHASAN Segmentasi dan Normalisasi Citra mata pada penelitian ini akan mengalami praproses sebelum dilakukan pengenalan pola. Citra mata disegmentasi untuk lokalisasi daerah collarette pada iris dan kemudian dinormalisasi dari koordinat kartesian ke koordinat polar. Hasil segmentasi dan normalisasi dapat dilihat pada Gambar 6. Hasil segmentasi berupa titik koordinat dan jari-jari pupil serta daerah pada iris. Pada proses segmentasi, hasil sangat dipengaruhi oleh ketepatan pemberian nilai threshold untuk menentukan kandidat wilayah pupil pada citra mata. Intensitas kecerahan pada citra tidak sama, sehingga citra yang memiliki intensitas cahaya kurang akan mendapatkan nilai threshold yang lebih rendah sedangkan citra yang memiliki intensitas tinggi akan mendapatkan nilai threshold yang lebih tinggi, pencarian nilai threshold didapat berdasarkan jumlah persentase daerah gelap setelah dilakukan pemberian nilai threshold awal. Tahapan proses segmentasi terdiri dari: thresholding (Gambar 6b), pemilihan wilayah pupil (Gambar 6c), dan pencarian koordinat dan jari-jari wilayah pupil (Gambar 6d). Pada proses thresholding masalah yang terjadi tidak hanya karena intensitas cahaya pada citra, tetapi juga karena bulu mata dan kelopak mata. Bulu mata yang terlalu panjang dan tebal sampai menutupi pupil mengakibatkan hasil threshold menjadi kurang baik, sehingga ketika pemilihan wilayah untuk daerah pupil bulu mata ikut menjadi wilayah pupil. Bulu mata yang terlalu tebal akan menyebabkan kesalahan pada pemilihan wilayah pupil. Hasil dari thresholding adalah template citra mata yang terdiri dari beberapa wilayah atau objek. Objek adalah wilayah yang bernilai 1 sedangkan pemisah antara objek bernilai 0. Wilayah pupil didapat dari objek terluas dari template citra. Setelah itu, template citra hanya terdiri dari satu objek yang diharapkan yaitu pupil. (a) (c) Bulu mata (e) (b) (d) (f) Gambar 6 Proses segementasi (a) citra mata sebelum segmentasi, (b) hasil thresholding, (c) pemilihan wilayah pupil, (d) hasil segmentasi, hasil normalisasi sebelum (e) dan sesudah (f) deteksi noise. Pencarian koordinat pupil dilakukan dengan pengecekan antara persimpangan garis vertikal dengan garis horizontal. Pencarian akan terus berlangsung hingga menemukan kondisi ideal di daerah tengah pupil ilustrasi dapat dilihat pada Gambar 7 x 0 dan y 0 adalah garis vertikal dan horizontal, sedangkan x 1, x 2, y 1, dan y 2 adalah batas wilayah pupil. Persimpangan antara garis vertikal dan horizontal adalah koordinat pupil yaitu (x 0, y 0 ), sedangkan diameter pupil didapat dari selisih antara y 2 dan y 1 atau x 2 dan x 1. Selisih yang terpanjang 6
2 dianggap sebagai diameter pupil. Jari-jari pupil didapat dari diameter pupil dibagi dua. Gambar 7 Ilustrasi pencarian koordinat pupil Kelopak mata merupakan noise untuk proses pengenalan iris ini. Akan tetapi pada penelitian ini, kelopak mata tidak dideteksi sebagai noise sehingga kelopak mata yang menghalangi iris atau menghalangi pupil akan ikut pada proses normalisasi. Contoh hasil segmentasi yang tidak tepat terdapat pada Gambar 8. Penyebab kesalahan tersebut dikarenakan bulu mata yang menutupi pupil sehingga ketika proses pemilihan wilayah sebagian bulu mata masuk menjadi wilayah pupil akhirnya terjadi kesalahan pada proses pencarian koordinat dan jari-jari pupil. Gambar 8 Hasil segmentasi yang tidak tepat. Hasil segmentasi yang berupa koordinat dan jari-jari pupil dan daerah collarette pada iris akan menjadi masukan untuk proses selanjutnya yaitu normalisasi citra. Proses normalisasi ini bertujuan memetakan kembali daerah collarette dari koordinat kartesian ke dalam koordinat polar dan juga menyamakan dimensi citra hasil normalisasi ke dalam dimensi yang sama yaitu piksel. Data citra yang telah dinormalisasi akan mengalami proses transformasi wavelet dengan Haar sebagai induk wavelet. Data akan didekomposisi sampai dengan level empat. Detail dimensi citra hasil dekomposisi tiap level dapat dilihat pada Tabel 2. Kinerja jaringan syaraf tiruan pada percobaan ini akan dinilai berdasarkan tiap level dekomposisi. Setiap level dekomposisi akan dikombinasikan sejumlah hidden neuron terhadap laju pelatihan dan momentum. Secara lengkap seluruh hasil percobaan dapat dilihat pada Lampiran 3. Tabel 2 Level Dekomposisi Level 0 (citra asli) Level 1 Level 2 Level 3 Level 4 Pengenalan Iris Mata Detail dimensi citra tiap level dekomposisi Dimensi Citra 20x240 piksel 10x120 piksel 5x60 piksel 3x30 piksel 2x15 piksel Setelah transformasi wavelet pada level dekomposisi tertentu, dilakukan normalisasi data. Normalisasi data sangat penting untuk proses jaringan syaraf tiruan yang bertujuan agar nilai data masukan sebanding dengan nilai keluaran. Pada Matlab digunakan fungsi premnmx, fungsi ini bertujuan untuk menormalisasikan data pada range antara -1 dan 1 sehingga nilai masukan tidak kurang dari -1 dan tidak lebih dari 1. Masukan pada jaringan syaraf tiruan berupa data yang telah dinormalisasi. Ada dua tipe data masukan yaitu data latih dan data uji. Data latih dan data uji terdiri dari lima tipe yang dihasilkan dari proses transformasi empat level dekomposisi wavelet dan satu tipe sebelum proses dekomposisi wavelet. Setiap level merupakan representasi dari setiap tipe data latih dan data uji. Normalisasi pada data latih akan menghasilkan data latih yang telah dinormalisasi dan nilai minimum dan maksimum pada setiap peubah atau piksel pada data latih. Nilai minimum dan maksimum hasil dari normalisasi data latih akan digunakan untuk normalisasi pada data uji. Pada matlab fungsi yang digunakan adalah tramnmx. Fungsi tramnmx digunakan setelah menggunakan fungsi premnmx yang bertujuan untuk normalisasi pada data yang baru atau data uji. Pelatihan menggunakan berbagai kombinasi dengan parameter-parameter yang telah dijelaskan sebelumnya. Pada pelatihan menggunakan target yang telah ditentukan untuk merepresentasikan kelas-kelas pada data latih yang menjadi masukan pada lapisan masukan pada model jaringan syaraf tiruan. Pengujian dilakukan pada model jaringan syaraf tiruan yang telah dibangun pada proses pelatihan. Data uji akan menjadi masukan pada model jaringan syaraf tiruan yang telah mengalami proses pelatihan dengan data latih. Hasilnya adalah berupa keluaran yang mendekati nilai dari kelas tertentu. Sistem akan 7
3 memilih kelas mana pada data uji yang diujikan berdasarkan kedekatannya terhadap target yang telah didefinisikan. Hasil pelatihan terbaik pada masing-masing level dekomposisi wavelet dapat dilihat pada Tabel 3. Hasil pelatihan terbaik terdapat pada dekomposisi wavelet level 2 dengan toleransi kesalahan sebesar yang merupakan minimum toleransi kesalahan. Hasil generalisasi terbaik pada penelitian ini terdapat pada tabel nomor 9 dengan kombinasi hidden neuron berjumlah 90 α 0.05 µ 0.5 dengan akurasi data uji sebesar 94.58%. Fungsi aktivasi sigmoid biner (logsig) merupakan fungsi yang memiliki range antara 0 dan 1 ini sebanding dengan masukan dan keluaran pada jaringan syaraf tiruan dimana range masukan antara -1 dan 1. Nilai masukan yang masuk pada lapisan masukan akan mengeluarkan keluaran pada lapisan tersembunyi dengan nilai antara 0 dan 1 dikarenakan pada lapisan tersembunyi menggunakan fungsi aktivasi sigmoid biner. Begitu pula dengan keluarannya yang merupakan rentang nilai antara 0 dan 1 dengan fungsi aktivasi sigmoid biner. Masukan dan keluaran pada model jaringan syaraf tiruan yang sebanding akan mempercepat proses pelatihan. Jumlah hidden neuron sangat mempengaruhi kinerja jaringan syaraf tiruan. Pada hasil penelitian ini menunjukan bahwa semakin banyak jumlah hidden neuron akan menghasilkan model jaringan syaraf tiruan yang baik. Penentuan jumlah iterasi dilihat dari struktur pelatihan jaringan. Jika jumlah hidden neuron banyak, maka iterasi pada pelatihan tidak banyak sehingga memori yang digunakan personal computer (PC) tidak terlalu besar. Semakin banyak jumlah hidden nueron, semakin banyak komputasi sehingga semakin besar memori PC yang digunakan dan akan semakin lama waktu yang ditempuh untuk mencapai minimum toleransi kesalahan. Tabel 3 Hasil pelatihan terbaik dari masing-masing level dekomposisi wavelet No α µ Akurasi Data Uji (%) Toleransi Kesalahan Waktu (s) Hidden neuron Iterasi Level Keterangan goal goal goal goal goal goal goal goal goal iterasi iterasi goal iterasi iterasi gradient Hasil pelatihan terendah pada masingmasing level dekomposisi wavelet dapat dilihat pada Tabel 4. Hasil akurasi terendah terdapat pada Tabel 4 nomor 13, 14, dan 15 yang terdapat pada level dekomposisi terendah yaitu level empat, nilai akurasi sebesar 0 % untuk seluruh data dengan α 0.1 dan µ 0.7 dengan jumlah hidden neuron sebanyak 10 atau dengan α 0.5 dan µ 0.5 dengan jumlah hidden neuron sebanyak 50. 8
4 Pada setiap level dekomposisi wavelet kecuali level empat nilai akurasi terendah terjadi ketika hidden neuron berjumlah 10, sedangkan pada level empat hasil terendah merata disetiap jumlah hidden neuron yang diujikan. Berdasarkan berbagai percobaan yang telah dilakukan, ternyata jumlah hidden neuron sangat mempengaruhi nilai akurasi pada jaringan syaraf tiruan pada setiap level dekomposisi wavelet. Waktu rata-rata komputasi tercepat terdapat pada dekomposisi wavelet level 4 yaitu 1.34 menit dikarenakan jumlah neruon masukan berkurang akibat dekomposisi wavelet di mana ukuran citra menjadi 2 15, artinya terdapat 30 neuron masukan pada model jaringan syaraf tiruan tersebut. Jumlah neuron masukan yang sedikit akan mengurangi proses komputasi yang terjadi pada PC sehingga waktu komputasi pun akan semakin cepat, tetapi hasil generasilasi menjadi rendah, karena banyaknya penyusutan informasi yang menyebaban proses pelatihan pada jaringan menjadi terganggu ini dibuktikan terhentinya proses pelatihan dikarenakan gradient telah mencapai target, artinya sudah mencapai nilai minimum toleransi kesalahan. Tabel 4 Hasil pelatihan terendah dari masing-masing level dekomposisi wavelet No α µ Akurasi Data uji (%) Toleransi Kesalahan Waktu (s) Hidden neuron Iterasi Level Keterangan iterasi iterasi iterasi iterasi iterasi iterasi iterasi iterasi iterasi iterasi iterasi iterasi gradient gradient gradient K-Fold Cross Validation Parameter optimal yang didapat pada percobaan tiap level dekomposisi wavelet akan digunakan untuk percobaan k-fold cross validation dengan k = 5 yang menghasilkan lima buah subset (1 5). Setiap subset terdiri atas 120 data dengan setiap kelas diwakili dua data. Lima subset tersebut digunakan dalam tahap pelatihan dan pengujian. Grup percobaan berjumlah 5 dengan 5 kali percobaan. Pada percobaan pertama akan digunakan subset satu sampai subset empat sebagai data latih dan subset lima sebagai data uji. Percobaan kedua akan ditukur subset lima menjadi data latih dan subset empat menjadi data uji, dan begitu seterusnya hingga lima kali percobaan. Pada percobaan ini tiap level dekomposisi wavelet menggunakan parameter-parameter optimal yang telah didapat pada percobaan sebelumnya. Seluruh hasil percobaan dengan k- fold cross validation dapat dilihat pada Lampiran 4. Percobaan pada level dekomposisi 0 tingkat akurasi rata-rata untuk data latih sebesar 99.54% dan data uji sebesar 87.50%. Percobaan pada level dekomposisi 1 tingkat akurasi rata-rata untuk data latih sebesar 9
5 99.75% dan data uji sebesar 90.83%. Percobaan pada level dekomposisi 2 tingkat akurasi ratarata untuk data latih sebesar 99.75% dan data uji sebesar 94.83%. Percobaan pada level dekomposisi 3 tingkat akurasi rata-rata untuk data latih sebesar 97.79% dan data uji sebesar 92.67%. Percobaan pada level dekomposisi 4 tingkat akurasi rata-rata untuk data latih sebesar 90.33% dan data uji sebesar 77.16%. Grafik akurasi rata-rata tiap level dekomposisi wavelet untuk 5-fold cross validation dapat dilihat pada Gambar 9. Generalisasi (%) data latih data uji Gambar 9 Grafik akurasi rata-rata dengan 5- fold cross validation. Perbandingan Generalisasi Berdasarkan percobaan dengan k-fold cross validation nilai generalisasi tertinggi terdapat pada dekomposisi wavelet level 2. Pada dekomposisi wavelet level 2 nilai generalisasi rata-rata untuk data uji sebesar 94.83%, dan data latih sebesar 99.75%. Semakin tinggi dekomposisi wavelet level mengalami penurunan generalasisi secara umum karena pada tiap level proses dekomposisi wavelet terdapat informasi yang berkurang, semakin tinggi level maka akan semakin banyak informasi yang berkurang, tapi pada dekomposisi wavelet level 0 hingga level 2 meningkat seiring meningkatnya level dekomposisi wavelet. Penilaian model jaringan syaraf tiruan yang efektif dan efisien dapat diuji dengan uji-t berpasangan dimana setiap level dekomposisi wavelet dianggap sebagai perlakuan yang berbeda dan setiap percobaan pada k-fold cross validation sebagai data hasil dari perlakuan pada setiap level dekomposisi wevelet. Terdapat 5 perlakuan yang diujikan, berarti terdapat 10 kombinasi pasangan untuk pengujian uji-t berpasangan. Hasil pengujian uji-t berpasangan untuk seluruh kombinasi dapat dilihat pada Gambar 9. Garis lurus yang menghubungkan antara level dekomposisi wavelet satu dengan yang lain menandakan antara dekomposisi wavelet level tertentu memperoleh hasil hipotesis H 0 diterima dan yang tidak terdapat garis lurus menandakan hipotesis H 0 ditolak. Berdasarkan pengujian dengan uji-t berpasangan dari 10 kombinasi terdapat 2 kombinasi yang dinyatakan hipotesis H 0 diterima. Hipotesis H 0 artinya perbedaan antara dua pengamatan adalah 0. Hipotesis H 0 diterima artinya bahwa pada percobaan tersebut antara kedua perlakuan tidak menghasilkan perbedaan hasil akurasi yang signifikan dengan tingkat kepercayaan 95%. Sedangkan hipotesis H 0 ditolak berarti antara kedua perlakuan tersebut menghasilkan perbedaan hasil akurasi yang signifikan dengan tingkat kepercayaan 95%. Gambar 10 Hasil uji-t berpasangan. Level 2 memiliki akurasi tertinggi sehingga yang akan dilihat adalah perbedaan perlakuan antara level 2 dengan level yang lain dan memperoleh hasil hipotesis H 0 diterima, yaitu pada dekomposisi wavelet level 2 dengan dekomposisi wavelet level 3. Jadi, perlakuan antara dekomposisi wavelet level 2 dengan dekomposisi wavelet 3 tidak memiliki perbedaan hasil akurasi yang signifikan. Ratarata waktu pelatihan pada dekomposisi wavelet level 2 sebesar detik dan rata-rata waktu pelatihan dekomposisi wavelet level 3 sebesar detik. Berdasarkan waktu pelatihannya dekomposisi wavelet level 3 lebih cepat sehingga generalisasi yang efektif dan efisien terdapat pada dekomposisi wavelet level 3. Perbandingan Konvergensi Konvergensi jaringan syaraf tiruan diukur dengan satuan iterasi dan atau waktu komputasi. Grafik perbandingan rata-rata jumlah iterasi terhadap setiap level dekomposisi pada seluruh percobaaan jaringan syaraf tiruan terdapat pada Gambar 10. Iterasi Gambar 11 Grafik perbandingan jumlah iterasi. 10
6 Berdasarkan grafik pada Gambar 11, peningkatan level dekomposisi menyebabkan meningkat iterasi. Peningkatan ini disebabkan karena informasi pada data berkurang setelah mengalami dekomposisi wavelet sehingga konvergensi menuju suatu nilai minimum toleransi kesalahan meningkatkan jumlah iterasi yang harus dilakukan. Waktu Pelatihan (s) Gambar 12 Grafik Perbandingan waktu komputasi. Grafik perbandingan waktu rata-rata komputasi pada seluruh percobaaan jaringan syaraf tiruan pada setiap level dekomposisi wavelet terdapat pada Gambar 12. Waktu komputasi menurun seiring dengan meningkatnya level dekomposisi wavelet. Jumlah neuron masukan akan berkurang seiring dengan berkurangannya ukuran citra dikarenakan proses dekomposisi wavelet. Level dekomposisi yang semakin kecil menyebabkan dimensi citra mengecil sehingga masukan pada jaringan syaraf tiruan semakin sedikit dan proses komputasi pun menjadi lebih cepat. Kesimpulan KESIMPULAN DAN SARAN Dari percobaan yang dilakukan pada penelitian ini diperoleh kesimpulan sebagai berikut: 1. pada proses segementasi menggunakan teknik thresholding, dihasilkan segementasi yang baik dengan nilai threshold tergantung pada intensitas kecerahan pada citra serta noise yang berada disekitar iris dan pupil. 2. generalisasi yang efektif dan efisien terdapat pada dekomposisi wavelet level 3 dengan akurasi pada data uji sebesar 92.67% dengan waktu pelatihan selama detik. 3. kombinasi laju pembelajaran dengan momentum yang tepat akan menghasilkan model jaringan syaraf tiruan yang efektif. 4. peningkatan jumlah hidden neuron akan meningkatkan kinerja jaringan syaraf tiruan. Saran Saran-saran bagi penelitian lebih lanjut antara lain: 1. penggunaan deteksi Canny dan Circle Hough transform untuk proses segmentasi iris mata. 2. implementasi sistem pengenalan secara online. DAFTAR PUSTAKA Acharya T, Ray AK Image Processing Principles and Aplication. New Jersey: Wiley. Cahyaningtias T Pengenalan Wajah dengan Praproses Transformasi Wavelet [Skripsi]. Bogor: Departemen Ilmu Komputer, FMIPA, Institut Pertanian Bogor. Daugman J How Iris Recognition Works. Proceedings of 2002 International Conference on Image Processing; Rochester, New York, Sep vol 1 hlm I-1-I-36. Fausett L Fundamental of Neural Network Architectures, Algorithms and Aplication. New Jersey: Prentice Hall. Kohavi R A study of cross-validation and bootstrap for accuracy estimation and model selection. Proceedings of the 14th International Joint Conference on Artificial Intelligence; Quebec, Agu hlm Masek L Recognition Iris Patterns for Biometric Identification [Thesis]. Australia: The School Computer Science and Software Engineering, The University of Western Australia. Oktabroni I Pengenalan Sidik Jari Menggunakan Resilient Back propagation Neural Network dengan Praproses Transformasi Wavelet [Skripsi]. Bogor: Departemen Ilmu Komputer, FMIPA, Institut Pertanian Bogor. Porwik P, Lisowska, A The Haar- Wavelet Transform in Digital Image Processing: Its Status and Achievements. Machine Graphics and Vision 13: Shah S, Ros A Generating Synthetic Irises By Feature Agglomeration. IEEE International Conference on Image Processing; Atlanta, 8-11 Okt hlm
HASIL DAN PEMBAHASAN. Generalisasi =
6 Kelas Target Sidik jari individu 5 0000100000 Sidik jari individu 6 0000010000 Sidik jari individu 7 0000001000 Sidik jari individu 8 0000000100 Sidik jari individu 9 0000000010 Sidik jari individu 10
Lebih terperinciHardisk 80 GB Perangkat lunak Window XP Profesional MATLAB 7.0.1
Hardisk 8 GB Perangkat lunak Window XP Profesional MATLAB 7..1 HASIL DAN PEMBAHASAN Percobaan yang dilakukan pada penelitian ini terdiri atas dua macam, yaitu citra yang akan mengalami proses pengenalan
Lebih terperinciHASIL DAN PEMBAHASAN. Gambar 3 Ilustrasi pencarian titik pusat dan jari-jari pupil. Segmentasi
4 Perangkat keras berupa Notebook: Processor intel Core i3 2.2 GHz. RAM kapasitas 2. GB. Harddisk Kapasitas 5 GB. Monitor pada resolusi 1366 x 768 piksel. Merek Acer Aspire 475. Perangkat lunak berupa:
Lebih terperinciEVALUASI PENGARUH FUNGSI AKTIFASI DAN PARAMETER KEMIRINGANNYA TERHADAP UNJUKKERJA PENGENALAN JARINGAN SYARAF TIRUAN
EVALUASI PENGARUH FUNGSI AKTIFASI DAN PARAMETER KEMIRINGANNYA TERHADAP UNJUKKERJA PENGENALAN JARINGAN SYARAF TIRUAN (Studi Kasus pada Pengenalan Karakter Angka Tulisan Tangan) Iwan Suhardi Jurusan Teknik
Lebih terperinciTOLERANSI UNJUK PENGENALAN JARINGAN SYARAF TIRUAN PADA PENAMBAHAN DERAU DAN SUDUT PUTARAN TERHADAP POLA KARAKTER TULISAN TANGAN JENIS ANGKA
Iwan Suhardi, Toleransi Jaringan Syaraf Tiruan TOLERANSI UNJUK PENGENALAN JARINGAN SYARAF TIRUAN PADA PENAMBAHAN DERAU DAN SUDUT PUTARAN TERHADAP POLA KARAKTER TULISAN TANGAN JENIS ANGKA Iwan Suhardi Jurusan
Lebih terperinciTOLERANSI UNJUK PENGENALAN JARINGAN SYARAF TIRUAN PADA PENAMBAHAN DERAU DAN SUDUT PUTARAN TERHADAP POLA KARAKTER TULISAN TANGAN JENIS ANGKA
Iwan Suhardi, Toleransi Jaringan Syaraf Tiruan TOLERANSI UNJUK PENGENALAN JARINGAN SYARAF TIRUAN PADA PENAMBAHAN DERAU DAN SUDUT PUTARAN TERHADAP POLA KARAKTER TULISAN TANGAN JENIS ANGKA Iwan Suhardi Jurusan
Lebih terperinciKarakteristik Spesifikasi
Sinyal yang masuk difilter ke dalam sinyal frekuensi rendah (low-pass filter) dan sinyal frekuensi tinggi (high-pass filter) Lakukan downsampling pada kedua sinyal tersebut Low-pass frekuensi hasil downsampling
Lebih 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 terperinciKelas. Kelas. p q r s t u v w x y Level Transformasi.
Fitur yang digunakan untuk pelatihan pada algoritme VFI5 diperoleh dari tiap-tiap piksel pada citra tanda tangan. Fitur pada pelatihan yang semula berupa matriks berukuran 3 4 piksel disusun menjadi matriks
Lebih terperinciMETODOLOGI PENELITIAN
18 METODOLOGI PENELITIAN Kerangka Penelitian Sistem pengenalan roda kendaraan pada penelitian ini tampak pada Gambar 10, secara garis besar dapat dibagi menjadi dua tahapan utama yaitu, tahapan pelatihan
Lebih terperinciANALISIS HUBUNGAN ANTARA TINGKAT PENGENALAN JARINGAN SYARAF TIRUAN DENGAN BANYAKNYA JUMLAH KELAS POLA YANG DIKENALI DAN TINGKAT KERUMITAN POLANYA
ISSN: 1693-6930 159 ANALISIS HUBUNGAN ANTARA TINGKAT PENGENALAN JARINGAN SYARAF TIRUAN DENGAN BANYAKNYA JUMLAH KELAS POLA YANG DIKENALI DAN TINGKAT KERUMITAN POLANYA Iwan Suhardi, Riana T. Mangesa Jurusan
Lebih terperincii. Perangkat Keras Prosesor Intel Pentium(R) Dual-Core CPU 2.20 GHz
Data yang pada awalnya berupa chanel stereo diubah ke dalam chanel mono. Kemudian data tersebut disimpan dengan file berekstensi WAV. Praproses Pada tahap ini dilakukan ekstraksi ciri menggunakan metode
Lebih terperinciGeneralisasi rata-rata (%)
Lingkungan Pengembangan Sistem Sistem dikembangkan menggunakan kompiler Matlab R2008b dan sistem operasi Windows 7. Spesifikasi hardware komputer yang digunakan adalah Processor Intel (R) Atom (TM) CPU
Lebih terperinciIMPLEMENTASI PENTERJEMAH KODE ISYARAT TANGAN MENGGUNAKAN ANALISIS DETEKSI TEPI PADA ARM 11 OK6410B
IMPLEMENTASI PENTERJEMAH KODE ISYARAT TANGAN MENGGUNAKAN ANALISIS DETEKSI TEPI PADA ARM 11 OK6410B Heri Setiawan, Iwan Setyawan, Saptadi Nugroho IMPLEMENTASI PENTERJEMAH KODE ISYARAT TANGAN MENGGUNAKAN
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 terperinciPENGENALAN HURUF DAN ANGKA PADA CITRA BITMAP DENGAN JARINGAN SARAF TIRUAN METODE PROPAGASI BALIK
PENGENALAN HURUF DAN ANGKA PADA CITRA BITMAP DENGAN JARINGAN SARAF TIRUAN METODE PROPAGASI BALIK Naskah Publikasi disusun oleh Zul Chaedir 05.11.0999 Kepada SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER
Lebih terperinciANALISIS HUBUNGAN TINGKAT PENGENALAN POLA DENGAN TINGKAT VARIASI POLA : STUDI KASUS PENGENALAN POLA KARAKTER HURUF DENGAN JARINGAN SYARAF TIRUAN)
ISSN: 1693-6930 1 ANALISIS HUBUNGAN TINGKAT PENGENALAN POLA DENGAN TINGKAT VARIASI POLA : STUDI KASUS PENGENALAN POLA KARAKTER HURUF DENGAN JARINGAN SYARAF TIRUAN) Iwan Suhardi Jurusan Teknik Elektro Fakultas
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 terperinciGambar 15 Contoh pembagian citra di dalam sistem segmentasi.
dalam contoh ini variance bernilai 2000 I p I t 2 = (200-150) 2 + (150-180) 2 + (250-120) I p I t 2 = 28400. D p (t) = exp(-28400/2*2000) D p (t) = 8.251 x 10-4. Untuk bobot t-link {p, t} dengan p merupakan
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN 3.1. Data Yang Digunakan Dalam melakukan penelitian ini, penulis membutuhkan data input dalam proses jaringan saraf tiruan backpropagation. Data tersebut akan digunakan sebagai
Lebih 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 terperinciPENGENALAN CITRA WAJAH DENGAN MENGGUNAKAN TRANSFORMASI WAVELET DISKRIT DAN JARINGAN SARAF TIRUAN BACK-PROPAGATION
PENGENALAN CITRA WAJAH DENGAN MENGGUNAKAN TRANSFORMASI WAVELET DISKRIT DAN JARINGAN SARAF TIRUAN BACK-PROPAGATION Suhendry Effendy Jurusan Teknik Informatika, Fakultas Ilmu Komputer, Bina Nusantara University
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 terperinciPengenalan Aksara Lampung Menggunakan Jaringan Syaraf Tiruan
Pengenalan Aksara Lampung Menggunakan Jaringan Syaraf Tiruan Adhika Aryantio School of Electrical Engineering and Informatics Institute Technology of Bandung 10th Ganeca Street Bandung, Indonesia. Adhikaaryantio.x6@gmail.com
Lebih terperinciBAB IV PERANCANGAN & IMPLEMENTASI SISTEM
17 BAB IV PERANCANGAN & IMPLEMENTASI SISTEM 4.1 Desain. yang digunakan adalah jaringan recurrent tipe Elman dengan 2 lapisan tersembunyi. Masukan terdiri dari data : wind, SOI, SST dan OLR dan target adalah
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 terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN 3.1. Penentuan Masalah Penelitian Masalah masalah yang dihadapi oleh penggunaan identifikasi sidik jari berbasis komputer, yaitu sebagai berikut : 1. Salah satu masalah dalam
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 terperinciMETODOLOGI PENELITIAN
III. METODOLOGI PENELITIAN A. Kerangka Pemikiran Perusahaan dalam era globalisasi pada saat ini, banyak tumbuh dan berkembang, baik dalam bidang perdagangan, jasa maupun industri manufaktur. Perusahaan
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Tahapan Penelitian Tahapan yang dilakukan dalam penelitian ini disajikan pada Gambar 14, terdiri dari tahap identifikasi masalah, pengumpulan dan praproses data, pemodelan
Lebih terperinci1. BAB I PENDAHULUAN Latar Belakang
1 1. BAB I PENDAHULUAN Latar Belakang Iris mata merupakan salah satu organ internal yang dapat di lihat dari luar. Selaput ini berbentuk cincin yang mengelilingi pupil dan memberikan pola warna pada mata
Lebih terperinciSISTEM PENGENALAN BARCODE MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
SISTEM PENGENALAN BARCODE MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Barcode Rcognition System Using Backpropagation Neural Networks M. Kayadoe, Francis Yuni Rumlawang, Yopi Andry Lesnussa * Jurusan
Lebih terperinciBAB III METODE PENELITIAN
3.1. Kerangka Pemikiran BAB III METODE PENELITIAN Permasalahan yang akan dijawab atau tujuan yang ingin dicapai pada penelitian ini adalah untuk melakukan prakiraan beban listrik jangka pendek atau untuk
Lebih terperinciPENGENALAN IRIS MATA MENGGUNAKAN PROBABILISTIC NEURAL NETWORK DENGAN EKSTRAKSI CIRI LOG-GABOR FILTER NINA MARIA PRIYATINA
PENGENALAN IRIS MATA MENGGUNAKAN PROBABILISTIC NEURAL NETWORK DENGAN EKSTRAKSI CIRI LOG-GABOR FILTER NINA MARIA PRIYATINA DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Pengenalan Marka Jalan Marka jalan merupakan suatu penanda bagi para pengguna jalan untuk membantu kelancaran jalan dan menghindari adanya kecelakaan. Pada umumnya marka jalan
Lebih terperinciKlasifikasi Pola Huruf Vokal dengan Menggunakan Jaringan Saraf Tiruan
JURNAL TEKNIK POMITS 1-7 1 Klasifikasi Pola Huruf Vokal dengan Menggunakan Jaringan Saraf Tiruan Dhita Azzahra Pancorowati, M. Arief Bustomi Jurusan Fisika, Fakultas Matematika dan Ilmu Pengetahuan Alam,
Lebih terperinciIDENTIFIKASI TANDA-TANGAN MENGGUNAKAN JARINGAN SARAF TIRUAN PERAMBATAN-BALIK (BACKPROPAGATION)
IDENTIFIKASI TANDA-TANGAN MENGGUNAKAN JARINGAN SARAF TIRUAN PERAMBATAN-BALIK (BACKPROPAGATION) Dian Kurnia Widya Buana 1) Achmad Hidayatno 2) R. Rizal Isnanto 2) Abstrak: Identifikasi tanda tangan manusia
Lebih terperinciPENGENALAN POLA SIDIK JARI BERBASIS TRANSFORMASI WAVELET DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
PENGENALAN POLA SIDIK JARI BERBASIS TRANSFORMASI WAVELET DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION 1 Andrian Rakhmatsyah 2 Sayful Hakam 3 Adiwijaya 12 Departemen Teknik Informatika Sekolah Tinggi Teknologi
Lebih terperinciIV HASIL DAN PEMBAHASAN
tersembunyi berkisar dari sampai dengan 4 neuron. 5. Pemilihan laju pembelajaran dan momentum Pemilihan laju pembelajaran dan momentum mempunyai peranan yang penting untuk struktur jaringan yang akan dibangun.
Lebih terperinciBAB III METODELOGI PENELITIAN. Alat yang digunakan dalam penelitian ini adalah: a. Prosesor : Intel Core i5-6198du (4 CPUs), ~2.
BAB III METODELOGI PENELITIAN 3.1 Alat dan Bahan Penelitian 3.1.1 Alat Alat yang digunakan dalam penelitian ini adalah: 1. Hardware a. Prosesor : Intel Core i5-6198du CPU @2.30GHz (4 CPUs), ~2.40GHz b.
Lebih terperinciJARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI CURAH HUJAN SUMATERA UTARA DENGAN METODE BACK PROPAGATION (STUDI KASUS : BMKG MEDAN)
JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI CURAH HUJAN SUMATERA UTARA DENGAN METODE BACK PROPAGATION (STUDI KASUS : BMKG MEDAN) Marihot TP. Manalu Mahasiswa Program Studi Teknik Informatika, STMIK Budidarma
Lebih terperinciALGORITMA BACKPROPAGATION PADA JARINGAN SARAF TIRUAN UNTUK PENGENALAN POLA WAYANG KULIT
ALGORITMA BACKPROPAGATION PADA JARINGAN SARAF TIRUAN UNTUK PENGENALAN POLA WAYANG KULIT Kristian Adi Nugraha 1), Albertus Joko Santoso 2), Thomas Suselo 3) 1,2,3) Program Studi Magister Teknik Informatika,
Lebih 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 terperinciTujuan Penelitian Tujuan penelitian ini adalah untuk melakukan deteksi penyakit pada daun rose dengan menggunakan metode ANN.
Laporan Akhir Projek PPCD Deteksi Penyakit Daun Menggunakan Artificial Neural Network (ANN) TRI SONY(G64130020), GISHELLA ERDYANING (G64130040), AMALIYA SUKMA RAGIL PRISTIYANTO (G64130044), MUHAMMAD RIZQI
Lebih terperinciIwan Suhardi, Studi Pengklasifikasian Citra Berdasarkan Ciri Citra dengan Jaringan Syaraf Tiruan
1 MEDIA ELEKTRIK, Volume 3 Nomor 1, Juni 2008 STUDI PENGKLASIFIKASIAN CITRA BERDASARKAN CIRI CITRA DENGAN JARINGAN SYARAF TIRUAN Iwan Suhardi Jurusan Pendidikan Teknik Elektro Fakultas Teknik Universitas
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 terperinciPercobaan 1 Percobaan 2
direpresentasikan dengan histogram. Perlakuan pertama terhadap data-data penelitian ini adalah menghitung histogramnya. Kemudian dari interval antara 0-255 akan dibagi menjadi interval-interval bagian
Lebih terperinciPengenalan Tanda Tangan Menggunakan Algoritme VFI5 Melalui Praproses Wavelet
Tersedia secara online di: http://journal.ipb.ac.id/index.php.jika Volume 1 Nomor 1 halaman 7-12 ISSN: 2089-6026 Pengenalan Tanda Tangan Menggunakan Algoritme VFI5 Melalui Praproses Wavelet Hand-Written
Lebih terperinciPENGENALAN POLA ALPHABET TULISAN TANGAN SECARA ON-LINE DENGAN JST-BP
ISSN: 693-693 35 PENGENALAN POLA ALPHABET TULISAN TANGAN SECARA ON-LINE DENGAN JST-BP Tole Sutikno, Andhy Fathurrakhman Program Studi Teknik Elektro Universitas Ahmad Dahlan Kampus III Jln. Prof Soepomo,
Lebih terperinciDOKUMENTASI ULANG NASKAH BRAILLE MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK
DOKUMENTASI ULANG NASKAH BRAILLE MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK Chairisni Lubis 1, Yoestinus 2 1 Fakultas Teknologi Informasi, Universitas Tarumanagara-Jakarta, Chairisni.fti.untar@gmail.com
Lebih terperinciKLASIFIKASI POLA HURUF VOKAL DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION. Dhita Azzahra Pancorowati
KLASIFIKASI POLA HURUF VOKAL DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION Dhita Azzahra Pancorowati 1110100053 Jurusan Fisika Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Teknologi
Lebih terperinciPerbaikan Metode Prakiraan Cuaca Bandara Abdulrahman Saleh dengan Algoritma Neural Network Backpropagation
65 Perbaikan Metode Prakiraan Cuaca Bandara Abdulrahman Saleh dengan Algoritma Neural Network Backpropagation Risty Jayanti Yuniar, Didik Rahadi S. dan Onny Setyawati Abstrak - Kecepatan angin dan curah
Lebih terperinciCreated with Print2PDF. To remove this line, buy a license at:
BAB III Pelaksanaan Penelitian Pada bab ini dibahas pelaksanaan ekstraksi unsur jalan secara otomatis yang terdiri dari tahap persiapan dan pengolahan data. Tahap persiapan yang terdiri dari pengambilan
Lebih terperinciBAB III METODOLOGI PENELITIAN
19 BAB III METODOLOGI PENELITIAN 3.1. Kerangka Pemikiran Kerangka pemikiran untuk penelitian ini seperti pada Gambar 9. Penelitian dibagi dalam empat tahapan yaitu persiapan penelitian, proses pengolahan
Lebih terperinciANALISIS PERBANDINGAN METODE PREWITT DAN CANNY UNTUK IDENTIFIKASI IKAN AIR TAWAR
ANALISIS PERBANDINGAN METODE PREWITT DAN CANNY UNTUK IDENTIFIKASI IKAN AIR TAWAR Gibtha Fitri Laxmi 1, Puspa Eosina 2, Fety Fatimah 3 1,2,3 Program Studi Teknik Informatika, Fakultas Teknik, Universitas
Lebih terperinciHASIL DAN PEMBAHASAN. Tabel 3 Contoh data Shorea hasil kodefikasi
8 disajikan contoh data Shorea hasil kodefikasi dari beberapa karakter yang bernilai nominal. Tabel 2 Karakter daun yang bernilai nominal Karakter Nilai Kode Bentuk tulang Tidak menempel 1 daun Permukaan
Lebih terperinciIMPLEMENTASI PENGENALAN WAJAH MENGGUNAKAN ALGORITMA PRINCIPAL COMPONENT ANALYSIS(PCA) DAN IMPROVED BACKPROPAGATION
J~ICON, Vol. 3 No. 2, Oktober 2015, pp. 89 ~ 95 89 IMPLEMENTASI PENGENALAN WAJAH MENGGUNAKAN ALGORITMA PRINCIPAL COMPONENT ANALYSIS(PCA) DAN IMPROVED BACKPROPAGATION Rini Miyanti Maubara 1, Adriana Fanggidae
Lebih terperinciIDENTIFIKASI IRIS MATA MENGGUNAKAN TAPIS GABOR WAVELET DAN JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION (LVQ)
IDENTIFIKASI IRIS MATA MENGGUNAKAN TAPIS GABOR WAVELET DAN JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION (LVQ) Budi Setiyono, R. Rizal Isnanto *) Abstract Biometric represents the human identification
Lebih terperinciBAB I PENDAHULUAN. mengenali dan membedakan ciri khas yang dimiliki suatu objek (Hidayatno,
1 BAB I PENDAHULUAN A. Latar belakang Saat ini pemanfaatan teknologi pengolaan citra untuk mempermudah manusia dalam menyelesaikan masalah-masalah tertentu sudah banyak diterapkan, khususnya dibidang Identifikasi.
Lebih terperinciIMPLEMENTASI DAN EVALUASI
BAB 4 IMPLEMENTASI DAN EVALUASI Pada bab ini dibahas mengenai implementasi serta evaluasi terhadap metode transformasi wavelet dalam sistem pengenalan sidik jari yang dirancang. Untuk mempermudah evaluasi,
Lebih terperinciAkurasi. Perangkat Lunak: Sistem operasi: Windows Vista Home Premium Aplikasi pemrograman: Matlab 7.0
Tabel 1 Dimensi citra di tiap level Level transformasi Dimensi citra 1 46 56 2 23 28 3 12 14 4 6 7 5 3 4 6 2 2 Pada Gambar 5 disajikan visualisasi transformasi wavelet hingga level 3. Deskripsi citra dekomposisi
Lebih terperinciSISTEM PENGENALAN BARCODE MENGGUNAKAN JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION
SISTEM PENGENALAN BARCODE MENGGUNAKAN JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION Nama Mahasiswa : Gigih Prasetyo Cahyono NRP : 1206 100 067 Jurusan : Matematika FMIPA-ITS Dosen Pembimbing : Prof.
Lebih terperinciANALISIS LEARNING RATES PADA ALGORITMA BACKPROPAGATION UNTUK KLASIFIKASI PENYAKIT DIABETES
ANALISIS LEARNING RATES PADA ALGORITMA BACKPROPAGATION UNTUK KLASIFIKASI PENYAKIT DIABETES Thomas Brian Universitas Trunojoyo Madura Bangkalan, Indonesia thomasbrian2112@yahoo.com Abstrak Salah satu algoritma
Lebih terperinciPERBANDINGAN ANTARA METODE KOHONEN NEURAL NETWORK DAN LEARNING VECTOR QUANTIZATION PADA SISTEM PENGENALAN TULISAN TANGAN SECARA REAL TIME
PERBANDINGAN ANTARA METODE KOHONEN NEURAL NETWORK DAN LEARNING VECTOR QUANTIZATION PADA SISTEM PENGENALAN TULISAN TANGAN SECARA REAL TIME Nama Mahasiswa : Asworo NRP : 205 00 077 Jurusan : Matematika FMIPA-ITS
Lebih terperinciSEMINAR TUGAS AKHIR M. RIZKY FAUNDRA NRP DOSEN PEMBIMBING: Drs. Daryono Budi Utomo, M.Si
APLIKASI FILTER LOG GABOR PADA SISTEM PENGENALAN IRIS MATA (Application Log-Gabor Filter in Iris Recognition System ) SEMINAR TUGAS AKHIR M. RIZKY FAUNDRA NRP 1206100051 DOSEN PEMBIMBING: Drs. Daryono
Lebih terperinciBAB 4 ANALISA DAN BAHASAN
BAB 4 ANALISA DAN BAHASAN 4.1 Spesifikasi Sistem Sistem pengenalan objek 3 dimensi terbagi atas perangkat keras dan perangkat lunak. Spesifikasi sistem baik perangkat keras maupun lunak pada proses perancangan
Lebih terperinci3. METODE PENELITIAN
19 3. METODE PENELITIAN 3.1 Diagram Alir Penelitian Kerangka pemikiran pada penelitian ini dapat digambarkan dalam suatu bagan alir seperti pada Gambar 8. Gambar 8 Diagram Alir Penelitian Pengumpulan Data
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 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 terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Computer Vision Computer vision dapat diartikan sebagai suatu proses pengenalan objek-objek berdasarkan ciri khas dari sebuah gambar dan dapat juga digambarkan sebagai suatu deduksi
Lebih terperinciSISTEM PENDETEKSI WAJAH MANUSIA PADA CITRA DIGITAL (PROPOSAL SKRIPSI) diajukan oleh. NamaMhs NIM: XX.YY.ZZZ. Kepada
SISTEM PENDETEKSI WAJAH MANUSIA PADA CITRA DIGITAL (PROPOSAL SKRIPSI) diajukan oleh NamaMhs NIM: XX.YY.ZZZ Kepada JURUSAN TEKNIK INFORMATIKA STMIK STIKOM BALIKPAPAN LEMBAR PERSETUJUAN Proposal Skripsi
Lebih terperinciBAB III METODOLOGI PENELITIAN. Gambar 3.1 merupakan desain penelitian yang akan digunakan pada
BAB III METODOLOGI PENELITIAN 1.1. Desain Penelitian Gambar 3.1 merupakan desain penelitian yang akan digunakan pada proses pengenalan huruf tulisan tangan Katakana menggunakan metode Fuzzy Feature Extraction
Lebih terperinciDAFTAR ISI. Halaman Judul. Lembar Pengesahan Pembimbing. Lembar Pengesahan Penguji. Halaman Persembahan. Halaman Motto. Kata Pengantar.
DAFTAR ISI Halaman Judul i Lembar Pengesahan Pembimbing ii Lembar Pengesahan Penguji iii Halaman Persembahan iv Halaman Motto v Kata Pengantar vi Abstraksi viii Daftar Isi ix Daftar Gambar xii Daftar Tabel
Lebih terperinciPENGENALAN SUARA MANUSIA DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN MODEL PROPAGASI BALIK
ABSTRAK PENGENALAN SUARA MANUSIA DENGAN MENGGUNAKAN Dosen Jurusan Teknik Elektronika Fakultas Teknik Universitas Negeri Makassar Pada penelitian ini dibuat sebuah sistem pengenalan suara manusia dengan
Lebih terperinciKLASIFIKASI KAYU DENGAN MENGGUNAKAN NAÏVE BAYES-CLASSIFIER
KLASIFIKASI KAYU DENGAN MENGGUNAKAN NAÏVE BAYES-CLASSIFIER ACHMAD FAHRUROZI 1 1 Universitas Gunadarma, achmad.fahrurozi12@gmail.com Abstrak Masalah yang akan diangkat dalam makalah ini adalah bagaimana
Lebih terperinciBAB 3 METODOLOGI. seseorang. Hal inilah yang mendorong adanya perkembangan teknologi
BAB 3 METODOLOGI 3.1. Kerangka Berpikir Pengenalan ekspresi wajah adalah salah satu bentuk representasi kecerdasan manusia yang dapat digunakan untuk mendeteksi kondisi emosi seseorang. Hal inilah yang
Lebih terperinciKLASIFIKASI POLA SIDIK JARI MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION UNTUK ANALISA KARAKTERISTIK SESEORANG
KLASIFIKASI POLA SIDIK JARI MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION UNTUK ANALISA KARAKTERISTIK SESEORANG [1] Ahmad Fahrudi Setiawan, [2] Alam Katon Agung [1], [2] Institut Teknologi Nasional
Lebih 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 terperinciPERAMALAN HARGA SAHAM PERUSAHAAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK DAN AKAIKE INFORMATION CRITERION
Seminar Nasional Aplikasi Teknologi Informasi 20 (SNATI 20) ISSN: 19-5022 Yogyakarta, 16 Juni 20 PERAMALAN HARGA SAHAM PERUSAHAAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK DAN AKAIKE INFORMATION CRITERION
Lebih terperincidan 3. Jumlah partisi vertikal (m) dari kiri ke kanan beturut-turut adalah 1, 2, 3, 4, dan 5. akurasi =.
dan 3. Jumlah partisi vertikal (m) dari kiri ke kanan beturut-turut adalah 1, 2, 3, 4, dan 5. Gambar 5 Macam-macam bentuk partisi citra. Ekstraksi Fitur Pada tahap ini semua partisi dari citra dihitung
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Perkembangan teknologi perangkat lunak dewasa ini tidak terlepas dari berkembangnya studi mengenai kecerdasan buatan. Ada dua hal yang termasuk dari kecerdasan buatan
Lebih terperinciBAB III PERANCANGAN DAN IMPLEMENTASI SISTEM
BAB III PERANCANGAN DAN IMPLEMENTASI SISTEM Pada bab ini akan dijelaskan mengenai tahapan dan algoritma yang akan digunakan pada sistem pengenalan wajah. Bagian yang menjadi titik berat dari tugas akhir
Lebih terperinciBAB 1 PENDAHULUAN. Sistem Pakar (Expert System), Jaringan Saraf Tiruan (Artificial Neural Network), Visi
BAB 1 PENDAHULUAN 1.1 Latar Belakang Di era yang semakin maju ini, teknologi telah memegang peranan penting dalam kehidupan manusia sehari-hari, sehingga kemajuannya sangat dinantikan dan dinikmati para
Lebih terperinciPENGENALAN IRIS MATA DENGAN ALGORITME VOTING FEATURE INTERVAL VERSI 5 MENGGUNAKAN EKSTRAKSI CIRI LOG-GABOR WAVELET MUHAMMAD ZAKI
PENGENALAN IRIS MATA DENGAN ALGORITME VOTING FEATURE INTERVAL VERSI 5 MENGGUNAKAN EKSTRAKSI CIRI LOG-GABOR WAVELET MUHAMMAD ZAKI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT
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 terperinciALGORITMA BACKPROPAGATION PADA JARINGAN SARAF TIRUAN UNTUK PENGENALAN POLA WAYANG KULIT
ALGORITMA BACKPROPAGATION PADA JARINGAN SARAF TIRUAN UNTUK PENGENALAN POLA WAYANG KULIT Kristian Adi Nugraha 1), Albertus Joko Santoso 2), Thomas Suselo 3) 1,2,3) Program Studi Magister Teknik Informatika,
Lebih terperinciPERANCANGAN ALGORITMA BELAJAR JARINGAN SYARAF TIRUAN MENGGUNAKAN PARTICLE SWARM OPTIMIZATION (PSO)
Jurnal POROS TEKNIK, Volume 5, No. 1, Juni 2013 : 18-23 PERANCANGAN ALGORITMA BELAJAR JARINGAN SYARAF TIRUAN MENGGUNAKAN PARTICLE SWARM OPTIMIZATION (PSO) Nurmahaludin (1) (1) Staf Pengajar Jurusan Teknik
Lebih terperinciPENGENALAN KARAKTER ALFANUMERIK MENGGUNAKAN METODE BACKPROPAGARATION
PENGENALAN KARAKTER ALFANUMERIK MENGGUNAKAN METODE BACKPROPAGARATION Amriana 1 Program Studi D1 Teknik Informatika Jurusan Teknik Elektro Fakultas Teknik UNTAD ABSTRAK Jaringan saraf tiruan untuk aplikasi
Lebih terperinciBAB 4 HASIL DAN PEMBAHASAN. untuk pengenalan ekspresi wajah diantara metode Non Negative Matrix
BAB 4 HASIL DAN PEMBAHASAN 4.1. Hasil Penelitian Penelitian akan dilakukan untuk mencari hasil yang paling optimal untuk pengenalan ekspresi wajah diantara metode Non Negative Matrix Factorization (NMF),
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 terperinciUJM 3 (1) (2014) UNNES Journal of Mathematics.
UJM 3 (1) (2014) UNNES Journal of Mathematics http://journal.unnes.ac.id/sju/index.php/ujm APLIKASI JARINGAN SYARAF TIRUAN BACKPROPAGATION DALAM PERAMALAN BEBAN PUNCAK DISTRIBUSI LISTRIK DI WILAYAH PEMALANG
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN. fold Cross Validation, metode Convolutional neural network dari deep learning
BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1 Prinsip Kerja Program P rinsip kerja program yaitu dengan melakukan pra pengolahan citra terhadap foto fisik dari permukaan buah manggis agar ukuran seluruh data
Lebih terperinciBAB III METODE PENELITIAN. dan bahan, agar mendapatkan hasil yang baik dan terstruktur. Processor Intel Core i3-350m.
BAB III METODE PENELITIAN 3.1 Alat dan Bahan Untuk menunjang penelitian yang akan dilakukan, maka diperlukan alat dan bahan, agar mendapatkan hasil yang baik dan terstruktur. 3.1.1 Alat Penelitian Adapun
Lebih terperinciBAB 3 METODOLOGI PENELITIAN. a. Spesifikasi komputer yang digunakan dalam penelitian ini adalah
BAB 3 METODOLOGI PENELITIAN 3.1 Alat dan Bahan Penelitian 3.1.1 Alat Penelitian a. Spesifikasi komputer yang digunakan dalam penelitian ini adalah sebagai berikut: 1) Prosesor Intel (R) Atom (TM) CPU N550
Lebih terperinciBAB IV IMPLEMENTASI DAN PENGUJIAN
68 BAB IV IMPLEMENTASI DAN PENGUJIAN Bab ini membahas tentang program yang telah dianalisis dan dirancang atau realisasi program yang telah dibuat. Pada bab ini juga akan dilakukan pengujian program. 4.1
Lebih terperinciKlasifikasi Kualitas Keramik Menggunakan Metode Deteksi Tepi Laplacian of Gaussian dan Prewitt
Klasifikasi Kualitas Keramik Menggunakan Metode Deteksi Tepi Laplacian of Gaussian dan Prewitt Ardi Satrya Afandi Fakultas Teknologi Industri Universitas Gunadarma Depok, Indonesia art_dhi@yahoo.com Prihandoko,
Lebih terperinciIdentifikasi Gender Berdasarkan Citra Wajah Menggunakan Deteksi Tepi dan Backpropagation
Identifikasi Gender Berdasarkan Citra Wajah Menggunakan Deteksi Tepi dan Backpropagation Destri Wulansari, Esmeralda C. Djamal, Ridwan Ilyas Jurusan Informatika, Fakultas MIPA Universitas Jenderal Achmad
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. perangkat. Alat dan bahan yang digunakan sebelum pengujian:
BAB IV HASIL DAN PEMBAHASAN 4.1 Pengujian Perangkat Lunak Dalam mengetahui perangkat lunak yang dibuat bisa sesuai dengan metode yang dipakai maka dilakukan pengujian terhadap masing-masing komponen perangkat.
Lebih terperinciSEGMENTASI HURUF TULISAN TANGAN BERSAMBUNG DENGAN VALIDASI JARINGAN SYARAF TIRUAN. Evelyn Evangelista ( )
SEGMENTASI HURUF TULISAN TANGAN BERSAMBUNG DENGAN VALIDASI JARINGAN SYARAF TIRUAN Evelyn Evangelista (1022004) Jurusan Teknik Elektro, Fakultas Teknik, Universitas Kristen Maranatha, Jl. Prof. Drg. Suria
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 terperinci