BAB II PENGENALAN WAJAH
|
|
- Hendri Budiono
- 7 tahun lalu
- Tontonan:
Transkripsi
1 BAB II PENGENALAN WAJAH Sistem pengenalan waah dapat dibagi menadi empat tahap, yaitu tahap pengolahan citra, detesi waah, estrasi fitur dan tahap pengenalan waah. Pada tugas ahir ini aan lebih diteanan pada tahap estrasi fitur dan pengenalan waah. Pada bab ini aan dibahas tentang sistem pengenalan waah, pengolahan citra dan detesi waah, estrasi fitur, metoda PCA, metoda Fisherface dan lasifiasi dengan aringan syaraf tiruan (JST). 2.1 Sistem Pengenalan Waah Sistem pengenalan waah merupaan salah satu bidang computer vision yang berembang pesat saat ini. Pada masa-masa awal pengembangan sistem pengolahan waah, perhatian peneliti lebih banya terpusat pada bagian pengenalan waah. Seiring dengan berembangnya watu, semain banya metode pengenalan pola yang telah ditemuan. Hal ini emudian mendorong untu diembangannya sebuah sistem pengenalan waah yang mampu diterapan pada lingungan nyata. Lingungan nyata yang dimasud dalam hal ini adalah variasi latar belaang, pencahayaan, dan pose. Pengenalan pola merupaan suatu proses untu menglasifiasi (supervised learning) dimana masuan diidentifiasi sebagai anggota suatu elas tertentu atau pengelompoan (unsupervised learning) suatu pola tertentu dimana pola dielompoan berdasaran esamaannya [2]. Salah satu enis pengenalan pola yang banya diembangan yaitu biometri. Tenologi biometri yang pertama ali diembangan yaitu pengenalan sidi ari di Cina pada tahun 700M. Biometri adalah sebuah sistem yang dapat mengenali individu dengan memanfaatan arateristi fisiologis dan perilau dari individu tersebut. Contoh biometri yang
2 banya diembangan yaitu pengenalan tanda tangan, sidi ari, retina, suara dan waah. Biometri berdasaran enis arateristi yang diamati dapat dibagi menadi dua bagian: Biometri fisiologi Metoda biometri yang memanfaatan arateristi fisiologis manusia sebagai dasar untu identifiasi, contohnya: pola sidi ari, pola retina, waah. Biometri perilau Metoda biometri yang memanfaatan arateristi perilau manusia sebagai dasar identifiasi, contohnya: cara beralan, pola guratan tulisan (eystroe) dan tanda tangan. Jenis biometri ada dua dilihat dari prosesnya [3] yaitu : Biometri pasif enis biometri dimana pengguna tida perlu atif dalam penguuran. Jenis ini banya digunaan dalam apliasi surveillance. Yang termasu enis ini yaitu pengenalan waah, suara dan gait (pola beralan). Biometri enis ini lebih coco untu proses identifiasi daripada autentiasi Biometri atif Jenis biometri dimana dibutuhan usaha dari pengguna dalam penguuran. Yang termasu enis ini yaitu pengenalan sidi ari, retina dan iris, serta hand geometry.
3 Tabel 2.1 Perbandingan berbagai enis tenologi biometri Pengenalan waah memenuhi syarat sebagai identitas biometri. Menurut Jain [4], syaratsyarat suatu ciri fisiologis maupun tingah lau dapat digunaan sebagai identitas biometri adalah sebagai beriut: Universality, yaitu setiap orang memilii identitas biometri tersebut Distinctiveness, yaitu identitas biometri tersebut harus dapat membedaan orang yang berbeda Permanence, yaitu identitas biometri tersebut harus permanen, tida berubah terhadap watu Collectability, yaitu identitas biometri tersebut harus dapat diuur secara uantitatif
4 Performance, yaitu penggunaan identitas biometri tersebut dalam suatu apliasi harus dapat menghasilan identifiasi dengan aurasi dan ecepatan yang dapat dicapai Acceptability, yaitu penerimaan tenologi oleh masyaraat sebagai identitas biometri dalam ehidupan sehari-hari Circumvention, yaitu seberapa mudah eamanan suatu sistem biometri tersebut dapat ditembus Sistem pengenalan waah memilii beberapa eunggulan. Sistem pengenalan waah bersifat pasif dimana tida diperluan usaha dari pengguna sehingga tingat enyamananya tinggi. Pengenalan waah uga memilii penerimaan yang tinggi dari masyaraat. Pengenalan waah terdiri dari dua macam yaitu autentiasi/verifiasi dan pengenalan (recognition). 1) Autentiasi/ Verifiasi: Sistem biometri aan memberian eputusan apaah seseorang yang memberian masuan identitas biometri adalah benar seseorang yang dia nyataan, dengan cara melauan pencocoan antara citra masuan dengan template citra yang telah ditunu sebagai mili orang tersebut (1:1 matching). 2) Pengenalan (recognition): Sistem biometri aan memberian eputusan apaah orang tersebut dienali (berada dalam database) atau tida. Sistem aan membandingan citra yang tida dietahui dengan citra dalam database (1: N matching). Hal ini yang aan dibahas pada tugas ahir ini. Sistem pengenalan waah merupaan bagian dari pengenalan pola visual. Waah manusia yang bervariasi terhadap pencahayaan, pose, espresi harus dienali oleh sistem. Masuan untu sistem pengenalan waah dapat berupa citra 2D maupun citra 3D.
5 Pada tugas ahir ini aan dibatasi terhadap masuan 2D. Sistem pengenalan waah terdiri dari empat langah seperti gambar 2.1. Citra Masuan Pengolahan Citra Detesi Waah Etrasi Fitur Klasifiasi Citra dienali Data Base Citra tida dienali Gambar 2.1 Prosedur pengenalan waah [5]. Masuan pada sistem pengenalan waah berupa citra 2D. Pengolahan citra berfungsi untu mengurangi dearu dan menonolan ciri tertentu yang digunaan dalam detesi waah. Pada proses detesi waah aan dilauan sin filter yang melewatan citra yang mengandung ulit dan terdetesi adanya waah. Citra yang mengandung waah aan melalui proses estrasi fitur. Fitur hasil proses estrasi menadi masuan bagi pemilah (classifier) JST. 2.2 Pengolahan Citra dan Detesi Waah Citra dapat didefinisian sebagai nilai intensitas yang merupaan fungsi dari oordinat spasial pada bidang dua dimensi. Suatu citra disebut citra digital bila nilai intensitas dan oordinat tersebut merupaan nilai disrit. Citra digital yang tersimpan mengandung informasi berupa pisel-pisel. Pengolahan citra mentransformasian citra menadi citra yang lain yang mempunyai ualitas yang lebih bai. Pengolahan citra bermanfaat untu memperbaii ualitas citra agar mudah diinterpretasian oleh manusia ataupun mesin (omputer). Proses detesi waah merupaan bagian yang penting. Sistem harus mendetesi eberadaan waah pada citra dengan berbagai variasi pose, pencahayaan, espresi waah,
6 penghalang (aca mata, umis dan enggot) serta uuran. Pengolahan citra berfungsi untu menonolan ciri tertentu serta mengurangi derau sehingga citra siap digunaan untu eperluan analisis. Pengolahan citra yang dilauan meliputi detesi ulit, normalisasi cahaya, normalized cross correlation (NCC) serta normalisasi dimensi. Proses edua yang dilauan adalah detesi waah. Terdapat empat enis detesi waah: 1) Metoda Knowledge based 2) Metoda Template Matching 3) Metoda Featured Based 4) Metoda Appearance based Masing-masing metoda ini memilii elebihan dan elemahan masing-masing. 1) Metoda Knowledge based Metode ini berdasaran aturan yang sederhana. Fitur waah didesripsian menadi seumpulan aturan-aturan sederhana. Aturan-aturan tersebut menggambaran hubungan antara fitur waah. Algoritma pencarian aan mencari waah yang dimasud dengan aturan ini. Pengetahuan manusia sulit diubah e dalam bentu aturan secara umum. Dalam hal citra waah aan sulit menelasan sebuah waah berdasar pegetahuan yang dimilii. Jia waah didesripsian secara detail maa aan dihasilan aturan dalam umlah yang sangat besar, sedangan aturan yang sediit tida mampu menelasan waah secara tepat. Adanya variasi pose aan mengurangi performa detesi waah enis ini. 2) Metoda Template Matching Metoda ini merepresentasian seluruh waah menggunaan template tunggal. Pola standar suatu waah ini mampu menggambaran sebuah waah utuh atau fitur waah. Korelasi diantara citra masuan dan pola yang tersimpan emudian dibandingan untu meloalisasi waah. Keuntungan model ini yaitu pendeatan yang sederhana namun
7 membutuhan memori yang besar dan tida efetif. Metode ini tida dapat mengatasi variasi sala dan pose. 3) Metoda Featured Based Metode ini pertama ali bertuuan untu menemuan fitur invarian dari waah.seumlah metode digunaan yang berdasar pada fitur waah, testur dan warna ulit. Beberapa fitur yang sering digunaan antara lain mata, lubang hidung, mulut, ara hidung dan bibir yang diperhitungan untu membentu sebuah waah. Metode ini unggul dalam hal rotasi dan sala. Memori yang digunaan lebih sediit dan prosesnya lebih cepat dibandingan metode template matching. Metode ini tida berhasil dalam mengatasi perbedaan pose dan pencahayaan. Adanya penghalang seperti aca mata dan topi uga sulit untu di detesi. 4) Metoda Appearance based Metode ini banya dipergunaan ahir-ahir ini arena tingat aurasi dan efisiensi yang tinggi. Metode menggunaan analisis statisti untu memperoleh fitur dari waah yang relevan. Fitur ini terdiri dari informasi geometri maupun informasi tentang citra itu. Informasi dari citra ini emudian direpresentasian dengan metode tertentu (misalnya PCA, transformasi wavelet, dll) yang emudian digunaan untu pelatihan dan lasifiasi indentitas citra. Metode ini menggunaan pemilah (classifier) untu membedaan waah dan buan waah misalan aringan syaraf tiruan, SVM maupun disriminan statisti. 2.3 Estrasi Fitur Pada dasarnya pengenalan waah membutuhan memori yang banya dan perhitungan yang omples. Redusi omponen atau fitur waah dilauan untu mengurangi memori yang dibutuhan dan watu omputasi. Ada dua cara yang digunaan yaitu pemilihan fitur (feature selecion) dan estrasi fitur (feature extraction). Pemilihan fitur bertuuan untu memilih seumlah fitur yang banya berpengaruh dari n fitur yang ada.
8 Sedangan estrasi fitur didapat dengan memproyesian fitur e dalam dimensi yang lebih rendah. Fitur adalah segala enis aspe pembeda, ualitas atau arateristi. Fitur bisa berupa simboli (misal warna) atau numeri (misal intensitas). Kombinasi dari d buah fitur dinyataan sebagai vetor olom dimensi-d disebut vetor fitur. Kualitas vetor fitur dilihat dari emampuanya membedaan obe yang berasal dari elas yang berbedabeda. Obe dalam elas yang sama harus memilii nilai vetor fitur yang sama dan obe yang berada dalam elas yang berbeda harus memilii nilai vetor fitur yang berlainan pula. Terdapat dua enis arateristi yang disebut sebagai fitur dari citra : Bagian global dari suatu citra. Bagian husus dari suatu citra. Teradang fitur dari suatu citra tida berhubungan langsung dengan bagian-bagian yang terdapat pada citra tersebut, tetapi masih mencerminan arateristi tertentu dari citra, Fitur waah merupaan hasil suatu algoritma estrasi terhadap citra waah. Estrasi fitur dilasanaan dengan alasan [6] : mengurangi data masuan (sehingga mempercepat proses dan mengurangi ebutuhan data) menyediaan seumpulan fitur yang relevan untu proses lasifiasi mengurangi redudansi. menemuan variabel fitur yang menelasan data menghasilan representasi dalam dimensi yang lebih ecil dengan sediit informasi yang hilang Pengenalan waah secara intuitif melihat fitur utama yang membedaan waah dan membandingannya dengan waah yang lain. Percobaan yang pertama yaitu
9 mengembangan sistem pengenalan waah semi-automatis berdasaran geometri pada tahun Pada tahap awal ini pengembangan sistem pengenalan waah difousan pada detesi fitur waah individual. Hal ini didasari bahwa fitur geometri tida sensitif terhadap iluminasi dan pemahaman secara intuitif dari fitur yang diestrasi. Perembangan selanutnya menggunaan intensitas tiap-tiap pisel. Pada tahun awal 1990an M. Tur and A. Pentland mengembangan teori tentang Eigenface [7] yang tida secara langsung melihat fitur-fitur waah seperti mulut, telinga, hidung, bibir dan rambut. Metode ini bertuuan untu mengestra fitur yang relevan dari citra waah. Seumlah fitur minimum yang diperluan diambil untu pelatihan dan penguian untu dibandingan dengan database. Pada tahun 1997 berembang penggunaan Fisherface yang merupaan pengembangan dari metode yang ada sebelumnya yaitu PCA dan uga LDA. Fisherface mengombinasian Eigenface dengan Linear Discriminant Analysis (LDA). Dimensi dari masuan diredusi dengan PCA dan emudian LDA dan digunaan untu menghasilan proyesi yang memisahan waah dari bermacam-macam orang. Pengenalan waah menggunaan Fisherface merupaan enis pengenalan waah berdasaran penampilan (appearance based). Prinsip dasar pengenalan waah berdasar penampilan adalah merepresentasian vetor waah e vetor fitur. Selanutnya aan dihitung deraat ecocoan antara citra waah yang diui dan citra waah dalam data base. Hasil penguian ini memberian eputusan apaah waah dienali atau tida
10 Gambar 2.2 Sistem pengenalan waah menggunaan Fisherface. Pada proses pengenalan waah ini masuan dan database diolah untu menentuan apaah waah pada citra masuan dienali atau tida. Proses pengolahan citra dilauan rean penulis. Hasil dari pengolahan citra ini merupaan citra waah yang sudah sesuai dengan database. 2.5 Principal Component Analysis (PCA) PCA menghasilan redusi data yang besar sehingga banya digunaan dalam pemrosesan citra. Dalam proses pengenalan pola sering ditemuan bahwa salah satu fitur yang ita pilih memilii orelasi dengan yang lain dan sebagian fitur tida berguna dengan memperhitungan nilai disriminanya [8]. Dengan pengurangan uuran dari fitur ini maa dapat memperoleh sistem pengenalan waah dengaan aurasi yang tinggi dengan memori yang semain berurang dan perhitungan yang semain sederhana. Misalan ada dua fitur X dan Y. Untu mengetahui hubungan antara masing masing fitur maa dihitung nilai ovarian dari masing-masing fitur tadi. Masing-masing fitur ita hitung mean dan standar deviasinya. Kemudian edua fitur yang ita hitung ovariannya. Jia nilai ovarian positif hal itu berarti ia nilai fitur X ita naian maa nilai fitur Y uga aan nai, sebalinya ia nilai ovariannya negatif maa ia ita
11 naian nilai fitur X maa nilai Y aan turun. Jia nilai ovarianya nol maa edua fitur tersebut tida berhubungan. Hal ini yang menadi dasar dalam perhitungan PCA. Misalan terdapat sebuah citra beruuran N x N pisel maa dapat dilihat sebagai vetor dengan dimensi N 2. PCA bertuuan untu menemuan omponen prinsip dari umpulan waah dalam database. Fitur yang signifian ini disebut sebagai Eigenface. Eigenface didapat dari eigenvetor matri ovarian dari himpunan citra dalam database. Eigenvetor ini merupaan fitur yang menggambaran variansi antara citra waah. Masing-masing loasi pada waah berontribusi terhadap setiap eigenvetor ini. Masingmasing waah pada database dapat direpresentasian dengan ombinasi linear dari Eigenface ini. Jumlah Eigenface sama dengan umlah database. Citra waah dapat diperiraan dengan Eigenface terbai (yang memilii eigenvalue terbesar) yang mewaili sebagian besar variasi waah pada database. Dengan pengambilan beberapa omponen prinsip (yang terpenting) ini maa perhitungan Eigenface menadi efisien. Misalan sebuah citra waah X ( x, y) berupa array dua dimensi M N. Seumlah N citra waah dalam database tersebut direpresentasian { X 1, X 2, X 3,..., X N }, dimana setiap X adalah vetor berdimensi ( M. N) 1. i Tahapan-tahapan dalam mengambil fitur dengan metode ini adalah: Menghitung nilai rata-rata citra 1 N x N = 1 μ = (2.1) Menghitung matris ovarian citra N T C = ( x μ)( x μ) (2.2) = 1 Menghitung eigenvalue dan eigenvector PCA Cu = λ u (2.3) n n n
12 u = eigenvector λ = eigenvalue Misalan sebuah database M citra waah beruuran N N diubah menadi vetor 2 berdimensi ( N ) 1. PCA digunaan untu mencari M vetor orthonormal μ n yang menggambaran dengan bai distribusi data.vetor e-, μ dipilih sehingga λ = 1 M M n= 1 T ( μ Φ n ) 2 (2.4) masimum etia μ T l μ 1, l = = 0, otherwise (2.5) vetor μ adalah eigenvetor dan λ adalah eigenvalue dari matri ovarian C. Jia umlah citra dalam database auh lebih ecil dari uuran vetor ( M < 2 N ), maa aan terdapat M 1 eigenvetor yang penting. Sehingga ita dapat mengurangi eigenvetor beruuran 2 N dengan mencari eigenvetor matri beruuran M M. Untu menentuan berapa eigenface yang aan diambil dapat ditentuan dengan persamaan M ' ' i= 1 M i= 1 μ μ i = Α (2.6) A adalah nilai yang menggambaran berapa variansi database yang ita inginan misalan 0,9 (90%). Variansi database merupaan nilai uadrat dari standar deviasi yang menggambaran umlah dari uadrat deviasi dari nilai rata-rata. Semain ecil nilai A maa vetor eigen urang aurat namun umlah vetor eigen yang dibutuhan berurang ( M < M).
13 2.5 Metode Fisherface Metode Fisherface merupaan gabungan antara metode pengelompan pola dengan menggunaan PCA (Principle Component Analysis) dan LDA (Linear Discriminant Analysis). Pengelompoan pola dengan memanfaatan PCA aan memasimalan ara pemisah pola antar elas. Pengelompoan pola dengan memanfaatan LDA aan memasimalan penyebaran pola di dalam elas. Metode Fisherface memanfaatan edua metode pengelompoan pola tersebut dengan tuuan untu memasimalan rasio penyebaran pola antar elas dan uga penyebaran pola di dalam elas itu sendiri. Dengan memasimalan edua hal tersebut, maa diharapan sistem tida hanya dapat mengenali variasi antar elas, tetapi uga variasi di dalam anggota elas itu sendiri. Hasil penelitian menunuan performa metoda Fisherface lebih bai dibandingan metoda Eigenface [9]. Contoh PCA dan FLD dapat dilihat dalam gambar 2.4 di bawah. Pada gambar terlihat 20 sampel dalam 2 elas. Masing-masing sampel terleta dalam ruang fitur 2D. PCA dan FLD memproyesian sampel dari 2Dmenadi 1D. Gambar 2.3 Contoh PCA dan FLD
14 Algoritma Fisherface menggunaan eigenvetor PCA untu estrasi fitur dan emudian ditransformasian e analisis disriminan linear. W = W fld W PCA (2.7) Tahapan-tahapan dalam mengambil fitur dengan metode Fisherface adalah: Menghitung nilai rata-rata citra dalam tiap elas μ = 1 N N m = 1 x m (2.8) Menghitung ovarian antar-elas S B = C = 1 N ( μ μ )( μ μ ) T (2.9) Menghitung ovarian dalam elas S W = C = 1 x X ( x μ )( x μ ) T (2.10) Menghitung eigenvalue dan eigenvector LDA S u = λ S u B i i W i (2.11) Menghitung eigenvalue dan eigenvector gabungan uopt = upcaulda (2.12)
15 2.6 Klasifiasi dengan JST Proses terahir adalah feature matching atau lasifiasi. emilah (classifier) bertuuan menyeat ruang fitur e dalam daerah-daerah elas misalan riteria ara, SVM dan JST. Pemilah sederhana yang banya digunaan adalah lasifiasi ara minimum. Kelas pola yang memilii banya esamaan aan menghasilan nilai ara yang ecil. Metode JST dilauan berdasaran tanggapan suatu neuron aringan pengolah sinyal terhadap stimulus masuan (pola) dan membentu generalisasi pola tersebut. Pengetahuan disimpan dalam bobot. Pengenalan pola dengan JST dapat dilatih dan beradaptasi. JST dapat membentu daerah eputusan yang rumit dengan umlah neuron secuupnya Pada sub-bab ini aan dibahas pengertian aringan syaraf tiruan, arsitetur JST, algoritma bacpropagation dan fungsi ativasi Pengertian Jaringan Syaraf Tiruan Jaringan syaraf tiruan (JST) adalah sistem pemroses informasi yang memilii arateristi mirip dengan aringan syaraf biologi. JST terdiri umpulan dari unit/node yang saling beraitan dengan nilai bobot tertentu. Kemampuan dari aringan ini terleta pada emampuan aringan untu meyimpan bobot antar onesi yang diperoleh dari proses pelatihan dan adaptasi dari sebuah umpulan pola latih dan menggunaanya embali. Pada dasarnya aringan syaraf tiruan memilii tiga aspe : 1.Arsitetur aringan 2.Algoritma (pelatihan dan pembelaaran) 3.Fungsi ativasi
16 2.6.2 Arsitetur Jaringan Syaraf Tiruan Suatu JST terdiri dari beberapa lapisan, yaitu lapisan input, output, dan beberapa lapisan di antara eduanya yang dienal dengan nama lapisan tersembunyi (hidden layer). Penambahan lapisan tersembunyi (hidden layer) meningatan emampuan JST menyelesaian masalah yang lebih omples. Penambahan ini aan meningatan watu omputasi. Menurut Kolmogorov, JST yang terdiri dari tiga lapisan ( 2 lapis hidden dan 1 lapis output) dapat melauan lasifiasi terhadap elas pola yang rumit [10]. Gambar 2.4 Arsitetur JST multilayer bacpropagation Algoritma Bacpropagation Pengenalan pola dapat di implementasian menggunaan JST multilayer dengan algoritma bacpropagation. Jaringan enis ini banya digunaan dalam lasifiasi pola [10]. Pada model ini proses pelatihan dilauan melalui dua tahap, yaitu propagasi mau (feedforward) dan propagasi bali (bacward). Pada propagasi mau eluaran dicari dengan mempropagasian input sampai e layer output. Kemudian berdasaran error yang didapat dengan membandingan eluaran dengan target, dilauan propagasi bali untu melauan pemodifiasian bobot. Iterasi aan dihentian apabila syarat penghentian iterasi telah terpenuhi.
17 Secara umum algoritma bacpropagation [13] : 1. Inisialisasi Tahap ini meliputi inisialisasi semua bobot, dan parameter yang digunaan seperti masimum epoch, target error, dan learning rate (α ) di awal proses pelatihan. 2. Propagasi mau ( feedforward) Perhitungan output feedforward dilauan dengan langah: a. Tiap-tiap neuron input ( X i, i=1,2,3,,n) menerima masuan dari vetor fitur dan menerusan sinyal tersebut e semua neuron pada hidden layer. b. Hitung semua eluaran neuron pada hidden layer ( Z, =1,2,3,,p) : n z net = v 0 + Σ i = 1 _ x v (2.13) i i z = f z _ net ) (2.14) ( c. Hitung eluaran neuron output ( Y, =1,2,3,,m) : p y net = w 0 + Σ= i 1 _ z w (2.15) i y = f y _ net ) (2.16) ( 3. Propagasi mundur (bacpropagation) a. Hitung fator unit esalahan δ pada neuron output( Y, =1,2,3,,m) ( t y ) f '( y _ net ) δ = (2.17) Perubahan bobot Δ W = αδ z =1,2,...,m;=0,1,,p (2.18)
18 b. Hitung fator unit esalahan δ pada neuron hidden layer ( Z, =1,2,3,,p) : m δ _ net = δ w (2.19) = 1 δ = δ _ net f '( z _ net ) (2.20) Perubahan bobot i i Δ v = αδ x (2.21) 4. Perubahan bobot w ( baru) = w ( lama) + Δw (2.22) v i ( baru) = v ( lama) + Δv (2.23) i i 5. Menghitung nilai error Fungsi performa yang digunaan pada aringan bacpropagation ini adalah mean squared error (mse). Fungsi ini menghitung rata-rata uadrat error yang teradi antara output aringan dan target. Iterasi aan dihentian apabila nilai error telah memenuhi riteria yang diberian. Pada algoritma bacpropagation dapat dilauan modifiasi dengan penambahan momentum. Pada algoritma yang standar perubahan bobot didasaran pada gradient saat itu. Dengan momentum perubahan itu didasaran pada arah gradient pola terahir dan pola sebelumnya. Momentum menghindaran JST tereba pada minimum loal yang dangal.dan berusaha mencapai minimum global (setidanya minimum loal yang lebih curam). Momentum ini merupaan onstanta yang besarnya berisar antara 0 sampai 1.
19 2.6.4 Fungsi Ativasi Untu mendapatan eluaran dari tiap-tiap lapisan digunaan suatu fungsi ativasi. Untu JST dengan algoritma bacpropagation, fungsi ativasi yang biasa digunaan adalah fungsi sigmoid biner, fungsi sigmoid bipolar, atau fungsi linear. Fungsi sigmoid biner Fungsi ini memilii nilai pada range 0 sampai 1, oleh arena itu fungsi ini sering digunaan untu aringan yang membutuhan nilai output antara 0-1 atau output dengan nilai 0 atau 1. Fungsi ini dirumusan sebagai beriut : y = 1 f ( x) = (2.24) x 1+ e dengan turunannya : f '( x) = f ( x)(1 f ( x)) (2.25) Grafi fungsi ini dapat dilihat pada Gambar 2.6. Gambar 2.5 Fungsi ativasi sigmoid Fungsi sigmoid bipolar Fungsi sigmoid bipolar hampir sama dengan fungsi sigmoid biner, aan tetapi output dari fungsi ini memilii rentang antara 1 dan -1. Fungsi ini dirumusan sebagai :
20 y = x 1 e f ( x) = (2.26) x 1+ e dengan turunannya : Grafi fungsinya dapat dilihat pada Gambar f '( x) = (1 + f ( x))(1 f ( x)) (2.27) 2 Gambar 2.6 Fungsi ativasi sigmoid bipolar Fungsi linear (identitas) Fungsi linear memilii nilai output yang sama dengan nilai inputnya. Fungsi ini dirumusan seperti Persamaan y = x (2.28) Gambar 2.8 memperlihatan grafi fungsi linear. Gambar 2.7 Fungsi ativasi linear
BAB 3 PATTERN MATCHING BERBASIS JARAK EUCLID, PATTERN MATCHING BERBASIS JARAK MAHALANOBIS, DAN JARINGAN SYARAF TIRUAN BERBASIS PROPAGASI BALIK
BAB 3 PATTERN MATCHING BERBASIS JARAK EUCLID, PATTERN MATCHING BERBASIS JARAK MAHALANOBIS, DAN JARINGAN SYARAF TIRUAN BERBASIS PROPAGASI BALIK Proses pengenalan dilauan dengan beberapa metode. Pertama
Lebih terperinciPENDAHULUAN TINJAUAN PUSTAKA
1 Latar Belaang PENDAHULUAN Sistem biometri adalah suatu sistem pengenalan pola yang melauan identifiasi personal dengan menentuan eotentian dari arateristi fisiologis dari perilau tertentu yang dimilii
Lebih terperinciKLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE
KLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE Warih Maharani Faultas Teni Informatia, Institut Tenologi Telom Jl. Teleomuniasi No.1 Bandung 40286 Telp. (022) 7564108
Lebih terperinciPENENTUAN JENIS PRODUK KOSMETIK PILIHAN BERDASARKAN FAKTOR USIA DAN WARNA KULIT MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN
PENENTUAN JENIS PRODUK KOSMETIK PILIHAN BERDASARKAN FAKTOR USIA DAN WARNA KULIT MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN Amethis Otaorora 1, Bilqis Amaliah 2, Ahmad Saihu 3 Teni Informatia, Faultas Tenologi
Lebih terperincikhazanah Sistem Klasifikasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunakan Jaringan Syaraf Tiruan Backpropagation informatika
hazanah informatia Jurnal Ilmu Komputer dan Informatia Sistem Klasifiasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunaan Jaringan Syaraf Tiruan Bacpropagation Yusuf Dwi Santoso *, Suhartono Departemen
Lebih terperincikhazanah Sistem Klasifikasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunakan Jaringan Syaraf Tiruan Backpropagation informatika
hazanah informatia Jurnal Ilmu Komputer dan Informatia Sistem Klasifiasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunaan Jaringan Syaraf Tiruan Bacpropagation Yusuf Dwi Santoso *, Suhartono Program
Lebih terperinciIII. METODOLOGI PENELITIAN
III. METODOLOGI PENELITIAN 3.1 Keranga Pemiiran Pemerintah ahir-ahir ini sering dihadapan pada masalah persediaan pupu bersubsidi yang daya serapnya rendah dan asus elangaan di berbagai loasi di Indonesia.
Lebih terperinciKAJIAN PENGENALAN WAJAH DENGAN MENGGUNAKAN METODE FACE-ARG DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
Media Informatia, Vol. 5, No. 2, Desember 2007, 99-111 ISSN: 0854-4743 KAJIAN PENGENALAN WAJAH DENGAN MENGGUNAKAN METODE FACE-ARG DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Anita Desiani Jurusan Matematia,
Lebih terperinciANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA IRIS
Jurnal Teni dan Ilmu Komputer ANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA IRIS AN ANALYSIS OF THE VARIATION PARAMETERS OF THE ARTIFICIAL NEURAL NETWORK
Lebih terperinciNeural Network menyerupai otak manusia dalam dua hal, yaitu:
2.4 Artificial Neural Networ 2.4.1 Konsep dasar Neural Networ Neural Networ (Jaringan Saraf Tiruan) merupaan prosesor yang sangat besar dan memilii ecenderungan untu menyimpan pengetahuan yang bersifat
Lebih terperinciJARINGAN SARAF TIRUAN PROPAGASI BALIK UNTUK KLASIFIKASI DATA
JARINGAN SARAF TIRUAN PROPAGASI BALIK UNTUK KLASIFIKASI DATA Giri Dhaneswara 1) dan Veronica S. Moertini 2) Jurusan Ilmu Komputer, Universitas Katoli Parahyangan, Bandung Email: 1) rebirth_82@yahoo.com,
Lebih terperinciMAKALAH SEMINAR TUGAS AKHIR
1 MAKALAH SEMINAR TUGAS AKHIR PENGENALAN POLA GEOMETRI WAJAH MENGGUNAKAN JARINGAN SYARAF TIRUAN PERAMBATAN BALIK Muhamad Tonovan *, Achmad Hidayatno **, R. Rizal Isnanto ** Abstra - Pengenalan waah adalah
Lebih 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 terperinciAnalisa Drop Tegangan dan Susut Daya pada Jaringan Listrik Penyulang Renon Menggunakan Metode Artificial Neural Network
Analisa Drop Tegangan dan Susut Daya pada Jaringan Listri Penyulang Renon Menggunaan Metode Artificial Neural Networ I Gede Dyana Arana Jurusan Teni Eletro Faultas Teni, Universitas Udayana Denpasar, Bali,
Lebih terperinciPENGENALAN POLA DENGAN MENGGUNAKAN METODE BACKPROPAGATION MENGGUNAKAN MATLAB
PENGENALAN POLA DENGAN MENGGUNAKAN METODE BACKPROPAGATION MENGGUNAKAN MATLAB Wirda Ayu Utari Universitas Gunadarma utari.hiaru@gmail.com ABSTRAK Program pengenalan pola ini merupaan program yang dibuat
Lebih terperinci1. Pendahuluan Jaringan syaraf tiruan ( Artificial Neural Networ ) adalah suatu tenologi omputasi yang berbasis pada model syaraf biologis dan mencoba
JARINGAN SYARAF TIRUAN BACKPROPAGATION SEBAGAI METODE PERAMALAN PADA PERHITUNGAN TINGKAT SUKU BUNGA PINJAMAN DI INDONESIA Nurmalasari Rusmiati 1 Sistem Informasi, Faultas Ilmu Komputer, Universitas Gunadarma
Lebih terperinciBAB V ALGORITMA PEMBELAJARAN DALAM JARINGAN SYARAF TIRUAN
BAB V ALGORITMA PEMBELAJARAN DALAM JARINGAN SYARAF TIRUAN Kompetensi : 1. Mahasiswa memahami onsep pembelaaran dalam JST Sub Kompetensi : 1. Dapat mengetahui prinsip algoritma Perceptron 2. Dapat mengetahui
Lebih terperinciANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK PADA SISTEM PENGENALAN WAJAH BERBASIS PRINCIPAL COMPONENT ANALYSIS
ANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK PADA SISTEM PENGENALAN WAJAH BERBASIS PRINCIPAL COMPONENT ANALYSIS 1 Ihwannul Kholis, 2 Ahmad Rofii. 1 Universitas 17 Agustus 1945 Jaarta,
Lebih terperinciISSN: TEKNOMATIKA Vol.1, No.2, JANUARI
ISSN: 1979-7656 TEKNOMATIKA Vol.1, No.2, JANUARI 2009 25 PERANCANGAN DAN IMPLEMENTASI JARINGAN SYARAF TIRUAN UNTUK MENDIAGNOSA JENIS PENYAKIT KANDUNGAN Bambang Yuwono Jurusan Teni Informatia UPN Veteran
Lebih terperinciPENGENDALIAN MOTOR DC MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
PENGENDALIAN MOTOR DC MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Wahyudi, Sorihi, dan Iwan Setiawan. Jurusan Teni Eletro Faultas Teni Universitas Diponegoro Semarang e-mail : wahyuditinom@yahoo.com.
Lebih terperinciSISTEM PENGENAL WAJAH DENGAN JARINGAN SYARAF TIRUAN
SISTEM PENGENAL WAJAH DENGAN JARINGAN SYARAF TIRUAN Julian Supardi, Rz. Abdul Aziz, Syepriansyah Seolah Tggi Manaemen Informatia dan Komputer Darmaaya Jl. Z.A Pagar Alam No. 93 Bandar Lampung Indonesia
Lebih terperinciSISTEM PENGENALAN WAJAH DENGAN MENGGUNAKAN BACKPROPAGATION ARTIFICIAL NEURAL NETWORK DAN PRINCIPAL COMPONENT ANALYSIS
Jurnal Teni dan Ilmu Komputer SISTEM PENGENALAN AJAH DENGAN MENGGUNAKAN BACKPROPAGATION ARTIFICIAL NEURAL NETORK DAN PRINCIPAL COMPONENT ANALYSIS FACE RECOGNITION SYSTEM USING BACKPROPAGATION ARTIFICIAL
Lebih terperinciBAB 2 LANDASAN TEORI
6 BAB 2 LANDASAN TEORI 2.1 Penjadwalan 2.1.1 Jadwal Secara Umum Menurut Kamus Besar Bahasa Indonesia (KBBI), jadwal adalah pembagian watu berdasaran rencana pengaturan urutan erja, daftar atau tabel egiatan
Lebih terperinciBAB II LANDASAN TEORI. Proses utama dari pengenalan karakter adalah menerima karakter input dan
BAB II LANDASAN TEORI 2.1 Pengenalan Teori Proses utama dari pengenalan arater adalah menerima arater input dan memerisa apaah hasil input tersebut sesuai dengan salah satu arater yang ada. Bagian yang
Lebih terperinciAPLIKASI PREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF RADIAL BASIS FUNCTION DENGAN METODE PEMBELAJARAN HYBRID
APLIKASI PREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF RADIAL BASIS FUNCTION DENGAN METODE PEMBELAJARAN HYBRID Ferry Tan, Giovani Gracianti, Susanti, Steven, Samuel Luas Jurusan Teni Informatia, Faultas
Lebih terperinciBAB III DESAIN DAN APLIKASI METODE FILTERING DALAM SISTEM MULTI RADAR TRACKING
Bab III Desain Dan Apliasi Metode Filtering Dalam Sistem Multi Radar Tracing BAB III DESAIN DAN APLIKASI METODE FILTERING DALAM SISTEM MULTI RADAR TRACKING Bagian pertama dari bab ini aan memberian pemaparan
Lebih terperinciSistem Pendukung Keputusan Penerima Beasiswa SMK Menggunakan Metode Backpropagation
Seminar Nasional e 9: Reayasa Tenologi Industri dan Informasi Sistem Penduung Keputusan Penerima Beasiswa SMK Menggunaan Metode Bacpropagation Teti Rohaeti 1, Yoyon Kusnendar Suprapto 2, Eo Mulyanto 3
Lebih terperinciDany Candra Febrianto ) dan Hindayati Mustafidah )
Penerapan Jaringan Saraf Tiruan dengan Metode Pembelaaran Bacpropagation untu Mengetahui Tingat Kualifiasi Calon Siswa pada Sistem Informasi Penerimaan Siswa Baru di MAN 2 Banarnegara (Application of Artificial
Lebih terperinciII. DASAR TEORI I. PENDAHULUAN
IMPLEMENTASI JARINGAN SYARAF TIRUAN PERAMBATAN-BALIK UNTUK MENDETEKSI GOLONGAN DARAH PADA MANUSIA M. Fuad Latief *, R. Rizal Isnanto, Budi Setiyono Abstra - Membran sel darah manusia mengandung bermacam-macam
Lebih terperinciSistem Peramalan Jumlah Produksi Air PDAM Samarinda Menggunakan Jaringan Syaraf Tiruan Backpropagation
Sistem Peramalan Jumlah Produsi Air PDAM Samarinda Menggunaan Jaringan Syaraf Tiruan Bacpropagation Anindita Septiarini 1 dan Nur Sya baniah 2 1 Program Studi Ilmu Komputer FMIPA, Universitas Mulaarman
Lebih terperinciMODEL REGRESI INTERVAL DENGAN NEURAL FUZZY UNTUK MEMPREDIKSI TAGIHAN AIR PDAM
MODEL REGRESI INTERVAL DENGAN NEURAL FUZZY UNTUK MEMPREDIKSI TAGIHAN AIR PDAM 1,2 Faultas MIPA, Universitas Tanjungpura e-mail: csuhery@sisom.untan.ac.id, email: dedi.triyanto@sisom.untan.ac.id Abstract
Lebih terperinciPREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF TIRUAN MULTILAYER FEEDFORWARD NETWORK DENGAN ALGORITMA BACKPROPAGATION
Konferensi Nasional Sistem dan Informatia 2008; Bali, November 5, 2008 PREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF TIRUAN MULTILAYER FEEDFORWARD NETWORK DENGAN ALGORITMA BACKPROPAGATION Wahyudi Setiawan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belaang Di aman searang sebuah adal yang tersusun rapi merupaan ebutuhan bagi setiap individu. Namun masalah penyusunan sebuah adal merupaan sebuah masalah umum yang teradi,
Lebih terperinciPENGENALAN KAPAL PADA CITRA DIGITAL MENGGUNAKAN IMAGE PROCESSING DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
PENGENALAN KAPAL PADA CITRA DIGITAL MENGGUNAKAN IMAGE PROCESSING DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Sutino 1, Helmie Arif Wibawa 2, Priyo Sidi Sasongo 3 123 Jurusan Ilmu Komputer/Informatia, FSM,
Lebih terperinciModel Pembelajaran Off-Line Menggunakan Jaringan Syaraf Tiruan Untuk Pengemudian Otomatis pada Kendaraan Beroda Jurusan Teknik Elektronika PENS 2009
Model Pembelaaran Off-Line Menggunaan Jaringan Syaraf Tiruan Untu Pengemudian Otomatis pada Kendaraan Beroda Jurusan Teni Eletronia PENS 2009 Arie Setya Wulandari#, Eru Puspita S.T., M.Kom#2 # Jurusan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belaang Model Loglinier adalah salah satu asus husus dari general linier model untu data yang berdistribusi poisson. Model loglinier juga disebut sebagai suatu model statisti
Lebih terperinciPENDETEKSIAN GERAK TANGAN MANUSIA SEBAGAI INPUT PADA KOMPUTER
PENDETEKSIAN GERAK TANGAN MANUSIA SEBAGAI INPUT PADA KOMPUTER Wiaria Gazali 1 ; Haryono Soeparno 2 1 Jurusan Matematia, Faultas Sains dan Tenologi, Universitas Bina Nusantara Jln. K.H. Syahdan No. 9, Palmerah,
Lebih terperinciPENGENALAN KARAKTER TULISAN TANGAN DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK RESILIENT
PENGENALAN KARAKTER TULISAN TANGAN DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK RESILIENT Oleh : DONNY WAHYU SAPUTRO G06499031 DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini akan dielaskan mengenai teori-teori yang berhubungan dengan penelitian ini, sehingga dapat diadikan sebagai landasan berpikir dan akan mempermudah dalam hal pembahasan
Lebih terperinciBAB III PENENTUAN HARGA PREMI, FUNGSI PERMINTAAN, DAN TITIK KESETIMBANGANNYA
BAB III PENENTUAN HARGA PREMI, FUNGSI PERMINTAAN, DAN TITIK KESETIMBANGANNYA Pada penelitian ini, suatu portfolio memilii seumlah elas risio. Tiap elas terdiri dari n, =,, peserta dengan umlah besar, dan
Lebih terperinciANALISIS PETA KENDALI DEWMA (DOUBLE EXPONENTIALLY WEIGHTED MOVING AVERAGE)
Seminar Nasional Matematia dan Apliasinya, 1 Otober 17 ANALISIS PETA KENDALI DEWMA (DOUBLE EXPONENTIALLY WEIGHTED MOVING AVERAGE) DALAM PENGENDALIAN KUALITAS PRODUKSI FJLB (FINGER JOINT LAMINATING BOARD)
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN PENENTU NILAI INTERVAL KADAR LEMAK TUBUH MENGGUNAKAN REGRESI INTERVAL DENGAN NEURAL FUZZY
SISTEM PENDUKUNG KEPUTUSAN PENENTU NILAI INTERVAL KADAR LEMAK TUBUH MENGGUNAKAN REGRESI INTERVAL DENGAN NEURAL FUZZY Tedy Rismawan dan Sri Kusumadewi Laboratorium Komputasi dan Sistem Cerdas, Jurusan Teni
Lebih terperinciABSTRAKSI 2 PENENTUAN KANDIDAT TEPI PADA RUANG FITUR 1 PENDAHULUAN
PEEUA KADIDA EPI PADA RUAG FIUR DEGA MEODE KEREL PRICIPAL COMPOE AALYSIS DA SUBSPACE CLASSIFICAIO Puspita Dewi, Yudhi Purwananto, Rully Soelaiman 3 eni Informatia, Faultas enologi Informasi, IS email :
Lebih terperinciPENGENALAN WAJAH DENGAN METODE INTERPERSONAL DIFFERENCE BERBASIS GAUSSIAN MIXTURE MODEL DAN ANALISIS DISKRIMINAN
Prosiding Seminar Nasional Manajemen Tenologi V Program Studi MMT-TS, Surabaya Agustus 008 PENGENALAN WAJAH DENGAN METODE NTERPERSONAL DFFERENCE BERBASS GAUSSAN MXTURE MODEL DAN ANALSS DSRMNAN Made a*
Lebih terperinciPengenalan Pola. Klasifikasi Linear Discriminant Analysis
Pengenalan Pola Klasifiasi Linear Discriminant Analysis PTIIK - 2014 Course Contents 1 Analisis Disriminan 2 Linear Classification 3 Linear Discriminant Analysis (LDA 4 Studi Kasus dan Latihan Analisis
Lebih terperinciCONTENT BASED IMAGE RETRIEVAL MENGGUNAKAN MOMENT INVARIANT, TEKSTUR DAN BACKPROPAGATION
UPN Veteran Yogyaarta, 30 Juni 2012 CONTENT BASED IMAGE RETRIEVAL MENGGUNAKAN MOMENT INVARIANT, TEKSTUR DAN BACKPROPAGATION Ni G.A.P Harry Saptarini 1), Rocy Yefrenes Dilla 2) 1) Politeni Negeri Bali 2)
Lebih terperinciProsiding Semirata FMIPA Universitas Lampung, 2013
Sistem Pengenalan Nomor Plat Kendaraan Berbasis Foto Diital Dengan Metode Moment Invariant dan Jaringan Syaraf Tiruan Menggunaan Algoritma Bacpropagation Zaiful Bahri, Suamto dan Joo Risanto Jurusan Matematia
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belaang Masalah untu mencari jalur terpende di dalam graf merupaan salah satu masalah optimisasi. Graf yang digunaan dalam pencarian jalur terpende adalah graf yang setiap sisinya
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Variabel Variabel ialah sesuatu yang nilainya berubah-ubah menurut watu atau berbeda menurut elemen/tempat. Umumnya nilai arateristi merupaan variabel dan diberi simbol huruf X.
Lebih terperinciPERAMALAN CURAH HUJAN WILAYAH SEMARANG BARAT DENGAN ALGORITMA RESILIENT BACKPROPAGATION
PERAMALAN CURAH HUJAN WILAYAH SEMARANG BARAT DENGAN ALGORITMA RESILIENT BACKPROPAGATION Wellie Sulistanti Abstract- Tuuan dari penelitian ini untu mengapliasian cara era aringan syaraf tiruan dengan menggunaan
Lebih terperinciTEKNIK PERAMALAN TINGKAT PENJUALAN DENGAN JARINGAN SYARAF TIRUAN
TENI PERAMALAN TINGAT PENJUALAN DENGAN JARINGAN SYARAF TIRUAN Sri Mulyana Program Studi Ilmu omputer F MIPA UGM Seip Unit III Yogyaarta Telp (0274)546194 e-mail : smulyana@ugm.ac.id Abstra Tingat penualan
Lebih terperinciPENGENALAN SIDIK JARI MENGGUNAKAN RESILIENT BACKPROPAGATION NEURAL NETWORK DENGAN PRAPROSES TRANSFORMASI WAVELET INEZA NUR OKTABRONI
PENGENALAN SIDIK JARI MENGGUNAKAN RESILIENT BACKPROPAGATION NEURAL NETWORK DENGAN PRAPROSES TRANSFORMASI WAVELET INEZA NUR OKTABRONI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
Lebih terperinciPENGEMBANGAN MODEL JARINGAN SYARAF TIRUAN RESILIENT BACKPROPAGATION UNTUK IDENTIFIKASI PEMBICARA DENGAN PRAPROSES MFCC. Oleh:
1 PENGEMBANGAN MODEL JARINGAN SYARAF TIRUAN RESILIENT BACKPROPAGATION UNTUK IDENTIFIKASI PEMBICARA DENGAN PRAPROSES MFCC Oleh: NURHADI SUSANTO G64103059 DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN
Lebih terperinciBAB 1 PENDAHULUAN. Universitas Sumatera Utara
BAB 1 PENDAHULUAN 1.1 Latar Belaang Keadaan dunia usaha yang selalu berubah membutuhan langah-langah untu mengendalian egiatan usaha di suatu perusahaan. Perencanaan adalah salah satu langah yang diperluan
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Statisti Inferensia Tujuan statisti pada dasarnya adalah melauan desripsi terhadap data sampel, emudian melauan inferensi terhadap data populasi berdasaran pada informasi yang
Lebih terperinciDETEKSI POLA BERDASARKAN COLOUR FEATURE DENGAN METODE JARINGAN SYARAF TIRUAN
Prosiding Seminar Nasional Apliasi Sains & Tenologi (SNAST) Periode II ISSN: 1979-911X Yogyaarta, 11 Desember 2010 DETEKSI POLA BERDASARKAN COLOUR FEATURE DENGAN METODE JARINGAN SYARAF TIRUAN Uning Lestari
Lebih terperinciPENGENALAN TEKS BRAILLE BERBASIS JARINGAN SYARAF TIRUAN FEEDFORWARD MULTILAYER DENGAN MENGGUNAKAN METODE BACK PROPAGATION
1 MAKALAH SEMINAR TUGAS AKHIR PENGENALAN TEKS BRAILLE BERBASIS JARINGAN SYARAF TIRUAN FEEDFORWARD MULTILAYER DENGAN MENGGUNAKAN METODE BACK PROPAGATION Praditya Firmansyah *, Wahyul Amien Syafei**, Iwan
Lebih terperinciAPLIKASI ARTIFICIAL NEURAL NETWORK UNTUK PERAMALAN ALIRAN SUNGAI BLEGA ABSTRACT
APLIKASI ARTIFICIAL NEURAL NETWORK UNTUK PERAMALAN ALIRAN SUNGAI BLEGA Manyu Fauzi, Minarni Nur Trilita Mahasiswa S3 MRSA, Jurusan Teni Sipil-ITS dan Pengaar Jurusan Teni Sipil Univ. Riau Mahasiswa S3
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MERAMALKAN BEBAN PEMAKAIAN AIR PADA PDAM KOTA BANDUNG
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MERAMALKAN BEBAN PEMAKAIAN AIR PADA PDAM KOTA BANDUNG Oleh : M.Rizi.H.S, Andri Heryandi,S.T, Bambang Siswoyo,Ir,M.Si Jl. Dipati Uur Bandung Teni Informatia Universitas
Lebih terperinciBAB 3 LANGKAH PEMECAHAN MASALAH
BAB 3 LANGKAH PEMECAHAN MASALAH 3.1 Penetapan Kriteria Optimasi Gambar 3.1 Bagan Penetapan Kriteria Optimasi Sumber: Peneliti Determinasi Kinerja Operasional BLU Transjaarta Busway Di tahap ini, peneliti
Lebih terperinciBAB III ANALISIS DISKRIMINAN. analisis multivariat dengan metode dependensi (dimana hubungan antar variabel
BAB III ANALISIS DISKRIMINAN 3.1 Pengertian Analisis Disriminan Analisis disriminan merupaan sala satu metode yang digunaan dalam analisis multivariat dengan metode dependensi (dimana ubungan antar variabel
Lebih terperinciAPLIKASI ALGORITMA FEED FORWARD BACKPROPAGATION PADA SISTEM KEAMANAN AKSES MENGGUNAKAN SIDIK JARI.
Proceeding Seminar dan Worshop Nasional Pendidian Teni Eletro (SWNE) FPTK Universitas Pendidian Indonesia APLIKASI ALGORITMA FEED FORWARD BACKPROPAGATION PADA SISTEM KEAMANAN AKSES MENGGUNAKAN SIDIK JARI.
Lebih terperinciPENGEMBANGAN PERANGKAT LUNAK BERBASIS JARINGAN SYARAF TIRUAN UNTUK PERAMALAN BEBAN LISTRIK JANGKA PENDEK (STUDI KASUS DI PT.PLN AREA DISTRIBUSI JABAR)
PENGEMBANGAN PERANGKAT LUNAK BERBASIS JARINGAN SYARAF TIRUAN UNTUK PERAMALAN BEBAN LISTRIK JANGKA PENDEK (STUDI KASUS DI PT.PLN AREA DISTRIBUSI JABAR) Oleh: ¹ HERLY MARDANI (000298) ² BAMBANG SISWOYO,
Lebih terperinciSISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER. Abstrak
SISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER Oleh : Pandapotan Siagia, ST, M.Eng (Dosen tetap STIKOM Dinamia Bangsa Jambi) Abstra Sistem pengenal pola suara atau yang lebih dienal dengan
Lebih terperinciSISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER
SISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER Pandapotan Siagian, ST, M.Eng Dosen Tetap STIKOM Dinamia Bangsa - Jambi Jalan Sudirman Theoo Jambi Abstra Sistem pengenal pola suara atau
Lebih terperinciVariasi Spline Kubik untuk Animasi Model Wajah 3D
Variasi Spline Kubi untu Animasi Model Wajah 3D Rachmansyah Budi Setiawan (13507014 1 Program Studi Teni Informatia Seolah Teni Eletro dan Informatia Institut Tenologi Bandung, Jl. Ganesha 10 Bandung 40132,
Lebih terperinciKecerdasan Komputasional Berbasis Jaringan Neural Buatan (JNB) Pada Sistem Pengenalan Wajah (Face Recognition)
No. 1/XXVI/2007 Wawan Setiawan, Kecerdasan Komputasional Kecerdasan Komputasional Berbasis Jaringan Neural Buatan (JNB) Pada Sistem Pengenalan Waah (Face Recognition) Wawan Setiawan (Universitas Pendidian
Lebih terperinciPrediksi Jumlah Kasus Demam Berdarah Dengue Menggunakan Jaringan Syaraf Tiruan (Studi Kasus daerah Kab. Sleman, Provinsi DIY)
Jurnal PROte Vol. 3 No. 1, 216 Predisi Jumlah Kasus Demam Berdarah Dengue Menggunaan Jaringan Syaraf Tiruan Iis Hamsir Ayub Wahab Program Studi Teni Eletro Faultas Teni, Universitas Khairun Email: hamsir@unhair.ac.id
Lebih terperinciPREDIKSI KELULUSAN MAHASISWA DENGAN JARINGAN SYARAF TIRUAN
Ansari Predisi Kelulusan Mahasiswa Dengan Jaringan Syaraf Tiruan PREDIKSI KELULUSAN MAHASISWA DENGAN JARINGAN SYARAF TIRUAN Rudy Ansari STMIK Indonesia Banarmasin e-mail: rudy.ansari@gmail.com ABSTRAK
Lebih terperinciAPLIKASI ALGORITMA CONJUGATE GRADIENT PADA JARINGAN SYARAF TIRUAN PERAMBATAN BALIK. Tesis
APLIKASI ALGORITMA CONJUGATE GRADIENT PADA JARINGAN SYARAF TIRUAN PERAMBATAN BALIK Tesis Program Studi Teni Eletro Jurusan Ilmu-ilmu Teni disusun oleh : Wiwien Widyastuti 8475/I-/820/02 PROGRAM PASCASARJANA
Lebih terperinciBAB 2 LANDASAN TEORI. relevan, lengkap, dan terkini sejalan dengan permasalahan yang dihadapi. Di sini juga
BAB 2 LANDASAN TEORI Dalam landasan teori ini, pada dasarnya aan dielasan mengenai teori yang relevan, lengap, dan terini sealan dengan permasalahan yang dihadapi. Di sini uga terdapat hubungan antara
Lebih terperinciAPLIKASI JARINGAN SARAF TIRUAN PERAMBATAN BALIK UNTUK PRAKIRAAN VALUTA GBP/USD DALAM FOREX TRADING
APLIKASI JARINGAN SARAF TIRUAN PERAMBATAN BALIK UNTUK PRAKIRAAN VALUTA GBP/USD DALAM FOREX TRADING Hendra William *), Achmad Hidayatno, and Aub Aulian Zahra Jurusan Teni Eletro, Universitas Diponegoro
Lebih terperinciIII DESKRIPSI DAN FORMULASI MASALAH PENGANGKUTAN SAMPAH DI JAKARTA PUSAT
III DESKRIPSI DAN FORMULASI MASALAH PENGANGKUTAN SAMPAH DI JAKARTA PUSAT 3.1 Studi Literatur tentang Pengelolaan Sampah di Beberapa Kota di Dunia Kaian ilmiah dengan metode riset operasi tentang masalah
Lebih terperinciARSITEKTUR DAN ALGORITMA JST UNTUK MENDUKUNG PREDIKSI GANGGUAN GEOMAGNET
Prosiding SNaPP2012 : Sains, Tenologi, dan Kesehatan ISSN 2089-3582 ARSITEKTUR DAN ALGORITMA JST UNTUK MENDUKUNG PREDIKSI GANGGUAN GEOMAGNET 1 John Maspupu 1 Pussainsa LAPAN, Jl Dr Dundunan No 133 Bandung
Lebih terperinciPenempatan Optimal Phasor Measurement Unit (PMU) dengan Integer Programming
JURAL TEKIK POMITS Vol. 2, o. 2, (2013) ISS: 2337-3539 (2301-9271 Print) B-137 Penempatan Optimal Phasor Measurement Unit (PMU) dengan Integer Programming Yunan Helmy Amrulloh, Rony Seto Wibowo, dan Sjamsjul
Lebih terperinciBAB 2 LANDASAN TEORI. meneliti bagaimana mesin dapat belajar dan berpikir seperti layaknya manusia. Bidang
BAB 2 LANDASAN TEORI Intelegensia Semu (IS) adalah salah satu bidang dalam ilmu omputer yang meneliti bagaimana mesin dapat belajar dan berpiir seperti layanya manusia. Bidang ilmu ini mempelajari bagaimana
Lebih terperinciMakalah Seminar Tugas Akhir
Pengaturan Kecepatan Motor DC Menggunaan Jaringan Syaraf Tiruan Feedforward Bacpropagation Sorihi *, Wahyudi **, Iwan Setiawan ** Abstra - Jaringan syaraf bacpropagation merupaan aringan syaraf yang telah
Lebih terperinciANALISA STATIK DAN DINAMIK GEDUNG BERTINGKAT BANYAK AKIBAT GEMPA BERDASARKAN SNI DENGAN VARIASI JUMLAH TINGKAT
Jurnal Sipil Stati Vol. No. Agustus (-) ISSN: - ANALISA STATIK DAN DINAMIK GEDUNG BERTINGKAT BANYAK AKIBAT GEMPA BERDASARKAN SNI - DENGAN VARIASI JUMLAH TINGKAT Revie Orchidentus Francies Wantalangie Jorry
Lebih terperinciALGORITMA PENYELESAIAN PERSAMAAN DINAMIKA LIQUID CRYSTAL ELASTOMER
ALGORITMA PENYELESAIAN PERSAMAAN DINAMIKA LIQUID CRYSTAL ELASTOMER Oleh: Supardi SEKOLAH PASCA SARJANA JURUSAN ILMU FISIKA UNIVERSITAS NEGERI YOGYAKARTA 2012 1 PENDAHULUAN Liquid Crystal elastomer (LCE
Lebih terperinciBAB III METODE SCHNABEL
BAB III METODE SCHNABEL Uuran populasi tertutup dapat diperiraan dengan teni Capture Mar Release Recapture (CMRR) yaitu menangap dan menandai individu yang diambil pada pengambilan sampel pertama, melepasan
Lebih terperinciPENERAPAN ALGORITMA BACKPROPAGATION UNTUK KLASIFIKASI MUSIK DENGAN SOLO INSTRUMEN
Seminar Nasional Apliasi Tenologi Informasi 009 (SNATI 009) Yogyaarta, 0 Juni 009 ISSN:1907-50 PENERAPAN ALGORITMA BACKPROPAGATION UNTUK KLASIFIKASI MUSIK DENGAN SOLO INSTRUMEN Gunawan 1, Agus Djaja Gunawan,
Lebih terperinciSistem Informasi Peramalan Beban Listrik Jangka Panjang di Kabupaten Jember Menggunakan JST Backpropagation
1 Sistem Informasi Peramalan Beban Listri Janga Panang di Kabupaten Jember Menggunaan JST Bacpropagation Dodi Setiabudi Abstra Kebutuhan energi listri sebagai salah satu infrastrutur penting sangat diutamaan.
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Teori Fuzzy 2.1.1 Dasar-Dasar Teori Fuzzy Secara prinsip, di dalam teori fuzzy set dapat dianggap sebagai estension dari teori onvensional atau crisp set. Di dalam teori crisp
Lebih terperinciBAB IV APLIKASI PADA MATRIKS STOKASTIK
BAB IV : ALIKASI ADA MARIKS SOKASIK 56 BAB IV ALIKASI ADA MARIKS SOKASIK Salah satu apliasi dari eori erron-frobenius yang paling terenal adalah penurunan secara alabar untu beberapa sifat yang dimilii
Lebih terperinciII. TINJAUAN PUSTAKA. sebuah teknik yang baru yang disebut analisis ragam. Anara adalah suatu metode
3 II. TINJAUAN PUSTAKA 2.1 Analisis Ragam (Anara) Untu menguji esamaan dari beberapa nilai tengah secara sealigus diperluan sebuah teni yang baru yang disebut analisis ragam. Anara adalah suatu metode
Lebih terperinciBAB IV PENGUJIAN DAN ANALISIS
BAB IV PENGUJIAN DAN ANALISIS Bab ini akan membahas tentang pengujian dan analisis sistem. Pada pengujian akan dijelaskan tentang kriteria pengujian serta analisis dari pengujian 4.1. Kriteria Pengujian
Lebih terperinciSATUAN ACARA PERKULIAHAN ( SAP )
SATUAN ACARA PERKULIAHAN ( SAP ) Mata Kuliah : Pengolahan Citra Digital Kode : IES 6323 Semester : VI Watu : 1x 3x 50 Menit Pertemuan : 7 A. Kompetensi 1. Utama Mahasiswa dapat memahami tentang sistem
Lebih terperinciBAB 5 RUANG VEKTOR UMUM. Dr. Ir. Abdul Wahid Surhim, MT.
BAB 5 RUANG VEKTOR UMUM Dr. Ir. Abdul Wahid Surhim, MT. KERANGKA PEMBAHASAN. Ruang Vetor Nyata. Subruang. Kebebasan Linier 4. Basis dan Dimensi 5. Ruang Baris, Ruang Kolom dan Ruang Nul 6. Ran dan Nulitas
Lebih terperinciPENCARIAN JALUR TERPENDEK MENGGUNAKAN ALGORITMA SEMUT
Seminar Nasional Apliasi Tenologi Informasi 2007 (SNATI 2007) ISSN: 1907-5022 Yogyaarta, 16 Juni 2007 PENCARIAN JALUR TERPENDEK MENGGUNAKAN ALGORITMA SEMUT I ing Mutahiroh, Indrato, Taufiq Hidayat Laboratorium
Lebih terperinciESTIMASI TRAJECTORY MOBILE ROBOT MENGGUNAKAN METODE ENSEMBLE KALMAN FILTER SQUARE ROOT (ENKF-SR)
SEMINAR NASIONAL PASCASARJANA SAL ESIMASI RAJECORY MOBILE ROBO MENGGUNAKAN MEODE ENSEMBLE KALMAN FILER SQUARE ROO (ENKF-SR) eguh Herlambang Zainatul Mufarrioh Firman Yudianto Program Studi Sistem Informasi
Lebih terperinciMAKALAH SEMINAR TUGAS AKHIR
MAKALAH SEMINAR TUGAS AKHIR Peramalan Kebutuhan Beban Janga Pende Menggunaan Jaringan Syaraf Tiruan Bacpropagation Oleh : Dinar Atia Sari (L2F002572) Jurusan Teni Eletro Faultas Teni Universitas Diponegoro
Lebih terperinciAKURASI MODEL PREDIKSI METODE BACKPROPAGATION MENGGUNAKAN KOMBINASI HIDDEN NEURON DENGAN ALPHA
AKURASI MODEL PREDIKSI METODE BACKPROPAGATION MENGGUNAKAN KOMBINASI HIDDEN NEURON DENGAN ALPHA Aris Puji Widodo, Suhartono 2, Eo Adi Sarwoo 3, dan Zulfia Firdaus 4,2,3,4 Departemen Ilmu Komputer/Informatia,
Lebih terperinciAPLIKASI WAVELET RECURRENT NEURAL NETWORK UNTUK PREDIKSI DATA TIME SERIES. : Agus Sumarno NRP :
APLIKASI WAELET RECURRENT NEURAL NETWORK UNTUK PREDIKSI DATA TIME SERIES Nama : Agus Sumarno NRP : 06 00 706 Jurusan : Matematia Dosen Pembimbing : Drs. Daryono Budi Utomo, M.Si Abstra Model time series
Lebih terperinciBAB III MODEL KANAL WIRELESS
BAB III MODEL KANAL WIRELESS Pemahaman mengenai anal wireless merupaan bagian poo dari pemahaman tentang operasi, desain dan analisis dari setiap sistem wireless secara eseluruhan, seperti pada sistem
Lebih terperinciPEMANFAATAN METODE HEURISTIK DALAM PENCARIAN JALUR TERPENDEK DENGAN ALGORITMA SEMUT DAN ALGORITMA GENETIKA
PEMANFAATAN METODE HEURISTIK DALAM PENCARIAN JALUR TERPENDEK DENGAN ALGORITMA SEMUT DAN ALGORITMA GENETIKA Iing Mutahiroh, Fajar Saptono, Nur Hasanah, Romi Wiryadinata Laboratorium Pemrograman dan Informatia
Lebih terperinciStudi dan Analisis mengenai Hill Cipher, Teknik Kriptanalisis dan Upaya Penanggulangannya
Studi dan Analisis mengenai Hill ipher, Teni Kriptanalisis dan Upaya enanggulangannya Arya Widyanaro rogram Studi Teni Informatia, Institut Tenologi Bandung, Jl. Ganesha 10 Bandung Email: if14030@students.if.itb.ac.id
Lebih terperinciBAB 2 TEORI PENUNJANG
BAB EORI PENUNJANG.1 Konsep Dasar odel Predictive ontrol odel Predictive ontrol P atau sistem endali preditif termasu dalam onsep perancangan pengendali berbasis model proses, dimana model proses digunaan
Lebih terperinciPERAMALAN KURS RUPIAH TERHADAP DOLAR DENGAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK ANIZZA RESTRA PUSPARIANTI
PERAMALAN KURS RUPIAH TERHADAP DOLAR DENGAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK ANIZZA RESTRA PUSPARIANTI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
Lebih terperinciBAB IV Solusi Numerik
BAB IV Solusi Numeri 4. Algoritma Genetia Algoritma Genetia (AG) [2] merupaan teni pencarian stoasti yang berdasaran pada meanisme selesi alam dan prinsip penurunan genetia. Algoritma genetia ditemuan
Lebih terperinciMakalah Seminar Tugas Akhir
Maalah Seminar ugas Ahir Simulasi Penapisan Kalman Dengan Kendala Persamaan Keadaan Pada Kasus Penelusuran Posisi Kendaraan (Vehicle racing Problem Iput Kasiyanto [], Budi Setiyono, S., M. [], Darjat,
Lebih terperinci