Hardisk 80 GB Perangkat lunak Window XP Profesional MATLAB 7.0.1
|
|
- Utami Dharmawijaya
- 7 tahun lalu
- Tontonan:
Transkripsi
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 tanda tangan dan citra tanda tangan yang akan mengalami praproses. Hasil keseluruhan yang didapat pada tahap pengujian dapat dilihat pada Lampiran 3 dan Lampiran 4. Data Pembagian dilakukan dengan menggunakan metode k-fold cross validation. Pada kombinasi pertama digunakan metode 4- fold cross validation sehingga dihasilkan latih sebanyak 15 dan uji sebanyak 5 untuk masing-masing kelas pada setiap iterasi. Pada kombinasi kedua digunakan metode 2-fold cross validation sehingga dihasilkan latih dan uji sebanyak 1 buah untuk masing-masing kelas pada setiap iterasi. Percobaan 1 : Pengenalan tanda tangan proses Pada kombinasi pertama dilakukan empat kali iterasi berdasarkan subset pada k-fold cross validation. Pada iterasi pertama didapatkan nilai akurasi untuk pengenalan tanda tangan sebesar 88%, untuk iterasi kedua diperoleh 9%, iterasi ketiga menghasilkan akurasi 9% sedangkan iterasi terakhir menghasilkan akurasi 94%. Hasil akurasi untuk masing-masing iterasi dapat dilihat pada Tabel 4. Tabel 4 dengan 4-fold cross validation untuk setiap iterasi Rata-rata 9.5 Hasil akurasi yang diperoleh pada setiap iterasi cukup baik, dimana hampir setiap iterasi menghasilkan akurasi di atas 88%. ratarata keseluruhan untuk setiap iterasi pada identifikasi tanda tangan menggunakan dekomoposisi dengan 4-fold cross validation sebesar 9.5%. Pada kombinasi kedua dilakukan dua kali iterasi. Pada iterasi pertama menghasilkan akurasi sebesar 89%, sedangkan pada iterasi kedua akurasi menurun menjadi 86%. rata-rata untuk setiap iterasi dengan menggunakan 2-fold cross validation adalah sebesar 87.5%. Hasil akurasi untuk masingmasing iterasi dapat dilihat pada Tabel 5. Tabel 5 dengan 2-fold cross validation untuk setiap iterasi Rata-rata 87.5 Percobaan 2 : Pengenalan tanda tangan dengan praproses Pada percobaan ini digunakan induk Haar. Proses dilakukan sampai level 3. Secara detil dimensi citra hasil dapat dilihat pada Tabel 6 sedangkan citra hasil dapat dilihat pada Gambar 6. Tabel 6 Dimensi citra Level Dimensi citra (piksel) Citra asli 6 4 Level Level Level Dekomposisi level 1 Dekomposisi level 2 Dekomposisi level 3 Gambar 6 Citra dekompoisi level 1, 2, dan 3 Percobaan 2.1 : Dekomposisi Level 1 Pada kombinasi pertama proses pengenalan tanda tangan untuk transformasi level 1 menggunakan k-fold cross validation menghasilkan tingkat akurasi yang ditunjukkan pada Tabel 7. 6
2 Tabel 7 level 1 dengan 4-fold Rata-rata 95 Untuk percobaan menggunakan level 1 menghasilkan akurasi tertinggi sebesar 98% yang terjadi pada iterasi keempat sedangkan pada iterasi pertama, kedua, dan ketiga menghasilkan akurasi sebesar 94%. rata-rata keseluruhan untuk setiap iterasi pada identifikasi menggunakan level 1 sebesar 95%. Hasil akurasi untuk kombinasi kedua diperlihatkan pada Tabel 8 dengan menggunakan 2-fold cross validation. Percobaan ini mengalami penurunan tingkat akurasi rata-rata dari percobaan sebelumnya yang menggunakan 4-fold cross validation menjadi sebesar 92%. Iterasi pertama menghasilkan akurasi sebesar 91% sedangkan pada iterasi kedua menghasilkan akurasi sebesar 93%. Tabel 8 level 1 dengan 2-fold Rata-rata 92 Percobaan 2.2 : Dekomposisi Level 2 Percobaan ini menggunakan citra hasil level 2 sebagai input. Tingkat akurasi yang dihasilkan dengan menggunakan 4-fold cross validation untuk setiap iterasi dapat dilihat pada Tabel 9. Tabel 9 level 2 dengan 4-fold Rata-rata 98 Dari Tabel 9 dapat dilihat bahwa iterasi ketiga dan keempat memiliki tingkat akurasi yang paling tinggi yaitu sebesar %. Namun, iterasi pertama dan kedua menghasilkan akurasi berturut-turut 94% dan 98%. rata-rata yang dihasilkan untuk setiap iterasi pada identifikasi menggunakan dekomoposisi level 2 sebesar 98%. Kombinasi berikutnya dilakukan dengan menggunakan 2-fold cross validation. Hasil akurasi menggunakan 2-fold cross validation disajikan pada Tabel 1 berikut. Tabel 1 level 2 dengan 2-fold Rata-rata 97 Pada kombinasi ini akurasi rata-rata kembali mengalami penurunan dari kombinasi sebelumnya sebesar 1% menjadi 97%. Pada iterasi pertama menghasilkan akurasi rata-rata 95% dan pada iterasi kedua menghasilkan akurasi rata-rata sebesar 99%. Percobaan 2.3 : Dekomposisi Level 3 Percobaan terakhir yang dilakukan pada penelitian ini yaitu menggunakan citra hasil level 3. Pada kombinasi pertama hasil akurasi level 3 disajikan pada Tabel 11. Tabel 11 level 3 dengan 4-fold Rata-rata 98 Dari Tabel 11 dapat dilihat bahwa iterasi ketiga dan keempat memiliki tingkat akurasi yang paling tinggi yaitu sebesar %. Namun, iterasi pertama dan kedua menghasilkan akurasi berturut-turut 94% dan 98%. Secara keseluruhan akurasi rata-rata identifikasi tanda tangan untuk level 3 yaitu sebesar 98%. Kombinasi selanjutnya yaitu menggunakan 2-fold cross validation yang hasilnya dapat dilihat pada Tabel 12. Pada percobaan ini dihasilkan akurasi rata-rata sebesar 97.5%, dimana pada iterasi pertama menghasilkan akurasi sebesar 96% sedangkan pada iterasi kedua menghasilkan akurasi rata-rata sebesar 99%. 7
3 Tabel 12 level 3 dengan 2-fold Rata-rata 97.5 Hasil Identifikasi Untuk Setiap Tanda Tangan Perbandingan akurasi rata-rata dari setiap iterasi untuk masing-masing tanda tangan berdasarkan perbedaan jenis dengan menggunakan 4-fold cross validation dapat dilihat pada Tabel 13. Tabel 13 Presentase akurasi untuk setiap tanda tangan menggunakan 4-fold cross validation Tanda tangan level 1 level 2 level 3 Ratarata Pada Tabel 13 dapat diketahui bahwa tanda tangan 2, 5, 6, 7, dan 8 memiliki tingkat akurasi yang paling tinggi pada pelatihan menggunakan yaitu sebesar %. Di sisi lain, tanda tangan 1 memiliki akurasi terendah yaitu sebesar 6%. Pada pelatihan menggunakan level 1 tanda tangan 1 mengalami peningkatan akurasi dari pelatihan sebelumnya. Akan tetapi tanda tangan 1 juga memiliki tingkat akurasi yang paling rendah pada pelatihan ini yaitu sebesar 75%. Hal ini berbanding terbalik dengan tanda tangan 2, 3, 5, 6, 7, 8, dan 9 yang memiliki tingkat akurasi tertinggi yaitu sebesar %. Pada pelatihan menggunakan level 2 terjadi kesamaan dalam hal tingkat akurasi tertinggi dan terendah dengan menggunakan level 3. Tanda tangan 4 dan 1 memiliki tingkat akurasi yang terendah yaitu sebesar 9%. Namun demikian, tanda tangan lainnya memiliki tingkat akurasi yang mencapai %. Perbandingan akurasi rata-rata untuk masing-masing tanda tangan menggunakan 2- fold cross validation disajikan pada Tabel 14. Tabel 14 Presentase akurasi untuk setiap tanda tangan menggunakan 2-fold cross validation Tanda tangan level 1 level 2 level 3 Ratarata Pada Tabel 14 di atas dapat diketahui bahwa tanda tangan 2, 5, 6, 7, dan 8 memiliki tingkat akurasi yang paling tinggi pada pelatihan menggunakan yaitu sebesar %. Namun, tanda tangan 1 memiliki akurasi terendah yaitu sebesar 55%. Pada pelatihan menggunakan level 1 tanda tangan 1 mengalami peningkatan akurasi dari pelatihan sebelumnya. Akan tetapi tanda tangan 1 juga memiliki tingkat akurasi yang paling rendah pada pelatihan ini yaitu sebesar 7%. Hal ini berbanding terbalik dengan tanda tangan 2, 5, 6, 7, dan 8 yang memiliki tingkat akurasi tertinggi yaitu sebesar %. Pada pelatihan menggunakan level 2 tanda tangan 1 memiliki tingkat akurasi yang terendah yaitu sebesar 85%, sedangkan tanda tangan 2, 3, 5, 6, 7, 8 dan 9 memiliki tingkat akurasi yang mencapai %. Pelatihan menggunakan level 3 menghasilkan akurasi terendah pada tanda tangan 1 yaitu sebesar 85%, sedangkan tanda tangan tangan 1, 2, 3, 6, 7, 8 dan 9 memiliki akurasi sebesar %. Dari kedua kombinasi dapat diketahui bahwa tanda tangan 1 memiliki tingkat akurasi rata-rata paling rendah bila dibandingkan dengan tanda tangan lainnya. Pada tanda tangan 1 memiliki tingkat akurasi rata-rata sebesar 78.5% dan 73.75% sedangkan tanda tangan lainnya memiliki tingkat akurasi rata-rata di atas 83% untuk kombinasi pertama dan 78% untuk kombinasi kedua. Hal ini mengindikasikan bahwa sistem (metode PNN) kesulitan untuk memodelkan tanda tangan 1 tersebut. 8
4 Secara keseluruhan tanda tangan 2, 6, 7, dan 8 selalu berhasil diidentifikasi dengan benar oleh sistem baik pada kombinasi pertama maupun kombinasi kedua yaitu memiliki tingkat akurasi rata-rata sebesar %. Hal ini mengindikasikan bahwa tanda tangan tersebut berhasil dimodelkan dengan sangat baik oleh sistem. Grafik perbandingan akurasi rata-rata untuk masing-masing tanda tangan dapat dilihat pada Gambar uji Gambar 7 Grafik perbandingan akurasi rata-rata untuk masing-masing tanda tangan Analisis Pengaruh Data Tanda Tangan Terhadap Hasil Identifikasi Berdasarkan hasil pengujian terhadap setiap tanda tangan, dapat diketahui bahwa tanda tangan 1 memiliki tingkat akurasi terendah pada saat pengujian dibandingkan dengan tanda tangan lainnya baik ketika menggunakan 4-fold cross validation maupun 2-fold cross validation. Hal ini dapat disebabkan oleh beberapa hal seperti salah satunya adalah pada tanda tangan 1 memiliki variasi tanda tangan yang cukup besar. Adanya variasi tanda tangan yang cukup besar ini menyebabkan proses identifikasi sulit dilakukan sehingga tanda tangan 1 memiliki tingkat akurasi yang rendah. Beberapa variasi tanda tangan 1 dapat dilihat pada Gambar 8. pelatihan. Ketika pola pelatihan memiliki tingkat variasi yang rendah maka akan meningkatkan keakuratan sistem klasifikasi. Perbandingan Rata-rata Perbandingan tingkat akurasi rata-rata secara keseluruhan berdasarkan perbedaan jenis dapat dilihat pada grafik pada Gambar wavelet level 1 wavelet level 2 wavelet level 3 1 uji Gambar 9 Grafik perbandingan akurasi rata-rata untuk setiap Dari Gambar 9 dapat diketahui bahwa tingkat akurasi meningkat seiring dengan penggunaan. Peningkatan level juga mempengaruhi tingkat akurasi. Semakin tinggi level yang digunakan maka tingkat akurasi cenderung meningkat. Tingkat akurasi terendah didapat dari uji pada pelatihan dengan menggunakan yaitu sebesar 78.75%. Tingkat akurasi tertinggi diperoleh dari pengujian dengan menggunakan level 2 dan level 3 yaitu sebesar 98%. Perbandingan Waktu Komputasi Adanya cukup mempengaruhi waktu komputasi metode Probabilistic Neural Network. Perbandingan waktu komputasi pada penelitian ini dapat dilihat pada Gambar 1. Gambar 8 Variasi pada tanda tangan 1 Secara umum identifikasi tanda tangan menggunakan PNN ini memiliki tingkat akurasi yang baik. Hal ini disebabkan karena tanda tangan setiap orang sangat berbeda satu dengan lainnya. Selain itu tanda tangan yang dijadikan pola pelatihan tanda tangan dalam satu kelas memiliki tingkat variasi yang cukup rendah. Salah satu faktor yang mempengaruhi keakuratan klasifikasi PNN adalah pola waktu (s) wavelet level 1 wavelet level 2 wavelet level 3 Gambar 1 Grafik perbandingan waktu komputasi 1 uji Pada Gambar 1, dapat dilihat bahwa identifikasi tanda tangan memiliki waktu komputasi paling lama baik menggunakan 4-fold cross validation maupun 2-fold cross validation, sedangkan identifikasi menggunakan level 3 memiliki waktu komputasi paling cepat. 9
5 Pada Gambar 1 juga menunjukkan bahwa adanya memberikan waktu komputasi yang jauh lebih cepat jika dibandingkan. Selain itu, semakin tinggi level juga semakin memperkecil waktu komputasi. Hal ini disebabkan dengan semakin tingginya level yang digunakan, maka dimensi citra juga akan semakin kecil. Penggunaan 4-fold cross validation secara keseluruhan cenderung memiliki waktu komputasi yang lebih lama dibandingkan dengan penggunaan 2-fold cross validation. Hal ini dimungkinkan karena ketika menggunakan 4-fold cross validation, banyaknya yang dilatih lebih banyak dari ketika menggunakan 1 latih. Perbandingan Hasil PNN dengan Perbandingan nilai akurasi identifikasi tanda tangan menggunakan PNN dengan 2-fold cross validation dan dengan menggunakan 8 state (Setia 27) dengan menggunakan 1 latih dapat dilihat pada Gambar Tanda Tangan Gambar 11 Grafik perbandingan akurasi PNN dengan PNN Dari Gambar 11 dapat dilihat bahwa PNN cenderung memiliki akurasi yang lebih baik daripada. memiliki akurasi yang lebih baik daripada PNN pada tanda tangan 1, 4, 9, dan 1 sedangkan tanda tangan lainnya PNN memiliki akurasi yang lebih baik daripada. Dari segi rata-rata akurasi keseluruhan PNN memiliki akurasi yang lebih baik daripada seperti terlihat pada Tabel 15. Tabel 15 Presentase akurasi rata-rata PNN dan Metode rata-rata (%) PNN Kesimpulan KESIMPULAN DAN SARAN Kinerja metode Probabilistic Neural Networks (PNN) untuk identifikasi tanda tangan dapat dikatakan baik, hampir semua percobaan untuk masing-masing jenis menghasilkan akurasi rata-rata lebih dari 87%. Dari semua jenis yang digunakan pada kinerja PNN, akurasi rata-rata tertinggi terjadi pada saat menggunakan 4-fold cross validation dengan level 2 dan level 3 yaitu sebesar 98% untuk setiap latih. Pelatihan dengan menggunakan latih yang berbeda ternyata berpengaruh terhadap hasil pengujian. Semakin banyak jumlah yang dilatih maka akurasi cenderung meningkat. rata-rata terendah terdapat pada tanda tangan 1 sebesar 78.75% dengan menggunakan 4-fold cross validation dan 73.75% dengan menggunakan 2-fold cross validation hal ini disebabkan oleh terdapat variasi tanda tangan yang cukup besar pada tanda tangan 1. Waktu komputasi pelatihan PNN semakin cepat seiring dengan bertambahnya level. Saran Saran untuk penelitan selanjutnya yang berkaitan dengan penelitian ini adalah penggunaan nilai parameter pemulus (σ) yang berbeda dan yang optimal setiap percobaan sehingga memberikan akurasi yang lebih baik dari penelitian ini. Selain itu, penelitian ini juga dapat dikembangkan dengan menggunakan induk lainnya seperti Daubechies yang merupakan pengembangan dari Haar, Coiflets dan lain-lain. DAFTAR PUSTAKA Albanis GT, Batchelor RA. 2. Using Probabilistic Neural Networks and Rule Induction Techniques to Predict Long-Term Bond Ratings. City University Business School. drat.pdf Cahyaningtias T. 27. Pengenalan Wajah dengan Praproses Transformasi [skripsi]. Bogor : Departemen Ilmu Komputer, FMIPA, Institut Pertanian Bogor. Fauset L Fundamentals of Neural Networks:Architectures, Algorithms, and Applications. New Jersey : Prentice Hall. Gonzales, Wood Digital Image Processing. USA : Addison-Wesley Publishing Company. 1
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 terperinciIDENTIFIKASI TANDA TANGAN MENGGUNAKAN PROBABILISTIC NEURAL NETWORKS (PNN) DENGAN PRAPROSES MENGGUNAKAN TRANSFORMASI WAVELET INDRA DWI PUTRA
IDENTIFIKASI TANDA TANGAN MENGGUNAKAN PROBABILISTIC NEURAL NETWORKS (PNN) DENGAN PRAPROSES MENGGUNAKAN TRANSFORMASI WAVELET INDRA DWI PUTRA DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih terperinciBulu mata. Generalisasi= Jumlah pola dikenali dengan benar x 100% Jumlah total pola
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
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 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 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 terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Metodologi penelitian adalah sekumpulan peraturan, kegiatan, dan prosedur yang digunakan oleh pelaku suatu disiplin ilmu. Metodologi berisi tahapan-tahapan yang dilakukan
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 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 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 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 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 terperinciPENGOLAHAN CITRA DIGITAL ( DIGITAL IMAGE PROCESSING )
FAKULTAS TEKNIK INFORMATIKA PENGOLAHAN CITRA DIGITAL ( DIGITAL IMAGE PROCESSING ) Pertemuan 1 Introduction Nama Nazaruddin Ahmad Biodata Tempat/Tgl.Lahir Banda Aceh, 05 Juni 1982 Alamat Hp 081360866064
Lebih terperinci100% Akurasi = (11) Lingkungan Pengembangan
Algoritme Dekomposisi Wavelet Dekomposisi wavelet Haar dapat dijelaskan sebagai berikut : 1 Transformasi linear digunakan untuk mengubah ruang warna secara linear menjadi warna dasar. Karena citra yang
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar belakang
BAB I PENDAHULUAN 1.1 Latar belakang Phalaenopsis atau yang biasa disebut dengan anggrek bulan mempunyai banyak jenis. Ada 26 jenis yang sudah dikenali di Indonesia. Anggrek dapat diklasifikasikan berdasarkan
Lebih terperinciHASIL DAN PEMBAHASAN. B fch a. d b
7 dengan nilai σ yang digunakan pada tahap pelatihan sebelumnya. Selanjutnya dilakukan perhitungan tingkat akurasi SVM terhadap citra yang telah diprediksi secara benar dan tidak benar oleh model klasifikasi.
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Alur Metodologi Penelitian Berikut adalah alur metodologi penelitian yang akan digunakan dalam menyelesaikan penelitian tugas akhir ini : 3.2 Pengumpulan Data Gambar 3.1
Lebih terperinciBAB III METODE PENELITIAN
23 BAB III METODE PENELITIAN 3.1. Tahapan Penelitian Tahapan proses penelitian ditunjukkan pada Gambar 15 berikut. Mulai 96 citra stomata Ekstraksi fitur - RGB & Skala Keabuan Ekstraksi fitur - Wavelet
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 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 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 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 terperinciKLASIFIKASI SIDIKJARI DENGAN PEMROSESAN AWAL TRANSFORMASI WAVELET Minarni *
KLASIFIKASI SIDIKJARI DENGAN PEMROSESAN AWAL TRANSFORMASI WAVELET Minarni * Abstrak Penelitian ini membahas sistem klasifikasi sidikjari. Citra sidikjari diproses awal dengan transformasi wavelet sehingga
Lebih terperinciBAB III PENGOLAHAN DATA
BAB III PENGOLAHAN DATA Pengolahan data pada penelitian ini meliputi tahapan pengambilan data, penentuan titik tengah area yang akan menjadi sampel, pengambilan sampel, penentuan ukuran window subcitra
Lebih terperinciPENENTUAN JALUR TERPENDEK PADA APLIKASI OJEK ONLINE GO-JEK DENGAN PROBABILISTIC NEURAL NETWORK (PNN) DAN PARTICLE SWARM OPTIMIZATION (PSO)
PENENTUAN JALUR TERPENDEK PADA APLIKASI OJEK ONLINE GO-JEK DENGAN PROBABILISTIC NEURAL NETWORK (PNN) DAN PARTICLE SWARM OPTIMIZATION (PSO) Levina Fitri Rahmawati, Isnandar Slamet, dan Diari Indriati Program
Lebih terperinciMuhammad Nasir. Jurusan Teknik Elektro Politeknik Negeri Lhokseumawe Jl. Banda Aceh Medan Km Lhokseumawe
KLASIFIKASI DAN PNGNALAN SIDIK JAI TTUMPUK BBASIS MTOD LANING VCTO QUANTIZATION Muhammad Nasir Jurusan Teknik lektro Politeknik Negeri Lhokseumawe Jl. Banda Aceh Medan Km. 280. Lhokseumawe 21 mail : masnasir_poli@yahoo.com
Lebih terperinciIdentifikasi Jenis Kayu Menggunakan Support Vector Machine Berbasis Data Citra
Tersedia secara online di: http://journal.ipb.ac.id/index.php/jika Volume 3 Nomor 1 halaman 1-8 ISSN: 2089-6026 Identifikasi Jenis Kayu Menggunakan Support Vector Machine Berbasis Data Citra Wood Type
Lebih terperinciBAB I PENDAHULUAN. Perkembangan dunia ilmu pengetahuan dan teknologi semakin pesat
BAB I PENDAHULUAN 1.1 Latar Belakang Perkembangan dunia ilmu pengetahuan dan teknologi semakin pesat seiring dengan kebutuhan manusia akan teknologi tersebut yang semakin meningkat dalam rangka membantu
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 terperinciPanjang bin dari setiap penggabungan disesuaikan dengan skala yang digunakan,
Panjang bin dari setiap penggabungan disesuaikan dengan skala yang digunakan, misalnya penggabungan, +, maka panjang bin yang dihasilkan sebesar 28 bin. 2. Penggabungan operator dengan, Setiap histogram
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1 Prinsip Kerja Sistem Prinsip kerja sistem yaitu dengan melakukan pengambilan data berupa foto fisik dari permukaan buah manggis kemudian melakukan sampling data
Lebih terperinciHASIL DAN PEMBAHASAN. Tabel 1 Operator descriptor
Tabel 1 Operator descriptor Operator (P, R) Ukuran Blok (piksel) Kuantisasi Sudut (8, 1) 3 x 3 45 derajat (8, 2) 5 x 5 45 derajat (16, 2) 5 x 5 22.5 derajat (24, 3) 7 x 7 15 derajat Penentuan ukuran blok
Lebih terperinciBAB I PENDAHULUAN. mengenai deteksi wajah dengan Differential Evolution Based Neural Network
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Berdasarkan penelitian yang telah dilakukan oleh Yudistira Dewanata mengenai deteksi wajah dengan Differential Evolution Based Neural Network mendapatkan total
Lebih terperinciMETODE PENELITIAN HASIL DAN PEMBAHASAN
5. Oleh karena itu untuk meningkatkan akurasinya, proses learning harus dihentikan lebih awal atau melakukan pemotongan tree secara umum. Untuk itu diberikan 2 (dua) buah threshold yang harus dipenuhi
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang 1.2 Tujuan Penelitian
BAB I PENDAHULUAN 1.1 Latar Belakang Pada sebuah citra, sangat dimungkinkan terdapat berbagai macam objek. Objek yang ada pun bisa terdiri dari berbagai bentuk dan ukuran. Salah satu objek yang mungkin
Lebih terperincidengan metode penelitian yang dapat dilihat pada Gambar 9. Data Citra Tumbuhan
dengan metode penelitian yang dapat dilihat pada Gambar 9. Data Citra Tumbuhan Gambar 8 Struktur PNN. 1. Lapisan pola (pattern layer) Lapisan pola menggunakan 1 node untuk setiap data pelatihan yang digunakan.
Lebih terperinciBAB 6 SIMPULAN DAN SARAN
39 BAB 6 SIMPULAN DAN SARAN 6.1 Simpulan Dari penelitian yang telah dilakukan hingga mendapatkan hasil yang cukup memuaskan, maka ada beberapa kesimpulan yang dapat peneliti berikan, 1. Teknik ekstraksi
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 I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Dalam kehidupan sehari- hari seringkali ditemukan uang palsu pada berbagai transaksi ekonomi. Tingginya tingkat uang kertas palsu yang beredar di kalangan masyarakat
Lebih terperinciBAB 4 IMPLEMENTASI DAN PENGUJIAN
BAB 4 IMPLEMENTASI DAN PENGUJIAN 4.1 Implementasi Tahap implementasi merupakan tahap pengimplementasian metode kedalam perangkat lunak simulasi, tahap lanjut dari tahap perancangan simulasi di bab sebelumnya.
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 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 terperinciIDENTIFIKASI TANAMAN JATI MENGGUNAKAN PROBABILISTIC NEURAL NETWORK DENGAN EKSTRAKSI FITUR CIRI MORFOLOGI DAUN BANGUN ASANURJAYA
IDENTIFIKASI TANAMAN JATI MENGGUNAKAN PROBABILISTIC NEURAL NETWORK DENGAN EKSTRAKSI FITUR CIRI MORFOLOGI DAUN BANGUN ASANURJAYA Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer
Lebih terperinciBAB III METODE PENELITIAN. Desain penelitian untuk pengenalan nama objek dua dimensi pada citra
BAB III METODE PENELITIAN 3.1 Desain Penelitian Desain penelitian untuk pengenalan nama objek dua dimensi pada citra adalah sebagai berikut. Gambar 3.1 Desain Penelitian 34 35 Penjelasan dari skema gambar
Lebih terperinciIDENTIFIKASI MOTIF BERBASIS CITRA MENGGUNAKAN WAVELET DENGAN KLASIFIKASI PROBABILISTIC NEURAL NETWORK
IDENTIFIKASI MOTIF BERBASIS CITRA MENGGUNAKAN WAVELET DENGAN KLASIFIKASI PROBABILISTIC NEURAL NETWORK (STUDI KASUS: DIREKTORAT JENDERAL HAK KEKAYAAN INTELEKTUAL) RUDI SETIAWAN DEPARTEMEN ILMU KOMPUTER
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN SISTEM
BAB III ANALISIS DAN PERANCANGAN SISTEM Pada bab ini akan dijelaskan mengenai kebutuhan-kebutuhan yang digunakan dalam membuat program ini. Setelah semua kebutuhan selesai di analisa, maka penulis akan
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Tahapan Penelitian Tahapan yang dilakukan dalam penelitian ini disajikan pada Gambar 14, terdiri dari tahap identifikasi masalah, pengumpulan dan praproses data, pemodelan
Lebih terperinciBAB III METODOLOGI PENELITIAN
3.1 Alat dan Bahan Penelitian BAB III METODOLOGI PENELITIAN 3.1.1 Alat Alat yang digunakan dalam penelitian ini adalah: a. Hardware a. Prosesor : Intel Core i5-3230m CPU @ 2.60GHz b. Memori : 4.00 GB c.
Lebih terperinciIDENTIFIKASI PEMBUAT TULISAN TANGAN MENGGUNAKAN HAAR WAVELET DAN ALGORITMA PROPAGASI BALIK LEVENBERG MARQUARDT
Powered by TCPDF (www.tcpdf.org) Tugas Akhir - 2011 IDENTIFIKASI PEMBUAT TULISAN TANGAN MENGGUNAKAN HAAR WAVELET DAN ALGORITMA PROPAGASI BALIK LEVENBERG MARQUARDT Rizky Suslianto¹, Sri Widowati², Bedy
Lebih terperinciBAB 5 UJI COBA DAN ANALISA HASIL
BAB 5 UJI COBA DAN ANALISA HASIL Pada bab ini diuraikan mengenai lingkungan uji coba, hasil uji coba serta analisa hasil uji coba dari perangkat lunak. 5.1 Lingkungan Lingkungan uji coba merupakan 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 METODE PENELITIAN
BAB 3 METODE PENELITIAN Tahap 1 : Identifikasi Permasalahan Mencari literatur-literatur yang berhubungan dengan bahan penelitian. Tahap 2 : Pengambilan Data Training : Testing 5 : 1 150 : 30 Dari 10 responden
Lebih terperinciBAB 4 IMPLEMENTASI Implementasi
BAB 4 IMPLEMENTASI Bab ini menuturkan penjelasan mengenai implementasi dari sistem pengujian yang dibangun berdasarkan hasil analisis dan perancangan sistem yang telah dibahas pada bab sebelumnya. Bab
Lebih terperinciOleh: Ulir Rohwana ( ) Dosen Pembimbing: Prof. Dr. H. M. Isa Irawan, M.T.
Oleh: Ulir Rohwana (1209 100 702) Dosen Pembimbing: Prof. Dr. H. M. Isa Irawan, M.T. DAFTAR ISI I II III IV V VI PENDAHULUAN TINJAUAN PUSTAKA METODOLOGI PERANCANGAN DAN IMPLEMENTASI HASIL DAN PENGUJIAN
Lebih terperinciWAVELET -JARINGAN SYARAF TIRUAN UNTUK PREDIKSI DATA TIME SERIES
J. Math. and Its Appl. ISSN: 1829-605X Vol. 4, No. 2, November 2007, 53 64 WAVELET -JARINGAN SYARAF TIRUAN UNTUK PREDIKSI DATA TIME SERIES Daryono Budi Utomo Jurusan Matematika FMIPA Institut Teknologi
Lebih terperinciOPTIMALISASI ARSITEKTUR PROPAGASI BALIK PADA PELATIHAN JARINGAN SYARAF TIRUAN LAPIS BANYAK
OPTIMALISASI ARSITEKTUR PROPAGASI BALIK PADA PELATIHAN JARINGAN SYARAF TIRUAN LAPIS BANYAK ABSTRAK Jurusan Teknik Elektronika Fakultas Teknik Universitas Negeri Makassar Algoritma umum metode propagasi
Lebih terperinciOperasi Bertetangga (1)
Operasi Bertetangga () Kartika Firdausy - UAD kartika@ee.uad.ac.id blog.uad.ac.id/kartikaf Setelah mempelajari materi ini, mahasiswa diharapkan mampu: menjelaskan alasan diperlukannya operasi bertetangga
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 terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Tempat dan Waktu Penelitian Penelitian ini mengambil tempat di Universitas Muhammadiyah Yogyakarta yang berlokasi di Jl. Lingkar Selatan, Kasihan, Bantul, Daerah Istimewa
Lebih terperinciJURNAL TEKNOLOGI INFORMASI & PENDIDIKAN ISSN : VOL. 1 NO. 1 MARET 2010
IDENTIFIKASI SIDIKJARI DENGAN EKSTRAKSI CIRI BERBASIS TRANSFORMASI WAVELET HAAR Minarni 1 ABSTRACT This research investigated a possible fingerprint identification system. The fingerprint images were preprocessed
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 terperinciBab 1 Pendahuluan 1.1 Latar Belakang
Bab 1 Pendahuluan 1.1 Latar Belakang Proses pengolahan citra digital dapat dibagi menjadi beberapa bidang seperti object detection, image analyze, computer vision, dan medical imaging. Medical imaging
Lebih terperinciIDENTIFIKASI HAMA TANAMAN CABAI DENGAN MEMBANDINGKAN PRINCIPAL COMPONENT ANALYSIS DAN GRAY LEVEL CO-OCCURRENCE MATRIX SEBAGAI EKSTRAKSI CIRI
IDENTIFIKASI HAMA TANAMAN CABAI DENGAN MEMBANDINGKAN PRINCIPAL COMPONENT ANALYSIS DAN GRAY LEVEL CO-OCCURRENCE MATRIX SEBAGAI EKSTRAKSI CIRI RINI WINDYASTUTI 1, TOTO HARYANTO *1, NINA MARYANA 2 Abstrak
Lebih terperinciAPLIKASI PENCARIAN RUTE OPTIMAL MENGGUNAKAN METODE TRANSITIVE CLOSURE
APLIKASI PENCARIAN RUTE OPTIMAL MENGGUNAKAN METODE TRANSITIVE CLOSURE 1 Rudy Adipranata 2 Fauzi Josephine Desiree 3 Andreas Handojo 1, 2, 3 Teknik Informatika Universitas Kristen Petra Jl. Siwalankerto
Lebih terperinciAPLIKASI PENGENALAN WAJAH UNTUK VALIDASI PESERTA UJIAN ONLINE MENGGUNAKAN METODE HAAR CASCADE DAN EIGEN FACE VECTOR
APLIKASI PENGENALAN WAJAH UNTUK VALIDASI PESERTA UJIAN ONLINE MENGGUNAKAN METODE HAAR CASCADE DAN EIGEN FACE VECTOR Mika Tandililing Program Studi Teknik Komputer, STMIK Profesional ladabarra@gmail.com
Lebih terperinciOperasi Titik Kartika Firdausy
Operasi Titik Kartika Firdausy tpcitra@ee.uad.ac.id blog.uad.ac.id/kartikaf 2262230 Setelah mempelajari materi ini, mahasiswa diharapkan mampu: mengidentifikasi Fungsi Transformasi Skala Keabuan menjelaskan
Lebih terperinciJurnal Sains & Informatika ISSN: X Volume 2,Nomor 2, Nopember Perbandingan PNN dan LVQ dalam Identifikasi Jenis Bercak pada Daun Cabai
Perbandingan PNN LVQ dalam Identifikasi Jenis Bercak pada Daun Cabai Jaka Permadi Jurusan Teknik Informatika, Politeknik Negeri Tanah Laut Jl. A. ni Km.06 Desa Panggung, Pelaihari jakapermadi.88@gmail.com
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 BERAS CAMPURAN MENGGUNAKAN TRANSFORMASI WAVELET DAN PROBABILISTIC NEURAL NETWORK INEKE KUSUMAWATI
PENGENALAN BERAS CAMPURAN MENGGUNAKAN TRANSFORMASI WAVELET DAN PROBABILISTIC NEURAL NETWORK INEKE KUSUMAWATI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
Lebih terperinciBAB I PENDAHULUAN. satu bagian sistem biometrika adalah face recognition (pengenalan wajah). Sistem
1 BAB I PENDAHULUAN 1.1. Latar Belakang Sistem biometrika merupakan teknologi pengenalan diri dengan menggunakan bagian tubuh atau perilaku manusia yang memiliki keunikan. Salah satu bagian sistem biometrika
Lebih terperinciIDENTIFIKASI DAUN SHOREA MENGGUNAKAN KNN BERDASARKAN KOMPONEN WARNA DENGAN PRAPROSES DISCRETE WAVELET TRANSFORM SEPTY KURNIAWATI MASYHUD
IDENTIFIKASI DAUN SHOREA MENGGUNAKAN KNN BERDASARKAN KOMPONEN WARNA DENGAN PRAPROSES DISCRETE WAVELET TRANSFORM SEPTY KURNIAWATI MASYHUD DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih terperinciPemampatan Citra Warna Menggunakan 31 Fungsi Gelombang-Singkat
Pemampatan Citra Warna Menggunakan 31 Fungsi Gelombang-Singkat Albertus Joko Santoso Teknik Informatika Fakultas Teknologi Industri Universitas Atma Jaya Yogyakarta albjoko@mail.uajy.ac.id Gede Bayu Suparta
Lebih terperinciOperasi Geometri (1) Kartika Firdausy UAD blog.uad.ac.id/kartikaf. Teknik Pengolahan Citra
Operasi Geometri (1) Kartika Firdausy UAD tpcitra@ee.uad.ac.id blog.uad.ac.id/kartikaf Setelah mempelajari materi ini, mahasiswa diharapkan mampu: menjelaskan prosedur operasi geometri menerapkan metode
Lebih terperinciTeknik Reduksi Dimensi Menggunakan Komponen Utama Data Partisi Pada Pengklasifikasian Data Berdimensi Tinggi dengan Ukuran Sampel Kecil
Teknik Reduksi Dimensi Menggunakan Komponen Utama Data Partisi Pada Pengklasifikasian Data Berdimensi Tinggi dengan Ukuran Sampel Kecil Ronny Susetyoko, Elly Purwantini Politeknik Elektronika Negeri Surabaya
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Jaringan syaraf tiruan merupakan bidang ilmu yang banyak digunakan dalam melakukan pengenalan pola suatu obyek. Banyak obyek yang dapat digunakan untuk pengenalan pola
Lebih terperinciPengembangan Aplikasi Presensi Sidik Jari dengan menggunakan Alihragam Wavelet dan Jarak Euclidean di Dinas Pendidikan Kabupaten Wonogiri
Makalah Pengembangan Aplikasi Presensi Sidik Jari dengan menggunakan Alihragam Wavelet dan Jarak Euclidean di Dinas Pendidikan Kabupaten Wonogiri disusun oleh : RANDI GUSTAMA PUTRA PROGRAM STUDI TEKNIK
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 terperinciBAB I PENDAHULUAN. pengetahuan yang sangat populer saat ini. Dengan ilmu pengetahuan ini, teknologi di
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Teknologi Informasi dan Komunikasi (TIK) merupakan suatu cabang ilmu pengetahuan yang sangat populer saat ini. Dengan ilmu pengetahuan ini, teknologi di dunia
Lebih terperinciSetelah mempelajari materi ini, mahasiswa diharapkan mampu:
Operasi Geometri (1) Kartika Firdausy UAD tpcitra@ee.uad.ac.id id blog.uad.ac.id/kartikaf Setelah mempelajari materi ini, mahasiswa diharapkan mampu: menjelaskan prosedur operasi geometri menerapkan metode
Lebih terperinciBAB I PENDAHULUAN. Deteksi Penyakit Kanker Serviks Menggunakan Metode Adaptive Thresholding Berbasis Pengolahan Citra
BAB I PENDAHULUAN 1.1 Latar Belakang Wanita adalah kata yang umum digunakan untuk menggambarkan seorang perempuan dewasa. Dalam tubuh seorang wanita terdapat organ reproduksi, salah satunya adalah rahim.
Lebih terperinciHASIL DAN PEMBAHASAN. Gambar 4 Subset citra QuickBird (uint16).
5 Lingkungan Pengembangan Perangkat lunak yang digunakan pada penelitian ini adalah compiler Matlab versi 7.0.1. dengan sistem operasi Microsoft Window XP. Langkah persiapan citra menggunakan perangkat
Lebih terperinciJURNAL TEKNIK ITS Vol. 1, (Sept, 2012) ISSN: A-222
JURNAL TEKNIK ITS Vol. 1, (Sept, 2012) ISSN: 2301-9271 A-222 Implementasi Algoritma Genetika pada Struktur Backpropagation Neural Network untuk Klasifikasi Kanker Payudara Adam Mizza Zamani, Bilqis Amaliah
Lebih terperinciPENGGUNAAN MATLAB DALAM PENYELESAIAN SISTEM PERSAMAAN LINEAR MENGGUNAKAN JARINGAN HOPFIELD LINEAR ABSTRAK
PENGGUNAAN MATLAB DALAM PENYELESAIAN SISTEM PERSAMAAN LINEAR MENGGUNAKAN JARINGAN HOPFIELD LINEAR Rosihan Ari Yuana Program Studi Pendidikan Matematika Universitas Sebelas Maret ABSTRAK Aplikasi jaringan
Lebih terperinciKata kunci: Fourier, Wavelet, Citra
TRANSFORMASI FOURIER DAN TRANSFORMASI WAVELET PADA CITRA Oleh : Krisnawati Abstrak Tranformasi wavelet merupakan perbaikan dari transformasi Fourier. Transformasi Fourier hanya dapat menangkap informasi
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 terperinciAnalisis dan Perancangan Transformasi Wavelet. Untuk Jaringan Syaraf Tiruan pada. Pengenalan Sidik Jari
UNIVERSITAS BINA NUSANTARA Jurusan Teknik Informatika Skripsi Sarjana Komputer Semester Genap 2005 / 2006 Analisis dan Perancangan Transformasi Wavelet Untuk Jaringan Syaraf Tiruan pada Pengenalan Sidik
Lebih terperinciANALISA PERBANDINGAN KOMPRESI 2 GAMBAR TIFF DAN BMP MENGGUNAKAN METODE TRANSFORMASI WAVELET. Oleh: FIRU AL FARIZI
ANALISA PERBANDINGAN KOMPRESI 2 GAMBAR TIFF DAN BMP MENGGUNAKAN METODE TRANSFORMASI WAVELET Oleh: FIRU AL FARIZI 41508110009 PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS ILMU KOMPUTER UNIVERSITAS MERCU BUANA
Lebih terperinciBAB V KESIMPULAN DAN SARAN
BAB V KESIMPULAN DAN SARAN V.1 Kesimpulan Setelah dilakukan perancangan sistem evaluasi mutu berbasis komputer (logika fuzzy, pengolahan citra dan JST), maka dapat disimpulkan bahwa : 1. Program logika
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 terperinciBAB I PENDAHULUAN 1.1. Latar Belakang Masalah
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Dalam kehidupan sehari-hari, antrean (queing) merupakan hal yang sering sekali kita jumpai, misalnya ketika membeli karcis, membayar tol, menaiki kendaraan
Lebih terperinciMempelajari dasar-dasar teori dan mengumpulkan referensi yang berhubungan dengan batubara, jenis batubara, metode ekstraksi ciri Discrete Wavelet
BAB 1 PENDAHULUAN 1.1 Latar Belakang Batubara adalah bahan bakar fosil yang dapat terbakar, terbentuk dari endapan batuan organik yang terutama terdiri dari karbon, hidrogen dan oksigen. Batubara terbentuk
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 terperinciPENGENALAN SPESIES NEMATODA PURU AKAR (Meloidogyne spp.) MELALUI KARAKTER MORFOLOGI EKOR MENGGUNAKAN JARINGAN SYARAF TIRUAN RONI BUDIMAN
PENGENALAN SPESIES NEMATODA PURU AKAR (Meloidogyne spp.) MELALUI KARAKTER MORFOLOGI EKOR MENGGUNAKAN JARINGAN SYARAF TIRUAN RONI BUDIMAN DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
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 terperinciBAB III METODE PENELITIAN. sekunder berupa citra Magnetic Resonansi Image (MRI) yang diperoleh dari
BAB III METODE PENELITIAN Metode penelitian yang dilakukan pada penelitian ini adalah teknik pengumpulan data dan teknik analisis data. A. Teknik Pengumpulan Data Data yang digunakan pada penelitian ini
Lebih terperinciESTIMASI PRODUKTIVITAS PEKERJA KONSTRUKSI DENGAN PROBABILISTIC NEURAL NETWORK
ESTIMASI PRODUKTIVITAS PEKERJA KONSTRUKSI DENGAN PROBABILISTIC NEURAL NETWORK Lila Ayu Ratna Winanda Dosen Teknik Sipil FTSP ITN Malang ABSTRAKSI Pekerjaan konstruksi yang tengah menggeliat bangkit tidak
Lebih terperinciDeteksi Kanker Paru-Paru Dari Citra Foto Rontgen Menggunakan Jaringan Saraf Tiruan Backpropagation
Deteksi Kanker Paru-Paru Dari Citra Foto Rontgen Menggunakan Jaringan Saraf Tiruan Backpropagation Tri Deviasari Wulan 1, Endah Purwanti 2, Moh Yasin 3 1,2 Program Studi Fisika Fakultas Sains dan Teknologi
Lebih terperinciBAB I PENDAHULUAN. dengan pesat yang hampir memasuki setiap bidang yang berkenaan dengan
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Perkembangan teknologi dan informasi semakin berkembang dengan pesat yang hampir memasuki setiap bidang yang berkenaan dengan aktivitas manusia. Seiring dengan
Lebih terperinciGambar IV-1. Perbandingan Nilai Korelasi Antar Induk Wavelet Pada Daerah Homogen Untuk Level Dekomposisi Pertama
BAB IV ANALISIS IV.1 Analisis Terhadap Hasil Pengolahan Data Gambar IV-1 menunjukkan peningkatan nilai korelasi dari sebelum transformasi wavelet dengan setelah transformasi wavelet pada level dekomposisi
Lebih terperinci