BAB 3 PATTERN MATCHING BERBASIS JARAK EUCLID, PATTERN MATCHING BERBASIS JARAK MAHALANOBIS, DAN JARINGAN SYARAF TIRUAN BERBASIS PROPAGASI BALIK
|
|
- Doddy Lesmana
- 7 tahun lalu
- Tontonan:
Transkripsi
1 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 dengan menggunaan Jaringan Syaraf Tiruan Berbasis Propagasi Bali. Kedua dengan menggunaan metode Pattern Matching Berbasis Jara Euclid. Yang terahir adalah menggunaan metode Pattern Matching Berbasis Jara Mahalanobis. Bab ini aan membahas mengenai etiga metode pengenalan tersebut. 3.1 Pattern Matching Berbasis Jara Euclid Metode Pattern Matching Berbasis Jara Euclid atau ED digunaan sebagai metode pengenalan iris. Penggunaan metode ini disaranan oleh pembimbing dengan pertimbangan bahwa prosesnya tida terlalu rumit. Penggunaan metode ini dituuan untu membandingan hasilnya dengan penggunaan BPNN. Metode ini menggunaan ara euclid sebagai riteria pengenalan. Subbab ini aan menelasan tentang ara euclid, hubungan ara euclid dengan pengenalan, dan algoritma yang digunaan untu pengenalan dengan ara euclid. Jara euclid adalah suatu nilai yang didapatan etia ita menguur seberapa auhnya suatu titi X dari titi lain Y. Dengan ata lain, ara euclid adalah panang garis lurus yang menghubungan dua buah titi X dan Y dalam suatu ruang euclid. Panang garis antara dua buah dapat dihitung dengan cara sebagai beriut. Terdapat dua buah titi dalam ruang euclid yaitu X = [ x1, x2,, x n ] dan Y = y1 y2 y n [,,, ] Jara euclid antara X dan Y dapat dihitung dengan persamaan 3.1 ED( X, Y ) = ( x y ) + ( x y ) + + ( x y ) (3.1) n n Dengan metode ini suatu gambar obe dianalogian sebagai suatu titi dalam ruang gambar (ruang euclid). Oleh arena itu untu menentuan apaah dua buah gambar 19
2 20 berasal dari elas yang sama dapat dilauan dengan menghitung ara dari edua buah gambar tersebut dalam ruang euclid (ara euclid). Semain mirip edua buah gambar maa semain ecil ara euclidnya. Pengenalan dengan ara euclid ini dilauan melalui dua metode. Yang pertama adalah dengan mengguanan vetor rata-rata dan yang edua adalah dengan perbandingan langsung Vetor Rata-rata Dengan metode ini, setiap elas memilii vetor rata-rata pada ruang euclid. Vetor rata-rata tersebut dibuat dari data pelatihan. Untu menentuan apaah suatu gambar dienali atau tida, gambar tersebut dihitung ara euclidnya terhadap setiap vetor rata-rata. Jia ara minimum gambar tersebut didapatan terhadap vetor rata-rata elas yang sama maa gambar tersebut dienali. 1. Bagi data gambar menadi dua bagian, data pelatihan A = [ a1, a2,, a p ] dan data penguian B = [ b1, b2,, b p ] dimana ai = [ ai 1, ai 2,, ain ] dan bi = [ bi 1, bi 2,, bim ], i= [1,2,, p]. p = banyanya elas n = banyanya gambar untu suatu elas i m = banyanya gambar untu suatu elas i 2. Buat vetor rata-rata A = [ a1, a2,, a p ] untu masing-masing elas dari data pelatihan dengan persamaan 3.2. a + a + + a ai = n i1 i2 in (3.2) 3. Untu masing-masing data penguian D = [ d1, d2,, d p ], hitung aranya terhadap vetor rata-rata setiap elas seperti pada persamaan 3.3. d = ED( a, b ) (3.3) h i
3 21 h= [1,2,, p] i= [1,2,, p] = [1,2,, p] = [1, 2,, m] 4. Cari ara minimum dan indes dari ara minimum tersebut dengan persamaan 3.24 dan 3.5. MD = min( D) (3.4) x = index( MD) (3.5) 5. Jia ara minimum yang didapatan adalah terhadap vetor rata-rata dari elas yang sama dengan data penguian yaitu untu data b, nilai x= maa data b tersebut dienali. 6. Jia ara minimum yang didapatan adalah buan terhadap vetor rata-rata dari elas yang sama dengan data penguian yaitu untu data b, nilai x maa data b tersebut tida dienali Perbandingan Langsung Berbeda dengan metode sebelumnya, metode ini tida mememrluan vetor rata-rata. Setiap gambar penguian dicari aranya dengan setiap gambar pelatihan. Jia ara minimum didapatan terhadap gambar pelatihan yang memilii elas yang sama denga gambar penguian maa gambar penguian tersebut dienali. 1. Bagi data gambar menadi dua bagian. Data pelatihan A = [ a1, a2,, a p ] dan data penguian B = [ b1, b2,, b p ]. ai = [ ai 1, ai 2,, ain ] dan bi = [ bi 1, bi 2,, bim ], i = [1,2,, p]. p = banyanya elas n = banyanya gambar pelatihan untu suatu elas i m = banyanya gambar penguian untu suatu elas i
4 22 2. Untu masing-masing data penguian D = [ d1, d2,, d q ], hitung aranya terhadap setiap data pelatihan dengan persamaan 3.6. d = ED( a, b ) h i l h= [1,2,, q] i= [1,2,, p] = [1,2,, p] = [1, 2,, n] (3.6) l = [1,2,, m] Simpan uga nilai indes i dan untu masing masing d. 3. Cari ara minimum dengan persamaan Jia ara minimum yang didapatan adalah terhadap data pelatihan dari elas yang sama dengan data penguian yaitu ia nilai i maa gambar tersebut dienali. = untu ara minimum 5. Jia ara minimum yang didapatan adalah buan terhadap data pelatihan dari elas yang sama dengan data penguian yaitu ia nilai i minimum maa gambar tersebut tida dienali. untu ara Proses pengenalan dengan Statistical Euclidean Distance ini diimplementasian dalam penelitian dengan program Java. Karena tida melibatan anga aca, pengenalan dengan metode ini dilauan sebanya satu ali untu setiap enis vetor masuan. 3.2 Pattern Matching Berbasis Jara Mahalanobis Metode pengenalan beriutnya yang digunaan dalam penelitian ini adalah dengan menggunaan Pattern Matching Berbasis Jara Mahalanobis atau MD. Penggunaan metode pengenalan ini disaranan oleh pembimbing arena tingat pengenalan yang dihasilan dengan dua metode lainnya masih urang tinggi sementara vetor masuan tida dapat dibuat lebih bai lagi.
5 23 Pada subbab ini aan dibahas mengenai definisi ara mahalanobis serta algoritma yang digunaan untu melauan pengenalan dengan bantuan ara mahalanobis. Berbeda dengan ara euclid, ara mahalanobis menghitung seberapa auhnya suatu titi terhadap seumpulan titi lain. Perhitungan ini melibatan distribusi dari seumpulan titi lain tersebut sehingga hasil yang didapatan lebih aurat daripada ara euclid. Untu suatu vetor sembarang X = [ x1, x2,, x n ], ara mahalanobisnya terhadap suatu elas yang memilii vetor rata-rata a dan vetor ovarian c daapt dihitung dengan persamaan MD(, b) = ( b a) c ( b a) T (3.7) Proses pengenalan dengan ara mahalanobis adalah sebagai beriut 1. Bagi data gambar menadi dua bagian. Data pelatihan A = [ a1, a2,, a p ] dan data penguian B = [ b1, b2,, b p ]. ai = [ ai 1, ai2,, ain ] dan bi = [ bi1, bi 2,, bim ], i= [1,2,, p]. p = banyanya elas n = banyanya gambar pelatihan untu suatu elas i m = banyanya gambar penguian untu suatu elas i 2. Dari data pelatihan. a. Buat vetor rata-rata A = [ a1, a2,, a p ] untu masing-masing elas dengan persamaan 3.8. a + a + + a ai = n i1 i2 in b. Buat vetor ovarian C = [ c1, c2,, c p ] untu masing-masing elas. (3.8) 3. Untu setiap data penguian D = [ d1, d2,, d p ], hitung ara mahalanobis terhadap setiap elas seperti pada persamaan 3.9.
6 24 d = MD(, b ), i = [1, 2,, p], = [1, 2,, p], = [1,2,, m] (3.9) i i 4. Cari ara minimum dan indes dari ara minimum tersebut dengan persamaan 3.4 dan Jia ara minimum yang didapatan adalah terhadap elas yang sama dengan data penguian yaitu untu data b, nilai x= maa data b tersebut dienali. 6. Jia ara minimum yang didapatan adalah buan terhadap elas yang sama dengan data penguian yaitu untu data b, nilai x maa data b tersebut tida dienali. Proses pengenalan dengan ara mahalanobis ini diimplementasian dalam penelitian dengan program Matlab. Karena tida melibatan anga aca, pengenalan dengan metode ini dilauan sebanya satu ali untu setiap enis vetor masuan. 3.3 Jaringan Syaraf Tiruan Berbasis Propagasi Bali Jaringan Syaraf Tiruan Berbasis Propagasi Bali atau biasa disebut Bacpropagation Neural Networ (BPNN) digunaan sebagai salah satu metode pengenalan iris. BPNN digunaan dalam penelitian atas saran dari pembimbing dengan pertimbangan bahwa BPNN sudah sering digunaan pada penelitian sebelumnya. Parameter yang mempengaruhinya sudah dietahui sehingga untu penelitian ini dapat dipaai parameter yang optimal dari penelitian sebelumnya. Pada subbab ini aan dielasan mengenai BPNN; strutur, cara era, serta algoritma yang digunaan. Dalam penelitian ini BPNN diimplementasian seluruhnya dengan program Java Strutur dan Cara Kera BPNN merupaan seumpulan neuron yang terstrutur menadi tiga lapisan. Lapisan tersebut adalah lapisan masuan X, lapisan eluaran Y dan lapisan tersembunyi Z. Lapisan Y dan Z masing-masing memilii bobot V dan W yang digunaan untu menghitung masuan untu edua lapisan tersebut.
7 25 BPNN menerima suatu vetor masuan x yang merupaan suatu representasi vetor satu dimensi dari obe yang aan dienali. Besarnya vetor masuan berbeda-beda sesuai dengan uuran obe yang aan dienali. Secara umum semain besar uuran vetor masuan semain buru inera BPNN. Vetor masuan aan diproses di dalam BPNN untu menghasilan vetor eluaran y. Vetor eluaran adalah suatu vetor satu dimensi yang berisi nilai-nilai pengenalan untu masing-masing elas dari obe yang sedang dienali. Pada proses pelatihan, vetor eluaran dibandingan dengan vetor target t untu menghitung nilai esalahan yang aan digunaan untu megoresi bobot V dan W. Pada proses penguian, vetor eluaran aan langsung diperisa untu menentuan apaan vetor masuan dienali atau tida. x 1 z 1 y 1 x 2 z 2 y 2 x i z y 8Gambar 3.1 Strutur Bacpropagation Neural Networ Lapisan masuan memilii neuron sebanya besarnya vetor masuan. Uuran vetor masuan yang masih mentah cuup besar (seitar tiga ribu). Oleh arena itu vetor masuan mentah diproses dengan PCA terlebih dahulu untu meredusi uurannya menadi lima puluh.
8 26 Lapisan tersembunyi memilii neuron yang umlahnya bisa ditentuan dengan bebas. Jumlah neuron pada lapisan tersembunyi yang efetif adalah seitar setengah dari umlah neuron pada lapisan masuan. Oleh arena itu umlah neuron pada lapisan tersembunyi adalah tiga puluh. Lapisan eluaran memilii neuron sebanya umlah obe yang aan dienali. Pada tahap pelatihan setiap neuron di lapisan ini aan mengeluaran nilai yang aan digunaan untu menghitung nilai esalahan. Nilai esalahan digunaan untu mengubah nilai bobot V dan W. Pada tahap penguian setiap neuron di lapisan ini mengeluaran nilai yang aan dievaluasi untu menentuan apaah masuan suatu obe dienali atau tida. BPNN beera dalam dua tahap utama, yaitu pelatihan dan penguian. Pada tahap pelatihan, BPNN diberi masuan data pelatihan. Data pelatihan aan diproses untu menghasilan vetor eluaran. Vetor eluaran lalu dibandingan dengan target untu mendapatan nilai oresi bobot dan bias untu lapisan tersembunyi dan lapisan eluaran. Di ahir tahap pelatihan, nilai bobot dan bias disimpan untu digunaan dalam tahap penguian. Pelatihan dilauan dalam satuan epoch. Satu epoch adalah proses pelatihan untu seluruh data pelatihan. Pelatihan berahir etia nilai esalahan dalam satu epoch sudah melewati batas bawahnya (BPNN sudah siap untu mengenali data penguian). Untu mengantisipasi watu pelatihan yang lama epoch memilii batas atas. Ketia umlah epoch sudah melebihi batas tersebut pelatihan dihentian. Pada tahap penguian, BPNN diberi masuan data penguian. Data penguian aan diproses untu menghasilan vetor eluaran. Berbeda dengan tahap pelatihan, pada tahap penguian vetor eluaran aan langsung dievaluasi untu menentuan apaah vetor masuan dienali atau tida dienali. Pada tahap penguian tida ada proses oresi bobot dan bias.
9 27 Agar suatu BPNN dapat beera dengan masimal, ada beberapa fator yang mempengaruhinya. Fotor-fator tersebut adalah lau pembelaaran, momentum, fungsi ativasi, inisialisasi bobot awal, dan fungsi esalahan epoch Lau pembelaaran Lau pembelaaran atau biasa dilambangan dengan α merupaan salah satu parameter yang mengendalian proses penyesuaian bobot. Lau pembelaaran memilii nilai optimal yang berbeda-beda sesuai dengan obe yang sedang dienali. Lau pembelaaran yang terlalu ecil menyebaban onvergensi aringan menadi lambat sehingga proses pelatihan beralan dengan lama. Lau pembelaaran yang terlalu besar membuat BPNN menadi tida stabil arena lau pembelaaran yang terlalu besar dapat menyebaban penyesuaian bobot yang lebih besar daripada seharusnya. Pada penelitian ini digunaan nilai lau pembelaaran sebesar 0.2. Nilai ini merupaan nilai yang cuup optimal ia digunaan pada pengenalan waah. Untu pengenalan iris nilai ini mungin berbeda namun penulis tida mengubah nilai ini selama penelitian arena penelitian ini buan bertuuan untu mencari parameter BPNN yang optimal untu pengenalan iris Momentum Momentum yang biasa dilambangan dengan µ adalah parameter yang digunaan untu mempercepat proses pelatihan BPNN. Tanpa momentum penyesuaian bobot pada saat t aan beralan secara independen, tida terpengaruh oleh penyesuaian bobot pada saat t 1. Dengan momentum penyesuaian bobot pada saat t dipengaruhi uga oleh penyesuaian bobot pada saat t 1. Pada penelitian ini digunaan nilai momentum sebesar 0.4. Nilai ini merupaan nilai yang cuup optimal ia digunaan pada pengenalan waah. Untu pengenalan iris nilai ini mungin berbeda namun penulis tida mengubah nilai ini selama penelitian
10 28 arena penelitian ini buan bertuuan untu mencari parameter BPNN yang optimal untu pengenalan iris Fungsi Ativasi Untu menghasilan eluaran dari setiap lapisan digunaan fungsi ativasi. Lapisan masuan memilii fungsi identitas f ( x) = x sebagai fungsi ativasinya. Lapisan lainnya bisa saa menggunaan fungsi ativasi yang sama namun agar inera BPNN menadi lebih bai fungsi ativasi tersebut harus memenuhi syarat beriut: Bersifat ontinyu dan dapat diturunan untu semua masuan. Agar omputasi menadi lebih efisien, turunan fungsi ativasi uga harus bisa dinyataan oleh fungsi ativasi itu sendiri. Nilai eluaran yang diharapan biasanya adalah antara 1 sampai 0. Oleh arena itu fungsi ativasi harus memilii range antara 1 sampai 0. Fungsi yang memenuhi edua syarat tersebut adalah fungsi sigmoid biner dan bipolar. Dalam penelitian ini digunaan fungsi sigmoid biner untu fungsi ativasi. Fungsi sigmoid biner dapat dilihat pada persamaan Turunan fungsi sigmoid biner dapat dilihat pada persamaan f( x) = 1 + exp( x) (3.10) f ' ( x) = f ( x) 1 f ( x) (3.11) Inisialisasi bobot awal Ketia aan mulai dilatih, BPNN memilii bobot yang tida bernilai sama seali. Hal ini tida bai arena nilai awal bobot menentuan ecepatan onvergensi BPNN dan apaah BPNN aan mencapai nilai minimum global atau minimum loal esalahan. Untu itulah diperluan inisialisasi bobot awal. Pada umumnya bobot diinisialisasi dengan nilai aca. Tetapi dengan metode tersebut hasilnya tida terlalu bagus maa
11 29 pada penelitian ini digunaan metode lain yang merupaan modifiasi dari metode tersebut yaitu inisialisasi bobot Nguyen-Widrow. Langah-langah inisialisasi bobot Nguyen-Widrow adalah sebagai beriut 1. Untu bias dan bobot V dan W lauan inisialisasi aca dengan angauan 0.5 sampai Untu bias dan bobot V lauan c. Hitung fator sala beta dengan persamaan β = 0.7( P) N (3.12) β adalah fator sala yang aan digunaan untu inisialisasi bobot. P adalah besarnya lapisan tersembunyi N adalah besarnya lapisan masuan d. Inisialisasi nilai bobot V dengan bilangan aca antara 0.5 sampai 0.5. e. Hitung norma v v = v (3.13) i f. Inisialisasi ulang v i v i βv i = (3.14) v g. Inisialisasi bias v 0 dengan bilangan aca antara β dan β Fungsi Kesalahan Propagasi Fungsi esalahan propagasi digunaan untu menghitung nilai esalahan sistem secara eseluruhan. Nilai esalahan didapatan dengan membandingan vetor eluaran dan vetor target untu elas yang bersesuaian pada tahap pelatihan. Fungsi ini dihitung untu setiap vetor masuan dalam satu epoch, setelah itu semuanya diumlahan untu menghitung nilai esalahan pada satu epoch. Jia BPNN beralan dengan bai, nilai esalahan tersebut aan onvergen mengecil.
12 30 Ketia nilai esalahan telah mengecil sampai batas bawah yang ditentuan tahap pelatihan berahir. Nilai esalahan yang ecil berarti BPNN sudah siap untu mengenali obe dari data penguian. Aan tetapi nilai esalahan yang ecil buan berarti tingat pengenalan uga aan tinggi. Ada beberapa fungsi yang dapat digunaan sebagai fungsi esalahan propagasi. Diantaranya adalah fungsi esalahan uadrati, cross entropy, dan metri. Dalam penelitian ini digunaan fungsi cross entropy. Fungsi tersebut dipilih arena perhitungannya yang paling aurat dan uga dapat mempercepat onvergensi nilai esalahan. Fungsi cross entropy didefinisian pada persamaan [( t )ln( y )] [(1 t )ln(1 y )] (3.15) Fungsi ini digunaan untu menghitung nilai esalahan untu satu vetor masuan. adalah banyanya elas pada BPNN. Hasil dari vetor masuan ini aan diumlahan lagi dengan hasil dari vetor masuan lainnya untu menghasilan nilai esalahan epoch Algoritma pelatihan 1. Inisialisasi bobot V dan W, alpha, beta, epoch masimal dan batasan tingat esalahan minimal. 2. Selama batasan tingat esalahan minimal dan epoch masimal belum tercapai lauan langah 3 dan 4 3. Tahap feed forward a. Setiap neuron pada lapisan masuan ( X, i = 1, 2,, n ) menerima vetor masuan x i lalu diterusan epada lapisan tersembunyi Z. b. Setiap neuron pada lapisan tersembunyi ( Z, = 1,2,, p ). Menghitung nilai masuan berdasaran bobot V dengan persamaan i
13 31 z _ in = v + x v (3.16) 0 i i i= 1 n Menghitung nilai ativasinya masing-masing dengan persamaan z = f ( z _ in ) (3.17) Menerusan nilai ativasi epada lapisan eluaran Y. c. Setiap neuron pada lapisan eluaran ( Y, = 1,2,, m ). Menghitung nilai masuan berdasaran bobot W dengan persamaan = 1 p y _ in = w + z w (3.18) Menghitung nilai ativasinya masing-masing dengan persamaan y = f ( y _ in ) (3.19) 4. Tahap bacpropagation a. Setiap neuron pada lapisan eluaran ( Y, = 1,2,, m ) Menerima vetor target t yang bersesuaian dengan vetor masuan x. Menghitung nilai esalahan dengan persamaan ' ( t y ) f ( y _ in ) δ = (3.20) Menghitung nilai oresi bobot W untu lapisan eluaran Y dengan persamaan Δ w = αδ z (3.21) Menghitung nilai oresi bias untu lapisan eluaran Y dengan persamaan Δ w = αδ (3.22) 0 Menerusan nilai esalahan epada lapisan tersembunyi Z. b. Setiap neuron pada lapisan tersembunyi ( Z, = 1,2,, p ). Menghitung nilai esalahan dengan persamaan 3.23.
14 32 m ' ( δw ) f ( z _ in ) = 1 δ = (3.23) Menghitung nilai oresi bobot V untu lapisan tersembunyi dengan persamaan Δ v = αδ x (3.24) i i Menghitung nilai oresi bias untu lapisan tersembunyi dengan persamaan Δ v = αδ (3.25) 0 c. Setiap neuron pada lapisan eluaran ( Y, = 1, 2,, m ) mengubah nilai bobot dan biasnya ( = 1, 2,, p) dengan persamaan 3.26 dan w ( baru) = w ( lama) +Δ w (3.26) w ( baru) = w ( lama) +Δ w (3.27) d. Setiap neuron pada lapisan tersembunyi ( Z, = 1,2,, p ) mengubah nilai bobot dan biasnya ( i = 1, 2,, n) dengan persaman 3.28 dan v ( baru) = v ( lama) +Δ v (3.28) i i i v ( baru) = v ( lama) +Δ v (3.29) Jia batasan tingat esalahan minimal dan epoch masimal belum tercapai ulangi langah 2, 3 dan 4. Nilai bobot V dan W disimpan untu digunaan dalam proses penguian Algoritma Penguian 1. Bobot V dan W telah terinisialisasi dengan hasil yang didapat setelah pelatihan. 2. Setiap neuron pada lapisan masuan ( X, i = 1,2,, n ) menerima vetor masuan x i lalu diterusan epada lapisan tersembunyi Z. 3. Setiap neuron pada lapisan tersembunyi ( Z, = 1,2,, p ). Menghitung nilai masuan berdasaran bobot V dengan persamaan i
15 33 Menghitung nilai ativasinya masing-masing dengan persamaan Menerusan nilai ativasi epada lapisan eluaran Y. 4. Setiap neuron pada lapisan eluaran ( Y, = 1,2,, m ). Menghitung nilai masuan berdasaran bobot W dengan persamaan Menghitung nilai ativasinya masing-masing dengan persamaan Nilai ini merupaan nilai eluaran aringan secara eseluruhan. Hasil eluaran setelah penguian diperisa untu menentuan apaah suatu masuan dienali atau tida. Hasil eluaran ( Y, = 1, 2,, m ) berupa nilai-nilai pengenalan untu semua m elas. Kriteria suatu masuan dienali adalah ia nilai pengenalan pada elas masuan tersebut bernilai lebih dari 0.75 dan untu elas lainnya tersebut bernilai urang dari Jia suatu masuan tida memenuhi riteria tersebut pada penguian berarti masuan tersebut tida dienali. Proses inisialisasi nguyen-widrow yang digunaan dalam BPNN melibatan anga aca. Oleh arena itu pengenalan dengan BPNN dilauan sebanya lima ali untu setiap enis vetor masuan.
ANALISIS 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 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 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 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 terperinciJARINGAN SARAF TIRUAN PROPAGASI BALIK UNTUK KLASIFIKASI DATA
JARINGAN SARAF TIRUAN PROPAGASI BALIK UNTUK KLASIFIKASI DATA Giri Dhaneswara 1) dan Veronica S. Moertini 2) Jurusan Ilmu Komputer, Universitas Katoli Parahyangan, Bandung Email: 1) rebirth_82@yahoo.com,
Lebih terperinciPENENTUAN JENIS PRODUK KOSMETIK PILIHAN BERDASARKAN FAKTOR USIA DAN WARNA KULIT MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN
PENENTUAN JENIS PRODUK KOSMETIK PILIHAN BERDASARKAN FAKTOR USIA DAN WARNA KULIT MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN Amethis Otaorora 1, Bilqis Amaliah 2, Ahmad Saihu 3 Teni Informatia, Faultas Tenologi
Lebih 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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. 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
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 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 terperinciAPLIKASI ALGORITMA CONJUGATE GRADIENT PADA JARINGAN SYARAF TIRUAN PERAMBATAN BALIK. Tesis
APLIKASI ALGORITMA CONJUGATE GRADIENT PADA JARINGAN SYARAF TIRUAN PERAMBATAN BALIK Tesis Program Studi Teni Eletro Jurusan Ilmu-ilmu Teni disusun oleh : Wiwien Widyastuti 8475/I-/820/02 PROGRAM PASCASARJANA
Lebih terperinciPREDIKSI 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 II PENGENALAN WAJAH
BAB II PENGENALAN WAJAH Sistem pengenalan waah dapat dibagi menadi empat tahap, yaitu tahap pengolahan citra, detesi waah, estrasi fitur dan tahap pengenalan waah. Pada tugas ahir ini aan lebih diteanan
Lebih 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 terperinciBAB 3 PRINSIP SANGKAR BURUNG MERPATI
BAB 3 PRINSIP SANGKAR BURUNG MERPATI 3. Pengertian Prinsip Sangar Burung Merpati Sebagai ilustrasi ita misalan terdapat 3 eor burung merpati dan 2 sangar burung merpati. Terdapat beberapa emunginan bagaimana
Lebih 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 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 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 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 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 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 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 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 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 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 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 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 terperinciOptimasi Non-Linier. Metode Numeris
Optimasi Non-inier Metode Numeris Pendahuluan Pembahasan optimasi non-linier sebelumnya analitis: Pertama-tama mencari titi-titi nilai optimal Kemudian, mencari nilai optimal dari fungsi tujuan berdasaran
Lebih 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 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 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 terperinciDeret Pangkat. Ayundyah Kesumawati. June 23, Prodi Statistika FMIPA-UII
Keonvergenan Kesumawati Prodi Statistia FMIPA-UII June 23, 2015 Keonvergenan Pendahuluan Kalau sebelumnya, suu suu pada deret ta berujung berupa bilangan real maa ali ini ita embangan suu suunya dalam
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 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 II LANDASAN TEORI. Graf adalah kumpulan simpul (nodes) yang dihubungkan satu sama lain
8 BAB II LANDASAN TEORI 2.1 Teori Graf 2.1.1 Definisi Graf Graf adalah umpulan simpul (nodes) yang dihubungan satu sama lain melalui sisi/busur (edges) (Zaaria, 2006). Suatu Graf G terdiri dari dua himpunan
Lebih terperinciImplementasi Algoritma Pencarian k Jalur Sederhana Terpendek dalam Graf
JURNAL TEKNIK POMITS Vol. 2, No., (203) ISSN: 2337-3539 (230-927 Print) Implementasi Algoritma Pencarian Jalur Sederhana Terpende dalam Graf Anggaara Hendra N., Yudhi Purwananto, dan Rully Soelaiman Jurusan
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 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 terperinciMODEL SISTEM ANTRIAN
BB V MODEL SISTEM TRI ada teori antrian, suatu model antrian digunaan untu memperiraan suatu situasi antrian sesungguhnya, sehingga elauan antrian dapat dianalisa secara matemati. Dengan model sistem antrian
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB TINJAUAN PUSTAKA.1 Sifat Dasar Neutron Neutron yang dihasilan dari reator nulir biasanya merupaan neutron berenergi rendah. Secara umum, neutron energi rendah dapat dilasifiasian dalam tiga enis yaitu
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 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 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 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 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 terperinciSISTEM PENGENAL WAJAH DENGAN JARINGAN SYARAF TIRUAN
SISTEM PENGENAL WAJAH DENGAN JARINGAN SYARAF TIRUAN Julian Supardi, Rz. Abdul Aziz, Syepriansyah Seolah Tggi Manaemen Informatia dan Komputer Darmaaya Jl. Z.A Pagar Alam No. 93 Bandar Lampung Indonesia
Lebih terperinciPrediksi 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 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 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 terperinciBAB 3 METODE PENELITIAN
36 BAB 3 METODE PENELITIAN 3.1 Disain Penelitian Jenis penelitian yang digunaan adalah penelitian desriptif, yaitu penelitian terhadap fenomena atau populasi tertentu yang diperoleh peneliti dari subye
Lebih 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 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 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 terperinciAPLIKASI ARTIFICIAL NEURAL NETWORK UNTUK PERAMALAN ALIRAN SUNGAI BLEGA ABSTRACT
APLIKASI ARTIFICIAL NEURAL NETWORK UNTUK PERAMALAN ALIRAN SUNGAI BLEGA Manyu Fauzi, Minarni Nur Trilita Mahasiswa S3 MRSA, Jurusan Teni Sipil-ITS dan Pengaar Jurusan Teni Sipil Univ. Riau Mahasiswa S3
Lebih terperinciBAB III 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 terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pemrosesan Sinyal Menurut Proais et al. (1997), umumnya suatu segmen suara dapat dinyataan dengan deraat etelitian yang tinggi sebagai umlah dari beberapa sinusoida dengan amplitudo
Lebih 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 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 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 terperinciMATA KULIAH MATEMATIKA TEKNIK 2 [KODE/SKS : KD / 2 SKS] Ruang Vektor
MATA KULIAH MATEMATIKA TEKNIK [KODE/SKS : KD4 / SKS] Ruang Vetor FIELD: Ruang vetor V atas field salar K adalah himpunan ta osong dengan operasi penjumlahan vetor dan peralian salar. Himpunan ta osong
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 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 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 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 terperinciTRANSFORMASI KOORDINAT MENGGUNAKAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK RESILIENT (Studi Kasus: Daerah Jawa Bagian Barat) SUPRIYANTI
TRANSFORMASI KOORDINAT MENGGUNAKAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK RESILIENT (Studi Kasus: Daerah Jawa Bagian Barat) SUPRIYANTI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih terperinci( x) LANDASAN TEORI. ω Ω ke satu dan hanya satu bilangan real X( ω ) disebut peubah acak. Ρ = Ρ. Ruang Contoh, Kejadian dan Peluang
LANDASAN TEORI Ruang Contoh Kejadian dan Peluang Suatu percobaan yang dapat diulang dalam ondisi yang sama yang hasilnya tida dapat dipredisi secara tepat tetapi ita dapat mengetahui semua emunginan hasil
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 terperinciPENINGKATAN EFISIENSI & EFEKTIFITAS PENGOLAHAN DATA PERCOBAAN PETAK BERJALUR
PENINGKATAN EFISIENSI & EFEKTIFITAS PENGOLAHAN DATA PERCOBAAN PETAK BERJALUR Ngarap Im Mani 1) dan Lim Widya Sanjaya ), 1) & ) Jurs. Matematia Binus University PENGANTAR Perancangan percobaan adalah suatu
Lebih terperinciModifikasi ACO untuk Penentuan Rute Terpendek ke Kabupaten/Kota di Jawa
187 Modifiasi ACO untu Penentuan Rute Terpende e Kabupaten/Kota di Jawa Ahmad Jufri, Sunaryo, dan Purnomo Budi Santoso Abstract This research focused on modification ACO algorithm. The purpose of this
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 terperinciMENGHITUNG PELUANG PERSEBARAN TRUMP DALAM PERMAINAN CONTRACT BRIDGE
MENGHITUNG PELUANG PERSEBARAN TRUMP DALAM PERMAINAN CONTRACT BRIDGE Desfrianta Salmon Barus - 350807 Jurusan Teni Informatia, Institut Tenologi Bandung Bandung e-mail: if807@students.itb.ac.id ABSTRAK
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 terperinciPenggunaan Induksi Matematika untuk Mengubah Deterministic Finite Automata Menjadi Ekspresi Reguler
Penggunaan Indusi Matematia untu Mengubah Deterministic Finite Automata Menjadi Espresi Reguler Husni Munaya - 353022 Program Studi Teni Informatia Seolah Teni Eletro dan Informatia Institut Tenologi Bandung,
Lebih terperinciPenentuan Nilai Ekivalensi Mobil Penumpang Pada Ruas Jalan Perkotaan Menggunakan Metode Time Headway
Rea Racana Jurnal Online Institut Tenologi Nasional Teni Sipil Itenas No.x Vol. Xx Agustus 2015 Penentuan Nilai Eivalensi Mobil Penumpang Pada Ruas Jalan Perotaan Menggunaan Metode Time Headway ENDI WIRYANA
Lebih terperinciPenerapan Sistem Persamaan Lanjar untuk Merancang Algoritma Kriptografi Klasik
Penerapan Sistem Persamaan Lanjar untu Merancang Algoritma Kriptografi Klasi Hendra Hadhil Choiri (135 08 041) Program Studi Teni Informatia Seolah Teni Eletro dan Informatia Institut Tenologi Bandung,
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 terperinci( s) PENDAHULUAN tersebut, fungsi intensitas (lokal) LANDASAN TEORI Ruang Contoh, Kejadian dan Peluang
Latar Belaang Terdapat banya permasalahan atau ejadian dalam ehidupan sehari hari yang dapat dimodelan dengan suatu proses stoasti Proses stoasti merupaan permasalahan yang beraitan dengan suatu aturan-aturan
Lebih terperinciKORELASI ANTARA DUA SINYAL SAMA BERBEDA JARAK PEREKAMAN DALAM SISTEM ADAPTIF. Sri Arttini Dwi Prasetyawati 1. Abstrak
KORELASI ANARA DUA SINYAL SAMA BERBEDA JARAK PEREKAMAN DALAM SISEM ADAPIF Sri Arttini Dwi Prasetyawati 1 Abstra Masud pembahasan tentang orelasi dua sinyal adalah orelasi dua sinyal yang sama aan tetapi
Lebih terperinci