PERANCANGAN SISTEM PENGENALAN BENTUK OBJEK DENGAN ALGORITMA BACKPROPAGATION PADA BEAGLE BOARD
|
|
- Iwan Cahyadi
- 7 tahun lalu
- Tontonan:
Transkripsi
1 PERANCANGAN SISTEM PENGENALAN BENTUK OBJEK DENGAN ALGORITMA BACKPROPAGATION PADA BEAGLE BOARD Satrio Dewanto 1 ; Friska Setiokoadiputro 2 ; RamaJaya 3 ; Daniel Setya Hadi 4 1 Jurusan Sistem Komputer, Fakultas Ilmu Komputer, BINUS University Jalan KH Syahdan No. 9, Palmerah, Jakarta Barat satrio@binus.edu ABSTRACT Industry automation is a technic used by industries to minimize production cost and increase quality and quantity by integrating mechatronics, computer, and information technology. Industry automation will reduce dependency towards human resources and increase work efficiency from human. This research is purposed to design an object form recognition system on a beagle board which will be developed into an industry automation application. The system is able to separate stuffs based on object form for packaging, storaging, or else. The research uses methodology of literature study from books, e-books, internet articles, and experimental method. The research result is an object form recognition system in backpropagation algorithm on beagle board with only identifying object forms that have been given to the system: square and triale. In designing an object form recognition system on beagle board, it needs to use efficient algorithm in using memory because of the beagle board limited memory. Keywords: recognition, form, object, backpropagation, beagle board ABSTRAK Otomasi industri merupakan teknik yang digunakan oleh industri untuk memperkecil biaya produksi dan meningkatkan kualitas serta kuantitas produksi dengan cara mengintegrasi teknologi mekatronika, teknologi komputer dan teknologi informasi. Otomasi industri akan mengurangi ketergantungan akan sumber daya manusia dan juga meningkatkan efisiensi kerja dari manusia. Penelitian ini bertujuan untuk merancang sebuah sistem pengenalan bentuk objek pada sebuah beagle board yang dapat dikembangkan menjadi aplikasi otomasi industry. Sistem tersebut dapat memisahkan benda-benda berdasarkan bentuknya untuk keperluan packaging, penyimpanan dalam gudang, dan lain-lain. Penelitian menggunakan metodologi studi pustaka dari berbagai buku, e-book, artikel di internet dan metode eksperimen. Hasil yang diperoleh dari penelitian adalah Sistem Pengenalan Bentuk Objek dengan algoritma backpropagation pada beagle board hanya dapat mengenali bentuk benda yang sudah pernah dilatih pada sistem, yaitu bentuk kotak dan bentuk segitiga. Dalam perancangan Sistem Pengenalan Bentuk Objek pada Beagle Board perlu digunakan algoritma yang efisien dalam pemakaian memori, dikarenakan memori dalam beagle board yang sangat terbatas. Kata kunci: Pengenalan, bentuk, objek, backprogataion, beagle board 40 Jurnal Teknik Komputer Vol. 18 No.1 Februari 2010: 40-51
2 PENDAHULUAN Seiring dengan berkembangnya industri-industri di dunia, permintaan akan barang yang berkualitas tinggi semakin meningkat. Produsen dipaksa untuk meningkatkan kualitas dan kuantitas produksinya. Namun untuk memenuhi segala kebutuhan konsumen yang sangat banyak dan bervariasi, para produsen harus menemukan cara untuk mengatasi masalah yang ada agar proses produksi dapat berlangsung dengan cepat, efisien, serta hemat biaya. Salah satu caranya adalah dengan otomasi industri. Otomasi industri merupakan teknik yang digunakan oleh industri untuk memperkecil biaya produksi dan meningkatkan kualitas serta kuantitas produksi dengan cara mengintegrasi teknologi mekatronika, teknologi komputer dan teknologi informasi. Otomasi industri akan mengurangi ketergantungan akan sumber daya manusia dan juga meningkatkan efisiensi kerja dari manusia. Otomasi Industri sangat bergantung pada komputer sebagai pusat control dari mesin. Saat ini telah banyak bermunculan Single Board Computer (SBC) sebagai ganti komputer desktop yang telah lama dipakai, salah satunya adalah beagle board. Beagle board merupakan SBC yang berbasiskan ARM Cortex A8 dengan platform OMAP3530 yang memungkinkan untuk aplikasi-aplikasi multimedia. Beagle Board adalah sebuah Single Board Computer (SBC) yang berbasiskan TI OMAP3530. Beagle board berukuran sekitar 3" x 3" dan memiliki semua fungsionalitas komputer dasar. OMAP3530 meliputi CPU Cortex-A8 ARM (yang dapat menjalankan Windows CE, Linux atau Symbian), sebuah TMS320C64x + DSP untuk menjalankan video dan audio decoding, dan Imagination Technologies PowerVR SGX530 GPU untuk menjalankan 2D dan 3D rendering yang mendukung OpenGL ES 2,0. Penelitian ini bertujuan untuk merancang sebuah sistem pengenalan bentuk objek pada sebuah beagle board yang dapat dikembangkan menjadi aplikasi otomasi industri yang dapat memisahkan benda-benda berdasarkan bentuknya untuk keperluan packaging, penyimpanan dalam gudang, dan lain-lain. Deskripsi Sistem Beagle board melakukan pelatihan dan pengujian ketika program untuk sistem pengenalan bentuk objek sudah disimpan pada beagle board. Input gambar objek diambil dari sebuah kamera webcam dan diterima oleh beagle board untuk diproses. Beagle board melakukan pemrosesan citra agar gambar yang diambil sebagai input dapat dengan mudah dapat dilatih dan diuji oleh sistem. Pelatihan pada beagle board menggunakan algoritma backpropagation agar setiap objek yang dilatih dapat dikenali pada saat pengujian sistem. Jaringan Saraf Tiruan Pembuatan struktur jaringan saraf tiruan diilhami oleh struktur jaringan biologi, khususnya jaringan otak manusia. Hal ini menyerupai kerja otak dalam dua hal yaitu: 1. Pengetahuan diperoleh oleh jaringan melalui suatu proses belajar. 2. Kekuatan hubungan antar sel saraf yang dikenal dengan bobot sinapsis digunakan untuk menyimpan pengetahuan. Seperti halnya otak manusia, jaringan saraf juga terdiri dari beberapa neuron, dan ada hubungan antara neuron-neuron tersebut. Pada jaringan saraf hubungan ini dikenal dengan bobot. Informasi yang masuk pada neuron akan diolah dan dikirimkan lagi pada neuron-neuron yg lain. Informasi itu disimpan pada suatu nilai tertentu pada bobot tersebut (Gambar 1). Perancangan Sistem Pengenalan (Satrio Dewanto; dkk) 41
3 Gambar 1 Model Tiruan Sebuah Neuron Pada jaringan saraf tiruan, neuron buatan ini bekerja mirip dengan cara kerja neuron secara biologis. Informasi (input) akan dikirim ke neuron dengan bobot kedatangan tertentu. Input ini akan diproses oleh suatu fungsi perambatan yang akan menjumlahkan nilai-nilai semua bobot yang datang. Hasil penjumlahan ini kemudian akan dibandingkan dengan suatu nilai ambang (threshold) tertentu melalui fungsi aktifasi setiap neuron. Apabila input tersebut melewati nilai ambang tertentu, maka neuron tersebut akan diaktifkan, tapi kalau tidak, neuron tersebut tidak akan diaktifkan. Apabila neuron tersebut diaktifkan, maka neuron tersebut akan mengirimkan bobot ke neuron-neuron yang berhubungan dengannya dan demikian seterusnya. Neuron-neuron pada jaringan saraf akan dikumpulkan dalam lapisan-lapisan, yang sering disebut dengan neuron layer. Informasi yang diberikan pada jaringan saraf akan dirambatkan dari lapisan ke lapisan mulai dari lapisan input sampai lapisan output melalui lapisan-lapisan yang lain (hidden layer). Informasi akan dirambatkan tergantung dari algoritma pembelajarannya. Fungsi Aktivasi Sigmoid Biner Pada penelitian ini, fungsi aktivasi yang digunakan adalah sigmoid binrer. Fungsi ini digunakan untuk jaringan saraf yang dilatih dengan menggunakan metode backpropagation. Fungsi sigmoid biner memiliki nilai pada range 0 sampai 1. Oleh karena itu, fungsi ini sering digunakan untuk jaringan saraf yang membutuhkan nilai output yang terletak pada interval 0 sampai 1. Namun dapat digunakan juga oleh jaringan saraf yang nilai outputnya 0 atau 1. Fungsi sigmoid biner dirumuskan: Salah satu keuntungan fungsi sigmoid adalah bahwa derivatifnya dapat dinyatakan dalam fungsi itu sendiri, yaitu: Karena fungsi tersebut telah dihitung selama perambatan maju pada pelatihan maka waktu perhitungan rambat balik dapat dikurangi. 42 Jurnal Teknik Komputer Vol. 18 No.1 Februari 2010: 40-51
4 Parameter Jaringan Saraf Tiruan 1. Learning rate ( α ) Learning rate yang besar mempercepat pengurangan eror terutama pada tahap awal proses belajar JST. Walaupun konstanta belajar yang besar dapat mempercepat proses belajar JST, namun ada kondisi tertentu dimana tidak dapat tercapai eror minimum yang diinginkan, karena JST terpental pada eror minimum yang sebenarnya. Bila digunakan konstanta belajar yang kecil maka JST dapat mencapai eror minimum yang diinginkan, namun proses belajar membutuhkan waktu yang lama. 2. Momentum (β) Semakin besar α maka pengurangan eror semakin besar, namun seringkali eror tidak bisa mencapai eror minimum global, sehingga untuk mengatasi hal tersebut digunakan laju belajar yang kecil, namun membutuhkan jumlah iterasi yang besar. Untuk mengatasi hal tersebut digunakan momentum yang dapat membantu proses pengurangan eror pada jaringan lebih cepat (Kanata, 2001). 3. Eror Minimum (Threshold) Semakin kecil eror (ideal eror = 0) maka keluaran jaringan hampir sama atau sama dengan target. Algoritma Pelatihan Backpropagation Algoritma pelatihan backpropagasi (backpropagation) atau yang diterjemahkan menjadi propagasi balik, pertama kali dirumuskan oleh Werbos dan dipopulerkan oleh Rumelhart dan McClelland untuk dipakai pada JST. Algoritma ini juga banyak dipakai pada aplikasi pengaturan karena proses pelatihannya didasarkan pada hubungan yang sederhana, yaitu jika keluaran memberikan hasil yang salah, maka bobot (weight) dikoreksi supaya erornya dapat diperkecil. Respon jaringan selanjutnya diharapkan akan lebih mendekati nilai yang benar. Backpropagation juga berkemampuan untuk memperbaiki bobot pada lapisan tersembunyi (hidden layer). Secara garis besar, algoritma ini disebut sebagai propagasi balik, karena ketika jaringan diberikan pola masukan sebagai pola pelatihan maka pola tersebut menuju ke unit-unit pada lapisan tersembunyi untuk diteruskan ke unit-unit lapisan keluaran. Kemudian unit-unit lapisan keluaran memberikan tanggapan yang disebut sebagai keluaran jaringan. Saat keluaran jaringan tidak sama dengan keluaran yang diharapkan maka keluaran akan menyebar mundur (backward) pada lapisan tersembunyi diteruskan ke unit pada lapisan masukan. Oleh karenanya, mekanisme pelatihan tersebut dinamakan backpropagation atau propagasi balik. Tahap pelatihan merupakan langkah bagaimana suatu jaringan saraf tiruan berlatih, yaitu dengan cara melakukan perubahan bobot (sambungan antar lapisan yang membentuk jaringan melalui masing-masing unitnya). Sedangkan pemecahan masalah baru akan dilakukan jika proses pelatihan tersebut selesai. Fase ini disebut pengujian atau testing. Algoritma pelatihan backpropagation terdiri dari dua proses, perambatan maju (feed forward) dan backpropagation dari erornya. Untuk jelasnya dapat dijelaskan rinciannya sebagai berikut: Langkah 0: Pemberian inisialisasi bobot (diberi nilai kecil secara acak). Langkah 1: Ulangi langkah 2 hingga 9 sampai kondisi akhir iterasi dipenuhi. Langkah 2: Untuk masing-masing pasangan data pelatihan (training data) lakukan langkah 3 hingga 8. Propagasi maju atau feedforward: Perancangan Sistem Pengenalan (Satrio Dewanto; dkk) 43
5 Langkah 3: Masing-masing unit masukan (Xi, i = 1,...n) menerima sinyal masukan Xi dan sinyal tersebut disebarkan ke unit-unit bagian berikutnya (unit-unit lapisan tersembunyi). Langkah 4: Masing-masing unit dilapisan tersembunyi dikalikan dengan faktor bobot dan dijumlahkan serta ditambah dengan biasnya: Kemudian menghitung sesuai dengan fungsi aktifasi yang digunakan: bila yang digunakan adalah fungsi sigmoid maka bentuk fungsi tersebut adalah: Kemudian mengirim sinyal tersebut ke semua unit keluaran (unit keluaran). Zj = Unit ke-j pada lapisan tersembunyi Z_inj = keluaran untuk unit Zj V0j = nilai bobot sambungan pada bias untuk unit Zi Vij = nilai bobot sambungan dari unit Xi ke unit Zi Langkah 5: Masing-masing unit keluaran (yk, k = l,2,3...m) dikalikan dengan faktor bobot dan dijumlahkan: Menghitung kembali sesuai dengan fungsi aktifasi Yk = unit ke -k pada lapisan keluaran Y_ink = net masukan untuk unit Yk W0k = nilai bobot sambungan pada bias untuk unit Yk Wjk = nilai bobot sambungan dari Zij ke unit Yk Backpropagasi dan erornya: Langkah 6: Masing-masing unit keluaran (Yk, k = l,...,m) menerima pola target sesuai dengan pola masukan saat pelatihan atau training dan dihitung erornya: karena f (y_ink) = yk menggunakan fungsi sigmoid, maka: Menghitung perbaikan faktor bobot (kemudian untuk memperbaiki wjk). Menghitung perbaikan koreksi: 44 Jurnal Teknik Komputer Vol. 18 No.1 Februari 2010: 40-51
6 dan menggunakan nilai δk pada semua unit lapisan sebelumnya. δk = faktor pengaturan nilai bobot sambungan pada lapisan keluaran α = konstanta laju pelatihan (leaming rate) 0 < α < 1 Langkah 7: Masing-masing bobot yang menghubungkan unit-unit lapisan keluaran dengan unit-unit pada lapisan tersembunyi (Zj,j=1..,p) dikalikan delta dan dijumlahkan sebagai masukan ke unit-unit lapisan berikutnya. Selanjutnya dikalikan dengan turunan dari fungsi aktifasinya untuk menghitung eror. Kemudian menghitung perbaikan bobot (digunakan untuk memperbaiki Vij). Kemudian menghitung perbaikan bias (untuk memperbaiki v0j). δj = faktor pengaturan nilai bobot sambungan pada lapisan tersembunyi Memperbaiki bobot dan bias: Langkah 8: Masing-masing keluaran unit (yk, k=1,..,m) diperbaiki bias dan bobotnya (j = 0,...,p). Masing-masing unit tersembunyi (Zj, j: 1,...,p) diperbaiki bias dan bobotnya (j=0,...,n). Langkah 9: Uji kondisi pemberhentian. Untuk pembaharuan nilai bobot terdapat tambahan metode yang dapat digunakan yaitu dengan menggunakan momentum yang didasarkan pada kombinasi antara gradien sekarang dengan gradien yang lalu. Hal ini berguna jika terdapat beberapa data pelatihan yang sangat berbeda dari mayoritas data pelatihan yang lain. Untuk menggunakan momentum ini, nilai bobot dari satu atau lebih lapis sebelumnya harus disimpan. Persamaan pembaharuan nilai bobot dengan menggunakan momentum adalah: β = konstanta momentum 0 < β < 1 Struktur Jaringan Saraf Optimal Jaringan saraf tiruan pada sistem dirancang agar memiliki struktur yang optimal. Struktur jaringan yang optimpal harus memiliki komponen-komponen jaringan yang optimal pula, optimal disini berarti yang paling sesuai dengan sistem, komponen-komponen tersebut meliputi input layer, hidden layer, output layer, training set, learning rate, momentum, dan jumlah node pada setiap layer-nya. Agar mendapatkan struktur jaringan saraf yang optimal untuk sistem, dilakukan Perancangan Sistem Pengenalan (Satrio Dewanto; dkk) 45
7 percobaan untuk mencari jumlah hidden layer, jumlah node hidden layer, nilai learning rate dan nilai momentum yang optimum. Dari semua percobaan yang dilakukan, didapat struktur jaringan saraf tiruan yang optimal untuk sistem pengenalan bentuk objek adalah menggunakan 3 hidden layer dengan jumlah node 200, 60, dan 40 serta nilai learning rate yang digunakan 0.5 dan momentum 0.9 dengan jumlah node pada input layer dan output layer secara berturut-turut adalah 2500 node dan 2 node. Jumlah node pada input layer sebanyak 2500 disesuaikan dengan jumlah input yang masuk, untuk setiap gambar akan menghasilkan input berupa matriks 50 x 50 sehingga dibutuhkan node pada input sebanyak 2500 node untuk menampung input dari gambar tersebut. Jumlah node pada output layer sebanyak 2 node dikarenakan bentuk yang hendak dikenali oleh sistem tidak lebih dari 2 2, pada layer output ini digunakan binary encode untuk menentukan hasilnya. Struktur jaringan saraf yang didapat dari hasil percobaan akan digunakan untuk pelatihan dan pengujian sistem. Pemrosesan Citra Citra objek diambil oleh webcam 1.3 mega pixel dengan kondisi latar belakang gambar yang sudah ditentukan dan dengan objek dalam daerah tertentu. Objek yang berada tepat pada batas atau melebihi batas daerah akan menghasilkan citra yang tidak sah. Citra yang diambil oleh webcam akan dikonversi ke dalam bentuk grayscale image. Image dalam bentuk grayscale tersebut akan digandakan ke dalam variable lain dan akan dicari edge-nya dengan menggunakan metode Canny. Hasil dari metode Canny tersebut akan mengalami dilation untuk menghilangkan celahcelah yang mungkin terbentuk agar edge yang didapat mampu konvergen atau menyatu membentuk contour. Setelah mengalami proses Canny dan dilation, gambar tersebut akan dicari contournya dan digambarkan ke dalam satu variable penampung image yang terpisah dari image aslinya. Penggambaran contour ini perlu dilakukan agar kita dapat menghilangkan titik-titik kecil tidak diinginkan yang sebelumnya dapat terdeteksi sebagai suatu contour atau objek. Parameter yang digunakan pada saat penggambaran contour tersebut dapat digunakan untuk menghilangkan titiktitik kecil yang terdeteksi sebagai suatu contour. Dari hasil gambar contour tersebut, akan dicari jumlah contour sebenarnya yang mewakili objek yang sebenarnya. Idealnya suatu objek hanya memiliki sebuah contour yang tidak terputus (untuk kasus benda tiga dimensi contour yang dimiliki oleh suatu benda bisa terputus untuk daerahdaerah belakang benda). Hasil contour yang didapat akan digunakan untuk mencari ROI (Region Of Interest) dari gambar aslinya sehingga bagian yang tidak perlu dari gambar tersebut dapat dihilangkan. Setelah ROI dari gambar tersebut di dapat, gambar tersebut akan di-crop sesuai ROI yang didapat dan menjalani proses resize dan perubahan format file untuk disesuaikan sebagai input untuk proses pelatihan. Pelatihan Sistem Pelatihan dilakukan dengan menggunakan struktur jaringan yang optimum yang didapat dari percobaan. Sistem melatih 2 bentuk objek (kotak dan segitiga) dengan posisi kotak horizontal, seperti pada gambar 2, dan posisi segitiga tegak, seperti gambar Jurnal Teknik Komputer Vol. 18 No.1 Februari 2010: 40-51
8 Gambar 2 Gambar Posisi Kotak yang Dilatih Gambar 3 Gambar Posisi Segitiga yang Dilatih Pelatihan dilakukan dengan mengatur parameter-parameter seperti MSE minimum dan jumlah iterasi atau epoh maksimum, serta menentukan gambar yang akan dilatih. Pengaturan nilai MSE minimum ditujukan untuk membuat pelatihan berhenti saat MSE telah mencapai nilai MSE minimum yang telah kita atur tersebut meskipun iterasi masih lebih kecil dari batas iterasi maksimum. Pengaturan jumlah iterasi maksimum ditujukan untuk membuat pelatihan berhenti saat jumlah iterasi sistem telah mencapai jumlah iterasi maksimum yang telah kita tentukan, meskipun MSE masih lebih besar dari MSE minimum yang kita tentukan. Hasil dari pelatihan adalah sekumpulan bobot terakhir yang disimpan dalam file bobot.xml. bobot ini adalah bobot terakhir saat pelatihan selesai, yang akan dipakai untuk pengenalan bentuk objek. Pengujian Sistem Dengan menggunakan struktur jaringan yang sama dengan pelatihan sistem dan dengan menggunakan bobot dari hasil pelatihan, dilakukan pengujian sistem dengan menggunakan bobot tersebut untuk mengetahui tingkat akurasi pengenalan sistem. Masing-masing pengujian dilakukan dengan menggunakan 30 gambar yang terdiri dari 3 kelompok. Kelompok pertama menggunakan input 10 gambar yang dilatih (5 gambar kotak dan 5 gambar segitiga yang digunakan untuk pelatihan), kelompok kedua menggunakan input 10 gambar dengan objek yang sama yang belum pernah dilatih (5 kotak dan 5 segitiga) dengan letak bergeser, dan kelompok ketiga menggunakan input 10 gambar dengan objek yang berbeda yang belum pernah dilatih. Pengaruh Perubahan Jumlah Iterasi Terhadap Akurasi Sistem Pada percobaan ini dilakukan pelatihan sistem dengan mengubah-ubah batas iterasi maksimum mulai dari 100 hingga iterasi. Nilai MSE minimum yang dipakai saat pelatihan adalah , penetapan nilai MSE ini ditujukan agar sistem berhenti hanya karena pengaruh jumlah iterasi saja. Penetapan nilai MSE minimum yang sangat kecil akan membuat sistem lebih lama mencapai MSE tersebut, sehingga sistem akan berhenti pada iterasi maksimum yang sudah ditetapkan. Jumlah gambar yang dilatih pada percobaan ini sebanyak 10 gambar (5 kotak dan 5 segitiga). Pengaruh Perubahan MSE Terhadap Akurasi Sistem Pada percobaan ini dilakukan pelatihan sistem dengan mengubah ubah nilai MSE minimum mulai dari 0.1 sampai Batas iterasi maksimum yang dipakai saat pelatihan adalah , Penetapan batas iterasi yang sangat besar ditujukan supaya sistem hanya dipengaruhi oleh besarnya nilai MSE minimum untuk berhenti. Penetapan batas iterasi maksimum yang besar akan mengakibatkan pelatihan akan sangat lama untuk mencapai jumlah iterasi seperti itu, sehingga pelatihan akan lebih dahulu mencapai MSE sesuai dengan nilai MSE minimum yang diberikan. Jumlah gambar yang dilatih pada percobaan ini sebanyak 10 gambar (5 kotak dan 5 segitiga). Perancangan Sistem Pengenalan (Satrio Dewanto; dkk) 47
9 Tabel 1 Pengujian iterasi kelompok pertama Tabel 2 Pengujian iterasi kelompok kedua Tabel 3 Pengujian iterasi kelompok ketiga Tabel 4 Pengujian MSE kelompok pertama 48 Jurnal Teknik Komputer Vol. 18 No.1 Februari 2010: 40-51
10 Tabel 5 Pengujian MSE kelompok kedua Tabel 6 Pengujian MSE kelompok ketiga Pengaruh Banyaknya Gambar yang Dilatih Terhadap Akurasi Sistem Pada percobaan ini dilakukan pelatihan sistem dengan mengubah-ubah jumlah gambar yang dilatih mulai dari 1 gambar untuk setiap bentuk objek hingga 5 gambar untuk setiap bentuk objek. Input gambar untuk pengujian menggunakan input 10 gambar dengan objek yang sama yang belum pernah dilatih (5 kotak dan 5 segitiga) dengan letak bergeser. Batas iterasi maksimum yang dipakai saat pelatihan adalah 3000 iterasi, dan nilai minimum MSE Penentuan jumlah iterasi maksimum sebanyak 3000 didasarkan pada perolehan jumlah iterasi pada percobaan sebelumnya untuk pengujian terhadap 10 gambar dengan objek yang sama yang belum pernah dilatih (5 kotak dan 5 segitiga) dengan letak bergeser. Jumlah Gambar (gambar) Tabel 7 Pengujian jumlah gambar yang dilatih MSE Dikenali (dari 5 kotak dan 5 segitiga) Kotak Segitiga E E E E E Waktu Pelatihan dan Pengujian Pada Laptop Dengan Beagle Board Pelatihan sistem pada beagle board dilakukan dengan struktur jaringan saraf tiruan yang sama dengan struktur yang dipakai untuk pelatihan pada laptop. Perancangan Sistem Pengenalan (Satrio Dewanto; dkk) 49
11 Tabel 8 Pelatihan pada laptop dan beagle board Tabel 9 Time breakdown pelatihan Tabel 10 Time breakdown pelatihan PENUTUP Simpulan dalam penelitian ini untuk mendapatkan struktur jaringan saraf tiruan yang optimal maka perlu dilakukan percobaan untuk mendapatkan parameter dari jaringan yang sesuai. Jumlah node pada hidden layer yang semakin banyak akan membuat jumlah iterasi semakin sedikit untuk mencapai nilai MSE tertentu, sampai pada jumlah node tertentu maka perubahannya tidak begitu signifikan. Nilai learning rate dan momentum akan mempengaruhi sistem dalam mendapatkan MSE. Nilai learning rate yang terbaik adalah tidak terlalu besar dan tidak terlalu kecil, begitu pula dengan momentum. Jumlah hidden layer pada suatu jaringan akan mempengaruhi akurasi sistem tersebut. Semakin banyak hidden layer maka sistem akan semakin akurat, tapi sampai jumlah hidden layer tertentu maka pengaruhnya tidak terlalu signifikan. Dengan jumlah iterasi pada peatihan semakin banyak, maka akurasi sistem akan semakin baik dan MSE yang dihasilkan semakin kecil. Semakin kecil nilai MSE menunjukkan bahwa akurasi sistem semakin 50 Jurnal Teknik Komputer Vol. 18 No.1 Februari 2010: 40-51
12 baik. Semakin banyak gambar yang dilatih maka akurasi sistem akan semakin baik, tetapi dengan iterasi yang tetap maka akan menghasilkan MSE yang semakin membesar. Sistem yang dikembangkan telah bisa melakukan translation invariant, tetapi belum dapat melakukan rotation invariant. Penggunaan beagle board kurang lebih adalah sama dengan penggunaan laptop. Perbedaannya adalah pada kapasitas memori yang kecil sehingga diperlukan algoritma khusus yang tidak memakai memori terlalu besar. Untuk pelatihan sistem dilakukan di laptop karena hasil yang diperoleh sama dengan yang dilakukan dengan beagle board tetapi pemakaian waktu lebih singkat. DAFTAR PUSTAKA Adobe Systems, Abode RGB (1998) Color Space Specification (2005). dfs/adobergb1998.pdf Anonim. Bab 8 Jaringan Saraf Tiruan (Neural Network). kuliah/kecerdasan Buatan/Bab 8 Jaringan Syaraf Tiruan.pdf Bradski, Gary. Adrian Kaehler. (2008). Learning OpenCV, edisi ke-1. O Reily Media. California Burger, Wilhelm. Mark J. Burge. (2008). Digital Image Processing. Spinger. New York D. Kulkarni, Arun. (2001). Computer Vision and Fuzzy-Neural Systems. Prentice Hall PTR. USA Kusumadewi, Sri. Sri Hartati. (2006). Neuro-Fuzzy. Graha Ilmu. Yogyakarta Perancangan Sistem Pengenalan (Satrio Dewanto; dkk) 51
BAB 4 IMPLEMENTASI DAN EVALUASI
BAB 4 IMPLEMENTASI DAN EVALUASI 4.1 Spesifikasi Sistem Piranti yang digunakan untuk pelatihan maupun pengujian sistem terdiri dari perangkat keras dan perangkat lunak. 4.1.1 Perangkat Keras Perangkat keras
Lebih terperinciBAB 2 KONSEP DASAR PENGENAL OBJEK
BAB 2 KONSEP DASAR PENGENAL OBJEK 2.1 KONSEP DASAR Pada penelitian ini, penulis menggunakan beberapa teori yang dijadikan acuan untuk menyelesaikan penelitian. Berikut ini teori yang akan digunakan penulis
Lebih terperinciBAB III METODE PENELITIAN. Penelitian ini dilaksanakan Februari 2014 sampai dengan Juli 2014 di
BAB III METODE PENELITIAN A. Waktu dan Tempat Penelitian Penelitian ini dilaksanakan Februari 2014 sampai dengan Juli 2014 di Laboratorium Pemodelan Fisika, Jurusan Fisika, Fakultas Matematika dan Ilmu
Lebih terperinciPERANCANGAN PROGRAM PENGENALAN BENTUK MOBIL DENGAN METODE BACKPROPAGATION DAN ARTIFICIAL NEURAL NETWORK SKRIPSI
PERANCANGAN PROGRAM PENGENALAN BENTUK MOBIL DENGAN METODE BACKPROPAGATION DAN ARTIFICIAL NEURAL NETWORK SKRIPSI Oleh Nama : Januar Wiguna Nim : 0700717655 PROGRAM GANDA TEKNIK INFORMATIKA DAN MATEMATIKA
Lebih terperinciIDENTIFIKASI POLA IRIS MENGGUNAKAN METODE BACKPROPAGATION
JURNAL MANUTECH 43 IDENTIFIKASI POLA IRIS MENGGUNAKAN METODE BACKPROPAGATION Yoan Elviralita 1, Asrul Hidayat 2 1 Program Studi Teknik Mekatronika-Politeknik Bosowa 2 Program Studi Perawatan dan Perbaikan
Lebih terperinciBAB 2 LANDASAN TEORI. fuzzy logic dengan aplikasi neuro computing. Masing-masing memiliki cara dan proses
8 BAB 2 LANDASAN TEORI 2.1 Teori Neuro Fuzzy Neuro-fuzzy sebenarnya merupakan penggabungan dari dua studi utama yaitu fuzzy logic dengan aplikasi neuro computing. Masing-masing memiliki cara dan proses
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 JARINGAN SARAF SECARA BIOLOGIS Jaringan saraf adalah salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak
Lebih terperinciANALISA JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MENGETAHUI LOYALITAS KARYAWAN
ANALISA JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MENGETAHUI LOYALITAS KARYAWAN Jasmir, S.Kom, M.Kom Dosen tetap STIKOM Dinamika Bangsa Jambi Abstrak Karyawan atau tenaga kerja adalah bagian
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini akan dielaskan mengenai teori-teori yang berhubungan dengan penelitian ini, sehingga dapat diadikan sebagai landasan berpikir dan akan mempermudah dalam hal pembahasan
Lebih terperinciBAB II DASAR TEORI Jaringan Syaraf Tiruan. Universitas Sumatera Utara
BAB II DASAR TEORI Landasan teori adalah teori-teori yang relevan dan dapat digunakan untuk menjelaskan variabel-variabel penelitian. Landasan teori ini juga berfungsi sebagai dasar untuk memberi jawaban
Lebih terperinciVOL. 01 NO. 02 [JURNAL ILMIAH BINARY] ISSN :
PENERAPAN JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH PRODUKSI AIR MINUM MENGGUNAKAN ALGORITMA BACKPROPAGATION (STUDI KASUS : PDAM TIRTA BUKIT SULAP KOTA LUBUKLINGGAU) Robi Yanto STMIK Bina Nusantara
Lebih terperinciPREDIKSI PENDAPATAN ASLI DAERAH KALIMANTAN BARAT MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
PREDIKSI PENDAPATAN ASLI DAERAH KALIMANTAN BARAT MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Dwi Marisa Midyanti Sistem Komputer Universitas Tanjungpura Pontianak Jl Prof.Dr.Hadari Nawawi, Pontianak
Lebih terperinciANALISA JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI PRODUKTIVITAS PEGAWAI. Jasmir, S.Kom, M.Kom
ANALISA JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI PRODUKTIVITAS PEGAWAI Jasmir, S.Kom, M.Kom Dosen tetap STIKOM Dinamika Bangsa Jambi Abstrak Pegawai atau karyawan merupakan
Lebih terperinciArsitektur Jaringan Salah satu metode pelatihan terawasi pada jaringan syaraf adalah metode Backpropagation, di mana ciri dari metode ini adalah memin
BACK PROPAGATION Arsitektur Jaringan Salah satu metode pelatihan terawasi pada jaringan syaraf adalah metode Backpropagation, di mana ciri dari metode ini adalah meminimalkan error pada output yang dihasilkan
Lebih terperinciPEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK
PEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK Program Studi Matematika FMIPA Universitas Negeri Semarang Abstrak. Saat ini, banyak sekali alternatif dalam
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN 3.1. Data Yang Digunakan Dalam melakukan penelitian ini, penulis membutuhkan data input dalam proses jaringan saraf tiruan backpropagation. Data tersebut akan digunakan sebagai
Lebih terperinciPERANCANGAN SISTEM PENGENALAN DAN PENYORTIRAN KARTU POS BERDASARKAN KODE POS DENGAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK
PERANCANGAN SISTEM PENGENALAN DAN PENYORTIRAN KARTU POS BERDASARKAN KODE POS DENGAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK OLEH ARIF MIFTAHU5R ROHMAN (2200 100 032) Pembimbing: Dr. Ir Djoko Purwanto, M.Eng,
Lebih terperinciImplementasi Jaringan Syaraf Tiruan Backpropagation dan Steepest Descent untuk Prediksi Data Time Series
Implementasi Jaringan Syaraf Tiruan Backpropagation dan Steepest Descent untuk Prediksi Data Time Series Oleh: ABD. ROHIM (1206 100 058) Dosen Pembimbing: Prof. Dr. M. Isa Irawan, MT Jurusan Matematika
Lebih terperinciPREDIKSI CURAH HUJAN DI KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK
PREDIKSI CURAH HUJAN DI KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK Yudhi Andrian 1, Erlinda Ningsih 2 1 Dosen Teknik Informatika, STMIK Potensi Utama 2 Mahasiswa Sistem Informasi, STMIK
Lebih terperinciBAB II. Penelitian dengan jaringan syaraf tiruan propagasi balik. dalam bidang kesehatan sebelumnya pernah dilakukan oleh
BAB II TINJAUAN PUSTAKA DAN DASAR TEORI 2.1. Tinjauan Pustaka Penelitian dengan jaringan syaraf tiruan propagasi balik dalam bidang kesehatan sebelumnya pernah dilakukan oleh Sudharmadi Bayu Jati Wibowo
Lebih terperinciANALISIS PENAMBAHAN NILAI MOMENTUM PADA PREDIKSI PRODUKTIVITAS KELAPA SAWIT MENGGUNAKAN BACKPROPAGATION
ANALISIS PENAMBAHAN NILAI MOMENTUM PADA PREDIKSI PRODUKTIVITAS KELAPA SAWIT MENGGUNAKAN BACKPROPAGATION Eka Irawan1, M. Zarlis2, Erna Budhiarti Nababan3 Magister Teknik Informatika, Universitas Sumatera
Lebih terperinciSATIN Sains dan Teknologi Informasi
SATIN - Sains dan Teknologi Informasi, Vol. 2, No., Juni 206 SATIN Sains dan Teknologi Informasi journal homepage : http://jurnal.stmik-amik-riau.ac.id Penerapan Jaringan Syaraf Tiruan Untuk Estimasi Needs
Lebih terperinciT 11 Aplikasi Model Backpropagation Neural Network Untuk Perkiraan Produksi Tebu Pada PT. Perkebunan Nusantara IX
T 11 Aplikasi Model Backpropagation Neural Network Untuk Perkiraan Produksi Tebu Pada PT. Perkebunan Nusantara IX Oleh: Intan Widya Kusuma Program Studi Matematika, FMIPA Universitas Negeri yogyakarta
Lebih terperinciBAB II LANDASAN TEORI
5 BAB II LANDASAN TEORI 2.1. Citra Digital Citra digital dapat didefenisikan sebagai fungsi f(x,y) yaitu dua dimensi, dimana x dan y merupakan koordinat spasial dan f(x,y) disebut dengan intensitas atau
Lebih terperinciPrediksi Pergerakan Harga Harian Nilai Tukar Rupiah (IDR) Terhadap Dollar Amerika (USD) Menggunakan Metode Jaringan Saraf Tiruan Backpropagation
1 Prediksi Pergerakan Harga Harian Nilai Tukar Rupiah (IDR) Terhadap Dollar Amerika (USD) Menggunakan Metode Jaringan Saraf Tiruan Backpropagation Reza Subintara Teknik Informatika, Ilmu Komputer, Universitas
Lebih terperincilalu menghitung sinyal keluarannya menggunakan fungsi aktivasi,
LAMPIRAN 15 Lampiran 1 Algoritme Jaringan Syaraf Tiruan Propagasi Balik Standar Langkah 0: Inisialisasi bobot (bobot awal dengan nilai random yang paling kecil). Langkah 1: Menentukan maksimum epoch, target
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENJUALAN OBAT Pada PT. METRO ARTHA PRAKARSA MENERAPKAN METODE BACKPROPAGATION
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENJUALAN OBAT Pada PT. METRO ARTHA PRAKARSA MENERAPKAN METODE BACKPROPAGATION Zulkarnain Mahasiswa Teknik Informatika STMIK Budi Darma Jl. Sisingamangaraja
Lebih terperinciPENGENALAN HURUF DAN ANGKA PADA CITRA BITMAP DENGAN JARINGAN SARAF TIRUAN METODE PROPAGASI BALIK
PENGENALAN HURUF DAN ANGKA PADA CITRA BITMAP DENGAN JARINGAN SARAF TIRUAN METODE PROPAGASI BALIK Naskah Publikasi disusun oleh Zul Chaedir 05.11.0999 Kepada SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER
Lebih terperinciJurnal Ilmiah Komputer dan Informatika (KOMPUTA) IMPLEMENTASI JARINGAN SYARAF TIRUAN BACKPROPAGATION UNTUK MENGENALI MOTIF BATIK
IMPLEMENTASI JARINGAN SYARAF TIRUAN BACKPROPAGATION UNTUK MENGENALI MOTIF BATIK Fany Hermawan Teknik Informatika Universitas Komputer Indonesia Jl. Dipatiukur 112-114 Bandung E-mail : evan.hawan@gmail.com
Lebih terperinciPresentasi Tugas Akhir
Presentasi Tugas Akhir Bagian terpenting dari CRM adalah memahami kebutuhan dari pelanggan terhadap suatu produk yang ditawarkan para pelaku bisnis. CRM membutuhkan sistem yang dapat memberikan suatu
Lebih terperinciKLASIFIKASI POLA HURUF VOKAL DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION. Dhita Azzahra Pancorowati
KLASIFIKASI POLA HURUF VOKAL DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION Dhita Azzahra Pancorowati 1110100053 Jurusan Fisika Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Teknologi
Lebih terperinciJARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI CURAH HUJAN SUMATERA UTARA DENGAN METODE BACK PROPAGATION (STUDI KASUS : BMKG MEDAN)
JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI CURAH HUJAN SUMATERA UTARA DENGAN METODE BACK PROPAGATION (STUDI KASUS : BMKG MEDAN) Marihot TP. Manalu Mahasiswa Program Studi Teknik Informatika, STMIK Budidarma
Lebih terperinciPenerapan Jaringan Saraf Tiruan Metode Backpropagation Menggunakan VB 6
Penerapan Jaringan Saraf Tiruan Metode Backpropagation Menggunakan VB 6 Sari Indah Anatta Setiawan SofTech, Tangerang, Indonesia cu.softech@gmail.com Diterima 30 November 2011 Disetujui 14 Desember 2011
Lebih terperinciPENERAPAN JARINGAN SYARAF TIRUAN DALAM MEMPREDIKSI TINGKAT PENGANGGURAN DI SUMATERA BARAT
PENERAPAN JARINGAN SYARAF TIRUAN DALAM MEMPREDIKSI TINGKAT PENGANGGURAN DI SUMATERA BARAT Havid Syafwan Program Studi Manajemen Informatika, Amik Royal, Kisaran E-mail: havid_syafwan@yahoo.com ABSTRAK:
Lebih terperinciIMPLEMENTASI JARINGAN SYARAF TIRUAN MULTI LAYER FEEDFORWARD DENGAN ALGORITMA BACKPROPAGATION SEBAGAI ESTIMASI NILAI KURS JUAL SGD-IDR
Seminar Nasional Teknologi Informasi dan Multimedia 205 STMIK AMIKOM Yogyakarta, 6-8 Februari 205 IMPLEMENTASI JARINGAN SYARAF TIRUAN MULTI LAYER FEEDFORWARD DENGAN ALGORITMA BACKPROPAGATION SEBAGAI ESTIMASI
Lebih terperinciPengendalian Posisi Mobile Robot Menggunakan Metode Neural Network Dengan Umpan Balik Kamera Pemosisian Global
The 13 th Industrial Electronics Seminar 2011 (IES 2011) Electronic Engineering Polytechnic Institute of Surabaya (EEPIS), Indonesia, October 26, 2011 Pengendalian Posisi Mobile Robot Menggunakan Metode
Lebih terperinciPENGENDALIAN POSISI MOBILE ROBOT MENGGUNAKAN METODE NEURAL NETWORK DENGAN UMPAN BALIK KAMERA PEMOSISIAN GLOBAL
PENGENDALIAN POSISI MOBILE ROBOT MENGGUNAKAN METODE NEURAL NETWORK DENGAN UMPAN BALIK KAMERA PEMOSISIAN GLOBAL Randy Reza Kautsar (1), Bima Sena Bayu D S.ST M.T (2), A.R. Anom Besari. S.ST, M.T (2) (1)
Lebih terperinciBAB IV IMPLEMENTASI DAN PENGUJIAN
68 BAB IV IMPLEMENTASI DAN PENGUJIAN Bab ini membahas tentang program yang telah dianalisis dan dirancang atau realisasi program yang telah dibuat. Pada bab ini juga akan dilakukan pengujian program. 4.1
Lebih terperinciSATIN Sains dan Teknologi Informasi
SATIN - Sains dan Teknologi Informasi, Vol. 2, No., Juni 206 SATIN Sains dan Teknologi Informasi journal homepage : http://jurnal.stmik-amik-riau.ac.id Jaringan Syaraf Tiruan Peramalan Inventory Barang
Lebih terperinciJARINGAN SARAF TIRUAN DENGAN BACKPROPAGATION UNTUK MENDETEKSI PENYALAHGUNAAN NARKOTIKA
JARINGAN SARAF TIRUAN DENGAN BACKPROPAGATION UNTUK MENDETEKSI PENYALAHGUNAAN NARKOTIKA Dahriani Hakim Tanjung STMIK POTENSI UTAMA Jl.K.L.Yos Sudarso Km 6.5 Tanjung Mulia Medan notashapire@gmail.com Abstrak
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Suara Manusia Menurut Inung Wijayanto (2013), produksi suara manusia memerlukan tiga elemen, yaitu sumber daya, sumber suara dan pemodifikasi suara. Ini adalah dasar dari teori
Lebih terperinciMETODOLOGI PENELITIAN
III. METODOLOGI PENELITIAN A. Kerangka Pemikiran Perusahaan dalam era globalisasi pada saat ini, banyak tumbuh dan berkembang, baik dalam bidang perdagangan, jasa maupun industri manufaktur. Perusahaan
Lebih terperinciANALISIS PENAMBAHAN MOMENTUM PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK
Seminar Nasional Informatika 0 ANALISIS PENAMBAHAN MOMENTUM PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK Yudhi Andrian, Purwa Hasan Putra Dosen Teknik Informatika,
Lebih terperinciJaringan Syaraf Tiruan Menggunakan Algoritma Backpropagation Untuk Memprediksi Jumlah Pengangguran (Studi Kasus DiKota Padang)
Jaringan Syaraf Tiruan Menggunakan Algoritma Backpropagation Untuk Memprediksi Jumlah Pengangguran (Studi Kasus DiKota Padang) Hadi Syahputra Universitas Putra Indonesia YPTK Padang E-mail: hadisyahputra@upiyptk.ac.id
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Bab ini akan dibahas mengenai teori-teori pendukung pada penelitian ini. Adapun teori tersebut yaitu teori jaringan saraf tiruan dan algoritma backpropragation. 2.1. Jaringan Saraf
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENJUALAN HANDPHONE DENGAN MENGGUNAKAN METODE BACKPROPAGATION (Studi Kasus : CV.
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENJUALAN HANDPHONE DENGAN MENGGUNAKAN METODE BACKPROPAGATION (Studi Kasus : CV. Bryan Ponsel) Des Indeks Giawa Mahasiswa Teknik Informatika STMIK Budi
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.6. Jaringan Syaraf Tiruan Jaringan syaraf tiruan atau neural network merupakan suatu sistem informasi yang mempunyai cara kerja dan karakteristik menyerupai jaringan syaraf pada
Lebih terperinciPENENTUAN MODEL RETURN HARGA SAHAM DENGAN MULTI LAYER FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA RESILENT BACKPROPAGATION
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 1, Tahun 2016, Halaman 203-209 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PENENTUAN MODEL RETURN HARGA SAHAM DENGAN MULTI LAYER FEED FORWARD
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Forecasting Forecasting (peramalan) adalah seni dan ilmu untuk memperkirakan kejadian di masa yang akan datang. Hal ini dapat dilakukan dengan melibatkan data historis dan memproyeksikannya
Lebih terperinciBAB III PERANCANGAN SISTEM
BAB III PERANCANGAN SISTEM 3.1 Definisi Masalah Dalam beberapa tahun terakhir perkembangan Computer Vision terutama dalam bidang pengenalan wajah berkembang pesat, hal ini tidak terlepas dari pesatnya
Lebih terperinciMODEL PEMBELAJARAN JARINGAN SYARAF TIRUAN UNTUK OTOMATISASI PENGEMUDIAN KENDARAAN BERODA TIGA
MODEL PEMBELAJARAN JARINGAN SYARAF TIRUAN UNTUK OTOMATISASI PENGEMUDIAN KENDARAAN BERODA TIGA Ramli e-mail:ramli.brt@gmail.com Dosen Tetap Amik Harapan Medan ABSTRAK Jaringan Syaraf Tiruan adalah pemrosesan
Lebih terperinciAplikasi yang dibuat adalah aplikasi untuk menghitung. prediksi jumlah dalam hal ini diambil studi kasus data balita
BAB III ANALISA DAN PERANCANGAN SISTEM 3.1. Analisa dan Kebutuhan Sistem Analisa sistem merupakan penjabaran deskripsi dari sistem yang akan dibangun kali ini. Sistem berfungsi untuk membantu menganalisis
Lebih terperinciBAB 3 PERANCANGAN DAN PEMBUATAN SISTEM
BAB 3 PERANCANGAN DAN PEMBUATAN SISTEM Dalam bab ini akan dibahas mengenai perancangan dan pembuatan sistem aplikasi yang digunakan sebagai user interface untuk menangkap citra ikan, mengolahnya dan menampilkan
Lebih terperinciANALISIS ALGORITMA INISIALISASI NGUYEN-WIDROW PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK
ANALISIS ALGORITMA INISIALISASI NGUYEN-WIDROW PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK Yudhi Andrian 1, M. Rhifky Wayahdi 2 1 Dosen Teknik Informatika,
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
7 BAB 2 TINJAUAN PUSTAKA 2.1 Jaringan Syaraf Biologi Otak manusia memiliki struktur yang sangat kompleks dan memiliki kemampuan yang luar biasa. Otak terdiri dari neuron-neuron dan penghubung yang disebut
Lebih terperinciBACKPROPAGATION NEURAL NETWORK AS A METHOD OF FORECASTING ON CALCULATION INFLATION RATE IN JAKARTA AND SURABAYA
BACKPROPAGATION NEURAL NETWORK AS A METHOD OF FORECASTING ON CALCULATION INFLATION RATE IN JAKARTA AND SURABAYA Anggi Purnama Undergraduate Program, Computer Science, 2007 Gunadarma Universiy http://www.gunadarma.ac.id
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN MULTI LAYER PERCEPTRON PADA APLIKASI PRAKIRAAN CUACA
Aplikasi Jaringan Syaraf Tiruan Multilayer Perceptron (Joni Riadi dan Nurmahaludin) APLIKASI JARINGAN SYARAF TIRUAN MULTI LAYER PERCEPTRON PADA APLIKASI PRAKIRAAN CUACA Joni Riadi (1) dan Nurmahaludin
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENYAKIT SALURAN PERNAFASAN DENGAN METODE BACKPROPAGATION
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENYAKIT SALURAN PERNAFASAN DENGAN METODE BACKPROPAGATION [1] Novi Indah Pradasari, [2] F.Trias Pontia W, [3] Dedi Triyanto [1][3] Jurusan Sistem Komputer,
Lebih terperinciBACK PROPAGATION NETWORK (BPN)
BACK PROPAGATION NETWORK (BPN) Arsitektur Jaringan Digunakan untuk meminimalkan error pada output yang dihasilkan oleh jaringan. Menggunakan jaringan multilayer. Arsitektur Jaringan Proses belajar & Pengujian
Lebih terperinciJARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MENDETEKSI GANGGUAN PSIKOLOGI
Media Informatika, Vol. 2, No. 2, Desember 2004, 1-11 ISSN: 0854-4743 JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MENDETEKSI GANGGUAN PSIKOLOGI Kiki, Sri Kusumadewi Jurusan Teknik Informatika,
Lebih terperinciFarah Zakiyah Rahmanti
Farah Zakiyah Rahmanti Latar Belakang Struktur Dasar Jaringan Syaraf Manusia Konsep Dasar Permodelan JST Fungsi Aktivasi JST Contoh dan Program Jaringan Sederhana Metode Pelatihan Supervised Learning Unsupervised
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Jaringan Saraf Tiruan (JST) Jaringan saraf tiruan pertama kali secara sederhana diperkenalkan oleh McCulloch dan Pitts pada tahun 1943. McCulloch dan Pitts menyimpulkan bahwa
Lebih terperinciArchitecture Net, Simple Neural Net
Architecture Net, Simple Neural Net 1 Materi 1. Model Neuron JST 2. Arsitektur JST 3. Jenis Arsitektur JST 4. MsCulloh Pitts 5. Jaringan Hebb 2 Model Neuron JST X1 W1 z n wi xi; i1 y H ( z) Y1 X2 Y2 W2
Lebih terperinciBAB II DASAR TEORI. 2.1 Citra Digital
BAB II DASAR TEORI 2.1 Citra Digital Citra digital didefinisikan sebagai fungsi f (x,y) dua dimensi,dimana x dan y adalah koordinat spasial dan f(x,y) adalah disebut dengan intensitas atau tingkat keabuan
Lebih terperinciBAB 3 PERANCANGAN SISTEM. Bab ini menguraikan analisa penelitian terhadap metode Backpropagation yang
BAB 3 PERANCANGAN SISTEM Bab ini menguraikan analisa penelitian terhadap metode Backpropagation yang diimplementasikan sebagai model estimasi harga saham. Analisis yang dilakukan adalah menguraikan penjelasan
Lebih terperinciJARINGAN SARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) ERWIEN TJIPTA WIJAYA, ST, M.KOM
JARINGAN SARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) ERWIEN TJIPTA WIJAYA, ST, M.KOM INTRODUCTION Jaringan Saraf Tiruan atau JST adalah merupakan salah satu representasi tiruan dari otak manusia yang selalu
Lebih terperinciIMPLEMENTASI JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI HARGA SAHAM
IMPLEMENTASI JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI HARGA SAHAM Ayu Trimulya 1, Syaifurrahman 2, Fatma Agus Setyaningsih 3 1,3 Jurusan Sistem Komputer, Fakultas MIPA Universitas
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 terperinciBAB IV JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK)
BAB IV JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) Kompetensi : 1. Mahasiswa memahami konsep Jaringan Syaraf Tiruan Sub Kompetensi : 1. Dapat mengetahui sejarah JST 2. Dapat mengetahui macam-macam
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN DALAM PENGHITUNGAN PERSENTASE KEBENARAN KLASIFIKASI PADA KLASIFIKASI JURUSAN SISWA DI SMA N 8 SURAKARTA
APLIKASI JARINGAN SYARAF TIRUAN DALAM PENGHITUNGAN PERSENTASE KEBENARAN KLASIFIKASI PADA KLASIFIKASI JURUSAN SISWA DI SMA N 8 SURAKARTA Pembimbing: Desi Fitria Utami M0103025 Drs. Y. S. Palgunadi, M. Sc
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN
32 BAB III ANALISIS DAN PERANCANGAN Pada bab ini akan dibahas tentang analisis sistem melalui pendekatan secara terstruktur dan perancangan yang akan dibangun dengan tujuan menghasilkan model atau representasi
Lebih terperinciPERAMALAN HARGA SAHAM PERUSAHAAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK DAN AKAIKE INFORMATION CRITERION
Seminar Nasional Aplikasi Teknologi Informasi 20 (SNATI 20) ISSN: 19-5022 Yogyakarta, 16 Juni 20 PERAMALAN HARGA SAHAM PERUSAHAAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK DAN AKAIKE INFORMATION CRITERION
Lebih terperinciAnalisis Jaringan Saraf Tiruan dengan Metode Backpropagation Untuk Mendeteksi Gangguan Psikologi
Analisis Jaringan Saraf Tiruan dengan Metode Backpropagation Untuk Mendeteksi Gangguan Psikologi Kiki, Sri Kusumadewi Laboratorium Komputasi & Sistem Cerdas Jurusan Teknik Informatika, Fakultas Teknologi
Lebih terperinciRANCANG BANGUN TOOL UNTUK JARINGAN SYARAF TIRUAN (JST) MODEL PERCEPTRON
RANCANG BANGUN TOOL UNTUK JARINGAN SYARAF TIRUAN (JST) MODEL PERCEPTRON Liza Afriyanti Laboratorium Komputasi dan Sistem Cerdas Jurusan Teknik Informatika, Fakultas Teknologi Industri,Universitas Islam
Lebih terperinciPERBANDINGAN ANTARA MODEL NEURAL NETWORK DAN MODEL DUANE UNTUK EVALUASI KETEPATAN PREDIKSI WAKTU KERUSAKAN SUATU KOMPONEN
Feng PERBANDINGAN ANTARA MODEL NEURAL NETWORK DAN MODEL DUANE UNTUK... 211 PERBANDINGAN ANTARA MODEL NEURAL NETWORK DAN MODEL DUANE UNTUK EVALUASI KETEPATAN PREDIKSI WAKTU KERUSAKAN SUATU KOMPONEN Tan
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI VOLUME PEMAKAIAN AIR BERSIH DI KOTA PONTIANAK
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI VOLUME PEMAKAIAN AIR BERSIH DI KOTA PONTIANAK [1] Meishytah Eka Aprilianti, [2] Dedi Triyanto, [3] Ilhamsyah [1] [2] [3] Jurusan Sistem Komputer, Fakultas
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Jaringan Syaraf Biologi Jaringan Syaraf Tiruan merupakan suatu representasi buatan dari otak manusia yang dibuat agar dapat mensimulasikan apa yang dipejalari melalui proses pembelajaran
Lebih terperinciPENGENALAN POLA HURUF ROMAWI DENGAN JARINGAN SARAF TIRUAN PERSEPTRON LAPIS JAMAK
PENGENALAN POLA HURUF ROMAWI DENGAN JARINGAN SARAF TIRUAN PERSEPTRON LAPIS JAMAK Eko Budi Wahyono*), Suzuki Syofian**) *) Teknik Elektro, **) Teknik Informatika - Fakultas Teknik Abstrak Pada era modern
Lebih terperinciIDENTIFIKASI TANDA TANGAN MENGGUNAKAN ALGORITMA DOUBLE BACKPROPAGATION ABSTRAK
IDENTIFIKASI TANDA TANGAN MENGGUNAKAN ALGORITMA DOUBLE BACKPROPAGATION Disusun oleh: Togu Pangaribuan 0722087 Jurusan Teknik Elektro, Fakultas Teknik, Jl. Prof.Drg. Suria Sumantri, MPH No. 65, Bandung
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Pengenalan Pola Pengenalan pola adalah suatu ilmu untuk mengklasifikasikan atau menggambarkan sesuatu berdasarkan pengukuran kuantitatif fitur (ciri) atau sifat utama dari suatu
Lebih terperinciBACK PROPAGATION NETWORK (BPN)
BACK PROPAGATION NETWORK (BPN) Arsitektur Jaringan Salah satu metode pelatihan terawasi pada jaringan syaraf adalah metode Backpropagation, di mana ciri dari metode ini adalah meminimalkan error pada output
Lebih terperinciPENGENALAN PLAT NOMOR KENDARAAN DALAM SEBUAH CITRA MENGUNAKAN JARINGAN SARAF TIRUAN ABSTRAK
PENGENALAN PLAT NOMOR KENDARAAN DALAM SEBUAH CITRA MENGUNAKAN JARINGAN SARAF TIRUAN Decy Nataliana [1], Sabat Anwari [2], Arief Hermawan [3] Jurusan Teknik Elektro Fakultas Teknologi Industri Institut
Lebih terperinciSATIN Sains dan Teknologi Informasi
SATIN - Sains dan Teknologi Informasi, Vol. 2, No. 1, Juni 2015 SATIN Sains dan Teknologi Informasi journal homepage : http://jurnal.stmik-amik-riau.ac.id Jaringan Syaraf Tiruan untuk Memprediksi Prestasi
Lebih terperinciSISTEM PENGENALAN KARAKTER DENGAN JARINGAN SYARAF TIRUAN ALGORITMA PERCEPTRON
Jurnal Informatika Mulawarman Vol. 7 No. 3 Edisi September 2012 105 SISTEM PENGENALAN KARAKTER DENGAN JARINGAN SYARAF TIRUAN ALGORITMA PERCEPTRON Anindita Septiarini Program Studi Ilmu Komputer FMIPA,
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN 3.1 Kerangka berpikir Perubahan nilai tukar rupiah terhadap mata uang asing tidak dapat dihindari. Untuk mengatasi perubahan yang tidak pasti ini diperlukan suatu prediksi.
Lebih terperinciNeural Network (NN) Keuntungan penggunaan Neural Network : , terdapat tiga jenis neural network Proses Pembelajaran pada Neural Network
Neural Network (NN) adalah suatu prosesor yang melakukan pendistribusian secara besar-besaran, yang memiliki kecenderungan alami untuk menyimpan suatu pengenalan yang pernah dialaminya, dengan kata lain
Lebih terperinciModel Arsitektur Backpropogation Dalam Memprediksi Faktor Tunggakan Uang Kuliah (Studi Kasus AMIK Tunas Bangsa)
IJCCS, Vol.x, No.x, July xxxx, pp. 1~5 ISSN: 1978-1520 1 Model Arsitektur Backpropogation Dalam Memprediksi Faktor Tunggakan Uang Kuliah (Studi Kasus AMIK Tunas Bangsa) Agus Perdana Windarto* 1, Dedy Hartama
Lebih terperinciANALISIS PENGGUNAAN ALGORITMA KOHONEN PADA JARINGAN SYARAF TIRUAN BACKPROPAGATION DALAM PENGENALAN POLA PENYAKIT PARU
ANALISIS PENGGUNAAN ALGORITMA KOHONEN PADA JARINGAN SYARAF TIRUAN BACKPROPAGATION DALAM PENGENALAN POLA PENYAKIT PARU Rosmelda Ginting 1*, Tulus 1, Erna Budhiarti Nababan 1 Program S2 Teknik Informatika
Lebih terperinciPENGENALAN KARAKTER ALFANUMERIK MENGGUNAKAN METODE BACKPROPAGARATION
PENGENALAN KARAKTER ALFANUMERIK MENGGUNAKAN METODE BACKPROPAGARATION Amriana 1 Program Studi D1 Teknik Informatika Jurusan Teknik Elektro Fakultas Teknik UNTAD ABSTRAK Jaringan saraf tiruan untuk aplikasi
Lebih terperinciKLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE
KLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE KLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE Warih Maharani Fakultas
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN SISTEM
BAB 3 ANALISIS DAN PERANCANGAN SISTEM Analisis merupakan proses penguraian konsep ke dalam bagian-bagian yang lebih sederhana, sehingga struktur logisnya menjadi jelas. Metode untuk menguji, menilai, dan
Lebih terperinciJaringan Syaraf Tiruan. Disusun oleh: Liana Kusuma Ningrum
Jaringan Syaraf Tiruan Disusun oleh: Liana Kusuma Ningrum Susilo Nugroho Drajad Maknawi M0105047 M0105068 M01040 Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sebelas Maret
Lebih terperinciBAB 2 LANDASAN TEORI. memungkinkan sistem komputer membaca secara otomatis nomor kendaraan dari gambar digital
BAB 2 LANDASAN TEORI 2. License plate recognition [4] License plate recognition (LPR) adalah jenis teknologi, terutama perangkat lunak, yang memungkinkan sistem komputer membaca secara otomatis nomor kendaraan
Lebih terperinciUJM 3 (1) (2014) UNNES Journal of Mathematics.
UJM 3 (1) (2014) UNNES Journal of Mathematics http://journal.unnes.ac.id/sju/index.php/ujm APLIKASI JARINGAN SYARAF TIRUAN BACKPROPAGATION DALAM PERAMALAN BEBAN PUNCAK DISTRIBUSI LISTRIK DI WILAYAH PEMALANG
Lebih terperinciBAB 2 LANDASAN TEORI
6 BAB 2 LANDASAN TEORI 2.1. Sel Darah Merah Sel darah merah atau eritrositmemiliki fungsi yang sangat penting bagi kelangsungan hidup manusia. Sel darah merah mengandung hemoglobin yang berfungsi untuk
Lebih terperinciBAB III PERANCANGAN DAN IMPLEMENTASI SISTEM
BAB III PERANCANGAN DAN IMPLEMENTASI SISTEM Pada bab ini akan dijelaskan mengenai tahapan dan algoritma yang akan digunakan pada sistem pengenalan wajah. Bagian yang menjadi titik berat dari tugas akhir
Lebih terperinciBAB III METODOLOGI PENELITIAN
19 BAB III METODOLOGI PENELITIAN 3.1. Kerangka Pemikiran Kerangka pemikiran untuk penelitian ini seperti pada Gambar 9. Penelitian dibagi dalam empat tahapan yaitu persiapan penelitian, proses pengolahan
Lebih terperinciPengembangan Aplikasi Prediksi Pertumbuhan Ekonomi Indonesia dengan Jaringan Syaraf Tiruan Backpropagation
Erlangga, Sukmawati Nur Endah dan Eko Adi Sarwoko Pengembangan Aplikasi Prediksi Pertumbuhan Ekonomi Indonesia dengan Jaringan Syaraf Tiruan Backpropagation Erlangga, Sukmawati Nur Endah dan Eko Adi Sarwoko
Lebih terperinciANALISIS FUNGSI AKTIVASI SIGMOID BINER DAN SIGMOID BIPOLAR DALAM ALGORITMA BACKPROPAGATION PADA PREDIKSI KEMAMPUAN SISWA
ANALISIS FUNGSI AKTIVASI SIGMOID BINER DAN SIGMOID BIPOLAR DALAM ALGORITMA BACKPROPAGATION PADA PREDIKSI KEMAMPUAN SISWA Julpan 1 *, Erna Budhiarti Nababan 1 & Muhammad Zarlis 1 1 Program S2 Teknik Informatika
Lebih terperinciARTIFICIAL NEURAL NETWORK TEKNIK PERAMALAN - A
ARTIFICIAL NEURAL NETWORK CAHYA YUNITA 5213100001 ALVISHA FARRASITA 5213100057 NOVIANTIANDINI 5213100075 TEKNIK PERAMALAN - A MATERI Neural Network Neural Network atau dalam bahasa Indonesia disebut Jaringan
Lebih terperinci