Available online at TRANSMISI Website TRANSMISI, 13 (1), 2011,
|
|
- Suparman Sumadi
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Available online at TRANSMISI Website TRANSMISI, 13 (1), 2011, Research Article Deteksi Konisi Organ Pankreas Melalui Iris Mata Menggunakan Jaringan Syaraf Tiruan Metoe Perambatan Balik engan Pencirian Matriks Ko-Okurensi Aras Keabuan Arianto Eskapriana ), R. Rizal Isnanto 2, Imam Santoso 2 1. Mahasiswa Jurusan Teknik Elektro Fakultas Teknik Universitas Diponegoro Semarang 2. Dosen Jurusan Teknik Elektro Fakultas Teknik Universitas Diponegoro Semarang Abstract Iriology is the stuy of iris structure as a reflection of the organ conition an systems in the boy. In this stuy, the organ which etecte is pancreas. To etermine the conition of the pancreas through the iris, texture analysis an classification process to istinguish the iris of the eye that contains the conition of normal an abnormal pancreas is neee. The purpose of this stuy was to etect the conition of the pancreas through the iris using artificial backpropagation neural network with the gray level co-occurrence matrices (GLCM) characteristics. Application for the etection of pancreas conitions was mae using Matlab version 7.6 (R2008a). Inputs, which use in the stuy of the eye image, obtaine from expert iriolog with both normal an abnormal conitions of the pancreas. The image is then carrie out with iris localization process, ROI-making organ of the pancreas, an GLCM feature extraction. Results of feature extraction is use as input ata (training ata an test ata) for the artificial backpropagation neural network metho is then use to iagnose pancreatic organ conitions, ie normal or abnormal. GLCM features extraction base on testing for each characteristic texture are average, contrast, correlation, energy, entropy, an homogeneity for the group of normal training ata which are value of 3,217389, 0,233666, 0,632259, 0,575947, 1,379171, an 0, respectively, while for the group of abnormal training ata are 0,960503, 0,476226, 0,765723, 0,412549, 2,145339, an 0, respectively. Base on the results of the testing training ata, the program can make the correct iagnosis on the incoming ata with a success percentage of 95,8%. While base on test results of test ata, the program can make the correct iagnosis on the incoming ata with a success percentage of 75%. Keywor : iriology, pancreas, GLCM, artificial neural network, backpropagation. I. PENDAHULUAN 1.1 Latar Belakang Saat ini, penelitian yang berhubungan engan iris mata masih sebatas hanya untuk ientifikasi atau pengenalan (biometrik), paahal melalui iris mata apat iketahui konisi organ atau tingkat kesehatan ari seseorang berasarkan iriologi. Iriologi merupakan suatu ilmu yang mempelajari tana-tana yang terapat paa struktur jaringan iris mata sebagai refleksi konisi an berbagai organ tubuh an sistem yang aa i alam tubuh. Untuk melakukan ekstraksi ciri, metoe yang igunakan aalah Matriks Kookurensi Aras Keabuan (Grey Level Co-occurrence Matrices - GLCM). Hasil ari perhitungan ciri tersebut kemuian ijaikan masukan jaringan syaraf tiruan. Dalam Penelitian ini igunakan JST metoe Perambatan Balik. Dalam JST ini akan ilakukan proses klasifikasi untuk iris mata yang menganung pankreas yang normal an tiak normal 1.2 Tujuan Tujuan ari Penelitian ini aalah membuat suatu aplikasi yang apat igunakan untuk mengetahui konisi ari organ pankreas manusia melalui iris mata menggunakan Jaringan Syaraf Tiruan Metoe Perambatan balik an ekstraksi ciri metoe Matriks Ko-Okurensi Aras Keabuan (GLCM). 1.3 Batasan Masalah Penelitian ini membatasi masalah sebagai berikut : 1) Input citra bersifat offline. 2) Metoe ekstraksi ciri yang igunakan aalah metoe GLCM an menggunakan enam ciri statistik yaitu momen angular keua atau energi, entropi, kontras, homogenitas, korelasi, an rerata. 3) Masalah ifokuskan paa konisi organ pankreas manusia berasar paa peta mata (iriology chart) yang ikembangkan oleh Bernar Jensen. 4) Fungsi perhitungan galat (error) Jaringan Syaraf Tiruan metoe Perambatan Balik yang igunakan alam penelitian ini aalah MSE (Mean Square Error) an fungsi pelatihan jaringannya menggunakan metoe Penurunan Graien engan Momentum (traingm). II. DASAR TEORI 2.1 Iriologi Iriologi (Inggris: Iriology) aalah ilmu yang mempelajari pola an susunan serat paa iris mata. Melalui pengamatan an observasi secara empiris ini, para ahli iriologi menapati aanya pola-pola yang beraturan, yang menginikasikan aanya kelemahan fisik alam iri seseorang, karena orang-orang yang memiliki pola iris mata sama ternyata mengalami permasalahan kesehatan yang sama.
2 TRANSMISI, 13, (1), 2011, 34 Gambar 1. Peta mata. 2.2 Ekstraksi Ciri Menggunakan Matriks Kookurensi Aras Keabuan (Gray Level Co-occurrence Matrices - GLCM) GLCM iperoleh engan menghitung probabilitas hubungan ketetanggaan antara ua piksel paa jarak an orientasi suut tertentu. Langkah-langkah untuk membuat GLCM aalah sebagai berikut : 1) Membuat area kerja matriks, 2) Menentukan hubungan spasial piksel referensi engan piksel tetangga, 3) Menghitung jumlah kookurensi an mengisikannya paa area kerja, 4) Menjumlahkan matriks kookurensi engan transposenya untuk menjaikannya simetris, an 5) Normalisasi matriks. Setelah memperoleh matriks kookurensi tersebut, apat ihitung ciri statistik yang merepresentasikan citra yang iamati. Ciri atau fitur statistik GLCM antara lain sebagai berikut. a) Momen Angular Keua (Angular Secon Moment) ASM an Energi menyatakan ukuran konsentrasi pasangan engan intensitas keabuan tertentu paa matriks. ASM p 2 ( i, j) Energy ASM i j b) Kontras (Contrast) Menunjukkan ukuran penyebaran (momen inersia) elemen-elemen matriks citra. 2 Con ( i j) p ( i, j) i j c) Korelasi (Correlation) Menunjukkan ukuran ketergantungan linear erajat keabuan citra. ijp ( i, j) x y Cor i j x y ) Rerata (Mean) Mean aalah rata-rata ari suatu sebaran nilai intensitas citra keabuan. N 1 i i P i, j i, j0 N 1 ; j j P i, j i, j0 e) Momen Selisih Terbalik (Inverse Different Moment) Disebut juga homogenitas. Menunjukkan kehomogenan citra yang bererajat keabuan sejenis. IDM 1 p ( i, j i j 1 ( i j) ) 2 f) Entropi (Entropy) Menunjukkan ukuran ketiakteraturan bentuk. En p ( i, j)log( p ( i, j)) i j 2.3 Jaringan Syaraf Tiruan Metoe Perambatan balik 1. Arsitektur Metoe Perambatan Balik Arsitektur jaringan syaraf tiruan metoe perambatan balik memiliki beberapa unit yang aa alam satu atau lebih lapisan tersembunyi. Gambar 2. Jaringan syaraf tiruan metoe perambatan balikengan ua lapisan tersembunyi 2. Fungsi Aktivasi Dalam metoe perambatan balik, fungsi aktivasi yang ipakai harus memenuhi beberapa syarat yaitu kontinu, teriferensial engan muah an merupakan fungsi yang tiak turun. a) Sigmoi Biner (Log-Sigmoi) Fungsi aktivasi sigmoi biner memetakan nilai input 0 n menjai 0 a 1. b) Sigmoi Bipolar (Tan-Sigmoi) Fungsi aktivasi sigmoi bipolar memetakan nilai input n menjai 1 a 1. c) Ientitas (purelin) 3. Algoritma Metoe Perambatan Balik Secara umum pelatihan sebuah jaringan metoe perambatan balik teriri atas tiga langkah, yaitu : 1)Pelatihan pola masukan secara umpan maju, 2)Perhitungan an propagasi balik ari kumpulan kesalahan (galat/error), an 3)Penyesuaian bobot. III. PERANCANGAN PERANGKAT LUNAK Gambar 3. Diagram alir program utama. 3.1 Memilih Citra Masukan Proses yang pertama kali ilakukan alam perangkat lunak ini aalah memilih citra masukan. 3.2 Lokalisasi Citra Iris Mata Sebelum apat igunakan untuk proses pengolahan citra lebih lanjut, bagian iris ipisahkan ari citra mata terlebih ahulu melalui proses lokalisasi citra iris mata, karena citra yang akan iolah aalah citra irisnya saja.
3 TRANSMISI, 13, (1), 2011, Peningkatan Kualitas Citra Hasil ari lokalisasi citra iris tersebut masih memiliki tingkat kekontrasan yang renah an etail paa serabut iris mata masih kurang jelas sehingga akurasi yang ihasilkan kurang baik. Oleh karena itu, citra iris mata tersebut itingkatkan kontrasnya menggunakan Ekualisasi Histogram Aaptif (Aaptive Histogram Equalization). Cara ini bertujuan untuk menapatkan citra engan kontras yang baik namun tiak akan merusak kualitas citra secara keseluruhan. 3.4 Pengambilan Region of Interest (ROI) Organ Pankreas Pupil aalah bagian mata yang bertugas mengatur banyak seikitnya cahaya yang masuk ke alam mata. Oleh karena itu, iameternya pun berubah-ubah sesuai engan cahaya yang masuk. Untuk mengatasi masalah ini, citra pupil an iris mata yang berbentuk lingkaran iubah menjai bentuk polar (r, θ) engan ukuran yang tetap. 2. Proses Pengenalan Setelah ilatih maka selanjutnya ilakukan proses pengenalan engan menggunakan masukan ekstraksi ciri ari ata latih an ata uji. Setelah iuji akan iperoleh nilai keluaran Y1 an Y2. Target yang igunakan paa proses pelatihan aalah [0 1] untuk konisi pankreas normal, yang berarti nilai Y1 = 0 an Y2 = 1, serta [1 0] untuk konisi pankreas abnormal. IV. HASIL PENELITIAN DAN PEMBAHASAN 4.1 Citra yang Diuji Citra yang igunakan paa proses simulasi program ini berupa citra mata yang berasal ari 16 iniviu yang masingmasing citra memiliki ukuran piksel alam bentuk citra berwarna. Dari 16 citra mata tersebut, 8 iantaranya igunakan sebagai citra latih seangkan 8 iantaranya igunakan sebagai citra uji. 4.2 Pengubahan Citra menjai Aras Keabuan Dengan mengubah citra RGB menjai citra aras keabuan. Dengan emikian jumlah perhitungan yang iperlukan apat ireuksi. Gambar 4. Proses pengubahan ke bentuk polar r x a 2 y 2 2 b ; x r cos a ; y r sin b Paa citra polar yang berukuran piksel ini, itentukan bahwa titik koorinat awal yang berhubungan engan organ pankreas terletak paa piksel (575,10) engan tinggi an lebar piksel sebesar 40 piksel. 3.5 Ektraksi Ciri engan GLCM Setelah iperoleh citra ROI, matriks GLCM ihitung. Langkah selanjutnya aalah menghitung nilai-nilai ari matriks GLCM untuk memperoleh fitur-fitur GLCM. 3.6 Klasifikasi engan Jaringan Syaraf Tiruan Metoe Perambatan Balik Setelah melalui proses ekstraksi ciri, selanjutnya ata yang iperoleh imasukkan ke alam jaringan syaraf tiruan metoe perambatan balik. Tabel 1. Rancangan jaringan syaraf tiruan Gambar 5. Mengubah citra menjai aras keabuan 4.3 Pengontrasan Citra Aras Keabuan engan Ekualisasi Histogram Melalui proses pengontrasan, akan iperoleh citra engan histogram yang merata paa setiap tingkatan aras keabuan, sehingga etail paa serabut iris menjai semakin jelas. Gambar 6. Citra hasil pengontrasan engan ekualisasi histogram 4.4 Alihragam Citra ke Koorinat Polar Paa proses ini citra iris menjai tiak berbentuk lingkaran engan iameter r, tetapi iubah menjai citra persegi panjang engan panjang aalah suut engan erajat, an lebarnya aalah jari-jari iris ikurangi engan jari-jari pupil. 1. Proses Pelatihan Setelah ata imasukkan, langkah selanjutnya aalah pembentukan jaringan engan perintah sebagai berikut. net = newff(p,t,[s1 S2...S(N-l)],{TF1 TF2...TFNl},BTF,BLF) Untuk penentuan fungsi aktivasi juga itentukan engan cara eksperimen. Dalam penelitian ini, terapat 6 variabel fungsi aktivasi, antara lain logsig-logsig, logsig-tansig, tansig-logsig, tansig-tansig, purelin-logsig, an purelintansig. Gambar 7. Citra iris alam koorinat polar 4.5 Pengambilan ROI Organ Pankreas Sebelum ilakukan proses ekstraksi ciri, terlebih ahulu ilakukan pengambilan ROI paa citra polar yang berhubungan engan organ pankreas. Gambar 8. Citra ROI organ pankreas
4 TRANSMISI, 13, (1), 2011, Ekstraksi Ciri engan GLCM Ekstraksi ciri bertujuan untuk menapatkan informasiinformasi penting ari tekstur iris mata. Teknik ekstraksi ciri yang igunakan alam penelitian ini aalah ekstraksi ciri metoe GLCM. GLCM menggambarkan frekuensi munculnya pasangan antar 2 piksel engan intensitas tertentu alam jarak serta orientasi suut tertentu paa matriks citra. Dalam penelitian ini jarak yang igunakan sebesar 1, 3, an 5. Seangkan suut inyatakan alam erajat, umumnya sebesar 0 o, 45 o, 90 o, an 135 o. Berasarkan paa besar kecilnya nilai MSE an waktu yang ibutuhkan, maka jumlah unit paa lapis tersembunyi yang terbaik alam pengujian ini aalah 60 unit. 2. Pengujian Pengaruh Parameter JST paa Pelatihan Tabel 6. Hasil pengujian pengaruh parameter JST engan jumlah unit lapis tersembunyi 60 Tabel 2. Perhitungan ciri tekstur GLCM 4.7 Pengumpulan Data Tabel 3. Data latih yang iperoleh ari hasil ekstraksi ciri GLCM hasil yang terbaik Berasarkan hasil pengujian pengaruh parameter laju pembelajaran bahwa engan bertambahnya nilai laju pembelajaran maka nilai MSE akan semakin menurun. Untuk hasil pengujian engan parameter momentum bahwa engan bertambahnya faktor momentum maka nilai MSE akan semakin menekati nilai yang iinginkan an proses iterasi semakin cepat. Keterangan : N = normal ; AN = abnormal Tabel 4. Rata-rata setiap ciri tekstur untuk masing-masing kelompok ata latih 3. Pengujian Pengaruh Fungsi Aktivasi paa Pelatihan Tabel 7. Pengujian pengaruh fungsi aktivasi engan α = = 0,5, serta jumlah unit lapis tersembunyi Pengujian paa Proses Pelatihan Jaringan Syaraf Tiruan 1. Pengujian Pengaruh Jumlah Unit Lapis Tersembunyi paa Pelatihan Tabel 5. Pengujian pengaruh jumlah unit paa lapis tersembunyi engan α = 0,1 an = 0,1. hasil yang terbaik hasil yang terbaik Berasarkan hasil pengujian pengaruh fungsi aktivasi bahwa fungsi aktivasi yang terbaik ari pengujian ini aalah tansig tansig. Fungsi aktivasi tansig - tansig ipilih karena alam proses pelatihannya mampu mencapi nilai MSE an nilai graien yang terenah yaitu sebesar 0,91e-05 an 1,46e-04 selama 2000 iterasi. 4.9 Klasifikasi engan Jaringan Syaraf Tiruan 1. Pelatihan Jaringan Syaraf Tiruan Konfigurasi JST yang igunakan merupakan hasil pengujian paa proses pelatihan JST. Konfigurasi lapisan yang igunakan aalah 2 lapis tersembunyi engan 60 unit. Fungsi aktivasi yang igunakan aalah sigmoi bipolar (tansigmoi) paa lapis tersembunyi an lapis keluaran.
5 TRANSMISI, 13, (1), 2011, 37 Metoe belajar yang igunakan aalah metoe penurunan graien engan momentum (traingm). Laju pembelajaran sebesar 0,5 an faktor momentum sebesar 0,5. Paa aplikasi Matlab, ata pelatihan akan ibagi alam 3 kelompok, yaitu ata latih (training ata), ata pengujian (test ata), an ata valiasi. 3. Pengujian Pengenalan Data Uji Tabel 9. Hasil pengujian JST paa ata uji Gambar 9. Grafik perkembangan performa belajar jaringan. Paa Gambar 9 apat ilihat bahwa jaringan belajar engan baik. Hal ini ilihat ari nilai MSE yang semakin menurun tiap iterasinya paa tiap ata latih, uji an valiasi. 2. Pengujian Pengenalan Data Latih Tabel 8. Hasil pengujian JST paa ata latih kesalahan klasifikasi Dari hasil pengujian yang iperlihatkan paa Tabel 9, program mampu melakukan proses klasifikasi engan benar sebanyak 18 ata ari 24 ata uji yang tiak ilatihkan sehingga persentase keberhasilannya aalah sebagai berikut. 18 Persentase keberhasilan 100% 24 = 75% kesalahan klasifikasi Perhitungan persentase keberhasilan pengujian ihitung engan cara sebagai berikut. Persentase keberhasilan jumlah jumlah Dari hasil pengujian yang iperlihatkan paa Tabel 8, program mampu melakukan proses klasifikasi engan benar sebanyak 23 ata ari 24 ata latih yang iujikan sehingga persentase keberhasilannya aalah sebagai berikut. 23 Persentase keberhasilan 100% 24 = 95,8% Berasarkan hasil yang iperoleh ari pengujian, apat isimpulkan bahwa sistem apat bekerja engan baik alam mengenali ata masukan yang iberikan ke sistem karena nilai persentase keberhasilannya yang cukup besar. V. PENUTUP 5.1 Kesimpulan Kesimpulan yang apat iambil ari tahapan perancangan hingga pengujian yang ilakukan paa sistem ini aalah sebagai berikut. 1. Berasarkan hasil pengujian ata latih, program apat melakukan iagnosis engan benar engan persentase keberhasilan sebesar 95,8%. Berasarkan hasil pengujian ata uji, program apat melakukan iagnosis engan benar engan persentase keberhasilan sebesar 75%. 2. Nilai rata-rata ekstraksi ciri GLCM untuk setiap ciri tekstur yaitu rerata, kontras, korelasi, energi, entropi, an homogenitas untuk kelompok ata latih Normal pengujian benar bernilai 3,217389, 0,233666, 0,632259, 0,575947, 100% seluruh pengujian 1,379171, an 0,888469, seangkan untuk kelompok ata latih Abnormal bernilai 2,960503, 0,476226, 0,765723, 0,412549, 2,145339, an 0, Hasil pengujian jumlah unit paa lapis tersembunyi engan variasi jumlah unit yang igunakan yaitu 10 sampai engan 90 engan interval 10 untuk masingmasing lapis tersembunyi nilai minimum MSE terjai saat jumlah unit tersembunyi sebanyak 60 unit engan nilai MSE sebesar 0, alam waktu 42 etik. 4. Hasil pengujian pengaruh parameter JST yaitu laju pembelajaran α an faktor momentum nilai minimum
6 TRANSMISI, 13, (1), 2011, 38 MSE an epoch terjai paa α = 0,9 an = 0,5 engan nilai MSE sebesar 0,00001 selama 1861 iterasi (epoch). 5. Hasil pengujian pengaruh fungsi aktivasi engan variasi fungsi aktivasi antara lain logsig-logsig, logsig-tansig, tansig-logsig, tansig-tansig, purelin-logsig, an purelintansig nilai minimum MSE an graien terjai paa fungsi aktivasi tansig-tansig engan nilai MSE sebesar 0,91e-05 an nilai graien sebesar 1,46e Saran Penelitian lebih lanjut iharapkan apat memperbaiki kekurangan yang aa an iharapkan apat mengembangkan yang apa yang telah ilakukan paa penelitian ini. Untuk itu isarankan hal-hal berikut. 1. Untuk melakukan proses lokalisasi iris sebaiknya tiak ilakukan engan cara manual agar kinerja program lebih hanal. Untuk penentuan titik tengah, jari-jari pupil an iris bisa menggunakan kombinasi antara eteksi tepi an Transformasi Hough. 2. Perlu ilakukan pengujian terhaap kombinasi arsitektur an parameter untuk jaringan syaraf tiruan selain ari pengujian yang telah ilakukan. Dengan mengujinya lebih banyak, iharapkan apat itemukan parameter jaringan syaraf tiruan yang optimal. 3. Sistem pengolahan citra iris untuk meneteksi konisi organ pankreas ini apat ikembangkan sekaligus engan perangkat keras alam memproses citra iris secara waktu nyata (realtime), sehingga nantinya apat ipergunakan secara nyata alam aplikasi kehiupan sehari-hari. 4. Program ini apat juga ikembangkan untuk meneteksi organ lain serta juga apat igunakan untuk mempreiksi seseorang tersebut rentan terhaap suatu penyakit tertentu engan kombinasi ari berbagai macam organ. 5. Penelitian apat ilanjutkan engan menguji atau menambah ciri tekstur GLCM yang lain, seperti Varians (Variance), Sum Variance, Sum Entropy, Difference Variance, Difference Entropy, Information Measures of Correlation, an Maximal Correlation Coefficient, sehingga iharapkan iperoleh hasil yang terbaik. Lanjut Moul 4 Klasifikasi. Institut Teknologi Banung. [7] Kusuma, A.A., Pengenalan Iris Mata Dengan Pencirian Matriks Ko-okurensi Aras Keabuan (Gray- Level Co-Occurrence Matrices GLCM), Skripsi S-1, Universitas Diponegoro, Semarang, [8] Beyer, M.H., The GLCM Tutorial Home Page, November [9] Munir, R., Pengolahan Citra Digital engan Penekatan Algoritmik, Informatika, Banung, [10] Romansah, Sejarah Iriologi, Oktober [11] Siahaan, K.R., Pengenalan Pola Zona Air Paa Citra Satelit Cirata Dengan Sistem Kecerasan Jaringan Syaraf Tiruan Metoa Backpropagation Levenberg- Marquart, Skripsi S-1, Institut Teknologi Banung, [12] Siang, J.J., Jaringan Syaraf Tiruan an Pemrogramannya Menggunakan Matlab, Ani Offset, Yogyakarta, [13] ---, Moul 3 Analisis Tekstur Imaging & Image Processing Research Group, Institut Teknologi Banung, Februari, Daftar Pustaka [1] Bakar, M.H.A., Carta Mata, m, Oktober [2] Fahmi, Perancangan Algoritma Pengolahan Citra Iris Mata Menjai Citra Pola Iris Sebagai Bentuk Antara Sistem Biometrik, USU Repository, Mean, [3] Fatoni, I., Sistem Pakar Iriologi Untuk Ientifikasi Kelemahan Organ Dengan Pengolahan Citra Iris, Skripsi S-1, Institut Teknologi Banung, Banung, [4] Haralick, R.M., K. Shanmugam, an I. Dinstein, Textural Features for Image Classification, IEEE Trans on Systems, Man an Cybernetics, Vol.SMC-3, pp , [5] Hartai, R., Deteksi Potensi Kanker Payuara Paa Mammogram Menggunakan Metoe Gray Level Co- Occurrence Matrices (GLCM), Skripsi S-1, Universitas Diponegoro, Semarang, [6] Imaging & Image Processing Research Group, Praktikum EC4041 Pengolahan Citra an Pengenalan Pola EC6041 Pengolahan Citra an Pengenalan Pola
PENGENALAN IRIS MATA MENGGUNAKAN PENCIRIAN MATRIKS KO-OKURENSI ARAS KEABUAN Aditya Angga Kusuma 1, R. Rizal Isnanto 2, Imam Santoso 2.
Makalah Tugas Akhir PENGENALAN IRIS MATA MENGGUNAKAN PENCIRIAN MATRIKS KO-OKURENSI ARAS KEABUAN Aitya Angga Kusuma 1, R. Rizal Isnanto 2, Imam Santoso 2 Abstract Human iris has a very unique pattern which
Lebih terperinciChairunnisa Adhisti Prasetiorini *), R. Rizal Isnanto, dan Achmad Hidayatno. Abstrak. Abstract
PENGENALAN IRIS MATA MENGGUNAKAN JARINGAN SARAF TIRUAN METODE PERAMBATAN BALIK DENGAN PENCIRIAN MATRIKS KO-OKURENSI ARAS KEABUAN (GRAY LEVEL CO-OCCURRENCE MATRIX - GLCM) Chairunnisa Adhisti Prasetiorini
Lebih terperinciBAB 4 PENGUJIAN DAN ANALISIS SISTEM
BAB 4 PENGUJIAN DAN ANALISIS SISTEM Bab ini akan membahas mengenai proses pengujian dari sistem yang dirancang terhadap beberapa citra dijital replika kulit. Pengujian terhadap sistem ini dilakukan untuk
Lebih terperinciPENGEMBANGAN SISTEM PENDETEKSI KELAINAN HATI MENGGUNAKAN IRIDOLOGI DENGAN METODE JARINGAN SYARAF TIRUAN PERAMBATAN BALIK
PENGEMBANGAN SISTEM PENDETEKSI KELAINAN HATI MENGGUNAKAN IRIDOLOGI DENGAN METODE JARINGAN SYARAF TIRUAN PERAMBATAN BALIK R. G Alam Nusantara P.H *), Ajub Ajulian Zahra, and R. Rizal Isnanto Jurusan Teknik
Lebih terperinciBAB II LANDASAN TEORI. titiktitik penyusun citra itu sendiri. Titik-titik tersebut disebut dengan pixel. Banyaknya
BAB II LANDASAN TEORI 2. Citra/Image Citra atau yang lebih sering dikenal dengan gambar merupakan kumpulan dari titiktitik penyusun citra itu sendiri. Titik-titik tersebut disebut dengan pixel. Banyaknya
Lebih terperinciEKSTRAKSI CIRI TEKSTUR CITRA WAJAH PENGGUNA NARKOTIKA MENGGUNAKAN METODE GRAY LEVEL CO-OCCURANCE MATRIX. Abstrak
EKSTRAKSI CIRI TEKSTUR CITRA WAJAH PENGGUNA NARKOTIKA MENGGUNAKAN METODE GRAY LEVEL CO-OCCURANCE MATRIX Karina Auliasari, Bastian, Bella Fardani, Zulkifli, Ivandi Jurusan Teknik Informatika Fakultas Teknik
Lebih terperinciJournal of Control and Network Systems
JCONES Vol. 5, No. 1 (2016) 158-163 Journal of Control and Network Systems Situs Jurnal : http://jurnal.stikom.edu/index.php/jcone IDENTIFIKASI JENIS PENYAKIT DAUN TEMBAKAU MENGGUNAKAN METODE GRAY LEVEL
Lebih terperinciDETEKSI API REAL-TIME DENGAN METODE THRESHOLDING RERATA RGB
ISSN: 1693-6930 17 DETEKSI API REAL-TIME DENGAN METODE THRESHOLDING RERATA RGB Kartika Firausy, Yusron Saui, Tole Sutikno Program Stui Teknik Elektro, Fakultas Teknologi Inustri, Universitas Ahma Dahlan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Pengenalan Wajah Pengenalan wajah adalah salah satu teknologi biometrik yang telah banyak diaplikasikan dalam sistem keamanan selain pengenalan retina mata, pengenalan sidik jari
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Tahapan Penelitian Tahapan yang dilakukan dalam penelitian ini disajikan pada Gambar 14, terdiri dari tahap identifikasi masalah, pengumpulan dan praproses data, pemodelan
Lebih 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 terperinciAtthariq 1, Mai Amini 2
IDENTIFIKASI IKAN KERAPU BERDSARKAN POLA KULIT DENGAN METODE GLCM DAN EUCLIDEAN DISTANCE Atthariq 1, Mai Amini 2 1,2,3 Teknologi Informasi dan Komputer, Politeknik Negeri Lhokseumawe, Jalan banda Aceh-Medan
Lebih terperinciHALAMAN SAMPUL SKRIPSI PENGENALAN POLA TELAPAK TANGAN DENGAN MENGGUNAKAN ALGORITMA BACK PROPAGATION NEURAL NETWORK
HALAMAN SAMPUL SKRIPSI PENGENALAN POLA TELAPAK TANGAN DENGAN MENGGUNAKAN ALGORITMA BACK PROPAGATION NEURAL NETWORK Oleh: MOH SHOCHWIL WIDAT 2011-51-034 PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS TEKNIK
Lebih terperinciMahasiswa: Muhimmatul Khoiro Dosen Pembimbing: M. Arief Bustomi, S.Si, M.Si.
Mahasiswa: Muhimmatul Khoiro 1110100049 Dosen Pembimbing: M. Arief Bustomi, S.Si, M.Si. Jurusan Fisika Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Teknologi Sepuluh Nopember Surabaya 2014 Diagnosa
Lebih terperinciIDENTIFIKASI MACAN TUTUL DENGAN METODE GREY LEVEL COOCURENT MATRIX ( GLCM) Zuly Budiarso Fakultas teknologi Informasi, Univesitas Stikubank Semarang
IDENTIFIKASI MACAN TUTUL DENGAN METODE GREY LEVEL COOCURENT MATRIX ( GLCM) Zuly Budiarso Fakultas teknologi Informasi, Univesitas Stikubank Semarang Abstrak Tekstur (Textures) adalah sifat-sifat atau karakteristik
Lebih terperinciEkstraksi Pola Iris Mata Berwarna Biru dan Cokelat dengan Metode GrayLevel Cooccurrence Matrix Yunia Mentari a, Nurhasanah a)*, Iklas Sanubary a)
Ekstraksi Pola Iris Mata Berwarna Biru dan Cokelat dengan Metode GrayLevel Cooccurrence Matrix Yunia Mentari a, Nurhasanah a)*, Iklas Sanubary a) a) Program Studi Fisika, Jurusan Fisika, FMIPA Universitas
Lebih terperinciBAB II DASAR TEORI. II.1 Saham
BAB II DASAR TEORI Paa bab ini akan ijelaskan asar teori yang igunakan selama pelaksanaan Tugas Akhir ini: saham, analisis funamental, analisis teknis, moving average, oscillator, an metoe Relative Strength
Lebih terperinciIDENTIFIKASI TANDA-TANGAN MENGGUNAKAN JARINGAN SARAF TIRUAN PERAMBATAN-BALIK (BACKPROPAGATION)
IDENTIFIKASI TANDA-TANGAN MENGGUNAKAN JARINGAN SARAF TIRUAN PERAMBATAN-BALIK (BACKPROPAGATION) Dian Kurnia Widya Buana 1) Achmad Hidayatno 2) R. Rizal Isnanto 2) Abstrak: Identifikasi tanda tangan manusia
Lebih terperinciIdentifikasi Tumor Otak Menggunakan Jaringan Syaraf Tiruan Propagasi Balik pada Citra CT-Scan Otak Vinny Marita a, Nurhasanah a*, Iklas Sanubary a
Identifikasi Tumor Otak Menggunakan Jaringan Syaraf Tiruan Propagasi Balik pada Citra CT-Scan Otak Vinny Marita a, Nurhasanah a*, Iklas Sanubary a a Prodi Fisika, FMIPA Universitas Tanungpura, Jalan Prof.
Lebih terperinciPENGELOMPOKKAN CITRA WARNA MENGGUNAKAN JARINGAN SYARAF TIRUAN DENGAN SOFTWARE MATLAB ABSTRAK
PENGELOMPOKKAN CITRA WARNA MENGGUNAKAN JARINGAN SYARAF TIRUAN DENGAN SOFTWARE MATLAB Nurhayati 1, John Adler 2, Sri Supatmi 3 1,2,3 Teknik Komputer, Universitas Komputer Indonesia (UNIKOM) 1 nuril24@yahoo.com,
Lebih terperinciBAB IV PEMBAHASAN. Bab IV berisi pembahasan yang meliputi proses penelitian yakni hasil
BAB IV PEMBAHASAN Bab IV berisi pembahasan yang meliputi proses penelitian yakni hasil model Radial Basis Function Neural Network untuk diagnosa kanker otak, hasil klasifikasi, dan ketepatan hasil klasifikasinya.
Lebih terperinciSolusi Tutorial 6 Matematika 1A
Solusi Tutorial 6 Matematika A Arif Nurwahi ) Pernyataan benar atau salah. a) Salah, sebab ln tiak terefinisi untuk 0. b) Betul. Seerhananya, titik belok apat ikatakan sebagai lokasi perubahan kecekungan.
Lebih terperinciIdentifikasi Jenis Buah Jeruk Menggunakan Metode Jaringan Syaraf Tiruan Berdasarkan Tekstur Kulit
IJCCS, Vol.x, No.x, Julyxxxx, pp. 1~5 ISSN: 1978-1520 1 Jenis Buah Menggunakan Metode Jaringan Syaraf Tiruan Berdasarkan Tekstur Kulit Reni Resita *1, Juratminingsih *2, Gasim 3 1,2 STMIK GI MDP; Jl. Rajawali
Lebih terperinciBAB 3 METODOLOGI. melakukan pengamatan dan analisis dari gambar yang didapat. Untuk bisa mendapatkan
BAB 3 METODOLOGI 3.1 Analisis Kebutuhan dan Masalah 3.1.1 Analisis Kebutuhan Dalam melakukan analisa gambar mammogram, biasanya dokter secara langsung melakukan pengamatan dan analisis dari gambar yang
Lebih terperinciBAB 3 MODEL DASAR DINAMIKA VIRUS HIV DALAM TUBUH
BAB 3 MODEL DASA DINAMIKA VIUS HIV DALAM TUBUH 3.1 Moel Dasar Moel asar inamika virus HIV alam tubuh menggunakan beberapa asumsi sebagai berikut: Mula-mula tubuh alam keaaan tiak terinfeksi virus atau
Lebih terperinciBAB 6 SIMPULAN DAN SARAN
39 BAB 6 SIMPULAN DAN SARAN 6.1 Simpulan Dari penelitian yang telah dilakukan hingga mendapatkan hasil yang cukup memuaskan, maka ada beberapa kesimpulan yang dapat peneliti berikan, 1. Teknik ekstraksi
Lebih terperinciKLASIFIKASI CITRA BERDASARKAN TEKSTUR MENGGUNAKAN JARINGAN SARAF TIRUAN PERAMBATAN BALIK
MAKALAH SEMINAR TUGAS AKHIR KLASIFIKASI CITRA BERDASARKAN TEKSTUR MENGGUNAKAN JARINGAN SARAF TIRUAN PERAMBATAN BALIK Panji Novia Pahludi*, Achmad Hidayatno**, R. Rizal Isnanto** Abstrak Selain ukuran,
Lebih terperinciBAB III PEMBAHASAN. A. Arsitektur dan Model Fuzzy Neural Network untuk Klasifikasi Stadium
BAB III PEMBAHASAN A. Arsitektur dan Model Fuzzy Neural Network untuk Klasifikasi Stadium Kanker Payudara Fuzzy Neural Network (FNN) adalah gabungan sistem fuzzy dengan Artificial Neural Network (ANN).
Lebih terperinciIDENTIFIKASI RETINA MATA MENGGUNAKAN JARAK EUCLIDEAN DENGAN PENCIRIAN MATRIKS KOOKURENSI ARAS KEABUAN (GRAY LEVEL CO-OCCURRENCE MATRIX-GLCM)
IDENTIFIKASI RETINA MATA MENGGUNAKAN JARAK EUCLIDEAN DENGAN PENCIRIAN MATRIKS KOOKURENSI ARAS KEABUAN (GRAY LEVEL CO-OCCURRENCE MATRIX-GLCM) 1 Andi Widiasmoro, 2 R. Rizal Isnanto, 3 Jatmiko Endro Suseno
Lebih terperinciBAB III PROSES PERANCANGAN DAN PERHITUNGAN
BB III PROSES PERNCNGN DN PERHITUNGN 3.1 Diagram alir penelitian MULI material ie an material aluminium yang iekstrusi Perancangan ie Proses pembuatan ie : 1. Pemotongan bahan 2. Pembuatan lubang port
Lebih terperinciKLASIFIKASI CITRA BERAS BERDASARKAN PENCIRIAN MATRIKS KO-OKURENSI ARAS KEABUAN MENGGUNAKAN k-nearest NEIGHBOUR
MAKALAH SEMINAR TUGAS AKHIR KLASIFIKASI CITRA BERAS BERDASARKAN PENCIRIAN MATRIKS KO-OKURENSI ARAS KEABUAN MENGGUNAKAN k-nearest NEIGHBOUR Eko Prasetyo, Imam Santoso, Budi Setiyono. Jurusan Teknik Elektro
Lebih terperinciPERBANDINGAN TINGKAT AKURASI JENIS CITRA KEABUAN, HSV, DAN L*a*b* PADA IDENTIFIKASI JENIS BUAH PIR
PERBANDINGAN TINGKAT AKURASI JENIS CITRA KEABUAN, HSV, DAN L*a*b* PADA IDENTIFIKASI JENIS BUAH PIR Mulia Octavia 1), Jesslyn K 2), Gasim 3) 1), 2),3) Program Studi Teknik Informatika STMIK GI MDP Jl. Rajawali
Lebih terperinciGRAY LEVEL COOCURENCE MATRIX SEBAGAI PENGEKSTRAKSI CIRI PADA PENGENALAN NASKAH BRAILLE
GRAY LEVEL COOCURENCE MATRIX SEBAGAI PENGEKSTRAKSI CIRI PADA PENGENALAN NASKAH BRAILLE Yegar Sahaduta 1), Chairisni Lubis 2) 1) Fakultas Teknologi Informasi-Universitas Tarumanagara Jl. S. Parman No.1,
Lebih terperinciAPLIKASI DETEKSI MIKROKALSIFIKASI DAN KLASIFIKASI CITRA MAMMOGRAM BERBASIS TEKSTUR SEBAGAI PENDUKUNG DIAGNOSIS KANKER PAYUDARA
APLIKASI DETEKSI MIKROKALSIFIKASI DAN KLASIFIKASI CITRA MAMMOGRAM BERBASIS TEKSTUR SEBAGAI PENDUKUNG DIAGNOSIS KANKER PAYUDARA Yusti Fitriyani Nampira 50408896 Dr. Karmilasari Kanker Latar Belakang Kanker
Lebih terperinciLAPORAN SKRIPSI DETEKSI KANKER OTAK PADA DATA MRI MELALUI JARINGAN SYARAF TIRUAN DENGAN EKSTRAKSI FITUR DISCRETE WAVELET TRANSFORM
LAPORAN SKRIPSI DETEKSI KANKER OTAK PADA DATA MRI MELALUI JARINGAN SYARAF TIRUAN DENGAN EKSTRAKSI FITUR DISCRETE WAVELET TRANSFORM Oleh : Saeful Anwar 2009-51-030 SKRIPSI DIAJUKAN SEBAGAI SALAH SATU SYARAT
Lebih terperinciIMPLEMENTASI TEKNIK FEATURE MORPHING PADA CITRA DUA DIMENSI
IMPLEMENTSI TEKNIK FETURE MORPHING PD CITR DU DIMENSI Luciana benego an Nico Saputro Jurusan Intisari Pemanfaatan teknologi animasi semakin meluas seiring engan semakin muah an murahnya penggunaan teknologi
Lebih terperinciABSTRAK. Kata kunci : CBIR, GLCM, Histogram, Kuantisasi, Euclidean distance, Normalisasi. v Universitas Kristen Maranatha
ABSTRAK Content-Based Image Retrieval (CBIR) adalah proses untuk mendapatkan suatu citra berdasarkan konten-konten tertentu, konten yang dimaksud dapat berupa tekstur, warna, bentuk. CBIR pada dasarnya
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. Sampel pengujian menggunakan sebanyak 1 buah sampel beras A, 7 buah
BAB IV HASIL DAN PEMBAHASAN A. Data Sampel Sampel pengujian menggunakan sebanyak 1 buah sampel beras A, 7 buah sampel beras B, 1 buah sampel beras C, dan 2 buah sampel beras D. 1. Data Pengujian Mutu Beras
Lebih terperinciIdentifikasi Tanaman Buah Tropika Berdasarkan Tekstur Permukaan Daun Menggunakan Jaringan Syaraf Tiruan
Tersedia secara online di: http://journal.ipb.ac.id/index.php/jika Volume 2 Nomor 2 halaman 73-82 ISSN: 2089-6026 Identifikasi Tanaman Buah Tropika Berdasarkan Tekstur Permukaan Daun Menggunakan Jaringan
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 terperinciIMPLEMENTASI PENGENALAN WAJAH MENGGUNAKAN ALGORITMA PRINCIPAL COMPONENT ANALYSIS(PCA) DAN IMPROVED BACKPROPAGATION
J~ICON, Vol. 3 No. 2, Oktober 2015, pp. 89 ~ 95 89 IMPLEMENTASI PENGENALAN WAJAH MENGGUNAKAN ALGORITMA PRINCIPAL COMPONENT ANALYSIS(PCA) DAN IMPROVED BACKPROPAGATION Rini Miyanti Maubara 1, Adriana Fanggidae
Lebih terperinciKLASIFIKASI STADIUM KANKER PAYUDARA MENGGUNAKAN MODEL FUZZY NEURAL NETWORK
KLASIFIKASI STADIUM KANKER PAYUDARA MENGGUNAKAN MODEL FUZZY NEURAL NETWORK SKRIPSI Diajukan Kepada Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Negeri Yogyakarta Sebagai Salah Satu Persyaratan
Lebih terperinciANALISAPERHITUNGANWAKTU PENGALIRAN AIR DAN SOLAR PADA TANGKI
ANALISAPERITUNGANWAKTU PENGALIRAN AIR DAN SOLAR PADA TANGKI Nurnilam Oemiati Staf Pengajar Jurusan Sipil Fakultas Teknik Universitas Muhammaiyah Palembang Email: nurnilamoemiatie@yahoo.com Abstrak paa
Lebih terperinciVIII. ALIRAN MELALUI LUBANG DAN PELUAP
VIII. ALIRAN MELALUI LUBANG DAN PELUAP 8.. Penahuluan Lubang aalah bukaan paa ining atau asar tangki imana zat cair mengalir melaluinya. Lubang tersebut bisa berbentuk segi empat, segi tiga, ataupun lingkaran.
Lebih terperinciKombinasi Gaya Tekan dan Lentur
Mata Kuliah Koe SKS : Perancangan Struktur Beton : CIV-204 : 3 SKS Kombinasi Gaya Tekan an Lentur Pertemuan 9,10,11 Sub Pokok Bahasan : Analisis an Desain Kolom Penek Kolom aalah salah satu komponen struktur
Lebih terperinciBAB 3 PERANCANGAN DAN PEMBUATAN SISTEM
BAB 3 PERANCANGAN DAN PEMBUATAN SISTEM Dalam bab ini akan dibahas mengenai perancangan dan pembuatan sistem aplikasi yang digunakan sebagai user interface untuk menangkap citra ikan, mengolahnya dan menampilkan
Lebih terperinciBAB 2 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 terperinciKLASIFIKASI JENIS IKAN KOI MENGGUNAKAN GRAY LEVEL CO- OCCURRENCE MATRIX DAN ALGORITMA NAIVE BAYES
KLASIFIKASI JENIS IKAN KOI MENGGUNAKAN GRAY LEVEL CO- OCCURRENCE MATRIX DAN ALGORITMA NAIVE BAYES Tri Adhi Atmaji 1, Catur Supriyanto 2 Teknik Informatika, Fakultas Ilmu Komputer, Universitas Dian Nuswantoro
Lebih terperinciPENGARUH UJI TUKEY TERHADAP VERIFIKASI TANDA TANGAN MENGGUNAKAN JARINGAN SARAF TIRUAN
PENGARUH UJI TUKEY TERHADAP VERIFIKASI TANDA TANGAN MENGGUNAKAN JARINGAN SARAF TIRUAN ABSTRAK Thari Novianty Mentaruk (0722100) Jurusan Teknik Elektro e-mail : thari_novianty_m@yahoo.com Verifikasi tanda
Lebih terperinciIDENTIFIKASI IRIS MATA MENGGUNAKAN TAPIS GABOR WAVELET DAN JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION (LVQ)
IDENTIFIKASI IRIS MATA MENGGUNAKAN TAPIS GABOR WAVELET DAN JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION (LVQ) Budi Setiyono, R. Rizal Isnanto *) Abstract Biometric represents the human identification
Lebih terperinciBAB 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 IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN Bab ini membahas langkah-langkah dari implementasi dan pembahasan dari hasil penelitian yang telah dilakukan tentang klasifikasi aktivitas menggunakan algoritma k-nearest neighbor
Lebih terperinciIDENTIFIKASI TANDA TANGAN MENGGUNAKAN MOMENT INVARIANT DAN ALGORITMA BACK PROPAGATION ABSTRAK
IDENTIFIKASI TANDA TANGAN MENGGUNAKAN MOMENT INVARIANT DAN ALGORITMA BACK PROPAGATION Nasep Muhamad Ramdan (0522135) Jurusan Teknik Elektro, Fakultas Teknik, Universitas Kristen Maranatha Jalan Prof. Drg.
Lebih terperinciPENGENALAN GARIS UTAMA TELAPAK TANGAN DENGAN EKSTRAKSI CIRI MATRIKS KOOKURENSI ARAS KEABUAN MENGGUNAKAN JARAK EUCLIDEAN
PENGENALAN GARIS UTAMA TELAPAK TANGAN DENGAN EKSTRAKSI CIRI MATRIKS KOOKURENSI ARAS KEABUAN MENGGUNAKAN JARAK EUCLIDEAN Fara Mantika Dian Febriana *), R. Rizal Isnanto, and Ajub Ajulian Zahra Jurusan Teknik
Lebih terperinciBAB 2 TINJAUAN PUSTAKA DAN DASAR TEORI
BAB 2 TINJAUAN PUSTAKA DAN DASAR TEORI 2.1. Tinjauan Pustaka tentang identifikasi iris mata ataupun identifikasi citra digital sudah pernah dilakukan sebelumnya, berikut merupakan tabel perbandingan terhadap
Lebih terperinciBAB III UJICOBA KALIBRASI KAMERA
BAB III UJICOBA KALIBRASI KAMERA 3.1 Spesifikasi kamera Kamera yang igunakan alam percobaan paa tugas akhir ini aalah kamera NIKON Coolpix 7900, engan spesifikasi sebagai berikut : Resolusi maksimum :
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN 4.1 Pengumpulan dan Praproses Data Kegiatan pertama dalam penelitian tahap ini adalah melakukan pengumpulan data untuk bahan penelitian. Penelitian ini menggunakan data sekunder
Lebih terperinciMETODE PERSAMAAN DIOPHANTINE LINEAR DALAM PENENTUAN SOLUSI PROGRAM LINEAR INTEGER
METODE PERSAMAAN DIOPHANTINE LINEAR DALAM PENENTUAN SOLUSI PROGRAM LINEAR INTEGER Asrul Syam Program Stui Teknik Informatika, STMIK Dipanegara, Makassar e-mail: assyams03@gmail.com Abstrak Masalah optimasi
Lebih terperinciEkstraksi Ciri Citra Batik Berdasarkan Tekstur Menggunakan Metode Gray Level Co Occurrence Matrix
Ekstraksi Ciri Citra Batik Berdasarkan Tekstur Menggunakan Metode Gray Level Co Occurrence Matrix Rizky Andhika Surya, Abdul Fadlil, Anton Yudhana Magister Teknik Informatika Universitas Ahmad Dahlan Yogyakarta,
Lebih terperinciDETEKSI JENIS KAYU CITRA FURNITURE UKIRAN JEPARA MENGGUNAKAN JST BACKPROPAGATION
No Makalah : 299 Konferensi Nasional Sistem Informasi 2012, STMIK - STIKOM Bali 23-25 Pebruari 2012 DETEKSI JENIS KAYU CITRA FURNITURE UKIRAN JEPARA MENGGUNAKAN JST BACKPROPAGATION Ratri Dwi Atmaja 1,
Lebih terperinciAPLIKASI PENDIAGNOSIS KERUSAKAN SEL PADA ORGAN HATI MELALUI CITRA IRIS MATA MENGGUNAKAN PRINCIPAL COMPONENT ANALYSIS DENGAN JARINGAN SARAF TIRUAN
APLIKASI PENDIAGNOSIS KERUSAKAN SEL PADA ORGAN HATI MELALUI CITRA IRIS MATA MENGGUNAKAN PRINCIPAL COMPONENT ANALYSIS DENGAN JARINGAN SARAF TIRUAN Nur Rizky Rosna Putra 1), R. Rizal Isnanto 2), Achmad Hidayatno
Lebih terperinciDAFTAR ISI BAB II TINJAUAN PUSTAKA...4
DAFTAR ISI HALAMAN JUDUL...i PERNYATAAN BEBAS PLAGIARISME...ii HALAMAN PENGESAHAN...iii HALAMAN TUGAS...iv HALAMAN MOTTO...vi KATA PENGANTAR...vii DAFTAR ISI...ix DAFTAR TABEL...xiii DAFTAR GAMBAR...xv
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 terperinciPREDIKSI PERHITUNGAN DOSIS RADIASI PADA PEMERIKSAAN MAMMOGRAFI MENGGUNAKAN ALGORITMA JARINGAN SYARAF TIRUAN PROPAGASI BALIK
Berkala Fisika ISSN : 1410-9662 Vol.18, No.4, Oktober 2015, hal 151-156 PREDIKSI PERHITUNGAN DOSIS RADIASI PADA PEMERIKSAAN MAMMOGRAFI MENGGUNAKAN ALGORITMA JARINGAN SYARAF TIRUAN PROPAGASI BALIK Zaenal
Lebih terperinciKlasifikasi Penyakit Daun Padi Berdasarkan Hasil Ekstraksi Fitur GLCM Interval 4 Sudut
Klasifikasi Penyakit Daun Padi Berdasarkan Hasil Ekstraksi Fitur GLCM Interval 4 Sudut Jani Kusanti 1*), Noor Abdul Haris 2 1,2 Jurusan Teknik Elektro dan Informatika, Universitas Surakarta 1,2 Jln. Raya
Lebih terperinciIDENTIFIKASI TANDA-TANGAN MENGGUNAKAN JARINGAN SARAF TIRUAN PERAMBATAN-BALIK (BACKPROPAGATION)
IDENTIFIKASI TANDA-TANGAN MENGGUNAKAN JARINGAN SARAF TIRUAN PERAMBATAN-BALIK (BACKPROPAGATION) Achmad Hidayatno, R. Rizal Isnanto, Dian Kurnia Widya Buana Jurusan Teknik Elektro, Fakultas Teknik Universitas
Lebih terperinciPENGENALAN KARAKTER ALFANUMERIK MENGGUNAKAN METODE BACKPROPAGARATION
PENGENALAN KARAKTER ALFANUMERIK MENGGUNAKAN METODE BACKPROPAGARATION Amriana 1 Program Studi D1 Teknik Informatika Jurusan Teknik Elektro Fakultas Teknik UNTAD ABSTRAK Jaringan saraf tiruan untuk aplikasi
Lebih terperinciBAB 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 terperinciAPLIKASI PENDIAGNOSIS KERUSAKAN SEL PADA ORGAN HATI MELALUI CITRA IRIS MATA MENGGUNAKAN PRINCIPAL COMPONENT ANALYSIS DENGAN JARINGAN SARAF TIRUAN
APLIKASI PENDIAGNOSIS KERUSAKAN SEL PADA ORGAN HATI MELALUI CITRA IRIS MATA MENGGUNAKAN PRINCIPAL COMPONENT ANALYSIS DENGAN JARINGAN SARAF TIRUAN Nur Rizky Rosna Putra *), R. Rizal Isnanto, and Achmad
Lebih terperinciKLASIFIKASI CITRA PARU MENGGUNAKAN MODEL SELF-ORGANIZING MAPS RADIAL BASIS FUNCTION NEURAL NETWORKS (SOM-RBFNN) SKRIPSI
KLASIFIKASI CITRA PARU MENGGUNAKAN MODEL SELF-ORGANIZING MAPS RADIAL BASIS FUNCTION NEURAL NETWORKS (SOM-RBFNN) SKRIPSI Diajukan kepada Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Negeri
Lebih terperinciPENENTUAN FREKUENSI MAKSIMUM KOMUNIKASI RADIO DAN SUDUT ELEVASI ANTENA
Penentuan Frekuensi Maksimum Komunikasi Raio an Suut..(Jiyo) PENENTUAN FREKUENSI MAKSIMUM KOMUNIKASI RADIO DAN SUDUT ELEVASI ANTENA J i y o Peneliti iang Ionosfer an Telekomunikasi, LAPAN ASTRACT In this
Lebih terperinciIDENTIFIKASI TANDA TANGAN MENGGUNAKAN GLOBAL FEATURE EXTRACTION, MOMEN INVARIAN DAN ALGORITMA FORWARD-ONLY COUNTER PROPAGATION
IDENTIFIKASI TANDA TANGAN MENGGUNAKAN GLOBAL FEATURE EXTRACTION, MOMEN INVARIAN DAN ALGORITMA FORWARD-ONLY COUNTER PROPAGATION ABSTRAK Eka Putri Tambun (0722118) Jurusan Teknik Elektro Universitas Kristen
Lebih terperinciIDENTIFIKASI KEASLIAN MATA UANG RUPIAH MENGGUNAKAN METODE ALGORITMA K-NEAREST NEIGHBOR (K-NN)
IDENTIFIKASI KEASLIAN MATA UANG RUPIAH MENGGUNAKAN METODE ALGORITMA K-NEAREST NEIGHBOR (K-NN) SKRIPSI Disusun Oleh : THOMI LUTHFIANTO 1203030010 PROGRAM STUDI TEKNIK ELEKTRO FAKULTAS TEKNIK UNIVERSITAS
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1 Prinsip Kerja Sistem Prinsip kerja sistem diawali dengan pembacaan citra rusak dan citra tidak rusak yang telah terpilih dan dikumpulkan pada folder tertentu.
Lebih terperinciBAB III METODE PENELITIAN. menjawab segala permasalahan yang ada dalam penelitian ini.
BAB III METODE PENELITIAN Pada bab ini akan dijelaskan bahan yang digunakan dalam membantu menyelesaikan permasalahan, dan juga langkah-langkah yang dilakukan dalam menjawab segala permasalahan yang ada
Lebih terperinciBAB III INTERFERENSI SEL
BAB NTEFEENS SEL Kinerja sistem raio seluler sangat ipengaruhi oleh faktor interferensi. Sumber-sumber interferensi apat berasal ari ponsel lainya ialam sel yang sama an percakapan yang seang berlangsung
Lebih terperinciMETODE PENELITIAN Data Langkah-Langkah Penelitian
METODE PENELITIAN Data Inonesia merupakan salah satu negara yang tiak mempunyai ata vital statistik yang lengkap. Dengan memperhatikan hal tersebut, sangat tepat menggunakan Moel CPA untuk mengukur tingkat
Lebih terperinciYoungster Physics Journal ISSN : Vol. 5, No. 2, Oktober 2016, Hal
ANALISIS CITRA CT SCAN KANKER PARU BERDASARKAN CIRI TEKSTUR GRAY LEVEL CO-OCCURRENCE MATRIX DAN CIRI MORFOLOGI MENGGUNAKAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK Saitem, Kusworo Adi dan Catur Edi Widodo
Lebih terperinciBAB 3 ANALISIS DAN KEBUTUHAN ALGORITMA
BAB 3 ANALISIS DAN KEBUTUHAN ALGORITMA 3.1 Analisis Masalah Jaringan saraf tiruan hopfield merupakan salah satu Algoritma Machine Learning yang dapat mengklasifikasikan suatu objek citra berdasarkan pelatihan
Lebih terperinciBAB 3 METODOLOGI. untuk mengurangi adanya false positive dan false negative. False positive dalam hal ini
34 BAB 3 METODOLOGI 3.1 Analisis Kebutuhan dan Masalah Dalam proses diagnosis kanker payudara dibutuhkan akurasi yang tinggi untuk mengurangi adanya false positive dan false negative. False positive dalam
Lebih terperinciSISTEM PENGENALAN KARAKTER DENGAN JARINGAN SYARAF TIRUAN ALGORITMA PERCEPTRON
Jurnal Informatika Mulawarman Vol. 7 No. 3 Edisi September 2012 105 SISTEM PENGENALAN KARAKTER DENGAN JARINGAN SYARAF TIRUAN ALGORITMA PERCEPTRON Anindita Septiarini Program Studi Ilmu Komputer FMIPA,
Lebih terperinciKLASIFIKASI DAUN TANAMAN THEOBROMA CACAO MENGGUNAKAN METODE NEURAL NETWORK
KLASIFIKASI DAUN TANAMAN THEOBROMA CACAO MENGGUNAKAN METODE NEURAL NETWORK Endi Permata 1), Andri Suherman 2), Alief Maulana 3) 1) 2 )3) Program Studi S1 Teknik Elektro, Fakultas Teknik,Universitas Sultan
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 terperinciPENGENALAN VARIETAS MANGGA BERDASARKAN BENTUK DAN TEKSTUR DAUN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK
PENGENALAN VARIETAS MANGGA BERDASARKAN BENTUK DAN TEKSTUR DAUN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK Fathorazi Nur Fajri, Purwanto 2, Ricardus Anggi Pramunendar 3 23 Pascasarjana Teknik Informatika
Lebih terperinciAPLIKASI WAVELET COIFLET MENGGUNAKAN JARINGAN SARAF TIRUAN PERAMBATAN BALIK UNTUK PENGENALAN SIDIK JARI
APLIKASI WAVELET COIFLET MENGGUNAKAN JARINGAN SARAF TIRUAN PERAMBATAN BALIK UNTUK PENGENALAN SIDIK JARI Arie Firmansyah Permana ), Achmad Hidayatno ), R. Rizal Isnanto ) Jurusan Teknik Elektro, Fakultas
Lebih terperinciUJIAN TENGAH SEMESTER KALKULUS/KALKULUS1
Jurusan Matematika FMIPA IPB UJIAN TENGAH SEMESTER KALKULUS/KALKULUS1 Sabtu, 4 Maret 003 Waktu : jam SETIAP NOMOR MEMPUNYAI BOBOT 10 1. Tentukan: (a) (b) x sin x x + 1 ; x (cos (x 1)) :. Diberikan fungsi
Lebih terperinciPERANCANGAN SISTEM IDENTIFIKASI KUALITAS KAYU UNTUK QUALITY KONTROL BERBASIS PENGOLAHAN CITRA DIGITAL
PERANCANGAN SISTEM IDENTIFIKASI KUALITAS KAYU UNTUK QUALITY KONTROL BERBASIS PENGOLAHAN CITRA DIGITAL Timber Identification System Design For Quality Control Based On Digital Image Processing Igun Gunawan
Lebih terperinciKLASIFIKASI PARKET KAYU JATI BERDASARKAN ANALISA TEKSTUR GLDM MENGGUNAKAN METODE BACKPROPAGATION Muhammad Arief Rahman Hakim Jurusan Teknik Informatik
Wood Parket Classification based on GDLM texture Analysis With Backpropagation Method Muhammad Arief Rahman Hakim Undergraduate Program, Faculty of Industrial Engineering, 2010 Gunadarma University http://www.gunadarma.ac.id
Lebih terperinci3. METODE PENELITIAN
19 3. METODE PENELITIAN 3.1 Diagram Alir Penelitian Kerangka pemikiran pada penelitian ini dapat digambarkan dalam suatu bagan alir seperti pada Gambar 8. Gambar 8 Diagram Alir Penelitian Pengumpulan Data
Lebih terperinciIMPLEMENTASI K-NEAREST NEIGHBOR UNTUK MENGENALI POLA CITRA DALAM MENDETEKSI PENYAKIT KULIT
IMPLEMENTASI K-NEAREST NEIGHBOR UNTUK MENGENALI POLA CITRA DALAM MENDETEKSI PENYAKIT KULIT Sebastian Rori Listyanto Program Studi Teknik Informatika S1 Fakultas Ilmu Komputer Universitas Dian Nuswantoro
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 terperinciPROGRAM KOMPUTER UNTUK PEMODELAN SEBARAN PERGERAKAN. Abstrak
PROGRAM KOMPUTER UNTUK PEMODELAN SEBARAN PERGERAKAN Ruy Setiawan, ST., MT. Sukanto Tejokusuma, Ir., M.Sc. Jenny Purwonegoro, ST. Staf Pengajar Fakultas Staf Pengajar Fakultas Alumni Fakultas Teknik Sipil
Lebih terperinciKlasifikasi Mutu Telur Berdasarkan Kebersihan Kerabang Telur Menggunakan K-Nearest Neighbor
Klasifikasi Mutu Telur Berdasarkan Kebersihan Kerabang Telur Menggunakan K-Nearest Neighbor Puspa Rizky Trisnaningtyas 1, Maimunah 2 Program Studi Teknik Komputer Universitas Islam 45 Bekasi, Indonesia
Lebih terperinciBAB 1 PENDAHULUAN Latar belakang masalah
BAB 1 PENDAHULUAN 1.1. Latar belakang masalah Saluran pernapasan pada manusia terdiri dari rongga hidung, faring, laring, trakea, percabangan bronkus dan paru-paru (bronkiolus, alveolus). Paru-paru merupakan
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 3 PERANCANGAN DAN IMPLEMENTASI SISTEM
BAB 3 PERANCANGAN DAN IMPLEMENTASI SISTEM Bab ini berisi tentang penjelasan proses perancangan sistem pengolahan citra yang berupa algoritma-algoritma yang akan digunakan dalam proses pengolahan citra
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 terperinciAplikasi Neural-Fuzzy pada Regresi Interval untuk Data Time Series
Apliasi Neural-Fuzzy paa Regresi Interval untu Data Time Series Sri Kusumaewi Jurusan Teni Informatia, Universitas Islam Inonesia, Yogyaarta Jl. Kaliurang K, 4, Yogyaarta (04 E-mail : cicie@fti.uii.ac.i
Lebih terperinciLEMBAR PENGESAHAN TUGAS AKHIR...
DAFTAR ISI HALAMAN SAMPUL... i HALAMAN JUDUL... ii PERNYATAAN... iii LEMBAR PENGESAHAN TUGAS AKHIR... iv BERITA ACARA TUGAS AKHIR... v KATA PENGANTAR... vi ABSTRAK... vii ABSTRACT... viii DAFTAR ISI...
Lebih terperinciDIFERENSIAL FUNGSI SEDERHANA
DIFERENSIAL FUNGSI SEDERHANA Salah satu metoe yang cukup penting alam matematika aalah turunan (iferensial). Sejalan engan perkembangannya aplikasi turunan telah banyak igunakan untuk biang-biang rekayasa
Lebih terperinci