PENGENALAN EKSPRESI WAJAH MENGGUNAKAN WAVELET GABOR DAN BACKPROPAGATION
|
|
- Surya Darmali
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Immanuela P. S., Ernawati, B. Yudi wiandiyanta, Pengenalan Ekspresi Wajah 71 PENGENALAN EKSPRESI WAJAH MENGGUNAKAN WAVELET GABOR AN BACKPROPAGATION Immanuela P. Saputro 1, Ernawati 2, B.Yudi wiandiyanta 3 1 Program Studi Teknik Informatika Fak.Teknik Univ. e La Salle Manado 2, 3 Magister Teknik Informatika Pascasarjana Univ. Atma Jaya Yogyakarta 1 immasaputro@gmail.com, 2 ernawati@staff.uajy.ac.id, 3 yudi-dwi@staff.uajy.ac.id ABSTRAK alam satu dekade terakhir, sistem pengenalan ekspresi wajah telah menjadi topik menarik dalam dunia penelitian. Semakin terjangkaunya harga teknologi yang mendukung penelitian tersebut, membuat sistem pengenalan wajah dapat diterapkan dalam kehidupan sehari-hari, salah satunya dalam dunia pendidikan. Tujuan dari penelitian ini adalah mengenali ekspresi wajah menggunakan wavelet Gabor dan Backpropagation, untuk membantu konselor dalam melakukan konseling kepada mahasiswa, khususnya dalam permasalahan non akademik, serta menguji tingkat akurasi jaringan backpropagation dalam melakukan klasifikasi ekspresi wajah seseorang. Vektor masukan bagi jaringan diperoleh melalui transformasi wavelet Gabor, dan inisialisasi bobot menggunakan metode Nguyen Widrow. Beberapa fungsi yang digunakan seperti sigmoid biner untuk aktivasi bobot, fungsi gradient descent untuk pelatihan jaringan, dan fungsi learngd untuk perubahan bobot dengan laju pembelajaran sebesar 0,05. Arsitektur jaringan menggunakan dua lapisan tersembunyi serta tiga node untuk lapisan output. Nilai Mean Square Error (MSE) sebesar 0,001. Jaringan dilatih menggunakan 70 data yang terdiri dari 10 orang dan setiap orang mempunyai tujuh ekspresi. Pengujian dilakukan menggunakan data lain yang terdiri dari lima orang. Ukuran citra untuk pelatihan dan pengujian mempunyai ukuran 16x16 piksel. Berdasarkan hasil pengujian, sistem memberikan unjuk kerja sebesar sebesar 85,71% dalam pengklasifikasian ekspresi wajah. Untuk pengembangan lebih lanjut, sistem dapat diintegrasikan dengan media perekam, sehingga ekspresi wajah dapat langsung dikenali melalui capture video. Kata kunci: ekspresi wajah, wavelet Gabor, backpropagation ABSTRACT uring the last decade, facial expression recognition system has been researched extensively. The increasingly affordable technology which supports the system has boosted the use of facial recognition system in the everyday life, including in the education system. This research aims to develop a facial expression recognition system using Gabor wavelet and Backpropagation to help counselors in helping university students while discussing academic problems, as well as testing the level of accuracy of backpropagation network in classifying a person s facial expression. The input vector for the network is the result of a Gabor wavelet transform, and the weights are initialized using Nguyen Widrow method. Several different functions are used, namely binary Sigmoid for weight activation, gradient descent for network learning, and learngd to vary the weight with learning rate The network uses 2 hidden layers and 3 nodes for output layer. The Mean Square Error (MSE) is The network was trained using 70 data from 10 people, and each person has 7 expression. The testing was done with a different data set from 5 test subjects. The image size for training and testing is 16 x 16 pixels. Based on the tests, the system
2 72 JURNAL ELEKTRO, Vol. 8, No. 2, Oktober 2015: performance for classifying facial expressions is 85.71%. For further development, the system may be integrated with a recording device so that the facial expression can be instantly recognized via captured image. Keywords: facial expression, Gabor wavelet, backpropagation PENAHULUAN Ekspresi wajah pada dasarnya adalah komunikasi nonverbal bagi manusia untuk menyampaikan emosi dan maksud kepada orang lain selama berinteraksi [1]. Selain ekspresi netral, secara universal ekspresi wajah terbagi menjadi enam yaitu senang, sedih, terkejut, marah, takut, dan jijik. Ekspresi-ekspresi tersebut adalah hasil gerakan otot dari bagian wajah seperti hidung, mulut, dan mata [2]. alam beberapa penelitian telah dinyatakan bahwa ekspresi wajah mempunyai peranan paling besar dalam menyampaikan pesan yaitu sebesar 55%, dibandingkan suara yang hanya 38%, dan bahasa sebesar 7% [3][4]. Pada tahun 1980, student engagement menjadi topik hangat dalam penelitian di dunia pendidikan. ilaporkan sekitar 25-60% mahasiswa drop-out dikarenakan merasa bosan dan tidak tertarik di dalam kelas. Terdapat beberapa faktor yang mempengaruhi drop-out seorang mahasiswa. Hal tersebut membuat beberapa institusi pendidikan mengambil keputusan untuk melakukan beberapa strategi agar tingkat drop-out mahasiswa menurun [5]. Salah satu cara untuk mengatasinya dilakukan melalui bimbingan konseling. Supaya proses konseling dapat berjalan dengan baik, seorang konselor harus mampu memahami ekspresi wajah sesuai dengan apa yang dirasakan dan dialami oleh mahasiswa [6]. Saat ini penelitian dalam bidang pengenalan ekspresi wajah telah banyak dilakukan dengan menggunakan beragam objek dan metode; akan tetapi masih sedikit penelitian yang berfokus pada kegiatan pemberian konseling bagi mahasiswa. Tujuan dari penelitian ini adalah membuat aplikasi pengenalan ekspresi wajah melalui proses konseling, sehingga konselor dapat memberikan solusi yang baik. Aplikasi dibuat dengan menerapkan wavelet Gabor untuk proses ekstrasi ciri dan Backpropagation untuk klasifikasi ekspresi wajah. Selain itu, akan dianalisis cara kerja dan hasil imple-mentasi metode Backprpagation pada proses pembelajaran dan pengenalan berdasarkan pada tingkat akurasi dan kecepatan. Penelitian ini mengacu pada beberapa penelitian yang telah dilakukan sebelumnya dan sebagai perbandingannya dapat dilihat pada Tabel 1. TEORI PENUKUNG A. Metode Penelitian Tahap-tahap yang digunakan dalam penelitian ini meliputi tahap analisis kebutuhan aplikasi, perancangan aplikasi, implementasi aplikasi, dan pengujian aplikasi. iagram blok sistem ditunjukkan pada Gambar 1. Proses awal pengenalan ekspresi wajah dimulai dari tahap akuisisi citra yang diperoleh melalui capture kamera digital dengan ukuran 256x256 piksel. Tahap selanjutnya adalah pengolahan citra meliputi perubahan ukuran citra dan thresholding. Pada tahap ekstraksi ciri, vektor bobot citra diperoleh dengan menggunakan wavelet Gabor yang kemudian dinormalisasikan untuk memperoleh data dengan kisaran nilai antara 0 dan 1. Tahap akhir adalah pelatihan serta pengujian data ke dalam jaringan syaraf tiruan backpropagation.
3 Immanuela P. S., Ernawati, B. Yudi wiandiyanta, Pengenalan Ekspresi Wajah 73 Tabel 1 Perbandingan penelitian Penelitian Bashyal, Raheja, Kumar Satiyan, Hariharan, Peerven, Gupta, Saputro, Venayagamoor- thy (2010) Nagarajan (2010) Verma (2012) Immanuela P Jenis (2008) (2015) Metode Wavelet Gabor, Added-boost Wavelet Haar, Statistical Feature Wavelet Gabor, Learning Vector classifier, Backpropagation Extraction, Backpropagation Quantization (LVQ) Backpropagation Backpropagation Objek Citra dalam basis Citra diambil dari Citra yang diambil Citra dalam basis Citra mahasiswa data JAFFE capture web-cam dari hasil rekaman data JAFFE Unika e La video gerakan Manado. wajah seseorang. Permasa-lahan Bagaimana mengenali tujuh 1. Bagaimana mendeteksi Bagaimana mendeteksi Bagaimana mengenali Bagaimana tujuh mengenali tujuh ekspresi wajah wajah dari citra gerakan wajah dari ekspresi wajah ekspresi wajah berdasarkan citra hasil capture citra hasil rekaman berdasarkan citra pada citra JAFFE? web-cam? video? JAFFE? mahasiswa Unika 2. Bagaimana mengenali ekspresi wajah gembira, e La Salle? berpikir, dan sedih? Bahasa Pemrograman Visual Basic dan Java C++ Matlab 7.0 Matlab Matlab (R2013a) Tujuan Mengenali tujuh Mendeteksi dan Mengenali ekspresi Mengenali tujuh Mengenali tujuh ekspresi wajah mengenali ekspresi wajah berdasarkan ekspresi wajah ekspresi wajah pada citra JAFFE wajah gembira, gerakan alis, pada citra JAFFE pada citra berpikir, dan sedih rahang, dan bibir. mahasiswa Unika berdasarkan pada e La Salle gerakan tubuh. Manado Hasil Penggunaan Penggunaan Penggunaan Penggunaan Penggunaan metode Wavelet metode Addboosted metode Wavelet metode Statistical metode Wavelet Gabor dan LVQ classifier Haar dan feature extraction Gabor serta memberikan tingkat dan Backpropagation dan Backpropagation keakuratan sebesar Backpropagation memberikan tingkat Backpropagation dapat memberikan 87,51% dalam memberikan tingkat keakuratan sebesar memberikan tingkat tingkat keakuratan mengenali enam keakuratan dalam 97% dalam akurasi ekspresi tanpa mengenali ekspresi mengenali semua ekspresi takut pada gembira sebesar ekspresi pada 70 citra, tingkat 94.28%, berpikir tingkat pertama keakuratan naik 85.71%, dan sedih level dekomposisi. menjadi 90,21% sebesar 83.33% pada semua ekspresi 100% dari data latih sebanyak 154 dengan kecepatan waktu pengenalan 0:02:11 detik sebesar dalam mengenali tujuh ekspresi wajah minimal sebesar 83,6% Pelatihan Praproses Ekstraksi Ciri wavelet Gabor Klasifikasi ekspresi wajah dengan backpropagation Pengujian Praproses Ekstraksi Ciri wavelet Gabor Klasifikasi ekspresi wajah dengan backpropagation Gambar 1 iagram blok sistem pengenalan ekspresi wajah B. Landasan Teori Seperti yang telah disampaikan pada bagian sebelumnya, bahwa tujuan dari penelitian ini adalah mengetahui berapa besar tingkat akurasi jaringan backpropagation sistem pengenalan ekspresi wajah dengan ekstraksi ciri citra menggunakan wavelet Gabor. Citra wajah untuk pelatihan dan pengujian diambil di lapangan. Pada Gambar 2
4 74 JURNAL ELEKTRO, Vol. 8, No. 2, Oktober 2015: dapat dilihat hasil capture kamera sebelum citra dilakukan praproses. B.1 Praproses Praproses adalah tahap untuk mendapatkan citra dengan sebaran informasi yang lebih baik dibandingkan dengan citra asli. Pada penelitian ini tahap praproses menggunakan dua metode yaitu Otsu thresholding dan Adaptive thresholding. Metode Otsu thresholding digunakan untuk memisahkan objek dan latar belakangnya. Sedangkan metode Adaptive thresholding digunakan untuk mencari bagian-bagian kecil citra dengan nilai threshold lokal yang dihitung secara adaptif berdasarkan statistik beberapa piksel bertetangga. Gambar 3 menunjukkan hasil praproses citra asli. B.2 Ekstraksi Ciri Ekstraksi ciri adalah proses untuk memunculkan ciri citra, sedangkan wavelet adalah gelombang mini yang mempunyai kemampuan untuk mengelompokkan energi citra dan terkonsentrasi pada sekelompok kecil koefisien. Proses ekstraksi ciri pada penelitian ini menggunakan transformasi wavelet Gabor. Wavelet Gabor adalah wavelet yang terbentuk dari perkalian antara fungsi sinusoidal kompleks dengan Gaussian Envelope [7]. Kelebihan dari wavelet Gabor adalah kemampuannya untuk dengan mudah menyesuaikan lokalisasi detail pada domain spasial dan frekuensi serta kesamaannya dengan representasi frekuensi dan orientasi sistem visual manusia sehingga wavelet Gabor sangat popular dan memberikan hasil yang baik pada area segmentasi tekstur, pengenalan sidik jari, dan pengenalan wajah [8]. Setelah vektor ciri diperoleh, tahap selanjutnya adalah normalisasi data. Normalisasi data perlu dilakukan pada saat merancang suatu sistem pengenalan atau klasifikasi pola yang mempunyai variasi nilai ekstraksi ciri dalam interval yang sangat berbeda. Namun jika normalisasi data akan dilakukan dengan menggunakan interval tertentu, maka data harus ditransformasikan ke dalam interval tersebut. Sebagai contoh vektor ekstraksi ciri N akan diubah dalam interval [0 1] seperti pada keluaran fungsi aktivasi sigmoid biner. Mengingat fungsi sigmoid biner merupakan fungsi asimtotik yang nilainya tidak pernah mencapai 0 atau 1, maka nilai dapat ditransformasikan dalam interval yang lebih kecil, misalnya [0,1 0,9]. Jika a adalah nilai minimum dari N dan b adalah nilai maksimum dari N, transformasi data dalam interval [0,1 0,9] dapat menggunakan rumus metode linear seperti pada Persamaan (1) [9]. (1) Gambar 2 Citra wajah asli
5 Immanuela P. S., Ernawati, B. Yudi wiandiyanta, Pengenalan Ekspresi Wajah 75 (a) (b) (c) (d) Gambar 3 (a) citra awal yang telah diubah ukuran pikselnya menjadi 16x16; (b) citra skala keabuan; (c) citra hasil otsu thresholding; (d) citra hasil adaptive thresholding Hasil ekstraksi ciri dan normalisasi data citra masukan dapat dilihat pada Gambar 4. Gambar 4 (a) ekstraksi citra dengan wavelet Gabor; (b) normalisasi vektor citra B.3 Backpropagation Backpropagation adalah metode yang didasarkan pada minimalisasi fungsi error (MSE) melalui propagasi mundur sinyal error dalam jaringan. Tiap unit lapisan input dalam jaringan terhubung dengan tiap unit yang ada pada lapisan tersembunyi. emikian juga untuk tiap unit dalam lapisan tersembunyi akan terhubung dengan lapisan output [10]. Backpropagation dapat dibagi ke dalam dua bagian yaitu algoritma pelatihan dan algoritma pengujian. Jaringan backpropagation pada penelitian ini dibangun menggunakan lapisan input dengan jumlah node sebanyak 256, dua lapisan tersembunyi dengan jumlah node masing-masing 50 dan 40, serta satu lapisan output dengan tiga node. Fungsi-fungsi yang digunakan dalam jaringan ini adalah sigmoid biner untuk fungsi aktivasi yang menghubungkan setiap lapisan. Hal ini karena output yang diinginkan hanya berupa 0 dan 1. Fungsi pelatihan menggunakan gradient decent backpropagation serta nilai laju pembelajaran sebesar 0,05 dan MSE sebesar 0,001. HASIL PENELITIAN AN PEMBAHASAN Sebelum dilakukan pengujian, jaringan backpropagation yang telah dibangun perlu dilatih untuk melihat unjuk kerja jaringan. ata yang digunakan terdiri dari 70 ekspresi wajah yang terdiri dari lima mahasiswa perempuan dan lima mahasiswa laki-laki. Waktu pelatihan yang diperlukan untuk melatih jaringan dengan arsitektur yang telah ditentukan adalah 9 detik dengan jumlah iterasi sebanyak 3273 epoch. Setelah proses pelatihan selesai dilakukan, selanjutnya akan dilakukan proses pengujian jaringan. Proses pengujian dibagi menjadi dua bagian, yang pertama menggunakan data latih yang bertujuan melihat kemampuan jaringan mengingat data yang pernah diberikan sebelumnya. Bagian kedua, menggunakan data yang baru dengan tujuan untuk mengukur tingkat akurasi jaringan. Persamaan yang digunakan untuk mengukur kemampuan dan
6 76 JURNAL ELEKTRO, Vol. 8, No. 2, Oktober 2015: akurasi jaringan dapat dilihat pada Persamaan (2). (2) Berdasarkan hasil eksperimen yang pertama, jaringan diuji dengan menggunakan data latih yang berjumlah lima orang jaringan mampu memberikan akurasi sebesar 100% yang diperoleh dari (35/35)*100%. etail hasil pengujian 1 dapat dilihat pada Tabel 2. Berdasarkan hasil eksperimen yang kedua, jaringan diuji dengan menggunakan data baru yang berjumlah lima orang jaringan mampu memberikan akurasi sebesar 85,71% yang diperoleh dari (30/35)*100% etail hasil pengujian 2 dapat dilihat pada Tabel 3. Tabel 2 Hasil pengujian 1 Nama Set Latih Nama Set Uji Ekspresi Wajah Target ata 1 ata 2 ata 3 ata 4 ata , Netral , ,9786 0, ,0867 0, Senang ,9654 0, ,0766 0, ,2262 0, Sedih ,9883 0, ,9454 0, gab_ lat1 gab_ uji_a Marah , ,0796 0, ,4538 0, ,9364 0, Takut ,0998 0, ,9756 0, ,7282 0, Kaget ,9980 0, ,3765 0, ,8711 0, Jijik , ,8419 0, erangan: = dikenali
7 Immanuela P. S., Ernawati, B. Yudi wiandiyanta, Pengenalan Ekspresi Wajah 77 Tabel 3 Hasil pengujian 2 Nama Set Latih Nama Set Uji Ekspresi Wajah Target ata 1 ata 2 ata 3 ata 4 ata 5 0 0,0298 0,0880 0,0280 0,0088 0,0880 Netral 0 0,0493 0,0891 0,0029 0,0446 0, ,9675 0,9258 0,9674 0,9908 0, ,0171 0,0175 0,0168 0,0065 0,9175 Senang 1 0,9932 0,9999 0,9916 0,9821 0,9999 T 0 0,0269 0,4961 0,0414 0,0244 0, ,0304 0,9603 0,0282 0,0329 0,9603 Sedih 1 0,9343 0,9972 T 0,9779 0,9871 0,9972 T 1 0,9693 0,9891 0,9662 0,9565 0,9891 gab_ lat2 gab_ uji_b Marah 1 0,9722 0,9984 0,9596 0,9973 0, ,0086 0,1308 0,0393 0,0226 0, ,0493 0,0350 0,0562 0,0510 0, ,9819 0,9687 0,9754 0,9965 0,9687 Takut 0 0,0431 0,0852 0,0211 0,0335 0,9852 T 1 0,9596 0,8112 0,9827 0,9514 0, ,9800 0,9508 0,9995 0,9945 0,9508 Kaget 1 0,9964 0,9996 0,8945 T 0,9723 0, ,0097 0,2952 0,9320 0,0411 0, ,9976 0,8939 0,9989 0,9641 0,8939 Jijik 1 0,9862 0,9991 0,9477 0,9897 0, ,9837 0,8582 0,9394 0,9641 0,8582 erangan: = dikenali T = tidak dikenali SIMPULAN Berdasarkan hasil analisis, perancangan, implementasi, dan pengujian yang telah selesai dilakukan, dapat disimpulkan beberapa hal sebagai berikut: 1. Pengembangan aplikasi pengenalan ekspresi wajah menggunakan wavelet Gabor dan jaringan syaraf tiruan Backpropagation adalah metode yang tepat berdasarkan pada proses pengenalan ekspresi wajah mencapai 100% pada data yang sudah pernah dilatih dan secara umum pada data uji yang belum pernah dilatih mencapai 85,71%. 2. Kondisi optimal pelatihan jaringan wavelet Gabor dicapai dengan menggunakan kombinasi node pada lapisan tersembunyi, konstanta laju pembelajaran 0,05 waktu pelatihan yang diperlukan 9 detik dengan jumlah iterasi sebanyak 3273 epoch. 3. Ekspresi wajah sedih adalah ekspresi yang paling sulit dikenali.
8 78 JURNAL ELEKTRO, Vol. 8, No. 2, Oktober 2015: AFTAR PUSTAKA [1]. as Human S Facial Parts Extraction to Recognize Facial Expression. International Journal on Information Theory (IJIT), vol. 3, no. 3, pp [2] L. Ma and K. Khorasani Facial Expression Recognition using Constructive Feedforward Neural Networks. IEEE Transactions on Systems, Man, And Cybernetics Part B: Cybernetics, vol. 34, no. 3, pp [3] N. Thomas and M. Mathew Facial Expression Recognition System using Neural Network and Matlab. indigul Tamilnadu. [4] Z. Abidin and A. Harjoko Facial Expression Recognition By using Fisherface Method with Backpropagation Neural Network. Indonesian Journal of Computing and Cybernetics System (IJCCS), vol. 5, no. 1, pp [5] J. Whitehill, Z. Serpell, Y. C. Lin, A. Foster, and J. R. Movellan The Faces of Engagement: Automatic Recognition of Student Engagement from Facial Expressions. IEEE Transactions on Affective Computing, vol. 5, no. 1, pp [6] J. F. Grafsgaard, J. B. Wiggins and K. E. Boyer Automatically Recognizing Facial Expression: Predicting Engagement and Frustration. Memphis. [7] C. Zor Facial Expression Recognition. Tesis, tidak dipublikasikan. Guildford, Surrey: University of Surrey. [8] Zhan Yong-zhao, Y. Jing-fu, N. e-jiao, and C. Peng Facial Expression Recognition Based on Gabor Wavelet Transformation and Elastic Templates Matching. [9] J. S. Jong Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan Matlab, 2 nd ed. Yogyakarta: Andi Offset. [10] Puspitaningrum Pengantar Jaringan Saraf Tiruan. Yogyakarta: Andi Offset.
BAB I PENDAHULUAN. penelitian di dunia pendidikan. Dilaporkan sekitar 25-60% mahasiswa drop-out
BAB I PENDAHULUAN 1.1 Latar Belakang Pada tahun 1980, Student Engagement menjadi topik hangat dalam penelitian di dunia pendidikan. Dilaporkan sekitar 25-60% mahasiswa drop-out dikarenakan merasa bosan
Lebih terperinciPENGENALAN EKSPRESI WAJAH MENGGUNAKAN WAVELET DAN BACKPROPAGATION
TESIS PENGENALAN EKSPRESI WAJAH MENGGUNAKAN WAVELET DAN BACKPROPAGATION IMMANUELA PUSPASARI SAPUTRO No. Mhs: 135302090/PS/MTF PROGRAM STUDI MAGISTER TEKNIK INFORMATIKA PROGRAM PASCASARJANA UNIVERSITAS
Lebih terperinciPENGEMBANGAN SISTEM PENGENALAN EKSPRESI WAJAH MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION (STUDI KASUS PADA DATABASE MUG)
PENGEMBANGAN SISTEM PENGENALAN EKSPRESI WAJAH MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION (STUDI KASUS PADA DATABASE MUG) Zaenal Abidin Jurusan Matematika Universitas Negeri Semarang Kampus Sekaran
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Tinjauan Pustaka Sebuah ekspresi wajah manisfestasi nyata dari afektif, aktivitas kognitif, tujuan, dan personalitas seseorang. Ekspresi wajah memainkan peranan penting dalam
Lebih terperinciBAB 3 METODOLOGI. seseorang. Hal inilah yang mendorong adanya perkembangan teknologi
BAB 3 METODOLOGI 3.1. Kerangka Berpikir Pengenalan ekspresi wajah adalah salah satu bentuk representasi kecerdasan manusia yang dapat digunakan untuk mendeteksi kondisi emosi seseorang. Hal inilah yang
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 terperinciBAB V KESIMPULAN DAN SARAN. selesai dilakukan dapat disimpulkan beberapa hal sebagai berikut:
BAB V KESIMPULAN DAN SARAN 5.1 Kesimpulan Berdasarkan analisa, perancangan, implementasi, dan pengujian yang telah selesai dilakukan dapat disimpulkan beberapa hal sebagai berikut: 1. Ekstraksi ciri citra
Lebih terperinciFacial Expression Recognition By Using Fisherface Methode With Backpropagation Neural Network
Facial Expression Recognition By Using Fisherface Methode With Backpropagation Neural Network Zaenal Abidin dan Agus Harjoko Abstract In daily lives, especially in interpersonal communication, face often
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 terperinciAlgoritma Pengenalan Ekspresi Wajah Menggunakan Wavelet Neural Networks
Algoritma Pengenalan Ekspresi Wajah Menggunakan Wavelet Neural Networks Z. Abidin Jurusan Ilmu Komputer, Fakultas MIPA, Universitas Negeri Semarang Kampus Sekaran Gunungpati, Semarang, 50229 E-mail : zaenalabidin.indonesia@gmail.com
Lebih terperinciPENGENALAN POLA GARIS DASAR KALIMAT PADA TULISAN TANGAN UNTUK MENGETAHUI KARAKTER SESEORANG DENGAN MENGGUNAKAN ALGORITMA RESILIENT BACKPROPAGATION
PENGENALAN POLA GARIS DASAR KALIMAT PADA TULISAN TANGAN UNTUK MENGETAHUI KARAKTER SESEORANG DENGAN MENGGUNAKAN ALGORITMA RESILIENT BACKPROPAGATION ABSTRAK Juventus Suharta (0722026) Jurusan Teknik Elektro
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 terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1. 1 Latar Belakang Jaringan saraf buatan merupakan kumpulan dari elemen-elemen pemrosesan buatan yang disebut neuron. Sebuah neuron akan mempunyai banyak nilai masukan yang berasal dari
Lebih terperinciKarakteristik Spesifikasi
Sinyal yang masuk difilter ke dalam sinyal frekuensi rendah (low-pass filter) dan sinyal frekuensi tinggi (high-pass filter) Lakukan downsampling pada kedua sinyal tersebut Low-pass frekuensi hasil downsampling
Lebih terperinciIdentifikasi Gender Berdasarkan Citra Wajah Menggunakan Deteksi Tepi dan Backpropagation
Identifikasi Gender Berdasarkan Citra Wajah Menggunakan Deteksi Tepi dan Backpropagation Destri Wulansari, Esmeralda C. Djamal, Ridwan Ilyas Jurusan Informatika, Fakultas MIPA Universitas Jenderal Achmad
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 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 terperinciPENGENALAN POLA WAYANG MENGGUNAKAN DETEKSI TEPI DAN JARINGAN SARAF TIRUAN PADA APLIKASI MOBILE
TESIS PENGENALAN POLA WAYANG MENGGUNAKAN DETEKSI TEPI DAN JARINGAN SARAF TIRUAN PADA APLIKASI MOBILE KRISTIAN ADI NUGRAHA No. Mhs. : 125301833/PS/MTF PROGRAM STUDI MAGISTER TEKNIK INFORMATIKA PROGRAM PASCASARJANA
Lebih terperinciJurnal MIPA 35 (2): 194-203 (2012) Jurnal MIPA http://journal.unnes.ac.id/sju/index.php/jm RANCANG BANGUN SISTEM PENGENALAN EKSPRESI WAJAH MENGGUNAKAN FISHERFACE DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Tahapan Penelitian Tahapan yang dilakukan dalam penelitian ini disajikan pada Gambar 14, terdiri dari tahap identifikasi masalah, pengumpulan dan praproses data, pemodelan
Lebih terperinciBAB III 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 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 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 terperinciEVALUASI PENGARUH FUNGSI AKTIFASI DAN PARAMETER KEMIRINGANNYA TERHADAP UNJUKKERJA PENGENALAN JARINGAN SYARAF TIRUAN
EVALUASI PENGARUH FUNGSI AKTIFASI DAN PARAMETER KEMIRINGANNYA TERHADAP UNJUKKERJA PENGENALAN JARINGAN SYARAF TIRUAN (Studi Kasus pada Pengenalan Karakter Angka Tulisan Tangan) Iwan Suhardi Jurusan Teknik
Lebih 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 terperinciPEMANFAATAN NEURAL NETWORK PERCEPTRON PADA PENGENALAN POLA KARAKTER
PEMANFAATAN NEURAL NETWORK PERCEPTRON PADA PENGENALAN POLA KARAKTER Fakultas Teknologi Informasi Universitas Merdeka Malang Abstract: Various methods on artificial neural network has been applied to identify
Lebih terperinciIDENTIFIKASI DAN VERIFIKASI TANDA TANGAN STATIK MENGGUNAKAN BACKPROPAGATION DAN ALIHRAGAM WAVELET
TESIS IDENTIFIKASI DAN VERIFIKASI TANDA TANGAN STATIK MENGGUNAKAN BACKPROPAGATION DAN ALIHRAGAM WAVELET ROSALIA ARUM KUMALASANTI No. Mhs. : 135302014/PS/MTF PROGRAM STUDI MAGISTER TEKNIK INFORMATIKA PROGRAM
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 terperinciMEMPREDIKSI KECERDASAN SISWA MENGGUNAKAN JARINGAN SYARAF TIRUAN BERBASIS ALGORITMA BACKPROPAGATION (STUDI KASUS DI LP3I COURSE CENTER PADANG)
MEMPREDIKSI KECERDASAN SISWA MENGGUNAKAN JARINGAN SYARAF TIRUAN BERBASIS ALGORITMA BACKPROPAGATION (STUDI KASUS DI LP3I COURSE CENTER PADANG) R. Ayu Mahessya, S.Kom, M.Kom, Fakultas Ilmu Komputer Universitas
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 terperinciPERBANDINGAN ANALISIS PENGENALAN HURUF ARAB MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN BACKPROPAGATION DAN K-NEAREST NEIGHBOR
PERBANDINGAN ANALISIS PENGENALAN HURUF ARAB MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN BACKPROPAGATION DAN K-NEAREST NEIGHBOR Ragil Anggararingrum Perwira Nagara¹, Adiwijaya², Ratri Dwi Atmaja³ ¹Teknik
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 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 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 terperinciSINTESA EKSPRESI WAJAH DENGAN MENGGUNAKAN RADIAL BASIS FUNCTION NETWORK
SINTESA EKSPRESI WAJAH DENGAN MENGGUNAKAN RADIAL BASIS FUNCTION NETWORK Wiwik Anggraeni, Handayani Tjandrasa Program Studi Sistem Informasi, Fakultas Teknologi Informasi, Institut Teknologi Sepuluh Nopember
Lebih terperinciDeteksi Kanker Paru-Paru Dari Citra Foto Rontgen Menggunakan Jaringan Saraf Tiruan Backpropagation
Deteksi Kanker Paru-Paru Dari Citra Foto Rontgen Menggunakan Jaringan Saraf Tiruan Backpropagation Tri Deviasari Wulan 1, Endah Purwanti 2, Moh Yasin 3 1,2 Program Studi Fisika Fakultas Sains dan Teknologi
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. Implementasi antar muka dalam tugas akhir ini terdiri dari form halaman
BAB IV HASIL DAN PEMBAHASAN 4.1 Implementasi Antar Muka Implementasi antar muka dalam tugas akhir ini terdiri dari form halaman judul perangkat lunak, form pelatihan jaringan saraf tiruan, form pengujian
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 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 terperinciTOLERANSI UNJUK PENGENALAN JARINGAN SYARAF TIRUAN PADA PENAMBAHAN DERAU DAN SUDUT PUTARAN TERHADAP POLA KARAKTER TULISAN TANGAN JENIS ANGKA
Iwan Suhardi, Toleransi Jaringan Syaraf Tiruan TOLERANSI UNJUK PENGENALAN JARINGAN SYARAF TIRUAN PADA PENAMBAHAN DERAU DAN SUDUT PUTARAN TERHADAP POLA KARAKTER TULISAN TANGAN JENIS ANGKA Iwan Suhardi Jurusan
Lebih terperinciRealisasi Pengenalan Tulisan Tangan Menggunakan Jaringan Syaraf Tiruan dengan Metode Kohonen
Realisasi Pengenalan Tulisan Tangan Menggunakan Jaringan Syaraf Tiruan dengan Metode Kohonen David Novyanto Candra/0322003 Email: dave_christnc@yahoo.com Jurusan Teknik Elektro, Fakultas Teknik, Jln.Prof.Drg.Suria
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 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 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 3 ANALISIS DAN PERANCANGAN PROGRAM
BAB 3 ANALISIS DAN PERANCANGAN PROGRAM Program aplikasi ini dirancang dengan menggunakan perangkat lunak Microsoft Visual C# 2008 Express Edition. Proses perancangan menggunakan pendekatan Object Oriented
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 terperinciPenggunaan Jaringan Syaraf Tiruanuntuk Membaca Karakter pada Formulir Nilai Mata Kuliah
Vol. 14, No. 1, 61-68, Juli 2017 Penggunaan Jaringan Syaraf Tiruanuntuk Membaca Karakter pada Formulir Nilai Mata Kuliah La Surimi, Hendra, Diaraya Abstrak Jaringan syaraf tiruan (JST) telah banyak diaplikasikan
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 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 Prediksi Indeks Harga Konsumen Berdasarkan Kelompok Kesehatan Dengan Menggunakan Metode Backpropagation
Analisis Prediksi Indeks Harga Konsumen Berdasarkan Kelompok Kesehatan Dengan Menggunakan Metode Backpropagation Anjar Wanto STIKOM Tunas Bangsa Pematangsiantar Pematangsiantar, Indonesia anjarwanto@amiktunasbangsa.ac.id
Lebih terperinciDETEKSI SEBARAN TITIK API PADA KEBAKARAN HUTAN GAMBUT MENGGUNAKAN GELOMBANG-SINGKAT DAN BACKPROPAGATION (STUDI KASUS KOTA DUMAI PROVINSI RIAU)
TESIS DETEKSI SEBARAN TITIK API PADA KEBAKARAN HUTAN GAMBUT MENGGUNAKAN GELOMBANG-SINGKAT DAN BACKPROPAGATION (STUDI KASUS KOTA DUMAI PROVINSI RIAU) TRI HANDAYANI No. Mhs. : 125301914 PROGRAM STUDI MAGISTER
Lebih terperinciPENGENALAN TULISAN TANGAN AKSARA BATAK TOBA MENGGUNAKAN JARINGAN SARAF TIRUAN BERBASIS MULTILAYER PERCEPTRON
PENGENALAN TULISAN TANGAN AKSARA BATAK TOBA MENGGUNAKAN JARINGAN SARAF TIRUAN BERBASIS MULTILAYER PERCEPTRON Disusun oleh : Nama : J. Rio Sihombing NRP : 0322129 Jurusan Teknik Elektro, Fakultas Teknik,
Lebih terperinciPerbaikan Metode Prakiraan Cuaca Bandara Abdulrahman Saleh dengan Algoritma Neural Network Backpropagation
65 Perbaikan Metode Prakiraan Cuaca Bandara Abdulrahman Saleh dengan Algoritma Neural Network Backpropagation Risty Jayanti Yuniar, Didik Rahadi S. dan Onny Setyawati Abstrak - Kecepatan angin dan curah
Lebih terperinciEKSTRAKSI DAN PENGENALAN PLAT NOMOR KENDARAAN BERMOTOR DI INDONESIA
TESIS EKSTRAKSI DAN PENGENALAN PLAT NOMOR KENDARAAN BERMOTOR DI INDONESIA DONNY AVIANTO No. Mhs : 135302024/PS/MTF PROGRAM STUDI MAGISTER TEKNIK INFORMATIKA PROGRAM PASCASARJANA UNIVERSITAS ATMA JAYA YOGYAKARTA
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN 3.1. Penentuan Masalah Penelitian Masalah masalah yang dihadapi oleh penggunaan identifikasi sidik jari berbasis komputer, yaitu sebagai berikut : 1. Salah satu masalah dalam
Lebih terperinciSeminar Nasional Ilmu Komputer (SNIK 2016) - Semarang, 10 Oktober 2016 ISBN:
Perintah Suara Berbahasa Indonesia untuk Membuka dan Menutup Aplikasi dalam Sistem Operasi Windows Menggunakan Metode Mel Frequency Cepstrum Coefficient dan Metode Backpropagation Zakaria Ramadhan 1, Sukmawati
Lebih terperinciPengenalan Plat Nomor Mobil Menggunakan Metode Learning Vector Quantization
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 3, Maret 2018, hlm. 1313-1317 http://j-ptiik.ub.ac.id Pengenalan Plat Nomor Mobil Menggunakan Metode Learning Vector
Lebih terperinciPENGENALAN HURUF TULISAN TANGAN BERBASIS CIRI SKELETON DAN STATISTIK MENGGUNAKAN JARINGAN SARAF TIRUAN. Disusun oleh : Mario Herryn Tambunan ( )
PENGENALAN HURUF TULISAN TANGAN BERBASIS CIRI SKELETON DAN STATISTIK MENGGUNAKAN JARINGAN SARAF TIRUAN Disusun oleh : Mario Herryn Tambunan (1022056) Jurusan Teknik Elektro, Fakultas Teknik, Universitas
Lebih terperinciJARINGAN SARAF TIRUAN BACKPROPAGATION UNTUK PENGENALAN WAJAH METODE EKSTRAKSI FITUR Sigit Kusmaryanto Teknok Elektro FTUB,
JARINGAN SARAF TIRUAN BACKPROPAGATION UNTUK PENGENALAN WAJAH METODE EKSTRAKSI FITUR Sigit Kusmaryanto Teknok Elektro FTUB, sigitkus@ub.ac.id ABSTRAKSI Salah satu kelemahan umum pada pengenalan pola untuk
Lebih terperinciIDENTIFIKASI VARIETAS UNGGUL BENIH KEDELAI BERDASARKAN WARNA DENGAN JARINGAN SARAF TIRUAN
IDENTIFIKASI VARIETAS UNGGUL BENIH KEDELAI BERDASARKAN WARNA DENGAN JARINGAN SARAF TIRUAN Galih Probo Kusuma, Dr Melania Suweni Muntini, MT Jurusan Fisika Institut Teknologi Sepuluh Nopember (ITS) Surabaya
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 terperinciAnalisis Prediksi Indeks Harga Konsumen Berdasarkan Kelompok Kesehatan Dengan Menggunakan Metode Backpropagation
Analisis Prediksi Indeks Harga Konsumen Berdasarkan Kelompok Kesehatan Dengan Menggunakan Metode Backpropagation Anjar Wanto STIKOM Tunas Bangsa Pematangsiantar Pematangsiantar, Indonesia anjarwanto@amiktunasbangsa.ac.id
Lebih terperinciPengenalan Aksara Lampung Menggunakan Jaringan Syaraf Tiruan
Pengenalan Aksara Lampung Menggunakan Jaringan Syaraf Tiruan Adhika Aryantio School of Electrical Engineering and Informatics Institute Technology of Bandung 10th Ganeca Street Bandung, Indonesia. Adhikaaryantio.x6@gmail.com
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN Bab ini menjelaskan tentang latar belakang, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian, metode penelitian, dan sistematika penulisan dalam penelitian ini.
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 terperinciKLASIFIKASI POLA SIDIK JARI MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION UNTUK ANALISA KARAKTERISTIK SESEORANG
KLASIFIKASI POLA SIDIK JARI MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION UNTUK ANALISA KARAKTERISTIK SESEORANG [1] Ahmad Fahrudi Setiawan, [2] Alam Katon Agung [1], [2] Institut Teknologi Nasional
Lebih terperinciTOLERANSI UNJUK PENGENALAN JARINGAN SYARAF TIRUAN PADA PENAMBAHAN DERAU DAN SUDUT PUTARAN TERHADAP POLA KARAKTER TULISAN TANGAN JENIS ANGKA
Iwan Suhardi, Toleransi Jaringan Syaraf Tiruan TOLERANSI UNJUK PENGENALAN JARINGAN SYARAF TIRUAN PADA PENAMBAHAN DERAU DAN SUDUT PUTARAN TERHADAP POLA KARAKTER TULISAN TANGAN JENIS ANGKA Iwan Suhardi Jurusan
Lebih terperinciADLN - Perpustakaan Universitas Airlangga ABSTRAK. viii
Muhammad Arif Santoso, 2015. Peramalan Penjualan Produk Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine. Skripsi ini dibawah bimbingan Auli Damayanti,S.Si, M.Si dan Dr. Herry Suprajitno,
Lebih terperinciProgram Aplikasi Komputer Pengenalan Angka Dengan Pose Jari Tangan Sebagai Media Pembelajaran Interaktif Anak Usia Dini
Program Aplikasi Komputer Pengenalan Angka Dengan Pose Jari Tangan Sebagai Media Pembelajaran Interaktif Anak Usia Dini Wawan Kurniawan Jurusan PMIPA, FKIP Universitas Jambi wwnkurnia79@gmail.com Abstrak
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 terperinciALGORITMA BACKPROPAGATION PADA JARINGAN SARAF TIRUAN UNTUK PENGENALAN POLA WAYANG KULIT
ALGORITMA BACKPROPAGATION PADA JARINGAN SARAF TIRUAN UNTUK PENGENALAN POLA WAYANG KULIT Kristian Adi Nugraha 1), Albertus Joko Santoso 2), Thomas Suselo 3) 1,2,3) Program Studi Magister Teknik Informatika,
Lebih terperinciBAB IV PEMBAHASAN. A. Hasil Model Radial Basis Function Neural Network (RBFNN) Langkah-langkah untuk menentukan model terbaik Radial Basis Function
BAB IV PEMBAHASAN A. Hasil Model Radial Basis Function Neural Network (RBFNN) Langkah-langkah untuk menentukan model terbaik Radial Basis Function Neural Network (RBFNN) untuk diagnosis penyakit jantung
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN PROGRAM APLIKASI
BAB 3 ANALISIS DAN PERANCANGAN PROGRAM APLIKASI Bab ini berisi analisis pengembangan program aplikasi pengenalan karakter mandarin, meliputi analisis kebutuhan sistem, gambaran umum program aplikasi yang
Lebih terperinciBulu mata. Generalisasi= Jumlah pola dikenali dengan benar x 100% Jumlah total pola
Generalisasi Hasil penelitian ini diukur menggunakan nilai konvergen dan generalisasi. Nilai konvergen adalah tingkat kecepatan jaringan untuk mempelajari pola input yang dinyatakan dalam satuan iterasi
Lebih terperinciBAB 1 PENDAHULUAN. Manusia memiliki insting untuk berinteraksi satu sama lain demi mencapai
BAB 1 PENDAHULUAN 1.1 Latar Belakang Manusia memiliki insting untuk berinteraksi satu sama lain demi mencapai suatu tujuan, dan dalam interaksi itu, mengintepretasi kondisi emosional menjadi penting dalam
Lebih terperinciANALISIS PERBANDINGAN METODE JARINGAN SYARAF TIRUAN DAN REGRESI LINEAR BERGANDA PADA PRAKIRAAN CUACA
ANALISIS PERBANDINGAN METODE JARINGAN SYARAF TIRUAN DAN REGRESI LINEAR BERGANDA PADA PRAKIRAAN CUACA Nurmahaludin (1) (1) Staf Pengajar Jurusan Teknik Elektro Politeknik Negeri Banjarmasin Ringkasan Kebutuhan
Lebih terperinciSegitiga Fuzzy-Neural Network untuk Mengenali Pola dari Model Input Data yang Berdistribusi
J. Math. and Its Appl. ISSN: 1829-605X Vol. 4, No. 1, May 2007, 9 16 Segitiga Fuzzy-Neural Network untuk Mengenali Pola dari Model Input Data yang Berdistribusi Hary Budiarto Pusat Teknologi Informasi
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 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 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 terperinciANALISIS HUBUNGAN ANTARA TINGKAT PENGENALAN JARINGAN SYARAF TIRUAN DENGAN BANYAKNYA JUMLAH KELAS POLA YANG DIKENALI DAN TINGKAT KERUMITAN POLANYA
ISSN: 1693-6930 159 ANALISIS HUBUNGAN ANTARA TINGKAT PENGENALAN JARINGAN SYARAF TIRUAN DENGAN BANYAKNYA JUMLAH KELAS POLA YANG DIKENALI DAN TINGKAT KERUMITAN POLANYA Iwan Suhardi, Riana T. Mangesa Jurusan
Lebih 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 terperinciIdentifikasi Tanda Tangan Menggunakan Transformasi Gabor Wavelet dan Jarak Minskowski
Identifikasi Tanda Tangan Menggunakan Transformasi Gabor Wavelet dan Jarak Minskowski Junia Kurniati Computer Engineering Department Faculty of Computer Science Sriwijaya University South Sumatera Indonesia
Lebih terperinciABSTRAK. Michael Parlindungan ( ) Jurusan Teknik Elektro Universitas Kristen Maranatha
PENGENALAN POLA HURUF t DARI TULISAN TANGAN UNTUK MENENTUKAN KARAKTER SESEORANG DENGAN MENGGUNAKAN PRINCIPAL COMPONENT ANALYSIS DAN ALGORITMA BACKPROPAGATION ABSTRAK Michael Parlindungan (0722017) Jurusan
Lebih terperinciMENGENALI FUNGSI LOGIKA AND MELALUI PEMROGRAMAN PERCEPTRON DENGAN MATLAB
POLITEKNOSAINS VOL. X NO. 2 Juni 2011 MENGENALI FUNGSI LOGIKA AND MELALUI PEMROGRAMAN PERCEPTRON DENGAN MATLAB Yaya Finayani Teknik Elektro, Politeknik Pratama Mulia, Surakarta 57149, Indonesia ABSTRACT
Lebih terperinciPERBANDINGAN METODE MINIMUM DISTANCE PATTERN CLASSIFIER DAN NEURAL NETWORK BACKPROPAGATION DALAM MENGENALI WAJAH MANUSIA DENGAN EKSPRESI YANG BERBEDA
PERBANDINGAN METODE MINIMUM DISTANCE PATTERN CLASSIFIER DAN NEURAL NETWORK BACKPROPAGATION DALAM MENGENALI WAJAH MANUSIA DENGAN EKSPRESI YANG BERBEDA Bharasaka Krisnandhika 51412445 Dr. Dewi Agushinta
Lebih terperinciPENGENALAN CITRA WAJAH DENGAN MENGGUNAKAN TRANSFORMASI WAVELET DISKRIT DAN JARINGAN SARAF TIRUAN BACK-PROPAGATION
PENGENALAN CITRA WAJAH DENGAN MENGGUNAKAN TRANSFORMASI WAVELET DISKRIT DAN JARINGAN SARAF TIRUAN BACK-PROPAGATION Suhendry Effendy Jurusan Teknik Informatika, Fakultas Ilmu Komputer, Bina Nusantara University
Lebih terperinciPENGENALAN TULISAN TANGAN AKSARA BATAK TOBA MENGGUNAKAN JARINGAN SARAF TIRUAN BERBASIS ALGORITMA RESILIENT PROPAGATION
PENGENALAN TULISAN TANGAN AKSARA BATAK TOBA MENGGUNAKAN JARINGAN SARAF TIRUAN BERBASIS ALGORITMA RESILIENT PROPAGATION Disusun oleh : Nama : Robin Panjaitan NRP : 0622017 Jurusan Teknik Elektro, Fakultas
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 terperinciOleh: Angger Gusti Zamzany( ) Dosen Pembimbing: Dr. Dwi Ratna Sulistyaningrum, S.Si, M.T.
Oleh: Angger Gusti Zamzany(1210100 073) Dosen Pembimbing: Dr. Dwi Ratna Sulistyaningrum, S.Si, M.T. DAFTAR ISI I II III IV V VI PENDAHULUAN TINJAUAN PUSTAKA METODOLOGI PERANCANGAN DAN IMPLEMENTASI PENGUJIAN
Lebih terperinciJARINGAN SYARAF TIRUAN UNTUK PREDIKSI PENJUALAN JAMUR MENGGUNAKAN ALGORITMA BACKROPAGATION
JARINGAN SYARAF TIRUAN UNTUK PREDIKSI PENJUALAN JAMUR MENGGUNAKAN ALGORITMA BACKROPAGATION Yuyun Dwi Lestari Program Studi Teknik Informatika, Sekolah Tinggi Teknik Harapan E-mail : yuyun.dl@gmail.com
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Jaringan syaraf tiruan merupakan bidang ilmu yang banyak digunakan dalam melakukan pengenalan pola suatu obyek. Banyak obyek yang dapat digunakan untuk pengenalan pola
Lebih terperinciPENERAPAN JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH PESERTA KB BARU DI KABUPATEN SEMARANG DENGAN METODE BACKPROPAGATION
PENERAPAN JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH PESERTA KB BARU DI KABUPATEN SEMARANG DENGAN METODE BACKPROPAGATION Restiana Putri Abstract - On a government agencies Badan Keluarga Berencana
Lebih terperinciJurnal Fisika Unand Vol. 2, No. 4, Oktober 2013 ISSN
PREDIKSI CURAH HUJAN BULANAN MENGGUNAKAN JARINGAN SYARAF TIRUAN DENGAN BEBERAPA FUNGSI PELATIHAN BACKPROPAGATION (Studi Kasus: Stasiun Meteorologi Tabing Padang, Tahun 2001-2012) Cici Oktaviani, Afdal
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 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 terperinciHASIL DAN PEMBAHASAN. Generalisasi =
6 Kelas Target Sidik jari individu 5 0000100000 Sidik jari individu 6 0000010000 Sidik jari individu 7 0000001000 Sidik jari individu 8 0000000100 Sidik jari individu 9 0000000010 Sidik jari individu 10
Lebih 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 terperinciPERAMALAN BEBAN LISTRIK JANGKA PENDEK DI BALI MENGGUNAKAN PENDEKATAN ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS)
PERAMALAN BEBAN LISTRIK JANGKA PENDEK DI BALI MENGGUNAKAN PENDEKATAN ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS) L K Widyapratiwi 1, I P A Mertasana 2, I G D Arjana 2 1 Mahasiswa Teknik Elektro, Fakultas
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 terperinci