TINJAUAN PUSTAKA ,...(1)
|
|
- Hendri Hermawan
- 7 tahun lalu
- Tontonan:
Transkripsi
1 3 TINJAUAN PUSTAKA Dalam bab ini akan dibahas teori-teori yang mendasari penelitian ini. Dimulai dari teori dan konsep citra digital, deteksi pola lingkaran dengan Circle Hough Transform (CHT), ekstrasi ciri pola lingkaran menggunakan Two Dimension Principle Component Analysis (2DPCA) serta proses pengenalan roda kendaraan dengan Jaringan Syaraf Tiruan Propagasi Balik. Citra Digital Citra digital merupakan sebuah larik (array) berisi nilai-nilai riil maupun kompleks yang dapat direpresentasikan dengan deretan bit tertentu, yang didefinisikan sebagai fungsi dua dimensi f(x,y) berukuran matriks M kali N, dimana M adalah baris dan N adalah kolom serta x dan y adalah pasangan koordinat spasial (Gonzales, et al 2004). Nilai f pada titik koordinat (x,y) disebut sebagai skala keabuan (gray level) atau intensitas dari citra digital pada koordinat koordinat tersebut. Apabila nilai x, y dan f secara keseluruhan berhingga dan bernilai diskrit maka citra tersebut merupakan citra digital. Citra digital direpresentasikan dalam bentuk matriks persegi yang mewakili ukuran dari citra tersebut. Misalkan terdapat sebuah citra digital dengan ukuran MxN, maka citra dapat direpresentasikan dalam sebuah matriks berukuran MxN sebagai berikut: 1,1 1,2 1,,...(1), 1, 2, Persamaan matriks diatas memperlihatkan irisan antara baris dan kolom (pada posisi x dan y) dikenal dengan nama picture elemen (pixel). Pixel memiliki intesitas yang dapat dinyatakan dengan bilangan dengan rentang tertentu, dari nilai minimum sampai maksimum. Jangkauan yang digunakan berbeda-beda tergantung dari jenis warnanya. Namun secara umum jangkauannya adalah
2 4 Citra RGB dan Derajat Keabuan (Gray Scale) Citra RGB dan derajat keabuan merupakan format warna pada citra digital. Citra warna RGB memiliki kombinasi warna Red(R), Blue(B), dan Green(G) disetiap pikselnya. Setiap komponen RGB memiliki intensitas dengan nilai minimal 0 dan maksimal 255 (8 bit). Setiap piksel pada citra RGB membutuhkan 3 Byte untuk media penyimpanan, sehingga kemungkinan jumlah kombinasi citra RGB adalah lebih dari 16 juta warna. Citra keabuan merupakan citra digital yang hanya memiliki sebuah kanal pada setiap pixel, dengan kata lain bagian warna Red(R) sama dengan bagian Green(G) sama dengan bagian Blue(B) (Gonzales et al, 2004). Derajat keabuan merupakan warna abu dengan berbagai tingkatan dari warna hitam (minimum) ke putih (maksimum). Jumlah maksimum warna terdiri atas 4 bit dan 8 bit. Citra dengan derajat keabuan 4 bit memiliki 16 kemungkinan warna, yaitu 0 sampai 15. Setiap pixel citra dengan nilai intensitas keabuan 8 bit sehingga terdapat 256 kombinasi nilai dimulai dari 0 sampai dengan 255. Persamaan berikut memperlihatkan konversi citra RGB ke dalam citra keabuan (Qur ania 2012) :,,,,...(2) Persamaan (2) akan memetakan fungsi, yang merupakan nilai piksel citra RGB menjadi fungsi keluaran, sebagai citra keabuan. Gambar 1 memperlihatkan perubahan nilai piksel RGB ke derajat keabuan. R= 50 G= 60 B= 40 R= 55 G= 70 B= 55 R= 50 G= 50 B= 50 R= 55 G= 70 B= 55 R= 55 G= 65 B= 45 R= 50 G= 60 B= 40, R= 35 G= 50 B= 50 R= 45 G= 60 B= 60 R= 70 G= 70 B= 70 R= 70 G= 80 B= 60 R= 60 G= 30 B= 45 R= 70 G= 45 B= Citra RGB Citra keabuan Gambar 1 Transformasi nilai piksel RGB ke citra keabuan.
3 5 Smoothing Smoothing citra masukan dilakukan dengan maksud untuk mengurangi respons sistem terhadap noise atau menyiapkan citra untuk proses segmentasi. Banyak jenis algoritma smoothing dengan menggunakan linear filter ataupun nonlinear filter. Smoothing dengan menggunakan linear filter mengacu pada Low Pass Filter (LPF). Penapis rata-rata (average filter) merupakan salahsatu LPF yang digunakan untuk mengurangi detil yang irrelevant dalam suatu citra. Secara umum average filter dapat diberi bobot tertentu dengan maksud untuk mengurangi noise dalam proses smoothing. untuk menapis citra berukuran dengan filter mask (selubung penapis) terbobot ukuran diberikan dalam persamaan berikut: (Gonzales, et al 2002) dengan,,, dan,...(3). persamaan diatas digunakan untuk 0, 1, 2,., 1 dan 0,1,2,.,1. Gambar 2 memperlihatkan filter mask 3 5 dan matriks 3 5 dengan nilai piksel yang sesuai dengan filter mask tersebut (Gambar 3). W(-1,-2) W(-1,-1) W(-1,0) W(-1,1) W(-1,2) W(0,-2) W(0,-1) W(0,0) W(0,1) W(0,2) W(1,-2) W(1,-1) W(1,0) W(1,1) W(1,2) Gambar 2 Filter mask 3 5. f(x-1,y-2) f(x-1,y-1) f(x-1,y) f(x-1,y+1) f(x-1,y+2) f(x,y-2) f(x,y-1) f(x,y) f(x,y+1) f(x,y+2) f(x+1,y-2) f(x+1,y-1) f(x+1,y) f(x+1,y+1) f(x+1,y+2) Gambar 3 Matriks 3 5 dengan filter mask yang sesuai.
4 6 First Derivative Operator (Operator Derivatif Pertama) Dalam deteksi tepi, proses smoothing saja terkadang tidak cukup, untuk itu diperlukan kombinasi antara teknik smoothing dengan algoritma derivatif, hal ini dilakukan untuk meningkatkan akurasi serta mengurangi respons ganda terhadap suatu tepi. Derivatif pertama dalam pemrosesan citra menerapkan magnitudo gradien. Untuk fungsi, gradien dari f pada koordinat (x,y) didefinisikan sebagai vektor kolom dua dimensi sebagai berikut:...(4) Sedangkan untuk magnitudo dari vektor tersebut diberikan dalam persamaan berikut: /...(5) Thresholding Walaupun citra awal telah mengalami smoothing dan filtering pada tahap awal, masih saja memungkinkan bagi keluaran tahapan sebelumnya mengalami kesalahan disebabkan oleh noise. Untuk mengatasi hal tersebut, maka dilakukan thresholding. Melalui penetapan nilai threshold (nilai ambang), maka nilai yang berada dibawah nilai ambang akan diabaikan. Hough Transform Hough Transform (HT) merupakan suatu teknik ekstrasi fitur yang dipergunakan untuk menentukan lokasi suatu bentuk dalam citra. HT diperkenalkan oleh Paul Hough pada Rosenfeld (1969) menggunakannya sebagai salah satu algoritma pemrosesan citra, kemudian tahun 1972 Duda, et al menerapkan HT untuk mendeteksi garis dalam citra. HT telah dikembangkan untuk mendeteksi bentuk-bentuk umum dalam citra seperti lingkaran (circle), elips, dan parabola. Konsep dasar HT adalah
5 7 terdapat garis dan kurva potensial yang tak terhitung jumlahnya pada suatu citra yang melalui titik mana saja pada berbagai ukuran dan orientasi. Tujuan transformasi adalah untuk menemukan garis dan kurva yang melewati banyak titik-titik (features) dalam citra, yaitu garis dan kurva terdekat yang paling sesuai dengan data dalam citra. Kelebihan HT adalah tahan terhadap gangguan (noise robust) dan kemampuannya untuk mengekstrasi garis maupun kurva bahkan dalam suatu area dengan ketidakhadiran piksel (pixel gaps) (Argialas & Mavrantza 2004). Circle Hough Transform (CHT) HT dapat didefinisikan menggunakan persamaan lingkaran. Persamaan lingkaran tersebut dapat dilihat pada persamaan 6. Persamaan ini mendefinisikan lingkaran sebagai semua titik, yang berada pada radius r terhadap titik pusat,. Persamaan lingkaran yang umum adalah:...(6) Pada metode hough circle, setiap titik tepi mendefinisikan lingkaran dalam ruang akumulator (accumulator space) dengan tiga buah parameter lingkaran yaitu,,, dan r. Setiap titik tepi, dapat dihitung menggunakan persamaan berikut: cos...(7) sin...(8) Lingkaran ini diperoleh dari nilai kemungkinan radius dan lingkaran dipusatkan pada koordinat dari setiap titik tepi seperti diperlihatkan pada Gambar 4 berikut: Gambar 4 Lingkaran dan titik-titik tepi lingkaran.
6 8 Algoritma Titik Tengah Tahapan-tahapan pencarian titik tengah dalam pencarian lingkaran dengan CHT adalah sebagai berikut : 1. Pencarian lingkaran dimulai dengan suatu titik pada gambar yang bukan background. 2. Diasumsikan titik tersebut terdapat pada tepi dari suatu lingkaran 3. Kemudian dilakukan proses pencarian titik tengah dari lingkaran tersebut, yaitu dengan langkah-langkah (Gambar 5) sebagai berikut: Gambar 5 Pencarian titik tengah lingkaran. a. Telusuri gambar kebawah sampai menemukan tepi lingkaran sambil menghitung jarak ketepi lingkaran tersebut. Jika ada, maka diperoleh informasi mengenai titik tengah dari tinggi lingkaran, yaitu dari titik awal pergerakan ditambah dengan jarak/2. Jika tidak maka objek bukan lingkaran. b. Titik tengah yang diperoleh pada langkah sebelumnya belum tentu merupakan titik tengah dari lingkaran, tetapi hanya titik tengah dari tinggi lingkaran. Jadi selanjutnya akan dicari titik tengah dari lebar lingkaran. c. Dari titik tengah yang diperoleh pada (b), telusuri gambar ke kanan sampai menemukan tepi sambil menghitung jarak ke tepi lingkaran tersebut. Jika ada, maka diperoleh informasi mengenai titik tengah dari lebar lingkaran, yaitu dari titik awal pergerakan ditambah dengan jarak/2. Jika tidak, maka objek bukan lingkaran.
7 9 d. Diperoleh informasi titik tengah dan radius dari objek tersebut. 4. Jika radius lebih besar dari threshold, maka dilakukan identifikasi objek. 5. Identifikasi objek dilakukan sebagai berikut (Gambar 6) : Gambar 6 Identifikasi objek. a. Lakukan rotasi berlawanan arah jarum jam, yaitu dengan menggunakan loop. b. Untuk setiap iterasi, hitung titik,, yaitu titik yang berjarak radius r dari titik pusat dan memiliki sudut yang bersesuaian dengan ietarsi yang dilakukan. c. Pada titik tersebut dan pada n-tetangga disekitarnya (n adalah toleransi ketetanggaan), dilakukan pemeriksaan. Nilai n ini bergantung pada radius objek yaitu, semakin besar radius objek, maka semakin besar nilai n, dan sebaliknya. Jika salah satu dari titik tersebut merupakan titik tepi, maka iterasi dilanjutkan. Jika tidak satupun dari titik-titik tersebut yang merupakan titik tepi, maka objek bukan lingkaran, d. Jika iterasi berakhir dengan sukses, maka objek adalah lingkaran. Two Dimension Principal Component Analysis (2DPCA) Principal Component Analysis (PCA) merupakan salah satu metode analisis peubah ganda yang mereduksi dimensi data tanpa harus kehilangan informasi yang berarti (Buono & Irmansyah 2009). Peubah hasil transformasi merupakan kombinasi linear dari peubah asli dan tidak terkorelasi antar sesamanya, serta tersusun berdasar informasi yang dimilikinya. PCA merupakan
8 10 ekstrasi fitur yang digunakan secara luas dalam pengolahan sinyal dan pengenalan pola. Sirovich dan Kirby pertama kali menggunakan PCA dalam merepresentasikan citra wajah orang (Yang, et al 2004). Menurut Yang, et al teknik 2DPCA memiliki kelebihan dibandingkan dengan teknik PCA (eigenfaces), diantaranya yaitu 2DPCA didasarkan pada matriks citra sehingga lebih sederhana dan straighforward untuk digunakan pada ekstrasi fitur citra. Selain itu, 2DPCA lebih baik dari PCA dalam hal keakuratan pengenalan pada semua eksperimen dan secara komputasional lebih efisien daripada PCA dan dapat meningkatkan kecepatan ekstrasi fitur citra secara signifikan. Dalam teknik proyeksi citra dengan 2D-PCA, sebuah citra berdimensi akan dibaca sebagai matriks A berdimensi dan tidak diubah menjadi bentuk vektor. matriks A ini ditransformasi menggunakan matriks menjadi Y sebagai berikut, (Yang, et al 2004): dengan...(9) Permasalahannya adalah bagaimana menemukan matriks transformasi Q yang memaksimalkan persebaran Y. Persebaran Y dapat dikarakterisasi oleh teras matriks koragam, S yang dirumuskan sebagai:...(10) Dan teras matriks S adalah:...(11) Dicari nilai:...(12) G dihitung dari sampel citra pelatihan. Anggap terdapat M citra pelatihan,...(13) Oleh karena itu matrik Q yang dipilih adalah :,,,., dengan merupakan vektor ciri yang bersesuaian dengan akar ciri terbesar ke i dari matriks G.
9 11 Jaringan Syaraf Tiruan (JST) Menurut Alexander dan Morton dalam (Haykin S 1994), Jaringan Syaraf Tiruan (JST) adalah prosesor tersebar paralel (paralel distributed processor) yang sangat besar dan memiliki kecenderungan untuk menyimpan pengetahuan yang bersifat pengalaman dan membuatnya siap untuk digunakan. JST menyerupai otak manusia, khususnya dalam hal pengetahuan yang diperoleh serta kekuatan hubungan antar sel syaraf (neuron) yang disebut bobotbobot sinapsis. Sel neuron merupakan dasar dari JST. Model neuron terdiri atas 3 elemen penting seperti dalam Haykin 1994, sebagai berikut : 1. Sekumpulan sinapsis atau jalur hubungan antar sel. Setiap sinapsis memiliki bobot tertentu (w k1, w k2,..., w kp ). 2. Adder untuk menjumlahkan sinyal-sinyal input yang telah diberi bobot sinapsis. Operasi penjumlahan mengikuti aturan linier combiner. 3. Fungsi aktivasi untuk membatasi amplitudo keluaran dari setiap neuron. Gambar 7 Model matematis nonlinier dari neuron dengan bias. Gambar 7 memperlihatkan model dari suatu neuron (Haykin 1994). Sinyal masukan dinyatakan sebagai x 1, x 2,..., x 3; w k adalah bias untuk memperbesar nilai masukan; v k merupakan keluaran dari linier combiner. (v) merupakan fungsi aktivasi dan y k adalah keluaran dari neuron.
10 12 Jaringan Syaraf Tiruan Propagasi balik Salah satu arsitektur yang banyak digunakan adalah multilayer feedforward network. Secara umum terdiri dari beberapa unit neuron yaitu lapisan masukan, satu atau lebih lapisan tersembunyi (hidden layer) dan sebuah lapisan keluaran. Sinyal masukan dipropagasikan ke arah depan (ke lapisan keluaran). Jenis jaringan ini adalah hasil generalisasi dari arsitektur perceptron satu lapis, dikenal sebagai multilayer perceptrons (MLPs). Jaringan multilayer disebut sebagai jaringan propagasi balik (backpropagation), jika pada tahapan pelatihan menggunakan metode propagasi balik. Jaringan Propagasi Balik ditemukan pertama kali oleh Rumelhart, et al, pada Tahun 1988 melalui beberapa penelitian indenpenden (Fauset 1994). Propagasi balik merupakan algoritma pembelajaran yang terawasi (supervised learning). Algoritma ini menggunakan error output untuk mengubah nilai bobotbobotnya dalam arah mundur (backward). Propagasi balik (ke lapisan masukan) terjadi setelah jaringan menghasilkan keluaran yang mengandung error. Pada fase ini seluruh bobot sinapsis (yang tidak memiliki aktivasi nol) dalam jaringan akan disesuaikan untuk mengkoreksi error yang terjadi (error correction rule). Untuk pelatihan jaringan, pasangan fase propagasi ke depan dan balik dilakukan secara berulang untuk satu set data latihan, kemudian diulangi untuk sejumlah epoch sampai didapatkan error terkecil atau nol. X! X2 v11 v12 v13 v21 Z1 W13 W11 W12 Y v22 v23 Z3 W21 W23 Y2 v31 v32 W31 W32 X3 wn Input v33 Z5 Hidden Layer W33 Y3 Output Gambar 8 Arsitektur Jaringan Syaraf Tiruan Propagasi Balik.
11 13 Gambar 8 memperlihatkan arsitektur propagasi balik dengan sebuah lapisan tersembunyi (Fauset 1994). Bias pada lapisan keluaran dinyatakan sebagai w ok dan bias pada lapisan tersembunyi dinyatakan sebagai voj. Bias-bias ini berfungsi seperti bobot, yang selalu bernilai +1. Pada lapisan keluaran, nilai bobot dinyatakan sebagai w jk sedangkan nilai bobot lapisan masukan dinyatakan sebagai v ij. Fungsi Aktivasi Menurut Fauset, fungsi aktivasi yang digunakan sebaiknya memiliki nilai kontinu, differentiable, dan tidak turun secara monotik (monotically nondecreasing). Fungsi aktivasi yang digunakan dalam JST dan dilatih dengan propagasi balik berupa fungsi Sigmoid biner ataupun Sigmoid Bipolar. Pada fungsi sigmoid biner memiliki cakupan nilai 0 sampai dengan 1. Oleh karena itu, fungsi ini digunakan untuk jaringan syaraf yang membutuhkan nilai keluaran yang terletak pada interval 0 sampai dengan 1. Namun dapat juga digunakan untuk keluaran yang bernilai 0 atau 1. Persamaan 14 dan persamaan 15 merupakan persamaan untuk fungsi sigmoid biner, (Fauset 1994) : 1...(14) (15) Gambar 9 memperlihatkan fungsi aktivasi sigmoid biner dengan range [0,1] Gambar 9 Fungsi aktivasi sigmoid biner dengan range (0,1). Algoritma Pelatihan Dalam algoritma propagasi balik menggunakan dua tahapan yaitu: tahapan perhitungan maju (feedforward) untuk menghitung error antara keluaran aktual dengan keluaran yang menjadi target; dan tahapan perhitungan mundur
12 14 (backward) yang mempropagasikan balik error tersebut dan memperbaiki bobotbobot sinapsis pada semua neuron yang ada. Berikut adalah algoritma propagasi balik, (Fauset 1994): Langkah 0. Inisialisasi bobot (bangkitkan nilai random yang cukup kecil). Langkah 1. Kerjakan langkah 2 9, selama kondisi berhenti bernilai FALSE. Langkah 2. Kerjakan langkah 3 8, Untuk setiap pasangan elemen pelatihan. Perhitungan maju: Langkah 3. Setiap unit masukan (X i, i = 1,2,3,.., n) menerima sinyal masukan x i dan menyebarkan sinyal tersebut ke seluruh unit pada lapisan tersembunyi. Langkah 4. - Setiap unit tersembunyi (Zj, j = 1,2,..., p) menjumlahkan setiap sinyal yang memiliki bobot berikut: _... (16) - Gunakan fungsi aktivasi untuk menghitung sinyal keluaran:,...(17) dan mengirimkan sinyal ini ke seluruh unit pada lapisan keluaran. Langkah 5. - Setiap unit keluaran (Y k, k = 1,..., m) menjumlahkan sinyal-sinyal masukan terbobot, sebagai berikut:,...(18) dan fungsi aktivasi digunakan untuk menghitung sinyal keluaran: _...(19) Penghitungan error (propagasi balik) Langkah 6. - Setiap unit keluaran (Y k, k = 1,..., m) menerima pola target yang berhubungan dengan pola pelatihan pada masukan, hitung informasi error sebagai berikut:...(20)
13 15 Dengan δ k merupakan informasi error untuk bobot w jk pada unit keluaran Y k. Sementara t k adalah vektor target keluaran, - Kemudian hitung koreksi bobot (yang nantinya digunakan untuk memperbaiki w jk ):...(21) Dengan α merupakan laju pembelajaran, - Kemudian hitung koreksi bias (yang nantinya digunakan untuk memperbaiki w 0k ):...(22) dan mengirimkan δ k ke neuron dilapisan bawahnya (lapisan tersembunyi). Langkah 7. - Setiap neuron pada lapisan tersembunyi (Z j, j = 1,..., p) menjumlahkan masukan deltanya (dari neuron-neuron yang berada pada lapisan diatasnya, lapisan keluaran):...(23) Kalikan nilai ini dengan fungsi aktivasinya untuk menghitung informasi error: _...(24) δ j adalah koreksi error untuk v ij - Hitung koreksi bobot (digunakan untuk memperbaiki v ij )...(25) - Hitung koreksi bias (digunakan untuk memperbaiki v 0j )...(26) Perbaiki semua bobot dan bias: Langkah 8 - Setiap unit keluaran (Y k, k = 1,..., m) memperbaiki bias dan bobotnya (j = 0,1,2,3,..., p):...(27) - Setiap unit tersembunyi (Z j, j = 1,..., p) memperbaiki bias dan bobotnya (i = 0,1,..., n):...(38)
14 16 Langkah 9 Uji kondisi berhenti Satu epoch adalah satu putaran (cycle) untuk keseluruhan langkah pada tahapan pelatihan. Pada dasarnya dibutuhkan banyak epoch untuk pelatihan jaringan propagasi balik. Pelatihan dilakukan secara berulang-ulang hingga jumlah siklus tertentu atau telah mencapai MSE (Mean Square Error) yang diinginkan. Kejadian Biner (Binary Events) Pengukuran kinerja (performance measures) merupakan subset dari pengukuran verifikasi yang fokus pada hubungan antara prediksi dan pengamatan. Kejadian biner memiliki empat kemungkinan keluaran seperti diperlihatkan dalam Tabel 1 (Mason 2003). Tabel 1 Empat kemungkinan keluaran pada kejadian biner Prediksi Pengamatan Ya Tidak Ya Hit (a) False Alarm (b) Tidak Miss (c) Correct Rejection (d) Tabel 1 menyajikan hubungan pengamatan dan prediksi dengan empat kemungkinan keluaran. Hit merupakan nilai yang diperoleh dari hasil pengamatan terhadap suatu objek benar dan prediksi yang ditentukan bernilai benar. False Alarm diperoleh jika objek yang diamati bernilai salah namun prediksi bernilai benar. Miss berkebalikan dengan false alarm, yaitu pengamatan bernilai benar namun prediksi bernilai salah. Terakhir, correct rejection hasil pengamatan bernilai salah dan nilai prediksinya juga salah, artinya objek yang salah diprediksi salah (mengandung nilai kebenaran dan biasanya kebenaran ini tidak digunakan). Penghitungan kejadian biner yang mempengaruhi prediksi adalah sebagai (Mason 2003) : Hit rate (Nilai kebenaran prediksi) =...(39) Miss =...(40)
15 17 False Alarm Rate =...(41) Correct Rejection =...(42)
INTEGRASI 2DPCA SRI BOGOR 20122
INTEGRASI METODE CIRCLE HOUGH TRANSFORM, 2DPCA DAN JARINGANN SYARAF TIRUAN UNTUK MODEL PENGENALAN RODA KENDARAAN SRI DIANING ASRI SEKOLAH PASCARJANA INSTITUTT PERTANIAN BOGOR BOGOR 20122 PERNYATAAN MENGENAI
Lebih terperinciMETODOLOGI PENELITIAN
18 METODOLOGI PENELITIAN Kerangka Penelitian Sistem pengenalan roda kendaraan pada penelitian ini tampak pada Gambar 10, secara garis besar dapat dibagi menjadi dua tahapan utama yaitu, tahapan pelatihan
Lebih terperinciBAB 2 KONSEP DASAR PENGENAL OBJEK
BAB 2 KONSEP DASAR PENGENAL OBJEK 2.1 KONSEP DASAR Pada penelitian ini, penulis menggunakan beberapa teori yang dijadikan acuan untuk menyelesaikan penelitian. Berikut ini teori yang akan digunakan penulis
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini akan dielaskan mengenai teori-teori yang berhubungan dengan penelitian ini, sehingga dapat diadikan sebagai landasan berpikir dan akan mempermudah dalam hal pembahasan
Lebih terperinciBAB II DASAR TEORI. 2.1 Meter Air. Gambar 2.1 Meter Air. Meter air merupakan alat untuk mengukur banyaknya aliran air secara terus
BAB II DASAR TEORI 2.1 Meter Air Gambar 2.1 Meter Air Meter air merupakan alat untuk mengukur banyaknya aliran air secara terus menerus melalui sistem kerja peralatan yang dilengkapi dengan unit sensor,
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 terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.6. Jaringan Syaraf Tiruan Jaringan syaraf tiruan atau neural network merupakan suatu sistem informasi yang mempunyai cara kerja dan karakteristik menyerupai jaringan syaraf pada
Lebih 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 terperinciBAB 2 TINJAUAN PUSTAKA
7 BAB 2 TINJAUAN PUSTAKA 2.1 Jaringan Syaraf Biologi Otak manusia memiliki struktur yang sangat kompleks dan memiliki kemampuan yang luar biasa. Otak terdiri dari neuron-neuron dan penghubung yang disebut
Lebih terperincilalu menghitung sinyal keluarannya menggunakan fungsi aktivasi,
LAMPIRAN 15 Lampiran 1 Algoritme Jaringan Syaraf Tiruan Propagasi Balik Standar Langkah 0: Inisialisasi bobot (bobot awal dengan nilai random yang paling kecil). Langkah 1: Menentukan maksimum epoch, target
Lebih terperinciAlgoritma Kohonen dalam Mengubah Citra Graylevel Menjadi Citra Biner
Jurnal Ilmiah Teknologi dan Informasia ASIA (JITIKA) Vol.9, No.2, Agustus 2015 ISSN: 0852-730X Algoritma Kohonen dalam Mengubah Citra Graylevel Menjadi Citra Biner Nur Nafi'iyah Prodi Teknik Informatika
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 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA Pada bab ini akan membahas landasan teori-teori yang bersifat ilmiah untuk mendukung penulisan skripsi ini. Teknik-teknik yang dibahas mengenai pengenalan pola, prapengolahan citra,
Lebih terperinciPEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK
PEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK Program Studi Matematika FMIPA Universitas Negeri Semarang Abstrak. Saat ini, banyak sekali alternatif dalam
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Jaringan Saraf Tiruan (JST) Jaringan saraf tiruan pertama kali secara sederhana diperkenalkan oleh McCulloch dan Pitts pada tahun 1943. McCulloch dan Pitts menyimpulkan bahwa
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Forecasting Forecasting (peramalan) adalah seni dan ilmu untuk memperkirakan kejadian di masa yang akan datang. Hal ini dapat dilakukan dengan melibatkan data historis dan memproyeksikannya
Lebih terperinciBAB 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 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 terperinciBAB II DASAR TEORI. 2.1 Citra Digital
BAB II DASAR TEORI 2.1 Citra Digital Citra digital didefinisikan sebagai fungsi f (x,y) dua dimensi,dimana x dan y adalah koordinat spasial dan f(x,y) adalah disebut dengan intensitas atau tingkat keabuan
Lebih terperinciBAB 2 LANDASAN TEORI
6 BAB 2 LANDASAN TEORI 2.1. Sel Darah Merah Sel darah merah atau eritrositmemiliki fungsi yang sangat penting bagi kelangsungan hidup manusia. Sel darah merah mengandung hemoglobin yang berfungsi untuk
Lebih terperinciBAB III 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 VIII JARINGAN SYARAF TIRUAN
BAB VIII JARINGAN SYARAF TIRUAN A. OTAK MANUSIA Otak manusia berisi berjuta-juta sel syaraf yang bertugas untuk memproses informasi. Tiaptiap sel bekerja seperti suatu prosesor sederhana. Masing-masing
Lebih terperinciLANDASAN TEORI. 2.1 Citra Digital Pengertian Citra Digital
LANDASAN TEORI 2.1 Citra Digital 2.1.1 Pengertian Citra Digital Citra dapat didefinisikan sebagai sebuah fungsi dua dimensi, f(x,y) dimana x dan y merupakan koordinat bidang datar, dan harga fungsi f disetiap
Lebih terperinciANALISA JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MENGETAHUI LOYALITAS KARYAWAN
ANALISA JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MENGETAHUI LOYALITAS KARYAWAN Jasmir, S.Kom, M.Kom Dosen tetap STIKOM Dinamika Bangsa Jambi Abstrak Karyawan atau tenaga kerja adalah bagian
Lebih terperinciBAB II LANDASAN TEORI
5 BAB II LANDASAN TEORI 2.1. Citra Digital Citra digital dapat didefenisikan sebagai fungsi f(x,y) yaitu dua dimensi, dimana x dan y merupakan koordinat spasial dan f(x,y) disebut dengan intensitas atau
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 JARINGAN SARAF SECARA BIOLOGIS Jaringan saraf adalah salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak
Lebih 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 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 terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Citra Citra (image) atau yang secara umum disebut gambar merupakan representasi spasial dari suatu objek yang sebenarnya dalam bidang dua dimensi yang biasanya ditulis dalam
Lebih terperinciJaringan syaraf dengan lapisan tunggal
Jaringan syaraf adalah merupakan salah satu representasi buatan dari otak manusia yang mencoba untuk mensimulasikan proses pembelajaran pada otak manusia. Syaraf manusia Jaringan syaraf dengan lapisan
Lebih terperinciArchitecture Net, Simple Neural Net
Architecture Net, Simple Neural Net 1 Materi 1. Model Neuron JST 2. Arsitektur JST 3. Jenis Arsitektur JST 4. MsCulloh Pitts 5. Jaringan Hebb 2 Model Neuron JST X1 W1 z n wi xi; i1 y H ( z) Y1 X2 Y2 W2
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Barcode Salah satu obyek pengenalan pola yang bisa dipelajari dan akhirnya dapat dikenali yaitu PIN barcode. PIN barcode yang merupakan kode batang yang berfungsi sebagai personal
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 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 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 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 terperinciHASIL DAN PEMBAHASAN
24 HASIL DAN PEMBAHASAN Sistem pengenalan roda kendaraan mengunakan citra kendaraan yang diambil dari samping (side view) sehingga roda akan terlihat berbentuk lingkaran. Citra kendaraan yang dikumpulkan
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 terperinciPENGENALAN POLA HURUF ROMAWI DENGAN JARINGAN SARAF TIRUAN PERSEPTRON LAPIS JAMAK
PENGENALAN POLA HURUF ROMAWI DENGAN JARINGAN SARAF TIRUAN PERSEPTRON LAPIS JAMAK Eko Budi Wahyono*), Suzuki Syofian**) *) Teknik Elektro, **) Teknik Informatika - Fakultas Teknik Abstrak Pada era modern
Lebih terperinciBAB 2 LANDASAN TEORI. fuzzy logic dengan aplikasi neuro computing. Masing-masing memiliki cara dan proses
8 BAB 2 LANDASAN TEORI 2.1 Teori Neuro Fuzzy Neuro-fuzzy sebenarnya merupakan penggabungan dari dua studi utama yaitu fuzzy logic dengan aplikasi neuro computing. Masing-masing memiliki cara dan proses
Lebih terperinciBab 5 Penerapan Neural Network Dalam Klasifikasi Citra Penginderaan Jauh
Penerapan Neural Dalam Klasifikasi Citra Penginderaan Jauh Klasifikasi citra penginderaan jarak jauh (inderaja) merupakan proses penentuan piksel-piksel masuk ke dalam suatu kelas obyek tertentu. Pendekatan
Lebih terperinciBAB 2 LANDASAN TEORI. Pengenalan suara (voice recognition) dibagi menjadi dua jenis, yaitu
BAB 2 LANDASAN TEORI 2.1 Pengenalan Suara. Pengenalan suara (voice recognition) dibagi menjadi dua jenis, yaitu speech recognition dan speaker recognition. Speech recognition adalah proses yang dilakukan
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 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 terperinciBAB 2 HEMISPHERIC STRUCTURE OF HIDDEN LAYER NEURAL NETWORK, PCA, DAN JENIS NOISE Hemispheric structure of hidden layer neural network
BAB 2 HEMISPHERIC STRUCTURE OF HIDDEN LAYER NEURAL NETWORK, PCA, DAN JENIS NOISE Bab ini akan menjelaskan tentang Hemispheric Structure Of Hidden Layer Neural Network (HSHL-NN), Principal Component Analysis
Lebih terperinciBAB II TI JAUA PUSTAKA
BAB II TI JAUA PUSTAKA Pada bab ini akan dibahas mengenai teori-teori yang menunjang tugas akhir ini. Antara lain yaitu pengertian citra, pengertian dari impulse noise, dan pengertian dari reduksi noise.
Lebih terperinciBAB II. Penelitian dengan jaringan syaraf tiruan propagasi balik. dalam bidang kesehatan sebelumnya pernah dilakukan oleh
BAB II TINJAUAN PUSTAKA DAN DASAR TEORI 2.1. Tinjauan Pustaka Penelitian dengan jaringan syaraf tiruan propagasi balik dalam bidang kesehatan sebelumnya pernah dilakukan oleh Sudharmadi Bayu Jati Wibowo
Lebih terperinciAPLIKASI JARINGAN SARAF TIRUAN UNTUK INVENTARISASI LUAS SUMBER DAYA ALAM STUDI KASUS PULAU PARI
APLIKASI JARINGAN SARAF TIRUAN UNTUK INVENTARISASI LUAS SUMBER DAYA ALAM STUDI KASUS PULAU PARI Putri Khatami Rizki 1), Muchlisin Arief 2), Priadhana Edi Kresnha 3) 1), 2), 3) Teknik Informatika Fakultas
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 terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Suara Manusia Menurut Inung Wijayanto (2013), produksi suara manusia memerlukan tiga elemen, yaitu sumber daya, sumber suara dan pemodifikasi suara. Ini adalah dasar dari teori
Lebih terperinciTeam project 2017 Dony Pratidana S. Hum Bima Agus Setyawan S. IIP
Hak cipta dan penggunaan kembali: Lisensi ini mengizinkan setiap orang untuk menggubah, memperbaiki, dan membuat ciptaan turunan bukan untuk kepentingan komersial, selama anda mencantumkan nama penulis
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 terperinciKOMPRESI CITRA DIGITAL DENGAN MENGGUNAKAN HEBBIAN BASED PRINCIPAL COMPONENT ANALYSIS
KOMPRESI CITRA DIGITAL DENGAN MENGGUNAKAN HEBBIAN BASED PRINCIPAL COMPONENT ANALYSIS 1 Sofyan Azhar Ramba 2 Adiwijaya 3 Andrian Rahmatsyah 12 Departemen Teknik Informatika Sekolah Tinggi Teknologi Telkom
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Waktu dan Tempat Penelitian Waktu yang digunakan dalam penelitian ini yaitu dalam kurun waktu enam bulan terhitung mulai februari 2012 sampai juli 2012. Tempat yang digunakan
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Variabel Penelitian Penelitian ini menggunakan satu definisi variabel operasional yaitu ratarata temperatur bumi periode tahun 1880 sampai dengan tahun 2012. 3.2 Jenis dan
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 terperinciBAB II DASAR TEORI Jaringan Syaraf Tiruan. Universitas Sumatera Utara
BAB II DASAR TEORI Landasan teori adalah teori-teori yang relevan dan dapat digunakan untuk menjelaskan variabel-variabel penelitian. Landasan teori ini juga berfungsi sebagai dasar untuk memberi jawaban
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Citra Citra merupakan salah satu komponen multimedia yang memegang peranan sangat penting sebagai bentuk informasi visual. Meskipun sebuah citra kaya akan informasi, namun sering
Lebih terperinciBAB IV JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK)
BAB IV JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) Kompetensi : 1. Mahasiswa memahami konsep Jaringan Syaraf Tiruan Sub Kompetensi : 1. Dapat mengetahui sejarah JST 2. Dapat mengetahui macam-macam
Lebih terperinciAnalisa Hasil Perbandingan Metode Low-Pass Filter Dengan Median Filter Untuk Optimalisasi Kualitas Citra Digital
Analisa Hasil Perbandingan Metode Low-Pass Filter Dengan Median Filter Untuk Optimalisasi Kualitas Citra Digital Nurul Fuad 1, Yuliana Melita 2 Magister Teknologi Informasi Institut Saint Terapan & Teknologi
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengenalan Citra Citra adalah suatu representasi (gambaran), kemiripan atau imitasi dari suatu objek. Citra sebagai keluaran suatu sistem perekaman data dapat bersifat optik berupa
Lebih terperinciPerbaikan Metode Prakiraan Cuaca Bandara Abdulrahman Saleh dengan Algoritma Neural Network Backpropagation
65 Perbaikan Metode Prakiraan Cuaca Bandara Abdulrahman Saleh dengan Algoritma Neural Network Backpropagation Risty Jayanti Yuniar, Didik Rahadi S. dan Onny Setyawati Abstrak - Kecepatan angin dan curah
Lebih terperinciBAB 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 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 terperinciSATIN Sains dan Teknologi Informasi
SATIN - Sains dan Teknologi Informasi, Vol. 2, No., Juni 206 SATIN Sains dan Teknologi Informasi journal homepage : http://jurnal.stmik-amik-riau.ac.id Penerapan Jaringan Syaraf Tiruan Untuk Estimasi Needs
Lebih terperinciARTIFICIAL NEURAL NETWORK TEKNIK PERAMALAN - A
ARTIFICIAL NEURAL NETWORK CAHYA YUNITA 5213100001 ALVISHA FARRASITA 5213100057 NOVIANTIANDINI 5213100075 TEKNIK PERAMALAN - A MATERI Neural Network Neural Network atau dalam bahasa Indonesia disebut Jaringan
Lebih terperinciBAB III METODE PENELITIAN. Penelitian ini dilaksanakan Februari 2014 sampai dengan Juli 2014 di
BAB III METODE PENELITIAN A. Waktu dan Tempat Penelitian Penelitian ini dilaksanakan Februari 2014 sampai dengan Juli 2014 di Laboratorium Pemodelan Fisika, Jurusan Fisika, Fakultas Matematika dan Ilmu
Lebih terperinciBAB VIIB BACKPROPAGATION dan CONTOH
BAB VIIB BACKPROPAGATION dan CONTOH 7B. Standar Backpropagation (BP) Backpropagation (BP) merupakan JST multi-layer. Penemuannya mengatasi kelemahan JST dengan layer tunggal yang mengakibatkan perkembangan
Lebih terperinciPertemuan 2 Representasi Citra
/29/23 FAKULTAS TEKNIK INFORMATIKA PENGOLAHAN CITRA DIGITAL ( DIGITAL IMAGE PROCESSING ) Pertemuan 2 Representasi Citra Representasi Citra citra Citra analog Citra digital Matrik dua dimensi yang terdiri
Lebih terperinciNeural Network (NN) Keuntungan penggunaan Neural Network : , terdapat tiga jenis neural network Proses Pembelajaran pada Neural Network
Neural Network (NN) adalah suatu prosesor yang melakukan pendistribusian secara besar-besaran, yang memiliki kecenderungan alami untuk menyimpan suatu pengenalan yang pernah dialaminya, dengan kata lain
Lebih terperinciANALISA JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI PRODUKTIVITAS PEGAWAI. Jasmir, S.Kom, M.Kom
ANALISA JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI PRODUKTIVITAS PEGAWAI Jasmir, S.Kom, M.Kom Dosen tetap STIKOM Dinamika Bangsa Jambi Abstrak Pegawai atau karyawan merupakan
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Jaringan Syaraf Biologi Jaringan Syaraf Tiruan merupakan suatu representasi buatan dari otak manusia yang dibuat agar dapat mensimulasikan apa yang dipejalari melalui proses pembelajaran
Lebih terperinciJARINGAN SARAF TIRUAN DENGAN BACKPROPAGATION UNTUK MENDETEKSI PENYALAHGUNAAN NARKOTIKA
JARINGAN SARAF TIRUAN DENGAN BACKPROPAGATION UNTUK MENDETEKSI PENYALAHGUNAAN NARKOTIKA Dahriani Hakim Tanjung STMIK POTENSI UTAMA Jl.K.L.Yos Sudarso Km 6.5 Tanjung Mulia Medan notashapire@gmail.com Abstrak
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Citra Digital Istilah citra biasanya digunakan dalam bidang pengolahan citra yang berarti gambar. Suatu citra dapat didefinisikan sebagai fungsi dua dimensi, di mana dan adalah
Lebih terperinciBAB 4 DISAIN MODEL. Pengguna. Citra. Ekstraksi Ciri x. Antar muka (Interface) Data Hasil Ekstraksi Ciri. Testing dan Identifikasi.
33 BAB 4 DISAIN MODEL Disain model sistem identifikasi citra karang dirancang sedemikian rupa dengan tuuan untuk memudahkan dalam pengolahan data dan pembuatan aplikasi serta memudahkan pengguna dalam
Lebih terperinciJaringan Syaraf Tiruan. Disusun oleh: Liana Kusuma Ningrum
Jaringan Syaraf Tiruan Disusun oleh: Liana Kusuma Ningrum Susilo Nugroho Drajad Maknawi M0105047 M0105068 M01040 Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sebelas Maret
Lebih terperinciJurnal Ilmiah Komputer dan Informatika (KOMPUTA) 1 Edisi.,Volume,. Bulan.. ISSN :
Jurnal Ilmiah Komputer dan Informatika (KOMPUTA) Edisi.,Volume,. Bulan.. ISSN : 289-933 ANALISIS METODE JARINGAN SYARAF TIRUAN BACKPROPAGATION UNTUK PENGENALAN SEL KANKER OTAK Novita Handayani Teknik Informatika
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 terperinciJARINGAN SARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) ERWIEN TJIPTA WIJAYA, ST, M.KOM
JARINGAN SARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) ERWIEN TJIPTA WIJAYA, ST, M.KOM INTRODUCTION Jaringan Saraf Tiruan atau JST adalah merupakan salah satu representasi tiruan dari otak manusia yang selalu
Lebih terperinciBACK PROPAGATION NETWORK (BPN)
BACK PROPAGATION NETWORK (BPN) Arsitektur Jaringan Digunakan untuk meminimalkan error pada output yang dihasilkan oleh jaringan. Menggunakan jaringan multilayer. Arsitektur Jaringan Proses belajar & Pengujian
Lebih terperinciJaringan Syaraf Tiruan
Jaringan Syaraf Tiruan (Artificial Neural Network) Intelligent Systems Pembahasan Jaringan McCulloch-Pitts Jaringan Hebb Perceptron Jaringan McCulloch-Pitts Model JST Pertama Diperkenalkan oleh McCulloch
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Citra Digital Citra digital adalah citra yang bersifat diskrit yang dapat diolah oleh computer. Citra ini dapat dihasilkan melalui kamera digital dan scanner ataupun citra yang
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 terperinciI PENDAHULUAN II LANDASAN TEORI
I PENDAHULUAN 1.1 Latar belakang Hujan merupakan salah satu unsur iklim yang berpengaruh pada suatu daerah aliran sungai (DAS). Pengaruh langsung yang dapat diketahui yaitu potensi sumber daya air. Besar
Lebih terperinciIMPLEMENTASI ALGORITMA PERCEPTRON UNTUK PENGENALAN POLA MASUKAN BINER MAUPUN BIPOLAR MENGGUNAKAN BORLAND DELPHI
IMPLEMENTASI ALGORITMA PERCEPTRON UNTUK PENGENALAN POLA MASUKAN BINER MAUPUN BIPOLAR MENGGUNAKAN BORLAND DELPHI Andi Harmin Program Studi : Teknik Komputer STMIK Profesional Makassar andiharmin1976@gmail.com
Lebih terperinciPENGENALAN SPESIES NEMATODA PURU AKAR (Meloidogyne spp.) MELALUI KARAKTER MORFOLOGI EKOR MENGGUNAKAN JARINGAN SYARAF TIRUAN RONI BUDIMAN
PENGENALAN SPESIES NEMATODA PURU AKAR (Meloidogyne spp.) MELALUI KARAKTER MORFOLOGI EKOR MENGGUNAKAN JARINGAN SYARAF TIRUAN RONI BUDIMAN DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI. dilakukan oleh para peneliti, berbagai metode baik ekstraksi fitur maupun metode
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2. Penelitian Terdahulu Beberapa penelitian mengenai pengenalan tulisan tangan telah banyak dilakukan oleh para peneliti, berbagai metode baik ekstraksi fitur
Lebih terperinciPERANGKAT LUNAK PENGKONVERSI TEKS TULISAN TANGAN MENJADI TEKS DIGITAL
PERANGKAT LUNAK PENGKONVERSI TEKS TULISAN TANGAN MENJADI TEKS DIGITAL Nama Mahasiswa : Achmad Fauzi Arief NRP : 03 09 007 Jurusan : Matematika FMIPA-ITS Dosen Pembimbing : Drs. Nurul Hidayat, M.Kom Abstrak
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Citra Citra adalah suatu representasi (gambaran), kemiripan, atau imitasi dari suatu objek. Citra sebagai keluaran suatu system perekaman data dapat bersifat optik berupa foto,
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengenalan Pola Pengenalan pola (pattern recognition) adalah suatu ilmu untuk mengklasifikasikan atau menggambarkan sesuatu berdasarkan pengukuran kuantitatif fitur atau sifat
Lebih terperinciCitra. Prapengolahan. Ekstraksi Ciri BAB 2 LANDASAN TEORI
7 BAB 2 LANDASAN TEORI Pada bab ini akan membahas landasan atas teori-teori yang bersifat ilmiah untuk mendukung penulisan skripsi ini. Teori-teori yang dibahas mengenai pengenalan pola, pengolahan citra,
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 terperinciJARINGAN SYARAF TIRUAN
JARINGAN SYARAF TIRUAN 8 Jaringan syaraf adalah merupakan salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak manusia tersebut. Istilah
Lebih terperinciBAB II TEORI DASAR. Gambar 2.1 Anatomi Jantung
4 BAB II TEORI DASAR 2.1. Jantung Jantung merupakan otot tubuh yang bersifat unik karena mempunyai sifat membentuk impuls secara automatis dan berkontraksi ritmis [4], yang berupa dua pompa yang dihubungkan
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 terperinciAplikasi yang dibuat adalah aplikasi untuk menghitung. prediksi jumlah dalam hal ini diambil studi kasus data balita
BAB III ANALISA DAN PERANCANGAN SISTEM 3.1. Analisa dan Kebutuhan Sistem Analisa sistem merupakan penjabaran deskripsi dari sistem yang akan dibangun kali ini. Sistem berfungsi untuk membantu menganalisis
Lebih terperinciPERANGKAT LUNAK PENGKONVERSI TEKS TULISAN TANGAN MENJADI TEKS DIGITAL
PERANGKAT LUNAK PENGKONVERSI TEKS TULISAN TANGAN MENJADI TEKS DIGITAL Oleh : ACHMAD FAUZI ARIEF 1203 109 007 Dosen Pembimbing : Drs. Nurul Hidayat, M.Kom JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU
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 terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2. Jaringan Saraf Tiruan Jaringan saraf tiruan (JST) pertama kali diperkenankan oleh McCulloch dan Walter Pitts pada tahun 943. Jaringan saraf tiruan merupakan suatu sistem pemrosesan
Lebih terperinciJARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI CURAH HUJAN SUMATERA UTARA DENGAN METODE BACK PROPAGATION (STUDI KASUS : BMKG MEDAN)
JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI CURAH HUJAN SUMATERA UTARA DENGAN METODE BACK PROPAGATION (STUDI KASUS : BMKG MEDAN) Marihot TP. Manalu Mahasiswa Program Studi Teknik Informatika, STMIK Budidarma
Lebih terperinci