Generalisasi rata-rata (%)
|
|
- Budi Sudirman
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Lingkungan Pengembangan Sistem Sistem dikembangkan menggunakan kompiler Matlab R2008b dan sistem operasi Windows 7. Spesifikasi hardware komputer yang digunakan adalah Processor Intel (R) Atom (TM) CPU Ghz, Memory 1 GB, dan Harddisk GB. HASIL DAN PEMBAHASAN Percobaan pertama yang dilakukan pada penelitian ini adalah mencari parameter JST propagasi balik yang optimal untuk digunakan pada proses pengenalan karakter berdasarkan huruf a dan t kecil. Menentukan Parameter JST yang Optimal Pada penelitian ini dilakukan percobaan untuk mengetahui dampak pengubahan parameter-parameter JST terhadap generalisasi atau tingkat akurasi. Percobaan ini bertujuan untuk menemukan kombinasi yang optimal antara hidden neuron, epoch, toleransi galat, dan learning rate. Pengaruh Jumlah Hidden Neuron terhadap Pada percobaan ini jumlah hidden neuron diubah-ubah untuk mendapatkan jumlah hidden neuron yang optimal sehingga menghasilkan generalisasi yang baik. Grafik hubungan antara jumlah hidden neuron dengan generalisasi rata-rata dapat dilihat pada Gambar 4. rata-rata Hidden Neuron Gambar 4 Pengaruh hidden neuron terhadap generalisasi Jumlah hidden neuron yang digunakan pada percobaan ini, sebesar 10, 20, 30, 40, 50, 60, 70,, 90, dan 100 neuron. Pada percobaan pengaruh hidden neuron digunakan galat sebesar 10-4, epoch 1000, learning rate 0.01 dan masing-masing diulang sebanyak tiga kali. percobaan pengaruh hidden neuron adalah 81.48%. tersebut dicapai pada saat jumlah hidden neuron sebanyak 20. rata-rata untuk setiap jumlah hidden neuron dapat dilihat pada Tabel 6. Data selengkapnya pada percobaan ini dapat dilihat pada Lampiran 4. Tabel 6 Jumlah hidden neuron dengan generalisasi rata-ratanya Hidden neuron rata-rata (%) Pada Tabel 6, generalisasi rata-rata semakin meningkat mulai dari jumlah hidden neuron 10 sampai 20 hidden neuron. Pada saat hidden neuron berjumlah 30, generalisasi mulai menurun dan tidak stabil. Jumlah hidden neuron yang besar membuat jaringan lebih fleksibel dan dapat menghasilkan generalisasi yang lebih baik tetapi jika jumlah hidden neuron terlalu besar generalisasi cenderung akan menurun dan tidak stabil, selain itu waktu yang dibutuhkan untuk pelatihan jaringan lebih lama. Oleh karena itu, untuk percobaan pengaruh epoch terhadap generalisasi digunakan jumlah hidden neuron sebesar 10 dan 20, karena pada saat hidden neuron 10 dan 20 generalisasi mengalami peningkatan dan waktu yang dibutuhkan untuk pelatihan jaringan lebih cepat. Pengaruh Jumlah Epoch Terhadap Pada percobaan ini jumlah epoch diubah untuk mendapatkan besarnya epoch yang optimal sehingga menghasilkan generalisasi yang baik. Jumlah epoch yang digunakan pada percobaan ini sebesar 1000, 1500, 2000, 2500, 7
2 dan 3000, 3500, dan 4000 epoch. Pada percobaan ini digunakan jumlah hidden neuron sebanyak 10 dan 20 neuron. Jumlah hidden neuron ini dipakai karena pada percobaan sebelumnya memberikan hasil generalisasi yang cukup baik. Selain itu, pada percobaan ini digunakan galat sebesar 10-4, learning rate sebesar 0.01 dan masing-masing percobaan diulang sebanyak tiga kali. Grafik hubungan antara jumlah epoch dengan generalisasi rata-rata menggunakan 10 dan 20 hidden neuron dapat dilihat pada Gambar 5. rata-rata Epoch 10 neuron 20 neuron Gambar 5 rata-rata terhadap jumlah epoch menggunakan 10 dan 20 hidden neuron percobaan pengaruh epoch dengan 10 hidden neuron adalah 87.04% dicapai pada saat jumlah epoch sebesar 3000, sedangkan generalisasi rata-rata maksimum dengan 20 hidden neuron dicapai pada epoch 3500 yaitu sebesar 87.65%. rata-rata menggunakan 10 dan 20 hidden neuron dapat dilihat pada Tabel 7. Data selengkapnya pada percobaan ini dapat dilihat pada Lampiran 5 dan Lampiran 6. Tabel 7 rata-rata menggunakan 10 dan 20 hidden neuron Epoch Rata-rata (%) 10 hidden 20 hidden neuron neuron Pada percobaan dengan 20 hidden neuron, walaupun generalisasi lebih besar dibandingkan generalisasi pada 10 hidden neuron, tetapi epoch yang diperlukan untuk mencapai generalisasi maksimum tersebut lebih besar dibandingkan dengan 10 hidden neuron. Epoch yang lebih besar akan mengakibatkan waktu pelatihan menjadi lebih lama. Oleh karena itu, karena selisih generalisasi maksimum antara 10 dan 20 hidden neuron tidak berbeda jauh yaitu 0.61 % maka untuk percobaan pengaruh galat akan digunakan 10 hidden neuron dengan epoch maksimum 3000 epoch. Pengaruh Galat Terhadap Percobaan ini bertujuan untuk menentukan toleransi galat yang optimal sehingga menghasilkan generalisasi yang baik. Besarnya toleransi galat yang digunakan pada percobaan ini sebesar 10-1, 10-2, 10-3, 10-4, dan Pada percobaan ini digunakan jumlah hidden neuron sebanyak 10, epoch maksimum sebesar 3000 epoch, learning rate sebesar 0.01 dan masing-masing percobaan diulang sebanyak tiga kali. Grafik hubungan antara pengaruh galat terhadap generalisasi rata-rata dilihat pada Gambar 6. rata-rata Galat Gambar 6 Pengaruh galat terhadap generalisasi rata-rata percobaan pengaruh galat adalah 90.74% dicapai pada saat galat sebesar rata-rata untuk setiap besarnya galat dapat dilihat pada Tabel 8. Data selengkapnya pada percobaan ini dapat dilihat pada Lampiran 7. 8
3 Tabel 8 Pengaruh galat terhadap generalisasi rata-rata Galat Rata-rata (%) 0, , , , , Percobaan ini menunjukkan bahwa jika toleransi galat diturunkan maka tingkat akurasi jaringan semakin tinggi tetapi jika toleransi galat terlalu kecil dapat mengakibatkan gejala overfitting. Hal ini terlihat pada toleransi galat sebesar 10-4 dan 10-5 tidak terjadi peningkatan akurasi bahkan akurasi mulai turun. Gejala sistem yang overfit timbul disebabkan sistem mulai terlalu spesifik mempelajari pola pada data pelatihan, sehingga sulit untuk mempelajari pola-pola baru pada data pengujian. Hasil percobaan ini menunjukkan bahwa pada toleransi galat 10-3 dihasilkan generalisasi yang cukup baik. Oleh karena itu, untuk percobaan selanjutnya digunakan toleransi galat sebesar Pengaruh Learning Rate Terhadap Percobaan pengaruh learning rate bertujuan untuk menentukan nilai learning rate yang optimal sehingga menghasilkan generalisasi yang baik. Grafik hubungan antara pengaruh learning rate terhadap generalisasi rata-rata dengan toleransi galat sebesar 10-3 dapat dilihat pada Gambar 7. ratarata Learning rate Gambar 7 Grafik pengaruh learning rate dengan galat 10-3 terhadap generalisasi Besarnya learning rate yang digunakan pada percobaan ini sebesar 0.1, 0.05, dan Pada percobaan ini digunakan toleransi galat sebesar Toleransi galat ini digunakan karena pada percobaan sebelumnya memberikan hasil generalisasi yang cukup baik. Selain itu, pada percobaan ini digunakan 3000 epoch, 10 hidden neuron, dan masingmasing percobaan diulang sebanyak tiga kali. percobaan pengaruh learning rate dengan toleransi galat 10-3 adalah 90.74% dicapai pada saat learning rate sebesar Data selengkapnya pada percobaan ini dapat dilihat pada Lampiran 8. Pada toleransi galat sebesar 10-3, terlihat bahwa nilai learning rate yang semakin besar dapat menurunkan generalisasi. Perbandingan pengaruh learning rate terhadap generalisasi rata-rata dengan toleransi galat sebesar 10-3 dapat dilihat pada Tabel 9. Tabel 9 Pengaruh learning rate terhadap generalisasi Learning Rate Rata-rata (%) Pada Tabel 9 generalisasi maksimum sebesar 90.74% dicapai pada saat learning rate 0,01. Oleh karena itu, nilai learning rate yang akan digunakan pada penelitian ini sebesar 0,01. Jika learning rate nilainya terlalu besar maka jaringan tidak stabil tetapi jika learning rate nilainya terlalu kecil maka jaringan akan membutuhkan waktu yang lama untuk konvergen. Berdasarkan hasil percobaan sebelumnya, diperoleh parameterparameter JST propagasi balik yang optimal yang dapat menghasilkan generalisasi yang cukup baik. Parameter-parameter tersebut dapat dilihat pada Tabel 10. Tabel 10 Parameter optimal JST propagasi balik Parameter Jumlah Hidden Neuron 10 neuron Toleransi Galat 0,001 Epoch maksimum 3000 Learning Rate 0,01 Pengenalan Karakter Berdasarkan Huruf a Pengenalan karakter berdasarkan huruf a terdiri atas tiga percobaan. Pada pengenalan karakter ini digunakan parameter-parameter JST propagasi balik optimal yang didapat dari percobaan sebelumnya untuk menguji sistem. huruf a yang digunakan dalam penelitian ini sebanyak tiga kelas yaitu a balok (desire of culture), a terbuka diatas (talkative), dan a tertutup (frankness), bentuk- 9
4 bentuk huruf a yang dianalisis dapat dilihat pada Tabel 11. Pengujian dilakukan dengan 54 data uji, hasil pengujian dapat dilihat pada Tabel 12. Tabel 11 Bentuk huruf a yang dianalisis Bentuk huruf a 1 2 Nama a balok (desire of culture) a terbuka di atas (talkative) 3 a tertutup (frankness) Tabel 12 Hasil pengujian huruf a percobaan pertama Desire of Culture Talkative Frankness Berdasarkan hasil pengujian terhadap 54 data uji, diperoleh tingkat akurasi sebesar 98.15%. Kesalahan klasifikasi pada data uji sebanyak 1 data dari total data uji sebanyak 54. Data uji yang salah diklasifikasikan beserta hasil klasifikasinya dapat dilihat pada Tabel 13. Tabel 13 Kesalahan klasifikasi data uji huruf a percobaan pertama Hasil Klasifikasi 2 3 data uji Contoh hasil prediksi Salah satu data uji pada kelas 2 diklasifikasikan ke dalam kelas 3. Hal ini disebabkan oleh bentuk citra uji tersebut mirip dengan citra uji kelas 3 dan pada bagian atas citra uji huruf a tersebut terlihat sedikit tertutup seperti citra pada kelas 3. Pada percobaan kedua huruf a, data latih dan uji yang digunakan sama dengan percobaan pertama tetapi data uji pada percobaan pertama dijadikan sebagai data latih dan sebaliknya. Data latih percobaan pertama untuk kelas 1 berjumlah 21, data latih kelas 2 dan 3 berjumlah 30. Setiap data latih diambil secara acak dari tiap-tiap kelas sebesar 7 data dari kelas 1, dari kelas 2 dan 3. Kemudian, data latih yang diambil secara acak digabungkan dengan data uji percobaan pertama pada masing-masing kelas dan data ini akan menjadi data latih yang baru, sedangkan data latih percobaan pertama akan menjadi data uji. Ilustrasi pengambilan data ini dapat dilihat pada Gambar 8. Data latih lama Data uji lama 7 data 1 : 21 data 1 :14 data 2: 30 data 3: 30 data Data uji baru 1 :14 data 2 : 20 data 3: 20 data 2 : 20 data 3: 20 data Data latih baru 1 : 21 data 2: 30 data 3: 30 data Gambar 8 Ilustrasi pengambilan data latih dan data uji baru huruf a Setelah mendapatkan data latih dan data uji yang baru, dilakukan pengenalan karakter berdasarkan huruf a menggunakan parameterparameter JST propagasi balik yang optimal dari percobaan sebelumnya. Pengujian dilakukan terhadap 54 data uji dan hasil pengujian dapat dilihat pada Tabel 14. Tabel 14 Hasil pengujian huruf a percobaan kedua Desire of Culture Talkative Frankness Berdasarkan hasil pada Tabel 14 dapat dilihat bahwa generalisasi yang diperoleh sebesar 83,33%. ini lebih kecil dibandingkan dengan percobaan pertama. Hal ini menunjukkan bahwa pemilihan data latih dan data uji yang baru kurang baik dibandingkan percobaan pertama. Data uji yang salah terklasifikasi dapat dilihat pada Lampiran 9. 10
5 Pada percobaan ketiga huruf a, jumlah data kelas 2 dan 3 dikurangi masing-masing sebanyak 9 citra sehingga total data latih kelas 2 dan 3 masing-masing menjadi 21 citra sama seperti jumlah data pada kelas 1. Begitu juga dengan data uji kelas 2 dan 3 dikurangi masing-masing sebanyak 6 citra sehingga total data uji kelas 2 dan 3 masing-masing menjadi 14 citra. Jadi, pada percobaan ketiga ini jumlah seluruh data latih sebesar 63 citra dan jumlah data uji sebanyak 42 citra. Hal ini bertujuan untuk melihat hasil generalisasi yang diperoleh jika jumlah data masingmasing kelas sama. Pengujian dilakukan terhadap 42 data uji dan hasil pengujian dapat dilihat pada Tabel 15. Tabel 15 Hasil Pengujian huruf a percobaan ketiga Desire of Culture Talkative Frankness Hasil klasifikasi data uji pada percobaan ketiga huruf a diperoleh generalisasi sebesar 88,09 %. Data uji yang salah terklasifikasi dapat dilihat pada Lampiran 10. Hasil ini lebih besar dibandingkan pada percobaan kedua karena data latih dan data uji yang digunakan adalah data latih dan data uji pada percobaan pertama hanya jumlah data kelas 2 dan 3 dikurangi. Pemilihan data percobaan pertama lebih baik dibandingkan data pada percobaan kedua sehingga generalisasi pada percobaan ketiga masih lebih besar dibandingkan percobaan kedua. Jika percobaan ketiga dibandingkan dengan percobaan pertama, maka generalisasi dari percobaan ketiga lebih kecil karena jumlah data yang digunakan lebih sedikit sehingga pola yang dikenali jaringan kurang bervariatif. Oleh karena itu, penambahan data pada pelatihan dapat membuat jaringan lebih bervariatif dalam mengenali pola, sehingga generalisasi yang diperoleh pun lebih besar. Data citra sebaiknya ditambah untuk melihat kinerja sistem. Berdasarkan percobaan pertama, kedua, dan ketiga huruf a, hasil klasifikasi untuk kelas 1 (a balok) selalu dikenali dengan benar seluruhnya karena bentuk dari huruf a kelas 1 (a balok) ini memang sangat berbeda dengan bentuk huruf a kelas 2 (a terbuka di atas) dan kelas 3 (a tertutup). Kesalahan dalam klasifikasi umumnya terjadi pada kelas 2 yang diklasifikasikan ke dalam kelas 3 dan sebaliknya, hal ini disebabkan oleh bentuk huruf a kelas 2 dan 3 mirip dan perbedaanya pun hanya ditentukan pada bagian atas huruf a yaitu terbuka atau tertutup sehingga kemungkinan salah klasifikasi cukup besar. yang paling besar diperoleh pada percobaan pertama yaitu sebesar 98,15%. Oleh karena itu, data latih dan data uji dari percobaan pertama yang akan digunakan dalam penelitian ini. Pengenalan Karakter Berdasarkan Huruf t Pengenalan karakter berdasarkan huruf t terdiri atas dua percobaan. Perobaan pertama yaitu data latih yang digunakan sebanyak 90 citra dan data uji sebanyak 60 citra. Parameter-parameter JST propagasi balik yang digunakan berasal dari percobaan sebelumnya. huruf t yang digunakan dalam penelitian ini sebanyak tiga kelas yaitu t bar balanced, t bar up, dan t bar down, bentuk-bentuk huruf t yang dianalisis dapat dilihat pada Tabel 16. Pengujian dilakukan dengan 60 data uji dan hasil pengujian dapat dilihat pada Tabel 17. Tabel 16 Bentuk huruf t yang dianalisis Bentuk huruf t Nama 1 t bar balanced 2 t bar up 3 t bar down Tabel 17 Hasil pengujian data uji huruf t percobaan pertama t bar balanced t bar up t bar down Berdasarkan Tabel 17, diperoleh generalisasi untuk pengenalan karakter huruf t sebesar 73.33%. Kesalahan klasifikasi pada data uji sebanyak 16 data dari total data uji sebanyak 60. Beberapa data uji yang salah 11
6 diklasifikasikan beserta hasil klasifikasinya dapat dilihat pada Tabel 18. Tabel 18 Kesalahan klasifikasi data uji huruf t percobaan pertama Hasil Klasifikasi data uji Contoh hasil prediksi Data uji yang salah terklasifikasi selengkapnya dapat dilihat pada Lampiran 11. Berdasarkan Tabel 18 dapat dilihat bahwa data uji pada kelas 1 diklasifikasikan ke dalam kelas 2 dan kelas 3, lalu data uji pada kelas 3 diklasifikasikan ke dalam kelas 2. Hal ini disebabkan oleh bentuk citra uji tersebut mirip dengan citra uji pada kelas prediksinya. Misalnya pada citra uji pertama dapat dilihat bar dari huruf t tersebut sedikit naik seperti pada citra uji kelas prediksinya. Pada percobaan kedua huruf t, data latih dan uji yang digunakan sama dengan percobaan pertama tetapi data uji pada percobaan pertama dijadikan sebagai data latih dan sebaliknya. Data latih percobaan pertama untuk kelas 1,2, dan 3 berjumlah 30 data. Setiap data latih diambil secara acak dari tiap-tiap kelas sebanyak. Kemudian, data latih yang diambil secara acak digabungkan dengan data uji percobaan pertama pada masing-masing kelas dan data ini akan menjadi data latih yang baru, sedangkan data latih percobaan pertama yang telah diambil dari masing-masing kelas akan menjadi data uji baru. Ilustrasi pengambilan data ini dapat dilihat pada Gambar 9. Data Latih 1 : 30 data 2: 30 data 3: 30 data Data Uji baru 1 :20 data 2 : 20 data 3: 20 data Data Uji Data Latih baru Gambar 9 Ilustrasi pengambilan data latih dan data uji baru huruf t Setelah mendapatkan data latih dan data uji yang baru, dilakukan pengenalan karakter berdasarkan huruf t menggunakan parameterparameter JST propagasi balik yang optimal dari percobaan sebelumnya. Pengujian dilakukan terhadap 60 citra uji dan hasil pengujian dapat dilihat pada Tabel 19. Tabel 19 Hasil pengujian data uji huruf t percobaan kedua t bar balanced t bar up t bar down 10data 1 :20 data 2 : 20 data 3: 20 data 1 : 30 data 2: 30 data 3: 30 data Berdasarkan Tabel 19, diperoleh generalisasi untuk pengenalan karakter huruf t sebesar 65%. yang dihasilkan pada percobaan kedua lebih kecil dibandingkan dengan percobaan pertama. Hal ini menunjukkan bahwa pemilihan data latih dan data uji yang baru kurang baik dibandingkan percobaan pertama. Oleh karena itu, untuk pengenalan karakter berdasarkan huruf t digunakan data latih dan data uji percobaan pertama. Data uji yang salah terklasifikasi dapat dilihat pada Lampiran 12. Pada hasil penelitian Mutalib (2007), proses pengenalan dibagi menjadi dua yaitu pengenalan terhadap huruf t lalu pengenalan karakter seseorang berdasarkan huruf t. Hasil 12
7 akurasi pada pengenalan huruf t cukup tinggi yaitu sebesar 90,27%, tetapi akurasi dari pengenalan karakter berdasarkan huruf t kurang baik yaitu sebesar 60%. Hal ini dapat disebabkan oleh analisis karakter melalui huruf t hanya dilihat berdasarkan kemiringan garis bar pada huruf t, sehingga perbedaannya tidak terlalu signifikan. Selain itu, akurasi pengenalan huruf t yang tidak 100% yang dapat memengaruhi akurasi dalam pengenalan karakter berdasarkan huruf t. Jadi, kesalahan sistem dalam mengklasifikasikannya cukup besar. Jaringan syaraf tiruan propagasi balik yang digunakan dalam penelitian Mutalib yaitu JST propagasi balik dengan momentum. Berbeda dengan penelitian Mutalib (2007), pada penelitian ini tidak dilakukan pengenalan terhadap huruf t tetapi hanya pengenalan karakter seseorang berdasarkan huruf t. yang diperoleh lebih besar dibandingkan hasil penelitian Mutalib (2007) yaitu sebesar 73,33%. Hal ini karena pada penelitian ini tidak dilakukan pengenalan huruf t tetapi langsung pada pengenalan karakter seseorang berdasarkan huruf t, sehingga dapat mengurangi kesalahan dalam klasifikasi. Selain itu, huruf t dalam penelitian ini dipotong (cropping) secara manual. yang didapat dari analisis huruf t jauh lebih kecil dibandingkan dengan generalisasi yang dihasilkan pada pengenalan karakter berdasarkan huruf a. Hal ini dapat disebabkan oleh analisis karakter melalui huruf t hanya dilihat berdasarkan kemiringan garis bar pada huruf t, sehingga perbedaan antar kelas huruf t tidak terlalu signifikan. Selain itu, tidak ada proses rotasi dalam tahap praproses yang menyebabkan posisi huruf t tidak seragam sehingga memengaruhi kemiringan bar huruf t yang dapat menyebabkan kesalahan klasifikasi. Kesalahan klasifikasi baik untuk huruf t dan a dapat disebabkan oleh bentuk dan ukuran huruf-huruf yang mirip antar kelas sehingga memungkinkan sistem salah dalam mengklasifikasikannya ke dalam kelas karakter yang benar. Selain itu, kemiringan huruf pada data latih setiap kelas pun tidak seragam sehingga memengaruhi hasil klasifikasi. Kesimpulan KESIMPULAN DAN SARAN Jaringan syaraf tiruan propagasi balik standar dapat melakukan pembelajaran dengan baik dan melakukan pengenalan terhadap suatu pola dengan tingkat generalisasi yang cukup tinggi. Implementasi analisis grafologi menggunakan jaringan syaraf tiruan propagasi balik dapat menjadi alat bantu grafologist untuk analisis tulisan tangan. Parameter-parameter JST propagasi balik yang optimal hasil percobaan ini yaitu 10 hidden neuron, learning rate sebesar 0.01, toleransi galat sebesar 10-3, dan epoch maksimum sebesar 3000 epoch. Sistem ini mampu melakukan pengenalan dengan tingkat generalisasi yang cukup tinggi sebesar % untuk huruf a dan 73.33% untuk huruf t. Saran Penelitian ini masih dapat dikembangkan untuk membuat sistem yang lebih baik lagi. Saran-saran bagi penelitian lebih lanjut di antaranya: 1 Parameter untuk analisis grafologi sebaiknya ditambah, tidak hanya huruf a dan t kecil saja. 2 Proses pengenalan huruf a dan t diautomatisasi sehingga tidak dipotong (cropping) secara manual. 3 Dalam tahap praproses sebaiknya ditambahkan proses rotasi. DAFTAR PUSTAKA Amend KK, Ruiz MS. 19. Handwriting Analysis, The Complete Basic Book. USA: Book Mart Press. Baggett BA The Secret To Making Love Happen. USA: Empresse Publishing. Champa HN, Kumar AKR Artificial Neural Network for Human Behavior Prediction through Handwriting Analysis. International Journal of Computer Applications ( ). Vol.2, No.2, Mei India: SJB Institute of Technology. Fauset L Fundamentals of Neural Networks. New Jersey: Prentice-Hall. Gonzales RC, Woods RE Digital Processing. Massachussets: Addison Wasley. Mutalib S, Rahman SA, Yusoff M, Mohamed A Personality Analysis Based on Letter t Using Back Propagation Neural Network. Proceedings of the International 13
ANALISIS GRAFOLOGI BERDASARKAN HURUF a DAN t MENGGUNAKAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK JILLY PRATIWI
ANALISIS GRAFOLOGI BERDASARKAN HURUF a DAN t MENGGUNAKAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK JILLY PRATIWI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
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 terperinciPENDAHULUAN. Latar Belakang
Latar Belakang PENDAHULUAN Grafologi adalah ilmu yang mempelajari, mengidentifikasi, menganalisis, dan mengetahui karakter seseorang melalui tulisan tangannya. Orang yang dapat menganalisis tulisan tangan
Lebih terperincii. Perangkat Keras Prosesor Intel Pentium(R) Dual-Core CPU 2.20 GHz
Data yang pada awalnya berupa chanel stereo diubah ke dalam chanel mono. Kemudian data tersebut disimpan dengan file berekstensi WAV. Praproses Pada tahap ini dilakukan ekstraksi ciri menggunakan metode
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 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 terperinciHASIL DAN PEMBAHASAN. Tabel 3 Contoh data Shorea hasil kodefikasi
8 disajikan contoh data Shorea hasil kodefikasi dari beberapa karakter yang bernilai nominal. Tabel 2 Karakter daun yang bernilai nominal Karakter Nilai Kode Bentuk tulang Tidak menempel 1 daun Permukaan
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 terperinciHardisk 80 GB Perangkat lunak Window XP Profesional MATLAB 7.0.1
Hardisk 8 GB Perangkat lunak Window XP Profesional MATLAB 7..1 HASIL DAN PEMBAHASAN Percobaan yang dilakukan pada penelitian ini terdiri atas dua macam, yaitu citra yang akan mengalami proses pengenalan
Lebih terperinciBAB I PENDAHULUAN. Cabang ilmu tersebut adalah Grafologi. Para ahli Grafologi atau yang dikenal
1 BAB I PENDAHULUAN 1.1 Latar Belakang Kepribadian seseorang dapat tercermin melalui tulisan tangannya. Dalam ilmu kejiwaan, atau psikologi, terdapat sebuah cabang ilmu yang dapat mengenali atau menentukan
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 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 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 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 terperinciBAB III METODE PENELITIAN
3.1. Kerangka Pemikiran BAB III METODE PENELITIAN Permasalahan yang akan dijawab atau tujuan yang ingin dicapai pada penelitian ini adalah untuk melakukan prakiraan beban listrik jangka pendek atau untuk
Lebih terperinciAkurasi. Perangkat Lunak: Sistem operasi: Windows Vista Home Premium Aplikasi pemrograman: Matlab 7.0
Tabel 1 Dimensi citra di tiap level Level transformasi Dimensi citra 1 46 56 2 23 28 3 12 14 4 6 7 5 3 4 6 2 2 Pada Gambar 5 disajikan visualisasi transformasi wavelet hingga level 3. Deskripsi citra dekomposisi
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 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 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 terperinciSISTEM PENDETEKSI WAJAH MANUSIA PADA CITRA DIGITAL (PROPOSAL SKRIPSI) diajukan oleh. NamaMhs NIM: XX.YY.ZZZ. Kepada
SISTEM PENDETEKSI WAJAH MANUSIA PADA CITRA DIGITAL (PROPOSAL SKRIPSI) diajukan oleh NamaMhs NIM: XX.YY.ZZZ Kepada JURUSAN TEKNIK INFORMATIKA STMIK STIKOM BALIKPAPAN LEMBAR PERSETUJUAN Proposal Skripsi
Lebih terperinciIV HASIL DAN PEMBAHASAN
tersembunyi berkisar dari sampai dengan 4 neuron. 5. Pemilihan laju pembelajaran dan momentum Pemilihan laju pembelajaran dan momentum mempunyai peranan yang penting untuk struktur jaringan yang akan dibangun.
Lebih terperinciPERAMALAN HARGA SAHAM PERUSAHAAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK DAN AKAIKE INFORMATION CRITERION
Seminar Nasional Aplikasi Teknologi Informasi 20 (SNATI 20) ISSN: 19-5022 Yogyakarta, 16 Juni 20 PERAMALAN HARGA SAHAM PERUSAHAAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK DAN AKAIKE INFORMATION CRITERION
Lebih terperinciBAB IV IMPLEMENTASI DAN PENGUJIAN
68 BAB IV IMPLEMENTASI DAN PENGUJIAN Bab ini membahas tentang program yang telah dianalisis dan dirancang atau realisasi program yang telah dibuat. Pada bab ini juga akan dilakukan pengujian program. 4.1
Lebih 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 METODOLOGI PENELITIAN. Gambar 3.1 merupakan desain penelitian yang akan digunakan pada
BAB III METODOLOGI PENELITIAN 1.1. Desain Penelitian Gambar 3.1 merupakan desain penelitian yang akan digunakan pada proses pengenalan huruf tulisan tangan Katakana menggunakan metode Fuzzy Feature Extraction
Lebih terperinciUKDW BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Plat nomor kendaraan bermotor merupakan ciri atau tanda pengenal suatu kendaraan yang diberikan oleh kepolisian. Setiap plat nomor kendaraan memiliki kombinasi
Lebih terperinciBAB IV PERANCANGAN & IMPLEMENTASI SISTEM
17 BAB IV PERANCANGAN & IMPLEMENTASI SISTEM 4.1 Desain. yang digunakan adalah jaringan recurrent tipe Elman dengan 2 lapisan tersembunyi. Masukan terdiri dari data : wind, SOI, SST dan OLR dan target adalah
Lebih terperinciPENGENALAN SUARA MANUSIA DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN MODEL PROPAGASI BALIK
ABSTRAK PENGENALAN SUARA MANUSIA DENGAN MENGGUNAKAN Dosen Jurusan Teknik Elektronika Fakultas Teknik Universitas Negeri Makassar Pada penelitian ini dibuat sebuah sistem pengenalan suara manusia dengan
Lebih terperinciBAB III METODOLOGI PENELITIAN
42 BAB III METODOLOGI PENELITIAN 3.1 Desain Penelitian Observasi, serta konsultasi dengan ahli grafologi mengenai pengenalan tulisan tangan untuk melihat karakter psikologi dengan melihat bentuk huruf
Lebih terperinciImplementasi Jaringan Syaraf Tiruan Backpropagation dan Steepest Descent untuk Prediksi Data Time Series
Implementasi Jaringan Syaraf Tiruan Backpropagation dan Steepest Descent untuk Prediksi Data Time Series Oleh: ABD. ROHIM (1206 100 058) Dosen Pembimbing: Prof. Dr. M. Isa Irawan, MT Jurusan Matematika
Lebih 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 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 terperinciGambar 3.1 Desain Penelitian
METODOLOGI PENELITIAN 3.1 Desain Penelitian Studi Literatur: Permalan Time Series, Harga Minyak Bumi, Jaringan Syaraf Tiruan, Backpropagation Pengumpulan Data Harga Minyak Bumi di Indonesia Perancangan
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 terperinciOptimasi Prediksi Kehadiran Pegawai Untuk Intensif Kehadiran Menggunakan Jaringan Saraf Tiruan-Backpropagation
Optimasi Prediksi Kehadiran Pegawai Untuk Intensif Kehadiran Menggunakan Jaringan Saraf Tiruan-Backpropagation Jamaludin Hakim 1), Sri Hartati 2) 1) Program Studi Sistem Informasi Fakultas Teknik dan Sistem
Lebih terperinciBAB I PENDAHULUAN I-1
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Kebutuhan akan prediksi semakin meningkat pada era globalisasi saat ini sejalan dengan keinginan masyarakat khususnya pelaku bisnis untuk memberikan tanggapan
Lebih terperinciANALISIS JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH RESERVASI KAMAR HOTEL DENGAN METODE BACKPROPAGATION (Studi Kasus Hotel Grand Zuri Padang)
ANALISIS JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH RESERVASI KAMAR HOTEL DENGAN METODE BACKPROPAGATION (Studi Kasus Hotel Grand Zuri Padang) 1 Musli Yanto, 2 Sarjon Defit, 3 Gunadi Widi Nurcahyo
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 terperinciPemodelan Jaringan Syaraf Tiruan Untuk Memprediksi Awal Musim Hujan Berdasarkan Suhu Permukaan Laut
Tersedia secara online di: http://journal.ipb.ac.id/index.php/jika Volume 1 Nomor 2 Halaman 52-61 ISSN: 2089-6026 Pemodelan Jaringan Syaraf Tiruan Untuk Memprediksi Awal Musim Hujan Berdasarkan Suhu Permukaan
Lebih terperinciPREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
PREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Siti Amiroch Universitas Islam Darul Ulum Lamongan, amirast_117@yahoo.com Abstract. In the stock market, stock price prediction is
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MENGENALI TULISAN TANGAN HURUF A, B, C, DAN D PADA JAWABAN SOAL PILIHAN GANDA
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MENGENALI TULISAN TANGAN HURUF A, B, C, DAN D PADA JAWABAN SOAL PILIHAN GANDA (Studi Eksplorasi Pengembangan Pengolahan Lembar Jawaban Ujian Soal Pilihan Ganda di
Lebih terperinciPrediksi Nilai Tukar Petani Menggunakan Jaringan Syaraf Tiruan Backpropagation
Scientific Journal of Informatics Vol 3, No 1, Mei 2016 p-issn 2407-7658 http://journalunnesacid/nju/indexphp/sji e-issn 2460-0040 Prediksi Nilai Tukar Petani Menggunakan Jaringan Syaraf Tiruan Backpropagation
Lebih terperinciSISTEM PENGENALAN KARAKTER DENGAN JARINGAN SYARAF TIRUAN ALGORITMA PERCEPTRON
Jurnal Informatika Mulawarman Vol. 7 No. 3 Edisi September 2012 105 SISTEM PENGENALAN KARAKTER DENGAN JARINGAN SYARAF TIRUAN ALGORITMA PERCEPTRON Anindita Septiarini Program Studi Ilmu Komputer FMIPA,
Lebih terperinciBAB III METODELOGI PENELITIAN. Alat yang digunakan dalam penelitian ini adalah: a. Prosesor : Intel Core i5-6198du (4 CPUs), ~2.
BAB III METODELOGI PENELITIAN 3.1 Alat dan Bahan Penelitian 3.1.1 Alat Alat yang digunakan dalam penelitian ini adalah: 1. Hardware a. Prosesor : Intel Core i5-6198du CPU @2.30GHz (4 CPUs), ~2.40GHz b.
Lebih terperinciBAB 3 METODE PENELITIAN
BAB 3 METODE PENELITIAN Tahap 1 : Identifikasi Permasalahan Mencari literatur-literatur yang berhubungan dengan bahan penelitian. Tahap 2 : Pengambilan Data Training : Testing 5 : 1 150 : 30 Dari 10 responden
Lebih terperinciBAB 4 ANALISA DAN BAHASAN
BAB 4 ANALISA DAN BAHASAN 4.1 Spesifikasi Sistem Sistem pengenalan objek 3 dimensi terbagi atas perangkat keras dan perangkat lunak. Spesifikasi sistem baik perangkat keras maupun lunak pada proses perancangan
Lebih terperinciOleh: Ulir Rohwana ( ) Dosen Pembimbing: Prof. Dr. H. M. Isa Irawan, M.T.
Oleh: Ulir Rohwana (1209 100 702) Dosen Pembimbing: Prof. Dr. H. M. Isa Irawan, M.T. DAFTAR ISI I II III IV V VI PENDAHULUAN TINJAUAN PUSTAKA METODOLOGI PERANCANGAN DAN IMPLEMENTASI HASIL DAN PENGUJIAN
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. Tabel 4.1 Kebutuhan Perangkat Keras. Perangkat Keras Spesifikasi Processor Intel Core i3. Sistem Operasi Windows 7
BAB IV HASIL DAN PEMBAHASAN 4.1 Kebutuhan Sistem Sebelum melakukan penelitian dibutuhkan perangkat lunak yang dapat menunjang penelitian. Perangkat keras dan lunak yang digunakan dapat dilihat pada Tabel
Lebih terperinciJARINGAN SYARAF TIRUAN PREDIKSI PENYAKIT LUDWIG ANGINA
doi: https://doi.org/10.5281/zenodo.1207339 JARINGAN SYARAF TIRUAN PREDIKSI PENYAKIT LUDWIG ANGINA Siti Aisyah (1), Abdi Dharma (2), Mardi Turnip (3) Sistem Informasi Fakultas Teknologi dan Ilmu Komputer
Lebih terperinciPENGENALAN POLA GARIS DASAR KALIMAT PADA TULISAN TANGAN UNTUK MENGETAHUI KARAKTER SESEORANG DENGAN MENGGUNAKAN ALGORITMA PROBABILISTIC NEURAL NETWORK
PENGENALAN POLA GARIS DASAR KALIMAT PADA TULISAN TANGAN UNTUK MENGETAHUI KARAKTER SESEORANG DENGAN MENGGUNAKAN ALGORITMA PROBABILISTIC NEURAL NETWORK ABSTRAK Dwi Putra Alexander (0722067) Jurusan Teknik
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 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 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 terperinciAPLIKASI JARINGAN SYARAF TIRUAN MULTI LAYER PERCEPTRON PADA APLIKASI PRAKIRAAN CUACA
Aplikasi Jaringan Syaraf Tiruan Multilayer Perceptron (Joni Riadi dan Nurmahaludin) APLIKASI JARINGAN SYARAF TIRUAN MULTI LAYER PERCEPTRON PADA APLIKASI PRAKIRAAN CUACA Joni Riadi (1) dan Nurmahaludin
Lebih 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 terperinciPENGENALAN PLAT NOMOR KENDARAAN DALAM SEBUAH CITRA MENGUNAKAN JARINGAN SARAF TIRUAN ABSTRAK
PENGENALAN PLAT NOMOR KENDARAAN DALAM SEBUAH CITRA MENGUNAKAN JARINGAN SARAF TIRUAN Decy Nataliana [1], Sabat Anwari [2], Arief Hermawan [3] Jurusan Teknik Elektro Fakultas Teknologi Industri Institut
Lebih terperinciKLASIFIKASI ARITMIA EKG MENGGUNAKAN JARINGAN SYARAF TIRUAN DENGAN FUNGSI AKTIVASI ADAPTIF
KLASIFIKASI ARITMIA EKG MENGGUNAKAN JARINGAN SYARAF TIRUAN DENGAN FUNGSI AKTIVASI ADAPTIF Asti Rahma Julian 1, Nanik Suciati 2, Darlis Herumurti 3 Teknik Informatika, Fakultas Teknologi Informasi, ITS
Lebih terperinciKlasifikasi Pola Huruf Vokal dengan Menggunakan Jaringan Saraf Tiruan
JURNAL TEKNIK POMITS 1-7 1 Klasifikasi Pola Huruf Vokal dengan Menggunakan Jaringan Saraf Tiruan Dhita Azzahra Pancorowati, M. Arief Bustomi Jurusan Fisika, Fakultas Matematika dan Ilmu Pengetahuan Alam,
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN PADA PENGENALAN POLA TULISAN DENGAN METODE BACKPROPAGATION
APLIKASI JARINGAN SYARAF TIRUAN PADA PENGENALAN POLA TULISAN DENGAN METODE BACKPROPAGATION Alvama Pattiserlihun, Andreas Setiawan, Suryasatriya Trihandaru Program Studi Fisika, Fakultas Sains dan Matematika,
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 terperinciHASIL DAN PEMBAHASAN. Gambar 3 Ilustrasi pencarian titik pusat dan jari-jari pupil. Segmentasi
4 Perangkat keras berupa Notebook: Processor intel Core i3 2.2 GHz. RAM kapasitas 2. GB. Harddisk Kapasitas 5 GB. Monitor pada resolusi 1366 x 768 piksel. Merek Acer Aspire 475. Perangkat lunak berupa:
Lebih terperinciJURNAL SAINS DAN SENI POMITS Vol. 2, No.1, (2013) 1-6 1
JURNAL SAINS DAN SENI POMITS Vol. 2, No.1, (2013) 1-6 1 Pengenalan Tulisan Tangan Huruf Latin Bersambung Secara Real Time Menggunakan Algoritma Learning Vector Quantization Ulir Rohwana dan M Isa Irawan
Lebih terperinciPengembangan Aplikasi Pengenalan Karaketer Alfanumerik Dengan Menggunakan Algoritma Neural Network Three-Layer Backpropagation
Pengembangan Aplikasi Pengenalan Karaketer Alfanumerik Dengan Menggunakan Algoritma Neural Network Three-Layer Backpropagation Andi Wahju Rahardjo Emanuel, Arie Hartono Jurusan S1 Teknik Informatika Fakultas
Lebih terperinciJARINGAN SYARAF TIRUAN PROPAGASI BALIK DALAM PREDIKSI PERSEDIAAN TERNAK SAPI POTONG ( STUDI KASUS DI WILAYAH SUMATERA BARAT )
JARINGAN SYARAF TIRUAN PROPAGASI BALIK DALAM PREDIKSI PERSEDIAAN TERNAK SAPI POTONG ( STUDI KASUS DI WILAYAH SUMATERA BARAT ) Rima Liana Gema, S.Kom, M.Kom, Fakultas Ilmu Komputer Universitas Putra Indonesia
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
18 BAB 3 METODOLOGI PENELITIAN 3.1 Kerangka Pemikiran Penelitian ini dilakukan berdasarkan sebuah kerangka pemikiran. Seperti tercantum pada Gambar 9. Mulai Potongan kayu Alat pinda i (scanner) Identifikasi
Lebih terperinciPREDIKSI PERHITUNGAN DOSIS RADIASI PADA PEMERIKSAAN MAMMOGRAFI MENGGUNAKAN ALGORITMA JARINGAN SYARAF TIRUAN PROPAGASI BALIK
Berkala Fisika ISSN : 1410-9662 Vol.18, No.4, Oktober 2015, hal 151-156 PREDIKSI PERHITUNGAN DOSIS RADIASI PADA PEMERIKSAAN MAMMOGRAFI MENGGUNAKAN ALGORITMA JARINGAN SYARAF TIRUAN PROPAGASI BALIK Zaenal
Lebih terperinciPENGENALAN POLA KEPUASAN MAHASISWA TERHADAP KEGIATAN BELAJAR MENGAJAR (STUDI KASUS DI STMIK AKAKOM YOGYAKARTA) Abstrak
PENGENALAN POLA KEPUASAN MAHASISWA TERHADAP KEGIATAN BELAJAR MENGAJAR (STUDI KASUS DI STMIK AKAKOM YOGYAKARTA) Dini Fakta Sari Teknik Informatika STMIK AKAKOM Yogyakarta dini@akakom.ac.id Abstrak Tenaga
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 terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Desain Penelitian Gambar 3.1 menggambarkan desain penelitian peramalan volume penumpang kereta api di pulau Jawa-Sumatera dengan metode Jaringan Syaraf Tiruan Backpropagation.
Lebih terperinciANALISIS LEARNING RATES PADA ALGORITMA BACKPROPAGATION UNTUK KLASIFIKASI PENYAKIT DIABETES
ANALISIS LEARNING RATES PADA ALGORITMA BACKPROPAGATION UNTUK KLASIFIKASI PENYAKIT DIABETES Thomas Brian Universitas Trunojoyo Madura Bangkalan, Indonesia thomasbrian2112@yahoo.com Abstrak Salah satu algoritma
Lebih terperinciPENGENALAN POLA ALPHABET TULISAN TANGAN SECARA ON-LINE DENGAN JST-BP
ISSN: 693-693 35 PENGENALAN POLA ALPHABET TULISAN TANGAN SECARA ON-LINE DENGAN JST-BP Tole Sutikno, Andhy Fathurrakhman Program Studi Teknik Elektro Universitas Ahmad Dahlan Kampus III Jln. Prof Soepomo,
Lebih terperinciIMPLEMENTASI JARINGAN SYARAF TIRUAN (JST) UNTUK MEMPREDIKSI HASIL NILAI UN MENGGUNAKAN METODE BACKPROPAGATION
IMPLEMENTASI JARINGAN SYARAF TIRUAN (JST) UNTUK MEMPREDIKSI HASIL NILAI UN MENGGUNAKAN METODE BACKPROPAGATION Yusran Program Studi Pendidikan Informatika STKIP PGRI Sumbar yusranse@yahoo.co.id Submitted
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 I PENDAHULUAN. Machine learning (ML), bagian dari kecerdasan buatan (artificial
BAB I PENDAHULUAN 1. 1.1. Latar Belakang Machine learning (ML), bagian dari kecerdasan buatan (artificial intelligence), merupakan metode untuk mengoptimalkan performa dari sistem dengan mempelajari data
Lebih terperinciSISTEM PENGENALAN WAJAH REAL-TIME DALAM RUANG EIGEN DENGAN SEGMENTASI BERDASARKAN WARNA KULIT. Agus Buono, Ahmad Ridha, Hanief Bastian
SISTEM PENGENALAN WAJAH REAL-TIME DALAM RUANG EIGEN DENGAN SEGMENTASI BERDASARKAN WARNA KULIT Agus Buono, Ahmad Ridha, Hanief Bastian 1 Staf Pengajar Departemen Ilmu Komputer, Fakultas Matematika dan IPA
Lebih terperinciPENGGUNAAN MATLAB DALAM PENYELESAIAN SISTEM PERSAMAAN LINEAR MENGGUNAKAN JARINGAN HOPFIELD LINEAR ABSTRAK
PENGGUNAAN MATLAB DALAM PENYELESAIAN SISTEM PERSAMAAN LINEAR MENGGUNAKAN JARINGAN HOPFIELD LINEAR Rosihan Ari Yuana Program Studi Pendidikan Matematika Universitas Sebelas Maret ABSTRAK Aplikasi jaringan
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 I PENDAHULUAN. mengenali dan membedakan ciri khas yang dimiliki suatu objek (Hidayatno,
1 BAB I PENDAHULUAN A. Latar belakang Saat ini pemanfaatan teknologi pengolaan citra untuk mempermudah manusia dalam menyelesaikan masalah-masalah tertentu sudah banyak diterapkan, khususnya dibidang Identifikasi.
Lebih terperinciPERBANDINGAN BEBERAPA MODEL UNTUK KINERJA ALGORITMA BACKPROPAGATION COMPARISON OF SOME MODEL FOR PEFORMANCE IMPROVEMENT IN BACKPROPAGATION ALGORITHM
JURNAL TEKNOLOGI INFORMASI DAN KOMUNIKASI Vol.6 No. 2, Desember 217 : 8-91 PERBANDINGAN BEBERAPA MODEL UNTUK KINERJA ALGORITMA BACKPROPAGATION COMPARISON OF SOME MODEL FOR PEFORMANCE IMPROVEMENT IN BACKPROPAGATION
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 Genus Diatom Menggunakan Principal Component Analysis dan Jaringan Saraf Tiruan Propagasi Balik Sebagai Classifier
Tersedia secara online di: http://journal.ipb.ac.id/index.php.jika Volume 2 Nomor 1 halaman 38-46 ISSN: 2089-6026 Pengenalan Genus Diatom Menggunakan Principal Component Analysis dan Jaringan Saraf Tiruan
Lebih terperinciPengenalan Hand Gesture Dinamis Menggunakan JST Metode Pembelajaran Backpropagation
Pengenalan Hand Gesture Dinamis Menggunakan JST Metode Pembelajaran Backpropagation SEMINASIK FMIPA UGM 2013 Yuan Lukito, Agus Harjoko yuanlukito@gmail.com, aharjoko@ugm.ac.id Hand Gesture Gerakan anggota
Lebih terperinciJURNAL IPTEKS TERAPAN Research of Applied Science and Education v9.i4 ( )
Research of Applied Science and Education v9.i4 (269-275 ) IMPLEMENTASI JARINGAN SYARAF TIRUAN (JST) UNTUK MEMPREDIKSI HASIL NILAI UN MENGGUNAKAN METODE BACKPROPAGATION Yusran Program Studi Pendidikan
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 terperinciIMPLEMENTASI PENGOLAHAN CITRA UNTUK MENGHITUNG RESISTANSI RESISTOR MENGGUNAKAN METODE BACK PROPAGATION
IMPLEMENTASI PENGOLAHAN CITRA UNTUK MENGHITUNG RESISTANSI RESISTOR MENGGUNAKAN METODE BACK PROPAGATION Abdi Haqqi An Nazilli 1, Deddy Kusbianto Purwoko Aji 2, Ulla Delfana Rosiani 3 1,2 Teknik Informatika,
Lebih terperinciBAB V KESIMPULAN DAN SARAN. Saraf Tiruan Propagasi Balik maka dapat diambil beberapa kesimpulan untuk
107 BAB V KESIMPULAN DAN SARAN 5.1 Kesimpulan Setelah dilakukan penelitian mengenai pengenalan tulisan tangan untuk memprediksi karakter pribadi seseorang dengan menggunakan Algoritma Jaringan Saraf Tiruan
Lebih terperinciPrediksi Curah Hujan Di Kota Pontianak Menggunakan Parameter Cuaca Sebagai Prediktor Pada Skala Bulanan, Dasarian Dan Harian Asri Rachmawati 1)*
Prediksi Curah Hujan Di Kota Pontianak Menggunakan Parameter Cuaca Sebagai Prediktor Pada Skala Bulanan, Dasarian Dan Harian Asri Rachmawati 1)* 1)Stasiun Meteorologi Supadio Pontianak Badan Meteorologi
Lebih terperinciWAVELET -JARINGAN SYARAF TIRUAN UNTUK PREDIKSI DATA TIME SERIES
J. Math. and Its Appl. ISSN: 1829-605X Vol. 4, No. 2, November 2007, 53 64 WAVELET -JARINGAN SYARAF TIRUAN UNTUK PREDIKSI DATA TIME SERIES Daryono Budi Utomo Jurusan Matematika FMIPA Institut Teknologi
Lebih terperinciBAB V KESIMPULAN DAN SARAN
BAB V KESIMPULAN DAN SARAN V.1 Kesimpulan Setelah dilakukan perancangan sistem evaluasi mutu berbasis komputer (logika fuzzy, pengolahan citra dan JST), maka dapat disimpulkan bahwa : 1. Program logika
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 terperinciIMPLEMENTASI DEEP LEARNING BERBASIS TENSORFLOW UNTUK PENGENALAN SIDIK JARI
Royani Darma Nurfita, Gunawan Ariyanto, Implementasi Deep Learning Berbasis Tensorflow Untuk Pengenalan Sidik Jari IMPLEMENTASI DEEP LEARNING BERBASIS TENSORFLOW UNTUK PENGENALAN SIDIK JARI Royani Darma
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 terperinciAnalisis Jaringan Saraf Tiruan Model Perceptron Pada Pengenalan Pola Pulau di Indonesia
Jurnal Ilmiah Teknologi dan Informasi ASIA (JITIKA) Vol.11, No.1, Februari 2017 ISSN: 0852-730X Analisis Jaringan Saraf Tiruan Model Perceptron Pada Pengenalan Pola Pulau di Indonesia Muhammad Ulinnuha
Lebih terperinciIDENTIFIKASI KEASLIAN MATA UANG RUPIAH MELALUI INVISIBLE INK BERBASIS FOURIER TRANSFORM MENGGUNAKAN NEURAL LEARNING VECTOR QUANTIZATION
IDENTIFIKASI KEASLIAN MATA UANG RUPIAH MELALUI INVISIBLE INK BERBASIS FOURIER TRANSFORM MENGGUNAKAN NEURAL LEARNING VECTOR QUANTIZATION Yusron Rijal Jurusan Sistem Informasi STIKOMP SURABAYA, email: yusron@stikom.edu
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 terperinciT 11 Aplikasi Model Backpropagation Neural Network Untuk Perkiraan Produksi Tebu Pada PT. Perkebunan Nusantara IX
T 11 Aplikasi Model Backpropagation Neural Network Untuk Perkiraan Produksi Tebu Pada PT. Perkebunan Nusantara IX Oleh: Intan Widya Kusuma Program Studi Matematika, FMIPA Universitas Negeri yogyakarta
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Jaringan Syaraf Tiruan (artificial neural network), atau disingkat JST menurut Hermawan (2006, hlm.37) adalah sistem komputasi dimana arsitektur dan operasi
Lebih terperinciTujuan Penelitian Tujuan penelitian ini adalah untuk melakukan deteksi penyakit pada daun rose dengan menggunakan metode ANN.
Laporan Akhir Projek PPCD Deteksi Penyakit Daun Menggunakan Artificial Neural Network (ANN) TRI SONY(G64130020), GISHELLA ERDYANING (G64130040), AMALIYA SUKMA RAGIL PRISTIYANTO (G64130044), MUHAMMAD RIZQI
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 NOMINAL DAN KEASLIAN UANG KERTAS MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
Powered by TCPDF (www.tcpdf.org) Tugas Akhir - 2010 DETEKSI NOMINAL DAN KEASLIAN UANG KERTAS MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Syariefudin Bashori¹, Achmad Rizal², Iwan Iwut Tirtoasmoro³
Lebih terperinci