4 HASIL DAN PEMBAHASAN
|
|
- Yandi Gunardi
- 7 tahun lalu
- Tontonan:
Transkripsi
1 4 HASIL DAN PEMBAHASAN 4.1 Pengenalan Pola dan Performa Pengklasifikasi ANN Pengenalan pola (pattern recognition) dan performa klasifikasi citra bertujuan untuk membantu penyusunan skema klasifikasi citra terumbu karang. Tahapan ini diturunkan lebih awal melalui transformasi citra substrat dasar perairan gusung karang Lebar dan karang Congkak Kepulauan Seribu. Transformasi pendugaan awal substrat dasar perairan dangkal terlihat pada pola kenampakan citra Quickbird komposit RGB 321, RGB 421 dan RGB 432 (Gambar 4-1). Melalui teknik penajaman histogram (histogram enhancement) citra, substrat dasar perairan dangkal tampak berwarna biru muda (cyan) dan sebaran terumbu karang jelas terlihat di sekitar gusung karang. Teknik penajaman citra ini menggambarkan awal keberadaan terumbu karang. the summary of an interesting point. You can position the text box anywhere in the document. Use the Text Box Tools tab to change the formatting of the pull quote text box.] the summary of an interesting point. You can position the text box anywhere in the document. Use the Text Box Tools tab to change the formatting of the pull quote text box.] the summary of an interesting point. You can position the text box anywhere in the document. Use the Text Box Tools tab to change the formatting of the pull quote text box.] the summary of an interesting point. You can position the text box anywhere in the document. Use the Text Box Tools tab to change the formatting of the pull quote text box.] Gambar 4-1 Performa penajaman citra satelit Quickbird hasil komposit RGB 321 (a), RGB 421 (b), RGB 432 (c) dan Lyzenga (d) Hasil transformasi metode Deep Invariant Index (algoritma Lyzenga) sesuai hasil penelitian Sulma dan Kushardono (2006) menggunakan data SPOT diperoleh klasifikasi tutupan dasar perairan ekosistem terumbu karang Kelurahan Pulau Panggang Kepulauan Seribu terdiri atas: (i) dominasi karang mati
2 40 ditampilkan dengan warna biru muda, (ii) dominasi karang hidup (merah), (iii) lamun (hijau), (iv) pasir (kuning), dan (v) perairan dalam dengan kedalaman >15 m. Berbeda halnya dengan sensor Quickbird yang digunakan dari hasil klasifikasi diperoleh 6 kelas habitat, yaitu nampak bahwa karang mati (merah), karang hidup (hijau), lamun (orange), pasir (kuning), dan habitat campuran (hijau muda). Adapun daratan (hitam) dan perairan (biru) terlihat dengan jelas. Intrepretasi ini relatif sama dengan Amri dkk (2010) dan Siregar dkk. (2010) yang sama-sama menggunakan Quickbird dalam penelitian ini. Substrat dasar pasir hampir mendominasi seluruh wilayah kajian. Karang hidup lebih banyak menyebar dibagian luar terumbu, dibandingkan di sekitar goba, demikan pula dengan sebaran pasir dan tutupan lamun juga banyak ditemukan disekitar tubir karang. Uji ketelitian keterpisahan formula Schowengerdt (1997; 2007) untuk menguji performa pengklasifikasi setiap band atau citra komposit dapat diketahui dari hasil formulasi perhitungan nilai spectral signature atau nilai digital (ND). Berdasarkan ND citra grayscale yang disajikan dalam histogram statistik univariate citra Quickbird (Gambar 4-2) menunjukkan performa atau pola separasi berbeda pada Band 1, 2 dan 3, dan 4. Performa Band 4 yang berbeda dari yang lain, dikarenakan sensor ini tidak dapat menembus perairan dangkal. [Type a quote from the document B or 1 B the 2 B 3 summary of an interesting point. You B 4 can position the text box anywhere in the document. Use the Text Box Tools tab to change the formatting of the pull quote text box.] the summary of an interesting point. You can position the text box anywhere in the document. Use the Text Box Tools tab to change the formatting of the pull quote text box.] Gambar 4-2 Histogram statistik univariate Citra Quickbird
3 41 Histogram multivariate citra Quickbird (Gambar 4-3) pada kombinasi B-321, B-421, B-432 dan Lyzenga menunjukkan performa yang berbeda-beda pula. Perbedaan tersebut dikarenakan kedalaman sensor sinar tampak menurut CNES (1999) dan Green et al. (2000), dapat ditembus oleh B2 ( µm) sekitar 15m, B3 ( µm) sekitar 5m dan B4 ( µm) sekitar 0.5m dan pankromatik seluruhnya diserap oleh perairan. Sedangkan pada Lyzenga pemisahan objek semakin jelas terlihat pada histogramnya. Kemampuan sensor untuk mendeteksi, menseparasi atau memisahkan objek di perairan terlihat dengan jelas pada histogram tersebut. [Type a quote from the document B 321 or [Type a quote from the document B 421 or B 432 the summary of an interesting Lyzenga point. Gambar 4-3 Histogram statistik multivariate Citra Quickbird Hasil deteksi dini menunjukkan kelas pixel tertentu menjadi lebih spesifik dan maksimal berbeda, ketika diterapkan metode penajaman citra multispektral yang mengkombinasikan band 1 dan band 2 berdasarkan standar model koefisien atenuasi. Setelah nilai digital band 1 dan band 2 diekstraksi maka nilai koefisien attenuasi perairan (Ki/Kj) diperoleh sebesar Persamaan
4 42 algoritma yang digunakan untuk mengekstrak substrat dasar adalah Y = ln (Band 1) *ln (Band 2). Sesuai dengan sebaran ND hasil iterasi intrepretasi layar komputer, maka diperoleh beberapa komponen dominan dari citra hasil algoritma. Rentangan perbedaan warna pada citra hasil transformasi algoritma depth invariant index menunjukkan banyaknya kelas yang ada di substrat perairan. Pada citra hasil transformasi tersebut dapat dibedakan dengan jelas objek pasir, lamun (seagrass), karang hidup, dan karang mati. Gambaran awal tersebut mempermudah analisis klasifikasi citra yang didasarkan atas tiga pendekatan utama, yaitu (1) intrepretasi visual, (2) klasifikasi unsupervised, dan (3) klasifikasi supervised (Green et al. 2000). Hasil intrepretasi visual tersebut dapat menyatakan secara detail keaslian dan distribusi habitat. Subyektifitas dan intrepretasi visual memiliki kekurangan, terutama jika dibandingkan dengan pertimbangan sebelumnya. Hal ini juga menjadi sangat penting artinya dan menjadi isyarat bahwa pendekatan klasifikasi citra melalui penggunaan data komposit band diatas sangat memungkinkan diterapkan dalam pengembangan klasifikasi algoritma ANN unsupervised dan supervised yang dibahas dalam penelitian ini. Guna keperluan klasifikasi citra satelit, proses reklasifikasi kelas lebih lanjut dari algoritma ANN dapat disesuaikan dengan skema tipe habitat perairan dangkal dan hasil survey lapang. 4.2 Pelatihan Klasifikasi Algoritma ANN Klasifikasi Algoritma ANN unsupervised SOM Pelatihan ANN-SOM bertujuan untuk menghasilkan klaster-klaster yang merupakan representasi secara visual sesuai karakteristik fitur-fitur masingmasing kelompok dalam citra yang terintegrasi membentuk 3 buah kanal RGB. Jika pelatihan ANN-SOM dijalankan menggunakan input klasifikasi pada Bab sebelumnya (Tabel 3-2), maka terdapat perbedaan kenampakan spasial (Gambar 4-3) berbagai transformasi kombinasi Band dari satelit Quickbird.
5 43 the summary of an interesting point. You can position the text box anywhere in the document. Use the Text Box Tools tab to change the formatting of the pull quote text box.] the summary of an interesting point. You can position the text box anywhere in the document. Use the Text Box Tools tab to change the formatting of the pull quote text box.] the summary of an interesting point. You can position the text box anywhere in the document. Use the Text Box Tools tab to change the formatting of the pull quote text box.] the summary of an interesting point. You can position the text box anywhere in the document. Use the Text Box Tools tab to change the formatting of the pull quote text box.] the summary of an interesting point. You can position the text box anywhere in the document. Use the Text Box Tools tab to change the formatting of the pull quote text box.] Gambar 4-4 Kenampakan spasial hasil klasifikasi Algoritma ANN-SOM citra satelit Quickbird Pengaruh yang signifikan semakin nampak setelah citra dikoreksi berdasarkan kolom air menggunakan algoritma Lyzenga (Gambar 4-4 bagian A6). Perbedaan yang mencolok ini mudah diintrepretasi secara visual tersusun atas habitat berdasarkan warna, yaitu karang (cyan), pasir (kuning), dan daratan (hijau). Keberhasilan aplikasi kohonen SOM tidak terlepas dari kemampuan fungsinya sebagai cluster data citra dimensi tinggi, generalisasi jaringan dapat mengenal ciri input yang belum pernah ditemukan sebelumnya, dan reduksi kenampakan spasial dari kombinasi citra dengan menunjukkan karakteristik spasial objek secara berarti (Kohonen 1984). Teknik aplikasi SOM ini dapat
6 44 diterapkan dalam pengenalan pola, analisis citra, monitoring proses dan diagnosis kesalahan (Uriarte dan Martin 2005). Penerapan SOM terkait paramater jumlah radius ketetanggaan pixel dalam penelitian ini sebesar 4 diset lebih kecil dari 6.66 sesuai hasil penelitian Hu dan Weng (2009) menggunakan citra ASTER. Hal ini diduga karena SOM mampu memetakan objek secara baik tidak hanya citra resolusi rendah sampai sedang, tetapi juga bagi citra resolusi tinggi seperti Quickbird. Analisis visual menunjukkan ciri spasial dan spesifik berbeda setiap klaster berdasarkan perbedaan warna mewakili perbedaan kelas, sebagaimana Camacho (2006) mengintrepretasi citra habitat terumbu karang Midway Atoll dan Mishra et al. (2006) memetakan habitat bentik di perairan tropik menggunakan citra Quickbird dengan teknik klasifikasi unsupervised ISODATA (iterative self organizing data analysis). Menurut Green et al (2000) bahwa teknik klasifikasi unsupervised mengklasifikasi secara otomatis pixel kedalam sejumlah kelas berdasarkan kesamaan spektral tanpa referensi spektra dari user. Lain halnya dengan algoritma ISODATA, kemampuan SOM dapat mengeneralisasi data habitat terumbu karang yang sama kedalam satu klaster/kelas tersebut dapat diketahui dengan sendirinya dari distribusi nilai DN secara merata di semua kanal RGB yang didefinisikan menjadi Band 1 (Red), Band 2 (Green) dan Band 3 (Blue). Algoritma ISODATA menurut Mishra et al. (2006) dapat menyusun klaster citra kombinasi Band Quickbird kemudian diklasifikasi lebih lanjut dengan maximum likelihood. Teknik pendekatan klaster citra melalui algoritma SOM ini seyogyanya merupakan salah satu bagian dari tahapan proses klasifikasi algoritma backpropagation maupun adaptive boosting. Disamping kenampakan spasial diatas, secara statistik berdasarkan histogram Gambar 4-5 menunjukkan pola kenampakan yang berbeda satu dengan lainnya. Perubahan yang signifikan terjadi setelah data input dikoreksi menggunakan algoritma Lyzenga (A6). Kecenderungan ini terlihat dengan makin meningkatnya jumlah klaster pada kondisi tersebut. Hal ini semakin memperkuat bahwa input data A6 baik untuk reklasifikasi lebih lanjut dengan ANN supervised.
7 45 Gambar 4-5 Histogram Klasifikasi Algoritma SOM Hasil analisis statistik masing-masing klaster SOM meliputi nilai-nilai covariance, koefisien korelasi dan eigenvector (Lampiran 2-6) mencerminkan keeratan hubungan kombinasi masing-masing Band untuk mengekstraksi informasi spasial objek (target) tersebar pada nilai DN. Hasil analisis kovarian matrik dari masing-masing klaster berbeda sesuai pencirinya. Karakteristik ini terkait preservasi hubungan ketetanggaan sebesar jarak 4 pixel jarak yang begitu jauh, nilai pixel ini merupakan data vektor ketetanggaan ruang input yang dipetakan kedalam ruang output. Kenampakan secara spasial dan statistik ini
8 46 membuat ANN-SOM sangat berguna dalam analisis data dan visual dimana tujuan umumnya adalah mewakili data dari suatu ruang dimensi tinggi dalam suatu ruang dimensi yang sama lemahnya untuk preservasi struktur internal dari data ruang input. Berdasarkan analisis kovarian matrik menunjukkan adanya keeratan hubungan antara masing-masing variabel yaitu, Band 1 (Red), Band 2 (Green) dan Band 3 (Blue) terhadap ekstraksi objek. Nilai kovarian secara diagonal menunjukkan besar dan arah hubungan linear antara dua peubah Band. Nilai kovarian klaster A4 secara berurutan menunjukkan nilai makin besar pada Band 1, 3 dan 2 dengan nilai penciri (eigen value) terbesar yaitu Band 1. Karakteristik vektor (eigen vector) Band 1 besarannya searah Band 2 dan sebaliknya terhadap Band 3. Berbeda dengan nilai kovarian klaster A6 secara berurutan menunjukkan nilai makin besar pada Band 1, 2 dan 3 dengan nilai penciri (eigen value) terbesar yaitu Band 1. Eigen vector Band 1 besarannya searah terhadap Band 2 dan 3. Karakteristik ini menunjukkan secara jelas bahwa Band 1 optimal dalam mengekstraksi informasi, terutama kelas pasir. Hal ini diperkuat pula oleh nilai korelasi negatif ((-)) Band 1 terhadap Band 3 masih dengan eigen value terendah dibanding Band yang lain ataupun kombinasi lainnya. Pemetaan hubungan ketetanggaan ANN-SOM memungkinkan untuk melihat secara jelas output ruang dan struktur tersembunyi dalam data dimensi tinggi, seperti cluster. Sebagaimana ANN-SOM didefinisikan dengan asumsi bahwa beberapa parameter peta, seperti parameter pembelajaran, topology dan ukuran peta selama fase training. Kenampakan ini mempengaruhi peta akhir, sehingga sangat penting kehati-hatian untuk memilih parameter-parameter yang menghasilkan peta tepat (Uriarte dan Martin 2005). Oleh karena itu, pengembangan klasifikasi algoritma ANN supervised dapat mengesktrak nilai ROI lebih lanjut pada klaster tersebut, sehingga berguna sebagai target data pembelajaran. Guna menguji perbedaan pilihan, dapat menggunakan beberapa komputasi tiruan untuk mengevaluasi kualitas peta dan menseleksi satu yang optimal untuk mewakili data Klasifikasi Algoritma ANN Supervised Backpropagation Skenario utama arsitektur klasifikasi algoritma ANN supervised adalah melanjutkan klasifikasi ANN unsupervised (SOM). Penggunaan input citra hasil transformasi SOM, paradigma pembelajaran jaringan secara supervised baik Backpropagation maupun AdaBoost menggunakan parameter klasifikasi (Tabel
9 47 3-4) dan ukuran training sampel ROI (Tabel 3-5) dengan nilai RGB objek ROI terlampir. Kesemua algoritma ANN supervised ini bermaksud meminimalkan kelipatan error semua pola output jaringan selama pelatihan hingga iterasi henti. Data training dan data pengujian untuk klasifikasi ANN supervised diseleksi melalui sampel area Gusung Karang Congkak sebanyak 7,737 pixel. Jumlah ROI ini relatif lebih besar dari eksperimen Konishi et.al (2007) bahwa data training (ROI) diekstrak dari area 5 x 5 pixel masing-masing 10 titik, yaitu 250 pixel masing-masing kategori untuk peta topografi dan data high resolution EROS-A1 1.8m. Sedangkan RADARSAT memerlukan banyak sampel dibandingkan dengan SPOT secara empirik, sebab pixel citra SAR berfluktuasi disebabkan speckle noise. Sehingga ekstraksi ROI dari area padi yang ditanam tersebut ditambahkan 800 pixel. Kondisi ini juga ditemukan terhadap variasi ROI kategori kelas pasir, karang hidup dan laut. Berbeda halnya dengan Conger et al. (2005) yang menentukan ROI sejumlah 61,323 pixel data Hyperspektral. Oleh karena analisis klasifikasi citra tersebut hanya untuk memisahkan pasir dan objek lainnya, maka jumlah ROI tersebut berbeda dengan penelitian ini terhadap beberapa kategori kelas bentik. Besarnya jumlah pixel contoh ROI memungkinkan karena secara visual pemisahan objek hasil klasifikasi unsupervised SOM dari sumber data citra Quickbird tergolong resolusi spasial yang tinggi, sehingga masih mampu diintrepretasi secara baik. Tabel 4-1 Perbandingan hasil penelitian beberapa parameter training ANN supervised Item parameter Keterangan (nilai) I II III IV Training momentum dan Kriteria RMS Training rate dan Jumlah Iterasi training 10,000 1,222 10,000 10,000 Jumlah pixel ROI 7,737 61, Sumber: I (data primer diolah 2011); II (Conger et al. 2005); III (Konishi et al 2007); IV ( Hu dan Weng 2007) Desain layer ANN-BP dalam berbagai penelitian remote sensing klasifikasi citra umumnya terdiri dari 3 layer. Selanjutnya item parameter training (Tabel 4-1) adalah sama dari berbagai penelitian, kecuali nilainya sebagian berbeda. Sedangkan terhadap jumlah neuron dari input layer yang sama untuk input layer citra, Konishi et.al (2007) mencontohkan bahwa RADARSAT tiga, ENVISAT
10 48 enam dan SPOT tiga. Hidden layer dipilih 7 neuron secara empirik. Jumlah neuron output layer sama untuk jumlah kategori 4 neuron. Hu dan Weng (2007) menyatakan bahwa dari formulasi jumlah hidden layer yang menghasilkan jumlah hidden layer node 6, setelah pengujian dilakukan ternyata jumlah hidden layer 4 menunjukkan hasil yang terbaik. Hal ini juga terjadi dalam penelitian ini, dimana jumlah hidden unit hasil formulasi adalah 5, namun performa terbaik secara empirik diperoleh jumlah hidden unit 4. Selama training dari berbagai input kombinasi dari data pembelajaran (learning) yang sama menunjukkan performa training yang berbeda-beda. Nilai cross entropy terendah dinyatakan sebagai pengenalan pola dengan tingkat kesalahan terendah. Performa masing-masing input dapat disajikan pada Gambar 4-6 berikut: the summary of an interesting SOM 1234 point. the summary of an interesting SOM 321 point. [Type a quote from the document SOM 421 or [Type a quote from the SOM document 432 or [Type a quote from the document Lyzenga or [Type a quote from SOM the document Lyzenga or Gambar 4-6 Performa training ANN-BP masing-masing transformasi
11 49 Training melalui prosedur ANN-BP hingga MSE menjadi 0.01 pada 10,000 iterasi dengan masing-masing learning rate dan momentum diset 0.09 dan 0.19 untuk menghitung jumlah pembobotan atau besarnya koreksi. Hal ini sesuai dengan Conger et al. (2005) bahwa perbedaan learning rate dimaksudkan tidak terlepas sebagai upaya untuk mengontrol seberapa cepat jaringan tetap stabil, sedangkan momentum rate berupaya untuk mengontrol ukuran langkah koreksi yang mungkin melampaui dan mencegah konvergensi selama pembelajaran. A [Type a quote from the document B or *) A = 2 unit hidden layer; B = 4 unit hidden layer; Gambar 4-7 Lama iterasi pembelajaran algoritma ANN-BP Penghentian training dari 7,737 set data learning berlangsung beberapa menit mendekati iterasi 5,600 dari iterasi total 10,000 (Gambar 4-6). Umpan balik neuron pada iterasi tersebut dapat mengenali target dengan baik dan berlangsung sama setiap penambahan jumlah hidden unit. Dari semua input pembelajaran, diketahui bahwa kelas A6 (Tabel 4-3) menunjukkan terbaik sesuai dengan ukuran kesalahan berdasarkan log (cross entropy/ce) bernilai 4 (=0.60) sejak iterasi dimulai dan bernilai 1.6 (=0.20) hingga iterasi henti. Cross-entropy cenderung membiarkan kesalahan untuk mengubah bobot bahkan ketika node jenuh (turunannya mendekati 0). Semakin lebih berguna untuk memecahkan masalah dimana target adalah 0 dan 1 (output dapat mengasumsikan nilai-nilai diantara keduanya). Pengukuran CE sebagai salah satu alternatif untuk ukuran kesalahan (squared error) dapat digunakan ketika suatu network output mewakili hipotesis independen (misalnya setiap node berdiri untuk suatu konsep yang berbeda) dan aktivasi node mewakili probabilitas (keyakinan) bahwa setiap hipotesis bisa jadi benar. Vektor output merupakan distribusi probabilitas dan CE menunjukkan jarak antara distribusi jaringan dan pengetahuan pembelajaran yang harus
12 50 percaya. Keseluruhan pengukuran nilai CE dari setiap proses input disajikan pada Tabel 4-2 berikut: Tabel 4-2 Cross entropy masing-masing input No Input data training Kode Cross entropy Nilai (log) akhir 1 SOM dengan input semua Band A (Band 1, 2, 3 dan 4) 2 SOM dengan input kombinasi A Band SOM dengan input kombinasi A Band SOM dengan input kombinasi A Band Deep invariant index A (Lyzenga) 6 SOM dengan input data Lyzenga A Hasil pelatihan jaringan ANN-BP menggunakan input data hasil klasifikasi Lyzenga yang diklaster dengan algoritma ANN-SOM (Gambar 4-7) merupakan performa hasil terbaik dengan cross entropy semakin mendekati nol dari semua input kombinasi, diperoleh kenampakan spasial yang berbeda, dimana target pasir campur karang tidak dapat dikenali secara baik pada penentuan jumlah hidden unit 2. Setelah hidden unit ditambah 4 hasilnya menjadi siginifikan menampilkan target yang sebelumnya tidak ada. Penentuan jumlah hidden unit dan input yang tepat sangat berpengaruh terhadap kualitas klasifikasi. Demikian pula halnya dengan kemampuan sistem melakukan generalisasi pola pembelajaran dari input data pembelajaran (learning) yang diberikan. Makin baik pemisahan objek learning berdasarkan degradasi warna berdasarkan kemampuan ekstraksi informasi dari transformasi kombinasi Band citra, maka kemampuan pengenalan pola tentu akan semakin lebih baik.
13 51 You can (A) position the text box anywhere Tools tab to change the formatting of You can (B) position the text box anywhere Tools tab to change the formatting of *) A = 2 unit hidden layer; B = 4 unit hidden layer; Gambar 4-8 Kenampakan spasial hasil klasifikasi algoritma ANN-BP
14 52 Kenampakan spasial diatas, jika dilihat secara statistik berdasarkan histogram (Gambar 4-9) memiliki pola kenampakan berbeda dari masing-masing klasifikasi ANN-BP. Perbedaan tersebut disebabkan oleh jumlah unit hidden layer secara empirik lebih baik pada jumlah unit lebih besar dari 2. Pada penentuan jumlah hidden layer node 4 menunjukkan klasifikasi terbaik. Hal ini tidak terpaku berdasarkan formula Schowengerdt (1997; 2007) dan postulat Fletcher dan Goss (1993) yang digunakan dalam hasil penelitian klasifikasi citra oleh Hu dan Weng (2007). Selanjutnya menunjukkan secara empirik terdapat perbedaan hasil ketika dilakukan perubahan jumlah hidden layer dari enam sesuai formula, ketika dilakukan perubahan jumlah menjadi empat ternyata hasil klasifikasi citra lebih baik. [Type a quote from the 2 hidden document layer or [Type a quote from the 4 hidden document layer or You can position the text box You can position the text box anywhere in the document. Use the anywhere in the document. Use the Text Box Tools tab to change the Text Box Tools tab to change the formatting of the pull quote text formatting of the pull quote text box.] box.] Gambar 4-9 Histogram klasifikasi algoritma ANN-BP Algoritma ANN Supervised Adaptive Boosting Berdasarkan skema ANN supervised diatas dapat diterangkan bahwa propagasi dari sinyal input melalui jaringan mengalami peningkatan secara adaptif dari Algoritma Adaptive Boosting (ANN-AdaBoost). Dari parameter input dan ROI yang sama digunakan terhadap algoritma ANN-BP, kecuali jumlah hidden layer algoritma ANN-AdaBoost ditambah menjadi hidden layer 1 dan 2 untuk jumlah hidden node masing-masing 8 serta menggunakan training Kalman filter (TKF) untuk memperhalus atau memfilter informasi noise. Hasil analisis kenampakan spasial (Gambar 4-10) menunjukkan perbedaan yang signifikan dan memerlukan relatif sedikit jumlah iterasi (280 iterasi) dengan ukuran kesalahan (quadratic error) 0.24 (Gambar 4-12).
15 53 You can position the text box anywhere Tools tab to change the formatting of Gambar 4-10 Kenampakan spasial klasifikasi algoritma ANN-AdaBoost the summary of an interesting point. You can position the text box anywhere in the document. Use the Text Box Tools tab to change the formatting of the pull quote text box.] Gambar 4-11 Histogram klasifikasi algoritma ANN-AdaBoost Hasil klasifikasi kenampakan diatas menunjukkan pola dan kenampakan spasial yang relative sama dengan klasifikasi ANN-BP. Perbedaan yang mencolok terletak pada jumlah iterasi dan waktu yang dibutuhkan hingga iterasi henti. Perolehan hasil eksperimen ini dalam rangka mengatasi kelemahan utama dari lama waktu pelatihan relevan dengan hasil eksperimen Freund dan Shapire (1996) untuk klasifikasi data satelit multispektral tutupan lahan menggunakan algoritma ANN-AdaBoost diterapkan pada urutan tiga lapis umpan-maju jaringan
16 54 ANN. Meski terlihat dari histogram (Gambar 4-11) menunjukkan pola yang relatif sama dari ekstraksi pixel, namun menurut Shah dan Palmeri (1990) bahwa algoritma ANN-AdaBoost dengan pelatihan Kalman filter menjadi efisien melatih setiap neuron dalam jaringan lokal, membuat eksplisit penggunaan matriks kesalahan bobot sinaptik neuron. the summary of an interesting point. in the document. Use the Text Box the pull quote text box.] Gambar 4-12 Ukuran kesalahan (quadratic error) selama iterasi Ini berarti bahwa pelatihan algoritma ANN-AdaBoost tidak memerlukan jumlah iterasi yang besar dibanding algoritma ANN-BP (5,600 iterasi) dari total jumlah iterasi yang disiapkan. Meskipun kedua algoritma ANN supervised memiliki presisi yang sangat baik, karena memiliki nilai ukuran kesalahan mendekati 0. Dari keseluruhan input data training, Input A6 menunjukkan quadratic error dan misclassification rate relatif lebih baik dibanding lainnya. Hal ini tidak terlepas dari pengaruh integrasi training Kalman Filter (KF) yang menduga secara iteratif bagian dari suatu sistem pengamatan ANN supervised. Training Kalman Filter yang dilakukan Spence et al. (2008) dapat memasukkan data dari bermacam-macam pengertian kedalam sistem pendugaan, pengukuran statistik untuk memperhalus data dan membuang informasi yang bersifat noise. Intrepretasi KF yang juga dilakukan Parker (1994) merupakan suatu sistem linear yang menyatakan kelipatan rata-rata kesalahan (squared error) antara output yang diharapkan dan output aktual dengan meminimalkan input acak saat digeneralisasi secara acak noise dari iterasi konstan per unit kanal pada tiap frekuensi dari nilai pixel yang diinginkan.
17 55 Tabel 4-3 Quadratic error dan misclassification rate masing-masing input No Input Data Training Kode Quadratic Misclassification rate error Training validasi 1 SOM dengan input semua A Band (Band 1, 2, 3 dan 4) 2 SOM dengan input A kombinasi Band SOM dengan input A kombinasi Band SOM dengan input A kombinasi Band Deep invariant index A (Lyzenga) 6 SOM dengan input data Lyzenga A Pengenalan pola masing-masing input pembelajaran (learning) dari input kombinasi menunjukkan performa yang berbeda-beda. Hal ini dapat ditunjukkan pada Gambar 4-13 berikut: [Type a quote from the document or the summary of an interesting point. You can position the text box anywhere in the document. Use the Text Box Tools tab to [Type a quote from the document or the summary of an interesting point. You can position the text box anywhere in the document. Use the Text Box Tools tab to [Type a quote from the document or the summary of an interesting point. You can position the text box anywhere in the document. Use the Text Box Tools tab to [Type a quote from the document or the summary of an interesting point. You can position the text box anywhere in the document. Use the Text Box Tools tab to [Type a quote from the document or the summary of an interesting point. You can position the text box anywhere in the document. Use the Text Box Tools tab to [Type a quote from the document or the summary of an interesting point. You can position the text box anywhere in the document. Use the Text Box Tools tab to Gambar 4-13 Performa pembelajaran Algoritma ANN-AdaBoost berbagai input (Garis putus-putus untuk validasi data pelatihan dan data pengujian titik-titik)
18 56 Pengenalan pola masing-masing pembelajaran terhadap data input dan output (target) dimulai pada network ke 2. Pengenalan semakin lebih baik pada network ke 3 hingga 74. Validasi data selama pelatihan menunjukkan misclassification rate 0,0080 untuk set data pelatihan (garis putus-putus) dan untuk set data pengujian (garis titik-titik) dimulai pada network ke 2. Pada network ke 3 dan seterusnya hingga iterasi henti menunjukkan misclassification rate 0 (Gambar 4-11). the summary of an interesting point. You can position the text box anywhere in the document. Use the Text Box Tools tab to change the formatting of the pull quote text box.] Gambar 4-14 Validasi data pelatihan (putus-putus) dan data pengujian (titik-titik) Bobot-bobot neuron network klasifikasi ANN supervised AdaBoost dari hasil kalkulasi input dan output (target) mencapai konvergensi hingga network 74 (Gambar 4-12). Bobot-bobot tersebut (Lampiran 4) dihitung mulai 0 hingga 5 kali percobaan (trial) dari jumlah hidden neuron 1 dan hidden neuron 2 masingmasing adalah 8. Penentuan jumlah hidden neuron ini secara empirik disesuaikan dengan jumlah target (output) yang diharapkan. You can position the text box anywhere in the document. Use the Text Box Tools tab to change the formatting of Gambar 4-15 Bobot (weight) neuron selama kalkulasi jaringan (network)
19 Penilaian Akurasi Data Koreksi Posisi Koreksi posisi E dilakukan pada 122 titik pengamatan yang tersebar di gosong Karang Congkak dan Karang Lebar bertujuan untuk menambah keakuratan posisi. Penelitian ini diperoleh nilai E dari perhitungan dalam satu hari, tidak semua posisi terkoreksi dikarenakan adanya gangguan teknis seperti GPS mati. Hasil koreksi posisi diperoleh nilai E berkisar antara m, berarti bahwa keakurasian pengukuran posisi meningkat walaupun belum maksimum seperti memakai Differential GPS. Hal ini tentunya mendekati resolusi spasial citra satelit Quickbird 2.44m x 2.44m. Kesalahan posisi untuk banyak penggunaan GPS umumnya merupakan hal yang tidak dapat diterima, apalagi jika nilainya mencapai m seperti dinyatakan Green et al. (2000). Berdasarkan pendekatan beda fase 5 detik yang diset untuk mengukur kesalahan yang sering terjadi dan pada waktu yang sama dari informasi spasial yang dikumpulkan adalah sangat memungkinkan untuk mengkoreksi banyak ketidakakuratan. Teknik ini masih cukup baik jika dibandingkan dengan Green et al. (2000) yang mengatur GPS referensi sedetik untuk mengkoreksi GPS stationer hingga memiliki akurasi yang sangat tinggi (jika akurasi posisi 2-3m dihasilkan, maka memerlukan akurasi <0.5m). GPS receiver mengumpulkan data lapang dalam penelitian ini, akurasinya menjadi sangat penting khususnya pengumpulan data menggunakan citra resolusi tinggi seperti Quickbird. Hal ini menjadi penting artinya tidak hanya dalam penelitian ini, tetapi ditegaskan pula oleh Serr et el. (2006) bahwa GPS receiver dengan akurasi 2-5m seperti Trimble GeoExplorer II tidak dapat mengumpulkan data yang meregistrasi 2-4m pixel yang benar dari citra Quickbird. Perhitungan GPS receiver 5 detik ini sudah memadai sebagaimana Kechine et al. (2003) menguji secara kinematik 7-8 detik dan lebih dari 99% pada koreksi global dengan interval 1 detik Uji Akurasi Hasil Klasifikasi Habitat Perairan Dangkal Uji akurasi tematik klasifikasi perairan dangkal area gusung Karang lebar dan Karang Congkak menunjukkan perbedaan yang tidak berarti dari masingmasing klasifikasi algoritma ANN-BP (Gambar 4-16) dan ANN-AdaBoost (Gambar 4-17) setelah ditumpangsusunkan dengan menggunakan data GPS hasil koreksi. Akurasi keseluruhan dari hasil uji akurasi tematik tersebut disajikan
20 58 secara lengkap disajikan untuk klasifikasi algoritma ANN-BP (Tabel 4-4) dan ANN-AdaBoost (Tabel 4-5) berikut: You can position the text box anywhere Tools tab to change the formatting of Gambar 4-16 Lokasi kajian uji akurasi tematik klasifikasi algoritma ANN-BP Tabel 4-4 Uji akurasi klasifikasi habitat perairan dangkal algoritma ANN-BP Lapangan Karang karang pasir mix pasir mix total Hidup mati Pasir Lamun karang lamun baris 1 Karang Citra training Hidup karang mati Pasir Lamun pasir campur karang pasir campur lamun total kolom Keterangan : Total benar = 101, Total sampel= 122, Total akurasi = 101/122*100% = 82.79% producer accuracy user accuracy Lapangan akurasi Citra akurasi 1 17/24 = /17= /32= /37= /20= /23= /18 = /12= /17 = /21= /11 = /12= 83.33
21 59 You can position the text box anywhere Tools tab to change the formatting of Gambar 4-17 Lokasi kajian uji akurasi tematik klasifikasi algoritma ANN- AdaBoost Tabel 4-5 Uji akurasi klasifikasi habitat perairan dangkal Algoritma ANN- AdaBoost Lapangan Karang karang pasir mix pasir mix Total Citra training Hidup mati Pasir Lamun karang lamun baris 1 Karang Hidup karang mati Pasir Lamun pasir campur karang pasir campur lamun total kolom Keterangan : Total benar = 102, Total sampel= 122, Total akurasi = 102/122*100% = 83.61% producer accuracy user accuracy Lapangan akurasi Citra akurasi 1 17/24 = /17= /32= /37= /20= /23= /17 = /12= /18 = /21= /11 = /12= 83.33
22 60 Pengembangan uji hasil klasifikasi algoritma ANN-BP menunjukkan 82.79% relatif lebih besar dari klasifikasi algoritma lyzenga (Amri, dkk 2010) sebesar 79.01% maupun Siregar, dkk (2010) sebesar 79%. Hal ini semakin meningkat dengan diterapkannya algoritma ANN-AdaBoost menghasilkan 83,61%. Dengan demikian dapat dikatakan bahwa penerapan klasifikasi ini dapat digunakan untuk memetakan habitat dasar perairan gusung karang lebar dan karang congkak Kepulauan Seribu. Hasil perhitungan akurasi untuk producer dan user memperlihatkan bahwa semua jenis penutupan dasar perairan terwakili dengan baik. Fakta ini menunjukkan bahwa skenario uji akurasi telah memadai untuk mencakup keseluruhan skema kelas penutupan lahan yang dihasilkan dari hasil transformasi citra transformasi. Faktor lain yang turut mempengaruhi tingkat akurasi adalah terjadinya selisih posisi antara citra dan GPS. Terkait dengan proses transformasi sistem koordinat citra ke sistem koordinat GPS diperoleh root mean square error untuk posisi adalah 0,57m. Hal ini sudah cukup memadai bagi resolusi spasial citra Quickbird. Keseluruhan hasil uji akurasi habitat terumbu karang diatas menunjukkan bahwa metode klasifikasi ANN supervised masih memiliki tingkat akurasi relatif baik, jika diperbandingkan dengan hasil penilaian akurasi penelitian De Mazieres (2008), hasil yang sama diperoleh dari hasil penelitian Green et al. (2000) menggunakan data satelit Landsat bahwa klasifikasi unsupervised menghasilkan peta habitat karang dengan overall accuracy rendah <50% dibandingkan >70% menggunakan klasifikasi supervised. Demikian pula halnya klasifikasi unsupervised yang mengembangkan algoritma ISODATA untuk memetakan habitat bentik perairan tropik diperoleh overall accuracy 81% (Mishra et al. 2006). Hasil klasifikasi habitat perairan dangkal dari pengembangan metode klasifikasi ANN di atas menunjukkan tingkat akurasi masih relatif lebih tinggi dibandingkan dengan hasil penelitian Siregar dkk (2010) dari hasil uji akurasi kondisi ekosistem dasar perairan difokuskan kajian di tubir dan area luar dilakukan deliniasi, terhadap 5 kategori yaitu sangat baik, baik, sedang, buruk, dan sangat buruk. Uji akurasi kondisi terumbu sangat baik dan baik dijadikan satu kelas, sedangkan kondisi buruk dan sangat buruk dijadikan satu kelas. Hal ini dilakukan, karena menginterpretasikan data cukup sulit. Uji akurasi dilakukan di Karang Lebar diperoleh total akurasi %.
23 61 You can position the text box anywhere Tools tab to change the formatting of Gambar 4-18 Kajian akurasi kondisi ekosistem terumbu karang (Karang Lebar) (Siregar dkk. 2010) Tabel 4-8 Uji akurasi klasifikasi ekosistem terumbu karang (Siregar dkk. 2010) Lapangan Total Sangat Sangat Citra training Baik Sedang Buruk baris baik buruk 1 Sangat baik Baik Sedang Buruk Sangat buruk Total kolom Keterangan: Total benar = 25, Total sampel = 60, Total akurasi = 25/60*100% = 41.67% Uji akurasi klasifikasi kondisi ekosistem terumbu karang meliputi skema kategori kelas terumbu karang buruk, sedang dan baik hasil penelitian ini relatif lebih rendah, jika dibanding dengan perolehan akurasi penelitian Benfield et al. (2007), khususnya penggunaan Quickbird di kepulauan Las Perlas dari perbandingan berbagai metode klasifikasi citra.
3. METODE PENELITIAN
3. METODE PENELITIAN 3.1 Waktu dan Lokasi Penelitian Penelitian ini berlangsung mulai Maret 2009 - Juli 2010. Prosessing data citra dilakukan di bagian SIG Kelautan dan Remote Sensing Departemen Ilmu dan
Lebih terperinciPENGELOMPOKKAN HABITAT DASAR PERAIRAN DANGKAL BERBASIS DATA SATELIT QUICKBIRD MENGGUNAKAN ALGORITMA SELF ORGANISING MAP
AQUASAINS (Jurnal Ilmu Perikanan dan Sumberdaya Perairan) PENGELOMPOKKAN HABITAT DASAR PERAIRAN DANGKAL BERBASIS DATA SATELIT QUICKBIRD MENGGUNAKAN ALGORITMA SELF ORGANISING MAP Asmadin 1 Vincentius P
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 terperinci4. HASIL DAN PEMBAHASAN
4. HASIL DAN PEMBAHASAN 4.1. Pemetaan Batimetri 4.1.1. Pemilihan Model Dugaan Dengan Nilai Digital Asli Citra hasil transformasi pada Gambar 7 menunjukkan nilai reflektansi hasil transformasi ln (V-V S
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 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 terperinci3. BAHAN DAN METODE. Penelitian yang meliputi pengolahan data citra dilakukan pada bulan Mei
3. BAHAN DAN METODE 3.1. Waktu dan Tempat Penelitian yang meliputi pengolahan data citra dilakukan pada bulan Mei sampai September 2010. Lokasi penelitian di sekitar Perairan Pulau Pari, Kepulauan Seribu,
Lebih terperincimenunjukkan nilai keakuratan yang cukup baik karena nilai tersebut lebih kecil dari limit maksimum kesalahan rata-rata yaitu 0,5 piksel.
Lampiran 1. Praproses Citra 1. Perbaikan Citra Satelit Landsat Perbaikan ini dilakukan untuk menutupi citra satelit landsat yang rusak dengan data citra yang lainnya, pada penelitian ini dilakukan penggabungan
Lebih terperinci5. PEMBAHASAN 5.1 Koreksi Radiometrik
5. PEMBAHASAN Penginderaan jauh mempunyai peran penting dalam inventarisasi sumberdaya alam. Berbagai kekurangan dan kelebihan yang dimiliki penginderaan jauh mampu memberikan informasi yang cepat khususnya
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 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 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN 3.1. Data Yang Digunakan Dalam melakukan penelitian ini, penulis membutuhkan data input dalam proses jaringan saraf tiruan backpropagation. Data tersebut akan digunakan sebagai
Lebih terperinciBAB III PERANCANGAN DAN IMPLEMENTASI SISTEM
BAB III PERANCANGAN DAN IMPLEMENTASI SISTEM Pada bab ini akan dijelaskan mengenai tahapan dan algoritma yang akan digunakan pada sistem pengenalan wajah. Bagian yang menjadi titik berat dari tugas akhir
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Persiapan Tahap persiapan merupakan tahapan penting dalam penelitian ini. Proses persiapan data ini berpengaruh pada hasil akhir penelitian. Persiapan yang dilakukan meliputi
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 III PELAKSANAAN PENELITIAN
BAB III PELAKSANAAN PENELITIAN Pada bab ini akan dijelaskan mengenai alat dan bahan yang digunakan dalam penelitian ini serta tahapan-tahapan yang dilakukan dalam mengklasifikasi tata guna lahan dari hasil
Lebih terperinciBAB III PERANCANGAN SISTEM
BAB III PERANCANGAN SISTEM 3.1 Definisi Masalah Dalam beberapa tahun terakhir perkembangan Computer Vision terutama dalam bidang pengenalan wajah berkembang pesat, hal ini tidak terlepas dari pesatnya
Lebih 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 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 terperinciIII. METODE PENELITIAN
14 III. METODE PENELITIAN 3.1. Waktu dan Tempat Penelitian Penelitian ini dilakukan sejak bulan April 2009 sampai November 2009 di Laboratorium Penginderaan Jauh dan Interpretasi Citra, Departemen Ilmu
Lebih terperinciV. HASIL DAN PEMBAHASAN
27 V. HASIL DAN PEMBAHASAN 5.1. Penampilan Citra Dual Polarimetry PALSAR / ALOS Penampilan citra dual polarimetry : HH dan HV level 1. 5 PALSAR/ALOS masing-masing dapat dilihat pada ENVI 4. 5 dalam bentuk
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 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 terperinciBAB III METODA. Gambar 3.1 Intensitas total yang diterima sensor radar (dimodifikasi dari GlobeSAR, 2002)
BAB III METODA 3.1 Penginderaan Jauh Pertanian Pada penginderaan jauh pertanian, total intensitas yang diterima sensor radar (radar backscattering) merupakan energi elektromagnetik yang terpantul dari
Lebih terperinciBAB IV PENGOLAHAN DATA
BAB IV PENGOLAHAN DATA 4.1 Koreksi Geometrik Langkah awal yang harus dilakukan pada penelitian ini adalah melakukan koreksi geometrik pada citra Radarsat. Hal ini perlu dilakukan karena citra tersebut
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 terperinciHASIL DAN PEMBAHASAN
HASIL DAN PEMBAHASAN Koreksi Geometrik Koreksi geometrik adalah suatu proses memproyeksikan data pada suatu bidang sehingga mempunyai proyeksi yang sama dengan proyeksi peta. Koreksi ini dilakukan untuk
Lebih terperinciBAB 3 PERANCANGAN DAN PEMBUATAN SISTEM
BAB 3 PERANCANGAN DAN PEMBUATAN SISTEM Dalam bab ini akan dibahas mengenai perancangan dan pembuatan sistem aplikasi yang digunakan sebagai user interface untuk menangkap citra ikan, mengolahnya dan menampilkan
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN 4.1 Pengumpulan dan Praproses Data Kegiatan pertama dalam penelitian tahap ini adalah melakukan pengumpulan data untuk bahan penelitian. Penelitian ini menggunakan data sekunder
Lebih 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. 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 terperinciMETODOLOGI. Gambar 4. Peta Lokasi Penelitian
22 METODOLOGI Tempat dan Waktu Penelitian Penelitian dilakukan di Kota Sukabumi, Jawa Barat pada 7 wilayah kecamatan dengan waktu penelitian pada bulan Juni sampai November 2009. Pada lokasi penelitian
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 terperinciBAB III METODOLOGI 3.1 Waktu dan Tempat 3.2 Alat dan Data 3.3 Tahapan Pelaksanaan
15 BAB III METODOLOGI 3.1 Waktu dan Tempat Penelitian ini dilaksanakan mulai bulan Juli sampai dengan April 2011 dengan daerah penelitian di Kabupaten Bogor, Kabupaten Sukabumi, dan Kabupaten Cianjur,
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 I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Hasil sensus jumlah penduduk di Indonesia, dengan luas wilayah kurang lebih 1.904.569 km 2 menunjukkan adanya peningkatan jumlah penduduk, dari tahun 2010 jumlah penduduknya
Lebih terperinciIII. BAHAN DAN METODE
10 III. BAHAN DAN METODE 3.1. Tempat Dan Waktu Penelitian Penelitian dilakukan di laboratorium dan di lapang. Pengolahan citra dilakukan di Bagian Penginderaan Jauh dan Informasi Spasial dan penentuan
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 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 terperinci1 PENDAHULUAN 1.1 Latar Belakang
1 PENDAHULUAN 1.1 Latar Belakang Luas mangrove di Indonesia adalah sekitar 4,25 juta hektar, yang merepresentasikan 25 % dari mangrove dunia. Indonesia merupakan pusat dari sebagian biogeografi genus mangrove
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 4 HASIL DAN ANALISA
BAB 4 HASIL DAN ANALISA 4. Analisa Hasil Pengukuran Profil Permukaan Penelitian dilakukan terhadap (sepuluh) sampel uji berdiameter mm, panjang mm dan daerah yang dibubut sepanjang 5 mm. Parameter pemesinan
Lebih terperinciBAB II TEORI DASAR. Beberapa definisi tentang tutupan lahan antara lain:
BAB II TEORI DASAR 2.1 Tutupan Lahan Tutupan Lahan atau juga yang biasa disebut dengan Land Cover memiliki berbagai pengertian, bahkan banyak yang memiliki anggapan bahwa tutupan lahan ini sama dengan
Lebih terperinciSAMPLING DAN KUANTISASI
SAMPLING DAN KUANTISASI Budi Setiyono 1 3/14/2013 Citra Suatu citra adalah fungsi intensitas 2 dimensi f(x, y), dimana x dan y adalahkoordinat spasial dan f pada titik (x, y) merupakan tingkat kecerahan
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 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 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Jaringan Saraf Tiruan Jaringan saraf tiruan adalah paradigma pengolahan informasi yang terinspirasi oleh sistem saraf secara biologis, seperti proses informasi pada otak manusia.
Lebih terperinciIII. METODOLOGI 3.1 Waktu Penelitian 3.2 Lokasi Penelitian
III. METODOLOGI 3.1 Waktu Penelitian Penelitian ini dilakukan dari bulan Februari sampai September 2011. Kegiatan penelitian ini meliputi tahap prapenelitian (persiapan, survei), Inventarisasi (pengumpulan
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 terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Forecasting Forecasting (peramalan) adalah seni dan ilmu untuk memperkirakan kejadian di masa yang akan datang. Hal ini dapat dilakukan dengan melibatkan data historis dan memproyeksikannya
Lebih terperinciBAB III PERANCANGAN SISTEM
BAB III PERANCANGAN SISTEM Dalam pengerjaan perancangan dan pembuatan aplikasi pengenalan karakter alfanumerik JST algoritma Hopfield ini menggunakan software Borland Delphi 7.0. 3.1 Alur Proses Sistem
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 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 IV HASIL PENELITIAN DAN PEMBAHASAN. fold Cross Validation, metode Convolutional neural network dari deep learning
BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1 Prinsip Kerja Program P rinsip kerja program yaitu dengan melakukan pra pengolahan citra terhadap foto fisik dari permukaan buah manggis agar ukuran seluruh data
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Jaringan Syaraf Tiruan Artificial Neural Network atau Jaringan Syaraf Tiruan (JST) adalah salah satu cabang dari Artificial Intelligence. JST merupakan suatu sistem pemrosesan
Lebih terperinciHASIL DAN PEMBAHASAN
HASIL DAN PEMBAHASAN Parameter Gauss Untuk dapat melakukan pengolahan data menggunakan ANN, maka terlebih dahulu harus diketahui nilai set data input-output yang akan digunakan. Set data inputnya yaitu
Lebih terperinciq Tujuan dari kegiatan ini diperolehnya peta penggunaan lahan yang up-to date Alat dan Bahan :
MAKSUD DAN TUJUAN q Maksud dari kegiatan ini adalah memperoleh informasi yang upto date dari citra satelit untuk mendapatkan peta penggunaan lahan sedetail mungkin sebagai salah satu paramater dalam analisis
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 terperinciBAB IV HASIL DAN PEMBAHASAN. Implementasi antar muka dalam tugas akhir ini terdiri dari form halaman
BAB IV HASIL DAN PEMBAHASAN 4.1 Implementasi Antar Muka Implementasi antar muka dalam tugas akhir ini terdiri dari form halaman judul perangkat lunak, form pelatihan jaringan saraf tiruan, form pengujian
Lebih 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 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 terperinciPEMETAAN SUBSTRAT DASAR PERAIRAN DANGKAL KARANG CONGKAK DAN LEBAR KEPULAUAN SERIBU MENGGUNAKAN CITRA SATELIT QUICK BIRD
E-Jurnal Ilmu dan Teknologi Kelautan Tropis, Vol. 2, No. 1, Hal. 19-30, Juni 2010 PEMETAAN SUBSTRAT DASAR PERAIRAN DANGKAL KARANG CONGKAK DAN LEBAR KEPULAUAN SERIBU MENGGUNAKAN CITRA SATELIT QUICK BIRD
Lebih terperinciBAB 4 IMPLEMENTASI DATA SPEKTROFOTOMETER DAN ANALISA DENGAN BACKPROPAGATION DAN ALGORITMA PCA
BAB 4 IMPLEMENTASI DATA SPEKTROFOTOMETER DAN ANALISA DENGAN BACKPROPAGATION DAN ALGORITMA PCA 4.1 Deteksi DD dengan Dengue Duo (NS1 Ag dan IgG/IgM) Data yang diperoleh merupakan hasil pemeriksaan Dengue
Lebih terperinciGambar 11. Citra ALOS AVNIR-2 dengan Citra Komposit RGB 321
V. HASIL DAN PEMBAHASAN 5.1. Analisis Spektral Citra yang digunakan pada penelitian ini adalah Citra ALOS AVNIR-2 yang diakuisisi pada tanggal 30 Juni 2009 seperti yang tampak pada Gambar 11. Untuk dapat
Lebih terperinciBAB 3 PROSEDUR DAN METODOLOGI. menawarkan pencarian citra dengan menggunakan fitur low level yang terdapat
BAB 3 PROSEDUR DAN METODOLOGI 3.1 Permasalahan CBIR ( Content Based Image Retrieval) akhir-akhir ini merupakan salah satu bidang riset yang sedang berkembang pesat (Carneiro, 2005, p1). CBIR ini menawarkan
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 terperinciIV. METODOLOGI 4.1. Waktu dan Lokasi
31 IV. METODOLOGI 4.1. Waktu dan Lokasi Waktu yang dibutuhkan untuk melaksanakan penelitian ini adalah dimulai dari bulan April 2009 sampai dengan November 2009 yang secara umum terbagi terbagi menjadi
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 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 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 terperinciBAB III LANDASAN TEORI
BAB III LANDASAN TEORI 3.1. Citra Digital Citra digital adalah suatu citra elektronik yang diambil dari dokumen, seperti foto, buku, maupun sebuah video. Proses perubahan citra analog menjadi citra digital
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 5 HASIL DAN PEMBAHASAN
4 BAB HASIL DAN PEMBAHASAN Ada tiga tahap utama yang dilakukan pada percobaan ini yaitu ektraksi ciri, pelatihan dan pengujian JST. Percobaan dilakukan dengan mengkombinasikan data hasil ekstraksi ciri
Lebih terperinciBAB III METODE PENELITIAN. Desain penelitian untuk pengenalan nama objek dua dimensi pada citra
BAB III METODE PENELITIAN 3.1 Desain Penelitian Desain penelitian untuk pengenalan nama objek dua dimensi pada citra adalah sebagai berikut. Gambar 3.1 Desain Penelitian 34 35 Penjelasan dari skema gambar
Lebih terperincilalu menghitung sinyal keluarannya menggunakan fungsi aktivasi,
LAMPIRAN 15 Lampiran 1 Algoritme Jaringan Syaraf Tiruan Propagasi Balik Standar Langkah 0: Inisialisasi bobot (bobot awal dengan nilai random yang paling kecil). Langkah 1: Menentukan maksimum epoch, target
Lebih terperinciAplikasi yang dibuat adalah aplikasi untuk menghitung. prediksi jumlah dalam hal ini diambil studi kasus data balita
BAB III ANALISA DAN PERANCANGAN SISTEM 3.1. Analisa dan Kebutuhan Sistem Analisa sistem merupakan penjabaran deskripsi dari sistem yang akan dibangun kali ini. Sistem berfungsi untuk membantu menganalisis
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Waktu dan Lokasi Penelitian Lokasi penelitian di DAS Citarum Hulu Jawa Barat dengan luasan sebesar + 230.802 ha. Penelitian dilaksanakan pada bulan Juni sampai dengan
Lebih terperinciSuatu proses untuk mengubah sebuah citra menjadi citra baru sesuai dengan kebutuhan melalui berbagai cara.
Image Enhancement Suatu proses untuk mengubah sebuah citra menjadi citra baru sesuai dengan kebutuhan melalui berbagai cara. Cara-cara yang bisa dilakukan misalnya dengan fungsi transformasi, operasi matematis,
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 terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1 Prinsip Kerja Sistem Prinsip kerja sistem diawali dengan pembacaan citra rusak dan citra tidak rusak yang telah terpilih dan dikumpulkan pada folder tertentu.
Lebih terperinciHASIL DAN PEMBAHASAN. Gambar 4 Subset citra QuickBird (uint16).
5 Lingkungan Pengembangan Perangkat lunak yang digunakan pada penelitian ini adalah compiler Matlab versi 7.0.1. dengan sistem operasi Microsoft Window XP. Langkah persiapan citra menggunakan perangkat
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 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 terperinciPengenalan Bahasa Isyarat Tangan Menggunakan Metode PCA dan Haar-Like Feature
Pengenalan Bahasa Isyarat Tangan Menggunakan Metode PCA dan Haar-Like Feature Dosen Pembimbing : 1) Prof.Dr.Ir. Mauridhi Hery Purnomo M.Eng. 2) Dr. I Ketut Eddy Purnama ST., MT. Oleh : ATIK MARDIYANI (2207100529)
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Rancangan Penelitian Pengerjaan tugas akhir ini ditunjukkan dalam bentuk blok diagram pada gambar 3.1. Blok diagram ini menggambarkan proses dari sampel citra hingga output
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Persiapan Tahap persiapan merupakan tahapan penting dalam penelitian tugas akhir ini. Proses ini sangat berpengaruh terhadap hasil akhir penellitan. Pada tahap ini dilakukan
Lebih terperinciPENGENALAN POLA SIDIK JARI BERBASIS TRANSFORMASI WAVELET DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
PENGENALAN POLA SIDIK JARI BERBASIS TRANSFORMASI WAVELET DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION 1 Andrian Rakhmatsyah 2 Sayful Hakam 3 Adiwijaya 12 Departemen Teknik Informatika Sekolah Tinggi Teknologi
Lebih terperinciPEMETAAN HABITAT DASAR PERAIRAN LAUT DANGKAL
PEMETAAN HABITAT DASAR PERAIRAN LAUT DANGKAL Pusat Penelitian Oseanografi Lembaga Ilmu Pengetahuan Indonesia PANDUAN TEKNIS PEMETAAN HABITAT DASAR PERAIRAN LAUT DANGKAL 2014 CRITC COREMAP II LIPI Penulis
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 terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Pada bab ini akan dibahas teori yang berkaitan dengan pemrosesan data untuk sistem pengenalan gender pada skripsi ini, meliputi cropping dan resizing ukuran citra, konversi citra
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 terperinci1.2 Tujuan. 1.3 Metodologi
BAB 1 PENDAHULUAN 1.1 Latar Belakang Penginderaan jauh telah menjadi sarana umum untuk mendapatkan data spasial dengan akurasi yang baik. Data dari penginderaan jauh dihasilkan dalam waktu yang relatif
Lebih terperinci6. PENDETEKSIAN SERANGAN GULMA. Pendahuluan
6. PENDETEKSIAN SERANGAN GULMA Pendahuluan Praktek pengendalian gulma yang biasa dilakukan pada pertanian tanaman pangan adalah pengendalian praolah dan pascatumbuh. Aplikasi kegiatan Praolah dilakukan
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 IV HASIL PENELITIAN DAN PEMBAHASAN. 4.1 Pengembangan Sistem Pengenalan Wajah 2D
30 BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1 Pengembangan Sistem Pengenalan Wajah 2D Penelitian ini mengembangkan model sistem pengenalan wajah dua dimensi pada citra wajah yang telah disiapkan dalam
Lebih terperinciBAB II NEURAL NETWORK (NN)
BAB II NEURAL NETWORK (NN) 2.1 Neural Network (NN) Secara umum Neural Network (NN) adalah jaringan dari sekelompok unit pemroses kecil yang dimodelkan berdasarkan jaringan syaraf manusia. NN ini merupakan
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 terperinciIII. BAHAN DAN METODE
39 III. BAHAN DAN METODE 3.1. Waktu dan Tempat Penelitian dilaksanakan pada bulan Agustus sampai Desember tahun 2010 di rumah tanaman (greenhouse) Balai Penelitian Agroklimatologi dan Hidrologi (Balitklimat),
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 terperinciBAB 3 Metodologi 3.1 Kerangka Berpikir
BAB 3 Metodologi 3.1 Kerangka Berpikir Kerusakan bangunan akibat gempa bumi menjadi salah satu penyebab dominan jatuhnya korban jiwa. Dibutuhkan suatu upaya untuk meminimalisasikan kerusakan bangunan akibat
Lebih terperinci