IDENTIFIKASI BUAH BELIMBING BERDASARKAN CITRA RED-GREEN-BLUE MENGGUNAKAN ADAPTIF NEURO FUZZY INFERENCE SYSTEM (ANFIS)
|
|
- Verawati Pranata
- 7 tahun lalu
- Tontonan:
Transkripsi
1 IDENTIFIKASI BUAH BELIMBING BERDASARKAN CITRA RED-GREEN-BLUE MENGGUNAKAN ADAPTIF NEURO FUZZY INFERENCE SYSTEM (ANFIS) Retno Nugroho Whidhiasih, Nursinta A.W., Supriyanto ABSTRAK IDENTIFIKASI BUAH BELIMBING BERDASARKAN CITRA RED-GREEN-BLUE MENGGUNAKAN ADAPTIF NEURO FUZZY INFERENCE SYSTEM (ANFIS). Pemutuan buah belimbing sangat diperlukan untuk mempertahankan mutu dan meningkatkan daya saing. Pemutuan buah belimbing berdasarkan rasa dapat dilakukan secara destruktif dan nondestruktif. Nondestruktif dapat dilakukan dengan mengukur korelasi nilai RGB citra buah belimbing dengan Total Padatan Terlarut (TPT) yang terdapat pada belimbing. Penelitian ini bertujuan untuk membuat sistem klasifikasi buah belimbing berdasarkan citra RGB menggunakan adaptif neuro fuzzy inference system (ANFIS). Mulamula dilakukan ekstraksi data citra menjadi RGB, selanjutnya dilakukan training terhadap data training. Fuzzy Inference System (FIS) yang terbentuk diuji menggunakan data uji. Percobaan menghasilkan akurasi 100%, 100% dan 67% untuk kelas asam, sedang dan manis. Kata kunci: ANFIS, Belimbing, identifikasi buah belimbing, sortasi, nondestruktif ABSTRACT STARFRUIT IDENTIFICATION ON COLOR BASED USING ADAPTIF NEURO FUZZY INFERENCE SYSTEM (ANFIS). Starfruit grading is indispensable to maintain quality and improve competitiveness. star fruit grading based flavors can be either destructive and nondestructive. Nondestructive can be done by measuring the correlation value of the RGB image of star fruit with a Total Dissolved Solids (TPT) located at Starfruit. This study aims to create a classification system based on the image of the RGB star fruit using adaptive neuro fuzzy inference system (ANFIS). First extraction of image data into RGB, further training on training data. Fuzzy inference system (FIS) formed tested using data testing. The experiment produced an accuracy of 100%, 100% and 67% for classes sour star fruit, medium and sweet. Keywords: ANFIS, starfruit, starfruit identification, sortation, nondestruktiv PENDAHULUAN Latar Belakang Belimbing manis merupakan buah yang sangat populer di Indonesia dan digemari di Indonesia, hal ini disebabkan karena belimbing merupakan buah tropis yang memiliki rasa manis dan aroma yang khas. Belimbing manis (Averrhoa Program Studi Teknik Komputer-Unisma Bekasi, retno.nw@gmail.com Pusat Pengembangan Informatika Nuklir BATAN Serpong Program Studi Ilmu Komputer Universitas Pakuan Bogor 272
2 Lokakarya Komputasi dalam Sains dan Teknologi Nuklir, 10 Oktober 2012 ( ) carambola Linn.), dikenal dengan beberapa nama seperti yaitu starfruit (bahasa inggris), belimbing amis (Sunda), belimbing legi (Jawa), bainang sulapa (Makasar), dan balireng (Bugis) (Wiryowidagdo dan Sitanggang, 2002). Kandungan gizi dari belimbing cukup lengkap terutama kandungan vitamin A dan Vitamin C. Teknologi pasca panen sangat diperlukan untuk pemenuhan supply & demand, mempertahankan mutu dan meningkatkan daya saing di pasaran, salah satunya adalah proses sortasi buah. Pemutuan buah belimbing ditentukan berdasarkan bobot, ukuran (SNI, 2009) dan rasa. Pemutuan buah belimbing berdasarkan rasa dapat dilakukan secara destruktif dan nondestruktif. Destruktif dilakukan dengan membelah buah belimbing untuk mengukur total padatan terlarut (TPT). TPT menunjukkan banyaknya kadar gula yang terkandung di dalam buah belimbing. Nondestruktif dapat dilakukan dengan mengukur korelasi nilai RGB citra buah belimbing dengan Total Padatan Terlarut (TPT) yang terdapat pada belimbing. Ada beberapa metode yang berbeda untuk mengukur keteguhan metode non destruktiv (Abbot et al., 2007). Berdasarkan permasalahan maka diperlukan suatu sistem untuk melakukan klasifikasi dengan ketepatan tinggi berdasarkan standar yang berlaku. Tingkat manis buah belimbing dapat diklasifikasikan secara non destruktif berdasarkan komponen kualitas eksternal, yaitu warna kulit buahnya. Warna dianggap sebagai properti fisik dasar produk pertanian dan makanan, yang berkorelasi dengan baik terhadap sifat fisik lainnya, kimia dan indikator panca indera kualitas produk. Bahkan warna mempunyai peran utama dalam penilaian mutu eksternal dalam industri makanan dan penelitian (Segnini et al. 1999; Abdullah et al. 2009). Pemutuan dengan citra dapat dilakukan dengan memanfaatkan korelasi citra buah (RGB) dengan Total Padatan Terlarut (TPT) yang terdapat pada belimbing. Peningkatan ketuaan pada buah belimbing dapat ditunjukkan oleh peningkatan komponen u* pada CIELuv (Irmansyah, 2009). Metode pengolahan citra merupakan metode non destruktif yang umum digunakan untuk mengevaluasi kualitas luar buah seperti bentuk, ukuran dan warna. Metode pengolahan citra memiliki beberapa keunggulan antara lain relatif murah, sederhana dan praktis. Metode pengolahan citra dapat diterapkan untuk memprediksi rasa secara tidak langsung karena adanya hubungan antara warna buah dengan parameter rasa (total padatan terlarut). Penggunaan metode klasifikasi yang kurang tepat akan mengakibatkan terjadinya salah klasifikasi. Kesalahan klasifikasi yang dapat terjadi adalah kesalahan dalam pengelompokan tingkat manis buah belimbing. Bila terjadi salah klasifikasi sehingga belimbing manis teridentifikasi menjadi belimbing asam atau sedang dan sebaliknya. Hal ini dapat mengakibatkan kerugian terhadap produsen maupun konsumen untuk keperluan ekspor maupun keperluan lokal. Sistem sortasi buah belimbing berdasarkan bentuk dan warna buah menggunakan pengolahan citra dan jaringan syaraf tiruan telah mampu mengklasifikasi belimbing berdasarkan tingkat ketuaan dengan tingkat keberhasilan 90.5% (Abdullah et al., 2005). Klasifikasi buah belimbing berdasarkan hue menggunakan fisher s discriminant ratio menghasilkan akurasi 93% (Mokji & Abu Bakar, 2007). Pemutuan buah belimbing berdasarkan nilai TPT dan warna dengan 273
3 Identifikasi Buah Belimbing Berdasarkan Citra Red-Green-Blue... (Retno NW., Nursinta AW., Supriyanto) pengolahan citra dan logika fuzzy mampu mengklasifikasi rasa buah dengan tingkat akurasi 79% (Irmansyah, 2009). Pemutuan buah belimbing menggunakan probabilistik neural network memberikan akurasi 80.51% (Zaki, 2009). Pengenalan kadar total padat terlarut pada buah belimbing manis berdasar citra red-green-blue dengan analisis komponen utama sebagai ekstraksi ciri dan jarak euclidean sebagai pengenal pola menghasilkan akurasi 100% pada pengenalan kelompok manis, namun gagal melakukan pengenalan terhadap kelompok asam dan sedang (Buono dan Irmansyah, 2009). Pengenalan tingkat kemanisan buah belimbing menggunakan hidden markov memberikan akurasi 75% (Praptono N. H., 2010). Penelitian ini mengembangkan teknik klasifikasi buah belimbing dengan citra RGB menggunakan Adaptif Neuro Fuzzy Inference System (ANFIS). Adaptif Neuro Fuzzy Inference System (ANFIS) mengandaikan bahwa data input dan output dari suatu black box system telah tersedia, dan ingin menebak model apa yang cocok atau yang sebenarnya ada dalam kotak hitam tersebut. Dalam menebak tidak disyaratkan tersedianya struktur model tertentu berdasar pada karakteristik variabel-variabel sistem. Bila diberikan data input, fungsi ANFIS akan mengubah parameter-parameter fungsi keanggotaan antecedent dan consequent sedemikian rupa sehingga keluaran FIS mengikuti data output. Pemodelan yang dikembangkan merupakan pengembangan dari penelitian sebelumnya. Penelitian ini diharapkan dapat mengklasifikasikan buah belimbing dalam kategori asam, sedang dan manis. METODE Data yang digunakan dalam penelitian ini adalah data sekunder berupa 99 buah citra buah belimbing yang telah di kategori berdasarkan kandungan TPT-nya menjadi kategori belimbing asam, sedang dan manis. Data tersebut merupakan data yang digunakan dalam penelitian Buono dan Irmansyah (2009). Penelitian ini terbagi menjadi tiga tahapan, yaitu praproses, pemodelan ANFIS dan rancang bangun sistem klasifikasi menggunakan GUI Matlab (gambar 1). Praproses dilakukan untuk mendapatkan nilai-nilai RGB. Pemodelan ANFIS digunakan untuk mendapatkan fuzzy rule base dan pengujian model. Rancang bangun sistem klasifikasi merupakan pembuatan user interface yang digunakan untuk proses klasifikasi buah belimbing. Praproses Data Data sampel citra buah belimbing diekstraksi menggunakan matlab R2009b untuk mendapatkan nilai RGB yang merupakan rata-rata dari keseluruhan piksel. Kemudian nilai RGB dinormalisasi menjadi rgb dengan cara membagi masing-masing nilai dengan bilangan 255. Selanjutnya dilakukan pembagian data menjadi dua 274
4 Lokakarya Komputasi dalam Sains dan Teknologi Nuklir, 10 Oktober 2012 ( ) kelompok data yang saling asing, yaitu data training dan data testing. Data training sebanyak 90 data yang terdiri dari 30 data kategori belimbing asam, 30 data kategori belimbing sedang dan 30 data kategori belimbing manis. Data testing sebanyak 9 data yang terdiri dari 3 data kategori belimbing asam, 3 data kategori belimbing sedang dan 3 data kategori belimbing manis. Gambar 1. Tahapan Penelitian Pengembangan model identifikasi menggunakan ANFIS Pengembangan model identifikasi dilakukan dengan melakukan training data menggunakan Adaptif Neuro Fuzzy Inference System (ANFIS). Training ini dilakukan untuk mendapatkan rule based (basis aturan) fuzzy dari data yang ditraining. Arsitektur ANFIS yang terbentuk menunjukkan bahwa terdapat tiga kategori inputan data, terbentuk sembilan membership function dari data input, terbentuk 27 rule, terbentuk 27 membership function untuk nilai output dan satu nilai output (gambar 2). Dari tiga kategori inputan data tersebut tergambar menjadi tiga distribusi data training yaitu kategori 1, 2 dan 3, yang menggambarkan kategori rasa asam, sedang dan manis (gambar 3). Proses training menghasilkan fuzzy inference system (FIS), yaitu sistem inferensi fuzzy Sugeno (gambar 4). Arsitektur tersebut terdiri dari input citra (red, green, blue), basis pengetahuan dan fungsi output. 275
5 Identifikasi Buah Belimbing Berdasarkan Citra Red-Green-Blue... (Retno NW., Nursinta AW., Supriyanto) Gambar 2. Struktur ANFIS Gambar 3. Distribusi Data Training Gambar 4. Arsitektur FIS 276
6 Lokakarya Komputasi dalam Sains dan Teknologi Nuklir, 10 Oktober 2012 ( ) Setiap variabel input red (R), green (G) dan blue (B) direpresentasikan dalam fungsi keanggotaan sesuai dengan pola sebaran data masing-masing. Variabel red digunakan fungsi trapesium (gambar 5a), variabel green dengan fungsi normal (gambar 5b) dan variabel blue dengan fungsi normal (gambar 5c). Setiap variabel input tersebut dibagi kedalam 3 membership function, yaitu rendah, sedang dan tinggi. Variabel output adalah mutu buah belimbing yang dibagi ke dalam 3 kelas yaitu asam, sedang dan manis. (a) (b) (c) Gambar 5. Fungsi Keanggotaan input citra red, green, blue Hasil training dari pemetaan variabel input dan output adalah basis pengetahuan yang ditulis menggunakan aturan fuzzy if then yang digunakan untuk pemutuan belimbing (gambar 6). Pada basis pengetahuan dapat dilihat nilai rata-rata tiap variabel input. Hasil training dari tiga kelas mutu belimbing, yaitu asam, sedang dan manis terbentuk 27 rule (gambar 7). Ketepatan klasifikasi hasil prediksi menggunakan FIS dinyatakan menggunakan akurasi yang didefinisikan sebagai berikut: Akurasi = (Jumlah prediksi yang benar/total banyaknya prediksi)*100 % Gambar 6. Basis Pengetahuan 277
7 Identifikasi Buah Belimbing Berdasarkan Citra Red-Green-Blue... (Retno NW., Nursinta AW., Supriyanto) Validasi Gambar 7. Rule Based Hasil Training Validasi dilakukan dengan menggunakan data training sebagai data testing terhadap FIS yang terbentuk. Validasi yang dilakukan didapatkan akurasi 96.7% untuk belimbing asam, 100% untuk belimbing sedang dan 70% untuk belimbing manis. Rancang Bangun Sistem Pakar Klasifikasi menggunakan GUI Matlab Pengembangan sistem identifikasi memanfaatkan model klasifikasi berupa fuzzy inference system hasil dari training data. Sistem identifikasi dikembangkan berbasis grafical user interface (GUI) pada perangkat MATLAB. (gambar 8). Sistem dapat digunakan dengan mudah oleh pengguna untuk melakukan klasifikasi. Gambar 8. Identifikasi terhadap citra belimbing 278
8 Lokakarya Komputasi dalam Sains dan Teknologi Nuklir, 10 Oktober 2012 ( ) HASIL DAN PEMBAHASAN Pengujian Model Identifikasi Klasifier yang digunakan adalah ANFIS. Di dalam ANFIS bentuk membership function bergantung pada parameter-parameternya. Mengubah salah satu parameter ini akan mengubah bentuk membership function yang pada akhirnya akan mengubah bentuk pemetaan dari input menjadi output. ANFIS merupakan salah satu solusi untuk dapat mengatur parameter membership function untuk mendapatkan FIS yang bisa memetakan input menjadi output dengan benar, yang dalam pemodelan berdasarkan data hal tersebut merupakan hal yang sangat sulit. Percobaan ini menggunakan penerapan teknik fuzzy inference pada pemodelan berdasar pasangan data input dan output. Pemodelan ini bertujuan untuk mencari IF- THEN rules yang bisa memetakan data input menjadi output. Optimasi parameterparameter membership function tersebut menggunakan algoritma backpropagation atau dikombinasikan dengan metode least squares. Proses ANFIS merupakan sebuah proses belajar data input dan output. Struktur jaringan dalam ANFIS serupa dengan struktur jaringan syaraf yang memetakan input menjadi output melalui membership function dan parameter-parameter yang diasosiasikan dengannya. Parameter-parameter membership function akan berubah melalui proses pelatihan (training). Komputasi dalam proses optimasi parameter difasilitasi oleh vektor gradien, yaitu suatu ukuran yang bisa dipakai untuk menilai seberapa bagus hasil pemetaan FIS dibandingkan dengan data output. Vektor gradien dapat dipakai untuk mengatur parameter-parameter sehingga akan meminimalkan error measure yang didefinisikan sebagai kuadrat dari selisih antara data output dan keluaran FIS (Naba, 2009). Data training menggunakan parameter input dan output buah belimbing. Pola input merupakan data RGB dari buah belimbing dengan kategori manis, sedang dan asam. Pola output merupakan angka 1, 2 dan 3 yang menunjukkan kategori kelas asam, sedang dan manis. ANFIS hanya bekerja dengan sistem-sistem tipe Sugeno. Proses training pada percobaan menggunakan ANFIS dengan tiga input (red, green dan blue) ini, terbentuk tiga membership function untuk masing-masing input, 27 rules dan 27 output membership function yang bertipe sama serta mempunyai output tunggal yang diperoleh dari weighted average defuzzification. ANFIS telah didesain fixed, tidak diijinkan untuk mendesain sendiri membership function dan defuzzification function. Tahap pertama untuk melakukan training adalah generate FIS. Terlebih dulu dilakukan loading data training satu persatu. Data yang digunakan untuk training sebanyak 91% dari data set. Setelah generate, struktur FIS dapat dilihat. Dalam percobaan ini digunakan metode hybrid sebagai metode optimasi parameter FIS, yaitu kombinasi backpropagation dan least squares. Ditentukan error tolerance sebesar 0 (nol) dan jumlah epoch 3. Pelatihan akan mengatur parameter-parameter membership 279
9 Identifikasi Buah Belimbing Berdasarkan Citra Red-Green-Blue... (Retno NW., Nursinta AW., Supriyanto) function dan menampilkan plot error selama pelatihan, yaitu selisih keluaran FIS dengan training data. Dengan menggunakan basis pengetahuan yang terbentuk (FIS), dilakukan pengujian kinerja sistem menggunakan data testing. Data testing yang digunakan sebanyak 9% dari data set. Pengujian memberikan akurasi sebesar 100% untuk belimbing asam, 100% untuk belimbing sedang dan 67% untuk belimbing manis, dengan akurasi rata-rata 89% (Tabel 1). Hal ini menunjukkan bahwa sistem ini bisa membedakan mutu belimbing asam dan belimbing sedang dengan tepat. Tabel 1. Matriks confussion hasil testing Prediksi FIS Aktual Asam Sedang Manis Asam Sedang Manis KESIMPULAN Pelatihan (training) menggunakan ANFIS telah didesain fixed, tidak diijinkan untuk mendesain sendiri membership function dan defuzzification function, namun bisa mengubah tipe membership function yang digunakan sesuai dengan tren data. Jumlah variabel inputan FIS akan mempengaruhi jumlah rule yang terbentuk, jumlah rule akan cepat membesar dengan bertambahnya jumlah variabel input FIS (curse of dimensionality). Jumlah rule yang terlalu besar akan mengakibatkan komputasi menjadi berat dan optimasi parameter-paremeter rule menjadi semakin sulit. ANFIS dapat digunakan sebagai teknik klasifikasi buah belimbing non desktruktif dengan citra R-G-B. Sistem ini berhasil mengenali buah belimbing asam dan sedang dengan tepat (100%), namun gagal mengenali buah belimbing manis dengan tepat (67%). Akurasi yang didapatkan dari penelitian ini adalah 89%. Saran Untuk peningkatan akurasi identifikasi, perlu dilakukan optimasi bentuk tipe kurva dan parameter kurva dengan menggunakan algoritma genetika. Ucapan Terima Kasih Penulis mengucapkan terimakasih kepada Dr. Agus Buono M.Si, M.Kom, dosen Departemen Ilmu Komputer IPB, atas penggunaan data citra belimbing pada penelitian ini. 280
10 Lokakarya Komputasi dalam Sains dan Teknologi Nuklir, 10 Oktober 2012 ( ) DAFTAR PUSTAKA 1. ABBOT J.A, R. LU, B.L. UPCHURCH, R.L. STROSHINE, Technologies for non destructive quality evaluation of fruits and vegetables, Holticultural Reviews, 20 (1997) ABDULLAH M.Z., M. Saleh J., F. Syahir, dan M. Azemi, Discrimination and classification of fresh-cut starfruits (Averrhoa carambola L) using automated machine vision system, Journal of Food Engineering, 76(4) (2005) BADAN STANDARISASI NASIONAL, SNI Buah Belimbing, Jakarta, BUONO, AGUS dan IRMANSAH, Pengenalan kadar total padat terlarut pada buah belimbing manis berdasar citra RGB dengan analisis komponen utama sebagai ekstraksi ciri dan jarak euclidean sebagai pengenal pola. Jurnal Ilmu Komputer dan Informasi 2 (1) (2009). 5. FATHUROHMAN, ZAKI, Pengembangan probabilistic neural networks untuk penentuan kematangan belimbing manis, Skripsi Jurusan Ilmu Komputer Institut Pertanian Bogor, Bogor, IRMANSAH, Pemutuan Belimbing Berdasarkan Warna dan Rasa Dengan Pengolahan Citra dan Logika Fuzzy, Disertasi Institut Pertanian Bogor, Bogor, MOKJI M.M., and ABU BAKAR S.A.R, Starfruit Classification Based on Linear Hue Computation, Elektrika Journal of Electrical Engineering, 9(2) (2007) NABA, AGUS, Belajar Cepat Fuzzy Logic menggunakan Matlab, Penerbit Andi, Yogyakarta, PRAPTONO, N.H., Pengembangan Hidden Markov Model Untuk Pengenalan Tingkat Kemanisan Buah Belimbing, Skripsi Jurusan Ilmu Komputer Institut Pertanian Bogor, Bogor, SEGNINI, S., DEJMEK, P., & OSTE, R. (1999). A Low Cost Video Technique for Color Measurement of Potato Chips. Lebensm.-Wiss. U.-Technol. (32)(1999) WIRYOWIDAGDO dan SITANGGANG, M., Tanaman Obat untuk Penyakit Jantung, Darah Tinggi, dan Kolesterol, AgroMedia Pustaka, Jakarta,
11 Identifikasi Buah Belimbing Berdasarkan Citra Red-Green-Blue... (Retno NW., Nursinta AW., Supriyanto) DISKUSI TRISA APRIANI Apakah penelitian tentang klasifikasi buah belimbing sudah ada yang melakukan sebelumnya? Jika iya, apa yang membedakan penelitian ini dengan penelitian sebelumnya? NURSINTA A.W Sudah ada penelitian sebelumnya, metode yang digunakan antara lain jaringan syaraf tiruan, PNN dan Fuzzy Logic. Penelitian menggunakan data penelitian Agus Buono (2009) dan menggunakan metode ANFIS (Adaptif Neuro Fuzzy Inference System). GARBEL Cara klasifikasi standar rasa asam, sedang dan manis yang subyektif seperti apa? NURSINTA A.W Data berasal dari data belimbing yang sudah terklasifikasi. Penelitian sebelumnya (2009) menghitung korelasi antara TPT (Total Padat Terlarut) yang menunjukkan kadar gula belimbing yang artinya menunjukkan belimbing itu asam,sedang atau manis. Hasil koefisien determinasi yang didapat sebesar 69.9%. DAFTAR RIWAYAT HIDUP 1. Nama : Nursinta Adi Wahanani, M.Kom. 2. Instansi / Unit Kerja : PPIN-BATAN 3. Pekerjaan / Jabatan : Staf Bidang Komputasi 4. Riwayat Pendidikan : S2 Ilmu Komputer IPB (2012) S1 Statistik ITS (2000) 5. Pengalaman Kerja : Staf Bidang SIM-PPIN BATAN ( ) Staf Bidang Komputasi PPIN-BATAN (2005-sekarang) 6. Organisasi Profesional : - 7. Publikasi Ilmiah yang pernah disajikan/diterbitkan : Latin Hypercube Sampling for Uncertainty Analysis pada Journal of Theoretical and Computational Studies (2009) Simulasi Perhitungan Kandungan Radon Terhadap Laju Fluks Radon Menggunakan Metode Latin Hypercube Sampling dan Simple Random Sampling (2009) 282
Dosen Program Studi Ilmu Komputer Universitas Pakuan Bogor
PENGENALAN KADAR TOTAL PADAT TERLARUT PADA BUAH BELIMBING BERDASAR CITRA RED-GREEN-BLUE MENGGUNAKAN PRINCIPLE COMPONENT ANALYSIS (PCA) SEBAGAI EKSTRAKSI CIRI DAN KLASIFIKASI K-NEAREST NEIGHBORHOOD (KNN)
Lebih terperinciKLASIFIKASI BUAH BELIMBING BERDASARKAN CITRA RED-GREEN-BLUE MENGGUNAKAN KNN DAN LDA ABSTRAK ABSTRACT
Jurnal Penelitian Ilmu Komputer, System Embedded & Logic 1(1) : 29-35 (2013) KLASIFIKASI BUAH BELIMBING BERDASARKAN CITRA RED-GREEN-BLUE MENGGUNAKAN KNN DAN LDA Retno Nugroho Whidhiasih 1, Nursinta Adi
Lebih terperinciKLASIFIKASI KUALITAS TELUR ASIN BERDASARKAN CITRA RED GREEN BLUE MENGGUNAKAN ADAP TIVE NEURO FUZZY INFERENCE SYSTEM
KLASIFIKASI KUALITAS TELUR ASIN BERDASARKAN CITRA RED GREEN BLUE MENGGUNAKAN ADAP TIVE NEURO FUZZY INFERENCE SYSTEM Maimunah Program Studi Teknik Komputer Universitas Islam 45 Email: maimaimuna@gmail.com
Lebih terperinciIDENTIFIKASI BUAH MANGGA GEDONG GINCU CIREBON BERDASARKAN CITRA RED-GREEN-BLUE MENGGUNAKAN ADAPTIF NEURO FUZZY INFERENCE SYSTEM ABSTRACT ABSTRAK
Jurnal Penelitian Ilmu Komputer, System Embedded & Logic 5(1) : 12-20 (2017) IDENTIFIKASI BUAH MANGGA GEDONG GINCU CIREBON BERDASARKAN CITRA RED-GREEN-BLUE MENGGUNAKAN ADAPTIF NEURO FUZZY INFERENCE SYSTEM
Lebih terperinciJURNAL KLASIFIKASI JENIS TANAMAN BELIMBING BERDASARKAN TULANG DAUN MENGGUNAKAN METODE K-MEANS
JURNAL KLASIFIKASI JENIS TANAMAN BELIMBING BERDASARKAN TULANG DAUN MENGGUNAKAN METODE K-MEANS CLASSIFICATION OF PLANT SPECIES STARFRUIT LEAVES THE BONE BY USING METHODS K-MEANS Oleh: RICKY RANDHIKA 12.1.03.02.0076
Lebih terperinciMODEL PENENTUAN GURU BERPRESTASI BERBASIS ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (ANFIS)
MODEL PENENTUAN GURU BERPRESTASI BERBASIS ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (ANFIS) Wanti Rahayu 1 1 Mahasiswa Universitas Indraprasta PGRI Email : 1 wanti.reiku@gmail.com Abstrak- Guru merupakan aspek
Lebih terperinciIDENTIFIKASI KEMATANGAN BUAH MANGGA HARUMANIS MENGGUNAKAN METODE ANFIS (ADAPTIVE NEURO FUZZY INFERENCE SYSTEM) SKRIPSI.
IDENTIFIKASI KEMATANGAN BUAH MANGGA HARUMANIS MENGGUNAKAN METODE ANFIS (ADAPTIVE NEURO FUZZY INFERENCE SYSTEM) HALAMAN JUDUL SKRIPSI Disusun Oleh : MUHAMMAD IMAM SETIAJI 1203030015 PROGRAM STUDI TEKNIK
Lebih terperinciPERAMALAN BEBAN LISTRIK JANGKA PENDEK DI BALI MENGGUNAKAN PENDEKATAN ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS)
PERAMALAN BEBAN LISTRIK JANGKA PENDEK DI BALI MENGGUNAKAN PENDEKATAN ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS) L K Widyapratiwi 1, I P A Mertasana 2, I G D Arjana 2 1 Mahasiswa Teknik Elektro, Fakultas
Lebih terperinciIDENTIFIKASI BERAS BERDASARKAN WARNA MENGGUNAKAN ADAPTIVE NEURO FUZZY INFERENCE SYSTEM ABSTRACT ABSTRAK
Jurnal Penelitian Ilmu Komputer, Sistem Embedded & Logic 5(2) : 51-59 (2017) IDENTIFIKASI BERAS BERDASARKAN WARNA MENGGUNAKAN ADAPTIVE NEURO FUZZY INFERENCE SYSTEM Muhammad Gilang Alfianto, Retno Nugroho
Lebih terperinciPREDIKSI LUAS PANEN DAN PRODUKSI PADI DI KABUPATEN BANYUMAS MENGGUNAKAN METODE ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS)
PREDIKSI LUAS PANEN DAN PRODUKSI PADI DI KABUPATEN BANYUMAS MENGGUNAKAN METODE ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS) Supriyanto 1, Sudjono 2, Desty Rakhmawati 3 ( 1,2. UNSOED Purwokerto, 3. STMIK
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 terperinciPenerapan Adaptive Neuro Fuzzy Inference System Dalam Memprediksi Volume Pemakaian Air Bersih
Penerapan Adaptive Neuro Fuzzy Inference System Dalam Memprediksi Volume Pemakaian Air Bersih Niska Ramadani Dosen Universitas Dehasen Bengkulu niskaramadani@gmail.com ABSTRAK Pertumbuhan penduduk harus
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 terperinciKlasifikasi Kematangan Buah Manggis Ekspor dan Lokal Berdasarkan Warna dan Tekstur Menggunakan Fuzzy Neural Network
Tersedia secara online di: http://journal.ipb.ac.id/index.php.jika Volume 1 Nomor 2 halaman 71-77 ISSN: 2089-6026 Klasifikasi Kematangan Buah Manggis Ekspor dan Lokal Berdasarkan Warna dan Tekstur Menggunakan
Lebih terperinciPREDIKSI CURAH HUJAN TAHUNAN MENGGUNAKAN ANFIS DENGAN PENGELOMPOKAN DATA (Studi Kasus Pada Stasiun Meteorologi Bandara Jalaluddin Gorontalo)
PREDIKSI CURAH HUJAN TAHUNAN MENGGUNAKAN ANFIS DENGAN PENGELOMPOKAN DATA (Studi Kasus Pada Stasiun Meteorologi Bandara Jalaluddin Gorontalo) Ifan Wiranto, Wahab Musa, Wrastawa Ridwan Jurusan Teknik Elektro
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. Tingkat kesehatan bank dapat diketahui dengan melihat peringkat
BAB IV HASIL DAN PEMBAHASAN A. Analisis Tingkat Kesehatan Bank Tingkat kesehatan bank dapat diketahui dengan melihat peringkat komposit bank tersebut. Menurut peraturan Bank Indonesia No. 13/1/PBI/2011
Lebih terperinciAgus Buono 1 dan Irmansyah 2. 2 Departemen Fisika, FMIPA, IPB, Kampus IPB Darmaga, Jawa Barat, Indonesia.
PENGENALAN KADAR OAL PADA ERLARU PADA BUAH BELIMBING MANIS BERDASAR CIRA RED-GREEN-BLUE DENGAN ANALISIS KOMPONEN UAMA SEBAGAI EKSRAKSI CIRI DAN JARAK EUCLIDEAN SEBAGAI PENGENAL POLA Agus Buono dan Irmansyah
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 terperinciIMPLEMENTASI FUZZY RULE BASED SYSTEM UNTUK KLASIFIKASI BUAH MANGGA
IMPLEMENTASI FUZZY RULE BASED SYSTEM UNTUK KLASIFIKASI BUAH MANGGA Subhan Hartanto Sistem Informatika, Universitas Pembangunan Panca Budi Jl. Jend Gatot Subroto, Simpang Tj., Medan Sunggal, Kota Medan,
Lebih terperinciJurnal String Vol. 1 No. 1 Tahun 2016 ISSN: MODEL EVALUASI KINERJA KARYAWAN DENGAN METODE FUZZY SUGENO PADA RESTO ABTL
MODEL EVALUASI KINERJA KARYAWAN DENGAN METODE FUZZY SUGENO PADA RESTO ABTL Fanisya Alva Mustika 1, Sutrisno 2 Program Studi Teknik Informatika, Universitas Indraprasta PGRI Jakarta 1,2 E-mail: alva.mustika@gmail.com
Lebih terperinciImplementasi Neuro Fuzzy dalam Proses Belajar Mengajar untuk Meningkatkan Prestasi Mahasiswa
Implementasi Neuro Fuzzy dalam Proses Belajar Mengajar untuk Meningkatkan Prestasi Mahasiswa Nurjayadi Jurusan Manajemen Informatika STMIK Amik Riau nurjayadi@stmik-amik-riau.ac.id Abstrak Proses belajar
Lebih terperinciBAB 3 ALGORITMA PERENCANAAN SISTEM PENGENALAN PENYAKIT DARAH
29 BAB 3 ALGORITMA PERENCANAAN SISTEM PENGENALAN PENYAKIT DARAH Skripsi ini membahas tentang perencanaan suatu program untuk pengenalan penyakit darah dari sampel citra darah yang digunakan. Data yang
Lebih terperinciKlasifikasi Belimbing Menggunakan Naïve Bayes Berdasarkan Fitur Warna RGB
IJCCS, Vol.11, No.1, January 2017, pp. 99~108 ISSN: 1978-1520 Klasifikasi Belimbing Menggunakan Naïve Bayes Berdasarkan Fitur Warna RGB 99 Fuzy Yustika Manik 1, Kana Saputra Saragih* 2 1 Manajemen Informatika,
Lebih terperinciVibration Monitoring. Diganosa Kerusakan. Produktifitas menurun
LOGO PREDIKSI SISA UMUR PADA ROTATING MACHINERY DENGAN METODE ANFIS (ADAPTIVE NEURO-FUZZY INFERENCE SYSTEMS) Mohammad Taufan 2106100147 Dosen Pembimbing : Dr. M. Nur Yuniarto 1 Vibration Monitoring Diganosa
Lebih terperinciPENGARUH IPK DAN MOTIVASI DALAM MEMPREDIKSI KETEPATAN WAKTU KELULUSAN MAHASISWA DENGAN MENGGUNAKAN SISTEM PAKAR BERBASIS ADAPTIVE NEURO FUZZY
Seminar Nasional Sistem Informasi Indonesia, 2-4 Desember 2013 PENGARUH IPK DAN MOTIVASI DALAM MEMPREDIKSI KETEPATAN WAKTU KELULUSAN MAHASISWA DENGAN MENGGUNAKAN SISTEM PAKAR BERBASIS ADAPTIVE NEURO FUZZY
Lebih terperinciESTIMASI TINGKAT BI RATE
ESTIMASI TINGKAT BI RATE BERDASARKAN FAKTOR NILAI TUKAR(KURS USD/RP), JUB, INFLASI, IHSG DAN PDB MENGGUNAKAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (ANFIS) Disusun oleh: Nama : AKHMAD KAHFI NPM :
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Data runtun waktu dari fenomena real seperti data finansial biasanya bersifat nonstasioner. Tipe data runtun waktu finansial biasanya dicirikan oleh pola-pola seperti
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. Sampel pengujian menggunakan sebanyak 1 buah sampel beras A, 7 buah
BAB IV HASIL DAN PEMBAHASAN A. Data Sampel Sampel pengujian menggunakan sebanyak 1 buah sampel beras A, 7 buah sampel beras B, 1 buah sampel beras C, dan 2 buah sampel beras D. 1. Data Pengujian Mutu Beras
Lebih terperinciPERBANDINGAN DAN ANALISIS SUPPORT VECTOR MACHINE DAN ADAPTIVE NEURO FUZZY INFERENCE SYSTEM UNTUK KLASIFIKASI GENRE MUSIK
ISSN : 2355-9365 e-proceeding of Engineering : Vol.3, No.2 Agustus 2016 Page 1662 PERBANDINGAN DAN ANALISIS SUPPORT VECTOR MACHINE DAN ADAPTIVE NEURO FUZZY INFERENCE SYSTEM UNTUK KLASIFIKASI GENRE MUSIK
Lebih terperinciDIAGNOSA PENYAKIT DBD (DEMAM BERDARAH DENGEU) DENGAN ALGORITMA PEMBELAJARAN HYBRID DAN BACKPROPAGATION BERBASIS NEURAL NETWORK
SNIPTEK 2015 ISBN: 978-602-72850-6-4 DIAGNOSA PENYAKIT DBD (DEMAM BERDARAH DENGEU) DENGAN ALGORITMA PEMBELAJARAN HYBRID DAN BACKPROPAGATION BERBASIS NEURAL NETWORK Ita Dewi Sintawati AMIK BSI Bekasi Jl.
Lebih terperinciPERANCANGAN PROGRAM PENGENALAN BENTUK MOBIL DENGAN METODE BACKPROPAGATION DAN ARTIFICIAL NEURAL NETWORK SKRIPSI
PERANCANGAN PROGRAM PENGENALAN BENTUK MOBIL DENGAN METODE BACKPROPAGATION DAN ARTIFICIAL NEURAL NETWORK SKRIPSI Oleh Nama : Januar Wiguna Nim : 0700717655 PROGRAM GANDA TEKNIK INFORMATIKA DAN MATEMATIKA
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Semakin bertambah tahun, semua peralatan konvensional semakin tergantikan dengan adanya peralatan elektronik. Di setiap sisi kehidupan pada saat ini menggunakan peralatan
Lebih terperinciMODEL PREDIKSI PRODUCTION DELAY DALAM PROSES PRODUKSI STRIP MILL DENGAN METODE ADAPTIVE NEURO- FUZZY INFERENCE SYSTEM
Journal Industrial Servicess Vol. 3 No. 2 Maret 2018 MODEL PREDIKSI PRODUCTION DELAY DALAM PROSES PRODUKSI STRIP MILL DENGAN METODE ADAPTIVE NEURO- FUZZY INFERENCE SYSTEM Yusraini Muharni Jurusan Teknik
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 terperinciT 2 Aplikasi Model Neuro Fuzzy Untuk Prediksi Tingkat Inflasi Di Indonesia
T 2 Aplikasi Model Neuro Fuzzy Untuk Prediksi Tingkat Inflasi Di Indonesia Aidatul Fitriah 1, Agus Maman Abadi 2 1) Program Studi Matematika, FMIPA Universitas Negeri Yogyakarta 2) Jurusan Pendidikan Matematika,
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Di era modern seperti saat ini, energi listrik menjadi salah satu kebutuhan dasar dalam kehidupan masyarakat. Berbagai peralatan rumah tangga maupun industri saat ini
Lebih terperinciPerbandingan Akurasi Backpropagation Neural Network dan ANFIS Untuk Memprediksi Cuaca
NATURALA Journal of Scientific Modeling & Computation, Volume 1 No.1 2013 7 ISSN 23030135 Perbandingan Akurasi Backpropagation Neural Network dan ANFIS Untuk Memprediksi Cuaca Candra Dewi 1, M. Muslikh
Lebih terperinciKETIDAKPASTIAN PERHITUNGAN JARAK PADA PELAT ELEMEN BAHAN BAKAR NUKLIR. Nursinta A.W., Anik P., Khairina Ns., Entin H.
KETIDAKPASTIAN PERHITUNGAN JARAK PADA PELAT ELEMEN BAHAN BAKAR NUKLIR Nursinta A.W., Anik P., Khairina Ns., Entin H. ABSTRAK KETIDAKPASTIAN PERHITUNGAN JARAK PADA PELAT ELEMEN BAHAN BAKAR NUKLIR. Pelat
Lebih terperinciBAB III METODE PENELITIAN. Bab ini berisi penjelasan mengenai metode penelitian, jenis dan sumber data
BAB III METODE PENELITIAN Bab ini berisi penjelasan mengenai metode penelitian, jenis dan sumber data penelitian, teknik pengumpulan data, teknik analisis data dan desain penelitian. A. Metode Penelitian
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 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Bab landasan teori bertujuan untuk memberikan penjelasan mengenai metode atau pun teori yang digunakan dalam laporan tugas akhir ini, sehingga dapat membangun pemahaman yang sama antara
Lebih terperinciJURNAL GAUSSIAN, Volume 1, Nomor 1, Tahun 2012, Halaman Online di:
JURNAL GAUSSIAN, Volume 1, Nomor 1, Tahun 2012, Halaman 31-40 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian ANALISIS DATA RUNTUN WAKTU DENGAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM
Lebih terperinciJurnal String Vol.1 No.2 Tahun 2016 ISSN :
DETEKSI CACAT UBIN KERAMIK MENGGUNAKAN TEKNIK PENGOLAHAN CITRA DAN ADAPTIVE NEURAL FUZZY INFERENCE SYSTEM (ANFIS) Andri Program Studi Teknik Informatika, Universitas Indraprasta PGRI Email: andriecitra@gmail.com
Lebih terperinciKLASIFIKASI KUALITAS BUAH STROBERI SEGAR BERDASARKAN PENGUKURAN ATRIBUT KECACATAN MENGGUNAKAN PENGOLAHAN CITRA
KLASIFIKASI KUALITAS BUAH STROBERI SEGAR BERDASARKAN PENGUKURAN ATRIBUT KECACATAN MENGGUNAKAN PENGOLAHAN CITRA Arina Diori (0722107) Jurusan Teknik Elektro email: arinadiorisinaga@yahoo.com ABSTRAK Buah
Lebih terperinci3.1.2 Analisis Kebutuhan... Error! Bookmark not defined Perancangan... Error! Bookmark not defined Pengujian... Error!
DAFTAR ISI LEMBAR PENGESAHAN... Error! Bookmark not defined. PERNYATAAN... Error! Bookmark not defined. ABSTRAK... Error! Bookmark not defined. ABSTRACT... ierror! Bookmark not defined. KATA PENGANTAR...
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 terperinciADAPTIVE NEURO FUZZY INFERENCE SYSTEM (ANFIS) UNTUK DIAGNOSA DAN TATALAKSANA PENYAKIT DEMAM BERDARAH DENGUE MUHAMMAD SYAFII
ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (ANFIS) UNTUK DIAGNOSA DAN TATALAKSANA PENYAKIT DEMAM BERDARAH DENGUE MUHAMMAD SYAFII SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2006 ABSTRAK Kematian akibat
Lebih terperinciImplementasi Model Adaptive Neuro-Fuzzy Inference System (ANFIS) Dalam Menentukan Penilaian Kinerja Karyawan
Implementasi Model Adaptive Neuro-Fuzzy Inference System (ANFIS) Dalam Menentukan Penilaian Kinerja Karyawan Anik Sri Wahyuningsih Jurusan Teknik Informatika Sekolah Tinggi Manajemen Informatika dan Kompiter
Lebih terperinciBAB IV PEMBAHASAN. BAB IV berisi pembahasan tahapan penelitian, yaitu klasifikasi logika. A. Identifikasi Data Cadangan Hidrokarbon
BAB IV PEMBAHASAN BAB IV berisi pembahasan tahapan penelitian yaitu klasifikasi logika fuzzy hasil pembahasan analisis pengujian model fuzzy dan visualisasi model fuzzy pada perhitungan cadangan hidrokarbon
Lebih terperinciImplementasi Adaptive Neuro-Fuzzy Inference System (Anfis) untuk Peramalan Pemakaian Air di Perusahaan Daerah Air Minum Tirta Moedal Semarang
Scientific Journal of Informatics Vol. 3, No. 1, Mei 2016 p-issn 2407-7658 http://journal.unnes.ac.id/nju/index.php/sji e-issn 2460-0040 Implementasi Adaptive Neuro-Fuzzy Inference System (Anfis) untuk
Lebih terperinciBAB II TINJAUAN PUSTAKA. menggunakan PCA, kemudian penelitian yang menggunakan algoritma Fuzzy C-
8 BAB II TINJAUAN PUSTAKA 2.1 Studi Pendahuluan Sebelumnya telah ada penelitian tentang sistem pengenalan wajah 2D menggunakan PCA, kemudian penelitian yang menggunakan algoritma Fuzzy C- Means dan jaringan
Lebih terperinciPRAKIRAAN BEBAN PUNCAK JANGKA PANJANG PADA SISTEM KELISTRIKAN INDONESIA MENGGUNAKAN ALGORITMA ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM
ISSN 1412 3762 http://jurnal.upi.edu/electrans ELECTRANS, VOL.11, NO.2, SEPTEMBER 2012, 18-26 PRAKIRAAN BEBAN PUNCAK JANGKA PANJANG PADA SISTEM KELISTRIKAN INDONESIA MENGGUNAKAN ALGORITMA ADAPTIVE NEURO-FUZZY
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Tenaga listrik merupakan kebutuhan yang sangat penting bagi manusia dalam melakukan aktifitasnya sehari-hari. Peralatan rumah tangga maupun industri hampir semuanya
Lebih terperinci5 PERANCANGAN MODEL 5.1 Model Prediksi Produksi Jagung
5 PERANCANGAN MODEL Perancangan model pada rantai pasok industri berbasis ini bertujuan untuk memperoleh suatu model yang dapat menganalisis penyediaan produk tepung pada industri tepung sesuai kebutuhan
Lebih terperinciKLASIFIKASI BUNGA EUPHORBIA BERDASARKAN KELOPAK DENGAN METODE PRINCIPAL COMPONENT ANALYSIS (PCA)
KLASIFIKASI BUNGA EUPHORBIA BERDASARKAN KELOPAK DENGAN METODE PRINCIPAL COMPONENT ANALYSIS (PCA) SKRIPSI Diajukan Untuk Memenuhi Sebagai Syarat Guna Memperoleh Gelar Sarjana Komputer (S.Kom.) Pada Program
Lebih terperinciInstitut Teknologi Sepuluh Nopember Surabaya
Aplikasi Sistem Inferensi Fuzzy Metode Sugeno dalam Memperkirakan Produksi Air Mineral dalam Kemasan Oleh Suwandi NRP 1209201724 Dosen Pembimbing 1. Prof. Dr M. Isa Irawan, MT 2. Dr Imam Mukhlash, MT Institut
Lebih terperinciBAB I PENDAHULUAN. kesehatan yang optimal dan untuk mengatasi berbagai penyakit secara alami.
BAB I PENDAHULUAN 1.1 Latar Belakang Pengobatan tradisional dengan memanfaatkan tumbuhan berkhasiat obat merupakan pengobatan yang dimanfaatkan dan diakui masyarakat dunia, hal ini menandai kesadaran untuk
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 terperinciIDENTIFIKASI WAJAH SESEORANG BERDASARKAN CITRA BIBIR MENGGUNAKAN METODE EIGEN FUZZY SET ABSTRAK
IDENTIFIKASI WAJAH SESEORANG BERDASARKAN CITRA BIBIR MENGGUNAKAN METODE EIGEN FUZZY SET Disusun oleh : Moriska Beslar 0422101 Jurusan Teknik Elektro, Fakultas Teknik,, Jl.Prof.Drg.Suria Sumantri, MPH no.65,
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI. menggunakan metode ARIMA (Autoregressive Moving Average) yang
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1 Tinjauan Pustaka Pada penelitian yang dilakukan Hendra (2012) membandingkan hasil analisis menggunakan metode ARIMA (Autoregressive Moving Average) yang berdasarkan
Lebih terperinciBAB III METODELOGI PENELITIAN. media cacing dengan metode adaptive neuro fuzzy inference system (ANFIS)
BAB III METODELOGI PENELITIAN 3.1 Studi Literatur Untuk memehami cara rancang bangun pengontrol suhu dan kelembaban media cacing dengan metode adaptive neuro fuzzy inference system (ANFIS) dibutuhkan studi
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Bab ini membahas tentang teori penunjang dan penelitian sebelumnya yang berhubungan dengan penerapan metode Adaptive Neuro Fuzzy Inference System (ANFIS) untuk prediksi Beban Daya
Lebih terperinciPROBABILISTIC NEURAL NETWORK BERBASIS GUI MATLAB UNTUK KLASIFIKASI DATA REKAM MEDIS
PROBABILISTIC NEURAL NETWORK BERBASIS GUI MATLAB UNTUK KLASIFIKASI DATA REKAM MEDIS (Studi Kasus: Penyakit Diabetes Melitus di Balai Kesehatan Kementerian Perindustrian Jakarta) SKRIPSI Disusun oleh: JOHAN
Lebih terperinciPerbandingan Regresi Linear, Backpropagation Dan Fuzzy Mamdani Dalam Prediksi Harga Emas
TEKNOLOGI DI INDUSTRI (SENIATI) 016 ISSN : 085-418 Perbandingan Regresi Linear, Backpropagation Dan Fuzzy Mamdani Dalam Prediksi Harga Emas Nur Nafi iyah Program Studi Teknik Informatika Universitas Islam
Lebih terperinciDENIA FADILA RUSMAN
Sidang Tugas Akhir INVENTORY CONTROL SYSTEM UNTUK MENENTUKAN ORDER QUANTITY DAN REORDER POINT BAHAN BAKU POKOK TRANSFORMER MENGGUNAKAN METODE FUZZY (STUDI KASUS : PT BAMBANG DJAJA SURABAYA) DENIA FADILA
Lebih terperinciSISTEM PENGAMBILAN KEPUTUSAN WAKTU PERPINDAHAN LAMPU LALU LINTAS MENGGUNAKAN METODE NEURO-FUZZY PADA SISTEM TRANPORTASI CERDAS
1 SISTEM PENGAMBILAN KEPUTUSAN WAKTU PERPINDAHAN LAMPU LALU LINTAS MENGGUNAKAN METODE NEURO-FUZZY PADA SISTEM TRANPORTASI CERDAS Muhammad Dwi Wicaksana 1, Fauzan Ade Azizie 2, Indrabayu Amirullah 3, Ingrid
Lebih terperinciPREDIKSI KELULUSAN TEPAT WAKTU MAHASISWA MENGGUNAKAN NEURO-FUZZY CLASSIFICATION
PREDIKSI KELULUSAN TEPAT WAKTU MAHASISWA MENGGUNAKAN NEURO-FUZZY CLASSIFICATION (NEFCLASS) (STUDI KASUS: PROGRAM STUDI S1 TEKNIK INFORMATIKA, UNIVERSITAS TELKOM) Rita Rismala 1, Serli Fatriandini 2, Retno
Lebih terperinciBAB IV RANCANG BANGUN SISTEM
22 BAB IV RANCANG BANGUN SISTEM Pengguna sistem adalah dokter namun sistem dapat juga digunakan oleh praktisi kesehatan lainnya seperti bidan, perawat bahkan masyarakat umum. Dokter dibantu dalam pengambilan
Lebih terperinciPENDAHULUAN TINJAUAN PUSTAKA
Latar Belakang PENDAHULUAN Indonesia merupakan negara tropis yang memiliki + 30.000 spesies tumbuh-tumbuhan ([Depkes] 2007). Tumbuh-tumbuhan tersebut banyak yang dibudidayakan sebagai tanaman hias. Seiring
Lebih terperinciPENGEMBANGAN ALGORITMA PEMUTUAN EDAMAME MENGGUNAKAN PENGOLAHAN CITRA DAN JARINGAN SYARAF TIRUAN DEDY WIRAWAN SOEDIBYO
PENGEMBANGAN ALGORITMA PEMUTUAN EDAMAME MENGGUNAKAN PENGOLAHAN CITRA DAN JARINGAN SYARAF TIRUAN DEDY WIRAWAN SOEDIBYO SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2006 PERNYATAAN MENGENAI TESIS
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 terperinciPENILAIAN KINERJA DOSEN DENGAN MENGGUNAKAN METODE SUGENO
PENILAIAN KINERJA DOSEN DENGAN MENGGUNAKAN METODE SUGENO Magdalena Simanjuntak Program Studi Teknik Informatika, STMIK Kaputama E-mail : magdalena.simanjuntak84@gmail.com ABSTRACT This study aimed to analyze
Lebih terperinciPERANCANGAN PARAMETER TERBAIK UNTUK PREDIKSI PRODUKSI BAN GT3 MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILIENT PROPAGATION
PERANCANGAN PARAMETER TERBAIK UNTUK PREDIKSI PRODUKSI BAN GT3 MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILIENT PROPAGATION Fitrisia, Adiwijaya, dan Andrian Rakhmatsyah Program Studi S1 Teknik Informatika,
Lebih terperinciPenerapan Metode Fuzzy Mamdani Pada Rem Otomatis Mobil Cerdas
Penerapan Metode Fuzzy Mamdani Pada Rem Otomatis Mobil Cerdas Zulfikar Sembiring Jurusan Teknik Informatika, Fakultas Teknik, Universitas Medan Area zoelsembiring@gmail.com Abstrak Logika Fuzzy telah banyak
Lebih terperinciDAFTAR ISI.. LEMBAR PENGESAHAN SURAT PERNYATAAN ABSTRAK.. ABSTRACT... DAFTAR TABEL.. DAFTAR PERSAMAAN..
ABSTRAK Perkembangan teknologi yang semakin pesat, membuat semakin sedikitnya suatu industri yang memakai operator dalam menjalankan suatu proses produksi. Pada saat ini, kontrol otomatis lebih banyak
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 terperinciPREDIKSI TINGGI MUKA AIR BENDUNGAN RIAM KANAN MENGGUNAKAN ADAPTIVE NEURO FUZZY INFERENCE SYSTEM
Technologia Vol 9, No.1, Januari Maret 2018 11 PREDIKSI TINGGI MUKA AIR BENDUNGAN RIAM KANAN MENGGUNAKAN ADAPTIVE NEURO FUZZY INFERENCE SYSTEM Yusri Ikhwani Fakultas Teknologi Informasi Universitas Islam
Lebih terperinciFuzzy Logic. Untuk merepresentasikan masalah yang mengandung ketidakpastian ke dalam suatu bahasa formal yang dipahami komputer digunakan fuzzy logic.
Fuzzy Systems Fuzzy Logic Untuk merepresentasikan masalah yang mengandung ketidakpastian ke dalam suatu bahasa formal yang dipahami komputer digunakan fuzzy logic. Masalah: Pemberian beasiswa Misalkan
Lebih terperinciBAB I PENDAHULUAN. jaringan ikat pada payudara. Terdapat beberapa jenis kanker payudara antara lain
BAB I PENDAHULUAN A. Latar Belakang Kanker payudara adalah pertumbuhan sel-sel pada jaringan payudara secara abnormal, terus menerus, tidak terkontrol dan tidak terbatas. Kanker bisa mulai tumbuh di dalam
Lebih terperinciIDENTIFIKASI KERUSAKAN MESIN BERPUTAR BERDASARKAN SINYAL SUARA DENGAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM
IDENTIFIKASI KERUSAKAN MESIN BERPUTAR BERDASARKAN SINYAL SUARA DENGAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM Seminar Tugas Akhir O L E H : M I F T A H U D D I N P E M B I M B I N G : I R. Y E R R
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 terperinciANALISIS & DESAIN SISTEM FUZZY. Menggunakan TOOLBOX MATLAB
ANALISIS & DESAIN SISTEM FUZZY Menggunakan TOOLBOX MATLAB ANALISIS & DESAIN SISTEM FUZZY Menggunakan TOOLBOX MATLAB Sri Kusumadewi Analisis & Desain Sistem Fuzzy Menggunakan Toolbox Matlab Oleh: Sri Kusumadewi
Lebih terperinciIMPLEMENTASI METODE FUZZY UNTUK KLASIFIKASI USIA JERUK NIPIS
IMPLEMENTASI METODE FUZZY UNTUK KLASIFIKASI USIA JERUK NIPIS Hendry Setio Prakoso 1, Dr.Eng. Rosa Andrie.,ST.,MT 2, Dr.Eng. Cahya Rahmad.,ST.,M.Kom 3 1,2 Teknik Informatika, Teknologi Informasi, Politeknik
Lebih terperinciPeramalan Beban Jangka Panjang Sistem Kelistrikan Kota Palu Menggunakan Metode Logika Fuzzy
13 Peramalan Beban Jangka Panjang Sistem Kelistrikan Kota Palu Menggunakan Metode Logika Fuzzy Maryantho Masarrang, Erni Yudaningtyas, dan Agus Naba Abstract Long-term load forecasting is intended to estimate
Lebih terperinciJUDUL SKRIPSI : ESTIMASI PERUSAHAAN ASURANSI JIWA DI INDONESIA DENGAN PENDEKATAAN ADAPTIVE NEURO FUZZY. Disusun oleh :
JUDUL SKRIPSI : ESTIMASI PERUSAHAAN ASURANSI JIWA DI INDONESIA DENGAN PENDEKATAAN ADAPTIVE NEURO FUZZY Disusun oleh : Nama : FITRI APRILIANA NPM : 20208521 Jurusan : Akuntansi Pembimbing : Dr. Armaini
Lebih terperinciFUZZY RULE-BASED SISTEM TEMUKEMBALI CITRA BUNGA ADI SUCIPTO AJI
FUZZY RULE-BASED SISTEM TEMUKEMBALI CITRA BUNGA ADI SUCIPTO AJI SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2007 PERNYATAAN MENGENAI TESIS Saya menyatakan dengan sebenar-benarnya bahwa tesis saya
Lebih terperinciSISTEM PENDETEKSI WAJAH MANUSIA PADA CITRA DIGITAL
1 SISTEM PENDETEKSI WAJAH MANUSIA PADA CITRA DIGITAL (Human Face Detection System on Digital Images) Setyo Nugroho 1, Agus Harjoko 2 Program Studi Ilmu Komputer Program Pascasarjana Universitas Gadjah
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 terperinciPeningkatan Akurasi Dalam Prakiraan Beban Listrik Jangka Pendek Menggunakan Data Temperatur
Peningkatan Akurasi Dalam Prakiraan Beban Listrik Jangka Pendek Menggunakan Data Temperatur Imaad Al-Mutawakkil*, Dian Yayan Sukma** Jurusan Teknik Elektro Fakultas Teknik Universitas Riau Kampus Binawidya
Lebih terperinciAplikasi Peramalan Kebutuhan Beban Listrik Menggunakan Metode Adaptive Neuro Fuzzy Inference System (ANFIS)
Aplikasi Peramalan Kebutuhan Beban Listrik Menggunakan Metode Adaptive Neuro Fuzzy Inference System (ANFIS) Erwan Ahmad Ardiansyah 1, Rina Mardiati 2, Afaf Fadhil 3 1,2 Jurusan Teknik Elektro, Fakultas
Lebih terperinciPERKIRAAN BEBAN LISTRIK JANGKA PENDEK DENGAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM
ISSN : 1978-6603 PERKIRAAN BEBAN LISTRIK JANGKA PENDEK DENGAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM Sarjon Defit Fakultas Ilmu Komputer Universitas Putra Indonesia YPTK Padang, Sumatera Barat Telp.
Lebih terperinciPERBANDINGAN ALGORITMA PARTICLE SWARM OPTIMIZATION DAN REGRESI PADA PERAMALAN WAKTU BEBAN PUNCAK
Jurnal POROS TEKNIK, Volume 6, No. 2, Desember 2014 : 55-10 PERBANDINGAN ALGORITMA PARTICLE SWARM OPTIMIZATION DAN REGRESI PADA PERAMALAN WAKTU BEBAN PUNCAK Nurmahaludin (1) (1) Staff Pengajar Jurusan
Lebih terperinciPENGEMBANGAN MODEL PROBABILISTIC NEURAL NETWORKS UNTUK PENENTUAN KEMATANGAN BELIMBING MANIS ZAKI FATHUROHMAN
PENGEMBANGAN MODEL PROBABILISTIC NEURAL NETWORKS UNTUK PENENTUAN KEMATANGAN BELIMBING MANIS ZAKI FATHUROHMAN DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
Lebih terperinciARTIFICIAL INTELLIGENCE MENENTUKAN KUALITAS KEHAMILAN PADA WANITA PEKERJA
ARTIFICIAL INTELLIGENCE MENENTUKAN KUALITAS KEHAMILAN PADA WANITA PEKERJA Rima Liana Gema, Devia Kartika, Mutiana Pratiwi Universitas Putra Indonesia YPTK Padang email: rimalianagema@upiyptk.ac.id ABSTRAK
Lebih terperinciJurnal Ilmiah Komputer dan Informatika (KOMPUTA) REPRESENTASI EMOSI MENGGUNAKAN LOGIKA FUZZY PADA PERMAINAN BONNY S TOOTH BOOTH
68 REPRESENTASI EMOSI MENGGUNAKAN LOGIKA FUZZY PADA PERMAINAN BONNY S TOOTH BOOTH Septiani Nur Hasanah 1, Nelly Indriani Widiastuti 2 Program Studi Teknik Informatika. Universitas Komputer Indonesia. Jl.
Lebih terperinciBAB I PENDAHULUAN. penting di Indonesia. Buah-buahan memiliki tingkat permintaan yang tinggi.
BAB I PENDAHULUAN A. LATAR BELAKANG Buah-buahan merupakan salah satu kelompok komoditas pertanian yang penting di Indonesia. Buah-buahan memiliki tingkat permintaan yang tinggi. Permintaan domestik terhadap
Lebih terperinciBAB IV PEMBAHASAN. A. Aplikasi Fuzzy Logic untuk Menilai Kolektibilitas Anggota Sebagai. Pertimbangan Pengambilan Keputusan Pemberian Kredit
BAB IV PEMBAHASAN A. Aplikasi Fuzzy Logic untuk Menilai Kolektibilitas Anggota Sebagai Pertimbangan Pengambilan Keputusan Pemberian Kredit Aplikasi fuzzy logic untuk pengambilan keputusan pemberian kredit
Lebih terperinciBAB 2 2. LANDASAN TEORI
BAB 2 2. LANDASAN TEORI Bab ini akan menjelaskan mengenai logika fuzzy yang digunakan, himpunan fuzzy, penalaran fuzzy dengan metode Sugeno, dan stereo vision. 2.1 Logika Fuzzy Logika fuzzy adalah suatu
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Logika Fuzzy Logika fuzzy merupakan suatu metode pengambilan keputusan berbasis aturan yang digunakan untuk memecahkan keabu-abuan masalah pada sistem yang sulit dimodelkan
Lebih terperinciPREDIKSI PERMINTAAN PRODUK MIE INSTAN DENGAN METODE FUZZY TAKAGI-SUGENO
PREDIKSI PERMINTAAN PRODUK MIE INSTAN DENGAN METODE FUZZY TAKAGI-SUGENO Ahmad Bahroini 1, Andi Farmadi 2, Radityo Adi Nugroho 3 1,2,3Prodi Ilmu Komputer FMIPA UNLAM Jl. A. Yani Km 36 Banjarbaru, Kalimantan
Lebih terperinci