KLASIFIKASI JENIS SHOREA BERDASARKAN MORFOLOGI DAUN MENGGUNAKAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK LEVENBERG-MARQUARDT CORY DIANA LESTARI
|
|
- Sudirman Kurnia
- 7 tahun lalu
- Tontonan:
Transkripsi
1 KLASIFIKASI JENIS SHOREA BERDASARKAN MORFOLOGI DAUN MENGGUNAKAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK LEVENBERG-MARQUARDT CORY DIANA LESTARI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2013
2
3 PERNYATAAN MENGENAI SKRIPSI DAN SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA Dengan ini saya menyatakan bahwa skripsi berjudul Klasifikasi Jenis Shorea Berdasarkan Morfologi Daun Menggunakan Jaringan Syaraf Tiruan Propagasi Balik Levenberg-Marquardt adalah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini. Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor. Bogor, November 2013 Cory Diana Lestari NIM G
4 ABSTRAK CORY DIANA LESTARI. Klasifikasi Jenis Shorea Berdasarkan Morfologi daun Menggunakan Jaringan Syaraf Tiruan Propagasi Balik Levenberg-Marquardt. Dibimbing oleh AZIZ KUSTIYO. Shorea (Meranti) adalah nama marga dari famili Dipterocarpaceae dan salah satu kelompok tumbuhan hutan hujan tropis yang dimanfaatkan dalam bidang perkayuan dan merupakan tumbuhan penghasil kayu terbaik. Keanekaragaman jenis Shorea di seluruh dunia sangatlah banyak, sehingga menyebabkan sulitnya mengetahui jenis Shorea. Tujuan penelitian ini adalah menerapkan metode JST Propagasi Balik Levenberg-Marquardt (PBLM) untuk klasifikasi jenis Shorea berdasarkan 23 fitur morfologi daun. Penelitian ini menggunakan 10 jenis Shorea yang terdapat di Kebun Raya Bogor, dengan masing-masing 10 sampel. Jenis Shorea yang digunakan yaitu Shorea johorensis foxwf, Shorea pinanga sp, Shorea macroptera dyer, Shorea leprosula miq, Shorea lepida blume, Shorea materialis ridley, Shorea platyclados, Shorea javanica koord & val, Shorea palembanica, dan Shorea seminis. Akurasi tertinggi yang dihasilkan adalah 100% dengan nilai Hidden Neuron 8 dan 10. Kata kunci: Jaringan Syaraf Tiruan, Levenberg-Marquardt, Propagasi Balik, Shorea ABSTRACT CORY DIANA LESTARI. Shorea Species Classification Based on Leave Morphology Characteristics Using Levenberg-Marquardt Backpropagation Neural Network. Supervised by AZIZ KUSTIYO. Shorea belongs to the Dipterocarpaceae family and is one of tropical rain forest plants which is being used in timber production. Due to the existence of its various species, Shorea s identification remains a challenge. The aim of this research was classifying Shorea s species using Levenberg-Marquardt Backpropagation Neural Network based on 23 morphological characteristics of its leaves. This research utilized the data from 10 species of Shorea that lived in Bogor Botanical Garden, with 10 samples each. Those species were Shorea johorensis foxwf, Shorea pinanga sp, Shorea macroptera dyer, Shorea leprosula miq, Shorea lepida blume, Shorea materialis ridley, Shorea platyclados, Shorea javanica koord & val, Shorea palembanica, dan Shorea seminis. It was found that a 100% identification accuracy can be obtained with Hidden Neuron 8 and 10. Keywords: Backpropagation, Levenberg-Marquardt, Neural Network, Shorea
5 KLASIFIKASI JENIS SHOREA BERDASARKAN MORFOLOGI DAUN MENGGUNAKAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK LEVENBERG-MARQUARDT CORY DIANA LESTARI Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer pada Departemen Ilmu Komputer DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2013
6 Penguji: 1 Dr Eng Wisnu Ananta Kusuma, ST, MT 2 Mushthofa, SKom, MSc
7 Judul Skripsi : Klasifikasi Jenis Shorea Berdasarkan Morfologi Daun Menggunakan Jaringan Syaraf Tiruan Propagasi Balik Levenberg- Marquardt Nama : Cory Diana Lestari NIM : G Disetujui oleh Aziz Kustiyo, SSi, MKom Pembimbing Diketahui oleh Dr Ir Agus Buono, MSi, MKom Ketua Departemen Tanggal Lulus:
8 PRAKATA Alhamdulillahi Rabbil alamin, puji syukur penulis panjatkan kepada Allah Subhanahu wa Ta ala atas berkat taufiq, hidayah, serta innayyah-nya sehingga penulis dapat menyelesaikan tugas akhir ini. Tema yang dipilih dalam tugas akhir yang dilaksanakan sejak bulan September 2012 ini adalah klasifikasi, dengan judul Klasifikasi Jenis Shorea Berdasarkan Morfologi Daun Menggunakan Jaringan Syaraf Tiruan Propagasi Balik Levenberg-Marquardt. Penulis sadar bahwa tugas akhir ini tidak akan terselesaikan tanpa bantuan dari berbagai pihak. Pada kesempatan ini, penulis ingin mengucapkan terima kasih kepada: 1 Orang tua tercinta Bapak H Arizal Bahar, SE dan Ibu Rosmiati Zakaria, Spd, MM, kakak penulis Ronaldo Barnes, SH, dan Rendino Davis, SE, serta adik penulis Bonny Richardo atas segala doa dan dukungan yang tiada hentinya. 2 Bapak Aziz Kustiyo, SSi, MKom selaku dosen pembimbing yang telah memberikan saran, bimbingan, dan dukungan dalam penyelesaian tugas akhir ini. 3 Dosen penguji, Bapak Mushthofa, SKom, MSc dan Bapak Dr Eng Wisnu Ananta Kusuma, ST, MT atas saran dan bimbingannya. 4 Yuni, Desta, Adi, Amor, Irene, Beber dan Yosi atas dukungan, bantuan dan semangat yang diberikan kepada penulis. 5 Teman-teman satu bimbingan Ayu, Erni, Septi, Mba Sri, Asep, Ilvi, dan Bangkit, terima kasih atas kerjasamanya. 6 Seluruh teman-teman Ilkomerz Angkatan 5 atas persahabatan, dukungan, bantuan, semangat, dan kekeluargaannya selama ini. Penulis menyadari bahwa masih terdapat kekurangan dalam penulisan tugas akhir ini. Semoga tugas akhir ini dapat bermanfaat. Bogor, November 2013 Cory Diana Lestari
9 DAFTAR ISI DAFTAR TABEL ix DAFTAR GAMBAR ix DAFTAR LAMPIRAN ix PENDAHULUAN 1 Latar Belakang 1 Tujuan Penelitian 2 Manfaat Penelitian 2 Ruang Lingkup Penelitian 2 TINJAUAN PUSTAKA 2 Shorea 2 Jaringan Syaraf Tiruan 6 Standar Backpropagation 6 Propagasi Balik Levenberg-Marquardt (PBLM) 7 K-Fold Cross Validation 8 Elips 8 Confusion Matrix 9 METODE 10 Identifikasi Masalah 10 Pengumpulan Data 11 Pembagian Data Latih dan Data Uji (K-fold cross validation) 12 Pelatihan 13 Pengujian 14 Perhitungan Akurasi dan Analisis Hasil 14 Lingkungan Pengembangan 14 HASIL DAN PEMBAHASAN 15 Pembagian Data Latih dan Data Uji (K- fold cross validation) 15 Pelatihan 16 Pengujian 16 Perbandingan dengan Penelitan sejenis 18 SIMPULAN DAN SARAN 19
10 Simpulan 19 Saran 19 DAFTAR PUSTAKA 20 RIWAYAT HIDUP 27
11 DAFTAR TABEL 1 Confusion Matrix 9 2 Fitur Nominal Shorea 12 3 Parameter JST 13 4 Target JST 14 5 Contoh Data Shorea 15 6 Susunan data latih dan data uji 16 7 Confusion matrix untuk HN bernilai 3 (Rata-rata akurasi 60%) 17 8 Confusion matrix untuk HN bernilai 5 (Rata-rata akurasi 76%) 18 9 Perbandingan penelitian Shorea 19 DAFTAR GAMBAR 1 Daun Shorea johorensis 3 2 Daun Shorea pinanga 3 3 Daun Shorea macroptera 3 4 Daun Shorea leprosula 4 5 Daun Shorea lepida. 4 6 Daun Shorea materialis. 4 7 Daun Shorea platyclados. 5 8 Daun Shorea javanica 5 9 Daun Shorea palembanica Daun Shorea seminis 6 11 Arsitektur Jaringan 7 12 Elips 8 13 Metodologi penelitian Lebar daun Panjang daun Sudut daun Jarak antar daun Jarak tangkai ke daun Jumlah tulang daun Arsitektur JST Shorea Grafik nilai rata-rata akurasi terbaik pada HN 17 DAFTAR LAMPIRAN 1 Algoritme Backpropagation 21 2 Algoritme Propagasi Balik Levenberg-Marquardt 23 3 a Akurasi setiap percobaan 25 4 b Akurasi dengan epoch terkecil 26
12
13 1 PENDAHULUAN Latar Belakang Shorea (Meranti) adalah salah satu kelompok tumbuhan hutan hujan tropis yang dimanfaatkan dalam bidang perkayuan dan merupakan tumbuhan penghasil kayu terbaik. Shorea itu sendiri adalah nama marga dari famili Dipterocarpaceae. Jenis kayu marga ini dikenal dalam dunia perdagangan dengan nama kayu meranti yang memiliki nilai ekonomis serta ekologis tinggi. Kayu jenis Shorea banyak dimanfaatkan untuk bahan konstruksi ringan sampai berat serta bahan baku industri perkayuan yang penting di Indonesia. Selain hasil hutan berupa kayu, beberapa jenis Shorea juga memiliki Hasil Hutan Bukan Kayu (HHBK) yang bernilai ekonomis seperti damar, tengkawang, dan tanin (Mukhlisi 2010). Keanekaragaman jenis Shorea di seluruh dunia diperkirakan mencapai ratusan jenis dengan wilayah distribusi yang cukup luas. Keanekaragaman ini yang menyebabkan sulitnya pengenalan jenis Shorea. Untuk itu diperlukan pengetahuan dan pengalaman khusus untuk mengenali jenis Shorea, agar tidak meyebabkan kesalahan dalam pemilihan kayu. Pengenalan jenis Shorea dapat dilihat melalui batang, daun, buah, dan bunga. Penelitian menggunakan objek daun untuk penentuan klasifikasi Shorea, dikarenakan daun cenderung tersedia sebagai sumber pengamatan sepanjang waktu. Jaringan Syaraf Tiruan (JST) adalah salah satu metode yang dapat digunakan untuk membangun model klasifikasi. Metode ini diharapkan dapat memudahkan dalam klasifikasi jenis Shorea agar tidak terjadi kesalahan dalam pemilihan kayu yang tidak tepat. Beberapa penelitian terkait dalam mengenali jenis Shorea menggunakan JST adalah Identifikasi Jenis Shorea menggunakan Jaringan Syaraf Tiruan Propagasi Balik berdasarkan Karakteristik Morfologi Daun (Puspitasari 2011), Identifikasi Shorea menggunakan Jaringan Syaraf Tiruan Propagasi Balik Resilient berdasarkan Karakteristik Morfologi Daun (Putriani 2012), dan Identifikasi Shorea berdasarkan Morfologi Daun menggunakan Probabilistic Neural Network (PNN) (Hutabarat 2012). Pada penelitian Puspitasari (2011) menghasilkan akurasi 94%. Penelitian Putriani (2012) menghasilkan akurasi sebesar 98%. Kedua penelitian tersebut dilakukan terhadap 5 jenis Shorea dan berdasarkan 10 fitur morfologi. Sedangkan penelitian Hutabarat (2012) menghasilkan akurasi 84% yang dilakukan terhadap 10 jenis Shorea dan berdasarkan 12 fitur morfologi. Penelitian ini akan menerapkan JST Propagasi Balik Levenberg-Marquardt (PBLM) dengan jenis data yang sama pada penelitian Hutabarat (2012) dengan menggunakan ekstraksi ciri morfologi. Jaringan syaraf tiruan PBLM memiliki kelebihan di mana algoritme propagasi balik yang paling cepat konvergen sehingga tidak membutuhkan banyak epoch dalam proses pelatihannya (Permana 2012). Penggunaan JST diharapkan dapat meningkatkan akurasi dalam mengenali jenis Shorea.
14 2 Tujuan Penelitian Tujuan penelitian ini adalah menerapkan metode JST Propagasi Balik Levenberg-Marquardt untuk klasifikasi jenis Shorea serta mengetahui tingkat akurasi dari proses klasifikasi tersebut. Manfaat Penelitian Penelitian diharapkan dapat memudahkan klasifikasi jenis Shorea untuk mengurangi kesalahan dalam pemilihan kayu.. Ruang Lingkup Penelitian Ruang lingkup pada penelitian ini adalah: 1 Data penelitian yang digunakan diperoleh dari penelitian Hutabarat (2012) dan Tresnawati (2012). 2 Klasifikasi jenis Shorea berdasarkan karakteristik morfologi daun dengan pengukuran secara manual. 3 Klasifikasi dilakukan pada 10 jenis Shorea yang terdapat di Koleksi Kebun Raya Bogor. 4 Jumlah fitur yang digunakan sebanyak 23 fitur. TINJAUAN PUSTAKA Shorea Shorea pertama kali dikenalkan oleh Sir Jhon Shore pada tahun Shorea adalah marga kayu yang paling penting di kawasan basah Asia. Shorea merupakan salah satu marga dari suku Dipterocarpaceae yang memiliki keanekaragaman jenis paling tinggi. Marga Shorea terdiri atas 194 jenis yang tersebar di Sri Lanka, India, Burma, Thailand, Indochina serta 163 jenis tersebar di Malaya, Sumatera, Borneo dan pulau-pulau sekitarnya, Jawa, Sulawesi, Philipina, dan Maluku (Mukhlisi 2010). Ciri umum pohon shorea yaitu pohon sangat besar dengan kulit kayu dalam berlapis-lapis dan berwarna coklat merah gelap. Pohon hampir selalu besar, batang utama tinggi dan silindris. Tangkai daun berukuran sekitar cm. Daun berukuran panjang 4-18 cm dan lebar 2-8 cm, pangkal daun biasanya simetris, permukaan bawah daun bila diraba licin, pertulangan sekunder bersisip, berjumlah sekitar 7-25 pasang (Newman et al. 1999). Penelitian ini menggunakan 10 spesies Shorea, yaitu: 1 Shorea johorensis foxwf Shorea johorensis termasuk dalam kelompok meranti merah. Ciri khas daun adalah berlubang-lubang, di waktu kering daun berwarna coklat kekuningan apabila diremas akan hancur. Ujung daun meruncing, pangkal daun bulat, tulang
15 daun menyirip, bentuk daun oblong, tepi daun rata terdapat domatia, dan pertulangan daun sekunder 9-12 pasang. Daun Shorea johorensis dapat dilihat pada Gambar 1. 3 Gambar 1 Daun Shorea johorensis 2 Shorea pinanga sp Shorea pinanga termasuk dalam kelompok meranti merah. Ciri-ciri diagnostik utama licin, daun berukuran sedang, sedikit bersisik pada pohon-pohon tua. Daun jorong, ujung lancip pendek atau panjang, membundar atau agak berbentuk jantung. Pertulangan sekunder pasang, melengkung di seluruh panjangnya. Pertulangan tersier kelihatan jelas, tegak lurus dan domatia tidak ada. Shorea pinanga menyebar di Kalimantan. Daun Shorea pinanga dapat dilihat pada Gambar 2. Gambar 2 Daun Shorea pinanga 3 Shorea macroptera dyer Shorea macroptera termasuk dalam kelompok meranti merah. Pohon besar dan berbanir besar. Batang merekah atau bersisik dan umumnya berdamar. Kulit luar dan kulit dalam tebal, berurat-urat, warnanya merah atau kemerah-merahan, isi kayu berwarna merah dan domatia tidak ada. Daun Shorea macroptera dapat dilihat pada Gambar 3. Gambar 3 Daun Shorea macroptera
16 4 4 Shorea leprosula miq Shorea leprosula termasuk dalam kelompok meranti merah. Perawakan pohon besar, tinggi mencapai 60 m, daun lonjong, pertulangan sekunder pasang, pertulangan tersier hampir tidak terlihat jelas, dan terdapat domatia. Daun Shorea leprosula dapat dilihat pada Gambar 4. Gambar 4 Daun Shorea leprosula 5 Shorea lepida blume Shorea lepida termasuk dalam kelompok meranti merah. Memiliki ciri-ciri utama pohon dewasa memiliki daun agak tipis, lonjong dan runcing. Permukaan atas daun bila mengering coklat agak lembayung, coklat kuning pada tulang daun, coklat pudar pada permukaan bawah daun dan domatia tidak ada. Kisaran persebaran di semenanjung Malaysia dan Sumatera. Daun Shorea lepida dapat dilihat pada Gambar 5. Gambar 5 Daun Shorea lepida. 6 Shorea materialis ridley Shorea materialis merupakan jenis meranti balau. Ciri-ciri diagnostik utama pohon besar dan mempunyai daun kasar. Sebagai penghasil damar dan biji tengkawang. Jenis meranti ini menghasilkan kayu yang keras dan berat, cocok untuk konstruksi bangunan. Kisaran persebaran di Brunei Darussalam, Sumatera dan Malaysia. Daun Shorea materialis dapat dilihat pada Gambar 6. Gambar 6 Daun Shorea materialis.
17 7 Shorea platyclados Shorea platyclados termasuk dalam kelompok meranti merah. Perawakan pohon sangat besar, batang tidak bercabang hingga tinggi sekali. Daun berukuran panjang cm dan lebar cm, ujung daun lancip, pangkal daun membundar. Permukaan atas daun bila mengering berwarna coklat, bila diraba licin. Pertulangan sekunder berjumlah pasang. Pertulangan tersier hampir tidak kelihatan, domatia tidak ada. Daun Shorea platyclados dapat dilihat pada Gambar 7. 5 Gambar 7 Daun Shorea platyclados. 8 Shorea javanica koord & val Shorea javanica termasuk dalam kelompok meranti putih. Tangkai daun panjang berukuran cm, kadang-kadang lokos, pertulangan sekunder pasang. Daun lonjong, berukuran panjang , lebar cm dan terdapat domatia. Bila mengering, daun bagian atas berwarna lebih tua daripada permukaan daun bagian bawah. Shorea menyebar di daerah Sumatera, Jawa, Leuweung Sancang Jawa Barat, umumnya ditanam di Jawa dan Kalimantan (Muara Teweh) untuk diambil damarnya. Daun Shorea javanica dapat dilihat pada pada Gambar 8. Gambar 8 Daun Shorea javanica 9 Shorea palembanica Shorea palembanica termasuk dalam kelompok meranti merah. Ciri-ciri diagnostik utama habitat di tepi sungai. Daun jorong, pertulangan sekunder pasang, pertulangan tersier hampir tidak kelihatan, tegak lurus atau diagonal, dan domatia tidak ada. Daun Shorea palembanica dapat dilihat pada Gambar 9. Gambar 9 Daun Shorea palembanica.
18 6 10 Shorea Seminis Shorea seminis termasuk dalam kelompok balau atau selangan batu. Ciri-ciri diagnostik utama pohon yang tumbuh di tepi sungai. Tangkai daunnya bila mengering hitam, agak pendek. Daun jorong, ujung luncip panjang, pangkal berbentuk pasak atau membundar. Pertulangan sekunder 9-17 pasang, mula-mula lurus, kemudian melengkung di seluruh panjangnya, menonjol, pertulangan tersier tidak kelihatan atau hampir kelihatan, dan domatia jika ada di ketiak. Daun Shorea seminis dapat dilihat pada Gambar 10. Gambar 10 Daun Shorea seminis Jaringan Syaraf Tiruan Jaringan Syaraf Tiruan (JST) merupakan suatu sistem pemrosesan informasi yang memiliki karakteristik-karakteristik menyerupai jaringan syaraf biologi (Fausett 1994). JST dibentuk sebagai generalisasi model matematika dari jaringan syaraf biologi, dengan asumsi sebagai berikut: 1 Pengolahan informasi terjadi pada elemen-elemen pemrosesan (neuronneuron). 2 Sinyal dikirimkan di antara neuron-neuron melalui penghubung-penghubung. 3 Penghubung antar neuron memiliki bobot yang akan memperkuat atau memperlemah sinyal. 4 Untuk menentukan output, setiap neuron menggunakan fungsi aktivasi yang dikenakan pada jumlahan input yang diterima. Besarnya output ini selanjutnya dibandingkan dengan suatu batas ambang. JST ditentukan oleh tiga hal, yaitu pola hubungan antar neuron (arsitektur jaringan), metode untuk menetukan bobot penghubung (metode training atau algoritma), dan fungsi aktivasi (Siang 2009). Standar Backpropagation Backpropagation merupakan salah satu metode pelatihan terawasi, dimana ciri dari metode ini adalah meminimalkan error pada output yang dihasilkan oleh jaringan. Di dalam jaringan Backpropagation, setiap unit yang berada dilapisan input terhubung dengan setiap unit yang ada dilapisan tersembunyi dan setiap unit yang ada dilapisan tersembunyi terhubung dengan setiap unit yang ada dilapisan output. Gambar 11 menunjukkan arsitektur JST Backpropagation dengann n buah masukan. Unit input atau masukan dilambangkan dengan X, hidden unit dilambangkan dengan Z, dan unit output atau keluaran dilambangkan dengan Y. V merupakan bobot dari unit masukan X ke unit layer tersembunyi Z. Sedangkan W merupakan bobot dari unit layer tersembunyi Z ke unit keluaran Y.
19 7 Y 1 Y k Y m W 10 W k0 W kp W 11 W k1 W m1 W 1j W kj W mj W 1p W mp 1 W m0 Z 1 Z j Z p 1 V 10 V j0 V p0 V 11 V ji V 1i V pi V j1 Vp1 V 1n V pn V jn X 1 X i X n Gambar 11 Arsitektur Jaringan Pelatihan Backpropagation meliputi 3 fase, yaitu: 1 Propagasi maju (Feedforward) Setiap neuron pada hidden layer dan output layer dihitung masing-masing nilai aktivasinya sesuai dengan fungsi aktivasi yang digunakan. 2 Propagasi balik galat Setiap output neuron menghitung informasi galat antara nilai output yang dihasilkan dan nilai target. Informasi galat ini dikirimkan ke layer di bawahnya. 3 Penyesuaian bobot-bobot jaringan Setiap output neuron dan hidden neuron mengubah bias dan bobot-bobotnya sesuai dengan nilai galat. Ketiga tahapan tersebut dilakukan secara terus menerus hingga kondisi penghentian dipenuhi. Penghentian terjadi jika jumlah iterasi yang dilakukan sudah melebihi jumlah maksimum iterasi yang ditetapkan atau jika kesalahan yang terjadi sudah lebih kecil dari batas toleransi yang diijinkan (Fausett 1994). Untuk perhitungan dapat dilihat pada lampiran 1. Propagasi Balik Levenberg-Marquardt (PBLM) Algoritme Levenberg-Marquardt merupakan pengembangan algoritme propagasi balik standar. Algoritme ini menggunakan pendekatan matrik Hessian. Matriks Hessian merupakan turunan kedua dari fungsi kinerja terhadap masingmasing komponen bobot dan bias. Untuk memudahkan proses komputasi, matriks Hessian diubah dengan pendekatan secara iteratif pada masing-masing epoch selama algoritme pelatihan berjalan. Proses perubahannya dilakukan dengan menggunakan fungsi gradien. Jika fungsi kinerja yang digunakan berbentuk jumlah kuadrat error (SSE), matriks Hessian dapat diestimasi dengan persamaan berikut pada Persamaan 1.
20 8 H = J T J+ I (1) dengan: : parameter Marquardt, I : matriks identitas, dan J : matriks Jacobian yang terdiri atas turunan pertama error jaringan terhadap masing-masing komponen bobot dan bias. Matriks Jacobian dapat dikomputasikan melalui teknik propagasi balik standar. Matriks Jacobian tersusun atas turunan pertama fungsi error terhadap masing-masing komponen bobot dan bias koneksi jaringan. Nilai parameter Marquardt ( dapat berubah pada setiap epoch. Jika setelah berjalan satu epoch nilai fungsi error menjadi lebih kecil, nilai akan dibagi oleh faktor Bobot dan bias baru yang diperoleh akan dipertahankan dan pelatihan dapat dilanjutkan ke epoch berikutnya. Sebaliknya, jika setelah berjalan satu epoch nilai fungsi error menjadi lebih besar, nilai akan dikalikan dengan faktor. Nilai perubahan bobot dan bias dihitung kembali sehingga menghasilkan nilai yang baru (Warsito dan Sumiyati 2007). Algoritme pelatihan dengan metode Levenberg-Marquardt dapat dilihat pada Lampiran 2. K-Fold Cross Validation K-fold cross validation merupakan teknik yang membagi data menjadi k- subset. Himpunan subset yang dihasilkan yaitu S1, S2,,Sk yang digunakan sebagi data latih dan data uji. Dengan menggunakan k-fold cross validation dilakukan perulangan sebanyak k kali dimana salah satu subset dijadikan data uji dan k-1 subset lainnya dijadikan data latih (Fu 1994). Elips Luas dan keliling elips dapat dihitung dengan rumus di bawah ini: Luas elips : π x r 1 x r 2 Keliling : π (r 1 + r 2 ) r 2 r 1 dengan: r1 adalah sumbu panjang dari titik pusat r2 adalah sumbu pendek dari titik pusat Gambar 12 Elips
21 9 Confusion Matrix Confusion matrix merupakan sebuah tabel yang terdiri atas banyaknya baris data uji yang diprediksi benar dan tidak benar oleh model klasifikasi. Tabel ini diperlukan untuk menentukan kinerja suatu model klasifikasi (Tan et al. 2005). Contoh tabel confusion matrix dapat dilihat pada Tabel 1. Tabel 1 Confusion Matrix Prediksi Data Kelas 1 Kelas 2 Kelas 1 a b Aktual Kelas 2 c d Keterangan: a adalah jumlah contoh Kelas 1 yang berhasil diprediksi dengan benar sebagai Kelas 1, b adalah jumlah contoh Kelas 1 yang tidak berhasil diprediksi dengan benar sebagai Kelas 1, c adalah jumlah contoh Kelas 2 yang tidak berhasil diprediksi dengan benar sebagai Kelas 2, d adalah jumlah contoh Kelas 2 yang berhasil diprediksi dengan benar sebagai Kelas 2. Akurasi dapat dihitung dengan cara menjumlahkan data uji yang berhasil dikenali dengan benar dibagi dengan total data uji. Akurasi dapat dihitung menggunakan persamaan berikut pada Persamaan 2 dan 3. Akurasi umlah prediksi yang tepat Total data uji x 1 (2 a d a b c d x 1 (3
22 10 METODE Penelitian ini dilakukan dengan beberapa tahapan, mulai dari identifikasi masalah, pengumpulan data hingga mendapatkan nilai akurasi dari penelitian. Tahapan tersebut dapat dilihat pada Gambar 13.. JST Propagasi Balik Levenberd-Marquardt Gambar 13 Metodologi penelitian Identifikasi Masalah Identifikasi masalah terdiri atas beberapa tahapan yaitu pemilihan masalah, identifikasi tujuan, dan sumber pengetahuan. Masalah yang muncul adalah proses identifikasi masih dilakukan secara manual dan masih sulit dalam membedakan jenis Shorea. Kesalahan dalam mengidentifikasi ini dapat menyebabkan kesalahan dalam pemilihan kayu. Oleh karena itu diperlukan sebuah sistem yang dapat mengidentifikasi jenis Shorea berdasarkan sumber pengetahuan yang berasal dari pustaka dan pengetahuan pakar.
23 11 Pengumpulan Data Data jenis Shorea yang digunakan melibatkan 23 fitur morfologi daun. Data tersebut terdiri atas 12 fitur data numerik yang diperoleh dari penelitian Hutabarat (2012) dan 11 fitur data ordinal yang diperoleh dari penelitian Tresnawati (2012). Data yang digunakan merupakan data dari pengukuran secara manual dan pengambilan jenis Shorea dilakukan di Kebun Raya Bogor. Fitur yang dimiliki data numerik, yaitu: 1 Lebar daun diukur dari permukaan daun yang paling lebar seperti pada Gambar Panjang daun diukur dari pangkal daun hingga ujung daun seperti pada Gambar Diameter merupakan titik terjauh diantara dua titik dari batas daun. 4 Luas daun dihitung menggunakan rumus luas elips. 5 Keliling daun dihitung menggunakan rumus keliling elips. 6 Aspect Ratio adalah rasio dari panjang dan lebar daun. Ciri ini untuk memperkirakan bentuk helai daun. Jika bernilai kurang dari 1 maka bentuk helai daun tersebut melebar. Jika nilainya lebih dari 1 maka bentuk helai tersebut memanjang. Persamaannya dapat dilihat pada Persamaan 4. dengan: Lp adalah panjang daun Wp adalah lebar daun Lp p 7 Form factor mendeskripsikan bentuk dari daun dan mengetahui seberapa bundar bentuk helai daun tersebut. Persamaannya dapat dilihat pada Persamaan 5. 4π A 2 (5 dengan: A adalah luas daun P adalah keliling daun 8 Perimeter ratio of diameter adalah ciri ini untuk mengukur seberapa lonjong daun tersebut. Persamaannya dapat dilihat pada Persamaan 6. (4 9 Sudut antar ibu tulang daun dengan tulang cabang daun sebelah kanan atau kiri yang diukur menggunakan busur seperti Gambar Jarak antar daun diperoleh dari pengukuran antara ujung daun satu dengan ujung daun lain yang tepat di bawah atau di atas daun tersebut seperti pada Gambar Jarak dari tangkai ke daun diperoleh dengan pengukuran dari tangkai ke pangkal daun seperti pada Gambar Jumlah tulang daun sebelah kanan dan sebelah kiri. Posisi ruas tulang daun dapat dilihat pada Gambar 19. (6
24 12 Gambar 14 Lebar daun Gambar 15 Panjang daun Gambar 16 Sudut daun Gambar 17 Jarak antar daun Gambar 18 Jarak tangkai ke daun Gambar 19 Jumlah tulang daun Sedangkan fitur pada data nominal dapat dilihat pada Tabel 2. Tabel 2 Fitur Nominal Shorea No. Fitur Nominal 1 Permukaan atas Halus Kasar 2 Permukaan bawah Halus Kasar 3 Pertulangan tersier Tegak lurus Diagonal 4 Bentuk ranting Pipih Silindris 5 Permukaan ranting Licin Kasap 6 Arah ranting Lurus Zigzag 7 Pangkal daun Meruncing Runcing Membundar Tumpul 8 Ujung daun Meruncing Runcing Membundar Tumpul 9 Sifat helai daun Tipis Sedang Tebal 10 Domatia Ada Tidak ada 11 Stipula Memanjang Membundar Pembagian Data Latih dan Data Uji (K-fold cross validation) Pembagian data latih dan data uji menggunakan teknik k-fold cross validation sebagai teknik yang membagi data menjadi k bagian. Pada teknik ini dilakukan iterasi sebanyak k kali untuk pelatihan dan pengujian (Fu 1994). Penelitian ini akan menggunakan 5-fold cross validation, yang dibagi menjadi empat subset untuk data latih dan satu subset untuk data uji.
25 13 Pelatihan Pelatihan dilakukan menggunakan data latih. Pelatihan ini diakukan dengan menggunakan metode jaringan syaraf tiruan propagasi balik Levenberg- Marquardt. Sebelum melakukan pelatihan, terlebih dahulu ditentukan arsitektur JST yang terdiri atas 23 neuron input, 1 hidden layer, dan 10 neuron output dapat dilihat pada Gambar 20. Output Layer Y 1 Y 2 Y 3 Y 4 Y 5 Y 6 Y 7 Y 8 Y 9 Y 10 Hidden Layer 1 Z 1 Z 2 Z n Input Layer 1 X 1 X 2 X 23 Gambar 20 Arsitektur JST Shorea Jumlah neuron input yang digunakan dalam penelitian ini sebanyak 23 dan jumlah neuron output sebanyak 10. Adapun untuk jumlah hidden neuron pada penelitian ini digunakan adalah 3, 5, 8, dan 10. Selain jumlah neuron pada tiap lapisan arsitektur JST, ditetapkan beberapa parameter yang akan diberikan pada proses pembelajaran dan diuji untuk membentuk model prediksi, antara lain adalah fungsi aktivasi, jumlah epoch maksimal, toleransi galat, initial mu, mu decrease dan increase factor, serta mu max. Inisialisasi bobot menggunakan inisialisasi Nguyen-Widrow. Untuk menentukan fungsi aktivasi dilakukan percobaan dengan kombinasi ketiga fungsi aktivasi, yaitu sigmoid biner, sigmoid bipolar dan identitas. Untuk toleransi galat, initial mu, mu decrease dan increase factor, serta mu max nilai yang dipakai menggunakan nilai default pada Matlab. Parameter yang digunakan dapat dilihat pada Tabel 3. Tabel 3 Parameter JST Karaketeristik Spesifikasi Arsitektur 1 hidden layer Neuron input 23 Hidden neuron 3, 5, 8, 10 Neuron output 10 Fungsi aktivasi lapisan Sigmoid biner, sigmoid bipolar, identitas tersembunyi Fungsi aktivasi lapisan output Sigmoid biner, sigmoid bipolar, identitas Inisialisasi bobot Nguyen widrow Toleransi galat 0 Initial mu mu decrease factor 0.1 mu increase factor 10 mu max Maksimum epoch 100 Algoritme pelatihan Levenberg-Marquardt
26 14 Target pada penelitian ini terdiri atas 10 kelas. Setiap kelas mewakili satu jenis Shorea yang direpresentasikan dengan nilai 0 dan 1. Nilai target untuk masing-masing kelas Shorea dapat dilihat pada Tabel 4. Tabel 4 Target JST No. Kelas Target 1. Shorea johorensis foxwf Shorea pinanga sp Shorea macroptera dyer Shorea leprosula miq Shorea lepida blume Shorea materialis ridley Shorea platyclados Shorea javanica koord & val Shorea palembanica Shorea seminis Pengujian Tahap ini, dilakukan pengujian menggunakan data uji. Hasil pengujian dianalisis menggunakan tabel confusion matrix untuk menentukan kinerja suatu model klasifikasi. Confusion matrix merupakan sebuah tabel yang terdiri atas banyaknya baris data uji yang diprediksi benar dan tidak benar oleh model klasifikasi. Perhitungan Akurasi dan Analisis Hasil Hasil yang telah diperoleh dari analisis tabel confusion matrix, dilakukan perhitungan besaran akurasi yang diperoleh. Kinerja JST untuk mengidentifikasi jenis Shorea dapat diketahui dari analisis hasil pengujian. Untuk memudahkan dalam menunjukkan perkembangan dan perbandingan hasil akurasi yang diperoleh maka dibuatlah sebuah grafik. Lingkungan Pengembangan Sistem ini diimplementasikan dengan menggunakan perangkat keras dan perangkat lunak sebagai berikut: 1. Perangkat Keras: Processor Intel Core 2 uo Memory 4 GB Harddisk kapasitas 320 GB 2. Perangkat Lunak: Sistem operasi Microsoft Windows 7 Ultimate Matlab 7.7 (R2008b)
27 15 HASIL DAN PEMBAHASAN Data yang digunakan pada penelitian ini merupakan pengukuran yang dilakukan pada penelitian sebelumnya secara manual oleh Hutabarat (2012) dan Tresnawati (2012). Penelitian ini mengidentifikasi 10 jenis Shorea dengan menggunakan karakteristik morfologi daun, yaitu Shorea johorensis foxwf, Shorea pinanga sp, Shorea macroptera dyer, Shorea leprosula miq, Shorea lepida blume, Shorea materialis ridley, Shorea platyclados, Shorea javanica koord & val, Shorea palembanica, dan Shorea seminis. Sepuluh jenis Shorea ini masingmasing terdiri atas 10 sampel sehingga total data sebanyak 100 data. Percobaan ini melibatkan 23 fitur morfologi daun, berikut disajikan contoh data hasil perhitungan manual dan fitur-fitur yang dapat dilihat pada Tabel 5. Tabel 5 Contoh Data Shorea Fitur Shorea Materialis Panjang 16.3 cm Lebar 6.0 cm Diameter 16.3 cm Aspect Ratio 2.72 cm Luas cm 2 Keliling cm Form Factor 0.79 cm Perimeter ratio of diameter 2.15 cm Sudut antar ibu tulang daun 47 0 Jumlah tulang daun 17 (pasang) Jarak antar daun 1.2 cm Jarak tangkai-daun 5.2 cm Permukaan atas Halus Permukaan bawah Kasar Pertulangan tersier Diagonal Bentuk ranting Silindris Permukaan ranting Kasap Arah ranting Zigzag Pangkal daun Membundar Ujung daun Meruncing Sifat helai daun Tipis Domatia Ada Stipula Membundar Pembagian Data Latih dan Data Uji (K- fold cross validation) Penelitian ini menggunakan nilai k sama dengan 5. Seratus data yang terkumpul akan dibagi menjadi 5 subset. Masing-masing subset akan berisi 2 data dari 10 kelas yang ada. Percobaan pertama (fold I) menggunakan 80 data sebagai data latih yang berisi subset 2, 3, 4, dan 5. Subset 1 yang berisi 20 data dijadikan sebagai data uji.
28 16 Percobaan terus dilakukan hingga setiap subset pernah menjadi data uji. Susunan data pelatihan dan data pengujian disajikan pada Tabel 6. Tabel 6 Susunan data latih dan data uji Fold Pelatihan Pengujian Fold I S2, S3, S4, S5 S1 Fold II S1, S3, S4, S5 S2 Fold III S1, S2, S4, S5 S3 Fold IV S1, S2, S3, S5 S4 Fold V S1, S2, S3, S4 S5 Pelatihan Parameter JST yang optimal diperlukan untuk mendapatkan model JST yang baik. Pencarian parameter JST optimal dilihat dari jumlah epoch minimum pada setiap percobaan. Percobaan-percobaan ini melibatkan beberapa kombinasi nilai dari parameter JST, seperti hidden neuron, mu, dan toleransi galat. Parameter optimal yang didapatkan pada setiap percobaan akan digunakan untuk percobaan selanjutnya. Untuk menentukan fungsi aktivasi dilakukan percobaan beberapa kali dengan kombinasi ketiga fungsi aktivasi agar memperoleh nilai akurasi tertinggi. Dari percobaan yang dilakukan pada kombinasi tiga fungsi aktivasi sigmoid biner, sigmoid bipolar dan identitas diperoleh hasil akurasi tertinggi dengan menggunakan fungsi aktivasi identitas pada kedua layer. Penentuan parameter JST optimal pada penelitian ini dilihat melalui nilai parameter yang bisa menghasilkan nilai akurasi tertinggi untuk setiap iterasi. Jika ada dua atau lebih nilai parameter yang menghasilkan akurasi yang sama, maka penentuan parameter JST optimal akan dilihat berdasarkan nilai parameter yang memiliki epoch terkecil. Pencarian parameter JST optimal dimulai dengan percobaan kombinasi nilai Hidden Neuron (HN). Nilai HN yang digunakan adalah 3, 5, 8, dan 10. Untuk nilai parameter epoch dan toleransi galat adalah 100 dan 0. Pengujian Berdasarkan Tabel 6, percobaan dilakukan dengan k sama dengan 5. Masing-masing percobaan akan diulangi sebanyak 3 kali. Selanjutnya percobaan tadi akan diuji dengan 4 hidden neuron yaitu 3, 5, 8 dan 10. Jadi total percobaan yang dilakukan menjadi 60 kali (Lampiran 3a). Jika ada dua atau lebih nilai parameter yang menghasilkan akurasi yang sama, maka penentuan parameter JST optimal akan dilihat berdasarkan nilai parameter yang memiliki epoch terkecil. Hasil percobaan ini dapat di lihat pada Lampiran 3b. Hasil percobaan yang telah dilakukan, hidden neuron 10 menghasilkan nilai rata-rata akurasi terbaik. Selanjutnya setelah mendapatkan nilai dari percobaan, dilakukan rata-rata akurasi untuk setiap hidden neuron. Grafik kinerja dari setiap hidden neuron dapat dilihat pada Gambar 21.
29 17 Persentase (%) Hidden Neuron Gambar 21 Grafik nilai rata-rata akurasi terbaik pada HN Berdasarkan Gambar 21, nilai rata-rata akurasi dari setiap hidden neuron untuk HN bernilai 8 dan 10 dihasilkan 100% dimana sepuluh jenis Shorea teridentifikasi dengan benar. Sedangkan untuk HN bernilai 3 dan 5 tidak mengidentifikasi jenis Shorea dengan benar. Untuk melihat akurasi setiap percobaan diperoleh dari perhitungan confusion matrix. Pada penelitian ini terdapat 10 kelas, sehingga confusion matrix yang terbentuk berukuran 10x10. Pengenalan Shorea dianggap benar apabila data uji tersebut terletak pada indeks baris dan kolom yang sama. Selain itu pengenalan dianggap salah apabila data uji tidak masuk ke kelas manapun. Untuk lebih jelasnya confusion matrix dapat dilihat pada Tabel 7 dan Tabel 8. Tabel 7 Confusion matrix untuk HN bernilai 3 (Rata-rata akurasi 60%) Kelas Asal Kelas Prediksi JOH PIN MAC LPR LPD MAT PLA JAV PAL SEM JOH PIN MAC LPR LPD MAT PLA JAV PAL SEM Shorea Keterangan: JOH : johorensis MAT : materialis PIN : pinanga scheff PLA : platycados MAC : macroptera dyer JAV : javanica koord. & val LPR : leprosula miq PAL : palembanica LPD : lepida blume SEM : seminis Untuk HN bernilai 3 (Tabel 7), rata-rata akurasi yang diperoleh masingmasing kelas adalah 60%. Data jenis Shorea yang paling banyak dikenali adalah macroptera dyer, leprosula miq, dan lepida blume. Shorea macroptera dan Shorea leprosula teridentifikasi sebagai Shorea pinanga, sedangkan Shorea
30 18 lepida teridentifikasi sebagai Shorea palembanica. Percobaan yang paling sedikit teridentifikasi dengan benar adalah Shorea pinanga, Shorea platycados, dan Shorea palembanica. Tabel 8 Confusion matrix untuk HN bernilai 5 (Rata-rata akurasi 76%) Kelas Asal Shorea Kelas Prediksi JOH PIN MAC LPR LPD MAT PLA JAV PAL SEM JOH PIN MAC LPR LPD MAT PLA JAV PAL SEM Sedangkan HN bernilai 5 (Tabel 8), rata-rata akurasi yang diperoleh masingmasing kelas adalah 76%. Data jenis Shorea yang teridentifikasi dengan benar adalah lepida blume dan materialis. Percobaan sebelumnya dengan HN bernilai 3 Shorea lepida masih teridentifikasi dengan Shorea lain, tetapi pada percobaan dengan HN bernilai 5 Shorea lepida teridentifikasi dengan benar. Percobaan yang paling sedikit teridentifikasi dengan benar adalah Shorea pinanga. Shorea Pinanga teridentifikasi sebagai Shorea materialis, javanica dan seminis. Perbandingan dengan Penelitan sejenis Penelitian Shorea berdasarkan karakteristik morfologi daun dimulai dengan penelitian Nurjayanti (2011) dan Puspitasari (2011). Penelitian Nurjayanti (2011) dilakukan terhadap 5 jenis Shorea dan berdasarkan 10 fitur morfologi. Penelitian tersebut menggunakan k-nearest Neighbour sebagai metode klasifikasi yang dihasilkan akurasi 100%. Penelitian Puspitasari (2011) dilakukan terhadap 5 jenis Shorea yang berbeda dengan 5 jenis yang digunakan oleh Nurjayanti (2011) dan berdasarkan 10 fitur morfologi dengan arsitektur JST propagasi balik standar menghasilkan akurasi sebesar 94%. Tahun 2012 dilakukan lagi penelitian Shorea oleh Putriani (2012) dan Susanti (2012). Penelitian Putriani (2012) menggunakan 5 jenis Shorea yang sama dengan penelitian Puspitasari (2011) dan berdasarkan 10 fitur morfologi. Putriani (2012) menggunakan JST propagasi balik resilient memperoleh akurasi sebesar 98%. Pada penelitian Susanti (2012) jenis Shorea yang digunakan sama dengan penelitian Nurjayanti (2011). Susanti (2012) menggunakan algoritme Voting Feature Intervals 5 memperoleh akurasi 88%. Penambahan fitur lain dari morfologi daun dan jenis Shorea yang lebih bervariasi dilakukan pada penelitian Hutabarat (2012) dan Tresnawati (2012). Penelitian Hutabarat (2012) dilakukan terhadap 12 fitur morfologi daun dan 10 jenis shorea. Penelitian tersebut menggunakan metode Probabilistic Neural Network (PNN) menghasilkan akurasi sebesar 84%. Penelitian Tresnawati (2012)
31 dilakukan terhadap 21 fitur morfologi daun dan 10 jenis shorea. Penelitian tersebut menggunakan metode VFI5 dengan akurasi 99%. Dalam penelitian ini data jenis Shorea yang dipakai menggunakan data yang sama pada penelitian Hutabarat (2012). Penelitian ini menambahkan 11 fitur morfologi yang bersifat nominal. Penelitian menggunakan arsitektur JST Propagasi Balik Levenberg-Marquardt menghasilkan akurasi 100%. Penambahan fitur yang dilakukan dapat meningkatkan akurasi pada penelitian ini. Perbandingan penelitian Shorea disajikan dengan jelas pada Tabel 9. Tabel 9 Perbandingan penelitian Shorea Obyek Penelitian Spesies Fitur Clasifier Akurasi Nurjayanti (2011) 5 10 KNN 100% Puspitasari (2011) 5 10 Backpropagation 94% Putriani (2012) 5 10 Backpopagation Resilient 98% Susanti (2012) 5 10 VFI5 88% Hutabarat (2012) PNN 84% Tresnawati (2012) VFI5 99% Penelitian yang sedang dilakukan Backpropagation Levenberg-Marquardt 100% SIMPULAN DAN SARAN 19 Simpulan Berdasarkan hasil penelitian yang telah dilakukan, model Jaringan Syaraf Tiruan Propagasi Balik Levenberg-Marquardt dapat diimplementasikan dalam klasifikasi 10 spesies Shorea berdasarkan 23 karakteristik morfologi daun. Percobaan dilakukan dengan hidden neuron 3, 5, 8 dan 10. Untuk hidden neuron bernilai 3 diperoleh rata-rata akurasi 60%, sedangkan hidden neuron bernilai 5 diperoleh rata-rata akurasi 76% dan untuk hidden neuron bernilai 8 dan 10 diperoleh akurasi 100%. Nilai akurasi semakin tinggi dengan bertambahnya jumlah hidden neuron dan akurasi tertinggi diperoleh pada saat hidden neuron 8 dan 10. Saran Data masukan yang digunakan pada penelitian ini masih diperoleh dengan perhitungan manual. Untuk penelitian selanjutnya, perhitungan manual pada beberapa fitur morfologi daun dapat diubah menjadi perhitungan otomatis dengan menggunakan fitur citra.
32 20 DAFTAR PUSTAKA Fausett, Laurene Fundamentals of Neural Networks: Architectures, Algorithms, and Applications. New Jersey (USA): Prentice-Hall. Fu, LiMin Neural Networks in Computer Intelligence. Boston (USA): McGraw-Hill. Hutabarat, Yuni Purnamasari Identifikasi Jenis Shorea Berdasarkan Morfologi Daun Menggunakan Probabilistic Neural Network (PNN) [Skripsi]. Bogor (ID): Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor. Mukhlisi Keanekaragaman Jenis Shorea Di Kalimantan Timur Dan Upaya Konservasinya. Kalimantan Timur (ID): Balai Penelitian Teknologi Perbenihan (BPTP) Samboja. Newman MF, Burgess PF, Whitmore TC Pedoman Identifikasi Pohon- Pohon Dipterocarpaceae Jawa sampai Nuigini. Bogor (ID): PROSES INDONESIA. Nurjayanti, Bryan Identifikasi Shorea Menggunakan k-nearest Neighbour Berdasarkan Karakteristik Morfologi Daun [Skripsi]. Bogor (ID): Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor. Permana, Danar Setya Transformasi Koordinat Menggunakan Jaringan Syaraf Tiruan Propagasi Balik Levenberg-Marquardt [Skripsi]. Bogor (ID): Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor. Puspitasari, Dewi Identifikasi Jenis Shorea menggunakan Jaringan Syaraf Tiruan Propagasi Balik berdasarkan karakteristik morfologi daun [Skripsi]. Bogor (ID): Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor. Putriani, Anggi Identifikasi Shorea menggunakan Jaringan Syaraf Tiruan Propagasi Balik Resilient berdasarkan karakteristik morfologi daun [Skripsi]. Bogor (ID): Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor. Siang, Jong Jek Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan MATLAB. Yogyakarta (ID): Andi Offset. Susanti, Evi Identifikasi Jenis Shorea (Meranti) menggunakan Algoritme Voting Feature Intervals 5 berdasarkan Karakteristik Morfologi Daun [Skripsi]. Bogor (ID): Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor. Tan Pang-Ning, et al Introduction to Data Mining. Boston (USA): Pearson Education, Inc. Tresnawati, Lina Herlina Sistem Pakar Untuk Identifikasi Shorea Menggunakan Algoritme Voting Feature Interval 5 [Skripsi]. Bogor (ID): Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor. Warsito B, Sumiyati S Prediksi Curah Hujan Kota Semarang dengan Feedforward Neural Network menggunakan Algoritme Quasi Newton BFGS dan Levenberg-Marquardt. Semarang (ID): Program Studi Statistika, Universitas Diponegoro, Semarang: Program Studi Teknik Lingkungan, Universitas Diponegoro.
33 21 Lampiran 1 Algoritme Backpropagation Langkah 0: Inisialisasi semua bobot dengan bilangan acak kecil Langkah 1: Jika kondisi penghentian belum terpenuhi, lakukan langkah 2-9 Langkah 2: Untuk tiap pasangan pelatihan, kerjakan langkah 3 sampai 8 Fase I: Propagasi Maju Langkah 3: Tiap unit masukan menerima sinyal dan meneruskannya ke unit tersembunyi diatasnya. Langkah 4 : Untuk tiap unit tersembunyi (Z j, j=1,,p) dihitung nilai input dengan menggunakan nilai bobotnya: z _ net j v j 0 Kemudian dihitung nilai output dengan menggunakan fungsi aktivasi yang dipilih: z j = f (z_net j ) n i 1 x v i ji Hasil fungsi tersebut dikirim ke semua unit pada lapis di atasnya Langkah 5: Untuk tiap unit output (y k, k=1,..,m) dihitung nilai input dengan menggunakan nilai bobot-nya: y _ net k v k 0 Kemudian dihitung nilai output dengan menggunakan fungsi aktivasi: y k = f (y_net k ) Fase II: Propagasi Mundur Langkah 6: Untuk tiap unit output (y k, k=1,..,m) menerim pola target yang bersesuaian dengan pola input, dan kemudian dihitung informasi kesalahan: k p j 1 z j w ( t y ) f ( y _ net ) k k k merupakan unit kesalahan yang akan dipakai dalam perubahan bobot layar k dibawahnya (langkah 7). Kemudian dihitung koreksi nilai bobot yang kemudian akan digunakan untuk memperbaharui nilai bobot w kj : W kj Hitung koreksi nilai bias yang kemudian akan digunakan untuk memperbaharui nilai w k0 : w k 0 k Langkah 7: Untuk tiap unit tersembunyi (Z j, j=1,, ) dihitung delta input yang berasal dari unit pada lapis di atasnya: z k j kj
34 22 _ net j m k 1 w k kj Kemudian nilai tersebut dikalikan dengan nilai turunan dari fungsi aktivasi untuk menghitung informasi kesalahan: j _ net j f ( z _ net j ) Hitung koreksi nilai bobot yang kemudian digunakan untuk memperbaharui nilai: v ji Dan hitung nilai koreksi bias yang kemudian digunakan untuk memperbaharui : Fase III: Perubahan Bobot Langkah 8: v j 0 j x j i Setiap unit output (y k,k 1,,m) akan memperbaharui bias dan bobotnya dengan setiap hidden unit. w kj ( baru ) w ( lama ) kj w kj Demikian pula untuk setiap hidden unit akan memperbaharui bias dan bobotnya dengan setiap unit input. v ji ( baru ) v ( lama ) ji v ji Langkah 9: Menguji apakah kondisi berhenti sudah terpenuhi. Kondisi berhenti ini terpenuhi jika nilai kesalahan yang dihasilkan lebih kecil dari nilai kesalahan referensi atau training telah mencapai epoch yang ditetapkan.
35 23 Lampiran 2 Algoritme Propagasi Balik Levenberg-Marquardt Algoritme pelatihan dengan metode Levenberg-Marquardt dapat dijabarkan sebagai berikut: Langkah 0: Inisialisasi bobot awal dengan bilangan acak kecil Inisialisasi epoch, MSE Tetapkan maksimum epoch, parameter Levenberg-Marquardt ( > 0), faktor dan target error Langkah 1: Jika kondisi penghentian belum terpenuhi (epoch < maksimum epoch atau MSE > target error), lakukan langkah berikutnya. Langkah 2: Epoch = epoch + 1 Untuk setiap pasangan data pelatihan, lakukan langkah 3 Langkah 3: Unit output Y menerima target pola yang berhubungan dengan pola input pelatihan. Jika diberikan N pasangan input data pelatihan (x r, t r ), r = 1, 2,..., N, dengan x n adalah input dan t r adalah target yang akan dicapai. Kesalahan pada suatu data pelatihan ke-r didefinisikan sebagai: e r = t r y r dengan: e r : kesalahan pada unit output t r : keluaran yang diinginkan (acuan / target) y r : keluaran aktual e adalah vektor kesalahan berukuran Nx1 yang tersusun dari e r, r = 1, 2,..., N. Nilai e dapat dituliskan sebagai: e = [ e 1 e 2... e N ] T Misal bobot dan bias koneksi dinyatakan dalam vektor w, w dapat dituliskan sebagai: w = [ w j b2 v ij b1 ij ] T Kesalahan suatu pelatihan jaringan oleh vektor bobot dan bias koneksi w pada suatu data pelatihan ke-r menjadi: e r (w) = ( t r y r )= ( t r f ( x r, w )) Vektor kesalahan oleh vektor bobot dan bias koneksi w menjadi e(w) berukuran Nx yang tersusun dari e r (w), dengan r = 1, 2,..., N. Hitung fungsi jumlah kuadrat error dengan persamaan: E(w) = e T (w) e(w)
36 24 Hitung matriks Jacobian untuk vektor bobot dan bias koneksi: Untuk r = 1, 2,..., N J(w) = [ e r w ] a. Hitung matriks Hessian untuk vektor bobot dan bias koneksi. H(w) = [J T (w) J(w) + I ] b. Hitung perubahan vektor bobot dan bias dengan persamaan berikut: w = - [ [H(w)] -1 J T (w) e(w) ] c. Hitung vektor bobot dan bias baru. w(baru) = w(lama w d. Hitung kesalahan yang terjadi oleh bobot dan bias koneksi yang baru. E(w(baru)) = e(w(baru)) T e(w(baru)) e. Bandingkan E(w) dengan E(w(baru)) Jika E(w) <= E(w(baru)), didapatkan nilai dan kembali ke langkah a. Jika E(w) > E (w(baru)), didapatkan Kembali ke langkah 2.
37 25 Lampiran 3a Akurasi setiap percobaan k-fold Hidden Neuron 3 epoch 5 epoch 8 epoch 10 epoch 50% 9 80% 11 90% 8 100% % 12 70% % % 12 50% 12 70% % % 11 60% 10 80% % % % 9 70% % % 10 50% 10 80% 13 90% % 11 50% 17 70% % % % 32 70% 13 90% % 14 60% 11 60% 49 90% % 11 60% 16 70% % % % 12 70% 18 90% % 11 50% 19 80% % % 13 50% 16 70% % % % 11 60% % % 70 60% 13 70% % % 100 Akurasi Rata-rata 55% 71% 96% 100%
38 26 Lampiran 3b Akurasi dengan epoch terkecil k-fold HN Akurasi Kelas (%) Akurasi Rata-rata (%) epoch Akurasi rata-rata Akurasi rata-rata Akurasi rata-rata Akurasi rata-rata 100
39 27 RIWAYAT HIDUP Penulis dilahirkan di Bogor pada tanggal 30 Mei 1989 dari Ibu Rosmiati Zakaria dan Bapak Arizal Bahar. Penulis merupakan anak ketiga dari empat bersaudara. Pada tahun 2006, penulis lulus dari Sekolah Menengah Atas (SMA) PGRI 1 Bogor dan pada tahun yang sama diterima di Diploma Institut Pertanian Bogor (IPB) Program Keahlian Manajemen Informatika. Pada tahun 2009 penulis lulus dari Diploma (IPB) dan melanjutkan pendidikan di Program Alih Jenis Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam, IPB.
PENDAHULUAN. Latar Belakang
Latar Belakang PENDAHULUAN Indonesia merupakan negara yang memiliki kawasan hutan hujan tropis dengan keanekaragaman spesies tumbuhan yang sangat tinggi dan formasi hutan yang beragam. Dipterocarpaceae
Lebih terperinciIDENTIFIKASI JENIS SHOREA MENGGUNAKAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK BERDASARKAN KARAKTERISTIK MORFOLOGI DAUN DEWI PUSPITASARI
IDENTIFIKASI JENIS SHOREA MENGGUNAKAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK BERDASARKAN KARAKTERISTIK MORFOLOGI DAUN DEWI PUSPITASARI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih terperinciHASIL DAN PEMBAHASAN. Tabel 3 Contoh data Shorea hasil kodefikasi
8 disajikan contoh data Shorea hasil kodefikasi dari beberapa karakter yang bernilai nominal. Tabel 2 Karakter daun yang bernilai nominal Karakter Nilai Kode Bentuk tulang Tidak menempel 1 daun Permukaan
Lebih terperinciIDENTIFIKASI DAUN SHOREA MENGGUNAKAN PROBABILISTIC NEURAL NETWORK DENGAN NORMALISASI FITUR MORFOLOGI DAUN ALITA WULAN DINI
IDENTIFIKASI DAUN SHOREA MENGGUNAKAN PROBABILISTIC NEURAL NETWORK DENGAN NORMALISASI FITUR MORFOLOGI DAUN ALITA WULAN DINI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT
Lebih terperinciIDENTIFIKASI DAUN SHOREA MENGGUNAKAN VOTING FEATURE INTERVAL 5 DENGAN DISCRETE WAVELET TRANSFORM ILVI NURRIZKI UTAMI
IDENTIFIKASI DAUN SHOREA MENGGUNAKAN VOTING FEATURE INTERVAL 5 DENGAN DISCRETE WAVELET TRANSFORM ILVI NURRIZKI UTAMI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN
Lebih terperinciIdentifikasi Daun Shorea menggunakan KNN dengan Ekstraksi Fitur 2DPCA. Shorea Leaves Identification using KNN with 2DPCA Feature Extraction
Tersedia secara online di: http://journal.ipb.ac.id/index.php/jika Volume 3 Nomor 1 halaman 19-27 ISSN: 2089-6026 Identifikasi Daun Shorea menggunakan KNN dengan Ekstraksi Fitur 2DPCA Shorea Leaves Identification
Lebih terperinciIDENTIFIKASI JENIS SHOREA (MERANTI) MENGGUNAKAN ALGORITME VOTING FEATURE INTERVALS 5 BERDASARKAN KARAKTERISTIK MORFOLOGI DAUN EVI SUSANTI
IDENTIFIKASI JENIS SHOREA (MERANTI) MENGGUNAKAN ALGORITME VOTING FEATURE INTERVALS 5 BERDASARKAN KARAKTERISTIK MORFOLOGI DAUN EVI SUSANTI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih terperinciIDENTIFIKASI DAUN SHOREA MENGGUNAKAN KNN BERDASARKAN KOMPONEN WARNA DENGAN PRAPROSES DISCRETE WAVELET TRANSFORM SEPTY KURNIAWATI MASYHUD
IDENTIFIKASI DAUN SHOREA MENGGUNAKAN KNN BERDASARKAN KOMPONEN WARNA DENGAN PRAPROSES DISCRETE WAVELET TRANSFORM SEPTY KURNIAWATI MASYHUD DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih terperinciIDENTIFIKASI DAUN TANAMAN JATI MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION DENGAN EKSTRAKSI FITUR CIRI MORFOLOGI DAUN ASEP HARYONO
IDENTIFIKASI DAUN TANAMAN JATI MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION DENGAN EKSTRAKSI FITUR CIRI MORFOLOGI DAUN ASEP HARYONO DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN DALAM PENGHITUNGAN PERSENTASE KEBENARAN KLASIFIKASI PADA KLASIFIKASI JURUSAN SISWA DI SMA N 8 SURAKARTA
APLIKASI JARINGAN SYARAF TIRUAN DALAM PENGHITUNGAN PERSENTASE KEBENARAN KLASIFIKASI PADA KLASIFIKASI JURUSAN SISWA DI SMA N 8 SURAKARTA Pembimbing: Desi Fitria Utami M0103025 Drs. Y. S. Palgunadi, M. Sc
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 terperinciPENERAPAN JARINGAN SYARAF TIRUAN DALAM MEMPREDIKSI TINGKAT PENGANGGURAN DI SUMATERA BARAT
PENERAPAN JARINGAN SYARAF TIRUAN DALAM MEMPREDIKSI TINGKAT PENGANGGURAN DI SUMATERA BARAT Havid Syafwan Program Studi Manajemen Informatika, Amik Royal, Kisaran E-mail: havid_syafwan@yahoo.com ABSTRAK:
Lebih 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 terperinciPengembangan Aplikasi Prediksi Pertumbuhan Ekonomi Indonesia dengan Jaringan Syaraf Tiruan Backpropagation
Erlangga, Sukmawati Nur Endah dan Eko Adi Sarwoko Pengembangan Aplikasi Prediksi Pertumbuhan Ekonomi Indonesia dengan Jaringan Syaraf Tiruan Backpropagation Erlangga, Sukmawati Nur Endah dan Eko Adi Sarwoko
Lebih terperinciBAB III METODOLOGI PENELITIAN
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 terperinciPerbaikan Metode Prakiraan Cuaca Bandara Abdulrahman Saleh dengan Algoritma Neural Network Backpropagation
65 Perbaikan Metode Prakiraan Cuaca Bandara Abdulrahman Saleh dengan Algoritma Neural Network Backpropagation Risty Jayanti Yuniar, Didik Rahadi S. dan Onny Setyawati Abstrak - Kecepatan angin dan curah
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN 3.1. Data Yang Digunakan Dalam melakukan penelitian ini, penulis membutuhkan data input dalam proses jaringan saraf tiruan backpropagation. Data tersebut akan digunakan sebagai
Lebih terperinciPREDIKSI CURAH HUJAN DI KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK
PREDIKSI CURAH HUJAN DI KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK Yudhi Andrian 1, Erlinda Ningsih 2 1 Dosen Teknik Informatika, STMIK Potensi Utama 2 Mahasiswa Sistem Informasi, STMIK
Lebih terperinciImplementasi Jaringan Syaraf Tiruan Backpropagation dan Steepest Descent untuk Prediksi Data Time Series
Implementasi Jaringan Syaraf Tiruan Backpropagation dan Steepest Descent untuk Prediksi Data Time Series Oleh: ABD. ROHIM (1206 100 058) Dosen Pembimbing: Prof. Dr. M. Isa Irawan, MT Jurusan Matematika
Lebih terperinciPENGENALAN HURUF DAN ANGKA PADA CITRA BITMAP DENGAN JARINGAN SARAF TIRUAN METODE PROPAGASI BALIK
PENGENALAN HURUF DAN ANGKA PADA CITRA BITMAP DENGAN JARINGAN SARAF TIRUAN METODE PROPAGASI BALIK Naskah Publikasi disusun oleh Zul Chaedir 05.11.0999 Kepada SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER
Lebih terperinciBAB VIIB BACKPROPAGATION dan CONTOH
BAB VIIB BACKPROPAGATION dan CONTOH 7B. Standar Backpropagation (BP) Backpropagation (BP) merupakan JST multi-layer. Penemuannya mengatasi kelemahan JST dengan layer tunggal yang mengakibatkan perkembangan
Lebih terperinci3. METODE PENELITIAN
19 3. METODE PENELITIAN 3.1 Diagram Alir Penelitian Kerangka pemikiran pada penelitian ini dapat digambarkan dalam suatu bagan alir seperti pada Gambar 8. Gambar 8 Diagram Alir Penelitian Pengumpulan Data
Lebih terperinciMETODOLOGI PENELITIAN
III. METODOLOGI PENELITIAN A. Kerangka Pemikiran Perusahaan dalam era globalisasi pada saat ini, banyak tumbuh dan berkembang, baik dalam bidang perdagangan, jasa maupun industri manufaktur. Perusahaan
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Barcode Salah satu obyek pengenalan pola yang bisa dipelajari dan akhirnya dapat dikenali yaitu PIN barcode. PIN barcode yang merupakan kode batang yang berfungsi sebagai personal
Lebih terperinciABSTRACT. Keywords : Shorea, k-nearest Neighbour. iii
ABSTRACT BRYAN NURJAYANTI. Identification Using k-nearest Neighbour Based on Morphological Characteristics of Leaves. Supervised by AZIZ KUSTIYO. Dipterocarpaceae is a group of tropical plants that is
Lebih terperinciIDENTIFIKASI TANAMAN JATI MENGGUNAKAN PROBABILISTIC NEURAL NETWORK DENGAN EKSTRAKSI FITUR CIRI MORFOLOGI DAUN BANGUN ASANURJAYA
IDENTIFIKASI TANAMAN JATI MENGGUNAKAN PROBABILISTIC NEURAL NETWORK DENGAN EKSTRAKSI FITUR CIRI MORFOLOGI DAUN BANGUN ASANURJAYA Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer
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 terperinci2 2 ... v... 3 Santoso... 21 abawa... 29... 37... 53... 59... 67... 77 Yohakim Marwanta... 85... 89... 101 ... 109... 117 D. Jaringan Komputer Amirudd... 135 andha... 141... 151... 165 Syahrir... 171...
Lebih terperinciHASIL DAN PEMBAHASAN. Generalisasi =
6 Kelas Target Sidik jari individu 5 0000100000 Sidik jari individu 6 0000010000 Sidik jari individu 7 0000001000 Sidik jari individu 8 0000000100 Sidik jari individu 9 0000000010 Sidik jari individu 10
Lebih terperinciJurnal Informatika Mulawarman Vol 5 No. 1 Februari
Jurnal Informatika Mulawarman Vol 5 No. 1 Februari 2010 50 Penerapan Jaringan Syaraf Tiruan Untuk Memprediksi Jumlah Pengangguran di Provinsi Kalimantan Timur Dengan Menggunakan Algoritma Pembelajaran
Lebih terperinciIDENTIFIKASI DAUN SHOREA DENGAN BACKPROPAGATION NEURAL NETWORK MENGGUNAKAN EKSTRAKSI FITUR DISCRETE WAVELET TRANSFORM DAN EKSTRAKSI WARNA HSV
IDENTIFIKASI DAUN SHOREA DENGAN BACKPROPAGATION NEURAL NETWORK MENGGUNAKAN EKSTRAKSI FITUR DISCRETE WAVELET TRANSFORM DAN EKSTRAKSI WARNA HSV IMAN AKBAR RAMADHAN Skripsi sebagai salah satu syarat untuk
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 terperinciBACKPROPAGATION NEURAL NETWORK AS A METHOD OF FORECASTING ON CALCULATION INFLATION RATE IN JAKARTA AND SURABAYA
BACKPROPAGATION NEURAL NETWORK AS A METHOD OF FORECASTING ON CALCULATION INFLATION RATE IN JAKARTA AND SURABAYA Anggi Purnama Undergraduate Program, Computer Science, 2007 Gunadarma Universiy http://www.gunadarma.ac.id
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 terperinciBAB II LANDASAN TEORI. titiktitik penyusun citra itu sendiri. Titik-titik tersebut disebut dengan pixel. Banyaknya
BAB II LANDASAN TEORI 2. Citra/Image Citra atau yang lebih sering dikenal dengan gambar merupakan kumpulan dari titiktitik penyusun citra itu sendiri. Titik-titik tersebut disebut dengan pixel. Banyaknya
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 terperinciIDENTIFIKASI POLA IRIS MENGGUNAKAN METODE BACKPROPAGATION
JURNAL MANUTECH 43 IDENTIFIKASI POLA IRIS MENGGUNAKAN METODE BACKPROPAGATION Yoan Elviralita 1, Asrul Hidayat 2 1 Program Studi Teknik Mekatronika-Politeknik Bosowa 2 Program Studi Perawatan dan Perbaikan
Lebih terperinciJARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI CURAH HUJAN SUMATERA UTARA DENGAN METODE BACK PROPAGATION (STUDI KASUS : BMKG MEDAN)
JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI CURAH HUJAN SUMATERA UTARA DENGAN METODE BACK PROPAGATION (STUDI KASUS : BMKG MEDAN) Marihot TP. Manalu Mahasiswa Program Studi Teknik Informatika, STMIK Budidarma
Lebih terperinciANALISIS ALGORITMA INISIALISASI NGUYEN-WIDROW PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK
ANALISIS ALGORITMA INISIALISASI NGUYEN-WIDROW PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK Yudhi Andrian 1, M. Rhifky Wayahdi 2 1 Dosen Teknik Informatika,
Lebih terperinciBAB IV JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK)
BAB IV JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) Kompetensi : 1. Mahasiswa memahami konsep Jaringan Syaraf Tiruan Sub Kompetensi : 1. Dapat mengetahui sejarah JST 2. Dapat mengetahui macam-macam
Lebih 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 II TINJAUAN PUSTAKA
5 BAB II TINJAUAN PUSTAKA 2.1. Klasifikasi Klasifikasi adalah tugas pembelaaran yang memetakan setiap himpunan atribut x ke salah satu label kelas y yang telah didefinisikan sebelumnya. Klasifikasi dapat
Lebih terperinciBAB 4 DISAIN MODEL. Pengguna. Citra. Ekstraksi Ciri x. Antar muka (Interface) Data Hasil Ekstraksi Ciri. Testing dan Identifikasi.
33 BAB 4 DISAIN MODEL Disain model sistem identifikasi citra karang dirancang sedemikian rupa dengan tuuan untuk memudahkan dalam pengolahan data dan pembuatan aplikasi serta memudahkan pengguna dalam
Lebih terperinciSISTEM PENGENALAN KARAKTER DENGAN JARINGAN SYARAF TIRUAN ALGORITMA PERCEPTRON
Jurnal Informatika Mulawarman Vol. 7 No. 3 Edisi September 2012 105 SISTEM PENGENALAN KARAKTER DENGAN JARINGAN SYARAF TIRUAN ALGORITMA PERCEPTRON Anindita Septiarini Program Studi Ilmu Komputer FMIPA,
Lebih terperinciBAB III 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 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 terperinciMODEL PEMBELAJARAN JARINGAN SYARAF TIRUAN UNTUK OTOMATISASI PENGEMUDIAN KENDARAAN BERODA TIGA
MODEL PEMBELAJARAN JARINGAN SYARAF TIRUAN UNTUK OTOMATISASI PENGEMUDIAN KENDARAAN BERODA TIGA Ramli e-mail:ramli.brt@gmail.com Dosen Tetap Amik Harapan Medan ABSTRAK Jaringan Syaraf Tiruan adalah pemrosesan
Lebih terperinciPENGEMBANGAN MODEL JARINGAN SYARAF TIRUAN RESILIENT BACKPROPAGATION UNTUK IDENTIFIKASI CHORD GITAR YOSI NURHAYATI
PENGEMBANGAN MODEL JARINGAN SYARAF TIRUAN RESILIENT BACKPROPAGATION UNTUK IDENTIFIKASI CHORD GITAR YOSI NURHAYATI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN
Lebih terperinciJARINGAN SYARAF TIRUAN UNTUK PREDIKSI PENJUALAN JAMUR MENGGUNAKAN ALGORITMA BACKROPAGATION
JARINGAN SYARAF TIRUAN UNTUK PREDIKSI PENJUALAN JAMUR MENGGUNAKAN ALGORITMA BACKROPAGATION Yuyun Dwi Lestari Program Studi Teknik Informatika, Sekolah Tinggi Teknik Harapan E-mail : yuyun.dl@gmail.com
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Variabel Penelitian Penelitian ini menggunakan satu definisi variabel operasional yaitu ratarata temperatur bumi periode tahun 1880 sampai dengan tahun 2012. 3.2 Jenis dan
Lebih terperinciMuhammad Fahrizal. Mahasiswa Teknik Informatika STMIK Budi Darma Jl. Sisingamangaraja No. 338 Simpanglimun Medan
IMPLEMENTASI JARINGAN SARAF TIRUAN DALAM MEMPREDIKSI SERVICE KENDARAAN RODA 4 DENGAN METODE BACKPROPAGATION (STUDI KASUS PT. AUTORENT LANCAR SEJAHTERA) Muhammad Fahrizal Mahasiswa Teknik Informatika STMIK
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN PADA PENGENALAN POLA TULISAN DENGAN METODE BACKPROPAGATION
APLIKASI JARINGAN SYARAF TIRUAN PADA PENGENALAN POLA TULISAN DENGAN METODE BACKPROPAGATION Alvama Pattiserlihun, Andreas Setiawan, Suryasatriya Trihandaru Program Studi Fisika, Fakultas Sains dan Matematika,
Lebih 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 IV PERANCANGAN & IMPLEMENTASI SISTEM
17 BAB IV PERANCANGAN & IMPLEMENTASI SISTEM 4.1 Desain. yang digunakan adalah jaringan recurrent tipe Elman dengan 2 lapisan tersembunyi. Masukan terdiri dari data : wind, SOI, SST dan OLR dan target adalah
Lebih 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 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 terperinciJURNAL SAINS DAN SENI ITS Vol. 4, No.2, (2015) ( X Print) A-31
JURNAL SAINS DAN SENI ITS Vol 4, No2, (2015) 2337-3520 (2301-928X Print) A-31 Perbandingan Performansi Metode Peramalan Fuzzy Time Series yang Dimodifikasi dan Jaringan Syaraf Tiruan Backpropagation (Studi
Lebih terperinciKarakteristik Spesifikasi
Sinyal yang masuk difilter ke dalam sinyal frekuensi rendah (low-pass filter) dan sinyal frekuensi tinggi (high-pass filter) Lakukan downsampling pada kedua sinyal tersebut Low-pass frekuensi hasil downsampling
Lebih 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 terperinciANALISIS PENAMBAHAN MOMENTUM PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK
Seminar Nasional Informatika 0 ANALISIS PENAMBAHAN MOMENTUM PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK Yudhi Andrian, Purwa Hasan Putra Dosen Teknik Informatika,
Lebih terperinciBAB II DASAR TEORI Jaringan Syaraf Tiruan. Universitas Sumatera Utara
BAB II DASAR TEORI Landasan teori adalah teori-teori yang relevan dan dapat digunakan untuk menjelaskan variabel-variabel penelitian. Landasan teori ini juga berfungsi sebagai dasar untuk memberi jawaban
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN MULTI LAYER PERCEPTRON PADA APLIKASI PRAKIRAAN CUACA
Aplikasi Jaringan Syaraf Tiruan Multilayer Perceptron (Joni Riadi dan Nurmahaludin) APLIKASI JARINGAN SYARAF TIRUAN MULTI LAYER PERCEPTRON PADA APLIKASI PRAKIRAAN CUACA Joni Riadi (1) dan Nurmahaludin
Lebih terperinciPOSITRON, Vol. IV, No. 2 (2014), Hal ISSN :
Modifikasi Estimasi Curah Hujan Satelit TRMM Dengan Metode Jaringan Syaraf Tiruan Propagasi Balik Studi Kasus Stasiun Klimatologi Siantan Fanni Aditya 1)2)*, Joko Sampurno 2), Andi Ihwan 2) 1)BMKG Stasiun
Lebih terperinciT 11 Aplikasi Model Backpropagation Neural Network Untuk Perkiraan Produksi Tebu Pada PT. Perkebunan Nusantara IX
T 11 Aplikasi Model Backpropagation Neural Network Untuk Perkiraan Produksi Tebu Pada PT. Perkebunan Nusantara IX Oleh: Intan Widya Kusuma Program Studi Matematika, FMIPA Universitas Negeri yogyakarta
Lebih terperinciBAB 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 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 terperinciRancang Bangun Perangkat Lunak Penentuan Lokasi Untuk Penelitian Pendahuluan Usaha Ritel di Surabaya Dengan Jaringan Saraf Tiruan
Rancang Bangun Perangkat Lunak Penentuan Lokasi Untuk Penelitian Pendahuluan Usaha Ritel di Surabaya Dengan Jaringan Saraf Tiruan Damarendra Universitas Ciputra UC Town, CitraLand, Surabaya 60219 dnugroho@student.ciputra.ac.id
Lebih terperinciIDENTIFIKASI VARIETAS UNGGUL BENIH KEDELAI BERDASARKAN WARNA DENGAN JARINGAN SARAF TIRUAN
IDENTIFIKASI VARIETAS UNGGUL BENIH KEDELAI BERDASARKAN WARNA DENGAN JARINGAN SARAF TIRUAN Galih Probo Kusuma, Dr Melania Suweni Muntini, MT Jurusan Fisika Institut Teknologi Sepuluh Nopember (ITS) Surabaya
Lebih terperinciSISTEM PENGENALAN BARCODE MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
SISTEM PENGENALAN BARCODE MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Barcode Rcognition System Using Backpropagation Neural Networks M. Kayadoe, Francis Yuni Rumlawang, Yopi Andry Lesnussa * Jurusan
Lebih terperinciTeam project 2017 Dony Pratidana S. Hum Bima Agus Setyawan S. IIP
Hak cipta dan penggunaan kembali: Lisensi ini mengizinkan setiap orang untuk menggubah, memperbaiki, dan membuat ciptaan turunan bukan untuk kepentingan komersial, selama anda mencantumkan nama penulis
Lebih terperincii. Perangkat Keras Prosesor Intel Pentium(R) Dual-Core CPU 2.20 GHz
Data yang pada awalnya berupa chanel stereo diubah ke dalam chanel mono. Kemudian data tersebut disimpan dengan file berekstensi WAV. Praproses Pada tahap ini dilakukan ekstraksi ciri menggunakan metode
Lebih terperinciAnalisis Jaringan Saraf Tiruan Model Perceptron Pada Pengenalan Pola Pulau di Indonesia
Jurnal Ilmiah Teknologi dan Informasi ASIA (JITIKA) Vol.11, No.1, Februari 2017 ISSN: 0852-730X Analisis Jaringan Saraf Tiruan Model Perceptron Pada Pengenalan Pola Pulau di Indonesia Muhammad Ulinnuha
Lebih terperinciPERAMALAN JUMLAH KUNJUNGAN WISATAWAN MANCANEGARA KE LOMBOK MENGGUNAKAN JARINGAN SYARAF TIRUAN
PERAMALAN JUMLAH KUNJUNGAN WISATAWAN MANCANEGARA KE LOMBOK MENGGUNAKAN JARINGAN SYARAF TIRUAN Titik Misriati AMIK BSI Jakarta Jl. R.S Fatmawati No. 24 Pondok Labu, Jakarta Selatan titik.tmi@bsi.ac.id ABSTRACT
Lebih terperinciTRANSFORMASI KOORDINAT MENGGUNAKAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK LEVENBERG-MARQUARDT (Studi Kasus: Daerah Jawa Bagian Timur)
TRANSFORMASI KOORDINAT MENGGUNAKAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK LEVENBERG-MARQUARDT (Studi Kasus: Daerah Jawa Bagian Timur) DANAR SETYA PERMANA DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN
Lebih terperinciANALISIS FUNGSI AKTIVASI SIGMOID BINER DAN SIGMOID BIPOLAR DALAM ALGORITMA BACKPROPAGATION PADA PREDIKSI KEMAMPUAN SISWA
ANALISIS FUNGSI AKTIVASI SIGMOID BINER DAN SIGMOID BIPOLAR DALAM ALGORITMA BACKPROPAGATION PADA PREDIKSI KEMAMPUAN SISWA Julpan 1 *, Erna Budhiarti Nababan 1 & Muhammad Zarlis 1 1 Program S2 Teknik Informatika
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN SISTEM
BAB 3 ANALISIS DAN PERANCANGAN SISTEM Analisis merupakan proses penguraian konsep ke dalam bagian-bagian yang lebih sederhana, sehingga struktur logisnya menjadi jelas. Metode untuk menguji, menilai, dan
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 JARINGAN SARAF SECARA BIOLOGIS Jaringan saraf adalah salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak
Lebih terperinciBAB II. Penelitian dengan jaringan syaraf tiruan propagasi balik. dalam bidang kesehatan sebelumnya pernah dilakukan oleh
BAB II TINJAUAN PUSTAKA DAN DASAR TEORI 2.1. Tinjauan Pustaka Penelitian dengan jaringan syaraf tiruan propagasi balik dalam bidang kesehatan sebelumnya pernah dilakukan oleh Sudharmadi Bayu Jati Wibowo
Lebih terperinciJaringan Syaraf Tiruan. Disusun oleh: Liana Kusuma Ningrum
Jaringan Syaraf Tiruan Disusun oleh: Liana Kusuma Ningrum Susilo Nugroho Drajad Maknawi M0105047 M0105068 M01040 Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sebelas Maret
Lebih terperinciIMPLEMENTASI JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI HARGA SAHAM
IMPLEMENTASI JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI HARGA SAHAM Ayu Trimulya 1, Syaifurrahman 2, Fatma Agus Setyaningsih 3 1,3 Jurusan Sistem Komputer, Fakultas MIPA Universitas
Lebih terperinci1.1. Jaringan Syaraf Tiruan
BAB I PENDAHULUAN 1.1. Jaringan Syaraf Tiruan Jaringan Syaraf Tiruan (JST) adalah sistem pemroses informasi yang memiliki karakteristik mirip dengan jaringan syaraf biologi yang digambarkan sebagai berikut
Lebih terperinciJaringan Syaraf Tiruan Menggunakan Algoritma Backpropagation Untuk Memprediksi Jumlah Pengangguran (Studi Kasus DiKota Padang)
Jaringan Syaraf Tiruan Menggunakan Algoritma Backpropagation Untuk Memprediksi Jumlah Pengangguran (Studi Kasus DiKota Padang) Hadi Syahputra Universitas Putra Indonesia YPTK Padang E-mail: hadisyahputra@upiyptk.ac.id
Lebih terperinciIV. HASIL DAN PEMBAHASAN A.
IV. HASIL DAN PEMBAHASAN A. Persiapan Data Untuk Analisis Jaringan Syaraf Tahapan pertama sebelum merancang model jaringan syaraf tiruan adalah menyiapkan data. Secara garis besar tahapan-tahapan dalam
Lebih terperinciPREDIKSI PENDAPATAN ASLI DAERAH KALIMANTAN BARAT MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
PREDIKSI PENDAPATAN ASLI DAERAH KALIMANTAN BARAT MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Dwi Marisa Midyanti Sistem Komputer Universitas Tanjungpura Pontianak Jl Prof.Dr.Hadari Nawawi, Pontianak
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI VOLUME PEMAKAIAN AIR BERSIH DI KOTA PONTIANAK
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI VOLUME PEMAKAIAN AIR BERSIH DI KOTA PONTIANAK [1] Meishytah Eka Aprilianti, [2] Dedi Triyanto, [3] Ilhamsyah [1] [2] [3] Jurusan Sistem Komputer, Fakultas
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 IV HASIL DAN PEMBAHASAN. Tabel 4.1 Kebutuhan Perangkat Keras. Perangkat Keras Spesifikasi Processor Intel Core i3. Sistem Operasi Windows 7
BAB IV HASIL DAN PEMBAHASAN 4.1 Kebutuhan Sistem Sebelum melakukan penelitian dibutuhkan perangkat lunak yang dapat menunjang penelitian. Perangkat keras dan lunak yang digunakan dapat dilihat pada Tabel
Lebih terperinciPengenalan Aksara Lampung Menggunakan Jaringan Syaraf Tiruan
Pengenalan Aksara Lampung Menggunakan Jaringan Syaraf Tiruan Adhika Aryantio School of Electrical Engineering and Informatics Institute Technology of Bandung 10th Ganeca Street Bandung, Indonesia. Adhikaaryantio.x6@gmail.com
Lebih terperinciBACK PROPAGATION NETWORK (BPN)
BACK PROPAGATION NETWORK (BPN) Arsitektur Jaringan Digunakan untuk meminimalkan error pada output yang dihasilkan oleh jaringan. Menggunakan jaringan multilayer. Arsitektur Jaringan Proses belajar & Pengujian
Lebih terperinciMahasiswa: Muhimmatul Khoiro Dosen Pembimbing: M. Arief Bustomi, S.Si, M.Si.
Mahasiswa: Muhimmatul Khoiro 1110100049 Dosen Pembimbing: M. Arief Bustomi, S.Si, M.Si. Jurusan Fisika Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Teknologi Sepuluh Nopember Surabaya 2014 Diagnosa
Lebih terperinciBAB II TINJAUAN PUSTAKA
16 BAB II TINJAUAN PUSTAKA 2.1 Deskripsi Singkat Merbau Menurut Merbau (Instia spp) merupakan salah satu jenis tanaman yang banyak dimanfaatkan dan mempunyai nilai yang ekonomi yang tinggi karena sudah
Lebih terperinciPEMANFAATAN NEURAL NETWORK PERCEPTRON PADA PENGENALAN POLA KARAKTER
PEMANFAATAN NEURAL NETWORK PERCEPTRON PADA PENGENALAN POLA KARAKTER Fakultas Teknologi Informasi Universitas Merdeka Malang Abstract: Various methods on artificial neural network has been applied to identify
Lebih terperinciSeminar Nasional Aplikasi Teknologi Informasi 2004 Yogyakarta, 19 Juni 2004
Seminar Nasional Aplikasi Teknologi Informasi 004 Yogyakarta, 19 Juni 004 Klasifikasi Pola Menggunakan Jaringan Probabilistik Sri Kusumadewi Jurusan Teknik Informatika, Universitas Islam Indonesia Jl.
Lebih terperinciMEMPREDIKSI KECERDASAN SISWA MENGGUNAKAN JARINGAN SYARAF TIRUAN BERBASIS ALGORITMA BACKPROPAGATION (STUDI KASUS DI LP3I COURSE CENTER PADANG)
MEMPREDIKSI KECERDASAN SISWA MENGGUNAKAN JARINGAN SYARAF TIRUAN BERBASIS ALGORITMA BACKPROPAGATION (STUDI KASUS DI LP3I COURSE CENTER PADANG) R. Ayu Mahessya, S.Kom, M.Kom, Fakultas Ilmu Komputer Universitas
Lebih terperinciIMPLEMENTASI JARINGAN SYARAF TIRUAN MULTI LAYER FEEDFORWARD DENGAN ALGORITMA BACKPROPAGATION SEBAGAI ESTIMASI NILAI KURS JUAL SGD-IDR
Seminar Nasional Teknologi Informasi dan Multimedia 205 STMIK AMIKOM Yogyakarta, 6-8 Februari 205 IMPLEMENTASI JARINGAN SYARAF TIRUAN MULTI LAYER FEEDFORWARD DENGAN ALGORITMA BACKPROPAGATION SEBAGAI ESTIMASI
Lebih terperinciPerbandingan Antara Metode Kohonen Neural Network dengan Metode Learning Vector Quantization Pada Pengenalan Pola Tandatangan
Jurnal Sains & Matematika (JSM) ISSN Kajian 0854-0675 Pustaka Volume14, Nomor 4, Oktober 2006 Kajian Pustaka: 147-153 Perbandingan Antara Metode Kohonen Neural Network dengan Metode Learning Vector Quantization
Lebih terperinciPERAMALAN JUMLAH KENDARAAN DI DKI JAKARTA DENGAN JARINGAN BACKPROPAGATION
PERAMALAN JUMLAH KENDARAAN DI DKI JAKARTA DENGAN JARINGAN BACKPROPAGATION (Forecast The Number of Vehicle in Jakarta Using Backpropagation Neural Net ) Zumrotus Sya diyah Universitas Darussalam Ambon,
Lebih terperinciEVALUASI PENGARUH FUNGSI AKTIFASI DAN PARAMETER KEMIRINGANNYA TERHADAP UNJUKKERJA PENGENALAN JARINGAN SYARAF TIRUAN
EVALUASI PENGARUH FUNGSI AKTIFASI DAN PARAMETER KEMIRINGANNYA TERHADAP UNJUKKERJA PENGENALAN JARINGAN SYARAF TIRUAN (Studi Kasus pada Pengenalan Karakter Angka Tulisan Tangan) Iwan Suhardi Jurusan Teknik
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Pengenalan Pola Pengenalan pola adalah suatu ilmu untuk mengklasifikasikan atau menggambarkan sesuatu berdasarkan pengukuran kuantitatif fitur (ciri) atau sifat utama dari suatu
Lebih terperinciANALISIS HUBUNGAN ANTARA TINGKAT PENGENALAN JARINGAN SYARAF TIRUAN DENGAN BANYAKNYA JUMLAH KELAS POLA YANG DIKENALI DAN TINGKAT KERUMITAN POLANYA
ISSN: 1693-6930 159 ANALISIS HUBUNGAN ANTARA TINGKAT PENGENALAN JARINGAN SYARAF TIRUAN DENGAN BANYAKNYA JUMLAH KELAS POLA YANG DIKENALI DAN TINGKAT KERUMITAN POLANYA Iwan Suhardi, Riana T. Mangesa Jurusan
Lebih terperinci