DOKUMENTASI ULANG NASKAH BRAILLE MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK
|
|
- Irwan Kartawijaya
- 7 tahun lalu
- Tontonan:
Transkripsi
1 DOKUMENTASI ULANG NASKAH BRAILLE MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK Chairisni Lubis 1, Yoestinus 2 1 Fakultas Teknologi Informasi, Universitas Tarumanagara-Jakarta, Chairisni.fti.untar@gmail.com 2 Fakultas Teknologi Informasi, Universitas Tarumanagara-Jakarta, yoes.tinus@yahoo.com ABSTRAK Karakter Braille digunakan oleh penyandang tuna netra untuk membaca dan menulis. Pada penelitian ini, Backpropagation Neural Network digunakan untuk mengenali naskah Braille yang sudah cacat dan tidak memiliki softcopy lagi sehingga dapat didokumentasi ulang dengan baik. Citra Braille mula-mula diproses dahulu (preprosesing) dengan menggunakan proses pengolahan citra untuk memperbaiki kualitas citra. Dengan menggunakan poses deteksi tepi Sobel diharapkan objek citra Braille dapat dipisahkan dari latar belakangnya dan noise dapat dihilangkan. Dan dengan mencari nilai threshold yang sesuai maka kualitas dari titik-titik yang timbul pembentuk karakter Braille dapat diperbaiki. Tingkat keberhasilan pengenalan Backpropagation Neural Network pada pengenalan naskah Braille sangat dipengaruhi oleh besarnya nilai threshold. Untuk tingkat keberhasilan pengenalan tertinggi sebesar 92,31% didapat dengan menggunakan nilai threshold 30. Kata kunci : Backpropagation Neural Network, Braille, deteksi tepi, threshold. 1. PENDAHULUAN Pengenalan pola (Pattern Recognition) merupakan salah satu cabang ilmu komputer yang sedang berkembang pada saat ini. Ada beberapa metoda yang digunakan untuk pengenalan pola, salah satunya adalah Backpropagation Neural Network (BPNN) yang mempunyai kemampuan dalam mengenali pola yang sedikit berbeda dengan pola yang sudah dipelajari sebelumnya. Pada dokumentasi ulang naskah Braille ini, BPNN akan digunakan untuk mengenali karakter Braille yang digunakan oleh penyandang tuna netra untuk membaca dan menulis. Karakter Braille ditulis dalam bentuk huruf timbul (kombinasi dari beberapa titiktitik yang timbul) dengan warna yang sama dengan kertasnya Penyandang tuna netra membaca tulisan Braille dengan cara meraba karakter Braille satu persatu. Kualitas tulisan Braille yang berupa huruf timbul akan berkurang dengan berjalannya waktu, karena sering diraba atau tempat penyimpanan yang kurang baik. Titik yang seharusnya timbul lama kelamaan hampir rata dengan latar belakangnya (cacat), sehingga ada kemungkinan terjadi salah baca. Dokumentasi ulang naskah Braille dengan menggunakan Backpropagation Neural Network (BPNN) ini bertujuan untuk mendokumentasikan ulang naskah Braille dari buku lama yang kemungkinan sudah cacat dan tidak memiliki soft copy lagi. Output dari BPNN dapat digunakan untuk menulis ulang teks Braille tersebut atau untuk mengkonversikan teks Braille menjadi teks Normal yang dapat dibaca oleh manusia yang normal. 91
2 2. PEMBAHASAN 2.1 Kerangka Teori Pengenalan pola dengan menggunakan Neural Network merupakan salah satu bidang penelitian yang sedang berkembang saat ini. Pola yang dikenali juga sudah bermacammacam misalnya : pola karakter normal, karakter Braille, tanda tangan, wajah dan pola lainnya. Tingkat pengenalannya bisa mencapai lebih dari 90% tetapi masih ada yang belum mencapai 100%, karena itu penelitian terus dikembangkan untuk mendapatkan hasil yang lebih baik. Pengembangannya bisa terletak pada metoda yang digunakan pada pemrosesan awalnya, atau pada metoda Neural Network yang digunakan. Selain itu objek penelitiannya dapat dikembangkan juga. Pada penelitian Pengenalan Teks Braille Berbasis Jaringan Saraf Tiruan Feedforward Multilayer Dengan Menggunakan Metoda Backpropagation yang dilakukan oleh Praditya Firmansyah, Wahyu Amien safei, dan Iwan setiawan, hasil pengenalanya sudah mencapai 99 %. Objek penelitian yang digunakan berupa naskah Braille (tidak disebutkan kondisinya) yang terdiri dari huruf kecil dan spasi Outputnya berupa suara yang merupakan karakter Braille hasil pengenalan [4]. Untuk meningkatkan kemampuan BPNN dalam mengenali pola naskah braille, maka pada penelitian ini, objek penelitian yang digunakan berupa naskah Braille yang berasal dari buku lama yang kemungkinan sudah cacat dan tidak memiliki soft copy lagi. Hasil pengenalannya akan digunakan untuk menulis ulang buku tersebut. Buku yang dipilih berisi naskah Braille yang terdiri dari huruf kecil, huruf besar, angka, tanda baca, dan spasi. Untuk memisahkan setiap karakter Braille maka digunakan ukuran-ukuran yang sesuai dengan posisi dan jarak titik huruf braille dalam penulisan Braille yang akan dijelaskan pada bab ini. Pada proses pengenalan naskah Braille dengan menggunakan Backpropagation ini ada beberapa proses yang dilakukan. Proses yang akan dijelaskan pada bab ini hanya proses yang paling dominan digunakan dalam penelitian ini yaitu : proses deteksi tepi (edge detection), pengenalan pola dengan menggunakan BPNN, dan akan dijelaskan juga sebelumnya mengenai karakter Braille yang menjadi objek pada penelitian ini Karakter Braille Karakter Braille adalah sejenis sistem tulisan sentuh/tulisan timbul yang digunakan oleh tuna netra. Huruf-huruf Braille menggunakan kerangka penulisan seperti kartu domino. Satuan dasar dari sistem tulisan ini disebut sel braille di mana tiap sel terdiri dari enam titik timbul, tiga baris dengan 2 titik. Keenam titik tersebut dapat disusun sedemikian rupa hingga menciptakan 63 macam kombinasi/karakter untuk membentuk huruf-huruf abjad, tanda baca, tanda-tanda dasar untuk matematika, musik, dan sejumlah tanda singkatan [1]. Dari kombinasi keenam titik itu akan tersusun berbagai karakter yang diinginkan. Untuk memudahkan perujukan titik-titik dalam kerangka tersebut diberi nomor tetap 1, 2, 3, 4, 5, dan 6 pada posisi dan jarak seperti pada gambar 1. Teknik membaca naskah braille dimulai dari atas ke bawah dan kiri ke kanan (sama seperti membaca naskah biasa). Sebuah naskah braille dapat di tulis di kedua sisinya 92
3 (bagian depan dan belakang). Naskah yang hanya memiliki satu sisi saja disebut singlesided, sedangkan yang memiliki kedua-duanya disebut double sided [5]. Gambar 1. Posisi dan jarak titik Braille Sumber : Perpustakaan Institut TeknologiTelkom, Braille, 27 Februari 2011 Gambar 2 Huruf abjad Braille Sumber : Louis Braille School, Braille Alphabet and Numbers, 27 Februari 2011 Gambar 3 Tanda baca braille Sumber : Structure of Braille, Punctuation Marks, 27 Februari 2011 Standarisasi braille yang digunakan di setiap Negara berbeda-beda. Ada yang menggunakan kombinasi 6 titik dan ada juga yang menggunakan 8 titik. Untuk standarisasi braille yang digunakan tunanetra di Indonesia, baik itu Sekolah Luar Biasa maupun lembaga-lembaga ketuna-netraan menggunakan standard tulisan braille seperti gambar 2 dan gambar 3. Untuk menulis huruf besar dan angka braille diawali dengan tanda khusus braille. Tanda ini dimaksudkan untuk mengubah karakter braille. Mengingat kerangka Braille hanya dapat membentuk sebanyak-banyaknya 63 konfigurasi karakter. Hal seperti itu tidak dimungkinkan pada tulisan braille kecuali dengan membubuhkan tanda khusus di depannya. Tanda-tanda khusus Braille dapat dilihat pada gambar 4 dan gambar 5. 93
4 Gambar 4 Huruf kapital braille Sumber : Braille Font, Free 6-dot Braille & 8-dot Braille Font, 3 Maret 2011 Gambar 5 Angka braille Sumber : Louis Braille School, Braille Alphabet and Numbers, 27 Februari Edge Detection Proses deteksi tepi (Edge Detection) bertujuan untuk memperjelas garis-garis batas yang terdapat pada citra gambar. Dekeksi tepi memiliki sifat memperkuat komponen berfrekuensi tinggi. Dengan adanya hal ini, bentuk dasar dari sebuah obyek akan terlihat jelas. Deteksi tepi pada suatu citra adalah suatu proses yang menghasilkan tepi-tepi dari obyek-obyek citra, yang tujuannya adalah :[6] 1. Untuk menandai bagian yang menjadi detail citra 2. Untuk memperbaiki detail dari citra yang kabur, yang terjadi karena error atau adanya efek dari proses akuisisi citra. Secara umum, tepi suatu objek dalam citra dinyatakan sebagai titik yang nilai warnanya berbeda cukup besar dengan titik yang ada di sebelahnya. Ada beberapa mask yang telah dirancang untuk deteksi tepi yaitu Operator Robert, Prewitt, Sobel, Isotropik, dan Operator Laplacian [2]. Pada penelitian ini digunakan metode Sobel untuk mendeteksi tepi citra naskah Braille. dikarenakan metode ini memiliki kelebihan untuk mengurangi noise dalam pengolahan citra yang berguna untuk mendeteksi tepi suatu objek dalam citra digital Backpropagation Neural Network Metode Back Propagation Neural Network (BPNN) digunakan karena kemampuannya dalam mengenali pola yang sedikit berbeda dengan pola yang sudah dipelajari sebelumnya. Dalam pengenalan pola naskah Braille ini, pola yang sedikit berbeda berasal dari naskah Braille yang cacat akibat seringnya disentuh atau tempat penyimpanan yang kurang baik. Back Propagation Neural Network merupakan salah satu metoda pembelajaran yang terawasi (superviced learning) dalam Neural Network. Setiap metoda pembelajaran dalam Neural Network memiliki 3 buah karakteristik yang mencirikan metode pembelajarannya yaitu : Arsitektur, Metoda Pembelajaran, dan Fungsi Aktivasi. 94
5 2.2 Metode Penelitian Pada dokumentasi ulang naskah Braille ini digunakan Back Propagation Neural Network (BPNN) untuk proses pengenalannya. Sebelum proses pengenalan dilakukan, terlebih dahulu dilakukan tahap pemrosesan awal (preprosesing) pada citra naskah Braille untuk mendapatkan vektor ciri (feature vector) yang akan diinputkan ke BPNN. Tahapan pemrosesan yang digunakan dalam penelitian ini untuk mengenali naskah Braille adalah 1. Scanning Untuk mendapatkan citra Braille maka naskah Braille yang akan dikenali discan dahulu dengan menggunakan Scanner. Naskah Braille yang akan dikenali berasal dari buku lama yang kemungkinan sudah cacat dan tidak memiliki soft copy lagi. Buku yang dipilih berisi naskah Braille yang terdiri dari huruf kecil, huruf besar, angka, tanda baca, dan spasi. Output citra Braille hasil scanning berupa file berformat BMP. 2. Edge Detection Deteksi tepi Sobel (Sobel edge detection) digunakan untuk meningkatkan penampakan garis batas objek dalam citra Braille, sehingga dapat membedakan citra Braille dari latar belakangnya. 3. Thresholding Proses thresholding dilakukan untuk mengubah nilai intensitas piksel pada citra Braille menjadi 2 nilai yaitu 0 untuk warna hitam dan 255 atau untuk warna putih. Tujuan proses thresholding untuk memisahkan dan membedakan antara karakter Braille dengan latar belakangnya. Pada penelitian ini akan dicari nilai thresholding yang terbaik digunakan untuk mengenali naskah Braille. 4. Feature Exctraction : Ekstraksi ciri (feature extraction) digunakan untuk mendapatkan vektor ciri (feature vector) yang mencirikan karakter Braille. Pada penelitian ini ciri yang diambil adalah nilai dari titik-titik pembentuk karakter Braille yang berukuran matriks 3x2. Setiap titik bernilai 1 dan jika tidak ada titik bernilai 0. Untuk menandai huruf besar dan angka Braille diawali dengan tanda khusus Braille. Dengan demikian terdapat 8 buah vektor ciri untuk setiap karakter Braille. 5. Pattern Recognition Back Propagation Neural Network (BPNN) digunakan untuk Pengenalan pola (pattern recognition) naskah Braille. Input BPNN berasal dari hasil ekstraksi ciri pada proses sebelumnya yang berjumlah 8 buah. Dalam implementasinya nilai neuron input ke 1 sampai 6 merupakan nilai titik-titik pembentuk karakter Braille, sedangkan neuron ke 7 dan 8 mewakili tanda khusus Braille. Nilai dari tanda khusus Braille diambil dari pola yang dimasukkan sebelumnya. Output BPNN berupa hasil pengenalan dari naskah Braille yang berjumlah 75 karakter Braille yang terdiri dari 26 huruf kecil, 26 buah huruf besar, 10 buah angka, 11 tanda baca dan spasi, dan 2 buah tanda khusus untuk menandai karakter angka dan karakter huruf besar. Dengan demikian arsitektur BPNN yang digunakan terdiri dari 8 buah neuron di lapisan input, 75 buah neuron di lapisan output, sedangkan jumlah neuron pada lapisan tersembunyi (hidden layer) ditentukan dengan cara coba-coba. 6. Conversion Output dari BPNN dari hasil proses pengenalan berupa nilai aktivasi neuron output yang mempunyai jangkauan nilai antara 0 dan 1. Untuk mendapatkan hasil pengenalannya`maka biasanya nilai yang kurang dari 0,5 dianggap 0, dan yang lebih 95
6 dari atau samadengan 0,5 dianggap 1. Kombinasi nilai output 1 dan 0 ini kemudian dicocokkan dengan target yang digunakan dalam proses pembelajaran untuk mendapatkan karakter Braille yang sesuai. Karakter normal didapatkan dengan menggunakan tabel konversi dari karakter Braille ke karakter normal. 2.3 Hasil Pengujian Data Pengujian Pada dokumentasi ulang naskah Braille ini, data yang digunakan dalam proses pengenalan karakter Braille dengan menggunakan Back propagation Neural Network (BPNN) berasal dari buku : Franklin Bermain Sepak Bola, Pengarang: Paulette Bourgeois & Brenda Clark, Penerbit: Kanisius yang dibraillekan Oleh: Yayasan Mitra Netra Jakarta, Data diambil/discan dari halaman 1 8. Buku tersebut dipinjam dari Perpustakaan Yayasan Mitra Netra, Lebak Bulus-Jakarta. Dengan menggunakan Scanner, karakter Braille dikonversi ke dalam bentuk digital berformat BMP. Citra Braille ini kemudian diproses dengan menggunakan metode yang sudah dijelaskan sebelumnya.pada proses pembelajarannya, karakter Braille yang digunakan merupakan karakter standard yang ada dalam bab 2. Ada 26 huruf kecil, 26 buah huruf besar, 10 buah angka, 11 tanda baca dan spasi, dan 2 buah tanda khusus untuk menandai karakter angka dan karakter huruf besar Hasil Pengujian Pengujian dilakukan dalam 2 tahap, yaitu tahap Pembelajaran dan tahap Pengenalan BPNN Tahap Pembelajaran BPNN Tahap pembelajaran berfungsi untuk mencari nilai learning rate (α) dan jumlah neuron pada hidden layer yang optimum. Metoda yang digunakan untuk mencari nilai optimum adalah metoda coba-coba (try and error). Range nilai yang digunakan untuk mencari nilai laju pembelajaran (α) adalah sebesar 0,1 sampai 1 sedangkan jumlah neuron di hidden layer (n) sebesar 69 sampai 73. Untuk Nilai parameter-parameter BPNN digunakan : - Maximum Epoch = Maximum Error = 0,001 Percobaan pertama dilakukan untuk mencari neuron di hidden layer yang optimum dengan menggunakan nilai α yang tetap sebesar 0,5. Hasilnya dapat dilihat pada tabel 1 di bawah ini. Tabel 1 Jumlah neuron di hidden layer yang optimum Epoch α Max Error n Error ,5 0, , ,5 0, , ,5 0, , ,5 0, , ,5 0, ,
7 Tabel 2 Laju Pembelajaranyang optimum Epoch α Max Error n Error ,1 0, , ,2 0, , ,3 0, , ,4 0, , ,5 0, , ,6 0, , ,7 0, , ,8 0, , ,9 0, , , , Dari tabel 1 di atas terlihat nilai maximum error tercapai pada setiap percobaan, dengan demikian diambil kriteria jumlah epoch yang terkecil untuk mendapatkan neuron di hidden layer yang optimum. Pada tabel 1, minimum epoch didapat dengan menggunakan jumlah neuron 70. Selanjutnya dengan menggunakan jumlah neuron di hidden layer sebanyak 70 dicari nilai α yang optimum, hasilnya dapat dilihat pada tabel 2. Dengan menggunakan ketentuan yang sama seperti di atas, maka nilai α terbaik adalah 0,9 Tahap Pengenalan BPNN Pengujian pengenalan naskah Braille pada buku Franklin Bermain Sepak Bola, dilakukan dengan menggunakan nilai threshold yang berbeda pada saat proses thresholding untuk menjadikan nilai biner. Data input diambil dengan cara menscan naskah Braille dengan menggunakan Scanner. Pada saat pengenalan ini, parameter-parameter BPNN dan bobot keterhubungannya diambil dari hasil pembelajaran. Hasil pengujian pengenalannya dapat dilihat pada tabel 3. Tabel 3 Persentase keberhasilan pengenalan Hal. Buku 20 (%) 30 (%) Threshold 40 (%) Pembahasan Hasil Pengujian Rata-rata tingkat keberhasilan tertinggi sebesar 84,45% di dapat dengan menggunakan nilai threshold sebesar 20, tetapi dari tabel 3 terlihat untuk tingkat keberhasilan (%) 60 (%) 1 84,13 82,54 82,54 77, ,36 70,73 71,54 71, ,07 82,31 57,14 52, ,05 82,73 80,58 79, ,44 83,44 81,6 79,75 69, ,64 84,72 79,86 80, ,88 92,31 89,74 88,89 86, ,05 84,17 74,1 58,27 -
8 pengenalan tertinggi sebesar 92,31% didapat dengan menggunakan nilai threshold 30. Dengan menggunakan nilai threshold 70 BPNN gagal mengenali naskah Braille, sedangkan pada nilai threshold 60 masih ada naskah Braille yang dapat dikenali. Dari hasil pengamatan, kegagalan pengenalan tersebut disebabkan karena : Pada nilai threshold di atas 60 naskah Braille sulit dikenali, karena pada saat proses ekstraksi ciri piksel-piksel pada bagian awal naskah tidak terdeteksi. Satu titik timbul yang terdapat pada satu karakter braille pada perancangan program diwakili oleh minimal piksel bernilai 1 berjumlah 13. Pada nilai threshold di atas 60, titik timbul sulit terdeteksi karena jumlah piksel bernilai 1 yang berdekatan tidak ada yang berjumlah lebih dari 13. Contoh hasil ekstraksi ciri dengan menggunakan nilai threshold sebesar 70 dapat dilihat pada gambar 6. Kesalahan pengenalan pada karakter a, seharusnya titik timbul terdapat pada posisi 1 (di aturan pola 6 titik). Hasil thresholding menunjukkan jika a yang sudah cacat maka tidak ada titik dalam 1 karakter sehingga dikenal dengan karakter space. Kesalahan pengenalan pada karakter s dan n. Titik timbul huruf s terdapat pada posisi 2, 3, 4 sedangkan untuk huruf n terdapat pada posisi 1, 3, 4, dan 5. Pada proses ekstraksi ciri karakter s, terjadi pergeseran batas sehingga titik 4 terdapat diantara batas titik 1 dan 4 yang menyebabkan titik 1 turut terbaca sebagai titik yang timbul. Begitu pula pada karakter n, terjadi pergeseran batas sehingga titik 5 terdapat diantara batas titik 2 dan 5 yang menyebabkan titik 2 turut terbaca sebagai titik yang timbul. Contoh hasil pengenalan yang salah dapat dilihat gambar 7. BPNN dapat mengenali pola yang hampir sama dengan pola yang sudah dipelajari sebelumnya. Pada karakter Braille dengan pola 6 titik hanya dapat dibentuk 63 kombinasi. Pada perancangan program ini hanya digunakan 37 kombinasi (26 huruf abjad, 8 tanda baca, 1 karakter tanda huruf besar abjad, 1 karakter tanda angka, dan spasi). Sisanya ada 26 kombinasi yang tidak digunakan. Apabila terdapat karakter Braille yang cacat, misalnya titik yang seharusnya timbul menjadi tidak timbul, maka pola yang akan dikenali dapat dianggap sebagai karakter yang lain atau tidak terdeteksi. 3. KESIMPULAN Tingkat keberhasilan pengenalan Backpropagation Neural Network pada pengenalan naskah Braille sangat dipengaruhi oleh besarnya nilai threshold. Rata-rata tingkat keberhasilan tertinggi sebesar 84,45% didapat dengan menggunakan nilai threshold sebesar 20, sedangkan untuk tingkat keberhasilan pengenalan tertinggi sebesar 92,31% didapat dengan menggunakan nilai threshold 30. Dengan menggunakan nilai threshold 70 BPNN gagal mengenali naskah Braille. 98
9 Sobel Mask Threshold 70 Ekstraksi Ciri Gambar 6 Hasil proses ekstraksi cri dengan nilai threshold 70 Penggalan Threshold 20 Ekstraksi Ciri Pengenalan Daftar Pustaka Gambar 7 Kesalahan pengenalan karakter s dan n 1. Didi, T. Mei 2000, Pedoman Format Braille, Fakultas Ilmu Pendidikan Universitas Pendidikan Indonesia, Bandung. 2. Edy, W, 3 Maret 2011, Pengolahan Citra / 09/ PENGOLAHAN-CITRA_7.pdf. 3. Fausett, L, 1994, Fundamentals of Neural Network. Englewood Cliffs: Prentice-Hall,. 4. Firmansyah P, Amien S W, Setiawan I, Pengenalan Teks Braille Berbasis Jaringan Saraf Tiruan Feedforward Multilayer Dengan Menggunakan Metoda Backpropagation, 5. Perpustakaan Institut Teknologi Telkom, 26 Februari 2011, Pola Braille, 99
10 6. Riyanto, 3 Febuari 2011, Deteksi Tepi, 7. Usman, A, Pengolahan Citra Digital, 2005, Jakarta: Graha Ilmu. 100
GRAY LEVEL COOCURENCE MATRIX SEBAGAI PENGEKSTRAKSI CIRI PADA PENGENALAN NASKAH BRAILLE
GRAY LEVEL COOCURENCE MATRIX SEBAGAI PENGEKSTRAKSI CIRI PADA PENGENALAN NASKAH BRAILLE Yegar Sahaduta 1), Chairisni Lubis 2) 1) Fakultas Teknologi Informasi-Universitas Tarumanagara Jl. S. Parman No.1,
Lebih terperinciPENGENALAN TANDA TANGAN DENGAN MENGGUNAKAN NEURAL NETWORK DAN PEMROSESAN AWAL THINNING ZHANG SUEN
PENGENALAN TANDA TANGAN DENGAN MENGGUNAKAN NEURAL NETWORK DAN PEMROSESAN AWAL THINNING ZHANG SUEN Chairisni Lubis 1) Yuliana Soegianto 2) 1) Fakultas Teknologi Informasi Universitas Tarumanagara Jl. S.Parman
Lebih terperinciAplikasi Jaringan Saraf Tiruan Sebagai Penterjemah Karakter Braille Ke Bentuk Abjad
The 13 th Industrial Electronics Seminar 2011 (IES 2011) Electronic Engineering Polytechnic Institute of Surabaya (EEPIS), Indonesia, October 26, 2011 Aplikasi Jaringan Saraf Tiruan Sebagai Penterjemah
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Jaringan syaraf tiruan merupakan bidang ilmu yang banyak digunakan dalam melakukan pengenalan pola suatu obyek. Banyak obyek yang dapat digunakan untuk pengenalan pola
Lebih terperinciPENGENAL HURUF TULISAN TANGAN MENGGUNAKAN JARINGAN SARAF TIRUAN METODE LVQ (LEARNING VECTOR QUANTIZATION) By. Togu Sihombing. Tugas Ujian Sarjana
PENGENAL HURUF TULISAN TANGAN MENGGUNAKAN JARINGAN SARAF TIRUAN METODE LVQ (LEARNING VECTOR QUANTIZATION) By. Togu Sihombing Tugas Ujian Sarjana. Penjelasan Learning Vector Quantization (LVQ) Learning
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 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 terperinciIMPLEMENTASI SEGMENTASI CITRA DAN ALGORITMA LEARNING VECTOR QUANTIZATION (LVQ) DALAM PENGENALAN BENTUK BOTOL
IMPLEMENTASI SEGMENTASI CITRA DAN ALGORITMA LEARNING VECTOR QUANTIZATION (LVQ) DALAM PENGENALAN BENTUK BOTOL Andri STMIK Mikroskil Jl. Thamrin No. 122, 124, 140 Medan 20212 andri@mikroskil.ac.id Abstrak
Lebih terperinci1.2 Rumusan Masalah Berdasarkan latar belakang yang telah dibuat diatas, rumusan masalah yang dapat diambil adalah :
BAB I PENDAHULUAN 1.1 Latar Belakang Tanda tangan adalah sebuah bentuk khusus dari tulisan tangan yang mengandung karakter khusus dan bentuk-bentuk tambahan yang sering digunakan sebagai bukti vertifikasi
Lebih terperinciPENGENALANAN KARAKTER MANDARIN DENGAN BACKPROPAGATION NEURAL NETWORK
PENGENALANAN KARAKTER MANDARIN DENGAN BACKPROPAGATION NEURAL NETWORK Chairisni Lubis 1), Tony 2), Ardy Kuncoro 3) 1), 2), 3) Fakultas Teknologi Informasi Universitas Tarumanagara Jalan S.Parman No.1 Jakarta
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 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 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 3 ANALISIS DAN PERANCANGAN PROGRAM
BAB 3 ANALISIS DAN PERANCANGAN PROGRAM Program aplikasi ini dirancang dengan menggunakan perangkat lunak Microsoft Visual C# 2008 Express Edition. Proses perancangan menggunakan pendekatan Object Oriented
Lebih 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 terperinciBAB III PERANCANGAN DAN IMPLEMENTASI SISTEM
BAB III PERANCANGAN DAN IMPLEMENTASI SISTEM Pada bab ini akan dijelaskan mengenai tahapan dan algoritma yang akan digunakan pada sistem pengenalan wajah. Bagian yang menjadi titik berat dari tugas akhir
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN 3.1. Penentuan Masalah Penelitian Masalah masalah yang dihadapi oleh penggunaan identifikasi sidik jari berbasis komputer, yaitu sebagai berikut : 1. Salah satu masalah dalam
Lebih terperinciSIMULASI PENGENALAN TULISAN MENGGUNAKAN LVQ (LEARNING VECTOR QUANTIZATION )
SIMULASI PENGENALAN TULISAN MENGGUNAKAN LVQ (LEARNING VECTOR QUANTIZATION ) Fachrul Kurniawan, Hani Nurhayati Jurusan Teknik Informatika, Sains dan Teknologi Universitas Islam Negeri (UIN) Maulana Malik
Lebih terperinciPERANCANGAN SISTEM PENGENALAN DAN PENYORTIRAN KARTU POS BERDASARKAN KODE POS DENGAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK
PERANCANGAN SISTEM PENGENALAN DAN PENYORTIRAN KARTU POS BERDASARKAN KODE POS DENGAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK OLEH ARIF MIFTAHU5R ROHMAN (2200 100 032) Pembimbing: Dr. Ir Djoko Purwanto, M.Eng,
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN PROGRAM APLIKASI
BAB 3 ANALISIS DAN PERANCANGAN PROGRAM APLIKASI Bab ini berisi analisis pengembangan program aplikasi pengenalan karakter mandarin, meliputi analisis kebutuhan sistem, gambaran umum program aplikasi yang
Lebih terperinciBAB 2 LANDASAN TEORI
6 BAB 2 LANDASAN TEORI 2.1. Sel Darah Merah Sel darah merah atau eritrositmemiliki fungsi yang sangat penting bagi kelangsungan hidup manusia. Sel darah merah mengandung hemoglobin yang berfungsi untuk
Lebih 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 terperinciPERANGKAT LUNAK PENGKONVERSI TEKS TULISAN TANGAN MENJADI TEKS DIGITAL
PERANGKAT LUNAK PENGKONVERSI TEKS TULISAN TANGAN MENJADI TEKS DIGITAL Oleh : ACHMAD FAUZI ARIEF 1203 109 007 Dosen Pembimbing : Drs. Nurul Hidayat, M.Kom JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Citra Digital Citra digital adalah citra yang bersifat diskrit yang dapat diolah oleh computer. Citra ini dapat dihasilkan melalui kamera digital dan scanner ataupun citra yang
Lebih terperinciSISTEM PENGENALAN BARCODE MENGGUNAKAN JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION
SISTEM PENGENALAN BARCODE MENGGUNAKAN JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION Nama Mahasiswa : Gigih Prasetyo Cahyono NRP : 1206 100 067 Jurusan : Matematika FMIPA-ITS Dosen Pembimbing : Prof.
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 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 2.1 Pengenalan Pola Pengenalan pola (pattern recognition) adalah suatu ilmu untuk mengklasifikasikan atau menggambarkan sesuatu berdasarkan pengukuran kuantitatif fitur atau sifat
Lebih terperinciOleh: Ulir Rohwana ( ) Dosen Pembimbing: Prof. Dr. H. M. Isa Irawan, M.T.
Oleh: Ulir Rohwana (1209 100 702) Dosen Pembimbing: Prof. Dr. H. M. Isa Irawan, M.T. DAFTAR ISI I II III IV V VI PENDAHULUAN TINJAUAN PUSTAKA METODOLOGI PERANCANGAN DAN IMPLEMENTASI HASIL DAN PENGUJIAN
Lebih 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 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 terperinciPENGENALAN POLA TANDA TANGAN MENGGUNAKAN METODE MOMEN INVARIAN DAN RADIAL BASIS FUNCTION (RBF)
PENGENALAN POLA TANDA TANGAN MENGGUNAKAN METODE MOMEN INVARIAN DAN RADIAL BASIS FUNCTION (RBF) AINUN JARIAH 1209201721 DOSEN PEMBIMBING 1. Prof. Dr. Mohammad Isa Irawan, M.T 2. Dr Imam Mukhlas, S.Si, M.T
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 terperinciBAB III METODE PENELITIAN. menjawab segala permasalahan yang ada dalam penelitian ini.
BAB III METODE PENELITIAN Pada bab ini akan dijelaskan bahan yang digunakan dalam membantu menyelesaikan permasalahan, dan juga langkah-langkah yang dilakukan dalam menjawab segala permasalahan yang ada
Lebih terperinciDeteksi Kanker Paru-Paru Dari Citra Foto Rontgen Menggunakan Jaringan Saraf Tiruan Backpropagation
Deteksi Kanker Paru-Paru Dari Citra Foto Rontgen Menggunakan Jaringan Saraf Tiruan Backpropagation Tri Deviasari Wulan 1, Endah Purwanti 2, Moh Yasin 3 1,2 Program Studi Fisika Fakultas Sains dan Teknologi
Lebih terperinciBAB 2 KONSEP DASAR PENGENAL OBJEK
BAB 2 KONSEP DASAR PENGENAL OBJEK 2.1 KONSEP DASAR Pada penelitian ini, penulis menggunakan beberapa teori yang dijadikan acuan untuk menyelesaikan penelitian. Berikut ini teori yang akan digunakan penulis
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Rancangan Penelitian Pengerjaan tugas akhir ini ditunjukkan dalam bentuk blok diagram pada gambar 3.1. Blok diagram ini menggambarkan proses dari sampel citra hingga output
Lebih terperinciBAB 2 LANDASAN TEORI. Pengenalan suara (voice recognition) dibagi menjadi dua jenis, yaitu
BAB 2 LANDASAN TEORI 2.1 Pengenalan Suara. Pengenalan suara (voice recognition) dibagi menjadi dua jenis, yaitu speech recognition dan speaker recognition. Speech recognition adalah proses yang dilakukan
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang Masalah
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Tidak semua manusia dilahirkan dalam keadaan sempurna. Beberapa dilahirkan dengan keadaan indra penglihatan yang tidak dapat berfungsi sama sekali. Sehingga
Lebih terperinciRekognisi karakter optik merupakan salah satu aplikasi pengenalan pola yang
17 BAB II REKOGNISI KARAKTER NUMERIK 2.1 Gambaran Singkat Rekognisi Karakter Optik Rekognisi karakter optik merupakan salah satu aplikasi pengenalan pola yang dirancang untuk menerjemahkan teks baik berupa
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 terperinciProgram Aplikasi Komputer Pengenalan Angka Dengan Pose Jari Tangan Sebagai Media Pembelajaran Interaktif Anak Usia Dini
Program Aplikasi Komputer Pengenalan Angka Dengan Pose Jari Tangan Sebagai Media Pembelajaran Interaktif Anak Usia Dini Wawan Kurniawan Jurusan PMIPA, FKIP Universitas Jambi wwnkurnia79@gmail.com Abstrak
Lebih terperinciPERANGKAT LUNAK PENGKONVERSI TEKS TULISAN TANGAN MENJADI TEKS DIGITAL
PERANGKAT LUNAK PENGKONVERSI TEKS TULISAN TANGAN MENJADI TEKS DIGITAL Nama Mahasiswa : Achmad Fauzi Arief NRP : 03 09 007 Jurusan : Matematika FMIPA-ITS Dosen Pembimbing : Drs. Nurul Hidayat, M.Kom Abstrak
Lebih terperincilalu menghitung sinyal keluarannya menggunakan fungsi aktivasi,
LAMPIRAN 15 Lampiran 1 Algoritme Jaringan Syaraf Tiruan Propagasi Balik Standar Langkah 0: Inisialisasi bobot (bobot awal dengan nilai random yang paling kecil). Langkah 1: Menentukan maksimum epoch, target
Lebih terperinciPengenalan Plat Nomor Mobil Menggunakan Metode Learning Vector Quantization
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 3, Maret 2018, hlm. 1313-1317 http://j-ptiik.ub.ac.id Pengenalan Plat Nomor Mobil Menggunakan Metode Learning Vector
Lebih terperinciJURNAL SAINS DAN SENI POMITS Vol. 2, No.1, (2013) 1-6 1
JURNAL SAINS DAN SENI POMITS Vol. 2, No.1, (2013) 1-6 1 Pengenalan Tulisan Tangan Huruf Latin Bersambung Secara Real Time Menggunakan Algoritma Learning Vector Quantization Ulir Rohwana dan M Isa Irawan
Lebih terperinciOleh: Angger Gusti Zamzany( ) Dosen Pembimbing: Dr. Dwi Ratna Sulistyaningrum, S.Si, M.T.
Oleh: Angger Gusti Zamzany(1210100 073) Dosen Pembimbing: Dr. Dwi Ratna Sulistyaningrum, S.Si, M.T. DAFTAR ISI I II III IV V VI PENDAHULUAN TINJAUAN PUSTAKA METODOLOGI PERANCANGAN DAN IMPLEMENTASI PENGUJIAN
Lebih terperinciBAB 3 PERANCANGAN DAN PEMBUATAN SISTEM
BAB 3 PERANCANGAN DAN PEMBUATAN SISTEM Dalam bab ini akan dibahas mengenai perancangan dan pembuatan sistem aplikasi yang digunakan sebagai user interface untuk menangkap citra ikan, mengolahnya dan menampilkan
Lebih terperinciPenggunaan Jaringan Syaraf Tiruanuntuk Membaca Karakter pada Formulir Nilai Mata Kuliah
Vol. 14, No. 1, 61-68, Juli 2017 Penggunaan Jaringan Syaraf Tiruanuntuk Membaca Karakter pada Formulir Nilai Mata Kuliah La Surimi, Hendra, Diaraya Abstrak Jaringan syaraf tiruan (JST) telah banyak diaplikasikan
Lebih 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 terperinciBAB I PENDAHULUAN. Pengenalan pola merupakan permasalahan kecerdasan buatan yang secara
BAB I PENDAHULUAN 1.1. Latar Belakang Pengenalan pola merupakan permasalahan kecerdasan buatan yang secara umum sering digunakan dalam sistem berbasis pengetahuan. Pengenalan pola memiliki peranan penting
Lebih terperinciBAB II TINJAUAN PUSTAKA. yang revelan dengan penelitian yang akan. antara metode Kohonen Neural Network dengan metode Learning ng Vector
BAB II TINJAUAN PUSTAKA Pada Bab ini akan menjelaskan tentang teori-teori o i serta hasil penelitian yang revelan dengan penelitian yang akan an dilakukan. an. A. Tinjauan an Pustaka Prabowo, o, Sarwoko
Lebih terperinciBAB I PENDAHULUAN. untuk meniru sistem visual manusia (human vision).
BAB I PENDAHULUAN 1.1 Latar Belakang Perkembangan teknologi yang sangat cepat, terutama pada teknologi komputer sehingga membuat pekerjaan pengolahan data dapat ditangani dengan lebih cepat dan tepat.
Lebih terperinciSISTEM BIOMETRIKA IDENTIFIKASI TANDA TANGAN MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN MODEL PERCEPTRON
SISTEM BIOMETRIKA IDENTIFIKASI TANDA TANGAN MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN MODEL PERCEPTRON I Made Gede Sunarya Program Studi Pendidikan Teknik Informatika Fakultas Teknik dan Kejuruan Universitas
Lebih terperinciBAB I PENDAHULUAN. mengenali dan membedakan ciri khas yang dimiliki suatu objek (Hidayatno,
1 BAB I PENDAHULUAN A. Latar belakang Saat ini pemanfaatan teknologi pengolaan citra untuk mempermudah manusia dalam menyelesaikan masalah-masalah tertentu sudah banyak diterapkan, khususnya dibidang Identifikasi.
Lebih 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 IV HASIL DAN PEMBAHASAN. Implementasi antar muka dalam tugas akhir ini terdiri dari form halaman
BAB IV HASIL DAN PEMBAHASAN 4.1 Implementasi Antar Muka Implementasi antar muka dalam tugas akhir ini terdiri dari form halaman judul perangkat lunak, form pelatihan jaringan saraf tiruan, form pengujian
Lebih terperinciBAB 3 ANALISA DAN PERANCANGAN
44 BAB 3 ANALISA DAN PERANCANGAN 3.1 Analisa Analisa yang dilakukan terdiri dari : a. Analisa terhadap permasalahan yang ada. b. Analisa pemecahan masalah. 3.1.1 Analisa Permasalahan Pengenalan uang kertas
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 terperinciSATUAN ACARA PERKULIAHAN ( SAP )
SATUAN ACARA PERKULIAHAN ( SAP ) Mata Kuliah : Pengolahan Citra Digital Kode : IES 6323 Semester : VI Waktu : 2 x 3x 50 Menit Pertemuan : 10&11 A. Kompetensi 1. Utama Mahasiswa dapat memahami tentang sistem
Lebih terperinciBAB III METODELOGI PENELITIAN. Alat yang digunakan dalam penelitian ini adalah: a. Prosesor : Intel Core i5-6198du (4 CPUs), ~2.
BAB III METODELOGI PENELITIAN 3.1 Alat dan Bahan Penelitian 3.1.1 Alat Alat yang digunakan dalam penelitian ini adalah: 1. Hardware a. Prosesor : Intel Core i5-6198du CPU @2.30GHz (4 CPUs), ~2.40GHz b.
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Jaringan Syaraf Tiruan Artificial Neural Network atau Jaringan Syaraf Tiruan (JST) adalah salah satu cabang dari Artificial Intelligence. JST merupakan suatu sistem pemrosesan
Lebih terperinciJURNAL SAINS DAN SENI POMITS Vol. 2, No.1, (2014) 1-6 1
JURNAL SAINS DAN SENI POMITS Vol. 2, No.1, (2014) 1-6 1 Identifikasi Cacat Peluru dengan Menggunakan Pengolahan Citra Digital Berbasis Learning Vector Quantization (LVQ) Angger Gusti Z dan Dwi Ratna S
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 terperinciARTIFICIAL NEURAL NETWORK TEKNIK PERAMALAN - A
ARTIFICIAL NEURAL NETWORK CAHYA YUNITA 5213100001 ALVISHA FARRASITA 5213100057 NOVIANTIANDINI 5213100075 TEKNIK PERAMALAN - A MATERI Neural Network Neural Network atau dalam bahasa Indonesia disebut Jaringan
Lebih terperinciIdentifikasi Gender Berdasarkan Citra Wajah Menggunakan Deteksi Tepi dan Backpropagation
Identifikasi Gender Berdasarkan Citra Wajah Menggunakan Deteksi Tepi dan Backpropagation Destri Wulansari, Esmeralda C. Djamal, Ridwan Ilyas Jurusan Informatika, Fakultas MIPA Universitas Jenderal Achmad
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 terperinciEKSTRAKSI CITRA BARCODE MENJADI KODE STRING MENGGUNAKAN JARINGAN SYARAF TIRUAN DENGAN ALGORITMA BACKPROPAGATION 1 Andrian Rakhmatsyah 2 Angga Sukma Prinata 3 Adiwijaya 12 Departemen Teknik Informatika
Lebih terperinciSISTEM REKOGNISI KARAKTER NUMERIK MENGGUNAKAN ALGORITMA PERCEPTRON
30 BAB IV SISTEM REKOGNISI KARAKTER NUMERIK MENGGUNAKAN ALGORITMA PERCEPTRON 4.1 Gambaran Umum Sistem Diagram sederhana dari program yang dibangun dapat diilustrasikan dalam diagram konteks berikut. Gambar
Lebih terperinciImplementasi Pengenalan Tanda Tangan dengan Menggunakan Metode Backpropagation TUGAS AKHIR
Implementasi Pengenalan Tanda Tangan dengan Menggunakan Metode Backpropagation TUGAS AKHIR Diajukan Oleh : RENDRA FEBRIANTO 0634015068 JURUSAN TEKNIK INFORMATIKA FAKULTAS TEKNOLOGI INDUSTRI UNIVERSITAS
Lebih terperinciBAB 1 PENDAHULUAN. dengan proses pengolahan citra digital (digital image processing), dimana data berupa
BAB 1 PENDAHULUAN 1.1 Latar Belakang Pada awalnya, komputer hanya dapat digunakan untuk melakukan pemrosesan terhadap data numerik. Tetapi pada sekarang ini, komputer telah membawa banyak perubahan dan
Lebih terperinciPENGENALAN PLAT NOMOR KENDARAAN DALAM SEBUAH CITRA MENGUNAKAN JARINGAN SARAF TIRUAN ABSTRAK
PENGENALAN PLAT NOMOR KENDARAAN DALAM SEBUAH CITRA MENGUNAKAN JARINGAN SARAF TIRUAN Decy Nataliana [1], Sabat Anwari [2], Arief Hermawan [3] Jurusan Teknik Elektro Fakultas Teknologi Industri Institut
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini akan dielaskan mengenai teori-teori yang berhubungan dengan penelitian ini, sehingga dapat diadikan sebagai landasan berpikir dan akan mempermudah dalam hal pembahasan
Lebih terperinciBAB IV IMPLEMENTASI DAN PENGUJIAN
68 BAB IV IMPLEMENTASI DAN PENGUJIAN Bab ini membahas tentang program yang telah dianalisis dan dirancang atau realisasi program yang telah dibuat. Pada bab ini juga akan dilakukan pengujian program. 4.1
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Computer Vision Computer vision dapat diartikan sebagai suatu proses pengenalan objek-objek berdasarkan ciri khas dari sebuah gambar dan dapat juga digambarkan sebagai suatu deduksi
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang. Universitas Sumatera Utara
BAB I PENDAHULUAN 1.1 Latar Belakang Artificial Neural Network atau jaringan syaraf tiruan merupakan bidang yang sangat berkembang saat ini. Pemanfaatan teknologi mesin dan computer yang tidak terbatas
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN Bab ini menjelaskan tentang latar belakang, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian, metode penelitian, dan sistematika penulisan dalam penelitian ini.
Lebih terperinciJARINGAN SARAF TIRUAN DENGAN BACKPROPAGATION UNTUK MENDETEKSI PENYALAHGUNAAN NARKOTIKA
JARINGAN SARAF TIRUAN DENGAN BACKPROPAGATION UNTUK MENDETEKSI PENYALAHGUNAAN NARKOTIKA Dahriani Hakim Tanjung STMIK POTENSI UTAMA Jl.K.L.Yos Sudarso Km 6.5 Tanjung Mulia Medan notashapire@gmail.com Abstrak
Lebih terperinciBAB 3 METODOLOGI PENELITIAN. a. Spesifikasi komputer yang digunakan dalam penelitian ini adalah
BAB 3 METODOLOGI PENELITIAN 3.1 Alat dan Bahan Penelitian 3.1.1 Alat Penelitian a. Spesifikasi komputer yang digunakan dalam penelitian ini adalah sebagai berikut: 1) Prosesor Intel (R) Atom (TM) CPU N550
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Waktu dan Tempat Penelitian Waktu yang digunakan dalam penelitian ini yaitu dalam kurun waktu enam bulan terhitung mulai februari 2012 sampai juli 2012. Tempat yang digunakan
Lebih terperinciJaringan syaraf dengan lapisan tunggal
Jaringan syaraf adalah merupakan salah satu representasi buatan dari otak manusia yang mencoba untuk mensimulasikan proses pembelajaran pada otak manusia. Syaraf manusia Jaringan syaraf dengan lapisan
Lebih terperinciImplementasi Extreme Learning Machine untuk Pengenalan Objek Citra Digital
JURNAL SAINS DAN SENI IS Vol. 6, No.1, (2017) 2337-3520 (2301-928X Print) A 18 Implementasi Extreme Learning Machine untuk Pengenalan Objek Citra Digital Zulfa Afiq Fikriya, Mohammad Isa Irawan, dan Soetrisno
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MENGENALI TULISAN TANGAN HURUF A, B, C, DAN D PADA JAWABAN SOAL PILIHAN GANDA
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MENGENALI TULISAN TANGAN HURUF A, B, C, DAN D PADA JAWABAN SOAL PILIHAN GANDA (Studi Eksplorasi Pengembangan Pengolahan Lembar Jawaban Ujian Soal Pilihan Ganda di
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Tanda Tangan Tanda tangan atau dalam bahasa Inggris disebut signature berasal dari latin signare yang berarti tanda atau tulisan tangan, dan biasanya diberikan gaya tulisan
Lebih terperinciBAB II LANDASAN TEORI. bahasa Jawa yang pada dasarnya terdiri atas dua puluh aksara pokok (nglegena),
BAB II LANDASAN TEORI 2.1 Aksara Jawa Carakan (Abjad/Aksara Jawa) adalah huruf yang digunakan dalam ejaan bahasa Jawa yang pada dasarnya terdiri atas dua puluh aksara pokok (nglegena), yang ditunjukkan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Perangkat keras komputer berkembang dengan pesat setiap tahunnya selalu sudah ditemukan teknologi yang lebih baru. Meskipun demikian masih banyak hal yang belum dapat
Lebih terperinciTujuan Penelitian Tujuan penelitian ini adalah untuk melakukan deteksi penyakit pada daun rose dengan menggunakan metode ANN.
Laporan Akhir Projek PPCD Deteksi Penyakit Daun Menggunakan Artificial Neural Network (ANN) TRI SONY(G64130020), GISHELLA ERDYANING (G64130040), AMALIYA SUKMA RAGIL PRISTIYANTO (G64130044), MUHAMMAD RIZQI
Lebih terperinciBAB III METODE PENELITIAN. Penelitian ini dilaksanakan Februari 2014 sampai dengan Juli 2014 di
BAB III METODE PENELITIAN A. Waktu dan Tempat Penelitian Penelitian ini dilaksanakan Februari 2014 sampai dengan Juli 2014 di Laboratorium Pemodelan Fisika, Jurusan Fisika, Fakultas Matematika dan Ilmu
Lebih terperinciANALISIS PERBANDINGAN METODE PREWITT DAN CANNY UNTUK IDENTIFIKASI IKAN AIR TAWAR
ANALISIS PERBANDINGAN METODE PREWITT DAN CANNY UNTUK IDENTIFIKASI IKAN AIR TAWAR Gibtha Fitri Laxmi 1, Puspa Eosina 2, Fety Fatimah 3 1,2,3 Program Studi Teknik Informatika, Fakultas Teknik, Universitas
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 terperinciKlasifikasi Pola Huruf Vokal dengan Menggunakan Jaringan Saraf Tiruan
JURNAL TEKNIK POMITS 1-7 1 Klasifikasi Pola Huruf Vokal dengan Menggunakan Jaringan Saraf Tiruan Dhita Azzahra Pancorowati, M. Arief Bustomi Jurusan Fisika, Fakultas Matematika dan Ilmu Pengetahuan Alam,
Lebih terperinciADLN - PERPUSTAKAAN UNIVERSITAS AIRLANGGA BAB III METODE PENELITIAN. Penelitian ini dilakukan dalam kurung waktu setahun.
BAB III METODE PENELITIAN 3.1 Tempat dan Waktu Pelaksanaan Penelitian dilaksanakan di Laboratorium Intrumentasi Medis Departemen Fisika, Fakultas Sains dan Teknologi Universitas Airlangga. Lokasi pengambilan
Lebih terperinciOPTICAL CHARACTER RECOGNIZATION (OCR)
LAPORAN JARINGAN SYARAF TIRUAN OPTICAL CHARACTER RECOGNIZATION (OCR) DISUSUN OLEH: DIJAS SCHWARTZ. S (524) FIRNAS NADIRMAN (481) INDAH HERAWATI (520) NORA SISKA PUTRI (511) OKTI RAHMAWATI (522) EKSTENSI
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 terperinciPENGENALAN SUARA MANUSIA DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN MODEL PROPAGASI BALIK
ABSTRAK PENGENALAN SUARA MANUSIA DENGAN MENGGUNAKAN Dosen Jurusan Teknik Elektronika Fakultas Teknik Universitas Negeri Makassar Pada penelitian ini dibuat sebuah sistem pengenalan suara manusia dengan
Lebih terperinciIMPLEMENTASI JARINGAN SYARAF TIRUAN MULTI LAYER FEEDFORWARD DENGAN ALGORITMA BACKPROPAGATION SEBAGAI ESTIMASI NILAI KURS JUAL SGD-IDR
Seminar Nasional Teknologi Informasi dan Multimedia 205 STMIK AMIKOM Yogyakarta, 6-8 Februari 205 IMPLEMENTASI JARINGAN SYARAF TIRUAN MULTI LAYER FEEDFORWARD DENGAN ALGORITMA BACKPROPAGATION SEBAGAI ESTIMASI
Lebih terperinciIMPLEMENTASI ALGORITMA PERCEPTRON UNTUK PENGENALAN POLA MASUKAN BINER MAUPUN BIPOLAR MENGGUNAKAN BORLAND DELPHI
IMPLEMENTASI ALGORITMA PERCEPTRON UNTUK PENGENALAN POLA MASUKAN BINER MAUPUN BIPOLAR MENGGUNAKAN BORLAND DELPHI Andi Harmin Program Studi : Teknik Komputer STMIK Profesional Makassar andiharmin1976@gmail.com
Lebih 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 DASAR TEORI. 2.1 Citra Digital
BAB II DASAR TEORI 2.1 Citra Digital Citra digital didefinisikan sebagai fungsi f (x,y) dua dimensi,dimana x dan y adalah koordinat spasial dan f(x,y) adalah disebut dengan intensitas atau tingkat keabuan
Lebih terperinci