PENDAHULUAN TINJAUAN PUSTAKA
|
|
- Leony Irawan
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Latar Belakan PENDAHULUAN Sistem penenalan biometrik menunakan karakteristik fisiolois yan dimiliki manusia sebaai dasar dari penenalannya. arakteristik fisiolois manusia yan diunakan sebaai dasar penenalan arus bersifat unik, permanen, universal (altoni et al 3). Conto dari karakteristik fisiolois manusia yan dapat dijadikan sebaai dasar penenalan biometrik adala waja, retina, sidik jari, suara manusia. Sidik jari bersifat universal unik karena setiap individu memiliki sidik jari tidak ada satupun individu yan memiliki sidik jari yan sama. Selain itu, sidik jari jua bersifat permanen karena sidik jari sulit untuk diilankan, kecuali disebabkan kecelakaan yan amat serius pada jari. Wavelet adala sala satu metode penolaan citra yan dapat menekstraksi fitur selain dapat mereduksi dimensi. enunakan wavelet, fitur-fitur yan pentin tidak akan ilan ketika dimensi citra menalami reduksi. Citra asil transformasi wavelet akan diunakan sebaai input sistem penenalan sidik jari pada penelitian ini. Induk wavelet yan diunakan adala induk wavelet Haar karena merupakan wavelet yan palin muda diunakan (candrew 4). etode penenalan sidik jari yan diunakan pada penelitian ini adala jarinan syaraf tiruan propaasi balik. Jarinan syaraf tiruan propaasi balik diunakan karena memiliki arsitektur multilayer seina baik untuk menanani permasalaan yan kompleks (Fu 994). Penelitian ini didasarkan pada penelitian sebelumnya yan dilakukan ole Cayanintias (7). Penelitian tersebut menunakan citra waja sebaai karakteristik fisiolois pada sistem penenalannya Haar sebaai induk waveletnya. Dari penelitian tersebut, dapat disimpulkan bawa akurasi sistem penenalan citra waja meninkat seirin denan peninkatan level dekomposisi wavelet pada citra. Penelitian lainnya dilakukan ole inarni (4). Sistem klasifikasi yan diunakan pada penelitian tersebut adala jarinan syaraf tiruan Learnin Vector Quantization (LVQ). Penelitian tersebut menasilkan kesimpulan bawa denan menunakan jarinan syaraf tiruan LVQ, semakin kecil dimensi masukan akan membuat unjuk kerja penenalan menurun. Tujuan Penelitian Penelitian ini bertujuan menanalisis penaru level dekomposisi transformasi wavelet pada penenalan sidik jari. Penelitian ini jua akan menanalisis kinerja jarinan syaraf tiruan propaasi balik pada penenalan sidik jari yan tela menalami praproses transformasi wavelet. Ruan Linkup Penelitian Penelitian ini menunakan citra sidik jari berskala keabuan yan memiliki dimensi awal 3 3 piksel. Data diambil dari sebua situs internet pada alamat ttp:// s.asp. Pada situs ini terdapat kumpulan basis data sidik jari yan dapat diundu secara bebas. Induk wavelet yan diunakan pada penelitian ini adala induk wavelet Haar. anfaat Penelitian Penelitian ini diarapkan dapat menamba pustaka penelitian biometrik yan menunakan sidik jari sebaai dasar penenalannya. Penelitian ini jua diarapkan menamba pustaka penelitian menenai wavelet manfaatnya. Sidik Jari TINJAUAN PUSTAA Sidik jari bersifat unik untuk tiap individu tidak akan beruba seumur idup kecuali disebabkan ole kecelakaan seperti luka para pada jari (altoni et al 3). Pola sidik jari dapat dibai menjadi dua tipe aris, yaitu ride valley. Ride merupakan aris yan berwarna elap, sekan valley adala daera antara ride yan berwarna teran. Untuk lebi jelasnya dapat diliat pada Gambar. Gambar Conto sidik jari. Garis berwarna itam adala ride sekan daera puti diantaranya adala valley.
2 Representasi sidik jari yan baik arus memiliki dua properti berikut : Saliency: menandun informasi yan kusus menenai sidik jari tersebut. Suitability: muda diekstrak, disimpan dalam media yan padat, beruna untuk proses verifikasi. Pola sidik jari saat dianalisis dalam beberapa skala yan berbeda menasilkan beberapa fitur yan berbeda, yaitu: - Pada level lobal, aris-aris berbentuk elomban pada sidik jari menambarkan titik-titik yan disebut Titik Sinular. Titik Sinular, yan jua disebut loop atau delta, adala titik dimana alur-alur aris yan terdapat pada sidik jari memutar balik. Titik sinular tinkat kekasaran alur sidik jari sanat berpenaru pada penindeksian klasifikasi sidik jari (altoni et al 3). - Pada level lokal, teridentifikasi lebi dari karakteristik aris ride yan disebut minutiae. Terdapat dua tipe minutiae (altoni et al 3), yaitu: Ride endin : titik dimana aris ride memiliki ujun yan kasar. Ride bifurcation : titik dimana aris ride menalami percabanan. - Analisis pada level yan lebi detail berasil menidentifikasi sweat pores (pori-pori tempat keluarnya kerinat) pada jari. Proses klasifikasi sidik jari menunakan titik ini anya dapat dilakukan pada ambar sidik jari yan beresolusi tini, misalnya dpi. Jarinan Syaraf Tiruan (JST) Jarinan syaraf tiruan adala sebua sistem pemroses informasi yan memiliki beberapa karakteristik kinerja yan mirip denan jarinan syaraf biolois (Fausett 994). Jarinan syaraf tiruan dicirikan denan arsitekturnya, metode pembelajaran (learnin), funsi aktivasinya (Fausett 994). Arsitektur jarinan syaraf tiruan adala pola keterubunan antar neuron pada jarinan. etode pembelajaran adala metode untuk menentukan bobot dari koneksi antar neuron. Topoloi jarinan syaraf tiruan biasanya dispesifikasikan ole jumla layer jumla neuron pada tiap layer-nya. Tipe-tipe layer yaitu (Fu 994): Layer input: merepresentasikan masala aar dapat diproses ole jarinan syaraf tiruan. Pada lapisan input tidak dilakukan pemrosesan informasi tetapi anya mendistribusikannya ke layer lain. Hidden layer: tidak diobservasi secara lansun. enyediakan nonlinearitas dalam bentuk funsi aktivasi pada jarinan syaraf tiruan. 3 Layer output: merepresentasikan konsep atau nilai yan munkin untuk permasalaan yan diberikan ole layer input. Arsitektur jarinan syaraf tiruan biasanya diklasifikasikan menjadi dua yaitu sinle layer multilayer (Fausett 994). Jarinan syaraf tiruan sinle layer anya mempunyai satu layer yan terubunkan. Jarinannya anya terdiri dari layer input sebaai penerima sinyal dari linkunan layer output sebaai tempat diberikannya respon jarinan. Jarinan syaraf tiruan multilayer memiliki satu atau lebi idden layer antara layer input layer output. Jarinan syaraf tiruan multilayer dapat menyelesaikan permasalaan yan lebi kompleks dari jarinan syaraf tiruan sinle layer (Fausett 994). Jarinan syaraf tiruan dikelompokkan dalam dua kelompok besar yaitu jarinan syaraf tiruan feed-forward jarinan syaraf tiruan recurrent. Jarinan syaraf tiruan feedforward dicirikan denan tidak aya loop dalam raf jarinan, sekan jarinan syaraf tiruan recurrent dicirikan denan aya loop koneksi balik pada raf jarinannya. Funsi aktivasi Funsi aktivasi jarinan syaraf tiruan adala funsi yan menambarkan tinkat aktivasi internal antar neuron (Puspitaninrum 6). Untuk mendapatkan asil maksimum dari jarinan syaraf tiruan multilayer, dibutukan sebua funsi aktivasi yan nonlinear (Fausett 994). Funsi simoid sanat beruna diunakan sebaai funsi aktivasi. Terdapat dua jenis funsi aktivasi simoid yan umum diunakan yaitu funsi simoid biner simoid tanen. Jarinan Syaraf Tiruan Propaasi Balik Jarinan syaraf tiruan propaasi balik termasuk dalam jarinan syaraf tiruan feed forward multilayer (Fu 994). Arsitektur jarinan syaraf tiruan propaasi balik dapat diliat pada Gambar. Pada jarinannya, tiap unit lapisan input akan terubunkan denan tiap unit idden layer.
3 3 sampai pada output. Funsi simoid biner didefinisikan sebaai : f ( x) = x + e. () Gambar Arsitektur jarinan syaraf tiruan propaasi balik (Fu 994). Pelatian pada jarinan syaraf tiruan propaasi balik memiliki 3 lanka (Fausett 994), yaitu: - feed forward Pada taap feed forward, tiap unit input diberi masukan dari luar JST, kemudian inputinput tersebut dikirimkan ke idden layer. Setela menerima input dari layer input, idden layer akan menitun nilai aktivasinya meneruskan sinyal input ke layer output. Sama seperti idden layer, layer output jua akan menitun nilai aktivasi sebaai respon dari JST tersebut. - peritunan propaasi balik kesalaan Nilai-nilai aktivasi yan diasilkan ole tiap unit output akan dibandinkan denan nilai taret yan diberikan untuk mencari nilai kesalaan yan diasilkan. Berdasarkan kesalaan tersebut, akan diitun nilai radien error δ yan akan diunakan untuk mendistribusikan kesalaan pada layer output ke idden layer sebelumnya. emudian, dilakukan peritunan yan sama pada idden layer. Namun nilai δ tidak diunakan untuk mendistribusikan nilai kesalaan ke layer input, tetapi diunakan untuk memperbaiki bobot antara layer input idden layer. - penyesuaian bobot Setela semua nilai δ ditentukan, dilakukan penyesuaian bobot untuk semua layer. Penyesuaian bobot didasarkan kepada faktor δ nilai aktivasi pada tiap layer. Funsi aktivasi yan biasanya diunakan pada jarinan syaraf tiruan propaasi balik adala simoid biner. Funsi simoid biner dapat memetakan nilai input yan rane-nya tak terbatas menjadi nilai di antara rane Resilient Backpropaation (RPROP) Resilient Backpropaation (RPPROP) adala sala satu jarinan syaraf tiruan yan dikembankan dari jarinan syaraf tiruan propaasi balik. RPROP dapat memperkecil besarnya efek turunan parsial pada jarinan syaraf tiruan propaasi balik denan cara anya menunakan tanda turunan yan mempenarui cara perbaikan bobot. Pada RPROP, besarnya perubaan setiap bobot ditentukan ole suatu faktor yan disebut Faktor Naik (FN) atau Faktor Turun (FT) (Nuroo 7). Bila radien error beruba tanda dari iterasi satu ke iterasi setelanya, bobot diturunkan sejumla FT, sekan bila radien error bertanda sama dari iterasi sebelumnya bobot akan dinaikkan sejumla FN. Bila radien error bernilai nol, maka nilai bobot tetap dari iterasi sebelumnya. Aloritma RPROP selenkapnya dapat diliat pada Lampiran. Wavelet Wave didefinisikan sebaai sebua funsi yan berosilasi teradap waktu atau ruan (Burrus, Gopinat, Guo 998). Conto dari sebua wave adala sinusoid atau funsi sinus. Wavelet adala sebua wave kecil yan enerinya terkonsentrasi pada waktu atau titik tertentu (Burrus, Gopinat, Guo 998). Wavelet jua dapat dianap sebaai wave yan anya memiliki nilai tidak nol pada sebaian kecil daera (candrew 4). Transformasi wavelet dapat didefinisikan sebaai jumla dari nilai funsi yan dikalikan denan nilai wavelet (candrew 4). Basis wavelet berasal dari sebua funsi penskalaan atau scalin function (Burrus, Gopinat, Guo 998). Scalin function dapat dituliskan denan persamaan: n φ( t) = ( n) φ(t n), n Z () denan adala koefisien scalin function. Dari persamaan (), dapat dibentuk persamaan wavelet pertama (moter wavelet): 3
4 4 n ψ( t) = ( ) ( ), n φ t n n Z (3) untuk sekumpulan nilai. Wavelet lainnya dapat dibentuk dari asil dilasi pereseran moter wavelet. Wavelet dapat diunakan untuk menurani noise, deteksi tepi, kompresi citra (candrew 4). Prinsip kerja semua transformasi wavelet adala menunakan nilai rata-rata dari nilai-nilai input menyediakan semua informasi yan diperlukan aar dapat menembalikan input ke nilai semula (candrew 4). Untuk menembalikan input ke nilai semula, diperlukan nilai selisi nilai input nilai rata-ratanya. etode ini disebut averain (rata-rata) differencin (selisi). isal diberikan dua nilai a b, maka nilai rata-rata (averae) s dapat diperole denan persamaan: a + b s =, (4) nilai selisi (difference) d dapat diitun denan persamaan: d = a s. (5) Untuk menembalikan nilai input, dapat diunakan persamaan: a = s + d, (6) b = s d. (7) Transformasi wavelet pada bi dua dimensi, misalnya citra, dapat dibai dalam dua cara yaitu dekomposisi standar dekomposisi nonstandar (candrew 4). Pada dekomposisi standar, seluru level transformasi wavelet dilakukan pada tiap kolom terlebi daulu, kemudian dilakukan transformasi wavelet dari level pertama pada tiap baris dari asil transformasi seluru kolom. Pada dekomposisi nonstandar, transformasi wavelet dilakukan per level pada tiap kolom, kemudian transformasi wavelet level yan sama diterapkan pada tiap barisnya. Dekomposisi nonstandar menasilkan empat citra, yaitu: citra pendekatan sebaai asil sebenarnya transformasi wavelet, citra detil orisontal, citra detil vertikal, citra detil diaonal. etia citra terakir diunakan untuk merekonstruksi citra asil transformasi ke citra aslinya. Penembanan sinyal berdimensi dua, misalnya citra, menunakan bank filter untuk melakukan dekomposisi. Citra yan menalami dekomposisi akan menasilkan citra pendekatan berupa koefisien pendekatan citra detil berupa koefisien detil. oefisien pendekatan diasilkan ole koefisien low-pass ([n]) koefisien detil diasilkan ole koefisien i-pass ([n]). etode averain berubunan denan koefisien low-pass, sekan differencin berubunan denan koefisien i-pass (candrew 4). Wavelet terdiri dari banyak famili. Tiap famili dibedakan dari bank filter yan diunakan. Haar adala wavelet yan palin muda sederana (candrew 4). Famili wavelet asil penembanan dari Haar adala wavelet Daubecies. Selain itu, terdapat biortoonal wavelet, eyer wavelet, orlet wavelet, Sanon wavelet, masi banyak lainnya. Transformasi Haar-Wavelet Wavelet Haar didefinisikan denan funsi berikut (candrew 4): jika < x < / ψ ( x ) = jika / x < (8) lainnya. denan anya dua koefisien tidak nol, yaitu () = / ()= / (Burrus, Gopinat, Guo 998). Selain itu, wavelet Haar dapat dituliskan jua dalam bentuk scalin function berikut (candrew 4): if x < φ ( x) = (9) lainnya, ψ ( x) = φ(x) φ(x ). () Persamaan () disebut persamaan wavelet untuk wavelet Haar (candrew 4). Proses dekomposisi Haar menerapkan bank filter denan = = / sebaai koefisien low-pass yan menasilkan citra pendekatan, = /, = / sebaai koefisien i-pass yan menasilkan citra detil. Bank filter Haar dapat diliat pada Gambar 3. 4
5 5 Gambar 3 Bank filter Haar. Hasil dekomposisi Haar dapat diitun menunakan rumus: si + si+ a i =, () c i = s i - a i. () Variabel a i merupakan koefisien pendekatan, c i merupakan koefisien detil, s i adala impunan bilanan yan akan didekomposisi. Citra asil dekomposisi akan berukuran setena dari ukuran citra sebenarnya. Jika diberikan citra berdimensi 4 4 piksel, maka asil dekomposisi wavelet level akan menasilkan citra berdimensi piksel. Ilustrasi transformasi Haarwavelet pada citra selenkapnya dapat diliat pada Lampiran. Data ETODE PENELITIAN Penelitian ini menunakan data berupa citra sidik jari yan diambil dari sebua situs di internet denan alamat ttp:// s.asp. Jumla seluru data adala 8 sidik jari, namun tidak semua data diunakan pada proses penenalan karena beberapa data dianap tidak memiliki keseraaman posisi denan data lainnya. Data yan diunakan pada penelitian ini berjumla 7 bua, berasal dari sidik jari individu yan masin-masin diambil sidik jarinya sebanyak 7 bua denan posisi penambilan yan serupa. Data selenkapnya dapat diliat pada Lampiran 3. Tiap citra berdimensi 3 3 piksel denan format.tif skala keabuan 8 bit resolusi 5dpi. Citra sidik jari kemudian dibai menjadi dua baian. Penelitian Cayanintias (7) menunakan perbandinan : dalam pembaian data untuk data lati data ujinya. Dalam penelitian ini, data dibai sedemikian seina jarinan syaraf tiruan memiliki data lati yan cukup untuk melakukan penenalan namun data uji yan diunakan jua tidak terlalu sedikit. Dilakukan pembaian sebanyak 4 bua untuk data lati 3 bua untuk data uji. Transformasi Wavelet Citra asli berdimensi cukup besar yaitu 3 3 piksel. Pertama-tama, citra akan menalami transformasi wavelet level seina dimensinya akan menjadi setena dari dimensi aslinya yaitu 5 5 piksel. Tranformasi wavelet level akan menasilkan citra berdimensi setena dari dimensi citra dekomposisi wavelet level yaitu sebesar piksel. Seterusnya dilakukan reduksi dimensi citra menunakan transformasi wavelet ina level 6 dimana dimensi citra adala 5 5 piksel. Proses Penenalan Sidik Jari Citra sidik jari yan tela menalami transformasi wavelet tiap level akan menjadi input untuk jarinan syaraf tiruan propaasi balik. Parameter percobaan yan diunakan selenkapnya dapat diliat pada Tabel. Tabel Parameter percobaan arakteristik Spesifikasi Arsitektur idden layer Sesuai denan Jumla neuron input dimensi citra sidik jari Jumla neuron Sesuai banyaknya output individu yaitu Jumla neuron,, 3, 4, 5, idden layer 6, 7, 8, 9, Funsi aktivasi Simoid biner Laju pembelajaran. Toleransi kesalaan.,.,. Banyaknya kelas taret pada jarinan syaraf tiruan yan diunakan pada penelitian ini sesuai denan jumla individu pada data sidik jari yan diperole yaitu bua. Tiap taret akan mewakili satu individu yan direpresentasikan ole nilai. Definisi taret selenkapnya dapat diliat pada Tabel. Tabel Definisi kelas taret elas Taret Sidik jari individu Sidik jari individu Sidik jari individu 3 Sidik jari individu 4 5
KOMPRESI CITRA MENGGUNAKAN TRANSFORMASI WAVELET. Jurusan Teknik Informatika ( ) 2) Dosen Jurusan Teknik Komputer 3)
KOMPRESI CITRA MENGGUNAKAN TRANSFORMASI WAVELET Yuyun Wayuni Abasi, Yeffry Handoko Putra, Mira Kania Sabaria ) Jurusan Teknik Informatika (999) ) Dosen Jurusan Teknik Komputer ) Dosen Jurusan Teknik Informatika
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 terperinciGEOMETRI DALAM RUANG DIMENSI TIGA
OMI LM UN IMNSI I (l. rismanto, M.Sc.) I. UUN II, IS, N IN. II, IS N IN itik merupakan unsur ruan yan palin sederana, tidak didefinisikan, tetapi setiap pembaca diarapkan dapat memaaminya. Yan dimaksud
Lebih terperinciMembangun Kode Golay (24, 12, 8) dengan Matriks Generator dan Menggunakan Aturan Kontruksi. Ikhsan Rizki K 1 dan Bambang Irawanto 2
Membanun Kode olay (2, 2, 8) denan Matriks enerator Menunakan Aturan Kontruksi Iksan Rizki K Bamban Irawanto 2, 2 Jurusan Matematika FMIPA UNDIP Jln Prof H Soedarto, SH, Tembalan, Semaran Abstract : Te
Lebih terperinciSumber gambar: https://kartopo.weebly.com/blog/kursi-kantor-dan-caramerawatnya
Modul darin 4.4.3. Setena Putaran Istila setena putaran serin kita denar, denan unkapan yan sedikit berbeda. Misalkan berputar setena saja, berputar setena, setena berputar. Na, berputar serin jua diunkapan
Lebih terperinciPENGENALAN POLA SIDIK JARI BERBASIS TRANSFORMASI WAVELET DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
PENGENALAN POLA SIDIK JARI BERBASIS TRANSFORMASI WAVELET DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION 1 Andrian Rakhmatsyah 2 Sayful Hakam 3 Adiwijaya 12 Departemen Teknik Informatika Sekolah Tinggi Teknologi
Lebih terperinciBeberapa Permasalahan pada Teori Gelombang Linier. Syawaluddin Hutahean 1) Hang Tuah 2) Widiadnyana Merati 2) Leo Wiryanto 2)
Hutaean, Vol. No. dkk. Januari 005 urnal EKNIK SIPIL Beberapa Permasalaan pada eori Gelomban Linier Syawaluddin Hutaean ) Han ua ) Widiadnyana Merati ) Leo Wiryanto ) Abstrak Makala ini meninatkan kembali
Lebih terperinciKLASIFIKASI SIDIKJARI DENGAN PEMROSESAN AWAL TRANSFORMASI WAVELET Minarni *
KLASIFIKASI SIDIKJARI DENGAN PEMROSESAN AWAL TRANSFORMASI WAVELET Minarni * Abstrak Penelitian ini membahas sistem klasifikasi sidikjari. Citra sidikjari diproses awal dengan transformasi wavelet sehingga
Lebih terperinciBAB 6 RANGKAIAN KUTUB EMPAT
BAB 6 ANGKAAN KUTUB EMPAT 6. Pendauluan Sepasan terminal an dilalui ole arus (menuju atau meninalkan terminal disebut sebaai rankaian kutub dua (misalna pada resistor, induktor dan kapasitor). Gambar 6.
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 terperinci4. TURUNAN. MA1114 Kalkulus I 1
4. TURUNAN MA4 Kalkulus I 4. Konsep Turunan 4.. Turunan di satu titik Pendauluan dua masala dalam satu tema a. Garis Sinun Kemirinan tali busur PQ adala : m PQ Jika à, maka tali busur PQ akan beruba menjadi
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Perkembangan teknologi perangkat lunak dewasa ini tidak terlepas dari berkembangnya studi mengenai kecerdasan buatan. Ada dua hal yang termasuk dari kecerdasan buatan
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 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 terperinciGESERAN (TRANSLASI) S = M M. Dalam Bab ini akan dibahas. hasil kali dua pencerminan pada dua garis yang sejajar.
GESERN TRNSLSI Ketentuan dan Sifat-sifat Dalam Bab setena putaran, bawa setena putaran dapat ditulis sebaai asil kali dua pencerminan, aitu kalau sebua titik an diketaui dan dan dua aris an teak lurus
Lebih terperinciMETODOLOGI PENELITIAN
18 METODOLOGI PENELITIAN Kerangka Penelitian Sistem pengenalan roda kendaraan pada penelitian ini tampak pada Gambar 10, secara garis besar dapat dibagi menjadi dua tahapan utama yaitu, tahapan pelatihan
Lebih terperinciEkuitas Merek Kartu Prabayar Axis yang Dipengaruhi oleh Perilaku dan Peranan Konsumen di Surabaya Timur
Ekuitas Merek Kartu Prabayar Ais yan Dipenarui ole Perilaku dan Peranan Konsumen di Surabaya Timur Prima Widya Iswara, 2 Kresnayana Yaya Maasiswa Jurusan Statistika FMIPA-ITS (35 3) 2,3 Dosen Pembimbin
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI Pada bab ini dielasan landasan teori dari transformasi wavelet ususnya Daubecies yan aan diperunaan dalam pembuatan apliasi untu peramalan cura uan. Untu membantu dalam merancan user
Lebih terperinciPEMBEKALAN KETERAMPILAN LABORATORIUM UNTUK MENINGKATKAN KEMAMPUAN GENERIK SAINS CALON GURU PADA BIDANG ASTRONOMI
Prosidin Seminar Nasional Penelitian, Pendidikan dan Penerapan MIPA, Fakultas MIPA, Universitas Neeri Yoyakarta, 14 Mei 2011 PEMBEKALAN KETERAMPILAN LABORATORIUM UNTUK MENINGKATKAN KEMAMPUAN GENERIK SAINS
Lebih terperincih maks = tinggi maksimum X maks = Jauh maksimum
GEK PELUU eori Sinkat : Y y 0 y o sin α o maks α x o cos α maks Gerak parabola terdiri dari dua komponen erak yaitu :. Gerak orisontal berupa GL. Gerak vertikal berupa GL.Gerak orisontal (seara sumbu-x)
Lebih terperinciAplikasi Sistem Neuro-Fuzzy untuk Pengenalan Kata
Aplikasi Sistem Neuro-Fuzzy untuk Pengenalan Kata Yoanes TDS, Tiang, Suntono Candra Fakultas Teknologi Industri, Jurusan Teknik Elektro, Universitas Kristen Petra e-mail: yotds@petra.ac.id, tiang@petra.ac.id
Lebih terperinciArchitecture Net, Simple Neural Net
Architecture Net, Simple Neural Net 1 Materi 1. Model Neuron JST 2. Arsitektur JST 3. Jenis Arsitektur JST 4. MsCulloh Pitts 5. Jaringan Hebb 2 Model Neuron JST X1 W1 z n wi xi; i1 y H ( z) Y1 X2 Y2 W2
Lebih terperinciIdentifikasi Otentifikasi Citra Tanda Tangan Menggunakan Wavelet dan Backpropagation
Identifikasi Otentifikasi Citra Tanda Tangan Menggunakan Wavelet dan Backpropagation Resa Abdilah 1, Esmeralda C. Djamal, Ridwan Ilyas Jurusan Informatika, Fakultas MIPA Universitas Jenderal Achmad Yani
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 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 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 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 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 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 terperinciBAB 3 ANALISA DAN PERANCANGAN
BAB 3 ANALISA DAN PERANCANGAN 3.1 Analisa Tahap sebelum perancangan berhubungan dengan proses penglihatan awal. Tujuan utama dari prapemrosesan adalah untuk menggembangkan gambaran yang berguna dari bentuk
Lebih terperinciFORMULA PIPA RESAPAN AIR HUJAN PADA TANAH BERPASIR (MEMPERCEPAT DAYA RESAP TANAH DENGAN TEKANAN KOLOM AIR)
Seminar Nasional Teni Sumber Daya ir KONSERVSI SUMBER DY IR FORMUL PIP RESPN IR HUJN PD TNH BERPSIR (MEMPERCEPT DY RESP TNH DENGN TEKNN KOLOM IR) Edy Sriyono Proram Studi Teni Sipil, Universitas Janabadra
Lebih terperinciJURNAL TEKNOLOGI INFORMASI & PENDIDIKAN ISSN : VOL. 1 NO. 1 MARET 2010
IDENTIFIKASI SIDIKJARI DENGAN EKSTRAKSI CIRI BERBASIS TRANSFORMASI WAVELET HAAR Minarni 1 ABSTRACT This research investigated a possible fingerprint identification system. The fingerprint images were preprocessed
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
60 BAB IV HASIL DAN PEMBAHASAN 41 Hasil Eksperimen E-nose terdiri dari 4 buah sensor gas dimana masing-masing dari sensor tersebut memiliki kepekaan yang berbeda pada saat pendeteksian aroma Jenis teh
Lebih terperinciISOMETRI DAN HASIL KALI TRANSFORMASI
ISOETRI DN HSIL KLI TRNSFORSI DI SUSUN OLEH : KELOPOK II. ri neraini 4007 ). Elftria 40070 ). aryana 400744 ) 4. Sudar si 400705 ) 5. Ibnu Harlis Firmansa 40070 ) 4. Samini 40076 ) PROGR STUDY PENDIDIKN
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 terperinci4 SIFAT-SIFAT STATISTIK DARI REGRESI KONTINUM
4 SIFA-SIFA SAISIK DAI EGESI KONINUM Abstrak Matriks pembobot W pada egresi Kontinum diperole dengan memaksimumkan fungsi kriteria umum ternata menimbulkan masala dari aspek statistika. Prinsip dari fungsi
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Jaringan Saraf Tiruan Jaringan saraf tiruan adalah paradigma pengolahan informasi yang terinspirasi oleh sistem saraf secara biologis, seperti proses informasi pada otak manusia.
Lebih terperinciKLASIFIKASI POLA HURUF VOKAL DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION. Dhita Azzahra Pancorowati
KLASIFIKASI POLA HURUF VOKAL DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION Dhita Azzahra Pancorowati 1110100053 Jurusan Fisika Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Teknologi
Lebih terperinciBAB III STRATIFIED CLUSTER SAMPLING
BAB III STRATIFIED CUSTER SAMPING 3.1 Pengertian Stratified Cluster Sampling Proses memprediksi asil quick count sangat dipengarui ole pemilian sampel yang dilakukan dengan metode sampling tertentu. Sampel
Lebih terperinci19, 2. didefinisikan sebagai bilangan yang dapat ditulis dengan b
PENDAHULUAN. Sistem Bilangan Real Untuk mempelajari kalkulus perlu memaami baasan tentang system bilangan real karena kalkulus didasarkan pada system bilangan real dan sifatsifatnya. Sistem bilangan yang
Lebih terperincipengukuran karakteristik I-V transistor. Kemudian dilanjutkan dengan penyesuaian (fitting) hasil tersebut menggunakan model TOM.
BAB III HASIL DAN DISKUSI Bab ini berisi hasil dan diskusi. Pekerjaan penelitian dimulai denan melakukan penukuran karakteristik I-V transistor. Kemudian dilanjutkan denan penyesuaian (fittin hasil tersebut
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 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 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 terperinciCitra. Prapengolahan. Ekstraksi Ciri BAB 2 LANDASAN TEORI
7 BAB 2 LANDASAN TEORI Pada bab ini akan membahas landasan atas teori-teori yang bersifat ilmiah untuk mendukung penulisan skripsi ini. Teori-teori yang dibahas mengenai pengenalan pola, pengolahan citra,
Lebih terperinciPenghitungan panjang fetch efektif ini dilakukan dengan menggunakan bantuan peta
Bab II Teori Dasar Gambar. 7 Grafik Rasio Kecepatan nin di atas Laut denan di Daratan. 5. Koreksi Koefisien Seret Setelah data kecepatan anin melalui koreksi-koreksi di atas, maka data tersebut dikonversi
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 2 LANDASAN TEORI. Landasan teori ini secara umum berisi dua hal penting, yaitu kerangka teori dan pola
7 BAB 2 LANDASAN TEORI Landasan teori ini secara umum berisi dua hal penting, yaitu kerangka teori dan pola pikir dari penulis. Sebagai kerangka teori, penulis menyajikan sejumlah teori yang relevan dengan
Lebih terperinciTINJAUAN PUSTAKA ,...(1)
3 TINJAUAN PUSTAKA Dalam bab ini akan dibahas teori-teori yang mendasari penelitian ini. Dimulai dari teori dan konsep citra digital, deteksi pola lingkaran dengan Circle Hough Transform (CHT), ekstrasi
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 terperinciBACK PROPAGATION NETWORK (BPN)
BACK PROPAGATION NETWORK (BPN) Arsitektur Jaringan Salah satu metode pelatihan terawasi pada jaringan syaraf adalah metode Backpropagation, di mana ciri dari metode ini adalah meminimalkan error pada output
Lebih terperinciBAB III METODE STRATIFIED RANDOM SAMPLING
BAB III METODE STRATIFIED RADOM SAMPIG 3.1 Pengertian Stratified Random Sampling Dalam bukunya Elementary Sampling Teory, Taro Yamane menuliskan Te process of breaking down te population into rata, selecting
Lebih terperinciAnalisis dan Implementasi Algoritma Differential Evolution Pada Jaringan Syaraf Tiruan Studi Kasus Prediksi Masa Studi Mahasiswa
Analisis dan Implementasi Aloritma Differential Evolution Pada Jarinan Syaraf Tiruan Studi Kasus Prediksi Masa Studi Mahasiswa Fahrudin Julianto 1, Jondri MSi 2, Rita Rismala ST.,MT 3 Fakultas Informatika
Lebih terperinciAnalisis dan Perancangan Transformasi Wavelet. Untuk Jaringan Syaraf Tiruan pada. Pengenalan Sidik Jari
UNIVERSITAS BINA NUSANTARA Jurusan Teknik Informatika Skripsi Sarjana Komputer Semester Genap 2005 / 2006 Analisis dan Perancangan Transformasi Wavelet Untuk Jaringan Syaraf Tiruan pada Pengenalan Sidik
Lebih terperinciBAB III METODOLOGI PENELITIAN. Model sistem presensi biometri sidik jari yang dikembangkan secara garis
BAB III METODOLOGI PENELITIAN 3.1 Disain Penelitian Model sistem presensi biometri sidik jari yang dikembangkan secara garis besar terdiri atas bagian input, bagian proses, dan bagian output seperti gambar
Lebih terperinciBAB II NEURAL NETWORK (NN)
BAB II NEURAL NETWORK (NN) 2.1 Neural Network (NN) Secara umum Neural Network (NN) adalah jaringan dari sekelompok unit pemroses kecil yang dimodelkan berdasarkan jaringan syaraf manusia. NN ini merupakan
Lebih terperinciBAB II DASAR TEORI. Gambar dapat direpresentasikan ke dalam dua macam bentuk yaitu bentuk
BAB II DASAR TEORI 2.1 Definisi Gambar Digital Gambar dapat direpresentasikan ke dalam dua macam bentuk yaitu bentuk kontinu dan bentuk digital. Dengan menggunakan definisi gambar dalam representasikan
Lebih terperinciBAB II LANDASAN TEORI. Pada bab ini akan dibahas mengenai konsep dasar masalah. penjadwalan kuliah, algoritma memetika serta komponen algoritma
BAB II LANDASAN TEORI Pada bab ini akan dibahas menenai konsep dasar masalah penjadwalan kuliah, aloritma memetika serta komponen aloritma memetika. Aoritma memetika diilhami dari proses evolusi makhluk
Lebih terperinciMAKALAH OLEH KELOMPOK II
MKLH OLEH KELOMOK II NM : 1. MRIS (4007059) 2. NOV LUKIT (4007215). SYMSURI (4007194) 4. SUDRYNTI (4007055) 5. CMELLI (4007062) ROGRM STUDI : ENDIDIKN MTEMTIK MT KULIH : GEOMETRI TRNSFORMSI DOSEN ENGMU
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 terperinciBAB 3 ANALISIS DAN PERANCANGAN SISTEM. suatu negara yang memiliki tingkat kriminalitas cukup tinggi. Hal inilah yang
38 BAB 3 ANALISIS DAN PERANCANGAN SISTEM Kriminalitas adalah suatu hal yang sering terjadi di dunia ini. Indonesia termasuk suatu negara yang memiliki tingkat kriminalitas cukup tinggi. Hal inilah yang
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 terperinciBAB III PENGOLAHAN DATA
BAB III PENGOLAHAN DATA Pengolahan data pada penelitian ini meliputi tahapan pengambilan data, penentuan titik tengah area yang akan menjadi sampel, pengambilan sampel, penentuan ukuran window subcitra
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN PROGRAM
BAB 3 ANALISIS DAN PERANCANGAN PROGRAM Program aplikasi ini dirancang dengan menggunakan perangkat lunak Microsoft Visual C# 2008 Express Edition. Proses perancangan menggunakan pendekatan Object Oriented
Lebih terperinciBAB 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 SIDIK JARI MENGGUNAKAN RESILIENT BACKPROPAGATION NEURAL NETWORK DENGAN PRAPROSES TRANSFORMASI WAVELET INEZA NUR OKTABRONI
PENGENALAN SIDIK JARI MENGGUNAKAN RESILIENT BACKPROPAGATION NEURAL NETWORK DENGAN PRAPROSES TRANSFORMASI WAVELET INEZA NUR OKTABRONI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
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 terperinciMAKALAH GEOMETRI TRANSFORMASI TENTANG GESERAN (TRANSLASI)
MAKALAH EOMETRI TRANSFORMASI TENTAN ESERAN (TRANSLASI) I SUSUN OLEH : KELOMPOK VI (ENAM) 1. IIN MARLINA Npm. 4006082 2. SITI RUSNAWATI Npm. 4006082 3. ARYENTI Npm. 4006087 4. IWA SUSILA Npm. 40066119 5.
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 terperinciBAB II DASAR TEORI. 2.1 Meter Air. Gambar 2.1 Meter Air. Meter air merupakan alat untuk mengukur banyaknya aliran air secara terus
BAB II DASAR TEORI 2.1 Meter Air Gambar 2.1 Meter Air Meter air merupakan alat untuk mengukur banyaknya aliran air secara terus menerus melalui sistem kerja peralatan yang dilengkapi dengan unit sensor,
Lebih terperinciBAB 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 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 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 terperinciTURBIN AIR A. TURBIN IMPULS. Roda Pelton
6 TURBIN AIR A. TURBIN IMPULS Turbin impuls adalah turbin dimana bererak karena adanya impuls dari air. Pada turbin impuls, air dari sebuah bendunan dialirkan melalui pipa, dan kemudian melewati mekanisme
Lebih terperinciWAVELET -JARINGAN SYARAF TIRUAN UNTUK PREDIKSI DATA TIME SERIES
J. Math. and Its Appl. ISSN: 1829-605X Vol. 4, No. 2, November 2007, 53 64 WAVELET -JARINGAN SYARAF TIRUAN UNTUK PREDIKSI DATA TIME SERIES Daryono Budi Utomo Jurusan Matematika FMIPA Institut Teknologi
Lebih terperinciTOLERANSI UNJUK PENGENALAN JARINGAN SYARAF TIRUAN PADA PENAMBAHAN DERAU DAN SUDUT PUTARAN TERHADAP POLA KARAKTER TULISAN TANGAN JENIS ANGKA
Iwan Suhardi, Toleransi Jaringan Syaraf Tiruan TOLERANSI UNJUK PENGENALAN JARINGAN SYARAF TIRUAN PADA PENAMBAHAN DERAU DAN SUDUT PUTARAN TERHADAP POLA KARAKTER TULISAN TANGAN JENIS ANGKA Iwan Suhardi Jurusan
Lebih terperinciBAB VI TURBIN AIR A. TURBIN IMPULS
BAB I TURBIN AIR A. TURBIN IMPULS Turbin impuls adalah turbin dimana bererak karena adanya impuls dari air. Pada turbin impuls, air dari sebuah bendunan dialirkan melalui pipa, dan kemudian melewati mekanisme
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 terperinciANALISIS BIPLOT UNTUK MENGIDENTIFIKASI EKSPOR KOMODITI UTAMA PADA SUBSEKTOR HASIL INDUSTRI INDONESIA KE NEGARA TUJUAN UTAMA EKSPOR
E-ISSN 2527-9378 Jurnal Statistika Industri dan Komputasi Volume 2, No. 1, Januari 2017, pp. 22-30 ANALISIS BIPLOT UNTUK MENGIDENTIFIKASI EKSPOR KOMODITI UTAMA PADA SUBSEKTOR HASIL INDUSTRI INDONESIA KE
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN A. Hasil Penelitian Penelitian ini menggunakan metode eksperimen kuantitati dengan desain posttest control group design yakni menempatkan subyek penelitian kedalam
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 terperinciANALISIS DEKOMPOSISI WAVELET PADA PENGENALAN POLA LURIK DENGAN METODE LEARNING VECTOR QUANTIZATION
ANALISIS DEKOMPOSISI WAVELET PADA PENGENALAN POLA LURIK DENGAN METODE LEARNING VECTOR QUANTIZATION Bambang Robi in eure_bbg@yahoo.com Akademi Teknik PIRI Yogyakarta Abstrak Indonesia merupakan negara yang
Lebih terperinciGambar 1.1 Nilai Ekspor Mebel Indonesia, dan negara-negara pesaing di Asia, 2005
BAB I PENDAHULUAN 1.1 Latar Belakan Funiture merupakan salah satu kebutuhan dalam setiap rumah. Funsinya tak hanya untuk memperindah interior dalam rumah tapi jua untuk sebuah estetika yan mencitrakan
Lebih terperinciPENDAHULUAN TINJAUAN PUSTAKA
1 Latar Belaang PENDAHULUAN Sistem biometri adalah suatu sistem pengenalan pola yang melauan identifiasi personal dengan menentuan eotentian dari arateristi fisiologis dari perilau tertentu yang dimilii
Lebih terperinciGambar IV-1. Perbandingan Nilai Korelasi Antar Induk Wavelet Pada Daerah Homogen Untuk Level Dekomposisi Pertama
BAB IV ANALISIS IV.1 Analisis Terhadap Hasil Pengolahan Data Gambar IV-1 menunjukkan peningkatan nilai korelasi dari sebelum transformasi wavelet dengan setelah transformasi wavelet pada level dekomposisi
Lebih terperinciPERTEMUAN IX PERSAMAAN BERNOULLI
PERTEMUAN IX PERSAMAAN BERNOULLI Anaan-anaan untuk Menurunkan Persamaan Bernoulli. Zat cair adala ideal, tidak unya kekentalan. Zat cair adala omoen & tidak termamatkan 3. Aliran adala kontinyu & seanjan
Lebih terperinciPENDAHULUAN. Latar Belakang
Latar Belakang PENDAHULUAN Pengenalan fonem adalah implementasi dari speech to teks yang merupakan bagian dari speech recognition atau pengenalan ucapan. Pengenalan ucapan lebih dikonsentrasikan pada ekstraksi
Lebih terperinciDifferensiasi Numerik
Dierensiasi Numerik Yuliana Setiowati Politeknik Elektronika Negeri Surabaya 2007 1 Topik DIFFERENSIASI NUMERIK Mengapa perlu Metode Numerik? Dierensiasi dg MetNum Metode Selisi Maju Metode Selisi Tengaan
Lebih terperinciIII. METODE PENELITIAN. Subjek penelitian ini adalah siswa kelas VII B MTs Al Hikmah Bandar
26 III. METODE PENELITIAN A. Subjek Penelitian Subjek penelitian ini adala siswa kelas VII B MTs Al Hikma Bandar Lampung semester genap taun pelajaran 2010/2011 pada pokok baasan Gerak Lurus. Dengan jumla
Lebih terperinciJURNAL. Oleh: ELVYN LELYANA ROSI MARANTIKA Dibimbing oleh : 1. Dian Devita Yohanie, M. Pd 2. Ika Santia, M. Pd
JURNAL PENINGKATAN HASIL BELAJAR DAN RESPON SISWA DENGAN MENGGUNAKAN MODEL PEMBELAJARAN KUMON PADA MATERI PEMBAGIAN BENTUK ALJABAR KELAS VIII SMP NEGERI 8 KOTA KEDIRI PADA TAHUN PELAJARAN 2016/2017 THE
Lebih terperinciBAB 3 PERANCANGAN SISTEM. Bab ini menguraikan analisa penelitian terhadap metode Backpropagation yang
BAB 3 PERANCANGAN SISTEM Bab ini menguraikan analisa penelitian terhadap metode Backpropagation yang diimplementasikan sebagai model estimasi harga saham. Analisis yang dilakukan adalah menguraikan penjelasan
Lebih terperinciHASIL KALI TRANSFORMASI
Definisi : Andaikan F dan G dua transformasi, denan F : V V G : V V HASIL KALI TRANSFORMASI Maka komposisi dari F dan G yan ditulis sebaai Go F didefinisikan sebaai: (Go F) (P) = G[F(P)], P V Teorema :
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
7 BAB 2 TINJAUAN PUSTAKA 2.1 Jaringan Syaraf Biologi Otak manusia memiliki struktur yang sangat kompleks dan memiliki kemampuan yang luar biasa. Otak terdiri dari neuron-neuron dan penghubung yang disebut
Lebih terperinciSUATU CONTOH INVERSE PROBLEMS YANG BERKAITAN DENGAN HUKUM TORRICELLI
Prosiding Seminar Nasional Penelitian, Pendidikan dan Penerapan MIPA Fakultas MIPA, Universitas Negeri Yogyakarta, 16 Mei 009 SUATU CONTOH INVERSE PROBLEMS YANG BERKAITAN DENGAN HUKUM TORRICELLI Suciati
Lebih terperinciPENGENALAN POLA TANDA TANGAN MENGGUNAKAN METODE MOMENT INVARIANT DAN JARINGAN SYARAF RADIAL BASIS FUNCTION (RBF)
Prosiding Seminar Nasional Penelitian, Pendidikan dan Penerapan MIPA, Fakultas MIPA, Universitas Yogyakarta, 14 Mei 2011 PENGENALAN POLA TANDA TANGAN MENGGUNAKAN METODE MOMENT INVARIANT DAN JARINGAN SYARAF
Lebih terperinci2.1 Tinjauan Pustaka Analisis Perbandingan Transformasi Wavelet pada Pengenalan Citra,
2.1 Tinjauan Pustaka Pada peneliti sebelumnya Jackson Alexander Bunga, R Rizal Isnanto, dan Ajub Ajulian Z (2011), yang memuat tentang pengklasifikasikan citra biji-bijian kedalam kelas-kelas tertentu
Lebih terperinciKLASIFIKASI ARITMIA EKG MENGGUNAKAN JARINGAN SYARAF TIRUAN DENGAN FUNGSI AKTIVASI ADAPTIF
KLASIFIKASI ARITMIA EKG MENGGUNAKAN JARINGAN SYARAF TIRUAN DENGAN FUNGSI AKTIVASI ADAPTIF Asti Rahma Julian 1, Nanik Suciati 2, Darlis Herumurti 3 Teknik Informatika, Fakultas Teknologi Informasi, ITS
Lebih terperinciSISTEM PENGENALAN WAJAH MENGGUNAKAN NEURO-WAVELET
SISTEM PENGENALAN WAJAH MENGGUNAKAN NEURO-WAVELET Benni Agung Nugroho, Irna Wijayanti dan Agus Widayanti Jurusan Teknik Informatika, Politeknik Kediri e-mail : benni.nugroho@gmail.com Abstrak Sistem pengenalan
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 terperinciPengkajian Metode Extended Runge Kutta dan Penerapannya pada Persamaan Diferensial Biasa
JURNAL SAINS DAN SENI ITS Vol. 4, No.2, (215 2337-352 (231-928X Print A-25 Pengkajian Metode Extended Runge Kutta dan Penerapannya pada Persamaan Diferensial Biasa Singgi Tawin Muammad, Erna Apriliani,
Lebih terperinci