SISTEM PENGENALAN WAJAH DENGAN MENGGUNAKAN BACKPROPAGATION ARTIFICIAL NEURAL NETWORK DAN PRINCIPAL COMPONENT ANALYSIS
|
|
- Ari Salim
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Jurnal Teni dan Ilmu Komputer SISTEM PENGENALAN AJAH DENGAN MENGGUNAKAN BACKPROPAGATION ARTIFICIAL NEURAL NETORK DAN PRINCIPAL COMPONENT ANALYSIS FACE RECOGNITION SYSTEM USING BACKPROPAGATION ARTIFICIAL NEURAL NETORK AND PRINCIPAL COMPONENT ANALYSIS Ihwannul Kholis 1, Syah Alam 2 Universitas 17 Agustus 1945 Jaarta 1 ihwannul.holis@uta45aarta.ac.id, 2 syah.alam@uta45aarta.ac.id Abstra Pengenalan waah dapat dilauan dengan menggunaan metode Bacpropagation Artificial Neural Networ (ANN) dan Principal Component Analysis (PCA). ANN dibuat menyerupai sistem syaraf manusia. Dengan beberapa parameter pada Bacpropagation, dapat dietahui arateristi Bacpropagation sehingga dapat memperecil error dan epoch, serta memperbesar Recognition Rate. Hasil percobaan menunuan hubungan antara parameter eigenvalaue, parameter alpha, dan oefisien momentum terhadap Recognition Rate yang diperoleh. Kata unci: ANN, Bacpropagation, JST, Recognition Rate, Face Recognition, PCA. Abstract Face recognition can be performed using Bacpropagation Artificial Neural Networ (ANN) and Principal Component Analysis (PCA). ANN is made to resemble human neural system. Through several parameters on bacpropagation, bacpropagation characteristics could be nown so that errors and epoch would be minimized and Recognition Rate would be enlarged. The experimental results show the relationship between the parameter of eigenvalues, the parameter of alpha, and the momentum coefficien, with the obtained recognition rate. Keywords: ANN, Bacpropagation, JST, Recognition Rate, Face Recognition, PCA. Tanggal Terima Nasah : 10 Juni 2015 Tanggal Persetuuan Nasah : 02 Juni PENDAHULUAN Salah satu cabang dari Artificial Intelligence (AI) adalah Jaringan Saraf Tiruan (Artificial Neural Networ). Jaringan saraf tiruan telah diembangan sea tahun Pada tahun 1943, McCulloch dan.h. Pitts memperenalan pemodelan matematis neuron. Tahun 1949, Hebb mencoba mengai proses belaar yang dilauan oleh neuron. Teori ini dienal sebagai Hebbian Law. Tahun 1958, Rosenblatt memperenalan onsep perseptron suatu aringan yang terdiri atas beberapa lapisan yang saling berhubungan melalui umpan mau (feedfoward). Konsep ini dimasudan untu memberian ilustrasi tentang dasar-dasar inteleensia secara umum. Hasil era Rosenblatt yang sangat penting 343
2 ol. 05 No. 20, Ot Des 2016 adalah perceptron convergence theorem (tahun 1962), yang membutian bahwa bila setiap perseptron dapat memilah-milah dua buah pola yang berbeda maa silus pelatihannya dapat dilauan dalam umlah yang terbatas. Pengenalan waah dapat dilauan dengan menggunaan ANN Bacpropagation dan Principal Component Analysis (PCA). Data Face diambil dari seumpulan foto-foto hitam putih yang terdiri atas 10 orang dengan masing-masing seumlah 10 foto. Data-data Face ini menunuan nilai pixel pada foto tersebut [1]. Gambar 1. Data face Dalam hal ini, hanya 30x30 parameter yang digunaan sehingga pada proses training dibutuhan input sebanya 900 unit. Data IRIS ini terdiri atas 900 dimensi dan 10 sample dimana terdapat sepuluh elas sehingga banyanya unit eluaran adalah METODE PENELITIAN Tuuan penelitian ini adalah untu mempelaari tentang variasi parameter pembelaaran arsitetur aringan saraf tiruan bacpropagation dengan PCA untu melauan proses pengenalan waah. Tabel 1. Desripsi dataset penelitian Nama Data Jumlah Data Jumlah Kelas Jumlah Dimensi Metode Ui Face Foto 30x30 pixel yang diadian matris 900x1 Bacpropagation dan PCA Gambar 2. Data Face yang digunaan pada penelitian Dengan menggunaan arsitetur aringan saraf tiruan dilauan percobaan pelatihan dan pengenalan data, dengan rasio umlah data training berbanding umlah data testing adalah 50:50 dan 70:30. Pengamatan dilauan pada seberapa banya data yang berhasil dienali (recorgnition rate) dengan parameter-parameter pembelaaran aringan saraf tiruan yang divariasian. Proses pelatihan dan penguian dilauan dengan perangat luna MATLAB R2009 dengan menggunaan fitur editor m.file pada MATLAB. Dengan MATLAB, dihasilan pula grafi dari setiap esperimen sehingga dapat diamati perbedaannya. 344
3 Sistem Pengenalan aah 3. PEMBAHASAN 3.1 Pengertian Bacpropagation Jaringan Saraf Tiruan (JST) merupaan salah satu sistem pemrosesan informasi atau data yang didesain dengan meniruan cara era ota manusia dalam menyelesaian suatu masalah dengan melauan proses belaar melalui perubahan bobot sinapsisnya [2]. Salah satu metode yang digunaan dalam JST adalah Bacpropagation. Bacpropagation adalah algoritma pembelaaran untu memperecil tingat error dengan cara menyesuaian bobotnya berdasaran perbedaan output dan target yang diinginan. Bacpropagation uga merupaan sebuah metode sistemati untu pelatihan multilayer JST arena Bacpropagation memilii tiga layer dalam proses pelatihannya, yaitu input layer, hidden layer, dan output layer. Bacpropagation ini merupaan perembangan dari single layer networ (Jaringan Lapisan Tunggal) yang memilii dua layer, yaitu input layer dan output layer. Dengan adanya hidden layer pada bacpropagation dapat menyebaban tingat error pada bacpropagation lebih ecil dibanding tingat error pada single layer networ. arena hidden layer pada bacpropagation berfungsi sebagai tempat untu meng-update dan menyesuaian bobot [3]. 3.2 Arsitetur Bacpropagation Pada input layer tida teradi proses omputasi, hanya teradi pengiriman sinyal input e hidden layer. Pada hidden dan output layer teradi proses omputasi terhadap bobot dan bias, serta dihitung pula besarnya output dari hidden dan output layer tersebut berdasaran fungsi ativasi. Dalam algoritma bacpropagation ini digunaan fungsi ativasi sigmoid biner, arena output yang diharapan bernilai antara 0 sampai 1. Y 1 Y Y m Output Layer w 01 w 11 w 1 w p1 w o 1 p w 0m 1m m pm 1 Z 1 Z Z p Hidden Layer n1 o 1 i n 0p 1p ip np 1 X 1 X X n Input Layer Gambar 3. Arsitetur ANN Bacpropagation dengan: i = Bobot pada lapisan tersembunyi (hidden layer) o = Bias pada lapisan tersembunyi (hidden layer) i = Bobot pada lapisan eluaran (output layer) o = Bias pada lapisan eluaran (output layer) X = Lapisan masuan (Input Layer) Y = Lapisan eluaran (Output Layer) Z = Lapisan tersembunyi (Hidden Layer) 345
4 ol. 05 No. 20, Ot Des Algoritma Bacpropagation Inisialisasi Bobot Terdapat dua cara untu menginisialisasi bobot, yaitu inisialisasi secara random dan inisialisasi dengan menggunaan Nguyen-idrow [4]. Inisialisasi random merupaan cara yang paling sering digunaan dalam inisialisasi bobot. Pada inisialisasi bobot secara random, bobot diinisialisasi secara aca tanpa menggunaan fator sala. Pada inisialisasi Nguyen-idrow, inisialisasi dilauan dengan memodifiasi inisialisasi random dengan menggunaan fator sala β dengan tuuan untu mempercepat proses pelatihan. Algoritma inisialisasi dengan Nguyen-idrow adalah sebagai beriut: a. Menentuan besarnya sala β 1 n 0.7(p)... ( dengan p = umlah unit hidden dan n = umlah unit input. b. Inisialisasi bobot i secara random dengan nilai inisialisasi i adalah c. Menghitung besarnya magnitude bobot i i (2) p 2 i ( i )...(3) i 1 d. Meng-update bobot i i. i...(4) e. Mengatur nilai bias o sebesar Proses Feed Forward dan Bacpropagation o...(5) Pada dasarnya proses algoritma bacpropagation terdiri dari omputasi mau (feed forward) dan omputasi bali (bacpropagation). Algoritma proses feed forward adalah sebagai beriut. a. Unit input (X i, i=1,2,..,n) 1. Menerima input X i 2. Mengirimannya e semua unit layer di atasnya (Hidden layer). b. Unit Hidden (Z, =1,2,.,n) 1. Menghitung semua sinyal input dengan bobotnya: z _ in X...(6) o i i 346
5 Sistem Pengenalan aah 2. Menghitung nilai ativasi setiap unit hidden sebagai output unit hidden Z f ( z _ in 3. Mengirim nilai ativasi e unit output. f ( z _ in ) ) 1 e 1 z _ in... (7) c. Unit Output (Y, =1,2,..,n) 1. Menghitung semua sinyal input dengan bobotnya: y _ in Z... (8) 2. Menghitung nilai ativasi setiap unit output sebagai output aringan. o Y f ( y _ in ) f ( y _ in) 1 e 1 y _ in... (9) Algoritma proses bacpropagation adalah sebagai beriut: a. Unit Output (Y, =1,2,..,m) 1. Menerima pola target yang bersesuaian dengan pola input 2. Menghitung informasi error: ( T Y ) f '( y _ in )...(10) 3. Menghitung besarnya oresi bobot unit output: E( ) z... (1 4. Menghitung besarnya oresi bias output: 0... (12) 5. Mengiriman e unit-unit yang ada pada layer di bawahnya, yaitu e hidden layer. b. Unit Hidden (Z, =1,2,.,p) 1. Menghitung semua oresi error: _ in...(13) 2. Menghitung nilai ativasi oresi error: _ in f '( z _ in )...(14) 347
6 ol. 05 No. 20, Ot Des Menghitung oresi bobot unit hidden: i E( ) i i X i... (15) 4. Menghitung oresi error bias unit hidden: 0... (16) c. Update bobot dan bias 1. Unit Output (Y, = 1,2,,m) Meng-update bobot dan biasnya ( = 0,,p): (17) 2. Unit hidden (Z, = 1,,p) Meng-update bobot dan biasnya (i = 0,,n): i 0 i 0 i 0... (18) Stopping Condition Terdapat dua ondisi stopping pada algoritma bacpropagation, yaitu: a. Error < Error masimum Error adalah perbedaan yang teradi antara ouput terhadap target yang diinginan. Proses ANN aan berhenti ia besarnya error yang teradi telah bernilai lebih ecil dari nilai error masimum yang telah ditetapan. Besarnya nilai error dihitung dengan menggunaan fungsi error uadratis. E ( T Y )...(19) b. Epoch > Epoch masimum Epoch adalah suatu langah yang dilauan dalam pembelaaran pada ANN. Jia besarnya epoch lebih besar dari besarnya epoch masimum yang telah ditetapan, maa proses pembelaaran aan berhenti. Kedua ondisi stopping tersebut digunaan dengan logia OR. Jadi, ondisi stopping teradi ia besarnya Error < Error masimum atau Epoch > Epoch masimum. 3.4 Fator-Fator dalam Pembelaaran Bacpropagation Beberapa fator yang mempengaruhi eberhasilan algoritma bacpropagation, antara lain: 1. Inisialisasi bobot Bobot awal menentuan apaah aringan aan mencapai global minima atau local minima esalahan, dan seberapa cepat aringan aan onvergen
7 Sistem Pengenalan aah 2. Lau pembelaaran (alpha) Lau pembelaaran merupaan parameter aringan dalam mengendalian proses penyesuaian bobot. Nilai lau pembelaaran yang optimal bergantung pada asus yang dihadapi. Lau pembelaaran yang terlalu ecil menyebaban onvergensi aringan menadi lebih lambat, sedangan lau pembelaaran yang terlalu besar dapat menyebaban etidastabilan pada aringan. 3. Momentum (miu) Momentum digunaan untu mempercepat pelatihan aringan. Metode momentum melibatan penyesuaian bobot ditambah dengan fator tertentu dari penyesuaian sebelumnya. Penyesuaian ini dinyataan sebagai beriut: w z w ) w 0 v i X z i w 0 ) v ) i... (20) v 0 X i v 0 ) Dengan menggunaan persamaan 17, 18, dan 20, update bobot dengan momentum dirumusan sebagai beriut: ) z 0 i 0 ) i ) X i z 0 i... (2 0 0 ) X i Principal Component Analysis (PCA) Principal Component Analysis (PCA) merupaan suatu teni untu menyederhanaan suatu dataset, dengan mengurangi dataset multidimensional e dimensi yang lebih rendah dengan cara mengambil bagian-bagian dimensi yang penting (orthogonal secara vetor). Tuuan dari PCA adalah mengurangi dimensionalitas data sambil tetap memelihara sebanya mungin variansi yang muncul dalam dataset. Beriut adalah langah-langah dalam melauan PCA: a. Scaling Proses Scaling bertuuan untu membuat suatu dataset memilii persebaran data yang lebih bai. Output dari proses scaling adalah suatu Matrix Auto Scaling, yang merupaan pengurangan dari Matrix U Scaling dengan Matrix Mean Centering. Matrix U Scaling adalah matrix dataset yang telah dibagi dengan standar deviasi dari setiap dimensi (dalam hal ini dimensi diwaili oleh olom). Beriut adalah ilustrasi matrix U Scaling: Gambar 4. Proses scaling 349
8 ol. 05 No. 20, Ot Des 2016 Proses mean centering adalah proses pencarian nilai rata-rata setiap dimensi (dalam program yang dibuat diwaili dengan nama variable). Setelah melauan proses mean centering, matrix U scaling diurangan dengan nilai rata-rata sehingga terbentu matrix autoscaling. Beriut adalah potongan program pca.m terait proses scaling. Gambar 5. Program mfile proses scaling Pada program pca.m yang telah dibuat, matrix Xi_scaled merupaan matrix autoscaling, X_ave merupaan nilai rata-rata untu proses mean centering, dan Xi_auto adalah matrix autoscaling. b. Menghitung Covariance Matrix Covariance matrix dihitung dengan persamaan: 1 T S X X cov( X )...(22) m 1 Pada MATLAB, nilai covariance matrix dapat dicari dengan menggunaan fungsi S=cov(X), dengan X adalah matrix input dan S adalah covariance matrix. c. Menghitung Nilai Eigen dan etor Eigen Pencarian Nilai eigen dan vetor eigen bertuuan untu mengetahui seauh mana dimensionalitas dataset dapat dipotong, dimensi yang memilii eigen value yang besar adalah dimensi yang dinilai sangat penting dalam dataset. Pencarian eigen value dalam MATLAB dapat dilauan dengan fungsi [P,A]=eig(S), dengan S adalah matrix input, P merupaan vetor eigen dan A merupaan nilai eigen. d. Menghitung Score Score merupaan nilai ahir dataset yang dapat mewaili dataset. Score dihitung dengan persamaan: [ X ]([ P] T ) 1 [ T]...(23) dimana X adalah matrix autoscaling, P merupaan eigen vector, dan T merupaan score dari proses PCA. Beriut merupaan potongan program dari proses perhitungan covariance matrix sampai mendapatan score. 350
9 Sistem Pengenalan aah Gambar 6. Program mfile perhitungan covariance matrix 4. HASIL DAN PEMBAHASAN Pada penelitian ini digunaan data waah dari 10 orang (10 elas) dengan masingmasing orang terdiri atas 10 foto yang berbeda. Setiap foto orang memilii dimensi gambar (foto) 30x30 pixel. Dimensi 30x30 pixel ini aan direntangan menadi sebuah matris 900x1 yang aan diolah oleh input layer. Namun, arena dimensi yang cuup besar, aan dilauan peredusian dimensi dengan menggunaan metode PCA. Pada penelitian ini variable teriat yang diamati adalah nilai persentase tingat pengenalan rata-rata (average recognition rate), nilai error, epoh, dan watu pelatihan. ariable bebas yang diubah-ubah adalah umlah dimensi PCA, alpha, oefisien momentum, mode inisialisasi, umlah hidden neuron, umlah epoch, dan nilai error minimum. Penelitian dilauan dengan variasi data training : data testing 50:50 dan 70:30. Nilai awal untu masing-masing parameter adalah: alpha = 0.2; hidden neuron = 30; oefisien Momentum=0.2; epoh max= 10000; error min= 0.01; metode inisialisasi = nguyen widrow. Beriut adalah hasil dan analisis dari penelitian yang dilauan: a. Pengaruh perubahan dimensi pemotongan PCA Pada bagian ini dilauan variasi perubahan nilai dimensi PCA dengan rentang dimensi dari dengan interval 10 dimensi. Pemotongan data ini dilauan berdasaran nilai eigen value yang semain ecil etia dimensi semain besar. Beriut grafi eigen value yang dihasilan data Face Recognition. Gambar 7. Eigen value Selanutnya, diperoleh hasil dari pelatihan dan penguian sebagai beriut. 351
10 ol. 05 No. 20, Ot Des 2016 Tabel 2. Hasil penguian variasi parameter Eigen alue eigenvalue = 10 eigenvalue = 20 eigenvalue = 30 eigenvalue = 40 eigenvalue = 50 RRTR RRTS RRTR RRTS RRTR RRTS RRTR RRTS RRTR RRTS , , , , , , , , , , , , , , , , , , ,333 97,143 86,667 Keterangan : RRTR : Recognition Rate data Training (Grafi Hiau) RRTS : Recognition Rate data Testing (Grafi Merah) (a) (b) (c) (d) (e) Gambar 8. Grafi hasil penguian variasi parameter Eigen value (a) Eigen value = 10, (b) Eigen value = 20, (c) Eigen value = 30, (d) Eigen value = 40, (e) Eigen value =
11 Sistem Pengenalan aah Dari hasil nilai recognition rate dapat diamati bahwa nilai pemotongan dimensi PCA ini optimal pada pemotongan 30 dimensi. Hal ini berarti 30 dimensi hasil pemotongan PCA cuup untu mewaili eseluruhan dimensi (900 dimensi). Dapat dilihat pula bahwa semain tinggi dimensi PCA watu pelatihan semain bertambah. Hal ini sangat logis, arena semain tinggi dimensi pemotongan, omputasi pada neuronneuron lebih banya. Karena pada percobaan didapatan nilai dimensi optimal adalah 30, untu percobaan selanutnya aan digunaan nilai dimensi PCA 30. b. Pengaruh perubahan alpha (Lau Pembelaaran) dan miu (momentum) Pada percobaan ini dilauan variasi perubahan nilai alpha dan miu dengan rentang dari 0,1-0,9 dengan interval 0,1. Beriut adalah data hasil dari esperimen. Tabel 3. Hasil Penguian Pengaruh Alpha dan Miu miu alpha RRTR RRTS RRTR RRTS RRTR RRTS RRTR RRTS RRTR RRTS RRTR RRTS RRTR RRTS RRTR RRTS RRTR RRTS , , , , , , , , , , , , , , , , , , , ,29 86, , , , , ,67 88, , , , , , , , ,33 3 6, ,67 Keterangan: RRTR : Recognition Rate data Training (grafi hiau) RRTS : Recognition Rate data Testing (grafi merah) Gambar 9. Grafi Hasil Penguian variasi parameter lau pembelaaran dan oefisien momentum 353
12 ol. 05 No. 20, Ot Des 2016 Gambar 10. Grafi Hasil Penguian variasi parameter lau pembelaaran dan oefisien momentum (lanutan) Dari hasil nilai recognition rate dapat diamati bahwa nilai lau pembelaaran ini optimal pada nilai 0,2. Pada variasi miu, terlihat bahwa nilai momentum yang paling optimal terdapat pada nilai 0,2. Dapat dilihat pula bahwa semain tinggi dimensi PCA watu pelatihan semain berurang. Hal ini sangat logis, arena semain tinggi lau pembelaaran, ecepatan data untu menuu onvergen lebih cepat, tetapi urang stabil. Semain besar nilai Alpha dan momentum, walaupun proses watu pelatihan semain cepat, namun Recognition Rate aan semain turun arena error dapat masu e local minima. 5. KESIMPULAN Berdasaran percobaan yang telah dilauan untu Pengenalan waah dengan menggunaan metode Bacpropagation ANN dan PCA, diperoleh esimpulan sebagai beriut: a. Nilai recognition bervariasi mulai dari 40 % hingga 100%, namun sebagian besar nilai recognition rate untu tiap-tiap elas adalah 100 %. Nilai optimal berada pada nilai eigen value 30, alpha 0,2, dan miu 0,2. b. Untu memperoleh nilai eigen value terbai, diperluan perhitungan score sehingga diperoleh grafi eigen value. Pemotongan dimensi dilauan sesuai dengan banyanya nilai eigen value yang berarti. c. Semain ecil alpha, semain besar nilai recognition rate. d. Semain ecil miu, semain besar nilai recognition rate. REFERENSI [1]. Kim, Jong Min., Kang, Myung-A. (2010). "A Study of Face Recognition using the PCA and Error-Bacpropagation." IEEE. [2]. Kusumadewi, Sri. "Analisis Jaringan Syaraf Tiruan dengan Metode Bacpropagation untu Mendetesi Gangguan Psiologi." Media Informatia, 2004: [3]. Kusumoputro, Benyamin. (200. Jaringan Neural Buatan, Ed. 1. Jaarta: Universitas Indonesia. [4]. Marzui. "Multilayer Neural Networ and the Bacpropagation Algorithm." Lecture Material. Kuala Lumpur: UTM, n.d. 354
ANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK PADA SISTEM PENGENALAN WAJAH BERBASIS PRINCIPAL COMPONENT ANALYSIS
ANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK PADA SISTEM PENGENALAN WAJAH BERBASIS PRINCIPAL COMPONENT ANALYSIS 1 Ihwannul Kholis, 2 Ahmad Rofii. 1 Universitas 17 Agustus 1945 Jaarta,
Lebih terperinciANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA IRIS
Jurnal Teni dan Ilmu Komputer ANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA IRIS AN ANALYSIS OF THE VARIATION PARAMETERS OF THE ARTIFICIAL NEURAL NETWORK
Lebih terperinciBAB 3 PATTERN MATCHING BERBASIS JARAK EUCLID, PATTERN MATCHING BERBASIS JARAK MAHALANOBIS, DAN JARINGAN SYARAF TIRUAN BERBASIS PROPAGASI BALIK
BAB 3 PATTERN MATCHING BERBASIS JARAK EUCLID, PATTERN MATCHING BERBASIS JARAK MAHALANOBIS, DAN JARINGAN SYARAF TIRUAN BERBASIS PROPAGASI BALIK Proses pengenalan dilauan dengan beberapa metode. Pertama
Lebih terperinciANALISIS VARIASI PARAMETER LEARNING VECTOR QUANTIZATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA ODOR
Jurnal Teknik dan Ilmu Komputer ANALISIS VARIASI PARAMETER LEARNING VECTOR QUANTIZATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA ODOR PARAMETER VARIATION ANALYSIS OF LEARNING VECTOR QUANTIZATION
Lebih terperinciPENGENDALIAN MOTOR DC MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
PENGENDALIAN MOTOR DC MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Wahyudi, Sorihi, dan Iwan Setiawan. Jurusan Teni Eletro Faultas Teni Universitas Diponegoro Semarang e-mail : wahyuditinom@yahoo.com.
Lebih terperinciJARINGAN SARAF TIRUAN PROPAGASI BALIK UNTUK KLASIFIKASI DATA
JARINGAN SARAF TIRUAN PROPAGASI BALIK UNTUK KLASIFIKASI DATA Giri Dhaneswara 1) dan Veronica S. Moertini 2) Jurusan Ilmu Komputer, Universitas Katoli Parahyangan, Bandung Email: 1) rebirth_82@yahoo.com,
Lebih terperinciIII. METODOLOGI PENELITIAN
III. METODOLOGI PENELITIAN 3.1 Keranga Pemiiran Pemerintah ahir-ahir ini sering dihadapan pada masalah persediaan pupu bersubsidi yang daya serapnya rendah dan asus elangaan di berbagai loasi di Indonesia.
Lebih terperinciPENENTUAN JENIS PRODUK KOSMETIK PILIHAN BERDASARKAN FAKTOR USIA DAN WARNA KULIT MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN
PENENTUAN JENIS PRODUK KOSMETIK PILIHAN BERDASARKAN FAKTOR USIA DAN WARNA KULIT MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN Amethis Otaorora 1, Bilqis Amaliah 2, Ahmad Saihu 3 Teni Informatia, Faultas Tenologi
Lebih terperinciNeural Network menyerupai otak manusia dalam dua hal, yaitu:
2.4 Artificial Neural Networ 2.4.1 Konsep dasar Neural Networ Neural Networ (Jaringan Saraf Tiruan) merupaan prosesor yang sangat besar dan memilii ecenderungan untu menyimpan pengetahuan yang bersifat
Lebih terperinciAnalisa Drop Tegangan dan Susut Daya pada Jaringan Listrik Penyulang Renon Menggunakan Metode Artificial Neural Network
Analisa Drop Tegangan dan Susut Daya pada Jaringan Listri Penyulang Renon Menggunaan Metode Artificial Neural Networ I Gede Dyana Arana Jurusan Teni Eletro Faultas Teni, Universitas Udayana Denpasar, Bali,
Lebih terperinciISSN: TEKNOMATIKA Vol.1, No.2, JANUARI
ISSN: 1979-7656 TEKNOMATIKA Vol.1, No.2, JANUARI 2009 25 PERANCANGAN DAN IMPLEMENTASI JARINGAN SYARAF TIRUAN UNTUK MENDIAGNOSA JENIS PENYAKIT KANDUNGAN Bambang Yuwono Jurusan Teni Informatia UPN Veteran
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belaang Di aman searang sebuah adal yang tersusun rapi merupaan ebutuhan bagi setiap individu. Namun masalah penyusunan sebuah adal merupaan sebuah masalah umum yang teradi,
Lebih terperinciKLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE
KLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE Warih Maharani Faultas Teni Informatia, Institut Tenologi Telom Jl. Teleomuniasi No.1 Bandung 40286 Telp. (022) 7564108
Lebih terperinciModel Pembelajaran Off-Line Menggunakan Jaringan Syaraf Tiruan Untuk Pengemudian Otomatis pada Kendaraan Beroda Jurusan Teknik Elektronika PENS 2009
Model Pembelaaran Off-Line Menggunaan Jaringan Syaraf Tiruan Untu Pengemudian Otomatis pada Kendaraan Beroda Jurusan Teni Eletronia PENS 2009 Arie Setya Wulandari#, Eru Puspita S.T., M.Kom#2 # Jurusan
Lebih terperinciPENGENALAN POLA DENGAN MENGGUNAKAN METODE BACKPROPAGATION MENGGUNAKAN MATLAB
PENGENALAN POLA DENGAN MENGGUNAKAN METODE BACKPROPAGATION MENGGUNAKAN MATLAB Wirda Ayu Utari Universitas Gunadarma utari.hiaru@gmail.com ABSTRAK Program pengenalan pola ini merupaan program yang dibuat
Lebih terperinciPREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF TIRUAN MULTILAYER FEEDFORWARD NETWORK DENGAN ALGORITMA BACKPROPAGATION
Konferensi Nasional Sistem dan Informatia 2008; Bali, November 5, 2008 PREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF TIRUAN MULTILAYER FEEDFORWARD NETWORK DENGAN ALGORITMA BACKPROPAGATION Wahyudi Setiawan
Lebih terperinci1. Pendahuluan Jaringan syaraf tiruan ( Artificial Neural Networ ) adalah suatu tenologi omputasi yang berbasis pada model syaraf biologis dan mencoba
JARINGAN SYARAF TIRUAN BACKPROPAGATION SEBAGAI METODE PERAMALAN PADA PERHITUNGAN TINGKAT SUKU BUNGA PINJAMAN DI INDONESIA Nurmalasari Rusmiati 1 Sistem Informasi, Faultas Ilmu Komputer, Universitas Gunadarma
Lebih terperinciBAB V ALGORITMA PEMBELAJARAN DALAM JARINGAN SYARAF TIRUAN
BAB V ALGORITMA PEMBELAJARAN DALAM JARINGAN SYARAF TIRUAN Kompetensi : 1. Mahasiswa memahami onsep pembelaaran dalam JST Sub Kompetensi : 1. Dapat mengetahui prinsip algoritma Perceptron 2. Dapat mengetahui
Lebih terperinciARSITEKTUR DAN ALGORITMA JST UNTUK MENDUKUNG PREDIKSI GANGGUAN GEOMAGNET
Prosiding SNaPP2012 : Sains, Tenologi, dan Kesehatan ISSN 2089-3582 ARSITEKTUR DAN ALGORITMA JST UNTUK MENDUKUNG PREDIKSI GANGGUAN GEOMAGNET 1 John Maspupu 1 Pussainsa LAPAN, Jl Dr Dundunan No 133 Bandung
Lebih terperincikhazanah Sistem Klasifikasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunakan Jaringan Syaraf Tiruan Backpropagation informatika
hazanah informatia Jurnal Ilmu Komputer dan Informatia Sistem Klasifiasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunaan Jaringan Syaraf Tiruan Bacpropagation Yusuf Dwi Santoso *, Suhartono Program
Lebih terperincikhazanah Sistem Klasifikasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunakan Jaringan Syaraf Tiruan Backpropagation informatika
hazanah informatia Jurnal Ilmu Komputer dan Informatia Sistem Klasifiasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunaan Jaringan Syaraf Tiruan Bacpropagation Yusuf Dwi Santoso *, Suhartono Departemen
Lebih terperinciPENDETEKSIAN GERAK TANGAN MANUSIA SEBAGAI INPUT PADA KOMPUTER
PENDETEKSIAN GERAK TANGAN MANUSIA SEBAGAI INPUT PADA KOMPUTER Wiaria Gazali 1 ; Haryono Soeparno 2 1 Jurusan Matematia, Faultas Sains dan Tenologi, Universitas Bina Nusantara Jln. K.H. Syahdan No. 9, Palmerah,
Lebih terperinciDany Candra Febrianto ) dan Hindayati Mustafidah )
Penerapan Jaringan Saraf Tiruan dengan Metode Pembelaaran Bacpropagation untu Mengetahui Tingat Kualifiasi Calon Siswa pada Sistem Informasi Penerimaan Siswa Baru di MAN 2 Banarnegara (Application of Artificial
Lebih terperinciSistem Pendukung Keputusan Penerima Beasiswa SMK Menggunakan Metode Backpropagation
Seminar Nasional e 9: Reayasa Tenologi Industri dan Informasi Sistem Penduung Keputusan Penerima Beasiswa SMK Menggunaan Metode Bacpropagation Teti Rohaeti 1, Yoyon Kusnendar Suprapto 2, Eo Mulyanto 3
Lebih terperinciSistem Peramalan Jumlah Produksi Air PDAM Samarinda Menggunakan Jaringan Syaraf Tiruan Backpropagation
Sistem Peramalan Jumlah Produsi Air PDAM Samarinda Menggunaan Jaringan Syaraf Tiruan Bacpropagation Anindita Septiarini 1 dan Nur Sya baniah 2 1 Program Studi Ilmu Komputer FMIPA, Universitas Mulaarman
Lebih terperinciMODEL REGRESI INTERVAL DENGAN NEURAL FUZZY UNTUK MEMPREDIKSI TAGIHAN AIR PDAM
MODEL REGRESI INTERVAL DENGAN NEURAL FUZZY UNTUK MEMPREDIKSI TAGIHAN AIR PDAM 1,2 Faultas MIPA, Universitas Tanjungpura e-mail: csuhery@sisom.untan.ac.id, email: dedi.triyanto@sisom.untan.ac.id Abstract
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 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 terperinciSistem Informasi Peramalan Beban Listrik Jangka Panjang di Kabupaten Jember Menggunakan JST Backpropagation
1 Sistem Informasi Peramalan Beban Listri Janga Panang di Kabupaten Jember Menggunaan JST Bacpropagation Dodi Setiabudi Abstra Kebutuhan energi listri sebagai salah satu infrastrutur penting sangat diutamaan.
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MERAMALKAN BEBAN PEMAKAIAN AIR PADA PDAM KOTA BANDUNG
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MERAMALKAN BEBAN PEMAKAIAN AIR PADA PDAM KOTA BANDUNG Oleh : M.Rizi.H.S, Andri Heryandi,S.T, Bambang Siswoyo,Ir,M.Si Jl. Dipati Uur Bandung Teni Informatia Universitas
Lebih terperinciAPLIKASI JARINGAN SARAF TIRUAN PERAMBATAN BALIK UNTUK PRAKIRAAN VALUTA GBP/USD DALAM FOREX TRADING
APLIKASI JARINGAN SARAF TIRUAN PERAMBATAN BALIK UNTUK PRAKIRAAN VALUTA GBP/USD DALAM FOREX TRADING Hendra William *), Achmad Hidayatno, and Aub Aulian Zahra Jurusan Teni Eletro, Universitas Diponegoro
Lebih terperinciII. DASAR TEORI I. PENDAHULUAN
IMPLEMENTASI JARINGAN SYARAF TIRUAN PERAMBATAN-BALIK UNTUK MENDETEKSI GOLONGAN DARAH PADA MANUSIA M. Fuad Latief *, R. Rizal Isnanto, Budi Setiyono Abstra - Membran sel darah manusia mengandung bermacam-macam
Lebih terperinciMakalah Seminar Tugas Akhir
Pengaturan Kecepatan Motor DC Menggunaan Jaringan Syaraf Tiruan Feedforward Bacpropagation Sorihi *, Wahyudi **, Iwan Setiawan ** Abstra - Jaringan syaraf bacpropagation merupaan aringan syaraf yang telah
Lebih terperinciPENGENALAN TEKS BRAILLE BERBASIS JARINGAN SYARAF TIRUAN FEEDFORWARD MULTILAYER DENGAN MENGGUNAKAN METODE BACK PROPAGATION
1 MAKALAH SEMINAR TUGAS AKHIR PENGENALAN TEKS BRAILLE BERBASIS JARINGAN SYARAF TIRUAN FEEDFORWARD MULTILAYER DENGAN MENGGUNAKAN METODE BACK PROPAGATION Praditya Firmansyah *, Wahyul Amien Syafei**, Iwan
Lebih terperinciPENGENALAN KARAKTER TULISAN TANGAN DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK RESILIENT
PENGENALAN KARAKTER TULISAN TANGAN DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK RESILIENT Oleh : DONNY WAHYU SAPUTRO G06499031 DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih terperinciANALISIS PETA KENDALI DEWMA (DOUBLE EXPONENTIALLY WEIGHTED MOVING AVERAGE)
Seminar Nasional Matematia dan Apliasinya, 1 Otober 17 ANALISIS PETA KENDALI DEWMA (DOUBLE EXPONENTIALLY WEIGHTED MOVING AVERAGE) DALAM PENGENDALIAN KUALITAS PRODUKSI FJLB (FINGER JOINT LAMINATING BOARD)
Lebih terperinciPERAMALAN CURAH HUJAN WILAYAH SEMARANG BARAT DENGAN ALGORITMA RESILIENT BACKPROPAGATION
PERAMALAN CURAH HUJAN WILAYAH SEMARANG BARAT DENGAN ALGORITMA RESILIENT BACKPROPAGATION Wellie Sulistanti Abstract- Tuuan dari penelitian ini untu mengapliasian cara era aringan syaraf tiruan dengan menggunaan
Lebih terperinciAPLIKASI PREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF RADIAL BASIS FUNCTION DENGAN METODE PEMBELAJARAN HYBRID
APLIKASI PREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF RADIAL BASIS FUNCTION DENGAN METODE PEMBELAJARAN HYBRID Ferry Tan, Giovani Gracianti, Susanti, Steven, Samuel Luas Jurusan Teni Informatia, Faultas
Lebih terperinciTEKNIK PERAMALAN TINGKAT PENJUALAN DENGAN JARINGAN SYARAF TIRUAN
TENI PERAMALAN TINGAT PENJUALAN DENGAN JARINGAN SYARAF TIRUAN Sri Mulyana Program Studi Ilmu omputer F MIPA UGM Seip Unit III Yogyaarta Telp (0274)546194 e-mail : smulyana@ugm.ac.id Abstra Tingat penualan
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 terperinciAKURASI MODEL PREDIKSI METODE BACKPROPAGATION MENGGUNAKAN KOMBINASI HIDDEN NEURON DENGAN ALPHA
AKURASI MODEL PREDIKSI METODE BACKPROPAGATION MENGGUNAKAN KOMBINASI HIDDEN NEURON DENGAN ALPHA Aris Puji Widodo, Suhartono 2, Eo Adi Sarwoo 3, dan Zulfia Firdaus 4,2,3,4 Departemen Ilmu Komputer/Informatia,
Lebih terperinciPREDIKSI KELULUSAN MAHASISWA DENGAN JARINGAN SYARAF TIRUAN
Ansari Predisi Kelulusan Mahasiswa Dengan Jaringan Syaraf Tiruan PREDIKSI KELULUSAN MAHASISWA DENGAN JARINGAN SYARAF TIRUAN Rudy Ansari STMIK Indonesia Banarmasin e-mail: rudy.ansari@gmail.com ABSTRAK
Lebih terperinciKAJIAN PENGENALAN WAJAH DENGAN MENGGUNAKAN METODE FACE-ARG DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
Media Informatia, Vol. 5, No. 2, Desember 2007, 99-111 ISSN: 0854-4743 KAJIAN PENGENALAN WAJAH DENGAN MENGGUNAKAN METODE FACE-ARG DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Anita Desiani Jurusan Matematia,
Lebih terperinciPENGENALAN KAPAL PADA CITRA DIGITAL MENGGUNAKAN IMAGE PROCESSING DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
PENGENALAN KAPAL PADA CITRA DIGITAL MENGGUNAKAN IMAGE PROCESSING DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Sutino 1, Helmie Arif Wibawa 2, Priyo Sidi Sasongo 3 123 Jurusan Ilmu Komputer/Informatia, FSM,
Lebih terperinciSISTEM PENGENAL WAJAH DENGAN JARINGAN SYARAF TIRUAN
SISTEM PENGENAL WAJAH DENGAN JARINGAN SYARAF TIRUAN Julian Supardi, Rz. Abdul Aziz, Syepriansyah Seolah Tggi Manaemen Informatia dan Komputer Darmaaya Jl. Z.A Pagar Alam No. 93 Bandar Lampung Indonesia
Lebih terperinciPENGEMBANGAN MODEL JARINGAN SYARAF TIRUAN RESILIENT BACKPROPAGATION UNTUK IDENTIFIKASI PEMBICARA DENGAN PRAPROSES MFCC. Oleh:
1 PENGEMBANGAN MODEL JARINGAN SYARAF TIRUAN RESILIENT BACKPROPAGATION UNTUK IDENTIFIKASI PEMBICARA DENGAN PRAPROSES MFCC Oleh: NURHADI SUSANTO G64103059 DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN
Lebih terperinciMAKALAH SEMINAR TUGAS AKHIR
1 MAKALAH SEMINAR TUGAS AKHIR PENGENALAN POLA GEOMETRI WAJAH MENGGUNAKAN JARINGAN SYARAF TIRUAN PERAMBATAN BALIK Muhamad Tonovan *, Achmad Hidayatno **, R. Rizal Isnanto ** Abstra - Pengenalan waah adalah
Lebih terperinciAPLIKASI ARTIFICIAL NEURAL NETWORK UNTUK PERAMALAN ALIRAN SUNGAI BLEGA ABSTRACT
APLIKASI ARTIFICIAL NEURAL NETWORK UNTUK PERAMALAN ALIRAN SUNGAI BLEGA Manyu Fauzi, Minarni Nur Trilita Mahasiswa S3 MRSA, Jurusan Teni Sipil-ITS dan Pengaar Jurusan Teni Sipil Univ. Riau Mahasiswa S3
Lebih terperinciBAB III PENENTUAN HARGA PREMI, FUNGSI PERMINTAAN, DAN TITIK KESETIMBANGANNYA
BAB III PENENTUAN HARGA PREMI, FUNGSI PERMINTAAN, DAN TITIK KESETIMBANGANNYA Pada penelitian ini, suatu portfolio memilii seumlah elas risio. Tiap elas terdiri dari n, =,, peserta dengan umlah besar, dan
Lebih terperinciPrediksi Jumlah Kasus Demam Berdarah Dengue Menggunakan Jaringan Syaraf Tiruan (Studi Kasus daerah Kab. Sleman, Provinsi DIY)
Jurnal PROte Vol. 3 No. 1, 216 Predisi Jumlah Kasus Demam Berdarah Dengue Menggunaan Jaringan Syaraf Tiruan Iis Hamsir Ayub Wahab Program Studi Teni Eletro Faultas Teni, Universitas Khairun Email: hamsir@unhair.ac.id
Lebih terperinciBAB 2 LANDASAN TEORI
6 BAB 2 LANDASAN TEORI 2.1 Penjadwalan 2.1.1 Jadwal Secara Umum Menurut Kamus Besar Bahasa Indonesia (KBBI), jadwal adalah pembagian watu berdasaran rencana pengaturan urutan erja, daftar atau tabel egiatan
Lebih terperinciPENCARIAN JALUR TERPENDEK MENGGUNAKAN ALGORITMA SEMUT
Seminar Nasional Apliasi Tenologi Informasi 2007 (SNATI 2007) ISSN: 1907-5022 Yogyaarta, 16 Juni 2007 PENCARIAN JALUR TERPENDEK MENGGUNAKAN ALGORITMA SEMUT I ing Mutahiroh, Indrato, Taufiq Hidayat Laboratorium
Lebih terperinciBAB IV APLIKASI PADA MATRIKS STOKASTIK
BAB IV : ALIKASI ADA MARIKS SOKASIK 56 BAB IV ALIKASI ADA MARIKS SOKASIK Salah satu apliasi dari eori erron-frobenius yang paling terenal adalah penurunan secara alabar untu beberapa sifat yang dimilii
Lebih terperinciSTUDI KOMPARASI IMPLEMENTASI JARINGAN BASIS RADIAL DAN FUZZY INFERENCE SYSTEM TSK UNTUK PENYELESAIAN CURVE FITTING
STUDI KOPARASI IPEENTASI JARINGAN BASIS RADIA DAN FUZZY INFERENCE SYSTE TSK UNTUK PENYEESAIAN CURVE FITTING Sri Kusumadewi Teni Informatia Universitas Islam Indonesia Jl. Kaliurang Km 4,5 Yogyaarta cicie@fti.uii.ac.id
Lebih terperinciPENGEMBANGAN PERANGKAT LUNAK BERBASIS JARINGAN SYARAF TIRUAN UNTUK PERAMALAN BEBAN LISTRIK JANGKA PENDEK (STUDI KASUS DI PT.PLN AREA DISTRIBUSI JABAR)
PENGEMBANGAN PERANGKAT LUNAK BERBASIS JARINGAN SYARAF TIRUAN UNTUK PERAMALAN BEBAN LISTRIK JANGKA PENDEK (STUDI KASUS DI PT.PLN AREA DISTRIBUSI JABAR) Oleh: ¹ HERLY MARDANI (000298) ² BAMBANG SISWOYO,
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belaang Masalah untu mencari jalur terpende di dalam graf merupaan salah satu masalah optimisasi. Graf yang digunaan dalam pencarian jalur terpende adalah graf yang setiap sisinya
Lebih terperinciKecerdasan Komputasional Berbasis Jaringan Neural Buatan (JNB) Pada Sistem Pengenalan Wajah (Face Recognition)
No. 1/XXVI/2007 Wawan Setiawan, Kecerdasan Komputasional Kecerdasan Komputasional Berbasis Jaringan Neural Buatan (JNB) Pada Sistem Pengenalan Waah (Face Recognition) Wawan Setiawan (Universitas Pendidian
Lebih terperinciBAB III DESAIN DAN APLIKASI METODE FILTERING DALAM SISTEM MULTI RADAR TRACKING
Bab III Desain Dan Apliasi Metode Filtering Dalam Sistem Multi Radar Tracing BAB III DESAIN DAN APLIKASI METODE FILTERING DALAM SISTEM MULTI RADAR TRACKING Bagian pertama dari bab ini aan memberian pemaparan
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 terperinciAPLIKASI WAVELET RECURRENT NEURAL NETWORK UNTUK PREDIKSI DATA TIME SERIES. : Agus Sumarno NRP :
APLIKASI WAELET RECURRENT NEURAL NETWORK UNTUK PREDIKSI DATA TIME SERIES Nama : Agus Sumarno NRP : 06 00 706 Jurusan : Matematia Dosen Pembimbing : Drs. Daryono Budi Utomo, M.Si Abstra Model time series
Lebih terperinciBAB 2 LANDASAN TEORI. meneliti bagaimana mesin dapat belajar dan berpikir seperti layaknya manusia. Bidang
BAB 2 LANDASAN TEORI Intelegensia Semu (IS) adalah salah satu bidang dalam ilmu omputer yang meneliti bagaimana mesin dapat belajar dan berpiir seperti layanya manusia. Bidang ilmu ini mempelajari bagaimana
Lebih terperinciBAB II PENGENALAN WAJAH
BAB II PENGENALAN WAJAH Sistem pengenalan waah dapat dibagi menadi empat tahap, yaitu tahap pengolahan citra, detesi waah, estrasi fitur dan tahap pengenalan waah. Pada tugas ahir ini aan lebih diteanan
Lebih terperinciAPLIKASI ALGORITMA CONJUGATE GRADIENT PADA JARINGAN SYARAF TIRUAN PERAMBATAN BALIK. Tesis
APLIKASI ALGORITMA CONJUGATE GRADIENT PADA JARINGAN SYARAF TIRUAN PERAMBATAN BALIK Tesis Program Studi Teni Eletro Jurusan Ilmu-ilmu Teni disusun oleh : Wiwien Widyastuti 8475/I-/820/02 PROGRAM PASCASARJANA
Lebih terperinciAPLIKASI ALGORITMA FEED FORWARD BACKPROPAGATION PADA SISTEM KEAMANAN AKSES MENGGUNAKAN SIDIK JARI.
Proceeding Seminar dan Worshop Nasional Pendidian Teni Eletro (SWNE) FPTK Universitas Pendidian Indonesia APLIKASI ALGORITMA FEED FORWARD BACKPROPAGATION PADA SISTEM KEAMANAN AKSES MENGGUNAKAN SIDIK JARI.
Lebih terperinciAplikasi Neural-Fuzzy pada Regresi Interval untuk Data Time Series
Apliasi Neural-Fuzzy paa Regresi Interval untu Data Time Series Sri Kusumaewi Jurusan Teni Informatia, Universitas Islam Inonesia, Yogyaarta Jl. Kaliurang K, 4, Yogyaarta (04 E-mail : cicie@fti.uii.ac.i
Lebih terperinciProsiding Semirata FMIPA Universitas Lampung, 2013
Sistem Pengenalan Nomor Plat Kendaraan Berbasis Foto Diital Dengan Metode Moment Invariant dan Jaringan Syaraf Tiruan Menggunaan Algoritma Bacpropagation Zaiful Bahri, Suamto dan Joo Risanto Jurusan Matematia
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN PENENTU NILAI INTERVAL KADAR LEMAK TUBUH MENGGUNAKAN REGRESI INTERVAL DENGAN NEURAL FUZZY
SISTEM PENDUKUNG KEPUTUSAN PENENTU NILAI INTERVAL KADAR LEMAK TUBUH MENGGUNAKAN REGRESI INTERVAL DENGAN NEURAL FUZZY Tedy Rismawan dan Sri Kusumadewi Laboratorium Komputasi dan Sistem Cerdas, Jurusan Teni
Lebih terperinciDETEKSI POLA BERDASARKAN COLOUR FEATURE DENGAN METODE JARINGAN SYARAF TIRUAN
Prosiding Seminar Nasional Apliasi Sains & Tenologi (SNAST) Periode II ISSN: 1979-911X Yogyaarta, 11 Desember 2010 DETEKSI POLA BERDASARKAN COLOUR FEATURE DENGAN METODE JARINGAN SYARAF TIRUAN Uning Lestari
Lebih terperinciBAB III METODE SCHNABEL
BAB III METODE SCHNABEL Uuran populasi tertutup dapat diperiraan dengan teni Capture Mar Release Recapture (CMRR) yaitu menangap dan menandai individu yang diambil pada pengambilan sampel pertama, melepasan
Lebih terperinciPEBANDINGAN METODE ROBUST MCD-LMS, MCD-LTS, MVE-LMS, DAN MVE-LTS DALAM ANALISIS REGRESI KOMPONEN UTAMA
PEBANDINGAN METODE ROBUST MCD-LMS, MCD-LTS, MVE-LMS, DAN MVE-LTS DALAM ANALISIS REGRESI KOMPONEN UTAMA Sear Wulandari, Nur Salam, dan Dewi Anggraini Program Studi Matematia Universitas Lambung Mangurat
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 TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Statisti Inferensia Tujuan statisti pada dasarnya adalah melauan desripsi terhadap data sampel, emudian melauan inferensi terhadap data populasi berdasaran pada informasi yang
Lebih terperinciBAB II LANDASAN TEORI. Graf adalah kumpulan simpul (nodes) yang dihubungkan satu sama lain
8 BAB II LANDASAN TEORI 2.1 Teori Graf 2.1.1 Definisi Graf Graf adalah umpulan simpul (nodes) yang dihubungan satu sama lain melalui sisi/busur (edges) (Zaaria, 2006). Suatu Graf G terdiri dari dua himpunan
Lebih terperinciAplikasi diagonalisasi matriks pada rantai Markov
J. Sains Dasar 2014 3(1) 20-24 Apliasi diagonalisasi matris pada rantai Marov (Application of matrix diagonalization on Marov chain) Bidayatul hidayah, Rahayu Budhiyati V., dan Putriaji Hendiawati Jurusan
Lebih terperinciANALISIS JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH RESERVASI KAMAR HOTEL DENGAN METODE BACKPROPAGATION (Studi Kasus Hotel Grand Zuri Padang)
ANALISIS JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH RESERVASI KAMAR HOTEL DENGAN METODE BACKPROPAGATION (Studi Kasus Hotel Grand Zuri Padang) 1 Musli Yanto, 2 Sarjon Defit, 3 Gunadi Widi Nurcahyo
Lebih terperinciTRANSFORMASI KOORDINAT MENGGUNAKAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK RESILIENT (Studi Kasus: Daerah Jawa Bagian Barat) SUPRIYANTI
TRANSFORMASI KOORDINAT MENGGUNAKAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK RESILIENT (Studi Kasus: Daerah Jawa Bagian Barat) SUPRIYANTI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih terperinciPEMANFAATAN METODE HEURISTIK DALAM PENCARIAN JALUR TERPENDEK DENGAN ALGORITMA SEMUT DAN ALGORITMA GENETIKA
PEMANFAATAN METODE HEURISTIK DALAM PENCARIAN JALUR TERPENDEK DENGAN ALGORITMA SEMUT DAN ALGORITMA GENETIKA Iing Mutahiroh, Fajar Saptono, Nur Hasanah, Romi Wiryadinata Laboratorium Pemrograman dan Informatia
Lebih terperinciImplementasi Algoritma Pencarian k Jalur Sederhana Terpendek dalam Graf
JURNAL TEKNIK POMITS Vol. 2, No., (203) ISSN: 2337-3539 (230-927 Print) Implementasi Algoritma Pencarian Jalur Sederhana Terpende dalam Graf Anggaara Hendra N., Yudhi Purwananto, dan Rully Soelaiman Jurusan
Lebih terperinciPERBANDINGAN METODE MINIMUM DISTANCE PATTERN CLASSIFIER DAN NEURAL NETWORK BACKPROPAGATION DALAM MENGENALI WAJAH MANUSIA DENGAN EKSPRESI YANG BERBEDA
PERBANDINGAN METODE MINIMUM DISTANCE PATTERN CLASSIFIER DAN NEURAL NETWORK BACKPROPAGATION DALAM MENGENALI WAJAH MANUSIA DENGAN EKSPRESI YANG BERBEDA Bharasaka Krisnandhika 51412445 Dr. Dewi Agushinta
Lebih terperinciStudi dan Analisis mengenai Hill Cipher, Teknik Kriptanalisis dan Upaya Penanggulangannya
Studi dan Analisis mengenai Hill ipher, Teni Kriptanalisis dan Upaya enanggulangannya Arya Widyanaro rogram Studi Teni Informatia, Institut Tenologi Bandung, Jl. Ganesha 10 Bandung Email: if14030@students.if.itb.ac.id
Lebih terperinciVariasi Spline Kubik untuk Animasi Model Wajah 3D
Variasi Spline Kubi untu Animasi Model Wajah 3D Rachmansyah Budi Setiawan (13507014 1 Program Studi Teni Informatia Seolah Teni Eletro dan Informatia Institut Tenologi Bandung, Jl. Ganesha 10 Bandung 40132,
Lebih terperinciBAB II LANDASAN TEORI. Proses utama dari pengenalan karakter adalah menerima karakter input dan
BAB II LANDASAN TEORI 2.1 Pengenalan Teori Proses utama dari pengenalan arater adalah menerima arater input dan memerisa apaah hasil input tersebut sesuai dengan salah satu arater yang ada. Bagian yang
Lebih terperinciSISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER
SISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER Pandapotan Siagian, ST, M.Eng Dosen Tetap STIKOM Dinamia Bangsa - Jambi Jalan Sudirman Theoo Jambi Abstra Sistem pengenal pola suara atau
Lebih terperinciPERAMALAN JUMLAH KENDARAAN DI DKI JAKARTA DENGAN JARINGAN BACKPROPAGATION
PERAMALAN JUMLAH KENDARAAN DI DKI JAKARTA DENGAN JARINGAN BACKPROPAGATION (Forecast The Number of Vehicle in Jakarta Using Backpropagation Neural Net ) Zumrotus Sya diyah Universitas Darussalam Ambon,
Lebih terperinciVOL. 01 NO. 02 [JURNAL ILMIAH BINARY] ISSN :
PENERAPAN JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH PRODUKSI AIR MINUM MENGGUNAKAN ALGORITMA BACKPROPAGATION (STUDI KASUS : PDAM TIRTA BUKIT SULAP KOTA LUBUKLINGGAU) Robi Yanto STMIK Bina Nusantara
Lebih terperinciBAB 2 LANDASAN TEORI. relevan, lengkap, dan terkini sejalan dengan permasalahan yang dihadapi. Di sini juga
BAB 2 LANDASAN TEORI Dalam landasan teori ini, pada dasarnya aan dielasan mengenai teori yang relevan, lengap, dan terini sealan dengan permasalahan yang dihadapi. Di sini uga terdapat hubungan antara
Lebih terperinciANALISA STATIK DAN DINAMIK GEDUNG BERTINGKAT BANYAK AKIBAT GEMPA BERDASARKAN SNI DENGAN VARIASI JUMLAH TINGKAT
Jurnal Sipil Stati Vol. No. Agustus (-) ISSN: - ANALISA STATIK DAN DINAMIK GEDUNG BERTINGKAT BANYAK AKIBAT GEMPA BERDASARKAN SNI - DENGAN VARIASI JUMLAH TINGKAT Revie Orchidentus Francies Wantalangie Jorry
Lebih terperinciMAKALAH SEMINAR TUGAS AKHIR
MAKALAH SEMINAR TUGAS AKHIR Peramalan Kebutuhan Beban Janga Pende Menggunaan Jaringan Syaraf Tiruan Bacpropagation Oleh : Dinar Atia Sari (L2F002572) Jurusan Teni Eletro Faultas Teni Universitas Diponegoro
Lebih terperinciJARINGAN SYARAF TIRUAN UNTUK PREDIKSI PENJUALAN JAMUR MENGGUNAKAN ALGORITMA BACKROPAGATION
JARINGAN SYARAF TIRUAN UNTUK PREDIKSI PENJUALAN JAMUR MENGGUNAKAN ALGORITMA BACKROPAGATION Yuyun Dwi Lestari Program Studi Teknik Informatika, Sekolah Tinggi Teknik Harapan E-mail : yuyun.dl@gmail.com
Lebih terperinciSTUDI PENYELESAIAN PROBLEMA MIXED INTEGER LINIER PROGRAMMING DENGAN MENGGUNAKAN METODE BRANCH AND CUT OLEH : RISTA RIDA SINURAT
TUGAS AKHIR STUDI PENYELESAIAN PROBLEMA MIXED INTEGER LINIER PROGRAMMING DENGAN MENGGUNAKAN METODE BRANCH AND CUT OLEH : RISTA RIDA SINURAT 040803023 DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU
Lebih terperinciSISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER. Abstrak
SISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER Oleh : Pandapotan Siagia, ST, M.Eng (Dosen tetap STIKOM Dinamia Bangsa Jambi) Abstra Sistem pengenal pola suara atau yang lebih dienal dengan
Lebih terperinciKORELASI ANTARA DUA SINYAL SAMA BERBEDA JARAK PEREKAMAN DALAM SISTEM ADAPTIF. Sri Arttini Dwi Prasetyawati 1. Abstrak
KORELASI ANARA DUA SINYAL SAMA BERBEDA JARAK PEREKAMAN DALAM SISEM ADAPIF Sri Arttini Dwi Prasetyawati 1 Abstra Masud pembahasan tentang orelasi dua sinyal adalah orelasi dua sinyal yang sama aan tetapi
Lebih terperinciPEMPROSESAN ALARM DALAM PERLINDUNGAN SISTEM DAYA LISTRIK MENGGUNAKAN NEURAL NETWORK. Azriyenni
PEMPROSESAN ALARM DALAM PERLINDUNGAN SISTEM DAYA LISTRIK MENGGUNAKAN NEURAL NETWORK Azriyenni Dosen Tetap Teni Eletro Universitas Riau - Peanbaru Abstra Penelitian ini menyelidii mengenai pemprosesan alarm
Lebih terperinciJARINGAN SARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) ERWIEN TJIPTA WIJAYA, ST, M.KOM
JARINGAN SARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) ERWIEN TJIPTA WIJAYA, ST, M.KOM INTRODUCTION Jaringan Saraf Tiruan atau JST adalah merupakan salah satu representasi tiruan dari otak manusia yang selalu
Lebih terperinciADAPTIVE NOISE CANCELING MENGGUNAKAN ALGORITMA LEAST MEAN SQUARE (LMS) Anita Nardiana, SariSujoko Sumaryono ABSTRACT
Jurnal Teni Eletro Vol. 3 No.1 Januari - Juni 1 6 ADAPTIVE NOISE CANCELING MENGGUNAKAN ALGORITMA LEAST MEAN SQUARE (LMS) Anita Nardiana, SariSujoo Sumaryono ABSTRACT Noise is inevitable in communication
Lebih terperinciEstimasi Konsentrasi Polutan Sungai Menggunakan Metode Reduksi Kalman Filter dengan Pendekatan Elemen Hingga
JURNAL SAINS DAN SENI POMITS ol. 2, No.1, (2013) 2337-3520 (2301-928X Print) 1 Estimasi Konsentrasi Polutan Sungai Menggunaan Metode Redusi Kalman Filter dengan Pendeatan Elemen Hingga Muyasaroh, Kamiran,
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN 3.1. Data Yang Digunakan Dalam melakukan penelitian ini, penulis membutuhkan data input dalam proses jaringan saraf tiruan backpropagation. Data tersebut akan digunakan sebagai
Lebih terperinciPENERAPAN DYNAMIC PROGRAMMING DALAM WORD WRAP Wafdan Musa Nursakti ( )
PENERAPAN DYNAMIC PROGRAMMING DALAM WORD WRAP Wafdan Musa Nursati (13507065) Program Studi Teni Informatia, Seolah Teni Eletro dan Informatia, Institut Tenologi Bandung Jalan Ganesha No. 10 Bandung, 40132
Lebih terperinciPelatihan Feedforward Neural Network Menggunakan PSO untuk Prediksi Jumlah Pengangguran Terbuka di Indonesia
Jurnal Pengembangan Tenologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 11, November 2017, hlm. 1260-1269 http://j-ptii.ub.ac.id Pelatihan Feedforward Neural Networ Menggunaan PSO untu Predisi
Lebih terperinciKata Kunci : Multipath, LOS, N-LOS, Network Analyzer, IFFT, PDP. 1. Pendahuluan
Statisti Respon Kanal Radio Dalam Ruang Pada Freuensi,6 GHz Christophorus Triaji I, Gamantyo Hendrantoro, Puji Handayani Institut Tenologi Sepuluh opember, Faultas Tenologi Industri, Jurusan Teni Eletro
Lebih terperinci