IDENTIFIKASI JENIS SHOREA MENGGUNAKAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK BERDASARKAN KARAKTERISTIK MORFOLOGI DAUN DEWI PUSPITASARI
|
|
- Farida Muljana
- 7 tahun lalu
- Tontonan:
Transkripsi
1 IDENTIFIKASI JENIS SHOREA MENGGUNAKAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK BERDASARKAN KARAKTERISTIK MORFOLOGI DAUN DEWI PUSPITASARI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2011 i
2 ABSTRACT DEWI PUSPITASARI. Shorea Species Identification Using Backpropagation Neural Network Based on Morphological Characteristics of Leaves. Supervised by AZIZ KUSTIYO. Dipterocarpaceae is a major timber tree of tropical rain forest. Shorea is a genus of the Dipterocarpaceae family which consists of around 194 species. Species diversity may lead to difficulty in distinguishing species of Shorea of one another. It takes knowledge from an expert in the field of Shorea to be able to identify the types of Shorea. Errors in identifying the type of Shorea wood can lead to inappropriate selection for the final usability. Identifying the type of Shorea carried out on five species of Shorea owned Bogor Botanical Gardens on the basis of morphological characteristics of leaves. The identification was carried out using Backpropagation Neural Network. To obtain the values of each leaf morphological characteristics of Shorea, each sample measurement data collected manually. The values are then processed using Backpropagation Neural Network to get the pattern from the training and the accuracy of the test phase. This research used a total of 50 data from five species of Shorea. The data are divided into five subsets. The fifth subset is used in the training and testing phases and conducted five times. The use of methods Backpropagation neural networks in identifying species Shorea produces an average accuracy of 90%. Keywords : Shorea, Backpropagation Neural Network. iii
3 IDENTIFIKASI JENIS SHOREA MENGGUNAKAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK BERDASARKAN KARAKTERISTIK MORFOLOGI DAUN DEWI PUSPITASARI Skripsi Sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer pada Program Studi Ilmu Komputer DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2011 ii
4 Judul Penelitian : Identifikasi Jenis Shorea Menggunakan Jaringan Syaraf Tiruan Propagasi Balik Berdasarkan Karakteristik Morfologi Daun Nama : Dewi Puspitasari NRP : G Menyetujui : Pembimbing Aziz Kustiyo, S.Si., M.Kom. NIP Mengetahui : Ketua Departemen Ilmu Komputer Dr. Ir. Sri Nurdiati, M.Sc. NIP Tanggal Lulus : iv
5 RIWAYAT HIDUP Penulis dilahirkan pada tanggal 26 Januari 1989 di Bogor. Penulis merupakan anak pertama dari dua bersaudara dari pasangan Bapak Harry Mulyadi, SP, M.Si dan Ibu Sri Budi Anggraeni (Alm). Tahun 2005 penulis lulus dari SMA Bina Bangsa Sejahtera Bogor, pada tahun yang sama penulis lulus seleksi masuk IPB melalui jalur Undangan Seleksi Masuk IPB. Tahun 2008 penulis lulus dari program Diploma Manajemen Informatika Institut Pertanian Bogor, pada tahun yang sama penulis melanjutkan program studi Sarjana di Departemen Ilmu Komputer, Institut Pertanian Bogor, dengan memilih program studi Ilmu Komputer. v
6 PRAKATA Puji dan syukur penulis panjatkan kehadirat Allah SWT yang telah memberikan rahmat dan hidayah-nya sehingga penulis dapat menyelesaikan karya ilmiah ini. Terima kasih penulis ucapkan kepada Bapak Aziz Kustiyo, S.Si, M.Kom selaku pembimbing. Adapun penulis mengucapkan terima kasih kepada: 1. Kedua orang tua yang telah memberikan dukungan, perhatian, dan doa sehingga penulis dapat menyelesaikan studi di departemen Ilmu Komputer IPB. 2. Dosen penguji, Bapak Toto Haryanto, S.Kom, M.Si dan Bapak Mushthofa, S.Kom, M.Sc atas saran dan bimbingannya. 3. Pihak Kebun Raya Bogor atas sample daun Shorea. 4. Pihak Biotrop atas literatur tentang Shorea. 5. Teman-teman satu bimbingan atas kerjasamanya. 6. Teman-teman Ekstensi ILKOM angkatan 3, atas kerjasamanya selama penelitian. Semoga penelitian ini dapat bermanfaat bagi semua pihak yang membutuhkan. Bogor, Juni 2011 Dewi Puspitasari vi
7 DAFTAR ISI Halaman DAFTAR GAMBAR... viii DAFTAR TABEL... viii PENDAHULUAN... 1 Latar Belakang... 1 Tujuan Penelitian... 1 Ruang Lingkup Penelitian... 1 Manfaat Penelitian... 1 TINJAUAN PUSTAKA... 1 Shorea... 1 Shorea Beccariana... 2 Shorea Seminis... 2 Shorea Platyclados... 2 Shorea Leprosula... 2 Shorea Ovalis... 3 Jaringan Syaraf Tiruan... 3 Propagasi Balik... 3 K-Fold cross validation... 4 Normalisasi... 4 Regresi Linear... 4 METODOLOGI... 5 Identifikasi Masalah... 5 Pengumpulan Data... 5 Praproses... 7 Pembagian Data Latih dan Data Uji... 7 Pelatihan... 7 Pengujian... 7 Akurasi... 7 Lingkungan Pengembangan... 7 HASIL DAN PEMBAHASAN... 7 Percobaan 1 : 5-Fold Cross Validation... 7 Percobaan 2 : 5-Fold Cross Validation dengan Regresi Linear Perbandingan Percobaan 1 dan Percobaan KESIMPULAN DAN SARAN Kesimpulan Saran DAFTAR PUSTAKA LAMPIRAN vii
8 DAFTAR GAMBAR Halaman 1 Pohon Shorea Daun Shorea Beccariana Daun Shorea Seminis Daun Shorea Platyclados Daun Shorea Leprosula Daun Shorea Ovalis Model JST Propagasi Balik Grafik fungsi sigmoid biner Elips Diagram Alur Penelitian Panjang Daun Lebar Daun Bentuk Tulang Daun Ujung Daun Pangkal Daun Keliling Daun Sudut Antar Tulang Daun Grafik tingkat akurasi setiap jenis Shorea Diagram pencar luas daun Diagram pencar keliling daun Grafik tingkat akurasi setiap jenis Shorea dengan regresi linear Grafik perbandingan tingkat akurasi dari setiap percobaan DAFTAR TABEL Halaman 1 Contoh data Shorea Parameter JST Propagasi Balik Target jenis Shorea Susunan data pelatihan dan data pengujian Parameter JST optimal setiap iterasi percobaan dan akurasinya Parameter JST optimal setiap iterasi percobaan dengan regresi linear DAFTAR LAMPIRAN Halaman 1 Contoh data daun Shorea Arsitektur JST Confusion matrix percobaan Confusion matrix percobaan Pencarian parameter JST optimal pada percobaan Pencarian parameter JST optimal pada percobaan viii
9 Latar Belakang PENDAHULUAN Indonesia merupakan negara yang memiliki kawasan hutan hujan tropis dengan keanekaragaman spesies tumbuhan yang sangat tinggi dan formasi hutan yang beragam. Dipterocarpaceae adalah pohon kayu utama dari hutan hujan tropis dan merupakan salah satu famili besar dengan jumlah mencapai 506 spesies di seluruh dunia. Shorea adalah nama marga dari famili Dipterocarpaceae yang beranggotakan sekitar 194 spesies. Ditinjau dari segi manfaat ekonomi, Shorea merupakan penghasil kayu-kayu Dipterocarpaceae yang terpenting, salah satunya adalah kayu meranti (meranti kuning, merah, dan putih). Kegunaan utama kayu meranti adalah untuk membuat kayu lapis dengan kualitas yang bagus. Beberapa Shorea juga menghasilkan tengkawang, yaitu buah meranti-merantian yang besar dan berlemak. Biji tengkawang mengeluarkan minyak yang berharga tinggi dan digunakan dalam industri kosmetika dan makanan. Keanekaragaman spesies dalam marga Shorea menyebabkan kesulitan untuk membedakan jenis Shorea satu dengan yang lainnya. Diperlukan pengetahuan serta pengalaman khusus dalam bidang ini untuk dapat membedakan jenis-jenis Shorea. Identifikasi jenis pohon penghasil kayu yang tidak akurat akan menyebabkan kesalahan identifikasi kayu gelondongan yang mengakibatkan pemilihan kayu yang tidak tepat untuk kegunaan akhir. Jika ditinjau dari segi kemudahan dan kecepatan dalam mendapatkan data, maka karakteristik morfologi dan anatomi menjadi acuan pertama dalam proses identifikasi tumbuhan. Karakteristik ini dapat diamati pada organ vegetatif tumbuhan, seperti daun, batang, dan cabang, serta pada organ generatif tumbuhan, seperti bunga dan buah. Kedua organ tumbuhan ini memiliki perbedaan waktu observasi. Organ generatif tumbuhan hanya dapat diamati pada waktu tertentu, sedangkan organ vegetatif tumbuhan cenderung tersedia sebagai sumber pengamatan sepanjang waktu (Hasanah 2009). Daun merupakan salah satu organ vegetatif tumbuhan dengan beberapa karakteristik yang dapat diamati. Sama halnya seperti daun, batang dan cabang juga merupakan organ vegetatif tumbuhan yang cenderung tersedia sebagai sumber pengamatan sepanjang waktu. Namun, kulit batang dapat berubah warna atau kedalaman alur sejalan dengan bertambahnya umur pohon. Pada penelitian ini akan diterapkan Jaringan Syaraf Tiruan (JST) Propagasi Balik untuk mengidentifikasi jenis Shorea. Data specimen daun akan diolah dengan JST Propagasi Balik untuk mengetahui tingkat akurasi dari proses identifikasi tersebut. Tujuan Penelitian Tujuan penelitian ini adalah untuk menerapkan Jaringan Syaraf Tiruan (JST) Propagasi Balik dalam mengidentifikasi jenis Shorea, serta mengetahui tingkat akurasi dari proses identifikasi tersebut. Ruang Lingkup Penelitian Ruang lingkup pada penelitian ini adalah : 1. Identifikasi jenis Shorea dilakukan berdasarkan karakteristik morfologi daun. 2. Identifikasi jenis Shorea dilakukan pada lima jenis Shorea yang terdapat di Kebun Raya Bogor, yaitu Shorea Beccariana, Shorea Seminis, Shorea Platyclados, Shorea Leprosula, dan Shorea Ovalis. 3. Data yang digunakan adalah data hasil pengukuran daun Shorea secara manual. Manfaat Penelitian Manfaat penelitian ini adalah membantu masyarakat umum serta pihak-pihak terkait dalam mengidentifikasi jenis Shorea. Shorea TINJAUAN PUSTAKA Shorea adalah nama marga dari famili Dipterocarpaceae yang beranggotakan sekitar 194 spesies. Marga ini dinamai demikian untuk menghormati Sir John Shore, Gubernur Jenderal British East India Company, Shorea menyebar terutama di Asia Tenggara, ke barat hingga Srilanka dan India utara, dan ke timur hingga Filipina dan Maluku. Shorea merupakan penghasil kayu-kayu Dipterocarpaceae yang terpenting, seperti aneka jenis kayu meranti (meranti merah, kuning, putih), balau, bangkirai, balangeran, dan lain-lain. Selain itu, marga ini juga menghasilkan damar dari berbagai kualitas yang digunakan dalam industri pernis dan cat. Ciri-ciri diagnostik utama Shorea adalah pohon sangat besar dengan kulit kayu dalam berlapis-lapis atau coklat merah gelap. Pohon hampir selalu besar, batang utama tinggi dan 1
10 silindris. Tangkai daun berukuran sekitar cm. Daun berukuran panjang 4-18 cm dan lebar 2-8 cm, pangkal daun biasanya simetris, permukaan bawah daun bila diraba licin, pertulangan sekunder bersisip, berjumlah sekitar 7-25 pasang (Newman et al. 1999). atau coklat kuning. Pertulangan sekunder berjumlah 9-17 pasang, pertulangan tersier tidak terlalu terlihat (Newman et al. 1999). Shorea Seminis merupakan salah satu Shorea penghasil tengkawang. Bijinya yang mengandung lemak dapat digunakan sebagai bahan dasar untuk pembuatan coklat, margarine, sabun dan bahan kosmetika. Shorea Beccariana Gambar 1 Pohon Shorea. Shorea Beccariana termasuk dalam kelompok meranti merah. Perawakan pohon besar, batang tinggi lurus, berbentuk silinder. Daun berukuran panjang 8-26 cm dan lebar cm, bila diraba licin pada kedua permukaan, ujung daun lancip pendek, pangkal daun berbentuk pasak. Pertulangan sekunder berjumlah pasang, melengkung di seluruh panjangnya, pertulangan tersier terlihat jelas dan tegak lurus (Newman et al. 1999). Shorea Beccariana merupakan salah satu Shorea penghasil tengkawang. Biji tengkawang mengeluarkan minyak yang berharga tinggi dan digunakan dalam industri kosmetika dan makanan. Gambar 3 Daun Shorea Seminis. Shorea Platyclados Shorea Platyclados termasuk dalam kelompok meranti merah. Perawakan pohon sangat besar, batang tidak bercabang hingga tinggi sekali. Daun berukuran panjang cm dan lebar cm, ujung daun lancip, pangkal daun membundar. Permukaan atas daun bila mengering berwarna coklat, bila diraba licin. Pertulangan sekunder berjumlah pasang, pertulangan tersier hampir tidak terlihat (Newman et al. 1999). Shorea yang termasuk kedalam kelompok meranti merah seperti Shorea Platyclados umumnya kayunya digunakan untuk venir dan kayu lapis. Selain itu, kayunya juga dapat digunakan sebagai bangunan perumahan dan mebel. Gambar 2 Daun Shorea Beccariana. Shorea Seminis Shorea Seminis termasuk dalam kelompok balau atau selangan batu. Tinggi pohon dapat mencapai 60 m. Daun berukuran panjang 9-18 cm dan lebar cm, ujung daun berbentuk lancip panjang, pangkal daun berbentuk pasak atau membundar. Permukaan atas dan bawah daun bila mengering berwarna coklat kelabu Gambar 4 Daun Shorea Platyclados. Shorea Leprosula Shorea Leprosula termasuk dalam kelompok meranti merah. Perawakan pohon besar, dapat mencapai tinggi 60 m, bebas cabang 35 m, diameter 1 m. Kulit coklat keabuabuan. Daun lonjong sampai bulat telur, panjang 8-14 cm dan lebar cm. 2
11 Permukaan daun bagian bawah bersisik seperti krim, urat daun tersier rapat seperti tangga. Kayunya ringan, kerapatan 0,3-0,55 gr/cm 3. Merupakan kayu berharga dan sangat baik untuk mebel, panel, lantai, langit-langit dan juga untuk kayu lapis. Menghasilkan resin yang dikenal dengan nama damar daging, yang dapat digunakan obat. Gambar 5 Daun Shorea Leprosula. Shorea Ovalis Shorea Ovalis termasuk dalam kelompok meranti merah. Perawakan pohon besar, tinggi pohon dapat mencapai 49 m, batang lurus berbentuk silinder agak meruncing. Daun lonjong atau jorong, berukuran panjang cm dan lebar cm, ujung daun lancip panjang, pangkal daun membundar, permukaan atas daun bila mengering berwarna coklat, bila diraba licin dengan bulu-bulu pendek yang renggang atau rapat, permukaan bawah daun bila mengering berwarna coklat, bila diraba kasar. Tepi daun kadang tergulung. Pertulangan sekunder berjumlah sekitar pasang, mulamula lurus, melengkung hanya di dekat tepi daun atau melengkung di seluruh panjangnya, pertulangan tersier terlihat jelas (Newman et al. 1999). Kayu meranti merah banyak dipergunakan untuk kayu pertukangan dan kayu lapis. Jaringan Syaraf Tiruan Jaringan Syaraf Tiruan (JST) adalah sistem pemroses informasi yang memiliki karakteristik mirip dengan jaringan syaraf biologi. JST dibentuk sebagai generalisasi model matematika dari jaringan syaraf biologi, dengan asumsi bahwa : Pemrosesan informasi terjadi pada banyak elemen sederhana (neuron). Sinyal dikirimkan di antara neuron-neuron melalui penghubung-penghubung. Penghubung antar neuron memiliki bobot yang akan memperkuat atau memperlemah sinyal. Untuk menentukan output, setiap neuron menggunakan fungsi aktivasi yang dikenakan pada jumlah input yang diterima untuk menentukan keluarannya. JST ditentukan oleh tiga hal : 1. Pola hubungan antar neuron yang disebut arsitektur. 2. Metode penentuan bobot pada setiap hubungannya (disebut juga training atau latihan). 3. Fungsi aktivasi yang digunakan. Gambar 7 Model JST Propagasi Balik. Propagasi Balik Propagasi Balik merupakan algoritme pembelajaran yang terawasi (supervised learning) dan biasanya digunakan oleh jaringan multilayer untuk mengubah bobot-bobot yang terhubung dengan semua neuron pada hidden layer (Kusumadewi 2004 diacu dalam Hardelina 2007). Gambar 6 Daun Shorea Ovalis. 3
12 Karakteristik yang dimiliki oleh JST Propagasi Balik adalah : Jaringan Multilayer JST Propagasi Balik memiliki input layer, output layer, dan hidden layer. Setiap neuron pada suatu layer dalam JST Propagasi Balik mendapat sinyal input dari semua neuron pada layer sebelumnya. Fungsi Aktivasi Fungsi aktivasi digunakan untuk menentukan keluaran suatu neuron. Fungsi aktivasi yang umum digunakan pada JST Propagasi Balik adalah fungsi sigmoid biner (output-nya memiliki rentang [0,1]). Grafik fungsi sigmoid biner dapat dilihat pada Gambar 8. ƒ(x) Gambar 8 Grafik fungsi sigmoid biner. Persamaan fungsi sigmoid biner adalah sebagai berikut : dengan turunannya, Ada tiga tahap pelatihan pada JST Propagasi Balik, yaitu pelatihan input yang bersifat umpan maju (feed forward), perhitungan propagasi balik galat yang diperoleh, dan penyesuaian bobot. Feed Forward Setiap neuron pada hidden layer dan output layer menghitung nilai aktivasinya masingmasing sesuai dengan fungsi aktivasi yang digunakan. Propagasi balik galat Setiap output neuron menghitung informasi galat antara nilai output yang dihasilkan dengan nilai target yang telah ditetapkan. Informasi galat ini dikirimkan ke layer di bawahnya. Penyesuaian bobot-bobot jaringan Setiap output neuron dan hidden neuron mengubah nilai bias dan bobot sesuai dengan nilai galat pada layer di atasnya. x Ketiga fase tersebut diulang terus hingga kondisi penghentian terpenuhi. Umumnya kondisi penghentian yang digunakan adalah jumlah iterasi atau kesalahan. Iterasi akan dihentikan jika jumlah iterasi yang dilakukan sudah melebihi jumlah maksimum iterasi yang ditetapkan, atau jika kesalahan yang terjadi sudah lebih kecil dari batas toleransi yang diijinkan. K-Fold cross validation K-fold cross validation dilakukan untuk membagi training set dan test set. K-fold cross validation mengulang k-kali untuk membagi sebuah himpunan contoh secara acak menjadi k subset yang paling bebas, setiap ulangan disisakan satu subset untuk pengujian dan subset lainnya untuk pelatihan (Fu 1994). Normalisasi Normalisasi data dilakukan dengan cara membagi setiap data dengan nilai maksimum dari setiap fiturnya. Normalisasi dilakukan agar data memiliki range yang sama. Regresi Linear Regresi linear adalah metode statistika yang digunakan untuk membentuk model hubungan antara variabel terikat (Y) dengan satu atau lebih variabel bebas (X). Data dari X dan Y diplotkan sehingga menghasilkan diagram pencar. Jika titik-titiknya mengikuti suatu garis lurus, maka kedua variabel tersebut saling berhubungan secara linear. Bila hubungan linear tersebut ada, maka kita nyatakan secara matematik dengan sebuah persamaan garis lurus yang disebut garis regresi linear. persamaan tersebut dapat dituliskan dalam bentuk : ŷ = a + bx, dimana a adalah intersep atau perpotongan dengan sumbu tegak dan b adalah kemiringan atau gradiennya (Walpole 1995). Nilai a dan b pada persamaan di atas, dapat diperoleh dengan rumus : Elips Luas dan keliling elips dapat dihitung dengan rumus di bawah ini. Luas elips : πr 1 r 2 Keliling : π (r 1 + r 2 ) 4
13 dimana : Gambar 9 Elips. r 1 = sumbu panjang dari titik pusat r 2 = sumbu pendek dari titik pusat r 2 METODOLOGI Pada bab ini akan dijelaskan mengenai tahapan-tahapan yang akan dilakukan dalam penelitian. Penelitian dimulai dengan melakukan identifikasi masalah, kemudian dilakukan pencarian dan pengumpulan data untuk digunakan pada tahap pelatihan dan pengujian. Berikut ini adalah ilustrasi tahapan metodologi penelitian yang digambarkan dengan diagram alur penelitian : Mulai r 1 Identifikasi Masalah Identifikasi Masalah Shorea beranggotakan sekitar 194 spesies. Keanekaragaman spesies tersebut dapat mengakibatkan kesulitan dalam membedakan jenis Shorea satu dengan yang lainnya. Diperlukan pengetahuan dari orang yang berpengalaman dalam bidang Shorea untuk dapat mengenali jenis-jenis Shorea. Kesalahan dalam mengidentifikasi jenis Shorea dapat mengakibatkan pemilihan kayu yang tidak tepat untuk kegunaan akhir. Salah satu solusi dari permasalahan tersebut adalah dengan membuat suatu aplikasi yang dapat mengidentifikasi jenis-jenis Shorea. Aplikasi tersebut dibentuk dengan menggabungkan kemampuan dari ahli dalam bidang Shorea serta literatur yang terkait dengan bidang tersebut untuk mengetahui tingkat akurasi dari identifikasi tersebut. Pengumpulan Data Data yang digunakan pada penelitian ini adalah data hasil pengolahan daun Shorea yang sample-nya diambil dari Kebun Raya Bogor. Pada setiap sample dilakukan pengukuran data secara manual untuk mendapatkan nilai-nilai dari setiap karakteristik morfologi daun Shorea. Karakteristik morfologi daun Shorea yang diamati dan diukur adalah : 1. Panjang daun, yaitu panjang daun dari ujung daun sampai pangkal daun. Pengumpulan Data Praproses Panjang Gambar 11 Panjang Daun. 2. Lebar daun, yaitu permukaan daun yang paling lebar dengan posisi daun tegak lurus. K-fold cross validation Data Latih Pelatihan JST Propagasi Balik Data Uji Pengujian Akurasi Selesai Gambar 10 Diagram Alur Penelitian. Lebar Gambar 12 Lebar Daun. 3. Bentuk tulang daun, yaitu susunan tulang cabang pada daun. Bentuk tulang daun dapat dibedakan menjadi : a. Menempel : ujung tulang cabang bagian dalam sebelah kanan bertemu dengan ujung tulang cabang bagian dalam sebelah kiri. b. Tidak menempel : ujung tulang cabang bagian dalam sebelah kanan tidak bertemu dengan ujung tulang cabang bagian dalam sebelah kiri. 5
14 Ujung tulang cabang bagian dalam sebelah kiri Gambar 13 Bentuk Tulang Daun. 4. Permukaan daun, yaitu keadaan permukaan daun bagian atas dan bawah, seperti : a. Atas bawah halus b. Atas halus bawah kasar c. Atas bawah kasar d. Atas kasar bawah halus 5. Ujung daun, yaitu bentuk ujung daun. Beberapa bentuk ujung daun di antaranya : a. Runcing, jika kedua tepi daun di kanan kiri ibu tulang sedikit demi sedikit menuju ke atas dan pertemuannya pada puncak daun membentuk suatu lancip. b. Meruncing, seperti pada ujung yang runcing, tetapi titik pertemuan kedua tepi daunnya jauh lebih tinggi dari dugaan, hingga ujung daun nampak sempit panjang dan runcing. c. Tumpul, tepi daun yang semula masih agak jauh dari ibu tulang, cepat menuju ke suatu titik pertemuan, hingga terbentuk sudut yang tumpul. d. Membulat, seperti pada ujung yang tumpul, tetapi tidak terbentuk sudut sama sekali, hingga ujung daun merupakan semacam suatu busur. Gambar 14 Ujung Daun. 6. Pangkal daun, yaitu bentuk pangkal daun. Beberapa bentuk pangkal daun di antaranya: a. Runcing b. Meruncing c. Tumpul d. Membulat Ujung tulang cabang bagian dalam sebelah kanan Gambar 15 Pangkal Daun. 7. Keliling daun, yaitu keliling tepi daun yang diukur dengan menggunakan benang. Gambar 16 Keliling Daun. 8. Luas daun, yaitu luas permukaan daun yang diukur pada buku berpetak dengan menjumlahkan kotak yang terisi penuh dan kotak yang terisi setengah di dalam gambar daun kemudian dikali ¼. Contoh pengukuran luas : Luas = ( jml kotak penuh + jml kotak ½) x ¼ = 16 x ¼ = 4 cm 2 9. Sudut antar tulang daun, yaitu sudut antara ibu tulang daun dengan tulang cabang daun sebelah kanan atau kiri yang diukur menggunakan busur. Sudut Gambar 17 Sudut Antar Tulang Daun. 10. Jumlah tulang daun, yaitu jumlah tulang cabang daun sebelah kanan dan tulang cabang daun sebelah kiri. Berikut ini adalah contoh data hasil perhitungan manual dan fitur-fiturnya yang disajikan pada Tabel 1. Tabel 1 Contoh data Shorea Jenis Shorea Panjang Lebar Bentuk tulang daun Permukaan Daun Ujung Daun Pangkal Daun Keliling Luas 56.5 cm 2 Sudut 70 Jumlah tulang daun 29 Keliling Shorea Beccariana 9.2 cm 4.5 cm Tidak menempel Atas halus bawah kasar Meruncing Membulat 21.2 cm 6
15 Praproses Pada tahap praproses dilakukan proses diskretisasi data, yaitu mengubah data nominal menjadi data numerik. Beberapa fitur yang memiliki data nominal di antaranya adalah bentuk tulang daun, permukaan daun, ujung daun, dan pangkal daun. Selain itu, dilakukan normalisasi pada data hasil pengukuran daun untuk menyamakan range data. Contoh data Shorea yang telah didiskretisasi dapat dilihat pada Lampiran 1. Pembagian Data Latih dan Data Uji Teknik yang digunakan untuk membagi data latih dan data uji adalah 5-fold cross validation. Teknik ini akan membagi data menjadi lima sub sample terpisah, dimana empat sub sample akan digunakan sebagai data latih dan satu sub sample akan digunakan sebagai data uji. Pelatihan Arsitektur jaringan syaraf tiruan (JST) menggunakan algoritme propagasi balik dilatih dengan parameter-parameter JST. Gambar arsitektur JST untuk penelitian ini, dapat dilihat pada Lampiran 2. Pelatihan data dilakukan beberapa kali hingga menemukan galat terkecil. Kemudian hasil pelatihan tersebut disimpan untuk digunakan kembali pada tahap pengujian. Parameter JST yang digunakan pada proses pelatihan dapat dilihat pada Tabel 2. Tabel 2 Parameter JST Propagasi Balik Karakteristik Spesifikasi Arsitektur 1 hidden layer Neuron input 9 Hidden neuron 10, 20, 30, 40, 50, 60, 70, 80, 90, dan 100 Neuron output 5 Fungsi aktivasi Sigmoid biner Toleransi galat 10-1, 10-2, 10-3, 10-4, 10-5, 10-6, dan Learning rate 0.01, 0.02, 0.03, 0.04, 0.05, 0.06, 0.07, 0.08, 0.09, dan 0.1 Maksimum epoh 5000 Pengujian Pengujian model dilakukan menggunakan data uji. Neuron output yang dihasilkan mendifinisikan target dari jenis-jenis Shorea yang diidentifikasi. Definisi target dan jenis Shorea disajikan pada Tabel 3. Tabel 3 Target jenis Shorea Jenis Shorea Target Shorea Beccariana Shorea Seminis Shorea Platyclados Shorea Leprosula Shorea Ovalis Akurasi Pengujian model JST menghasilkan akurasi yang dapat dihitung dengan cara menjumlahkan data uji yang berhasil dikenali dengan benar oleh JST dibagi dengan total data uji : Akurasi = x 100% Lingkungan Pengembangan Perangkat lunak yang digunakan dalam penelitian yaitu : 1. Windows 7 Profesional 2. Matlab Microsoft Office Excel 2007 Perangkat keras yang digunakan dalam penelitian yaitu : 1. Processor Genuine Intel 1.30 GHz 2. RAM 1.00 GB 3. Harddisk kapasitas 172 GB HASIL DAN PEMBAHASAN Data karakteristik daun Shorea pada awalnya memiliki sepuluh fitur, yaitu panjang daun, lebar daun, bentuk tulang daun, permukaan daun, ujung daun, pangkal daun, keliling daun, luas daun, sudut antar tulang daun, dan jumlah tulang daun. Namun, setelah data daun Shorea terkumpul, pada fitur bentuk tulang daun tidak terlihat perbedaan antar jenis daun Shorea yang diidentifikasi, sehingga fitur tersebut dihilangkan. Ada lima jenis Shorea yang diidentifikasi, yaitu Shorea Beccariana, Shorea Seminis, Shorea Platyclados, Shorea Leprosula, dan Shorea Ovalis. Kelima jenis Shorea tersebut masing-masing terdiri dari sepuluh data. Percobaan 1 : 5-Fold Cross Validation Percobaan ini melibatkan data hasil pengukuran daun Shorea yang telah dinormalisasi. Normalisasi data dilakukan dengan cara membagi setiap data dengan nilai maksimum pada setiap atributnya. Normalisasi tersebut dilakukan agar data berada pada range yang sama, yaitu 0-1. Data secara keseluruhan sebanyak 50 instance dibagi menjadi lima 7
16 subset yang jumlah masing-masing subset-nya hampir sama. Setiap subset terdiri dari 10 data yang merupakan gabungan dari lima jenis Shorea yang diidentifikasi. Subset-subset tersebut akan digunakan dalam tahap pelatihan dan pengujian. Pelatihan dan pengujian dilakukan sebanyak lima kali. Susunan data pelatihan dan data pengujian disajikan pada Tabel 4. Tabel 4 Susunan data pelatihan dan data pengujian Iterasi Pelatihan Pengujian Iterasi pertama S 2, S 3, S 4, S 5 S 1 Iterasi kedua S 1, S 3, S 4, S 5 S 2 Iterasi ketiga S 1, S 2, S 4, S 5 S 3 Iterasi keempat S 1, S 2, S 3, S 5 S 4 Iterasi kelima S 1, S 2, S 3, S 4 S 5 Sebelum dilakukan pengujian, terlebih dahulu dilakukan pencarian parameter JST yang optimal untuk mendapatkan model JST yang baik. Pencarian parameter JST optimal dilihat dari jumlah epoh minimum pada setiap percobaan. Percobaan-percobaan tersebut melibatkan beberapa kombinasi nilai dari parameter JST, seperti hidden neuron, learning rate, dan toleransi galat. Parameter optimal yang didapatkan pada setiap percobaan akan digunakan untuk percobaan selanjutnya. Penentuan parameter JST optimal pada percobaan ini dilihat melalui nilai parameter yang bisa menghasilkan nilai akurasi tertinggi untuk setiap iterasi. Jika ada dua atau lebih nilai parameter yang menghasilkan akurasi yang sama, maka penentuan parameter JST optimal akan dilihat berdasarkan nilai parameter yang memiliki epoh terkecil. Pencarian parameter JST optimal dimulai dengan percobaan kombinasi nilai hidden neuron. Nilai hidden neuron yang digunakan adalah 10, 20, 30, 40, 50, 60, 70, 80, 90, dan 100. Sementara itu, nilai parameter lain dibuat tetap, yaitu learning rate = 0.01 dan toleransi galat = Percobaan selanjutnya adalah dengan kombinasi learning rate, yaitu 0.01, 0.02, 0.03, 0.04, 0.05, 0.06, 0.07, 0.08, 0.09, dan 0.1. Nilai hidden neuron yang digunakan adalah nilai hasil dari percobaan sebelumnya. Nilai toleransi galat dibuat tetap, yaitu Percobaan terakhir adalah dengan kombinasi nilai toleransi galat, yaitu 10-1, 10-2, 10-3, 10-4, 10-5, 10-6, Nilai hidden neuron dan learning rate yang digunakan adalah nilai hasil dari percobaan sebelumnya. Rincian pencarian parameter-parameter JST optimal dapat dilihat pada Lampiran 5. Parameter-parameter JST optimal yang didapatkan beserta akurasi yang dihasilkan dari setiap iterasi disajikan pada Tabel 5. Tabel 5 Parameter JST optimal setiap iterasi percobaan dan akurasinya Iterasi HN LR TG Akurasi % % % % % Rata-rata 90% Keterangan : HN : Hidden Neuron LR : Learning Rate TG : Toleransi Galat Pada iterasi pertama dan ketiga dihasilkan akurasi sebesar 100%, artinya seluruh jenis Shorea yang diidentifikasi dapat dikenali dengan benar. Pada iterasi kedua dihasilkan akurasi sebesar 90%, untuk jenis Shorea Beccariana, Shorea Seminis, Shorea Platyclados, dan Shorea Leprosula dihasilkan akurasi sebesar 100%, sedangkan untuk jenis Shorea Ovalis dihasilkan akurasi sebesar 50%. Pada iterasi ini, salah satu dari jenis Shorea Ovalis teridentifikasi sebagai Shorea Beccariana. Pada iterasi keempat dihasilkan akurasi sebesar 90%, untuk jenis Shorea Seminis, Shorea Platyclados, Shorea Leprosula, dan Shorea Ovalis dihasilkan akurasi sebesar 100%, sedangkan untuk jenis Shorea Beccariana dihasilkan akurasi sebesar 50%. Pada iterasi ini, salah satu dari jenis Shorea Beccariana teridentifikasi sebagai Shorea Ovalis. Pada iterasi kelima dihasilkan akurasi sebesar 70%, untuk jenis Shorea Seminis, Shorea Platyclados, dan Shorea Ovalis dihasilkan akurasi sebesar 100%, sedangkan untuk jenis Shorea Beccariana dihasilkan akurasi sebesar 0% dan Shorea Leprosula dihasilkan akurasi sebesar 50%. Pada iterasi ini, jenis Shorea Beccariana teridentifikasi sebagai jenis Shorea Ovalis dan salah satu Shorea Leprosula teridentifikasi sebagai Shorea Platyclados. Secara keseluruhan, tingkat akurasi untuk jenis Shorea Beccariana adalah 70%, untuk jenis Shorea Seminis adalah 100%, untuk jenis Shorea Platyclados adalah 100%, untuk jenis Shorea Leprosula adalah 90%, dan untuk jenis Shorea Ovalis adalah 90%. Tingkat akurasi 8
17 yang dihasilkan untuk setiap jenis Shorea dapat dilihat pada Gambar 18. Gambar 18 Grafik tingkat akurasi setiap jenis Shorea. Kesalahan yang terjadi pada percobaan ini adalah Shorea Ovalis yang diidentifikasi sebagai Shorea Beccariana, maupun sebaliknya. Kesalahan tersebut dapat terjadi karena nilai dari fitur nominal yang sama antara kedua jenis Shorea tersebut. Confusion Matrix untuk setiap iterasi pada percobaan 1, dapat dilihat pada Lampiran 3. Percobaan 2: 5-Fold Cross Validation dengan Regresi Linear. Pada percobaan ini, luas dan keliling daun yang sebenarnya akan coba didekati dengan regresi linear. Untuk perhitungan luas daun, luas yang telah dihitung sebelumnya dengan menggunakan buku berpetak merupakan variabel terikat (Y). Untuk variabel bebas (X) adalah luas daun yang dihitung menggunakan rumus luas elips, yaitu πr 1 r 2. Persamaan garis regresi linear yang dihasilkan dari kedua luas daun tersebut adalah : ŷ = x Diagram pencar yang dihasilkan dari kedua luas daun tersebut dapat dilihat pada Gambar 19. Gambar 19 Diagram pencar luas daun. Sama halnya dengan perhitungan keliling daun, keliling yang telah dihitung sebelumnya menggunakan benang merupakan variabel terikat (Y). Untuk variabel bebas (X) adalah keliling daun yang dihitung menggunakan rumus keliling elips, yaitu π (r 1 + r 2 ). Persamaan garis regresi linear yang dihasilkan dari kedua keliling daun tersebut adalah : ŷ = x Diagram pencar yang dihasilkan dari kedua keliling daun tersebut dapat dilihat pada Gambar 20. Gambar 20 Diagram pencar keliling daun. Dari kedua diagram pencar tersebut, terlihat bahwa ada hubungan linear antara variabel luas dan keliling daun yang telah dihitung sebelumnya dengan variabel luas dan keliling daun yang dihitung dengan menggunakan rumus elips. Dengan demikian, luas dan keliling daun yang sebenarnya diharapkan dapat didekati dengan hasil regresi linear tersebut. Seperti pada percobaan pertama, terlebih dahulu dilakukan pencarian parameter JST optimal untuk mendapatkan akurasi yang terbaik. Rincian pencarian parameter-parameter JST optimal dapat dilihat pada Lampiran 6. Parameter-parameter JST optimal yang didapatkan dari setiap percobaan disajikan pada Tabel 6. Tabel 6 Parameter JST optimal setiap iterasi percobaan dengan regresi linear Iterasi HN LR TG Akurasi % % % % % Rata-rata 94% 9
18 Pada iterasi pertama, kedua, ketiga, dan keempat dihasilkan akurasi sebesar 100% artinya seluruh jenis Shorea yang diidentifikasi dapat dikenali dengan benar. Pada iterasi kelima dihasilkan akurasi sebesar 70%, untuk jenis Shorea Seminis, Shorea Platyclados, dan Shorea Ovalis dihasilkan akurasi sebesar 100%, sedangkan untuk jenis Shorea Beccariana dihasilkan akurasi sebesar 0% dan Shorea Leprosula dihasilkan akurasi sebesar 50%. Pada iterasi ini, jenis Shorea Beccariana dan salah satu dari jenis Shorea Leprosula teridentifikasi sebagai Shorea Ovalis. Secara keseluruhan, tingkat akurasi untuk jenis Shorea Beccariana adalah 80%, untuk jenis Shorea Seminis adalah 100%, untuk jenis Shorea Platyclados adalah 100%, untuk jenis Shorea Leprosula adalah 90%, dan untuk jenis Shorea Ovalis adalah 100%. Tingkat akurasi yang dihasilkan untuk setiap jenis Shorea dapat dilihat pada Gambar 21. Gambar 21 Grafik tingkat akurasi setiap jenis Shorea dengan regresi linear. Kesalahan yang terjadi pada percobaan ini yaitu Shorea Beccariana dan Shorea Leprosula. yang diidentifikasi sebagai Shorea Ovalis. Kesalahan tersebut dapat terjadi karena nilai dari fitur nominal yang sama antara kedua jenis Shorea tersebut. Confusion Matrix untuk setiap iterasi pada percobaan 2, dapat dilihat pada Lampiran 4. Perbandingan Percobaan 1 dan Percobaan 2. Percobaan 1 dan percobaan 2 menghasilkan rata-rata tingkat akurasi yang berbeda untuk seluruh jenis Shorea yang diidentifikasi. Pada percobaan 1 dihasilkan rata-rata akurasi sebesar 90%, sedangkan pada percobaan 2 dihasilkan rata-rata akurasi sebesar 94%. Terlihat adanya peningkatan akurasi pada percobaan kedua dengan menggunakan regresi linear. Perbandingan tingkat akurasi yang dihasilkan pada setiap percobaan dapat dilihat pada Gambar 22. Gambar 22 Grafik perbandingan tingkat akurasi dari setiap percobaan. Kesimpulan KESIMPULAN DAN SARAN Penelitian ini dilakukan untuk mencari fiturfitur dari karakteristik morfologi daun yang dapat digunakan untuk mengidentifikasi jenis Shorea. Penggunaan Jaringan Syaraf Tiruan (JST) Propagasi Balik dalam mengidentifikasi jenis Shorea menghasilkan akurasi rata-rata 90%. Selain itu, pendekatan dengan regresi linear dilakukan untuk mendekati nilai luas dan keliling daun yang sebenarnya menggunakan rumus elips dan menghasilkan akurasi sebesar 94%. Saran Penelitian ini dapat dikembangkan lebih lanjut untuk mendapatkan hasil yang lebih baik, yaitu : 1. Penggunaan citra daun untuk mengidentifikasi daun Shorea. 2. Jenis Shorea yang digunakan lebih bervariasi. 3. Mencari fitur-fitur lain yang dapat digunakan untuk mengidentifikasi jenis Shorea. DAFTAR PUSTAKA Fu, L Neural Network in Computer Intelligence. McGraw-Hill, Singapore. Hardelina R Klasifikasi Buah Melon Berjaring Menggunakan Jaringan Syaraf Tiruan Propagasi Balik Resilient [skripsi]. Bogor : Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor. Hasanah N Analisis Taksonometri Pada Karakter Morfologi Daun Dikotiledon Kelas Magnoliopsida Menggunakan SOM Kohonen [skripsi]. Bogor : Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor. 10
19 Newman et al Pedoman Identifikasi Pohon-Pohon Dipterocarpaceae Jawa sampai Niugini. Bogor : PROSEA INDONESIA. Newman et al Pedoman Identifikasi Pohon-Pohon Dipterocarpaceae Pulau Kalimantan. Bogor : PROSEA INDONESIA. Newman et al Pedoman Identifikasi Pohon-Pohon Dipterocarpaceae Sumatera. Bogor : PROSEA INDONESIA. Tjitrosoepomo G Morfologi Tumbuhan. Yogyakarta : Fakultas Biologi, Universitas Gadjah Mada. Walpole RE Pengantar Statistika. Edisi ke-3. Jakarta : PT Gramedia Pustaka Utama. 11
20 LAMPIRAN 12
21 Lampiran 1 Contoh data daun Shorea. No. Panjang Lebar Permukaan Daun Ujung Daun Pangkal Daun Keliling Luas Sudut Jumlah Tulang Daun Shorea Beccariana Beccariana Seminis Seminis Platyclados Platyclados Leprosula Leprosula Ovalis Ovalis Keterangan : Permukaan Daun 0 : Atas bawah halus 1 : Atas halus bawah kasar Ujung Daun 0 : Runcing 1 : Meruncing Pangkal Daun 0 : Tumpul 1 : Membulat Lampiran 2 Arsitektur JST. X1 h1 Shorea Beccariana X2 X3 h2 Shorea Seminis Shorea Platyclados Shorea Leprosula Shorea Ovalis Output layer X9 hn 1 1 Input layer Hidden layer Keterangan : x n : banyaknya jumlah fitur karakteristik morfologi daun h n : banyaknya jumlah hidden neuron (10-100) 13
22 Lampiran 3 Confusion matrix percobaan 1. Iterasi 1 Iterasi 2 Iterasi 3 Iterasi 4 Iterasi 5 Shorea Kelas Prediksi Beccariana Seminis Platyclados Leprosula Ovalis Beccariana Seminis Platyclados Leprosula Ovalis Shorea Kelas Prediksi Beccariana Seminis Platyclados Leprosula Ovalis Beccariana Seminis Platyclados Leprosula Ovalis Shorea Kelas Prediksi Beccariana Seminis Platyclados Leprosula Ovalis Beccariana Seminis Platyclados Leprosula Ovalis Shorea Kelas Prediksi Beccariana Seminis Platyclados Leprosula Ovalis Beccariana Seminis Platyclados Leprosula Ovalis Shorea Kelas Prediksi Beccariana Seminis Platyclados Leprosula Ovalis Beccariana Seminis Platyclados Leprosula Ovalis
23 Lampiran 4 Confusion matrix percobaan 2. Iterasi 1 Iterasi 2 Iterasi 3 Iterasi 4 Iterasi 5 Shorea Kelas Prediksi Beccariana Seminis Platyclados Leprosula Ovalis Beccariana Seminis Platyclados Leprosula Ovalis Shorea Kelas Prediksi Beccariana Seminis Platyclados Leprosula Ovalis Beccariana Seminis Platyclados Leprosula Ovalis Shorea Kelas Prediksi Beccariana Seminis Platyclados Leprosula Ovalis Beccariana Seminis Platyclados Leprosula Ovalis Shorea Kelas Prediksi Beccariana Seminis Platyclados Leprosula Ovalis Beccariana Seminis Platyclados Leprosula Ovalis Shorea Kelas Prediksi Beccariana Seminis Platyclados Leprosula Ovalis Beccariana Seminis Platyclados Leprosula Ovalis
24 Lampiran 5 Pencarian parameter JST optimal pada percobaan 1. Iterasi Hidden Neuron % 80% 80% 90% 100% 90% 80% 80% 80% % 80% 70% 90% 80% 70% 80% 70% 90% 90% % 100% 80% 100% 100% 100% 100% 100% 80% 90% % 70% 80% 70% 70% 80% 90% 80% 80% 80% % 70% 70% 70% 70% 70% 70% 70% 70% 70% Iterasi Hidden Neuron Learning Rate % 90% 80% 80% 80% 80% 80% 90% 90% 90% % 70% 90% 70% 60% 80% 80% 80% 70% 80% % 80% 100% 80% 80% 100% 80% 80% 80% 90% % 90% 90% 90% 70% 70% 80% 90% 90% 80% % 70% 70% 70% 60% 70% 60% 60% 60% 60% Iterasi Hidden Neuron Learning Rate Toleransi Galat % 90% 90% 80% 90% 80% 90% epoh = epoh = epoh = epoh = epoh = epoh = epoh = % 90% 80% 80% 80% 70% 60% epoh = epoh = epoh = epoh = epoh = epoh = epoh = % 80% 80% 80% 80% 80% 80% epoh = epoh = epoh = epoh = epoh = epoh = epoh = % 90% 80% 90% 80% 90% 70% epoh = epoh = epoh = epoh = epoh = epoh = epoh = % 70% 60% 70% 60% 70% 60% epoh = epoh = epoh = epoh = epoh = epoh = epoh =
25 Lampiran 6 Pencarian parameter JST optimal pada percobaan 2. Iterasi Hidden Neuron % 100% 100% 80% 90% 100% 80% 90% 80% 90% epoh = epoh = epoh = epoh = epoh = epoh = epoh = epoh = epoh = % 80% 90% 80% 80% 80% 90% 80% 90% 90% % 100% 100% 100% 90% 100% 100% 90% 90% 90% % 70% 70% 80% 80% 70% 80% 80% 70% 80% % 70% 80% 80% 70% 70% 70% 70% 70% 70% Iterasi Hidden Neuron Learning Rate % 80% 80% 90% 80% 80% 80% 80% 90% 80% % 90% 90% 80% 80% 90% 80% 80% 80% 80% % 80% 80% 80% 80% 80% 80% 80% 80% 80% % 80% 80% 70% 70% 80% 80% 80% 70% 70% % 70% 70% 70% 70% 70% 60% 70% 70% 60% Iterasi Hidden Neuron Learning Rate Toleransi Galat % 80% 80% 80% 80% 80% 80% epoh = epoh = epoh = epoh = epoh = epoh = epoh = % 90% 90% 70% 80% 80% 70% epoh = epoh = epoh = epoh = epoh = epoh = epoh = % 80% 80% 80% 80% 80% 80% epoh = epoh = epoh = epoh = epoh = epoh = epoh = % 80% 80% 70% 80% 80% 80% epoh = epoh = epoh = epoh = epoh = epoh = epoh = % 80% 80% 70% 80% 60% 80% epoh = epoh = epoh = epoh = epoh = epoh = epoh =
PENDAHULUAN. Latar Belakang
Latar Belakang PENDAHULUAN Indonesia merupakan negara yang memiliki kawasan hutan hujan tropis dengan keanekaragaman spesies tumbuhan yang sangat tinggi dan formasi hutan yang beragam. Dipterocarpaceae
Lebih terperinciHASIL DAN PEMBAHASAN. Tabel 3 Contoh data Shorea hasil kodefikasi
8 disajikan contoh data Shorea hasil kodefikasi dari beberapa karakter yang bernilai nominal. Tabel 2 Karakter daun yang bernilai nominal Karakter Nilai Kode Bentuk tulang Tidak menempel 1 daun Permukaan
Lebih terperinciIDENTIFIKASI JENIS SHOREA (MERANTI) MENGGUNAKAN ALGORITME VOTING FEATURE INTERVALS 5 BERDASARKAN KARAKTERISTIK MORFOLOGI DAUN EVI SUSANTI
IDENTIFIKASI JENIS SHOREA (MERANTI) MENGGUNAKAN ALGORITME VOTING FEATURE INTERVALS 5 BERDASARKAN KARAKTERISTIK MORFOLOGI DAUN EVI SUSANTI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih terperinciABSTRACT. Keywords : Shorea, k-nearest Neighbour. iii
ABSTRACT BRYAN NURJAYANTI. Identification Using k-nearest Neighbour Based on Morphological Characteristics of Leaves. Supervised by AZIZ KUSTIYO. Dipterocarpaceae is a group of tropical plants that is
Lebih terperinciKLASIFIKASI JENIS SHOREA BERDASARKAN MORFOLOGI DAUN MENGGUNAKAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK LEVENBERG-MARQUARDT CORY DIANA LESTARI
KLASIFIKASI JENIS SHOREA BERDASARKAN MORFOLOGI DAUN MENGGUNAKAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK LEVENBERG-MARQUARDT CORY DIANA LESTARI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
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 terperinciIDENTIFIKASI DAUN SHOREA MENGGUNAKAN PROBABILISTIC NEURAL NETWORK DENGAN NORMALISASI FITUR MORFOLOGI DAUN ALITA WULAN DINI
IDENTIFIKASI DAUN SHOREA MENGGUNAKAN PROBABILISTIC NEURAL NETWORK DENGAN NORMALISASI FITUR MORFOLOGI DAUN ALITA WULAN DINI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT
Lebih terperinciIDENTIFIKASI DAUN SHOREA MENGGUNAKAN VOTING FEATURE INTERVAL 5 DENGAN DISCRETE WAVELET TRANSFORM ILVI NURRIZKI UTAMI
IDENTIFIKASI DAUN SHOREA MENGGUNAKAN VOTING FEATURE INTERVAL 5 DENGAN DISCRETE WAVELET TRANSFORM ILVI NURRIZKI UTAMI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN
Lebih terperinciBAB III METODE PENELITIAN
3.1. Kerangka Pemikiran BAB III METODE PENELITIAN Permasalahan yang akan dijawab atau tujuan yang ingin dicapai pada penelitian ini adalah untuk melakukan prakiraan beban listrik jangka pendek atau untuk
Lebih terperinci3. METODE PENELITIAN
19 3. METODE PENELITIAN 3.1 Diagram Alir Penelitian Kerangka pemikiran pada penelitian ini dapat digambarkan dalam suatu bagan alir seperti pada Gambar 8. Gambar 8 Diagram Alir Penelitian Pengumpulan Data
Lebih terperinciPREDIKSI PENDAPATAN ASLI DAERAH KALIMANTAN BARAT MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
PREDIKSI PENDAPATAN ASLI DAERAH KALIMANTAN BARAT MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Dwi Marisa Midyanti Sistem Komputer Universitas Tanjungpura Pontianak Jl Prof.Dr.Hadari Nawawi, Pontianak
Lebih terperinciAplikasi yang dibuat adalah aplikasi untuk menghitung. prediksi jumlah dalam hal ini diambil studi kasus data balita
BAB III ANALISA DAN PERANCANGAN SISTEM 3.1. Analisa dan Kebutuhan Sistem Analisa sistem merupakan penjabaran deskripsi dari sistem yang akan dibangun kali ini. Sistem berfungsi untuk membantu menganalisis
Lebih terperinciIDENTIFIKASI TANAMAN JATI MENGGUNAKAN PROBABILISTIC NEURAL NETWORK DENGAN EKSTRAKSI FITUR CIRI MORFOLOGI DAUN BANGUN ASANURJAYA
IDENTIFIKASI TANAMAN JATI MENGGUNAKAN PROBABILISTIC NEURAL NETWORK DENGAN EKSTRAKSI FITUR CIRI MORFOLOGI DAUN BANGUN ASANURJAYA Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer
Lebih terperinciBAB III METODOLOGI PENELITIAN
19 BAB III METODOLOGI PENELITIAN 3.1. Kerangka Pemikiran Kerangka pemikiran untuk penelitian ini seperti pada Gambar 9. Penelitian dibagi dalam empat tahapan yaitu persiapan penelitian, proses pengolahan
Lebih terperinciKLASIFIKASI POLA HURUF VOKAL DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION. Dhita Azzahra Pancorowati
KLASIFIKASI POLA HURUF VOKAL DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION Dhita Azzahra Pancorowati 1110100053 Jurusan Fisika Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Teknologi
Lebih terperinciPENENTUAN MODEL RETURN HARGA SAHAM DENGAN MULTI LAYER FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA RESILENT BACKPROPAGATION SKRIPSI
PENENTUAN MODEL RETURN HARGA SAHAM DENGAN MULTI LAYER FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA RESILENT BACKPROPAGATION (Studi Kasus : Harga Penutupan Saham Unilever Indonesia Tbk. Periode September
Lebih terperinciImplementasi Jaringan Syaraf Tiruan Backpropagation dan Steepest Descent untuk Prediksi Data Time Series
Implementasi Jaringan Syaraf Tiruan Backpropagation dan Steepest Descent untuk Prediksi Data Time Series Oleh: ABD. ROHIM (1206 100 058) Dosen Pembimbing: Prof. Dr. M. Isa Irawan, MT Jurusan Matematika
Lebih terperinciGeneralisasi rata-rata (%)
Lingkungan Pengembangan Sistem Sistem dikembangkan menggunakan kompiler Matlab R2008b dan sistem operasi Windows 7. Spesifikasi hardware komputer yang digunakan adalah Processor Intel (R) Atom (TM) CPU
Lebih terperinciHASIL DAN PEMBAHASAN. Gambar 3 Ilustrasi pencarian titik pusat dan jari-jari pupil. Segmentasi
4 Perangkat keras berupa Notebook: Processor intel Core i3 2.2 GHz. RAM kapasitas 2. GB. Harddisk Kapasitas 5 GB. Monitor pada resolusi 1366 x 768 piksel. Merek Acer Aspire 475. Perangkat lunak berupa:
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.6. Jaringan Syaraf Tiruan Jaringan syaraf tiruan atau neural network merupakan suatu sistem informasi yang mempunyai cara kerja dan karakteristik menyerupai jaringan syaraf pada
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MENGENALI TULISAN TANGAN HURUF A, B, C, DAN D PADA JAWABAN SOAL PILIHAN GANDA
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MENGENALI TULISAN TANGAN HURUF A, B, C, DAN D PADA JAWABAN SOAL PILIHAN GANDA (Studi Eksplorasi Pengembangan Pengolahan Lembar Jawaban Ujian Soal Pilihan Ganda di
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. Tabel 4.1 Kebutuhan Perangkat Keras. Perangkat Keras Spesifikasi Processor Intel Core i3. Sistem Operasi Windows 7
BAB IV HASIL DAN PEMBAHASAN 4.1 Kebutuhan Sistem Sebelum melakukan penelitian dibutuhkan perangkat lunak yang dapat menunjang penelitian. Perangkat keras dan lunak yang digunakan dapat dilihat pada Tabel
Lebih terperinciIDENTIFIKASI DAUN SHOREA MENGGUNAKAN KNN BERDASARKAN KOMPONEN WARNA DENGAN PRAPROSES DISCRETE WAVELET TRANSFORM SEPTY KURNIAWATI MASYHUD
IDENTIFIKASI DAUN SHOREA MENGGUNAKAN KNN BERDASARKAN KOMPONEN WARNA DENGAN PRAPROSES DISCRETE WAVELET TRANSFORM SEPTY KURNIAWATI MASYHUD DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih terperinciBAB IV JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK)
BAB IV JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) Kompetensi : 1. Mahasiswa memahami konsep Jaringan Syaraf Tiruan Sub Kompetensi : 1. Dapat mengetahui sejarah JST 2. Dapat mengetahui macam-macam
Lebih terperinciIdentifikasi Daun Shorea menggunakan KNN dengan Ekstraksi Fitur 2DPCA. Shorea Leaves Identification using KNN with 2DPCA Feature Extraction
Tersedia secara online di: http://journal.ipb.ac.id/index.php/jika Volume 3 Nomor 1 halaman 19-27 ISSN: 2089-6026 Identifikasi Daun Shorea menggunakan KNN dengan Ekstraksi Fitur 2DPCA Shorea Leaves Identification
Lebih terperinciPREDIKSI CURAH HUJAN DI KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK
PREDIKSI CURAH HUJAN DI KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK Yudhi Andrian 1, Erlinda Ningsih 2 1 Dosen Teknik Informatika, STMIK Potensi Utama 2 Mahasiswa Sistem Informasi, STMIK
Lebih terperinciIII. METODE PENELITIAN. A. Waktu dan Lokasi Penelitian. B. Perancangan Penelitian. C. Teknik Penentuan Sampel. D. Jenis dan Sumber Data
16 III. METODE PENELITIAN A. Waktu dan Lokasi Penelitian Penelitian dilaksanakan pada bulan Oktober 2015 s/d Januari 2016. Lokasi penelitian berada di Desa Giriharjo, Kecamatan Ngrambe, Kabupaten Ngawi,
Lebih terperinciPenerapan Jaringan Saraf Tiruan Metode Backpropagation Menggunakan VB 6
Penerapan Jaringan Saraf Tiruan Metode Backpropagation Menggunakan VB 6 Sari Indah Anatta Setiawan SofTech, Tangerang, Indonesia cu.softech@gmail.com Diterima 30 November 2011 Disetujui 14 Desember 2011
Lebih terperinciT 11 Aplikasi Model Backpropagation Neural Network Untuk Perkiraan Produksi Tebu Pada PT. Perkebunan Nusantara IX
T 11 Aplikasi Model Backpropagation Neural Network Untuk Perkiraan Produksi Tebu Pada PT. Perkebunan Nusantara IX Oleh: Intan Widya Kusuma Program Studi Matematika, FMIPA Universitas Negeri yogyakarta
Lebih terperinciMETODOLOGI PENELITIAN
III. METODOLOGI PENELITIAN A. Kerangka Pemikiran Perusahaan dalam era globalisasi pada saat ini, banyak tumbuh dan berkembang, baik dalam bidang perdagangan, jasa maupun industri manufaktur. Perusahaan
Lebih terperinciBAB IV PERANCANGAN & IMPLEMENTASI SISTEM
17 BAB IV PERANCANGAN & IMPLEMENTASI SISTEM 4.1 Desain. yang digunakan adalah jaringan recurrent tipe Elman dengan 2 lapisan tersembunyi. Masukan terdiri dari data : wind, SOI, SST dan OLR dan target adalah
Lebih terperinciPENGENALAN POLA GARIS DASAR KALIMAT PADA TULISAN TANGAN UNTUK MENGETAHUI KARAKTER SESEORANG DENGAN MENGGUNAKAN ALGORITMA RESILIENT BACKPROPAGATION
PENGENALAN POLA GARIS DASAR KALIMAT PADA TULISAN TANGAN UNTUK MENGETAHUI KARAKTER SESEORANG DENGAN MENGGUNAKAN ALGORITMA RESILIENT BACKPROPAGATION ABSTRAK Juventus Suharta (0722026) Jurusan Teknik Elektro
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 terperinciPOSITRON, Vol. IV, No. 2 (2014), Hal ISSN :
Modifikasi Estimasi Curah Hujan Satelit TRMM Dengan Metode Jaringan Syaraf Tiruan Propagasi Balik Studi Kasus Stasiun Klimatologi Siantan Fanni Aditya 1)2)*, Joko Sampurno 2), Andi Ihwan 2) 1)BMKG Stasiun
Lebih 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 terperinciPerbaikan Metode Prakiraan Cuaca Bandara Abdulrahman Saleh dengan Algoritma Neural Network Backpropagation
65 Perbaikan Metode Prakiraan Cuaca Bandara Abdulrahman Saleh dengan Algoritma Neural Network Backpropagation Risty Jayanti Yuniar, Didik Rahadi S. dan Onny Setyawati Abstrak - Kecepatan angin dan curah
Lebih terperinciPemodelan Jaringan Syaraf Tiruan Untuk Memprediksi Awal Musim Hujan Berdasarkan Suhu Permukaan Laut
Tersedia secara online di: http://journal.ipb.ac.id/index.php/jika Volume 1 Nomor 2 Halaman 52-61 ISSN: 2089-6026 Pemodelan Jaringan Syaraf Tiruan Untuk Memprediksi Awal Musim Hujan Berdasarkan Suhu Permukaan
Lebih terperinciIMPLEMENTASI JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI HARGA SAHAM
IMPLEMENTASI JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI HARGA SAHAM Ayu Trimulya 1, Syaifurrahman 2, Fatma Agus Setyaningsih 3 1,3 Jurusan Sistem Komputer, Fakultas MIPA Universitas
Lebih terperinciLingkungan Pengembangan HASIL DAN PEMBAHASAN
aturan 3--5 untuk menentukan interval akan dibagi menjadi berapa kelompok. Hasilnya akan menjadi hirarki paling atas. Kemudian nilai maksimum dan nilai minimum diperiksa apakah nilainya masuk ke dalam
Lebih terperinciIV. HASIL DAN PEMBAHASAN A.
IV. HASIL DAN PEMBAHASAN A. Persiapan Data Untuk Analisis Jaringan Syaraf Tahapan pertama sebelum merancang model jaringan syaraf tiruan adalah menyiapkan data. Secara garis besar tahapan-tahapan dalam
Lebih terperinciJARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI CURAH HUJAN SUMATERA UTARA DENGAN METODE BACK PROPAGATION (STUDI KASUS : BMKG MEDAN)
JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI CURAH HUJAN SUMATERA UTARA DENGAN METODE BACK PROPAGATION (STUDI KASUS : BMKG MEDAN) Marihot TP. Manalu Mahasiswa Program Studi Teknik Informatika, STMIK Budidarma
Lebih terperinciIdentifikasi Jenis Kayu Menggunakan Support Vector Machine Berbasis Data Citra
Tersedia secara online di: http://journal.ipb.ac.id/index.php/jika Volume 3 Nomor 1 halaman 1-8 ISSN: 2089-6026 Identifikasi Jenis Kayu Menggunakan Support Vector Machine Berbasis Data Citra Wood Type
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 terperinci2 2 ... v... 3 Santoso... 21 abawa... 29... 37... 53... 59... 67... 77 Yohakim Marwanta... 85... 89... 101 ... 109... 117 D. Jaringan Komputer Amirudd... 135 andha... 141... 151... 165 Syahrir... 171...
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Forecasting Forecasting (peramalan) adalah seni dan ilmu untuk memperkirakan kejadian di masa yang akan datang. Hal ini dapat dilakukan dengan melibatkan data historis dan memproyeksikannya
Lebih terperinciPengembangan Aplikasi Prediksi Pertumbuhan Ekonomi Indonesia dengan Jaringan Syaraf Tiruan Backpropagation
Erlangga, Sukmawati Nur Endah dan Eko Adi Sarwoko Pengembangan Aplikasi Prediksi Pertumbuhan Ekonomi Indonesia dengan Jaringan Syaraf Tiruan Backpropagation Erlangga, Sukmawati Nur Endah dan Eko Adi Sarwoko
Lebih terperinciBAB 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 terperinciPENENTUAN MODEL RETURN HARGA SAHAM DENGAN MULTI LAYER FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA RESILENT BACKPROPAGATION
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 1, Tahun 2016, Halaman 203-209 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PENENTUAN MODEL RETURN HARGA SAHAM DENGAN MULTI LAYER FEED FORWARD
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 terperinciIDENTIFIKASI JENIS POHON FAMILI DIPTEROCARPACEAE DI KAWASAN ARBORETUM SYLVA UNIVERSITAS TANJUNGPURA PONTIANAK
IDENTIFIKASI JENIS POHON FAMILI DIPTEROCARPACEAE DI KAWASAN ARBORETUM SYLVA UNIVERSITAS TANJUNGPURA PONTIANAK (Identifaction Of Dipterocarpaceae Family In Area Of Arboretum Sylva University Of Tanjungpura
Lebih terperinciPEMODELAN JARINGAN SYARAF TIRUAN RECURRENT YANG TEROPTIMASI SECARA HEURISTIK UNTUK PENDUGAAN CURAH HUJAN BERDASARKAN PEUBAH ENSO
PEMODELAN JARINGAN SYARAF TIRUAN RECURRENT YANG TEROPTIMASI SECARA HEURISTIK UNTUK PENDUGAAN CURAH HUJAN BERDASARKAN PEUBAH ENSO AFAN GALIH SALMAN Tesis Sebagai salah satu syarat untuk memperoleh gelar
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI VOLUME PEMAKAIAN AIR BERSIH DI KOTA PONTIANAK
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI VOLUME PEMAKAIAN AIR BERSIH DI KOTA PONTIANAK [1] Meishytah Eka Aprilianti, [2] Dedi Triyanto, [3] Ilhamsyah [1] [2] [3] Jurusan Sistem Komputer, Fakultas
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Jaringan Syaraf Tiruan Artificial Neural Network atau Jaringan Syaraf Tiruan (JST) adalah salah satu cabang dari Artificial Intelligence. JST merupakan suatu sistem pemrosesan
Lebih terperinciPERANCANGAN PROGRAM PENGENALAN BENTUK MOBIL DENGAN METODE BACKPROPAGATION DAN ARTIFICIAL NEURAL NETWORK SKRIPSI
PERANCANGAN PROGRAM PENGENALAN BENTUK MOBIL DENGAN METODE BACKPROPAGATION DAN ARTIFICIAL NEURAL NETWORK SKRIPSI Oleh Nama : Januar Wiguna Nim : 0700717655 PROGRAM GANDA TEKNIK INFORMATIKA DAN MATEMATIKA
Lebih terperinciIDENTIFIKASI TANDA TANGAN MENGGUNAKAN ALGORITMA DOUBLE BACKPROPAGATION ABSTRAK
IDENTIFIKASI TANDA TANGAN MENGGUNAKAN ALGORITMA DOUBLE BACKPROPAGATION Disusun oleh: Togu Pangaribuan 0722087 Jurusan Teknik Elektro, Fakultas Teknik, Jl. Prof.Drg. Suria Sumantri, MPH No. 65, Bandung
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 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 III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Desain Penelitian Gambar 3.1 menggambarkan desain penelitian peramalan volume penumpang kereta api di pulau Jawa-Sumatera dengan metode Jaringan Syaraf Tiruan Backpropagation.
Lebih terperinciMODEL PEMBELAJARAN JARINGAN SYARAF TIRUAN UNTUK OTOMATISASI PENGEMUDIAN KENDARAAN BERODA TIGA
MODEL PEMBELAJARAN JARINGAN SYARAF TIRUAN UNTUK OTOMATISASI PENGEMUDIAN KENDARAAN BERODA TIGA Ramli e-mail:ramli.brt@gmail.com Dosen Tetap Amik Harapan Medan ABSTRAK Jaringan Syaraf Tiruan adalah pemrosesan
Lebih terperinciIDENTIFIKASI DAUN SHOREA DENGAN BACKPROPAGATION NEURAL NETWORK MENGGUNAKAN EKSTRAKSI FITUR DISCRETE WAVELET TRANSFORM DAN EKSTRAKSI WARNA HSV
IDENTIFIKASI DAUN SHOREA DENGAN BACKPROPAGATION NEURAL NETWORK MENGGUNAKAN EKSTRAKSI FITUR DISCRETE WAVELET TRANSFORM DAN EKSTRAKSI WARNA HSV IMAN AKBAR RAMADHAN Skripsi sebagai salah satu syarat untuk
Lebih terperinciIDENTIFIKASI DAUN TANAMAN JATI MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION DENGAN EKSTRAKSI FITUR CIRI MORFOLOGI DAUN ASEP HARYONO
IDENTIFIKASI DAUN TANAMAN JATI MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION DENGAN EKSTRAKSI FITUR CIRI MORFOLOGI DAUN ASEP HARYONO DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih terperinciBAB III METODOLOGI PENELITIAN
38 BAB III METODOLOGI PENELITIAN 3.1 Desain Penelitian Studi Literatur: Peramalan, Curah Hujan, Knowledge Discovery in Database, Jaringan Saraf Tiruan, Backpropagation, Optimalisasasi Backpropagation Pengumpulan
Lebih terperinciGambar 3.1 Desain Penelitian
METODOLOGI PENELITIAN 3.1 Desain Penelitian Studi Literatur: Permalan Time Series, Harga Minyak Bumi, Jaringan Syaraf Tiruan, Backpropagation Pengumpulan Data Harga Minyak Bumi di Indonesia Perancangan
Lebih terperinciBAB 1 PENDAHULUAN. 1 Universitas Kristen Maranatha. Gambar 1.1 : Ilustrasi jaringan syaraf manusia yang diadaptasi untuk ANN (Kriesel, 2011)
BAB 1 PENDAHULUAN 1.1 Latar Belakang Rentannya kesalahan yang dapat terjadi oleh pekerjaan yang dilakukan oleh manusia dalam menganalisa, atau ketika mencoba membangun relasi antar fitur yang berjumlah
Lebih terperinciBAB III METODE PENELITIAN. Desain penelitian untuk pengenalan nama objek dua dimensi pada citra
BAB III METODE PENELITIAN 3.1 Desain Penelitian Desain penelitian untuk pengenalan nama objek dua dimensi pada citra adalah sebagai berikut. Gambar 3.1 Desain Penelitian 34 35 Penjelasan dari skema gambar
Lebih terperinciBulu mata. Generalisasi= Jumlah pola dikenali dengan benar x 100% Jumlah total pola
Generalisasi Hasil penelitian ini diukur menggunakan nilai konvergen dan generalisasi. Nilai konvergen adalah tingkat kecepatan jaringan untuk mempelajari pola input yang dinyatakan dalam satuan iterasi
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 terperinciMEMPREDIKSI KECERDASAN SISWA MENGGUNAKAN JARINGAN SYARAF TIRUAN BERBASIS ALGORITMA BACKPROPAGATION (STUDI KASUS DI LP3I COURSE CENTER PADANG)
MEMPREDIKSI KECERDASAN SISWA MENGGUNAKAN JARINGAN SYARAF TIRUAN BERBASIS ALGORITMA BACKPROPAGATION (STUDI KASUS DI LP3I COURSE CENTER PADANG) R. Ayu Mahessya, S.Kom, M.Kom, Fakultas Ilmu Komputer Universitas
Lebih terperinciBAB IV IMPLEMENTASI DAN PENGUJIAN
68 BAB IV IMPLEMENTASI DAN PENGUJIAN Bab ini membahas tentang program yang telah dianalisis dan dirancang atau realisasi program yang telah dibuat. Pada bab ini juga akan dilakukan pengujian program. 4.1
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENYAKIT SALURAN PERNAFASAN DENGAN METODE BACKPROPAGATION
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENYAKIT SALURAN PERNAFASAN DENGAN METODE BACKPROPAGATION [1] Novi Indah Pradasari, [2] F.Trias Pontia W, [3] Dedi Triyanto [1][3] Jurusan Sistem Komputer,
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 terperinciBAB III METODE PENELITIAN. Penelitian ini dilaksanakan Februari 2014 sampai dengan Juli 2014 di
BAB III METODE PENELITIAN A. Waktu dan Tempat Penelitian Penelitian ini dilaksanakan Februari 2014 sampai dengan Juli 2014 di Laboratorium Pemodelan Fisika, Jurusan Fisika, Fakultas Matematika dan Ilmu
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. perangkat. Alat dan bahan yang digunakan sebelum pengujian:
BAB IV HASIL DAN PEMBAHASAN 4.1 Pengujian Perangkat Lunak Dalam mengetahui perangkat lunak yang dibuat bisa sesuai dengan metode yang dipakai maka dilakukan pengujian terhadap masing-masing komponen perangkat.
Lebih terperinciPrediksi Curah Hujan Di Kota Pontianak Menggunakan Parameter Cuaca Sebagai Prediktor Pada Skala Bulanan, Dasarian Dan Harian Asri Rachmawati 1)*
Prediksi Curah Hujan Di Kota Pontianak Menggunakan Parameter Cuaca Sebagai Prediktor Pada Skala Bulanan, Dasarian Dan Harian Asri Rachmawati 1)* 1)Stasiun Meteorologi Supadio Pontianak Badan Meteorologi
Lebih terperincii. Perangkat Keras Prosesor Intel Pentium(R) Dual-Core CPU 2.20 GHz
Data yang pada awalnya berupa chanel stereo diubah ke dalam chanel mono. Kemudian data tersebut disimpan dengan file berekstensi WAV. Praproses Pada tahap ini dilakukan ekstraksi ciri menggunakan metode
Lebih 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. 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 terperinciANALISIS PERBANDINGAN METODE BACKPROPAGATION DAN RADIAL BASIS FUNCTION UNTUK MEM PREDIKSI CURAH HUJAN DENGAN JARINGAN SYARAF TIRUAN
ANALISIS PERBANDINGAN METODE BACKPROPAGATION DAN RADIAL BASIS FUNCTION UNTUK MEM PREDIKSI CURAH HUJAN DENGAN JARINGAN SYARAF TIRUAN Abstrak Vinsensius Rinda Resi - NIM : A11.2009.04645 Program Studi Teknik
Lebih terperinciANALISA JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MENGETAHUI LOYALITAS KARYAWAN
ANALISA JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MENGETAHUI LOYALITAS KARYAWAN Jasmir, S.Kom, M.Kom Dosen tetap STIKOM Dinamika Bangsa Jambi Abstrak Karyawan atau tenaga kerja adalah bagian
Lebih terperinciPERANCANGAN PARAMETER TERBAIK UNTUK PREDIKSI PRODUKSI BAN GT3 MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILIENT PROPAGATION
PERANCANGAN PARAMETER TERBAIK UNTUK PREDIKSI PRODUKSI BAN GT3 MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILIENT PROPAGATION Fitrisia, Adiwijaya, dan Andrian Rakhmatsyah Program Studi S1 Teknik Informatika,
Lebih 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 terperinciARSITEKTUR JARINGAN SYARAF TIRUAN UNTUK PEMODELAN PROSES EKSTRAKSI ATURAN DENGAN SEARCH TREE
ARSITEKTUR JARINGAN SYARAF TIRUAN UNTUK PEMODELAN PROSES EKSTRAKSI ATURAN DENGAN SEARCH TREE Rina Dewi Indah Sari 1 dan Gunawan 2 1 Teknik Informatika STMIK ASIA Malang 2 Teknik Informatika STTS Surabaya
Lebih terperinciJaringan Syaraf Tiruan. Disusun oleh: Liana Kusuma Ningrum
Jaringan Syaraf Tiruan Disusun oleh: Liana Kusuma Ningrum Susilo Nugroho Drajad Maknawi M0105047 M0105068 M01040 Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sebelas Maret
Lebih terperinciANALISIS DAN PERACANGAN APLIKASI SISTEM PENDETEKSI GANGGUAN JARINGAN KOMPUTER MENGGUNAKAN MULTILAYER DENGAN PELATIHAN FEEDFORWARD SKRIPSI
ANALISIS DAN PERACANGAN APLIKASI SISTEM PENDETEKSI GANGGUAN JARINGAN KOMPUTER MENGGUNAKAN MULTILAYER DENGAN PELATIHAN FEEDFORWARD SKRIPSI SISKA MELINWATI 061401040 PROGRAM STUDI SARJANA ILMU KOMPUTER DEPARTEMEN
Lebih terperinciBAB III METODELOGI PENELITIAN. Alat yang digunakan dalam penelitian ini adalah: a. Prosesor : Intel Core i5-6198du (4 CPUs), ~2.
BAB III METODELOGI PENELITIAN 3.1 Alat dan Bahan Penelitian 3.1.1 Alat Alat yang digunakan dalam penelitian ini adalah: 1. Hardware a. Prosesor : Intel Core i5-6198du CPU @2.30GHz (4 CPUs), ~2.40GHz b.
Lebih terperinciPENGENALAN SPESIES NEMATODA PURU AKAR (Meloidogyne spp.) MELALUI KARAKTER MORFOLOGI EKOR MENGGUNAKAN JARINGAN SYARAF TIRUAN RONI BUDIMAN
PENGENALAN SPESIES NEMATODA PURU AKAR (Meloidogyne spp.) MELALUI KARAKTER MORFOLOGI EKOR MENGGUNAKAN JARINGAN SYARAF TIRUAN RONI BUDIMAN DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih terperinciKLASIFIKASI HAMA DAN PENYAKIT TANAMAN JAGUNG DENGAN MENGGUNAKAN NEURAL NETWORK BERBASIS ALGORITMA GENETIKA
KLASIFIKASI HAMA DAN PENYAKIT TANAMAN JAGUNG DENGAN MENGGUNAKAN NEURAL NETWORK BERBASIS ALGORITMA GENETIKA Rais 1 email: rais.hojawa@gmail.com 1 Politeknik Harapan Bersama Jalan Mataram No 9 Kota Tegal
Lebih terperinciPENERAPAN JARINGAN SYARAF TIRUAN DALAM MEMPREDIKSI TINGKAT PENGANGGURAN DI SUMATERA BARAT
PENERAPAN JARINGAN SYARAF TIRUAN DALAM MEMPREDIKSI TINGKAT PENGANGGURAN DI SUMATERA BARAT Havid Syafwan Program Studi Manajemen Informatika, Amik Royal, Kisaran E-mail: havid_syafwan@yahoo.com ABSTRAK:
Lebih terperinciANALISIS GRAFOLOGI BERDASARKAN HURUF a DAN t MENGGUNAKAN ALGORITME K-NEAREST NEIGHBOR AMANDA KARATIKA HUBEIS
ANALISIS GRAFOLOGI BERDASARKAN HURUF a DAN t MENGGUNAKAN ALGORITME K-NEAREST NEIGHBOR AMANDA KARATIKA HUBEIS DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
Lebih terperinciKLASIFIKASI POLA UKIR KAYU JEPARA BERDASARKAN DETEKSI TEPI BERBASIS JARINGAN SYARAF TIRUAN
LAPORAN SKRIPSI KLASIFIKASI POLA UKIR KAYU JEPARA BERDASARKAN DETEKSI TEPI BERBASIS JARINGAN SYARAF TIRUAN VAHRUL MEILANI NIM.2012-51-115 DOSEN PEMBIMBING Endang Supriyati, M.Kom Alif Catur Murti, S.Kom,
Lebih terperinciBAB II. Penelitian dengan jaringan syaraf tiruan propagasi balik. dalam bidang kesehatan sebelumnya pernah dilakukan oleh
BAB II TINJAUAN PUSTAKA DAN DASAR TEORI 2.1. Tinjauan Pustaka Penelitian dengan jaringan syaraf tiruan propagasi balik dalam bidang kesehatan sebelumnya pernah dilakukan oleh Sudharmadi Bayu Jati Wibowo
Lebih terperinciPREDIKSI PERHITUNGAN DOSIS RADIASI PADA PEMERIKSAAN MAMMOGRAFI MENGGUNAKAN ALGORITMA JARINGAN SYARAF TIRUAN PROPAGASI BALIK
Berkala Fisika ISSN : 1410-9662 Vol.18, No.4, Oktober 2015, hal 151-156 PREDIKSI PERHITUNGAN DOSIS RADIASI PADA PEMERIKSAAN MAMMOGRAFI MENGGUNAKAN ALGORITMA JARINGAN SYARAF TIRUAN PROPAGASI BALIK Zaenal
Lebih terperinciBAB III. METODOLOGI. kegiatan manusia membuat penelitian dengan domain teknik informatika
BAB III. METODOLOGI 3.1. Kerangka Pikir Teknik informatika yang memiliki andil yang cukup besar dalam berbagai kegiatan manusia membuat penelitian dengan domain teknik informatika merupakan hal yang menarik
Lebih terperinciPENGENALAN POLA KEPUASAN MAHASISWA TERHADAP KEGIATAN BELAJAR MENGAJAR (STUDI KASUS DI STMIK AKAKOM YOGYAKARTA) Abstrak
PENGENALAN POLA KEPUASAN MAHASISWA TERHADAP KEGIATAN BELAJAR MENGAJAR (STUDI KASUS DI STMIK AKAKOM YOGYAKARTA) Dini Fakta Sari Teknik Informatika STMIK AKAKOM Yogyakarta dini@akakom.ac.id Abstrak Tenaga
Lebih terperinciBAB II LANDASAN TEORI. titiktitik penyusun citra itu sendiri. Titik-titik tersebut disebut dengan pixel. Banyaknya
BAB II LANDASAN TEORI 2. Citra/Image Citra atau yang lebih sering dikenal dengan gambar merupakan kumpulan dari titiktitik penyusun citra itu sendiri. Titik-titik tersebut disebut dengan pixel. Banyaknya
Lebih terperinciMODEL PERAMALAN HARGA SAHAM DENGAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK TRIANA ENDANG
MODEL PERAMALAN HARGA SAHAM DENGAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK TRIANA ENDANG SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2008 PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI Dengan ini
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Perangkat keras komputer berkembang dengan pesat setiap tahunnya selalu sudah ditemukan teknologi yang lebih baru. Meskipun demikian masih banyak hal yang belum dapat
Lebih 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 terperinciPRISMA FISIKA, Vol. I, No. 1 (2013), Hal ISSN :
Prediksi Tinggi Signifikan Gelombang Laut Di Sebagian Wilayah Perairan Indonesia Menggunakan Jaringan Syaraf Tiruan Metode Propagasi Balik Abraham Isahk Bekalani, Yudha Arman, Muhammad Ishak Jumarang Program
Lebih terperinciSISTEM PENGENALAN KARAKTER DENGAN JARINGAN SYARAF TIRUAN ALGORITMA PERCEPTRON
Jurnal Informatika Mulawarman Vol. 7 No. 3 Edisi September 2012 105 SISTEM PENGENALAN KARAKTER DENGAN JARINGAN SYARAF TIRUAN ALGORITMA PERCEPTRON Anindita Septiarini Program Studi Ilmu Komputer FMIPA,
Lebih terperinci