JURNAL INFORMATIKA PENGENALAN PLAT NOMOR KENDARAAN DALAM SEBUAH CITRA MENGUNAKAN JARINGAN SARAF TIRUAN

Ukuran: px
Mulai penontonan dengan halaman:

Download "JURNAL INFORMATIKA PENGENALAN PLAT NOMOR KENDARAAN DALAM SEBUAH CITRA MENGUNAKAN JARINGAN SARAF TIRUAN"

Transkripsi

1 PENGENALAN PLAT NOMOR KENDARAAN DALAM SEBUAH CITRA MENGUNAKAN JARINGAN SARAF TIRUAN Decy Nataliana [1], Sabat Anwari [2], Arief Hermawan [3] Jurusan Teknik Elektro Institut Teknologi Nasional Bandung ABSTRAK Pengenalan pola merupakan bidang dalam pembelajaran mesin, salah satu aplikasinya adalah pengenalan pola angka dan huruf dari sebuah citra menggunakan jaringan saraf tiruan. Jaringan saraf tiruan sendiri merupakan sistem pemroses informasi yang memiliki karakteristik seperti jaringan saraf biologis. Jaringan saraf tiruan ini sebelum digunakan harus dilatih terlebih dahulu agar nantinya dapat digunakan untuk mengenali suatu pola yang menyerupai pola yang sudah dilatih. Jaringan saraf tiruan yang digunakan adalah JST backpropagation Program yang dibuat akan menampilkan citra input kemudian mencari dan mengekstrak plat nomor kendaraan, kemudian melakukan segmentasi citra plat nomor menjadi citra karakter. Langkah terakhir yang dilakukan adalah mengenali tiap citra karakter hasil segmentasi dengan menggunakan jaringan saraf tiruan backpropagation. program yang digunakan dalam pembuatan program pengenalan karakter ini adalah Matlab. Pembuatan program ini dibagi menjadi dua tahap yanitu pembuatan GUI dan pembuatan subprogram yang bersesuaian dengan GUI yang telah dibuat. Hasil pengenalan plat nomor kendaraan dengan menggunakan JST memiliki tingkat keberhasilan 46,32% dengan waktu rata rata yang dibutuhkan untuk mengenali tiap plat nomor adalah 1,76 detik, sedangkan metoda pembandingnya adalah metoda template matching yang memiliki tingkat keberhasilan 72,37% dengan waktu rata rata yang dibutuhkan untuk mengenali tiap plat nomor adalah 21,14 detik. Kata kunci: Pengenalan Pola, Plat Nomor Kendaraan, Jaringan Saraf Tiruan, Matlab

2 ABSTRACT Pattern recognition is a field on machine learning, ones of application is number and latter pattern recognition from an image using artificial neural network. Artificial neural network is informational system processing that having characteristic like biological neural network. This artificial neural network have to be trained before it can be used to recognition a pattern that is like the pattern that have been trained. The artificial neural network that have been used is backpropagation ANN. This program will showing input image then the program will search and extract license plat number and then doing segmentation plat number image to become character image. The last step is recognition each of image character from the segmentation process using backpropagation artificial neural network. This character recognition program is made using Matlab. The making of this program divided by two step : the making of GUI and the making od subprogram that have correlation with GUI. the result of the license plat number recognition by using ANN have success rate 46,23% with average time to recognition license plat number is 1,76 second, meanwhile the other method, template matching, have success rate 72,73% with average time to recognition license plate number is 21,14 second. Keywords : Pattern Recognition, License Plate Number, Artificial Neural Network, Matlab I. Pendahuluan 1.1. Latar Belakang Pengenalan pola merupakan bidang dalam pembelajaran mesin. Pengenalan pola dapat diartikan sebagai sebuah tindakan mengambil data mentah dan bertindak berdasarkan klasifikasi data. Salah satu aplikasinya adalah pengenalan pola angka dan huruf dari sebuah citra menggunakan jaringan saraf tiruan. Jaringan saraf tiruan sendiri merupakan sistem promroses informasi yang memiliki karakteristik seperti jaringan saraf biologis. Jaringan saraf tiruan ini sebelum digunakan harus dilatih terlebih dahulu agar nantinya dapat digunakan untuk mengenali suatu pola yang menyerupai pola yang sudah dilatih. Disini jaringan saraf tiruan digunakan untuk mengenali pola karakter dari sebuah citra plat nomor kendaraan 1.2. Tujuan Tujuan dari pembuatan program ini adalah program dapat mengenali karakter dari plat nomor kendaraan dalam sebuah citra Batasan Masalah Dalam pembuatan program untuk tugas akhir ini terdapat beberapa batasan masalah agar tidak meluas : Program hanya dapat mendeteksi sebuah plat nomor yang berwarna hitam dalam sebuah citra. Program hanya dapat mengenali nomor kendaraan, tidak beserta dengan masa berlakunya. Menggunakan gambar berformat bmp dan jpeg berukuran 1280 x 1024 piksel. Plat nomor kendaraan yang digunakan sesuai dengan standar yang berlaku dan terlihat jelas dalam citra. Pengenalan menggunakan jaringan saraf tiruan backpropagation II. Dasar teori 2.1. Penglolahan Citra Digital [1,2] Ada beberapa pengertian tentang citra digital. Salah satunya adalah bahwa citra digital merupakan suatu matrik dimana indeks baris dan kolomnya menyatakan suatu titik pada citra tersebut dan elemen matriknya menyatakan intensitas pada titik tersebut. Jika citra dinyatakan dalam

3 bentuk koordinat maka akan seperti gambar berikut ini Gambar 2. 1 Citra Dalam Koordinat Meskipun citra memiliki banyak informasi akan tetapi sering kali citra tersebut harus diolah kembali agar sesuai dengan citra kebutuhan yang ada. Menurut Wikipedia pengolahan citra digital adalah penggunaan algoritma komputer untuk melakukan pemrosesan citra dalam citra digital. Secara garis besar, pengolahan citra digital menurut outputnya dibagi menjadi dua, yaitu : Outputnya citra Pengolahan citra digital pada kategori ini berhubungan dengann teknik mentransformasikan citra menjadi citra lain, seperti memperbaiki citra, meningkatkan kualitas citra, atau mengkompres citra agar ukuran file- citra nya lebih kecil. Outputnya komponen / atribut Pada kategori ini pengolahan citra digunakan untuk menghasilkan suatu komponen dari citra untuk diolah lebih lanjut. Biasanya digunakan untuk mengenali suatu pola tertentu dari citra 2.2. Jaringan Saraf Tiruan [8] Jaringan saraf tiruan sederhana pertama kali diperkenalkan oleh McCulloch dan Pitts di tahun McCulloch dan Pitts menyimpulkan bahwa kombinasi beberapaa neuron sederhana menjadi sebuah system neural akan meningkatkan kemampuan komputasinya. Bobot dala jaringan yang No.3, Vol. 2, September Desember 2011 diusulkan oleh McCulloch dan Pitts diatur untuk melakukan fungsi logika sederhana. Fungsi aktivasi yang digunakan adalah fungsi threshold. Jaringan saraf tiruan (JST) adalah sistem memiliki pemrosesan karakteristik informasi mirip yang dengan jaringan saraf biologis. JST dibentuk sebeagai generalisasi model matematika dari jaringan saraf biologis, dengan asumsi : a. Pemrosesan informasi terjadi pada banyak elemen sederhana (neuron) b. Sinyal dikirimkan diantara neuron neuron melalui penghubung c. Penghubung neuron memiliki bobot yang akan memperkuat atau memperlemah sinyal d. Untuk menentukan output, setiap neuron menggunakan fungsi aktivasi yang diterapkan pada jumlah input yang diterima. Besarnyaa output ini kemudian threshold. dibandingkan dengan Jaringan saraf tiruan Jaringan saraf tiruan dibentuk oleh tiga hal, yaitu : a. Pola hubungann antar neuron (arsitektur jaringan). b. Metode untuk menentukan bobot penghubung pelatihan). (training / learning / c. Fungsi aktivasi JST Backpropagation JST dengann lapis tunggal memiliki keterbatasan dalam pengenalan pola. Kelemahan ini bisa diatasi dengan menambahkan satu lapisan atau beberapa lapisan tersembunyi diantara lapisan input dan lapisan output. Meskipun penggunaan lapisan tersembunyi lebih dari satu memiliki kelebihan manfaat untuk beberapa kasus, akan tetapi pelatihannya memerlukan waktu yang lebih lama. Seperti arsitektur yang lain, backpropagation melatih jaringan untuk mendapatkan keseimbangan antara kemampuan jaringan untuk mengenali pola 48

4 yang digunakan selama pelatihan serta kemampuan jaringann untuk memberikan respon yang benar terhadap pola input yang serupa dengann pola yang dipakai selama pelatihan. a. Arsitektur backpropagation Backpropagation memiliki beberapa unit neuron dalam lapisan tersembunyi. Gambar berikut ini adalah contoh arsitekturr backpropagation dengan n buah neuron input (ditambah dengan sebuah bias), sebuah lapisan tersembunyi yang terdiri p unit neuron (ditambah dengan sebuah bias), serta m buah neuron unit output. Gambar 2.22 Arsitektur Backpropagation V ij merupakan bobot dari unit input x i ke unit lapisan tersembuyi z j (v j0 merupakan bobot yang menghubungkan bias di unit masukkan ke unit lapisan tersembunyi z j ), sedangkan w kj merupakan bobot dari unit lapisan tersembunyi z j ke unit output y k (w k0 ) merupakan bobot dari bias di lapisan tersembunyi ke unit keluaran z k ). b. Fase backpropagation Backpropagation memiliki tiga fase yang harus dilakukan. Fase pertama adalah fase maju, pola input dihitung maju mulai dari lapisan input hingga lapisan output dengan menggunakan suatuu fungsi aktivasi. Fase kedua adalah fase mundur, selisih antara output jaringann dengan output yang diinginkan (target) merupakan kesalahan atau error. Error ini kemudian dirambatkan mundur, dimulai dari yang No.3, Vol. 2, September Desember 2011 berhubungan langsung dengan unit unit lapisan output sampai ke lapisan input. Fase ketiga adalah memodifikasi bobot untuk menurunkann error yang ada. 1. Fase I : propagasi maju Selama propagasi maju, sinyal input (x i ) dipropagasikan ke lapisan tersembunyi menggunakan fungsi aktivasi yang sudah ditentukan. Keluaran dari setiap unit lapisan tersembunyi (z j ) selanjutnya dipropagasikan maju ke lapisan tersembunyi selanjutnyaa dengan menggunakan suatu fungsi aktivasi. Demikian seterusnya hingga menghasilkan outputt jaringan (y k ) Selanjutnya output jaringan (y k ) dibandingkan dengan targett yang harus dicapai (t k ). Selisih antaraa target dan outputt adalah suatu nilai kesalahan (error), jika nilai error ini lebih kecil dari batas toleransi yang ditentukan maka iterasi akan dihentikan. Akan tetapi jika nilai error masih lebih besar dari batas toleransinya, maka bobot dalam jaringan akan dimodifikasi untuk mengurangi kesalahan yang ada. 2. Fase II : propagasi mundur Berdasarkan nilai error, dihitunglah factor δ k (k = 1, 2,, m) yang dipakai untuk mendistribusikan kesalahan di unit y k ke semua unit tersembunyi yang terhubung langsung dengan y k. δ k juga digunakan untuk mengubah bobot yang berhubungan langsung dengann unit output. Dengan caraa yang sama, dihitung factor δ j di setiap unit dalam lapisan tersembunyi sebagai dasar perubahan bobot yang bersasal dari unit tersembunyi di bawahnya. Demikian seterusnya hingga semua factor δ di unit tersembunyi yang berhubungan langsung dengan unit input dihitung. Dengan caraa yang sama, dihitung faktor δ j di setiap unit di layar tersembunyi sebagai dasar perubahan bobot semua garis yang berasal dari unit tersembunyi di layar di bawahnya. Demikian seterusnya hingga semua faktor δ di unit tersembunyi yang berhubungan langsung dengan unit masukan dihitung. 48

5 3. Fase III : perubahan bobot Setelah semua faktor δ dihitung, semua bobot juga dimodifikasi secara bersamaan. Perubahan suatu bobot didasarkan atas factor δ neuron lapisan di atasnya, sebagai contoh perubahan bobot pada lapisan output didasarkan atas δ k yang ada di unit output. Ketiga fase tersebut diulang ulang terus hingga kondisi penghentian terpenuhi. Umumnya kondisi penghentian yang sering digunakan adalah jumlah iterasi atau nilai error. Iterasi akan dihentikan jika jumlah iterasi yang dilakukan sudah melebihi jumlah iterasi maksimum yang ditentukan, atau jika nilai error sudah lebih kecil dari batas toleransi yang ditetapkan. c. Algoritma backpropagation Berikut ini adalah algoritma backpropagation yang umum digunakan : 1. Inisialisasi bobot (ambil bobot awal dengan nilai random yang cukup kecil). 2. Kerjakan langkah langkah berikut selama kondisi berhenti bernilai salah. 3. Untuk tiap pasangan elemen yang akan dilakukan pembelajaran, kerjakan : Feedforward a. Tiap tiap unit input (x i, i = 1, 2,, n) menerima sinyal x i dan meneruskan sinyal tersebut ke semua unit pada lapisan yang ada di atasnya (lapisan tersembunyi). b. Tiap tiap unit pada suatu lapisan tersembunyi (z j, j = 1, 2,, p) menjumlahkan sinyal sinyal input terbobot _ 1 gunakan fungsi aktivasi untuk menghitung sinyal output _ dan kirimkan sinyal tersebut ke semua unit tersembunyi di lapisan atasnya (unit unit output) c. Tiap tiap unit output (Y k, k = 1, 2,, m) menjumlahkan sinyal sinyal input terbobot. _ 2 gunakan fungsi aktivasi untuk menghitung sinyal output _ Dan kirimkan sinyal tersebut ke semua unit tersembunyi di lapisan atasnya (unit unit output). Langkah ini dilakukan sebanyak jumlah lapisan tersembunyi Backpropagation a. Tiap tiap unit output (Y k, k = 1, 2,, m) menerima target pola yang berhubungan dengan pola input pembelajaran, hitung informasi errornya : 2 _ 2 2 kemudian hitung koreksi bobot (yang nantinya akan digunakan untuk memperbaiki nilai w jk ) : 2 Hitung koreksi bias (yang nantinya akan digunakan untuk memperbaiki nilai b2 k ) : 2 2 Langkah ini dilakukan sebanyak jumlah lapisan tersembunyi, yaitu menghitung informasi error dari suatu lapisan tersembunyi ke lapisan tersembunyi sebelumnya. b. Tiap tiap unit tersembunyi (z j, j =1, 2,, p) menjumlahkan delta input (dari unit unit yang berada di lapisan atasnya) : m δ _ in j = δ 2 w k = 1 k jk Kalikan nilai ini dengan turunan dari fungsi aktivasinya untuk menghitung informasi error : 1 _ _

6 Kemudian hitung koreksi bobot (yang nantinya akan digunakan untuk mempebaiki bilaii v ij ) : JURNAL INFORMATIKA Hitung juga koreksi bias nantinya akan digunakan memperbaiki b1 j ) : (yang untuk c. Tiap tiap unit ourput (Y k, k = 1, 2,, m) memperbaiki bias dan bobotnya (j = 0, 1,, p) : w jk (baru) = w jk (lama) + Δw jk b2 k (baru) = b2 k (lama) + Δb22 k tiap tiap unit tersembunyi (z j, j =1, 2,, p) memperbaiki bias dan bobotnya (i = 0, 1,, n) : v ij (baru) = v ij (lama) + Δv ij b1 j (baru) = b1 j (lama) + Δb11 j 4. Tes kondisi berhenti 2.3. Mat Matlab adalah salah satu software yang dapat digunakan untuk membuat program pengenalan plat nomor kendaraan. Di dalam Matlab sudah terdapat toolbox yang memudahkan pembuatan program jaringan saraf tiruan, yaitu Neural Network Toolbox. Dalam Neural Network Toolbox terdapat fungsi untuk membuat berbagai macam jaringan saraf tiruan, serta pengaturan parameter parameter yang dibutuhkan, seperti metode pelatihan, fungsi aktivasi dan lainnya. Selain itu Matlab juga dapat memiliki fitur yang dapat digunakan untuk membuat GUI program yang menarik, yaitu GUIDE. Fitur inii memudahkan dalam membuat program dengan GUI sehingga hasil yang didapatkan bisa lebih maksimal dibanding hanya dengan menggunakan m-file saja. lab [2,4] Gambar 3.1 Blok Diagram Pengenalan Karakter Citra digital dijadikan input kemudian ditampilkan melalui GUI yang sudah disediakan, lalu citra diproses agar plat nomor ditemukan lalu diekstrak. Setelah diekstrak dilakukan proses segmentasi karakter agar tiap karakter dapat dipisahkan. Proses selanjutnya adalah pengenalan karakter dengan metoda JST backpropagation dan hasilnyaa ditampilkan melalui GUI. Sebagai pembanding digunakan metoda template matching untuk mengenali karakter plat nomor. Perancangan program ini dibagi menjadi dua bagian yaitu perancangan GUI dan perancangan subprogram Perancangann GUI Perancangan GUIDE Matlab GUI sehingga menggunaka an perancangan dapat dilakukan dengan relatif lebih mudah. Gambar 3.2 serta gambar 3.3 berikut ini adalah rancangan tampilan GUI untuk pelatihan JST dan pengenalan plat nomor kendaraan III. Perancangan Program Secara umumm sistem akan berkerja seperti blok diagram berikut : Gambar 3.2 Pelatihan JST No.3, Vol. 2, September Desember

7 b. Menampilkan Citra Dalam subprogram ini akan menampilkan citra yang dipilih melalui GUI, subprogram ini dihubungkan dengan tombol Citra Kendaraan. Setelah ditampilkan citra dirubah ke format grayscale untuk pemrosesan lebih lanjut. Gambar 3.5 adalah flowchart untuk subprogram yang digunakan Gambar 3.3 Pengenalan Plat Nomor 3.2. Perancangan Subprogram Perancangan subprogram untuk program pengenalan plat nomor kendaraan terdiri dari beberapa program a. Pelatihan JST Dalam subprogram pelatihan JST ini arsitektur yang digunakan adalah backpropagation dengan tiga lapisan, lapisan input, hidden dan output. Metode pelatihan yang digunakan adalah trainlm. Gambar 3.4 berikut ini adalah flowchart subprogram pelatihan JST Gambar 3.5 Menampilkan Citra c. Mencari Kandidat Plat Nomor Subprogram ini akan membagi citra input menjadi enam bagian kemudian program akan mencari plat nomor di tiap bagian. Gambar 3.6 adalah flowchart untuk subprogram ini Gambar 3.4 Pelatihan JST

8 Gambar 3.6 Kandidat Plat Nomor d. Ekstraksi Plat Nomor Dalam subprogram ini program akan melakukan ekstraksi plat nomor kendaraan dari kandidat plat nomor yang sudah ditemukan. Ekstraksi disini adalah memotong batas atas bawah dan batas kiri kanan dari citra kandidat plat nomor yang berhasil didapatkan oleh subprogram sebelumnya. Gambar 3.7 adalah flowchart untuk subprogramnya Gambar 3.7 Ekstraksi Plat Nomor e. Segmentasi Karakter Segmentasi karakter dilakukan agar tiap citra hanya memiliki satu karakter sehingga proses selanjutnya atau proses pengenalan krakter dapat berjalan dengan baik. Gambar 3.8 adalah flowchart untuk subprogram ini

9 Gambar 3.8 Segmentasi Karakter f. Pengenalan Karakter Menggunakan JST Pengenalan karakter hasil segmentasi dilakukan dengan menggunakan jaringan saraf tiruan backpropagation. Gambar 3.9 adalah flowchart untuk subprogram pengenalan karakter menggunakan JST Gambar 3.9 Pengenalan Menggunakan JST

10 g. Pengenalan Karakter Menggunakan Template Matching Metoda ini digunakan hanya sebagai pembanding, karakter hasil segmentasi dibandingkan dengan karakter yang ada di dalam data. Gambar 3.10 adalah flowchart untuk subprogram pengenalan karakter menggunakan template matching Gambar 4.1 Tab Pelatihan JST Gambar 3.10 Pengenalan Menggunakan Template Matching IV. Pengujian dan Analisa Dalam pengujian program pengenalan plat nomor kendaraan ini dilakukan sesuai dengan bagian bagian yang sudah dibuat. 1. Pengujian GUI Pengujian GUI dilakukan untuk mengetahui apakah GUI yang dibuat bekerja dengan baik dan hasilnya GUI bekerja dengan baik karena semua komponen sudah berada pada tab tab yang sudah ditentukan seperti ditunjukkan pada gambar 4.1 dan 4.2 Gambar 4.2 Tab Pengenalan Karakter 2. Pengujian Pelatihan JST Dalam pengujian pelatihan JST backpropagation, jaringan diberikan input berupa angka yang dinyatakan dalam matrik. Gambar 4.3 adalah gambar saat pelatihan dilakukan

11 Gambar 4.5 Menampilkan Citra Gambar 4.3 Pelatihan JST 3. Pengujian Input Citra Saat program diberi input citra maka yang ditampilkan saat pemilihan citra adalah citra yang berformat bmp dan jpeg saja, seperti ditunjukkan pada gambar Pengujian Pencarian Kandidat Citra dan Ekstraksi Citra Pencarian kandidat citra dan ekstraksi citra sudah dapat dilakukan, walaupun masih terdapat noise pada hasilnya, seperti yang ditunjukkan pada gambar 4.6 Gambar 4.6 Pencarian dan Ekstraksi Citra Gambar 4.4 Memilih Citra Setelah dipilih citra kemudian ditampilkan dalam tempat yang sudah ditentukan, seperti ditunjukkan pada gambar 4.5 Dari sejumlah citra yang digunakan tidak semuanya dapat menghasilkan output yang diharapkan, masih terdapat kesalahan dalam pencarian dan ekstraksi plat nomor kendaraan. Secara umum hasilnya dapat dibagi menjadi empat kelompok, yaitu : a. Plat nomor dapat ditemukan dan dapat diekstrak dengan baik b. Plat nomor dapat ditemukan tetapi tidak dapat diekstrak dengan baik c. Plat nomor dapat ditemukan tetapi tidak dapat diekstrak d. Plat nomor tidak dapat ditemukan sehingga tidak dapt diekstrak

12 Tabel 4.1 adalah hasil percobaan yang menunjukkan empat kelompok hasil pencariann dan ekstraksi plat nomor. Table 4.1 Hasil Pencariann dan Ekstraksi Plat Nomor Hasil Hasil Pencarian Ekstrak 1 2 JURNAL INFORMATIKA 3 4 Gambar 4.7 Hasil Metoda JST Dari pengujian yang sudah dilakukan didapat bahwa masih terdapat karakter yang salah dikenali oleh JST. Tabel 4.3 merupakan hasil pengujiann pengenalan karakter menggukaan JST Tabel 4.3 Hasil Pengujian JST 5. Pengujian Segmentasi Citra Dari sejumlah citra yang diuji hasilnya cukup bervariasi, ada yang bisa disegmentasi dengann baik, ada juga yang tidak tersegmentasi dengan baik bahkan ada pula yang tidak bisa disegmentasi. Hal ini disebabkan adanya noise dalam citra plat nomor hasil ekstraksi sehingga saat proses segementasi dilakukan noise tersebut dianggap sebagai karakter. Tabel 4.2 adalah gambar hasil proses segmentasi Table 4.2 Hasil segmentasi Dari tabel 4.3 terlihat bahwa tingkat keberhasilan yang didapat adalah antara 14,28% sampai 85,71% dan waktu yang dibutuhkan untuk pengenalan karakter adalah antara 1,59 detik sampai 1,89 detik. 6. Pengujian Metoda JST Pengujian subprogram pengenalan karakter dengan metoda JST dilakukan untuk mengetahui apakah JST sudah dapat mengenali karakterr hasil segmentasi. Contoh hasilnya ditunjukkan dalam gambar Pengujian Metoda Template Matching Pengujian metoda template matching ini digunakan sebagai pembanding terhadap metoda JST yang digunakan sebelumnya. Hasilnya ditunjukkan dalam tabel 4.4 No.3, Vol. 2, September Desember

13 Tabel 4.4 Hasil Metoda Template Matching Dari tabel terlihat bahwa tingkat keberhasilan yang didapat adalah antara 42,85% sampai 100% sedangkan waktu yang diperlukan untuk proses pengenalan karakter adalah antara 18,84 detik sampai 22,93 detik. V. Kesimpulan dan Saran 5.1. Kesimpulan Dari pengujian yang sudah dilakukan terhadap program pengenalan plat nomor dapat diambil kesimpulan sebagai berikut : 1. Subprogram untuk menampilkan citra input sudah dapat digunakan untuk menampilkan citra dan secara otomatis progam hanya menampilkan citra yang memiliki format bmp dan jpeg. 2. Subprogram pencarian plat nomor kendaraan sudah dapat digunakan untuk mencari plat nomor kendaraan, walaupun hasil yang didapat masih belum sempurna. 3. Subprogram segmentasi karakter dapat melakukan segmentasi karakter dengan baik untuk citra yang memiliki noise sedikit. 4. Subprogram peltaihan JSt membutuhkan waktu yang cukup bervariasi tergantung data dan parameter pelatihan yang digunakan. 5. Subprogram pengenalan karakter metoda JST memiliki tingkat keberhasilan rata rata 46,32% dengan waktu rata rata yang dibutuhkan adalah 1,76 detik. 6. Subprogram pengenalan JST dengan metoda template matching memiliki tingkat keberhasilan rata rata 72,37% dengan waktu rata rata yang dibutuhkan adalah 21,14 detik Saran Berikut ini adalah saran yang dapat diberikan untuk meningkatkan kemampuan program : 1. Algoritma pencarian plat nomor kendaraan dan ekstraksi perlu dirubah agar program dapat menemukan plat nomor kendaraan yang posisinya tidak hanya ditengah serta dapat melakukan ekstraksi plat nomor kendaraan dengan lebih baik 2. Perlu ditambahkan algoritma untuk menghilangkan noise yang ada dalam citra plat nomor kendaraan hasil ekstraksi, agar proses segmentasi dapat bekerja dengan lebih baik. 3. Program pelatihan jaringan saraf tiruan perlu disempurnakan agar dapat melakukan pelatihan jaringan saraf tiruan selain dengan metoda pelatihan trainlm. 4. Menambahkan data untuk pelatihan jaringan saraf tiruan agar didapat hasil yang lebih baik untuk pengenalan karakter. DAFTAR PUSTAKA 1. Gonzales, Rafael C, 2002, Digital Image Processing 2 nd Edition, Prentice Hall. 2. Gonzales, Rafael C, 2004, Digital Image Processing Using Matlab 1 st Edition, Prentice Hall.

14 3. Kusumadewi, Dewi, 2003, Artificial Intelligence (Teknik dan Aplikasinya), Graha Ilmu. 4. Hermawan, Arief, 2006, Jaringan Saraf Tiruan (Teori dan Aplikasi), Andi. 5. Hery Purnomo, Mauridhi, Agus Kurniawan, 2006, Supervised Neural Networks dan Aplikasinya, Graha Ilmu 6. Jemmy, Aplikasi Kamera Web Untuk Mengidentifikasi Plat Nomor Mobil, Universitas Kristen Maranatha, Marasi Manurung, Patardo, Perangkat Lunak Pengenalan Plat Nomor Mobil Mengunakan Jaringan Kompetitif dan Jaringan Kohonen, Universitas Indonesia, Simon Haykin, Neural Networks : Acomprehensive Foundation, Pearson Education, cetakan ke-3 di India, 1999

PENGENALAN PLAT NOMOR KENDARAAN DALAM SEBUAH CITRA MENGUNAKAN JARINGAN SARAF TIRUAN ABSTRAK

PENGENALAN PLAT NOMOR KENDARAAN DALAM SEBUAH CITRA MENGUNAKAN JARINGAN SARAF TIRUAN ABSTRAK PENGENALAN PLAT NOMOR KENDARAAN DALAM SEBUAH CITRA MENGUNAKAN JARINGAN SARAF TIRUAN Decy Nataliana [1], Sabat Anwari [2], Arief Hermawan [3] Jurusan Teknik Elektro Fakultas Teknologi Industri Institut

Lebih terperinci

MODEL PEMBELAJARAN JARINGAN SYARAF TIRUAN UNTUK OTOMATISASI PENGEMUDIAN KENDARAAN BERODA TIGA

MODEL 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 terperinci

PENGENALAN HURUF DAN ANGKA PADA CITRA BITMAP DENGAN JARINGAN SARAF TIRUAN METODE PROPAGASI BALIK

PENGENALAN HURUF DAN ANGKA PADA CITRA BITMAP DENGAN JARINGAN SARAF TIRUAN METODE PROPAGASI BALIK PENGENALAN HURUF DAN ANGKA PADA CITRA BITMAP DENGAN JARINGAN SARAF TIRUAN METODE PROPAGASI BALIK Naskah Publikasi disusun oleh Zul Chaedir 05.11.0999 Kepada SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER

Lebih terperinci

PEMANFAATAN NEURAL NETWORK PERCEPTRON PADA PENGENALAN POLA KARAKTER

PEMANFAATAN NEURAL NETWORK PERCEPTRON PADA PENGENALAN POLA KARAKTER PEMANFAATAN NEURAL NETWORK PERCEPTRON PADA PENGENALAN POLA KARAKTER Fakultas Teknologi Informasi Universitas Merdeka Malang Abstract: Various methods on artificial neural network has been applied to identify

Lebih terperinci

BAB 3 ANALISIS DAN PERANCANGAN PROGRAM APLIKASI

BAB 3 ANALISIS DAN PERANCANGAN PROGRAM APLIKASI BAB 3 ANALISIS DAN PERANCANGAN PROGRAM APLIKASI Bab ini berisi analisis pengembangan program aplikasi pengenalan karakter mandarin, meliputi analisis kebutuhan sistem, gambaran umum program aplikasi yang

Lebih terperinci

Muhammad Fahrizal. Mahasiswa Teknik Informatika STMIK Budi Darma Jl. Sisingamangaraja No. 338 Simpanglimun Medan

Muhammad Fahrizal. Mahasiswa Teknik Informatika STMIK Budi Darma Jl. Sisingamangaraja No. 338 Simpanglimun Medan IMPLEMENTASI JARINGAN SARAF TIRUAN DALAM MEMPREDIKSI SERVICE KENDARAAN RODA 4 DENGAN METODE BACKPROPAGATION (STUDI KASUS PT. AUTORENT LANCAR SEJAHTERA) Muhammad Fahrizal Mahasiswa Teknik Informatika STMIK

Lebih terperinci

BACKPROPAGATION NEURAL NETWORK AS A METHOD OF FORECASTING ON CALCULATION INFLATION RATE IN JAKARTA AND SURABAYA

BACKPROPAGATION NEURAL NETWORK AS A METHOD OF FORECASTING ON CALCULATION INFLATION RATE IN JAKARTA AND SURABAYA BACKPROPAGATION NEURAL NETWORK AS A METHOD OF FORECASTING ON CALCULATION INFLATION RATE IN JAKARTA AND SURABAYA Anggi Purnama Undergraduate Program, Computer Science, 2007 Gunadarma Universiy http://www.gunadarma.ac.id

Lebih terperinci

SISTEM PENGENALAN KARAKTER DENGAN JARINGAN SYARAF TIRUAN ALGORITMA PERCEPTRON

SISTEM 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

BAB IV JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK)

BAB 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 terperinci

PENGENALAN 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 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 terperinci

SISTEM PENGENALAN BARCODE MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION

SISTEM PENGENALAN BARCODE MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION SISTEM PENGENALAN BARCODE MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Barcode Rcognition System Using Backpropagation Neural Networks M. Kayadoe, Francis Yuni Rumlawang, Yopi Andry Lesnussa * Jurusan

Lebih terperinci

Jaringan Syaraf Tiruan

Jaringan Syaraf Tiruan Jaringan Syaraf Tiruan (Artificial Neural Network) Intelligent Systems Pembahasan Jaringan McCulloch-Pitts Jaringan Hebb Perceptron Jaringan McCulloch-Pitts Model JST Pertama Diperkenalkan oleh McCulloch

Lebih terperinci

BAB 3 PERANCANGAN DAN PEMBUATAN SISTEM

BAB 3 PERANCANGAN DAN PEMBUATAN SISTEM BAB 3 PERANCANGAN DAN PEMBUATAN SISTEM Dalam bab ini akan dibahas mengenai perancangan dan pembuatan sistem aplikasi yang digunakan sebagai user interface untuk menangkap citra ikan, mengolahnya dan menampilkan

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 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 terperinci

JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MENDETEKSI GANGGUAN PSIKOLOGI

JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MENDETEKSI GANGGUAN PSIKOLOGI Media Informatika, Vol. 2, No. 2, Desember 2004, 1-11 ISSN: 0854-4743 JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MENDETEKSI GANGGUAN PSIKOLOGI Kiki, Sri Kusumadewi Jurusan Teknik Informatika,

Lebih terperinci

Analisis Jaringan Saraf Tiruan dengan Metode Backpropagation Untuk Mendeteksi Gangguan Psikologi

Analisis Jaringan Saraf Tiruan dengan Metode Backpropagation Untuk Mendeteksi Gangguan Psikologi Analisis Jaringan Saraf Tiruan dengan Metode Backpropagation Untuk Mendeteksi Gangguan Psikologi Kiki, Sri Kusumadewi Laboratorium Komputasi & Sistem Cerdas Jurusan Teknik Informatika, Fakultas Teknologi

Lebih terperinci

DAFTAR ISI. BAB 3 PERANCANGAN PERANGKAT LUNAK 3.1 Diagram Alir Utama Kamera Web iii

DAFTAR ISI. BAB 3 PERANCANGAN PERANGKAT LUNAK 3.1 Diagram Alir Utama Kamera Web iii Aplikasi Kamera Web Untuk Mengidentifikasi Plat Nomor Mobil Jemmy / 0322042 E-mail : kaiser_jemmy@yahoo.com Jurusan Teknik Elektro, Fakultas Teknik, Universitas Kristen Maranatha Jalan Prof. Drg. Suria

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI 2.1. Barcode Salah satu obyek pengenalan pola yang bisa dipelajari dan akhirnya dapat dikenali yaitu PIN barcode. PIN barcode yang merupakan kode batang yang berfungsi sebagai personal

Lebih terperinci

IMPLEMENTASI SEGMENTASI CITRA DAN ALGORITMA LEARNING VECTOR QUANTIZATION (LVQ) DALAM PENGENALAN BENTUK BOTOL

IMPLEMENTASI SEGMENTASI CITRA DAN ALGORITMA LEARNING VECTOR QUANTIZATION (LVQ) DALAM PENGENALAN BENTUK BOTOL IMPLEMENTASI SEGMENTASI CITRA DAN ALGORITMA LEARNING VECTOR QUANTIZATION (LVQ) DALAM PENGENALAN BENTUK BOTOL Andri STMIK Mikroskil Jl. Thamrin No. 122, 124, 140 Medan 20212 andri@mikroskil.ac.id Abstrak

Lebih terperinci

APLIKASI 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 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 terperinci

BAB 2 KONSEP DASAR PENGENAL OBJEK

BAB 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 terperinci

lalu menghitung sinyal keluarannya menggunakan fungsi aktivasi,

lalu 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 terperinci

JARINGAN 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) 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 terperinci

PENGENALAN KARAKTER PADA SURAT MASUK MENGGUNAKAN NEURAL NETWORK BACKPROPAGATION

PENGENALAN KARAKTER PADA SURAT MASUK MENGGUNAKAN NEURAL NETWORK BACKPROPAGATION PENGENALAN KARAKTER PADA SURAT MASUK MENGGUNAKAN NEURAL NETWORK BACKPROPAGATION Rizqia Lestika Atimi Program Studi Teknik Informatika Jurusan Teknik Elektro Fakultas Teknik Universitas Tanjungpura rizqia.lestika@yahoo.com

Lebih terperinci

PEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK

PEMANFAATAAN 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 terperinci

SEGMENTASI HURUF TULISAN TANGAN BERSAMBUNG DENGAN VALIDASI JARINGAN SYARAF TIRUAN. Evelyn Evangelista ( )

SEGMENTASI HURUF TULISAN TANGAN BERSAMBUNG DENGAN VALIDASI JARINGAN SYARAF TIRUAN. Evelyn Evangelista ( ) SEGMENTASI HURUF TULISAN TANGAN BERSAMBUNG DENGAN VALIDASI JARINGAN SYARAF TIRUAN Evelyn Evangelista (1022004) Jurusan Teknik Elektro, Fakultas Teknik, Universitas Kristen Maranatha, Jl. Prof. Drg. Suria

Lebih terperinci

Aplikasi Jaringan Saraf Tiruan Sebagai Penterjemah Karakter Braille Ke Bentuk Abjad

Aplikasi Jaringan Saraf Tiruan Sebagai Penterjemah Karakter Braille Ke Bentuk Abjad The 13 th Industrial Electronics Seminar 2011 (IES 2011) Electronic Engineering Polytechnic Institute of Surabaya (EEPIS), Indonesia, October 26, 2011 Aplikasi Jaringan Saraf Tiruan Sebagai Penterjemah

Lebih terperinci

PENERAPAN JARINGAN SYARAF TIRUAN DALAM MEMPREDIKSI TINGKAT PENGANGGURAN DI SUMATERA BARAT

PENERAPAN 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 terperinci

BAB 3 METODOLOGI PENELITIAN

BAB 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 terperinci

PENGENALAN HURUF TULISAN TANGAN BERBASIS CIRI SKELETON DAN STATISTIK MENGGUNAKAN JARINGAN SARAF TIRUAN. Disusun oleh : Mario Herryn Tambunan ( )

PENGENALAN HURUF TULISAN TANGAN BERBASIS CIRI SKELETON DAN STATISTIK MENGGUNAKAN JARINGAN SARAF TIRUAN. Disusun oleh : Mario Herryn Tambunan ( ) PENGENALAN HURUF TULISAN TANGAN BERBASIS CIRI SKELETON DAN STATISTIK MENGGUNAKAN JARINGAN SARAF TIRUAN Disusun oleh : Mario Herryn Tambunan (1022056) Jurusan Teknik Elektro, Fakultas Teknik, Universitas

Lebih terperinci

BAB III PERANCANGAN SISTEM

BAB III PERANCANGAN SISTEM BAB III PERANCANGAN SISTEM 3.1 Definisi Masalah Dalam beberapa tahun terakhir perkembangan Computer Vision terutama dalam bidang pengenalan wajah berkembang pesat, hal ini tidak terlepas dari pesatnya

Lebih terperinci

Penerapan Jaringan Saraf Tiruan Metode Backpropagation Menggunakan VB 6

Penerapan 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 terperinci

JARINGAN SARAF TIRUAN BACKPROPAGATION UNTUK PENGENALAN WAJAH METODE EKSTRAKSI FITUR Sigit Kusmaryanto Teknok Elektro FTUB,

JARINGAN SARAF TIRUAN BACKPROPAGATION UNTUK PENGENALAN WAJAH METODE EKSTRAKSI FITUR Sigit Kusmaryanto Teknok Elektro FTUB, JARINGAN SARAF TIRUAN BACKPROPAGATION UNTUK PENGENALAN WAJAH METODE EKSTRAKSI FITUR Sigit Kusmaryanto Teknok Elektro FTUB, sigitkus@ub.ac.id ABSTRAKSI Salah satu kelemahan umum pada pengenalan pola untuk

Lebih terperinci

DETEKSI JENIS KAYU CITRA FURNITURE UKIRAN JEPARA MENGGUNAKAN JST BACKPROPAGATION

DETEKSI JENIS KAYU CITRA FURNITURE UKIRAN JEPARA MENGGUNAKAN JST BACKPROPAGATION No Makalah : 299 Konferensi Nasional Sistem Informasi 2012, STMIK - STIKOM Bali 23-25 Pebruari 2012 DETEKSI JENIS KAYU CITRA FURNITURE UKIRAN JEPARA MENGGUNAKAN JST BACKPROPAGATION Ratri Dwi Atmaja 1,

Lebih terperinci

Jurnal Informatika Mulawarman Vol 5 No. 1 Februari

Jurnal Informatika Mulawarman Vol 5 No. 1 Februari Jurnal Informatika Mulawarman Vol 5 No. 1 Februari 2010 50 Penerapan Jaringan Syaraf Tiruan Untuk Memprediksi Jumlah Pengangguran di Provinsi Kalimantan Timur Dengan Menggunakan Algoritma Pembelajaran

Lebih terperinci

APLIKASI JARINGAN SYARAF TIRUAN PADA PENGENALAN POLA TULISAN DENGAN METODE BACKPROPAGATION

APLIKASI JARINGAN SYARAF TIRUAN PADA PENGENALAN POLA TULISAN DENGAN METODE BACKPROPAGATION APLIKASI JARINGAN SYARAF TIRUAN PADA PENGENALAN POLA TULISAN DENGAN METODE BACKPROPAGATION Alvama Pattiserlihun, Andreas Setiawan, Suryasatriya Trihandaru Program Studi Fisika, Fakultas Sains dan Matematika,

Lebih terperinci

BAB III METODOLOGI PENELITIAN. Model sistem presensi biometri sidik jari yang dikembangkan secara garis

BAB III METODOLOGI PENELITIAN. Model sistem presensi biometri sidik jari yang dikembangkan secara garis BAB III METODOLOGI PENELITIAN 3.1 Disain Penelitian Model sistem presensi biometri sidik jari yang dikembangkan secara garis besar terdiri atas bagian input, bagian proses, dan bagian output seperti gambar

Lebih terperinci

IDENTIFIKASI TANDA TANGAN MENGGUNAKAN MOMENT INVARIANT DAN ALGORITMA BACK PROPAGATION ABSTRAK

IDENTIFIKASI TANDA TANGAN MENGGUNAKAN MOMENT INVARIANT DAN ALGORITMA BACK PROPAGATION ABSTRAK IDENTIFIKASI TANDA TANGAN MENGGUNAKAN MOMENT INVARIANT DAN ALGORITMA BACK PROPAGATION Nasep Muhamad Ramdan (0522135) Jurusan Teknik Elektro, Fakultas Teknik, Universitas Kristen Maranatha Jalan Prof. Drg.

Lebih terperinci

PREDIKSI CURAH HUJAN DI KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK

PREDIKSI 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 terperinci

PENGENALAN AKSARA JAWAMENGGUNAKAN LEARNING VECTOR QUANTIZATION (LVQ)

PENGENALAN AKSARA JAWAMENGGUNAKAN LEARNING VECTOR QUANTIZATION (LVQ) PENGENALAN AKSARA JAWAMENGGUNAKAN LEARNING VECTOR QUANTIZATION (LVQ) Alfa Ceria Agustina (1) Sri Suwarno (2) Umi Proboyekti (3) sswn@ukdw.ac.id othie@ukdw.ac.id Abstraksi Saat ini jaringan saraf tiruan

Lebih terperinci

BAB 2 TINJAUAN PUSTAKA

BAB 2 TINJAUAN PUSTAKA 7 BAB 2 TINJAUAN PUSTAKA 2.1 Jaringan Syaraf Biologi Otak manusia memiliki struktur yang sangat kompleks dan memiliki kemampuan yang luar biasa. Otak terdiri dari neuron-neuron dan penghubung yang disebut

Lebih terperinci

KLASIFIKASI 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 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 terperinci

Jaringan Syaraf Tiruan. Disusun oleh: Liana Kusuma Ningrum

Jaringan 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 terperinci

ALGORITMA BACK PROPAGATION NEURAL NETWORK UNTUK PENGENALAN POLA KARAKTER HURUF JAWA

ALGORITMA BACK PROPAGATION NEURAL NETWORK UNTUK PENGENALAN POLA KARAKTER HURUF JAWA Nazla Nurmila, Aris Sugiharto, Eko Adi Sarwoko ALGORITMA BACK PROPAGATION NEURAL NETWORK UNTUK PENGENALAN POLA KARAKTER HURUF JAWA Nazla Nurmila, Aris Sugiharto, dan Eko Adi Sarwoko Prodi Ilmu Komputer

Lebih terperinci

PERANCANGAN 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 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 terperinci

Jaringan Syaraf Tiruan Menggunakan Algoritma Backpropagation Untuk Memprediksi Jumlah Pengangguran (Studi Kasus DiKota Padang)

Jaringan Syaraf Tiruan Menggunakan Algoritma Backpropagation Untuk Memprediksi Jumlah Pengangguran (Studi Kasus DiKota Padang) Jaringan Syaraf Tiruan Menggunakan Algoritma Backpropagation Untuk Memprediksi Jumlah Pengangguran (Studi Kasus DiKota Padang) Hadi Syahputra Universitas Putra Indonesia YPTK Padang E-mail: hadisyahputra@upiyptk.ac.id

Lebih terperinci

IMPLEMENTASI JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI HARGA SAHAM

IMPLEMENTASI 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 terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI 2.1 Jaringan Syaraf Biologi Jaringan Syaraf Tiruan merupakan suatu representasi buatan dari otak manusia yang dibuat agar dapat mensimulasikan apa yang dipejalari melalui proses pembelajaran

Lebih terperinci

APLIKASI 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 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 terperinci

IMPLEMENTASI JARINGAN SYARAF TIRUAN MULTI LAYER FEEDFORWARD DENGAN ALGORITMA BACKPROPAGATION SEBAGAI ESTIMASI NILAI KURS JUAL SGD-IDR

IMPLEMENTASI 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 terperinci

BAB 3 ANALISA DAN PERANCANGAN SISTEM

BAB 3 ANALISA DAN PERANCANGAN SISTEM BAB 3 ANALISA DAN PERANCANGAN SISTEM 3.1 Analisa Program Aplikasi Dalam proses identifikasi karakter pada plat nomor dan tipe kendaraan banyak menemui kendala. Masalah-masalah yang ditemui adalah proses

Lebih terperinci

Perbaikan Metode Prakiraan Cuaca Bandara Abdulrahman Saleh dengan Algoritma Neural Network Backpropagation

Perbaikan 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 terperinci

Penggunaan Jaringan Syaraf Tiruanuntuk Membaca Karakter pada Formulir Nilai Mata Kuliah

Penggunaan Jaringan Syaraf Tiruanuntuk Membaca Karakter pada Formulir Nilai Mata Kuliah Vol. 14, No. 1, 61-68, Juli 2017 Penggunaan Jaringan Syaraf Tiruanuntuk Membaca Karakter pada Formulir Nilai Mata Kuliah La Surimi, Hendra, Diaraya Abstrak Jaringan syaraf tiruan (JST) telah banyak diaplikasikan

Lebih terperinci

Pengembangan Aplikasi Prediksi Pertumbuhan Ekonomi Indonesia dengan Jaringan Syaraf Tiruan Backpropagation

Pengembangan 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 terperinci

PERANCANGAN SISTEM PENGENALAN DAN PENYORTIRAN KARTU POS BERDASARKAN KODE POS DENGAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK

PERANCANGAN SISTEM PENGENALAN DAN PENYORTIRAN KARTU POS BERDASARKAN KODE POS DENGAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK PERANCANGAN SISTEM PENGENALAN DAN PENYORTIRAN KARTU POS BERDASARKAN KODE POS DENGAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK OLEH ARIF MIFTAHU5R ROHMAN (2200 100 032) Pembimbing: Dr. Ir Djoko Purwanto, M.Eng,

Lebih terperinci

BAB II DASAR TEORI Jaringan Syaraf Tiruan. Universitas Sumatera Utara

BAB 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 terperinci

PENGENALAN KARAKTER DENGAN MENGGUNAKAN HAMMING NETWORK

PENGENALAN KARAKTER DENGAN MENGGUNAKAN HAMMING NETWORK PENGENALAN KARAKTER DENGAN MENGGUNAKAN HAMMING NETWORK Thiang Jurusan Teknik Elektro, Universitas Kristen Petra Siwalankerto 121-131, Surabaya, Indonesia E-mail: thiang@petra.ac.id Abstrak Makalah ini

Lebih terperinci

BAB II TINJAUAN PUSTAKA

BAB II TINJAUAN PUSTAKA BAB II TINJAUAN PUSTAKA 2.1. Jaringan Saraf Tiruan (JST) Jaringan saraf tiruan pertama kali secara sederhana diperkenalkan oleh McCulloch dan Pitts pada tahun 1943. McCulloch dan Pitts menyimpulkan bahwa

Lebih terperinci

PENGENALAN HURUF HASIL DARI TULISAN TANGAN MENGGUNAKAN ALGORITMA FORWARD-ONLY COUNTER PROPAGATION

PENGENALAN HURUF HASIL DARI TULISAN TANGAN MENGGUNAKAN ALGORITMA FORWARD-ONLY COUNTER PROPAGATION PENGENALAN HURUF HASIL DARI TULISAN TANGAN MENGGUNAKAN ALGORITMA FORWARD-ONLY COUNTER PROPAGATION ABSTRAK Gerald Patrick Siahainenia (0522128) Jurusan Teknik Elektro email : gerald_patrick2000@yahoo.com

Lebih terperinci

IDENTIFIKASI TANDA TANGAN MENGGUNAKAN ALGORITMA DOUBLE BACKPROPAGATION ABSTRAK

IDENTIFIKASI 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 terperinci

IMPLEMENTASI ALGORITMA PERCEPTRON UNTUK PENGENALAN POLA MASUKAN BINER MAUPUN BIPOLAR MENGGUNAKAN BORLAND DELPHI

IMPLEMENTASI ALGORITMA PERCEPTRON UNTUK PENGENALAN POLA MASUKAN BINER MAUPUN BIPOLAR MENGGUNAKAN BORLAND DELPHI IMPLEMENTASI ALGORITMA PERCEPTRON UNTUK PENGENALAN POLA MASUKAN BINER MAUPUN BIPOLAR MENGGUNAKAN BORLAND DELPHI Andi Harmin Program Studi : Teknik Komputer STMIK Profesional Makassar andiharmin1976@gmail.com

Lebih terperinci

Klasifikasi Pola Huruf Vokal dengan Menggunakan Jaringan Saraf Tiruan

Klasifikasi Pola Huruf Vokal dengan Menggunakan Jaringan Saraf Tiruan JURNAL TEKNIK POMITS 1-7 1 Klasifikasi Pola Huruf Vokal dengan Menggunakan Jaringan Saraf Tiruan Dhita Azzahra Pancorowati, M. Arief Bustomi Jurusan Fisika, Fakultas Matematika dan Ilmu Pengetahuan Alam,

Lebih terperinci

Pengembangan Aplikasi Pengenalan Karaketer Alfanumerik Dengan Menggunakan Algoritma Neural Network Three-Layer Backpropagation

Pengembangan Aplikasi Pengenalan Karaketer Alfanumerik Dengan Menggunakan Algoritma Neural Network Three-Layer Backpropagation Pengembangan Aplikasi Pengenalan Karaketer Alfanumerik Dengan Menggunakan Algoritma Neural Network Three-Layer Backpropagation Andi Wahju Rahardjo Emanuel, Arie Hartono Jurusan S1 Teknik Informatika Fakultas

Lebih terperinci

BAB 2 LANDASAN TEORI. memungkinkan sistem komputer membaca secara otomatis nomor kendaraan dari gambar digital

BAB 2 LANDASAN TEORI. memungkinkan sistem komputer membaca secara otomatis nomor kendaraan dari gambar digital BAB 2 LANDASAN TEORI 2. License plate recognition [4] License plate recognition (LPR) adalah jenis teknologi, terutama perangkat lunak, yang memungkinkan sistem komputer membaca secara otomatis nomor kendaraan

Lebih terperinci

IDENTIFIKASI KEMATANGAN BUAH TOMAT MENGGUNAKAN METODA BACKPROPAGATION

IDENTIFIKASI KEMATANGAN BUAH TOMAT MENGGUNAKAN METODA BACKPROPAGATION IDENTIFIKASI KEMATANGAN BUAH TOMAT MENGGUNAKAN METODA BACKPROPAGATION Dila Deswari [1], Hendrick, MT. [2], Derisma, MT. [3] Jurusan Sistem Komputer, Fakultas Teknologi Informasi, Universitas Andalas [1][3]

Lebih terperinci

SATIN Sains dan Teknologi Informasi

SATIN Sains dan Teknologi Informasi SATIN - Sains dan Teknologi Informasi, Vol. 2, No., Juni 206 SATIN Sains dan Teknologi Informasi journal homepage : http://jurnal.stmik-amik-riau.ac.id Jaringan Syaraf Tiruan Peramalan Inventory Barang

Lebih terperinci

BAB III METODE PENELITIAN. Pemotong an Suara. Convert. .mp3 to.wav Audacity. Audacity. Gambar 3.1 Blok Diagram Penelitian

BAB III METODE PENELITIAN. Pemotong an Suara. Convert. .mp3 to.wav Audacity. Audacity. Gambar 3.1 Blok Diagram Penelitian BAB III METODE PENELITIAN 3.1 Model Penelitian Penelitian yang dilakukan dapat dijelaskan melalui blok diagram seperti yang terlihat pada Gambar 3.1. Suara Burung Burung Kacer Burung Kenari Pengambil an

Lebih terperinci

BAB III METODE PENELITIAN

BAB III METODE PENELITIAN BAB III METODE PENELITIAN 3.1 Waktu dan Tempat Penelitian Waktu yang digunakan dalam penelitian ini yaitu dalam kurun waktu enam bulan terhitung mulai februari 2012 sampai juli 2012. Tempat yang digunakan

Lebih terperinci

ABSTRAK. Michael Parlindungan ( ) Jurusan Teknik Elektro Universitas Kristen Maranatha

ABSTRAK. Michael Parlindungan ( ) Jurusan Teknik Elektro Universitas Kristen Maranatha PENGENALAN POLA HURUF t DARI TULISAN TANGAN UNTUK MENENTUKAN KARAKTER SESEORANG DENGAN MENGGUNAKAN PRINCIPAL COMPONENT ANALYSIS DAN ALGORITMA BACKPROPAGATION ABSTRAK Michael Parlindungan (0722017) Jurusan

Lebih terperinci

Pengenalan Aksara Lampung Menggunakan Jaringan Syaraf Tiruan

Pengenalan Aksara Lampung Menggunakan Jaringan Syaraf Tiruan Pengenalan Aksara Lampung Menggunakan Jaringan Syaraf Tiruan Adhika Aryantio School of Electrical Engineering and Informatics Institute Technology of Bandung 10th Ganeca Street Bandung, Indonesia. Adhikaaryantio.x6@gmail.com

Lebih terperinci

PENGARUH UJI TUKEY TERHADAP VERIFIKASI TANDA TANGAN MENGGUNAKAN JARINGAN SARAF TIRUAN

PENGARUH UJI TUKEY TERHADAP VERIFIKASI TANDA TANGAN MENGGUNAKAN JARINGAN SARAF TIRUAN PENGARUH UJI TUKEY TERHADAP VERIFIKASI TANDA TANGAN MENGGUNAKAN JARINGAN SARAF TIRUAN ABSTRAK Thari Novianty Mentaruk (0722100) Jurusan Teknik Elektro e-mail : thari_novianty_m@yahoo.com Verifikasi tanda

Lebih terperinci

BAB III METODE PENELITIAN. menjawab segala permasalahan yang ada dalam penelitian ini.

BAB III METODE PENELITIAN. menjawab segala permasalahan yang ada dalam penelitian ini. BAB III METODE PENELITIAN Pada bab ini akan dijelaskan bahan yang digunakan dalam membantu menyelesaikan permasalahan, dan juga langkah-langkah yang dilakukan dalam menjawab segala permasalahan yang ada

Lebih terperinci

BAB 2 LANDASAN TEORI. Pengenalan suara (voice recognition) dibagi menjadi dua jenis, yaitu

BAB 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 terperinci

PENGENALAN KARAKTER ALFANUMERIK MENGGUNAKAN METODE BACKPROPAGARATION

PENGENALAN KARAKTER ALFANUMERIK MENGGUNAKAN METODE BACKPROPAGARATION PENGENALAN KARAKTER ALFANUMERIK MENGGUNAKAN METODE BACKPROPAGARATION Amriana 1 Program Studi D1 Teknik Informatika Jurusan Teknik Elektro Fakultas Teknik UNTAD ABSTRAK Jaringan saraf tiruan untuk aplikasi

Lebih terperinci

Analisis Jaringan Saraf Tiruan Model Perceptron Pada Pengenalan Pola Pulau di Indonesia

Analisis Jaringan Saraf Tiruan Model Perceptron Pada Pengenalan Pola Pulau di Indonesia Jurnal Ilmiah Teknologi dan Informasi ASIA (JITIKA) Vol.11, No.1, Februari 2017 ISSN: 0852-730X Analisis Jaringan Saraf Tiruan Model Perceptron Pada Pengenalan Pola Pulau di Indonesia Muhammad Ulinnuha

Lebih terperinci

APLIKASI 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 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 terperinci

BAB 3 METODOLOGI PENELITIAN

BAB 3 METODOLOGI PENELITIAN BAB 3 METODOLOGI PENELITIAN 3.1. Penentuan Masalah Penelitian Masalah masalah yang dihadapi oleh penggunaan identifikasi sidik jari berbasis komputer, yaitu sebagai berikut : 1. Salah satu masalah dalam

Lebih terperinci

BAB 4 DISAIN MODEL. Pengguna. Citra. Ekstraksi Ciri x. Antar muka (Interface) Data Hasil Ekstraksi Ciri. Testing dan Identifikasi.

BAB 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 terperinci

BAB 2 LANDASAN TEORI

BAB 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 terperinci

TOLERANSI UNJUK PENGENALAN JARINGAN SYARAF TIRUAN PADA PENAMBAHAN DERAU DAN SUDUT PUTARAN TERHADAP POLA KARAKTER TULISAN TANGAN JENIS ANGKA

TOLERANSI UNJUK PENGENALAN JARINGAN SYARAF TIRUAN PADA PENAMBAHAN DERAU DAN SUDUT PUTARAN TERHADAP POLA KARAKTER TULISAN TANGAN JENIS ANGKA Iwan Suhardi, Toleransi Jaringan Syaraf Tiruan TOLERANSI UNJUK PENGENALAN JARINGAN SYARAF TIRUAN PADA PENAMBAHAN DERAU DAN SUDUT PUTARAN TERHADAP POLA KARAKTER TULISAN TANGAN JENIS ANGKA Iwan Suhardi Jurusan

Lebih terperinci

IDENTIFIKASI VARIETAS UNGGUL BENIH KEDELAI BERDASARKAN WARNA DENGAN JARINGAN SARAF TIRUAN

IDENTIFIKASI VARIETAS UNGGUL BENIH KEDELAI BERDASARKAN WARNA DENGAN JARINGAN SARAF TIRUAN IDENTIFIKASI VARIETAS UNGGUL BENIH KEDELAI BERDASARKAN WARNA DENGAN JARINGAN SARAF TIRUAN Galih Probo Kusuma, Dr Melania Suweni Muntini, MT Jurusan Fisika Institut Teknologi Sepuluh Nopember (ITS) Surabaya

Lebih terperinci

VOL. 01 NO. 02 [JURNAL ILMIAH BINARY] ISSN :

VOL. 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 terperinci

Jurnal Ilmiah Komputer dan Informatika (KOMPUTA) IMPLEMENTASI JARINGAN SYARAF TIRUAN BACKPROPAGATION UNTUK MENGENALI MOTIF BATIK

Jurnal Ilmiah Komputer dan Informatika (KOMPUTA) IMPLEMENTASI JARINGAN SYARAF TIRUAN BACKPROPAGATION UNTUK MENGENALI MOTIF BATIK IMPLEMENTASI JARINGAN SYARAF TIRUAN BACKPROPAGATION UNTUK MENGENALI MOTIF BATIK Fany Hermawan Teknik Informatika Universitas Komputer Indonesia Jl. Dipatiukur 112-114 Bandung E-mail : evan.hawan@gmail.com

Lebih terperinci

Prediksi Pergerakan Harga Harian Nilai Tukar Rupiah (IDR) Terhadap Dollar Amerika (USD) Menggunakan Metode Jaringan Saraf Tiruan Backpropagation

Prediksi Pergerakan Harga Harian Nilai Tukar Rupiah (IDR) Terhadap Dollar Amerika (USD) Menggunakan Metode Jaringan Saraf Tiruan Backpropagation 1 Prediksi Pergerakan Harga Harian Nilai Tukar Rupiah (IDR) Terhadap Dollar Amerika (USD) Menggunakan Metode Jaringan Saraf Tiruan Backpropagation Reza Subintara Teknik Informatika, Ilmu Komputer, Universitas

Lebih terperinci

Architecture Net, Simple Neural Net

Architecture 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 terperinci

PERANGKAT LUNAK PENGKONVERSI TEKS TULISAN TANGAN MENJADI TEKS DIGITAL

PERANGKAT LUNAK PENGKONVERSI TEKS TULISAN TANGAN MENJADI TEKS DIGITAL PERANGKAT LUNAK PENGKONVERSI TEKS TULISAN TANGAN MENJADI TEKS DIGITAL Nama Mahasiswa : Achmad Fauzi Arief NRP : 03 09 007 Jurusan : Matematika FMIPA-ITS Dosen Pembimbing : Drs. Nurul Hidayat, M.Kom Abstrak

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI 2.1. Pengenalan Pola Pengenalan pola adalah suatu ilmu untuk mengklasifikasikan atau menggambarkan sesuatu berdasarkan pengukuran kuantitatif fitur (ciri) atau sifat utama dari suatu

Lebih terperinci

PENGENALAN POLA PLAT NOMOR KENDARAAN MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION

PENGENALAN POLA PLAT NOMOR KENDARAAN MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION David PENGENALAN POLA PLAT NOMOR KENDARAAN MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION DAVID Program Studi Teknik Informatika, Sekolah Tinggi Manajemen Informatika dan Komputer Pontianak Jalan Merdeka

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang 1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Perkembangan teknologi perangkat lunak dewasa ini tidak terlepas dari berkembangnya studi mengenai kecerdasan buatan. Ada dua hal yang termasuk dari kecerdasan buatan

Lebih terperinci

Realisasi Pengenalan Tulisan Tangan Menggunakan Jaringan Syaraf Tiruan dengan Metode Kohonen

Realisasi Pengenalan Tulisan Tangan Menggunakan Jaringan Syaraf Tiruan dengan Metode Kohonen Realisasi Pengenalan Tulisan Tangan Menggunakan Jaringan Syaraf Tiruan dengan Metode Kohonen David Novyanto Candra/0322003 Email: dave_christnc@yahoo.com Jurusan Teknik Elektro, Fakultas Teknik, Jln.Prof.Drg.Suria

Lebih terperinci

ADLN - PERPUSTAKAAN UNIVERSITAS AIRLANGGA BAB III METODE PENELITIAN. Penelitian ini dilakukan dalam kurung waktu setahun.

ADLN - PERPUSTAKAAN UNIVERSITAS AIRLANGGA BAB III METODE PENELITIAN. Penelitian ini dilakukan dalam kurung waktu setahun. BAB III METODE PENELITIAN 3.1 Tempat dan Waktu Pelaksanaan Penelitian dilaksanakan di Laboratorium Intrumentasi Medis Departemen Fisika, Fakultas Sains dan Teknologi Universitas Airlangga. Lokasi pengambilan

Lebih terperinci

BAB II DASAR TEORI. 2.1 Citra Digital

BAB II DASAR TEORI. 2.1 Citra Digital BAB II DASAR TEORI 2.1 Citra Digital Citra digital didefinisikan sebagai fungsi f (x,y) dua dimensi,dimana x dan y adalah koordinat spasial dan f(x,y) adalah disebut dengan intensitas atau tingkat keabuan

Lebih terperinci

KOMPRESI CITRA DIGITAL DENGAN MENGGUNAKAN HEBBIAN BASED PRINCIPAL COMPONENT ANALYSIS

KOMPRESI CITRA DIGITAL DENGAN MENGGUNAKAN HEBBIAN BASED PRINCIPAL COMPONENT ANALYSIS KOMPRESI CITRA DIGITAL DENGAN MENGGUNAKAN HEBBIAN BASED PRINCIPAL COMPONENT ANALYSIS 1 Sofyan Azhar Ramba 2 Adiwijaya 3 Andrian Rahmatsyah 12 Departemen Teknik Informatika Sekolah Tinggi Teknologi Telkom

Lebih terperinci

KLASIFIKASI ARITMIA EKG MENGGUNAKAN JARINGAN SYARAF TIRUAN DENGAN FUNGSI AKTIVASI ADAPTIF

KLASIFIKASI ARITMIA EKG MENGGUNAKAN JARINGAN SYARAF TIRUAN DENGAN FUNGSI AKTIVASI ADAPTIF KLASIFIKASI ARITMIA EKG MENGGUNAKAN JARINGAN SYARAF TIRUAN DENGAN FUNGSI AKTIVASI ADAPTIF Asti Rahma Julian 1, Nanik Suciati 2, Darlis Herumurti 3 Teknik Informatika, Fakultas Teknologi Informasi, ITS

Lebih terperinci

PERANGKAT LUNAK PENGKONVERSI TEKS TULISAN TANGAN MENJADI TEKS DIGITAL

PERANGKAT LUNAK PENGKONVERSI TEKS TULISAN TANGAN MENJADI TEKS DIGITAL PERANGKAT LUNAK PENGKONVERSI TEKS TULISAN TANGAN MENJADI TEKS DIGITAL Oleh : ACHMAD FAUZI ARIEF 1203 109 007 Dosen Pembimbing : Drs. Nurul Hidayat, M.Kom JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU

Lebih terperinci

BAB III METODOLOGI PENELITIAN

BAB 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 terperinci

PENGENALAN POLA GARIS DASAR KALIMAT PADA TULISAN TANGAN UNTUK MENGETAHUI KARAKTER SESEORANG DENGAN MENGGUNAKAN ALGORITMA PROBABILISTIC NEURAL NETWORK

PENGENALAN POLA GARIS DASAR KALIMAT PADA TULISAN TANGAN UNTUK MENGETAHUI KARAKTER SESEORANG DENGAN MENGGUNAKAN ALGORITMA PROBABILISTIC NEURAL NETWORK PENGENALAN POLA GARIS DASAR KALIMAT PADA TULISAN TANGAN UNTUK MENGETAHUI KARAKTER SESEORANG DENGAN MENGGUNAKAN ALGORITMA PROBABILISTIC NEURAL NETWORK ABSTRAK Dwi Putra Alexander (0722067) Jurusan Teknik

Lebih terperinci

BAB III PERANCANGAN SISTEM

BAB III PERANCANGAN SISTEM BAB III PERANCANGAN SISTEM Dalam pengerjaan perancangan dan pembuatan aplikasi pengenalan karakter alfanumerik JST algoritma Hopfield ini menggunakan software Borland Delphi 7.0. 3.1 Alur Proses Sistem

Lebih terperinci

Desain Perangkat Lunak Berbasis Jaringan Syaraf Tiruan Backpropagation untuk Klasifikasi Citra Rontgen Paru-paru

Desain Perangkat Lunak Berbasis Jaringan Syaraf Tiruan Backpropagation untuk Klasifikasi Citra Rontgen Paru-paru JURNAL FISIKA DAN APLIKASINYA VOLUME 10, NOMOR 1 JANUARI 2014 Desain Perangkat Lunak Berbasis Jaringan Syaraf Tiruan Backpropagation untuk Klasifikasi Citra Rontgen Paru-paru M. Arief Bustomi, 1, Hasan

Lebih terperinci

SIMULASI PENGENALAN TULISAN MENGGUNAKAN LVQ (LEARNING VECTOR QUANTIZATION )

SIMULASI PENGENALAN TULISAN MENGGUNAKAN LVQ (LEARNING VECTOR QUANTIZATION ) SIMULASI PENGENALAN TULISAN MENGGUNAKAN LVQ (LEARNING VECTOR QUANTIZATION ) Fachrul Kurniawan, Hani Nurhayati Jurusan Teknik Informatika, Sains dan Teknologi Universitas Islam Negeri (UIN) Maulana Malik

Lebih terperinci