PENGGUNAAN RSTUDIO UNTUK EKSTRAKSI DAN REDUKSI FITUR
|
|
- Liani Lie
- 6 tahun lalu
- Tontonan:
Transkripsi
1 PENGGUNAAN RSTUDIO UNTUK EKSTRAKSI DAN REDUKSI FITUR Fairuz Ahmad Hirzani 1, Fatiya Arifah 2, Shaufiah 3 1,2,3 Prodi S1 Teknik Informatika, Fakultas Informatika, Universitas Telkom 1 ahmadhirzani@telkomuniversity.ac.id,arifah@telkomuniveristy.co.id, 3 shaufiah@telkomuniversity.ac.id Abstrak Ekstraksi dan reduksi fitur merupakan hal yang sangat penting dalam proses persiapan data sebelum dilakukan penambangan data. Tantangan dalam proses ekstraksi data diantaranya adalah menentukan proses dan nilai apa saja yang akan digunakan. Reduksi data juga merupakan isu penting karena tidak semua fitur relevan untuk digunakan. Proses ekstraksi dan reduksi fitur akan lebih efektif jika menggunakan tools. Oleh karenanya paper ini membahas pemanfaatan tools Rstudio untuk membantu proses ekstraksi dan reduksi data pada kasus data berdimensi besar yaitu Daily and Sports Activities Dataset. Pada percobaan menunjukan bahwa Rstudio mampu melakukan ekstraksi fitur dengan cepat dan reduksi fiturnya dapat mengurangi waktu eksekusi tanpa merubah secara drastis akurasi yang dihasilkan. Kata kunci : ekstraksi fitur, reduksi fitur, data mining, rstudio Pendahuluan Dewasa ini perangkat accelerometer, gyroscopes, dan magnetometer secara tidak disadari telah berada di kehidupan manusia. Orang dewasa maupun anak-anak setiap harinya berinteraksi dengan accelerometer, gyroscopes, dan magnetometer. Hal ini dikarenakan ketiga alat tersebut telah tertanam dalam smartphone yang dimiliki masing-masing. Adanya alat yang dapat mengukur motion pada smartphone, dan maraknya penggunaan smartphone di berbagai kalangan menjadi issue yang menarik untuk diangkat dan berpeluang menumbuhkan inovasi baru dengan memanfaatkan alat tersebut. Salah satu contohnya adalah pembangunan aplikasi monitoring kegiatan anak. Misalkan orangtua dapat mengirimkan sebuah trigger ke smartphone sang anak, dari trigger ini sinyal ditangkap dari smartphone anak dan menjadi masukan kepada model yang tertanam di smartphone atau server. Hasil klasifikasi aktifitas yang didapatkan kembali dikirim ke smartphone orangtua. Ketiga perangkat accelerometer, gyroscopes, dan magnetometer menghasilkan data berupa bilangan real dengan koordinat x, y, z dan memiliki 25 rentetan nilai dalam satu detik. Data yang diobservasi merupakan nilai penggunaan ketiga alat dalam 5 detik. Sehingga dibutuhkan adanya ekstraksi ciri yaitu satu rangkaian nilai yang mewakili aktivitas seseorang dalam 5 detik pengambilan nilai dari ketiga alat. Ekstraksi fitur yang dilakukan berdampak pada bertambahnya jumlah dimensi data menjadi sangat besar, sehingga perlu dilakukan pereduksian dimensi. Proses ekstraksi dan reduksi data tentunya memiliki tantangan diantaranya memerlukan waktu yang lama jika harus dilakukan secara manual sehingga diperlukanlah bantuan Tools Preprocessing yang handal. Pada paper ini akan membahas pemanfaatan tools Rstudio untuk membantu proses ekstraksi dan reduksi data pada kasus data berdimensi besar yaitu Daily and Sports Activities Dataset. 2. Dasar Teori Dataset yang digunakan berasal dari UCI Machine Learning Repository yaitu Daily and Sports Activities Dataset di mana atributnya bertipe real. Dataset ini menggambarkan serangkaian nilai yang dihasilkan oleh alat XSens MTx untuk setiap aktivitas yang dilakukan. Data didapatkan dari 4 orang pria dan 4 orang wanita yang melakukan 19 jenis aktivitas berbeda selama 5 menit. Dataset dibagi menjadi 19 folder aktifitas, dalam setiap foldernya terdapat 8 buah folder person yang berisikan 60 file segment dari total 5 menit sampling saat melakukan aktifitas. Disebutkan bahwa satu file segment merepresentasikan 5 detik seseorang melakukan aktifitas. Oleh karena itu satu orang yang melakukan aktifitas menghasilkan 60 buah segment, yaitu hasil pembagian antara 5 menit waktu beraktifitas dengan 5 detik sample per segmen. Sampling data XSens MTx dilakukan dengan frekuensi 25 Hz yang artinya mengambil 25 sampling selama 1 detik. Maka jumlah baris dalam satu file segment berjumlah 125, yang didapatkan dari perkalian 25 sample per detik dengan 5 detik waktu. 133
2 Pada data ini tercatat alat XSens MTx ditempatkan pada 5 tempat yaitu Torso, Right Arm, Left Arm, Right Leg, dan Left Leg. Satu unit XSens MTx dapat berfungsi sebagai accelerometer, gyroscopes, dan magnetometer. Sehingga disetiap tempat dimana XSens MTx ditempatkan terdapat 3 alat yang bekerja. Ketiga alat tersebut mengeluarkan hasil berupa vector 3 dimensi, dengan nilai x, y, dan z. Berdasarkan pencatatan tersebut memperlihatkan terdapat 45 attribut yang berasal dari 5 titik tubuh manusia dikalikan dengan 3 alat dan dikalikan dengan nilai keluaran 3 titik dari setiap alat. Sehingga dihasilkan 45 (5x3x3) atribut. R dan RStudio R merupakan software bahasa pemrograman gratis dan software environment untuk statistical computing dan grafik. Pada R tersedia berbagai package untuk statistic ataupun data mining. Oleh karena itu, R sering digunakan oleh ahli statistika dan data mining. Hasil survey Rexer Analytics pada tahun 2013 yang dicantumkan dalam website kdnuggets mengatakan bahwa R menduduki peringkat 1 dari Top 10 Chart Ranked by Usage. [3] Bahasa pemrograman yang sejenis dengan R adalah Matlab dan APL. Adapun beberapa fitur dari R yang membantu menyelesaikan kasus ini antara lain kemudahan dalam aritmatika matrix, fungsi statistika, fungsi Data mining dan struktur data R yang berupa vector, matriks, dan data frame. Berdasarkan pertimbangan tersebut bahasa pemrograman R dinilai cocok untuk menyelesaikan permasalahan untuk data yang akan diselesaikan. Gambar 2 - Screenshot Rstudio Gambar 3 - Tools Ranked by Usage[3] Sedangkan RStudio adalah integrated development environment (IDE) untuk R. Di dalam RStudio terdapat console, syntax-highlighting editor yang mendukung eksekusi kode langsung. Selain itu terdapat fitur history, debugging, dan resource management. 2.3 Ekstraksi Fitur Satu file segment pada dataset diperlakukan sebagai satu data. Sedangkan dalam satu file segment terdiri dari 125 baris yang mewakili sinyal XSens MTx selama 5 detik. Maka dari itu, diperlukan adanya penarikan nilai yang dapat mewakili semua baris dalam satu segment. Penelitian Karem Altum, 2010 dalam papernya [1] menyatakan bahwa ada beberapa nilai yang dapat dijadikan fitur. Nilai- nilai tersebut adalah: w (1) (2) r (3) rr (4) r (5) { } (6) 134
3 Mengikuti dua penelitian sebelumnya [1] [2], hasil dari proses ekstraksi berjumlah 26 Fitur dan dibagi menjadi 4 tahap ekstraksi. Tahapan tersebut memanfaatkan keenam rumus diatas. Least-Squared Method Konsep Least Squares Method atau LSM tidak berbeda jauh dari 1-NN. Namun, yang menjadi perbedaan dengan 1-NN adalah jarak yang dibandingkan bukan jarak satu tuple test dengan satu tuple training. Melainkan perbandingan antara satu tuple test dengan vector rata-rata dari berbagai kelas berbeda. Misalkan terdapat data seperti pada Tabel 1. Tabel 1 Contoh Data X1 X2 X3 X4 Y Kecil Besar Besar Kecil Dari Tabel 1 terdapat 4 tuple training dengan 2 kelas besar dan kecil. Dalam 1-NN jarak tuple testing dibandingkan dengan setiap instance di data training. Sedangkan dalam LSM perbandingan jarak dilakukan dengan rata rata per aktifitasnya. Dalam tahapan training LSM proses yang dijalankan adalah membentuk tabel baru berisikan rata rata, seperti yang ditunjukan pada Tabel 2. Tabel 2 Rata-Rata Setiap Kelas X1 X2 X3 X4 Y Kecil Besar 3. Pembahasan Ekstraksi fitur pada dataset yang digunakan ini akan dilakukan dalam lima tahapan, dengan mempertimbangkan karakteristik data yang ada dan juga kebutuhan sesuai task Data mining yang diinginkan Ekstraksi Fitur Tahap Satu Ekstraksi tahap pertama menggunakan 5 nilai; mean, minimum, maksimum, kurtosis, skewness dari setiap kolom pada data segment. Karena attribute pada segment berjumlah 45, maka jumlah attribute setelah proses ekstraksi pertama berjumlah 225, didapat dari perkalian antara 45 attribute dengan 5 nilai fitur. Dalam statistik deskriptif dikemukakan cara-cara penyajian data, dalam berbagai bentuk, dan menghitung penyebaran dan pemusatan data,beberapa contohnya adalah : 1. Mean Mean atau rata-rata hitung adalah suatu nilai rata-rata dari semua nilai data observasi yang bisa didapatkan dari rumus berikut : Rata-rata hitung (mean) = Jumlah semua nilai data Banyaknya nilai data 2. Kurtosis Kurtosis atau ukuran keruncingan adalah kepuncakan dari suatu distribusi, biasanya diambil relative terhadap distribusi normal. 3. Skewness Skewness merupakan ukuran dari kesimetrisan atau lebih tepatnya kekurang simetrisan. Suatu distirbusi dikatakan simetris jika distribusi tersebut Nampak sama antara sebelah kanan dan sebelah kiri titik pusatnya. Distribusi yang simetris misalnya distribusi normal, distribusi t dan distribusi seragam Ekstraksi Fitur Tahap Dua Ekstraksi tahap kedua menggunakan nilai Discrete Fourier Transform sebagai fitur. Discrete Fourier Transform merupakan transformasi sinyal kontinyu ke dalam bentuk diskrit yang dipahami oleh komputer. Gerakan manusia saat beraktifitas adalah kontinyu, sedangkan alat XSens Mtx memiliki frekuensi 25 Hz yang berarti pengambilan 25 sampel selama 1 detik. Semakin besar nilai frekuensi, semakin mendekati pula titik-titik diskrit sinyal gerak badan dengan sinyal kontinyunya. Dalam implementasi di komputasi 135
4 komputer, muncul algortima dengan nama Fast Fourier Transform (FFT). Tujuannya sama seperti DFT hanya perhitungannya dalam bentuk algoritma, dan eksekusinya lebih cepat daripada perhitungan DFT. Berikut gambar yang menunjukan plot attribute TorsoAccX terhadap 125 satuan waktu, dan plot attribute TorsoAccX setelah hasil FFT. Gambar 2 - Plot Sinyal Accelerometer Gambar 3 - FFT TorsoAccX Pada tahap ini, 5 puncak Fourier diambil sebagai fitur. Lima nilai ini diambil berdasarkan 5 nilai magnitude tertinggi. Hal ini berlaku untuk setiap attribute, yang berarti dari 45 attribut segment akan menghasilkan 225 fitur baru. plot(1:125,x[,1], xlab="n",ylab="torsoaccx") plot(abs(fft(x[,1])), xlab="freq",ylab="magnitude") 3.3. Ekstraksi Fitur Tahap Tiga Setelah didapatkan 5 nilai magnitude terbesar, diambil nilai frekuensi dari kelima puncak Fourier tersebut. Jika dilihat pada plot fft sebelumnya, puncak diambil dari nilai magnitude, sedangkan pada tahap ini nilai frekuensinya yang diambil. Sama seperti tahap sebeumnya, kelima fitur dikalikan dengan jumlah attribute pada data segment. Hasil akhir fitur pada segment pada tahap ini berjumlah 225 fitur Ekstraksi Fitur Tahap Empat Tahap terakhir dari ekstraksi fitur menggunakan nilai variance dan autocorrelation sebagai acuan. Autocorrelation adalah cross correlation dengan dirinya sendiri. Sedangkan cross correlation sendiri mengukur tingkat kesamaan sinyal dari dua buah variabel. Dari 125 lag dalam autocorrelation, diambil sampel 10 nilai pertama yang mengacu pada penelitian Murat Cihan [2]. Nilai variance yang dihasilkan dari attribute tersebut digunakan sebagai fitur juga. Pada tahap ini dihasilkan 11 fitur dengan komposisi 1 nilai variance dan 10 nilai pertama dari autocorrelation. Sebelas fitur ini dimiliki oleh setiap attribute yang berjumlah 45. Sehingga total fitur yang dihasilkan dari satu data segment adalah 495 (11 x 45). Setelah dilakukan keempat tahapan ekstraksi, langkah selanjutnya adalah menggabungkan fitur dari keempat langkah tersebut. Langkah pertama, kedua, dan ketiga menghasilkan 225 fitur, dan langkah keempat menghasilkan 495 fitur. Total fitur yang dihasilkan dari setiap data segment yaitu 1170 fitur. Penggabungan kolom pada pemrograman R dapat dengan mudah dilakukan menggunakan syntax cbind() Reduksi Fitur Mengolah data dengan jumlah kolom 1170 dan baris 9120 bukanlah perkara mudah jika dilakukan oleh satu buah PC. Ada beberapa solusi yang dapat digunakan yaitu distributed computing menggunakan Hadoop tanpa mengurangi ukuran data, atau mengurangi ukuran data dengan tetap mengolah data menggunakan satu PC. Pada pemecahan kasus ini, dilakukan reduksi fitur menggunakan Principal Component Analysis. Tugas utama dari PCA adalah mereduksi dimensi, dengan membentuk sekumpulan kecil uncorrelated variable dari sekumpulan correlated variable yang besar. Fungsi pca pada pemrograman R dapat dilakukan menggunakan perintah princomp dan prcomp. Kedua perintah tersebut memiliki fungsi yang sama, namun berbeda dalam penghitungannya. Perintah princomp menggunakan eigen untuk menghitung PCA, sedangkan prcomp menggunakan svd. 3.6 Hasil Ekstraksi dan Reduksi Reduksi fitur pada penyelesaian kasus ini menghasilkan 30 fitur baru. Fitur yang dihasilkan melupakan hasil reduksi Principal Component Analysis. Sesuai dengan penelitian sebelumnya [1] [2], 136
5 jumlah fitur yang dihasilkan adalah 30 fitur dengan menggambil 30 komponen terbesar dari 1170 komponen yang dihasilkan. Gambar dibawah menunjukan dataset hasil reduksi yang telah dilakukan normalisasi sehingga range nilainya berada di angka 0 sampai 1. Attribut ke X menunjukan aktifitas, nilai 0 merupakan aktifitas 1 sedangkan nilai 1 menunjukan aktifitas 19. Pada percobaan reduksi fitur, dilakukan 2 percobaan untuk menunjukan keberhasilan reduksi yang dilakukan. Pada pengujian reduksi, dua dataset disiapkan untuk membandingkan akurasi antara training menggunakan dataset 1170 fitur dengan dataset hasil reduksi 30 fitur. Pengujian ini dilakukan menggunakan algoritma Least-Squares Method (LSM). Menggunakan algortima dengan komputasi tinggi tidak cocok dilakukan mengingat dataset memiliki 1170 fitur. Mengacu pada perbandingan waktu eksekusi training dan testing pada data yang telah direduksi [1], LSM memiliki waktu training kurang dari 10 detik dan waktu testing kurang dari 1 detik. Dari informasi tersebut, pengujian ini dilakukan menggunakan algoritma LSM. Gambar 4 - Hasil 30 Komponen Terbesar Kedua dataset (reduksi dan non-reduksi) disiapkan dengan persentasi random split training 80%. Hasil akurasi dari kedua data menunjukan nilai yang sama yaitu 90.73%, dengan selisih waktu eksekusi yang sangat signifikan, yaitu sekitar 45 menit untuk pengkasifikasian data testing. Pengujian ini dilakukan menggunakan IDE RStudio. 4. Kesimpulan Ekstraksi fitur untuk nilai tiga perangkat dalam 5 detik pengambilan sample dilakukan dengan 4 tahapan utama yang menggunakan beberapa perhitungan statistic, Fast Fourier Transform dan principal component analysis. Perhitungan tersebut dapat dilakukan menggunakan fungsi yang terdapat pada RStudio seperti fungsi fft dan prcomp. Reduksi fitur yang dilakukan dapat mengurangi waktu eksekusi tanpa merubah secara drastis akurasi yang dihasilkan Daftar Pustaka: [1] B. B. O. T. Karem ALtun, "Comparative Study on Classifying Human Activities with Miniature Inertial and Magnetic Sensors," Pattern Recogniton, [2] M. C. Yuksek and B. Barshan, "Human Activity Classification with Miniature Inertial and Magnetic Sensor Signal," [3] L. Ludeman, Fundamental of Digital Signal Processing, Singapore: John Wiley & Sons, Inc, [4] [5] KDNuggets, "KDNuggets - Data mining Community Top Resource," [Online]. Available: [Accessed ]. Adiwijaya, 2014, Aplikasi Matriks dan Ruang Vektor. Graha Ilmu 137
BAB IV HASIL PENELITIAN DAN PEMBAHASAN. 4.1 Pengembangan Sistem Pengenalan Wajah 2D
30 BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1 Pengembangan Sistem Pengenalan Wajah 2D Penelitian ini mengembangkan model sistem pengenalan wajah dua dimensi pada citra wajah yang telah disiapkan dalam
Lebih terperinciHasil Ekstraksi Algoritma Principal Component Analysis (PCA) untuk Pengenalan Wajah dengan Bahasa Pemograman Java Eclipse IDE
Hasil Ekstraksi Algoritma Principal Component Analysis (PCA) untuk Pengenalan dengan Bahasa Pemograman Java Eclipse IDE Fiqih Ismawan Dosen Program Studi Teknik Informatika, FMIPA Universitas Indraprasta
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Pada bab ini akan dibahas teori yang berkaitan dengan pemrosesan data untuk sistem pengenalan gender pada skripsi ini, meliputi cropping dan resizing ukuran citra, konversi citra
Lebih terperinciPENGENALAN POLA BENTUK BUNGA MENGGUNAKAN PRINCIPLE COMPONENT ANALYSIS DAN K-NN
PENGENALAN POLA BENTUK BUNGA MENGGUNAKAN PRINCIPLE COMPONENT ANALYSIS DAN K-NN Herfina 1) 1) Program Studi Ilmu Komputer, FMIPA Universitas Pakuan Jl. Pakuan PO BOX 452, Ciheuleut Bogora email : herfinario@yahoo.com
Lebih terperinciUJI KINERJA FACE RECOGNITION MENGGUNAKAN EIGENFACES
1 Uji Kinerja Face Recognition Menggunakan Eigenfaces UJI KINERJA FACE RECOGNITION MENGGUNAKAN EIGENFACES ABDUL AZIS ABDILLAH 1 1STKIP Surya, Tangerang, Banten, abdillah.azul@gmail.com Abstrak. Pada paper
Lebih terperinciDigital Audio Watermarking dengan Fast Fourier Transform
Digital Audio Watermarking dengan Fast Fourier Transform Otniel 13508108 Program Studi Teknik Informatika Sekolah Teknik Elektro dan Informatika Institut Teknologi Bandung, Jl. Ganesha 10 Bandung 40132,
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1. Metode Pengumpulan Data Data yang digunakan pada penelitian ini merupakan data sentimen dari pengguna aplikasi android yang memberikan komentarnya pada fasilitas user review
Lebih terperinci1. PENDAHULUAN 1.1. Latar Belakang
1. PENDAHULUAN 1.1. Latar Belakang Kanker merupakan salah satu penyakit yang dapat beresiko pada kematian atau lebih dikenal dengan penyakit pembunuh. Salah satu penyakit pembunuh diantaranya kanker prostat
Lebih terperinciBAB 2 LANDASAN TEORI. mencakup teori speaker recognition dan program Matlab. dari masalah pattern recognition, yang pada umumnya berguna untuk
6 BAB 2 LANDASAN TEORI 2.1 Teori-teori Dasar / Umum Landasan teori dasar / umum yang digunakan dalam penelitian ini mencakup teori speaker recognition dan program Matlab. 2.1.1 Speaker Recognition Pada
Lebih terperinciBAB 2 PENGENALAN IRIS, PENENTUAN LOKASI IRIS, DAN PEMBUATAN VEKTOR MASUKAN
BAB 2 PENGENALAN IRIS, PENENTUAN LOKASI IRIS, DAN PEMBUATAN VEKTOR MASUKAN Pengenalan suatu objek tentu saja tidak bisa dilakukan tanpa persiapan sama sekali. Ada beberapa proses yang perlu dilakukan sebelum
Lebih terperinciJaringan Syaraf Tiruan pada Robot
Jaringan Syaraf Tiruan pada Robot Membuat aplikasi pengenalan suara untuk pengendalian robot dengan menggunakan jaringan syaraf tiruan sebagai algoritma pembelajaran dan pemodelan dalam pengenalan suara.
Lebih terperinciSeminar Nasional APTIKOM (SEMNASTIKOM), Hotel Lombok Raya Mataram, Oktober 2016
IMPLEMENTASI ALGORITMA FAST FOURIER TRANSFORM DAN MEAN SQUARE PERCENTAGE ERROR UNTUK MENGHITUNG PERUBAHAN SPEKTRUM SUARA SETELAH MENGGUNAKAN FILTER PRE-EMPHASIS Fitri Mintarsih 1, Rizal Bahaweres 2, Ricky
Lebih terperinciAPLIKASI PENGENALAN DAUN UBI JALAR UNTUK JENIS UBI JALAR UNGU, MERAH, PUTIH DAN KUNING MENGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS
APLIKASI PENGENALAN DAUN UBI JALAR UNTUK JENIS UBI JALAR UNGU, MERAH, PUTIH DAN KUNING MENGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS SKRIPSI Diajukan Untuk Penulisan Skripsi Guna Memenuhi Salah Satu
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
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 masin-masing komponen perangkat.
Lebih terperinciDIAGNOSA KEGAGALAN RODA GIGI BERBASIS SINYAL GETARAN MENGGUNAKAN METODE SUPPORT VECTOR MACHINE
DIAGNOSA KEGAGALAN RODA GIGI BERBASIS SINYAL GETARAN MENGGUNAKAN METODE SUPPORT VECTOR MACHINE SKRIPSI Diajukan sebagai salah satu syarat untuk memperoleh gelar Sarjana Teknik Oleh: AGIL RIZKI ARDIANSYAH
Lebih terperinciDosen Program Studi Ilmu Komputer Universitas Pakuan Bogor
PENGENALAN KADAR TOTAL PADAT TERLARUT PADA BUAH BELIMBING BERDASAR CITRA RED-GREEN-BLUE MENGGUNAKAN PRINCIPLE COMPONENT ANALYSIS (PCA) SEBAGAI EKSTRAKSI CIRI DAN KLASIFIKASI K-NEAREST NEIGHBORHOOD (KNN)
Lebih terperinciBAB 1 PENDAHULUAN. Sistem Pakar (Expert System), Jaringan Saraf Tiruan (Artificial Neural Network), Visi
BAB 1 PENDAHULUAN 1.1 Latar Belakang Di era yang semakin maju ini, teknologi telah memegang peranan penting dalam kehidupan manusia sehari-hari, sehingga kemajuannya sangat dinantikan dan dinikmati para
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 terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Noise Pada saat melakukan pengambilan gambar, setiap gangguan pada gambar dinamakan dengan noise. Noise dipakai untuk proses training corrupt image, gambarnya diberi noise dan
Lebih terperinciBAB III METODOLOGI PENELITIAN
3.1 Alat dan Bahan Penelitian BAB III METODOLOGI PENELITIAN 3.1.1 Alat Alat yang digunakan dalam penelitian ini adalah: a. Hardware a. Prosesor : Intel Core i5-3230m CPU @ 2.60GHz b. Memori : 4.00 GB c.
Lebih terperinciPEMBANGKITAN SINYAL DAN FUNGSI FFT
PEMBANGKITAN SINYAL DAN FUNGSI FFT P R A K T I K U M 3 P E N G A N T A R P E M R O S E S A N B A H A S A A L A M I D O W N L O A D S L I D E : H T T P : / / B I T. L Y / N L P _ 8 SIGNAL DI MATLAB Beberapa
Lebih terperinci10/22/2015 PEMBANGKITAN SINYAL DAN FUNGSI FFT SIGNAL DI MATLAB SAWTOOTH DAN SQUARE
PEMBANGKITAN SINYAL DAN FUNGSI FFT P R AK T I K U M 3 P E N G AN T A R P E M R O S E S AN B AH A S A AL A M I D O W N L O AD S L I D E : H T T P : / / B I T. L Y / N L P _ 8 SIGNAL DI MATLAB Beberapa contoh
Lebih terperinciSTEGANALISIS UNTUK FILE AUDIO BERFORMAT MP3 DENGAN METODE LEAST SIGNIFICANT BIT (LSB) PADA KLASIFIKASI PRINCIPAL COMPONENT ANALYSIS (PCA)
STEGANALISIS UNTUK FILE AUDIO BERFORMAT MP3 DENGAN METODE LEAST SIGNIFICANT BIT (LSB) PADA KLASIFIKASI PRINCIPAL COMPONENT ANALYSIS (PCA) Vivin Fauziah Ramadhani 1), Bambang Hidayat, 2), Azizah. 3) 1),2),3
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
60 BAB IV HASIL DAN PEMBAHASAN 41 Hasil Eksperimen E-nose terdiri dari 4 buah sensor gas dimana masing-masing dari sensor tersebut memiliki kepekaan yang berbeda pada saat pendeteksian aroma Jenis teh
Lebih terperinciBAB III METODOLOGI. dari suara tersebut dapat dilihat, sehingga dapat dibandingkan, ataupun dicocokan dengan
23 BAB III METODOLOGI 3.1 Metodologi Penelitian Penelitian ini ingin membangun sistem yang dapat melakukan langkah dasar identifikasi, yaitu melakukan ektraksi suara Gamelan Bonang, dengan ekstrasi ini,
Lebih terperinciApa itu is K-Nearest Neighbor (KNN) Algorithm?
K-Nearest Neighbor Pendahuluan K-Nearest Neighbour atau KNN adalah salah dari algoritma instance based learning atau case-based reasoning. Definisi case based reasoning: KNN digunakan dalam banyak aplikasi
Lebih terperinciTeknik Reduksi Dimensi Menggunakan Komponen Utama Data Partisi Pada Pengklasifikasian Data Berdimensi Tinggi dengan Ukuran Sampel Kecil
Teknik Reduksi Dimensi Menggunakan Komponen Utama Data Partisi Pada Pengklasifikasian Data Berdimensi Tinggi dengan Ukuran Sampel Kecil Ronny Susetyoko, Elly Purwantini Politeknik Elektronika Negeri Surabaya
Lebih terperinciBAB 3 PROSEDUR DAN METODOLOGI
BAB 3 PROSEDUR DAN METODOLOGI 3.1 Analisa Masalah Kemajuan teknologi di bidang multimedia, menuntut kemampuan sistem yang lebih baik dan lebih maju dari sebelumnya, sesuai dengan perkembangan teknologi.
Lebih terperinciSistem Penitipan Barang berdasarkan Pola Tanda Tangan Dengan menggunakan Metode Ekstraksi Ciri Nia Saurina SST., M.Kom
Sistem Penitipan Barang berdasarkan Pola Tanda Tangan Dengan menggunakan Metode Ekstraksi Ciri Nia Saurina SST., M.Kom ABSTRAK Sistem penitipan barang yang umum digunakan adalah secara manual, penjaga
Lebih terperinciPERBANDINGAN KINERJA BEBERAPA METODE KLASIFIKASI HASIL REDUKSI DATA BERDIMENSI TINGGI
ISSN 1858-4667 JURNAL LINK Vol 16/No. 1/Februari 212 PERBANDINGAN KINERJA BEBERAPA METODE KLASIFIKASI HASIL REDUKSI DATA BERDIMENSI TINGGI Ronny Susetyoko 1, Elly Purwantini 2 1,2 Departemen Teknik Elektro,
Lebih terperinciFrekuensi Dominan Dalam Vokal Bahasa Indonesia
Frekuensi Dominan Dalam Vokal Bahasa Indonesia Tjong Wan Sen #1 # Fakultas Komputer, Universitas Presiden Jln. Ki Hajar Dewantara, Jababeka, Cikarang 1 wansen@president.ac.id Abstract Pengenalan ucapan
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Seperti halnya semua algoritma dalam pattern recognition pada real-world domain, Support Vector Machine juga selalu mengalami masalah pada tingginya dimensi data yang
Lebih terperinciBAB 6 KESIMPULAN DAN SARAN
BAB 6 KESIMPULAN DAN SARAN Dalam bab ini diuraikan kesimpulan dan saran berdasarkan pembahasan yang telah dijelaskan dalam tugas akhir ini. Kesimpulan dan saran juga diambil berdasarkan hasil uji coba
Lebih terperincig(x, y) = F 1 { f (u, v) F (u, v) k} dimana F 1 (F (u, v)) diselesaikan dengan: f (x, y) = 1 MN M + vy )} M 1 N 1
Fast Fourier Transform (FFT) Dalam rangka meningkatkan blok yang lebih spesifik menggunakan frekuensi dominan, akan dikalikan FFT dari blok jarak, dimana jarak asal adalah: FFT = abs (F (u, v)) = F (u,
Lebih terperinciPENGENALAN SUARA MANUSIA DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN MODEL PROPAGASI BALIK
ABSTRAK PENGENALAN SUARA MANUSIA DENGAN MENGGUNAKAN Dosen Jurusan Teknik Elektronika Fakultas Teknik Universitas Negeri Makassar Pada penelitian ini dibuat sebuah sistem pengenalan suara manusia dengan
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN 31 Pendahuluan Algoritma Resilient Backpropagation (RPROP) dibagi menjadi dua bagian proses yaitu forward pass dan backward pass Forward pass berfungsi untuk mendapatkan nilai
Lebih terperinciMenurut Ming-Hsuan, Kriegman dan Ahuja (2002), faktor-faktor yang mempengaruhi sebuah sistem pengenalan wajah dapat digolongkan sebagai berikut:
BAB 2 LANDASAN TEORI Bab ini akan menjelaskan berbagai landasan teori yang digunakan oleh penulis dalam penelitian ini dan menguraikan hasil studi literatur yang telah dilakukan penulis. Bab ini terbagi
Lebih terperinciSYSTEM IDENTIFIKASI GANGGUAN STROKE ISKEMIK MENGGUNAKAN METODE OTSU DAN FUZZY C-MEAN (FCM)
SYSTEM IDENTIFIKASI GANGGUAN STROKE ISKEMIK MENGGUNAKAN METODE OTSU DAN FUZZY C-MEAN (FCM) Jani Kusanti Program Studi Teknik Informatika, Fakultas Teknik Elektro dan Informatika Universitas Surakarta (UNSA),
Lebih terperinciPENGKLASIFIKASIAN TINGKAT DANGEROUS DRIVING BEHAVIOR MENGGUNAKAN DATA ELEKTROENSEFALOGRAFI (EEG) DENGAN PENDEKATAN MACHINE LEARNING
PENGKLASIFIKASIAN TINGKAT DANGEROUS DRIVING BEHAVIOR MENGGUNAKAN DATA ELEKTROENSEFALOGRAFI (EEG) DENGAN PENDEKATAN MACHINE LEARNING Nama : Alisca Damayanti NPM : 50412648 Jurusan : Teknik Informatika Fakultas
Lebih terperinciBAB 3 METODE PENELITIAN
BAB 3 METODE PENELITIAN Pada proses penelitian ini dilakukan beberapa tahapan mulai dari tahap awal yaitu tahap inisiasi, pengembangan model, dan tahap terakhir pengembangan prototipe. Dalam tahapan inisiasi
Lebih terperinciParalelisasi Transformasi Fourier pada Arsitektur General Purpose Graphic Processing Unit Untuk Klasifikasi Alat Musik Dengan Instrumen Solo
Paralelisasi Transformasi Fourier pada Arsitektur General Purpose Graphic Processing Unit Untuk Klasifikasi Alat Musik Dengan Instrumen Solo Ridwan Rismanto 5109201049 DOSEN PEMBIMBING Dr. Nanik Suciati,
Lebih terperinciAktifasi Peralatan Elektronik Berbasis Suara Menggunakan Android
Seminar Nasional Teknologi Informasi dan Komunikasi Terapan (SEMANTIK) 2015 537 Aktifasi Peralatan Elektronik Berbasis Suara Menggunakan Android Regilang Monyka Putra *), Firdaus **), Mohammad Hafiz Hersyah
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1 Prinsip Kerja Sistem Prinsip kerja sistem diawali dengan pembacaan citra rusak dan citra tidak rusak yang telah terpilih dan dikumpulkan pada folder tertentu.
Lebih terperinciBAB III METODE PENELITIAN. Tujuan tugas akhir ini akan membangun suatu model sistem yang
BAB III METODE PENELITIAN 3.1 Model Pengembangan Tujuan tugas akhir ini akan membangun suatu model sistem yang melakukan proses data mulai dari pengolahan citra otak hingga menghasilkan output analisa
Lebih terperinciBAB 4 IMPLEMENTASI Implementasi
BAB 4 IMPLEMENTASI Bab ini menuturkan penjelasan mengenai implementasi dari sistem pengujian yang dibangun berdasarkan hasil analisis dan perancangan sistem yang telah dibahas pada bab sebelumnya. Bab
Lebih terperinciBAB 4 HASIL DAN PEMBAHASAN
68 BAB 4 HASIL DAN PEMBAHASAN 4.1. Uji Algoritma Pengujian dilakukan untuk mendapatkan algoritma yang paling optimal dari segi kecepatan dan tingkat akurasi yang dapat berjalan secara real time pada smartphone
Lebih terperinci2.4. Vector Quantization Kebisingan BAB III METODOLOGI PENELITIAN Desain Penelitian Requirements Definition...
DAFTAR ISI PERNYATAAN... i KATA PENGANTAR... ii UCAPAN TERIMA KASIH... iii ABSTRAK... v ABSTRACT... vi DAFTAR ISI... vii DAFTAR TABEL... ix DAFTAR GAMBAR... x DAFTAR LAMPIRAN... xii BAB I PENDAHULUAN...
Lebih terperinciIDENTIFIKASI KEBERADAAN TIKUS BERDASARKAN SUARANYA MENGGUNAKAN SMS GATEWAY
IDENTIFIKASI KEBERADAAN TIKUS BERDASARKAN SUARANYA MENGGUNAKAN SMS GATEWAY Erni Seniwati 1), Ninik Tri Hartanti 2) 1 Sistem Informasi, STMIK Amikom erni.s@amikom.ac.id 2 Sistem Informasi, STMIK Amikom
Lebih terperinciBAB III ALAT UJI DAN METODE PENGAMBILAN DATA
BAB III ALAT UJI DAN METODE PENGAMBILAN DATA 3.1 Alat Uji Kerusakan Bantalan Pada penelitian tugas akhir ini, alat uji yang digunakan adalah alat uji test rig yang digerakkan menggunakan sebuah motor dan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Citra Berikut adalah beberapa definisi dari citra, antara lain: rupa; gambar; gambaran (Kamus Besar Bahasa Indonesia). Sebuah fungsi dua dimensi, f(x, y), di mana x dan y adalah
Lebih terperinciDAFTAR ISI. BAB I PENDAHULUAN 1.1 Latar Belakang Tujuan Penelitian Manfaat Penelitian... 4
DAFTAR ISI Halaman Judul... Halaman Pengesahan... Halaman Pernyataan... Halaman Pernyataan Publikasi... Kata Pengantar... Daftar Isi... Daftar Gambar... Daftar Tabel... Daftar Arti Lambang... Daftar Singkatan...
Lebih terperinciPENENTUAN AKOR GITAR DENGAN MENGGUNAKAN ALGORITMA SHORT TIME FOURIER TRANSFORM
PENENTUAN AKOR GITAR DENGAN MENGGUNAKAN ALGORITMA SHORT TIME FOURIER TRANSFORM Agustina Trifena Dame Saragih 1, Achmad Rizal 2, Rita Magdalena 3 Departemen Teknik Elektro Institut Teknologi Telkom Jl.
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. dicolokan ke komputer, hal ini untuk menghindari noise yang biasanya muncul
37 BAB IV HASIL DAN PEMBAHASAN 4.1 Hasil 4.1.1 Pengambilan Database Awalnya gitar terlebih dahulu ditala menggunakan efek gitar ZOOM 505II, setelah ditala suara gitar dimasukan kedalam komputer melalui
Lebih terperinciVersi Online tersedia di : JURNAL TECH-E (Online)
JURNAL TECH-E - VOL. 1 NO. 1 (2017) Versi Online tersedia di : http://bsti.ubd.ac.id/e-jurnal JURNAL TECH-E 2581-116 (Online) Artikel Perancangan Aplikasi Prediksi Kelulusan Mahasiswa Tepat Waktu Pada
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Perkembangan teknologi komputer sekarang sangat pesat, ini ditandai dengan hampir semua pengolahan data dan informasi telah dilakukan dengan komputer. Hal ini diakibatkan
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Wicara atau ucapan adalah cara berkomunikasi yang paling sederhana dan sering digunakan oleh manusia. Namun, seiring dengan perkembangan teknologi, proses komunikasi
Lebih terperinciPERSYARATAN PRODUK. 1.1 Pendahuluan Latar Belakang Tujuan
BAB 1 PERSYARATAN PRODUK Bab ini membahas mengenai hal umum dari produk yang dibuat, meliputi tujuan, ruang lingkup proyek, perspektif produk, fungsi produk dan hal umum yang lainnya. 1.1 Pendahuluan Hal
Lebih terperinciBAB IV IMPLEMENTASI DAN EVALUASI. implementasi dan evaluasi yang dilakukan terhadap perangkat keras dan
BAB IV IMPLEMENTASI DAN EVALUASI Implementasi dan Evaluasi yang dilakukan penulis merupakan implementasi dan evaluasi yang dilakukan terhadap perangkat keras dan perangkat lunak dari sistem secara keseluruhan
Lebih terperinciUKDW BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Pada masa sekarang, Digital Signal Processing (DSP) atau pemrosesan sinyal digital sudah banyak diterapkan di berbagai bidang karena data dalam bentuk digital
Lebih terperinciISSN : e-proceeding of Engineering : Vol.4, No.3 Desember 2017 Page 3573
ISSN : 2355-9365 e-proceeding of Engineering : Vol.4, No.3 Desember 2017 Page 3573 DENTIFIKASI UMUR MENGGUNAKAN RONSEN PANORAMIK GIGI DENGAN METODE PRINCIPAL COMPONENT ANALYSIS DAN SUPPORT VECTOR MACHINE
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Kerangka Pikir Kanker payudara merupakan salah satu penyebab kematian yang sering dialami oleh wanita pada usia lanjut. Tercatat bahwa pada tahun 2011, terdapat lebih
Lebih terperinciSTK 571 KOMPUTASI STATISTIK. Perangkat Lunak Komputasi Statistik R
STK 571 KOMPUTASI STATISTIK Perangkat Lunak Komputasi Statistik R RUANG LINGKUP MATERI Pendahuluan Manajemen Data Aritmetik, Alir Kendali dan Pengembangan Fungsi Statistik Dasar dalam R Pembangkitan Data
Lebih terperinciSISTEM PINTU OTOMATIS BERDASARKAN PENGENALAN WAJAH MENGGUNAKAN METODE NEAREST FEATURE LINE
SISTEM PINTU OTOMATIS BERDASARKAN PENGENALAN WAJAH MENGGUNAKAN METODE NEAREST FEATURE LINE Agus Budi Dharmawan 1), Lina 2) 1), 2) Teknik Informatika FTI - UNTARJakarta Jl S. Parman No.1, Jakarta 11440
Lebih terperinciPENDAHULUAN. Latar Belakang
Latar Belakang PENDAHULUAN Manusia dianugrahi oleh Tuhan dua telinga yang memiliki fungsi untuk menangkap sinyal-sinyal suara. Namun untuk mengoptimalkan dari fungsi telinga tersebut manusia harus belajar
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Bab ini menjelaskan landasan teori dari metode yang digunakan dalam proses pengenalan wajah, yaitu terdiri atas: metode Eigenface, dan metode Jarak Euclidean. Metode Eigenface digunakan
Lebih terperinciMODUL 5 EKSTRAKSI CIRI SINYAL WICARA
MODUL 5 EKSTRAKSI CIRI SINYAL WICARA I. TUJUAN - Mahasiswa mampu melakukan estimasi frekuensi fundamental sinyal wicara dari pengamatan spektrumnya dan bentuk gelombangnya - Mahasiswa mampu menggambarkan
Lebih terperinciKLASIFIKASI BUNGA EUPHORBIA BERDASARKAN KELOPAK DENGAN METODE PRINCIPAL COMPONENT ANALYSIS (PCA)
KLASIFIKASI BUNGA EUPHORBIA BERDASARKAN KELOPAK DENGAN METODE PRINCIPAL COMPONENT ANALYSIS (PCA) SKRIPSI Diajukan Untuk Memenuhi Sebagai Syarat Guna Memperoleh Gelar Sarjana Komputer (S.Kom.) Pada Program
Lebih terperinciPENGENALAN WAJAH MENGGUNAKAN ALGORITMA EIGENFACE DAN EUCLIDEAN DISTANCE
PENGENALAN WAJAH MENGGUNAKAN ALGORITMA EIGENFACE DAN EUCLIDEAN DISTANCE Widodo Muda Saputra, Helmie Arif Wibawa, S.Si, M.Cs, dan Nurdin Bahtiar, S.Si, M.T Fakultas Sains dan Matematika, Jurusan Ilmu Komputer
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Dalam situs http://id.wikipedia.org/wiki/lagu dikatakan bahwa lagu merupakan gubahan seni nada atau suara dalam urutan, kombinasi, dan hubungan temporal (biasanya diiringi
Lebih terperinciLAPORAN APLIKASI DIGITAL SIGNAL PROCESSING EKSTRAKSI CIRI SINYAL WICARA. Disusun Oleh : Inggi Rizki Fatryana ( )
LAPORAN APLIKASI DIGITAL SIGNAL PROCESSING EKSTRAKSI CIRI SINYAL WICARA Disusun Oleh : Inggi Rizki Fatryana (1210147002) Teknik Telekomunikasi - PJJ PENS Akatel Politeknik Negeri Elektro Surabaya 2014-2015
Lebih terperinciPengenalan Pembicara dengan Ekstraksi Ciri MFCC Menggunakan Kuantisasi Vektor (VQ) Yoyo Somantri & Erik Haritman dosen tek elektro fptk UPI.
Pengenalan Pembicara dengan Ekstraksi Ciri MFCC Menggunakan Kuantisasi Vektor (VQ) Yoyo Somantri & Erik Haritman dosen tek elektro fptk UPI. Tujuan Tujuan dari penelitian ini adalah untuk mengidentifikasi
Lebih terperinci1. Pendahuluan Latar Belakang
1. Pendahuluan 1.1. Latar Belakang Musik merupakan sarana untuk menyimpan hasil karya seseorang. Dan hampir semua notasi musik dituliskan ke dalam not balok. Not balok adalah susunan nada yang ditulis
Lebih terperinci1. Pendahuluan. 1.1 Latar belakang
1. Pendahuluan 1.1 Latar belakang Keamanan data pribadi merupakan salah satu hal terpenting bagi setiap orang yang hidup di era dimana Teknologi Informasi (TI) berkembang dengan sangat pesat. Setiap orang
Lebih terperinciIDENTIFIKASI CAMPURAN NADA PADA SUARA PIANO MENGGUNAKAN CODEBOOK
IDENTIFIKASI CAMPURAN NADA PADA SUARA PIANO MENGGUNAKAN CODEBOOK Ade Fruandta dan Agus Buono Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor Jl. Meranti
Lebih terperinciAplikasi Teknik Speech Recognition pada Voice Dial Telephone
Aplikasi Teknik Speech Recognition pada Voice Dial Telephone Oleh: Ahmad Irfan Abdul Rahman Tri Budi Santoso Titon Dutono Laboratorium Sinyal, Politeknik Elektronika Negeri Surabaya (PENS) Institut Teknologi
Lebih terperinciTEKNIK PENGENALAN WAJAH DENGAN ALGORITMA PCA BERBASIS SELEKSI EIGENVECTOR
TEKNIK PENGENALAN WAJAH DENGAN ALGORITMA PCA BERBASIS SELEKSI EIGENVECTOR DWI ACHTI NOVIATUR R. 2208100656 Dosen Pembimbing : Dr. Ir. Wirawan, DEA (Ir. Hendra Kusuma, M.Eng) PIE Problem Representasi Citra
Lebih terperinciMODUL 6 ANALISA SINYAL DALAM DOMAIN FREKUENSI
MODUL 6 ANALISA SINYAL DALAM DOMAIN FREKUENSI I. TUJUAN - Mengamati sinyal dalam domain waktu dan domain frekuensi dengan menggunakan library FFT II. DASAR TEORI 2.1 Transformasi Fourier Satu bentuk transformasi
Lebih terperinciJURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-6 1
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-6 1 Rancang Bangun Sistem Pemantau Ruangan Berbasis Multi Kamera untuk Smartphone Android pada Jaringan Pikonet yang Adaptif terhadap Perubahan Situasi Ruangan
Lebih terperinciPrincipal Component Analysis
Perbandingan Ukuran Jarak pada Proses Pengenalan Wajah Berbasis Principal Component Analysis (PCA) Pembimbing: Dr.Ir.Wirawan, DEA (Ir. Hendra Kusuma, M.Eng) Nimas Setya Yaniar 2208.100.616 POSE (posisi
Lebih terperinciKOMPRESI 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 terperinciKlasifikasi Mutu Telur Berdasarkan Kebersihan Kerabang Telur Menggunakan K-Nearest Neighbor
Klasifikasi Mutu Telur Berdasarkan Kebersihan Kerabang Telur Menggunakan K-Nearest Neighbor Puspa Rizky Trisnaningtyas 1, Maimunah 2 Program Studi Teknik Komputer Universitas Islam 45 Bekasi, Indonesia
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Salah satu tanggung jawab sosial PT. Telkom dalam program kemitraan dengan masyarakat sekitarnya adalah memberikan kredit lunak bagi pelaku Usaha Kecil Menengah (UKM).
Lebih terperinciPENDAHULUAN. Latar Belakang
Latar Belakang PENDAHULUAN Genre musik adalah pengelompokan musik sesuai dengan kemiripan satu dengan yang lain, seperti kemiripan dalam hal frekuensi musik, struktur ritmik, dan konten harmoni. Genre
Lebih terperinciBAB 1 PENDAHULUAN 1.1 Latar Belakang Sekarang pada kenyataannya, banyak sekali sebuah data yang berukuran besar tidak akurat, tidak komplit dan tidak
BAB 1 PENDAHULUAN 1.1 Latar Belakang Sekarang pada kenyataannya, banyak sekali sebuah data yang berukuran besar tidak akurat, tidak komplit dan tidak konsisten. Sebuah data yang tidak berkualitas akan
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 terperinciPengenalan Bahasa Isyarat Tangan Menggunakan Metode PCA dan Haar-Like Feature
Pengenalan Bahasa Isyarat Tangan Menggunakan Metode PCA dan Haar-Like Feature Dosen Pembimbing : 1) Prof.Dr.Ir. Mauridhi Hery Purnomo M.Eng. 2) Dr. I Ketut Eddy Purnama ST., MT. Oleh : ATIK MARDIYANI (2207100529)
Lebih terperinciBAB I PENDAHULUAN. Proses pengenalan kata merupakan salah satu fungsi dari
BAB I PENDAHULUAN I.1. Latar Belakang Masalah Proses pengenalan kata merupakan salah satu fungsi dari voice recognition. Voice recognition dibagi menjadi dua jenis, yaitu speech recognition dan speaker
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Perkembangan teknologi di bidang informasi spasial dan fotogrametri menuntut sumber data yang berbentuk digital, baik berformat vektor maupun raster. Hal ini dapat
Lebih terperinciBAB 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 terperinciRENCANA PEMBELAJARAN SEMESTER
RENCANA PEMBELAJARAN SEMESTER Mata Kuliah Big Data and Data Analytics Semester Tujuh Kode SMXXXXXX Prodi MBTI Dosen Andry Alamsyah SKS 4 Capaian Pembelajaran 1. Memahami fenomena, framework, peluang dan
Lebih terperinciDEKOMPOSISI NILAI SINGULAR DAN DISCRETE FOURIER TRANSFORM UNTUK NOISE FILTERING PADA CITRA DIGITAL
Seminar Nasional Aplikasi Teknologi Informasi 9 (SNATI 9) ISSN: 97- Yogyakarta, Juni 9 DEKOMPOSISI NILAI SINGULAR DAN DISCRETE FOURIER TRANSFORM UNTUK NOISE FILTERING PADA CITRA DIGITAL Adiwijaya, D. R.
Lebih terperinciPenerapan Perintah Suara Berbahasa Indonesia untuk Mengoperasikan Perintah Dasar di Windows
Penerapan Perintah Suara Berbahasa Indonesia untuk Mengoperasikan Perintah Dasar di Windows 1 Muhammad Anggia Muchtar, 2 Raisha Ariani Sirait, 3 Romi Fadillah Rahmat 1,2,3 Program Studi S1 Teknologi Informasi
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. dan fakor-faktor penyebab masalah tersebut bisa terjadi diantaranya. dimanfaatkan dan dikelola dengan baik.
BAB IV HASIL DAN PEMBAHASAN 4.1. Identifikasi Masalah Dalam menentukan status calon dosen dan dosen tetap terdapat masalahmasalah dan fakor-faktor penyebab masalah tersebut bisa terjadi diantaranya sebagai
Lebih terperinciudara maupun benda padat. Manusia dapat berkomunikasi dengan manusia dari gagasan yang ingin disampaikan pada pendengar.
BAB II DASAR TEORI 2.1 Suara (Speaker) Suara adalah sinyal atau gelombang yang merambat dengan frekuensi dan amplitudo tertentu melalui media perantara yang dihantarkannya seperti media air, udara maupun
Lebih terperinciBAB III METODOLOGI 3.1. Prosedur Penelitian Identifikasi Masalah
BAB III METODOLOGI Dalam penelitian ini metodologi memegang peranan penting guna mendapatkan data yang obyektik, valid dan selanjutnya digunakan untuk memecahkan permasalahan yang telah dirumuskan. Maka
Lebih terperinciSISTEM PENGOLAHAN SUARA MENGGUNAKAN ALGORITMA FFT (FAST FOURIER TRANSFORM)
SISTEM PENGOLAHAN SUARA MENGGUNAKAN ALGORITMA FFT (FAST FOURIER TRANSFORM) Harun Sujadi 1, Ii Sopiandi 2, Agis Mutaqin 3 1,2,3 Program Studi Teknik Informatika, Fakultas Teknik, Universitas Majalengka
Lebih terperinciPERBANDINGAN ANALISIS BIPLOT KLASIK DAN ROBUST BIPLOT PADA PEMETAAN PERGURUAN TINGGI SWASTA DI JAWA TIMUR
Jur. Ris. & Apl. Mat. I (207), no., xx-xx Jurnal Riset dan Aplikasi Matematika e-issn: 258-054 URL: journal.unesa.ac.id/index.php/jram PERBANDINGAN ANALISIS BIPLOT KLASIK DAN ROBUST BIPLOT PADA PEMETAAN
Lebih terperinciBab II Teori Dasar. Gambar 2.1 Diagram blok sistem akuisisi data berbasis komputer [2]
Bab II Teori Dasar 2.1 Proses Akuisisi Data [2, 5] Salah satu fungsi utama suatu sistem pengukuran adalah pembangkitan dan/atau pengukuran tehadap sinyal fisik riil yang ada. Peranan perangkat keras (hardware)
Lebih terperinciBAB 3 METODE PENELITIAN. pendapat para responden mengenai Augmented Reality, aplikasi Virtual dressing
BAB 3 METODE PENELITIAN 3.1 Hasil Uji Kuesioner Kuisioner terdiri dari 12 pertanyaan dan terdapat 56 responden yang menjawab kuesioner secara online. Kuisioner ini dimaksudkan untuk mengetahui pendapat
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Pengenalan Wajah Pengenalan wajah adalah salah satu teknologi biometrik yang telah banyak diaplikasikan dalam sistem keamanan selain pengenalan retina mata, pengenalan sidik jari
Lebih terperinci