Pengenalan Tutur Vokal Bahasa Indonesia Menggunakan Metode Multi Layer Perceptron
|
|
- Sukarno Susman
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Pengenalan Tutur Vokal Bahasa Indonesa Menggunakan Metode Mult Laer Perceptron Rsk Va Yulantar, Rsanur Hdaat, Oas Wahunggoro, Anan Nugroho Departemen Teknk Elektro dan Teknk Informas Fakultas Teknk Unverstas Gadah Mada Jalan Grafka 2 Yogakarta 5528 rvaulantar@gmal.com ABSTRACT Indonesan language s a natonal language of Indonesa whch can be nterpreted as sound smbol that can be used as a communcaton devce. In that communcaton process, nformaton n the form of sgnal can be obtaned. There are man researches on voce sgnal of Indonesan language. In ths research, Indonesan vocal sgnal recognton automataton s developed b usng Multlaer Perceptron to ncrease accurac, senstvt, specfct and precson. The recognton s done b usng Dscrete Wavelet Transform to 00 speakers that result n 500 characterstc data for tranng and testng. The classfcaton process results naccurac as much as 95,9%, senstvt 90,2%, specfct 97,5%, and precson 89,8%. Keword: Mult Laer Perceptron, Dscrete Wavelet Transform, Vocal, Indonesan INTISARI Bahasa Indonesa merupakan bahasa nasonal bangsa Indonesa ang dapat dartkan sebaga lambang bun ang dgunakan sebaga alat komunkas. Dalam proses komunkas tersebut dapat dperoleh sebuah nformas berupa sarat. Banak peneltan tentang sarat tutur Indonesa. Pada peneltan n dkembangkan otomatsas pengenalan sarat vokal Indonesa dengan Mult Laer Perceptron untuk menngkatkan akuras, senstftas, spesftas dan press. Pengenalan dlakukan dengan Dscrete Wavelet Transform pada 00 orang penutur menghaslkan 500 data cr untuk tranng dan testng. Proses klasfkas menghaslkan akuras sebesar 95,9%, senstftas 90,2%, spesftas 97,5%, dan press 89,8%. Kata Kunc: Mult Laer Perceptron, Dscrete Wavelet Transform, Vokal, Bahasa Indonesa PENDAHULUAN Bahasa Indonesa merupakan bahasa nasonal negara Indonesa. Bahasa dapat dartkan sebaga lambang bun ang dgunakan oleh suatu anggota masarakat untuk bekera sama, berkomunkas, dan mengdentfkas dr (Dr. Alek 202). Secara umum, bun bahasa dkelompokkan menad dua kelas bun utama, atu konsonan (consonant) dan vokal (vowel). Konsonan adalah bun bahasa ang dhaslkan dengan keadaan rongga mulut atau hdung tertutup kemudan dhambatkan oleh alat ucap ang dalrkan melewat celah sempt.. Sedangkan vokal merupakan bun bahasa ang dhaslkan alat ucap melalu rongga mulut dengan udara tanpa hambatan dan memlk kualtas ang bergantung pada poss, tngg rendah dan mau mundur ldah. Bahasa Indonesa mengandung 5 vokal atu /a/, //, /u/, /e/, dan /o/ (Yendra 206). Bun vokal mengandung cr-cr sebaga penampa nformas pada telnga manusa berbentuk sarat stasoner ang berderau dengan beda kecepatan (Sakoe & Chba 978). Peneltan tentang pengenalan sarat tutur telah banak dlakukan dalam berbaga bahasa duna. Sementara peneltan tentang pengenalan sarat tutur menggunakan bahasa Indonesa mash terbatas. Beberapa peneltan pengenalan sarat tutur menggunakan bahasa Indonesa dlakukan oleh (Sutsna 203) menggunakan metode Neuro Fu Inference Sstem (ANFIS) sebaga pengenalan sarat tutur kata ang tersolas dengan tngkat akuras sebesar 89,33%, (H et al. 205) menggunakan Hdden Markov Models (HMM) sebaga pengenalan sarat tutur berbass suku kata bahasa Indonesa dengan tngkat dengan tngkat akuras 75%, (Ivana n.d.) melakukan pengenalan vokal Bahasa Indonesa menggunakan metode Lnear Predctve Codng (LPC) dengan tngkat akuras 86,9%. Dalam peneltan n Mult Laer Perceptron (MLP) dgunakan sebaga metode klasfkas pola sarat tutur vokal bahasa Indonesa. Dmana metode Mult Laer 40 Rsk Va Yulantar, Pengenalan Tutur Vokal Bahasa Indonesa Menggunakan Metode Mult Laer Perseptron
2 Perceptron (MLP) telah banak daplkaskan dalam berbaga bdang sepert pengenalan pola tulsan tangan, pengolahan ctra medka, dan pengenalan pola suara (Davd 203). Mult Laer Perceptron (MLP) merupakan salah satu metode pengenalan pola ang efektf. Selan tu, Mult Laer Perceptron (MLP) memlk nla tolerans terhadap derau, ketdaklneran, dan memlk akuras ang tngg (Gaafar et al. 204).Akuras pengenalan uga dpengaruh oleh proses esktras cr. Menurut (Asn 204) Dscrete Wavelet Transform (DWT) lebh efektf dgunakan sebaga metode ekstras karena dapat menghemat waktu komputas. Metode ekstras cr Dscrete Wavelet Transform (DWT) uga mampu mengatas sarat tutur ang memlk sfat tdak stasoner, mengandung derau, dan memlk perbedaan kecepatan (Wu et al. 2008). Proses pengenalan sarat tutur dlakukan dengan memasukan nla ekstraks cr ang dber nla bobot, kemudan dlakukan penumlahan antara perkalan nla ekstras cr dengan nla bobot. Hasl penumlahan kedua nla tersebut menad nla masukan bag fungs sgmod bner untuk mendapatkan nla keluaran (Davd 203) (Hdaatno et al. 2008) METODOLOGI Tap tahap proses pengenalan sarat tutur dgambarkan pada gambar. Mula Isarat tutur vokal Perekaman sarat tutur DC Removal Normalsas ampltudo Menghlangkan sarat dam Ekstras cr DWT Pengenalan pola MLP Selesa Gambar Proses pengenalan sarat tutur PEREKAMAN ISYARAT TUTUR Proses perekaman dlakukan dengan cara merekam sarat tutur vokal /a/, //, /u/, /e/, dan /o/ selama tga detk dengan frekuens pencuplkan (fs) sebesar 8000 H. Perekaman dlakukan pada 00 orang penutur pra dan wanta. Frekuens pencuplkan (fs) pada pengolahan sarat tutur dpengaruh oleh resolus sarat dan waktu komputas. Frekuens pecuplkan (fs) harus memenuh krtera Nqust pada persamaan (). fs 2f () DC REMOVAL DC removal merupakan tahapan untuk menghlangkan komponen DC atau DC offset. Penghlangan unsur DC dlakukan menggunakan persamaan (2) dengan menghtung nla rata-rata ampltudo sarat tutur ang dlanutkan dengan mengurangkan sarat tutur asl dengan nla rata-rata tersebut. N S(n) n DCoffset (n) S(n) (2) N NORMALISASI AMPLITUDO Normalsas ampltudo dlakukan untuk mengatas tngkat energ ang tdak konssten antara tap sarat. Sehngga dapat menngkatkan kualtas cr dan memlk standar pengukuran ang sama untuk semua data. Proses normalas ampltudo dperoleh dengan cara membag setap nla S(n) pada runtun ke-n dengan nla absolut ampltudo tertngg ang terdapat pada sarat dengan nla batasan maksmal antara - dan, drumuskan dengan persamaan (3). DC (n) S (n) offset nor (3) max(abs(dc (n)) offset MENGHILANGKAN ISYARAT DIAM Proses penghlangan sarat dam bertuuan untuk mengefektfkan komputas karena adana derau dan sarat dam ang tdak memlk nformas dalam pengolahan sarat tutur. Langkah penghlangan sarat dam dlakukan dengan membag frame berukuran 20 ms pada proses sebelumna. Kemudan menentukan nla ambang bawah ampltudo sebesar 0,05. Nla ambang dgunakan untuk meneleks dan mengurutkan kembal masng-masng frame Jurnal Teknolog, Volume 9 Nomor 2, Desember 296,
3 ang bers nformas sarat tutur. Jka nla maksmum frame sama dengan atau dbawah dar nla ambang, maka frame tersebut tdak dgunakan. Proses menghlangkan suara dam drumuskan dengan persamaan (4). menghaslkan sebanak 2 dmana adalah level dekomposs dar metode Dscrete Wavelet Transform (DWT). Proses dekomposs wavelet level 3 dtunukkan pada gambar 2. F s(n) * N n()*n (4) DISCRETE WAVELET TRANSFORM (DWT) Wavelet merupakan gelombang sngkat dengan duras terbatas ang memlk nla rata-rata nol. Wavelet mengkonsentraskan energna terhadap ruang dan waktu sehngga cocok untuk menganalss sarat ang bersfat sementara. Ada dua ens atu Contnuous Wavelet Transform dan Dscrete Wavelet Transform. Dscrete Wavelet Transform (DWT) dgunakan untuk mentransformaskan sarat dar doman waktu ke doman frekuens ang dapat daplkaskan pada data dskrt untuk menghaslkan keluaran dskrt (Asn 204). Dscrete Wavelet Transform (DWT) dkatakan sebaga Low Pass Flter (LPF) dan Hgh Pass Flter (HPF). Frekuens tngg dan rendah dpsahkan dar snal asl dengan menggunakan transformas dekomposs, Semakn rendah pendekatan snal frekuens maka semakn tngg snal frekuens ang dhaslkan (Ghule & Deshmukh n.d.). Low Pass Flter (LPF) maupun Hgh Pass Flter (HPF) merupakan salah satu fungs ang palng banak dgunakan pada pemrosesan snal. Perwuudan wavelet dapat berupa penskalaan ulang dengan teras. Resolus snal dukur dar umlah nformas snal dtentukan oleh operas flterng dan menggunakan skala operas upsamplng dan downsamplng (R & P 2009)(Al et al. 204). Perhtungan Dscrete Wavelet Transform (DWT) dapat dlakukan dengan menkonvolus koefsen LPF (h) dan HPF (g) ang dtunukan pada persamaan (5) dan (6) (Asn 204). a d ( ) k ( ) k n ( ) ( ) (0) h a ( a h )(2k) (5) n n2k n ( ) ( ) () g a ( a g )(2k) (6) n2k n Ekstraks cr merupakan tahapan terpentng dalam sstem pengenalan sarat tutur. Metode ekstras cr Dscrete Wavelet Transform (DWT) level 3 dgunakan untuk Gambar 2. Proses dekomposs wavelet level 3 Vektor cr ddapatkan dengan cara menghtung energ tap frekuens dan energ total menggunakan persamaan (7) dan (8). N 2 E X (k) (7) k I 2 E total E (8) Agar vektor cr memlk nla standar ang sama perlu dlakukan normalsas energ dengan cara membag setap total energ subband dengan total energ ang dgunakan menggunakan persamaan (9). E V energ (9) Etotal Setelah dlakukan normalsas energ maka dhaslkan delapan nla vektor cr ang selanutna akan dgunakan dalam proses pengenalan pola. MULTI LAYER PERCEPTRON (MLP) Sebuah Neural Networks terdr dar kumpulan satu set unt sensor ang merupakan nput, satu atau lebh lapsan tersembun (hdden laers) dan lapsan output. Snal nput menebar mau secara laps dem laps melalu lapsan tersembun dengan nla bobot ang selalu berubah, sehngga dsebut sebaga Mult Laer Perceptron (MLP). Arstektur MLP dapat dlhat pada gambar 2 (Haln 999). 42 Rsk Va Yulantar, Pengenalan Tutur Vokal Bahasa Indonesa Menggunakan Metode Mult Laer Perseptron
4 Gambar 2. Arstektur Mult Laer Perceptron Snal masukan pada error backpropagaton (EBP) arah mau drambatkan ke lapsan tersembun, lapsan tersembun 2, hngga ke lapsan keluaran. Nla keluaran pada setap lapsan dhtung menggunakan fungs aktvas. Sedangkan pada error backpropagaton (EBP) arah balk perambatan dmula dar lapsan keluaran ke lapsan tersembun 2, lapsan tersembun, hngga ke lapsan masukan sepert ang dtunukkan pada gambar 5. Pada lapsan nput terkandung nlanla kuanttatf ang memlk karakter unk dgunakan sebaga obek klasfkas pengenalan pola. Nla kuanttatf berasal dar nla masukan proses ekstras cr akan menghaslkan nla keluaran berupa fung sgmod bner sebagamana dtunukkan oleh gambar 3 dan persamaan (0). d Z Z w w 2 w n d net d d 2 d N ε ε 2 ε 3 Gambar 3. Fungs Sgmod bner a e dengan 0 < a < (0) net Mult Laer Perceptron (MLP) merupakan pembelaaran terbmbng ang menggunakan algortma error backpropagaton (EBP). Error back-propagaton (EBP) memungknkan penesuaan nla bobot tersembun dengan cara merambat balkkan error output. Proses pembelaaran EBP ada dua tahapan atu arah mau dan arah balk. Error back-propagaton (EBP) arah mau sebagamana dtunukkan pada gambar 4.. V Indeks =,2,,M w,k W 2,k W M, 0 + Y net Gambar 4. Error back-propagaton (EBP) arah mau Indeks =,2,,M Gambar 5. Error back-propagaton (EBP) arah balk Pada sambungan percabangan setap lapsan bobot dhtung dan dperbaru terus menerus tap eksemplar dan tap epoch. Satu eksemplar merupakan satu kal pelathan pada satu data dengan seumlah cr nput, dmana satu epoch adalah satu kal pelathan dengan melbatkan keseluruhan data. Untuk menghtung umlah nla nput pada tap suatu lapsan neuron ang dmsalkan dengan menggunakan persamaan (). M net () w Sedangkan nla output suatu lapsan neuron dhtung menggunakan persamaan (0), ang dapat dtulskan kembal dengan menggunakan persamaan (2). (2) e net Dmana persamaan (3) adalah nla turunan pertama dar persamaan (2). Proses n dlakukan pada keseluruhan lapsan error back propagaton arah mau. Indeks =,2,,M ( ) (3) Indeks =,2,,M Jurnal Teknolog, Volume 9 Nomor 2, Desember 296,
5 Nla dan dsmpan untuk kemudan dlakukan perhtungan pada error back propagaton arah balk. Proses selanutna adalah menghtung nla bobot w ang dperbaharu tap percabangan dengan persamaan (4), (5), dan (6). M Δw η (t k )( k ( ) ) Δw w (4) baru M η (t ) (5) lama k w w (6) Dengan η adalah pesat belaar (learnng rate) dengan nla antara 0 sampa dengan dan t adalah target pelathan ang dadkan acuan dalam pembelaaran. Perhtungan error factor d pada error back propagaton arah balk suatu lapsan dgunakan persamaan (7) dan (8). d d (t ) (7) (8) Sedangkan untuk perhtungan neuron-neuron pada lapsan lanna menggunakan persamaan (9) dan (20). dalam proses penguan. Maka untuk mencapa keberhaslan pengenalan ndeks pengukuran dtentukan berdasarkan keakuratan, senstftas, spesftas, dan press. Keakuratan hasl klasfkas dapat dukur dengan cara membag antara umlah klasfkas ang benar sesua target dengan umlah klasfkas ang berbeda dengan target dar semua kelas menggunakan rumus ang dtunukkan oleh persamaan (22) (Carvalho et al. 204). TP TN acc x00% (23) TP TN FP FN Senstvtas merupakan sebuah ukuran kemampuan predks untuk memlh contoh kelas tertentu dar serangkaan data set dan bersesuaan dengan True Postve Rate (TPR) ang drumuskan pada persamaan (24). TPR TP x00% (24) TP FN Spesftas atau bsa dsebut dengan true negatve rate (TNR) berkatan dengan senstvtas, dmana spesftass merupakan sebuah ukuran ang basana dgunakan dalam permasalahan dua kelas ang dapat drumuskan oleh persamaan (25). d w d (9) M net TNR TN x00% (25) TN FP net d d (20) Persamaan (2) dgunakan untuk menghtung nla bobot ang terhubung ke neuron pada error back propagaton arah balk. w d (2) Dmana merupakan hasl perhtungan error back propagaton arah mau sebelumna. Kemudan nla drambatkan balk ke lapsan berkutna hngga sampa kelapsan nput dalam satu arangan MLP. Proses dlanutkan untuk eksemplar nput berkutna sampa selesa satu epoch. Jka nla error mash besar maka proses epoch dlanutkan hngga mendapatkan nla error ang sangat kecl. Proses pembelaaran menggunakan Mult Laer Perceptron (MLP) tdak sepenuhna sesua dengan target klasfkas Press dsebut uga sebga postve predctve value (PPV) ang merupakan konds dmana predks benar dhtung menggunakan persamaan (26). TP PPV x00% (26) TP FP Dmana TP (true postve) adalah umlah data postf target ang terklasfkas postf pada sstem, TN (true negatve) adalah umlah data negatve pada target ang terklasfkas pada sstem. FP (false postve) representas umlah data negatf pada target ang terklasfkas postf pada sstem dan FN (false negatf) merupakan umlah data postf pada target ang terklasfkas negatf pada sstem. Kesemua nla n terwuud dalam sebuah matrk confuson (Powers 2007) 44 Rsk Va Yulantar, Pengenalan Tutur Vokal Bahasa Indonesa Menggunakan Metode Mult Laer Perseptron
6 HASIL DAN PEMBAHASAN Nla vektor cr dperoleh berdasarkan nla normalsas energ frekuens ang berada pada level 3 dengan 8 cr ang memlk panang 4000 sampel. Dmana tap memlk lebar ang sama sebesar 500 H. Hasl ekstras cr tap vokal dtunukkan pada tabel sampa tabel 5. Tabel Vektor cr vokal /a/ Frekuens Vektor cr (H) a a2... a ,248 0, , ,3256 0, , ,4275 0, , ,5696 0, , ,3249 0, , ,2702 0, , ,2667 0, , ,3485 0, ,3054 Frekuens (H) Tabel 2 Vektor cr vokal // Vektor cr ,2447 0,3... 0, ,2254 0, , ,2255 0, , ,939 0, , ,398 0, , ,6403 0, , ,2262 0, , ,2447 0,3... 0,0643 Frekuens (H) Tabel 3 Vektor cr vokal /u/ Vektor cr u u2... u ,24 0, , ,2070 0, , ,57 0, , ,4428 0, , ,3757 0, , ,4378 0, , ,2273 0, , ,238 0, ,3033 Frekuens (H) Tabel 4 Vektor cr vokal /e/ Vektor cr e e2... e ,0963 0, , ,0964 0, , ,430 0, , ,2242 0, , ,723 0, , ,3968 0, , ,6233 0, , ,4300 0, ,3966 Tabel 5 Vektor cr vokal /o/ Frekuens Vektor cr (H) e e2... e ,3242 0, , ,4070 0, , ,2998 0, , ,2854 0, , ,2644 0, , ,4377 0, , ,3984 0, , ,370 0, ,2283 Proses selanutna adalah menentukan data set berupa cr vokal bahasa Indonesa sebanak 500 data ang dperoleh dar 00 orang penutur untuk dlakukan tranngset sebaak 350 data dan 50 data sebaga testngset Hasl tranngset dan testngset dtunukkan dengan confuson matrx sepert pada tabel 6. Tabel 6 Confuson matrx pengenalan pola Predks Kelas Sebenarna A I U E O A I U E 4 9 O Data set tap vokal bahasa Indonesa pada tabel 7 dhtung berdasarkan nla pada tabel 6. Tabel 7 Data set vokal bahasa Indonesa Jurnal Teknolog, Volume 9 Nomor 2, Desember 296,
7 Klasfkas Vokal TP FP FN TN /a/ // /u/ /e/ /o/ Dar data set tabel 7, dapat dlakukan perhtungan akuras, senstftas, spesftas, dan perss pengenalan pola berdasarkan rumus ang telah delaskan sebelumna. Hasl akuras (acc), senstftas (TPR), spesftas (TNR), dan perss (PPV) pengenalan pola dtunukkan pada gambar % 95.00% 90.00% 85.00% 80.00% 75.00% Gambar 6. Hasl akuras (acc), senstftas (TPR), spesftas (TNR), dan perss (PPV) pengenalan pola Berdasarkan tabel 8, maka dperoleh rata-rata akuras pengenalan sebesar 95,9%, rata-rata senstftas pengenalan sebasar 90,2%, rata-rata spesftas pengenalan sebesar 97,5%, dan rata-rata press pengenalan pola sebesar 89,8%. KESIMPULAN Dar hasl dan pembahasan dapat dsmpulkan bahwa proses pengenalan sarat tutur dpengaruh oleh nla cr ang dhaslkan. Semakn banak data ang memlk varas nla cr maka semakn tngg nla akuras ang ddapat. Selan berpengaruh terhadap akuras, nla cr ang bervaras uga berpengaruh dalam menentukan persentase senstftas, spesftas dan press suatu pengenalan. DAFTAR PUSTAKA /a/ // /u/ /e/ /o/ Bun Vokal ACC TPR TNR PPV Al, H. et al., 204. DWT features performance analss for automatc speech recognton of Urdu. SprngerPlus, 3, pp. 0. Asn, A., 204. Ekstraks Cr Dan Pengenalan Tutur Vokal Bahasa Indonesa Menggunakan Metode Dscrete Wavelet Transform (DWT) dan Dnamc Tme Warpng (DTW). In Unverstas Gadah Mada. Carvalho, L.F. et al., 204. Dgtal sgnature of network segment for healthcare envronments support. Irbm, 35(6), pp Davd, S.K., 203. Penerapan Algortma Jarngan Saraf Truan Backpropagaton Untuk Pengenalan Pola Tanda Tagan. Jurnal Teknolog, 6 Nomor 2, pp Dr. Alek, P.D.H.A.H., 202. Lngustk Umum N. I. Sallama, ed., Jakarta: Erlangga. Gaafar, T.S., Abo Bakr, H.M. & Abdalla, M.I., 204. An mproved method for speech/speaker recognton. 204 Internatonal Conference on Informatcs, Electroncs and Vson, ICIEV 204, pp.2 6. Ghule, K.R. & Deshmukh, R.R., Feature Extracton Technques for Speech Recognton: A Revew. Internatonal Journal of Scentfc & Engneerng Research, 6(5), pp H, S., Hdaat, R. & Ad, T.B., 205. Sstem Pengenal Tutur Bahasa Indonesa Berbass Suku Kata Menggunakan MFCC, Sstem Pengenal Tutur Bahasa Indonesa Berbass Suku Kata. Conference on Informaton Technolog and Electrcal Engneerng, (September), pp Haln, S., 999. Neural Networks A Comprehensve Foundaton 2nd ed., New Jerse: Prentce Hall, Inc. Hdaatno, A. et al., Perambatan-Balk ( Backpropagaton )., pp Ivana, Pengenalan Ucapan Vokal Bahasa Indonesa Dengan Jarngan Sarag Truan Menggunakan Lnear Predctve Codng., pp. 0. Powers, D.M.W., Evaluaton : From Precson, Recall and F-Factor to ROC, Informedness, Markedness & Correlaton. J. Mach. Learn. Technol, 2, pp R, V.K. V & P, B.A., Features of Wavelet Packet Decomposton and Dscrete Wavelet Transform for Malaalam Speech Recognton. Aceee, (2), pp Sakoe, H. & Chba, S., 978. Dnamc Programmng Algorthm Optmaton for Spoken Word Recognton. In IEEE Transactons on Acoustc Speech and Sgnal Processng. pp Rsk Va Yulantar, Pengenalan Tutur Vokal Bahasa Indonesa Menggunakan Metode Mult Laer Perseptron
8 Sutsna, U., 203. Pengenalan Tutur Kata Tersolas Menggunakan MFCC dan ANFIS., p.36. Wu, X., Tan, F. & Lu, J., An mproved speech feature extracton algorthm usng DWT. ICALIP Internatonal Conference on Audo, Language and Image Processng, Proceedngs, pp Yendra, 206. Mengenal Ilmu Bahasa (Lngustk) st ed., Yogakarta. Jurnal Teknolog, Volume 9 Nomor 2, Desember 296,
PENGENALAN POLA TULISAN TANGAN AKSARA JAWA MENGGUNAKAN MULTI LAYER PERCEPTRON
STMIK AMIKOM Yogyakarta, 6-8 Februar 2015 PENGENALAN POLA TULISAN TANGAN AKSARA JAWA MENGGUNAKAN MULTI LAYER PERCEPTRON Madha Chrstan Wbowo 1), I Dewa Gede Ra Mardana 2), Sandy Wrakusuma 3) 1), 2), 3)
Lebih terperinciPENGENALAN POLA TULISAN TANGAN AKSARA JAWA HA NA CA RA KA MENGGUNAKAN MULTI LAYER PERCEPTRON
PENGENALAN POLA TULISAN TANGAN AKSARA JAWA HA NA CA RA KA MENGGUNAKAN MULTI LAYER PERCEPTRON Madha Chrstan Wbowo 1) Sandy Wrakusuma 2) 1) S1 Sstem Komputer, STIKOM Surabaya, emal: madha@stkom.edu 2) S1
Lebih terperinciSistem Pengenalan Wicara Otomatis Menggunakan Discrete Wavelet Neural Network (DWNN)
Sstem Wcara Otomats Menggunakan Dscrete Wavelet Neural Network (DWNN) Yunus Wcaksono S 1, Djoko Purwanto 2, Agus Sgt Pramono 3 1,2 Program Stud Teknk Elektro Insttut Teknolog Sepuluh Nopember Surabaya
Lebih terperinciBAB VB PERSEPTRON & CONTOH
BAB VB PERSEPTRON & CONTOH Model JST perseptron dtemukan oleh Rosenblatt (1962) dan Mnsky Papert (1969). Model n merupakan model yang memlk aplkas dan pelathan yang lebh bak pada era tersebut. 5B.1 Arstektur
Lebih terperinciBAB VIB METODE BELAJAR Delta rule, ADALINE (WIDROW- HOFF), MADALINE
BAB VIB METODE BELAJAR Delta rule, ADALINE (WIDROW- HOFF), MADALINE 6B.1 Pelathan ADALINE Model ADALINE (Adaptve Lnear Neuron) dtemukan oleh Wdrow & Hoff (1960) Arstekturnya mrp dengan perseptron Perbedaan
Lebih terperinciISSN: Kata kunci: pengenalan tulisan tangan, ekstraksi ciri, jaringan saraf tiruan.
ISSN: 1693-6930 17 PENGARUH KOMPLEKSITAS EKSTRAKSI CIRI PADA SISTEM PENGENALAN TULISAN TANGAN DINAMIS (Influence of Feature Etracton Complet n Onlne Handwrtng Recognto Abdul Fadll Program Stud Teknk Elektro,
Lebih terperinciBAB 4 PERHITUNGAN NUMERIK
Mata kulah KOMPUTASI ELEKTRO BAB PERHITUNGAN NUMERIK. Kesalahan error Pada Penelesaan Numerk Penelesaan secara numers dar suatu persamaan matemats kadang-kadang hana memberkan nla perkraan ang mendekat
Lebih terperinciBAB 3 PEMBAHASAN. 3.1 Prosedur Penyelesaian Masalah Program Linier Parametrik Prosedur Penyelesaian untuk perubahan kontinu parameter c
6 A PEMAHASA Pada bab sebelumnya telah dbahas teor-teor yang akan dgunakan untuk menyelesakan masalah program lner parametrk. Pada bab n akan dperlhatkan suatu prosedur yang lengkap untuk menyelesakan
Lebih terperinciAnalitik Data Tingkat Lanjut (Regresi)
0 Oktober 206 Analtk Data Tngkat Lanut (Regres) Imam Cholssodn mam.cholssodn@gmal.com Pokok Bahasan. Konsep Regres 2. Analss Teknkal dan Fundamental 3. Regres Lnear & Regres Logstc (Optonal) 4. Regres
Lebih terperinciMEREDUKSI SISTEM PERSAMAAN LINEAR FUZZY PENUH DENGAN BILANGAN FUZZY TRAPESIUM
MEREDUKSI SISTEM PERSAMAAN LINEAR FUZZY PENUH DENGAN BILANGAN FUZZY TRAPESIUM Tut Susant, Mashad, Sukamto Mahasswa Program S Matematka Dosen Jurusan Matematka Fakultas Matematka dan Ilmu Pengetahuan Alam
Lebih terperinciPEMILIHAN VARIABEL YANG RELEVAN PADA ATURAN FUZZY MENGGUNAKAN JARINGAN SYARAF
PEMILIHAN VARIABEL YANG RELEVAN PADA ATURAN FUZZY MENGGUNAKAN JARINGAN YARAF r Kusumadew Jurusan Teknk Informatka, Fakultas Teknolog Industr Unverstas Islam Indonesa Yogyakarya emal: cce@ft.u.ac.d Abstrak
Lebih terperinciAPLIKASI FUZZY NEURAL NETWORK (FNN) PADA SISTEM KONTROL DENGAN WAKTU TUNDA
APLIKASI FUZZY NEURAL NETWORK (FNN) PADA SISTEM KONTROL DENGAN WAKTU TUNDA Mukhtar Hanaf Program Stud Teknk Informatka Unverstas Muhammadah Magelang Jl. Maend. Bambang Soegeng Km.5 Mertoudan Magelang 56172
Lebih terperinciPENGENALAN HURUF BRAILLE BERBASIS JARINGAN SYARAF TIRUAN METODA HEBBRULE
1 PENGENALAN HURUF BRAILLE BERBASIS JARINGAN SARAF TIRUAN METODA HEBBRULE un Ennggar 1, Wahyul Amen Syafe, ST, MT 2, Bud Setyono,ST,MT 2 Jurusan Teknk Elektro, Fakultas Teknk Unverstas, Dponegoro Jl. Prof.
Lebih terperinciHybrid intelligent system adalah kombinasi lebih dari dua teknologi cerdas.
Teny Handhayan Pendahuluan Hybrd ntellgent system adalah kombnas lebh dar dua teknolog cerdas. Contohnya kombnas Neural Network dengan Fuzzy membentuk Neuro-fuzzy system Perbandngan Expert Systems, Fuzzy
Lebih terperinciPengenalan Karakter Tulisan Tangan Angka dan Operator Matematika Berdasarkan Zernike Moments Menggunakan Support Vector Machine
JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: 2337-3539 (2301-9271 Prnt) 1 Pengenalan Karakter Tulsan Tangan Angka dan Operator Matematka Berdasarkan Zernke Moments Menggunakan Support Vector Machne
Lebih terperinciBAB III HIPOTESIS DAN METODOLOGI PENELITIAN
BAB III HIPOTESIS DAN METODOLOGI PENELITIAN III.1 Hpotess Berdasarkan kerangka pemkran sebelumnya, maka dapat drumuskan hpotess sebaga berkut : H1 : ada beda sgnfkan antara sebelum dan setelah penerbtan
Lebih terperinciBab III Analisis Rantai Markov
Bab III Analss Ranta Markov Sstem Markov (atau proses Markov atau ranta Markov) merupakan suatu sstem dengan satu atau beberapa state atau keadaan, dan dapat berpndah dar satu state ke state yang lan pada
Lebih terperinciBAB III SKEMA NUMERIK
BAB III SKEMA NUMERIK Pada bab n, akan dbahas penusunan skema numerk dengan menggunakan metoda beda hngga Forward-Tme dan Centre-Space. Pertama kta elaskan operator beda hngga dan memberkan beberapa sfatna,
Lebih terperinciIDENTIFIKASI POLA SIDIK JARI DENGAN JARINGAN SYARAF TIRUAN BIDIRECTIONAL ASSOCIATIVE MEMORY
Anfudn Azz dan Tanzl Kurnawan, Identfkas Pola Jar IDENTIFIKASI POLA SIDIK JARI DENGAN JARINGAN SYARAF TIRUAN BIDIRECTIONAL ASSOCIATIVE MEMORY (Frnger Prnt Pattern Identfcaton by Bdrectonal Assocatve Memory
Lebih terperinciBAB 4 METODOLOGI PENELITIAN DAN ANALISIS
28 BAB 4 METODOLOGI PENELITIAN DAN ANALISIS 4.1 Kerangka Pemkran dan Hpotess Dalam proses peneltan n, akan duj beberapa varabel software yang telah dsebutkan pada bab sebelumnya. Sesua dengan tahapan-tahapan
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Fuzzy Set Pada tahun 1965, Zadeh memodfkas teor hmpunan dmana setap anggotanya memlk derajat keanggotaan yang bernla kontnu antara 0 sampa 1. Hmpunan n dsebut dengan hmpunaan
Lebih terperinciBAB I PENDAHULUAN I-1
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Kendaraan bermotor merupakan alat yang palng dbutuhkan sebaga meda transportas. Kendaraan dbag menjad dua macam, yatu kendaraan umum dan prbad. Kendaraan umum
Lebih terperinciRANCANGAN PROSES TRAINING UNTUK MENDUKUNG PENENTUAN KUALITAS AIR MINUM KEMASAN
RANCANGAN PROSES TRAINING UNTUK MENDUKUNG PENENTUAN KUALITAS AIR MINUM KEMASAN Erfant Fatkhyah Jurusan Teknk Informatka, Fakultas Teknolog Industr, Insttut Sans & Teknolog AKPRIND Yogyakarta Emal: erfunthye@yahoocod
Lebih terperinciBAB III METODE PENELITIAN. menghasilkan Lembar Kegiatan Siswa (LKS) pada materi Geometri dengan
BAB III METODE PENELITIAN A. Jens Peneltan Peneltan n merupakan peneltan pengembangan yang bertujuan untuk menghaslkan Lembar Kegatan Sswa (LKS) pada mater Geometr dengan pendekatan pembelajaran berbass
Lebih terperinciPENGENALAN KARAKTER ALFABET MENGGUNAKAN JARINGAN SARAF TIRUAN
PENGENALAN KARAKTER ALFABET MENGGUNAKAN JARINGAN SARAF TIRUAN Oleh : And Prasojo (L2F098584) Jurusan Teknk Elektro Fakultas Teknk Unverstas Dponegoro Jl. Prof. H. Sudarto, S.H., Tembalang, Semarang e-mal
Lebih terperinciEFISIENSI DAN AKURASI GABUNGAN METODE FUNGSI WALSH DAN MULTIGRID UNTUK MENYELESAIKAN PERSAMAAN INTEGRAL FREDHOLM LINEAR
EFISIENSI DAN AKURASI GABUNGAN METODE FUNGSI WALSH DAN MULTIGRID UNTUK MENYELESAIKAN PERSAMAAN INTEGRAL FREDHOLM LINEAR Masduk Jurusan Penddkan Matematka FKIP UMS Abstrak. Penyelesaan persamaan ntegral
Lebih terperinciAPLIKASI KORELASI PEARSON DALAM MEMBANGUN MODEL TREE-AUGMENTED NETWORK (TAN) (Studi Kasus Pengenalan Karakter Tulisan Tangan)
APLIKASI KORELASI PEARSON DALAM MEMBANGUN MODEL TREE-AUGMENTED NETWORK (TAN) (Stud Kasus Pengenalan Karakter Tulsan Tangan) Irwan Bud Santoso Jurusan Teknk Informatka, Sans dan Teknolog Unverstas Islam
Lebih terperinciBAB II DASAR TEORI DAN METODE
BAB II DASAR TEORI DAN METODE 2.1 Teknk Pengukuran Teknolog yang dapat dgunakan untuk mengukur konsentras sedmen tersuspens yatu mekank (trap sampler, bottle sampler), optk (optcal beam transmssometer,
Lebih terperinciAplikasi Pengenalan Ucapan Dengan Jaringan Syaraf Tiruan Propagasi Balik Untuk Pengendalian Robot Bergerak
Aplkas Pengenalan Ucapan Dengan Jarngan Syaraf Truan Propagas Balk Untuk Pengendalan Robot Bergerak Mahmud Irfandy (LF 4 49) Jurusan Teknk Elektro, Fakultas Teknk, Unverstas Dponegoro, Semarang, Indonesa
Lebih terperinciBAB IV PENGUJIAN DAN ANALISA
BAB IV PENGUJIAN DAN ANALISA 4. PENGUJIAN PENGUKURAN KECEPATAN PUTAR BERBASIS REAL TIME LINUX Dalam membuktkan kelayakan dan kehandalan pengukuran kecepatan putar berbass RTLnux n, dlakukan pengujan dalam
Lebih terperinciBAB III METODE PENELITIAN. sebuah fenomena atau suatu kejadian yang diteliti. Ciri-ciri metode deskriptif menurut Surakhmad W (1998:140) adalah
BAB III METODE PENELITIAN 3.1 Metode Peneltan Metode yang dgunakan dalam peneltan n adalah metode deskrptf. Peneltan deskrptf merupakan peneltan yang dlakukan untuk menggambarkan sebuah fenomena atau suatu
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar belakang
BAB 1 PENDAHULUAN 1.1 Latar belakang Dalam memlh sesuatu, mula yang memlh yang sederhana sampa ke hal yang sangat rumt yang dbutuhkan bukanlah berpkr yang rumt, tetap bagaman berpkr secara sederhana. AHP
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilakukan di MTs Negeri 2 Bandar Lampung dengan populasi siswa
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlakukan d MTs Neger Bandar Lampung dengan populas sswa kelas VII yang terdr dar 0 kelas yatu kelas unggulan, unggulan, dan kelas A sampa dengan
Lebih terperinciBab III Analisis dan Rancangan Sistem Kompresi Kalimat
Bab III Analss dan Rancangan Sstem Kompres Kalmat Bab n bers penjelasan dan analss terhadap sstem kompres kalmat yang dkembangkan d dalam tess n. Peneltan n menggunakan pendekatan statstcal translaton
Lebih terperinciPERFORMANSI NEURO FUZZY UNTUK PERAMALAN DATA TIME SERIES
Semnar Nasonal Aplkas Teknolog Informas 007 (SNATI 007) ISSN: 1907-50 Yogyakarta, 16 Jun 007 PERFORMANSI NEURO FUZZY UNTUK PERAMALAN DATA TIME SERIES Arna Farza, Afrda Helen, Annsa Rasyd Polteknk Elektronka
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Dalam pembuatan tugas akhr n, penulsan mendapat referens dar pustaka serta lteratur lan yang berhubungan dengan pokok masalah yang penuls ajukan. Langkah-langkah yang akan
Lebih terperinciDidownload dari ririez.blog.uns.ac.id BAB I PENDAHULUAN
BAB I PENDAHULUAN Sebuah jarngan terdr dar sekelompok node yang dhubungkan oleh busur atau cabang. Suatu jens arus tertentu berkatan dengan setap busur. Notas standart untuk menggambarkan sebuah jarngan
Lebih terperinciBab IV Pemodelan dan Perhitungan Sumberdaya Batubara
Bab IV Pemodelan dan Perhtungan Sumberdaa Batubara IV1 Pemodelan Endapan Batubara Pemodelan endapan batubara merupakan tahapan kegatan dalam evaluas sumberdaa batubara ang bertuuan menggambarkan atau menatakan
Lebih terperinciPeramalan Beban Listrik Jangka Pendek Melalui Pendekatan Statistik dan Soft Computing
KNIA 20 A Peramalan Beban Lstrk Jangka Pendek Melalu Pendekatan Statstk dan Soft Computng Ade Gafar Abdullah, Yad Mulyad, Program Stud eknk Elektro FPK Unverstas Penddkan Indonesa Abstrak Makalah n memaparkan
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN A. Deskrps Data Hasl Peneltan Satelah melakukan peneltan, penelt melakukan stud lapangan untuk memperoleh data nla post test dar hasl tes setelah dkena perlakuan.
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang. Di dalam matematika mulai dari SD, SMP, SMA, dan Perguruan Tinggi
Daftar Is Daftar Is... Kata pengantar... BAB I...1 PENDAHULUAN...1 1.1 Latar Belakang...1 1.2 Rumusan Masalah...2 1.3 Tujuan...2 BAB II...3 TINJAUAN TEORITIS...3 2.1 Landasan Teor...4 BAB III...5 PEMBAHASAN...5
Lebih terperinciKrisantus Sembiring. Selasa, 11 September /1/2008 1
Penerapan Teknk Support Vector Machne untuk Pendeteksan Intrus pada Jarngan Sdang IF40Z2-Tugas Akhr II Krsantus Sembrng 13503121 Selasa, 11 September 2007 2/1/2008 1 Latar Belakang Pentngnya pendeteksan
Lebih terperinciPENENTUAN KELAS DENGAN NEAREST NEIGHBOR CLUSTERING DAN PENGGUNAAN METODE NAÏVE BAYES UNTUK KLASIFIKASI DOKUMEN
PENENTUAN KELAS DENGAN NEAREST NEIGHBOR CLUSTERING DAN PENGGUNAAN METODE NAÏVE BAYES UNTUK KLASIFIKASI DOKUMEN Handry Wardoyo 1 Jeanny Pragantha Vny Chrstant M. 3 1 3 Teknk Informatka Unverstas Tarumanagara
Lebih terperinciPENERAPAN METODE MAMDANI DALAM MENGHITUNG TINGKAT INFLASI BERDASARKAN KELOMPOK KOMODITI (Studi Kasus pada Data Inflasi Indonesia)
PENERAPAN METODE MAMDANI DALAM MENGHITUNG TINGKAT INFLASI BERDASARKAN KELOMPOK KOMODITI (Stud Kasus pada Data Inflas Indonesa) Putr Noorwan Effendy, Amar Sumarsa, Embay Rohaet Program Stud Matematka Fakultas
Lebih terperinciBAB III METODE PENELITIAN. berjumlah empat kelas terdiri dari 131 siswa. Sampel penelitian ini terdiri dari satu kelas yang diambil dengan
7 BAB III METODE PENELITIAN A. Populas dan Sampel 1. Populas Populas dalam peneltan n adalah seluruh sswa kelas XI SMA Yadka Bandar Lampung semester genap tahun pelajaran 014/ 015 yang berjumlah empat
Lebih terperinciPENERAPAN METODE LINIEAR DISCRIMINANT ANALYSIS PADA PENGENALAN WAJAH BERBASIS KAMERA
PENERAPAN MEODE LINIEAR DISCRIMINAN ANALYSIS PADA PENGENALAN AJAH ERASIS KAMERA Asep Sholahuddn 1, Rustam E. Sregar 2,Ipng Suprana 3,Setawan Had 4 1 Mahasswa S3 FMIPA Unverstas Padjadjaran e-mal: asep_sholahuddn@yahoo.com
Lebih terperinciHUBUNGAN KEMAMPUAN KEUANGAN DAERAH TERHADAP PERTUMBUHAN EKONOMI PROVINSI NUSA TENGGARA BARAT
HUBUNGAN KEMAMPUAN KEUANGAN DAERAH TERHADAP PERTUMBUHAN EKONOMI PROVINSI NUSA TENGGARA BARAT ABSTRAK STEVANY HANALYNA DETHAN Fakultas Ekonom Unv. Mahasaraswat Mataram e-mal : stevany.hanalyna.dethan@gmal.com
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1. Hpotess Peneltan Berkatan dengan manusa masalah d atas maka penuls menyusun hpotess sebaga acuan dalam penulsan hpotess penuls yatu Terdapat hubungan postf antara penddkan
Lebih terperinciBAB 3 METODOLOGI PERANCANGAN
9 BAB 3 METODOLOGI PERANCANGAN Bab n bers penjelasan mengena langkah-langkah perhtungan serta prosedurprosedur yang dgunakan untuk menemukan solus atas rumusan masalah pada Bab. Dalam bab n juga akan dtamplkan
Lebih terperinciTinjauan Algoritma Genetika Pada Permasalahan Himpunan Hitting Minimal
157 Vol. 13, No. 2, 157-161, Januar 2017 Tnjauan Algortma Genetka Pada Permasalahan Hmpunan Httng Mnmal Jusmawat Massalesse, Bud Nurwahyu Abstrak Beberapa persoalan menark dapat dformulaskan sebaga permasalahan
Lebih terperinciIII. METODE PENELITIAN
III. METODE PEELITIA 3.1. Kerangka Pemkran Peneltan BRI Unt Cbnong dan Unt Warung Jambu Uraan Pekerjaan Karyawan Subyek Analss Konds SDM Aktual (KKP) Konds SDM Harapan (KKJ) Kuesoner KKP Kuesoner KKJ la
Lebih terperinciPerbaikan Unjuk Kerja Sistem Orde Satu PERBAIKAN UNJUK KERJA SISTEM ORDE SATU DENGAN ALAT KENDALI INTEGRAL MENGGUNAKAN JARINGAN SIMULATOR MATLAB
Perbakan Unjuk Kerja Sstem Orde Satu PERBAIKAN UNJUK KERJA SISTEM ORDE SATU DENGAN ALAT KENDALI INTEGRAL MENGGUNAKAN JARINGAN SIMULATOR MATLAB Endryansyah Penddkan Teknk Elektro, Jurusan Teknk Elektro,
Lebih terperinciBAB 2 LANDASAN TEORI. Universitas Sumatera Utara
BAB 2 LANDASAN TEORI 2.1 Pengertan Analsa Regres Dalam kehdupan sehar-har, serng kta jumpa hubungan antara satu varabel terhadap satu atau lebh varabel yang lan. Sebaga contoh, besarnya pendapatan seseorang
Lebih terperinciBAB III METODE PENELITIAN. Sebelum dilakukan penelitian, langkah pertama yang harus dilakukan oleh
BAB III METODE PENELITIAN 3.1 Desan Peneltan Sebelum dlakukan peneltan, langkah pertama yang harus dlakukan oleh penelt adalah menentukan terlebh dahulu metode apa yang akan dgunakan dalam peneltan. Desan
Lebih terperinciPENENTUAN LOKASI PEMANCAR TELEVISI MENGGUNAKAN FUZZY MULTI CRITERIA DECISION MAKING
Meda Informatka, Vol. 2, No. 2, Desember 2004, 57-64 ISSN: 0854-4743 PENENTUAN LOKASI PEMANCAR TELEVISI MENGGUNAKAN FUZZY MULTI CRITERIA DECISION MAKING Sr Kusumadew Jurusan Teknk Informatka, Fakultas
Lebih terperinciBAB 1 PENDAHULUAN. Universitas Sumatera Utara
BAB 1 ENDAHULUAN 1.1 Latar Belakang Secara umum dapat dkatakan bahwa mengambl atau membuat keputusan berart memlh satu dantara sekan banyak alternatf. erumusan berbaga alternatf sesua dengan yang sedang
Lebih terperinciBAB II TEORI ALIRAN DAYA
BAB II TEORI ALIRAN DAYA 2.1 UMUM Perhtungan alran daya merupakan suatu alat bantu yang sangat pentng untuk mengetahu konds operas sstem. Perhtungan alran daya pada tegangan, arus dan faktor daya d berbaga
Lebih terperinciPengenalan Wajah Menggunakan Pseudo-2D Hidden Markov Model
Pengenalan Wajah Menggunakan Pseudo-2D Hdden Markov Model Anak Agung Gde Agung 1, Fazmah Arf Yulanto 2, Warh Maharan 3 1 Program Stud Komputersas Akuntans Polteknk Telkom, Bandung 2,3 Fakultas Teknk Informatka,
Lebih terperinciAPLIKASI METODE ELEMEN HINGGA UNTUK PERHITUNGAN PERAMBATAN PANAS PADA KONDISI TUNAK
Semnar asonal Aplkas eknolog Informas 00 (SAI 00) ISB: 0 Yogakarta, Jun 00 APLIKASI MEODE ELEME HIGGA UUK PERHIUGA PERAMBAA PAAS PADA KODISI UAK Suprono Sekolah ngg eknolog uklr BAA Jl. Babarsar Kotak
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Penjadwalan Baker (1974) mendefnskan penjadwalan sebaga proses pengalokasan sumber-sumber dalam jangka waktu tertentu untuk melakukan sejumlah pekerjaan. Menurut Morton dan
Lebih terperinciPERHITUNGAN PENILAIAN MAHASISWA TERHADAP MENGAJAR DOSEN BERBASIS KASUS MENGGUNAKAN ALGORITMA BAYESIAN
JURNAL DAI IN: - Vol. No. JUNI ERHITUNGAN ENILAIAN MAHAIWA TERHADA MENGAJAR DOEN BERBAI KAU MENGGUNAKAN ALGORITMA BAYEIAN Ern enwat TMIK AMIKOM Yogyakarta ern.s@amkom.ac.d ABTRAKI roses belaar mengaar
Lebih terperinciIV. UKURAN SIMPANGAN, DISPERSI & VARIASI
IV. UKURAN SIMPANGAN, DISPERSI & VARIASI Pendahuluan o Ukuran dspers atau ukuran varas, yang menggambarkan derajat bagamana berpencarnya data kuanttatf, dntaranya: rentang, rentang antar kuartl, smpangan
Lebih terperinciPengaturan Proses Tekanan pada Sistem Pengaturan Berjaringan Menggunakan Kontroler Fuzzy Neural Network
TUGAS AKHIR TE - 091399 Pengaturan Proses Tekanan pada Sstem Pengaturan Berjarngan Menggunakan Kontroler Fuzzy Neural Network Rende Ramadhan NRP 2208100131 Dosen Pembmbng : Ir. Al Faton, M.T. Imam Arfn,
Lebih terperinciBAB V ANALISA PEMECAHAN MASALAH
BAB V ANALISA PEMECAHAN MASALAH 5.1 Analsa Pemlhan Model Tme Seres Forecastng Pemlhan model forecastng terbak dlakukan secara statstk, dmana alat statstk yang dgunakan adalah MAD, MAPE dan TS. Perbandngan
Lebih terperinciBAB 2 LANDASAN TEORI. estimasi, uji keberartian regresi, analisa korelasi dan uji koefisien regresi.
BAB LANDASAN TEORI Pada bab n akan durakan beberapa metode yang dgunakan dalam penyelesaan tugas akhr n. Selan tu penuls juga mengurakan tentang pengertan regres, analss regres berganda, membentuk persamaan
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Tnjauan Emprs Pada peneltan n, penelt menggunakan beberapa peneltan terkat yang pernah dlakukan oleh penelt lan sebaga tnjauan stud, yatu sebaga berkut : a. Pornography Detecton
Lebih terperinciANALISIS KEMIRIPAN POLA CITRA DIGITAL MENGGUNAKAN METODE EUCLIDEAN
AALISIS KEMIRIPA POLA CITRA DIGITAL MEGGUAKA METODE EUCLIDEA Eus St ur Asyah1), Abdul Hayat2), Puspa Wdant3), Shnta Yulnda Prasetya4), Helm Iskandar5) 1), 2 ), 3) Komputersas Akuntans AMIK Raharja Informatka
Lebih terperinciIV. PERANCANGAN DAN IMPLEMENTASI SISTEM
IV. PERANCANGAN DAN IMPLEMENTASI SISTEM Perancangan Sstem Sstem yang akan dkembangkan adalah berupa sstem yang dapat membantu keputusan pemodal untuk menentukan portofolo saham yang dperdagangkan d Bursa
Lebih terperinciJaringan Syaraf Tiruan (Artificial Neural Networks)
Jarngan Syaraf Truan (Artfcal Neural Networks) BAB I PENDAHULUAN. Searah JST JST : merupakan cabang dar Kecerdasan Buatan (Artfcal Intellgence ) JST : menru cara kera otak mahluk hdup yatu sel syaraf (neuron)
Lebih terperinciBAB 2 LANDASAN TEORI. fungsi f(x,y), dimana x dan y merupakan spatial koordinat, dan tingkatan aplitude
BAB 2 LANDASAN TEORI 2.1 Ctra Menurut Gonzales (2004, p1) Ctra bsa djelaskan sebaga 2 dmens dar fungs f(x,y), dmana x dan y merupakan spatal koordnat, dan tngkatan apltude pada poss n dsebut dengan ntenstas
Lebih terperinciALGORITMA UMUM PENCARIAN INFORMASI DALAM SISTEM TEMU KEMBALI INFORMASI BERBASIS METODE VEKTORISASI KATA DAN DOKUMEN
ALGORITMA UMUM PENCARIAN INFORMASI DALAM SISTEM TEMU KEMBALI INFORMASI BERBASIS METODE VEKTORISASI KATA DAN DOKUMEN Hendra Bunyamn Jurusan Teknk Informatka Fakultas Teknolog Informas Unverstas Krsten Maranatha
Lebih terperinciPenggunaan Sifat Pengingat Asosiatif Pada Jaringan Syaraf Tiruan Hopfield Diskret Untuk Pemulihan Data
Penggunaan Sfat Pengngat Asosatf Pada Jarngan Syaraf Truan Hopfeld Dskret Untuk Pemulhan Data Recoverng Data Usng Assocatve Memores of Dscrete Hopfeld Neural Netorks Agung Mubyarto Program Stud Teknk Elektro
Lebih terperinciINTEGRASI EKSTRAKSI FITUR LOCAL BINARY PATTERN DAN GRAY-LEVEL COOCCURENCE METRIX UNTUK PENGENALAN EKSPRESI MULUT PEMBELAJAR
ISSN prnt 087-1716 ISSN onlne 548-7779 ILKOM Jurnal Ilmah Volume 9 Nomor 1 Aprl 017 INTEGRASI EKSTRAKSI FITUR LOCAL BINARY PATTERN DAN GRAY-LEVEL COOCCURENCE METRIX UNTUK PENGENALAN EKSPRESI MULUT PEMBELAJAR
Lebih terperinciMatematika Eigenface Menggunakan Metrik Euclidean
Matematka Egenface Menggunakan Metrk Eucldean 6 Ben Utomo Sekolah ngg eknolog Bontang, Indonesa Abstract Salah satu sstem pengenalan wajah (face recognton) adalah metode egenface. Metode n bekerja dengan
Lebih terperinciPROPOSAL SKRIPSI JUDUL:
PROPOSAL SKRIPSI JUDUL: 1.1. Latar Belakang Masalah SDM kn makn berperan besar bag kesuksesan suatu organsas. Banyak organsas menyadar bahwa unsur manusa dalam suatu organsas dapat memberkan keunggulan
Lebih terperinci2 TINJAUAN PUSTAKA. sistem statis dan sistem fuzzy. Penelitian sejenis juga dilakukan oleh Aziz (1996).
2 TINJAUAN PUSTAKA 2.1 Stud Yang Terkat Peneltan n mengacu pada jurnal yang dtuls oleh Khang, dkk.(1995). Dalam peneltannya, Khang, dkk membandngkan arus lalu lntas yang datur menggunakan sstem stats dan
Lebih terperinciPreferensi untuk alternatif A i diberikan
Bahan Kulah : Topk Khusus Metode Weghted Product (WP) menggunakan perkalan untuk menghubungkan ratng atrbut, dmana ratng setap atrbut harus dpangkatkan dulu dengan bobot atrbut yang bersangkutan. Proses
Lebih terperinciBAB I PENDAHULUAN. pembangunan dalam sektor energi wajib dilaksanakan secara sebaik-baiknya. Jika
BAB I PENDAHULUAN 1.1.Latar Belakang Energ sangat berperan pentng bag masyarakat dalam menjalan kehdupan seharhar dan sangat berperan dalam proses pembangunan. Oleh sebab tu penngkatan serta pembangunan
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Negeri 13 Bandar Lampung. Populasi dalam
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SMP Neger 3 Bandar Lampung. Populas dalam peneltan n yatu seluruh sswa kelas VIII SMP Neger 3 Bandar Lampung Tahun Pelajaran 0/03 yang
Lebih terperinciANALISIS BENTUK HUBUNGAN
ANALISIS BENTUK HUBUNGAN Analss Regres dan Korelas Analss regres dgunakan untuk mempelajar dan mengukur hubungan statstk yang terjad antara dua varbel atau lebh varabel. Varabel tersebut adalah varabel
Lebih terperinciPEMBAGIAN KELAS KULIAH MAHASISWA MENGGUNAKAN ALGORITMA PENGKLASTERAN FUZZY Helmy Yulianto Hadi (1), R. Rizal Isnanto (2), Budi Setiyono (2)
Makalah Semnar Tugas Akhr 1 PEMBAGIA KELAS KULIAH MAHASISWA MEGGUAKA ALGORITMA PEGKLASTERA FUZZY Helmy Yulanto Had (1), R. Rzal Isnanto (), Bud Setyono () Abstrak - Proses perkulahan d suatu unerstas menad
Lebih terperinciBAB 2 LANDASAN TEORI
2 LNDSN TEORI 2. Teor engamblan Keputusan Menurut Supranto 99 keputusan adalah hasl pemecahan masalah yang dhadapnya dengan tegas. Suatu keputusan merupakan jawaban yang past terhadap suatu pertanyaan.
Lebih terperinciSeemingly Unrelated Regression (SUR) Penderita Penyakit DBD RS. Wahidin Sudirohusodo Dan RS. Stella Maris Makassar
Vol. 3, o., -5, Jul 6 Seemngl Unrelated Regresson Penderta Penakt DBD RS. Wahdn Sudrohusodo Dan RS. Stella ars akassar A n s a Abstrak Hubungan antar varabel adalah salah satu hal ang selalu menark dalam
Lebih terperinciPRESENTASI TUGAS AKHIR KI091391
PRESENTASI TUGAS AKHIR KI09191 IMPLEMENTASI SEGMENTASI CITRA RESONANSI MAGNETIK OTAK MENGGUNAKAN ALGORITMA FUZZY C-MEANS YANG DIMODIFIKASI BERDASARKAN KORELASI ANTAR PIKSEL (Kata Kunc : Segmentas Fuzzy
Lebih terperinciBAB III METODE PENELITIAN. pretest postes control group design dengan satu macam perlakuan. Di dalam
BAB III METODE PEELITIA A. Bentuk Peneltan Peneltan n merupakan peneltan ekspermen dengan model pretest postes control group desgn dengan satu macam perlakuan. D dalam model n sebelum dmula perlakuan kedua
Lebih terperinciANALISIS SENTIMEN PENGGUNA JEJARING SOSIAL MENGGUNAKAN METODE SUPPORT VECTOR MACHINE
ANALISIS SENTIMEN PENGGUNA JEJARING SOSIAL MENGGUNAKAN METODE SUPPORT VECTOR MACHINE M. Fachrurroz, M.T. 1, Nov Yuslan, M.T. 2 1,2 Jurusan Teknk Informatka Fakultas Ilmu Komputer, Unverstas Srwjaya 1 obetsobets@gmal.com,
Lebih terperinciI PENDAHULUAN II LANDASAN TEORI
I PENDAHULUAN Latar elakang Sekolah merupakan salah satu bagan pentng dalam penddkan Oleh karena tu sekolah harus memperhatkan bagan-bagan yang ada d dalamnya Salah satu bagan pentng yang tdak dapat dpsahkan
Lebih terperinciAnalisis Kecepatan Dan Percepatan Mekanisme Empat Batang (Four Bar Lingkage) Fungsi Sudut Crank
ISSN 907-0500 Analss Kecepatan Dan Percepatan Mekansme Empat Batang (Four Bar ngkage Fungs Sudut Crank Nazaruddn Fak. Teknk Unverstas Rau nazaruddn.unr@yahoo.com Abstrak Pada umumnya analss knematka dan
Lebih terperinciPROSIDING ISSN: M-16 KLASIFIKASI CURAH HUJAN BERDASARKAN DATA SATELIT MTSTAT DENGAN METODE BAYESIAN
M-6 KLASIFIKASI CURAH HUJAN BERDASARKAN DATA SATELIT MTSTAT DENGAN METODE BAYESIAN Zulhanf ), I Gede Nyoman Mndra Jaya ),) Departemen Statstka FMIPA UNPAD dzulhanf@yahoo.com, jay.komang@gmal.com Abstrak
Lebih terperinciPengukuran Laju Temperatur Pemanas Listrik Berbasis Lm-35 Dan Sistem Akuisisi Data Adc-0804
Pengukuran Laju Temperatur Pemanas Lstrk Berbass Lm-35 Dan Sstem Akuss Data Adc-0804 Ummu Kalsum Unverstas Sulawes Barat e-mal: Ummu.kalsum@unsulbar.ac.d Abstrak Peneltan n merupakan pengukuran laju temperatur
Lebih terperinciBAB 1 PENDAHULUAN. Pertumbuhan dan kestabilan ekonomi, adalah dua syarat penting bagi kemakmuran
BAB 1 PENDAHULUAN 1.1. Latar Belakang Pertumbuhan dan kestablan ekonom, adalah dua syarat pentng bag kemakmuran dan kesejahteraan suatu bangsa. Dengan pertumbuhan yang cukup, negara dapat melanjutkan pembangunan
Lebih terperinciBab 1 PENDAHULUAN Latar Belakang
11 Bab 1 PENDAHULUAN 1.1. Latar Belakang Perbankan adalah ndustr yang syarat dengan rsko. Mula dar pengumpulan dana sebaga sumber labltas, hngga penyaluran dana pada aktva produktf. Berbaga kegatan jasa
Lebih terperinciPenerapan Metode Runge-Kutta Orde 4 dalam Analisis Rangkaian RLC
Penerapan Metode Runge-Kutta Orde 4 dalam Analss Rangkaan RLC Rka Favora Gusa JurusanTeknk Elektro,Fakultas Teknk,Unverstas Bangka Beltung rka_favora@yahoo.com ABSTRACT The exstence of nductor and capactor
Lebih terperinciPENERAPAN JARINGAN SYARAF TIRUAN UNTUK MENDETEKSI POSISI WAJAH MANUSIA PADA CITRA DIGITAL
Semnar Nasonal Aplkas Teknolog Informas 2005 (SNATI 2005) ISBN: 979-756-061-6 Yogyakarta, 18 Jun 2005 PENERAPAN JARINGAN SYARAF TIRUAN UNTUK MENDETEKSI POSISI WAJAH MANUSIA PADA CITRA DIGITAL Setyo Nugroho
Lebih terperinciPELABELAN TOTAL SISI AJAIB SUPER PADA GRAF CORONA-LIKE UNICYCLIC
PELABELAN TOTAL SISI AJAIB SUPER PADA GRAF CORONA-LIKE UNICYCLIC Kurnawan *, Rolan Pane, Asl Srat Mahasswa Program Stud S Matematka Dosen Jurusan Matematka Fakultas Matematka dan Ilmu Pengetahuan Alam
Lebih terperinciPengenalan Pola Senyum Menggunakan Backpropagation Berbasis Ekstraksi Fitur Principal Component Analysis (PCA)
Pengenalan Pola Senyum Menggunakan Backpropagaton Berbass Ekstraks Ftur Prncpal Component Analyss (PCA) Rma Tr Wahyunngrum 1, Rza Mashta Wat 2, Aer Rachmad 3 Program Stud Teknk Informatka, Unverstas Trunojoyo
Lebih terperinciPenyisipan Robust Watermark Dalam Suatu Citra Untuk Perlindungan Hak Cipta
Penyspan Robust Watermark Dalam Suatu Ctra Untuk Perlndungan Hak Cpta MURINTO Program Stud Teknk Informatka Unerstas Ahmad Dahlan Jogakarta Jl.Prof.Dr. Soepomo, Janturan, Jogakarta.Telp. (07) 3798 emal
Lebih terperinciBAB III METODE PENELITIAN. yang digunakan meliputi: (1) PDRB Kota Dumai (tahun ) dan PDRB
BAB III METODE PENELITIAN 3.1 Jens dan Sumber Data Jens data yang dgunakan dalam peneltan n adalah data sekunder. Data yang dgunakan melput: (1) PDRB Kota Duma (tahun 2000-2010) dan PDRB kabupaten/kota
Lebih terperinciANALISIS REGRESI. Catatan Freddy
ANALISIS REGRESI Regres Lner Sederhana : Contoh Perhtungan Regres Lner Sederhana Menghtung harga a dan b Menyusun Persamaan Regres Korelas Pearson (Product Moment) Koefsen Determnas (KD) Regres Ganda :
Lebih terperinciPENYELESAIAN SHORTEST PATH PROBLEM DENGAN JARINGAN SARAF TIRUAN HOPFIELD
Semnar Nasonal Sstem dan Informatka 2007; Bal, 6 November 2007 PENYELESAIAN SHORTEST PATH PROBLEM DENGAN JARINGAN SARAF TIRUAN HOPFIELD Nur Hasanah ) Istkhomah 2) Taufq Hdayat 3) Sr Kusumadew 4) Jurusan
Lebih terperinci