Algoritma Pengenalan Ekspresi Wajah Menggunakan Wavelet Neural Networks
|
|
- Handoko Rachman
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Algoritma Pengenalan Ekspresi Wajah Menggunakan Wavelet Neural Networks Z. Abidin Jurusan Ilmu Komputer, Fakultas MIPA, Universitas Negeri Semarang Kampus Sekaran Gunungpati, Semarang, zaenalabidin.indonesia@gmail.com Abstrak Ekspresi atau mimik adalah salah satu bentuk komunikasi nonverbal yang merupakan hasil dari satu atau lebih gerakan atau posisi otot pada wajah serta dapat menyampaikan keadaan emosi dari seseorang kepada orang yang mengamatinya. Melalui ekspresi wajah, maka dapat dipahami emosi yang sedang bergejolak pada diri individu. Ekspresi wajah merupakan salah satu karakteristik perilaku. Penggunaan sistem teknologi biometrika dengan karakteristik ekspresi wajah memungkinkan untuk mengenali mood atau emosi seseorang. Komponen dasar sistem analisis ekspresi wajah adalah deteksi wajah, ekstraksi data wajah, dan pengenalan ekspresi wajah. Metode integral projection digunakan untuk sistem dekteksi wajah. Berdasarkan hasil analisis dan pembahasan untuk menentukan arsitektur yang optimal, dilakukan inisialiasi parameter dan beberapa parameter dilakukan variasi. Dari percobaan awal ditentukan jumlah neuron pada wavelet layer adalah 13, dengan jumlah epoch = 500, target error = 0,01, dan learning rate 0.25, menghasilkan = 0,106463, dengan durasi masa training adalah 38,1543 detik. Tingkat pengenalan ekspresi wajah masih sangat rendah yaitu sebesar 15,0235 dengan rincian sbegai berikut. Jumlah citra training data set yang berhasil dikenali adalah 20 dari 140 citra (14,29), sementara citra testing data set yang berhasil dikenali adalah 12 dari 73 citra (16,44). Kata kunci Ekspresi Wajah, Transformasi Wavelet, Wavelet Neural Network 1. PENDAHULUAN Ekspresi atau mimik adalah salah satu bentuk komunikasi nonverbal yang merupakan hasil dari satu atau lebih gerakan atau posisi otot pada wajah serta dapat menyampaikan keadaan emosi dari seseorang kepada orang yang mengamatinya. Ekspresi wajah mengungkapkan pikiran yang sedang melintas pada diri seseorang. Sebagai contoh, sebuah senyum mengungkap keramah-tamahan dan kasih-sayang; mengangkat alis mata menunjukkan ekspresi heran; mengernyitkan dahi menunjukkan ketakutan dan kegelisahan. Semua emosi dan berbagai macam tingkah manusia diekspresikan dalam emosi yang berbeda yang tergambar di wajah [9]. Paul Ekman, seorang psikolog Amerika juga menyatakan bahwa manusia mempunyai ekspresi wajah yang universal [4]. Saat ini teknologi biometrika telah banyak sekali digunakan. Teknologi biometrika diterapkan dengan menggunakan karakteristik pembeda (distinguishing traits). Secara umum karakteristik pembeda itu sendiri dibedakan menjadi 2, yaitu karakteristik fisiologis atau fisik, dan karakteristik perilaku. Ekspresi wajah merupakan salah satu karakteristik perilaku. Penggunaan sistem teknologi biometrika dengan karakteristik ekspresi wajah memungkinkan untuk mengenali mood atau emosi seseorang. Pengenalan ekspresi wajah berbasis komputer sendiri merupakan salah satu bidang ilmu yang selalu aktif dikaji sepanjang waktu. Beberapa metode pengenalan ekspresi wajah telah banyak dikembangkan. Beberapa penelitian yang telah dilakukan dan yang berkaitan dengan ekspresi wajah diantaranya dilakukan oleh Lekshmi dan Sasikumar [11], yang melakukan analisis ekspresi wajah dengan menggunakan metode Gabor Wavelet Transform (GWT) dan DCT, serta jaringan Radial Basis Function (RBF) digunakan sebagai classifier. Bashyal dan Venayagamoorthy [3], melakukan pengenalan ekspresi wajah dengan menggunakan Gabor wavelet dan LVQ. Kulkarni [10], mengembangkan sistem cerdas pengenalan mood menggunakan database yang besar denga sistem committee neural network. Deng et al. [6], mengembangkan sebuah penelitian yang membandingkan metode bank tapis gabor lokal dan global dengan pendekatan PCA+LDA. Ma dan Khorasani [14] melakukan penelitian dengan menggunakan 2-D discrete cosine transform (DCT) dan jaringan syaraf feedforward dengan satu layer tersembunyi. Abidin dan Harjoko [1] melakukan penelitian dengan menggunakan fisherface sebagai ekstraksi ciri dan backpropagation neural network sebagai classifier. Beberapa penelitian yang disebutkan di atas hampir semuanya menggunakan neural network (NN) yang dikombinasikan beberapa metode. Faktor kunci penggunaan NN adalah karena sifatnya yang mampu melakukan pembelajaran dan generalisasi, pemetaan nonlinear, dan komputasi paralel [7]. Pada umumnya pendekatan pemecahan masalah menggunakan NN membutuhkan sejumlah neuron. Selain itu, NN kadang terjebak pada sebuah lokal minimum error sehingga tingkat konvergensi jaringan menjadi lambat. Menurut Abiyev dan Kaynak [2] untuk mengatasi kelemahan yang dimiliki NN, pendekatan yang sesuai adalah dengan fungsi wavelet yang diterapkan pada struktur NN. Fungsi wavelet disini digunakan sebagai fungsi aktivasi pada lapisan tersembunyi dari NN. Kombinasi antara neural networks dan wavelet menghasilkan model hybrid yang dikenal dengan dengan wavelet neural networks (WNN). Sampai saat ini masih sedikit artikel yang membahas secara rinci berkaitan dengan WNN untuk pengenalan pola, beberapa diantaranya adalah Lin [11], Yonghui dan Rui [16]. Kebanyakan dari penelitian yang ada adalah ISBN
2 penggunaan transformasi wavelet untuk melakukan dekomposisi dan ekstraksi ciri. Berdasarkan uraian di atas, dalam penelitian ini dapat dirumuskan permasalahan sebagai berikut: (1) Bagaimana menentukan model wavelet neural networks yang optimal? (2) Berapa persen tingkat akurasi yang dihasilkan dari pendekatan metode yang diusulkan dalam mengidentifikasi ekspresi wajah sebuah citra? Beberapa hal yang menjadi batasan masalah dalam penelitian ini adalah: citra yang digunakan adalah citra ekspresi wajah, citra yang digunakan adalah citra static single person, di mana dalam citra tersebut hanya terdapat satu objek saja, posisi wajah yang digunakan dalam penelitian ini frontal, dan tidak terhalang sebagian oleh objek lain, dengan latarbelakang yang seragam atau tidak terdiri banyak variasi warna, pengenalan wajah tidak bergantung pada struktur wajah, budaya, etnis, warna kulit, umur, dan jenis kelamin. 2. METODOLOGI PENELITIAN 2.1 Analisis dan Kebutuhan Sistem Masalah yang akan diselesaikan adalah pengenalan ekspresi wajah yang dilakukan dengan mengenali pola dari citra wajah. Ekspresi yang akan dikenali adalah ekspresi netral plus 6 ekspresi dasar wajah yaitu: senang, sedih, marah, terkejut, takut dan jijik. Setiap citra direpresentasikan dalam bentuk matriks, di mana baris dan kolom menunjukkan sebuah titik pada citra serta kesesuaian nilai elemen matriks mengidentifikasikan level pada titik tersebut [8]. Representasi citra dalam bentuk matriks memiliki dimensi yang besar, sehingga proses komputasi membutuhkan waktu proses yang lama sehingga diperlukan reduksi dimensi matriks untuk meminimalisir waktu proses. Dalam penelitian ini digunakan transformasi wavelet untuk mereduksi dimensi. Pengenalan ekspresi wajah didasari pada pengenalan pola dengan menggunakan jaringan syaraf wavelet (Wavelet Neural Networks / WNN). Proses pengenalan ekspresi wajah dilakukan dengan membandingkan citra input dengan citra yang telah dilatih oleh sistem. Secara garis besar, penelitian ini terdiri dari beberapa tahap yaitu: 1) Proses dokumentasi citra digital dari database JAFFE. Citra yang digunakan untuk penelitian ini dikelompokkan menjadi 2 bagian yakni citra untuk pelatihan (training data set) dan citra query (testing data set). Data citra diperoleh dari database JAFFE [13] yang terdiri dari 213 gambar ekspresi wajah dari 10 subyek wanita Jepang. Setiap subyek berpose 3 sampai 4 untuk 6 ekspresi wajah + 1 netral. Setiap gambar memiliki format *.tiff, dengan mode warna grayscale dan memiliki ukuran piksel. Rincian pembagian data citra yang akan digunakan untuk pelatihan dan pengujian dapat dilihat pada Tabel 1. Pembagian data citra mengikuti pola penelitian sebelumnya[1]. Tabel 1. Rincian pembagian data citra Jumlah Citra Latih Jumlah Citra Uji Total Citra ) Pre-Processing Citra Tahap pre-processing citra diawali dengan otomatisasi deteksi wajah, yaitu dengan mendeteksi daerah wajah dan melakukan normalisasi ukuran. Proses deteksi wajah menggunakan metode integral projection yaitu dengan menjumlahkan piksel perbaris dan perkolomnya. Kemudian menentukan titik-titik minimum lokal untuk menentukan batas wajah [1]. Citra yang berhasil dideteksi tadi dinormaliasi ukurannya menjadi piksel. Selanjutnya dilakukan histogram equalization untuk melakukan perluasan kontras citra, serta masking untuk menutup bagian sudut-sudut citra sehingga mengurangi variasi yang timbul pada bagian-bagian tersebut. Berikutnya melakukan dekomposisi wavelet menggunakan beberapa keluarga wavelet yaitu wavelet Haar, Daubechies(2), dan Coiflet(1). Data akan didekomposisi pada level 3. Gambar 1. Ilustrasi proses dekomposisi citra Setelah melalui proses dekomposisi, dimensi citra akan berubah seperti pada Tabel 2. Tabel 2. Dimensi citra dari tiap level dekomposisi Level Dekomposisi Dimensi Citra 0 (Original) proses dekomposisi merupakan proses pengolahan data (sinyal) dengan teknik downsampling menggunkan transformasi wavelet. Pada proses ini terjadi pemisahan sinyal frekuensi tinggi yang dapat dianggap sebagai noise (dalam transformasi wavelet dinamakan koefisien detail (cd) dan frekuensi rendah (dalam transformasi wavelet dinamakan koefisien approksimasi (ca)). Bagian sinyal yang akan digunakan adalah koefisien aproksimasi, karena bagian koefisien detil merupakn noise yang menyertai sinyal. 3) Proses pelatihan untuk citra training data set. 4) Pengujian sistem pengenalan ekspresi wajah baik untuk citra training data set maupun citra query. 2.2 Perancangan Sistem Dalam penelitian ini akan dibuat sistem pengenalan ekspresi wajah menggunakan program MATLAB R2009a. Citra yang digunakan untuk tahap awal adalah citra statis yang terdiri dari satu orang, dengan background homogen. Citra yang digunakan berasal dari database JAFFE. Tahapan dalam perancangan sistem pengenalan ekspresi wajah ini adalah sebagai berikut. 148 ISBN
3 1) Sub sistem registrasi / input citra Pada sub sistem ini, terdiri dari sistem deteksi, preprocessing, dan ektraksi ciri, serta penyimpanan di ciri citra ekspresi wajah ke dalam database. Mulamula citra dimasukkan ke sistem, kemudian dilakukan deteksi wajah dengan menggunakan metode integral projection. Jika wajah berhasil ditemukan, selanjutnya dilakukan proses normalisasi ukuran, histogram equalization, masking, serta transformasi wavelet. dari transformasi wavelet tersebut disimpan ke dalam database. Jika wajah tidak ditemukan, maka masukkan citra ekspresi wajah yang lain. 2) Sub sistem pelatihan wavelet neural networks (WNN) Citra training data set yang telah disimpan di database selanjutnya diolah dengan menggunakan sistem pelatihan WNN. Struktur arsitektur jaringan syaraf tiruan merujuk pada arsitektur yang diusulkan oleh Veitch [15]. Layer terdiri dari 3, yaitu input layer, wavelet layer, dan output layer. Fungsi aktivasi yang digunakan pada input-wavelet layer adalah fungsi Mexican-hat yang merupakan bentuk turunan kedua dari fungsi Gaussian. Pemilihan fungsi ini didasarkan pada penelitian yang telah dilakukan oleh Lin [12], bahwa fungsi Mexican-hat terdiri dari satu parameter sehingga proses pengontrolan dapat dilakukan dengan mudah. Sekilas proses pelatihan sama seperti jaringan syaraf tiruan backpropagation, yang membedakan adalah fungsi aktivasi pada layer tersembunyi menggunakan fungsi wavelet, sehingga layer tersembunyi tersebut diberi istilah wavelet layer. Bobot pelatihan disimpan dan nantinya digunakan pada tahap proses pengenalan ekspresi wajah. Keluarga wavelet didefinisikan seperti pada persamaan berikut [5]. dengan adalah skala dan adalah translasi. Fungsi Mexican-hat diekspresikan oleh persamaan berikut. Oleh karena itu, fungsi aktivasi neuron wavelet ke-j dengan input data ke-i direpresentasikan sebagai berikut. Gambar 2. Struktur WNN yang diusulkan oleh Veitch [15] 2.3 Perancangan antarmuka Antarmuka merupakan media interaksi antara sistem dengan pengguna. Perancangan antarmuka dilakukan untuk membangun sistem yang user friendly sehingga akan memberikan kemudahan kepada pengguna sistem. Antarmuka sistem ini juga digunakan untuk melakukan pengujian dari metode pendekatan yang digunakan. Sistem pengenalan ekspresi wajah yang akan dikembangkan terdiri dari 3 form/figure yaitu figure untuk melakukan input citra ekspresi wajah, figure untuk melakukan pembelajaran / pelatihan WNN, dan figure pengenalan. 3. HASIL DAN PEMBAHASAN 3.1 Pengukuran Evaluasi Unjuk Kerja Sistem Pengukuran evaluasi unjuk kerja dari sistem pengenalan ekspresi wajah, digunakan dua parameter, yaitu recognition rate. Recognition rate adalah perbandingan antara jumlah wajah yang berhasil dikenali ekspresinya dengan benar dengan jumlah seluruh wajah yang ada. 3.2 Pengaruh Transformasi Wavelet Terhadap Unjuk Kerja Sistem Jaringan Saraf Tiruan Proses pelatihan dilakukan sebanyak 6 kali dengan melakukan perubahan terhadap parameter jaringan syaraf tiruan. Parameter jumlah neuron hidden yang akan diujicoba adalah 13, dan 60. Sedangkan untuk learning rate dipilih nilai 0,75 dan 0,25. Target error akan diset dengan 0,01 dan jumlah maksimum epoh adalah 500. pengujian dengan melakukan variasi parameter terhadap jaringan syaraf tiruan dapat dilihat pada Tabel 3, 4, dan 5. 3) Sub Sistem Pengenalan Ekspresi Wajah Langkah terakhir setelah dilakukan proses pelatihan dan penyimpanan bobot adalah proses pengenalan. Pada sub sistem pengenalan, konsepnya sama seperti pada sub sistem registrasi, yang dilanjutkan dengan sistem feedforward, dimana pada proses feedforward digunakan bobot jaringan syaraf tiruan wavelet hasil dari pelatihan WNN. Keluaran WNN selanjutnya dibandingkan dengan target. ISBN
4 Tabel 3. pengujian dengan transformasi Haar wavelet Waktu (detik) Berhasil Dikenali CL CNL 5 0,25 0, , , ,75 0, , , ,25 0, , , ,75 0, , ,0235 Tabel 4. pengujian dengan transformasi Daubechies(2) wavelet Waktu (detik) Berhasil Dikenali CL CNL 5 0,25 0, , , ,75 0, , , ,25 0, , , ,75 0, , ,554 Tabel 5. pengujian dengan transformasi Coiflet(1) wavelet Waktu Berhasil Dikenali (detik) CL CNL 5 0,25 0, , , ,75 0, , , ,25 0, , , ,75 0, , , KESIMPULAN Berdasarkan hasil analisis dan pembahasan yang telah dilakukan, dapat ditarik beberapa kesimpulan, yaitu untuk menentukan arsitektur yang optimal, dilakukan inisialiasi parameter dan beberapa parameter dilakukan variasi. Dari percobaan awal ditentukan jumlah neuron pada wavelet layer adalah 13, dengan jumlah epoch = 500, target error = 0,01, dan learning rate 0.25, menghasilkan = 0,106463, dengan durasi masa training adalah 38,1543 detik. Tingkat pengenalan ekspresi wajah masih sangat rendah yaitu sebesar 15,0235 dengan rincian sbegai berikut. Jumlah citra training data set yang berhasil dikenali adalah 20 dari 140 citra (14,29), sementara citra testing data set yang berhasil dikenali adalah 12 dari 73 citra (16,44). DAFTAR PUSTAKA [1] Abidin, Z, dan Harjoko, A., 2012, A Neural Network based Facial Expression Recognition using Fisherface. International Journal of Computer Applications, 59,11, [2] Abiyev, R.H., dan Kaynak, O Identification and Control of Dynamic Plants Using Fuzzy Wavelet Neural Networks. IEEE International Symposium on Intelligent Control. San Antonio, Texas, USA, September 3-5, [3] Bashyal, S., dan Venayagamoorthy, G.K., 2007, Recognition of Facial Expressions Using Gabor Wavelets and Learning Vector Quantization, Engineering Application of Artificial Intelligence , diakses 2 Januari [4] Dalgleish, T., dan Power, M Handbook of Cognition and Emotion. John Wiley & Sons Ltd,New York. [5] Daubechies, I., 1992, Ten Lectures on Wavelets, Society for Industrial and Applied Mathematics, Philadelphia: SIAM. [6] Deng, H.B., Jin, L.W., Zhen, L.X., dan Huang, J.C., 2005, A New Facial Expression Recognition Method Based On Local Gabor Filter Bank and PCA plus LDA, International Journal of Information Technology, 11, 11, [7] Fausett, L. 1994, Fundamentals of Neural Networks: Architectures, Algorithms, and Applications. Prentice-Hall. New Jersey. [8] Gonzalez, R.C., dan Woods, R.E., 2008, Digital Image Processing, 3 rd ed., Prentice-Hall Inc., New Jersey. [9] Herlina, 2010, Isyarat Wajah (Facial Sign), Handout, Jurusan Psikologi UPI, Bandung, GI/ HERLINA/IP- TM920FACIAL 20SIGN.pdf, diakses 20 Oktober [10] Kulkarni, S.S., 2006, Facial Image Based Mood Recognition Using Committee Neural Networks, Thesis, Department of Biomedical Engineering University of Akron. [11] Lekshmi V., P., dan Sasikumar, M., 2008, A Neural Network Based Facial Expression Analysis using Gabor Wavelets, World Academy of Science, Engineering and Technology, Vol. 42, ISBN
5 [12] Lin, C.J., 2006, Wavelet Neural Networks with a Hybrid Learning Approach. Journal of Information Science and Engineering, Vol. 22, [13] Lyons, M., Akamatsu, S., Kamachi, M., dan Gyoba, J., 1998, Coding Facial Expression with Gabor Wavelet, World Academy of Science, Engineering and Technology, 42, [14] Ma, L. dan Khorasani, K., (2004), Facial Expression Recognition Using Constructive Feedforward Neural Network, IEEE Transactions on Systems, Man, and Cybernetics, Vol. 3, No. 34, [15] Veitch, D, (2005), Wavelet Neural Networks and their application in the study of dynamical systems, Disertasi, University of York: UK. [16] Yonghui Pan, dan Rui Fan A Wavelet Neural Networks License Recognition Algorithm and Its Application. Journal of Computer, Vol 7, No. 7, ISBN
PENGEMBANGAN SISTEM PENGENALAN EKSPRESI WAJAH MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION (STUDI KASUS PADA DATABASE MUG)
PENGEMBANGAN SISTEM PENGENALAN EKSPRESI WAJAH MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION (STUDI KASUS PADA DATABASE MUG) Zaenal Abidin Jurusan Matematika Universitas Negeri Semarang Kampus Sekaran
Lebih terperinciFacial Expression Recognition By Using Fisherface Methode With Backpropagation Neural Network
Facial Expression Recognition By Using Fisherface Methode With Backpropagation Neural Network Zaenal Abidin dan Agus Harjoko Abstract In daily lives, especially in interpersonal communication, face often
Lebih terperinciJurnal MIPA 35 (2): 194-203 (2012) Jurnal MIPA http://journal.unnes.ac.id/sju/index.php/jm RANCANG BANGUN SISTEM PENGENALAN EKSPRESI WAJAH MENGGUNAKAN FISHERFACE DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
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 terperinciBAB I PENDAHULUAN. penelitian di dunia pendidikan. Dilaporkan sekitar 25-60% mahasiswa drop-out
BAB I PENDAHULUAN 1.1 Latar Belakang Pada tahun 1980, Student Engagement menjadi topik hangat dalam penelitian di dunia pendidikan. Dilaporkan sekitar 25-60% mahasiswa drop-out dikarenakan merasa bosan
Lebih terperinciKarakteristik Spesifikasi
Sinyal yang masuk difilter ke dalam sinyal frekuensi rendah (low-pass filter) dan sinyal frekuensi tinggi (high-pass filter) Lakukan downsampling pada kedua sinyal tersebut Low-pass frekuensi hasil downsampling
Lebih terperinciHASIL DAN PEMBAHASAN. Generalisasi =
6 Kelas Target Sidik jari individu 5 0000100000 Sidik jari individu 6 0000010000 Sidik jari individu 7 0000001000 Sidik jari individu 8 0000000100 Sidik jari individu 9 0000000010 Sidik jari individu 10
Lebih terperinciBAB 3 METODOLOGI. seseorang. Hal inilah yang mendorong adanya perkembangan teknologi
BAB 3 METODOLOGI 3.1. Kerangka Berpikir Pengenalan ekspresi wajah adalah salah satu bentuk representasi kecerdasan manusia yang dapat digunakan untuk mendeteksi kondisi emosi seseorang. Hal inilah yang
Lebih terperinciPENGENALAN CITRA WAJAH DENGAN MENGGUNAKAN TRANSFORMASI WAVELET DISKRIT DAN JARINGAN SARAF TIRUAN BACK-PROPAGATION
PENGENALAN CITRA WAJAH DENGAN MENGGUNAKAN TRANSFORMASI WAVELET DISKRIT DAN JARINGAN SARAF TIRUAN BACK-PROPAGATION Suhendry Effendy Jurusan Teknik Informatika, Fakultas Ilmu Komputer, Bina Nusantara University
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Wajah sering digunakan sebagai sarana berekspresi dalam berkomunikasi interpersonal dalam kehidupan sehari hari. Dengan ekspresi wajah, seseorang dapat memahami emosi
Lebih terperinciTOLERANSI UNJUK PENGENALAN JARINGAN SYARAF TIRUAN PADA PENAMBAHAN DERAU DAN SUDUT PUTARAN TERHADAP POLA KARAKTER TULISAN TANGAN JENIS ANGKA
Iwan Suhardi, Toleransi Jaringan Syaraf Tiruan TOLERANSI UNJUK PENGENALAN JARINGAN SYARAF TIRUAN PADA PENAMBAHAN DERAU DAN SUDUT PUTARAN TERHADAP POLA KARAKTER TULISAN TANGAN JENIS ANGKA Iwan Suhardi Jurusan
Lebih terperinciPENGENALAN POLA TANDA TANGAN MENGGUNAKAN METODE MOMENT INVARIANT DAN JARINGAN SYARAF RADIAL BASIS FUNCTION (RBF)
Prosiding Seminar Nasional Penelitian, Pendidikan dan Penerapan MIPA, Fakultas MIPA, Universitas Yogyakarta, 14 Mei 2011 PENGENALAN POLA TANDA TANGAN MENGGUNAKAN METODE MOMENT INVARIANT DAN JARINGAN SYARAF
Lebih terperinciBAB III METODE PENELITIAN. dan bahan, agar mendapatkan hasil yang baik dan terstruktur. Processor Intel Core i3-350m.
BAB III METODE PENELITIAN 3.1 Alat dan Bahan Untuk menunjang penelitian yang akan dilakukan, maka diperlukan alat dan bahan, agar mendapatkan hasil yang baik dan terstruktur. 3.1.1 Alat Penelitian Adapun
Lebih terperinciBAB III PERANCANGAN DAN IMPLEMENTASI SISTEM
BAB III PERANCANGAN DAN IMPLEMENTASI SISTEM Pada bab ini akan dijelaskan mengenai tahapan dan algoritma yang akan digunakan pada sistem pengenalan wajah. Bagian yang menjadi titik berat dari tugas akhir
Lebih terperinciTOLERANSI UNJUK PENGENALAN JARINGAN SYARAF TIRUAN PADA PENAMBAHAN DERAU DAN SUDUT PUTARAN TERHADAP POLA KARAKTER TULISAN TANGAN JENIS ANGKA
Iwan Suhardi, Toleransi Jaringan Syaraf Tiruan TOLERANSI UNJUK PENGENALAN JARINGAN SYARAF TIRUAN PADA PENAMBAHAN DERAU DAN SUDUT PUTARAN TERHADAP POLA KARAKTER TULISAN TANGAN JENIS ANGKA Iwan Suhardi Jurusan
Lebih terperinciSINTESA EKSPRESI WAJAH DENGAN MENGGUNAKAN RADIAL BASIS FUNCTION NETWORK
SINTESA EKSPRESI WAJAH DENGAN MENGGUNAKAN RADIAL BASIS FUNCTION NETWORK Wiwik Anggraeni, Handayani Tjandrasa Program Studi Sistem Informasi, Fakultas Teknologi Informasi, Institut Teknologi Sepuluh Nopember
Lebih terperinciALGORITMA BACKPROPAGATION PADA JARINGAN SARAF TIRUAN UNTUK PENGENALAN POLA WAYANG KULIT
ALGORITMA BACKPROPAGATION PADA JARINGAN SARAF TIRUAN UNTUK PENGENALAN POLA WAYANG KULIT Kristian Adi Nugraha 1), Albertus Joko Santoso 2), Thomas Suselo 3) 1,2,3) Program Studi Magister Teknik Informatika,
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN PROGRAM APLIKASI
BAB 3 ANALISIS DAN PERANCANGAN PROGRAM APLIKASI Bab ini berisi analisis pengembangan program aplikasi pengenalan karakter mandarin, meliputi analisis kebutuhan sistem, gambaran umum program aplikasi yang
Lebih terperinciKLASIFIKASI SIDIKJARI DENGAN PEMROSESAN AWAL TRANSFORMASI WAVELET Minarni *
KLASIFIKASI SIDIKJARI DENGAN PEMROSESAN AWAL TRANSFORMASI WAVELET Minarni * Abstrak Penelitian ini membahas sistem klasifikasi sidikjari. Citra sidikjari diproses awal dengan transformasi wavelet sehingga
Lebih terperinciANALISIS HUBUNGAN ANTARA TINGKAT PENGENALAN JARINGAN SYARAF TIRUAN DENGAN BANYAKNYA JUMLAH KELAS POLA YANG DIKENALI DAN TINGKAT KERUMITAN POLANYA
ISSN: 1693-6930 159 ANALISIS HUBUNGAN ANTARA TINGKAT PENGENALAN JARINGAN SYARAF TIRUAN DENGAN BANYAKNYA JUMLAH KELAS POLA YANG DIKENALI DAN TINGKAT KERUMITAN POLANYA Iwan Suhardi, Riana T. Mangesa Jurusan
Lebih terperinciEVALUASI PENGARUH FUNGSI AKTIFASI DAN PARAMETER KEMIRINGANNYA TERHADAP UNJUKKERJA PENGENALAN JARINGAN SYARAF TIRUAN
EVALUASI PENGARUH FUNGSI AKTIFASI DAN PARAMETER KEMIRINGANNYA TERHADAP UNJUKKERJA PENGENALAN JARINGAN SYARAF TIRUAN (Studi Kasus pada Pengenalan Karakter Angka Tulisan Tangan) Iwan Suhardi Jurusan Teknik
Lebih terperinciSISTEM PENDETEKSI WAJAH MANUSIA PADA CITRA DIGITAL (PROPOSAL SKRIPSI) diajukan oleh. NamaMhs NIM: XX.YY.ZZZ. Kepada
SISTEM PENDETEKSI WAJAH MANUSIA PADA CITRA DIGITAL (PROPOSAL SKRIPSI) diajukan oleh NamaMhs NIM: XX.YY.ZZZ Kepada JURUSAN TEKNIK INFORMATIKA STMIK STIKOM BALIKPAPAN LEMBAR PERSETUJUAN Proposal Skripsi
Lebih terperinciPERAMALAN HARGA SAHAM PERUSAHAAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK DAN AKAIKE INFORMATION CRITERION
Seminar Nasional Aplikasi Teknologi Informasi 20 (SNATI 20) ISSN: 19-5022 Yogyakarta, 16 Juni 20 PERAMALAN HARGA SAHAM PERUSAHAAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK DAN AKAIKE INFORMATION CRITERION
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN 3.1. Penentuan Masalah Penelitian Masalah masalah yang dihadapi oleh penggunaan identifikasi sidik jari berbasis komputer, yaitu sebagai berikut : 1. Salah satu masalah dalam
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Computer Vision Computer vision dapat diartikan sebagai suatu proses pengenalan objek-objek berdasarkan ciri khas dari sebuah gambar dan dapat juga digambarkan sebagai suatu deduksi
Lebih terperinciBAB 3 METODE PENELITIAN
BAB 3 METODE PENELITIAN Tahap 1 : Identifikasi Permasalahan Mencari literatur-literatur yang berhubungan dengan bahan penelitian. Tahap 2 : Pengambilan Data Training : Testing 5 : 1 150 : 30 Dari 10 responden
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN MULTI LAYER PERCEPTRON PADA APLIKASI PRAKIRAAN CUACA
Aplikasi Jaringan Syaraf Tiruan Multilayer Perceptron (Joni Riadi dan Nurmahaludin) APLIKASI JARINGAN SYARAF TIRUAN MULTI LAYER PERCEPTRON PADA APLIKASI PRAKIRAAN CUACA Joni Riadi (1) dan Nurmahaludin
Lebih terperinciSISTEM PENDETEKSI WAJAH MANUSIA PADA CITRA DIGITAL
1 SISTEM PENDETEKSI WAJAH MANUSIA PADA CITRA DIGITAL (Human Face Detection System on Digital Images) Setyo Nugroho 1, Agus Harjoko 2 Program Studi Ilmu Komputer Program Pascasarjana Universitas Gadjah
Lebih terperinciIdentifikasi Otentifikasi Citra Tanda Tangan Menggunakan Wavelet dan Backpropagation
Identifikasi Otentifikasi Citra Tanda Tangan Menggunakan Wavelet dan Backpropagation Resa Abdilah 1, Esmeralda C. Djamal, Ridwan Ilyas Jurusan Informatika, Fakultas MIPA Universitas Jenderal Achmad Yani
Lebih terperinciBulu mata. Generalisasi= Jumlah pola dikenali dengan benar x 100% Jumlah total pola
Generalisasi Hasil penelitian ini diukur menggunakan nilai konvergen dan generalisasi. Nilai konvergen adalah tingkat kecepatan jaringan untuk mempelajari pola input yang dinyatakan dalam satuan iterasi
Lebih terperinciUNIVERSITAS BINA NUSANTARA. Jurusan Teknik Informatika Skripsi Sarjana Komputer Semester Genap tahun 2004/2005
UNIVERSITAS BINA NUSANTARA Jurusan Teknik Informatika Skripsi Sarjana Komputer Semester Genap tahun 2004/2005 PENGENALAN CITRA WAJAH DENGAN MENGGUNAKAN TRANS FORMAS I WAVELET DIS KRIT D AN JARINGAN S ARAF
Lebih terperinciIMPLEMENTASI PENGENALAN WAJAH MENGGUNAKAN ALGORITMA PRINCIPAL COMPONENT ANALYSIS(PCA) DAN IMPROVED BACKPROPAGATION
J~ICON, Vol. 3 No. 2, Oktober 2015, pp. 89 ~ 95 89 IMPLEMENTASI PENGENALAN WAJAH MENGGUNAKAN ALGORITMA PRINCIPAL COMPONENT ANALYSIS(PCA) DAN IMPROVED BACKPROPAGATION Rini Miyanti Maubara 1, Adriana Fanggidae
Lebih terperinciBAB III PERANCANGAN SISTEM
BAB III PERANCANGAN SISTEM 3.1 Definisi Masalah Dalam beberapa tahun terakhir perkembangan Computer Vision terutama dalam bidang pengenalan wajah berkembang pesat, hal ini tidak terlepas dari pesatnya
Lebih terperinciOleh: Angger Gusti Zamzany( ) Dosen Pembimbing: Dr. Dwi Ratna Sulistyaningrum, S.Si, M.T.
Oleh: Angger Gusti Zamzany(1210100 073) Dosen Pembimbing: Dr. Dwi Ratna Sulistyaningrum, S.Si, M.T. DAFTAR ISI I II III IV V VI PENDAHULUAN TINJAUAN PUSTAKA METODOLOGI PERANCANGAN DAN IMPLEMENTASI PENGUJIAN
Lebih terperinciBAB IV PEMBAHASAN. A. Hasil Model Radial Basis Function Neural Network (RBFNN) Langkah-langkah untuk menentukan model terbaik Radial Basis Function
BAB IV PEMBAHASAN A. Hasil Model Radial Basis Function Neural Network (RBFNN) Langkah-langkah untuk menentukan model terbaik Radial Basis Function Neural Network (RBFNN) untuk diagnosis penyakit jantung
Lebih terperinciBAB 3 PERANCANGAN DAN PEMBUATAN SISTEM
BAB 3 PERANCANGAN DAN PEMBUATAN SISTEM Dalam bab ini akan dibahas mengenai perancangan dan pembuatan sistem aplikasi yang digunakan sebagai user interface untuk menangkap citra ikan, mengolahnya dan menampilkan
Lebih terperinciANALISIS DAN IMPLEMENTASI APLIKASI PENGENALAN SUARA MENJADI TEKS MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN BACKPROPAGATION
ANALISIS DAN IMPLEMENTASI APLIKASI PENGENALAN SUARA MENJADI TEKS MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN BACKPROPAGATION ANALYSIS AND IMPLEMENTATION OF SPEECH TO TEXT APPLICATION USING BACKPROPAGATION
Lebih terperinciOleh: Ulir Rohwana ( ) Dosen Pembimbing: Prof. Dr. H. M. Isa Irawan, M.T.
Oleh: Ulir Rohwana (1209 100 702) Dosen Pembimbing: Prof. Dr. H. M. Isa Irawan, M.T. DAFTAR ISI I II III IV V VI PENDAHULUAN TINJAUAN PUSTAKA METODOLOGI PERANCANGAN DAN IMPLEMENTASI HASIL DAN PENGUJIAN
Lebih terperinci1. BAB I PENDAHULUAN 1.1. Latar Belakang
1. BAB I PENDAHULUAN 1.1. Latar Belakang Diagnosis kanker dapat dilakukan berdasarkan struktur morfologisnya, namun hal tersebut mengalami kesulitan karena perbedaan struktur morfologis yang sangat tipis
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Tahapan Penelitian Tahapan yang dilakukan dalam penelitian ini disajikan pada Gambar 14, terdiri dari tahap identifikasi masalah, pengumpulan dan praproses data, pemodelan
Lebih terperinciPEMILIHAN WARNA LIPSTIK BERDASARKAN INFORMASI USIA DAN WARNA KULIT DENGAN MENGGUNAKAN METODA ARTIFICIAL NEURAL NETWORK
PEMILIHAN WARNA LIPSTIK BERDASARKAN INFORMASI USIA DAN WARNA KULIT DENGAN MENGGUNAKAN METODA ARTIFICIAL NEURAL NETWORK Bilqis Amaliah 1, Amethis Oktaorora 2 1,2 Teknik Informatika, FTIf - ITS,Surabaya
Lebih terperinciALGORITMA BACKPROPAGATION PADA JARINGAN SARAF TIRUAN UNTUK PENGENALAN POLA WAYANG KULIT
ALGORITMA BACKPROPAGATION PADA JARINGAN SARAF TIRUAN UNTUK PENGENALAN POLA WAYANG KULIT Kristian Adi Nugraha 1), Albertus Joko Santoso 2), Thomas Suselo 3) 1,2,3) Program Studi Magister Teknik Informatika,
Lebih terperinciBAB III METODE PENELITIAN. Desain penelitian untuk pengenalan nama objek dua dimensi pada citra
BAB III METODE PENELITIAN 3.1 Desain Penelitian Desain penelitian untuk pengenalan nama objek dua dimensi pada citra adalah sebagai berikut. Gambar 3.1 Desain Penelitian 34 35 Penjelasan dari skema gambar
Lebih terperinciAplikasi Pengenalan Citra Chord Gitar Menggunakan Learning Vector Quantization (LVQ)
95 Aplikasi Pengenalan Citra Chord Gitar Menggunakan Learning Vector Quantization (LVQ) Imam Suderajad *), Tamam Asrori **), Mohammad ***), Dwi Prananto ****) Teknik Elektro, Universitas Panca Marga Email:
Lebih terperinciSISTEM PENGENALAN KARAKTER DENGAN JARINGAN SYARAF TIRUAN ALGORITMA PERCEPTRON
Jurnal Informatika Mulawarman Vol. 7 No. 3 Edisi September 2012 105 SISTEM PENGENALAN KARAKTER DENGAN JARINGAN SYARAF TIRUAN ALGORITMA PERCEPTRON Anindita Septiarini Program Studi Ilmu Komputer FMIPA,
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Perkembangan teknologi perangkat lunak dewasa ini tidak terlepas dari berkembangnya studi mengenai kecerdasan buatan. Ada dua hal yang termasuk dari kecerdasan buatan
Lebih terperinciJURNAL TEKNOLOGI INFORMASI & PENDIDIKAN ISSN : VOL. 1 NO. 1 MARET 2010
IDENTIFIKASI SIDIKJARI DENGAN EKSTRAKSI CIRI BERBASIS TRANSFORMASI WAVELET HAAR Minarni 1 ABSTRACT This research investigated a possible fingerprint identification system. The fingerprint images were preprocessed
Lebih terperinciVerifikasi Citra Wajah Menggunakan Metode Discrete Cosine Transform Untuk Aplikasi Login
The 13 th Industrial Electronics Seminar 011 (IES 011) Electronic Engineering Polytechnic Institute of Surabaya (EEPIS), Indonesia, October 6, 011 Verifikasi Citra Wajah Menggunakan Metode Discrete Cosine
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Metodologi penelitian adalah sekumpulan peraturan, kegiatan, dan prosedur yang digunakan oleh pelaku suatu disiplin ilmu. Metodologi berisi tahapan-tahapan yang dilakukan
Lebih terperinciKOMPARASI HASIL KLASIFIKASI PENYAKIT DIABETES MELLITUS MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION DAN LEARNING VECTOR QUANTIZATION
Prosiding Seminar Nasional Penelitian, Pendidikan dan Penerapan MIPA, Fakultas MIPA, Universitas Negeri Yogyakarta, 14 Mei 2011 KOMPARASI HASIL KLASIFIKASI PENYAKIT DIABETES MELLITUS MENGGUNAKAN JARINGAN
Lebih terperinciPenerapan Metode Single-Layer Feed-Forward Neural Network Menggunakan Kernel Gabor untuk Pengenalan Ekspresi Wajah
Penerapan Metode Single-Layer Feed-Forward Neural Network Menggunakan Kernel Gabor untuk Pengenalan Ekspresi Wajah Johanes Cristanto #1, Ken Ratri Retno Wardani #2 #Faculty of Informatics Engineering,Institut
Lebih terperinciIdentifikasi Gender Berdasarkan Citra Wajah Menggunakan Deteksi Tepi dan Backpropagation
Identifikasi Gender Berdasarkan Citra Wajah Menggunakan Deteksi Tepi dan Backpropagation Destri Wulansari, Esmeralda C. Djamal, Ridwan Ilyas Jurusan Informatika, Fakultas MIPA Universitas Jenderal Achmad
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Perkembangan teknologi senantiasa membawa dampak secara langsung maupun tidak langsung, baik itu berdampak positif maupun negatif dan akan sangat berpengaruh terhadap
Lebih terperinciPREDIKSI CURAH HUJAN DI KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK
PREDIKSI CURAH HUJAN DI KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK Yudhi Andrian 1, Erlinda Ningsih 2 1 Dosen Teknik Informatika, STMIK Potensi Utama 2 Mahasiswa Sistem Informasi, STMIK
Lebih terperinciBAB 2 LANDASAN TEORI. fuzzy logic dengan aplikasi neuro computing. Masing-masing memiliki cara dan proses
8 BAB 2 LANDASAN TEORI 2.1 Teori Neuro Fuzzy Neuro-fuzzy sebenarnya merupakan penggabungan dari dua studi utama yaitu fuzzy logic dengan aplikasi neuro computing. Masing-masing memiliki cara dan proses
Lebih terperinciPrediksi Nilai Tukar Petani Menggunakan Jaringan Syaraf Tiruan Backpropagation
Scientific Journal of Informatics Vol 3, No 1, Mei 2016 p-issn 2407-7658 http://journalunnesacid/nju/indexphp/sji e-issn 2460-0040 Prediksi Nilai Tukar Petani Menggunakan Jaringan Syaraf Tiruan Backpropagation
Lebih terperinciSegitiga Fuzzy-Neural Network untuk Mengenali Pola dari Model Input Data yang Berdistribusi
J. Math. and Its Appl. ISSN: 1829-605X Vol. 4, No. 1, May 2007, 9 16 Segitiga Fuzzy-Neural Network untuk Mengenali Pola dari Model Input Data yang Berdistribusi Hary Budiarto Pusat Teknologi Informasi
Lebih terperinciProgram Aplikasi Komputer Pengenalan Angka Dengan Pose Jari Tangan Sebagai Media Pembelajaran Interaktif Anak Usia Dini
Program Aplikasi Komputer Pengenalan Angka Dengan Pose Jari Tangan Sebagai Media Pembelajaran Interaktif Anak Usia Dini Wawan Kurniawan Jurusan PMIPA, FKIP Universitas Jambi wwnkurnia79@gmail.com Abstrak
Lebih terperinciPENGENALAN TULISAN TANGAN MENGGUNAKAN EKSTRAKSI CIRI WAVELET TRANSFORM DARI PROJECTION PROFILE
PENGENALAN TULISAN TANGAN MENGGUNAKAN EKSTRAKSI CIRI WAVELET TRANSFORM DARI PROJECTION PROFILE Radian Rizki Triadhi NRP : 1222033 E-mail : radianrizkitriadhi@ymail.com ABSTRAK Pengenalan tulisan tangan
Lebih terperinciANALISIS DEKOMPOSISI WAVELET PADA PENGENALAN POLA LURIK DENGAN METODE LEARNING VECTOR QUANTIZATION
ANALISIS DEKOMPOSISI WAVELET PADA PENGENALAN POLA LURIK DENGAN METODE LEARNING VECTOR QUANTIZATION Bambang Robi in eure_bbg@yahoo.com Akademi Teknik PIRI Yogyakarta Abstrak Indonesia merupakan negara yang
Lebih terperinciPENGENALAN EKSPRESI WAJAH MENGGUNAKAN WAVELET GABOR DAN BACKPROPAGATION
Immanuela P. S., Ernawati, B. Yudi wiandiyanta, Pengenalan Ekspresi Wajah 71 PENGENALAN EKSPRESI WAJAH MENGGUNAKAN WAVELET GABOR AN BACKPROPAGATION Immanuela P. Saputro 1, Ernawati 2, B.Yudi wiandiyanta
Lebih terperinci100% Akurasi = (11) Lingkungan Pengembangan
Algoritme Dekomposisi Wavelet Dekomposisi wavelet Haar dapat dijelaskan sebagai berikut : 1 Transformasi linear digunakan untuk mengubah ruang warna secara linear menjadi warna dasar. Karena citra yang
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Jaringan Syaraf Tiruan Artificial Neural Network atau Jaringan Syaraf Tiruan (JST) adalah salah satu cabang dari Artificial Intelligence. JST merupakan suatu sistem pemrosesan
Lebih terperinciUJM 3 (1) (2014) UNNES Journal of Mathematics.
UJM 3 (1) (2014) UNNES Journal of Mathematics http://journal.unnes.ac.id/sju/index.php/ujm APLIKASI JARINGAN SYARAF TIRUAN BACKPROPAGATION DALAM PERAMALAN BEBAN PUNCAK DISTRIBUSI LISTRIK DI WILAYAH PEMALANG
Lebih terperinciPENGENALAN GENDER MEMANFAATKAN WAJAH MANUSIA DENGAN MENGGUNAKAN METODE KLASIFIKASI NEAREST NEIGHBOR
PENGENALAN GENDER MEMANFAATKAN WAJAH MANUSIA DENGAN MENGGUNAKAN METODE KLASIFIKASI NEAREST NEIGHBOR Ardilla Ayu Dewanti Ridwan, Ivanna K. Timotius, Iwan Setyawan PENGENALAN GENDER MEMANFAATKAN WAJAH MANUSIA
Lebih terperinciPERAMALAN BEBAN LISTRIK JANGKA PENDEK DI BALI MENGGUNAKAN PENDEKATAN ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS)
PERAMALAN BEBAN LISTRIK JANGKA PENDEK DI BALI MENGGUNAKAN PENDEKATAN ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS) L K Widyapratiwi 1, I P A Mertasana 2, I G D Arjana 2 1 Mahasiswa Teknik Elektro, Fakultas
Lebih terperinciPENGENALAN POLA SIDIK JARI BERBASIS TRANSFORMASI WAVELET DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
PENGENALAN POLA SIDIK JARI BERBASIS TRANSFORMASI WAVELET DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION 1 Andrian Rakhmatsyah 2 Sayful Hakam 3 Adiwijaya 12 Departemen Teknik Informatika Sekolah Tinggi Teknologi
Lebih terperinciIMPLEMENTASI TEMU KEMBALI CITRA TEKSTUR MENGGUNAKAN ROTATED WAVELET FILTER
IMPLEMENTASI TEMU KEMBALI CITRA TEKSTUR MENGGUNAKAN ROTATED WAVELET FILTER M. Jamaluddin 1, Nanik Suciati 2, Arya Yudhi Wiajaya 3 1,2,3 Teknik Informatika, Fakultas Teknologi Informasi, Institut Teknologi
Lebih terperinciImplementasi Jaringan Syaraf Tiruan Backpropagation dan Steepest Descent untuk Prediksi Data Time Series
Implementasi Jaringan Syaraf Tiruan Backpropagation dan Steepest Descent untuk Prediksi Data Time Series Oleh: ABD. ROHIM (1206 100 058) Dosen Pembimbing: Prof. Dr. M. Isa Irawan, MT Jurusan Matematika
Lebih terperinciPengolahan data merupakan proses awal yang dilakukan dalam program RBFNN sebelum masuk pada proses pelatihan (training) dan pengujian (testing).
Pengolahan data merupakan proses awal yang dilakukan dalam program RBFNN sebelum masuk pada proses pelatihan (training) dan pengujian (testing). Oleh karena itu, di Bab 4 ini untuk memudahkan memahami
Lebih terperinciPenggunaan Jaringan Syaraf Tiruanuntuk Membaca Karakter pada Formulir Nilai Mata Kuliah
Vol. 14, No. 1, 61-68, Juli 2017 Penggunaan Jaringan Syaraf Tiruanuntuk Membaca Karakter pada Formulir Nilai Mata Kuliah La Surimi, Hendra, Diaraya Abstrak Jaringan syaraf tiruan (JST) telah banyak diaplikasikan
Lebih terperinciBAB I PENDAHULUAN. mengenai deteksi wajah dengan Differential Evolution Based Neural Network
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Berdasarkan penelitian yang telah dilakukan oleh Yudistira Dewanata mengenai deteksi wajah dengan Differential Evolution Based Neural Network mendapatkan total
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Pengenalan Pola Pengenalan pola adalah suatu ilmu untuk mengklasifikasikan atau menggambarkan sesuatu berdasarkan pengukuran kuantitatif fitur (ciri) atau sifat utama dari suatu
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN 3.1. Data Yang Digunakan Dalam melakukan penelitian ini, penulis membutuhkan data input dalam proses jaringan saraf tiruan backpropagation. Data tersebut akan digunakan sebagai
Lebih terperinciVOL. 01 NO. 02 [JURNAL ILMIAH BINARY] ISSN :
PENERAPAN JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH PRODUKSI AIR MINUM MENGGUNAKAN ALGORITMA BACKPROPAGATION (STUDI KASUS : PDAM TIRTA BUKIT SULAP KOTA LUBUKLINGGAU) Robi Yanto STMIK Bina Nusantara
Lebih terperinciPENGENALAN POLA GARIS DASAR KALIMAT PADA TULISAN TANGAN UNTUK MENGETAHUI KARAKTER SESEORANG DENGAN MENGGUNAKAN ALGORITMA RESILIENT BACKPROPAGATION
PENGENALAN POLA GARIS DASAR KALIMAT PADA TULISAN TANGAN UNTUK MENGETAHUI KARAKTER SESEORANG DENGAN MENGGUNAKAN ALGORITMA RESILIENT BACKPROPAGATION ABSTRAK Juventus Suharta (0722026) Jurusan Teknik Elektro
Lebih terperinciDETEKSI JENIS KAYU CITRA FURNITURE UKIRAN JEPARA MENGGUNAKAN JST BACKPROPAGATION
No Makalah : 299 Konferensi Nasional Sistem Informasi 2012, STMIK - STIKOM Bali 23-25 Pebruari 2012 DETEKSI JENIS KAYU CITRA FURNITURE UKIRAN JEPARA MENGGUNAKAN JST BACKPROPAGATION Ratri Dwi Atmaja 1,
Lebih 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 I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Jaringan syaraf tiruan merupakan bidang ilmu yang banyak digunakan dalam melakukan pengenalan pola suatu obyek. Banyak obyek yang dapat digunakan untuk pengenalan pola
Lebih terperinciHardisk 80 GB Perangkat lunak Window XP Profesional MATLAB 7.0.1
Hardisk 8 GB Perangkat lunak Window XP Profesional MATLAB 7..1 HASIL DAN PEMBAHASAN Percobaan yang dilakukan pada penelitian ini terdiri atas dua macam, yaitu citra yang akan mengalami proses pengenalan
Lebih terperinciIdentifikasi Tanda Tangan Menggunakan Transformasi Gabor Wavelet dan Jarak Minskowski
Identifikasi Tanda Tangan Menggunakan Transformasi Gabor Wavelet dan Jarak Minskowski Junia Kurniati Computer Engineering Department Faculty of Computer Science Sriwijaya University South Sumatera Indonesia
Lebih terperinciPROGRAM APLIKASI PENGENALAN EKSPRESI WAJAH SECARA REAL TIME DENGAN METODE BACK PROPAGATION DAN WAVELET HAAR
PROGRAM APLIKASI PENGENALAN EKSPRESI WAJAH SECARA REAL TIME DENGAN METODE BACK PROPAGATION DAN WAVELET HAAR Comment [S1]: Gak pake kata perancangan karena nyontek randy Setiawan Alexander Mathematics and
Lebih terperincii. Perangkat Keras Prosesor Intel Pentium(R) Dual-Core CPU 2.20 GHz
Data yang pada awalnya berupa chanel stereo diubah ke dalam chanel mono. Kemudian data tersebut disimpan dengan file berekstensi WAV. Praproses Pada tahap ini dilakukan ekstraksi ciri menggunakan metode
Lebih terperinci1. Pendahuluan Perumusan Masalah Dari latar belakang yang dipaparkan di atas, masalah yang dapat dirumuskan adalah:
1. Pendahuluan 1.1. Latar Belakang Wajah manusia dapat menunjukkan dimorfisme seksual yang cukup jelas [1][2][3][4][5]. Wajah pria dan wanita memiliki bentuk dan tekstur yang berbeda, dan petunjuk yang
Lebih terperinciJARINGAN SYARAF TIRUAN PREDIKSI PENYAKIT LUDWIG ANGINA
doi: https://doi.org/10.5281/zenodo.1207339 JARINGAN SYARAF TIRUAN PREDIKSI PENYAKIT LUDWIG ANGINA Siti Aisyah (1), Abdi Dharma (2), Mardi Turnip (3) Sistem Informasi Fakultas Teknologi dan Ilmu Komputer
Lebih terperinciWAVELET -JARINGAN SYARAF TIRUAN UNTUK PREDIKSI DATA TIME SERIES
J. Math. and Its Appl. ISSN: 1829-605X Vol. 4, No. 2, November 2007, 53 64 WAVELET -JARINGAN SYARAF TIRUAN UNTUK PREDIKSI DATA TIME SERIES Daryono Budi Utomo Jurusan Matematika FMIPA Institut Teknologi
Lebih terperinciJurnal Ilmiah Komputer dan Informatika (KOMPUTA) IMPLEMENTASI JARINGAN SYARAF TIRUAN BACKPROPAGATION UNTUK MENGENALI MOTIF BATIK
IMPLEMENTASI JARINGAN SYARAF TIRUAN BACKPROPAGATION UNTUK MENGENALI MOTIF BATIK Fany Hermawan Teknik Informatika Universitas Komputer Indonesia Jl. Dipatiukur 112-114 Bandung E-mail : evan.hawan@gmail.com
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MENGENALI TULISAN TANGAN HURUF A, B, C, DAN D PADA JAWABAN SOAL PILIHAN GANDA
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MENGENALI TULISAN TANGAN HURUF A, B, C, DAN D PADA JAWABAN SOAL PILIHAN GANDA (Studi Eksplorasi Pengembangan Pengolahan Lembar Jawaban Ujian Soal Pilihan Ganda di
Lebih terperinciPENGENALAN HURUF DAN ANGKA PADA CITRA BITMAP DENGAN JARINGAN SARAF TIRUAN METODE PROPAGASI BALIK
PENGENALAN HURUF DAN ANGKA PADA CITRA BITMAP DENGAN JARINGAN SARAF TIRUAN METODE PROPAGASI BALIK Naskah Publikasi disusun oleh Zul Chaedir 05.11.0999 Kepada SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER
Lebih terperinciBAB II TINJAUAN PUSTAKA. yang revelan dengan penelitian yang akan. antara metode Kohonen Neural Network dengan metode Learning ng Vector
BAB II TINJAUAN PUSTAKA Pada Bab ini akan menjelaskan tentang teori-teori o i serta hasil penelitian yang revelan dengan penelitian yang akan an dilakukan. an. A. Tinjauan an Pustaka Prabowo, o, Sarwoko
Lebih terperinciPEMBUATAN PERANGKAT LUNAK PENGENALAN WAJAH MENGGUNAKAN PRINCIPAL COMPONENTS ANALYSIS
PEMBUATAN PERANGKAT LUNAK PENGENALAN WAJAH MENGGUNAKAN PRINCIPAL COMPONENTS ANALYSIS Kartika Gunadi Fakultas Teknologi Industri, Jurusan Teknik Informatika Universitas Kristen Petra e-mail: kgunadi@peter.petra.ac.id,
Lebih terperinciKlasifikasi Identitas Wajah Untuk Otorisasi Menggunakan Deteksi Tepi dan LVQ
Klasifikasi Identitas Wajah Untuk Otorisasi Menggunakan Deteksi Tepi dan LVQ Gilang Ramadhan *, Esmeralda C Djamal, Tedjo Darmanto Jurusan Informatika, Fakultas MIPA Universitas Jenderal Achmad Yani Jl.
Lebih terperinciPENGENALAN POLA TANDA TANGAN MENGGUNAKAN METODE MOMEN INVARIAN DAN RADIAL BASIS FUNCTION (RBF)
PENGENALAN POLA TANDA TANGAN MENGGUNAKAN METODE MOMEN INVARIAN DAN RADIAL BASIS FUNCTION (RBF) AINUN JARIAH 1209201721 DOSEN PEMBIMBING 1. Prof. Dr. Mohammad Isa Irawan, M.T 2. Dr Imam Mukhlas, S.Si, M.T
Lebih terperinciKlasifikasi Pola Huruf Vokal dengan Menggunakan Jaringan Saraf Tiruan
JURNAL TEKNIK POMITS 1-7 1 Klasifikasi Pola Huruf Vokal dengan Menggunakan Jaringan Saraf Tiruan Dhita Azzahra Pancorowati, M. Arief Bustomi Jurusan Fisika, Fakultas Matematika dan Ilmu Pengetahuan Alam,
Lebih terperinciPENGENALAN AKSARA JAWAMENGGUNAKAN LEARNING VECTOR QUANTIZATION (LVQ)
PENGENALAN AKSARA JAWAMENGGUNAKAN LEARNING VECTOR QUANTIZATION (LVQ) Alfa Ceria Agustina (1) Sri Suwarno (2) Umi Proboyekti (3) sswn@ukdw.ac.id othie@ukdw.ac.id Abstraksi Saat ini jaringan saraf tiruan
Lebih terperinciIMPLEMENTASI DEEP LEARNING BERBASIS TENSORFLOW UNTUK PENGENALAN SIDIK JARI
Royani Darma Nurfita, Gunawan Ariyanto, Implementasi Deep Learning Berbasis Tensorflow Untuk Pengenalan Sidik Jari IMPLEMENTASI DEEP LEARNING BERBASIS TENSORFLOW UNTUK PENGENALAN SIDIK JARI Royani Darma
Lebih terperinciBAB III METODOLOGI PENELITIAN. Desain penelitian ini mengacu pada tahapan proses yang ada pada sistem
21 BAB III METODOLOGI PENELITIAN 3.1 Desain Penelitian Desain penelitian ini mengacu pada tahapan proses yang ada pada sistem pengenalan wajah ini yaitu input, proses dan output. Dengan input bahan penelitian
Lebih terperinciBAB 2 Landasan Teori
BAB 2 Landasan Teori Pengenalan manusia secara otomatis menggunakan mesin merupakan masalah yang menantang dan telah menjadi banyak perhatian selama beberapa tahun terakhir. (Jawad, Syed, dan Farrukh,
Lebih terperinciBAB III METODOLOGI PENELITIAN. manusia dengan menggunakan metode Gabor Filter dan Algoritma
BAB III METODOLOGI PENELITIAN 3.1 Desain Penelitian Berikut merupakan desain penelitian yang akan digunakan pada proses rancang bangun aplikasi sistem pengenalan pola fraktur tengkorak manusia dengan menggunakan
Lebih terperinci1. Pendahuluan. 1.1 Latar Belakang
1. Pendahuluan 1.1 Latar Belakang Pasar valuta asing telah mengalami perkembangan yang tak terduga selama beberapa dekade terakhir, dunia bergerak ke konsep "desa global" dan telah menjadi salah satu pasar
Lebih terperinci