BAB III PERANCANGAN DAN IMPLEMENTASI SISTEM
|
|
- Sri Sumadi
- 6 tahun lalu
- Tontonan:
Transkripsi
1 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 ini adalah perancangan sistem ekstraksi fitur dan pengenalan wajah. Hal-hal yang dijelaskan meliputi perancangan sistem, tahap pelatihan yang meliputi ektraksi fitur dan tahap klasifikasi menggunakan JST Perancangan Sistem Sistem yang dirancang ini terbagi menjadi dua bagian utama, yaitu bagian pelatihan dan bagian klasifikasi. Pembagian ini dapat dilihat dari Gambar (3.1) di bawah. Pada masing-masing bagian terdapat 2 tahap yang hampir identik, yaitu pengolahan citra (preprocessing) dan ekstraksi fitur (feature extraction). Perbedaannya hanyalah pada bagian akhir, pada bagian pelatihan tujuan akhirnya adalah menghasilkan suatu pemilah (classifier) yang paling tepat untuk sistem ini. Pada bagian klasifikasi, tujuan akhirnya adalah menggunakan pemilah (classifier) yang telah dilatih tersebut agar mampu mengenali citra apakah terdapat dalam database atau tidak. Gambar 3.1. Diagram Blok Sistem Pengenalan Wajah.
2 Sistem pengenalan wajah merupakan bagian akhir dari sistem deteksi dan pengenalan wajah. Pada sistem deteksi wajah dilakukan proses pengolahan citra dan deteksi wajah. Sistem deteksi wajah bertugas mengolah citra dan menyesuaikan dengan database dan hanya melewatkan citra yang terdapat wajah didalamnya. Sistem deteksi melakukan klasifikasi wajah dan non-wajah terhadap citra masukan. Masukan pada sistem deteksi wajah berupa citra berwarna (format jpg atau jpeg) yang diambil dengan kamera digital Sony DSC-9. Keluaran dari sistem deteksi wajah adalah citra wajah grayscale berukuran 112 x 92 piksel yang sudah distandarisasi sesuai database. Diagram blok sistem pengolahan citra dan deteksi wajah dapat dilihat pada gambar(3.2). Kelas Wajah Citra Masukan Pengolahan Citra SVM Kelas Non-wajah Gambar 3.2 Sistem pengolahan citra dan deteksi wajah. Sistem pengenalan wajah bertugas untuk mengenali citra masukan sebagai wajah orang yang ada dalam database atau tidak dikenali. Citra yang merupakan wajah dalam database maka akan ditentukan sebagai wajah ke-n. Sistem pengenalan wajah terdiri dari dua bagian, yaitu bagian ekstraksi fitur dan bagian klasifikasi (pengenalan). Bagian ekstraksi fitur bertujuan untuk reduksi data sehingga dihasilkan fitur penting yang mewakili citra wajah sedangkan bagian klasifikasi akan mengenali fitur wajah sebagai orang yang dikenali atau tidak berada dalam database. Diagram blok sistem ekstraksi fitur dan pengenalan wajah dapat dilihat pada gambar(3.3).
3 Wajah Dikenali Citra Wajah Ekstraksi Fitur JST Wajah Tidak Dikenal Gambar 3.3 Sistem Pengenalan Wajah. 3.2 Sistem Pelatihan Sistem pengenalan meliputi tahap pembuatan database, ekstraksi fitur dan juga pembuatan pemilah berbasis JST. Prosedur dalam sistem pengenalan wajah terdiri dari pembuatan sistem pelatihan dan klasifikasi: Pembuatan sistem pelatihan : 1. Membuat database yang terdiri dari 16 orang dengan 15 pose. Citra tersebut dinormalisasi cahaya dan normalisasi dimensi sehingga dihasilkan citra wajah grayscale berukuran 112 x 92 piksel. 2. Ekstraksi fitur yaitu menghitung Fisherface dari training set tersebut. Pengambilan fitur Fisherface dibatasi pada fitur yang signifikan. Jadi setiap citra diwakili oleh sejumlah fitur dari Fisherface. 3. Penghitungan bobot dari masing-masing fitur Fisherface tersebut. Masing masing citra dalam database akan memiliki bobot yang khas. 4. Dilakukan training JST terhadap nilai bobot tersebut untuk menghasilkan sebuah pemilah. Pemilah ini menggeneralisasi pola wajah berdasar fitur-fitur yang dihasilkan dengan metoda Fisherface. Selain itu ditentukan threshold sebagai batas citra dikenali sebagai wajah atau tidak dikenali
4 3.2.1 Prosedur Pembuatan Database Data base yang digunakan terdiri dari 16 individu dengan variasi 15 pose. Pembentukan citra dilakukan dengan cropping secara manual citra yang mengandung wajah individu yang akan dimasukkan dalam database (format jpg). Setelah dilakukan cropping, dilakukan normalisasi dimensi dan konversi citra dari format RGB ini menjadi grayscale. Pada database dilakukan perhitungan untuk menentukan nilai mean dan standar deviasi dari keseluruhan citra. Nilai mean dan standar deviasi ini digunakan untuk normalisasi citra pada database sehingga citra memiliki intensitas yang serupa. Hal ini mempengaruhi kinerja database yang digunakan. Database terdiri dari 16 orang dengan variasi 15 pose yang berbeda-beda. Terdapat dua jenis database yang akan dianalisis pada tugas akhir ini. Database I adalah database citra yang memperlihatkan seluruh wajah dan rambut sedangkan pada database yang kedua adalah citra yang terdiri dari wajah saja. Contoh citra wajah pada kedua jenis database ini dapat dilihat pada Gambar (3.4) di bawah. Ukuran database yang digunakan distandarisasi menjadi citra dengan ukuran 112x92 pixel. Tipe citra yang digunakan untuk database adalah citra dengan format grayscale. (a) (b) Gambar 3.4. Contoh citra yang digunakan (a)database I (b) database II. Sesudah diperoleh database yang dibutuhkan dalam proses pengenalan wajah, langkah selanjutnya adalah pengujian database. Dari dua jenis database yang dimiliki dilakukan pengujian untuk mengetahui kinerja masing-masing. Pengujian kinerja database juga dilakukan dengan berbagai jumlah citra pelatihan. Hal ini dilakukan untuk melihat
5 kemampuan database dalam mewakili variasi pose dan juga mengenali citra di luar database yang memiliki perbedaan ekspresi. Hal ini juga bertujuan untuk menguji kemampuan JST dalam mengenali pola dan mengetahui keberhasilan proses pelatihan. Database yang memiliki kinerja terbaik akan digunakan dalam sistem pengenalan yang terintegrasi Ekstraksi Fitur Tahap ekstraksi fitur bertujuan menghasilkan fitur tiap citra wajah dalam database. Fitur ini akan digunakan dalam membentuk pemilah jaringan syaraf tiruan. Tahapan dalam ektraksi fitur ada tiga yaitu ekstraksi PCA, FLD pada hasil ekstraksi PCA dan terakhir menghitung Fisherface. PCA Pada sistem, ektraksi fitur PCA dilakukan oleh fungsi m-file PCA.m yang dipanggil pada program utama. Algoritma matematis yang digunakan pada fungsi PCA seperti yang dikembangkan M. Turk and A. Pentland. Citra wajah yang berupa matriks 112x92 diubah ke dalam bentuk vektor berukuran x 1.Yang pertama dilakukan yaitu menghitung mean semua citra yang ada dalam data base, kemudian dihitung deviasi vektor wajah dari mean data base. Setelah itu dilakukan penghitungan matriks kovarian : N T C = ( xk μ) ( xk μ) (3.1) k = 1 Dari citra wajah berukuran 112 x 92 yang diubah menjadi x 1. Matrik kovarian akan berukuran x Algoritma Eigenface yang dikemukakan M. Turk and A. Pentland menghasilkan matrik kovarian berukuran 240 x 240 (240 adalah jumlah semua pose dalam data base).
6 Setelah matrix kovarian dihitung, kita dapat menghitung nilai eigen (λ) dan vektor eigen (u ) yang memenuhi persamaan (3.2) di bawah. Cu = λ u (3.2) n n n u = eigenvector λ = eigenvalue Fitur PCA yang diperoleh memiliki nilai eigen yang berbeda. Sesuai persamaan (2.6) dapat diambil beberapa nilai fitur PCA sesuai kebutuhan. Dengan batasan 90% diperoleh 53 fitur, 95% diperoleh 93 fitur,98% 147 fitur,99% 179 fitur. Gambar 3.5. Fitur PCA yang menggambarkan variansi database. LDA Setelah didapat fitur PCA dilakukan perhitungan FLD dengan fungsi FLD.m. Pada FLD dilakukan penghitungan nilai matrik penyebaran antar kelas dan matrik penyebaran dalam kelas digunakan persamaan (3.3) dan (3.4). Menghitung kovarian antar-kelas C T ( 1') ( μ μ )( μ μ ) ( 1) (3.3) S = P N P B k k k k = 1
7 Menghitung kovarian dalam kelas C T ( 1') ( μ )( μ ) ( 1) (3.4) S = P x x P W k k k k k= 1 x X k Keterangan : P1 = fitur wajah PCA (eigenfaces) Setelah mendapatkan matrix penyebaran antar kelas dan matrix penyebaran dalam kelas, kemudian dilakukan penghitungan LDA dengan mencari nilai eigen dan vektor eigennya, seperti persamaan (3.5) di bawah. Su B i = λiswui (3.5) Gambar 3.6. Fitur LDA yang menggambarkan variansi database. Dari perhitungan fitur LDA dengan batasan nilai 90% diperoleh 9 fitur, 95% diperoleh 11 fitur, 98% diperoleh 13 fitur, 99% diperoleh 14 fitur. uopt = upcaulda (3.5) Nilai U opt adalah fitur wajah gabungan dari fitur PCA dan fitur LDA. Fitur gabungan inilah yang disebut dengan Fisherface. Pada sistem, fitur ini dihasilkan dari fungsi fisher.m.
8 Menghitung bobot Setelah sistem mendapatkan fitur Fisherface, bobot tiap wajah dihitung. Bobot wajah dari database dihitung membandingkan dengan wajah yang akan di tes. Bobot ini akan menjadi masukan bagi pemilah JST. Penghitungan bobot dilakukan dengan fungsi bobot.m. Pada dasarnya fungsi bobot ini merupakan transformasi citra wajah yang menjadi masukannya ke dalam Eigenspace. 3.3 Proses Perancangan JST Setelah mendapatkan bobot dari wajah pada database, kemudian tahap selanjutnya perancangan JST yang sesuai dengan fitur yang diberikan sehingga dapat melakukan klasifikasi dengan baik. Klasifikasi yang baik bermakna JST dapat membedakan citra wajah yang ada dalam database baik dengan perbedaan pose maupun ekspresi secara sederhana dan mengetahui citra yang tidak ada dalam database. JST yang digunakan adalah multilayer backpropagation. JST jenis ini banyak dipakai dalam klasifikasi pola [8]. Menurut Kolmogorov [8] tiga layer JST (dua hidden layer dan satu layer output) dapat memisahkan pola dengan baik. Yang perlu diperhatikan adalah jumlah neuron pada hidden layer, semakin banyak jumlah hidden layer yang digunakan maka JST semakin bagus dalam klasifikasi pola, namun perhitungan jadi lebih lama. Penentuan jumlah neuron ini dilakukan dengan percobaan. Spesifikasi JST yang diinginkan yaitu mampu mengenali perbedaan pose dan ekspresi secara sederhana. Pengujian dilakukan dengan pelatihan jaringan dan menguji dengan citra uji yang berbeda ekspresi. Citra pelatihan yang digunakan sejumlah database sedangkan citra uji merupakan citra uji (citra ke-16 dan ke-17). Hal ini didasari pertimbangan pada proses deteksi wajah, citra yang dihasilkan tidak identik dengan citra database, dimungkinkan terjaddi pergeseran dan perbedaan pose. Pelatihan JST dilakukan dengan pengambilan bobot dari proses ekstraksi fitur citra wajah. Nilai bobot masing-masing wajah menjadi masukan bagi sistem JST. Keluaran JST berupa 16 neuron (sejumlah subjek data base).
9 Jaringan dibangun dengan menggunakan instruksi net = newff(pr,[s1 S2 SN1],{TF1 TF2 TFN1},BTF,BLF,PF), di mana : PR : Rx2 matriks yang berisi nilai minimum dan maksimum dari R input Si TFi BTF BLF PF : jumlah neuron pada lapisan ke-i, dengan i=1,2,,n1 : fungsi aktivasi pada pada lapisan ke-i : fungsi pelatihan jaringan : fungsi pelatihan untuk bobot : fungsi kinerja Pada tugas akhir ini digunakan JST dengan 2 hidden layer. Fungsi aktivasi yang digunakan adalah sigmoid biner. Hal ini disebabkan karena nilai keluaran berupa biner 0 sampai 1, pelatihan jaringan menggunakan traingdx Fungsi pelatihan traingdx dipilih karena fungsi ini menggunakan momentum dalam perubahan bobot dan memiliki nilai learning rate yang adaptif. Pelatihan pada JST ini menggunakan metode batch perubahan terhadap bobot dan bias dilakukan setelah semua input dan target dipresentasikan. Fungsi kinerja yang digunakan untuk backpropagation adalah mean squared error (mse). Jumlah neuron input yaitu 14 sesuai dengan jumlah fitur hassil ekstraksi dengan metoda Fisherface. Jumlah neuron output 16 sesuai dengan jumlah subyek dalan database. Neuron output ke-n akan bernilai 1 jika citra masukan adalah orang ke-n dalam database. Jika citra tidak terdapat dalam database maka neuron output akan bernilai 0. Langkah-langkah desain arsitektur jaringan jumlah layer dan neuron sesedikit mungkin namun dapat mengklasifikasi pola uji yang ada. Pemilihan fungsi aktivasi, fungsi pembelajaran, perubahan bobot dan juga fungsi performa (analisis kesalahan)
10 Hasil pengujian dievaluasi untuk memperbaiki kinerja JST. Kinerja ditingkatkan dengan perubahan fitur atau peningkatan batas performa. Proses pelatihan akan diuji. Langkah ini diulang sampai didapatkan JST dengan akurasi pengklasifikasian yang cukup tinggi. Setelah itu barulah JST dicoba untuk pengujian dengan menggunakan citra wajah dengan variasi pose dan ekspresi. Pengujian dilakukan dengan mencoba jumlah neuron pada hidden layer. Database yang digunakan adalah database II dengan jumlah citra pelatihan 15, citra yang diuji adalah citra dengan perbedaan ekspresi (citra ke 16 dan ke-17 dari masing-masing subyek). Hal ini untuk mengantisipasi keluaran dari sistem deteksi wajah yang sangat beragam. Citra uji yang digunakan sejumlah 32 (16 x 2 citra). Hasil pengujiannya sebagai berikut : Arsitektur 1 hidden layer Pada arsitektur ini tidak diperoleh jaringan yang mampu menggeneralisasi pola. Arsitektur JST ini terdiri dari 40 neuron pada hidden layer pertama dan 80 neuron pada hidden layer kedua. Parameter laju pembelajaran yang diigunakan 0,0019. Performa jaringan ini tidak memenuhi target mse yanng ditetapkan. Citra uji ke 22,25 dan 30 menghasilkan nilai output yang kecil , , Gambar 3.7 Performa JST Arsitektur
11 Arsitektur JST ini terdiri dari 70 neuron pada hidden layer pertama dan 150 hidden layer kedua. Parameter laju pembelajaran yang diigunakan 0,007. Performa jaringan ini tidak memenuhi target mse yanng ditetapkan. Nilai output yang didapat masih kurang meyakinkan. Nilai yang yang didapat 0,5043, 0,063 dan 0,419 untuk citra uji ke 18, 24 dan 26. Gambar 3.8 Performa JST Arsitektur Arsitektur JST ini terdiri dari 200 neuron pada hidden layer pertama dan 300 hidden layer kedua. Parameter laju pembelajaran yang diigunakan 0,007. Performa jaringan ini tidak memenuhi target mse yanng ditetapkan. Nilai output yang didapat masih kurang meyakinkan. Terdapat nilai dan citra ke-16 dan ke-28 (nilai pada citra ke 28 salah merujuk pada orang ke 16) Gambar 3.9 Performa JST Arsitektur
12 Arsitektur JST ini terdiri dari 250 neuron pada hidden layer pertama dan 400 neuron hidden layer kedua. Parameter laju pembelajan 0,0012. Target performa sebesar Target performa ini dipilih dengan tujuan agarjaringan mampu mengenali pola dengan tangguh. Pada waktu digunakan target yang rendah jaringan yang dihasilkan tidak memiliki kemampuan generalisasi pola yang baik Pada jaringan ini nilai output terendah yang didapat 0,22795 pada citra ke-28 Gambar 3.10 Performa JST Arsitektur Jaringan yang dipakai adalah (300 neuron pada hidden layer pertama dan 450 neuron hidden layer kedua). Gambar 3.11 Performa JST arsitektur
13 Setelah JST melalui proses pelatihan dan mencapai target mse yang diinginkan, maka tahap selanjutnya dalam perancangan sistem ini adalah tahap klasifikasi. JST yang telah selesai dilatih digunakan dalam pengujian (klasifikasi) citra berbagai kondisi Hal ini bermanfaat untuk menguji sistem pengenalan wajah secara terintegrasi. 3.4 Klasifikasi Proses klasifikasi terdiri dari 3 proses yaitu: 1) Citra wajah dihitung bobotnya dan diproyeksikan dalam Fisherface Bobot yang dihitung pada tahap ini sama caranya seperti pada tahap penghitungan bobot pada tahap pelatihan, yaitu dengan menggunakan fungsi bobot.m. Tujuan dari penghitungan bobot ini adalah untuk memproyeksikan citra yang didapat dari proses sebelumnya ke dalam ruang eigen wajah. Dengan menghitung bobot dari citra masukan ini, sistem akan dapat membandingkan bobot citra masukan ini dengan bobot dari citra pada basis data. Setelah mendapatkan bobot citra, sistem kemudian mengkalkulasi fiturfitur yang digunakan seperti pada tahap pelatihan. 2) Memasukkan bobot ini sebagai input ke dalam JST Bobot ini akan menjadi masukan bagi jaringan yang sudah dilatih dalam tahap pelatihan. 3) JST ini akan memberikan keputusan apakah citra wajah adalah orang dalam database atau tidak dikenal. Keberhasilan proses klasifikasi ditentukan oleh keberhasilan deteksi wajah dan juga pemilah JST yang dibuat. JST harus bisa mengenali wajah dalam database dan mengenali suatu wajah tidak berada dalam database.
BAB IV PENGUJIAN DAN ANALISIS
BAB IV PENGUJIAN DAN ANALISIS Bab ini akan membahas tentang pengujian dan analisis sistem. Pada pengujian akan dijelaskan tentang kriteria pengujian serta analisis dari pengujian 4.1. Kriteria Pengujian
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 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 terperinciSISTEM PENGENALAN WAJAH BERBASIS METODA FISHERFACE TUGAS AKHIR. Febrian Ardiyanto NIM :
SISTEM PENGENALAN WAJAH BERBASIS METODA FISHERFACE TUGAS AKHIR Oleh Febrian Ardiyanto NIM : 13203137 PROGRAM STUDI TEKNIK ELEKTRO SEKOLAH TEKNIK ELEKTRO DAN INFORMATIKA INSTITUT TEKNOLOGI BANDUNG 2007
Lebih terperinciPENGEMBANGAN 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 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 terperinciMETODOLOGI PENELITIAN
18 METODOLOGI PENELITIAN Kerangka Penelitian Sistem pengenalan roda kendaraan pada penelitian ini tampak pada Gambar 10, secara garis besar dapat dibagi menjadi dua tahapan utama yaitu, tahapan pelatihan
Lebih terperinciBAB II TINJAUAN PUSTAKA. menggunakan PCA, kemudian penelitian yang menggunakan algoritma Fuzzy C-
8 BAB II TINJAUAN PUSTAKA 2.1 Studi Pendahuluan Sebelumnya telah ada penelitian tentang sistem pengenalan wajah 2D menggunakan PCA, kemudian penelitian yang menggunakan algoritma Fuzzy C- Means dan jaringan
Lebih terperinciTEKNIK PENGENALAN WAJAH DENGAN ALGORITMA PCA BERBASIS SELEKSI EIGENVECTOR
TEKNIK PENGENALAN WAJAH DENGAN ALGORITMA PCA BERBASIS SELEKSI EIGENVECTOR DWI ACHTI NOVIATUR R. 2208100656 Dosen Pembimbing : Dr. Ir. Wirawan, DEA (Ir. Hendra Kusuma, M.Eng) PIE Problem Representasi Citra
Lebih 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 terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN. 4.1 Pengembangan Sistem Pengenalan Wajah 2D
30 BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1 Pengembangan Sistem Pengenalan Wajah 2D Penelitian ini mengembangkan model sistem pengenalan wajah dua dimensi pada citra wajah yang telah disiapkan dalam
Lebih terperinciADLN - PERPUSTAKAAN UNIVERSITAS AIRLANGGA BAB III METODE PENELITIAN. Penelitian ini dilakukan dalam kurung waktu setahun.
BAB III METODE PENELITIAN 3.1 Tempat dan Waktu Pelaksanaan Penelitian dilaksanakan di Laboratorium Intrumentasi Medis Departemen Fisika, Fakultas Sains dan Teknologi Universitas Airlangga. Lokasi pengambilan
Lebih terperinciKLASIFIKASI POLA HURUF VOKAL DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION. Dhita Azzahra Pancorowati
KLASIFIKASI POLA HURUF VOKAL DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION Dhita Azzahra Pancorowati 1110100053 Jurusan Fisika Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Teknologi
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN
32 BAB III ANALISIS DAN PERANCANGAN Pada bab ini akan dibahas tentang analisis sistem melalui pendekatan secara terstruktur dan perancangan yang akan dibangun dengan tujuan menghasilkan model atau representasi
Lebih terperinciBAB III METODE PENELITIAN. menjawab segala permasalahan yang ada dalam penelitian ini.
BAB III METODE PENELITIAN Pada bab ini akan dijelaskan bahan yang digunakan dalam membantu menyelesaikan permasalahan, dan juga langkah-langkah yang dilakukan dalam menjawab segala permasalahan yang ada
Lebih terperinciPENGENALAN WAJAH MENGGUNAKAN ALGORITMA EIGENFACE DAN EUCLIDEAN DISTANCE
PENGENALAN WAJAH MENGGUNAKAN ALGORITMA EIGENFACE DAN EUCLIDEAN DISTANCE Widodo Muda Saputra, Helmie Arif Wibawa, S.Si, M.Cs, dan Nurdin Bahtiar, S.Si, M.T Fakultas Sains dan Matematika, Jurusan Ilmu Komputer
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1. 1 Latar Belakang Jaringan saraf buatan merupakan kumpulan dari elemen-elemen pemrosesan buatan yang disebut neuron. Sebuah neuron akan mempunyai banyak nilai masukan yang berasal dari
Lebih terperinciBAB 3 PROSEDUR DAN METODOLOGI
BAB 3 PROSEDUR DAN METODOLOGI 3.1 Analisa Masalah Kemajuan teknologi di bidang multimedia, menuntut kemampuan sistem yang lebih baik dan lebih maju dari sebelumnya, sesuai dengan perkembangan teknologi.
Lebih terperinciPengenalan Wajah dengan Metode Subspace LDA (Linear Discriminant Analysis)
Pengenalan Wajah dengan Metode Subspace LDA (Linear Discriminant Analysis) Ratna Nur Azizah Jurusan Teknik Elektro FTI, Institut Teknologi Sepuluh Nopember Kampus ITS, Keputih-Sukolilo, Surabaya-60111
Lebih terperinciBAB IV IMPLEMENTASI DAN PENGUJIAN
68 BAB IV IMPLEMENTASI DAN PENGUJIAN Bab ini membahas tentang program yang telah dianalisis dan dirancang atau realisasi program yang telah dibuat. Pada bab ini juga akan dilakukan pengujian program. 4.1
Lebih terperinciPrincipal Component Analysis
Perbandingan Ukuran Jarak pada Proses Pengenalan Wajah Berbasis Principal Component Analysis (PCA) Pembimbing: Dr.Ir.Wirawan, DEA (Ir. Hendra Kusuma, M.Eng) Nimas Setya Yaniar 2208.100.616 POSE (posisi
Lebih terperinciBAB III METODOLOGI PENELITIAN
19 BAB III METODOLOGI PENELITIAN 3.1. Kerangka Pemikiran Kerangka pemikiran untuk penelitian ini seperti pada Gambar 9. Penelitian dibagi dalam empat tahapan yaitu persiapan penelitian, proses pengolahan
Lebih 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 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 terperinciBAB 2 KONSEP DASAR PENGENAL OBJEK
BAB 2 KONSEP DASAR PENGENAL OBJEK 2.1 KONSEP DASAR Pada penelitian ini, penulis menggunakan beberapa teori yang dijadikan acuan untuk menyelesaikan penelitian. Berikut ini teori yang akan digunakan penulis
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. Implementasi antar muka dalam tugas akhir ini terdiri dari form halaman
BAB IV HASIL DAN PEMBAHASAN 4.1 Implementasi Antar Muka Implementasi antar muka dalam tugas akhir ini terdiri dari form halaman judul perangkat lunak, form pelatihan jaringan saraf tiruan, form pengujian
Lebih terperinciKOMPRESI CITRA DIGITAL DENGAN MENGGUNAKAN HEBBIAN BASED PRINCIPAL COMPONENT ANALYSIS
KOMPRESI CITRA DIGITAL DENGAN MENGGUNAKAN HEBBIAN BASED PRINCIPAL COMPONENT ANALYSIS 1 Sofyan Azhar Ramba 2 Adiwijaya 3 Andrian Rahmatsyah 12 Departemen Teknik Informatika Sekolah Tinggi Teknologi Telkom
Lebih terperinciPENGENALAN WAJAH MENGGUNAKAN METODE LINEAR DISCRIMINANT ANALYSIS DAN K NEAREST NEIGHBOR
PENGENALAN WAJAH MENGGUNAKAN METODE LINEAR DISCRIMINANT ANALYSIS DAN K NEAREST NEIGHBOR 1 Fandiansyah, 2 Jayanti Yusmah Sari, 3 Ika Purwanti Ningrum Jurusan Teknik Informatika, Fakultas Teknik Universitas
Lebih terperinciUJI KINERJA FACE RECOGNITION MENGGUNAKAN EIGENFACES
1 Uji Kinerja Face Recognition Menggunakan Eigenfaces UJI KINERJA FACE RECOGNITION MENGGUNAKAN EIGENFACES ABDUL AZIS ABDILLAH 1 1STKIP Surya, Tangerang, Banten, abdillah.azul@gmail.com Abstrak. Pada paper
Lebih terperinciAplikasi yang dibuat adalah aplikasi untuk menghitung. prediksi jumlah dalam hal ini diambil studi kasus data balita
BAB III ANALISA DAN PERANCANGAN SISTEM 3.1. Analisa dan Kebutuhan Sistem Analisa sistem merupakan penjabaran deskripsi dari sistem yang akan dibangun kali ini. Sistem berfungsi untuk membantu menganalisis
Lebih terperinciANALISIS DAN SIMULASI SISTEM PENGENALAN WAJAH DENGAN METODE FISHERFACE BERBASIS OUTDOORVIDEO.
ANALISIS DAN SIMULASI SISTEM PENGENALAN WAJAH DENGAN METODE FISHERFACE BERBASIS OUTDOORVIDEO Nurani Fitriyah 1),Dr. Ir. BambangHidayat 2),SuciAulia, ST,MT 3) 1 FakultasTeknikElektro, Telkom University
Lebih terperinciPengenalan Bahasa Isyarat Tangan Menggunakan Metode PCA dan Haar-Like Feature
Pengenalan Bahasa Isyarat Tangan Menggunakan Metode PCA dan Haar-Like Feature Dosen Pembimbing : 1) Prof.Dr.Ir. Mauridhi Hery Purnomo M.Eng. 2) Dr. I Ketut Eddy Purnama ST., MT. Oleh : ATIK MARDIYANI (2207100529)
Lebih terperinciSISTEM PENGENALAN WAJAH DENGAN METODE EIGENFACE DAN JARINGAN SYARAF TIRUAN (JST)
Berkala Fisika ISSN : 1410-9662 Vol. 15, No. 1, Januari 2012, hal 15-20 SISTEM PENGENALAN WAJAH DENGAN METODE EIGENFACE DAN JARINGAN SYARAF TIRUAN (JST) Tri Mulyono, Kusworo Adi dan Rahmat Gernowo Jurusan
Lebih terperinciBAB 3 PERANCANGAN SISTEM
BAB 3 PERANCANGAN SISTEM 3.1 Rancangan Perangkat Keras 3.1.1 Diagram Blok Sistem Rancangan perangkat keras dari aplikasi pengenalan wajah ini dapat dilihat pada diagram blok Gambar 3.1 sebagai berikut
Lebih terperinciKLASIFIKASI KANKER SERVIKS MENGGUNAKAN MODEL BACKPROPAGATION NEURAL NETWORK DAN PREPROCESSING CITRA DENGAN OPERASI SPASIAL
KLASIFIKASI KANKER SERVIKS MENGGUNAKAN MODEL BACKPROPAGATION NEURAL NETWORK DAN PREPROCESSING CITRA DENGAN OPERASI SPASIAL SKRIPSI Diajukan Kepada Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas
Lebih terperinciRANCANGAN AWAL SISTEM PRESENSI KARYAWAN STMIK BANJARBARU DENGAN PENDEKATAN EIGENFACE ALGORITHM
RANCANGAN AWAL SISTEM PRESENSI KARYAWAN STMIK BANJARBARU DENGAN PENDEKATAN EIGENFACE ALGORITHM RULIAH Jurusan Sistem Informasi STMIK Banjarbaru Jl. Jend. Ahmad Yani Km. 33.3 Loktabat Banjarbaru twochandra@gmail.com
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 terperinciBAB II LANDASAN TEORI. Kamera web (singkatan dari web dan camera) merupakan sebuah media
BAB II LANDASAN TEORI 2.1 Webcam Kamera web (singkatan dari web dan camera) merupakan sebuah media yang berorientasi pada image dan video dengan resolusi tertentu. Umumnya webcam adalah sebuah perngkat
Lebih terperinciBAB 4 DISAIN MODEL. Pengguna. Citra. Ekstraksi Ciri x. Antar muka (Interface) Data Hasil Ekstraksi Ciri. Testing dan Identifikasi.
33 BAB 4 DISAIN MODEL Disain model sistem identifikasi citra karang dirancang sedemikian rupa dengan tuuan untuk memudahkan dalam pengolahan data dan pembuatan aplikasi serta memudahkan pengguna dalam
Lebih terperinciJaringan syaraf dengan lapisan tunggal
Jaringan syaraf adalah merupakan salah satu representasi buatan dari otak manusia yang mencoba untuk mensimulasikan proses pembelajaran pada otak manusia. Syaraf manusia Jaringan syaraf dengan lapisan
Lebih terperinciBAB IV IMPLEMENTASI DAN EVALUASI. implementasi dan evaluasi yang dilakukan terhadap perangkat keras dan
BAB IV IMPLEMENTASI DAN EVALUASI Implementasi dan Evaluasi yang dilakukan penulis merupakan implementasi dan evaluasi yang dilakukan terhadap perangkat keras dan perangkat lunak dari sistem secara keseluruhan
Lebih terperinciPERBANDINGAN METODE MINIMUM DISTANCE PATTERN CLASSIFIER DAN NEURAL NETWORK BACKPROPAGATION DALAM MENGENALI WAJAH MANUSIA DENGAN EKSPRESI YANG BERBEDA
PERBANDINGAN METODE MINIMUM DISTANCE PATTERN CLASSIFIER DAN NEURAL NETWORK BACKPROPAGATION DALAM MENGENALI WAJAH MANUSIA DENGAN EKSPRESI YANG BERBEDA Bharasaka Krisnandhika 51412445 Dr. Dewi Agushinta
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 terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Folder Sebuah directory (folder) adalah seperti ruangan-ruangan (kamar-kamar) pada sebuah komputer yang berfungsi sebagai tempat penyimpanan dari berkas-berkas (file). Sedangkan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Bab ini menjelaskan landasan teori dari metode yang digunakan dalam proses pengenalan wajah, yaitu terdiri atas: metode Eigenface, dan metode Jarak Euclidean. Metode Eigenface digunakan
Lebih terperinciPERANCANGAN SISTEM PENGENALAN DAN PENYORTIRAN KARTU POS BERDASARKAN KODE POS DENGAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK
PERANCANGAN SISTEM PENGENALAN DAN PENYORTIRAN KARTU POS BERDASARKAN KODE POS DENGAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK OLEH ARIF MIFTAHU5R ROHMAN (2200 100 032) Pembimbing: Dr. Ir Djoko Purwanto, M.Eng,
Lebih terperinciANALISIS DAN PERANCANGAN SISTEM
ANALISIS DAN PERANCANGAN SISTEM 3.1 Analisis Masalah Dalam mengetahui suatu bahan jenis kulit cukup sulit karena bahan jenis kulit memeliki banyak jenis. Setiap permukaan atau tekstur dari setiap jenisnya
Lebih terperincilalu menghitung sinyal keluarannya menggunakan fungsi aktivasi,
LAMPIRAN 15 Lampiran 1 Algoritme Jaringan Syaraf Tiruan Propagasi Balik Standar Langkah 0: Inisialisasi bobot (bobot awal dengan nilai random yang paling kecil). Langkah 1: Menentukan maksimum epoch, target
Lebih 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 terperinciPENGAMAN RUMAH DENGAN SISTEM FACE RECOGNITION SECARA REAL TIME MENGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS
PENGAMAN RUMAH DENGAN SISTEM FACE RECOGNITION SECARA REAL TIME MENGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS Sinar Monika 1, Abdul Rakhman 1, Lindawati 1 1 Program Studi Teknik Telekomunikasi, Jurusan
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 terperinciEKSTRAKSI CITRA BARCODE MENJADI KODE STRING MENGGUNAKAN JARINGAN SYARAF TIRUAN DENGAN ALGORITMA BACKPROPAGATION 1 Andrian Rakhmatsyah 2 Angga Sukma Prinata 3 Adiwijaya 12 Departemen Teknik Informatika
Lebih terperinciJurnal String Vol.1 No.2 Tahun 2016 ISSN : PRINCIPAL COMPONENT ANALYSIS UNTUK SISTEM PENGENALAN WAJAH DENGAN MENGGUNAKAN METODE EIGENFACE
PRINCIPAL COMPONENT ANALYSIS UNTUK SISTEM PENGENALAN WAJAH DENGAN MENGGUNAKAN METODE EIGENFACE Nunu Kustian Program Studi Teknik Informatika, Universitas Indraprasta PGRI Email: kustiannunu@gmail.com Abstrak
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
1 BAB I PENDAHULUAN 1.1 Latar Belakang Home security saat ini sudah menjadi kebutuhan setiap pemilik rumah yang menginginkan tingkat keamanan yang baik. Salah satu sistem keamanan konvensional yang masih
Lebih terperinciBAB III RANCANG BANGUN
BAB III RANCANG BANGUN 3.1 LANGKAH PENGERJAAN Program identifikasi dengan media biometrik citra iris mata yang menggunakan Metode Jaringan Syaraf Tiruan (JST) terdiri dari dua tahap, yaitu proses pelatihan
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 METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Waktu dan Tempat Penelitian Waktu yang digunakan dalam penelitian ini yaitu dalam kurun waktu enam bulan terhitung mulai februari 2012 sampai juli 2012. Tempat yang digunakan
Lebih terperinciMETODOLOGI PENELITIAN
III. METODOLOGI PENELITIAN A. Kerangka Pemikiran Perusahaan dalam era globalisasi pada saat ini, banyak tumbuh dan berkembang, baik dalam bidang perdagangan, jasa maupun industri manufaktur. Perusahaan
Lebih terperinciBAB 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 terperinciIMPLEMENTASI JARINGAN SYARAF TIRUAN ALGORITMA BACKPROPAGATION UNTUK MEMPREDIKSI LAJU INFLASI DI KABUPATEN KLATEN NASKAH PUBLIKASI
IMPLEMENTASI JARINGAN SYARAF TIRUAN ALGORITMA BACKPROPAGATION UNTUK MEMPREDIKSI LAJU INFLASI DI KABUPATEN KLATEN NASKAH PUBLIKASI diajukan oleh Kurniawati Handayani 09.11.3278 kepada SEKOLAH TINGGI MANAJEMEN
Lebih terperinciPENGENALAN WAJAH MANUSIA DENGAN METODE PRINCIPLE COMPONENT ANALYSIS (PCA)
ISSN: 1693-6930 177 PENGENALAN WAJAH MANUSIA DENGAN MEODE PRINCIPLE COMPONEN ANALYSIS (PCA) Murinto Program Studi eknik Informatika Universitas Ahmad Dahlan Yogyakarta Kampus III UAD Jl Prof Dr. Supomo,
Lebih terperinciPengembangan Aplikasi Prediksi Pertumbuhan Ekonomi Indonesia dengan Jaringan Syaraf Tiruan Backpropagation
Erlangga, Sukmawati Nur Endah dan Eko Adi Sarwoko Pengembangan Aplikasi Prediksi Pertumbuhan Ekonomi Indonesia dengan Jaringan Syaraf Tiruan Backpropagation Erlangga, Sukmawati Nur Endah dan Eko Adi Sarwoko
Lebih terperinciBAB 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 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 terperinciIMPLEMENTASI JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI HARGA SAHAM
IMPLEMENTASI JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI HARGA SAHAM Ayu Trimulya 1, Syaifurrahman 2, Fatma Agus Setyaningsih 3 1,3 Jurusan Sistem Komputer, Fakultas MIPA Universitas
Lebih terperinciPenerapan Metode Phase Congruency Image (PCI) dalam Pengenalan Citra Wajah secara Otomatis
Penerapan Metode Phase Congruency Image (PCI) dalam Pengenalan Citra Wajah secara Otomatis Puspita Ayu Ningsih Putri. SY, Wirawan, Hendra Kusuma Jurusan Teknik Elektro FTI, Institut Teknologi Sepuluh Nopember
Lebih terperinciUKDW BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Plat nomor kendaraan bermotor merupakan ciri atau tanda pengenal suatu kendaraan yang diberikan oleh kepolisian. Setiap plat nomor kendaraan memiliki kombinasi
Lebih terperinciBAB 3 PERANCANGAN SISTEM. Bab ini menguraikan analisa penelitian terhadap metode Backpropagation yang
BAB 3 PERANCANGAN SISTEM Bab ini menguraikan analisa penelitian terhadap metode Backpropagation yang diimplementasikan sebagai model estimasi harga saham. Analisis yang dilakukan adalah menguraikan penjelasan
Lebih terperinciSISTEM PENGENALAN WAJAH REAL-TIME DALAM RUANG EIGEN DENGAN SEGMENTASI BERDASARKAN WARNA KULIT. Agus Buono, Ahmad Ridha, Hanief Bastian
SISTEM PENGENALAN WAJAH REAL-TIME DALAM RUANG EIGEN DENGAN SEGMENTASI BERDASARKAN WARNA KULIT Agus Buono, Ahmad Ridha, Hanief Bastian 1 Staf Pengajar Departemen Ilmu Komputer, Fakultas Matematika dan IPA
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. Tabel 4.1 Kebutuhan Perangkat Keras. Perangkat Keras Spesifikasi Processor Intel Core i3. Sistem Operasi Windows 7
BAB IV HASIL DAN PEMBAHASAN 4.1 Kebutuhan Sistem Sebelum melakukan penelitian dibutuhkan perangkat lunak yang dapat menunjang penelitian. Perangkat keras dan lunak yang digunakan dapat dilihat pada Tabel
Lebih 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 terperinciKLASIFIKASI CITRA PARU MENGGUNAKAN MODEL SELF-ORGANIZING MAPS RADIAL BASIS FUNCTION NEURAL NETWORKS (SOM-RBFNN) SKRIPSI
KLASIFIKASI CITRA PARU MENGGUNAKAN MODEL SELF-ORGANIZING MAPS RADIAL BASIS FUNCTION NEURAL NETWORKS (SOM-RBFNN) SKRIPSI Diajukan kepada Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Negeri
Lebih terperinciIV. HASIL DAN PEMBAHASAN A.
IV. HASIL DAN PEMBAHASAN A. Persiapan Data Untuk Analisis Jaringan Syaraf Tahapan pertama sebelum merancang model jaringan syaraf tiruan adalah menyiapkan data. Secara garis besar tahapan-tahapan dalam
Lebih terperinciBAB 2 LANDASAN TEORI. Pengenalan suara (voice recognition) dibagi menjadi dua jenis, yaitu
BAB 2 LANDASAN TEORI 2.1 Pengenalan Suara. Pengenalan suara (voice recognition) dibagi menjadi dua jenis, yaitu speech recognition dan speaker recognition. Speech recognition adalah proses yang dilakukan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN Bab ini menjelaskan tentang latar belakang, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian, metode penelitian, dan sistematika penulisan dalam penelitian ini.
Lebih terperinciBAB III METODE PENELITIAN. Pemotong an Suara. Convert. .mp3 to.wav Audacity. Audacity. Gambar 3.1 Blok Diagram Penelitian
BAB III METODE PENELITIAN 3.1 Model Penelitian Penelitian yang dilakukan dapat dijelaskan melalui blok diagram seperti yang terlihat pada Gambar 3.1. Suara Burung Burung Kacer Burung Kenari Pengambil an
Lebih terperinciImplementasi Pengenalan Wajah Berbasis Algoritma Nearest Feature Midpoint
Implementasi Pengenalan Wajah Berbasis Algoritma Nearest Feature Midpoint Diana Purwitasari, Rully Soelaiman, Mediana Aryuni dan Hanif Rahma Hakim Fakultas Teknologi Informasi, Institut Teknologi Sepuluh
Lebih terperinciBAB III PEMBAHASAN. A. Arsitektur dan Model Fuzzy Neural Network untuk Klasifikasi Stadium
BAB III PEMBAHASAN A. Arsitektur dan Model Fuzzy Neural Network untuk Klasifikasi Stadium Kanker Payudara Fuzzy Neural Network (FNN) adalah gabungan sistem fuzzy dengan Artificial Neural Network (ANN).
Lebih terperinciPREDIKSI PENDAPATAN ASLI DAERAH KALIMANTAN BARAT MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
PREDIKSI PENDAPATAN ASLI DAERAH KALIMANTAN BARAT MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Dwi Marisa Midyanti Sistem Komputer Universitas Tanjungpura Pontianak Jl Prof.Dr.Hadari Nawawi, Pontianak
Lebih 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 terperinciDOKUMENTASI ULANG NASKAH BRAILLE MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK
DOKUMENTASI ULANG NASKAH BRAILLE MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK Chairisni Lubis 1, Yoestinus 2 1 Fakultas Teknologi Informasi, Universitas Tarumanagara-Jakarta, Chairisni.fti.untar@gmail.com
Lebih terperinciBAB 2 HEMISPHERIC STRUCTURE OF HIDDEN LAYER NEURAL NETWORK, PCA, DAN JENIS NOISE Hemispheric structure of hidden layer neural network
BAB 2 HEMISPHERIC STRUCTURE OF HIDDEN LAYER NEURAL NETWORK, PCA, DAN JENIS NOISE Bab ini akan menjelaskan tentang Hemispheric Structure Of Hidden Layer Neural Network (HSHL-NN), Principal Component Analysis
Lebih terperinciBAB 4 IMPLEMENTASI DATA SPEKTROFOTOMETER DAN ANALISA DENGAN BACKPROPAGATION DAN ALGORITMA PCA
BAB 4 IMPLEMENTASI DATA SPEKTROFOTOMETER DAN ANALISA DENGAN BACKPROPAGATION DAN ALGORITMA PCA 4.1 Deteksi DD dengan Dengue Duo (NS1 Ag dan IgG/IgM) Data yang diperoleh merupakan hasil pemeriksaan Dengue
Lebih terperinciBAB III. METODOLOGI. kegiatan manusia membuat penelitian dengan domain teknik informatika
BAB III. METODOLOGI 3.1. Kerangka Pikir Teknik informatika yang memiliki andil yang cukup besar dalam berbagai kegiatan manusia membuat penelitian dengan domain teknik informatika merupakan hal yang menarik
Lebih terperinciBAB 3 METODE PERANCANGAN
BAB 3 METODE PERANCANGAN 3.1 Konsep dan Pendekatan Tujuan utama yang ingin dicapai dalam pengenalan objek 3 dimensi adalah kemampuan untuk mengenali suatu objek dalam kondisi beragam. Salah satu faktor
Lebih terperinciBAB IV ANALISA DAN PERANCANGAN
BAB IV ANALISA DAN PERANCANGAN 4.1 Analisa Analisa merupakan tahapan yang sangat penting dalam melakukan penelitian. Tahap analisa yaitu proses pembahasan persoalan atau permasalahan yang dilakukan sebelum
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 terperinciBAB I PENDAHULUAN. satu bagian sistem biometrika adalah face recognition (pengenalan wajah). Sistem
1 BAB I PENDAHULUAN 1.1. Latar Belakang Sistem biometrika merupakan teknologi pengenalan diri dengan menggunakan bagian tubuh atau perilaku manusia yang memiliki keunikan. Salah satu bagian sistem biometrika
Lebih terperinciBAB IV PERANCANGAN & IMPLEMENTASI SISTEM
17 BAB IV PERANCANGAN & IMPLEMENTASI SISTEM 4.1 Desain. yang digunakan adalah jaringan recurrent tipe Elman dengan 2 lapisan tersembunyi. Masukan terdiri dari data : wind, SOI, SST dan OLR dan target adalah
Lebih terperinciPENGENALAN POLA TANDA TANGAN DENGAN MENGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS (PCA)
PENGENALAN POLA TANDA TANGAN DENGAN MENGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS (PCA) Riza Firdaus Ardiansyah NIM : A11.2009.05106 Program Studi Teknik Informatika Fakultas Ilmu Komputer Universitas
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 terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Definisi Citra, Pengolahan Citra, dan Pengenalan Pola Citra dapat dijelaskan sebagai dua dimensi dari fungsi f(x,y) dimana x dan y tersebut adalah sebuah koordinat pada bidang
Lebih terperinciSEGMENTASI HURUF TULISAN TANGAN BERSAMBUNG DENGAN VALIDASI JARINGAN SYARAF TIRUAN. Evelyn Evangelista ( )
SEGMENTASI HURUF TULISAN TANGAN BERSAMBUNG DENGAN VALIDASI JARINGAN SYARAF TIRUAN Evelyn Evangelista (1022004) Jurusan Teknik Elektro, Fakultas Teknik, Universitas Kristen Maranatha, Jl. Prof. Drg. Suria
Lebih terperinciBAB III METODELOGI PENELITIAN. Alat yang digunakan dalam penelitian ini adalah: a. Prosesor : Intel Core i5-6198du (4 CPUs), ~2.
BAB III METODELOGI PENELITIAN 3.1 Alat dan Bahan Penelitian 3.1.1 Alat Alat yang digunakan dalam penelitian ini adalah: 1. Hardware a. Prosesor : Intel Core i5-6198du CPU @2.30GHz (4 CPUs), ~2.40GHz b.
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini akan dielaskan mengenai teori-teori yang berhubungan dengan penelitian ini, sehingga dapat diadikan sebagai landasan berpikir dan akan mempermudah dalam hal pembahasan
Lebih 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 terperinciALGORITMA LEARNING VECTOR QUANTIZATION UNTUK PENGENALAN BARCODE BUKU DI PERPUSTAKAAN UNIVERSITAS GALUH CIAMIS
ALGORITMA LEARNING VECTOR QUANTIZATION UNTUK PENGENALAN BARCODE BUKU DI PERPUSTAKAAN UNIVERSITAS GALUH CIAMIS Egi Badar Sambani 1), Neneng Sri Uryani 2), Rifki Agung Kusuma Putra 3) Jurusan Teknik Informatika,
Lebih terperinciBAB 1 PENDAHULUAN Latar belakang masalah
BAB 1 PENDAHULUAN 1.1. Latar belakang masalah Saluran pernapasan pada manusia terdiri dari rongga hidung, faring, laring, trakea, percabangan bronkus dan paru-paru (bronkiolus, alveolus). Paru-paru merupakan
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Tempat dan Waktu Penelitian Penelitian ini mengambil tempat di Universitas Muhammadiyah Yogyakarta yang berlokasi di Jl. Lingkar Selatan, Kasihan, Bantul, Daerah Istimewa
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Pada bab ini akan dibahas teori yang berkaitan dengan pemrosesan data untuk sistem pengenalan gender pada skripsi ini, meliputi cropping dan resizing ukuran citra, konversi citra
Lebih terperinci